CN116484742A - 车辆动力学建模与车辆状态预测方法、***、设备及介质 - Google Patents

车辆动力学建模与车辆状态预测方法、***、设备及介质 Download PDF

Info

Publication number
CN116484742A
CN116484742A CN202310518804.XA CN202310518804A CN116484742A CN 116484742 A CN116484742 A CN 116484742A CN 202310518804 A CN202310518804 A CN 202310518804A CN 116484742 A CN116484742 A CN 116484742A
Authority
CN
China
Prior art keywords
data
vehicle
prediction
dynamics
model
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.)
Pending
Application number
CN202310518804.XA
Other languages
English (en)
Inventor
邱剑涛
李怡康
孙振
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai AI Innovation Center
Original Assignee
Shanghai AI Innovation Center
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai AI Innovation Center filed Critical Shanghai AI Innovation Center
Priority to CN202310518804.XA priority Critical patent/CN116484742A/zh
Publication of CN116484742A publication Critical patent/CN116484742A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及车辆建模技术领域，特别涉及一种车辆动力学建模与车辆状态预测方法、***、设备及介质，该方法包括：获取建模数据；将建模数据划分为训练数据和测试数据；基于训练数据，对循环神经网络的参数进行训练，得到车辆动力学模型；并基于测试数据，对车辆动力学模型进行测试，得到最终车辆动力学模型；将最终车辆动力学模型存储至动力学预测装置，得到动力学预测模型，并对未来车辆状态部分观测数据进行预测。本申请提供的车辆动力学建模与车辆状态预测方法，通过在整段行驶数据上沿时间传递隐状态编码，获得任意时刻车辆运动状态的隐编码估计并用于估计下一时刻的运动状态，降低了计算难度，并提高了车辆动力学精度和仿真帧率。

Description

车辆动力学建模与车辆状态预测方法、***、设备及介质
技术领域
本申请实施例涉及车辆建模技术领域，特别涉及一种车辆动力学建模与车辆状态预测方法、***、设备及介质。
背景技术
在自动驾驶领域中，为了以较低成本调试与验证各项相关技术，如感知技术、决策控制技术、通信技术等，需要在车辆仿真平台上进行仿真测试，其中的一个关键技术为车辆动力学的建模与仿真。建模与仿真精度直接影响了测试结果的可靠性，并且建模与仿真的时间成本和物料成本也会影响研发周期与成本预算。
车辆动力学模型旨在根据当前的车辆运动状态和控制输入，准确的预测未来时刻车辆的部分运动状态观测(简称未来状态部分观测)。使用恰当的模型根据车辆当前及过往时刻的运动学观测数据和控制量数据(分别简称可用观测数据和可用控制量数据，合称可用数据)，恢复当前时刻车辆尽可能完整的运动状态，是准确预测未来状态部分观测的关键。
现有技术通常以当前时刻的可用数据或者有限的固定时间长度的可用数据作为一次预测的输入数据，输入到模型中用于预测未来状态部分观测，由于使用当前时刻或者有限的固定时间长度的可用数据进行建模无法利用更早的可用数据的信息，从而损失了预测的精度。另外，由于预测某时刻的未来状态部分观测时需要输入并处理一段固定时间长度的可用数据，而预测该时刻下一时刻的未来状态部分观测时同样需要输入并处理一段固定时间长度的可用数据，前后两个时刻的输入数据大部分是重合的，后一时刻的输入数据相比于前一时刻丢弃了最早的一帧数据并加入了一帧新的数据。这意味着两次预测时处理输入数据的过程存在可复用的信息，分别独立处理输入数据的方法未能利用可复用信息从而造成了重复的冗余计算，提高了模型建模时和仿真时的计算成本。
发明内容
本申请实施例提供一种车辆动力学建模与车辆状态预测方法、***、设备及介质，通过在整段行驶数据上沿时间传递隐状态编码，从而以较低的计算复杂度获得任意时刻车辆运动状态的隐编码估计，并用于估计下一时刻的运动状态，以提高车辆动力学精度和仿真帧率。
为解决上述技术问题，第一方面，本申请实施例提供一种车辆动力学建模与车辆状态预测方法，包括以下步骤：首先，获取建模数据；建模数据包括待建模车辆的运动学观测数据序列以及控制量数据序列；然后，将建模数据划分为训练数据和测试数据；接下来，基于训练数据，对循环神经网络的参数进行训练，得到车辆动力学模型；并基于测试数据，对车辆动力学模型进行测试，得到最终车辆动力学模型；然后，将最终车辆动力学模型存储至动力学预测装置，得到动力学预测模型；最后，将当前时刻的车辆状态部分观测数据、控制量数据以及上一时刻的隐编码输入至动力学预测模型中，对未来车辆状态部分观测数据进行预测；其中，上一时刻的隐编码为动力学预测装置在完成每一个时间步的预测后，对当前时间步输出的隐编码进行存储得到。
在一些示例性实施例中，将车辆的当前时刻车辆状态部分观测数据、控制量数据以及上一时刻的隐编码输入动力学预测模型，对未来车辆状态部分观测数据进行预测，包括：在一个车辆状态部分观测预测任务开始时，生成一个全零隐编码并存储在动力学预测装置中；在车辆状态部分观测在线预测任务中，对于每一个时间步，将当前的车辆状态部分观测数据、控制量数据以及在上一时刻的隐编码输入至动力学模型中，动力学模型输出未来车辆状态部分观测和新的隐编码。
在一些示例性实施例中，待建模车辆的运动学观测数据序列通过以固定时间间隔采样得到；待建模车辆的运动学观测数据包括车辆的位置数据、速度数据、方位角数据、方位角速度数据。
在一些示例性实施例中，控制量数据序列通过以固定时间间隔采样得到；控制量数据包括待建模车辆的动力控制量、制动控制量以及方向盘控制量。
在一些示例性实施例中，基于建模数据中数据长度占总长度的比例，将建模数据划分为训练数据和测试数据。
在一些示例性实施例中，基于训练数据，对循环神经网络的参数进行训练，得到车辆动力学模型，包括：对循环神经网络初始化，作为初始动力学模型；采用初始动力学模型，对训练数据中的输入数据和上一时刻的隐编码并输出未来时刻的动力学预测作为输出数据；采用损失函数计算输出数据和训练数据中的目标数据之间的损失值；采用TBPTT方法计算初始动力学模型内参数对损失值的偏导数，并基于梯度的优化算法对初始动力学模型内参数进行迭代优化，得到车辆动力学模型。
在一些示例性实施例中，基于测试数据，对车辆动力学模型进行测试，得到最终车辆动力学模型，包括：基于测试数据，计算车辆动力学模型的预测精度指标；判断预测精度指标是否优于迭代优化过程中的优化结果；若是，则记录当前时刻的车辆动力学模型为当前最优模型，并且记录当前时刻的测试数据的预测精度为最优精度；若否，则继续进行迭代优化过程；其中，迭代优化过程为对初始动力学模型内参数进行迭代优化的过程。
第二方面，本申请实施例还提供了一种车辆动力学建模与车辆状态预测***，包括：依次连接的数据集模块、车辆动力学模型构建模块以及动力学预测模块；数据集模块用于获取建模数据；建模数据包括待建模车辆的运动学观测数据序列以及控制量数据序列；将建模数据划分为训练数据和测试数据；车辆动力学模型构建模块用于根据训练数据，对循环神经网络的参数进行训练，得到车辆动力学模型；并基于测试数据，对车辆动力学模型进行测试，得到最终车辆动力学模型；动力学预测模块用于将最终车辆动力学模型存储至动力学预测装置，得到动力学预测模型；将当前时刻的车辆状态部分观测数据、控制量数据以及上一时刻的隐编码输入至动力学预测模型中，对未来车辆状态部分观测数据进行预测；其中，上一时刻的隐编码为动力学预测装置在完成每一个时间步的预测后，对当前时间步输出的隐编码进行存储得到。
另外，本申请还提供了一种电子设备，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述车辆动力学建模与车辆状态预测方法。
另外，本申请还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述车辆动力学建模与车辆状态预测方法。
本申请实施例提供的技术方案至少具有以下优点：
本申请实施例提供一种车辆动力学建模与车辆状态预测方法、***、设备及介质，该方法包括以下步骤：首先，获取建模数据；建模数据包括待建模车辆的运动学观测数据序列以及控制量数据序列；然后，将建模数据划分为训练数据和测试数据；接下来，基于训练数据，对循环神经网络的参数进行训练，得到车辆动力学模型；并基于测试数据，对车辆动力学模型进行测试，得到最终车辆动力学模型；然后，将最终车辆动力学模型存储至动力学预测装置，得到动力学预测模型；最后，将当前时刻的车辆状态部分观测数据、控制量数据以及上一时刻的隐编码输入至动力学预测模型中，对未来车辆状态部分观测数据进行预测；其中，上一时刻的隐编码为动力学预测装置在完成每一个时间步的预测后，对当前时间步输出的隐编码进行存储得到。
本申请提供的车辆动力学建模与车辆状态预测方法，在动力学预测装置上运行一个包含循环神经网络的车辆动力学模型。车辆动力学模型在任意时刻以当前预测时刻的车辆部分观测、控制量以及上一时刻的隐编码作为输入，预测未来状态部分观测并输入当前时刻的隐编码。
另外，本申请还采用截断式沿时间方向传播(Truncated BackpropagationThrough Time，简称TBPTT)方法不断训练包含循环神经网络的动力学模型，经过测试数据验证后输出验证误差最低的模型作为建模结果输出。由于采用TBPTT方法训练循环神经网络作为动力学建模的核心部件，一方面，本申请提供的车辆动力学建模与车辆状态预测方法允许以任意时间长度的可用数据为输入以预测未来状态部分观测，因此具有更高的数据处理灵活度和预测精度。另一方面，本申请在完成当前时间步的预测处理的同时会输出固定长度的表征了隐编码作为下一次预测的输入，从而避免了重新处理历史可用数据，故降低了单步预测的平均计算量，提高了预测帧率。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，除非有特别申明，附图中的图不构成比例限制。
图1为本申请一实施例提供的一种车辆动力学建模与车辆状态预测方法的流程示意图；
图2为本申请一实施例提供的一种车辆动力学建模与车辆状态预测***的结构示意图；
图3为本申请一实施例提供的一种电子设备的结构示意图。
具体实施方式
由背景技术可知，现有的车辆动力学建模方法，存在着预测精度不高、重复的冗余计算较多、建模成本和计算成本较高的问题。
现有的基于数据驱动的车辆动力学建模方法，首先，获得目标车辆的各样本时刻对应的样本历史状态信息、样本控制参数序列及标签车辆状态信息；针对每一样本时刻，将样本历史状态信息及样本控制参数序列，输入车辆动力学模型，确定样本预测状态信息；利用样本预测状态信息及标签车辆状态信息，确定当前损失值；基于当前损失值，调整车辆动力学模型的模型参数，直至车辆动力学模型达到预设收敛状态，得到预先建立的车辆动力学模型，以实现构建出车辆的车辆动力学模型。
现有技术以当前时刻的可用数据或者有限的固定时间长度的可用数据作为一次预测的输入数据，输入到一些模型中用于预测未来状态部分观测。由于使用当前时刻或者有限的固定时间长度的可用数据进行建模无法利用更早的可用数据的信息，从而损失预测的精度。其次，预测某时刻的未来状态部分观测时以及预测该时刻下一时刻的未来状态部分观测时，两次预测时处理输入数据的过程存在可复用的信息，分别独立处理输入数据的方法未能利用可复用信息从而造成了重复的冗余计算，提高了模型建模时和仿真时的计算成本。
为解决上述技术问题，本申请实施例提供一种车辆动力学建模与车辆状态预测方法，包括以下步骤：首先，获取建模数据；建模数据包括待建模车辆的运动学观测数据序列以及控制量数据序列；然后，将建模数据划分为训练数据和测试数据；接下来，基于训练数据，对循环神经网络的参数进行训练，得到车辆动力学模型；并基于测试数据，对车辆动力学模型进行测试，得到最终车辆动力学模型；然后，将最终车辆动力学模型存储至动力学预测装置，得到动力学预测模型；最后，将当前时刻的车辆状态部分观测数据、控制量数据以及上一时刻的隐编码输入至动力学预测模型中，对未来车辆状态部分观测数据进行预测；其中，上一时刻的隐编码为动力学预测装置在完成每一个时间步的预测后，对当前时间步输出的隐编码进行存储得到。本申请实施例提供一种车辆动力学建模与车辆状态预测方法，通过在整段行驶数据上沿时间传递隐状态编码，从而以较低的计算复杂度获得任意时刻车辆运动状态的隐编码估计并用于估计下一时刻的运动状态，以提高车辆动力学精度和仿真帧率。
下面将结合附图对本申请的各实施例进行详细的阐述。然而，本领域的普通技术人员可以理解，在本申请各实施例中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施例的种种变化和修改，也可以实现本申请所要求保护的技术方案。
参看图1，本申请实施例提供了一种车辆动力学建模与车辆状态预测方法，包括以下步骤：
步骤S1、获取建模数据；建模数据包括待建模车辆的运动学观测数据序列以及控制量数据序列。
步骤S2、将建模数据划分为训练数据和测试数据。
步骤S3、基于训练数据，对循环神经网络的参数进行训练，得到车辆动力学模型；并基于测试数据，对车辆动力学模型进行测试，得到最终车辆动力学模型。
步骤S4、将最终车辆动力学模型存储至动力学预测装置，得到动力学预测模型。
步骤S5、将当前时刻的车辆状态部分观测数据、控制量数据以及上一时刻的隐编码输入至动力学预测模型中，对未来车辆状态部分观测数据进行预测；其中，上一时刻的隐编码为动力学预测装置在完成每一个时间步的预测后，对当前时间步输出的隐编码进行存储得到。
具体的，在步骤S3中，采用截断式沿时间方向传播(Truncated BackpropagationThrough Time，简称TBPTT)方法训练循环神经网络，并用于建模车辆动力学。本申请提供的车辆动力学建模与车辆状态预测方法，主要包括模型训练部分和动力学预测部分，其中，模型训练部分通过模型训练装置实现，通过以包含车辆状态部分观测数据和控制数据的序列的训练数据机和验证数据集为输入，使用TBPTT算法和基于梯度的优化算法迭代优化循环神经网络的参数，并且在迭代优化的过程中在验证集上进行验证并根据验证结果输出验证性能最优的模型参数作为装置的输出，此输出即为车辆的动力学模型。动力学预测部分通过动力学预测装置实现，具体的，将模型训练得到的最终车辆动力学模型存储至动力学预测装置，得到动力学预测模型，最后采用动力学预测模型对未来车辆状态部分观测数据进行预测。
其中，模型训练部分以通过传感器收集待建模车辆的运动学观测数据序列以及对应的车辆控制量数据序列作为训练数据，根据损失函数计算未收敛模型的输出和目标数据之间的损失值。使用动力学预测部分中的动力学预测装置，运行TBPTT方法计算模型内参数对损失值的偏导数，并结合基于梯度的优化算法对模型内参数进行迭代优化。每经过若干轮迭代优化使用验证集计算模型的验证集预测精度指标。如果最新的模型的验证集预测精度指标优于迭代优化过程中较早的最优结果，则记录此时的模型为当前最优模型，并且记录此时的验证集预测精度为最优精度。如果优化过程达到收敛条件或者总轮数到达预设最大值，将最优模型作为待建模车辆的车辆动力学模型。
其中，动力学预测部分的动力学预测装置加载动力学预测部分输出的最优模型作为车辆动力学模型用于预测车辆的未来状态部分观测。在进行状态预测时，将当前时刻车辆的状态部分观测数据、控制量数据以及上一时刻输出的隐编码作为当前输入，由动力学预测装置使用车辆动力学模型处理后输出未来状态部分观测和当前时刻的隐编码。循环输入新的时刻的车辆的状态部分观测数据和控制量数据即可不断得到对应时刻的未来状态部分观测。
在一些实施例中，步骤S5中将车辆的当前时刻车辆状态部分观测数据、控制量数据以及上一时刻的隐编码输入动力学预测模型，对未来车辆状态部分观测数据进行预测，包括：
步骤S501、在一个车辆状态部分观测预测任务开始时，生成一个全零隐编码并存储在动力学预测装置中。
步骤S502、在车辆状态部分观测在线预测任务中，对于每一个时间步，将当前的车辆状态部分观测数据、控制量数据以及在上一时刻的隐编码输入至动力学模型中，动力学模型输出未来车辆状态部分观测和新的隐编码。
本申请所提出的车辆动力学模型的构建方法和装置需要以车辆的动力学观测数据和控制数据序列作为建模数据。通过使用TBPTT方法在训练数据上优化循环神经网络的参数得到车辆动力学模型，在测试数据(也称验证数据)上得到性能最优的模型作为输出。
在一些实施例中，步骤S1中待建模车辆的运动学观测数据序列通过以固定时间间隔采样得到；待建模车辆的运动学观测数据包括车辆的位置数据、速度数据、方位角数据、方位角速度数据。
在一些实施例中，步骤S1中控制量数据序列通过以固定时间间隔采样得到；控制量数据包括待建模车辆的动力控制量、制动控制量以及方向盘控制量。
在一些实施例中，步骤S2中基于建模数据中数据长度占总长度的比例，将建模数据划分为训练数据和测试数据。
具体的，将收集到的建模数据按照数据长度分为总长度4/5和总长度1/5的两份，其中，以比例为4/5的一份作为训练数据(训练集)，1/5的一份作为测试数据(测试集)。
在一些实施例中，步骤S3中基于训练数据，对循环神经网络的参数进行训练，得到车辆动力学模型，包括：
步骤S301、对循环神经网络初始化，作为初始动力学模型。
步骤S302、采用初始动力学模型，对训练数据中的输入数据和上一时刻的隐编码并输出未来时刻的动力学预测作为输出数据。
步骤S303、采用损失函数计算输出数据和训练数据中的目标数据之间的损失值。
步骤S304、采用TBPTT方法计算初始动力学模型内参数对损失值的偏导数，并基于梯度的优化算法对初始动力学模型内参数进行迭代优化，得到车辆动力学模型。
本申请采用TBPTT方法训练循环神经网络用于建模车辆动力学，目的在于以相对更低的计算成本处理更长乃至所有的可用数据，从而在提高预测精度的同时降低成本，以达到建立更精确更低计算量的车辆动力学模型。本申请所设计的建模方法通过在整段行驶数据上沿时间传递隐状态编码从而以较低的计算复杂度获得任意时刻车辆运动状态的隐编码(简称为隐编码)估计并用于估计下一时刻的运动状态。使用本申请所述的方法一方面可以达到较高的车辆动力学精度，另一方面对于训练和仿真的计算资源需求较低，可以达到更高的仿真帧率。
在一些实施例中，步骤S3中在基于训练数据，对循环神经网络的参数进行训练，得到车辆动力学模型之后，基于测试数据，对车辆动力学模型进行测试，得到最终车辆动力学模型。
具体的，基于测试数据，对车辆动力学模型进行测试，得到最终车辆动力学模型包括：
步骤S311、基于测试数据，计算车辆动力学模型的预测精度指标。
步骤S312、判断预测精度指标是否优于迭代优化过程中的优化结果；若是，则记录当前时刻的车辆动力学模型为当前最优模型，并且记录当前时刻的测试数据的预测精度为最优精度；若否，则继续进行迭代优化过程；其中，迭代优化过程为对初始动力学模型内参数进行迭代优化的过程。
具体而言，在步骤S3中基于训练数据，对循环神经网络的参数进行训练时，首先需要初始化一个循环神经网络作为动力学模型。使用未收敛的动力学模型处理训练集中的输入数据和上一时刻的隐编码并输出未来时刻的动力学预测作为输出数据。使用损失函数计算输出数据和训练集中的目标数据之间的损失值。使用TBPTT方法计算模型内参数对损失值的偏导数，并结合基于梯度的优化算法对模型内参数进行迭代优化。
其中数据集中以某一时刻为当前时刻的观测数据和控制数据为输入数据，以当前时刻的下一时刻的观测数据为目标数据。
在训练过程中，未收敛的模型第一次处理数据时会以全零隐编码作为输入的一部分，并输出一个隐编码，该隐编码会被模型训练装置存储下来供下一次处理时使用。
其中损失函数一般为定义在输出数据所在空间上的度量函数，损失值指将输出数据和目标数据经过损失函数处理后的结果。例如可以使用平方误差函数作为损失函数，此时损失值定义为输出数据和目标数据的差的平方和。
其中TBPTT算法的主要内容为：对于循环神经网络的输出数据和目标数据计算出损失值后，可以使用复合函数求偏导的链式法则求出损失值对循环神经网络的参数的偏导数，称为直接偏导数。同时可以使用复合函数求偏导的链式法则求出损失值对隐编码的偏导数，称为第一隐编码偏导数。由于该隐编码系上一时刻模型的输出值，故可以继续使用复合函数求偏导的链式法则求得损失值对上一时刻模型参数的偏导数，称为第一次迭代偏导数。将求解第一隐编码偏导数和第一次迭代偏导数的过程合称第一反向传播过程。进一步重复第一方向传播过程中的步骤，求解第二隐编码偏导数和第二次迭代偏导数，称为第二反向传播过程。如此重复数次，直至总步数到达事先选好的截断步长总数停止重复。由于循环神经网络在以上若干时刻和此时刻的模型均为共享参数，根据复合函数偏导数叠加原理，对以上的截断步长总数个迭代偏导数和直接偏导数全部求和得到总体偏导数。
其中基于梯度的优化算法以总体偏导数为循环神经网络参数的优化梯度进行优化。包括但不限于梯度下降法，随机梯度下降法，自适应矩估计梯度下降法等。通过执行基于梯度的优化算法，未收敛的模型参数会不断变化。
对未收敛的模型重复执行TBPTT步骤和基于梯度的优化算法会得到依优化次数排列的未收敛模型参数。规定训练迭代间隔次数，每当重复TBPTT步骤和梯度优化步骤达到训练迭代间隔次数时执行一次验证集验证步骤，并获得验证集上的模型性能评价并记录对应的模型参数。重复TBPTT步骤和梯度优化步骤直到总次数达到训练迭代总次数时停止，根据记录的一系列模型性能评价，选择最优的一次的模型参数作为第一方法的结果。同时模型训练装置将该模型参数打包为模型参数文件作为输出。
其中在验证集上对未收敛模型执行验证步骤包括，首先针对验证集中的第一条数据序列为验证序列。取验证序列第一个时间步的状态部分观测数据和控制数据以及一个全零隐编码作为未收敛模型的输入，模型输出第二时间步的状态部分观测预测数据和第一时间步的隐编码输出。然后以第二时间步的状态部分观测预测数据，验证序列中的第二时间步的控制数据和第一时间步的隐编码输出作为输入，模型输出第三时间步的状态部分观测预测数据和第二时间步的隐编码输出。重复上述步骤直到达到验证序列的总长度。取重复过程中每个时间步的状态部分观测预测数据依次和验证序列的状态部分观测预测数据求均方根误差，作为该验证序列的均方根误差。最后对验证集中的剩余数据序列重复上述验证步骤，得到整个验证集中每一条验证序列的均方根误差，对所有均方根误差求平均值得到验证集整体平均均方根误差作为验证集上的模型性能。模型训练装置将该验证集上的模型性能和此时未收敛的模型参数记录下来，以便和后续的验证得到的模型性能进行比较，以取得验证集上模型性能最优的模型参数。
总的来说，模型训练装置通过以包含车辆状态部分观测数据和控制数据的序列的训练数据机和验证数据集为输入，使用TBPTT算法和基于梯度的优化算法迭代优化循环神经网络的参数，并且在迭代优化的过程中在验证集上进行验证并根据验证结果输出验证性能最优的模型参数作为装置的输出，此输出即为车辆的动力学模型。
第二方面，本申请中的车辆状态部分观测的预测方法、动力学预测装置需要使用模型训练部分输出的车辆动力学模型作为动力学模型进行未来车辆状态部分观测数据的预测。通过不断将车辆的现有车辆状态部分观测数据以及控制数据结合最近一次输出的隐编码输入车辆动力学模型，车辆动力学模型会不断预测未来车辆状态部分观测数据。
具体而言，首先将模型训练部分中输出的车辆动力学模型存储至动力学预测装置中。然后在一个车辆状态部分观测预测任务开始时生成一个全零隐编码并存储在装置中。在车辆状态部分观测在线预测任务中，对于每一个时间步输入当前的车辆状态部分观测和控制数据输入装置中并结合最后存储的隐编码作为输入数据输入到动力学模型中，动力学模型输出未来车辆状态部分观测和隐编码。装置在完成每一个时间步的预测后会将当前时间步输出的隐编码存储下来作为最后存储的隐编码。
特别的，动力学预测装置可以完成车辆状态部分观测离线开环预测任务，即仅指定初始车辆部分状态观测和完整的控制数据序列去预测除初始时间步之外剩余时间步的车辆部分状态观测的任务。在离线开环预测任务中可以存储每一时刻预测的未来车辆状态部分观测输出，并作为下一时刻的车辆状态部分观测输入，结合车辆开环控制数据序列即可完成离线开环动力学状态观测预测。相对车辆状态部分观测在线预测任务，离线开环任务的特点在于仅指定地一个时间步的车辆部分状态观测，随后的车辆动力学的模型输入均为过去时刻动力学预测装置自身存储的最新的车辆部分状态观测，而不需要每次都输入车辆部分状态观测的实际测量值。
总的来说，动力学预测装置用于将模型训练装置输出的车辆动力学模型存储至装置中，在任务开始时构造一个全零隐编码，在每一步预测任务中将车辆当前的部分状态观测数据和控制数据，结合最后存储的隐编码作为车辆动力学的输入，车辆动力学输出未来车辆部分观测预测数据以及当前时刻的隐编码，装置将当前时刻的隐编码存储起来作为最后存储的隐编码并作为下一时刻的部分模型输入。
本申请所述的车辆动力学预测装置上运行了一个包含循环神经网络的车辆动力学模型。该动力学模型在任意时刻以当前预测时刻的车辆部分观测、控制量以及上一时刻的隐编码作为输入，预测未来状态部分观测并输入当前时刻的隐编码。此外，为了得到包含循环神经网络的车辆动力学模型，需要收集目标车辆的动力学观测数据序列和车辆控制量数据序列作为建模数据，本申请使用TBPTT方法不断训练包含循环神经网络的动力学模型，经过测试数据验证后输出验证误差最低的模型作为建模结果输出。
本申请提供的车辆动力学建模与车辆状态预测方法，在仿真车辆数据集上经过训练得到的模型在测试集上的全轨迹均方误差为5.84m。本申请所提出方法使用的模型参数量和浮点计算量为18.8MB和18e7Flops，计算时间为224μs。作为对比，在同一数据集和同样的计算设备上，复现的已有方案误差为17.36m，模型残数量和浮点计算量为1.2GB和1.1e9Flops，计算时间为1707μs；其中，MB为兆字节，Flops是浮点操作数，GB为吉字节。
参看图2，本申请实施例还提供了一种车辆动力学建模与车辆状态预测***，包括：依次连接的数据集模块101、车辆动力学模型构建模块102以及动力学预测模块103；数据集模块101用于获取建模数据；建模数据包括待建模车辆的运动学观测数据序列以及控制量数据序列；将建模数据划分为训练数据和测试数据；车辆动力学模型构建模块102用于根据训练数据，对循环神经网络的参数进行训练，得到车辆动力学模型；并基于测试数据，对车辆动力学模型进行测试，得到最终车辆动力学模型；动力学预测模块103用于将最终车辆动力学模型存储至动力学预测装置，得到动力学预测模型；将当前时刻的车辆状态部分观测数据、控制量数据以及上一时刻的隐编码输入至动力学预测模型中，对未来车辆状态部分观测数据进行预测；其中，上一时刻的隐编码为动力学预测装置在完成每一个时间步的预测后，对当前时间步输出的隐编码进行存储得到。
参看图3，本申请另一实施例提供了一种电子设备，包括：至少一个处理器110；以及，与至少一个处理器通信连接的存储器111；其中，存储器111存储有可被至少一个处理器110执行的指令，指令被至少一个处理器110执行，以使至少一个处理器110能够执行上述任一方法实施例。
其中，存储器111和处理器110采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器110和存储器111的各种电路连接在一起。总线还可以将诸如***设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器110处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传送给处理器110。
处理器110负责管理总线和通常的处理，还可以提供各种功能，包括定时，***接口，电压调节、电源管理以及其他控制功能。而存储器111可以被用于存储处理器110在执行操作时所使用的数据。
本申请另一实施例涉及一种计算机可读存储介质，存储有计算机程序。计算机程序被处理器执行时实现上述方法实施例。
即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
由以上技术方案，本申请实施例提供一种车辆动力学建模与车辆状态预测方法、***、设备及介质，该方法包括以下步骤：首先，获取建模数据；建模数据包括待建模车辆的运动学观测数据序列以及控制量数据序列；然后，将建模数据划分为训练数据和测试数据；接下来，基于训练数据，对循环神经网络的参数进行训练，得到车辆动力学模型；并基于测试数据，对车辆动力学模型进行测试，得到最终车辆动力学模型；然后，将最终车辆动力学模型存储至动力学预测装置，得到动力学预测模型；最后，将当前时刻的车辆状态部分观测数据、控制量数据以及上一时刻的隐编码输入至动力学预测模型中，对未来车辆状态部分观测数据进行预测；其中，上一时刻的隐编码为动力学预测装置在完成每一个时间步的预测后，对当前时间步输出的隐编码进行存储得到。
本申请提供的车辆动力学建模与车辆状态预测方法，在动力学预测装置上运行一个包含循环神经网络的车辆动力学模型。车辆动力学模型在任意时刻以当前预测时刻的车辆部分观测、控制量以及上一时刻的隐编码作为输入，预测未来状态部分观测并输入当前时刻的隐编码。本申请还采用TBPTT方法不断训练包含循环神经网络的动力学模型，经过测试数据验证后输出验证误差最低的模型作为建模结果输出。由于采用TBPTT方法训练循环神经网络作为动力学建模的核心部件，一方面，本申请提供的车辆动力学建模与车辆状态预测方法允许以任意时间长度的可用数据为输入以预测未来状态部分观测，因此具有更高的数据处理灵活度和预测精度。另一方面，本申请在完成当前时间步的预测处理的同时会输出固定长度的表征了隐编码作为下一次预测的输入，从而避免了重新处理历史可用数据，故降低了单步预测的平均计算量，提高了预测帧率。
本领域的普通技术人员可以理解，上述各实施方式是实现本申请的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本申请的精神和范围。任何本领域技术人员，在不脱离本申请的精神和范围内，均可作各自更动与修改，因此本申请的保护范围应当以权利要求限定的范围为准。

Claims (10)

1.一种车辆动力学建模与车辆状态预测方法，其特征在于，包括：
获取建模数据；所述建模数据包括待建模车辆的运动学观测数据序列以及控制量数据序列；
将所述建模数据划分为训练数据和测试数据；
基于所述训练数据，对循环神经网络的参数进行训练，得到车辆动力学模型；并基于测试数据，对所述车辆动力学模型进行测试，得到最终车辆动力学模型；
将所述最终车辆动力学模型存储至动力学预测装置，得到动力学预测模型；
将当前时刻的车辆状态部分观测数据、控制量数据以及上一时刻的隐编码输入至动力学预测模型中，对未来车辆状态部分观测数据进行预测；其中，所述上一时刻的隐编码为所述动力学预测装置在完成每一个时间步的预测后，对当前时间步输出的隐编码进行存储得到。
2.根据权利要求1所述的车辆动力学建模与车辆状态预测方法，其特征在于，所述将车辆的当前时刻车辆状态部分观测数据、控制量数据以及上一时刻的隐编码输入动力学预测模型，对未来车辆状态部分观测数据进行预测，包括：
在一个车辆状态部分观测预测任务开始时，生成一个全零隐编码并存储在所述动力学预测装置中；
在车辆状态部分观测在线预测任务中，对于每一个时间步，将当前的车辆状态部分观测数据、控制量数据以及在上一时刻的隐编码输入至所述动力学模型中，所述动力学模型输出未来车辆状态部分观测和新的隐编码。
3.根据权利要求1所述的车辆动力学建模与车辆状态预测方法，其特征在于，所述待建模车辆的运动学观测数据序列通过以固定时间间隔采样得到；
所述待建模车辆的运动学观测数据包括车辆的位置数据、速度数据、方位角数据、方位角速度数据。
4.根据权利要求1所述的车辆动力学建模与车辆状态预测方法，其特征在于，所述控制量数据序列通过以固定时间间隔采样得到；
所述控制量数据包括待建模车辆的动力控制量、制动控制量以及方向盘控制量。
5.根据权利要求1所述的车辆动力学建模与车辆状态预测方法，其特征在于，基于所述建模数据中数据长度占总长度的比例，将所述建模数据划分为训练数据和测试数据。
6.根据权利要求1所述的车辆动力学建模与车辆状态预测方法，其特征在于，基于所述训练数据，对循环神经网络的参数进行训练，得到车辆动力学模型，包括：
对循环神经网络初始化，作为初始动力学模型；
采用所述初始动力学模型，对所述训练数据中的输入数据和上一时刻的隐编码并输出未来时刻的动力学预测作为输出数据；
采用损失函数计算所述输出数据和所述训练数据中的目标数据之间的损失值；
采用TBPTT方法计算所述初始动力学模型内参数对所述损失值的偏导数，并基于梯度的优化算法对所述初始动力学模型内参数进行迭代优化，得到车辆动力学模型。
7.根据权利要求6所述的车辆动力学建模与车辆状态预测方法，其特征在于，所述基于测试数据，对所述车辆动力学模型进行测试，得到最终车辆动力学模型，包括：
基于所述测试数据，计算所述车辆动力学模型的预测精度指标；
判断所述预测精度指标是否优于迭代优化过程中的优化结果；若是，则记录当前时刻的车辆动力学模型为当前最优模型，并且记录当前时刻的测试数据的预测精度为最优精度；若否，则继续进行迭代优化过程；
其中，所述迭代优化过程为对所述初始动力学模型内参数进行迭代优化的过程。
8.一种车辆动力学建模与车辆状态预测***，其特征在于，包括：依次连接的数据集模块、车辆动力学模型构建模块以及动力学预测模块；
所述数据集模块用于获取建模数据；所述建模数据包括待建模车辆的运动学观测数据序列以及控制量数据序列；将所述建模数据划分为训练数据和测试数据；
所述车辆动力学模型构建模块用于根据所述训练数据，对循环神经网络的参数进行训练，得到车辆动力学模型；并基于测试数据，对所述车辆动力学模型进行测试，得到最终车辆动力学模型；
所述动力学预测模块用于将所述最终车辆动力学模型存储至动力学预测装置，得到动力学预测模型；将当前时刻的车辆状态部分观测数据、控制量数据以及上一时刻的隐编码输入至动力学预测模型中，对未来车辆状态部分观测数据进行预测；其中，所述上一时刻的隐编码为所述动力学预测装置在完成每一个时间步的预测后，对当前时间步输出的隐编码进行存储得到。
9.一种电子设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任一所述的车辆动力学建模与车辆状态预测方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一所述的车辆动力学建模与车辆状态预测方法。
CN202310518804.XA 2023-05-09 2023-05-09 车辆动力学建模与车辆状态预测方法、***、设备及介质 Pending CN116484742A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310518804.XA CN116484742A (zh) 2023-05-09 2023-05-09 车辆动力学建模与车辆状态预测方法、***、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310518804.XA CN116484742A (zh) 2023-05-09 2023-05-09 车辆动力学建模与车辆状态预测方法、***、设备及介质

Publications (1)

Publication Number Publication Date
CN116484742A true CN116484742A (zh) 2023-07-25

Family

ID=87215678

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310518804.XA Pending CN116484742A (zh) 2023-05-09 2023-05-09 车辆动力学建模与车辆状态预测方法、***、设备及介质

Country Status (1)

Country Link
CN (1) CN116484742A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116819973A (zh) * 2023-08-29 2023-09-29 北京成功领行汽车技术有限责任公司 一种轨迹跟踪控制方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116819973A (zh) * 2023-08-29 2023-09-29 北京成功领行汽车技术有限责任公司 一种轨迹跟踪控制方法
CN116819973B (zh) * 2023-08-29 2023-12-12 北京成功领行汽车技术有限责任公司 一种轨迹跟踪控制方法

Similar Documents

Publication Publication Date Title
CN103399281B (zh) 基于循环寿命退化阶段参数的nd-ar模型和ekf方法的锂离子电池循环寿命预测方法
Sankararaman et al. Bayesian methodology for diagnosis uncertainty quantification and health monitoring
KR102377027B1 (ko) 배터리의 충전 상태를 추정하는 방법 및 그 방법을 실행하는 배터리 관리 시스템
EP3380948B1 (en) Environmental monitoring systems, methods and media
CA2909351C (en) Method and device for the co-simulation of two sub-systems
CN116484742A (zh) 车辆动力学建模与车辆状态预测方法、***、设备及介质
CN113221362B (zh) 卫星发射场性能试验科目的选取方法、装置和电子设备
CN112879024A (zh) 一种盾构姿态动态预测方法、***及设备
CN109583100A (zh) 一种基于ago-rvm的陀螺仪故障预测方法
CN115496201A (zh) 一种基于深度强化学习的列车精确停车控制方法
JP7402482B2 (ja) 前段階コシミュレーション方法、デバイス、コンピュータ可読媒体、及びプログラム
CN109902438A (zh) 用于建立模型的方法
CN113537614A (zh) 电网工程造价预测模型的构建方法、***、设备及介质
CN112257893A (zh) 一种考虑监测误差的复杂机电***健康状态预测方法
CN112988527A (zh) Gpu管理平台异常检测方法、装置以及存储介质
CN115165332B (zh) 一种装备机内测试与综合测试一体化设计方法及***
Alandihallaj et al. MBSE-Enhanced LSTM Framework for Satellite System Reliability and Failure Prediction.
CN115146569A (zh) 一种集成电路延时确定方法、装置及设备
CN112346995B (zh) 一种基于银行业的测试风险预估模型的构建方法及装置
Hernández et al. On the precision evaluation in non-linear sensor network design
CN110532660B (zh) 一种飞机刹车***的性能预测方法和飞机刹车***
CN111339627A (zh) 计算流体动力学分析异常症候预测***及方法
Chu et al. A model based approach for digital testbed development supporting virtual experimentation of an unmanned surface vehicle
Mitra Model structure takes guesswork out of state estimation: technical perspective
Величко et al. The mathematical model of the system-oriented measuring instrument

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