CN117592374A - 一种商用车操纵稳定性主客观一体化评价方法 - Google Patents
一种商用车操纵稳定性主客观一体化评价方法 Download PDFInfo
- Publication number
- CN117592374A CN117592374A CN202311625363.XA CN202311625363A CN117592374A CN 117592374 A CN117592374 A CN 117592374A CN 202311625363 A CN202311625363 A CN 202311625363A CN 117592374 A CN117592374 A CN 117592374A
- Authority
- CN
- China
- Prior art keywords
- objective
- subjective
- evaluation
- model
- data
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 97
- 238000012360 testing method Methods 0.000 claims abstract description 61
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000010801 machine learning Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000001133 acceleration Effects 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 15
- 230000004044 response Effects 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000010200 validation analysis Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000007935 neutral effect Effects 0.000 claims 2
- 230000035945 sensitivity Effects 0.000 claims 2
- 238000013210 evaluation model Methods 0.000 claims 1
- 238000010998 test method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- WYTGDNHDOZPMIW-RCBQFDQVSA-N alstonine Natural products C1=CC2=C3C=CC=CC3=NC2=C2N1C[C@H]1[C@H](C)OC=C(C(=O)OC)[C@H]1C2 WYTGDNHDOZPMIW-RCBQFDQVSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
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
- 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
- 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
- G01M17/06—Steering behaviour; Rolling behaviour
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
Abstract
本发明提供一种商用车操纵稳定性主客观一体化评价方法,以保证车辆在进行客观试验时更加接近主观评价时的车辆运动状态,从而实现通过客观试验数据来更加准确的描述驾驶员的主观驾乘感觉。首先,设计一系列模拟商用车操纵稳定性主观评价的客观试验操作场景,并建立一套客观试验操作程序。其次,结合主观评价指标确定客观试验中的商用车操纵稳定性需求的客观指标并进行试验数据采集。接着,采集商用车稳定性主客观评价指标数据,并进行预处理用于机器学习;然后,采用机器学习算法将客观数据转化为驾驶员的主观评价指数;最后,对机器学习模型进行性能评估,得到评估合理的模型,即为商用车操纵稳定性主客观一体化评价方法。
Description
技术领域
本发明涉及一种商用车操纵稳定性主客观一体化评价方法,属于车辆性能评价与分析技术领域。
背景技术
目前,商用车操纵稳定性的评价方法主要分为主观评价和客观评价两种。主观评价依赖于驾驶员对车辆操纵稳定性的感受,而客观评价则基于试验数据进行分析。然而,这些传统方法往往无法全面地反映车辆的操纵稳定性,存在以下局限性:
1、车辆主观评价受个人感觉和经验差异的影响,缺乏统一的评价标准,难以量化。
2、客观评价往往基于特定试验标准和指标,无法完全覆盖驾驶员在实际驾驶中的感受。
3、现有的车辆主客观评价方法研究缺乏有效的整合,不能相互印证。
4、极限工况下的车辆操纵稳定性难以通过主观评价准确复现和评估。
为此,本发明提出一种商用车操纵稳定性主客观一体化评价方法,将驾驶员主观评价操作进行客观化,形成一套与主观评价操作类似的客观试验操作方法,使客观试验时车辆的运动状态更加接近主观评价时的车辆运动状态,从而更加准确的描述驾驶员的主观感觉。
发明内容
本发明旨在为商用车提供一种操纵稳定性主客观一体化评价方法,以保证车辆在进行客观试验时更加接近主观评价时的车辆运动状态,从而可以实现通过客观试验数据来更加准确的描述驾驶员的主观驾乘感觉。
本发明是采用如下技术方案实现的:
步骤一:首先设计一系列模拟商用车操纵稳定性主观评价的客观试验操作场景,并基于商用车车辆主观评价操作规范和国家标准建立一套客观试验操作程序。
本发明设计的客观试验操作场景包括但不限于稳态回转工况、蛇行工况和转向盘角阶跃试验等。
(1)蛇行试验
蛇行试验中,车辆以30km/h至75km/h的车速稳定的穿越标桩。
(2)稳态回转试验
稳态回转试验要求车辆按照既定的圆形轨迹调整方向盘随轨迹行驶,在这个过程中以不大于0.05g加速度加速,直至车辆的侧向加速度达到0.65g或车辆出现不稳定的状态为止。另一种试验方法是固定方向盘的转角,从静止状态下缓慢加速,其纵向加速度不超过0.025g,直至车辆的侧向加速度达到0.65g或车辆出现不稳定的状态为止。
(3)方向盘角阶跃试验
转向盘角阶跃试验的试验方法为车辆以一定的试验车速直线行驶,然后驾驶员迅速的给方向盘一个角度输入使方向盘转角达到预先设定好的位置,固定方向盘几秒。在试验的过程中需要记录车辆从直线行驶过渡到新的稳态之间的车辆运动状态。
步骤二:结合主观评价指标确定客观试验中的商用车操纵稳定性需求的客观指标并进行试验数据采集。
首先确定商用车操纵稳定性的主观评价指标:
确定商用车操纵稳定性客观试验涵盖的客观指标,主要包括不足转向度、车身侧倾刚度、平均转向盘转角、平均横摆角速度、平均车身侧倾角、平均侧向加速度、横摆角速度响应时间、侧向加速度响应时间、横摆角度超调量、横摆角速度总方差、侧向加速度总方差等,相关指标通过车辆运行过程中的基本参数计算得到(如加速度、速度、转向角度等)。
步骤三:采集商用车稳定性主客观评价指标数据,并进行预处理用于机器学习。
数据采集过程中涉及数据的前处理,主要包括数据滤波处理、传感器零飘处理以及工况的组合拼接等。本发明应用MATLAB软件设计巴特沃斯低通滤波器(截止频率为3Hz)与小波滤波器结合进行数据滤波,避免滤波过程中导致的相位延迟。此外将数据标准化或归一化:确保所有数据在同一量级,便于处理。并将数据分割为训练集、验证集和测试集。
步骤四:采用机器学习算法将客观数据转化为驾驶员的主观评价指数。
本发明机器学习算法选择深度学习进行训练,机器学习能够解决很多非线性问题,探索出更多的主客观评价内在联系。
1、首先进行特征选择:从大量的客观参数中选择与驾驶员的主观评价最相关的特征。
2、接着进行模型构建:根据选定的特征和数据类型构建模型,确定模型架构,包括层数、神经元数量等。
3、构建损失函数与优化方法:损失函数选择均方误差(MSE)作为回归问题的损失函数。优化器选择如Adam优化器来最小化损失函数。模型训练过程的关键是最小化预测值和主观评价实际值之间的差异,这可以通过下面的优化问题来表达:
其中:θ表示模型参数,N是样本数量。f(xi;θ)是模型对第i个样本的预测。xi是第i个样本的特征,yi是第i个样本的真实评价指数。
通过梯度下降算法,可以迭代地更新参数θ,以在多维特征空间中找到损失函数的最小
值。这个过程包括计算损失函数关于θ的梯度,并更新θ以减少损失:
其中,α是学习率,是损失函数关于参数θ的梯度。
4、训练与验证:使用训练集数据训练模型,并在验证集上评估性能。
5、输出评价指数:模型输出一个评价指数,该指数综合了主观评价和客观数据,可以量化车辆的操纵稳定性。
步骤五:对机器学习模型进行性能评估,得到评估合理的模型(即为商用车操纵稳定性主客观一体化评价方法)。
使用测试集对模型进行最终评估通过比较模型输出的评价指数与驾驶员的主观评价来评估模型性能。利用测试数据集评估模型性能,并根据实际驾驶员的反馈进行微调。计算测试集上的MSE和R2与驾驶员的主观评分进行对比验证模型预测的准确性。将训练好的模型部署到车辆评价系统中,实时转换客观数据为评价指数,最终得到一种商用车操纵稳定性主客观一体化评价方法。
与现有技术相比本发明的有益效果是:
1.本发明建立一套客观试验操作程序,该程序模拟驾驶员的主观评价操作,使得客观试验时车辆的运动状态与主观评价时的车辆运动状态相近。并设立一套评价标准,将主观评价量化,实现主观感受与客观数据的有效结合。
2.相较于传统的方法,本发明采用机器学习来实现商用车操纵稳定性主客观评价一体化,在实现主观评价的量化和标准化的同时,提高操纵稳定性评价的准确性和可靠性。可以为商用车车辆的设计和改进提供更具参考价值的数据和分析结果。
附图说明
下面结合附图对本发明作进一步的说明:
图1商用车操纵稳定性主客观一体化评价方法流程图
图2蛇行试验布置图
图3机器学习算法流程图
具体实施方式
参阅图1,本发明是采用如下技术方案实现的:
步骤一:首先设计一系列模拟商用车操纵稳定性主观评价的客观试验操作场景,并基于商用车车辆主观评价操作规范和国家标准建立一套客观试验操作程序。
本发明设计的客观试验操作场景包括但不限于稳态回转工况、蛇行工况和转向盘角阶跃试验等。
(1)蛇行试验
参阅图2,蛇行试验中,车辆以30km/h至75km/h的车速稳定的穿越标桩。
(2)稳态回转试验
稳态回转试验要求车辆按照既定的圆形轨迹调整方向盘随轨迹行驶,在这个过程中以不大于0.05g加速度加速,直至车辆的侧向加速度达到0.65g或车辆出现不稳定的状态为止。另一种试验方法是固定方向盘的转角,从静止状态下缓慢加速,其纵向加速度不超过0.025g,直至车辆的侧向加速度达到0.65g或车辆出现不稳定的状态为止。
(3)方向盘角阶跃试验
转向盘角阶跃试验的试验方法为车辆以一定的试验车速直线行驶,然后驾驶员迅速的给方向盘一个角度输入使方向盘转角达到预先设定好的位置,固定方向盘几秒。在试验的过程中需要记录车辆从直线行驶过渡到新的稳态之间的车辆运动状态。
步骤二:结合主观评价指标确定客观试验中的商用车操纵稳定性需求的客观指标并进行试验数据采集。
首先确定商用车操纵稳定性的主观评价指标:
确定商用车操纵稳定性客观试验涵盖的客观指标,主要包括不足转向度、车身侧倾刚度、平均转向盘转角、平均横摆角速度、平均车身侧倾角、平均侧向加速度、横摆角速度响应时间、侧向加速度响应时间、横摆角度超调量、横摆角速度总方差、侧向加速度总方差等,相关指标通过车辆运行过程中的基本参数计算得到(如加速度、速度、转向角度等)。
步骤三:采集商用车稳定性主客观评价指标数据,并进行预处理用于机器学习。
数据采集过程中涉及数据的前处理,主要包括数据滤波处理、传感器零飘处理以及工况的组合拼接等。本发明应用MATLAB软件设计巴特沃斯低通滤波器(截止频率为3Hz)与小波滤波器结合进行数据滤波,避免滤波过程中导致的相位延迟。此外将数据标准化或归一化:确保所有数据在同一量级,便于处理。并将数据分割为训练集、验证集和测试集。
步骤四:参阅图3,采用机器学习算法将客观数据转化为驾驶员的主观评价指数。
本发明机器学习算法选择深度学习进行训练,机器学习能够解决很多非线性问题,探索出更多的主客观评价内在联系。
6、首先进行特征选择:从大量的客观参数中选择与驾驶员的主观评价最相关的特征。
7、接着进行模型构建:根据选定的特征和数据类型构建模型,确定模型架构,包括层数、神经元数量等。
8、构建损失函数与优化方法:损失函数选择均方误差(MSE)作为回归问题的损失函数。优化器选择如Adam优化器来最小化损失函数。模型训练过程的关键是最小化预测值和主观评价实际值之间的差异,这可以通过下面的优化问题来表达:
其中:θ表示模型参数,N是样本数量。f(xi;θ)是模型对第i个样本的预测。xi是第i个样本的特征,yi是第i个样本的真实评价指数。
通过梯度下降算法,可以迭代地更新参数θ,以在多维特征空间中找到损失函数的最小
值。这个过程包括计算损失函数关于θ的梯度,并更新θ以减少损失:
其中,α是学习率,是损失函数关于参数θ的梯度。
9、训练与验证:使用训练集数据训练模型,并在验证集上评估性能。
10、输出评价指数:模型输出一个评价指数,该指数综合了主观评价和客观数据,可以量化车辆的操纵稳定性。
步骤五:对机器学习模型进行性能评估,得到评估合理的模型(即为商用车操纵稳定性主客观一体化评价方法)。
使用测试集对模型进行最终评估通过比较模型输出的评价指数与驾驶员的主观评价来评估模型性能。利用测试数据集评估模型性能,并根据实际驾驶员的反馈进行微调。计算测试集上的MSE和R2与驾驶员的主观评分进行对比验证模型预测的准确性。将训练好的模型部署到车辆评价系统中,实时转换客观数据为评价指数,最终得到一种商用车操纵稳定性主客观一体化评价方法。
Claims (1)
1.一种商用车操纵稳定性主客观一体化评价方法,其特征在于,包括以下步骤:
步骤一:首先设计一系列模拟商用车操纵稳定性主观评价的客观试验操作场景,包括但不限于稳态回转工况、蛇行工况和转向盘角阶跃试验等,并基于商用车车辆主观评价操作规范和国家标准建立试验操作程序;
步骤二:结合主观评价指标确定试验中的商用车操纵稳定性需求的客观指标并进行数据采集,首先确定商用车操纵稳定性的主观评价指标:
(1)直线行驶性能:直线行驶能力、沟槽敏感性、驱动力变化稳定性、转向扰动稳定性、侧风稳定性、车辆响应死区、车辆响应灵敏度、方向盘中位感、方向盘力感盲区、方向盘力感均匀性;
(2)转向愉悦性:转向响应、中位感、力矩特性、响应一致性、转向精确性、路感、移线特性、回正性、力矩跟随性、车辆响应线性、方向盘力感均匀性;
(3)弯道性能:不足转向、侧倾特性、侧倾转向、入弯性能、附着极限及失控特性、对角摇摆、加/减速稳定性;
(4)制动性能:直线制动稳定性、弯道制动、制动点头、制动踏板感、制动减速度、对开制动;
确定商用车操纵稳定性客观试验涵盖的客观指标,主要包括不足转向度、车身侧倾刚度、平均转向盘转角、平均横摆角速度、平均车身侧倾角、平均侧向加速度、横摆角速度响应时间、侧向加速度响应时间、横摆角度超调量、横摆角速度总方差、侧向加速度总方差等,相关指标通过车辆运行过程中的基本参数如加速度、速度、转向角度等计算得到;
步骤三:将商用车操纵稳定性主客观评价指标数据进行预处理用于机器学习;数据的预处理主要包括数据滤波处理、传感器零飘处理以及工况的组合拼接等;本发明应用MATLAB软件设计巴特沃斯低通滤波器(截止频率为3Hz)与小波滤波器结合进行数据滤波,避免滤波过程中导致的相位延迟;此外将数据归一化,确保所有数据在同一量级,并将数据分割为训练集、验证集和测试集;
步骤四:采用深度学习算法将客观数据转化为驾驶员的主观评价指数;
(1)首先进行特征选择:从大量的客观参数中选择与驾驶员的主观评价最相关的特征;
(2)接着进行模型构建:根据选定的特征和数据类型构建模型,确定模型架构,包括层数、神经元数量等;
(3)构建损失函数与优化方法:选择均方误差(MSE)作为回归问题的损失函数;优化器选择Adam优化器来最小化损失函数;模型训练过程的关键是最小化预测值和主观评价实际值之间的差异,这可以通过下面的优化问题来表达:
其中:θ表示模型参数,N是样本数量,f(xi;θ)是模型对第i个样本的预测,xi是第i个样本的特征,yi是第i个样本的真实评价指数;
通过梯度下降法,可以迭代地更新参数θ,以在多维特征空间中找到损失函数的最小值,这个过程包括计算损失函数关于θ的梯度,并更新θ以减少损失:
其中,α是学习率,是损失函数关于参数θ的梯度;
(4)训练与验证:使用训练集数据训练模型,并在验证集上评估性能;
(5)输出评价指数:模型输出一个评价指数,该指数综合了主观评价和客观数据,可以量化车辆的操纵稳定性;
步骤五:对机器学习模型进行性能评估,得到评估合理的模型,即为商用车操纵稳定性主客观一体化评价模型;
使用测试集对模型进行最终评估通过比较模型输出的评价指数与驾驶员的主观评价来评估模型性能;利用测试数据集评估模型性能,并根据实际驾驶员的反馈进行微调;计算测试集上的MSE和样本决定系数R2与驾驶员的主观评分进行对比验证模型预测的准确性;将训练好的模型部署到车辆评价系统中,将客观数据转换为评价指数,最终得到一种商用车操纵稳定性主客观一体化评价方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311625363.XA CN117592374A (zh) | 2023-11-30 | 2023-11-30 | 一种商用车操纵稳定性主客观一体化评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311625363.XA CN117592374A (zh) | 2023-11-30 | 2023-11-30 | 一种商用车操纵稳定性主客观一体化评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117592374A true CN117592374A (zh) | 2024-02-23 |
Family
ID=89916491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311625363.XA Pending CN117592374A (zh) | 2023-11-30 | 2023-11-30 | 一种商用车操纵稳定性主客观一体化评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117592374A (zh) |
-
2023
- 2023-11-30 CN CN202311625363.XA patent/CN117592374A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105741637B (zh) | 四轮轮毂电机电动汽车智能转向控制方法 | |
CN111428960B (zh) | 一种融合多源车载传感器信息的智能车辆驾驶性自动化评价方法 | |
CN111949942B (zh) | 一种加速车内噪声线性度的评价方法 | |
JPH0698903B2 (ja) | 車両走行制御装置 | |
CN111951430B (zh) | 一种车辆驾驶性评价方法及其系统 | |
CN106570560B (zh) | 基于标准化驾驶行为和相空间重构的驾驶风格定量评价方法 | |
EP1623284B1 (de) | Verfahren zur optimierung von fahrzeugen und von motoren zum antrieb solcher fahrzeuge | |
CN110614894A (zh) | 用于复杂路况的主动悬架控制系统和控制方法 | |
JP2000074791A (ja) | 自動車の走行特性の解析方法と解析装置、及び、同走行特性に影響を及ぼす方法と装置 | |
CN115077936B (zh) | 一种车辆自适应巡航系统驾乘性能测评方法 | |
CN113642114B (zh) | 可犯错的拟人化随机跟车驾驶行为建模方法 | |
CN115186594A (zh) | 一种人-车-路耦合影响下的节能速度优化方法 | |
Zhao et al. | Study of different steering feedback models influence during remote driving | |
CN113401123B (zh) | 融合驾驶模式信息的汽车预测巡航参数自整定控制系统 | |
CN112632706B (zh) | 一种基于gmm和cart回归树的路感模拟方法 | |
CN113954855A (zh) | 一种汽车驾驶模式自适应匹配方法 | |
CN117592374A (zh) | 一种商用车操纵稳定性主客观一体化评价方法 | |
CN114648114B (zh) | 基于受限玻尔兹曼机的驾驶员活跃程度识别方法及系统 | |
CN114162132B (zh) | 一种基于主客观评价的驾驶模式识别方法 | |
CN112528568B (zh) | 一种基于K-Means和BP神经网络的路感模拟方法 | |
CN112937587A (zh) | 基于K-Medoids和分类回归树的路感模拟方法 | |
CN112319479A (zh) | 一种基于车辆信任度的车辆纵向行驶安全距离预估方法 | |
CN112784442A (zh) | 一种基于大数据的仿真分析方法及系统 | |
CN112651134A (zh) | 基于高斯过程回归的转向路感模拟方法 | |
CN112632707B (zh) | 一种基于ann算法的工况融合路感模拟方法 |
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 |