一种基于EKF和BP神经网络的路面附着系数估计方法技术

本发明专利技术请求保护一种基于EKF算法和BP神经网络的汽车路面附着系数的估算方法，通过各种传感器实时地采集车辆的方向盘转角、纵向加速度、侧向加速度，利用四轮车辆动力学模型结合EKF算法估计车辆的纵向速度、横向速度、质心偏角和横摆角速度，求取出预估横摆角速度，最后将预估横摆角速度与EKF估计的横摆角速度作差取平方，取方差值最小所在的网络模块输入的附着系数值为所求估计值。本方法有效降低了计算量和收敛时间。本方法能够快速识别车辆行驶路面的附着系数，适用于多种路面下附着系数的实时估计。

A road adhesion coefficient estimation method based on EKF and BP neural network

The invention requests to protect an estimation method of vehicle road adhesion coefficient based on EKF algorithm and BP neural network. The vehicle steering wheel angle, longitudinal acceleration and lateral acceleration are collected in real time by various sensors, and the vehicle longitudinal speed, lateral speed, centroid yaw angle and yaw angle speed are estimated by using four-wheel vehicle dynamics model combined with EKF algorithm, and the predicted lateral speed is obtained. At last, the difference between the estimated yaw angular velocity and the estimated yaw angular velocity of EKF is taken as the square, and the adhesion coefficient of the network module where the minimum variance is located is taken as the estimated value. This method effectively reduces the computational complexity and convergence time. This method can quickly identify the adhesion coefficient of vehicle driving road surface, and is suitable for real-time estimation of adhesion coefficient under various road surfaces.

【技术实现步骤摘要】
一种基于EKF和BP神经网络的路面附着系数估计方法
本专利技术属于一种路面附着系数估计方法，特别是关于一种基于EKF和BP神经网络的路面附着系数估计方法。
技术介绍
电子技术和控制技术的发展使得越来越多的电子控制装置应用于汽车，大大提高了汽车的主动安全，值得注意的是实时、准确的获得路面附着系数能够极大提升汽车主动安全并改善控制系统的可靠性。目前汽车路面附着系数辨识领域中，研究方法主要分为两类：第一类是通过直接测量路面材料和参数辨识路面附着系数，一般使用光学传感器和温湿度传感器测量路面的粗糙度和干湿状况来预测路面附着系数[1]，或者使用毫米波雷达接收路面反射的电磁波再通过频谱分析辨识路面类型[2]，但是额外添加的传感器增加了硬件成本；第二类方法根据车辆运行工况和动力学原理，结合卡尔曼滤波器[3]、最小二乘法[4]或者机器学习[5]等算法估算出路面附着系数，但是卡尔曼滤波器对非线性系统适应性不好，本专利技术所应用的扩展卡尔曼滤波器可以很好地解决这个问题。现代车辆都能从CAN总线提取出轮速、加速度和方向盘转角等信息，因此本专利技术不需要额外增加传感器，EKF算法可以通过将非线性系统在参考点处作泰勒展开，取一阶线性部分作为非线性模型的逼近，得到非线性系统高斯噪声下当前时刻的线性化描述，从而能够在非线性车辆系统中精确估算出汽车质心偏角和横摆角速度，再结合BP神经网络快速收敛辨识出路面附着系数，有较高的实时性。参考文献：[1]宋健,李志红,李红志,李亮.AYC系统基于多传感器融合的路面附着系数估计[J].清华大学学报(自然科学版),2009(05):715-718.[2]王博,孙仁云,徐延海.考虑路面不平度的路面识别方法[J].机械工程学报,2012(24):131-137.[3]BMa,CLv,YLiu,MZheng,YYang.EstimationofRoadAdhesionCoefficientBasedonTireAligningTorqueDistribution[J].JournalofDynamicSystemsMeasurement&Control,2018,140(5)[4]BLi,HDu,WLi.Comparativestudyofvehicletyre-road€roadfrictioncoefficientestimationwithanovelcost-effectivemethod[J].VehicleDynamicSysterm,2014,52(8):1066-1098[5]陈无畏,刘翔宇,黄鹤,杨军.车辆转向工况下的路面附着系数估计算法[J].汽车工程，2011(33)
技术实现思路
本专利技术旨在解决以上现有技术的问题。提出了一种有效降低了计算量和收敛时间、能够快速识别车辆行驶路面的附着系数的方法。本专利技术的技术方案如下：一种基于EKF和BP神经网络的路面附着系数估计方法，其包括以下步骤：步骤1：建立车辆路面附着系数估计系统，包括方向盘转角传感器、纵向加速度传感器、侧向加速度传感器和九个BP神经网络模块；所述方向盘转角传感器、纵向加速度传感器、侧向加速度传感器分别实时采集车身工况数据作为EKF状态观测器的输入，九个BP神经网络模块分别代表不同路面类型进行数据训练。步骤2：采集车辆的方向盘转角信号δ、纵向加速度信号ax、侧向加速度信号ay；步骤3：基于四轮车辆动力学模型，以横摆角速度ωr、质心偏角β和纵向车速vx为状态量，以侧向加速度ay为观测量，建立EKF扩展卡尔曼状态观测器；步骤4：采用EKF算法计算出横摆角速度ωr、质心偏角β和纵向车速vx；将方向盘转角信号δ、纵向加速度信号ax和侧向加速度信号ay作为EKF状态观测器的输入，经过对观测量ay的更新从而获得对状态量的估计，状态量横摆角速度ωr、质心偏角β和纵向车速vx作为EKF状态观测器的输出；步骤5：建立BP神经网络，将汽车在不同附着系数路面行驶采集到的侧向加速度ay、方向盘转角δ和估计的质心偏角β、纵向车速vx以及确定的路面附着系数μ组成向量组[ayβδvxμ]T作为对应的路面附着系数神经网络模块的输入，将车辆横摆角速度作为输出；步骤6：输入下一时刻的输入量到每个神经网络模块，求出预测横摆角速度将与已知的ωr作差并取平方得到ri，ri为选取神经网络模块的参考系数，选出ri最小的神经网络模块，得到估计的路面附着系数。进一步的，所述步骤3中，EKF观测器的状态方程可表示为：观测方程可表示为：k1为前轮侧偏刚度总和；k2为后轮侧偏刚度总和；Ix为绕x轴转动惯量；δ为前轮转角；ωr为横摆角速度；a为质心距前轴的距离；b质心距后轴的距离；Iz为绕z轴的转动惯量；vx为纵向车速；β为质心偏角；为当前估计横摆角速度；当前估计质心偏角；为当前估计纵向车速；m为整车质量；ax为车辆纵向加速度；ay为车辆侧向加速度。进一步的，所述步骤4中，EKF算法实现如下：建立系统的状态方程和测量方程：式中：x(t)为状态变量；u(t)为控制变量；y(t)为测量输出；w(t)为系统激励噪声协方差矩阵为Q；v(t)为测量噪声协方差矩阵为R；w(t)、v(t)均为独立的高斯白噪声；上面状态量x(t)和测量量y(t)可表示为：然后将模型线性化：其中F(t)和H(t)为非线性函数f(x(t),u(t),w(t))和h(x(t),v(t))对状态x(t)求偏导的雅克比矩阵：最后赋予初始状态值和误差协方差P-(t0)，EKF算法开始循环计算并估计出横摆角速度ωr、质心偏角β和纵向车速vx。进一步的，所述步骤5还包括将数据进行归一化，并选取若干组数据作为样本，对数据归一化的公式为：式中为归一化后的输入量，xi为归一化之前的输入量，xmin为输入量的最小值，xmax为输入量的最大值。进一步的，所述BP神经网络输入层的节点数为5，隐含层的结点个数为10，输出层的结点个数为1，学习速率为η，激励函数为g(x)，其中激活函数为Sigmoid函数为：进一步的，所述隐含层的输出Hj和输出层的输出Ok为：其中wij为输入层到隐含层的权重，L输出层节点个数，n为隐含层节点个数，wjk为隐含层到输出层的权重，aj为输入层到隐含层的偏置，bk为隐含层到输入层的偏置。进一步的，所述输出层的误差计算公式为：式中Yk为期望输出，m为所采集数据样本数量，Yk-Ok＝ek，则误差公式改写为：进一步的，权值更新公式为：进一步的，选取ri值最小的神经网络模块并计算ri：本专利技术的优点及有益效果如下：本专利技术应用扩展卡尔曼滤波状态观测器能够很好的适应车辆非线性系统，利用车载传感器测量信号来对车辆未知状态进行在线观测，结合多个BP神经网络模块有效的降低了计算量和收敛时间、能够快速识别车辆行驶路面的附着系数。附图说明图1是本专利技术提供优选实施例为EKF算法和BP神经网络关系图；图2为EKF算法流程图；图3为BP神经网络结构；图4为获取训练样本工况要求。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本专利技术的一部分实施例。本专利技术解决上述技术问题的技术方案是：基于EKF算法和BP神经网络的路面附着系数估计方法关系图如图1所示，具体步骤如下：步骤1：建立EK本文档来自技高网...

【技术保护点】
1.一种基于EKF和BP神经网络的路面附着系数估计方法，其特征在于，包括以下步骤：步骤1：建立车辆路面附着系数估计系统，包括方向盘转角传感器、纵向加速度传感器、侧向加速度传感器和九个BP神经网络模块；所述方向盘转角传感器、纵向加速度传感器、侧向加速度传感器分别实时采集车身工况数据作为EKF状态观测器的输入，九个BP神经网络模块分别代表不同路面类型进行数据训练；步骤2：采集车辆的方向盘转角信号δ、纵向加速度信号ax、侧向加速度信号ay；步骤3：基于四轮车辆动力学模型，以横摆角速度ωr、质心偏角β和纵向车速vx为状态量，以侧向加速度ay为观测量，建立EKF扩展卡尔曼状态观测器；步骤4：采用EKF算法计算出横摆角速度ωr、质心偏角β和纵向车速vx；将方向盘转角信号δ、纵向加速度信号ax和侧向加速度信号ay作为EKF状态观测器的输入，经过对观测量ay的更新从而获得对状态量的估计，状态量横摆角速度ωr、质心偏角β和纵向车速vx作为EKF状态观测器的输出；步骤5：建立BP神经网络，将汽车在不同附着系数路面行驶采集到的侧向加速度ay、方向盘转角δ和估计的质心偏角β、纵向车速vx以及确定的路面附着系数μ组成向量组[ay β δ vx μ]T作为对应的路面附着系数神经网络模块的输入，将车辆横摆角速度作为输出；步骤6：输入下一时刻的输入量到每个神经网络模块，求出预测横摆角速度...

【技术特征摘要】
1.一种基于EKF和BP神经网络的路面附着系数估计方法，其特征在于，包括以下步骤：步骤1：建立车辆路面附着系数估计系统，包括方向盘转角传感器、纵向加速度传感器、侧向加速度传感器和九个BP神经网络模块；所述方向盘转角传感器、纵向加速度传感器、侧向加速度传感器分别实时采集车身工况数据作为EKF状态观测器的输入，九个BP神经网络模块分别代表不同路面类型进行数据训练；步骤2：采集车辆的方向盘转角信号δ、纵向加速度信号ax、侧向加速度信号ay；步骤3：基于四轮车辆动力学模型，以横摆角速度ωr、质心偏角β和纵向车速vx为状态量，以侧向加速度ay为观测量，建立EKF扩展卡尔曼状态观测器；步骤4：采用EKF算法计算出横摆角速度ωr、质心偏角β和纵向车速vx；将方向盘转角信号δ、纵向加速度信号ax和侧向加速度信号ay作为EKF状态观测器的输入，经过对观测量ay的更新从而获得对状态量的估计，状态量横摆角速度ωr、质心偏角β和纵向车速vx作为EKF状态观测器的输出；步骤5：建立BP神经网络，将汽车在不同附着系数路面行驶采集到的侧向加速度ay、方向盘转角δ和估计的质心偏角β、纵向车速vx以及确定的路面附着系数μ组成向量组[ayβδvxμ]T作为对应的路面附着系数神经网络模块的输入，将车辆横摆角速度作为输出；步骤6：输入下一时刻的输入量到每个神经网络模块，求出预测横摆角速度将与已知的ωr作差并取平方得到ri，ri为选取神经网络模块的参考系数，选出ri最小的神经网络模块，得到估计的路面附着系数。2.根据权利要求1所述的基于EKF和BP神经网络的路面附着系数估计方法，其特征在于，所述步骤3中，EKF观测器的状态方程可表示为：观测方程可表示为：k1为前轮侧偏刚度总和；k2为后轮侧偏刚度总和；Ix为绕x轴转动惯量；δ为前轮转角；ωr为横摆角速度；a为质心距前轴的距离；b质心距后轴的距离；Iz为绕z轴的转动惯量；vx为纵向车速；β为质心偏角；为当前估计横摆角速度；当前估计质心偏角；为当前估计纵向车速；m为整车质量；ax为车辆纵向加速度；ay为车辆侧向加速度。3.根据权利要求2所述的基于EKF和BP神经...

【专利技术属性】
技术研发人员：郑太雄，汪涛，杨新琴，田云浪，褚良宇，陈云坤，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆,50