基于相空间重构的自动驾驶汽车深度神经网络预测模型系统及建立方法技术方案

本发明专利技术公开了基于相空间重构的自动驾驶汽车深度神经网络预测模型系统及建立方法。在平面单轨模型PSTM的基础上建立历史序列输入和未来序列输出的车辆动力学相空间重构模型VDPSRM，再建立用于收集和存储真实车辆驾驶数据的获取和存储模块RVDDM，使用虚假最近邻计算模块FNNCM计算各典型驾驶工况下驾驶数据序列随延时的虚假最近邻，求取车辆动力学相空间重构模型中的嵌入维数m和每个时步的延迟时间τ，使用平均互信息计算模块AMICM计算各典型驾驶工况下驾驶数据序列的延时互信息，求取车辆动力学相空间重构模型中的预测维数n，构造深度神经网络模块DNNM学习相空间重构模型的重构映射G

【技术实现步骤摘要】
基于相空间重构的自动驾驶汽车深度神经网络预测模型系统及建立方法
本专利技术涉及自动驾驶汽车应用
，尤其涉及一种基于相空间重构的自动驾驶汽车深度神经网络预测模型系统及建立方法。
技术介绍
自动驾驶汽车是计算机、自动化和人工智能互相交叉结合的高新科技产品，有望能够像人类驾驶员一样熟练和安全驾驶，这将减少对人类驾驶员的需求，并显著降低移动成本。自动驾驶汽车需要适应各种复杂的条件，包括在湿滑、低摩擦路面上的行驶，在曲折多变的道路上行驶，或在必要时进行紧急避障操作，以满足稳定、安全和舒适等多种需求。自动驾驶汽车是机器人驾驶员和车辆的结合体，它应该具有有人驾驶汽车相似的运动特性，以增强普通驾驶员把它作为道路上伙伴的信心。人类安全驾驶的重要原因在于基于车辆当前的运行状态，对未来状态有良好的预测能力，自动驾驶汽车同样需要具有相似的特征，这就要求建立自动驾驶汽车预测模型。预测模型的建立将使规划和控制紧密结合，从而进一步提高自动驾驶汽车的整体性能。然而车辆动力学存在延时效应和时间依赖性，其中延时效应存在于输入变量和输出变量之间以及输入变量的各参数之间，时间依赖性则表现为输入和输出变量时序数据的联系性，在它们共同作用下，产生了相空间扭曲效应，而且这种效应随着车辆运动非线性程度的增加而加强。如何在相空间扭曲效应下建立自动驾驶汽车预测模型，成为当前亟需解决的重要难题。
技术实现思路
为解决上述技术问题，本专利技术提供一种基于相空间重构的自动驾驶汽车深度神经网络预测模型系统及建立方法，首先基于相空间重构理论，建立历史序列信息输入和未来序列信息输出的车辆动力学相空间重构模型；接着收集和存储包括典型驾驶工况和典型道路情况的真实车辆驾驶数据，所述的典型驾驶工况包括：直线行驶、弯道行驶、环形行驶、S形行驶和紧急避障行驶，所述的典型道路情况包括：高摩擦路面和低摩擦路面；然后使用平均互信息方法计算典型驾驶工况下驾驶数据序列的延时互信息，选取车辆动力学相空间重构模型中的预测维数；再使用虚假最近邻方法计算各典型驾驶工况下驾驶数据序列随嵌入维数变化的虚假最近邻，选取车辆动力学相空间重构模型中的嵌入维数和每个时步的延迟时间；最后，基于以上选取的预测维数、嵌入维数、每个时步的延迟时间共3个参数，构造深度神经网络学习车辆动力学相空间重构模型的映射关系，并进行深度神经网络学习效果的测试和验证。本专利技术基于相空间重构的自动驾驶汽车深度神经网络预测模型系统的技术方案是：包括车辆动力学相空间重构模型VDPSRM，真实车辆驾驶数据收集和存储模块RVDDM，虚假邻近点计算模块FNNCM，平均互信息计算模块AMICM，深度神经网络模块DNNM。所述车辆动力学相空间重构模型VDPSRM，是在平面单轨模型PSTM的基础上，在相空间重构理论框架下建立的理论模型，用于指导自动驾驶汽车深度神经网络预测模型的建立，包括重构的输入相空间、重构的输出相空间和重构映射，还包括下列重构参数：嵌入维数m、预测维数n、每个时步的延迟时间τ。所述平面单轨模型PSTM:式(1)是一个非线性耦合模型，包括的参数有：前轮到质心距离a、后轮到质心距离b、转动惯量Iz、质量m、前轮转角δ、纵向速度Ux、横向速度Uy、横摆角速度r；前轮横向力Fyf、前轮纵向力Fxf、后轮横向力Fyr、横摆角速度的导数横向速度的导数式(1)可以简化为车辆动力学映射的方式：式(2)中，fbike代表车辆动力学映射，Xt是t时刻车辆模型的输入，(Cf,Cr,μ)是轮胎参数，其中Cf是前轮侧偏刚度，Cr是后轮侧偏刚度，μ是轮胎地面附着系数。引入相空间重构参数，在式(2)的基础上建立车辆动力学相空间重构模型VDPSRM：式(3)中，{(Xt,Yt-τ),(Xt-τ,Yt-2τ),…,(Xt-(m-1)τ,Yt-mτ)}是重构的输入相空间，(Yt,Yt+τ,Yt+2τ,…,Yt+nτ)是重构的输出相空间，Grec是重构映射。所述真实车辆驾驶数据和存储模块RVDDM，包括轮胎六分力测量系统、S-Motion传感器、方向盘转角传感器和驾驶数据记录仪，收集并存储前轮纵向力Fxf、横摆角速度r、横向速度uy，纵向速度ux、车辆转向角δ的时间序列数据，用于收集和存储包括典型道路情况下的典型驾驶工况数据，所述典型道路情况包括：高摩擦路面和低摩擦路面，所述典型驾驶工况包括：直线行驶、弯道行驶、环形行驶、S形行驶和紧急避障行驶。所述虚假邻近点计算模块FNNCM，用于选择最小的嵌入维数m和每个时步的延迟时间τ，在m维相空间中，一维时间序列的坐标向量y(t)和r阶最近邻y(r)(t)的欧式距离的平方：式(6)中，x(t+kτ)是坐标向量y(t)的k+1个元素，x(r)(t+kτ)是r阶最近邻y(r)(t)的k+1个元素。当增加到在m+1维相空间，欧式距离的平方变为：当一维时间序列在m维相空间中尚未进行合适的嵌入时，坐标向量y(t)和r阶最近邻的欧式距离高于阈值Rtol，二者称为虚假最近邻；当一维时间序列在m维相空间中进行合适的嵌入时，欧式距离低于阈值Rtol，m即为最小嵌入维数，同时获取对应的每个时步的延迟时间τ。对于N维时间序列，欧式距离平方的计算如下：式(8)中，xi(t+kτ)是第i维时间序列的坐标向量的k+1个元素，是第i维时间序列的r阶最近邻的k+1个元素。当N维时间序列在m维相空间中尚未进行合适的嵌入时，欧式距离高于阈值Rtol，二者称为虚假最近邻；当N维时间序列在m维相空间中进行合适的嵌入时，欧式距离低于阈值Rtol，m即为最小嵌入维数，同时获取对应的每个时步的延迟时间τ。所述平均互信息计算模块AMICM，用于计算原始的时间序列和经过平移的时间序列之间的互信息。原始的第i时间序列xi(t)和经过平移的第i时间序列xi(t-τi)的互信息I(xi(t),xi(t-τi))：式(4)中，pjk(τi)是联合概率分布，pj和pk是边缘概率分布，τi是第i时间序列的延迟时间。则N维时间序列的平均互信息：当平均互信息IAMICM低于阈值1/e(e为自然常数)时，对应的平均延迟时间除以每个时步的延迟时间τ即为预测维数n。所述深度神经网络模块DNNM，用于实现重构的输入相空间到重构的输出相空间的重构映射。所述深度神经网络模块DNNM通过下式所描述神经元的组合结构来学习驾驶数据的输入输出关系，从而实现重构映射关系：式(10)中，Xt是神经网络单元的输入向量，ht是输出向量，ct是记忆状态向量，ft、it和ot分别为遗忘门、输入门和输出门的激活向量，σc、σg和σh为对应的激活函数，W和U是权重矩阵，b是偏置向量，*是向量乘法运算。本专利技术提出了一种基于相空间重构的自动驾驶汽车深度神经网络预测模型的建立方法采用的技术方案包括如下步骤：步骤1)对自动驾驶汽车进行简化等效，得到平面单轨模型PSTM；步本文档来自技高网...

【技术保护点】
1.一种基于相空间重构的自动驾驶汽车深度神经网络预测模型系统，其特征在于，包括车辆动力学相空间重构模型VDPSRM，真实车辆驾驶数据收集和存储模块RVDDM，虚假邻近点计算模块FNNCM，平均互信息计算模块AMICM，深度神经网络模块DNNM；/n所述车辆动力学相空间重构模型VDPSRM，是在平面单轨模型PSTM的基础上，在相空间重构理论框架下建立的理论模型，用于指导自动驾驶汽车深度神经网络预测模型的建立；/n所述真实车辆驾驶数据和存储模块RVDDM用于收集和存储包括典型道路情况下的典型驾驶工况数据，该模块包括轮胎六分力测量系统、S-Motion传感器、方向盘转角传感器和驾驶数据记录仪，收集并存储前轮纵向力F

【技术特征摘要】
1.一种基于相空间重构的自动驾驶汽车深度神经网络预测模型系统，其特征在于，包括车辆动力学相空间重构模型VDPSRM，真实车辆驾驶数据收集和存储模块RVDDM，虚假邻近点计算模块FNNCM，平均互信息计算模块AMICM，深度神经网络模块DNNM；
所述车辆动力学相空间重构模型VDPSRM，是在平面单轨模型PSTM的基础上，在相空间重构理论框架下建立的理论模型，用于指导自动驾驶汽车深度神经网络预测模型的建立；
所述真实车辆驾驶数据和存储模块RVDDM用于收集和存储包括典型道路情况下的典型驾驶工况数据，该模块包括轮胎六分力测量系统、S-Motion传感器、方向盘转角传感器和驾驶数据记录仪，收集并存储前轮纵向力Fxf、横摆角速度r、横向速度uy，纵向速度ux、车辆转向角δ的时间序列数据，并将数据送到平均互信息计算模块AMICM、虚假邻近点计算模块FNNCM和深度神经网络模块DNNM；
所述虚假邻近点计算模块FNNCM，用于选择最小的嵌入维数m和每个时步的延迟时间τ；
所述平均互信息计算模块AMICM，用于计算原始的时间序列和经过平移的时间序列之间的互信息；
所述深度神经网络模块DNNM，用于实现重构的输入相空间到重构的输出相空间的重构映射。


2.根据权利要求1所述的一种基于相空间重构的自动驾驶汽车深度神经网络预测模型系统，其特征在于，所述平面单轨模型PSTM为如下的非线性耦合模型：



其中的参数：前轮到质心距离a、后轮到质心距离b、转动惯量Iz、质量m、前轮转角δ、纵向速度Ux、横向速度Uy、横摆角速度r；前轮横向力Fyf、前轮纵向力Fxf、后轮横向力Fyr、横摆角速度的导数横向速度的导数
所述平面单轨模型PSTM简化为车辆动力学映射模型：



式(2)中，fbike代表车辆动力学映射，Xt是t时刻车辆模型的输入，(Cf，Cr，μ)是轮胎参数，其中Cf是前轮侧偏刚度，Cr是后轮侧偏刚度，μ是轮胎地面附着系数。


3.根据权利要求2所述的一种基于相空间重构的自动驾驶汽车深度神经网络预测模型系统，其特征在于，所述车辆动力学相空间重构模型VDPSRM包括重构的输入相空间、重构的输出相空间和重构映射，还包括下列重构参数：嵌入维数m、预测维数n、每个时步的延迟时间τ；
该模型是由引入相空间重构参数，在式(2)的基础上建立的车辆动力学相空间重构模型VDPSRM：



式(3)中，{(Xt，Yt-τ)，(Xt-τ，Yt-2τ)，…，(Xt-(m-1)τ，Yt-mτ)}是重构的输入相空间，(Yt，Yt+τ，Yt+2τ，…，Yt+nτ)是重构的输出相空间，Grec是重构映射。


4.根据权利要求1所述的一种基于相空间重构的自动驾驶汽车深度神经网络预测模型系统，其特征在于，所述典型道路情况包括：高摩擦路面和低摩擦路面，所述典型驾驶工况包括：直线行驶、弯道行驶、环形行驶、S形行驶和紧急避障行驶。


5.根据权利要求1所述的一种基于相空间重构的自动驾驶汽车深度神经网络预测模型系统，其特征在于，所述虚假邻近点计算模块FNNCM的设计具体如下：
在m维相空间中，一维时间序列的坐标向量y(t)和r阶最近邻y(r)(t)的欧式距离的平方如下：



式(4)中，x(t+kτ)是坐标向量y(t)的k+1个元素，x(r)(t+kτ)是r阶最近邻y(r)(t)的k+1个元素。
当增加到在m+1维相空间，欧式距离的平方变为：



当一维时间序列在m维相空间中尚未进行合适的嵌入时，坐标向量y(t)和r阶最近邻y(r)(t)的欧式距离高于阈值Rtol，二者称为虚假最近邻；当一维时间序列在m维相空间中进行合适的嵌入时，欧式距离低于阈值Rtol，m即为最小嵌入维数，同时获取对应的每个时步的延迟时间τ。
对于N维时间序列，欧式距离平方的计算如下：






式(6)中，xi(t+kτ)是第i维时间序列的坐标向量的k+1个元素，是第i维时间序列的r阶最近邻的k+1个元素。
当N维时间序列在m维相空间中尚未进行合适的嵌入时，欧式距离高于阈值Rtol，二者称为虚假最近邻；当N维时间序列在m维相空间中进行合适的嵌入时，欧式距离低于阈值Rtol，m即为最小嵌入维数，同时获取对应的每个时步的延迟时间τ。


6.根据权利要求1所述的一种基于相空间重构的自动驾驶汽车深度神经网络预测模型系统，其特征在于，所述平均互信息计算模块AMICM的设计具体如下...

【专利技术属性】
技术研发人员：蔡英凤，滕成龙，陈龙，王海，孙晓东，熊晓夏，孙晓强，
申请(专利权)人：江苏大学，
类型：发明
国别省市：江苏;32