非线性汽车操纵逆动力学的仿真研究

汽车操纵逆动力学是研究已知汽车模型及运动状态（汽车响应）的基础上，反向求得驾驶员操作输入的一门学科。通过分析驾驶员的操纵，可以确定怎样的操作最易于驾驶员接受、最安全以及最快。此研究方法无须建立驾驶员模型，就能求得驾驶员对汽车的操纵输入。这一点对于改善汽车操纵动力学性能，乃至解决当今汽车操纵动力学中的“瓶颈”问题如驾驶员建模等，都具有显著的意义。 在传统的汽车操纵逆动力学研究中，主要采用线性系统为主的研究方法，但实际工程中对高速汽车操纵逆动力学的研究需求与线性系统的研究成果之间存在较大差距，特别是对具有非线性的高速汽车操纵逆动力学的研究更为缺乏。基于这种研究现状，本研究采用基于径向基函数网络的方法，利用径向基网络的广泛近似能力，建立了二自由度非线性高速汽车模型。 径向基函数（Radial Basis Function，简称RBF）网络是一种特殊的前向神经网络，它具备三层结构：输入层、隐含层和输出层。其隐含层单元的作用函数是使用非线性的径向基函数，这种设计允许网络对输入层的激励产生局部化响应。也就是说，只有当输入落在输入空间的特定小范围内时，隐含单元才会产生有意义的非零响应，输出节点则将隐含节点的基函数输出进行线性组合。RBF网络具备很好的任意有限值函数拟合能力，并能通过快速设计替代长时间训练的过程。 在仿真研究中，通过对方向盘角阶跃输入进行识别，证明了利用径向基网络识别方向盘角输入方法的可行性，并显示出此方法在识别精度、运算速度等方面的优势。文章通过初始化聚类中心，将输入信号归类，并计算每个聚类的新中心和宽度，确定隐层单元输出，再进行输出单元的最小二乘法训练。网络输出的误差函数定义为各输出节点的误差平方和。 整体来看，这项研究为非线性汽车操纵逆动力学问题的求解提供了新的视角和方法，利用径向基函数网络的特性，成功建立起了方向盘转角与横摆角速度之间的非线性映射关系。未来，随着相关研究的进一步深入，可能在汽车驾驶安全性和舒适性方面取得重要进步。