无人驾驶汽车RBF神经网络滑模横向控制策略

为了加强无人驾驶汽车横向运动控制,提出了一种优化型径向基函数(RBF)神经网络的滑模控制策略。根据视觉导航无人驾驶汽车单点预瞄模型与车辆二自由度模型得出横向运动状态方程,在滑模控制的基础上,采用RBF神经网络在线拟合滑模变结构的切换控制量,并基于改进的粒子群算法优化网络结构,使其快速达到滑模面,减小抖振。基于MATLAB/CarSim联合仿真平台,对建立的无人驾驶汽车横向运动状态模型及提出的控制策略进行不同工况下的仿真验证;基于AD 5435建立无人驾驶汽车快速原型开发平台,完成实车试验。结果表明:基于优化的RBF神经网络滑模横向控制策略能精确实现对车辆横向运动的控制,一定程度上减小了系统建模不确定性带来的影响,能有效抑制方向盘转角的抖振,将横向距离偏差与航向角偏差控制在一定范围内,可靠跟踪期望路径;车辆等速循迹行驶试验时,提出的控制策略的方向盘转角试验结果与仿真结果最大相对误差为5.8%,横向偏差的最大相对误差为6.2%,航向角偏差的最大相对误差为5.4%,试验结果与仿真结果一致性较好;Alt 3from FHWA仿真行驶工况下,相比于传统滑模控制策略,提出控制策略下的最大横向距离偏差误差和航向角偏差误差分别降低了90.8%和67.6%,双移线工况下误差分别降低了63.4%和69.9%,蛇形工况下误差分别降低了54.4%和39.6%。