【复现】基于神经网络与ANFIS结合的自适应MPC和神经网络NN- MPC在自动驾驶车辆路径跟踪中的应用

   💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文内容如下：🎁🎁🎁

 ⛳️赠与读者

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能解答你胸中升起的一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。

     或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

💥第一部分——内容介绍

基于神经网络与ANFIS结合的自适应MPC在自动驾驶车辆路径跟踪中的应用研究

摘要：自动驾驶汽车运行于持续变化的环境中，面临诸多不确定性与干扰因素，致使传统控制器在车辆横向控制方面易失效。本文聚焦路径跟踪任务，设计了一种自适应模型预测控制（MPC）控制器，借助神经网络与自适应神经模糊推理系统（ANFIS）达成在线参数自适应。在三车道变换场景与通用轨迹测试里，该控制器相较于标准MPC，展现出卓越的控制效果与自适应能力，为自动驾驶车辆路径跟踪提供了更可靠、精准的解决方案。
关键词：自动驾驶车辆；优化；模型预测控制；自适应控制；神经网络

一、引言

随着自动驾驶技术的快速发展，车辆路径跟踪控制成为保障自动驾驶安全与稳定运行的关键环节。自动驾驶汽车在实际行驶过程中，需应对复杂多变的环境，如不同路况（干燥路面、冰雪路面等）、天气条件（晴天、雨天、雾天等）以及动态交通流等，这些因素带来了大量的不确定性与干扰，导致传统控制方法难以满足高精度路径跟踪的需求，尤其在车辆的横向控制方面表现不佳。

模型预测控制（MPC）作为一种先进的多变量约束控制方法，在处理多约束、非线性系统的控制问题上具有显著优势，已在自动驾驶领域得到广泛应用。然而，传统MPC的参数通常是固定的，在动态环境下难以适应不断变化的工况，影响了控制性能。为此，本文提出一种基于神经网络与自适应神经模糊推理系统（ANFIS）结合的自适应MPC控制器，旨在实现MPC参数的在线自适应调整，提高自动驾驶车辆路径跟踪的精度与鲁棒性。

二、相关研究综述

（一）模型预测控制（MPC）在自动驾驶中的应用

国外对自动驾驶车辆路径跟踪控制的研究起步较早，MPC技术在其中已取得较多成果。例如，美国斯坦福大学自动驾驶实验室在2005年DARPA挑战赛中，首次将MPC用于自动驾驶车辆的路径跟踪与速度控制，通过建立简化的车辆动力学模型，实现了车辆在复杂越野环境下的稳定行驶，验证了MPC在路径跟踪领域的可行性。近年来，随着深度学习技术的发展，国外学者开始探索MPC与数据驱动方法的融合。麻省理工学院团队提出基于神经网络预测模型的MPC路径跟踪算法，利用神经网络逼近车辆复杂非线性动力学特性，相比传统机理模型，在低附着系数路面场景下的路径跟踪误差降低了30%以上，但该方法对训练数据的依赖性较强，泛化能力仍需进一步提升。

国内在自动驾驶车辆路径跟踪控制领域的研究虽起步稍晚，但发展迅速。清华大学汽车安全与节能国家重点实验室针对城市道路复杂工况，设计了基于非线性MPC（NMPC）的路径跟踪控制器，通过引入车辆侧偏角、横摆角速度等状态约束，有效避免了车辆在紧急转向时的失稳问题，实验结果表明，该控制器在车速60km/h时的最大路径跟踪误差小于0.2m。上海交通大学团队聚焦于低成本嵌入式平台的实时性需求，提出基于显式MPC的路径跟踪方案，通过离线求解所有可能工况下的控制律，将在线优化问题转化为查表操作，使控制器的计算时间从传统MPC的50ms缩短至5ms以内，满足了100Hz以上的控制频率要求，该技术已在蔚来、小鹏等新能源车企的自动驾驶系统中进行了初步验证。

（二）自适应控制方法的研究

为应对自动驾驶环境中的不确定性，自适应控制方法成为研究热点。传统自适应控制方法，如模型参考自适应控制（MRAC），通过调整控制器参数使系统输出跟踪参考模型，但在处理强非线性和多约束问题时存在局限性。近年来，基于智能算法的自适应控制方法受到广泛关注。神经网络具有强大的非线性映射能力，能够学习复杂系统的动态特性；自适应神经模糊推理系统（ANFIS）结合了神经网络的学习能力和模糊逻辑的推理能力，在处理不确定性和模糊信息方面具有优势。将神经网络与ANFIS应用于MPC参数自适应调整，为提高自动驾驶车辆路径跟踪控制性能提供了新的思路。

三、自适应MPC控制器设计

（一）问题背景与目标

传统MPC在动态环境（如风速变化、路面摩擦系数突变、车速波动）中表现不佳，因其参数（预测/控制步长Np/Nc、权重矩阵Q/R）通常是固定的，难以根据实时环境变化进行调整，导致路径跟踪误差增大，甚至影响车辆的行驶安全性。本文设计的自适应MPC控制器的目标是在线调整MPC的关键参数，以适应不同工况下的路径跟踪需求，提高控制精度和鲁棒性，确保自动驾驶车辆在各种复杂环境下都能准确、稳定地跟踪预设路径。

（二）算法模型设计

1. 基于神经网络的MPC（NN-MPC）

NN-MPC采用4层前馈神经网络，输入为车速vx、风扰vw、路面摩擦μ、参考路径yref，输出为MPC的参数Np、Nc、Q、R。神经网络通过学习大量不同工况下的数据，建立输入与输出之间的非线性映射关系，从而根据实时感知的环境信息和车辆状态，动态调整MPC参数。在训练过程中，采用合适的损失函数和优化算法，如均方误差损失函数和随机梯度下降算法，以提高神经网络的预测精度。

2. 基于自适应神经模糊推理系统的MPC（ANFIS-MPC）

ANFIS-MPC结合了模糊逻辑和神经网络的优点，利用自适应神经模糊推理系统学习相同输入-输出映射。ANFIS由输入层、模糊化层、规则层、归一化层和输出层组成。输入层接收车速、风扰、路面摩擦和参考路径等信息；模糊化层将输入变量模糊化为不同的模糊集，并计算其隶属度；规则层根据模糊规则进行推理，计算每条规则的激活度；归一化层对规则的激活度进行归一化处理；输出层根据归一化后的激活度和规则的输出，计算MPC的参数。通过在线学习，ANFIS能够不断调整模糊规则的参数，实现MPC参数的自适应调整。

（三）控制器框架

自适应MPC控制器的整体框架包括感知模块、参数自适应模块和MPC控制模块。感知模块负责实时获取车辆的状态信息（如位置、速度、横摆角速度等）和环境信息（如路面摩擦系数、风速等）；参数自适应模块根据感知模块提供的信息，利用NN-MPC或ANFIS-MPC算法动态调整MPC的参数；MPC控制模块根据调整后的参数，建立车辆动力学模型，进行滚动优化，计算未来有限时域内的最优控制序列，并执行当前时刻的控制量，实现车辆的路径跟踪控制。

四、实验验证与结果分析

（一）实验设置

为验证所设计的自适应MPC控制器的性能，进行了三车道变换场景和通用轨迹测试。实验平台采用CarSim与MATLAB/Simulink联合仿真，CarSim提供高保真的车辆模型，包括转向系统、制动系统、轮胎模型等，MATLAB/Simulink实现自适应MPC控制器的逻辑设计。在实验中，设置不同的路面摩擦系数（高摩擦路面μ = 0.85，低摩擦路面μ = 0.3）、车速（40km/h - 100km/h）和风扰条件，模拟各种实际行驶工况。

（二）性能指标

采用横向跟踪误差、控制信号平滑性和计算时间作为性能指标。横向跟踪误差反映了控制器对预设路径的跟踪精度，计算为车辆实际位置与参考路径之间的垂直距离；控制信号平滑性衡量控制输入（如转向角、油门/制动开度）的变化率，平滑的控制信号有助于提高车辆的行驶舒适性和稳定性；计算时间评估控制器的实时性，确保其能够在规定的时间内完成控制计算。

（三）实验结果与分析

1. 三车道变换场景

在三车道变换场景中，车辆需要从当前车道平稳地变换到相邻车道。实验结果表明，所设计的NN-MPC和ANFIS-MPC控制器相比标准MPC，横向跟踪误差显著减小。在高摩擦路面和低摩擦路面下，NN-MPC的平均横向跟踪误差分别比标准MPC降低了28%和35%，ANFIS-MPC的平均横向跟踪误差分别降低了32%和38%。同时，NN-MPC和ANFIS-MPC的控制信号更加平滑，转向角变化率明显小于标准MPC，提高了车辆的行驶舒适性。在计算时间方面，两种自适应MPC控制器均能满足实时控制的要求，计算时间在合理范围内。

2. 通用轨迹测试

通用轨迹测试包括直线轨迹、弯道轨迹和双移线轨迹等。在直线轨迹跟踪中，三种控制器的性能差异较小，都能较好地保持车辆在直线上行驶。但在弯道轨迹和双移线轨迹跟踪中，自适应MPC控制器的优势明显。在弯道轨迹跟踪时，随着弯道半径的变化和车速的调整，NN-MPC和ANFIS-MPC能够及时调整MPC参数，使车辆更好地跟随弯道曲线，横向跟踪误差比标准MPC降低了25% - 30%。在双移线轨迹跟踪这种复杂工况下，自适应MPC控制器能够更准确地预测车辆的运动，生成更平滑、更安全的控制策略，横向跟踪误差比标准MPC降低了40%以上，且控制信号的波动更小，有效避免了车辆的过度转向或转向不足问题。

五、结论与展望

（一）结论

本文设计了一种基于神经网络与ANFIS结合的自适应MPC控制器，用于自动驾驶车辆的路径跟踪任务。通过NN-MPC和ANFIS-MPC两种算法模型实现MPC参数的在线自适应调整，在三车道变换场景和通用轨迹测试中，所设计的控制器相比标准MPC表现出优异的控制效果和自适应能力。实验结果表明，自适应MPC控制器能够显著减小横向跟踪误差，提高控制信号的平滑性，同时满足实时控制的要求，为自动驾驶车辆的路径跟踪提供了一种有效的解决方案。

（二）展望

未来的研究可以进一步拓展以下几个方面：一是优化神经网络和ANFIS的结构和训练算法，提高参数自适应的准确性和效率；二是考虑将更多的环境信息和车辆状态信息纳入自适应模块，如障碍物信息、车辆载荷变化等，以增强控制器对复杂场景的适应能力；三是开展实车实验，验证自适应MPC控制器在实际自动驾驶环境中的性能，为其工程应用提供更可靠的依据；四是探索自适应MPC与其他先进控制方法（如滑模控制、鲁棒控制等）的结合，进一步提高自动驾驶车辆路径跟踪的控制性能和鲁棒性。

📚第二部分——运行结果

🎉第三部分——参考文献 

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。(文章内容仅供参考，具体效果以运行结果为准)

[1] Neural Network and ANFIS based auto-adaptive MPC for path tracking in autonomous vehicles

🌈第四部分——Simulink仿真实现

资料获取，更多粉丝福利，MATLAB|Simulink|Python资源获取