具有切换通信拓扑的非线性车辆编队系统的自适应神经网络预设性能控制

《Engineering Applications of Artificial Intelligence》：Adaptive neural network prescribed performance control for nonlinear vehicle platoon systems with switching communication topologies

　　田子欣|李宏毅|童少成 中国重庆400715，西南大学电子与信息工程学院 摘要 本文研究了在切换通信拓扑下，具有执行器饱和特性的异构车辆编队系统所面临的自适应神经网络预设性能控制问题。为了解决反步法框架下强串稳定性证明不足的问题，通过将预设性能函数与基于恒定时间车距策略的误差变换相结合，构建了一个强串稳定性条件。该条件通过逆变换将约束问题转化为有界性问题。将人工智能技术应用于网络技术的关键节点，可以降低网络信息的安全风险。网络拓扑的破坏会影响车辆之间的正常通信，导致信息传输延迟或失败，从而增加车辆编队不稳定的风险。为了解决这一问题，本文提出了一种适用于多种切换通信拓扑的自适应神经网络预设性能控制策略，利用神经网络来近似未知的非线性函数。通过构建李雅普诺夫函数，证明了所提出的控制方案能够确保在切换通信拓扑下的异构车辆编队的个体稳定性、串稳定性和强串稳定性。最后，通过仿真验证了所提结果的有效性。 章节节选 引言 随着智能交通系统成为实现未来高效、环保且经济型交通出行的主要发展方向（Kumar等人，2023；张等人，2025），车辆编队系统的控制因其能够缓解交通拥堵、减少环境污染以及提升道路安全而受到众多研究人员的关注。车辆编队系统的控制目标是为编队中的车辆保持适当的间距。 系统建模 考虑一个由1辆领头车和n辆跟随车组成的异构车辆编队系统，如图1所示。根据Zhao等人的研究（2021），第i辆车的动态特性可表示为：pi(t)=vi(t)，v?i(t)=ai(t)，a?i(t)=fi(vi,ai)+giSi(ui)+di(t)，其中pi(t)、vi(t)和ai(t)（i=1,…,n）分别表示第i辆车的位置、速度和加速度。fi(vi,ai)=?1miτi[ρaiOiCai(12vi2+τiviai)+λi]?1τiai表示未知的动态特性。 自适应神经网络控制器设计 本节提出了一种基于反步法的自适应神经网络预设性能控制方案，用于解决具有执行器饱和特性的异构车辆编队系统的稳定性问题。该方案使得系统能够在切换通信拓扑下保持稳定。为了更好地实现控制目标，首先设计了基于恒定时间车距策略的误差变换。车辆间的恒定时间车距策略定义为ei,j(t)=pj(t)?pi(t)?ηi,j?hivi(t)ei,0。 稳定性分析 定理1 对于在假设1条件下具有执行器饱和特性的异构车辆编队系统（1），如果通信拓扑的驻留时间满足τ>lnμα，并考虑可逆变换和坐标变换（15）–（17）、实际控制器（29）以及自适应律（30），那么对于任意时刻t>0，都可以实现以下控制目标：(i) 编队中各车辆的加速度和速度与领头车一致，并保持规定的距离；(ii) 间距误差zi(t) 仿真研究 本节将通过一个实例来验证上述控制算法的可行性。假设一个车辆编队由7辆车组成，其中包括1辆领头车和6辆跟随车。编队中各车辆的异构参数和初始状态分别列在表2和表3中。其他参数如下：Cai=0.5，ρai=1.225N/m3，Oi=2.5m2，g=9.8m/s2，ri=0.35，θi=0，hi=0.9。加速度函数为a0(t)=0.5tm/s2，0s≤t<5s时为2.5m/s。 结论 本文为切换通信拓扑下的异构车辆编队系统设计了一种自适应神经网络预设性能控制方案。在反步法框架下，通过结合预设性能函数与基于恒定时间车距策略的误差变换，建立了强串稳定性条件，有效解决了强串稳定性证明不足的问题。同时，利用神经网络和光滑函数来近似未知的非线性函数。 致谢 田子欣：撰写——初稿，软件应用。李宏毅：撰写——审阅与编辑，指导。童少成：撰写——审阅与编辑，资金筹集。 利益冲突声明 作者声明存在以下可能被视为潜在利益冲突的财务利益/个人关系：童少成表示获得了辽宁工业大学的财政支持。