一种基于递归神经网络的车辆运动预测控制方法技术

本发明专利技术公开了一种基于递归神经网络的车辆运动预测控制方法，包括：(1)构建车辆运动学方程，采集车辆运动的输入输出数据集；(2)设计基于递归神经网络的车辆运动模型，并利用输入输出数据集进行训练；(3)设计车辆运动模型的预测控制器，建立预测控制器的车辆运动预测模型和目标函数；(4)将车辆运动预测模型和目标函数化为混合整数线性规划问题；(5)求解最优控制并反馈给被控车辆，实现轨迹的跟踪控制。本发明专利技术采用基于递归神经网络的车辆预测模型，设计分段函数作为神经网络的激活函数，设计基于递归神经网络的车辆运动模型预测控制器，将控制器的预测模型和目标函数线性化，简化了控制器的计算问题，实现稳定的控制效果。实现稳定的控制效果。实现稳定的控制效果。

【技术实现步骤摘要】
一种基于递归神经网络的车辆运动预测控制方法


[0001]本专利技术涉及车辆运动控制领域，尤其是涉及一种基于递归神经网络的车辆运动预测控制方法。

技术介绍

[0002]随着经济水平的日益增长，人们使用车辆的频率越来越高，并且对车辆的行驶安全和用户体验要求也在不断提高。为了提高车辆安全性、提高交通效率和降低能源消耗，许多研究致力于通过无人驾驶技术来提高车辆的综合利用率。而作为无人驾驶架构系统的核心环节之一，车辆运动控制技术被广泛研究，但控制过程中要保证车辆行驶的精确性、安全性、稳定性和平滑性，要实现既定的控制目标仍然具有挑战性。
[0003]在实际中，车辆的行驶状态通常是复杂多变的，为了解决影响系统的稳定性问题，模型预测控制(Model Predictive Control，MPC)算法在无人驾驶车辆运动控制中具有适用性强、跟踪效果准确、抗干扰鲁棒性和车辆运行稳定性等特点。如公开号为CN115542731A的中国专利文献公开了自适应MPC无人驾驶车辆路径跟踪控制方法，公开号为CN111930112A的中国专利文献公开了基于MPC的智能车辆路径跟踪控制方法及系统。
[0004]对于高动态场景下的避障问题，Brown等人考虑了轮胎横纵向力的耦合特性，提出了基于非线性模型预测控制(Nonlinear model predictive control，NMPC)进行了轨迹规划与综合控制设计，在紧急避障过程中能够协调横纵向力。但NMPC在线计算量大，实时应用依赖于高性能的计算单元。
[0005]Rokonuzzaman等人设计了神经网络MPC控制器，建立了车辆横向运动的神经网络预测模型，并完成了离线训练和在线训练，其中控制器优化问题采用内点法解决，提高了控制效果。然而由于其在线优化计算量大，预测模型需要进行简化和线性化，使得模型的精确度降低。

技术实现思路

[0006]本专利技术提供了一种基于递归神经网络的车辆运动预测控制方法，提高了控制器的鲁棒性，简化了控制器的计算问题，实现稳定的控制效果，对于无人车准确性和实时性控制的应用具有非常重要的实用价值。
[0007]一种基于递归神经网络的车辆运动预测控制方法，包括以下步骤：
[0008](1)构建车辆运动学方程，采集车辆运动的输入和输出数据集；
[0009](2)设计基于递归神经网络的车辆运动模型，并利用输入和输出数据集对车辆运动模型进行训练；
[0010](3)设计车辆运动模型的预测控制器，建立预测控制器的车辆运动预测模型以及目标函数；
[0011](4)将预测控制器的车辆运动预测模型和目标函数化为混合整数线性规划问题；
[0012](5)求解最优控制并反馈给被控车辆，实现轨迹的跟踪控制。
[0013]进一步地，步骤(1)中，构建车辆运动学方程如下：
[0014][0015][0016][0017]式中，v为车辆的速度；δ
f
为前轮转角，δ
r
为后轮转角，β为车辆质心侧偏角；分别为车辆X坐标和Y坐标位置的变化量；为车辆横摆角，为车辆横摆角速度；a、b分别为车辆质心距前后轴的距离。
[0018]作为优选，步骤(1)中，采用伪随机和正弦输入的组合采样方法来获取大量车辆运动的输入和输出数据，确保获得各种工况下的车辆运动信息；其中，输入数据为车辆的控制量数据v,δ
f
，输出数据为状态量数据
[0019]作为优选，步骤(2)中，设计基于递归神经网络的车辆运动模型具体为：
[0020]输入层为5个特征输入和3个延迟反馈输入，其中，5个特征输入分别为前一时刻车辆X坐标位置X
t
‑1、前一时刻车辆Y坐标位置Y
t
‑1、前一时刻车辆横摆角当前时刻车辆速度v
t
、当前时刻的前轮转角δ
t
；
[0021]隐藏层中设计22个隐藏单元，引入对称线性饱和函数，设计分段函数作为隐藏层的激活函数；
[0022]输出层为未来时刻车辆X坐标位置X
t
、未来时刻车辆Y坐标位置Y
t
，未来时刻车辆横摆角
[0023]步骤(3)中，建立预测控制器的车辆运动预测模型如下：
[0024][0025]x
l
＝u
l
,l＝1,
…
,L
[0026][0027][0028][0029]其中，u包含多个时间步的前一时刻状态和当前时刻控制的输入信息；t、T、l、L分别表示为时间步的索引、时间步数、输入层每个神经元的索引、输入层的神经元数；u
l
为控制向量的输出；x
l
为输入层每个神经元的输出；i、n、j、J分别表示为前一层每个神经元的索引、前一层的神经元数、当前层每个神经元的索引、当前层的神经元数；h
j
为隐藏层每个神经元的输出；h
i
为前一层隐藏层每个神经元的输出；y
j
为输出层每个神经元的输出；Y为神经网络的输出状态向量，包括未来时刻的状态信息；分别表示为输入层到隐藏层、隐藏层到隐藏层、隐藏层到输出层的权重系数；b
j
、B
j
分别表示为隐藏层和输出层每个
神经元的偏置；f、g分别为隐藏层中神经元的激活函数和输出层中神经元的激活函数。
[0030]所述的目标函数如下所示：
[0031][0032]subject to
[0033]v
min
≤v≤v
max
[0034]δ
min
≤δ
f
≤δ
max
[0035]其中，k为时步的索引，N
p
为预测时域；J
k
为第k时步的目标函数；v、δ
f
为在车速最大及最小极限约束(δ
min
,δ
max
)和转向最大及最小极限约束(v
min
,v
max
)范围内的稳态平衡时的控制向量；X
k
、Y
k
、分别为第k时步车辆X坐标位置的预测值、车辆Y坐标位置的预测值和车辆横摆角的预测值；分别为第k时步车辆X坐标位置的参考值、Y坐标位置的参考值和车辆横摆角的参考值；为目标函数的权重矩阵。
[0036]进一步优选的，所述目标函数的权重矩阵定义如下：
[0037][0038][0039][0040]式中，Q
k
、R
k
、S
k
表示在预测时域N
p
内每一步目标函数误差项的权重系数，预测控制器能够在每一步误差项中自适应权重变化。
[0041]作为优选，步骤(4)中，将预测控制器的车辆运动预测模型和目标函数化为混合整数线性规划问题，具体如下：
[0042][0043]subject本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于递归神经网络的车辆运动预测控制方法，其特征在于，包括以下步骤：(1)构建车辆运动学方程，采集车辆运动的输入和输出数据集；(2)设计基于递归神经网络的车辆运动模型，并利用输入和输出数据集对车辆运动模型进行训练；(3)设计车辆运动模型的预测控制器，建立预测控制器的车辆运动预测模型以及目标函数；(4)将预测控制器的车辆运动预测模型和目标函数化为混合整数线性规划问题；(5)求解最优控制并反馈给被控车辆，实现轨迹的跟踪控制。2.根据权利要求1所述的基于递归神经网络的车辆运动预测控制方法，其特征在于，步骤(1)中，构建车辆运动学方程如下：骤(1)中，构建车辆运动学方程如下：骤(1)中，构建车辆运动学方程如下：式中，v为车辆的速度；δ
f
为前轮转角，δ
r
为后轮转角，β为车辆质心侧偏角；分别为车辆X坐标和Y坐标位置的变化量；为车辆横摆角，为车辆横摆角速度；a、b分别为车辆质心距前后轴的距离。3.根据权利要求1所述的基于递归神经网络的车辆运动预测控制方法，其特征在于，步骤(1)中，采用伪随机和正弦输入的组合采样方法来获取大量车辆运动的输入和输出数据，确保获得各种工况下的车辆运动信息；其中，输入数据为车辆的控制量数据v,δ
f
，输出数据为状态量数据X,Y,4.根据权利要求1所述的基于递归神经网络的车辆运动预测控制方法，其特征在于，步骤(2)中，设计基于递归神经网络的车辆运动模型具体为：输入层为5个特征输入和3个延迟反馈输入，其中，5个特征输入分别为前一时刻车辆X坐标位置X
t
‑1、前一时刻车辆Y坐标位置Y
t
‑1、前一时刻车辆横摆角当前时刻车辆速度v
t
、当前时刻的前轮转角δ
t
；隐藏层中设计22个隐藏单元，引入对称线性饱和函数，设计分段函数作为隐藏层的激活函数；输出层为未来时刻车辆X坐标位置X
t
、未来时刻车辆Y坐标位置Y
t
，未来时刻车辆横摆角5.根据权利要求1所述的基于递归神经网络的车辆运动预测控制方法，其特征在于，步骤(3)中，建立预测控制器的车辆运动预测模型如下：x
l
＝u
l
,l＝1,
…
,L
其中，u包含多个时间步的前一时刻状态和当前时刻控制的输入信息；t、T、l、L分别表示为时间步的索引、时间步数、输入层每个神经元的索引、输入层的神经元数；u
l
为控制向量的输出；x
l
为输入层每个神经元的输出；i、n、j、J分别表示为前一层每个神经元的索引、前一层的神经元数、当前层每个神经元的索引、当前层的神经元数；h
j
为隐藏层每个神经元的输出；h
i
为前一层隐藏层每个神经元的输出；y
j
为输出层每个神经元的输出；Y为神经网络的输出状态向量，包括未来时刻的状态信息；分别表示为输入层到隐藏层、隐藏层到隐藏层、隐藏层到输出层的权重系数；b
j
、B
j
分别表示为隐藏层和输出层每个神经元的偏置；f、g分别为隐藏层中神经元的激活函数和输出层中神经元的激活函数。6.根据权利要求5所述的基于递归神经网络的车辆运动预测控制方法，其特征在于，步骤(3)中，所述的目标函数如下所示：subject tov
min
≤v≤v
max
δ
min
≤δ
f
≤δ
max
其中，k为时步的索引，N
p
为预测时域；J
k
为第k时步的目标函数；v、δ
f

【专利技术属性】
技术研发人员：吴夏来，林灵，易坚，秦佳彬，
申请(专利权)人：湖州师范学院，
类型：发明
国别省市：