RHONN模型：实时建模和控制非线性车辆行为的潜力

递归高阶神经网络（Recurrent High-Order Neural Network，RHONN）是一种建立在递归神经网络（Recurrent Neural Network，RNN）基础上的神经网络模型。RHONN能够通过构造状态和输入信号之间的高阶多项式来表示系统的非线性动力学行为。由于其高保真度和数据驱动的特性[37]，[38]，[39]，[40]，[41]，RHONN在数字孪生和并行智能系统中具有巨大的潜力。因此，在本研究中，我们采用RHONN模型来实时建模非线性车辆行为。

(资料图片仅供参考)

此外，我们还定义了平衡状态，并利用识别出的RHONN模型作为前馈转向命令来找到平衡状态。通过基于预瞄点位置的反馈转向控制器进行补偿，我们提出的方法有望在满足计算要求的情况下增强自动驾驶车辆在各种条件下的跟踪性能。

RHONN模型的主要优势之一是能够对系统的非线性动力学行为进行准确建模。传统的线性模型在描述复杂系统时存在局限性，而RHONN模型通过引入高阶多项式来更好地逼近真实系统的行为。这使得RHONN能够更准确地捕捉到车辆行为中的非线性特征，从而提高了模型的预测性能。

另一个关键的特点是RHONN模型的数据驱动形式。RHONN利用大量的实际数据进行训练，从而能够更好地适应不同的驾驶场景和环境。通过使用实际数据进行训练，RHONN模型能够从数据中学习到系统的动态特性和复杂关系，提高了模型的泛化能力。

在我们的研究中，我们将RHONN模型应用于实时车辆建模。通过不断地接收车辆的状态和输入信号，RHONN模型可以实时地对车辆行为进行建模和预测。这为自动驾驶系统提供了重要的信息，使其能够更准确地理解车辆的行为，并做出相应的决策。

为了进一步优化自动驾驶车辆的性能，我们引入了平衡状态的概念。通过定义车辆在预瞄点处的平衡状态，我们可以将RHONN模型的输出作为前馈转向命令，使车辆能够保持在平衡状态附近。为了实现更精确的控制，我们还设计了基于预瞄点位置的反馈转向控制器，通过对转向角进行实时调整，使车辆能够更好地跟踪预期轨迹。

总的来说，我们提出的基于RHONN模型的方法具有很大的潜力来增强自动驾驶车辆的跟踪性能。RHONN模型能够准确建模车辆的非线性动力学行为，并通过数据驱动的形式适应不同的驾驶场景。通过引入平衡状态和反馈转向控制器，我们的方法能够实现更精确的控制，提高自动驾驶车辆在各种条件下的跟踪性能。未来的研究可以进一步探索和改进RHONN模型，以更好地满足自动驾驶系统的需求，并推动该领域的发展。

关键词：