[发明专利]一种基于GMM和高斯过程回归的路感模拟方法

说明书

本发明公开了基于GMM和高斯过程回归的路感模拟方法，步骤包括：进行实车试验并采集数据；试验数据预处理；使用高斯混合模型分类算法进行归一化试验数据聚类；划分训练数据集和测试数据集；训练基于GMM和高斯过程回归的路感模拟模型，高斯过程回归模型的输入变量为纵向车速、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，输出变量为方向盘力矩；测试基于GMM和高斯过程回归的路感模拟模型；根据所得的基于GMM和高斯过程回归的路感模拟模型进行路感模拟。本发明通过GMM分类算法进行聚类，再基于高斯过程回归算法进行路感模拟模型建模，所得模型性能稳定，精度高，运算速度快，实时性好。

技术领域

本发明涉及车辆技术领域，具体涉及一种基于GMM和高斯过程回归的路感模拟方法。

背景技术

转向路感，又称转向力感、方向盘反馈力矩，是指驾驶员通过方向盘反馈力矩感受到的反向阻力矩。转向力感可以在一定程度上让驾驶员获取到关键的车辆行驶状态和行驶环境信息，从而让驾驶员以最适合当前行驶工况的方式进行决策，从而保证行驶安全。当车辆使用线控转向系统时，若不使用任何方法模拟真实路感，会导致驾驶员进行非理性驾驶，导致真车驾驶安全受到威胁。同样的情况也会发生在没有路感模拟能力的模拟驾驶器上，进而导致模拟驾驶严重失真。目前，主要的路感建模方法是使用机理建模方法，这种方法需要调节的参数众多，且难以达到较高精度。

公开号为CN110606121A、名称为“一种线控转向路感模拟控制方法”的中国专利涉及一种方向盘反馈力的控制系统，通过动力学构建转向负载模型计算转向阻力矩，属于机理建模，需要调节的参数众多，精度难以保证。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种基于GMM和高斯过程回归的路感模拟方法，以实车试验数据、高斯混合模型(GMM)分类算法和高斯过程回归算法进行建模，获得基于GMM和高斯过程回归的路感模拟模型，解决传统机理建模存在的模型结构复杂、精度不高等问题。

为了达到上述目的，本发明提供一种基于GMM和高斯过程回归的路感模拟方法，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，模型的输入变量为纵向车速、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，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。

进一步地，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。

进一步地，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。

进一步地，在步骤二中，被去除的异常点包括超出正常取值范围的数据点和分布严重偏离的数据点。