基于神经网络的智能车辆导航路径识别模型.docx

    基于神经网络的智能车辆导航路径识别模型    陈诚摘 要： 传统基于PID的车辆导航路径识别模型，基于精准的数学模型实现智能车辆路径控制，在高速情况下具有较低的鲁棒性，智能控制性能差因此，基于智能车辆运动学模型，设计基于神经网络智能车辆导航路径识别模型结构，通过神经网络对车辆行驶方向进行控制，实现对智能车辆路径导航的控制将多层前馈型神经网络作为基础结构对T?S模糊系统进行模拟，通过多次训练对神经网络的权值实施调控，完成基于神经网络智能车辆导航路径识别模型的设计对识别模型实施训练，降低外界的干扰，提高识别模型的控制精度，实现对智能车辆路径导航的控制实验结果说明，设计的基于神经网络的智能车辆路径导航识别模型控制精度高且鲁棒性较强，智能控制效果佳Key： 神经网络； 智能车辆； 路径导航； 模糊控制； 识别模型； 控制精度； 鲁棒性： TN96?34； TP391.41 ： A ： 1004?373X（2018）11?0124?05Neural network based navigation path recognition model of intelligent vehicleCHEN Cheng（Shanghai Jian Qiao University， Shanghai 201306， China）Abstract： The traditional vehicle navigation path recognition model based on PID， used to realize the intelligent vehicle path control based on precise mathematical model， has low robustness and poor intelligent control performance while driving at a high speed. On the basis of kinematics model of intelligent vehicle， the structure of intelligent vehicle navigation path recognition model based on neural network was designed. The neural network is used to control the driving direction of the vehicle to realize the control of the intelligent vehicle path navigation. The multilayer feed?forward neural network is taken as the basic structure to simulate the T?S fuzzy system. The weight of the neural network is regulated after several trainings to design the neural network based navigation path recognition model of intelligent vehicle. The recognition model is trained to reduce the external interference， improve the control accuracy of the recognition model， and realize the control of the intelligent vehicle path navigation. The experimental results show that the designed intelligent vehicle path navigation recognition model based on neural network has high control accuracy， strong robustness， and perfect intelligent control effect.Keywords： neural network； intelligent vehicle； path navigation； fuzzy control； recognition model； control accuracy； robustness0 引 言当前的智能车辆是智能交通体系发展的关键内容，其在车辆行驶以及军事等领域具有较高的应用价值。

智能车辆能够使得交通事故发生概率降低，交通运输效率增加，促进经济效益的提升智能车辆的导航路径识别是智能车辆控制的关键，可确保车辆自主驾驶的稳定性以及流畅性，具有较高的应用价值[1]传统基于PID的车辆导航路径识别模型，基于精准的数学模型实现智能车辆路径控制，在高速情况下具有较低的鲁棒性，智能控制性能差智能车辆具有较高的动态性以及时延性，受到各种不确定因素的干扰，不能得到精准的数学模型而基于神经网络的智能控制技术很好地解决了PID方法存在的问题，模糊神经网络无需精准数学模型，基于模糊逻辑则可完成驾驶员的经验控制，并且可通过训练学习产生映射规则，实现车辆的智能控制[2]本文设计基于神经网络的智能车辆导航路径识别模型，确保智能车辆可高速、精准地跟踪周期期望路径1 神经网络的智能车辆导航路径识别模型1.1 智能车辆运动学模型本文通过对智能车辆运动路径进行跟踪，从而为智能车辆导航路径模型的设计提供分析基礎，图1为智能车辆路径跟踪示意图将智能车辆的位置坐标表示为[R（x，y，θ）T，][（x，y）]为该智能车辆在世界坐标系下的坐标，[θ]表示智能车辆与[x]轴方向的夹角，[P]点表示智能车辆的位置[R]到车辆运动路线的切点，且[R]点到[P]点的距离用[d]表示，[θr]为车辆运动路线在[P]点处的切向角，[θc]表示方向角的误差角度。

因此将智能车辆运动方程表示为：[x=vcosθy=vsinθθ=ω] （1）式中：[v]代表智能车辆的瞬时线速度；[ω]表示智能车辆的角速度对式（1）进行约束，其约束方程为：[xsinθ-ycosθ=0] （2）将智能车辆的位置[R]当作车辆运动路径的参考资料，当前智能车辆的位置坐标为[Rc=（xc，yc，θc）T]，此时的方向角与参考点方向角间的差值为：[θe=θr-θc] （3）则此时车辆位置与参考点间的距离为：[d=（xr-xc）2+（yr-yc）2] （4）当参考点设置在智能车辆的右侧时，两处距离为正数[D=d]；若参考点在车辆的左侧，距离用负数表示[D=-d]1.2 智能车辆路径导航控制模型结构设计本文基于上述分析的智能车辆动力学模型，基于模糊神经网络设计智能车辆的路径导航控制模型结构，如图2所示智能车辆的路径偏差信息经过图像处理后得到其横向和方位偏差[3]，再将其经过偏差融合得到综合偏差；采用模糊逻辑控制智能车辆的横向偏差，将得到的综合偏差结果作为控制器的输入数据，前轮转角为输出结果通过神经网络对车辆行驶方向进行控制[4]，实现对智能车辆路径导航的控制1.2.1 基于模糊神经网络智能车辆导航路径识别模型设计基于模糊神经网络智能车辆导航路径识别模型设计原理：将多层前馈型神经网络作为基础结构对T?S模糊系统进行模拟，进行多次训练对网络的权值进行调试可对网络运行起到优化的作用。

模糊技术和神经网络的结合使神经网络具有较强的推理和联想能力[5]通过模糊C?均值聚类法从车辆数据中心获取模糊聚类中心，将模糊聚类中心作为规则的前件中心，将给定数据分为[n]种不同的类别，[n]种类别的聚类中心用[cj=（c1j，c2j，c3j）， j=1，2，…，n]表示；产生的[n]条模糊规则格式如下：[If x1 is Al1（x1） and x2 is Al2（x2） then y is yl， l=1，2，…，n] （5）本文采用高斯函数为T?S模糊神经网络的规则前函数，使函数曲线的平滑性较好，表达式如下：[μij（xi）=exp-xi-cijbij2，i=1，2；j=1，2，…，n] （6）式中：[cij]和[bij]分别表示高斯函数的中心和宽度，该中心即为经过模糊C?聚类后的聚类中心本文将输入变量的分割数设为7，即综合偏差被映射到7个模糊子集，最终得到的基于模糊神经网络结构如图3所示，不同层次间完成不同的任务，将任务的结果传递到下一层次第一层是数据输入层，主要接收偏差和偏差变化率，其节点与数据直接相连，可将输入数据进行归一化处理[6]，处理结果被传递到下一层继续处理第二层是隶属函数生成层，负责将输入的数据进行模糊操作，将数据转化为模糊量，即为模糊子集的隶属度，隶属函数就是经过聚类后的高斯函数。

[μij（xi）=exp-xi-cijbij2] （7）式中：[μij]表示变量[i]的第[j]个隶属函数；[x]表示控制器的数据输入值；[c]表示函数中心；[b]为函数的宽度；[i]的取值为1或2，用来表示输入变量的维度；[j]表示神经元的数量第三、四层均为模糊推理层，共同完成隶属函数的优化和模糊规则的构建[7]第三层中的神经元为模糊规则前件，输出结果为规则的权重：[ωl=μAl1（x1）μAl2（x2）] （8）式中：[Al1]和[Al2]为第一条规则中的模糊集合；[μAl1（x1）]为第一条规则中输入量[x1]属于[μ]集合[Al1]的隶属函数归一化处理在第四层，每个神经元输出的结果表示对应规则经归一化操作后的比例[φl=ωlm=1nωm， l=1，2，…，n] （9）第五层表示该模糊神经网络的输出层，对输出结果进行控制输出结果即第四层对应规则归一化操作后比例与神经元权重的乘积，神经元权重表达式为：[βl=kl?A=pl0+pl1x1+pl2x2] （10）式中：[kl=pl0 pl1 pl2T]为模糊规则中的参数；[A=1 x1 x2T]；[βl]为模糊规则的后件部分假设共使用[n]条控制规则，第五层的输出结果也就是最终的智能车辆导航路径控制结果，为：[y=l=1nβlφl] （11）通过模糊C?均值分类和模糊神经网络使模糊神经网络车辆控制器形成49条模糊规则，设第[l]条规则为[Rl]，该规则的表达式为：[Rl： if x1 is Al1 and x2 is Al2，then ul=pl0+pl1x1+pl2x2， l=1，2，…，49] （12）式中[ul]表示第[l]条规则的输出结果。

1.2.2 模糊神经网络智能车辆导航路径识别模型训练從模糊神经网络结构可以看出，智能车辆导航路径识别模型前三层输入层、隐含层和输出层构建出一个前向的网络结构，第四层主要进行神经元的推理[8]驾驶员驾驶智能车辆来收集道路交通数据，驾驶人员行驶车辆过程中每60 ms收集一次[le]，[U]和[v0]的值，将记录结果汇总成一个数据文件该数据收集时间共20 min，驾驶员驾驶智能车辆的导航路径包括直线?曲线?直线或S曲线?直线?S曲线等4条路径将收集到异常的数据进行剔除[9]，得到基于神经网络的智能车辆导航路径识别模型的样本，经驾驶员多次驾驶，得到路径S曲线?直线?S曲线的600组数据，控制器初始学习率为0.3，动量系数为0.9，误差概率为0.1%，经过多次训练得到其隐层的权值[W1]和阈值[B1，]输出层权值[W2]和阈值[B2]采用T?S模式设计模糊神经网络的智能车辆导航路径识别模型的学习效率为5%，将训练样本数据导入神经网络结构中进。