[发明专利]一种基于GMM和高斯过程回归的路感模拟方法

权利要求书

1.一种基于GMM和高斯过程回归的路感模拟方法，其特征在于，包括以下步骤：

步骤一、进行实车试验并采集数据：选取驾驶员进行实车试验，车辆在试验道路中行驶，采集的试验数据包括纵向车速、车辆横向加速度、车辆横摆角速度、车辆垂向载荷、方向盘转角、方向盘角速度和方向盘力矩；

步骤二、试验数据预处理：对试验数据去除异常点后进行归一化处理，得到归一化试验数据集；

步骤三、归一化试验数据聚类：对归一化试验数据使用高斯混合模型分类算法进行聚类，聚类后得到多个与聚类群落数量相同的数据类；

步骤四、划分训练数据集和测试数据集：将归一化试验数据集划分为训练数据集和测试数据集；

步骤五、训练基于GMM和高斯过程回归的路感模型：使用训练数据集和高斯过程回归算法，训练得到多个与数据类数量相同的基于GMM和高斯过程回归的路感模拟模型；训练模型时，模型的输入变量包括车辆纵向速度、车辆横向加速度、车辆横摆角速度、车辆横摆角加速度、车辆垂向载荷、方向盘转角、方向盘角速度；输出变量为方向盘力矩；

步骤六、测试基于GMM和高斯过程回归的路感模型：使用测试数据集测试得到的基于GMM和高斯过程回归的路感模拟模型；

步骤七、判断模型是否可接受：若模型可接受则建模成功，否则重新进行实车路采试验；

步骤八、根据得到的多个基于GMM和高斯过程回归的路感模拟模型进行路感模拟。

2.根据权利要求1所述基于GMM和高斯过程回归的路感模拟方法，其特征在于，其特征在于，在步骤一的实车试验中：试验道路类型包括高速道路、城市道路、郊区道路、乡村道路和越野道路。

3.根据权利要求1所述基于GMM和高斯过程回归的路感模拟方法，其特征在于，其特征在于，在步骤一的实车试验中：车辆行驶工况包括上下坡、直行、倒车、转弯和原地转向。

4.根据权利要求1所述基于GMM和高斯过程回归的路感模拟方法，其特征在于，在步骤二中，被去除的异常点包括超出正常范围的数据点和分布严重偏离的数据点。

5.根据权利要求1所述的基于GMM和高斯过程回归的路感模拟方法，其特征在于，在步骤二中，对试验数据按照下式进行归一化处理得到归一化试验数据：

式中，i为数据编号，j为变量编号，x_i,j表示未归一化的第i组数据中的第j个变量，X_j表示所有j对应的变量数据值组成的集合，min表示去除异常点后，试验数据中相关变量的最小值，max表示去除异常点后，试验数据中相关变量的最大值。

6.根据权利要求1所述基于GMM和高斯过程回归的路感模拟方法，其特征在于，在步骤三中，使用高斯混合模型分类算法进行聚类时，参与聚类的变量包括纵向车速、车辆横向加速度、车辆横摆角速度、车辆垂向载荷、方向盘转角和方向盘角速度，群落数量为4个。

7.根据权利要求1所述基于GMM和高斯过程回归的路感模拟方法，其特征在于，在步骤四中，划分训练数据集和测试数据集时，从归一化试验数据集中随机选择一定数量比例的数据点作为训练数据集、其它数据点均作为测试数据集。

8.根据权利要求1-7中任意一项所述基于GMM和高斯过程回归的路感模拟方法，其特征在于，在步骤五中，训练基于GMM和高斯过程回归的路感模拟模型时，选择使用平方指数协方差函数SE，通过极大似然估计来求解核函数的超参数。

9.根据权利要求1所述基于GMM和高斯过程回归的路感模拟方法，其特征在于，测试所述基于GMM和高斯过程回归的路感模拟模型并根据测试结果判断模型是否可接受的具体步骤为：

依次将测试数据集中的测试数据点对应的输入变量的数值输入路感模拟模型，得到预测的方向盘力矩值；计算得到整个测试数据集的测试数据点预测所得方向盘力矩值与真实方向盘力矩值之间的MSE值；若MSE值小于预设的阈值α，则认为训练所得到的基于数据驱动的路感模拟模型可接受，建模成功。

10.根据权利要求9所述基于GMM和高斯过程回归的路感模拟方法，其特征在于，所述阈值α为0.15。