[发明专利]一种基于深度集成网络自适应卡尔曼滤波的路面附着系数估计方法

权利要求书

1.一种基于深度集成网络自适应卡尔曼滤波的路面附着系数估计方法，其特征在于，包括：

S1：采集不同工况下的训练数据，并进行归一化处理；

S2：搭建深度集成预测网络，利用采集的数据进行网络训练，并配置强化学习算法进行网络优化；

S3：训练完成的深度集成网络将基于车辆状态信息计算预测值和不确定性误差的均值，同时，基于Dugoff轮胎模型计算横向力和纵向力；

S4：利用车辆三自由度模型建立目标运动方程，并进行离散化、线性化处理；

S5：根据深度集成网络输出的估计值均值和不确定性误差均值不断更新观测变量和观测噪声协方差矩阵，基于扩展卡尔曼滤波迭代进行状态量的预测与校正，最终获得最优的路面附着系数估计值。

2.根据权利要求1所述的一种基于深度集成网络自适应卡尔曼滤波的路面附着系数估计方法，其特征在于，所述S1中数据采集是在Carsim与Simulink环境下的不同工况的数据，利用Carsim整车动力学模型，与Matlab/Simulink进行联合仿真，设置直线行驶、定圆转向、8字型转向和S型移线四种典型工况，车速范围为10km/h≤v≤100km/h，车速间隔为5km/h；路面附着系数范围为0.05≤μ≤1，路面附着系数间隔为0.05，在不同的工况、车速、路面附着情况下对所需信号a_x、a_y、v_x、v_y、δ、n_i、r(其中，a_x和a_y分别为纵、横向加速度、v_x和v_y分别为纵、横向速度、δ为前轮转角、n_i为前轮转速、r为横摆角速度)进行采样，单次采样时间为60s，采样频率为20Hz，对数据进行归一化处理，通过遍历每一个数据，将最大值x_max和x_min的记录下来，并以x_max和x_min作为基数进行数据的归一化处理：

3.根据权利要求1所述的一种基于深度集成网络自适应卡尔曼滤波的路面附着系数估计方法，其特征在于，所述S2搭建的深度集成预测网络，利用采集的数据进行网络训练，配置强化学习算法进行权重优化，网络包含两层包含128个隐藏单元的全连接层，生成的序列特征向量输入256维单元状态的LSTM层从而产生新的特征向量，构建四个同样的网络分别用于不同的行驶工况数据的训练，将得到的数据集划分训练集、验证集、测试集，其中，归一化后的信号a_x、a_y、v_x、v_y、δ、n_i、r为输入，对应附着系数为输出标签，损失函数选择为均方根误差RMSE，优化器选择为Adam，batch size设置为2000，学习率设置为0.001，于tensorflow深度学习框架对网络模型进行训练。其中，损失函数均方根误差RMSE的计算公式为：

其中，T为样本数量，为预测值，y_t为真实值，并使得σ_iNN＝RMSE；

最后，将LSTM的结果通过一个全连接层来获得一个网络的估计值μ_iNN和不确定性误差σ_iNN；

为避免预测的路面附着系数μ_iNN±σ_iNN超过路面附着系数正常值范围[0,1]，通过Q-learning强化学习不断给予奖惩反馈，执行动作修正网络的权重与偏置，使路面附着系数的估计值稳定在正常值范围，缓解估计值溢出现象。

4.根据权利要求1所述的一种基于深度集成网络自适应卡尔曼滤波的路面附着系数估计方法，其特征在于，所述S3中，将目标路段实车实时信息经深度集成网络计算得到四个预测值μ_iNN和经RMSE计算得到的方差σ_iNN，并计算求得均值：