CN114333493B - 驾驶模拟器的人感仿真系统与方法 - Google Patents
驾驶模拟器的人感仿真系统与方法 Download PDFInfo
- Publication number
- CN114333493B CN114333493B CN202111661930.8A CN202111661930A CN114333493B CN 114333493 B CN114333493 B CN 114333493B CN 202111661930 A CN202111661930 A CN 202111661930A CN 114333493 B CN114333493 B CN 114333493B
- Authority
- CN
- China
- Prior art keywords
- data
- channel
- force
- feature matrix
- simulation
- 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
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种驾驶模拟器的人感仿真系统与方法,包括操纵数据系统、力感模拟通用仿真模块、加载机构控制系统、电磁直线驱动器、安全模块、实时监测模块以及操纵。力感模拟通用仿真模块为基于飞行操纵数据以及飞行操纵数据变化率而训练获得的GAN对抗神经网络的仿真模型。电磁直线驱动器,采用圆柱式直线电机,对应于每个力感模拟通道分别对应的设置,所述力感模拟通道包括俯仰通道、横滚通道、偏航通道以及油门通道;所述圆柱式直线电机的运动部铰接一直线连杆。本发明的人感仿真系统可提高通用仿真模型的精度和驱动力输出精度,改善力感反馈模拟的响应特性和平滑性,避免和改善传统电机的扭矩传递和传动效率带来的响应延迟以及平滑性的问题。
Description
技术领域
本发明涉及驾驶模拟器技术领域,具体而言涉及一种驾驶模拟器的人感仿真系统与方法。
背景技术
驾驶模拟器是一种有人参与的复杂的模拟仿真系统,能够模拟和复现特定环境下的驾驶和操纵状态,广泛应用于装甲车、坦克、飞机等驾驶模拟训练中,它的功能和目的是在不实际进入装甲车、坦克、飞机等驾驶舱进行实际驾驶和操纵的情况下,将操纵实景、过程、力感等感知以尽可能真实的程度提供给训练人员。在模拟器的设计中,尤其是力感系统,即人感系统的设计,其目的是提供逼真的力的感觉,对训练人员进行模拟训练,能够提前了解和适应操纵场景以及可能的驾驶、飞行状态,并能够及时和准确的做出判断、发出正确的操纵指令。因此,人感系统设计的性能直接决定驾驶模拟器的力感模拟效果。
现有驾驶模拟器的人感系统设计通常基于液压式人感系统或者电驱动式人感系统,随着电机以及电机驱动技术发展,目前以电驱动式人感系统为主要的方式。以用于飞机的驾驶模拟器的主操纵杆力感模拟系统为例,主要设计包括:检测训练人员操纵主操纵杆而产生的的转动信号,将转动信号通过信号处理后输入给力感仿真模型,模型输出需要模拟的力(即施加到主操纵杆的力),并据此驱动伺服电机转动,通过加载机构将电机输出的力矩施加到主操纵杆上,对驾驶训练人员提供力感的反馈。
这样的伺服电机通常采用步进电机、交流永磁同步伺服电机、直流伺服电机、永磁同步电机等传统的旋转电机,配合大小齿轮传动结构(如图1所示)或者绳轮传动结构(如图2所示),再结合连杆的设计,将电机输出的力矩传递到操纵器(操纵杆、脚踏、油门等)上,尽管随着电机技术的发展,电机输出的响应曲线和平滑性得到比较好的提升,但在电机与操纵器之间加入的力矩传递机构,无形中增加了力矩传递路径的不确定性,在频繁正反转的过程中,由于传动比、传动效率和响应时间的原因,导致整个人感系统的响应特性仍不能非常理想地达到预期水平。
同时,传统的通用仿真模型中基于传感器检测的参数例如位移、角度、加速度等经过模型解算获得驱动力的大小,不论采用液压或者电机驱动的力感模拟,模型本身的精度决定了驱动力输出和控制的水平。
现有技术文献:
1.哈尔滨工业大学硕士学位论文:姚文坤著,“电动操纵负荷系统结构优化及力感模拟研究”,公开日期为2020年6月1日;
2.专利文献:CN111063235A一种飞行模拟器的操控负荷训练仿真系统,公开日期为2020年4月24日。
发明内容
本发明目的在于提供一种驾驶模拟器的人感仿真系统与人感模拟方法,提高通用仿真模型的精度和驱动力输出精度,改善力感反馈模拟的响应特性和平滑性,避免和改善传统电机的扭矩传递和传动效率带来的响应延迟以及平滑性的问题。
为实现上述目的,本发明的第一方面提出一种驾驶模拟器的人感仿真系统,包括操纵数据系统、力感模拟通用仿真模块、加载机构控制系统、电磁直线驱动器、安全模块、实时监测模块以及操纵器;
所示操纵数据系统,用于接收各传感器检测训练人员操纵操纵器而产生的飞行操纵数据;
所述力感模拟通用仿真模块,与所述飞行操纵数据数据通信,并基于预先训练好的力感模拟通用仿真模型进行解算,输出驱动力;所述力感模拟通用仿真模型为基于飞行操纵数据以及飞行操纵数据变化率而训练获得的GAN对抗神经网络的仿真模型,仿真模型的输入为每一通道的飞行操纵数据,输出为对应通道的驱动力数据;
所述加载机构控制系统,与所述力感模拟通用仿真模型数据通信,并基于获得的驱动力数据生成电磁直线驱动器的驱动控制信号;
所述电磁直线驱动器,采用圆柱式直线电机,对应于每个力感模拟通道分别对应的设置,所述力感模拟通道包括俯仰通道、横滚通道、偏航通道以及油门通道;所述圆柱式直线电机的运动部的输出端铰接一直线连杆;
所述操纵器,包括主操纵杆、驾驶盘、偏航脚踏以及油门台,所述俯仰通道、横滚通道、偏航通道对应设置的直线连杆的输出端连接到主操纵杆、驾驶盘、偏航脚踏上,提供力感反馈;所述油门台的下端设置滚轮,油门通道的直线连杆的输出端连接到滚轮上,提供力感反馈;
所述实时监测模块,包括分别设置于俯仰通道、横滚通道、偏航通道以及油门通道内的力传感器,用于检测训练人员操纵操纵器而施加的力;
所述安全模块,用于限制允许的最大安全输出力。
其中,所述圆柱式直线电机包括构造为圆柱形的外壳以及所述的运动部,所述外壳作为固定部,用于通电后产生励磁,所述运动部在磁场作用下沿着其轴线做直线运动,驱动直线连杆同步产生位移,其中直线连杆与所述运动部同轴连接。
由此,在实施例中采用直线电机与直线连杆的线性驱动和力矩传递,利用直线电机尤其是圆柱形直线电机的密封性以及直驱方式,避免传统力感模拟系统中使用的旋转电机并配合减速机、齿轮传动带来的平滑性差和响应延迟的问题,本发明使用的线性驱动的前端系统连接,推理密度大且运动能直接通过同轴的连杆线型输出至操纵器,系统平滑性显著提升,而且避免了齿轮传动机构带来的力矩传递延迟和响应问题;同时,圆柱形直线电机的气密封装以及高气隙磁密配合高效的直线运动传递,同时保证力感模拟驱动过程的稳定性,减少出现抖动和力矩传递戳动的风险。
优选地,所述力感模拟通用仿真模块中GAN对抗神经网络的仿真模型,通过预先离线训练生成,其生成过程为:
获取某飞机历史的飞行操纵数据,飞行操纵数据包括对每个操纵器的操纵数据以及实际的施加力,据此构造特征矩阵Z:
Z=[ZA,ZB,ZC,ZD]
ZA,ZB,ZC,ZD分别表示俯仰通道、横滚通道、偏航通道以及油门通道的操纵数据特征矩阵;ZA,ZB,ZC,ZD中分别包括对操纵器的操纵数据特征、操纵数据特征的变化率特征以及实际施加力的特征;
对特征矩阵Z进行归一化处理,获得标准化后的特征矩阵Z’;
以标准化后的特征矩阵Z’构造训练数据,并将其分为训练集与验证集,基于训练集进行模型训练,其中基于自编码卷积神经网络对特征矩阵Z’进行卷积运算,输出预测的模型力;并将自编码卷积神经网络作为GAN对抗神经网络的生成器,基于生成器输出的模型力以及实际施加力在GAN对抗神经网络的判别器进行分类,输出判别概率;通过GAN对抗神经网络进行对抗训练,通过验证集进行验证,生成满足预定精度要求的GAN对抗神经网络的仿真模型输出。
由此,本发明采用基于自编码卷积网络与GAN网络的融合模型,即利用卷积运算实现全局的特征提取,其中选取三个维度的运动特征即行程、角度和加速度作为基础特征,而前端系统的输出不仅与系统在当前时刻的响应有关,还与它在当前时刻之前的响应有关,因此我们在模型训练过程中引入过程特征,即行程、角度和加速度的变化率,与实际施加给操作器的力一起构建七个维度的特征向量,通过自编码卷积网络的卷积运算输出模型力,即GAN网络的生成器生成的驱动力,对于GAN网络来说,以自编码卷积网络作为其生成器网络。由此,通过模型力与实际施加的力在GAN对抗神经网络的判别器进行分类,输出判别概率,即判别生成器输出的模型力是真/假的结果,取值范围是[0,1],结果越接近1表明输出的模型力越接近实际施加的力。
由此,通过特征的选择和自编码卷积网络的全局特征提取,避免传统GAN生成器网络的梯度过小导致生成器能力低引起的特征提取局限和不足的问题,提高力感模拟仿真模型训练结果的准确性,保证力感模拟输出的响应特性与平滑性。
其中,所述对特征矩阵Z进行归一化处理,包括采用下述归一化公式对每个通道的操纵数据特征矩阵进行处理:
F(x)=(x-μ)/σ
其中,x表示特征矩阵Z中的特征值;μ表示每个通道的操纵数据特征矩阵中的对应列的特征值的均值,σ表示每个通道的操纵数据特征矩阵中的对应列的特征值的标准差。
在本发明的实施例中,根据本发明的第二方面还提出一种用于驾驶模拟器人感仿真系统中的力感模拟通用仿真模型的构建方法,包括以下步骤:
获取某飞机历史的飞行操纵数据,飞行操纵数据包括对每个操纵器的操纵数据以及实际的施加力,据此构造特征矩阵Z:
Z=[ZA,ZB,ZC,ZD]
ZA,ZB,ZC,ZD分别表示俯仰通道、横滚通道、偏航通道以及油门通道的操纵数据特征矩阵;ZA,ZB,ZC,ZD中分别包括对操纵器的操纵数据特征、操纵数据特征的变化率特征以及实际施加力的特征;
对特征矩阵Z进行归一化处理,获得标准化后的特征矩阵Z’;
以标准化后的特征矩阵Z’构造训练数据,并将其分为训练集与验证集,基于训练集进行模型训练,其中基于自编码卷积神经网络对特征矩阵Z’进行卷积运算,输出预测的模型力;并将自编码卷积神经网络作为GAN对抗神经网络的生成器,基于生成器输出的模型力以及实际施加力在GAN对抗神经网络的判别器进行分类,输出判别概率;通过GAN对抗神经网络进行对抗训练,通过验证集进行验证,生成满足预定精度要求的GAN对抗神经网络的仿真模型输出。
其中,所述对特征矩阵Z进行归一化处理,包括采用下述归一化公式对每个通道的操纵数据特征矩阵进行处理:
F(x)=(x-μ)/σ
其中,x表示特征矩阵Z中的特征值;μ表示每个通道的操纵数据特征矩阵中的对应列的特征值的均值,σ表示每个通道的操纵数据特征矩阵中的对应列的特征值的标准差。
应当理解,前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外,所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见,或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不意在按比例绘制。在附图中,在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见,在每个图中,并非每个组成部分均被标记。现在,将通过例子并参考附图来描述本发明的各个方面的实施例,其中:
图1是现有技术中主操纵杆力感模拟的系统示意图。
图2是现有技术中主操纵杆力感模拟系统的另一示意图。
图3是本发明示例性实施例的人感系统的原理示意图。
图4是本发明示例性实施例的人感系统的力感模拟仿真示意图。
图5是本发明示例性实施例的人感系统的电磁直线驱动器及直线连杆的示意图。
图6是本发明示例性实施例的力感模拟通用仿真模型的训练过程示意图。
具体实施方式
为了更了解本发明的技术内容,特举具体实施例并配合所附图式说明如下。
在本公开中参照附图来描述本发明的各方面,附图中示出了许多说明的实施例。本公开的实施例不必定意在包括本发明的所有方面。应当理解,上面介绍的多种构思和实施例,以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施,这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外,本发明公开的一些方面可以单独使用,或者与本发明公开的其他方面的任何适当组合来使用。
结合图3所示,根据本发明示例性实施例的用于驾驶模拟器的人感仿真系统,包括操纵数据系统、力感模拟通用仿真模块、加载机构控制系统、电磁直线驱动器、安全模块、实时监测模块以及操纵器。
操纵数据系统,用于接收各传感器检测训练人员操纵操纵器而产生的飞行操纵数据。在本发明的实施例中,操纵数据系统可以集成在现有的飞行仿真平台设计中,例如具有全景视景或者虚拟视景的飞行仿真系统中,操纵数据系统其可以根据驾驶训练人员输入的参数或者实际操作操作器的参数来生成控制飞机操纵面。飞行仿真系统据此可控制进行自动飞行或者根据飞控系统的控制指令,实现对操纵器(油门台、操纵杆、驾驶盘、踏板)的控制。
结合图3、4,力感模拟通用仿真模块与飞行操纵数据数据通信,并基于预先训练好的力感模拟通用仿真模型进行解算,输出驱动力,用来控制力感加载机构,在本发明的实施例中,力感加载机构为电磁直线驱动器及其连杆结构设计。
在可选的实施例中,力感模拟通用仿真模型为基于飞行操纵数据以及飞行操纵数据变化率而训练获得的GAN对抗神经网络的仿真模型,仿真模型的输入为每一通道的飞行操纵数据,输出为对应通道的驱动力数据。
加载机构控制系统,与力感模拟通用仿真模型数据通信,并基于获得的驱动力数据生成电磁直线驱动器的驱动控制信号。
在本发明的实施例中,结合图4,力感模拟通用仿真模块与加载机构控制系统可以集成在一个力感模拟控制器中,并在力感模拟控制器内部基于内存共享实现数据交互。
在加载机构控制系统与各个电磁直线驱动器之间,基于ECAT总线实现数据通信,输出驱动控制信号以驱动电磁直线驱动器产生直线运动。
结合图3、5所示,电磁直线驱动器,采用圆柱式直线电机,对应于每个力感模拟通道分别对应的设置,所述力感模拟通道包括俯仰通道、横滚通道、偏航通道以及油门通道;所述圆柱式直线电机的运动部的输出端铰接一直线连杆。
结合图3所示,操纵器包括主操纵杆、驾驶盘、偏航脚踏以及油门台。俯仰通道、横滚通道、偏航通道对应设置的直线连杆的输出端连接到主操纵杆、驾驶盘、偏航脚踏上,通过直线电磁驱动器带动直线连杆做线性往复运动,提供力感反馈。
油门台的下端设置滚轮,可采用现有的油门台加载机构的滚轮设计,利用钢丝绳绕在滚轮的圆周向,并将钢丝绳的末端与油门台连接。而油门台下端的滚轮设置摇臂,油门通道的直线连杆的输出端连接到滚轮的摇臂上,通过直线电磁驱动器带动直线连杆做线性往复运动,驱动摇臂运动,提供力感反馈。
结合图3、4,实时监测模块分别对应于俯仰通道、横滚通道、偏航通道以及油门通道设置,用于检测训练人员操纵操纵器而施加的力。作为可选的方式,实时监测模块包括设置于俯仰通道、横滚通道、偏航通道以及油门通道的力传感器,结合图3,监测的结果实时反馈至加载机构控制系统。
加载机构控制系统配置有安全模块,用于限制允许的最大安全输出力。在可选的实施例中,允许的最大安全输出力可根据飞行仿真实际进行预先设置或者调整。
在可选的实施例中,安全模块还可以被设置成用于限制允许的最大安全行程。
结合图5所示的示例,圆柱式直线电机100包括构造为圆柱形的外壳101以及运动部102,外壳作为直线电机的固定部(即定子绕组),外壳101与运动部102之间具有圆筒状的气隙,气隙与直线运动方向是平行的,通电后产生励磁。运动部102在磁场作用下沿着其轴线做直线运动,驱动直线连杆103同步产生位移,其中直线连杆与运动部102同轴连接。图5中,虚线部分表示运动部102位于外壳101内部的被遮挡的部分。
结合图6所示,本发明实施例中,力感模拟通用仿真模块中GAN对抗神经网络的仿真模型,通过预先离线训练生成,其生成过程为:
获取某飞机历史的飞行操纵数据,飞行操纵数据包括对每个操纵器的操纵数据以及实际的施加力,据此构造特征矩阵Z:
Z=[ZA,ZB,ZC,ZD]
ZA,ZB,ZC,ZD分别表示俯仰通道、横滚通道、偏航通道以及油门通道的操纵数据特征矩阵;ZA,ZB,ZC,ZD中分别包括对操纵器的操纵数据特征、操纵数据特征的变化率特征以及实际施加力的特征;
对特征矩阵Z进行归一化处理,获得标准化后的特征矩阵Z’;
以标准化后的特征矩阵Z’构造训练数据,并将其分为训练集与验证集,基于训练集进行模型训练,其中基于自编码卷积神经网络对特征矩阵Z’进行卷积运算,输出预测的模型力;并将自编码卷积神经网络作为GAN对抗神经网络的生成器,基于生成器输出的模型力以及实际施加力在GAN对抗神经网络的判别器进行分类,输出判别概率;通过GAN对抗神经网络进行对抗训练,通过验证集进行验证,生成满足预定精度要求的GAN对抗神经网络的仿真模型输出。
作为示例,在本发明的训练过程中,采用先保持生成器不变训练判别器,再基于判别器不变训练生成器的交替方式进行整个GAN模型的训练。
在本发明的实施例中,前述的自编码卷积神经网络可选用CAE卷积网络。在另外的实施例中,还可以选择DAE、VAE自编码网络。
其中,俯仰通道的操纵数据特征矩阵ZA为k*p大小的特征矩阵,k表示特征矩阵中飞行操纵数据的总组数,p为特征矩阵ZA的维度,取值为7;特征矩阵ZA表达为:
其中,Zai1~Zai3分别表示第i组飞行操纵数据中,对主操纵杆操纵所产生的主操纵杆位移、转动角以及加速度;Zai4~Zai6分别表示第i组飞行操纵数据中,对主操纵杆操纵所产生的主操纵杆位移、转动角以及加速度的变化率;其中,第1组数据中,Za14~Za16的取值为0;Zai7表示第i组飞行操纵数据中,对主操纵杆操纵所实际施加的力。
其中,横滚通道的操纵数据特征矩阵ZB为k*q大小的特征矩阵,k表示特征矩阵中飞行操纵数据的总组数,q为特征矩阵ZB的维度,取值为5;特征矩阵ZB表达为:
其中,Zbi1~Zbi2分别表示第i组飞行操纵数据中,对驾驶盘操纵所产生的驾驶盘转动角以及加速度;Zbi3~Zbi4分别表示第i组飞行操纵数据中,对驾驶盘操纵所产生的驾驶盘转动角以及加速度的变化率;其中,第1组数据中,Zb13~Zb14的取值为0;Zbi5表示第i组飞行操纵数据中,对驾驶盘操纵所实际施加的力。
其中,所述偏航通道的操纵数据特征矩阵Zc为k*7大小的特征矩阵,k表示特征矩阵中飞行操纵数据的总组数,特征矩阵Zc表达为:
其中,Zci1~Zci3分别表示第i组飞行操纵数据中,对偏航脚踏操纵所产生的偏航脚踏的位移、转动角以及加速度;Zci4~Zci6分别表示第i组飞行操纵数据中,对偏航脚踏操纵所产生的偏航脚踏位移、转动角以及加速度的变化率;其中,第1组数据中,Zc14~Zc16的取值为0;Zci7表示第i组飞行操纵数据中,对偏航脚踏操纵所实际施加的力。
其中,油门通道的操纵数据特征矩阵ZD为k*7大小的特征矩阵,k表示特征矩阵中飞行操纵数据的总组数,特征矩阵ZD表达为:
其中,Zdi1~Zdi3分别表示第i组飞行操纵数据中,对油门台操纵所产生的油门台的位移、转动角以及加速度;Zdi4~Zdi6分别表示第i组飞行操纵数据中,对油门台操纵所产生的油门台位移、转动角以及加速度的变化率;其中,第1组数据中,Zd14~Zd16的取值为0;Zdi7表示第i组飞行操纵数据中,对油门台操纵所实际施加的力。
作为可选的实施例,前述对特征矩阵Z进行归一化处理,包括采用下述归一化公式对每个通道的操纵数据特征矩阵进行处理:
F(x)=(x-μ)/σ
其中,F(x)表示归一化后的特征,x表示特征矩阵Z中的特征值;μ表示每个通道的操纵数据特征矩阵中的对应列的特征值的均值,σ表示每个通道的操纵数据特征矩阵中的对应列的特征值的标准差。
应当理解,前述的训练数据中,验证集用于对输出的力感模拟通用仿真模型进行模型验证,测试模型准确性和精度,如果未达到预期的精度阈值,则重新进行训练,直到满足精度要求。
其中,GAN对抗神经网络的仿真模型的训练过程中,使用生成器与判别器混合损失函数。
可选的实施例中,生成器与判别器混合损失函数采用二进制交叉熵函数,即基于Minimax loss的损失函数,例如采用Generative Adversarial Net中提出的损失函数,表达如下:
其中,D表示判别器,G表示生成器;D(x)表示判别器判定正样本x为真的概率输出,G(z)表示给定噪音z在生成器(自编码卷积网络)的输出,即负样本,D(G(z))表示判别器预测负样本为真的概率输出。
虽然本发明已以较佳实施例揭露如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视权利要求书所界定者为准。
Claims (4)
1.一种驾驶模拟器的人感仿真系统,其特征在于,包括操纵数据系统、力感模拟通用仿真模块、加载机构控制系统、电磁直线驱动器、安全模块、实时监测模块以及操纵器;
所示操纵数据系统,用于接收各传感器检测训练人员操纵操纵器而产生的飞行操纵数据;
所述力感模拟通用仿真模块,与所述飞行操纵数据数据通信,并基于预先训练好的力感模拟通用仿真模型进行解算,输出驱动力;所述力感模拟通用仿真模型为基于飞行操纵数据以及飞行操纵数据变化率而训练获得的GAN对抗神经网络的仿真模型,仿真模型的输入为每一通道的飞行操纵数据,输出为对应通道的驱动力数据;
所述加载机构控制系统,与所述力感模拟通用仿真模型数据通信,并基于获得的驱动力数据生成电磁直线驱动器的驱动控制信号;
所述电磁直线驱动器,采用圆柱式直线电机,对应于每个力感模拟通道分别对应的设置,所述力感模拟通道包括俯仰通道、横滚通道、偏航通道以及油门通道;所述圆柱式直线电机的运动部的输出端铰接一直线连杆;所述圆柱式直线电机包括构造为圆柱形的外壳以及所述的运动部,所述外壳作为固定部,用于通电后产生励磁,所述运动部在磁场作用下沿着其轴线做直线运动,驱动直线连杆同步产生位移,其中直线连杆与所述运动部同轴连接;
所述操纵器,包括主操纵杆、驾驶盘、偏航脚踏以及油门台,所述俯仰通道、横滚通道、偏航通道对应设置的直线连杆的输出端连接到主操纵杆、驾驶盘、偏航脚踏上,提供力感反馈;所述油门台的下端设置滚轮,油门通道的直线连杆的输出端连接到滚轮上,提供力感反馈;
所述实时监测模块,包括分别设置于俯仰通道、横滚通道、偏航通道以及油门通道内的力传感器,用于检测训练人员操纵操纵器而施加的力;
所述安全模块,用于限制允许的最大安全输出力;
其中,所述力感模拟通用仿真模块与所述加载机构控制系统集成在力感模拟控制器中,并基于内存共享实现数据交互;
所述加载机构控制系统与各个电磁直线驱动器之间基于ECAT总线实现数据通信,输出驱动控制信号以驱动电磁直线驱动器产生直线运动;
所述力感模拟通用仿真模块中GAN对抗神经网络的仿真模型,通过预先离线训练生成,其生成过程为:
获取某飞机历史的飞行操纵数据,飞行操纵数据包括对每个操纵器的操纵数据以及实际的施加力,据此构造特征矩阵Z:
Z=[ZA,ZB,ZC,ZD]
ZA,ZB,ZC,ZD分别表示俯仰通道、横滚通道、偏航通道以及油门通道的操纵数据特征矩阵;ZA,ZB,ZC,ZD中分别包括对操纵器的操纵数据特征、操纵数据特征的变化率特征以及实际施加力的特征;
对特征矩阵Z进行归一化处理,获得标准化后的特征矩阵Z’;
以标准化后的特征矩阵Z’构造训练数据,并将其分为训练集与验证集,基于训练集进行模型训练,其中基于自编码卷积神经网络对特征矩阵Z’进行卷积运算,输出预测的模型力;并将自编码卷积神经网络作为GAN对抗神经网络的生成器,基于生成器输出的模型力以及实际施加力在GAN对抗神经网络的判别器进行分类,输出判别概率;通过GAN对抗神经网络进行对抗训练,通过验证集进行验证,生成满足预定精度要求的GAN对抗神经网络的仿真模型输出;
其中,所述俯仰通道的操纵数据特征矩阵ZA为k*p大小的特征矩阵,k表示特征矩阵中飞行操纵数据的总组数,p为特征矩阵ZA的维度,取值为7;特征矩阵ZA表达为:
其中,Zai1~Zai3分别表示第i组飞行操纵数据中,对主操纵杆操纵所产生的主操纵杆位移、转动角以及加速度;
Zai4~Zai6分别表示第i组飞行操纵数据中,对主操纵杆操纵所产生的主操纵杆位移、转动角以及加速度的变化率;其中,第1组数据中,Za14~Za16的取值为0;
Zai7表示第i组飞行操纵数据中,对主操纵杆操纵所实际施加的力;
其中,所述横滚通道的操纵数据特征矩阵ZB为k*q大小的特征矩阵,k表示特征矩阵中飞行操纵数据的总组数,q为特征矩阵ZB的维度,取值为5;特征矩阵ZB表达为:
其中,Zbi1~Zbi2分别表示第i组飞行操纵数据中,对驾驶盘操纵所产生的驾驶盘转动角以及加速度;
Zbi3~Zbi4分别表示第i组飞行操纵数据中,对驾驶盘操纵所产生的驾驶盘转动角以及加速度的变化率;其中,第1组数据中,Zb13~Zb14的取值为0;
Zbi5表示第i组飞行操纵数据中,对驾驶盘操纵所实际施加的力;
其中,所述偏航通道的操纵数据特征矩阵Zc为k*7大小的特征矩阵,k表示特征矩阵中飞行操纵数据的总组数,特征矩阵Zc表达为:
其中,Zci1~Zci3分别表示第i组飞行操纵数据中,对偏航脚踏操纵所产生的偏航脚踏的位移、转动角以及加速度;
Zci4~Zci6分别表示第i组飞行操纵数据中,对偏航脚踏操纵所产生的偏航脚踏位移、转动角以及加速度的变化率;其中,第1组数据中,Zc14~Zc16的取值为0;
Zci7表示第i组飞行操纵数据中,对偏航脚踏操纵所实际施加的力;
其中,所述油门通道的操纵数据特征矩阵ZD为k*7大小的特征矩阵,k表示特征矩阵中飞行操纵数据的总组数,特征矩阵ZD表达为:
其中,Zdi1~Zdi3分别表示第i组飞行操纵数据中,对油门台操纵所产生的油门台的位移、转动角以及加速度;
Zdi4~Zdi6分别表示第i组飞行操纵数据中,对油门台操纵所产生的油门台位移、转动角以及加速度的变化率;其中,第1组数据中,Zd14~Zd16的取值为0;
Zdi7表示第i组飞行操纵数据中,对油门台操纵所实际施加的力。
2.根据权利要求1所述的驾驶模拟器的人感仿真系统,其特征在于,所述对特征矩阵Z进行归一化处理,包括采用下述归一化公式对每个通道的操纵数据特征矩阵进行处理:
F(x)=(x-μ)/σ
其中,x表示特征矩阵Z中的特征值;μ表示每个通道的操纵数据特征矩阵中的对应列的特征值的均值,σ表示每个通道的操纵数据特征矩阵中的对应列的特征值的标准差。
3.一种驾驶模拟器的人感仿真系统中的力感模拟通用仿真模型的构建方法,其特征在于,包括以下步骤:
获取某飞机历史的飞行操纵数据,飞行操纵数据包括对每个操纵器的操纵数据以及实际的施加力,据此构造特征矩阵Z:
Z=[ZA,ZB,ZC,ZD]
ZA,ZB,ZC,ZD分别表示俯仰通道、横滚通道、偏航通道以及油门通道的操纵数据特征矩阵;ZA,ZB,ZC,ZD中分别包括对操纵器的操纵数据特征、操纵数据特征的变化率特征以及实际施加力的特征;
对特征矩阵Z进行归一化处理,获得标准化后的特征矩阵Z’;
以标准化后的特征矩阵Z’构造训练数据,并将其分为训练集与验证集,基于训练集进行模型训练,其中基于自编码卷积神经网络对特征矩阵Z’进行卷积运算,输出预测的模型力;并将自编码卷积神经网络作为GAN对抗神经网络的生成器,基于生成器输出的模型力以及实际施加力在GAN对抗神经网络的判别器进行分类,输出判别概率;通过GAN对抗神经网络进行对抗训练,通过验证集进行验证,生成满足预定精度要求的GAN对抗神经网络的仿真模型输出;
其中,所述力感模拟通用仿真模块中GAN对抗神经网络的仿真模型,通过预先离线训练生成,其生成过程为:
获取某飞机历史的飞行操纵数据,飞行操纵数据包括对每个操纵器的操纵数据以及实际的施加力,据此构造特征矩阵Z:
Z=[ZA,ZB,ZC,ZD]
ZA,ZB,ZC,ZD分别表示俯仰通道、横滚通道、偏航通道以及油门通道的操纵数据特征矩阵;ZA,ZB,ZC,ZD中分别包括对操纵器的操纵数据特征、操纵数据特征的变化率特征以及实际施加力的特征;
对特征矩阵Z进行归一化处理,获得标准化后的特征矩阵Z’;
以标准化后的特征矩阵Z’构造训练数据,并将其分为训练集与验证集,基于训练集进行模型训练,其中基于自编码卷积神经网络对特征矩阵Z’进行卷积运算,输出预测的模型力;并将自编码卷积神经网络作为GAN对抗神经网络的生成器,基于生成器输出的模型力以及实际施加力在GAN对抗神经网络的判别器进行分类,输出判别概率;通过GAN对抗神经网络进行对抗训练,通过验证集进行验证,生成满足预定精度要求的GAN对抗神经网络的仿真模型输出;
其中,所述俯仰通道的操纵数据特征矩阵ZA为k*p大小的特征矩阵,k表示特征矩阵中飞行操纵数据的总组数,p为特征矩阵ZA的维度,取值为7;特征矩阵ZA表达为:
其中,Zai1~Zai3分别表示第i组飞行操纵数据中,对主操纵杆操纵所产生的主操纵杆位移、转动角以及加速度;
Zai4~Zai6分别表示第i组飞行操纵数据中,对主操纵杆操纵所产生的主操纵杆位移、转动角以及加速度的变化率;其中,第1组数据中,Za14~Za16的取值为0;
Zai7表示第i组飞行操纵数据中,对主操纵杆操纵所实际施加的力;
其中,所述横滚通道的操纵数据特征矩阵ZB为k*q大小的特征矩阵,k表示特征矩阵中飞行操纵数据的总组数,q为特征矩阵ZB的维度,取值为5;特征矩阵ZB表达为:
其中,Zbi1~Zbi2分别表示第i组飞行操纵数据中,对驾驶盘操纵所产生的驾驶盘转动角以及加速度;
Zbi3~Zbi4分别表示第i组飞行操纵数据中,对驾驶盘操纵所产生的驾驶盘转动角以及加速度的变化率;其中,第1组数据中,Zb13~Zb14的取值为0;
Zbi5表示第i组飞行操纵数据中,对驾驶盘操纵所实际施加的力;
其中,所述偏航通道的操纵数据特征矩阵Zc为k*7大小的特征矩阵,k表示特征矩阵中飞行操纵数据的总组数,特征矩阵Zc表达为:
其中,Zci1~Zci3分别表示第i组飞行操纵数据中,对偏航脚踏操纵所产生的偏航脚踏的位移、转动角以及加速度;
Zci4~Zci6分别表示第i组飞行操纵数据中,对偏航脚踏操纵所产生的偏航脚踏位移、转动角以及加速度的变化率;其中,第1组数据中,Zc14~Zc16的取值为0;
Zci7表示第i组飞行操纵数据中,对偏航脚踏操纵所实际施加的力;
其中,所述油门通道的操纵数据特征矩阵ZD为k*7大小的特征矩阵,k表示特征矩阵中飞行操纵数据的总组数,特征矩阵ZD表达为:
其中,Zdi1~Zdi3分别表示第i组飞行操纵数据中,对油门台操纵所产生的油门台的位移、转动角以及加速度;
Zdi4~Zdi6分别表示第i组飞行操纵数据中,对油门台操纵所产生的油门台位移、转动角以及加速度的变化率;其中,第1组数据中,Zd14~Zd16的取值为0;
Zdi7表示第i组飞行操纵数据中,对油门台操纵所实际施加的力。
4.根据权利要求3所述的驾驶模拟器的人感仿真系统中的力感模拟通用仿真模型的构建方法,其特征在于,所述对特征矩阵Z进行归一化处理,包括采用下述归一化公式对每个通道的操纵数据特征矩阵进行处理:
F(x)=(x-μ)/σ
其中,x表示特征矩阵Z中的特征值;μ表示每个通道的操纵数据特征矩阵中的对应列的特征值的均值,σ表示每个通道的操纵数据特征矩阵中的对应列的特征值的标准差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111661930.8A CN114333493B (zh) | 2021-12-31 | 2021-12-31 | 驾驶模拟器的人感仿真系统与方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111661930.8A CN114333493B (zh) | 2021-12-31 | 2021-12-31 | 驾驶模拟器的人感仿真系统与方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114333493A CN114333493A (zh) | 2022-04-12 |
CN114333493B true CN114333493B (zh) | 2022-10-14 |
Family
ID=81020059
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111661930.8A Active CN114333493B (zh) | 2021-12-31 | 2021-12-31 | 驾驶模拟器的人感仿真系统与方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114333493B (zh) |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3717615A1 (de) * | 1987-05-25 | 1988-12-15 | Schenck Ag Carl | Verfahren zur kontinuierlichen ermittlung der foerderstaerke eines schuettgutstromes und/oder zum kontinuierlichen dosieren von schuettgut und vorrichtung zur durchfuehrung des verfahrens |
FR2686214B1 (fr) * | 1992-01-14 | 1994-04-15 | Aerospatiale Ste Nationale Indle | Systeme de montage sur un element fixe d'un element amovible portant une pluralite de dispositifs electriques. |
JP2000293093A (ja) * | 1999-04-05 | 2000-10-20 | Mitsubishi Precision Co Ltd | 運転シミュレータ用簡易体感装置 |
JP4818072B2 (ja) * | 2006-11-08 | 2011-11-16 | キヤノン株式会社 | 力覚提示装置及び複合現実感システム |
KR101176297B1 (ko) * | 2010-11-23 | 2012-08-22 | (주)트윈테크 | 시뮬레이터 |
CN103737576A (zh) * | 2014-01-08 | 2014-04-23 | 北京邮电大学 | 六自由度力反馈手控器 |
JP6681715B2 (ja) * | 2016-01-13 | 2020-04-15 | 東芝機械株式会社 | 運転模擬試験装置 |
CN107195219A (zh) * | 2017-05-27 | 2017-09-22 | 中国人民解放军95995部队 | 一种电动操纵负荷系统、飞机飞行模拟系统和加载模拟操纵阻力的方法 |
CN207704683U (zh) * | 2017-10-26 | 2018-08-07 | 吉林大学 | 带力感反馈的可变安装角度驾驶模拟器 |
CN108288895A (zh) * | 2018-04-09 | 2018-07-17 | 周玉华 | 一种音圈电机直驱旋转装置 |
CN108407887B (zh) * | 2018-05-02 | 2019-11-26 | 吉林大学 | 磁流变液双转子制得的力感反馈装置及使用方法 |
CN208810448U (zh) * | 2018-07-27 | 2019-05-03 | 广东阿达智能装备有限公司 | 倒装机及其供胶装置 |
CN109592026A (zh) * | 2019-01-13 | 2019-04-09 | 吉林大学 | 基于“类-萨鲁斯”连杆的可变构型四旋翼无人飞行器结构设计方法 |
JP7216405B2 (ja) * | 2019-01-16 | 2023-02-01 | 国立大学法人広島大学 | 制御装置 |
US11481634B2 (en) * | 2019-08-29 | 2022-10-25 | The Boeing Company | Systems and methods for training a neural network to control an aircraft |
DE102019216836A1 (de) * | 2019-10-31 | 2021-05-06 | Psa Automobiles Sa | Verfahren zum Trainieren wenigstens eines Algorithmus für ein Steuergerät eines Kraftfahrzeugs, Computerprogrammprodukt sowie Kraftfahrzeug |
DE102019132624A1 (de) * | 2019-12-02 | 2021-06-02 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren, Vorrichtung, Computerprogramm und computerlesbares Speichermedium zum Erstellen eines Motion Cueing Algorithmus |
CN112182785A (zh) * | 2020-11-03 | 2021-01-05 | 浙江天行健智能科技有限公司 | 一种基于数据驱动的汽车方向盘力感建模方法 |
-
2021
- 2021-12-31 CN CN202111661930.8A patent/CN114333493B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114333493A (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112232490B (zh) | 一种基于视觉的深度模仿强化学习驾驶策略训练方法 | |
CN109242251A (zh) | 行车行为安全性检测方法、装置、设备及存储介质 | |
CN108694367A (zh) | 一种驾驶行为模型的建立方法、装置和系统 | |
CN111015649B (zh) | 一种驱控一体化控制系统 | |
CN107571864A (zh) | 无人驾驶车辆的数据采集方法和装置 | |
CN113002555B (zh) | 一种数字孪生驱动的智能线控底盘系统及其故障诊断方法 | |
CN110320883A (zh) | 一种基于强化学习算法的车辆自动驾驶控制方法及装置 | |
CN107195219A (zh) | 一种电动操纵负荷系统、飞机飞行模拟系统和加载模拟操纵阻力的方法 | |
CN109491369A (zh) | 车辆实际控制单元的性能评估方法、装置、设备和介质 | |
CN105151044B (zh) | 车辆辅助驾驶方法及装置 | |
CN111311009A (zh) | 一种基于长短期记忆的行人轨迹预测方法 | |
CN113311727A (zh) | 一种用于自动驾驶测试的仿真模拟系统 | |
CN112904890A (zh) | 一种电力线路的无人机自动巡检系统及方法 | |
Platt et al. | Comparative analysis of ros-unity3d and ros-gazebo for mobile ground robot simulation | |
CN114333493B (zh) | 驾驶模拟器的人感仿真系统与方法 | |
CN110930811B (zh) | 一种适用于无人驾驶决策学习和训练的系统 | |
CN108154746A (zh) | 一种驾驶模拟实验平台 | |
CN113885484A (zh) | 车辆智能驾驶及adas测试环境模拟装置、系统和测试方法 | |
CN113362667A (zh) | 一种无人机巡检虚拟仿真培训系统及方法 | |
CN114547772A (zh) | 基于自动驾驶模拟器的转向总成设备 | |
CN202352126U (zh) | 基于非接触式传感技术的坦克驾驶模拟器 | |
Zhao et al. | Dynamic parameters identification of a haptic interface for a helicopter flight simulator | |
CN113799772A (zh) | 车辆的控制方法、装置以及控制系统 | |
Salem | Refined models and control solutions for mechatronics design of mobile robotic platforms. | |
CN113778080A (zh) | 单轨双轮机器人的控制方法、装置、电子设备及存储介质 |
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 |