CN114427600A - 一种基于地理信息与机器学习的弯道预见性换挡控制策略 - Google Patents
一种基于地理信息与机器学习的弯道预见性换挡控制策略 Download PDFInfo
- Publication number
- CN114427600A CN114427600A CN202210127566.5A CN202210127566A CN114427600A CN 114427600 A CN114427600 A CN 114427600A CN 202210127566 A CN202210127566 A CN 202210127566A CN 114427600 A CN114427600 A CN 114427600A
- Authority
- CN
- China
- Prior art keywords
- curve
- gear
- predictive
- predicted
- automobile
- 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
- 238000011217 control strategy Methods 0.000 title claims abstract description 20
- 238000010801 machine learning Methods 0.000 title claims abstract description 18
- 230000001133 acceleration Effects 0.000 claims abstract description 51
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims abstract description 22
- 239000013598 vector Substances 0.000 claims description 18
- 230000006399 behavior Effects 0.000 claims description 7
- 230000002650 habitual effect Effects 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 230000005484 gravity Effects 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 description 15
- 238000012706 support-vector machine Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16H—GEARING
- F16H61/00—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing
- F16H61/02—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing characterised by the signals used
- F16H61/0202—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing characterised by the signals used the signals being electric
- F16H61/0204—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing characterised by the signals used the signals being electric for gearshift control, e.g. control functions for performing shifting or generation of shift signal
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16H—GEARING
- F16H61/00—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing
- F16H61/18—Preventing unintentional or unsafe shift, e.g. preventing manual shift from highest gear to reverse gear
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16H—GEARING
- F16H63/00—Control outputs from the control unit to change-speed- or reversing-gearings for conveying rotary motion or to other devices than the final output mechanism
- F16H63/40—Control outputs from the control unit to change-speed- or reversing-gearings for conveying rotary motion or to other devices than the final output mechanism comprising signals other than signals for actuating the final output mechanisms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Control Of Transmission Device (AREA)
Abstract
本发明公开了一种基于地理信息与机器学习的弯道预见性换挡控制策略,包括:在汽车行进过程中,当地理信息系统判断前方存在弯道时:通过BP神经网络和SVM算法择优获得预见性换挡控制开始的预测距离;当距离弯道入口的实际距离≤预测距离时,开始预见性换挡,包括:获取汽车进入弯道前水平行驶的距离、弯道半径、道路附着系数、车速,计算汽车安全通过前方弯道的侧向加速度阈值和最大通过车速;根据最大通过车速,计算通过弯道的预测挡位,并根据弯道信息设定基于车辆安全的自动换挡策略,可实现减小和控制弯道侧向加速度,避免意外换挡和换挡频繁、降低弯道的换挡次数,提高弯道通过的行驶安全性。
Description
技术领域
本发明涉及一种基于地理信息与机器学习的弯道预见性换挡控制策略,属于汽车技术领域。
背景技术
在车辆的弯道行驶中,弯道内侧向加速度超过阈值、弯道内动力中断、意外换挡、换挡频繁等问题极大地影响汽车弯道行驶的安全与舒适。合理的自动变速器的挡位变化可以提高车辆通过的安全性、操纵稳定性和舒适性。
同时,在车辆行驶过程中,前方道路信息是不断变化的,如果考虑道路信息,自动变速器的挡位变化会更加合理。因此自动变速器的换挡控制单元可以根据GPS、GIS等地理信息系统提前预知道路信息,根据汽车状态传感器获取车辆行驶速度、驾驶员油门开度、制动踏板的使用情况,以此确定的自动变速器的目标挡位。当自动变速器的当前挡位和目标挡位不一致时,自动变速器的挡位可以通过预先制定的策略变化至目标挡位,控制车辆行驶中自动变速器的挡位,从而提高车辆行驶安全性。
发明内容
本发明设计开发了一种基于地理信息与机器学习的弯道预见性换挡控制策略,通过BP神经网络和SVM算法获取预见性换挡控制开始的预测距离,确定预见性换挡策略,实现减小和控制弯道侧向加速度,避免意外换挡和换挡频繁、降低弯道的换挡次数,提高弯道通过的行驶安全性。
本发明提供的技术方案为:
一种基于地理信息与机器学习的弯道预见性换挡控制策略,包括:
在汽车行进过程中,当地理信息系统判断前方存在弯道时:
通过BP神经网络和SVM算法对驾驶员操作行为习惯进行预判,获得预见性换挡控制开始的预测距离:
当汽车距离弯道入口的实际距离≤预测距离时,开始预见性换挡,包括:
获取汽车进入弯道前水平行驶的距离、弯道半径、道路附着系数、车速,计算汽车安全通过前方弯道的侧向加速度阈值和弯道通过最大车速,并根据每挡位下的理论最大车速,计算通过弯道的预测挡位;
设定满足每挡位下的理论最大车速≤弯道通过最大车速时对应的最大挡位为预测挡位;
设定当前挡位为i0,预测挡位为ip;
当i0-ip>0时,当前挡位大于预测挡位,则首先限制升挡;
当i0-ip>1时,需要执行越级降挡,随着车速的降低,降挡至相应预测挡位,并在弯道内固定挡位;
当i0-ip≤0时,当前挡位不大于预测挡位,则设置预测挡位为弯道通过过程中的最高挡位,限制当前挡位不得超过该挡位,并在弯道内固定挡位。
优选的是,所述侧向加速度阈值为:
ays=min{ayl,ayt,ayd};
其中,ays为最终侧向加速度阈值;ayl为操纵稳定性加速度阈值;ayt为侧翻阈值;ayd为驾驶员主观选择习惯侧向加速度值阈值。
优选的是,根据当前车速与弯道半径确定操纵稳定性加速度阈值ayl:
ayl1=p1v3+p2v2+p3v+p4
ayl2=q1R3+q2R2+q3R+q4;
ayl=min{ayl1,ayl2}
其中,ayl1为与车速有关的操纵稳定性加速度阈值,p1、p2、p3、p4为拟合系数,v为车速;ayl2为与弯道半径有关的操纵稳定性加速度阈值,q1、q2、q3、q4为拟合系数,R为弯道半径。
优选的是,所述侧翻阈值ayt为:
式中,B为轮距;Rφ为侧倾率;hr为侧倾重心高度;hg为质心高度;β为侧向坡度角,g为重力加速度。
优选的是,所述习惯侧向加速度值ayd为:
ayd=c1R3+c2R2+c3R+c4;
式中,c1、c2、c3、c4为拟合系数,R为弯道半径。
优选的是,所述通过弯道的最大车速为:
式中,Vsmax为弯道通过的最大车速,R为弯道半径。
优选的是,SVM算法包括:
将采集到的弯道半径参数、车速参数、路面附着系数参数作为特征参数,标签距离作为标签数据;
设置SVM参数,选取SVM类型,设置SVM核,确定c、g参数;
输入向量为:p={p1,p2,p3};
输出向量为:t={t1};
其中,p1,p2,p3分别为弯道半径参数、车速参数、路面附着系数参数,分别由弯道半径、车速、路面附着系数进行归一化处理得来,t1反归一化处理后为预见性换挡控制的预测距离标签。
优选的是,所述BP神经网络采用三层结构,包括:
输入层向量为:x={x1,x2,x3};
中间层向量为:y={y1,y2,......,yn};
输出层向量为:o={o1};
其中,x1,x2,x3分别为弯道半径参数、车速参数、路面附着系数参数,分别由弯道半径、车速、路面附着系数进行归一化处理得来,o1反归一化处理后为所预测的驾驶员操作时距弯道的距离。
优选的是,所述通过BP神经网络和SVM算法获得预见性换挡控制开始的预测距离包括:
当SVM算法预测结果大于BP神经网络预测结果时,将SVM算法的预测结果作为最终预测结果;
当SVM算法预测结果不大于BP神经网络预测结果时,将BP神经网络预测结果与修正距离相加得到最终预测结果。
本发明所述的有益效果:本发明提供的基于地理信息与机器学习的弯道预见性换挡控制策略,针对预见性巡航中的弯道工况,根据地理信息系统提供的弯道半径、道路附着系数、距弯道距离等信息,设定基于车辆安全的自动换挡控制策略,同时通过两种机器学习算法对驾驶员特殊路况前的行为习惯进行预测,确定预见性换挡控制的预测距离以提高控制效果,实现弯道的入弯过程、过弯过程、出弯过程的挡位预见性自动控制,从而实现减小和控制弯道侧向加速度,避免意外换挡和换挡频繁、降低弯道的换挡次数,在保证弯道车辆动力性和经济性的基础上,提高弯道通过的行驶安全性。
附图说明
图1为本发明所述预见性弯道控制策略的流程图。
图2为本发明所述支持向量机与BP神经网络择优策略流程图。
图3为本发明所述有无预见性换挡策略的弯道车速和挡位对比图。
具体实施方式
下面结合附图对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
如图1-3所示,本发明提供一种基于地理信息与机器学习的弯道预见性换挡控制策略,根据最大通过车速,计算通过弯道的预测挡位,并根据弯道信息设定基于车辆安全的自动换挡策略,可实现减小和控制弯道侧向加速度,避免意外换挡和换挡频繁、降低弯道的换挡次数,提高弯道通过的行驶安全性,包括:
在汽车行进过程中,当前方存在弯道时:
通过BP神经网络和SVM算法择优获得预见性换挡控制开始的预测距离:
当汽车距离弯道入口的实际距离≤预测距离时,开始预见性换挡,包括:
获取汽车进入弯道前水平行驶的距离、弯道半径、道路附着系数、车速,计算汽车安全通过前方弯道的侧向加速度阈值和弯道通过最大车速,并根据每挡位下的理论最大车速,计算通过弯道的预测挡位;
设定满足每挡位下的理论最大车速≤弯道通过最大车速时对应的最大挡位为预测挡位;
设定当前挡位为i0,预测挡位为ip;
当i0-ip>0时,当前挡位大于预测挡位,则首先限制升挡;
当i0-ip>1时,需要执行越级降挡,随着车速的降低,降挡至相应预测挡位,并在弯道内固定挡位;
当i0-ip≤0时,当前挡位不大于预测挡位,则设置预测挡位为弯道通过过程中的最高挡位,限制当前挡位不得超过该挡位,并在弯道内固定挡位。
采用支持向量机和BP神经网络预测驾驶员操作习惯以确定预见性换挡控制的预测距离,其操作行为习惯数据在弯道工况可以包括弯道半径、车速、路面附着系数、操作时距弯道入口的距离等。两算法分别预测后通过择优策略确定最终预测结果。
通过弯道的预测挡位为每挡位下理论最大车速不超过该弯道通过的最大车速的最高挡位,以获得最大安全收益,每挡位下理论最大车速由车速公式获得:
其中,uamax为车速,nmax为发动机最大转速,ig为变速器传动比,i0为主减速器传动比,r为车轮半径。
越级降挡的最大可越级降挡挡位数通过各挡位之间传动比比值q确定,估算换挡点发动机平均转速以此确定多级降挡的发动机转速工作范围,可保证发动机运行在经济转速区间的多级换挡数即为最大可越级降挡挡位数。
侧向加速度阈值由三部分侧向加速度计算值或经验值取最小值获得,分别是汽车保证操纵稳定性加速度阈值、汽车侧翻阈值、驾驶员主观选择习惯侧向加速度值。
ays=min{ayl,ayt,ayd};
其中,ays为最终侧向加速度;ayl为操纵稳定性加速度阈值;ayt为侧翻阈值;ayd为驾驶员主观选择习惯侧向加速度值;
1)操纵稳定性加速度阈值ayl,由线性单轨车辆的转向稳态响应的中性转向侧向加速度获得。汽车线性单轨车辆模型:
其中,k1、k2为前后轮侧偏刚度;u为汽车质心车速在x方向上的分量;β为汽车侧偏角;δ为前轮转向角;a、b分别为质心到前后轴的距离;ωr为汽车横摆角速度;Iz为汽车绕z轴的转动惯量。
车辆操纵稳定性的转向稳态响应常用横摆角速度增益作为评价指标,其定义为汽车横摆角速度与前轮转角之比,可表示为:
稳定性因数K与侧偏角之差(α1-α2)的关系:
考虑汽车轮胎侧偏刚度为非线性情况,作线性单轨车辆模型转向角、转向半径、车速、和加速度的关系图,得出不同车辆速度与转向半径下的中性点(K=0)数据,记录并分别进行三次拟合,由此根据当前车速与弯道半径确定操纵稳定性加速度阈值ayl。
ayl1=p1v3+p2v2+p3v+p4
ayl2=q1R3+q2R2+q3R+q4
ayl=min{ayl1,ayl2}
其中,ayl1为与车速有关的操纵稳定性加速度阈值,p1、p2、p3、p4为拟合系数,v为车速;ayl2为与弯道半径有关的操纵稳定性加速度阈值,q1、q2、q3、q4为拟合系数,R为弯道半径;
2)侧翻阈值ayt,以汽车的准静态侧翻为基准,考虑悬架的影响。
其中,B为轮距;Rφ为侧倾率;hr为侧倾重心高度;hg为质心高度;β为侧向坡度角。
3)驾驶员主观选择习惯侧向加速度值ayd,通过记录驾驶员不同弯道半径通过时选择的侧向加速度值,可拟合为关于弯道半径与侧向加速度值的三次曲线:
ayd=c1R3+c2R2+c3R+c4;
其中,c1、c2、c3、c4为拟合系数,R为弯道半径。
随后计算弯道通过的最大车速:
其中,Vsmax为弯道通过的最大车速,R为弯道半径
支持向量机预测所需的行为习惯数据—驾驶员操作时距弯道入口的距离,根据支持向量机的预测数据特征,需要整理成数据标签形式,以便训练与预测。结合策略与车辆驾驶特征,采用恰当的数据间隔,如:将数据标签设置为,若驾驶员操作时距弯道入口的距离为0-50m,则数据标签为50m;若驾驶员操作时距弯道入口的距离为50m-100m,则数据标签为100m;若驾驶员操作时距弯道入口的距离为100m-150m,则数据标签为150m,以此类推。所预测输出结果可直接作为预测距离。
使用的支持向量机SVM算法,在采集到的数据中,将车辆状态参数与道路参数作为特征参数,标签距离作为标签数据,以便SVM预测后直接输出预见性换挡控制的预测距离。
设置SVM模型的主要参数,选取SVM类型,设置SVM核,确定c、g参数。
输入向量p={p1,p2,p3},其中,p1,p2,p3分别为弯道半径参数、车速参数、路面附着系数参数,分别由弯道半径、车速、路面附着系数进行归一化处理得来。最后得到输出向量t={t1},其中t1反归一化处理后为预见性换挡控制的预测距离标签。
使用的BP神经网络采用三层结构,输入层向量x={x1,x2,x3},弯道时,其中x1,x2,x3分别为弯道半径参数、车速参数、路面附着系数参数,分别由弯道半径、车速、路面附着系数进行归一化处理得来。将所述输入层向量映射到中间层,中间层向量为y={y1,y2,......,yn},其中n为节点个数。最后得到输出层向量o={o1},其中o1反归一化处理后为所预测的驾驶员操作时距弯道的距离。
择优策略是判断支持向量机预测结果是否大于BP神经网络预测结果。若是,则将支持向量机预测结果作为最终预测结果,否则将BP神经网络预测结果与修正距离相加得到最终预测结果。
在本发明中,作为一种优选,车速与修正距离的关系为:
当车速v<30时,修正距离为10m;
当车速v=30-60km/h时,修正距离为20m;
当车速v>60km/h时,修正距离为30m。
表1重型商用车整车参数
表2 16速变速器挡位与传动比
表3修正距离
实施例
步骤1:地理信息系统判断车辆前方有弯道。
步骤2:获取汽车进入弯道前水平行驶的距离(动态变化)、弯道半径为150m、道路附着系数为0.85、车速为80km/h。
步骤3:根据预先记录的驾驶员在弯道前的操作行为习惯数据,进行操作支持向量机与BP神经网络的数据集训练。
弯道半径为150m,车速为80km/h、道路附着系数为0.85,进行归一化处理后,支持向量机在此次预测中输入向量为p={0.3333,0.7761,1},支持向量机预测结果为150m;
BP神经网络在此次预测中输入向量为x={0.3333,0.7761,1},BP神经网络预测结果为136.63m。
根据图2所示择优策略确定预见性换挡控制预测距离为150m,即距弯道150m时介入预见性换挡控制策略。
步骤4:根据前述地理信息系统获取的数据以及汽车状态传感器获取的汽车状态数据,计算汽车安全通过前方弯道的侧向加速度阈值,并根据此侧向加速度阈值计算该弯道通过的最大车速。所述侧向加速度阈值由三部分侧向加速度计算值或经验值取最小值获得,分别是汽车保证操纵稳定性加速度阈值、汽车侧翻侧向加速度阈值、驾驶员主观选择习惯侧向加速度值。
ays=min{ayl,ayt,ayd}
其中,ays为最终侧向加速度;ayl操纵稳定性加速度阈值;ayt为侧翻阈值;ayd为驾驶员耐受侧向加速度阈值;
ayl操纵稳定性加速度阈值,在拟合曲线上获得,为0.41m/s2。
ayt为侧翻阈值,经计算
侧翻阈值为0.37m/s2。
ayd为驾驶员主观选择习惯侧向加速度值,根据拟合曲线公式
计算得ayd为0.44m/s2
最终计算得ays为0.37m/s2。
其中,Vsmax为弯道通过的最大车速,R为弯道半径。
计算得Vsmax为88.86m/s。
步骤5:计算汽车每挡位下理论最大车速,以获取汽车弯道通过的预测挡位,所述弯道通过预测挡位为每挡位下理论最大车速不超过该弯道通过的最大车速的最高挡位,以获得最大安全收益。所述每挡位下理论最大车速由车速公式获得。
本实施例中,在弯道通过的最大车速附近Vsmax的挡位中,14挡最高车速为69.02km/h,15挡最高车速为81.68km/h,16挡最高车速为98.01km/h。
对比得到预测挡位为15挡。
步骤6:获取自动变速器各挡位的基础换挡曲线数据,所述基础换挡曲线数据由变速器控制器内置的基础换挡逻辑获取;
步骤7:判断当前挡位与预测挡位的关系。判断当前挡位与预测挡位的关系。当前挡位为i0,预测挡位为ip。
当i0-ip>0,当前挡位大于预测挡位,首先限制升挡;
当i0-ip>1时判断是否需要执行越级降挡,最后随着车速降低降挡至目标挡位并固定;
当i0-ip≤0,当前挡位不大于预测挡位,则设置预测挡位为弯道通过过程中的最高挡位,限制挡位不得超过最最高挡位,弯道内固定挡位。
判断最大可越级降挡挡位数,本实施例中,发动机转速经济区间在700-1400rpm,变速器相邻两挡位之间传动比的比值q为1.21,越两级换挡时换挡前后转速区间为990-1450rpm,大致位于经济区间,所以最大可越级降挡挡位数为2,本实施例中判断无需越级降挡。
当前挡位i0为15挡,不大于预测挡位ip为15挡。
设置15挡为弯道通过过程中的最高挡位,限制挡位不得超过最最高挡位,弯道内固定挡位。
步骤8:通过地理信息系统信号判断弯道的整个过程结束,即当前时刻地理信息系统参数显示汽车已经驶出弯道,弯道的整个过程结束;
如图3所示,与无预见性换挡时对比,可见在驾驶员松开油门并制动时有预见性换挡时避免了一次意外换挡,减少了一次升降挡过程,减少换挡次数,避免了弯道内的动力中断,提高了汽车的弯道行驶的安全性。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
Claims (9)
1.一种基于地理信息与机器学习的弯道预见性换挡控制策略,其特征在于,包括:
在汽车行进过程中,当地理信息系统判断前方存在弯道时:
通过BP神经网络和SVM算法对驾驶员操作行为习惯进行预判,获得预见性换挡控制开始的预测距离:
当汽车距离弯道入口的实际距离≤预测距离时,开始预见性换挡,包括:
获取汽车进入弯道前水平行驶的距离、弯道半径、道路附着系数、车速,计算汽车安全通过前方弯道的侧向加速度阈值和弯道通过最大车速,并根据每挡位下的理论最大车速,计算通过弯道的预测挡位;
设定满足每挡位下的理论最大车速≤弯道通过最大车速时对应的最大挡位为预测挡位;
设定当前挡位为i0,预测挡位为ip;
当i0-ip>0时,当前挡位大于预测挡位,则首先限制升挡;
当i0-ip>1时,需要执行越级降挡,随着车速的降低,降挡至相应预测挡位,并在弯道内固定挡位;
当i0-ip≤0时,当前挡位不大于预测挡位,则设置预测挡位为弯道通过过程中的最高挡位,限制当前挡位不得超过该挡位,并在弯道内固定挡位。
2.根据权利要求1所述的基于地理信息与机器学习的弯道预见性换挡控制策略,其特征在于,所述侧向加速度阈值为:
ays=min{ayl,ayt,ayd};
其中,ays为最终侧向加速度阈值;ayl为操纵稳定性加速度阈值;ayt为侧翻阈值;ayd为驾驶员主观选择习惯侧向加速度值阈值。
3.根据权利要求2所述的基于地理信息与机器学习的弯道预见性换挡控制策略,其特征在于,根据当前车速与弯道半径确定操纵稳定性加速度阈值ayl:
ayl1=p1v3+p2v2+p3v+p4
ayl2=q1R3+q2R2+q3R+q4;
ayl=min{ayl1,ayl2}
其中,ayl1为与车速有关的操纵稳定性加速度阈值,p1、p2、p3、p4为拟合系数,v为车速;ayl2为与弯道半径有关的操纵稳定性加速度阈值,q1、q2、q3、q4为拟合系数,R为弯道半径。
5.根据权利要求4所述的基于地理信息与机器学习的弯道预见性换挡控制策略,其特征在于,所述习惯侧向加速度值ayd为:
ayd=c1R3+c2R2+c3R+c4;
式中,c1、c2、c3、c4为拟合系数,R为弯道半径。
7.根据权利要求6所述的基于地理信息与机器学习的弯道预见性换挡控制策略,其特征在于,SVM算法包括:
将采集到的弯道半径参数、车速参数、路面附着系数参数作为特征参数,标签距离作为标签数据;
设置SVM参数,选取SVM类型,设置SVM核,确定c、g参数;
输入向量为:p={p1,p2,p3};
输出向量为:t={t1};
其中,p1,p2,p3分别为弯道半径参数、车速参数、路面附着系数参数,分别由弯道半径、车速、路面附着系数进行归一化处理得来,t1反归一化处理后为预见性换挡控制的预测距离标签。
8.根据权利要求7所述的基于地理信息与机器学习的弯道预见性换挡控制策略,其特征在于,所述BP神经网络采用三层结构,包括:
输入层向量为:x={x1,x2,x3};
中间层向量为:y={y1,y2,......,yn};
输出层向量为:o={o1};
其中,x1,x2,x3分别为弯道半径参数、车速参数、路面附着系数参数,分别由弯道半径、车速、路面附着系数进行归一化处理得来,o1反归一化处理后为所预测的驾驶员操作时距弯道的距离。
9.根据权利要求8所述的基于地理信息与机器学习的弯道预见性换挡控制策略,其特征在于,所述通过BP神经网络和SVM算法获得预见性换挡控制开始的预测距离包括:
当SVM算法预测结果大于BP神经网络预测结果时,将SVM算法的预测结果作为最终预测结果;
当SVM算法预测结果不大于BP神经网络预测结果时,将BP神经网络预测结果与修正距离相加得到最终预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210127566.5A CN114427600B (zh) | 2022-02-11 | 2022-02-11 | 一种基于地理信息与机器学习的弯道预见性换挡控制策略 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210127566.5A CN114427600B (zh) | 2022-02-11 | 2022-02-11 | 一种基于地理信息与机器学习的弯道预见性换挡控制策略 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114427600A true CN114427600A (zh) | 2022-05-03 |
CN114427600B CN114427600B (zh) | 2023-08-08 |
Family
ID=81312921
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210127566.5A Active CN114427600B (zh) | 2022-02-11 | 2022-02-11 | 一种基于地理信息与机器学习的弯道预见性换挡控制策略 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114427600B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08194891A (ja) * | 1995-01-20 | 1996-07-30 | Mitsubishi Motors Corp | 自動車の前方道路状況対応制御装置 |
JPH10269498A (ja) * | 1997-03-26 | 1998-10-09 | Mitsubishi Motors Corp | 車両の車速制御装置 |
CN102753865A (zh) * | 2010-02-12 | 2012-10-24 | 腓特烈斯港齿轮工厂股份公司 | 用于在包括自动变速器的汽车中在驶入弯道之前确定和切换优化挡位的方法 |
CN108622105A (zh) * | 2018-04-16 | 2018-10-09 | 吉林大学 | 基于多元回归分析的车辆弯道安全车速预测及预警系统 |
CN108860138A (zh) * | 2018-04-28 | 2018-11-23 | 交通运输部公路科学研究所 | 一种基于lte-v的弯道车速自动控制方法 |
-
2022
- 2022-02-11 CN CN202210127566.5A patent/CN114427600B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08194891A (ja) * | 1995-01-20 | 1996-07-30 | Mitsubishi Motors Corp | 自動車の前方道路状況対応制御装置 |
JPH10269498A (ja) * | 1997-03-26 | 1998-10-09 | Mitsubishi Motors Corp | 車両の車速制御装置 |
CN102753865A (zh) * | 2010-02-12 | 2012-10-24 | 腓特烈斯港齿轮工厂股份公司 | 用于在包括自动变速器的汽车中在驶入弯道之前确定和切换优化挡位的方法 |
CN108622105A (zh) * | 2018-04-16 | 2018-10-09 | 吉林大学 | 基于多元回归分析的车辆弯道安全车速预测及预警系统 |
CN108860138A (zh) * | 2018-04-28 | 2018-11-23 | 交通运输部公路科学研究所 | 一种基于lte-v的弯道车速自动控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114427600B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR100781102B1 (ko) | 차량의 감속 제어 장치 | |
EP2440440B1 (en) | Method and module for determining of reference values for a vehicle control system | |
US11072329B2 (en) | Ground vehicle control techniques | |
US7957877B2 (en) | Curving tendency detection device in vehicle, and vehicle response control apparatus using same | |
EP2440421B1 (en) | Method and module for controlling a velocity of a vehicle | |
JP5497598B2 (ja) | 車両制御装置 | |
KR101601889B1 (ko) | 규칙 및/또는 비용에 기초하여 차량 속도를 제어하기 위한 방법 및 모듈 | |
EP2440422B1 (en) | Module in a vehicle control system | |
CN101712320B (zh) | 车辆的速度控制装置 | |
KR101607248B1 (ko) | 규칙 및/또는 비용에 기초하여 차량의 속도를 제어하기 위한 방법 및 모듈 | |
CN102770322B (zh) | 车辆控制系统 | |
EP2106936A1 (en) | Adaptive suspension control for a motor vehicle | |
CN109080500B (zh) | 一种分布式驱动越野车辆的自适应驻车与辅助起步控制方法 | |
EP2440420B1 (en) | Module for determining of reference values for a vehicle control system | |
US20150217766A1 (en) | Speed control system and method of operating the same | |
CN101163618A (zh) | 驱动力控制设备和驱动力控制方法 | |
CN101432176A (zh) | 用于车辆的驱动力控制装置及方法 | |
EP2555941A1 (en) | A module and a method pertaining to mode choice when determining vehicle speed set-point values | |
US20190375394A1 (en) | Ground Vehicle Control Techniques | |
US20230049927A1 (en) | Autonomous Drive Function Which Takes Driver Interventions into Consideration for a Motor Vehicle | |
CN114412988B (zh) | 一种基于道路信息与机器学习的上坡预见性换挡控制方法 | |
US20230026018A1 (en) | MPC-Based Autonomous Drive Function of a Motor Vehicle | |
US20220371450A1 (en) | Model-Based Predictive Regulation of an Electric Machine in a Drivetrain of a Motor Vehicle | |
CN114427600B (zh) | 一种基于地理信息与机器学习的弯道预见性换挡控制策略 | |
JP4557589B2 (ja) | 車両の減速制御装置および車両 |
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 |