原文传递
基于神经网络预测控制的智能汽车横向控制研究
| 论文题名： | 基于神经网络预测控制的智能汽车横向控制研究 |
| 关键词： | 智能汽车;转向系统;横向控制;神经网络预测控制;粒子群优化算法 |
| 摘要： | 对于智能汽车而言，横向控制模块的作用是按照算法的内在逻辑对转向系统进行控制，在保证车辆横向稳定性的同时，使车辆沿期望轨迹自主行驶。模型预测控制（Model Predictive Control，MPC）算法的预测环节能够深度模拟驾驶员根据车辆当前状态和方向盘转角对车辆的运动状态进行预测的行为，因此MPC被广泛应用于横向控制。目前该领域的研究通常默认轮胎始终处于线性工作区域，很少会考虑侧向加速度超过临界值，轮胎处于非线性工作区域的情况。 为了在保留预测控制优势的同时充分考虑轮胎力的非线性特性，本文基于神经网络预测控制（Neural Network Predictive Control，NNPC）的思想提出一种横向控制算法，并分别对其中的预测模型和滚动优化模块进行设计，所做的工作具体如下： 首先，采用PreScan与驾驶模拟仪进行驾驶仿真实验，采集车辆位姿对方向盘转角的响应数据，并利用所获数据训练反向传播神经网络（Back Propagation Neural Network，BPNN）模型，使其能对预测时域内车辆的位姿进行精准预测。在Simulink中检验该模型的预测精度后，将其作为NNPC中的预测模型。 其次，对粒子群优化（Particle Swarm Optimization，PSO）算法进行改进，提出PSO with Fitness Allocating Inertia Weights（PSO-FAIW）算法，并将其应用于NNPC的滚动优化模块。PSO-FAIW能够根据各粒子的适应度与种群最佳适应度之间的距离对每次迭代各个粒子的惯性权重进行按需分配，使算法的收敛效率大大增强。在采用Sphere函数和Rastrigrin函数验证PSO-FAIW的性能后，将其应用于NNPC的滚动优化模块，与BPNN预测模型进行耦合。 然后，选取另外三种基于预测控制思想的横向控制算法作为对照组，对本文提出的横向控制算法在典型非线性工况下的性能进行仿真验证。结果表明：综合考虑轨迹跟踪精度和实时性，本文提出的横向控制算法的控制效果远好于对照组算法，且能够在控制过程中较好地保持车辆的稳定性。 最后，设计检验本文提出的横向控制算法性能所用的测试方案，并在典型非线性工况下进行实车测试对本文提出的横向控制算法进行验证。结果表明：本文提出的算法能够在保证实时性的前提下使车辆精确地跟踪期望轨迹，虽然跟踪精度相较于仿真结果略有下降，但基本满足实际工程需求。 |
| 作者： | 鲁思南 |
| 专业： | 车辆工程 |
| 导师： | 耿国庆 |
| 授予学位： | 硕士 |
| 授予学位单位： | 江苏大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
