基于RBFNN 的智能車輛轉(zhuǎn)向系統(tǒng)的預(yù)設(shè)性能控制

摘 要：針對存在模型非線性和參數(shù)不確定性的智能車輛轉(zhuǎn)向系統(tǒng)的預(yù)設(shè)性能跟蹤控制問題，采用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)對轉(zhuǎn)向系統(tǒng)中的不確定非線性進行在線逼近，結(jié)合障礙Lyapunov 函數(shù)技術(shù)為智能車輛的線控轉(zhuǎn)向系統(tǒng)設(shè)計預(yù)設(shè)性能控制器。在控制器設(shè)計中，采用動態(tài)增益技術(shù)補償控制增益未知對系統(tǒng)控制性能的影響。利用Lyapunov 方法分析系統(tǒng)的穩(wěn)定性，證明在控制器作用下，前輪轉(zhuǎn)角的跟蹤誤差在預(yù)設(shè)的時間內(nèi)收斂至原點預(yù)設(shè)的鄰域；通過數(shù)值仿真和整車實驗驗證了控制方法的合理性。

關(guān)鍵詞：轉(zhuǎn)向系統(tǒng)；不確定非線性；未知控制增益；徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)；預(yù)設(shè)性能控制

中圖分類號：TP 273；U 461 文獻標志碼：A 文章編號：1008-0562（2024）01-0085-08

0 引言

隨著汽車技術(shù)的發(fā)展，智能汽車因其能夠提高交通效率、安全性和乘坐舒適性而受到廣泛關(guān)注[1-4]。作為智能車輛的線控底盤部分之一，線控轉(zhuǎn)向系統(tǒng)（steer-by-wire，SbW）可通過控制前輪轉(zhuǎn)向使智能車輛按照規(guī)劃路徑行駛，從而保證交通效率和行車安全。為此，線控轉(zhuǎn)向系統(tǒng)的跟蹤控制方法研究對智能車輛的發(fā)展和普及至關(guān)重要。

面向智能車輛的應(yīng)用需求，針對線控轉(zhuǎn)向系統(tǒng)的跟蹤控制方法，國內(nèi)外學(xué)者進行了大量研究?？紤]模型參數(shù)不確定性和外部擾動對控制性能的影響，文獻[5]為線控轉(zhuǎn)向系統(tǒng)設(shè)計了基于不確定邊界已知的滑?？刂破鳎墨I[6]和文獻[7]分別結(jié)合動態(tài)增益技術(shù)和嵌套自適應(yīng)技術(shù)設(shè)計了自適應(yīng)滑?？刂破鳌Ｍ瑫r考慮執(zhí)行器故障和模型參數(shù)不確定性對控制性能的影響，文獻[8]為線控轉(zhuǎn)向系統(tǒng)設(shè)計了模型預(yù)設(shè)控制器。雖然文獻[5]～文獻[9]中的控制方法在參數(shù)不確定性、外部干擾或執(zhí)行器故障時跟蹤控制方面取得了一定成果，但是當線控轉(zhuǎn)向系統(tǒng)中存在未知的非線性時，以上控制方法將不再適用。

針對線控轉(zhuǎn)向系統(tǒng)存在未知非線性和外部擾動，文獻[9]結(jié)合模糊系統(tǒng)和高階滑模技術(shù)設(shè)計了自適應(yīng)控制器，實現(xiàn)線控轉(zhuǎn)向系統(tǒng)的有限時間穩(wěn)定；文獻[10]設(shè)計了自適應(yīng)神經(jīng)網(wǎng)絡(luò)滑?？刂破?，保證線控轉(zhuǎn)向系統(tǒng)漸近穩(wěn)定?？紤]模型不確定性、外部擾動和網(wǎng)絡(luò)通訊資源限制對控制性能的影響，文獻[11]為線控轉(zhuǎn)向系統(tǒng)設(shè)計了基于二型模糊邏輯系統(tǒng)的事件觸發(fā)滑?？刂疲墨I[12]設(shè)計了事件觸發(fā)輸出反饋控制。雖然以上控制方法在處理線控轉(zhuǎn)向系統(tǒng)模型不確定性方面作出重要貢獻，但仍然存在以下局限性：控制器的研究需要滿足系統(tǒng)控制增益已知和控制增益部分已知的條件；系統(tǒng)的跟蹤控制精度和收斂時間均是未知的，且不可根據(jù)需求預(yù)設(shè)。

綜上，以存在模型非線性和參數(shù)未知的線控轉(zhuǎn)向系統(tǒng)作為研究對象，提出一種基于動態(tài)增益技術(shù)的預(yù)設(shè)性能控制（prescribed performance control，PPC）算法。采用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（radial basisfunction neural network，RBFNN）在線逼近線控轉(zhuǎn)向系統(tǒng)的未知非線性，結(jié)合動態(tài)增益技術(shù)補償控制增益未知對控制性能的影響，從而保證前輪轉(zhuǎn)角的跟蹤誤差在預(yù)設(shè)的時間內(nèi)收斂至原點預(yù)設(shè)的鄰域內(nèi)。通過穩(wěn)定性分析、數(shù)值仿真和整車實驗驗證控制器的有效性。

1 問題描述和預(yù)備知識

1.1 問題描述

智能車輛轉(zhuǎn)向系統(tǒng)由電子輔助轉(zhuǎn)向系統(tǒng)發(fā)展而來，主要由轉(zhuǎn)向電機、電機控制與驅(qū)動器、減速器、傳感器等組成，如圖1 所示。與電子輔助轉(zhuǎn)向系統(tǒng)不同，線控轉(zhuǎn)向系統(tǒng)取消了方向盤與轉(zhuǎn)向輪之間的機械連接，僅由轉(zhuǎn)向電機輸出力矩來驅(qū)使前輪轉(zhuǎn)向。

針對具有模型不確定和執(zhí)行器故障的線控轉(zhuǎn)向系統(tǒng)的跟蹤控制問題展開研究。根據(jù)文獻[5]可知，線控轉(zhuǎn)向系統(tǒng)轉(zhuǎn)向電機的數(shù)學(xué)模型為

式中：Jm 為電機的轉(zhuǎn)動慣量；δm 為電機輸出轉(zhuǎn)角；Bm 為電機的粘滯摩擦系數(shù)；τl 為電機的負載轉(zhuǎn)矩；τm 為電機的輸出力矩；τd 為電機的擾動力矩。

轉(zhuǎn)向前輪繞其與車輪中心相交的垂直軸的旋轉(zhuǎn)可以描述為

式中：Jf 為前輪的轉(zhuǎn)動慣量；δf 為前輪的轉(zhuǎn)向角；τf和τe 分別為前輪的摩擦力矩和回正力矩；τs 為電機輸出力矩通過機械連接和減速器等結(jié)構(gòu)傳送到前輪的力矩。

另外，轉(zhuǎn)向電機和前輪之間的傳動比為

式中，μ 為轉(zhuǎn)向電機和前輪之間的總傳動比。

結(jié)合式（1）～式（3），線控轉(zhuǎn)向系統(tǒng)的數(shù)學(xué)模型為

對式（4）設(shè)計預(yù)設(shè)性能跟蹤控制器，以實現(xiàn)如圖2 所示的系統(tǒng)跟蹤誤差收斂趨勢，即在預(yù)設(shè)的時間內(nèi)收斂至原點預(yù)設(shè)的鄰域內(nèi)。

（4）仿真結(jié)果與分析

圖3 給出了仿真I 中的控制性能。由圖3（a）、圖3（b）可知，與自適應(yīng)高階滑模控制器（AHOSM）相比，在本文設(shè)計的控制器（PPC）作用下，線控轉(zhuǎn)向系統(tǒng)可獲得預(yù)設(shè)的控制性能，即在0.1 s 內(nèi)跟蹤誤差可收斂至| y ? yd |≤10?3，調(diào)節(jié)時間小于AHOSM 控制；由圖3（c）可見，在PPC 作用下，線控轉(zhuǎn)向系統(tǒng)的控制輸入平滑；由圖3（d）～（e）可見，θ 和W 可根據(jù)仿真結(jié)果在線調(diào)節(jié)。

圖4 給出了仿真II 中的控制性能，與仿真I 的結(jié)果類似，與自適應(yīng)高階滑?？刂破飨啾龋珹HOSM和PPC 控制均可獲得預(yù)設(shè)的控制性能，PPC 控制的快速性優(yōu)于AHOSM 控制，線控轉(zhuǎn)向系統(tǒng)的控制輸入平滑；θ 和W 可根據(jù)仿真結(jié)果在線調(diào)節(jié)。

3.2 整車實驗

（1）搭建實驗平臺

智能車輛線控轉(zhuǎn)向系統(tǒng)實驗平臺見圖5，該平臺主要包括信號傳感裝置、轉(zhuǎn)向機構(gòu)和控制裝置3部分?？刂蒲b置作為執(zhí)行控制算法的核心部分，采用配置Intel Skylake/Kaby Lake-S 處理器的微型計算機MFC-3102 作為控制單元。MFC-3102 控制單元接收線控轉(zhuǎn)向系統(tǒng)的前輪轉(zhuǎn)角信號并產(chǎn)生新的控制信號作用于轉(zhuǎn)向機構(gòu)，構(gòu)成閉環(huán)控制。

（2）控制器參數(shù)選取

在實驗中，選取式（10）的參數(shù)為：k0=0.4、k∞=4×10-2、Tp=0.5 s；式（14）的參數(shù)為：η0=15、η1=10；式（17）、式（18）的參數(shù)為：η2=5、ε=1；式（21）、式（22）的參數(shù)為：γ1=150、σ1=1、θ （0） = zeros（4，1）、γ2=1×10-2、σ2=1、W? （0） = zeros（3，1）。在實驗中選取的RBFNN 系統(tǒng)和仿真中的相同。另外，選取前輪轉(zhuǎn)角的參考信號為 y = 0.4 sin （0.4t ） rad 。AHOSM 控制器的參數(shù)，即式（39）～式（44）的參數(shù)為：g=3.648 2，R=0.05，α1=1/2，α2=3/5，α3=3/4 ， κ1=50 ， κ2=0.2 ， γ1=50 ， σ1=5 ， λ1=10 ，σ2=0.1，Q = diag（10，300，1）。在實驗中選取的模糊邏輯系統(tǒng)和仿真中的相同。（3）實驗結(jié)果與分析

圖6 給出了整車實驗中的控制性能。與AHOSM 控制器相比，PPC 控制器可獲得預(yù)設(shè)的控制性能， 在0.5 s 內(nèi)跟蹤誤差可收斂至| y ? yd |≤4×10?2 ，驗證了控制器的有效性，如圖 6（a）、圖6（b）；由圖6（c）可見，由于實驗中存在通信延時和傳動系統(tǒng)死區(qū)等現(xiàn)象，實驗獲得的控制性能與仿真結(jié)果略有不同；從圖6（d）～（e）中可以看出θ 和W 可根據(jù)仿真結(jié)果在線調(diào)節(jié)。

4 結(jié)論

針對存在模型非線性和參數(shù)未知情況的線控轉(zhuǎn)向系統(tǒng)的跟蹤控制問題，提出一種基于動態(tài)增益技術(shù)的預(yù)設(shè)性能控制算法，可以得到如下結(jié)論。

（1）為解決線控轉(zhuǎn)向系統(tǒng)精確的系統(tǒng)模型很難識別問題，采用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)對系統(tǒng)的未知非線性進行在線逼近，可以有效地解決模型不確定對系統(tǒng)的影響，提高控制器的實用性。

（2）考慮到未知控制增益對控制性能的影響，利用動態(tài)增益技術(shù)進行補償，并為線控轉(zhuǎn)向系統(tǒng)設(shè)計了一種預(yù)設(shè)性能控制器。通過Lyapunov 穩(wěn)定性分析可知，前輪轉(zhuǎn)角的跟蹤誤差能夠在預(yù)設(shè)時間內(nèi)收斂到原點的鄰域。

（3）所提出的控制算法通過數(shù)值仿真和整車實驗，驗證了PPC 控制的有效性。

參考文獻（References）：

[1] HU C，WANG R R，YAN F J，et al.Differential steering based yawstabilization using ISMC for independently actuated electricvehicles[J].IEEE Transactions on Intelligent Transportation Systems，2018，19（2）：627-638.

[2] LI P X，LI P S，ZHANG B，et al.Velocity-based lateral stability control forfour-wheel independently actuated electric vehicles with homogeneouspolynomial approach[J].International Journal of Control，Automationand Systems，2021，19（1）：255-266.

[3] ZHANG C Z，HU J F，QIU J B，et al.A novel fuzzy observer-basedsteering control approach for path tracking in autonomous vehicles[J].IEEE Transactions on Fuzzy Systems，2019，27（2）：278-290.

[4] LI P X，LI P S，ZHAO J，et al.Robust gain-scheduling static outputfeedbackh∞ control of vehicle lateral stability with heuristicapproach[J].Information Sciences，2021，546：220-233.

[5] WANG H，KONG H F，MAN Z，et al.Sliding mode control forsteer-by-wire systems with ac motors in road vehicles[J].IEEETransactions on Industrial Electronics，2013，61（3）：1596-1611.

[6] SUN Z，ZHENG J C，MAN Z，et al.Robust control of a vehiclesteer-by-wire system using adaptive sliding mode[J].IEEE Transactionson Industrial Electronics，2016，63（4）： 2251-2262.

[7] SUN Z，ZHENG J C，MAN Z，et al.Nested adaptive super-twisting slidingmode control design for a vehicle steer-by-wire system[J].MechanicalSystems and Signal Processing，2019，122：658-672.

[8] HUANG C，NAGHDY F，DU H P.Observer-based fault-tolerant controllerfor uncertain steer-by-wire systems using the delta operator[J].IEEE/ASME Transactions on Mechatronics，2018，23（6）：2587-2598.

[9] 李紅娟，王澤政，王永富.線控轉(zhuǎn)向系統(tǒng)的自適應(yīng)高階滑模控制[J].控制與決策，2021，36（6）：1529-1536.

LI Hongjuan，WANG Zezheng，WANG Yongfu.Adaptive higher-ordersliding mode control for SbW system[J].Control and Decision，2021，36（6）：1529-1536.

[10] 羅玉濤，郭海文.線控轉(zhuǎn)向系統(tǒng)的自適應(yīng)神經(jīng)網(wǎng)絡(luò)滑?？刂芠J].華南理工大學(xué)學(xué)報，2021，49（1）：65-73.

LUO Yutao，GUO Haiwen.Adaptive neural network sliding modecontrol for steer-by-wire system[J].Journal of South China Universityof Technology，2021，49（1）：65-73.

[11] MA B X，WANG Y F.Adaptive type-2 fuzzy sliding mode control ofsteer-by-wire systems with event-triggered communication[J].Proceedingsof the Institution of Mechanical Engineer Part D： Journal of AutomobileEngineering，2021，235（9）：2442-2455.

[12] MA B X，WANG Y F.Adaptive output feedback control of steer-by-wiresystems with event-triggered communication[J].IEEE/ASME Transactionson Mechatronics，2021，26（4）：1968-1979.

[13] PARK J，SANDBERG I W.Universal approximation using radial basisfunction networks[J].Neural Computation，1991，3：246-257.

[14] REN B B，SAN P P，GE S S，et al.Adaptive dynamic surface control fora class of strict-feedback nonlinear systems with unknownbacklash-like hysteresis[C]//Proceedings of the 2009 AmericanControl Conference，June 10-12，2009，USA，2009：4482-4487.

[15] DO M T，MAN Z，ZHANG C S，et al.Robust sliding mode-basedlearning control for steer-by-wire systems in modern vehicles[J].IEEETransactions on Vehicular Technology，2014，63（2）：580-590.

基金項目：寧夏自然科學(xué)基金項目（2023AAC03360）；寧夏高?？茖W(xué)研究項目（NGY2022147）