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 ·