一种面向无人驾驶装载机的制动踏板开度值预测方法技术

本发明专利技术涉及装载机无人驾驶技术领域，具体涉及一种面向无人驾驶装载机的制动踏板开度值预测方法，包括获取驾驶员驾驶的历史数据，根据历史数据获取循环作业时长与行驶路程的最佳组合，以此作为驾驶员的驾车作业熟练度；筛选出熟练驾驶员的驾驶数据作为训练数据；构建LSTM预测网络，以训练数据对构建的网络进行训练；将实时数据输入完成训练的LSTM预测网络，预测开度值变换，根据预测的开度值变化判断车辆踏板是否制动；本发明专利技术以装载机制动动作极为频繁的典型作业模式为背景，将具有多年驾驶经验熟练驾驶员的驾驶数据与机器学习方法相结合，能够实现对满载后退、满载前进和空载后退3种制动类型在未来时间步制动踏板开度值的良好预测。的良好预测。的良好预测。

【技术实现步骤摘要】
一种面向无人驾驶装载机的制动踏板开度值预测方法


[0001]本专利技术涉及装载机无人驾驶
，主要涉及无人驾驶装载机的决策规划过程，具体涉及一种面向无人驾驶装载机的制动踏板开度值预测方法。

技术介绍

[0002]安全高效绿色作业是装载机受雇企业发展的核心主线，由于伤亡事故频发，招工难问题突出，管理运营成本攀升等痛点，无人运输已成为装载机受雇企业刚需。面对复杂多变的行驶环境，无人驾驶装载机的自主决策规划能力严重不足，无法像人类驾驶员一样根据历史经验和当前环境对即将发生的行为动作做出预判。
[0003]当前无人驾驶装载机的决策规划过程仅仅从基本作业规则层面展开了研究，忽视了人类驾驶员在作业过程中对复杂时空关联任务的处理这一关键作用，导致整机的作业过程不符合熟练驾驶员的驾驶规律。在某些情况下，为提高作业效率，部分装载机往往力求在有限场地用最短时间完成作业循环，忽视了由于制动滑摩功而造成的能量损失。这种能量损失基本都转换为热能，在高强度长时间作业时会使整车制动器总成温升过高，极易导致制动失效。

技术实现思路

[0004]为了使无人驾驶装载机的制动过程符合熟练驾驶员的制动规律，本专利技术提出一种面向无人驾驶装载机的制动踏板开度值预测方法，具体包括以下步骤：
[0005]获取驾驶员驾驶的历史数据，根据历史数据获取循环作业时长与行驶路程的最佳组合，并以此作为驾驶员的驾车作业熟练度；
[0006]通过驾驶员的驾车作业熟练度，筛选出熟练驾驶员的驾驶数据作为训练数据；
[0007]构建LSTM预测网络，并以训练数据对构建的网络进行训练；
[0008]将实时数据输入完成训练的LSTM预测网络，预测开度值变换，并根据预测的开度值变化判断车辆踏板是否制动。
[0009]进一步的，驾驶员的驾车作业熟练度通过设置循环作业等级进行判断，该等级越高驾驶员的驾车作业熟练度越高，循环作业等级的获取过程包括：
[0010]确定采样时间序列，并根据采样时间序列计算循环作业时长；
[0011]在循环作业时长期间，利用传动轴转速计算循环作业行驶路程，根据湿式制动器结构获取制动时的制动力矩，并计算单个制动器上产生的滑摩功；
[0012]将得到的循环作业行驶路程、制动时的制动力矩以及单个制动器上产生的滑摩功这三个特征通过最大最小值标准化方法进行归一化；
[0013]单位圆上等间隔的三条半径分别对应三个特征，特征的值为圆心到半径上某个点的值，将三个特征在半径上的某个点的值连接形成一个三角形；
[0014]将得到的三角形面积与单位圆面积的比值作为这一组数据的循环作业等级。
[0015]进一步的，确定采样时间序列，并根据采样时间序列计算循环作业时长，即若采样
时间序列为t＝(t1,t2,
…
,t
i
,
…
,t
j
,
…
,t
n
‑1,t
n
)，则循环作业时长为t
l
＝t
j
‑
t
i
，其中，j＝1,2,
…
n
‑
1，i＝2,3,
…
n，且i＜j；n为采样的时间序列的数量。
[0016]进一步的，利用传动轴转速计算循环作业行驶路程表示为：
[0017][0018]其中，D为循环作业行驶路程；t
i
为循环作业开始的时刻，t
j
为循环作业停止的时刻；r为轮胎半径，N为传动轴转速；i0为主减速器速比，i
p
为轮边减速器速比。
[0019]进一步的，根据湿式制动器结构获取制动时的制动力矩，表示为：
[0020]T＝[p
oil
S
‑
n
s
(F
s
+LK)]r
e
μZ；
[0021]其中，T为制动时的制动力矩；p
oil
为制动器制动油压，S为制动器活塞截面积，n
s
为单个制动器回位弹簧数量，F
s
为单根回位弹簧预紧力，L为制动器活塞移动距离，K为弹簧弹性系数，r
e
为制动盘摩擦片上压力平均分布时的有效摩擦半径，μ为制动器滑动摩擦系数，Z为制动盘摩擦副数量。
[0022]进一步的，单个制动器上产生的滑摩功表示为：
[0023][0024][0025]其中，N为传动轴转速；i0为主减速器速比；t0为制动器启动的时刻，t1为制动器停止的时刻；T为制动时的制动力矩，ω为制动器滑动摩擦转速。
[0026]进一步的，构建的LSTM预测网络包括用于分类的第一子网络和用于回归预测的第二子网络，将获取的数据进行分片，每一个分片作为一个序列输入构建的LSTM预测网络，在第一子网络中，获取输入数据的特征数据并根据特征数据将输入的序列按照制动类型进行分类；将每个制动类型的数据分别输入第二子网络，分别预测每个类型满载后退制动、满载前进制动和空载后退制动三种制动类型的开度值。
[0027]进一步的，输入LSTM预测网络的数据至少包括传动轴转速、发动机转速、前传动轴扭矩和后传动轴扭矩特征值的4维向量，第一子网络进行分类时，将数据分为传动轴转速、前传动轴扭矩、发动机转速、后传动轴扭矩四种类型。
[0028]进一步的，在处理历史数据或者实时数据时，采用时间窗口进行划片，时间窗口宽度为步长为S秒，每一次向前移动N个采样点。
[0029]本专利技术以装载机制动动作极为频繁的典型作业模式为背景，以制动踏板开度值预测为核心，将具有多年驾驶经验熟练驾驶员的驾驶数据与机器学习方法相结合，能够实现对满载后退、满载前进和空载后退3种制动类型在未来时间步制动踏板开度值的良好预测。并且本专利技术利用熟练驾驶员驾驶数据和深度LSTM网络相结合的制动踏板开度值预测方法为复杂行驶环境下制动踏板开度值的预测提供了新思路，研究方法可为自动驾驶系统在决策规划过程中的预判提供参考。
附图说明
[0030]图1为本专利技术一种面向无人驾驶装载机的制动踏板开度值预测方法中装载机V型
作业的循环作业等级评价流程；
[0031]图2为本专利技术在计算循环作业等级过程中特征参数在单位圆雷达图上的呈现情况；
[0032]图3为本专利技术用于预测制动踏板开度值的LSTM网络框架。
具体实施方式
[0033]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0034]本专利技术提出一种一种面向无人驾驶装载机的制动踏板开度值预测方法，具体包括以下步骤：
[0035]获取驾驶员驾驶的历史数据，根据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向无人驾驶装载机的制动踏板开度值预测方法，其特征在于，包括以下步骤：获取驾驶员驾驶的历史数据，根据历史数据获取循环作业时长与行驶路程的最佳组合，并以此作为驾驶员的驾车作业熟练度；通过驾驶员的驾车作业熟练度，筛选出熟练驾驶员的驾驶数据作为训练数据；构建LSTM预测网络，并以训练数据对构建的网络进行训练；将实时数据输入完成训练的LSTM预测网络，预测开度值变换，并根据预测的开度值变化判断车辆踏板是否制动。2.根据权利要求1所述的一种面向无人驾驶装载机的制动踏板开度值预测方法，其特征在于，驾驶员的驾车作业熟练度通过设置循环作业等级进行判断，该等级越高驾驶员的驾车作业熟练度越高，循环作业等级的获取过程包括：确定采样时间序列，并根据采样时间序列计算循环作业时长；在循环作业时长期间，利用传动轴转速计算循环作业行驶路程，根据湿式制动器结构获取制动时的制动力矩，并计算单个制动器上产生的滑摩功；将得到的循环作业行驶路程、制动时的制动力矩以及单个制动器上产生的滑摩功这三个特征通过最大最小值标准化方法进行归一化；单位圆上等间隔的三条半径分别对应三个特征，特征的值为圆心到半径上某个点的值，将三个特征在半径上的某个点的值连接形成一个三角形；将得到的三角形面积与单位圆面积的比值作为这一组数据的循环作业等级。3.根据权利要求2所述的一种面向无人驾驶装载机的制动踏板开度值预测方法，其特征在于，确定采样时间序列，并根据采样时间序列计算循环作业时长，即若采样时间序列为t＝(t1,t2,
…
,t
i
,
…
,t
j
,
…
,t
n
‑1,t
n
)，则循环作业时长为t
l
＝t
j
‑
t
i
，其中，j＝1,2,
…
n
‑
1，i＝2,3,
…
n，且i＜j；n为采样的时间序列的数量。4.根据权利要求2所述的一种面向无人驾驶装载机的制动踏板开度值预测方法，其特征在于，利用传动轴转速计算循环作业行驶路程表示为：其中，D为循环作业行驶路程；t
i
为循环作业开始的时刻，t

【专利技术属性】
技术研发人员：石钧仁，李珂欣，朴昌浩，邵慧爽，黄学达，孙荣利，苏永康，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：