两轮自平衡车是轮式移动机器人的一种,它可以感知到外部环境的变动并且根据此变动做出相应的动态决策。它的结构源自于倒立摆模型,因此它也包含倒立摆的不确定性、非线性和强耦合性等特点。可见,两轮自平衡车可以作为一个检验各种控制算法的平台,因而对它的研究具有非常重要的理论意义。两轮自平衡小车内置了陀螺仪和加速度计用于采集小车的倾斜角度和角加速度,小车采用PID控制算法,通过调整比例P、积分I和微分D三个系数来使小车保持平衡性。传统的控制过程通常是依靠人工经验来调整这三个参数的,不仅费时费力,而且较难接近理想参数。所以,本文的研究目的是采用一些智能算法来实现控制过程的自适应调整功能,提出结合遗传算法和神经网络来实现PID参数自整定。此外,通过分析Kalman滤波算法在单神经元PID控制过程中的作用,将其应用在小车的数据滤波中。遗传算法和神经网络相结合的方法不改变PID控制过程,而是优化PID参数的调整过程以替代人工经验调整。遗传算法先在有效的参数范围内生成一代染色体种群,然后依据PID控制效果来计算适应度函数,根据优胜劣汰法则,选取适应度较高的染色体继续进化。但计算适应度的过程需要被控对象的参与,如果采用实体小车作为被控对象不仅不方便而且耗时长,为解决这一问题,该方法充分利用了神经网络的模拟功能,用训练好的神经网络模拟被控对象,协助遗传算法计算适应度函数,继而在遗传算法进化过程中逐代优化PID控制器的参数。单神经元网络改变了传统PID控制过程,把控制参数的调整转变为网络的权值迭代。单神经元结构简单,易于计算,可以在闭环控制过程中不断地调整网络的权值,从而优化控制效果。针对实际的单神经元PID控制器包含输出噪声,从而导致控制性能降低的问题,本文提出采用Kalman滤波理论来改进单神经元自适应PID控制算法。在改进算法中,引入状态空间的概念,采用时域上的递推方法进行数据滤波,控制对象的输出值经过Kalman滤波算法处理后再返回闭环控制系统。本文对两轮自平衡小车进行了实验,以及做了大量的仿真实验。结果表明,遗传算法和神经网络相结合的PID参数整定方法通常能获得较好的控制性能,具有较强的鲁棒性和较快的响应速度,可以替代传统的人工调试。通过Kalman滤波算法在单神经元PID控制过程的方波位置跟踪实验中验证了Kalman算法的滤波性能,将其应用在平衡小车的数据融合中也获得明显的滤波效果。本文借助遗传算法和神经网络等智能算法提出了PID自适应控制解决方案,并通过实验验证了方案的可行性,为智能控制和参数自整定领域提供了一些借鉴和参考。