CN115285137A - 一种基于lstm-dtw重型车辆侧翻预警方法 - Google Patents
一种基于lstm-dtw重型车辆侧翻预警方法 Download PDFInfo
- Publication number
- CN115285137A CN115285137A CN202211030898.8A CN202211030898A CN115285137A CN 115285137 A CN115285137 A CN 115285137A CN 202211030898 A CN202211030898 A CN 202211030898A CN 115285137 A CN115285137 A CN 115285137A
- Authority
- CN
- China
- Prior art keywords
- dis
- rollover
- vehicle
- curve
- diff
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000001914 filtration Methods 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims description 34
- 238000009499 grossing Methods 0.000 claims description 17
- 230000000694 effects Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 7
- 230000006399 behavior Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000000246 remedial effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
- B60W40/112—Roll movement
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/08—Interaction between the driver and the control system
- B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
- B60W2050/0031—Mathematical model of the vehicle
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
- B60W2050/0052—Filtering, filters
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
- B60W2050/0059—Signal noise suppression
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/08—Interaction between the driver and the control system
- B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
- B60W2050/143—Alarm means
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/18—Roll
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明一种基于LSTM‑DTW重型车辆侧翻预警方法,具体是涉及对车辆运动参数侧倾角速度进行S‑G滤波有效降噪并保持信号原始信息的前提下利用LSTM神经网络进行趋势预测,将预测后的曲线与标准模板进行DTW模板匹配最终实现侧翻识别。其特征在于,该方法包括以下步骤:车辆侧翻曲线模板的获取;步骤二、车辆未来时间段内行驶状态的趋势预测;步骤三、预测曲线模板匹配侧翻识别。
Description
技术领域
本发明涉及一种预警方法技术领域,具体是涉及对车辆运动参数侧倾角速度进行S-G滤波有效降噪并保持信号原始信息的前提下利用LSTM神经网络进行趋势预测,将预测后的曲线与标准模板进行DTW模板匹配最终实现侧翻识别。
背景技术
随着我国经济的快速发展,重型运输车辆与国民经济发展息息相关,尤其是物流领域及工程建设领域,载货汽车重型化是未来发展的方向,造就了重型车辆行业需求的必然性。然而由于重型货车自身特点:结构尺寸大,重心高,装载量大,导致其侧倾稳定性较差,极易发生侧翻事故。因此,重型车辆运输工况对其安全运输是不可忽视的。
传统的侧翻危险辨识方法通过比较侧向加速度或侧倾角等侧翻指标是否超出设定阈值实现危险辨识,虽然车辆侧翻行为具有瞬时性,但是其具有时间属性的连续性行为,由于动态变化和意外干扰,车辆侧翻辨识方法不是仅通过某一时刻的参数就可以确认其是否具有侧翻危险。同时因为其侧翻行为的瞬时性,传统预警方法在挽救侧翻事故上存在时间上的局限性。
发明内容
发明目的:为了能提前感知车辆侧翻危险,使驾驶员有更多时间避免侧翻事故,同时为了提高侧翻预警的准确性,减少误报率,增强驾驶员和汽车的安全性,提出基于LSTM-DTW重型车辆侧翻预警方法。
技术方案:
本发明为解决上述技术问题,通过以下技术方案实现:
步骤一、车辆侧翻曲线模板的获取。
步骤二、车辆未来时间段内行驶状态的趋势预测。
步骤三、预测曲线模板匹配侧翻识别。
所述的步骤一是车辆侧翻曲线模板的获取,具体的方法为:
(1)进行不同车速、载重量、转弯半径的侧翻实验,提取不同条件下车身侧向加速度、侧倾角速度及横摆角速度的值。
(2)通过相关性分析方法,确定车辆侧翻时其侧倾角速度的特征变化较为一致,选取侧倾角速度作为预测对象及侧翻模板。
(3)通过动态时间规整的相似性分析方法,提取具体条件下车辆侧翻时侧倾角速度的模板信息。
所述的步骤二是车辆未来时间段内行驶状态的趋势预测,其建立的预测模型的方法为:
(1)获取车辆在不同条件下行驶的非侧翻数据及侧翻数据。
(2)对已获取的数据进行S-G滤波降噪。
根据训练的时间序列的长度和阶数,从卷积系数表中查找卷积系数,利用镜像延拓的方法改善由于卷积带来的边缘效应,将镜像延拓的结果与卷积系数进行卷积运算,按照帧长进行中间截断,若训练的效果不理想,可设置平滑次数,使提取的轨迹信息更加的光滑。
(3)对降噪后的数据划分为训练数据和测试数据,并将预处理后的训练数据进行归一化处理并按照滑窗时间步长及预测的时间步长进行输入、输出划分。
(4)建立LSTM深度神经网络模型,设置神经网络的相关参数,建立最优的LSTM深度神经网络。
通过隐藏层神经元个数、批处理样本数量、训练迭代次数、学习速率来对LSTM神经网络进行设置,构建用于车辆运动参数趋势预测模型。网络进行设置,构建用于车辆运动参数预测的LSTM神经网络预测模型。
(5)训练好的最优LSTM深度神经网络,预测未来车辆行驶状态参数。其训练数据的输入、输出的方法为:
设定采样间隔为t,车辆某一运动属性的数据序列长度设定为p,预测未来的时间点为q,要求q<p;则训练的输入x_train={x(t-p+1),…,x(t-1),x(t)},训练的输出y_train{x(t-(p-q)+1),…,x(t+q-1),x(t+q)},
所述的步骤三对预测的曲线进行模板匹配来识别未来的状态曲线是否存在侧翻的危险。具体的模板匹配的侧翻识别方法为:
(1)根据侧倾角速度侧翻曲线的特征,定义两种侧倾角速度的侧翻模板,一种叫做工作侧翻曲线,另一种为辅助侧翻曲线。工作侧翻曲线模板斜率大于辅助侧翻曲线。
(2)参数初始化:使用动态规整算法计算工作侧翻曲线与辅助侧翻曲线的距离记为W1、计算预测曲线与工作侧翻曲线的距离dis1,计算预测曲线与辅助侧翻曲线的距离dis2,同时计算二者的距离差值diffdis:
diffdis=dis1-dis2 (2)
除此之外,还需实时计算非侧翻状态下已知时间序列曲线与工作侧翻曲线的平均距离,记为W2
(3)实时比较diffdis(t),diffdis(t-1),diffdis(t-2)的结果,当满足公式(3)次数大
diffdis(t)<diffdis(t-1)<diffdis(t-2) (3)
于3且diffdis(t)<W1时,侧翻预警为I级。此时停止计算已知时间序列与侧翻工作曲线的平均距离W2。
(4)在I级报警的状态下,当满足公式(4)发现工作侧翻曲线距离存在极小值时,进入II级报警状态。
dis1(t-1)<dis1(t-2)且dis1(t)>dis1(t-1) (4)
(5)在II级报警的状态下,当满足公式(5)(6)(7)时,进行III级报警,此时车辆进入严重侧翻状态。
dis1(t)<dis1(t-1)<dis1(t-2) (5)
dis2(t)<dis2(t-1)>dis2(t-2) (6)
dis1(t)<dis2(t) (7)
在II级报警的状态下,而如果满足公式(8)
dis1(t)>dis1(t-1)>dis1(t-2) (8)
且dis1(t)>W2则解除侧翻报警。
步骤(2)中,对车辆运动数据进行S-G滤波的子步骤为:
2.1设计一个帧长为m,阶数为n的Savitzky-Golay FIR平滑滤波器,得到卷积系数表,要求n<m,且m为奇数;
2.2对原始数据进行镜像延拓来改善由于卷积带来的边缘效应;
2.3将得到的卷积系数表h[m]与镜像延拓的数据x[n]进行卷积运算;
其中y[n]为滤波后结果,h[m]为根据帧长、阶次设计的卷积系数表,x[n]为原始数据镜像延拓的结果。
2.4按照帧长m进行中间截断;
2.5如平滑效果不理想,可设置平滑次数,按照2.2-2.4步骤循环平滑滤波,直至满足平滑次数为止。
步骤(5)中,其训练数据的输入、输出的方法为:
设定采样间隔为t,车辆某一运动属性的数据序列长度设定为p,预测未来的时间点为q,要求q<p;则训练的输入x_train={x(t-p+1),…,x(t-1),x(t)},训练的输出y_train{x(t-(p-q)+1),…,x(t+q-1),x(t+q)},
根据预测曲线与工作侧翻曲线与辅助侧翻曲线的距离曲线,可将侧翻预警分为三个等级:
当满足公式(10)且次数大于3且diffdis(t)<W1时,侧翻预警为I级;
diffdis(t)<diffdis(t-1)<diffdis(t-2) (10)
当满足公式(11)进入II级报警状态;
dis1(t-1)<dis1(t-2)且dist(t)>dist(t-1) (11)
当满足公式(12(13)(14)时,进行III级报警;
dis1(t)<dis1(t-1)<dist(t-2) (12)
dis2(t)>dis2(t-1)>dis2(t-2) (13)
dis1(t)<dis2(t) (14)。
本发明与现有技术相比具有以下优点和积极效果:
1.与现有技术相比,本发明通过对侧翻数据特征的相似性及相关性分析,以某一确定条件下的侧倾角速度侧翻曲线作为特征模板通过动态规整算法进行侧翻识别,将动态规整算法的物理意义与侧翻识别算法相结合,对未来的连续曲线变化进行识别,提高了侧翻预警系统的精确性。
2.围绕历史数据,使用长短时记忆网络实现对未来行驶状态的长期预测,使侧翻预警系统具有良好的预测能力,可以提前感知侧翻危险,使驾驶员有更多的时间采取补救措施避免侧翻危险的发生。
3.将侧倾角速度作为研究对象进行模型训练时,由于侧倾角速度受路面粗糙程度的影响,其侧倾角速度变化剧烈,提出使用S-G滤波的方法对数据进行前处理,滤除干扰信号的同时,使得车辆变化趋势信息逐渐清晰,减小了模型预测的复杂度。
附图说明
图1示出了本发明的一种车辆侧翻预警方法的流程示意图。
图2示出了车辆侧翻曲线模板获取的方法。
图3示出了基于LSTM神经网络的车辆运动参数趋势预测方法流程示意图。
图4示出了S-G滤波降噪流程图。
图5示出了S-G滤波侧倾角速度滤波结果对比图。
图6示出了数据预处理的步骤。
图7示出了训练集输入输出划分示意图。
图8示出了预测曲线模板匹配侧翻识别流程图。
图9示出了仿真模板侧翻曲线的中的工作侧翻曲线与辅助侧翻曲线。
图10示出了I级报警流程图。
图11示出了II级报警流程图。
图12示出了III级报警流程图。
图13示出了未来第五个时刻的预测图
图14示出了在预测曲线的基础上实施的I,II,III级报警。
具体实施方式
下面结合附图和具体的实施例对本发明作进一步的详细说明,是对本发明的解释而不是限定。
以下将结合附图1对本发明的技术方案的具体实施方式进行详细介绍,其具体步骤如下:
步骤一、车辆侧翻曲线模板的获取。
步骤二、车辆未来时间段内行驶状态的趋势预测。
步骤三、预测曲线模板匹配侧翻识别。
如图2所示,所述的步骤一是车辆侧翻曲线模板的获取,其目的是通过实验获取车辆侧翻时的共性特征,具体的车辆侧翻曲线模板获取的方法为:
进行不同车速、载重、转弯半径下的侧翻实验,通过传感器采集车身的横向角速度、侧倾角速度及横摆角速度。
通过相关性分析方法,确定车辆侧翻时其侧倾角速度的特征变化较为一致,选取侧倾角速度作为预测对象及侧翻模板。
基于动态时间规整的相似性分析方法,对不同条件下采集的侧倾角速度进行相似性分析,得出侧倾角速度侧翻曲线的距离相比于其他条件下侧翻曲线距离较小的曲线。
如图3所示,所述的步骤二为车辆未来时间内行驶状态参数的趋势预测。其目的是通过对历史数据的分析及训练,建立车辆非侧翻及侧翻状态下的侧倾角速度参数预测模型,完成车辆侧翻预警方法中预测的部分。
获取车辆非侧翻行驶及侧翻行驶时的运动参数,具体如下:
选取行驶的路线包含车辆的多种工况,比如直行,拐弯,双移线等。路况要求复杂,且路面的状态也应多种多样。包含坡路,坑洼等,可选取多条行驶路线采集信息。
将采集到的数据信息进行S-G滤波,选取合适的窗口长度,拟合阶数和光滑次数,保证滤波之后的信号既能不丢失原始的信息,有利于LSTM神经网络的训练和学习。窗口长度要求为奇数;且窗口长度的选择与实时采集的频率有关。其具体的S-G滤波的步骤如图4所示。
2.1设计一个帧长为m,阶数为n的Savitzky-Golay FIR平滑滤波器,得到卷积系数表,要求n<m,且m为奇数。
2.2对原始数据进行镜像延拓来改善由于卷积带来的边缘效应。
2.3将得到的卷积系数表h[m]与镜像延拓的数据x[n]进行卷积运算。
其中y[n]为滤波后结果,h[m]为根据帧长、阶次设计的卷积系数表,x[n]为原始数据镜像延拓的结果。
2.4按照帧长m进行中间截断。
2.5如平滑效果不理想,可设置平滑次数,按照2.2-2.4步骤循环平滑滤波,直至满足平滑次数为止。
S-G滤波对比图如图5所示。
在选取训练集和测试集的输入和输出时应注意训练集和测试集的输入输出要跟S-G滤波的窗口长度保持一致。因车辆行驶的时是按照时间顺序变化的,所以按照sequenceto sequence模型进行训练。此模型更善于利用更长范围的序列信息,并且综合序列上下文判断预测,序列组合的原则遵循3.2所述。预测未来的时间步不应超过训练的时间序列长度,过长会影响预测精度。具体的数据处理流程图如图6所示。
3.1 S-G滤波之后的结果进行归一化处理
其中,x*为归一化后的数据,x为原始数据,min为训练集数据的最小值,max为训练集数据的最大值。
3.2以某城市车辆行驶的历史数据建立LSTM预测模本文定义车辆侧翻时的涉及的参数为:
R=(ωx)T
则车辆行驶的历史数据的时间序列为:
R=(ωx)T
其中n表示第n个时刻采集到的行驶数据Rn。本文以滤波后的车辆行驶数据集构建预测模型的输入输出,其行驶的数据集为:
RTS={RT1,RT2,RT3,…RTm}
设时间序列的长度为p,预测未来某个时刻为q(q<p)。将车辆运动参数R(t-p+1)…R(t-1)和R(t)作为训练输入,则R(t-(p-q)+1)…R(t+q-1),R(t+q)为训练的输出。以RT1时间序列为例,按照上述方法,以一个时间单位逐步向右平移,具体操作如图7所示。
3.3划分车辆运行数据的训练样本和测试样本。
神经网络的输入层和输出层神经元个数由训练数据决定。在训练中,LSTM层神经元个数、miniBatchSize大小、maxEpochs值都会对网络的预测精度有较大影响。模型调试中采用均方根误差(RMSE)和相关系数(R)为评价指标,调试网络相关参数使均方根误差及相关系数达到最优。均方误差的值越小,说明预测的精确的越高,相关系数越大说明预测的序列越接近原序列。
其中observedt为实际观测的时间序列,predictedt为预测时间序列
训练好的最优LSTM深度神经网络,预测未来车辆行驶状态参数。
如图8所示,所述的步骤三为侧翻行为的识别阶段,其目的是将步骤二得到的预测曲线与步骤一得到的标准模板进行匹配,来识别是否具有侧翻危险。其预报的危险分为I级、II级、III级。具体步骤如下:
(1)如图9所示为侧翻时其侧倾角速度的侧翻曲线,根据侧倾角速度侧翻曲线的特征,定义两种侧倾角速度的侧翻模板,一种叫做工作侧翻曲线,另一种为辅助侧翻曲线。工作侧翻曲线模板斜率大于辅助侧翻曲线。
(2)参数初始化:使用动态规整算法计算工作侧翻曲线与辅助侧翻曲线的距离记为W1、计算预测曲线与工作侧翻曲线的距离dis1,计算预测曲线与辅助侧翻曲线的距离dis2,同时计算二者的距离差值diffdis:
diffdis=dis1-dis2 (5)
除此之外,还需实时计算非侧翻状态下已知时间序列曲线与工作侧翻曲线的平均距离,记为W2
(3)如图10所示,实时比较diffdis(t),diffdis(t-1),diffdis(t-2)的结果,当满足公
diffdis(t)<diffdis(t-1)<diffdis(t-2) (6)
式(6)次数大于3且diffdis(t)<W1时,侧翻预警为I级。此时停止计算已知时间序列与侧翻工作曲线的平均距离W2。
(4)如图11所示,在I级报警的状态下,当满足公式(7)发现工作侧翻曲线距离存在极小值时,进入II级报警状态。
dis1(t-1)<dis1(t-2)且dis1(t)>dis1(t-1) (7)
(5)如图12所示,在II级报警的状态下,当满足公式(8)(9)(10)时,进行III级报警,此时车辆进入严重侧翻状态。
dis1(t)<dis1(t-1)<dis1(t-2) (8)
dis2(t)<dis2(t-1)>dis2(t-2) (9)
dis1(t)<dis2(t) (10)
在II级报警的状态下,而如果满足公式(11)
dis1(t)>dis1(t-1)>dis1(t-2) (11)
且dis1(t)>W2则解除侧翻报警。
一个实施例:通过Trucksim仿真软件,在车速为70km/h~110km/h,载货量为满载的20%~100%,转弯半径为50m~90m下,通过相似性分析方法得出车速为90km/h,满载货物60%,转弯半径为70m时其距离与其他条件设置下的发生侧翻时其侧翻曲线的距离最小,所以设置车速为90km/h,满载货物60%,转弯半径为70m时侧倾角速度的侧翻曲线为侧翻模板曲线。
利用Trucksim软件设置双移线侧翻工况,设置车速为130km/h,满载为100%,其车辆侧翻预测及逐级报警的示意图如图13,14所示。
上述的实施仅用于说明本发明,其中各步骤顺序和细节,都是可以有所变化的。
Claims (7)
1.一种基于LSTM-DTW重型车辆侧翻预警方法,其特征在于,该方法包括以下步骤:
步骤一、车辆侧翻曲线模板的获取;
步骤二、车辆未来时间段内行驶状态的趋势预测;
步骤三、预测曲线模板匹配侧翻识别。
3.根据权利要求1所述的一种基于LSTM-DTW重型车辆侧翻预警方法,其特征在于:所述的步骤二其车辆未来时间段内行驶状态的趋势预测的方法为:
(1)获取车辆在不同条件下行驶的非侧翻数据及侧翻数据;
(2)对已获取的数据进行S-G滤波降噪;根据训练的时间序列的长度和阶数,从卷积系数表中查找卷积系数,利用镜像延拓的方法改善由于卷积带来的边缘效应,将镜像延拓的结果与卷积系数进行卷积运算,按照帧长进行中间截断,若训练的效果不理想,可设置平滑次数,使提取的轨迹信息更加的光滑;
(3)对降噪后的数据划分为训练数据和测试数据,并将预处理后的训练数据进行归一化处理并按照滑窗时间步长及预测的时间步长进行输入、输出划分;
(4)建立LSTM深度神经网络模型,设置神经网络的相关参数,建立最优的LSTM深度神经网络;通过隐藏层神经元个数、批处理样本数量、训练迭代次数、学习速率来对LSTM神经网络进行设置,构建用于车辆运动参数趋势预测模型;网络进行设置,构建用于车辆运动参数预测的LSTM神经网络预测模型;
(5)训练好的最优LSTM深度神经网络,预测未来车辆行驶状态参数。
4.根据权利要求1所述的一种基于LSTM-DTW重型车辆侧翻预警方法,其特征在于,所述的步骤三预测曲线模板匹配侧翻识别的方法为:
(1)根据侧倾角速度侧翻曲线的特征,定义两种侧倾角速度的侧翻模板,一种为工作侧翻曲线,另一种为辅助侧翻曲线;工作侧翻曲线模板斜率大于辅助侧翻曲线;
(2)参数初始化:使用动态规整算法计算工作侧翻曲线与辅助侧翻曲线的距离记为W1、计算预测曲线与工作侧翻曲线的距离dis1,计算预测曲线与辅助侧翻曲线的距离dis2,同时计算二者的距离差值diffdis:
diffdis=dis1-dis2 (2)
除此之外,还需实时计算非侧翻状态下已知时间序列曲线与工作侧翻曲线的平均距离,记为W2;
(3)实时比较diffdis(t),diffdis(t-1),diffdis(t-2)的结果,
diffdis(t)<diffdis(t-1)<diffdis(t-2) (3)
当满足公式(3)次数大于3且diffdis(t)<W1时,侧翻预警为I级;此时停止计算已知时间序列与侧翻工作曲线的平均距离W2;
(4)在I级报警的状态下,当满足公式(4)发现工作侧翻曲线距离存在极小值时,进入II级报警状态;
dis1(t-1)<dis1(t-2)且dis1(t)>dis1(t-1) (4)
(5)在II级报警的状态下,当满足公式(5)(6)(7)时,进行III级报警,此时车辆进入严重侧翻状态;
dis1(t)<dis1(t-1)<dis1(t-2) (5)
dis2(t)<dis2(t-1)>dis2(t-2) (6)
dis1(t)<dis2(t) (7)
在II级报警的状态下,而如果满足公式(8)
dis1(t)>dis1(t-1)>dis1(t-2) (8)
且dis1(t)>W2则解除侧翻报警。
5.根据权利要求3所述的一种基于LSTM-DTW重型车辆侧翻预警方法,其特征在于:步骤(2)中,对车辆运动数据进行S-G滤波的子步骤为:
2.1设计一个帧长为m,阶数为n的Savitzky-Golay FIR平滑滤波器,得到卷积系数表,要求n<m,且m为奇数;
2.2对原始数据进行镜像延拓来改善由于卷积带来的边缘效应;
2.3将得到的卷积系数表h[m]与镜像延拓的数据x[n]进行卷积运算;
其中y[n]为滤波后结果,h[m]为根据帧长、阶次设计的卷积系数表,x[n]为原始数据镜像延拓的结果
2.4按照帧长m进行中间截断;
2.5如平滑效果不理想,可设置平滑次数,按照2.2-2.4步骤循环平滑滤波,直至满足平滑次数为止。
6.根据权利要求3所述的一种基于LSTM-DTW重型车辆侧翻预警方法,其特征在于:步骤(5)中,其训练数据的输入、输出的方法为:
设定采样间隔为t,车辆某一运动属性的数据序列长度设定为p,预测未来的时间点为q,要求q<p;则训练的输入x_train={x(t-p+1),…,x(t-1),x(t)},训练的输出y_train{x(t-(p-q)+1),…,x(t+q-1),x(t+q)}。
7.根据权利要求4所述的一种基于LSTM-DTW重型车辆侧翻预警方法,其特征在于:根据预测曲线与工作侧翻曲线与辅助侧翻曲线的距离曲线,可将侧翻预警分为三个等级:
当满足公式(10)且次数大于3且diffdis(t)<W1时,侧翻预警为I级;
diffdis(t)<diffdis(t-1)<diffdis(t-2) (10)
当满足公式(11)进入II级报警状态;
dis1(t-1)<dis1(t-2)且dist(t)>dist(t-1) (11)
当满足公式(12(13)(14)时,进行III级报警;
dis1(t)<dis1(t-1)<dist(t-2) (12)
dis2(t)>dis2(t-1)>dis2(t-2) (13)
dis1(t)<dis2(t) (14)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211030898.8A CN115285137A (zh) | 2022-08-26 | 2022-08-26 | 一种基于lstm-dtw重型车辆侧翻预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211030898.8A CN115285137A (zh) | 2022-08-26 | 2022-08-26 | 一种基于lstm-dtw重型车辆侧翻预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115285137A true CN115285137A (zh) | 2022-11-04 |
Family
ID=83831784
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211030898.8A Pending CN115285137A (zh) | 2022-08-26 | 2022-08-26 | 一种基于lstm-dtw重型车辆侧翻预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115285137A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06107172A (ja) * | 1992-09-28 | 1994-04-19 | Nippon Sharyo Seizo Kaisha Ltd | 曲線情報算出方法及び車体傾斜制御方法 |
US6038495A (en) * | 1998-02-06 | 2000-03-14 | Delco Electronics Corporation | Vehicle rollover sensing using short-term integration |
DE10311794A1 (de) * | 2002-10-25 | 2004-05-13 | Robert Bosch Gmbh | Verfahren und Vorrichtung zur Ermittlung einer die Fahrdynamik eines Kraftfahrzeugs beeinflussenden Einflussgröße |
JP2004291895A (ja) * | 2003-03-28 | 2004-10-21 | Nissan Diesel Motor Co Ltd | 車両のロールオーバ防止装置 |
JP2007153283A (ja) * | 2005-12-08 | 2007-06-21 | Fujitsu Ten Ltd | ロールオーバ判定装置及びロールオーバ判定方法 |
JP2008149774A (ja) * | 2006-12-14 | 2008-07-03 | Isuzu Motors Ltd | 車両の横転危険度判定装置 |
JP2011006068A (ja) * | 2010-10-14 | 2011-01-13 | Mitsubishi Electric Corp | 車両の乗員保護装置 |
CN103213582A (zh) * | 2013-04-18 | 2013-07-24 | 上海理工大学 | 基于车身侧倾角估计的防侧翻预警控制方法 |
CN111415022A (zh) * | 2019-01-04 | 2020-07-14 | 大陆汽车电子(连云港)有限公司 | 车辆侧翻预测方法及装置 |
CN112991732A (zh) * | 2021-03-01 | 2021-06-18 | 江苏徐工工程机械研究院有限公司 | 一种基于双目相机的实时弯道侧翻预警系统与方法 |
CN113771864A (zh) * | 2021-06-18 | 2021-12-10 | 湖南大学 | 一种基于人工智能的新能源车辆侧翻预警方法 |
-
2022
- 2022-08-26 CN CN202211030898.8A patent/CN115285137A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06107172A (ja) * | 1992-09-28 | 1994-04-19 | Nippon Sharyo Seizo Kaisha Ltd | 曲線情報算出方法及び車体傾斜制御方法 |
US6038495A (en) * | 1998-02-06 | 2000-03-14 | Delco Electronics Corporation | Vehicle rollover sensing using short-term integration |
DE10311794A1 (de) * | 2002-10-25 | 2004-05-13 | Robert Bosch Gmbh | Verfahren und Vorrichtung zur Ermittlung einer die Fahrdynamik eines Kraftfahrzeugs beeinflussenden Einflussgröße |
JP2004291895A (ja) * | 2003-03-28 | 2004-10-21 | Nissan Diesel Motor Co Ltd | 車両のロールオーバ防止装置 |
JP2007153283A (ja) * | 2005-12-08 | 2007-06-21 | Fujitsu Ten Ltd | ロールオーバ判定装置及びロールオーバ判定方法 |
JP2008149774A (ja) * | 2006-12-14 | 2008-07-03 | Isuzu Motors Ltd | 車両の横転危険度判定装置 |
JP2011006068A (ja) * | 2010-10-14 | 2011-01-13 | Mitsubishi Electric Corp | 車両の乗員保護装置 |
CN103213582A (zh) * | 2013-04-18 | 2013-07-24 | 上海理工大学 | 基于车身侧倾角估计的防侧翻预警控制方法 |
CN111415022A (zh) * | 2019-01-04 | 2020-07-14 | 大陆汽车电子(连云港)有限公司 | 车辆侧翻预测方法及装置 |
CN112991732A (zh) * | 2021-03-01 | 2021-06-18 | 江苏徐工工程机械研究院有限公司 | 一种基于双目相机的实时弯道侧翻预警系统与方法 |
CN113771864A (zh) * | 2021-06-18 | 2021-12-10 | 湖南大学 | 一种基于人工智能的新能源车辆侧翻预警方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110992683B (zh) | 一种基于动态图像感知的交叉口盲区预警方法及系统 | |
CN101633359B (zh) | 具有驾驶风格识别的自适应车辆控制系统 | |
CN112052776B (zh) | 无人车自主驾驶行为优化方法、装置和计算机设备 | |
CN111746559B (zh) | 一种前车换道意图预测方法及预测系统 | |
Tang et al. | Driver lane change intention recognition of intelligent vehicle based on long short-term memory network | |
CN111667512B (zh) | 基于改进卡尔曼滤波的多目标车辆轨迹预测方法 | |
CN105374212B (zh) | 基于智能终端传感的高速公路车辆车道识别方法及系统 | |
CN106407931A (zh) | 一种新型深度卷积神经网络运动车辆检测方法 | |
CN106652445A (zh) | 一种公路交通事故判别方法及装置 | |
CN101633358A (zh) | 具有集成驾驶风格识别的自适应车辆控制系统 | |
CN112793576B (zh) | 一种基于规则与机器学习融合的换道决策方法及系统 | |
CN114265411B (zh) | 一种解决车辆预测模型性能受限于感知数据性能的方法 | |
CN112668779A (zh) | 基于自适应高斯过程的前车运动状态预测方法 | |
Zhang et al. | A framework for turning behavior classification at intersections using 3D LIDAR | |
CN113291311A (zh) | 一种紧急避撞工况下驾驶员异常行为检测方法及存储介质 | |
CN112884288A (zh) | 一种高速公路雨雾场景行车安全评估系统 | |
CN115186594A (zh) | 一种人-车-路耦合影响下的节能速度优化方法 | |
CN108482385A (zh) | 一种考虑交通环境复杂度的车载设备操作风险辨识方法 | |
CN113701642A (zh) | 一种车身外观尺寸的计算方法及系统 | |
CN115285137A (zh) | 一种基于lstm-dtw重型车辆侧翻预警方法 | |
CN108133231A (zh) | 一种尺度自适应的实时车辆检测方法 | |
CN112002126A (zh) | 复杂场景下车辆长期轨迹预测方法及系统 | |
Xu et al. | Roadside estimation of a vehicle’s center of gravity height based on an improved single-stage detection algorithm and regression prediction technology | |
Anil et al. | Driver behavior analysis using K-means algorithm | |
CN115635982A (zh) | 基于驾驶效率与舒适度的自动驾驶方法及系统 |
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 |