【技术实现步骤摘要】
本专利技术涉及自动驾驶 ，尤其涉及一种基于rbf神经网络的自适应巡航控制方法及装置。
技术介绍
1、随着汽车工业的发展，自动驾驶和高级驾驶辅助系统（advanced driverassistance systems，简称adas）得到了广泛的关注和研究。其中，自适应巡航控制（adaptive cruise control ，简称acc）系统是实现自动驾驶的重要组成部分。acc是自动驾驶车辆的一种基本控制方法，其主要利用车载传感器和功能模块获取车辆周围以及自身的信息，调节车辆自身的加-减速度，以保持合理车间距离，提高行车安全性，实现车辆高效、安全、舒适的行驶。
2、目前采用的acc系统主要基于经典控制理论，比如pid控制和模糊控制等，pid控制主要是在被控制量偏离控制值时、基于控制器的输出和输入误差信号成一定的比例关系，使系统稳定、快速地自动回到设定值上；模糊控制主要是将实际速度与设定速度之间的误差以及误差的变化率作为输入变量，通过模糊化、模糊控制规则进行模糊推理，以根据推理结果控制车辆的加速度或减速度。
3、然而，由于车辆行驶环境复杂多变，pid控制容易造成控制效果不理想，且面对较大的外部干扰或系统参数变化时，pid控制的鲁棒性可能不足；而模糊控制规则通常需要依赖专家经验或大量的实验数据总结调整，且其基于模糊推理和近似决策，容易影响控制精度。
技术实现思路
1、本专利技术提供一种基于rbf神经网络的自适应巡航控制方法及装置，用以解决现有技术中自适应巡航控制受
2、本专利技术提供一种基于rbf神经网络的自适应巡航控制方法，包括：获取自适应巡航输入变量；将自适应巡航输入变量输入至扭矩控制模型中，得到扭矩控制模型输出的发动机扭矩变化量；其中，扭矩控制模型是利用自适应粒子群优化算法对在先建立的径向基函数rbf神经网络进行离线优化得到的；根据发动机控制扭矩变化量，控制车辆进行自适应巡航。
3、根据本专利技术提供的一种基于rbf神经网络的自适应巡航控制方法，利用自适应粒子群优化算法对在先建立的径向基函数rbf神经网络进行离线优化，包括：获取在先建立的径向基函数rbf神经网络的待优化参数；对待优化参数进行编码，得到粒子以及由粒子组成的粒子群；随机生成粒子的初始位置和速度，以对粒子群进行初始化，并利用预设适应度函数，确定每个粒子的适应度；根据各粒子的适应度，更新对应粒子的速度和位置，并自适应调整自适应粒子群优化算法的飞行参数，以动态调整搜索策略；其中，飞行参数包括惯性权重、个体认知因子和社会认知因子；利用调整后的搜索策略，对粒子群进行更新，并获取粒子最优位置；根据粒子最优位置，重新确定粒子的适应度，并根据重新确定的粒子的适应度，重新更新粒子的速度和位置，以及重新自适应调整自适应粒子群优化算法的飞行参数，以动态调整搜索策略，并根据重新调整的搜索策略，对粒子群进行更新，并获取粒子最优位置，重复迭代，直至迭代次数符合预设次数，输出最后一次迭代得到的粒子最优位置；根据最后一次迭代得到的粒子最优位置对应的参数，配置径向基函数rbf神经网络，得到扭矩控制模型。
4、根据本专利技术提供的一种基于rbf神经网络的自适应巡航控制方法，扭矩控制模型包括输入层、隐藏层和输出层，将自适应巡航输入变量输入至扭矩控制模型中，得到扭矩控制模型输出的发动机扭矩变化量，包括：将自适应巡航输入变量输入至输入层中，并通过输入层输入至隐藏层中；隐藏层的每个神经元分别根据输入的自适应巡航输入变量与预设径向基函数，得到各神经元的输出值，并结合输出层，得到发动机扭矩变化量。
5、根据本专利技术提供的一种基于rbf神经网络的自适应巡航控制方法，隐藏层的每个神经元分别根据输入的自适应巡航输入变量与预设径向基函数，得到各神经元的输出值，并结合输出层，得到发动机扭矩变化量，包括：隐藏层的每个神经元分别根据输入的自适应巡航输入变量与预设径向基函数的中心，得到自适应巡航输入变量与中心的距离；根据自适应巡航输入变量与中心的距离，利用预设径向基函数，得到各神经元的输出值；根据每个神经元的输出值，得到向量，并将向量与输出层的连接权重进行加权求和，得到发动机扭矩变化量。
6、根据本专利技术提供的一种基于rbf神经网络的自适应巡航控制方法，在根据发动机扭矩变化量，控制车辆进行自适应巡航之后，包括：获取车辆监测车速；基于车辆监测车速与预设车速，利用梯度下降法，在线优化扭矩控制模型。
7、根据本专利技术提供的一种基于rbf神经网络的自适应巡航控制方法，基于车辆监测车速与预设车速，利用梯度下降法，在线优化扭矩控制模型，包括：基于车辆监测车速与预设车速，确定损失函数；确定损失函数相对于扭矩控制模型参数的梯度；利用梯度下降法和预设学习率，对扭矩控制模型参数进行更新，并利用更新参数后的扭矩控制模型参数重新计算发动机扭矩变化量；利用重新计算的发动机扭矩变化量控制车辆进行自适应巡航控制，并重新获取监测车速；根据重新获取的监测车速与预设车速，更新损失函数，直至损失函数收敛，确定对应扭矩控制模型参数；利用确定的扭矩控制模型参数，优化扭矩控制模型。
8、本专利技术还提供一种基于rbf神经网络的自适应巡航控制装置，包括：参数获取模块，获取自适应巡航输入变量；扭矩获取模块，将自适应巡航输入变量输入至扭矩控制模型中，得到扭矩控制模型输出的发动机扭矩变化量；其中，扭矩控制模型是利用自适应粒子群优化算法对在先建立的径向基函数rbf神经网络进行离线优化得到的；控制模块，根据发动机扭矩变化量，控制车辆进行自适应巡航。
9、本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一种所述基于rbf神经网络的自适应巡航控制方法。
10、本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于rbf神经网络的自适应巡航控制方法。
11、本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于rbf神经网络的自适应巡航控制方法。
12、本专利技术提供的基于rbf神经网络的自适应巡航控制方法及装置，通过利用基于自适应粒子群优化算法优化径向基函数rbf神经网络，以便于根据不同的道路条件和驾驶环境，自适应调整参数，显著提高参数优化的效率和效果，增强模型的适应能力和可靠性，进而便于利用优化得到的扭矩控制模型对获取的自适应巡航输入变量进行发动机扭矩控制，从而根据获得的发动机扭矩变化量控制车辆，以实现自适应巡航控制，提高自适应巡航控制的精度和响应速度。
本文档来自技高网...【技术保护点】
1.一种基于RBF神经网络的自适应巡航控制方法，其特征在于，包括：
2.根据权利要求1所述的基于RBF神经网络的自适应巡航控制方法，其特征在于，利用自适应粒子群优化算法对在先建立的径向基函数RBF神经网络进行离线优化，包括：
3.根据权利要求1所述的基于RBF神经网络的自适应巡航控制方法，其特征在于，所述扭矩控制模型包括输入层、隐藏层和输出层，将所述自适应巡航输入变量输入至扭矩控制模型中，得到所述扭矩控制模型输出的发动机扭矩变化量，包括：
4.根据权利要求3所述的基于RBF神经网络的自适应巡航控制方法，其特征在于，所述隐藏层的每个神经元分别根据输入的自适应巡航输入变量与预设径向基函数，得到各所述神经元的输出值，并结合所述输出层，得到发动机扭矩变化量，包括：
5.根据权利要求1所述的基于RBF神经网络的自适应巡航控制方法，其特征在于，在根据所述发动机扭矩变化量，控制车辆进行自适应巡航之后，包括：
6.根据权利要求5所述的基于RBF神经网络的自适应巡航控制方法，其特征在于，基于所述车辆监测车速与预设车速，利用梯度下降法，在线
7.一种基于RBF神经网络的自适应巡航控制装置，其特征在于，包括：
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述基于RBF神经网络的自适应巡航控制方法。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于RBF神经网络的自适应巡航控制方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于RBF神经网络的自适应巡航控制方法。
...【技术特征摘要】
1.一种基于rbf神经网络的自适应巡航控制方法，其特征在于，包括：
2.根据权利要求1所述的基于rbf神经网络的自适应巡航控制方法，其特征在于，利用自适应粒子群优化算法对在先建立的径向基函数rbf神经网络进行离线优化，包括：
3.根据权利要求1所述的基于rbf神经网络的自适应巡航控制方法，其特征在于，所述扭矩控制模型包括输入层、隐藏层和输出层，将所述自适应巡航输入变量输入至扭矩控制模型中，得到所述扭矩控制模型输出的发动机扭矩变化量，包括：
4.根据权利要求3所述的基于rbf神经网络的自适应巡航控制方法，其特征在于，所述隐藏层的每个神经元分别根据输入的自适应巡航输入变量与预设径向基函数，得到各所述神经元的输出值，并结合所述输出层，得到发动机扭矩变化量，包括：
5.根据权利要求1所述的基于rbf神经网络的自适应巡航控制方法，其特征在于，在根据所述发动机扭矩变化量，控制车辆进行自适...
【专利技术属性】
技术研发人员：张琳琳，任广霄，冯爽，王金勇，
申请(专利权)人：中国重汽集团济南动力有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。