CN110877509A - 一种基于改进型果蝇算法的主动悬架视觉预瞄控制方法 - Google Patents
一种基于改进型果蝇算法的主动悬架视觉预瞄控制方法 Download PDFInfo
- Publication number
- CN110877509A CN110877509A CN201911261395.XA CN201911261395A CN110877509A CN 110877509 A CN110877509 A CN 110877509A CN 201911261395 A CN201911261395 A CN 201911261395A CN 110877509 A CN110877509 A CN 110877509A
- Authority
- CN
- China
- Prior art keywords
- value
- suspension
- vehicle
- algorithm
- data
- 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
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60G—VEHICLE SUSPENSION ARRANGEMENTS
- B60G17/00—Resilient suspensions having means for adjusting the spring or vibration-damper characteristics, for regulating the distance between a supporting surface and a sprung part of vehicle or for locking suspension during use to meet varying vehicular or surface conditions, e.g. due to speed or load
- B60G17/015—Resilient suspensions having means for adjusting the spring or vibration-damper characteristics, for regulating the distance between a supporting surface and a sprung part of vehicle or for locking suspension during use to meet varying vehicular or surface conditions, e.g. due to speed or load the regulating means comprising electric or electronic elements
- B60G17/016—Resilient suspensions having means for adjusting the spring or vibration-damper characteristics, for regulating the distance between a supporting surface and a sprung part of vehicle or for locking suspension during use to meet varying vehicular or surface conditions, e.g. due to speed or load the regulating means comprising electric or electronic elements characterised by their responsiveness, when the vehicle is travelling, to specific motion, a specific condition, or driver input
- B60G17/0165—Resilient suspensions having means for adjusting the spring or vibration-damper characteristics, for regulating the distance between a supporting surface and a sprung part of vehicle or for locking suspension during use to meet varying vehicular or surface conditions, e.g. due to speed or load the regulating means comprising electric or electronic elements characterised by their responsiveness, when the vehicle is travelling, to specific motion, a specific condition, or driver input to an external condition, e.g. rough road surface, side wind
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60G—VEHICLE SUSPENSION ARRANGEMENTS
- B60G17/00—Resilient suspensions having means for adjusting the spring or vibration-damper characteristics, for regulating the distance between a supporting surface and a sprung part of vehicle or for locking suspension during use to meet varying vehicular or surface conditions, e.g. due to speed or load
- B60G17/015—Resilient suspensions having means for adjusting the spring or vibration-damper characteristics, for regulating the distance between a supporting surface and a sprung part of vehicle or for locking suspension during use to meet varying vehicular or surface conditions, e.g. due to speed or load the regulating means comprising electric or electronic elements
- B60G17/018—Resilient suspensions having means for adjusting the spring or vibration-damper characteristics, for regulating the distance between a supporting surface and a sprung part of vehicle or for locking suspension during use to meet varying vehicular or surface conditions, e.g. due to speed or load the regulating means comprising electric or electronic elements characterised by the use of a specific signal treatment or control method
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60G—VEHICLE SUSPENSION ARRANGEMENTS
- B60G2800/00—Indexing codes relating to the type of movement or to the condition of the vehicle and to the end result to be achieved by the control action
- B60G2800/90—System Controller type
- B60G2800/91—Suspension Control
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Radar Systems Or Details Thereof (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于改进型果蝇算法的主动悬架视觉预瞄控制方法,包括步骤一、扫描车辆前方行驶路面;二、分数阶傅里叶变换;三、对分数傅里叶变换谱进行图像增强处理;四、数据聚类,确定聚类数量并分离各聚类数据;五、对分离的各聚类数据进行峰值位置和峰值强度统计,最小二乘法拟合,获得飞行时间、脉宽和幅值;六、计算行驶车辆的横向位移和纵向位移;七、构成特征矩阵;八、被动悬架的性能指标输入视觉预瞄算法控制器中;九、视觉预瞄算法控制器采用改进型果蝇算法,计算出最优主动力。本发明方法步骤简单,能够在不同等级路面中选取最为合理的加权系数矩阵与加权因子,为主动悬架提供最优主动力,有效实现车辆主动悬架的视觉预瞄控制。
Description
技术领域
本发明属于车辆主动悬架控制技术领域,具体涉及一种基于改进型果蝇算法的主动悬架视觉预瞄控制方法。
背景技术
主动悬架能与车辆系统自身的运动状况和外部输入变化相适应,主动改变和给出所需控制力,使悬架始终处于最佳衰减振动状态,乘坐舒适性和操作稳定性得以改善。在主动悬架控制理论研究过程中,学者提出了多种策略,如天棚控制、地棚控制、模糊控制和最优控制等,最优控制理论虽然较为成熟,且算法简单,但其加权系数矩阵与加权因子均由经验取得,无法根据相应的实际路面情况选取合适的加权系数矩阵与加权因子,使主动悬架的控制效果到达最优。
预瞄控制是近几年来研究的一种新的悬架系统控制方法,能够有效提升悬架系统的控制效果。其中的轴前预瞄利用车前加装预瞄传感器测量前方道路信息,将其作为悬架控制器的信息输入,从而提高悬架控制的效果。
果蝇算法属于全局优化算法,果蝇是一种广泛存在于温带和热带地区的昆虫,具有优于其他物种的嗅觉和视觉能力.在寻找食物时,果蝇个体先利用自身嗅觉器官嗅到食物的气味,并向周围的果蝇发送气味信息,或者从周围的果蝇接收气味信息;之后果蝇利用其视觉器官,通过比较得出当前群体中收集到最好气味信息的果蝇位置,群体中的其他果蝇均飞向该位置,并继续展开搜寻。
傅里叶变换(FT)提出于1807年,它建立了信号时间域与频率域之间变换的关系,是分析和处理平稳信号的有效工具。然而在实际生产生活中应用时,会存在非平稳信号的情况。非平稳信号的频域与时域是相关联的,因此如果单纯通过时域或频域表达没有办法完整体现信号的实际特征,因此,近年来较多采用一种信号处理方法——时域分析(TFA),通过将一维信号表示转化为二维时间—频率联合表示,可以较为全面反映观测信号的局部时频分布特征,从而对其进行分析处理。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于改进型果蝇算法的主动悬架视觉预瞄控制方法,其方法步骤简单,能够在不同等级路面中选取最为合理的加权系数矩阵与加权因子,为主动悬架提供最优主动力,有效实现车辆主动悬架的视觉预瞄控制。
为解决上述技术问题,本发明采用的技术方案是:一种基于改进型果蝇算法的主动悬架视觉预瞄控制方法,所述主动悬架视觉预瞄的控制系统包括用于检测车前路面不平度的车前激光雷达、用于对车前激光雷达扫描到的信号进行特征提取、分解并处理的电控单元ECU和用于为车辆悬架提供最优主动力的视觉预瞄算法控制器,所述车前激光雷达和视觉预瞄算法控制器均与电控单元ECU相接,所述主动悬架视觉预瞄控制方法包括以下步骤:
步骤一、所述车前激光雷达扫描车辆前方行驶路面;
步骤二、所述电控单元ECU对车前激光雷达扫描信号进行分数阶傅里叶变换,得到二维的分数阶傅里叶变换谱;
步骤三、所述电控单元ECU采用均值滤波、小波滤波及巴特沃兹滤波的复合滤波方法,对分数傅里叶变换谱进行图像增强处理;
步骤四、所述电控单元ECU对增强后的分数阶傅里叶变换谱图像进行数据聚类,确定聚类数量并分离各聚类数据;
步骤五、所述电控单元ECU对分离的各聚类数据进行峰值位置和峰值强度统计,筛选有效数据点后对保留数据进行最小二乘法拟合,获得飞行时间、脉宽和幅值;
步骤六、所述电控单元ECU根据雷达处理信号中的飞行时间、脉宽和幅值计算行驶车辆的横向位移和纵向位移;
步骤七、所述电控单元ECU通过处理横向位移和纵向位移值,构成特征矩阵,计算当前路面的功率谱密度,确定相应的路面等级;
步骤八、所述电控单元ECU将相应路面等级下的路面不平度系数和相应路面等级下被动悬架的性能指标输入视觉预瞄算法控制器中;
步骤九、所述视觉预瞄算法控制器采用改进型果蝇算法,计算出最优主动力,将最优主动力输入到车辆悬架中,实现主动悬架在不同等级路面下的主动视觉预瞄控制。
上述的一种基于改进型果蝇算法的主动悬架视觉预瞄控制方法,步骤二中所述电控单元ECU对车前激光雷达扫描信号进行分数阶傅里叶变换,得到二维的分数阶傅里叶变换谱的具体步骤为:
步骤201、建立车前激光雷达扫描信号理论模型,所述车前激光雷达扫描信号理论模型为其中,K为高斯成分数量, ak代表第k个高斯成分的幅值,tk代表第k个高斯成分的飞行时间;σk代表第k个高斯成分的脉冲宽度;η(t)表示加性噪声,t为时间域变量;
其中,α为角度参数,p为阶数,α与p的关系为:α=pπ/2,j表示虚数单位,δ(·)为单位冲激函数,cot表示余切函数,csc表示余割函数;
步骤203、得到二维的分数阶傅里叶变换谱;
所述车前激光雷达扫描信号的分数阶傅里叶变换结果为:
上述的一种基于改进型果蝇算法的主动悬架视觉预瞄控制方法,步骤四中所述电控单元ECU对增强后的分数阶傅里叶变换谱图像进行数据聚类,确定聚类数量并分离各聚类数据的具体步骤为:
步骤402、绘制cosα-up图像,其中up=tkcosα,并且绘制图像的up/cosα分布的直方图,其中,tk为飞行时间,up为各聚类数据在不同cosα值或p值下对应的u值;
步骤403、对直方图进行自动聚类操作;
步骤40301、设定一个阈值,直方图中频次大于该阈值的点作为有效数据点保留;
步骤40302、遍历有效数据点,如果当前点的位置与前一点的位置相邻,则当前点列入前一点的相同聚类中;否则,当前点列入新的聚类,前一聚类遍历结束;
步骤40303、遍历下一个点并继续步骤40302直到最后一个点已经确定所属的聚类,至此确定总聚类数;
上述的一种基于改进型果蝇算法的主动悬架视觉预瞄控制方法,步骤五中所述电控单元ECU对分离的各聚类数据进行峰值位置和峰值强度统计,筛选有效数据点后对保留数据进行最小二乘法拟合,获得飞行时间、脉宽和幅值的具体过程为:
获得飞行时间的具体过程为:针对不同类簇的点图,采用最小二乘法用直线拟合,拟合的表达式为最优参数为其中,n为观测数据点总数,xi和yi分别为观测数据点的横坐标和纵坐标,为观测数据点横坐标均值,为观测数据点纵坐标表均值;对各聚类的拟合结果通过公式确定各聚类飞行时间,其中Δt为数据点的单位时间值;
获得脉宽和幅值的具体步骤为:
步骤503、进一步对有效数据点进行筛选,剔除误差较大的点,剩余数据点均视为有效峰值强度点,强度集记为Imax;
上述的一种基于改进型果蝇算法的主动悬架视觉预瞄控制方法,步骤六中所述电控单元ECU根据雷达处理信号中的飞行时间、脉宽和幅值计算行驶车辆的横向位移和纵向位移的具体步骤为:
上述的一种基于改进型果蝇算法的主动悬架视觉预瞄控制方法,步骤七中所述电控单元ECU通过处理横向位移和纵向位移值,构成特征矩阵,计算当前路面的功率谱密度,确定相应的路面等级的具体过程为:
通过快速傅里叶变换后构成特征矩阵,然后使用Welch的方法计算其 PSD,特征矩阵为
其中,特征矩阵Fls每列向量代表的是每个扫描周期经计算后得到的全部功率谱PSD值,特征矩阵中第一行第一列元素Fs1,f1代表的是第一个扫描周期数据空间频率从0c/m到0.1c/m的PSD值,Fsn,f1代表第n个扫描周期数据空间频率从0c/m到0.1c/m的PSD值,Fsn,fm代表第n个扫描周期数据空间频率从34.9c/m到35c/m的PSD值,特征矩阵Fls中共包含n个样本,每个样本具有m个特征,元素值表示形成最终特征矩阵的特定研究频率的功率谱值归一化后体现在[0,1]数值范围内的数值。
上述的一种基于改进型果蝇算法的主动悬架视觉预瞄控制方法,步骤九中所述视觉预瞄算法控制器采用改进型果蝇算法的具体步骤为:
步骤901、选取车身加速度、角加速度、前悬架动挠度、后悬架动挠度、前轮胎动载荷、后轮胎动载荷、前悬架非簧载质量速度和后悬架非簧载质量速度8个性能指标作为改进型果蝇算法的优化目标,根据性能指标选取果蝇算法的适应度函数式f(x),即
其中,BA(x)为车身加速度的均方根值,TAA(x)为角加速度的均方根值, SDDF(x)为前悬架动挠度的均方根值,SDDR(x)为后悬架动挠度的均方根值,TDLF(x)为前轮胎动载荷的均方根值,TDLR(x)为后轮胎动载荷的均方根值,UMVF(x)为前悬架非簧载质量速度的均方根值,UMVR(x)为后悬架非簧载质量速度的均方根值,BApas、TAApas、SDDFpas、SDDRpas、TDLFpas、TDLRpas、 UMVFpas和UMVRpas分别为车辆被动悬架中车身加速度、角加速度、前悬架动挠度、后悬架动挠度、前轮胎动载荷、后轮胎动载荷、前悬架非簧载质量速度和后悬架非簧载质量速度的相应性能指标;
步骤902、设置迭代次数,随机初始化果蝇群体的位置;
步骤903、初始化的果蝇个体利用嗅觉搜寻食物的随机方向与飞行距离;
步骤904、计算果蝇个体与原点之间的距离和味道浓度;
步骤905、味道浓度乘以q1、q2、q3、q4、q5、q6、q7、q8,并代入果蝇算法的适应度函数式f(x),其中,q1为车身加速度的加权因子、q2为角加速度的加权因子、q3为前悬架动挠度的加权因子、q4为后悬架动挠度的加权因子、q5为前轮胎动载荷的加权因子、q6为后轮胎动载荷的加权因子、 q7为前悬架非簧载质量速度的加权因子、q8为后悬架非簧载质量速度的加权因子;
步骤906、找出f(x)的最小值;
步骤907、保留最佳浓度值和种群位置;
步骤908、计算果蝇群体平均味道浓度判定值的方差并选取下一次迭代的步长;
步骤909、重复步骤903~步骤906,进行迭代寻优,使果蝇往该方向飞去,对比本次f(x)的最小值和前一次f(x)的最小值,当本次f(x)的最小值小于前一次f(x)的最小值时,本次味道浓度优于前一次迭代的味道浓度,本次味道浓度值作为最佳浓度值,执行步骤907;当本次f(x)的最小值不小于前一次f(x)的最小值时,执行步骤9010;
步骤9010、判断迭代是否达到最大次数,当迭代达到最大次数时,结束迭代寻优;当迭代未达到最大次数时,执行步骤908。
上述的一种基于改进型果蝇算法的主动悬架视觉预瞄控制方法,步骤 908中所述计算果蝇群体平均味道浓度判定值的方差并选取下一次迭代的步长的具体步骤为:
步骤90802、计算果蝇群体平均味道浓度判定值的方差σ2;
步骤90803、确定自适应步长;自适应步长公式为:
其中,hr为种群第r代搜索步长;N为迭代次数。
本发明与现有技术相比具有以下优点:
当车辆行驶在路面等级情况较为复杂的路面时,利用车前加装激光雷达扫描前方的路面情况,通过电控单元ECU傅里叶变换处理激光雷达信号,并计算PSD值,实现路面等级的准确识别;利用味道浓度判定值的方差大小确定果蝇算法迭代的步长,由此来改善果蝇算法存在的问题,并通过果蝇算法优化最优控制中的加权系数矩阵和加权因子,主动悬架在不同等级路面时均能达到最优的控制效果。
本发明方法步骤简单,能够在不同等级路面中选取最为合理的加权系数矩阵与加权因子,为主动悬架提供最优主动力,有效实现车辆主动悬架的视觉预瞄控制。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明控制系统的安装结构示意图;
图2为本发明视觉预瞄控制方法的流程图。
附图标记说明:
1—车前激光雷达; 2—电控单元ECU; 3—视觉预瞄算法控制器。
具体实施方式
本发明的基于改进型果蝇算法的主动悬架视觉预瞄控制方法,所述主动悬架视觉预瞄的控制系统包括用于检测车前路面不平度的车前激光雷达1、用于对车前激光雷达1扫描到的信号进行特征提取、分解并处理的电控单元ECU 2和用于为车辆悬架提供最优主动力的视觉预瞄算法控制器 3,所述车前激光雷达1和视觉预瞄算法控制器3均与电控单元ECU 2相接,其特征在于:所述主动悬架视觉预瞄控制方法包括以下步骤:
步骤一、所述车前激光雷达1扫描车辆前方行驶路面;
步骤二、所述电控单元ECU 2对车前激光雷达1扫描信号进行分数阶傅里叶变换,得到二维的分数阶傅里叶变换谱;
步骤三、所述电控单元ECU 2采用均值滤波、小波滤波及巴特沃兹滤波的复合滤波方法,对分数傅里叶变换谱进行图像增强处理;
步骤四、所述电控单元ECU 2对增强后的分数阶傅里叶变换谱图像进行数据聚类,确定聚类数量并分离各聚类数据;
步骤五、所述电控单元ECU 2对分离的各聚类数据进行峰值位置和峰值强度统计,筛选有效数据点后对保留数据进行最小二乘法拟合,获得飞行时间、脉宽和幅值;
步骤六、所述电控单元ECU 2根据雷达处理信号中的飞行时间、脉宽和幅值计算行驶车辆的横向位移和纵向位移;
步骤七、所述电控单元ECU 2通过处理横向位移和纵向位移值,构成特征矩阵,计算当前路面的功率谱密度,确定相应的路面等级;
步骤八、所述电控单元ECU 2将相应路面等级下的路面不平度系数和相应路面等级下被动悬架的性能指标输入视觉预瞄算法控制器3中;
步骤九、所述视觉预瞄算法控制器3采用改进型果蝇算法,计算出最优主动力,将最优主动力输入到车辆悬架中,实现主动悬架在不同等级路面下的主动视觉预瞄控制。
具体实施时,如图1所示,所述车前激光雷达1以合理的角度和高度安装在车辆前方,用于采集前方路面的路面不平度;所述电控单元ECU 2 安装在车辆驾驶室内;所述视觉预瞄算法控制器3安装于悬架上。
本方法中,步骤二中所述电控单元ECU 2对车前激光雷达1扫描信号进行分数阶傅里叶变换,得到二维的分数阶傅里叶变换谱的具体步骤为:
步骤201、建立车前激光雷达1扫描信号理论模型,所述车前激光雷达1扫描信号理论模型为其中,K为高斯成分数量,ak代表第k个高斯成分的幅值,tk代表第k个高斯成分的飞行时间;σk代表第k个高斯成分的脉冲宽度;η(t)表示加性噪声,t为时间域变量;
其中,α为角度参数,p为阶数,α与p的关系为:α=pπ/2,j表示虚数单位,δ(·)为单位冲激函数,cot表示余切函数,csc表示余割函数;
步骤203、得到二维的分数阶傅里叶变换谱;
所述车前激光雷达1扫描信号的分数阶傅里叶变换结果为:
本方法中,步骤四中所述电控单元ECU 2对增强后的分数阶傅里叶变换谱图像进行数据聚类,确定聚类数量并分离各聚类数据的具体步骤为:
步骤402、绘制cosα-up图像,其中up=tkcosα,并且绘制图像的up/cosα分布的直方图,其中,tk为飞行时间,up为各聚类数据在不同cosα值或p值下对应的u值;
步骤403、对直方图进行自动聚类操作;
步骤40301、设定一个阈值,直方图中频次大于该阈值的点作为有效数据点保留;
步骤40302、遍历有效数据点,如果当前点的位置与前一点的位置相邻,则当前点列入前一点的相同聚类中;否则,当前点列入新的聚类,前一聚类遍历结束;
步骤40303、遍历下一个点并继续步骤40302直到最后一个点已经确定所属的聚类,至此确定总聚类数;
本方法中,步骤五中所述电控单元ECU 2对分离的各聚类数据进行峰值位置和峰值强度统计,筛选有效数据点后对保留数据进行最小二乘法拟合,获得飞行时间、脉宽和幅值的具体过程为:
获得飞行时间的具体过程为:针对不同类簇的点图,采用最小二乘法用直线拟合,拟合的表达式为最优参数为其中,n为观测数据点总数,xi和yi分别为观测数据点的横坐标和纵坐标,为观测数据点横坐标均值,为观测数据点纵坐标表均值;对各聚类的拟合结果通过公式确定各聚类飞行时间,其中Δt为数据点的单位时间值;
获得脉宽和幅值的具体步骤为:
步骤503、进一步对有效数据点进行筛选,剔除误差较大的点,剩余数据点均视为有效峰值强度点,强度集记为Imax;
本方法中,步骤六中所述电控单元ECU 2根据雷达处理信号中的飞行时间、脉宽和幅值计算行驶车辆的横向位移和纵向位移的具体步骤为:
本方法中,步骤七中所述电控单元ECU 2通过处理横向位移和纵向位移值,构成特征矩阵,计算当前路面的功率谱密度,确定相应的路面等级的具体过程为:
通过快速傅里叶变换后构成特征矩阵,然后使用Welch的方法计算其 PSD,特征矩阵为
其中,特征矩阵Fls每列向量代表的是每个扫描周期经计算后得到的全部功率谱PSD值,特征矩阵中第一行第一列元素Fs1,f1代表的是第一个扫描周期数据空间频率从0c/m到0.1c/m的PSD值,Fsn,f1代表第n个扫描周期数据空间频率从0c/m到0.1c/m的PSD值,Fsn,fm代表第n个扫描周期数据空间频率从34.9c/m到35c/m的PSD值,特征矩阵Fls中共包含n个样本,每个样本具有m个特征,元素值表示形成最终特征矩阵的特定研究频率的功率谱值归一化后体现在[0,1]数值范围内的数值。
本方法中,步骤九中所述视觉预瞄算法控制器3采用改进型果蝇算法的具体步骤为:
步骤901、选取车身加速度、角加速度、前悬架动挠度、后悬架动挠度、前轮胎动载荷、后轮胎动载荷、前悬架非簧载质量速度和后悬架非簧载质量速度8个性能指标作为改进型果蝇算法的优化目标,根据性能指标选取果蝇算法的适应度函数式f(x),即
其中,BA(x)为车身加速度的均方根值,TAA(x)为角加速度的均方根值, SDDF(x)为前悬架动挠度的均方根值,SDDR(x)为后悬架动挠度的均方根值,TDLF(x)为前轮胎动载荷的均方根值,TDLR(x)为后轮胎动载荷的均方根值,UMVF(x)为前悬架非簧载质量速度的均方根值,UMVR(x)为后悬架非簧载质量速度的均方根值,BApas、TAApas、SDDFpas、SDDRpas、TDLFpas、TDLRpas、 UMVFpas和UMVRpas分别为车辆被动悬架中车身加速度、角加速度、前悬架动挠度、后悬架动挠度、前轮胎动载荷、后轮胎动载荷、前悬架非簧载质量速度和后悬架非簧载质量速度的相应性能指标;
步骤902、设置迭代次数,随机初始化果蝇群体的位置;
步骤903、初始化的果蝇个体利用嗅觉搜寻食物的随机方向与飞行距离;
步骤904、计算果蝇个体与原点之间的距离和味道浓度;
步骤905、味道浓度乘以q1、q2、q3、q4、q5、q6、q7、q8,并代入果蝇算法的适应度函数式f(x),其中,q1为车身加速度的加权因子、q2为角加速度的加权因子、q3为前悬架动挠度的加权因子、q4为后悬架动挠度的加权因子、q5为前轮胎动载荷的加权因子、q6为后轮胎动载荷的加权因子、 q7为前悬架非簧载质量速度的加权因子、q8为后悬架非簧载质量速度的加权因子;
步骤906、找出f(x)的最小值;
步骤907、保留最佳浓度值和种群位置;
步骤908、计算果蝇群体平均味道浓度判定值的方差并选取下一次迭代的步长;
步骤909、重复步骤903~步骤906,进行迭代寻优,使果蝇往该方向飞去,对比本次f(x)的最小值和前一次f(x)的最小值,当本次f(x)的最小值小于前一次f(x)的最小值时,本次味道浓度优于前一次迭代的味道浓度,本次味道浓度值作为最佳浓度值,执行步骤907;当本次f(x)的最小值不小于前一次f(x)的最小值时,执行步骤9010;
步骤9010、判断迭代是否达到最大次数,当迭代达到最大次数时,结束迭代寻优;当迭代未达到最大次数时,执行步骤908。
本方法中,步骤908中所述计算果蝇群体平均味道浓度判定值的方差并选取下一次迭代的步长的具体步骤为:
步骤90802、计算果蝇群体平均味道浓度判定值的方差σ2;
步骤90803、确定自适应步长;自适应步长公式为:
其中,hr为种群第r代搜索步长;N为迭代次数。
以上所述,仅是本发明的较佳实施例,并非对本发明作任何限制,凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化,均仍属于本发明技术方案的保护范围内。
Claims (8)
1.一种基于改进型果蝇算法的主动悬架视觉预瞄控制方法,所述主动悬架视觉预瞄的控制系统包括用于检测车前路面不平度的车前激光雷达(1)、用于对车前激光雷达(1)扫描到的信号进行特征提取、分解并处理的电控单元ECU(2)和用于为车辆悬架提供最优主动力的视觉预瞄算法控制器(3),所述车前激光雷达(1)和视觉预瞄算法控制器(3)均与电控单元ECU(2)相接,其特征在于:所述主动悬架视觉预瞄控制方法包括以下步骤:
步骤一、所述车前激光雷达(1)扫描车辆前方行驶路面;
步骤二、所述电控单元ECU(2)对车前激光雷达(1)扫描信号进行分数阶傅里叶变换,得到二维的分数阶傅里叶变换谱;
步骤三、所述电控单元ECU(2)采用均值滤波、小波滤波及巴特沃兹滤波的复合滤波方法,对分数傅里叶变换谱进行图像增强处理;
步骤四、所述电控单元ECU(2)对增强后的分数阶傅里叶变换谱图像进行数据聚类,确定聚类数量并分离各聚类数据;
步骤五、所述电控单元ECU(2)对分离的各聚类数据进行峰值位置和峰值强度统计,筛选有效数据点后对保留数据进行最小二乘法拟合,获得飞行时间、脉宽和幅值;
步骤六、所述电控单元ECU(2)根据雷达处理信号中的飞行时间、脉宽和幅值计算行驶车辆的横向位移和纵向位移;
步骤七、所述电控单元ECU(2)通过处理横向位移和纵向位移值,构成特征矩阵,计算当前路面的功率谱密度,确定相应的路面等级;
步骤八、所述电控单元ECU(2)将相应路面等级下的路面不平度系数和相应路面等级下被动悬架的性能指标输入视觉预瞄算法控制器(3)中;
步骤九、所述视觉预瞄算法控制器(3)采用改进型果蝇算法,计算出最优主动力,将最优主动力输入到车辆悬架中,实现主动悬架在不同等级路面下的主动视觉预瞄控制。
2.按照权利要求1所述的一种基于改进型果蝇算法的主动悬架视觉预瞄控制方法,其特征在于:步骤二中所述电控单元ECU(2)对车前激光雷达(1)扫描信号进行分数阶傅里叶变换,得到二维的分数阶傅里叶变换谱的具体步骤为:
步骤201、建立车前激光雷达(1)扫描信号理论模型,所述车前激光雷达(1)扫描信号理论模型为其中,K为高斯成分数量,ak代表第k个高斯成分的幅值,tk代表第k个高斯成分的飞行时间;σk代表第k个高斯成分的脉冲宽度;η(t)表示加性噪声,t为时间域变量;
其中,α为角度参数,p为阶数,α与p的关系为:α=pπ/2,j表示虚数单位,δ(·)为单位冲激函数,cot表示余切函数,csc表示余割函数;
步骤203、得到二维的分数阶傅里叶变换谱;
所述车前激光雷达(1)扫描信号的分数阶傅里叶变换结果为:
3.按照权利要求1所述的一种基于改进型果蝇算法的主动悬架视觉预瞄控制方法,其特征在于:步骤四中所述电控单元ECU(2)对增强后的分数阶傅里叶变换谱图像进行数据聚类,确定聚类数量并分离各聚类数据的具体步骤为:
步骤402、绘制cosα-up图像,其中up=tkcosα,并且绘制图像的up/cosα分布的直方图,其中,tk为飞行时间,up为各聚类数据在不同cosα值或p值下对应的u值;
步骤403、对直方图进行自动聚类操作;
步骤40301、设定一个阈值,直方图中频次大于该阈值的点作为有效数据点保留;
步骤40302、遍历有效数据点,如果当前点的位置与前一点的位置相邻,则当前点列入前一点的相同聚类中;否则,当前点列入新的聚类,前一聚类遍历结束;
步骤40303、遍历下一个点并继续步骤40302直到最后一个点已经确定所属的聚类,至此确定总聚类数;
4.按照权利要求1所述的一种基于改进型果蝇算法的主动悬架视觉预瞄控制方法,其特征在于:步骤五中所述电控单元ECU(2)对分离的各聚类数据进行峰值位置和峰值强度统计,筛选有效数据点后对保留数据进行最小二乘法拟合,获得飞行时间、脉宽和幅值的具体过程为:
获得飞行时间的具体过程为:针对不同类簇的点图,采用最小二乘法用直线拟合,拟合的表达式为最优参数为其中,n为观测数据点总数,xi和yi分别为观测数据点的横坐标和纵坐标,为观测数据点横坐标均值,为观测数据点纵坐标表均值;对各聚类的拟合结果通过公式确定各聚类飞行时间,其中Δt为数据点的单位时间值;
获得脉宽和幅值的具体步骤为:
步骤503、进一步对有效数据点进行筛选,剔除误差较大的点,剩余数据点均视为有效峰值强度点,强度集记为Imax;
5.按照权利要求1所述的一种基于改进型果蝇算法的主动悬架视觉预瞄控制方法,其特征在于:步骤六中所述电控单元ECU(2)根据雷达处理信号中的飞行时间、脉宽和幅值计算行驶车辆的横向位移和纵向位移的具体步骤为:
6.按照权利要求1所述的一种基于改进型果蝇算法的主动悬架视觉预瞄控制方法,其特征在于:步骤七中所述电控单元ECU(2)通过处理横向位移和纵向位移值,构成特征矩阵,计算当前路面的功率谱密度,确定相应的路面等级的具体过程为:
通过快速傅里叶变换后构成特征矩阵,然后使用Welch的方法计算其PSD,特征矩阵为
其中,特征矩阵Fls每列向量代表的是每个扫描周期经计算后得到的全部功率谱PSD值,特征矩阵中第一行第一列元素Fs1,f1代表的是第一个扫描周期数据空间频率从0c/m到0.1c/m的PSD值,Fsn,f1代表第n个扫描周期数据空间频率从0c/m到0.1c/m的PSD值,Fsn,fm代表第n个扫描周期数据空间频率从34.9c/m到35c/m的PSD值,特征矩阵Fls中共包含n个样本,每个样本具有m个特征,元素值表示形成最终特征矩阵的特定研究频率的功率谱值归一化后体现在[0,1]数值范围内的数值。
7.按照权利要求1所述的一种基于改进型果蝇算法的主动悬架视觉预瞄控制方法,其特征在于:步骤九中所述视觉预瞄算法控制器(3)采用改进型果蝇算法的具体步骤为:
步骤901、选取车身加速度、角加速度、前悬架动挠度、后悬架动挠度、前轮胎动载荷、后轮胎动载荷、前悬架非簧载质量速度和后悬架非簧载质量速度8个性能指标作为改进型果蝇算法的优化目标,根据性能指标选取果蝇算法的适应度函数式f(x),即
其中,BA(x)为车身加速度的均方根值,TAA(x)为角加速度的均方根值,SDDF(x)为前悬架动挠度的均方根值,SDDR(x)为后悬架动挠度的均方根值,TDLF(x)为前轮胎动载荷的均方根值,TDLR(x)为后轮胎动载荷的均方根值,UMVF(x)为前悬架非簧载质量速度的均方根值,UMVR(x)为后悬架非簧载质量速度的均方根值,BApas、TAApas、SDDFpas、SDDRpas、TDLFpas、TDLRpas、UMVFpas和UMVRpas分别为车辆被动悬架中车身加速度、角加速度、前悬架动挠度、后悬架动挠度、前轮胎动载荷、后轮胎动载荷、前悬架非簧载质量速度和后悬架非簧载质量速度的相应性能指标;
步骤902、设置迭代次数,随机初始化果蝇群体的位置;
步骤903、初始化的果蝇个体利用嗅觉搜寻食物的随机方向与飞行距离;
步骤904、计算果蝇个体与原点之间的距离和味道浓度;
步骤905、味道浓度乘以q1、q2、q3、q4、q5、q6、q7、q8,并代入果蝇算法的适应度函数式f(x),其中,q1为车身加速度的加权因子、q2为角加速度的加权因子、q3为前悬架动挠度的加权因子、q4为后悬架动挠度的加权因子、q5为前轮胎动载荷的加权因子、q6为后轮胎动载荷的加权因子、q7为前悬架非簧载质量速度的加权因子、q8为后悬架非簧载质量速度的加权因子;
步骤906、找出f(x)的最小值;
步骤907、保留最佳浓度值和种群位置;
步骤908、计算果蝇群体平均味道浓度判定值的方差并选取下一次迭代的步长;
步骤909、重复步骤903~步骤906,进行迭代寻优,使果蝇往该方向飞去,对比本次f(x)的最小值和前一次f(x)的最小值,当本次f(x)的最小值小于前一次f(x)的最小值时,本次味道浓度优于前一次迭代的味道浓度,本次味道浓度值作为最佳浓度值,执行步骤907;当本次f(x)的最小值不小于前一次f(x)的最小值时,执行步骤9010;
步骤9010、判断迭代是否达到最大次数,当迭代达到最大次数时,结束迭代寻优;当迭代未达到最大次数时,执行步骤908。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911261395.XA CN110877509B (zh) | 2019-12-11 | 2019-12-11 | 一种基于改进型果蝇算法的主动悬架视觉预瞄控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911261395.XA CN110877509B (zh) | 2019-12-11 | 2019-12-11 | 一种基于改进型果蝇算法的主动悬架视觉预瞄控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110877509A true CN110877509A (zh) | 2020-03-13 |
CN110877509B CN110877509B (zh) | 2021-04-30 |
Family
ID=69731647
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911261395.XA Active CN110877509B (zh) | 2019-12-11 | 2019-12-11 | 一种基于改进型果蝇算法的主动悬架视觉预瞄控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110877509B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111873744A (zh) * | 2020-07-15 | 2020-11-03 | 吉林大学 | 基于相机传感器路面信息识别的主动悬架预瞄控制方法 |
CN113183709A (zh) * | 2021-06-04 | 2021-07-30 | 合肥工业大学 | 一种汽车电控悬架预瞄控制方法 |
WO2022267620A1 (zh) * | 2021-06-26 | 2022-12-29 | 燕山大学 | 基于车前地形的主动悬挂惯性调控方法和控制系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN205112911U (zh) * | 2015-10-13 | 2016-03-30 | 湖北航天技术研究院特种车辆技术中心 | 一种基于油气弹簧的预瞄式主动悬架 |
US20160318365A1 (en) * | 2015-04-28 | 2016-11-03 | Ram Sivaraman | Method of adapting an automobile suspension in real-time |
CN106183691A (zh) * | 2016-09-21 | 2016-12-07 | 吉林大学 | 一种预瞄式主动悬架及其控制方法 |
US20170087951A1 (en) * | 2015-09-29 | 2017-03-30 | Ford Global Technologies, Llc | Obstacle avoidance system with active suspensions |
CN108872962A (zh) * | 2018-05-10 | 2018-11-23 | 南京航空航天大学 | 基于分数阶傅里叶变换的激光雷达微弱信号提取和分解方法 |
DE102018008233A1 (de) * | 2018-10-18 | 2019-04-11 | Daimler Ag | Verfahren zur Ausrichtung eines Sichtkegels eines LIDAR Sensors an einem Fahrzeug |
CN109664707A (zh) * | 2018-11-26 | 2019-04-23 | 武汉新能源汽车工业技术研究院有限公司 | 一种主动悬架的控制方法及装置 |
CN110084390A (zh) * | 2019-03-26 | 2019-08-02 | 河南科技学院 | 一种基于改进型果蝇算法的多车协同拼车路径优化方法 |
US10416292B2 (en) * | 2016-05-24 | 2019-09-17 | Veoneer Us, Inc. | Direct detection LiDAR system and method with frequency modulation (FM) transmitter and quadrature receiver |
-
2019
- 2019-12-11 CN CN201911261395.XA patent/CN110877509B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160318365A1 (en) * | 2015-04-28 | 2016-11-03 | Ram Sivaraman | Method of adapting an automobile suspension in real-time |
US20170087951A1 (en) * | 2015-09-29 | 2017-03-30 | Ford Global Technologies, Llc | Obstacle avoidance system with active suspensions |
CN205112911U (zh) * | 2015-10-13 | 2016-03-30 | 湖北航天技术研究院特种车辆技术中心 | 一种基于油气弹簧的预瞄式主动悬架 |
US10416292B2 (en) * | 2016-05-24 | 2019-09-17 | Veoneer Us, Inc. | Direct detection LiDAR system and method with frequency modulation (FM) transmitter and quadrature receiver |
CN106183691A (zh) * | 2016-09-21 | 2016-12-07 | 吉林大学 | 一种预瞄式主动悬架及其控制方法 |
CN108872962A (zh) * | 2018-05-10 | 2018-11-23 | 南京航空航天大学 | 基于分数阶傅里叶变换的激光雷达微弱信号提取和分解方法 |
DE102018008233A1 (de) * | 2018-10-18 | 2019-04-11 | Daimler Ag | Verfahren zur Ausrichtung eines Sichtkegels eines LIDAR Sensors an einem Fahrzeug |
CN109664707A (zh) * | 2018-11-26 | 2019-04-23 | 武汉新能源汽车工业技术研究院有限公司 | 一种主动悬架的控制方法及装置 |
CN110084390A (zh) * | 2019-03-26 | 2019-08-02 | 河南科技学院 | 一种基于改进型果蝇算法的多车协同拼车路径优化方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111873744A (zh) * | 2020-07-15 | 2020-11-03 | 吉林大学 | 基于相机传感器路面信息识别的主动悬架预瞄控制方法 |
CN111873744B (zh) * | 2020-07-15 | 2023-03-28 | 吉林大学 | 基于相机传感器路面信息识别的主动悬架预瞄控制方法 |
CN113183709A (zh) * | 2021-06-04 | 2021-07-30 | 合肥工业大学 | 一种汽车电控悬架预瞄控制方法 |
CN113183709B (zh) * | 2021-06-04 | 2022-09-27 | 合肥工业大学 | 一种汽车电控悬架预瞄控制方法 |
WO2022267620A1 (zh) * | 2021-06-26 | 2022-12-29 | 燕山大学 | 基于车前地形的主动悬挂惯性调控方法和控制系统 |
US11813915B2 (en) | 2021-06-26 | 2023-11-14 | Yanshan University | Active suspension inertia regulation method based on vehicle-front terrain, and control system |
JP7456696B2 (ja) | 2021-06-26 | 2024-03-27 | 燕山大学 | 車前地形に基づくアクティブサスペンション慣性制御方法及び制御システム |
EP4206006A4 (en) * | 2021-06-26 | 2024-04-24 | Univ Yanshan | ACTIVE SUSPENSION INERTIA CONTROL METHOD BASED ON THE FRONT TERRAIN OF A VEHICLE AND CONTROL SYSTEM |
Also Published As
Publication number | Publication date |
---|---|
CN110877509B (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110877509B (zh) | 一种基于改进型果蝇算法的主动悬架视觉预瞄控制方法 | |
CN112505648B (zh) | 基于毫米波雷达回波的目标特征提取方法 | |
Yang et al. | Adaptive detection for infrared small target under sea-sky complex background | |
CN104614718B (zh) | 基于粒子群算法的激光雷达波形数据分解的方法 | |
CN103440495B (zh) | 一种复合绝缘子憎水等级自动识别方法 | |
CN107843884A (zh) | 基于双偏振雷达观测提高雷暴天气预警预报准确度的方法 | |
CN107016677A (zh) | 一种基于fcn和cnn的云图分割方法 | |
CN108665466B (zh) | 一种道路激光点云中路面病害自动提取方法 | |
CN102721952B (zh) | 基于超分辨多普勒谱的地面运动目标稳健分类方法 | |
CN104049245A (zh) | 基于LiDAR点云空间差异分析的城市建筑物变化检测方法 | |
CN101833753A (zh) | 基于改进贝叶斯非局部均值滤波器的sar图像去斑方法 | |
CN105427301B (zh) | 基于直流分量比测度的海陆杂波场景分割方法 | |
CN101482617A (zh) | 基于非下采样轮廓波的合成孔径雷达图像去噪方法 | |
CN105741262B (zh) | 基于能量聚集度测度的海陆杂波场景分割方法 | |
CN104299232A (zh) | 一种基于自适应窗方向波域和改进fcm的sar图像分割方法 | |
CN113052000A (zh) | 一种船舶机械设备早期微弱故障信号特征诊断方法 | |
DE102019200849A1 (de) | Verfahren zum Erfassen einer Bewegung eines Objekts | |
CN1870051A (zh) | 基于神经网络和形态学的红外弱小目标单帧检测方法 | |
CN107450054A (zh) | 一种自适应探地雷达数据去噪方法 | |
CN113960587B (zh) | 基于类别信息反馈的毫米波雷达多目标跟踪方法 | |
CN102592290A (zh) | 一种针对水下显微视频的运动目标区域检测方法 | |
CN110532615B (zh) | 一种浅海复杂地形的逐级分解方法 | |
CN103077499A (zh) | 基于相似块的sar图像预处理方法 | |
CN113064133B (zh) | 一种基于时频域深度网络的海面小目标特征检测方法 | |
CN110060220A (zh) | 基于改进bm3d算法的图像去噪方法及系统 |
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 |