【技术实现步骤摘要】
一种基于BP神经网络的多目标滑模轨迹跟踪控制算法
[0001]本专利技术涉及自动驾驶轨车辆迹跟踪控制
，具体为一种基于BP神经网络的多目标滑模轨迹跟踪控制算法。
技术介绍
[0002]车辆运动控制分为纵向控制和横向控制，纵向运动控制是指通过对油门和制动的协调，实现对期望车速的精确跟随，横向运动控制是指控制车辆在不同的车速、载荷、路况以及风阻等条件下按期望轨迹行驶，同时保持一定的舒适性和平稳性，实际上就是轨迹跟踪控制。
[0003]目前在轨迹跟踪控制研究中广泛采用模型预测算法、滑模控制算法、模糊控制算法和神经网络等，其中，滑模控制具有鲁棒性强和精度高等特点，因此它常被用来设计轨迹跟踪控制器，但是，传统的滑模控制算法只能实现单目标控制，且系统存在明显的“抖振”现象，影响了自动驾驶车辆的轨迹跟踪精度和行驶平稳性。
[0004]因此现有技术需要一种提高滑模控制精度和平稳性的方法，来实现自动驾驶车辆的轨迹跟踪控制。
技术实现思路
[0005]针对现有技术的不足，本专利技术提供了一种基于BP神经网络...
【技术保护点】
【技术特征摘要】
1.一种基于BP神经网络的多目标滑模轨迹跟踪控制算法，其特征在于：具体包括以下步骤：S1、搭建车辆动力学模型；S2、基于车辆实际位姿偏差运动状态方程设计滑模面，实现滑模控制算法能够对多目标进行跟踪控制；S3、基于BP神经网络设计滑模趋近律，增强滑控制的自适应性；S4、基于BP神经网络的多目标滑模控制算法，通过控制车辆前轮转角实现轨迹跟踪。2.根据权利要求1所述的一种基于BP神经网络的多目标滑模轨迹跟踪控制算法，其特征在于：所述S1搭建基于期望轨迹的车辆动力学模型具体为：首先搭建车辆二自由度动力学模型，然后，根据期望轨迹和实际轨迹，求出横向位移偏差e
y
和航向角偏差eθ及其一阶导数，基于此，搭建轨迹跟踪误差模型，最后以作为状态变量，车辆前轮转角作为控制输入λ1＝δ
f
，以期望轨迹当前点处的期望横摆角速度与期望横向速度及一阶导作为参考输入，基于期望轨迹的轨迹跟踪车辆动力学模型如下：式中，M、N、G、C矩阵分别如下：式中，M、N、G、C矩阵分别如下：C＝diag(1,1,1,1)其中，Fxf和Fyf指的是车辆前轮受到的x和y方向的力的作用，Fxr和Fyr指的是车辆后轮受到的x和y方向的力的作用，f指的是车辆前轮转角，v指的是车辆速度，af指的是车辆速度方向与前轮方向夹角，ar指的是车辆速度方向与后轮方向夹角。3.根据权利要求1所述的一种基于BP神经网络的多目标滑模轨迹跟踪控制算法，其特征在于：所述S2基于车辆实际位姿偏差运动状态方程设计滑模面，实现滑模控制多目标控制，具体为：以横向位移偏差e
y
和航向角偏差eθ两个状态量作为跟踪目标，以前轮转角为控制量建立车辆轨迹跟踪系统横向控制模型，分析基于期望轨迹的轨迹跟踪车辆动力学，将车辆理想位姿偏差作为参考量，车辆实际位姿偏差p随着参考量变化，此模型即为车辆横向运动控制参考模型，然后对式(1)进行处理后可以得到车辆实际位姿偏差运动状态方程如下：
式中，P,H1,H2,H3,H4如下：如下：系统控制误差e可以表示为：e＝p
‑
p
n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
式(3)其中p
n
指的是车辆理想位姿偏差。系统滑模面可以表示为：理想情况下，p
n
＝0，由此可得，基于车辆实际位姿偏差运动状态方程设计滑模面如下：其中，c指的是滑模面系数，c1和c2均为正数。4.根据权利要求1所述的一种基于BP神经网络的多目标滑模轨迹跟踪控制算法，其特征在于：所述S3基于BP神经网络设计参数自整定系统，来提高滑模趋近律参数自适应性，具体为：选用指数滑模趋近律为：其中，η和k是滑模趋近律的两个参数，均为正数。利用训练好的BP神经网络根据车辆实时...
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。