[发明专利]一种基于深度神经网络的车身姿态稳定方法和系统

说明书

本发明公开了一种基于深度神经网络的车身姿态稳定方法和系统，包括以下步骤，采集模块采集实车驾驶过程中在各种模拟车身姿态下产生的传感数据和产生的模拟控制参数，并生成训练数据集；所述训练数据集输入至所述深度神经网络模型进行学习训练，获得训练后具有内部固定参数的预测神经网络模型；车辆实际正常驾驶过程中采集模块将产生的实际数据输入至所述预测神经网络模型中，输出车辆的实际控制参数；车身控制模块根据输出的所述实际控制参数下发至车身上的相应控制部件，对车辆的车身姿态进行稳定控制。本发明的有益效果：提高对于车身姿态判断的精度和覆盖度，更加全面、精确得预测出车身姿态，并对自动产生有助于车身稳定的自动辅助控制。

技术领域

本发明涉及的技术领域，尤其涉及一种基于深度神经网络的车身姿态稳定方法及其系统。

背景技术

近年来，伴随着深度学习的发展，深度学习在汽车自动控制领域在尝试新的突破和进展。传统汽车自动控制系统主要是采用传感器采集数据、处理单元通过数学公式计算的方法，这种方法在一些特殊的汽车行驶姿态时可以取得一定的自动校正效果，但并不能完整得覆盖所有特殊状况。基于深度神经网络的车身姿态稳定控制方法相对于传统方法，它具有更丰富的特征提取和整车车身姿态的判断和校正等能力。将基于深度学习的深度神经网络应用于车身姿态稳定系统中，有利于系统更好的从各种传感器分析车身姿态，从而达到控制车身姿态稳定的目的。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明解决的技术问题是：为了解决传统车身姿态稳定系统对于车身姿态判断不够灵敏、细微，从而对车身姿态控制不够精确，基于深度学习达到全时的监控车身姿态以及及时的辅助车身姿态稳定控制。

为解决上述技术问题，本发明提供如下技术方案：一种基于深度神经网络的车身姿态稳定方法，包括以下步骤，采集模块采集实车驾驶过程中在各种模拟车身姿态下产生的传感数据和产生的模拟控制参数，并生成训练数据集；构建深度神经网络模型；所述训练数据集输入至所述深度神经网络模型进行学习训练，获得训练后具有内部固定参数的预测神经网络模型；车辆实际正常驾驶过程中采集模块将产生的实际数据输入至所述预测神经网络模型中，输出车辆的实际控制参数；车身控制模块根据输出的所述实际控制参数下发至车身上的相应控制部件，对车辆的车身姿态进行稳定控制。

作为本发明所述的基于深度神经网络的车身姿态稳定方法的一种优选方案，其中：使用IMU、车速传感器或车身摆动传感器检测车身姿态的传感器在实车采集各种驾驶的所述传感数据，通过车辆在各种路面进行变速度、转向和制动行驶，并采集实时的各种传感器的数据。

作为本发明所述的基于深度神经网络的车身姿态稳定方法的一种优选方案，其中：包括模拟控制参数的生成步骤，仿真环境中，通过不同的控制意图让仿真车辆通过不同的路面；在原有的控制意图的基础上，加入不同的车身底层控制参数组合；挑选出使车身稳定的底层控制参数作为模拟控制参数。

作为本发明所述的基于深度神经网络的车身姿态稳定方法的一种优选方案，其中：所述深度神经网络模型的输出为所述模拟控制参数，车身各种姿态的工况和原有的控制意图作为所述深度神经网络模型的输入放入搭建的所述深度神经网络模型中进行训练。

作为本发明所述的基于深度神经网络的车身姿态稳定方法的一种优选方案，其中：所述深度神经网络模型由全连接层和激活层搭建，输入的接口数量根据传感器输入的参数数量决定，且输出的接口数量根据下达的控制指令数量决定。