CN112163285A - 一种用于模拟驾驶***的路面类型预测模型的建模方法 - Google Patents
一种用于模拟驾驶***的路面类型预测模型的建模方法 Download PDFInfo
- Publication number
- CN112163285A CN112163285A CN202011206457.XA CN202011206457A CN112163285A CN 112163285 A CN112163285 A CN 112163285A CN 202011206457 A CN202011206457 A CN 202011206457A CN 112163285 A CN112163285 A CN 112163285A
- Authority
- CN
- China
- Prior art keywords
- road surface
- prediction model
- driving system
- database
- surface type
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012360 testing method Methods 0.000 claims abstract description 49
- 238000004088 simulation Methods 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000002474 experimental method Methods 0.000 claims abstract description 7
- 238000012216 screening Methods 0.000 claims abstract description 5
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 6
- 230000037396 body weight Effects 0.000 claims description 3
- 238000013515 script Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Architecture (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种用于模拟驾驶***的路面类型预测模型的建模方法,包括以下步骤:进行实车试验,采集多种路面类型和多种工况下的车辆动力学参数数据,得到带有路面类型标识的原始实验数据库;对原始实验数据库进行筛选,得到建模数据库,运用K‑Means算法进行路面类型预测模型的训练;将训练得到的路面预测模型嵌入模拟驾驶***中;再次进行实车试验,采集测试数据,得到模型测试数据库,并导入模拟驾驶***中;使用带有模型测试数据库的模拟驾驶***进行路面预测模型可信度测试。本发明使用以实车试验数据为基础,使用K‑Means算法进行路面类型预测模型的训练,解决了现有技术对复杂路面的局限性以及使用过程中的鲁棒性难以保证的问题。
Description
技术领域
本发明涉及路面类型预测模型,特别涉及一种用于模拟驾驶***的基于K-Means的路面类型预测模型的建模方法。
背景技术
在汽车逐渐成为人们生活不可或缺的一部分的今天,汽车行业的竞争也愈演愈烈。如何快速地开发出满足客户需求的汽车成为汽车行业厂商的重要问题。随着人工智能的逐渐普及和应用,汽车也在逐渐向着无人化、智能化的方向发展。模拟驾驶***能够在占用较少资源的前提下实现较高可信度的车辆动力学仿真,已经被大多数企业采用,从而缩短开发流程,降低开发成本。
路面信息是进行车辆仿真时不可或缺的一部分。在模拟驾驶***(也称虚拟驾驶***)进行仿真时,较为真实的路面信号能够增强仿真结果的可信度,提升模拟驾驶***的整体性能,改进用户的模拟驾驶体验。然而,考虑到车辆行驶环境的复杂性,如何在仿真环境中为车辆设置正确的路面类型成为了一种工作量较大,操作较复杂的工程难题。专利CN201810584408.6“一种路面识别***及方法”提出了一种基于路面物理属性的路面识别方法,但该方法操作复杂,且对复杂路面的识别存在一定局限性;专利CN201810824707.2“一种路面识别方法和装置”提出了一种基于图像数据的路面识别方法,该方法易受到图像数据采集环境,如关照的影响,使用过程中的鲁棒性难以保证。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种用于模拟驾驶***的路面类型预测模型的建模方法,以实车试验数据为基础,使用K-Means算法建立车辆动力学参数与路面类型之间的关系。
为了达到上述目的,本发明提供一种用于模拟驾驶***的路面类型预测模型的建模方法,包括以下步骤:
进行实车试验,采集多种路面类型和多种工况下的车辆动力学参数数据,得到带有路面类型标识的原始实验数据库;
对原始实验数据库进行筛选,得到建模数据库;
以建模数据库为基础,运用K-Means算法进行路面类型预测模型的训练;
将训练得到的路面预测模型嵌入模拟驾驶***中;
再次进行实车试验,采集包含有多种路面类型和多种工况的连续实车试验数据,得到模型测试数据库,并导入模拟驾驶***中;
使用带有模型测试数据库的模拟驾驶***进行路面预测模型可信度测试。
进一步地,所述车辆动力学参数包括车速、横摆角速度、车身加速度、车身重量、车身俯仰角速度、车身俯仰角、车身侧倾角速度、车身动挠度。
进一步地,所述多种路面类型包括高速道路、市区道路、郊区道路、越野路面等;所述多种工况包括直行、转弯、急加速、急减速、停车入库。
进一步地,对原始实验数据库进行筛选时,需要删除异常数据和无效数据:将处于整体数据正负3倍标准差范围之外的数据视为异常数据;将空数据视为无效数据。
进一步地,筛选后的原始实验数据库必须进行标准正态化后作为建模数据库,以避免不同变量之间的数量级差别导致建模失败。
进一步地,运用K-Means算法进行路面类型预测模型训练时,应至少迭代100次,以保证所得模型的参数为最佳。
进一步地,所述模型测试数据库应当包含所有需要预测的工况和路面类型。
进一步地,复现模型测试数据库中的工况时,必须使用脚本自动进行,以确保模型测试库数据中的工况得到完全复现。
由于采用上述技术方案,本发明达到以下技术效果:本发明以实车试验数据为基础,使用K-Means算法建立车辆动力学参数与路面类型之间的关系,可获得高准确度的路面类型预测模型,能够准确预测多种路面类型,并确保了路面类型预测模型在模拟驾驶***中使用的鲁棒性。
附图说明
图1为根据本发明的用于模拟驾驶***的基于K-Means算法的路面类型预测模型的建模方法的流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明,下面将结合实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员所做的等效变化与修饰前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
请参阅图1,本实施例提供一种用于模拟驾驶***的基于K-Means的路面类型预测模型的建模方法,包括如下步骤:
S1.采集原始数据
进行实车试验,采集多种类型和多种工况下的车辆动力学参数数据,得到带有路面类型标识的原始实验数据库,采集的车辆动力学参数包括车速、横摆角速度、车身加速度、车身重量、车身俯仰角速度、车身俯仰角、车身侧倾角速度、车身动挠度等。原始实验数据包含有多种路面类型和多种工况数据;进行试验的路面类型包括高速道路、市区道路、郊区道路、越野路面等;工况包括直行、转弯、急加速、急减速、停车入库等。
S2.筛选原始数据
对原始实验数据库进行筛选,删除异常数据和无效数据。将处于整体数据正负3倍标准差范围之外的数据视为异常数据;将空数据视为无效数据。筛选后的原始实验数据库必须进行标准正态化后方可作为建模数据库,以避免不同变量之间的数量级差别导致建模失败。
S3.训练K-Means模型
以建模数据库为基础,运用K-Means算法进行路面类型预测模型的训练;运用K-Means算法进行路面类型预测模型训练时,应至少迭代100次,以保证所得模型的参数为最佳。
S4.模型嵌入模拟驾驶***
将训练得到的路面预测模型嵌入模拟驾驶***中。
S5.采集测试数据
再次进行实车试验,采集包含有多种路面类型和工况的连续实车试验数据,得到模型测试数据库,并导入模拟驾驶***中;模型测试数据库应当包含所有需要预测的工况和路面类型。
S6.模型可信度测试
使用带有模型测试数据库的模拟驾驶***进行路面预测模型可信度测试;复现模型测试数据库中的工况时,必须使用脚本自动进行,以确保模型测试库数据中的工况得到完全复现。
S7.判断是否需要重新建模
如果测试发现模型可信度低于85%,则返回步骤S1;否则进行下一步。
S8.输出模型
输出基于K-Means算法的路面类型预测模型。
以上所述仅为本发明较佳的实施方式,并非用以限定本发明的保护范围;同时,以上的描述对于相关技术领域中具有通常知识者应可明了并据以实施,因此其他未脱离本发明所揭露概念下所完成之等效改变或修饰,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种用于模拟驾驶***的路面类型预测模型的建模方法,其特征在于,包括以下步骤:
进行实车试验,采集多种路面类型和多种工况下的车辆动力学参数数据,得到带有路面类型标识的原始实验数据库;
对设施原始实验数据库进行筛选,得到建模数据库;
以设施建模数据库为基础,运用K-Means算法进行路面类型预测模型的训练;
将训练得到的所述路面类型预测模型嵌入模拟驾驶***中;
再次进行实车试验,采集包含有多种路面类型和多种工况的连续实车试验数据,得到模型测试数据库,并导入模拟驾驶***中;
使用带有所述模型测试数据库的模拟驾驶***进行路面类型预测模型可信度测试。
2.根据权利要求1所述的用于模拟驾驶***的路面类型预测模型的建模方法,其特征在于,所述车辆动力学参数包括车速、横摆角速度、车身加速度、车身重量、车身俯仰角速度、车身俯仰角、车身侧倾角速度、车身动挠度。
3.根据权利要求1所述的用于模拟驾驶***的路面类型预测模型的建模方法,其特征在于,所述多种路面类型包括高速道路、市区道路、郊区道路、越野路面等;所述多种工况包括直行、转弯、急加速、急减速、停车入库。
4.根据权利要求1所述的用于模拟驾驶***的路面类型预测模型的建模方法,其特征在于,对原始实验数据库进行筛选时,需要删除异常数据和无效数据:将处于整体数据正负3倍标准差范围之外的数据视为异常数据;将空数据视为无效数据。
5.根据权利要求4所述的用于模拟驾驶***的路面类型预测模型的建模方法,其特征在于,筛选后的原始实验数据库必须进行标准正态化后作为建模数据库。
6.根据权利要求1所述的用于模拟驾驶***的路面类型预测模型的建模方法,其特征在于,运用K-Means算法进行路面类型预测模型训练时,应至少迭代100次。
7.根据权利要求1所述的用于模拟驾驶***的路面类型预测模型的建模方法,其特征在于,所述模型测试数据库应当包含所有需要预测的工况和路面类型。
8.根据权利要求1所述的用于模拟驾驶***的路面类型预测模型的建模方法,其特征在于,进行模型可信度测试的步骤中,复现模型测试数据库中的工况时,必须使用脚本自动进行,以确保模型测试库数据中的工况得到完全复现。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011206457.XA CN112163285B (zh) | 2020-11-03 | 2020-11-03 | 一种用于模拟驾驶***的路面类型预测模型的建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011206457.XA CN112163285B (zh) | 2020-11-03 | 2020-11-03 | 一种用于模拟驾驶***的路面类型预测模型的建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112163285A true CN112163285A (zh) | 2021-01-01 |
CN112163285B CN112163285B (zh) | 2024-01-23 |
Family
ID=73865491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011206457.XA Active CN112163285B (zh) | 2020-11-03 | 2020-11-03 | 一种用于模拟驾驶***的路面类型预测模型的建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112163285B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113479177A (zh) * | 2021-07-07 | 2021-10-08 | 的卢技术有限公司 | 车辆制动控制方法、***、计算机设备和存储介质 |
CN113515813A (zh) * | 2021-07-16 | 2021-10-19 | 长安大学 | 一种汽车动力学仿真软件模拟可靠度现场校验方法 |
CN114996114A (zh) * | 2021-03-01 | 2022-09-02 | 浙江天行健智能科技有限公司 | 智慧交通仿真测试***及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140122045A1 (en) * | 2013-08-08 | 2014-05-01 | Iteris, Inc. | Pavement condition analysis from modeling impact of traffic characteristics, weather data and road conditions on segments of a transportation network infrastructure |
CN104331953A (zh) * | 2014-10-29 | 2015-02-04 | 云南大学 | 一种基于物联网技术的汽车行为数据识别与管理方法 |
CN107679557A (zh) * | 2017-09-19 | 2018-02-09 | 平安科技(深圳)有限公司 | 驾驶模型训练方法、驾驶人识别方法、装置、设备及介质 |
CN111507233A (zh) * | 2020-04-13 | 2020-08-07 | 吉林大学 | 一种多模态信息融合的智能车路面类型识别方法 |
CN111815948A (zh) * | 2020-06-12 | 2020-10-23 | 南京航空航天大学 | 基于工况特征的车辆行驶工况预测方法 |
-
2020
- 2020-11-03 CN CN202011206457.XA patent/CN112163285B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140122045A1 (en) * | 2013-08-08 | 2014-05-01 | Iteris, Inc. | Pavement condition analysis from modeling impact of traffic characteristics, weather data and road conditions on segments of a transportation network infrastructure |
CN104331953A (zh) * | 2014-10-29 | 2015-02-04 | 云南大学 | 一种基于物联网技术的汽车行为数据识别与管理方法 |
CN107679557A (zh) * | 2017-09-19 | 2018-02-09 | 平安科技(深圳)有限公司 | 驾驶模型训练方法、驾驶人识别方法、装置、设备及介质 |
CN111507233A (zh) * | 2020-04-13 | 2020-08-07 | 吉林大学 | 一种多模态信息融合的智能车路面类型识别方法 |
CN111815948A (zh) * | 2020-06-12 | 2020-10-23 | 南京航空航天大学 | 基于工况特征的车辆行驶工况预测方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114996114A (zh) * | 2021-03-01 | 2022-09-02 | 浙江天行健智能科技有限公司 | 智慧交通仿真测试***及方法 |
CN113479177A (zh) * | 2021-07-07 | 2021-10-08 | 的卢技术有限公司 | 车辆制动控制方法、***、计算机设备和存储介质 |
CN113479177B (zh) * | 2021-07-07 | 2024-04-09 | 的卢技术有限公司 | 车辆制动控制方法、***、计算机设备和存储介质 |
CN113515813A (zh) * | 2021-07-16 | 2021-10-19 | 长安大学 | 一种汽车动力学仿真软件模拟可靠度现场校验方法 |
CN113515813B (zh) * | 2021-07-16 | 2023-03-14 | 长安大学 | 一种汽车动力学仿真软件模拟可靠度现场校验方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112163285B (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112163285A (zh) | 一种用于模拟驾驶***的路面类型预测模型的建模方法 | |
US20210197851A1 (en) | Method for building virtual scenario library for autonomous vehicle | |
US20170316127A1 (en) | Method and apparatus for constructing testing scenario for driverless vehicle | |
CN112997060A (zh) | 用于修改自主车辆的控制单元的方法和*** | |
CN114077541A (zh) | 验证用于自动驾驶车辆的自动控制软件的方法和*** | |
CN109461342B (zh) | 一种用于无人驾驶机动车的教学***及其教学方法 | |
CN113343461A (zh) | 自动驾驶车辆的仿真方法、装置、电子设备及存储介质 | |
CN111832652B (zh) | 决策模型的训练方法及装置 | |
US11893840B2 (en) | Systems and methods for modeling and simulation in vehicle forensics | |
CN113777952A (zh) | 一种实车与虚拟车交互映射的自动驾驶仿真测试方法 | |
US20220266854A1 (en) | Method for Operating a Driver Assistance System of a Vehicle and Driver Assistance System for a Vehicle | |
CN112698582A (zh) | Adas ecu仿真测试方法和测试*** | |
CN115291515A (zh) | 一种基于数字孪生的自动驾驶仿真测试***及评价方法 | |
WO2021146906A1 (zh) | 测试场景仿真方法、装置、计算机设备和存储介质 | |
CN112597996B (zh) | 基于任务驱动的自然场景中交通标志显著性检测方法 | |
CN115689946B (zh) | 图像修复方法、电子设备及计算机程序产品 | |
CN113297667A (zh) | 一种智能驾驶数据闭环的方法及*** | |
Li | A scenario-based development framework for autonomous driving | |
CN108460057B (zh) | 一种基于无监督学习的用户行程挖掘方法和装置 | |
CN108459996B (zh) | 一种基于有监督学习的用户行程挖掘方法和装置 | |
CN115857685A (zh) | 一种感知算法数据闭环方法及相关装置 | |
Coe et al. | Virtualized in situ software update verification: verification of over-the-air automotive software updates | |
CN115129027A (zh) | 一种用于智能驾驶的自动化评估方法及装置 | |
US20230273047A1 (en) | Method and Apparatus for Providing a High-Resolution Digital Map | |
EP4191462A1 (en) | Method and system for quantifying vehicle requirement |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |