【技术实现步骤摘要】
本专利技术涉及人工智能，尤其涉及一种基于车路协同的半主动悬架多目标控制方法和装置。
技术介绍
1、随着车联网技术的演进，自动驾驶在单车智能的基础上有了新的发展形态——车路协同自动驾驶，其发展的根本还是在于提升乘员的安全性和舒适性，这主要依赖于汽车底层动力学的控制。汽车悬架作为汽车底盘的重要组成部分，可用于缓冲不平路面造成的车辆振动，提高乘坐舒适性与安全性。车辆行驶过程中遇到不平路面时，车身会随路面上下起伏导致车辆颠簸，甚至悬架有可能撞击限位块，并且不平路面会减少路面与轮胎的接触面积进而减小轮胎的附着力。针对以上问题，被动悬架助益较少，半主动悬架与主动悬架则可调节其软硬减少车辆颠簸，且可一定范围内调节轮胎动载荷，可改善轮胎抓地性。半主动悬架消耗少量能量实现可变阻尼控制以改善车辆动力学性能，在汽车节能减排发展的背景下，得到了广泛关注。在车辆动态操控与乘坐舒适性的精密调控中，控制算法扮演着至关重要的角色，尤其是在半主动悬挂系统的智能化管理中。全球范围内，学者们对这一领域展开了深入探究，纷纷提出了一系列创新的控制策略，诸如经典的pid控制、富有前瞻性的天棚和地棚控制，以及更具适应性的滑模、lqg、模糊逻辑和模型预测等多元手段。这些方法皆以其独特的方式显著降低了车身振动，显著提升了行驶平稳性。近年来，深度强化学习作为科技界的璀璨新星，展现出了强大的学习与优化能力，其通过环境互动生成海量数据，并据此探寻最优化决策方案，已在诸多领域展现出卓越成效。因此，将深度强化学习应用于悬挂控制系统，尤其是通过自学习优化悬挂阻尼，已然成为当前科研领域的瞩目
2、然而，当前的控制方法并不具备根据不同情况自主学习的能力，从而无法适应复杂多变的路面情况。
技术实现思路
1、本专利技术点目的在于：为解决当前的控制方法不具备根据不同情况自主学习的能力，无法适应复杂多变的路面情况的问题，本专利技术提供一种基于车路协同的半主动悬架多目标控制方法、装置和设备。
2、本申请实施例的技术方案是这样实现的：
3、本申请实施例第一方面提供一种基于车路协同的半主动悬架多目标控制方法，包括：
4、获取当前的路面状态信息和车辆状态参数信息；所述路面状态信息包括路面类型与路面不平度值；所述车辆状态参数信息包括车身加速度、悬架动挠度、轮胎动载荷、车身侧倾角和车身俯仰角；
5、基于所述路面状态信息调整所述车辆状态参数信息中各个参数的权重，得到各个所述车辆状态参数信息对应的目标权重；
6、将所述路面状态信息、所述车辆状态参数信息和所述目标权重输入至深度强化学习模型，生成悬架控制电流；所述悬架控制电流用于对车辆悬架进行实时调整。
7、可选的，所述获取当前的路面状态信息和车辆状态参数信息，包括：
8、通过双目相机获取路面图像信息，并利用深度学习resnet分类器获取路面类型，所述路面类型包括混凝土路面、沥青路面、沙土路面、砂石路面与碎石路面；
9、通过双目相机获取点云信息，并结合sgbm半全局立体匹配算法测量获取路面不平度值，所述路面不平度值包括不平度均方根值和局部峰值。
10、可选的，在获取当前的路面状态信息和车辆状态参数信息之后，所述方法包括：
11、对所述路面状态信息中的数据缺失值和数据异常值进行补充或删除，并进行数据离散化处理。
12、可选的，所述基于预期指标和所述路面状态信息调整所述车辆状态参数信息中各个参数的权重，得到各个所述车辆状态参数信息对应的目标权重，包括：
13、创建多目标评价模型；所述多目标评价模型为以路面状态信息为变量，构建以车辆状态参数权重为输出的函数关系；
14、将预期指标和路面状态信息输入至所述多目标评价模型，确定各个所述车辆状态参数信息对应的目标权重；所述预期指标包括舒适性指标和安全性指标中的至少之一。
15、可选的，在将所述路面状态信息、所述车辆状态参数信息和所述目标权重输入至深度强化学习模型，生成悬架控制电流之前，所述方法还包括：利用rainbow算法结合预期指标的奖励函数对深度q网络进行训练，得到深度强化学习模型；
16、所述预期指标的奖励函数为r，其表达式为
17、；
18、其中，为车身质心处加速度，为悬架动挠度均值，为轮胎动载荷均值，为车身质心处俯仰角，为车身质心处侧倾角，为设置的超出限制情况下的悬架动挠度，~分别为这六项状态空间的奖励权重。
19、可选的，在将所述路面状态信息、所述车辆状态参数信息和所述目标权重输入至深度强化学习模型，生成悬架控制电流后，所述方法还包括：对所述悬架控制电流进行限流处理。
20、可选的，在将所述路面状态信息、所述车辆状态参数信息和所述目标权重输入至深度强化学习模型，生成悬架控制电流后，所述方法还包括：将所述深度强化学习模型迁移部署至目标车辆。
21、本申请实施例第二方面提供一种基于车路协同的半主动悬架多目标控制装置，包括：获取模块、调整模块和生成模块，其中，
22、所述获取模块，配置为获取当前的路面状态信息和车辆状态参数信息；所述路面状态信息包括路面类型与路面不平度值；所述车辆状态参数信息包括车身加速度、悬架动挠度、轮胎动载荷、车身侧倾角和车身俯仰角；
23、所述调整模块，配置为基于预期指标和所述路面状态信息调整所述车辆状态参数信息中各个参数的权重，得到各个所述车辆状态参数信息对应的目标权重；
24、所述生成模块，配置为将所述路面状态信息、所述车辆状态参数信息和所述目标权重输入至深度强化学习模型，生成悬架控制电流；所述悬架控制电流用于对车辆悬架进行实时调整。
25、本申请实施例第三方面提供一种电子设备，包括处理器和存储器；所述存储器有存储计算机程序，其中，所述计算机程序在被所述处理器执行时实现第一方面所述的基于车路协同的半主动悬架多目标控制方法。
26、本申请实施例第四方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面所述方法的步骤。
27、与现有技术相比，本申请提供的技术方案带来的有益效果是：
28、本专利技术提供一种基于车路协同的半主动悬架多目标控制方法、装置和设备，通过获取当前的路面状态信息和车辆状态参数信息，基于所述路面状态信息调整车辆状态参数信息中各个参数的权重，得到各个车辆状态参数信息对应的目标权重；将路面状态信息、车辆状态参数信息和目标权重输入至深度强化学习模型，生成悬架控制电流，以对车辆悬架进行实时调整。通过在悬架控制中引入实时路面信息，使得车辆与路面实时进行交互，加强了路面对车身的反馈，实现了车路协同；另外，综合考虑了多个预期指标，从而调节车辆状态参数信息中各参数的权重，对车辆的舒适性、操稳性和安全性进行权衡，极大地提高了用户体验。
本文档来自技高网...【技术保护点】
1.一种基于车路协同的半主动悬架多目标控制方法，其特征在于，包括：
2.根据权利要求1所述的基于车路协同的半主动悬架多目标控制方法，其特征在于，所述获取当前的路面状态信息和车辆状态参数信息，包括：
3.根据权利要求1所述的基于车路协同的半主动悬架多目标控制方法，其特征在于，在获取当前的路面状态信息和车辆状态参数信息之后，所述方法包括：
4.根据权利要求1所述的基于车路协同的半主动悬架多目标控制方法，其特征在于，所述基于预期指标和所述路面状态信息调整所述车辆状态参数信息中各个参数的权重，得到各个所述车辆状态参数信息对应的目标权重，包括：
5.根据权利要求4所述基于车路协同的半主动悬架多目标控制方法，其特征在于，在将所述路面状态信息、所述车辆状态参数信息和所述目标权重输入至深度强化学习模型，生成悬架控制电流之前，所述方法还包括：利用Rainbow算法结合预期指标的奖励函数对深度Q网络进行训练，得到深度强化学习模型；
6.根据权利要求1所述基于车路协同的半主动悬架多目标控制方法，其特征在于，在将所述路面状态信息、所述车辆状态参
7.根据权利要求1所述基于车路协同的半主动悬架多目标控制方法，其特征在于，在将所述路面状态信息、所述车辆状态参数信息和所述目标权重输入至深度强化学习模型，生成悬架控制电流后，所述方法还包括：将所述深度强化学习模型迁移部署至目标车辆。
8.一种基于车路协同的半主动悬架多目标控制装置，其特征在于，包括：获取模块、调整模块和生成模块，其中，
9.一种电子设备，包括处理器和存储器；所述存储器有存储计算机程序，其中，所述计算机程序在被所述处理器执行时实现权利要求1至7中任一项所述的基于车路协同的半主动悬架多目标控制方法。
10.一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现权利要求1至7任一所述方法的步骤。
...【技术特征摘要】
1.一种基于车路协同的半主动悬架多目标控制方法，其特征在于，包括：
2.根据权利要求1所述的基于车路协同的半主动悬架多目标控制方法，其特征在于，所述获取当前的路面状态信息和车辆状态参数信息，包括：
3.根据权利要求1所述的基于车路协同的半主动悬架多目标控制方法，其特征在于，在获取当前的路面状态信息和车辆状态参数信息之后，所述方法包括：
4.根据权利要求1所述的基于车路协同的半主动悬架多目标控制方法，其特征在于，所述基于预期指标和所述路面状态信息调整所述车辆状态参数信息中各个参数的权重，得到各个所述车辆状态参数信息对应的目标权重，包括：
5.根据权利要求4所述基于车路协同的半主动悬架多目标控制方法，其特征在于，在将所述路面状态信息、所述车辆状态参数信息和所述目标权重输入至深度强化学习模型，生成悬架控制电流之前，所述方法还包括：利用rainbow算法结合预期指标的奖励函数对深度q网络进行训练，得到深度强化学习模型；
6.根据...
【专利技术属性】
技术研发人员：占柳，许小伟，邓明星，白子安，徐新，
申请(专利权)人：武汉科技大学，
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。