神经网络在无人驾驶车辆运动控制中的应用综述

工程科学学报 Chinese Journal of Engineering 神经网络在无人驾驶车辆运动控制中的应用综述 张守武王恒陈鹏张笑语李擎 Overview of the application of neural networks in the motion control of unmanned vehicles ZHANG Shou-wu,WANG Heng.CHEN Peng.ZHANG Xiao-yu,LI Qing 引用本文： 张守武，王恒，陈鹏，张笑语，李擎.神经网络在无人驾驶车辆运动控制中的应用综述.工程科学学报，2022,44(2：235- 243.doi:10.13374j.issn2095-9389.2021.04.23.001 ZHANG Shou-wu,WANG Heng.CHEN Peng,ZHANG Xiao-yu,LI Qing.Overview of the application of neural networks in the motion control of unmanned vehicles[J].Chinese Journal of Engineering,2022,44(2):235-243.doi:10.13374/j.issn2095- 9389.2021.04.23.001 在线阅读View online:https::/oi.org10.13374.issn2095-9389.2021.04.23.001 您可能感兴趣的其他文章 Articles you may be interested in 无人直升机自抗扰自适应轨迹跟踪混合控制 Trajectory-tracking hybrid controller based on ADRC and adaptive control for unmanned helicopters 工程科学学报.2017,39(11)：1743htps:ldoi.org/10.13374.issn2095-9389.2017.11.018 无人驾驶车辆路径跟踪控制研究现状 Current status of path tracking control of unmanned driving vehicles 工程科学学报.2021,43(4：475 https::/1doi.org/10.13374斩.issn2095-9389.2020.11.12.003 基于集成神经网络的剩余寿命预测 Remaining useful life prediction based on an integrated neural network 工程科学学报.2020.42(10：1372htps:/doi.org10.13374.issn2095-9389.2019.10.10.005 多模型自适应控制理论及应用 Survey of multi-model adaptive control theory and its applications 工程科学学报.2020,42(2：135 https::1doi.org/10.13374.issn2095-9389.2019.02.25.006 含有自校正模型的加权多模型自适应控制 Weighted multiple model adaptive control with self-tuning model 工程科学学报.2018,4011)：1389htps:/doi.org10.13374.issn2095-9389.2018.11.013 具有状态约束与输入饱和的全向移动机器人自适应跟踪控制 Adaptive tracking control for omnidirectional mobile robots with full-state constraints and input saturation 工程科学学报.2019,41(9%：1176htps:/1doi.org/10.13374j.issn2095-9389.2019.09.009

神经网络在无人驾驶车辆运动控制中的应用综述 张守武 王恒 陈鹏 张笑语 李擎 Overview of the application of neural networks in the motion control of unmanned vehicles ZHANG Shou-wu, WANG Heng, CHEN Peng, ZHANG Xiao-yu, LI Qing 引用本文: 张守武, 王恒, 陈鹏, 张笑语, 李擎. 神经网络在无人驾驶车辆运动控制中的应用综述[J]. 工程科学学报, 2022, 44(2): 235- 243. doi: 10.13374/j.issn2095-9389.2021.04.23.001 ZHANG Shou-wu, WANG Heng, CHEN Peng, ZHANG Xiao-yu, LI Qing. Overview of the application of neural networks in the motion control of unmanned vehicles[J]. Chinese Journal of Engineering, 2022, 44(2): 235-243. doi: 10.13374/j.issn2095- 9389.2021.04.23.001 在线阅读 View online: https://doi.org/10.13374/j.issn2095-9389.2021.04.23.001 您可能感兴趣的其他文章 Articles you may be interested in 无人直升机自抗扰自适应轨迹跟踪混合控制 Trajectory-tracking hybrid controller based on ADRC and adaptive control for unmanned helicopters 工程科学学报. 2017, 39(11): 1743 https://doi.org/10.13374/j.issn2095-9389.2017.11.018 无人驾驶车辆路径跟踪控制研究现状 Current status of path tracking control of unmanned driving vehicles 工程科学学报. 2021, 43(4): 475 https://doi.org/10.13374/j.issn2095-9389.2020.11.12.003 基于集成神经网络的剩余寿命预测 Remaining useful life prediction based on an integrated neural network 工程科学学报. 2020, 42(10): 1372 https://doi.org/10.13374/j.issn2095-9389.2019.10.10.005 多模型自适应控制理论及应用 Survey of multi-model adaptive control theory and its applications 工程科学学报. 2020, 42(2): 135 https://doi.org/10.13374/j.issn2095-9389.2019.02.25.006 含有自校正模型的加权多模型自适应控制 Weighted multiple model adaptive control with self-tuning model 工程科学学报. 2018, 40(11): 1389 https://doi.org/10.13374/j.issn2095-9389.2018.11.013 具有状态约束与输入饱和的全向移动机器人自适应跟踪控制 Adaptive tracking control for omnidirectional mobile robots with full-state constraints and input saturation 工程科学学报. 2019, 41(9): 1176 https://doi.org/10.13374/j.issn2095-9389.2019.09.009

工程科学学报.第44卷，第2期：235-243.2022年2月 Chinese Journal of Engineering,Vol.44,No.2:235-243,February 2022 https://doi.org/10.13374/j.issn2095-9389.2021.04.23.001;http://cje.ustb.edu.cn 神经网络在无人驾驶车辆运动控制中的应用综述 张守武2)，王恒)，陈鹏，张笑语)，李擎1，)区 1)北京科技大学自动化学院，北京1000832)北京城市学院信息学部，北京1000833)工业过程知识自动化教育部重点实验室，北京 100083 区通信作者，E-mail:liqing@ies.ustb.edu.cn 摘要无人驾驶车辆自身具有强烈的非线性、信号时延和参数不确定性，对它的控制还受到道路附着系数的变化、侧向风 等外界因素影响.因此传统控制方法往往难以对其稳定和精确地控制.神经网络所具有的学习能力、自适应能力和近似非线 性映射的能力，为解决车辆模型参数的不确定性、外界的扰动以及车辆自适应控制问题提供了有效的途径.针对上述几个方 面，对近几年国内外学者将神经网络应用到无人驾驶车辆运动控制中所取得的成果与进展进行了归纳分类，分别介绍了应用 情况并对优缺点进行评价.最后总结了神经网络在无人驾驶车辆运动控制中存在的主要问题，并展望了可能的发展方向. 关键词神经网络：非线性系统：自适应控制：稳定性：无人驾驶车辆 分类号TP183 Overview of the application of neural networks in the motion control of unmanned vehicles ZHANG Shou-wu2,WANG Heng CHEN Peng,ZHANG Xiao-yu,LI Qing 1)School of Automation and Electrical Engineering.University of Science and Technology Beijing,Beijing 100083,China 2)School of Information Science and Engineering,Beijing City University,Beijing 100083,China 3)Key Laboratory of Knowledge Automation for Industrial Processes,Ministry of Education,Beijing 100083,China Corresponding author,E-mail:liqing @ies.ustb.edu.cn ABSTRACT This paper aims to introduce the application of neural networks in the motion control of unmanned vehicles in recent years.With the breakthrough of computer,robot control,and sensing technology,the development of unmanned vehicles has entered a stage of rapid development.It can reduce driver mistakes,bring convenience to the daily travel of humans,and it is widely used in the military and dangerous fields.However,the unmanned vehicle itself has strong nonlinearity,signal delay,and parameter uncertainty and its control is affected by external factors such as the change of road adhesion coefficient and lateral wind.Therefore,traditional control methods often face challenges in controlling the vehicle stably and accurately.The learning.adaptive,and approximate nonlinear mapping abilities of neural networks provide an effective way to solve the problems of vehicle model parameter uncertainty change, external disturbance,and vehicle adaptive control.Therefore,it is increasingly applied to the motion control of unmanned vehicles.The self-learning and adaptive ability of neural networks enable them to calculate the direct output control quantity according to the state deviation of the vehicle,which can be used as the controller of the unmanned vehicle.The ability of the neural networks to approach a nonlinear mapping makes it possible to approach the unknown dynamic parts of the vehicle,such as the uncertain parameters and external disturbances,which improves the accuracy and robustness of the controller design.The neural networks can remember previous 收稿日期：2021-04-23 基金项目：国家自然科学基金资助项目(61673098.61603034)：北京市自然科学基金资助项目(3182027)：中央高校基本科研业务费资助项 目(FRF-GF-17-B44)

神经网络在无人驾驶车辆运动控制中的应用综述 张守武1,2)，王    恒1,3)，陈    鹏1)，张笑语1)，李    擎1,3) 苣 1) 北京科技大学自动化学院，北京 100083    2) 北京城市学院信息学部，北京 100083    3) 工业过程知识自动化教育部重点实验室，北京 100083 苣通信作者， E-mail：liqing@ies.ustb.edu.cn 摘    要    无人驾驶车辆自身具有强烈的非线性、信号时延和参数不确定性，对它的控制还受到道路附着系数的变化、侧向风 等外界因素影响. 因此传统控制方法往往难以对其稳定和精确地控制. 神经网络所具有的学习能力、自适应能力和近似非线 性映射的能力，为解决车辆模型参数的不确定性、外界的扰动以及车辆自适应控制问题提供了有效的途径. 针对上述几个方 面，对近几年国内外学者将神经网络应用到无人驾驶车辆运动控制中所取得的成果与进展进行了归纳分类，分别介绍了应用 情况并对优缺点进行评价. 最后总结了神经网络在无人驾驶车辆运动控制中存在的主要问题，并展望了可能的发展方向. 关键词    神经网络；非线性系统；自适应控制；稳定性；无人驾驶车辆 分类号    TP183 Overview  of  the  application  of  neural  networks  in  the  motion  control  of  unmanned vehicles ZHANG Shou-wu1,2) ，WANG Heng1,3) ，CHEN Peng1) ，ZHANG Xiao-yu1) ，LI Qing1,3) 苣 1) School of Automation and Electrical Engineering, University of Science and Technology Beijing, Beijing 100083, China 2) School of Information Science and Engineering, Beijing City University, Beijing 100083, China 3) Key Laboratory of Knowledge Automation for Industrial Processes, Ministry of Education, Beijing 100083, China 苣 Corresponding author, E-mail: liqing@ies.ustb.edu.cn ABSTRACT    This paper aims to introduce the application of neural networks in the motion control of unmanned vehicles in recent years. With the breakthrough of computer, robot control, and sensing technology, the development of unmanned vehicles has entered a stage of rapid development. It can reduce driver mistakes, bring convenience to the daily travel of humans, and it is widely used in the military and dangerous fields. However, the unmanned vehicle itself has strong nonlinearity, signal delay, and parameter uncertainty and its control is affected by external factors such as the change of road adhesion coefficient and lateral wind. Therefore, traditional control methods  often  face  challenges  in  controlling  the  vehicle  stably  and  accurately.  The  learning,  adaptive,  and  approximate  nonlinear mapping abilities of neural networks provide an effective way to solve the problems of vehicle model parameter uncertainty change, external disturbance, and vehicle adaptive control. Therefore, it is increasingly applied to the motion control of unmanned vehicles. The self-learning and adaptive ability of neural networks enable them to calculate the direct output control quantity according to the state deviation of the vehicle, which can be used as the controller of the unmanned vehicle. The ability of the neural networks to approach a nonlinear  mapping  makes  it  possible  to  approach  the  unknown  dynamic  parts  of  the  vehicle,  such  as  the  uncertain  parameters  and external disturbances, which improves the accuracy and robustness of the controller design. The neural networks can remember previous 收稿日期: 2021−04−23 基金项目: 国家自然科学基金资助项目（61673098，61603034）；北京市自然科学基金资助项目（3182027）；中央高校基本科研业务费资助项 目（FRF-GF-17-B44） 工程科学学报，第 44 卷，第 2 期：235−243，2022 年 2 月 Chinese Journal of Engineering, Vol. 44, No. 2: 235−243, February 2022 https://doi.org/10.13374/j.issn2095-9389.2021.04.23.001; http://cje.ustb.edu.cn

236 工程科学学报，第44卷，第2期 information that can be used to calculate the current output.Thus,the neural networks can be used as the vehicle state observer to estimate the vehicle state parameters.The adaptive ability of the neural networks enables them to optimize the parameters of other control algorithms online.From these aspects,this paper summarized and classified the achievements and progress made by domestic and foreign scholars in applying neural networks to the motion control of unmanned vehicles in recent years,introduced the application situation,and evaluated the advantages and disadvantages.Finally,the main problems of neural networks in the motion control of unmanned vehicles were summarized and the possible development direction was prospected. KEY WORDS neural network;nonlinear system;adaptive control;stability;unmanned vehicle 无人驾驶车辆（以下简称无人车）为人们的日 神经网络可以根据车辆的状态偏差，直接输 常出行带来便捷，也被广泛应用到军事领域和危 出控制量，实现无人车的运动控制：可以逼近车辆 险场景中山它可以极大地减少驾驶员的失误，也 的不确定性参数、外部干扰等未知动态局部，提高 可以为无法驾驶车辆的残疾人士提供方便P-).传 无人车运动控制的精确性和鲁棒性：可以作为车 统无人车运动控制器的设计依赖精确的车辆模 辆状态观测器，估计车辆状态参数；可以优化其他 型，实际应用效果与仿真结果之间存在一定差距 控制算法的参数，使其具有自适应性，提高算法精 在这种情况下，神经网络为模型未知的复杂非线 确性.下面从这四个方面，分别介绍神经网络在无 性系统或动态时变的控制对象，特别是无人车的 人车运动控制中的具体应用 运动控制，提供了强大的技术支持.神经网络可以 1用作无人车运动控制器 从大量数据中挖掘特征，通过调整内部节点连接 的权重和阈值，对网络输出造成不同程度的影响 无人车的运动控制，根本上是建立车辆状态 以达到系统控制的目的6刀在无人车运动控制 偏差与消除此偏差所需控制量之间的映射.神经 中，常用的神经网络模型有： 网络作为车辆控制器，可以根据车辆的状态偏差 (I)BP(Back propagation)神经网络：BP神经网 直接计算出控制量，实现无人车的运动控制.卡梅 络本质上是一个非线性优化问题，它在已知的约 隆大学在1989年首次实现了神经网络对无人车的 束条件下，寻找一组参数组合，使该组合确定的目 运动控制.并使用进化算法对其优化.铰链式无人 标函数达到最小.而无人车运动控制可以转化为 车不同于乘用无人车，具有独特的转向机构.利用 多约束条件下的求最优解问题，因而BP神经网络 神经网络可以建立专门针对铰链式无人车的控制 常被用于设计无人车控制器⑧又因为BP神经网 器.驾驶员对车辆的控制，类似车辆控制器，都是 络具有自适应学习的能力，有较强的鲁棒性和容 让车辆尽可能地跟随目标状态.驾驶员模型是利 错性，因此适用于优化其他控制算法的参数，使其 用数学形式模拟驾驶员对车辆的控制行为，建立 具有自适应性，提高算法精确性例 车辆状态偏差和驾驶员对车辆控制之间的映射 (2)RBF(Radial basis function,径向基)神经网 将神经网络用于建立车辆驾驶员模型，可以比较 络：RBF神经网络有很强的非线性拟合能力，而且 驾驶员操控行为与车辆自主巡航系统的不同.为 学习规则简单，学习过程收敛速度快，便于计算机 避免采集大量驾驶员的操作数据作为神经网络的 实现.常被用于逼近车辆的不确定性参数、外部 训练样本，可以通过最优化目标函数来确定神经 干扰等未知动态局部IoI又因为RBF神经网络具 网络的权重和阈值。 有唯一最佳逼近的特性，无局部极小问题，常被用 1.1建立神经网络控制器 于优化其他控制算法的参数山 1989年Pomerleau设计出了基于神经网络的无 (3)RNN(Recurrent neural network)神经网络： 人车驱动系统ALVINN(Autonomous land vehicle in RNN神经网络可以记忆以往的信息并应用于当前 a neural network)l,用来驱动CMU Navlab无人车 输出的计算，最广泛使用的有长短时记忆网络等 ALVINN系统使用的是一个三层前馈神经网络.输 RNN神经网络在处理时序相关问题时有较好性 入层为30×32点的视频图像，隐含层包含4个神经 能，因此常被用于车辆的状态估计2四RNN神经 元.输出层包含30个神经元，为当前转向角度的线 网络由于增加了隐层及输出层节点的反馈，增强 性表示.最中间的输出单元表示“直线前进”状态， 了网络学习的精确性和容错性，因此能较好地估 而位于两侧的单元分别表示急剧地左转弯和右转 计车辆的状态 弯.训练结束后，该神经网络控制器可根据道路信

information  that  can  be  used  to  calculate  the  current  output.  Thus,  the  neural  networks  can  be  used  as  the  vehicle  state  observer  to estimate  the  vehicle  state  parameters.  The  adaptive  ability  of  the  neural  networks  enables  them  to  optimize  the  parameters  of  other control algorithms online. From these aspects, this paper summarized and classified the achievements and progress made by domestic and foreign scholars in applying neural networks to the motion control of unmanned vehicles in recent years, introduced the application situation,  and  evaluated  the  advantages  and  disadvantages.  Finally,  the  main  problems  of  neural  networks  in  the  motion  control  of unmanned vehicles were summarized and the possible development direction was prospected. KEY WORDS    neural network；nonlinear system；adaptive control；stability；unmanned vehicle 无人驾驶车辆（以下简称无人车）为人们的日 常出行带来便捷，也被广泛应用到军事领域和危 险场景中 [1] . 它可以极大地减少驾驶员的失误，也 可以为无法驾驶车辆的残疾人士提供方便[2−3] . 传 统无人车运动控制器的设计依赖精确的车辆模 型，实际应用效果与仿真结果之间存在一定差距[4−5] . 在这种情况下，神经网络为模型未知的复杂非线 性系统或动态时变的控制对象，特别是无人车的 运动控制，提供了强大的技术支持. 神经网络可以 从大量数据中挖掘特征，通过调整内部节点连接 的权重和阈值，对网络输出造成不同程度的影响， 以达到系统控制的目的[6−7] . 在无人车运动控制 中，常用的神经网络模型有： （1）BP（Back propagation）神经网络：BP 神经网 络本质上是一个非线性优化问题, 它在已知的约 束条件下，寻找一组参数组合，使该组合确定的目 标函数达到最小. 而无人车运动控制可以转化为 多约束条件下的求最优解问题，因而 BP 神经网络 常被用于设计无人车控制器[8] . 又因为 BP 神经网 络具有自适应学习的能力，有较强的鲁棒性和容 错性，因此适用于优化其他控制算法的参数，使其 具有自适应性，提高算法精确性[9] . （2）RBF（Radial basis function，径向基）神经网 络：RBF 神经网络有很强的非线性拟合能力，而且 学习规则简单，学习过程收敛速度快，便于计算机 实现. 常被用于逼近车辆的不确定性参数、外部 干扰等未知动态局部[10] . 又因为 RBF 神经网络具 有唯一最佳逼近的特性，无局部极小问题，常被用 于优化其他控制算法的参数[11] . （3） RNN（Recurrent neural network）神经网络： RNN 神经网络可以记忆以往的信息并应用于当前 输出的计算，最广泛使用的有长短时记忆网络等. RNN 神经网络在处理时序相关问题时有较好性 能，因此常被用于车辆的状态估计[12] . RNN 神经 网络由于增加了隐层及输出层节点的反馈，增强 了网络学习的精确性和容错性，因此能较好地估 计车辆的状态[13] . 神经网络可以根据车辆的状态偏差，直接输 出控制量，实现无人车的运动控制；可以逼近车辆 的不确定性参数、外部干扰等未知动态局部，提高 无人车运动控制的精确性和鲁棒性；可以作为车 辆状态观测器，估计车辆状态参数；可以优化其他 控制算法的参数，使其具有自适应性，提高算法精 确性. 下面从这四个方面，分别介绍神经网络在无 人车运动控制中的具体应用. 1    用作无人车运动控制器 无人车的运动控制，根本上是建立车辆状态 偏差与消除此偏差所需控制量之间的映射. 神经 网络作为车辆控制器，可以根据车辆的状态偏差 直接计算出控制量，实现无人车的运动控制. 卡梅 隆大学在 1989 年首次实现了神经网络对无人车的 运动控制，并使用进化算法对其优化. 铰链式无人 车不同于乘用无人车，具有独特的转向机构. 利用 神经网络可以建立专门针对铰链式无人车的控制 器. 驾驶员对车辆的控制，类似车辆控制器，都是 让车辆尽可能地跟随目标状态. 驾驶员模型是利 用数学形式模拟驾驶员对车辆的控制行为，建立 车辆状态偏差和驾驶员对车辆控制之间的映射. 将神经网络用于建立车辆驾驶员模型，可以比较 驾驶员操控行为与车辆自主巡航系统的不同. 为 避免采集大量驾驶员的操作数据作为神经网络的 训练样本，可以通过最优化目标函数来确定神经 网络的权重和阈值. 1.1    建立神经网络控制器 1989 年 Pomerleau 设计出了基于神经网络的无 人车驱动系统 ALVINN(Autonomous land vehicle in a neural network)[14] ，用来驱动 CMU Navlab 无人车. ALVINN 系统使用的是一个三层前馈神经网络. 输 入层为 30×32 点的视频图像，隐含层包含 4 个神经 元. 输出层包含 30 个神经元，为当前转向角度的线 性表示. 最中间的输出单元表示“直线前进”状态， 而位于两侧的单元分别表示急剧地左转弯和右转 弯. 训练结束后，该神经网络控制器可根据道路信 · 236 · 工程科学学报，第 44 卷，第 2 期

张守武等：神经网络在无人驾驶车辆运动控制中的应用综述 237· 息，实现无人驾驶.最高速度可达88kmh,车辆保 汽车的行为.利用驾驶员模型，可以建立驾驶员- 持在距离车道中心平均6.9cm的范围内.然而， 车辆-路况的闭环系统，更加全面地评价车辆操控 ALVINN系统需要频繁的再训练，以适应不断变化 的稳定性.经过人们对驾驶员行为的长期研究，文 的外界环境.而且所用的误差反向传播法，需要通 献[18]提出了一个人-车-路闭环的鲁棒控制系 过梯度下降法寻找权空间的优化方向，容易陷入局 统，动态补偿了驾驶员在不同转向频率下的反应 部极小.文献[15]探讨了采用进化算法确定神经网 然而这种基于反馈补偿的驾驶员模型，当纵向速 络的权值和阈值的方法.相比之下，进化算法是全 度过快时往往难以保证足够的相位角.为此，郭孔 局搜索式算法，可以有效地减少局部极小值的影响. 辉院士提出了预瞄-跟随理论，根据驾驶员前方 铰接式无人车转向方式不同于常规乘用车 道路的信息，计算控制输入、补偿时间和超前相 辆，其控制器的设计更加复杂6.文献[17刀利用神 位.文献20]应用数字最优预见控制理论，有效补 经网络完成了铰接式无人车的运动控制.首先建 偿了驾驶员的操纵时延和自身干扰.但由于驾驶 立车辆简化模型，然后利用模型参考自适应控制 员模型的时变性和非线性，传统控制方法往往难 原理，设计了针对铰接式无人车的神经网络控制 以建立精确的数学模型 器，该神经网络为3层网络：由4个神经元构成的 车辆自适应巡航系统能够根据前车的行为 输入层、10个神经元构成的单隐层和线性输出层. 自动调整本车的速度，以保持安全的行车距离.丰 神经网络的输入为道路曲率、横向加速度、横向 田汽车研究中心将神经网络应用到自适应巡航系 速度和横向位移，输出量为铰接角.仿真显示，该 统的设计中，用以模拟熟练驾驶员的控制行为四 控制器在变曲率路段中，收敛速度快，稳态特性 所采用神经网络的输入分别为道路信息、汽车横 好，能够准确地控制铰接式无人车跟踪期望路径， 向速度、横向位移，输出为经过驾驶员延时环节的 1.2建立驾驶员模型 方向盘转角.隐含层和输出层采用sigmoid式激活 驾驶员对汽车的操控行为，与车辆控制器一 函数.所采用神经网络的结构如图1所示，输入分 样，都是使车辆的运动状态尽可能跟随期望的状 别为道路信息、汽车横向速度、横向位移，输出为 态，驾驶员模型是用数学的形式模拟驾驶员操纵 经过驾驶员延时环节的方向盘转角6 Neural network controller Road curvature Lateral deviation Delay Unmanned Integral unit vehicle unit Lateral velocity 图1三层前馈神经网络驾驶员控制器原理图 Fig.1 Three layer feedforward neural network driver controller schematic diagram 为了简化神经网络驾驶员模型的拓扑结构， 高度非线性的，且随着车辆行驶环境而变化s2 文献23]提出了一种基于预瞄优化的神经网络驾 利用神经网络可以逼近了外部干扰和建模误差， 驶员模型，以前方道路信息为输入，类似滚动优化 提高了滑模算法的控制精度.轮胎参数的不确定 的建模方法，采用最优化目标函数来确定神经网 性是无人车系统参数不确定性的重要原因，利用 络.因此它不需要真实驾驶员驾车的试验数据，而 径向基神经网络可以逼近车辆转向刚度的不确定 且结构简单，只用4个神经元的单层神经网络就 性，再通过高阶滑模进一步减少车辆控制的抖振. 建立了驾驶员模型 2.1逼近无人车模型中不确定参数和外部干扰 滑模控制鲁棒性强、响应快，但容易产生高频 2用于无人车中未知动态局部的逼近 抖振，造成车辆失稳和机械磨损.利用神经网络逼 模型参数的不确定性和未知的外部干扰是无 近系统外部干扰和建模误差可以减少滑模控制产 人车实际控制中经常需要解决的问题，它们是 生的抖振，提高控制的精确性.文献[27刀提出了基

息，实现无人驾驶. 最高速度可达 88 km·h−1，车辆保 持在距离车道中心平均 6.9 cm 的范围内. 然而， ALVINN 系统需要频繁的再训练，以适应不断变化 的外界环境. 而且所用的误差反向传播法，需要通 过梯度下降法寻找权空间的优化方向，容易陷入局 部极小. 文献 [15] 探讨了采用进化算法确定神经网 络的权值和阈值的方法. 相比之下，进化算法是全 局搜索式算法，可以有效地减少局部极小值的影响. 铰接式无人车转向方式不同于常规乘用车 辆，其控制器的设计更加复杂[16] . 文献 [17] 利用神 经网络完成了铰接式无人车的运动控制. 首先建 立车辆简化模型，然后利用模型参考自适应控制 原理，设计了针对铰接式无人车的神经网络控制 器，该神经网络为 3 层网络：由 4 个神经元构成的 输入层、10 个神经元构成的单隐层和线性输出层. 神经网络的输入为道路曲率、横向加速度、横向 速度和横向位移，输出量为铰接角. 仿真显示，该 控制器在变曲率路段中，收敛速度快，稳态特性 好，能够准确地控制铰接式无人车跟踪期望路径. 1.2    建立驾驶员模型 驾驶员对汽车的操控行为，与车辆控制器一 样，都是使车辆的运动状态尽可能跟随期望的状 态. 驾驶员模型是用数学的形式模拟驾驶员操纵 汽车的行为. 利用驾驶员模型，可以建立驾驶员− 车辆−路况的闭环系统，更加全面地评价车辆操控 的稳定性. 经过人们对驾驶员行为的长期研究，文 献 [18] 提出了一个人−车−路闭环的鲁棒控制系 统，动态补偿了驾驶员在不同转向频率下的反应. 然而这种基于反馈补偿的驾驶员模型，当纵向速 度过快时往往难以保证足够的相位角. 为此，郭孔 辉院士提出了预瞄−跟随理论[19] ，根据驾驶员前方 道路的信息，计算控制输入、补偿时间和超前相 位. 文献 [20] 应用数字最优预见控制理论，有效补 偿了驾驶员的操纵时延和自身干扰. 但由于驾驶 员模型的时变性和非线性，传统控制方法往往难 以建立精确的数学模型[21] . δ 车辆自适应巡航系统能够根据前车的行为， 自动调整本车的速度，以保持安全的行车距离. 丰 田汽车研究中心将神经网络应用到自适应巡航系 统的设计中，用以模拟熟练驾驶员的控制行为[22] . 所采用神经网络的输入分别为道路信息、汽车横 向速度、横向位移，输出为经过驾驶员延时环节的 方向盘转角. 隐含层和输出层采用 sigmoid 式激活 函数. 所采用神经网络的结构如图 1 所示，输入分 别为道路信息、汽车横向速度、横向位移，输出为 经过驾驶员延时环节的方向盘转角 . Neural network controller Delay unit δ Integral unit Road curvature Lateral deviation Lateral velocity Unmanned vehicle … 图 1    三层前馈神经网络驾驶员控制器原理图 Fig.1    Three layer feedforward neural network driver controller schematic diagram 为了简化神经网络驾驶员模型的拓扑结构， 文献 [23] 提出了一种基于预瞄优化的神经网络驾 驶员模型，以前方道路信息为输入，类似滚动优化 的建模方法，采用最优化目标函数来确定神经网 络. 因此它不需要真实驾驶员驾车的试验数据，而 且结构简单，只用 4 个神经元的单层神经网络就 建立了驾驶员模型. 2    用于无人车中未知动态局部的逼近 模型参数的不确定性和未知的外部干扰是无 人车实际控制中经常需要解决的问题[24] . 它们是 高度非线性的，且随着车辆行驶环境而变化[25−26] . 利用神经网络可以逼近了外部干扰和建模误差， 提高了滑模算法的控制精度. 轮胎参数的不确定 性是无人车系统参数不确定性的重要原因，利用 径向基神经网络可以逼近车辆转向刚度的不确定 性，再通过高阶滑模进一步减少车辆控制的抖振. 2.1    逼近无人车模型中不确定参数和外部干扰 滑模控制鲁棒性强、响应快，但容易产生高频 抖振，造成车辆失稳和机械磨损. 利用神经网络逼 近系统外部干扰和建模误差可以减少滑模控制产 生的抖振，提高控制的精确性. 文献 [27] 提出了基 张守武等： 神经网络在无人驾驶车辆运动控制中的应用综述 · 237 ·

238 工程科学学报，第44卷.第2期 于径向基神经网络的滑模控制方法.车辆控制模 计车辆的侧滑角或侧倾角 型为： 神经网络可以建立传感器测量得到的车辆动 i=Ax+Bu+D (1) 力学变量与侧滑角之间的映射，从而实现侧滑角 其中，x为车辆状态，为车辆前轮转角，D为外部干 的估计.但是如何利用有限数量的车载传感器，为 扰和建模误差 神经网络表征车辆侧滑角提供足够的信息是当前 根据滑模控制原理P,可求得： 研究的热点.利用横摆角速度和横向加速度估计 6=-(MB)-(MAx+MD+ks(t)+sgn(s(t)) (2) 车辆侧滑角，可以减少外部干扰对估计精确性的 其中，t为时间，s()为滑模面，M为转移矩阵，k、 影响.利用车速、纵向加速度、横向加速度、路面 附着系数和前轮转角，同时考虑以往时刻的车辆 (为大于零的常数 由于在实际工况中，外部干扰和建模误差D 状态对当前估计值的影响，可以更加准确地估计 车辆侧滑角.为了提高车辆侧倾角估计的实时性 往往是不可知的，因此采取径向基神经网络对其 逼近.神经网络以横向偏差e和横向偏差的变化 和准确性，可以结合神经网络和卡尔曼滤波准确 估计出车辆侧倾角，但卡尔曼滤波是一种基于模 率e为输入，以D为输出.当获得D的精确值后， 型的迭代方法.利用Ho滤波器可以减少神经网络 就可用式(2)求得精确的前轮转角.仿真表明：所 的估计误差，提高估计的精确性并减少了对模型 提方法能够减少外界干扰和建模误差对系统的影 的依赖 响，降低前轮转角的抖振，提高控制的鲁棒性 3.1对车辆侧滑角的估计 2.2逼近无人车模型中不确定的轮胎转向刚度 文献[38]利用卡尔曼滤波对侧滑角估计.卡 当车辆急剧转弯时，轮胎转向刚度表现出强 尔曼滤波基于车辆数学模型，但车辆轮胎的特性 烈的不确定性，使得控制律难以实现29-训文献[32] 取决于道路黏附条件、外界温度、轮胎磨损等条 采用的三层径向基神经网络逼近轮胎的不确定转 件，往往难以建立准确车辆数学模型.文献[39]提 向刚度，以横向偏差及其导数为输入，轮胎的不确 出的自适应观测器可以在道路黏附系数、轮胎转 定转向刚度为输出.传统的一阶滑模控制在其控 角刚度变化时提供侧偏角估计，但传感器的布局 制中容易出现高频抖振B河.高阶滑模控制可以 复杂、计算量大 有效地抑制抖振现象，同时在有限时间内消除扰 神经网络因为可以对非线性系统进行建模， 动的影响.但实现高阶滑模的精确控制需要预先 常被用于建立传感器得到的车辆动力学变量与侧 建立精确的数学模型.文献[35)]考虑侧风和偏航 滑角之间的映射.文献[40]把车辆侧滑角看作横 力矩对车辆横向运动的影响，用径向基函数神经 摆角速度和横向加速度的函数.首先建立驾驶员 网络逼近车辆的不确定性参数和未知的外部干 模型，然后对主要参数在各自变化范围内取值，获 扰，用高阶滑模控制来保持车辆的横向控制和横 得用于训练神经网络的样本，当神经网络训练结 摆稳定性.其中滑模面是横向误差e的函数，用作 束时，径向基神经网络可以建立出三者之间的非 径向基神经网络控制器和高阶滑模控制器的输 线性关系，实时地估计出汽车的侧滑角. 入.针对系统存在的不确定参数和未知外部干扰， 无人车除了高度非线性外，还具有严重的时 利用径向基神经网络计算出系统的等效控制6g 滞性因此对侧滑角估计时应考虑前一段时间 利用高阶滑模控制器计算出的等效控制6rb,两项 内车辆的状态对当前估计值的影响.文献[42]建 叠加生成最优前轮转角6 立了基于长短记忆网络的车辆侧滑角估计模型 3用于无人车状态参数的估计 神经网络有5个输入：车速、纵向加速度、横向加 速度、路面附着系数、前轮转角；输出为侧滑角和 为了提高车辆的安全性，车辆控制引入了车 横摆角速度.在预测层，将上一时刻长短记忆预测 身电子稳定系统B和直接横摆力矩控制系统B7 模块的状态信息作为下一时刻预测模块的输入， 试图通过对内外轮胎的差动制动或驱动力分配来 实现了车辆状态在时间上的连续. 稳定车辆.但是要实现以上控制，需要预先知道车 无人车在实际行驶中工作条件和轮胎附着力 辆的侧滑角或侧倾角.但只有特殊的设备能够直 会发生大量的变化，而车身只有有限数量的传感 接测量它们，且价格昂贵，不适合普通汽车使用 器可以用做神经网络的输入.文献[43]研究了当 因此，为实现无人车稳定的运动控制，需要实时估 纵向速度和路面附着系数变化时，对神经网络侧

于径向基神经网络的滑模控制方法. 车辆控制模 型为： x˙ = Ax+ Bu+ D （1） 其中，x为车辆状态，u为车辆前轮转角， D 为外部干 扰和建模误差. 根据滑模控制原理[28] ，可求得： δ = −(MB) −1 (MAx+ MD+ks(t)+ζsgn(s(t)) （2） t s(t) M k、 ζ 其中 ， 为时间 ， 为滑模面 ， 为转移矩阵 ， 为大于零的常数. e˙ 由于在实际工况中，外部干扰和建模误差 D 往往是不可知的，因此采取径向基神经网络对其 逼近. 神经网络以横向偏差 e 和横向偏差的变化 率 为输入，以 D 为输出. 当获得 D 的精确值后， 就可用式（2）求得精确的前轮转角. 仿真表明：所 提方法能够减少外界干扰和建模误差对系统的影 响，降低前轮转角的抖振，提高控制的鲁棒性. 2.2    逼近无人车模型中不确定的轮胎转向刚度 δeq δrob δ 当车辆急剧转弯时，轮胎转向刚度表现出强 烈的不确定性，使得控制律难以实现[29−31] . 文献 [32] 采用的三层径向基神经网络逼近轮胎的不确定转 向刚度，以横向偏差及其导数为输入，轮胎的不确 定转向刚度为输出. 传统的一阶滑模控制在其控 制中容易出现高频抖振[33−34] . 高阶滑模控制可以 有效地抑制抖振现象，同时在有限时间内消除扰 动的影响. 但实现高阶滑模的精确控制需要预先 建立精确的数学模型. 文献 [35] 考虑侧风和偏航 力矩对车辆横向运动的影响，用径向基函数神经 网络逼近车辆的不确定性参数和未知的外部干 扰，用高阶滑模控制来保持车辆的横向控制和横 摆稳定性. 其中滑模面是横向误差 e 的函数，用作 径向基神经网络控制器和高阶滑模控制器的输 入. 针对系统存在的不确定参数和未知外部干扰， 利用径向基神经网络计算出系统的等效控制 . 利用高阶滑模控制器计算出的等效控制 ，两项 叠加生成最优前轮转角 . 3    用于无人车状态参数的估计 为了提高车辆的安全性，车辆控制引入了车 身电子稳定系统[36] 和直接横摆力矩控制系统[37] . 试图通过对内外轮胎的差动制动或驱动力分配来 稳定车辆. 但是要实现以上控制，需要预先知道车 辆的侧滑角或侧倾角. 但只有特殊的设备能够直 接测量它们，且价格昂贵，不适合普通汽车使用. 因此，为实现无人车稳定的运动控制，需要实时估 计车辆的侧滑角或侧倾角. 神经网络可以建立传感器测量得到的车辆动 力学变量与侧滑角之间的映射，从而实现侧滑角 的估计. 但是如何利用有限数量的车载传感器，为 神经网络表征车辆侧滑角提供足够的信息是当前 研究的热点. 利用横摆角速度和横向加速度估计 车辆侧滑角，可以减少外部干扰对估计精确性的 影响. 利用车速、纵向加速度、横向加速度、路面 附着系数和前轮转角，同时考虑以往时刻的车辆 状态对当前估计值的影响，可以更加准确地估计 车辆侧滑角. 为了提高车辆侧倾角估计的实时性 和准确性，可以结合神经网络和卡尔曼滤波准确 估计出车辆侧倾角，但卡尔曼滤波是一种基于模 型的迭代方法. 利用 H∞滤波器可以减少神经网络 的估计误差，提高估计的精确性并减少了对模型 的依赖. 3.1    对车辆侧滑角的估计 文献 [38] 利用卡尔曼滤波对侧滑角估计. 卡 尔曼滤波基于车辆数学模型，但车辆轮胎的特性 取决于道路黏附条件、外界温度、轮胎磨损等条 件，往往难以建立准确车辆数学模型. 文献 [39] 提 出的自适应观测器可以在道路黏附系数、轮胎转 角刚度变化时提供侧偏角估计，但传感器的布局 复杂、计算量大. 神经网络因为可以对非线性系统进行建模， 常被用于建立传感器得到的车辆动力学变量与侧 滑角之间的映射. 文献 [40] 把车辆侧滑角看作横 摆角速度和横向加速度的函数. 首先建立驾驶员 模型，然后对主要参数在各自变化范围内取值，获 得用于训练神经网络的样本. 当神经网络训练结 束时，径向基神经网络可以建立出三者之间的非 线性关系，实时地估计出汽车的侧滑角. 无人车除了高度非线性外，还具有严重的时 滞性[41] . 因此对侧滑角估计时应考虑前一段时间 内车辆的状态对当前估计值的影响. 文献 [42] 建 立了基于长短记忆网络的车辆侧滑角估计模型. 神经网络有 5 个输入：车速、纵向加速度、横向加 速度、路面附着系数、前轮转角；输出为侧滑角和 横摆角速度. 在预测层，将上一时刻长短记忆预测 模块的状态信息作为下一时刻预测模块的输入， 实现了车辆状态在时间上的连续. 无人车在实际行驶中工作条件和轮胎附着力 会发生大量的变化，而车身只有有限数量的传感 器可以用做神经网络的输入. 文献 [43] 研究了当 纵向速度和路面附着系数变化时，对神经网络侧 · 238 · 工程科学学报，第 44 卷，第 2 期