基于神经网络的智能车辆导航路径识别模型

作者:陈诚; 刊名:现代电子技术 上传者:裴霄

【摘要】传统基于PID的车辆导航路径识别模型,基于精准的数学模型实现智能车辆路径控制,在高速情况下具有较低的鲁棒性,智能控制性能差。因此,基于智能车辆运动学模型,设计基于神经网络智能车辆导航路径识别模型结构,通过神经网络对车辆行驶方向进行控制,实现对智能车辆路径导航的控制。将多层前馈型神经网络作为基础结构对T-S模糊系统进行模拟,通过多次训练对神经网络的权值实施调控,完成基于神经网络智能车辆导航路径识别模型的设计。对识别模型实施训练,降低外界的干扰,提高识别模型的控制精度,实现对智能车辆路径导航的控制。实验结果说明,设计的基于神经网络的智能车辆路径导航识别模型控制精度高且鲁棒性较强,智能控制效果佳。

全文阅读

0引言当前的智能车辆是智能交通体系发展的关键内容,其在车辆行驶以及军事等领域具有较高的应用价值。智能车辆能够使得交通事故发生概率降低,交通运输效率增加,促进经济效益的提升。智能车辆的导航路径识别是智能车辆控制的关键,可确保车辆自主驾驶的稳定性以及流畅性,具有较高的应用价值[1]。传统基于PID的车辆导航路径识别模型,基于精准的数学模型实现智能车辆路径控制,在高速情况下具有较低的鲁棒性,智能控制性能差。智能车辆具有较高的动态性以及时延性,受到各种不确定因素的干扰,不能得到精准的数学模型。而基于神经网络的智能控制技术很好地解决了PID方法存在的问题,模糊神经网络无需精准数学模型,基于模糊逻辑则可完成驾驶员的经验控制,并且可通过训练学习产生映射规则,实现车辆的智能控制[2]。本文设计基于神经网络的智能车辆导航路径识别模型,确保智能车辆可高速、精准地跟踪周期期望路径。1神经网络的智能车辆导航路径识别模型1.1智能车辆运动学模型本文通过对智能车辆运动路径进行跟踪,从而为智能车辆导航路径模型的设计提供分析基础,图1为智能车辆路径跟踪示意图。图1智能车辆路径跟踪示意图Fig.1 Map of intelligent vehicle path tracking将智能车辆的位置坐标表示为R(x,y,θ)T,(x,y)为该智能车辆在世界坐标系下的坐标,θ表示智能车辆与x轴方向的夹角,P点表示智能车辆的位置R到车辆运动路线的切点,且R点到P点的距离用d表示,θr为车辆运动路线在P点处的切向角,θc表示方向角的误差角度。因此将智能车辆运动方程表示为:ìí???x?=v cosθy?=v sinθθ=ω(1)式中:v代表智能车辆的瞬时线速度;ω表示智能车辆的角速度。对式(1)进行约束,其约束方程为:x?sinθ-y?cosθ=0(2)将智能车辆的位置R当作车辆运动路径的参考资料,当前智能车辆的位置坐标为Rc=(xc,yc,θc)T,此时的方向角与参考点方向角间的差值为:θe=θr-θc(3)则此时车辆位置与参考点间的距离为:d=(xr-xc)2+(yr-yc)2(4)当参考点设置在智能车辆的右侧时,两处距离为正数D=d;若参考点在车辆的左侧,距离用负数表示D=-d。1.2智能车辆路径导航控制模型结构设计本文基于上述分析的智能车辆动力学模型,基于模糊神经网络设计智能车辆的路径导航控制模型结构,如图2所示。智能车辆的路径偏差信息经过图像处理后得到其横向和方位偏差[3],再将其经过偏差融合得到综合偏差;采用模糊逻辑控制智能车辆的横向偏差,将得到的综合偏差结果作为控制器的输入数据,前轮转角为输出结果。通过神经网络对车辆行驶方向进行控制[4],实现对智能车辆路径导航的控制。1.2.1基于模糊神经网络智能车辆导航路径识别模型设计基于模糊神经网络智能车辆导航路径识别模型设计原理:将多层前馈型神经网络作为基础结构对T-S模糊系统进行模拟,进行多次训练对网络的权值进行调试可对网络运行起到优化的作用。模糊技术和神经网络的结合使神经网络具有较强的推理和联想能力[5]。通过模糊C-均值聚类法从车辆数据中心获取模糊聚类中心,将模糊聚类中心作为规则的前件中心,将给定数据分为n种不同的类别,n种类别的聚类中心用cj=(c1j,c2j,c3j),j=1,2,?,n表示;产生的n条模糊规则格式如下:If x1 is Al1(x1)and x2 is Al2(x2)then y is yl,l=1,2,?,n(5)图2智能车辆导航路径识别模型结构Fig.2 Model structure of intell

参考文献

引证文献

问答

我要提问