【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 ...
【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
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。