一种基于物理启发的数据驱动车辆横向动力学建模方法技术

一种基于物理启发的数据驱动车辆横向动力学建模方法，该数据驱动方法是基于车辆动力学物理规律启发推导而来。基于传统车辆横向动力学模型，提出一种新型时变轮胎刚度的轮胎力模型表达式；提出以可测量得到的纵向车速与前轮滑移率作为线性变参数系统模型的调整参数，将传统车辆横向动力学模型设计成线性变参数控制新模型，新模型实现了车辆相关的时变参数与可实时测量得到的调整参数的有效分离；基于线性变参数控制新模型推导离散域数据驱动的车辆横向动力学模型。以上数据驱动模型可以极少数的数据点实现车辆横向动力学模型的有效准确建立，且可以应对由于工作环境变化而导致的车辆参数时变问题。的车辆参数时变问题。的车辆参数时变问题。

【技术实现步骤摘要】
一种基于物理启发的数据驱动车辆横向动力学建模方法


[0001]本专利技术属于自动驾驶
，具体为一种基于物理启发的数据驱动车辆横向动力学建模方法。

技术介绍

[0002]车辆横向动力学是车辆动力学的重要组成部分，涉及到车辆的转向、制动、加速等行为。传统的车辆横向动力学建模方法主要是基于经典力学和控制理论，且均采用基于牛顿运动定律的动力学建模方法，虽然可以提供精确的模型预测性能，但对于复杂多变的实际道路条件和车辆行为，其模型的适应性和鲁棒性有待提高。
[0003]随着数据驱动技术的发展，越来越多的研究者开始尝试利用数据驱动方法进行车辆横向动力学建模。然而，现有的数据驱动方法在物理一致性、模型可解释性以及模型预测性能等方面存在一定的问题。
[0004]现有技术区别如下：
[0005]与专利CN114684199A“一种机理分析
‑
数据驱动的车辆动力学串联混合模型、智能汽车轨迹跟踪控制方法及控制器”的技术对比；
[0006]一、专利CN114684199A聚焦于同时使用机理分析与数据建立车辆动力学混合模型，而我们的方法的重点是基于机理推导纯数据驱动的车辆动力学模型。
[0007]二、专利CN114684199A获得的模型依赖于复杂的非线性轮胎与车辆动力学模型，而我们的方法不依赖轮胎模型，仅基于少量在线测量的数据。
[0008]三、专利CN114684199A需要采用LSTM作为主干网络，并结合全连接神经网络来工作，而我们的方法无需设计神经网络。
[0009]四、专利CN114684199A需要采集多工况运行数据对神经网络的大量权重参数进行预训练，而我们的方案无需训练。
[0010]五、专利CN114684199A需要测量轮胎纵向力，而我们的方法无需轮胎纵向力。
[0011]与专利CN115303289A“一种基于深度高斯车辆动力学模型、训练方法、智能汽车轨迹跟踪控制方法及终端设备法”的技术对比；
[0012]一、专利CN115303289A涉及了多层前馈神经网络和深度高斯模型等需要大量初始数据进行权重参数训练的复杂模型，而我们的方法不依赖于神经网络，仅基于车辆动力学机理推导的线性变参数数据驱动模型。
[0013]二、专利CN115303289A的系统涉及多达10个在线状态参数输入，而我们的方法仅需4个在线状态参数作为模型输入。
[0014]三、专利CN115303289A采用了强非线性轮胎模型，且该模型依赖大量实验参数进行模型标定，而我们的方法不依赖于轮胎模型，且最终以线性模型的方式呈现，结构简单易于控制。
[0015]与专利CN113657036A“基于神经网络和物理模型的车辆动力学模拟实现方法”的技术对比。
[0016]一、专利CN113657036A聚焦于设计参数模型和动力学模型结合的混合车辆动力学模型，主体思想分为两个步骤：第一、定制实验，收集参数，完成特定未知参数的识别；第二、结合参数识别与车辆动力学模型，获得物理规律
‑
数据驱动的混合模型；而我们的方法从机理出发，仅推导纯数据驱动的模型。
[0017]二、专利CN113657036A依赖于神经网络对车辆动力学模型进行识别，而我们的方法不涉及神经网络。
[0018]三、专利CN113657036A涉及到对车辆侧偏刚度的计算，这两个量在实际运行中是高度非线性且时变的，计算难度大，而我们的方法通过线性变参数模型推导，将高度非线性变化的参数与系统状态参数分离，通过数据来表征非线性时变参数。
[0019]四、专利CN113657036A需要特别定制不同的车辆运行场景，并收集大量数据来标定神经网络的权重参数，而我们的方法无需复杂车辆运行场景，且数据需求量也远小于上述方法。
[0020]针对现有技术的不足，本专利技术提出了一种基于物理启发的数据驱动车辆横向动力学建模方法。该方法既可以利用物理启发的优势提供模型的可解释性和物理一致性，又可以利用数据驱动技术的优势提供模型的适应性和鲁棒性。

技术实现思路

[0021]为解决众多车辆参数，如车辆质量、轮胎纵向刚度、侧偏刚度、车辆质心位置等在实际运行中可能是时变的，导致基于牛顿定律的动力学模型失准，尤其当车辆运行在轮胎的非线性区域，对车辆的运行安全产生巨大隐患问题，本专利技术提出了一种基于物理启发的数据驱动车辆横向动力学建模方法，解决在复杂运动工况下，由于时变车辆相关参数导致传统车辆横向动力学模型失准问题。
[0022]为实现上述目的，本专利技术采取的技术方案是：
[0023]一种基于物理启发的数据驱动车辆横向动力学建模方法，包括：
[0024]1)提出变轮胎刚度轮胎力模型，并建立车辆横向动力学模型；
[0025]2)将以上模型转化为线性变参数系统模型；
[0026]3)将以上系统进行离散化；
[0027]4)引入Kronecker乘积算子，上述离散系统进一步简化，并定义数据矩阵：
[0028]5)基于数据，利用线性变参数横向动力学模型的物理规则，得到初始系统相关矩阵；
[0029]6)得到基于车辆横向运动物理规则的数据驱动动力学模型。
[0030]作为本专利技术进一步改进，所述步骤1)中轮胎力模型具体如下：
[0031]将非线性项集总到轮胎刚度中，保留轮胎力对滑移率/侧偏角的线性关系，如下公式所示：
[0032][0033]作为本专利技术进一步改进，所述步骤2)中线性变参数系统模型具体如下；
[0034]调节参数为ρ，模型及具体参数表达式见以下公式：
[0035][0036][0037]A(ρ)＝A0+A1ρ1+A2ρ2+A3ρ3[0038]B(p)＝B0+B1ρ1+B2ρ2+B3ρ3[0039][0040][0041][0042]注意到以上公式中，A1，B0，B3均为与时变的车辆相关系统参数，其与调节参数ρ互相分离。
[0043]作为本专利技术进一步改进，所述步骤3)系统进行离散化具体步骤如下：
[0044]离散时间步长为T
s
，连续系统可以转变为如下系统：
[0045]x
k+1
＝A
k
(ρ
k
)x
k
+B
k
(ρ
k
)
u
k
[0046][0047][0048]作为本专利技术进一步改进，所述步骤4)引入Kronecker乘积算子，上述离散系统进一步简化，并定义数据矩阵，具体步骤如下：
[0049]引入Kronecker乘积算子，上述离散系统进一步简化：
[0050][0051]假设可收集到一组数据数据长度为n
d
，定义以下数据矩阵：
[0052][0053][0054][0055][0056][0057]作为本专利技术进一步改进，所述步骤5)基于数据，利用线性变参数横向动力学模型的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于物理启发的数据驱动车辆横向动力学建模方法，其特征在于：包括：1)提出变轮胎刚度轮胎力模型，并建立车辆横向动力学模型；2)将以上模型转化为线性变参数系统模型；3)将以上系统进行离散化；4)引入Kronecker乘积算子，上述离散系统进一步简化，并定义数据矩阵：5)基于数据，利用线性变参数横向动力学模型的物理规则，得到初始系统相关矩阵；6)得到基于车辆横向运动物理规则的数据驱动动力学模型。2.根据权利要求1所述的一种基于物理启发的数据驱动车辆横向动力学建模方法，其特征在于：所述步骤1)中轮胎力模型具体如下：将非线性项集总到轮胎刚度中，保留轮胎力对滑移率/侧偏角的线性关系，如下公式所示：示：示：其中i代表f或r，表示前轮或后轮，j代表x或y，表示纵向或横向，表示对应的轮胎刚度，λ
i
表示轮胎滑移率，r
i
表示轮胎有效半径，w
i
表示轮胎转动速度，v
x
表示车辆纵向速度，α
i
表示轮胎侧偏角，δ
f
表示前轮转向角，v
y
表示车辆横向速度，L
i
表示前轴郭后轴到质心的距离，γ表示车辆横摆角速度。传统的车辆横向动力学模型可由下式描述：传统的车辆横向动力学模型可由下式描述：其中m表示车辆质量，I
z
表示车辆绕z轴的转动惯量。3.根据权利要求1所述的一种基于物理启发的数据驱动车辆横向动力学建模方法，其特征在于：所述步骤2)中线性变参数系统模型具体如下；调节参数为ρ，模型及具体参数表达式见以下公式：调节参数为ρ，模型及具体参数表达式见以下公式：A(ρ)＝A...

【专利技术属性】
技术研发人员：魏文鹏，殷国栋，
申请(专利权)人：东南大学，
类型：发明
国别省市：