[發(fā)明專利]基于SVR_Adaboost改進算法的商用貨車質(zhì)量估計方法

有效

• 申請?zhí)枺?/td>: 201810907913.X
• 申請日: 2018-08-10
• 公開（公告）號: CN109255094B
• 公開（公告）日: 2022-12-27
• 發(fā)明（設(shè)計）人: 鄭太雄;田云浪;楊新琴;汪濤;褚良宇;陳云坤
• 申請（專利權(quán)）人: 重慶郵電大學(xué)
• 主分類號: G06F17/11
• 分類號: G06F17/11;G06F17/16;G06N20/00
• 代理公司: 重慶市恒信知識產(chǎn)權(quán)代理有限公司 50102
• 代理人: 劉小紅;陳棟梁

本發(fā)明請求保護一種基于SVR_Adaboost改進算法的商用貨車質(zhì)量辨識方法，在車輛起步10s，采用時間序列方式在CAN總線中，采集由車輛縱向動力學(xué)模型所確定的相關(guān)變量縱向驅(qū)動力、縱向加速度、迎風(fēng)阻力、輪胎滾動阻力、路面坡度，并按固定數(shù)據(jù)結(jié)構(gòu)組合成一組數(shù)據(jù)。將組合數(shù)據(jù)Z?score標(biāo)準(zhǔn)化，再PCA降維到10維，作為輸入變量，利用SVR作為基學(xué)習(xí)算法，再用Adaboost提升方法反復(fù)訓(xùn)練，得出一系列弱SVR模型，并組合這些模型，構(gòu)成最終質(zhì)量辨識模型。通過Adaboost提升訓(xùn)練后的模型在辨識應(yīng)用中比單一基學(xué)習(xí)算法泛化能力更加顯著優(yōu)越、辨識精度更高。

技術(shù)領(lǐng)域

本發(fā)明屬于商用貨車的載重辨識方法，特別是一種無人駕駛商用車輛的質(zhì)量辨識方法。

背景技術(shù)

對于商用貨車，車輛載重是一個非常重要的參數(shù)，對于商用貨車，質(zhì)量的變化范圍最高可達400％。從車輛自動控制問題研究方向來思考，如果車輛的質(zhì)量能夠準(zhǔn)確獲取，將能夠改善車輛操縱穩(wěn)定性、駕駛舒適性和安全性等。

在無人駕駛車輛軌跡跟蹤控制研究領(lǐng)域中，準(zhǔn)確獲取車輛載重更為重要，尤其是商用貨車，載重質(zhì)量變化的情況會直接影響軌跡跟蹤精度。

目前車輛質(zhì)量辨識的研究領(lǐng)域中，可以分為兩類：第一類是依靠公路車輛自動衡器直接獲取，這種方式比較昂貴；第二類是參數(shù)估計方法^[1-4]，這種方式通過縱向驅(qū)動力、縱向加速度、迎風(fēng)阻力、輪胎滾動阻力信息，采用一些智能算法，能夠在線準(zhǔn)確估計整車質(zhì)量，屬于間接方式估計出整車質(zhì)量。值得注意的是，第二類主要方法有自適應(yīng)滑膜觀測器^[1]、最小二乘法^[2-4]、基于縱向頻響特性估計法^[5]，考慮比較全面的方法有適應(yīng)空氣阻力變化辨識法^[6]，還有針對電驅(qū)動質(zhì)量辨識方法^[7]。本發(fā)明采用的是集成學(xué)習(xí)法，弱學(xué)習(xí)采用SVR，集成學(xué)習(xí)采用Adaboost，另在數(shù)據(jù)采集采用時間序列方式，都與上述方法有所不同。

現(xiàn)代車輛CAN總線都能提供的如縱向驅(qū)動力、縱向加速度、迎風(fēng)阻力、輪胎滾動阻力等信息，因此在不增加額外傳感器的情況，參數(shù)估計法能受到很大認(rèn)可。

另一方面，集成學(xué)習(xí)能夠改善單一弱學(xué)習(xí)器的泛化能力。Adaboost是集成學(xué)習(xí)最著名的代表，它通過訓(xùn)練多個好而不同的單一弱學(xué)習(xí)器，并進行組合成一個強學(xué)習(xí)器，在辨識應(yīng)用中能夠提升辨識精度^[8]。

本申請參考文獻:

[1]Mahyuddin M N,Na J,Herrmann G,et al.Adaptive Observer-BasedParameter Estimation With Application to Road Gradient and Vehicle MassEstimation[J].IEEE Transactions on Industrial Electronics,2013,61(6):2851-2863.

[2]Yuan F,Lu X,Zhuoping Y U,et al.Recursive Least Square Vehicle MassEstimation Based on Acceleration Partition[J].Chinese Journal of MechanicalEngineering,2014,27(3):448-458.

[3]Fathy H K,Kang D,Stein J L.Online vehicle mass estimation usingrecursive least squares and supervisory data extraction[C].American ControlConference.IEEE,2008:1842-1848.