[發(fā)明專利]一種基于神經(jīng)網(wǎng)絡(luò)的車速估計(jì)方法及系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 201811620672.7
• 申請(qǐng)日: 2018-12-28
• 公開（公告）號(hào): CN109872415B
• 公開（公告）日: 2021-02-02
• 發(fā)明（設(shè)計(jì)）人: 張照生;王震坡;李桐;劉鵬
• 申請(qǐng)（專利權(quán)）人: 北京理工大學(xué);北京理工新源信息科技有限公司
• 主分類號(hào): G07C5/08
• 分類號(hào): G07C5/08;G06N3/04;G06N3/08
• 代理公司: 北京高沃律師事務(wù)所 11569
• 代理人: 程華

1.一種基于神經(jīng)網(wǎng)絡(luò)的車速估計(jì)方法，其特征在于，所述車速估計(jì)方法包括：

獲取訓(xùn)練樣本；所述訓(xùn)練樣本中的數(shù)據(jù)為前提測(cè)試中的車輛實(shí)時(shí)數(shù)據(jù)；所述車輛實(shí)時(shí)數(shù)據(jù)包括四輪輪速、方向盤轉(zhuǎn)角、橫擺加速度、縱向加速度、側(cè)向加速度；

將所述訓(xùn)練樣本中的訓(xùn)練輸入量拓展為8*8的對(duì)稱車輛實(shí)時(shí)數(shù)據(jù)矩陣；所述對(duì)稱車輛實(shí)時(shí)數(shù)據(jù)矩陣為：

【wh1 wh1 wh1 wh1 wh1 wh1 wh1 wh1】

【wh1 wh2 wh2 wh2 wh2 wh2 wh2 wh2】

【wh1 wh2 wh3 wh3 wh3 wh3 wh3 wh3】

【wh1 wh2 wh3 wh4 wh4 wh4 wh4 wh4】

【wh1 wh2 wh3 wh4 str str str str】

【wh1 wh2 wh3 wh4 stryaw yaw yaw】

【wh1 wh2 wh3 wh4 stryaw log log】

【wh1 wh2 wh3 wh4 stryaw log lat】；

其中，wh1 wh2 wh3 wh4分別表示第一車輪輪速、第二車輪輪速、第三車輪輪速以及第四車輪輪速；Str表示方向盤轉(zhuǎn)角；Yaw表示橫擺加速度；Log表示縱向加速度；lat表示側(cè)向加速度；

確定訓(xùn)練輸出量；所述訓(xùn)練輸出量為車輛對(duì)地的橫向速度和縱向速度；

根據(jù)所述對(duì)稱車輛實(shí)時(shí)數(shù)據(jù)矩陣和所述訓(xùn)練輸出量，對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)模型；

卷積神經(jīng)網(wǎng)絡(luò)包括兩種類型的網(wǎng)絡(luò)層，分別是卷積層和采樣層；

當(dāng)輸入的訓(xùn)練輸入量經(jīng)過(guò)卷積層時(shí)，卷積層的卷積核是在輸入的訓(xùn)練輸入量中以一個(gè)滑動(dòng)窗口計(jì)算得到的；卷積核的每一個(gè)參數(shù)都是神經(jīng)網(wǎng)絡(luò)中的權(quán)值參數(shù)；將卷積核的各個(gè)參數(shù)與對(duì)應(yīng)訓(xùn)練樣本中的數(shù)據(jù)做乘積，得到該卷積層的結(jié)果；

當(dāng)卷積層輸出訓(xùn)練輸入量的特征后，為了進(jìn)一步降低網(wǎng)絡(luò)訓(xùn)練參數(shù)及模型的過(guò)擬合程度，將特征輸入到采樣層進(jìn)行處理；該采樣層的作用是作用于每個(gè)輸出特征并減小輸出特征大小，具體為采用最大池化方法對(duì)每個(gè)輸出特征進(jìn)行處理，以減小其輸出特征的大小；

將經(jīng)過(guò)最后一層池化的數(shù)據(jù)與訓(xùn)練樣本的輸出數(shù)據(jù)進(jìn)行比較，得到與各個(gè)橫向速度及縱向速度的近似度，選擇最相似的結(jié)果進(jìn)行輸出；

獲取當(dāng)前車輛的實(shí)時(shí)數(shù)據(jù)；所述當(dāng)前車輛的實(shí)時(shí)數(shù)據(jù)包括當(dāng)前車輛的四輪輪速、當(dāng)前車輛的方向盤轉(zhuǎn)角、當(dāng)前車輛的橫擺加速度、當(dāng)前車輛的縱向加速度以及當(dāng)前車輛的側(cè)向加速度；

將所述當(dāng)前車輛的實(shí)時(shí)數(shù)據(jù)輸入到所述訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)模型，估計(jì)當(dāng)前車輛對(duì)地的橫向速度和縱向速度。

2.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)的車速估計(jì)方法，其特征在于，所述將所述當(dāng)前車輛的實(shí)時(shí)數(shù)據(jù)輸入到所述訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)模型，估計(jì)當(dāng)前車輛對(duì)地的橫向速度和縱向速度，具體包括：

將所述當(dāng)前車輛的實(shí)時(shí)數(shù)據(jù)按照所述訓(xùn)練輸入量形式進(jìn)行轉(zhuǎn)換；

將轉(zhuǎn)換后的當(dāng)前車輛的實(shí)時(shí)數(shù)據(jù)輸入到所述訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)模型，估計(jì)當(dāng)前車輛對(duì)地的橫向速度和縱向速度。

3.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)的車速估計(jì)方法，其特征在于，所述四輪輪速、所述方向盤轉(zhuǎn)角、所述橫擺加速度、所述縱向加速度、所述側(cè)向加速度的數(shù)值以向量形式的作為所述訓(xùn)練樣本的所述訓(xùn)練輸入量。

4.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)的車速估計(jì)方法，其特征在于，所述訓(xùn)練輸出量為車輛在同一時(shí)刻經(jīng)過(guò)雙軸光學(xué)傳感器測(cè)得的對(duì)地的橫向速度和縱向速度。

5.根據(jù)權(quán)利要求4所述的基于神經(jīng)網(wǎng)絡(luò)的車速估計(jì)方法，其特征在于，所述訓(xùn)練輸出量為【vlatvlog】；其中，vlat表示橫向速度，vlog表示縱向速度。

6.一種基于神經(jīng)網(wǎng)絡(luò)的車速估計(jì)系統(tǒng)，其特征在于，所述車速估計(jì)系統(tǒng)法包括：

訓(xùn)練樣本獲取模塊，用于獲取訓(xùn)練樣本；所述訓(xùn)練樣本中的數(shù)據(jù)為前提測(cè)試中的車輛實(shí)時(shí)數(shù)據(jù)；所述車輛實(shí)時(shí)數(shù)據(jù)包括四輪輪速、方向盤轉(zhuǎn)角、橫擺加速度、縱向加速度、側(cè)向加速度；

對(duì)稱車輛實(shí)時(shí)數(shù)據(jù)矩陣確定模塊，用于將所述訓(xùn)練樣本中的訓(xùn)練輸入量拓展為8*8的對(duì)稱車輛實(shí)時(shí)數(shù)據(jù)矩陣；所述對(duì)稱車輛實(shí)時(shí)數(shù)據(jù)矩陣為：

【wh1 wh1 wh1 wh1 wh1 wh1 wh1 wh1】

【wh1 wh2 wh2 wh2 wh2 wh2 wh2 wh2】

【wh1 wh2 wh3 wh3 wh3 wh3 wh3 wh3】

【wh1 wh2 wh3 wh4 wh4 wh4 wh4 wh4】

【wh1 wh2 wh3 wh4 str str str str】

【wh1 wh2 wh3 wh4 stryaw yaw yaw】

【wh1 wh2 wh3 wh4 stryaw log log】

【wh1 wh2 wh3 wh4 stryaw log lat】；

其中，wh1 wh2 wh3 wh4分別表示第一車輪輪速、第二車輪輪速、第三車輪輪速以及第四車輪輪速；Str表示方向盤轉(zhuǎn)角；Yaw表示橫擺加速度；Log表示縱向加速度；lat表示側(cè)向加速度；

訓(xùn)練輸出量確定模塊，用于確定訓(xùn)練輸出量；所述訓(xùn)練輸出量為車輛對(duì)地的橫向速度和縱向速度；

卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊，用于根據(jù)所述對(duì)稱車輛實(shí)時(shí)數(shù)據(jù)矩陣和所述訓(xùn)練輸出量，對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)模型；

卷積神經(jīng)網(wǎng)絡(luò)包括兩種類型的網(wǎng)絡(luò)層，分別是卷積層和采樣層；

當(dāng)輸入的訓(xùn)練輸入量經(jīng)過(guò)卷積層時(shí)，卷積層的卷積核是在輸入的訓(xùn)練輸入量中以一個(gè)滑動(dòng)窗口計(jì)算得到的；卷積核的每一個(gè)參數(shù)都是神經(jīng)網(wǎng)絡(luò)中的權(quán)值參數(shù)；將卷積核的各個(gè)參數(shù)與對(duì)應(yīng)訓(xùn)練樣本中的數(shù)據(jù)做乘積，得到該卷積層的結(jié)果；

當(dāng)卷積層輸出訓(xùn)練輸入量的特征后，為了進(jìn)一步降低網(wǎng)絡(luò)訓(xùn)練參數(shù)及模型的過(guò)擬合程度，將特征輸入到采樣層進(jìn)行處理；該采樣層的作用是作用于每個(gè)輸出特征并減小輸出特征大小，具體為采用最大池化方法對(duì)每個(gè)輸出特征進(jìn)行處理，以減小其輸出特征的大小；

將經(jīng)過(guò)最后一層池化的數(shù)據(jù)與訓(xùn)練樣本的輸出數(shù)據(jù)進(jìn)行比較，得到與各個(gè)橫向速度及縱向速度的近似度，選擇最相似的結(jié)果進(jìn)行輸出；

當(dāng)前車輛實(shí)時(shí)數(shù)據(jù)獲取模塊，用于獲取當(dāng)前車輛的實(shí)時(shí)數(shù)據(jù)；所述當(dāng)前車輛的實(shí)時(shí)數(shù)據(jù)包括當(dāng)前車輛的四輪輪速、當(dāng)前車輛的方向盤轉(zhuǎn)角、當(dāng)前車輛的橫擺加速度、當(dāng)前車輛的縱向加速度以及當(dāng)前車輛的側(cè)向加速度；

當(dāng)前車輛對(duì)地橫向速度和縱向速度估計(jì)模塊，用于將所述當(dāng)前車輛的實(shí)時(shí)數(shù)據(jù)輸入到所述訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)模型，估計(jì)當(dāng)前車輛對(duì)地的橫向速度和縱向速度。