CN113158569A - 一种基于长短期记忆网络的罐车侧倾状态高可靠估计方法 - Google Patents

一种基于长短期记忆网络的罐车侧倾状态高可靠估计方法 Download PDF

Info

Publication number
CN113158569A
CN113158569A CN202110441893.3A CN202110441893A CN113158569A CN 113158569 A CN113158569 A CN 113158569A CN 202110441893 A CN202110441893 A CN 202110441893A CN 113158569 A CN113158569 A CN 113158569A
Authority
CN
China
Prior art keywords
representing
tank car
state
network
time
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
CN202110441893.3A
Other languages
English (en)
Other versions
CN113158569B (zh
Inventor
李旭
韦坤
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN202110441893.3A priority Critical patent/CN113158569B/zh
Publication of CN113158569A publication Critical patent/CN113158569A/zh
Application granted granted Critical
Publication of CN113158569B publication Critical patent/CN113158569B/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]
    • G06F30/20—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Vehicle Body Suspensions (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明提出了一种基于长短期记忆网络的罐车侧倾状态高可靠估计方法。首先，明确能够表征罐车侧倾状态的多维参数；然后，利用卡尔曼滤波提高侧倾状态表征参数的精度；最后，设计LSTM网络实现罐车侧倾状态的高可靠估计。该方法融合多个车辆状态参数来估计罐车的侧倾状态，从而提高估计方法的容错性。同时利用LSTM网络的记忆功能，综合考虑侧倾状态表征参数的当前值和历史值，进而提高估计方法的可靠性。

Description

一种基于长短期记忆网络的罐车侧倾状态高可靠估计方法
技术领域
本发明涉及一种侧倾状态估计方法，具体的是一种基于长短期记忆网络的罐车侧倾状态高可靠估计方法，属于车辆安全技术领域。
背景技术
近些年，随着社会和工业水平的快速发展，危险品的使用需求不断上升，导致其运输需求持续增长。由于运输能力大、效率高和成本低，罐车为危险品异地运输提供了极大的便利条件，成为危险品公路运输的主体车型。然而罐车车身结构具有特殊性和复杂性(质心较高、液体扰动易引起质心偏移等)，罐车在公路上交通事故频频发生，成为影响道路交通安全的重要来源。根据统计的708起危险货物罐车交通事故，罐车发生交通事故的原因主要有单方翻车、冲出路外、辆车追尾等，其中单方翻车所占比例最大。因此，罐车的侧翻事故主动防控技术成为公路交通安全领域的研究热点，而其中侧倾状态估计是至关重要的。
现有的方法通常是将车辆侧倾状态表征参数与预设阈值比较来实现侧倾状态的动态估计，如授权专利“基于模糊逻辑的整体式罐车多源信息融合侧翻预警方法”(申请号：CN201910179582)。这些方法忽略了不同充液比带来的影响，同时仅考虑侧倾状态表征参数的当前值，导致其估计结果的可靠性难以适用于实际工程应用的需求。
发明内容
针对现有罐车侧倾状态估计可靠性低的问题，本发明提出了一种基于长短期记忆网络的罐车侧倾状态估计方法，该方法综合考虑多个侧倾状态表征参数的当前值和历史值，从而提高侧倾状态估计的可靠性。
为了实现上述目的，本发明提供如下技术方案：
步骤一：明确能够表征罐车侧倾状态的多维参数
罐车侧倾状态表征参数选为：充液比、侧倾角、侧向加速度和横摆角速度；
步骤二：利用卡尔曼滤波提高侧倾状态表征参数的精度
充液比λ保持不变，事前静态测量获得；侧倾角α、侧向加速度β和横摆角速度η由固定在质心处的惯性测量单元实时输出；
将α、β、η作为观测量，利用卡尔曼滤波算法获得精度更高的罐车侧倾角
Figure BDA00030353465200000218
侧向加速度
Figure BDA0003035346520000021
和横摆角速度
Figure BDA0003035346520000022
离散化后的卡尔曼滤波的状态方程的矩阵形式表示为：
ut＝Aut-1+qt-1 (1)
式中，
Figure BDA0003035346520000023
表示状态向量，上角标T表示矩阵转置；A表示状态转移矩阵，
Figure BDA0003035346520000024
表示过程噪声向量，
Figure BDA0003035346520000025
表示
Figure BDA0003035346520000026
的高斯白噪声，其均值为0，方差为
Figure BDA0003035346520000027
表示
Figure BDA0003035346520000028
的高斯白噪声，其均值为0，方差为
Figure BDA0003035346520000029
表示
Figure BDA00030353465200000210
的高斯白噪声，其均值为0，方差为
Figure BDA00030353465200000211
Figure BDA00030353465200000212
表示过程噪声向量q对应的协方差矩阵；
离散化后的卡尔曼滤波的观测方程的矩阵形式表示为：
vt＝Hut+rt (2)
式中，v＝[α β η]T表示观测向量；H表示观测矩阵，
Figure BDA00030353465200000213
r＝[rα rβ rη]T表示与q互不相关测量噪声向量，rα表示α的高斯白噪声，其均值为0，方差为
Figure BDA00030353465200000214
rβ表示β的高斯白噪声，其均值为0，方差为
Figure BDA00030353465200000215
rη表示η的高斯白噪声，其均值为0，方差为
Figure BDA00030353465200000216
Figure BDA00030353465200000217
表示测量噪声向量r对应的协方差矩阵；
递推过程包括时间更新和测量更新，下面递推过程的前两步为时间更新，剩余的三步为测量更新；
时间更新：
Figure BDA0003035346520000031
Figure BDA0003035346520000032
测量更新：
Figure BDA0003035346520000033
Figure BDA0003035346520000034
Figure BDA0003035346520000035
步骤三：设计LSTM网络实现罐车侧倾状态的高可靠估计
LSTM网络的输入为能够表征罐车侧倾状态的多维参数，表示为
Figure BDA0003035346520000036
Figure BDA0003035346520000037
网络的输出为罐车的侧倾状态h，计算公式为：
Figure BDA0003035346520000038
式中，Fl表示罐车最后一轴左侧车轮的垂向力，Fr表示罐车最后一轴右侧车轮的垂向力；
用于罐车侧倾状态估计的LSTM网络工作流程表示为：
首先，决定当前t时刻候选信息中有哪些信息需要记住，计算公式为：
it＝σ(Wi·[ht-1，xt]+bi) (9)
Figure BDA0003035346520000039
式中，t表示当前离散时刻，it表示t时刻输入门的状态，σ表示sigmoid激活函数，Wi和bi分别表示输入门的权重和偏置，ht-1表示t-1时刻网络的输出，xt表示t时刻网络的输入，
Figure BDA00030353465200000310
表示t时刻记忆细胞的候选信息，tanh表示tanh激活函数，WC和bC分别表示记忆细胞输入的权重和偏置；
然后，决定丢弃t-1时刻记忆细胞中的哪些信息并且更新t时刻记忆细胞中的信息，计算公式为：
ft＝σ(Wf·[ht-1，xt]+bf) (11)
Figure BDA00030353465200000311
式中，ft表示t时刻遗忘门的状态，Wf和bf分别表示遗忘门的权重和偏置，Ct表示t时刻记忆细胞中信息，Ct-1表示t-1时刻记忆细胞中信息，*表示两个矩阵对应元素相乘；
最后，决定t时刻输出哪些信息，计算公式为：
ot＝σ(Wo·[ht-1，xt]+bo) (13)
ht＝ot*tanh(Ct) (14)
式中，ot表示t时刻输出门的状态，Wo和bo分别表示输出门的权重和偏置，ht表示t时刻网络的输出；
改进后的LSTM网络损失函数表达式为：
Figure BDA0003035346520000041
Figure BDA0003035346520000042
式中，N表示样本数据的数量，g(yi)表示高危侧倾状态放大因子，yi和f(xi)分别表示网络的目标值和预测值；
初始化网络参数并使用样本数据来训练网络，利用梯度下降法来调整网络参数，从而最小化网络的损失函数；
将当前t时刻罐车的充液比λt和卡尔曼滤波器输出的精度更高的罐车侧倾角
Figure BDA0003035346520000043
侧向加速度
Figure BDA0003035346520000044
横摆角速度
Figure BDA0003035346520000045
作为训练好的LSTM网络的输入，从而获得当前t时刻罐车的侧倾状态ht。
与现有技术相比，本发明具有如下优点和有益效果：
1、本发明使用多个车辆状态参数来联合估计侧倾状态，从而提高罐车侧倾状态估计的容错性。
2、本发明综合考虑多个侧倾状态表征参数的当前值和历史值，从而提高罐车侧倾状态估计的可靠性。
附图说明
图1为罐车侧倾状态高可靠估计方法的总体设计方案图；
图2为侧倾角、侧向加速度和横摆角速度变化趋势图；
图3为LSTM网络结构图；
图4为罐车转向时侧倾状态的估计结果。
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长短期记忆(LSTM)网络的罐车侧倾状态高可靠估计方法。首先，明确能够表征罐车侧倾状态的多维参数；然后，利用卡尔曼滤波提高侧倾状态表征参数的精度；最后，设计LSTM网络实现罐车侧倾状态的高可靠估计。该方法融合多个车辆状态参数来估计罐车的侧倾状态，从而提高估计方法的容错性。同时利用LSTM网络的记忆功能，综合考虑侧倾状态表征参数的当前值和历史值，进而提高估计方法的可靠性。侧倾状态估计的总体设计方案如图1所示，具体步骤包括：
步骤一：明确能够表征罐车侧倾状态的多维参数
罐车转弯或者变道时，由于液体的流动性，罐内液体会对侧壁产生额外的力和力矩，装载液体体积的不同会对罐车侧倾状态产生不同的影响。因此，充液比(装载液体体积与罐体容积的比值)选为侧倾状态表征参数。
罐车侧倾状态改变时，质心处的侧倾角、侧向加速度和横摆角速度会快速响应且具有相似的变化趋势，如图2所示，可以联合反应罐车侧倾状态的变化。因此，侧倾角、侧向加速度和横摆角速度选为侧倾状态表征参数。
步骤二：利用卡尔曼滤波提高侧倾状态表征参数的精度
罐车在道路上行驶时，充液比λ保持不变，可以事前静态测量获得。侧倾角α、侧向加速度β和横摆角速度η由固定在质心处的惯性测量单元实时输出，输出频率大于10Hz。
由于罐车处于行驶状态，惯性测量单元输出的数据存在较大的随机误差，进而影响罐车侧倾状态估计的准确性，所以将α、β、η作为观测量，利用卡尔曼滤波算法获得精度更高的罐车侧倾角
Figure BDA0003035346520000051
侧向加速度
Figure BDA0003035346520000052
和横摆角速度
Figure BDA0003035346520000053
离散化后的卡尔曼滤波的状态方程的矩阵形式表示为：
ut＝Aut-1+qt-1 (1)
式中，
Figure BDA0003035346520000061
表示状态向量，上角标T表示矩阵转置；A表示状态转移矩阵，由于采样频率较高，可以认为上一采样时刻的状态向量等于当前时刻的状态向量，因此
Figure BDA0003035346520000062
Figure BDA0003035346520000063
表示过程噪声向量，
Figure BDA0003035346520000064
表示
Figure BDA0003035346520000065
的高斯白噪声，其均值为0，方差为
Figure BDA0003035346520000066
表示
Figure BDA0003035346520000067
的高斯白噪声，其均值为0，方差为
Figure BDA0003035346520000068
表示
Figure BDA0003035346520000069
的高斯白噪声，其均值为0，方差为
Figure BDA00030353465200000610
Figure BDA00030353465200000611
表示过程噪声向量q对应的协方差矩阵。
离散化后的卡尔曼滤波的观测方程的矩阵形式表示为：
vt＝Hut+rt (2)
式中，v＝[α β η]T表示观测向量；H表示观测矩阵，由于观测向量和状态向量都是侧倾角、侧向加速度和横摆角速度，故
Figure BDA00030353465200000612
r＝[rα rβ rη]T表示与q互不相关测量噪声向量，rα表示α的高斯自噪声，其均值为0，方差为
Figure BDA00030353465200000613
rβ表示β的高斯白噪声，其均值为0，方差为
Figure BDA00030353465200000614
rη表示η的高斯白噪声，其均值为0，方差为
Figure BDA00030353465200000615
Figure BDA00030353465200000616
表示测量噪声向量r对应的协方差矩阵。
对于上述状态方程和测量方程，运用卡尔曼滤波理论，建立下面的标准滤波递推过程，该递推过程包括时间更新和测量更新，下面递推过程的前两步为时间更新，剩余的三步为测量更新。
时间更新：
Figure BDA00030353465200000617
Figure BDA00030353465200000618
测量更新：
Figure BDA00030353465200000619
Figure BDA00030353465200000620
Figure BDA00030353465200000621
步骤三：设计LSTM网络实现罐车侧倾状态的高可靠估计
LSTM网络是一种特殊的循环神经网络(RNN)，具有RNN拥有的记忆功能，同时能够解决一般RNN的长期依赖问题。因此，利用LSTM网络来实现罐车侧倾状态的高可靠估计。
LSTM网络的输入为能够表征罐车侧倾状态的多维参数，表示为
Figure BDA0003035346520000071
Figure BDA0003035346520000072
网络的输出为罐车的侧倾状态h，计算公式为：
Figure BDA0003035346520000073
式中，Fl表示罐车最后一轴左侧车轮的垂向力，Fr表示罐车最后一轴右侧车轮的垂向力。
LSTM网络由输入门、遗忘门和输出门共同控制，结合网络的输入、遗忘和输出，如图3所示。用于罐车侧倾状态估计的LSTM网络工作流程表示为：
首先，决定当前t时刻候选信息中有哪些信息需要记住，计算公式为：
it＝σ(Wi·[ht-1，xt]+bi) (9)
Figure BDA0003035346520000074
式中，t表示当前离散时刻，it表示t时刻输入门的状态，σ表示sigmoid激活函数，Wi和bi分别表示输入门的权重和偏置，ht-1表示t-1时刻网络的输出，xt表示t时刻网络的输入，
Figure BDA0003035346520000075
表示t时刻记忆细胞的候选信息，tanh表示tanh激活函数，WC和bC分别表示记忆细胞输入的权重和偏置。
然后，决定丢弃t-1时刻记忆细胞中的哪些信息并且更新t时刻记忆细胞中的信息，计算公式为：
ft＝σ(Wf·[ht-1，xt]+bf) (11)
Figure BDA0003035346520000076
式中，ft表示t时刻遗忘门的状态，Wf和bf分别表示遗忘门的权重和偏置，Ct表示t时刻记忆细胞中信息，Ct-1表示t-1时刻记忆细胞中信息，*表示两个矩阵对应元素相乘。
最后，决定t时刻输出哪些信息，计算公式为：
ot＝σ(Wo·[ht-1，xt]+bo) (13)
ht＝ot*tanh(Ct) (14)式中，ot表示t时刻输出门的状态，Wo和bo分别表示输出门的权重和偏置，ht表示t时刻网络的输出。
LSTM网络处理回归问题时常用的损失函数为均方差损失函数，为了使LSTM网络适用于罐车侧倾状态估计，在均方差损失函数中增加了一个高危侧倾状态放大因子，从而提高网络高危侧倾状态估计的准确性，改进后的损失函数表达式为：
Figure BDA0003035346520000081
Figure BDA0003035346520000082
式中，N表示样本数据的数量，g(yi)表示高危侧倾状态放大因子，yi和f(xi)分别表示网络的目标值和预测值。
初始化网络参数并使用样本数据来训练网络，利用梯度下降法来调整网络参数，从而最小化网络的损失函数。
将当前t时刻罐车的充液比λt和卡尔曼滤波器输出的精度更高的罐车侧倾角
Figure BDA0003035346520000083
侧向加速度
Figure BDA0003035346520000084
横摆角速度
Figure BDA0003035346520000085
作为训练好的LSTM网络的输入，从而获得当前t时刻罐车的侧倾状态ht。
罐车进行连续转向时，侧倾状态的估计结果如图4所示。在罐车最后一轴两侧轮胎上安装车轮力传感器，可以直接输出车轮的垂向力，结合公式(8)，从而获得图中侧倾状态的参考值。最大误差为0.063，平均误差为0.01。

Claims (1)

1.一种基于长短期记忆网络的罐车侧倾状态高可靠估计方法，其特征在于：
步骤一：明确能够表征罐车侧倾状态的多维参数
罐车侧倾状态表征参数选为：充液比、侧倾角、侧向加速度和横摆角速度；
步骤二：利用卡尔曼滤波提高侧倾状态表征参数的精度
充液比λ保持不变，事前静态测量获得；侧倾角α、侧向加速度β和横摆角速度η由固定在质心处的惯性测量单元实时输出；
将α、β、η作为观测量，利用卡尔曼滤波算法获得精度更高的罐车侧倾角
Figure FDA0003035346510000011
侧向加速度
Figure FDA0003035346510000012
和横摆角速度
Figure FDA0003035346510000013
离散化后的卡尔曼滤波的状态方程的矩阵形式表示为：
ut＝Aut-1+qt-1 (1)
式中，
Figure FDA0003035346510000014
表示状态向量，上角标T表示矩阵转置；A表示状态转移矩阵，
Figure FDA0003035346510000015
Figure FDA0003035346510000016
表示过程噪声向量，
Figure FDA0003035346510000017
表示
Figure FDA0003035346510000018
的高斯白噪声，其均值为0，方差为
Figure FDA0003035346510000019
Figure FDA00030353465100000110
表示
Figure FDA00030353465100000111
的高斯白噪声，其均值为0，方差为
Figure FDA00030353465100000112
Figure FDA00030353465100000113
表示
Figure FDA00030353465100000114
的高斯白噪声，其均值为0，方差为
Figure FDA00030353465100000115
Figure FDA00030353465100000116
表示过程噪声向量q对应的协方差矩阵；
离散化后的卡尔曼滤波的观测方程的矩阵形式表示为：
vt＝Hut+rt (2)
式中，v＝[α β η]T表示观测向量；H表示观测矩阵，
Figure FDA00030353465100000117
r＝[rα rβ rη]T表示与q互不相关测量噪声向量，rα表示α的高斯白噪声，其均值为0，方差为
Figure FDA00030353465100000118
rβ表示β的高斯白噪声，其均值为0，方差为
Figure FDA00030353465100000119
rη表示η的高斯白噪声，其均值为0，方差为
Figure FDA0003035346510000021
Figure FDA0003035346510000022
表示测量噪声向量r对应的协方差矩阵；
递推过程包括时间更新和测量更新，下面递推过程的前两步为时间更新，剩余的三步为测量更新；
时间更新：
Figure FDA0003035346510000023
Figure FDA0003035346510000024
测量更新：
Figure FDA0003035346510000025
Figure FDA0003035346510000026
Figure FDA0003035346510000027
步骤三：设计LSTM网络实现罐车侧倾状态的高可靠估计
LSTM网络的输入为能够表征罐车侧倾状态的多维参数，表示为
Figure FDA0003035346510000028
Figure FDA0003035346510000029
网络的输出为罐车的侧倾状态h，计算公式为：
Figure FDA00030353465100000210
式中，Fl表示罐车最后一轴左侧车轮的垂向力，Fr表示罐车最后一轴右侧车轮的垂向力；
用于罐车侧倾状态估计的LSTM网络工作流程表示为：
首先，决定当前t时刻候选信息中有哪些信息需要记住，计算公式为：
it＝σ(Wi·[ht-1,xt]+bi) (9)
Figure FDA00030353465100000211
式中，t表示当前离散时刻，it表示t时刻输入门的状态，σ表示sigmoid激活函数，Wi和bi分别表示输入门的权重和偏置，ht-1表示t-1时刻网络的输出，xt表示t时刻网络的输入，
Figure FDA00030353465100000212
表示t时刻记忆细胞的候选信息，tanh表示tanh激活函数，WC和bC分别表示记忆细胞输入的权重和偏置；
然后，决定丢弃t-1时刻记忆细胞中的哪些信息并且更新t时刻记忆细胞中的信息，计算公式为：
ft＝σ(Wf·[ht-1,xt]+bf) (11)
Figure FDA0003035346510000036
式中，ft表示t时刻遗忘门的状态，Wf和bf分别表示遗忘门的权重和偏置，Ct表示t时刻记忆细胞中信息，Ct-1表示t-1时刻记忆细胞中信息，*表示两个矩阵对应元素相乘；
最后，决定t时刻输出哪些信息，计算公式为：
ot＝σ(Wo·[ht-1,xt]+bo) (13)
ht＝ot*tanh(Ct) (14)
式中，ot表示t时刻输出门的状态，Wo和bo分别表示输出门的权重和偏置，ht表示t时刻网络的输出；
改进后的LSTM网络损失函数表达式为：
Figure FDA0003035346510000031
Figure FDA0003035346510000032
式中，N表示样本数据的数量，g(yi)表示高危侧倾状态放大因子，yi和f(xi)分别表示网络的目标值和预测值；
初始化网络参数并使用样本数据来训练网络，利用梯度下降法来调整网络参数，从而最小化网络的损失函数；
将当前t时刻罐车的充液比λt和卡尔曼滤波器输出的精度更高的罐车侧倾角
Figure FDA0003035346510000033
侧向加速度
Figure FDA0003035346510000034
横摆角速度
Figure FDA0003035346510000035
作为训练好的LSTM网络的输入，从而获得当前t时刻罐车的侧倾状态ht。
CN202110441893.3A 2021-04-23 2021-04-23 一种基于长短期记忆网络的罐车侧倾状态高可靠估计方法 Active CN113158569B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110441893.3A CN113158569B (zh) 2021-04-23 2021-04-23 一种基于长短期记忆网络的罐车侧倾状态高可靠估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110441893.3A CN113158569B (zh) 2021-04-23 2021-04-23 一种基于长短期记忆网络的罐车侧倾状态高可靠估计方法

Publications (2)

Publication Number Publication Date
CN113158569A true CN113158569A (zh) 2021-07-23
CN113158569B CN113158569B (zh) 2022-11-18

Family

ID=76869796

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110441893.3A Active CN113158569B (zh) 2021-04-23 2021-04-23 一种基于长短期记忆网络的罐车侧倾状态高可靠估计方法

Country Status (1)

Country Link
CN (1) CN113158569B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024110049A1 (en) * 2022-11-25 2024-05-30 Huawei Digital Power Technologies Co., Ltd. Vehicle control system

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108510065A (zh) * 2018-03-30 2018-09-07 中国科学院计算技术研究所 应用于长短时记忆神经网络的计算装置和计算方法
CN109131452A (zh) * 2018-08-14 2019-01-04 西安理工大学 一种基于长短时记忆网络的列车状态在线预测方法
CN111156987A (zh) * 2019-12-18 2020-05-15 东南大学 基于残差补偿多速率ckf的惯性/天文组合导航方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108510065A (zh) * 2018-03-30 2018-09-07 中国科学院计算技术研究所 应用于长短时记忆神经网络的计算装置和计算方法
CN109131452A (zh) * 2018-08-14 2019-01-04 西安理工大学 一种基于长短时记忆网络的列车状态在线预测方法
CN111156987A (zh) * 2019-12-18 2020-05-15 东南大学 基于残差补偿多速率ckf的惯性/天文组合导航方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024110049A1 (en) * 2022-11-25 2024-05-30 Huawei Digital Power Technologies Co., Ltd. Vehicle control system

Also Published As

Publication number Publication date
CN113158569B (zh) 2022-11-18

Similar Documents

Publication Publication Date Title
CN112758097B (zh) 一种用于无人驾驶车辆的状态预测与估计方法
CN108162955B (zh) 一种具有时滞辨识和补偿功能的车辆主动防侧翻控制系统
CN108773376B (zh) 一种融合驾驶意图的汽车多目标分层协同控制与优化方法
CN108594652B (zh) 一种基于观测器信息迭代的车辆状态融合估计方法
CN111152795B (zh) 一种基于模型和参数动态调整的自适应车辆状态预测系统及预测方法
CN103963593B (zh) 具有道路预视的自适应主动悬架系统
CN109664890B (zh) 基于svm模型的汽车侧翻预警算法
CN108819950B (zh) 汽车稳定性控制系统的车速估计方法及系统
CN110588657B (zh) 一种针对车辆运动状态及道路坡度的联合估计方法
CN113830088B (zh) 一种智能半挂牵引车轨迹跟踪预测控制方法与车辆
CN112660112A (zh) 一种车辆侧倾状态及侧翻预测方法及系统
CN113291311B (zh) 一种紧急避撞工况下驾驶员异常行为检测方法及存储介质
CN113158569B (zh) 一种基于长短期记忆网络的罐车侧倾状态高可靠估计方法
CN113203422B (zh) 一种基于尺寸测量装置的货车状态惯性参数联合估计方法
CN113771864A (zh) 一种基于人工智能的新能源车辆侧翻预警方法
CN113705865B (zh) 一种基于深度神经网络的汽车稳定性因数预测方法
CN114879700A (zh) 一种面向智能车辆编队行驶测评的相对运动参数估计方法
CN114435371A (zh) 一种道路坡度估计方法和装置
Yang et al. State estimation of buses: A hybrid algorithm of deep neural network and unscented Kalman filter considering mass identification
CN111674387B (zh) 一种基于导数迭代预测产生新型侧翻预警指标的方法
CN114666100A (zh) 一种智能车辆网络攻击安全检测系统及方法
CN114154231A (zh) 一种基于深度强化学习的车辆行驶状态估计系统及方法
CN111703429A (zh) 一种轮毂电机驱动车辆纵向速度估算方法
Phanomchoeng et al. Untripped and tripped rollovers with a neural network
CN117094204B (zh) 一种基于astckf和ga-bp的路面附着系数估计方法

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