一种高速智能汽车横向主动抗干扰控制方法

1.本发明涉及一种智能汽车转向控制领域，特别是一种高速智能汽车横向主动抗干扰控制方法。


背景技术：

2.横向路径跟踪控制是智能汽车的关键技术之一，其核心目标是下发方向盘转角信号实现车辆自主跟踪参考路径。然而在高速驾驶环境中，所述高速指代车辆速度在72km/h以上的速度工况，智能汽车轮胎受力可能处于非线性强耦合状态，同时面临内部参数变化及外部环境输入导致的未知干扰，以上影响难以建立精确的横向动力学模型。如果控制器鲁棒性不够强，跟踪性能欠缺将会导致智能汽车在高速车道保持行驶中偏离车道中心，甚至还可能撞上道路边界。因此，针对高速工况下研究跟踪精度高并具备主动干扰抑制的横向控制方法已然成为智能汽车领域中的关键之一。
3.当前对于高速横向控制方法中，有比例积分微分方法、纯跟踪方法、线性二次型方法及模型预测方法等。但传统的处理方法往往在非线性强耦合影响、内部动力学参数变化、外部环境输入以及建模不精确等方面考虑得不足，这将对跟踪系统造成复杂扰动，当所述扰动及其变化率瞬时变化很大时，传统的控制器难以保证安全可靠地跟踪参考路径，严重时造成交通事故并威胁到生命财产安全。


技术实现要素：

4.为解决现有技术存在的上述问题，本发明的目的在于提供一种高速智能汽车横向主动抗干扰控制方法，能有效提升横向控制器对系统内外部扰动的抑制能力，能够在确保稳定性的前提下实现鲁棒且精确地跟踪。
5.为了实现上述目的，本发明的技术方案如下：
6.一种高速智能汽车横向主动抗干扰控制方法，利用高速智能汽车横向主动抗干扰控制系统进行控制，所述高速智能汽车横向主动抗干扰控制系统包括初始化模块、自抗扰控制器和基于自适应径向基神经网络的前馈补偿器。
7.所述初始化模块，负责检查感知模块、定位模块、规划模块及底盘模块信号收发是否正常；加载单轨车辆动力学参数，加载adrc参数，加载基于rbfnn的前馈补偿器参数，加载自抗扰路径跟踪名义模型参数；所述rbfnn为自适应径向基神经网络，所述adrc为自抗扰控制器。
8.所述自抗扰控制器由跟踪微分器、pd和eso构成，实现车辆航向偏差状态闭环反馈控制，所述pd为比例微分器，所述eso为扩张状态观测器。
9.所述eso用于估计路径跟踪过程中产生的总扰动，所述总扰动为未建模的不确定性扰动及外部未知扰动，所述未建模的不确定性扰动包含车辆质量及轮胎特性变化带来的扰动，对pd状态反馈控制律输出进行补偿进而得到adrc控制律。
10.所述基于rbfnn的前馈补偿器估计eso无法估计到的稳态扰动并直接进行补偿，最
终得到adrc控制律与基于rbfnn的前馈补偿器的估计值相叠加的前轮转角控制律，实现将adrc控制律及基于rbfnn的前馈补偿器构成复合横向主动抗干扰控制方法，完成闭环反馈与前馈调节。
11.所述控制方法包括以下步骤：
12.步骤1：初始化
13.初始化模块负责检查感知模块、定位模块、规划模块及底盘模块信号收发是否正常，加载单轨车辆动力学参数，加载自抗扰路径跟踪名义模型参数，加载自抗扰控制器参数，加载基于rbfnn的前馈补偿器参数。
14.以数学方程的形式建立所述单轨车辆动力学模型如下：
[0015][0016][0017]
式中：m为车辆质量；vy为侧向车速；v
x
为纵向车速；为横摆角速度；为横摆角加速度；iz为转动惯量；lf和lr分别为前后车轴到质心处的距离；c
αf
和c
αr
分别为前后轮的侧偏刚度；δf为前轮转角。
[0018]
所述自抗扰路径跟踪名义模型为：
[0019][0020]
式中：d为外部未知扰动，f为总扰动，b为被控输入增益系数。
[0021]
步骤2：获取参考航向及其变化率
[0022]
微分跟踪器接收规划模块下发的参考路径信息，所述参考路径信息包括参考航向信息；将参考航向信息输入到微分跟踪器得到参考航向变化率信息。然后找到在参考路径上距离智能汽车最近的匹配点，计算出车辆真实航向及其变化率与参考航向及其变化率之间的航向误差和航向误差变化率。
[0023]
所述微分跟踪器的数学方程如下：
[0024][0025]
式中：t为采样时间；r1(k)和r2(k)均为微分跟踪器的输出状态量，即分别为滤波后的参考航向及其变化率信息，r1(k+t)和r2(k+t)均为微分跟踪器下一时刻的输出状态量；为微分跟踪器的输入信息，即期望航向角；g0为速度因子，决定跟踪速度；h0为滤波因子，具有滤波作用。z、a0及a均为微分跟踪器计算过程中产出的中间变量。函数fhan(r1,r2,g0,h0)被定义为：
[0026][0027]
所述航向误差和航向误差变化率的计算公式为：
[0028][0029]
式中：为车辆在大地坐标系下实时的横摆角；为航向误差；为航向误差变化率。
[0030]
步骤3：基于eso进行状态估计
[0031]
将智能汽车实时的航向信息及上一时刻智能汽车的前轮转角信息输入到eso中，eso输出信息为智能汽车的航向估计值、航向变化率的估计值及总扰动的估计值。所述eso的状态空间方程为：
[0032][0033]
式中：
[0034]
为eso的状态量矩阵，及分别为及f的估计值，为eso状态量矩阵的系数矩阵，为eso输入控制量的系数矩阵，l＝[l
1 l
2 l3]
t
为eso的增益系数矩阵。选择eso增益使特征多项式s3+l1s2+l2s+l3为赫尔维茨多项式。为了简单调优，eso极点被配置在-ωo，且ωo＞0。所述ωo为eso的带宽，定义
[0035]
步骤4：确定pd状态反馈控制律
[0036]
将步骤3所述eso对智能汽车实时的航向估计值、航向变化率的估计值、总扰动的估计值以及步骤2中所述跟踪微分器的输出信息输入到pd中，通过pd建立pd状态反馈控制律。所述pd状态反馈控制律为：
[0037][0038]
式中：δ
01
为pd状态反馈控制律，q1和q2均为pd增益系数且满足q1＞0，q2＞0，选择pd增益系数使特征多项式s2+q2s+q1为赫尔维茨多项式；取pd带宽为ωc，q2＝2ωc。
[0039]
步骤5：确定adrc控制律
[0040]
将步骤3中eso对总扰动的估计值补偿到步骤4中pd状态反馈控制律输出，进而确
定adrc控制律为：
[0041][0042]
步骤:6：计算前轮转角控制律
[0043]
将步骤2中计算得到的航向误差及其变化率输入到基于rbfnn的前馈补偿器中，所述基于rbfnn的前馈补偿器通过rbfnn权值自适应律实现权值实时更新，进而实时估计eso无法估计到的稳态扰动并直接进行补偿，最终得到adrc控制律与基于rbfnn的前馈补偿器的估计值相叠加的前轮转角控制律，实现将adrc控制律及基于rbfnn的前馈补偿器构成复合横向主动抗干扰控制方法，完成所述高速智能汽车横向主动抗干扰控制系统的闭环反馈与前馈调节。
[0044]
所述基于rbfnn的前馈补偿器为：
[0045]
δ
out
＝w
th[0046]
式中：h＝[h1ꢀ…ꢀh6 h7]
t
；w＝[w1ꢀ…ꢀw6 w7]
t
为基于rbfnn的权值，隐藏层的激活函数hj表示为：
[0047][0048]
式中：为输入向量；cj为第j个节点的中心值向量；bj为第j个节点的高斯基函数的基宽值向量。rbfnn的理想输出和实际输出δ
rbf
分别为：
[0049][0050]
式中：和依次为理想和实际的rbfnn权值。假定εn为一个很小的正实数，则满足其中f3为基于rbfnn的前馈补偿器需要消除的稳态扰动；定义rbfnn逼近误差由于ε是有界的，假设误差上界为rbfnn网络实际输出值δ
rbf
与f3满足：
[0051][0052]
式中：
[0053]
所述rbfnn权值自适应律为：
[0054][0055]
式中：γ＞0，κ＞0，γ和κ均为设定的参数；为rbfnn的输入矩阵，||x||为矩阵x的范数；为设定的系数矩阵且满足k1＞0和k2＞0；矩阵p是对称正定的且满足pe+e
t
p＝-q，其中e＝-k
p
，q为设定的矩阵且q≥0。
[0056]
所述adrc控制律与基于rbfnn的前馈补偿器的估计值相叠加的前轮转角控制律为：
[0057][0058]
式中：δ
rbf
为基于rbfnn的前馈补偿器的估计值。
[0059]
步骤7：进行横向主动抗干扰控制
[0060]
对由步骤6确定的最终前轮转角施加控制约束及进行滤波处理，将其作为控制信号以固定频率下发给智能汽车，智能汽车根据最终前轮转角对智能汽车进行横向主动抗干扰控制。进一步地，判断智能汽车是否到达目的地，若是，则车辆完成控制任务，否则转步骤1。
[0061]
本发明具有以下有益效果：
[0062]
1、本发明基于单轨车辆动力学模型建立了自抗扰路径跟踪名义模型，所设计的eso能够自主估计系统未建模的不确定性扰动及外部未知扰动，提升了路径跟踪控制算法抗干扰的能力，保证了横向和航向跟踪精度。
[0063]
2、本发明基于rbfnn的前馈补偿器通过rbfnn权值自适应律实现权值实时更新，能够准确估计eso无法估计到的部分总扰动，具体指自抗扰路径跟踪真实控制模型中的稳态扰动，使智能汽车在面对不同扰动时(包含未建模的不确定性扰动及外部未知扰动，其中未建模的不确定性扰动包含车辆质量及轮胎特性变化等带来的扰动)，eso与基于rbfnn的前馈补偿器都能够共同对所述扰动进行估计和实时补偿，最终提升了路径跟踪控制算法的鲁棒性及车辆的稳定性。
附图说明
[0064]
图1是本发明的横向主动抗干扰控制方法的原理图。
[0065]
图2是本发明的横向主动抗干扰控制系统的结构示意图。
[0066]
图3是本发明的自抗扰路径跟踪名义模型示意图。
[0067]
图4是本发明的径向基神经网络模型结构图。
[0068]
图5是本发明的实施例流程图。
[0069]
图6是现有智能汽车在高速车道保持行驶中偏离车道中心示意图。
[0070]
图7是现有智能汽车在高速车道保持行驶中撞上道路边界示意图。
具体实施方式
[0071]
以下参照附图1-7，对本发明一种高速智能汽车横向主动抗干扰控制方法做进一步地说明。
[0072]
如图1所示，为本发明一种高速智能汽车横向主动抗干扰控制方法的原理图，该方法主要由两个部分组成：
[0073]
(1)由跟踪微分器、pd及eso构成的adrc控制器：通过微分跟踪器得到滤波后的参考航向及其变化率信息，设计pd计算参考航向及实际航向的跟踪误差建立pd状态反馈控制律；同时，将车辆实时的航向及上一时刻前轮转角信息输入到eso，使eso实时估计车辆真实航向、航向速率及总扰动的估计值，然后将eso估计到的扰动对pd状态反馈控制律的输出进行补偿进而得到adrc控制律。如果eso对总扰动的估计不精确，将导致控制器鲁棒性不够强，跟踪性能欠缺致使智能汽车在高速车道保持行驶中偏离车道中心，如图6所示；甚至还
可能撞上道路边界，如图7所示。故需要引入基于rbfnn的前馈补偿器进行前馈补偿，消除跟踪过程中的稳态扰动。
[0074]
(2)基于rbfnn的前馈补偿器：计算出车辆真实航向及其变化率与参考航向及其变化率间的航向误差和航向误差变化率并输入到rbfnn中，估计eso无法估计到的稳态扰动并直接进行补偿，最终得到adrc控制律与基于rbfnn的前馈补偿器的估计值相叠加的前轮转角控制律，实现将adrc控制律及基于rbfnn的前馈补偿器构成复合横向主动抗干扰控制方法，完成所述高速智能汽车横向主动抗干扰控制系统的闭环反馈与前馈调节。
[0075]
如图2所示，为本发明一种高速智能汽车横向主动抗干扰控制系统，包含初始化模块、adrc及基于rbfnn的前馈补偿器等控制模块。
[0076]
根据图1和图2，可以得到本发明一种高速智能汽车横向主动抗干扰控制方法，利用高速智能汽车横向主动抗干扰控制系统进行控制。所述高速智能汽车横向主动抗干扰控系统具体设计步骤如下：
[0077]
步骤1：设计微分跟踪器
[0078]
微分跟踪器接收规划模块下发的参考航向信息；并将其输入到微分跟踪器进一步得到参考航向变化率信息。然后计算出车辆真实航向及其变化率与参考航向及其变化率间的航向误差和航向误差变化率。
[0079]
步骤2：设计自抗扰路径跟踪名义模型
[0080]
根据单轨车辆动力学模型设计如图3所示的自抗扰路径跟踪名义模型，该模型主要包含参考道路和智能汽车动力学模型，构建了参考道路与智能汽车单轨动力学模型的路径跟踪控制关系。其中，还包含车辆姿态信息、frenet坐标系nrorτr、大地坐标系xoy及车辆坐标系xoy等。以数学方程的形式建立所述单轨车辆动力学模型如下：
[0081][0082][0083]
式中：m为车辆质量；vy为侧向车速；v
x
为纵向车速；为横摆角速度；为横摆角加速度；iz为转动惯量；lf和lr分别为前后车轴到质心处的距离；c
αf
和c
αr
分别为前后轮的侧偏刚度；δf为前轮转角。
[0084]
所述自抗扰路径跟踪名义模型为：
[0085][0086]
式中：d为外部未知扰动，f为总扰动，b为被控输入增益系数。
[0087]
步骤3：设计eso
[0088]
根据自抗扰路径跟踪名义模型设计扩张状态观测器，用于估计步骤2中自抗扰路径跟踪名义模型中的总扰动。以状态空间方程形式设计eso如下：
[0089][0090]
式中：
[0091]
为eso的状态量矩阵，及分别为及f的估计值，为eso状态量矩阵的系数矩阵，为eso输入控制量的系数矩阵，l＝[l
1 l
2 l3]
t
为eso的增益系数矩阵。选择eso增益使特征多项式s3+l1s2+l2s+l3为赫尔维茨多项式。为了简单调优，eso极点被配置在-ωo，且ωo＞0。所述ωo为eso的带宽，定义
[0092]
步骤4：设计pd
[0093]
将步骤3所述eso对智能汽车实时的航向估计值、航向变化率的估计值、总扰动的估计值以及步骤2中所述跟踪微分器的输出信息输入到pd中，通过pd建立pd状态反馈控制律如下：
[0094][0095]
式中：δ
01
为pd状态反馈控制律，q1和q2均为pd增益系数且满足q1＞0，q2＞0，选择pd增益系数使特征多项式s2+q2s+q1为赫尔维茨多项式；取pd带宽为ωc，q2＝2ωc。
[0096]
步骤5：设计adrc控制律
[0097]
将步骤3中eso对总扰动的估计值补偿到步骤4中pd状态反馈控制律输出，进而设计adrc控制律为：
[0098][0099]
进一步地，在步骤3中，假设f＝f1+f2，其中f1为被eso准确估计的部分，f2为eso难以估计到的部分总扰动。f1被消除后，所述步骤2中自抗扰路径跟踪名义模型被更新为其控制律设计为
[0100][0101]
式中：矩阵c为f2和δ
01
的系数矩阵；矩阵a为自抗扰路径跟踪名义模型状态量矩阵的系数矩阵，为自抗扰路径跟踪名义模型期望的状态量矩阵，为自抗扰路径跟踪名义模型的误差状态量矩阵，k
p
为的系数矩阵，且α1为一个大于0的参数。
[0102]
进一步地，所述步骤2中，假设自抗扰路径跟踪真实控制模型为所述自抗扰路径跟踪真实控制模型为与自抗扰路径跟踪名义模型对应的真实模型，确定基于自抗扰路径跟踪真实控制模型的误差系统为
[0103]
[0104]
式中：矩阵ca为所述自抗扰路径跟踪真实控制模型中f2和δ
01
的系数矩阵，δa＝a-aa与δc＝c-ca均为自抗扰路径跟踪名义模型与自抗扰路径跟踪真实控制模型中系数矩阵的差值矩阵，为所述自抗扰路径跟踪真实控制模型中的误差状态矩阵的微分矩阵，f3＝-δaξ-δcf
2-δcδ
01
为自抗扰路径跟踪真实控制模型中的稳态扰动。
[0105]
步骤:6：设计基于rbfnn的前馈补偿器
[0106]
设计如图4所示的基于rbfnn的前馈补偿器，其中w＝[w1ꢀ…ꢀw6 w7]
t
为rbfnn的权值，其中输入层分别车辆真实航向状态与参考系统航向的跟踪误差及其变化率；隐藏层由7个神经元组成，h＝[h1ꢀ…ꢀh6 h7]
t
为高斯基函数；输出层为eso无法估计到的稳态扰动。
[0107]
所述基于rbfnn的前馈补偿器设计为：
[0108]
δ
out
＝w
th[0109]
式中：隐藏层的激活函数hj表示为：
[0110][0111]
式中：为输入向量；cj为第j个节点的中心值向量；bj为第j个节点的高斯基函数的基宽值向量。rbfnn的理想输出和实际输出δ
rbf
分别为：
[0112][0113]
式中：和依次为理想和实际的rbfnn权值。假定εn为一个很小的正实数，则满足其中f3为基于rbfnn的前馈补偿器需要消除的稳态扰动；定义rbfnn逼近误差由于ε是有界的，假设误差上界为rbfnn网络实际输出值δ
rbf
与f3满足：
[0114][0115]
式中：
[0116]
所述rbfnn权值自适应律为：
[0117][0118]
式中：γ＞0，κ＞0，γ和κ均为设定的参数；为rbfnn的输入矩阵，||x||为矩阵x的范数；为设定的系数矩阵且满足k1＞0和k2＞0；矩阵p是对称正定的且满足pe+e
t
p＝-q，其中e＝-k
p
，q为设定的矩阵且q≥0。
[0119]
步骤7：根据步骤5和步骤6设计前轮转角控制律设计为：
[0120][0121]
步骤8：对由步骤7确定的最终前轮转角施加控制约束及进行滤波处理，将其作为控制信号以固定频率下发给智能汽车，智能汽车根据最终前轮转角对智能汽车进行横向主动抗干扰控制。进一步地，判断智能汽车是否到达目的地，若是，则车辆完成控制任务，否则
循环步骤步骤1至步骤7，使智能汽车安全稳定地跟踪期望路径，完成控制任务。
[0122]
本发明不局限于上述实施例的细节，任何在本发明披露的技术范围内的等同构思或者改变，均列为本发明的保护范围。

技术特征：
1.一种高速智能汽车横向主动抗干扰控制方法，其特征在于：利用高速智能汽车横向主动抗干扰控制系统进行控制，所述高速智能汽车横向主动抗干扰控制系统包括初始化模块、自抗扰控制器和基于自适应径向基神经网络的前馈补偿器；所述初始化模块，负责检查感知模块、定位模块、规划模块及底盘模块信号收发是否正常；加载单轨车辆动力学参数，加载adrc参数，加载基于rbfnn的前馈补偿器参数，加载自抗扰路径跟踪名义模型参数；所述rbfnn为自适应径向基神经网络，所述adrc为自抗扰控制器；所述自抗扰控制器由跟踪微分器、pd和eso构成，实现车辆航向偏差状态闭环反馈控制，所述pd为比例微分器，所述eso为扩张状态观测器；所述eso用于估计路径跟踪过程中产生的总扰动，所述总扰动为未建模的不确定性扰动及外部未知扰动，所述未建模的不确定性扰动包含车辆质量及轮胎特性变化带来的扰动，对pd状态反馈控制律输出进行补偿进而得到adrc控制律；所述基于rbfnn的前馈补偿器估计eso无法估计到的稳态扰动并直接进行补偿，最终得到adrc控制律与基于rbfnn的前馈补偿器的估计值相叠加的前轮转角控制律，实现将adrc控制律及基于rbfnn的前馈补偿器构成复合横向主动抗干扰控制方法，完成闭环反馈与前馈调节；所述控制方法包括以下步骤：步骤1：初始化初始化模块负责检查感知模块、定位模块、规划模块及底盘模块信号收发是否正常，加载单轨车辆动力学参数，加载自抗扰路径跟踪名义模型参数，加载自抗扰控制器参数，加载基于rbfnn的前馈补偿器参数；以数学方程的形式建立所述单轨车辆动力学模型如下：以数学方程的形式建立所述单轨车辆动力学模型如下：式中：m为车辆质量；v
y
为侧向车速；v
x
为纵向车速；为横摆角速度；为横摆角加速度；i
z
为转动惯量；l
f
和l
r
分别为前后车轴到质心处的距离；c
αf
和c
αr
分别为前后轮的侧偏刚度；δ
f
为前轮转角；所述自抗扰路径跟踪名义模型为：式中：d为外部未知扰动，f为总扰动，b为被控输入增益系数；步骤2：获取参考航向及其变化率微分跟踪器接收规划模块下发的参考路径信息，所述参考路径信息包括参考航向信息；将参考航向信息输入到微分跟踪器得到参考航向变化率信息；然后找到在参考路径上
距离智能汽车最近的匹配点，计算出车辆真实航向及其变化率与参考航向及其变化率之间的航向误差和航向误差变化率；所述微分跟踪器的数学方程如下：式中：t为采样时间；r1(k)和r2(k)均为微分跟踪器的输出状态量，即分别为滤波后的参考航向及其变化率信息，r1(k+t)和r2(k+t)均为微分跟踪器下一时刻的输出状态量；为微分跟踪器的输入信息，即期望航向角；g0为速度因子，决定跟踪速度；h0为滤波因子，具有滤波作用；z、a0及a均为微分跟踪器计算过程中产出的中间变量；函数fhan(r1,r2,g0,h0)被定义为：所述航向误差和航向误差变化率的计算公式为：式中：为车辆在大地坐标系下实时的横摆角；为航向误差；为航向误差变化率；步骤3：基于eso进行状态估计将智能汽车实时的航向信息及上一时刻智能汽车的前轮转角信息输入到eso中，eso输出信息为智能汽车的航向估计值、航向变化率的估计值及总扰动的估计值；所述eso的状态空间方程为：式中：式中：为eso的状态量矩阵，及分别为及f的估计值，为eso状态量矩阵的系数矩阵，为eso输入控制量的系数矩阵，l＝[l
1 l
2 l3]
t
为eso的增益系数矩阵；选择eso增益使特征多项式s3+l1s2+l2s+l3为赫尔维茨多项式；为了简单调优，eso极点被配置在-ω
o
，且ω
o
＞0；所述ω
o
为eso的带宽，定义
步骤4：确定pd状态反馈控制律将步骤3所述eso对智能汽车实时的航向估计值、航向变化率的估计值、总扰动的估计值以及步骤2中所述跟踪微分器的输出信息输入到pd中，通过pd建立pd状态反馈控制律；所述pd状态反馈控制律为：式中：δ
01
为pd状态反馈控制律，q1和q2均为pd增益系数且满足q1＞0，q2＞0，选择pd增益系数使特征多项式s2+q2s+q1为赫尔维茨多项式；取pd带宽为ω
c
，q2＝2ω
c
；步骤5：确定adrc控制律将步骤3中eso对总扰动的估计值补偿到步骤4中pd状态反馈控制律输出，进而确定adrc控制律为：步骤:6：计算前轮转角控制律将步骤2中计算得到的航向误差及其变化率输入到基于rbfnn的前馈补偿器中，所述基于rbfnn的前馈补偿器通过rbfnn权值自适应律实现权值实时更新，进而实时估计eso无法估计到的稳态扰动并直接进行补偿，最终得到adrc控制律与基于rbfnn的前馈补偿器的估计值相叠加的前轮转角控制律，实现将adrc控制律及基于rbfnn的前馈补偿器构成复合横向主动抗干扰控制方法，完成所述高速智能汽车横向主动抗干扰控制系统的闭环反馈与前馈调节；所述基于rbfnn的前馈补偿器为：δ
out
＝w
t
h式中：h＝[h1…
h
6 h7]
t
；w＝[w1…
w
6 w7]
t
为基于rbfnn的权值，隐藏层的激活函数h
j
表示为：式中：为输入向量；c
j
为第j个节点的中心值向量；b
j
为第j个节点的高斯基函数的基宽值向量；rbfnn的理想输出和实际输出δ
rbf
分别为：式中：和依次为理想和实际的rbfnn权值；假定εn为一个很小的正实数，则满足其中f3为基于rbfnn的前馈补偿器需要消除的稳态扰动；定义rbfnn逼近误差由于ε是有界的，假设误差上界为rbfnn网络实际输出值δ
rbf
与f3满足：式中：
所述rbfnn权值自适应律为：式中：γ＞0，κ＞0，γ和κ均为设定的参数；为rbfnn的输入矩阵，||x||为矩阵x的范数；为设定的系数矩阵且满足k1＞0和k2＞0；矩阵p是对称正定的且满足pe+e
t
p＝-q，其中e＝-k
p
，q为设定的矩阵且q≥0；所述adrc控制律与基于rbfnn的前馈补偿器的估计值相叠加的前轮转角控制律为：式中：δ
rbf
为基于rbfnn的前馈补偿器的估计值；步骤7：进行横向主动抗干扰控制对由步骤6确定的最终前轮转角施加控制约束及进行滤波处理，将其作为控制信号以固定频率下发给智能汽车，智能汽车根据最终前轮转角对智能汽车进行横向主动抗干扰控制；进一步地，判断智能汽车是否到达目的地，若是，则车辆完成控制任务，否则转步骤1。

技术总结
本发明公开了一种高速智能汽车横向主动抗干扰控制方法，包括以下步骤：初始化；获取参考航向及其变化率；基于ESO进行状态估计；确定PD状态反馈控制律；确定ADRC控制律；计算前轮转角控制律；进行横向主动抗干扰控制。本发明基于单轨车辆动力学模型建立了自抗扰路径跟踪名义模型，所设计的ESO能自主估计系统未建模的不确定性扰动及外部未知扰动，提升了路径跟踪控制算法抗干扰的能力，保证了横向和航向跟踪精度。本发明基于RBFNN的前馈补偿器通过RBFNN权值自适应律实现权值实时更新，能准确估计ESO无法估计到的部分总扰动，能够共同对所述扰动进行估计和实时补偿，最终提升了路径跟踪控制算法的鲁棒性及车辆的稳定性。跟踪控制算法的鲁棒性及车辆的稳定性。跟踪控制算法的鲁棒性及车辆的稳定性。


技术研发人员：郭烈 关龙新 岳明 王旭 胥林立
受保护的技术使用者：大连理工大学
技术研发日：2023.07.11
技术公布日：2023/9/9