1.一种基于RBF神经网络的无人车控制方法，其特征在于：包括以下内容：S100：获取障碍物数据并进行预处理；

S200：建立基于RBF神经网络模型的控制模型；

S300：构建样本训练样本集，对控制模型进行训练；

S400：将预处理后的障碍物数据输入控制模型进行处理，输出控制参数。

2.根据权利要求1所述的基于RBF神经网络的无人车控制方法，其特征在于：所述S100中预处理包括：

S101：获取各个传感器的数据；

S102：对各个传感器的数据进行滤波处理，所述滤波处理采用卡尔曼滤波算法；

S103：对各个传感器的数据进行数据融合，得到障碍物数据。

3.根据权利要求2所述的基于RBF神经网络的无人车控制方法，其特征在于：所述S200中，控制模型包括输入层、隐含层以及输出层，所述输入层神经元的数量与传感器数量对应；所述隐含层采用高斯径向基函数作为激活函数；输出层包括两个神经元，分别输出对车辆速度以及角速度的控制目标量。

4.根据权利要求3所述的基于RBF神经网络的无人车控制方法，其特征在于：S300包括：S301：初始化神经网络参数，配置学习率和迭代精度；

S302：计算网络输出的均方根误差的值，若均方根误差的值小于等于迭代精度，则结束训练，否则执行S303；

S303：使用梯度下降法对神经网络模型的权重参数、中心参数和宽度参数进行迭代训练，然后执行S302。

5.根据权利要求4所述的基于RBF神经网络的无人车控制方法，其特征在于：所述S303中，根据以下公式调节权重参数、中心参数和宽度参数：其中，ωji(t)为第j个输出层神经元与第i个隐含层神经元之间在第t次迭代计算时的权重参数；cik(t)为第i个隐含层神经元对第k个输入层神经元在第t次迭代的中心参数；dik为与中心cik(t)对应的宽度参数；η为学习因子；

i为整数且1≤i≤ni，ni为隐含层神经元的个数；j＝1，2；k为整数且1≤k≤nk，nk为输入层神经元的个数；0＜η＜1；

E为RBF神经网络的代价函数， Oij为第j个输出层神经元在第i个隐含层神经元输入样本时的期望值；yij为第j个输出神经元在第i个隐含层神经元输入样本时的输出值。

6.根据权利要求5所述的基于RBF神经网络的无人车控制方法，其特征在于：所述无人车包括两个驱动轮，所述无人车通过两个驱动轮的速度差控制转向角度，还包括：S500：获取当前车辆的速度以及角速度；

S600：根据输出层的输出的车辆速度、角速度的目标量、当前车辆的速度以及角速度，对两个驱动轮的进行控制。

7.根据权利要求6所述的基于RBF神经网络的无人车控制方法，其特征在于：还包括：S700：记录各个传感器的数据以及对应的车辆速度和角速度，形成数据集；

S800：根据数据筛选规则筛选数据集中的异常数据；

S900：对异常数据进行修正，根据异常数据修正结果构建修正数据集；

S1000：通过修正数据集对控制模型进行迭代训练。