原文传递
基于混合神经网络的乘用车路面附着系数估计模型研究
| 论文题名： | 基于混合神经网络的乘用车路面附着系数估计模型研究 |
| 关键词： | 乘用车;路面附着系数估计模型;混合神经网络 |
| 摘要： | 随着汽车自动驾驶技术的逐步发展和完善，获取车辆运动状态参数与环境数据成为安全驾驶的不可或缺的步骤。在目前常用的路面附着系数获取技术中，以传感器为基础的直接式获取技术的设备要求与维护成本较高，而以汽车信号为基础的间接式获取技术在准确性和实时性方面的效果较差，难以达到较好的估计效果。因此，路面附着系数的研究对汽车安全驾驶具有重要意义。 由于路面附着系数尚无直接的计算模型，为了实现路面附着系数的估计，本文提出一种基于神经网络模型的估计方法，建立卷积神经网络对乘用车原始数据集进行特征处理、长短期记忆网络对时间序列数据进行估计的混合网络，将训练完成的神经网络模型作为路面附着系数估计模型，实现对路面附着系数的估计，同时分析网络模型的两个误差补偿对模型进行优化。主要工作如下： （1）基于图优化的车轮角速度优化方法的研究。针对传统的自适应滤波方法在计算车轮角速度时存在较大误差的问题，本文提出了一种基于图的优化算法对角速度进行实时的降噪和优化处理。该算法通过车轮齿圈计算车轮角速度，同时结合汽车惯性单元测量数据设计图优化模型，并在模型中设置顶点和边的约束，以此校正车轮角速度。经过图优化之后的信号消除了尖峰固有噪声，减小了数据波动，为路面附着系数估计模型提供了可靠的数据。 （2）基于混合神经网络的路面附着系数估计模型的建立。针对目前的解析模型无法直接根据车身数据计算路面附着系数的问题，本文建立以空间为特征的卷积神经网络模型、以时间为特征的长短期记忆网络模型的混合网络，通过对网络的权值以及网络结构的调整，将混合神经网络作为路面附着系数估计的模型。该模型实现实时采集样本集，离线训练神经网络，最后将训练完成的网络模型实时计算路面附着系数，并通过与目前路面附着系数估计的主流模型框架进行结果分析对比，实验结果表明混合神经网络模型提高了估计准确度。 （3）基于批次处理以及距离平均选择的混合神经网络模型优化研究。针对神经网络模型对路面附着系数估计结果具有较大波动性的问题，本文提出并设计了基于批次处理和距离平均选择的乘用车数据处理方法，该方法对混合神经网络模型进行优化，通过实验比较数据处理前后对混合网络模型的优化效果，实验结果表明该模型优化方法与原始模型估计结果相比提高了估计的准确度。 |
| 作者： | 杨瑞 |
| 专业： | 信息与通信工程 |
| 导师： | 韩屏 |
| 授予学位： | 硕士 |
| 授予学位单位： | 武汉理工大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
