一种基于神经网络的多轴特种车辆的数据建模方法技术

本发明专利技术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。点。点。

【技术实现步骤摘要】
一种基于神经网络的多轴特种车辆的数据建模方法


[0001]本专利技术涉及车辆建模
，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。

技术介绍

[0002]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；
[0003]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；
[0004]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：
[0005]在文献“Pan Y,Nie X,Li Z,et al.Data
‑
driven vehicle modeling of longitudinal 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；
[0006]在文献“RUTHERFORD S J,COLE D J 2010.Modelling nonlinear vehicle dynamics 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；
[0007]随着对车辆建模不断深入，在文献“LIO M,BORTOLUZZI D,ROSATI G 2019.Modelling longitudinal vehicle dynamics with neural networks.Vehicle System Dynamics[J],58:1
‑
19”中，Simon等人采用多层感知机建立车辆纵向动力学模型，并详细分析了网络初始化权值与网络大小对网络模型泛化能力的影响，研究发现网络权重初始化影响网络训练的最终结果，随着网络尺度增大，有助于提高网络收敛水平；
[0008]在文献“Cao X,Li H,Liu C,et al.Vehicle Longitudinal and Lateral Dynamics Modeling by Deep Neural Network[C]//2021IEEE International Conference on Real
‑
time Computing and Robotics(RCAR),2021”中，Cao等人构建了一种分层的网络用于构建车辆横向动力学模型，网络模型分为两个网络，第一层用于预测车辆横摆角速度，第二层结合第一层的结果预测速度滑移，然而，由于网络整体呈前馈的结构，在设计网络的输入时，模型需要输入包括转向指令、纵向加速度、速度和历史横摆角速度，这使得对于网络模型预测的状态信息，同时也要求实测过程具备相应的传感器可以采集到相应数据，过多的数据需求限制了数据建模实际应用；
[0009]为实现网络模型能够递归更新，在文献“Hermansdorfer L,Trauth R,Betz J,et al.End
‑
to
‑
End Neural Network for Vehicle Dynamics Modeling[C]//20206th IEEE Congress on Information Science and Technology(CiSt),2020”中，Leonhard等人利用训练的网络不断更新输入，使得网络模型可以像物理模型一样驱动；虽然网络在测试过程实现了闭环结构，但是Leonhard等人在训练网络时是基于开环的网络结构，网络输入全部采用采集的数据，基于开环结构训练得到的网络参数虽然能够部署在相同的网络模块中，但是在测试网络模型时，由于网络结构已经被更改为闭环，因此当闭环结构的网络模块加载了开环结构下的模型参数，模型在测试过程中保真度较低；
[0010]因此，为提高车辆动力学闭环网络建模的保真度，亟需设计一种基于神经网络的多轴特种车辆的数据建模方法，以解决上述现有技术存在的问题，提高闭环网络模型的泛化能力。

技术实现思路

[0011]针对上述存在的问题，本专利技术旨在提供一种基于神经网络的多轴特种车辆的数据建模方法，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。
[0012]为了实现上述目的，本专利技术所采用的技术方案如下：
[0013]一种基于神经网络的多轴特种车辆的数据建模方法，包括
[0014]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；
[0015]步骤2.在单轨模型的基础上，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；
[0016]步骤3.利用Trucksim仿真模型生成模拟训练用数据集；
[0017]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。
[0018]优选本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的多轴特种车辆的数据建模方法，其特征在于：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.在单轨模型的基础上，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。2.根据权利要求1所述的一种基于神经网络的多轴特种车辆的数据建模方法，其特征在于：步骤1所述的单轨模型的建立过程包括步骤1.1.对多轴特种车辆进行受力分析，建立车辆的横向动力学模型：建立车辆的横向动力学模型：其中在式(1)和式(2)中，m是整车质量；F
i,lat
是第i轴的轮胎横向力；I
z
是转动惯量；V
x
是车辆纵向速度；γ是车辆横摆角速度；L
i
是轴心至质心的纵向距离；V
y
是车辆的横向速度；步骤1.2.对式(1)和式(2)所示的轮胎模型进行线性化处理，在侧偏角较小时，轮胎模型与侧偏角近似线性的关系如：F
i,lat
(α)＝C
i
α
i
(3)(3)其中在式(3)中，C
i
是特定垂向载荷下的轮胎侧向刚度，式(4)和式(5)中δ
i
是轮胎转向角；步骤1.3.设行驶过程中轮胎与地面始终保持纯滚动接触关系，各个车轮仅有一个转向中心，建模车辆除第三车轴通过机械锁死，三轴车轮转向角始终为0，其余轮胎均可自由转向，车辆行驶过程中各个车轮的转向角为：δ3＝0
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)(7)单轨模型中，车轮各个转向角均用方向盘转角δ计算；步骤1.4.将式(3)至式(9)代入式(1)和式(2)中，基于线性化轮胎模型的横向动力学模型进行欧拉前向展开，得离散化的横向动力学模型为：
X(k+1)＝AX(k)+BU(k)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)其中在式(10)中，X(k+1)＝[V
y
(k+1)，γ(k+1)]
T
，X(k)＝[V
y
(k)，γ(k)]
T
，，δ(k)是k时刻控制信号方向盘转角，V
y
(k)和γ(k)是k时刻动力模型预测的横向速度和横摆角速度，V
x
(k)是k时刻采集的车辆纵向速度。3.根据权利要求1所述的一种基于神经网络的多轴特种车辆的数据建模方法，其特征在于：步骤2所述的闭环结构的网络模型包括一个递归网路模块GRU和一个全连接层FNN，所述递归网路模块GRU包括即一个重置门和一个更新门，其中所述递归网路模块GRU的初始状态为h0，且递归网路模块GRU的输入序列为x驱动网络，其中所述x驱动网络包括车辆方向盘转角δ、纵向速度V
x
和全连接层FNN输出的横向速度V
y
和横摆角速度γ；所述全连接层FNN的输入为递归网路模块GRU的输出，全连接层FNN的输出为车辆的横向速度V
y
和横摆角速度γ。4.根据权利要求3所述的一种基于神经网络的多轴特种车辆的数据建模方法，其特征在于：步骤2所述的网络模型的计算过程包括步骤2.1.首先计算更新门z
t
，输入向量x
t
经过一个线性变换与权重矩阵W
z
相乘；h0通常初始化为零向量，它同样也会经过一个线性变换与权重矩阵U
z
相乘；将两部分内容相加，并输入激活函数Sigmoid中，将结果压缩到...

【专利技术属性】
技术研发人员：于传强，陈渐伟，刘志浩，舒洪斌，周伯俊，刘秀钰，董家臣，管文良，李若亭，
申请(专利权)人：中国人民解放军火箭军工程大学，
类型：发明
国别省市：