CN115979669A - 一种无人车故障检测方法及系统 - Google Patents

Abstract

本发明公开了一种无人车故障检测方法及系统，利用无人车的正例数据分别构建并训练得到车辆状态监测器和车辆轨迹偏航监测器；实时获取待测无人车的GNSS数据，对获取的GNSS信息进行字段提取、数据清洗以及数据变换，本发明运用多种数据处理，将无人车故障诊断系统拆分为状态监测器和轨迹偏航监测器，分模块单独设计和实现相应的故障检测方法，使得系统有着更好的工作性能，构建了完备的基于传感器GNSS信息的无人车故障检测及错误类型推断系统，能有效监测无人车车辆状态及轨迹，在无人车状态异常时给出预警并推断可能的错误类型。

Description

一种无人车故障检测方法及系统

技术领域

本发明属于系统故障诊断领域，涉及无人驾驶汽车组合导航系统中GNSS信息的处理，具体涉及一种无人车故障检测方法及系统。

背景技术

无人驾驶技术融合了传感器技术、计算机技术、信息处理技术等诸多领域的高科技技术，由于其在交通运输领域的巨大发展潜力，其发展前景被普遍看好。然而，自动驾驶汽车的安全性问题一直阻碍着无人驾驶技术的大规模商业化落地。因此，设计与无人驾驶汽车相配套的故障检测及诊断系统对于自动驾驶产业的发展有着至关重要的意义。

现有针对无人车的故障诊断方法多由传统工业过程中故障诊断方法迁移而来，主要包括基于模型的方法、基于信号的方法和基于历史数据的方法。但是针对无人驾驶汽车这个复杂系统，单一方法很难对无人车故障作出有效诊断，且自动驾驶对于数据处理的实时性要求很高，传统方法也很难对该问题进行有效解决。

发明内容

本发明的目的在于提供一种无人车故障检测方法及系统，以克服现有无人车故障诊断精度低、数据处理实时性低的问题，本发明能够及时准确实现车辆状态的检测。

一种无人车故障检测方法，包括以下步骤：

S1，利用无人车的正例数据分别构建并训练得到车辆状态监测器和车辆轨迹偏航监测器；

S2，实时获取待测无人车的GNSS数据，对获取的GNSS信息进行用字段提取、数据清洗以及数据变换；

S3，利用车辆状态监测器和车辆轨迹偏航监测器对变换后的数据进行判断，从而得到无人车是否故障。

优选的，S1中，基于数据采集装置获取待测无人车的GNSS数据，对获取的GNSS信息进行用字段提取、数据清洗以及数据变换，提取的有用字段包括：协议头、采样时刻、纬度、经度、航向角、东向速度和北向速度。

优选的，对提取的有用字段中不完整的记录直接进行去除操作；针对重复记录的信息去除重复部分，只保留一条；针对格式不规范的完整记录，将其格式进行规范化；

将清洗后的数据变换得到模型训练或验证需要用到的输入数据：无人车在无人驾驶状态下每一采样时刻其在直角坐标系中的(X，Y)坐标、速度以及角速度。

优选的，利用提取字段中的纬度和经度数据，通过墨卡托投影得到直角坐标系下的(X，Y)坐标；

速度信息由东向速度和北向速度变换得到：

记东向速度为v_e，北向速度为v_n，则速度信息的值大小为：

角速度信息通过计算两个连续采样时刻航向角的差商得到。

优选的，利用得到的速度、角速度信息作为训练数据，采用OCSVM方法，得到判定无人驾驶过程中车辆状态是否异常的决策边界，构建车辆状态监测器。

优选的，采用获取的速度信息和角速度信息，作为模型的输入对模型进行训练得到判定无人驾驶过程中车辆状态是否异常的决策边界；

将决策边界进行泛化，根据泛化后的边界条件，设定报警的触发机制。

优选的，基于车辆运动学模型和提取的采样时刻信息、(X，Y)坐标信息及航向角信息，利用卡尔曼滤波器构建车辆轨迹偏航监测器。

优选的，基于车辆运动学模型，构建卡尔曼滤波中状态预测过程的一步状态转移矩阵；

在得到一步状态转移矩阵的基础上，构建预测车辆轨迹的卡尔曼滤波器。

优选的，基于提取的有用字段中的正例数据和错误样本数据，同时加入人工注入错误信息数据；利用上述正例数据、错误样本数据和人工注入错误信息数据作为用于概率推断的训练数据样本，训练得到人工神经网络优化模糊系统，利用人工神经网络优化模糊系统对导致车辆状态发生错误的原因进行概率推断，得到无人车发生故障原因的概率。

一种无人车故障检测系统，数据采集模块和检测模块；

检测模块用于存储利用无人车的正例数据分别构建并训练得到的车辆状态监测器和车辆轨迹偏航监测器；

数据采集模块实时获取待测无人车的GNSS数据，对获取的GNSS信息进行用字段提取、数据清洗以及数据变换，并将变换后的数据传输至检测模块，检测模块对变换后的数据进行判断，输出无人车的故障信息。

与现有技术相比，本发明具有以下有益的技术效果：

本发明一种无人车故障检测方法，利用无人车的正例数据分别构建并训练得到车辆状态监测器和车辆轨迹偏航监测器；实时获取待测无人车的GNSS数据，对获取的GNSS信息进行用字段提取、数据清洗以及数据变换，本发明运用多种数据处理，将无人车故障诊断系统拆分为状态监测器和轨迹偏航监测器，分模块单独设计和实现相应的故障检测方法，使得系统有着更好的工作性能，构建了完备的基于传感器GNSS信息的无人车故障检测及错误类型推断系统，能有效监测无人车车辆状态及轨迹，在无人车状态异常时给出预警并推断可能的错误类型。

采用OCSVM算法处理采集到的样本，训练判定车辆行驶状态是否异常的决策边界，构建状态诊断系统；采用卡尔曼滤波模型作为观测器，并与测量到的数据利用Jaque-Bera测试做残差分布推断，同时利用插值技巧，构建实时的车辆轨迹监测系统，能够准确对获取的数据进行判断。

本发明基于采集到的车辆状态数据建立人工神经网络模型，能够对检测到的车辆状态错误类型进行概率推断，有针对性的实现无人驾驶汽车故障的快速检测。

本发明能够给出车辆状态错误类型的概率推断，可以为错误的进一步排查提供一定指导。

附图说明

图1是本发明实施例中GNSS天线及有关设备安装示意图。

图2是本发明实施例中具体方法流程图。

图3是本发明实施例中基于OCSVM得到决策边界后对决策边界进行泛化的示意图。

图4是本发明实施例中线性车辆自行车模型示意图。

图5是本发明实施例中改造的全连接神经网络示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

本发明一种无人车故障检测方法，基于组合导航系统GNSS数据的无人车故障检测及错误类型概率推断方法，所采用的数据采集装置包括安装于车内的高精度MEMS组合导航系统，一套接收卫星信号的GNSS天线，一台记录组合导航系统GNSS日志的工控计算机以及供电装置，供电可连接于车载电源，或者采用独立发电机。数据采集装置固定安装于待测无人车上。

数据采集装置安装可如图1所示：将标定好的组合导航系统以及工控计算机放置于车厢后部固定，通过馈线与GNSS天线相连接。GNSS天线分别旋拧到两个强磁吸盘上并分别固定摆放在测试载体的前进方向和后退方向上，将GNSS天线安置于测试载体的最高处以保证能够接收到良好的GNSS信号，同时保证两个GNSS天线相位中心形成的连线与测试载体中心轴线方向一致或平行。

如图2所示，本发明的一种基于组合导航系统GNSS数据的无人车故障检测及错误类型概率推断的方法，本申请从模型训练到故障检测判断输出，具体包括以下步骤：

S1，GNSS数据的采集：基于数据采集装置实时获取待测无人车的GNSS数据；

在无人车自动驾驶的状态下，工控计算机通过RS232串口数据线从高精度组合导航系统中读取无人车的实时GNSS信息，并将获取的GNSS信息写入日志文件作为采集到的数据。采样间隔为10ms，串口波特率设置为230400波特每秒。

S2，对采集到的GNSS信息进行预处理，为后续训练模型做好准备。预处理步骤包括有用字段提取、数据清洗以及数据变换，利用变换后的数据进行模型训练。具体包括以下步骤：

S21，提取GNSS信息中的有用字段：工控计算机通过RS232串口数据线从数据采集装置中读取的GNSS信息，其日志文件为CSV(逗号分隔值)文件，CSV文件中的每一条记录包括在采样时刻与车辆相关的信息。从CSV文件中提取训练模型需要的有用字段，具体包括：协议头、采样时刻、纬度、经度、航向角、东向速度和北向速度。提取的有用字段以CSV文件格式保存。

S22，数据清洗：提取的有用字段文件仍然存在许多问题，不能直接作为输入送给模型进行训练。这些问题包括记录的不完整、缺失、重复以及部分记录格式上的不规范；因此需要针对不完整的记录直接进行去除操作；针对重复记录的信息去除重复部分，只保留一条；针对格式不规范的完整记录，将其格式进行规范化。

S23，数据变换：模型训练或验证需要用到的输入数据包括：无人车在无人驾驶状态下每一采样时刻其在直角坐标系中的(X，Y)坐标、速度以及角速度。这些属性无法直接从提取和清洗后的字段中得到，因此对提取清洗后的字段数据进行变换得到模型训练或验证需要用到的输入数据。

具体的变换方法包括以下步骤：

(1)利用提取字段中的纬度和经度数据，通过墨卡托投影得到直角坐标系下的(X，Y)坐标，(X，Y)坐标原点为车辆起始点。本申请利用MATLAB R2016a平台集成的地理特征坐标投影函数mfwdtran()，投影方式选择墨卡托投影，原点选择车辆起始点经纬度数据，将纬度和经度数据作为输入，即可得到对应的(X，Y)坐标。

(2)速度信息由东向速度和北向速度变换得到：

记东向速度为v_e，北向速度为v_n，则速度信息的值大小为：

(3)角速度信息通过计算两个连续采样时刻航向角的差商得到：

考虑到航向角360°和0°实际上表示的是同样的航向角，但是数值上却表现为突变，因而计算之前，利用MATLAB R2016a平台的相位展开(unwrap)，避免两个连续时间帧之间的这种突变，再计算差商，计算公式为：

ω_k代表了k时刻的角速度，t_k，t_k-1代表两个连续的采样时刻，

分别代表k时刻和k-1时刻的航向角。

S3，利用S2中得到的速度、角速度信息作为训练数据，采用OCSVM(One-ClassSupport Vector Machine)方法，得到判定无人驾驶过程中车辆状态是否异常的决策边界，构建车辆状态监测器；

具体包括以下步骤：

S31，采用获取的速度信息和角速度信息，作为模型的输入对模型进行训练。上述速度信息和角速度信息是车辆无人驾驶状态下，未经过隧道等影响GNSS信息接收区域时采集到的样本，即正例数据。

模型的目标函数表示为：

w是高维特征空间的特征向量，是输入向量经过映射后在高维空间的一种表示；ξ_i是影响有多少数据点将存在于决策边界外的松弛变量；ρ是偏置量；μ∈(0,1)是控制决策边界的损益系数，n是样本数；x_i代表第i个输入向量，φ(x_i)代表某种非线性映射函数，可以将低维空间的输入向量映射到高维空间。

定义车辆无人驾驶状态下的状态向量作为输入向量，表示为：

这里，v为车辆的瞬时速度，反应车辆的纵向状态，ω为车辆的瞬时角速度，反应车辆的横向状态。非线性映射函数采用核函数来表示(K(x,x_i)＝φ(x)^Tφ(x_i),K即核函数)，将映射的过程进行简化。这里选择高斯径向基函数(Radial Base Function,RBF)作为核函数：

||x-x’||是向量x和中心点x’的欧氏距离，σ决定了核函数径向范围的大小。

将(4)和(5)代入(3)并运用拉格朗日乘子法去解(3)这个最小化问题，可以得到无人车状态判定的决策函数：

这里的α_i即每个输入向量的拉格朗日乘子，亦可看做每个输入样本的权值。简化起见，可以认为每个样本都一样重要，所有样本的α_i都取1；χ是一个待检测的样本，χ_i为第i个训练数据(χ_i不取χ)。

设定参数μ＝0.01，ρ＝0，所有ξ_i＝0.1，σ＝0.1，并将样本数据送入模型进行训练，即可得到判定无人驾驶过程中车辆状态是否异常的决策边界。

S32，将决策边界进行泛化：由S31得到决策边界后，由于决策边界紧紧贴合数据点分布的边缘，直接使用该决策边界会导致很大的虚警率，需要在原有硬边界的基础上，将边界根据实际情况，保形地向外进行一定延展。由Newman-Pearson准则，当虚警率β₀低于设定的阈值时(这里β₀设为0.1)，即可停止延展。边界延展的示意如图3所示。

S33，报警的触发机制设计：由于各种干扰及噪声影响，即使是正常情况下也会有样本点落在延展边界之外的情况，为了降低误警率，设计报警触发机制为：在2秒钟内(即200个采样周期)，如果有超过100个样本点落在了延展边界之外，就触发车辆状态异常的报警。

S4，基于车辆运动学模型和S2中提取的采样时刻信息、(X，Y)坐标信息及航向角信息，利用卡尔曼滤波器构建车辆轨迹偏航监测器。

具体包括以下步骤：

S41，基于车辆运动学模型，构建卡尔曼滤波中状态预测过程的一步状态转移矩阵。

一步状态转移矩阵是卡尔曼滤波器预测过程的核心，本发明基于车辆运动学模型得到该转移矩阵。如图4所示，在直角坐标系XOY中，用x,y,

三个自由度来刻画车辆的运动。定义线性系统状态向量

则离散形式的车辆自行车模型描述为：

Δt代表采样间隔，δ代表前轮转向角，v代表车辆的纵向速度，l代表前后轮轴距的一半，Ω(k)代表k时刻车辆的运动状态，与k-1时刻的车辆状态存在着如(7)式所描述的关系。从提取的GNSS信息中，无法直接得到

这个自由度的信息，但是航向角yaw和

之间存在着简单的线性对应关系。如果以车辆出发点作为坐标原点，二者在数值上相差一个起始点初始航向角相位

因而只要测得车辆在起始点的初始航向角，

这个自由度的信息就可以得到。

视车辆为质点来预测其轨迹，平面上用X,Y坐标这两个维度就可以表示。在得到

这个自由度的信息后，(7)式可简化为：

这里，

(8)式中的系数矩阵即本发明中卡尔曼滤波器的一步状态转移矩阵，记为F。

S42，在S41得到一步状态转移矩阵的基础上，构建预测车辆轨迹的卡尔曼滤波器，计算过程为：

基于上一状态给出先验的状态预测：

Ω(k|k-1)＝FΩ(k-1|k-1)+BU(k)                  (9)

式(9)中，Ω(k|k-1)是根据上一状态预测的结果，本发明中表示对当前时刻位置的先验预测；F即为S41中得到的一步状态转移矩阵；Ω(k-1|k-1)是上一时刻状态的最优结果；U(k)为状态控制量，B为系统参数，由于没有额外的输入控制量，U(k)＝0。

输入数据协方差矩阵的先验预测：

P(k|k-1)＝FP(k-1|k-1)F′+Q                   (10)

式(10)中，P(k|k-1)是Ω(k|k-1)对应的协方差矩阵；P(k-1|k-1)是Ω(k-1|k-1)对应的协方差矩阵；F′是F的转置；Q是过程噪声对应的协方差矩阵，可以取

本发明中取P的初始值为单位矩阵。

卡尔曼增益的计算：

K_g(k)＝P(k|k-1)H′/(HP(k|k-1)H′+R)                (11)

其中K_g(k)即k时刻的卡尔曼增益，H为观测矩阵，本发明中设为单位矩阵，R为观测噪声协方差矩阵，可以与Q取同样的值。

更新状态估计：

Ω(k|k)＝Ω(k|k-1)+K_g(k)(Z(k)-HΩ(k|k-1))              (12)

其中Z(k)为k时刻传感器对车辆位置的测量值。

更新输入数据协方差矩阵的估计：

P(k|k)＝(I-K_g(k)H)P(k|k-1)                    (13)

式中I为单位矩阵。

给定初始值后，采用上述5个步骤便可不断地迭代进行，得到修正后的轨迹预测信息。

S43，对经过卡尔曼滤波修正后的轨迹预测信息和传感器实际测量值之间进行残差分布推断，监测车辆轨迹是否偏航。如果噪声源足够多且独立同分布，由中心极限定理，噪声过程是零均值高斯过程。现实中噪声来源很多且相互独立，可以认为满足“噪声源足够多且独立同分布”假设，则卡尔曼滤波器的预测值和实际观测值之间的残差应近似符合零均值高斯分布。如果残差分布与零均值高斯分布存在较大差异，轨迹可能已经偏航。

本发明中利用Jarque-Bera检测对残差分布的正态性进行检验，设一个样本来自于服从正态分布的数据，那么其期望的偏度(skewness)是0而峰度(kurtosis)是3，通过测试样本偏度和峰度与正态分布的匹配性来对样本的正态性进行检验。记测试统计量为JB，定义为：

式(14)中，n是自由度，如果假设每个样本都是独立的，那么n就等于样本数；S代表偏度，K代表峰度，计算式为：

这里

和

分别是样本的三阶、四阶中心距，

是样本均值，

是样本标准差。如果测试统计量JB显著偏离0值，表明被测样本不符合正态分布。

三次样条插值扩大残差分布推断的样本量：分布推断一般要求有较大的样本量才能保证一定的置信度，但是无人驾驶对实时性有很高要求，不可能在短时间内采集到大量的样本。本发明为了折中样本量和实时性指标，采用了三次样条插值的技巧适当扩大了短时采集样本数，残差分布推断也是针对经过插值后的短时采集样本，具体包括以下步骤：

每2秒钟(200个采样周期)采集的数据与卡尔曼滤波器的预测值先做残差操作，对残差进行分段区间三次样条插值，并对插值后的数据用Jarque-Bera检测进行正态性检验；如果连续三个Jarque-Bera检测样本都无法通过，则触发轨迹偏航报警。

利用人工神经网络优化模糊系统的隶属度函数，使之对导致车辆状态发生错误的原因进行概率推断。具体包括以下步骤：

用于概率推断的训练数据的收集及制作：训练数据在本步骤中一共有三个来源，如图2所示，除了利用到与S31中一样的正例数据外，同时通过实时获取采样到的错误样本数据，同时通过人工注入错误信息，作为用于概率推断的训练数据样本。实际获取采样到的错误样本数据，指无人车经过短隧道时收集到的样本(此时GNSS消息虽然异常甚至接收不到，但是其他传感器，如惯导等会保证无人车安全通过短隧道)，经过S2一样的数据预处理，提取速度、角速度信息；所述人工注入错误信息，指在正例样本基础上人为添加大功率高斯白噪声，使得样本产生一定畸变。所有正例样本给定标签1，收集到的错误样本及人工注入错误信息的样本给定标签为0，然后对所有训练样本进行乱序处理，避免标签连续而可能带来的对训练的不利影响，方式为：随机生成一列与样本数量一致的仅有元素0和1的序列，元素1所在的行存放正例样本的信息，元素0所在行存放错误样本信息。对所有样本，取70％作为训练集，剩下30％作为测试集。

模糊系统隶属度函数的初始化：该隶属度函数由两个函数组成，一个反映了随着车辆速度v变化车辆纵向状态错误概率的变化，因为车辆的纵向状态由速度v反应；另一个则反映了车辆角速度ω变化车辆横向状态错误概率的变化，因为横向状态由角速度ω反应。为了使隶属度函数具有概率的属性，其函数值取值范围应该在0～1范围内。定义“速度失控”隶属度函数M(v)：

“航向失控”隶属度函数M(ω)：

这里，μ_v,μ_ω是速度和角速度阈值，在某一状态下，如果速度大于μ_v或者角速度大于μ_ω，即认为车辆状态异常，可能失控；σ_v和σ_ω是决定隶属度函数过渡区域(错误概率0.5附近的区域)陡峭程度的参数，数值越大过渡带越陡峭。这四个参数都是动态变化的，会随着车辆状态的不同而有所差异，在后面的步骤中会进一步体现。初始化时，可以设定μ_v＝16.67m/s，μ_ω＝25°/s，σ_v＝σ_ω＝0.5。

S53，人工神经网络优化模糊系统的搭建：系统结构如图5所示，包括输入层、隶属度函数层、隐藏层和输出层；

输出层有两个节点，分别对应输入特征的两个分量速度v和角速度ω；两个隐藏层每层各6个节点，其激活函数采用sigmoid函数；输出层有两个节点，目标输出采用one-hot形式，即如果输入的是正常样本，期望输出[1,0]^T，如果输入的是异常样本，期望输出[0,1]^T。所述隶属度函数层是隐藏层的一种变体，激活函数采用S52中的隶属度函数，相当于对输入特征进行了一次特征变换。这里，输入层和隐藏层之间的连接只起到特征传输的作用；后面所有层各节点之间的连接，其权重w及偏置b开始时随机初始化，随着训练过程的进行不断修正。训练过程中使用到反向传播(Back Propagation，BP)算法，回传过程采用梯度下降方法。当反向传播的均方误差值小于1e-3时，停止训练。

黑箱测试对隶属度函数的参数进行更新。训练好后的人工神经网络优化模糊系统其信息都反映在各节点连接的权重和偏置中，这一步的目的在于通过近似拟合，得到与训练好后的网络等价的隶属度函数形式，换言之，对S52中的隶属度函数参数进行更新。训练好后的网络视作黑箱，参数更新的过程为：

将速度v取值范围限定在0～20，角速度ω取值范围限定在0～50，二者均以0.1为步长进行等距剖分得到一系列节点{v_i|i＝1,2,…,201},{ω_j|j＝1,2,…,501}，两个维度的节点两两组合构成一系列状态向量χ_i＝[v_i,ω_j]^T，作为黑箱的输入；黑箱的输出为一系列指示是否异常的one-hot值，即[1,0]^T代表正常，[0,1]^T代表异常。沿着v的维度，每次固定一个v值，搜索输出由[1,0]^T变成[0,1]^T对应的角速度ω的值并保存，这样每个v都会对应一个使得状态发生变化的ω值，这个ω值就是(16)式中的阈值μ_ω。可以看到，v和μ_ω有着一一对应的关系，可以用函数拟合这种关系，即：

这里的g是待拟合的函数关系式，max(μ_ω)为保存的角速度阈值中的最大值，v_mid为使得函数g取max(μ_ω)/2时的速度值。同理，沿着ω的维度，每次固定一个ω值，搜索输出由[1,0]^T变成[0,1]^T对应的角速度v的值并保存，这样每个ω都会对应一个使得状态发生变化的v值，这个v值就是(15)式中的阈值μ_v。ω和μ_v同样可以用函数关系拟合为：

其中f为待拟合的函数关系式，max(μ_v)为保存的速度阈值中的最大值，v_mid为使得函数f取max(μ_v)/2时的速度值。

在得到g(v)和f(ω)后，可以通过式(15)、(16)式得到另外两个参数σ_v和σ_ω的更新。当速度达到某一上界v_up或者角速度达到某一上界ω_up时，认为车辆一定发生了故障，错误概率无限接近1，即：

让M(v)＝1-ε₁,M(ω)＝1-ε₂,这里ε₁,ε₂都是非常小的正数，可得：

至此，隶属度函数的四个参数全部得到更新，给定任意一个车辆状态χ＝[v,ω]^T，都可由更新后的隶属度函数计算v导致错误的概率(或者说错误发生是由于纵向问题导致的概率)和ω导致错误的概率(或者说错误发生是由于横向问题导致的概率)。

本发明采用卡尔曼滤波模型作为观测器，并与测量到的数据利用Jaque-Bera测试做残差分布推断，同时利用插值技巧，构建实时的车辆轨迹监测系统；基于采集到的车辆状态数据和改进的人工神经网络模型以及黑箱测试技术，设计了模糊系统模型，对检测到的车辆状态错误类型进行概率推断。本发明针对采集到的GNSS信息，运用多种数据处理技术，构建了较为完备的基于传感器GNSS信息的无人车故障检测及错误类型推断系统，能有效监测无人车车辆状态及轨迹，在无人车状态异常时给出预警并推断可能的错误类型。综合了基于模型的故障诊断方法和数据驱动方法各自的优势，使得设计的故障诊断系统相对无人驾驶汽车而言更加具有针对性。给出车辆状态错误类型的概率推断，可以为错误的进一步排查提供一定指导。

Claims (10)

1.一种无人车故障检测方法，其特征在于，包括以下步骤：

S1，利用无人车的正例数据分别构建并训练得到车辆状态监测器和车辆轨迹偏航监测器；

S2，实时获取待测无人车的GNSS数据，对获取的GNSS信息进行用字段提取、数据清洗以及数据变换；

S3，利用车辆状态监测器和车辆轨迹偏航监测器对变换后的数据进行判断，从而判断无人车是否故障。

2.根据权利要求1所述的一种无人车故障检测方法，其特征在于，S1中，基于数据采集装置获取待测无人车的GNSS数据，对获取的GNSS信息进行用字段提取、数据清洗以及数据变换，提取的有用字段包括：协议头、采样时刻、纬度、经度、航向角、东向速度和北向速度。

3.根据权利要求2所述的一种无人车故障检测方法，其特征在于，对提取的有用字段中不完整的记录直接进行去除操作；针对重复记录的信息去除重复部分，只保留一条；针对格式不规范的完整记录，将其格式进行规范化；

将清洗后的数据变换得到模型训练或验证需要用到的输入数据：无人车在无人驾驶状态下每一采样时刻其在直角坐标系中的(X，Y)坐标、速度以及角速度。

4.根据权利要求3所述的一种无人车故障检测方法，其特征在于，利用提取字段中的纬度和经度数据，通过墨卡托投影得到直角坐标系下的(X，Y)坐标；

速度信息由东向速度和北向速度变换得到：

记东向速度为v_e，北向速度为v_n，则速度信息的值大小为：

角速度信息通过计算两个连续采样时刻航向角的差商得到。

5.根据权利要求4所述的一种无人车故障检测方法，其特征在于，利用得到的速度、角速度信息作为训练数据，采用OCSVM方法，得到判定无人驾驶过程中车辆状态是否异常的决策边界，构建车辆状态监测器。

6.根据权利要求5所述的一种无人车故障检测方法，其特征在于，采用获取的速度信息和角速度信息，作为模型的输入对模型进行训练得到判定无人驾驶过程中车辆状态是否异常的决策边界；将决策边界进行泛化，根据泛化后的边界条件，设定报警的触发机制。

7.根据权利要求2所述的一种无人车故障检测方法，其特征在于，基于车辆运动学模型和提取的采样时刻信息、(X，Y)坐标信息及航向角信息，利用卡尔曼滤波器构建车辆轨迹偏航监测器。

8.根据权利要求7所述的一种无人车故障检测方法，其特征在于，基于车辆运动学模型，构建卡尔曼滤波中状态预测过程的一步状态转移矩阵；在得到一步状态转移矩阵的基础上，构建预测车辆轨迹的卡尔曼滤波器。

9.根据权利要求2所述的一种无人车故障检测方法，其特征在于，基于提取的有用字段中的正例数据和错误样本数据，同时加入人工注入错误信息数据；利用上述正例数据、错误样本数据和人工注入错误信息数据作为用于概率推断的训练数据样本，训练得到人工神经网络优化模糊系统，利用人工神经网络优化模糊系统对导致车辆状态发生错误的原因进行概率推断，得到无人车发生故障原因的概率。

10.一种无人车故障检测系统，其特征在于，数据采集模块和检测模块；检测模块用于存储利用无人车的正例数据分别构建并训练得到的车辆状态监测器和车辆轨迹偏航监测器；

数据采集模块实时获取待测无人车的GNSS数据，对获取的GNSS信息进行用字段提取、数据清洗以及数据变换，并将变换后的数据传输至检测模块，检测模块对变换后的数据进行判断，输出无人车的故障信息。

Images