基于视觉的智能车行驶控制技术的改进论文

2020-09-27 09:36:16 71

摘要：本文研究了车辆的行驶控制技术，提出了一种模糊神经网络PID控制算法来实现车辆的行驶控制。该方法将模糊理论与神经网络相结合，并通过调整PID参数来实现自动监控车辆的行驶控制。仿真结果表明，该控制算法具有良好的控制性能，解决了时变非线性系统中普通PID控制器的问题，具有控制速度快，实时性好，稳态误差小的特点。 。

关键字：智能汽车； PID控制模糊算法神经网络

简介

随着智能交通技术的发展，随着（ITS）的发展，智能汽车的自动驾驶程度不断提高，关于自动驾驶的研究也越来越多。无人驾驶汽车的驾驶控制技术已逐渐成为各国的热点。未来的研究方向是如何有效地结合各种控制方法以达到最佳控制效果。对此，本文对智能汽车的驾驶控制问题进行了深入研究，并提出了一种高度自适应的单车制导驾驶控制算法。

1.驱动控制算法的选择

PID控制是使用最广泛的策略之一。其控制结构简单，参数易于在线调整。它主要适用于线性系统控制。受控对象通常具有复杂的机制，具有很高的非线性度，随时间变化的不确定性和纯滞后现象。常规的PID控制器具有诸如参数调节差和适应性差的问题。该模拟假定道路上没有障碍物和叉子等理想条件。车道宽度为3m；汽车的中心沿车道线的右侧延伸；车宽为1m；道路由直段和大弧段组成。车辆和引导线的夹角小于或等于45度；前轮转弯角度小于30度；最大油门开度调节为30％；最大偏移量为150cm；车辆以80KM / h的速度跟踪车道线而不会冲出道路;

将车辆的实际速度与设定的标准速度之间的偏差用作第一控制器的输入量，并且输出控制量是车轮驱动力。为了确保车辆的安全驾驶，即，不允许车辆冲出预定的轨道，选择从身体到道路中心的距离作为第二控制器输入量，并输出是车辆的前轮角。仅考虑车辆和轨道中心之间的距离的偏差作为输入，车辆将不可避免地围绕道路中心振荡。因此，选择车辆的速度方向和道路方向之间的角度作为第三控制器输入。控制量仍然是方向盘的转角。

在控制模型中线性加权三个PID链接的输出。控制结构如图3所示。仿真程序的流程如图4所示。

图3车辆控制模型示意图图4驾驶控制仿真程序流程图

应用模糊神经网络网络PID控制算法的仿真程序，获得的实验结果如下。真实实验比较了普通PID控制和模糊神经网络PID控制的结果。另外，模糊PID控制的误差也是详细的统计数据。在图中，垂直网格线是标致线的行驶距离，每个网格代表100米；虚线是自动监控车辆中心所需的路径；虚线上方的线是紧急车道线，即车辆自动监控的引导线。虚线下方的线是假定的高速公路边界。

图5使用普通PID的直线段的控制效果图6使用模糊神经网络PID的直线段的控制效果

（注意：初始kp =0。2，ki = 20， kd = 50，初始偏移量为100cm，初始偏移角为0）

图7使用普通PID控制效果图的弯路段图8使用模糊神经网络PID控制效果图的弯路段

]（注：初始kp =0。2，ki = 20，kd = 50，初始偏移量为0，初始偏移角为0）

根据上述模拟结果，使用模糊神经的控制效果与普通的PID控制相比，网络PID控制有了很大的提高。实验证明，模糊神经网络PID控制算法具有收敛性，可以在短时间内达到稳态。

表1显示了在不同道路弯度和不同初始偏移量和偏移角度下的高跟踪误差。

表1行驶控制误差表

（注：曲率是道路每公里旋转角度，单位是度；误差是行驶控制的稳态偏移量，车辆偏离固定路线的距离（以厘米为单位）；初始偏移是在控制车辆之前距轨道的距离，车体方向与道路方向之间的偏角表示为偏角/距离，单位为度/ cm 2。

如表1所示，采用模糊神经网络PID控制算法，对于适当的初始PID参数，可以大大提高控制效果。弯曲路段的稳态误差在直线路段可以收敛到0。

2.结束语

本文研究了自动驾驶控制算法。通过对各种控制算法的研究和比较，提出了一种将模糊理论和神经网络相结合的模糊神经网络PID控制算法，并通过其对PID参数进行调整，从而达到了良好的控制性能，解决了普通的PID控制器问题。在控制时变非线性系统方面存在问题。将算法应用于本课题研究的自动监控车辆的行驶控制中，从仿真中可以看出，模糊神经网络PID控制器的控制效果明显优于普通PID控制器，控制速度快，实时性好，稳态误差小。在进一步的研究中，我们需要针对更复杂的情况改进算法和稳定性。

参考：

。控制理论与应用，1995，12（4）：491C497