CN110497916A - 基于bp神经网络的汽车行驶状态估计方法 - Google Patents

基于bp神经网络的汽车行驶状态估计方法 Download PDF

Info

Publication number
CN110497916A
CN110497916A CN201910751871.XA CN201910751871A CN110497916A CN 110497916 A CN110497916 A CN 110497916A CN 201910751871 A CN201910751871 A CN 201910751871A CN 110497916 A CN110497916 A CN 110497916A
Authority
CN
China
Prior art keywords
automobile
particle
neural network
velocity
weight
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
Application number
CN201910751871.XA
Other languages
English (en)
Other versions
CN110497916B (zh
Inventor
连晋毅
任艳强
张喜清
智晋宁
李占龙
薛昊渊
王嘉仑
贾春路
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Taiyuan University of Science and Technology
Original Assignee
Taiyuan University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Taiyuan University of Science and Technology filed Critical Taiyuan University of Science and Technology
Priority to CN201910751871.XA priority Critical patent/CN110497916B/zh
Publication of CN110497916A publication Critical patent/CN110497916A/zh
Application granted granted Critical
Publication of CN110497916B publication Critical patent/CN110497916B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Transportation (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Mechanical Engineering (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本专利属于汽车行驶状态估计方法技术领域，具体涉及一种基于BP神经网络的汽车行驶状态估计方法，包括下列步骤：S1、建立三自由度运动微分方程；S2、基于三自由度运动微分方程建立状态空间表达式；S3、将状态空间表达式离散化，获得实时刻汽车质心纵向速度、侧向速度以及横摆角速度的估计值；S4、根据所述汽车质心纵向速度、侧向速度求得汽车质心侧偏角的估计值；S5、采用BP神经网络，获得汽车质心侧偏角的最优估计值。本发明在自适应遗传算法的基础上，引进一种新的粒子选择算子，应用于自适应遗传粒子滤波估计器中，相比于标准粒子滤波估计器，对汽车行驶状态的估计值精度更高。本发明用于汽车行驶状态的估计。

Description

基于BP神经网络的汽车行驶状态估计方法
技术领域
本专利属于汽车行驶状态估计方法技术领域，具体涉及一种基于BP神经网络的汽车行驶状态估计方法。
背景技术
车辆质心侧偏角与横摆角速度是车辆稳定性的两个重要指标，但由于无法直接测量获得，特别是车辆质心侧偏角，因此在稳定性控制中，汽车行驶状态的估计是当前的一热点与难点。
汽车行驶过程中处于非线性非高斯的随机过程，粒子滤波能够有效的解决非高斯非线性系统的状态观测。但粒子滤波算法在重采样过程中会出现粒子权值退化等问题，进而影响观测精度。遗传算法通过模拟生物学交叉与变异行为，可以保证粒子权值的有效性与多样性。但传统的遗传算法由于采用固定的交叉概率与变异概率，容易陷入局部最优。为了避免局部优化，本专利采用一种改进的自适应遗传滤波算法。
在粒子滤波其中，由于传感器的制造误差以及不同量侧值在汽车行驶过程中所占的权重不同，行驶状态估计器得到的行驶状态并不是某一工况下的最优估计值，需要进行多传感器融合算法。基于BP神经网络的多传感器数据融合，对模型的准确度要求不高，自适应能力强，融合效果好，精度高，本专利采用BP神经网路进行多传感器数据融合。
发明内容
针对上述技术问题，提供了一种自适应能力强、融合效果好、精度高的基于BP神经网络的汽车行驶状态估计方法。
为了解决上述技术问题，本发明采用的技术方案为：
基于BP神经网络的汽车行驶状态估计方法，包括下列步骤：
S1、建立包含汽车纵向运动，侧向运动以及横摆运动的具有非线性特征的三自由度运动微分方程；
S2、基于三自由度运动微分方程建立状态空间表达式；
S3、将状态空间表达式离散化，建立关于汽车质心纵向速度、侧向速度以及横摆角速度的状态方程与量测方程，将所述汽车质心纵向速度、侧向速度以及横摆角速度迭代至粒子滤波估计器中，获得实时刻汽车质心纵向速度、侧向速度以及横摆角速度的估计值；
S4、根据所述汽车质心纵向速度、侧向速度求得汽车质心侧偏角的估计值；
S5、采用BP神经网络，获得汽车质心侧偏角的最优估计值。
所述S1中三自由度运动微分方程的求法为：
纵向运动：FX＝(FXfl+FXfr)cosδ-(FYfl+FYfr)sinδ+(FXrl+FXrr)
侧向运动：FY＝(FYfl+FYfr)cosδ+(FXfl+FXfr)sinδ+(FYrl+FYrr)
横摆运动：
FX为汽车受到的外力沿X方向的合力，FY为汽车受到的力沿Y方向的合力，MZ为绕质心处的力矩，FXfl、FXfr、FXrl、FXrr分别为地面对汽车的左前轮纵向力、右前轮纵向力、左后轮纵向力、右后轮纵向力；FYfl、FYfr、FYrl、FYrr分别为地面对汽车的左前轮侧向力、右前轮侧向力、左后轮侧向力、右后轮侧向力，δ为汽车的前轮转角，a为汽车前轴中心至汽车质心的距离，b为汽车后轴中心至汽车质心的距离，B为汽车轮距，M为整车质量，VX为汽车质心纵向速度，VY为汽车质心侧向速度，Wr为横摆角速度，IZ为汽车绕Z轴的转动惯量。
整理上述公式可得三自由度非线性运动微分方程为：
所述S2中状态空间表达式为：
Z(t)＝C(t)·X(t)+D·U(t)+Vk
其中X(t)为实际的状态变量；X(t)＝[VX(t) VY(t) Wr(t)]′，VX(t)、VY(t)、Wr(t)分别为t时刻汽车质心纵向速度、侧向速度、横摆角速度，U(t)＝[FX FY MZ]′，U为整个系统的输入变量
Z(t)为待观测向量，C、D向量随着观测向量的不同而在改变，Wk为过程噪声，Vk为观测噪声，本粒子滤波估计器将各个车轮的转矩作为观测量，Z(t)＝[Wfl(t) Wfr(t) Wrl(t)Wrr(t)]′，Wfl(t)、Wfr(t)、Wrl(t)、Wrr(t)分别为左前轮，右前轮，左后轮，右后轮在t时刻的车轮转矩，
D＝0
其中，λ为车轮与地面之间的相对滑移率，γ为车轮的滚动半径。
所述S3中将三自由度空间状态表达式离散化为：
其中，X(kT)为k时刻状态变量的估计值，X[(k-1)T]为(k-1)时刻转态变量的估计值，G(T)＝eAT，T为粒子滤波器的采样时间。
所述S3中粒子滤波估计器的算法为：
S3.1、计算每个采样粒子的权值即适应度，并且按由高到低的顺序排列；
S3.2、将粒子的最高权值记为weight_max，最低权值记为weight_min，淘汰上限权值记为weight1，保留下限权值记为weight2，
S3.3、直接淘汰掉权值低于weight1的粒子，复制权值高于weight2的粒子作为父本，将所有权值高于weight1的粒子作为子代。标记子代中最大权值粒子以及最小权值粒子将子代粒子全部参与轮盘赌选择，并且标记选择后的最大权值粒子与最小权值粒子
S3.4、最优选择：比较与的大小，若大于则随机去除选择粒子群的任一粒子，添加粒子这样保留了有效粒子；
最差选择：比较与的大小，若小于则随机去除选择粒子群的任一粒子，添加粒子这样保留了粒子的多样性；
S3.5、将S3.2中的保留粒子与经步骤S3.3与S3.4中选择得到的粒子组合成新的粒子群，参与后序的交叉操作与变异操作；
通过改进的自适应遗传粒子滤波算法，可以得到汽车在各行驶工况下的车辆状态估计值。
所述S4中汽车质心侧偏角的估计值的求法为：汽车质心侧偏角的估计值为
所述S5中训练BP神经网络的方法为：
S5.1、在(0,1)范围内初始化网络权值和阙值；
S5.2、对于所有的输入样本训练集重复以下步骤：
S5.2.1、根据当前参数计算当前样本的输出 f函数为神经元的传递函数，其中βj为输出层第j个神经元接收到的输入，
S5.2.2、计算输出层神经元的梯度项gi，
S5.2.3、计算隐层神经元的梯度项eh，
S5.2.4、更新连接权值whj，vih与阙值θj，γh
whj＝whj+Δwhj+ηgjbh
vih＝vih+Δvih＝vih+ηehxi
θj＝θj+Δθj＝θj-ηgj
γh＝γh+Δγh＝γh-ηeh
其中η为网络的学习率；
S5.3、当BP神经网络的输出误差小于预先设定的值时，停止训练，达到目的，否则返回S5.2继续训练直到满足目标为止；
经上述步骤即可训练出满足预先设定目标的BP神经网络，其中，xi为BP神经网络的第i个输入神经元，bh为第h个隐层神经元输出，yj为第j个输出神经元输出，vih指输入层第i个神经元对隐层第h个神经元的权值，whj值隐层第h个神经元对输出层第j个神经元的权值，用γh表示隐层第h个神经元的阙值，用θj表示输出层第j个神经元的阙值。
所述BP神经网络将不同观测变量得到的汽车状态估计值进行融合计算，得到最优汽车状态估计。
所述S5中质心侧偏角的最优估计值的求法为利用估计值即可求得质心侧偏角的最优估计值所述
本发明与现有技术相比，具有的有益效果是：
1、本发明采用一种改进的自适应遗传粒子滤波算法进行车辆状态的估计。虽然标准粒子滤波估计器能够有效的解决汽车行驶过程中非线性非高斯状态的估计，但粒子滤波算法在重采样过程中会出现粒子权值退化等问题，进而影响观测精度。本发明在自适应遗传算法的基础上，引进一种新的粒子选择算子，应用于自适应遗传粒子滤波估计器中，相比于标准粒子滤波估计器，对汽车行驶状态的估计值精度更高。
2、通过BP神经网络，进一步优化状态估计值，相比于标准粒子滤波估计器得到的状态值，精度得到了一定程度的提升。
附图说明
图1为本发明所述的三自由度模型简图；
图2为改进的自适应遗传粒子滤波算法图；
图3为BP神经网络结构简图；
图4为高速双移线工况下质心侧偏角对比图；
图5为加速双移线工况下质心侧偏角对比图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
S1、如图1所示，考虑汽车的纵向运动，侧向运动以及横摆运动建立非线性三自由度汽车模型，推导汽车的纵向运动，侧向运动以及横摆运动的微分方程如下：
纵向的受力平衡方程为：
FX＝MaX
其中M为整车质量，FX为汽车受到的外力沿X方向的合力，aX为汽车在行驶过程中沿X方向的加速度。假设前左轮与前右轮转角相同，后左轮与后右轮转角为0，且不考虑车轮侧倾角的影响，则有：
FX＝(FXfl+FXfr)cosδ-(FYfl+FYfr)sinδ+(FXrl+FXrr)
其中，FXfl、FXfr、FXrl、FXrr分别为地面对汽车的左前轮纵向力、右前轮纵向力、左后轮纵向力、右后轮纵向力，aX为汽车纵向加速度，VX为汽车质心纵向速度，VY为汽车质心侧向速度，Wr为横摆角速度。
侧向的受力平衡方程为：
FY＝MaY
其中FY为汽车受到的外力沿Y方向的合力，aY为汽车的侧向加速度，
FY＝(FYfl+FYfr)cosδ+(FXfl+FXfr)sinδ+(FYrl+FYrr)
绕Z轴的力矩方程为：
其中，MZ为横摆力矩，IZ为汽车绕Z轴的转动惯量
a为汽车前轴中心至汽车质心的距离，b为汽车后轴中心至汽车质心的距离，B为汽车轮距。
整理上述公式可得三自由度非线性运动微分方程为：
S2、将三自由度非线性运动微分方程转化为空间状态表达式，
Z(t)＝C(t)·X(t)+D·U(t)+Vk
其中X(t)为实际的状态变量；X(t)＝[VX(t) VY(t) Wr(t)]′，VX(t)、VY(t)、Wr(t)分别为t时刻汽车质心纵向速度、侧向速度、横摆角速度，U(t)＝[FX FY MZ]′，U为整个系统的输入变量
Z(t)为待观测向量，C、D向量随着观测向量的不同而在改变，Wk为过程噪声，Vk为观测噪声，本粒子滤波估计器将各个车轮的转矩作为观测量，Z(t)＝[Wfl(t) Wfr(t) Wrl(t)Wrr(t)]′，Wfl(t)、Wfr(t)、Wrl(t)、Wrr(t)分别为左前轮，右前轮，左后轮，右后轮在t时刻的车轮转矩，
D＝0
其中，λ为车轮与地面之间的相对滑移率，γ为车轮的滚动半径(将各个车轮与地面间的相对滑移率以及滚动半径近似的看作相等)。
S3、将三自由度空间状态表达式离散化为：
其中，X(kT)为k时刻状态变量的估计值，X[(k-1)T]为(k-1)时刻转态变量的估计值，G(T)＝eAT，T为粒子滤波器的采样时间。
利用一种改进的自适应遗传粒子滤波算法求解离散化的空间状态表达式，如图2所示即为改进的自适应遗传粒子滤波算法。
本文在轮盘赌的基础上，引进一种新的选择算子，步骤如下：
S3.1、计算每个采样粒子的权值即适应度，并且按由高到低的顺序排列；
S3.2、将粒子的最高权值记为weight_max，最低权值记为weight_min，淘汰上限权值记为weight1，保留下限权值记为weight2，
S3.3、直接淘汰掉权值低于weight1的粒子，复制权值高于weight2的粒子作为父本，将所有权值高于weight1的粒子作为子代。标记子代中最大权值粒子以及最小权值粒子将子代粒子全部参与轮盘赌选择，并且标记选择后的最大权值粒子与最小权值粒子
S3.4、最优选择：比较与的大小，若大于则随机去除选择粒子群的任一粒子，添加粒子这样保留了有效粒子；
最差选择：比较与的大小，若小于则随机去除选择粒子群的任一粒子，添加粒子这样保留了粒子的多样性；
S3.5、将S3.2中的保留粒子与经步骤S3.3与S3.4中选择得到的粒子组合成新的粒子群，参与后序的交叉操作与变异操作；
通过改进的自适应遗传粒子滤波算法，可以得到汽车在各行驶工况下的车辆状态估计值。
S4、汽车质心侧偏角的估计值为汽车质心侧偏角的估计值为
S5、训练BP神经网络的方法为：
S5.1、在(0,1)范围内初始化网络权值和阙值；
S5.2、对于所有的输入样本训练集重复以下步骤：
S5.2.1、根据当前参数计算当前样本的输出 f函数为神经元的传递函数，其中βj为输出层第j个神经元接收到的输入，
S5.2.2、计算输出层神经元的梯度项gi，
S5.2.3、计算隐层神经元的梯度项eh，
S5.2.4、更新连接权值whj，vih与阙值θj，γh
whj＝whj+Δwhj+ηgjbh
vih＝vih+Δvih＝vih+ηehxi
θj＝θj+Δθj＝θj-ηgj
γh＝γh+Δγh＝γh-ηeh
其中η为网络的学习率；
S5.3、当BP神经网络的输出误差小于预先设定的值时，停止训练，达到目的，否则返回S5.2继续训练直到满足目标为止；
经上述步骤即可训练出满足预先设定目标的BP神经网络，其中，xi为BP神经网络的第i个输入神经元，bh为第h个隐层神经元输出，yj为第j个输出神经元输出，vih指输入层第i个神经元对隐层第h个神经元的权值，whj值隐层第h个神经元对输出层第j个神经元的权值，用γh表示隐层第h个神经元的阙值，用θj表示输出层第j个神经元的阙值。
利用训练好的BP神经网络将不同观测变量得到的汽车状态估计值进行融合计算，得到最优汽车状态估计。
S6、通过BP神经网络与粒子滤波算法求得最优汽车质心侧向速度与汽车质心纵向速度，可求得质心侧偏角的最优估计值所述
实施例
上述步骤即为一个完整的基于BP神经网络与改进自适应粒子滤波的汽车行驶状态估计，为了验证其可行性与有效行，通过carsim与simulink联合仿真验证。如图4所示为汽车在90km/h恒定高速双移线工况下质心侧偏角估计情况，如图5所示为汽车以60km/h速度开始加速的双移线工况，可以很明显的看出，汽车无论是高速定速行驶，还是高速变速行驶，本专利基于BP神经网络与改进自适应遗传粒子滤波估计器对车辆的行驶状态参数能进行实时跟踪，相比于传统粒子滤波算法估计器，其精度更高。证明本专利的有效性。
上面仅对本发明的较佳实施例作了详细说明，但是本发明并不限于上述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化，各种变化均应包含在本发明的保护范围之内。

Claims (9)

1.基于BP神经网络的汽车行驶状态估计方法，其特征在于：包括下列步骤：
S1、建立包含汽车纵向运动，侧向运动以及横摆运动的具有非线性特征的三自由度运动微分方程；
S2、基于三自由度运动微分方程建立状态空间表达式；
S3、将状态空间表达式离散化，建立关于汽车质心纵向速度、侧向速度以及横摆角速度的状态方程与量测方程，将所述汽车质心纵向速度、侧向速度以及横摆角速度迭代至粒子滤波估计器中，获得实时刻汽车质心纵向速度、侧向速度以及横摆角速度的估计值；
S4、根据所述汽车质心纵向速度、侧向速度求得汽车质心侧偏角的估计值；
S5、采用BP神经网络，获得汽车质心侧偏角的最优估计值。
2.根据权利要求1所述的基于BP神经网络的汽车行驶状态估计方法，其特征在于：所述S1中三自由度运动微分方程的求法为：
纵向运动：FX＝(FXfl+FXfr)cosδ-(FYfl+FYfr)sinδ+(FXrl+FXrr)
侧向运动：FY＝(FYfl+FYfr)cosδ+(FXfl+FXfr)sinδ+(FYrl+FYrr)
横摆运动：
FX为汽车受到的外力沿X方向的合力，FY为汽车受到的力沿Y方向的合力，MZ为绕质心处的力矩，FXfl、FXfr、FXrl、FXrr分别为地面对汽车的左前轮纵向力、右前轮纵向力、左后轮纵向力、右后轮纵向力；FYfl、FYfr、FYrl、FYrr分别为地面对汽车的左前轮侧向力、右前轮侧向力、左后轮侧向力、右后轮侧向力，δ为汽车的前轮转角，a为汽车前轴中心至汽车质心的距离，b为汽车后轴中心至汽车质心的距离，B为汽车轮距，M为整车质量，VX为汽车质心纵向速度，VY为汽车质心侧向速度，IZ为汽车绕Z轴的转动惯量。
整理上述公式可得三自由度非线性运动微分方程为：
3.根据权利要求1所述的基于BP神经网络的汽车行驶状态估计方法，其特征在于：所述S2中状态空间表达式为：
Z(t)＝C(t)·X(t)+D·U(t)+Vk
其中X(t)为实际的状态变量；X(t)＝[VX(t) VY(t) Wr(t)]′，VX(t)、VY(t)、Wr(t)分别为t时刻汽车质心纵向速度、侧向速度、横摆角速度，U(t)＝[FX FY MZ]′，U为整个系统的输入变量
Z(t)为待观测向量，C、D向量随着观测向量的不同而在改变，Wk为过程噪声，Vk为观测噪声，本粒子滤波估计器将各个车轮的转矩作为观测量，Z(t)＝[Wfl(t) Wfr(t) Wrl(t) Wrr(t)]′，Wfl(t)、Wfr(t)、Wrl(t)、Wrr(t)分别为左前轮，右前轮，左后轮，右后轮在t时刻的车轮转矩，
其中，λ为车轮与地面之间的相对滑移率，γ为车轮的滚动半径。
4.根据权利要求1所述的基于BP神经网络的汽车行驶状态估计方法，其特征在于：所述S3中将三自由度空间状态表达式离散化为：
其中，X(kT)为k时刻状态变量的估计值，X[(k-1)T]为(k-1)时刻转态变量的估计值，G(T)＝eAT，T为粒子滤波器的采样时间。
5.根据权利要求1所述的基于BP神经网络的汽车行驶状态估计方法，其特征在于：所述S3中粒子滤波估计器的算法为：
S3.1、计算每个采样粒子的权值即适应度，并且按由高到低的顺序排列；
S3.2、将粒子的最高权值记为weight_max，最低权值记为weight_min，淘汰上限权值记为weight1，保留下限权值记为weight2，
S3.3、直接淘汰掉权值低于weight1的粒子，复制权值高于weight2的粒子作为父本，将所有权值高于weight1的粒子作为子代。标记子代中最大权值粒子以及最小权值粒子将子代粒子全部参与轮盘赌选择，并且标记选择后的最大权值粒子与最小权值粒子
S3.4、最优选择：比较与的大小，若大于则随机去除选择粒子群的任一粒子，添加粒子这样保留了有效粒子；
最差选择：比较与的大小，若小于则随机去除选择粒子群的任一粒子，添加粒子这样保留了粒子的多样性；
S3.5、将S3.2中的保留粒子与经步骤S3.3与S3.4中选择得到的粒子组合成新的粒子群，参与后序的交叉操作与变异操作；
通过改进的自适应遗传粒子滤波算法，可以得到汽车在各行驶工况下的车辆状态估计值。
6.根据权利要求1所述的基于BP神经网络的汽车行驶状态估计方法，其特征在于：所述S4中汽车质心侧偏角的估计值的求法为：汽车质心侧偏角的估计值为
7.根据权利要求1所述的基于BP神经网络的汽车行驶状态估计方法，其特征在于：所述S5中训练BP神经网络的方法为：
S5.1、在(0,1)范围内初始化网络权值和阙值；
S5.2、对于所有的输入样本训练集重复以下步骤：
S5.2.1、根据当前参数计算当前样本的输出 f函数为神经元的传递函数，其中βj为输出层第j个神经元接收到的输入，
S5.2.2、计算输出层神经元的梯度项gi，
S5.2.3、计算隐层神经元的梯度项eh，
S5.2.4、更新连接权值whj，vih与阙值θj，γh
whj＝whj+Δwhj+ηgjbh
vih＝vih+Δvih＝vih+ηehxi
θj＝θj+Δθj＝θj-ηgj
γh＝γh+Δγh＝γh-ηeh
其中η为网络的学习率；
S5.3、当BP神经网络的输出误差小于预先设定的值时，停止训练，达到目的，否则返回S5.2继续训练直到满足目标为止；
经上述步骤即可训练出满足预先设定目标的BP神经网络，其中，xi为BP神经网络的第i个输入神经元，bh为第h个隐层神经元输出，yj为第j个输出神经元输出，vih指输入层第i个神经元对隐层第h个神经元的权值，whj值隐层第h个神经元对输出层第j个神经元的权值，用γh表示隐层第h个神经元的阙值，用θj表示输出层第j个神经元的阙值。
8.根据权利要求6所述的基于BP神经网络的汽车行驶状态估计方法，其特征在于：所述BP神经网络将不同观测变量得到的汽车状态估计值进行融合计算，得到最优汽车状态估计。
9.根据权利要求1所述的基于BP神经网络的汽车行驶状态估计方法，其特征在于：所述S5中质心侧偏角的最优估计值的求法为通过BP神经网络与粒子滤波算法求得最优汽车质心侧向速度与汽车质心纵向速度，可求得质心侧偏角的最优估计值所述
CN201910751871.XA 2019-08-15 2019-08-15 基于bp神经网络的汽车行驶状态估计方法 Active CN110497916B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910751871.XA CN110497916B (zh) 2019-08-15 2019-08-15 基于bp神经网络的汽车行驶状态估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910751871.XA CN110497916B (zh) 2019-08-15 2019-08-15 基于bp神经网络的汽车行驶状态估计方法

Publications (2)

Publication Number Publication Date
CN110497916A true CN110497916A (zh) 2019-11-26
CN110497916B CN110497916B (zh) 2021-03-05

Family

ID=68588067

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910751871.XA Active CN110497916B (zh) 2019-08-15 2019-08-15 基于bp神经网络的汽车行驶状态估计方法

Country Status (1)

Country Link
CN (1) CN110497916B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112758097A (zh) * 2020-12-30 2021-05-07 北京理工大学 一种用于无人驾驶车辆的状态预测与估计方法
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
CN114312811A (zh) * 2022-01-27 2022-04-12 清华大学 自动驾驶汽车的自车状态近似最优估计方法、装置及设备
CN114435378A (zh) * 2020-11-03 2022-05-06 陕西汽车集团有限责任公司 一种基于神经网络的纯电动汽车整车质量估算方法
CN114475624A (zh) * 2021-07-20 2022-05-13 浙江万安科技股份有限公司 考虑不确定性时滞的线控底盘车辆横向状态融合估计方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0211309A1 (en) * 1985-07-22 1987-02-25 Rolling Contact Gear Company Wide-angle gearing
CN102556075A (zh) * 2011-12-15 2012-07-11 东南大学 一种基于改进扩展卡尔曼滤波的车辆运行状态估计方法
CN107054454A (zh) * 2017-05-10 2017-08-18 南京航空航天大学 一种基于参数估计的线控转向控制系统及控制方法
CN108162976A (zh) * 2017-12-21 2018-06-15 江苏大学 一种基于稀疏网格求积卡尔曼滤波的车辆行驶状态估计方法
JP2018116511A (ja) * 2017-01-18 2018-07-26 日本放送協会 状態推定器、及びプログラム
CN108444471A (zh) * 2018-05-03 2018-08-24 天津大学 一种基于粒子滤波与小波变换的加速度计信号去噪方法
CN108545081A (zh) * 2018-03-20 2018-09-18 北京理工大学 基于鲁棒无迹卡尔曼滤波的质心侧偏角估计方法及系统
CN108594652A (zh) * 2018-03-19 2018-09-28 江苏大学 一种基于观测器信息迭代的车辆状态融合估计方法
CN109522666A (zh) * 2018-11-27 2019-03-26 袁小芳 一种分布式电动汽车稳定性控制方法
CN109782325A (zh) * 2019-03-06 2019-05-21 西南交通大学 基于粒子滤波和多传感器信息融合的列车速度估计方法
CN109849899A (zh) * 2019-02-01 2019-06-07 江苏大学 一种电动轮汽车电液复合车身稳定控制系统及方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0211309A1 (en) * 1985-07-22 1987-02-25 Rolling Contact Gear Company Wide-angle gearing
CN102556075A (zh) * 2011-12-15 2012-07-11 东南大学 一种基于改进扩展卡尔曼滤波的车辆运行状态估计方法
JP2018116511A (ja) * 2017-01-18 2018-07-26 日本放送協会 状態推定器、及びプログラム
CN107054454A (zh) * 2017-05-10 2017-08-18 南京航空航天大学 一种基于参数估计的线控转向控制系统及控制方法
CN108162976A (zh) * 2017-12-21 2018-06-15 江苏大学 一种基于稀疏网格求积卡尔曼滤波的车辆行驶状态估计方法
CN108594652A (zh) * 2018-03-19 2018-09-28 江苏大学 一种基于观测器信息迭代的车辆状态融合估计方法
CN108545081A (zh) * 2018-03-20 2018-09-18 北京理工大学 基于鲁棒无迹卡尔曼滤波的质心侧偏角估计方法及系统
CN108444471A (zh) * 2018-05-03 2018-08-24 天津大学 一种基于粒子滤波与小波变换的加速度计信号去噪方法
CN109522666A (zh) * 2018-11-27 2019-03-26 袁小芳 一种分布式电动汽车稳定性控制方法
CN109849899A (zh) * 2019-02-01 2019-06-07 江苏大学 一种电动轮汽车电液复合车身稳定控制系统及方法
CN109782325A (zh) * 2019-03-06 2019-05-21 西南交通大学 基于粒子滤波和多传感器信息融合的列车速度估计方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN114435378A (zh) * 2020-11-03 2022-05-06 陕西汽车集团有限责任公司 一种基于神经网络的纯电动汽车整车质量估算方法
CN112758097A (zh) * 2020-12-30 2021-05-07 北京理工大学 一种用于无人驾驶车辆的状态预测与估计方法
CN112758097B (zh) * 2020-12-30 2022-06-03 北京理工大学 一种用于无人驾驶车辆的状态预测与估计方法
CN114475624A (zh) * 2021-07-20 2022-05-13 浙江万安科技股份有限公司 考虑不确定性时滞的线控底盘车辆横向状态融合估计方法
CN114312811A (zh) * 2022-01-27 2022-04-12 清华大学 自动驾驶汽车的自车状态近似最优估计方法、装置及设备
CN114312811B (zh) * 2022-01-27 2023-11-07 清华大学 自动驾驶汽车的自车状态近似最优估计方法、装置及设备

Also Published As

Publication number Publication date
CN110497916B (zh) 2021-03-05

Similar Documents

Publication Publication Date Title
CN110497916A (zh) 基于bp神经网络的汽车行驶状态估计方法
CN108594652B (zh) 一种基于观测器信息迭代的车辆状态融合估计方法
CN110989597B (zh) 一种集成模糊神经网络的自适应路径跟踪方法
CN110497915B (zh) 一种基于加权融合算法的汽车行驶状态估计方法
CN110162046A (zh) 基于事件触发型模型预测控制的无人车路径跟随方法
CN111796522B (zh) 一种车辆状态估计方法
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
CN113650619B (zh) 一种四轮驱动电动汽车轮胎力软测量方法
CN115406446A (zh) 基于神经网络与无迹卡尔曼滤波的多轴特种车状态估计方法
CN111746633A (zh) 一种基于强化学习的车辆分布式转向驱动系统控制方法
CN113064424A (zh) 一种改进ddpg算法的无人车路径规划方法
Liu et al. Vehicle state estimation based on unscented Kalman filtering and a genetic-particle swarm algorithm
CN111959516A (zh) 一种车辆状态与路面附着系数联合估计的方法
Zhang et al. A survey of vehicle dynamics modeling methods for autonomous racing: Theoretical models, physical/virtual platforms, and perspectives
CN112287289A (zh) 一种面向云控智能底盘的车辆非线性状态融合估计方法
CN113705865B (zh) 一种基于深度神经网络的汽车稳定性因数预测方法
CN116161056A (zh) 一种基于强化学习的结构化道路车辆轨迹规划方法与系统
CN114609925B (zh) 水下探索策略模型的训练方法及仿生机器鱼水下探索方法
CN115809590A (zh) 一种对车辆主要动力学参数的估计方法
CN116068894A (zh) 基于双层强化学习的火箭回收制导方法
Ma et al. Strategy generation based on reinforcement learning with deep deterministic policy gradient for UCAV
CN116774576A (zh) 基于神经网络间接估计的水下航行器动力学黑盒建模方法
Ding et al. Estimation method of vehicle centroid sideslip angle based on DNN-EKF fusion
CN113650621B (zh) 面向复杂工况的分布式驱动电动汽车状态参数估计方法
Zhuang et al. Model-Predictive-Control-Based Simultaneous Trajectory Tracking and Speed Control for Intelligent Vehicles

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