一种基于车联网大数据的整车智能控制方法及系统技术方案

本发明专利技术公开了一种基于车联网大数据的整车智能控制方法及系统，方法包括：数据采集

【技术实现步骤摘要】
一种基于车联网大数据的整车智能控制方法及系统


[0001]本专利技术属于整车智能控制
，具体是指一种基于车联网大数据的整车智能控制方法及系统
。

技术介绍

[0002]整车智能控制是通过各种系统和技术相互协作，以实现更安全
、
高效和便捷的驾驶体验
。
但是现有技术采集的多传感器实时数据存在缺失值和异常值，增加数据的不准确性和不可靠性，得到不准确的整车状态和环境信息的问题；存在传统的路径规划算法初始化位置分布不均匀，遍历性较弱，以及路径规划算法后期，位置更新的多样性降低，算法陷入局部最优和过早收敛，导致产生错误的驾驶决策，增加事故的风险的问题
。

技术实现思路

[0003]针对上述情况，为克服现有技术的缺陷，本专利技术提供了一种基于车联网大数据的整车智能控制方法及系统，针对采集的多传感器实时数据存在缺失值和异常值，增加数据的不准确性和不可靠性，得到不准确的整车状态和环境信息的问题，本方案采用车联网平台处理数据，使用均值替换法替换缺失值，通过
KNN
重新定义了
DPC
算法的局部密度，消除了截止距离对聚类性能的影响，从异常值检测的角度定义和优化了确定异常值的规则，准确有效地消除异常值，并基于
EKF
进行数据融合，得到更准确的整车状态和环境信息；针对传统的路径规划算法初始化位置分布不均匀，遍历性较弱，以及路径规划算法后期，位置更新的多样性降低，算法陷入局部最优和过早收敛，导致产生错误的驾驶决策，增加事故的风险的问题，本方案采用改进后的混沌变量优化位置初始化过程，增强遍历性，提高初始个体多样性，并使用自适应惯性权重调节函数优化第一次位置更新过程，以及使用拉普拉斯分布函数和经验交换策略优化第二次位置更新过程，平衡全局与局部寻优能力，避免陷入局部最优，从而找到最优路径规划方案
。
[0004]本专利技术采取的技术方案如下：本专利技术提供的一种基于车联网大数据的整车智能控制方法，该方法包括以下步骤：步骤
S1
：数据采集，采集多传感器实时数据并上传到车联网平台；
[0005]步骤
S2
：数据处理，用均值替换法替换缺失值，通过
KNN
重新定义局部密度，识别并删除异常值，并基于
EKF
进行数据融合，得到整车状态和环境信息；
[0006]步骤
S3
：计算目标函数，基于整车状态和环境信息计算目标函数；
[0007]步骤
S4
：路径规划，采用改进后的混沌变量优化位置初始化过程，并使用自适应惯性权重调节函数优化第一次位置更新过程，以及使用拉普拉斯分布函数和经验交换策略优化第二次位置更新过程，找到最优路径规划方案；
[0008]步骤
S5
：整车智能控制，按照最优路径规划方案进行整车自动驾驶智能控制
。
[0009]进一步地，在步骤
S1
中，所述数据采集是基于整车上安装的激光雷达
、
惯性测量单元和车轮里程计采集多传感器实时数据形成分析数据集，将分析数据集上传到车联网平台
并进行存储
。
[0010]进一步地，在步骤
S2
中，所述数据处理具体包括以下步骤：步骤
S21
：数据预处理，使用均值替换法替换分析数据集中的缺失值；
[0011]步骤
S22
：计算欧几里得距离，所用公式如下：；式中，
w
ef
是数据
e
和数据
f
之间的欧几里得距离，（
x
e
，
y
e
）和（
x
f
，
y
f
）分别是数据
e
和数据
f
的坐标，
e
和
f
是分析数据集中的数据索引；
[0012]步骤
S23
：计算局部密度，所用公式如下：；式中，
ρ
e
是数据
e
的局部密度，
knn
（）是数据的
k
个最近邻值的集合，（
x
e
，
y
e
）和（
x
f
，
y
f
）分别是数据
e
和数据
f
的坐标，是数据
e
和其
k
个最近邻值之间的欧几里得距离之和即数据
e
的超越度，是数据
e
的
k
个最近邻值的超越度之和；
[0013]步骤
S24
：计算相对距离，所用公式如下：；式中，
ξ
e
是数据
e
和数据
f
之间的相对距离，
×
是乘法运算符；
[0014]步骤
S25
：计算局部密度的阈值，预先设定局部密度经验参数
r
ρ
，所用公式如下：；式中，
ρ
q
是局部密度的阈值，
N
data
是分析数据集中的数据数量；
[0015]步骤
S26
：计算相对距离的阈值，预先设定相对距离经验参数
r
ξ
，所用公式如下：；式中，
ξ
q
是相对距离的阈值；
[0016]步骤
S27
：删除异常值，将
ρ
e
<
ρ
q
和
ξ
e
>
ξ
q
的数据识别为异常值并从分析数据集中将其删除；
[0017]步骤
S28
：数据融合，基于
EKF
将删除异常值后的分析数据集中的数据进行融合，得到更准确的整车状态和环境信息
。
[0018]进一步地，在步骤
S3
中，所述计算目标函数具体包括以下步骤：步骤
S31
：路径初始化，将需要规划的路径分为
M
‑1条线段，
P1（
x1，
y1）和
P
M
（
x
M
，
y
M
）分别作为已知的起始点和目标点，
P2，
…
，
P
M
‑1是路径规划中整车的
M
‑2个坐标点，所用公式如下：
u=[x
i
，
y
i
]，
∀
i∈{2
，3，
…
，（
M...

【技术保护点】

【技术特征摘要】
1.
一种基于车联网大数据的整车智能控制方法，其特征在于：该方法包括以下步骤：步骤
S1
：数据采集，采集多传感器实时数据并上传到车联网平台；步骤
S2
：数据处理，用均值替换法替换缺失值，通过
KNN
重新定义局部密度，识别并删除异常值，并基于
EKF
进行数据融合，得到整车状态和环境信息；步骤
S3
：计算目标函数，基于整车状态和环境信息计算目标函数；步骤
S4
：路径规划，采用改进后的混沌变量优化位置初始化过程，并使用自适应惯性权重调节函数
、
拉普拉斯分布函数和经验交换策略进行位置更新优化，找到最优路径规划方案；步骤
S5
：整车智能控制，按照最优路径规划方案进行整车自动驾驶智能控制
。2.
根据权利要求1所述的一种基于车联网大数据的整车智能控制方法，其特征在于：在步骤
S4
中，所述路径规划具体包括以下步骤：步骤
S41
：个体构建，每个个体表示一个路径规划方案，所用公式如下：
X=[x
c
，
y
c
]
，
∀
c∈{2
，3，
…
，（
M
‑1）
}
，
X∈R2×
（
M
‑2）
；
D
v
=2
×
（
M
‑2）；式中，
X
是个体，（
x
c
，
y
c
）是个体项目，
c
是个体项目的索引，
D
v
是个体的总维度；步骤
S42
：参数初始化，预先设定个体数量
Np、
混沌变量控制参数
β
、
混沌变量初始条件
h0、
交换学习因子
η
、
最大迭代次数
T、
评估阈值
ψ
、
个体位置的上边界
X
max
和个体位置的下边界
X
min
；步骤
S43
：个体位置初始化，基于混沌变量初始条件生成
Np
个混沌变量，对每个混沌变量随机生成一个
[0
，
1]
之间的随机数
λ
，改进混沌变量，基于改进后的混沌变量初始化个体位置，所用公式如下：
h
n+1
=
β
×
h
n
×
（1‑
h
n
），
n=0
，1，
…
，（
Np
‑1）；；；式中，
h
是原始混沌变量，
n
是混沌变量的索引，是改进后的混沌变量，
rand
（0，1）是生成一个
[0
，
1]
之间的随机数，是个体的初始化位置，
a
是个体维度的索引，
z
是个体的索引；步骤
S44
：计算适应度值和全局最优位置，基于步骤
S37
的目标函数
J
，计算每个个体的适应度值，将所有个体的适应度值按从小到大的顺序进行排列，选择最小适应度值作为最优适应度值，最优适应度值对应的个体作为最优个体，最优个体的位置作为全局最优位置
X
best
；步骤
S45
：计算平均值，所用公式如下：；式中，
E
t
，
a
是第
t
次迭代所有个体在第
a
个维度上的平均位置，
X
（
t
，
z
，
a
）是第
t
次迭代第
z
个个体在第
a
个维度上的位置，
t
是迭代次数的索引；步骤
S46
：计算差异值，所用公式如下：
γ
=round
（
1+rand
（0，1））；；式中，
γ
是最优因子，
F
t
，
a
是第
t
次迭代在第
a
个维度上全局最优位置与平均位置之间的差异值，
round
（）是四舍五入函数；步骤
S47
：第一次位置更新，基于自适应惯性权重调节函数进行第一次位置更新，所用公式如下：；；；；式中，
g
（
t
）是第
t
次迭代中个体适应度值降低率，
n
reduce
（
t
）是第
t
次迭代中个体适应度值降低个数，
μ
（
t
）是自适应惯性权重调节函数，是第一次位置更新后的第
z
个个体在第
a
个维度上的中间位置，
X1
t+1
，
z
，
a
是第一次位置更新后的第
z
个个体在第
a
个维度上的最终位置
X1
best
；步骤
S48
：第二次位置更新，基于拉普拉斯分布函数和经验交换策略进行第二次位置更新，所用公式如下：；；式中，
Laplace
（）是拉普拉斯分布函数，
ε
是位置参数，
s
是刻度参数，
X2
t+1
，
U
，
a
是第二次位置更新后的第
U
个个体在第
a
个维度上的位置，
U
和
V
是任意两个不相同的个体；步骤
S49
：更新全局最优位置，采用步骤
S44
相同的方法计算个体的适应度值，更新最优适应度值
、
最优个体和全局最优位置；步骤
S410
：确定最优路径规划方案，当最优适应度值低于评估阈值
ψ
，则将当前全局最优位置作为最优路径规划方案，并将最优路径规划方案发送至整车的自动驾驶控制器；否则，若达到最大迭代次数
T
，则转至步骤
S43
；否则转至步骤
S45。3.
根据权利要求1所述的一种基于车联网大数据的整车智能控制方法，其特征在于：在步骤
S2
中，所述数据处理具体包括以下步骤：步骤
S21
：数据预处理，使用均值替换法替换分析数据集中的缺失值；步骤
S22
：计算欧几里得距离，所用公式如下：
；式中，
w
ef
是数据
e
和数据
f
之间的欧几里得距离，（
...

【专利技术属性】
技术研发人员：陶伟，潘嗣南，方靖，孙宇，
申请(专利权)人：博创联动科技股份有限公司，
类型：发明
国别省市：