自平衡车是一种新型的城市交通工具,具有结构简单、体型小巧、操作灵活、绿色环保等特点。在城市交通日益拥堵的今天,平衡车的诞生能够有效缓解城市交通压力。平衡车在结构上与倒立摆类似,其控制系统具有非线性、强耦合、时变等特点。由于平衡车必须具备高度的安全行驶性能,对传统的控制方法提出了挑战。本文详细分析了现有平衡车的工作原理。针对现有平衡车控制现存的两个问题提出了解决方案。问题一,传统控制方法在动力学建模和建立控制状态方程的过程中需要简化模型参数以及线性化处理,这样处理容易导致建模精度差、模型最终可控角度范围小、控制效果差等问题。针对此问题,提出了使用神经网络作为平衡车的控制器,对平衡车进行非线性控制的方法。问题二,传统的控制方法采用固定的控制参数,平衡车无法解决结构参数出现改变的情况以及无法消除周期误差,例如驾驶者的身高体重出现较大差异,控制系统常常出现持续震荡,甚至控制失效的情况。针对此问题,本文提出了基于增强拓扑神经网络(NEAT)的自平衡车控制算法,利用NEAT方法可以从与环境的交互过程中自动进化神经网络。对于环境或者自身结构参数的改动做出适当的改变。不断的进化过程能够有利于平衡车自主学习与探索。根据算法进化的需要,本文设定了平衡车的几何参数、物理特性、使用牛顿与拉格朗日方法分别建立了平衡车的动力学方程。利用动力学方程在MATLAB平台上编写了神经网络进化的虚拟环境。NEAT算法生成的神经网络个体在与虚拟环境的不断交互过程中得到进化。由于得到的神经网络结构的节点排列与连接顺序整理较为复杂。因此本文设计一种算法,这种算法可以自动排列出神经网络结构,便于神经网络结构的可视化以及计算网络结构的输出。最后,通过虚拟样机的三个对比实验,验证了论文所提出的NEAT算法用于进化神经网络控制平衡车的可行性以及能够有效与环境进行交互学习的能力。