【技术实现步骤摘要】
一种基于机器学习与动力学的车辆坡度估计方法和系统
[0001]本专利技术涉及车辆参数估计领域,更具体地,涉及一种基于机器学习与动力学的车辆坡度估计方法和系统。
技术介绍
[0002]道路坡度估计作为车辆参数估计中的重要组成部分,对车辆行驶过程中的操纵性能、制动性能以及燃油经济性均有较大影响。例如,自动变速器的换挡策略需要根据坡度信息变化进行挡位的调整,为驾驶员提供方便;同时,发动机的油耗优化、混合动力汽车的能量管理、车辆巡航控制等技术同样需要坡度信息进行配合,以实现车辆的驾驶目标以及燃油经济性的优化。
[0003]汽车坡度的估计方法主要是基于运动学的坡度估计估计方法,该方法使用加速度计或其他传感器直接采集的数据,但在实际的应用中,传感器受到环境因素较大,鲁棒性较差,对不同场景适应性较差;同时,许多相关研究人员利用车辆纵向动力学方法对坡度进行估计,该方法收敛速度快,且稳定性较好,但是该方法对车辆纵向动力学模型精度依赖程度较高,且该方法在车辆低速时效果较差;近年来,基于机器学习的车辆坡度估计方法也取得了一定发展,但是训练数据的全面性将直接影响神经网络训练结果,进而直接影响方法的性能。
[0004]现有的专利中,如中国专利授权公告号为CN108960426B,授权公告日为2021年5月14日,专利技术名称为“基于BP神经网络的道路坡度综合估计系统”,该专利技术利用BP神经网络的方法,根据车轮垂直载荷采集单元采集到的数据,利用不同的道路类型调用不同的神经网络模块进行坡度估计,但该方法结果受到训练样本集的影响, ...
【技术保护点】
【技术特征摘要】
1.一种基于机器学习与动力学的车辆坡度估计方法,其特征在于:包括如下步骤:步骤一、构建车辆纵向动力学模型,确定车辆纵向动力学模型所需要获取的动力参数;步骤二、收集车辆在不同工况下的动力参数和对应的实际坡度值,然后对动力参数和对应的实际坡度值进行归一化处理构建训练数据集以及验证数据集;步骤三、构建神经网络,并采用训练数据集和验证数据集对神经网络进行训练和验证,得到训练好的神经网络;步骤四、根据车辆纵向动力学模型设计基于动力学的扩张状态观测器;步骤五、在车辆实际运行中,将实时收集的动力参数输入训练好的神经网络,并根据扩张状态观测器分别得到基于训练好的神经网络的车辆坡度估计数值和基于扩张状态观测器的坡度估计值对和根据当前车辆行驶状况进行融合,得到k时坡度估计值估计值式中,i=1、2或3;——分别代表着k时刻的神经网络估计值k时刻的基于动力学的扩张状态观测器估计值以及k
‑
1时刻的估计结果λ
i
(v
x
(k))——分别代表着对应坡度估计值的权重系数,且权重系数与当前时刻车速相关。2.如权利要求1所述的基于机器学习与动力学的车辆坡度估计方法,其特征在于,所述步骤一中,车辆纵向动力学模型如下所示:式中,T
e
——发动机扭矩,单位为Nmi
g
——变速器传动比,无单位i0——主减速器传动比,无单位η
t
——传动效率,无单位r——车轮半径,单位mC
D
——空气阻力系数,无单位A——迎风面积,单位为m2ρ——空气密度,kg/m3v
x
——车辆纵向速度,单位m/sm——整车重量,单位kgg——重力加速度,单位为m/s2f——滚动阻力系数,无单位
θ——坡度,单位为radδ——旋转质量换算系数,无单位——车辆纵向加速度,单位m/s2;动力参数包括前时刻以及上一时刻的车速v
x
(t)、v
x
(t
‑
1),当前时刻以及上一时刻的加速度当前时刻以及上一时刻的发动机扭矩T
e
(t)、T
e
...
【专利技术属性】
技术研发人员:曾小华,刘通,宋大凤,高皓铭,钱琦峰,段朝胜,于兴永,
申请(专利权)人:长沙汽车创新研究院,
类型:发明
国别省市:
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。