CN113408047A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113408047A CN113408047A CN202110563038.XA CN202110563038A CN113408047A CN 113408047 A CN113408047 A CN 113408047A CN 202110563038 A CN202110563038 A CN 202110563038A CN 113408047 A CN113408047 A CN 113408047A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- time
- data
- dynamics
- vehicle dynamics
- 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
Links
- 238000012549 training Methods 0.000 title claims abstract description 50
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000005312 nonlinear dynamic Methods 0.000 claims abstract description 22
- 230000004044 response Effects 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims description 41
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 5
- 230000006399 behavior Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 230000033001 locomotion Effects 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 241000270295 Serpentes Species 0.000 claims description 3
- 239000010426 asphalt Substances 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 230000003111 delayed effect Effects 0.000 claims description 2
- 238000005096 rolling process Methods 0.000 claims description 2
- 229920006395 saturated elastomer Polymers 0.000 claims description 2
- 238000013519 translation Methods 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 claims 1
- 230000009022 nonlinear effect Effects 0.000 claims 1
- 238000013480 data collection Methods 0.000 abstract description 2
- 230000007423 decrease Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 239000013049 sediment Substances 0.000 description 2
- 239000000725 suspension Substances 0.000 description 2
- 230000036962 time dependent Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—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
- G06N3/044—Recurrent networks, e.g. Hopfield 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)
- 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)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
Abstract
本发明公开了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,提出多道路条件下的车辆动力学虚拟及实际数据集采集方法,为车辆动力学建立模型奠定数据基础。首先基于车辆非线性动力学选择性添加不同的保真度模型,得到不同复杂程度的低保真度可解释车辆非线性动力学模型多时步虚拟数据集;其次通过高保真度车辆动力学软件CarSim获得高保真度动力学模型多时步虚拟数据;最后通过布置实际无人驾驶车辆动力学数据采集装置,以获取车辆动力学真实数据集。车辆动力学虚拟数据集的自由度选择范围广,获取成本低,降低实车数据的需求量,车辆动力学真实数据集为模型再度优化权重参数,提高实际车辆动力学预测响应的精度。
Description
技术领域
本发明涉及无人驾驶车辆动力学建模领域,尤其是涉及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和训练方法。
背景技术
随着驾驶员对车辆的安全性、机动性和乘坐舒适性要求的不断提高和控制理论的日益成熟,车辆智能化技术研究受到广泛关注。开发无人驾驶车辆的基于动力学模型控制技术可以实现更好的道路利用率和更高的安全性,但也需要适应各种复杂行驶环境,例如可以在不同路面附着系数、曲率变化的道路上行驶,或在紧急工况下实现安全稳定的紧急避障操作。
基于物理推导的车辆动态数学模型通常在建模时进行了一定的理想化假设来简化车辆模型,这就导致无法通过实验数据来准确计算出车辆在行驶过程中的真实动力学响应,如车辆前后轴负载转移、轮胎的高阶动态响应等。数据驱动模型虽然可以根据车辆外界环境的变化不断做出改变,但由于使用了非线性算法进行优化求解,导致在模型参数估计时求解比较困难,存在实时性问题。基于有人驾驶的历史经验分析,基于车辆当前的运行状态需要对未来状态进行准确的预测。无人驾驶车辆建立准确的预测模型将可以将规划和控制紧密结合,从而进一步提高其整体控制性能。然而无人驾驶车辆是一种复杂动力学系统,特别是在极限工况下,车辆系统和相关子系统会表现出高度非线性和强耦合特征,扩张模型维度虽然可以提高模型精度,但同时会增加建模难度,也给算法的快速求解带来了挑战。所以,如何在同时考虑模型的复杂度和保真度的情况下,建立无人驾驶车辆动力学预测模型,成为当前亟需解决的重要问题。
发明内容
为解决上述技术难题,本发明提出一种基于时滞反馈神经网络的车辆动力学预测模型建模及训练数据获取方法和训练方法,包括训练数据获取及模型设计及训练两部分。训练数据获取具体包括以下步骤:
在车辆动力学虚拟数据采集中:包括低保真度可解释车辆非线性动力学多时步虚拟数据采集和高保真度车辆动力学软件CarSim多时步虚拟数据采集。
在低保真度可解释车辆非线性动力学多时步虚拟数据采集中,通过对基于牛顿第二定律的车辆非线性动力学选择性添加Fiala轮胎非线性模型、前后轴纵向负载转移、轮胎松弛效应、可变道路附着系数等不同的保真度模型,从而得到不同复杂程度的低保真度可解释车辆非线性动力学模型。对该模型的输入进行理论数值限制,对低保真度可解释车辆非线性动力学模型的输入进行合理的随机采样后,获得的输出标签信号,对输出信号进行欧拉积分处理反馈到随机采样信号输入端,作为下一时刻的部分输入信号。最终对输入输出信号进行多时步处理(多时步处理的含义是指将一段完整的车辆动力学数据时间序列处理为很多段由4个时步组成的车辆动力学数据序列,例如将数据12345678处理为:1234/2345/3456……),获取低保真度可解释车辆非线性动力学多时步虚拟数据集。
在高保真度车辆动力学软件CarSim多时步虚拟数据采集模块中,针对实际无人驾驶车辆对象的整车参数配置,修改CarSim高保真车辆动力学仿真软件中的道路横纵断截面、附着系数及车辆参数,如选择车型级别,修改车身长度、宽度、高度、轴距、最小离地间隙、整备质量、整车转动惯量等,在Matlab/Simulink中建立数据获取联合仿真模型。分析纵向车速与前轮转角的极限关系,并考虑以有人驾驶经验的基础的车辆控制输入的限制,在Matlab/Simulink对高保真度车辆动力学软件CarSim中的车辆模型进行纵向车速与前轮转角极限关系下的组合正弦曲线输入进行联合仿真,得到连续的输出响应信号,对输入输出数据进行多时步处理,最终获取高保真度车辆动力学软件CarSim多时步虚拟数据集。
在实际无人驾驶车辆动力学真实数据采集模块中:无人驾驶车辆上安装车轮力传感器、S-Motion DTI、MSW DTI传感器、集成导航系统(GPS全球定位系统+惯性导航),并接收来自车辆CAN总线的数据。操作无人驾驶车辆在干燥沥青路面、湿滑泥沙路面、冰雪路面下进行多种整车试验,如漂移试验、蛇形试验、单移线试验、正弦扫频转向试验、稳态回转试验、准静态直线加减速试验、ISO双移线行驶试验等,获取高、中、低路面附着系数下的实际无人驾驶车辆动力学数据。使用截止频率为3Hz的二阶Butterworth低通滤波器对收集到的数据进行平滑处理,以滤除如悬架振动等高频率行为对车辆动力学的影响。最后进行数据同步及多时步处理以获取实际无人驾驶车辆动力学真实数据集。
在基于时滞反馈神经网络的车辆动力学预测模型设计中:利用长短时记忆神经网络设计了具有延时输出反馈的神经网络车辆动力学模型(简称“TDFB-NNVM”),与学习基于物理的单轨模型中的参数不同的是,该方法主要学习一种全局神经网络车辆动力学模型,通过在数据集中包含所有的未知或未建模的车辆动力学变化效果,模型可以学习包括车辆的轮胎非线性效应、负载转移等潜在的未知动力学状态变化。神经网络车辆模型采用双层长短时记忆神经网络结构,激活层选择为Relu函数。模型通过在输入数据中包含带有4个时步状态的车辆控制与状态信息,特别是在状态的输入数据中包括了时延反馈的状态输出参数,进而预测当前的车辆横摆角速度和横向速度的导数。
在基于时滞反馈神经网络的车辆动力学预测模型两阶段训练中,将得到的虚拟数据集和真实数据集划分为70%的训练集、15%的验证集、15%的测试集。对数据进行随机化处理以打破数据集的时间相关性,保证每个数据样本均由与时间相关的状态轨迹组成,但任何给定的两个数据样本间无相关性。Loss函数选择为均方误差,优化器选择为Adam,batch size设置为1000,学习率设置为0.0001,基于Pytorch的学习框架对网络模型进行学习训练,在第一阶段中,网使用车辆动力学虚拟数据集进行学习,得到预训练模型,并进行未知数据的泛化测试。测试通过后,利用车辆动力学真实数据集进行第二阶段的模型权重优化,最终得到贴合实际无人驾驶车辆的基于时滞反馈神经网络的车辆动力学预测模型。
本发明的有益效果:
1、本发明提出多道路条件下的车辆动力学虚拟及实际数据集采集方法,为车辆动力学建立模型奠定数据基础。首先基于车辆非线性动力学选择性添加不同的保真度模型,从而得到不同复杂程度的低保真度可解释车辆非线性动力学模型多时步虚拟数据集;其次通过高保真度车辆动力学软件CarSim获得高保真度动力学模型多时步虚拟数据;最后通过布置实际无人驾驶车辆动力学数据采集装置,以获取车辆动力学真实数据集。车辆动力学虚拟数据集的自由度选择范围广,获取成本低,同时可以降低实车数据的需求量,车辆动力学真实数据集可为模型再度优化权重参数,提高实际车辆动力学预测响应的精度。
2、本发明提出的基于时滞反馈思想设计神经网络车辆动力学预测模型,可以识别车辆运行过程中各种复杂的动力学行为,包括极限环、混沌和分岔,可以学习所有的未知或未建模的车辆动力学变化效果及车辆的高度非线性和强耦合特征,能够对车辆正在行驶的路面做出适当的预测,而不需要进行明确的路面摩擦估计。
3、本发明通过对车辆下一个时刻动力学状态的准确预测,为无人驾驶车辆开发高性能的运动控制器奠定良好的基础。
附图说明
图1为基于时滞反馈神经网络的车辆动力学预测模型训练及数据获取流程图
图2为车辆动力学虚拟数据采集模块;
图3为低保真度可解释车辆非线性动力学多时步虚拟数据获取流程图;
图4为车辆非线性动力学模型;
图5为高保真度车辆动力学软件CarSim多时步虚拟数据获取流程图;
图6为车辆前轮转角与纵向速度特性曲线图;
图7为实际无人驾驶车辆动力学真实数据采集模块;
图8为基于时滞反馈神经网络的车辆动力学预测模型;
图9为基于时滞反馈神经网络的车辆动力学预测模型两阶段训练结构图;
具体实施方式
下面结合附图对本发明作进一步说明。
图1为基于时滞反馈神经网络的车辆动力学预测模型训练及数据获取流程图,包括训练数据获取及模型设计训练两部分。
图2为车辆动力学虚拟数据采集模块,包括低保真度可解释车辆非线性动力学多时步虚拟数据采集模块和高保真度车辆动力学软件CarSim多时步虚拟数据采集模块,具体如下:
图3为低保真度可解释车辆非线性动力学多时步虚拟数据获取流程图。依据牛顿第二定律对复杂无人驾驶车辆进行分析,得到沿x轴、y轴和绕z轴的受力平衡方程,并设计车辆非线性动力学模型,如图4所示。无人驾驶车辆(前轮驱动、转向)有纵向、横向、垂直方向的平动以及侧倾、俯仰、横摆3个方向的转动。其中,横向运动和横摆运动基本上是由转向操纵产生的。该非线性车辆动力学模型可用微分方程表示为:
其中,U为车辆质心处的速度;Ux,Uy分别为车辆质心处沿车体坐标系x,y方向的速度;αf,αr分别为前后轮侧偏角;β为车辆质心侧偏角;r为车辆横摆角速度;a,b为车辆质心距前后轴的距离;m为车辆整车质量,Iz为车辆绕质心z轴的转动惯量;Fyf.Fyr分别为前轴和后轴轮胎受到的侧向合力;Fxf为前轴轮胎受到的纵向合力;δ为前轮转角。
车辆在不同路况下的行驶过程中的产生的非线性特征是由于轮胎在转弯时引起的,所以为了拓展车辆模型的适用范围,引入轮胎的Fiala模型,轮胎侧向力Fy的计算公式为:
其中Cα和μ是轮胎侧偏刚度与路面附着系数;Fz是轮胎垂向载荷;α是轮胎侧偏角;αsat是轮胎饱和侧偏角。前后轮胎侧偏角计算公式为:
当车辆处于高性能行驶时,纵向的重量传递也影响着车辆动力学。这种影响是由于车辆加速或制动而增加或减少在每个轮胎上承受的垂向力,进而影响车辆的动力学。其中h是到车辆重心的高度,g是由于重力引起的加速度,ax是车辆纵向加速度,L为车辆轴距。与非线性轮胎模型结合使用时,重量传递会增加或减小轮胎所受垂向力的大小,进而影响轮胎横向力的大小。前后轴垂向力Fzf,Fzr的计算公式为:
其中,σf,σr为前后轮胎松弛长度。
通过对基于牛顿第二定律的车辆非线性动力学选择性添加Fiala轮胎非线性模型、前后轴纵向负载转移、轮胎松弛效应、可变道路附着系数等不同的保真度模型,从而得到不同复杂程度的低保真度可解释车辆非线性动力学模型。对该模型的输入进行理论数值限制,理论数值限制如下所示:
Ux∈(1m/s,33m/s)
δ∈(-25°,25°)
Fxf∈(-μmg,power_lim/Ux)
r∈(-μg/Ux,μg/Ux)
Uy∈(3aμmgUx/LCα+bμg/Ux,-3aμmgUx/LCα-bμg/Ux)
其中,μ为道路附着系数,power_lim为车辆最大功率。
在对低保真度可解释车辆非线性动力学模型的输入进行合理的随机采样后,获得的输出标签信号,对输出信号进行欧拉积分处理反馈到随机采样信号输入端,作为下一时刻的部分输入信号。最终对输入输出信号进行多时步处理,获取低保真度可解释车辆非线性动力学多时步虚拟数据集。
图5为高保真度车辆动力学软件CarSim多时步虚拟数据获取流程图。针对实际无人驾驶车辆对象的整车参数及道路参数,修改CarSim高保真车辆动力学仿真软件中的道路横纵断截面、附着系数及车辆参数,如选择车型级别,修改车身长度、宽度、高度、轴距、最小离地间隙、整备质量、整车转动惯量等,在Matlab/Simulink中建立数据获取联合仿真模型。
分析纵向车速与前轮转角的极限关系。车辆的纵向车速与前轮转角在车辆正常行驶时不存在相互关系,一般当车辆低速行驶时,为了追求机动灵活性,会进行如掉头、大转弯等操作,所以输入的前轮转角相对较大;当车辆中高速行驶时,为保证安全性及稳定性,所以输入的前轮转角相对较小。但当车辆处于紧急避障工况时,为了保证安全、稳定行驶,在中高速下也会输入较大的前轮转角,所以纵向车速与前轮转角之间存在相互影响的极限关系。总方差法能够较为全面地说明车辆在一定操纵下反应的“顺从程度”,是一种评价车辆操纵稳定性的综合指标,故使用最小总方差法对纵向车速与前轮转角的极限关系进行理论分析,进而确定车辆控制量的合理阈值。
设前轮转角输入控制量为x(t),横向动力学响应为y(t),车辆动态响应的总方差如公式(7)所示:
为保证车辆的安全性及操纵稳定性,需要设置车辆的动态响应总方差的阈值,即E≤E0。根据车辆运动状况,结合驾驶员在车辆紧急转向时能够保证安全稳定行驶的操作经验,设定E0阈值,从而计算得到前轮转角合理输入:
根据驾驶员经验和相关理论数据,纵向车速为20m/s时,取E0为0.15,计算得到最大安全前轮转角为3°。使用总方差法得到的前轮转角与纵向速度特性曲线如图6所示。当车速度很低时,前轮转角可以很大,但随车速增加,前轮转角会迅速下降,当速度增加到一定程度时,前轮转角下降变得缓慢。考虑到车辆在运行过程中的实际转向情况,对中、低车速时对应的前轮转角进行了一定的修正。
车辆在驾驶员输入控制指令后,会得到一定的车辆动力学响应。因此,可以将训练输入类似为驾驶员的控制输入,则训练输入信号的选择需考虑以有人驾驶经验的基础的车辆控制输入的限制。在驾车过程中突发危险时,驾驶员会突然改变车辆的前轮转角进行避障,但一般正常驾驶时对车辆施加的是连续且频率较低的转向输入。因此,基于人类驾车时的直觉,最大控制输入频率选择为2Hz。
单个正弦曲线可以识别某些动态系统,而另一些动态系统则需要具有均匀分布的随机输入。实际上,车辆在运行过程中较长的一段时间内,施加的转向输入相对来说随机的。因此,选择具有均匀分布的随机输入可以确保神经网络车辆动力学模型的成功训练且符合车辆实际的运行情况。
为了创建连续的随机输入信号,将具有不同频率和幅值的正弦波相加作为输入信号u(t),计算公式为:
其中d是正弦波的总数,am是输入的最大幅值,ωm是输入的最大频率,Φj是正弦波的初始相位角,j表示第j个正弦波。
用于系统识别的组合正弦波法需要将信号的功率精确地置于各个频率上。根据施罗德相位方程,可以选择信号的相位以确保信号的功率均匀地分布在这些频率上:
其中,Φ1可选任意值。正弦波的总数应尽可能大,以增加显示给系统的信息量。信号的最大幅值是各个幅值的总和,最大频率由各个正弦波的最大频率决定。
选择使用d=100,最大频率ωm=2Hz的组合正弦曲线。组合正弦转向输入总和的最大幅度am根据附图6中的车辆纵向车速与前轮转角之间的极限关系来确定:am等于一定车速下所能达到的最大前轮转角。例如,当车速为20m/s时,am等于最大前轮转角3°。
通过在Matlab/Simulink对高保真度车辆动力学软件CarSim中的车辆模型进行纵向车速与前轮转角极限关系下的组合正弦曲线输入进行联合仿真,得到连续的输出响应信号,对该数据进行多时步处理,最终获取高保真度车辆动力学软件CarSim多时步虚拟数据集。
图7为实际无人驾驶车辆动力学真实数据采集模块。无人驾驶车辆上安装车轮力传感器、S-Motion DTI、MSW DTI传感器、集成导航系统(GPS全球定位系统+惯性导航),并接收来自车辆CAN总线的数据。操作无人驾驶车辆在干燥沥青路面、湿滑泥沙路面、冰雪路面下进行多种整车试验,如漂移试验、蛇形试验、单移线试验、正弦扫频转向试验、稳态回转试验、准静态直线加减速试验、ISO双移线行驶试验等,获取高、中、低路面附着系数下的实际无人驾驶车辆动力学数据。使用截止频率为3Hz的二阶Butterworth低通滤波器对收集到的数据进行平滑处理,以滤除如悬架振动等高频率行为对车辆动力学的影响。最后进行数据同步及多时步处理以获取实际无人驾驶车辆动力学真实数据集。
图8为基于时滞反馈神经网络的车辆动力学预测模型。利用长短时记忆神经网络设计了具有延时输出反馈的神经网络车辆动力学模型(简称“TDFB-NNVM”),与学习基于物理的单轨模型中的参数不同的是,该方法主要学习一种全局神经网络车辆动力学模型,通过在数据集中包含所有的未知或未建模的车辆动力学变化效果,模型可以学习包括车辆的轮胎非线性效应、负载转移等潜在的未知动力学状态变化。
神经网络车辆动力学模型具体采用的结构为:第一层为输入层,输入层有7个特征输入,分别是横摆角速度r,横向速度Uy,纵向速度Ux,前轮转角δ,车辆前轴轮胎纵向合力Fxf和网络模型的输出经过延时反馈进而成为输入信息的横摆角速度和横向速度的导数输出值每个输入特征的数据共包含了4个时步的车辆动力学信息。第二层为LSTM1网络层,隐藏层设计具有128个隐藏单元。第三层为激活层,激活函数选择为Relu函数。第四层为LSTM2网络层,隐藏层设计具有128个隐藏单元,且只输出最后一个LSTM-CELL计算过后的的信息。第五层为回归输出层,隐藏层设计具有2个隐藏单元。
该模型通过在输入数据中包含带有4个时步状态的车辆控制与状态信息,特别是在状态的输入数据中包括了时延反馈的状态输出参数,进而预测当前的车辆横摆角速度和横向速度的导数。
所学习到的神经网络车辆动力学模型的前向计算方法如下所示:
h={xt,…,xt-T}
a_l=max(0,z1)
其中,xt代表单个时步中的延时反馈状态输出、控制及状态输入信息,h表示包含了多个历史时步信息的xt数据,Wlstm{1,2}∈(wi,wf,wg,wo),blstm{1,2}∈(bi,bf,bg,bo),表示2个LSTM网络层学习到的网络权重及偏置参数,wi,wf,wg,wo,bi,bf,bg,bo分别表示为LSTM网络中输入门层、遗忘门层、Tanh层、输出门层的权重矩阵及输入门层、遗忘门层、Tanh层、输出门层的偏置矩阵。为输出回归层权重转置矩阵,bFC为输出回归层的偏置矩阵。其中在网络模型的方程中,Flstm是LSTM网络模型的缩写。a_l代表激活层,zi,i=1,2代表不同网络层的加权输出。网络的预测输出和定义为:和其中Δt=50ms为信号的采样频率。
图9为基于时滞反馈神经网络的车辆动力学预测模型两阶段训练结构图。将得到的虚拟数据集和真实数据集划分为70%的训练集、15%的验证集、15%的测试集。对数据进行随机化处理以打破数据集的时间相关性,保证每个数据样本均由与时间相关的状态轨迹组成,但任何给定的两个数据样本间无相关性。Loss函数选择为均方误差MSE,优化器选择为Adam,batch size设置为1000,学习率设置为0.0001,基于Pytorch的学习框架对网络模型进行学习训练,优化训练算法如下所示:
测试通过后,利用车辆动力学真实数据集进行第二阶段的模型权重优化,即加载第一阶段利用虚拟数据集得到的预训练模型和真实数据集的训练集及验证集中的数据,并再次利用上述优化训练算法对网络模型的进行学习训练。最终得到贴合实际无人驾驶车辆的基于时滞反馈神经网络的车辆动力学预测模型。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明,它们并非用以限制本发明的保护范围,凡未脱离本发明技术所创的等效方式或变更均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于时滞反馈神经网络的车辆动力学预测模型,其特征在于,利用长短时记忆神经网络设计具有延时输出反馈的神经网络车辆动力学预测模型,通过在数据集中设置包含所有的未知或未建模的车辆动力学变化效果,模型能够学习包括车辆的轮胎非线性效应、负载转移潜在的未知动力学状态变化。
2.根据权利要求1所述的一种基于时滞反馈神经网络的车辆动力学预测模型,其特征在于,所述神经网络车辆动力学预测模型的具体结构:
3.根据权利要求2所述的一种基于时滞反馈神经网络的车辆动力学预测模型,其特征在于,所述车辆动力学预测模型采用两层长短时记忆神经网络结构,通过在输入数据中包含带有4个时步状态的车辆控制与状态信息,特别是在状态的输入数据中包括了时延反馈的状态输出参数,能预测当前的车辆横摆角速度和横向速度的导数;所述神经网络车辆动力学预测模型的前向计算方法如下所示:
h={xt,…,xt-T}
a_l=max(0,z1)
其中,xt代表单个时步中的延时反馈状态输出、控制及状态输入信息,h表示包含了多个历史时步信息的xt数据,Wlstm{1,2}∈(wi,wf,wg,wo),blstm{1,2}∈(bi,bf,bg,bo),表示2个LSTM网络层学习到的网络权重及偏置参数,wi,wf,wg,wo,bi,bf,bg,bo分别表示为LSTM网络中输入门层、遗忘门层、Tanh层、输出门层的权重矩阵及输入门层、遗忘门层、Tanh层、输出门层的偏置矩阵;为输出回归层权重转置矩阵,bFC为输出回归层的偏置矩阵;在网络模型的方程中,Flstm是LSTM网络模型的缩写。a_l代表激活层,zi,i=1,2代表不同网络层的加权输出;网络的预测输出和定义为:和其中Δt=50ms为信号的采样频率。
4.一种基于时滞反馈神经网络的车辆动力学预测模型的训练数据的获取方法,其特征在于,包括虚拟数据集和真实数据集;所述虚拟数据集包括:低保真度可解释车辆非线性动力学多时步虚拟数据采集、高保真度车辆动力学软件CarSim多时步虚拟数据采集。
5.根据权利要求4所述的一种基于时滞反馈神经网络的车辆动力学预测模型的训练数据的获取方法,其特征在于,所述低保真度可解释车辆非线性动力学多时步虚拟数据的采集方法包括如下:
依据牛顿第二定律对复杂无人驾驶车辆进行分析,得到沿x轴、y轴和绕z轴的受力平衡方程,并设计车辆非线性动力学模型,无人驾驶车辆(前轮驱动、转向)有纵向、横向、垂直方向的平动以及侧倾、俯仰、横摆3个方向的转动;其中,横向运动和横摆运动基本上是由转向操纵产生的;因此非线性车辆动力学模型用微分方程表示为:
其中,U为车辆质心处的速度;Ux、Uy分别为车辆质心处沿车体坐标系x,y方向的速度;αf,αr分别为前后轮侧偏角;β为车辆质心侧偏角;r为车辆横摆角速度;a,b为车辆质心距前后轴的距离;m为车辆整车质量,Iz为车辆绕质心z轴的转动惯量;Fyf,Fyr分别为前轴和后轴轮胎受到的侧向合力;Fxf为前轴轮胎受到的纵向合力;δ为前轮转角;
针对车辆在不同路况下的行驶过程中的产生的非线性特征是由轮胎在转弯时引起的,因此为拓展车辆模型的适用范围,引入轮胎的Fiala模型,轮胎侧向力Fy的计算公式为:
其中Cα和μ是轮胎侧偏刚度与路面附着系数;Fz是轮胎垂向载荷;α是轮胎侧偏角;αsat是轮胎饱和侧偏角;前后轮胎侧偏角计算公式为:
当车辆处于高速行驶时,重量传递会增加或减小轮胎所受垂向力的大小,进而影响轮胎横向力的大小;L为车辆轴距,其中前后轴的垂向力计算公式为:
其中,σf,σr为前后轮胎松弛长度。
6.根据权利要求5所述的一种基于时滞反馈神经网络的车辆动力学预测模型的训练数据的获取方法,其特征在于,还包括对低保真度可解释车辆非线性动力学模型输入进行理论数值限制,理论数值限制如下所示:
Ux∈(1m/s,33m/s)
δ∈(-25°,25°)
Fx∈(-μmg,power_lim/Ux)
r∈(-μg/Ux,μg/Ux)
Uy∈(3aμmgUx/LCα+bμg/Ux,-3aμmgUx/LCα-bμg/Ux)
其中,μ为道路附着系数,power_lim为车辆最大功率;
最后对输入输出信号进行多时步处理,获取低保真度可解释车辆非线性动力学多时步虚拟数据集。
7.根据权利要求4所述的一种基于时滞反馈神经网络的车辆动力学预测模型的训练数据的获取方法,其特征在于,所述高保真度车辆动力学软件CarSim多时步虚拟数据采集包括如下:
S1设置CarSim高保真车辆动力学仿真软件中的道路横纵断截面、附着系数及车辆参数,具体如选择车型级别,车身长度、宽度、高度、轴距、最小离地间隙、整备质量、整车转动惯量;
S2分析纵向车速与前轮转角的极限关系:使用最小总方差法对纵向车速与前轮转角的极限关系进行分析,进而确定车辆控制量的合理阈值;
S3选择具有均匀分布的随机输入以确保神经网络车辆动力学模型的成功训练,为了创建连续的随机输入信号,具有不同频率和幅值的正弦波相加作为输入信号u(t),计算公式为:
其中d是正弦波的总数,am是输入的最大幅值,ωm是输入的最大频率,Φ是正弦波的初始相位角,j表示第j个正弦波;
S4根据施罗德相位方程,选择信号的合适相位以确保信号的功率均匀地分布在这些频率上:
其中,Φ1为任意值;正弦波的总数应尽可能大,信号的最大幅值是各个幅值的总和,最大频率由各个正弦波的最大频率决定;
S5选择d=100,最大频率ωm=2Hz的组合正弦曲线,组合正弦转向输入总和的最大幅度am根据车辆纵向车速与前轮转角之间的极限关系来确定;
S6通过上述在Matlab/Simulink对高保真度车辆动力学软件CarSim中的车辆模型进行纵向车速与前轮转角极限关系下的组合正弦曲线输入进行联合仿真,得到连续的输出响应信号,对该输出信号进行多时步处理,最终获取高保真度车辆动力学软件CarSim多时步虚拟数据集。
9.根据权利要求4所述的一种基于时滞反馈神经网络的车辆动力学预测模型的训练数据的获取方法,其特征在于,所述真实数据集获取的方法包括如下:
无人驾驶车辆上安装车轮力传感器、S-Motion DTI、MSW DTI传感器、集成导航系统(GPS全球定位系统+惯性导航),并接收来自车辆CAN总线的数据;操作无人驾驶车辆在干燥沥青路面、湿滑泥沙路面、冰雪路面下进行多种整车试验,如漂移试验、蛇形试验、单移线试验、正弦扫频转向试验、稳态回转试验、准静态直线加减速试验、ISO双移线行驶试验,获取高、中、低路面附着系数下的实际无人驾驶车辆动力学数据;使用截止频率为3Hz的二阶Butterworth低通滤波器对收集到的数据进行平滑处理,以滤除高频率行为对车辆动力学的影响;最后进行数据同步及多时步处理以获取实际无人驾驶驾驶车辆动力学真实数据集。
10.一种基于时滞反馈神经网络的车辆动力学预测模型的训练方法,其特征在于,包括两个阶段的训练,具体如下:
将虚拟数据集和真实数据集划分为70%的训练集、15%的验证集、15%的测试集;对数据进行随机化处理以打破数据集的时间相关性,保证每个数据样本均由与时间相关的状态轨迹组成,任何给定的两个数据样本间无相关性;Loss函数选择为均方误差,优化器选择为Adam,batch size设置为1000,学习率设置为0.0001,基于Pytorch的学习框架对网络模型进行学习优化训练,优化训练算法如下所示:
测试通过后,利用车辆动力学真实数据集进行第二阶段的模型权重优化,即加载第一阶段利用虚拟数据集得到的预训练模型和真实数据集的训练集及验证集中的数据,并再次利用上述优化训练算法对网络模型的进行学习训练;最终得到贴合实际无人驾驶车辆的基于时滞反馈神经网络的车辆动力学预测模型;
所述虚拟数据集、真实数据集由权利要求4-9的方法获取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110563038.XA CN113408047B (zh) | 2021-08-05 | 2021-08-05 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110563038.XA CN113408047B (zh) | 2021-08-05 | 2021-08-05 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113408047A true CN113408047A (zh) | 2021-09-17 |
CN113408047B CN113408047B (zh) | 2024-03-22 |
Family
ID=77679305
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110563038.XA Active CN113408047B (zh) | 2021-08-05 | 2021-08-05 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113408047B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114004023A (zh) * | 2021-10-26 | 2022-02-01 | 南京航空航天大学 | 一种基于循环神经网络的飞行器气动参数辨识的方法 |
CN114228721A (zh) * | 2022-01-29 | 2022-03-25 | 苏州挚途科技有限公司 | 路面附着系数的计算方法、装置和系统 |
CN114379583A (zh) * | 2021-12-10 | 2022-04-22 | 江苏大学 | 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 |
CN114547963A (zh) * | 2021-11-26 | 2022-05-27 | 江苏科技大学 | 一种基于数据驱动的轮胎建模方法和介质 |
CN115310337A (zh) * | 2022-10-12 | 2022-11-08 | 中汽研(天津)汽车工程研究院有限公司 | 基于人工智能的车辆动力学性能预测方法 |
CN117055341A (zh) * | 2023-07-17 | 2023-11-14 | 西南交通大学 | 考虑时滞特性的轮毂驱动汽车试验台垂向加载控制方法 |
CN117521229A (zh) * | 2023-12-27 | 2024-02-06 | 石家庄铁道大学 | 一种路面位移响应检测方法、系统及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108715166A (zh) * | 2018-04-28 | 2018-10-30 | 南京航空航天大学 | 基于深度学习的车辆稳定性指标估计方法 |
CN110737968A (zh) * | 2019-09-11 | 2020-01-31 | 北京航空航天大学 | 基于深层次卷积长短记忆网络的人群轨迹预测方法及系统 |
CN112530202A (zh) * | 2020-11-23 | 2021-03-19 | 中国第一汽车股份有限公司 | 一种车辆变道的预测方法、装置、设备及车辆 |
CN112758097A (zh) * | 2020-12-30 | 2021-05-07 | 北京理工大学 | 一种用于无人驾驶车辆的状态预测与估计方法 |
CN113386781A (zh) * | 2021-05-24 | 2021-09-14 | 江苏大学 | 一种基于数据驱动车辆动力学模型的智能车辆轨迹跟踪控制方法 |
-
2021
- 2021-08-05 CN CN202110563038.XA patent/CN113408047B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108715166A (zh) * | 2018-04-28 | 2018-10-30 | 南京航空航天大学 | 基于深度学习的车辆稳定性指标估计方法 |
CN110737968A (zh) * | 2019-09-11 | 2020-01-31 | 北京航空航天大学 | 基于深层次卷积长短记忆网络的人群轨迹预测方法及系统 |
CN112530202A (zh) * | 2020-11-23 | 2021-03-19 | 中国第一汽车股份有限公司 | 一种车辆变道的预测方法、装置、设备及车辆 |
CN112758097A (zh) * | 2020-12-30 | 2021-05-07 | 北京理工大学 | 一种用于无人驾驶车辆的状态预测与估计方法 |
CN113386781A (zh) * | 2021-05-24 | 2021-09-14 | 江苏大学 | 一种基于数据驱动车辆动力学模型的智能车辆轨迹跟踪控制方法 |
Non-Patent Citations (2)
Title |
---|
汪䶮等: ""车辆关键状态的平行估计"", 《指挥与控制学报》, vol. 3, no. 3, pages 186 - 194 * |
罗欢等: ""基于深度卷积-长短期记忆神经网络的整车道路载荷预测"", 《汽车技术》, pages 46 - 51 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114004023A (zh) * | 2021-10-26 | 2022-02-01 | 南京航空航天大学 | 一种基于循环神经网络的飞行器气动参数辨识的方法 |
CN114547963A (zh) * | 2021-11-26 | 2022-05-27 | 江苏科技大学 | 一种基于数据驱动的轮胎建模方法和介质 |
CN114379583A (zh) * | 2021-12-10 | 2022-04-22 | 江苏大学 | 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 |
CN114379583B (zh) * | 2021-12-10 | 2024-05-14 | 江苏大学 | 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 |
CN114228721A (zh) * | 2022-01-29 | 2022-03-25 | 苏州挚途科技有限公司 | 路面附着系数的计算方法、装置和系统 |
CN115310337A (zh) * | 2022-10-12 | 2022-11-08 | 中汽研(天津)汽车工程研究院有限公司 | 基于人工智能的车辆动力学性能预测方法 |
CN115310337B (zh) * | 2022-10-12 | 2023-03-31 | 中汽研(天津)汽车工程研究院有限公司 | 基于人工智能的车辆动力学性能预测方法 |
CN117055341A (zh) * | 2023-07-17 | 2023-11-14 | 西南交通大学 | 考虑时滞特性的轮毂驱动汽车试验台垂向加载控制方法 |
CN117521229A (zh) * | 2023-12-27 | 2024-02-06 | 石家庄铁道大学 | 一种路面位移响应检测方法、系统及存储介质 |
CN117521229B (zh) * | 2023-12-27 | 2024-03-19 | 石家庄铁道大学 | 一种路面位移响应检测方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113408047B (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN113386781B (zh) | 一种基于数据驱动车辆动力学模型的智能车辆轨迹跟踪控制方法 | |
Chen et al. | Motion planning with velocity prediction and composite nonlinear feedback tracking control for lane-change strategy of autonomous vehicles | |
Marino et al. | Nested PID steering control for lane keeping in autonomous vehicles | |
Kapania et al. | Path tracking of highly dynamic autonomous vehicle trajectories via iterative learning control | |
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 | |
Cordeiro et al. | Estimation of vertical, lateral, and longitudinal tire forces in four-wheel vehicles using a delayed interconnected cascade-observer structure | |
Németh et al. | Nonlinear analysis and control of a variable-geometry suspension system | |
Xiao et al. | A deep learning framework based on Koopman operator for data-driven modeling of vehicle dynamics | |
Dal Poggetto et al. | Vehicle rollover avoidance by application of gain-scheduled LQR controllers using state observers | |
Liu et al. | Vehicle state estimation based on unscented Kalman filtering and a genetic-particle swarm algorithm | |
Menhour et al. | Two degrees of freedom PID multi-controllers to design a mathematical driver model: Experimental validation and robustness tests | |
Chen et al. | Sideslip angle fusion estimation method of three-axis autonomous vehicle based on composite model and adaptive cubature Kalman filter | |
Pereira et al. | Cornering stiffness estimation using Levenberg–Marquardt approach | |
Boada et al. | A robust observer based on energy-to-peak filtering in combination with neural networks for parameter varying systems and its application to vehicle roll angle estimation | |
Da Lio et al. | Robust and sample-efficient estimation of vehicle lateral velocity using neural networks with explainable structure informed by kinematic principles | |
Liu et al. | Vehicle state estimation based on unscented kalman filtering and a genetic algorithm | |
Junqueira et al. | A Model-less Approach for Estimating Vehicles Sideslip Angle by a Neural Network Concept | |
Fouka et al. | Motorcycle state estimation and tire cornering stiffness identification applied to road safety: Using observer-based identifiers | |
Bhardwaj et al. | Estimating rack force due to road slopes for electric power steering systems | |
Kanarachos | Design of an intelligent feed forward controller system for vehicle obstacle avoidance using neural networks | |
Wang et al. | Application of stochastic model predictive control to modeling driver steering skills | |
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 | |
Louis et al. | Nonlinear state estimation of tire-road contact forces using a 14 DoF vehicle model | |
Ding et al. | Estimation method of vehicle centroid sideslip angle based on DNN-EKF fusion |
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 |