[发明专利]基于相空间重构的自动驾驶汽车深度神经网络预测模型系统及建立方法

权利要求书

1.一种基于相空间重构的自动驾驶汽车深度神经网络预测模型系统，其特征在于，包括车辆动力学相空间重构模型VDPSRM，真实车辆驾驶数据收集和存储模块RVDDM，虚假邻近点计算模块FNNCM，平均互信息计算模块AMICM，深度神经网络模块DNNM；

所述车辆动力学相空间重构模型VDPSRM，是在平面单轨模型PSTM的基础上，在相空间重构理论框架下建立的理论模型，用于指导自动驾驶汽车深度神经网络预测模型的建立；

所述真实车辆驾驶数据和存储模块RVDDM用于收集和存储包括典型道路情况下的典型驾驶工况数据，该模块包括轮胎六分力测量系统、S-Motion传感器、方向盘转角传感器和驾驶数据记录仪，收集并存储前轮纵向力F_xf、横摆角速度r、横向速度u_y，纵向速度u_x、车辆转向角δ的时间序列数据，并将数据送到平均互信息计算模块AMICM、虚假邻近点计算模块FNNCM和深度神经网络模块DNNM；

所述虚假邻近点计算模块FNNCM，用于选择最小的嵌入维数m和每个时步的延迟时间τ；

所述平均互信息计算模块AMICM，用于计算原始的时间序列和经过平移的时间序列之间的互信息；

所述深度神经网络模块DNNM，用于实现重构的输入相空间到重构的输出相空间的重构映射。

2.根据权利要求1所述的一种基于相空间重构的自动驾驶汽车深度神经网络预测模型系统，其特征在于，所述平面单轨模型PSTM为如下的非线性耦合模型：

其中的参数：前轮到质心距离a、后轮到质心距离b、转动惯量I_z、质量m、前轮转角δ、纵向速度U_x、横向速度U_y、横摆角速度r；前轮横向力F_yf、前轮纵向力F_xf、后轮横向力F_yr、横摆角速度的导数横向速度的导数

所述平面单轨模型PSTM简化为车辆动力学映射模型：

式(2)中，f_bike代表车辆动力学映射，X_t是t时刻车辆模型的输入，(C_f，C_r，μ)是轮胎参数，其中C_f是前轮侧偏刚度，C_r是后轮侧偏刚度，μ是轮胎地面附着系数。

3.根据权利要求2所述的一种基于相空间重构的自动驾驶汽车深度神经网络预测模型系统，其特征在于，所述车辆动力学相空间重构模型VDPSRM包括重构的输入相空间、重构的输出相空间和重构映射，还包括下列重构参数：嵌入维数m、预测维数n、每个时步的延迟时间τ；

该模型是由引入相空间重构参数，在式(2)的基础上建立的车辆动力学相空间重构模型VDPSRM：

式(3)中，{(X_t，Y_t-τ)，(X_t-τ，Y_t-2τ)，…，(X_t-(m-1)τ，Y_t-mτ)}是重构的输入相空间，(Y_t，Y_t+τ，Y_t+2τ，…，Y_t+nτ)是重构的输出相空间，G_rec是重构映射。

4.根据权利要求1所述的一种基于相空间重构的自动驾驶汽车深度神经网络预测模型系统，其特征在于，所述典型道路情况包括：高摩擦路面和低摩擦路面，所述典型驾驶工况包括：直线行驶、弯道行驶、环形行驶、S形行驶和紧急避障行驶。