[发明专利]一种无人车机动能力模型构建方法

说明书

本发明公开了一种无人车机动能力模型构建方法，通过长短记忆神经网络模型来描述无人车控制指令与本身驱动能力之间的对应关系，以此设计了模型输入输出变量，并根据无人车机动能力模型建模的需求，将无人车当前时刻速度、当前时刻偏航角、电压值、时间戳、下一时刻速度和下一时刻偏航角数据作为模型输入，将速度控制变量和角度控制变量作为模型输出，建立对应关系；通过LSTM在输入与反馈以及避免爆发三者之间组成的一个长时间的时间差来维持一个不间断的误差值，最终达到避免梯度消失或梯度爆炸的问题。

技术领域

本发明涉及无人车自动控制领域，特别是涉及一种无人车机动能力模型构建方法。

背景技术

对自动化技术要求不断提高的需求下，无人智能车已成为自动化物流运输、柔性生产组织等系统的关键设备。无人车可以在无人驾驶的情况下仅根据指令即可完成相应的行驶任务。目前无人车也被广泛应用到其他领域，例如，刑侦监视、警戒巡逻、定位引导、高危作业、特种作战、物资运输等任务。近年来，市场需求推动着无人车功能不断复杂化，无人车集群协同作业属于其热点技术之一。高动态情况下无人车的行使位置偏差，将会造成无人车个体和集群的任务失败，因此如何实现高动态情况下的高精度轨迹控制是无人车自动控制的关键之一。

当前，虽然无人车动力学、路径规划有了进一步突破，但与真正的自动化、智能化相比还有较大的差距。近年来，国内外围绕自动控制路径规划算法方面展开了大量的研究，并相应提出了许多可行的算法和控制流程，力求达到高精度实时自动化控制。在路径规划方面提出诸如图搜索、曲线拟合、数值优化、人工势场和采样等算法。但是这些算法没有直接考虑无人车控制指令，难以用于实际无人车控制。目前，控制策略主要考虑无人车运行稳定性和鲁棒性，并未考虑无人车控制指令所产生的驱动力关系对无人车运动的影响。因此如何得到无人车控制指令与无人车本身驱动力之间的对应关系，从而准确得到不同控制指令对应的无人车行使状态，是实现高动态情况下高精度性轨迹控制所需要解决的问题。

发明内容

本发明的目的是解决现有技术的不足，提供一种无人车机动能力模型构建方法。

为了解决上述问题，本发明采用如下技术方案：

一种无人车机动能力模型构建方法，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。

进一步的，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。