技术特征：
1.一种无人车机动能力模型构建方法，其特征在于，包括如下步骤：步骤1：通过数据采集平台获取无人车的姿态数据；其中姿态数据用于训练模型；步骤2：对采集的姿态数据，通过归一化和标准化处理后作为模型训练的输入变量和输出变量；步骤3：基于归一化的姿态数据，通过长短期记忆神经网络完成模型的训练，获得模型，结束步骤；所述步骤1中的姿态数据包括输入数据；输入数据包括无人车行驶状态时的速度、偏航角、电池电压以及对应的时间戳数据；速度包括当前时刻的速度以及下一时刻的速度，偏航角包括当前时刻偏航角和下一时刻偏航角；姿态数据还包括输出数据；输出数据包括无人车的速度控制变量以及角度控制变量。2.根据权利要求1所述的一种无人车机动能力模型构建方法，其特征在于，所述步骤3中获得的模型包括输入层、隐藏层、训练层以及输出层；所述输入层用于得到姿态数据中的输入数据集时，对数据进行特征提取，获取原始数据之间的特征关系；输入数据为无人车的速度、偏航角、电压、时间戳、下一时刻速度、下一时刻偏航角；隐藏层用于根据输入数据，并基于训练获得的参数矩阵获得隐藏层输出；隐藏层输出会传输到输出层转换为输出数据；所述训练层用于根据理论模型的输出值计算获得实际损失函数值；所述输出层用于对隐藏层的输出数据进行反归一化和标准化处理，获得可输入无人小车的实际控制量。3.根据权利要求2所述的一种无人车机动能力模型构建方法，其特征在于，所述输入层获取原始数据的特征关系后，再将数据集划分，分为训练数据集和测试数据集；最后初始化网络模型参数，对数据进行归一化处理，再进行标准化处理；完成处理的数据会输入隐藏层。4.根据权利要求3所述的一种无人车机动能力模型构建方法，其特征在于，所述输入层中对数据的标准化处理包括如下过程：设定获取的输入数据序列集为x，其中每类数据序列各自归纳为数据集，通过式(1.2)获得数据序列均值获得数据序列均值其中，x
i
,i∈(1,m)，表示数据序列集x中的第i个数据；m表示数据序列集中的数据数量；获得数据序列集的方差σ2，表示为：通过式(1.3)获得标准化数据表示为：其中，表示数据x
i
标准化后的数据。5.根据权利要求2所述的一种无人车机动能力模型构建方法，其特征在于，所述隐藏层
分为两层，每层设置有128个单元。6.根据权利要求5所述的一种无人车机动能力模型构建方法，其特征在于，所述隐藏层中将归一化和标准化后的当前输入数据x
t
结合隐藏层的在上一时刻的历史信息输出c
t-1
以及上一时刻的隐藏层输出h
t-1
，获得当前时刻的历史信息输出c
t
以及当前时刻的隐藏层输出h
t
。7.根据权利要求6所述的一种无人车机动能力模型构建方法，其特征在于，所述获得当前时刻的历史信息输出c
t
以及当前时刻的隐藏层输出h
t
，具体包括如下过程：首先根据当前输入数据x
t
以及上一时刻的隐藏层输出h
t-1
，获得隐藏层中设置的遗忘门、输入门、输出门以及变换后的新的历史信息，如式(1.4)、(1.5)、(1.6)以及(1.7)所示：f
t
＝sigmoid(w
f
x
t
+u
f
h
t-1
+b
f
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1.4)i
t
＝sigmoid(w
i
x
t
+u
i
h
t-1
+b
i
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1.5)o
t
＝sigmoid(w
o
x
t
+u
o
h
t-1
+b
o
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1.6)其中，f
t
表示t时刻的遗忘门；i
t
表示t时刻的输入门；o
t
表示t时刻的输出门；表示t时刻通过变换后获得的新的历史信息；wf、wi、wo以及wc分别表示遗忘门、输入门、输出门以及历史信息中的输入层到隐藏层的参数举证；uf、ui、uo以及uc分别表示遗忘门、输入门、输出门以及历史信息中的隐藏层到隐藏层的自循环参数矩阵；bf、bi、bo以及bc分别表示遗忘门、输入门、输出门以及历史信息中的偏置参数矩阵；sigmoid表示sigmoid函数；tanh表示双曲正切函数；通过遗忘门f
t
和输入门i
t
分别控制需要遗忘的上一时刻的历史信息输出c
t-1
以及需要保存的新的历史信息获得当前时刻的历史信息输出c
t
，表示为：其中，
⊙
表示矩阵的哈达玛积；通过输出门o
t
根据当前时刻的历史信息输出c
t
，获得当前时刻的隐藏层输出h
t
，如式(1.9)：h
t
＝o
t
⊙
tanh(c
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1.9)其中，tanh表示双曲正切函数。
技术总结
本发明公开了一种无人车机动能力模型构建方法，通过长短记忆神经网络模型来描述无人车控制指令与本身驱动能力之间的对应关系，以此设计了模型输入输出变量，并根据无人车机动能力模型建模的需求，将无人车当前时刻速度、当前时刻偏航角、电压值、时间戳、下一时刻速度和下一时刻偏航角数据作为模型输入，将速度控制变量和角度控制变量作为模型输出，建立对应关系；通过LSTM在输入与反馈以及避免爆发三者之间组成的一个长时间的时间差来维持一个不间断的误差值，最终达到避免梯度消失或梯度爆炸的问题。炸的问题。炸的问题。
技术研发人员：洪慧 祝丰豪
受保护的技术使用者：杭州电子科技大学
技术研发日：2021.12.31
技术公布日：2022/5/17