基于BP神经网络的车道保持控制系统.pdf

《基于BP神经网络的车道保持控制系统.pdf》由会员分享，可在线阅读，更多相关《基于BP神经网络的车道保持控制系统.pdf（5页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、第40卷 第3期吉 林 大 学 学 报(工 学 版)Vol.40No.32010年5月Journal of Jilin University(Engineering and Technology Edition)May 2010收稿日期:2009205218.基金项目:国家自然科学基金项目(50908098);吉林省国际科技合作项目(20080706);吉林大学基本科研业务专项资金项目.作者简介:金立生(1975),男,教授,博士生导师.研究方向:车辆行驶安全理论与技术.E2mail:jinls 基于BP神经网络的车道保持控制系统金立生1,2,方文平1,候海晶1,孙玉芹1(1.吉林大学 交通学

2、院,长春130022;2.吉林大学 汽车动态模拟国家重点实验室,长春130022)摘 要:利用机械动力学仿真软件ADAMS/CAR建立了主要包括用于进行自主控制的转向系统及可输出状态变量车身模型的整车动力学模型,在MATLAB/Simulink环境下设计了基于BP神经网络PID的车道保持控制系统。通过输入输出接口实现了整车模型与Matlab的通信。利用建立的Matlab控制模块和ADAMS机械系统动力学模型实现了车道保持控制的联合仿真。仿真结果表明,所设计的车道保持控制系统能较好地实现在危险状态下的车道保持自主控制,且控制过程平稳。关键词:交通运输安全工程;车道保持;联合仿真;BP神经网络中图

3、分类号:U461.91 文献标志码:A 文章编号:167125497(2010)0320650205Co2simulation of lane keeping control system based on BP neural networkJ IN Li2sheng1,2,FANG Wen2ping1,HOU Hai2jing1,SUN Yu2qin1(1.College ofTransportation,J ilin University,Changchun130022China;2.State Key L aboratory ofA utomobileDynamic Simulation

4、,J ilin University,Changchun130022,China)Abstract:A vehicle dynamics model incorporating mainly the steering system for self2control and thevehicle body model for output of state variables was built using the mechanical dynamics simulationsoftware ADAMS/CAR.A control system for lane2keeping was desi

5、gned in the environment ofMATLAB/Simulink based on the BP neural network and PID control algorithm.The communicationbetween the vehicle dynamics model and the Matlab module was established by input/output interface.The co2simulation of the lane2keeping control was realized by the established Matlab

6、control moduleand the mechanical system dynamics model.The simulation results showed that the designed lane2keeping control system can achieve the reliable self2control of the lane2keeping,guarantee the vehicleto move along the lane mask smoothly and steadily at dangerous conditions.Key words:transp

7、ortation safety engineering;lane keeping;co2simulation;BP neural network 目前国内外对应用于高等级公路的车道偏离预警技术的研究已达到较成熟的阶段,并已有部分可商品化样机问世1。但在车道保持控制系统可在高度危险状态下及时地做出响应,短时自主控制有可能偏离车道的汽车的行驶方向,使汽车沿着原先行驶的车道运行,从而避免交通事故的发生223。本文利用ADAMS/CAR软件建立汽车整车动力学模型,并设计了BP神经网络PID车道保持控制系统。以此为基础,基于MATLAB和第3期金立生,等:基于BP神经网络的车道保持控制系统ADAMS联合

8、进行不同车速下的车道保持控制仿真,以期为车道保持控制系统的开发提供理论和技术基础。1 基于ADAMS/Car的整车模型ADAMS/Car是MDI公司与Audi、BMW和Volvo等公司合作开发的整车设计软件,集成了在汽车开发、设计等方面积累的丰富经验,能够帮助快速建立高精度的整车虚拟样机,具有强大的建模功能和运动学及动力学分析功能425。利用其丰富的后处理功能可直观再现各种仿真模式下整车的动力学响应,快速准确地求解出表征操纵稳定性、制动系、舒适性和安全性等汽车各种性能的状态参数。1.1 转向系模型的建立ADAMS/Car模块的前处理功能中,具有直接面向用户的对话环境和虚拟样机分析的优点。在进行

9、汽车转向模型的设计时,利用ADAMS/Car中的专家模版(expert template)建立转向系机械动力学模型时需要做如下假设:所有的零部件都是刚体,各个运动副(如旋转副、齿轮副)间均为刚性连接,内部间隙和摩擦力等均忽略不计。图1为在ADAMS/Car环境中建立的转向系仿真模型,它包括方向盘、转向柱、转向中间轴、转向输入轴、齿轮齿条转向器和转向横拉杆等。方向盘、转向柱分别与车身通过旋转副、圆柱副连图1 转向输入模型Fig.1Steering input model接,两副之间用传动比为1.0的齿轮副连接。中间轴分别与转向柱、转向输入轴之间用万向节连接。转向输入轴与小齿轮之间用传动比为0.1

10、7的齿轮副连接。齿轮、齿条分别通过转动副、移动副与壳体连接,齿轮齿条间传动比为1.0。壳体通过衬套固定在车身上。修改施加在方向盘上的角驱动,使其成为整车模型中的输入变量,通过该输入变量控制方向盘的转角,转角值通过在MATLAB/Simulink环境下建立的车道保持控制模块来确定。汽车行驶时,机械系统动力学模型实时地将车速(velocity)、偏航角(yaw angle)和侧偏距离(lateral displacement)等信息输入到控制模块,控制模块根据采集到的信息和控制策略判断汽车的运行状态,决策出最佳方向盘转角,输出给机械模型,控制方向盘使汽车保持稳定行驶状态。1.2 车身模型的建立因为

11、本文中不考虑空气对汽车的阻力,车身只是提供一个外观效果和汽车车身的质量分布的功能,所以为能够清晰展现汽车各子系统的相互关系,此处将车身模型简化为汽车质心处的质量和转动惯量。修改前后轮心、底盘质心以及轨道参考的硬点坐标(hardpoint),增加纵臂、弹簧与车体相连的输出连接器各一个。同时,为改善车辆行驶的稳定性,采用横向稳定杆来加大悬架的侧倾角刚度。建立车速、偏航角等汽车状态参量的求解器,并将这些状态参量设定为模型的输出变量,在联合仿真时实时地传递给控制模块。图2 整车虚拟样机模型Fig.2Virtual model of the vehicle1.3 整车模型的建立在ADAMS/Car中通过

12、自下而上的建模方式建立整车动力学仿真模型。连接器作为一个建模单元在各子系统中交换信息,以实现各个子系统的良好配合4。装配模型时,系统首先扫描子系统检查输入连接器,然后检查是否有与之相匹配的输出连接器,使各个子系统装配到一起后相互协调,从而保证所建立的模型仿真的可靠性。所建模型包括前后悬架系统、转向系统、车身系统、轮胎和路面等系统。图2为装配后的整车虚拟样机仿真模型。图2中,整车整备质量为1175 kg,前轮轮距156吉 林 大 学 学 报(工 学 版)第40卷为1614 mm,后轮轮距为1622 mm,轴距为2340mm,轮胎型号为165/70R。2BP神经网络PID控制模型为实现车道保持,需

13、根据前面建立的输入输出变量设计控制器的算法。本文拟通过PID控制方向盘转角6。由于被控系统具有复杂的非线性特征且工作过程多具有时变不确定性,要想取得好的控制效果,就必须通过调整比例、积分和微分等PID的3个控制参数,形成控制变量中既相互配合又相互制约的关系,可以从复杂的非线性组合中找出最佳制约关系。研究表明,常规PID控制器由于不能实现控制参数的在线实时自整定调整,因此控制效果不佳,而利用BP神经网络具有的对环境变化的学习和适应能力及对强非线性控制等优点,则可以很好地实现对上述3个控制参数的在线调整,从而建立符合汽车强非线性、时变不确定性及滞后性等特点的自调整参数的PID控制系统7。本文建立的

14、BP神经网络PID控制系统结构图如图3所示。图3BP神经网络PID控制系统结构图Fig.3Configuration of BP NN PID control system本文采用3层前向BP神经网络,网络的输出是PID 3个控制参数KP、KI、KD,所以输出层节点数为3,输入层节点数依实际问题而定,此处根据输入变量选择为4个(汽车车速、侧偏距离、偏航角和1),隐含层节点数一般较难确定,依据前期研究经验确定为5个8。通常选取初始权值为(-1,1)之间的随机数,此处是通过wi=0.53rands(5,4)和wo=0.53rands(3,5)来产生初始权值在(-0.5,0.5)之间的随机数。同时确

15、定学习速率=0.25和惯性系数=0.05。PID控制器的输出为u(k)=u(k-1)+u(k)式中:u(k)=KPerror(k)-error(k-1)+KIerror(k)+KDerror(k)-2error(k-1)+error(k-2)error(k)为第k次在线学习时的误差量。本文采用共轭梯度法对神经网络PID控制器的网络权值和阈值进行在线修正,利用这种算法可以在不增加算法复杂性的前提下加快算法的收敛速度,提高算法收敛性能,并且可以沿共轭方向达到全局最优,即全局极值点9210。3 仿真试验3.1 联合仿真模型的建立首 先 在ADAMS中 定 义 与MATLAB/SIMULIN K软件的

16、接口以实现控制变量、状态参量的传输,把ADAMS中建立的机械系统转化为SIMULIN K下 的s2function函 数,再 把s2function函数加到控 制模型里,这样可 利 用SIMULIN K提供的各种模块进行车道保持控制系统的开发,通过控制模型及输入输出变量在ADAMS和MA TLAB之间形成控制回路,进行联合仿真。建立的联合仿真模型如图4所示。图4 车道保持控制系统联合仿真模型Fig.4Co2simulation of lane Keeping control256第3期金立生,等:基于BP神经网络的车道保持控制系统 整车仿真模型由ADAMS/Car生成,输出信号包括:行驶车速、

17、偏航角和侧偏距离,输入信号为方向盘转角。车道保持控制系统为BP神经网络PID控制模块,该模块采用s2function根据采集到的汽车状态参数按照一定的决策算法对转向系统发出控制指令,实时地调整车辆的行驶方向。3.2 联合仿真结果分析为验证所建模型、控制策略以及联合仿真算法的合理性和有效性,基于已经建立的联合仿真模型,可以对不同行驶工况下车道保持控制进行仿真计算和对比分析。在本文的仿真研究中,采用的道路模型为干燥平直的沥青路面,且未考虑空气阻力对车辆的影响,选择轮胎与路面的附着系数为0.6,设定的路面宽度为3.75 m;联合仿真采用的预警/控制模型为前期开发应用的基于车辆横 越 车 道 边 界

18、时 间 模 型(TimetoLaneCrossing,TLC)3。仿真开始后均通过开发的联合仿真系统转动方向盘,使之产生车道偏离。图5至图10分别为汽车在70、90、110 km/h车速条件下 的 联 合 仿 真 结 果。图11为 联 合 仿 真ADAMS界面。图570 km/h车速时汽车状态参数Fig.5Vehicle state parameters at the speed of 70 km/h图670 km/h车速时方向盘转角Fig.6Steering wheel angle at the speed of 70 km/h图790 km/h车速时汽车状态参数Fig.7Vehicle s

19、tate parameters at the speed of 90 km/h图890 km/h车速时方向盘转角Fig.8Steering wheel angle at the speed of 90 km/h图9110 km/h车速时汽车状态参数Fig.9Vehicle state parameters at the speed of 110 km/h图10110 km/h车速时方向盘转角Fig.10Steering wheel angle at the speed of 110 km/h356吉 林 大 学 学 报(工 学 版)第40卷图11 联合仿真ADAMS界面Fig.11ADAMS

20、interface of co2simulation从仿真结果图形可以看出,汽车在行驶过程中均未偏离出正常行驶车道,系统均能在车辆高度危险状态下实现很好的车道保持控制,表明设计的BP神经网络PID控制系统能够控制整车模型保持稳定行驶状态,而且其在超调量、上升时间、调节时间以及暂态过程中的振荡次数等暂态性均表现良好。4 结束语本文基于ADAMS/Car模块建立了车辆转向、车身等整车和道路模型;设计了基于神经网络PID的车道保持控制系统;并基于Matlab和ADAMS开发了联合仿真运行平台,解决了控制器参数在线调整问题;不同车速下的车道保持控制联合仿真试验表明,所开发系统能够很好地实现车道保持控制

21、功能,为进一步开发实用化的高等级公路车道保持系统提供了理论和技术基础。参考文献:1 Jin Li2sheng,Wang Rong2ben,Yu Tian2hong,etal.Lane departure warning system based on monoc2ular visionC14th World Congress on ITS,Bei2jing,2007.2 Masayasu Shimakage,Shigeki Satoh,Kenya Uenu2ma,et al.Design of lane2keeping control with steer2ing torque inputJ.

22、JSAE Review,2002,23:3172323.3 余天洪.基于机器视觉的车道偏离预警系统研究D.长春:吉林大学交通学院,2006.Yu Tian2hong.Study on vision2based lane departurewarning systemD.Changchun:College of Trans2portation,Jilin University,2006.4 DMSC Software Corporation M.Mechanical Dy2namics,Inc,2005.5 郭卫东.虚拟样机技术与ADAMS应用实例教程M.北京:北京航空航天大学出版社,2008.

23、6 李奇,李世华.一类神经网络智能PID控制算法的分析与改进J.控制与决策,1998,13(4):3112316.Li Qi,Li Shi2hua.Analysis and improvement of akind of neural networks intelligent PID control algo2rithmJ.Control and Decision,1998,13(4):3112316.7 Zhuang M,Atherton D P.Automatic tuning of opti2mum PID controllers J.IEEE Proceedings2D,1993,14

24、0(3):2162224.8 金立生,王荣本,储江伟,等.视觉导航自动车辆用BP神经网络数字识别方法的研究J.计算机工程与应用,2004,40(14):18221.Jin Li2sheng,Wang Rong2ben,Chu Jiang2wei,et al.Study on numerical recognition method of visionnavigate AGV based on BP neural network J.Computer Engineering and Application,2004,40(14):18221.9 薛定宇.控制系统计算机辅助设计2MATLAB语言与应用M.北京:清华大学出版社,2006.10刘光中,李晓峰.人工神经网络BP算法的改进和结构的自调整J.运筹学学报,2001,5(l):81288.Liu Guang2zhong,Li Xiao2feng.The improvementof BP algorithm and self2adjustment of structural pa2rameters J.Operations ResearchTransactions,2001,5(1):81288.456