[发明专利]基于自适应神经网络的收获机路径跟踪控制方法和系统

说明书

本发明公开了一种基于自适应神经网络的收获机路径跟踪控制方法和系统，其中控制方法包括：1、构建基于RBF的前后轮转向参数不确定项优化模型；2、获取当前时刻期望航向角和期望航向角速率、收获机航向角和航向角速率、纵向速度和纵向加速度、横向速度和横向加速度；3、计算当前时刻收获机的综合偏差及其导数；4、将综合偏差及其导数作为前后轮转向参数不确定项优化模型的输入，更新隐含层到输出节点之间的连接权重，计算前后轮转向参数不确定项优化模型的输出；5、计算当前时刻前后轮转向参数：6、计算当前时刻的转向轮转角。该控制方法可在模型参数不确定甚至未知情况下，保证路径跟踪效果，实现农用车辆的精准作业。

技术领域

本发明属于农用车辆无人驾驶技术领域，具体涉及一种基于自适应神经网络的收获机路径跟踪控制方法和系统。

背景技术

随着导航和控制技术的飞速发展，农业机械逐渐向高度自动化、智能化方向发展，成为精准农业的基础平台。自主作业农业机械可提高作业效率、降低生产成本、节约燃料和保护空气。农机自主作业最基本的问题之一是路径跟踪问题，它使车辆能够到达并跟随预设路径行驶。联合收割机由于其特殊的工作环境，如时变负载，是农业机械中最具挑战性的领域之一。

近年来，农业机械的路径跟踪问题越来越受到重视。纯追踪算法在这一领域得到了广泛的应用，主要是因为其相对简单，在特定的驾驶场景中可实现较精确的路径跟踪。它以几何方法为基础，通过在期望路径的前视距离上选择一个点来计算期望的转向角。然而，在确定前向距离时存在一个折衷，这与速度、当前跟踪误差和路径曲率等许多因素有关。为了提高系统的鲁棒性，模糊逻辑控制、鲁棒H∞输出反馈控制、基于神经网络的自适应控制、滑模控制等方法被应用。而这些基于纯追踪的控制输入饱和算法不能考虑，并且其稳定性难以证明。模型预测控制(MPC)是另一种重要的路径跟踪控制方法。它可以系统地处理状态和控制约束，并预测动态状态。但其某些参数(如控制时域和预测时域)对路径跟踪性能的影响很大。

虽然这些研究在一定程度上获得了应用，但对于路径跟踪仍然存在着主要的挑战，即参数化建模的不确定性。特别是对于联合收割机，其工作环境的特殊性会影响模型参数的实时变化，如行驶过程中载荷的变化引起的动力学模型参数不确定性。目前尚未针对此问题的解决方案。

发明内容

发明目的：针对现有技术中存在的问题，本发明提供了一种基于自适应神经网络的收获机路径跟踪控制方法，该控制方法可在模型参数不确定甚至未知情况下，保证路径跟踪效果，实现农用车辆的精准作业。

技术方案：本发明一方面公开了一种基于自适应神经网络的收获机路径跟踪控制方法，包括：

(1)构建基于RBFNN的前后轮转向参数不确定项优化模型，所述前后轮转向参数不确定项优化模型包括输入层、隐含层、输出层，所述输入层包括2个输入节点，输出层包括2个输出节点，隐含层包括N个隐节点，所述隐含层的节点与第一个输出节点之间的连接权重为隐含层的节点与第二个输出节点之间的连接权重为

(2)根据期望路径获取当前时刻t的期望航向角ψ_r和期望航向角速率获取收获机当前时刻t的航向角ψ和航向角速率纵向速度v_x和纵向加速度横向速度v_y和横向加速度

(3)计算当前时刻的航向角偏差Δψ和航向角速度偏差

Δψ＝ψ-ψ_r，

计算当前时刻收获机的位置偏差的导数得到综合偏差的导数对积分得到当前时刻的综合偏差e_p；x_p是误差权重系数；

(4)将e_p和构成向量作为前后轮转向参数不确定项优化模型的输入，计算每个隐节点为：c_j是基准函数的中心，σ是高斯函数的宽度；h(Z)＝[h₁ h₂…h_j…h_N]^T；