CN114590264B 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 （江苏大学）

一种基于深度集成网络自适应卡尔曼滤波本发明公开了一种基于深度集成网络自适21.一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，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S5：根据深度集成网络输出的估计值均值和所述S1中数据采集是在Carsim与Simulink环境下的不同工况的数据，利用yyi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yyi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μiNN和不确定性误差为避免预测的路面附着系数μiNN±σiNN超过路面附着系数正常值范围[0,1]，通过Q-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μiNN和经3xi2.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3.根据权利要求2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4过程噪声向量w(t)～N(0,Q)和观测噪声向量v(t)～N(0,R)为零均值多元4.根据权利要求3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5.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根据深度集成网络计算出的估计值均值μo和不确定性误差均值σo来更新观测变量z和6.根据权利要求5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t表示环境的不确定度；根据求得的最优状态量，带入车辆三自由度运动状态方程可求得轮胎56yyix和ay分别为纵横向加入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xyyi[0016]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μiNN和不确定性[0018]优选的，深度集成网络将基于车辆状态信息获得估计值7i测变量和观测噪声协方差矩阵，基于扩展卡尔曼滤波不断迭代进行状态量的预测与校正，8[0045]网=f(u,,.)[0054]根据求得的最优状态量，带入车辆三自由度运动状态方[0057](2)该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[0058](3)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[0059]图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的原理[0060]本发明提出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9yyix和ay分别为纵横向加入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]yyi[0076]最后，通过将LSTM的结果通过一个全连接层来获得一个网络的估计值μiNN和不确ii)T。过程噪声向量w(t)～N(0,Q)和观测噪声向量v(t)～N(0,R)为零均值多元高斯噪[0103]步骤5，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[0117]根据求得的最优状态量，带入车辆三自