《基于視覺(jué)的智能車(chē)行駛控制技術(shù)的改進(jìn)》由會(huì)員分享，可在線閱讀，更多相關(guān)《基于視覺(jué)的智能車(chē)行駛控制技術(shù)的改進(jìn)（3頁(yè)珍藏版）》請(qǐng)?jiān)谘b配圖網(wǎng)上搜索。
1、基于視覺(jué)的智能車(chē)行駛控制技術(shù)的改進(jìn)
摘 要：本文針對(duì)車(chē)輛的行駛控制技術(shù)進(jìn)行了研究，提出了一種模糊神經(jīng)網(wǎng)絡(luò)PID控制算法來(lái)實(shí)現(xiàn)車(chē)輛的行駛控制。該方法將模糊理論和神經(jīng)網(wǎng)絡(luò)相結(jié)合，并利用其調(diào)整PID參數(shù)，實(shí)現(xiàn)對(duì)自動(dòng)監(jiān)測(cè)車(chē)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(shí)變、非線性系統(tǒng)中所出現(xiàn)的問(wèn)題，具有控制速度快、實(shí)時(shí)性好、穩(wěn)態(tài)誤差小的特點(diǎn)。
關(guān)鍵詞：智能車(chē)；PID控制；模糊算法；神經(jīng)網(wǎng)絡(luò)
引言隨著智能交通技術(shù)（ITS）的發(fā)展,智能車(chē)的自主化行駛程度不斷提高，無(wú)人車(chē)的自動(dòng)駕駛控制技術(shù)的研究也逐漸成為各個(gè)國(guó)家的熱點(diǎn)。今后的研究方向是如何
2、將各種控制方法有效的結(jié)合以達(dá)到最優(yōu)的控制效果。對(duì)此，本文針對(duì)智能車(chē)行駛控制問(wèn)題進(jìn)行了深入的研究，提出了一種自適應(yīng)性比較高的單車(chē)線沿線制導(dǎo)行駛控制算法。1.行駛控制算法選定PID控制是應(yīng)用最為廣泛的策略之一，其控制結(jié)構(gòu)簡(jiǎn)單、參數(shù)易于在線調(diào)整，主要適用于線性系統(tǒng)控制。而被控對(duì)象往往機(jī)理復(fù)雜，具有高度非線性、時(shí)變不確定性和純滯后等特點(diǎn)，常規(guī)PID控制器存在參數(shù)整定不良、適應(yīng)性差等問(wèn)題【1】。為此將模糊控制與PID控制結(jié)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(wèn)題。然而一般模糊控制器均表現(xiàn)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(jīng)驗(yàn)規(guī)則進(jìn)行整定，
3、控制參數(shù)無(wú)法達(dá)到最優(yōu)，與PID結(jié)合后性能仍有待提高。若將模糊控制、神經(jīng)網(wǎng)絡(luò)、傳統(tǒng)PID控制器結(jié)合，則可以解決傳統(tǒng)PID控制器不能在線實(shí)時(shí)整定參數(shù)，并且具有較小的計(jì)算量。神經(jīng)網(wǎng)絡(luò)所具有的任意非線性表示能力，可以通過(guò)對(duì)系統(tǒng)性能的學(xué)習(xí)來(lái)實(shí)現(xiàn)具有最佳組合的PID 控制。2.模糊神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)控制結(jié)構(gòu)圖2 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)在圖1中，r是系統(tǒng)的給定信號(hào)；out是系統(tǒng)的輸出；e是給定輸入跟實(shí)際輸出的差值；u 是PID控制器的輸出；模糊神經(jīng)網(wǎng)絡(luò)輸出為kp、ki 和kd 3個(gè)參數(shù)，輸入至PID控制
4、器。神經(jīng)網(wǎng)絡(luò)將系統(tǒng)誤差e和系統(tǒng)實(shí)際輸出out作為輸入，整合輸出一組合適的kp、ki、kd參數(shù)，以提高PID控制器的控制性能。該模糊神經(jīng)網(wǎng)絡(luò)為3層，如圖2所示。第一層為輸入層，有2個(gè)節(jié)點(diǎn)；第二層為模糊化層，為6個(gè)節(jié)點(diǎn)；第三層為模糊推理層，也為6個(gè)節(jié)點(diǎn)；第四層為輸出層，為3個(gè)節(jié)點(diǎn)，即kp、ki和kd 3個(gè)參數(shù)。采用Delta學(xué)習(xí)規(guī)則來(lái)修正可調(diào)參數(shù)，定義目標(biāo)函數(shù)為：
式中的r(k)和out(k)分別表示網(wǎng)絡(luò)的理想輸出和實(shí)際輸出，每一個(gè)迭化步驟k的控制誤差e(k)=r(k)-out(k)。由于系統(tǒng)都是時(shí)變、非線性的，因此神經(jīng)網(wǎng)絡(luò)需要隨時(shí)調(diào)整權(quán)值，即隨時(shí)對(duì)w進(jìn)行優(yōu)化。因此，需要對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行在線調(diào)整。
5、在這里，用delta規(guī)則對(duì)神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行修正。網(wǎng)絡(luò)權(quán)值的學(xué)習(xí)算法如下： 式中 η為學(xué)習(xí)速率；wj就是輸出節(jié)點(diǎn)與上一層各節(jié)點(diǎn)的連接權(quán)。利用上述學(xué)習(xí)算法，使得性能指標(biāo)函數(shù)最優(yōu)。該方法結(jié)合了模糊控制的推理能力強(qiáng)與神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)能力強(qiáng)的特點(diǎn), 將模糊控制與神經(jīng)網(wǎng)絡(luò)相結(jié)合以在線調(diào)整控制器參數(shù)，整定出一組適合于控制對(duì)象的P、I、和D參數(shù)。在此基礎(chǔ)上，增加一種自適應(yīng)學(xué)習(xí)速率，使控制算法得到優(yōu)化【4】。通過(guò)檢查權(quán)值的修正值是否真正的降低了誤差函數(shù)來(lái)確定學(xué)習(xí)速率的調(diào)節(jié)方向。如果確實(shí)如此則說(shuō)明所選取的學(xué)習(xí)速率小了，可以對(duì)其增加一個(gè)量；否則就應(yīng)該減小學(xué)習(xí)速率值。調(diào)節(jié)公式如下：使用了自適應(yīng)學(xué)習(xí)速率之后，初始學(xué)習(xí)速率
6、選取范圍可以有很大的隨意性，收斂時(shí)間平均可減少10%左右。3.車(chē)輛行駛控制模擬仿真 仿真系統(tǒng)功能設(shè)計(jì)：仿真車(chē)輛的運(yùn)行道路由程序隨機(jī)生成；能提示輸入初始的偏移量和偏移角度；能顯示車(chē)輛運(yùn)行軌跡。仿真假設(shè)道路上沒(méi)有障礙、岔道等較為理想的情況；車(chē)道寬為3m；車(chē)中心沿車(chē)道線右邊1m處行駛；車(chē)寬1m；道路由直線路段和弧度較大的圓弧路段組成；車(chē)與引導(dǎo)線的夾角小于等于45度；車(chē)前輪轉(zhuǎn)角小于30度；油門(mén)開(kāi)度調(diào)節(jié)最大值30%；偏移量最大為150cm；車(chē)輛以80KM/h的速度跟蹤車(chē)道線而不沖出路面；車(chē)輛實(shí)際速度與設(shè)定的標(biāo)準(zhǔn)速度的偏差作為第一個(gè)控制器的輸入量，輸出的控制量為車(chē)輪驅(qū)動(dòng)力。為確保車(chē)輛的安全行駛，即不讓車(chē)
7、輛沖出即定的軌道，選定車(chē)身到路中心距離作為第二個(gè)控制器輸入量，輸出為車(chē)輛的前輪拐角。僅考慮車(chē)輛與軌道中心的距離這個(gè)偏差作為輸入量，車(chē)輛不可避免地會(huì)圍繞路中心振蕩，為此選定車(chē)輛速度方向與道路方向之間的夾角作為第三個(gè)控制器輸入量，輸出的控制量仍為方向盤(pán)拐角。在控制模型內(nèi)對(duì)三個(gè)PID環(huán)節(jié)的輸出進(jìn)行線性加權(quán)。控制結(jié)構(gòu)如圖3所示。仿真程序的流程如圖4所示?！ D3車(chē)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(jīng)網(wǎng)絡(luò)PID控制算法應(yīng)用到仿真程序中，所得的實(shí)驗(yàn)結(jié)果如下。實(shí)驗(yàn)將普通PID控制和模糊神經(jīng)網(wǎng)絡(luò)PID控制的結(jié)果進(jìn)行對(duì)比，此外也將模糊PID控制的誤差進(jìn)行了詳細(xì)的統(tǒng)計(jì)。圖中，豎格線為行駛距離標(biāo)
8、致線，每一格表示100米；虛線為自動(dòng)監(jiān)測(cè)車(chē)輛中心所要求行駛的路徑；虛線上面的線為應(yīng)急車(chē)道線，即自動(dòng)監(jiān)測(cè)車(chē)輛所要跟蹤的引導(dǎo)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(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)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(jié)果可知，使用模糊神經(jīng)網(wǎng)絡(luò)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(yàn)證明了該模糊神經(jīng)網(wǎng)PID控制算法是收斂的，能在效短的時(shí)間內(nèi)達(dá)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
（注：曲度為每一千米道路方向所轉(zhuǎn)過(guò)的角度，單位為度；誤差為行駛控制的穩(wěn)態(tài)偏移量，即車(chē)輛偏離即定路線的距離，單位為厘米；初始偏移量為車(chē)進(jìn)行控制前偏離軌道的距離和車(chē)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(jīng)網(wǎng)絡(luò)PID控制算法，對(duì)于適當(dāng)?shù)某跏糚ID參數(shù)，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(jié)束語(yǔ) 本文對(duì)自智能
10、車(chē)行駛控制的算法進(jìn)行了研究。通過(guò)對(duì)各種控制算法的研究比較，提出了一種模糊神經(jīng)網(wǎng)絡(luò)PID控制算法，將模糊理論和神經(jīng)網(wǎng)絡(luò)相結(jié)合，并利用其調(diào)整PID參數(shù)，使控制系統(tǒng)達(dá)到很好的控制性能，解決了普通PID控制器在控制時(shí)變、非線性系統(tǒng)中所出現(xiàn)問(wèn)題。將算法應(yīng)用到本課題所研究的自動(dòng)監(jiān)測(cè)車(chē)輛行駛控制中，從仿真可知模糊神經(jīng)網(wǎng)絡(luò)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(shí)時(shí)性好、穩(wěn)態(tài)誤差小的特點(diǎn)。在進(jìn)一步的研究中，要針對(duì)更復(fù)雜的情況，改進(jìn)算法，提高穩(wěn)定性。參考文獻(xiàn)：【1】 韋巍. 智能控制技術(shù) . 北京:機(jī)械工業(yè)出版社,2000.【2】 劉昆，顏鋼鋒.基于模糊RBF神經(jīng)網(wǎng)絡(luò)的函數(shù)逼近.計(jì)算機(jī)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(jué)的智能車(chē)行駛控制技術(shù)的改進(jìn)
