CN115406446A - 基于神经网络与无迹卡尔曼滤波的多轴特种车状态估计方法 - Google Patents
基于神经网络与无迹卡尔曼滤波的多轴特种车状态估计方法 Download PDFInfo
- Publication number
- CN115406446A CN115406446A CN202211015026.4A CN202211015026A CN115406446A CN 115406446 A CN115406446 A CN 115406446A CN 202211015026 A CN202211015026 A CN 202211015026A CN 115406446 A CN115406446 A CN 115406446A
- Authority
- CN
- China
- Prior art keywords
- neural network
- vehicle
- state
- angle
- unscented kalman
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/3415—Dynamic re-routing, e.g. recalculating the route when the user deviates from calculated route or after detecting real-time traffic data or accidents
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C23/00—Combined instruments indicating more than one navigational value, e.g. for aircraft; Combined measuring devices for measuring two or more variables of movement, e.g. distance, speed or acceleration
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M1/00—Testing static or dynamic balance of machines or structures
- G01M1/12—Static balancing; Determining position of centre of gravity
- G01M1/122—Determining position of centre of gravity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
-
- 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
-
- 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
- G06F17/12—Simultaneous equations, e.g. systems of linear equations
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Automation & Control Theory (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了基于神经网络与无迹卡尔曼滤波的多轴特种车状态估计方法,包括步骤一:首先利用传感器采集车辆信号数据,形成车辆数据信号包;步骤二:利用神经网络模块对传感器信号数据进行处理,估计伪质心侧偏角和伪侧倾角;步骤三,将所述神经网络模块所获得的伪质心侧偏角和伪侧倾角作为“伪测量”输入到无迹卡尔曼模块中,利用无迹卡尔曼模块最终得出多轴特种车辆的质心侧偏角和侧倾角;本方法通过利用神经网络和无迹卡尔曼滤波两种算法对多轴特种车辆的质心侧偏角和侧倾角两个主要控制参数同时进行估计,能够有效解决强非线性系统的问题,具有算法精度高、适用范围广和稳定性好的特点。
Description
技术领域
本发明涉及特种车定位技术领域,具体涉及一种基于神经网络与无迹卡尔曼滤波的多轴特种车状态估计方法。
背景技术
随着军事化需求的推进,特种车辆行驶环境复杂多变,加上特种车辆载重大、质心高等特点,在机动过程中易造成车辆操纵失稳等事故;为了提高车辆操纵稳定性和安全性,大量先进的车辆主动安全控制系统被发展应用,但车辆主动安全控制系统的实际效果和潜在性能在很大程度上依赖于对车辆基本状态信息的实时了解,例如车辆质心侧偏角和侧倾角,由于技术和经济原因,在标准车辆中很难直接测量这些信息,且在复杂的驾驶环境下,通过GPS测量的信号可能会丢失;借助有限的传感器,基于动力学模型和参数估计方法,来获取尽可能符合实际的状态参数,是一种经济有效的方法;
近年来,不同类型的基于汽车动力学模型的方法以及不同的估计策略得到了发展和研究;一种是基于模型的估计方法,另一种是基于数据驱动的估计方法;基于车辆模型的估计方法包括运动学和动力学模型;基于运动学的估计是一种车辆状态估计的直接积分方法,因为偏移误差等原因,经过长时间的积分,累积误差会不断增加,最后估计出的车辆状态极不准确;考虑到基于运动学的估计方法的局限性,大多数研究倾向于基于车辆动力学模型的估计,基于车辆动力学模型的估计技术利用数学模型描述车辆系统动力学中的瞬态行为,具有较高的状态估计精度;基于动力学的估计中,包括卡尔曼滤波及其改进算法、最小二乘法、龙贝格观测器、鲁棒观测器、滑模观测器等;如文章“NAM K,OH S,FUJIMOTO H,etal.Estimation of Sideslip and Roll Angles of Electric Vehicles Using LateralTire Force Sensors Through RLS and Kalman Filter Approaches[J].IndustrialElectronics,IEEE Transactions on,2013”提出了一种利用多传感轮毂单元获得的实时轮胎侧向力测量来估计质心侧偏角-和侧倾角的方法,在车辆质心侧偏角估计中,基于线性车辆模型和传感器测量数据,提出了一种带遗忘因子的递推最小二乘算法,在侧倾角估计中,卡尔曼滤波器是通过集成可用的传感器测量和侧倾动力学来设计的,实验证明,与传统方法相比,估计精度提高了50%以上;文章“LI X,CHAN C,WANG Y.A Reliable FusionMethodology for Simultaneous Estimation of Vehicle Sideslip and Yaw Angles[J].IEEE Transactions on Vehicular Technology,2015”提出了一种将单频双天线全球定位系统(DA-GPS)与其他低成本车载传感器集成在一起的融合方法,以实现车辆质心侧偏角和侧倾角的可靠估计,先通过两个平行的扩展卡尔曼滤波器的相互作用,准确估计车辆侧倾角,并根据车辆运动学,在联邦滤波算法的基础上设计了全局联邦估计器(GFE),总体结果表明,该方法能够在广泛的驾驶工况下提供可靠的质心侧偏角和侧倾角的估计;文章“JIN X,YIN G.Estimation of lateral tire-road Forces and sideslip Angle forelectric Vehicles using interacting multiple model filter approach[J].Journalof the Franklin Institute,2014”提出了一种利用实时测量来估计质心侧偏角和侧倾角的方法,该估计方法基于一种交互多模型(interactive multi-model,IMM)滤波器,该滤波器集成了轮式电动汽车的车内传感器,使多车-路系统模型适应可变工况,基于考虑侧倾动力学和载荷传递的四轮非线性车辆动力学模型,基于线性轮胎模型和非线性Dugoff轮胎模型的车辆-道路系统模型集是IMM滤波器的两部分,同时研究并比较了交互多模型无迹卡尔曼滤波器和交互多模型扩展卡尔曼滤波器。结果表明,所提出的估计方法估计效果较好;但是在这些方法中,估计效果易受到车辆和轮胎模型以及系统不确定性的强烈影响;
随着人工智能的快速发展,基于数据驱动的估计方法,特别是基于人工神经网络的估计在车辆状态估计中显示出了广阔的应用前景;该方法专门用于克服对任何类型的车辆模型及其相关的复杂参数集的需求,提供了诸如自适应学习、容错性和泛化等决定性优势,已经被证实具有避免车辆动力学估计问题的能力;文章“SASAKI H,NISHIMAKI T.ASideSlip Angle Estimation Using Neural Network for a Wheeled Vehicle[J],2000”和“WEI W,SHAOYI B,LANCHUN Z,et al.Vehicle Sideslip Angle Estimation Based onGeneral Regression Neural Network[J].Mathematical Problems in Engineering,2016”使用了可以直接用IMU测量的横向加速度和横摆角速度,估计车辆的质心侧偏角,前者利用实验数据训练神经网络并依据实验数据进行实验验证,后者则采用了一般回归神经网络,用仿真数据训练网络并用实验数据进行验证。这些论文表明,基于数据驱动的估计方法是可行的,但这种方法依赖于训练数据集,只有当测试数据集和训练数据集非常相似时估计才会准确,因此不能推广问题;
因此,如何有效的将上述卡尔曼滤波器与神经网络算法相结合,来进行多轴特种车辆的状态估计变成了本领域一个亟待解决的问题。
发明内容
针对上述存在的问题,本发明旨在提供一种基于神经网络与无迹卡尔曼滤波的多轴特种车状态估计方法,本方法通过利用神经网络和无迹卡尔曼滤波两种算法对多轴特种车辆轮胎的质心侧偏角和侧倾角两个主要控制参数同时进行估计,能够有效解决强非线性系统的问题,具有算法精度高、适用范围广和稳定性好的特点。
为了实现上述目的,本发明所采用的技术方案如下:
基于神经网络与无迹卡尔曼滤波的多轴特种车状态估计方法,包括
步骤一:首先利用传感器采集车辆信号数据,形成车辆数据信号包;
步骤二:利用神经网络模块对传感器信号数据进行处理,估计伪质心侧偏角和伪侧倾角;
步骤三,将所述神经网络模块所获得的伪质心侧偏角和伪侧倾角作为“伪测量”输入到无迹卡尔曼模块中,利用无迹卡尔曼模块最终得出多轴特种车辆的质心侧偏角和侧倾角。
优选的,步骤一所述的传感器为设置在车身上的传感器,所述信号数据包括侧向加速度信号、纵向加速度信号、横摆角速度传感器信号和侧倾角速度传感器信号。
优选的,所述的神经网络模块的建立过程包括
S2.1在建立神经网络模型之前,准备用于训练神经网络模型的数据集,所述数据集包含车辆主要的机动状态下的数据情况;
其中所述数据集包括数据内容相同的训练集、验证集和测试集;
S2.2建立神经网络模块的网络结构
所述神经网络模块使用全连接神经网络估计伪质心侧偏角和伪侧倾角。
优选的,所述的全连接神经网络包括1个输入层、7个隐藏层和1个输出层;
其中所述输入层包括6个输入,分别是纵向加速度、侧向加速度、方向盘转角、纵向速度、横摆角速度、侧倾角速度;
所述输出层为质心侧偏角和侧倾角,且输出层的单层网络神经元个数为100,网络训练次数为100。
优选的,所述的全连接神经网络还包括一个双曲正切激活函数和损失函数,其中
所述损失函数形式为:
式中,m为参与计算的样本数,ynn是网络模型的输出,yl是输出的标签,惩罚项中γ是惩罚系数,kk是权重个数,Wj为第j个权重大小;
根据反向传播算法得到的参数梯度,神经网络模型基于梯度下降法来更新网络中的参数以最小化损失函数的值,模型参数θ更新过程如下:
式中,θ为参数,η为参数的更新率。
优选的,步骤三所述的无迹卡尔曼模块的设计过程包括
S3.1建立无迹卡尔曼滤波模块的状态方程;
S3.2在建立得到无迹卡尔曼滤波状态方程的基础上,利用UKF滤波算法进行状态估计,建立系统估计方程。
优选的,步骤S3.1所述的无迹卡尔曼滤波模块的状态方程的建立过程包括
(1)忽略车辆纵向、垂向和俯仰动力学特性,忽略非簧载质量以及前后轴不同特性对车辆特性的影响,设车辆的簧载质量围绕车辆的侧倾中心旋转,建立由“自行车模型”和侧倾平面模型组成的三自由度车辆侧倾模型,包括车辆横向运动、横摆运动以及侧倾运动;
(2)考虑三个自由度之间的耦合影响,分别列出侧向运动的力平衡、横摆运动的力矩平衡以及侧倾运动的力矩平衡关系式:
侧向力平衡方程:
横摆力矩平衡方程:
侧倾力矩平衡方程:
侧向加速度:
式中,ms为簧载质量;hc为质心至侧倾轴的高度;Fyi,i=1,2,3,4,5为侧向力;δi,i=1,2,3,4,5为各轴车轮转角;Iz为车辆绕z轴的转动惯量;Ix为车辆绕x轴的转动惯量;ωz为车身横摆角速度;li,i=1,2,3,4,5为各轴到质心的距离;g为重力加速度;Cs悬架等效侧倾阻尼;Kr为悬架等效侧倾刚度;vy为侧向速度;vx为纵向速度;
(3)忽略轮胎中非线性因素的影响,轮胎侧向力表示为:
Fyi=kiαi (7)
质心侧偏角表示为:
β=vy/vx (8)
结合以上公式,可以推导出简化后的微分方程:
式中,ki,i=1,2,3,4,5为各轴轮胎的侧偏刚度;αi,i=1,2,3,4,5为各轴轮胎侧偏角;k12,k14,k15分别为2轴、4轴、5轴轮胎转角与1轴的比例值。
优选的,步骤S3.2所述的系统估计方程的建立过程包括
(1)根据步骤S3.1可以得到系统的状态空间方程表示为:
式中,xk+1,zk,uk分别为系统状态量、观测量和输入量;wk和vk分别为过程噪声和观测噪声;
(2)根据所建立的微分方程式(9)-(12),状态空间方程表示为:
(3)UKF滤波算法利用相似分布原理,计算的Sigma点集跟原分布均值和协方差一样,带进非线性系统后进行无迹变换,进而得出估计量。
优选的,所述的无迹卡尔曼滤波模块的工作步骤包括:
步骤1:初始化
步骤2:构造状态量Sigma采样点
计算状态向量的Sigma采样点χ(i)并求出采样点的权值ω(i):
式中,和P为均值和方差,上标m的是均值的相应权值,带上标c的是协方差的相应权值;下标是第几个采样点;λ=α2(n+κ)-n是一个缩放比例函数,用来降低总的预测误差;α(0.0001≤α≤1)的选取控制了采样点的分布状态;κ是一个二阶比例参数,其值应该保证(n+λ)P是一个半正定矩阵,取κ=0;β是一个权重系数,β≥0;
步骤3:状态预测
状态预测过程包括状态向量预测和观测向量预测;
重新求得Sigma点集和其相应权值并计算Sigma点的进一步预测;
进而求出状态量预测和协方差矩阵的预测
将上一步计算出的状态预测量通过无迹变换计算出预测量的采集样点,
计算Sigma点的预测观测量,
求观测的预测均值,得出预测的均值及协方差,
步骤4:状态校正
状态校正过程主要进行状态向量校正和状态误差协方差校正,
首先计算状态向量与观测量之间的互相关协方差:
计算卡尔曼增益矩阵,
更新状态量和协方差矩阵,
误差协方差矩阵初始值为P=eye(4)×10,过程噪声协方差矩阵初始值为R=diag[1e-6,1e-6,1e-4,1e-6],测量噪声协方差矩阵初始值为Q=eye(4)×0.1。
一种基于神经网络与无迹卡尔曼滤波的多轴特种车状态估计器,所述状态估计器包括神经网络模块和无迹卡尔曼滤波模块,其中
所述神经网络模块用于根据传感器采集车辆信号数据包估计伪质心侧偏角和伪侧倾角;
所述无迹卡尔曼滤波模块用于根据神经网络模块所获得的伪质心侧偏角和伪侧倾角计算最终的多轴特种车辆的质心侧偏角和侧倾角。
本发明的有益效果是:本发明公开了一种基于神经网络与无迹卡尔曼滤波的多轴特种车状态估计方法,与现有技术相比,本发明的改进之处在于:
(1)本发明提出了一种基于神经网络与无迹卡尔曼滤波的多轴特种车状态估计方法,本方法将神经网络和无迹卡尔曼滤波两种算法相结合,在使用时,神经网络能够有效忽略车辆系统的非线性对它的影响,无迹卡尔曼滤波算法能适应更强的非线性,因此利用上述两种算法对多轴特种车辆轮胎的质心侧偏角和侧倾角两个主要控制参数同时进行估计,能够有效解决强非线性系统的问题,具有算法精度高、适用范围广和稳定性好的优点;
(2)本方法所提出的状态估计算法先通过神经网络得出“伪质心侧偏角”和“伪侧倾角”,作为观测量输入到无迹卡尔曼滤波中,更好的修正增益值,使估计效果达到更好,并且该算法采用简化的车辆模型,以减少计算复杂度和计算时间;同时,该算法在各种环境(隧道、荒漠和森林驾驶环境)中都很有用,因为它使用了从当前车辆上安装的传感器估计的“伪质心侧偏角”和“伪侧倾角”,而不是GPS天线,保证了算法的适用范围;
(3)本方法所提出的同时估计质心侧偏角和侧倾角的算法经过训练集中所不包含的s曲线工况仿真实验和实车实验验证,验证结果表明,五轴重型车辆的行驶状态发生改变时,所设计的估计器能够较精确的估计出车辆状态参数,具有良好的跟随性,算法精度较高,可为后续的车辆稳定性控制提供可靠的参数。
附图说明
图1为本发明基于神经网络与无迹卡尔曼滤波的多轴特种车状态估计器的结构架构图。
图2为本发明神经网络模块的神经网络架构图。
图3为本发明侧倾动力学模型图。
图4为本发明实施例2实车实验图。
图5为本发明实施例2模型验证流程图。
图6为本发明实施例2逆时针绕圈实验图。
图7为本发明实施例2模型验证对比图。
图8为本发明实施例3仿真匀速工况估计结果对比图。
图9为本发明实施例3仿真匀减速工况估计结果对比图。
图10为本发明实施例3顺时针绕圈实验图。
图11为本发明实施例3顺时针工况估计结果对比图。
图12为本发明实施例3顺时针工况估计结果误差对比图。
图13为本发明实施例3S曲线实验图。
图14为本发明实施例3曲线工况估计结果对比图。
图15为本发明实施例3S曲线估计结果误差图。
其中:在图6中,图(a)为逆时针绕圈实验车辆轨迹图,图(b)为方向盘转角图,图(c)为速度图;
在图7中,图(a)为侧向加速度对比图,图(b)为横摆角速度对比图,图(c)为侧倾角速度对比图,图(d)为侧倾角对比图,图(e)为质心侧偏角对比图;
在图8中,图(a)为匀速工况下质心侧偏角估计结果对比图,图(b)为匀速工况下侧倾角估计结果图;
在图9中,图(a)为匀减速工况下质心侧偏角估计结果对比图,图(b)为匀减速工况下侧倾角估计结果图;
在图10中,图(a)为顺时针绕圈实验车辆轨迹图,图(b)为方向盘转角图,图(c)为速度图,图(d)为侧向加速度图,图(e)为横摆角速度图,图(f)为侧倾角速度图;
在图11中,图(a)为顺时针工况下质心侧偏角估计结果图,图(b)为顺时针工况下侧倾角估计结果图;
在图12中,图(a)为顺时针工况下质心侧偏角估计误差图,图(b)为顺时针工况下侧倾角估计误差图;
在图13中,图(a)为S曲线实验车辆轨迹图,图(b)为方向盘转角图,图(c)为速度图,图(d)为侧向加速度图,图(e)为横摆角速度图,图(f)为侧倾角速度图;
在图14中,图(a)为S曲线工况下质心侧偏角估计结果图,图(b)为S曲线工况下侧倾角估计结果图;
在图15中,图(a)为S曲线工况下质心侧偏角估计误差图,图(b)为S曲线工况下侧倾角估计误差图。
具体实施方式
为了使本领域的普通技术人员能更好的理解本发明的技术方案,下面结合附图和实施例对本发明的技术方案做进一步的描述。
实施例1:参照附图1-15所示的一种基于神经网络与无迹卡尔曼滤波的多轴特种车状态估计方法,包括
步骤一:首先利用车辆自身的传感器采集车辆信号数据,形成车辆数据信号包;
所述信号数据包括侧向加速度信号、纵向加速度信号、横摆角速度传感器信号和侧倾角速度传感器信号;
步骤二:利用神经网络模块对传感器信号数据进行处理,估计伪质心侧偏角(βNN)和伪侧倾角(φNN);
步骤三,在获得伪质心侧偏角(βNN)和伪侧倾角(φNN)后,将所述神经网络模块所获得的伪质心侧偏角和伪侧倾角作为“伪测量”输入到无迹卡尔曼模块中,利用无迹卡尔曼模块最终得出多轴特种车辆的质心侧偏角和侧倾角。
优选的,步骤二所述的神经网络模块的建立过程包括
因神经网络不需要考虑建立车辆模型这一特性,决定了它在处理非线性问题中的巨大优势,可以满足估计质心侧偏角和侧倾角度的条件,而且使用神经网络估算可以保证系统的实时响应,同时也不会额外地增加整车生产成本;
S2.1准备用于训练神经网络模型的数据集
在建立神经网络模型之前,需要提前准备好数据集,以便于对模型进行离线训练,数据集中必须包含车辆主要的机动状态下的数据情况,以便来表征非线性车辆的响应特性;
所述数据集包括训练集、验证集和测试集,三者的数据内容是相同的,由于车辆实际行驶过程中,工况十分复杂,为了提高估计精度,需要尽可能多地设置不同工况;数据的采集由Trucksim提供整车动力学模型,同时与Matlab/Simulink进行联合仿真完成;TruckSim软件是一款基于参数化建模的传统与现代多体车辆动力学相结合的汽车行业应用广泛的仿真软件;使用模拟车辆模型采集数据集的主要优点之一是能够执行不同类型的车辆机动,以避免在不同的道路条件下可能发生的事故;此外,仿真模型保证了测试的再现性;
训练集的采集路线工况主要包括直线、双移线、八字、定圆、鱼钩,速度设置在10km/h-90km/h之间,每隔10km/h取一数值,道路摩擦系数设置为0.3、0.5、0.8,除直线路况外,其余路况在道路摩擦系数为0.3的情况下,最高速度限制在80km/h,依据仿真结果,速度高于80km/h的情况下,车辆将发生侧翻;采样频率设置为100Hz,每个试验组相同条件下进行三次仿真,取平均值记录;仿真采集得到纵向加速度、侧向加速度、方向盘转角、纵向速度、横摆角速度、侧倾角速度、质心侧偏角和侧倾角;训练集的训练工况具体数值如表1所示:
表1:数据集训练工况
S2.2建立神经网络模块的网络结构
神经网络模块使用全连接神经网络估计伪质心侧偏角和伪侧倾角;从神经网络观测器得到的侧倾角和质心侧偏角的初步估计被用作无迹卡尔曼滤波器中的“伪测量”;其中全连接神经网络的体系结构如图2所示,所述全连接神经网络的体系结构包括
1个输入层,包括6个输入,分别是纵向加速度、侧向加速度、方向盘转角、纵向速度、横摆角速度、侧倾角速度,7个隐藏层,2个输出层,输出层为质心侧偏角和侧倾角,单层网络神经元个数为100,神经元作为神经网络的基本计算单元,接受来自其它神经元或者外部的数据,然后计算一个输出;每个输入值都有权重,在神经元内经过激活函数的非线性计算,得出输出值;在初始阶段,所有权重都是随机分配的;对于训练集的每个输入值,经过神经网络的前向计算后,得到的输出值将会与期望的输出进行比较,然后得到的误差会传回给前面的网络层;这个误差会被记下,然后权重会进行相应的调整;
1.输入神经元:位于输入层,主要是传递来自外界的信息进入神经网络中,这些神经元不需要执行任何计算,只是作为传递信息,或者说是数据进入隐藏层;
2.隐藏神经元:位于隐藏层,隐藏层的神经元不与外界有直接的连接,它都是通过前面的输入层和后面的输出层与外界有间接的联系,因此称之为隐藏层,隐藏层的神经元会执行计算,将输入层的输入信息通过计算进行转换,然后输出到输出层;
3.输出神经元:位于输出层,输出神经元就是将来自隐藏层的信息输出到外界中,也就是输出最终的结果;
激活函数是全连接神经网络中输入输出具有非线性映射关系的重要保障,如果不对神经元结构中的预输出进行函数激活,则全连接神经网络等价于一个线性模型,而线性模型难以准确表达实际中存在的非线性现象,本文的激活函数选择双曲正切(Tanh)激活函数;
因为估计车辆姿态角度属于深度学习中的回归问题,它预测的是一个连续的变化过程而不是离散的标签,所以采用均方误差作为表示预测与实际值之间差距的损失函数;神经网络模型中待训练的参数总量常常远多于训练数据集总量,会造成网络模型在训练过程中易过拟合,过拟合是指训练模型对于样本数据过度依赖,只专注于当前采集到的样本数据,而模型缺乏对一般数据的泛化能力;这不利于车辆参数的估计,因为我们采集的样本数据是有限的,但车辆在实际行驶过程中,出现的数据情况远会不同于我们所采集的样本数据;正则化是为了防止模型过拟合的处理方法,通过在损失函数中添加对训练参数的惩罚范数并对需要训练的参数进行约束来解决过拟合,本实施例使用添加L2正则化,为便于调节正则化函数对网络的权重的影响,通过引入超参数γ调节L2正则化项对网络的影响,整个损失函数形式如下:
式中,m为参与计算的样本数,ynn是网络模型的输出,yl是输出的标签,惩罚项中γ是惩罚系数,kk是权重个数,Wj为第j个权重大小;
根据反向传播算法得到的参数梯度,神经网络模型基于梯度下降法来更新网络中的参数以最小化损失函数的值,模型参数θ更新过程如下:
式中,θ为参数,η为参数的更新率;
参数更新的方式影响网络训练时的收敛速度,不同类型的优化器对于网络梯度的更新策略不同;在训练网络时采用RMSprop作为网络训练优化器,RMSprop是一种自适应学习率优化器,采用累计梯度计算网络参数更新大小,并且在更新参数时引入了超参数衰减率,能够弱化历史累计梯度的影响,使得优化器在更新参数时不必以全局累计梯度进行收缩,避免了参数更新随着训练循环次数增大而变得太小,加快了网络收敛速度;全局学习率设置为0.0001,衰减率为0.8,L2权重惩罚系数为0.0005。
优选的,步骤三所述的无迹卡尔曼模块的设计过程包括
S3.1建立无迹卡尔曼滤波模块的状态方程
忽略车辆纵向、垂向和俯仰动力学特性,忽略非簧载质量以及前后轴不同特性对车辆特性的影响,假设车辆的簧载质量围绕车辆的侧倾中心旋转,如图3所示,建立由“自行车模型”和侧倾平面模型组成的三自由度车辆侧倾模型,包括车辆横向运动、横摆运动以及侧倾运动;
依据上述假设,考虑三个自由度之间的耦合影响,根据达朗贝尔原理分别列出侧向运动的力平衡、横摆运动的力矩平衡以及侧倾运动的力矩平衡关系式;
侧向力平衡方程:
横摆力矩平衡方程:
侧倾力矩平衡方程:
侧向加速度:
式中ms为簧载质量;hc为质心至侧倾轴的高度;Fyi,i=1,2,3,4,5为侧向力;δi,i=1,2,3,4,5为各轴车轮转角;Iz为车辆绕z轴的转动惯量;Ix为车辆绕x轴的转动惯量;ωz为车身横摆角速度;li,i=1,2,3,4,5为各轴到质心的距离;g为重力加速度;Cs悬架等效侧倾阻尼;Kr为悬架等效侧倾刚度;vy为侧向速度;vx为纵向速度;
为简化模型,忽略轮胎中非线性因素的影响,轮胎侧向力可以表示为:
Fyi=kiαi (7)
质心侧偏角可以表示为:
β=vy/vx (8)
结合以上几个公式,可以推导出简化后的微分方程:
式中,ki,i=1,2,3,4,5为各轴轮胎的侧偏刚度;αi,i=1,2,3,4,5为各轴轮胎侧偏角;k12,k14,k15分别为2轴、4轴、5轴轮胎转角与1轴的比例值;
S3.2在建立得到无迹卡尔曼滤波状态方程的基础上,利用UKF滤波算法进行状态估计,建立系统估计方程
根据步骤S3.1可以得到,系统的状态空间方程可以表示为:
式中,xk+1,zk,uk分别为系统状态量、观测量和输入量;wk和vk分别为过程噪声和观测噪声;
根据所建立的微分方程式(9)-(12),状态空间方程可以表示为:
y=C·x+v (15)
UKF滤波算法利用相似分布原理,计算的Sigma点集跟原分布均值和协方差一样,带进非线性系统后进行无迹变换,进而得出估计量。
优选的,所述的无迹卡尔曼滤波模块的工作步骤包括:
步骤1:初始化
步骤2:构造状态量Sigma采样点
计算状态向量的Sigma采样点χ(i)并求出采样点的权值ω(i):
式中,和P为均值和方差,上标m的是均值的相应权值,带上标c的是协方差的相应权值;下标是第几个采样点;λ=α2(n+κ)-n是一个缩放比例函数,用来降低总的预测误差;α(0.0001≤α≤1)的选取控制了采样点的分布状态;κ是一个二阶比例参数,其值应该保证(n+λ)P是一个半正定矩阵,取κ=0;β是一个权重系数,β≥0,其作用是将系统方程的高阶项动差进行合并,这取β=2最优;
步骤3:状态预测
状态预测过程包括状态向量预测和观测向量预测;
重新求得Sigma点集和其相应权值并计算Sigma点的进一步预测;
进而求出状态量预测和协方差矩阵的预测
将上一步计算出的状态预测量通过无迹变换计算出预测量的采集样点,
计算Sigma点的预测观测量,
求观测的预测均值,得出预测的均值及协方差,
步骤4:状态校正
状态校正过程主要进行状态向量校正和状态误差协方差校正,
首先计算状态向量与观测量之间的互相关协方差:
计算卡尔曼增益矩阵,
更新状态量和协方差矩阵,
本实施例中误差协方差矩阵初始值为P=eye(4)×10,过程噪声协方差矩阵初始值为R=diag[1e-6,1e-6,1e-4,1e-6],测量噪声协方差矩阵初始值为Q=eye(4)×0.1。
通过本实施例所述估计方法得到一种基于神经网络与无迹卡尔曼滤波的多轴特种车状态估计器,所述状态估计器主要包括神经网络模块和无迹卡尔曼滤波模块二个模块,其中
所述神经网络模块用于根据传感器采集车辆信号数据包估计“伪质心侧偏角”βNN和“伪侧倾角”φNN;
所述无迹卡尔曼滤波模块用于将所述基于神经网络的神经网络模块所获得的伪质心侧偏角和伪侧倾角作为“伪测量”输入到无迹卡尔曼模块中,利用无迹卡尔曼模块最终得出多轴特种车辆的质心侧偏角和侧倾角。
实施例2,为验证经实施例1所述方法建立得到的基于神经网络与无迹卡尔曼滤波的多轴特种车状态估计器的有效性,设计本实施例Trucksim模型验证实验对上述状态估计器进行验证:
1.实车试验
为了验证Trucksim模型以及算法的准确性,利用所具有的特种车辆行驶状态监测系统进行实车实验;
实车实验方案为:测试路况为干燥的水泥路面,地势较为平整;测试车辆为某五轴重型特种车辆;方向盘转角传感器采集转向信息;Speedbox-mini放置于车内,并在软件Race Technology中修正质心补偿,用来测量车辆运行过程中车速、轨迹、高程等信息;GPS、INS天线放置于车顶,用来测量车辆姿态角和角速度等信息;多个传感器信号通过CAN总线输出至拥有多通道、多参数的DEWE43数据采集系统,用Race Technology和DEWEsoft-X3软件对实验数据进行记录、分析、处理,具体实验过程如图4所示;
2.Trucksim模型验证
利用真实车辆的实验结果验证TruckSim仿真车辆模型的有效性。车辆模型验证的过程如图5所示,将实验测得的方向盘转角、纵向速度作为Trucksim模型的输入,将Trucksim模型得到的侧向加速度、横摆角速度、侧倾角速度、侧倾角、质心侧偏角与实验数据进行比较。因为搭建的模型目的是作为状态观测的仿真平台,所需观测的纵向速度是各类控制算法中重要的输入参数,且横摆角速度和质心侧偏角状态量是以横向动力学模型为基础,横摆角速度与侧向加速度二者有研究用来验证模型的准确度;根据实验数据与仿真数据的差值,通过试错调整模型参数,最终确定最小均方根误差下的模型;
基于现有的实验条件,选取的模型验证路况为顺时针绕圈路段,将选取路段的数据信息用于车辆模型参数调整与验证;实车行驶轨迹、方向盘转角和速度分别为图7(a-c);模型与实际值的侧向加速度、横摆角速度、侧倾角速度、侧倾角和质心侧偏角对比图分别为图8(a-e);
实车数据与TruckSim模型输出数据的均方根误差和最大误差如表2所示:
表2:验证偏差
由图7以及表2可知,实际值与模型输出的对比,二者会有一些误差,但总体上变化趋势与实际相符,较为吻合能够较好的反映真实车辆;因实车实验环境为较为平整的场地,有些路面是有一些坡度的,在TruckSim模型中是输入的方向盘转角,没有考虑路面坡度;该实车试验验证结果能够说明该模型的真实性和可靠性;最终调整验证模型过程中,在原有车辆数据的基础上,主要对转向系传动比、车辆质量绕轴转动惯量、轮胎模型等几个参数做微调;在调整验证过程中,转向系传动比的变化对参数量变化影响较大,实车转向系传动比随着档位的变化而变化,模型中将其作为一个定值;按照均方根误差数值最小的调整基准,模型最终确定的主要参数数值如表3所示;
表3:车辆参数
实施例3.为验证经实施例1所述方法建立得到的基于神经网络与无迹卡尔曼滤波的多轴特种车状态估计器的有效性,设计本实施例估计算法验证过程对上述状态估计器进行验证:
1.仿真验证
为证明所提出的基于神经网络和无迹卡尔曼滤波的估计器的有效性,在进行仿真实验验证时,测试集时应尽可能与训练集工况不同,检验网络模型学习到的动力学特性;因此测试集中设置训练集中不具有的方向盘正弦输入工况,前者在摩擦系数为0.8的路面,以75km/h的速度进行;后者在摩擦系数为0.8的路面,车辆在75km/h至35km/h匀减速进行;仿真实验结果如图8、9;除了这两种工况,本文还做了路面摩擦系数为0.5,车速75km/h和路面摩擦系数为0.8,车辆35km/h至75km/h匀加速工况验证,与本算法作比较的为单一的UKF,与NN-UKF相比,UKF中的观测向量为只考虑了侧向加速度和侧倾率而未考虑“伪侧倾角”和“伪质心侧偏角”。四种工况的均方根误差对比如表4所示;
表4:仿真实验估计结果均方根误差
从图8和图9中可以看出,两种方法与仿真值都具有良好的跟随性,但当方向盘转向发生变化时,可以明显看出基于NN-UKF的算法结果更好,它与仿真值的差值相对于用单一的UKF要小的多;由表4也可以看出,即使在变速工况下,基于NN-UKF算法的两种工况下质心侧偏角和侧倾角估计误差都明显小于UKF算法,也证明了NN-UKF算法在估计质心侧偏角和侧倾角上对车速具有较好的鲁棒性,在整个仿真试验过程中,NN-UKF算法表现地更加平稳;综上仿真结果表明,基于NN-UKF的估计器比基于UKF的估计器具有更好的性能;
2.实车实验验证
由实施例2第1节实车实验部分可知,基于现有实验条件,安装好实验器材后在某干燥水泥路面上进行实车实验;选取逆时针绕弯路段和s曲线路段用作算法的实验验证;
工况1:逆时针绕圈路段工况中,车辆的运动轨迹、方向盘转角、纵向速度、侧向加速度、横摆角速度和侧倾角速度如图10(a-f)所示,为了进一步验证NN+UKF算法的估计效果,在进行验证对比时,和仿真实验验证相比,增加了单独神经网络的数据对比,具体的质心侧偏角和侧倾角验证对比如图11(a-b)所示,质心侧偏角和侧倾角差值如图12(a-b)所示;
工况2:s曲线路段工况中,车辆的运动轨迹、方向盘转角、纵向速度、侧向加速度、横摆角速度和侧倾角速度如图13(a-f)所示,质心侧偏角和侧倾角验证对比如图14(a-b)所示,质心侧偏角和侧倾角差值如图15(a-b)所示;两种工况下的各项均方根误差表如表5所示:
表5:实车实验估计结果均方根误差
由图11、图12、图14、图15、以及表5可知:在绕圈工况中,行驶速度稳定在30km/h左右,在11(a-b)中a、b两点为工况1的拐点,UKF和NN在车辆开始转向时跟随性差一些,UKF+NN一直能够保持好的跟随性,即使有的时段会产生较大误差,但都能够快速地收敛到实验值附近,方向盘转角的变化对算法的估计精度没有明显影响,且由图12(a-b)得出UKF+NN算法在转角最大处的绝对误差要远小于其余两个算法,该算法的估计效果还是优于其他两种算法;在s曲线路段工况中,受试验场地影响,车辆行驶速度较慢,在较短的路程内完成s曲线,对车辆的稳定性具有一定的影响,不会较好的反映车辆的真实状态,且在该路段,路面呈现一定的坡度,而在建立侧翻估计模型时,并未将路面坡度角对姿态角的扰动考虑进去,进而造成三种估计值误差波动都较大,降低了算法的估计精度;但无论是从图15(a-b)还是表5都可以明显看出UKF+NN算法的优势;
在均方根误差比较方面,工况1中基于UKF+NN对质心侧偏角的估计相对UKF算法下降了49.8%、相对NN算法下降了39.7%;对侧倾角的估计相对UKF算法下降了47.9%、相对NN算法下降了30.8%。工况2中基于UKF+NN对质心侧偏角的估计相对UKF算法下降了46.8%、相对NN算法下降了25.5%;对侧倾角的估计相对UKF算法下降了41.4%、相对NN算法下降了27.3%;
综上结果表明估计算法精度较高,可实现对质心侧偏角和侧倾角参数的同时估计。
因此可见,针对多轴特种车辆所具有的特点以及在复杂恶劣的行驶环境中会出现操纵失稳的可能性,本发明实施例1所提出的基于神经网络与无迹卡尔曼滤波的估计方法的适应能力更强,用该算法对其中影响较大、难以测量的质心侧偏角和侧倾角两个主要控制参数能够实现同时进行估计。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.基于神经网络与无迹卡尔曼滤波的多轴特种车状态估计方法,其特征在于:包括
步骤一:首先利用传感器采集车辆信号数据,形成车辆数据信号包;
步骤二:利用神经网络模块对传感器信号数据进行处理,估计伪质心侧偏角和伪侧倾角;
步骤三,将所述神经网络模块所获得的伪质心侧偏角和伪侧倾角作为“伪测量”输入到无迹卡尔曼模块中,利用无迹卡尔曼模块最终得出多轴特种车辆的质心侧偏角和侧倾角。
2.根据权利要求1所述的基于神经网络与无迹卡尔曼滤波的多轴特种车状态估计方法,其特征在于:步骤一所述的传感器为设置在车身上的传感器,所述信号数据包括侧向加速度信号、纵向加速度信号、横摆角速度传感器信号和侧倾角速度传感器信号。
3.根据权利要求1所述的基于神经网络与无迹卡尔曼滤波的多轴特种车状态估计方法,其特征在于:步骤二所述的神经网络模块的建立过程包括
S2.1在建立神经网络模型之前,准备用于训练神经网络模型的数据集,所述数据集包含车辆主要的机动状态下的数据情况;
其中所述数据集包括数据内容相同的训练集、验证集和测试集;
S2.2建立神经网络模块的网络结构
所述神经网络模块使用全连接神经网络估计伪质心侧偏角和伪侧倾角。
4.根据权利要求3所述的基于神经网络与无迹卡尔曼滤波的多轴特种车状态估计方法,其特征在于:所述的全连接神经网络包括1个输入层、7个隐藏层和1个输出层;
其中所述输入层包括6个输入,分别是纵向加速度、侧向加速度、方向盘转角、纵向速度、横摆角速度、侧倾角速度;
所述输出层为质心侧偏角和侧倾角,且输出层的单层网络神经元个数为100,网络训练次数为100。
6.根据权利要求1所述的基于神经网络与无迹卡尔曼滤波的多轴特种车状态估计方法,其特征在于:步骤三所述的无迹卡尔曼模块的设计过程包括
S3.1建立无迹卡尔曼滤波模块的状态方程;
S3.2在建立得到无迹卡尔曼滤波状态方程的基础上,利用UKF滤波算法进行状态估计,建立系统估计方程。
7.根据权利要求6所述的基于神经网络与无迹卡尔曼滤波的多轴特种车状态估计方法,其特征在于:步骤S3.1所述的无迹卡尔曼滤波模块的状态方程的建立过程包括
(1)忽略车辆纵向、垂向和俯仰动力学特性,忽略非簧载质量以及前后轴不同特性对车辆特性的影响,设车辆的簧载质量围绕车辆的侧倾中心旋转,建立由“自行车模型”和侧倾平面模型组成的三自由度车辆侧倾模型,包括车辆横向运动、横摆运动以及侧倾运动;
(2)考虑三个自由度之间的耦合影响,分别列出侧向运动的力平衡、横摆运动的力矩平衡以及侧倾运动的力矩平衡关系式:
侧向力平衡方程:
横摆力矩平衡方程:
侧倾力矩平衡方程:
侧向加速度:
式中,ms为簧载质量;hc为质心至侧倾轴的高度;Fyi,i=1,2,3,4,5为侧向力;δi,i=1,2,3,4,5为各轴车轮转角;Iz为车辆绕z轴的转动惯量;Ix为车辆绕x轴的转动惯量;ωz为车身横摆角速度;li,i=1,2,3,4,5为各轴到质心的距离;g为重力加速度;Cs悬架等效侧倾阻尼;Kr为悬架等效侧倾刚度;vy为侧向速度;vx为纵向速度;
(3)忽略轮胎中非线性因素的影响,轮胎侧向力表示为:
Fyi=kiαi (7)
质心侧偏角表示为:
β=vy/vx (8)
结合以上公式,可以推导出简化后的微分方程:
式中,ki,i=1,2,3,4,5为各轴轮胎的侧偏刚度;αi,i=1,2,3,4,5为各轴轮胎侧偏角;k12,k14,k15分别为2轴、4轴、5轴轮胎转角与1轴的比例值。
9.根据权利要求1所述的基于神经网络与无迹卡尔曼滤波的多轴特种车状态估计方法,其特征在于:所述的无迹卡尔曼滤波模块的工作步骤包括:
步骤1:初始化
步骤2:构造状态量Sigma采样点
计算状态向量的Sigma采样点χ(i)并求出采样点的权值ω(i):
式中,和P为均值和方差,上标m的是均值的相应权值,带上标c的是协方差的相应权值;下标是第几个采样点;λ=α2(n+κ)-n是一个缩放比例函数,用来降低总的预测误差;α(0.0001≤α≤1)的选取控制了采样点的分布状态;κ是一个二阶比例参数,其值应该保证(n+λ)P是一个半正定矩阵,取κ=0;β是一个权重系数,β≥0;
步骤3:状态预测
状态预测过程包括状态向量预测和观测向量预测;
重新求得Sigma点集和其相应权值并计算Sigma点的进一步预测;
进而求出状态量预测和协方差矩阵的预测
将上一步计算出的状态预测量通过无迹变换计算出预测量的采集样点,
计算Sigma点的预测观测量,
求观测的预测均值,得出预测的均值及协方差,
步骤4:状态校正
状态校正过程主要进行状态向量校正和状态误差协方差校正,
首先计算状态向量与观测量之间的互相关协方差:
计算卡尔曼增益矩阵,
更新状态量和协方差矩阵,
误差协方差矩阵初始值为P=eye(4)×10,过程噪声协方差矩阵初始值为R=diag[1e-6,1e-6,1e-4,1e-6],测量噪声协方差矩阵初始值为Q=eye(4)×0.1。
10.一种基于神经网络与无迹卡尔曼滤波的多轴特种车状态估计器,其特征在于:所述状态估计器包括神经网络模块和无迹卡尔曼滤波模块,其中
所述神经网络模块用于根据传感器采集车辆信号数据包估计伪质心侧偏角和伪侧倾角;所述无迹卡尔曼滤波模块用于根据神经网络模块所获得的伪质心侧偏角和伪侧倾角计算最终的多轴特种车辆的质心侧偏角和侧倾角。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211015026.4A CN115406446A (zh) | 2022-08-23 | 2022-08-23 | 基于神经网络与无迹卡尔曼滤波的多轴特种车状态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211015026.4A CN115406446A (zh) | 2022-08-23 | 2022-08-23 | 基于神经网络与无迹卡尔曼滤波的多轴特种车状态估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115406446A true CN115406446A (zh) | 2022-11-29 |
Family
ID=84161826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211015026.4A Pending CN115406446A (zh) | 2022-08-23 | 2022-08-23 | 基于神经网络与无迹卡尔曼滤波的多轴特种车状态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115406446A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116331225A (zh) * | 2023-05-31 | 2023-06-27 | 小米汽车科技有限公司 | 车辆驾驶状态确定方法、装置、车辆及存储介质 |
CN116358564A (zh) * | 2023-06-01 | 2023-06-30 | 中国人民解放军战略支援部队航天工程大学 | 无人机蜂群质心运动状态跟踪方法、系统、设备及介质 |
CN116923428A (zh) * | 2023-09-07 | 2023-10-24 | 华东交通大学 | 一种电动汽车质心侧偏角与轮胎侧向力联合估计方法 |
CN117465465A (zh) * | 2023-12-14 | 2024-01-30 | 金陵科技学院 | 一种车辆簧载质量及道路横向坡度联合估计方法 |
-
2022
- 2022-08-23 CN CN202211015026.4A patent/CN115406446A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116331225A (zh) * | 2023-05-31 | 2023-06-27 | 小米汽车科技有限公司 | 车辆驾驶状态确定方法、装置、车辆及存储介质 |
CN116331225B (zh) * | 2023-05-31 | 2023-08-15 | 小米汽车科技有限公司 | 车辆驾驶状态确定方法、装置、车辆及存储介质 |
CN116358564A (zh) * | 2023-06-01 | 2023-06-30 | 中国人民解放军战略支援部队航天工程大学 | 无人机蜂群质心运动状态跟踪方法、系统、设备及介质 |
CN116358564B (zh) * | 2023-06-01 | 2023-07-28 | 中国人民解放军战略支援部队航天工程大学 | 无人机蜂群质心运动状态跟踪方法、系统、设备及介质 |
CN116923428A (zh) * | 2023-09-07 | 2023-10-24 | 华东交通大学 | 一种电动汽车质心侧偏角与轮胎侧向力联合估计方法 |
CN116923428B (zh) * | 2023-09-07 | 2023-11-28 | 华东交通大学 | 一种电动汽车质心侧偏角与轮胎侧向力联合估计方法 |
CN117465465A (zh) * | 2023-12-14 | 2024-01-30 | 金陵科技学院 | 一种车辆簧载质量及道路横向坡度联合估计方法 |
CN117465465B (zh) * | 2023-12-14 | 2024-05-31 | 金陵科技学院 | 一种车辆簧载质量及道路横向坡度联合估计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108594652B (zh) | 一种基于观测器信息迭代的车辆状态融合估计方法 | |
CN115406446A (zh) | 基于神经网络与无迹卡尔曼滤波的多轴特种车状态估计方法 | |
CN103434511B (zh) | 一种车速与道路附着系数的联合估计方法 | |
CN103407451B (zh) | 一种道路纵向附着系数估计方法 | |
CN104354700B (zh) | 一种基于无迹卡尔曼滤波的车辆参数在线估计方法 | |
CN110588657B (zh) | 一种针对车辆运动状态及道路坡度的联合估计方法 | |
CN111547059A (zh) | 一种分布式驱动电动汽车惯性参数估计方法 | |
CN111796522B (zh) | 一种车辆状态估计方法 | |
CN111688715B (zh) | 四轮驱动电动汽车基于融合技术的质心侧偏角观测方法 | |
CN116992697B (zh) | 一种智能电动汽车行驶状态信息估计方法 | |
Acosta et al. | Estimation of tire forces, road grade, and road bank angle using tire model-less approaches and Fuzzy Logic. | |
CN111959516B (zh) | 一种车辆状态与路面附着系数联合估计的方法 | |
CN112270039A (zh) | 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 | |
Song et al. | Reliable estimation of automotive states based on optimized neural networks and moving horizon estimator | |
Song et al. | Estimation of vehicle sideslip angle based on modified sliding mode observer and recurrent neural network | |
Chen et al. | Sideslip angle fusion estimation method of three-axis autonomous vehicle based on composite model and adaptive cubature Kalman filter | |
CN111231976B (zh) | 一种基于变步长的车辆状态估计方法 | |
Marotta et al. | Camber Angle Estimation based on Physical Modelling and Artificial Intelligence | |
CN112287289A (zh) | 一种面向云控智能底盘的车辆非线性状态融合估计方法 | |
CN108413923B (zh) | 一种基于鲁棒混合滤波的车辆侧倾角与俯仰角估计方法 | |
CN115809590A (zh) | 一种对车辆主要动力学参数的估计方法 | |
El-bakkouri et al. | Extended Luenberger Observer for ABS Braking System | |
CN111559380B (zh) | 一种车辆主动安全控制方法及装置 | |
Yuhao | Estimation of Vehicle Status and Parameters Based on Nonlinear Kalman Filtering | |
Gao et al. | State observation of nonlinear off-road vehicle system under complex maneuver condition |
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 |