基于神经网络和PID算法的轨迹跟随方法技术

本发明专利技术提供了一种基于神经网络和PID算法的轨迹跟踪方法，主要用于智能驾驶汽车在驾驶地图的跟踪方案，将常规PID控制与神经网络控制相结合，发挥各自的优势，形成所谓的智能PID控制。该方法能使智能驾驶汽车跟踪希望轨迹，采用神经网络方法设计的控制系统具有更快的实时性、更强的适应性和更好的鲁棒性。计算机仿真实验和实车实验表明，基于神经网络和PID算法的控制较常规的PID控制具有更快的实时性、更好的自适应性，能取得良好的控制结果。

【技术实现步骤摘要】
基于神经网络和PID算法的轨迹跟随方法
本专利技术涉及无人驾驶技术，尤其涉及一种基于神经网络和PID算法的轨迹跟随方法。
技术介绍
PID控制是最早发展起来的应用经典控制理论的控制策略之一，由于算法简单，鲁棒性好和可靠性高，被广泛应用于工业过程并取得了良好的控制效果。随着工业的发展，对象的复杂程度不断加深，尤其对于大滞后、时变的、非线性的复杂智能驾驶汽车控制系统，常规PID控制显得无能为力。因此常规PID控制的应用受到很大的限制和挑战。神经网络在控制系统中的应用提高了整个系统的信息系统处理能力和适应能力，提高了系统的智能水平。此外，神经网络具有逼近任意连续有界非线性函数的能力，对于非线性系统和不确定性系统，无疑是一种解决问题的有效途径。
技术实现思路
本专利技术的目的是提供一种具有更快的实时性、更好的自适应性、能取得良好的控制结果的基于神经网络和PID算法的轨迹跟随方法。为了达到上述目的，本专利技术提供了一种基于神经网络和PID算法的轨迹跟随方法，其包括以下步骤：S1，获取期望的行驶轨迹参数值，所述行驶轨迹参数值包括位置坐标值、航向角、速度和角速度；S2，获取当前车辆的行驶轨迹参数值，并由车辆运动模型预测车辆之后的行驶轨迹参数值；S3，由性能函数根据步骤S1获得的期望的行驶轨迹参数值及预测的行驶轨迹参数值得出一个误差值；S4，将步骤S3得出的误差值输入到PID控制器得出方向盘的转角，并根据该转角控制车辆转向；S5，重复步骤S2和S3，得到当前时刻的误差值，获取当前时刻的PID输出值以及当前车速，由神经网络控制器PID参数学习算法整定PID控制器的3个系数Kp、Ki、Kd。本专利技术的有益效果是：本技术方案是一种基于神经网络和PID算法的轨迹跟踪方法，主要用于智能驾驶汽车在驾驶地图的跟踪方案，将常规PID控制与神经网络控制相结合，发挥各自的优势，形成所谓的智能PID控制。该方法能使智能驾驶汽车跟踪希望轨迹，采用神经网络方法设计的控制系统具有更快的实时性、更强的适应性和更好的鲁棒性。计算机仿真实验和实车实验表明，基于神经网络和PID算法的控制较常规的PID控制具有更快的实时性、更好的自适应性，能取得良好的的控制结果。附图说明图1为本专利技术基于神经网络和PID算法的轨迹跟随方法的流程图。具体实施方式如图1所示，本专利技术提供了一种基于神经网络和PID算法的轨迹跟随方法，其包括以下步骤：S1，获取期望的行驶轨迹参数值，所述行驶轨迹参数值包括位置坐标值、航向角、速度和角速度；S2，获取当前车辆的行驶轨迹参数值，并由车辆运动模型预测车辆之后的行驶轨迹参数值；S3，由性能函数根据步骤S1获得的期望的行驶轨迹参数值及预测的行驶轨迹参数值得出一个误差值；S4，将步骤S3得出的误差值输入到PID控制器得出方向盘的转角，并根据该转角控制车辆转向；S5，重复步骤S2和S3，得到当前时刻的误差值，获取当前时刻的PID输出值以及当前车速，由神经网络控制器PID参数学习算法整定PID控制器的3个系数Kp、Ki、Kd。优选的，所述步骤S2中车辆运动模型公式为，x--预测轨迹的位置坐标x值xr--期望轨迹的位置坐标x值y--预测轨迹的位置坐标y值yr--期望轨迹的位置坐标y值θ--预测轨迹的航向角θr--期望轨迹的航向角ν--预测轨迹的速度νr--期望轨迹的速度ω--预测轨迹的角速度ωr--期望轨迹的角速度k--采样的时刻T--采样的周期。进一步优选的，所述步骤S3中性能函数如下，Q--权重矩阵，表示位置坐标值误差和航向角误差的权重，属于预设值φ--与期望轨迹的误差值i--预测的第几个采样周期N--预测域，向前预测多少个采样周期k+i|k--表示在k时刻预测k+i时刻的预测轨迹与期望轨迹的误差。进一步优选的，所述步骤S4中PID控制器公式为，Δu＝u(k)-u(k-1)＝KP[e(k)-e(k-1)]+Kie(k)+Kd[e(k)-2e(k-1)+e(k-2)]。再进一步优选的，所述步骤S5中神经网络控制器为，神经网络结构输入4个，隐层节点6个，输出1个高斯基函数Δwj(k)＝η(y(k)-ym(k))hjwj(k)＝wj(k-1)+Δwj(k)+α(wj(k-1)-wj(k-2))bj(k)＝bj(k-1)+Δbj+α(bj(k-1)-bj(k-2))cji(k)＝cji(k-1)+Δcji(k)+α(cji(k-1)-cji(k-2))Δwj(k)--第k个节点的权重更新值wj(k)--第k个节点的权重值Δbj(k)--第k个节点的基宽度更新值bj(k)--第k个节点的基宽度Δcji(k)--第k个节点的中心向量更新值cji(k)--第k个节点的中心向量hj--第j个隐含层节点的激活函数i--第几个神经网络结构输入j--第几个隐含层节点c--隐含层节点的高斯基函数的中心向量b--隐含层节点的高斯基函数的宽度ym--神经网络预测的轨迹误差值α--动量因子，属于预设值。xc(1)＝e(k)-e(k-1)xc(2)＝e(k)xc(3)＝e(k)-2e(k-1)+e(k-2)Δkp--比例系数更新量Δki--积分系数更新量Δkd--比例系数更新量η--学习速度Δu--PID网络输出值e--误差值。再进一步优选的，所述步骤S5中PID参数学习算法为，xc(1)＝e(k)-e(k-1)xc(2)＝e(k)xc(3)＝e(k)-2e(k-1)+e(k-2)其中x1＝Δu(k)y＝e(k)Δkp--比例系数更新量Δki--积分系数更新量Δkd--比例系数更新量η--学习速度Δu--PID网络输出值，方向盘的角度增量e--误差值。本文档来自技高网...

【技术保护点】
一种基于神经网络和PID算法的轨迹跟随方法，其特征在于：其包括以下步骤：S1，获取期望的行驶轨迹参数值，所述行驶轨迹参数值包括位置坐标值、航向角、速度和角速度；S2，获取当前车辆的行驶轨迹参数值，并由车辆运动模型预测车辆之后的行驶轨迹参数值；S3，由性能函数根据步骤S1获得的期望的行驶轨迹参数值及预测的行驶轨迹参数值得出一个误差值；S4，将步骤S3得出的误差值输入到PID控制器得出方向盘的转角，并根据该转角控制车辆转向；S5，重复步骤S2和S3，得到当前时刻的误差值，获取当前时刻的PID输出值以及当前车速，由神经网络控制器PID参数学习算法整定PID控制器的3个系数Kp、Ki、Kd。

【技术特征摘要】
1.一种基于神经网络和PID算法的轨迹跟随方法，其特征在于，其包括以下步骤：S1，获取期望的行驶轨迹参数值，所述行驶轨迹参数值包括位置坐标值、航向角、速度和角速度；S2，获取当前车辆的行驶轨迹参数值，并由车辆运动模型预测车辆之后的行驶轨迹参数值；所述步骤S2中车辆运动模型公式为，x--预测轨迹的位置坐标x值xr--期望轨迹的位置坐标x值y--预测轨迹的位置坐标y值yr--期望轨迹的位置坐标y值θ--预测轨迹的航向角θr--期望轨迹的航向角ν--预测轨迹的速度νr--期望轨迹的速度ω--预测轨迹的角速度ωr--期望轨迹的角速度k--采样的时刻T--采样的周期；S3，由性能函数根据步骤S1获得的期望的行驶轨迹参数值及预测的行驶轨迹参数值得出一个误差值；S4，将步骤S3得出的误差值输入到PID控制器得出方向盘的转角，并根据该转角控制车辆转向；S5，重复步骤S2和S3，得到当前时刻的...

【专利技术属性】
技术研发人员：王军德，吴鑫，崔鹏，
申请(专利权)人：武汉光庭信息技术股份有限公司，
类型：发明
国别省市：湖北;42