CN110126844A - 一种用于汽车防侧翻的ecas系统自适应控制方法 - Google Patents
一种用于汽车防侧翻的ecas系统自适应控制方法 Download PDFInfo
- Publication number
- CN110126844A CN110126844A CN201910416040.7A CN201910416040A CN110126844A CN 110126844 A CN110126844 A CN 110126844A CN 201910416040 A CN201910416040 A CN 201910416040A CN 110126844 A CN110126844 A CN 110126844A
- Authority
- CN
- China
- Prior art keywords
- data
- parameter
- car
- neuron
- ecas system
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000003044 adaptive effect Effects 0.000 claims abstract description 20
- 238000005070 sampling Methods 0.000 claims abstract description 14
- 230000000306 recurrent effect Effects 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 5
- 238000012546 transfer Methods 0.000 claims abstract description 4
- 210000002569 neuron Anatomy 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 18
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 4
- KUEUWHJGRZKESU-UHFFFAOYSA-N Niceritrol Chemical compound C=1C=CN=CC=1C(=O)OCC(COC(=O)C=1C=NC=CC=1)(COC(=O)C=1C=NC=CC=1)COC(=O)C1=CC=CN=C1 KUEUWHJGRZKESU-UHFFFAOYSA-N 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 238000012360 testing method Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract 1
- 230000001105 regulatory effect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 239000003381 stabilizer Substances 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241000208340 Araliaceae Species 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000006748 scratching Methods 0.000 description 1
- 230000002393 scratching effect Effects 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0098—Details of control systems ensuring comfort, safety or stability not otherwise provided for
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Feedback Control In General (AREA)
- Vehicle Body Suspensions (AREA)
Abstract
本发明公开了一种用于汽车防侧翻的ECAS系统自适应控制方法。首先,采集离线数据,搭建并训练用于预测汽车侧翻时间的改进型门控循环神经网络;然后,以一定采样周期采集汽车行驶状态数据并进行滤波处理;再以一定更新周期,用预先训练的改进型门控循环神经网络进行汽车侧翻时间预测,进而更新自适应PD控制器的比例系数;同时,以一定控制周期计算汽车横向负载转移比,并得到和设定值之间的偏差,偏差再输入所述自适应PD控制器进行控制输出;最后,汽车ECAS系统电磁阀根据所述自适应PD控制器的输出调节气囊高度。本发明模型和参数可自调节,达到较好的防侧翻效果;同时适用于诸多车型,进而减少测试工程师工作量,提高了汽车装载ECAS系统的效率。
Description
技术领域
本发明涉及气控技术领域,具体涉及一种用于汽车防侧翻的ECAS系统自适应控制方法。
背景技术
随着汽车产业的发展,广大民众对于汽车的各个方面都提出了越来越高的要求。其中汽车安全性是一个最重要的方面,所有的汽车技术都要首先考虑安全性。在汽车安全性能中,防侧翻技术是较为重要的一个。
现有文献和实际工程中的防侧翻的技术主要是基于机械原理的主动横向稳定杆防侧翻方法和基于差动制动技术的汽车防侧翻方法。
如在公布专利[CN205615298U]中公布了一种汽车防侧翻系统,通过设置在前桥和后桥上的横向稳定杆总成,可以抵消由车轮悬架相对于汽车车型的相反运动,从而实现防侧翻。但是存在一些问题,主动横向稳定杆增加了汽车重量,进而导致汽车耗能增加,而且主动横向稳定杆作为一种机械结构,容易造成震动损坏。
ECAS系统广泛应用于汽车,主要应用于提高汽车舒适度,升降汽车车架实现避开坑洼或者降低重心的等功能。ECAS系统应用于防侧翻的技术还不够成熟。
发明内容
本发明针对现有技术的不足,提出了一种用于汽车防侧翻的ECAS系统自适应控制方法;本发明可以实现PD控制器的比例系数Kp自整定,做到一个模型适用于诸多车型,进而降低测试工程师工作量,同时提高了汽车装载ECAS系统的效率,同时提高防侧翻适应能力。
本发明采用的技术方案如下:一种用于汽车防侧翻的ECAS系统自适应控制方法,该方法包括如下步骤:
步骤一,离线采集N种汽车行驶状态数据、汽车侧翻时间参数(TTR,Time ToRollover)对;搭建并训练多个门控循环神经网络(GRU,Gated Recurrent Unit)融合后的改进型门控循环神经网络模型;
步骤二,以一定采样周期,同时采集N种汽车行驶状态数据,滤波处理后作为汽车行驶状态时间序列数据存储;
步骤三,以一定更新周期,通过预先训练的改进型门控循环神经网络模型处理汽车行驶状态时间序列数据,进行TTR参数预测,再将TTR参数输入比例参数模型得到自适应PD控制器的比例系数Kp;
步骤四,以一定控制周期,计算所述汽车行驶状态时间序列数据的汽车横向负载转移比(LTR,Lateral-load Transfer Ratio)参数,并得到LTR参数与设定值的偏差,偏差经过死区函数处理后输入自适应PD控制器进行控制输出;
步骤五,汽车ECAS系统电磁阀根据自适应PD控制器的输出调节气囊高度,控制汽车左右两侧高度。
进一步地,所述汽车行驶状态数据包括但不限于方向盘角度数据、加速度数据、车胎压力数据、ECAS系统气囊压力数据。
进一步地,所述改进型门控循环神经网络模型包括依次连接的输入层、N个并联的门控循环神经元和神经元连接层,神经元连接层输出最终的TTR参数。
进一步地,所述比例系数模型公式为:
Kp=K0+α/(TTR+ε)
其中,K0为比例系数基值,α为反向比,ε为最小分母。
进一步地,所述LTR参数的计算公式为:
LTR=(Flw+Fla-Frw-Fra)/(Flw+Fla+Frw+Fra)
其中,Flw和Frw分别为车胎压力数据的左右两侧压力,Fla和Fra分别为ECAS系统气囊压力数据的左右两侧压力。
进一步地,每个门控循环神经元的循环运算包括以下三个步骤:
步骤一,上个循环的隐状态数据h(k-1)元素乘重置系数r(k),得到重置隐状态数据h′r(k-1),公式为:
h′r(k-1)=h(k-1)⊙r(k)
其中,重置系数r(k)公式为:
其中,Wr、br为门控循环神经元的训练参数,X(k)为本次循环输入的汽车行驶状态数据;
步骤二,将隐状态数据h′r(k-1)和本次循环输入数据X(k)进行拼接,得到拼接隐状态数据h′c(k-1),公式为:
其中,Wc、bc为门控循环神经元的训练参数;
步骤三,根据隐状态数据h(k-1)、拼接隐状态数据h′c(k-1)和更新系数u(k),得到本次循环的隐状态数据h(k),公式为:
h(k)=u(k)⊙h(k-1)+(1-u(k))⊙h′c(k-1)
其中,更新系数u(k)公式为:
其中,Wu、bu为门控循环神经元的训练参数。
进一步地,所述神经元连接层将所有门控循环神经元最终隐状态数据向量
H(k)加权和映射到范围为(0,N),得到预测输出y,公式为:
y=N·sigmoid(Wo·H(k)+bo)
其中,N、Wo、bo为门控循环神经元的训练参数。
H(k)=[h1(k),h2(k),…,hn(k)]T
其中,hi(k)表示第i个门控循环神经元最终隐状态数据。
本发明的有益效果是:本发明利用汽车上现成的ECAS系统,节省防侧翻成本;改进型GRU处理多个传感器数据防止单个传感器由于损坏等问题造成的汽车无法正常工作;本发明不存在结构损坏的问题,且在弯道处能以更高的速度行驶,而不会导致侧翻。
附图说明
图1是本发明的自适应控制方法结构框图;
图2是本发明的自适应控制方法流程图;
图3是本发明的改进型GRU模型框图;
图4是本发明的门控循环神经元框图;
图5是本发明的sigmoid函数曲线图;
图6是本发明的tanh函数曲线图;
图7是本发明的改进型GRU模型训练流程图。
具体实施方式
下面结合附图对本发明作进一步的说明。
如图1所示,本发明总体结构主要包括LTR设定值101、误差计算单元102、LTR计算单元103、死区函数104、自适应PD控制器105、比例参数模型106、改进型GRU模型107、存储器108、控制对象109和预处理模块110。本发明方法主要包括以下步骤:
步骤一,离线采集N种(必须包括车胎压力数据和ECAS系统气囊压力数据,另外可以取方向盘角度数据、加速度数据)汽车行驶状态数据、TTR参数对;搭建并训练多个门控循环神经网络融合后的改进型门控循环神经网络模型,即改进型GRU模型107;
步骤二,以一定采样周期(可以取1ms),同时采集N种汽车行驶状态数据,滤波处理后存储至存储器108作为汽车行驶状态时间序列数据;
步骤三,以一定更新周期(一般大于采样周期,可以取100ms),通过预先训练的改进型GRU模型107处理存储器108内的汽车行驶状态时间序列数据,进行TTR参数预测,再将TTR参数输入比例参数模型106得到自适应PD控制器的比例系数Kp。比例参数模型106具体公式为:
Kp=K0+α/(TTR+ε)
其中,K0为比例系数基值;α为反向比;ε为最小分母。以TTR参数单位是“秒”,控制器输出是高度增量(厘米)为例,K0可以取2,α可以取4,ε可以取0.05。
步骤四,以一定控制周期(大于或者等于采样周期,可以取1ms),利用LTR计算单元103根据存储器108存储的汽车行驶状态时间序列数据中最新的车胎压力和气囊压力数据,计算LTR参数,并通过误差计算单元102得到LTR参数与设定值的偏差,偏差经过死区函数104过滤微弱误差再输入自适应PD控制器105,防止气囊频繁进出气。LTR设定值101一般可以设置为0,即目标为左右两侧负载相同。
步骤五,汽车ECAS系统电磁阀根据自适应PD控制器的输出调节气囊高度,控制汽车左右两侧高度。控制方法为左右两侧电磁阀单独根据自适应PD控制器进行控制,例如右侧气囊进气和自适应PD控制器输出正相关,左侧气囊进气和自适应PD控制器输出负相关,如果自适应PD控制器输出正,则右侧气囊进气,左侧气囊出气;自适应PD控制器输出负,则右侧气囊出气,左侧气囊进气。与此同时,气囊本身高度有限,同时为了防止剐蹭,气囊高度受到一定限制。
如图2所示,本发明控制流程主要分为三个分时进行的流程和结束判断流程204:
流程201,以一定采样周期(可以取1ms)采集汽车行驶状态数据,预处理后存储器108丢弃最旧一个数据,加入新的汽车行驶状态数据,作为汽车行驶状态时间序列数据。
流程202,以一定控制周期(大于或者等于采样周期,可以取1ms)对最新的车胎压力和气囊压力进行汽车LTR参数计算,并得到LTR参数的偏差ERR,偏差ERR经过死区函数处理后输入所述自适应PD控制器进行控制输出。最后,汽车ECAS系统电磁阀根据所述自适应PD控制器的输出调节气囊高度,控制汽车左右两侧高度。
流程203,以一定更新周期(一般大于采样周期,可以取60ms)从所述汽车行驶状态时间序列数据中读取所述更新周期内的汽车行驶状态时间序列数据,然后通过预先训练的改进型GRU模型,进行汽车TTR参数预测,进而输入比例参数模型得到所述比例系数Kp。最后,将所述比例系数Kp作为新的自适应控制器比例参数。
三个流程中每个结束后都需要进行结束判断流程204,如果结束则退出该方法的程序,否则继续以相应的周期循环运行。
如图3所示,本发明的改进型GRU模型运行过程包括两个,循环计算门控循环神经元得隐状态数据和映射函数融合N维隐状态数据向量。以N取4,即采集方向盘角度数据X1、加速度数据X2、车胎压力数据X3、ECAS系统气囊压力数据X4这4种汽车状态数据为例。第一次循环过程301,输入第一次汽车行驶状态数据X1(1)、X2(1)、X3(1)、X4(1)和初始化隐状态数据h1(0)、h2(0)、h3(0)、h4(0)(可以取一个接近0的小数,如0.01),经过门控循环神经元处理输出得到隐状态数据h1(1)、h2(1)、h3(1)、h4(1)。然后,门控循环神经元重复上述操作,循环输入汽车行驶状态时间序列数据。以此类推,到达第k次循环过程302,汽车行驶状态时间序列数据中的第k个采样周期的4种汽车状态数据经过4个GRU得到隐状态数据h1(k)、h2(k)、h3(k)、h4(k)。循环次数k即为汽车行驶状态时间序列数据个数,如共采样得到100个时间点的汽车行驶状态时间序列数据,则门控循环神经元循环计算100次。最后,最新的隐状态数据输入到映射函数303进行融合,公式为,
y=N·sigmoid(Wo·H(k)+bo)
其中,N、Wo、bo为门控循环神经元的训练参数。
H(k)=[h1(k),h2(k),h3(k),h4(k)]T
其中,hi(k)表示第i个门控循环神经元最终隐状态数据,如h2(k)表示第2个门控循环神经元最终隐状态数据。
映射函数将4维隐状态数据H(k)映射到1维,并限制输出为(0,N)。保证更新比例参数Kp时分母不为零,同时Kp不会小于0。
如图4所示,本发明的单个门控循环神经元包括三个步骤:
步骤一,上个循环的隐状态数据h(k-1)元素乘重置系数r(k),得到重置隐状态数据h′r(k-1),公式为,
h′r(k-1)=h(k-1)⊙r(k)
其中,⊙表示元素乘,重置系数r(k)公式对应图中的Op1,具体为,
其中,Wr、br为门控循环神经元的训练参数,X(k)为本次循环输入的汽车行驶状态数据。Wr、br行数和X(k)或者h(k-1)相同,为1;Wr列数为X(k)行数和h(k-1)行数之和,br列数为1。
步骤二,所述隐状态数据h′r(k-1)和本次循环输入数据X(k)进行拼接,得到拼接隐状态数据h′c(k-1),公式对应图中的Op3,具体为,
其中,Wc、bc为门控循环神经元的训练参数。Wc、bc行数和X(k)或者h′r(k-1)相同,为1;Wc列数为X(k)行数和h(k-1)行数之和,bc列数为1。
步骤三,所述隐状态数据h(k-1)和所述拼接隐状态数据h′c(k-1)元素乘更新系数u(k),更新得到本次循环的隐状态数据h(k),公式为,
h(k)=u(k)⊙h(k-1)+(1-u(k))⊙h′c(k-1)
其中,更新系数u(k)公式对应图中的Op2,具体为,
其中,Wu、bu为门控循环神经元的训练参数。Wu、bu行数和X(k)或者h(k-1)相同,为1;列数为X(k)行数和h(k-1)行数之和,bu列数为1。
最后输出h(k)。
如图5所示,本发明使用一个sigmoid函数,取值范围(0,1),具体公式为,
f(x)=1/(1+e-x)
如图6所示,本发明使用一个tanh函数,取值范围(-1,1),具体公式为,
f(x)=(ex-e-x)/(ex+e-x)
如图7所示,本发明使用高性能计算机进行改进型GRU模型107的训练,主要包括四个步骤:
步骤301,离线采集多个汽车行驶状态数据、TTR参数对。每次实验进行一个急转弯,最后造成TTR为0。在此过程中,以一定采样周期进行多个汽车行驶状态数据记录,直到TTR参数为0时停止实验。TTR参数为0时作为基准,利用采样周期反推所述每组多个采集的汽车行驶状态数据的TTR参数,即相邻的TTR参数相差一个采样周期。
步骤302,在高性能计算机内搭建改进型GRU模型。
步骤303,在高性能计算机利用参数优化器进行参数训练训练,参数优化器包括但不限于随机梯度下降法、RMSProp方法、Adam方法。
步骤304,高性能计算机生成优化后的改进型GRU模型参数,供车载控制器搭建改进型GRU模型。
本发明利用汽车上现成的ECAS系统,节省防侧翻成本;改进型GRU处理多个传感数据防止单个传感器损坏造成的汽车无法正常工作;相对于基于机械原理的主动横向稳定杆防侧翻方法,不存在结构损坏的问题;相对于基于差动制动技术的汽车防侧翻方法,在弯道能以更高的速度行驶,而不会导致侧翻。
应当理解的是,本公开并不局限于上面已经描述并在附图中体现的精确结构,并且可以在不脱离其范围进行各种修改。本公开的范围仅由所附的权利要求来限制。
Claims (7)
1.一种用于汽车防侧翻的ECAS系统自适应控制方法,其特征在于,包括如下步骤:
步骤一,离线采集N种汽车行驶状态数据、汽车侧翻时间参数TTR对;搭建并训练多个门控循环神经网络GRU融合后的改进型门控循环神经网络模型;
步骤二,以一定采样周期,同时采集N种汽车行驶状态数据,滤波处理后作为汽车行驶状态时间序列数据存储;
步骤三,以一定更新周期,通过预先训练的改进型门控循环神经网络模型处理汽车行驶状态时间序列数据,进行TTR参数预测,再将TTR参数输入比例参数模型得到自适应PD控制器的比例系数Kp;
步骤四,以一定控制周期,计算所述汽车行驶状态时间序列数据的汽车横向负载转移比LTR参数,并得到LTR参数与设定值的偏差,偏差经过死区函数处理后输入自适应PD控制器进行控制输出;
步骤五,汽车ECAS系统电磁阀根据自适应PD控制器的输出调节气囊高度,控制汽车左右两侧高度。
2.根据权利要求1所述的一种用于汽车防侧翻的ECAS系统自适应控制方法,其特征在于,所述汽车行驶状态数据包括但不限于方向盘角度数据、加速度数据、车胎压力数据、ECAS系统气囊压力数据。
3.根据权利要求1所述的一种用于汽车防侧翻的ECAS系统自适应控制方法,其特征在于,所述改进型门控循环神经网络模型包括依次连接的输入层、N个并联的门控循环神经元和神经元连接层,神经元连接层输出最终的TTR参数。
4.根据权利要求1所述的一种用于汽车防侧翻的ECAS系统自适应控制方法,其特征在于,所述比例系数模型公式为:
Kp=K0+α/(TTR+ε)
其中,K0为比例系数基值,α为反向比,ε为最小分母。
5.根据权利要求1所述的一种用于汽车防侧翻的ECAS系统自适应控制方法,其特征在于,所述LTR参数的计算公式为:
LTR=(Flw+Fla-Frw-Fra)/(Flw+Fla+Frw+Fra)
其中,Flw和Frw分别为车胎压力数据的左右两侧压力,Fla和Fra分别为ECAS系统气囊压力数据的左右两侧压力。
6.根据权利要求3所述的一种用于汽车防侧翻的ECAS系统自适应控制方法,其特征在于,每个门控循环神经元的循环运算包括以下三个步骤:
步骤一,上个循环的隐状态数据h(k-1)元素乘重置系数r(k),得到重置隐状态数据h′r(k-1),公式为:
h′r(k-1)=h(k-1)⊙r(k)
其中,重置系数r(k)公式为:
其中,Wr、br为门控循环神经元的训练参数,X(k)为本次循环输入的汽车行驶状态数据;
步骤二,将隐状态数据h′r(k-1)和本次循环输入数据X(k)进行拼接,得到拼接隐状态数据h′c(k-1),公式为:
其中,Wc、bc为门控循环神经元的训练参数;
步骤三,根据隐状态数据h(k-1)、拼接隐状态数据h′c(k-1)和更新系数u(k),得到本次循环的隐状态数据h(k),公式为:
h(k)=u(k)⊙h(k-1)+(1-u(k))⊙h′c(k-1)
其中,更新系数u(k)公式为:
其中,Wu、bu为门控循环神经元的训练参数。
7.根据权利要求3所述的一种用于汽车防侧翻的ECAS系统自适应控制方法,其特征在于,所述神经元连接层将所有门控循环神经元最终隐状态数据向量H(k)加权和映射到范围为(0,N),得到预测输出y,公式为:
y=N·sigmoid(Wo·H(k)+bo)
其中,N、Wo、bo为门控循环神经元的训练参数。
H(k)=[h1(k),h2(k),...,hn(k)]T
其中,hi(k)表示第i个门控循环神经元最终隐状态数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910416040.7A CN110126844B (zh) | 2019-05-19 | 2019-05-19 | 一种用于汽车防侧翻的ecas系统自适应控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910416040.7A CN110126844B (zh) | 2019-05-19 | 2019-05-19 | 一种用于汽车防侧翻的ecas系统自适应控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110126844A true CN110126844A (zh) | 2019-08-16 |
CN110126844B CN110126844B (zh) | 2021-06-04 |
Family
ID=67571529
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910416040.7A Active CN110126844B (zh) | 2019-05-19 | 2019-05-19 | 一种用于汽车防侧翻的ecas系统自适应控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110126844B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112677983A (zh) * | 2021-01-07 | 2021-04-20 | 浙江大学 | 一种识别驾驶员驾驶风格的系统 |
CN113771864A (zh) * | 2021-06-18 | 2021-12-10 | 湖南大学 | 一种基于人工智能的新能源车辆侧翻预警方法 |
CN114030333A (zh) * | 2021-12-13 | 2022-02-11 | 珠海格力电器股份有限公司 | 一种基于域控制架构确定车辆标定高度的方法及装置 |
CN114154227A (zh) * | 2021-10-18 | 2022-03-08 | 瑞立集团瑞安汽车零部件有限公司 | 一种重型挂车制动过程自适应学习方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030158633A1 (en) * | 2002-02-15 | 2003-08-21 | Schubert Peter J. | Vehicle rollover detection having variable sensitivity |
JP2005225284A (ja) * | 2004-02-10 | 2005-08-25 | Honda Motor Co Ltd | 車両横転判断システム |
EP1820701A1 (de) * | 2006-02-21 | 2007-08-22 | Robert Bosch Gmbh | Vorrichtung zur Ansteuerung von Überrollschutzmitteln in einem Fahrzeug |
CN102501820A (zh) * | 2011-11-15 | 2012-06-20 | 吉林大学 | 一种多气囊分组展开式客车外置气囊侧翻防护装置 |
CN106945670A (zh) * | 2017-02-16 | 2017-07-14 | 南京航空航天大学 | 基于驾驶员输入预测的汽车防侧翻系统及控制策略 |
CN109421639A (zh) * | 2017-08-29 | 2019-03-05 | 比亚迪股份有限公司 | 车辆安全行驶控制方法、装置及车辆 |
-
2019
- 2019-05-19 CN CN201910416040.7A patent/CN110126844B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030158633A1 (en) * | 2002-02-15 | 2003-08-21 | Schubert Peter J. | Vehicle rollover detection having variable sensitivity |
JP2005225284A (ja) * | 2004-02-10 | 2005-08-25 | Honda Motor Co Ltd | 車両横転判断システム |
EP1820701A1 (de) * | 2006-02-21 | 2007-08-22 | Robert Bosch Gmbh | Vorrichtung zur Ansteuerung von Überrollschutzmitteln in einem Fahrzeug |
CN102501820A (zh) * | 2011-11-15 | 2012-06-20 | 吉林大学 | 一种多气囊分组展开式客车外置气囊侧翻防护装置 |
CN106945670A (zh) * | 2017-02-16 | 2017-07-14 | 南京航空航天大学 | 基于驾驶员输入预测的汽车防侧翻系统及控制策略 |
CN109421639A (zh) * | 2017-08-29 | 2019-03-05 | 比亚迪股份有限公司 | 车辆安全行驶控制方法、装置及车辆 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112677983A (zh) * | 2021-01-07 | 2021-04-20 | 浙江大学 | 一种识别驾驶员驾驶风格的系统 |
CN113771864A (zh) * | 2021-06-18 | 2021-12-10 | 湖南大学 | 一种基于人工智能的新能源车辆侧翻预警方法 |
CN114154227A (zh) * | 2021-10-18 | 2022-03-08 | 瑞立集团瑞安汽车零部件有限公司 | 一种重型挂车制动过程自适应学习方法 |
CN114030333A (zh) * | 2021-12-13 | 2022-02-11 | 珠海格力电器股份有限公司 | 一种基于域控制架构确定车辆标定高度的方法及装置 |
CN114030333B (zh) * | 2021-12-13 | 2023-06-06 | 珠海格力电器股份有限公司 | 一种基于域控制架构确定车辆标定高度的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110126844B (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110126844A (zh) | 一种用于汽车防侧翻的ecas系统自适应控制方法 | |
US20040153227A1 (en) | Fuzzy controller with a reduced number of sensors | |
US6496761B1 (en) | Optimization control method for shock absorber | |
CN108482481B (zh) | 四轮独立驱动与转向电动汽车的四轮转向控制方法 | |
CN108563900B (zh) | 一种车轮结构参数匹配整车侧翻稳定性的逆动力学方法 | |
CN113408047B (zh) | 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 | |
US12084073B2 (en) | Method and device for optimum parameterization of a driving dynamics control system for vehicles | |
CN112829766B (zh) | 一种基于分布式驱动电动车辆的自适应路径跟踪方法 | |
CN110386191B (zh) | 一种电液智能转向系统性能监测器及性能优化方法 | |
CN114379583A (zh) | 一种基于神经网络动力学模型的自动驾驶车辆轨迹跟踪系统及方法 | |
CN110687907B (zh) | 基于模型动态重构的智能汽车解耦预测控制器及其控制方法 | |
CN115303289A (zh) | 一种基于深度高斯车辆动力学模型、训练方法、智能汽车轨迹跟踪控制方法及终端设备 | |
CN114987537A (zh) | 基于神经网络动力学的自动驾驶车辆道路自适应漂移控制系统与方法 | |
CN112417598A (zh) | 一种多源融合的车辆状态并联估计方法 | |
CN116560223A (zh) | 一种基于物理信息神经网络的智能车辆动力学模型、ilqr控制算法及轨迹跟踪控制器 | |
CN113341994B (zh) | 一种基于分段仿射系统最优控制的智能汽车路径跟踪控制方法 | |
CN113705865B (zh) | 一种基于深度神经网络的汽车稳定性因数预测方法 | |
CN115891520A (zh) | 间接式轮胎压力监测方法、装置、车辆及存储介质 | |
CN111708977B (zh) | 一种基于神经网络的轮胎力在线估计方法 | |
Li et al. | Dual extended Kalman filter based state and parameter estimator for model-based control in autonomous vehicles | |
CN115422837A (zh) | 一种基于深度高斯过程的智能汽车动力学预测模型、训练数据获取方法、以及训练方法 | |
CN114590264A (zh) | 一种基于深度集成网络自适应卡尔曼滤波的路面附着系数估计方法 | |
CN114154231A (zh) | 一种基于深度强化学习的车辆行驶状态估计系统及方法 | |
Thoresson | Efficient gradient-based optimisation of suspension characteristics for an off-road vehicle | |
EP4444602A1 (en) | System and method for modifying vehicular steering geometry guided by intelligent tires |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220328 Address after: 310058 Yuhang Tang Road, Xihu District, Hangzhou, Zhejiang 866 Patentee after: ZHEJIANG University Patentee after: Wenzhou Ruili Kemi Automotive Electronics Co., Ltd Address before: 310058 Yuhang Tang Road, Xihu District, Hangzhou, Zhejiang 866 Patentee before: ZHEJIANG University Patentee before: Ruili group Ruian Auto Parts Co., Ltd |
|
TR01 | Transfer of patent right |