本发明涉及车辆路径跟踪，尤其是涉及一种基于lstm-ngo-mpc控制器的农机横向跟踪控制方法。
背景技术：
1、公知的，当代农业正迅速向数字化、智能化转型，而智能农机正朝着无人化、智能化方向快速发展；在智能农机的技术构成中，路径跟踪控制技术是至关重要的一环，它能使智能农机准确的跟踪预先规划的路径，提高农机作业的效率和质量；在车辆路径跟踪控制中，若要有较好的跟踪精度，则需要选取合适模型和控制方法；目前，主要通过运动学或动力学进行建模，而后采用相应的反馈控制方法去实现路径跟踪控制；运动学建模主要研究物体的运动，但不考虑造成这些运动的原因或力的作用，侧重于位置、速度、加速度等特征，而动力学模型则充分考虑前后轴侧偏刚度，包括质量、惯性、力矩等物理量，因此，在车辆模型中，通常采用动力学建模；近年来，已有许多关于动力学模型的路径跟踪控制方法的研究成果，如pid控制、模糊控制、纯跟踪控制、滑模控制、stanley控制、lqr控制、mpc控制等方法；
2、随着技术的不断发展，mpc作为一种先进的控制策略，在智能农机路径跟踪方面受到越来越多的关注，mpc在工程应用方面展示了良好的性能，但其跟踪控制精度仍受两个方面的影响：第一，车辆动力学模型不准确问题，经常会忽略一些影响较小或未考虑到的车辆模型物理量，这将导致在一些极端的条件下放大这些影响，从而使路径跟踪精度降低；第二，mpc控制器权重难以自适应调节问题，控制器的权重参数若是固定的，则每次运行都要根据经验选取，且一组固定的权重参数难以满足对多种不同曲率路径的跟踪。
技术实现思路
1、为了克服背景技术中的不足，解决现有技术问题，本发明公开了一种基于lstm-ngo-mpc控制器的农机横向跟踪控制方法，有效提高智能农机路径跟踪控制技术的跟踪精度。
2、为实现上述发明目的，本发明采用如下技术方案：
3、一种基于lstm-ngo-mpc控制器的农机横向跟踪控制方法，包含以下步骤：s1、以车辆动力学模型为基础，建立横向误差跟踪模型，并在离散化处理后，得到离散状态横向误差跟踪方程；s2、利用lstm神经网络对车辆动力学模型进行补偿，经过lstm神经网络的反馈，获得实时系统偏差δxk，从而得到补偿后的离散化横向误差跟踪方程：s3、设定车辆横向误差阀值，当超过误差阀值时，利用ngo对mpc控制器的固定权重参数进行在线自动更新，输出最优权重系数；s4、根据补偿后的离散化横向误差跟踪方程和最优权重系数来设定目标函数，将mpc的滚动优化求解转化为标准二次型规划求解，得出最优的一组uk，取uk中的第一个控制量作用于下一时刻，从而实现优化的mpc控制器进行横向跟踪控制。
4、进一步，在s1中，选取carsim平台的拖拉机建立横向误差跟踪模型。
5、进一步，在s1中，离散化后的状态空间方程为：
6、式中，i为单位矩阵，x(t)为t时刻的状态量，u(t)为t时刻的控制量，dt为采样周期；令得简化后的离散状态横向误差跟踪方程：
7、
8、进一步，在s2中，离线阶段：以车辆实际运行状态和当前所处路径的曲率作为lstm神经网络的输入训练，将车辆实际运行的状态和模型计算的状态的偏差作为lstm神经网络的输出训练；在线阶段：以车辆实际运行状态和当前所处路径的曲率作为lstm神经网络的输入训练，经过lstm神经网络的反馈，得到实时系统偏差。
9、进一步，在s3中，ngo即北方苍鹰优化算法，对权重进行在线更新算法寻优过程主要分为两个阶段，第一个阶段为猎物识别与攻击，即勘探阶段，第二个阶段为追逐及逃生，即开发阶段；将车辆在跟跟踪过程中的横向误差、航向角误差及前轮转角标准化后的累计之和作为北方苍鹰的优化目标函数；当在车辆跟踪过程中，误差超过所设定阈值时，将启动ngo算法，结合所设定的目标函数，最后输出最优权重系数用于路径跟踪。
10、进一步，北方苍鹰优化算法包含以下步骤：
11、s31：勘探阶段；北方苍鹰随机选择猎物，进行攻击，公式如下：
12、pi＝xk,i＝1,2,3,…n,k＝1,2,3,…n (3)
13、
14、
15、式中，xi为第i个北方苍鹰位置，xi,j为第i个北方苍鹰的第j维值，fi为第i个目标函数值，pi为第i个北方苍鹰的猎物位置，为其目标函数值，k是区间[1，n]中不为i的随机整数，为第i个北方苍鹰新位置，为为第i个北方苍鹰的第j维新位置，finew,p1为基于第一阶段更新位置之后的第i个目标函数值；
16、s32：开发阶段；在北方苍鹰攻击猎物后，猎物将会尝试逃跑，北方苍鹰将进行尾随和追逐，其公式如下：
17、
18、r＝0.02(1-t/t) (7)
19、
20、式中，t为当前迭代次数，t为最大迭代次数，为基于第二阶段第i个北方苍鹰新位置，为基于第二阶段第i个北方苍鹰的第j维新位置，finew,p2为基于第二阶段更新位置之后的第i个目标函数值；
21、s33:目标函数计算方法如下，
22、
23、式中，edj为第j个横向误差，eφj为第j个航向角误差，uj为第j个前轮转角，edav为横向误差均值，为航向角误差均值，uav为前轮转角均值，edstd为横向误差标准差，为航向角误差标准差，ustd为前轮转角标准差。
24、进一步，在s4中，设定目标函数为：
25、
26、式中,q、r、s为权重系数矩阵，k为当前时刻，n为预测步长；简化后的目标函数为：j＝(xk)tgxk+2(xk)teuk+(uk)thuk(11)；
27、由(11)式能够将mpc的滚动优化求解转化为标准二次型规划求解即：
28、
29、调用matlab中的quadprog命令就能够求得最优的一组uk，取uk中的第一个控制量作用于下一时刻。
30、由于采用如上所述的技术方案，本发明具有如下有益效果：
31、本发明公开的基于lstm-ngo-mpc控制器的农机横向跟踪控制方法，以车辆二自由度动力学为基础建立横向跟踪误差模型，并通过lstm神经网络对系统运行的真实模型进行补偿，能够极大的提高跟踪精度,而在路径跟踪过程中，若横向误差超过设定的阈值时，将采用ngo对mpc控制器的权重进行在线更新，使控制器在不同路径中都有较好的适应性，解决了智能农机路径跟踪控制中车辆动力学模型不准确，以及智能农机路径跟踪控制中所用控制器权重难以自适应调节的问题，有效提高了智能农机路径跟踪控制技术的跟踪精度。
1.一种基于lstm-ngo-mpc控制器的农机横向跟踪控制方法，其特征是：包含以下步骤：
2.根据权利要求1所述的基于lstm-ngo-mpc控制器的农机横向跟踪控制方法，其特征是：在s1中，选取carsim平台的拖拉机建立横向误差跟踪模型。
3.根据权利要求1所述的基于lstm-ngo-mpc控制器的农机横向跟踪控制方法，其特征是：在s1中，离散化后的状态空间方程为：
4.根据权利要求1所述的基于lstm-ngo-mpc控制器的农机横向跟踪控制方法，其特征是：在s2中，离线阶段：以车辆实际运行状态和当前所处路径的曲率作为lstm神经网络的输入训练，将车辆实际运行的状态和模型计算的状态的偏差作为lstm神经网络的输出训练；在线阶段：以车辆实际运行状态和当前所处路径的曲率作为lstm神经网络的输入训练，经过lstm神经网络的反馈，得到实时系统偏差。
5.根据权利要求1所述的基于lstm-ngo-mpc控制器的农机横向跟踪控制方法，其特征是：在s3中，ngo即北方苍鹰优化算法，对权重进行在线更新算法寻优过程主要分为两个阶段，第一个阶段为猎物识别与攻击，即勘探阶段，第二个阶段为追逐及逃生，即开发阶段；将车辆在跟跟踪过程中的横向误差、航向角误差及前轮转角标准化后的累计之和作为北方苍鹰的优化目标函数；当在车辆跟踪过程中，误差超过所设定阈值时，将启动ngo算法，结合所设定的目标函数，最后输出最优权重系数用于路径跟踪。
6.根据权利要求5所述的基于lstm-ngo-mpc控制器的农机横向跟踪控制方法，其特征是：北方苍鹰优化算法包含以下步骤：
7.根据权利要求1所述的基于lstm-ngo-mpc控制器的农机横向跟踪控制方法，其特征是：在s4中，设定目标函数为：
