一种基于数据驱动车辆动力学模型的智能车辆轨迹跟踪控制方法技术

本发明专利技术公开了一种基于数据驱动车辆动力学模型的智能车辆轨迹跟踪控制方法，在模型训练学习中，通过虚拟高保真度车辆试验及实际无人驾驶车辆试验分别获取车辆动力学数据集，基于时滞反馈的思想及神经网络非线性建模原理，设计神经网络车辆动力学模型，利用所得到的车辆动力学数据集对模型进行两阶段的训练学习。在基于模型的控制中，结束两阶段学习后，提取所得到的神经网络车辆动力学模型的权重参数，以进行后续轨迹跟踪控制算法中的前向计算。基于无人驾驶车辆稳态转弯假设，利用学习到的神经网络车辆动力学模型得到前馈前轮转角和前馈稳态质心侧偏角，将车辆前馈稳态质心侧偏角纳入基于路径的转向反馈控制，实现参考轨迹的跟踪控制。跟踪控制。跟踪控制。

【技术实现步骤摘要】
一种基于数据驱动车辆动力学模型的智能车辆轨迹跟踪控制方法


[0001]本专利技术属于智能车辆动力学控制领域，尤其是涉及了一种基于数据驱动技术的车辆动力学预测模型的轨迹跟踪控制方法。

技术介绍

[0002]随着驾驶员对车辆的安全性、机动性和乘坐舒适性要求的不断提高和控制理论的日益成熟，汽车智能化技术研究受到广泛关注。无人驾驶汽车的基于车辆动力学模型的控制技术可以实现更好的道路利用率和更高的安全性，但也需要适应各种复杂行驶环境，例如可以在不同路面附着系数、曲率变化的道路上行驶，或在紧急工况下实现安全稳定的紧急避障操作。
[0003]现阶段大多控制方法都是通过基于物理推导的车辆动态数学模型计算出如车辆横摆角速度等描述车辆运动的物理量，然后设计反馈控制系统以进行跟踪。但基于物理推导的车辆动态数学模型通常在建模时进行了一定的理想化假设来简化车辆模型，这就导致无法准确计算出车辆在行驶过程中的真实动力学响应，特别是在极限工况下，车辆系统和相关子系统会表现出高度非线性和强耦合特征。此外，基于模型的轨迹跟踪控制方法通常受模型参数摄动、不确定性干扰、时滞以本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据驱动车辆动力学模型的智能车辆轨迹跟踪控制方法，其特征在于，包括模型设计及训练方法和基于模型的轨迹跟踪控制方法；所述模型设计及训练方法：通过虚拟高保真度车辆试验及实际无人驾驶车辆试验分别获取车辆动力学数据集，基于时滞反馈的思想及长短时记忆神经网络原理，设计神经网络车辆动力学模型，利用所得到的车辆动力学数据集对模型进行两阶段的训练学习；所述基于模型的轨迹跟踪控制方法：结束两阶段训练学习后，提取所得到的神经网络车辆动力学模型的权重参数，以进行后续轨迹跟踪控制算法中的前向计算，基于无人驾驶车辆稳态转弯假设，利用学习到的神经网络车辆动力学模型得到前馈前轮转角和前馈稳态质心侧偏角，将车辆前馈稳态质心侧偏角纳入基于路径的转向反馈控制，实现参考轨迹的跟踪控制。2.根据权利要求1所述的一种基于数据驱动车辆动力学模型的智能车辆轨迹跟踪控制方法，其特征在于，模型设计采用神经网络车辆动力学模型，具体采用的结构为：第一层为输入层，输入层有7个特征输入，分别是横摆角速度r，横向速度U
y
，纵向速度U
x
，前轮转角δ，车辆纵向力F
x
和网络模型的输出经过延时反馈进而成为输入信息的横摆角速度和横向速度的导数输出值每个输入特征的数据共包含了4个时步的车辆动力学信息，第二层为LSTM1网络层，隐藏层设计具有64个隐藏单元，第三层为激活层，激活函数选择为Relu函数，第四层为FC1全连接层，隐藏层设计具有64个隐藏单元，第四层为LSTM2网络层，隐藏层设计具有64个隐藏单元，且只输出最后一个LSTM
‑
CELL计算过后的的信息，第五层为FC2输出回归全连接层，隐藏层设计具有2个隐藏单元；该模型通过在输入数据中包含带有4个时步状态的车辆控制与状态信息，特别是在状态的输入数据中包括了时延反馈的状态输出参数，进而预测当前的车辆横摆角速度和横向速度的导数。3.根据权利要求2所述的一种基于数据驱动车辆动力学模型的智能车辆轨迹跟踪控制方法，其特征在于，所述神经网络车辆动力学模型的前向计算方法如下所示：h＝{x
t
,
…
,x
t
‑
T
}a_l＝max(0,z1)))))
其中，x
t
代表单个时步中的延时反馈状态输出、控制及状态输入信息，h表示包含了多个历史时步信息的x
t
数据。；W
lstm{1,2}
∈(w
i
,w
f
,w
g
,w
o
),b
lstm{1，2}
∈(b
i
,b
f
,b
g
,b
o
)，表示2个LSTM网络层学习到的网络权重及偏置参数，w
i
,w
f
,w
g
,w
o
,b
i
,b
f
,b
g
,b
o
分别表示为LSTM网络中输入门层、遗忘门层、Tanh层、输出门层的权重矩阵及输入门层、遗忘门层、Tanh层、输出门层的偏置矩阵，为2个全连接层权重转置矩阵，b
FC1
,b
FC2
为2个全连接层的偏置矩阵；其中在网络模型的方程中，F
lstm
是LSTM网络模型的缩写，a_l代表激活层，z
i
,i＝1,2,3代表不同网络层的加权输出，网络的预测输出和定义为：和其中Δt＝10ms为信号的采样频率。4.根据权利要求2或3所述的一种基于数据驱动车辆动力学模型的智能车辆轨迹跟踪控制方法，其特征在于，所述模型的训练学习方法包括两个阶段：第一阶段使用车辆动力学虚拟数据集进行学习，得到预训练模型，并测试虚拟数据测试集的总体误差；第二阶段利用车辆动力学真实数据集进行模型权重优化；网络训练具体如下：Loss函数选择为均方误差MSE，优化器选择为Adam，batch size设置为1000，学习率设置为0.0001，基于Pytorch的学习框架对网络模型进行学习训练，优化训练算法如下所示：所示：其中，r,U
y
，均方误差MSE计算方式具体如下：利用得到网络的预测车辆横摆角速度和横向速度的导数输出值实际车辆横摆角速度和横向速度测量值r,U
y
进行时间步长Δt＝10ms的欧拉积分计算，得到网络预测的下一时步的车辆横摆角速度和横向速度的预测值将预测得到的和标签真值r,U
y
计算均方误差，其中N为样本总数；训练完成后进行模型权重参数提取，所得到的权重参数用于前向计算，得到无人驾驶车辆的基于时滞反馈神经网络的车辆动力学预测模型。5.根据权利要求4所述的一种基于数据驱动车辆动力学模型的智能车辆轨迹跟踪控制方法，其特征在于，所述虚拟数据集的获取方法如下：设置CarSim高保真车辆动力学仿真软件中的车辆参数，如选择车型级别、车身长度、宽度、高度、轴距、最小离地间隙、整备质量、整车转动惯量等，在Matlab/Simulink中建立数据...

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