CN1728152A - 用于使用软计算优化器的机动车的智能强健控制系统 - Google Patents

Abstract

描述了一种用于使用软计算(SC)优化器的机动车的智能强健控制系统，该SC用于设计在用于控制机动车的控制系统使用的知识库(KB)。用户选择模糊模型，包括一个或多个：输入和/或输出变量的数目；模糊推理类型；隶属函数的初级类型。利用遗传算法(GA)优化语言变量参数和输入－输出训练方式。利用GA并使用模糊模型、最佳语言变量参数和教导信号来优化规则库。GA产生近似最佳的模糊神经网络(FNN)。可利用典型基于导数的优化过程改善近似最佳的FNN。利用基于受控车间的实际车间模型响应的适应函数，优化GA构建的模糊推理系统(FIS)结构。SC优化器产生强健的KB，其通常小于现有技术方法产生的KB。

Description

用于使用软计算优化器的机动车的智能强健控制系统

技术领域

本发明涉及根据软计算电子地控制机动车的驾驶和操纵灵活性的系统。

背景技术

反馈控制系统，广泛地用于将动力系统的输出维持在期望值，而不管使期望值发生转移的外界干扰。例如，一种家用的空间加热炉，其由自动调温器控制，就是反馈控制系统的一个例子。所述自动调温器不断地测量房子内部的气温，并且当温度低于期望最低温度时所述自动调温器就打开炉子。当室内的温度达到期望的最低温度时，所述自动调温器就关闭炉子。自动调温器-炉子系统，使家里的温度维持在基本上恒定的值，而不管诸如室外温度的下降这样的外界干扰。相似类型的反馈控制用于许多应用中。

反馈控制系统中的中心部件是受控对象、机器或一种可以被称为“车间”的处理，其输出变量将受到控制。上述例子中，所述“车间”是房子，所述输出变量是房子中的室内气温而所述干扰是透过房子的墙壁的热流(扩散)。该车间由控制系统控制。在上述例子中，所述控制系统是与炉子相结合的自动调温器。所述自动调温器-炉子系统利用简单的开关反馈控制系统来保持房子的温度。在许多控制环境中，诸如电动机轴角(shaft position)或发动机转速控制系统，简单的开关反馈控制是不够的。更高级的控制系统，依靠按比例的反馈控制、完全的反馈控制、和微分反馈控制的组合。根据按比例的、加上完全的、加上微分的反馈的总和的反馈控制，常被称为线性控制。类似地，按比例的反馈控制常常被称为P控制，而按比例的加上微分的反馈常常称为P(D)控制，而按比例的加上完全的反馈被称为P(I)控制。

线性控制系统(例如，P，P(I)，P(D)，P(I)D，等)，是基于所述车间的线性模型。在典型的控制系统中，线性模型以常微分方程的形式而被获得。所述车间被假设为相对线性的、不随时间改变的、并且稳定的。然而，许多现实的车间是随时间变化的、很不线性的、并且不稳定的。例如，所述动力模型可以含有参数(例如，质量(mass)、电感(inductance)、空气动力学系数，等)，这些参数可以仅是大概公知的或者它们取决于变化着的环境。如果所述参数变化是较小的并且所述动力模型是稳定的，则所述线性控制器可能是令人满意的。然而，如果所述参数变化较大，或者如果所述动力模型是不稳定的，则共同为所述线性控制系统添加自适应或智能(Al)控制函数(function)。

AI控制系统利用一个优化器，通常是非线性的优化器，来对所述线性控制器的操作编程并由此改善所述控制系统的全部操作。

典型的高级控制理论，基于下述假定，即全部被控制的“车间”可以在平衡点附近被近似为线性的系统。令人遗憾的是，该假定在现实中很少是真的。大多数车间都是极为非线性的，并常常没有简单的控制算法。为了满足这些对非线性控制的需要，已经研发出了利用象模糊神经网络(FNN)、模糊控制器(FC)等的软计算(SC)概念的系统。利用这些技术，所述控制系统及时地进化(改变)以使其自身适应在被控制的“车间”中和/或所述操作环境中发生的变化。

基于SC的控制系统，通常利用知识库(KB)来容纳所述FC系统的知识(knowledge)。所述KB通常有许多描述在操作期间所述SC怎样确定控制参数的规则。因此，所述SC控制器的性能取决于KB的特性(quality)以及由所述KB提供的知识。增加KB中的规则的数目，通常会增加(经常带有冗余度)由KB所提供的知识，但是以更大的存储量和更高的计算复杂性为代价。因此，SC系统的设计通常涉及了关于所述KB的大小、规则的数目、规则的类型等的权衡。令人遗憾的是，用于选择KB参数(诸如规则的数目以及类型)的现有技术方法，是基于利用直觉以及反复试验方法的专门的程序。

利用软计算的机动车的驾驶和/或操纵灵活性的控制，尤为困难，因为很难获得充分优化的知识库(KB)。如果所述KB没有含有足够的关于所述机动车制导器(motorcycle-rider)系统动力学的知识，则所述软计算控制器将不能以令人满意的方式驾驶和/或操纵所述机动车。在某一水平上，增加包含在所述KB中的知识，通常会带来所述KB的大小的增大。大型的KB很难存储并在所述软计算控制器中需要相对大量的计算资源。现有技术中所欠缺的，是用于利用缩小大小的KB控制机动车的系统和方法，其中所述KB提供足够的知识来提供良好的控制。

发明内容

本发明通过为电子控制的机动车提供一种SC优化器，解决了这些及其他问题，该SC优化器用于设计一种全面优化的KB以用于SC系统。在一个实施例中，所述SC优化器包括一个模糊推理机(fuzzy inference engine)。在一个实施例中，所述模糊推理机包括一个模糊神经网络(FNN)。在一个实施例中，所述SC优化器提供了模糊推理系统(FIS)结构选择、FIS结构优化方法选择、以及教导(teaching)信号选择。

在一个实施例中，所述用户对模糊模型进行选择，包括一个或多个：输入和/或输出变量的数目；模糊推理模型类型(例如玛姆达尼(Mamdani)、苏格农(Sugeno)、Tsukamoto等)；以及隶属函数(membershipfunction)的初级类型。

在一个实施例中，利用遗传算法(Genetic Algorithm)来优化语言可变参数和输入-输出训练方式。在一个实施例中，利用GA来优化所述规则库，其利用了所述模糊模型、优化语言可变参数、和教导信号。

一个实施例，包括FIS结构的优化，其利用带有适应函数的GA，该适应函数基于机动车和制导器系统的模型的响应。

一个实施例，包括FIS结构的优化，其利用带有适应函数的GA，该适应函数基于实际机动车/制导器系统的响应。

结果是，根据期望要求来指定优化FC参数的FIS结构的详细说明(specification)。

附图说明

本发明的上述及其他方面、特征、和优点，通过结合下列附图所给出的下列描述，将变得更加明显。

图1示出了一种机动车和制导器导航模型的强健(robust)的智能控制系统。

图2A是一张为了示范而给出的电动小型摩托车的相片。

图2B示出了一个图2A的小型摩托车的计算机模型。

图3示出了图2B的小型摩托车的模拟模式。

图4示出了弹簧以及阻尼系统的一个模型。

图5示出了空气动力(拖拉和提升)的一个模型。

图6示出了一个轮胎模型。

图7示出了一个轮胎作用力坐标系统(Xt，Yt，Zt)。

图8A-B示出了使用JARI轮胎的轮胎模型，其包括轮胎数据(A)、以及轮胎模型(B)。

图9示出了一个交织(weave)模式的特征向量。

图10示出了对于各种速度来说的交织以及摆动模式的特征值的一个轨迹。

图11示出了所述SC优化器的特征。

图12A是一个SC优化器的流程图。

图12B是一个使用SC优化器的流程图。

图12C示出了一个估算SC优化器的流程图。

图13示出了模糊控制系统以及模糊控制器的展开的结构。

图14示出了前馈控制器及其展开的结构。

图15A-B示出了制导器模型以及路线的几何参数，包括参考滚动角(A)，以及参考以及偏离长度(B)。

图16示出了模拟结构，用于获得SC优化器所用的的教导信号。

图17A-G示出了在适应函数估算模拟期间的数据的例子。

图18A-C示出了用于不同的初始条件的优化参数的实例结果，包括Kp1(A)，Kp2(B)，以及Kd2(C)。

图19示出了用于所述模糊控制器的隶属函数。

图20示出了所述模糊控制器的输出。

图21示出了用于所述模糊控制器的一个模拟模型。

图22A-B示出了实际的测试路线以及模拟路线的地图。

图23A-F示出了利用模糊控制器的模拟的结果(没有激发)。

图24A-E示出了利用模糊控制器的模拟的结果(有激发)。

图25A-D示出了带有不同传输延迟的模拟结果。

图26A-B示出了前瞻(look-forward)模型以及生成前馈制导器模型的所述处理，其中(A)示出了在参考长度处的路线偏差与转弯半径之间的关系，以及(B)示出了组装g前馈制导器模型的处理。

图27示出了用于圆周式路线模拟的一个模型。

图28A-F示出了所优化的参数。

图29A-B示出了计算出的参考滚动角与所优化的参数之间的关系。

图30A-B示出了路线通道变化以及用于通道变化模拟的模型。

图31示出了前馈模型。

图32A-E示出了带有一个保持扭矩(hold torque)前馈控制器的模拟的结果。

图33A-D示出了带有传输延迟的模拟的结果。

图34示出了该测量系统的结构。

图35示出了带有遥测系统的一个测试小型摩托车。

图36A-B示出了监控显示器(A)以及测量的数据(B)的一个例子。

具体实施方式

图1是一个智能机动车(有制导器的)导航控制系统的方框图，其基于软计算并利用软计算优化器来为模糊控制器(FC)109生成一知识库(KB)108。用方块102来表示所述机动车和制导器系统。方块102的输出被提供给方块105中的GA的方块104中的适应函数。利用机动车/制导器动态行为的随机模拟的结果，通过一个遗传分析器(Genetic Analyzer)(GA)105，(从方块102的输出中)提取用于所述知识库(KB)108的目标信息。所述GA 105和适应函数104，是控制特性(quality)的系统模拟(SSCQ)242的组成部分。

利用一组输入、和方块104中的一个适应函数，在方块105中的所述GA以类似于进化处理的方式工作，以得到一个有希望最佳的方案。方块105中的所述GA生成“染色体(chromosome)”组(即，可能的方案)，并接着通过利用方块104中的适应函数来对每个方案进行估算对所述染色体进行分类。方块104中的所述适应函数，确定每个方案在一个适度标准上的等级。更合适的染色体(方案)，是那些相应于在适度标准上等级较高的方案。不太合适的染色体，是那些相应于在适度尺度上等级较低的方案。

更合适的染色体得到保留(生存)而不太合适的染色体被丢弃(死亡)。产生新的染色体以代替所述丢弃的染色体。通过杂交现有染色体的片段以及通过引入突变来产生所述新的染色体。

所述机动车/制导器模型102由线性P(D)控制器101控制。在一个实施例中，所述控制器100利用两个PD控制器1012以及一个P控制器1011来控制所述机动车系统的不同方面。所述P(D)控制器101具有一个线性转移函数，由此该控制器基于一个用于方块102中的控制对象的线性化运动方程。用于编程P(D)控制器的现有技术GA，通常使用简单的适应函数，因此没有解决在线性化模型中通常所见到的不良的可控制性问题。与大部分优化器的情况一样，所述优化的成功或失败往往最终取决于所述性能(适应)函数的选择。

估算非线性车间的运动特征，往往比较困难，部分是由于缺乏一种全面分析的方法。常规地，当控制一个有非线性运动特征的车间时，通常会发现所述车间的特定平衡点并且该车间的运动特征在靠近平衡点附近被线性化。然后，根据估算靠近所述平衡点的伪(线性化的)运动特征进行控制。

基于软计算的优化控制的计算，包括方块105中的GA，作为在多个方案的一个固定空间内全面探求优化方案的第一步。所述GA探求一组用于所述车间的控制加权(control weight)。首先，在生成应用于所述车间的信号δ(K)的过程中，加权向量K＝{k₁，...，k_n}被用于方块101中的常规P(D)控制器。在该信号上的与所述车间的行为有关的所述熵S(δ(K))，被假定为将被最小化的适应函数。按有规则的时间间隔，重复所述GA若干次，以产生一组加权向量。方块105中的GA所生成的向量，接着被提供给FNN并且所述FNN的输出提供给方块109中的模糊控制器。方块109中的模糊控制器的输出，是用于方块101中的线性控制器(控制所述机动车102)的增益时间表(gain schedule)的集合。

因此，简而言之，设计所述智能控制系统包括两个阶段。阶段1，涉及发现一个教导信号(也称为教学模式)。阶段2涉及优化控制的近似法。

利用所述GA来发现优化控制的教学模式(输入-输出对)，是SSCQ 242的方案，其基于所述受控机动车的数学模型以及熵产生比率的最小值(minimum)的物理标准。

利用相应的模糊控制器(FC)进行优化控制的近似法(来自阶段1)。该FC被称为优化模糊控制器。

第一个阶段，是获得优化控制的一个无信息损失的强健的教导信号。第一阶段的输出是所述强健的教导信号，其含有关于所控制对象行为以及所述控制系统的相应行为的信息。

第二阶段是利用构建模糊推理系统的教导信号的近似法。第二阶段的输出是用于FC 109的知识库(KB)108。

优化KB 108的设计，包括指定输入-输出隶属函数的最佳数目、它们的最佳形状以及参数、和一组优化模糊规则。

在一个用于第2阶段的实现的实施例中，利用FNN获得最佳FC 109，该FNN带有基于误差后向传播算法(error back-propagation algorithm)的教导方法。所述误差后向传播算法，是基于对所述FNN结构的梯度下降方法的应用。该误差作为FNN的期望输出和FNN的实际输出之间的差值而被计算。然后所述误差是通过FNN各层被“后向传播”，并且每个层的每个神经原(neuron)的参数都朝着传播误差的最小值的方向被修正。

然而，后向传播算法具有一些缺点。为了应用后向传播方法，必须知道训练(training)优化之前的FNN的完整结构。所述后向传播算法不能应用于层数未知或节点数目未知的网络。所述后向传播过程，不能自动地修正隶属函数的类型。通常，用于后向传播算法的系数的初始状态是被随机建立的，并且作为结果，后向传播算法往往只发现一个靠近该初始状态的“本地”最佳。

尽管有上述缺点，所述误差后向传播算法在实际中的使用仍很普遍。例如，STMicroelectronics股份有限公司所提供的自适应模糊造型器(modeler)(AFM)，利用误差后向传播算法来产生Sugeno 0级模糊推理系统。

用于AFM的算法基于下列两个步骤。第一步，用户指定将来的FNN的参数，诸如输入和输出数目，和用于每个输入/输出的模糊集的数目。AFM利用所谓的″让最佳规则获胜(let the best rule win)″(LBRW)技术来“优化”规则库。在该阶段期间，所述隶属函数是固定的，在讨论范围中均匀地分布，并且AFM计算每个规则的触发强度(firing strength)，消除零触发强度的规则，并调整非零触发强度的规则结果的中心。在规则库的优化期间可以依据当前问题指定学习速率参数。在AFM中，还有一个手动构造规则库的选项。在这种情况下，用户可以指定输入模糊集的矩心(centroids)，然后根据该指定，所述系统自动地构造规则库。

在第二步中，AFM构造隶属函数。用户可以指定输入隶属函数的形状因数。AFM所支持的形状因数是：高斯型(Gaussian)、等腰三角形、以及不等边三角形。所述用户还必须指定在Sugeno模型中的模糊操作的类型：所支持的方法是乘积(Product)和最小值(Minimum)。

在指定所述隶属函数形状以及Sugeno推理方法之后，利用在步骤1期间所开发出来的所述规则的结构，AFM开始隶属函数形状的优化。还有一些控制最佳化比率的可选参数，诸如目标误差以及所述网络将要重复的次数。优化的结束条件，是达到所述重复次数，或者，当所述误差达到它的目标值时。

AFM继承了如上所述的后向传播算法的弱点，以及相同的局限性。用户必须指定隶属函数的类型，用于每个语言变量的隶属函数的数目等。所述AFM中的规则数目优化器，在隶属函数优化之前被调用，并且作为结果，所述系统往往在隶属函数优化阶段期间变得不稳定。

然而，诸如AFM这样的系统的一些弱点，可以通过在训练所述KB之前优化所述KB的结构得到改善。

在图1中，机动车(MC)和制导器模型(控制算法)显示为一个模拟模型102。图2A示出了一个真正的MC(在这种情况中，是一个电动小型摩托车)的例子，图2B示出了一个图2A的小型摩托车的模型图像。

图3示出了利用SimMechanics所研发出来的模拟机动车/制导器模型的一个实施例(附加了一个MATLAB)。可以使用各种制导器模型，包括，举例来说，模糊控制器模型和保持扭矩前馈模型(hold torque feedforwardmodel)。

在一个实施例中，所述模型描述了在直线运行期间MC的稳定性。在该方式中的MC的模型描述，是利用常规直线模型化技术来提供。这种直线模型通常不包括驾驶模型，而是通常包括被动(passive)制导器模型(例如手动打开和手动断路模型)。

在一个实施例中，所述模型类似于利用来自LMS International的通用的DADS模型建立程序所构造的模型。在该模型中，前进速度是固定的。所述制导器驾驶模型的结构类似于模糊控制器模型，但是制导器模型的参数利用了可以通过反复试验的方式所选定的定值。

在一个实施例中，所述MC模型利用DADS来构造，其具有基于前瞻(look-forward)模型的制导器驾驶模型。为每个路线确定参数。示出了通道变化模拟和正弦路线模拟。

在一个实施例中，描述了机动车和制导器的控制行为。所述模拟的机动车模型，基本上类似于上述模型。该制导器模型是一个前瞻模型。为每个路线确定参数。示出了通道变化模拟。

在一个实施例中，带有制导器控制算法的各种驾驶操纵诸如转弯和双通道改变，与使用可从MSC软件公司获得的ADAMS程序的机动车模型一起使用。所述制导器控制模型具有两个部分：一个速度控制模型和一个转向控制模型。在该转向控制模型中，估计期望的外倾角，并且该期望的外倾角取决于所述驾驶操纵。用于所述控制器的参数可以是固定的。

在一个实施例中，基于模糊控制的机动车/制导器系统的稳定性控制，结合GA和自动转向(auto-turning)方法一起使用。用于模拟的所述模型不必是真实的机动车模型。举例来说，一个铰链连接到转盘上的倒摆，可以被用作机动车的代表模型。

一个实施例提供了一种自动双轮的车辆和模拟结果。所述制导器模型可以被分成两个部分：站立(standing)控制和方向控制。站立(standing)稳定性的控制算法，基于带有取决于速度的增益参数的反馈控制。方向控制是目标滚动角，其可以由预计的路线误差确定。在一个实施例中，在用于驾驶的导向杆和制动器之间连接一个弹簧减震器，以使机动车稳定(这就使得控制方法相对地更加复杂)。

讨论改变重心位置对感知行驶舒适性的影响、MC上的总重量、轴距、所述MC的前叉倾角和前轮拖曳距离。结合图6-8描述轮胎模型。

图3示出了图2A-B中所示出的小型摩托车的模拟模型。图3中的模型，使用了SimMechanics，它是一种用于使用通用MATLAB计算机程序的运动学分析的可选工具。

表1示出了该模型的注释和参数定义。

表1：使用的注释

模型注释
		τd：驱动扭矩(Nm)τs：驾驶扭矩(Nm)τhold：对保持滚动角的驾驶扭矩(Nm)τ1：下体控制扭矩(Nm)τ2：上体控制扭矩(Nm)Kp1Kp2Kd2，，，：增益v：前进速度(m/s)vref：参考速度(m/s)φ：滚动角(rad)φref：参考滚动角(rad)φref0：算出的参考滚动角(rad)φcol：用于参考滚动角(rad)的修正φ：滚动率(rad/s)a：要求的侧向加速度(m/s2)g：重力加速度(m/s2)y：在LR处的偏差(m)y0偏差(路线误差)(m)t：时间(秒(sec))LR：参考长度(m)FF：适应函数ω：偏转率(rad/s)R：转向半径(m)θ：在水平而上的轮胎转向角度(图7)γ：外倾角(rad)(图7)α：侧向滑动(rad)κ：滚动滑动h：轮胎中心的高度(m)(图7)tr：轮胎的初始半径(m)te：轮胎的有效半径(m)(图7)ωs：轮胎旋转速度(rad/s)	(xr，yr，zr，)：在整个坐标系中轮胎转动轴的方向向量(m)(vx，vy，vz)：在整个坐标系中轮胎中心点的速度向量(m/s)(vxt，vyt，vzt)：在轮胎作用力坐标系中的轮胎中心点的速度向量(m/s)(图7)(FXct，FYct，FZct)：在轮胎作用力坐标系中的接触点处的轮胎的作用力向量(N)(图7)(TXct，0，TZct)：在轮胎作用力坐标系中的接触点处的轮胎的力矩向量(Nm)FYct0：在轮胎作用力坐标系中的接触点处的轮胎的静侧向作用力(N)TXct0：在轮胎作用力坐标系中的接触点处的轮胎的静态倾覆力矩(Nm)TZct0：在轮胎作用力坐标系中的接触点处的轮胎的静态对准扭矩(Nm)TXt：除滚动力矩之外的、绕着在轮胎的中心点处的轮胎作用力坐标系中的Xt(图7)的方向的轮胎的力矩(Nm)TYt：除滚动力矩之外的、绕着在轮胎的中心点处的轮胎作用力坐标系中的Yt(图7)的方向的轮胎的力矩(Nm)(Fx，Fy，Fz)：在整个坐标系中的轮胎的中心点处的轮胎的作用力向量(N)(Tx，Ty，Tz)：在整个坐标系中的轮胎的中心点处的除滚动力矩之外的轮胎力矩向量(Nm)Mroll轮胎的滚动力矩(Nm)K：轮胎的垂直弹簧常数(N/m)D：轮胎的垂直衰减(Ns/m)Ct：牵引系数Vt：轮胎的前进速度(m/s)σ：衰减长度的系数(m)σ1：与负荷成比例的衰减长度的系数σ2：衰减长度恒定值的系数Cy1，Cy11，Cy12，Cy3，Cy31，Cy32：侧向作用力系数Cz1，Cz11，Cz12，Cz3，Cz31，Cz32：倾覆力矩系数Cx1，Cx11，Cx12，Cx3，Cx31，Cx32：对准扭矩系数dFy，dFz，dTz，dTx：噪声

所述MC车间模型包括：

-7个刚性体(分别是方块3001中的主机、方块3002中的制导器、方块3003中的前叉、方块3004中的前臂、方块3005中的后臂、方块3006以及方块3007中的前和后轮)；

-5个旋转连接器(分别是方块3008中的制导器滚子、方块3009中的驾驶指示(steer)、方块3010中的后臂枢轴、方块3011以及方块3012中的前和后轮)；

-1个滑动接合(方块3013中的前悬架)；

-方块3014中的1个组合连接器(一个相对于惯性系统具有6度的自由度的主体)；

-4个弹簧和减震器(方块3015中的前悬架、方块3016中的驾驶指示(steer)、方块3017中的制导器(rider)、方块3018中的后悬架)；

-方块3019中的一个外部作用力(空气动力(拖拉和提升))；以及

-一个用于前轮轮胎的方块3020中的轮胎作用力和一个用于后轮轮胎的方块3021中的轮胎作用力。

图4示出了用于方块3015和3018中的所述弹簧和减震器模型。所述非线性弹簧的参数(如对照表所示)，被提供给方块4001。阻尼系数被提供给方块4002。

图5示出了用于方块3019的空气动力模型。拖拉和提升参数分别被提供给方块5001以及方块5002。

在当前公开的内容中，MC模拟模型所产生的结果可与一个实际的示范模型所产生的结果相比。研发出的MC模型与示范模型之间的差别是：

1.具有第一阶延迟的方块3020与方块3021中的所述线性轮胎作用力模型，应用于所述MC模型中(代替了在示范中使用的复数模型)。

2.噪声道路信号被添加到所述轮胎模型。

3.坐标系统被改变：在所述MC模型中+Z朝上而在所述示范模型中+Z朝下。

4.在MC模型中去掉了前后闸。

5.去除转向轴的扭转自由度，只在方块3009中保留了转向(steering)旋转自由。所去除的扭转轴是相对于中心平面中的转向轴垂直的轴。去除自由度的原因，是在该模型中，使用了线性轮胎模型并且考虑到精确的平衡(balance of accuracy)应该忽略小的弹性形变。

如上述，方块3020和3021提供了线性轮胎模型。轮胎特性是MC操纵灵活性和稳定性的一个重要决定因素，因此轮胎模型对采用粒度分析的行为模拟说来是重要的。图6是轮胎模型的方框图，其中向轮胎模型6001提供轮胎轴传感器数据6003和轮胎旋转传感器数据。轮胎模型6001提供滚动力矩数据6005和力矩以及轮胎轴数据6006。使用下列等式设计方块6001中的所述轮胎数学模型：

θ＝-arc tan(x_r/y_r)          (5-1)

$\mathrm{\γ}=\arcsin (z_r/\sqrt{(x_r^2+y_r^2+z_r^2)})---(5-2)$

vx_t＝vx cosθ+vy sinθ                    (5-3)

vy_t＝-vx sinθ+vy cosθ                  (5-4)

vz_t＝vz                        (5-5)

te＝h/cosγ                                             (5-6)

κ＝-(vx_t-te□ωs)/vx_t        (5-7)

α＝vy_t/vx_t                   (5-8)

$F_{\mathrm{Zct}}=(K(\mathrm{tr}-\mathrm{te})-\mathrm{Dte})(1+d_{\mathrm{Fz}})---(5-9)$

F_Xct＝C_tκF_Zct                  (5-10)

F_Yct0＝(Cy₁α+Cy₃γ)(1+d_Fy)   (5-11)

T_Zct0＝(Cz₁α+Cz₃γ)(1+d_Tz)   (5-12)

T_Xct0＝Cx₁α+Cx₃γ(1+d_Tx)     (5-13)

Cy₁＝Cy₁₁F_Zct0+Cy₁₂           (5-14)

Cy₃＝Cy₃₁F_Zct0+Cy₃₂           (5-15)

Cz₁＝Cz₁₁F_Zct0+Cz₁₂           (5-16)

Cz₃＝Cz₃₁F_Zct0+Cz₃₂           (5-17)

Cx₁＝Cx₁₁F_Zct0+Cx₁₂           (5-18)

Cx₃＝Cx₃₁F_Zct0+Cx₃₂           (5-19)

σ＝σ₁F_Zct+σ₂               (5-20)

$\frac{\mathrm{\σ}}{V}{F}_{\mathrm{Yct}}+F_{\mathrm{Yct}}=F_{\mathrm{Yct}0}---(5-21)$

$\frac{\mathrm{\σ}}{V}{T}_{\mathrm{Zct}}+T_{\mathrm{Zct}}=T_{\mathrm{Zct}0}---(5-22)$

$\frac{\mathrm{\σ}}{V}{T}_{\mathrm{Xct}}+T_{\mathrm{Xct}}=T_{\mathrm{Xct}0}---(5-23)$

M_roll＝T_Zct sinγ-F_Xct□te               (5-24)

F_X＝F_Xct cosθ-F_Yct sinθ                                (5-25)

F_Y＝F_Xct sinθ+F_Yct cosθ                               (5-26)

F_Z＝F_Zct                                 (5-27)

T_Xt＝T_Xct+F_Yct□te cosγ+F_Zct□te sinγ   (5-28)

T_yt＝-T_Zct cosγsinγ                                           (5-29)

T_X＝T_Xt cosθ-T_Yt sinθ                                   (5-30)

T_Y＝T_Xt sinθ+T_Yt cosθ                                   (5-31)

T_Z＝T_Zct cos²γ                                                   (5-32)

用于方块6001中的轮胎模型的输入，是方块6002中的轮胎旋转速度以及方块6003中的轮胎轴的数据。方块6003中的所述轮胎轴数据含有轮胎中心的高度h以及轮胎轴的向量(x_r，y_r，z_r)以及轮胎中心的速度向量(v_x，v_y，v_z)。通过这些数据，利用等式(5-1)-(5-8)，来计算轮胎偏航角(yaw angle)、外倾角(camber angle)、在轮胎作用力坐标中的轮胎中心的速度向量、轮胎有效半径、滚动滑动、以及侧向滑动(细节参见图7)。

利用等式(5-9)-(5-20)，计算静态轮胎作用力以及在轮胎作用力坐标系中的接触点力矩。在方块6004中的噪声信号，可以在所述计算期间被添加到所述轮胎模型。轮胎模型6001的输出数据包括：垂直力、驾驶力、静态侧向力、静态自对准扭矩(self aligning torque)、在所述接触点处的静态翻转扭矩、以及衰减长度。利用等式(5-21)-(5-23)，来提供由静态力和力矩到动态力矩的换算。

在用于轮胎的方块6005中的滚动力矩，可以利用等式(5-24)拆分(split)。在方块6006的全局坐标系统中，在接触点处到轮胎的轴处的作用力和力矩的换算，利用等式(5-25)-(5-32)提供。

可以测量或获得用于期望轮胎的轮胎数据，例如，从诸如日本汽车研究院(JARI)这样的组织。在一个实施例中，可以在前面和后面使用同一规格的轮胎。

在一个实施例中，由JARI轮胎模型输入的数据，是垂直力、外倾角、和偏离角。输出数据是侧向力、自对准扭矩、翻转扭矩、和衰减长度。图8A示出了一个样本轮胎数据文件，其含有JARI提供的数据。该轮胎模型是一个线性模型，因此比用于较大的外倾角和较大偏离角的非线性模型准确性低。然而，所述线性模型对许多环境都适用，包括但不限于，以通常的操作方式对图2A的小型摩托车的模拟。

图8B示出了JARI轮胎模型的一个变形(transformation)，以把对瞬态效应的计算添加到所述轮胎模型中。在图8B的输入方块中，提供来自轮胎位置、速度、和姿势的感测数据的输入数据排列。其他方块，用来把在轮胎坐标系统中的轮胎触点处的输出数据，转换成在含有瞬态效应的惯性坐标系统中的轮胎中心处的作用力和力矩。向前和向后作用力计算，用来估算阻力和驱动力。

在SimMechanics中的MC模型，是一个复杂的数字模拟模型，预测机动车系统的操作。在一个实施例中，利用特征值分析(Eigenvalueanalysis)与数字模型结合来提取和探测利用所述模拟产生的MC模型的各种特征。

对于特征值分析来说，可以使用在直线平稳行驶模型中的模型的线性化。所述模型具有12度自由度和对所述12度自由度附加的区别，所给出的是24度自由度。而且，有6度自由度，其由用来考虑轮胎的动力特征的衰减长度的反馈模型产生。作为所述模型的线性化结果，得到该系统的一个30×30的矩阵表示，相应地，计算30个特征值和30个特征向量。利用30个模式之中相对较少的模式确定所述模型的运动特征。所述MC交织模式和摇晃模式可以是不稳定的，相应的特征值和特征向量相对较大。

图9示出了相应于7m/sec的交织模式的特征向量。该模式是一种连接模式(coupling mode)，包括驾驶的摇摆、滚动(roll)、偏航和摇摆的周期运动。驾驶的偏航角速率(yaw rate)和摇摆是同相的并且滚动角是异相的。

图10示出了对于各种速度来说的交织和摇晃模式的特征值的轨迹。对于低于10m/sec的速度来说，所述交织模式是不稳定的。摇晃1模式相应于转向的一种简单的摇摆。当转向的阻尼系数较小时，所述模式将变得不稳定。在该模型中，采用阻尼系数C_st＝5。摇晃2模式包括制导器滚动、车底盘滚动、和转向摇摆。摇晃3模式包括偏航、滚动、和转向摇摆。

表2示出了当转向的阻尼系数变化时交织和摇晃1的特征值。

系数Cst	交织特征值	摇晃1特征值
			0	0.55+3.3i	12+57i
1	0.63+3.3i	8.0+58i
			3	0.76+3.2i	1.2+60i
5	0.88+3.0i	-6.7+61i

表2：

利用制导器模型的模拟结果，是两者都稳定。考虑丁制动器响应的传输延迟和轮胎作用力中的噪声的模拟(如下所述)，从而确认了控制器的强健性。

在一个实施例中，利用基于软计算(SC)技术的新结构，来实现阶段2(定义了所述KB的结构)。所述智能控制系统的结构基于图1中所示的SC优化器。在这种情况下，所述SC优化器代替FNN方块而被使用。

所述SC优化器由数字输入输出数据生成一个模糊推理系统(FIS)的KB。该SC优化器提供了基于FNN学习(FNN learning)的GA，其包括规则的提取和KB的优化。在一个实施例中，所述SC优化器可以把图案文件和模型(控制对象)输出用作教导信号。

图11示出了所述SC优化器的特征。所述SC优化器包括一个以FNN形式所表示的模糊推理系统(FIS)。在一个实施例中，SC优化器允许结构选择，例如，0和1级的Sugeno FIS，Mamdani FIS，Tsukamoto FIS等。在一个实施例中，SC优化器允许结构优化选择，例如通过遗传算法(GA)的优化，语言变量的优化，和基于规则的优化。在一个实施例中，所述SC优化器允许教导源选择，例如：作为查找表(例如，一个输入输出模式表)的教导信号；和/或作为适应函数的教导信号。当由一个适应函数提供时，所述教导信号适应函数可以被：作为动力系统的响应(例如，在MATLAB中使用的)来计算，作为实际的控制对象的控制结果(例如，利用dSPACE或控制对象直接到计算机的连接的其他方法所得到的)来计算，等。

图12是一个用于SC优化器的一个实施例的流程图。作为说明，而不是限制，所述流程图的操作把操作分成了5个阶段，显示为阶段1，2，3，4，和5。

在阶段1，用户通过选择其中的一个参数，例如，输入和输出变量的数目、模糊推理模型的类型(Mamdani，Sugeno，Tsukamoto，等.)、教导信号源，来选择一个模糊模型。

在阶段2，第一GA(GA1)利用在阶段1得到的关于总的系统配置的信息、和从训练信号中获得的作为输入-输出表的所述输入-输出训练方式，对语言变量参数进行优化。

在阶段3，产生所述规则库的先前部分，并根据它们的触发强度对规则划分等级。保留触发强度高的规则，而删除触发强度低的弱规则。

在阶段4，第二GA(GA2)利用在阶段1得到的模糊模型、在阶段2得到的最佳语言变量参数、在阶段3得到的所选定的规则组以及教导信号，对一个规则库进行优化。

在阶段5，进一步优化FNN的结构。为了得出所述最佳结构，可以利用一个从先前优化阶段中获得的用于后向传播的初始条件的组合，使用典型的基于导数函数(derivative-based)的优化过程。阶段5的结果，是一个对车间120最佳的模糊推理结构的规范。阶段5是可选的并且可以被省略。如果省略了阶段5，则使用由阶段2和4的GA所得到的FIS结构。

在一个实施例中，所述教导信号，表示了一个或多个输入信号和一个或多个输出信号，其被分成输入和输出部分。每一部分都被分成一个或多个信号。因此，在所述教导信号的每个时间点，都有输入和输出部分之间的对应(correspondence)。

所述教导信号的每个组成部分(输入/输出)，都被分配了一个相应的语言变量，以便利用语言术语来解释所述信号特征。利用一些数目未知的隶属函数，像“大”、“中”、“小”等来描述每个语言变量。

“垂直关系”表示了所述具体信号的语言表示的明确性，例如隶属函数与所述具体语言变量有怎样的关系。增加垂直关系的数目，将会增加隶属函数的数目，并且作为结果将增加原始信号的可能状态之间的一致性，及其语言表示。垂直关系的无限数量，将在信号及其语言表示之间提供一个准确的一致性，因为将把隶属函数分配给所述信号的每个可能值，但是在这种情况下可能会发生象“过度学习”这样的情况。较少数目的垂直关系将会提高所述强健性，因为信号的一些小的变化不会对所述语言表示产生太大影响。强健性和精确性之间的平衡，在智能系统的设计中是个非常重要的要素，通常由人类(Human)专家来解决该任务。

“水平关系”表示不同的语言变量之间的关系。选定的水平关系可用于形成所述语言规则的组成部分。

算术地定义所述“水平”和“垂直”关系，考虑一个教导信号：

[x(t)，y(t)]，

其中：

t＝1，…，N-时间戳；

N-教导信号中的样本数目；

x(t)＝(x₁(t)，...，x_m(t))-输入组成部分；

y(t)＝(y₁(t)，...y_n(t))-输出组成部分。

为每个组成部分定义所述语言变量。语言变量通常被定义为一个五元组：(x，T(x)，U，G，M)，其中x是所述变量的名称，T(x)是x的术语集，即x的语言值的名称的集合，在U中把模糊集定义为一个值，G是一个用于生成x的值的名称的语法规则，M是一个用于把每个值与其含义关联起来的语义规则。在目前的情况下，x与来自x或y的信号名称有关系，利用垂直关系来定义数据集T(x)，U是一个信号范围。有时人们可以使用标准化教导信号，则U的范围是[0，1]。可以省去在语言变量优化中的语法规则G，并由相应变量的索引及其模糊集来代替。

语义规则M根据FIS的结构、以及对模糊模型的选择而变化。为了在所述系统中表示全部信号，就必须定义m+n个语言变量：

使[X，Y]、X＝(X₁，...，X_m)、Y＝(Y₁，...，Y_n)相应地成为与所述输入和输出信号有关的语言变量的集合。于是为了每个语言变量，可以定义特定数量的模糊集以表示所述变量：

$X_1:\{{\mathrm{\μ}}_{X_1}^1,...,{\mathrm{\μ}}_{X_1}^{l_{X_1}}\},...,X_m:\{{\mathrm{\μ}}_{\mathrm{Xm}}^1,...,{\mathrm{\μ}}_{\mathrm{Xm}}^{l_{X_m}}\};$

$Y_1:\{{\mathrm{\μ}}_{Y_1}^1,...,{\mathrm{\μ}}_{Y_1}^{l_{Y_1}}\},...,Y_n:\{{\mathrm{\μ}}_{Y_n}^1,...,{\mathrm{\μ}}_{Y_n}^{l_{Y_n}}\}$

其中

${\mathrm{\μ}}_{X_i}^{j_i},i=1,...,m,j_i=1,...,l_{X_i}$ 是所述输入变量的第i个组成部分的隶属函数；

${\mathrm{\μ}}_{Y_i}^{j_i},i=1,...,n,j_i=1,...,l_{Y_i}$ 是所述输出变量的第i个组成部分的隶属函数；

通常，在所述KB的定义的该阶段，模糊集的参数是未知的，并且可能很难判断描述一个信号必需要多少个隶属函数。在这种情况下，隶属函数的数目(术语集的幂)， $l_{X_i}\∈[1,L_{\mathrm{MAX}}],i=1,...,m$ 可以被认为是用于所述GA(GA1)查找中的一个参数，其中L_MAX是所允许的隶属函数的最大数。在一个实施例中，L_max由用户在优化之前，根据对诸如可用硬件系统的计算能力的考虑，而指定。

知道隶属函数的数目，有可能会引入一个对每个模糊集的启用的可能性的约束条件，表示为p_Xi ^j。其中一个可能的约束条件可以被如下引入：

${{p^j}_{X_i}}^{\′}\≥\frac{1}{l_{X_i}},i=1,...,m;j=1,...,l_{X_i}$

该约束条件将等概率地把所述信号群集到所述区域，其相当于把所述信号的直方图分成了相同表面积的曲线梯形。在这种情况下的模糊集的支持度(Supports)，等于或大于相应梯形的底(base)。模糊集的支持度应该大多少，可以通过一个重叠参数来定义。例如，当在两个相连梯形之间没有重叠时，所述重叠参数取0。如果大于0，则有一些重叠。可能性较高的区域将具有在这种情况下的“伪(sharper)”隶属函数。因此，重叠参数是用于所述GA1查找的又一个候选项。在这种情况下所得到的模糊集将具有均匀的启用可能性。

如果隶属函数具有不对称形状，模糊集的最常见的值，可以被选为可能性最高的点，并作为在对称形状的情况的相应的梯形底的中间。因此可以为每个信号设置隶属函数的类型，作为用于所述GA1的第三参数。

还可以建立模糊集的可能性及其隶属函数形状之间的关系。启用每个隶属函数的可能性按下述计算：

${p^j}_{X_i}=p\left(x_i\right|x_i={{\mathrm{\μ}}^j}_{X_i})=\frac{1}{N}\underset{t=1}{\overset{N}{\mathrm{\Σ}}}{{\mathrm{\μ}}^j}_{X_i}\left(x_i\left(t\right)\right)---\left(6.1\right)$

启用不同的隶属函数的交互可能性，可以按下述从几何的角度进行定义：

${p^{(j,l)}}_{X_i|X_k}=p\left(x_i{|}_{x_i={{\mathrm{\μ}}^j}_{X_i},x_k={{\mathrm{\μ}}^J}_{X_k}}\right)=\frac{1}{N}\underset{t=1}{\overset{N}{\mathrm{\Σ}}}[{{\mathrm{\μ}}^j}_{X_i}\left(x_i\left(t\right)\right)*{{\mathrm{\μ}}^l}_{X_k}\left(x_k\left(t\right)\right)]---\left(6.2\right)$

其中*表示选定的T-norm(Fuzzy AND)操作；

$j=1,...,l_{X_i},l=1,...,l_{X_k}$ 是相应隶属函数的索引。

在模糊逻辑学中，T-norm，表示为*，是一个两位函数，从[0，1]×[0，1]到[0，1]。它表示一个模糊相交操作并可以被解释为最小化运算，或代数乘积，或有限乘积或极端(drastic)乘积。S-conorm，用&表示，是一个两位函数，从[0，1]×[0，1]到[0，1]。它表示一个模糊合并运算并可以被解释成代数和，或有限总和和极端总和。在表3中给出了典型的T-norm和S-conorm算子。

表3

如果i＝k，并且j≠l，则等式(6.2)定义“垂直关系”；以及如果i≠k，则等式(6.2)定义“水平关系”。所述“垂直”以及“水平”关系的约数(measure)，是隶属函数的发生的交互可能性，其连接到相应的关系。

当“水平关系”的总约数达到最大时，在“垂直关系”的最小值的条件下，语言变量的集合被认为是最佳的。

因此，人们可以定义一个适应函数，用于将对隶属函数的数目以及形状进行优化的GA1，作为由等式(6.2)定义的数量的最大值，具有由等式(6.1)定义的数量的最小值。

用于根据等式(6.1)以及(6.2)优化语言变量的GA1的染色体，具有下列结构：

其中：

$l_{X{\left(Y\right)}_i}\∈[1,L_{\mathrm{MAX}}]$ 是为每个语言变量X_i(Y_i)编码隶属函数数目的基因；

α_X(Y)i是编码相应语言变量X_i(Y_i)的隶属函数之间的重叠区间的基因；以及

T_X(Y)i是为相应的语言变量编码隶属函数的类型的基因；

适应函数的计算的又一种途径，基于Shannon信息熵。在这种情况下，代替等式(6.1)以及(6.2)，对于所述适应函数表示，人们可以使用下列从信息论类推得到的信息量：

$H_{X_i}^j=-{p^j}_{X_i}\log \left({p^j}_{X_i}\right)$

$=-p\left(x_i\right|x_i={{\mathrm{\μ}}^j}_{X_i})\log \left[p\left(x_i\right|x_i={{\mathrm{\μ}}^j}_{X_i})\right]---\left(6.1a\right)$

$=-\frac{1}{N}\underset{t=1}{\overset{N}{\mathrm{\Σ}}}{{\mathrm{\μ}}^j}_{X_i}\left(x_i\left(t\right)\right)\log \left[{{\mathrm{\μ}}^j}_{X_i}\left(x_i\left(t\right)\right)\right]$

${H^{(j,l)}}_{X_i|X_k}=H\left(x_i{|}_{x_i={{\mathrm{\μ}}^j}_{X_i},x_k={{\mathrm{\μ}}^l}_{X_k}}\right)$

$=-\frac{1}{N}\underset{t=1}{\overset{N}{\mathrm{\Σ}}}[{{\mathrm{\μ}}^j}_{X_i}\left(x_i\left(t\right)\right)*{{\mathrm{\μ}}^l}_{X_k}\left(x_k\left(t\right)\right)]\log [{{\mathrm{\μ}}^j}_{X_i}\left(x_i\left(t\right)\right)*{{\mathrm{\μ}}^l}_{X_k}\left(x_k\left(t\right)\right)]---\left(6.2a\right)$

在这种情况下，GA1将根据关于每个信号(6.1a)的信息的最小值，取交互信息(6.2a)的数量的最大值。在一个实施例中，还可以使用信息以及概率法的组合。

在Sugeno型FIS中的隶属函数的数目以及形状的优化的情况下，仅把所述输入语言变量包含到GA染色体内已经足够。用于不同类型的模糊模型的详细的适应函数，将存在于下列部分内，因为其更加符合所述规则的结构的优化。

在一个实施例中，在优化所述结果部分之前，规则预选算法选定最佳规则的数目以及它们的假定结构。考虑所述规则库的第一个模糊规则的结构

R¹(t)＝如果x₁(t)是μ¹ ₁(x₁)并且x_l2(t)是μ¹ ₂(x₂)，L，x_m(t)是μ¹ _m(x_m)，则y₁(t)是

y₂(t)是

L，y_n(t)是

其中：

m是输入数目；

n是输出数目；

x_i(t)，i＝1，...，m是输入信号；

y_j(t)，j＝1，...，n是输出信号；

μ^lk _k是语言变量的隶属函数；

k＝l，...，m+n是语言变量的索引；

l_k＝2，3，...是每个语言变量的隶属函数的数目；

μ_k ^{lk}是输出语言变量的隶属函数，上索引；{l_k}指的是可能的索引之一的选择；

以及t是时间戳。

考虑该规则的先前部分：

R_IN ¹(t)＝如果x₁(t)是μ₁ ¹(x₁)并且x_l2(t)是μ¹ ₂(x₂)，L，x_m(t)是μ¹ _m(x_m)。

在时刻t的规则R¹的触发强度，按下式计算：

$R_{\mathrm{fs}}^1\left(t\right)=\min [{\mathrm{\μ}}_1^1\left(x_1\left(t\right)\right),{\mathrm{\μ}}_2^1\left(x_2\left(t\right)\right),\·\·\·,{\mathrm{\μ}}_m^1\left(x_m\left(t\right)\right)]$

用于最小－最大模糊推理的情况；以及作为

$R_{\mathrm{fs}}^1\left(t\right)=\mathrm{\Π}[{\mathrm{\μ}}_1^1\left(x_1\left(t\right)\right),{\mathrm{\μ}}_2^1\left(x_2\left(t\right)\right),...,{\mathrm{\μ}}_m^1\left(x_m\left(t\right)\right)]$

用于乘积-最大模糊推理情况。

通常情况，可以在此处使用任一T-norm运算。

该规则的总触发强度R¹ _fs，数量R¹ _fs(t)，可以按下式计算：

$R_{\mathrm{fs}}^1=\frac{1}{T}\underset{t}{\∫}{R}_{\mathrm{fs}}^1\left(t\right)\mathrm{dt}$

用于连续的情况；以及：

$R_{\mathrm{fs}}^1=\frac{1}{T}\underset{t}{\mathrm{\Σ}}{R}_{\mathrm{fs}}^1\left(t\right)$

用于离散的情况。

可以按类似方式如下计算每个s-th规则的触发强度：

$R_{\mathrm{fs}}^s=\frac{1}{N}\underset{t}{\∫}{R}_{\mathrm{fs}}^s\left(t\right)\mathrm{dt},\mathrm{or}{R}_{\mathrm{fs}}^s=\frac{1}{N}\underset{t}{\mathrm{\Σ}}{R}_{\mathrm{fs}}^s\left(t\right),---\left(6.3\right)$

其中

$s=\mathrm{1,2},...,\underset{i=1}{\overset{m}{\mathrm{\Π}}}{l}_i$ 是一个线性规则索引(i从1开始)。

N-在教导信号中的点数或t在连续情况下的最大值。

在一个实施例中，所述规则的局部触发强度可以在代替积分的该情况下计算，在等式(6.3)中进行最大值运算：

$R_{\mathrm{fs}}^s=\underset{i}{\max }{R}_{\mathrm{fs}}^s\left(t\right)---\left(6.4\right)$

在这种情况下，全部规则的总强度将是：

$R_{\mathrm{fs}}=\underset{s=1}{\overset{L_0}{\mathrm{\Σ}}}{R}_{\mathrm{fs}}^s$

其中：

$L_0=\underset{k=1}{\overset{m}{\mathrm{\Π}}}{l}_k$ 在整个规则库中的规则的数目(k从1开始)

量R_fs是重要的，因为其在单个值中显示丁所述规则库的整体特征。该值可以被用作适应函数，其对所述输入语言变量的隶属函数的形状参数进行优化，并且它的最大值确保了所述KB的先前部分能够很好地描述输入信号的交互行为。注意，该数量符合在先前部分中所引入的“水平关系”，因此其由GA1自动地优化。

做为选择，如果所述输入隶属函数的结构已经固定了，则数量R^s _fs可以被用于一定数目的模糊规则的选择。FC的许多硬件实现，都具有限制，其在一个实施例中，约束了规则的最大可能数目。在这种情况下，知道FC的某一硬件实现的所述硬件限制L，所述算法就可以根据数量R^s _fs的降序选定规则L≤L₀。零触发强度规则可以被忽略。

在计算所述规则触发强度之前计算隶属函数启用的历史通常是有益的，因为相同的模糊集参与了不同的规则。为了减少总计算复杂性，在时刻t调用隶属函数计算，只要其自变量x(t)在其支持度范围之内。

对于高斯型隶属函数，支持度可以作为差值(variance value)σ²的平方根。

在一个实施例中，规则预选算法基于规则的触发强度。可以根据期望规则的最大数、根据用户输入、根据统计数据和/或根据其他条件，选定所述阈值级别。保留相对高的触发强度的规则，删除剩下的规则。默认地，可以淘汰零触发强度规则。在一个实施例中，零触发强度规则的存在可以表示语言变量的明确性(语言变量含有太多隶属函数)。在输入变量的隶属函数构造期间，可以减少零触发强度规则的总数。此最小化相当于求所述“垂直关系”的最小值。

在优化规则之前，该算法产生一个所述规则先前部分的最佳配置。KB的结果部分的优化，可以只被直接用于最佳规则，而不用于所述“非最佳规则”的不必要的计算。该过程还可以用来定义用于所述GA(GA2)的查找空间，其求得所述规则的输出(结果)部分。

用于GA2的染色体，其规定了所述规则的输出部分的结构，可以被定义为：

$[I_1,...,I_M],I_i=[I_1,...,I_n],I_k=\{1,...,l_{Y_k}\},k=1,...,n$

其中：

I_i是编码单个规则的基因组；

I_k是所述输出变量的隶属函数的索引；

n是输出数目；以及

M是规则数目。

在一个实施例中，规则启用的历史可以与输出变量的隶属函数启用的历史有关，或与在所述Sugeno模糊推理情况下的输出信号的一些间隔有关。因此，有可能定义哪个输出隶属函数有可能被某一特定规则启用。这就允许了用于输出变量隶属函数的所述索引的字母的减少，从 ${\left\{\right\{1,...,l_{Y_1}\},....,\{1,...,l_{Y_n}\left\}\right\}}^N$ 到每个规则的所述查找空间的准确的定义：

${\{{l^{\min }}_{Y_1},...,{l^{\max }}_{Y_1}\}}_1,....,{\{{l^{\min }}_{Y_n},...,{l^{\max }}_{Y_n}\}}_1,....,{\{{l^{\min }}_{Y_1},...,{l^{\max }}_{Y_1}\}}_N,....,{\{{l^{\min }}_{Y_n},...,{l^{\max }}_{Y_n}\}}_N$

因此GA的总查找空间减少了。如果只有一个输出隶属函数被某一规则启用，则这种规则可以被自动定义，而不需GA2的优化。

在一个实施例中，在Sugeno 0级FIS的情况下，代替输出隶属函数的索引，输出信号的相应的间隔可以被作为一个查找空间。

对于所述教导信号的输入输出对的某一组合来说，启用相同的规则以及相同的隶属函数。从规则优化的观点来讲，这种组合不是令人感兴趣的，由此可以从教导信号中去掉，这就减少了输入输出对的数目，并作为结果减少了计算总数。在这种情况下，在所述教导信号(t)中的点的总数，将相当于规则的数目加上有冲突的点(当相同的输入引起不同的输出值时的点)的数目。

先前部分描述了FIS的优化，而没有详细描述FIS选择的类型。在一个实施例中，用于所述GA2的适应函数，至少在某种程度上，取决于优化了的FIS的类型。在此处，描述了用于所述Mamdani、Sugeno和/或TsukamotoFIS模型的适应函数的例子。本领域普通技术人员将会认识到，同样可以使用其他模糊模型。

如下述这样定义误差E^p为教导信号的输出部分和FIS输出之间的差：

$E^p=\frac{1}{2}{(d^p-F(x_1^p,x_2^p,...,x_n^p))}^2$   $E=\underset{p}{\mathrm{\Σ}}{E}^p$

其中

和d^p分别是在p个训练对中的输入和输出变量的值。所述函数 根据所选择的FIS模型定义。

对于所述Mamdani模型来说，函数

被定义为：

$F(x_1,...,x_n)=\frac{\underset{l=1}{\overset{M}{\mathrm{\Σ}}}{\stackrel{\‾}{y}}^l\underset{i=1}{\overset{n}{\mathrm{\Π}}}{\mathrm{\μ}}_{j_i}^l\left(x_i\right)}{\underset{l=1}{\overset{M}{\mathrm{\Σ}}}\underset{i=1}{\overset{n}{\mathrm{\Π}}}{\mathrm{\μ}}_{j_i}^l\left(x_i\right)}=\frac{\underset{l=1}{\overset{M}{\mathrm{\Σ}}}{\stackrel{\‾}{y}}^l{z}^l}{\underset{l=1}{\overset{M}{\mathrm{\Σ}}}{z}^l},---\left(6.5\right)$

其中， $z^l=\underset{i=1}{\overset{n}{\mathrm{\Π}}}{\mathrm{\μ}}_{j_i}^l\left(x_i\right)$ (i从1开始)和y^-l是μ^l _y(y)的最大值(也叫作中心值)的点，∏表示所选T-norm运算。

在Sugeno模糊模型中的典型的规则可以如下表示：

如果x₁是μ^l _j1(x₁)并且x₂是μ^(l) _j2(x₂)并且……并且x_n(t)是μ^l _jn(x_n)

则y＝f^l(x₁，...，x_n)，

其中1＝1，2，...，M－模糊规则M的数目被定义为{x₁的输入变量的隶属函数的数目}×{x₂的输入变量的隶属函数的数目}×…×{x_n的输入变量的隶属函数的数目}。

Sugeno FIS的输出按下式计算：

$F(x_1,x_2,...,x_n)=\frac{\underset{l=1}{\overset{M}{\mathrm{\Σ}}}{f}^l\underset{i=1}{\overset{n}{\mathrm{\Π}}}{\mathrm{\μ}}_{j_i}^l\left(x_i\right)}{\underset{l=1}{\overset{M}{\mathrm{\Σ}}}\underset{i=1}{\overset{n}{\mathrm{\Π}}}{\mathrm{\μ}}_{j_i}^l\left(x_i\right)}.---\left(6.6\right)$

第一级Sugeno模糊模型中的典型的规则可以如下表示：如果x₁是μ^l _j1(x₁)并且x₂是μ^(l) _j2(x₂)并且……并且x_n是μ^l _jn(x_n)

则 $y=f^l(x_1,...,x_n)=p_1^{\left(l\right)}{x}_1+p_1^{\left(l\right)}{x}_2+...p_n^{\left(l\right)}{x}_n+r^{\left(l\right)},$ (通过一些多项式函数描述输出变量)

根据等式(6.6)计算Sugeno FIS的输出。

零级Sugeno FIS中典型的规则可以如下表示：如果x₁是μ^l _j1(x₁)并且x₂是μ^(l) _j2(x₂)并且……并且x_n是μ^l _jn(x_n)

则y＝r^(l)

零级Sugeno FIS的输出按下式计算

$F(x_1,x_2,...,x_n)=\frac{\underset{l=1}{\overset{M}{\mathrm{\Σ}}}{r}^l\underset{i=1}{\overset{n}{\mathrm{\Π}}}{\mathrm{\μ}}_{j_i}^l\left(x_i\right)}{\underset{l=1}{\overset{M}{\mathrm{\Σ}}}\underset{i=1}{\overset{n}{\mathrm{\Π}}}{\mathrm{\μ}}_{j_i}^l\left(x_i\right)}.---(6.7)$

在Tsukamoto FIS中的典型的规则是：如果x₁是μ^l _j1(x₁)并且x₂是μ^(l) _j2(x₂)并且……并且x_n是μ^l _jn(x_n)则y是μ^l _k(y)，

其中，j₁∈I_m1是描述x₁输入变量的语言值的隶属函数集；j₂∈I_m2是描述x₂输入变量的语言值的隶属函数集；等等，j_n∈I_mn是描述x_n输入变量的语言值的隶属函数集；以及k∈o是描述y输出变量的语言值的单调隶属函数。

TsukamotoFIS的输出按下式计算：

$F(x_1,...,x_n)=\frac{\underset{l=1}{\overset{M}{\mathrm{\Σ}}}{y}^l\underset{i=1}{\overset{n}{\mathrm{\Π}}}{\mathrm{\μ}}_{j_i}^l\left(x_i\right)}{\underset{l=1}{\overset{M}{\mathrm{\Σ}}}\underset{i=1}{\overset{n}{\mathrm{\Π}}}{\mathrm{\μ}}_{j_i}^l\left(x_i\right)}=\frac{\underset{l=1}{\overset{M}{\mathrm{\Σ}}}{y}^l{z}^l}{\underset{l=1}{\overset{M}{\mathrm{\Σ}}}{z}^l},---(6.8)$

其中 $z^l=\underset{i=1}{\overset{n}{\mathrm{\Π}}}{\mathrm{\μ}}_{j_i}^l\left(x_i\right)$ 并且 $z^l={\mathrm{\μ}}_k^{\left(l\right)}\left(y^l\right)$

如上所述的阶段4，生成了一个KB，其具有用于许多实际的控制系统设计应用程序所要求的强健性和性能。如果在阶段4所生成的KB的性能，由于某种原因，不够，则可以应用阶段5的KB改进算法。

在一个实施例中，所述KB结构的阶段5的改进处理，利用来自所述语言变量的参数的查找空间，作为另一个GA(GA3)而被实现。在一个实施例中，GA3的染色体可以具有下列结构：

${\left\{\right[{\mathrm{\Δ}}_1,{\mathrm{\Δ}}_2,{\mathrm{\Δ}}_3\left]\right\}}^L;{\mathrm{\Δ}}_i\∈[-{\mathrm{prm}}_i^j,1-{\mathrm{prm}}_i^j];i=1,2,3;j=\mathrm{1,2},...,L$ 其中L是在所述系统中的隶属函数的总数。

在这种情况下所述数量Δ_i，是相应模糊集参数的修改量，并且所述GA3根据适应函数求得这些修改量作为模糊推理误差的最小值。在这种具体实施例中，所述改进后的KB，具有通过加上所述修改量prm^new _i＝prm_i+Δ_i而从最初的KB参数中获得的隶属函数的参数。

不同的模糊隶属函数可以具有相同的参数数目，例如Gaussian隶属函数有两个参数，作为最常见的值和差。等腰三角形隶属函数也有两个参数。在这种情况下，引入关于参数数目的隶属函数的分类是有益的，把不仅修正隶属函数的参数、还修正隶属函数的类型的可能性引入到GA3，形成同一类，也是有益的。

GA3根据所述近似值误差，改善了模糊推理质量，但是可能会引起过度的学习，使得所述KB太过灵敏以至于不能输入。在一个实施例中，使用一个用于规则库优化的适应函数。在一个实施例中，使用一个基于信息的适应函数。在另一个实施例中，使用在GA1中用于所述隶属函数优化的适应函数。为了减少所述查找空间，可以只对所述KB的一些选定的参数应用改进算法。在一个实施例中，改进算法可以只被应用于选定的语言变量。

实现GA2或GA3的评估过程的结构在图12B中示出。在图12B中，所述SC优化器12001发送出现于GA2或GA3的当前染色体中的KB结构，到FC 12101。教导信号12102的一个输入部分被提供给FC 12101的输入端。所述教导信号的输出部分，被提供给加法器12103的正的输入端。FC 12101的一个输出，被提供给加法器12103的负输入端。所述加法器12103的输出，被提供给评估函数计算方块12104。评估函数计算方块12104的输出，被提供到所述SC优化器12001的一个适应函数输入端，其中评估值被分配给所述当前染色体。

在一个实施例中，评估函数计算方块12104计算近似误差，作为加法器12103的输出的加权和。

在一个实施例中，评估函数计算方块12104计算所述标准化近似误差的信息熵。

在阶段4和5的一个实施例中，GA的所述适应函数可以被表示成某一外部函数Fitness＝f(KB)，其接受KB作为参数，并提供KB性能作为输出。在一个实施例中，所述函数f包括由带FC的系统所控制的实际车间的模型。在此实施例中，除了车间动力之外，所述车间模型还提供了所述评估函数。

在一个实施例中，函数f可以是一个由自适应线性控制器(LINEARcontroller)所控制的实际车间，其中利用FC安排系数增益，测量系统提供了所述KB的某一性能指数作为一个输出。

在一个实施例中，当所述车间由带有来自KB的结构的FC进行控制时，所述车间的输出提供了用于所述车间和所述控制系统的熵产生比率的计算的数据。

在一个实施例中，所述评估函数不必与所述车间运动的机械特征(例如，在一个实施例中的控制误差)相关，但是从另一个角度来讲，其可以反映下述要求，诸如由所述系统产生的熵，或根据所述车间动力运动的频率特性等所表示的操作者的粗糙或不好的感觉。

图12C示出了一个实施例，根据车间动力实现KB评估系统的结构。在图12C中，SC优化器12201把存在于GA2或GA3的当前染色体内的KB结构提供给FC 12301。所述FC被嵌入基于车间动力的KB评估系统12300内。所述基于车间动力的KB评估系统12300包括，FC 12301，一个利用FC 12301作为系数增益的调度装置的自适应线性控制器12302，一个车间12303，一个随机激发生成系统12304，一个测量系统12305，一个加法器12306，以及一个评估函数计算方块12307。线性控制器12302的输出，被用作对车间12303的控制力(control force)，和到所述评估函数计算方块12307的第一输入。激发生成系统12304的输出，被提供给所述车间12303，以模拟一个操作环境。车间12303的输出，被提供给所述测量系统12305。测量系统12305的一个输出，被提供到加法器12306的负输入端，并与参考输入Xref一起组成加法器12306中的控制误差，其用作到线性控制器12302和FC12301的一个输入。测量系统12305的一个输出，被用作评估函数计算方块12307的第二个输入。所述评估函数计算方块12307，构成了所述KB的评估函数，并把它提供给SC优化器12201的适应函数输入端。SC优化器12201的适应函数方块，根据GA2或GA3的当前参数，把出现在当前染色体内的所述KB的评估值分成合适的级别。

在一个实施例中，评估函数计算方块12037，构成了评估函数，作为车间12303和线性控制器12302的熵产生率的最小值。

在一个实施例中，评估函数计算方块12307，对测量系统12305的一个或多个输出运用快速傅立叶变换，以提取出用于评估的车间输出的一个或多个频率特征。

在一个实施例中，基于车间动力的KB评估系统12300，使用车间12303的一个非线性模型。在一个实施例中，基于车间动力的KB评估系统12300，被实现成一个实际的车间，其中一个或多个参数由自适应线性控制器12302控制，控制增益由FC12301安排。在一个实施例中，车间12303是一个稳定的车间。在一个实施例中，车间12303是一个不稳定的车间。SC优化器12201的输出是最佳KB 12202。

在图13中，描述丁所述模糊控制器系统的结构及其发展阶段，其结合了下述阶段：阶段1(13100)，用于若干初始条件的教导信号获取阶段；阶段2(13200)，任意路线的模拟。

在阶段1(13100)，设置了参考速度以及滚动角的几种组合，其也用作初始速度和滚动角。所述机动车13101的车间模型(如图3所示)和用于转向的PD控制器13103以及用于驾驶的P控制器13104，被嵌入阶段1(13100)的所述结构中。用于控制器13103，13104的计算，基于等式(7-1)-(7-2)。并且，由GA 13102提供用于转向的PD控制器13103和用于驾驶的所述P控制器13104的所述增益参数。所述GA 13102，为各种条件提供了通过适应函数13105的值的评估所执行的参数的优化。适应函数13105的计算基于等式(7-6)。

优化后的参数存于KB 13002。用于KB 13002的数据，被SCO 13001转换成用于所述KB 13003的模糊规则形式。MC 13201的相同的车间模型和用于转向的PD控制器13203以及用于驾驶的P控制器13204，被嵌入阶段2(13200)的所述结构中。用于控制器13203，13204的计算，基于等式(7-1)-(7-2)。在该阶段，用于转向的PD控制器13203以及用于驾驶的P控制器13204的增益参数，由FC 13206利用模糊规则13003的KB来提供。用于驾驶的P控制器13204的输入数据，是向前速度以及参考速度之间的差。用于转向的PD控制器13203的输入数据，是滚动角以及参考滚动角之间的差，其由_ref计算器13207计算。用于计算器13207的输入数据，是LR 13208，路线数据13212是MC 13201的车间模型的定位和偏航。所述计算基于等式(7-3)-(7-5)。

τ_d＝-K_p1(v-v_ref)   (7-1)

${\mathrm{\τ}}_s=-K_{p2}(\mathrm{\φ}-{\mathrm{\φ}}_{\mathrm{ref}})-K_{d2}\mathrm{\φ}---(7-2)$

t＝LR/v              (7-3)

a＝2y/t²            (7-4)

${\mathrm{\φ}}_{\mathrm{ref}}=\mathrm{ta}{n}^{-1}(a/g)={\tan }^{-1}\left(\frac{2y*v^2}{g*{\mathrm{LR}}^2}\right)---(7-5)$

$\mathrm{FF}={(v-v_{\mathrm{ref}})}^2\×0.2+{(\mathrm{\φ}-{\mathrm{\φ}}_{\mathrm{ref}})}^2+{\stackrel{\·}{\mathrm{\φ}}}^2+{{\mathrm{\τ}}_d}^2\×0.0001+{{\mathrm{\τ}}_s}^2\×0.0005---(7-6)$

图14是一个方框图，其示出了保持转向扭矩前馈系统及其展开的结构。图14示出了下列3个阶段。阶段1(14100)是一个用于若干条件的数据获取阶段。阶段2(14200)是一个用于若干向前速度(forward velocities)的参数优化阶段。阶段3(14300)是一个任意的路线模拟。

在阶段1(14100)，设置了若干参考速度。所述参考速度也用作初始速度。使用圆周路线14112的若干半径和若干LR 14108。作为若干参考速度和若干圆周路线14112的半径以及若干LR 14108的组合，必须执行模拟的许多种情况。所述机动车14101的车间模型，用于转向的PD控制器14103，以及用于驾驶的P控制器14104，被嵌入阶段1(14100)的所述结构中。用于控制器14103，14104的计算，基于等式(7-1)-(7-2)。确定用于转向的PD控制器14103以及用于驾驶的P控制器14104的所述P增益参数。用于转向的PD控制器14103的D参数，由GA 14102提供。GA14102供给_col 14109和τ_hold 14110的值。_col 14109被用作用于_ref calc 14107的输入。计算器14107的其他输入数据是LR 14108以及路线数据(这里使用了环形路线)14112和机动车14101的车间模型的位置以及偏航。计算14107基于等式(7-7)-(7-111)。值τ_hold 14110被添加到用于转向的所述PD14103的输出。利用所述GA 14102，通过为每个期望条件评估适应函数14105的值，来执行参数的优化。适应函数14105的计算基于等式(7-12)。_col 14109以及τ_hold 14110的优化参数存于KB 14001中。

KB 14001的数据用于阶段2(14200)中的查找表14211。所述查找表14211，根据LR 14208以及由_ref calc 14107计算出的参考滚动角和机动车14201的车间模型的前进速度，产生优化的_col 14209以及τ_hold 14210。在阶段2(14200)，设置了若干参考速度，所述参考速度也用作初始速度。所述机动车14201的车间模型，用于转向的PD控制器14203，以及用于驾驶的P控制器14204，被嵌入阶段2(14200)的所述结构中。用于控制器14203，14204的计算，基于等式(7-1)-(7-2)。确定用于驾驶的P控制器14204的增益参数。在该阶段，用于转向的PD控制器14203的所述增益参数，由GA 14202提供。所述LR 14208也由GA 14202提供。所述LR 14208、路线数据(在这里，使用在图30(A)中示出的通道变化路线)14212和机动车14201的车间模型的位置和偏航以及优化的_col 14209，被用作用于_{ref calc} 14207的输入。所述计算14207基于等式(7-7)-(7-11)。值τ_hold 14210被添加到用于转向的PD控制器14203的输出。利用所述GA 14202，通过为每个参考速度评估适应函数14205的值，来执行参数的优化。适应函数14205的计算基于等式(7-13)。用于转向的PD控制器14203的增益参数的优化参数以及LR 14208，被添加到KB 14001，并且构造KB14002。

KB 14002的数据，用于在阶段3(14300)中的查找表14311。查找表14311，根据由_ref calc 14107计算的参考滚动角以及机动车14301的车间模型的前进速度，产生优化的_col 14309和τ_hold 14310和用于转向的PD控制器14303的增益参数以及LR 14308。所述机动车14301的车间模型，用于转向的PD控制器14303，以及用于驾驶的P控制器14304，被嵌入阶段3(14300)的所述结构中。用于控制器14303，14304的计算，基于等式(7-1)-(7-2)。

确定用于驾驶的P控制器14304的增益参数。在该阶段，用于转向的PD控制器14303的所述增益参数，由如上所述的查找表14311提供。LR14308、任意路线数据14312、和机动车14301的车间模型的位置和偏航以及优化的_col 14309，被用作用于_ref calc 14307的输入。所述计算14307基于等式(7-7)-(7-11)。值τ_hold 14310被添加到用于转向的PD控制器14303的输出。

ω＝v/R                   (7-7)

a＝v*ω                                       (7-8)

R＝(y²+LR²)/2y         (7-9)

${\mathrm{\φ}}_{\mathrm{ref}0}={\tan }^{-1}(a/g)={\tan }^{-1}\left(\frac{2y*v^2}{g*(y^2+{\mathrm{LR}}^2)}\right)---(7-10)$

φ_ref＝φ_ref0-φ_cor     (7-11)

FF＝y₀ ²+(φ-φ_ref)²   (7-12)

FF＝y₀ ²+τ_s ²×0.007   (7-13)

优化的KB定义了最佳模糊控制系统，以实现一个强健的制导器模型，其能够驾驶所述机动车(车间模型)，以任意无需降低的速度穿过一个任意的路线轨迹，并在期望控制误差容许量以及控制质量范围内。

在一个实施例中，所提供的制导器模型，是一个前瞻模型和理想的滚动控制(roll control)模型的组合。为计算转向扭矩，使用的参考长度的偏差来自前瞻模型，使用的滚动角速度来自理想的滚动控制模型(参见图15)。该制导器模型利用了一个模糊控制器，该模糊控制器对相应于所述速度以及滚动角的增益参数进行优化。为了优化该增益参数，基于带有不同类型适应函数的GA(遗传算法)的软计算优化器，被用于模拟中以控制速度以及滚动角到参考值。利用软计算优化器的方法，被分成两个部分。第一部分将通过模拟获得教导信号，第二部分将通过利用该教导信号构造优化的模糊控制器。

用于控制器扭矩的等式是：

τ_d＝-K_p1(v-v_ref)    (9-1)

${\mathrm{\τ}}_s=-K_{p2}(\mathrm{\φ}-{\mathrm{\φ}}_{\mathrm{ref}})-K_{d2}\mathrm{\φ}---(9-2)$

用于参考滚动角的等式是：

t＝LR/v                 (9-3)

a＝2y/t²               (9-4)

${\mathrm{\φ}}_{\mathrm{ref}}={\tan }^{-1}(a/g)={\tan }^{-1}\left(\frac{2y*v^2}{g*{\mathrm{LR}}^2}\right)---(9-5)$

用于驾驶扭矩以及车身动作控制器的等式是：

τ_s＝K_φsφ+K_ysy     (9-6)

τ₁＝K_ττ_s         (9-7)

τ₂＝K_φ2φ+K_y2y     (9-8)

所述参考滚动角通过路线半径设定：

τ_d＝K_p1(v_ref-v)     (9-9)

${\mathrm{\τ}}_s=K_p({\mathrm{\φ}}_{\mathrm{ref}}-\mathrm{\φ})+K_I\∫({\mathrm{\φ}}_{\mathrm{ref}}-\mathrm{\φ})\mathrm{dt}+K_D({\mathrm{\φ}}_{\mathrm{ref}}-\mathrm{\φ})---(9-10)$

为得到所述教导信号，软计算优化器使用了一个程序mexGA、一个MATLAB程序script.m、一个MATLAB程序fitness.m以及所述MC模型。所述结构在图16中示出。在script.m，设定了初始条件以及参考值。在fitness.m所述适应函数被定义为：

M-file：MATLAB语言文件

    参考速度＝5、7、10、15m/s

    参考滚动角＝0°，10°，30°

    优化增益    Kp1，Kp2，Kd2

    适应函数

$\mathrm{FF}={(v-v_{\mathrm{ref}})}^2\×0.2+{(\mathrm{\φ}-{\mathrm{\φ}}_{\mathrm{ref}})}^2+{\stackrel{\·}{\mathrm{\φ}}}^2+{{\mathrm{\τ}}_d}^2\×0.0001+{{\mathrm{\τ}}_s}^2\×0.0005---(9-11)$

    GA参数

    总数＝100

    产生(Generation)＝5

    突变率＝0.6

    交叉率＝0.9

    删除率＝0.8

适度降低(Fitness reduce)＝0.05

图17示出了从所述模拟中获得的教导信号的例子。图18示出了用于不同的初始条件的优化参数的结果。如下述这样说明了由模拟产生的教导信号的若干特征。当速度快时，不管滚动角是多少，Kp1都相对较大。除了速度慢并且滚动角大的时候之外，Kp2改变得相对较小。当所述参考滚动角是30deg.(度)且所述参考速度是5m/s时，不管增益参数是多少，所得到的滚动角都集中在不到27度处。这好像是在前述的例外(preceding exception)的基础之上。前轮轮胎绕着转向轴线的扭矩是该现象的主要原因。当速度慢时，不管滚动角是多少，Kp1都相对较大。

作为下一步，SC优化器计算用于所述模糊控制器的KB的最佳结构。用于SC优化器的所述输入是教导信号。设定用于KB的隶属函数，用来由模糊控制器的输入数据构造模糊运算的输入数据，诸如速度以及滚动角。所述SC优化器确定函数并构造模糊规则以及通过使用GA的教导信号来对其进行优化。图19以及20相应地示出了隶属函数设计的结果以及FC输出。

图21是包括一个模糊控制器方块2101的模拟模型的方框图。所述方块2102用作SC优化器的外部性能函数，其为使用所述模糊规则的模拟提供了增益参数。一个参考滚动角计算器2103方块，根据分配的路线数据以及LR(参考长度)和输入数据(位置，速度以及偏航)，来计算所述参考滚动角。

在图22中示出了在这里所分配的测试路线以及所述模拟。该路线在逆时针方向上行驶。该路线始于一条直线并进入一个13米半径的J形转弯。在一个短的直线及转弯之后，其进到通道变化(lane change)处和10米半径的J形转弯。接着该路线穿过一个大的转弯半径并返回到起始的直线。在该模拟中，所述机动车沿着所述路线行驶两次，并使用作为参考速度的实验数据(图23A)。在第一个转弯处，所述参考速度大约为5m/s，在第二转弯处，所述参考速度大约为7m/s。第一个转弯，LR是6米，第二个转弯，LR是7.5米。

图23B-E示出了模拟的所述结果数据以及相应的测量数据。在第二圈(在时间量程70秒内)中的所述10米J形转弯处R10，与实验数据相比所述模拟数据振动得较剧烈。原因在于绕着所述转向轴线的前轮轮胎的扭矩。当其即将进入一个有规则的圆周内时，所计算出的控制扭矩接近于0。如果绕着所述转向轴线的前轮轮胎的扭矩是0，则继续有规则的圆周循环(regular circle revolution)。但是所述扭矩不是0，因此引起了振动。图23F示出了通过模糊控制器的增益参数的改变。

为评估所述控制器的强健性，如图24A-E所示那样，进行一次在轮胎负荷中的带有干扰的模拟。在交织模式的频率大约为0.5Hz时，该影响相对较小，该交织模式是在所研究的速度范围是MC的主要模式。因此所述高频噪声影响较小。如果所述速度范围是不同的，并且所述高频模式是主要的，则轮胎噪声的影响将更加重要。

另一个对强健性进行的测试，是假定所述制动器的传输延迟的模拟。如图25A-D所示，直到引入0.04秒的延迟，所述结果才不会发生大的变化。然而，当假定一个0.05秒的延迟时，所述MC的振动就会发生交叉并且所述模拟就会变得不稳定。

在机动车控制的优化中，稳定滚动角与改变预定路线一起进行(参见图26A)。因此，当驶入圆周时可以使机动车稳定的第一研究控制方法，是有用的。原因是，对于恒速来说，滚动角在一个环形路线上几乎保持不变，并且任一期望的路线都可以被分成短的圆弧的组合。如果所述控制方法可以使机动车稳定地通过任一期望半径的圆弧，则所述MC可以被稳定地驾驶通过任一路线转向，其中所述路线由具有在设计范围内的半径的弧构成。

因此，所述模拟使用圆周式路线，并且当计算参考滚动角时在该圆周式路线上行驶，而且在所述模拟期间使用通过SC优化器的参数的优化(参见图26B)。如等式9-4所描述的，必须提供一个保持扭矩来对抗绕着转向轴线的前轮轮胎的扭矩，以保持所述参考滚动角。因此，可以使用一个前馈制导器模型。在等式(9-3)-(9-5)中计算所述参考滚动角的方法，假定丁所述路线偏差较小。忽略偏航的改变，则不变的横向加速度会抵销掉预测的路线偏差。因此当所述路线偏差较大时，则通过该方法计算参考滚动角会具有较大的误差。计算参考滚动角的现有方法(等式(9-14)-(9-17))，假定了弧形路线。因此该方法更适合所述圆周路线。然而，在计算出的参考滚动角以及实际集中的滚动角之间仍有些差异。在等式(9-18)中引入所述纠正值，在圆周路线的模拟中进行优化，这就降低了误差。所述纠正补偿了轮胎的倾覆力矩以及轮基(base)长度。利用圆周路线的模拟的参数的优化(保持扭矩以及参考滚动角的纠正值)，不能充分地优化用于瞬态响应(transient response)的可控制性。对于参考长度(LR)以及PD增益(Kp2，Kd2)的优化，增加了通道变化模拟。

在该方法中，速度控制增益是固定的。用于控制器扭矩的等式是：

τ_d＝-K_p1(v-v_ref)      (9-12)

${\mathrm{\τ}}_s=-K_{p2}(\mathrm{\φ}-{\mathrm{\φ}}_{\mathrm{ref}})-K_{d2}\mathrm{\φ}+{\mathrm{\τ}}_{\mathrm{offset}}---(9-13)$

用于参考滚动角的等式是：

ω＝v/R                (9-14)

a＝v*ω                                 (9-15)

fromfig 26(a)

R＝(y²+LR²)/2y      (9-16)

${\mathrm{\φ}}_{\mathrm{ref}0}={\tan }^{-1}(a/g)={\tan }^{-1}\left(\frac{2y*v^2}{g*(y^2+{\mathrm{LR}}^2)}\right)---(9-17)$

φ_ref＝φ_ref0-φ_cor (9-18)

图27示出了用于圆周式路线模拟的模型。

为构造所述前馈制导器模型，利用SC优化器控制的圆周式路线模拟，在若干条件下进行。优化所述保持扭矩以及参考滚动角的纠正值，并在每个条件中获得所述集中的(converged)滚动角。增益参数Kp1和Kp2是固定的(Kp1＝1000，Kp2＝80)。加入所述增益参数Kd2用于优化。

在图28中示出了所述模拟结果。所述保持扭矩和参考滚动角的纠正值以及集中的滚动角，随着路线半径的变小而变得更大。LR影响参考滚动角的纠正值。所述保持扭矩以及参考滚动角的纠正值，几乎与计算出的参考滚动角成比例(图29A-B)。

很难利用圆周路线优化瞬态响应的可控制性。所述通道变化模拟(参见图30)，能被用于在瞬时条件下被优化的参数。在圆周路线模拟中所述优化的结果，被用于通道变化模拟中。

参考速度＝5，7m/s

优化后的参数LR、Kp2、Kd2

适应函数

FF＝y₀ ²+τ_s ²×0.007    (9-19)

通过插入作为计算出的参考滚动角的函数的输入数据，来计算保持扭矩。(假定速度为恒定值)通过插入作为LR以及计算出的参考滚动角的函数的输入矩阵数据，来计算参考滚动角的纠正值.(假定速度为恒定值)

所述前馈制导器模型(参见图31)，被构造成表格数据(表2)，其通过圆周路线以及SC优化器控制的通道变化路线的模拟而被优化。在测试路线中的模拟的结果数据，与实验数据很匹配(图32A-E)。在第二线路中的所述10米J形转弯处(在时间量程70秒内)，所述模拟数据不再振动。

用于在所述模拟中的强健性的测试，通过假定转向制动器的传输延迟来提供。如图33A-D所示，直到引入0.05秒的延迟，所述控制结果才基本上不会发生大的变化。引入一个0.07秒的延迟，会导致MC的振动以及所述模拟的不稳定。

图34示出了所述传感器以及测量装置。测量系统具有两个部分。第一个部分34200如图35所示被集成到所述测试小型摩托车内。第二部分34100是是测量基础，其包括一个无线调制解调器34101、GPS参考站34102、发送器板(transmitter board)34103、以及具有监视器的计算机34104。所测量的数据(小型摩托车的位置以及姿势、转向角、转向扭矩)，可以在图36中所示出的监视器上看到。集成到所述测试小型摩托车内的第一部分34200，包括一个无线调制解调器34201、安装于如图35所示的小型摩托车的转向部分内的转向传感器系统34202、驾驶电动机传感器34203、如图35所示连接于小型摩托车上的位置和姿态传感器34204、以及ECU单元34205。方块34202以及34203，是初始系统上的附加部分，用来使初始系统专门用于小型摩托车的测量。

Claims (52)

1.一种软计算优化器，用于设计在机动车转向系统的软计算控制中使用的知识库，其包括：

一个模糊推理机；

一个用户输入模块，被配置成允许用户选择至少一个优化参数，所述优化参数包括下述参数的至少其中之一：所述知识库的输入变量的数目、所述知识库的输出变量的数目、用于所述模糊推理机的模糊推理模型的类型、以及隶属函数的初级类型；

一个机动车和制导器的动态模拟模型；

一个遗传算法，其被配置成优化使用所述模糊推理机的所述知识库，以控制所述动态模拟，所述遗传算法被配置成优化所述至少一个优化参数。

2.根据权利要求1所述的软计算优化器，其中所述模糊推理机包括一个模糊神经网络。

3.根据权利要求1所述的软计算优化器，其中所述模糊推理模型包括一个玛姆达尼模型。

4.根据权利要求1所述的软计算优化器，其中所述模糊推理模型包括一个苏格农模型。

5.根据权利要求1所述的软计算优化器，其中所述动态模拟模型包括一个前馈制导器模型。

6.根据权利要求1所述的软计算优化器，其中所述遗传算法被配置成根据一个教导信号来优化所述知识库。

7.根据权利要求1所述的软计算优化器，其中所述动态模拟模型包括一个线性轮胎模型。

8.根据权利要求1所述的软计算优化器，其中当沿着一个环形路线操纵所述机动车时，所述遗传算法对所述知识库的结构进行优化。

9.根据权利要求1所述的软计算优化器，其中所述动态模型由一个线性控制器控制。

10.根据权利要求1所述的软计算优化器，其中所述遗传算法使用一个适应函数，该适应函数被配置成将所述动态模型的熵产生比率最小化。

11.一种用于优化在用于操纵机动车的软计算控制器中的知识库的方法，包括：

通过选择一个或多个参数来选择一个模糊模型，所述一个或多个参数包括输入变量的数目、输出变量的数目、模糊推理模型的类型以及教导信号中的至少其中之一；

按照所述一个或多个参数优化知识库的语言变量参数，以按照从一个机动车和制导器的动态模拟模型中获得的教导信号产生优化的语言变量；

按照触发强度对所述规则库中的规则进行分级；

删除触发强度相对弱的规则，留下从所述规则库中的所述规则中所选择的规则；

使用所述模糊模型、所述语言变量参数和所述优化的语言变量，优化所选择的规则，以产生优化的选定规则。

12.根据权利要求11所述的方法，还包括使用基于导数的优化过程来优化所选择的规则。

13.根据权利要求11所述的方法，还包括优化所述优化的选定规则的隶属函数的参数，以降低近似值误差。

14.一种软计算优化器，包括：

一个第一遗传优化器，被配置成优化用于一个模糊推理系统中的模糊模型的语言变量参数；

一个第一知识库，通过使用从操纵一个机动车的动态模拟中获得的训练信号来训练该知识库，所述模型包括一个轮胎模型和一个制导器模型；

一个规则估算器，被配置成按照触发强度对所述第一知识库中的规则进行分级，并删除触发强度相对弱的规则，以产生一个第二知识库；

以及一个第二遗传分析器，被配置成利用所述模糊模型优化所述第二知识库。

15.根据权利要求14所述的软计算优化器，还包括一个优化器，其被配置成利用典型的基于导数的优化来优化所述模糊推理模型。

16.根据权利要求14所述的软计算优化器，还包括一个第三遗传优化器，其被配置成利用所述第二知识库优化所述语言变量的结构。

17.根据权利要求14所述的软计算优化器，还包括一个第三遗传优化器，其被配置成优化所述模糊推理系统中的隶属函数的结构。

18.根据权利要求14所述的软计算优化器，其中所述轮胎模型包括一个线性轮胎模型。

19.根据权利要求14所述的软计算优化器，其中所述轮胎模型包括一个具有瞬态效应的线性轮胎模型。

20.根据权利要求14所述的软计算优化器，其中所述第二遗传分析器使用一个适应函数，该适应函数被配置成降低所述动态模拟模型的熵产生。

21.根据权利要求14所述的软计算优化器，其中所述第一遗传算法被配置成选择若干用于所述第一知识库的隶属函数。

22.根据权利要求14所述的软计算优化器，其中所述第一遗传算法被配置成选择用于所述第一知识库的隶属函数的类型。

23.根据权利要求14所述的软计算优化器，其中所述第一遗传算法被配置成选择用于所述第一知识库的隶属函数的参数。

24.根据权利要求14所述的软计算优化器，其中用于所述第二遗传算法的适应函数至少部分地取决于在所述模糊推理系统中的隶属函数的类型。

25.根据权利要求14所述的软计算优化器，还包括一个第三遗传分析器，其被配置成按照来自所述语言变量的参数的查找空间来优化所述第二知识库。

26.根据权利要求14所述的软计算优化器，还包括一个第三遗传分析器，其被配置成通过将一个模糊推理误差最小化来优化所述第二知识库。

27.根据权利要求14所述的软计算优化器，其中所述第二遗传优化器使用了一个基于信息的适应函数。

28.根据权利要求14所述的软计算优化器，其中所述第一遗传优化器使用了一个第一适应函数并且所述第二遗传优化器使用了所述第一适应函数。

29.根据权利要求14所述的软计算优化器，其中所述第二遗传优化器使用了一个适应函数，该适应函数被配置成对所述机动车的稳定性特征进行优化。

30.根据权利要求14所述的软计算优化器，其中所述第二遗传优化器使用了一个适应函数，该适应函数被配置成优化所述机动车的熵特性，用于转向控制。

31.根据权利要求14所述的软计算优化器，其中所述制导器模型包括一个前瞻模型。

32.根据权利要求14所述的软计算优化器，其中所述第二遗传优化器使用了所述机动车和制导器的一个非线性模型。

33.根据权利要求14所述的软计算优化器，其中一个第一线性控制器被用来控制转向而一个第二线性控制器被用来控制速度

34.根据权利要求14所述的软计算优化器，其中所述教导信号从一个最佳控制信号中获得。

35.根据权利要求14所述的软计算优化器，其中所述最佳控制信号包括一个滤波的所测量的控制信号。

36.根据权利要求14所述的软计算优化器，其中所述最佳控制信号包括一个低通滤波的所测量的控制信号。

37.根据权利要求14所述的软计算优化器，其中所述最佳控制信号包括一个带通滤波的所测量的控制信号。

38.根据权利要求14所述的软计算优化器，其中所述最佳控制信号包括一个高通滤波的所测量的控制信号。

39.一种用于产生模糊推理系统所用的知识库的方法，该模糊推理系统用于控制机动车，该方法包括：

选择第一语言变量参数，所述第一语言变量参数描述在所述模糊推理系统中的隶属函数；

在一个第一遗传算法中改变所述第一语言变量参数，以产生优化的语言变量，所述优化的语言变量描述用于所述模糊推理系统的优化的隶属函数；

产生一个来自一个动态模型的教导信号，该动态模型描述了机动车的转向和速度；

利用至少所述教导信号和所述优化的隶属函数产生一个第一知识库；

按照每个规则的触发强度对在所述第一知识库中的规则分级；

由在所述第一知识库中具有相对较强的触发强度的规则产生一个第二知识库；以及

利用一个第二遗传算法以按照所述优化的语言变量、所述优化的隶属函数、以及所述教导信号，来优化所述第二知识厍，以产生优化的知识库。

40.根据权利要求39所述的方法，还包括利用一个基于导数的优化器来进一步优化所述优化的知识库。

41.根据权利要求39所述的方法，还包括利用一个后向传播算法来进一步训练所述优化的的知识库。

42.根据权利要求39所述的方法，还包括利用一个基于导数的优化器来进一步优化所述语言变量。

43.根据权利要求39所述的方法，其中所述第二遗传算法使用一个适应函数，该适应函数被配置成降低熵产生。

44.根据权利要求39所述的方法，其中所述机动车的转向由第一线性控制器控制，所述机动车速度由第二线性控制器控制，并且其中所述模糊推理系统为每个线性控制器都生成增益时间表。

45.根据权利要求39所述的方法，其中所述第一遗传算法优化在所述模糊推理系统中的隶属函数的数目。

46.根据权利要求39所述的方法，其中所述第一遗传算法优化在所述模糊推理系统中的隶属函数的参数。

47.根据权利要求39所述的方法，其中所述教导信号包括一个或多个输入信号以及一个或多个输出信号。

48.根据权利要求39所述的方法，其中规则的启用历史与输出变量隶属函数启用的历史相关联。

49.根据权利要求39所述的方法，其中所述模糊推理系统包括一个苏格农系统并且规则的启用历史与输出信号的时间间隔相关联。

50.根据权利要求39所述的方法，其中所述模糊推理系统包括一个0级苏格农系统，并且其中所述输出信号的时间间隔被视作查找空间。

51.根据权利要求39所述的方法，其中所述第二遗传算法至少部分地取决于所述模糊推理系统的类型。

52.根据权利要求39所述的方法，其中所述第二遗传遗传算法使用了一个基于信息的适应函数。

Images