CN108715166A - 基于深度学习的车辆稳定性指标估计方法 - Google Patents
基于深度学习的车辆稳定性指标估计方法 Download PDFInfo
- Publication number
- CN108715166A CN108715166A CN201810398873.0A CN201810398873A CN108715166A CN 108715166 A CN108715166 A CN 108715166A CN 201810398873 A CN201810398873 A CN 201810398873A CN 108715166 A CN108715166 A CN 108715166A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- yaw velocity
- front wheel
- speed
- coefficient
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/06—Road conditions
- B60W40/064—Degree of grip
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
- B60W40/105—Speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
- B60W40/107—Longitudinal acceleration
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
- B60W40/109—Lateral acceleration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
- Gyroscopes (AREA)
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
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810398873.0A CN108715166B (zh) | 2018-04-28 | 2018-04-28 | 基于深度学习的车辆稳定性指标估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810398873.0A CN108715166B (zh) | 2018-04-28 | 2018-04-28 | 基于深度学习的车辆稳定性指标估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108715166A true CN108715166A (zh) | 2018-10-30 |
CN108715166B CN108715166B (zh) | 2023-05-12 |
Family
ID=63899347
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810398873.0A Active CN108715166B (zh) | 2018-04-28 | 2018-04-28 | 基于深度学习的车辆稳定性指标估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108715166B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110263844A (zh) * | 2019-06-18 | 2019-09-20 | 北京中科原动力科技有限公司 | 一种在线学习和实时估计路面状态的方法 |
CN110276380A (zh) * | 2019-05-22 | 2019-09-24 | 杭州电子科技大学 | 一种基于深度模型框架的实时运动在线指导系统 |
CN110968095A (zh) * | 2019-11-23 | 2020-04-07 | 奇瑞汽车股份有限公司 | 一种自动行车控制方法 |
CN111680367A (zh) * | 2020-06-29 | 2020-09-18 | 北京博格华纳汽车传动器有限公司 | 四驱横摆角速度优化评估方法、装置及四驱车辆 |
CN112417598A (zh) * | 2020-11-20 | 2021-02-26 | 福建工程学院 | 一种多源融合的车辆状态并联估计方法 |
CN112950812A (zh) * | 2021-02-04 | 2021-06-11 | 南京航空航天大学 | 一种基于长短时记忆神经网络的车辆状态容错估计方法 |
WO2021115063A1 (zh) * | 2019-12-10 | 2021-06-17 | 中国科学院深圳先进技术研究院 | 一种数据驱动的电驱动车辆附着稳定识别方法及装置 |
CN113071509A (zh) * | 2021-03-22 | 2021-07-06 | 南京航空航天大学 | 一种智能车车轮转角传感器故障检测方法 |
CN113408047A (zh) * | 2021-08-05 | 2021-09-17 | 江苏大学 | 一种基于时滞反馈神经网络的车辆动力学预测模型、及训练数据获取方法、训练方法 |
CN114357623A (zh) * | 2022-01-07 | 2022-04-15 | 吉林大学 | 一种融合规范模型的车辆状态估计序列神经网络 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040162644A1 (en) * | 2003-02-19 | 2004-08-19 | Fuji Jukogyo Kabushiki Kaisha | Vehicle motion model generating device and method for generating vehicle motion model |
CN103434511A (zh) * | 2013-09-17 | 2013-12-11 | 东南大学 | 一种车速与道路附着系数的联合估计方法 |
CN104354697A (zh) * | 2014-10-08 | 2015-02-18 | 南京航空航天大学 | 一种利用在线修正的汽车状态参数估计路面附着系数的方法 |
CN106828464A (zh) * | 2017-01-06 | 2017-06-13 | 合肥工业大学 | 一种基于路面附着系数估算的车身稳定控制方法及系统 |
US20170369050A1 (en) * | 2016-06-23 | 2017-12-28 | Ford Global Technologies, Llc | Vehicle Tire Saturation Estimator |
-
2018
- 2018-04-28 CN CN201810398873.0A patent/CN108715166B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040162644A1 (en) * | 2003-02-19 | 2004-08-19 | Fuji Jukogyo Kabushiki Kaisha | Vehicle motion model generating device and method for generating vehicle motion model |
CN103434511A (zh) * | 2013-09-17 | 2013-12-11 | 东南大学 | 一种车速与道路附着系数的联合估计方法 |
CN104354697A (zh) * | 2014-10-08 | 2015-02-18 | 南京航空航天大学 | 一种利用在线修正的汽车状态参数估计路面附着系数的方法 |
US20170369050A1 (en) * | 2016-06-23 | 2017-12-28 | Ford Global Technologies, Llc | Vehicle Tire Saturation Estimator |
CN106828464A (zh) * | 2017-01-06 | 2017-06-13 | 合肥工业大学 | 一种基于路面附着系数估算的车身稳定控制方法及系统 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276380A (zh) * | 2019-05-22 | 2019-09-24 | 杭州电子科技大学 | 一种基于深度模型框架的实时运动在线指导系统 |
CN110276380B (zh) * | 2019-05-22 | 2021-08-17 | 杭州电子科技大学 | 一种基于深度模型框架的实时运动在线指导系统 |
CN110263844A (zh) * | 2019-06-18 | 2019-09-20 | 北京中科原动力科技有限公司 | 一种在线学习和实时估计路面状态的方法 |
CN110263844B (zh) * | 2019-06-18 | 2021-04-06 | 北京中科原动力科技有限公司 | 一种在线学习和实时估计路面状态的方法 |
CN110968095A (zh) * | 2019-11-23 | 2020-04-07 | 奇瑞汽车股份有限公司 | 一种自动行车控制方法 |
WO2021115063A1 (zh) * | 2019-12-10 | 2021-06-17 | 中国科学院深圳先进技术研究院 | 一种数据驱动的电驱动车辆附着稳定识别方法及装置 |
CN111680367A (zh) * | 2020-06-29 | 2020-09-18 | 北京博格华纳汽车传动器有限公司 | 四驱横摆角速度优化评估方法、装置及四驱车辆 |
CN112417598A (zh) * | 2020-11-20 | 2021-02-26 | 福建工程学院 | 一种多源融合的车辆状态并联估计方法 |
CN112950812A (zh) * | 2021-02-04 | 2021-06-11 | 南京航空航天大学 | 一种基于长短时记忆神经网络的车辆状态容错估计方法 |
CN112950812B (zh) * | 2021-02-04 | 2022-07-26 | 南京航空航天大学 | 一种基于长短时记忆神经网络的车辆状态容错估计方法 |
CN113071509A (zh) * | 2021-03-22 | 2021-07-06 | 南京航空航天大学 | 一种智能车车轮转角传感器故障检测方法 |
CN113408047A (zh) * | 2021-08-05 | 2021-09-17 | 江苏大学 | 一种基于时滞反馈神经网络的车辆动力学预测模型、及训练数据获取方法、训练方法 |
CN113408047B (zh) * | 2021-08-05 | 2024-03-22 | 江苏大学 | 一种基于时滞反馈神经网络的车辆动力学预测模型、及训练数据获取方法、训练方法 |
CN114357623A (zh) * | 2022-01-07 | 2022-04-15 | 吉林大学 | 一种融合规范模型的车辆状态估计序列神经网络 |
Also Published As
Publication number | Publication date |
---|---|
CN108715166B (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108715166A (zh) | 基于深度学习的车辆稳定性指标估计方法 | |
Xiong et al. | IMU-based automated vehicle body sideslip angle and attitude estimation aided by GNSS using parallel adaptive Kalman filters | |
Reina et al. | Vehicle parameter estimation using a model-based estimator | |
Imsland et al. | Vehicle velocity estimation using nonlinear observers | |
Rajamani et al. | Algorithms for real-time estimation of individual wheel tire-road friction coefficients | |
Song et al. | Vehicle state estimation for INS/GPS aided by sensors fusion and SCKF-based algorithm | |
CN104061899B (zh) | 一种基于卡尔曼滤波的车辆侧倾角与俯仰角估计方法 | |
CN106184225A (zh) | 分布式四驱电动车动力学控制的纵向车速估算方法 | |
CN103279675A (zh) | 轮胎-路面附着系数与轮胎侧偏角的估计方法 | |
CN113650619B (zh) | 一种四轮驱动电动汽车轮胎力软测量方法 | |
Park et al. | Vehicle positioning based on velocity and heading angle observer using low-cost sensor fusion | |
CN116215547B (zh) | 一种动态坡度估算方法及装置 | |
Gong et al. | A novel method for identifying inertial parameters of electric vehicles based on the dual H infinity filter | |
Gwak et al. | Neural-network multiple models filter (NMM)-based position estimation system for autonomous vehicles | |
Escoriza et al. | Data-driven Kalman-based velocity estimation for autonomous racing | |
Chen et al. | Sideslip angle fusion estimation method of three-axis autonomous vehicle based on composite model and adaptive cubature Kalman filter | |
Liu et al. | Vehicle state and parameter estimation based on double cubature Kalman filter algorithm | |
Da Lio et al. | Robust and sample-efficient estimation of vehicle lateral velocity using neural networks with explainable structure informed by kinematic principles | |
Ahangarnejad et al. | Adap-tyre: DEKF filtering for vehicle state estimation based on tyre parameter adaptation | |
Boada et al. | A robust observer based on energy-to-peak filtering in combination with neural networks for parameter varying systems and its application to vehicle roll angle estimation | |
Liu et al. | Vehicle state estimation based on unscented kalman filtering and a genetic algorithm | |
Lu et al. | Road adhesion coefficient identification method based on vehicle dynamics model and multi-algorithm fusion | |
KR20160036922A (ko) | 곡률 추정 장치 및 방법 | |
Huang et al. | Estimation of sideslip angle based on extended Kalman filter | |
CN111231976A (zh) | 一种基于变步长的车辆状态估计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |