CN110509916B - 一种基于深度神经网络的车身姿态稳定方法和系统 - Google Patents

Abstract

本发明公开了一种基于深度神经网络的车身姿态稳定方法和系统，包括以下步骤，采集模块采集实车驾驶过程中在各种模拟车身姿态下产生的传感数据和产生的模拟控制参数，并生成训练数据集；所述训练数据集输入至所述深度神经网络模型进行学习训练，获得训练后具有内部固定参数的预测神经网络模型；车辆实际正常驾驶过程中采集模块将产生的实际数据输入至所述预测神经网络模型中，输出车辆的实际控制参数；车身控制模块根据输出的所述实际控制参数下发至车身上的相应控制部件，对车辆的车身姿态进行稳定控制。本发明的有益效果：提高对于车身姿态判断的精度和覆盖度，更加全面、精确得预测出车身姿态，并对自动产生有助于车身稳定的自动辅助控制。

Description

一种基于深度神经网络的车身姿态稳定方法和系统

技术领域

本发明涉及的技术领域，尤其涉及一种基于深度神经网络的车身姿态稳定方法及其系统。

背景技术

近年来，伴随着深度学习的发展，深度学习在汽车自动控制领域在尝试新的突破和进展。传统汽车自动控制系统主要是采用传感器采集数据、处理单元通过数学公式计算的方法，这种方法在一些特殊的汽车行驶姿态时可以取得一定的自动校正效果，但并不能完整得覆盖所有特殊状况。基于深度神经网络的车身姿态稳定控制方法相对于传统方法，它具有更丰富的特征提取和整车车身姿态的判断和校正等能力。将基于深度学习的深度神经网络应用于车身姿态稳定系统中，有利于系统更好的从各种传感器分析车身姿态，从而达到控制车身姿态稳定的目的。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明解决的技术问题是：为了解决传统车身姿态稳定系统对于车身姿态判断不够灵敏、细微，从而对车身姿态控制不够精确，基于深度学习达到全时的监控车身姿态以及及时的辅助车身姿态稳定控制。

为解决上述技术问题，本发明提供如下技术方案：一种基于深度神经网络的车身姿态稳定方法，包括以下步骤，采集模块采集实车驾驶过程中在各种模拟车身姿态下产生的传感数据和产生的模拟控制参数，并生成训练数据集；构建深度神经网络模型；所述训练数据集输入至所述深度神经网络模型进行学习训练，获得训练后具有内部固定参数的预测神经网络模型；车辆实际正常驾驶过程中采集模块将产生的实际数据输入至所述预测神经网络模型中，输出车辆的实际控制参数；车身控制模块根据输出的所述实际控制参数下发至车身上的相应控制部件，对车辆的车身姿态进行稳定控制。

作为本发明所述的基于深度神经网络的车身姿态稳定方法的一种优选方案，其中：使用IMU、车速传感器或车身摆动传感器检测车身姿态的传感器在实车采集各种驾驶的所述传感数据，通过车辆在各种路面进行变速度、转向和制动行驶，并采集实时的各种传感器的数据。

作为本发明所述的基于深度神经网络的车身姿态稳定方法的一种优选方案，其中：包括模拟控制参数的生成步骤，仿真环境中，通过不同的控制意图让仿真车辆通过不同的路面；在原有的控制意图的基础上，加入不同的车身底层控制参数组合；挑选出使车身稳定的底层控制参数作为模拟控制参数。

作为本发明所述的基于深度神经网络的车身姿态稳定方法的一种优选方案，其中：所述深度神经网络模型的输出为所述模拟控制参数，车身各种姿态的工况和原有的控制意图作为所述深度神经网络模型的输入放入搭建的所述深度神经网络模型中进行训练。

作为本发明所述的基于深度神经网络的车身姿态稳定方法的一种优选方案，其中：所述深度神经网络模型由全连接层和激活层搭建，输入的接口数量根据传感器输入的参数数量决定，且输出的接口数量根据下达的控制指令数量决定。

作为本发明所述的基于深度神经网络的车身姿态稳定方法的一种优选方案，其中：所述深度神经网络模型训练还包括精度控制，当预测的控制参数与对标参数的均方根误差小于设定的阈值时，视为模型精度较高，则对应训练后的所述预测神经网络模型能够使用。

作为本发明所述的基于深度神经网络的车身姿态稳定方法的一种优选方案，其中：所述对标参数为深度神经网络模型训练时的作为输出的参数，参数是挑选出的能够辅助稳定车身姿态的控制参数，当训练过程中模型输出的参数无限接近于挑选出的能够辅助稳定车身姿态的控制参数时，即认定模型训练完成。

因此，本发明解决的另一个技术问题是：提供一种基于深度神经网络的车身姿态稳定系统应用上述方法，将其应用于车辆控制上。

为解决上述技术问题，本发明提供如下技术方案：一种基于深度神经网络的车身姿态稳定系统，包括采集模块，所述采集模块为设置于车身上的传感器，用于采集车辆行驶过程中产生的工况信息；车身控制模块，所述车身控制模块与所述采集模块连接，用于接收传感器或其他装置输入的控制信息，将输入的所有信息转变为微处理器所能接收的信号；处理模块，与所述采集模块、所述车身控制模块连接，用于接收二者上传的数据信号并处理。

作为本发明所述的基于深度神经网络的车身姿态稳定系统的一种优选方案，其中：所述车身控制模块为车身控制器，还包括输入回路、微控制器和输出回路；所述微控制器根据车身控制的需要，把各种传感器送来的信号用内存的程序和数据进行运算处理，并把处理结果送往所述输出回路，所述输出回路将所述微控制器输出的数字信号转变为可执行元件的输入信号，所述输入信号下发至车身控制部件进行车身控制。

作为本发明所述的基于深度神经网络的车身姿态稳定系统的一种优选方案，其中：所述处理模块包括设置于车控单元内的中央处理器，所述中央处理器内部署深度神经网络模型，车身的传感器将数据传入车控单元的模型，训练后模型进行计算给出预测的控制参数，并结合司机的驾驶意图，将最终的控制参数传送给轮胎的动力、转向以及制动。

本发明的有益效果：基于深度学习的深度神经网络在一定程度上提高对于车身姿态判断的精度和覆盖度，更加全面、精确得预测出车身姿态，并对自动产生有助于车身稳定的自动辅助控制。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明第一种实施例所述基于深度神经网络的车身姿态稳定方法的整体流程图；

图2为本发明第一种实施例所述基于深度神经网络的车身姿态稳定方法的深度神经网络模型结构图；

图3为本发明第一种实施例所述多隐层神经网络结构图；

图4为本发明第二种实施例所述基于深度神经网络的车身姿态稳定系统的整体原来结构图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

参照图1～3的示意，为本实施例提出的基于深度神经网络的车身姿态稳定方法，其基于深度学习的深度神经网络在一定程度上提高对于车身姿态判断的精度和覆盖度，更加全面、精确得预测出车身姿态并对自动产生有助于车身稳定的自动辅助控制。具体的，包括以下步骤，

采集模块100采集实车驾驶过程中在各种模拟车身姿态下产生的传感数据，并和驾驶产生的模拟控制参数生成训练数据集；使用IMU、车速传感器或车身摆动传感器检测车身姿态的传感器在实车采集各种驾驶的传感数据，通过车辆在各种路面进行变速度、转向和制动行驶，并采集实时的各种传感器的数据；以及包括模拟控制参数的生成步骤，仿真环境中，通过不同的控制意图让仿真车辆通过不同的路面；在原有的控制意图的基础上，加入不同的车身底层控制参数组合；挑选出使车身稳定的底层控制参数作为模拟控制参数。例如不同路面(雨雪路面、泥泞路面、沙漠路面)所产生的不同的摩擦力，当车辆在这些复杂路面急刹车或者急转弯时会产生车身不稳定的状态。

参照图2的示意，本实施例中可以构建的深度神经网络模型示意图，深度神经网络模型由全连接层和激活层搭建，输入的接口数量根据传感器输入的参数数量决定，且输出的接口数量根据下达的控制指令数量决定；其每一层都是一个数字矩阵，且每层之间就是矩阵的相乘。

训练数据集输入至深度神经网络模型进行学习训练，获得训练后具有内部固定参数的预测神经网络模型；深度神经网络模型的输出为模拟控制参数，车身各种姿态的工况和原有的控制意图作为深度神经网络模型的输入放入搭建的深度神经网络模型中进行训练；深度神经网络模型训练还包括精度控制，当预测的控制参数与对标参数的均方根误差小于设定的阈值时，视为模型精度较高，则对应训练后的预测神经网络模型能够使用。对标参数为深度神经网络模型训练时的作为输出的参数，参数是挑选出的能够辅助稳定车身姿态的控制参数，当训练过程中模型输出的参数无限接近于挑选出的能够辅助稳定车身姿态的控制参数时，即认定模型训练完成。例如阈值0.01，即小于0.01时，视为模型的精度较高。

更加的具体的，在仿真环境中通过不同的控制意图，例如方向盘转向、油门、刹车等，让仿真车辆通过不同的路面，例如雨雪路面、泥泞路面、沙漠路面、水泥路面等，在原有的控制意图的基础上,通过加入调试大量的不同的对于车身底层控制参数组合，例如施加给轮胎的动力、转向、制动等，从而挑选出原本的控制意图会导车身不稳定，而加入辅助可以使车身稳定的这些底层控制参数。因此挑选出来的底层控制参数作为模型的输出，车身当时的工况以及控制意图作为模型的输入，放在搭建的神经网络模型中进行训练。

车辆实际正常驾驶过程中采集模块100将产生的实际数据输入至预测神经网络模型中，输出车辆的实际控制参数；

车身控制模块200根据输出的实际控制参数下发至车身上的相应控制部件，对车辆的车身姿态进行稳定控制。训练的神经网络中涵盖了大量可能会产生的工况，而这些工况直接反应出当时的车身姿态，当我们的网络将这些工况作为神经网络模型的输入时，模型会自动计算这些工况并直接给出可以让车身稳定的辅助控制参数，结合司机驾驶意图,下达到每个汽车部件，从而达到稳定车身姿态的效果。

还需要说明的是，本实施例提出的深度学习是伴随着现代社会发达的数据获取能力而被广泛关注的，其最大的特点是，它的学习对象是经过抽象的特征数据，为了构建起一套学习或者模式识别系统，需要反复实验，考虑被研究对象的特点，精心构建出一个完整有效的特征提取方案，往往需要有足够经验的专业人员花费大量的时间才能完成，如从原始音频信号分析出信号特征向量，从图像的原始像素分析出图像多个方面的结构特征，然后才能交给神经网络学习这些结构化的数据。

对数据表示的学习是将原始数据作为输入，由程序自主地学习判断一个事物类别所需的特征。深度学习技术就是这样一种方法，它将原始数据表示为分为多个层次的特征表示，而且在数据特征上是逐层经过非线性函数抽象而来的，越远离原始数据层，特征数据的抽象级别越高，经过一定数量层级的抽象，深度学习网络就具有了对原始数据的一个复杂转换能力，可以达到较高级的展现。分类任务中，高级层次的特征表示将会加强对分类结果更具影响力的特征数据，而抑制对影响分类结果不太重要的特征数据。

例如典型的图像分类，输入数据是图像的原始像素值，深度学习网络的第一层通常是表示某些特征边缘是否出现以及它们的位置信息。第二层通常根据前一层的学习结果，组合这些特征，再忽略一些细小的噪声，判断图像中出现了什么样的简单几何图案，这种判断结果并不是以人类可识别的图案真实存在，可能是以某种信号来表示的。第三层可能将第二层的判断结论重新组合，依此判断更复杂的图像特征，例如是否出现了图像某一部分的特征。

不难理解的是，本实施例中是对车身传感器采集数据的学习，通过不断参数学习生成训练后的神经网络模型，能够利用该训练后的模型对车身姿态进行预测，从而实现全时的监控车身姿态和及时的辅助车身姿态稳定控制。

深度学习特点就在于这些原始数据的特征信息不是人为提取的，而是计算机使用一种通用的方法自主学习得到的，同样的方法不仅可以运用于图像的识别，还可以用在其他数据的识别任务中，使得人们利用计算机做更智能的任务有了另一条途径，使用深度学习的方法，只要给训练过程加上适当的限制条件就可以比之前更容易地达到目的。

需要说明的是，对于本实施例中采用的深度学习神经网络模型，使用多个表示层学习算法，使得整个学习过程能够从输入的原始数据主动找出能够表示原始数据多层数据特征的表示。多层特征计算中，每一层都是一个简单而非线性的数据转换模块，通过足够多的这样的转换(即多层特征计算)，形成了一个复杂特征提取的功能，得到原始数据在某个抽象级别上的特征。

本实施例中可以采用如下的深度学习方法。当拥有一组有标签的数据时，我们计算一个目标函数，测量计算结果和实际标签之间的误差值，这种误差值根据不同的应用背景采用不同的测量方法。计算机通过学习算法，计算每个步骤的梯度误差，调整算法内部可调参数的值，进而减小测量误差。这种内部可调参数称为权值，权值直接决定了从输入数据得到输出数据的方法是否能够有效工作。

本实施例中对于车身传感器数据在深度学习神经网络模型的参数调整。具体的通过以下方式实现。

在一个典型的深度学习神经网络模型中，通常有成千上万的这种内部可调参数，而用于训练这些参数的训练数据则会更多。如果将所有的内部可调参数看作一个权值矩阵，那么为了得到一个合适的权值矩阵，学习算法会计算出一个梯度向量，对于每一个权值，梯度值表示了在伴随一定测量误差的情况下，每个权值应该分担的微小误差值，权值向相反的方向减去梯度值，从而完成一次参数调整。

假设我们已经有了一组包含m个样本的训练数据{(x⁽¹⁾，y⁽¹⁾)，...，(x^(m)，y^(m))}，则可以用批量梯度下降算法来训练多层神经网络，例如对于一个训练样本，我们定义对应的目标函数如下式所示：

基于二范数在一定程度上给出了预测值和真实值的量化差异，对于批量样本，目标函数定义下式所示：

式中J(w，b)的第二项称为正则项，它的作用是防止网络中因某个权值过大而引起过拟合。通常正则化操作并不针对偏移项

因为对于以防止过拟合为目的的操作来说，对偏移量做梯度下降没有明显影响到网络的最终输出。权值衰减参数控制着目标函数的差值项和正则项的相对权重。我们的目标是以w和b为参数，最小化目标函数J(w，b)的输出，参数的初始值服从正态分布。

参数的初始化训练多层网络，将第i层的误差值反向传播到第i-1层，如果连接第i-1层和第i层的权值矩阵的元素值统一，则误差将被线性地反向传播，达不到训练的效果。因此在训练开始之前通常按照N～(0，ε²)对参数初始化。

每一步迭代对多层神经网络中的权值矩阵和偏移量矩阵的修改是通过如下公式进行：

其中，α表示学习率，通常需要根据训练环境设计适当的公式递归计算得出。式中对权值和偏移量的偏导数在批量样本训练取其偏导数均值，并考虑正则化，同样的，偏移量偏导数不考虑正则化，得下式所示的求解公式：

首先将训练样本批量地进行前向传播，依次计算每层的激励值，包括最终输出层的输出函数h_w，b(x)，接下来为第l层的第i个节点计算其误差分量

参照图3的示意，为多隐层神经网络。

依次计算L₂、L₃、L₄层的激励值，其中L4层的激励值通过输出函数h_w，b(x)，计算得出。对于输出层的每个节点，其误差分量通过下式计算得出：

对每个隐层的所有节点计算误差分量，如第l层的第i个节点的误差分量计算方法如下式所示：

其中，f(z)是激励函数，则

接下来根据每个节点的误差分量分别对权值矩阵和偏移量矩阵求偏导数，如下式：

需要注意的是，当完成每层的前向传播计算时，应当临时保存该层的激励值，以便据其计算连接相邻两层的权值偏导数。

进行批量样本训练，对上述公式进行分别向量化表示得下式：

δ^(l)＝((w^(l))^Tδ^l+1)·f′(z^(l))

分别定义Δw^(l)和Δb^(l)，为连接第l层和第l+1层的权值微调矩阵和偏移量微调向量，首先将二者初始化：Δw^(l)＝0，Δb^(l)＝0。每次迭代训练完成后更新这两个微调参数，直至多轮迭代覆盖到所有训练样本：

最后，使用微调计算结果调整网络参数：

选择适当的学习率生成函数，随着迭代轮次的增大，减小损失函数输出，达到训练多层神经网络的目的。

场景一：

为验证本实施例提出基于深度学习的深度神经网络在一定程度上提高对于车身姿态判断的精度，本实施例将部署本方法的测试车辆和传统汽车自动控制系统进行对比测试，并运用MATLB软件编程实现本方法和传统方法的仿真测试，根据实验结果得到仿真数据，其中实验中传统方法采用调整路面摩擦力系数参数，根据仿真环境中的车身中心向前速度与车轮中心向前速度的比例，((车身速度-车轮速度)/车身速度),计算出速率比是否满足激活ABS的条件,如果满足,则会激活轮胎制动,从而达到仿真车的车身稳定。将测试车辆至于摩擦系数(左侧轮跑道/右侧轮跑道分别为0.7/0.2)的跑道中进行仿真测试，逐渐增加仿真车辆在仿真环境下的车速，进行制动测试。

对上述传统控制方式和本方法的算法控制车身参数进行性能比较，在每次姿态判断实验中进行多次测试。实验采用的传统方法和本方法进行对比测试，其测试结果如下表1的示意。

表1：不同的车速与不同的摩擦力,对比刹车距离和稳定性。

由上表1的测试结果不难看出，本实施例的方法和传统方法在同等环境下，无论是刹车的距离还是车辆的稳定性上均优于传统方法，且当车速过快时，本方法明显控制车身稳定性优于传统方式，未冲出仿真车道。

实施例2

参照图4的示意，示意出本发明基于深度神经网络的车身姿态稳定系统的整体结构示意图。具体的，该系统包括采集模块100、车身控制模块200和处理模块300。其中采集模块100，采集模块100为设置于车身上的传感器，用于采集车辆行驶过程中产生的工况信息；车身控制模块200，车身控制模块200与采集模块100连接，用于接收传感器或其他装置输入的控制信息，将输入的所有信息转变为微处理器所能接收的信号；处理模块300，与采集模块100、车身控制模块200连接，用于接收二者上传的数据信号并处理。本实施例中例如采用车轮IMU、车身IMU、汽车水平位置传感器、偏航率传感器等，能够采集车辆驾驶姿态数据的传感器；偏航率传感器用于ESP系统中，帮助探测车身绕纵轴旋转角速度等，以实现突然刹车，快速过弯等极限环境下对车身稳定的控制。假设在行驶中，司机需要突然改变行驶方向(比如往右打方向盘)以避免障碍物，这时很可能发生“过弯不足”，则ESP通过传感器测得信息进行比较，并且对右后轮施加一个刹车力矩，且偏航力矩顺时针增加。(相当于加大车身实际向右偏转角度。)类似的，假设在行驶中，汽车正在右转，司机突然减小转向角，此时很可能发生“转向过度”，则对左前轮施加一个刹车力矩，且偏航力矩逆时针增加(相当于减小车身实际向右偏转角度)。

进一步的，车身控制模块200为车身控制器，还包括输入回路201、微控制器202和输出回路203；微控制器202根据车身控制的需要，把各种传感器送来的信号用内存的程序和数据进行运算处理，并把处理结果送往输出回路203，输出回路203将微控制器202输出的数字信号转变为可执行元件的输入信号，输入信号下发至车身控制部件进行车身控制。例如采用型号为：BCM-车身控制器总成(低配)H73R-3700120B的控制器，具有接收传感器或其他装置输入的信息，将输入的信息转变为微处理器所能接收的信号；存储、计算、分析处理信息，分析输出值所用的程序，存储该车型的特点参数、运算中的数据(随存随取)、存储故障信息；运算分析，根据信息参数求出执行命令数据，将输入的信息与标准值对比，查处故障；输出执行命令，将弱信号转变为执行命令，输出故障信息，自我修正的功能。

处理模块300包括设置于车控单元内的中央处理器301，中央处理器301内部署深度神经网络模型，车身的传感器将数据传入车控单元的模型，训练后模型进行计算给出预测的控制参数，并结合司机的驾驶意图，将最终的控制参数传送给轮胎的动力、转向以及制动。例如中央处理器301采用型号为C8051310的单片机，或FPGA、GPU。还需要说明的是，车控单元实际为车载主机或车载电脑，可以与远程端连接进行软件升级等操作。车载电脑是专门针对汽车特殊运行环境及电器电路特点开发的具有抗高温、抗尘、抗震功能并能与汽车电子电路相融合的专用汽车信息化产品，一种高度集成化的车用多媒体娱乐信息中心，能实现所有家用电脑功能，支持车内上网、影音娱乐、卫星定位、语音导航、游戏、电话等功能，同时也能实现可视倒车，故障检测等特定功能。其主要功能包括车载全能多媒体娱乐，GPS卫星导航，对汽车信息和故障专业诊断，移动性的办公与行业应用。目前仅仅在国外的宝马、奥迪等顶级车型才配备了类似的智能车载系统。车载PC结合导航、娱乐、日常事物处理等各种需求，外观小巧、集成度高。作为一款高档车辆所使用的新型产品，车载PC实现五大类功能，并具有强大的可扩展性：导航定位、网络功能、信息指示、娱乐功能、安防功能。领数的车载电脑均可达到此功能。

例如主板、CPU、内存是车载电脑的基本平台，它们的稳定是应用的前提，尅使用技术成熟的英特尔D945GCLF2D主板，该主板支持ATOM双核N330CPU，配有英特尔945GCExpress芯片组，在内存方面支持一个667MHz单通道DDR2 SDram接口，最高可支持2GB内存，具备9针串口、6个USB接口，提供了SATA硬盘接口。此外，该主板的尺寸为171.45mm×171.45mm，还能够符合车载电脑机箱的要求。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (7)

1.一种基于深度神经网络的车身姿态稳定方法，其特征在于：包括以下步骤，

采集模块(100)采集实车驾驶过程中在各种模拟车身姿态下产生的传感数据，并和产生的模拟控制参数共同生成训练数据集，以及包括模拟控制参数的生成步骤；

构建深度神经网络模型，所述深度神经网络模型由四层全连接层和激活层搭建，其每一层都是一个数字矩阵，且每层之间为矩阵的相乘；

所述训练数据集输入至所述深度神经网络模型进行学习训练，通过加入调试大量的不同的对于车身底层控制参数组合，挑选出来的所述底层控制参数作为所述模型的输出，车身当时的工况以及控制意图作为所述模型的输入，放在搭建的所述神经网络模型中进行训练，获得训练后具有内部固定参数的预测神经网络模型；

假设有一组包含m个样本的训练数据{(x⁽¹⁾，y⁽¹⁾)，...，(x^(m)，y^(m))}，则可以用批量梯度下降算法来训练多层神经网络，基于二范数在一定程度上给出了预测值和真实值的量化差异，对于所述样本，目标函数定义如下式所示：

车辆实际正常驾驶过程中采集模块(100)将产生的实际数据输入至所述预测神经网络模型中，输出车辆的实际控制参数；

分别定义Δw^(l)和Δb^(l)，为连接第l层和第l+1层的权值微调矩阵和偏移量微调向量，首先将二者初始化：Δw^(l)＝0，Δb^(l)＝0；每次迭代训练完成后更新这两个微调参数，直至多轮迭代覆盖到所有训练样本：

使用微调计算结果调整所述控制参数：

车身控制模块(200)根据输出的所述实际控制参数下发至车身上的相应控制部件，对车辆的车身姿态进行稳定控制。

2.如权利要求1所述的基于深度神经网络的车身姿态稳定方法，其特征在于：使用IMU、车速传感器或车身摆动传感器检测车身姿态的传感器在实车采集各种驾驶的所述传感数据，通过车辆在各种路面进行变速度、转向和制动行驶，并采集实时的各种传感器的数据。

3.如权利要求1或2所述的基于深度神经网络的车身姿态稳定方法，其特征在于：包括模拟控制参数的产生步骤，

仿真环境中，通过不同的控制意图让仿真车辆通过不同的路面；

在原有的控制意图的基础上，加入不同的车身底层控制参数组合；

挑选出使车身稳定的底层控制参数作为模拟控制参数。

4.如权利要求3所述的基于深度神经网络的车身姿态稳定方法，其特征在于：所述深度神经网络模型的输出为所述模拟控制参数，车身各种姿态的工况和原有的控制意图作为所述深度神经网络模型的输入放入搭建的所述深度神经网络模型中进行训练。

5.如权利要求4所述的基于深度神经网络的车身姿态稳定方法，其特征在于：所述深度神经网络模型由全连接层和激活层搭建，输入的接口数量根据传感器输入的参数数量决定，且输出的接口数量根据下达的控制指令数量决定。

6.如权利要求4或5所述的基于深度神经网络的车身姿态稳定方法，其特征在于：所述深度神经网络模型训练还包括精度控制，当预测的控制参数与对标参数的均方根误差小于设定的阈值时，视为模型精度较高，则对应训练后的所述预测神经网络模型能够使用。

7.如权利要求6所述的基于深度神经网络的车身姿态稳定方法，其特征在于：所述对标参数为深度神经网络模型训练时的作为输出的参数，参数是挑选出的能够辅助稳定车身姿态的控制参数，当训练过程中模型输出的参数无限接近于挑选出的能够辅助稳定车身姿态的控制参数时，即认定模型训练完成。

Images