CN113642103B - 动力学模型参数的调整方法、装置、介质及电子设备 - Google Patents
动力学模型参数的调整方法、装置、介质及电子设备 Download PDFInfo
- Publication number
- CN113642103B CN113642103B CN202110839480.0A CN202110839480A CN113642103B CN 113642103 B CN113642103 B CN 113642103B CN 202110839480 A CN202110839480 A CN 202110839480A CN 113642103 B CN113642103 B CN 113642103B
- Authority
- CN
- China
- Prior art keywords
- error
- fuzzy
- target
- information
- parameter adjustment
- 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.)
- Active
Links
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
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本公开涉及一种动力学模型参数的调整方法、装置、介质及电子设备,该方法包括:获取无人设备的动力学模型在按照至少一个目标参数运行时的仿真运行状态信息,以及所述无人设备在按照所述至少一个目标参数运行时的设备运行状态信息;确定所述仿真运行状态信息和所述设备运行状态信息之间的目标误差信息;对所述目标误差信息进行模糊化处理,以确定所述目标误差信息对应的模型参数调整模糊矩阵;根据所述模型参数调整模糊矩阵,对所述动力学模型的参数进行调整。通过上述方案,通过对目标误差信息进行模糊化处理,可自动化自适应地调整动力学模型的参数,无需技术人员手动调整参数,提高动力学模型的仿真度,提高动力学模型构建的准确度和效率。
Description
技术领域
本公开涉及无人驾驶领域,具体地,涉及一种动力学模型参数的调整方法、装置、介质及电子设备。
背景技术
目前,无人设备的应用越来越广泛,例如无人车、无人机,无人设备利用传感器感知周围环境和自身状态,通过路径规划算法决策下一步运行轨迹,从而实现自动驾驶。
无人设备在实际场景中所面临的外部环境复杂且多变,在无人设备真正自主运行之前,需要对其性能进行测试,以确保设备运行过程中的安全,由于实车测试的成本高、周期长,且效率较低,因此可搭建无人设备的动力学模型,通过无人驾驶仿真平台训练和验证无人设备在不同场景下的感知和决策算法,以仿真的形式对无人设备的性能进行测试,其中,所搭建的动力学模型能否真实的反映无人设备的运动特性,对仿真测试的准确度有较大影响。
发明内容
本公开的目的是提供一种动力学模型参数的调整方法、装置、介质及电子设备,可以自动化自适应地调整动力学模型的参数,提高动力学模型构建的准确度和效率。
为了实现上述目的,第一方面,本公开提供一种动力学模型参数的调整方法,所述方法包括:
获取无人设备的动力学模型在按照至少一个目标参数运行时的仿真运行状态信息,以及所述无人设备在按照所述至少一个目标参数运行时的设备运行状态信息;
确定所述仿真运行状态信息和所述设备运行状态信息之间的目标误差信息;
对所述目标误差信息进行模糊化处理,以确定所述目标误差信息对应的模型参数调整模糊矩阵;
根据所述模型参数调整模糊矩阵,对所述动力学模型的参数进行调整。
可选地,所述对所述目标误差信息进行模糊化处理,以确定所述目标误差信息对应的模型参数调整模糊矩阵,包括:
根据目标误差信息和第一预设隶属度函数,确定所述目标误差信息对应的至少一个目标模糊集,其中,所述第一预设隶属度函数用于表征多个预设误差信息分别对各个预设模糊集的隶属度;
根据所述第一预设隶属度函数中所述目标模糊集的模糊向量,确定所述目标误差信息对应的误差模糊矩阵,其中,所述目标模糊集的模糊向量由多个所述预设误差信息分别对所述目标模糊集的隶属度构成;
根据所述误差模糊矩阵,确定所述模型参数调整模糊矩阵。
可选地,所述根据所述误差模糊矩阵,确定所述模型参数调整模糊矩阵,包括:
根据误差信息与模型参数调整信息之间的模糊规则、所述第一预设隶属度函数、第二预设隶属度函数,确定误差信息与模型参数调整信息之间的模糊关系矩阵,其中,所述第二预设隶属度函数用于表征多个预设模型参数调整信息分别对各个所述预设模糊集的隶属度;
根据所述误差模糊矩阵和所述模糊关系矩阵,确定所述模型参数调整模糊矩阵。
可选地,所述预设模糊集包括:负大、负小、零、正小、正大;
所述模糊规则包括:若误差信息隶属于负大,则模型参数调整信息隶属于负大,若误差信息隶属于负小,则模型参数调整信息隶属于负小,若误差信息隶属于零,则模型参数调整信息隶属于零,若误差信息隶属于正小,则模型参数调整信息隶属于正小,若误差信息隶属于正大,则模型参数调整信息隶属于正大。
可选地,所述根据所述模型参数调整模糊矩阵,对所述动力学模型的参数进行调整,包括;
对所述模型参数调整模糊矩阵进行去模糊化,以得到目标模型参数调整信息;
根据所述目标模型参数调整信息,对所述动力学模型的参数进行调整。
可选地,所述目标模型参数调整信息包括以下中的至少一者:传动***传动比、转向***传动比、制动***的制动压力、动力***传动比、动力***节气门参数。
可选地,所述目标误差信息包括以下中的至少一者:速度误差、加速度误差、角速度误差、加加速度误差、角加速度误差、轨迹误差、转向误差、速度误差变化率、加速度误差变化率、角速度误差变化率、加加速度误差变化率、角加速度误差变化率、轨迹误差变化率、转向误差变化率。
第二方面,本公开提供一种动力学模型参数的调整装置,所述装置包括:
获取模块,被配置成用于获取无人设备的动力学模型在按照至少一个目标参数运行时的仿真运行状态信息,以及所述无人设备在按照所述至少一个目标参数运行时的设备运行状态信息;
误差信息确定模块,被配置成用于确定所述仿真运行状态信息和所述设备运行状态信息之间的目标误差信息;
处理模块,被配置成用于对所述目标误差信息进行模糊化处理,以确定所述目标误差信息对应的模型参数调整模糊矩阵;
调整模块,被配置成用于根据所述模型参数调整模糊矩阵,对所述动力学模型的参数进行调整。
可选地,所述处理模块,包括:
第一确定子模块,被配置成用于根据目标误差信息和第一预设隶属度函数,确定所述目标误差信息对应的至少一个目标模糊集,其中,所述第一预设隶属度函数用于表征多个预设误差信息分别对各个预设模糊集的隶属度;
第二确定子模块,被配置成用于根据所述第一预设隶属度函数中所述目标模糊集的模糊向量,确定所述目标误差信息对应的误差模糊矩阵,其中,所述目标模糊集的模糊向量由多个所述预设误差信息分别对所述目标模糊集的隶属度构成;
第三确定子模块,被配置成用于根据所述误差模糊矩阵,确定所述模型参数调整模糊矩阵。
可选地,所述第三确定子模块,包括:
第四确定子模块,被配置成用于根据误差信息与模型参数调整信息之间的模糊规则、所述第一预设隶属度函数、第二预设隶属度函数,确定误差信息与模型参数调整信息之间的模糊关系矩阵,其中,所述第二预设隶属度函数用于表征多个预设模型参数调整信息分别对各个所述预设模糊集的隶属度;
第五确定子模块,被配置成用于根据所述误差模糊矩阵和所述模糊关系矩阵,确定所述模型参数调整模糊矩阵。
可选地,所述预设模糊集包括:负大、负小、零、正小、正大;
所述模糊规则包括:若误差信息隶属于负大,则模型参数调整信息隶属于负大,若误差信息隶属于负小,则模型参数调整信息隶属于负小,若误差信息隶属于零,则模型参数调整信息隶属于零,若误差信息隶属于正小,则模型参数调整信息隶属于正小,若误差信息隶属于正大,则模型参数调整信息隶属于正大。
可选地,所述调整模块,包括;
处理子模块,被配置成用于对所述模型参数调整模糊矩阵进行去模糊化,以得到目标模型参数调整信息;
调整子模块,被配置成用于根据所述目标模型参数调整信息,对所述动力学模型的参数进行调整。
可选地,所述目标模型参数调整信息包括以下中的至少一者:传动***传动比、转向***传动比、制动***的制动压力、动力***传动比、动力***节气门参数。
可选地,所述目标误差信息包括以下中的至少一者:速度误差、加速度误差、角速度误差、加加速度误差、角加速度误差、轨迹误差、转向误差、速度误差变化率、加速度误差变化率、角速度误差变化率、加加速度误差变化率、角加速度误差变化率、轨迹误差变化率、转向误差变化率。
第三方面,本公开提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本公开第一方面所提供的方法的步骤。
第四方面,本公开提供一种电子设备,包括:存储器,其上存储有计算机程序;处理器,用于执行所述存储器中的所述计算机程序,以实现本公开第一方面所提供的方法的步骤。
通过上述技术方案,获取无人设备的动力学模型在按照至少一个目标参数运行时的仿真运行状态信息,以及无人设备在按照至少一个目标参数运行时的设备运行状态信息,仿真运行状态信息和设备运行状态信息之间的目标误差信息,可反映动力学模型与无人设备之间的差异,对该目标误差信息进行模糊化处理,可将目标误差信息转换为模糊矢量,以确定目标误差信息对应的模型参数调整模糊矩阵,根据模型参数调整模糊矩阵,可对动力学模型的参数进行调整。如此,通过对目标误差信息进行模糊化处理,可自动化自适应地调整动力学模型的各项参数,无需技术人员手动调整参数,提升参数拟合效率,通过对动力学模型的参数进行自适应调整,可提高动力学模型的仿真度,使得动力学模型与无人设备的运动特性更接近,提高动力学模型构建的准确度和效率。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1是根据一示例性实施例示出的一种动力学模型参数的调整方法的流程图。
图2是根据一示例性实施例示出的一种对目标误差信息进行模糊化处理以确定对应的模型参数调整模糊矩阵的方法的流程图。
图3是根据一示例性实施例示出的一种根据误差模糊矩阵确定模型参数调整模糊矩阵的方法的流程图。
图4是根据一示例性实施例示出的一种动力学模型参数的调整装置的框图。
图5是根据一示例性实施例示出的一种电子设备的框图。
图6是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
首先对本公开的应用场景进行介绍,本公开可应用于构建无人设备的动力学模型的过程中,在构建无人设备的动力学模型的过程中,需要对动力学模型的参数进行调整,以提高动力学模型的仿真度,即提高动力学模型与无人设备的运动特性的一致性。
图1是根据一示例性实施例示出的一种动力学模型参数的调整方法的流程图,该方法可应用于动力学模型构建平台,如图1所示,该方法可包括S101至S104。
在S101中,获取无人设备的动力学模型在按照至少一个目标参数运行时的仿真运行状态信息,以及无人设备在按照至少一个目标参数运行时的设备运行状态信息。
其中,目标参数可以是驱动无人设备运行所需的参数,例如可包括油门开度、方向盘转向方向等。本公开对目标参数的数量不做具体限制,可以是一个也可以是多个。示例地,动力学模型构建平台可根据至少一个目标参数生成运行控制指令,并分别向无人设备和动力学模型发送该运行控制指令,以使无人设备和动力学模型按照至少一个目标参数运行。值得说明的是,该运行控制指令可以是同时发送给无人设备和动力学模型,也可以是在不同的时间分别发送给无人设备和动力学模型,本公开不做限定。
其中,动力学模型的运行环境可以设置的与无人设备的外部环境相同,例如路面摩擦系数、风阻力等环境与无人设备的环境相同。无人设备可将按照至少一个目标参数运行时的设备运行状态信息发送至动力学模型构建平台,示例地,该设备运行状态信息可包括无人设备的实时速度、实时加速度、实时角速度、实时加加速度、实时角加速度、实时轨迹信息、实时转向信息。并且,由于无人设备实际的设备运行状态信息有数据抖动现象,可首先对该设备运行状态信息进行滤波处理。动力学模型可将按照至少一个目标参数运行时的仿真运行状态信息发送至动力学模型构建平台,示例地,该仿真运行状态信息可包括动力学模型的实时速度、实时加速度、实时角速度、实时加加速度、实时角加速度、实时轨迹信息、实时转向信息。
在S102中,确定仿真运行状态信息和设备运行状态信息之间的目标误差信息。
示例地,该目标误差信息可包括以下中的至少一者:速度误差、加速度误差、角速度误差、加加速度误差、角加速度误差、轨迹误差、转向误差、速度误差变化率、加速度误差变化率、角速度误差变化率、加加速度误差变化率、角加速度误差变化率、轨迹误差变化率、转向误差变化率。
在S103中,对目标误差信息进行模糊化处理,以确定目标误差信息对应的模型参数调整模糊矩阵。
在S104中,根据模型参数调整模糊矩阵,对动力学模型的参数进行调整。
动力学模型和无人设备按照相同的参数运行,所产生的仿真运行状态信息和设备运行状态信息之间的目标误差信息,可反映动力学模型与无人设备之间的差异,对该目标误差信息进行模糊化处理,可将目标误差信息转换为模糊矢量,基于模糊推理确定目标误差信息对应的模型参数调整模糊矩阵。根据该模型参数调整模糊矩阵,可确定目标模型参数调整信息,将目标模型参数调整信息作为控制量,可对动力学模型的参数进行调整。其中,在构建动力学模型的过程中,可对动力学模型的参数进行多次调整,直至动力学模型的仿真运行状态信息与无人设备的设备运行状态信息之间的误差小于一定阈值。这样,通过对目标误差信息进行模糊化处理,可自动化自适应地调整动力学模型的各项参数,无需技术人员手动调整参数,提升参数拟合效率,提高动力学模型构建的准确度和效率。
通过上述技术方案,获取无人设备的动力学模型在按照至少一个目标参数运行时的仿真运行状态信息,以及无人设备在按照至少一个目标参数运行时的设备运行状态信息,仿真运行状态信息和设备运行状态信息之间的目标误差信息,可反映动力学模型与无人设备之间的差异,对该目标误差信息进行模糊化处理,可将目标误差信息转换为模糊矢量,以确定目标误差信息对应的模型参数调整模糊矩阵,根据模型参数调整模糊矩阵,可对动力学模型的参数进行调整。如此,通过对目标误差信息进行模糊化处理,可自动化自适应地调整动力学模型的各项参数,无需技术人员手动调整参数,提升参数拟合效率,通过对动力学模型的参数进行自适应调整,可提高动力学模型的仿真度,使得动力学模型与无人设备的运动特性更接近,提高动力学模型构建的准确度和效率。
图2是根据一示例性实施例示出的一种对目标误差信息进行模糊化处理以确定对应的模型参数调整模糊矩阵的方法的流程图,如图2所示,该方法可包括S201至S203。
在S201中,根据目标误差信息和第一预设隶属度函数,确定目标误差信息对应的至少一个目标模糊集。
其中,第一预设隶属度函数用于表征多个预设误差信息分别对各个预设模糊集的隶属度。示例地,预设模糊集可包括:负大(NB)、负小(NS)、零(ZO)、正小(PS)、正大(PB)。表1为一示例性实施例示出的一种第一预设隶属度函数的示例,预设误差信息的取值范围为[-1.5,1.5],以目标误差信息为速度误差为例,目标误差信息为正,表征动力学模型的速度高于无人设备的速度,目标误差信息为负,表征动力学模型的速度低于无人设备的速度。需要说明的是,表1中的多个预设误差信息为离散的多个点,仅为示意和解释说明,第一预设隶属度函数可以是连续的函数。
表1
示例地,以目标误差信息为速度误差为例,例如目标误差信息为1.5,该目标误差信息对模糊集正大(PB)的隶属度为1,可确定该目标误差信息对应的目标模糊集为正大(PB)。示例地,例如目标误差信息为1,该目标误差信息对模糊集正大(PB)的隶属度为0.5,对模糊集正小(PS)的隶属度为0.5,可确定该目标误差信息对应的目标模糊集包括正大(PB)和正小(PS)。
在S202中,根据第一预设隶属度函数中目标模糊集的模糊向量,确定目标误差信息对应的误差模糊矩阵。
其中,目标模糊集的模糊向量由多个预设误差信息分别对目标模糊集的隶属度构成。示例地,以表1为例,模糊集正大(PB)的模糊向量为[0,0,0,0,0,0.5,1],模糊集正小(PS)的模糊向量为[0,0,0,0.5,0,0.5,0]。
以目标误差信息为1.5为例,该目标误差信息对应的目标模糊集为正大(PB),对应的误差模糊矩阵可以为模糊集正大(PB)的模糊向量[0,0,0,0,0,0.5,1]。以目标误差信息为1为例,该目标误差信息对应的目标模糊集包括正大(PB)和正小(PS),对应的误差模糊矩阵可以由模糊集正大(PB)的模糊向量和模糊集正小(PS)的模糊向量构成。
在S203中,根据误差模糊矩阵,确定模型参数调整模糊矩阵。
该步骤S203的示例性实施例方式可如图3所示,包括S301和S302。
在S301中,根据误差信息与模型参数调整信息之间的模糊规则、第一预设隶属度函数、第二预设隶属度函数,确定误差信息与模型参数调整信息之间的模糊关系矩阵。
其中,第二预设隶属度函数用于表征多个预设模型参数调整信息分别对各个预设模糊集的隶属度。表2为一示例性实施例示出的一种第二预设隶属度函数的示例,预设模型参数调整信息的取值范围为[-2,2],以模型参数调整信息为动力***传动比为例,模型参数调整信息为负,表示需要增大动力学模型的动力***传动比,模型参数调整信息为正,表示需要减小动力学模型的动力***传动比。需要说明的是,表2中的多个预设模型参数调整信息为离散的多个点,仅为示意和解释说明,第二预设隶属度函数可以是连续的函数。
表2
其中,误差信息与模型参数调整信息之间的模糊规则可以为:若误差信息隶属于负大,则模型参数调整信息隶属于负大,若误差信息隶属于负小,则模型参数调整信息隶属于负小,若误差信息隶属于零,则模型参数调整信息隶属于零,若误差信息隶属于正小,则模型参数调整信息隶属于正小,若误差信息隶属于正大,则模型参数调整信息隶属于正大。
通过规则内的模糊集运算取交集,规则间的模糊集运算取并集的方式,可确定误差信息与模型参数调整信息之间的模糊关系矩阵,该模糊关系矩阵R可通过如下公式确定:
R=(NBe×NBu)∪(NSe×NSu)∪(ZOe×ZOu)∪(PSe×PSu)∪(PBe×PBu)
其中,NBe表示第一预设隶属度函数中模糊集负大的模糊向量,以表1为例,NBe=[1,0.5,0,0,0,0,0]。NBu表示第二预设隶属度函数中模糊集负大的模糊向量,第二预设隶属度函数中模糊集的模糊向量由多个预设模型参数调整信息分别对该模糊集的隶属度构成,以表2为例,NBu=[1,0.5,0,0,0,0,0,0,0]。NSe表示第一预设隶属度函数中模糊集负小的模糊向量,以表1为例,NSe=[0,0.5,1,0.5,0,0,0]。NSu表示第二预设隶属度函数中模糊集负小的模糊向量,以表2为例,NSu=[0,0.5,1,0.5,0,0,0,0,0]。ZOe表示第一预设隶属度函数中模糊集零的模糊向量,以表1为例,ZOe=[0,0,0.5,1,0.5,0,0]。ZOu表示第二预设隶属度函数中模糊集零的模糊向量,以表2为例,ZOu=[0,0,0,0.5,1,0.5,0,0,0]。PSe表示第一预设隶属度函数中模糊集正小的模糊向量,以表1为例,PSe=[0,0,0,0.5,0,0.5,0]。PSu表示第二预设隶属度函数中模糊集正小的模糊向量,以表2为例,PSu=[0,0,0,0,0,0.5,1,0.5,0]。PBe表示第一预设隶属度函数中模糊集正大的模糊向量,以表1为例,PBe=[0,0,0,0,0,0.5,1]。PBu表示第二预设隶属度函数中模糊集正大的模糊向量,以表2为例,PBu=[0,0,0,0,0,0,0,0.5,1]。
在S302中,根据误差模糊矩阵和模糊关系矩阵,确定模型参数调整模糊矩阵。
示例地,可将误差模糊矩阵和模糊关系矩阵的乘积,作为模型参数调整模糊矩阵。
通过上述技术方案,对目标误差信息进行模糊处理,可确定目标误差信息对应的误差模糊矩阵,根据误差信息与模型参数调整信息之间的模糊关系矩阵以及误差模糊矩阵,可确定模型参数调整模糊矩阵,根据模型参数调整模糊矩阵,可对动力学模型的参数进行调整。如此,通过对目标误差信息进行模糊化处理,可自动化自适应地调整动力学模型的各项参数,提高动力学模型构建的准确度和效率。
可选地,S104中根据模型参数调整模糊矩阵,对动力学模型的参数进行调整,可包括;
对模型参数调整模糊矩阵进行去模糊化,以得到目标模型参数调整信息;根据目标模型参数调整信息,对动力学模型的参数进行调整。
示例地,可采用隶属度最大原则对模型参数调整模糊矩阵进行去模糊化,得到目标模型参数调整信息。目标模型参数调整信息可包括以下中的至少一者:传动***传动比、转向***传动比、制动***的制动压力、动力***传动比、动力***节气门参数。例如,根据动力学模型和无人设备之间的速度误差和速度误差变化率,可得到动力***传动比,根据动力学模型和无人设备之间的转向误差和转向误差变化率,可得到转向***传动比。
其中,根据目标模型参数调整信息对动力学模型的参数进行调整的方式可预先设置,例如,以目标模型参数调整信息为动力***传动比为例,如果目标模型参数调整信息为负,表示需要增大动力学模型的动力***传动比,如果目标模型参数调整信息为正,表示需要减小动力学模型的动力***传动比。如此,可对动力学模型的参数进行自动化且自适应的调整,不断提高动力学模型的仿真度和准确度。
基于同一发明构思,本公开还提供一种动力学模型参数的调整装置,图4是根据一示例性实施例示出的一种动力学模型参数的调整装置的框图,如图4所示,该装置400可包括:
获取模块401,被配置成用于获取无人设备的动力学模型在按照至少一个目标参数运行时的仿真运行状态信息,以及所述无人设备在按照所述至少一个目标参数运行时的设备运行状态信息;
误差信息确定模块402,被配置成用于确定所述仿真运行状态信息和所述设备运行状态信息之间的目标误差信息;
处理模块403,被配置成用于对所述目标误差信息进行模糊化处理,以确定所述目标误差信息对应的模型参数调整模糊矩阵;
调整模块404,被配置成用于根据所述模型参数调整模糊矩阵,对所述动力学模型的参数进行调整。
采用上述装置,获取无人设备的动力学模型在按照至少一个目标参数运行时的仿真运行状态信息,以及无人设备在按照至少一个目标参数运行时的设备运行状态信息,仿真运行状态信息和设备运行状态信息之间的目标误差信息,可反映动力学模型与无人设备之间的差异,对该目标误差信息进行模糊化处理,可将目标误差信息转换为模糊矢量,以确定目标误差信息对应的模型参数调整模糊矩阵,根据模型参数调整模糊矩阵,可对动力学模型的参数进行调整。如此,通过对目标误差信息进行模糊化处理,可自动化自适应地调整动力学模型的各项参数,无需技术人员手动调整参数,提升参数拟合效率,通过对动力学模型的参数进行自适应调整,可提高动力学模型的仿真度,使得动力学模型与无人设备的运动特性更接近,提高动力学模型构建的准确度和效率。
可选地,所述处理模块403,包括:
第一确定子模块,被配置成用于根据目标误差信息和第一预设隶属度函数,确定所述目标误差信息对应的至少一个目标模糊集,其中,所述第一预设隶属度函数用于表征多个预设误差信息分别对各个预设模糊集的隶属度;
第二确定子模块,被配置成用于根据所述第一预设隶属度函数中所述目标模糊集的模糊向量,确定所述目标误差信息对应的误差模糊矩阵,其中,所述目标模糊集的模糊向量由多个所述预设误差信息分别对所述目标模糊集的隶属度构成;
第三确定子模块,被配置成用于根据所述误差模糊矩阵,确定所述模型参数调整模糊矩阵。
可选地,所述第三确定子模块,包括:
第四确定子模块,被配置成用于根据误差信息与模型参数调整信息之间的模糊规则、所述第一预设隶属度函数、第二预设隶属度函数,确定误差信息与模型参数调整信息之间的模糊关系矩阵,其中,所述第二预设隶属度函数用于表征多个预设模型参数调整信息分别对各个所述预设模糊集的隶属度;
第五确定子模块,被配置成用于根据所述误差模糊矩阵和所述模糊关系矩阵,确定所述模型参数调整模糊矩阵。
可选地,所述预设模糊集包括:负大、负小、零、正小、正大;
所述模糊规则包括:若误差信息隶属于负大,则模型参数调整信息隶属于负大,若误差信息隶属于负小,则模型参数调整信息隶属于负小,若误差信息隶属于零,则模型参数调整信息隶属于零,若误差信息隶属于正小,则模型参数调整信息隶属于正小,若误差信息隶属于正大,则模型参数调整信息隶属于正大。
可选地,所述调整模块404,包括;
处理子模块,被配置成用于对所述模型参数调整模糊矩阵进行去模糊化,以得到目标模型参数调整信息;
调整子模块,被配置成用于根据所述目标模型参数调整信息,对所述动力学模型的参数进行调整。
可选地,所述目标模型参数调整信息包括以下中的至少一者:传动***传动比、转向***传动比、制动***的制动压力、动力***传动比、动力***节气门参数。
可选地,所述目标误差信息包括以下中的至少一者:速度误差、加速度误差、角速度误差、加加速度误差、角加速度误差、轨迹误差、转向误差、速度误差变化率、加速度误差变化率、角速度误差变化率、加加速度误差变化率、角加速度误差变化率、轨迹误差变化率、转向误差变化率。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图5是根据一示例性实施例示出的一种电子设备700的框图。如图5所示,该电子设备700可以包括:处理器701,存储器702。该电子设备700还可以包括多媒体组件703,输入/输出(I/O)接口704,以及通信组件705中的一者或多者。
其中,处理器701用于控制该电子设备700的整体操作,以完成上述的动力学模型参数的调整方法中的全部或部分步骤。存储器702用于存储各种类型的数据以支持在该电子设备700的操作,这些数据例如可以包括用于在该电子设备700上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器702可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件703可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器702或通过通信组件705发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口704为处理器701和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件705用于该电子设备700与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G、4G、NB-IOT、eMTC、或其他5G等等,或它们中的一种或几种的组合,在此不做限定。因此相应的该通信组件705可以包括:Wi-Fi模块,蓝牙模块,NFC模块等等。
在一示例性实施例中,电子设备700可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的动力学模型参数的调整方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的动力学模型参数的调整方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器702,上述程序指令可由电子设备700的处理器701执行以完成上述的动力学模型参数的调整方法。
图6是根据一示例性实施例示出的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图6,电子设备1900包括处理器1922,其数量可以为一个或多个,以及存储器1932,用于存储可由处理器1922执行的计算机程序。存储器1932中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理器1922可以被配置为执行该计算机程序,以执行上述的动力学模型参数的调整方法。
另外,电子设备1900还可以包括电源组件1926和通信组件1950,该电源组件1926可以被配置为执行电子设备1900的电源管理,该通信组件1950可以被配置为实现电子设备1900的通信,例如,有线或无线通信。此外,该电子设备1900还可以包括输入/输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作***,例如WindowsServerTM,Mac OS XTM,UnixTM,LinuxTM等等。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的动力学模型参数的调整方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器1932,上述程序指令可由电子设备1900的处理器1922执行以完成上述的动力学模型参数的调整方法。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述的动力学模型参数的调整方法的代码部分。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (8)
1.一种动力学模型参数的调整方法,其特征在于,所述方法包括:
获取无人设备的动力学模型在按照至少一个目标参数运行时的仿真运行状态信息,以及所述无人设备在按照所述至少一个目标参数运行时的设备运行状态信息;
确定所述仿真运行状态信息和所述设备运行状态信息之间的目标误差信息;
对所述目标误差信息进行模糊化处理,以确定所述目标误差信息对应的模型参数调整模糊矩阵;
根据所述模型参数调整模糊矩阵,对所述动力学模型的参数进行调整;
其中,所述对所述目标误差信息进行模糊化处理,以确定所述目标误差信息对应的模型参数调整模糊矩阵,包括:
根据目标误差信息和第一预设隶属度函数,确定所述目标误差信息对应的至少一个目标模糊集,其中,所述第一预设隶属度函数用于表征多个预设误差信息分别对各个预设模糊集的隶属度;
根据所述第一预设隶属度函数中所述目标模糊集的模糊向量,确定所述目标误差信息对应的误差模糊矩阵,其中,所述目标模糊集的模糊向量由多个所述预设误差信息分别对所述目标模糊集的隶属度构成;
根据所述误差模糊矩阵,确定所述模型参数调整模糊矩阵;
其中,所述根据所述误差模糊矩阵,确定所述模型参数调整模糊矩阵,包括:
根据误差信息与模型参数调整信息之间的模糊规则、所述第一预设隶属度函数、第二预设隶属度函数,确定误差信息与模型参数调整信息之间的模糊关系矩阵,其中,所述第二预设隶属度函数用于表征多个预设模型参数调整信息分别对各个所述预设模糊集的隶属度;
根据所述误差模糊矩阵和所述模糊关系矩阵,确定所述模型参数调整模糊矩阵。
2.根据权利要求1所述的方法,其特征在于,所述预设模糊集包括:负大、负小、零、正小、正大;
所述模糊规则包括:若误差信息隶属于负大,则模型参数调整信息隶属于负大,若误差信息隶属于负小,则模型参数调整信息隶属于负小,若误差信息隶属于零,则模型参数调整信息隶属于零,若误差信息隶属于正小,则模型参数调整信息隶属于正小,若误差信息隶属于正大,则模型参数调整信息隶属于正大。
3.根据权利要求1所述的方法,其特征在于,所述根据所述模型参数调整模糊矩阵,对所述动力学模型的参数进行调整,包括;
对所述模型参数调整模糊矩阵进行去模糊化,以得到目标模型参数调整信息;
根据所述目标模型参数调整信息,对所述动力学模型的参数进行调整。
4.根据权利要求3所述的方法,其特征在于,所述目标模型参数调整信息包括以下中的至少一者:传动***传动比、转向***传动比、制动***的制动压力、动力***传动比、动力***节气门参数。
5.根据权利要求1-4中任一项所述的方法,其特征在于,所述目标误差信息包括以下中的至少一者:速度误差、加速度误差、角速度误差、加加速度误差、角加速度误差、轨迹误差、转向误差、速度误差变化率、加速度误差变化率、角速度误差变化率、加加速度误差变化率、角加速度误差变化率、轨迹误差变化率、转向误差变化率。
6.一种动力学模型参数的调整装置,其特征在于,所述装置包括:
获取模块,被配置成用于获取无人设备的动力学模型在按照至少一个目标参数运行时的仿真运行状态信息,以及所述无人设备在按照所述至少一个目标参数运行时的设备运行状态信息;
误差信息确定模块,被配置成用于确定所述仿真运行状态信息和所述设备运行状态信息之间的目标误差信息;
处理模块,被配置成用于对所述目标误差信息进行模糊化处理,以确定所述目标误差信息对应的模型参数调整模糊矩阵;
调整模块,被配置成用于根据所述模型参数调整模糊矩阵,对所述动力学模型的参数进行调整;
其中,所述处理模块,包括:
第一确定子模块,被配置成用于根据目标误差信息和第一预设隶属度函数,确定所述目标误差信息对应的至少一个目标模糊集,其中,所述第一预设隶属度函数用于表征多个预设误差信息分别对各个预设模糊集的隶属度;
第二确定子模块,被配置成用于根据所述第一预设隶属度函数中所述目标模糊集的模糊向量,确定所述目标误差信息对应的误差模糊矩阵,其中,所述目标模糊集的模糊向量由多个所述预设误差信息分别对所述目标模糊集的隶属度构成;
第三确定子模块,被配置成用于根据所述误差模糊矩阵,确定所述模型参数调整模糊矩阵;
其中,所述第三确定子模块,包括:
第四确定子模块,被配置成用于根据误差信息与模型参数调整信息之间的模糊规则、所述第一预设隶属度函数、第二预设隶属度函数,确定误差信息与模型参数调整信息之间的模糊关系矩阵,其中,所述第二预设隶属度函数用于表征多个预设模型参数调整信息分别对各个所述预设模糊集的隶属度;
第五确定子模块,被配置成用于根据所述误差模糊矩阵和所述模糊关系矩阵,确定所述模型参数调整模糊矩阵。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-5中任一项所述方法的步骤。
8.一种电子设备,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1-5中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110839480.0A CN113642103B (zh) | 2021-07-23 | 2021-07-23 | 动力学模型参数的调整方法、装置、介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110839480.0A CN113642103B (zh) | 2021-07-23 | 2021-07-23 | 动力学模型参数的调整方法、装置、介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113642103A CN113642103A (zh) | 2021-11-12 |
CN113642103B true CN113642103B (zh) | 2022-08-02 |
Family
ID=78418222
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110839480.0A Active CN113642103B (zh) | 2021-07-23 | 2021-07-23 | 动力学模型参数的调整方法、装置、介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113642103B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117648216B (zh) * | 2024-01-30 | 2024-04-23 | 苏州元脑智能科技有限公司 | 调整内存可纠正错误阈值的方法、装置、服务器及介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106530684B (zh) * | 2015-09-11 | 2019-08-20 | 杭州海康威视***技术有限公司 | 处理交通道路信息的方法及装置 |
CN106527129B (zh) * | 2016-10-18 | 2019-08-27 | 长安大学 | 一种并联机器人间接自适应模糊控制参数的确定方法 |
CN107037820A (zh) * | 2016-12-13 | 2017-08-11 | 中国科学院沈阳自动化研究所 | 一种舱内飞行器的控制方法 |
CN109709799A (zh) * | 2018-12-29 | 2019-05-03 | 西安西驰电气股份有限公司 | 一种用于动力收放卷的pid模糊控制优化方法 |
CN110347971B (zh) * | 2019-07-18 | 2023-04-07 | 深圳大学 | 基于tsk模糊模型的粒子滤波方法、装置及存储介质 |
CN111428382B (zh) * | 2020-04-17 | 2021-07-27 | 福瑞泰克智能***有限公司 | 车辆轨迹控制的方法、***、计算机设备和可读存储介质 |
CN112733359B (zh) * | 2021-01-05 | 2024-01-12 | 北京三快在线科技有限公司 | 动力学模型验证方法、装置、介质、电子设备及无人设备 |
-
2021
- 2021-07-23 CN CN202110839480.0A patent/CN113642103B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113642103A (zh) | 2021-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sakhdari et al. | Adaptive tube-based nonlinear MPC for economic autonomous cruise control of plug-in hybrid electric vehicles | |
US10259468B2 (en) | Active vehicle performance tuning based on driver behavior | |
CN111931286B (zh) | 纵向动力学模型的训练方法、装置及设备 | |
Vegamoor et al. | String stability of connected vehicle platoons under lossy V2V communication | |
CN112947492B (zh) | 车辆控制方法、装置、存储介质、电子设备及车辆 | |
CN112382165B (zh) | 驾驶策略生成方法、装置、介质、设备及仿真*** | |
CN113642103B (zh) | 动力学模型参数的调整方法、装置、介质及电子设备 | |
CN113253612B (zh) | 一种自动驾驶控制方法、装置、设备及可读存储介质 | |
CN111508253B (zh) | 提供自动行驶服务平台的方法及利用其的服务器 | |
KR20220154785A (ko) | 다중 태스크 강화 학습에서 메타-그래디언트를 사용한 액션 선택을 위한 학습 옵션 | |
JP7196189B2 (ja) | 移動ロボットを制御するための方法、装置及び制御システム | |
CN112733359B (zh) | 动力学模型验证方法、装置、介质、电子设备及无人设备 | |
CN113625753B (zh) | 一种由专家规则引导神经网络学习无人机机动飞行的方法 | |
CN110377982B (zh) | 自动驾驶性能的测试方法及***、电子设备、存储介质 | |
CN109543225B (zh) | 车辆的控制方案生成方法、装置、存储介质和电子设备 | |
CN116461507A (zh) | 一种车辆驾驶决策方法、装置、设备和存储介质 | |
CN116795720A (zh) | 一种基于场景的无人驾驶***可信性评价方法及装置 | |
CN114114954B (zh) | 一种无人设备的控制方法及装置 | |
CN113799772B (zh) | 车辆的控制方法、装置以及控制*** | |
CN113596780B (zh) | 车辆交互信息生成方法、装置、设备和计算机可读介质 | |
CN115577318B (zh) | 基于半实物的数据融合评估方法、***、设备及储存介质 | |
CN113593241B (zh) | 车辆交互信息校验方法、装置、电子设备和可读介质 | |
CN112289023B (zh) | 用于自动驾驶的停车仿真测试方法、装置及相关设备 | |
CN115482687B (zh) | 用于车辆变道风险评估的方法、装置、设备和介质 | |
Rebling et al. | Development and testing of driver assistance systems with unity |
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 |