[发明专利]一种基于深度高斯车辆动力学模型、训练方法、智能汽车轨迹跟踪控制方法及终端设备

说明书

本发明公开了一种基于深度高斯车辆动力学模型、训练方法、智能汽车轨迹跟踪控制方法及终端设备，本发明利用物理模型获取深度高斯模型中所需的均值，利用前馈神经网络获取深度高斯模型中所需的协方差矩阵，相比于数据驱动模型，所建立的模型在准确识别车辆运行过程中各种复杂的动力学行为的基础上，融合物理模型的先验知识，增加模型的鲁棒性，避免数据驱动模型在训练数据覆盖不到区域发生未知的错误。设计的轨迹跟踪控制算法，相比于端到端控制算法，具有更高的可解释性。并且在不同的道路条件下及行驶工况下可以实现期望轨迹的跟踪控制，在保证路径跟踪精度的同时，同时兼顾横纵向稳定性，为智能汽车开发高性能的运动控制器奠定良好的基础。

技术领域

本发明涉及智能汽车控制领域，尤其是涉及一种基于深度高斯车辆动力学模型、训练方法、智能汽车轨迹跟踪控制方法及终端设备。

背景技术

随着汽车智能化和网联化的不断升级以及人工智能技术的快速发展，在此背景下，智能汽车已经成为传统汽车产业变革的潮流趋势和世界车辆工程的研究热点。智能汽车有望将人们从繁琐的长途驾驶中解放出来，并且智能汽车有减轻交通拥堵和交通事故的巨大潜力。经典的自动驾驶系统通常由感知、定位、决策、轨迹规划和控制模块组成，在轨迹规划和控制中，通常需要车辆动力学信息来实现车辆运动的安全性。基于车辆动力学模型的控制算法可以实现更好的道路利用率和更高的安全性，例如可以在不同的路面附着系数下进行轨迹跟踪和避障等操作。

基于分析力学所建立的车辆运动学或动力学模型通常在建模时进行了一定的模型简化，魔术轮胎、刷子轮胎等轮胎模型的引入虽然扩充了模型的自由度，但轮胎的高阶动态响应、松弛效应等无法完全体现，这使得无法通过汽车行驶时实时获取的实验数据来准确计算出车辆在下一时刻的状态。数据驱动模型虽然可以根据车辆外界环境的变化不断做出改变，但由于存在训练数据获取难度大、数据分布不均匀等问题，容易使得模型在训练过程中产生过拟合的现象，且模型参数无法与真实世界物理参数相对应，可解释性不足。因此，在保证模型可解释性同时建立准确的智能汽车动力学预测模型，并根据所建立的模型开发轨迹跟踪控制算法，成为当前亟需解决的重要问题。

发明内容

为解决上述技术难题，本发明提出了一种基于深度高斯车辆动力学模型、训练方法、智能汽车轨迹跟踪控制方法及终端设备。主要包括深度高斯模型的建立，基于驾驶模拟器和虚拟仿真平台Matlab-UE4训练数据获取过程和真实世界无人驾驶车辆数据获取过程，深度高斯模型的训练，轨迹跟踪控制算法的设计四部分。

在基于深度高斯过程的智能汽车动力学预测模型设计中，具有延迟输入的多层前馈神经网络接收当前时刻与历史时刻的车辆控制与状态信息，获取下一时刻状态量协方差矩阵。物理模型接收当前时刻的车辆控制与状态信息输出下一时刻状态量均值。

车辆动力学数据采集模块中,通过驾驶模拟器与Matlab-UE4建立实时仿真平台，通过驾驶员对其操纵采集正常人类驾驶行为虚拟数据。

真实世界车辆动力学数据采集模块中，人类驾驶员驾驶智能汽车在不同工况下行驶进行数据采集。

在深度高斯模型训练过程中，将得到的仿真数据集划分为80％的训练集、10％的验证集、10％的测试集。Loss函数选择为负对数似然损失函数，优化器选择为Adam，batchsize设置为1000，学习率设置为0.0001，基于Tensorflow深度学习框架对网络模型进行训练。基于所训练的深度高斯模型设计控制算法，通过滚动优化在线求解得到最优前轮转角、最优前轮力矩，以实现参考轨迹的跟踪。

具体内容如下：

一种深度高斯车辆动力学模型，包括：具有延迟输入的多层前馈神经网络、非线性物理模型以及深度高斯模型；所述前馈神经网络接收当前时刻与历史时刻的车辆控制与状态信息，获取下一时刻状态量协方差矩阵，所述非线性物理模型接收当前时刻的车辆控制与状态信息输出下一时刻状态量均值，所述深度高斯模型结合了神经网络模型与车辆动力学物理模型，该模型预测下一时刻车辆动力学状态；