[发明专利]一种基于GMM和BP神经网络的路感模拟方法

说明书

本发明提出了一种基于GMM和BP神经网络的路感模拟方法，包括实车路测试验并采集数据，试验数据预处理，归一化试验数据聚类，划分训练数据集和测试数据集，训练和测试基于GMM和BP神经网络的路感模拟模型，判断所得路感模型是否满足要求，根据所得基于GMM和BP神经网络的路感模拟模型进行路感模拟。BP神经网络模型的输入变量为纵向车速、车辆横向加速度、车辆横摆角速度、车辆垂向载荷、方向盘转角和方向盘角速度，输出变量为方向盘力矩。本方法所获得的基于GMM和BP神经网络的路感模拟模型较现有技术具有明显的建模时间，精度和运行速度方面的优势。

技术领域

本发明涉及车辆技术领域，具体涉及一种基于GMM和BP神经网络的路感模拟方法。

背景技术

转向路感，又称转向力感、方向盘反馈力矩，是指驾驶员通过方向盘反馈力矩感受到的反向阻力矩。由于这种路感可以为驾驶员实时地传递重要的路面信息，其对于驾驶员做出正确决策，保证驾驶安全具有重要意义。因此，对于模拟驾驶器或使用线控转向系统的车辆而言，产生可信度较高的路感是其不可缺少的功能之一。然而，目前尚无能够对路感进行高精度建模的方法，因为大多数方法都设计机理建模，需要整定的参数较多，且存在大量难以获得的参数，难以建立高可信度的路感模型。

专利号为CN201420478919.7、名称为“基于C-EPS结构的力感模拟系统”的实用新型专利公开了基于C-EPS结构的力感模拟系统，其采用机理建模方法进行了路感建模，该方法所得模型的精度无法保证。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种基于GMM和BP神经网络的路感模拟方法，以实车试验数据、高斯混合模型(GMM)分类算法和BP神经网络算法进行建模，获得基于GMM和BP神经网络的路感模拟模型，解决传统机理建模存在的模型结构复杂、精度不高等问题。

为了达到上述目的，本发明提供一种基于GMM和BP神经网络的路感模拟方法，包括以下步骤：

步骤一、实车路测试验并采集数据：选取驾驶员进行实车试验，车辆在试验道路中行驶，采集的试验数据包括车速、车辆侧向加速度、车辆横摆角速度、车辆垂向载荷、驾驶员方向盘转角、方向盘角速度和方向盘力矩；

步骤二、试验数据预处理：对试验数据去除异常点后进行归一化处理，得到归一化试验数据集；

步骤三、归一化试验数据聚类：对归一化试验数据使用高斯混合模型分类算法进行聚类，聚类后得到与聚类群落数量k相同个数的数据类，k为大于1的正整数；

步骤四、划分训练数据集和测试数据集：将归一化试验数据集划分为训练数据集和测试数据集；

步骤五、训练基于GMM和BP神经网络的路感模型：使用训练数据集和BP神经网络算法，训练得到k个与数据类数量相同的基于GMM和BP神经网络的路感模拟模型；训练模型时，模型的输入变量为车速、车辆侧向加速度、车辆横摆角速度、车辆垂向载荷、驾驶员方向盘转角、方向盘角速度，输出变量为方向盘力矩；

步骤六、测试基于GMM和BP神经网络的路感模型：使用测试数据集测试得到的k个基于GMM和BP神经网络的路感模拟模型；

步骤七、判断所得路感模型是否满足要求：若所得路感模型满足精度要求则建模成功，否则重新进行实车路采试验；

步骤八、根据得到的基于GMM和BP神经网络的路感模拟模型进行路感模拟。

进一步地，在步骤一的实车试验中：试验道路类型包括城市道路、高速道路和市郊道路。

进一步地，在步骤一的实车试验中：车辆行驶工况包括直行、倒车、转弯、原地转向、上坡和下坡。

进一步地，在步骤二中，被去除的异常点包括超出正常取值范围的数据点和分布严重偏离的数据点。