[发明专利]一种分层式自学习可拓神经网络车道保持控制方法

说明书

本发明公开了一种智能汽车可变车速下分层式自学习可拓神经网络车道保持控方法，主要包括如下步骤：步骤S1，建立三自由度动力学模型，以及预瞄偏差表达式；步骤S2，车道线拟合计算；步骤S3，设计上层径向基(RBF)神经网络系统；步骤S4，设计下层速度可拓控制器；步骤S5，设计下层偏差跟踪可拓控制器；包括：S5.1，下层偏差跟踪可拓特征量提取和域界划分；S5.2，计算下层可拓控制器关联函数；S5.3，下层测度模式识别；S5.4，根据测度模式，下层控制器输出前轮转角。本发明根据神经网络对已有数据库的学习训练，可以指导下层控制器动态调整控制参数和约束域界，使得车辆在复杂混合工况下能更好的收敛到期望值，提高车辆变速车道保持控制精度。

技术领域

本发明属于智能汽车控制技术领域，特别涉及了一种智能汽车可变车速下分层式自学习可拓神经网络车道保持控制方法

背景技术

为满足安全、高效、智能化交通发展的要求，智能汽车成为其发展和研究的重要载体和主要对象，尤其是电动智能汽车对于改善环境污染、提高能源利用率、改善交通拥挤问题有着很大作用。其中，智能汽车在道路行驶过程中，车道保持能力逐渐成为关注的热点之一，尤其是弯道保持和高速车道保持性能。

智能汽车车道保持控制基于普通车辆平台，架构计算机、视觉传感器、自动控制执行机构以及信号通讯设备，实现自主感知、自主决策和自主执行操作保证安全行驶功能。常见车辆多为前轮驱动，通过调节前轮转角保证车辆横向控制精度和车辆行驶的安全性稳定性。车道保持基于摄像头等视觉传感器，通过车道线检测提取车道线信息，同时获取车辆在车道中的位置，确定下一时刻需要执行的前轮转角。具体控制方式主要有两种：预瞄式参考系统和非预瞄式参考系统，预瞄式参考系统主要以车辆前方位置的道路曲率作为输入，根据车辆与期望路径之间的横向偏差或航向偏差为控制目标，通过各种反馈控制方法设计对车辆动力学参数鲁棒的反馈控制系统，如基于雷达或摄像头等视觉传感器的参考系统。非预瞄式参考系统根据车辆附近的期望路径，通过车辆运动学模型计算出描述车辆运动的物理量，如车辆横摆角速度，然后设计反馈控制系统进行跟踪，此发明基于预瞄式控制方法，获取前方车辆运行点处的多个期望车辆状态，完成多状态反馈的可拓车道保持控制方法的设计。

发明内容

从目前主要研究内容看，智能汽车大弯道和高速下车道保持控制精度和稳定性是研究的热点，本发明针对变速行驶的智能汽车车道保持的控制精度问题，提出一种可变车速下分层式自学习可拓神经网络车道保持控制方法。

本发明提出的控制方法基于可拓控制方法和神经网络，本发明将可拓控制方法运用到智能汽车车道保持控制方法中，保证车辆运动过程中始终在车道范围内运动。车道保持的控制目标是保证车辆运动过程中车辆距离左侧车道线和右侧车道线的距离相等，以及航向偏差为0。本发明上层为神经网络系统，通过对已有数据学习，在车辆变速运动在车道线中时，可以达到自学习调整下层控制系数和下层可拓约束域界的动态调整。下层可拓控制器包括两部分，分别为速度可拓控制器和偏差跟踪可拓控制器，从而实现智能汽车在变速下的车道保持控制功能。

本发明的有效效益为：

(1)针对智能汽车在变速运动过程中车道保持问题，本发明创新性提出了一种先进可拓车道保持控制方法。

(2)根据神经网络对已有数据库的学习训练，可以指导下层控制器动态调整控制参数和约束域界，使得车辆在复杂混合工况下能更好的收敛到期望值，提高车辆变速车道保持控制精度。

(3)引入了上层神经网络专家知识库，使得整个车道保持控制系统具有记忆和识别样本模式，具有学习、记忆、推理和联想功能，从而对外界干扰和信号噪音有较好的适应性和鲁棒性。

附图说明

图1为变速下可拓自适应车道保持控制方法框图；

图2为RBF神经网络；

图3为三自由度车辆动力学模型；