基于K-Means和CART回归树的路感模拟方法技术

本发明专利技术公开了基于K

【技术实现步骤摘要】
基于K
‑
Means和CART回归树的路感模拟方法


[0001]本专利技术涉及汽车
，具体涉及一种基于K
‑
Means和CART回归树的路感模拟方法。

技术介绍

[0002]转向路感，又称转向力感、方向盘反馈力矩，是指驾驶员通过方向盘反馈力矩感受到的反向阻力矩。转向力感可以在一定程度上让驾驶员获取到关键的车辆行驶状态和行驶环境信息，从而让驾驶员以最适合当前行驶工况的方式进行决策，从而保证行驶安全。目前，主要的路感建模方法是使用机理建模方法，这种方法需要调节的参数众多，且难以达到较高精度。
[0003]公开号为CN110606121A、名称为“一种线控转向路感模拟控制方法”的中国专利涉及一种方向盘反馈力的控制系统，通过动力学构建转向负载模型计算转向阻力矩，属于机理建模，需要调节的参数众多，精度难以保证。

技术实现思路

[0004]为了解决上述技术问题，本专利技术的目的在于提供一种基于K
‑
Means和CART回归树的路感模拟方法，以实车试验数据和K
‑
Means算法和CART回归树算法，得到基于K
‑
Means和CART回归树的路感模拟模型，解决传统机理建模存在的模型结构复杂、精度不高等问题。
[0005]为了达到上述目的，本专利技术提供一种基于K
‑
Means和CART回归树的路感模拟方法，包括以下步骤：
[0006]步骤一、进行实车路采试验并采集数据：选取驾驶员进行实车试验，车辆在试验道路中行驶，采集的试验数据包括车辆纵向速度、车辆横向加速度、车辆横摆角速度、车辆垂向载荷、方向盘转角、方向盘角速度和方向盘力矩；
[0007]步骤二、试验数据预处理：对试验数据去除异常点后进行归一化处理，得到归一化试验数据集；
[0008]步骤三、使用K
‑
Means进行归一化试验数据聚类：使用K
‑
Means聚类算法对归一化试验数据进行聚类，聚类后得到多个聚类中心及相应的多个数据类；
[0009]步骤四、划分训练数据集和测试数据集：将聚类后的归一化试验数据划分为聚类后训练数据集和聚类后测试数据集；
[0010]步骤五、训练基于K
‑
Means和CART回归树的路感模型：使用聚类后训练数据集和CART回归树算法训练基于K
‑
Means和CART回归树的路感模拟模型时，CART回归树模型的输入变量为车辆纵向速度、车辆横向加速度、车辆横摆角速度、车辆垂向载荷、方向盘转角、方向盘角速度，输出变量为方向盘力矩，训练得到与数据类相同数量的基于K
‑
Means和CART回归树的路感模拟模型；
[0011]步骤六、测试基于K
‑
Means和CART回归树的路感模型；使用聚类后测试数据集测试得到的基于K
‑
Means和CART回归树的路感模拟模型；
[0012]步骤七、判断模型是否可接受；若模型可接受则建模成功，否则重新进行实车路采试验试验；
[0013]步骤八、根据所得的基于K
‑
Means和CART回归树的路感模拟模型进行路感模拟。
[0014]进一步地，在步骤一的实车试验中：
[0015]试验道路类型包括城市道路、高速道路、市郊道路和乡村公路；
[0016]车辆行驶工况包括上坡、下坡、直行、倒车、转弯和原地转向工况。
[0017]进一步地，在步骤二中，被去除的异常点包括超出正常取值范围的数据点、分布严重偏离的数据点和变化幅度超出正常范围的数据点。
[0018]所述超出正常取值范围的数据点定义为：某一次实车试验中采集的某个数据点，其中一个或多个变量的数值超出该次实车试验对应变量的实际正常取值范围。如，某次试验中，最高车辆纵向速度仅为90km/h，则该次试验所采数据集中，车辆纵向速度值大于90km/h的数据点均为超出范围的点。再如，某次试验中，方向盘转角范围为[
‑
100
°
,100
°
]，则该次试验所采数据集中，方向盘转角值超出[
‑
100
°
,100
°
]的均为超出正常范围的点。
[0019]所述分布严重偏离的数据点定义为：计算某一次实车试验中所采集试验数据的各个变量的标准差，若某个数据点的其中一个或几个变量的数值大于对应变量的标准差的3.5倍或小于对应变量的标准差的负3.5倍，则为分布严重偏离的数据点。
[0020]所述变化幅度超出正常范围的数据点的定义为：预设各个变量在正常情况下的最大瞬间变化幅值，若实际试验数据集中，某个数据点的其中一个或几个变量数值相对于前一个数据点的对应变量数值的差值绝对值大于相关变量的最大瞬间变化幅值，则为变化幅度超出正常范围的点。如，进行使用小型乘用车进行高速驾驶试验时，专家确认方向盘力矩的最大瞬间变化幅值为0.5N，则方向盘力矩值与前一数据点之间的差值绝对值大于0.5N的数据点均为变化幅度超出正常范围的点。
[0021]进一步地，在步骤二中，对试验数据按照下式进行归一化处理，得到归一化试验数据：
[0022][0023]式中，i为数据编号，j为变量编号，x
i,j
表示未归一化的第i组数据中的第j个变量，X
j
表示所有j对应的变量数据值组成的集合，min表示去除异常点后，试验数据中相关变量的最小值，max表示去除异常点后，试验数据中相关变量的最大值。
[0024]优选地，在步骤三中，使用K
‑
Means聚类算法对归一化试验数据进行聚类时，聚类个数设置为4个，聚类后得到4个聚类中心，根据4个聚类中心坐标将归一化试验数据分为4个数据类。采用K均值聚类算法进行试验数据聚类的具体步骤包括：
[0025]1)设置所需划分的聚类个数K＝4；
[0026]2)使用K均值聚类算法对归一化后试验数据进行聚类，得到K＝4个类别中心点；
[0027]3)计算某个新输入的数据点与K＝4个类别中心点的欧式距离，最小的欧氏距离值对应的中心点所属类型即为新输入的数据点所属的类型。
[0028]优选地，在步骤四中，划分训练数据集和测试数据集时，从归一化试验数据集中随机选择一定数量比例的数据点作为训练数据集、其它均作为测试数据集；
[0029]将聚类后的训练数据集称为聚类后训练数据集；将聚类后的测试数据集称为聚类
后测试数据聚集。
[0030]优选地，在步骤五中，训练基于K
‑
Means和CART回归树的路感模拟模型时，具体步骤为：
[0031]将CART回归树模型表示为：
[0032][0033]其中，f(x)为CART回归树函数，m为大于1的正整数，I为单位矩阵，x为输入变量；数据空间被划分成了R1～R
m本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于K
‑
Means和CART回归树的路感模拟方法，其特征在于，包括以下步骤：步骤一、进行实车路采试验并采集数据：选取驾驶员进行实车试验，车辆在试验道路中行驶，采集的试验数据包括车辆纵向速度、车辆横向加速度、车辆横摆角速度、车辆垂向载荷、方向盘转角、方向盘角速度和方向盘力矩；步骤二、试验数据预处理：对试验数据去除异常点后进行归一化处理，得到归一化试验数据集；步骤三、使用K
‑
Means进行归一化试验数据聚类：使用K
‑
Means聚类算法对归一化试验数据进行聚类，聚类后得到多个聚类中心及相应的多个数据类；步骤四、划分训练数据集和测试数据集：将聚类后的归一化试验数据划分为聚类后训练数据集和聚类后测试数据集；步骤五、训练基于K
‑
Means和CART回归树的路感模型：使用聚类后训练数据集和CART回归树算法训练基于K
‑
Means和CART回归树的路感模拟模型时，CART回归树模型的输入变量为车辆纵向速度、车辆横向加速度、车辆横摆角速度、车辆垂向载荷、方向盘转角、方向盘角速度，输出变量为方向盘力矩，训练得到与数据类相同数量的基于K
‑
Means和CART回归树的路感模拟模型；步骤六、测试基于K
‑
Means和CART回归树的路感模型；使用聚类后测试数据集测试得到的基于K
‑
Means和CART回归树的路感模拟模型；步骤七、判断模型是否可接受；若模型可接受则建模成功，否则重新进行实车路采试验试验；步骤八、根据所得的基于K
‑
Means和CART回归树的路感模拟模型进行路感模拟。2.根据权利要求1所述基于K
‑
Means和CART回归树的路感模拟方法，其特征在于，其特征在于，在步骤一的实车试验中：试验道路类型包括城市道路、高速道路、市郊道路和乡村公路；车辆行驶工况包括上坡、下坡、直行、倒车、转弯和原地转向工况。3.根据权利要求1所述基于K
‑
Means和CART回归树的路感模拟方法，其特征在于，在步骤二中，被去除的异常点包括超出正常取值范围的数据点、分布严重偏离的数据点和变化幅度超出正常范围的数据点。4.根据权利要求1所述的基于K
‑
Means和CART回归树的路感模拟方法，其特征在于，在步骤二中，对试验数据按照下式进行归一化处理：式中，i为数据编号，j为变量编号，x
i,j
表示未归一化的第i组数据中的第j个变量，X
j
表示所有j对应的变量数据值组成的集合，min表示去除异常点后，试验数据中相关变量的最小值，max表示去除异常点后，试验数据中相关变量的最大值。5.根据权利要求1所述基于K
‑
Means和CART回归树的路感模拟方法，其特征在于，在步骤四中，划分训练数据集和测试数据集时，从归一化试验数据集中随机选择一定数量比例的数据点作为训练数据集、其它均作为测试数据集；将聚类后的训练数据集称为聚类后训练数据集；将聚类后的测试数据集称为聚类后测
试数据聚集。6.根据权利要求1
‑
5中任意一项所述基于K
‑
Means和CART回归树的路感模拟方法，其特征在于，在步...

【专利技术属性】
技术研发人员：赵蕊，蔡锦康，邓伟文，丁娟，
申请(专利权)人：浙江天行健智能科技有限公司，
类型：发明
国别省市：