一种高速智能汽车横向主动抗干扰的自适应滑模控制方法技术

本发明专利技术公开了一种高速智能汽车横向主动抗干扰的自适应滑模控制方法，包括以下步骤：计算跟踪误差；确定非奇异终端滑模面；确定非奇异终端滑模控制律；对非奇异终端滑模控制器的控制律的参数进行调节；基于

【技术实现步骤摘要】
一种高速智能汽车横向主动抗干扰的自适应滑模控制方法


[0001]本专利技术涉及一种智能汽车转向控制领域，特别是一种高速智能汽车横向主动抗干扰的自适应滑模控制方法
。

技术介绍

[0002]作为智能汽车关键技术之一，横向跟踪控制的核心目标是实现对期望路径的精确跟踪，同时确保驾驶的舒适性
、
稳定性和安全性
。
然而智能汽车横向跟踪控制器面临建模不精确
、
参数摄动
、
网络时滞
、
强耦合以及外部环境多变等复杂不确定性干扰影响，在上述复杂不确定性干扰同时驱动的驾驶条件下，易导致跟踪精度及行驶安全性下降
。
并且在高速驾驶环境中，所述的复杂不确定性干扰将对控制性能产生更大的影响，所述高速指代智能汽车速度在
72km/h
以上的速度工况
。
如果不能有效地解决所述复杂不确定性干扰的影响，将会导致智能汽车鲁棒性不足
、
跟踪性能下降
、
无法适应高速变速工况下的驾驶条件，尤其在通过匝道时可能撞上道路边界
。
因此，设计适用于高速全工况下的智能汽车横向主动抗干扰的自适应滑模控制方法已然成为智能汽车技术关键之一
。
[0003]当前适用于高速横向控制方法中，不乏有比例积分微分方法
、
传统滑模算法
、
纯跟踪方法
、
线性二次型方法及模型预测方法等
。
但传统的控制方法往往不能很好地消除所述复杂不确定性干扰造成的影响，无法保证智能汽车安全可靠地跟踪参考路径，严重时可能引发交通安全事故
。

技术实现思路

[0004]为解决现有技术存在的上述问题，本专利技术的目的在于提供一种高速智能汽车横向主动抗干扰的自适应滑模控制方法，能有效消除建模不精确
、
参数摄动
、
网络时滞
、
强耦合以及外部环境多变等复杂不确定性干扰造成的影响，能够在保证智能汽车稳定行驶的前提下实现鲁棒且精确地跟踪
。
[0005]为了实现上述目的，本专利技术的技术方案如下：
[0006]一种高速智能汽车横向主动抗干扰的自适应滑模控制方法，利用横向主动抗干扰自适应滑模控制系统进行控制，所述横向主动抗干扰自适应滑模控制系统包括初始化模块
、
非奇异终端滑模控制器
、
基于
BP
神经网络的权值调节器和基于
RBFNN
的干扰估计器
。
所述
BP
指代逆向传播，所述
RBFNN
为自适应径向基神经网络
。
[0007]所述初始化模块，用于检查感知模块
、
定位模块
、
规划模块及底盘模块信号收发是否正常；用于加载单轨车辆动力学参数
、
二阶跟踪误差模型参数
、
非奇异终端滑模面参数
、
非奇异终端滑模控制器参数
、
基于
BP
神经网络的权值调节器参数和基于
RBFNN
的干扰估计器参数
。
[0008]所述二阶跟踪误差模型根据单轨车辆动力学模型和目标点进行跟踪误差计算并以数学方程形式建模得到
。
所述目标点为规划模块下发的参考路径点，目标点信息包括目标位置
、
目标航向和目标曲率
。
所述跟踪误差包括智能汽车运动过程中当前状态与目标点
信息之间产生的横向误差
、
横向误差变化率
、
航向误差及航向误差变化率
。
[0009]所述非奇异终端滑模控制器由等效控制部分和非线性控制部分构成，所述等效控制部分由非奇异终端滑模面设计得到，所述非奇异终端滑模面由所述横向误差及横向误差变化率设计得到
。
所述非线性控制部分通过采用指数趋近律设计得到
。
通过叠加等效控制部分的控制律和非线性控制部分的控制律构成非奇异终端滑模控制器的控制律
。
[0010]所述基于
BP
神经网络的权值调节器为一个包含输入层
、
隐藏层和输出层的三层神经网络，输入层包含智能汽车纵向速度信息，隐藏层包含
64
个神经元，输出层为非奇异终端滑模控制器参数，所述非奇异终端滑模控制器参数包含两个正奇数和一个正实数
。
[0011]所述基于
RBFNN
的干扰估计器为一个包含输入层
、
隐藏层和输出层的三层神经网络，输入层为所述跟踪误差，隐藏层含7个神经元，输出层为复杂不确定性干扰的估计值，所述复杂不确定性干扰包括建模不精确
、
参数摄动
、
网络时滞
、
强耦合以及外部环境多变
。
[0012]所述控制方法包括以下步骤：
[0013]步骤1：初始化
[0014]初始化模块检查感知模块
、
定位模块
、
规划模块及底盘模块信号收发是否正常；所述感知模块
、
定位模块
、
规划模块及底盘模块信息依次指代环境障碍物信息
、
智能汽车位姿信息
、
参考路径信息和智能汽车底盘反馈的状态信息；所述智能汽车位姿信息包括智能汽车的位置及航向信息；初始化模块加载单轨车辆动力学参数
、
二阶跟踪误差模型参数
、
单轨车辆动力学模型参数
、
二阶跟踪误差模型的参数
、
非奇异终端滑模面参数
、
非奇异终端滑模控制器参数
、
基于
BP
神经网络的权值调节器参数和基于
RBFNN
的干扰估计器参数；所述单轨车辆动力学模型参数和二阶跟踪误差模型的参数均包括智能汽车的质量
、
转动惯量
、
前后车轴到质心处的距离以及前后轮的侧偏刚度；所述非奇异终端滑模面参数和非奇异终端滑模控制器参数均包含两个正奇数和一个正实数；所述基于
BP
神经网络的权值调节器参数为隐藏层神经元数量；所述基于
RBFNN
的干扰估计器参数包括隐藏层神经元个数
、
每个神经元激活函数的中心值向量及基宽值向量
。
[0015]以数学方程的形式建立所述单轨车辆动力学模型如下：
[0016][0017][0018]式中：
m
为智能汽车质量；
v
y
为侧向车速；为侧向加速度；
v
x
为纵向车速；为横摆角速度；为横摆角加速度；
I
z
为转动惯量；
l
...

【技术保护点】

【技术特征摘要】
1.
一种高速智能汽车横向主动抗干扰的自适应滑模控制方法，其特征在于：利用横向主动抗干扰自适应滑模控制系统进行控制，所述横向主动抗干扰自适应滑模控制系统包括初始化模块
、
非奇异终端滑模控制器
、
基于
BP
神经网络的权值调节器和基于
RBFNN
的干扰估计器；所述
BP
指代逆向传播，所述
RBFNN
为自适应径向基神经网络；所述初始化模块，用于检查感知模块
、
定位模块
、
规划模块及底盘模块信号收发是否正常；用于加载单轨车辆动力学参数
、
二阶跟踪误差模型参数
、
非奇异终端滑模面参数
、
非奇异终端滑模控制器参数
、
基于
BP
神经网络的权值调节器参数和基于
RBFNN
的干扰估计器参数；所述二阶跟踪误差模型根据单轨车辆动力学模型和目标点进行跟踪误差计算并以数学方程形式建模得到；所述目标点为规划模块下发的参考路径点，目标点信息包括目标位置
、
目标航向和目标曲率；所述跟踪误差包括智能汽车运动过程中当前状态与目标点信息之间产生的横向误差
、
横向误差变化率
、
航向误差及航向误差变化率；所述非奇异终端滑模控制器由等效控制部分和非线性控制部分构成，所述等效控制部分由非奇异终端滑模面设计得到，所述非奇异终端滑模面由所述横向误差及横向误差变化率设计得到；所述非线性控制部分通过采用指数趋近律设计得到；通过叠加等效控制部分的控制律和非线性控制部分的控制律构成非奇异终端滑模控制器的控制律；所述基于
BP
神经网络的权值调节器为一个包含输入层
、
隐藏层和输出层的三层神经网络，输入层包含智能汽车纵向速度信息，隐藏层包含
64
个神经元，输出层为非奇异终端滑模控制器参数，所述非奇异终端滑模控制器参数包含两个正奇数和一个正实数；所述基于
RBFNN
的干扰估计器为一个包含输入层
、
隐藏层和输出层的三层神经网络，输入层为所述跟踪误差，隐藏层含7个神经元，输出层为复杂不确定性干扰的估计值，所述复杂不确定性干扰包括建模不精确
、
参数摄动
、
网络时滞
、
强耦合以及外部环境多变；所述控制方法包括以下步骤：步骤1：初始化初始化模块检查感知模块
、
定位模块
、
规划模块及底盘模块信号收发是否正常；所述感知模块
、
定位模块
、
规划模块及底盘模块信息依次指代环境障碍物信息
、
智能汽车位姿信息
、
参考路径信息和智能汽车底盘反馈的状态信息；所述智能汽车位姿信息包括智能汽车的位置及航向信息；初始化模块加载单轨车辆动力学参数
、
二阶跟踪误差模型参数
、
单轨车辆动力学模型参数
、
二阶跟踪误差模型的参数
、
非奇异终端滑模面参数
、
非奇异终端滑模控制器参数
、
基于
BP
神经网络的权值调节器参数和基于
RBFNN
的干扰估计器参数；所述单轨车辆动力学模型参数和二阶跟踪误差模型的参数均包括智能汽车的质量
、
转动惯量
、
前后车轴到质心处的距离以及前后轮的侧偏刚度；所述非奇异终端滑模面参数和非奇异终端滑模控制器参数均包含两个正奇数和一个正实数；所述基于
BP
神经网络的权值调节器参数为隐藏层神经元数量；所述基于
RBFNN
的干扰估计器参数包括隐藏层神经元个数
、
每个神经元激活函数的中心值向量及基宽值向量；以数学方程的形式建立所述单轨车辆动力学模型如下：
式中：
m
为智能汽车质量；
v
y
为侧向车速；为侧向加速度；
v
x
为纵向车速；为横摆角速度；为横摆角加速度；
I
z
为转动惯量；
l
f
和
l
r
分别为前后车轴到质心处的距离；
C
α
f
和
C
α
r
分别为前后轮的侧偏刚度；
δ
f
为前轮转角；所述二阶跟踪误差模型模型为：式中：状态量矩阵为状态量矩阵
x
的一阶微分形式；的一阶微分形式；
d
为所述复杂不确定性干扰的估计值；
μ
为路面附着系数；矩阵
A
为
x
的系数矩阵；
B
为
δ
f
的系数矩阵；
y
为状态输出矩阵；
I2×2为2×2单位矩阵；
b
为
δ
f
的增益系数；
g(x)
和
z(x)
均为二阶跟踪误差模型模型中的非线性项，具体表示如下：均为二阶跟踪误差模型模型中的非线性项，具体表示如下：均为二阶跟踪误差模型模型中的非线性项，具体表示如下：步骤2：计算跟踪误差接收规划模块下发参考路径信息；找到在参考路径上距离智能汽车当前点最近的目标点进而确定目标位置
...

【专利技术属性】
技术研发人员：郭烈，关龙新，王旭，胥林立，赵家庆，王嘉豪，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：