[发明专利]一种基于神经网络的多轴特种车辆的数据建模方法

说明书

本发明公开了一种基于神经网络的多轴特种车辆的数据建模方法，包括步骤1.简化多轴特种车辆动力学模型，建立基于物理规律的单轨模型；步骤2.基于物理规律的单轨模型的基础上，参考物理模型的递归性质，建立能够预测车辆的状态变量的闭环结构的网络模型；步骤3.利用Trucksim仿真模型生成模拟训练用数据集；步骤4.根据步骤3得到的数据集对步骤2建立的闭环网络模型进行闭环训练，得到训练后的闭环网络模型；本方法采用闭环结构的网络模型进行数据建模，减少了网络对数据的需求，同时构建了一种闭环条件下的网络训练方法，提高了闭环网络模型的泛化能力，具有保真度高和泛化能力的特点。

技术领域

本发明涉及车辆建模技术领域，具体涉及一种基于神经网络的多轴特种车辆的数据建模方法。

背景技术

多轴特种车辆通常行驶在恶劣的工况下，加上车辆自身结构复杂，因此多轴特种车辆的模型具有较强的非线性特征，难以准确建模；然而，对于车辆动力学准确地建模在车辆控制、状态估计以及决策规划中都具有极其重要的意义；面向车辆动力学行为的建模是一个将车辆的动力学表现抽象为数学方程的过程，按照认知车辆动力学角度的不同，模型可以划分为物理模型和数据模型；

大多数车辆建模是基于第一性原理的物理建模方法，车辆动力学的特征行为被统一建立在牛顿力学体系中，模型的高保真度依赖动力学方程以及物理参数的准确程度；然而，完整的车辆动力学系统是一个复杂的强非线性系统；例如在对车辆轮胎建模时，模型的准确性更加依赖经验模型中的实验参数，这一过程需要专有的实验平台在特定的实验工况下进行测试；因此，在对车辆进行物理建模时，研究人员想获取关于车辆完备的参数非常困难且成本高昂；基于物理模型的车辆动力学建模不得不根据应用需求和已知模型参数的限制，对车辆动力学模型做简化处理，进行不同程度的线性化假设，这使得物理模型难以准确的反馈出真实的车辆动力学；

近年来深度学习发展迅速，通过大数据离线训练，网络模型能够拟合任意函数从数据中发掘潜在规律，在自动驾驶中智能决策、状态预测和轨迹规划等多个领域中得到广泛的应用；数据驱动的网络模型依赖于建模对象产生的大数据，模型从数据中优化网络参数；在车辆在行驶过程中，车载传感器能够提供丰富的车辆状态信息，为建立车辆动力学神经网络模型提供了丰富的数据集，因此一些学者开始采用数据驱动的方法对车辆动力学建模，如：

在文献“Pan Y,Nie X,Li Z,et al.Data-driven vehicle modeling oflongitudinal dynamics based on a multibody model and deep neural networks[J].Measurement,2021,180:109541-”中，Pan等人提出一种利用神经网络建立车辆纵向动力学模型，网络输入为车辆纵向速度和前轮扭曲，输出为车辆刹车距离；通过与Carsim仿真测试的结果相比较，仿真结果显示网络模型能够准确预测车辆纵向速度和行驶距离，模型能够应用于车辆实时仿真和控制；

在文献“RUTHERFORD S J,COLE D J 2010.Modelling nonlinear vehicledynamics with neural networks.International Journal of Vehicle Design[J],53:260-287”中，Mauro等人提出一种结构化的网络模型对车辆纵向动力学进行建模，网络输入为纵向速度、质心高度变化、油门踏板和挡位变化关系，依据车辆纵向力组成成分的不同来源对输入信息进行分类，构建出结构化的网络，仿真结果显示采用结构化的网络模型具有更好泛化性，提高了数据建模的保真度；