基于模糊神经网络的智能车辆循迹控制*

张 琨,崔胜民,王剑锋

(1.哈尔滨工业大学汽车工程学院，威海 264209； 2.华晨汽车工程研究院，沈阳 110141)



2015007

基于模糊神经网络的智能车辆循迹控制*

张 琨1,2,崔胜民1,王剑锋1

(1.哈尔滨工业大学汽车工程学院，威海 264209； 2.华晨汽车工程研究院，沈阳 110141)

为提高智能车辆自主循迹控制的精度，提出了一种基于模糊神经网络控制(FNNC)和神经网络预测(NNP)的智能循迹控制策略。转向控制器的输入量有3个：预瞄点处的横向循迹误差、汽车横摆角速度和侧向加速度。车速控制器的输入量有4个：预瞄点处的面积误差、侧向加速度、汽车侧偏角和转向盘转角。网络训练采用误差反向传播法。仿真与试验结果表明，所设计的循迹控制器通过对驾驶员操作样本的训练，能实现对车辆的车速与转向控制，横向循迹误差和目标车速均比较理想。

智能车辆；循迹控制；模糊神经网络

前言

智能车辆作为一个复杂的非线性系统，自主循迹控制一直是其控制的难点和核心技术。在以往的研究中，车速与转向控制经常被解耦，是分开控制的。文献[1]中提出一种由期望航向偏差生成器和反馈系统组成的智能车辆循迹横向控制方法，试验结果证明该方法在非结构化道路上具有较好的跟踪效果。文献[2]中分析了车辆在循迹时前后轮的几何学关系，建立了一种简单的横向控制模型，在小角度跟踪条件下这种方法取得了良好的控制效果。文献[3]中研究了前后车辆的纵向运动学和动力学模型，采用PID控制实现了智能车辆循迹时的车速保持和安全车距控制。文献[4]中设计了卡尔曼滤波器分别对几种工况下的道路试验数据进行预处理，基于最小二乘法对车辆纵向动力学参数进行辨识，最终得出的辨识模型与试验结果吻合良好。文献[5]中在分析非线性车辆纵向动力学模型的基础上，采用一种简化模型设计自适应油门控制器，并应用Lyapunov方法证明了控制系统的稳定性。文献[6]中通过系统辨识的方法建立了智能车辆运动学和动力学状态空间方程，通过最优控制方法实现了智能车辆的自主导航与循迹控制。文献[7]中参照人工神经网络的拓扑结构建立了基于预瞄优化人工神经网络的转向控制模型，控制器在复杂路面的应用中得到有效验证。在大曲率弧线路径的跟踪过程中，由于存在大的角度偏差，车辆模型已经失去了线性条件，系统的状态方程已不能准确描述被控系统的特性。

模糊神经网络控制同时具有模糊控制知识表达容易和神经网络自学习能力强的优点，不依赖于对象的深层次知识，非常适合复杂非线性系统控制问题的研究[8]。本文中将智能车辆的速度和转向控制作为一个整体，考虑了轮胎侧偏特性对整车系统动力学的影响，设计的循迹控制器由两类模糊神经网络组成：一类是神经网络预测器NNP用于目标期望车速的预测；另一类是模糊神经网络控制器FNNC用于转向和车速的控制。

1 循迹控制原理

1.1 线性2自由度汽车模型

本文中所用的线性2自由度汽车模型如图1所示。该模型忽略了汽车的俯仰与侧倾运动，车身只做平行于地面的运动。

图中：δf、δr为前、后轮转向角；βf、βr为前、后轮侧偏角；vf、vr为前、后轮速度；Fxf、Fxr为前、后轮纵向力；Fyf、Fyr为前、后轮侧向力；a、b为车辆质心到前、后轴的距离；β为整车侧偏角。

整车的动力学方程为

(1)

式中：m为汽车质量；Iz为转动惯量；v为车速；γ为整车相对质心的横摆角速度。

fx、fy和τz表示为

(2)

1.2 虚拟目标跟随控制策略

智能车辆的循迹控制可视作对车辆行驶轨迹上前方某一虚拟目标车辆的预瞄和跟随，即预瞄最优曲率模型和预瞄最优加速度模型[9-10]。在此基础上，提出一种基于神经网络预测的虚拟目标跟随控制策略，如图2所示。其对应的数学模型为

(3)

式中：vt为当前车速；vt+1为目标车速；βt+1为目标侧偏角；γt+1为目标横摆角速度；L为预瞄距离。

将式(3)转换为状态空间的形式，并解耦为横向模型和纵向模型，横向模型可表示为

(4)

其中x和ωi+1可表示为

(5)

a11、a12和a22可表示为

(6)

分析式(4)和式(6)，可知转向控制的主要影响因素是预瞄点处的位置误差、车辆侧偏角和车辆横摆角。

纵向模型可表示为

(7)

分析式(7)可知，车速控制的主要影响因素是目标期望车速vt+1和当前车速vt。考虑式(3)的解耦是以侧偏角β足够小为前提的，在大曲率转弯时，车速和转向控制还应充分考虑侧偏角的影响。

2 控制器的设计

本文中设计的智能车辆循迹控制器的系统结构如图3所示。NNP预测器通过当前车速vt预测预瞄点处的车速vt+1，并作为车速FNNC的训练样本。

2.1 车速NNP预测

神经网络预测器NNP采用正向模型，网络结构为4层BP网络，如图4所示。

图中：ω1、ω2、ω3为各层的网络权值。网络的输入为前两个时刻的虚拟目标车速及其所对应的当前车速，输入输出关系为

yd(k)=f(y(k-1),y(k-2),x(k-1),x(k-2))

(8)

网络以系统的实际输出与预测器输出的差值作为学习信号，定义误差函数E1为

(9)

式中：ydi为网络期望输出；yi为系统实际输出；m为样本个数。

2.2 转向与车速FNNC控制

转向FNNC控制的网络结构如图5所示。网络输入量为预瞄点处的横向循迹误差e、汽车横摆角γ和侧向加速度Ay。神经网络为5层结构，分别为输入层、输入隶属函数层、模糊推理层、输出隶属函数层和输出层。

FNNC控制训练样本选取2008年MSC公司在其Ann Arbor专业赛道上进行车辆测试时采集到的部分相关试验数据[11]。经过筛选，共选取3 969组比较典型的试验数据作为FNNC的训练样本，见表1。篇幅所限，这里只给出5组样本数据，其中样本输入1为预瞄点处的横向循迹误差；样本输入2为汽车横摆角；样本输入3为汽车的侧向加速度；样本输出为转向盘转角δ。

表1 训练样本

模糊语言值共有5个：NB、NS、ZE、PS和PB，共产生模糊规则125条。

其中两个输入量Ay和e的训练前后隶属函数变化如图6所示。图中虚线代表训练前的隶属度函数，实线代表训练后的隶属度函数。二者对应的FIS(fuzzy inference surface)输出曲面如图7所示。

车速FNNC控制器的输入为预瞄点处的面积误差E，侧向加速度Ay，汽车侧偏角β和转向盘转角δ。样本样式、神经网络结构、模糊规则和返传误差均与转向FNNC相同。

3 仿真与试验

在Matlab/Simulink与Carsim环境下进行了多弯道道路试验。

多弯道道路试验在如图8所示的道路上进行。试验道路全长2 235m，由不同曲率的11个主要弯道组成，如图9所示。

在三维坐标系中给出了试验道路和车辆轨迹的对比，如图10所示。循迹控制器很好地完成了任务，且控制器受道路曲率变化的影响小，鲁棒性强。

图11为车辆循迹误差。由图可见，循迹误差多集中于±0.5m之间。此误差相对于控制标准(道路宽度与车辆宽度之差的一半)有足够的余量，表明所设计的控制器精度较高，可以满足期望的循迹要求。对比图9还可发现，误差的几个峰值均处在道路曲率较大且相对变化率较高的位置，这与真实的驾驶经验相符。

图12和图13分别为转向盘转角和期望车速的对比。

由图12和图13可知，控制器输出的转向盘转角和车速与驾驶员的操纵基本一致，验证了神经网络学习能力强的优点。由图13可见，FNNC的输出相比试验样本，变化更剧烈，原因是FNNC本身对输入信号的变化比较敏感，这不利于控制器的实际应用。

为了解决这个问题，对FNNC输出的信号进行傅里叶变换，滤掉高频部分，并增加一个延迟环节。处理后的车速信号如图14所示。由图可见，处理后的信号更加平顺，有利于实际应用。

4 结论

(1) 研究了智能车辆循迹控制系统动力学，分析了车速控制和转向控制的影响因素，建立了基于NNP的期望车速预测器和基于FNNC的转向与车速控制器，并采用误差反向传播法分别对所建立的神经网络进行训练。

(2) 多弯道道路仿真试验结果表明，所设计的模糊神经网络循迹控制器能够实现对期望道路和车速的跟踪，复杂道路的横向循迹误差控制在±0.5m之内，控制精度高，自适应性强。

(3) 控制器的输出信号变化比较灵敏，仿真结果出现了一些尖锐的峰值，这不利于实际应用，使用傅里叶变换和滤波方法可使控制信号更加平顺。

[1] 赵熙俊,陈慧岩.智能车辆路径跟踪横向控制方法的研究[J].汽车工程,2011,33(5):382-387.

[2] Miguel Angel. Lateral Control Strategy for Autonomous Steering of Ackerman-like Vehicles[J]. Robotics and Autonomous Systems,2003,45(3-4):223-233.

[3] Packiaraj X. A Decentralized PID-based Approach for the Collaborative Driving of Automated Vehicles[D]. Halifax: Dalhousie University,2009.

[4] 刘佳熙,李升波,王建强,等.车辆智能巡航控制纵向动力学参数快速辨识方法[J].农业机械学报,2010,41(10):6-10.

[5] 高峰,李克强,王建强,等.车速控制系统自适应油门控制器设计[J].汽车工程,2005,27(4):418-422.

[6] 游峰,王荣本,张荣辉.智能车辆系统辨识与控制算法研究[J].中国公路学报,2008,21(4):111-116.

[7] 曹建永.复杂行驶工况下的驾驶员模型[D].长春:吉林大学,2007.

[8] 易继锴.智能控制技术[M].北京:北京工业大学出版社,2006:18-20.

[9] 李英.方向与速度综合控制驾驶员模型及在ADAMS中的应用[D].长春:吉林大学,2007.

[10] 丁海涛,郭孔辉,李飞,等.基于加速度反馈的任意道路和车速跟随控制驾驶员模型[J].机械工程学报,2010,46(10):116-120.

[11] Snider Jarrod M. Automatic Steering Methods for Autonomous Automobile Path Tracking[D]. Pennsylvania: Carnegie Mellon University,2009.

Path Tracking Control of Intelligent Vehicle Based on Fuzzy Neural Network

Zhang Kun1,2, Cui Shengmin1& Wang Jianfeng1

1.SchoolofAutomobileEngineering,HarbinInstituteofTechnology,Weihai264209; 2.BrillianceAutoR&DCenter,Shenyang110141

In order to improve the autonomous path tracking control accuracy of intelligent vehicle, an intelligent path tracking control strategy is proposed based on fuzzy neural network control and neural network prediction. The inputs of steering controller are the transverse path tracking error at preview points and the yaw rate and lateral acceleration of vehicle, while those for speed controller are the area error at preview points and the lateral acceleration, side slip angle and steering wheel angle of vehicle, and error back propagation technique is adopted for network training. The results of simulation and test show that through the training of driver operation samples, the path tracking controller designed can realize speed and steering control of intelligent vehicle with relatively desirable transverse path tracking error and target speed.

intelligent vehicle; path tracking control; fuzzy neuron network

*山东省自然科学基金(ZR2010FM008)资助。

原稿收到日期为2012年12月13日，修改稿收到日期为2013年5月15日。