CN115406446B 基于神经网络与无迹卡尔曼滤波的多轴特种车状态估计方法 （中国人民解放军火箭军工程大学）

号artificialneuralnetworInstitutionofMechanicalEngineers,MariaJesusL.Boada,etal.Event-triggeringH∞-based基于神经网络与无迹卡尔曼滤波的多轴特本发明公开了基于神经网络与无迹卡尔曼利用神经网络和无迹卡尔曼滤波两种算法对多轴特种车辆的质心侧偏角和侧倾角两个主要控2BeatrizL.Boada,etal.AConstrainedTruncationforEstimParametersandRoadBankAngle:页.3步骤二：利用神经网络模块对传感器信号数据进行处理k+1k2.根据权利要求1所述的基于神经网络与无迹卡尔曼滤波的多轴特种车状态估计方所述神经网络模块使用全连接神经网络估计伪质心侧偏角和伪侧倾3.根据权利要求2所述的基于神经网络与无迹卡尔曼滤波的多轴特种车状态估计方4.根据权利要求3所述的基于神经网络与无迹卡尔曼滤波的多轴特种车状态估计方4根据反向传播算法得到的参数梯度，神经网络模型基于梯度下η5.根据权利要求1所述的基于神经网络与无迹卡尔曼滤波的多轴特种车状态估计方,p(5)s56.根据权利要求5所述的基于神经网络与无迹卡尔曼滤波的多轴特种车状态估计方7.根据权利要求1所述的基于神经网络与无迹卡尔曼滤波的多轴特种车状态估计方62重新求得Sigma点集和其相应权值并计算Sigma点将上一步计算出的状态预测量通过无迹变换计算出预测7状态校正过程主要进行状态向量校正和状态误差协方差校正8.一种基于神经网络与无迹卡尔曼滤波的多轴特种车状态估计器，基于权利要求1_7所述神经网络模块用于根据传感器采集车辆信号数据包估计伪质心侧偏角和伪侧倾所述无迹卡尔曼滤波模块用于根据神经网络模块所获得的伪质心侧偏角和伪侧倾角8al.EstimationofSideslipandRollAnglesofElectricVehiclesUsingLateralTireForceSensorsThroughRLSandKalmanFilterApproaches[J].IndustrialElectronics,IEEETransactionson,2013”提出了一种利用多传感轮毂单元获得的实时MethodologyforSimultaneousEstimationofVehicleSideslipandYawAngles定位系统(DA_GPS)与其他低成本车载传感器集成在一起的融合方法，以实现车辆质心侧偏角和侧倾角的可靠估计，先通过两个平行的扩展卡尔曼滤波器的相互作用，准确估计车辆结果表明，该方法能够在广泛的驾驶工况下提供可靠的质心侧偏角和侧倾角的估计；文章“JINX,YING.Estimationoflateraltire_roadForcesandsideslipAngleforelectricVehiclesusinginteractingmultiplemodelfilterapproach[J].JournaloftheFranklinInstitute,2014”提出了一种利用实时测量来估计质心侧偏角和侧倾角9势，已经被证实具有避免车辆动力学估计问题的能力；文章“SASAKIH,NISHIMAKIT.ASideSlipAngleEstimationUsingNeuralNetworkforaWheeledVehicle[J],2000”和“WEIW,SHAOYIB,LANCHUNZ,etalGeneralRegressionNeuralNetwork[J].MathematicalProblemsinEngineering,[0030]S3.2在建立得到无迹卡尔曼滤波状态[0061](3)UKF滤波算法利用相似分布原理，计算的Sigma点集跟原分布均值和协方差一n是一个缩放比例函数，用来降低总的预测误[0095]所述神经网络模块用于根据传感器采集车辆信号数据包估计伪质心侧偏角和伪[0096]所述无迹卡尔曼滤波模块用于根据神经网络模块所获得的伪质心侧偏角和伪侧倾角计算最终的多轴特种车辆的质心侧偏角和侧倾[0098](1)本发明提出了一种基于神经网络与无迹卡尔曼滤波的多轴特种车状态估计方述两种算法对多轴特种车辆轮胎的质心侧偏角和侧倾角两个主要控制参数同时进行估计，[0100](3)本方法所提出的同时估计质心侧偏角和侧倾角的算法经过训练集中所不包含[0101]图1为本发明基于神经网络与无迹卡尔曼滤波的多轴特种车状态估计器的结构架[0127]实施例1：参照附图1_15所示的一种基于神经网络与无迹卡尔曼滤波的多轴特种模块最终得出多轴特种车辆的质心侧偏角和侧倾数据集中必须包含车辆主要的机动状态下的数据情况，以便来表征非线性车辆的响应特采集由Trucksim提供整车动力学模型，同时与Matlab/Simulink进行联合仿真完成；TruckSim软件是一款基于参数化建模的传统与现代多体车辆动力学相结合的汽车行业应过程而不是离散的标签，所以采用均方误差作为表示预测与实际值之间差距的损失函数；调节正则化函数对网络的权重的影响，通过引入超参数γ调节L2[0178]S3.2在建立得到无迹卡尔曼滤波状态[0183]i=AX+B-u+w(14)[0187]UKF滤波算法利用相似分布原理，计算的Sigma点集跟原2[0218]PB=P+KRK⃞r(29)[0220]通过本实施例所述估计方法得到一种基于神经网络与无迹卡尔曼滤波的多轴特种车状态估计器，所述状态估计器主要包括神经网络模块和无迹卡尔曼滤波模块二个模[0222]所述无迹卡尔曼滤波模块用于将所述基于神经网络的神经网络模块所获得的伪重型特种车辆；方向盘转角传感器采集转向信息；Speedbox_mini放置于车内，并在软件过程如图5所示，将实验测得的方向盘转角、纵向速度作为Trucksim模型的输入，将[0236]实施例3.为验证经实施例1所述方法建立得到的基于神经网络与无迹卡尔曼滤波NN_UKF相比，UKF中的观测向量为只考虑了侧向加速度和侧倾率而未考虑心侧偏角和侧倾角估计误差都明显小于UKF算法，也证明了NN_UKF算法在估计质心侧偏角速度、横摆角速度和侧倾角速度如图10(a_f)所示，为了进一步验证NN+UKF算法的估计效心侧偏角和侧倾角验证对比如图11(a_b)所示，质心侧偏角和侧倾角差值如图12(a_b)所NN算法下降了30.8％。工况2中基于UKF+NN对质心侧偏角的估计相对UKF算法下降了法下降了27.3%;[0251]综上结果表明估计算法精度较高，可实现对质心侧偏角和侧倾角参数的同时估操纵失稳的可能性，本发明实施例1所提出的基于神经网络与无迹卡尔曼滤波的估计方法