本发明专利技术公开了一种基于PSO和RBF神经网络的无人驾驶车辆车速控制方法，具体步骤为：1：搭建无人驾驶车速控制系统架构；2：搭建车速跟踪闭环控制数学动态模型；3：基于模糊RBF神经网络结构搭建无人驾驶车速控制驾驶员模型；4：对驾驶员模型输入变量模糊化得到模糊值，采用所述模糊值建立输入输出变量隶属度函数；5：根据步骤3和步骤4，以及基于驾驶经验和测量数据建立驾驶员模型模糊控制规则表；6：计算出驾驶员模型中每条规则的适应度，完成模糊化和归一化计算；7：基于PSO算法搭建改进后的PSO控制流程；步骤8：搭建基于改进后的PSO算法和模糊RBF神经网络算法的车速控制流程。本发明专利技术提出的车速控制方法，车速跟踪误差小，抗干扰能力强。
【技术实现步骤摘要】
本专利技术属于汽车试验自动驾驶装置控制
，具体涉及一种能够实现给定目 标车速准确跟踪的用于电动汽车无人驾驶的模糊神经网络控制。
技术介绍
电动汽车续时里程及能耗是直接评估电动汽车性能的重要指标之一。传统测试电 动汽车续时里程及能耗大都采用两种方案，第一是人工驾驶，这使得测试结果很大程度上 受到人为因素，从而影响续驶里程评价指标。第二是安放在测功机上测试，由于测功机是按 照某一定扭矩、定转速、恒电流控制，而汽车在正常行驶时的驱动电机是处于变扭矩、变转 速，因此这种测试很难模拟电动汽车真实的行驶工况。 无人驾驶车辆排除了人为不确定因素的影响，不仅可以提高驾驶车速跟踪准确 性，而且解决人工测试疲劳问题。随着相关技术的快速发展，无人驾驶正在经历着由半自主 无人驾驶向全自主无人驾驶发展的阶段，在近几届由国家自然科学基金委主办的"智能车 未来挑战赛"中，参赛车辆在某些场景下已经基本具有接近人类的自主驾驶能力。国外无人 驾驶技术还处于保密阶段，目前只有少数企业拥有该技术，而无人驾驶技术大都在传统车 领域。 由于汽车车速跟踪控制的数学模型较为复杂，而且汽车行驶过程中受到外界因 素影响较大，这给无人驾驶车辆的驾驶员模型造成很多干扰。传统的PID车速控制方法， 若要超调小，难以保证快速性的指标；若要动态响应快，则超调量必然大。而且非常规的 PID调整不能在线进行参数整定。粒子群算法，也称粒子群优化算法（Particle Swarm Optimization)，缩写为PS0,是近年来发展起来的一种新的进化算法（Evolutionary Algorithm-EA)〇 PSO算法属于进化算法的一种，和模拟退火算法相似，它也是从随机解出发，通过 迭代寻找最优解，它也是通过适应度来评价解的品质，但它比遗传算法规则更为简单，它没 有遗传算法的"交叉"（Crossover)和"变异"（Mutation)操作，它通过追随当前搜索到的 最优值来寻找全局最优。这种算法以其实现容易、精度高、收敛快等优点引起了学术界的重 视，并且在解决实际问题中展示了其优越性。 RBF网络，即径向基神经网络，是前馈型网络的一种，RBF网络是一个三层的网络， 出了输入输出层之外仅有一个隐层。隐层中的转换函数是局部响应的高斯函数，而其他前 向型网络，转换函数一般都是全局响应函数。由于这样的不同，要实现同样的功能，RBF需 要更多的神经元，这就是RBF网络不能取代标准前向型网络的原因。但是RBF的训练时间 更短。它对函数的逼近是最优的，可以以任意精度逼近任意连续函数。隐层中的神经元越 多，逼近越精确，具有结构简单，训练速度快等优点。
技术实现思路
本专利技术为了实现电动汽车在循环工况测试中车速跟踪的准确性，提出一种用于无 人驾驶车辆车速跟踪控制的新方法。本专利技术采用一种模糊控制和径向基函数（Radialbasis function，RBF)神经网络相结合的控制方法，控制车速跟踪，并采用粒子群优化（Particle swarm optimization，PS0)算法进行优化。尽管PSO算法是一种新的群体智能优化算法， 具有很好的全局优化能力，但是标准PSO算法容易出现局部最优，产生"早熟"收敛现象，为 此本文采用改进PSO算法优化模糊RBF神经网络参数并应用于车速控制中，使其达到预期 的控制效果。采用模糊RBF神经网络搭建无人驾驶驾驶员模型，采用改进的PSO算法对神 经网络参数进行在线优化，从而实现车速跟踪的准确性。采用如下技术方案： -种基于PSO和RBF神经网络的无人驾驶车辆车速控制方法，包括如下步骤： 步骤1 :搭建无人驾驶车速控制系统架构； 步骤2 :搭建车速跟踪闭环控制数学动态模型； 步骤3 :基于模糊RBF神经网络结构搭建无人驾驶车速控制驾驶员模型； 步骤4 :对步骤3中驾驶员模型输入变量模糊化得到模糊值，采用所述模糊值建立 输入输出变量隶属度函数； 步骤5 :根据步骤3和步骤4,以及基于驾驶经验和测量数据建立驾驶员模型模糊 控制规则表； 步骤6 :建立驾驶员模型中每条规则的适应度，完成模糊化和归一化计算； 步骤7 :基于PSO算法搭建改进后的PSO控制流程； 步骤8 :搭建基于改进后的PSO算法和模糊RBF神经网络算法的车速控制流程。 进一步地，所述步骤1中的无人驾驶车速控制系统架构包括硬件系统架构和软件 系统架构； 所述硬件系统架构包括：控制计算机、测试控制器、电机控制器MCU、动力电池以 及电机M ;所述控制计算机采用RS232通信方式与测试控制器相连接，所述测试控制器一方 面通过D/A转换方式与所述电机控制器MCU相连接，所述测试控制器另一方面通过CAN总 线与所述电机控制器MCU相连；所述电机控制器MCU与电机M相连；所述动力电池分别为测 试控制器、电机控制器MCU相连；控制计算机模拟驾驶员大脑，负责数据采集、分析以及反 馈控制信息给测试控制器；测试控制器传输加速踏板开度和制动踏板开度信息给电机控制 器MCU ;电机控制器MCU控制电机M转速； 所述软件系统架构包括：驾驶员模型、电机控制器MCU模型、车辆动态模型；所述 驾驶员模型根据目标车速和实际车速以及PSO神经网络算法实现车速的自动跟踪控制，所 述驾驶员模型的输出为加速踏板开度和制动踏板开度；所述电机控制器MCU模型根据驾驶 员模型输出的加速踏板开度得出电机控制器MCU需求扭矩和实际输出扭矩；车辆动态模型 根据MCU模型的输出扭矩、驾驶员模型输出的制动踏板开度和整车参数得出当前车辆实际 车速、并反馈最终的实际车速给驾驶员模型。 进一步地，所述步骤2中搭建车速跟踪闭环控制数学动态模型的方法如下： 步骤2. 1 :采用无刷直流电机，电机控制策略采用转矩控制； 步骤2. 2 :根据电机特性曲线、母线电流、电机转矩、加速踏板开度及制动踏板开 度、车辆动态模型关系得出车速跟踪闭环控制数学动态模型： CN 105136469 A 说明书 3/8 页 其中：V、d、b分别为车速、加速踏板开度、制动踏板开度。 进一步地，所述步骤3中搭建无人驾驶车速控制驾驶员模型的方法如下： 采用模糊RBF神经网络控制模型，采用多输入单输出4层网络，网络的第1~ 3层实现模糊规则，第4层为解模糊；模型输入量为车速差v(t)及车速变化量v(t)= v(t)-v(t-l)，输出为加速踏板开度β及制动踏板开度β，β为正代表加速踏板开度，β 为负代表制动踏板开度。 进一步地，所述步骤4中建立输入输出变量隶属度函数的方法如下： 所述驾驶员模型的第1层为输入层，输入变量为车速差v(t)及车速变化量Av (t) =v(t)-v(t-l);第2层为模糊化层，节点数为16,选用铃形函数作为隶属度函数并将输入 变量模糊化；所述铃形函数为：?力为隶属度函数，e分别为隶属度函 数的中心和宽度。 进一步地，所述步骤5中建立驾驶员模型模糊控制规则表的方法如下： 所述驾驶员模型第2层中每个神经元代表1个语言变量，将语言变量划分为以下7 种方式：NB(负大）、NM(负中）、NS(负小）、ZE(零）、PS(正小）、PM(正中）、PB(正大）， 根据实际经验建立模糊控制规则表。 进一步地，所述步骤6中完成模糊化和归一化计算的方法如下：本文档来自技高网...
【技术保护点】
一种基于PSO和RBF神经网络的无人驾驶车辆车速控制方法，其特征在于，包括如下步骤：步骤1：搭建无人驾驶车速控制系统架构；步骤2：搭建车速跟踪闭环控制数学动态模型；步骤3：基于模糊RBF神经网络结构搭建无人驾驶车速控制驾驶员模型；步骤4：对步骤3中驾驶员模型输入变量模糊化得到模糊值，采用所述模糊值建立输入输出变量隶属度函数；步骤5：根据步骤3和步骤4，以及基于驾驶经验和测量数据建立驾驶员模型模糊控制规则表；步骤6：建立驾驶员模型中每条规则的适应度，完成模糊化和归一化计算；步骤7：基于PSO算法搭建改进后的PSO控制流程；采用改进的PSO算法对步骤3中所述的模糊RBF神经网络的参数进行在线优化；步骤8：搭建基于改进后的PSO算法和模糊RBF神经网络算法的车速控制流程。
【技术特征摘要】
【专利技术属性】
技术研发人员：盘朝奉，陈燎，袁朝春，陈龙，江浩斌，李仲兴，蔡英凤，谢明维，
申请(专利权)人：江苏大学，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。