[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

说明书

技术领域

本发明属于汽车试验自动驾驶装置控制技术领域，具体涉及一种能够实现给定目标车速准确跟踪的用于电动汽车无人驾驶的模糊神经网络控制。

背景技术

电动汽车续时里程及能耗是直接评估电动汽车性能的重要指标之一。传统测试电动汽车续时里程及能耗大都采用两种方案，第一是人工驾驶，这使得测试结果很大程度上受到人为因素，从而影响续驶里程评价指标。第二是安放在测功机上测试，由于测功机是按照某一定扭矩、定转速、恒电流控制，而汽车在正常行驶时的驱动电机是处于变扭矩、变转速，因此这种测试很难模拟电动汽车真实的行驶工况。

无人驾驶车辆排除了人为不确定因素的影响，不仅可以提高驾驶车速跟踪准确性，而且解决人工测试疲劳问题。随着相关技术的快速发展，无人驾驶正在经历着由半自主无人驾驶向全自主无人驾驶发展的阶段，在近几届由国家自然科学基金委主办的“智能车未来挑战赛“中，参赛车辆在某些场景下已经基本具有接近人类的自主驾驶能力。国外无人驾驶技术还处于保密阶段，目前只有少数企业拥有该技术，而无人驾驶技术大都在传统车领域。

由于汽车车速跟踪控制的数学模型较为复杂，而且汽车行驶过程中受到外界因素影响较大，这给无人驾驶车辆的驾驶员模型造成很多干扰。传统的PID车速控制方法，若要超调小，难以保证快速性的指标；若要动态响应快，则超调量必然大。而且非常规的PID调整不能在线进行参数整定。粒子群算法，也称粒子群优化算法(ParticleSwarmOptimization)，缩写为PSO，是近年来发展起来的一种新的进化算法(EvolutionaryAlgorithm-EA)。

PSO算法属于进化算法的一种，和模拟退火算法相似，它也是从随机解出发，通过迭代寻找最优解，它也是通过适应度来评价解的品质，但它比遗传算法规则更为简单，它没有遗传算法的“交叉”(Crossover)和“变异”(Mutation)操作，它通过追随当前搜索到的最优值来寻找全局最优。这种算法以其实现容易、精度高、收敛快等优点引起了学术界的重视，并且在解决实际问题中展示了其优越性。

RBF网络，即径向基神经网络，是前馈型网络的一种，RBF网络是一个三层的网络，出了输入输出层之外仅有一个隐层。隐层中的转换函数是局部响应的高斯函数，而其他前向型网络，转换函数一般都是全局响应函数。由于这样的不同，要实现同样的功能，RBF需要更多的神经元，这就是RBF网络不能取代标准前向型网络的原因。但是RBF的训练时间更短。它对函数的逼近是最优的，可以以任意精度逼近任意连续函数。隐层中的神经元越多，逼近越精确，具有结构简单，训练速度快等优点。

发明内容

本发明为了实现电动汽车在循环工况测试中车速跟踪的准确性，提出一种用于无人驾驶车辆车速跟踪控制的新方法。本发明采用一种模糊控制和径向基函数(Radialbasisfunction，RBF)神经网络相结合的控制方法，控制车速跟踪，并采用粒子群优化(Particleswarmoptimization，PSO)算法进行优化。尽管PSO算法是一种新的群体智能优化算法，具有很好的全局优化能力，但是标准PSO算法容易出现局部最优，产生“早熟”收敛现象，为此本文采用改进PSO算法优化模糊RBF神经网络参数并应用于车速控制中，使其达到预期的控制效果。采用模糊RBF神经网络搭建无人驾驶驾驶员模型，采用改进的PSO算法对神经网络参数进行在线优化，从而实现车速跟踪的准确性。采用如下技术方案：

一种基于PSO和RBF神经网络的无人驾驶车辆车速控制方法，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；

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。

进一步地，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；