CN109190171B - 一种基于深度学习的车辆运动模型优化的方法 - Google Patents

Abstract

本发明涉及一种基于深度学习的车辆运动模型优化的方法，通过深度学习的方式拟合出转向盘转角α与质心偏角β之间的非线性函数，最终可得到这样一个过程，已知转向盘转角α，可解得β质心偏角。该方法主要通过搭建深度学习神经网络训练模型对收集到大量的车身转向盘信息、车速、向心加速度与车辆运动模型中的质心偏角信息加以训练，寻找转向盘转角与质心偏角信息之间的非线性对应关系，从而将车辆运动模型中的转向盘转角信息加以优化，得到更为准确的运动方向信息，进一步提高运动模型位置推算的准确性。

Description

一种基于深度学习的车辆运动模型优化的方法

技术领域

本发明涉及智能驾驶技术领域，具体涉及一种基于深度学习的车辆运动模型优化的方法。

背景技术

在使用简单车辆运动模型时，偏航角度θ不能精确的描述车辆真实运动的偏转角度，简单车辆运动模型，如图1所示，

其中，θ是偏航角度，它是相对X轴的逆时针方向的角度；

v是θ方向的速度；

(x，y)是车辆的位置坐标。

而真实车辆运动学模型，如图2所示，

其中，ψ是车辆的偏航角度；β是车辆的质心偏角。

如果能求出β质心偏角，就可以运用真实车辆运动学模型求解出车辆的精确位置估计。常规做法是通过标定转向盘每隔10°检测前轮胎偏角，然后使用计算公式求解β质心偏角，这种方式带来的问题有二方面，第一是车辆静止时标定，数据采集是离散的，中间差值需要用积分求得，误差相对较大；第二是β质心偏角和车速、向心加速度、轮胎侧偏力有关，是连续动态的过程，单从静态标定法无法正确求解出β质心偏角。

发明内容

本发明针对现有技术中存在的技术问题，提供一种基于深度学习的车辆运动模型优化的方法，通过深度学习的方式拟合出转向盘转角α与质心偏角β之间的非线性函数，最终可得到这样一个过程，已知转向盘转角α，可解得β质心偏角。该方法主要通过搭建深度学习神经网络训练模型对收集到大量的车身转向盘信息、车速、向心加速度与车辆运动模型中的质心偏角信息加以训练，寻找转向盘转角与质心偏角信息之间的非线性对应关系，从而将车辆运动模型中的转向盘转角信息加以优化，得到更为准确的运动方向信息，进一步提高运动模型位置推算的准确性。

本发明解决上述技术问题的技术方案如下：

一种基于深度学习的车辆运动模型优化的方法，包括以下步骤：

根据车辆的惯性质量、车速、质心偏角、横摆角速度、车辆的横摆转动惯量、车辆质心至前后车轴的距离、前后轮的侧偏刚度以及前车轮偏角，确定车辆基本运动方程；

根据转向系的特性对车辆动力学性能的影响，将转向系运动方程和车辆基本运动方程联立，得到转向系关于转向盘转角和质心偏角相关的车辆运动方程；

运用深度学习的方法拟合转向盘转角和质心偏角的非线性函数，深度学习的模型输入是转向盘转角、车速、向心加速度，输出是质心偏角，使用均方差作为衡量指标。

进一步，考虑到转向盘转角相对前轮转向角的延迟性，所述深度学习模型选用带时间序列特性的网络结构。

进一步，所述深度学习模型包括输入层、隐藏层、承接层和输出层；所述承接层用来存储状态，使系统具有适应时变特性，从而适合用来建立时间序列的预测模型。

进一步，所述深度学习模型的训练集包括在不同的工况和场景条件下，采集的高精度惯导数据和车身信号数据，并根据所述高精度惯导数据和车身信号数据分析获取的转向盘转角、车速、向心加速度。

进一步，所述深度学习模型的训练方式包括：

将每个Log数据内容分为训练样本集和测试样本集，

在训练样本集中，抽取相邻50条数据为一个样本，其中前49条设为自变量X，后1条为目标数值y，

依次类推，最终被分成N个训练样本，形成训练矩阵；

同理，形成测试矩阵。

本发明的有益效果是：

1、影响β质心偏角的因素有很多，单纯静态标定会引入较大误差，本发明是以车辆操纵动力学理论为基础，研究车辆运动时β质心偏角和哪些因子有关，整理出相关联的非线性函数公式。

2、动态的采集数据，包含不同的工况、不同的场景，通过大量数据训练，拟合出与真实车辆运动误差最小的非线性函数。

3、静态标定是离散的，本发明求解的非线性函数是连续的。

附图说明

图1为简单车辆运动模型示意图；

图2为真实车辆运动学模型示意图；

图3为车辆平面运动和轮胎的侧偏力运动模型示意图；

图4为转向系等效模型示意图；

图5为作用于前轮的回正力矩示意图；

图6为深度学习模型；

图7为深度学习模型计算步骤示意图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

本发明提供一种基于深度学习的车辆运动模型优化的方法，包括以下内容：

1、确立车辆基本运动方程。对应于某一个给定的转向输入下车辆的运动力学特性，通过力学方程引出任意给定的前轮偏角δ时车辆基本运动方程，它不受其相对地面固定坐标系的位置和其航向的影响。

2、确立转向系模型与运动方程。推导转向系的特性对车辆动力学性能的影响，将转向系运动方程和第一步车辆基本运动方程联立，可得转向系关于转向盘转角α和β质心偏角相关的车辆运动方程。证明转向盘转角α和β质心偏角之间的非线性关系由速度ν和横摆角速度γ影响，因横摆角速度γ和向心加速η有关联，所以转向盘转角α和β质心偏角的关系也由速度ν和向心加速η影响。

3、运用深度学习的方法拟合转向盘转角α和β质心偏角的非线性函数。在不同的工况和场景条件下，采集高精度惯导数据和车身信号数据，深度学习的模型输入是转向盘转角、车速、向心加速度，输出是质心偏角，使用均方差作为衡量指标，趋近于0或越小越好，这样拟合的非线性函数越接近真实运动结果。

具体的，该方法具体包括：

首先，确立车辆基本运动方程

图3为车辆平面运动和轮胎的侧偏力运动模型示意图。如图3所示可得以下力学模型：

其中，m为车辆的惯性质量，v为车速，β为质心偏角，γ为横摆角速度，C_f和C_r为前后轮的侧偏力，I为车辆的横摆转动惯量，l_f和l_r为车辆质心至前后车轴的距离，K_f和K_r为前后轮的侧偏刚度，δ为前车轮偏角。

将式(1.3)和式(1.4)分别代入式(1.1)和式(1.2)，可得：

以上等式就成为了描述车辆的基本运动方程。

其次，确立转向系模型与运动方程

图4为转向系等效模型示意图，图5为作用于前轮的回正力矩示意图。

如图4图5所示，可得到以下力学方程：

其中，I_s为转向惯量，K_s为弹性系数，C_s为阻尼系数，α为转向盘转角，δ为前车轮偏角，K_f为前轮胎侧偏刚度，β_f前轮产生的侧偏角，ξ为轮胎拖距和主销后倾拖距之和。

将式(2.1)和式(2.2)分别代入式(2.3)，可得：

对于已知的α，前轮转向角δ可通过式(2.4)获得，为研究转向系特性影响，忽略转向盘迅速转动的过程，也就是说，此时的

和

很小，而且I_s和C_s也很小，式(2.4)中的

和

可忽略。将式(2.4)、式(1.5)和式(1.6)联立，便得到了同时考虑转向系关于转向盘转角的车辆运动方程组：

可证明转向盘转角α和β质心偏角之间的非线性关系由速度v和横摆角速度γ影响，因横摆角速度γ和向心加速η有关联，所以转向盘转角α和β质心偏角的关系也由速度v和横摆角速度γ、向心加速η影响。

第三，证明前轮转向角δ相对与转向盘转角α的响应延迟

将式(2.4)、式(1.5)和式(1.6)稍加变形，便可以得到相应与转向盘转角α的车辆运动方程如下：

严格来讲，当转向盘被更快地操作时，式(2.11)中

和

不能被忽略，根据这些方程可以预见，绕主销的前轮惯性项和阻尼项会使前轮转向角δ相对与转向盘转角α的响应延迟，当选择使用神经网络拟合非线性函数时需要考虑时间序列的重要性。

第四，运用深度学习的方法拟合转向盘转角α和β质心偏角的非线性函数

在不同的工况和场景条件下，采集高精度惯导数据和车身信号数据，深度学习的模型输入是转向盘转角、车速、向心加速度，输出是质心偏角，使用均方差作为衡量指标，考虑到转向盘转角α相对前轮转向角δ的延迟性，选用带时间序列特性的网络结构经典Elman，如下图6所示。

带时间序列特性的网络结构经典Elman是一种局部回归网络，它的主要结构由输入层、隐藏层、承接层、输出层组成，具有较强的计算能力和联想记忆功能，它在内部通过承接层来存储状态，使系统具有适应时变特性，从而适合用来建立时间序列的预测模型。该预测模型的计算步骤如图7所示。

模型训练的方式是将每个Log数据内容分为训练样本集和测试样本集，在训练样本集中，抽取相邻50条数据为一个样本，其中前49条设为自变量X，后1条为目标数值y，依次类推，最终被分成N个训练样本，形成训练矩阵。同样测试集也参照此类划分形成测试矩阵。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于深度学习的车辆运动模型优化的方法，其特征在于，包括以下步骤：

根据车辆的惯性质量、车速、质心偏角、横摆角速度、车辆的横摆转动惯量、车辆质心至前后车轴的距离、前后轮的侧偏刚度以及前车轮偏角，确定车辆基本运动方程；所述车辆基本运动方程如式(1.5)和式(1.6)所示；

式中，

为车辆的惯性质量，

为车速，β为质心偏角，γ为横摆角速度，C_f和C_r为前后轮的侧偏力，I为车辆的横摆转动惯量，l_f和l_r为车辆质心至前后车轴的距离，K_f和K_r为前后轮的侧偏刚度，δ为前车轮偏角；

根据转向系的特性对车辆动力学性能的影响，将转向系运动方程和车辆基本运动方程联立，得到转向系关于转向盘转角和质心偏角相关的车辆运动方程组；所述转向系运动方程如式(2.4)所示：

联立式(2.4)、式(1.5)和式(1.6)，所述的车辆运动方程组如式(2.9)至式(2.11)所示：

式中，I_s为转向惯量，K_s为弹性系数，C_s为阻尼系数，α为转向盘转角，ξ为轮胎拖距和主销后倾拖距之和；

运用深度学习的方法拟合转向盘转角和质心偏角的非线性函数，深度学习的模型输入是转向盘转角、车速、向心加速度，输出是质心偏角，使用均方差作为衡量指标。

2.根据权利要求1所述一种基于深度学习的车辆运动模型优化的方法，其特征在于，考虑到转向盘转角相对前轮转向角的延迟性，深度学习模型选用带时间序列特性的网络结构。

3.根据权利要求2所述一种基于深度学习的车辆运动模型优化的方法，其特征在于，所述深度学习模型包括输入层、隐藏层、承接层和输出层；所述承接层用来存储状态，使系统具有适应时变特性，从而适合用来建立时间序列的预测模型。

4.根据权利要求3所述一种基于深度学习的车辆运动模型优化的方法，其特征在于，所述深度学习模型的训练集包括在不同的工况和场景条件下，采集的高精度惯导数据和车身信号数据，并根据所述高精度惯导数据和车身信号数据分析获取的转向盘转角、车速、向心加速度。

5.根据权利要求4所述一种基于深度学习的车辆运动模型优化的方法，其特征在于，所述深度学习模型的训练方式包括：

将每个Log数据内容分为训练样本集和测试样本集，

在训练样本集中，抽取相邻50条数据为一个样本，其中前49条设为自变量X，后1条为目标数值y，

依次类推，最终被分成N个训练样本，形成训练矩阵；

同理，形成测试矩阵。

Images