[发明专利]一种基于神经网络的车速估计方法及系统

权利要求书

1.一种基于神经网络的车速估计方法，其特征在于，所述车速估计方法包括：

获取训练样本；所述训练样本中的数据为前提测试中的车辆实时数据；所述车辆实时数据包括四轮轮速、方向盘转角、横摆加速度、纵向加速度、侧向加速度；

将所述训练样本中的训练输入量拓展为8*8的对称车辆实时数据矩阵；所述对称车辆实时数据矩阵为：

【wh1 wh1 wh1 wh1 wh1 wh1 wh1 wh1】

【wh1 wh2 wh2 wh2 wh2 wh2 wh2 wh2】

【wh1 wh2 wh3 wh3 wh3 wh3 wh3 wh3】

【wh1 wh2 wh3 wh4 wh4 wh4 wh4 wh4】

【wh1 wh2 wh3 wh4 str str str str】

【wh1 wh2 wh3 wh4 stryaw yaw yaw】

【wh1 wh2 wh3 wh4 stryaw log log】

【wh1 wh2 wh3 wh4 stryaw log lat】；

其中，wh1 wh2 wh3 wh4分别表示第一车轮轮速、第二车轮轮速、第三车轮轮速以及第四车轮轮速；Str表示方向盘转角；Yaw表示横摆加速度；Log表示纵向加速度；lat表示侧向加速度；

确定训练输出量；所述训练输出量为车辆对地的横向速度和纵向速度；

根据所述对称车辆实时数据矩阵和所述训练输出量，对卷积神经网络进行训练，得到训练后的卷积神经网络模型；

卷积神经网络包括两种类型的网络层，分别是卷积层和采样层；

当输入的训练输入量经过卷积层时，卷积层的卷积核是在输入的训练输入量中以一个滑动窗口计算得到的；卷积核的每一个参数都是神经网络中的权值参数；将卷积核的各个参数与对应训练样本中的数据做乘积，得到该卷积层的结果；

当卷积层输出训练输入量的特征后，为了进一步降低网络训练参数及模型的过拟合程度，将特征输入到采样层进行处理；该采样层的作用是作用于每个输出特征并减小输出特征大小，具体为采用最大池化方法对每个输出特征进行处理，以减小其输出特征的大小；

将经过最后一层池化的数据与训练样本的输出数据进行比较，得到与各个横向速度及纵向速度的近似度，选择最相似的结果进行输出；

获取当前车辆的实时数据；所述当前车辆的实时数据包括当前车辆的四轮轮速、当前车辆的方向盘转角、当前车辆的横摆加速度、当前车辆的纵向加速度以及当前车辆的侧向加速度；

将所述当前车辆的实时数据输入到所述训练后的卷积神经网络模型，估计当前车辆对地的横向速度和纵向速度。

2.根据权利要求1所述的基于神经网络的车速估计方法，其特征在于，所述将所述当前车辆的实时数据输入到所述训练后的卷积神经网络模型，估计当前车辆对地的横向速度和纵向速度，具体包括：

将所述当前车辆的实时数据按照所述训练输入量形式进行转换；

将转换后的当前车辆的实时数据输入到所述训练后的卷积神经网络模型，估计当前车辆对地的横向速度和纵向速度。

3.根据权利要求1所述的基于神经网络的车速估计方法，其特征在于，所述四轮轮速、所述方向盘转角、所述横摆加速度、所述纵向加速度、所述侧向加速度的数值以向量形式的作为所述训练样本的所述训练输入量。

4.根据权利要求1所述的基于神经网络的车速估计方法，其特征在于，所述训练输出量为车辆在同一时刻经过双轴光学传感器测得的对地的横向速度和纵向速度。

5.根据权利要求4所述的基于神经网络的车速估计方法，其特征在于，所述训练输出量为【vlatvlog】；其中，vlat表示横向速度，vlog表示纵向速度。

6.一种基于神经网络的车速估计系统，其特征在于，所述车速估计系统法包括：

训练样本获取模块，用于获取训练样本；所述训练样本中的数据为前提测试中的车辆实时数据；所述车辆实时数据包括四轮轮速、方向盘转角、横摆加速度、纵向加速度、侧向加速度；

对称车辆实时数据矩阵确定模块，用于将所述训练样本中的训练输入量拓展为8*8的对称车辆实时数据矩阵；所述对称车辆实时数据矩阵为：

【wh1 wh1 wh1 wh1 wh1 wh1 wh1 wh1】

【wh1 wh2 wh2 wh2 wh2 wh2 wh2 wh2】

【wh1 wh2 wh3 wh3 wh3 wh3 wh3 wh3】

【wh1 wh2 wh3 wh4 wh4 wh4 wh4 wh4】

【wh1 wh2 wh3 wh4 str str str str】

【wh1 wh2 wh3 wh4 stryaw yaw yaw】

【wh1 wh2 wh3 wh4 stryaw log log】

【wh1 wh2 wh3 wh4 stryaw log lat】；

其中，wh1 wh2 wh3 wh4分别表示第一车轮轮速、第二车轮轮速、第三车轮轮速以及第四车轮轮速；Str表示方向盘转角；Yaw表示横摆加速度；Log表示纵向加速度；lat表示侧向加速度；

训练输出量确定模块，用于确定训练输出量；所述训练输出量为车辆对地的横向速度和纵向速度；

卷积神经网络训练模块，用于根据所述对称车辆实时数据矩阵和所述训练输出量，对卷积神经网络进行训练，得到训练后的卷积神经网络模型；

卷积神经网络包括两种类型的网络层，分别是卷积层和采样层；

当输入的训练输入量经过卷积层时，卷积层的卷积核是在输入的训练输入量中以一个滑动窗口计算得到的；卷积核的每一个参数都是神经网络中的权值参数；将卷积核的各个参数与对应训练样本中的数据做乘积，得到该卷积层的结果；

当卷积层输出训练输入量的特征后，为了进一步降低网络训练参数及模型的过拟合程度，将特征输入到采样层进行处理；该采样层的作用是作用于每个输出特征并减小输出特征大小，具体为采用最大池化方法对每个输出特征进行处理，以减小其输出特征的大小；

将经过最后一层池化的数据与训练样本的输出数据进行比较，得到与各个横向速度及纵向速度的近似度，选择最相似的结果进行输出；

当前车辆实时数据获取模块，用于获取当前车辆的实时数据；所述当前车辆的实时数据包括当前车辆的四轮轮速、当前车辆的方向盘转角、当前车辆的横摆加速度、当前车辆的纵向加速度以及当前车辆的侧向加速度；

当前车辆对地横向速度和纵向速度估计模块，用于将所述当前车辆的实时数据输入到所述训练后的卷积神经网络模型，估计当前车辆对地的横向速度和纵向速度。