CN108715166A - 基于深度学习的车辆稳定性指标估计方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的车辆稳定性指标估计方法，包括高精度GPS系统、陀螺仪、前轮转角传感器，基于软件平台建立深度长短时记忆神经网络(LSTM)初步模型，利用实车实验样本数据训练LSTM网络生成时滞非线性预测模型，在满足车规级精度以后封装成一个完整估计模块，依据前述传感器信息实时输入自动输出车辆质心侧偏角和横摆角速度值，实现车辆状态估计。本发明在车辆状态估计的同时模型具有在线学习和动态更新能力，通过自学习不断改善估计精度，促进汽车主动安全控制的发展。

Description

基于深度学习的车辆稳定性指标估计方法

技术领域

本发明涉及汽车主动安全领域，尤其涉及一种基于深度学习的车辆稳定性指标估计方法。

背景技术

随着人工智能时代的来临，无人驾驶已成为当今的研究热点。无人车的上路最大的问题是安全问题，汽车主动安全技术必然越来越受到人们的关注。其中车辆行驶过程中稳定性是主动安全研究的核心问题之一，其控制的首要问题是采集车辆当前的横摆角速度和质心侧偏角等重要参数。对于上述关键状态参数的获取，目前研究中用得较多的方法是基于各种算法进行状态估计。这些方法主要有扩展卡尔曼滤波、模糊扩展卡尔曼滤波、无迹卡尔曼滤波、神经网络、模糊逻辑等。它们都是对汽车控制系统中的关键控制变量(包括质心侧偏角、侧向速度、横摆角速度等)进行估计。但这些方法都是基于传统车辆动力学模型或者假定算法参数（观测噪声协方差）固定的情况下来进行状态估计，模型的不精确和观测噪声的随机性将会导致结果精度降低，甚至可能会导致滤波发散。为了提高车辆状态估计算法的鲁棒性与估计精度，我们提出一种基于实验数据驱动建模的汽车状态估计算法。

发明内容

本发明所要解决的技术问题是针对背景技术中所涉及到的缺陷，提供一种基于深度学习的车辆稳定性指标估计方法。

本发明为解决上述技术问题采用以下技术方案：

基于深度学习的车辆稳定性指标估计方法，包含以下步骤:

步骤1），在车辆上设置GPS系统、陀螺仪、前轮转角传感器和横摆角速度传感器，所述GPS系统用于获得依据卫星信号多普勒频移以确定车辆的运动速度，所述陀螺仪用于检测车辆的纵向加速度和横向加速度，所述前轮转角传感器用于获得车辆的前轮转角，所述横摆角速度传感器用于获得车辆的横摆角速度；

步骤2），在不同的路面下，针对每一路面，对车辆车速、纵向加速度、横向加速度、前轮转角、横摆角速度进行采集，基于无迹卡尔曼滤波的方法估计该路面的路面附着系数，并根据路面附着系数、车速和前轮转角计算出车辆的质心侧偏角，最后形成车辆的训练集数据；

所述训练集数据包含路面附着系数、车速、纵向加速度、横向加速度和前轮转角、质心侧偏角和横摆角速度；

步骤3），利用长短时记忆网络搭建非线性预测模型并将其定义为初级人工车，所述非线性预测模型包含输入层、LSTM层、单层感知层和输出层；

步骤4），根据车辆的训练集数据形成可测向量数据和其对应的待估向量数据，所述可测向量数据包括纵向车速、纵向加速度、横向加速度、路面附着系数和前轮转角；所述待估向量数据包括质心侧偏角和横摆角速度；

步骤5），将可测向量数据和其对应的数据待估向量输入初级人工车，将经过训练产生的非线性模型定义为高级人工车；

步骤6），将车辆当前的纵向车速、纵向加速度、横向加速度、路面附着系数、前轮转角输入到所述高级人工车，得到车辆当前估算的横摆角速度和质心侧偏角；

步骤7），重复步骤2）至步骤6），直至车辆当前估算的横摆角速度和所述横摆角速度传感器测得的横摆角速度之间的均方误差小于预设的误差阈值；

步骤8），测量需要进行稳定性指标估计的车辆的车速、纵向加速度、横向加速度、前轮转角、横摆角速度，基于无迹卡尔曼滤波的方法估计该车辆行驶路面的路面附着系数，并根据该车辆行驶路面的路面附着系数、该车辆的车速和该车辆的前轮转角计算出该车辆的质心侧偏角；

步骤9），最后将该车辆行驶路面的路面附着系数、该车辆的车速、纵向加速度、横向加速度和前轮转角、质心侧偏角和横摆角速度输入至所述高级人工车中，获得该车辆的估算的横摆角速度和质心侧偏角。

作为本发明基于深度学习的车辆稳定性指标估计方法进一步的优化方案，所述非线性预测模型中输入层为5维向量、LSTM层为5层、单层感知层一层、输出层为2维向量。

作为本发明基于深度学习的车辆稳定性指标估计方法进一步的优化方案，所述预设的误差阈值为0.01deg/s。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

本发明利用前期实验数据基于长短时记忆网络（LSTM）训练生成具有时滞特性的非线性预测模型, 实现车辆状态估计的同时模型具有在线学习和动态更新能力，并且在和EKF算法在同一条件下对车辆状态进行估计时，LSTM的估计瞬态偏差明显更小，鲁棒性和估计精度优于传统扩展卡尔曼滤波算法，可以更好的对极限工况下车辆状态进行估计。

附图说明

图1是本发明中极限工况状态估计框架的示意图；

图2是本发明中多层LSTM车辆模型的示意图。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

本发明可以以许多不同的形式实现，而不应当认为限于这里所述的实施例。相反，提供这些实施例以便使本公开透彻且完整，并且将向本领域技术人员充分表达本发明的范围。在附图中，为了清楚起见放大了组件。

如图1和图2所示，本发明公开了一种基于深度学习的车辆稳定性指标估计方法，包含以下步骤:

步骤1），在车辆上设置GPS系统、陀螺仪、前轮转角传感器和横摆角速度传感器，所述GPS系统用于获得依据卫星信号多普勒频移以确定车辆的运动速度，所述陀螺仪用于检测车辆的纵向加速度和横向加速度，所述前轮转角传感器用于获得车辆的前轮转角，所述横摆角速度传感器用于获得车辆的横摆角速度；

步骤2），在不同的路面下，针对每一路面，对车辆车速、纵向加速度、横向加速度、前轮转角、横摆角速度进行采集，基于无迹卡尔曼滤波的方法估计该路面的路面附着系数，并根据路面附着系数、车速和前轮转角依据车辆动力学模型计算出车辆的质心侧偏角，最后形成车辆的训练集数据；

所述训练集数据包含路面附着系数、车速、纵向加速度、横向加速度和前轮转角、质心侧偏角和横摆角速度；

步骤3），利用长短时记忆网络搭建非线性预测模型并将其定义为初级人工车，所述非线性预测模型包含输入层、LSTM层、单层感知层和输出层；

步骤4），根据车辆的训练集数据形成可测向量数据和其对应的待估向量数据，所述可测向量数据包括纵向车速、纵向加速度、横向加速度、路面附着系数和前轮转角；所述待估向量数据包括质心侧偏角和横摆角速度；

步骤5），将可测向量数据和其对应的数据待估向量输入初级人工车，将经过训练产生的非线性模型定义为高级人工车；

步骤6），将车辆当前的纵向车速、纵向加速度、横向加速度、路面附着系数、前轮转角输入到所述高级人工车，得到车辆当前估算的横摆角速度和质心侧偏角；

步骤7），重复步骤2）至步骤6），直至车辆当前估算的横摆角速度和所述横摆角速度传感器测得的横摆角速度之间的均方误差小于预设的误差阈值；

步骤8），测量需要进行稳定性指标估计的车辆的车速、纵向加速度、横向加速度、前轮转角、横摆角速度，基于无迹卡尔曼滤波的方法估计该车辆行驶路面的路面附着系数，并根据该车辆行驶路面的路面附着系数、该车辆的车速和该车辆的前轮转角计算出该车辆的质心侧偏角；

步骤9），最后将该车辆行驶路面的路面附着系数、该车辆的车速、纵向加速度、横向加速度和前轮转角、质心侧偏角和横摆角速度输入至所述高级人工车中，获得该车辆的估算的横摆角速度和质心侧偏角。

所述非线性预测模型中输入层为5维向量、LSTM层为5层、单层感知层一层、输出层为2维向量。

所述预设的误差阈值为0.01deg/s。

本技术领域技术人员可以理解的是，除非另外定义，这里使用的所有术语（包括技术术语和科学术语）具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.基于深度学习的车辆稳定性指标估计方法，其特征在于，包含以下步骤:

步骤1），在车辆上设置GPS系统、陀螺仪、前轮转角传感器和横摆角速度传感器，所述GPS系统用于获得依据卫星信号多普勒频移以确定车辆的运动速度，所述陀螺仪用于检测车辆的纵向加速度和横向加速度，所述前轮转角传感器用于获得车辆的前轮转角，所述横摆角速度传感器用于获得车辆的横摆角速度；

步骤2），在不同的路面下，针对每一路面，对车辆车速、纵向加速度、横向加速度、前轮转角、横摆角速度进行采集，基于无迹卡尔曼滤波的方法估计该路面的路面附着系数，并根据路面附着系数、车速和前轮转角计算出车辆的质心侧偏角，最后形成车辆的训练集数据；

所述训练集数据包含路面附着系数、车速、纵向加速度、横向加速度和前轮转角、质心侧偏角和横摆角速度；

步骤3），利用长短时记忆网络搭建非线性预测模型并将其定义为初级人工车，所述非线性预测模型包含输入层、LSTM层、单层感知层和输出层；

步骤4），根据车辆的训练集数据形成可测向量数据和其对应的待估向量数据，所述可测向量数据包括纵向车速、纵向加速度、横向加速度、路面附着系数和前轮转角；所述待估向量数据包括质心侧偏角和横摆角速度；

步骤5），将可测向量数据和其对应的数据待估向量输入初级人工车，将经过训练产生的非线性模型定义为高级人工车；

步骤6），将车辆当前的纵向车速、纵向加速度、横向加速度、路面附着系数、前轮转角输入到所述高级人工车，得到车辆当前估算的横摆角速度和质心侧偏角；

步骤7），重复步骤2）至步骤6），直至车辆当前估算的横摆角速度和所述横摆角速度传感器测得的横摆角速度之间的均方误差小于预设的误差阈值；

步骤8），测量需要进行稳定性指标估计的车辆的车速、纵向加速度、横向加速度、前轮转角、横摆角速度，基于无迹卡尔曼滤波的方法估计该车辆行驶路面的路面附着系数，并根据该车辆行驶路面的路面附着系数、该车辆的车速和该车辆的前轮转角计算出该车辆的质心侧偏角；

步骤9），最后将该车辆行驶路面的路面附着系数、该车辆的车速、纵向加速度、横向加速度和前轮转角、质心侧偏角和横摆角速度输入至所述高级人工车中，获得该车辆的估算的横摆角速度和质心侧偏角。

2.根据权利要求1所述的基于深度学习的车辆稳定性指标估计方法，其特征在于，所述非线性预测模型中输入层为5维向量、LSTM层为5层、单层感知层一层、输出层为2维向量。

3.根据权利要求1所述的基于深度学习的车辆稳定性指标估计方法，其特征在于，所述预设的误差阈值为0.01deg/s。