极限工况下的车辆自动换挡控制方法、系统、介质及设备技术方案

本发明专利技术涉及一种极限工况下的车辆自动换挡控制方法、系统、介质及设备，其包括：获取初始训练数据集，从所述初始训练数据集中进行N次随机有放回的抽取样本构成N个子数据集；以双向长短期记忆网络作为基于引导聚集算法的基学习器，将N个所述子数据集分别输入双向长短期记忆网络模型进行预测，并对所述双向长短期记忆网络模型进行优化，得到N个预测输出值；将N个预测输出值输入组合策略中，将N个预测输出值进行取平均值处理得到强学习器，预测得到当前运动状态车辆的下一时刻最佳挡位。本发明专利技术能基于当前极限工况下的车辆状态准确地预测下一时刻的车辆最佳挡位，使自动驾驶车辆拥有职业车手的高水平驾驶能力。职业车手的高水平驾驶能力。职业车手的高水平驾驶能力。

【技术实现步骤摘要】
极限工况下的车辆自动换挡控制方法、系统、介质及设备


[0001]本专利技术涉及一种车辆控制
，特别是关于一种极限工况下的车辆自动换挡控制方法、系统、介质及设备。

技术介绍

[0002]换挡策略是目前车辆控制技术的核心技术之一，指的是车辆在行驶过程中的挡位随所选参数变化的规律，其合理性将直接影响车辆的动力性、舒适性和燃油经济性等性能。
[0003]何时换挡随着换挡目的的不同而变化，不同的换挡目的要求的操作技术是不一样的。日常生活中，装配自动变速器的车辆的换档操作一般出于节约燃油的目的，使自动变速器能够以最经济的换挡点进行换挡操作。但在专业赛车比赛场景中，所有的设定都是为了车辆的操控和速度而非燃油经济性，传统的自动变速器无法超越现在顶级车手的意识和极限工况的操作要求，因此仍然选择应用手动挡。
[0004]目前，极限工况下的自动换挡控制方法仍处于研究的空白领域，自动换挡控制方法研究的核心在于如何研究专业驾驶员的换挡操作本质，探索极限工况下车辆的自动换挡控制方法，使自动驾驶车辆拥有职业车手的高水平驾驶能力。

技术实现思路

[0005]针对上述问题，本专利技术的目的是提供一种极限工况下的车辆自动换挡控制方法、系统、介质及设备，其能基于当前极限工况下的车辆状态准确地预测下一时刻的车辆最佳挡位，使自动驾驶车辆拥有职业车手的高水平驾驶能力。
[0006]为实现上述目的，本专利技术采取以下技术方案：一种极限工况下的车辆自动换挡控制方法，其包括：获取初始训练数据集，从所述初始训练数据集中进行N次随机有放回的抽取样本构成N个子数据集；以双向长短期记忆网络作为基于引导聚集算法的基学习器，将N个所述子数据集分别输入双向长短期记忆网络模型进行预测，并对所述双向长短期记忆网络模型进行优化，得到N个预测输出值；将N个预测输出值输入组合策略中，将N个预测输出值进行取平均值处理得到强学习器，预测得到当前运动状态车辆的下一时刻最佳挡位。
[0007]进一步，所述获取初始训练数据集，包括：车辆总速度、前轮转角、驱动踏板行程、制动踏板行程、发动机转速以及当前挡位。
[0008]进一步，所述将N个所述子数据集分别输入双向长短期记忆网络模型进行预测，包括：将预测过程分为前向预测与后向预测两个方向，两个方向预测为独立进行计算、无交互，各自更新状态和产生输出；所述两个方向的隐藏层状态共同决定输出结果。
[0009]进一步，所述隐藏层状态，是前向隐藏层状态和后向隐藏层状态的叠加，包括：
[0010]将车辆某一时刻的基本参数作为输入；
[0011]将所述该时刻基本参数对应部件的权重矩阵和偏置向量进行叠加，采用Sigmoid激活函数计算得到该时刻的单向遗忘门输出、输入门输出和输出门输出；
[0012]更新所述遗忘门输出、所述输入门输出和所述输出门输出，根据更新结果，采用双
曲正切函数，得到该时刻的单向内部状态；
[0013]根据所述单向内部状态和所述更新的输出门输出，采用双曲正切函数，得到该时刻的单向隐藏层状态；
[0014]所述单向隐藏层状态分为所述前向隐藏层状态和所述后向隐藏层状态，将所述两个隐藏层状态进行叠加，得到该时刻的所述隐藏层状态。
[0015]进一步，所述双向长短期记忆网络模型采用损失函数作为目标函数，通过不断迭代得到最优解。
[0016]进一步，采用灰狼粒子群算法对所述双向长短期记忆网络模型进行优化，包括：
[0017]在取值范围内随机生成一系列粒子群位置，初始化速度，并给定最大迭代次数，种群数量，学习率和惯性因数；
[0018]计算各粒子的适应度，确定粒子最优值和种群最优值，保存适应度函数最小的三个粒子位置，分别记作α狼、β狼、δ狼的初始位置；
[0019]更新狼群位置及α狼、β狼、δ狼的位置，并重新计算粒子位置，更新粒子个体最优值和种群最优值；
[0020]根据粒子群算法预测结果确定最优粒子位置。
[0021]进一步，所述根据粒子群算法预测结果确定最优粒子位置，包括：若所述预测结果的均方根误差低于预先设定的水平或到达最大迭代次数，则输出种群最优值，反之，则重新计算各粒子的适应度。
[0022]一种极限工况下的车辆自动换挡控制系统，其包括：数据集获取模块，获取初始训练数据集，从所述初始训练数据集中进行N次随机有放回的抽取样本构成N个子数据集；预测模块，以双向长短期记忆网络作为基于引导聚集算法的基学习器，将N个所述子数据集分别输入双向长短期记忆网络模型进行预测，并对所述双向长短期记忆网络模型进行优化，得到N个预测输出值；输出模块，将N个预测输出值输入组合策略中，将N个预测输出值进行取平均值处理得到强学习器，预测得到当前运动状态车辆的下一时刻最佳挡位。
[0023]一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行上述方法中的任一方法。
[0024]一种计算设备，其包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行上述方法中的任一方法的指令。
[0025]本专利技术由于采取以上技术方案，其具有以下优点：
[0026]本专利技术提供的极限工况下的自动换挡控制，可以更好地发掘车辆的动力潜能，对于最大限度地扩展自动驾驶车辆的应用场景及动力学控制边界具有重要意义。
附图说明
[0027]图1是本专利技术一实施例中的基于Bagging算法的双向LSTM神经网络模型；
[0028]图2是本专利技术一实施例中的LSTM网络循环单元结构图；
[0029]图3是本专利技术一实施例中的Bi
‑
LSTM神经网络结构；
[0030]图4是本专利技术一实施例中的灰狼粒子群算法优化网络超参数流程；
[0031]图5是本专利技术一实施例中的Bi
‑
LSTM网络训练结果；
[0032]图6是本专利技术一实施例中的真实挡位与预测挡位对比图；
[0033]图7是本专利技术一实施例中的计算设备结构示意图。
具体实施方式
[0034]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例的附图，对本专利技术实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本专利技术的一部分实施例，而不是全部的实施例。基于所描述的本专利技术的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本专利技术保护的范围。
[0035]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0036]本专利技术提供的极限工况下的车辆自动换挡控制方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种极限工况下的车辆自动换挡控制方法，其特征在于，包括：获取初始训练数据集，从所述初始训练数据集中进行N次随机有放回的抽取样本构成N个子数据集；以双向长短期记忆网络作为基于引导聚集算法的基学习器，将N个所述子数据集分别输入双向长短期记忆网络模型进行预测，并对所述双向长短期记忆网络模型进行优化，得到N个预测输出值；将N个预测输出值输入组合策略中，将N个预测输出值进行取平均值处理得到强学习器，预测得到当前运动状态车辆的下一时刻最佳挡位。2.如权利要求1所述车辆自动换挡控制方法，其特征在于，所述获取初始训练数据集，包括：车辆总速度、前轮转角、驱动踏板行程、制动踏板行程、发动机转速以及当前挡位。3.如权利要求1所述车辆自动换挡控制方法，其特征在于，所述将N个所述子数据集分别输入双向长短期记忆网络模型进行预测，包括：将预测过程分为前向预测与后向预测两个方向，两个方向预测为独立进行计算、无交互，各自更新状态和产生输出；所述两个方向的隐藏层状态共同决定输出结果。4.如权利要求3所述车辆自动换挡控制方法，其特征在于，所述隐藏层状态，是前向隐藏层状态和后向隐藏层状态的叠加，包括：将车辆某一时刻的基本参数作为输入；将所述该时刻基本参数对应部件的权重矩阵和偏置向量进行叠加，采用Sigmoid激活函数计算得到该时刻的单向遗忘门输出、输入门输出和输出门输出；更新所述遗忘门输出、所述输入门输出和所述输出门输出，根据更新结果，采用双曲正切函数，得到该时刻的单向内部状态；根据所述单向内部状态和所述更新的输出门输出，采用双曲正切函数，得到该时刻的单向隐藏层状态；所述单向隐藏层状态分为所述前向隐藏层状态和所述后向隐藏层状态，将所述两个隐藏层状态进行叠加，得到该时刻的所述隐藏层状态。5.如权利要求1所述车辆自动换挡控制方法，其特征在于，所述双向长短期记忆网络模型采用损失函数作为目标函数，通过不断迭代得...

【专利技术属性】
技术研发人员：侯晓慧，张俊智，何承坤，
申请(专利权)人：清华大学，
类型：发明
国别省市：