1.基于神经网络和迭代学习的无人车轨迹跟踪控制方法，其特征在于，包含以下步骤：

步骤1.确立并采集无人车系统随时间变化的输入和输出信息，根据无人车的运行模式结构化采集到的输入和输出信息，并建立结构化后输入和输出信息的近似等效关系；

步骤2.基于结构化后的输入和输出信息以及结构化后输入和输出信息的近似等效关系，构造广义回归神经网络GRNN的输入特征和学习目标，设计基于GRNN的参数估计器，学习所述无人车系统的输入信息和输出信息之间的隐含关系，从而估计基于带有直链结构的径向基函数神经网络LCRBFNN的控制器设计所需要的关键参数；

步骤3.基于结构化后的输入和输出信息、结构化后输入和输出信息的近似等效关系以及控制器设计所需要的关键参数，构造LCRBFNN的输入特征和学习目标，设计基于LCRBFNN的控制器，求解无人车系统的控制输入信号，实现无人车系统对参考路径的跟踪控制；

所述步骤1具体为：

步骤1.1.确立并采集无人车系统随时间变化的输入和输出信息；

建立虚拟X‑Y坐标系，利用导航控制传感器融合GPS定位系统采集第k时刻无人车的车速信息v(k)、在X轴上的位移信息x(k)、在Y轴上的位移信息y(k)以及行驶航向角ψ(k)；

利用前轮转角信号传感器采集无人车在行驶过程的前轮转角δ(k)；

信息采集完成后将车速信息v(k)、前轮转角δ(k)作为无人车系统的输入信息q(k)；将X轴上的位移信息x(k)、Y轴上的位移信息y(k)以及行驶航向角ψ(k)作为无人车系统的输出信息；

步骤1.2.结构化采集到的输入和输出信息；

根据无人车系统在某一路段执行重复行驶的任务模式，将每一次任务执行的时间区间作为时间索引区间，把执行任务的次数作为迭代的次数，将采集到无人车的输入和输出信息表示成随时间索引和迭代次数变化的变量模式，即在第i次迭代中的第κ个时间索引下，结构化后的车速信息记为v(κ,i)，结构化后的前轮转角记为δ(κ,i)，结构化后的在X轴上的位移信息记为x(κ,i)，结构化后的在Y轴上的位移信息记为y(κ,i)，以及结构化后的行驶航向角记为ψ(κ,i)；

ψ(κ,i)和结构化后的输入信息之间关系用如下离散非线性模型描述：ψ(κ,i)＝f(ψ(κ‑1,i),ψ(κ‑2,i),...,ψ(κ‑np,i),q(κ,i),q(κ‑1,i),...,q(κ‑nq,i)) (1)其中，κ∈{0,1,…,K+1}是时间索引,κ沿着时间索引轴增加,K+1是κ的最大值，第κ个时间索引表示每个迭代过程中的第κ个相对时刻，每次迭代仅包含第0个时间索引到第K+1个时间索引，因此每次迭代后，κ设置为0并重新计数；

i ∈ { 1 ,… ,I } 是 迭 代 次 数 ,i 沿 迭 代 轴 增 加 ，I 是 i 的 最 大 值 ；

是第i次迭代中的第κ个时间索引下的控制输入； 代表一个2×1维的实矩阵集合；nq和np分别表示未知窗口信息的长度；f(·)是一个未知的非线性T函数；[·]代表向量或矩阵的转置；

步骤1.3.建立结构化后输入和输出信息的近似等效关系；

建立结构化后的行驶航向角和输入的历史窗口信息ΔR(κ,i)的近似等效关系，如公式(2)所示：Δψ(κ+1,i)＝Φq(κ,i)ΔR(κ,i) (2)其中，Δψ(κ+1,i)为ψ(κ+1,i)在迭代域中的增量，被定义为：Δψ(κ+1,i)＝ψ(κ+1,i)‑ψ(κ+1,i‑1)；

ΔR(κ,i)被定义为：

其中 为2L×1维实数矩阵集合；

L≥1为信息使用长度；

Φq(κ,i)为伪雅可比矩阵，其满足：

其中 为1×2L维实数矩阵集合；Φq(κ,i)内部的子方阵为如下形式：其中， 表示1×2维实数矩阵集合；

φq11,n(κ,i)、φq12,n(κ,i)分别表示Φq,n(κ,i)中的第一个元素和第二个元素；

所述步骤2具体为：

步骤2.1.设计参数估计准则函数Jin‑out；

设计以下参数估计准则函数：

其中， 为Φq(κ,i)的估计值，μ1为惩罚因子，||·||代表矩阵的F‑范数；

步骤2.2.构造广义回归神经网络GRNN的输入特征和学习目标；

描述为：

其中，ξ(·)是一个未知的非线性函数；

将Δψ(κ+1,i‑1)、ΔR(κ,i‑1)和 中的所有元素组合成一个新的特征向量X1,κ,i‑1，即

表述成如下形式：

其中 分别表示 中第1个元素到第2L个元素；

最后将构造的特征向量X1,κ,i‑1作为步骤2中GRNN的输入特征向量，将伪雅可比矩阵Φq(κ,i)的估计值 确定为步骤2中GRNN的学习目标；

步骤2.3.设计基于GRNN的参数估计器；

首先设置基于GRNN的参数估计器中GRNN的数量；其中GRNN的数量等于K，对应求解第κ个GRNN用以学习其次搭建每个GRNN的网络结构；

GRNN共包含四层神经元，即输入层、模式层、求和层以及输出层；

第κ个GRNN的输入层神经元的个数等于特征向量X1,κ,i‑1的维数；无人车系统每经过一次迭代运行，对应特征向量X1,κ,i‑1的个数增加一个，即GRNN的输入样本数量将增加一个，其输入层传输每次迭代运行后更新的特征向量X1,κ,i‑1至GRNN的模式层；

GRNN模式层的神经元与GRNN输入层的神经元采用全连接的连接形式，并且连接权重设置为1，GRNN模式层的神经元的个数等于当前迭代的次数，各神经元对应存储并激活每次迭代运行下第κ个时间索引的特征向量X1,κ,i‑1；

第κ个GRNN的模式层的第i个神经元的输出agrnnκ,i被描述为：其中，x1,κ,i和σκ,i分别为第κ个GRNN的模式层的第i个神经元的样本中心和带宽；

GRNN的模式层将激活后的数据馈送至GRNN的求和层，模式层神经元与求和层神经元同样采用全连接的连接形式；记 中元素的个数为2L，则GRNN求和层中神经元的个数等于2L+1，将GRNN求和层中前2L个神经元的模式设置为计算加权求和模式；

其中第i1个神经元与模式层第i个神经元的连接权重设置为 中的第i1个元素无人车在第i次迭代运行时第κ个GRNN的求和层的第i1个神经元的输出 被描述为：其中，j＝1,...,i‑1；

GRNN求和层中第2L+1个神经元与模式层神经元的连接权重设置为1，神经元的模式设置为计算累加求和模式，即对模式层中所有神经元的输出进行累加求和；

无人车在第i次迭代运行时第κ个GRNN的求和层的第2L+1个神经元的输出ssnκ,i被描述为：无人车系统在第i次迭代运行过程中的第κ个GRNN对应求解 即 中第i1个元素 被表示为：

所述步骤3具体为：

步骤3.1.设计控制输入准则函数Jcontrol；

根据近似等效关系即公式(2)，无人车在第i次迭代运行中的第κ+1个时间索引的跟踪误差e(κ+1,i)被描述为：其中，ψd(κ+1)为参考信息；

为建立q(κ,i)和跟踪误差e(κ+1,i)之间的联系，Jcontrol被设计为如下形式：其中，μ2为惩罚因子；

* *

代表q(κ,i)的估计值,q(κ,i)能够使得控制输入准则函数Jcontrol＝0；

步骤3.2.构造LCRBFNN的输入特征和学习目标；

被描述为：

其中， 表示车速信息的估计值， 表示前轮转角的估计值；

ζ1(·)和ζ2(·)是未知的非线性函数；

将ψd(κ+1)、ψ(κ+1,i‑1)、 和 中的所有元素组合成一个新的特征向量X2,κ,i‑1，即

步骤3.3.设计基于LCRBFNN的控制器；

首先设置基于LCRBFNN的控制器求解算法中LCRBFNN的数量；其中LCRBFNN的数量等于K，对应求解 第κ个LCRBFNN用以求解然后，搭建每个LCRBFNN的网络结构；

LCRBFNN由直链和径向基函数神经网络RBFNN增强两部分组成；

第κ个LCGRNN的输入层神经元的个数等于构造的特征向量X2,κ,i‑1的维数，无人车系统每经过一次迭代运行，特征向量X2,κ,i‑1便更新一次；

LCRBFNN的直链用以计算 其结构为输入层中存储特征向量X2,κ,i‑1中 的神经元直接链接到LCRBFNN输出层的第一个神经元，该神经元的输出满足公式(10)：其中 表示 中第1个元素,λ1(κ)为更新率步长；

LCRBFNN的RBFNN增强部分用以计算 其结构为一个RBFNN，并且该神经网络的输入层和隐藏层都仅包含一个神经元；

LCRBFNN的输入层传输每次更新的特征向量X2,k,i‑1至RBFNN的隐藏层，RBFNN隐藏层神经元与RBFNN输入层神经元采用全连接的连接形式，并且连接权重设置为1；

第i次迭代时的第κ个LCRBFNN中的RBFNN隐藏层神经元的输出arbfnn,κ,i被描述为：其中，x2,κ,i和τκ,i分别为隐藏层神经元的样本中心点和带宽；

RBFNN的隐藏层神经元将激活后的数据送至RBFNN的输出层，隐藏层神经元与输出层神经元同样采用全连接的连接形式；

无人车系统在第i次迭代运行过程中的第κ个LCRBFNN中的RBFNN对应求解 即被表示为：

其中， 是第i次迭代中第κ个LCRBFNN中的RBFNN隐藏层和输出层之间的连接权重；此处， 作为需要学习的基于LCRBFNN的控制器增益；

*

为获得最佳的权重wκ,i，考虑以下损失函数J：基于损失函数的公式(13)和近似等效关系的公式(2)， 的调整过程设计为：其中，λ2(κ)为权重更新律；

其中， 表示 中第2个元素；

*

随着迭代次数的增加， 趋近于最优权重 趋近于最优速度v (κ,i),趋近于真实的Φq(κ,i)，保证LCBRFNN输出的为最优的控制输入信号，进一步使得无人车系统的跟踪误差趋近于0，从而实现无人车系统对参考路径的跟踪控制。

2.一种用于实现如权利要求1所述的无人车轨迹跟踪控制方法的基于神经网络和迭代学习的无人车轨迹跟踪控制系统，其特征在于，所述基于神经网络和迭代学习的无人车轨迹跟踪控制系统，包括：预处理模块，用于确立并采集无人车系统随时间变化的输入和输出信息，根据无人车的运行模式结构化采集到的输入和输出信息，并建立结构化后输入和输出信息的近似等效关系；

参数估计器模块，基于结构化后的输入和输出信息以及结构化后输入和输出信息的近似等效关系，构造广义回归神经网络GRNN的输入特征和学习目标，设计基于GRNN的参数估计器，学习输入信息和输出信息之间的隐含关系，从而估计基于带有直链结构的径向基函数神经网络LCRBFNN的控制器设计所需要的关键参数；

以及控制器模块，基于结构化后的输入和输出信息、结构化后输入和输出信息的近似等效关系以及控制器设计所需要的关键参数，构造基于LCRBFNN的输入特征和学习目标，设计基于LCRBFNN的控制器，求解无人车系统的控制输入信号，实现无人车系统对参考路径的跟踪控制。

3.一种计算机设备，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，其特征在于，所述处理器执行所述可执行代码时，实现如权利要求1所述的无人车轨迹跟踪控制方法的步骤。

4.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时，实现如权利要求1所述的无人车轨迹跟踪控制方法的步骤。