一种适用于IVCPS的车辆动力学数据驱动建模方法技术

本发明专利技术公开了一种适用于IVCPS的车辆动力学数据驱动建模方法，包括以下步骤：S1.将汽车横纵耦合动力学机理模型抽象为状态空间方程表达式，从而确定控制特征向量和状态特征向量；S2.基于步骤S1确定的控制特征向量和状态特征向量，获取高保真动力学数据样本；S3.构建混合机理参考模型的多时步状态特征滑动窗口；S4.搭建车辆动力学代理模型；S5.训练基于深度学习的车辆动力学代理模型。本发明专利技术适用于IVCPS的车辆动力学数据驱动建模方法，能更好的刻画汽车物理实体的横纵耦合的动力学行为，能协助车辆动力学数据驱动模型关联历史横纵向状态量信息，增加训练速度和精度。增加训练速度和精度。增加训练速度和精度。

【技术实现步骤摘要】
一种适用于IVCPS的车辆动力学数据驱动建模方法


[0001]本专利技术属于智能汽车建模领域，具体涉及一种适用于IVCPS的车辆动力学数据驱动建模方法。

技术介绍

[0002]低精度、高时延的车辆动力学机理模型往往在智能汽车信息物理系统(IVCPS)小时空尺度下不能准确快速反映汽车的实际动力学特性，从而影响赛博空间的优化或控制效果。在IVCPS的小时空尺度下，车辆动力学模型是对车辆实体动力学物理规律的刻画，适用于赛博空间的计算、分析、优化、决策，并在车辆实时控制、多车协同控制中起着重要的作用。过于复杂高维度的模型会消耗更多算力，且它的刻画也不一定准确。数据驱动代理模型是利用数据样本构建起来的一种数学近似替代模型，其能够更精准地反映物理世界，并且消耗算力更小，可以考虑通过数据驱动代理模型的方式参与赛博空间的运作，以达到IVCPS车云协同准确实时运行的需求。
[0003]近年来，神经网络和深度学习等技术的快速发展，促进了车辆动力学近似方法的相关研究，现有的研究主要是通过BP神经网络或者全连接神经网络或者循环神经网络为基础网络，所建立的汽车动力学模型也绝大部分是单向的，即横向或者纵向。
[0004]查阅相关专利发现，专利CN111898199公开了一种车辆动力学数据驱动建模方法，其通过Deep EDMD网络逼近Koopman算子，将强耦合非线性的车辆动力学模型进行线性逼近，但是其没有充分考虑车辆动力学样本的高度时序相关性。专利CN113657036公开了一种神经网络和物理模型的车辆动力学模拟实现方法，其利用神经网络拟合部分参数，但是其本质上是基于自由度较低的车辆横向动力学机理模型，并没有考虑实际车辆模型的非线性以及横纵方向的耦合性。

技术实现思路

[0005]有鉴于此，本专利技术的目的在于提供一种适用于IVCPS的车辆动力学数据驱动建模方法。本专利技术旨在解决目前汽车横纵向耦合动力学建模准确度较低和模型在赛博空间计算时延较高的问题。
[0006]为达到上述目的，本专利技术提供了一种适用于IVCPS的车辆动力学数据驱动建模方法，包括以下步骤：
[0007]S1.将汽车横纵耦合动力学机理模型抽象为状态空间方程表达式，从而确定控制特征向量和状态特征向量；
[0008]S2.基于步骤S1确定的控制特征向量和状态特征向量，获取高保真动力学数据样本；
[0009]S3.构建混合机理参考模型的多时步状态特征滑动窗口；
[0010]S4.搭建车辆动力学代理模型；
[0011]S5.训练基于深度学习的车辆动力学代理模型。
[0012]进一步，所述步骤S1中，状态空间方程的表达式如下：
[0013][0014]式中，u为控制特征向量，代表汽车动力学模型的输入量；x为状态特征向量，代表汽车动力学模型的输出量；其中：
[0015][0016]式中，η为节气阀开度；bk为制动总泵压力；ξ为方向盘转角；
[0017][0018]式中，V
y
为横向速度；为横向加速度；Ψ为横摆角速度；为横摆角加速度；V
x
为纵向速度；为纵向加速度。
[0019]进一步，所述步骤S2包括以下子步骤：
[0020]S2.1在CarSim中配置车辆模型及其参数；
[0021]S2.2根据步骤S1确定的控制特征向量和状态特征向量，在CarSim中配置I/O Channels；
[0022]S2.3在Simulink中构建开环的车辆控制模型，联合CarSim/Simulink搭建仿真环境，根据控制量输入得到状态量输出，按照时间步长进行采样即得时序序列数据样本。
[0023]进一步，所述步骤S2.3中，时间步长为120s，采样周期为10ms。
[0024]进一步，所述步骤S3包括以下子步骤：
[0025]S3.1基于横纵向瞬时速度构建MTSSF滑动窗口；
[0026]S3.2基于步骤S2.3采集的时序序列数据样本，建立机理参考模型
[0027]S3.3将p时刻MTSSF滑动窗口融入模型的前向计算过程。
[0028]进一步，所述步骤S3.2中，机理参考模型为CarSim S
‑
Function或三自由度的动力学模型。
[0029]进一步，所述机理参考模型为三自由度的动力学模型的表达式如下：
[0030][0031][0032][0033]式中，m为车辆质量；I
z
为转动惯量；a和b分别为车辆前轴和后轴到质心的距离；θ
f
为前轮转角；s
f
和s
r
为前后车轮的滑移率；C
αf
和C
αr
为前后车轮的侧偏刚度；C
lf
和C
lr
为前后车轮纵向刚度。
[0034]进一步，所述步骤S4包括以下子步骤：
[0035]S4.1以门控循环单元GRU作为基本单元构建网络的前半段GRNN，步骤S3获取的n时刻的控制向量为GRNN的输入量；
[0036]S4.2在网络的后半段引入前馈神经网络FNN，根据前半段GRNN的隐藏状态，构建
FNN的输入层，最终构建的网络即车辆动力学代理模型。
[0037]进一步，所述步骤S5包括以下子步骤：
[0038]S5.1取步骤S1中的一组数据，划分训练集和测试集，标准化处理网络输入数据；设计损失函数，选取优化器，配置超参数；
[0039]S5.2保存网络最优权值。
[0040]进一步，所述超参数包括学习率和迭代次数。
[0041]本专利技术的有益效果在于：
[0042]本专利技术同时考虑了汽车动力学样本的时序相关性和横纵向状态特征量的耦合特性，设计了一种组合GRU和FNN深度学习算法模型的非线性代理建模方法，能更好的刻画汽车物理实体的横纵耦合的动力学行为。
[0043]本专利技术还提出了混合机理参考模型的多时步状态特征(Multi time step state feature，MTSSF)滑动窗口方法，可构建当前时刻信息与前k个时刻状态量特征信息之间的关联，协助车辆动力学数据驱动模型关联历史横纵向状态量信息，以更好地增加训练速度和精度。
[0044]本专利技术的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究，对本领域技术人员而言将是显而易见的，或者可以从本专利技术的实践中得到教导。本专利技术的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
[0045]图1为基于深度学习的车辆动力学代理建模方法的流程示意图；
[0046]图2为高保真动力学数据样本获取示意图；
[0047]图3为CarSim/Simulink联合仿真过程示意图；
[0048]图4为多时步状态特征滑动窗口的示意图；
[0049]图5为基于深度学习的车辆动力学代理建模方法总体本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种适用于IVCPS的车辆动力学数据驱动建模方法，其特征在于，包括以下步骤：S1.将汽车横纵耦合动力学机理模型抽象为状态空间方程表达式，从而确定控制特征向量和状态特征向量；S2.基于步骤S1确定的控制特征向量和状态特征向量，获取高保真动力学数据样本；S3.构建混合机理参考模型的多时步状态特征滑动窗口；S4.搭建车辆动力学代理模型；S5.训练基于深度学习的车辆动力学代理模型。2.根据权利要求1所述的一种适用于IVCPS的车辆动力学数据驱动建模方法，其特征在于：所述步骤S1中，状态空间方程的表达式如下：式中，u为控制特征向量，代表汽车动力学模型的输入量；x为状态特征向量，代表汽车动力学模型的输出量；其中：式中，η为节气阀开度；bk为制动总泵压力；ξ为方向盘转角；式中，V
y
为横向速度；为横向加速度；Ψ为横摆角速度；为横摆角加速度；V
x
为纵向速度；为纵向加速度。3.根据权利要求2所述的一种适用于IVCPS的车辆动力学数据驱动建模方法，其特征在于：所述步骤S2包括以下子步骤：S2.1在CarSim中配置车辆模型及其参数；S2.2根据步骤S1确定的控制特征向量和状态特征向量，在CarSim中配置I/O Channels；S2.3在Simulink中构建开环的车辆控制模型，联合CarSim/Simulink搭建仿真环境，根据控制量输入得到状态量输出，按照时间步长进行采样即得时序序列数据样本。4.根据权利要求3所述的一种适用于IVCPS的车辆动力学数据驱动建模方法，其特征在于：所述步骤S2.3中，时间步长为120s，采样周期为10ms。5.根据权利要求4所述的一种适用于IVCPS的车辆动力学数据驱动建模方法，其特征在于：所述步骤S3包括以下子步骤：S3.1基于横纵向瞬时速度构建MTSSF滑动窗口；S3.2基于步骤S2.3采集的时序序...

【专利技术属性】
技术研发人员：赵敏，孙棣华，张博文，
申请(专利权)人：重庆大学，
类型：发明
国别省市：