CN115422837A - 一种基于深度高斯过程的智能汽车动力学预测模型、训练数据获取方法、以及训练方法 - Google Patents

一种基于深度高斯过程的智能汽车动力学预测模型、训练数据获取方法、以及训练方法 Download PDF

Info

Publication number
CN115422837A
CN115422837A CN202211063588.6A CN202211063588A CN115422837A CN 115422837 A CN115422837 A CN 115422837A CN 202211063588 A CN202211063588 A CN 202211063588A CN 115422837 A CN115422837 A CN 115422837A
Authority
CN
China
Prior art keywords
vehicle
layer
model
longitudinal
training
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
Application number
CN202211063588.6A
Other languages
English (en)
Inventor
蔡英凤
俞学凯
陈龙
廉玉波
钟益林
王海
何友国
刘卫国
孙晓强
董钊志
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.)
Jiangsu University
Original Assignee
Jiangsu University
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 Jiangsu University filed Critical Jiangsu University
Priority to CN202211063588.6A priority Critical patent/CN115422837A/zh
Publication of CN115422837A publication Critical patent/CN115422837A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Abstract

本发明公开了一种基于深度高斯过程的智能汽车动力学预测模型、训练数据获取方法、以及训练方法，利用多层前馈神经网络接收当前时刻与历史时刻的车辆控制与状态信息，输出实时路面附着系数、前轮侧偏刚度、后轮侧偏刚度。所获取的路面附着系数、前轮侧偏刚度、后轮侧偏刚度与当前时刻的车辆控制与状态信息输入到物理模型中获取下一时刻的车辆状态信息，由物理模型输出的车辆状态信息作为深度高斯模型的均值；长短时记忆神经网络接收当前时刻与历史时刻的车辆控制与状态信息从而建立深度高斯模型所需的协方差矩阵。相比于单纯数据驱动，本发明融合物理模型的先验知识，提高模型的鲁棒性，避免纯数据驱动在训练数据覆盖不到区域发生未知的错误。

Description

一种基于深度高斯过程的智能汽车动力学预测模型、训练数 据获取方法、以及训练方法
技术领域
本发明涉及智能汽车动力学系统建模领域，尤其是涉及一种基于深度高斯过程的智能汽车动力学预测模型、训练数据获取方法和训练方法。
背景技术
随着汽车智能化和网联化的不断升级以及人工智能技术的快速发展，在此背景下，智能汽车已经成为传统汽车产业变革的潮流趋势和世界车辆工程的研究热点。智能汽车有望将人们从繁琐的长途驾驶中解放出来，并且智能汽车有减轻交通拥堵和交通事故的巨大潜力。经典的自动驾驶系统通常由感知、定位、决策、轨迹规划和控制模块组成，在轨迹规划和控制中，通常需要车辆动力学信息来实现车辆运动的安全性，尤其是在复杂的道路场景下。
基于牛顿第二定律所建立的汽车运动学或动力学模型通常在建模时进行了一定的模型简化，如车辆前后轴负载转移、轮胎的高阶动态响应、轮胎松弛效应等通常被忽略。这使得无法通过汽车行驶时实时获取的实验数据来准确计算出车辆在下一时刻的状态。单纯的数据驱动模型虽然可以根据车辆外界环境的变化不断做出改变，但由于存在训练数据获取难度大、数据分布不均匀等问题，容易使得模型在训练过程中产生过拟合的现象。建立精确的智能汽车动力学模型将可以将轨迹规划和运动控制紧密结合，从而进一步提高其整体性能。然而智能汽车是一种复杂动力学系统，特别是在极限工况下，车辆系统和相关子系统会表现出高度非线性和强耦合特征，增加模型的维度虽然可以提高模型精度，但同时会增加建模难度，也给算法的快速求解带来了挑战。所以，如何在同时考虑模型的复杂度和保真度的情况下，准确的建立智能汽车动力学预测模型，成为当前亟需解决的重要问题。
发明内容
为解决上述技术难题，本发明提出了一种基于深度高斯过程的智能汽车动力学预测模型及训练数据获取方法和模型训练方法。主要包括基于深度高斯过程的智能汽车动力学模型的建立与训练方法以及基于驾驶模拟器和高保真车辆动力学软件CarSim仿真数据获取和真实世界智能汽车动力学数据获取过程。
训练数据的获取包括如下步骤：
在基于驾驶模拟器和高保真车辆动力学软件CarSim仿真数据获取过程中，基于真实世界智能汽车修改CarSim整车参数，包括整车质量、整车转动惯量、前轴轴距、后轴轴距、质心高度等参数。使用驾驶模拟器与车辆动力学仿真软件CarSim-Matlab/Simulink建立虚拟仿真平台，选择自动驾驶测试地图Mcity,采集人类驾驶行为的数据。在每次数据采集前，车辆的初始状态被设置为0,即发动机节气门初始化为0，方向盘转角初始化为0，节气门压力和制动踏板压力分别被限制在[0,0.5]和[0,1]MP的范围内。为使所采集的数据覆盖全面，驾驶车辆在不同的道路上行驶，包括低附着系数路面、高附着系数路面、变附着系数路面，并进行单车道变换、双车道变换、直线变速、稳态圆周等运动。
在真实世界智能汽车动力学数据获取过程中，人类驾驶员控制智能汽车在不同的路面上进行行驶，包括干燥沥青路面、湿滑泥沙路面等。并控制车辆进行多种试验，包括单车道变换试验、双车道变换试验、漂移试验、直线变速试验、稳态圆周试验等，并使用IMU传感器实时获取车辆的纵向速度、侧向速度、横摆角速度和纵向加速度，基于前轮转角传感器实时获取车辆前轮转角，基于轮胎力传感器实时获取前轮纵向力合力。使用截止频率为2Hz的巴特沃斯低通滤波器对所采集到的数据进行滤波，以降低数据的采样频率以及由于悬架的高频振动而产生的噪声等。
在基于深度高斯过程的智能汽车动力学预测模型设计中：多层前馈神经网络接收当前时刻与历史时刻的车辆控制与状态信息，输出实时路面附着系数、前轮侧偏刚度、后轮侧偏刚度。所获取的路面附着系数、前轮侧偏刚度、后轮侧偏刚度与当前时刻的车辆控制与状态信息输入到物理模型中从而获取下一时刻的车辆状态信息，由物理模型输出的车辆状态信息作为深度高斯模型的均值；与多层前馈神经网络类似，长短时记忆神经网络接收当前时刻与历史时刻的车辆控制与状态信息从而建立深度高斯模型所需的协方差矩阵。
进一步，所述前馈神经网络具体结构为：第一层为输入层，输入的特征为当前时刻与历史三个时刻车辆的控制与状态信息，为前轮纵向力合力、前轮转角、横摆角速度、侧向速度、纵向速度；第二层为FC1全连接网络层，隐藏层设计具有64个隐藏单元；第三层为激活层，激活函数选择为Softplus函数；第四层为FC2全连接网络层，隐藏层设计具有64个隐藏单元；第五层为激活层，激活函数选择为Softplus函数；第六层为输出层，设计具有3个神经元，输出为前轮侧偏刚度、后轮的侧偏刚度、轮胎与路面附着系数。
进一步，所述物理模型为非线性单轨模型，该非线性单轨模型可以采用如下微分方程表示：
Figure BDA0003827279770000031
Figure BDA0003827279770000032
Figure BDA0003827279770000033
其中，Ux,Uy分别为车辆质心处沿车体坐标系x,y方向的速度；r为车辆横摆角速度；
Figure BDA0003827279770000034
分别为纵向速度、侧向速度、横摆角速度的一阶导数；a,b为车辆质心距前后轴的距离；m为车辆整车质量，Iz为车辆绕质心z轴的转动惯量；Fyf,Fyr分别为前轴和后轴轮胎受到的侧向合力；Fxf为前轴轮胎受到的纵向合力；δ为前轮转角；
引入轮胎刷子模型，轮胎侧向力Fy的计算公式为：
Figure BDA0003827279770000035
其中Cα和mμ是轮胎侧偏刚度与路面附着系数；Fz是轮胎垂向载荷；α是轮胎侧偏角；前后轮胎侧偏角计算公式为：
Figure BDA0003827279770000036
Figure BDA0003827279770000037
其中αf为前轮侧偏角，αr为后轮侧偏角，β为质心侧偏角。
当车辆处于高速行驶时，纵向的载荷转移也影响着车辆动力学变化，车轮垂向载荷计算公式为：
Figure BDA0003827279770000041
Figure BDA0003827279770000042
其中，Fzf、Fzr分别为车辆忽略横向载荷位移和纵向载荷位移情况下前轮的垂向载荷和后轮的垂向载荷，ax为纵向加速度，g为重力加速度，h为车辆质心距离地面的高度，L为车辆的轴距。
将车辆纵向看作为点质量模型，其忽略了车辆的尺寸信息，用一个带质量的点来描述车辆的运动,则
Figure BDA0003827279770000043
进一步，所述非线性单轨模型基于如下简化得到：
(1)假设车辆在平坦路面行驶，只考虑车辆的横向和纵向运动，忽略车辆的垂向运动；
(2)假设车辆的悬架系统为刚体，忽略悬架的运动及其对耦合关系的影响；
(3)忽略车辆的横向、纵向轮胎力的耦合关系；
(4)忽略车辆的横向载荷位移；
(5)忽略轮距对转弯半径的影响，使用自行车模型来描述车辆的运动；
(6)不考虑空气阻力对车辆横摆特性的影响；
(7)车辆由前轮驱动，忽略后轮与地面产生的摩擦力。
进一步，所述长短时记忆神经网络具体采用的结构为：第一层为输入层，输入层有5个特征输入，分别是横摆角速度，横向速度，纵向速度，前轮转角，车辆纵向力，每个输入特征的数据共包含了当前时刻与历史三个时刻的车辆状态与控制信息，第二层为LSTM隐藏层，隐藏层设计具有64个隐藏单元，第三层为激活层，激活函数选择为Softplus函数，第四层为FC3全连接隐藏层，设计具有64个隐藏单元，第五层为FC4全连接输出层，设计具有3个神经元，输出为下一时刻的横摆角速度方差σr,t+1、侧向速度方差
Figure BDA0003827279770000044
纵向速度方差
Figure BDA0003827279770000045
和
Figure BDA0003827279770000046
用来构造高斯模型所需的协方差矩阵
Figure BDA0003827279770000047
进一步，所述高斯模型的前向传播计算方法如下所示：
xt＝[(r,Uy,Ux,δ,Fxf)t]
h＝{xt,xt-1,xt-2,xt-3}
(Cf,Cr,t+1,mu)＝FFFNN(θ1,h)
Figure BDA0003827279770000051
Figure BDA0003827279770000052
Figure BDA0003827279770000053
其中，FFFNN,Fphysical和Flstm分别为所建立的前馈神经网络模型、物理模型和长短时记忆神经网络模型，xt代表当前时刻车辆控制及状态输入信息，h表示包含当前时刻与历史时刻的xt数据，θ1为前馈神经网络权重参数，θ2为长短时记忆神经网络权重参数，Cf为前轮侧偏刚度，Cr为后轮侧偏刚度，mu为轮胎与地面摩擦系数。
Figure BDA0003827279770000054
和
Figure BDA0003827279770000055
分别为下一时刻横摆角速度、侧向速度和纵向速度的均值，
Figure BDA0003827279770000056
和
Figure BDA0003827279770000057
分别为下一时刻横摆角速度、侧向速度和纵向速度的方差，diag表示对角矩阵，通过结合神经网络模型与物理模型，可以将状态转移概率建模为高斯分布：
Figure BDA0003827279770000058
在基于深度高斯过程的智能汽车动力学预测模型训练中，将得到的仿真数据集划分为80％的训练集、10％的验证集、10％的测试集。Loss函数选择为负对数似然损失函数，优化器选择为Adam，batch size设置为1000，学习率设置为0.0003，基于Pytorch深度学习框架对网络模型进行训练，得到预训练模型。使用所获取的预训练模型对真实世界智能车辆动力学数据进行重新训练，从而对权重进行优化。
本发明的有益效果为：
1、本发明提出了基于驾驶模拟器与高保真车辆动力学软件CarSim实时虚拟仿真平台数据获取方法，为车辆动力学模型的建立奠定数据基础。通过人类驾驶员使用驾驶模拟器操纵高保真车辆动力学软件CarSim中的车辆获得车辆动态的实时响应的数据。并且车辆动力学仿真数据自由度选择范围广，减小了数据获取成本。
2.本发明提出基于深度高斯过程的智能汽车动力学模型，利用多层前馈神经网络与物理模型获取深度高斯模型中所需的均值，利用长短时记忆神经网络获取深度高斯模型中所需的协方差矩阵，相比于单纯数据驱动模型，所建立的模型在准确识别车辆运行过程中各种复杂的动力学行为的基础上，融合了物理模型的先验知识，增加了模型的鲁棒性，避免了纯数据驱动模型在训练数据覆盖不到区域发生未知的错误。
3、本发明通过对车辆下一个时刻动力学状态的准确预测，为智能汽车开发高性能的运动控制器奠定良好的基础。
附图说明
图1为基于深度高斯过程的智能汽车动力学预测模型建立、训练及数据获取流程图；
图2为智能汽车非线性单轨模型；
图3为车辆动力学虚拟数据采集模块；
图4为实际智能汽车动力学真实数据采集模块。
图5为基于深度高斯过程的智能汽车动力学预测模型建立过程结构图；
图6为基于深度高斯过程的智能汽车动力学预测模型训练结构图；
具体实施方式
下面结合附图对本发明作进一步说明。
图1为基于深度高斯过程的智能汽车动力学预测模型建立、训练及数据获取流程图，包括训练数据获取及模型设计、训练两部分。各部分的具体设计如下：
图2为智能汽车非线性单轨模型。所述的非线性单轨模型进行如下简化：
(1)假设车辆在平坦路面行驶，只考虑车辆的横向和纵向运动，忽略车辆的垂向运动。
(2)假设车辆的悬架系统为刚体，忽略悬架的运动及其对耦合关系的影响。
(3)忽略车辆的横向、纵向轮胎力的耦合关系。
(4)忽略车辆的横向载荷位移。
(5)忽略轮距对转弯半径的影响，使用自行车模型来描述车辆的运动。
(6)不考虑空气阻力对车辆横摆特性的影响。
(7)车辆由前轮驱动，忽略后轮与地面产生的摩擦力。
依据大地坐标系建立x轴和y轴，z轴垂直于x轴和y轴所组成的平面。依据牛顿第二定律对智能汽车动力学特性进行分析，得到沿x轴、y轴和绕z轴的受力平衡方程，并设计智能汽车非线性动力学模型。该非线性车辆动力学模型可用如下微分方程表示：
Figure BDA0003827279770000071
Figure BDA0003827279770000072
Figure BDA0003827279770000073
其中，Ux,Uy分别为车辆质心处沿车体坐标系x,y方向的速度；r为车辆横摆角速度；
Figure BDA0003827279770000074
分别为纵向速度、侧向速度、横摆角速度的一阶导数；a,b为车辆质心距前后轴的距离；m为车辆整车质量，Iz为车辆绕质心z轴的转动惯量；Fyf,Fyr分别为前轴和后轴轮胎受到的侧向合力；Fxf为前轴轮胎受到的纵向合力；δ为前轮转角。
车辆在不同路况下的行驶过程中的产生的非线性特征是由于轮胎引起的，因此引入轮胎刷子模型，轮胎侧向力Fy的计算公式为：
Figure BDA0003827279770000075
其中Cα和mμ是轮胎侧偏刚度与路面附着系数；Fz是轮胎垂向载荷；α是轮胎侧偏角；前后轮胎侧偏角计算公式为：
Figure BDA0003827279770000076
Figure BDA0003827279770000077
其中αf为前轮侧偏角，αr为后轮侧偏角，β为质心侧偏角。
当车辆处于高速行驶时，纵向的载荷转移也影响着车辆动力学变化，车轮垂向载荷计算公式为：
Figure BDA0003827279770000078
Figure BDA0003827279770000079
其中，Fzf、Fzr分别为车辆忽略横向载荷位移和纵向载荷位移情况下前轮的垂向载荷和后轮的垂向载荷，ax为纵向加速度，g为重力加速度，h为车辆质心距离地面的高度，L为车辆的轴距。
将车辆纵向看作为点质量模型，其忽略了车辆的尺寸信息，用一个带质量的点来描述车辆的运动,则
Figure BDA0003827279770000081
基于所述的车辆非线性单轨模型确定深度高斯模型的输入为当前时刻与历史时刻的车辆的横摆角速度，侧向速度，纵向速度，前轮转角，轮胎纵向力的合力，模型的输出为未来时刻的横摆角速度、纵向速度和侧向速度。
图3为车辆动力学虚拟数据采集模块。基于真实世界智能汽车修改CarSim整车参数，包括整车质量、整车转动惯量、前轴轴距、后轴轴距、质心高度等参数。使用驾驶模拟器与车辆动力学仿真软件CarSim-Matlab/Simulink建立虚拟仿真平台，选择自动驾驶测试地图Mcity,采集人类驾驶行为的数据。在每次数据采集前，车辆的初始状态被设置为0,发动机节气门初始化为0，方向盘转角初始化为0，节气门压力和制动踏板压力分别被限制在[0,0.5]和[0,1]MP的范围内。为使所采集的数据覆盖全面，驾驶车辆在不同的道路上行驶，包括低附着系数路面、高附着系数路面、变附着系数路面，并进行单车道变换、双车道变换、直线变速、稳态圆周等运动。
图4为实际智能汽车动力学真实数据采集模块。在真实世界智能汽车动力学数据获取过程中，人类驾驶员控制智能汽车在不同的路面上进行行驶，包括干燥沥青路面、湿滑泥沙路面等。并控制车辆进行多种试验，包括单车道变换试验、双车道变换试验、漂移试验、直线变速试验、稳态圆周试验等，并使用IMU传感器实时获取车辆的纵向速度、侧向速度、横摆角速度和纵向加速度，基于前轮转角传感器实时获取车辆前轮转角，基于轮胎力传感器实时获取前轮纵向力合力。使用截止频率为2Hz的巴特沃斯低通滤波器对所采集到的数据进行滤波，以降低数据的采样频率以及由于悬架的高频振动而产生的噪声等。
图5为基于深度高斯过程的智能汽车动力学预测模型建立过程。其由前馈神经网络、物理模型、长短时记忆神经网络、高斯模型组成。前馈神经网络具体采用的结构为：第一层为输入层，输入的特征为当前时刻与历史三个时刻车辆的控制与状态信息，为前轮纵向力合力、前轮转角、横摆角速度、侧向速度、纵向速度。第二层为FC1全连接网络层，隐藏层设计具有64个隐藏单元。第三层为激活层，激活函数选择为Softplus函数。第四层为FC2全连接网络层，隐藏层设计具有64个隐藏单元。第五层为激活层，激活函数选择为Softplus函数。第六层为输出层，设计具有3个神经元，输出为前轮侧偏刚度、后轮的侧偏刚度、轮胎与路面附着系数。物理模型接收当前时刻车辆的控制与状态信息与前馈神经网络输出的前轮侧偏刚度、后轮的侧偏刚度、轮胎与路面附着系数，输出下一时刻的车辆状态信息，包括：横摆角速度、侧向速度、纵向速度，由物理模型所获取的下一时刻的车辆状态信息作为深度高斯模型的均值。长短时记忆神经网络具体采用的结构为：第一层为输入层，输入层有5个特征输入，分别是横摆角速度，横向速度，纵向速度，前轮转角，车辆纵向力，每个输入特征的数据共包含了当前时刻与历史三个时刻的车辆状态与控制信息。第二层为LSTM隐藏层，隐藏层设计具有64个隐藏单元。第三层为激活层，激活函数选择为Softplus函数。第四层为FC3全连接隐藏层，设计具有64个隐藏单元，第五层为FC4全连接输出层，设计具有3个神经元，输出为下一时刻的横摆角速度方差
Figure BDA0003827279770000091
侧向速度方差
Figure BDA0003827279770000092
纵向速度方差
Figure BDA0003827279770000093
Figure BDA0003827279770000094
和
Figure BDA0003827279770000095
用来构造高斯模型所需的协方差矩阵
Figure BDA0003827279770000096
通过前馈神经网络与车辆物理模型获得深度高斯过程所需的均值，通过长短时记忆神经网络获取深度高斯过程所需的方差。从而将车辆动力学状态转移建模为深度高斯过程。所学习到的基于深度高斯过程的智能汽车动力学模型的前向传播计算方法如下所示：
xt＝[(r,Uy,Ux,δ,Fxf)t]
ht＝{xt,xt-1,xt-2,xt-3}
(Cf,Cr,t+1,mu)＝FFFNN(θ1,h)
Figure BDA0003827279770000097
Figure BDA0003827279770000098
Figure BDA0003827279770000099
其中，FFFNN,Fphysical和Flstm分别为所建立的前馈神经网络模型、物理模型和长短时记忆神经网络模型。xt代表当前时刻车辆控制及状态输入信息，ht表示包含当前时刻与历史时刻的xt数据。θ1为前馈神经网络权重参数，θ2为长短时记忆神经网络权重参数。Cf为前轮侧偏刚度，Cr为后轮侧偏刚度，mu为轮胎与地面摩擦系数。μr,t+1、
Figure BDA00038272797700000910
和
Figure BDA00038272797700000911
分别为下一时刻横摆角速度、侧向速度和纵向速度的均值。
Figure BDA00038272797700000912
和
Figure BDA00038272797700000913
分别为下一时刻横摆角速度、侧向速度和纵向速度的方差。diag表示对角矩阵。通过结合神经网络模型与物理模型，可以将状态转移概率建模为高斯分布：
Figure BDA0003827279770000101
图6为基于深度高斯过程的智能汽车动力学预测模型训练结构图。将得到的虚拟数据集和真实数据集划分为80％的训练集、10％的验证集、10％的测试集。Loss函数选择为负对数似然损失函数，优化器选择为Adam，batch size设置为1000，学习率设置为0.0001，基于Pytorch的学习框架对网络模型进行学习训练，损失函数如下所示：
Figure BDA0003827279770000102
其中n表示为每个训练批次中数据量的大小。
在第一阶段训练过程中，使用仿真数据对模型进行训练。第一阶段训练结束后，加载训练权重，利用真实数据集进行第二阶段的模型权重优化。最终得到贴合真实情况的基于深度高斯过程的智能汽车动力学预测模型。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技术所创的等效方式或变更均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于深度高斯过程的智能汽车动力学预测模型，其特征在于，包括前馈神经网络、物理模型、长短时记忆神经网络、深度高斯模型；利用多层前馈神经网络接收当前时刻与历史时刻的车辆控制与状态信息，输出实时路面附着系数、前轮侧偏刚度、后轮侧偏刚度，将所获取的路面附着系数、前轮侧偏刚度、后轮侧偏刚度与当前时刻的车辆控制与状态信息输入到物理模型中获取下一时刻的车辆状态信息，由物理模型输出的车辆状态信息作为深度高斯模型的均值；长短时记忆神经网络接收当前时刻与历史时刻的车辆控制与状态信息以建立深度高斯模型所需的协方差矩阵；所述深度高斯模型的输入为当前时刻与历史时刻的车辆的横摆角速度，侧向速度，纵向速度，前轮转角，轮胎纵向力的合力，模型的输出为未来时刻的横摆角速度、纵向速度和侧向速度。
2.根据权利要求1所述的一种基于深度高斯过程的智能汽车动力学预测模型，其特征在于，所述前馈神经网络具体结构为：第一层为输入层，输入的特征为当前时刻与历史三个时刻车辆的控制与状态信息，为前轮纵向力合力、前轮转角、横摆角速度、侧向速度、纵向速度；第二层为FC1全连接网络层，隐藏层设计具有64个隐藏单元；第三层为激活层，激活函数选择为Softplus函数；第四层为FC2全连接网络层，隐藏层设计具有64个隐藏单元；第五层为激活层，激活函数选择为Softplus函数；第六层为输出层，设计具有3个神经元，输出为前轮侧偏刚度、后轮的侧偏刚度、轮胎与路面附着系数。
3.根据权利要求1所述的一种基于深度高斯过程的智能汽车动力学预测模型，其特征在于，所述物理模型为非线性单轨模型，该非线性单轨模型可以采用如下微分方程表示：
Figure FDA0003827279760000011
Figure FDA0003827279760000012
Figure FDA0003827279760000013
其中，Ux,Uy分别为车辆质心处沿车体坐标系x,y方向的速度；r为车辆横摆角速度；
Figure FDA0003827279760000014
分别为纵向速度、侧向速度、横摆角速度的一阶导数；a,b为车辆质心距前后轴的距离；m为车辆整车质量，Iz为车辆绕质心z轴的转动惯量；Fyf,Fyr分别为前轴和后轴轮胎受到的侧向合力；Fxf为前轴轮胎受到的纵向合力；δ为前轮转角；
引入轮胎刷子模型，轮胎侧向力Fy的计算公式为：
Figure FDA0003827279760000021
其中Cα和mm是轮胎侧偏刚度与路面附着系数；Fz是轮胎垂向载荷；α是轮胎侧偏角；前后轮胎侧偏角计算公式为：
Figure FDA0003827279760000022
Figure FDA0003827279760000023
其中αf为前轮侧偏角，αr为后轮侧偏角，β为质心侧偏角。
当车辆处于高速行驶时，纵向的载荷转移也影响着车辆动力学变化，车轮垂向载荷计算公式为：
Figure FDA0003827279760000024
Figure FDA0003827279760000025
其中，Fzf、Fzr分别为车辆忽略横向载荷位移和纵向载荷位移情况下前轮的垂向载荷和后轮的垂向载荷，ax为纵向加速度，g为重力加速度，h为车辆质心距离地面的高度，L为车辆的轴距；
将车辆纵向看作为点质量模型，其忽略了车辆的尺寸信息，用一个带质量的点来描述车辆的运动,则
Figure FDA0003827279760000026
4.根据权利要求3所述的一种基于深度高斯过程的智能汽车动力学预测模型，其特征在于，所述非线性单轨模型基于如下简化：
(1)假设车辆在平坦路面行驶，只考虑车辆的横向和纵向运动，忽略车辆的垂向运动；
(2)假设车辆的悬架系统为刚体，忽略悬架的运动及其对耦合关系的影响；
(3)忽略车辆的横向、纵向轮胎力的耦合关系；
(4)忽略车辆的横向载荷位移；
(5)忽略轮距对转弯半径的影响，使用自行车模型来描述车辆的运动；
(6)不考虑空气阻力对车辆横摆特性的影响；
(7)车辆由前轮驱动，忽略后轮与地面产生的摩擦力。
5.根据权利要求1所述的一种基于深度高斯过程的智能汽车动力学预测模型，其特征在于，所述长短时记忆神经网络具体采用的结构为：第一层为输入层，输入层有5个特征输入，分别是横摆角速度，横向速度，纵向速度，前轮转角，车辆纵向力，每个输入特征的数据共包含了当前时刻与历史三个时刻的车辆状态与控制信息，第二层为LSTM隐藏层，隐藏层设计具有64个隐藏单元，第三层为激活层，激活函数选择为Softplus函数，第四层为FC3全连接隐藏层，设计具有64个隐藏单元，第五层为FC4全连接输出层，设计具有3个神经元，输出为下一时刻的横摆角速度方差σr,t+1、侧向速度方差
Figure FDA0003827279760000031
纵向速度方差
Figure FDA0003827279760000032
σr,t+1、
Figure FDA0003827279760000033
和
Figure FDA0003827279760000034
用来构造高斯模型所需的协方差矩阵
Figure FDA0003827279760000035
6.根据权利要求1所述的一种基于深度高斯过程的智能汽车动力学预测模型，其特征在于，所述高斯模型的前向传播计算方法如下所示：
xt＝[(r,Uy,Ux,δ,Fxf)t]
h＝{xt,xt-1,xt-2,xt-3}
(Cf,Cr,t+1,mu)＝FFFNN(θ1,h)
Figure FDA0003827279760000036
Figure FDA0003827279760000037
Figure FDA0003827279760000038
其中，FFFNN,Fphysical和Flstm分别为所建立的前馈神经网络模型、物理模型和长短时记忆神经网络模型，xt代表当前时刻车辆控制及状态输入信息，h表示包含当前时刻与历史时刻的xt数据，θ1为前馈神经网络权重参数，θ2为长短时记忆神经网络权重参数，Cf为前轮侧偏刚度，Cr为后轮侧偏刚度，mu为轮胎与地面摩擦系数。ur,t+1、
Figure FDA0003827279760000039
和
Figure FDA00038272797600000310
分别为下一时刻横摆角速度、侧向速度和纵向速度的均值，σr,t+1、
Figure FDA00038272797600000311
和
Figure FDA00038272797600000312
分别为下一时刻横摆角速度、侧向速度和纵向速度的方差，diag表示对角矩阵，通过结合神经网络模型与物理模型，可以将状态转移概率建模为高斯分布：
Figure FDA00038272797600000313
7.权利要求1-6任一项所述的一种基于深度高斯过程的智能汽车动力学预测模型的训练数据的获取方法，其特征在于，包括虚拟数据的获取方法：
在驾驶模拟器和高保真车辆动力学软件CarSim仿真数据获取过程中，基于真实世界智能汽车修改CarSim整车参数，包括整车质量、整车转动惯量、前轴轴距、后轴轴距、质心高度，使用驾驶模拟器与车辆动力学仿真软件CarSim-Matlab/Simulink建立虚拟仿真平台，选择自动驾驶测试地图Mcity,采集人类驾驶行为的数据，在每次数据采集前，车辆的初始状态被设置为0,即发动机节气门初始化为0，方向盘转角初始化为0，节气门压力和制动踏板压力分别被限制在[0,0.5]和[0,1]MP的范围内，为使所采集的数据覆盖全面，驾驶车辆在不同的道路上行驶，包括低附着系数路面、高附着系数路面、变附着系数路面，并进行单车道变换、双车道变换、直线变速、稳态圆周等运动。
8.根据权利要求7所述的一种基于深度高斯过程的智能汽车动力学预测模型的训练数据的获取方法，其特征在于，还包括：真实数据获取的方法：
人类驾驶员控制智能汽车在不同的路面上进行行驶，包括干燥沥青路面、湿滑泥沙路面，控制车辆进行多种试验，包括单车道变换试验、双车道变换试验、漂移试验、直线变速试验、稳态圆周试验，并使用IMU传感器实时获取车辆的纵向速度、侧向速度、横摆角速度和纵向加速度，基于前轮转角传感器实时获取车辆前轮转角，基于轮胎力传感器实时获取前轮纵向力合力，使用截止频率为2Hz的巴特沃斯低通滤波器对所采集到的数据进行滤波，以降低数据的采样频率以及由于悬架的高频振动而产生的噪声。
9.权利要求1-6任一项所述的一种基于深度高斯过程的智能汽车动力学预测模型的训练方法，其特征在于，利用权利要求7或8获取的训练数据进行训练：
将得到的虚拟数据集和真实数据集划分为80％的训练集、10％的验证集、10％的测试集，Loss函数选择为负对数似然损失函数，优化器选择为Adam，batch size设置为1000，学习率设置为0.0001，基于Pytorch的学习框架对网络模型进行学习训练，损失函数设计为：
Figure FDA0003827279760000041
10.权利要求9所述的一种基于深度高斯过程的智能汽车动力学预测模型的训练方法，其特征在于，在第一阶段训练过程中，使用虚拟数据对模型进行训练，第一阶段训练结束后加载训练权重，利用真实数据集进行第二阶段的模型权重优化，最终得到贴合真实情况的基于深度高斯过程的智能汽车动力学预测模型。
CN202211063588.6A 2022-08-31 2022-08-31 一种基于深度高斯过程的智能汽车动力学预测模型、训练数据获取方法、以及训练方法 Pending CN115422837A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211063588.6A CN115422837A (zh) 2022-08-31 2022-08-31 一种基于深度高斯过程的智能汽车动力学预测模型、训练数据获取方法、以及训练方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211063588.6A CN115422837A (zh) 2022-08-31 2022-08-31 一种基于深度高斯过程的智能汽车动力学预测模型、训练数据获取方法、以及训练方法

Publications (1)

Publication Number Publication Date
CN115422837A true CN115422837A (zh) 2022-12-02

Family

ID=84199459

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211063588.6A Pending CN115422837A (zh) 2022-08-31 2022-08-31 一种基于深度高斯过程的智能汽车动力学预测模型、训练数据获取方法、以及训练方法

Country Status (1)

Country Link
CN (1) CN115422837A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117056799A (zh) * 2023-08-03 2023-11-14 广东省机场管理集团有限公司工程建设指挥部 一种车辆传感器数据的处理方法、装置、设备及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117056799A (zh) * 2023-08-03 2023-11-14 广东省机场管理集团有限公司工程建设指挥部 一种车辆传感器数据的处理方法、装置、设备及介质
CN117056799B (zh) * 2023-08-03 2024-03-26 广东省机场管理集团有限公司工程建设指挥部 一种车辆传感器数据的处理方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN109522666B (zh) 一种分布式电动汽车稳定性控制方法
CN108594652B (zh) 一种基于观测器信息迭代的车辆状态融合估计方法
CN103407451B (zh) 一种道路纵向附着系数估计方法
CN106649983A (zh) 用于无人驾驶车辆高速运动规划的车辆动力学模型建模方法
CN108482481B (zh) 四轮独立驱动与转向电动汽车的四轮转向控制方法
Subosits et al. Autonomous vehicle control for emergency maneuvers: The effect of topography
CN113359457B (zh) 智能车底盘域控制器的高维动力学模型解算装置及方法
CN115303289A (zh) 一种基于深度高斯车辆动力学模型、训练方法、智能汽车轨迹跟踪控制方法及终端设备
CN113408047B (zh) 一种基于时滞反馈神经网络的车辆动力学预测模型、及训练数据获取方法、训练方法
CN111959516B (zh) 一种车辆状态与路面附着系数联合估计的方法
Németh et al. Nonlinear analysis and control of a variable-geometry suspension system
CN111796522A (zh) 一种车辆状态估计方法
CN115422837A (zh) 一种基于深度高斯过程的智能汽车动力学预测模型、训练数据获取方法、以及训练方法
Tian et al. Vehicle state estimation based on multidimensional information fusion
CN111923916B (zh) 一种基于视觉感知行为和anfis的仿人转向建模方法及转向控制系统
CN111994085A (zh) 复杂路况下车辆行驶稳定区域的估计方法
CN113650620B (zh) 一种四轮电驱动汽车状态预测方法
CN115292671A (zh) 驾驶员横纵耦合行为模型
Hakima et al. Designing a fuzzy logic controller to adjust the angle of tires in four wheel steering vehicles
CN111559380B (zh) 一种车辆主动安全控制方法及装置
CN113033902B (zh) 一种基于改进深度学习的自动驾驶换道轨迹规划方法
CN111814258B (zh) 用于四轮独立电驱动车辆线控转向系统传动比的设计方法
Kissai et al. Importance of vertical dynamics for accurate modelling, friction estimation and vehicle motion control
CN114179818A (zh) 基于自适应预瞄时间和滑模控制的智能汽车横向控制方法
Chen et al. Sideslip Angle Fusion Estimation Method of Three-Axis Autonomous Vehicle Based on Composite Model and Adaptive Cubature Kalman Filter

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