[发明专利]一种基于LSTM神经网络的汽车底盘解耦控制方法

权利要求书

1.一种基于LSTM神经网络的汽车底盘解耦控制方法，其特征在于，包括如下步骤：

步骤1)，建立车辆底盘集成系统的动力学模型；

步骤2)，建立车辆底盘集成系统的逆模型；

步骤3)，将车辆底盘集成系统的逆模型作为解耦控制的预补偿器，利用LSTM神经网络将该逆模型与车辆系统串联得到等效的单变量系统，使等效系统输入输出关系成为一一映射关系，实现解耦。

2.根据权利要求1所述的基于LSTM神经网络的汽车底盘解耦控制方法，其特征在于，所述步骤1)中车辆底盘集成系统动力学模型的方程为：

式中，m,m_s,m_f,m_r分别为汽车的整车质量、簧载质量、前非簧载质量和后非簧载质量；a,b分别为汽车质心到其前、后轴的距离；I_z,I_r,I_xz分别为横摆转动惯量、侧倾转动惯量、侧倾与横摆运动的惯性积；h,k_f,k_r,E_f,E_r分别为侧倾中心高度、前轮侧偏刚度、后轮侧偏刚度、前侧倾转向系数、后侧倾转向系数；v_x,β,ω_r,φ_r分别为汽车的纵向速度、质心侧偏角、横摆角速度、侧倾角；分别为质心侧偏角速度、横摆角加速度、侧倾角速度、侧倾角加速度；δ,δ_d,T_z,T_φ分别为前轮差速转向补偿角、驾驶员施加的前轮转角、横摆控制力矩、悬架侧倾力矩；K_φ,D_φ分别为悬架侧倾刚度系数、悬架侧倾阻尼系数；

令车辆底盘集成系统的状态变量为控制输入变量为u＝[δ,T_z,T_φ]^T、底盘集成系统输出变量为y＝[β,ω_r,φ_r]^T，则车辆底盘集成系统的状态方程为：

式中，

3.根据权利要求2所述的基于LSTM神经网络的汽车底盘解耦控制方法，其特征在于，所述步骤2)的详细步骤如下：

令车辆底盘集成系统逆模型为则车辆底盘集成系统逆模型的输入输出关系表示为：

式中，为输入输出映射关系。

4.根据权利要求3所述的基于LSTM神经网络的汽车底盘解耦控制方法，其特征在于，所述步骤3)的详细步骤如下：

步骤3.1)，采集数据：设置不同车速，通过施加不同的前轮转角、横摆控制力矩和悬架侧倾力矩，对车辆的质心侧偏角β、横摆角速度ω_r、侧倾角φ_r、质心侧偏角速度横摆角加速度侧倾角速度前轮差速转向补偿角δ、横摆控制力矩T_z、悬架侧倾力矩T_φ数据进行采样，得到训练数据集和(δ,T_z,T_φ)；

步骤3.2)，对训练数据集(δ,T_z,T_φ)中的数据进行平滑性处理，消除奇异值后进行归一化处理：

式中，X_i为归一化后的数据，x_i为归一化前的数据，x_max为特征向量的最大值，x_min为特征向量的最小值。

步骤3.3)，将车辆底盘集成系统的逆模型作为解耦控制的预补偿器，即将归一化后的质心侧偏角β、横摆角速度ω_r、侧倾角φ_r、质心侧偏角速度横摆角加速度侧倾角速度作为LSTM神经网络输入，将归一化后的前轮差速转向补偿角δ、横摆控制力矩T_z、悬架侧倾力矩T_φ作为神经网络输出，对LSTM神经网络进行神经网络训练，如图2所示：

计算遗忘门：f_t＝σ(W_f·[h_t-1,X_t])+b_f)

式中，f_t为当前时刻的遗忘门，取值范围为0到1；W_f为遗忘门权重值；X_t为当前时刻的输入值；h_t-1为上一时刻的输出值；b_f为遗忘门偏置；σ为sigmoid函数；

计算输入门：i_t＝σ(W_i·[h_t-1,X_t])+b_i)

式中，i_t为当前时刻的输入门，取值范围为0到1；W_i为输入门权重值；b_i为输入门偏置；

计算候选记忆单元信息：

式中，为当前时刻的将被更新到记忆单元的候选信息；W_C为候选信息权重值；b_C为候选信息偏置；

计算新的记忆单元信息：

式中，C_t为当前时刻的新的记忆单元信息；C_t-1为前一时刻的记忆单元信息；

计算LSTM神经网络输出：

o_t＝σ(W_o·[h_t-1,X_t])+b_o)

h_t＝o_t·tanh(C_t)

式中，o_t为当前时刻的初始输出；W_o为初始输出权重值；b_o为初始偏置；h_t为当前时刻的输出；

步骤3.4)，利用LSTM神经网络的得到多变量耦合系统的输入输出关系，实现线控底盘的解耦。