一种线控转向系统传动比优化控制方法及装置制造方法及图纸

本发明专利技术公开了一种线控转向系统传动比优化控制方法及装置，包括：获取汽车在路面行驶时的车辆参数；对所述车辆参数进行预处理，获取预处理后的车辆参数；将所述预处理后的车辆参数输入预先训练过的深度强化学习算法中，得到实时的线控转向传动比，基于传动比的计算值对线控转向系统的值进行实时的调整，本发明专利技术根据传统车辆动力学算法，确定基本的传动比选择范围，然后根据深度学习强化算法，根据车辆的状态进行最优化学习，动态的调整转向传动比，让线控转向系统的性能发挥到最优，使得车辆不论在低速转弯、高速转弯、空载、满载等各种状态下均让驾驶员的感受最佳。下均让驾驶员的感受最佳。下均让驾驶员的感受最佳。

【技术实现步骤摘要】
一种线控转向系统传动比优化控制方法及装置


[0001]本专利技术涉及一种线控转向系统传动比优化控制方法及装置，属于车辆控制


技术介绍

[0002]线控转向系统逐步开始进行实际装车应用，在线控转向系统中对操控性能最有影响的就是转向传动比的调整。
[0003]线控转向系统由于取消了方向盘和转向轮之间的机械控制连接，所以整个转向传动比可以由软件自由调节，但是转向传动比对于车辆的稳定性、操纵性有非常直接的影响，目前比较常见的是采用预设不同传动比由手工选择或者一定速度的自动选择，存在个性化不足且很难发挥出传动比可以无级调节的优势。

技术实现思路

[0004]本专利技术的目的在于克服现有技术中的不足，提供一种线控转向系统传动比优化控制方法及装置，来自动选择转向传动比，使得车辆操作性能和稳定性能最佳。
[0005]为达到上述目的，本专利技术是采用下述技术方案实现的：
[0006]第一方面，本专利技术提供了一种线控转向系统传动比优化控制方法，包括：
[0007]获取汽车在路面行驶时的车辆参数；
[0008]对所述车辆参数进行预处理，获取预处理后的车辆参数；
[0009]将所述预处理后的车辆参数输入预先训练过的深度强化学习算法中，得到实时的线控转向传动比，基于传动比的计算值对线控转向系统的值进行实时的调整。
[0010]进一步的，所述车辆参数包括车速、方向盘转角、方向盘角速度、车身俯仰角、车身横摆角速度、车身侧倾角、前轴离地高度、后轴离地高度中的任意一种或多种。
[0011]进一步的，所述对所述车辆参数进行预处理包括：
[0012]将各个车辆参数进行滤波处理，消除噪点；
[0013]将各个车辆参数互相校对，确定参数的可用性，针对各个参数，设置对应的范围限值，超过则报警并将功能降级到初始设置的传动比值。
[0014]进一步的，所述深度强化学习算法的训练包括：
[0015]获取汽车在路面行驶时的车辆参数；
[0016]对所述车辆参数进行预处理，获取预处理后的车辆参数；
[0017]将所述预处理后的车辆参数作为深度强化学习算法的输入，得到最优传动比；
[0018]将深度强化学习算法得到的最优传动比作为线控转向系统的输入信号，在汽车继续行驶的过程中，线控转向系统根据算法计算出的值进行传动比的输入，并得到车辆参数的反馈值；
[0019]将反馈值预处理后再次作为深度强化学习算法的输入；进行多次循环过程，采集每次循环过程中的车辆参数的数据，并使用该数据对深度强化学习算法进行训练；
[0020]对以上步骤进行多次迭代训练，从而得到训练好的深度强化学习算法；其中，所述深度强化学习算法的输出为线控转向系统的传动比。
[0021]进一步的，所述深度强化学习算法的实现步骤包括：
[0022]算法步骤1：利用式(1)定义深度强化学习方法的车辆状态参数v：
[0023]v＝{w,α，β，wd，αd，βd}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0024]其中，wd为理想横摆角速度；w为测量横摆角速度；αd为理想车身侧倾角；α为测量车身侧倾角；βd为理想车身俯仰角；β为测量车身俯仰角；
[0025]算法步骤2：利用式(2)定义深度强化学习方法的动作参数a:
[0026]a＝{γ}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0027]式中：γ为线控转向系统角传动比，无单位；
[0028]算法步骤3：利用式(3)建立深度强化学习方法的奖励函数r：
[0029]r＝rβ+rw+rα+rt
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0030]其中：rβ为车身俯仰角奖励函数、rw为车身横摆角速度奖励函数、rα为车身侧倾角奖励函数、rt为横向加速度响应时间；
[0031]算法步骤4：构建深度强化学习方法的计算模型；
[0032]算法步骤5：利用初始数据生成N个车辆数据样本；
[0033]算法步骤6：用步骤5得到的N个车辆数据样本对深度强化学习方法的模型进行训练，从而得到最优化神经网络模型；
[0034]算法步骤7：在车辆运行中，实时测量车辆当前状态参数vt，将状态参数输入到以上得到的最优神经网络模型中，直接输出目前状态下最优化的线控转向提供传动比。
[0035]进一步的，所述奖励函数设置为3个优先级，优先级越高，则该原则越重要，设计原则为：
[0036]1级：保证横摆角速度控制和横向加速度响应时间在设定范围内；
[0037]2级：保证车身的侧倾控制高于车身的俯仰控制；
[0038]3级：保证车身的俯仰在设定范围内；
[0039]其中，rα车身侧倾角奖励函数如式(4)所示，对应于2级设计原则，公式如下：
[0040][0041]其中，roll为车身俯仰角；
△
roll＝|roll
–
roll_normal|，表示车身俯仰角变化量；所述roll_normal表示在平整路面上汽车的车身侧倾角；max_pitch为
△ꢀ
pitch的最大值,roll_th为
△
pitch的阈值，max_roll≥roll_th≥0；
[0042]rβ车身俯仰角奖励函数如式(5)所示，对应于3级设计原则，公式如下：
[0043][0044]其中，pitch为车身俯仰角；Δph＝|ph
–
ph_normal|，表示车身俯仰角变化量；所述ph_normal表示在平整路面上汽车的车身俯仰角；max_ph为
△
pitch 的最大值,ph_th为Δph的阈值，max_ph≥ph_th≥0；
[0045]rw车身横摆角速度奖励函数如式(6)所示，对应于1级设计原则，设计二次函数作
为1级奖励函数，公式如下：
[0046][0047]其中，yaw为车身横摆角速度；Δyaw＝|yaw
–
yaw_normal|，表示车身横摆角速度变化量；所述yaw_normal表示在平整路面上汽车的车身俯仰角； max_yaw为Δyaw的最大值,yaw_th为Δyaw的阈值，max_yaw≥yaw_th≥0；
[0048]rt车身横向加速度响应时间奖励函数如式(7)所示，对应于1级设计原则，设计二次函数作为1级奖励函数，公式如下：
[0049][0050]其中，yt为车身横向加速度响应时间；Δyt＝|yt
–
yt_normal|，表示车身横向加速度响应时间变化量；所述yt_normal表示在平整路面上汽车的车身横向加速度响应时间；max_yt为Δyt的最大值,yt_th为Δyaw的阈值，max_yt≥yt_th≥0。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种线控转向系统传动比优化控制方法，其特征在于，包括：获取汽车在路面行驶时的车辆参数；对所述车辆参数进行预处理，获取预处理后的车辆参数；将所述预处理后的车辆参数输入预先训练过的深度强化学习算法中，得到实时的线控转向传动比，基于传动比的计算值对线控转向系统的值进行实时的调整。2.根据权利要求1所述的线控转向系统传动比优化控制方法，其特征在于：所述车辆参数包括车速、方向盘转角、方向盘角速度、车身俯仰角、车身横摆角速度、车身侧倾角、前轴离地高度、后轴离地高度中的任意一种或多种。3.根据权利要求1所述的线控转向系统传动比优化控制方法，其特征在于：所述对所述车辆参数进行预处理包括：将各个车辆参数进行滤波处理，消除噪点；将各个车辆参数互相校对，确定参数的可用性，针对各个参数，设置对应的范围限值，超过则报警并将功能降级到初始设置的传动比值。4.根据权利要求1所述的线控转向系统传动比优化控制方法，其特征在于：所述深度强化学习算法的训练包括：获取汽车在路面行驶时的车辆参数；对所述车辆参数进行预处理，获取预处理后的车辆参数；将所述预处理后的车辆参数作为深度强化学习算法的输入，得到最优传动比；将深度强化学习算法得到的最优传动比作为线控转向系统的输入信号，在汽车继续行驶的过程中，线控转向系统根据算法计算出的值进行传动比的输入，并得到车辆参数的反馈值；将反馈值预处理后再次作为深度强化学习算法的输入；进行多次循环过程，采集每次循环过程中的车辆参数的数据，并使用该数据对深度强化学习算法进行训练；对以上步骤进行多次迭代训练，从而得到训练好的深度强化学习算法；其中，所述深度强化学习算法的输出为线控转向系统的传动比。5.根据权利要求1所述的线控转向系统传动比优化控制方法，其特征在于：所述深度强化学习算法的实现步骤包括：算法步骤1：利用式(1)定义深度强化学习方法的车辆状态参数v：v＝{w,α，β，wd，αd，βd}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中，wd为理想横摆角速度；w为测量横摆角速度；αd为理想车身侧倾角；α为测量车身侧倾角；βd为理想车身俯仰角；β为测量车身俯仰角；算法步骤2：利用式(2)定义深度强化学习方法的动作参数a:a＝{γ}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)式中：γ为线控转向系统角传动比，无单位；算法步骤3：利用式(3)建立深度强化学习方法的奖励函数r：r＝rβ+rw+rα+rt
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)其中：rβ为车身俯仰角奖励函数、rw为车身横摆角速度奖励函数、rα为车身侧倾角奖励函数、rt为横向加速度响应时间；算法步骤4：构建深度强化学习方法的计算模型；
算法步骤5：利用初始数据生成N个车辆数据样本；算法步骤6：用步骤5得到的N个车辆数据样本对深度强化学习方法的模型进行训练，从而得到最优化神经网络模型；算法步骤7：在车辆运行中，实时测量车辆当前状态参数vt，将状态参数输入到以上得到的最优神经网络模型中，直接输出目前状态下最优化的线控转向提供传动比。6.根据权利要求5所述的线控转向系统传动比优化控制方法，其特征在于：所述奖励函数设置为3个优先级，优先级越高，则该原则越重要，设计原则为：1级：保证横摆角速度控制和横向加速度响应时间在设定范围内；2级：保证车身的侧倾控制高于车身的俯仰控制；3级：保证车身的俯仰在设定范围内；其中，rα车身侧倾角奖励函数如式(4)所示，对应于2级设计原则，公式如下：其中，roll为车身俯仰角；
△
roll＝|roll
–
roll_normal|，表示车身俯仰角变化量；所述roll_normal表示在平整路面上汽车的车身侧倾角；max_pitch为
△
pitch的最大值,roll_th为
△
pitch的阈值，max_roll≥roll_th≥0；rβ车身俯仰角奖励函数如式(5)所示，对应于3级设计原则，公式如下：其中，pitch为车身俯仰角；Δph＝|ph
–
ph_normal|，表示车身俯仰角变化量；所述ph_normal表示在平整路面上汽车的车身俯仰角；max_ph为
△
pitch的最大值,ph_th为Δph的阈值，max_ph≥ph_th≥0；rw车身横摆角速度奖励函数如式(6)所示，对应于1级设计原则，设计二次函数作为1级奖励函数，公式如下：其中，yaw为车身横摆...

【专利技术属性】
技术研发人员：陈文越，朱峰，王祯，周振华，季小刚，江龙超，
申请(专利权)人：上海砺群科技有限公司，
类型：发明
国别省市：