【技术实现步骤摘要】
一种基于改进型果蝇算法的主动悬架视觉预瞄控制方法
本专利技术属于车辆主动悬架控制
,具体涉及一种基于改进型果蝇算法的主动悬架视觉预瞄控制方法。
技术介绍
主动悬架能与车辆系统自身的运动状况和外部输入变化相适应,主动改变和给出所需控制力,使悬架始终处于最佳衰减振动状态,乘坐舒适性和操作稳定性得以改善。在主动悬架控制理论研究过程中,学者提出了多种策略,如天棚控制、地棚控制、模糊控制和最优控制等,最优控制理论虽然较为成熟,且算法简单,但其加权系数矩阵与加权因子均由经验取得,无法根据相应的实际路面情况选取合适的加权系数矩阵与加权因子,使主动悬架的控制效果到达最优。预瞄控制是近几年来研究的一种新的悬架系统控制方法,能够有效提升悬架系统的控制效果。其中的轴前预瞄利用车前加装预瞄传感器测量前方道路信息,将其作为悬架控制器的信息输入,从而提高悬架控制的效果。果蝇算法属于全局优化算法,果蝇是一种广泛存在于温带和热带地区的昆虫,具有优于其他物种的嗅觉和视觉能力.在寻找食物时,果蝇个体先利用自身嗅觉器官嗅到食物的气味,并向周围的果蝇发送气味信息,或者从周围的果蝇接收气味信息;之后果蝇利用其视觉器官,通过比较得出当前群体中收集到最好气味信息的果蝇位置,群体中的其他果蝇均飞向该位置,并继续展开搜寻。傅里叶变换(FT)提出于1807年,它建立了信号时间域与频率域之间变换的关系,是分析和处理平稳信号的有效工具。然而在实际生产生活中应用时,会存在非平稳信号的情况。非平稳信号的频域与时域是相关联的,因此如果单纯通过时域或 ...
【技术保护点】
1.一种基于改进型果蝇算法的主动悬架视觉预瞄控制方法,所述主动悬架视觉预瞄的控制系统包括用于检测车前路面不平度的车前激光雷达(1)、用于对车前激光雷达(1)扫描到的信号进行特征提取、分解并处理的电控单元ECU(2)和用于为车辆悬架提供最优主动力的视觉预瞄算法控制器(3),所述车前激光雷达(1)和视觉预瞄算法控制器(3)均与电控单元ECU(2)相接,其特征在于:所述主动悬架视觉预瞄控制方法包括以下步骤:/n步骤一、所述车前激光雷达(1)扫描车辆前方行驶路面;/n步骤二、所述电控单元ECU(2)对车前激光雷达(1)扫描信号进行分数阶傅里叶变换,得到二维的分数阶傅里叶变换谱;/n步骤三、所述电控单元ECU(2)采用均值滤波、小波滤波及巴特沃兹滤波的复合滤波方法,对分数傅里叶变换谱进行图像增强处理;/n步骤四、所述电控单元ECU(2)对增强后的分数阶傅里叶变换谱图像进行数据聚类,确定聚类数量并分离各聚类数据;/n步骤五、所述电控单元ECU(2)对分离的各聚类数据进行峰值位置和峰值强度统计,筛选有效数据点后对保留数据进行最小二乘法拟合,获得飞行时间、脉宽和幅值;/n步骤六、所述电控单元ECU(2 ...
【技术特征摘要】
1.一种基于改进型果蝇算法的主动悬架视觉预瞄控制方法,所述主动悬架视觉预瞄的控制系统包括用于检测车前路面不平度的车前激光雷达(1)、用于对车前激光雷达(1)扫描到的信号进行特征提取、分解并处理的电控单元ECU(2)和用于为车辆悬架提供最优主动力的视觉预瞄算法控制器(3),所述车前激光雷达(1)和视觉预瞄算法控制器(3)均与电控单元ECU(2)相接,其特征在于:所述主动悬架视觉预瞄控制方法包括以下步骤:
步骤一、所述车前激光雷达(1)扫描车辆前方行驶路面;
步骤二、所述电控单元ECU(2)对车前激光雷达(1)扫描信号进行分数阶傅里叶变换,得到二维的分数阶傅里叶变换谱;
步骤三、所述电控单元ECU(2)采用均值滤波、小波滤波及巴特沃兹滤波的复合滤波方法,对分数傅里叶变换谱进行图像增强处理;
步骤四、所述电控单元ECU(2)对增强后的分数阶傅里叶变换谱图像进行数据聚类,确定聚类数量并分离各聚类数据;
步骤五、所述电控单元ECU(2)对分离的各聚类数据进行峰值位置和峰值强度统计,筛选有效数据点后对保留数据进行最小二乘法拟合,获得飞行时间、脉宽和幅值;
步骤六、所述电控单元ECU(2)根据雷达处理信号中的飞行时间、脉宽和幅值计算行驶车辆的横向位移和纵向位移;
步骤七、所述电控单元ECU(2)通过处理横向位移和纵向位移值,构成特征矩阵,计算当前路面的功率谱密度,确定相应的路面等级;
步骤八、所述电控单元ECU(2)将相应路面等级下的路面不平度系数和相应路面等级下被动悬架的性能指标输入视觉预瞄算法控制器(3)中;
步骤九、所述视觉预瞄算法控制器(3)采用改进型果蝇算法,计算出最优主动力,将最优主动力输入到车辆悬架中,实现主动悬架在不同等级路面下的主动视觉预瞄控制。
2.按照权利要求1所述的一种基于改进型果蝇算法的主动悬架视觉预瞄控制方法,其特征在于:步骤二中所述电控单元ECU(2)对车前激光雷达(1)扫描信号进行分数阶傅里叶变换,得到二维的分数阶傅里叶变换谱的具体步骤为:
步骤201、建立车前激光雷达(1)扫描信号理论模型,所述车前激光雷达(1)扫描信号理论模型为其中,K为高斯成分数量,ak代表第k个高斯成分的幅值,tk代表第k个高斯成分的飞行时间;σk代表第k个高斯成分的脉冲宽度;η(t)表示加性噪声,t为时间域变量;
步骤202、对车前激光雷达(1)扫描信号进行分数阶傅里叶变换,即其中,u代表分数阶傅里叶变换域,Mp(u,t)是FRFT的核函数,表示为:
其中,α为角度参数,p为阶数,α与p的关系为:α=pπ/2,j表示虚数单位,δ(·)为单位冲激函数,cot表示余切函数,csc表示余割函数;
步骤203、得到二维的分数阶傅里叶变换谱;
所述车前激光雷达(1)扫描信号的分数阶傅里叶变换结果为:
其中,
3.按照权利要求1所述的一种基于改进型果蝇算法的主动悬架视觉预瞄控制方法,其特征在于:步骤四中所述电控单元ECU(2)对增强后的分数阶傅里叶变换谱图像进行数据聚类,确定聚类数量并分离各聚类数据的具体步骤为:
步骤401、对增强后的分数阶傅里叶变换谱图像,采用分层阈值滤除无用的噪声点,具体的阈值设为其中和分别是第p阶FRFT结果的噪声均值和标准值;
步骤402、绘制cosα-up图像,其中up=tkcosα,并且绘制图像的up/cosα分布的直方图,其中,tk为飞行时间,up为各聚类数据在不同cosα值或p值下对应的u值;
步骤403、对直方图进行自动聚类操作;
步骤40301、设定一个阈值,直方图中频次大于该阈值的点作为有效数据点保留;
步骤40302、遍历有效数据点,如果当前点的位置与前一点的位置相邻,则当前点列入前一点的相同聚类中;否则,当前点列入新的聚类,前一聚类遍历结束;
步骤40303、遍历下一个点并继续步骤40302直到最后一个点已经确定所属的聚类,至此确定总聚类数;
步骤404、对不同聚类中的数据点在不同cosα下的up进行均值处理得到绘制各聚类的图像。
4.按照权利要求1所述的一种基于改进型果蝇算法的主动悬架视觉预瞄控制方法,其特征在于:步骤五中所述电控单元ECU(2)对分离的各聚类数据进行峰值位置和峰值强度统计,筛选有效数据点后对保留数据进行最小二乘法拟合,获得飞行时间、脉宽和幅值的具体过程为:
获得飞行时间的具体过程为:针对不同类簇的点图,采用最小二乘法用直线拟合,拟合的表达式为最优参数为其中,n为观测数据点总数,xi和yi分别为观测数据点的横坐标和纵坐标,为观测数据点横坐标均值,为观测数据点纵坐标表均值;对各聚类的拟合结果通过公式确定各聚类飞行时间,其中Δt为数据点的单位时间值;
获得脉宽和幅值的具体步骤为:
步骤501、根据提取飞行时间时得到的和对图像增加的分数阶傅里叶谱计算不同p阶的待定峰值强度其中,Imean为均值滤波后的分数阶傅里叶谱,round(·)函数表示将输入数字输出为其最接近的整数;
步骤502、删除伪峰点保留有效的数据点,在p阶处以为中心选择一个局部的邻域,计算该邻域的最大强度为当远远小于时,就作为伪峰点删除,否则就作为有效数据点保留;
步骤503、进一步对有效数据点进行筛选,剔...
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。