基于GA-LSTM自适应卡尔曼滤波的路面不平度识别

准确、快速地识别出车辆当前行驶的路面激励信息,是实现智能底盘控制进而保证车辆平顺性的关键。针对传统路面不平度识别算法准确率低、自适应性差等问题,提出了基于遗传算法(genetic algorithm,GA)优化长短期记忆神经网络(long short-term memory networks,LSTM)自适应卡尔曼滤波的路面不平度识别算法。基于2自由度车辆悬架模型,通过灰色关联法选择LSTM神经网络的特征输入变量,并采用GA优化LSTM神经网络的模型参数以准确识别路面等级,并据此实时更新卡尔曼滤波器算法中的噪声矩阵,实现了在复杂路况下对路面不平度的自适应识别。仿真和试验研究表明,所提出的基于GA-LSTM自适应卡尔曼滤波算法能够快速准确的识别路面不平度与路面等级,与传统卡尔曼滤波算法相比,相关系数、均方根误差和最大绝对误差分别提高3.11%、37.5%和51.2%,表明所提算法对复杂工况具有很好的自适应能力。

基于优化模糊C均值聚类算法的路面不平度识别

模糊C均值(fuzzy C-mean,FCM)聚类算法具有良好的抗噪声性能,但FCM是一种局部搜索算法,易陷入局部最优,而遗传算法则具有全局优化搜索的优点。基于此该文提出了一种改进的FCM算法与遗传算法结合的聚类方法,先运用遗传算法得到聚类中心,然后用改进的FCM聚类算法得到最优解。并基于真实采集的道路谱数据,利用该算法对路面不平度进行识别。试验结果表明,改进的FCM算法与遗传算法结合的聚类算法路面识别率为94.54%,比FCM聚类算法高出4.98个百分点,比改进FCM算法高出4.67个百分点,具有更好的处理噪声数据的能力,提高了聚类的准确率和路面的识别率。

基于履带车辆车体动态响应的行驶路面不平度识别

建立了基于履带车辆车体动态响应的行驶路面不平度识别的模型。该模型采用带外源输入的非线性自回归神经网络结构,以履带车辆车体动态响应为输入、路面不平度为输出。将相关性系数、均方根误差和绝对误差累计概率密度作为识别效果的评价指标,并给出了上述三个指标的融合方法。基于正交试验设计的思路分析并实现了路面不平度识别模型输入数量和识别效果的平衡,简化了测试系统传感器的布置。分析了不同的路面、采样频率和车速下的路面不平度识别效果。结果表明,提出的不平度识别方法满足工程实际需求。

基于NARX神经网络的路面不平度识别

为应用NARX神经网络识别路面不平度,对NARX神经网络及其训练过程和结构设计进行了分析,采用相关系数和均方根误差作为NARX神经网络识别效果的评价指标。建立了路面不平度滤波白噪声模型和汽车平顺性4自由度平面模型,通过仿真获得路面不平度和车辆响应。以可测试的车辆响应作为NARX神经网络的输入,采用正交试验设计提出确定NARX神经网络输入方案的方法,对在常用等级路面上以常用车速行驶的某汽车的前轮路面不平度进行了识别。结果表明,将可测试的车辆响应作为NARX神经网络输入,结合正交试验设计,解决了NARX神经网络最优输入方案的确定问题。

基于悬架行程解耦的SUV路面不平度识别算法研究

基于某SUV半主动悬架测得的悬架动行程信号,分析了几种典型工况的悬架动行程频域特性;设计了基于车辆加速度的悬架行程解耦算法,以消除车辆惯性力引起的悬架行程变化对路面不平度识别的影响;提出了以设定的车辆行驶距离内的悬架动行程积分为指标识别路面不平度的算法;最后进行了实车道路试验验证。结果表明,所设计的算法能有效辨识良好铺装路面和不平路面,且在车辆急加速,急制动和急转弯时不会造成误识别。

路面不平度识别与地图匹配在车辆定位中的应用

随着电子地图精度的不断提高及信息种类的逐步丰富,将高精度电子地图用于辅助车辆定位,对提升定位精度与定位稳定性具有很大价值。在高精度电子地图及GPS/INS定位的基础上,提出了通过分析车辆垂向振动感知路面不平度特征,并与电子地图存储的道路不平度信息匹配,以实现车辆高精度定位的方法。道路测试结果表明:路面不平度识别与地图匹配定位方法能有效利用电子地图信息,获得高精度的车辆定位数据,在GPS/INS定位精度较低的情况下达到高精度定位效果。

基于车辆脉冲响应的路面不平度识别方法

基于车辆脉冲响应,提出了利用车辆动态响应识别路面不平度的方法。首先,以路面不平度为输入,推导了基于脉冲响应函数的车辆响应计算公式。然后,将脉冲响应函数离散为矩阵的形式,建立了基于脉冲响应矩阵的不平度识别线性方程。同时,考虑前、后轮所经历的路程存在一段重合的特点,构建了前、后轮位置相关性矩阵,降低了待识别的未知数数目。接着,鉴于不平度一般为连续函数的特点,利用荷载形函数的思想,进一步降低待识别的未知数数目,并提高对噪声的鲁棒性,实现路面不平度的实时识别。最后,利用数值仿真和试验验证了本文方法的有效性。

基于车辆响应的路面不平度识别方法

针对路面不平度识别的问题,研究了基于车辆响应的NARX神经网络识别方法及其适用性。建立了汽车振动系统4自由度平面模型,通过仿真获得车辆响应和车轮路面不平度。对于NARX神经网络及其应用选择、输入方案优化和评价指标进行了研究,提出了车辆响应选择和组合优化的解决方案。采用NARX神经网络识别了常用的B级路面和车速为60 km/h下某轿车的前轮路面不平度,其相关系数和均方根误差分别达到96.75%和0.0033。考虑了训练采样点数、车辆响应随机噪声、车速和路面等级的变化对训练完成的NARX神经网络效果的影响,说明了基于车辆响应识别路面不平度的NARX神经网络方法的适用性。研究结果表明,采用正交试验设计确定NARX神经网络优化输入方案和基于车辆响应识别路面不平度取得了满意的结果,两者具有良好的适用性。

基于4种典型神经网络识别路面不平度的研究

为识别路面不平度,对4种典型神经网络及其应用选择、输入方案优化和评价指标进行研究,提出4种典型神经网络输入选择和输入组合优化的解决方案。建立了汽车系统振动的4自由度平面模型,通过仿真获得神经网络的输入和输出。采用正交试验设计确定了每种神经网络的32个输入方案,在常用的B级路面和车速60 km/h下得到每种神经网络输入方案的评价指标,通过方差分析选出每种神经网络的最优输入方案和4种典型神经网络中的最优神经网络。研究结果表明,4种典型神经网络中,NARX神经网络是识别路面不平度的最优神经网络,其最优输入方案的相关系数和均方根误差分别为96.75%和0.003 3。

基于RBF神经网络识别路面不平度的研究

针对应用RBF神经网络识别路面不平度的输入选择、输入方案确定和识别效果评价3个问题,提出了一种解决方法。对RBF神经网络和训练过程进行了分析,选择车辆可以测试的车辆响应作为RBF神经网络输入,引入正交试验设计确定RBF神经网络输入方案,采用相关系数和均方根误差作为RBF神经网络识别效果的评价指标。通过采用车辆和路面不平度系统4自由度平面模型仿真获得车辆响应和前轮路面不平度,应用RBF神经网络对常用路面等级和常用车速行驶下某汽车的前轮路面不平度进行了识别。结果表明,所提出的方法解决了基于RBF神经网络识别路面不平度的3个问题,可以用于其它神经网络识别路面不平度。