[發(fā)明專利]基于深度學(xué)習(xí)的車輛穩(wěn)定性指標(biāo)估計(jì)方法

有效

• 申請?zhí)枺?/td>: 201810398873.0
• 申請日: 2018-04-28
• 公開（公告）號: CN108715166B
• 公開（公告）日: 2023-05-12
• 發(fā)明（設(shè)計(jì)）人: 汪?;吳樹凡;魏民祥;嚴(yán)明月;張佳佳;張鳳嬌;周東;季昊成;劉銳;貝太學(xué)
• 申請（專利權(quán)）人: 南京航空航天大學(xué)
• 主分類號: B60W40/00
• 分類號: B60W40/00;B60W40/064;B60W40/105;B60W40/107;B60W40/109;G06N3/0442
• 代理公司: 江蘇圣典律師事務(wù)所 32237
• 代理人: 賀翔

本發(fā)明公開了一種基于深度學(xué)習(xí)的車輛穩(wěn)定性指標(biāo)估計(jì)方法，包括高精度GPS系統(tǒng)、陀螺儀、前輪轉(zhuǎn)角傳感器，基于軟件平臺建立深度長短時記憶神經(jīng)網(wǎng)絡(luò)(LSTM)初步模型，利用實(shí)車實(shí)驗(yàn)樣本數(shù)據(jù)訓(xùn)練LSTM網(wǎng)絡(luò)生成時滯非線性預(yù)測模型，在滿足車規(guī)級精度以后封裝成一個完整估計(jì)模塊，依據(jù)前述傳感器信息實(shí)時輸入自動輸出車輛質(zhì)心側(cè)偏角和橫擺角速度值，實(shí)現(xiàn)車輛狀態(tài)估計(jì)。本發(fā)明在車輛狀態(tài)估計(jì)的同時模型具有在線學(xué)習(xí)和動態(tài)更新能力，通過自學(xué)習(xí)不斷改善估計(jì)精度，促進(jìn)汽車主動安全控制的發(fā)展。

技術(shù)領(lǐng)域

本發(fā)明涉及汽車主動安全領(lǐng)域，尤其涉及一種基于深度學(xué)習(xí)的車輛穩(wěn)定性指標(biāo)估計(jì)方法。

背景技術(shù)

隨著人工智能時代的來臨，無人駕駛已成為當(dāng)今的研究熱點(diǎn)。無人車的上路最大的問題是安全問題，汽車主動安全技術(shù)必然越來越受到人們的關(guān)注。其中車輛行駛過程中穩(wěn)定性是主動安全研究的核心問題之一，其控制的首要問題是采集車輛當(dāng)前的橫擺角速度和質(zhì)心側(cè)偏角等重要參數(shù)。對于上述關(guān)鍵狀態(tài)參數(shù)的獲取，目前研究中用得較多的方法是基于各種算法進(jìn)行狀態(tài)估計(jì)。這些方法主要有擴(kuò)展卡爾曼濾波、模糊擴(kuò)展卡爾曼濾波、無跡卡爾曼濾波、神經(jīng)網(wǎng)絡(luò)、模糊邏輯等。它們都是對汽車控制系統(tǒng)中的關(guān)鍵控制變量(包括質(zhì)心側(cè)偏角、側(cè)向速度、橫擺角速度等)進(jìn)行估計(jì)。但這些方法都是基于傳統(tǒng)車輛動力學(xué)模型或者假定算法參數(shù)（觀測噪聲協(xié)方差）固定的情況下來進(jìn)行狀態(tài)估計(jì)，模型的不精確和觀測噪聲的隨機(jī)性將會導(dǎo)致結(jié)果精度降低，甚至可能會導(dǎo)致濾波發(fā)散。為了提高車輛狀態(tài)估計(jì)算法的魯棒性與估計(jì)精度，我們提出一種基于實(shí)驗(yàn)數(shù)據(jù)驅(qū)動建模的汽車狀態(tài)估計(jì)算法。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問題是針對背景技術(shù)中所涉及到的缺陷，提供一種基于深度學(xué)習(xí)的車輛穩(wěn)定性指標(biāo)估計(jì)方法。

本發(fā)明為解決上述技術(shù)問題采用以下技術(shù)方案：

基于深度學(xué)習(xí)的車輛穩(wěn)定性指標(biāo)估計(jì)方法，包含以下步驟:

步驟1），在車輛上設(shè)置GPS系統(tǒng)、陀螺儀、前輪轉(zhuǎn)角傳感器和橫擺角速度傳感器，所述GPS系統(tǒng)用于獲得依據(jù)衛(wèi)星信號多普勒頻移以確定車輛的運(yùn)動速度，所述陀螺儀用于檢測車輛的縱向加速度和橫向加速度，所述前輪轉(zhuǎn)角傳感器用于獲得車輛的前輪轉(zhuǎn)角，所述橫擺角速度傳感器用于獲得車輛的橫擺角速度；

步驟2），在不同的路面下，針對每一路面，對車輛車速、縱向加速度、橫向加速度、前輪轉(zhuǎn)角、橫擺角速度進(jìn)行采集，基于無跡卡爾曼濾波的方法估計(jì)該路面的路面附著系數(shù)，并根據(jù)路面附著系數(shù)、車速和前輪轉(zhuǎn)角計(jì)算出車輛的質(zhì)心側(cè)偏角，最后形成車輛的訓(xùn)練集數(shù)據(jù)；

所述訓(xùn)練集數(shù)據(jù)包含路面附著系數(shù)、車速、縱向加速度、橫向加速度和前輪轉(zhuǎn)角、質(zhì)心側(cè)偏角和橫擺角速度；

步驟3），利用長短時記憶網(wǎng)絡(luò)搭建非線性預(yù)測模型并將其定義為初級人工車，所述非線性預(yù)測模型包含輸入層、LSTM層、單層感知層和輸出層；

步驟4），根據(jù)車輛的訓(xùn)練集數(shù)據(jù)形成可測向量數(shù)據(jù)和其對應(yīng)的待估向量數(shù)據(jù)，所述可測向量數(shù)據(jù)包括縱向車速、縱向加速度、橫向加速度、路面附著系數(shù)和前輪轉(zhuǎn)角；所述待估向量數(shù)據(jù)包括質(zhì)心側(cè)偏角和橫擺角速度；

步驟5），將可測向量數(shù)據(jù)和其對應(yīng)的數(shù)據(jù)待估向量輸入初級人工車，將經(jīng)過訓(xùn)練產(chǎn)生的非線性模型定義為高級人工車；

步驟6），將車輛當(dāng)前的縱向車速、縱向加速度、橫向加速度、路面附著系數(shù)、前輪轉(zhuǎn)角輸入到所述高級人工車，得到車輛當(dāng)前估算的橫擺角速度和質(zhì)心側(cè)偏角；

步驟7），重復(fù)步驟2）至步驟6），直至車輛當(dāng)前估算的橫擺角速度和所述橫擺角速度傳感器測得的橫擺角速度之間的均方誤差小于預(yù)設(shè)的誤差閾值；

步驟8），測量需要進(jìn)行穩(wěn)定性指標(biāo)估計(jì)的車輛的車速、縱向加速度、橫向加速度、前輪轉(zhuǎn)角、橫擺角速度，基于無跡卡爾曼濾波的方法估計(jì)該車輛行駛路面的路面附著系數(shù)，并根據(jù)該車輛行駛路面的路面附著系數(shù)、該車輛的車速和該車輛的前輪轉(zhuǎn)角計(jì)算出該車輛的質(zhì)心側(cè)偏角；