CN112632707A - 一种基于ann算法的工况融合路感模拟方法 - Google Patents

一种基于ann算法的工况融合路感模拟方法 Download PDF

Info

Publication number
CN112632707A
CN112632707A CN202011605221.3A CN202011605221A CN112632707A CN 112632707 A CN112632707 A CN 112632707A CN 202011605221 A CN202011605221 A CN 202011605221A CN 112632707 A CN112632707 A CN 112632707A
Authority
CN
China
Prior art keywords
working condition
road feel
model
steering wheel
test
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
Application number
CN202011605221.3A
Other languages
English (en)
Other versions
CN112632707B (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 CN202011605221.3A priority Critical patent/CN112632707B/zh
Publication of CN112632707A publication Critical patent/CN112632707A/zh
Application granted granted Critical
Publication of CN112632707B publication Critical patent/CN112632707B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

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)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Steering Control In Accordance With Driving Conditions (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明公开了基于ANN算法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路感模型；试验数据归一化；生成等间隔试验点；筛选异常工况点；生成训练数据；使用ANN算法进行融合路感建模：使用训练数据和ANN算法训练得到工况融合路感模型，工况融合路感模型的输入为车速、方向盘转角和方向盘角速度，输出变量为方向盘力矩；判断模型是否可接受；根据得到的基于ANN算法的工况融合路感模型进行路感模拟。本方法经过弹簧模型建立路感模型后，筛选异常工况点，再建立基于ANN算法的工况融合路感模型，能够在正常工况下模拟真实路感，在异常工况的情况下模拟较为安全的路感，使驾驶员获得更加逼真的驾驶感受。

Description

一种基于ANN算法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ANN算法的工况融合路感模 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，驾驶员易因无安全威胁而进行大范围转向或快速转 向，此时，路感反馈系统需要使用较为安全的反馈力，以保证驾驶员的安全。 因此，有必要开发出一种可以用于模拟驾驶器的能够在正常模拟行驶工况下提 供真实路感，且能够在异常模拟行驶工况下提供较为安全的路感的路感模型。 目前尚无关于融合正常工况和异常工况的路感模型建模方法的专利。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于ANN算法的工况 融合路感模拟方法，以实车试验数据、弹簧模型和ANN算法算法为基础进行 建模，获得基于ANN算法的工况融合路感模型，用于模拟驾驶器的路感模拟。
为了达到上述目的，本发明提供一种基于ANN算法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车速、方向盘转角、方向盘角速度和方向盘力矩；
步骤二、建立基于弹簧模型的路感模型：确定弹簧模型的刚度系数和阻尼 系数，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路感模型；
步骤三、试验数据归一化：对所采集的试验数据进行归一化，得到归一化 后试验数据；
步骤四、生成等间隔试验点：生成多个间隔相同且与所述基于弹簧模型的 路感模型输入变量相同维度的随机数据点，作为等间隔试验点；
步骤五、筛选异常工况点：根据所述等间隔试验点与归一化后试验数据之 间的欧式距离，筛选出归一化后试验数据中的异常工况点和正常工况点；
步骤六、生成训练数据：根据所述归一化后试验数据生成训练数据时，异 常工况点对应的方向盘力矩数据由所述基于弹簧模型的路感模型计算得到，正 常工况点对应的方向盘力矩直接使用实际试验所采数据；
步骤七、使用ANN算法进行融合路感建模：使用所述训练数据和ANN算法 训练得到基于ANN算法的工况融合路感模型，所述工况融合路感模型的输入为 车速、方向盘转角和方向盘角速度，输出变量为方向盘力矩；
步骤八、判断模型是否可接受：根据所得到的基于ANN算法的工况融合路 感模型的精度判断模型是否可接受，若可接受，则输出模型；
步骤九、根据得到的基于ANN算法的工况融合路感模型进行路感模拟。
进一步地，在步骤一中：试验道路类型包括高速道路和城市道路；车辆行 驶工况包括上坡、下坡、直行、倒车、转弯和原地转向。
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。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 BDA0002870277240000021
其中，Ts为方向盘力矩；θs为方向盘转角；
Figure BDA0002870277240000022
为方向盘角速度；k为刚度系数， c为阻尼系数，v为车速。
进一步地，对试验数据按照下式进行归一化处理：
Figure RE-GDA0002953107160000023
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。
进一步地，在步骤四中，每个间隔相同的随机数据点各个维度的取值区间 均为[0,1]，且相邻两个随机数据点在同一坐标轴上的间隔相同。
进一步地，在步骤五中，筛选异常点的具体方法是，计算每个等间隔试验 点与各个归一化后试验数据之间的欧式距离，若某个等间隔试验点与某一个或 几个归一化后试验数据之间的欧式距离小于或等于阈值L，则该等间隔试验点为 正常工况点，否则为异常工况点。更进一步地，所述阈值L设置为相邻两个等 间隔试验点的间隔值。在一个优选实施例中，阈值L设置为0.03。
进一步地，在步骤八中，若模型不可接受则调整步骤二中的弹簧模型的刚 度系数和阻尼系数。
进一步地，在步骤七中，训练模型时使用交叉验证；在步骤八中，根据交 叉验证的MSE值判断模型是否可接受。
优选地，在步骤七中，所述基于ANN算法的工况融合路感模拟模型包括一 个输入层，一个输出层，10个隐含层，每个隐含层10神经元，输出层和隐含层 的激活函数均为Sigmoid函数。
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，经过弹簧模型建立路感模型后，筛选异常工况点，再建立基于ANN 算法的工况融合路感模型，应用于模拟驾驶器时，能够在正常工况下模拟真实 路感，在异常工况的情况下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，使驾驶员获得更加逼真的驾驶感受，而且保证驾驶员的 安全。
附图说明
图1为根据本发明基于ANN算法的工况融合路感模拟方法中的建模步骤流 程图。
图2为实施例的归一化后试验数据散点图。
图3为实施例的试验数据和等间隔试验点的散点图。
图4为实施例的正常工况点和异常工况点。
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至图4，本实施例提供一种基于ANN算法的工况融合路感模拟 方法，包括实车试验及建模步骤S1-S8，以及模型应用步骤。以下结合图1对 建模过程的步骤S1-S8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 不限于高速道路和城市道路；车辆行驶工况包括但不限于上坡、下坡、直行、 倒车、转弯和原地转向工况。
采集的试验数据包括车速、方向盘角度、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，共采集到约5100000组数据。
S2.建立或调节模型的路感模型
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。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 BDA0002870277240000041
其中，Ts为方向盘力矩；θs为方向盘转角；
Figure BDA0002870277240000042
为方向盘角速度；k为刚度系数， c为阻尼系数，v为车速。
S3.试验数据归一化
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， 对采集的试验数据按照下式进行归一化处理：
Figure BDA0002870277240000043
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。
经过预处理后，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。
S4.生成等间隔试验点
生成多个间隔相同且与所述基于弹簧模型的路感模型输入变量相同维度的 随机数据点，作为等间隔试验点。每个间隔相同的随机数据点各个维度的取值 区间均为[0,1]，且相邻两个随机数据点在同一坐标轴上的间隔相同。如图3所示， 其表示所采集的试验数据和生成的等间隔试验点的散点图。
S5.筛选异常工况点
根据所述等间隔试验点与归一化后试验数据之间的欧式距离，筛选出归一 化后试验数据中的异常工况点和正常工况点。具体地，计算每个等间隔试验点 与各个归一化后试验数据之间的欧式距离，若某个等间隔试验点与某一个或几 个归一化后试验数据之间的欧式距离小于或等于阈值L，则该等间隔试验点为 正常工况点，否则为异常工况点。所述阈值L设置为相邻两个等间隔试验点的 间隔值。在本实施例中，阈值L设置为0.03。
如图4所示，其表示实施例的正常工况点和异常工况点。
S6.生成训练数据
根据所述归一化后试验数据生成训练数据时，异常工况点对应的方向盘力 矩数据由所述基于弹簧模型的路感模型计算得到，正常工况点对应的方向盘力 矩直接使用实际试验所采数据。生成异常工况点的方向盘力矩数据时，将车速、 方向盘角度、方向盘角速度输入弹簧模型，通过计算即可得到相关异常工况点 的方向盘扭矩值。
S7.使用ANN算法进行融合路感建模
使用训练数据进行融合路感建模时使用ANN算法，且训练时使用交叉验证。 训练融合路感模型时，输入变量包括车速、方向盘角度和方向盘角速度，输出 变量为方向盘力矩。所得ANN模型包括一个输入层，一个输出层，10个隐含 层，每个隐含层拥有10神经元，输出层和隐含层的激活函数均为Sigmoid函数。
S8.判断模型是否可接受
判断模型是否可接受，并决定是否进行补充试验的方法是，若交叉验证的 MSE值小于0.15，则该融合路感模型可接受。否则，不可接受，需要重新调节 弹簧模型参数，即刚度系数值k、阻尼系数值c。反复调节后，最终所得k值为 0.0079；c值为0.003。最终所得交叉验证的MSE值为0.115，小于阈值0.15， 所得基于ANN算法的工况融合路感模型可接受。
建模完成后，将所得的基于ANN算法的工况融合路感模型运用于模拟驾驶 器中，驾驶员在进行模拟驾驶仿真试验时，实时采集模拟车辆的车速、方向盘 角度、方向盘角速度，通过基于ANN算法的工况融合路感模型运算得到方向 盘力矩值，从而控制方向盘进行路感模拟，使得模拟驾驶器能够在正常工况下 模拟真实路感，在异常工况的情况下模拟较为安全的路感，确保驾驶员在模拟 驾驶器中获得较为安全的反馈力，得到更好的驾驶感受。
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ANN算法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车速、方向盘转角、方向盘角速度和方向盘力矩；
步骤二、建立基于弹簧模型的路感模型：确定弹簧模型的刚度系数和阻尼系数，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路感模型；
步骤三、试验数据归一化：对所采集的试验数据进行归一化，得到归一化后试验数据；
步骤四、生成等间隔试验点：生成多个间隔相同且与所述基于弹簧模型的路感模型输入变量相同维度的随机数据点，作为等间隔试验点；
步骤五、筛选异常工况点：根据所述等间隔试验点与归一化后试验数据之间的欧式距离，筛选出归一化后试验数据中的异常工况点和正常工况点；
步骤六、生成训练数据：根据所述归一化后试验数据生成训练数据时，异常工况点对应的方向盘力矩数据由所述基于弹簧模型的路感模型计算得到，正常工况点对应的方向盘力矩直接使用实际试验所采数据；
步骤七、使用ANN算法进行融合路感建模：使用所述训练数据和ANN算法训练得到基于ANN算法的工况融合路感模型，所述工况融合路感模型的输入为车速、方向盘转角和方向盘角速度，输出变量为方向盘力矩；
步骤八、判断模型是否可接受：根据所得到的基于ANN算法的工况融合路感模型的精度判断模型是否可接受，若可接受，则输出模型；
步骤九、根据得到的基于ANN算法的工况融合路感模型进行路感模拟。
2.根据权利要求1所述基于ANN算法的工况融合路感模拟方法，其特征在于，其特征在于，在步骤一中：试验道路类型包括高速道路和城市道路；车辆行驶工况包括上坡、下坡、直行、倒车、转弯和原地转向。
3.根据权利要求1所述基于ANN算法的工况融合路感模拟方法，其特征在于，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 FDA0002870277230000011
其中，Ts为方向盘力矩；θs为方向盘转角；
Figure FDA0002870277230000012
为方向盘角速度；k为刚度系数，c为阻尼系数，v为车速。
4.根据权利要求1所述基于ANN算法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 FDA0002870277230000021
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。
5.根据权利要求1所述基于ANN算法的工况融合路感模拟方法，其特征在于，在步骤四中，每个间隔相同的随机数据点各个维度的取值区间均为[0,1]，且相邻两个随机数据点在同一坐标轴上的间隔相同。
6.根据权利要求1所述基于ANN算法的工况融合路感模拟方法，其特征在于，在步骤五中，筛选异常点的具体方法是，计算每个等间隔试验点与各个归一化后试验数据之间的欧式距离，若某个等间隔试验点与某一个或几个归一化后试验数据之间的欧式距离小于或等于阈值L，则该等间隔试验点为正常工况点，否则为异常工况点。
7.根据权利要求6所述基于ANN算法的工况融合路感模拟方法，其特征在于，所述阈值L设置为相邻两个等间隔试验点的间隔值。
8.根据权利要求1所述基于ANN算法的工况融合路感模拟方法，其特征在于，在步骤八中，若模型不可接受则返回步骤二，调整所述弹簧模型的刚度系数和阻尼系数。
9.根据权利要求1所述基于ANN算法的工况融合路感模拟方法，其特征在于，在步骤七中，训练模型时使用交叉验证；在步骤八中，根据交叉验证的MSE值判断模型是否可接受。
10.根据权利要求1-9任意一项所述基于ANN算法的工况融合路感模拟方法，其特征在于，在步骤七中，所述基于ANN算法的工况融合路感模型包括一个输入层，一个输出层，10个隐含层，每个隐含层10神经元，输出层和隐含层的激活函数均为Sigmoid函数。
CN202011605221.3A 2020-12-29 2020-12-29 一种基于ann算法的工况融合路感模拟方法 Active CN112632707B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011605221.3A CN112632707B (zh) 2020-12-29 2020-12-29 一种基于ann算法的工况融合路感模拟方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011605221.3A CN112632707B (zh) 2020-12-29 2020-12-29 一种基于ann算法的工况融合路感模拟方法

Publications (2)

Publication Number Publication Date
CN112632707A true CN112632707A (zh) 2021-04-09
CN112632707B CN112632707B (zh) 2023-08-01

Family

ID=75286404

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011605221.3A Active CN112632707B (zh) 2020-12-29 2020-12-29 一种基于ann算法的工况融合路感模拟方法

Country Status (1)

Country Link
CN (1) CN112632707B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104616559A (zh) * 2014-12-31 2015-05-13 北京新能源汽车股份有限公司 一种实车驾驶模拟系统及其方法
CN105034986A (zh) * 2015-06-10 2015-11-11 辽宁工业大学 一种驾驶员转向特性在线辨识方法及装置
CN105426638A (zh) * 2015-12-24 2016-03-23 吉林大学 一种驾驶员行为特性辨识装置
KR20170127871A (ko) * 2016-05-13 2017-11-22 (주)이노시뮬레이션 차량 시뮬레이터 및 그 제어방법
CN111559378A (zh) * 2020-04-22 2020-08-21 辽宁工业大学 一种考虑驾驶员特性的四轮独驱电动车动力学控制方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104616559A (zh) * 2014-12-31 2015-05-13 北京新能源汽车股份有限公司 一种实车驾驶模拟系统及其方法
CN105034986A (zh) * 2015-06-10 2015-11-11 辽宁工业大学 一种驾驶员转向特性在线辨识方法及装置
CN105426638A (zh) * 2015-12-24 2016-03-23 吉林大学 一种驾驶员行为特性辨识装置
KR20170127871A (ko) * 2016-05-13 2017-11-22 (주)이노시뮬레이션 차량 시뮬레이터 및 그 제어방법
CN111559378A (zh) * 2020-04-22 2020-08-21 辽宁工业大学 一种考虑驾驶员特性的四轮独驱电动车动力学控制方法

Also Published As

Publication number Publication date
CN112632707B (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
Du et al. Comfortable and energy-efficient speed control of autonomous vehicles on rough pavements using deep reinforcement learning
CN105741637B (zh) 四轮轮毂电机电动汽车智能转向控制方法
CN112896170B (zh) 一种车路协同环境下的自动驾驶横向控制方法
CN113010967B (zh) 一种基于混合交通流模型的智能汽车在环仿真测试方法
CN109131351B (zh) 基于随机时滞的车辆稳定性评价方法
CN107526906A (zh) 一种基于数据采集的驾驶风格辨识装置及方法
CN108595745B (zh) 一种车辆相平面稳定区域确定方法及系统
CN105426638A (zh) 一种驾驶员行为特性辨识装置
CN113408047B (zh) 一种基于时滞反馈神经网络的车辆动力学预测模型、及训练数据获取方法、训练方法
CN112801143B (zh) 基于K-Means和高斯过程回归的转向路感模拟方法
CN104462716B (zh) 一种基于人‑车‑路模型的脑‑控车辆的脑‑机接口参数和动力学参数设计方法
de Carvalho Pinheiro et al. Design and validation of a high-level controller for automotive active systems
CN112182785A (zh) 一种基于数据驱动的汽车方向盘力感建模方法
CN112572606B (zh) 基于svm和bp神经网络的工况融合路感模拟方法
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
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
CN108961680B (zh) 一种酒后驾驶和疲劳驾驶判别系统的性能检测系统及方法
CN112749508B (zh) 一种基于gmm和bp神经网络的路感模拟方法
CN112632707A (zh) 一种基于ann算法的工况融合路感模拟方法
CN207965887U (zh) 一种新型的区分工况的驾驶风格辨识装置
CN112528568B (zh) 一种基于K-Means和BP神经网络的路感模拟方法
Derrix et al. Experimental analysis of the influence of body stiffness on drivability and dynamic body behavior with on-road experiments
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
Black et al. Evaluation of driver steering preferences using an automotive simulator

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