CN109664890B - 基于svm模型的汽车侧翻预警算法 - Google Patents

Abstract

本发明公开了一种基于SVM模型的汽车侧翻预警算法，属于交通安全领域，包括以下步骤：a，选用一个车辆模型用于侧翻预警控制器设计，建立驾驶员‑车辆‑道路环境模型；b，确定侧翻危险评估指标；c，利用SVM算法搭建汽车侧翻危险预测经验模型，利用驾驶员‑车辆‑道路环境模型输出的确定性变量和随机变量作为汽车侧翻危险预测经验模型的输入量，确定汽车侧翻极限状态函数的显示函数，利用超曲面进而可视化地将汽车状态样本分为侧翻不安全区和侧翻安全区。本发明将考虑不确定性的概率方法运用到汽车动态侧翻预警算法设计中，提供车辆侧翻安全极限及其梯度的显式函数，降低系统强非线性和不确定性的外在干扰，有效提高车辆动态侧翻预警精度。

Description

基于SVM模型的汽车侧翻预警算法

技术领域

本发明涉及交通安全领域，尤其是一种汽车侧翻预警的算法，用于汽车侧翻预警研究。

背景技术

交通事故是造成人员生命及财产严重损失的重要形式，而汽车侧翻事故是最为严重的交通事故之一。据统计，汽车侧翻已成为仅次于正面碰撞的高发事故。2014年，法国汽车侧翻事故率虽然仅为4.7％，但造成14％的人员死亡，同时侧翻发生后极易对道路、桥梁等公共设施进行破坏，甚至造成环境的严重污染。因此，汽车侧翻预警及控制研究得到世界范围内的充分关注。汽车侧翻预警及控制研究目前可以归为两类：主动和被动汽车侧翻保护系统。其中，主动汽车侧翻保护系统通过主动控制策略及装置改进汽车侧翻稳定性。如LIANG等利用基于预测控制的主动制动实现汽车侧翻稳定性控制，但其对汽车系统的非线性特性及不确定性涉及较少。GHAZALI等采用了前轮转向和主动制动综合控制汽车侧翻稳定性。其中，前者采用低阶模型预测方式控制跟踪误差，后者控制汽车速度跟踪误差，但未提供跟踪误差阈值对侧翻控制效果的影响。BRAGHIN等提出一种基于空气动力学载荷估计的防侧翻控制策略。ANUBI等则使用变刚度悬架对抗车辆横向倾覆力矩。ZHU等利用差动制动和滑膜控制进行重型车辆侧翻控制，可有效提高重型车辆的侧翻及横摆稳定性。HAMID等利用鲁棒控制器进行极限工况下侧翻稳定性控制。JIN等提出利用鲁棒控制和遗传算法进行车辆防侧翻预警及控制，该算法在车辆纵向质心位置变化方面具有较好鲁棒性。

此外，被动汽车侧翻保护系统，如侧翻预警系统常用来防侧翻控制。如MASHADI等提出车轮抬起时的车辆动力学模型，并推导出侧翻阈值。HAIQING等设计了改进预测载荷转移率IPLTR作为侧翻预警指标。FENGCHEN等提出利用车轮抬起前后质心位置变化进行侧翻危险预测的方法。但其质心位置估计的精度很难保证。YI等提出利用可靠性方法进行重型车辆侧翻预警控制。HOCINE等利用估计的轮胎垂直力计算车辆载荷转移率，进而进行侧翻危险预警控制。ZHU等提出基于改进TTR方法进行重型车辆侧翻预警控制，其中设计卡尔曼观测器实时估计车辆侧倾角，进而保证载荷转移率LTR和TTR值的计算精度。CHOU等提出利用灰色系统理论进行重型半挂车辆侧翻预警控制，其中利用灰色侧翻指标GRI作为侧翻危险监测依据。

综上所述，绝大多数防侧翻控制都是在车辆即将发生侧翻危险时候开始起作用，而且该时刻“驾驶员-车辆-道路环境”可以被看成一个复杂的交互系统，驾驶员或者主动防侧翻控制装置必须依据车辆动力学响应及道路环境信息及时修正车辆的速度、转向等动作，才可以避免车辆稳定性的恶化。但上述“驾驶员-车辆-道路环境”系统具有较强的非线性和建模测量的不确定性，传统的确定性方案不足以精确建模。

发明内容

本发明需要解决的技术问题是开发一种考虑不确定性的基于SVM经验模型的汽车侧翻预警算法，将考虑不确定性的概率方法运用到汽车动态侧翻预警算法设计中，考虑驾驶员-车辆-道路系统的不确定性和参数的实变性，提供车辆侧翻安全极限及其梯度的显式函数，同时，利用可视化的超曲面界定出汽车侧翻安全区域和不安全区域，降低系统强非线性和不确定性的外在干扰，有效提高车辆动态侧翻预警精度。

为解决上述技术问题，本发明所采用的技术方案是：

基于SVM模型的汽车侧翻预警算法，包括以下步骤：

a，首先选用一个车辆模型用于侧翻预警控制器设计，建立驾驶员-车辆-道路环境模型；

b，然后确定侧翻危险评估指标；

c，接下来利用SVM算法搭建汽车侧翻危险预测经验模型，利用驾驶员-车辆-道路环境模型输出的确定性变量和随机变量作为汽车侧翻危险预测经验模型的输入量，确定汽车侧翻极限状态函数的显示函数，利用超曲面进而可视化地将汽车状态样本分为侧翻不安全区和侧翻安全区。

本发明技术方案的进一步改进在于：横向载荷转移率

式中，h是车辆的质心到侧倾中心距离；h_RC是车辆侧倾中心高度；d_t为车辆轮距；a_y是重心处的侧向加速度；φ是车辆簧载质量侧倾角；LTR值是在[-1,1]之间变化的一个值，车辆在良好路面上行驶时LTR为0，在极限工况时，一侧车轮抬起，此时LTR为-1或1；

所述步骤b中侧翻危险评估指标为侧翻极限状态函数R(x)

R(x)＝|LTR_max(x)|-LTR_threshold

式中，LTR_threshold为预设横向载荷转移率的阈值；LTR_max(x)为在车辆侧翻危险预测过程中横向载荷转移率的最大值，x是包含所有影响侧翻稳定性参数的n维随机变量。

本发明技术方案的进一步改进在于：所述极限状态函数的显示函数R(x)＝sgn{∑a_iy_iK(x,x_i)+b^*}

式中K(x,x_i)为核函数，a_i为拉格朗日系数，R(x)＞0时为侧翻不安全区域，R(x)＜0时为侧翻安全区域。

本发明技术方案的进一步改进在于：核函数表达式如下：

其中C即为惩罚因子，不断增大惩罚因子C的值，总能实现将样本点完全正确的分类，但是这样将会导致过拟合，泛化能力不够；为了考虑算法的泛化性能，定于惩罚因子C来控制SVM算法的复杂度；C值越大，表示对错分样本的惩罚程度越重，所构建的边界越复杂；C值越小，则表示对错分样本愈加宽容，边界复杂程度越小。

本发明技术方案的进一步改进在于：所述步骤c中随机变量选用质心高度和纵向车速。

本发明技术方案的进一步改进在于：所述步骤c中的随机变量需要经过归一化处理。

本发明技术方案的进一步改进在于：所述步骤a中选用3-DOF线性车辆模型，该3-DOF线性车辆模型包括侧倾、横摆和侧向运动，并作如下假设：

(1)模型以前轮转角作为输入；

(2)车辆的垂直运动可以忽略；

(3)忽略车辆的俯仰运动；

(4)忽略空气动力的作用；

(5)忽略载荷的变化引起轮胎特性的变化。

本发明技术方案的进一步改进在于：所述步骤a中选用Carsim中的驾驶员-车辆-道路环境模型。

由于采用了上述技术方案，本发明取得的技术进步是：

本发明的创新之处在于开发一种考虑“驾驶员-车辆-道路环境”不确定性的汽车侧翻预警方法，将考虑不确定性的概率方法运用到汽车动态侧翻预警算法设计中，系统不确定性通过随机变量建模，并是否超过临界值来评估汽车侧翻危险，降低系统强非线性和不确定性的外在干扰，有效提高车辆动态侧翻预警精度。同时，传统的汽车侧翻预测指标LTR只能通过求解耦合动力学方程计算，不能用显式函数表示，本发明利用支持向量机(SVM)理论设计经验模型，可以提供侧翻安全极限及其梯度的显式函数。本发明中经验模型即支持二分类的支持向量机分类器，车辆模型计算的侧翻危险评估指标侧翻极限状态函数R(x)，在实时计算过程中需要解微分方程，众所周知，微分方程不一定都可以得到解析解，很有可能得到近似的数值解，而且求解的实时性差，从而造成计算结果与实际值存在误差，长期以往，侧翻预警的误差积累导致预警精度大大降低。为了解决上述问题，本发明利用SVM理论建立经验模型，把侧翻危险评估指标侧翻极限状态函数R(x)进行处理，得到其显式函数，该显式函数可以实时获得一定条件下的解析解，从而保证了预警的实时性和准确性。

在其他车辆参数不变情况下，汽车质心高度、汽车纵向速度、轮胎侧偏刚度和汽车轮距依次是最影响汽车侧翻稳定性的状态和参数。由于随机变量的维数越大，后续侧翻危险预测的计算量就越大，影响算法的实时性。因此，本申请选取汽车质心高度、汽车纵向速度两个参数作为侧翻预警后续处理的二维随机变量，减少预测的计算量。

由于核函数的引入使得SVM算法可以定义任何复杂程度的边界，但存在过度拟合的风险。为了考虑算法的泛华性能，定于惩罚因子C来控制SVM算法的复杂度。C值越大，表示对错分样本的惩罚程度越重，所构建的边界越复杂。C值越小，则表示对错分样本愈加宽容，边界复杂程度越小。

附图说明

图1是本发明3-DOF车辆简化模型示意图；

图2是SVM最优分类面示意图；

图3是基于SVM的汽车侧翻预测经验模型；

图4是车辆方向盘转角示意图；

图5是车辆纵向车速示意图；

图6是车辆质心处侧向加速度示意图；

图7是车辆轮胎力示意图；

图8是车辆载荷转移率示意图；

图9是汽车侧翻危险识别示意图(4阶)；

图10是汽车侧翻危险识别示意图(5阶)；

图11汽车侧翻危险识别示意图(rbf_sigma＝0.2)；

图12汽车侧翻危险识别示意图(rbf_sigma＝0.16)。

具体实施方式

下面结合实施例对本发明做进一步详细说明：

基于SVM模型的汽车侧翻预警算法，包括以下步骤：

a，首先选用一个车辆模型用于侧翻预警控制器设计，选用Carsim建立驾驶员-车辆-道路环境模型；

b，然后确定侧翻危险评估指标；

c，接下来利用SVM算法搭建汽车侧翻危险预测经验模型，利用驾驶员-车辆-道路环境模型输出的确定性变量和随机变量作为汽车侧翻危险预测经验模型的输入量；确定汽车侧翻极限状态函数的显示函数，利用超曲面进而可视化地将汽车状态样本分为侧翻不安全区和侧翻安全区。

接下来分步进行详细介绍：

步骤a中本发明采用3-DOF线性车辆模型用于侧翻预警控制器设计。如图1所示，该3-DOF线性车辆模型包括侧倾、横摆和侧向运动，并作如下假设：

(1)模型以前轮转角作为输入；

(2)车辆的垂直运动可以忽略；

(3)忽略车辆的俯仰运动；

(4)忽略空气动力的作用；

(5)忽略载荷的变化引起轮胎特性的变化。

根据达朗伯原理，可以列出三个平衡方程：

绕Z轴的力矩平衡方程为

绕Y轴力平衡公式为

绕X轴的力矩平衡公式为

式中，m是整车质量；J_xx是整车质量绕车身重心的纵轴的转动惯量；J_xeq是整车质量绕侧倾轴的转动惯量；J_zz是整车质量绕Z轴的转动惯量。l_v是整车重心纵向至前轴的距离；l_h是整车重心纵向至后轴的距离；a_y是车辆的侧向加速度；ψ是车辆的航向角；φ是车辆的侧倾角；V_x,V_y分别是车辆的纵向和侧向车速；车辆前、后轮胎的侧向力分别定义为F₁₂和F₃₄；前、后轮胎侧偏角分别定义为α₁₂和α₃₄；前、后轮胎的侧偏刚度分别定义为C_v和C_h；h为重心到侧倾中心的距离；k为悬架侧倾刚度；c为悬架阻尼系数。同时，满足

F₁₂＝C_vα₁₂ (4)

F₃₄＝C_hα₃₄ (5)

J_xeq＝J_xx+mh² (6)

在小轮胎侧偏角下满足几何关系

得到3-DOF车辆简化模型的运动微分方程，并写成状态方程形式

式中，定义

其中步骤b需要确定侧翻危险评估指标；

2009年，Tsourapas,V.提出通过依据实际车辆横向载荷转移率来进行侧翻危险判据的算法。车辆的侧倾稳定性可以通过横向载荷转移率LTR(Load Transfer Ratio)这个指标来动态反映。

LTR简单定义为：车辆两侧车轮上的垂直载荷之差与垂直载荷之和的比值。如下式所示：

式中，FL_i和FR_i分别为车辆左右车轮上的垂直载荷；i和n分别为轴的位置和总的车轴数。

Miege提出一套横向载荷转移率LTR的算法，在试验车上进行侧倾稳定性控制，其中LTR可以改写成：

式中，h是车辆的质心到侧倾中心距离；h_RC是车辆侧倾中心高度；d_t为车辆轮距；a_y是重心处的侧向加速度；φ是车辆簧载质量侧倾角。

综上所示，LTR值是在[-1,1]之间变化的一个值，车辆在良好路面上行驶时LTR为0。在极限工况时，一侧车轮抬起，此时LTR为-1或1。

本研究定义侧翻危险评估指标为：侧翻极限状态函数R(x)。该指标可有效定义出侧翻危险的安全边界，即在侧翻危险区域，此函数为正值；在侧翻安全区域，此函数为负值。具体定义如下：

R(x)＝|LTR_max(x)|-LTR_threshold (16)

式中，LTR_threshold为预设横向载荷转移率的阈值；LTR_max(x)为在车辆侧翻危险预测过程中横向载荷转移率的最大值。x是包含所有影响侧翻稳定性参数的n维随机变量。

为了找到最影响侧翻稳定性的汽车状态和参数，众多研究人员进行了大量的研究工作。研究^[26]发现：在其他车辆参数不变情况下，汽车质心高度、汽车纵向速度、轮胎侧偏刚度和汽车轮距依次是最影响汽车侧翻稳定性的状态和参数。由于随机变量的维数越大，后续侧翻危险预测的计算量就越大，影响算法的实时性。因此，本研究选取汽车质心高度、汽车纵向速度两个参数作为侧翻预警后续处理的二维随机变量。

步骤c中进行SVM经验模型的搭建，首先介绍一下SVM算法，支持向量机(SupportVector Machine,SVM)是Vapnik等人于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势。支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折中。支持向量机分类模型的思想是基于结构化风险最小化原理，与传统神经网络模型不同，SVM模型寻求的是最小化泛化误差的上界，而不是经验误差。SVM算法具有很强的非线性分类能力，可用于分类与回归，尤其作为一种较好的分类工具在模式识别等领域得到广泛的应用。

本研究采用二分类支持向量机算法。两类训练样本分别为侧翻危险区域点(unsafe)和车辆安全区域点(safe)，SVM的最优分类面就是要求分类线不但能将两类样本点正确分开，即训练错误率为0，且使得分类间隔(margin)最大。如图2所示，H为把两类正确分开的分类线，H₁和H₂为过两类中距离H最近的点，且平行于H的直线，则margin即为H₁和H₂之间的垂直距离，图中红色和蓝色点为支持向量(Support Vectors),亦是距离最优分类面最近的点。

二分类支持向量机算法如下：训练数据集为(x₁,y₁),(x₂,y₂),…(x_n,y_n),x∈Rⁿ,y∈{+1,-1}。线性判别函数为：

g(x)＝(w^Tx)+b (17)

将判别函数进行归一化，使两类所有的样本都满足|g(x)|≥1，使y＝-1时，g(x)≤-1；y＝1时，g(x)≥1。其中离分类面最近的样本|g(x)|＝1。

研究的目标是求分类间隔最大的决策面，首先要求出分类间隔margin，因为距离分类面最近的样本满足|g(x)|＝1，因此定义margin分类间隔为：

若求margin的最大值，即求||w||或||w||²的最小值，因此最优分类面问题可以表示为如下的优化问题：

上述优化问题是一个典型的条件极值问题，可以使用拉格朗日乘数法求解。构造Lagrange函数：

式中，a_i为拉格朗日系数，即对w和b求Lagrange函数的极小值。将L对w和b求偏导数并令其为零可得：

带入L关于w的最优解，就可以得到L关于w和b的最优解

满足上述公式最优解的w^*和b^*需要满足：

对于多数样本，它们不在离分类面最近的直线上，即y_i[(w^Tx)+b]-1＞0，一定有对应的a_i＝0；只有少数边界上的数据点(支持向量)才满足：

步骤c中需要确定汽车侧翻极限状态函数的显示函数，

支持向量只是全体样本的很小部分，相对于原始问题大大减少了计算的复杂度，最终获得上述问题的最优分类函数(极限状态函数的显式函数)

R(x)＝sgn{(w^*.x)+b^*}＝sgn{∑a_iy_i(x_i.x)+b^*} (25)

其中，sgn()为符号函数。由于非支持向量对应的a_i都为0，因此上式中的求和实际上只对支持向量进行。

对于非线性问题，SVM设法通过非线性变换转化为另一空间中的线性问题。这种非线性变换可以通过定义适当的内积函数(核函数)来实现。目前常用的核函数主要有多项式核、径向基核和Sigmoid核等，其参数的选择对最终辨识结果影响也很大。上述公式(25)对应核函数的最优分类函数(极限状态函数的显式函数)可以表示为：

R(x)＝sgn{∑a_iy_iK(x,x_i)+b^*} (26)

式中K(x,x_i)为核函数。

具体SVM推导过程和公式如下：

1)设已知训练集：

T＝{(x₁,y₁),…,(x_l,y_l)}∈(X×Y)^l

其中：x_i∈X＝Rⁿ,y_i∈Y＝{1,-1}(i＝1,2,…,l)，x_i为特征向量

2)选取适当的核函数K(x,x')和适当的惩罚系数C，构造并求解最优化问题：

得到最优解：

3)选取α^*的一个正分量0＜α_j＜C，并据此计算阈值

4)构造出新的侧翻极限状态函数R(x)如下

R(x)＝sgn{∑a_iy_iK(x,x_i)+b^*}

由于核函数的引入使得SVM算法可以定义任何复杂程度的边界，但存在过度拟合的风险。为了考虑算法的泛华性能，定于惩罚因子C来控制SVM算法的复杂度。C值越大，表示对错分样本的惩罚程度越重，所构建的边界越复杂。C值越小，则表示对错分样本愈加宽容，边界复杂程度越小。

总体来讲，需要利用SVM算法搭建汽车侧翻危险预测经验模型，该经验模型的本质即为一个二分类支持向量机分类器，确定汽车侧翻极限状态函数的显式函数，即定义一个超曲面尽可能逼近汽车侧翻危险区域和安全区域之间的分隔面，将源源不断的汽车状态样本分隔成两个不同区域：侧翻不安全区域(R(x)＞0：safe)和侧翻安全区域(R(x)＜0：Unsafe)。该经验模型如图3所示，本文选用Carsim中的驾驶员-车辆-道路环境模型，并利用其输出的两类变量(确定性变量和随机变量)作为汽车侧翻危险预测经验模型的输入量。其中的随机变量为与汽车侧翻关系最为密切的质心高度、纵向车速。在经过输入变量的归一化处理后，通过SVM分类算法判定侧翻极限状态函数的符号，利用超曲面进而可视化地界定出汽车侧翻安全区域和不安全区域。经过大量样本的离线训练，训练好的基于SVM的汽车侧翻预测经验模型可以用于汽车侧翻状态在线预警控制。

最后通过仿真软件进行仿真分析，探索SVM模型参数对预测结果的影响。为了验证上述汽车侧翻危险预测模型的正确性，本文利用美国MechanicalSimulation公司整车仿真软件Carsim进行了某款SUV运动型多用途车鱼钩工况下的侧翻预警仿真分析。

SUV车辆模型的主要参数如表1所示：

表1 SUV车辆模型主要参数

本发明某SUV汽车侧翻仿真工况选用美国交通安全局(NHTSA)的动态翻滚鱼钩(fish-hook)试验来评价SVM侧翻预测经验模型的正确性。车辆的初始车速为80km/h，道路附着系数设置为0.85。在测试过程中，车辆的方向盘转角输入如图4所示，车辆的纵向车速变化如图5所示，车辆质心处的侧向加速度变化情况如图6所示，四个车轮的轮胎力变化及车辆载荷转移情况如图7和图8所示。

如图4所示，在测试工况初始位置处，驾驶员迅速进行294度左转向，然后再进行588度右转向回调操作，在此过程中，车辆的纵向车速变化如图5所示，质心处的侧向加速度变化如图6所示，测试工况中最大侧向加速度达到0.8g以上；车辆四个车轮的受力曲线如图7所示，车辆左侧两车轮的轮胎力迅速增大至8000N以上，而右侧两车轮的轮胎力降低至500N左右。整个仿真工况的车辆载荷转移率变化情况如图8所示，在2-6s车辆急转向过程，车辆的载荷转移率接近0.8左右，即车辆转向过程中，右侧轮胎力大部分转移到左侧轮胎，车轮即将抬起的临界状态，此时车辆侧翻稳定性极差。

SVM侧翻危险经验模型用来评价SUV汽车侧翻危险，并利用可视化的超曲面界定出侧翻危险和安全区域，为后续汽车侧翻预警奠定基础。

本文中选用车辆纵向车速和质心高度作为模型的两个随机输入变量，样本的输入空间定义如下：

Γ＝{x＝(V,h)；V∈[-20km/h,80km/h],h∈[0.672m,0.688m]} (26)

另外，在进行SVM模型算法计算之前，必须将上述两个随机变量向量进行归一化(Normalization method)处理，使其取值范围属于[-1,+1],从而加速最优解的求解速度。汽车侧翻危险经验模型中侧翻极限状态函数R(x)中载荷转移率阈值LTR_threshold设置为0.6。

为了验证SVM模型参数对侧翻危险预测结果的影响，本文在选择SVM算法中的核函数时分别选择多项式核和径向基核等两种核函数进行侧翻危险预测结果对比。

多项式核SVM模型

在该算法中，为了解析的描述侧翻危险极限状态，定义了若干多阶多项式核函数，同时选取不同的惩罚因子C进行验证。

(1)4阶多项式核函数，惩罚因子C＝1；

(2)5阶多项式核函数，惩罚因子C＝1；

由图9可知，该SVM经验模型选择4阶多项式核函数，惩罚因子C＝1，模型识别结果出现1个错误样本；当SVM经验模型选择5阶多项式核函数，惩罚因子C＝1，模型识别正确率达到100％。可见，增大多项式核函数的阶数，有利于模型的识别精度的提高。同时，上述经验模型中圆圈标注的样本即为选定的支持向量，可以发现基于多项式核SVM模型选用较少的支持向量就可以进行可视化的侧翻危险分类识别，而且识别率较好。

径向基核函数SVM模型

在该算法中，同样为了解析的描述侧翻危险极限状态，定义了若干径向基系数不同的核函数进行验证。

(1)径向基系数rbf_sigma＝0.2；

(2)径向基系数rbf_sigma＝0.16；

由图11可知，选用径向基系数为0.2的SVM经验模型，模型识别结果也出现了一个错误样本；将模型径向基系数设置为0.16后，模型的识别正确率达到100％。可见，减小径向基系数，可以有效提升模型识别的正确率。同时，图11-12中圆圈标注的样本即为选定的支持向量，与多项式基SVM经验模型相对比，径向基SVM经验模型选用的支持向量数目远大于多项式基SVM经验模型。

上述基于两种不同核函数搭建的SVM侧翻危险预警经验模型均可以有效进行SUV汽车侧翻危险和安全样本的快速识别及分类，并可视化的界定出侧翻安全区域和危险区域，模型识别正确率与SVM经验模型的参数选取密切相关。仿真结果表明：相对高阶多项式核函数和正确的径向基系数选取合适的SVM经验模型，可以保证很高的样本识别正确率。一旦离线训练好上述的基于SVM经验模型的各项参数后，该模型完全可以应用到汽车侧翻预警控制领域。同时，基于SVM经验模型的侧翻预警算法可以降低系统强非线性和不确定性的外在干扰。

综上所述，本文考虑驾驶员-车辆-道路交互的强非线性和测量建模的不确定性，提出基于SVM经验模型的车辆侧翻预警算法。结果表明，SVM侧翻危险预警经验模型可以有效进行某SUV汽车侧翻危险和安全样本的快速识别及分类，并可视化的界定出汽车侧翻安全区域和危险区。其中，基于多项式核SVM模型选用较少的支持向量就可以进行可视化的侧翻危险分类识别，而且识别率较好。径向基SVM经验模型选用的支持向量数目远大于多项式基SVM经验模型。

杂耦合动力系统：驾驶员-车辆-道路系统下的车辆侧翻危险评估一直以来都是研究难点。本文引入SVM算法，根据系统不确定性和参数变化，提供了汽车侧翻安全极限函数的显式函数及其梯度，通过训练样本确定SVM经验模型参数，并进行了模型参数变化对识别正确率的影响研究，找到提升经验模型识别能力的方法。

在以后的研究工作，作者将集中于以下方面：增加与汽车侧翻紧密相关的随机变量数目，讨论本算法在扩展随机变量数目下的计算效率、实时性及识别正确率；将本算法应用到重型载货车辆上，实现重型载货车辆侧翻预警控制。本文的研究结果对设计和应用汽车侧翻预警控制器均具有极强的指导意义和参考价值。

Claims (4)

1.基于SVM模型的汽车侧翻预警算法，其特征在于包括以下步骤：

a，首先选用一个车辆模型用于侧翻预警控制器设计，建立驾驶员-车辆-道路环境模型；

b，然后确定侧翻危险评估指标；

c，接下来利用SVM算法搭建汽车侧翻危险预测经验模型，利用驾驶员-车辆-道路环境模型输出的确定性变量和随机变量作为汽车侧翻危险预测经验模型的输入量，确定汽车侧翻极限状态函数的显示函数，利用超曲面进而可视化地将汽车状态样本分为侧翻不安全区和侧翻安全区；

横向载荷转移率

式中，h是车辆的质心到侧倾中心距离；h_RC是车辆侧倾中心高度；d_t为车辆轮距；a_y是重心处的侧向加速度；φ是车辆簧载质量侧倾角；LTR值是在[-1,1]之间变化的一个值，车辆在良好路面上行驶时LTR为0，在极限工况时，一侧车轮抬起，此时LTR为-1或1；

所述步骤b中侧翻危险评估指标为侧翻极限状态函数R(x)

R(x)＝|LTR_max(x)|-LTR_threshold

式中，LTR_threshold为预设横向载荷转移率的阈值；LTR_max(x)为在车辆侧翻危险预测过程中横向载荷转移率的最大值，x是包含所有影响侧翻稳定性参数的n维随机变量；

所述极限状态函数的显示函数R(x)＝sgn{∑a_iy_iK(x,x_i)+b^*}

式中K(x,x_i)为核函数，a_i为拉格朗日系数，R(x)＞0时为侧翻不安全区域，R(x)＜0时为侧翻安全区域；

核函数表达式如下：

其中C即为惩罚因子，不断增大惩罚因子C的值，总能实现将样本点完全正确的分类，但是这样将会导致过拟合，泛化能力不够；为了考虑算法的泛化性能，定于惩罚因子C来控制SVM算法的复杂度；C值越大，表示对错分样本的惩罚程度越重，所构建的边界越复杂；C值越小，则表示对错分样本愈加宽容，边界复杂程度越小；

所述步骤c中随机变量选用质心高度和纵向车速。

2.根据权利要求1所述的基于SVM模型的汽车侧翻预警算法，其特征在于：所述步骤c中的随机变量需要经过归一化处理。

3.根据权利要求1所述的基于SVM模型的汽车侧翻预警算法，其特征在于：所述步骤a中选用3-DOF线性车辆模型，该3-DOF线性车辆模型包括侧倾、横摆和侧向运动，并作如下假设：

(1)模型以前轮转角作为输入；

(2)车辆的垂直运动可以忽略；

(3)忽略车辆的俯仰运动；

(4)忽略空气动力的作用；

(5)忽略载荷的变化引起轮胎特性的变化。

4.根据权利要求1所述的基于SVM模型的汽车侧翻预警算法，其特征在于：所述步骤a中选用Carsim中的驾驶员-车辆-道路环境模型。

Images