CN119511918A 基于神经网络的履带车辆运动状态控制方法、系统及介质 （江苏智能无人装备产业创新中心有限公司）

基于神经网络的履带车辆运动状态控制方本发明公开了一种基于神经网络的履带车建运动状态预测模型，获取履带车辆的参考轨理模型参数不确定、适应性差以及解析难的特2基于优化后的所述神经网络预测模型构建运动状态预测模型，采用包含单个隐藏层的三层BP神经网络作为所述神经网络采集所述履带车辆的悬挂压力值作为反馈状态参采集所述履带车辆的路面类型信息作为路面类型参采集所述履带车辆的两侧驱动转矩作为转矩参将所述反馈状态参数集、所述路面类型参数集、所述运动状态对所述神经网络预测模型进行权重参数和偏置参将基于均方误差衡量每时刻预测值与真实数据间偏差的函数作为损计算所述神经网络预测模型的梯度参数，并基于所述梯度参基于优化后的所述神经网络预测模型的预测方程确定状态量预测方程以及模型输出设置用于控制履带车辆行驶稳定性和复杂工况兼容性的状态量设置关于控制平滑性和驱动转矩赋值和变化率有界性的控制量将所述参考轨迹输入至所述运动状态预测模型，调用所述运动3基于所述最优控制序列的最优输出转矩增量序列，确定所述履在所述运动状态参数集中选取所述履带车辆的三向位置、车身对所述多元数据进行预处理，将预处理后的所述多元数据作为所述神基于所述多元数据确定所述神经网络预测模型的输将tanh设置为所述神经网络预测模型的输入层至隐藏层将Purelin设置为所述神经网络预测模型的隐藏层与输出层采用经验公式确定所述神经网络预测模型的将所述输出层权重梯度、所述输出层阈值梯度、所述隐藏层权重梯取履带车辆的参考轨迹，基于所述参考轨迹和所述运动状态预测模型计算最优控制参数，程序，所述计算机程序被处理器执行时实现权利要求1~8中任一项所述基于神经网络的履4辆在复杂地形中的行驶稳定性与控制精度问题一直是研究的带车行驶中的动力学强耦合性以及履带与地面作用关系的复杂性使得构建的动力学模型5采用包含单个隐藏层的三层BP神经网络作为所述神经网络采集所述履带车辆的悬挂压力值作为反馈状态参采集所述履带车辆的路面类型信息作为路面类型参采集所述履带车辆的两侧驱动转矩作为转矩参[0014]作为一种改进的方案，所述基于多元数据对所述神经网络预测模型进行模型优对所述神经网络预测模型进行权重参数和偏置参基于优化后的所述神经网络预测模型的预测方程确定状态量预测方程以及模型6设置用于控制履带车辆行驶稳定性和复杂工况兼容性的状态量设置关于控制平滑性和驱动转矩赋值和变化率有界性的控制量基于所述多元数据确定所述神经网络预测模型的输将tanh设置为所述神经网络预测模型的输入层至隐藏层将Purelin设置为所述神经网络预测模型的隐藏层与输出层采用经验公式确定所述神经网络预测模型的7介质还有效提高所述神经网络的履带车辆运动状态控制图2是本发明实施例1所述神经网络的履带车辆运动状态控制方法中所述履带车图3是本发明实施例1所述神经网络的履带车辆运动状态控制方法中所述履带车图4是本发明实施例1所述神经网络的履带车辆运动状态控制方法中所述BP神经图5是本发明实施例1所述神经网络的履带车辆运动状态控制方法的逻辑架构示8在本实施方式中，选取双侧各装有四个负重轮的履带车作为具体实例进行阐述；捕捉每一时刻各负重轮所承受的负载特征，进而间接映射出负重轮与地面间的作用力情;9;过One_hot编码技术被转换成二进制向量形式，在后续步骤中与其他数值型特征一同被输;;=；v、三个方向的速度以及横摆角速度；数Purelin能够精准捕捉并维持这种线性关系，确保输出预测结果的准确性，具体表示为中记为a2);z[2)为输出层的输入值；层08xn=2；;其中，为第l层神经网络从第h个神经元到第k个神经元的权重分;;。。;;的旧值；为神经元i的偏置的旧值分别为前述损失函数对各个参数的。;出状态量预测方程为其;;;在本实施方式中，基于控制的平滑性以及驱动转矩的幅值和变化率有界的特性，。所述存储介质用于储存将上述实施例1所述的神经网络的履带车辆运动状态控制行内置的可执行程序实现所述实施例1所述的神经网络的履带车辆运动状以及预测模型参数的实时动态调整，使预测模型能够对复杂地形和路面变化进行自适应，[0063]所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用