CN112651134A - 基于高斯过程回归的转向路感模拟方法 - Google Patents
基于高斯过程回归的转向路感模拟方法 Download PDFInfo
- Publication number
- CN112651134A CN112651134A CN202011601825.0A CN202011601825A CN112651134A CN 112651134 A CN112651134 A CN 112651134A CN 202011601825 A CN202011601825 A CN 202011601825A CN 112651134 A CN112651134 A CN 112651134A
- Authority
- CN
- China
- Prior art keywords
- steering
- gaussian process
- process regression
- road feel
- test 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 85
- 238000004088 simulation Methods 0.000 title claims abstract description 49
- 238000012360 testing method Methods 0.000 claims abstract description 116
- 238000012549 training Methods 0.000 claims abstract description 31
- 230000001133 acceleration Effects 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000005065 mining Methods 0.000 claims description 5
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 238000009826 distribution Methods 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 235000006629 Prosopis spicigera Nutrition 0.000 description 1
- 240000000037 Prosopis spicigera Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
Abstract
本发明公开了基于高斯过程回归的转向路感模拟方法,包括以下步骤:进行实车数据采集;试验数据预处理;划分训练数据集和测试数据集;使用高斯过程回归算法训练基于高斯过程回归的转向路感模拟模型;测试基于高斯过程回归的转向路感模拟模型,高斯过程回归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;根据所得的基于高斯过程回归的转向路感模拟模型进行转向路感模拟。本发明使用真实车辆采集试验数据,采用高斯过程回归算法进行转向路感模拟模型建模,得到的基于高斯过程回归的转向路感模拟模型性能稳定,精度高,运算速度快,实时性好,克服了现有技术的缺陷。
Description
技术领域
本发明涉及车辆技术领域,具体涉及一种基于高斯过程回归的转向路感模拟方法。
背景技术
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。由于转向路感能够传递重要的车辆行驶状态和行驶环境信息,转向路感的模拟对于线控转向装置至关重要。目前,主流的路感建模方法是从动力学角度分析路感产生原因,并建立功能性模型,对真实转向系统进行逼近。这种方法往往设计诸多参数的整定,对知识背景要求较高,且建模效率和精度均较低。
公开号为CN110606121A、名称为“一种线控转向路感模拟控制方法”的中国专利涉及一种方向盘反馈力的控制系统,通过动力学构建转向负载模型计算转向阻力矩,属于机理建模,需要调节的参数众多,精度难以保证。
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高斯过程回归的转向路感模拟方法,以实车试验数据和高斯过程回归算法进行建模,获得基于高斯过程回归的转向路感模拟模型,解决传统机理建模存在的模型结构复杂、精度不高等问题。
为了达到上述目的,本发明提供一种基于高斯过程回归的转向路感模拟方法,包括以下步骤:
步骤一、进行实车数据采集: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辆垂向载荷、方向盘转角、方向盘角速度、方向盘力矩、纵向车速、车辆横向加速度和车辆横摆角速度;
步骤二、试验数据预处理:对试验数据去除异常点后进行归一化处理,得到归一化试验数据集;
步骤三、划分训练数据集和测试数据集:将归一化试验数据集划分为训练数据集和测试数据集;
步骤四、训练基于高斯过程回归的路感模型:使用训练数据集和高斯过程回归算法训练基于高斯过程回归的转向路感模拟模型时,高斯过程回归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;
步骤五、测试基于高斯过程回归的路感模型:使用测试数据集测试得到的基于高斯过程回归的转向路感模拟模型;
步骤六、根据测试结果判断模型是否可接受:若模型可接受则建模成功,否则重新进行实车路采试验;
步骤七、根据所得的基于高斯过程回归的转向路感模拟模型进行转向路感模拟。
进一步地,在步骤一的实车试验中:试验道路类型包括高速道路、城市道路、乡村公路和市郊道路。
进一步地,在步骤一的实车试验中:车辆行驶工况包括直行、倒车、原地转向和部分危险工况。部分危险工况包括冰雪路面行驶工况、高速大幅度转向等。高速大幅度转向指的是车辆在速度大于90km/h的情况下,在0.5s内进行大于15°以上的方向盘转动。
在一优选实施例中,试验数据的采集频率为150Hz。
进一步地,在步骤二中,被去除的异常点包括超出正常取值范围的数据点、分布严重偏离的数据点和变化幅度超出正常范围的数据点。
所述超出正常取值范围的数据点定义为:某一次实车试验中采集的某个数据点,其中一个或多个变量的数值超出该次实车试验对应变量的实际正常取值范围。如当进行前进驾驶时,速度为负值的数据点;再如,在方向盘明显偏右边时候,测得的方向盘转角为负值的数据点。
所述分布严重偏离的数据点定义为:计算某一次实车试验中所采集试验数据的各个变量的标准差,若某个数据点的其中一个或几个变量的数值大于对应变量的标准差的3倍或小于对应变量的标准差的负3倍,则为分布严重偏离的数据点。
所述变化幅度超出正常范围的数据点的定义为:预设各个变量在正常情况下的最大瞬间变化幅值,若实际试验数据集中,某个数据点的其中一个或几个变量数值相对于前一个数据点的对应变量数值的差值绝对值大于相关变量的最大瞬间变化幅值,则为变化幅度超出正常范围的点。如,进行使用小型乘用车进行高速驾驶试验时,专家确认方向盘力矩的最大瞬间变化幅值为1N,则方向盘力矩值与前一数据点之间的差值绝对值大于1N的数据点均为变化幅度超出正常范围的点。
进一步地,在步骤二中,对试验数据去除异常点的方式是采用低通滤波器进行滤波。低通滤波器的参数设置时根据不同信号来调节,其截止频率越低,所得输出数据越平滑,但是过低会导致数据过度失真。
进一步地,在步骤二中,对试验数据按照下式进行归一化处理,得到归一化试验数据:
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。
优选地,在步骤三中,划分训练数据集和测试数据集时,从归一化试验数据集中随机选择一定数量比例的数据点作为训练数据集、其它均作为测试数据集。在一优选实施例中,该比例为6:4。
优选地,在步骤四中,训练基于高斯过程回归的转向路感模拟模型时,具体步骤为:训练基于高斯过程回归的转向路感模拟模型时,具体步骤为:
对于高斯过程回归算法,将训练数据集表示为:
D=(X,y)
其中:
X={xi},y={yi},xi表示第i个输入数据,yi表示第i个输出值;
y=f(xn)+ξn
y~N[0,K(X,X)+σ2I]
其中,K(X,X)是相应的核函数,I是相应的单位矩阵,给定一个新的数据输入x*,则相应的输出为y*;根据贝叶斯原理,输出值y*与训练数据的联合分布为:
计算出相应的后验分布y*;预测的输出y*可表达为:
y*|X,y,x*~N(μ,∑)
其中,
式中预测的分布的均值实际上是测试输出的估计值。
选择使用平方指数协方差函数(squared exponential covariance function,SE),通过极大似然估计来求解核函数的超参数,包括σn、σf、l。SE核函数可表示为:
进一步地,测试基于高斯过程回归的转向路感模拟模型时,可使用但不限于使用均方误差,即MSE值,作为模型质量的评判标准。使用测试数据集测试所述基于高斯过程回归的转向路感模拟模型时,步骤为:
1)取出测试数据集中的测试数据点,将测试数据点对应的输入变量的数值输入转向路感模拟模型,得到预测的方向盘力矩值;
2)重复进行步骤1),直到使用转向路感模拟模型进行了所有测试数据点的预测;
3)计算得到整个测试数据集的测试数据点经过模型计算预测方向盘力矩值与真实方向盘力矩值之间的均方误差,即MSE值;
4)判断是否重新进行试验:若MSE值小于预设的阈值θ,则认为训练所得到的基于数据驱动的转向路感模拟模型满足精度要求,模型可接受,建模成功。否则模型不可接受,需要进行补充路采试验。该阈值θ由专家根据经验确定,在一优选实施例中,阈值θ设置为0.15。
由于采用上述技术方案,本发明达到以下技术效果:本发明以实车路采数据为基础,采用高斯过程回归算法进行建模,可建立高精度,具有良好实时性的转向路感模型,经测试后模型的方向盘力矩预测值和真实值的MSE值为0.111,远小于专家确定的阈值;根据得到的转向路感模拟模型进行转向路感模拟,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。
附图说明
图1为根据本发明基于高斯过程回归的转向路感模拟方法中的建模步骤流程图。
图2为根据本发明的实施例中采集的原地转向工况的方向盘转角数据(局部)。
图3为根据本发明的实施例中的模型测试数据(局部)。
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。
请参阅图1至图3,本实施例提供一种基于高斯过程回归的转向路感模拟方法,包括实车试验及建模步骤S1-S6,以及模型应用步骤。以下结合图1对建模过程的步骤S1-S6进行详细说明。
S 1.进行实车数据采集:
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、乡村公路和市郊道路;车辆行驶工况包括直行、倒车、原地转向和部分危险工况。部分危险工况包括冰雪路面行驶工况、高速大幅度转向等。
本实施例中选取的驾驶员拥有3年驾龄,且在最近一年内每周驾驶时长不低于2.5小时。数据采集频率为150Hz。总试验里程为213公里,总试验时长3.5小时左右。
采集的试验数据包括车辆垂向载荷、方向盘转角、方向盘角速度、方向盘力矩、纵向车速、车辆横向加速度和车辆横摆角速度等。如图2所示,为本实施例试验中采集的原地转向工况的方向盘转角数据(局部),用实际的方向盘转角-数据编号曲线表示。
S2.试验数据预处理:
处理试验数据包括去除异常点、数据归一化。被去除的异常点包括超出正常取值范围的数据点、分布严重偏离的数据点和变化幅度超出正常范围的数据点。对试验数据去除异常点的方式是采用低通滤波器进行滤波。
本实施例中,对采集的试验数据按照下式进行归一化处理,得到归一化试验数据。归一化公式可采用但不限于采用下式:
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。
S3.划分训练数据集合测试数据集
划分训练数据集和测试数据集时,从归一化试验数据集中随机选择一定比例的数据点作为训练数据集、其它均作为测试数据集。训练数据集中数据点数量与测试数据集中数据点数量比例为6:4。
S4.训练基于高斯过程回归的路感模型:
使用训练数据集和高斯过程回归算法进行建模,训练得到基于高斯过程回归的转向路感模拟模型。高斯过程回归模型的输入变量包括车辆垂向载荷、方向盘转角、方向盘角速度、纵向车速、车辆横向加速度和车辆横摆角速度;输出变量为方向盘力矩。
训练基于高斯过程回归的转向路感模拟模型时,具体步骤为:
将训练数据集表示为:
D=(X,y)
其中:
X={xi},y={yi},xi表示第i个输入数据,yi表示第i个输出值;
y=f(xn)+ξn
y~N[0,K(X,X)+σ2I]
其中,K(X,X)是相应的核函数,I是相应的单位矩阵,给定一个新的数据输入x*,则相应的输出为y*;根据贝叶斯原理,输出值y*与训练数据的联合分布为:
计算出相应的后验分布y*;预测的输出y*可表达为:
y*|X,y,x*~N(μ,∑)
其中,
式中预测的分布的均值实际上是测试输出的估计值。
选择使用平方指数协方差函数SE,通过极大似然估计来求解核函数的超参数,包括σn、σf、l。SE核函数可表示为:
S5.测试基于高斯过程回归的路感模型:
测试基于高斯过程回归的路感模型时,使用测试数据集对所得基于高斯过程回归的转向路感模拟模型进行测试的步骤为:
1)依次取出测试数据集中的数据点,将车辆垂向载荷、方向盘转角、方向盘角速度、纵向车速、车辆横向加速度和车辆横摆角速度作为输出变量输入基于高斯过程回归的转向路感模拟模型中,得到预测的方向盘力矩值。
2)计算出整个测试数据集的预测方向盘力矩数据集与真实方向盘力矩数据集之间的均方误差,即MSE值,本实施例中的MSE值为0.111。如图3所示,其表示模型测试曲线(局部),由图可知在0-800s的时间段内,模拟的方向盘力矩-时间曲线(GPR)与实际的方向盘力矩-时间曲线(Actual)基本重合,MSE值为0.111。
S6.判断模型是否满足精度要求,并决定是否进行补充路采试验;
测试所得MSE值=0.111,远小于专家预设的阈值θ=0.15,所得模型可接受,不需要进行补充路采试验。
模型应用步骤:
建模完成后,根据本发明的转向路感模拟方法,还包括模型应用步骤:使用所得基于高斯过程回归的转向路感模拟模型进行转向路感模拟。将所得基于高斯过程回归的转向路感模拟模型输入驾驶模拟器中,在驾驶模拟器上进行仿真驾驶试验时,实时采集模拟车辆的纵车辆垂向载荷、方向盘转角、方向盘角速度、纵向车速、车辆横向加速度和车辆横摆角速度等行驶状态参数,将行驶状态参数作为输入变量输入转向路感模拟模型中,通过基于高斯过程回归的转向路感模拟模型计算得到方向盘力矩值,根据方向盘力矩值实时控制方向盘,从而模拟更加逼真的转向路感。试验证明,本发明建立的转向路感模拟模型性能稳定、精度高、运算速度快,在一定程度上克服了已有技术的缺陷。
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)
1.一种基于高斯过程回归的转向路感模拟方法,其特征在于,包括以下步骤:
步骤一、进行实车数据采集: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辆垂向载荷、方向盘转角、方向盘角速度、方向盘力矩、纵向车速、车辆横向加速度和车辆横摆角速度;
步骤二、试验数据预处理:对试验数据去除异常点后进行归一化处理,得到归一化试验数据集;
步骤三、划分训练数据集和测试数据集:将归一化试验数据集划分为训练数据集和测试数据集;
步骤四、训练基于高斯过程回归的路感模型:使用训练数据集和高斯过程回归算法训练基于高斯过程回归的转向路感模拟模型时,高斯过程回归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;
步骤五、测试基于高斯过程回归的路感模型:使用测试数据集测试得到的基于高斯过程回归的转向路感模拟模型;
步骤六、根据测试结果判断模型是否可接受:若模型可接受则建模成功,否则重新进行实车路采试验;
步骤七、根据所得的基于高斯过程回归的转向路感模拟模型进行转向路感模拟。
2.根据权利要求1所述基于高斯过程回归的转向路感模拟方法,其特征在于,其特征在于,在步骤一的实车试验中:试验道路类型包括高速道路、城市道路、乡村公路和市郊道路。
3.根据权利要求1所述基于高斯过程回归的转向路感模拟方法,其特征在于,其特征在于,在步骤一的实车试验中:车辆行驶工况包括直行、倒车、原地转向和部分危险工况,所述部分危险工况包括冰雪路面行驶工况和高速大幅度转向。
4.根据权利要求1所述基于高斯过程回归的转向路感模拟方法,其特征在于,在步骤二中,对试验数据去除异常点的方法是采用低通滤波器进行低通滤波。
6.根据权利要求1所述基于高斯过程回归的转向路感模拟方法,其特征在于,在步骤三中,划分训练数据集和测试数据集时,从归一化试验数据集中随机选择一定数量比例的数据点作为训练数据集、其它数据点均作为测试数据集。
7.根据权利要求1-6中任意一项所述基于高斯过程回归的转向路感模拟方法,其特征在于,在步骤四中,训练基于高斯过程回归的转向路感模拟模型时,选择使用平方指数协方差函数SE,通过极大似然估计来求解核函数的超参数。
8.根据权利要求1所述基于高斯过程回归的转向路感模拟方法,其特征在于,测试所述基于数据驱动的转向路感模拟模型并根据测试结果判断模型是否可接受的具体步骤为:
1)依次取出测试数据集中的测试数据点,将测试数据点对应的输入变量的数值输入转向路感模拟模型,得到预测的方向盘力矩值;
2)重复进行步骤1),依次对所有测试数据点对于的方向盘力矩值进行预测;
3)计算得到整个测试数据集的测试数据点预测所得方向盘力矩值与真实方向盘力矩值之间的MSE值;
4)若MSE值小于预设的阈值θ,则认为训练所得到的基于数据驱动的转向路感模拟模型可接受,建模成功。
9.根据权利要求8所述基于高斯过程回归的转向路感模拟方法,其特征在于,所述阈值θ为0.15。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011601825.0A CN112651134A (zh) | 2020-12-29 | 2020-12-29 | 基于高斯过程回归的转向路感模拟方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011601825.0A CN112651134A (zh) | 2020-12-29 | 2020-12-29 | 基于高斯过程回归的转向路感模拟方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112651134A true CN112651134A (zh) | 2021-04-13 |
Family
ID=75364167
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011601825.0A Pending CN112651134A (zh) | 2020-12-29 | 2020-12-29 | 基于高斯过程回归的转向路感模拟方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112651134A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113135192A (zh) * | 2021-05-20 | 2021-07-20 | 北京理工大学 | 一种能得到估计不确定性的履带车辆滑移率估计方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180267558A1 (en) * | 2017-03-14 | 2018-09-20 | Starsky Robotics, Inc. | Vehicle sensor system and method of use |
CN109214605A (zh) * | 2018-11-12 | 2019-01-15 | 国网山东省电力公司电力科学研究院 | 电力系统短期负荷概率预测方法、装置及系统 |
CN109978201A (zh) * | 2017-12-27 | 2019-07-05 | 深圳市景程信息科技有限公司 | 基于高斯过程分位数回归模型的概率负荷预测系统及方法 |
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 |
DE102018218263A1 (de) * | 2018-10-25 | 2020-04-30 | Robert Bosch Gmbh | Verfahren zum Maschinenlernen durch Gaußsche Prozesse |
CN111144644A (zh) * | 2019-12-24 | 2020-05-12 | 淮阴工学院 | 基于变分异方差高斯过程回归的短期风速预测方法 |
-
2020
- 2020-12-29 CN CN202011601825.0A patent/CN112651134A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180267558A1 (en) * | 2017-03-14 | 2018-09-20 | Starsky Robotics, Inc. | Vehicle sensor system and method of use |
CN109978201A (zh) * | 2017-12-27 | 2019-07-05 | 深圳市景程信息科技有限公司 | 基于高斯过程分位数回归模型的概率负荷预测系统及方法 |
DE102018218263A1 (de) * | 2018-10-25 | 2020-04-30 | Robert Bosch Gmbh | Verfahren zum Maschinenlernen durch Gaußsche Prozesse |
CN109214605A (zh) * | 2018-11-12 | 2019-01-15 | 国网山东省电力公司电力科学研究院 | 电力系统短期负荷概率预测方法、装置及系统 |
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 |
CN111144644A (zh) * | 2019-12-24 | 2020-05-12 | 淮阴工学院 | 基于变分异方差高斯过程回归的短期风速预测方法 |
Non-Patent Citations (1)
Title |
---|
何志昆 等: "高斯过程回归方法综述", 控制与决策, vol. 28, no. 8, pages 1122 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113135192A (zh) * | 2021-05-20 | 2021-07-20 | 北京理工大学 | 一种能得到估计不确定性的履带车辆滑移率估计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112801143B (zh) | 基于K-Means和高斯过程回归的转向路感模拟方法 | |
CN113239986B (zh) | 车辆轨迹评价网络模型的训练方法、装置和存储介质 | |
CN114169444B (zh) | 车辆跟驰工况下考虑风险势场分布的驾驶风格分类方法 | |
CN112632705B (zh) | 一种基于gmm和高斯过程回归的路感模拟方法 | |
CN112749508B (zh) | 一种基于gmm和bp神经网络的路感模拟方法 | |
CN112550450B (zh) | 基于K-Means和CART回归树的路感模拟方法 | |
CN112632706B (zh) | 一种基于gmm和cart回归树的路感模拟方法 | |
CN112560782A (zh) | 一种基于随机森林算法的车辆换道行为识别方法 | |
CN113642114B (zh) | 可犯错的拟人化随机跟车驾驶行为建模方法 | |
CN112651134A (zh) | 基于高斯过程回归的转向路感模拟方法 | |
CN112182785A (zh) | 一种基于数据驱动的汽车方向盘力感建模方法 | |
CN112373483A (zh) | 一种基于前向神经网络的车辆速度和转向预测方法 | |
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 | |
CN116975671A (zh) | L3级自动驾驶车辆驾驶员信任度评估方法及系统 | |
CN112528568B (zh) | 一种基于K-Means和BP神经网络的路感模拟方法 | |
CN112937587A (zh) | 基于K-Medoids和分类回归树的路感模拟方法 | |
CN112685956B (zh) | 基于cart回归树的路感模拟方法 | |
CN111923916A (zh) | 一种基于视觉感知行为和anfis的仿人转向建模方法及转向控制系统 | |
CN114148349B (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 | |
CN112597597A (zh) | 基于K-Medoids和BP神经网络的路感模拟方法 | |
CN110895631A (zh) | 一种轮轨粘着特性的辨识方法以及系统 | |
CN114162132A (zh) | 一种基于主客观评价的驾驶模式识别方法 | |
CN112949173A (zh) | 一种基于K-Medoids和高斯过程回归的路感模拟方法 | |
CN112623027A (zh) | 一种基于bp神经网络的路感模拟方法 | |
CN112836722B (zh) | 一种基于数据驱动的路感模拟方法 |
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 |