[发明专利]一种基于PSO和RBF神经网络的无人驾驶车辆车速控制方法

权利要求书

1.一种基于PSO和RBF神经网络的无人驾驶车辆车速控制方法，其特征在于，包括如下步骤：

步骤1：搭建无人驾驶车速控制系统架构；

步骤2：搭建车速跟踪闭环控制数学动态模型；

步骤3：基于模糊RBF神经网络结构搭建无人驾驶车速控制驾驶员模型；

步骤4：对步骤3中驾驶员模型输入变量模糊化得到模糊值，采用所述模糊值建立输入输出变量隶属度函数；

步骤5：根据步骤3和步骤4，以及基于驾驶经验和测量数据建立驾驶员模型模糊控制规则表；

步骤6：建立驾驶员模型中每条规则的适应度，完成模糊化和归一化计算；

步骤7：基于PSO算法搭建改进后的PSO控制流程；采用改进的PSO算法对步骤3中所述的模糊RBF神经网络的参数进行在线优化；

步骤8：搭建基于改进后的PSO算法和模糊RBF神经网络算法的车速控制流程。

2.根据权利要求1所述的一种基于PSO和RBF神经网络的无人驾驶车辆车速控制方法，其特征在于，所述步骤1中的无人驾驶车速控制系统架构包括硬件系统架构和软件系统架构；

所述硬件系统架构包括：控制计算机、测试控制器、电机控制器MCU、动力电池以及电机M；所述控制计算机采用RS232通信方式与测试控制器相连接，所述测试控制器一方面通过D/A转换方式与所述电机控制器MCU相连接，所述测试控制器另一方面通过CAN总线与所述电机控制器MCU相连；所述电机控制器MCU与电机M相连；所述动力电池分别为测试控制器、电机控制器MCU相连；控制计算机模拟驾驶员大脑，负责数据采集、分析以及反馈控制信息给测试控制器；测试控制器传输加速踏板开度和制动踏板开度信息给电机控制器MCU；电机控制器MCU控制电机M转速；

所述软件系统架构包括：驾驶员模型、电机控制器MCU模型、车辆动态模型；所述驾驶员模型根据目标车速和实际车速以及PSO神经网络算法实现车速的自动跟踪控制，所述驾驶员模型的输出为加速踏板开度和制动踏板开度；所述电机控制器MCU模型根据驾驶员模型输出的加速踏板开度得出电机控制器MCU需求扭矩和实际输出扭矩；车辆动态模型根据MCU模型的输出扭矩、驾驶员模型输出的制动踏板开度和整车参数得出当前车辆实际车速、并反馈最终的实际车速给驾驶员模型。

3.根据权利要求1所述的一种基于PSO和RBF神经网络的无人驾驶车辆车速控制方法，其特征在于，所述步骤2中搭建车速跟踪闭环控制数学动态模型的方法如下：

步骤2.1：采用无刷直流电机，电机控制策略采用转矩控制；

步骤2.2：根据电机特性曲线、母线电流、电机转矩、加速踏板开度及制动踏板开度、车辆动态模型关系得出车速跟踪闭环控制数学动态模型：

F3(vigio0.377r,d)-Kmgf-Kmgi-F4(b)=C1v2+C2dvdt;]]>

其中：v、d、b分别为车速、加速踏板开度、制动踏板开度。