主题：【原创】汽车安全技术杂谈-主动安全技术（序） -- 波波粥

上一篇说到，由于ACC技术的发展，汽车也变得更加“聪明”起来，未来的无人驾驶汽车并不是梦，但同时对于汽车控制系统的要求是越来越高了。由于汽车行驶动力学的高度非线性特征和行驶工况和周围环境的复杂多变,要实现汽车自动驾驶的精确控制,势必涉及汽车强非线性特征和非线性控制理论及其相应技术。在控制领域的研究课题中，不确定性系统的控制问题长期以来都是控制理论研究的中心主题之一，但是这个问题一直没有得到有效的解决。因为目前无论是经典控制理论还是现代控制理论多利用数学解析的方法，都必须知道被控系统的数学模型，在面对非线性系统控制问题时,多采用对被控系统进行等效线性化的方法,建立一阶或二阶等效线性模型，并进行模型的参数辨识。但这种方法由于参数辨识过程的引入，运算量极大，且随着系统非线性的加剧，精度会变得很差。

呵呵，汽车想要变成机器人，那么就要向人学习嘛，汽车的传感器就像人体的感知器官，中央电脑就相当于人的大脑，我们把这一系统称为“神经网络”，利用神经网络的学习能力，使它在对不确定性系统的控制过程中自动学习系统的特性，从而自动适应系统随时间的特性变异，以求达到对系统的最优控制；显然这是一种十分振奋人心的意向和方法。

在河里，润树河友对于化工控制过程中的神经网络应用有过很精彩的帖子，大家可以看看

润树:【原创】7. 神经网络及其应用

我不是搞自动化出身，不过在汽车行驶运动学方面和一位数学家短期工作过，对神经网络在汽车自动控制方面的应用有点粗浅的认识，呵呵，希望能够引出大家的玉来。

简单来说，神经网络的基本属包括：

非线性，人脑的思维是非线性的，故人工神经网络模拟人的思维也应是非线性的。

非局域性，非局域性是人的神经系统的一个特性，人的整体行为是非局域性的最明显体现。神经网络以大量的神经元连接模拟人脑的非局域性，它的分布存储是非局域性的一种表现。

非定常性，神经网络是模拟人脑思维运动的动力学系统，它可以按照不同时刻的外界刺激对自己的功能进行修改，故而它是一个时变的系统。

非凸性，神经网络的非凸性即是指它有多个极值，也即系统具有不只一个的较稳定的平衡状态。这种属性会使系统的演化多样化。

在汽车控制领域，我们可以使用一种“BP网络”。所谓“BP(Back Propagation)网络”是一种多层前向网络，采用最小均方差学习方式。

神经网络的学习：

典型的三层前向神经网络：

汽车控制系统的难点在于汽车侧向运动（汽车运动也呈现三维状态：俯仰运动，滚转运动，横摆运动。汽车侧向运动是一个合成运动），由于汽车轮胎及转向系统都具有高度非线性且参数时变特征,尤其是汽车高速行驶工况下轮胎力学特性呈现出严重的非稳态非线性特性。哈哈，说了这么多的“汽车侧向运动的非线性，非稳态”，大家可能也是看得一头雾水吧，简单来说，我们转动方向盘，汽车行驶方向应该服从方向盘转角的变化，可是在实际行驶中，方向盘转角引起了汽车侧向运动加速度的动态变化，方向盘转角输入都有相应的侧向加速度与之一一对应。从汽车运动学的角度来看，汽车的侧向位置又是由当前汽车的运动状态(在当前控制周期内，汽车的位置、速度和加速度已知且固定)和因方向盘转角输入引起的汽车侧向运动加速度的变化所决定。所以，汽车的转向角度并不是严格服从我们的“指令”。因此,汽车的侧向运动控制实质上就是汽车侧向加速度的控制。

具体来说，我们需要建立一个方向盘转角控制器。根据汽车侧向运动动力学特性，建立从理想侧向加速度到实际方向盘转角的模型，进而将该转角输入到汽车动力学系统中，得到实际的侧向加速度等汽车状态输出。控制器包括两个控制回路：内环由常规PID控制器和被控对象(汽车侧向运动动力学模型)组成，PID控制器直接对汽车进行闭环控制。外环由BP神经网络实现PID控制器的参数自整定计算，即将神经网络的输出层神经元的输出定义为PID控制器的三个可调参数，从而通过BP学习算法调整神经网络的加权系数，最终找到在跟踪误差最小原则下的PID控制器参数。这样，我们可以通过这个“自主学习”的控制系统在行驶中不断的调整汽车的行驶轨迹，从而达到保持预设行驶路线或者自动避让障碍物的效果。

在这里，哗啦哗啦的说了一大通汽车行驶运动学的名词出来，把大家看得是晕头转向。我本来以为可以把这篇神经网络讲得有趣些，结果发现是写得前所未有的枯燥，我也在烦恼中。。。

下篇预告：汽车行驶运动学和ESP

好像越写越多了