基于模糊神经网络的车辆跟驰建模与仿真研究

作者:李德慧;刘小明;荣建;胡江碧 刊名:北京工业大学学报 上传者:肖汉斌

【摘要】驾驶员在车辆跟驰过程中表现出来的模糊的、不确定性的行为特征,难以对驾驶员的行为进行精确的数学描述.本文在以往跟驰模型基础上,采用以实际间距与期望间距的比值和相对速度作为双输入、后车加速度作为单输出的模糊神经网络建立数学模型.结果表明,该网络能较好的反映一定道路条件下的跟驰行为.

全文阅读

车辆跟驰模型探究单一车道上车辆跟驰状态理论川.传统的车辆跟驰模型从人车单元的运动和相互作用的层面上分析单车道交通流的特性.通过求解跟驰方程,得出任意时刻车队中各车辆的速度、加速度、位置、平均速度、密度、流量等参数,传统的跟驰模型难以体现驾驶员的感知、判断、决策等生理和心理状态.1988年,Nasser[21建立了2个BP网络模型模拟驾驶行为.由于输入变量和神经元的个数较多,网络训练时间较长,有一定的延迟.贾洪飞等”一4]也利用神经网络的方法对车辆跟驰算法进行了改进.目前,如何把定性控制经验融人控制中等问题还没有得到很好的解决卜“.为取得更好的控制效果,将神经网络和模糊逻辑融合起来,建立车辆跟驰决定的支持模型,通过综合处理驾驶员周围的各种影响因素来产生可靠的信息帮助控制车辆.1模糊神经网络模型变量的选取经典GM模型的3个参数为相对速度vR、两车相对间距sR和后车速度v。十;.由于v。+:对整个模型的影响不大,不能反映驾驶员实际的行为特征,故舍去.Evans就每个因素对驾驶行为的影响作了研究,把跟驰间距作为主要的衡量指标[7.为了反映驾驶员的期望特征,加入驾驶员期望间距sD.即参数sD’SR和vR.如果以每个输入变量有5个模糊集来算,3个输入变量的模糊状态空间将有125个状态,那么神经网络规则层则有125个神经元节点,过于庞大,在进行训练的时候,计算量很大.所以,采用将sD和sR反映距离方面的参数进行一体化,即,将sR/SD作为一个参数,vR作为另一个输入.网络输出为后车的加速度.根据winsum的研究[8],驾驶员的期望跟驰时间(车头时距)t,只与各驾驶员本身有关,故驾驶员期望跟驰间距为SD=t,vi(1)式中,t,为驾驶员期望跟驰时间;v,为后车的车速.因此只需要测出后车的速度,即可获得驾驶员的期望间距.本文的输入和输出变量的模糊集都取5个,分别代表正大、正中、零、负中、负大5种类型的模糊集,隶属度函数取常用的三角函数分布.vR,sR/SD,“。十1的隶属度函数图如图1所示.第4期李德慧等:基于模糊神经网络的车辆跟驰建模与仿真研究v一vZv3vJvs义冷以r‘二,11s,5253凡55义立价/(ms一,)(a)从/S。(b)一1.0一0.50a/(ms一2)(e)图1隶属度函数图Fig.1MembershiPfunetion根据驾驶员的驾驶经验,如果驾驶员认为相对距离远大于自己的期望距离,而且两车的相对速度则驾驶员会以适当大的加速度行驶,以满足自己的期望.以这种类似方式,实现模糊规则的定制.模糊神经网络结构图,2大L在结构上,输入vR,sR/sD分别为具有5个模糊集,即可形成5xs即25个控制规则的FNN控制器,网络结构如图2所示.可以看出它具有输入层、中间层、输出层的BP神经网络.在功能上,该网络的三层节点严格对应于模糊逻辑控制的模糊化、规则推理和逆模糊3个步骤的,具有明确的模糊逻辑意义,通过该方式把模糊逻辑的推理过程用神经网络实现.首先,网络输入变量为vR,sR/SD;其次,输入层节点的激活函数代表的恰为模糊变量的隶属函数该层的权值二公’和b。的不同意味着变化多端的隶图2车辆跟驰模糊神经网络结构Fig.2Arehiteetureofthenetwork属函数的形状和位置.该层的输出代表的就是模糊化的结果隶属度.再者,中间层是将模糊化得到的隶属度两两相乘的功能.中间层的输出代表着模糊规则的规则强度,将这些强度传递给下一层就可以进行逆模糊.最后,输出层的各个权值代表了模糊规则,根据重心法的逆模糊方式,只要将他们作为权值与输入(即规则强度)加权求和

参考文献

引证文献

问答

我要提问