2020-12-14 Matlab 模糊控制车辆泊车案例分享

小咪咪 2022-12-28 04:07 154阅读 0赞

## Matlab 模糊控制 车辆泊车 案例分享 ##

最近看到了一个知网的文献，研究基于模糊控制的自动泊车，复现了论文，

模糊控制方法参看之前的文章：

[matlab模糊控制工具箱使用和模糊控制pid实例参考（一）][matlab_pid]

[matlab模糊控制工具箱使用和模糊控制pid实例参考（二）][matlab_pid 1]

![图片][704e1977207a798343a82378a7f3eae2.png]

车辆在倒车的过程中是一定的低速度运动，在这一过程中，车辆的后轮运动轨迹与倒车速度无关，倒车速度只对倒车过程中在固定时间内车辆行驶的距离有影响，而不对行驶路线有影响。车辆的轨迹可以用(xr, yr, θ)表示，为了方便在此用（x, y, θ）来表示。此时，车辆的轨迹 变化控制量为（x, y, θ），直接输出量为 φ。选取 x、y、θ 作为模糊控制的输入变量，φ为输出变量。其中设定输入变量x的模糊集合数为 4，语言变量表示为 LB、LM、LS、XCE;输入变量 y 的模糊集合数为 4，语言变量表示为 FAR、MD、CL、YCE；输入变量

θ 的模糊集合数为 5，语言变量表示为 RBV、RBH、H、RUH、RUV；输出变量φ模糊集合数为 7，语言变量表示为 PB、PM、PS、ZE、NS、NM、NB。在模糊阶段里最重要的是设计隶属函数，而隶属函数的外型就跟设计者要求的特性和经验 有关，一般常见的是用三角形或梯形来描述隶属函数的外型。本文使用的为三角 型隶属度函数。

在 FIS 编辑器中编辑的自动泊车系统的输入与输出量如图所示。

![图片][4b4ffe998710f869d86cb321df512dbb.png]

如图所示，文本建立了 Mamdani 型模糊推理系统，这种推理，从每一个

规则的结果中得到的模糊集通过聚类运算与结果模糊集相组合后，去模糊化（解

模糊）以产生系统输出。解模糊的方法是重心法（centroid）。输入变量 x 的范围

为\[0, 90\]；输入变量 y 的范围为\[0，80\]；输入变量 θ 的范围为\[-80, 80\]；输出变量

φ 的范围为\[-45, 45\]。

输入变量 x ， y ，θ 的隶属度函数如图所示；

![图片][73908610575c9c8a5e50fef5f83b749e.png]

![图片][7b3d3853611e4f3ddc535c1b3cd1406f.png]

![图片][21bab8faa3c339ac25e225ab2044265b.png]

输出变量ϕ 的隶属度函数如图所示

![图片][a3c61f574a112899a1f04a7469bebd0b.png]

模糊规则见fis文件，fis文件公众号后台回复 "**模糊控制自动泊车**"

代码如下：

clc;
    clear;
    close all;
    l = 25;
    w = 20; 
    v = 5; 
    Ts =0.4; %采样时间间隔 - second
    N=2000; % 最大循环次数
    fuzzyfis=readfis('boche.fis');
    
    % x(1) = 10; %汽车起点的x坐标
    % y(1) = 30; %汽车起点的y坐标
    % phi(1) =0; %汽车车身起始倾角
    x(1) = 20; %汽车起点的x坐标
    y(1) = 30; %汽车起点的y坐标
    phi(1) =0; %汽车车身起始倾角
    
    figure;
    pause(1);
    for i=1:1:N-1
        pause(0.1);
        inputcanshu=[x(i),y(i),phi(i)];
        outputcanshu=evalfis(inputcanshu,fuzzyfis);
        theta(i)=outputcanshu;
        x(i+1)=x(i)+v*Ts*cos(phi(i)*pi/180)*cos(theta(i)*pi/180);
        y(i+1)=y(i)+v*Ts*sin(phi(i)*pi/180)*cos(theta(i)*pi/180);
        phi(i+1)=phi(i)-(v*Ts*300/l)*sin(theta(i)*pi/180);
        if x(i+1) >= 100 || y(i+1) >= 90 %如果超出模糊逻辑控制器的输入范围，则停止
            break;
        end
        x0 = x(i) + w/2*sind(phi(i)); %左前角x坐标
        y0 = y(i) - w/2*cosd(phi(i)); %左前角y坐标
        x1 = x(i) - w/2*sind(phi(i)); %右前角x坐标
        y1 = y(i) + w/2*cosd(phi(i)); %右前角y坐标
        p  = x(i) - l*cosd(phi(i));
        q  = y(i) - l*sind(phi(i));
        x2 = p + w/2*sind(phi(i)); %左后角x坐标
        y2 = q - w/2*cosd(phi(i)); %左后角y坐标
        x3 = p - w/2*sind(phi(i)); %右后角x坐标
        y3 = q + w/2*cosd(phi(i)); %右后角y坐标
        %画汽车后轴中心
        plot (x(i), y(i), 'rs');
        axis([-20 120 0 100]);
        xlabel('x - cm');ylabel('y - cm');
        hold on
        grid on;
        %画车位示意图
        h1 = line([-20 40], [60 60]);
        h2 = line([40 40], [60 95]);
        h3 = line([40 115], [95 95]);
        h4 = line([115 115], [60 95]);
        h5 = line([115 120], [60 60]);
        set(h1, 'linewidth', 5, 'color', 'b');
        set(h2, 'linewidth', 5, 'color', 'b');
        set(h3, 'linewidth', 5, 'color', 'b');
        set(h4, 'linewidth', 5, 'color', 'b');
        set(h5, 'linewidth', 5, 'color', 'b');
        %画车身轮廓
        l0 = line([x0 x1], [y0 y1]);
        l1 = line([x1 x3], [y1 y3]);
        l2 = line([x2 x3], [y2 y3]);
        l3 = line([x0 x2], [y0 y2]);
        set(l0, 'linewidth', 4, 'color', 'm');
        set(l1, 'linewidth', 2, 'color', 'b');
        set(l2, 'linewidth', 4, 'color', 'g');
        set(l3, 'linewidth', 2, 'color', 'b');
    end

结果如图

![图片][2a1818fcbb27aeb5147d56a6ceb18b29.png]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FpbmdmZW5neGQx_size_16_color_FFFFFF_t_70][]

[matlab_pid]: http://mp.weixin.qq.com/s?__biz=MzU0NTkyMzk2MA==&mid=2247483678&idx=1&sn=02aa11a21672a169b7f3e699a58570ae&chksm=fb643709cc13be1fb0a61caa8d186d12fa6ff2751e4043b60127f261fe630c715badc5b59bc7&scene=21#wechat_redirect
[matlab_pid 1]: http://mp.weixin.qq.com/s?__biz=MzU0NTkyMzk2MA==&mid=2247483679&idx=1&sn=8505d743ab02ab3e2565e79a76b1d050&chksm=fb643708cc13be1e4c8a01fcde8df39114737190e920ccf2c3eef496c481620ed2c2bdb88d8e&scene=21#wechat_redirect
[704e1977207a798343a82378a7f3eae2.png]: /images/20221120/14d7cf0dc7534c6d9e90a1a0273cc3c4.png
[4b4ffe998710f869d86cb321df512dbb.png]: /images/20221120/01c19c4c2a81466aa73cb9a10886b185.png
[73908610575c9c8a5e50fef5f83b749e.png]: /images/20221120/ff9a2645ba3c46e38138581848d894ed.png
[7b3d3853611e4f3ddc535c1b3cd1406f.png]: https://img-blog.csdnimg.cn/img_convert/7b3d3853611e4f3ddc535c1b3cd1406f.png
[21bab8faa3c339ac25e225ab2044265b.png]: https://img-blog.csdnimg.cn/img_convert/21bab8faa3c339ac25e225ab2044265b.png
[a3c61f574a112899a1f04a7469bebd0b.png]: https://img-blog.csdnimg.cn/img_convert/a3c61f574a112899a1f04a7469bebd0b.png
[2a1818fcbb27aeb5147d56a6ceb18b29.png]: https://img-blog.csdnimg.cn/img_convert/2a1818fcbb27aeb5147d56a6ceb18b29.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FpbmdmZW5neGQx_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/2020101720083741.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FpbmdmZW5neGQx,size_16,color_FFFFFF,t_70