CN112572606B - 基于svm和bp神经网络的工况融合路感模拟方法 - Google Patents

基于svm和bp神经网络的工况融合路感模拟方法 Download PDF

Info

Publication number
CN112572606B
CN112572606B CN202011605239.3A CN202011605239A CN112572606B CN 112572606 B CN112572606 B CN 112572606B CN 202011605239 A CN202011605239 A CN 202011605239A CN 112572606 B CN112572606 B CN 112572606B
Authority
CN
China
Prior art keywords
working condition
neural network
steering wheel
model
svm
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.)
Active
Application number
CN202011605239.3A
Other languages
English (en)
Other versions
CN112572606A (zh
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 CN202011605239.3A priority Critical patent/CN112572606B/zh
Publication of CN112572606A publication Critical patent/CN112572606A/zh
Application granted granted Critical
Publication of CN112572606B publication Critical patent/CN112572606B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
    • B62D—MOTOR VEHICLES; TRAILERS
    • B62D6/00—Arrangements for automatically controlling steering depending on driving conditions sensed and responded to, e.g. control circuits
    • B62D6/008—Control of feed-back to the steering input member, e.g. simulating road feel in steer-by-wire applications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G06N3/048—Activation functions
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Steering Control In Accordance With Driving Conditions (AREA)

Abstract

本发明公开了基于SVM和BP神经网络的工况融合路感模拟方法，包括步骤：进行实车路采试验；建立基于弹簧模型的简易路感模型；试验数据归一化并生成随机数据点集；区分正常工况点和异常工况点；训练基于SVM的工况识别模型并测试；建立基于BP神经网络的路感模型并测试；基于工况识别结果切换路感模型。本方法应用于模拟驾驶器时，通过工况识别模型能够识别正常工况和异常工况，使得在正常工况下运用基于BP神经网络的正常工况路感模型模拟真实路感，在异常工况的情况下切换简易路感模型模拟较为安全的路感，使驾驶员在模拟驾驶器中获得较为安全的反馈力，保证驾驶员的安全。

Description

基于SVM和BP神经网络的工况融合路感模拟方法
技术领域
本发明涉及车辆技术领域，具体涉及一种基于SVM和BP神经网络的工况融合路感模拟方法。
背景技术
驾驶模拟器是一种可以在虚拟环境中模拟真实车辆行驶情况的模拟驾驶系统。转向路感，又称转向力感、方向盘反馈力矩，是指驾驶员通过方向盘反馈力矩感受到的反向阻力矩。在模拟驾驶器的使用过程中，较为真实的路感反馈可以让驾驶员获得更加逼真的驾驶感受。然而，模拟驾驶器中的行车环境与真实环境始终存在一定差距，驾驶员易因安全意识缺失而进行大范围转动方向盘或快速转动方向盘，导致车辆动力学模型产生异常值，进而导致所得路感出现大幅度跳变。进而威胁驾驶员的安全。因此，有必要对由于驾驶员错误驾驶行为导致虚拟车辆进入异常工况的情况进行识别，并使用较为安全的方向盘力矩值作为驾驶员感受到的路感，从而保证驾驶员的安全。目前尚无关于路感模型异常工况识别和正常工况路感模型与异常工况路感模型切换方法的专利。
发明内容
为了解决上述技术问题，本发明的目的在于提供基于SVM和BP神经网络的工况融合和路感模拟方法，以实车试验数据、弹簧模型、SVM算法和BP神经网络算法为基础进行建模，建立基于弹簧模型的简易路感模型和基于BP神经网络的正常工况路感模型，通过建立的基于SVM的工况识别模型识别正常工况和异常工况后，在简易路感模型和正常工况路感模型间切换，从而提升安全性。
为了达到上述目的，本发明提供一种基于SVM和BP神经网络的工况融合路感模拟方法，包括以下步骤：
步骤一、进行实车路采试验：选取驾驶员进行实车试验，车辆在试验道路中行驶，采集的试验数据包括纵向车速、车辆横向加速度、车辆横摆角速度、车辆横摆角加速度、车辆垂向载荷、方向盘转角、方向盘角速度和方向盘力矩；
步骤二、建立简易路感模型：以所采试验数据的车速、方向盘转角和方向盘角速度为输入变量，以方向盘力矩为输出变量，建立基于弹簧模型的简易路感模型；
步骤三、试验数据归一化并生成随机数据点集：对所采集的试验数据进行归一化，得到归一化后试验数据集；生成随机数据点集时，随机数据点的维度与正常工况路感模型的输入变量个数相同；
步骤四、区分正常工况点和异常工况点：根据随机数据点与归一化后试验数据点之间的欧式距离，将随机数据点区分为正常工况点和异常工况点并对应加上正常工况标签与异常工况标签，得到正常随机数据库和异常随机数据库；
步骤五、训练基于SVM的工况识别模型并测试：利用正常随机数据库和异常随机数据库中的数据，结合SVM算法，训练得到基于SVM的工况识别模型并进行模型测试，所述工况识别模型的输入变量为纵向车速、车辆横向加速度、车辆横摆角速度、车辆横摆角加速度、车辆垂向载荷、方向盘转角、方向盘角速度，输出变量为工况标签；
步骤六、建立基于BP神经网络的路感模型并测试：利用归一化后试验数据集中的试验数据，结合BP神经网络算法，建立基于BP神经网络的正常工况路感模型并进行模型测试，所述基于BP神经网络的正常工况路感模型的输入变量为纵向车速、车辆横向加速度、车辆横摆角速度、车辆横摆角加速度、车辆垂向载荷、方向盘转角、方向盘角速度，输出变量为方向盘力矩；
步骤七、基于工况识别结果切换路感模型：采集车辆的纵向车速、车辆横向加速度、车辆横摆角速度、车辆横摆角加速度、车辆垂向载荷、方向盘转角、方向盘角速度，进行归一化后输入基于SVM的工况识别模型计算得到工况标签，当得到的工况标签为正常工况标签时，使用所述基于神经网络的正常工况路感模型预测得到正常工况方向盘力矩；当得到的工况标签为异常工况标签时，则使用所述简易路感模型计算得到简易异常工况方向盘力矩。
进一步地，在步骤一中：试验道路类型包括高速道路、城市道路和郊区道路；车辆行驶工况包括上坡、下坡、直行、转弯、倒车和原地转向。
进一步地，在步骤二中，建立的基于弹簧模型的路感模型中，方向盘转角与一个刚度系数k相乘，方向盘角速度与一个阻尼系数c相乘。方向盘力矩由以下公式计算得到：
Figure RE-GDA0002953105620000021
式中，Ts为方向盘反馈力矩；θs为方向盘转角；
Figure RE-GDA0002953105620000022
为方向盘角速度；k为刚度系数，c为阻尼系数，a为常数。
进一步地，在步骤三中，对试验数据按照下式进行归一化处理：
Figure RE-GDA0002953105620000031
式中，i为数据编号，j为变量编号，xi,j表示未归一化的第i组数据中的第j 个变量，Xj表示所有j对应的变量数据值组成的集合，min表示去除异常点后，试验数据中相关变量的最小值，max表示去除异常点后，试验数据中相关变量的最大值。
更进一步地，在步骤三中，生成随机数据点集时，使用均匀随机函数生成多维随机数据点，每个随机数据点各个维度的取值区间均为[0,1]。
进一步地，在步骤四中，区分正常工况点和异常工况点的方式是，计算归一化后试验数据点与随机数据点集中各个随机数据点的欧氏距离，若某个随机数据点与一个或几个归一化后试验数据点的欧氏距离小于阈值L，则认为该随机数据点属于正常工况点，否则为异常工况点；将属于正常工况点的随机数据点组成正常随机数据库，属于异常工况点的随机数据点组成异常随机数据库。在具体实施例中，正常工况标签采用数字“1”表示，异常工况标签采用数字“-1”表示。
在一优选实施例中，所述阈值L设置为0.03。
进一步地，在步骤五中，训练基于SVM的工况识别模型并进行测试的具体过程包括：
将正常随机数据库和异常随机数据库中分别取出一定比例(实施例为90％) 的数据点，组成工况识别训练数据库，其它数据点组成工况识别测试数据库。即工况识别训练数据库的数据点总量与工况识别测试数据库的数据点总量比为 9:1。
结合SVM算法，使用工况识别训练数据库中的数据训练得到基于SVM的工况识别模型；训练时，将纵向车速、车辆横向加速度、车辆横摆角速度、车辆横摆角加速度、车辆垂向载荷、方向盘转角、方向盘角速度作为自变量，将工况标签作为因变量。
使用工况识别测试数据库中的数据测试得到的基于SVM的工况识别模型。测试时，将归一化后的纵向车速、车辆横向加速度、车辆横摆角速度、车辆横摆角加速度、车辆垂向载荷、方向盘转角、方向盘角速度数据输入基于SVM的工况识别模型中，得到预测的工况标签。若对于某测试数据点，预测的工况标签与实际工况标签一致，则说明对于该点预测成功，否则失败。若预测成功的点的数量占比超过一定阈值，则认为所得基于SVM的工况识别模型可接受，否则，进行补充性实车路采试验。
具体地，对于本发明所使用的SVM算法：
(1)训练数据集表示为：
T＝{(x1,y1),(x2,y2),...，(xn,yn)}
其中，xi属于一个n维空间，且yi为1或-1，且i＝1,2...,n，；n为大于1的正整数； xi为第i个特征向量；yi为类别标记(即工况标签)，1表示正例(即正常工况)；-1表示负例(即异常工况)。本发明中，特征向量的组成变量包括归一化后的纵向车速、车辆横向加速度、车辆横摆角速度、车辆横摆角加速度、车辆垂向载荷、方向盘转角、方向盘角速度。
选择适当的核函数和惩罚参数C>0，构造并求解凸二次规划问题：
Figure RE-GDA0002953105620000041
求得最优解(一般使用梯度下降法)：
Figure RE-GDA0002953105620000042
(2)计算b*
Figure RE-GDA0002953105620000043
(3)分类决策函数：
Figure RE-GDA0002953105620000044
本发明使用高斯核函数，惩罚参数C＝10，求解α*时使用梯度下降法，高斯核函数如下式所示：
Figure RE-GDA0002953105620000045
进一步地，在步骤六中，使用BP神经网络算法建立基于BP神经网络的正常工况路感模型的具体过程包括：
随机选择归一化后试验数据集中一定比例的数据点作为路感模型训练数据集，其它试验数据点作为路感模型测试数据集。
结合BP神经网络算法，使用路感模型训练数据集中的数据训练得到基于 BP神经网络的正常工况路感模型；自变量为纵向车速、车辆横向加速度、车辆横摆角速度、车辆横摆角加速度、车辆垂向载荷、方向盘转角、方向盘角速度；因变量为方向盘反馈扭矩。训练完毕后得到基于BP神经网络的正常工况路感模型。
使用路感模型测试数据集中的数据测试所得到的基于BP神经网络的正常工况路感模型。将测试数据点中的纵向车速、车辆横向加速度、车辆横摆角速度、车辆横摆角加速度、车辆垂向载荷、方向盘转角、方向盘角速度输入路感模型中，模型输出为预测方向盘力矩。若对于整个路感模型测试数据集，预测方向盘力矩数据集和实际方向盘力矩数据集之间的均方误差，即MSE值小于一定阈值，则认为所建立的基于BP神经网络的正常工况路感模型可接受，否则需要进行补充性实车路采试验。
具体地，对于BP神经网络：
注：i表示所在神经网络层的编号，j表示所在神经元的编号，m表示输出层，即i的最大值。
前向过程：
1.计算每个神经元的输入值和输出值
1)输入层神经元：输入值X1,j＝Pj(输入层，i＝1)；输出值Y1,j＝X1,j
2)隐含层神经元：输入值
Figure RE-GDA0002953105620000051
输出值：Yi,j＝f(Xi,j)
3)输出层神经元：输入值
Figure RE-GDA0002953105620000052
(输出层，i＝m)；
输出值：Ym,j＝Xm,j
反向过程：
1)计算每个输出神经元误差：Ej＝Dj-Yj
计算目标函数值：
Figure RE-GDA0002953105620000053
2)更新权重：只有在隐含层才进行激活函数的计算，所以输入层的权重需要更新，而输出层的权重不会用到，不需要更新。
首先，
Figure RE-GDA0002953105620000061
令
Figure RE-GDA0002953105620000062
则：
Figure RE-GDA0002953105620000063
由于i+1>1，所以不会是输入层，对于隐含层和输出层而言：
Figure RE-GDA0002953105620000064
计算δi,k：
Figure RE-GDA0002953105620000065
如果i+1是输出层，即i+1＝m，则：
Figure RE-GDA0002953105620000066
Figure RE-GDA0002953105620000067
δi,k＝f(X(i+1,k))'·(Y(i+1),k-Dk)＝(Y(i+1),k-Dk)
如果i+1是隐含层，即i+1<m，则
Figure RE-GDA0002953105620000068
Figure RE-GDA0002953105620000069
则：
Figure RE-GDA0002953105620000071
所以，
ΔWi,j,k＝ηδi,k·Yi,j
1)更新阈值：输入层和输出层的神经元的阈值不需要进行更新，对于隐含层：
如果第i+1层是输出层，即i+1＝m，
Figure RE-GDA0002953105620000072
则
Δθi,j＝η·(Y(i+1),k-Dk)
如果第i+1层为隐含层，即i+1<m，
Figure RE-GDA0002953105620000073
Figure RE-GDA0002953105620000074
则：
Δθi,j＝η·δi-1,j
以上过程反复进行，只有当输出层误差达到预先设定的阈值，或者迭代次数达到最大值。在一实施例中，阈值为0.05，或者迭代次数达到800代。
更进一步地，在步骤六中，所述基于BP神经网络的正常工况路感模型包括一个输入层，一个输出层，3个隐含层，每个隐含层15神经元，输出层和隐含层的激活函数均为Sigmoid函数。
基于工况识别结果切换路感模型的步骤是：
1)使用基于SVM的工况识别模型时，采集未归一化的纵向车速、车辆横向加速度、车辆横摆角速度、车辆横摆角加速度、车辆垂向载荷、方向盘转角、方向盘角速度，并归一化。
2)将归一化后的数据输入基于SVM的工况识别模型中，得到相关数据点的工况标签，即正常工况标签“1”，或异常工况标签“-1”。
3)若数据点的工况标签为正常标签“1”，则使用所得基于神经网络的正常工况路感模型预测得到方向盘力矩。预测时，输入数据为归一化后的纵向车速、车辆横向加速度、车辆横摆角速度、车辆横摆角加速度、车辆垂向载荷、方向盘转角、方向盘角速度。输出数据为预测的正常工况方向盘力矩。
4)若数据点的工况标签为异常标签“-1”，则使用所得简易路感模型计算得到简易异常工况方向盘力矩。输入变量为纵向车速、方向盘转角、方向盘角速度。输出变量为简易异常工况方向盘力矩。
由于采用上述技术方案，本发明达到以下技术效果：本发明采用实车试验采集数据，建立基于弹簧模型的简易路感模型和基于BP神经网络的正常工况路感模型，通过随机数据集建立的基于SVM的工况识别模型，应用于模拟驾驶器时，能够识别正常工况和异常工况，使得在正常工况下运用基于BP神经网络的正常工况路感模型模拟真实路感，在异常工况的情况下切换简易路感模型模拟较为安全的路感，使驾驶员在模拟驾驶器中获得较为安全的反馈力，保证驾驶员的安全。
附图说明
图1为根据本发明基于SVM和BP神经网络的工况融合路感模拟方法的流程示意图。
图2为实施例的归一化后试验数据散点图。
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。
实施例一
请参阅图1和图2，本实施例提供一种基于SVM和BP神经网络的工况融合路感模拟方法，包括步骤S1-S7，以下结合图1对各步骤进行详细说明。
S1.进行实车路采试验
选取驾驶员进行实车试验，车辆在试验道路中行驶，试验道路类型包括但不限于高速道路、城市道路和郊区道路；车辆行驶工况包括但不限于上坡、下坡、直行、转弯、倒车和原地转向工况。采集的试验数据包括纵向车速、车辆横向加速度、车辆横摆角速度、车辆横摆角加速度、车辆垂向载荷、方向盘转角、方向盘角速度和方向盘力矩。其中，车速使用惯导系统OxTsRT3002进行测量；方向盘角度、方向盘角速度、方向盘力矩使用转角扭矩传感器KISTLER MSW DTI Sensors进行检测和采集数据。采样频率为100Hz，共采集4272316 组试验数据。
S2.建立简易路感模型
建立的基于弹簧模型的简易路感模型中，方向盘转角与一个刚度系数k相乘，方向盘角速度与一个阻尼系数c相乘。刚度系数k与车速负相关，方向盘力矩由以下公式计算得到：
Figure RE-GDA0002953105620000091
式中，Ts为方向盘反馈力矩；θs为方向盘转角；
Figure RE-GDA0002953105620000092
为方向盘角速度；k为刚度系数，c为阻尼系数，a为常数。
本实施例中，经过调节，k值确定为1/30；a确定为2.5；c确定为0.003。
S3.试验数据归一化并生成随机数据点集
对所采集的试验数据进行归一化，得到归一化后试验数据。本实施例中，对试验数据按照下式进行归一化处理：
Figure RE-GDA0002953105620000093
式中，i为数据编号，j为变量编号，xi,j表示未归一化的第i组数据中的第j 个变量，Xj表示所有j对应的变量数据值组成的集合，min表示去除异常点后，试验数据中相关变量的最小值，max表示去除异常点后，试验数据中相关变量的最大值。
经过归一化处理后，得到归一化试验数据集。如图2所示，其表示归一化后的试验数据散点图(车速、方向盘转角和方向盘角速度)。
生成随机数据点集时，使用均匀随机函数生成多维随机数据点，维度与正常工况路感模型的输入变量个数相同。每个随机数据点各个维度的取值区间皆为[0,1]。
S4.区分正常工况点和异常工况点
区分正常工况点和异常工况点的方式是，计算归一化后试验数据点与随机数据点集中各个随机数据点的欧氏距离，若某个随机数据点与一个或几个归一化后试验数据点的欧氏距离小于阈值L，则认为该随机数据点属于正常工况点，否则为异常工况点。本实施例的阈值L为0.03。
属于正常工况点的随机数据点组成正常随机数据库，并为所有正常随机数据点中各点加上正常工况标签，如数字“1”；
属于异常工况点的随机数据点组成异常随机数据库,并为所有异常随机数据点中各点加上异常工况标签，如数字“-1”。
S5.训练基于SVM的工况识别模型并测试
划分工况识别训练数据库和工况识别测试数据库的方式是，将正常随机数据库和异常随机数据库中分别取出一定比例(本实施例为90％)的点，组成工况识别训练数据库，其它点组成工况识别测试数据库。结合SVM算法，使用训练数据库中的数据训练得到基于SVM的工况识别模型。训练时，将纵向车速、车辆横向加速度、车辆横摆角速度、车辆横摆角加速度、车辆垂向载荷、方向盘转角、方向盘角速度作为自变量，将工况标签作为因变量。
测试基于SVM的工况识别模型的方法是，使用测试数据集中的点对基于 SVM的工况识别模型进行测试。测试时，将归一化后的纵向车速、车辆横向加速度、车辆横摆角速度、车辆横摆角加速度、车辆垂向载荷、方向盘转角、方向盘角速度数据输入基于SVM的工况识别模型中，得到预测的工况标签。若对于某点，预测的工况标签与实际工况标签一致，则说明对于该点预测成功，否则失败。若预测成功的点的数量占比超过阈值85％，则认为所得基于SVM 的工况识别模型可接受，否则，进行补充性实车路采试验。
对于本实施例所使用的SVM算法：
具体地，对于本发明所使用的SVM算法：
(1)训练数据集表示为：
T＝{(x1,y1),(x2,y2),...，(xn,yn)}
其中，xi属于一个n维空间，且yi为1或-1，且i＝1,2...,n，；n为大于1的正整数； xi为第i个特征向量；yi为类别标记(即工况标签)，1表示正例(即正常工况)； -1表示负例(即异常工况)。本发明中，特征向量的组成变量包括归一化后的纵向车速、车辆横向加速度、车辆横摆角速度、车辆横摆角加速度、车辆垂向载荷、方向盘转角、方向盘角速度。
选择适当的核函数和惩罚参数C>0，构造并求解凸二次规划问题：
Figure RE-GDA0002953105620000111
求得最优解(一般使用梯度下降法)：
Figure RE-GDA0002953105620000112
(2)计算b*
Figure RE-GDA0002953105620000113
(3)分类决策函数：
Figure RE-GDA0002953105620000114
本发明使用高斯核函数，惩罚参数C＝10，求解α*时使用梯度下降法，高斯核函数如下式所示：
Figure RE-GDA0002953105620000115
S6.建立基于BP神经网络的路感模型并测试
随机选择归一化后试验数据集中一定比例的数据点作为路感模型训练数据集，其它试验数据点作为路感模型测试数据集。
结合BP神经网络算法，使用路感模型训练数据集中的数据训练得到基于 BP神经网络的正常工况路感模型；自变量为纵向车速、车辆横向加速度、车辆横摆角速度、车辆横摆角加速度、车辆垂向载荷、方向盘转角、方向盘角速度；因变量为方向盘反馈扭矩。训练完毕后得到基于BP神经网络的正常工况路感模型。
使用路感模型测试数据集中的数据测试所得到的基于BP神经网络的正常工况路感模型。将测试数据点中的纵向车速、车辆横向加速度、车辆横摆角速度、车辆横摆角加速度、车辆垂向载荷、方向盘转角、方向盘角速度输入路感模型中，模型输出为预测方向盘力矩。若对于整个路感模型测试数据集，预测方向盘力矩数据集和实际方向盘力矩数据集之间的均方误差，即MSE值＝0.006，显著小于预设的阈值0.15。因此，所建立的基于BP神经网络的正常工况路感模型可接受，不需要进行补充性实车路采试验。
在本实施例中，所述基于BP神经网络的正常工况路感模型包括一个输入层，一个输出层，3个隐含层，每个隐含层15神经元，输出层和隐含层的激活函数均为Sigmoid函数。
具体地，对于本实施例的BP神经网络：
前向过程：
i表示所在神经网络层的编号，j表示所在神经元的编号，m表示输出层，即 i的最大值。
1.计算每个神经元的输入值和输出值
1)输入层神经元：输入值X1,j＝Pj(输入层，i＝1)；输出值Y1,j＝X1,j
2)隐含层神经元：输入值
Figure RE-GDA0002953105620000121
输出值：Yi,j＝f(Xi,j)
3)输出层神经元：输入值
Figure RE-GDA0002953105620000122
(输出层，i＝m)；
输出值：Ym,j＝Xm,j
反向过程：
1)计算每个输出神经元误差：Ej＝Dj-Yj
计算目标函数值：
Figure RE-GDA0002953105620000123
2)更新权重：只有在隐含层才进行激活函数的计算，所以输入层的权重需要更新，而输出层的权重不会用到，不需要更新。
首先，
Figure RE-GDA0002953105620000124
令
Figure RE-GDA0002953105620000125
则：
Figure RE-GDA0002953105620000126
由于i+1>1，所以不会是输入层，对于隐含层和输出层而言：
Figure RE-GDA0002953105620000131
计算δi,k：
Figure RE-GDA0002953105620000132
如果i+1是输出层，即i+1＝m，则：
Figure RE-GDA0002953105620000133
Figure RE-GDA0002953105620000134
δi,k＝f(X(i+1,k))'·(Y(i+1),k-Dk)＝(Y(i+1),k-Dk)
如果i+1是隐含层，即i+1<m，则
Figure RE-GDA0002953105620000135
Figure RE-GDA0002953105620000136
则：
Figure RE-GDA0002953105620000137
所以，
ΔWi,j,k＝ηδi,k·Yi,j
1)更新阈值：输入层和输出层的神经元的阈值不需要进行更新，对于隐含层：
如果第i+1层是输出层，即i+1＝m，
Figure RE-GDA0002953105620000138
则
Δθi,j＝η·(Y(i+1),k-Dk)
如果第i+1层为隐含层，即i+1<m，
Figure RE-GDA0002953105620000141
Figure RE-GDA0002953105620000142
则：
Δθi,j＝η·δi-1,j
以上过程反复进行，只有当输出层误差达到预先设定的阈值0.05，或者迭代次数达到最大值800。
S7.基于工况识别结果切换路感模型
建模完成后，将上述模型运用于模拟驾驶器中，根据具体的工况识别结果，自动切换路感模型。具体步骤包括：
1)使用基于SVM的工况识别模型时，采集未归一化的纵向车速、车辆横向加速度、车辆横摆角速度、车辆横摆角加速度、车辆垂向载荷、方向盘转角、方向盘角速度，并归一化。
2)将归一化后的数据输入基于SVM的工况识别模型中，得到相关数据点的工况标签，即正常工况标签“1”，或异常工况标签“-1”。
3)若数据点的工况标签为正常标签“1”，则使用所得基于神经网络的正常工况路感模型预测得到方向盘力矩。预测时，输入数据为归一化后的纵向车速、车辆横向加速度、车辆横摆角速度、车辆横摆角加速度、车辆垂向载荷、方向盘转角、方向盘角速度。输出数据为预测的正常工况方向盘力矩。
4)若数据点的工况标签为异常标签“-1”，则使用所得简易路感模型计算得到简易异常工况方向盘力矩。输入变量为纵向车速、方向盘转角、方向盘角速度。输出变量为简易异常工况方向盘力矩。
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 (10)

1.一种基于SVM和BP神经网络的工况融合路感模拟方法，其特征在于，包括以下步骤：
步骤一、进行实车路采试验：选取驾驶员进行实车试验，车辆在试验道路中行驶，采集的试验数据包括纵向车速、车辆横向加速度、车辆横摆角速度、车辆横摆角加速度、车辆垂向载荷、方向盘转角、方向盘角速度和方向盘力矩；车辆行驶工况包括上坡、下坡、直行、转弯、倒车和原地转向；
步骤二、建立简易路感模型：以所采试验数据的车速、方向盘转角和方向盘角速度为输入变量，以方向盘力矩为输出变量，建立基于弹簧模型的简易路感模型；
步骤三、试验数据归一化并生成随机数据点集：对所采集的试验数据进行归一化，得到归一化后试验数据集；生成随机数据点集时，随机数据点的维度与正常工况路感模型的输入变量个数相同；
步骤四、区分正常工况点和异常工况点：根据随机数据点与归一化后试验数据点之间的欧式距离，将随机数据点区分为正常工况点和异常工况点并对应加上正常工况标签与异常工况标签，得到正常随机数据库和异常随机数据库；
步骤五、训练基于SVM的工况识别模型并测试：利用正常随机数据库和异常随机数据库中的数据，结合SVM算法，训练得到基于SVM的工况识别模型并进行模型测试，所述工况识别模型的输入变量为纵向车速、车辆横向加速度、车辆横摆角速度、车辆横摆角加速度、车辆垂向载荷、方向盘转角、方向盘角速度，输出变量为工况标签；
步骤六、建立基于BP神经网络的路感模型并测试：利用归一化后试验数据集中的试验数据，结合BP神经网络算法，建立基于BP神经网络的正常工况路感模型并进行模型测试，所述基于BP神经网络的正常工况路感模型的输入变量为纵向车速、车辆横向加速度、车辆横摆角速度、车辆横摆角加速度、车辆垂向载荷、方向盘转角、方向盘角速度，输出变量为方向盘力矩；
步骤七、基于工况识别结果切换路感模型：采集车辆的纵向车速、车辆横向加速度、车辆横摆角速度、车辆横摆角加速度、车辆垂向载荷、方向盘转角、方向盘角速度，进行归一化后输入基于SVM的工况识别模型计算得到工况标签，当得到的工况标签为正常工况标签时，使用所述基于神经网络的正常工况路感模型预测得到正常工况方向盘力矩；当得到的工况标签为异常工况标签时，则使用所述简易路感模型计算得到简易异常工况方向盘力矩。
2.根据权利要求1所述基于SVM和BP神经网络的工况融合路感模拟方法，其特征在于，在步骤一中：试验道路类型包括高速道路、城市道路和郊区道路。
3.根据权利要求1所述基于SVM和BP神经网络的工况融合路感模拟方法，其特征在于，在步骤二中，建立的基于弹簧模型的路感模型中，方向盘力矩由以下公式计算得到：
Figure DEST_PATH_IMAGE002
式中，
Figure DEST_PATH_IMAGE004
为方向盘反馈力矩；
Figure DEST_PATH_IMAGE006
为方向盘转角；
Figure DEST_PATH_IMAGE008
为方向盘角速度；k为刚度系数，c为阻尼系数，a为常数，
Figure DEST_PATH_IMAGE010
为车辆纵向速度。
4.根据权利要求1所述基于SVM和BP神经网络的工况融合路感模拟方法，其特征在于，在步骤三中，对试验数据按照下式进行归一化处理：
Figure DEST_PATH_IMAGE012
式中，i为数据编号，j为变量编号，x i,j 表示未归一化的第i组数据中的第j个变量，
Figure DEST_PATH_IMAGE014
表示归一化后的第i组数据中的第j个变量值；X j 表示所有j对应的变量数据值组成的集合，min表示去除异常点后，试验数据中相关变量的最小值，max表示去除异常点后，试验数据中相关变量的最大值。
5.根据权利要求4所述基于SVM和BP神经网络的工况融合路感模拟方法，其特征在于，在步骤三中，生成随机数据点集时，使用均匀随机函数生成多维随机数据点，每个随机数据点各个维度的取值区间均为[0,1]。
6.根据权利要求1所述基于SVM和BP神经网络的工况融合路感模拟方法，其特征在于，在步骤四中，区分正常工况点和异常工况点的方式是，计算归一化后试验数据点与随机数据点集中各个随机数据点的欧氏距离，若某个随机数据点与一个或几个归一化后试验数据点的欧氏距离小于阈值L，则认为该随机数据点属于正常工况点，否则为异常工况点；将属于正常工况点的随机数据点组成正常随机数据库，属于异常工况点的随机数据点组成异常随机数据库。
7.根据权利要求6所述基于SVM和BP神经网络的工况融合路感模拟方法，其特征在于，所述阈值L设置为0.03。
8.根据权利要求1所述基于SVM和BP神经网络的工况融合路感模拟方法，其特征在于，在步骤五中，训练基于SVM的工况识别模型并进行测试的具体过程包括：将正常随机数据库和异常随机数据库中分别取出一定比例的数据点，组成工况识别训练数据库，其它数据点组成工况识别测试数据库；结合SVM算法，使用工况识别训练数据库中的数据训练得到基于SVM的工况识别模型；使用工况识别测试数据库中的数据测试得到的基于SVM的工况识别模型。
9.根据权利要求1所述基于SVM和BP神经网络的工况融合路感模拟方法，其特征在于，在步骤六中，使用BP神经网络算法建立基于BP神经网络的正常工况路感模型的具体过程包括：随机选择归一化后试验数据集中一定比例的数据点作为路感模型训练数据集，其它试验数据点作为路感模型测试数据集；结合BP神经网络算法，使用路感模型训练数据集中的数据训练得到基于BP神经网络的正常工况路感模型；使用路感模型测试数据集中的数据测试所得到的基于BP神经网络的正常工况路感模型。
10.根据权利要求1或9所述基于SVM和BP神经网络的工况融合路感模拟方法，其特征在于，在步骤六中，所述基于BP神经网络的正常工况路感模型包括一个输入层，一个输出层，3个隐含层，每个隐含层15神经元，输出层和隐含层的激活函数均为Sigmoid函数。
CN202011605239.3A 2020-12-29 2020-12-29 基于svm和bp神经网络的工况融合路感模拟方法 Active CN112572606B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011605239.3A CN112572606B (zh) 2020-12-29 2020-12-29 基于svm和bp神经网络的工况融合路感模拟方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011605239.3A CN112572606B (zh) 2020-12-29 2020-12-29 基于svm和bp神经网络的工况融合路感模拟方法

Publications (2)

Publication Number Publication Date
CN112572606A CN112572606A (zh) 2021-03-30
CN112572606B true CN112572606B (zh) 2021-11-05

Family

ID=75144235

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011605239.3A Active CN112572606B (zh) 2020-12-29 2020-12-29 基于svm和bp神经网络的工况融合路感模拟方法

Country Status (1)

Country Link
CN (1) CN112572606B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114202927B (zh) * 2021-12-27 2022-11-15 招商局重庆公路工程检测中心有限公司 一种基于多传感器融合的车型检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102006031061A1 (de) * 2006-07-05 2008-01-10 Ford Global Technologies, LLC, Dearborn Verfahren zum Erzeugen eines Steuergefühls in "steer-by-wire"-Fahrzeuge
CN203414285U (zh) * 2013-07-02 2014-01-29 杭州电子科技大学 汽车线控转向仿真试验台架路感模拟装置
CN106706345A (zh) * 2016-11-25 2017-05-24 合肥工业大学 一种线控转向系统路感模拟硬件在环仿真平台及仿真方法
CN107839749A (zh) * 2017-11-08 2018-03-27 南京航空航天大学 电动轮汽车转向路感及整车稳定性控制方法
CN111661150A (zh) * 2020-06-10 2020-09-15 中国第一汽车股份有限公司 一种路感模拟器

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102006031061A1 (de) * 2006-07-05 2008-01-10 Ford Global Technologies, LLC, Dearborn Verfahren zum Erzeugen eines Steuergefühls in "steer-by-wire"-Fahrzeuge
CN203414285U (zh) * 2013-07-02 2014-01-29 杭州电子科技大学 汽车线控转向仿真试验台架路感模拟装置
CN106706345A (zh) * 2016-11-25 2017-05-24 合肥工业大学 一种线控转向系统路感模拟硬件在环仿真平台及仿真方法
CN107839749A (zh) * 2017-11-08 2018-03-27 南京航空航天大学 电动轮汽车转向路感及整车稳定性控制方法
CN111661150A (zh) * 2020-06-10 2020-09-15 中国第一汽车股份有限公司 一种路感模拟器

Also Published As

Publication number Publication date
CN112572606A (zh) 2021-03-30

Similar Documents

Publication Publication Date Title
Lv et al. Hybrid-learning-based classification and quantitative inference of driver braking intensity of an electrified vehicle
CN105741637B (zh) 四轮轮毂电机电动汽车智能转向控制方法
CN109131351B (zh) 基于随机时滞的车辆稳定性评价方法
CN110949398A (zh) 一种车辆编队行驶中头车驾驶员异常驾驶行为检测方法
CN107000755A (zh) 用于估计影响车辆动力学的变量的方法和对应的虚拟传感器
CN108482481B (zh) 四轮独立驱动与转向电动汽车的四轮转向控制方法
CN110497916B (zh) 基于bp神经网络的汽车行驶状态估计方法
CN109991974A (zh) 自动驾驶路径跟随方法、装置及控制设备
CN112572606B (zh) 基于svm和bp神经网络的工况融合路感模拟方法
Arefnezhad et al. Modeling of double lane change maneuver of vehicles
Liu et al. A time-delay neural network of sideslip angle estimation for in-wheel motor drive electric vehicles
CN113642114B (zh) 可犯错的拟人化随机跟车驾驶行为建模方法
CN112632705B (zh) 一种基于gmm和高斯过程回归的路感模拟方法
CN112632706B (zh) 一种基于gmm和cart回归树的路感模拟方法
CN112749508B (zh) 一种基于gmm和bp神经网络的路感模拟方法
CN113033902A (zh) 一种基于改进深度学习的自动驾驶换道轨迹规划方法
CN113705865B (zh) 一种基于深度神经网络的汽车稳定性因数预测方法
Junqueira et al. A Model-less Approach for Estimating Vehicles Sideslip Angle by a Neural Network Concept
CN114162132B (zh) 一种基于主客观评价的驾驶模式识别方法
CN112685956B (zh) 基于cart回归树的路感模拟方法
CN112528568B (zh) 一种基于K-Means和BP神经网络的路感模拟方法
Deng et al. Modeling and prediction of human behaviors based on driving data using multi-layer HMMs
Polesel et al. Hierarchical control of overactuated vehicles via sliding mode techniques
CN114148349A (zh) 一种基于生成对抗模仿学习的车辆个性化跟驰控制方法
CN112937587A (zh) 基于K-Medoids和分类回归树的路感模拟方法

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
GR01 Patent grant
GR01 Patent grant