[發(fā)明專利]一種基于GMM和高斯過(guò)程回歸的路感模擬方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202011601812.3
• 申請(qǐng)日: 2020-12-29
• 公開（公告）號(hào): CN112632705A
• 公開（公告）日: 2021-04-09
• 發(fā)明（設(shè)計(jì)）人: 趙蕊;蔡錦康;鄧偉文;丁娟
• 申請(qǐng)（專利權(quán)）人: 浙江天行健智能科技有限公司
• 主分類號(hào): G06F30/15
• 分類號(hào): G06F30/15;G06F30/27;G06K9/62;G06F111/08
• 代理公司: 蘇州根號(hào)專利代理事務(wù)所(普通合伙) 32276
• 代理人: 仇波

1.一種基于GMM和高斯過(guò)程回歸的路感模擬方法，其特征在于，包括以下步驟：

步驟一、進(jìn)行實(shí)車試驗(yàn)并采集數(shù)據(jù)：選取駕駛員進(jìn)行實(shí)車試驗(yàn)，車輛在試驗(yàn)道路中行駛，采集的試驗(yàn)數(shù)據(jù)包括縱向車速、車輛橫向加速度、車輛橫擺角速度、車輛垂向載荷、方向盤轉(zhuǎn)角、方向盤角速度和方向盤力矩；

步驟二、試驗(yàn)數(shù)據(jù)預(yù)處理：對(duì)試驗(yàn)數(shù)據(jù)去除異常點(diǎn)后進(jìn)行歸一化處理，得到歸一化試驗(yàn)數(shù)據(jù)集；

步驟三、歸一化試驗(yàn)數(shù)據(jù)聚類：對(duì)歸一化試驗(yàn)數(shù)據(jù)使用高斯混合模型分類算法進(jìn)行聚類，聚類后得到多個(gè)與聚類群落數(shù)量相同的數(shù)據(jù)類；

步驟四、劃分訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集：將歸一化試驗(yàn)數(shù)據(jù)集劃分為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集；

步驟五、訓(xùn)練基于GMM和高斯過(guò)程回歸的路感模型：使用訓(xùn)練數(shù)據(jù)集和高斯過(guò)程回歸算法，訓(xùn)練得到多個(gè)與數(shù)據(jù)類數(shù)量相同的基于GMM和高斯過(guò)程回歸的路感模擬模型；訓(xùn)練模型時(shí)，模型的輸入變量包括車輛縱向速度、車輛橫向加速度、車輛橫擺角速度、車輛橫擺角加速度、車輛垂向載荷、方向盤轉(zhuǎn)角、方向盤角速度；輸出變量為方向盤力矩；

步驟六、測(cè)試基于GMM和高斯過(guò)程回歸的路感模型：使用測(cè)試數(shù)據(jù)集測(cè)試得到的基于GMM和高斯過(guò)程回歸的路感模擬模型；

步驟七、判斷模型是否可接受：若模型可接受則建模成功，否則重新進(jìn)行實(shí)車路采試驗(yàn)；

步驟八、根據(jù)得到的多個(gè)基于GMM和高斯過(guò)程回歸的路感模擬模型進(jìn)行路感模擬。

2.根據(jù)權(quán)利要求1所述基于GMM和高斯過(guò)程回歸的路感模擬方法，其特征在于，其特征在于，在步驟一的實(shí)車試驗(yàn)中：試驗(yàn)道路類型包括高速道路、城市道路、郊區(qū)道路、鄉(xiāng)村道路和越野道路。

3.根據(jù)權(quán)利要求1所述基于GMM和高斯過(guò)程回歸的路感模擬方法，其特征在于，其特征在于，在步驟一的實(shí)車試驗(yàn)中：車輛行駛工況包括上下坡、直行、倒車、轉(zhuǎn)彎和原地轉(zhuǎn)向。

4.根據(jù)權(quán)利要求1所述基于GMM和高斯過(guò)程回歸的路感模擬方法，其特征在于，在步驟二中，被去除的異常點(diǎn)包括超出正常范圍的數(shù)據(jù)點(diǎn)和分布嚴(yán)重偏離的數(shù)據(jù)點(diǎn)。

5.根據(jù)權(quán)利要求1所述的基于GMM和高斯過(guò)程回歸的路感模擬方法，其特征在于，在步驟二中，對(duì)試驗(yàn)數(shù)據(jù)按照下式進(jìn)行歸一化處理得到歸一化試驗(yàn)數(shù)據(jù)：

式中，i為數(shù)據(jù)編號(hào)，j為變量編號(hào)，x_i,j表示未歸一化的第i組數(shù)據(jù)中的第j個(gè)變量，X_j表示所有j對(duì)應(yīng)的變量數(shù)據(jù)值組成的集合，min表示去除異常點(diǎn)后，試驗(yàn)數(shù)據(jù)中相關(guān)變量的最小值，max表示去除異常點(diǎn)后，試驗(yàn)數(shù)據(jù)中相關(guān)變量的最大值。

6.根據(jù)權(quán)利要求1所述基于GMM和高斯過(guò)程回歸的路感模擬方法，其特征在于，在步驟三中，使用高斯混合模型分類算法進(jìn)行聚類時(shí)，參與聚類的變量包括縱向車速、車輛橫向加速度、車輛橫擺角速度、車輛垂向載荷、方向盤轉(zhuǎn)角和方向盤角速度，群落數(shù)量為4個(gè)。

7.根據(jù)權(quán)利要求1所述基于GMM和高斯過(guò)程回歸的路感模擬方法，其特征在于，在步驟四中，劃分訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集時(shí)，從歸一化試驗(yàn)數(shù)據(jù)集中隨機(jī)選擇一定數(shù)量比例的數(shù)據(jù)點(diǎn)作為訓(xùn)練數(shù)據(jù)集、其它數(shù)據(jù)點(diǎn)均作為測(cè)試數(shù)據(jù)集。

8.根據(jù)權(quán)利要求1-7中任意一項(xiàng)所述基于GMM和高斯過(guò)程回歸的路感模擬方法，其特征在于，在步驟五中，訓(xùn)練基于GMM和高斯過(guò)程回歸的路感模擬模型時(shí)，選擇使用平方指數(shù)協(xié)方差函數(shù)SE，通過(guò)極大似然估計(jì)來(lái)求解核函數(shù)的超參數(shù)。

9.根據(jù)權(quán)利要求1所述基于GMM和高斯過(guò)程回歸的路感模擬方法，其特征在于，測(cè)試所述基于GMM和高斯過(guò)程回歸的路感模擬模型并根據(jù)測(cè)試結(jié)果判斷模型是否可接受的具體步驟為：

依次將測(cè)試數(shù)據(jù)集中的測(cè)試數(shù)據(jù)點(diǎn)對(duì)應(yīng)的輸入變量的數(shù)值輸入路感模擬模型，得到預(yù)測(cè)的方向盤力矩值；計(jì)算得到整個(gè)測(cè)試數(shù)據(jù)集的測(cè)試數(shù)據(jù)點(diǎn)預(yù)測(cè)所得方向盤力矩值與真實(shí)方向盤力矩值之間的MSE值；若MSE值小于預(yù)設(shè)的閾值α，則認(rèn)為訓(xùn)練所得到的基于數(shù)據(jù)驅(qū)動(dòng)的路感模擬模型可接受，建模成功。

10.根據(jù)權(quán)利要求9所述基于GMM和高斯過(guò)程回歸的路感模擬方法，其特征在于，所述閾值α為0.15。