一种基于学习法的智能汽车纵向神经滑模控制方法技术

一种基于学习法的智能汽车纵向神经滑模控制方法，涉及车辆控制。包括以下步骤：采用实验和模拟相结合的方法，建立描述智能汽车纵向运动特性的动力学模型；设计智能汽车纵向上层控制器，其任务是根据期望速度按照一定控制策略确定出期望的车辆加速度；针对智能汽车具有非线性、参数不确定性、时滞和外部干扰等特性，设计智能汽车纵向下层控制器，实现对期望加速度的跟踪，包括油门控制设计和制动控制律设计过程；设计油门控制器和制动控制器之间切换逻辑。提高了控制精度，可有效地智能汽车纵向动力学系统的参数不确定性、时滞、外界干扰和非线性等因素引起的干扰，从而明显改善控制系统性能，提升智能汽车纵向速度控制的稳定性和精确性。

【技术实现步骤摘要】

本专利技术涉及车辆控制，特别是涉及一种基于学习法的智能汽车纵向神经滑模控制方法。
技术介绍
作为未来汽车工业的发展方向,智能汽车受到了国内外科研机构的广泛关注。智能汽车纵向控制是指根据车载传感系统获取的信息，通过一定的控制方法实现对汽车纵向速度的调节，实现智能汽车的自动纵向加减速功能，决定着智能汽车自主行驶性能的品质好坏。由于智能汽车的动力源系统存在纯延迟、时滞和耦合特性，而且汽车纵向动力学模型本身也具参数不确定性和强非线性动态特性,并且会受到空气阻力、道路坡度等外界环境的干扰,因而使得设计纵向控制方法变得异常困难。采用滑模控制技术设计智能汽车纵向控制器是当前较为常用的方法，对外界干扰和模型非线性具有较强的鲁棒性，但是在滑动切换面附近的滑模高频切换容易引发严重的颤抖现象。采用神经网络设计汽车的纵向控制器，不依赖于精确的动力学模型，但是难以保证系统响应的实时性。文献(Hakgo etc,Time Varying Parameter Adaptive Vehicle Speed Control[J].IEEE Transaction on Vehicular Technology,2016,65(2)：581-588.)提出了智能汽车的自适应纵向控制方法，但难以保证纵向控制的精度。
技术实现思路
本专利技术的目的是为解决现有技术中存在的上述难点问题，提供不仅可克服智能汽车纵向动力学系统的参数不确定性、时滞、外界干扰和非线性等特性,同时可缩短纵向速度控制器动态响应时间、消除颤抖现象，保证智能汽车纵向控制系统稳定性和实时性的一种基于学习法的智能汽车纵向神经滑模控制方法。本专利技术包括以下步骤：步骤1：采用实验和模拟相结合的方法，建立描述智能汽车纵向运动特性的动力学模型；在步骤1中，所述建立描述智能汽车纵向运动特性的动力学模型的具体方法可为：1)建立描述智能汽车纵向运动特性的动力学模型，主要包含车辆纵向运动模型、液力变矩器模型和发动机及制动系统的一阶动态模型；2)设计智能汽车纵向动力学系统中各单元子模型间的转速及转矩传递关系。步骤2：设计智能汽车纵向上层控制器，其任务是根据期望速度按照一定控制策略确定出期望的车辆加速度；在步骤2)中，所述设计智能汽车纵向上层控制器，其任务是根据期望速度按照一定控制策略确定出期望的车辆加速度的具体方法可为：1)智能汽车的纵向速度来源于路径规划模块、监督模块和纵向控制系统模块，而期望速度为路径规划模块和监督模块产生速度的最小值；2)设计兼顾安全性和乘坐舒适性综合性能指标函数和约束条件，构建基于MPC控制速度跟踪上层控制器，实时给出期望加速度。步骤3：针对智能汽车具有非线性、参数不确定性、时滞和外部干扰等特性，设计智能汽车纵向下层控制器，实现对期望加速度的跟踪，主要包括油门控制设计过程和制动控制律设计过程：步骤3.1采用基于学习法的神经滑模控制方法，设计智能汽车纵向油门控制律，主要包括如下：1)设计智能汽车纵向油门控制律的第一滑模面控制，推导出智能汽车纵向油门控制律的第一滑模面等效控制律和变结构控制律，求出期望驱动力矩；2)变结构控制律中的切换控制克服参数不确定性的同时，引发了抖振现象，为了消除抖振，采用神经网络自适应动态调节控制增益系数K11，采用梯度学习算法在线调整神经网络的加权值w1、中心值c1和宽度参数b1；步骤3.2根据驱动力矩和变速器输出扭矩的关系Ts＝ToRmηt，涡轮扭矩和变速器输出扭矩的关系To＝TtRg，求出期望发动机转速；步骤3.3设计智能汽车纵向油门控制律的第二滑模面控制，求出期望发动机转矩，主要包括如下：1)设计智能汽车发动机转矩控制律，采用等速趋近率，求出期望发动机转矩；2)采用神经网络自适应动态调节期望发动机转矩的控制增益系数K12，采用梯度学习算法在线调整神经网络的加权值w2、中心值c2和宽度参数b2；步骤3.4设计智能汽车纵向油门控制律的第三滑模面控制，求出期望油门开度，主要包括如下：1)设计智能汽车油门开度控制律，采用等速趋近率，求出期望油门开度；2)采用神经网络自适应动态调节期望油门开度的控制增益系数K13，采用梯度学习算法在线调整神经网络的加权值w3、中心值c3和宽度参数b3；步骤3.5：采用神经滑模控制方法设计智能汽车纵向制动神经滑模控制器，主要包括如下：1)采用滑模控制方法，求取制动力矩和制动压力的等效控制律和变结构控制律：2)为了消除抖振，采用神经网络自适应动态调节制动控制增益系数K21和K22，采用梯度学习算法在线调整制动神经滑模控制律中网络基函数的加权值、中心值和宽度参数；步骤4：考虑到乘车的可靠性、安全性和舒适性，为避免频繁切换油门控制器与制动控制器，设计油门控制器和制动控制器之间切换逻辑。本专利技术有效利用自学习、滑模控制和神经网络控制各自的优点，提供一种基于学习法的智能汽车纵向神经滑模控制新方法。本专利技术的技术效果是：采用基于学习法的智能汽车纵向神经滑模控制方法，提高了控制精度，可有效地智能汽车纵向动力学系统的参数不确定性、时滞、外界干扰和非线性等因素引起的干扰，从而明显改善控制系统性能，提升智能汽车纵向速度控制的稳定性和精确性。附图说明图1是本专利技术的智能汽车纵向控制系统结构图。图2是本专利技术的基于自学习的智能汽车纵向神经滑模驱动控制方法流程图。图3是本专利技术的基于自学习的智能汽车纵向神经滑模制动控制方法流程图。具体实施方式以下结合技术方案和附图详细叙述本专利技术的具体实施方式。如图1所示，本专利技术的方法组成包括上层MPC控制和下层自学习神经滑模控制。步骤1：采用实验和模拟相结合的方法，建立描述智能汽车纵向运动特性的动力学模型。步骤1.1：建立描述智能汽车纵向运动特性的动力学模型，主要包含车辆纵向运动模型、液力变矩器模型和发动机及制动系统的一阶动态模型，如下： J e · ω · e = T e - T p f e ( ω e , α t h 本文档来自技高网...

【技术保护点】
一种基于学习法的智能汽车纵向神经滑模控制方法，其特征在于包括以下步骤：步骤1：采用实验和模拟相结合的方法，建立描述智能汽车纵向运动特性的动力学模型；步骤2：设计智能汽车纵向上层控制器，其任务是根据期望速度按照一定控制策略确定出期望的车辆加速度；步骤3：针对智能汽车具有非线性、参数不确定性、时滞和外部干扰的特性，设计智能汽车纵向下层控制器，实现对期望加速度的跟踪，包括油门控制设计过程和制动控制律设计过程：步骤3.1采用基于学习法的神经滑模控制方法，设计智能汽车纵向油门控制律，包括如下：1)设计智能汽车纵向油门控制律的第一滑模面控制，推导出智能汽车纵向油门控制律的第一滑模面等效控制律和变结构控制律，求出期望驱动力矩；2)变结构控制律中的切换控制克服参数不确定性的同时，引发了抖振现象，为了消除抖振，采用神经网络自适应动态调节控制增益系数K11，采用梯度学习算法在线调整神经网络的加权值w1、中心值c1和宽度参数b1；步骤3.2根据驱动力矩和变速器输出扭矩的关系Ts＝ToRmηt，涡轮扭矩和变速器输出扭矩的关系To＝TtRg，求出期望发动机转速；步骤3.3设计智能汽车纵向油门控制律的第二滑模面控制，求出期望发动机转矩，包括如下：1)设计智能汽车发动机转矩控制律，采用等速趋近率，求出期望发动机转矩；2)采用神经网络自适应动态调节期望发动机转矩的控制增益系数K12，采用梯度学习算法在线调整神经网络的加权值w2、中心值c2和宽度参数b2；步骤3.4设计智能汽车纵向油门控制律的第三滑模面控制，求出期望油门开度，包括如下：1)设计智能汽车油门开度控制律，采用等速趋近率，求出期望油门开度；2)采用神经网络自适应动态调节期望油门开度的控制增益系数K13，采用梯度学习算法在线调整神经网络的加权值w3、中心值c3和宽度参数b3；步骤3.5：采用神经滑模控制方法设计智能汽车纵向制动神经滑模控制器，包括如下：1)采用滑模控制方法，求取制动力矩和制动压力的等效控制律和变结构控制律：2)为了消除抖振，采用神经网络自适应动态调节制动控制增益系数K21和K22，采用梯度学习算法在线调整制动神经滑模控制律中网络基函数的加权值、中心值和宽度参数；步骤4：考虑到乘车的可靠性、安全性和舒适性，为避免频繁切换油门控制器与制动控制器，设计油门控制器和制动控制器之间切换逻辑。...

【技术特征摘要】
1.一种基于学习法的智能汽车纵向神经滑模控制方法，其特征在于包括以下步骤：步骤1：采用实验和模拟相结合的方法，建立描述智能汽车纵向运动特性的动力学模型；步骤2：设计智能汽车纵向上层控制器，其任务是根据期望速度按照一定控制策略确定出期望的车辆加速度；步骤3：针对智能汽车具有非线性、参数不确定性、时滞和外部干扰的特性，设计智能汽车纵向下层控制器，实现对期望加速度的跟踪，包括油门控制设计过程和制动控制律设计过程：步骤3.1采用基于学习法的神经滑模控制方法，设计智能汽车纵向油门控制律，包括如下：1)设计智能汽车纵向油门控制律的第一滑模面控制，推导出智能汽车纵向油门控制律的第一滑模面等效控制律和变结构控制律，求出期望驱动力矩；2)变结构控制律中的切换控制克服参数不确定性的同时，引发了抖振现象，为了消除抖振，采用神经网络自适应动态调节控制增益系数K11，采用梯度学习算法在线调整神经网络的加权值w1、中心值c1和宽度参数b1；步骤3.2根据驱动力矩和变速器输出扭矩的关系Ts＝ToRmηt，涡轮扭矩和变速器输出扭矩的关系To＝TtRg，求出期望发动机转速；步骤3.3设计智能汽车纵向油门控制律的第二滑模面控制，求出期望发动机转矩，包括如下：1)设计智能汽车发动机转矩控制律，采用等速趋近率，求出期望发动机转矩；2)采用神经网络自适应动态调节期望发动机转矩的控制增益系数K12，采用梯度学习算法在线调整神经网络的加权值w2、中心值c2和宽度参数b2；步骤3.4设计智能汽车纵向油门控制律的第三滑模面控制，求出期望油门开度，包括如下：1)设计智能汽车油门开度控制律，...

【专利技术属性】
技术研发人员：郭景华，
申请(专利权)人：厦门大学，
类型：发明
国别省市：福建;35