[發明專利]一種集成模糊神經網絡的自適應路徑跟蹤方法

有效

• 申請號: 201911233698.0
• 申請日: 2019-12-05
• 公開（公告）號: CN110989597B
• 公開（公告）日: 2022-06-10
• 發明（設計）人: 陳剛;顧愛博;袁靖;張介;蘇樹華;周楠;王和榮;陳守寶;王良模;王陶
• 申請（專利權）人: 南京理工大學
• 主分類號: G05D1/02
• 分類號: G05D1/02
• 代理公司: 南京理工大學專利中心 32203
• 代理人: 張祥

1.一種集成模糊神經網絡的自適應路徑跟蹤方法，其特征在于，包括以下步驟：

步驟一，建立狀態切換器：計算離散目標路徑坐標點曲率半徑R，根據實際路徑點與目標路徑點計算橫向偏差Δd，通過曲率半徑R與橫向偏差Δd作為輸入，理想轉角δ作為輸出建立狀態切換器，具體為：

(1)計算路徑曲率：當工程機械或車輛行駛在目標路徑時，其中路徑曲率半徑如下式所示：

式中：R為路徑曲率半徑，ρ為路徑曲率，y′與y″由預定路徑離散點的橫縱坐標點數值微分得出；

(2)計算橫向偏差：通過工程機械或車輛行駛實際路徑點(x_c,y_c)與目標路徑點(x_e,y_e)求解出兩點間的距離即橫向偏差Δd，如下式所示：

(3)建立狀態切換器：根據橫向偏差Δd判斷工程機械或車輛是否偏離路徑，當橫向偏差Δd在±0.1m之內時，偏轉角度如下式所示：

式中：L為軸距；

當橫向偏差Δd在±0.1m之外時，則偏轉角度由偏轉角度和橫向偏差的傳遞函數計算，如下式所示：

式中：h為比例因子，τ_L為延遲時間；

步驟二，建立模糊神經網絡自抗擾控制器：自抗擾控制器輸出參數z(k)和z(k-1)和實際偏轉角δ_r作為模糊神經網絡的輸入，訓練模糊神經網絡，模糊神經網絡輸出Jacobian信息，整定自抗擾參數，將Jacobian信息與轉角偏差Δδ作為輸入，以控制律u₀作為輸出建立模糊神經自抗擾控制器，具體為：

建立自抗擾控制器：自抗擾控制器包括三個組件：跟蹤微分器、非線性狀態誤差反饋器和擴張狀態觀測器，

其中跟蹤微分器表達式為：

式中：x₁(k)為跟蹤δ_d(k)的信號，δ_d(k)為理想偏轉角度，x₂(k)為跟蹤的信號，h為積分步長，fhan(·)為最速控制函數，且fhan(·)＝fhan(x₁(k),δ_d(k),x₂(k),h₀)，

其中最速控制綜合函數fhan(·)表達為：

式中，h₀為濾波因子，r為速度因子；

其中擴張狀態觀測器表達式為：

式中：z₁(k)為跟蹤δ_r(k)的信號，δ_r(k)為實際偏轉角度，z₂(k)為跟蹤的信號，z₃(k)為控制系統受內外干擾作用的估計值，b₀為補償因子，β₀₁＝3ω₀，β₀₂＝3ω₀²，β₀₃＝ω₀³u(k)＝u₀(k)-z₃(k)/b₀，fal(e,μ,γ)為原點附近具有線性段的連續冪函數，其中fal(e,μ,γ)的表達式為：

式中，μ為函數指數，γ為線性段的區間長度；

其中非線性狀態誤差反饋器表達式為：

式中，β₁，β₂為誤差增益；

訓練模糊神經網絡：將實際偏轉角δ_r與自抗擾控制器z(k)和z(k-1)作為神經網絡訓練輸入值，z_m(k)為神經網絡訓練輸出值，模糊化層的激活函數高斯基函數，其表達式為：

式中：X＝[δ_r(k),z(k),z(k-1)]^T為神經網絡輸入量，j＝1,2,...,6，C_j第j個隱含層對應輸入變量的中心參數向量，且C_j＝[c_1j,c_2j,c_3j]^T，d_j分別為高斯基函數第j個節點的寬度；

模糊推理層表達式為：

式中：i＝1,2,3，j＝1,2,...,6；

根據梯度下降法，模糊神經網絡輸出權值、節點中心以及基寬度參數的迭代算法如下：

式中，η為學習速率，λ為動量因子，w_j(k)為第j個隱含層神經元之間在第k次迭代計算時的連接權值，c_ij(k)為第j個隱含層神經元對于第i個輸入神經元在第k次迭代計算時的中心分量，d_j(k)為與中心對應c_ij(k)的寬度；

整定自抗擾參數：通過梯度下降法更新神經網絡連接權值w_j、高斯基函數的中心參數c_ij與寬度向量d_j之后，通過更新后的參數計算出Jacobian信息，通過Jacobian信息更新自抗擾控制器的參數β₁與β₂，則對象的輸出對控制輸入的靈敏度即Jacobian信息表達為：

根據梯度下降法，代入Jacobian信息，且β₁與β₂的迭代算法如下：

通過模糊神經網絡實時整定自抗擾控制器參數β₁與β₂，將Jacobian信息與轉角偏差Δδ作為輸入，以控制律u₀作為輸出建立模糊神經自抗擾控制器；

其中轉角偏差Δδ表達式為：

Δδ＝δ_d-δ_r

式中，δ_d為理想偏轉角度，δ_r為實際偏轉角度；

步驟三，建立工程機械及車輛非線性動力學模型：步驟二的非線性狀態誤差反饋器的控制律u₀和行駛速度V作為輸入，實際偏轉角δ_r和行駛實際路徑點(x_c,y_c)作為輸出建立工程機械及車輛非線性動力學模型，建立工程機械及車輛非線性模型為：

式中：m為工程機械或車輛質量，V為行駛速度，K_f為前輪側偏剛度，K_r為后輪側偏剛度，β為質心側偏角，l_f為質心至前輪的軸距，l_r為質心至后輪的軸距，r為橫擺角速度，δ_r為實際偏轉角，I為橫擺轉動慣量，I_h為方向盤等效轉動慣量，ξ為主銷后傾拖距，T_h為方向盤力矩：

步驟四，將步驟三的實際偏轉角δ_r反饋回步驟二的模糊神經網絡模型中，通過工程機械及車輛非線性動力學模型將實際路徑點(x_c,y_c)反饋回步驟一形成完整的閉環控制系統。