基于云端地图的智能网联商用车质量估计算法研究

整车质量是车辆动力学参数中的一个关键状态量。在辅助驾驶系统中,整车质量的准确估计对规划控制算法至关重要。传统的质量估计算法在同时估计车辆质量与道路坡度时面临挑战,尤其是坡度估计的误差可能严重影响质量估计的准确性。当前,云控平台提供了高精度的道路地图信息,为进一步优化质量估计算法提供了全新的思路。本研究基于云控平台的车云协同框架,设计了云控系统下的商用车质量估计系统架构。进而基于扩展卡尔曼滤波理论,并结合云端的道路地图信息,开发了商用车质量估计算法。通过将道路坡度视为已知参数而非变化的状态量对整车质量进行估计,并利用实车试验采集到的行驶数据进行了算法对比验证。试验结果表明,基于云端坡度信息的质量估计算法,在空载与满载工况下均能实现快速收敛,估计质量的绝对百分比误差在3%以内,相较于传统的同步估计车辆质量与道路坡度的算法,能够更快且更准确地收敛到车辆真实质量附近。

基于GAF-DenseNet的旋耕作业质量等级识别模型

为实现基于拖拉机多传感器实测载荷数据的旋耕作业质量准确识别,提出一种基于GAF-DenseNet的拖拉机旋耕作业质量等级识别模型,设计旋耕作业质量等级分级标准,开展旋耕作业田间试验,并进行模型准确性验证和性能分析。该模型通过格拉姆角场(Gramian angular field, GAF)算法,在保留原始载荷序列的时间依赖性的前提下,对时间序列数据进行唯一编码。DenseNet网络对图像阵列中内含的载荷信息进行深层挖掘,通过特征重用、模型压缩等技术环节,在保证特征提取深度的同时,显著提升该网络的运算效率。分析结果表明:过大或过小的重采样滑动窗口大小均会降低模型性能,且格拉姆角差场(Gramian angular difference field, GADF)实验效果强于格拉姆角和场(Gramian angular summation field, GASF),实验数据显示在重采样滑动窗口大小为250且选用格拉姆角差场的条件下,模型性能达到最优。增长率k与模型整体性能呈正相关的趋势,但过大的k值会降低模型的实时性能且对于准确性提升有限,实验场景下将增长率k设为24更能符合实际需求。GAF-DenseNet模型准确率和F1值分别达到96.816%和96.136%,并且在实时性能上具有良好表现,推理时长可低至16 s。在与其他智能算法对比分析中,该模型整体性能均优于对照组实验结果。