【技术实现步骤摘要】
本专利技术涉及模型训练，尤其涉及一种车载称重模型训练方法、装置、设备及存储介质。
技术介绍
1、相关技术中，车辆称重是控制货箱处于指定倾斜状态，获取货箱在指定倾斜状态下通过多个应力传感器检测的多个应力数据，通过与车重的线性映射关系，确定车辆重量。
2、然而，基于线性映射关系的车载称重模型得到的载重估计值相较于车辆真实载重的误差较大，无法满足车载称重需求。
技术实现思路
1、本专利技术的主要目的在于提供一种车载称重模型训练方法、装置、设备及存储介质，旨在解决相关技术中称重误差较大，无法满足车载称重需求的技术问题。
2、为实现上述目的，本专利技术提供一种车载称重模型训练方法，车载称重模型训练方法包括以下步骤：
3、获取多组实验数据组；每组实验数据组包括针对同一车辆真实配重值采集得到的车辆横滚角度、车辆俯仰角度以及多个车体应变值；其中，不同实验数据组对应的车辆真实配重值不同；
4、基于多组实验数据组，对多个彼此不同的非线性模型进行训练，得到各非线性模型的载重估计结果；
5、基于各非线性模型的载重估计结果和对应的车辆真实配重值，对各非线性模型进行评估，确定出最优非线性模型。
6、可选地，基于多组实验数据组，对多个彼此不同的非线性模型进行训练，得到各非线性模型的载重估计结果的步骤，包括：
7、将多组实验数据组分为预设数量个互不相交、大小相同的训练子集；
8、选取预设数量个训练子集中的一个训练子集作
9、基于训练集对多个彼此不同的非线性模型分别进行训练，获得多个训练后的非线性模型；
10、基于验证集对多个训练后的非线性模型进行验证，获得各非线性模型输出的载重预测值；
11、从训练集中选取一个未用于验证的训练子集作为新的验证集，并基于其余训练子集更新训练集；
12、返回执行基于训练集对多个彼此不同的非线性模型分别进行训练，获得多个训练后的非线性模型，直至迭代预设数量次；
13、针对每个非线性模型，将非线性模型输出的载重预测值作为载重估计结果。
14、可选地，基于各非线性模型的载重估计结果和对应的车辆真实配重值，对各非线性模型进行评估，确定出最优非线性模型的步骤，包括；
15、针对每个非线性模型，确定载重估计结果与对应的所有车辆真实配重值之间的均方根误差、决定系数以及平均绝对误差；
16、基于均方根误差、决定系数以及平均绝对误差，对各非线性模型进行评估，确定出最优非线性模型。
17、可选地，基于各非线性模型的载重估计结果和对应的车辆真实配重值，对各非线性模型进行评估，确定出最优非线性模型的步骤之后，方法还包括：
18、对最优非线性模型进行模型参数寻优，得到目标称重模型。
19、可选地，车体应变值由安装于车辆车桥上的应变测量传感器采集得到。
20、可选地，获取多组实验数据组的步骤，包括：
21、将车辆允许载重范围均匀分割为第二预设数量个载重区间，根据车辆横滚角度范围均匀分割为第二预设数量个横滚角度区间，根据车辆俯仰角度范围均匀分割为第二预设数量个俯仰角度区间；
22、从各载重区间分别确定出一载重采样值，从各车辆横滚角度范围分别确定出一横滚角度采样值；从各车辆俯仰角度范围分别确定出一俯仰角度采样值；
23、基于所有载重采样值、所有横滚角度采样值、所有俯仰角度采样值以及拉丁超立方体方法构建正交实验表，以根据正交实验表进行标定实验，获得多组实验数据组。
24、可选地，基于各非线性模型的载重估计结果和对应的车辆真实配重值，对各非线性模型进行评估，确定出最优非线性模型的步骤之后，方法还包括：
25、获取当前车辆的车辆横滚角度、当前车辆的车辆俯仰角度以及当前车辆的多个车体应变值；
26、将车辆横滚角度、车辆俯仰角度以及多个车体应变值输入最优非线性模型，获得最优非线性模型输出的当前车辆的载重估计结果。
27、此外，为实现上述目的，本专利技术还提供一种车载称重模型训练装置，装置包括：
28、数据获取模块，用于获取多组实验数据组；每组实验数据组包括针对同一车辆真实配重值采集得到的车辆横滚角度、车辆俯仰角度以及多个车体应变值；
29、模型训练模块，用于基于多组实验数据组，对多个彼此不同的非线性模型进行训练，得到各非线性模型的载重估计结果；
30、模型寻优模块，用于基于各非线性模型的载重估计结果和对应的车辆真实配重值，对各非线性模型进行评估，确定出最优非线性模型。
31、此外，为实现上述目的，本专利技术还提供一种车载称重模型训练设备，设备包括：存储器、处理器及存储在存储器上并可在处理器上运行的车载称重模型训练程序，车载称重模型训练程序配置为实现如上述的车载称重模型训练方法的步骤。
32、此外，为实现上述目的，本专利技术还提供一种计算机可读存储介质，计算机可读存储介质上存储有车载称重模型训练程序，车载称重模型训练程序被处理器执行时实现如上述的车载称重模型训练方法的步骤。
33、本专利技术通过在车载称重模型的训练过程中引入车辆横滚角度以及车辆俯仰角度，针对非线性模型集合中的每个非线性模型进行训练，可以使得经过训练得到的非线性模型能够适应不同坡面场景的车辆载重估计，并在此基础上通过比对载重估计结果与车辆真实配重值评估训练得到的每个非线性模型，确定出载重估计结果最接近车辆真实配重值的最优非线性模型用于车辆载重估计，从而从坡面场景的适应性和模型寻优两个维度共同显著地提高了车载称重模型对于车辆载重估计的准确性，进而减小了称重系统误差。
本文档来自技高网...【技术保护点】
1.一种车载称重模型训练方法，其特征在于，所述车载称重模型训练方法包括以下步骤：
2.如权利要求1所述的车载称重模型训练方法，其特征在于，所述基于所述多组实验数据组，对多个彼此不同的非线性模型进行训练，得到各所述非线性模型的载重估计结果的步骤，包括：
3.如权利要求1所述的车载称重模型训练方法，其特征在于，所述基于各所述非线性模型的所述载重估计结果和对应的车辆真实配重值，对各所述非线性模型进行评估，确定出最优非线性模型的步骤，包括；
4.如权利要求1所述的车载称重模型训练方法，其特征在于，所述基于各所述非线性模型的所述载重估计结果和对应的车辆真实配重值，对各所述非线性模型进行评估，确定出最优非线性模型的步骤之后，所述方法还包括：
5.如权利要求1所述的车载称重模型训练方法，其特征在于，所述车体应变值由安装于车辆车桥上的应变测量传感器采集得到。
6.如权利要求1所述的车载称重模型训练方法，其特征在于，所述获取多组实验数据组的步骤，包括：
7.如权利要求1所述的车载称重模型训练方法，其特征在于，所述基于各所述非线
8.一种车载称重模型训练装置，其特征在于，所述装置包括：
9.一种车载称重模型训练设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的车载称重模型训练程序，所述车载称重模型训练程序配置为实现如权利要求1至7中任一项所述的车载称重模型训练方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有车载称重模型训练程序，所述车载称重模型训练程序被处理器执行时实现如权利要求1至7任一项所述的车载称重模型训练方法的步骤。
...【技术特征摘要】
1.一种车载称重模型训练方法，其特征在于，所述车载称重模型训练方法包括以下步骤：
2.如权利要求1所述的车载称重模型训练方法，其特征在于，所述基于所述多组实验数据组，对多个彼此不同的非线性模型进行训练，得到各所述非线性模型的载重估计结果的步骤，包括：
3.如权利要求1所述的车载称重模型训练方法，其特征在于，所述基于各所述非线性模型的所述载重估计结果和对应的车辆真实配重值，对各所述非线性模型进行评估，确定出最优非线性模型的步骤，包括；
4.如权利要求1所述的车载称重模型训练方法，其特征在于，所述基于各所述非线性模型的所述载重估计结果和对应的车辆真实配重值，对各所述非线性模型进行评估，确定出最优非线性模型的步骤之后，所述方法还包括：
5.如权利要求1所述的车载称重模型训练方法，其特征在于，所述车体应变值由安装于车辆车桥上的应变测量传感器采集得到。
6....
【专利技术属性】
技术研发人员：赵秦川，刘志强，阳辉勇，
申请(专利权)人：深圳海星智驾科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。