[發明專利]一種基于神經網絡的車速估計方法及系統

有效

• 申請號: 201811620672.7
• 申請日: 2018-12-28
• 公開（公告）號: CN109872415B
• 公開（公告）日: 2021-02-02
• 發明（設計）人: 張照生;王震坡;李桐;劉鵬
• 申請（專利權）人: 北京理工大學;北京理工新源信息科技有限公司
• 主分類號: G07C5/08
• 分類號: G07C5/08;G06N3/04;G06N3/08
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 程華

本發明公開一種基于神經網絡的車速估計方法及系統，該車速估計方法包括獲取訓練樣本和訓練輸出量，并將訓練樣本中的訓練輸入量拓展為8*8的對稱車輛實時數據矩陣，其中訓練輸出量和訓練輸入量均為向量形式；然后根據對稱車輛實時數據矩陣和訓練輸出量對卷積神經網絡進行訓練；最后獲取當前車輛的實時數據，并將當前車輛的實時數據輸入到訓練后的卷積神經網絡模型中，來估計當前車輛對地的橫向速度和縱向速度。本發明利用卷積神經網絡，將對稱車輛實時數據矩陣作為輸入，經過卷積計算收斂，輸出車輛對地的實時縱向速度及橫向速度，不僅能夠適用于車輛打滑的極限工況，計算量小，而且有效的解決后期積分過程中的累計誤差問題。

技術領域

本發明涉及車速估計技術領域，特別是涉及一種基于神經網絡的車速估計方法及系統。

背景技術

基于加速度傳感器的采集值，通過無跡卡爾曼方法進行濾波預測，將加速度值進行積分得到對應的橫向速度及縱向速度，其缺點是無跡卡爾曼方法計算量大且無法有效的解決后期積分過程中的累計誤差問題。

基于采集的四輪輪速信號，結合車輛四輪模型，進行縱向速度及橫向速度的計算，具備較好的實時性，但其缺點是該模型建立在車輛無滑移的條件下，不適用于車輛打滑的極限工況。

發明內容

為解決背景技術存在的技術問題，本發明提供了一種基于神經網絡的車速估計方法及系統。

為實現上述目的，本發明提供了如下方案：

一種基于神經網絡的車速估計方法，所述車速估計方法包括：

獲取訓練樣本；所述訓練樣本中的數據為前提測試中的車輛實時數據；所述車輛實時數據包括四輪輪速、方向盤轉角、橫擺加速度、縱向加速度、側向加速度；

將所述訓練樣本中的訓練輸入量拓展為8*8的對稱車輛實時數據矩陣；

確定訓練輸出量；所述訓練輸出量為車輛對地的橫向速度和縱向速度；

根據所述對稱車輛實時數據矩陣和所述訓練輸出量，對卷積神經網絡進行訓練，得到訓練后的卷積神經網絡模型；

獲取當前車輛的實時數據；所述當前車輛的實時數據包括當前車輛的四輪輪速、當前車輛的方向盤轉角、當前車輛的橫擺加速度、當前車輛的縱向加速度以及當前車輛的側向加速度；

將所述當前車輛的實時數據輸入到所述訓練后的卷積神經網絡模型，估計當前車輛對地的橫向速度和縱向速度。

可選的，所述將所述當前車輛的實時數據輸入到所述訓練后的卷積神經網絡模型，估計當前車輛對地的橫向速度和縱向速度，具體包括：

將所述當前車輛的實時數據按照所述訓練輸入量形式進行轉換；

將轉換后的當前車輛的實時數據輸入到所述訓練后的卷積神經網絡模型，估計當前車輛對地的橫向速度和縱向速度。

可選的，所述四輪輪速、所述方向盤轉角、所述橫擺加速度、所述縱向加速度、所述側向加速度的數值以向量形式的作為所述訓練樣本的所述訓練輸入量。

可選的，所述訓練輸入量為【wh1 wh2 wh3 wh4 str yaw log lat】；其中，wh1 wh2wh3 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表示方向盤轉角；Yaw表示橫擺加速度；Log表示縱向加速度；lat表示側向加速度。

可選的，所述對稱車輛實時數據矩陣為：

【wh1 wh1 wh1 wh1 wh1 wh1 wh1 wh1】

【wh1 wh2 wh2 wh2 wh2 wh2 wh2 wh2】

【wh1 wh2 wh3 wh3 wh3 wh3 wh3 wh3】