基于BP神经网络PID的四轮智能车循迹控制仿真研究

朱赢鹏，潘聪华，谢怡杰，张夏良，王健

(浙江水利水电学院机械与汽车工程学院，浙江杭州 310018)



基于BP神经网络PID的四轮智能车循迹控制仿真研究

朱赢鹏，潘聪华，谢怡杰，张夏良，王健

(浙江水利水电学院机械与汽车工程学院，浙江杭州 310018)

四轮智能车在按既定路线循迹过程中，由于车辆受地面复杂因素的影响，导致车辆偏离或离开预定路线。利用神经网络的良好自适应特性和PID控制策略容易实现的特点，提出神经网络PID来控制四轮智能车循迹。通过MATLAB动态仿真，结果显示该算法可以准确实现循迹控制。

智能车；神经网络；PID；循迹

0 引言

具有循迹功能的四轮智能车是自动导引车辆AGV的一种类型，是按既定轨迹自动驾驶、从出发地到目的地完成给定任务的智能车辆[1]。在循迹车辆研究领域，目前主要集中在纵向跟踪控制和侧向跟踪控制算法研究，1960年，PEFENTON等开始利用经典控制方法建立了车辆侧向跟踪控制系统模型；1981年，MACADAM等总结出驾驶员驾驶过程中的路径预瞄特点；随后，SESHTADOVER提出控制的参数要随车速变化。EDWARD提出将纵向跟踪控制和侧向跟踪控制联动。在车辆自动驾驶控制方面，目前主流的方法是根据车辆运动学模型和动力学模型建立设计车辆循迹控制器[2-4]，但是由于实际路面情况复杂，车辆过弯不同、加减速不同以及货物质量的不确定变化等因素的存在，循迹控制器更适合使用非线性控制策略，为此作者提出了基于BP神经网络PID的四轮智能车循迹控制。

1 四轮智能车循迹预瞄模型建立

四轮智能车循迹工作模式是通过预瞄前方轨迹来判断车与轨迹相对位置，循迹系统计算出被跟踪轨迹F(x)与车辆实际位置偏差后实时调整车辆转向实现循迹控制。具体的实现方式如图1所示。车辆在xOy坐标系下，要跟踪的轨迹F(x)是横向行驶距离x的函数，轨迹没有突变即F′(x)比较小，x轴方向速度约等于车辆速度。根据图1所示，车辆当前位置(x0，y0，φ0)， 假设车辆纵向速度为v，车辆位置到预瞄前方轨迹时间为t，则预瞄点B的位置为(x0+vt，F(x0+vt)，F′(x0+vt))。 车辆以v行驶t时间达到B′，此时与预瞄点B的偏差可以表示为：

Δy=F(x0+vt)-y0-vyt

Δφ=F′(x0+vt)-φ0

控制器输入误差：

e=Δy+kΔφ

图1 四轮智能车循迹预瞄原理图

2 BP神经网络PID控制模型建立

BP神经网络PID控制器是利用神经网络实时调节PID的3个参数，根据系统运行状态自适应地实现性能指标达到最优。BP神经网络的输出神经元对应于PID的3个可调参数Kp、Ki、Kd，经过神经网络的不断学习和加权系数的调整可以得到最优的PID参数，再通过PID的闭环控制就可以实现自适应控制。控制器的控制过程如图2所示。

图2 基于BP神经网络的自适应PID控制器的控制器结构

该控制器的算法如下：

(2)采样得到当前时刻的输入和输出(yB(t)，φB(t))和(yB′(t-1)，φB′(t-1))， 此时刻的控制误差e(t)=Δy+kΔφ；

(3)计算BP网络各层神经元的输入和输出，BP的输出为PID控制器的3个在线可调参数Kp、Ki、Kd；

(4)PID控制器的输出：

u(t)=u(t-1)+Kp(e(t)-e(t-1))+Kie(t)+Kd(e(t)-2e(t-1)+e(t-2))

(6)置t=t+1，再进入步骤(1)进行循环。

3 四轮智能车循迹控制仿真

确定PID参数调节的BP神经网络为3层结构网络，其学习速度为0.25、惯性系数为0.05，加权系数初值取区间[-0.5,0.5]上的随机数。

真实轨迹方程为：

y=sint+sintcost+1

神经网络的初始权值设定为随机值，等系统运行稳定后，将稳定权值自动设置为神经网络权值。循迹结果和相应的曲线见图3—5。

图3 真实轨迹和计算轨迹对比

图4 计算轨迹调整过程

系统在0～0.05s区间里，计算轨迹震荡比较严重，在0～0.1s区间计算轨迹逐步趋于稳定。震荡轨迹产生的主要原因是BP神经网络在调整PID的3个参数，见图5。t=0.1s之后计算轨迹和真实轨迹完全重合。在t=0.1s之后，PID的3个参数根据具体输入和输出继续进行微调整。Kp在t=4～6s区间里调整明显，主要原因是真实轨迹变化明显，由凸变化为凹波形；Ki、Kd的变化比较平缓。

图5 BP神经网络调整PID的3个参数过程

4 总结

(1)BP神经网络通过信号的正向和反向，不断比较期望的PID参数和实际值，层层修正神经元权值，在0.1s内将Kp、Ki、Kd调整到稳定值，并随着输入输出信号的变化能实时微调。

(2)通过MATLAB仿真计算，计算轨迹在0.1s内调整到和真实轨迹重合，这意味着控制系统能在极短时间内将Δy、Δφ控制在最小，可以保证循迹车快速初始化，随后稳定沿着预定轨迹循迹前行。

【1】任柯燕,顾幸生,黄敬平,等.基于模糊PID对AGV的纠偏控制[J].控制工程,2006，13(9):54-57.

【2】肖文健,李永科.基于增量式PID控制算法的智能车设计[J].信息技术,2012(10):125-127．

【3】林焕新,胡跃明,陈安.基于自适应模糊控制的智能车控制系统研究[J].计算机测量与控制，2011，19(1):78-80．

【4】黄志强.基于CCD摄像头智能车分段PID控制算法设计[J].电子设计工程,2011,19(2):55-57．

SimulationoftheFourWheelsIntelligentVehicleTrackingControlBasedonBPNNPID

ZHUYingpeng,PANConghua,XIEYijie,ZHANGXialiang,WANGJian

(MechanicalandAutomotiveEngineeringCollege,ZhejiangUniversityofWaterResourcesandElectricPower,HangzhouZhejiang310018,China)

Whenthesmartcarwithfourwheelstrackstheestablishedroute,duetocomplexfactorsoftheground,thevehicledeviatesfromthepredeterminedroute.UsingBPNNwithgoodadaptivecharacteristicsandPIDcontrolstrategyeasytoimplement,BPNNPIDwasputforwardtocontrolthefourwheeledintelligentvehicletracking.TheresultofMATLABsimulationshowsthattheproposedalgorithmcanachieveaccuratetrackingcontrol.

Intelligentvehicle;Neuralnetwork;PID;Tracking

2015-11-12

2014年浙江省新苗计划资助项目(2014R432008)

朱赢鹏，男，本科，主要从事循迹车研究。E-mail：6787135@qq.com。

U

A