[发明专利]基于粒子群-遗传混合算法的车辆横向PID控制方法

说明书

本发明的基于粒子群‑遗传混合算法的车辆横向PID控制方法，包括：a).建立车辆运动学模型；b).建立PID分段控制参数表；c).获取模糊控制器输出；d).PID控制器输出；e).车辆控制。本发明的车辆横向PID控制方法，首先，将车速划分为若干个区间，在每个区间内使用不同的PID控制器参数，为了优化控制效果，提出了一种基于粒子群算法和遗传算法的PCAG算法，最后，为了弥补单一PID控制器在时变车速上控制的不足，使用模糊控制器对PID控制器进行参数补偿。应用结果表明，PCAG收敛速度以及寻优能力均优于粒子群算法，经过PCAG优化后的分段PID+模糊控制器可以很好的适应不同的车速，具有较好的路径跟踪精度。

技术领域

本发明涉及一种车辆横向PID控制方法，更具体的说，尤其涉及一种基于粒子群-遗传混合算法的车辆横向PID控制方法。

背景技术

自动驾驶作为人工智能、物联网、自动控制等技术的重要展示平台，是当前车辆工程中重要的研究方向之一。其研究的目的是实现车辆可替代驾驶员完成驾驶任务，并保证行驶过程中的安全性、舒适性。随着5G技术的发展，无线通讯延时的进一步降低，基于云边协同任务调度与管理技术也逐渐用于自动驾驶之中，用于实现自动驾驶中车辆的信息共享，精准控制等。而在自动驾驶中，车辆的横向控制一直是研究的难点之一，因为其受到车速、环境、车辆自身等状况的影响，往往难以达到预期的控制效。因此车辆横向控制研究具有十分重要的理论意义和应用价值，其主要研究内容包括控制器设计、控制器参数整定以及智能算法在控制器参数整定中的应用等。

目前，在车辆路径跟踪横向控制中常用的算法有PID控制、模糊控制、线性二次调节器、鲁棒控制、模型预测控制等。其中，PID控制由于其简单可靠，已经被广泛应用于各种控制场景中。但是常规固定参数PID控制在不同车速，动态、复杂的环境中往往难以达到预期的控制效果。

因此，为了改善固定参数的PID控制器面对动态、复杂情况时控制能力不足的问题，诸多研究人员提出了改进的PID控制器。在文献“Zhao P,Chen J,Song Y,et al.Designof a control system for an autonomous vehicle based on adaptive-pid[J].International Journal of Advanced Robotic Systems,2012,9(2):44”中，作者为了抑制瞬时误差，改善在大范围参数变化和干扰情况下车辆的跟踪性能，提出了一种自适应PID(Adaptive-PID)。在文献“Han G,Fu W,Wang W,et al.The lateral tracking controlfor the intelligent vehicle based on adaptive PID neural network[J].Sensors,2017,17(6):1244”中，作者将神经网络PID用于智能车辆横向路径跟踪控制。在文献“赵盼.城市环境下无人驾驶车辆运动控制方法的研究[D].中国科学技术大学,2012”中，作者使用两个PID控制器分别控制车辆速度和路径跟踪，车辆纵向控制使用基于专家经验PID控制器，横向控制使用一种基于小脑模型神经网络的PID控制器。在文献“Huang G,Yuan X,ShiK,et al.A BP-PID controller-based multi-model control system for lateralstability of distributed drive electric vehicle[J].Journal of the FranklinInstitute,2019,356(13):7290-7311”中，作者建立了多模型控制系统(multi-modelcontrol system)，并使用基于BP神经网络的PID控制器(BP-PID)用于车辆横向控制。

但是在解决车辆横向控制问题时，由于车辆的运动模型受环境影响较大，基于模型的自适应PID控制方式往往参考模型难以确定。而专家PID等需要大量的先验知识才能建立准确的知识库，车辆在未知情况下行驶，很难获得全面的先验知识。而基于神经网络的PID控制器若网络简单，则面对复杂情况时控制效果较差，若网络复杂则会大大增加运算量。