一种基于滑模神经网络的智能车轨迹跟踪控制方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN108227491A(43)申请公布日2018.06.29(21)申请号201711455768.8(22)申请日2017.12.28(71)申请人重庆邮电大学地址400065重庆市南岸区南山街道崇文路2号(72)发明人郑太雄何招杨新琴李芳黄帅田云浪汪涛(74)专利代理机构重庆市恒信知识产权代理有限公司50102代理人刘小红(51)Int.Cl.G05B13/04(2006.01)G05D1/02(2006.01)G05D1/12(2006.01)权利要求书2页说明书7页附图3页(54)发明名称一种基于滑模神经网络的智能车轨迹跟踪控制方法(57)摘要本发明请求保护一种基于滑模神经网络的智能车轨迹跟踪控制方法，用于智能车轨迹跟踪控制的技术领域，以解决轨迹跟踪过程中存在的稳定性和控制精度的问题。该方法包括：设计一种基于滑模的轨迹跟踪控制器，通过控制前轮转角来实现横向跟踪控制，然后通过RBF神经网络补偿前轮转角来提高轨迹跟踪控制的精度，减小滑模的抖振现象。与现有技术相比，本发明在实现轨迹跟踪的同时能极大地提高轨迹跟踪控制的精度，减小滑模控制器的抖振现象，加强了控制器的稳定性和鲁棒性。CN108227491ACN108227491A权利要求书1/2页1.一种基于滑模神经网络的智能车轨迹跟踪控制方法，其特征在于，包括以下步骤：A、根据智能车上的环境感知和轨迹规划模块规划出一条参考轨迹，从参考轨迹上提取出车辆期望横摆角θp，然后根据智能车辆的传感器采集到的车辆行驶信息得出车辆实际横摆角θ，求出车辆实际横摆角和期望横摆角的误差为θe；B、建立智能车的二自由度动力学模型，把步骤A中的横摆角误差θe传输给下层的滑模横向控制器，通过控制前轮转角δf来实现横向控制；考虑到建立的动力学模型的不确定性，采用RBF神经网络来对前轮转角进行补偿，从而优化横向跟踪控制。2.根据权利要求1所述的一种基于滑模神经网络的智能车轨迹跟踪控制方法，其特征在于，所述智能车的二自由度动力学模型的车辆动力学模型为：为横摆角误差的二阶导数，其中D为系统模型的不确定性，即有：令x1＝θe，则上述动力学模型可变成：式中：a、g表示公式计算的常量参数；其中：Cf和Cr为汽车的前后轮侧偏刚度，vx和vy分别表示汽车的纵向速度和侧向速度，ω为汽车实际的横摆角速度，ωp为汽车期望的横摆角速度，lf和lr分别表示质心到汽车的前后轴距离，I表示汽车相对z轴的转动惯量，δf表示汽车的前轮转角。3.根据权利要求2所述的一种基于滑模神经网络的智能车轨迹跟踪控制方法，其特征在于，所述步骤B把步骤A中的横摆角误差θe传输给下层的滑模横向控制器，通过控制前轮转角δf来实现横向控制，所述滑模横向控制器的滑模控制律为：其中：ε为常数且ε＞0；k为常数且k＞0；c表示常量，sgn(s)表示符号函数，可知：由上式可知满足滑模的稳定可达条件。4.根据权利要求3所述的一种基于滑模神经网络的智能车轨迹跟踪控制方法，其特征在于，所述RBF神经网络共三层，包括输入层、隐含层和输出层，其中输入层有2个神经元，隐含层有5个神经元，输出层有1个神经元。5.根据权利要求4所述的一种基于滑模神经网络的智能车轨迹跟踪控制方法，其特征在于，所述隐含层神经元的激活函数为高斯函数:22h(i)＝exp(-(x-cj)/2bj)(j＝1,2···，5)T式中，表示神经网络的输入向量；cj＝[cj1cj2]表示第j个节点的中心向量T值；bj＝[bj1bj2]表示第j个节点的高斯基函数的基宽值向量；2CN108227491A权利要求书2/2页网络输出层的输出为:Tu2＝WHT式中：W＝[w1w2···w5]是RBF神经网络的权重矩阵，H＝[h1h2···h5]是神经网络的隐含层输出。6.根据权利要求5所述的一种基于滑模神经网络的智能车轨迹跟踪控制方法，其特征在于，所述RBF神经网络还包括采用梯度下降法对神经网络的权值、中心向量和基宽向量的值进行修正的步骤。7.根据权利要求5所述的一种基于滑模神经网络的智能车轨迹跟踪控制方法，其特征在于，所述经过RBF神经网络补偿后的前轮转角控制律为：3CN108227491A说明书1/7页一种基于滑模神经网络的智能车轨迹跟踪控制方法技术领域[0001]本发明属于智能车轨迹跟踪控制技术领域，涉及一种基于滑模神经网络的智能车轨迹跟踪控制方法。背景技术[0002]智能车在普通车辆的基础上，集成了多种先进的传感器和控制器，并通过这些装置实现人-车-路的智能信息交换，使智能车辆具有自主导航、自动驾驶、自主循迹和自动跟踪等多项功能。它是未来车辆技术的主体发展方向，一直备受国防事业、汽车工业、高校和科研机构的关注，智能车的发展对解决交通拥堵和事故，