基于机器学习的状态相空间车辆稳定性判断方法及系统技术方案

本申请公开了基于机器学习的状态相空间车辆稳定性判断方法及系统，其中，方法步骤包括：构建二十七自由度的车辆动力学仿真模型；通过车辆动力学仿真模型进行离散事件仿真，得到车辆运动轨迹；基于车辆运动轨迹，生成五维的相空间；搜索相空间，生成训练集和测试集；基于训练集和测试集构建相空间模型；并利用相空间模型搭建离线的相空间场景库；利用相空间场景库，判断车辆的稳定性。本申请针对于车辆行驶中普遍存在的非线性现象，适用于高自由度车辆动力学模型仿真，更切合实际中的车辆运动状态评估，能够更精确的判断高自由度非线性状态下的车辆稳定性，对于车辆自动驾驶技术、车辆主动安全等多个领域有非常重要的意义。主动安全等多个领域有非常重要的意义。主动安全等多个领域有非常重要的意义。

【技术实现步骤摘要】
基于机器学习的状态相空间车辆稳定性判断方法及系统


[0001]本申请涉及车辆状态稳定性评价领域，具体涉及基于机器学习的状态相空间车辆稳定性判断方法及系统。

技术介绍

[0002]汽车现在已经成为了我们生活中不可或缺的一部分，他带给我们的不仅只有生活上的便利，也可能因为车辆事故给我们带来无可挽回的损失，因此，越来越多的学者将目光放在了车辆稳定性评估这一方面。车辆事故除了自身的操作失误、故障之外，更多的是在遇见紧急情况时，车辆车辆轮胎对地面的附着力接近饱和，导致其稳定裕度急剧减小、横纵向的状态参数和操纵特性发生显著变化，从而出现侧滑、甩尾、侧翻等工况，极易引起重大人员伤亡和财产损失，因此车辆稳定性的准确评估对于车辆自动驾驶技术、车辆主动安全等多个领域有非常重要的意义。
[0003]目前部分学者已经利用临界速度分析法、李雅普诺夫方法和相平面法建立了部分情况下的车辆操纵稳定性评价方法。然而临界速度法仅针对线性情况，实际情况却几乎均为非线性；基于李雅普诺夫的稳定性分析方法则受限于李雅普诺夫函数解析的构造方法，难以在高自由系统中使用；相平面法能够反映高自由度非线性状态下的车辆稳定性，但其维度较低并且稳定区域划分较为困难。
[0004]申请内容
[0005]为解决上述背景中的技术问题，本申请通过构建离线的相空间场景库，来对车辆状态稳定性进行评价。
[0006]为实现上述目的，本申请提供了基于机器学习的状态相空间车辆稳定性判断方法，步骤包括：
[0007]构建二十七自由度的车辆动力学仿真模型；
[0008]通过所述车辆动力学仿真模型进行离散事件仿真，得到车辆运动轨迹；
[0009]基于所述车辆运动轨迹，生成五维的相空间；
[0010]搜索所述相空间，生成训练集和测试集；
[0011]基于所述训练集和所述测试集构建相空间模型；并利用所述相空间模型搭建离线的相空间场景库；
[0012]利用所述相空间场景库，判断车辆的稳定性。
[0013]优选的，得到所述车辆运动轨迹的方法包括：设置所述车辆动力学仿真模型的仿真模型参数；所述仿真模型参数包括：加速踏板开度、减速踏板开度、路面附着系数、转向角；基于所述仿真模型参数，通过所述车辆动力学仿真模型进行离散事件仿真，得到所述车辆运动轨迹。
[0014]优选的，生成所述相空间的方法包括：根据所述车辆运动轨迹，记录仿真过程中车辆参数的数值变化；所述车辆参数包括：质心侧偏角、橫摆角速度、质心侧偏角速度、前轮侧偏角和后轮侧偏角；利用所述数值变化生成五维的所述相空间。
[0015]优选的，生成所述训练集和所述测试集的方法包括：搜索所述相空间，将所述相空间内收敛的运动轨迹标记为收敛，不收敛的运动轨迹标记为不收敛，并生成7:3的所述训练集和所述测试集。
[0016]优选的，构建所述相空间模型的方法包括：建立基于高斯核的SVM模型；并在所述SVM模型中加入框约束；最后利用所述训练集和所述测试集对所述SVM模型进行训练，得到所述相空间模型。
[0017]本申请还提供了基于机器学习的状态相空间车辆稳定性判断系统，包括：构建模块、仿真模块、生成模块、准备模块、搭建模块和判断模块；
[0018]所述构建模块用于构建二十七自由度的车辆动力学仿真模型；
[0019]所述仿真模块用于通过所述车辆动力学仿真模型进行离散事件仿真，得到车辆运动轨迹；
[0020]所述生成模块用于基于所述车辆运动轨迹，生成五维的相空间；
[0021]所述准备模块用于搜索所述相空间，生成训练集和测试集；
[0022]所述搭建模块用于基于所述训练集和所述测试集构建相空间模型；并利用所述相空间模型搭建离线的相空间场景库；
[0023]所述判断模块用于利用所述相空间场景库，判断车辆的稳定性。
[0024]优选的，所述仿真模块的工作流程包括：设置所述车辆动力学仿真模型的仿真模型参数；所述仿真模型参数包括：加速踏板开度、减速踏板开度、路面附着系数、转向角；基于所述仿真模型参数，通过所述车辆动力学仿真模型进行离散事件仿真，得到所述车辆运动轨迹。
[0025]优选的，所述生成模块的工作流程包括：根据所述车辆运动轨迹，记录仿真过程中车辆参数的数值变化；所述车辆参数包括：质心侧偏角、橫摆角速度、质心侧偏角速度、前轮侧偏角和后轮侧偏角；利用所述数值变化生成五维的所述相空间。
[0026]优选的，所述准备模块的工作流程包括：搜索所述相空间，将所述相空间内收敛的运动轨迹标记为收敛，不收敛的运动轨迹标记为不收敛，并生成7:3的所述训练集和所述测试集。
[0027]优选的，所述搭建模块的工作流程包括：建立基于高斯核的SVM模型；并在所述SVM模型中加入框约束；最后利用所述训练集和所述测试集对所述SVM模型进行训练，得到所述相空间模型。
[0028]与现有技术相比，本申请的有益效果如下：
[0029]本申请针对于车辆行驶中普遍存在的非线性现象，适用于高自由度车辆动力学模型仿真，更切合实际中的车辆运动状态评估，能够更精确的判断高自由度非线性状态下的车辆稳定性，甚至在部分状态下评估准确率能够达到百分之百，对于车辆自动驾驶技术、车辆主动安全等多个领域有非常重要的意义。
附图说明
[0030]为了更清楚地说明本申请的技术方案，下面对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0031]图1为本申请实施例的方法流程示意图；
[0032]图2为本申请实施例的生成相空间的流程示意图；
[0033]图3为本申请实施例的系统结构示意图。
具体实施方式
[0034]下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
[0035]为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。
[0036]实施例一
[0037]如图1所示，为本实施例的方法流程示意图，步骤包括：
[0038]S1.构建二十七自由度的车辆动力学仿真模型。
[0039]综合车身位移旋转6自由度、车轮旋转4自由度、悬架垂向位移4自由度、传动系统1自由度、轮胎瞬态特性8自由度以及制动压力4自由度构建二十七自由度的车辆动力学仿真模型。
[0040]S2.通过车辆动力学仿真模型进行离散事件仿真，得到车辆运动轨迹。
[0041]之后，设置车辆动力学仿真模型的仿真模型参数；这些仿真模型参数包括：加速踏板开度、减速踏板开度、路面附着系数、转向角。其中，基于仿真模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于机器学习的状态相空间车辆稳定性判断方法，其特征在于，步骤包括：构建二十七自由度的车辆动力学仿真模型；通过所述车辆动力学仿真模型进行离散事件仿真，得到车辆运动轨迹；基于所述车辆运动轨迹，生成五维的相空间；搜索所述相空间，生成训练集和测试集；基于所述训练集和所述测试集构建相空间模型；并利用所述相空间模型搭建离线的相空间场景库；利用所述相空间场景库，判断车辆的稳定性。2.根据权利要求1所述的基于机器学习的状态相空间车辆稳定性判断方法，其特征在于，得到所述车辆运动轨迹的方法包括：设置所述车辆动力学仿真模型的仿真模型参数；所述仿真模型参数包括：加速踏板开度、减速踏板开度、路面附着系数、转向角；基于所述仿真模型参数，通过所述车辆动力学仿真模型进行离散事件仿真，得到所述车辆运动轨迹。3.根据权利要求1所述的基于机器学习的状态相空间车辆稳定性判断方法，其特征在于，生成所述相空间的方法包括：根据所述车辆运动轨迹，记录仿真过程中车辆参数的数值变化；所述车辆参数包括：质心侧偏角、橫摆角速度、质心侧偏角速度、前轮侧偏角和后轮侧偏角；利用所述数值变化生成五维的所述相空间。4.根据权利要求1所述的基于机器学习的状态相空间车辆稳定性判断方法，其特征在于，生成所述训练集和所述测试集的方法包括：搜索所述相空间，将所述相空间内收敛的运动轨迹标记为收敛，不收敛的运动轨迹标记为不收敛，并生成7:3的所述训练集和所述测试集。5.根据权利要求1所述的基于机器学习的状态相空间车辆稳定性判断方法，其特征在于，构建所述相空间模型的方法包括：建立基于高斯核的SVM模型；并在所述SVM模型中加入框约束；最后利用所述训练集和所述测试集对所述SVM模型进行训练，得到所述相空间模型。6.基于机器学习的状态相空间车辆稳定性判断系统，其特征在于，包括：构建模块、仿真模块...

【专利技术属性】
技术研发人员：朱峰，曹阳，李志恒，朱宇轩，
申请(专利权)人：清华大学深圳国际研究生院，
类型：发明
国别省市：