基于深度强化学习的辅助驾驶功能性能评价方法技术

本发明专利技术公开了一种基于深度强化学习的辅助驾驶功能性能评价方法，包括以下步骤：步骤

【技术实现步骤摘要】
基于深度强化学习的辅助驾驶功能性能评价方法


[0001]本专利技术涉及汽车辅助驾驶
，具体涉及一种基于深度强化学习的辅助驾驶功能性能评价方法
。

技术介绍

[0002]随着
L2
级辅助驾驶功能在整车上的应用发展与普及，辅助驾驶软件已经成为了汽车产业发展的一个重要方向，如车道保持辅助
、
车道居中
、
自动泊车
、
遥控泊车
、
辅助原地调头等辅助驾驶功能，虽然这些功能有效减轻了驾驶压力
、
提高驾驶效率，但其性能表现直接影响驾驶人安全和行车舒适性，因此对辅助驾驶软件性能进行评价显得尤为重要
。
[0003]目前，不同主机厂以及不同的车型所携带的辅助驾驶功能均不同，但制造商和主机厂目前仅只能通过人工计算和驾驶员的体验感来评价这些功能
。
而且，各种辅助驾驶功能的评价标准不同，这种方法导致工作量很大，主观差异大
、
准确性和效率低等缺陷
。
无法对辅助驾驶功能的性能进行更好的评估
。

技术实现思路

[0004]为解决上述技术问题，本专利技术提供一种基于深度强化学习的辅助驾驶功能性能评价方法，包括以下步骤：
[0005]步骤
S1
，数据采集模块获得物理信息；所述物理信息至少包括：上位机请求角度
ω
req
、
方向盘实际转角
ω
steer
、<br/>车速
v
veh
、
手力矩
m
tbt
和电机输出力矩
m
mot
。
[0006]步骤
S2
，助力转向系统动态性能测试平台对物理信息进行同步处理，并获得性能评估参数；所述性能评估参数至少包括：响应时间
t
res
、
超调角度
ω
over
、
稳定时间
t
set
、
抖动鲁棒性
z
cha
和接管平顺性
f
smo
；
[0007]步骤
S3
，对物理信息和性能评估参数进行预处理操作，所述预处理操作包括定义系统状态变量
、
优化控制策略建模和最优性能指标求解网络搭建；
[0008]步骤
S4
，对辅助驾驶软件模型进行最优性能指标求解训练，输出性能评估参数的最优性能指标；
[0009]步骤
S5
，利用所述最优性能指标对性能评估参数的变化进行评价
。
[0010]与现有技术相比，本专利技术的技术方案不仅能够快速地对响应性
、
超调性
、
抖动鲁棒性以及接管平顺性等性能进行全面的评价，还有助于整车调试者更快的调试出最优调试参数，减少工作量，提高效率，同时能帮助
EPS
供应商了解自己的产品缺陷和优势，促进产品的优化和改进，提高产品的质量和客户满意度
。
附图说明
[0011]下面结合附图与具体实施方式对本专利技术作进一步详细的说明：
[0012]图1为本专利技术中对辅助驾驶软件模型进行最优解训练示意图
。
具体实施方式
[0013]以下通过特定的具体实施例说明本专利技术的实施方式，本领域技术人员可由本说明书所公开的内容充分地了解本专利技术的其他优点与技术效果
。
本专利技术还可以通过不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点加以应用，在没有背离专利技术总的设计思路下进行各种修饰或改变
。
需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合
。
本专利技术下述示例性实施例可以多种不同的形式来实施，并且不应当被解释为只限于这里所阐述的具体实施例
。
应当理解的是，提供这些实施例是为了使得本专利技术的公开彻底且完整，并且将这些示例性具体实施例的技术方案充分传达给本领域技术人员
。
[0014]本实施例提供一种基于深度强化学习的辅助驾驶功能性能评价方法，包括以下步骤：
[0015]步骤
S1
，数据采集模块获得物理信息；所述物理信息至少包括：上位机请求角度
ω
req
、
方向盘实际转角
ω
steer
、
车速
v
veh
、
手力矩
m
tbt
和电机输出力矩
m
mot
。
[0016]步骤
S2
，助力转向系统动态性能测试平台对物理信息进行同步处理，并获得性能评估参数；所述性能评估参数至少包括：响应时间
t
res
、
超调角度
ω
over
、
稳定时间
t
set
、
抖动鲁棒性
z
cha
和接管平顺性
f
smo
；
[0017]步骤
S3
，对物理信息和性能评估参数进行预处理操作，所述预处理操作包括定义系统状态变量
、
优化控制策略建模和最优性能指标求解网络搭建；
[0018]步骤
S4
，对辅助驾驶软件模型进行最优性能指标求解训练，输出性能评估参数的最优性能指标；
[0019]步骤
S5
，利用所述最优性能指标对性能评估参数的变化进行评价
。
[0020]其中响应时间
t
res
为从辅助驾驶系统发送目标转角到助力转向系统开始响应目标转角的延迟时间
。
超调角度
ω
over
的计算方法为：差值与目标转角的比值，所述差值为助力转向系统执行的最大转角值与辅助驾驶系统目标转角请求的差值
。
稳定时间
t
set
为助力转向系统开始响应到稳态误差的调节时间
。
抖动鲁棒性
z
cha
的评估方式为：方向盘力矩经过滤波得到的高频信号是否超过预设标定量
。
接管平顺性
f
smo
的计算方法为，预设时间内手力矩和电机输出力矩的卸力百分比低于预设固定权重比
。
[0021]本专利技术不仅能高效的完成辅助驾驶功能响应性
、
超调性
、
抖动鲁棒性以及接管平顺性的性能评价，同时还能依据评价结果对辅助驾驶软件的控制策略更新以及参数调整
。
[0022]步骤
S3
中，对物理信息和性能评估参数进行预处理操作具体如下本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度强化学习的辅助驾驶功能性能评价方法，其特征在于，包括以下步骤：步骤
S1
，数据采集模块获得物理信息；所述物理信息至少包括：上位机请求角度
ω
req
、
方向盘实际转角
ω
steer
、
车速
v
veh
、
手力矩
m
tbt
和电机输出力矩
m
mot
；步骤
S2
，助力转向系统动态性能测试平台对物理信息进行同步处理，并获得性能评估参数；所述性能评估参数至少包括：响应时间
t
res
、
超调角度
ω
over
、
稳定时间
t
set
、
抖动鲁棒性
z
cha
和接管平顺性
f
smo
；步骤
S3
，对物理信息和性能评估参数进行预处理操作，所述预处理操作包括定义系统状态变量
、
优化控制策略建模和最优性能指标求解网络搭建；步骤
S4
，对辅助驾驶软件模型进行最优性能指标求解训练，输出性能评估参数的最优性能指标；步骤
S5
，利用所述最优性能指标对性能评估参数的变化进行评价
。2.
根据权利要求1所述的基于深度强化学习的辅助驾驶功能性能评价方法，其特征在于，所述响应时间
t
res
为从辅助驾驶系统发送目标转角到助力转向系统开始响应目标转角的延迟时间
。3.
根据权利要求1所述的基于深度强化学习的辅助驾驶功能性能评价方法，其特征在于，超调角度
ω
over
的计算方法为：差值与目标转角的比值，所述差值为助力转向系统执行的最大转角值与辅助驾驶系统目标转角请求的差值
。4.
根据权利要求1所述的基于深度强化学习的辅助驾驶功能性能评价方法，其特征在于，稳定时间
t
set
为助力转向系统开始响应到稳态误差的调节时间
。5.
根据权利要求1所述的基于深度强化学习的辅助驾驶功能性能评价方法，其特征在于，抖动鲁棒性
z
cha
的评估方式为：方向盘力矩经过滤波得到的高频信号是否超过预设标定量
。6.
根据权利要求1所述的基于深度强化学习的辅助驾驶功能性能评价方法，其特征在于，接管平顺性
f
smo
的计算方法为，预设时间内手力矩和电机输出力矩的卸力百分比低于预设固定权重比
。7.
根据权利要求1所述的基于深度强化学习的辅助驾驶功能性能评价方法，其特征在于，所述步骤
S3
中，将物理信息和性能评估参数定义为系统状态变量，具体公式如下：
S(t)
＝
(
ω
steer
，
m
tbt
，
v
veh
，
m
mot
，
t
res
，
ω
over
，
t
set
，
z
cha
，
f
smo
)
系统状态变量的约束条件为：式中
ω
steer,min
、
ω
steer,max
表示方向盘允许的最小和最大转角；
m
tbt,min
、m
tbt,max
表示手力矩的最大值和最小值；
m
mot,min
，
m
mot,max
为电机力的最小值和最大值；
v
veh,min
，
v
veh,max
分别为最小和最大车速
。8.
根据权利要...

【专利技术属性】
技术研发人员：李港，陈梦民，许柳，龚城，万锐，李威尔，张彧，瞿桂鹏，龙杏，
申请(专利权)人：博世华域转向系统武汉有限公司，
类型：发明
国别省市：