一种车辆动力学数据驱动建模方法与流程

本发明涉及车辆建模领域，尤其公开了一种车辆动力学数据驱动建模方法。

背景技术：

目前针对动态系统数据驱动建模方法，主要集中在使用dmd(dynamicmodedecomposition，动态模态分解)来逼近koopman算子；基于深度卷积神经网络的方法建立动态模型；使用edmd(extendeddynamicmodedecomposition，扩展动态模态分解)逼近koopman算子；使用深度神经网络找到koopman特征函数，并用自编码线性逼近动态系统。

现有的与动态系统数据驱动建模的专利或论文主要集中在各个专用领域的子系统实现，相近似的实现方案如下：专利1(专利申请号为201680063522.3)公开了一种用于确定行人流的方法和系统，通过视频提取运动信息来检测并估计人群流，利用动态模型分解(dmd)来逼近koopman算子，从而实现人群中个人运动轨迹的建模。专利2(专利申请号为201710644647.1)公开了一种采用深度卷积神经网络建立动态网络模型的方法，针对动态网络中节点移动存在的时序性和社会性，通过挖掘网络拓扑与链路状态的关系。论文3(korda，m.&i.linearpredictorsfornonlineardynamicalsystems：koopmanoperatormeetsmodelpredictivecontrol.automatica93，149-160)提出了一种利用extendeddynamicmodedecomposition(edmd)逼近koopman算子，从而对非线性动态系统进行线性逼近的数据驱动建模方法。论文4(lusch，b.，kutz，j.n.&brunton，s.l.deeplearningforuniversallinearembeddingsofnonlineardynamics.naturecommunication9，4950)利用深度网络从数据中找到koopman特征函数的表示，并将该网络嵌入到动态系统，使用自编码将动态线性系统近似线性表示，从而实现动态系统建模。

然而，现有的技术缺点为：一方面，车辆动力学模型具有非线性强耦合的性质，利用车辆动力学物理关系建立的模型，由于做了诸多简化，加之还需辨识模型中的一些参数，这样所建立的车辆动力学模型的实用性和自适应性受到较大的限制。另一方面，近年来，将结合koopman理论的数据驱动建模方法用与非线性动态系统建模成为了热门的研究方向，即用无限维的koopman线性算子来逼近非线性动态系统。显然，无限维并不是我们所需要的，因此，一些文献提出了用edmd来逼近koopman算子，也提出了用深度神经网络来逼近koopman算子。但是，这存在一些问题：a)在利用edmd逼近koopman算子时，需要根据经验手动设置升维函数，这将导致不能得到一个较好的逼近模型；b)edmd只能一步预测造成不能全局逼近车辆动力学模型；c)一般深度神经网络结构不具有可解释性。此外，利用koopman算子对车辆动力学系统建模的专利较少，将深度神经网络和edmd相结合来逼近koopman算子的方法较少。

技术实现要素：

本发明提供了一种车辆动力学数据驱动建模方法，旨在解决现有车辆动力学模型逼近效果差和不具有可解释性的技术问题。

本发明的一方面涉及一种车辆动力学数据驱动建模方法，包括以下步骤：

采集待建模车辆的状态量信息；

设计deepedmd网络结构，使用deepedmd网络逼近koopman算子，将强耦合非线性的车辆动力学模型进行线性逼近，得出待建模车辆的实验结果数据；

将采集的状态量信息与得出的实验结果数据进行对比，绘制实验结果对比图。

进一步地，采集待建模车辆的状态量的步骤包括：

通过carsim和simulink联合仿真设计实验随机采集待建模车辆的状态量信息。

进一步地，状态量包括方向盘转角、车辆纵向速度、车辆横向速度、横摆角速度中的任意一种或几种，通过carsim和simulink联合仿真设计实验随机采集待建模车辆的状态量信息的步骤包括：

获取待建模车辆的方向盘转角和/或油门开度；

以获取的方向盘转角和/或油门开度作为输入量，经由carsim和simulink联合仿真模型的s函数，输出待建模车辆的状态量信息。

进一步地，deepedmd网络包括升维网络、线性网络和降维网络，设计deepedmd网络结构，使用deepedmd网络逼近koopman算子，将强耦合非线性的车辆动力学模型进行线性逼近，得出待建模车辆的实验结果数据的步骤包括：

构建升维网络，将原状态空间升到高维的状态空间，并对原输入空间同样进行升维；

构建线性网络，将高维状态和输入分别乘以各自系数矩阵，再相加得到下一时刻的高维状态；

构建降维网络，将高维状态空间降至原状态空间。

本发明的另一方面涉及一种车辆动力学数据驱动建模装置，其特征在于，包括：

采集模块，用于采集待建模车辆的状态量信息；

构建模块，用于设计deepedmd网络结构，使用deepedmd网络逼近koopman算子，将强耦合非线性的车辆动力学模型进行线性逼近，得出待建模车辆的实验结果数据；

绘制模块，用于将采集的状态量信息与得出的实验结果数据进行对比，绘制实验结果对比图。

进一步地，采集模块包括：

状态量采集单元，用于通过carsim和simulink联合仿真设计实验随机采集待建模车辆的状态量信息。

进一步地，状态量采集单元包括：

获取子单元，用于获取待建模车辆的方向盘转角和/或油门开度；

输出子单元，用于以获取的方向盘转角和/或油门开度作为输入量，经由carsim和simulink联合仿真模型的s函数，输出待建模车辆的状态量信息。

进一步地，构建模块包括：

第一构建单元，用于构建升维网络，将原状态空间升到高维的状态空间，并对原输入空间同样进行升维；

第二构建单元，用于构建线性网络，将高维状态和输入分别乘以各自系数矩阵，再相加得到下一时刻的高维状态；

第三构建单元，用于构建降维网络，将高维状态空间降至原状态空间。

本发明所取得的有益效果为：

本发明提供一种车辆动力学数据驱动建模方法，通过采集待建模车辆的状态量信息；设计deepedmd网络结构，使用deepedmd网络逼近koopman算子，将强耦合非线性的车辆动力学模型进行线性逼近，得出待建模车辆的实验结果数据；将采集的所述状态量信息与得出的所述实验结果数据进行对比，绘制实验结果对比图，通过深度网络来学出一个逼近效果好的函数，解决在利用edmd逼近koopman算子时，因需根据经验手动设置升维函数，导致不能得到一个较好的逼近模型的问题；深度网络结合无限维的koopman线性算子来逼近非线性动态系统，解决一般深度神经网络结构不具有可解释性的问题；采用多步预测误差损失，使得神经网络能更好地从全局上辨识动力学系统，从而达到预测几百步不会变得发散的良好效果，解决edmd只有一步预测造成不能全局逼近车辆动力学模型的问题。本发明提供的车辆动力学数据驱动建模方法，可以在逼近koopman算子时，升维函数无需手动设置；车辆动力学模型逼近效果好、自适应性高、解释性强。

附图说明

图1为本发明提供的车辆动力学数据驱动建模方法一实施例的流程示意图；

图2为本发明carsim和simulink数据采集概图；

图3为本发明deepedmd网络总体结构图；

图4为本发明升维网络概图；

图5为本发明线性网络和降维网络概图；

图6为本发明实验结果对比图；

图7为图1中所述采集待建模车辆的状态量信息步骤的细化流程示意图；

图8为图1中所述设计deepedmd网络结构，使用deepedmd网络逼近koopman算子，将强耦合非线性的车辆动力学模型进行线性逼近，得出待建模车辆的实验结果数据步骤的细化流程示意图；

图9为本发明提供的车辆动力学数据驱动建模装置的功能框图；

图10为图9中采集模块一实施例的功能模块示意图；

图11为图9中构建模块一实施例的功能模块示意图。

附图标号说明：

10、采集模块；20、构建模块；30、绘制模块；11、状态量采集单元；111、获取子单元；112、输出子单元；21、第一构建单元；22、第二构建单元；23、第三构建单元。

具体实施方式

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。

本发明的一方面涉及一种车辆动力学数据驱动建模方法，包括以下步骤：

步骤s100、采集待建模车辆的状态量信息。

待建模车辆可以为实车，如图2所示，图2为本发明carsim和simulink数据采集概图，通过carsim和simulink联合仿真设计实验随机采集待建模车辆的控制量和状态量信息。用向量表示：state＝[steerangleυxυyyawrate]^t，input＝[steeranglethrottle]^t。例如在其仿真场景为附着系数为0.8，1000m*1000m的方形柏油路面，车辆位于场景中心，初始速度为0km/h，随机给转向和油门，在此过程中采集车辆状态量和控制量。其中，状态量可以为方向盘转角、车辆纵向速度、车辆横向速度、横摆角速度中的任意一种或几种。

步骤s200、设计deepedmd网络结构，使用deepedmd网络逼近koopman算子，将强耦合非线性的车辆动力学模型进行线性逼近，得出待建模车辆的实验结果数据。

将采集到的实车的状态量和输入量用于逼近实车动力学模型。请见图3至图5，图3为本发明deepedmd(deepextendeddynamicmodedecomposition，深度扩展动态模态分解)网络总体结构图，在本实施例中，设计的deepedmd网络结构包括升维网络、线性网络和降维网络。其中，升维网络的功能是将原状态空间升到高维的状态空间，并对原输入空间同样进行升维，即进行线性化；线性网络的功能是将高维状态和输入分别乘以各自系数矩阵，再相加得到下一时刻的高维状态；降维网络的功能是将高维状态空间降至原状态空间，即原状态下一时刻的状态。

步骤s300、将采集的状态量信息与得出的实验结果数据进行对比，绘制实验结果对比图。

参见图6，图6为本发明实验结果对比图，其中，在图6中，x轴表示预测的步数。vx表示车辆纵向速度、vy表示车辆横向速度，单位均为km/h。yawrate表示横摆角速度，单位为rad/s。steer表示方向盘转角，单位为rad。throttle表示油门，无量纲。

进一步地，请见图7，图7为图1中步骤s100的细化流程示意图，在本实施例中，步骤s100包括：

步骤s110、获取待建模车辆的方向盘转角和/或油门开度。

步骤s120、以获取的方向盘转角和/或油门开度作为输入量，经由carsim和simulink联合仿真模型的s函数，输出待建模车辆的状态量信息。

请见图2，图2中的输入量为steeranglethrottle，其中，steerangle表示方向盘转角，throttle表示油门开度。carsims-functin表示联合仿真模型的s函数。输出量为vx、vy和yawrate，其中，vx表示车辆纵向速度、vy表示车辆横向速度。yawrate表示横摆角速度。

进一步地，请见图8，图8为图1中步骤s200的细化流程示意图，在本实施例中，步骤s200包括：

步骤s210、构建升维网络，将原状态空间升到高维的状态空间，并对原输入空间同样进行升维。

请见图3和图4，设计的deepedmd网络结构，将车辆的状态量与输入量传入升维网络，实现将非线性强耦合的动态系统映射到高维空间。

步骤s220、构建线性网络，将高维状态和输入分别乘以各自系数矩阵，再相加得到下一时刻的高维状态。

参见图5，线性网络是用来逼近koopman线性算子，即实现将高维状态量和高维控制量以线性系统的形式得到下一时刻高维状态量。

步骤s230、构建降维网络，将高维状态空间降至原状态空间。

如图5所示，降维网络将得到的下一时刻高维状态量，降维至原状态变量。其中，黑色框区域左侧是线性网络，黑色框区域及右侧为降维网络。大箭头为升维后的状态的更新。假设t时刻升维后的状态为ψ(xt)，则t+1时刻的状态为因此得ω时刻得状态通过降维网络再将ψ(xt+w)降至原状态空间xt+w，其中，a、b为线性时不变系统状态空间的系数。

本实施例提供的车辆动力学数据驱动建模方法，与现有技术相比，通过采集待建模车辆的状态量信息；设计deepedmd网络结构，使用deepedmd网络逼近koopman算子，将强耦合非线性的车辆动力学模型进行线性逼近，得出待建模车辆的实验结果数据；将采集的所述状态量信息与得出的所述实验结果数据进行对比，绘制实验结果对比图。一般的edmd算法，其升维函数有rbf函数、polynomial函数、polyharmonic函数、多项式函数等，其模型逼近效果因函数而异，需要手动选取函数，而在本实施例中，通过深度网络来学出一个逼近效果好的函数，从而解决了在利用edmd逼近koopman算子时，因需根据经验手动设置升维函数，导致不能得到一个较好的逼近模型的问题；一般深度网络具有万能逼近功能，其网络结构并无特殊的含义，而在本实施例中，通过深度网络结合无限维的koopman线性算子来逼近非线性动态系统，解决一般深度神经网络结构不具有可解释性的问题；edmd只考虑了一步预测误差，这样会使辨识器陷于局部最优，当预测达到数十步时，预测值就会变得突然发散。而在本实施例中，deepedmd采用多步预测误差损失，使得神经网络能更好地从全局上辨识动力学系统，从而达到预测几百步不会变得发散的良好效果，解决edmd只有一步预测造成不能全局逼近车辆动力学模型的问题。本实施例提供的车辆动力学数据驱动建模方法，可以在逼近koopman算子时，升维函数无需手动设置；车辆动力学模型逼近效果好、自适应性高、解释性强。

如图9所示，图9为本发明提供的车辆动力学数据驱动建模装置的功能框图，本发明提供的车辆动力学数据驱动建模装置，其特征在于，包括采集模块10、构建模块20和绘制模块30，其中，采集模块10用于采集待建模车辆的状态量信息；构建模块20用于设计deepedmd网络结构，使用deepedmd网络逼近koopman算子，将强耦合非线性的车辆动力学模型进行线性逼近，得出待建模车辆的实验结果数据；绘制模块30用于将采集的状态量信息与得出的实验结果数据进行对比，绘制实验结果对比图。具体地，采集模块10用于通过carsim和simulink联合仿真设计实验随机采集待建模车辆的控制量和状态量信息。参见图2，用向量表示：state＝[steerangleυxυyyawrate]^t，input＝[steeranglethrottle]^t。例如在其仿真场景为附着系数为0.8，1000m*1000m的方形柏油路面，车辆位于场景中心，初始速度为0km/h，随机给转向和油门，在此过程中采集车辆状态量和控制量。其中，状态量可以为方向盘转角、车辆纵向速度、车辆横向速度、横摆角速度中的任意一种或几种。构建模块20用于设计deepedmd网络结构，请见图3至图5，设计的deepedmd网络结构包括升维网络、线性网络和降维网络。其中，升维网络的功能是将原状态空间升到高维的状态空间，并对原输入空间同样进行升维，即进行线性化；线性网络的功能是将高维状态和输入分别乘以各自系数矩阵，再相加得到下一时刻的高维状态；降维网络的功能是将高维状态空间降至原状态空间，即原状态下一时刻的状态。绘制模块30用于绘制实验结果对比图，请见图6，在绘制的实验结果对比图中，x轴表示预测的步数。vx表示车辆纵向速度、vy表示车辆横向速度，单位均为km/h。yawrate表示横摆角速度，单位为rad/s。steer表示方向盘转角，单位为rad。throttle表示油门，无量纲。

进一步地，请见图10，图10为图9中采集模块一实施例的功能模块示意图，在本实施例中，采集模块10包括状态量采集单元11，其中，状态量采集单元11用于通过carsim和simulink联合仿真设计实验随机采集待建模车辆的状态量信息。具体地，状态量采集单元11包括获取子单元111和输出子单元112，其中，获取子单元111用于获取待建模车辆的方向盘转角和/或油门开度；输出子单元112用于以获取的方向盘转角和/或油门开度作为输入量，经由carsim和simulink联合仿真模型的s函数，输出待建模车辆的状态量信息。参见图2，在图2中，输入量为steeranglethrottle，其中，steerangle表示方向盘转角，throttle表示油门开度。carsims-functin表示联合仿真模型的s函数。输出量为vx、vy和yawrate，其中，vx表示车辆纵向速度、vy表示车辆横向速度。yawrate表示横摆角速度。

优选地，参见图11，图11为图9中构建模块一实施例的功能模块示意图，在本实施例中，构建模块20包括第一构建单元21、第二构建单元22和第三构建单元23，其中，第一构建单元21用于构建升维网络，将原状态空间升到高维的状态空间，并对原输入空间同样进行升维；第二构建单元22用于构建线性网络，将高维状态和输入分别乘以各自系数矩阵，再相加得到下一时刻的高维状态；第三构建单元23用于构建降维网络，将高维状态空间降至原状态空间。请见图3和图4，第一构建单元21用于通过设计的deepedmd网络结构，将车辆的状态量与输入量传入升维网络，实现将非线性强耦合的动态系统映射到高维空间。参见图5，线性网络是用来逼近koopman线性算子，即实现将高维状态量和高维控制量以线性系统的形式得到下一时刻高维状态量。降维网络将得到的下一时刻高维状态量，降维至原状态变量。其中，黑色框区域左侧是线性网络，黑色框区域及右侧为降维网络。大箭头为升维后的状态的更新。假设t时刻升维后的状态为ψ(xt)，则t+1时刻的状态为因此得ω时刻得状态通过降维网络再将ψ(xt+ω)降至原状态空间xt+w，其中，a、b为线性时不变系统状态空间的系数。

本实施例提供的车辆动力学数据驱动建模装置，与现有技术相比，采用采集模块、构建模块和绘制模块，采集模块用于采集待建模车辆的状态量信息；构建模块用于设计deepedmd网络结构，使用deepedmd网络逼近koopman算子，将强耦合非线性的车辆动力学模型进行线性逼近，得出待建模车辆的实验结果数据；绘制模块用于将采集的状态量信息与得出的实验结果数据进行对比，绘制实验结果对比图。一般的edmd算法，其升维函数有rbf函数、polynomial函数、polyharmonic函数、多项式函数等，其模型逼近效果因函数而异，需要手动选取函数，而在本实施例中，通过深度网络来学出一个逼近效果好的函数，从而解决了在利用edmd逼近koopman算子时，因需根据经验手动设置升维函数，导致不能得到一个较好的逼近模型的问题；一般深度网络具有万能逼近功能，其网络结构并无特殊的含义，而在本实施例中，通过深度网络结合无限维的koopman线性算子来逼近非线性动态系统，解决一般深度神经网络结构不具有可解释性的问题；edmd只考虑了一步预测误差，这样会使辨识器陷于局部最优，当预测达到数十步时，预测值就会变得突然发散。而在本实施例中，deepedmd采用多步预测误差损失，使得神经网络能更好地从全局上辨识动力学系统，从而达到预测几百步不会变得发散的良好效果，解决edmd只有一步预测造成不能全局逼近车辆动力学模型的问题。本实施例提供的车辆动力学数据驱动建模装置，可以在逼近koopman算子时，升维函数无需手动设置；车辆动力学模型逼近效果好、自适应性高、解释性强。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然，本领域的技术人员可以对本发明进行各自改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。