CN111645670B - 一种基于支持向量机的重载车辆侧倾状态检测方法 - Google Patents

Abstract

本发明提出一种基于支持向量机的重载车辆侧倾状态检测方法，首先明确影响重载车辆侧倾状态的因素及其获取方式，然后定义用于辨识侧倾状态的表征参数和不同危险等级的侧倾状态，接着开展典型侧翻场景下的重载车辆实车试验并保存数据，进而设计用于重载车辆侧倾状态检测的SVM，最后基于SVM实现重载车辆侧倾状态的实时检测。该方法选用整车质量、车速和方向盘转角信息实现侧倾状态的冗余检测，提高检测的可靠性；车速和方向盘转角通过车身CAN总线读取，无需外加传感器，成本低；以最后一轴两侧车轮垂向力的横向变化来辨识侧倾状态，建立整车质量、车速、方向盘转角与侧倾状态的对应关系，利用实车试验数据训练SVM，提高检测的准确性。

Description

一种基于支持向量机的重载车辆侧倾状态检测方法

技术领域

本发明涉及一种重载车辆侧倾状态检测方法，具体的是一种基于支持向量机的重载车辆侧倾状态检测方法，属于车辆安全技术领域。

背景技术

近年来，随着我国经济的蓬勃发展，物流行业正飞速成长，重载车辆市场不断扩大，逐渐成为我国公路运输车辆的主力。重载车辆由于整车质量大、质心高和车体宽度小等原因，在变道和转向时易发生侧翻，造成大量人员伤亡和财产损失。美国公路交通安全局(NHTSA)统计，侧翻占重载车辆所有事故造成损失的60％左右。因此若能可靠、准确检测重载车辆的侧倾状态，并结合侧翻防控装置，可以有效减少侧翻事故发生频率。

相比于小型车，重载车辆车身结构复杂、载重大，检测侧倾状态较为困难。郑州宇通客车股份有限公司提出了一种车辆侧倾状态检测方法(专利号ZL201410006515.2)，首先通过在车辆质心处安装加速度传感器读取车身的侧向加速度和垂向加速度，然后建立车身动力学模型利用侧向加速度和垂向加速度估算车身侧倾角，最后与设定的侧倾角范围比较判断得到车辆侧倾状态。该方法虽然能够检测重载车辆侧倾状态，但存在以下问题：1、在车身额外安装传感器，操作不便；2、仅以侧向加速度来判断侧倾状态，感知手段相对单一，可靠性不高；3、用于判断侧倾状态的侧倾角范围一般是通过多维仿真试验或经验数据获得，导致侧倾状态检测结果与实际存在一定误差。

发明内容

针对重载车辆侧倾状态检测准确性较低的问题，本发明提出了一种基于支持向量机的重载车辆侧倾状态检测方法。该方法能够根据罐车的整车质量、车速和方向盘转角信息将侧倾状态准确分为三类，有助于提高侧翻预警的准确性。

为了实现上述目的，本发明提供如下技术方案：

步骤一：明确影响重载车辆侧倾状态的因素及其获取方式

影响重载车辆侧倾状态的因素选为整车质量m、车速v和方向盘转角θ，重载车辆的整车质量通过事先静态测量获得，车速和方向盘转角的信息通过车身CAN总线直接读取；

步骤二：定义用于辨识侧倾状态的表征参数和不同危险等级的侧倾状态

定义车轮垂向力横向转移率λ，计算公式为：

式(1)中，λ＝[0,1]，t_l为重载车辆最后一轴左侧车轮垂向力，t_r为重载车辆最后一轴右侧车轮垂向力，车轮垂向力通过轮力传感器测得，车速、方向盘转角和车轮垂向力信息输出频率相同。

定义不同危险等级的侧倾状态J(λ)为：

式(2)中，S表示无侧翻危险，M表示存在较小侧翻危险，H表示存在较大侧翻危险；

步骤三：开展典型侧翻场景下重载车辆侧翻实车试验并保存数据

侧翻场景的建立考虑驾驶行为基元和载荷基元，驾驶行为基元分为J转向和双移线，载荷基元分为空载、半载和满载；场景基元排列组合后有2种驾驶行为×3种载荷＝6种侧翻场景；在封闭试验场开展实车试验的具体步骤包括：

子步骤1：试验在干燥、坚实的路面上进行，且路面表面峰值附着系数不小于0.9，重载车辆两侧安装防侧翻架；

子步骤2：在试验场地上画出J转向或双移线的试验轨迹，设置重载车辆的载荷，静态测量出整车质量；

子步骤3：在设置好的某一侧翻场景下，按照轨迹行驶，单次试验保持车速恒定，以32km/h为初始速度，逐次增加2km/h，直到试验过程中最后一轴一侧轮胎垂向力为0或者防侧翻支架一侧着地结束当前场景下的试验，保存每次试验中整车质量、车速、方向盘转角和侧倾状态等级的信息；

子步骤4：重复子步骤2和子步骤3，完成6种侧翻场景下的实车试验；

完成实车试验后，得到SVM的训练样本[m_i v_i θ_i J(λ_i)]，i＝1,2,…,n，n为6种侧翻场景下采集车速的数据总量，其中车速、方向盘转角和车轮垂向力信息输出频率相同；

步骤四：设计用于重载车辆侧倾状态检测的SVM

以用于检测J(λ)＝H的SVM为例介绍模型设计方法，样本输入特征向量z_i＝[m_i v_iθ_i]^T，输出为y_i，i＝1,2,…,n，计算公式为：

上角标T表示对矩阵转置，训练集中有n个样本实例，选取n个地标，令l₁＝z₁,l₂＝z₂,…,l_n＝z_n，对于给定的z_i，新的n维特征向量x_i为：

式(4)中，similarity(·)代表高斯核函数，SVM的假设函数f_H(x)＝g(w^Tx+b)，其中g(·)代表激活函数，x代表特征向量，w代表可调节的权重向量，b代表偏差。SVM假设函数求解的目标函数为：

利用拉格朗日乘子法将式(5)改写成无约束形式得：

式(6)中a_i是拉格朗日乘子，令式(6)对w,b的偏导数为零得：

将偏导求得的结果带入式(6)得：

使用了拉格朗日乘子法后，原问题变为其对偶问题：

对W(a)求极值，得到最优解

根据

求得w^*，然后

求得用于检测J(λ)＝H的SVM假设函数为f_H(x)＝g(w^*Tx+b^*)；

利用上述方法同样求得用于检测J(λ)＝S的SVM假设函数f_S(x)、用于检测J(λ)＝M的SVM假设函数f_M(x)。

步骤五：基于SVM实现重载车辆侧倾状态的实时检测

重载车辆在公路上行驶时，通过静态测量的方式事先测得整车质量

通过CAN总线实时读取车速

和方向盘转角

将

带入式(4)得到n维特征向量

分别计算

和

其中最大值对应的状态为当前重载车辆的侧倾状态。

与现有技术相比，本发明具有如下优点和有益效果：

1.本发明选用整车质量、车速和方向盘转角信息实现侧倾状态的冗余检测，提高检测的可靠性；

2.本发明选用的整车质量可通过事先静态测量获得，车速和方向盘转角可通过车身CAN总线读取，无需外加传感器，成本低；

3.本发明以最后一轴两侧车轮垂向力的横向变化来辨识侧倾状态，并在不同侧翻场景下开展实车试验，建立整车质量、车速、方向盘转角与侧倾状态的对应关系，利用实车试验数据训练SVM，提高检测的准确性。

附图说明

图1为重载车辆侧倾状态检测方法的总体设计方案图

图2为用于检测侧倾状态的SVM训练使用流程图

具体实施方式

以下将结合具体实例对本发明提供的技术方案进行详细说明，应理解下述具体实施方式仅用于说明而不用于限制本发明的范围。

本发明提出了一种基于支持向量机(SVM)的重载车辆侧倾状态检测方法，首先明确影响重载车辆侧倾状态的因素及其获取方式，然后定义用于辨识侧倾状态的表征参数和不同危险等级的侧倾状态，接着开展典型侧翻场景下的重载车辆实车试验并保存数据，进而设计用于重载车辆侧倾状态检测的SVM，最后基于SVM实现重载车辆侧倾状态的实时检测。该方法选用整车质量、车速和方向盘转角信息实现侧倾状态的冗余检测，提高检测的可靠性；整车质量可通过事先静态测量获得，车速和方向盘转角可通过车身CAN总线读取，无需外加传感器，成本低；以最后一轴两侧车轮垂向力的横向变化来辨识侧倾状态，并在不同侧翻场景下开展实车试验，建立整车质量、车速、方向盘转角与侧倾状态的对应关系，利用实车试验数据训练SVM，提高检测的准确性。本发明总体设计方案如图1所示，具体步骤包括：

步骤一：明确影响重载车辆侧倾状态的因素及其获取方式

重载车辆做曲线运动时，整车质量越大，车速越大，导致车辆的离心力越大，当车辆自重加在车轮上的力矩不足以克服离心力时，车辆会发生侧翻。同时方向盘转角控制着重载车辆的横向运动，影响横向稳定性。因此影响重载车辆侧倾状态的因素选为整车质量m、车速v和方向盘转角θ。

重载车辆的整车质量通过事先静态测量获得。由于越来越多的重载车辆配备制动防抱死系统(ABS)等电子系统，轮速传感器和方向盘转角传感器已被安装在车辆中，通过车身CAN总线可以直接读取车速和方向盘转角的信息，从而不必额外加装传感器，节约了成本。为了保证车速信息的准确性，通过车身CAN总线采集最后轴两轮(即非转向轮)轮速传感器信息的均值作为车速v。

步骤二：定义用于辨识侧倾状态的表征参数和不同危险等级的侧倾状态

辨识车辆侧倾状态一般是通过侧翻指标(如0.4g侧向加速度等)来实现，而侧翻指标大多通过多维仿真试验获得，与重载车辆实际发生侧翻时存在些许误差。由于重载车辆发生侧翻的临界情况为内侧最后一轴车轮垂向力为零，故以最后一轴两侧车轮垂向力的横向变化来辨识侧倾状态。定义车轮垂向力横向转移率λ，计算公式为：

式(1)中，λ＝[0,1]，t_l为重载车辆最后一轴左侧车轮垂向力，t_r为重载车辆最后一轴右侧车轮垂向力，车轮垂向力通过轮力传感器测得(轮力传感器的介绍与功能见参考文献--晏华文.基于蓝牙的车轮力数据传输系统设计[D].镇江:江苏科技大学,2013)；车速、方向盘转角和车轮垂向力信息输出频率相同。

定义不同危险等级的侧倾状态J(λ)为：

式(2)中，S表示无侧翻危险，M表示存在较小侧翻危险，H表示存在较大侧翻危险。

步骤三：开展典型侧翻场景下重载车辆侧翻实车试验并保存数据

开展实车试验前，需要建立适用于重载车辆的侧翻场景。侧翻场景的建立需考虑驾驶行为基元和载荷基元，驾驶行为基元分为J转向和双移线，载荷基元分为空载、半载和满载。为与侧滑区分，暂不考虑低附着系数。J转向试验轨迹设置参考JT/T 1094-2016《营运客车安全技术条件》中转向试验规定，双移线试验轨迹设置参考ISO 3888-2《乘用车--急剧变换车道操纵用试验车道--第2部分：障碍物规避》中规定要求。场景基元排列组合，有2种驾驶行为×3种载荷＝6种侧翻场景。

确定重载车辆典型侧翻场景后，在封闭试验场依次设置6种测试场景并开展实车试验，具体步骤包括：

子步骤1：试验应在干燥、坚实的路面上进行，且路面表面峰值附着系数不小于0.9，重载车辆两侧安装防侧翻架；

子步骤2：用醒目的颜色在试验场地上画出J转向或双移线的试验轨迹，设置重载车辆的载荷，静态测量出整车质量；

子步骤3：在设置好的某一侧翻场景下，驾驶员尽量按照轨迹行驶，单次试验保持车速恒定，以32km/h为初始速度，逐次增加2km/h，直到试验过程中最后一轴一侧轮胎垂向力为0或者防侧翻支架一侧着地结束当前场景下的试验，保存每次试验中整车质量、车速、方向盘转角和侧倾状态等级的信息；

子步骤4：重复子步骤2和子步骤3，完成6种侧翻场景下的实车试验。

完成实车试验后，得到SVM的训练样本[m_i v_i θ_i J(λ_i)]，i＝1,2,…,n，n为6种侧翻场景下采集车速的数据总量(车速、方向盘转角和车轮垂向力信息输出频率相同)。

步骤四：设计用于重载车辆侧倾状态检测的SVM

SVM是一种二分类模型，而车辆侧倾状态分为3类，故需要对J(λ)＝S、J(λ)＝M和J(λ)＝H分别训练SVM，以用于检测J(λ)＝H的SVM为例介绍模型设计方法。

样本输入特征向量z_i＝[m_i v_i θ_i]^T，输出为y_i，i＝1,2,…,n，计算公式为：

上角标T表示对矩阵转置。由于特征数少，训练样本数多，需要使用高斯核函数将特征映射到高维。训练集中有n个样本实例，选取n个地标，令l₁＝z₁,l₂＝z₂,…,l_n＝z_n，对于给定的z_i，新的n维特征向量x_i为

式(4)中，similarity(·)代表高斯核函数。SVM的假设函数f_H(x)＝g(w^Tx+b)，其中g(·)代表sigmoid函数，x代表特征向量，w代表可调节的权重向量，b代表偏差。SVM假设函数求解的目标函数为：

利用拉格朗日乘子法将式(5)改写成无约束形式可得：

式(6)中a_i是拉格朗日乘子，令式(6)对w,b的偏导数为零可得：

将偏导求得的结果带入式(6)可得：

因为使用了拉格朗日乘子法后，原问题就变为其对偶问题：

对W(a)求极值，得到最优解

根据

求得w^*，然后

求得用于检测J(λ)＝H的SVM假设函数为f_H(x)＝g(w^*Tx+b^*)。SVM具体使用方法可以参考文献(邓乃扬,田英杰.支持向量机-理论、算法与拓展.北京:科学出版社,2009)。

利用上述方法同样求得用于检测J(λ)＝S的SVM假设函数f_S(x)、用于检测J(λ)＝M的SVM假设函数f_M(x)。

步骤五：基于SVM实现重载车辆侧倾状态的实时检测

重载车辆在公路上行驶时，通过静态测量的方式事先测得整车质量

通过CAN总线实时读取车速

和方向盘转角

将

带入式(4)得到n维特征向量

分别计算

和

其中最大值对应的状态为当前重载车辆的侧倾状态。

Claims (1)

1.一种基于支持向量机的重载车辆侧倾状态检测方法，其特征在于，具体步骤包括：

步骤一：明确影响重载车辆侧倾状态的因素及其获取方式

影响重载车辆侧倾状态的因素选为整车质量m、车速v和方向盘转角θ，重载车辆的整车质量通过事先静态测量获得，车速和方向盘转角的信息通过车身CAN总线直接读取；

步骤二：定义用于辨识侧倾状态的表征参数和不同危险等级的侧倾状态

定义车轮垂向力横向转移率λ，计算公式为：

式(1)中，λ＝[0,1]，t_l为重载车辆最后一轴左侧车轮垂向力，t_r为重载车辆最后一轴右侧车轮垂向力，车轮垂向力通过轮力传感器测得，车速、方向盘转角和车轮垂向力信息输出频率相同；

定义不同危险等级的侧倾状态J(λ)为：

式(2)中，S表示无侧翻危险，M表示存在较小侧翻危险，H表示存在较大侧翻危险；

步骤三：开展典型侧翻场景下重载车辆侧翻实车试验并保存数据

侧翻场景的建立考虑驾驶行为基元和载荷基元，驾驶行为基元分为J转向和双移线，载荷基元分为空载、半载和满载；场景基元排列组合后有2种驾驶行为×3种载荷＝6种侧翻场景；在封闭试验场开展实车试验的具体步骤包括：

子步骤1：试验在干燥、坚实的路面上进行，且路面表面峰值附着系数不小于0.9，重载车辆两侧安装防侧翻架；

子步骤2：在试验场地上画出J转向或双移线的试验轨迹，设置重载车辆的载荷，静态测量出整车质量；

子步骤3：在设置好的某一侧翻场景下，按照轨迹行驶，单次试验保持车速恒定，以32km/h为初始速度，逐次增加2km/h，直到试验过程中最后一轴一侧轮胎垂向力为0或者防侧翻支架一侧着地结束当前场景下的试验，保存每次试验中整车质量、车速、方向盘转角和侧倾状态等级的信息；

子步骤4：重复子步骤2和子步骤3，完成6种侧翻场景下的实车试验；

完成实车试验后，得到SVM的训练样本[m_i v_i θ_i J(λ_i)]，i＝1,2,…,n，n为6种侧翻场景下采集车速的数据总量，其中车速、方向盘转角和车轮垂向力信息输出频率相同；

步骤四：设计用于重载车辆侧倾状态检测的SVM

以用于检测J(λ)＝H的SVM为例介绍模型设计方法，样本输入特征向量z_i＝[m_i v_i θ_i]^T，输出为y_i，i＝1,2,…,n，计算公式为：

上角标T表示对矩阵转置，训练集中有n个样本实例，选取n个地标，令l₁＝z₁,l₂＝z₂,…,l_n＝z_n，对于给定的z_i，新的n维特征向量x_i为：

式(4)中，similarity(·)代表高斯核函数，SVM的假设函数f_H(x)＝g(w^Tx+b)，其中g(·)代表激活函数，x代表特征向量，w代表可调节的权重向量，b代表偏差；SVM假设函数求解的目标函数为：

利用拉格朗日乘子法将式(5)改写成无约束形式得：

式(6)中a_i是拉格朗日乘子，令式(6)对w,b的偏导数为零得：

将偏导求得的结果带入式(6)得：

使用了拉格朗日乘子法后，原问题变为其对偶问题：

对W(a)求极值，得到最优解

根据

求得w^*，然后

求得用于检测J(λ)＝H的SVM假设函数为f_H(x)＝g(w^*Tx+b*)；

利用上述方法同样求得用于检测J(λ)＝S的SVM假设函数f_S(x)、用于检测J(λ)＝M的SVM假设函数f_M(x)；

步骤五：基于SVM实现重载车辆侧倾状态的实时检测

重载车辆在公路上行驶时，通过静态测量的方式事先测得整车质量

通过CAN总线实时读取车速

和方向盘转角

将

带入式(4)得到n维特征向量

分别计算

和

其中最大值对应的状态为当前重载车辆的侧倾状态。

Images