This paper presents an online evolving neural network-based inverse dynamics learning controller for an autonomous vehicle's longitudinal and lateral control under model uncertainties and disturbances. The inverse dynamics of the vehicle are approximated using a feedback error learning mechanism that utilizes a dynamic Radial Basis Function neural network, referred to as the Extended Minimal Resource Allocating Network (EMRAN). EMRAN uses an extended Kalman filter approach for learning and a growing/pruning condition helps in keeping the number of hidden neurons minimum. The online learning algorithm helps in handling the uncertainties and dynamic variations and also the unknown disturbances on the road. The proposed control architecture employs two coupled conventional controllers aided by the EMRAN inverse dynamics controller. The control architecture has a conventional PID controller for longitudinal cruise control and a Stanley controller for lateral path-tracking. Performances of both the longitudinal and lateral controllers are compared with existing control methods and the simulation results clearly indicate that the proposed control scheme handles the disturbances and parametric uncertainties better, and also provides better tracking performance in autonomous vehicles.


翻译:本文展示了在模型不确定性和扰动下自动车辆纵向和横向控制的在线进化神经网络反动态动态学习控制器,该飞行器的反动动态使用一个反馈错误学习机制,该机制使用动态半径基功能神经网络,称为扩展最小资源分配网络(EMRAAN)。EMRAAN使用扩大的Kalman过滤器方法进行学习,不断增长/运行的条件有助于尽量减少隐藏神经元的数量。在线学习算法有助于处理不确定性和动态变异以及道路上未知的扰动。拟议的控制结构使用两个同时使用的常规控制器,由EMRAAN反向动态控制器协助。控制结构有一个常规的PID控制器用于纵向巡航航控制,一个斯坦利控制器用于横向跟踪路径。将纵向和横向控制器的性能与现有的控制方法进行比较,模拟结果清楚地表明,拟议的控制机制可以更好地处理扰动和对称不确定性,还可以更好地跟踪自主车辆的性能。

0
下载
关闭预览

相关内容

【Uber AI新论文】持续元学习,Learning to Continually Learn
专知会员服务
36+阅读 · 2020年2月27日
深度强化学习策略梯度教程,53页ppt
专知会员服务
178+阅读 · 2020年2月1日
吴恩达新书《Machine Learning Yearning》完整中文版
专知会员服务
145+阅读 · 2019年10月27日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
分布式并行架构Ray介绍
CreateAMind
9+阅读 · 2019年8月9日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
误差反向传播——RNN
统计学习与视觉计算组
18+阅读 · 2018年9月6日
carla 学习笔记
CreateAMind
9+阅读 · 2018年2月7日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
强化学习族谱
CreateAMind
26+阅读 · 2017年8月2日
Arxiv
12+阅读 · 2021年6月21日
Arxiv
8+阅读 · 2018年3月20日
VIP会员
相关资讯
分布式并行架构Ray介绍
CreateAMind
9+阅读 · 2019年8月9日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
误差反向传播——RNN
统计学习与视觉计算组
18+阅读 · 2018年9月6日
carla 学习笔记
CreateAMind
9+阅读 · 2018年2月7日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
强化学习族谱
CreateAMind
26+阅读 · 2017年8月2日
Top
微信扫码咨询专知VIP会员