一種基于pso和rbf神經(jīng)網(wǎng)絡(luò)的無人駕駛車輛車速控制方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于汽車試驗(yàn)自動(dòng)駕駛裝置控制技術(shù)領(lǐng)域，具體涉及一種能夠?qū)崿F(xiàn)給定目 標(biāo)車速準(zhǔn)確跟蹤的用于電動(dòng)汽車無人駕駛的模糊神經(jīng)網(wǎng)絡(luò)控制。
【背景技術(shù)】
[0002] 電動(dòng)汽車?yán)m(xù)時(shí)里程及能耗是直接評(píng)估電動(dòng)汽車性能的重要指標(biāo)之一。傳統(tǒng)測(cè)試電 動(dòng)汽車?yán)m(xù)時(shí)里程及能耗大都采用兩種方案，第一是人工駕駛，這使得測(cè)試結(jié)果很大程度上 受到人為因素，從而影響續(xù)駛里程評(píng)價(jià)指標(biāo)。第二是安放在測(cè)功機(jī)上測(cè)試，由于測(cè)功機(jī)是按 照某一定扭矩、定轉(zhuǎn)速、恒電流控制，而汽車在正常行駛時(shí)的驅(qū)動(dòng)電機(jī)是處于變扭矩、變轉(zhuǎn) 速，因此這種測(cè)試很難模擬電動(dòng)汽車真實(shí)的行駛工況。
[0003] 無人駕駛車輛排除了人為不確定因素的影響，不僅可以提高駕駛車速跟蹤準(zhǔn)確 性，而且解決人工測(cè)試疲勞問題。隨著相關(guān)技術(shù)的快速發(fā)展，無人駕駛正在經(jīng)歷著由半自主 無人駕駛向全自主無人駕駛發(fā)展的階段，在近幾屆由國(guó)家自然科學(xué)基金委主辦的"智能車 未來挑戰(zhàn)賽"中，參賽車輛在某些場(chǎng)景下已經(jīng)基本具有接近人類的自主駕駛能力。國(guó)外無人 駕駛技術(shù)還處于保密階段，目前只有少數(shù)企業(yè)擁有該技術(shù)，而無人駕駛技術(shù)大都在傳統(tǒng)車 領(lǐng)域。
[0004] 由于汽車車速跟蹤控制的數(shù)學(xué)模型較為復(fù)雜，而且汽車行駛過程中受到外界因 素影響較大，這給無人駕駛車輛的駕駛員模型造成很多干擾。傳統(tǒng)的PID車速控制方法， 若要超調(diào)小，難以保證快速性的指標(biāo)；若要?jiǎng)討B(tài)響應(yīng)快，則超調(diào)量必然大。而且非常規(guī)的 PID調(diào)整不能在線進(jìn)行參數(shù)整定。粒子群算法，也稱粒子群優(yōu)化算法（Particle Swarm Optimization)，縮寫為PS0,是近年來發(fā)展起來的一種新的進(jìn)化算法（Evolutionary Algorithm-EA)〇
[0005] PSO算法屬于進(jìn)化算法的一種，和模擬退火算法相似，它也是從隨機(jī)解出發(fā)，通過 迭代尋找最優(yōu)解，它也是通過適應(yīng)度來評(píng)價(jià)解的品質(zhì)，但它比遺傳算法規(guī)則更為簡(jiǎn)單，它沒 有遺傳算法的"交叉"（Crossover)和"變異"（Mutation)操作，它通過追隨當(dāng)前搜索到的 最優(yōu)值來尋找全局最優(yōu)。這種算法以其實(shí)現(xiàn)容易、精度高、收斂快等優(yōu)點(diǎn)引起了學(xué)術(shù)界的重 視，并且在解決實(shí)際問題中展示了其優(yōu)越性。
[0006] RBF網(wǎng)絡(luò)，即徑向基神經(jīng)網(wǎng)絡(luò)，是前饋型網(wǎng)絡(luò)的一種，RBF網(wǎng)絡(luò)是一個(gè)三層的網(wǎng)絡(luò)， 出了輸入輸出層之外僅有一個(gè)隱層。隱層中的轉(zhuǎn)換函數(shù)是局部響應(yīng)的高斯函數(shù)，而其他前 向型網(wǎng)絡(luò)，轉(zhuǎn)換函數(shù)一般都是全局響應(yīng)函數(shù)。由于這樣的不同，要實(shí)現(xiàn)同樣的功能，RBF需 要更多的神經(jīng)元，這就是RBF網(wǎng)絡(luò)不能取代標(biāo)準(zhǔn)前向型網(wǎng)絡(luò)的原因。但是RBF的訓(xùn)練時(shí)間 更短。它對(duì)函數(shù)的逼近是最優(yōu)的，可以以任意精度逼近任意連續(xù)函數(shù)。隱層中的神經(jīng)元越 多，逼近越精確，具有結(jié)構(gòu)簡(jiǎn)單，訓(xùn)練速度快等優(yōu)點(diǎn)。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明為了實(shí)現(xiàn)電動(dòng)汽車在循環(huán)工況測(cè)試中車速跟蹤的準(zhǔn)確性，提出一種用于無 人駕駛車輛車速跟蹤控制的新方法。本發(fā)明采用一種模糊控制和徑向基函數(shù)（Radialbasis function，RBF)神經(jīng)網(wǎng)絡(luò)相結(jié)合的控制方法，控制車速跟蹤，并采用粒子群優(yōu)化（Particle swarm optimization，PS0)算法進(jìn)行優(yōu)化。盡管PSO算法是一種新的群體智能優(yōu)化算法， 具有很好的全局優(yōu)化能力，但是標(biāo)準(zhǔn)PSO算法容易出現(xiàn)局部最優(yōu)，產(chǎn)生"早熟"收斂現(xiàn)象，為 此本文采用改進(jìn)PSO算法優(yōu)化模糊RBF神經(jīng)網(wǎng)絡(luò)參數(shù)并應(yīng)用于車速控制中，使其達(dá)到預(yù)期 的控制效果。采用模糊RBF神經(jīng)網(wǎng)絡(luò)搭建無人駕駛駕駛員模型，采用改進(jìn)的PSO算法對(duì)神 經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行在線優(yōu)化，從而實(shí)現(xiàn)車速跟蹤的準(zhǔn)確性。采用如下技術(shù)方案：
[0008] -種基于PSO和RBF神經(jīng)網(wǎng)絡(luò)的無人駕駛車輛車速控制方法，包括如下步驟：
[0009] 步驟1 :搭建無人駕駛車速控制系統(tǒng)架構(gòu)；
[0010] 步驟2 :搭建車速跟蹤閉環(huán)控制數(shù)學(xué)動(dòng)態(tài)模型；
[0011] 步驟3 :基于模糊RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)搭建無人駕駛車速控制駕駛員模型；
[0012] 步驟4 :對(duì)步驟3中駕駛員模型輸入變量模糊化得到模糊值，采用所述模糊值建立 輸入輸出變量隸屬度函數(shù)；
[0013] 步驟5 :根據(jù)步驟3和步驟4,以及基于駕駛經(jīng)驗(yàn)和測(cè)量數(shù)據(jù)建立駕駛員模型模糊 控制規(guī)則表；
[0014] 步驟6 :建立駕駛員模型中每條規(guī)則的適應(yīng)度，完成模糊化和歸一化計(jì)算；
[0015] 步驟7 :基于PSO算法搭建改進(jìn)后的PSO控制流程；
[0016] 步驟8 :搭建基于改進(jìn)后的PSO算法和模糊RBF神經(jīng)網(wǎng)絡(luò)算法的車速控制流程。
[0017] 進(jìn)一步地，所述步驟1中的無人駕駛車速控制系統(tǒng)架構(gòu)包括硬件系統(tǒng)架構(gòu)和軟件 系統(tǒng)架構(gòu)；
[0018] 所述硬件系統(tǒng)架構(gòu)包括：控制計(jì)算機(jī)、測(cè)試控制器、電機(jī)控制器MCU、動(dòng)力電池以 及電機(jī)M ;所述控制計(jì)算機(jī)采用RS232通信方式與測(cè)試控制器相連接，所述測(cè)試控制器一方 面通過D/A轉(zhuǎn)換方式與所述電機(jī)控制器MCU相連接，所述測(cè)試控制器另一方面通過CAN總 線與所述電機(jī)控制器MCU相連；所述電機(jī)控制器MCU與電機(jī)M相連；所述動(dòng)力電池分別為測(cè) 試控制器、電機(jī)控制器MCU相連；控制計(jì)算機(jī)模擬駕駛員大腦，負(fù)責(zé)數(shù)據(jù)采集、分析以及反 饋控制信息給測(cè)試控制器；測(cè)試控制器傳輸加速踏板開度和制動(dòng)踏板開度信息給電機(jī)控制 器MCU ;電機(jī)控制器MCU控制電機(jī)M轉(zhuǎn)速；
[0019] 所述軟件系統(tǒng)架構(gòu)包括：駕駛員模型、電機(jī)控制器MCU模型、車輛動(dòng)態(tài)模型；所述 駕駛員模型根據(jù)目標(biāo)車速和實(shí)際車速以及PSO神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)車速的自動(dòng)跟蹤控制，所 述駕駛員模型的輸出為加速踏板開度和制動(dòng)踏板開度；所述電機(jī)控制器MCU模型根據(jù)駕駛 員模型輸出的加速踏板開度得出電機(jī)控制器MCU需求扭矩和實(shí)際輸出扭矩；車輛動(dòng)態(tài)模型 根據(jù)MCU模型的輸出扭矩、駕駛員模型輸出的制動(dòng)踏板開度和整車參數(shù)得出當(dāng)前車輛實(shí)際 車速、并反饋?zhàn)罱K的實(shí)際車速給駕駛員模型。
[0020] 進(jìn)一步地，所述步驟2中搭建車速跟蹤閉環(huán)控制數(shù)學(xué)動(dòng)態(tài)模型的方法如下：
[0021] 步驟2. 1 :采用無刷直流電機(jī)，電機(jī)控制策略采用轉(zhuǎn)矩控制；
[0022] 步驟2. 2 :根據(jù)電機(jī)特性曲線、母線電流、電機(jī)轉(zhuǎn)矩、加速踏板開度及制動(dòng)踏板開 度、車輛動(dòng)態(tài)模型關(guān)系得出車速跟蹤閉環(huán)控制數(shù)學(xué)動(dòng)態(tài)模型： CN 105136469 A 說明書 3/8 頁
[0023]
[0024] 其中：V、d、b分別為車速、加速踏板開度、制動(dòng)踏板開度。
[0025] 進(jìn)一步地，所述步驟3中搭建無人駕駛車速控制駕駛員模型的方法如下：
[0026] 采用模糊RBF神經(jīng)網(wǎng)絡(luò)控制模型，采用多輸入單輸出4層網(wǎng)絡(luò)，網(wǎng)絡(luò)的第1~ 3層實(shí)現(xiàn)模糊規(guī)則，第4層為解模糊；模型輸入量為車速差v(t)及車速變化量v(t)= v(t)-v(t-l)，輸出為加速踏板開度β及制動(dòng)踏板開度β，β為正代表加速踏板開度，β 為負(fù)代表制動(dòng)踏板開度。
[0027] 進(jìn)一步地，所述步驟4中建立輸入輸出變量隸屬度函數(shù)的方法如下：
[0028] 所述駕駛員模型的第1層為輸入層，輸入變量為車速差v(t)及車速變化量Av (t) =v(t)-v(t-l);第2層為模糊化層，節(jié)點(diǎn)數(shù)為16,選用鈴形函數(shù)作為隸屬度函數(shù)并將輸入 變量模糊化；所述鈴形函數(shù)為：?力為隸屬度函數(shù)，e分別為隸屬度函 數(shù)的中心和寬度。
[0029] 進(jìn)一步地，所述步驟5中建立駕駛員模型模糊控制規(guī)則表的方法如下：
[0030] 所述駕駛員模型第2層中每個(gè)神經(jīng)元代表1個(gè)語言變量，將語言變量劃分為以下7 種方式：NB(負(fù)大）、NM(負(fù)中）、NS(負(fù)?。?、ZE(零）、PS(正?。?、PM(正中）、PB(正大）， 根據(jù)實(shí)際經(jīng)驗(yàn)建立模糊控制規(guī)則表。
[0031] 進(jìn)一步地，所述步驟6中完成模糊化和歸一化計(jì)算的方法如下：
[0032] 所述駕駛員模型第3層為規(guī)則層，每個(gè)節(jié)點(diǎn)代表一條模糊規(guī)則，其適應(yīng)度計(jì)算 表達(dá)式為：勺=??2.痛?";采用"乘"算子完成模糊運(yùn)算，同時(shí)進(jìn)行歸一化計(jì)算，得到：
其中，j = 1，2, 3...64, m = 64。
[0033] 進(jìn)一步地，所述步驟7中基于PSO算法搭建改進(jìn)后的PSO控制流程的方法為：
[0034] 步驟7. 1 :建立控制數(shù)學(xué)模型；所述控制數(shù)學(xué)模型為：
[0035] vf(k+1)=Vf (/f)+^raiid(OjQl) [ρ\ (k)-X1 (/f)]+φ·,???ικ?(0,α2) \ρ^(k) (Αγ+1)= (k)+vf (k+1)
[0036] 式中：i = 1，2,3···πι為粒子編號(hào)；j = 1，2,3···η代表η維向量的第j個(gè)分量； r;(/f) ' χ;α)為粒子i在第k次迭代中的速度向量和位置向量；,、％分別為控制個(gè)體認(rèn)知 分量和群體社會(huì)分量；g為迄今為止最優(yōu)適配值；
[0037] 步驟7. 2 :對(duì)步驟7. 1中控制數(shù)學(xué)模型采用改進(jìn)的PSO算法；所述改進(jìn)的PSO算法 改進(jìn)權(quán)值表達(dá)式為：
wmax、Wmin分別代表慣性權(quán)重W的最大值和最小 值，取 Wnax= I. 3 ;wnin= 0· 8 ;
[0038] 步驟7. 3 :引入隨機(jī)算子，使粒子在滿足變異條件下以概率q進(jìn)行變異，計(jì)算公式 CN 105136469 A I兄明書 4/8 頁 為
[0039] 式中，q為變異概率；k取[0. 1，0. 3]之間任意值；〇 2為適度方差；f d為理論最優(yōu) 值；
[