基于混合神经网络的汽车运动状态估计

doi:10.19562/j.chinasae.qcgc.2022.10.007

摘要/Abstract

摘要：

针对现有车辆运动状态估计算法严重依赖动力学模型精度且在大的质心侧偏角工况下准确性难以保障的问题，本文提出了一种基于混合神经网络的车辆运动状态估计算法。通过分析车辆本身的动力学基本特性，设计了适合于车辆运动状态估计的HNN混合神经网络架构，实现了车辆运动状态的深度学习估计。基于多个标准工况组成的数据集与典型实车测试工况进行了网络训练与测试验证。结果表明，相比于传统算法，本算法基于神经网络实现了精准的无动力学模型的汽车运动状态估计，提高了估计精度，且对路面附着系数变化具有鲁棒性。

关键词: 车辆状态估计, 深度学习, 门控循环单元, 多层感知机, 混合神经网络

Abstract:

For the problem that the existing vehicle motion state estimation algorithm relies heavily on the accuracy of the dynamic model and the accuracy is difficult to guarantee under large slip angle， the paper proposes a vehicle motion state estimation algorithm based on the hybrid neural network （HNN）. By analyzing the basic dynamic characteristics of the vehicle itself， an hybrid neural network architecture suitable for vehicle motion state estimation is designed， and the deep learning estimation of vehicle motion state is realized. Based on the dataset composed of multi standard operating conditions and typical real vehicle test conditions， network training and test verification are carried out. The results show that compared with the traditional algorithm， the proposed HNN algorithm realizes estimation of vehicle motion state without dynamic vehicle model， improves estimation accuracy， and is robust to road adhesion coefficient change.

Key words: vehicle state estimation, deep learning, gated recurrent unit, multilayer perceptron, hybrid neural network

高振海,温文昊,唐明弘,张建,陈国迎. 基于混合神经网络的汽车运动状态估计[J]. 汽车工程, 2022, 44(10): 1527-1536.

Zhenhai Gao,Wenhao Wen,Minghong Tang,Jian Zhang,Guoying Chen. Estimation of Vehicle Motion State Based on Hybrid Neural Network[J]. Automotive Engineering, 2022, 44(10): 1527-1536.

图/表 28

图1

图2

图3

图4

图5

表1

传感器信号输入量"

采集量	符号	说明
转向盘转角/（°）	$δ$	±540
驱动电机转矩/（N·m）	$D a$	［50，350］
左前轮转速/（r·min^-1）	$ω f l$	-
右前轮转速/（r·min^-1）	$ω f r$	-
左后轮转速/（r·min^-1）	$ω r l$	-
右后轮转速/（r·min^-1）	$ω r r$	-
纵向加速度/g	$a x$	簧上质量质心处
侧向加速度/g	$a y$	簧上质量质心处

表1

表2

表3

图6

表4

表5

图7

图8

图9

表6

表7

表8

图10

图11

图12

图13

表9

不同车速下各算法估计均方误差RMSE"

估计量	车速/（km·h^-1）	对比算法
估计量	车速/（km·h^-1）	EKF	DNN	GRU	HNN
$v x$	30	0.240 6	0.087 0	1.104 1	0.019 8
	70	0.230 3	0.341 4	0.749 7	0.021 2
	120	2.052 8	0.627 0	2.024 6	0.044 9
$v y$	30	0.196 9	0.352 9	0.741 2	0.110 0
	70	0.940 2	0.299 8	0.500 2	0.279 1
	120	3.192 5	1.226 6	2.709 2	1.179 6
$ω r$	30	1.891 7	0.810 8	2.108 6	0.565 8
	70	0.723 5	0.520 2	2.044 3	0.381 5
	120	2.917 4	1.709 6	2.434 5	1.504 1

表9

图14

图15

图16

表10

不同路面下各算法估计均方误差RMSE"

估计量	路面	对比算法
估计量	路面	EKF	DNN	GRU	HNN
$v x$	0.3	1.060 7	0.504 8	1.437 8	0.030 6
	0.5	0.925 5	0.502 4	1.508 3	0.029 5
	0.85	1.320 7	0.505 5	1.562 1	0.037 4
	1.0	2.192 7	0.506 7	1.593 7	0.041 5
$v y$	0.3	1.518 6	1.127 0	1.755 1	1.064 0
	0.5	1.675 7	0.970 7	1.882 9	0.922 6
	0.85	2.673 2	0.734 0	2.050 8	0.720 4
	1.0	3.145 3	0.661 8	2.085 4	0.660 5
$ω r$	0.3	2.208 5	1.407 3	2.328 9	1.133 4
	0.5	2.206 7	1.193 3	2.192 5	1.037 8
	0.85	2.056 1	1.232 0	2.227 2	1.066 7
	1.0	2.023 8	1.317 4	2.240 7	1.147 2

表10

图17

图18

参考文献 21

1	GUO H Y， CAO D P， CHEN H， et al. Vehicle dynamic state estimation： state of the art schemes and perspectives ［J］. IEEE-CAA J Automatica Sin， 2018， 5（2）： 418-431.
2	PENDLETON S D， ANDERSEN H， DU X X， et al. Perception， planning， control， and coordination for autonomous vehicles ［J］. Machines， 2017， 5（1）： 54.
3	SINGH K B， ARAT M A， TAHERI S. Literature review and fundamental approaches for vehicle and tire state estimation［J］. Vehicle System Dynamics， 2019， 57（11）： 1643-1665.
4	GUO H Y， CHEN H， XU F， et al. Implementation of EKF for vehicle velocities estimation on FPGA ［J］. IEEE Transactions on Industrial Electronics， 2013， 60（9）： 3823-3835.
5	KATRINIOK A， ABEL D. Adaptive EKF-based vehicle state estimation with online assessment of local observability ［J］. IEEE Transactions on Control Systems Technology， 2016， 24（4）： 1368-1381.
6	LIU J， WANG Z， ZHANG L， et al. Sideslip angle estimation of ground vehicles： a comparative study ［J］. IET Control Theory & Applications， 2020， 14（20）： 3490-3505.
7	KIM D， KIM G， CHOI S， et al. An integrated deep ensemble-unscented Kalman filter for sideslip angle estimation with sensor filtering network ［J］. IEEE Access， 2021， 9： 149681-149689.
8	CHINDAMO D， LENZO B， GADOLA M. On the vehicle sideslip angle estimation： a literature review of methods， models， and innovations ［J］. Applied Sciences， 2018， 8（3）： 355.
9	周卫琪，齐翔，陈龙，等. 基于无迹卡尔曼滤波与遗传算法相结合的车辆状态估计［J］. 汽车工程， 2019， 41（2）： 198-205.
	ZHOU W Q， QI X， CHEN L， et al. Vehicle state estimation based on the combination of unscented Kalman filtering and genetic algorithm［J］. Automotive Engineering， 2019， 41（2）： 198-205.
10	SCHMIDHUBER J. Deep learning in neural networks： an overview ［J］. Neural Netw， 2015， 61： 85-117.
11	KUUTTI S， BOWDEN R， JIN Y， et al. A survey of deep learning applications to autonomous vehicle control ［J］. IEEE Transactions on ITS， 2021， 22（2）： 712-733.
12	ROKONUZZAMAN M， MOHAJER N， NAHAVANDI S， et al. Model predictive control with learned vehicle dynamics for autonomous vehicle path tracking ［J］. IEEE Access， 2021， 9： 128233-128249.
13	PAN Y， NIE X， LI Z， et al. Data-driven vehicle modeling of longitudinal dynamics based on a multibody model and deep neural networks ［J］. Measurement， 2021， 180： 109541.
14	CHINDAMO D, GADOLA M. Estimation of vehicle side-slip angle using an artificial neural network [C]. 2nd International Conference on Mechanical, Aeronautical and Automotive Engineering (ICMAA 2018). 2018.10.1051/matecconf/201816602001.
15	TONOLI A, AMATI N, GHOSH J. A deep learning based virtual sensor for vehicle sideslip angle estimation: experimental results [C]. SAE Paper 2018-01-1089.
16	SPIELBERG N A， BROWN M， KAPANIA N R， et al. Neural network vehicle models for high-performance automated driving ［J］. Sci Robot， 2019， 4（28）： 13.
17	LECUN Y， BENGIO Y， HINTON G. Deep learning ［J］. Nature， 2015， 521（7553）： 436-444.
18	SRINIVASAN S， SA I， ZYNER A， et al. End-to-end velocity estimation for autonomous racing ［J］. IEEE Robotics and Automation Letters， 2020， 5（4）： 6869-6875.
19	GONZALEZ L P， SANCHEZ S S， GARCIA-GUZMAN J， et al. Simultaneous estimation of vehicle roll and sideslip angles through a deep learning approach ［J］. Sensors， 2020， 20（13）： 18.
20	HOCHREITER S， SCHMIDHUBER J. Long short-term memory ［J］. Neural Computation， 1997， 9（8）： 1735-1780.
21	CHO K， VAN MERRI?NBOER B， GULCEHRE C， et al. Learning phrase representations using RNN encoder-decoder for statistical machine translation［C］. Proceedings of the EMNLP 2014 - 2014 Conference on Empirical Methods in Natural Language Processing，Proceedings of the Conference， F， 2014.

神经网络模型	GRU	DNN	DNN（包含动力系统状态输入）
RMSE	2.374 2	0.034 1	0.027 6
变化率		↓98.6%	↓19.1%
MAE	1.976 1	0.027 7	0.018 5
变化率		↓98.6%	↓33.2%

神经网络模型	DNN	GRU	GRU（输入包含纵向速度估计结果）
RMSE	2.214 5	1.250 8	1.099 9
变化率	-	↓43.5%	↓12.1%
MAE	1.897 8	0.982 9	0.747 1
变化率	-	↓48.2%	↓24.0%

本车转向操作	道路摩擦因数	车速/（km·h^-1）	转向盘转角/（°）
左侧双移线	0.3	20-70
左侧双移线	0.5，0.85，1.0	20-120
右侧双移线	0.3	20-70
右侧双移线	0.5，0.85，1.0	20-120
左侧J型转向	0.3，0.5， 0.85，1.0	20-120	40，60，90，100，120
右侧J型转向	0.3，0.5， 0.85，1.0	20-120	40，60，90，100，120
正弦转向0.2 Hz	0.5，0.85	30-60	±60，±90
正弦转向0.5 Hz	0.5，0.85	30-60	±60，±90

本车纵向操作	道路摩擦因数	加速踏板开度/％	加速踏板开度最大值/％
固定加速踏板开度	0.3，0.5，0.85，1.0	10-100
加速踏板开度平滑增大	0.3，0.5，0.85，1.0		30，60，90

项目	参数	取值
网络架构	隐层数	4
	第1层单元数	256
	第2层单元数	256
	第3层单元数	128
	第4层单元数	128
	参数个数	118 145
	激活函数	Relu
训练过程	小批量大小	32
	学习率初值	0.001
	提前停止耐心值	20
训练算法	梯度衰减因子	0.9
	平方梯度衰减因子	0.99
	偏置小量	1×10^-8