CN114520777B - 时滞辨识方法及装置、计算机可读存储介质、终端 - Google Patents

时滞辨识方法及装置、计算机可读存储介质、终端 Download PDF

Info

Publication number
CN114520777B
CN114520777B CN202111624920.7A CN202111624920A CN114520777B CN 114520777 B CN114520777 B CN 114520777B CN 202111624920 A CN202111624920 A CN 202111624920A CN 114520777 B CN114520777 B CN 114520777B
Authority
CN
China
Prior art keywords
time
frequency domain
frequency
lag
historical
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
CN202111624920.7A
Other languages
English (en)
Other versions
CN114520777A (zh
Inventor
黄超
黎罗河
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 Xiantu Intelligent Technology Co Ltd
Original Assignee
Shanghai Xiantu Intelligent Technology Co Ltd
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 Xiantu Intelligent Technology Co Ltd filed Critical Shanghai Xiantu Intelligent Technology Co Ltd
Priority to CN202111624920.7A priority Critical patent/CN114520777B/zh
Publication of CN114520777A publication Critical patent/CN114520777A/zh
Application granted granted Critical
Publication of CN114520777B publication Critical patent/CN114520777B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G06F17/13—Differential equations
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H04L43/0852—Delays
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Algebra (AREA)
  • Theoretical Computer Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • Medical Informatics (AREA)
  • Operations Research (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Steering Control In Accordance With Driving Conditions (AREA)

Abstract

一种时滞辨识方法及装置、计算机可读存储介质、终端，方法包括：在时域对历史数据进行时滞辨识，以确定历史时域时滞参数，其中，所述历史数据包含过去第一预设时长内的方向盘转角的采样数据和前轮转角的采样数据；将所述历史数据转换至频域得到历史频域数据，并进行时滞辨识，以确定历史频域时滞参数；根据所述历史时域时滞参数和历史频域时滞参数的差值，确定截断频率；确定当前频域数据，去除当前频域数据中频率高于所述截断频率的频域数据，然后进行时滞辨识，以确定实时频域时滞参数，其中，所述当前频域数据包含当前方向盘转角的频域响应和前轮转角的频域响应。本发明可以提高后续时滞辨识的准确性。

Description

时滞辨识方法及装置、计算机可读存储介质、终端
技术领域
本发明涉及数字信号处理技术领域，尤其涉及一种时滞辨识方法及装置、计算机可读存储介质、终端。
背景技术
自动驾驶技术被认为是未来解决交通拥堵问题，提高交通安全性的重要手段，其对社会、驾驶员和行人均有益处。自动驾驶车辆的行驶模式可以更加节能高效，有助于减弱交通拥堵及对空气的污染，因此在近年来，自动驾驶技术发展势头迅猛，得到广泛重视。
在车辆控制系统中，时滞现象是一种广泛存在于各种控制系统中的现象。时滞的存在会导致车辆无法及时响应控制器的输出，从而产生明显的超调，甚至导致事故的发生。一些车辆如清扫车、SUV、客车等由于具有质心位置偏高、质量和体积相对较大、轮距相对过窄等特点，时滞现象会带来更大影响。以商用清扫车为例，由于其底盘本身的结构特性以及线控系统的传输时滞，在进行横向控制时通常存在较大的控制输出延迟。
具体地，在现有的控制系统中，常用的一种时滞补偿方法是将时滞视为扰动进行补偿处理，然而上述方法仅能够保证控制系统的稳定性，无法保证被控系统的性能。因此在另一种时滞补偿方法中，还可以对系统时滞进行辨识，并将辨识结果代入系统控制模型进行控制设计。
然而在现有的时滞辨识方法中，系统时滞辨识的结果噪声过大，准确性不足，导致时滞补偿结果不能满足用户需求。
发明内容
本发明解决的技术问题是提供一种时滞辨识方法及装置、计算机可读存储介质、终端，可以提高后续时滞辨识的准确性，并且计算量较小，能够满足时变时滞参数实时辨识的用户需求。
为解决上述技术问题，本发明实施例提供一种时滞辨识方法，包括：在时域对历史数据进行时滞辨识，以确定历史时域时滞参数，其中，所述历史数据包含过去第一预设时长内的方向盘转角的采样数据和前轮转角的采样数据；将所述历史数据转换至频域得到历史频域数据，并进行时滞辨识，以确定历史频域时滞参数；根据所述历史时域时滞参数和历史频域时滞参数的差值，确定截断频率；确定当前频域数据，去除当前频域数据中频率高于所述截断频率的频域数据，然后进行时滞辨识，以确定实时频域时滞参数，其中，所述当前频域数据包含当前方向盘转角的频域响应和前轮转角的频域响应。
可选的，根据所述历史时域时滞参数和历史频域时滞参数的差值，确定截断频率包括：确定所述截断频率的初始值；去除所述历史频域数据中频率高于所述截断频率的部分数据后，进行时滞辨识以确定截后频域时滞参数；如果所述历史时域时滞参数和所述截后频域时滞参数的差值大于等于预设时滞参数阈值，则减小所述截断频率；每当减小所述截断频率后，均在去除所述历史频域数据中频率高于所述截断频率的部分数据后，再次进行时滞辨识以确定截后频域时滞参数，直至所述历史时域时滞参数和所述截后频域时滞参数的差值小于等于预设时滞参数阈值。
可选的，确定所述截断频率的初始值包括：确定所述方向盘转角的采样频率和所述前轮转角的采样频率；采用所述方向盘转角的采样频率和所述前轮转角的采样频率中的较大者作为所述截断频率的初始值。
可选的，所述在时域对历史数据进行时滞辨识，以确定历史时域时滞参数包括：根据所述过去第一预设时长内的方向盘转角的采样数据，生成所述方向盘转角的时域函数；提取在所述过去第一预设时长内的多个前轮转角的采样数据对，每个采样数据对包含相邻采样时刻的前轮转角数据；基于所述方向盘转角的时域函数以及所述前轮转角的采样数据对，确定实际前轮转角值与理论前轮转角值的差值；根据所述差值，采用第一损失函数确定所述历史时域时滞参数。
可选的，基于所述方向盘转角的时域函数以及所述前轮转角的采样数据对，采用下述公式，确定实际前轮转角值与理论前轮转角值的差值：
其中，用于表示前轮转角的变化速率，τ1用于表示一阶时滞的时间常数，τ2用于表示纯时滞的时长,u(t)用于表示过去第一预设时长内方向盘转角的时域函数，x(t)用于表示过去第一预设时长内前轮转角的时域函数，/>用于表示时刻a+1的理论前轮转角值，[xa,xa+1]用于表示时刻a和时刻a+1的前轮转角的采样数据对，xa用于表示时刻a的实际前轮转角值，ta用于表示时刻a，ta+1用于表示时刻a+1，xa+1用于表示时刻a+1的实际前轮转角值，ei用于表示实际前轮转角值与理论前轮转角值的差值。
可选的，根据所述差值，采用第一损失函数确定所述历史时域时滞参数包括：采用下述公式确定所述第一损失函数：
最小化所述第一损失函数F1，直至达到预设的第一结束条件，确定τ1和τ2；其中，N用于表示提取的前轮转角的采样数据对的数量，i用于表示提取的前轮转角的采样数据对的编号。
可选的，所述预设的第一结束条件选自以下一项或多项：最大迭代次数，损失函数阈值、相邻两次最小化所述第一损失函数之间的损失函数差值的阈值。
可选的，将所述历史数据转换至频域得到历史频域数据，并进行时滞辨识，以确定历史频域时滞参数包括：对过去第一预设时长内的所述方向盘转角的采样数据进行快速傅里叶变换，得到所述方向盘转角的频域响应，以及对过去第一预设时长内的所述前轮转角的采样数据进行快速傅里叶变换，得到所述前轮转角的频域响应；根据所述方向盘转角的频域响应以及所述前轮转角的频域响应，采用第二损失函数确定所述历史频域时滞参数。
可选的，根据所述方向盘转角的频域响应以及所述前轮转角的频域响应，采用第二损失函数确定所述历史频域时滞参数包括：采用下述公式确定所述第二损失函数：
最小化所述第二损失函数F2，直至达到预设的第二结束条件，确定τ1和τ2；其中，τ1用于表示一阶时滞的时间常数，τ2用于表示纯时滞的时长，f(w)用于表示所述方向盘转角的频域响应，y(w)用于表示所述前轮转角的频域响应，w用于表示频率，j用于表示复数。
可选的，所述预设的第二结束条件选自以下一项或多项：最大迭代次数、损失函数阈值、相邻两次最小化所述第二损失函数之间的损失函数差值的阈值。
可选的，所述确定当前频域数据，去除当前频域数据中频率高于所述截断频率的频域数据，然后进行时滞辨识，以确定实时频域时滞参数包括：对所述方向盘转角当前的采样数据进行快速傅里叶变换，得到所述当前方向盘转角的频域响应，以及对所述前轮转角当前的采样数据进行快速傅里叶变换，得到所述当前前轮转角的频域响应；去除当前方向盘转角的频域响应中频率高于所述截断频率的频域响应，以及去除当前前轮转角的频域响应中频率高于所述截断频率的频域响应，以得到所述方向盘转角的去噪频域响应以及所述前轮转角的去噪频域响应；根据所述方向盘转角的去噪频域响应以及所述前轮转角的去噪频域响应，采用第三损失函数确定所述实时频域时滞参数。
可选的，根据所述方向盘转角的去噪频域响应以及所述前轮转角的去噪频域响应，采用第三损失函数确定所述实时频域时滞参数包括：采用下述公式确定所述第三损失函数：
最小化所述第三损失函数F3，直至达到预设的第三结束条件，确定τ1和τ2；其中，τ1用于表示一阶时滞的时间常数，τ2用于表示纯时滞的时长，f’(w)用于表示所述方向盘转角的去噪频域响应，y’(w)用于表示所述前轮转角的去噪频域响应，w用于表示频率，j用于表示复数。
可选的，所述预设的第三结束条件选自以下一项或多项：最大迭代次数、损失函数阈值、相邻两次最小化所述第三损失函数之间的损失函数差值的阈值。
可选的，采用所述实时频域时滞参数进行时滞补偿包括：输出所述实时频域时滞参数至模型预测控制MPC模块，采用所述MPC模块进行时滞补偿。
为解决上述技术问题，本发明实施例提供一种时滞辨识装置，包括：时域辨识模块，用于在时域对历史数据进行时滞辨识，以确定历史时域时滞参数，其中，所述历史数据包含过去第一预设时长内的方向盘转角的采样数据和前轮转角的采样数据；历史频域辨识模块，用于将所述历史数据转换至频域得到历史频域数据，并进行时滞辨识，以确定历史频域时滞参数；截断频率确定模块，用于根据所述历史时域时滞参数和历史频域时滞参数的差值，确定截断频率；当前频域辨识模块，用于确定当前频域数据，去除当前频域数据中频率高于所述截断频率的频域数据，然后进行时滞辨识，以确定实时频域时滞参数，其中，所述当前频域数据包含当前方向盘转角的频域响应和前轮转角的频域响应。
为解决上述技术问题，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器运行时执行上述时滞辨识方法的步骤。
为解决上述技术问题，本发明实施例提供一种终端，包括存储器和处理器，所述存储器上存储有能够在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行上述时滞辨识方法的步骤。
与现有技术相比，本发明实施例的技术方案具有以下有益效果：
在本发明实施例的具体实施中，先利用历史数据分别在时域和频域进行时滞辨识，以确定历史时域时滞参数和历史频域时滞参数，进而确定截断频率，从而基于截断频率对当前数据进行有效去噪，从而有效去除高频噪声的干扰，提高后续时滞辨识的准确性，并且计算量较小，能够满足时变时滞参数实时辨识的用户需求。
进一步，如果所述历史时域时滞参数和所述截后频域时滞参数的差值大于等于预设时滞参数阈值，则减小所述截断频率，每当减小所述截断频率后，均在去除所述历史频域数据中频率高于所述截断频率的部分数据后，再次进行时滞辨识以确定截后频域时滞参数，直至所述历史时域时滞参数和所述截后频域时滞参数的差值小于等于预设时滞参数阈值。采用本发明实施例的方案，可以利用历史数据，通过离线辨识所获得的先验知识确定适当的截断频率，以在后续对实时数据进行时滞辨识时去除高频噪声。具体地，经过时滞辨识、减小截断频率、对历史频域数据截频去噪、再次时滞辨识、再次减小截断频率……等多轮判断，能够基于历史数据确定合适的截频去噪的频率节点，从而应用于后续的实时数据，从而采用离线辨识所获得的先验数据作为在线辨识的数据，有效提升在线辨识的准确性，并有利于提升在线辨识的优化效率。
进一步，采用所述方向盘转角的采样频率和所述前轮转角的采样频率中的较大者作为所述截断频率的初始值，可以采用较大的频率作为初始值，保证初始值大于截频去噪的频率节点。
进一步，在确定历史时域时滞参数的过程中，提取在所述过去第一预设时长内的多个前轮转角的采样数据对，每个采样数据对包含相邻采样时刻的前轮转角数据，相比于现有技术中基于单一长时间采样的数据，采用系统微分方程积分与最小二乘结合的时滞辨识方法，可以在保证纯时滞与一阶时滞的时滞参数辨识的准确性、鲁棒性的同时，采用时刻a和时刻a+1的前轮转角，提升时滞辨识的灵活性。
附图说明
图1是本发明实施例中一种时滞辨识方法的流程图；
图2是图1中步骤S11的一种具体实施方式的流程图；
图3是图1中步骤S12的一种具体实施方式的流程图；
图4是图1中步骤S13的一种具体实施方式的流程图；
图5是图1中步骤S14的一种具体实施方式的流程图；
图6是本发明实施例中一种时滞辨识装置的结构示意图。
具体实施方式
在现有的时滞辨识方法中，系统时滞辨识的结果噪声过大，准确性不足，导致时滞补偿结果不能满足用户需求。
具体地，在现有的时滞辨识方法中，可以在时域采用系统微分方程积分与最小二乘结合的时滞辨识方法辨识出系统的时滞参数。在频域内，根据系统控制输入与输出在频域的响应求出系统的传递函数并以此推导出系统的时滞参数。
本发明的发明人经过研究发现，在现有技术中，由于频域内辨识结果容易受到噪声的影响，尤其是高频噪声的干扰，导致辨识精度较低，无法直接运用于车辆的横向控制。
在本发明实施例的具体实施中，先利用历史数据分别在时域和频域进行时滞辨识，以确定历史时域时滞参数和历史频域时滞参数，进而确定截断频率，从而基于截断频率对当前数据进行有效去噪，从而有效去除高频噪声的干扰，提高后续时滞辨识的准确性，并且计算量较小，能够满足时变时滞参数实时辨识的用户需求。
为使本发明的上述目的、特征和有益效果能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
参照图1，图1是本发明实施例中一种时滞辨识方法的流程图。所述时滞辨识方法可以包括步骤S11至步骤S14：
步骤S11：在时域对历史数据进行时滞辨识，以确定历史时域时滞参数，其中，所述历史数据包含过去第一预设时长内的方向盘转角的采样数据和前轮转角的采样数据；
步骤S12：将所述历史数据转换至频域得到历史频域数据，并进行时滞辨识，以确定历史频域时滞参数；
步骤S13：根据所述历史时域时滞参数和历史频域时滞参数的差值，确定截断频率；
步骤S14：确定当前频域数据，去除当前频域数据中频率高于所述截断频率的频域数据，然后进行时滞辨识，以确定实时频域时滞参数，其中，所述当前频域数据包含当前方向盘转角的频域响应和前轮转角的频域响应。
在步骤S11的具体实施中，可以先利用历史数据在时域进行时滞辨识，以确定历史时域时滞参数。
其中，可以采用传感器与方向盘直接或间接连接，以对方向盘的控制输入情况进行检测，从而得到方向盘转角的采样数据；可以采用传感器与前轮直接或间接连接，以对前轮转角的控制输入情况进行检测，从而得到前轮转角的采样数据。
可以理解的是，所述第一预设时长不应当过短，以免通过离线辨识所获得的先验数据为短期数据而不具有代表性，所述第一预设时长不应当过长，以免在车况老化、磨损或维修之前的数据也被用于判断而导致误判。
作为一个非限制性的例子，可以设置第一预设时长为1天至100天，例如可以设置为1周至2周，如10天。
参照图2，图2是图1中步骤S11的一种具体实施方式的流程图。所述在时域对历史数据进行时滞辨识，以确定历史时域时滞参数的步骤可以包括步骤S21至步骤S24，以下对各个步骤进行说明。
在步骤S21中，根据所述过去第一预设时长内的方向盘转角的采样数据，生成所述方向盘转角的时域函数。
具体地，在根据方向盘控制输入的历史数据与其对应的时间戳，生成方向盘的输入函数u(t)。
可以理解的是，由于所获的历史数据通常为离散数据点，因此需要对数据点进行插值以获得函数。插值方式包括但不限于：零阶保持，线性插值以及样条曲线插值。
在步骤S22中，提取在所述过去第一预设时长内的多个前轮转角的采样数据对，每个采样数据对包含相邻采样时刻的前轮转角数据。
具体地，可以从前轮转角历史数据X＝[x1,...,xt,xt+1,...,xn]抽取出多组相邻时刻的数据对Xs＝[[xa,xa+1],[xb,xb+1],...],其中xa是a时刻的前轮转角观测值，xa+1是a+1时刻的前轮转角观测值。数据对的抽取方式可以根据辨识的要求不同而改变，默认采用的抽取方式是从历史数据X中随机抽取。
在本发明实施例中，在确定历史时域时滞参数的过程中，提取在所述过去第一预设时长内的多个前轮转角的采样数据对，每个采样数据对包含相邻采样时刻的前轮转角数据，相比于现有技术中基于单一长时间采样的数据，采用系统微分方程积分与最小二乘结合的时滞辨识方法，可以避开一些不理想的数据区域，在保证纯时滞与一阶时滞的时滞参数辨识的准确性、鲁棒性的同时，采用时刻a和时刻a+1的前轮转角，提升时滞辨识的灵活性。
在步骤S23中，基于所述方向盘转角的时域函数以及所述前轮转角的采样数据对，确定实际前轮转角值与理论前轮转角值的差值。
具体地，对时滞参数进行辨识优化的过程属于非线性规划，其求解方法可以选自以下一项或多项：粒子群算法、梯度下降法以及共轭梯度法。
进一步地，基于所述方向盘转角的时域函数以及所述前轮转角的采样数据对，采用下述公式，确定实际前轮转角值与理论前轮转角值的差值：
其中，用于表示前轮转角的变化速率，τ1用于表示一阶时滞的时间常数，τ2用于表示纯时滞的时长,u(t)用于表示过去第一预设时长内方向盘转角的时域函数，x(t)用于表示过去第一预设时长内前轮转角的时域函数，/>用于表示时刻a+1的理论前轮转角值，[xa,xa+1]用于表示时刻a和时刻a+1的前轮转角的采样数据对，xa用于表示时刻a的实际前轮转角值，ta用于表示时刻a，ta+1用于表示时刻a+1，xa+1用于表示时刻a+1的实际前轮转角值，ei用于表示实际前轮转角值与理论前轮转角值的差值。
具体地，后一时刻的理论前轮转角值可以通过前一时刻的实际前轮转角值与方向盘输入函数获得。
在步骤S24中，根据所述差值，采用第一损失函数确定所述历史时域时滞参数。
进一步地，根据所述差值，采用第一损失函数确定所述历史时域时滞参数的步骤可以包括：采用下述公式确定所述第一损失函数：
最小化所述第一损失函数F1，直至达到预设的第一结束条件，确定τ1和τ2；其中，N用于表示提取的前轮转角的采样数据对的数量，i用于表示提取的前轮转角的采样数据对的编号。
更进一步地，所述预设的第一结束条件可以选自以下一项或多项：最大迭代次数，损失函数阈值、相邻两次最小化所述第一损失函数之间的损失函数差值的阈值。
在本发明实施例中，通过最小化所述第一损失函数F1，直至达到预设的第一结束条件，可以确定历史时域时滞参数。
在确定历史时域时滞参数的过程中，提取在所述过去第一预设时长内的多个前轮转角的采样数据对，每个采样数据对包含相邻采样时刻的前轮转角数据，相比于现有技术中基于单一长时间采样的数据，采用系统微分方程积分与最小二乘结合的时滞辨识方法，可以在保证纯时滞与一阶时滞的时滞参数辨识的准确性、鲁棒性的同时，采用时刻a和时刻a+1的前轮转角，提升时滞辨识的灵活性。
继续参照图1，在步骤S12的具体实施中，可以先确定历史频域数据，再进行时滞辨识。
参照图3，图3是图1中步骤S12的一种具体实施方式的流程图。所述将所述历史数据转换至频域得到历史频域数据，并进行时滞辨识，以确定历史频域时滞参数的步骤可以包括步骤S31至步骤S33，以下对各个步骤进行说明。
在步骤S31中，对过去第一预设时长内的所述方向盘转角的采样数据进行快速傅里叶变换，得到所述方向盘转角的频域响应。
在步骤S32中，对过去第一预设时长内的所述前轮转角的采样数据进行快速傅里叶变换，得到所述前轮转角的频域响应。
具体地，对方向盘控制输入与前轮转角的历史数据进行快速傅里叶变换(FastFourier Transform，FFT)，可以获得其在频域内的数值。
在步骤S33中，根据所述方向盘转角的频域响应以及所述前轮转角的频域响应，采用第二损失函数确定所述历史频域时滞参数。
进一步地，根据所述方向盘转角的频域响应以及所述前轮转角的频域响应，采用第二损失函数确定所述历史频域时滞参数的步骤可以包括：采用下述公式确定所述第二损失函数：
最小化所述第二损失函数F2，直至达到预设的第二结束条件，确定τ1和τ2；其中，τ1用于表示一阶时滞的时间常数，τ2用于表示纯时滞的时长，f(w)用于表示所述方向盘转角的频域响应，y(w)用于表示所述前轮转角的频域响应，w用于表示频率，j用于表示复数。
进一步地，所述预设的第二结束条件选自以下一项或多项：最大迭代次数，损失函数阈值、相邻两次最小化所述第二损失函数之间的损失函数差值的阈值。
在本发明实施例中，通过最小化所述第二损失函数F2，直至达到预设的第二结束条件，可以确定历史频域时滞参数。
继续参照图1，在步骤S13的具体实施中，可以根据所述历史时域时滞参数和历史频域时滞参数的差值，确定截断频率。
进一步地，根据所述历史时域时滞参数和历史频域时滞参数的差值，确定截断频率的步骤可以包括：确定所述截断频率的初始值；去除所述历史频域数据中频率高于所述截断频率的部分数据后，进行时滞辨识以确定截后频域时滞参数；如果所述历史时域时滞参数和所述截后频域时滞参数的差值大于等于预设时滞参数阈值，则减小所述截断频率；每当减小所述截断频率后，均在去除所述历史频域数据中频率高于所述截断频率的部分数据后，再次进行时滞辨识以确定截后频域时滞参数，直至所述历史时域时滞参数和所述截后频域时滞参数的差值小于等于预设时滞参数阈值。
参照图4，图4是图1中步骤S13的一种具体实施方式的流程图。根据所述历史时域时滞参数和历史频域时滞参数的差值，确定截断频率的步骤可以包括步骤S41至步骤S45，以下对各个步骤进行说明。
在步骤S41中，确定所述截断频率的初始值。
进一步地，确定所述截断频率的初始值的步骤可以包括：确定所述方向盘转角的采样频率和所述前轮转角的采样频率；采用所述方向盘转角的采样频率和所述前轮转角的采样频率中的较大者作为所述截断频率的初始值。
在本发明实施例中，由于在后续步骤中，会根据历史时域时滞参数和所述截后频域时滞参数的差值大于等于预设时滞参数阈值，而减小所述截断频率，因此采用较大的频率作为初始值，有利于保证初始值大于截频去噪的频率节点。
在步骤S42中，去除所述历史频域数据中频率高于所述截断频率的部分数据后，进行时滞辨识以确定截后频域时滞参数。
在步骤S43中，判断历史时域时滞参数和截后频域时滞参数的差值是否大于等于预设时滞参数阈值，如果判断结果为是，则执行步骤S44，如果判断结果为否，则执行步骤S45。
可以理解的是，所述预设时滞参数阈值不应当过大，否则历史时域时滞参数和截后频域时滞参数差别过大，基于历史数据确定的截断频率准确性不足，导致在后续对实时数据进行高频去噪后在线辨识的准确性也不足；所述预设时滞参数阈值不应当过小，否则误差范围过小，不利于具体实施。
作为一个非限制性的例子，可以设置预设时滞参数阈值为历史时域时滞参数的预设比例或截后频域时滞参数的预设比例，如0.1％～2％。
在步骤S44中，减小截断频率。
具体地，每当历史时域时滞参数和所述截后频域时滞参数的差值大于等于预设时滞参数阈值，则减小所述截断频率。
在步骤S45中，确定截断频率。
具体地，当历史时域时滞参数和所述截后频域时滞参数的差值小于预设时滞参数阈值时，可以采用当前截断频率进行后续步骤。
在本发明实施例中，如果所述历史时域时滞参数和所述截后频域时滞参数的差值大于等于预设时滞参数阈值，则减小所述截断频率，每当减小所述截断频率后，均在去除所述历史频域数据中频率高于所述截断频率的部分数据后，再次进行时滞辨识以确定截后频域时滞参数，直至所述历史时域时滞参数和所述截后频域时滞参数的差值小于等于预设时滞参数阈值。采用本发明实施例的方案，可以利用历史数据，通过离线辨识所获得的先验知识确定适当的截断频率，以在后续对实时数据进行时滞辨识时去除高频噪声。具体地，经过时滞辨识、减小截断频率、对历史频域数据截频去噪、再次时滞辨识、再次减小截断频率……等多轮判断，能够基于历史数据确定合适的截频去噪的频率节点，从而应用于后续的实时数据，从而采用离线辨识所获得的先验数据作为在线辨识的数据，有效提升在线辨识的准确性，并有利于提升在线辨识的优化效率。
继续参照图1，在步骤S14的具体实施中，可以利用实时数据在频域进行时滞辨识，以确定实时频域时滞参数。
其中，可以采用传感器与方向盘直接或间接连接，以对方向盘的控制输入情况进行检测，从而得到方向盘转角的采样数据；可以采用传感器与前轮直接或间接连接，以对前轮转角的控制输入情况进行检测，从而得到前轮转角的采样数据。
参照图5，图5是图1中步骤S14的一种具体实施方式的流程图。所述确定当前频域数据，去除当前频域数据中频率高于所述截断频率的频域数据，然后进行时滞辨识，以确定实时频域时滞参数的步骤可以包括步骤S51至步骤S55，以下对各个步骤进行说明。
在步骤S51中，对所述方向盘转角当前的采样数据进行快速傅里叶变换，得到所述当前方向盘转角的频域响应。
在步骤S52中，去除当前方向盘转角的频域响应中频率高于所述截断频率的频域响应，得到所述方向盘转角的去噪频域响应。
具体地，对方向盘转角的实时数据进行FFT变换，获得其在频域内的数值，并根据预设的截断频率对频域内的数据进行截断，以避免高频噪声对辨识带来干扰。
在步骤S53中，对所述前轮转角当前的采样数据进行快速傅里叶变换，得到所述当前前轮转角的频域响应。
在步骤S54中，去除当前前轮转角的频域响应中频率高于所述截断频率的频域响应，所述前轮转角的去噪频域响应。
具体地，对前轮转角的实时数据进行FFT变换，获得其在频域内的数值，并根据预设的截断频率对频域内的数据进行截断，以避免高频噪声对辨识带来干扰。
在步骤S55中，根据所述方向盘转角的去噪频域响应以及所述前轮转角的去噪频域响应，采用第三损失函数确定所述实时频域时滞参数。
更进一步地，根据所述方向盘转角的去噪频域响应以及所述前轮转角的去噪频域响应，采用第三损失函数确定所述实时频域时滞参数的步骤可以包括：采用下述公式确定所述第三损失函数：
最小化所述第三损失函数F3，直至达到预设的第三结束条件，确定τ1和τ2；其中，τ1用于表示一阶时滞的时间常数，τ2用于表示纯时滞的时长，f’(w)用于表示所述方向盘转角的去噪频域响应，y’(w)用于表示所述前轮转角的去噪频域响应，w用于表示频率，j用于表示复数。
更进一步地，所述预设的第三结束条件可以选自以下一项或多项：最大迭代次数、损失函数阈值、相邻两次最小化所述第三损失函数之间的损失函数差值的阈值。
在本发明实施例中，通过最小化所述第三损失函数F1，直至达到预设的第三结束条件，可以确定实时频域时滞参数。
在本发明实施例中，先利用历史数据分别在时域和频域进行时滞辨识，以确定历史时域时滞参数和历史频域时滞参数，进而确定截断频率，从而基于截断频率对当前数据进行有效去噪，从而有效去除高频噪声的干扰，提高后续时滞辨识的准确性，并且计算量较小，能够满足时变时滞参数实时辨识的用户需求。
在确定实时频域时滞参数之后，可以采用所述实时频域时滞参数进行时滞补偿。
需要指出的是，在本发明实施例中，图4示出的确定截断频率的步骤的执行频率可以小于图5示出的确定实时频域时滞参数的执行频率。
作为一个非限制性的例子，实时频域时滞参数可以是随时确定的，然而，截断频率可以是每隔一周确定的。
需要指出的是，可以采用下述公式确定方向盘转角与前轮转角之间的传递函数：
其中，G(s)用于表示传递函数，s用于表示拉式变换，是工程数学中常用的一种积分变换，又名拉普拉斯变换。拉式变换是一个线性变换，可将一个有参数实数t(t≥0)的函数转换为一个参数为复数s的函数。
进一步地，采用所述实时频域时滞参数进行时滞补偿的步骤可以包括：输出优化获得的所述实时频域时滞参数至模型预测控制(model predictive control，MPC)模块，采用MPC模块进行时滞补偿。
其中，MPC模块可以是扩展状态MPC，一种具体实现方式如下：以一阶离散线性状态空间模型为例，假设一个含有时滞控制系统状态空间方程为：
x(t+1)＝Ax(t)+Bu(t-2)
其中，A为状态矩阵，B为输入矩阵。
此时该状态空间方程无法直接输入MPC求解器进行优化求解u(t)。将其的状态向量从x(t)扩展为[x(t),u(t-1),u(t-2)]，此时的状态空间方程变为：
由于u(t)已经显式的表示在状态空间方程中，因此可以输入MPC求解器进行u(t)的最优化求解。
需要注意的是，扩展状态MPC可以用于非线性连续状态空间模型的优化，此处采用离散线性模型仅为介绍其基本工作原理。
参照图6，图6是本发明实施例中一种时滞辨识装置的结构示意图。所述时滞辨识装置可以包括：
时域辨识模块61，用于在时域对历史数据进行时滞辨识，以确定历史时域时滞参数，其中，所述历史数据包含过去第一预设时长内的方向盘转角的采样数据和前轮转角的采样数据；
历史频域辨识模块62，用于将所述历史数据转换至频域得到历史频域数据，并进行时滞辨识，以确定历史频域时滞参数；
截断频率确定模块63，用于根据所述历史时域时滞参数和历史频域时滞参数的差值，确定截断频率；
当前频域辨识模块64，用于确定当前频域数据，去除当前频域数据中频率高于所述截断频率的频域数据，然后进行时滞辨识，以确定实时频域时滞参数，其中，所述当前频域数据包含当前方向盘转角的频域响应和前轮转角的频域响应。
关于该时滞辨识装置的原理、具体实现和有益效果请参照前文所述的关于时滞辨识方法的相关描述，此处不再赘述。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器运行时执行上述方法的步骤。所述计算机可读存储介质可以是计算机可读存储介质，例如可以包括非挥发性存储器(non-volatile)或者非瞬态(non-transitory)存储器，还可以包括光盘、机械硬盘、固态硬盘等。
本发明实施例还提供了一种终端，包括存储器和处理器，所述存储器上存储有能够在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行上述方法的步骤。所述终端包括但不限于服务器、手机、计算机、平板电脑等终端设备。
具体地，在本发明实施例中，所述处理器可以为中央处理单元(centralprocessing unit，简称CPU)，该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor，简称DSP)、专用集成电路(application specificintegrated circuit，简称ASIC)、现成可编程门阵列(field programmable gate array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
还应理解，本申请实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，简称ROM)、可编程只读存储器(programmable ROM，简称PROM)、可擦除可编程只读存储器(erasable PROM，简称EPROM)、电可擦除可编程只读存储器(electricallyEPROM，简称EEPROM)或闪存。易失性存储器可以是随机存取存储器(random accessmemory，简称RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的随机存取存储器(random access memory，简称RAM)可用，例如静态随机存取存储器(staticRAM，简称SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(synchronousDRAM，简称SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM，简称DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM，简称ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM，简称SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM，简称DR RAM)。
需要指出的是，本实施例中各个步骤的序号并不代表对各个步骤的执行顺序的限定。
应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，表示前后关联对象是一种“或”的关系。
本申请实施例中出现的“多个”是指两个或两个以上。
本申请实施例中出现的第一、第二等描述，仅作示意与区分描述对象之用，没有次序之分，也不表示本申请实施例中对设备个数的特别限定，不能构成对本申请实施例的任何限制。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。

Claims (15)

1.一种时滞辨识方法，其特征在于，包括：
在时域对历史数据进行时滞辨识，以确定历史时域时滞参数，其中，所述历史数据包含过去第一预设时长内的方向盘转角的采样数据和前轮转角的采样数据；
将所述历史数据转换至频域得到历史频域数据，并进行时滞辨识，以确定历史频域时滞参数；
根据所述历史时域时滞参数和历史频域时滞参数的差值，确定截断频率；确定当前频域数据，去除当前频域数据中频率高于所述截断频率的频域数据，然后进行时滞辨识，以确定实时频域时滞参数，其中，所述当前频域数据包含当前方向盘转角的频域响应和前轮转角的频域响应；
其中，将所述历史数据转换至频域得到历史频域数据，并进行时滞辨识，以确定历史频域时滞参数，包括：
对过去第一预设时长内的所述方向盘转角的采样数据进行快速傅里叶变换，得到所述方向盘转角的频域响应，以及对过去第一预设时长内的所述前轮转角的采样数据进行快速傅里叶变换，得到所述前轮转角的频域响应；根据所述方向盘转角的频域响应以及所述前轮转角的频域响应，采用第二损失函数确定所述历史频域时滞参数；
根据所述历史时域时滞参数和历史频域时滞参数的差值，确定截断频率，包括：
确定所述截断频率的初始值；
去除所述历史频域数据中频率高于所述截断频率的部分数据后，进行时滞辨识以确定截后频域时滞参数；
如果所述历史时域时滞参数和所述截后频域时滞参数的差值大于等于预设时滞参数阈值，则减小所述截断频率；
每当减小所述截断频率后，均在去除所述历史频域数据中频率高于所述截断频率的部分数据后，再次进行时滞辨识以确定截后频域时滞参数，直至所述历史时域时滞参数和所述截后频域时滞参数的差值小于等于预设时滞参数阈值。
2.根据权利要求1所述的时滞辨识方法，其特征在于，确定所述截断频率的初始值包括：
确定所述方向盘转角的采样频率和所述前轮转角的采样频率；
采用所述方向盘转角的采样频率和所述前轮转角的采样频率中的较大者作为所述截断频率的初始值。
3.根据权利要求1所述的时滞辨识方法，其特征在于，所述在时域对历史数据进行时滞辨识，以确定历史时域时滞参数包括：
根据所述过去第一预设时长内的方向盘转角的采样数据，生成所述方向盘转角的时域函数；
提取在所述过去第一预设时长内的多个前轮转角的采样数据对，每个采样数据对包含相邻采样时刻的前轮转角数据；
基于所述方向盘转角的时域函数以及所述前轮转角的采样数据对，确定实际前轮转角值与理论前轮转角值的差值；
根据所述差值，采用第一损失函数确定所述历史时域时滞参数。
4.根据权利要求3所述的时滞辨识方法，其特征在于，基于所述方向盘转角的时域函数以及所述前轮转角的采样数据对，采用下述公式，确定实际前轮转角值与理论前轮转角值的差值：
其中，用于表示前轮转角的变化速率，τ1用于表示一阶时滞的时间常数，τ2用于表示纯时滞的时长,u(t)用于表示过去第一预设时长内方向盘转角的时域函数，x(t)用于表示过去第一预设时长内前轮转角的时域函数，/>用于表示时刻a+1的理论前轮转角值，[xa,xa+1]用于表示时刻a和时刻a+1的前轮转角的采样数据对，xa用于表示时刻a的实际前轮转角值，ta用于表示时刻a，ta+1用于表示时刻a+1，xa+1用于表示时刻a+1的实际前轮转角值，ei用于表示实际前轮转角值与理论前轮转角值的差值。
5.根据权利要求4所述的时滞辨识方法，其特征在于，根据所述差值，采用第一损失函数确定所述历史时域时滞参数包括：
采用下述公式确定所述第一损失函数：
最小化所述第一损失函数F1，直至达到预设的第一结束条件，确定τ1和τ2；其中，N用于表示提取的前轮转角的采样数据对的数量，i用于表示提取的前轮转角的采样数据对的编号。
6.根据权利要求5所述的时滞辨识方法，其特征在于，所述预设的第一结束条件选自以下一项或多项：
最大迭代次数、损失函数阈值、相邻两次最小化所述第一损失函数之间的损失函数差值的阈值。
7.根据权利要求1所述的时滞辨识方法，其特征在于，根据所述方向盘转角的频域响应以及所述前轮转角的频域响应，采用第二损失函数确定所述历史频域时滞参数包括：
采用下述公式确定所述第二损失函数：
最小化所述第二损失函数F2，直至达到预设的第二结束条件，确定τ1和τ2；其中，τ1用于表示一阶时滞的时间常数，τ2用于表示纯时滞的时长，f(w)用于表示所述方向盘转角的频域响应，y(w)用于表示所述前轮转角的频域响应，w用于表示频率，j用于表示复数。
8.根据权利要求7所述的时滞辨识方法，其特征在于，所述预设的第二结束条件选自以下一项或多项：
最大迭代次数、损失函数阈值、相邻两次最小化所述第二损失函数之间的损失函数差值的阈值。
9.根据权利要求1所述的时滞辨识方法，其特征在于，所述确定当前频域数据，去除当前频域数据中频率高于所述截断频率的频域数据，然后进行时滞辨识，以确定实时频域时滞参数包括：
对所述方向盘转角当前的采样数据进行快速傅里叶变换，得到所述当前方向盘转角的频域响应，以及对所述前轮转角当前的采样数据进行快速傅里叶变换，得到所述当前前轮转角的频域响应；
去除当前方向盘转角的频域响应中频率高于所述截断频率的频域响应，以及去除当前前轮转角的频域响应中频率高于所述截断频率的频域响应，以得到所述方向盘转角的去噪频域响应以及所述前轮转角的去噪频域响应；根据所述方向盘转角的去噪频域响应以及所述前轮转角的去噪频域响应，采用第三损失函数确定所述实时频域时滞参数。
10.根据权利要求9所述的时滞辨识方法，其特征在于，根据所述方向盘转角的去噪频域响应以及所述前轮转角的去噪频域响应，采用第三损失函数确定所述实时频域时滞参数包括：
采用下述公式确定所述第三损失函数：
最小化所述第三损失函数F3，直至达到预设的第三结束条件，确定τ1和τ2；其中，τ1用于表示一阶时滞的时间常数，τ2用于表示纯时滞的时长，f’(w)用于表示所述方向盘转角的去噪频域响应，y’(w)用于表示所述前轮转角的去噪频域响应，w用于表示频率，j用于表示复数。
11.根据权利要求10所述的时滞辨识方法，其特征在于，所述预设的第三结束条件选自以下一项或多项：
最大迭代次数，损失函数阈值、相邻两次最小化所述第三损失函数之间的损失函数差值的阈值。
12.根据权利要求1所述的时滞辨识方法，其特征在于，采用所述实时频域时滞参数进行时滞补偿包括：
输出所述实时频域时滞参数至模型预测控制MPC模块，采用所述MPC模块进行时滞补偿。
13.一种时滞辨识装置，其特征在于，包括：
时域辨识模块，用于在时域对历史数据进行时滞辨识，以确定历史时域时滞参数，其中，所述历史数据包含过去第一预设时长内的方向盘转角的采样数据和前轮转角的采样数据；
历史频域辨识模块，用于将所述历史数据转换至频域得到历史频域数据，并进行时滞辨识，以确定历史频域时滞参数；
截断频率确定模块，用于根据所述历史时域时滞参数和历史频域时滞参数的差值，确定截断频率；
当前频域辨识模块，用于确定当前频域数据，去除当前频域数据中频率高于所述截断频率的频域数据，然后进行时滞辨识，以确定实时频域时滞参数，其中，所述当前频域数据包含当前方向盘转角的频域响应和前轮转角的频域响应；
其中，所述历史频域辨识模块还用于执行：
对过去第一预设时长内的所述方向盘转角的采样数据进行快速傅里叶变换，得到所述方向盘转角的频域响应，以及对过去第一预设时长内的所述前轮转角的采样数据进行快速傅里叶变换，得到所述前轮转角的频域响应；根据所述方向盘转角的频域响应以及所述前轮转角的频域响应，采用第二损失函数确定所述历史频域时滞参数；
其中，所述截断频率确定模块还用于执行：
确定所述截断频率的初始值；
去除所述历史频域数据中频率高于所述截断频率的部分数据后，进行时滞辨识以确定截后频域时滞参数；
如果所述历史时域时滞参数和所述截后频域时滞参数的差值大于等于预设时滞参数阈值，则减小所述截断频率；
每当减小所述截断频率后，均在去除所述历史频域数据中频率高于所述截断频率的部分数据后，再次进行时滞辨识以确定截后频域时滞参数，直至所述历史时域时滞参数和所述截后频域时滞参数的差值小于等于预设时滞参数阈值。
14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行权利要求1至12任一项所述时滞辨识方法的步骤。
15.一种终端，包括存储器和处理器，所述存储器上存储有能够在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序时执行权利要求1至12任一项所述时滞辨识方法的步骤。
CN202111624920.7A 2021-12-27 2021-12-27 时滞辨识方法及装置、计算机可读存储介质、终端 Active CN114520777B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111624920.7A CN114520777B (zh) 2021-12-27 2021-12-27 时滞辨识方法及装置、计算机可读存储介质、终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111624920.7A CN114520777B (zh) 2021-12-27 2021-12-27 时滞辨识方法及装置、计算机可读存储介质、终端

Publications (2)

Publication Number Publication Date
CN114520777A CN114520777A (zh) 2022-05-20
CN114520777B true CN114520777B (zh) 2023-12-26

Family

ID=81596031

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111624920.7A Active CN114520777B (zh) 2021-12-27 2021-12-27 时滞辨识方法及装置、计算机可读存储介质、终端

Country Status (1)

Country Link
CN (1) CN114520777B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103941580A (zh) * 2014-04-08 2014-07-23 上海理工大学 一种基于偏置继电反馈的发电机组闭环频域辨识方法
CN109063818A (zh) * 2018-06-21 2018-12-21 华北电力大学 一种热工过程模型在线辨识方法及装置
CN109131351A (zh) * 2018-09-04 2019-01-04 吉林大学 基于随机时滞的车辆稳定性评价方法
CN110032706A (zh) * 2019-04-17 2019-07-19 山东科技大学 一种低阶时滞系统的两阶段参数估计方法及系统
JP2019211268A (ja) * 2018-06-01 2019-12-12 アズビル株式会社 計量値表示システムおよび方法
CN110928180A (zh) * 2019-12-04 2020-03-27 中国直升机设计研究所 一种作动器的迟滞补偿方法和装置
CN111930015A (zh) * 2020-09-16 2020-11-13 北京三快在线科技有限公司 一种无人车控制方法及装置
CN112270039A (zh) * 2020-10-19 2021-01-26 南京航空航天大学 基于分布式异步融合的线控底盘车辆非线性状态估计方法
CN113467233A (zh) * 2021-05-08 2021-10-01 华南理工大学 一种基于模糊模型的时滞有限频域输出反馈控制方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103941580A (zh) * 2014-04-08 2014-07-23 上海理工大学 一种基于偏置继电反馈的发电机组闭环频域辨识方法
JP2019211268A (ja) * 2018-06-01 2019-12-12 アズビル株式会社 計量値表示システムおよび方法
CN109063818A (zh) * 2018-06-21 2018-12-21 华北电力大学 一种热工过程模型在线辨识方法及装置
CN109131351A (zh) * 2018-09-04 2019-01-04 吉林大学 基于随机时滞的车辆稳定性评价方法
CN110032706A (zh) * 2019-04-17 2019-07-19 山东科技大学 一种低阶时滞系统的两阶段参数估计方法及系统
CN110928180A (zh) * 2019-12-04 2020-03-27 中国直升机设计研究所 一种作动器的迟滞补偿方法和装置
CN111930015A (zh) * 2020-09-16 2020-11-13 北京三快在线科技有限公司 一种无人车控制方法及装置
CN112270039A (zh) * 2020-10-19 2021-01-26 南京航空航天大学 基于分布式异步融合的线控底盘车辆非线性状态估计方法
CN113467233A (zh) * 2021-05-08 2021-10-01 华南理工大学 一种基于模糊模型的时滞有限频域输出反馈控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
分数阶时滞系统的频域子空间辨识;李旺;彭程;王永;;信息与控制(第02期);全文 *

Also Published As

Publication number Publication date
CN114520777A (zh) 2022-05-20

Similar Documents

Publication Publication Date Title
CN107901912B (zh) 基于车辆数据确定道路表面的方法
US10046770B1 (en) Systems and methods for estimating a road surface friction coefficient and vehicle lateral velocity using a decoupled dynamical model
US20190084582A1 (en) Optimization of a vehicle to compensate for water contamination of a fluid of a vehicle component
EP3570214A2 (en) Automobile image processing method and apparatus, and readable storage medium
CN110059095B (zh) 一种数据更新方法及装置
US20210019621A1 (en) Training and data synthesis and probability inference using nonlinear conditional normalizing flow model
CN114520777B (zh) 时滞辨识方法及装置、计算机可读存储介质、终端
CN113212442A (zh) 一种轨迹感知车辆驾驶分析方法及系统
CN112800812A (zh) 目标对象变道识别方法和装置、可读存储介质、电子设备
CN107891866B (zh) 基于车辆数据确定路面的方法
US10223601B1 (en) Synthetic traffic object generator
CN114852171B (zh) 车辆及其转向控制方法及装置、存储介质、终端
JPH1199848A (ja) 車両挙動推定装置
US20210109526A1 (en) Processing sensor data in a motor vehicle
CN114906141A (zh) 自适应巡航控制方法及装置
JP2022142879A (ja) センサデータ処理システム
CN112184821B (zh) 相机翻滚角的调整方法和装置、存储介质、电子设备
CN110956251A (zh) 一种模型训练方法及装置
JP7180574B2 (ja) 操舵制御装置及び操舵制御方法
WO2022102221A1 (ja) Ｄｎｎ縮約装置及び車載演算装置
KR102274673B1 (ko) 어댑티브 크루즈 컨트롤 장치 및 그 동작 방법
KR20230081276A (ko) 기계 학습 기반의 제동 선도 튜닝 장치, 방법 및 컴퓨터로 독출 가능한 저장 매체
EP4044061A1 (en) Speed segmentation method and apparatus, and electronic device and storage medium
Wang et al. Real-time driver model parameter identification: An algebraic approach
CN118114014A (zh) 关于电机温度预测的模型训练方法、以及相关方法和设备

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