[发明专利]基于深度学习的车辆稳定性指标估计方法

摘要

本发明公开了一种基于深度学习的车辆稳定性指标估计方法，包括高精度GPS系统、陀螺仪、前轮转角传感器，基于软件平台建立深度长短时记忆神经网络(LSTM)初步模型，利用实车实验样本数据训练LSTM网络生成时滞非线性预测模型，在满足车规级精度以后封装成一个完整估计模块，依据前述传感器信息实时输入自动输出车辆质心侧偏角和横摆角速度值，实现车辆状态估计。本发明在车辆状态估计的同时模型具有在线学习和动态更新能力，通过自学习不断改善估计精度，促进汽车主动安全控制的发展。

主权项

1.基于深度学习的车辆稳定性指标估计方法，其特征在于，包含以下步骤:步骤1），在车辆上设置GPS系统、陀螺仪、前轮转角传感器和横摆角速度传感器，所述GPS系统用于获得依据卫星信号多普勒频移以确定车辆的运动速度，所述陀螺仪用于检测车辆的纵向加速度和横向加速度，所述前轮转角传感器用于获得车辆的前轮转角，所述横摆角速度传感器用于获得车辆的横摆角速度；步骤2），在不同的路面下，针对每一路面，对车辆车速、纵向加速度、横向加速度、前轮转角、横摆角速度进行采集，基于无迹卡尔曼滤波的方法估计该路面的路面附着系数，并根据路面附着系数、车速和前轮转角计算出车辆的质心侧偏角，最后形成车辆的训练集数据；所述训练集数据包含路面附着系数、车速、纵向加速度、横向加速度和前轮转角、质心侧偏角和横摆角速度；步骤3），利用长短时记忆网络搭建非线性预测模型并将其定义为初级人工车，所述非线性预测模型包含输入层、LSTM层、单层感知层和输出层；步骤4），根据车辆的训练集数据形成可测向量数据和其对应的待估向量数据，所述可测向量数据包括纵向车速、纵向加速度、横向加速度、路面附着系数和前轮转角；所述待估向量数据包括质心侧偏角和横摆角速度；步骤5），将可测向量数据和其对应的数据待估向量输入初级人工车，将经过训练产生的非线性模型定义为高级人工车；步骤6），将车辆当前的纵向车速、纵向加速度、横向加速度、路面附着系数、前轮转角输入到所述高级人工车，得到车辆当前估算的横摆角速度和质心侧偏角；步骤7），重复步骤2）至步骤6），直至车辆当前估算的横摆角速度和所述横摆角速度传感器测得的横摆角速度之间的均方误差小于预设的误差阈值；步骤8），测量需要进行稳定性指标估计的车辆的车速、纵向加速度、横向加速度、前轮转角、横摆角速度，基于无迹卡尔曼滤波的方法估计该车辆行驶路面的路面附着系数，并根据该车辆行驶路面的路面附着系数、该车辆的车速和该车辆的前轮转角计算出该车辆的质心侧偏角；步骤9），最后将该车辆行驶路面的路面附着系数、该车辆的车速、纵向加速度、横向加速度和前轮转角、质心侧偏角和横摆角速度输入至所述高级人工车中，获得该车辆的估算的横摆角速度和质心侧偏角。