一种重型挂车制动过程自适应学习方法

1.本发明涉及车辆制动控制技术领域，尤其涉及一种重型挂车制动过程自适应学习方法，可用于自动驾驶领域，也可用于非自动驾驶时的制动行为的优化。


背景技术：

2.随着汽车行业的不断发展，汽车的保有量也逐渐增高，交通事故、碰撞事故的比例也逐年增加。为了避免交通事故，第一主要因素是制动安全，为了提高安全性和增加安全保障，辅助驾驶系统逐渐流行，日益成为汽车的“标配”。虽然自动化驾驶技术已逐渐成熟，但市场上绝大部分车辆还是由驾驶员驾驶，制动行为的主导为驾驶员，因此驾驶员制动行为的研究显得格外重要。在已有的安全基础上，对制动行为的过程进行进一步的安全保障，具有重要的现实意义。
3.现有的车辆制动控制中最常用的汽车电子制动系统——abs系统，它是通过轮速感应器传来的脉冲变动来掌握车轮的运行状况，当某一个车轮可能产生抱死状态时发出快速指令来达到控制刹车。现有的紧急制动系统的控制策略大多基于车辆运动模型与车间距或时距控制，未考虑驾驶员对控制策略的影响。然而从碰撞危险发生起始时刻至碰撞完成，驾驶员操作都对控制策略起着重要影响。现有的研究驾驶员制动行为的方法，有采用模糊逻辑的方法识别制动行为，也有基于试验数据及驾驶经验，建立模型的推理规则，实现驾驶制动模型。
4.由于神经网络能够在模型学习中储存大量的输入-输出映射关系，并且无需描述映射关系的详细数学方程，因此本发明将其用于进行制动距离的预测，从而提高制动过程的安全性。bp神经网络模型结构较简单，不需要海量的训练数据，并将模型进行离线训练在线预测，减轻车载ecu的运算负担，提高实时性。


技术实现要素：

5.本发明针对现有技术存在的不足，提供一种重型挂车制动过程自适应学习方法，该方法可以在预测到制动距离大于安全距离时，进行紧急的制动控制，提高制动过程中的安全性，也可用于制动行为习惯的优化。本发明可在不添加额外类型的传感器的基础上用于自动驾驶领域，具有实时性高等特点。
6.本发明的目的是通过以下技术方案实现的：一种重型挂车制动过程自适应学习方法，该方法包括以下步骤：
7.(1)重型挂车由牵引车和若干拖车组成的动力单元耦合构成，基于挂车制动曲线和实际运行数据，采用子空间模型辨识方法建立一个重型挂车的分布式状态空间模型；其中单个拖车动力单元的动力学模型如下：
[0008][0009]
其中，t＝1,2,
…
,r，r为拖车动力单元数，和分别为第t个动力单元受到的空气阻力和机械阻力，u
t
代表第t个动力单元的制动力，s
t
、和分别代表第t个动力单元的位移、速度和加速度，m
t
为第t个动力单元的质量，代表动力单元之间的弹簧系数，b表示相邻动力单元间阻尼器的阻尼系数，邻动力单元间阻尼器的阻尼系数，和为第t个动力单元受到相邻动力单元耦合作用的影响，c0、cv、ca是阻力系数，代表空气阻力；
[0010]
单元动力学模型的非线性状态空间模型如下：
[0011][0012]
其中，k为离散时刻；输出标量y
t
(k)∈r，表示第t个动力单元的输出速度；状态向量x
t
(k)∈rn，与拖车动力单元、轮胎的结构和材料参数有关，n为x
t
(k)的维度；和θ(
·
)∈r是非线性向量函数；q
t
(k)∈rn和d
t
(k)∈r分别是不可观测的噪声序列；输入向量u
t
(k)表示第t个动力单元受到自身的制动力和相邻动力单元的牵引力的耦合影响，u
t
(k)的维度为l；
[0013]
在实际运行过程中，可近似为：
[0014][0015]
其中，a
t
∈rn×n，b
t
∈rn×
l
，c
t
∈r1×n，d
t
∈r1×
l
分别为第t个动力单元的系统矩阵，w
t
(k)∈rn×
l
和v
t
(k)∈r1×
l
分别为第t个动力单元的过程噪声和输出噪声；
[0016]
基于拖车动力单元的输入输出数据，可以辨识出各单元子空间模型，集成各单元子空间模型得到重型挂车分布式状态空间模型如下：
[0017][0018]
其中，模型的状态矩阵如下：
[0019][0020]
状态矩阵中的参数包括：位移、速度、加速度、单元质量、相邻单元的阻尼系数、弹簧系数、牵引/制动力；其中，单元质量和相邻单元的阻尼系数、弹簧系数是固定的，位移、速度、加速度和牵引/制动力通过传感器采集；
[0021]
(2)利用挂车的行程传感器采集驾驶员制动过程中的行程信号，绘制横坐标为时间d，纵坐标为行程的制动曲线，计算出其制动距离l1，并衡量制动曲线的平滑程度；利用速度传感器采集当前车速v；利用反应时间检测仪采集制动反应时间d0，并计算反应距离l0＝v
×
d0；
[0022]
(3)利用步骤(2)中的方法采集并计算足够多的制动过程数据，包括自身输入数据u
t
、前一个相邻单元的输入数据u
t-1
、后一个相邻单元的输入数据u
t+1
以及自身输出数据y
t
，根据步骤(1)中得到的重型挂车分布式状态空间模型，计算出所需的制动力f0；
[0023]
将牵引车和各拖车动力单元的制动数据，包括反应距离l0、车速v、制动距离l1，以及计算出的相应制动力f0传输到中央ecu进行自适应学习，离线训练一个针对重型挂车制动过程的神经网络模型；
[0024]
(4)利用离线训练好的神经网络模型进行制动距离l1的预测；如果制动距离l1超过安全范围，给予驾驶员警告，提示当前制动加速度较小，加大制动力，确保驾驶安全。
[0025]
进一步地，所述步骤(2)中，根据制动曲线的行程信号x(d)计算出x(d)的方差σ2和平均值μ，用来作为衡量曲线平滑程度的标准。
[0026]
进一步地，所述针对重型挂车制动过程的神经网络模型的结构具体如下：
[0027]
第1层为输入层，输入数据记为x(i)，类型序号i＝1,2,
…
,5，对应第i个节点，输入数据的类型包括反应距离l0，车速v，制动曲线方差σ2和平均值μ，制动力f0；
[0028]
第2层为中间层，包括隐含层1和隐含层2，隐含层1和隐含层2分别有16个节点；
[0029]
第3层为结果输出层，输出制动距离l1；
[0030]
首先离线训练神经网络，离线训练的训练集为采集的本车司机的行程数据；训练好后进行实时制动距离预测。
[0031]
进一步地，神经网络的离线训练和预测过程具体包含以下步骤：
[0032]
(1)初始化神经网络输入层节点i和中间层节点j之间的权重w
ij
，以及中间层节点j和输出层唯一节点之间的权值w
j1
；初始化中间层中每个节点的阈值aj，输出层唯一节点的阈值b；给定学习速率和神经元激励函数；
[0033]
(2)根据输入数据、权值w
ij
和阈值aj，计算中间层输出值hj；
[0034]
(3)得到中间层输出值hj后，结合权值w
j1
和阈值b，计算输出层预测值o；
[0035]
[0036]
(4)将预测值o与实测制动距离y进行对比，计算预测误差值e；
[0037]
(5)利用预测误差值e进行神经网络权值w
ij
和w
j1
的更新；
[0038]wij
＝w
ij
+ηhj(1-hj)x(i)ew
j1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0039]wj1
＝w
j1
+ηh
jeꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0040]
其中η为学习速率；
[0041]
进行阈值aj和阈值b的更新；
[0042]aj
＝aj+ηhj(1-hj)x(i)ew
j1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0043]
b＝b+e
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0044]
其中j＝1,2,
…
,l，l为中间层节点数；
[0045]
(6)反复迭代，直到预测误差在允许范围内后停止迭代，模型训练完毕；将实时挂车行程数据输入训练好的模型，进行制动距离l1的预测；
[0046]
(7)当预测结果超过安全范围，提醒驾驶员当前制动加速度过小，加大制动力，确保驾驶安全。
[0047]
进一步地，根据采集到的司机制动过程数据，通过对制动曲线方差σ2和平均值μ进行门限阈值的判决，检测司机不良刹车习惯，包括猛踩刹车、下坡空挡滑行时靠刹车控制等，进行不良习惯的提醒。
[0048]
本发明的优点及有益效果如下：本发明仅利用车辆行程传感器、速度传感器、反应时间检测仪和ecu进行制动行为的优化。区别于现有的制动辅助方法，本发明所提方法根据重型挂车分布式特点，建立了一个分布式模型，从而使得结果更加符合实际情况。并运用神经网络进行预测，有较高的预测精度，且能够离线训练，将已离线训练好的神经网络模型用于实时预测，可以减少在线的运算量，减轻ecu负担，并提高算法实时性。本发明根据预测结果进行下一步的实施和决策，从而给制动安全提供进一步的保障。本发明能够在硬件资源受限的情况下有效实施，操作简单、实时性好且具有较高的预测精度，易在实际系统中实现。
附图说明
[0049]
图1为本发明方法的步骤流程图；
[0050]
图2为本发明方法所用的bp神经网络模型结构图；
[0051]
图3为制动距离预测示意图，用于进一步解释本发明实施实例的具体过程。
具体实施方式
[0052]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0053]
如图1所示，本实施例提供的一种重型挂车制动过程自适应学习方法，该方法包括以下步骤：
[0054]
(1)重型挂车由牵引车和若干拖车组成的动力单元耦合构成，难以用集中式模型进行有效建模，基于挂车制动曲线和实际运行数据，采用子空间模型辨识方法建立一个重
型挂车的分布式状态空间模型；
[0055]
其中单个拖车动力单元的动力学模型如下：
[0056][0057]
其中，t＝1,2,
…
,r，r为拖车动力单元数，和分别为第t个动力单元受到的空气阻力和机械阻力，u
t
代表第t个动力单元的制动力，s
t
、和分别代表第t个动力单元的位移、速度和加速度，m
t
为第t个动力单元的质量，代表动力单元之间的弹簧系数，b表示相邻动力单元间阻尼器的阻尼系数，邻动力单元间阻尼器的阻尼系数，和为第t个动力单元受到相邻动力单元耦合作用的影响，c0、cv、ca是阻力系数，代表空气阻力；
[0058]
式(1)的单元动力学模型的非线性状态空间模型如下：
[0059][0060]
其中，k为离散时刻；输出标量y
t
(k)∈r，表示第t个动力单元的输出速度；状态向量x
t
(k)∈rn，与拖车动力单元、轮胎的结构和材料等参数有关，n为x
t
(k)的维度；和θ(
·
)∈r是非线性向量函数；q
t
(k)∈rn和d
t
(k)∈r分别是不可观测的噪声序列；输入向量u
t
(k)表示第t个动力单元受到自身的制动力和相邻动力单元的牵引力的耦合影响，u
t
(k)的维度为l；
[0061]
在实际运行过程中，可近似为：
[0062][0063]
其中，a
t
∈rn×n，b
t
∈rn×
l
，c
t
∈r1×n，d
t
∈r1×
l
分别为第t个动力单元的系统矩阵，w
t
(k)∈rn×
l
和v
t
(k)∈r1×
l
分别为第t个动力单元的过程噪声和输出噪声；
[0064]
基于拖车动力单元的输入输出数据，可以辨识出各单元子空间模型，集成各单元子空间模型得到重型挂车分布式状态空间模型如下：
[0065][0066]
其中，模型的状态矩阵如下：
[0067][0068]
状态矩阵中的参数包括：位移、速度、加速度、单元质量、相邻单元的阻尼系数、弹簧系数、牵引/制动力；单元质量和相邻单元的阻尼系数、弹簧系数是固定的，位移、速度、加速度和牵引/制动力通过传感器采集；
[0069]
(2)利用挂车的行程传感器采集驾驶员制动过程中的行程信号，绘制横坐标为时间d，纵坐标为行程的制动曲线，计算出其制动距离l1，并衡量制动曲线的平滑程度；利用速度传感器采集当前车速v；利用反应时间检测仪采集制动反应时间d0，并计算反应距离l0＝v
×
d0；
[0070]
其中，根据制动曲线的行程信号x(d)，计算出x(d)的方差σ2和平均值μ，用来作为衡量曲线平滑程度的标准；
[0071]
(3)以步骤(2)中的方法采集并计算足够多的制动过程中的数据，包括自身输入数据u
t
、前一个相邻单元的输入数据u
t-1
、后一个相邻单元的输入数据u
t+1
以及自身输出数据y
t
，根据步骤(1)得到的重型挂车分布式状态空间模型，计算出所需的制动力f0；
[0072]
将牵引车和各拖车动力单元的制动数据，包括反应距离l0、车速v、制动距离l1，以及计算出的相应制动力f0传输到中央ecu进行自适应学习，离线训练一个针对重型挂车制动过程的神经网络模型；
[0073]
(4)利用离线训练好的神经网络模型进行制动距离l1的预测；如果制动距离l1超过安全范围(当前与前车或障碍物的距离)，给予驾驶员警告，提示当前制动加速度较小，加大制动力，确保驾驶安全。
[0074]
所述步骤(3)、(4)中的神经网络模型结构参见图2，具体为：
[0075]
第1层为输入层，输入数据记为x(i)，类型序号i＝1,2,
…
,5，对应第i个节点，输入数据的类型包括反应距离l0，车速v，制动曲线方差σ2和平均值μ，制动力f0；
[0076]
第2层为中间层，包括隐含层1和隐含层2，隐含层1和隐含层2分别有16个节点；
[0077]
第3层为结果输出层，输出制动距离l1；
[0078]
实现制动距离的实时预测，首先需要离线训练神经网络；离线训练的训练集为采集的本车司机的行程数据；训练好后进行实时制动距离预测；离线训练和预测过程如图3所示，具体包含以下步骤：
[0079]
(1)初始化神经网络输入层节点i和中间层节点j之间的权重w
ij
，以及中间层节点j和输出层唯一节点之间的权值w
j1
；初始化中间层中每个节点的阈值aj，输出层唯一节点的阈值b；给定学习速率和神经元激励函数；
[0080]
(2)根据输入数据、权值w
ij
、阈值aj，计算出中间层输出值hj；
[0081]
(3)计算出中间层输出值hj后，结合权值w
j1
、阈值b，计算出输出层预测值o；
[0082][0083]
(4)将预测值o与实测制动距离y进行对比，计算出预测误差值e；
[0084]
(5)利用预测误差值e进行神经网络权值w
ij
和w
j1
的更新；
[0085]wij
＝w
ij
+ηhj(1-hj)x(i)ew
j1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0086]wj1
＝w
j1
+ηh
jeꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0087]
其中η为学习速率；
[0088]
进行阈值aj和阈值b的更新；
[0089]aj
＝aj+ηhj(1-hj)x(i)ew
j1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0090]
b＝b+e
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0091]
其中j＝1,2,
…
,l，l为中间层节点数；
[0092]
(6)反复迭代，直到预测误差在允许范围内后停止迭代，模型训练完毕；将实时挂车行程数据输入训练好的模型，进行制动距离l1的预测；
[0093]
(7)当预测结果超过安全范围，提醒驾驶员当前制动加速度过小，加大制动力，确保驾驶安全。
[0094]
根据采集到的司机制动过程数据，还可以通过对制动曲线方差σ2和平均值μ进行门限阈值的判决，检测司机不良刹车习惯，包括猛踩刹车、下坡空挡滑行时靠刹车控制等，进行不良习惯的提醒。
[0095]
上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

技术特征：
1.一种重型挂车制动过程自适应学习方法，其特征在于，包括以下步骤：(1)重型挂车由牵引车和若干拖车组成的动力单元耦合构成，基于挂车制动曲线和实际运行数据，采用子空间模型辨识方法建立一个重型挂车的分布式状态空间模型；其中单个拖车动力单元的动力学模型如下：其中，t＝1，2，...，r，r为拖车动力单元数，和分别为第t个动力单元受到的空气阻力和机械阻力，u
t
代表第t个动力单元的制动力，s
t
、和分别代表第t个动力单元的位移、速度和加速度，m
t
为第t个动力单元的质量，代表动力单元之间的弹簧系数，b表示相邻动力单元间阻尼器的阻尼系数，动力单元间阻尼器的阻尼系数，和为第t个动力单元受到相邻动力单元耦合作用的影响，c0、c
v
、c
a
是阻力系数，代表空气阻力；单元动力学模型的非线性状态空间模型如下：其中，k为离散时刻；输出标量y
t
(k)∈r，表示第t个动力单元的输出速度；状态向量x
t
(k)∈r
n
，与拖车动力单元、轮胎的结构和材料参数有关，n为x
t
(k)的维度；和θ(
·
)∈r是非线性向量函数；q
t
(k)∈r
n
和d
t
(k)∈r分别是不可观测的噪声序列；输入向量u
t
(k)表示第t个动力单元受到自身的制动力和相邻动力单元的牵引力的耦合影响，u
t
(k)的维度为l；在实际运行过程中，可近似为：其中，a
t
∈r
n
×
n
，b
t
∈r
n
×
l
，c
t
∈r1×
n
，d
t
∈r1×
l
分别为第t个动力单元的系统矩阵，w
t
(k)∈
r
n
×
l
和v
t
(k)∈r1×
l
分别为第t个动力单元的过程噪声和输出噪声；基于拖车动力单元的输入输出数据，可以辨识出各单元子空间模型，集成各单元子空间模型得到重型挂车分布式状态空间模型如下：其中，模型的状态矩阵如下：状态矩阵中的参数包括：位移、速度、加速度、单元质量、相邻单元的阻尼系数、弹簧系数、牵引/制动力；其中，单元质量和相邻单元的阻尼系数、弹簧系数是固定的，位移、速度、加速度和牵引/制动力通过传感器采集；(2)利用挂车的行程传感器采集驾驶员制动过程中的行程信号，绘制横坐标为时间d，纵坐标为行程的制动曲线，计算出其制动距离l1，并衡量制动曲线的平滑程度；利用速度传感器采集当前车速v；利用反应时间检测仪采集制动反应时间d0，并计算反应距离l0＝v
×
d0；(3)利用步骤(2)中的方法采集并计算足够多的制动过程数据，包括自身输入数据u
t
、前一个相邻单元的输入数据u
t-1
、后一个相邻单元的输入数据u
t+1
以及自身输出数据y
t
，根据步骤(1)中得到的重型挂车分布式状态空间模型，计算出所需的制动力f0；将牵引车和各拖车动力单元的制动数据，包括反应距离l0、车速v、制动距离l1，以及计算出的相应制动力f0传输到中央ecu进行自适应学习，离线训练一个针对重型挂车制动过程的神经网络模型；(4)利用离线训练好的神经网络模型进行制动距离l1的预测；如果制动距离l1超过安全范围，给予驾驶员警告，提示当前制动加速度较小，加大制动力，确保驾驶安全。2.根据权利要求1所述的一种重型挂车制动过程自适应学习方法，其特征在于，所述步骤(2)中，根据制动曲线的行程信号x(d)计算出x(d)的方差σ2和平均值μ，用来作为衡量曲线平滑程度的标准。3.根据权利要求1或2所述的一种重型挂车制动过程自适应学习方法，其特征在于，所述针对重型挂车制动过程的神经网络模型的结构具体如下：第1层为输入层，输入数据记为x(i)，类型序号i＝1，2，...，5，对应第i个节点，输入数据的类型包括反应距离l0，车速v，制动曲线方差σ2和平均值μ，制动力f0；第2层为中间层，包括隐含层1和隐含层2，隐含层1和隐含层2分别有16个节点；第3层为结果输出层，输出制动距离l1；首先离线训练神经网络，离线训练的训练集为采集的本车司机的行程数据；训练好后进行实时制动距离预测。4.根据权利要求3所述的一种重型挂车制动过程自适应学习方法，其特征在于，神经网络的离线训练和预测过程具体包含以下步骤：(1)初始化神经网络输入层节点i和中间层节点j之间的权重w
ij
，以及中间层节点j和输
出层唯一节点之间的权值w
j1
；初始化中间层中每个节点的阈值a
j
，输出层唯一节点的阈值b；给定学习速率和神经元激励函数；(2)根据输入数据、权值w
ij
和阈值a
j
，计算中间层输出值h
j
；(3)得到中间层输出值h
j
后，结合权值w
j1
和阈值b，计算输出层预测值o；(4)将预测值o与实测制动距离y进行对比，计算预测误差值e；(5)利用预测误差值e进行神经网络权值w
ij
和w
j1
的更新；w
ij
＝w
ij
+ηh
j
(1-h
j
)x(i)ew
j1
ꢀꢀꢀꢀ
(7)w
j1
＝w
j1
+ηh
j
e
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)其中η为学习速率；进行阈值a
j
和阈值b的更新；a
j
＝a
j
+ηh
j
(1-h
j
)x(i)ew
j1
ꢀꢀꢀꢀꢀꢀꢀ
(9)b＝b+e
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)其中j＝1，2，...，l，l为中间层节点数；(6)反复迭代，直到预测误差在允许范围内后停止迭代，模型训练完毕；将实时挂车行程数据输入训练好的模型，进行制动距离l1的预测；(7)当预测结果超过安全范围，提醒驾驶员当前制动加速度过小，加大制动力，确保驾驶安全。5.根据权利要求1所述的一种重型挂车制动过程自适应学习方法，其特征在于，根据采集到的司机制动过程数据，通过对制动曲线方差σ2和平均值μ进行门限阈值的判决，检测司机不良刹车习惯，包括猛踩刹车、下坡空挡滑行时靠刹车控制等，进行不良习惯的提醒。

技术总结
本发明公开了一种重型挂车制动过程自适应学习方法，首先采用子空间模型辨识方法建立重型挂车的分布式状态空间模型，然后利用行程传感器、速度传感器等采集行程信号和速度信号，并绘制出制动曲线；其次将采集或计算出的反应距离、车速、制动距离、制动曲线方差和平均值数据和计算出的制动力信号进行离线的BP神经网络模型的训练。利用训练好的模型对当前制动过程进行制动距离的预测，当不在安全范围内时，进行提示和警告，辅助驾驶员进行制动行为的优化。本发明基于挂车常见的传感器模块，并结合挂车实际的分布式特点，利用预测精度较高的神经网络模型进行离线训练，在线预测，对制动行为进行优化，从而提高制动安全性。从而提高制动安全性。从而提高制动安全性。


技术研发人员：李传武 潘银斌 陈积明 张宗煜 胡婧
受保护的技术使用者：浙江大学
技术研发日：2021.10.18
技术公布日：2022/3/8