摩托车转向自平衡的深度强化学习控制

摘要

针对前轮转向摩托车变工况下侧向自平衡控制中PD参数需反复整定的问题，提出一种基于深度强化学习（deep reinforcement learning, DRL）的PD参数在线自适应优化方法。该方法以牛顿-欧拉法建立的侧倾动力学模型为基础，构建DDPG-PD协同控制架构：上层深度确定性策略梯度（DDPG）网络依据实时车身状态动态生成比例系数k_p与微分系数k_d,下层PD控制器输出前轮转向角速度。设计含参数调节惩罚项奖励函数，在Matlab/Simulink中搭建集成自适应PD模块的强化学习训练环境，实现参数的动态整定。实验表明：该方法在速度变化与外界干扰下具有更优的适应性和稳定性，相比固定参数PD控制，动态性能指标提升显著。解决了传统PD控制在工况变化时参数重复调整的工程难题，验证了DRL驱动参数自优化策略的有效性与工程实用性。

关键词

摩托车 / 平衡控制 / 深度强化学习 / PD控制 / DDPG算法