摘 要：本文针对车辆的行驶控制技术进行了研究，提出了一种模糊神经网络PID控制算法来实现车辆的行驶控制。该方法将模糊理论和神经网络相结合，并利用其调整PID参数，实现对自动监测车辆的行驶控制。由仿真得出，该控制算法具有很好的控制性能，解决了普通PID控制器在控制时变、非线性系统中所出现的问题，具有控制速度快、实时性好、稳态误差小的特点。
关键词：智能车；PID控制；模糊算法；神经网络
引言
随着智能交通技术（ITS）的发展,智能车的自主化行驶程度不断提高，无人车的自动驾驶控制技术的研究也逐渐成为各个国家的热点。今后的研究方向是如何将各种控制方法有效的结合以达到最优的控制效果。对此，本文针对智能车行驶控制问题进行了深入的研究，提出了一种自适应性比较高的单车线沿线制导行驶控制算法。
1.行驶控制算法选定
PID控制是应用最为广泛的策略之一，其控制结构简单、参数易于在线调整，主要适用于线性系统控制。而被控对象往往机理复杂，具有高度非线性、时变不确定性和纯滞后等特点，常规PID控制器存在参数整定不良、适应性差等问题。仿真假设道路上没有障碍、岔道等较为理想的情况；车道宽为3m；车中心沿车道线右边1m处行驶；车宽1m；道路由直线路段和弧度较大的圆弧路段组成；车与引导线的夹角小于等于45度；车前轮转角小于30度；油门开度调节最大值30%；偏移量最大为150cm；车辆以80KM/h的速度跟踪车道线而不冲出路面；
车辆实际速度与设定的标准速度的偏差作为第一个控制器的输入量，输出的控制量为车轮驱动力。为确保车辆的安全行驶，即不让车辆冲出即定的轨道，选定车身到路中心距离作为第二个控制器输入量，输出为车辆的前轮拐角。仅考虑车辆与轨道中心的距离这个偏差作为输入量，车辆不可避免地会围绕路中心振荡，为此选定车辆速度方向与道路方向之间的夹角作为第三个控制器输入量，输出的控制量仍为方向盘拐角。
在控制模型内对三个PID环节的输出进行线性加权。控制结构如图3所示。仿真程序的流程如图4所示。
图3车辆控制模型原理图 图4行驶控制仿真程序流程图
将模糊神经网络PID控制算法应用到仿真程序中，所得的实验结果如下。实验将普通PID控制和模糊神经网络PID控制的结果进行对比，此外也将模糊PID控制的误差进行了详细的统计。图中，竖格线为行驶距离标致线，每一格表示100米；虚线为自动监测车辆中心所要求行驶的路径；虚线上面的线为应急车道线，即自动监测车辆所要跟踪的引导线；虚线下方的线为假定高速路边界。
图5直线路段使用普通PID的控制效果图 图6直线路段使用模糊神经网络PID的控制效果图
（注：初始kp=0.2、ki=20、 kd=50，初始偏移量为100cm，初始偏移角度为0）
图7曲线路段使用普通PID的控制效果图 图8曲线路段使用模糊神经网络PID的控制效果图
（注：初始kp=0.2、ki=20、 kd=50，初始偏移量为0，初始偏移角度为0）
由上面的仿真结果可知，使用模糊神经网络PID控制的控制效果比普通PID控制的控制效果有了很大的提升。试验证明了该模糊神经网PID控制算法是收敛的，能在效短的时间内达到稳态。
表1中所示的是在不同道路弯度和不同初始偏移量及偏移角度下的行驶跟踪高误差。
表1 行驶控制误差表
（注：曲度为每一千米道路方向所转过的角度，单位为度；误差为行驶控制的稳态偏移量，即车辆偏离即定路线的距离，单位为厘米；初始偏移量为车进行控制前偏离轨道的距离和车身方向与道路方向的偏角，表示为 偏离角度/偏离距离 ，单位为 度/厘米）
从表1可以看出，使用模糊神经网络PID控制算法，对于适当的初始PID参数，所取得的控制效果能够得到
较大的改善。在弯道路段的稳态误差到直线路段均能收敛为0。
4.结束语
本文对自智能车行驶控制的算法进行了研究。通过对各种控制算法的研究比较，提出了一种模糊神经网络PID控制算法，将模糊理论和神经网络相结合，并利用其调整PID参数，使控制系统达到很好的控制性能，解决了普通PID控制器在控制时变、非线性系统中所出现问题。将算法应用到本课题所研究的自动监测车辆行驶控制中，从仿真可知模糊神经网络PID控制器的控制效果明显优于普通的PID控制器，具有控制速度快、实时性好、稳态误差小的特点。在进一步的研究中，要针对更复杂的情况，改进算法，提高稳定性。
参考文献：
. Control Theory and Applications , 1995 ,12 (4) :491–497
