基于改进BP神经网络的智能车纵向控制方法

doi:10.19562/j.chinasae.qcgc.2022.08.006

摘要/Abstract

摘要：

针对传统PI控制在车辆速度跟踪过程中参数固定且不易整定的问题，提出了一种基于改进BP神经网络的智能汽车纵向控制方法。分别构建驱/制动模式下的BP神经网络，针对BP神经网络初始参数选取困难及反向自学习存在梯度消失等问题，利用粒子群算法和批处理归一化方法对BP神经网络进行改进，最终实现PI控制参数的动态自整定。通过Carsim/Simulink联合仿真与实车测试对该方法进行了验证，结果表明：相比于传统PI控制，所提出的纵向控制方法在实现基于误差快速调整参数的同时提高了车辆纵向控制精度。

关键词: 智能汽车, 速度跟踪控制, BP神经网络, 自整定, 粒子群算法

Abstract:

For the problem that the parameters of traditional PI control are fixed and difficult to be adjusted in the process of vehicle speed tracking， a longitudinal control method of intelligent vehicle based on the improved BP neural network is proposed. The BP neural network in drive mode and brake mode is established respectively. In view of the difficulty in selecting initial parameters of BP neural network and the problem of gradient disappearing in reverse self-learning， particle swarm optimization and batch normalization are used to improve the BP neural network. Finally， the dynamic self-tuning of PI parameters is realized. By Carsim/Simulink co-simulation and real vehicle test， the proposed method is verified. The results show that the proposed longitudinal control method can realize rapid adjustment of parameters based on error and improve the longitudinal control accuracy of the vehicle compared with the traditional PI control.

Key words: intelligent vehicle, speed tracking control, BP neural network, self-tuning, particle swarm optimization

梁旺,秦兆博,陈亮,边有钢,胡满江. 基于改进BP神经网络的智能车纵向控制方法[J]. 汽车工程, 2022, 44(8): 1162-1172.

Wang Liang,Zhaobo Qin,Liang Chen,Yougang Bian,Manjiang Hu. Longitudinal Control Method of Intelligent Vehicles Based on the Improved BP Neural Network[J]. Automotive Engineering, 2022, 44(8): 1162-1172.

图/表 11

图1

图2

图3

图4

表1

仿真验证部分参数"

参数	数值
采样周期 $d t$ /s	0.02
预瞄时间常数（PI） $Δ t 1$ /s	0.2
预瞄时间常数（BP） $Δ t 2$ /s	0.2
最小预瞄距离 $d m i n$ /m	0.5
模式切换死区偏置量 $Δ v$ /（m·s^-1）	0.3
线性整流激活函数斜率 $k$	1/5.5
驱动BP输出增益 $G a i n 1,2$	［20，1］
制动BP输出增益 $G a i n 1,2$	［13，1］
驱动/制动BP网络学习速率 $η$	0.002、0.002
驱动/制动BP网络动量因子 $α$	0.001、0.001
批处理归一化所用数据量 $h$	10、10

表1

图5

图6

表2

实车验证部分算法参数"

参数	数值
采样周期 $d t$ /s	0.02
预瞄时间常数（PI） $Δ t 1$ /s	1.0
预瞄时间常数（BP） $Δ t 2$ /s	0.2
最小预瞄距离 $d m i n$ /m	2.5
模式切换死区偏置量 $Δ v$ /（m·s^-1）	0.5
线性整流激活函数斜率 $k$	1/5.5
驱动BP输出增益 $G a i n 1,2$	［20，3］
制动BP输出增益 $G a i n 1,2$	［13，3］
驱动/制动BP网络学习速率 $η$	0.002、0.002
驱动/制动BP网络动量因子 $α$	0.001、0.001
批处理归一化所用数据量 $h$	10、10

表2

表3

图7

图8

参考文献 19

1	PADEN B， CAP M， YONG S Z， et al. A survey of motion planning and control techniques for self-driving urban vehicles［J］. IEEE Transactions on Intelligent Vehicles， 2016， 1（1）： 33-55.
2	郭景华，李克强，罗禹贡. 智能车辆运动控制研究综述［J］. 汽车安全与节能学报， 2016， 7（2）： 151-159.
	GUO J H， LI K Q， LUO Y G. Review on the research of motion control for intelligent vehicle［J］. Journal of Automotive Safety and Energy Saving， 2016， 7（2）： 151-159.
3	田涛涛，侯忠生，刘世达，等. 基于无模型自适应控制的无人驾驶汽车横向控制方法［J］.自动化学报， 2017， 43（11）： 1931-1940.
	TIAN T T， HOU Z S， LIU S D， et al. Lateral control method for autonomous vehicle based on model-free adaptive control ［J］. Acta Automatica Sinica， 2017， 43（11）： 1931-1940.
4	KIM H， KIM D， SHU I， et al. Time-varying parameter adaptive vehicle speed control［J］. IEEE Transactions on Vehicular Technology， 2015， 65（2）： 581-588.
5	ZHU M， CHEB H， XIONG G. A model predictive speed tracking control approach for autonomous ground vehicles［J］. Mechanical Systems and Signal Processing， 2017， 87： 138-152.
6	宾洋，李克强，冯能莲. 车辆全速巡航系统的干扰解耦鲁棒控制［J］.中国科学（E辑：技术科学）， 2009， 39（12）： 1963-1982.
	BIN Y， LI K Q， FENG N L. Disturbance decoupling robust control for vehicle full speed cruise system［J］. Science in China （Series E： Technical Science）， 2009， 39（12）： 1963-1982.
7	雷敏. 基于动力学模型的智能车辆横、纵向及综合控制策略研究［D］. 重庆：重庆交通大学， 2017.
	LEI M. Research on horizontal， longitudinal and integrated control strategy of intelligent vehicle based on dynamics model ［D］. Chongqing： Chongqing Jiaotong University， 2017.
8	XU S， PENG H， SONG Z， et al. Design and test of speed tracking control for the self-driving lincoln MKZ platform［J］. IEEE Transactions on Intelligent Vehicles， 2019， 5（2）： 324-334.
9	PONCE A N， BEHAR A A， HERNANDEZ A O， et al. Neural networks for self-tuning control systems［J］. Acta Polytechnica， 2004， 44（1）.
10	HUANG G， YUAN X， SHI K， et al. A BP-PID controller-based multi-model control system for lateral stability of distributed drive electric vehicle［J］. Journal of the Franklin Institute， 2019， 356（13）： 7290-7311.
11	HERNANDEZ-ALVARADO R， GARCIA-VALDOVINOS L G， SALGADO-JIMENEZ T， et al. Neural network-based self-tuning PID control for underwater vehicles［J］. Sensors， 2016， 16（9）： 1429.
12	SUN X， CAI Y， WANG S， et al. Optimal control of intelligent vehicle longitudinal dynamics via hybrid model predictive control［J］. Robotics and Autonomous Systems， 2019， 112： 190-200.
13	裴晓欢. 基于 BP 神经网络的智能定位器 PI 参数整定［D］. 杭州：浙江工业大学， 2017.
	PEI X H. PI parameter setting of intelligent locator based on BP neural network ［D］. Hangzhou：Zhejiang University of Technology， 2017.
14	LI X， QI B， LU W. A new improved BP neural network algorithm［C］. 2009 Second International Conference on Intelligent Computation Technology and Automation. IEEE， 2009， 1： 19-22.
15	HE K， ZHANG X， REN S， et al. Delving deep into rectifiers： surpassing human-level performance on imagenet classification［C］. Proceedings of the IEEE International Conference on Computer Vision. 2015： 1026-1034.
16	NA W， LIU K， ZHANG W， et al. Deep neural network with batch normalization for automated modeling of microwave components［C］. 2020 IEEE MTT-S International Conference on Numerical Electromagnetic and Multiphysics Modeling and Optimization （NEMO）. IEEE， 2020： 1-3.
17	XU S， PENG H， SONG Z， et al. Accurate and smooth speed control for an autonomous vehicle［C］. 2018 IEEE Intelligent Vehicles Symposium （IV）. IEEE， 2018： 1976-1982.
18	张飞铁，奉山森，黄晶. 无人驾驶汽车路径跟踪控制研究［J］.计算机仿真， 2019， 36（6）： 175-178，407.
	ZHANG F T， FENG S S， HUANG J. Research on path tracking control of autonomous vehicle［J］. Computer Simulation， 2019， 36（6）： 175-178，407.
19	JIANG G， LUO M， BAI K， et al. A precise positioning method for a puncture robot based on a PSO-optimized BP neural network algorithm［J］. Applied Sciences， 2017， 7（10）： 969.

测试工况	控制器类型	最大误差/（m·s^-1）	均方误差/ （m·s^-1）²
A	改进BP-PI	0.713	0.059
A	常规PI	1.131	0.355
B	改进BP-PI	1.233	0.167
B	常规PI	1.406	0.384

[1]	王彦鑫,李海岩,崔世海,贺丽娟,吕文乐. 基于BP神经网络的儿童乘员头部损伤预测模型及评估参数研究[J]. 汽车工程, 2024, 46(2): 329-336.
[2]	郝建平,苏炎召,钟志华,黄晋. 面向智能汽车的SOA架构及服务调度机制研究[J]. 汽车工程, 2023, 45(9): 1563-1572.
[3]	赵高士,陈龙,蔡英凤,廉玉波,王海,刘擎超,滕成龙. 融合复杂网络和记忆增强网络的轨迹预测技术[J]. 汽车工程, 2023, 45(9): 1608-1616.
[4]	袁新杰,刘芳,侯中军. 基于GA-PSO-Otsu算法的质子交换膜燃料电池催化层孔结构自适应识别[J]. 汽车工程, 2023, 45(9): 1702-1709.
[5]	胡启慧,蔡英凤,王海,陈龙,董钊志,刘擎超. 基于层次图注意的异构多目标轨迹预测方法[J]. 汽车工程, 2023, 45(8): 1448-1456.
[6]	陈国强,申正义,孙利,支梦帆,李彤. 基于BP神经网络优化遗传算法的智能座舱感性意象预测[J]. 汽车工程, 2023, 45(8): 1479-1488.
[7]	高翔,陈龙,王歆叶,熊晓夏,李祎承,陈月霞. 基于轨迹预测的智能汽车行驶风险评估方法[J]. 汽车工程, 2023, 45(4): 588-597.
[8]	胡杰,朱琪,陈锐鹏,张敏超,张志豪,刘昊岩. 引入必经点约束的智能汽车全局路径规划[J]. 汽车工程, 2023, 45(3): 350-360.
[9]	张紫微,郑玲,李以农,乔旭强,郑浩,王戡. 考虑前车运动不确定性的多目标自适应巡航控制[J]. 汽车工程, 2023, 45(3): 361-371.
[10]	刘正发,吴亚,刘佩根,顾荣琦,陈广. 基于特征和标签联合分布匹配的智能驾驶跨域自适应目标检测[J]. 汽车工程, 2023, 45(11): 2082-2091.
[11]	赵树廉,来飞,李克强,陈涛,孟璋劼,唐逸超,吴思宇,田浩东. 基于数字孪生技术的智能汽车测试方法研究[J]. 汽车工程, 2023, 45(1): 42-51.
[12]	邵文博,李骏,张玉新,王红. 智能汽车预期功能安全保障关键技术[J]. 汽车工程, 2022, 44(9): 1289-1304.
[13]	汪梓豪,蔡英凤,王海,陈龙,熊晓夏. 基于单目视觉运动估计的周边多目标轨迹预测方法[J]. 汽车工程, 2022, 44(9): 1318-1326.
[14]	赵健,宋东鉴,朱冰,吴杭哲,韩嘉懿,刘宇翔. 数据机理混合驱动的交通车意图识别方法[J]. 汽车工程, 2022, 44(7): 997-1008.
[15]	余嘉星,Aliasghar Arab,裴晓飞,过学迅. 考虑路径平滑性和避撞稳定性的智能汽车弯道轨迹规划研究[J]. 汽车工程, 2022, 44(5): 656-663.