廣告
RHONN模型：實時建模和控制非線性車輛行為的潛力
遞歸高階神經(jīng)網(wǎng)絡（Recurrent High-Order Neural Network，RHONN）是一種建立在遞歸神經(jīng)網(wǎng)絡（Recurrent Neural Network，RNN）基礎上的神經(jīng)網(wǎng)絡模型。RHONN能夠通過構(gòu)造狀態(tài)和輸入信號之間的高階多項式來表示系統(tǒng)的非線性動力學行為。由于其高保真度和數(shù)據(jù)驅(qū)動的特性[37]，[38]，[39]，[40]，[41]，RHONN在數(shù)字孿生和并行智能系統(tǒng)中具有巨大的潛力。因此，在本研究中，我們采用RHONN模型來實時建模非線性車輛行為。
此外，我們還定義了平衡狀態(tài)，并利用識別出的RHONN模型作為前饋轉(zhuǎn)向命令來找到平衡狀態(tài)。通過基于預瞄點位置的反饋轉(zhuǎn)向控制器進行補償，我們提出的方法有望在滿足計算要求的情況下增強自動駕駛車輛在各種條件下的跟蹤性能。
RHONN模型的主要優(yōu)勢之一是能夠?qū)ο到y(tǒng)的非線性動力學行為進行準確建模。傳統(tǒng)的線性模型在描述復雜系統(tǒng)時存在局限性，而RHONN模型通過引入高階多項式來更好地逼近真實系統(tǒng)的行為。這使得RHONN能夠更準確地捕捉到車輛行為中的非線性特征，從而提高了模型的預測性能。
另一個關鍵的特點是RHONN模型的數(shù)據(jù)驅(qū)動形式。RHONN利用大量的實際數(shù)據(jù)進行訓練，從而能夠更好地適應不同的駕駛場景和環(huán)境。通過使用實際數(shù)據(jù)進行訓練，RHONN模型能夠從數(shù)據(jù)中學習到系統(tǒng)的動態(tài)特性和復雜關系，提高了模型的泛化能力。
在我們的研究中，我們將RHONN模型應用于實時車輛建模。通過不斷地接收車輛的狀態(tài)和輸入信號，RHONN模型可以實時地對車輛行為進行建模和預測。這為自動駕駛系統(tǒng)提供了重要的信息，使其能夠更準確地理解車輛的行為，并做出相應的決策。
為了進一步優(yōu)化自動駕駛車輛的性能，我們引入了平衡狀態(tài)的概念。通過定義車輛在預瞄點處的平衡狀態(tài)，我們可以將RHONN模型的輸出作為前饋轉(zhuǎn)向命令，使車輛能夠保持在平衡狀態(tài)附近。為了實現(xiàn)更精確的控制，我們還設計了基于預瞄點位置的反饋轉(zhuǎn)向控制器，通過對轉(zhuǎn)向角進行實時調(diào)整，使車輛能夠更好地跟蹤預期軌跡。
總的來說，我們提出的基于RHONN模型的方法具有很大的潛力來增強自動駕駛車輛的跟蹤性能。RHONN模型能夠準確建模車輛的非線性動力學行為，并通過數(shù)據(jù)驅(qū)動的形式適應不同的駕駛場景。通過引入平衡狀態(tài)和反饋轉(zhuǎn)向控制器，我們的方法能夠?qū)崿F(xiàn)更精確的控制，提高自動駕駛車輛在各種條件下的跟蹤性能。未來的研究可以進一步探索和改進RHONN模型，以更好地滿足自動駕駛系統(tǒng)的需求，并推動該領域的發(fā)展。
廣告 
最新資訊
-
“汽車爬坡試驗方法”將有國家標準
2026-03-03 12:44
-
十年耐久監(jiān)管時代：電池系統(tǒng)開發(fā)策略將如何
2026-03-03 12:44
-
聯(lián)合國法規(guī)R59對機動車備用消聲系統(tǒng)的工程
2026-03-03 12:08
-
聯(lián)合國法規(guī)R58對后下部防護裝置的工程化約
2026-03-03 12:07
-
聯(lián)合國法規(guī)R57對摩托車前照燈配光性能的工
2026-03-03 12:07
