【技术实现步骤摘要】
一种基于GA
‑
PSO优化横向LQR控制器的方法及系统
[0001]本专利技术属于车辆控制
,具体涉及一种基于
GA
‑
PSO
优化横向
LQR
控制器的方法及系统
。
技术介绍
[0002]智能汽车是汽车电子信息化和智能化的产物,是近年来汽车科技革命和产业变革的战略性方向
。
其中轨迹跟踪功能是智能汽车的重要研究方向
。
[0003]常见的轨迹跟踪控制算法有:滑模控制
、
基于几何学的纯追踪控制和
Stanley
控制以及基于动力学的
MPC
和
LQR
控制等
。
上述控制算法中,
LQR
主要用于线性系统的控制,其可损耗较小代价将非平衡状态分量调整至平衡状态
。LQR
权重系数对系统控制效果影响极大,主流方法仍采用试错法对系数矩阵进行调参
。
[0004]随着智能优化算法的发展,许多专家学者将其应用于权重系数的整调中,是目前的研究热点
。
技术实现思路
[0005]本专利技术所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于
GA
‑
PSO
优化横向
LQR
控制器的方法及系统,用于解决线性二次型调节器
(LQR)
系数矩阵选取困难导致精度和效率低的技术问题
。 />[0006]本专利技术采用以下技术方案:
[0007]一种基于
GA
‑
PSO
优化横向
LQR
控制器的方法,基于二自由度车辆动力学模型设计横向
LQR
控制器;将横向
LQR
控制器的系数矩阵视作粒子,并对粒子进行编码,通过随机函数生成随机的初始化粒子种群;对轨迹跟踪过程中跟踪的每一个轨迹点
K
处对应
LQR
控制器的损失函数值进行累加,得到对应轨迹中
Q
系数矩阵和
R
系数矩阵对于整条轨迹跟踪效果的影响程度,计算
GA
‑
PSO
的适应度函数值;应用遗传粒子混合算法将得到的初始化粒子种群按照适应度值进行排序,对前半部分进行粒子群算法优化,并把优化后的粒子群作为遗传算法中的染色体;对粒子群优化算法中的惯性权重
w
进行改进,将执行完操作的
Q
系数矩阵和
R
系数矩阵合并生成
p
s
/2
个个体,再与粒子群优化算法生成的
p
s
/2
个个体组成完整的
p
s
个个体的完整种群,当达到迭代次数时,输出最优的个体与适应度的数值以实现优化
。
[0008]具体的,根据二自由度车辆动力学模型确定动力学横向误差方程,进而设计横向
LQR
控制器,车辆动力学模型具体为:
[0009][0010]其中,分别为前轮和后轮的轮胎侧偏刚度;
v
x
、v
y
分别为车辆纵向
、
横向速度,
m
为整车质量,
a
为质心到前轴的距离,
I
为车辆绕
Z
轴的转动惯量,为车辆加速度,为
横摆角加速度,为车辆横向速度,为横摆角速度,
δ
为前轮转角
。
[0011]进一步的,动力学横向误差方程具体为:
[0012][0013]其中,
X
为横向误差,为横向误差的导数,
A
,
B
,
C
分别为系数矩阵,
U
为前轮转角,为参考航向角的导数
。
[0014]具体的,将横向
LQR
控制器的能量损失函数作为
GA
‑
PSO
的适应度函数,计算
GA
‑
PSO
的适应度函数值
J
为:
[0015][0016]其中,
M
为跟踪时的轨迹点数,
X
为横向误差,
U
为前轮转角
。
[0017]具体的,对粒子进行编码具体为:
[0018]将每个粒子视作一个个体,个体中按照
LQR
的特点,分为
Q
染色体和
R
染色体,
Q
染色体为
4*4
的对角阵,即4个基因;
R
染色体为
1*1
的矩阵,即1个基因;种群中粒子的个数为
30
,每个个体中
Q
染色体的基因取值范围为
[0,50],
R
染色体的基因范围为
[0,20]。
[0019]具体的,
GA
‑
PSO
的适应度函数值
J
为:
[0020][0021]其中,
e
dk
为跟踪到轨迹点
k
时与参考轨迹的横向误差,
M
为跟踪时的轨迹点数,
X
为横向误差,
U
为前轮转角
。
[0022]具体的,惯性权重
w
为:
[0023][0024]其中,
w
max
和
w
min
分别代表最大和最小权值,
i
代表当前迭代次数,
N
代表算法的最大迭代次数
。
[0025]具体的,在局部采用遗传算法进行优化时,对
Q
执行选择
、
交叉
、
变异操作,对
R
执行变异操作,
Q
矩阵为
4*4
的对角阵,
R
矩阵为
1*1
的矩阵,变异算子的变异概率
P
m
为:
[0026][0027]其中,
J
为
GA
‑
PSO
的适应度函数值
。
[0028]具体的,当未达到迭代次数时,继续操作生成新的子代
。
[0029]第二方面,本专利技术实施例提供了一种基于
GA
‑
PSO
优化横向
LQR
控制器的系统,包括:
[0030]设计模块,基于二自由度车辆动力学模型设计横向
LQR
控制器;
[0031]粒子模块,将横向
LQR
本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.
一种基于
GA
‑
PSO
优化横向
LQR
控制器的方法,其特征在于,基于二自由度车辆动力学模型设计横向
LQR
控制器;将横向
LQR
控制器的系数矩阵视作粒子,并对粒子进行编码,通过随机函数生成随机的初始化粒子种群;对轨迹跟踪过程中跟踪的每一个轨迹点
K
处对应
LQR
控制器的损失函数值进行累加,得到对应轨迹中
Q
系数矩阵和
R
系数矩阵对于整条轨迹跟踪效果的影响程度,计算
GA
‑
PSO
的适应度函数值;应用遗传粒子混合算法将得到的初始化粒子种群按照适应度值进行排序,对前半部分进行粒子群算法优化,并把优化后的粒子群作为遗传算法中的染色体;对粒子群优化算法中的惯性权重
w
进行改进,将执行完操作的
Q
系数矩阵和
R
系数矩阵合并生成
p
s
/2
个个体,再与粒子群优化算法生成的
p
s
/2
个个体组成完整的
p
s
个个体的完整种群,当达到迭代次数时,输出最优的个体与适应度的数值以实现优化
。2.
根据权利要求1所述的基于
GA
‑
PSO
优化横向
LQR
控制器的方法,其特征在于,根据二自由度车辆动力学模型确定动力学横向误差方程,进而设计横向
LQR
控制器,车辆动力学模型具体为:其中,分别为前轮和后轮的轮胎侧偏刚度;
v
x
、v
y
分别为车辆纵向
、
横向速度,
m
为整车质量,
a
为质心到前轴的距离,
I
为车辆绕
Z
轴的转动惯量,为车辆加速度,为横摆角加速度,为车辆横向速度,为横摆角速度,
δ
为前轮转角
。3.
根据权利要求2所述的基于
GA
‑
PSO
优化横向
LQR
控制器的方法,其特征在于,动力学横向误差方程具体为:其中,
X
为横向误差,为横向误差的导数,
A
,
B
,
C
分别为系数矩阵,
U
为前轮转角,为参考航向角的导数
。4.
根据权利要求1所述的基于
GA
‑
PSO
优化横向
LQR
控制器的方法,其特征在于,将横向
LQR
控制器的能量损失函数作为
GA
‑
PSO
的适应度函数,计算
GA
‑
PSO
的适应度函数值
J
为:其中,
M
为跟踪时的轨迹点数,
X
为横向误差,
U
为前轮转角
。5.
根据权利要求1所述的基于
GA
‑
PSO
优化横向
LQR
控制器的方法,其特征在于,对粒子进行编码具体为:将每个粒子视作一个个体,个体中按照
LQR
的特点,分为
Q
染色体和
R
染色体,
Q
染色体为
4*4
的对角阵,即4个基因;
R
染色体为
1*1
...
【专利技术属性】
技术研发人员:王怡萌,米奕桦,仝秋红,高飞,张杭铖,杜海林,王齐超,张武,刘大鹏,潘龙,苏海东,
申请(专利权)人:陕西智能网联汽车研究院有限公司,
类型:发明
国别省市:
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。