基于神经网络技术的四轮转向.ppt

基于神经网络技术的车辆四轮转向主动控制 控制方法简介 1994年日本东京工学院的T.Shiosuka和Mazda汽车公司的M.Nagaoka提出基于神经网络的4WS控制系统。 该系统考虑到了车辆的动态特性和轮胎摩擦力的非线性。 设计者利用在实际车辆上实测所得的数据，用神经网络方法对车和轮胎的非线性动态特性进行辨识。系统控制器的设计不是根据任何理论模型，而是基于神经网络的自学习能力。 该系统改善了车辆的动态响应特性和抗干扰(如侧向风力等)的稳定性。系统设计的合理性已通过实际车辆在宽广车速范围内的实验得到验证。Tanaka等人已将该系统应用于实际的4WS车辆。 车辆动态模型离线辨识 本系统没有使用车辆运动的状态方程，而是通过训练使系统神经网络(记作SNN)学到车辆和轮胎的非线性动态特性。 离线训练SNN用的数据是驾驶员在4WS车辆上通过实测获得的。这里介绍的4WS控制系统的任务是，通过主动控制后轮转向角，以使车体的侧偏角β尽可能时刻接近零。 为了用实测数据训练SNN，采样周期为0.02s，车速分别为40km／h、60km／h、80km／h和100km／h。所测参数为侧偏角、横摆角速度、、车速、前轮转向角和后轮转向角。 车辆动态模型离线辨识 车辆动态模型离线辨识 系统辨识结果 为验证车辆与轮胎非线性系统动态模型辨识结果的正确性，研究者用非训练样本模式对4WS在不同车速下SNN的动态输出进行了测试。其结果表明：SNN给出的β和γ随时问变化的曲线与由试验车实测所得的曲线，在高低车速下均获得了满意的一致性。 但对两轮车模型言，仅在车速较高(100km／h)时，才有较好的一致性。 这表明：2WS模型仅在高速下是有效的；而上图给出的SNN能在各种情况下有效地反应轮胎侧偏力和车辆结构的非线性特性。 神经控制器 4WS的控制指标 一是车辆的运动方向应与驾驶方向一致，即侧偏角β应为零； 二是横摆角速度γ或侧向加速度应为期望值。 侧偏模式 训练原理 车辆动态模型在线辨识 混合式模型 1995年由日本学者M.Nagai教授等人提出。 本方案的特点在于，不论是对车辆动态非线性系统的辨识还是控制，都是用简单线性控制理论辅以神经网络手段解决的。换句话说，在本方案中神经网络起弥补把线性理论应用于非线性的车辆建模与控制系统时，所造成的误差的作用。因此称为线性理论与神经网络的混合式建模或控制系统。 车辆非线性动态模型的线性模型与神经网络混合辨识系统 混合控制器 带有混合控制器的4WS控制系统 仿真结果 * * *