一种车辆运动状态计算方法

1.本发明涉及车辆运动状态计算领域，尤其是涉及一种车辆运动状态计算方法。


背景技术：

2.对车辆运动状态的判断是车辆能够智能感知环境的重要一环。车辆对环境的感知，包括了环境外形感知(视觉、激光雷达、超声波雷达等)和动力学感知(车辆所受的空气作用力和轮胎作用力)。其中环境外形感知无法作为车辆控制的直接输入，因为其不是对车辆的直接作用力，而动力学感知的对象作为车辆直接受到的外力，可以直接指导车辆的主动控制，也对汽车的安全性、操控性、舒适性等产生重要的影响。相比于空气作用力，轮胎作用力对车辆的运动状态影响更大，所以对车辆轮胎作用力的感知日趋重要。
3.现有的对车辆动力学感知的方法包括多种，比如直接通过车辆已知的动力学模型，利用车身姿态和加速度进行轮胎载荷的计算；还有研究通过研发可以测量载荷的轴承进行计算；还有研究对车辆悬架受力进行分析，从而利用力学解算出轮胎载荷等等。
4.上述研究大多可以实现离线的快速计算，但是在车载工况下，受限于车载算力，需要对算法进行合理拟合和简化，才可以满足精度高、速度快的基本需求。且上述方法大多是通过单一线程进行，并且每个模型都进行了一定的等效假设，所以在遇到复杂工况时不一定具备良好的适应性。


技术实现要素：

5.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车辆运动状态计算方法。
6.本发明的目的可以通过以下技术方案来实现：
7.一种车辆运动状态计算方法，包括以下步骤：
8.使用传感器组测量车辆运动学基本数据；
9.将所述车辆运动学基本数据输入至车辆运动状态计算模型中；
10.输出车辆运动学参数；
11.所述车辆运动状态计算模型包括第一层神经网络、第二层神经网络及第三层神经网络；
12.所述第一层神经网络的输入为使用传感器组测量的车辆运动学基本数据，输出为计算得到的车轮载荷；
13.所述第二层神经网络的输入为使用传感器组测量的车辆运动学基本数据及由第一层神经网络计算得到的车轮载荷，输出为车辆实时车速；
14.所述第三层神经网络的输入为使用传感器组测量的车辆运动学基本数据、由第一层神经网络计算得到的车轮载荷及通过等效物理模型得到的车轮载荷参考值；输出为车辆运动学参数。
15.进一步地，在第一层神经网络中，采用全连接方法；在第二层神经网络和第三层神
经网络中，采用dropout连接网络。
16.进一步地，所述通过等效物理模型得到的车轮载荷参考值具体为：基于整车的已知质量和加速度信息，计算车辆的载荷转移，从而计算各个车轮的载荷参考值。
17.进一步地，所述的车辆运动学基本数据包括车速、车辆加速度、方向盘转角、轮速、悬架压缩量、悬架受力、制动油压及节气门开度。
18.进一步地，所述传感器组包括车速传感器、车辆加速度传感器、方向盘转角传感器、轮速传感器、悬架压缩线位移传感器、悬架受力传感器、制动油压传感器及节气门开度传感器。
19.进一步地，所述车辆运动学参数包括角加速度、质心侧偏角及轮胎滑移率。
20.进一步地，所述车辆运动状态计算模型的构建包括以下步骤：
21.s1、在车辆运动状态下，使用传感器组测量车辆运动学基本数据；
22.s2、基于所述车辆运动学基本数据计算车轮载荷；
23.s3、重复执行步骤s1及步骤s2，构建第一层神经网络的训练集和测试集；
24.s4、构建第一层神经网络，基于所述第一层神经网络的训练集，通过神经网络的非线性拟合得到所述车辆运动学基本数据与车轮载荷的关系；
25.s5、基于所述车辆运动学基本数据及所述车轮载荷，计算车辆实时车速，构建第二层神经网络的训练集和测试集；
26.s6、构建第二层神经网络，基于所述第二层神经网络的训练集，拟合得到所述车辆运动学基本数据及车轮载荷与车辆实时车速的关系；
27.s7、基于所述车辆运动学基本数据、车轮载荷及车辆实时车速，结合通过等效物理模型得到的车轮载荷参考值，计算车辆运动学参数，构建第三层神经网络的训练集和测试集；
28.s8、构建第三层神经网络，基于所述第三层神经网络的训练集，拟合得到所述车辆运动学基本数据、车轮载荷、车辆实时车速及车轮载荷参考值与车辆运动学参数的关系，完成模型的构建。
29.进一步地，所述车辆运动状态计算模型的构建还包括以下步骤：
30.使用第一层神经网络的测试集对第一层神经网络进行测试，使用第二层神经网络的测试集对第二层神经网络进行测试，使用第三层神经网络的测试集对第三层神经网络进行测试，若三层神经网络测试均达到预设标准，则模型构建成功，否则重新训练模型。
31.进一步地，步骤s5中，所述车辆实时车速的计算方法为：基于所述轮速传感器测量的数据计算车轮转动速度，在加速时取转速最小的车轮转动速度作为等效的实时车速，在制动时取转速最大的车轮转动速度作为等效的实时车速。
32.进一步地，所述车辆运动状态计算模型采用的激活函数为leaky relu函数。
33.与现有技术相比，本发明具有以下有益效果：
34.(1)本发明利用传感器组采集汽车的运动学基本数据，将汽车运动学和动力学基本原理作为神经网络训练的导向，利用神经网络对特殊情况的拟合，针对复杂工况仍能输出精度较高的计算结果，实现模型更高的实用性，融合了物理原理和数据分析两种方法的优势。
35.(2)本发明利用拟合完成的神经网络对复杂的车载计算进行简化，拟合之后的网
络计算速度快，大大节省了车载计算时间和算力占用，为传感器数据的多层处理提供了更广泛的潜在用处。
附图说明
36.图1为本发明的模型结构示意图；
37.图2为本发明实施例中使用的dropout网络结构示意图；
38.图3为本发明实施例中采用的激活函数(leaky relu)示意图；
39.图4为本发明实施例中的模型预测值与参考值对比图。
具体实施方式
40.下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
41.针对现有技术中对车辆运动学状态计算的车载速度慢、以及对复杂工况精确不高的问题，本发明考虑将多信息进行融合，充分发挥动力学方法与数据方法各自的优势，得到尽可能精确的车辆运行参数。本发明涉及的领域主要有车辆动力学、神经网络与深度学习、自动化控制等领域。尤其涉及一种利用动力学与神经网络融合处理车辆信息并进行车辆运动状态计算的方法。
42.此方法不仅仅可用于车辆的动力学状态计算，还可以用于诸多领域，具有较大实用价值。基于动力学理论的分析可以为数据方法(神经网络)提供重要的参考和导向，增强学习的可信度与精确度。而利用数据方法对机理理论分析(此处为动力学方法)的学习与拟合能够充分考虑到在不同工况下机理理论的局限性，并且增加计算速度。将二者融合的方法可用于多种问题的研究，解决一些难以用单一方法解决的问题。
43.具体的，本发明提出了一种车辆运动状态计算模型，核心算法为神经网络算法。对车辆已有的数据进行大量训练之后得到的拟合后的网络，可以快速对新的输入数据进行处理，从而省去复杂的方程求解过程。如图1所示，本发明提出的车辆运动状态计算模型包括第一层神经网络、第二层神经网络及第三层神经网络；
44.第一层神经网络的输入为使用传感器组测量的车辆运动学基本数据，输出为计算得到的车轮载荷；
45.作为一种优选的实施方式，所述车辆运动学基本数据包括车速、车辆加速度、方向盘转角、轮速、悬架压缩量、悬架受力、制动油压及节气门开度等。
46.第二层神经网络的输入为使用传感器组测量的车辆运动学基本数据及由第一层神经网络计算得到的车轮载荷，输出为车辆实时车速；
47.第三层神经网络的输入为使用传感器组测量的车辆运动学基本数据、由第一层神经网络计算得到的车轮载荷及通过等效物理模型得到的车轮载荷参考值；输出为一些无法直接精确得到的车辆运动学参数，包括角加速度、质心侧偏角及轮胎滑移率等。
48.其中，通过等效物理模型得到的车轮载荷参考值具体为：基于整车的已知质量和加速度信息，计算车辆的载荷转移，从而计算各个车轮的载荷参考值。该方法虽然计算精度较低，但是其数据的趋势走向可以很好地符合车辆运动学特点，所以将其作为第三层网络
的自变量，引导算法在正确的趋势上进行计算。
49.其中，模型的内置函数结构具体解释如下：
50.在第一层神经网络中，采用全连接方法。由于本问题采用神经网络的目的是拟合一个复杂的物理模型，所以用全连接将有利于充分考虑到模型结果相关的所有因变量产生的影响。由于是拟合作用，所以损失函数直接定义为拟合结果和参考结果的误差均方差。此时输出的数据为轮胎载荷，由于此输出数据具有固定的计算公式，所以不用担心产生的过拟合现象，相反充分的拟合是本层网络所需要的性质。
51.第二层神经网络和第三层神经网络中，采用dropout连接网络。由于第二层和第三层输出的数据没有足够精确的固定公式计算，所以需要经过大量训练并且防止过拟合现象发生。而dropout网络可以很好的实现这一功能。具体网络搭建方法为将每个神经元以p的概率保留，以1-p的概率丢失，从而加快训练速度并且增加随机量。dropout网络的结构如图2所示。
52.其次，由于本数据集的输出结果理论上是没有上下限的，所以需要经过大量的训练，同时激活函数的选择也需要符合原物理模型的特性。由于本数据集没有上下限且非线性的特征，本实施例采用的激活函数为leaky relu函数，其图像如图3所示。
53.由于本算法工作的环境属于车载的恶劣环境，所以网络拟合的结果需要真实还原车辆运行过程中的信号振动，比如车辆经过颠簸路面的轮胎载荷的振动，而不是将其自动平滑，否则将会损失重要的微观数据信息。经验证，本网络架构具有良好的动态性能，如图4所示，为截取的一段数据效果进行展示。可见预测值与参考值拟合度较高，并且预测值真实的反映了参考值的波动。
54.具体实施时，车载硬件需要一套能够测量车辆运动学基本数据的传感器以及控制器组合。传感器组包括车速传感器、车辆加速度传感器、方向盘转角传感器、轮速传感器、悬架压缩线位移传感器、悬架受力传感器、制动油压传感器及节气门开度传感器等。控制器包括能够搭载算法的电路板(或者直接融入整车电子控制单元ecu)，还需要能够对传感器进行信号放大并降噪的处理器以及相关线束。
55.能够通过上述传感器的采集数据进行车轮载荷计算的算法，在中国专利申请cn2022103883415中已经详细介绍，此处作为技术背景。
56.针对上述模型，本发明提出了一种车辆运动状态计算模型构建方法，包括以下步骤：
57.s1、在车辆运动状态下，使用传感器组测量车辆运动学基本数据；
58.s2、基于车辆运动学基本数据计算车轮载荷；
59.s3、重复执行步骤s1及步骤s2，构建第一层神经网络的训练集和测试集；
60.s4、构建第一层神经网络，基于第一层神经网络的训练集，通过神经网络的非线性拟合得到车辆运动学基本数据与车轮载荷的关系；
61.s5、基于车辆运动学基本数据及车轮载荷，计算车辆实时车速，构建第二层神经网络的训练集和测试集；
62.s6、构建第二层神经网络，基于第二层神经网络的训练集，拟合得到车辆运动学基本数据及车轮载荷与车辆实时车速的关系；
63.s7、基于车辆运动学基本数据、车轮载荷及车辆实时车速，结合通过等效物理模型
得到的车轮载荷参考值，计算车辆运动学参数，构建第三层神经网络的训练集和测试集；
64.s8、构建第三层神经网络，基于第三层神经网络的训练集，拟合得到车辆运动学基本数据、车轮载荷、车辆实时车速及车轮载荷参考值与车辆运动学参数的关系，完成模型的构建。
65.步骤s5中，车辆实时车速的计算方法为：基于轮速传感器测量的数据计算车轮转动速度，在加速时取转速最小的车轮转动速度作为等效的实时车速，在制动时取转速最大的车轮转动速度作为等效的实时车速。上述计算方法进行了等效，所以需要通过神经网络这一模型，建立车速与诸如节气门开度、制动油压等物理参数的关系，修正上述物理计算方法的结果，得到更准确的车速。
66.步骤s8中，车辆运动学参数的物理计算方法为：通过车载传感器估计或者通过车辆动力学进行计算，得到的数据作为估计结果。
67.该模型构建方法还包括以下步骤：
68.使用第一层神经网络的测试集对第一层神经网络进行测试，若测试达到预设标准，则该层网络训练完成，这一训练好的网络将作为后续快捷计算的途径。
69.使用第二层神经网络的测试集对第二层神经网络进行测试，若测试达到预设标准，则该层网络训练完成，训练之后即可得到快速的、可以反映实际车速的拟合网络，为第三层的具体计算提供基础。
70.使用第三层神经网络的测试集对第三层神经网络进行测试，若测试达到预设标准，则模型构建成功，否则重新训练模型。
71.第三层神经网络结合前两层拟合出的网络，就可以作为车载计算的快速代码，通过数据的方法，避开了物理原理的复杂计算，又能保证一定的精确度，实现了众多方法的优势的融合。
72.需要说明的是，本发明作为一种车辆动力学的分析框架，并不仅仅是应用于测量车轮载荷这一案例。因为汽车作为一个复杂的物体，其运动学和动力学模型具有诸多假设和简化条件。往往通过物理模型的计算会导致一部分结果无法满足特殊条件，从而放大了模型等效之后的缺陷；而通过纯数据分析的方法得出的结果又不具备物理学原理，无法得到合理解释。将物理学模型与数据分析模型的融合可以做到将上述两种模型的优势互补，从而在汽车运动学和动力学领域有很大用处。
73.本方法与其他单线程方法或者其他多层方法相比，主要创新点在于：
74.(1)本发明利用传感器组采集汽车的运动学基本数据，将汽车运动学和动力学基本原理作为神经网络训练的导向，利用神经网络对特殊情况的拟合，针对复杂工况仍能输出精度较高的计算结果，实现模型更高的实用性，融合了物理原理和数据分析两种方法的优势。
75.(2)本发明利用拟合完成的神经网络对复杂的车载计算进行简化，拟合之后的网络计算速度快，大大节省了车载计算时间和算力占用，为传感器数据的多层处理提供了更广泛的潜在用处。
76.以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的
技术方案，皆应在由权利要求书所确定的保护范围内。

技术特征：
1.一种车辆运动状态计算方法，其特征在于，包括以下步骤：使用传感器组测量车辆运动学基本数据；将所述车辆运动学基本数据输入至车辆运动状态计算模型中；输出车辆运动学参数；所述车辆运动状态计算模型包括第一层神经网络、第二层神经网络及第三层神经网络；所述第一层神经网络的输入为使用传感器组测量的车辆运动学基本数据，输出为计算得到的车轮载荷；所述第二层神经网络的输入为使用传感器组测量的车辆运动学基本数据及由第一层神经网络计算得到的车轮载荷，输出为车辆实时车速；所述第三层神经网络的输入为使用传感器组测量的车辆运动学基本数据、由第一层神经网络计算得到的车轮载荷及通过等效物理模型得到的车轮载荷参考值；输出为车辆运动学参数。2.根据权利要求1所述的一种车辆运动状态计算方法，其特征在于，在第一层神经网络中，采用全连接方法；在第二层神经网络和第三层神经网络中，采用dropout连接网络。3.根据权利要求1所述的一种车辆运动状态计算方法，其特征在于，所述通过等效物理模型得到的车轮载荷参考值具体为：基于整车的已知质量和加速度信息，计算车辆的载荷转移，从而计算各个车轮的载荷参考值。4.根据权利要求1所述的一种车辆运动状态计算方法，其特征在于，所述的车辆运动学基本数据包括车速、车辆加速度、方向盘转角、轮速、悬架压缩量、悬架受力、制动油压及节气门开度。5.根据权利要求1所述的一种车辆运动状态计算方法，其特征在于，所述传感器组包括车速传感器、车辆加速度传感器、方向盘转角传感器、轮速传感器、悬架压缩线位移传感器、悬架受力传感器、制动油压传感器及节气门开度传感器。6.根据权利要求5所述的一种车辆运动状态计算方法，其特征在于，所述车辆运动学参数包括角加速度、质心侧偏角及轮胎滑移率。7.根据权利要求6所述的一种车辆运动状态计算方法，其特征在于，所述车辆运动状态计算模型的构建包括以下步骤：s1、在车辆运动状态下，使用传感器组测量车辆运动学基本数据；s2、基于所述车辆运动学基本数据计算车轮载荷；s3、重复执行步骤s1及步骤s2，构建第一层神经网络的训练集和测试集；s4、构建第一层神经网络，基于所述第一层神经网络的训练集，通过神经网络的非线性拟合得到所述车辆运动学基本数据与车轮载荷的关系；s5、基于所述车辆运动学基本数据及所述车轮载荷，计算车辆实时车速，构建第二层神经网络的训练集和测试集；s6、构建第二层神经网络，基于所述第二层神经网络的训练集，拟合得到所述车辆运动学基本数据及车轮载荷与车辆实时车速的关系；s7、基于所述车辆运动学基本数据、车轮载荷及车辆实时车速，结合通过等效物理模型得到的车轮载荷参考值，计算车辆运动学参数，构建第三层神经网络的训练集和测试集；
s8、构建第三层神经网络，基于所述第三层神经网络的训练集，拟合得到所述车辆运动学基本数据、车轮载荷、车辆实时车速及车轮载荷参考值与车辆运动学参数的关系，完成模型的构建。8.根据权利要求7所述的一种车辆运动状态计算方法，其特征在于，所述车辆运动状态计算模型的构建还包括以下步骤：使用第一层神经网络的测试集对第一层神经网络进行测试，使用第二层神经网络的测试集对第二层神经网络进行测试，使用第三层神经网络的测试集对第三层神经网络进行测试，若三层神经网络测试均达到预设标准，则模型构建成功，否则重新训练模型。9.根据权利要求8所述的一种车辆运动状态计算方法，其特征在于，步骤s5中，所述车辆实时车速的计算方法为：基于所述轮速传感器测量的数据计算车轮转动速度，在加速时取转速最小的车轮转动速度作为等效的实时车速，在制动时取转速最大的车轮转动速度作为等效的实时车速。10.根据权利要求1所述的一种车辆运动状态计算方法，其特征在于，所述车辆运动状态计算模型采用的激活函数为leaky relu函数。

技术总结
本发明涉及一种车辆运动状态计算方法，包括：使用传感器组测量车辆运动学基本数据；将车辆运动学基本数据输入至车辆运动状态计算模型中；输出车辆运动学参数；其中模型包括三层神经网络；第一层神经网络的输入为使用传感器组测量的车辆运动学基本数据，输出为计算得到的车轮载荷；第二层神经网络的输入为使用传感器组测量的车辆运动学基本数据及由第一层神经网络计算得到的车轮载荷，输出为车辆实时车速；第三层神经网络的输入为使用传感器组测量的车辆运动学基本数据、由第一层神经网络计算得到的车轮载荷及通过等效物理模型得到的车轮载荷参考值；输出为车辆运动学参数。与现有技术相比，本发明具有精确度高、拟合之后的网络计算快等特点。网络计算快等特点。网络计算快等特点。


技术研发人员：曾添一 刘泽宇 陈昊天 陈辛波
受保护的技术使用者：同济大学
技术研发日：2023.03.22
技术公布日：2023/7/6