一种基于物理信息融合循环神经网络的轮胎力估计方法
- 国知局
- 2024-12-06 12:10:20
- 49
本发明属于轮胎力估计领域,特别涉及一种基于物理信息融合循环神经网络的轮胎力估计方法。
背景技术:
1、近年来随着社会经济高速发展,汽车作为一项保障人们日常生活需求、提升生产工作效率的现代化工具,其保有量日益增加。汽车工业的发展体现了我国工业科技水平的进步,对于提高人们生产生活质量具有不可或缺的良性作用。然而,随着汽车保有量的增加,交通拥堵现象和由于驾驶员的精神疲劳、酒后驾驶等原因导致的道路交通事故时有发生,这增加了道路交通系统的风险。随着车联网和人工智能技术的高速发展,为了减少由驾驶人原因所引发的交通事故,自动驾驶车辆的研究已经引起了世界各国学者的关注。
2、自动驾驶系统主要由环境感知模块、规划决策模块和车辆控制执行模块等关键模块组成。自动驾驶车辆利用视觉传感器和激光雷达传感器等收集车辆周围环境信息,对车辆周围特殊的行驶环境做出判断。传感器融合及控制模块根据环境感知模块输出信息,完成全局路径及局部路径规划。最后控制执行模块根据路径规划模块输出结果,结合车辆纵向和横向稳定性及安全性约束,求解车辆各时刻的控制策略,从而实现自动驾驶车辆安全行驶。其中,车辆运动控制处于自动驾驶技术链末端,承载了智能系统的主体行为,是车辆与其他模块沟通的桥梁,对自动驾驶系统算法架构起到支撑与实现的作用。
3、精确的动力学模型是智能驾驶车辆控制算法设计和优化的基础。在车辆模型中,轮胎与路面的摩擦是车辆动力学的主要来源,特别是横向轮胎力直接决定了汽车制动、转向等操纵性能,因此横向轮胎力的准确估计是自动驾驶汽车安全运行的重要保障。然而,由于轮胎表现出既非刚体也非弹性元件的特性,同时摩擦力与地面条件、横向侧滑角、纵向滑移、轮胎载荷、胎压、温度、磨损等多种因素有关,难以通过机理建模准确描述这一参数。随着人工智能的发展,一些研究尝试利用机器学习方法建立轮胎力模型,然而,传统基于纯数据机器学习方法的轮胎力模型在实际应用中往往效果不理想。近期的一些研究致力于通过结合物理先验知识来增强机器学习模型性能,如将先验知识以代数方程或微分方程等方式融入到机器学习中,以帮助模型更好地理解数据。针对轮胎力建模问题,利用物理信息融合神经网络的建模方法提高模型可解释性和泛化能力,对模型在实际场景中的应用有重要意义。
4、本发明针对车辆在复杂多变道路条件下轮胎力的强非线性特点,为减小未知道路条件对车辆跟踪性能和安全性能的影响,引入基于物理信息融合神经网络的车辆轮胎力模型,提高在多变道路条件下的估计效果,增强模型的泛化能力和可解释性。
技术实现思路
1、本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于物理信息融合循环神经网络的轮胎力估计方法。
2、本发明技术方案如下:
3、一种基于物理信息融合循环神经网络的轮胎力估计方法,包括以下步骤:
4、步骤1,基于carsim仿真平台收集不同行驶条件下的车辆状态数据及轮胎力数据;
5、步骤2,在步骤1的车辆状态数据中,选取以下与轮胎力相关的车辆状态作为网络输入参数:
6、
7、其中,δ是前轮转向角,是偏航率,vx,vy分别是纵向速度和横向速度,ax,ay是纵向加速度和横向加速度,σfl,,σfr,ωrl,σrr分别是左前轮、右前轮,左后轮、右后轮的转速;
8、步骤3,对步骤2中车辆状态数据进行均值-方差标准化处理,并划分训练集测试集;
9、步骤4,设计网络结构;本发明中选取门控循环单元(gru)作为主体循环神经网络结构,为了增强模型的估计效果,在输入层前添加一个全连接层作为输入投影层,在输出层后添加一个全连接层作为输出回归层;
10、步骤5,用步骤4网络处理车辆状态数据训练集序列,得到轮胎力在第i个时刻的估计值f(xi,θ),i=t+1,…,n,t表示用过去t个时刻的状态预测当前轮胎力,n是训练集数据的数量;
11、步骤6,经步骤5得到训练集的轮胎力估计值f(xi,θ)后,设计物理信息融合的损失函数以更新网络参数。物理信息融合的损失函数的设计包含两个部分:基于循环神经网络算法,设计基于数据标签的损失函数;基于简化车辆的动力学模型设计基于物理信息的损失函数;将以上两种损失函数叠加,实现一种物理信息融合循环神经网络的轮胎力估计方法;
12、步骤7,基于损失函数loss,根据反向传播算法和链式求导法则,更新网络中的权重参数;
13、步骤8,训练网络参数,设置最大训练轮次m,在训练轮次内,重复步骤5至步骤7,直至网络满足误差要求或达到最大训练轮次,跳出循环;
14、步骤9,测试网络估计效果;基于测试集的状态数据和步骤4的前向传播过程获取测试集的轮胎力估计值,此时轮胎力估计值仍在标准化尺度下,经反标准化获取原始尺度下的轮胎力估计值,实现基于物理信息融合循环神经网络的轮胎力估计。
15、与现有技术相比,本发明具有以下有益效果:
16、在车辆模型中,轮胎与路面的摩擦是车辆动力学的主要来源,特别是横向轮胎力直接决定了汽车制动、转向等操纵性能,因此横向轮胎力的准确估计是自动驾驶汽车安全运行的重要保障。传统基于纯数据的深度学习通常需要大量的数据来训练性能良好且足够通用的模型,且纯数据驱动的模型可能不满足物理法则或外界的约束,因此考虑利用物理信息融合的神经网络估计横向轮胎力。在网络结构中,为了正确捕捉轮胎力的非线性特性,除了考虑轮胎-地面接触部分的静态力学特性外,还应考虑由自动变速等操作引起的动态特性。因此选用一种结构简单且性能良好的循环神经网络——门控循环单元(gru)主体网络结构,并构建输入投影层和输出回归层以增强模型的拟合能力。同时基于车辆的动力学模型构建额外的损失函数融合到循环神经网络中,提高在多变道路条件下的估计效果,增强模型的泛化能力和可解释性。
技术特征:1.一种基于物理信息融合循环神经网络的轮胎力估计方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于物理信息融合循环神经网络的轮胎力估计方法,其特征在于,步骤7中网络的损失函数为:
3.根据权利要求2所述的一种基于物理信息融合循环神经网络的轮胎力估计方法,其特征在于,基于轮胎力估计数据和参考轮胎力数据构建基于数据标签的损失函数:
4.根据权利要求2所述的一种基于物理信息融合循环神经网络的轮胎力估计方法,其特征在于,根据车辆简化动力学模型,构建轮胎力与车辆状态xi之间的约束函数fphy,并基于该约束函数设计基于物理信息约束的损失函数:
5.根据权利要求2所述的一种基于物理信息融合循环神经网络的轮胎力估计方法,其特征在于,λl,λp,λr分别设置为0.5,0.5和0.001。
技术总结本发明属于轮胎力估计领域,特别涉及一种基于物理信息融合循环神经网络的轮胎力估计方法,包括以下步骤:1)设计基于数据标签的损失函数,利用循环神经网络算法捕捉轮胎力与车辆状态序列之间的内在联系;2)结合车辆动力学模型,开发基于物理信息的损失函数,确保估计过程遵循物理规律;3)融合上述两种损失函数,形成一种综合考虑数据驱动和物理约束的轮胎力估计方法。通过循环神经网络深入挖掘轮胎力与车辆状态的关系,并融入基于车辆动力学的损失函数,从先验知识中提取有用信息,提高在多变道路条件下的估计效果;本发明结合了数据驱动的灵活性和物理模型的严谨性,不仅提升了轮胎力估计的准确性,还增强了模型的泛化能力和可解释性。技术研发人员:张长柱,房茹梦,王祝萍,张皓,齐鹏受保护的技术使用者:同济大学技术研发日:技术公布日:2024/12/2本文地址:https://www.jishuxx.com/zhuanli/20241204/339750.html
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。