基于前馈神经网络(Feedforward Neural Network, FNN)的模型预测控制(Model Predictive Control, MPC)结合混合分数阶粒子群-序列二次规划(Fractional PSO–SQP)优化用于自动驾驶车辆轨迹跟踪

《Automation》：Feedforward Neural Network-Based MPC Optimized by Hybrid Fractional PSO–SQP for Trajectory Tracking of Autonomous Vehicles

　　

背景/目的：自动驾驶车辆(Autonomous Vehicles, AVs)需要具备处理复杂动态环境能力的控制算法，同时满足安全性、舒适性、能效及轨迹精度等多重冲突目标。模型预测控制(MPC)为多约束优化提供了规范性框架，但其针对非线性车辆动力学的实时求解仍具挑战。方法：本文提出一种基于前馈神经网络(FNN)近似耦合车辆动力学与视觉预瞄误差模型的MPC框架用于AV轨迹跟踪，FNN采用log-sigmoid函数代数和构造。FNN的三个自适应参数集——缩放因子、收敛参数及时移参数——采用结合分数阶粒子群优化(FPSO)全局搜索能力与序列二次规划(SQP)局部精细化能力的混合算法联合优化。结果：研究人员在干燥路面(附着系数0.8)、车速80 km/h、车质量1723 kg条件下进行多场景仿真，并与传统PID控制器及文献中结构相似的MPC框架在相同条件下定量对比(深度强化学习及强化学习方法仅作定性参照)；基于100次独立运行的均方误差(MSE)、适应度值及GFLOPs计算代价考察了所提框架的稳定性、可靠性与计算复杂度。结论：所提出的FNN-based MPC框架在仿真中表现出改善的轨迹跟踪精度和优化器可靠性。尽管结果表明其具有良好的计算特性，但实车嵌入式硬件及闭环实时约束下的验证仍需进一步研究。

论文解读：基于前馈神经网络(FNN)近似与混合分数阶粒子群-序列二次规划(FPSO–SQP)优化的模型预测控制(MPC)在自动驾驶车辆轨迹跟踪中的应用

《Automation》期刊刊载的该研究针对自动驾驶车辆(Autonomous Vehicles, AVs)在非线性耦合车辆动力学下模型预测控制(Model Predictive Control, MPC)实时求解困难的问题，指出虽然MPC能显式处理多约束和多目标优化，但在涉及非线性车辆动力学、障碍物及随机环境时在线求解计算负担重且易陷入局部最优。现有方法中，序列二次规划(Sequential Quadratic Programming, SQP)局部收敛快但对初值敏感，粒子群优化(Particle Swarm Optimization, PSO)具全局搜索能力但精度有限。为此，研究人员构建了前馈神经网络(Feedforward Neural Network, FNN)来逼近车辆耦合动力学与视觉预瞄误差模型，并设计分数阶粒子群优化(Fractional Particle Swarm Optimization, FPSO)与SQP的混合算法同步优化FNN的自适应参数(缩放因子α、收敛参数β、时移参数γ)，以降低非线性MPC在线求解复杂度并提高跟踪精度与优化器稳定性。仿真在干燥路面(附着系数0.8)、车速80 km/h、车质量1723 kg条件下开展，经100次蒙特卡洛独立运行验证，所提FNN-MPC结合FPSO–SQP优化相较单独FPSO、单独SQP及传统PID控制器具有更低的轨迹跟踪平均绝对误差(Mean Absolute Error, MAE)、更小的均方误差(Mean Square Error, MSE)及更稳定的收敛性能，但研究人员也指出该方法尚需嵌入式硬件与硬件在环(Hardware-in-the-Loop, HIL)条件下的实时性验证。

主要关键技术方法：

研究人员采用三自由度自行车模型描述车辆纵向、侧向及横摆动力学，结合Pacejka轮胎模型计算纵/侧向轮胎力，并建立含预瞄点侧向偏差与航向角偏差的视觉预瞄误差模型。构建单隐层含N个神经元的前馈神经网络(FNN)以log-sigmoid为激活函数近似上述耦合系统，FNN输出表征状态变量(纵向速度u、侧向速度v、横摆角速度r、预瞄点侧向偏差e_y、航向偏差e_ψ)，以各状态FNN近似残差的加权均方和构建价值函数(merit function)。FNN三个自适应参数向量α、β、γ∈[-2,2]由混合FPSO–SQP优化：先用分数阶PSO(FPSO, 引入Riemann–Liouville分数阶导数赋予速度更新记忆项)进行全局搜索得近似最优权重，再将其作为初值送入SQP进行二次规划子问题迭代局部精细化(BFGS更新Hessian近似)。控制输入为前轮转角δ_f，预测时域与仿真步长离散化后离线训练FNN满足全时域车辆动力学，停止准则为达到目标适应度值(<10^-6)或最大迭代数(FPSO 500代+SQP 500步)。仿真与对比基准含传统PID、仅FPSO优化MPC、仅SQP优化MPC及文献中深度强化学习(Deep Reinforcement Learning, DRL)方法作参照。

研究结果：

5.1. Ablation Study 1: Reliability of the Optimizers（优化器可靠性）

研究人员绘制SQP、FPSO及FPSO–SQP三种优化策略在多次独立运行中获得的适应度值(对数坐标)，发现SQP适应度值偏高且波动大，对初值敏感；FPSO较SQP降低适应度但仍有散布；FPSO–SQP获得最低适应度值(较其余二者低数个数量级)且变异最小，表明混合优化显著提升了寻优可靠性。

5.2. Ablation Study 2: Stability and Sensitivity of the Optimizers（优化器稳定性与敏感性）

研究人员对比三种算法独立试验的MSE(对数坐标)：FPSO的MSE约10^-3~10^-2且波动明显，SQP MSE约10^-4~10^-3但个别运行偏离大(易陷局部极优)，FPSO–SQP MSE降至10^-5~10^-4且分散度最小，证明FPSO全局探索与SQP局部精修结合使收敛最稳定、鲁棒。

5.3. Ablation Study 3: Computational Cost Analysis（计算代价分析）

研究人员统计GFLOPs显示SQP约0.6~0.8 GFLOPs(最低)，FPSO约0.8~1.0 GFLOPs，FPSO–SQP约1.0~1.1 GFLOPs(最高但因串行执行)，但FPSO–SQP各次运行计算量变异小，表明执行时间可预测；最佳解通常在单次运行耗时<20 s内获得，适合离线参数整定或热启动在线适配。

5.4. Computational Setup and Feasibility Discussion（计算设置与可行性讨论）

所有仿真基于MATLAB R2023b标准桌面环境完成，FPSO–SQP平均计算预算约1.0~1.1 GFLOPs/run。研究人员强调该评估为离线仿真，未验证实时嵌入式约束；部署于车载微控制器需额外分析FNN推理时延、内存占用及中断延迟，GFLOPs仅为离线优化计算负荷指示而非实时可行性证明。

5.5. Discussion on Results and Comparison with State-of-the-Art Techniques（结果与已有技术比较讨论）

在相同仿真场景下FPSO–SQP MPC获MAE=0.0075，优于FPSO-only(MAE=0.0727)和SQP-only(MAE=0.2242)；与文献对照(不同场景及指标仅作参考)：Tang等人(2024)报道MPC框架MAE=0.2496，Fehér等人(2020)RL增强MPC MAE=0.415，DRL及PPO方法报告的是准确率百分比而非MAE，故不作直接数值比较。统计指标表明FPSO–SQP具更低均值、标准差、偏度和峰度特征，证实混合优化在精度与稳定性上的优势。

讨论与结论翻译：

基于仿真图形与表格可得如下结论：①所提FNN-based MPC经FPSO–SQP优化，在定义仿真场景(干路面、80 km/h、附着系数0.8、质量1723 kg)下较DRL控制器[27]与传统PID控制器整体跟踪精度提高、超调减小、收敛加快(逐点误差见表5)；②所提MPC的侧偏角响应、横摆角速度及侧向误差曲线较对比控制器更接近规划值且更稳定；③适应度函数值范围：SQP为10⁰~10¹，FPSO为10^-2~10^-1，FPSO–SQP为10^-5~10^-4，全局MSE分别为SQP≈10^-3、FPSO≈10^-3、FPSO–SQP≈10^-5；④统计参数(峰度与kappa值)在FPSO–SQP下呈更优分布特征；⑤FPSO–SQP MPC在该场景下MAE=0.0075，文献中Fehér等人[25]RL增强MPC MAE=0.415，Tang等人[28]预测控制理论MPC MAE=0.2496(不同条件仅供参照)；⑥本评估限于单一仿真场景，需在多变速度、附着系数及车质量下扩展验证；实车部署需在嵌入式硬件与闭环约束下进一步确认，当前结果为MATLAB离线仿真；FNN与随机优化联合使解析稳定性与收敛性证明较困难。未来研究可融合学习型模型处理复杂驾驶环境不确定性，探索通信延迟与传感器噪声下可扩展实时MPC框架，并通过实车与大尺度混合交通场景验证。