详情

原文传递基于BP神经网络的汽车行驶状态估计方法

专利名称：	基于BP神经网络的汽车行驶状态估计方法
摘要：	本专利属于汽车行驶状态估计方法技术领域，具体涉及一种基于BP神经网络的汽车行驶状态估计方法，包括下列步骤：S1、建立三自由度运动微分方程；S2、基于三自由度运动微分方程建立状态空间表达式；S3、将状态空间表达式离散化，获得实时刻汽车质心纵向速度、侧向速度以及横摆角速度的估计值；S4、根据所述汽车质心纵向速度、侧向速度求得汽车质心侧偏角的估计值；S5、采用BP神经网络，获得汽车质心侧偏角的最优估计值。本发明在自适应遗传算法的基础上，引进一种新的粒子选择算子，应用于自适应遗传粒子滤波估计器中，相比于标准粒子滤波估计器，对汽车行驶状态的估计值精度更高。本发明用于汽车行驶状态的估计。
专利类型：	发明专利
国家地区组织代码：	山西;14
申请人：	太原科技大学
发明人：	连晋毅;任艳强;张喜清;智晋宁;李占龙;薛昊渊;王嘉仑;贾春路
专利状态：	有效
申请日期：	2019-08-15T00:00:00+0800
发布日期：	2019-11-26T00:00:00+0800
申请号：	CN201910751871.X
公开号：	CN110497916A
代理机构：	北京志霖恒远知识产权代理事务所(普通合伙)
代理人：	申绍中
分类号：	B60W40/10(2012.01);B;B60;B60W;B60W40
申请人地址：	030024 山西省太原市万柏林区窊流路66号
主权项：	1.基于BP神经网络的汽车行驶状态估计方法，其特征在于：包括下列步骤： S1、建立包含汽车纵向运动，侧向运动以及横摆运动的具有非线性特征的三自由度运动微分方程； S2、基于三自由度运动微分方程建立状态空间表达式； S3、将状态空间表达式离散化，建立关于汽车质心纵向速度、侧向速度以及横摆角速度的状态方程与量测方程，将所述汽车质心纵向速度、侧向速度以及横摆角速度迭代至粒子滤波估计器中，获得实时刻汽车质心纵向速度、侧向速度以及横摆角速度的估计值； S4、根据所述汽车质心纵向速度、侧向速度求得汽车质心侧偏角的估计值； S5、采用BP神经网络，获得汽车质心侧偏角的最优估计值。 2.根据权利要求1所述的基于BP神经网络的汽车行驶状态估计方法，其特征在于：所述S1中三自由度运动微分方程的求法为：纵向运动：FX＝(FXfl+FXfr)cosδ-(FYfl+FYfr)sinδ+(FXrl+FXrr) 侧向运动：FY＝(FYfl+FYfr)cosδ+(FXfl+FXfr)sinδ+(FYrl+FYrr) 横摆运动： FX为汽车受到的外力沿X方向的合力，FY为汽车受到的力沿Y方向的合力，MZ为绕质心处的力矩，FXfl、FXfr、FXrl、FXrr分别为地面对汽车的左前轮纵向力、右前轮纵向力、左后轮纵向力、右后轮纵向力；FYfl、FYfr、FYrl、FYrr分别为地面对汽车的左前轮侧向力、右前轮侧向力、左后轮侧向力、右后轮侧向力，δ为汽车的前轮转角，a为汽车前轴中心至汽车质心的距离，b为汽车后轴中心至汽车质心的距离，B为汽车轮距，M为整车质量，VX为汽车质心纵向速度，VY为汽车质心侧向速度，IZ为汽车绕Z轴的转动惯量。整理上述公式可得三自由度非线性运动微分方程为： 3.根据权利要求1所述的基于BP神经网络的汽车行驶状态估计方法，其特征在于：所述S2中状态空间表达式为： Z(t)＝C(t)·X(t)+D·U(t)+Vk 其中X(t)为实际的状态变量；X(t)＝[VX(t) VY(t) Wr(t)]′，VX(t)、VY(t)、Wr(t)分别为t时刻汽车质心纵向速度、侧向速度、横摆角速度，U(t)＝[FX FY MZ]′，U为整个系统的输入变量 Z(t)为待观测向量，C、D向量随着观测向量的不同而在改变，Wk为过程噪声，Vk为观测噪声，本粒子滤波估计器将各个车轮的转矩作为观测量，Z(t)＝[Wfl(t) Wfr(t) Wrl(t) Wrr(t)]′，Wfl(t)、Wfr(t)、Wrl(t)、Wrr(t)分别为左前轮，右前轮，左后轮，右后轮在t时刻的车轮转矩，其中，λ为车轮与地面之间的相对滑移率，γ为车轮的滚动半径。 4.根据权利要求1所述的基于BP神经网络的汽车行驶状态估计方法，其特征在于：所述S3中将三自由度空间状态表达式离散化为：其中，X(kT)为k时刻状态变量的估计值，X[(k-1)T]为(k-1)时刻转态变量的估计值，G(T)＝eAT，T为粒子滤波器的采样时间。 5.根据权利要求1所述的基于BP神经网络的汽车行驶状态估计方法，其特征在于：所述S3中粒子滤波估计器的算法为： S3.1、计算每个采样粒子的权值即适应度，并且按由高到低的顺序排列； S3.2、将粒子的最高权值记为weight_max，最低权值记为weight_min，淘汰上限权值记为weight1，保留下限权值记为weight2， S3.3、直接淘汰掉权值低于weight1的粒子，复制权值高于weight2的粒子作为父本，将所有权值高于weight1的粒子作为子代。标记子代中最大权值粒子以及最小权值粒子将子代粒子全部参与轮盘赌选择，并且标记选择后的最大权值粒子与最小权值粒子 S3.4、最优选择：比较与的大小，若大于则随机去除选择粒子群的任一粒子，添加粒子这样保留了有效粒子；最差选择：比较与的大小，若小于则随机去除选择粒子群的任一粒子，添加粒子这样保留了粒子的多样性； S3.5、将S3.2中的保留粒子与经步骤S3.3与S3.4中选择得到的粒子组合成新的粒子群，参与后序的交叉操作与变异操作；通过改进的自适应遗传粒子滤波算法，可以得到汽车在各行驶工况下的车辆状态估计值。 6.根据权利要求1所述的基于BP神经网络的汽车行驶状态估计方法，其特征在于：所述S4中汽车质心侧偏角的估计值的求法为：汽车质心侧偏角的估计值为 7.根据权利要求1所述的基于BP神经网络的汽车行驶状态估计方法，其特征在于：所述S5中训练BP神经网络的方法为： S5.1、在(0,1)范围内初始化网络权值和阙值； S5.2、对于所有的输入样本训练集重复以下步骤： S5.2.1、根据当前参数计算当前样本的输出f函数为神经元的传递函数，其中βj为输出层第j个神经元接收到的输入， S5.2.2、计算输出层神经元的梯度项gi， S5.2.3、计算隐层神经元的梯度项eh， S5.2.4、更新连接权值whj，vih与阙值θj，γh whj＝whj+Δwhj+ηgjbh vih＝vih+Δvih＝vih+ηehxi θj＝θj+Δθj＝θj-ηgj γh＝γh+Δγh＝γh-ηeh 其中η为网络的学习率； S5.3、当BP神经网络的输出误差小于预先设定的值时，停止训练，达到目的，否则返回S5.2继续训练直到满足目标为止；经上述步骤即可训练出满足预先设定目标的BP神经网络，其中，xi为BP神经网络的第i个输入神经元，bh为第h个隐层神经元输出，yj为第j个输出神经元输出，vih指输入层第i个神经元对隐层第h个神经元的权值，whj值隐层第h个神经元对输出层第j个神经元的权值，用γh表示隐层第h个神经元的阙值，用θj表示输出层第j个神经元的阙值。 8.根据权利要求6所述的基于BP神经网络的汽车行驶状态估计方法，其特征在于：所述BP神经网络将不同观测变量得到的汽车状态估计值进行融合计算，得到最优汽车状态估计。 9.根据权利要求1所述的基于BP神经网络的汽车行驶状态估计方法，其特征在于：所述S5中质心侧偏角的最优估计值的求法为通过BP神经网络与粒子滤波算法求得最优汽车质心侧向速度与汽车质心纵向速度，可求得质心侧偏角的最优估计值所述
所属类别：	发明专利