[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

说明书

本发明公开了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，本发明基于常规车载传感器信号，无需借助视觉图像信息，避免了因高速行驶时图像质量较差导致的估测失准，且降低了对算法性能的要求，便于了方案的实施与应用。本发明的方法兼具了深度预测网络和卡尔曼观测器的优点，是一种准确性较高且泛化性较好的路面附着系数预测方法，可有效提升路面附着系数估计的准确性，为极限工况行驶车辆提供了更加准确的控制依据。引入强化学习理论对深度网络进行优化，避免了因训练误差导致的路面附着系数估计值溢出正常值的情况。

技术领域

本发明属于一种路面附着系数估计方法，尤其涉及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。

背景技术

随着主动安全控制系统在汽车上的广泛应用，控制系统需精确获取外界环境及路面条件信息。路面附着系数作为表达路面与轮胎之间相互作用的关键参数，是智能电动汽车决策、规划的重要输入，但又不能直接测量。获取较为准确的路面附着系数可充分发挥主动安全系统的性能，对提高车辆行驶的操作稳定性、主动安全性和乘坐舒适性有着至关重要的意义。

现阶段关于路面附着系数估计的方法主要分为三类，第一类为基于车辆动力学响应构造的观测器，以卡尔曼滤波、最小二乘法为主流方案进行路面附着系数估计，对输入和测量噪声具有很强的鲁棒性，但该方法需在足够路面激励的条件下保证估计的准确性，同时，轮胎模型具有非线性时变性，估计精度不高；第二类为非线性神经网络模型，以线性回归的方式预测路面附着系数，在处理非线性问题中有很大优势，满足了估算路面附着系数的需求，但存在泛化性能较差的缺陷，在训练数据集未涵盖的工况条件下估计值会存在较大的不确定性值，甚至超出正常范围；第三类为基于路面的视觉图像信息实现附着系数估计，该方法需要配备摄像头，对算法泛化要求较高，且不能涵盖车轮与路面间的相互作用关系，在处理图像信息时需依靠高性能的计算平台，高速行驶时图像质量较差，导致估计误差较大，难以适应车辆复杂多变的工况。

因此需要一种能基于常规车载传感器信号，准确性较高且泛化性较好的路面附着系数预测方法，为极限工况行驶车辆提供更加准确的控制依据。

发明内容

为了解决上述技术难题，本发明提出一种基于深度集成网络的自适应卡尔曼滤波路面附着系数估计方法。本发明主要包括以下步骤：

S1：Carsim与Simulink进行联合仿真，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估计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。