本發(fā)明涉及車輛控制，特別是涉及一種基于學(xué)習(xí)法的智能汽車縱向神經(jīng)滑?？刂品椒?。
背景技術(shù)：
：作為未來汽車工業(yè)的發(fā)展方向,智能汽車受到了國內(nèi)外科研機(jī)構(gòu)的廣泛關(guān)注。智能汽車縱向控制是指根據(jù)車載傳感系統(tǒng)獲取的信息，通過一定的控制方法實(shí)現(xiàn)對(duì)汽車縱向速度的調(diào)節(jié)，實(shí)現(xiàn)智能汽車的自動(dòng)縱向加減速功能，決定著智能汽車自主行駛性能的品質(zhì)好壞。由于智能汽車的動(dòng)力源系統(tǒng)存在純延遲、時(shí)滯和耦合特性，而且汽車縱向動(dòng)力學(xué)模型本身也具參數(shù)不確定性和強(qiáng)非線性動(dòng)態(tài)特性,并且會(huì)受到空氣阻力、道路坡度等外界環(huán)境的干擾,因而使得設(shè)計(jì)縱向控制方法變得異常困難。采用滑?？刂萍夹g(shù)設(shè)計(jì)智能汽車縱向控制器是當(dāng)前較為常用的方法，對(duì)外界干擾和模型非線性具有較強(qiáng)的魯棒性，但是在滑動(dòng)切換面附近的滑模高頻切換容易引發(fā)嚴(yán)重的顫抖現(xiàn)象。采用神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)汽車的縱向控制器，不依賴于精確的動(dòng)力學(xué)模型，但是難以保證系統(tǒng)響應(yīng)的實(shí)時(shí)性。文獻(xiàn)(Hakgoetc,TimeVaryingParameterAdaptiveVehicleSpeedControl[J].IEEETransactiononVehicularTechnology,2016,65(2)：581-588.)提出了智能汽車的自適應(yīng)縱向控制方法，但難以保證縱向控制的精度。技術(shù)實(shí)現(xiàn)要素：本發(fā)明的目的是為解決現(xiàn)有技術(shù)中存在的上述難點(diǎn)問題，提供不僅可克服智能汽車縱向動(dòng)力學(xué)系統(tǒng)的參數(shù)不確定性、時(shí)滯、外界干擾和非線性等特性,同時(shí)可縮短縱向速度控制器動(dòng)態(tài)響應(yīng)時(shí)間、消除顫抖現(xiàn)象，保證智能汽車縱向控制系統(tǒng)穩(wěn)定性和實(shí)時(shí)性的一種基于學(xué)習(xí)法的智能汽車縱向神經(jīng)滑模控制方法。本發(fā)明包括以下步驟：步驟1：采用實(shí)驗(yàn)和模擬相結(jié)合的方法，建立描述智能汽車縱向運(yùn)動(dòng)特性的動(dòng)力學(xué)模型；在步驟1中，所述建立描述智能汽車縱向運(yùn)動(dòng)特性的動(dòng)力學(xué)模型的具體方法可為：1)建立描述智能汽車縱向運(yùn)動(dòng)特性的動(dòng)力學(xué)模型，主要包含車輛縱向運(yùn)動(dòng)模型、液力變矩器模型和發(fā)動(dòng)機(jī)及制動(dòng)系統(tǒng)的一階動(dòng)態(tài)模型；2)設(shè)計(jì)智能汽車縱向動(dòng)力學(xué)系統(tǒng)中各單元子模型間的轉(zhuǎn)速及轉(zhuǎn)矩傳遞關(guān)系。步驟2：設(shè)計(jì)智能汽車縱向上層控制器，其任務(wù)是根據(jù)期望速度按照一定控制策略確定出期望的車輛加速度；在步驟2)中，所述設(shè)計(jì)智能汽車縱向上層控制器，其任務(wù)是根據(jù)期望速度按照一定控制策略確定出期望的車輛加速度的具體方法可為：1)智能汽車的縱向速度來源于路徑規(guī)劃模塊、監(jiān)督模塊和縱向控制系統(tǒng)模塊，而期望速度為路徑規(guī)劃模塊和監(jiān)督模塊產(chǎn)生速度的最小值；2)設(shè)計(jì)兼顧安全性和乘坐舒適性綜合性能指標(biāo)函數(shù)和約束條件，構(gòu)建基于MPC控制速度跟蹤上層控制器，實(shí)時(shí)給出期望加速度。步驟3：針對(duì)智能汽車具有非線性、參數(shù)不確定性、時(shí)滯和外部干擾等特性，設(shè)計(jì)智能汽車縱向下層控制器，實(shí)現(xiàn)對(duì)期望加速度的跟蹤，主要包括油門控制設(shè)計(jì)過程和制動(dòng)控制律設(shè)計(jì)過程：步驟3.1采用基于學(xué)習(xí)法的神經(jīng)滑?？刂品椒ǎO(shè)計(jì)智能汽車縱向油門控制律，主要包括如下：1)設(shè)計(jì)智能汽車縱向油門控制律的第一滑模面控制，推導(dǎo)出智能汽車縱向油門控制律的第一滑模面等效控制律和變結(jié)構(gòu)控制律，求出期望驅(qū)動(dòng)力矩；2)變結(jié)構(gòu)控制律中的切換控制克服參數(shù)不確定性的同時(shí)，引發(fā)了抖振現(xiàn)象，為了消除抖振，采用神經(jīng)網(wǎng)絡(luò)自適應(yīng)動(dòng)態(tài)調(diào)節(jié)控制增益系數(shù)K11，采用梯度學(xué)習(xí)算法在線調(diào)整神經(jīng)網(wǎng)絡(luò)的加權(quán)值w1、中心值c1和寬度參數(shù)b1；步驟3.2根據(jù)驅(qū)動(dòng)力矩和變速器輸出扭矩的關(guān)系Ts＝ToRmηt，渦輪扭矩和變速器輸出扭矩的關(guān)系To＝TtRg，求出期望發(fā)動(dòng)機(jī)轉(zhuǎn)速；步驟3.3設(shè)計(jì)智能汽車縱向油門控制律的第二滑模面控制，求出期望發(fā)動(dòng)機(jī)轉(zhuǎn)矩，主要包括如下：1)設(shè)計(jì)智能汽車發(fā)動(dòng)機(jī)轉(zhuǎn)矩控制律，采用等速趨近率，求出期望發(fā)動(dòng)機(jī)轉(zhuǎn)矩；2)采用神經(jīng)網(wǎng)絡(luò)自適應(yīng)動(dòng)態(tài)調(diào)節(jié)期望發(fā)動(dòng)機(jī)轉(zhuǎn)矩的控制增益系數(shù)K12，采用梯度學(xué)習(xí)算法在線調(diào)整神經(jīng)網(wǎng)絡(luò)的加權(quán)值w2、中心值c2和寬度參數(shù)b2；步驟3.4設(shè)計(jì)智能汽車縱向油門控制律的第三滑模面控制，求出期望油門開度，主要包括如下：1)設(shè)計(jì)智能汽車油門開度控制律，采用等速趨近率，求出期望油門開度；2)采用神經(jīng)網(wǎng)絡(luò)自適應(yīng)動(dòng)態(tài)調(diào)節(jié)期望油門開度的控制增益系數(shù)K13，采用梯度學(xué)習(xí)算法在線調(diào)整神經(jīng)網(wǎng)絡(luò)的加權(quán)值w3、中心值c3和寬度參數(shù)b3；步驟3.5：采用神經(jīng)滑?？刂品椒ㄔO(shè)計(jì)智能汽車縱向制動(dòng)神經(jīng)滑?？刂破?，主要包括如下：1)采用滑?？刂品椒ǎ笕≈苿?dòng)力矩和制動(dòng)壓力的等效控制律和變結(jié)構(gòu)控制律：2)為了消除抖振，采用神經(jīng)網(wǎng)絡(luò)自適應(yīng)動(dòng)態(tài)調(diào)節(jié)制動(dòng)控制增益系數(shù)K21和K22，采用梯度學(xué)習(xí)算法在線調(diào)整制動(dòng)神經(jīng)滑?？刂坡芍芯W(wǎng)絡(luò)基函數(shù)的加權(quán)值、中心值和寬度參數(shù)；步驟4：考慮到乘車的可靠性、安全性和舒適性，為避免頻繁切換油門控制器與制動(dòng)控制器，設(shè)計(jì)油門控制器和制動(dòng)控制器之間切換邏輯。本發(fā)明有效利用自學(xué)習(xí)、滑?？刂坪蜕窠?jīng)網(wǎng)絡(luò)控制各自的優(yōu)點(diǎn)，提供一種基于學(xué)習(xí)法的智能汽車縱向神經(jīng)滑?？刂菩路椒?。本發(fā)明的技術(shù)效果是：采用基于學(xué)習(xí)法的智能汽車縱向神經(jīng)滑?？刂品椒ǎ岣吡丝刂凭?，可有效地智能汽車縱向動(dòng)力學(xué)系統(tǒng)的參數(shù)不確定性、時(shí)滯、外界干擾和非線性等因素引起的干擾，從而明顯改善控制系統(tǒng)性能，提升智能汽車縱向速度控制的穩(wěn)定性和精確性。附圖說明圖1是本發(fā)明的智能汽車縱向控制系統(tǒng)結(jié)構(gòu)圖。圖2是本發(fā)明的基于自學(xué)習(xí)的智能汽車縱向神經(jīng)滑模驅(qū)動(dòng)控制方法流程圖。圖3是本發(fā)明的基于自學(xué)習(xí)的智能汽車縱向神經(jīng)滑模制動(dòng)控制方法流程圖。具體實(shí)施方式以下結(jié)合技術(shù)方案和附圖詳細(xì)敘述本發(fā)明的具體實(shí)施方式。如圖1所示，本發(fā)明的方法組成包括上層MPC控制和下層自學(xué)習(xí)神經(jīng)滑?？刂?。步驟1：采用實(shí)驗(yàn)和模擬相結(jié)合的方法，建立描述智能汽車縱向運(yùn)動(dòng)特性的動(dòng)力學(xué)模型。步驟1.1：建立描述智能汽車縱向運(yùn)動(dòng)特性的動(dòng)力學(xué)模型，主要包含車輛縱向運(yùn)動(dòng)模型、液力變矩器模型和發(fā)動(dòng)機(jī)及制動(dòng)系統(tǒng)的一階動(dòng)態(tài)模型，如下：Je·ω·e=Te-Tpfe(ωe,αth)=Te+teT·eTtTp=τ(ωtωp)τbT·b+Tb=KpPbJv·=Tsr-Tbr-Mgfcosθ-CaAav2-Mgsinθ+ΔE(t)]]>其中，Je表示發(fā)動(dòng)機(jī)轉(zhuǎn)動(dòng)部件和液力變矩器泵輪的有效轉(zhuǎn)動(dòng)慣量，ωe為發(fā)動(dòng)機(jī)穩(wěn)態(tài)轉(zhuǎn)速，αth為油門開度，Te為發(fā)動(dòng)機(jī)扭矩，Tt為液力變矩器的渦輪轉(zhuǎn)矩，Tp為液力變矩器的泵輪轉(zhuǎn)矩，f(ωe,αth)為發(fā)動(dòng)機(jī)穩(wěn)態(tài)扭矩特性函數(shù)，Ts表示作用于車輪的驅(qū)動(dòng)力矩，Kp為制動(dòng)壓力比例系數(shù)，ωt為渦輪轉(zhuǎn)速，ωp為泵輪轉(zhuǎn)速，τb為制動(dòng)系統(tǒng)響應(yīng)滯后時(shí)間，Tb為制動(dòng)力矩，Pb為制動(dòng)壓力，M表示整車質(zhì)量,θ表示道路坡度，v表示汽車縱向速度，Ca表示空氣阻力系數(shù)，Aa為等效迎風(fēng)面積，τe為一階發(fā)動(dòng)機(jī)慣性環(huán)節(jié)系數(shù)，r表示車輪半徑,f表示滾動(dòng)阻力系數(shù)，g為重力加速度。步驟1.2：設(shè)計(jì)智能汽車縱向動(dòng)力學(xué)系統(tǒng)中各單元子模型間的轉(zhuǎn)速及轉(zhuǎn)矩傳遞關(guān)系：ωp＝ωev=rωtRgio]]>Ts＝To·io·ηtTo＝TtRg其中，ωt為變速器輸入軸轉(zhuǎn)速，Tt為變速器輸入軸扭矩，To為變速器輸出軸扭矩，Rg為傳動(dòng)比，i0為主減速器的傳動(dòng)比，ηt為傳動(dòng)系動(dòng)力傳遞系數(shù)。步驟2：設(shè)計(jì)智能汽車縱向上層控制器，其任務(wù)是根據(jù)期望速度按照一定控制策略確定出期望的車輛加速度。步驟2.1：智能汽車的縱向速度來源于路徑規(guī)劃模塊、監(jiān)督模塊和縱向控制系統(tǒng)模塊，而期望速度vexp為路徑規(guī)劃模塊和監(jiān)督模塊產(chǎn)生速度的最小值。步驟2.2：根據(jù)智能汽車速度和加速度的動(dòng)力學(xué)特性，設(shè)計(jì)兼顧安全性和乘坐舒適性綜合性能指標(biāo)函數(shù)和約束條件。步驟2.3：采用MPC預(yù)測(cè)控制方法，求解智能汽車行駛的期望加速度ades,并將其輸入至下層控制層。步驟3：如圖2所示，針對(duì)智能汽車具有非線性、參數(shù)不確定性、時(shí)滯和外部干擾等特性，采用神經(jīng)滑?？刂品椒ㄔO(shè)計(jì)智能汽車縱向第一層神經(jīng)滑?？刂破?，求出期望驅(qū)動(dòng)力矩。主要包括：步驟3.1：定義期望加速度ades與實(shí)際加速度a的偏差為e，首先確定切換流形：S=e+λ∫0tedt]]>其中，λ為切換流形系數(shù)。若達(dá)到理想的滑動(dòng)模態(tài)，需滿足：dSdt=a·des-a·+λ(ades-a)=0]]>步驟3.2：采用滑?？刂品椒?，求出智能汽車縱向油門控制律的第一滑模面控制：步驟3.2.1:推導(dǎo)出在切換流形上驅(qū)動(dòng)力矩的等效控制律：Ts,eq=Jrλe·+Jrades+r·(Mgfcosθ+CdAav2+Mgsinθ)]]>步驟3.2.2：定義第一滑模面S11＝S，為克服縱向控制系統(tǒng)的不確定性和外加干擾，設(shè)計(jì)變結(jié)構(gòu)控制律為：Tvs＝K11sgn(S11)且步驟3.2.3:綜合等效控制律和變結(jié)構(gòu)控制律，求出總的理想驅(qū)動(dòng)力矩Ts,des的滑模控制律：Ts,des＝Teq+Tvs步驟3.3:變結(jié)構(gòu)控制律中的切換控制克服參數(shù)不確定性的同時(shí)，引發(fā)了抖振現(xiàn)象，為了消除抖振，采用神經(jīng)網(wǎng)絡(luò)自適應(yīng)動(dòng)態(tài)調(diào)節(jié)控制增益系數(shù)K11，設(shè)計(jì)如下：步驟3.3.1:將智能汽車縱向第一滑模面S11作為RBF神經(jīng)網(wǎng)絡(luò)的輸入，其輸出作為變結(jié)構(gòu)控制的增益調(diào)節(jié)項(xiàng)，如下：K11=|w1Th(S11)|]]>其中，w1為RBF神經(jīng)網(wǎng)絡(luò)的權(quán)值，h1為神經(jīng)網(wǎng)絡(luò)高斯基函數(shù)，如下：h1=exp(||S11-c1||22b12)]]>式中，c1為基函數(shù)的中心，b1為基函數(shù)的寬度。步驟3.3.2：采用隨機(jī)梯度學(xué)習(xí)算法在線調(diào)整神經(jīng)網(wǎng)絡(luò)的加權(quán)值w1、中心值c1和寬度參數(shù)b1，如下：w1(t+1)＝w1(t)+Δw1+α1(w1(t)-w1(t-1))c1(t+1)＝c1(t)+Δc1+α1(c1(t)-c1(t-1))b1(t+1)＝b1(t)+Δb1+α1(b1(t)-b1(t-1))其中Δw1=-η1∂E1∂w1]]>Δc1=-η1∂E1∂c1]]>Δb1=-η1∂E1∂b1]]>其中E1為性能指標(biāo)函數(shù)，’η1為學(xué)習(xí)速率η1∈[0,1]，α1為動(dòng)量因子α1∈[0,1]。步驟3.4：根據(jù)驅(qū)動(dòng)力矩和變速器輸出扭矩的關(guān)系Ts＝ToRmηt，渦輪扭矩和變速器輸出扭矩的關(guān)系To＝TtRg，可得到期望的渦輪扭矩，如下：Tt,des=1ηtRgRm·Ts,des]]>假設(shè)發(fā)動(dòng)機(jī)轉(zhuǎn)速與泵輪轉(zhuǎn)速相等ωp＝ωe，則可得：ωe,des=Tpt-1(Tt,des,ωt)]]>步驟4:如圖2所示，設(shè)計(jì)智能汽車驅(qū)動(dòng)控制中第二層神經(jīng)滑模控制器，求出期望發(fā)動(dòng)機(jī)轉(zhuǎn)矩。主要包括：步驟4.1：定義期望發(fā)動(dòng)機(jī)轉(zhuǎn)速ωe,des與實(shí)際發(fā)動(dòng)機(jī)轉(zhuǎn)速ωe之間的控制偏差e12。步驟4.2：定義第二滑模曲面S12＝e12，對(duì)第二滑模曲面S12求時(shí)間導(dǎo)數(shù)，得S·12=ω·e.des-ω·e=ω·e,des-1Je(Te-Tp)]]>步驟4.3：采用等速趨近率，推導(dǎo)出期望發(fā)動(dòng)機(jī)轉(zhuǎn)矩：Te,des=Jeω·e,des+TP(ωe,ωt)+JeK12sgn(S12)]]>步驟4.4：采用神經(jīng)網(wǎng)絡(luò)自適應(yīng)動(dòng)態(tài)調(diào)節(jié)期望發(fā)動(dòng)機(jī)轉(zhuǎn)矩的控制增益系數(shù)K12，設(shè)計(jì)如下步驟4.4.1：將第二滑模曲面S12作為RBF神經(jīng)網(wǎng)絡(luò)的輸入，其輸出作為變結(jié)構(gòu)控制的增益調(diào)節(jié)項(xiàng)，即K12=|w2Th2(S12)|]]>其中，w2為RBF神經(jīng)網(wǎng)絡(luò)的權(quán)值，h2為神經(jīng)網(wǎng)絡(luò)高斯基函數(shù)，如下:h2=exp(||S12-c2||22b22)]]>式中，c2為基函數(shù)的中心，b2為基函數(shù)的寬度。步驟4.4.2:采用隨機(jī)梯度學(xué)習(xí)算法在線調(diào)整神經(jīng)網(wǎng)絡(luò)的加權(quán)值w2、中心值c2和寬度參數(shù)b2。w2(t+1)＝w2(t)+Δw2+α2(w2(t)-w2(t-1))c2(t+1)＝c2(t)+Δc2+α2(c2(t)-c2(t-1))b2(t+1)＝b2(t)+Δb2+α2(b2(t)-b2(t-1))其中Δw2=-η2∂E2∂w2]]>Δc2=-η2∂E2∂c2]]>Δb2=-η2∂E2∂b2]]>其中,E2為性能指標(biāo)函數(shù)，η2為學(xué)習(xí)速率η2∈[0,1]，α2為動(dòng)量因子α2∈[0,1]。步驟5:如圖2所示，設(shè)計(jì)智能汽車驅(qū)動(dòng)控制中第三層神經(jīng)滑?？刂破?，求出期望油門開度。主要包括：步驟5.1：定義期望發(fā)動(dòng)機(jī)輸出轉(zhuǎn)矩Te,des與實(shí)際發(fā)動(dòng)機(jī)輸出轉(zhuǎn)矩Te之間的控制偏差為e13。步驟5.2：定義第三滑模曲面S13＝e13，對(duì)其求時(shí)間導(dǎo)數(shù)，則可得：S·13=T·e,des-T·e=T·e,des-1τe(f(ωe,αth)-Te)]]>步驟5.3：采用等速趨近率，可求出期望油門開度控制律：αth,des=f-1(τeT·e,des+Te+K13sgn(S13),ωe)]]>步驟5.4：采用神經(jīng)網(wǎng)絡(luò)自適應(yīng)動(dòng)態(tài)調(diào)節(jié)期望油門開度的控制增益系數(shù)K13，設(shè)計(jì)如下步驟5.4.1：將第三滑模曲面S13作為RBF神經(jīng)網(wǎng)絡(luò)的輸入，其輸出作為變結(jié)構(gòu)控制的增益調(diào)節(jié)項(xiàng)，即K13＝|w3h3(S13)|其中，w3為RBF神經(jīng)網(wǎng)絡(luò)的權(quán)值，h3為神經(jīng)網(wǎng)絡(luò)高斯基函數(shù)，如下:h3=exp(||S13-c3||22b32)]]>式中，c3為基函數(shù)的中心，b3為基函數(shù)的寬度。步驟5.4.2:采用隨機(jī)梯度學(xué)習(xí)算法在線調(diào)整神經(jīng)網(wǎng)絡(luò)的加權(quán)值w3、中心值c3和寬度參數(shù)b3，如下w3(t+1)＝w3(t)+Δw3+α3(w3(t)-w3(t-1))c3(t+1)＝c3(t)+Δc3+α3(c3(t)-c3(t-1))b3(t+1)＝b3(t)+Δb3+α3(b3(t)-b3(t-1))其中Δw3=-η3∂E3∂w3]]>Δc3=-η3∂E3∂c3]]>Δb3=-η3∂E3∂b3]]>其中,E3為性能指標(biāo)函數(shù)，η3為學(xué)習(xí)速率η3∈[0,1]，α3為動(dòng)量因子α3∈[0,1]。步驟6：如圖3所示，采用神經(jīng)滑?？刂品椒ㄔO(shè)計(jì)智能汽車第一層神經(jīng)滑模制動(dòng)控制器，求出期望制動(dòng)力矩。主要包括：步驟6.1：采用滑?？刂品椒?，求取制動(dòng)力矩等效控制律：步驟6.2:定義制動(dòng)控制4滑模曲面如下S21＝S，變結(jié)構(gòu)控制律設(shè)計(jì)如下：Tb,vs＝K21sgn(S21)且步驟6.3：綜合步驟6.1和步驟6.2，得期望制動(dòng)力矩控制律為：Tb,des＝Tb,eq+Tb,vs步驟6.4:為了消除抖振，采用神經(jīng)網(wǎng)絡(luò)自適應(yīng)動(dòng)態(tài)調(diào)節(jié)控制增益系數(shù)K21，主要步驟如下：步驟6.4.1:將智能汽車縱向第4滑模面S21作為RBF神經(jīng)網(wǎng)絡(luò)的輸入，其輸出作為變結(jié)構(gòu)控制的增益調(diào)節(jié)項(xiàng)，如下K21＝|w4h4(S21)|其中，w4為RBF神經(jīng)網(wǎng)絡(luò)的權(quán)值，h4為神經(jīng)網(wǎng)絡(luò)高斯基函數(shù)，如下:h4=exp(||S21-c4||22b42)]]>式中，c4為基函數(shù)的中心，b4為基函數(shù)的寬度。步驟6.4.2：采用隨機(jī)梯度學(xué)習(xí)算法在線調(diào)整神經(jīng)網(wǎng)絡(luò)的加權(quán)值w4、中心值c4和寬度參數(shù)b4，如下：w4(t+1)＝w4(t)+Δw4+α4(w4(t)-w4(t-1))c4(t+1)＝c4(t)+Δc4+α4(c4(t)-c4(t-1))b4(t+1)＝b4(t)+Δb4+α4(b4(t)-b4(t-1))其中Δw4=-η4∂E4∂w4]]>Δc4=-η4∂E4∂c4]]>Δb4=-η4∂E4∂b4]]>其中，E4為性能指標(biāo)函數(shù)，η4為學(xué)習(xí)速率η4∈[0,1]，α4為動(dòng)量因子α4∈[0,1]。步驟7：如圖3所示，采用神經(jīng)滑?？刂品椒ㄔO(shè)計(jì)智能汽車第二層神經(jīng)滑模制動(dòng)控制器，求出期望制動(dòng)壓力。主要包括：步驟7.1：定義理想制動(dòng)力矩Tb,des和實(shí)際力矩Tb的偏差e22，定義第五滑模曲面，如下：S22＝e22步驟7.2：采用等速趨近律，則期望的制動(dòng)壓力為：Pb=1Kp(τbT·b,des+Tb+τbK22sgn(S22))]]>步驟7.3:為了消除抖振，采用神經(jīng)網(wǎng)絡(luò)自適應(yīng)動(dòng)態(tài)調(diào)節(jié)控制增益系數(shù)K22，主要步驟如下：步驟7.3.1:將智能汽車縱向第五滑模面S22作為RBF神經(jīng)網(wǎng)絡(luò)的輸入，其輸出作為變結(jié)構(gòu)控制的增益調(diào)節(jié)項(xiàng)，如下K22＝|w5h5(S22)|其中，w5為RBF神經(jīng)網(wǎng)絡(luò)的權(quán)值，h5為神經(jīng)網(wǎng)絡(luò)高斯基函數(shù)，如下:h5=exp(||S22-c5||22b52)]]>式中，c5為基函數(shù)的中心，b5為基函數(shù)的寬度。步驟7.3.2：采用隨機(jī)梯度學(xué)習(xí)算法在線調(diào)整神經(jīng)網(wǎng)絡(luò)的加權(quán)值w5、中心值c5和寬度參數(shù)b5，如下：w5(t+1)＝w5(t)+Δw5+α5(w5(t)-w5(t-1))c5(t+1)＝c5(t)+Δc5+α5(c5(t)-c5(t-1))b5(t+1)＝b5(t)+Δb5+α5(b5(t)-b5(t-1))其中Δw5=-η5∂E5∂w5]]>Δc5=-η5∂E5∂c5]]>Δb5=-η5∂E5∂b5]]>其中，E5為性能指標(biāo)函數(shù)，η5為學(xué)習(xí)速率η5∈[0,1]，α5為動(dòng)量因子α5∈[0,1]。步驟8：智能汽車行駛時(shí)，考慮到乘車的可靠性、安全性和舒適性，應(yīng)當(dāng)避免切換油門控制器與制動(dòng)控制器的頻繁切換。設(shè)計(jì)油門控制器和制動(dòng)控制器之間切換邏輯，如下：若Ts(t)＞0并且Tb(t)＞0，則采用油門控制；若Ts(t)＜0和Tb(t)＜0，并且|ev|＞eswitch，則采用制動(dòng)控制；否則，采用零控制。eswitch表示速度偏差闊值。設(shè)計(jì)的切換策略可充分利用發(fā)動(dòng)機(jī)油門開度為零時(shí)提供的負(fù)輸出力矩，有效避免了油門執(zhí)行器和制動(dòng)執(zhí)行器之間的頻繁切換。當(dāng)前第1頁1 2 3