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 239· 滑角估计的影响.为了进一步提高网络性能，神经 环境的影响.文献[48]利用卡尔曼滤波来估计车 网络输入不仅包括车辆当前的状态，而且包含车 辆的侧倾角，但需要建立精确的车辆模型 辆在以前时刻的状态和输出.尽管所建立的神经 为了解决以上问题，文献[49]提出了一种将 网络在数值分析中表现出了令人满意的结果，但 神经网络和卡尔曼滤波相结合的车辆侧倾角估计 为了精确估计车辆的侧滑角，还需要深入研究车 器.神经网络的4个输入分别为纵向加速度、横向 辆侧倾角对侧滑角估计的影响.因为当车辆侧倾 加速度、横摆角和横摆角速度，输出为侧倾角，隐 时，横向加速度会受到重力加速度的影响，从而降 含层包含15个神经元.训练样本从仿真软件的车 低估计的质量. 辆模型中获得的.误差信号定义为期望侧倾角与 3.2对车辆侧倾角的估计 神经网络估计侧倾角之间的差值.神经网络根据 侧倾稳定控制(Roll stability control,RSC)系统 误差信号调整网络参数、突触权值.神经网络通 可以防止车辆发生侧倾事故侧倾角是RSC必 过从惯性测量单元(MU)测量出来的信号来估计 须考虑的参数.它虽然可通过双天线GPS直接测 侧倾角，再利用卡尔曼滤波滤除估计值中的噪声 量，但该设备价格昂贵.因此，有必要研究在车辆 利用仿真软件得到的数据，对该神经网络进行了 运动控制中侧倾角的实时估计问题. 不同速度和不同摩擦系数下的转弯和变道训练 文献[45]提出了一种利用加速度计和悬架偏 最后，将所提出的估计方法与利用悬架偏转传感 转传感器来估计侧倾角的方法，但这种方法缺乏 器获得的侧倾角进行了比较，结果表明所提出的 精确性且悬架偏转传感器价格昂贵.文献[46]提 估计方法的有效性.结构如图2所示，神经网络根 出了一种基于横向加速度计和陀螺仪的侧倾角估 据误差信号调整网络参数、突触权值.神经网络 计器，但未考虑外部噪声和模型噪声的影响.文 通过从惯性测量单元(MU)测量出来的信号来估 献[47]使用低成本的GPS和车载传感器来估计车 计侧倾角，再利用卡尔曼滤波滤除估计值中的 辆的侧倾角，但GPS容易受到城市和森林等驾驶 噪声得到最终估计值N-Kalman Desired roll angle Longitudinal acceleration Lateral acceleration Kalman IMU module Yaw rate Roll rate Neural network module 图2基于神经网络和卡尔曼滤波的汽车侧倾角估计原理图 Fig.2 Vehicle roll Angle estimation schematic based on neural network and Kalman filter 文献[50]开发了一种基于Ho滤波与神经网 控制器参数的实时整定问题.利用强化学习优化 络相结合的车辆侧倾角估计器.估计过程包括两 PID控制算法，可使其参数在线整定且不需要训练 个部分：第一部分利用神经网络估计车辆的侧倾 样本.利用驾驶员单点预瞄模型与神经网络的结 角，第二部分为一个Ho滤波器，该滤波器将神经 合，可以实现车辆横向运动的自适应控制.利用蚁 网络的估计误差视为传感器噪声，从而滤除掉估 群优化算法对神经网络初始化参数进行离线优 计误差.不仅降低了系统的不确定性，而且提高了 化，可以有效地解决由于初始参数随机设置所引 估计的精度 发的控制超调等问题.利用2型模糊神经网络与 PD控制结合，可以减少以往基于梯度下降法的神 4用于优化其他控制算法的参数 经网络学习速度慢和计算时间长的问题.模型预 神经网络与PID控制相结合，可以解决PID 测控制(Model predictive control,.MPC)因在多约束滑角估计的影响. 为了进一步提高网络性能，神经 网络输入不仅包括车辆当前的状态，而且包含车 辆在以前时刻的状态和输出. 尽管所建立的神经 网络在数值分析中表现出了令人满意的结果，但 为了精确估计车辆的侧滑角，还需要深入研究车 辆侧倾角对侧滑角估计的影响. 因为当车辆侧倾 时，横向加速度会受到重力加速度的影响，从而降 低估计的质量. 3.2    对车辆侧倾角的估计 侧倾稳定控制 (Roll stability control，RSC) 系统 可以防止车辆发生侧倾事故[44] . 侧倾角是 RSC 必 须考虑的参数. 它虽然可通过双天线 GPS 直接测 量，但该设备价格昂贵. 因此，有必要研究在车辆 运动控制中侧倾角的实时估计问题. 文献 [45] 提出了一种利用加速度计和悬架偏 转传感器来估计侧倾角的方法，但这种方法缺乏 精确性且悬架偏转传感器价格昂贵. 文献 [46] 提 出了一种基于横向加速度计和陀螺仪的侧倾角估 计器，但未考虑外部噪声和模型噪声的影响. 文 献 [47] 使用低成本的 GPS 和车载传感器来估计车 辆的侧倾角，但 GPS 容易受到城市和森林等驾驶 环境的影响. 文献 [48] 利用卡尔曼滤波来估计车 辆的侧倾角，但需要建立精确的车辆模型. ϕNN ϕNN−Kalman 为了解决以上问题，文献 [49] 提出了一种将 神经网络和卡尔曼滤波相结合的车辆侧倾角估计 器. 神经网络的 4 个输入分别为纵向加速度、横向 加速度、横摆角和横摆角速度，输出为侧倾角，隐 含层包含 15 个神经元. 训练样本从仿真软件的车 辆模型中获得的. 误差信号定义为期望侧倾角与 神经网络估计侧倾角之间的差值. 神经网络根据 误差信号调整网络参数、突触权值. 神经网络通 过从惯性测量单元 (IMU) 测量出来的信号来估计 侧倾角，再利用卡尔曼滤波滤除估计值中的噪声. 利用仿真软件得到的数据，对该神经网络进行了 不同速度和不同摩擦系数下的转弯和变道训练. 最后，将所提出的估计方法与利用悬架偏转传感 器获得的侧倾角进行了比较，结果表明所提出的 估计方法的有效性. 结构如图 2 所示，神经网络根 据误差信号调整网络参数、突触权值. 神经网络 通过从惯性测量单元 (IMU) 测量出来的信号来估 计侧倾角 ，再利用卡尔曼滤波滤除估计值中的 噪声得到最终估计值 . Longitudinal acceleration Lateral acceleration Yaw rate Roll rate Neural network module IMU Kalman module e + − ϕNN ϕNN−Kalman Desired roll angle … 图 2    基于神经网络和卡尔曼滤波的汽车侧倾角估计原理图 Fig.2    Vehicle roll Angle estimation schematic based on neural network and Kalman filter 文献 [50] 开发了一种基于 H∞滤波与神经网 络相结合的车辆侧倾角估计器. 估计过程包括两 个部分：第一部分利用神经网络估计车辆的侧倾 角. 第二部分为一个 H∞滤波器，该滤波器将神经 网络的估计误差视为传感器噪声，从而滤除掉估 计误差. 不仅降低了系统的不确定性，而且提高了 估计的精度. 4    用于优化其他控制算法的参数 神经网络与 PID 控制相结合，可以解决 PID 控制器参数的实时整定问题. 利用强化学习优化 PID 控制算法，可使其参数在线整定且不需要训练 样本. 利用驾驶员单点预瞄模型与神经网络的结 合，可以实现车辆横向运动的自适应控制. 利用蚁 群优化算法对神经网络初始化参数进行离线优 化，可以有效地解决由于初始参数随机设置所引 发的控制超调等问题. 利用 2 型模糊神经网络与 PID 控制结合，可以减少以往基于梯度下降法的神 经网络学习速度慢和计算时间长的问题. 模型预 测控制 (Model predictive control, MPC) 因在多约束 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 · 239 ·