基于模糊逻辑的神经自适应容错控制技术，用于具有随机干扰和非对称间距约束的车辆编队

《IEEE Transactions on Neural Networks and Learning Systems》：Fuzzy Logic-Enhanced Neuroadaptive Fault-Tolerant Control for Vehicular Platoons With Stochastic Disturbances and Asymmetric Spacing Constraints

　　提出一种基于模糊逻辑增强的神经自适应滑模控制框架，用于解决车辆队列系统中的非线性、随机干扰、执行器故障和严格的不对称间距约束问题。采用T-S模糊模型和模糊增强RBF神经网络，结合故障容错机制和Lyapunov函数设计，通过随机Lyapunov-Krasovskii分析确保误差的平方均值有界，实现混合H无穷/被动性能。仿真验证其优于传统方法。

　　

摘要：

本文介绍了一种新型的模糊逻辑增强型神经自适应滑模控制（FLENNSMC）框架，该框架专为面临多重挑战的车辆车队系统而设计。通过结合模糊逻辑的解释能力和神经网络的自适应学习功能，FLENNSMC能够有效应对非线性动态、随机干扰、执行器故障以及严格的非对称间距约束。我们提出了一种Takagi–Sugeno（T-S）模糊模型来构建学习过程，并采用模糊逻辑增强型RBFNN（FLERBFNN）来稳健地逼近未知函数，包括未建模的动态和故障信号。控制器设计中包含了容错控制机制以提高鲁棒性，使用了非对称屏障李雅普诺夫函数（BLF）来严格满足间距约束，以及Nussbaum函数来补偿方向未知的执行器故障。模糊逻辑增强结构实现了局部化和高效的学习，从而降低了计算负担并提高了适应速度。通过严格的随机李雅普诺夫–Krasovskii稳定性分析，我们得出了基于线性矩阵不等式（LMI）的充分条件，以确保跟踪误差在均方意义上具有统一的最终有界性（UUB），并保证了混合H-无穷大/被动性能。在二维多车道车辆车队上的广泛仿真表明，所提出的FLENNSMC相比传统的神经自适应控制方法具有更优越的性能，尤其突显了模糊逻辑在构建学习过程和处理复杂不确定性方面的优势。仿真代码可在此链接获取：https://github.com/zhanganguo/FLENNSMC-Platoon-Control-Simulation