[发明专利]一种无人车机动能力模型构建方法

权利要求书

1.一种无人车机动能力模型构建方法，其特征在于，包括如下步骤：

步骤1：通过数据采集平台获取无人车的姿态数据；其中姿态数据用于训练模型；

步骤2：对采集的姿态数据，通过归一化和标准化处理后作为模型训练的输入变量和输出变量；

步骤3：基于归一化的姿态数据，通过长短期记忆神经网络完成模型的训练，获得模型，结束步骤；

所述步骤1中的姿态数据包括输入数据；输入数据包括无人车行驶状态时的速度、偏航角、电池电压以及对应的时间戳数据；速度包括当前时刻的速度以及下一时刻的速度，偏航角包括当前时刻偏航角和下一时刻偏航角；

姿态数据还包括输出数据；输出数据包括无人车的速度控制变量以及角度控制变量。

2.根据权利要求1所述的一种无人车机动能力模型构建方法，其特征在于，所述步骤3中获得的模型包括输入层、隐藏层、训练层以及输出层；

所述输入层用于得到姿态数据中的输入数据集时，对数据进行特征提取，获取原始数据之间的特征关系；输入数据为无人车的速度、偏航角、电压、时间戳、下一时刻速度、下一时刻偏航角；

隐藏层用于根据输入数据，并基于训练获得的参数矩阵获得隐藏层输出；隐藏层输出会传输到输出层转换为输出数据；

所述训练层用于根据理论模型的输出值计算获得实际损失函数值；

所述输出层用于对隐藏层的输出数据进行反归一化和标准化处理，获得可输入无人小车的实际控制量。

3.根据权利要求2所述的一种无人车机动能力模型构建方法，其特征在于，所述输入层获取原始数据的特征关系后，再将数据集划分，分为训练数据集和测试数据集；最后初始化网络模型参数，对数据进行归一化处理，再进行标准化处理；完成处理的数据会输入隐藏层。

4.根据权利要求3所述的一种无人车机动能力模型构建方法，其特征在于，所述输入层中对数据的标准化处理包括如下过程：

设定获取的输入数据序列集为X，其中每类数据序列各自归纳为数据集，通过式(1.2)获得数据序列均值

其中，x_i,i∈(1,m)，表示数据序列集X中的第i个数据；m表示数据序列集中的数据数量；

获得数据序列集的方差σ²，表示为：

通过式(1.3)获得标准化数据表示为：

其中，表示数据x_i标准化后的数据。

5.根据权利要求2所述的一种无人车机动能力模型构建方法，其特征在于，所述隐藏层分为两层，每层设置有128个单元。

6.根据权利要求5所述的一种无人车机动能力模型构建方法，其特征在于，所述隐藏层中将归一化和标准化后的当前输入数据x_t结合隐藏层的在上一时刻的历史信息输出c_t-1以及上一时刻的隐藏层输出h_t-1，获得当前时刻的历史信息输出c_t以及当前时刻的隐藏层输出h_t。

7.根据权利要求6所述的一种无人车机动能力模型构建方法，其特征在于，所述获得当前时刻的历史信息输出c_t以及当前时刻的隐藏层输出h_t，具体包括如下过程：

首先根据当前输入数据x_t以及上一时刻的隐藏层输出h_t-1，获得隐藏层中设置的遗忘门、输入门、输出门以及变换后的新的历史信息，如式(1.4)、(1.5)、(1.6)以及(1.7)所示：

f_t＝sigmoid(W_fx_t+U_fh_t-1+b_f) (1.4)

i_t＝sigmoid(W_ix_t+U_ih_t-1+b_i) (1.5)

o_t＝sigmoid(W_ox_t+U_oh_t-1+b_o) (1.6)

其中，f_t表示t时刻的遗忘门；i_t表示t时刻的输入门；o_t表示t时刻的输出门；表示t时刻通过变换后获得的新的历史信息；Wf、Wi、Wo以及Wc分别表示遗忘门、输入门、输出门以及历史信息中的输入层到隐藏层的参数举证；Uf、Ui、Uo以及Uc分别表示遗忘门、输入门、输出门以及历史信息中的隐藏层到隐藏层的自循环参数矩阵；bf、bi、bo以及bc分别表示遗忘门、输入门、输出门以及历史信息中的偏置参数矩阵；sigmoid表示sigmoid函数；tanh表示双曲正切函数；

通过遗忘门f_t和输入门i_t分别控制需要遗忘的上一时刻的历史信息输出c_t-1以及需要保存的新的历史信息获得当前时刻的历史信息输出c_t，表示为：

其中，⊙表示矩阵的哈达玛积；

通过输出门o_t根据当前时刻的历史信息输出c_t，获得当前时刻的隐藏层输出h_t，如式(1.9)：

h_t＝o_t⊙tanh(c_t) (1.9)

其中，tanh表示双曲正切函数。