基于CNN-Transformer的车辆侧倾动力学建模及实验验证

doi:10.19562/j.chinasae.qcgc.2026.03.016

摘要/Abstract

摘要：

高精度车辆侧倾动力学建模对提升车辆主动安全控制性能至关重要。然而，车辆系统具有强非线性与参数不确定性，基于传统机理分析的建模方法难以准确估计侧倾角和侧倾角速度。针对此问题，本文提出一种融合多尺度卷积神经网络与Transformer的数据建模方法。该模型利用多尺度卷积核提取含噪声数据中的多频域特征，提高模型对噪声干扰的鲁棒性；同时，结合Transformer的注意力机制，有效捕捉侧倾动力学中的长时序依赖关系，进一步提升建模精度。为验证模型性能，本研究基于CarSim高保真仿真平台和实车道路实验数据，将其与传统Transformer、LSTM、GRU等数据驱动模型以及物理模型进行对比分析。实验结果表明，所提出的CNN-Transformer混合模型在侧倾角和侧倾角速度预测任务中表现最优，预测决定系数R² 均高于0.974 5，实现了对车辆侧倾动力学的准确建模。

关键词: 多尺度特征提取, Transformer, 多头注意力机制, 侧倾动力学

Abstract:

High-precision vehicle roll dynamics modeling is crucial for enhancing the performance of active safety control systems. However， the vehicle system is characterized by strong nonlinearity and parameter uncertainty， making it difficult for traditional mechanism-based modeling methods to accurately estimate roll angle and roll angle velocity. To address this issue， this paper proposes a data modeling method that integrates multi-scale convolutional neural networks with Transformer. This model utilizes multi-scale convolutional kernels to extract multi-frequency domain features from noisy data， enhancing the model's robustness against noise interference. Meanwhile， by combining the attention mechanism of Transformer， it effectively captures the long-term temporal dependencies in roll dynamics， further improving the modeling accuracy. To verify the model's performance， this study conducts a comparative analysis with traditional data-driven models such as Transformer， LSTM， GRU， and physical models based on high-fidelity CarSim simulation platform and real vehicle road test data. The experimental results show that the proposed CNN-Transformer hybrid model performs optimally in the tasks of roll angle and roll angle velocity prediction， with prediction determination coefficients R² all above 0.974 5， achieving accurate modeling of vehicle roll dynamics.

Key words: multi-scale feature extraction, Transformer, multi-head attention mechanism, rollover dynamics

曹守启,高雅琪,周国峰,陈渐伟,周志松,姜加胜. 基于CNN-Transformer的车辆侧倾动力学建模及实验验证[J]. 汽车工程, 2026, 48(3): 663-675.

Shouqi Cao,Yaqi Gao,Guofeng Zhou,Jianwei Chen,Zhisong Zhou,Jiasheng Jiang. Modeling and Experimental Validation of Vehicle Roll Dynamics Based on CNN-Transformer[J]. Automotive Engineering, 2026, 48(3): 663-675.

图/表 31

图1

图2

图3

图4

图5

图6

图7

图8

图9

图10

图11

图12

图13

表1

图14

图15

图16

图17

图18

图19

表2

图20

图21

图22

表3

图23

图24

表4

图25

图26

表5

参考文献 29

[1]	金智林，何少炜，黄舒伟. 融合侧翻稳定性的SUV换道轨迹规划方法研究［J］. 机械工程学报， 2023， 59（4）： 145-154.
	JIN Z L， HE S W， HUANG S W. Research on SUV lane changing trajectory planning method integrating rollover stability［J］. Journal of Mechanical Engineering， 2023， 59（4）： 145-154.
[2]	GÁSPÁR P， NÉMETH B. Integrated control design for driver assistance systems based on LPV methods［J］. International Journal of Control， 2016， 89（12）： 2420-2433.
[3]	RYU Y I， KANG D O， HEO S J， et al. Rollover mitigation for a heavy commercial vehicle［J］. International Journal of Automotive Technology， 2010， 11（2）： 283-287.
[4]	DAHMANI H， PAGÈS O， EL HAJJAJI A， et al. Observer-based robust control of vehicle dynamics for rollover mitigation in critical situations［J］. IEEE Transactions on Intelligent Transportation Systems， 2014， 15（1）： 274-284.
[5]	金智林，翁建生，胡海岩. 汽车侧翻及稳定性分析［J］. 机械科学与技术， 2007， 26（3）： 355-358.
	JIN Z L， WENG J S， HU H Y. Analysis of vehicle′s rollover stability［J］. Mechanical Science and Technology for Aerospace Engineering， 2007， 26（3）： 355-358.
[6]	金智林，翁建生，胡海岩. 汽车侧翻预警及防侧翻控制［J］. 动力学与控制学报， 2007， 5（4）： 365-369.
	JIN Z L， WENG J S， HU H Y. Rollover warning and anti-rollover control for automobiles［J］. Journal of Dynamics and Control， 2007， 5（4）： 365-369.
[7]	ATAEI M， KHAJEPOUR A， JEON S. Model predictive rollover prevention for steer-by-wire vehicles with a new rollover index［J］. International Journal of Control， 2020， 93（1）： 140-155.
[8]	ATAEI M， KHAJEPOUR A， JEON S. Development of a novel general reconfigurable vehicle dynamics model［J］. Mechanism and Machine Theory， 2021， 156： 104147.
[9]	PAN Y J， NIE X B， LI Z X， et al. Data-driven vehicle modeling of longitudinal dynamics based on a multibody model and deep neural networks［J］. Measurement， 2021， 180： 109541.
[10]	ZHOU Z S， WANG Y F， ZHOU G F， et al. Vehicle lateral dynamics-inspired hybrid model using neural network for parameter identification and error characterization［J］. IEEE Transactions on Vehicular Technology， 2024， 73（11）： 16173-16186.
[11]	GARIMELLA G， FUNKE J， WANG C， et al. Neural network modeling for steering control of an autonomous vehicle［C］. 2017 IEEE/RSJ International Conference on Intelligent Robots and Systems. IEEE， 2017： 2609-2615.
[12]	胡明辉，朱广曜，刘长贺，等. 考虑迟滞特性的卡尔曼滤波和门控循环单元神经网络的锂离子电池SOC联合估计［J］. 汽车工程， 2023， 45（9）： 1688-1701.
	HU M H， ZHU G Y， LIU C H， et al. Joint estimation of state of charge for lithium-ion battery with Kalman filtering and gated recurrent unit neural networks considering hysteresis characteristics［J］. Automotive Engineering， 2023， 45（9）： 1688-1701.
[13]	陈渐伟，于传强，刘志浩，等. 多轴特种车辆的数据建模方法及横向动力学应用［J］. 兵工学报， 2023， 44（1）： 165-175.
	CHEN J W， YU C Q， LIU Z H， et al. Data modeling of multi-axle special vehicles and lateral dynamics applications［J］. Acta Armamentarii， 2023， 44（1）： 165-175.
[14]	CHEN J W， YU C Q， WANG Y F， et al. Hybrid modeling for vehicle lateral dynamics via AGRU with a dual-attention mechanism under limited data［J］. Control Engineering Practice， 2024， 151： 106015.
[15]	杨志刚，李俣静，夏超，等. 基于LSTM-POD的汽车湍流尾迹的高时间分辨速度场重构［J］. 汽车工程， 2024， 46（7）： 1302-1313.
	YANG Z G， LI Y J， XIA C， et al. A high time-resolution reconstruction on the automotive turbulent wake based on LSTM-POD［J］. Automotive Engineering， 2024， 46（7）： 1302-1313.
[16]	陈吉清，冯雨佳，兰凤崇，等. 基于1dCNN-LSTM量化单体异常性的动力电池故障诊断方法［J］. 汽车工程， 2024， 46（7）： 1177-1188.
	CHEN J Q， FENG Y J， LAN F C， et al. Fault diagnosis method for power battery based on quantification of cell abnormality with 1dCNN-LSTM［J］. Automotive Engineering， 2024， 46（7）： 1177-1188.
[17]	方培俊，蔡英凤，陈龙，等. 基于ED-LSTM的智能汽车神经网络横向动力学建模与控制［J］. 力学学报， 2022， 54（7）： 1896-1908.
	FANG P J， CAI Y F， CHEN L， et al. Neural network lateral dynamics modeling and control based on ed-lstm for intelligent vehicle［J］. Chinese Journal of Theoretical and Applied Mechanics， 2022， 54（7）： 1896-1908.
[18]	MENG D L， LI Z X， CHU H Q， et al. Transformer-based sideslip angle estimation for autonomous vehicle applications［C］. 2024 14th Asian Control Conference. IEEE， 2024： 226-231.
[19]	ANIK B M T H， ISLAM Z， ABDEL-ATY M. A time-embedded attention-based transformer for crash likelihood prediction at intersections using connected vehicle data［J］. Transportation Research Part C： Emerging Technologies， 2024， 169： 104831.
[20]	胡杰，陈琳，王志红，等. 基于Transformer的纯电动汽车充电时间预测［J］. 汽车工程， 2024， 46（11）： 2059-2067.
	HU J， CHEN L， WANG Z H， et al. Transformer-based prediction of charging time for pure electric vehicles［J］. Automotive Engineering， 2024， 46（11）： 2059-2067.
[21]	WANG J T， ZHANG X L， DONG Y W， et al. Roll stability control of in-wheel motors drive electric vehicle on potholed roads［J］. Control Engineering Practice， 2025， 157： 106247.
[22]	MENG Q H， ZHENG H Y， CHEN C C， et al. Active shimmy control method for driverless electric vehicle considering unknown sensor measurement error and nonlinearities［J］. International Journal of Control， Automation and Systems， 2023， 21（7）： 2246-2258.
[23]	CHEN C J， LIU X Y， YANG L， et al. A novel tracking estimation algorithm for the detection beam’s roll angle［J］. Journal of the Brazilian Society of Mechanical Sciences and Engineering， 2024， 46（9）： 575.
[24]	PARSONS T， SEO J， KIM B， et al. Dust de-filtering in LiDAR applications with conventional and CNN filtering methods［J］. IEEE Access， 2024， 12： 22032-22042.
[25]	朱继洪，裴继红，赵阳. 卷积神经网络（CNN）训练中卷积核初始化方法研究［J］. 信号处理， 2019， 35（4）： 641-648.
	ZHU J H， PEI J H， ZHAO Y. Research on convolution kernel initialization method in convolutional neural network （CNN） training［J］. Journal of Signal Processing， 2019， 35（4）： 641-648.
[26]	冯天培，孙跃东，王岩松，等. 车内综合烦躁度评价的时序平滑激励级谱CNN模型［J］. 汽车工程， 2020， 42（6）： 784-792.
	FENG T P， SUN Y D， WANG Y S， et al. Annoyance evaluation model of vehicle interior noise based on time-series smoothed excitation level spectrum CNN model［J］. Automotive Engineering， 2020， 42（6）： 784-792.
[27]	余志生. 汽车理论［M］. 2版. 北京：机械工业出版社， 1990.YU Z S. Automobile theory［M］. 2nd ed. Beijing： China Machine Press， 1990.
[28]	GENG M S， LI J Y， XIA Y J， et al. A physics-informed Transformer model for vehicle trajectory prediction on highways［J］. Transportation Research Part C： Emerging Technologies， 2023， 154： 104272.
[29]	AIZPURUA J I， PEÑA-ALZOLA R， OLANO J， et al. Probabilistic machine learning aided transformer lifetime prediction framework for wind energy systems［J］. International Journal of Electrical Power & Energy Systems， 2023， 153： 109352.

卷积核类别	时间步类别	侧倾角			侧倾角速度
卷积核类别	时间步类别	R²	MAE	RMSE	R²	MAE	RMSE
卷积核为3	时间步为1	0.913 0	0.004 4	0.005 2	0.845 1	0.004 6	0.005 9
卷积核为5		0.983 4	0.001 6	0.002 3	0.980 7	0.001 8	0.002 1
卷积核为7		0.960 9	0.002 4	0.003 5	0.980 4	0.001 7	0.002 1
多尺度卷积		0.997 5	0.000 7	0.000 9	0.993 4	0.001 0	0.001 2
多尺度卷积	时间步为2	0.958 5	0.002 6	0.003 6	0.941 0	0.003 0	0.003 7

模型	8字仿真工况			随机仿真工况			高速蛇行仿真工况
模型	R²	MAE	RMSE	R²	MAE	RMSE	R²	MAE	RMSE
Physical Model	0.845 4	0.008 1	0.009 2	0.846 3	0.007 0	0.008 5	0.366 2	0.017 8	0.019 6
LSTM	0.983 7	0.002 7	0.003 0	0.984 3	0.002 4	0.002 7	0.878 9	0.008 0	0.008 6
GRU	0.991 9	0.001 5	0.002 1	0.983 7	0.002 5	0.002 8	0.918 6	0.006 6	0.007 0
Transformer	0.991 9	0.001 7	0.002 1	0.985 5	0.001 7	0.002 6	0.997 4	0.000 9	0.001 3
CNN-Transformer	0.999 3	0.000 5	0.000 6	0.992 9	0.001 4	0.001 8	0.998 6	0.000 7	0.000 9

模型	8字仿真工况			随机仿真工况			高速蛇行仿真工况
模型	R²	MAE	RMSE	R²	MAE	RMSE	R²	MAE	RMSE
Physical Model	0.682 9	0.004 4	0.006 6	0.635 2	0.007 2	0.011 4	0.363 7	0.024 8	0.028 5
LSTM	-8.067 9	0.027 8	0.034 5	-6.287	0.045 9	0.051 0	0.466 1	0.022 2	0.026 1
GRU	-34.032 5	0.067 5	0.069 6	-14.74	0.072 5	0.075 0	0.293 9	0.025 6	0.030 0
Transformer	0.954 7	0.001 8	0.002 5	0.966 1	0.002 3	0.003 5	0.993 9	0.001 8	0.002 8
CNN-Transformer	0.984 5	0.001 0	0.001 5	0.993 3	0.001 1	0.001 5	0.997 2	0.001 3	0.001 9

模型	8字实车工况			随机实车工况
模型	R²	MAE	RMSE	R²	MAE	RMSE
Physical Model	0.686 1	0.006 5	0.007 3	0.686 1	0.006 5	0.007 3
LSTM	0.927 6	0.002 8	0.003 5	0.770 4	0.006 9	0.008 5
GRU	0.904 0	0.003 0	0.004 0	0.721 8	0.007 8	0.009 3
Transformer	0.981 0	0.001 4	0.001 8	0.990 0	0.001 4	0.001 8
CNN-Transformer	0.992 5	0.000 9	0.001 1	0.997 5	0.000 7	0.000 9

模型	8字实车工况			随机实车工况
模型	R²	MAE	RMSE	R²	MAE	RMSE
Physical Model	0.609 3	0.003 4	0.004 2	0.609 3	0.003 4	0.004 2
LSTM	0.442 8	0.004 1	0.005 0	0.692 9	0.007 0	0.008 3
GRU	0.140 9	0.005 1	0.006 3	0.602 6	0.007 9	0.009 5
Transformer	0.963 0	0.000 9	0.001 3	0.992 3	0.001 0	0.001 3
CNN-Transformer	0.983 3	0.000 6	0.000 9	0.993 4	0.001 0	0.001 2