[发明专利]一种融合规范模型的车辆状态估计序列神经网络

说明书

本发明属于车辆状态预测技术领域，尤其为一种融合规范模型的车辆状态估计序列神经网络，方法包括：在汽车的行驶过程中，采集传感器的信息，包括驾驶员的输入指令、ESP采集的轮速、加速度、横摆角速度等信息；将其输入序列神经网络，得出车辆状态的预测量；将传感器的信息与上一时刻估计得出的车辆状态输入基于车辆动力学的规范模型中，得出对车辆状态的限制值；对神经网络的输出进行规范检查。本发明在传统序列神经网络的反馈通道中增加了基于车辆动力学搭建的规范模型，用该模型对不合理的输出值进行约束，然后再作为序列神经网络的反馈；本发明具有神经网络预测车辆状态值更精确的特性，同时也确保其输出永远处于合理的范围内。

技术领域

本发明涉及车辆状态预测技术领域，具体为一种融合规范模型的车辆状态估计序列神经网络。

背景技术

车辆的状态估计是动力学控制中的一个基本问题。传统的车辆状态估计大多依靠低成本的传感器数据和卡尔曼滤波等技术。这些方法估计的精度较低，且在车辆的非线性域内得出的结果几乎是不可用的。

近年来人工智能技术得到了广泛的应用，其中的深度学习技术在拟合强非线性系统方面表现出色，这使得用深度学习技术来进行车辆动力学状态的估计成为可能。有研究表明使用深度学习进行车辆状态估计相比传统方法得到的精度更高，且在非线性域内表现良好。

然而，深度学习模型的安全性也是一个开放问题，其黑盒特性导致了其不可解释，训练数据不足可能导致其泛化性能差，无法保证其输出永远在合理的范围内。这在车辆状态估计任务中是致命的。状态预测的结果常作为车辆动力学控制的输入信息。偶然出现的偏差很大的预测值可能引起控制量的大幅变化，严重时可能导致车辆失稳。而采用深度学习与传统模型估计结合的方法，会将深度学习的错误值考虑在内，且计算量庞大。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种融合规范模型的车辆状态估计序列神经网络，解决了现有的车辆状态预测技术中，基于神经网络的车辆状态估计算法无法保证输出的估计值永远合理，采用深度学习与传统模型估计结合的方法，会将深度学习的错误值考虑在内，且计算量庞大的问题。

(二)技术方案

本发明为了实现上述目的具体采用以下技术方案：

一种融合规范模型的车辆状态估计序列神经网络，包括以下步骤：

S1、设定需要估计的各个估计量的合理范围π_i，组成集合π；

所述估计量指总体模型需要估计的车辆状态量；

S2、获取传感器信息，输入到序列深度学习模型进行预测，得到预测的车辆状态值向量S_pt(其中元素为S_pti)；

S3、获取传感器信息以及上一时刻输出的状态信息，输入形式化边界模型计算变化率的限制向量Ω_t(其中元素Ω_ti)，以及各值变化率的方向组成的方向向量V_t(其中元素为V_ti)；

S4、获取上一个时刻的输出S_t-1，用下式计算出各状态值的变化率向量α_t，其中ρ为模型预测的时间步长

S5、以π、S_pt、Ω_t、V_t、α_t为输入，进行规范校验，获取最终的输出S_t，并且反馈到序列深度学习模型中；

S6、返回步骤S2进行下一个时刻的输出估计。

具体地，所述步骤S3中，所述限制向量Ω_t和方向向量V_t获取方式具体包括以下步骤：