基于机器学习的状态相空间车辆稳定性判断方法及系统

1.本技术涉及车辆状态稳定性评价领域，具体涉及基于机器学习的状态相空间车辆稳定性判断方法及系统。


背景技术：

2.汽车现在已经成为了我们生活中不可或缺的一部分，他带给我们的不仅只有生活上的便利，也可能因为车辆事故给我们带来无可挽回的损失，因此，越来越多的学者将目光放在了车辆稳定性评估这一方面。车辆事故除了自身的操作失误、故障之外，更多的是在遇见紧急情况时，车辆车辆轮胎对地面的附着力接近饱和，导致其稳定裕度急剧减小、横纵向的状态参数和操纵特性发生显著变化，从而出现侧滑、甩尾、侧翻等工况，极易引起重大人员伤亡和财产损失，因此车辆稳定性的准确评估对于车辆自动驾驶技术、车辆主动安全等多个领域有非常重要的意义。
3.目前部分学者已经利用临界速度分析法、李雅普诺夫方法和相平面法建立了部分情况下的车辆操纵稳定性评价方法。然而临界速度法仅针对线性情况，实际情况却几乎均为非线性；基于李雅普诺夫的稳定性分析方法则受限于李雅普诺夫函数解析的构造方法，难以在高自由系统中使用；相平面法能够反映高自由度非线性状态下的车辆稳定性，但其维度较低并且稳定区域划分较为困难。
4.申请内容
5.为解决上述背景中的技术问题，本技术通过构建离线的相空间场景库，来对车辆状态稳定性进行评价。
6.为实现上述目的，本技术提供了基于机器学习的状态相空间车辆稳定性判断方法，步骤包括：
7.构建二十七自由度的车辆动力学仿真模型；
8.通过所述车辆动力学仿真模型进行离散事件仿真，得到车辆运动轨迹；
9.基于所述车辆运动轨迹，生成五维的相空间；
10.搜索所述相空间，生成训练集和测试集；
11.基于所述训练集和所述测试集构建相空间模型；并利用所述相空间模型搭建离线的相空间场景库；
12.利用所述相空间场景库，判断车辆的稳定性。
13.优选的，得到所述车辆运动轨迹的方法包括：设置所述车辆动力学仿真模型的仿真模型参数；所述仿真模型参数包括：加速踏板开度、减速踏板开度、路面附着系数、转向角；基于所述仿真模型参数，通过所述车辆动力学仿真模型进行离散事件仿真，得到所述车辆运动轨迹。
14.优选的，生成所述相空间的方法包括：根据所述车辆运动轨迹，记录仿真过程中车辆参数的数值变化；所述车辆参数包括：质心侧偏角、橫摆角速度、质心侧偏角速度、前轮侧偏角和后轮侧偏角；利用所述数值变化生成五维的所述相空间。
15.优选的，生成所述训练集和所述测试集的方法包括：搜索所述相空间，将所述相空间内收敛的运动轨迹标记为收敛，不收敛的运动轨迹标记为不收敛，并生成7:3的所述训练集和所述测试集。
16.优选的，构建所述相空间模型的方法包括：建立基于高斯核的svm模型；并在所述svm模型中加入框约束；最后利用所述训练集和所述测试集对所述svm模型进行训练，得到所述相空间模型。
17.本技术还提供了基于机器学习的状态相空间车辆稳定性判断系统，包括：构建模块、仿真模块、生成模块、准备模块、搭建模块和判断模块；
18.所述构建模块用于构建二十七自由度的车辆动力学仿真模型；
19.所述仿真模块用于通过所述车辆动力学仿真模型进行离散事件仿真，得到车辆运动轨迹；
20.所述生成模块用于基于所述车辆运动轨迹，生成五维的相空间；
21.所述准备模块用于搜索所述相空间，生成训练集和测试集；
22.所述搭建模块用于基于所述训练集和所述测试集构建相空间模型；并利用所述相空间模型搭建离线的相空间场景库；
23.所述判断模块用于利用所述相空间场景库，判断车辆的稳定性。
24.优选的，所述仿真模块的工作流程包括：设置所述车辆动力学仿真模型的仿真模型参数；所述仿真模型参数包括：加速踏板开度、减速踏板开度、路面附着系数、转向角；基于所述仿真模型参数，通过所述车辆动力学仿真模型进行离散事件仿真，得到所述车辆运动轨迹。
25.优选的，所述生成模块的工作流程包括：根据所述车辆运动轨迹，记录仿真过程中车辆参数的数值变化；所述车辆参数包括：质心侧偏角、橫摆角速度、质心侧偏角速度、前轮侧偏角和后轮侧偏角；利用所述数值变化生成五维的所述相空间。
26.优选的，所述准备模块的工作流程包括：搜索所述相空间，将所述相空间内收敛的运动轨迹标记为收敛，不收敛的运动轨迹标记为不收敛，并生成7:3的所述训练集和所述测试集。
27.优选的，所述搭建模块的工作流程包括：建立基于高斯核的svm模型；并在所述svm模型中加入框约束；最后利用所述训练集和所述测试集对所述svm模型进行训练，得到所述相空间模型。
28.与现有技术相比，本技术的有益效果如下：
29.本技术针对于车辆行驶中普遍存在的非线性现象，适用于高自由度车辆动力学模型仿真，更切合实际中的车辆运动状态评估，能够更精确的判断高自由度非线性状态下的车辆稳定性，甚至在部分状态下评估准确率能够达到百分之百，对于车辆自动驾驶技术、车辆主动安全等多个领域有非常重要的意义。
附图说明
30.为了更清楚地说明本技术的技术方案，下面对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
31.图1为本技术实施例的方法流程示意图；
32.图2为本技术实施例的生成相空间的流程示意图；
33.图3为本技术实施例的系统结构示意图。
具体实施方式
34.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
35.为使本技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本技术作进一步详细的说明。
36.实施例一
37.如图1所示，为本实施例的方法流程示意图，步骤包括：
38.s1.构建二十七自由度的车辆动力学仿真模型。
39.综合车身位移旋转6自由度、车轮旋转4自由度、悬架垂向位移4自由度、传动系统1自由度、轮胎瞬态特性8自由度以及制动压力4自由度构建二十七自由度的车辆动力学仿真模型。
40.s2.通过车辆动力学仿真模型进行离散事件仿真，得到车辆运动轨迹。
41.之后，设置车辆动力学仿真模型的仿真模型参数；这些仿真模型参数包括：加速踏板开度、减速踏板开度、路面附着系数、转向角。其中，基于仿真模型参数，通过车辆动力学仿真模型进行离散事件仿真，得到车辆运动轨迹。
42.s3.基于车辆运动轨迹，生成五维的相空间。
43.如图2所示，根据车辆运动轨迹，记录仿真过程中车辆参数的数值变化；这些车辆参数包括：质心侧偏角、橫摆角速度、质心侧偏角速度、前轮侧偏角和后轮侧偏角。其中质心侧偏角、横摆角、前轮侧偏角以及后轮侧偏角为仿真模型直接输出，横摆角速度为横摆角对时间求导，质心侧偏角速度为质心侧偏角对时间求导，利用这五个输出的数值变化生成五维的相空间。
44.s4.搜索相空间，生成训练集和测试集。
45.搜寻相空间，将五维的相空间内收敛的运动轨迹标记为收敛，不收敛的运动轨迹标记为不收敛，并生成7:3的训练集和测试集。
46.s5.基于训练集和测试集构建相空间模型；并利用相空间模型搭建离线的相空间场景库。
47.此时，若所需车辆稳定性评价模型较为精细，存储空间大，则建立基于高斯核的svm模型，从而上升至高维空间求解超平面划分的线性问题，其超平面划分公式为：
48.ω
t
x+b＝0
49.式中，ω为法向量，决定了超平面的方向；b为位移项，决定了超平面与原点间的距离；x为训练样本的输入；t为转置。
50.同时，在svm的模型构建中加入了框约束，使得svm模型中对于错误分类的成本增高，从而能够更精确的对相空间状态点进行分类，减少模型错误分类状态点的情况发生。最
后利用训练集和测试集进行模型训练，并保存训练好的相空间模型。
51.而当所需车辆稳定性评价模型占用空间小时，则在训练集和测试集中加入车辆动力学仿真模型参数，构成以“场景信息”、“车辆状态参数”为内容的训练集和测试集，建立以“场景信息”、“车辆状态参数”为输入、车辆稳定性判断结果为输出的全连接神经网络模型，其中网络层数设置为7层，中间层神经元数分别为32、64、128、64、32，激活函数采用relu函数，数据集过大出现欠拟合的情况需进一步加深网络层数、以二倍扩大的形式增加中间层神经元数量。对构建完成的神经网络模型利用的新的训练集和测试集进行模型训练，并保存训练好的相空间模型。
52.之后，利用上述步骤构建的相空间模型，搭建离线的相空间场景库。
53.s6.利用相空间场景库，判断车辆的稳定性。
54.最后，收集车辆动力学仿真模型所对应的待评价的实车测试或模型仿真车辆状态信息。以待评价的场景信息从离线的相空间场景库中搜寻对应的相空间模型，以的待评价的车辆状态信息作为输入，通过对应的相空间模型输出稳定性结果，判断待评价的实车测试或模型仿真车辆的稳定性。
55.实施例二
56.如图3所示，为本技术实施例的系统结构示意图，包括：构建模块、仿真模块、生成模块、准备模块、搭建模块和判断模块。其中，构建模块用于构建二十七自由度的车辆动力学仿真模型；仿真模块用于通过车辆动力学仿真模型进行离散事件仿真，得到车辆运动轨迹；生成模块用于基于车辆运动轨迹，生成五维的相空间；准备模块用于搜索相空间，生成训练集和测试集；搭建模块用于基于训练集和测试集构建相空间模型；并利用相空间模型搭建离线的相空间场景库；判断模块用于利用相空间场景库，判断车辆的稳定性。
57.下面将结合本实施例，详细说明本技术如何解决实际生活中的技术问题。
58.首先利用构建模块，综合车身位移旋转6自由度、车轮旋转4自由度、悬架垂向位移4自由度、传动系统1自由度、轮胎瞬态特性8自由度以及制动压力4自由度构建二十七自由度的车辆动力学仿真模型。
59.之后，仿真模块通过车辆动力学仿真模型进行离散事件仿真，得到车辆运动轨迹。流程包括：设置车辆动力学仿真模型的仿真模型参数；这些仿真模型参数包括：加速踏板开度、减速踏板开度、路面附着系数、转向角。其中，基于仿真模型参数，通过车辆动力学仿真模型进行离散事件仿真，得到车辆运动轨迹。
60.生成模块基于车辆运动轨迹，生成五维的相空间，流程包括：根据车辆运动轨迹，记录仿真过程中车辆参数的数值变化；这些车辆参数包括：质心侧偏角、橫摆角速度、质心侧偏角速度、前轮侧偏角和后轮侧偏角。其中质心侧偏角、横摆角、前轮侧偏角以及后轮侧偏角为仿真模型直接输出，横摆角速度为横摆角对时间求导，质心侧偏角速度为质心侧偏角对时间求导，利用这五个输出的数值变化生成五维的相空间。
61.利用准备模块搜索相空间，生成训练集和测试集，流程包括：搜寻相空间，将五维的相空间内收敛的运动轨迹标记为收敛，不收敛的运动轨迹标记为不收敛，并生成7:3的训练集和测试集。
62.搭建模块基于训练集和测试集构建相空间模型；并利用相空间模型搭建离线的相空间场景库。
63.此时，若所需车辆稳定性评价模型较为精细，存储空间大，则建立基于高斯核的svm模型，从而上升至高维空间求解超平面划分的线性问题，其超平面划分公式为：
64.ω
t
x+b＝0
65.式中，ω为法向量，决定了超平面的方向；b为位移项，决定了超平面与原点间的距离；x为训练样本的输入；t为转置。
66.同时，在svm的模型构建中加入了框约束，使得svm模型中对于错误分类的成本增高，从而能够更精确的对相空间状态点进行分类，减少模型错误分类状态点的情况发生。最后利用训练集和测试集进行模型训练，并保存训练好的相空间模型。
67.而当所需车辆稳定性评价模型占用空间小时，则在训练集和测试集中加入车辆动力学仿真模型参数，构成以“场景信息”、“车辆状态参数”为内容的训练集和测试集，建立以“场景信息”、“车辆状态参数”为输入、车辆稳定性判断结果为输出的全连接神经网络模型，其中网络层数设置为7层，中间层神经元数分别为32、64、128、64、32，激活函数采用relu函数，数据集过大出现欠拟合的情况需进一步加深网络层数、以二倍扩大的形式增加中间层神经元数量。对构建完成的神经网络模型利用的新的训练集和测试集进行模型训练，并保存训练好的相空间模型。
68.之后，利用上述流程构建的相空间模型，搭建离线的相空间场景库。
69.最后，判断模块利用相空间场景库，判断车辆的稳定性，流程包括：收集车辆动力学仿真模型所对应的待评价的实车测试或模型仿真车辆状态信息。以待评价的场景信息从离线的相空间场景库中搜寻对应的相空间模型，以的待评价的车辆状态信息作为输入，通过对应的相空间模型输出稳定性结果，判断待评价的实车测试或模型仿真车辆的稳定性。
70.以上所述的实施例仅是对本技术优选方式进行的描述，并非对本技术的范围进行限定，在不脱离本技术设计精神的前提下，本领域普通技术人员对本技术的技术方案做出的各种变形和改进，均应落入本技术权利要求书确定的保护范围内。

技术特征：
1.基于机器学习的状态相空间车辆稳定性判断方法，其特征在于，步骤包括：构建二十七自由度的车辆动力学仿真模型；通过所述车辆动力学仿真模型进行离散事件仿真，得到车辆运动轨迹；基于所述车辆运动轨迹，生成五维的相空间；搜索所述相空间，生成训练集和测试集；基于所述训练集和所述测试集构建相空间模型；并利用所述相空间模型搭建离线的相空间场景库；利用所述相空间场景库，判断车辆的稳定性。2.根据权利要求1所述的基于机器学习的状态相空间车辆稳定性判断方法，其特征在于，得到所述车辆运动轨迹的方法包括：设置所述车辆动力学仿真模型的仿真模型参数；所述仿真模型参数包括：加速踏板开度、减速踏板开度、路面附着系数、转向角；基于所述仿真模型参数，通过所述车辆动力学仿真模型进行离散事件仿真，得到所述车辆运动轨迹。3.根据权利要求1所述的基于机器学习的状态相空间车辆稳定性判断方法，其特征在于，生成所述相空间的方法包括：根据所述车辆运动轨迹，记录仿真过程中车辆参数的数值变化；所述车辆参数包括：质心侧偏角、橫摆角速度、质心侧偏角速度、前轮侧偏角和后轮侧偏角；利用所述数值变化生成五维的所述相空间。4.根据权利要求1所述的基于机器学习的状态相空间车辆稳定性判断方法，其特征在于，生成所述训练集和所述测试集的方法包括：搜索所述相空间，将所述相空间内收敛的运动轨迹标记为收敛，不收敛的运动轨迹标记为不收敛，并生成7:3的所述训练集和所述测试集。5.根据权利要求1所述的基于机器学习的状态相空间车辆稳定性判断方法，其特征在于，构建所述相空间模型的方法包括：建立基于高斯核的svm模型；并在所述svm模型中加入框约束；最后利用所述训练集和所述测试集对所述svm模型进行训练，得到所述相空间模型。6.基于机器学习的状态相空间车辆稳定性判断系统，其特征在于，包括：构建模块、仿真模块、生成模块、准备模块、搭建模块和判断模块；所述构建模块用于构建二十七自由度的车辆动力学仿真模型；所述仿真模块用于通过所述车辆动力学仿真模型进行离散事件仿真，得到车辆运动轨迹；所述生成模块用于基于所述车辆运动轨迹，生成五维的相空间；所述准备模块用于搜索所述相空间，生成训练集和测试集；所述搭建模块用于基于所述训练集和所述测试集构建相空间模型；并利用所述相空间模型搭建离线的相空间场景库；所述判断模块用于利用所述相空间场景库，判断车辆的稳定性。7.根据权利要求6所述的基于机器学习的状态相空间车辆稳定性判断系统，其特征在于，所述仿真模块的工作流程包括：设置所述车辆动力学仿真模型的仿真模型参数；所述仿真模型参数包括：加速踏板开度、减速踏板开度、路面附着系数、转向角；基于所述仿真模型参数，通过所述车辆动力学仿真模型进行离散事件仿真，得到所述车辆运动轨迹。8.根据权利要求6所述的基于机器学习的状态相空间车辆稳定性判断系统，其特征在
于，所述生成模块的工作流程包括：根据所述车辆运动轨迹，记录仿真过程中车辆参数的数值变化；所述车辆参数包括：质心侧偏角、橫摆角速度、质心侧偏角速度、前轮侧偏角和后轮侧偏角；利用所述数值变化生成五维的所述相空间。9.根据权利要求6所述的基于机器学习的状态相空间车辆稳定性判断系统，其特征在于，所述准备模块的工作流程包括：搜索所述相空间，将所述相空间内收敛的运动轨迹标记为收敛，不收敛的运动轨迹标记为不收敛，并生成7:3的所述训练集和所述测试集。10.根据权利要求6所述的基于机器学习的状态相空间车辆稳定性判断系统，其特征在于，所述搭建模块的工作流程包括：建立基于高斯核的svm模型；并在所述svm模型中加入框约束；最后利用所述训练集和所述测试集对所述svm模型进行训练，得到所述相空间模型。

技术总结
本申请公开了基于机器学习的状态相空间车辆稳定性判断方法及系统，其中，方法步骤包括：构建二十七自由度的车辆动力学仿真模型；通过车辆动力学仿真模型进行离散事件仿真，得到车辆运动轨迹；基于车辆运动轨迹，生成五维的相空间；搜索相空间，生成训练集和测试集；基于训练集和测试集构建相空间模型；并利用相空间模型搭建离线的相空间场景库；利用相空间场景库，判断车辆的稳定性。本申请针对于车辆行驶中普遍存在的非线性现象，适用于高自由度车辆动力学模型仿真，更切合实际中的车辆运动状态评估，能够更精确的判断高自由度非线性状态下的车辆稳定性，对于车辆自动驾驶技术、车辆主动安全等多个领域有非常重要的意义。主动安全等多个领域有非常重要的意义。主动安全等多个领域有非常重要的意义。


技术研发人员：朱峰 曹阳 李志恒 朱宇轩
受保护的技术使用者：清华大学深圳国际研究生院
技术研发日：2023.04.19
技术公布日：2023/7/20