[发明专利]基于SVR_Adaboost改进算法的商用货车质量估计方法

说明书

本发明请求保护一种基于SVR_Adaboost改进算法的商用货车质量辨识方法，在车辆起步10s，采用时间序列方式在CAN总线中，采集由车辆纵向动力学模型所确定的相关变量纵向驱动力、纵向加速度、迎风阻力、轮胎滚动阻力、路面坡度，并按固定数据结构组合成一组数据。将组合数据Z‑score标准化，再PCA降维到10维，作为输入变量，利用SVR作为基学习算法，再用Adaboost提升方法反复训练，得出一系列弱SVR模型，并组合这些模型，构成最终质量辨识模型。通过Adaboost提升训练后的模型在辨识应用中比单一基学习算法泛化能力更加显著优越、辨识精度更高。

技术领域

本发明属于商用货车的载重辨识方法，特别是一种无人驾驶商用车辆的质量辨识方法。

背景技术

对于商用货车，车辆载重是一个非常重要的参数，对于商用货车，质量的变化范围最高可达400％。从车辆自动控制问题研究方向来思考，如果车辆的质量能够准确获取，将能够改善车辆操纵稳定性、驾驶舒适性和安全性等。

在无人驾驶车辆轨迹跟踪控制研究领域中，准确获取车辆载重更为重要，尤其是商用货车，载重质量变化的情况会直接影响轨迹跟踪精度。

目前车辆质量辨识的研究领域中，可以分为两类：第一类是依靠公路车辆自动衡器直接获取，这种方式比较昂贵；第二类是参数估计方法^[1-4]，这种方式通过纵向驱动力、纵向加速度、迎风阻力、轮胎滚动阻力信息，采用一些智能算法，能够在线准确估计整车质量，属于间接方式估计出整车质量。值得注意的是，第二类主要方法有自适应滑膜观测器^[1]、最小二乘法^[2-4]、基于纵向频响特性估计法^[5]，考虑比较全面的方法有适应空气阻力变化辨识法^[6]，还有针对电驱动质量辨识方法^[7]。本发明采用的是集成学习法，弱学习采用SVR，集成学习采用Adaboost，另在数据采集采用时间序列方式，都与上述方法有所不同。

现代车辆CAN总线都能提供的如纵向驱动力、纵向加速度、迎风阻力、轮胎滚动阻力等信息，因此在不增加额外传感器的情况，参数估计法能受到很大认可。

另一方面，集成学习能够改善单一弱学习器的泛化能力。Adaboost是集成学习最著名的代表，它通过训练多个好而不同的单一弱学习器，并进行组合成一个强学习器，在辨识应用中能够提升辨识精度^[8]。

本申请参考文献:

[1]Mahyuddin M N,Na J,Herrmann G,et al.Adaptive Observer-BasedParameter Estimation With Application to Road Gradient and Vehicle MassEstimation[J].IEEE Transactions on Industrial Electronics,2013,61(6):2851-2863.

[2]Yuan F,Lu X,Zhuoping Y U,et al.Recursive Least Square Vehicle MassEstimation Based on Acceleration Partition[J].Chinese Journal of MechanicalEngineering,2014,27(3):448-458.

[3]Fathy H K,Kang D,Stein J L.Online vehicle mass estimation usingrecursive least squares and supervisory data extraction[C].American ControlConference.IEEE,2008:1842-1848.