單神經(jīng)元控制算法在智能車控制系統(tǒng)的應用侯一民

1、單神經(jīng)元PID控制算法在智能車控制系統(tǒng)的應用侯一民朱志超(東北電力大學自動化工程學院，吉林吉林132000)摘要針對傳統(tǒng)PID控制算法對智能車的舵機和電機進行控制時，其控制參數(shù)很難隨環(huán)境變化進行自整定，進而影響智能車的運行狀態(tài)的問題，提出單神經(jīng)元PID控制算法，該算法具有參數(shù)自整定能力強、現(xiàn)場調(diào)整參數(shù)少、調(diào)整周期短及穩(wěn)定性好等優(yōu)點。通過對智能車的系統(tǒng)結(jié)構(gòu)和運動學模型進行分析，根據(jù)單神經(jīng)元PID算法的控制策略，進行多種算法的仿真測試并將其

2、應用在實際的智能車控制試驗中。結(jié)果表明:單神經(jīng)元PID控制算法能夠使控制系統(tǒng)以較好的狀態(tài)運行，實現(xiàn)智能車快速穩(wěn)定的自主循跡行駛。關(guān)鍵詞智能車控制系統(tǒng)單神經(jīng)元PID控制算法運動學模型中圖分類號TH862文獻標識碼A文章編號10003932(2015)02013405智能車即無人駕駛車輛，涉及環(huán)境感知、路徑規(guī)劃、駕駛行為智能決策、車輛導航定位及車輛自動控制等技術(shù)領(lǐng)域，作為智能交通系統(tǒng)中許多高新技術(shù)的載體而受到廣泛關(guān)注。對于智能車的研究，控制

3、部分作為最底層和最重要的環(huán)節(jié)，是智能車的核心部分［1］。PID算法作為典型的傳統(tǒng)反饋控制，以結(jié)構(gòu)簡單、魯棒性好及穩(wěn)定性高等優(yōu)點而廣泛應用。肖建文和李永科運用增量型PID控制算法對舵機和電機進行控制，但在環(huán)境變化時，該算法不能及時自整定控制參數(shù)，小車的行駛易受干擾而出現(xiàn)振蕩［2］。針對這一缺點，林煥新等提出了模糊PID控制算法，該方法克服了PID參數(shù)不能自整定的缺點，但模糊控制規(guī)則是根據(jù)研究者的先驗知識和實踐經(jīng)驗確定的，具有不完整和主觀性

4、強的缺點［3］。黃志強提出了分段PID控制算法，該算法需對路徑進行分段，降低了控制器的運行速度，從而影響小車的行駛速度［4］。為此，筆者嘗試將具有自學習、魯棒性強及不需建立具體的數(shù)學模型等優(yōu)點的單神經(jīng)元算法與經(jīng)典PID算法相結(jié)合實現(xiàn)對智能車的控制。1智能車硬件結(jié)構(gòu)①智能車能否平穩(wěn)快速行駛，取決于小車系統(tǒng)的路徑識別、判斷及反應能力等，這都與小車的硬件系統(tǒng)有關(guān)，因此設(shè)計時要充分考慮其合理性。智能車硬件整體結(jié)構(gòu)如圖1所示。圖1智能車硬件整體結(jié)

5、構(gòu)框圖由壽命長、污染小的額定電壓為72V的鎳鎘充電電池為智能車各系統(tǒng)提供特定電源，以MK60DN512ZALQ10單片機為控制核心［5］，經(jīng)線陣CCD鏡頭采集的賽道信息成像在感光元件上，量化后得到128個電壓值，經(jīng)運算放大器傳給單片機的AD轉(zhuǎn)換器，并進行圖像處理，將結(jié)果傳給控制器，輸出結(jié)果:a經(jīng)單片機FTM模塊產(chǎn)生方波，傳給BTN7960模塊，根據(jù)輸入的占空比控制輸出電壓，進而控制電機轉(zhuǎn)速，最終的控制目的是使智能車以最快的速度沿賽道中心

6、線穩(wěn)定運行b單片機FTMPW模塊產(chǎn)生PWM方波，方波的脈寬決定了舵機的輸出轉(zhuǎn)角，用于控制車輪沿賽道中心線行駛，最終的控制目的是使智能車能夠做半圓周運動，即駛過彎道。431化工自動化及儀表第42卷①收稿日期:20141204(修改稿)基金項目:國家自然科學基金資助項目(60662003)吉林省“十二五”科研規(guī)劃項目(［2011］80)吉林市科技計劃項目(2013625007)宜在線實時整定參數(shù)，難以對一些過程復雜、參數(shù)時變、非線性和強耦合

7、系統(tǒng)進行有效控制的不足。31單神經(jīng)元數(shù)學模型單神經(jīng)元的結(jié)構(gòu)示意如圖3所示。圖3神經(jīng)元數(shù)學模型結(jié)構(gòu)神經(jīng)元的數(shù)學模型［7］如下:u=K∑ni=1ωi(t)xi(t)－θ(9)式中u———神經(jīng)元外部狀態(tài)輸出值xi(t)———t時刻單神經(jīng)元的外部狀態(tài)輸入信號，即t時刻智能車的行駛方向和道路中心線間的距離偏差ωi(t)———t時刻神經(jīng)元外部輸入信號xi(t)的權(quán)值系數(shù)θ———神經(jīng)元狀態(tài)閾值。32單神經(jīng)元PID控制器單神經(jīng)元PID控制器的結(jié)構(gòu)框圖［

8、8］如圖4所示。圖4單神經(jīng)元PID控制器結(jié)構(gòu)取n=3、θ=0，則單神經(jīng)元PID的外部狀態(tài)輸入即t、t－1和t－2時刻智能車的行駛方向和道路中心線間的距離偏差分別為:x1(t)=Ｒ(t)－y=e(t)(10)x2(t)=e(t)－e(t－1)(11)x3(t)=e(t)－2e(t－1)e(t－2)(12)單神經(jīng)元PID的狀態(tài)輸出為:Δu(t)=u(t)－u(t－1)=K∑3i=1ωi(t)xi(t)－θ(13)由式(11)～(13)知，式

9、(14)～(16)具有按偏差的比例、積分和微分輸入項，故ωi(t)可以看作是增量式PID的比例、積分和微分系數(shù):ω1(t)=ω1(t－1)ηiz(t)u(t)x1(t)(14)ω2(t)=ω2(t－1)ηpz(t)u(t)x2(t)(15)ω3(t)=ω3(t－1)ηdz(t)u(t)x3(t)(16)其中，K為神經(jīng)元比例系數(shù)，K的大小決定系統(tǒng)的快速性，但過大會使系統(tǒng)的超調(diào)量加大引起系統(tǒng)不穩(wěn)定，過小會使快速性變差，因此K值的選取要適中η

10、p、ηi、ηd分別為比例、積分和微分學習速率z(t)為性能指標或神經(jīng)元遞推信號，z(t)=e(t)。33單神經(jīng)元PID控制器的參數(shù)整定對于學習速率ηp、ηi和ηd的整定，可先取較小值。如果此時過程從超調(diào)趨向平穩(wěn)的時間偏長，可適當?shù)卦黾应莗和ηd反之則減小。如果響應特性出現(xiàn)上升時間短、超調(diào)過大的現(xiàn)象，應減小ηp反之增大。權(quán)值系數(shù)ωi(t)的整定，采用有監(jiān)督的Hebb學習規(guī)則［9］，學習規(guī)則又是通過計算算法來實現(xiàn)的。有監(jiān)督的Hebb學習規(guī)則

11、如下:a選定權(quán)值系數(shù)ωi(t)的初值為ωi(0)b由式(14)～(16)求得xi(t)c由式(10)～(13)求得狀態(tài)輸出Δu(t)=K∑3i=1ωi(0)xi(t)d計算ye調(diào)整ωi(t)，若實際輸出與設(shè)定值相符，ωi(t)穩(wěn)定不變否則返回步驟b，直到ωi(t)達到設(shè)定值。有監(jiān)督的Hebb學習算法如下:u(t)=u(t－1)K∑3i=1ωi(t)xi(t)(17)ωi(t)=ωi(t)∑3i=1|ωi(t)|(18)ωi(t)=ωi(

12、t－1)ηie(t)u(t)xi(t)(19)4仿真與結(jié)果分析41Matlab仿真結(jié)果對比對于單神經(jīng)元PID控制算法，不需要建立受控對象的精確數(shù)學模型，可由系統(tǒng)偏差來調(diào)整控制量，從而使系統(tǒng)達到期望輸出，對于PID和模糊PID控制算法所建立的傳遞函數(shù)［10］為:ω(s)=388s250s404(20)取舵機的周期為0200ms，經(jīng)測試，智能車的單片機FTMPW模塊產(chǎn)生PWM方波的脈寬為0005～0025ms，對應舵機的輸出轉(zhuǎn)角為0～180