陳誠

摘 要： 傳統(tǒng)基于PID的車輛導航路徑識別模型，基于精準的數(shù)學模型實現(xiàn)智能車輛路徑控制，在高速情況下具有較低的魯棒性，智能控制性能差。因此，基于智能車輛運動學模型，設計基于神經(jīng)網(wǎng)絡智能車輛導航路徑識別模型結構，通過神經(jīng)網(wǎng)絡對車輛行駛方向進行控制，實現(xiàn)對智能車輛路徑導航的控制。將多層前饋型神經(jīng)網(wǎng)絡作為基礎結構對T?S模糊系統(tǒng)進行模擬，通過多次訓練對神經(jīng)網(wǎng)絡的權值實施調(diào)控，完成基于神經(jīng)網(wǎng)絡智能車輛導航路徑識別模型的設計。對識別模型實施訓練，降低外界的干擾，提高識別模型的控制精度，實現(xiàn)對智能車輛路徑導航的控制。實驗結果說明，設計的基于神經(jīng)網(wǎng)絡的智能車輛路徑導航識別模型控制精度高且魯棒性較強，智能控制效果佳。

關鍵詞： 神經(jīng)網(wǎng)絡； 智能車輛； 路徑導航； 模糊控制； 識別模型； 控制精度； 魯棒性

中圖分類號： TN96?34； TP391.41 文獻標識碼： A 文章編號： 1004?373X（2018）11?0124?05

Neural network based navigation path recognition model of intelligent vehicle

CHEN 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； robustness

0 引 言

當前的智能車輛是智能交通體系發(fā)展的關鍵內(nèi)容，其在車輛行駛以及軍事等領域具有較高的應用價值。智能車輛能夠使得交通事故發(fā)生概率降低，交通運輸效率增加，促進經(jīng)濟效益的提升。智能車輛的導航路徑識別是智能車輛控制的關鍵，可確保車輛自主駕駛的穩(wěn)定性以及流暢性，具有較高的應用價值[1]。傳統(tǒng)基于PID的車輛導航路徑識別模型，基于精準的數(shù)學模型實現(xiàn)智能車輛路徑控制，在高速情況下具有較低的魯棒性，智能控制性能差。

智能車輛具有較高的動態(tài)性以及時延性，受到各種不確定因素的干擾，不能得到精準的數(shù)學模型。而基于神經(jīng)網(wǎng)絡的智能控制技術很好地解決了PID方法存在的問題，模糊神經(jīng)網(wǎng)絡無需精準數(shù)學模型，基于模糊邏輯則可完成駕駛員的經(jīng)驗控制，并且可通過訓練學習產(chǎn)生映射規(guī)則，實現(xiàn)車輛的智能控制[2]。本文設計基于神經(jīng)網(wǎng)絡的智能車輛導航路徑識別模型，確保智能車輛可高速、精準地跟蹤周期期望路徑。

1 神經(jīng)網(wǎng)絡的智能車輛導航路徑識別模型

1.1 智能車輛運動學模型

本文通過對智能車輛運動路徑進行跟蹤，從而為智能車輛導航路徑模型的設計提供分析基礎，圖1為智能車輛路徑跟蹤示意圖。

將智能車輛的位置坐標表示為[R（x，y，θ）T，][（x，y）]為該智能車輛在世界坐標系下的坐標，[θ]表示智能車輛與[x]軸方向的夾角，[P]點表示智能車輛的位置[R]到車輛運動路線的切點，且[R]點到[P]點的距離用[d]表示，[θr]為車輛運動路線在[P]點處的切向角，[θc]表示方向角的誤差角度。因此將智能車輛運動方程表示為：

[x=vcosθy=vsinθθ=ω] （1）

式中：[v]代表智能車輛的瞬時線速度；[ω]表示智能車輛的角速度。

對式（1）進行約束，其約束方程為：

[xsinθ-ycosθ=0] （2）

將智能車輛的位置[R]當作車輛運動路徑的參考資料，當前智能車輛的位置坐標為[Rc=（xc，yc，θc）T]，此時的方向角與參考點方向角間的差值為：

[θe=θr-θc] （3）

則此時車輛位置與參考點間的距離為：

[d=（xr-xc）2+（yr-yc）2] （4）

當參考點設置在智能車輛的右側時，兩處距離為正數(shù)[D=d]；若參考點在車輛的左側，距離用負數(shù)表示[D=-d]。

1.2 智能車輛路徑導航控制模型結構設計

本文基于上述分析的智能車輛動力學模型，基于模糊神經(jīng)網(wǎng)絡設計智能車輛的路徑導航控制模型結構，如圖2所示。智能車輛的路徑偏差信息經(jīng)過圖像處理后得到其橫向和方位偏差[3]，再將其經(jīng)過偏差融合得到綜合偏差；采用模糊邏輯控制智能車輛的橫向偏差，將得到的綜合偏差結果作為控制器的輸入數(shù)據(jù)，前輪轉角為輸出結果。通過神經(jīng)網(wǎng)絡對車輛行駛方向進行控制[4]，實現(xiàn)對智能車輛路徑導航的控制。

1.2.1 基于模糊神經(jīng)網(wǎng)絡智能車輛導航路徑識別模型設計

基于模糊神經(jīng)網(wǎng)絡智能車輛導航路徑識別模型設計原理：將多層前饋型神經(jīng)網(wǎng)絡作為基礎結構對T?S模糊系統(tǒng)進行模擬，進行多次訓練對網(wǎng)絡的權值進行調(diào)試可對網(wǎng)絡運行起到優(yōu)化的作用。模糊技術和神經(jīng)網(wǎng)絡的結合使神經(jīng)網(wǎng)絡具有較強的推理和聯(lián)想能力[5]。通過模糊C?均值聚類法從車輛數(shù)據(jù)中心獲取模糊聚類中心，將模糊聚類中心作為規(guī)則的前件中心，將給定數(shù)據(jù)分為[n]種不同的類別，[n]種類別的聚類中心用[cj=（c1j，c2j，c3j）， j=1，2，…，n]表示；產(chǎn)生的[n]條模糊規(guī)則格式如下：

[If x1 is Al1（x1） and x2 is Al2（x2） then y is yl， l=1，2，…，n] （5）

本文采用高斯函數(shù)為T?S模糊神經(jīng)網(wǎng)絡的規(guī)則前函數(shù)，使函數(shù)曲線的平滑性較好，表達式如下：

[μij（xi）=exp-xi-cijbij2，i=1，2；j=1，2，…，n] （6）

式中：[cij]和[bij]分別表示高斯函數(shù)的中心和寬度，該中心即為經(jīng)過模糊C?聚類后的聚類中心。本文將輸入變量的分割數(shù)設為7，即綜合偏差被映射到7個模糊子集，最終得到的基于模糊神經(jīng)網(wǎng)絡結構如圖3所示，不同層次間完成不同的任務，將任務的結果傳遞到下一層次。

第一層是數(shù)據(jù)輸入層，主要接收偏差和偏差變化率，其節(jié)點與數(shù)據(jù)直接相連，可將輸入數(shù)據(jù)進行歸一化處理[6]，處理結果被傳遞到下一層繼續(xù)處理。第二層是隸屬函數(shù)生成層，負責將輸入的數(shù)據(jù)進行模糊操作，將數(shù)據(jù)轉化為模糊量，即為模糊子集的隸屬度，隸屬函數(shù)就是經(jīng)過聚類后的高斯函數(shù)。

[μij（xi）=exp-xi-cijbij2] （7）

式中：[μij]表示變量[i]的第[j]個隸屬函數(shù)；[x]表示控制器的數(shù)據(jù)輸入值；[c]表示函數(shù)中心；[b]為函數(shù)的寬度；[i]的取值為1或2，用來表示輸入變量的維度；[j]表示神經(jīng)元的數(shù)量。

第三、四層均為模糊推理層，共同完成隸屬函數(shù)的優(yōu)化和模糊規(guī)則的構建[7]。第三層中的神經(jīng)元為模糊規(guī)則前件，輸出結果為規(guī)則的權重：

[ωl=μAl1（x1）μAl2（x2）] （8）

式中：[Al1]和[Al2]為第一條規(guī)則中的模糊集合；[μAl1（x1）]為第一條規(guī)則中輸入量[x1]屬于[μ]集合[Al1]的隸屬函數(shù)。歸一化處理在第四層，每個神經(jīng)元輸出的結果表示對應規(guī)則經(jīng)歸一化操作后的比例。

[φl=ωlm=1nωm， l=1，2，…，n] （9）

第五層表示該模糊神經(jīng)網(wǎng)絡的輸出層，對輸出結果進行控制。輸出結果即第四層對應規(guī)則歸一化操作后比例與神經(jīng)元權重的乘積，神經(jīng)元權重表達式為：

[βl=kl?A=pl0+pl1x1+pl2x2] （10）

式中：[kl=pl0 pl1 pl2T]為模糊規(guī)則中的參數(shù)；[A=1 x1 x2T]；[βl]為模糊規(guī)則的后件部分。

假設共使用[n]條控制規(guī)則，第五層的輸出結果也就是最終的智能車輛導航路徑控制結果，為：

[y=l=1nβlφl] （11）

通過模糊C?均值分類和模糊神經(jīng)網(wǎng)絡使模糊神經(jīng)網(wǎng)絡車輛控制器形成49條模糊規(guī)則，設第[l]條規(guī)則為[Rl]，該規(guī)則的表達式為：

[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]條規(guī)則的輸出結果。

1.2.2 模糊神經(jīng)網(wǎng)絡智能車輛導航路徑識別模型訓練

從模糊神經(jīng)網(wǎng)絡結構可以看出，智能車輛導航路徑識別模型前三層輸入層、隱含層和輸出層構建出一個前向的網(wǎng)絡結構，第四層主要進行神經(jīng)元的推理[8]。駕駛員駕駛智能車輛來收集道路交通數(shù)據(jù)，駕駛人員行駛車輛過程中每60 ms收集一次[le]，[U]和[v0]的值，將記錄結果匯總成一個數(shù)據(jù)文件。該數(shù)據(jù)收集時間共20 min，駕駛員駕駛智能車輛的導航路徑包括直線?曲線?直線或S曲線?直線?S曲線等4條路徑。將收集到異常的數(shù)據(jù)進行剔除[9]，得到基于神經(jīng)網(wǎng)絡的智能車輛導航路徑識別模型的樣本，經(jīng)駕駛員多次駕駛，得到路徑S曲線?直線?S曲線的600組數(shù)據(jù)，控制器初始學習率為0.3，動量系數(shù)為0.9，誤差概率為0.1%，經(jīng)過多次訓練得到其隱層的權值[W1]和閾值[B1，]輸出層權值[W2]和閾值[B2。]采用T?S模式設計模糊神經(jīng)網(wǎng)絡的智能車輛導航路徑識別模型的學習效率為5%，將訓練樣本數(shù)據(jù)導入神經(jīng)網(wǎng)絡結構中進行離線訓練，訓練結束后訓練樣本具有記憶功能，離線訓練能對訓練樣本進行模糊參數(shù)的調(diào)整[10]，使模糊的神經(jīng)網(wǎng)絡高效地模擬輸入與輸出的關系，降低外界的干擾，提高智能車輛導航路徑識別模型的控制精度。

2 實驗結果與分析

實驗采用本文設計的基于神經(jīng)網(wǎng)絡的智能車輛導航路徑識別模型，對某類型智能車輛實施控制。該識別模型以1 m/s的速度分別對智能車輛進行直線路徑和圓形路徑導航，實施Matlab仿真，原始樣本數(shù)據(jù)通過駕駛智能車輛獲取。假設實驗跟蹤的數(shù)據(jù)在20個樣本內(nèi)均能采集到精確的數(shù)據(jù)，直線上運動角速度為0 （°）/s，圓形上運動角速度為12.264 （°）/s。對20個樣本進行實驗仿真，訓練1 000次。表1和表2分別為本文識別模型對實驗智能車輛直線和圓形的路徑導航跟蹤數(shù)據(jù)。

表1和表2中，[θ]表示方向角誤差，[D]表示距離誤差，[ω]表示角速度誤差。從表1和表2對直線和圓形路徑導航跟蹤結果可以看出，經(jīng)過本文模型的模糊神經(jīng)網(wǎng)絡訓練后，車輛角速度變得更平穩(wěn)，收斂度更高且魯棒性強。

圖4為采用本文識別模型控制后智能車輛路徑導航中的運動軌跡誤差，從圖4中可以看出，運動軌跡的誤差在0.5 m之內(nèi)，表明本文模型的精度較高，能夠?qū)崿F(xiàn)智能車輛路徑導航的準確識別。從圖中還能看出波動較高的峰值都處在道路曲率較高且相對波動率較高的位置，同實際的駕駛經(jīng)驗一致。

為了對本文識別模型的工作效果進行測試，設計基于本文識別模型的智能車輛路徑導航實驗，智能車輛的行駛路徑有直線、曲線和S型三種。曲線路徑要求偏向角在15°以內(nèi)，圖5為基于本文識別模型控制下的智能車輛在曲線上的導航曲線，實驗環(huán)境為普通的柏油馬路，采用IPC?6809工控機，內(nèi)存為256 MB，CCD使用德國生產(chǎn)的BASLERA602fc，智能車輛的啟動速度為10 km/h，最大限速為20 km/h。從圖5中可以看出，車輛運動路線為曲線時其側向偏差和方向偏差為負相關，其偏差范圍在10 cm之內(nèi)，符合智能車輛導航控制器的要求，說明本文識別模型工作效果優(yōu)，可對智能車輛進行高質(zhì)量導航控制。

3 結 論

本文設計基于神經(jīng)網(wǎng)絡的智能車輛導航路徑識別模型，通過模糊神經(jīng)網(wǎng)絡實現(xiàn)智能車輛路徑的經(jīng)驗控制，對識別模型實施訓練提高了模型的控制精度，實現(xiàn)智能車輛路徑的高精度控制。

參考文獻

[1] 倪捷，劉志強.基于駕駛人決策機制的換道意圖識別模型[J].交通運輸系統(tǒng)工程與信息，2016，16（1）：58?63.

NI Jie， LIU Zhiqiang. The model of lane change based on driver decision?making mechanism [J]. Transportation system enginee?ring and information， 2016， 16（1）： 58?63.

[2] 周青，鄒凡.基于神經(jīng)網(wǎng)絡的產(chǎn)業(yè)技術創(chuàng)新戰(zhàn)略聯(lián)盟沖突識別模型[J].技術經(jīng)濟，2016，35（4）：44?51.

ZHOU Qing， ZOU Fan. Conflict identification model of industrial technology innovation strategy alliance based on neural network [J]. Technology economy， 2016， 35（4）： 44?51.

[3] 劉占文，趙祥模，李強，等.基于圖模型與卷積神經(jīng)網(wǎng)絡的交通標志識別方法[J].交通運輸工程學報，2016，16（5）：122?131.

LIU Zhanwen， ZHAO Xiangmo， LI Qiang， et al. Method of identification of traffic signs based on graph model and convolution neural network [J]. Journal of transport engineering， 2016， 16（5）： 122?131.

[4] 要會娟，浮潔，張麗香.基于神經(jīng)網(wǎng)絡的磁流變阻尼器逆向模型辨識研究[J].計算機仿真，2015，32（12）：408?412.

YAO Huijuan， FU Jie， ZHANG Lixiang. Research on the reverse model identification of magnetorheological dampers based on neural network [J]. Computer simulation， 2015， 32（12）： 408?412.

[5] 鄧召學，鄭玲，郭敏敏，等.基于遺傳BP神經(jīng)網(wǎng)絡的磁流變懸置模型辨識[J].電子科技大學學報，2014，43（6）：955?960.

DENG Zhaoxue， ZHENG Ling， GUO Minmin， et al. Identification of magnetorheological suspension model based on genetic BP neural network [J]. Journal of University of Electronic Science and Technology of China， 2014， 43（6）： 955?960.

[6] 孟祥海，覃薇，鄧曉慶.基于神經(jīng)網(wǎng)絡的山嶺重丘區(qū)高速公路事故預測模型[J].公路交通科技，2016，33（3）：102?108.

MENG Xianghai， QIN Wei， DENG Xiaoqing. Highway accident prediction model in mountain ridge area based on neural network [J]. Highway traffic technology， 2016， 33（3）： 102?108.

[7] 林文如，陳騰林，林國福.基于改進神經(jīng)網(wǎng)絡的非滿載車輛路線優(yōu)化模型[J].計算機工程與應用，2015，51（16）：239?242.

LIN Wenru， CHEN Tenglin， LIN Guofu. Vehicle route optimization model based on improvement neural network [J]. Computer engineering and applications， 2015， 51（16）： 239?242.

[8] 諸云，高寧波，鄭麗媛.基于神經(jīng)網(wǎng)絡的經(jīng)濟圈道路交通安全綜合測度模型[J].中國安全科學學報，2015，25（10）：22?28.

ZHU Yun， GAO Ningbo， ZHENG Liyuan. A comprehensive measurement model of road traffic safety based on neural networks [J]. China journal of security science， 2015， 25（10）： 22?28.

[9] 蔣士正，許榕，陳啟美.基于變量選擇?神經(jīng)網(wǎng)絡模型的復雜路網(wǎng)短時交通流預測[J].上海交通大學學報，2015，49（2）：281?286.

JIANG Shizheng， XU Rong， CHEN Qimei. Short?term traffic flow prediction for complex road network based on variable selection neural network [J]. Journal of Shanghai Jiao Tong University， 2015， 49（2）： 281?286.

[10] 張萌，婁勝利，丁亮.基于反向傳播神經(jīng)網(wǎng)絡的駕駛人人際與情緒危險性模型[J].公路交通科技，2015，32（1）：140?144.

ZHANG Meng， LOU Shengli， DING Liang. The driver′s interpersonal and emotional risk model based on back?propagation neural network [J]. Highway traffic technology， 2015， 32（1）： 140?144.