[发明专利]一种融合规范模型的车辆状态估计序列神经网络

权利要求书

1.一种融合规范模型的车辆状态估计序列神经网络，其特征在于：包括以下步骤：

S1、设定需要估计的各个估计量的合理范围π_i，组成集合π；

所述估计量指总体模型需要估计的车辆状态量；

S2、获取传感器信息，输入到序列深度学习模型进行预测，得到预测的车辆状态值向量S_pt(其中元素为S_pti)；

S3、获取传感器信息以及上一时刻输出的状态信息，输入形式化边界模型计算变化率的限制向量Ω_t(其中元素Ω_ti)，以及各值变化率的方向组成的方向向量V_t(其中元素为V_ti)；

S4、获取上一个时刻的输出S_t-1，用下式计算出各状态值的变化率向量α_t，其中ρ为模型预测的时间步长

S5、以π、S_pt、Ω_t、V_t、α_t为输入，进行规范校验，获取最终的输出S_t，并且反馈到序列深度学习模型中；

S6、返回步骤S2进行下一个时刻的输出估计。

2.根据权利要求1所述的一种融合规范模型的车辆状态估计序列神经网络，其特征在于：所述步骤S3中，所述限制向量Ω_t和方向向量V_t获取方式具体包括以下步骤：

S31、获取传感器的输入和上一时刻输出的车辆状态量；

S32、基于前述信息和简单的轮胎模型计算得到车辆各轮胎所受到的轮胎力大小；

S33、由各轮胎力计算得到车辆质心所受力和力矩的方向和大小；

S34、基于力和力矩计算估计量的变化率；

S35、将上述变化率拆分成方向向量V_t与限值向量Ω_t。

3.根据权利要求1所述的一种融合规范模型的车辆状态估计序列神经网络，其特征在于：所述步骤S5中，所述最终的输出S_t获取及反馈具体包括以下步骤：

S51、检查α_t中各项α_ti的方向是否与V_t中各项的方向一致；检查α_t中各项α_ti的绝对值是否小于等于Ω_t中对应的各项Ω_ti；检查S_pt中各值是否在预先设定的范围π内；

S52、检查正确的估计项进行赋值

S_ti＝S_pti；

S53、将检查出错的估计量加入错误集合E；

S54、弹出E中的一个估计量，若E为空则转到步骤S57；

S55、若该估计量出错由变化率的方向或值大于限制值，则按照下式来估计该时刻下该估计值的输出；然后返回步骤S54

S_ti＝S_(t-1)i+ρ*V_ti*Ω_ti；

S56、若该估计量出错由超出值域导致，则将其输出限制在值域的边界；返回步骤S54

S_ti＝π_i；

S57、将最终获取的估计向量S_t作为输出。