[發明專利]基于SVM和BP神經網絡的工況融合路感模擬方法

有效

• 申請號: 202011605239.3
• 申請日: 2020-12-29
• 公開（公告）號: CN112572606B
• 公開（公告）日: 2021-11-05
• 發明（設計）人: 趙蕊;蔡錦康;鄧偉文;丁娟
• 申請（專利權）人: 浙江天行健智能科技有限公司
• 主分類號: B62D6/00
• 分類號: B62D6/00;G06N3/08;G06N3/04;G06N20/10;B62D101/00;B62D103/00;B62D117/00;B62D119/00;B62D131/00
• 代理公司: 蘇州根號專利代理事務所(普通合伙) 32276
• 代理人: 仇波

1.一種基于SVM和BP神經網絡的工況融合路感模擬方法，其特征在于，包括以下步驟：

步驟一、進行實車路采試驗：選取駕駛員進行實車試驗，車輛在試驗道路中行駛，采集的試驗數據包括縱向車速、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、方向盤轉角、方向盤角速度和方向盤力矩；車輛行駛工況包括上坡、下坡、直行、轉彎、倒車和原地轉向；

步驟二、建立簡易路感模型：以所采試驗數據的車速、方向盤轉角和方向盤角速度為輸入變量，以方向盤力矩為輸出變量，建立基于彈簧模型的簡易路感模型；

步驟三、試驗數據歸一化并生成隨機數據點集：對所采集的試驗數據進行歸一化，得到歸一化后試驗數據集；生成隨機數據點集時，隨機數據點的維度與正常工況路感模型的輸入變量個數相同；

步驟四、區分正常工況點和異常工況點：根據隨機數據點與歸一化后試驗數據點之間的歐式距離，將隨機數據點區分為正常工況點和異常工況點并對應加上正常工況標簽與異常工況標簽，得到正常隨機數據庫和異常隨機數據庫；

步驟五、訓練基于SVM的工況識別模型并測試：利用正常隨機數據庫和異常隨機數據庫中的數據，結合SVM算法，訓練得到基于SVM的工況識別模型并進行模型測試，所述工況識別模型的輸入變量為縱向車速、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、方向盤轉角、方向盤角速度，輸出變量為工況標簽；

步驟六、建立基于BP神經網絡的路感模型并測試：利用歸一化后試驗數據集中的試驗數據，結合BP神經網絡算法，建立基于BP神經網絡的正常工況路感模型并進行模型測試，所述基于BP神經網絡的正常工況路感模型的輸入變量為縱向車速、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、方向盤轉角、方向盤角速度，輸出變量為方向盤力矩；

步驟七、基于工況識別結果切換路感模型：采集車輛的縱向車速、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、方向盤轉角、方向盤角速度，進行歸一化后輸入基于SVM的工況識別模型計算得到工況標簽，當得到的工況標簽為正常工況標簽時，使用所述基于神經網絡的正常工況路感模型預測得到正常工況方向盤力矩；當得到的工況標簽為異常工況標簽時，則使用所述簡易路感模型計算得到簡易異常工況方向盤力矩。

2.根據權利要求1所述基于SVM和BP神經網絡的工況融合路感模擬方法，其特征在于，在步驟一中：試驗道路類型包括高速道路、城市道路和郊區道路。

3.根據權利要求1所述基于SVM和BP神經網絡的工況融合路感模擬方法，其特征在于，在步驟二中，建立的基于彈簧模型的路感模型中，方向盤力矩由以下公式計算得到：

式中，為方向盤反饋力矩；為方向盤轉角；為方向盤角速度；k為剛度系數，c為阻尼系數，a為常數，為車輛縱向速度。

4.根據權利要求1所述基于SVM和BP神經網絡的工況融合路感模擬方法，其特征在于，在步驟三中，對試驗數據按照下式進行歸一化處理：

式中，i為數據編號，j為變量編號，x_i,j表示未歸一化的第i組數據中的第j個變量，表示歸一化后的第i組數據中的第j個變量值；X_j表示所有j對應的變量數據值組成的集合，min表示去除異常點后，試驗數據中相關變量的最小值，max表示去除異常點后，試驗數據中相關變量的最大值。

5.根據權利要求4所述基于SVM和BP神經網絡的工況融合路感模擬方法，其特征在于，在步驟三中，生成隨機數據點集時，使用均勻隨機函數生成多維隨機數據點，每個隨機數據點各個維度的取值區間均為[0,1]。