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方案

本发明专利技术公开了一种基于机器学习与动力学的车辆坡度估计方法和系统，旨在解决现有车辆坡度估计方法中估计精度不足、鲁棒性较差、传感器成本较高等缺点。首先通过从车载网络总线和传感器获取必要的数据信息，然后对这些数据进行预处理且划分为数据的训练集以及验证集，之后利用这些数据集进行对前馈神经网络的训练，之后构建基于车辆纵向动力学的扩张状态观测器，之后利用可变加权系数进行求解。本发明专利技术利用机器学习以及车辆动力学的方法进行坡度估计，具有精度较高以及鲁棒性较强的优点，为汽车控制系统提供了可靠的坡度信号输入。汽车控制系统提供了可靠的坡度信号输入。

【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，其鲁棒性有待提升；如中国专利公开号为CN106840097B，授权公告日为2021年5月25日，专利技术名称为“一种基于自适应扩展卡尔曼滤波的道路坡度估计方法”，该专利技术利用扩展卡尔曼滤波估计模型，能够快速收敛且可以提高汽车坡度估计算法的实时性要求，但该方法对于一些恶劣工况以及信号不易获得的情况适应性较差。
[0005]综上所述，现在的车辆坡度估计方法中，需要一种精度较高、且鲁棒性较好，不宜受到未知参数影响结果的汽车坡度估计方法。因此，有必要提供这样一种基于机器学习与动力学的车辆坡度估计方法。

技术实现思路

[0006]本专利技术所要解决的技术问题是克服现有汽车坡度估计方法中精度较低、鲁棒性较差、对传感器结果及相关数据依赖程度较高等问题，提供了一种基于机器学习与动力学的车辆坡度估计方法和系统。
[0007]为解决上述技术问题，本专利技术是采用如下技术方案实现的：包括下列步骤：
[0008]一种基于机器学习与动力学的车辆坡度估计方法，包括如下步骤：
[0009]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；
[0010]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；
[0011]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；
[0012]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；
[0013]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时坡度估计值坡度估计值
[0014]式中，i＝1、2或3；
[0015]——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
[0016]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。
[0017]进一步的改进，所述步骤一中，车辆纵向动力学模型如下所示：
[0018][0019]式中，T
e
——发动机扭矩，单位为Nm
[0020]i
g
——变速器传动比，无单位
[0021]i0——主减速器传动比，无单位
[0022]η
t
——传动效率，无单位
[0023]r——车轮半径，单位m
[0024]C
D
——空气阻力系数，无单位
[0025]A——迎风面积，单位为m2[0026]ρ——空气密度，kg/m3[0027]v
x
——车辆纵向速度，单位m/s
[0028]m——整车重量，单位kg
[0029]g——重力加速度，单位为m/s2[0030]f——滚动阻力系数，无单位
[0031]θ——坡度，单位为rad
[0032]δ——旋转质量换算系数，无单位
[0033]——车辆纵向加速度，单位m/s2；
[0034]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
(t
‑
1)以及上一时刻的坡度估计结果
[0035]进一步的改进，所述步骤二中，工况包括公路工况、山路工况。
[0036]进一步的改进，所述步骤三中，神经网络为前馈神经网络，前馈神经网络由一个输入层和两个隐藏层组成；
[0037]将当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以及当前时刻以及上一时刻的发动机扭矩T
e
(t)、T
e
(t
‑
1)，以及上一时刻的坡度估计结果作为神经网络输入，输出结果为当前时刻的坡度估计值
[0038]选用ReLU函数作为隐含层的激活函数，其公式如下：
[0039][0040]式中，o
i
——上一层对同一单位的输入的加权求和结果；F()表示ReLU函数。
[0041]进一步的改进，所述步骤四中，基于动力学的扩张状态观测器设计方法如下：将公式(1)化为如下形式：
[0042][0043]定义车辆纵向速度为状态量，发动机扭矩为控制量，则式(3)化为扩张状态观测器标准形式：
[0044][0045]式中，x
non
——状态观测器非线性部分；x为纵向车速，为纵向加速度，t为时间；
[0046]在实际估计中，该通过迭代计算直至结果收敛，如下所示：
[0047][0048]式中，e(k)——k时刻状态量，即车速的误差
[0049]h1,h2——均表示迭代计算，为状态估计值，即纵向车速，x(k)为实际纵向车速，为状态估计值的非线性部分，u(k)为控制量，即发动机扭矩，b(k)为常数，由本文档来自技高网...

【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：