[发明专利]一种基于时滞反馈神经网络的车辆动力学预测模型、及训练数据获取方法、训练方法

说明书

本发明公开了一种基于时滞反馈神经网络的车辆动力学预测模型、及训练数据获取方法、训练方法，提出多道路条件下的车辆动力学虚拟及实际数据集采集方法，为车辆动力学建立模型奠定数据基础。首先基于车辆非线性动力学选择性添加不同的保真度模型，得到不同复杂程度的低保真度可解释车辆非线性动力学模型多时步虚拟数据集；其次通过高保真度车辆动力学软件CarSim获得高保真度动力学模型多时步虚拟数据；最后通过布置实际无人驾驶车辆动力学数据采集装置，以获取车辆动力学真实数据集。车辆动力学虚拟数据集的自由度选择范围广，获取成本低，降低实车数据的需求量，车辆动力学真实数据集为模型再度优化权重参数，提高实际车辆动力学预测响应的精度。

技术领域

本发明涉及无人驾驶车辆动力学建模领域，尤其是涉及一种基于时滞反馈神经网络的车辆动力学预测模型、及训练数据获取方法和训练方法。

背景技术

随着驾驶员对车辆的安全性、机动性和乘坐舒适性要求的不断提高和控制理论的日益成熟，车辆智能化技术研究受到广泛关注。开发无人驾驶车辆的基于动力学模型控制技术可以实现更好的道路利用率和更高的安全性，但也需要适应各种复杂行驶环境，例如可以在不同路面附着系数、曲率变化的道路上行驶，或在紧急工况下实现安全稳定的紧急避障操作。

基于物理推导的车辆动态数学模型通常在建模时进行了一定的理想化假设来简化车辆模型，这就导致无法通过实验数据来准确计算出车辆在行驶过程中的真实动力学响应，如车辆前后轴负载转移、轮胎的高阶动态响应等。数据驱动模型虽然可以根据车辆外界环境的变化不断做出改变，但由于使用了非线性算法进行优化求解，导致在模型参数估计时求解比较困难，存在实时性问题。基于有人驾驶的历史经验分析，基于车辆当前的运行状态需要对未来状态进行准确的预测。无人驾驶车辆建立准确的预测模型将可以将规划和控制紧密结合，从而进一步提高其整体控制性能。然而无人驾驶车辆是一种复杂动力学系统，特别是在极限工况下，车辆系统和相关子系统会表现出高度非线性和强耦合特征，扩张模型维度虽然可以提高模型精度，但同时会增加建模难度，也给算法的快速求解带来了挑战。所以，如何在同时考虑模型的复杂度和保真度的情况下，建立无人驾驶车辆动力学预测模型，成为当前亟需解决的重要问题。

发明内容

为解决上述技术难题，本发明提出一种基于时滞反馈神经网络的车辆动力学预测模型建模及训练数据获取方法和训练方法，包括训练数据获取及模型设计及训练两部分。训练数据获取具体包括以下步骤：

在车辆动力学虚拟数据采集中：包括低保真度可解释车辆非线性动力学多时步虚拟数据采集和高保真度车辆动力学软件CarSim多时步虚拟数据采集。

在低保真度可解释车辆非线性动力学多时步虚拟数据采集中，通过对基于牛顿第二定律的车辆非线性动力学选择性添加Fiala轮胎非线性模型、前后轴纵向负载转移、轮胎松弛效应、可变道路附着系数等不同的保真度模型，从而得到不同复杂程度的低保真度可解释车辆非线性动力学模型。对该模型的输入进行理论数值限制，对低保真度可解释车辆非线性动力学模型的输入进行合理的随机采样后，获得的输出标签信号，对输出信号进行欧拉积分处理反馈到随机采样信号输入端，作为下一时刻的部分输入信号。最终对输入输出信号进行多时步处理(多时步处理的含义是指将一段完整的车辆动力学数据时间序列处理为很多段由4个时步组成的车辆动力学数据序列，例如将数据12345678处理为：1234/2345/3456……)，获取低保真度可解释车辆非线性动力学多时步虚拟数据集。