《基于視覺的智能車行駛控制技術的改進》由會員分享，可在線閱讀，更多相關《基于視覺的智能車行駛控制技術的改進（3頁珍藏版）》請在裝配圖網上搜索。
1、基于視覺的智能車行駛控制技術的改進
摘 要：本文針對車輛的行駛控制技術進行了研究，提出了一種模糊神經網絡PID控制算法來實現車輛的行駛控制。該方法將模糊理論和神經網絡相結合，并利用其調整PID參數，實現對自動監(jiān)測車輛的行駛控制。由仿真得出，該控制算法具有很好的控制性能，解決了普通PID控制器在控制時變、非線性系統(tǒng)中所出現的問題，具有控制速度快、實時性好、穩(wěn)態(tài)誤差小的特點。
關鍵詞：智能車；PID控制；模糊算法；神經網絡
引言隨著智能交通技術（ITS）的發(fā)展,智能車的自主化行駛程度不斷提高，無人車的自動駕駛控制技術的研究也逐漸成為各個國家的熱點。今后的研究方向是如何
2、將各種控制方法有效的結合以達到最優(yōu)的控制效果。對此，本文針對智能車行駛控制問題進行了深入的研究，提出了一種自適應性比較高的單車線沿線制導行駛控制算法。1.行駛控制算法選定PID控制是應用最為廣泛的策略之一，其控制結構簡單、參數易于在線調整，主要適用于線性系統(tǒng)控制。而被控對象往往機理復雜，具有高度非線性、時變不確定性和純滯后等特點，常規(guī)PID控制器存在參數整定不良、適應性差等問題【1】。為此將模糊控制與PID控制結合，利用模糊控制理論的非線性處理能力，較好地解決了非線性系統(tǒng)的控制問題。然而一般模糊控制器均表現為PD控制器的性能，難以獲得積分誤差的規(guī)則，故系統(tǒng)存在穩(wěn)態(tài)誤差。且僅靠經驗規(guī)則進行整定，
3、控制參數無法達到最優(yōu)，與PID結合后性能仍有待提高。若將模糊控制、神經網絡、傳統(tǒng)PID控制器結合，則可以解決傳統(tǒng)PID控制器不能在線實時整定參數，并且具有較小的計算量。神經網絡所具有的任意非線性表示能力，可以通過對系統(tǒng)性能的學習來實現具有最佳組合的PID 控制。2.模糊神經網絡PID控制算法的提出普通的PID控制器控制規(guī)則為：在本文的系統(tǒng)仿真中，使用的是一種增量式PID控制算法：圖1 模糊神經網絡控制結構圖2 模糊神經網絡結構在圖1中，r是系統(tǒng)的給定信號；out是系統(tǒng)的輸出；e是給定輸入跟實際輸出的差值；u 是PID控制器的輸出；模糊神經網絡輸出為kp、ki 和kd 3個參數，輸入至PID控制
4、器。神經網絡將系統(tǒng)誤差e和系統(tǒng)實際輸出out作為輸入，整合輸出一組合適的kp、ki、kd參數，以提高PID控制器的控制性能。該模糊神經網絡為3層，如圖2所示。第一層為輸入層，有2個節(jié)點；第二層為模糊化層，為6個節(jié)點；第三層為模糊推理層，也為6個節(jié)點；第四層為輸出層，為3個節(jié)點，即kp、ki和kd 3個參數。采用Delta學習規(guī)則來修正可調參數，定義目標函數為：
式中的r(k)和out(k)分別表示網絡的理想輸出和實際輸出，每一個迭化步驟k的控制誤差e(k)=r(k)-out(k)。由于系統(tǒng)都是時變、非線性的，因此神經網絡需要隨時調整權值，即隨時對w進行優(yōu)化。因此，需要對神經網絡進行在線調整。
5、在這里，用delta規(guī)則對神經網絡參數進行修正。網絡權值的學習算法如下： 式中 η為學習速率；wj就是輸出節(jié)點與上一層各節(jié)點的連接權。利用上述學習算法，使得性能指標函數最優(yōu)。該方法結合了模糊控制的推理能力強與神經網絡學習能力強的特點, 將模糊控制與神經網絡相結合以在線調整控制器參數，整定出一組適合于控制對象的P、I、和D參數。在此基礎上，增加一種自適應學習速率，使控制算法得到優(yōu)化【4】。通過檢查權值的修正值是否真正的降低了誤差函數來確定學習速率的調節(jié)方向。如果確實如此則說明所選取的學習速率小了，可以對其增加一個量；否則就應該減小學習速率值。調節(jié)公式如下：使用了自適應學習速率之后，初始學習速率
6、選取范圍可以有很大的隨意性，收斂時間平均可減少10%左右。3.車輛行駛控制模擬仿真 仿真系統(tǒng)功能設計：仿真車輛的運行道路由程序隨機生成；能提示輸入初始的偏移量和偏移角度；能顯示車輛運行軌跡。仿真假設道路上沒有障礙、岔道等較為理想的情況；車道寬為3m；車中心沿車道線右邊1m處行駛；車寬1m；道路由直線路段和弧度較大的圓弧路段組成；車與引導線的夾角小于等于45度；車前輪轉角小于30度；油門開度調節(jié)最大值30%；偏移量最大為150cm；車輛以80KM/h的速度跟蹤車道線而不沖出路面；車輛實際速度與設定的標準速度的偏差作為第一個控制器的輸入量，輸出的控制量為車輪驅動力。為確保車輛的安全行駛，即不讓車
7、輛沖出即定的軌道，選定車身到路中心距離作為第二個控制器輸入量，輸出為車輛的前輪拐角。僅考慮車輛與軌道中心的距離這個偏差作為輸入量，車輛不可避免地會圍繞路中心振蕩，為此選定車輛速度方向與道路方向之間的夾角作為第三個控制器輸入量，輸出的控制量仍為方向盤拐角。在控制模型內對三個PID環(huán)節(jié)的輸出進行線性加權?？刂平Y構如圖3所示。仿真程序的流程如圖4所示。 圖3車輛控制模型原理圖圖4行駛控制仿真程序流程圖將模糊神經網絡PID控制算法應用到仿真程序中，所得的實驗結果如下。實驗將普通PID控制和模糊神經網絡PID控制的結果進行對比，此外也將模糊PID控制的誤差進行了詳細的統(tǒng)計。圖中，豎格線為行駛距離標
8、致線，每一格表示100米；虛線為自動監(jiān)測車輛中心所要求行駛的路徑；虛線上面的線為應急車道線，即自動監(jiān)測車輛所要跟蹤的引導線；虛線下方的線為假定高速路邊界。圖5直線路段使用普通PID的控制效果圖圖6直線路段使用模糊神經網絡PID的控制效果圖（注：初始kp=0.2、ki=20、 kd=50，初始偏移量為100cm，初始偏移角度為0）圖7曲線路段使用普通PID的控制效果圖圖8曲線路段使用模糊神經網絡PID的控制效果圖（注：初始kp=0.2、ki=20、 kd=50，初始偏移量為0，初始偏移角度為0） 由上面的仿真結果可知，使用模糊神經網絡PID控制的控制效果比普通PID控制的控制效果有了很大的提升
9、。試驗證明了該模糊神經網PID控制算法是收斂的，能在效短的時間內達到穩(wěn)態(tài)?！ ”?中所示的是在不同道路彎度和不同初始偏移量及偏移角度下的行駛跟蹤高誤差。表1 行駛控制誤差表
?。ㄗⅲ呵葹槊恳磺椎缆贩较蛩D過的角度，單位為度；誤差為行駛控制的穩(wěn)態(tài)偏移量，即車輛偏離即定路線的距離，單位為厘米；初始偏移量為車進行控制前偏離軌道的距離和車身方向與道路方向的偏角，表示為 偏離角度/偏離距離 ，單位為 度/厘米） 從表1可以看出，使用模糊神經網絡PID控制算法，對于適當的初始PID參數，所取得的控制效果能夠得到較大的改善。在彎道路段的穩(wěn)態(tài)誤差到直線路段均能收斂為0。4.結束語 本文對自智能
10、車行駛控制的算法進行了研究。通過對各種控制算法的研究比較，提出了一種模糊神經網絡PID控制算法，將模糊理論和神經網絡相結合，并利用其調整PID參數，使控制系統(tǒng)達到很好的控制性能，解決了普通PID控制器在控制時變、非線性系統(tǒng)中所出現問題。將算法應用到本課題所研究的自動監(jiān)測車輛行駛控制中，從仿真可知模糊神經網絡PID控制器的控制效果明顯優(yōu)于普通的PID控制器，具有控制速度快、實時性好、穩(wěn)態(tài)誤差小的特點。在進一步的研究中，要針對更復雜的情況，改進算法，提高穩(wěn)定性。參考文獻：【1】 韋巍. 智能控制技術 . 北京:機械工業(yè)出版社,2000.【2】 劉昆，顏鋼鋒.基于模糊RBF神經網絡的函數逼近.計算機工程,2001；24(27):70－73.【3】 Shu Huailin, Pi Youguo. PID Neural Networks for Time-delay Systems. Computers and Chemical Engineering, 2000,24(8): 859-862【4】 Leung T P. An optimization design method of fuzzy logic controller . Control Theory and Applications , 1995 ,12 (4) :491–497
基于視覺的智能車行駛控制技術的改進
