车道保持系统学习控制的研究.pdfVIP

车道保持系统学习控制研究 吴超仲严新平 (武汉理工大学rrs研究中心武汉删3) 摘 要：本文以基于磁道钉导航的智能车辆为研究对象．在车道保持模糊控制的基 础上．引入学习控制方法。确定了模糊规则的学习算法。用简化的二轮模型进行了仿真 实验。仿羹结果表明。模糊学习算法是有效的。本文的研究为实现车道保持系统在线学 习控制提供了参考。 关键词：学习控制模糊控制车道保持智能控制 1 引言 以模糊理论、神经网络、遗传算法和专家系统为代表的人工智能技术在智能控制领域应用 已经十分广泛。人工智能在应用中的不完善主要体现在神经网络结构参数的确定、模糊规则 的确立和隶属函数的建立，这些都需要运用学习技术和方法来确定，这也是目前人工智能领域 的技术热点和难点。本文就是研究学习尤其是在线学习技术方法在车道保持系统中的应用。 目前学习控制采用的主要理论有：模糊逻辑、人工神经网络、遗传算法、专家系统等…。根 据采用技术的不同，学习的方法可以是千变万化的。尽管学习控制在技术、学习方法和各种应 用上都有很大的发展，但仍需要研究和开发新的学习算法、新的学习方式，引进新的技术等，如 研究自创建和自组织学习算法、创造性的学习方式等，以便不断完善学习控制理论和应用；建 立学习控制的一般性设计理论和相应的评价理论。随着学习控制的设计方案和设计方法的日 益丰富，许多新的问题需要研究，例如，如何评价和选择合适的方案以适用于某个应用以及如 何对学习的速度、学习的复杂性(即学习的容易和不容易)、学习的类型、学习的稳定性、学习的 精度、最优学习等指标进行评价等。这就需要对学习控制的一般性设计理论和相应的评价理 论进行深入研究。 246 本文结合自动公路车道保持系统，提出一种学习控制模型。 2车道保持系统引入学习控制的意义 智能控制的任务也可以这样来表达：要使闭环控制系统在相当广泛的运行条件范围内，在 相当广泛的运行事件范围内，保持系统的完善功能和期望性能。而实现这一任务的困难是，受 控对象和系统的性能目标具有一定的复杂性和不确定性。例如，受控对象通常存在非线性和 时变性；尤其是受控对象的动力学特性往往建模不良，也可能是设计者主观上未能完整表达所 致，或者是客观上无法得到对象的合适模型；其他还有多输入多输出、高阶结构、复杂的性能目 标函数、运行条件有约束、测量不完全、部件发生故障等因素，学习控制的作用是为了解决主要 由于对象的非线性和系统建模不良所造成的不确定性问题，即努力降低这种缺乏必要的先验 知识给系统控制带来的困难。 对于先验知识未知的情况，可以采取两种不同的解决方法。一种是忽略未知部分的先验 知识，或者对这些知识预先猜测而把它们视同已知，这样就可以基于知识“已知”来设计控制， 采取保守的控制原则，获取低效和次优的结果；另一种方法是，在运行过程中对未知信息进行 估计，基于估计信息采用优化控制方法，如果这种估计能逐渐逼近未知信息的真实情况，那么 就可以与已知全部先验知识一样，得到满意的优化性能。 自动公路系统中的车道保持系统是一个复杂的控制系统，外界环境复杂，如其他车辆的影 响、障碍物的影响、风的影响，路面状况的影响等，因此，建立能适应各种复杂环境的稳定、可靠 的控制系统的难度很大，一个稳定的控制系统，往往只能适应一种或几种特定环境，而环境的 复杂多变，不是简单的几个固定控制模型所能应付的。因此，为了适应各种复杂环境，必须寻 求学习控制，根据实际环境来调整控制模型，只有具有了学习能力和适应能力的控制系统才有 生命力，才能真正实现实用化。本文提出在线控制理论模型，为系统的完善打下基础。 3模糊学习控制研究 本文把模糊控制和学习控制相结合，用学习的方法逐渐修正和完善模糊控制规则，从而使 车道保持系统的控制性能不断得到改善，达到在某一环境下稳定、精确控制的目的，同时也为 在线学习控制器的研究打下基础。 在二维模糊控制器的基础上[21加上一个迭代学习控制环节，组成如图1所示的模糊学习 控制器。 图l中，K是学习控制器输出的模糊变量。学习控制环节是利用先前的控制误差积累修 正模糊控制规则，从而逐步改善控制效果。该学习控制环节的目的是在给定的初始条件下，使 系统实际输出Y(．|})经过有限次学习后与给定的输出Yd(k)之间的误差满足精度要求。 学习控制率选取为