CN112182785A - 一种基于数据驱动的汽车方向盘力感建模方法 - Google Patents

一种基于数据驱动的汽车方向盘力感建模方法 Download PDF

Info

Publication number
CN112182785A
CN112182785A CN202011206432.XA CN202011206432A CN112182785A CN 112182785 A CN112182785 A CN 112182785A CN 202011206432 A CN202011206432 A CN 202011206432A CN 112182785 A CN112182785 A CN 112182785A
Authority
CN
China
Prior art keywords
steering wheel
model
automobile steering
data
modeling method
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.)
Pending
Application number
CN202011206432.XA
Other languages
English (en)
Inventor
赵蕊
蔡锦康
邓伟文
丁娟
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.)
Zhejiang Tianxingjian Intelligent Technology Co ltd
Original Assignee
Zhejiang Tianxingjian Intelligent Technology Co ltd
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 Zhejiang Tianxingjian Intelligent Technology Co ltd filed Critical Zhejiang Tianxingjian Intelligent Technology Co ltd
Priority to CN202011206432.XA priority Critical patent/CN112182785A/zh
Publication of CN112182785A publication Critical patent/CN112182785A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computer Hardware Design (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Steering Control In Accordance With Driving Conditions (AREA)

Abstract

本发明公开了基于数据驱动的汽车方向盘力感建模方法，包括以下步骤：筛选影响汽车方向盘力感的主要因素，确定汽车方向盘力感模型的输入与输出参数；进行实车实验，采集真实车辆在多个不同驾驶场景下的驾驶数据，并构建实验数据库；以实验数据库为基础，选择数据驱动建模方法，对汽车方向盘力感模型进行训练，并利用实车数据对模型进行测试验证；针对多个不同驾驶场景，训练多个不同的基于数据驱动的汽车方向盘力感模型；设计切换不同场景所需汽车方向盘力感模型的控制策略。本发明使用真实车辆采集的实车数据，采用基于数据驱动的建模方法进行汽车方向盘力感模型建模，解决了传统机理建模的模型精度不高、应用过程中实时性难以保证等问题。

Description

一种基于数据驱动的汽车方向盘力感建模方法
技术领域
本发明涉及汽车技术领域，具体涉及驾驶模拟器的汽车方向盘力感建模方法。
背景技术
在驾驶模拟器的转向系统中，由于取消了机械结构，驾驶员无法感受到方向盘的反馈力矩，这对驾驶行为来说不仅影响真实度且容易造成决策与操作的失误，因此需要对实车的汽车方向盘力感进行模拟，以保证驾驶模拟器操作的逼真度，让驾驶员获得真实的驾驶力感，使驾驶员在驾驶模拟器中更具沉浸感。
针对汽车方向盘力感的模拟方法大致可以分为机理建模方法与数据建模方法两类。
机理建模得到的模型中的一些关键参数(例如轮胎力与气胎拖距等)不易获取，因此无法达到较高的模型精度，且这类模型的结构复杂，计算量大，应用过程中实时性难以保证。
数据建模无需探究轮胎与转向系统内部复杂的非线性影响因素，如轮胎力与气胎拖距等，只需采集大量丰富的实验数据就能够得到结构简单且具有较高模型精度的汽车方向盘反馈力矩模型。
因此，有必要采取一种训练效率高、精度好的基于数据驱动的汽车方向盘力感建模方法，并设计一种覆盖场景更丰富的分段训练模式，以提高驾驶模拟器转向系统的逼真度。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于数据驱动的汽车方向盘力感建模方法，解决传统机理建模存在的模型结构复杂、精度不高、应用过程中实时性难以保证等问题。
为了达到上述目的，本发明提供一种基于数据驱动的汽车方向盘力感建模方法，包括以下步骤：
步骤一：筛选影响汽车方向盘力感的主要因素，确定汽车方向盘力感模型的输入与输出参数；
步骤二：进行实车实验，采集真实车辆在多个不同驾驶场景下的驾驶数据，并构建用于汽车方向盘力感建模的实验数据库；
步骤三：以实验数据库为基础，选择适用于汽车方向盘力感建模的数据驱动建模方法，对汽车方向盘力感模型进行训练，并利用实车数据对模型进行测试验证；
步骤四：针对多个不同驾驶场景，训练多个不同的基于数据驱动的汽车方向盘力感模型；
步骤五：设计切换不同场景所需汽车方向盘力感模型的控制策略。
进一步地，在步骤一中，所述汽车方向盘力感模型的输入参数为方向盘转角、纵向车速、横摆角速度、侧向加速度，输出参数为方向盘的反馈力矩。
进一步地，在步骤二中，采集真实车辆在多个不同驾驶场景下的驾驶数据时，采集车在以下场景中正常驾驶：高速公路、城市郊区道路、市区道路、泊车区域与原地转向道路。不同类型的真实车辆在丰富驾驶场景下的驾驶数据能够保证所采集数据的多样性与可靠性，能够用于基于数据建模的方向盘力感模型训练，并能够解决传统机理建模的模型精度不高、应用过程中实时性难以保证等问题。
进一步地，在步骤三中，采用NARX动态神经网络用于汽车方向盘力感建模的数据驱动建模方法。
进一步地，训练内容包括原地转向模型和行驶模型的训练。
进一步地，在步骤五中，所述控制策略具体为根据车速切换不同驾驶场景所述汽车方向盘力感模型。
进一步地，当汽车方向盘力感模型发生切换时，模型输出的目标扭矩取多个相邻采样值的均值，从而避免由于模型切换带来的异常手感。
由于采用上述技术方案，本发明达到以下技术效果：本发明以实验数据库为基础，使用真实车辆采集的实车数据，采用基于数据驱动的建模方法进行汽车方向盘力感模型建模，能够解决传统机理建模的模型精度不高、应用过程中实时性难以保证等问题；而且可以针对不同驾驶场景，训练多个汽车方向盘反馈力矩模型，提高了模型在不同场景下的预测精度，并可覆盖更多的应用场景；可以根据车速等车辆运行状态参数切换不同场景所需汽车方向盘反馈力矩模型。
附图说明
图1为影响汽车方向盘力感的主要因素示意图。
图2为动态神经网络模型训练的输入与输出参数。
图3为本发明基于数据驱动的汽车方向盘力感建模方法的步骤流程图。
图4为开环NARX动态神经网络结构的示意图。
图5为闭环NARX动态神经网络结构的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明，下面将结合实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分的实施例，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所做的等效变化与修饰前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
首先请参阅图3，本实施例提供一种基于数据驱动的汽车方向盘力感建模方法，包括以下步骤：
步骤一：筛选影响汽车方向盘力感的主要因素，确定汽车方向盘力感模型的输入与输出参数；
步骤二：进行实车实验，采集真实车辆在多个不同驾驶场景下的驾驶数据，并构建用于汽车方向盘力感建模的实验数据库；
步骤三：以实验数据库为基础，选择适用于汽车方向盘力感建模的数据驱动建模方法，对汽车方向盘力感模型进行训练，并利用实车数据对模型进行测试验证；
步骤四：针对多个不同驾驶场景，训练多个不同的基于数据驱动的汽车方向盘力感模型；
步骤五：设计切换不同场景所需汽车方向盘力感模型的控制策略。
结合图3所示，本发明的建模方法主要由数据部分和模型部分组成，基本原理为基于数据驱动进行汽车方向盘力感模型的建模过程。在数据部分，主要包括制定数据采集方案，采集实车驾驶数据，数据处理和构建数据库等步骤；在模型部分，主要包括筛选建模方法，确定模型结构与参数，模型训练，测试与验证等步骤。在本实施例中，对各步骤详细说明如下。
如图1所示，影响汽车方向盘力感的主要因素包括：由驾驶员输入的方向盘转角对转向系统产生影响，进而影响轮胎的反馈力矩；驾驶员输入的车速信号一方面影响助力转向系统的辅助力矩，另一方面通过影响车身的运动状态包括侧向加速度、横摆角速度进而对轮胎的反馈力矩产生影响，侧向加速度、横摆角速度也能在一定程度上反应车辆行驶的环境信息，因此在选择影响参数过程中只考虑以下独立变量参数：方向盘转角、纵向车速、横摆角速度、侧向加速度这四个参数，模型的输出参数为方向盘的反馈力矩。
再结合图2所示，本发明中采用动态神经网络模型训练汽车方向盘力感模型的输入参数为方向盘转角、纵向车速、横摆角速度、侧向加速度，输出参数为方向盘的反馈力矩。
在步骤一中，方向盘反馈力矩的数学模型建立方法为：方向盘的反馈力矩主要包括轮胎反馈力矩、助力系统产生的辅助力矩、转向系统内部机械间作用产生的力矩三个部分，由此得到方向盘反馈力矩的理论计算公式如式(1)：
Figure BDA0002757231730000041
式(1)中，θsw，
Figure BDA0002757231730000042
分别为方向盘转角、角速度、角加速度；Is，Ds，Ks，Fs分别为转向系统的惯量，阻尼，刚度，摩擦系数；u为车速；ay为侧向加速度；m为垂向载荷；
Figure BDA0002757231730000043
为横摆角速度。
在步骤二中，采集真实车辆在多个不同驾驶场景下的驾驶数据时，采集车在以下场景中正常驾驶：高速公路、城市郊区道路、市区道路、泊车区域与原地转向道路。进行实车实验时，每种驾驶场景分别进行两次试验，共采集600万组数据。
在步骤三中，本实施例采用NARX动态神经网络进行训练，即实车所采集的真实数据的输出yr作为模型的输入的一部分，参与训练过程，如式(2)所示：
yt＝f(x(t-1)，...x(t-n)，yr(t-1)，...，yr(t-m)) (2)
式中x(t-n)为(t-n)时刻的模型输入，yr(t-m)为(t-m)时刻的实车数据输出。
再结合图3和图4所示，分别表示开环和闭环NARX动态神经网络结构。使用实车实验所采数据训练用于汽车方向盘力感模型建模的动态神经网络模型，训练内容包括原地转向模型和行驶模型的训练，训练步骤如下：
a.初始化网络参数，包括输入xt的延迟阶数n，模型输出yrm与实车数据输出ypm反馈的延迟阶数m，神经元个数c，隐含层阈值uj，输出层阈值vk，期望输出ok，误差e、ek，各项权重系数ωij、ωsj、ωjk；
b.计算隐含层的输出，开环NARX动态神经网络如式(3)所示，闭环NARX动态神经网络如式(4)所示：
Figure BDA0002757231730000051
Figure BDA0002757231730000052
c.计算输出层输出，如式(5)所示：
Figure BDA0002757231730000053
d.计算输出层输出与实际目标值的误差，如式(6)、(7)所示：
Figure BDA0002757231730000054
ek＝ok-yk (7)
e.更新隐含层和输出层的权值，如式(8)—(10)所示：
Figure BDA0002757231730000055
Figure BDA0002757231730000056
ωjk＝ωij+δHjek (10)
f.更新隐含层和输出层的阈值，如式(11)、(12)所示：
Figure BDA0002757231730000057
vk+vk+ek (12)
g.判断当前迭代是否结束，若未结束则返回步骤b继续计算；
通过以上步骤训练后，得到原地转向模型的预测值与实际值的MSE值为0.18，行驶模型的预测值与实际值的MSE值为0.15。
在本实施例中，针对不同工况下汽车方向盘力感模型切换策略设计为：当车速小于或等于0.5km/h时，汽车方向盘力感模型切换为原地转向模型；当车速高于0.5km/h时，汽车方向盘力感模型切换为行驶模型。
为了避免由于模型切换带来的异常手感，当汽车方向盘力感模型的类型发生切换时，模型输出的目标扭矩取多个相邻采样值的均值。本实施例中，模型输出的目标扭矩优选为采用四个相邻采样值的均值。
以上所述仅为本发明较佳的实施方式，并非用以限定本发明的保护范围；同时，以上的描述对于相关技术领域中具有通常知识者应可明了并据以实施，因此其他未脱离本发明所揭露概念下所完成之等效改变或修饰，都应涵盖在本发明的保护范围之内。

Claims (9)

1.一种基于数据驱动的汽车方向盘力感建模方法，其特征在于，包括以下步骤：
步骤一：筛选影响汽车方向盘力感的主要因素，确定汽车方向盘力感模型的输入与输出参数；
步骤二：进行实车实验，采集真实车辆在多个不同驾驶场景下的驾驶数据，并构建用于汽车方向盘力感建模的实验数据库；
步骤三：以实验数据库为基础，选择适用于汽车方向盘力感建模的数据驱动建模方法，对汽车方向盘力感模型进行训练，并利用实车数据对模型进行测试验证；
步骤四：针对多个不同驾驶场景，训练多个不同的基于数据驱动的汽车方向盘力感模型；
步骤五：设计切换不同场景所需汽车方向盘力感模型的控制策略。
2.根据权利要求1所述的基于数据驱动的汽车方向盘力感建模方法，其特征在于，在步骤一中，所述汽车方向盘力感模型的输入参数为方向盘转角、纵向车速、横摆角速度、侧向加速度，输出参数为方向盘的反馈力矩。
3.根据权利要求1所述的基于数据驱动的汽车方向盘力感建模方法，其特征在于，在步骤二中，采集真实车辆在多个不同驾驶场景下的驾驶数据时，采集车在以下场景中正常驾驶：高速公路、城市郊区道路、市区道路、泊车区域与原地转向道路。
4.根据权利要求1所述的基于动态神经网络的方向盘反馈力矩建模方法，其特征在于，在步骤三中，采用NARX动态神经网络用于汽车方向盘力感建模的数据驱动建模方法。
5.根据权利要求1或4所述的基于动态神经网络的方向盘反馈力矩建模方法，其特征在于，训练内容包括原地转向模型和行驶模型的训练。
6.根据权利要求1所述的基于动态神经网络的方向盘反馈力矩建模方法，其特征在于，所述控制策略具体为根据车辆运行状态参数切换不同驾驶场景所需汽车方向盘力感模型。
7.根据权利要求6所述的基于动态神经网络的方向盘反馈力矩建模方法，其特征在于，所述控制策略具体为根据车速切换不同驾驶场景所述汽车方向盘力感模型。
8.根据权利要求1所述的基于动态神经网络的方向盘反馈力矩建模方法，其特征在于，当汽车方向盘力感模型发生切换时，模型输出的目标扭矩取多个相邻采样值的均值。
9.根据权利要求8所述的基于动态神经网络的方向盘反馈力矩建模方法，其特征在于，当汽车方向盘力感模型发生切换时，模型输出的目标扭矩取四个相邻采样值的均值。
CN202011206432.XA 2020-11-03 2020-11-03 一种基于数据驱动的汽车方向盘力感建模方法 Pending CN112182785A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011206432.XA CN112182785A (zh) 2020-11-03 2020-11-03 一种基于数据驱动的汽车方向盘力感建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011206432.XA CN112182785A (zh) 2020-11-03 2020-11-03 一种基于数据驱动的汽车方向盘力感建模方法

Publications (1)

Publication Number Publication Date
CN112182785A true CN112182785A (zh) 2021-01-05

Family

ID=73917792

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011206432.XA Pending CN112182785A (zh) 2020-11-03 2020-11-03 一种基于数据驱动的汽车方向盘力感建模方法

Country Status (1)

Country Link
CN (1) CN112182785A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114333493A (zh) * 2021-12-31 2022-04-12 江苏普旭科技股份有限公司 驾驶模拟器的人感仿真系统与方法
CN115237084A (zh) * 2021-09-07 2022-10-25 广东省智能网联汽车创新中心有限公司 一种中控系统与仪表交互的测试方法、装置及汽车
CN117272722A (zh) * 2023-08-28 2023-12-22 湖北汽车工业学院 一种基于镁合金方向盘力学性能研究标准及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107379898A (zh) * 2017-07-07 2017-11-24 淮阴工学院 一种汽车轮胎安全智能检测系统
CN109685214A (zh) * 2018-12-29 2019-04-26 百度在线网络技术（北京）有限公司 一种驾驶模型训练方法、装置和终端设备
DE102017219492A1 (de) * 2017-11-02 2019-05-02 Robert Bosch Gmbh Verfahren und Vorrichtung zum Betreiben eines Systems durch Trainieren und Berechnen eines tiefen rekurrenten Gaußprozesses
CN110509983A (zh) * 2019-09-24 2019-11-29 吉林大学 一种适用于不同驾驶需求的线控转向路感反馈装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107379898A (zh) * 2017-07-07 2017-11-24 淮阴工学院 一种汽车轮胎安全智能检测系统
DE102017219492A1 (de) * 2017-11-02 2019-05-02 Robert Bosch Gmbh Verfahren und Vorrichtung zum Betreiben eines Systems durch Trainieren und Berechnen eines tiefen rekurrenten Gaußprozesses
CN109685214A (zh) * 2018-12-29 2019-04-26 百度在线网络技术（北京）有限公司 一种驾驶模型训练方法、装置和终端设备
CN110509983A (zh) * 2019-09-24 2019-11-29 吉林大学 一种适用于不同驾驶需求的线控转向路感反馈装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李杰 等: "基于NAＲX 神经网络的路面不平度识别", 汽车工程, vol. 41, no. 8, pages 807 - 814 *
李杰等: "基于NAＲX神经网络的路面不平度识别", 汽车工程, vol. 41, no. 8, pages 807 - 814 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115237084A (zh) * 2021-09-07 2022-10-25 广东省智能网联汽车创新中心有限公司 一种中控系统与仪表交互的测试方法、装置及汽车
CN114333493A (zh) * 2021-12-31 2022-04-12 江苏普旭科技股份有限公司 驾驶模拟器的人感仿真系统与方法
CN117272722A (zh) * 2023-08-28 2023-12-22 湖北汽车工业学院 一种基于镁合金方向盘力学性能研究标准及方法

Similar Documents

Publication Publication Date Title
CN112182785A (zh) 一种基于数据驱动的汽车方向盘力感建模方法
CN105741637B (zh) 四轮轮毂电机电动汽车智能转向控制方法
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
CN114035575B (zh) 基于语义分割的无人驾驶车辆运动规划方法及系统
CN111625989A (zh) 一种基于a3c-sru的智能车汇入车流方法及系统
CN113777918A (zh) 一种数字孪生架构的汽车智能线控底盘控制方法
CN113064424A (zh) 一种改进ddpg算法的无人车路径规划方法
CN112373483B (zh) 一种基于前向神经网络的车辆速度和转向预测方法
CN114030485A (zh) 一种考虑附着系数的自动驾驶汽车类人换道决策规划方法
CN115123159A (zh) 一种基于ddpg深度强化学习的aeb控制方法及系统
CN114269632A (zh) 用于估算用于机动车的转向系统的方向盘上的机械反馈的方向盘转矩的方法和装置
CN113033902B (zh) 一种基于改进深度学习的自动驾驶换道轨迹规划方法
CN113657036B (zh) 基于神经网络和物理模型的车辆动力学模拟实现方法
CN113650620B (zh) 一种四轮电驱动汽车状态预测方法
CN114415507A (zh) 基于深度神经网络的灵巧手抓持过程动力学模型搭建及训练方法
Zhao et al. An improved data-driven method for steering feedback torque of driving simulator
CN116039672A (zh) 一种面向自动驾驶决策控制功能的数据-模型后端融合方法
CN116306800A (zh) 一种基于强化学习的智能驾驶决策学习方法
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
CN114997048A (zh) 基于探索策略改进的td3算法的自动驾驶车辆车道保持方法
Krupka et al. Learned steering feel by a neural network for a steer-by-wire system
CN112937587A (zh) 基于K-Medoids和分类回归树的路感模拟方法
CN112651134A (zh) 基于高斯过程回归的转向路感模拟方法
CN118269929B (zh) 一种自动驾驶汽车纵横向控制方法及装置
CN112632707B (zh) 一种基于ann算法的工况融合路感模拟方法

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