基于pnnpid的车辆加速度控制器设计-梁军.pdf

《基于pnnpid的车辆加速度控制器设计-梁军.pdf》由会员分享，可在线阅读，更多相关《基于pnnpid的车辆加速度控制器设计-梁军.pdf（7页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、第52卷第3期2017年6月西南交通大学学报JOURNAL OF SOUTHWEST JIAOTONG UNIVERSITYV0152 NO3Jun2017文章编号：0258-2724(2017)03-0626-07 IX)I：103969jissn0258-2724201703026基于PNNPID的车辆加速度控制器设计梁 军1”， 赵彤阳1， 熊晓夏1，张婉婉1， 陈 龙1， 朱 宁2(1江苏大学汽车工程研究院，江苏镇江212013；2静冈理工科大学机械系，静冈袋井437-0032)摘要：针对传统的自适应巡航(adaptive cruise control，ACC)加速度控制算法对系统变化

2、辨识速度慢、动态性能差、调整缓慢的问题，提出了一种基于PNNPID(parallel neural network proportion integration differentiation)的加速度控制算法通过分析传统SNNPID(serial neural network proportion integration differentiation)对误差直接反馈的不足，应用神经网络自学习功能，开发了基于并行控制原理的车辆加速度控制器；考虑车辆平顺性，设计了符合驾驶行为的滤波限幅方案实验结果表明，相比基于SNNPID的加速度控制器，基于PNNPID的加速度控制器最大偏差控制在O25 ms

3、2以内，并具有平均误差小、调整时闭短和瞬态特性良好的特点，滤波限幅方案有效提高了驾驶的舒适性关键词：自适应巡航；加速度控制器；动态性能；神经网络；PID中圈分类号：U4711 文献标志码：ADesign of Vehicle Acceleration Controller Based onParallel Neural Network PIDHANG Junl”，ZHAO Tongyan91，XIONG Xiaoxial，ZHANG Wanwanl，CHEN Lon91，ZHU Nin92(1Automotive Engineering Research Institute，Jiangsu U

4、niversity，Zhenjiang 212013，China；2Department ofMechanical Engineering，Shizuoka Institute of Science and Technology，Shizuoka 437-0032，Japan)Abstract：An acceleration control algorithm based on the parallel neural network PID(PNNPID)wasproposed to conquer the problems of slow system change identificati

5、on，poor dynamic performance，andslow adjustment in traditional acceleration control algorithms for adaptive cruise control(ACC)Through analysis of the shortcomings of the traditional serial neural network PID(SNNPID)for directfeedback errorall acceleration controller for vehicles that is based on the

6、 parallel control theory isdeveloped using the self-learning function of neural networkIn addition，taking into account thevehicle ride comfort，all amplitude limiting scheme of filter is designed to fit driving behaviorExperimental results show that the acceleration controller based on SNNPID can fun

7、ction within amaximum deviation of025 msand is more accurate than the controller based Oil PNNPIDThis收疆日期：201512-30基金项目：国家自然科学基金资助项目(61573171，51108209，61203244)；江苏高校优势学科建设工程资助项目(PAPD)；江苏省自然科学基金资助项目(BK20140570)；江苏省六大人才高峰项目(DZXX-048)；中国博士后科学基金资助项目(2016M600375)；江苏省研究生教改课题(101)作者简介：梁军(1976一)，男，教授，研究方向为智

8、能交通理论及应用，电话：0511-88782845，Email：liangjunujseducn引文格式：梁军，赵彤阳，熊晓夏，等基于PNNPID的车辆加速度控制器设计J，西南交通大学学报，2017，52(3)：626632LIANG Jun，ZHAO Tongyang，XIONG Xiaoxia，et a1Design of vehicle acceleration controller based on parallel neural networkPIDJJournal ofSouthwest Jiaotong University，2017，52(3)：626&32万方数据第3期 梁

9、军，等：基于PNNPID的车辆加速度控制器设计 627new acceleration controller is characterized by small average error，short adjustment time，and goodtransient property；and the proposed filter amplitude limiting scheme can greatly improve the ridecomfort of vehiclesKey words：adaptive cruise；acceleration controller；dynamic p

10、erformance；neural network；PID大多数的自适应巡航(adaptive cruise control，ACC)控制器设计都采用双层控制结构J，上层控制算法是根据当前驾驶环境等信息决定车辆的纵向加速度，使其按照期望的安全间距行驶拉剖，下层控制算法是一个加速度控制器，把ACC上层算法输出的期望加速度作为输入，输出加速踏板及制动踏板开度，使ACC车辆能够快速准确地实现该期望加速度ACC加速度控制算法已取得一些成果，美国Ford公司采用基于自适应梯度算法和PI结合的加速度控制算法，该算法简单、可靠性高，其控制精度不高M J，但开启了加速度控制研究的先河德国宝马汽车公司提出了参数

11、比例反馈和补偿的思想，设计的ACC车速收敛不受前车运动状态的影响1韩国汉阳大学基于PI(proportion integration)控制结合前馈控制的加速度控制算法，该算法具有响应速度快，但鲁棒性较差的问题旧j目前美国德克萨斯大学提出基于在线优化和传感计算的ACC加速度控制器算法，该算法平衡安全和控制的目标p o，将ACC加速度控制器的研究推向新的高度国内对ACC加速度控制器的研究也取得一些卓有成效的成果，侯德藻等基于模型匹配结构和H。控制理论设计了ACC加速度控制算法，该算法在一定程度上避免了因高频外部引起的控制量抖动问题1 0|高锋采用状态估计器，应用鲁棒性控制器设计ACC分层切换控制，

12、实现了车速和加速度的准确、快速的控制，但其对驾驶舒适性未做优化1|余晓江等提出了基于模糊神经网络的ACC加速度控制算法，该系统首先利用BP(back propagation)神经网络对车辆纵向运动进行辨识，然后利用模糊神经网络中的神经网络学习能力实时修正该控制器的模糊系统的隶属度函数的参数以及控制规则12加1基于以上讨论，本文建立了PNNPID模型(parallel neural network proportion integrationdifferentiation)的ACC加速度控制算法，该算法不同于传统的利用神经网络在运行中修正PID权值SNNPID(serial neural net

13、work proportion integrationdifferentiation)，而是在直接使用神经网络的基础之上使用PID消除误差，解决了原来的控制系统对系统变化的辨识速度慢、动态陆能差和调整缓慢的问题1神经网络控制原理控制系统41的主要作用是通过给定系统一个输入量，得到期望的输出量神经网络控制系统输入u与系统输出Y应满足Y=g(M)， (1)式中：g(U)为输入与输出的某种函数关系系统的主要作用是通过确定一个最佳输入u，得到一个实际输出Y，使得期望输出Y。与实际输出Y之间误差最小(趋于0)由神经网络控制系统控制的对象大多具有很强的非线性，导致建立非线性函数g(H)有一定难度但神经网络

14、具有逼近非线性函数的特性，通过期望输出与实际输出的误差调整网络权值5|，不断提高神经网络的能力，直至两者之间误差为0，近似实现函数功能，即通过神经网络对非线性函数的求逆过程，该过程是由神经网络实现的求逆过程2 基于PNNPm的加速度控制模型21 PNNPID的架构设计SNNPID是一种传统的神经网络PID串行结构，如图1所示其中被控对象由PID控制器进行直接反馈控制，神经网络则通过学习后，以一种稳定的状态在线调整PID控制器的参数k。(PID控制器比例增益)、kj(积分增益)和k。(微分增益)，使PID达到最优控制图1传统的PNNPID模型Fig1 Traditional serial neu

15、ral network PID model该神经网络PID的控制式为u：Kc e+寺Jfm)死警】，(2)K。=NNetKco，Ti=NNetTio，死=NNet， (3)式中：K印、Kj。、均为PID控制器的初始参数；NN毗万方数据628 西 南 交 通 大 学 学 报 第52卷为经过学习后达到稳定状态的神经网络神经网络PID模型偏向于工程应用，对控制过程中可变加速度的跟随控制效果较差，尤其是对换挡前后产生加速度不可控的误差波动，SNNPID加速度控制器难以快速处理回复，无法满足车辆对设定值跟踪及抑制外扰的不同性能要求同时引入SNNPID误差积分反馈有很多的负作用，易使控制系统失稳针对上述问

16、题提出了PNNPID模型该模型区别于SNNPID模型使用神经网络在线修正PID权值的方法，直接在使用神经网络的基础之上再次使用PID消除误差，如图2所示图2本文的PNNPID模型Fig2 Proposed PNNID modelSNNPID模型的控制原理可由式(4)表示M()=N(afwd，v。)+e(t)PID， (4)式中：N。()为神经网络对系统状态的判定；e(t)为当前加速度与期望加速度之间的误差；口涮为期望加速度；秽。为当前速度；PID参数为恒定22 PNNPID神经网络设计与训练(1)神经网络训练数据获取选择一款自动档的汽车作为研究对象，加速度控制器只需输出加速踏板开度和制动踏板开

17、度两个变量为了获取加速踏板开度以及制动踏板开度对加速度的影响数据，基于主动安全软件Prescan设计了一套踏板开度力速度数据采集方案Prescan拥有专业的动力学模型库，同著名的车辆动力学仿真软件CarSim一样，输入设定的参数后，会自动生成车辆动力学模型，运行过程中还可以导入Simulink进行联合仿真，实时记录模型运作数据图3为所选车辆自动换挡时机设置结果由图3可知，车辆处于不同速度状态下，踏板达到某一预定开度的换挡时机，档位、踏板开度、速度三者之间存在较为强烈的非线性关系实验车辆选取Fiat Bravo，分别进行初始速度为0、50 ms的两次实验，每组实验施加数值为i(0100逐步上升)

18、的加速踏板开度，一直持续到该车加速度趋于0 ms2时(0030 ms2左右)，记录在两次实验加速过程中加速踏板开度、速度、加速度的变化数据同理，对初速度为50 ms的实验车辆采集制动踏板开度、速度和加速度的变化数据(速度降为0时停止测量)图4为加速踏板开度、速度、加速度数据的三维散点图三童遗制 一萋I一一吧一23图3自动换挡时机设置Fig3 Setting of automatic shift time口0 20 410速度(m。s)图4采集数据的三维散点图Fig4 Threedimensional scatter ploof the collected data(2)神经网络结构设计车辆加速

19、度很大程度取决于车辆当前的车速与加速踏板开度或制动踏板开度因此，将车速与加速度作为神经网络输入，加速踏板开度或制动踏板开度作为网络输出需要注意，当使用同一个神经网络训练加速踏板开度与制动踏板开度时(即神经网络双输出)，神经网络输出的两个踏板开度可能存在同时不为0的情况，这种情况与真实行车中不能同时踩加速踏板和制动踏板相违背因此，使用两个神经网络分别来训练加速踏板及制动踏板，这两个神经网络均为双输入单输出结构使用逻辑判断将这两个神经网络连接，可保证不出现两个踏板输出同时不为0的情况需要指出，轮胎与地面之间存在阻力，即没有踩任何踏板，车辆也会以很小的、稳定的减速度行加加0万方数据第3期 梁军，等：

20、基于PNNPID的车辆加速度控制器设计 629驶(一0097 ms2左右)，当期望加速度在一009010 ms2之间时，直接让加速踏板和制动踏板输出均为0，其造成的偏差在预期范围内，可忽略由于数据为多输入多输出，样本数据相对复杂，呈现非线性的状态，所以选择多隐层结构理论上两层神经元可以模拟任何复杂函数，则选择4层神经网络，即具有两层隐层的结构训练加速踏板开度的神经网络及训练制动踏板开度的神经网络均选用双输入单输出、双隐层的结构，如图5所示，图中：小小k、厶分别为输入层、隐藏层第1层、隐藏层第2层、输出层Lvl 己v2图5 基于神经网络的踏板开度控制Fig5 Pedal opening cont

21、rollerbased on neural network(3)神经网络训练及测试数据输入Matlab神经网络工具箱中训练，网络选择BP神经网络，训练函数首先选择trainlm为了能够使用GPU(graphics processing unit)加速训练过程，在之后计算中交替使用trainscg和trainrp作为训练函数，总共经过150 000步的训练收敛到了预期的结果预设训练目标是输出加速踏板开度和制动踏板开度，误差均在5以下，神经网络的输出误差在497左右，实验结果表明该控制系统输出结果满足使用需求图6为神经网络训练结果拟合图蓬蹙，t吣s驽 6泰 9i图6 神经例络i_JI|练结果拟合图

22、ig 6 Fitting plot lJf-lletllaInetwork training Iesuhs23 PNNPID中PID讨论与选择由于数据的非线性和噪声，神经网络训练相对缓慢，并且精度也不高为达到更精准的控制，需集成PID对神经网络控制中的偏差进行实时修正例如，某一速度下，控制加速度保持在15 ms2，需要使加速踏板开度为50，但由于神经网络训练误差，当前开度只有48，因此，需将这2的误差输入到PID，通过PID调节神经网络的加速踏板输出，使其加速度上升，鉴于神经网络特性，在一定范围内保持连续性，假设变动量非常小，神经网络不变，加速度上升，但速度变化不大，直至加速度为0时，自动完成

23、调整PID控制中若有积分元素易使控制系统失稳6。17j，选择使用比例一微分控制Simulink模块库中的PID模块微分偏向于工程应用，自带一个滤波器若，v(微分参数)值取太大，易失稳，取得太小，易振荡最终选择使用结构简单，响应迅速的一阶滤波器，如式(5)所示ffliter(s，Tx)=巧1可， (5)式中：t为时间常数，决定了滤波的频率范围(低通)为寻求一组合适PD参数，不断通过仿真实验，采用试凑的办法，调整PD(proportiondifferentiation)参数，以达到最优同时为了防止振荡，对需要微分的输出进行限幅，使其输出限制在40之间，表示为s。m。：器F(s)，其中，F(S)输出

24、的范围即限定在40之间将带有普通PID调整和带有限幅滤波PID调整的输出结果进行比较：(1)以08 ms2的阶跃信号作为车辆期望加速度(图7)；(2)以幅度为1的正弦脉冲作为车辆期望加速度(图8)帝?是鼍魁制 口【gj 7 |5介跃“1；Ij力I速度【】|4 J、互lg7 Acceleration respollses oistep expectation由图7可知，优化前的加速度实际输出与期望输出误差最大达16 ms2，优化后的这个误差最大仅有07 ms2，且震荡频率也比优化前小很多万方数据630 西 南 交 通 大 学 学 报 第52卷由图8可知，在08 S，优化后的加速度实际输出与期望输

25、出误差均比优化前的误差减小因此，经过限幅滤波的PID控制结果比普通的PID的输出误差更小，且不易震荡综上所述，集成PID以后的模型控制精度得到提高，且稳定性增强，在期望加速度剧烈变化(正弦脉冲)的情况下，保持很好的跟随控制效果24针对乘坐舒适度进行的滤波优化车辆加速度控制器模型设计不仅需考虑其安全性，同样也应对乘坐舒适性进行优化819 J如图7、8所示，虽然控制器灵敏度较高，但加速开度、制动踏板开度变化过于频繁，且变化幅度较大在实际使用过程中，驾驶员通常不会为了微小状态变化就做出剧烈响应，换而言之，外界环境的变化是驾驶员处经过了一个低通器这个低通滤波对系统的控制效果影响不大，却能极大的提高乘坐

26、舒适性为了模拟驾驶员低通滤波的作用，在本文控制器中的加速开度、制动踏板开度输出前加上1个一级一阶低通滤波器，该低通滤波器是在Matlab中使用窗函数设计的线性相位非递归型滤波器，调用函数为b=，。(7,，W。，。，3。)图9为加速踏板开度滤波实验图10为加速度输出滤波实验图8正弦信号加速度响应Fig8 Acceleration response of sinusoidal signal由图9可看出，增加加速开度滤波器后，由于相位滞后特性，导致加速度的动态响应不足但在40 S内，未加滤波器的加速踏板开度在数值上有4次突变，加了滤波器后加速踏板开度无突变，表明经过滤波后的加速开度变化将更加平缓，有

27、助于提高乘坐舒适性，尤其是加速度变化不大，跟车平缓的情况下，甚至可单独使用PID控制因此，增加1个加速开度滤波器对于提高乘坐舒适性、延长机械使用寿命有着重要作用由图10可看出，与图7相比，经过加速滤波器滤波后的加速度误差虽然偏大，但精度的损失不高，误差在可控范围内，完全符合使用要求图9加速踏板开度滤波实验Fig9 Filtering experiment of acceleration pedal opening矿研g￥龄心口图10加速度输出滤波实验Fig1 0 Acceleration output filtering experimentPNNPID模型可用式(6)、(7)表达PID(s)

28、=(k。+s。i。：(s忌d)五h。(s，疋)， (6)C。l(s)=NN。(口fwd(s)，秽。(s)+E(s)PID(s)l。，(s，T。)， (7)式中以。(s，丁。)为踏板开度滤波器；兀。，(s，咒)为PID控制器中的一阶滤波器3实验结果及分析Simulink中设计的基于PNNPID模型的加速度控制算法如图11所示采用仿真实验验证上述理论和方法的可行性、鲁棒性及系统响应速度，选择3个加速度评价指标：响应时间(Trs)、稳态误差(ess(ms2)、绝对超调量(M。(ms2)由于Fiat Bravo采用了AMT(automated mechanical transmission)，属于电控

29、机械自动换挡技术，换挡时不可避免地产生加速度突变(液压控制器元件操作离合器、齿轮啮合等原因)并且，若此时使用SNNPID加速度控制器，系统则受到干扰，短时间内难以自动回复，产生较大误差，O8642O2468l00OO00OO0万方数据第3期 梁军，等：基于PNNPID的车辆加速度控制器设计 631而使用文中的PNNPID控制器，系统能在神经网络响应错误时给予自动调节，逼近期卑曲线对于换挡前后加速度具有较大不可控的误差的现象，使用PNNPID摔制器表现出良好的效果图1 1 基于PNNPID的加速度控制算法Fig1 1 PNNPIDbased acceleration control algori

30、thm图12为SNNPID控制器与PNNPID控制器车辆减速度的误差比较图13为加速度正弦响应误差F锄巨魁煳蹙F鲁鼍憾删是图12阶跃信号减速度响应Fig12 Deceleration response of step signal图13加速度正弦响应误差Fig1 3 Sinusoidal response error of acceleration(1)给定1个幅度为一075的负阶跃输入作为车辆的期望减速度由图12可知，由于减速数据的线性优于加速数据的线性，两种控制器均具有较好的控制效果相较于SNNPID控制器，PNNPID控制器的加速度误差更平缓，没有误差突变的情况，稳态误差控制在一0050

31、1 ms2之间，调整时间T，O05 S(2)给定1个幅度为2的正弦信号作为车辆的期望加速度由图13可知，建立的基于PNNPID的控制器对于瞬态控制和变加速度的跟随均表现出良好的控制效果，即使加速度变化较大，调整时间较长，约15 S，M。035 ms2，P。O05 ms2，与SNNPID控制器相比较，本文建立的PNNPID控制器控制结果在绝对超调量M。以及稳态误差方面都较小表1为上述3个仿真实验两种指标数据的统计结果表1 两种加速度控制方法误差统计结果Tab1 Error statistical analysis ofthe two acceleration control methods(ms

32、2)由表l可看出，文中控制方法的输出结果在平均偏差以及标准差方面均比传统方法小，表明建立的加速度控制器跟踪误差小，且较平稳综上所述，基于PNNPID的加速度控制器在不考虑换挡引起振动情况下最大偏差在025 ms2以内，调整时间较短因此，基于PNNPID的加速度控制器具有误差小、瞬态特性良好等特点，能够很好的跟踪期望加速度万方数据632 西 南 交 通 大 学 学 报 第52卷4结论针对现有加速度控制器系统响应慢、超调、震荡等不足，构建了基于PNNPID的加速度控制器模型，通过分析传统串行神经网络PID对误差直接反馈的不足，应用神经网络自学习功能，开发了基于并行控制原理的车辆加速度控制器考虑车辆

33、乘坐舒适性，对实际输出进行合理优化，设计了拟合驾驶行为的滤波限幅方案实验结果表明，基于PNNPID的加速度控制器相比基于串行神经网络PID的加速度控制器，最大偏差控制在O25 ns2以内参考文献：1 VAHIDI A，ESKANDARIAN AResearch advances ininteUigent collision avoidance and adaptive cruisecontrolJ IEEE Transactions on IntelligentTransportation Systems，2003，4(3)：1431532BAGESHWAR V L，GARRARD W L，叫

34、AMANI RModel predictive control of transitional maneuvers foradaptive cruise control vehiclesJIEEE Transactionson Vehicular Technology，2004，53(5)：1573-15853 RAJAMANI RVehicle dynamics and controlMs1：Springer，2006：5-354 罗莉华汽车自适应巡航控制及相应宏观交通流模型研究D杭州：浙江大学，20115ZHAO Xiuchun，XU Guokai，ZHANG Tao，et a1Desig

35、n of vehicle adaptive cruise control system basedon fuzzy controlJJournal of Dalian NationalitiesUniversity，2013，15(5)：508-5116LIUBAKKA M K，RHODE D S，WINKELMAN J RAdaptive automotive speed controlJ IEEETransactions on Automatic Control，1996，38(7)：101110207VENHOVENS P，NAAB K，ADIPRASITO BStop andgo cr

36、uise controlJ International Journal ofAutomotive Technology，2000，1(9)：1317-13248K，HONG J，KWON Y DA vehicle controlalgorithm for stop and go cruise controlJProceedingsof the Institution of Mechanical Engineers，2001，215(10)：1099-11159MEHRA A，MA W L，BERG F，et a1Adaptive cruisecontrol：Experimental valid

37、ation of advanced controllerson scalemodel carsCAmerican Control Conference(ACC)2015s1：IEEE，2015：1411-141810侯德藻，高锋，李克强，等基于模型匹配方法的汽车主动避撞下位控制系统J汽车工程，2003，25(4)：399-402111213141516171819HOU Dezao，GAO Feng，LI Keqiang，et a1A studyon lower layer control of vehicle collision avoidancesystemwi the model-mat

38、chcontrol methodJAutomotive Engineering，2003，25(4)：399-402高锋汽车纵向运动多模型分层切换控制D北京；清华大学，2006余晓江，胡学军，胡于进，等基于模糊神经网络的车辆间距智能自适应控制J华中科技大学学报：自然科学版，2007，35(9)：22-24YU Xiaojiang，HU xuejllII，HU Yujin，et a1Intell igentadaotve control of the iongitudinal distancesbetweenrunning vehicles by neural networksJJournalH

39、uazhong University 0 f ScienceTechnology：NatureScience Edition，2007，35(9)：22-24MARTI B HHERREO P DMuhilayer distributedintelligent control of an autonomous carJTransportation Research(Part C)，2014，39(2)：94112温希东自动控制原理及其应用M西安：西安电子科技大学出版社，2014：6-18梁军，沙志强，陈龙基于人工神经网络的驾驶行为动态集成学习算法J交通运输系统工程与信息，2012，12(2)：

40、3440LIANG Jun，SHA Zhiqiang，CHEN LongDynamicensemble learning algorithm for driving behaviorbasedon artificial neural networkJTransportation SystemsEngineering and Information，2012，12(2)：34-40孙仁云，李治汽车电子感应制动模糊自整定PID参数控制J西南交通大学学报，加10，45(3)：378-383SUN Renynn，LI ZhiFuzzy self-tuning PID parametercontrol

41、of automotive electronic induction brakingJJournal of Southwest Jiaotong University，2010，45(3)：378-383MUNYANEZA O。MUNYAZIKWIYE B B，KARIMI HRSpeed control design for a vehicle system usingfuzzy logic and PID controllerCInternationalConference on Fuzzy Theory and ITS ApplicationsS1：IEEE，2015：56-61TIDE

42、MAN M，VERSTEEGH T，BOURS R，et a1Developing methodology for design and assessment ofactive and integrated safety systems forautomobilesJ Journal Automotive Safety andEnergy，2012，3(2)：116122SCHMIED R，WASCHL H，DEL RE LExtensionand experimental validation of fuel efficient predictiveadaptive cruise controlCAmerican ControlConference(ACC)，2015S1：IEEE，2015：56-61(中文编辑：秦瑜 英文编辑：兰俊思)万方数据