CN113657036B - 基于神经网络和物理模型的车辆动力学模拟实现方法 - Google Patents

基于神经网络和物理模型的车辆动力学模拟实现方法 Download PDF

Info

Publication number
CN113657036B
CN113657036B CN202110944134.9A CN202110944134A CN113657036B CN 113657036 B CN113657036 B CN 113657036B CN 202110944134 A CN202110944134 A CN 202110944134A CN 113657036 B CN113657036 B CN 113657036B
Authority
CN
China
Prior art keywords
vehicle
model
neural network
vehicle dynamics
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.)
Active
Application number
CN202110944134.9A
Other languages
English (en)
Other versions
CN113657036A (zh
Inventor
王亚飞
殷承良
周志松
籍庆辉
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.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong 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 Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN202110944134.9A priority Critical patent/CN113657036B/zh
Publication of CN113657036A publication Critical patent/CN113657036A/zh
Application granted granted Critical
Publication of CN113657036B publication Critical patent/CN113657036B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
  • Steering Control In Accordance With Driving Conditions (AREA)

Abstract

一种基于神经网络和物理模型的车辆动力学模拟实现方法，结合神经网络车辆参数模型与车辆动力学物理模型，将神经网络的输出作为车辆动力学模型的参数输入，得到基于神经网络和车辆动力学的混合车辆动力学模型，制定实车实验数据采集方案，经实验完成实车数据采集以训练混合车辆动力学模型，实现对车辆动力学特性的高精度建模和表征。本发明充分考虑物理规律和数据驱动优势，利用采集到的车辆状态数据用于车辆物理模型中未知参数的学习，将参数模型和动力学模型结合起来得到一个准确的混合模型用于车辆动力学表征。

Description

基于神经网络和物理模型的车辆动力学模拟实现方法
技术领域
本发明涉及的是一种智能交通管理领域的技术，具体是一种基于神经网络和物理模型的车辆动力学模拟实现方法，适用于车辆纵横垂等方向动力学的建模，并充分利用数据驱动方法的优势来提升物理模型的建模精度。同时兼备物理可解释性以及数据驱动模型的高精度动力学表征能力。
背景技术
车辆动力学模型是车辆动力学仿真以及车辆控制的关键。车辆作为一个复杂的多体系统，其动力学模型有两种：物理模型和数据驱动模型。物理模型基于物理规律进行车辆动力学建模，复杂的车辆系统往往会被简化为简单模型，基于此得到的车辆动力学物理模型精度较低，往往不能准确描述复杂的车辆系统动力学特性，对非线性工况的适用能力有限。数据驱动模型的构建依赖大量的车辆动力学测量数据，模型的准确度和鲁棒性取决于数据的场景覆盖完整度，较现有的物理学模型而言，此类模型的精度较高，但它的物理不可解释性和模型低鲁棒性阻碍了其在车辆系统中的大规模应用。现有改进的车辆避撞技术采用长短时记忆递归神经网络LSTM构建车辆轨迹预测模型，但这些技术未考虑基于数据对具有短时域轨迹预测功能的车辆动力学模型进行模型优化，对非线性工况的适应能力有限。
发明内容
本发明针对现有技术存在的上述不足，提出一种基于神经网络和物理模型的车辆动力学模拟实现方法，充分考虑物理规律和数据驱动优势，利用采集到的车辆状态数据用于车辆物理模型中未知参数的学习，将参数模型和动力学模型结合起来得到一个准确的混合模型用于车辆动力学表征。
本发明是通过以下技术方案实现的：
本发明涉及一种基于神经网络和物理模型的车辆动力学模拟实现方法，结合神经网络车辆参数模型与车辆动力学物理模型，将神经网络的输出作为车辆动力学模型的参数输入，得到基于神经网络和车辆动力学的混合车辆动力学模型，制定实车实验数据采集方案，经实验完成实车数据采集以训练混合车辆动力学模型，实现对车辆动力学特性的高精度建模和表征。
所述的神经网络，具体为：Net(vx，γ，δf)＝(Cf Cr)T，其中：纵向速度vx、横摆角速度γ、转向角δf、前轮轮胎侧偏刚度Cf、后轮轮胎侧偏刚度Cr、T为转置。
所述的混合车辆动力学模型，具体为： 该基础模型的输入为转向角δf，输出为侧向速度vy和横摆角速度γ，其中：车辆质量m、前轮轮胎侧偏刚度Cf、后轮轮胎侧偏刚度Cr、车辆质心到前轴中心的距离a、车辆质心到后轴中心的距离b、车辆绕竖轴的转动惯量I、车辆纵向速度vx。
技术效果
本发明整体解决了现有技术中对车辆动力学建模单独采用物理建模或数据驱动建模方法的缺陷，通过将物理模型中的参数Cf和Cr作为时变的参数，并通过神经网络进行辨识，能够更加准确地描述车辆的动力学特性。与现有技术相比，本发明能够更好地描述车辆侧向动力学特性，更准确地预测侧向速度和横摆角速度。
附图说明
图1为本发明流程图；
图2为本发明的混合模型示意图；
图3为本发明中神经网络车辆参数模型的结构示意图；
图4为实施例混合车辆侧向动力学模型架构示意图；
图5为实施例混合车辆侧向动力学模型侧向速度输出示意图；
图6为实施例混合车辆侧向动力学模型横摆角速度输出示意图。
具体实施方式
本实施例涉及一种基于神经网络和物理模型的车辆动力学模拟系统，包括：数据采集模块、数据处理模块、模型训练模块、模型部署模块，其中：数据采集模块在实车实验过程中，采集车辆转向角、纵向速度、侧向速度以及横摆角速度等数据，并对数据进行时间对齐，输出时间对齐后的实车数据；数据处理模块基于混合车辆动力学模型的结构，将对齐后的实车数据按照模型的输入输出格式处理成带有数据标签的训练集；模型训练模块基于训练集对神经网络参数模型进行训练，输出神经网络参数模型；模型部署模块将神经网络参数模型和自行车模型按照混合车辆动力学模型的结构进行模型的生成和部署。
如图1所示，为本实施例基于上述系统的车辆动力学模型构建方法，结合神经网络车辆参数模型与车辆动力学物理模型，将神经网络的输出作为车辆动力学模型的参数输入，得到如图4所示的基于神经网络和车辆动力学的混合车辆动力学模型，制定实车实验数据采集方案，经实验完成实车数据采集以训练混合车辆动力学模型。
如图3所示，所述的神经网络为前向神经网络，具体包括：输入层、5个隐藏层和输出层，其中：输入层包含12个神经元；每个隐藏层包含10个神经元，采用tanh激活函数；输入层包含2个神经元，采用sigmoid激活函数。
所述的前向神经网络的训练样本具体为：车辆在直道和弯道做连续换道过程的车辆状态，每条训练数据是1×12维向量，由t，t-10，t-20，t-30时刻的转向角、横摆角速度、纵向速度组成，标签为t时刻的车辆横摆角速度和侧向速度，t表示模型状态输出的当前时刻。
本实施例中的训练集由196919条上述训练样本组成。
所述的混合车辆动力学模型，具体为： 该基础模型的输入为转向角δf，输出为侧向速度vy和横摆角速度γ，其中：车辆质量m、轮胎侧偏刚度Cf和Cr、车辆质心到前轴中心的距离a、车辆质心到后轴中心的距离b、车辆绕竖轴的转动惯量I、车辆纵向速度vx。
所述的实车数据采集，具体为：选取车辆连续换道、蛇形等场景作为车辆数据采集的基本工况，车辆换道轨迹、车辆速度，道路曲率充分覆盖车辆模型实际应用工况。采集车辆转向角、纵向速度、侧向速度以及横摆角速度数据。
经过具体实际实验，在CarSim车辆动力学仿真软件中，对B级跑车进行动力学建模，基于上述方法得到的车辆侧向动力学混合模型，其输出的侧向速度和横摆角速度的仿真结果如图5和图6所示。
本实施例基于自行车模型的侧向速度均方根误差为0.1314，横摆角速度均方根误差为0.0167；混合车辆动力学模型的侧向速度均方根误差为0.0303，横摆角速度均方根误差为0.0039。结果表明，本实施例的混合车辆动力学模型对侧向速度和横摆角速度预测误差比现有自行车模型更小。
与现有技术相比，本方法能够得到比现有的自行车模型(bicycle model)输出更加接近真实数据(True value)的侧向速度和横摆角速度状态，能够准确预测车辆侧向运动状态，可应用于车辆整车控制器设计，提升汽车稳定性控制性能；同时，也可以用于车辆侧向动力学的仿真测试应用。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。

Claims (5)

1.一种基于神经网络和物理模型的车辆动力学模拟实现方法，其特征在于，结合神经网络车辆参数模型与车辆动力学物理模型，将神经网络的输出作为车辆动力学物理模型的参数输入，得到基于神经网络和车辆动力学的混合车辆动力学模型，制定实车实验数据采集方案，经实验完成实车数据采集以训练混合车辆动力学模型，实现对车辆动力学特性的高精度建模和表征；
所述的神经网络，具体为：Net(vx,γ,δf)＝(Cf Cr)T，其中：纵向速度vx、横摆角速度γ、转向角δf、前轮轮胎侧偏刚度Cf、后轮轮胎侧偏刚度Cr、T为转置；
所述的混合车辆动力学模型，具体为： 该基础模型的输入为转向角δf，输出为侧向速度vy和横摆角速度γ，其中：车辆质量m、前轮轮胎侧偏刚度Cf、后轮轮胎侧偏刚度Cr、车辆质心到前轴中心的距离a、车辆质心到后轴中心的距离b、车辆绕竖轴的转动惯量I、车辆纵向速度vx。
2.根据权利要求1所述的基于神经网络和物理模型的车辆动力学模拟实现方法，其特征是，所述的神经网络为前向神经网络，具体包括：输入层、5个隐藏层和输出层，其中：输入层包含12个神经元；每个隐藏层包含10个神经元，采用tanh激活函数；输入层包含2个神经元，采用sigmoid激活函数。
3.根据权利要求2所述的基于神经网络和物理模型的车辆动力学模拟实现方法，其特征是，所述的前向神经网络的训练样本具体为：车辆在直道和弯道做连续换道过程的车辆状态，每条训练数据是1×12维向量，由t，t-10，t-20，t-30时刻的转向角、横摆角速度、纵向速度组成，标签为t时刻的车辆横摆角速度和侧向速度，t表示模型状态输出的当前时刻。
4.根据权利要求1所述的基于神经网络和物理模型的车辆动力学模拟实现方法，其特征是，所述的实车数据采集，具体为：选取车辆连续换道、蛇形等场景作为车辆数据采集的基本工况，车辆换道轨迹、车辆速度，道路曲率充分覆盖车辆模型实际应用工况，采集车辆转向角、纵向速度、侧向速度以及横摆角速度数据。
5.一种实现权利要求1～4中任一所述方法的基于神经网络和物理模型的车辆动力学模拟系统，其特征在于，包括：数据采集模块、数据处理模块、模型训练模块、模型部署模块，其中：数据采集模块在实车实验过程中，采集车辆转向角、纵向速度、侧向速度以及横摆角速度等数据，并对数据进行时间对齐，输出时间对齐后的实车数据；数据处理模块基于混合车辆动力学模型的结构，将对齐后的实车数据按照模型的输入输出格式处理成带有数据标签的训练集；模型训练模块基于训练集对神经网络参数模型进行训练，输出神经网络参数模型；模型部署模块将神经网络参数模型和自行车模型按照混合车辆动力学模型的结构进行模型的生成和部署。
CN202110944134.9A 2021-08-17 2021-08-17 基于神经网络和物理模型的车辆动力学模拟实现方法 Active CN113657036B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110944134.9A CN113657036B (zh) 2021-08-17 2021-08-17 基于神经网络和物理模型的车辆动力学模拟实现方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110944134.9A CN113657036B (zh) 2021-08-17 2021-08-17 基于神经网络和物理模型的车辆动力学模拟实现方法

Publications (2)

Publication Number Publication Date
CN113657036A CN113657036A (zh) 2021-11-16
CN113657036B true CN113657036B (zh) 2023-09-26

Family

ID=78491739

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110944134.9A Active CN113657036B (zh) 2021-08-17 2021-08-17 基于神经网络和物理模型的车辆动力学模拟实现方法

Country Status (1)

Country Link
CN (1) CN113657036B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103914985A (zh) * 2014-04-25 2014-07-09 大连理工大学 一种混合动力客车未来车速轨迹预测方法
CN107561942A (zh) * 2017-09-12 2018-01-09 重庆邮电大学 基于模型补偿的智能车辆轨迹跟踪模型预测控制方法
CN108646763A (zh) * 2018-07-18 2018-10-12 扬州大学 一种自主行驶轨迹跟踪控制方法
CN110007645A (zh) * 2019-04-11 2019-07-12 华中科技大学 一种基于动力学及深度神经网络的进给系统混合建模方法
DE102019118213A1 (de) * 2018-10-02 2020-04-02 Bayerische Motoren Werke Aktiengesellschaft Verfahren und Steuereinheit zur Schätzung eines Modellparameters eines fahrdynamischen Modells eines Fahrzeugs
CN111898199A (zh) * 2020-07-07 2020-11-06 中国人民解放军国防科技大学 一种车辆动力学数据驱动建模方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11029693B2 (en) * 2017-08-08 2021-06-08 Tusimple, Inc. Neural network based vehicle dynamics model
US10737717B2 (en) * 2018-02-14 2020-08-11 GM Global Technology Operations LLC Trajectory tracking for vehicle lateral control using neural network

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103914985A (zh) * 2014-04-25 2014-07-09 大连理工大学 一种混合动力客车未来车速轨迹预测方法
CN107561942A (zh) * 2017-09-12 2018-01-09 重庆邮电大学 基于模型补偿的智能车辆轨迹跟踪模型预测控制方法
CN108646763A (zh) * 2018-07-18 2018-10-12 扬州大学 一种自主行驶轨迹跟踪控制方法
DE102019118213A1 (de) * 2018-10-02 2020-04-02 Bayerische Motoren Werke Aktiengesellschaft Verfahren und Steuereinheit zur Schätzung eines Modellparameters eines fahrdynamischen Modells eines Fahrzeugs
CN110007645A (zh) * 2019-04-11 2019-07-12 华中科技大学 一种基于动力学及深度神经网络的进给系统混合建模方法
CN111898199A (zh) * 2020-07-07 2020-11-06 中国人民解放军国防科技大学 一种车辆动力学数据驱动建模方法

Also Published As

Publication number Publication date
CN113657036A (zh) 2021-11-16

Similar Documents

Publication Publication Date Title
CN110647056B (zh) 一种基于整车硬件在环的智能网联汽车环境模拟仿真系统
Li et al. Humanlike driving: Empirical decision-making system for autonomous vehicles
CN107246876B (zh) 一种无人驾驶汽车自主定位与地图构建的方法及系统
CN107229973A (zh) 一种用于车辆自动驾驶的策略网络模型的生成方法及装置
CN107310550A (zh) 道路交通工具行驶控制方法和装置
CN107491736A (zh) 一种基于卷积神经网络的路面附着系数辨识方法
CN109214127A (zh) 一种多点预瞄方法及其多点预瞄装置与目标路径跟踪方法
Wei et al. Vehicle sideslip angle estimation based on general regression neural network
GB2544391A (en) Virtual, road-surface-perception test bed
CN107526906A (zh) 一种基于数据采集的驾驶风格辨识装置及方法
CN110196587A (zh) 车辆自动驾驶控制策略模型生成方法、装置、设备及介质
CN113239986B (zh) 车辆轨迹评价网络模型的训练方法、装置和存储介质
Carbonne et al. Use of full coupling of aerodynamics and vehicle dynamics for numerical simulation of the crosswind stability of ground vehicles
CN114030485A (zh) 一种考虑附着系数的自动驾驶汽车类人换道决策规划方法
CN110865403A (zh) 一种基于神经网络预学习和轮式里程计融合的定位方法
CN113722835A (zh) 拟人化随机换道驾驶行为建模方法
Chen et al. Building an autonomous lane keeping simulator using real-world data and end-to-end learning
Ren et al. Self-learned intelligence for integrated decision and control of automated vehicles at signalized intersections
Gao et al. Discretionary cut-in driving behavior risk assessment based on naturalistic driving data
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
Ozturk et al. Investigating value of curriculum reinforcement learning in autonomous driving under diverse road and weather conditions
Zhu et al. Design of an integrated vehicle chassis control system with driver behavior identification
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
Lu et al. Road adhesion coefficient identification method based on vehicle dynamics model and multi-algorithm fusion
Geist et al. Data collection for robust end-to-end lateral vehicle control

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