[发明专利]基于贝叶斯网络的无人车制动系统故障诊断方法

说明书

本发明涉及无人驾驶技术领域，尤其为基于贝叶斯网络的无人车制动系统故障诊断方法，发明中采用团树传播算法的概率推理方法，团树传播推理算法将贝叶斯网络转换为一个团树，然后通过消息传递将消息一次传遍团树中的每个节点，最终使团树满足全局一致性，所述团树构造好之后，利用团树进行故障诊断推理，当接收到证据以后，所有包含证据节点的团节点的函数值将发生变化，向团树中所有团节点传播，以改变这些节点的函数值，本发明中，使用贝叶斯网络对无人驾驶车辆制动控制系统进行故障诊断确定故障传播的方向，并以概率的形式来描述产生故障原因和结果的不确定性，利用团树传播算法对贝叶斯网络进行故障诊断推理，提高了故障诊断的精度。

技术领域

本发明涉及无人驾驶技术领域，具体为基于贝叶斯网络的无人车制动系统故障诊断方法。

背景技术

无人驾驶车辆系统主要包括三大部分：环境感知、行为决策和动作实施。无人驾驶车辆通过传感器感知周围环境，经过主控计算机以及行为决策系统分析、计算得出路径规划，最后通过控制转向及速度最终实现自主驾驶，制动系统作为控制系统的核心子系统之一，在无人驾驶车辆行驶过程中，如果制动系统出现制动失灵，自行制动或者制动跑偏等故障，有可能会产生严重的交通事故，由此可见制动系统安全与否直接影响无人驾驶车辆的行驶安全。因此，当无人驾驶车辆的制动系统发生故障时，对其进行故障诊断，及时有效的找出发生故障的原因，对无人驾驶车辆安全有效的行驶至关重要。

通常的故障诊断方法是根据故障征兆和故障原因之间的因果关系推理得到的,但对于具有复杂结构的无人驾驶车辆制动系统来说,这种因果关系不一定是确定的一一对应的映射关系,而是表现为很强的随机性和不确定性。导致这种随机性和不确定性的主要因素是诊断对象的复杂性、测试手段的局限性、知识表达的不精确等，当控制系统表现出某一具体故障时,有可能是从一种故障状态向另一种故障状态的过渡或者是多种故障交替存在的结果,很难确切的判断出故障发生的真正原因。因此,制动系统故障诊断过程可以说是一个不确定问题的求解过程，而BN是目前不确定知识表达和推理领域最有效的理论模型之一，BN即为贝叶斯网络，适用于不确定性和概率性的知识表达和推理。

BN是概率论与图论相结合的产物，用来表示变量之间概率依赖关系的有向无环图。适用于不确定性知识的表达和推理，BN由有向无环图和条件概率表组成，有向无环图中的节点表示随机变量X＝{X₁,X₂,......，X_n}，节点之间的边表示节点之间具有依赖关系，由父节点指向子节点。CPT表示子节点与父节点之间依赖程度，用概率值去量化，有P(X_i|X_i-1,......，X₁)＝P(X_i|Pa(X_i))式中，Pa(X_i)是节点X_i的父节点集合；同时BN在使用的过程中不断地进行自我学习，BN的学习是通过当前时刻新的证据对先前建立的BN进行更新的过程，包括结构学习和参数学习。参数学习是已知BN的结构，去确定CPT，结构学习是既要确定BN结构，又要确定CPT，本发明在结构已知、单个参数、完整数据的情况下用最大似然估计(Maximum Likel ihood Estimation,MLE)对BN进行学习，给定一个概率分布D，假设其概率密度函数或概率分布函数为f_D，以及一个分布参数θ，我们可以从这个分布中抽取一个具有n个值得采样X₁,X₂,......,X_n，通过f_D，就可以计算出它的概率：

P(X₁,X₂,......，X_n)＝

f_D(X₁,X₂,......,X_n|θ)

似然函数为：

对似然函数两边取对数：