文摘
准确估计的粘附系数可以帮助司机和车辆有效感知道路状态的变化,相应的减少交通事故的发生。因此,本文提出一种基于vehicle-road协调道路附着系数估计方法和深度的学习。首先,一场基于车辆发动的数据反馈系统结合vehicle-road网络云介绍,和CarSim模拟用于扩大有效数据集和训练模型。然后,整个车辆的动态分析,和车辆运行数据相关的粘附系数得到的输入估计模型。然后组合模型的道路附着系数估计基于self-attention (SA)、卷积神经网络(CNN),和长时间的短期记忆(LSTM),减少预测的不稳定,问则是用来优化模型的重量。最后,验证了模型的模拟数据和实际数据场基于车辆发动的。结果表明,场基于车辆发动的数据反馈系统结合vehicle-road网络Ccloud有效,并与其它常用的模型相比,估计模型提出了可以有效地预测道路附着系数。
1。介绍
随着汽车保有量的发展和人们的出行频率的增加,交通事故的发生率也在增长。路面摩擦系数的减少造成气候和其他环境条件是导致这些事故的一个重要因素。特别是在条件较差的道路附着和突然变化,司机的判断道路安全的能力削弱,这很容易导致车辆的碰撞和侧滑1]。为了减少事故的发生、合作车辆基础设施系统已成为必然趋势。的有效估计道路附着系数有利于系统适时改变控制策略和减少事故的发生2]。
世界各地的学者进行了许多研究领域的粘附系数估计几十年,取得了一系列的成果。一般来说,可以分为对于以公益为出发的和有效的方法。
对于以公益为出发的方法预测粘附系数通过收集路面信息,结合以前的经验3]。该方法可以实时识别路面附着系数在任何工作环境,但它需要添加额外的传感器和其他设施,与高成本和高要求的安装位置和耐久性传感器。Morii et al。4)发出高功率激光在路上和估计道路条件根据反馈信息。Ko et al。5)提出了直接测量道路材料和表面粗糙度通过光学传感器,判断道路类型和预测粘附系数。香港et al。6]提议使用声学传感器测量轮胎的噪声识别路面附着系数。然而,噪声很容易受到环境的影响,以及噪声信号是复杂的,所以这种方法是很难估计准确。保罗和科埃略7]结合贝叶斯分析和神经网络分类的道路通过声音信号的轮胎接触地面和macrotexture轮廓曲线仪收集的信息。
连接自动车辆的开发和应用、合作车辆基础设施系统可以创建一个有效的数据收集渠道之间的驾驶环境和车辆,这些数据可以用来估计道路附着系数。有效估计方法用于估计道路附着系数通过检测车辆的身体和车轮的运动响应造成的道路条件。许多研究利用车辆动力学模型或各种轮胎道路模型。这种方法一般不需要添加额外的传感器,和不需要严肃的工作环境;所以他们吸引了巨大的关注。Enisz et al。8)提出了估计的最大瞬时值基于魔法轮胎的轮胎路面附着系数公式和扩展卡尔曼滤波算法。马等。9)提出了估计轮胎侧滑角的无味卡尔曼滤波,然后制定粘附系数的识别规则结合积极的一个车轮的扭矩。彭et al。10]估计轮胎力通过设计一个过滤器观察者,然后设计了一个非线性观测器估计同时粘附系数。萍et al。11)提出了一种自适应道路附着系数估计方案使用加权衰减记忆无味卡尔曼滤波提高准确性。胡锦涛et al。(12)利用扩展卡尔曼滤波器估计车辆的横向速度,然后先后设计两个无踪迹的卡尔曼滤波器来估计轮胎力和粘附系数,分别减少计算负担。邵et al。13)提出了一个创新的文中针对道路附着估计的框架。这个框架实现了一个网格搜索方法求解非凸优化问题,从而估计μ马克斯和侧滑角实时准确没有良好的初始猜测凸优化。
传统的轮胎道路模型依赖于轮胎的专业测试收集光学,声学,或其他物理信号。改变轮胎或车辆参数后,其特性曲线将相应改变。随着人工智能的发展,深度学习和强化学习正逐渐被应用到交通控制领域和优化(14]。因此,许多学者应用深度学习模型近年来道路附着系数的估计,已逐渐成为一个研究热点15]。太阳et al。16)提出了一个改进算法的基础上,通过添加忘记忘记卡尔曼滤波器系数来估计曲线的斜率在低滑动速率。李等人。17)提出了一种道路摩擦系数识别方法基于支持向量机(SVM),可有效识别路面附着系数在转向过程中不同道路条件下。基于车辆动力学的分析,金等。18使用滑率,规范化的纵向力,纵向加速度作为输入和使用支持向量机和款模型来预测轮胎和道路之间的摩擦系数。结果表明,款具有更高的精度。里贝罗et al。19]使用车辆的数据速度、加速度、偏航角和其他数据加上时间延迟神经网络(TDNN)估计道路附着系数,取得了良好的效果。崔et al。20.]提出了结合纵向和横向轮胎刷模型,并通过线性递归最小二乘方法,它具有良好的识别效果。灵族等。21提议使用视频数据估算出摩擦系数和改善车辆动力学控制通过antibrake系统。
总之,道路附着系数的估计,对于以公益为出发的方法设备要求高。实证模型或轮胎模型的有效方法缺乏可移植性,以及特性曲线很容易改变。在机器学习方面,学者们通常使用一个深层神经网络(款)模型作为主要深入学习模式目前,还有改进的空间处理非线性数据的能力,提高预测精度,靠的完全连接的神经网络。为了充分利用车辆运行数据实时服务车辆和交通,它逐渐成为一个热门方向积分,计算车辆的数据操作和建立一个智能连接系统利用先进的信息和通讯技术等云计算,5克,物联网。
因此,本文提出了一种新的方法来估计道路附着系数基于场基于车辆发动的数据反馈系统结合vehicle-road网络云。首先,系统介绍,扩大训练数据集和促进模型,车辆运行数据收集不同道路条件下通过CarSim仿真部分2。然后,整车的动力学进行了分析,以确定模型的输入向量3。部分4介绍了深度学习的组合模型。SA-CNN-LSTM建立预测附着系数。针对问题,模型的预测值超过常识的范围,提出了强化学习来提高深度学习的组合模型。仿真数据和收集到的实际场基于车辆发动的数据用于验证模型部分5。部分6总结本研究的贡献。
2。数据收集
2.1。场基于车辆发动的数据反馈系统结合Vehicle-Road网络云
本文采用场基于车辆发动的数据反馈系统,包含车辆,道路,网络,在中国河北省,和云。场基于车辆发动的数据反馈系统建立数据交换和集成系统与传统的网络内部的车辆(林,场基于车辆发动的以太网,等等)和广域的无线通信网络(4 g / 5 g细胞,C-V2X)连接车辆与交通管理信息操作数据。它的目标是建立一个新的合作系统之间使用的车辆操作系统和道路车辆数据作为微观的输入,使用宏观综合道路交通数据,为个人提供服务车辆的交通管理和应用程序。场基于车辆发动的数据反馈系统的组成如图1。总体技术架构由云平台、智能基础设施在路边,智能车辆终端。
场基于车辆发动的数据反馈系统,智能终端的实时车辆能感觉到车辆信息,获取车辆运行数据,传输到云计算平台的数据。道路的智能基础设施部分可以实时监控道路状况,实现数字化的道路,道路交通信息传输到云平台。云平台完成车辆的协同感知决策和实现协同控制道路截面计算。
场基于车辆发动的特点和核心技术数据反馈系统不同于传统的车辆和道路之间的合作在三种方式。首先,它提供了一个集成技术系统网络的车辆、道路、和第三方数据标准。其次,它建立了一个网络之间的通信连接车辆和道路的交通环境,收集车辆的运行数据,传输到云,从路边和云计算数据。第三,它充分利用云计算平台技术构建基础数据形成基于场基于车辆发动的反馈。它也数据挖掘数据仓库的基础上与多个源和目的。场基于车辆发动的数据反馈系统是一个应用系统,是由一个集中的平台,基于一个统一的基本数据标准。它具有高度的可伸缩性的集成车辆,道路,网络,和云。
场基于车辆发动的数据系统可以提供实时车辆通过智能车辆终端操作数据,如图2。收集的数据包括车辆数量、经度、纬度、速度、侧向加速度、转向角、纵向加速度、角速度,车轮角速度,ACC的操作模式(自适应巡航控制系统),ABS(防抱死制动系统)的地位,和其他领域。数据存储在云平台和数据的时间间隔是100 ms。
2.2。仿真数据
由于传感器和其他因素的限制,场基于车辆发动系统不能获得道路附着系数的值。的过程中建立旅游道路附着系数的估计模型和评价模型,有必要车辆运行数据条件下的一个已知的道路附着系数。的过程中使用传统的独轮测试车辆侧向力是复杂的,它会影响其他人的正常出行。收集车辆运行数据通过系统的成本也很高。因此,本文扩展了数据集通过Carsim simulationand使用模拟数据训练深度学习模型中,将介绍部分4。
在CarSim仿真,本文构造两种旅游公路、直线和圆形,速度为0 - 120 km / h,加速,然后减速。为了覆盖更多不同的场景中,道路的粘附系数分为两类:固定附着系数和变量粘附系数。有三种道路与固定的粘附系数:低附着系数路面附着系数为0.2,介质粘附系数道路附着系数为0.5,和高粘附系数道路附着系数为0.8。与变量有两种类型的道路附着系数:道路增加粘附系数(道路附着系数分为四个部分:0.1,0.3,0.6,和0.9),和减少道路附着系数(道路附着系数分为四个部分:0.9,0.6,0.3,和0.1)。车辆模型的一些参数模拟CarSim如表所示1。仿真数据收集每隔100毫秒,每个实验和仿真时间为40秒。
3所示。车辆动力学分析
3.1。整车的受力分析
首先,整个车辆的压力和每个轮胎的车辆应该分析。整个车的横向和纵向压力如下: 在哪里代表了整车的质量;和表示车辆的横向和纵向加速度;代表车辆的前轮角; , , ,和 ,分别代表左前轮侧向力,正确的前轮,左后轮,和车辆的后轮;和代表左前轮的侧向力和车的左后轮,分别。
每个轮胎的垂直荷载计算公式 在哪里 , , ,和代表四个轮胎的垂直力;代表了重力加速度;和代表质心的距离前轴和后轴,分别;和代表的轨道宽度前轮和后轮,分别;和代表了前轴辊刚度和后轴滚刚度,分别;和表明身体横摇角。
3.2。轮胎模型
Dugoff轮胎模型(22需要几个参数和简单的表达式。因此,本文选择Dugoff模型表达轮胎特性。具体公式如下: 在哪里和代表轮胎的纵向刚度和横向刚度,分别;代表了纵向滑移率;代表轮胎侧滑角;代表道路的粘附系数; 表明车轮处于线性状态; 表明车轮处于非线性状态;代表轮胎的中心速度;代表轮胎半径;代表车轮角速度;和 代表左前轮,正确的前轮,左后轮,分别和正确的后轮。
轮胎侧滑角的公式
3.3。神经网络的输入
用的表情和轮胎模型的整个车辆的受力分析,可以得到如下:
的表达式和方程所示(5)和(7)。因此,当车轮处于非线性状态区域,和可以被看作是一个二次函数的 ,和它可以得出结论,路面附着系数和纵向滑移率相关 ,轮胎侧滑角 ,车辆的前轮角 ,纵向加速度 ,和横向加速度 。当车轮处于线性状态区域,道路附着系数与纵向滑移率和轮胎侧偏角 ,但纵向滑移率和轮胎侧偏角在实际的车辆操作难以衡量。然而,他们可以从车辆速度和获得轮胎角速度。因此,偏航率、纵向速度、横向速度和角速度作为输入的每个轮子的道路附着系数预测模型。
4所示。路面附着系数的估计模型
路面附着系数的估计模型建立了本文包括两个部分:合并后的深度学习预测模型和强化学习优化模型,如图3。每个模型将在稍后详细描述。
合并后的深度学习预测模型由self-attention, CNN, LSTM。之间存在空间相关性车辆速度、偏航角和车轮角速度在同一时间。车辆运行过程中,相邻之间有时间连续性。之前的研究表明,CNN的卷积运算在提取空间特征数据(有很强的优势23]。由于其长期记忆功能,LSTM可以有效地提取时间特性(24]。因此,本文构建的组合模型是基于CNN-LSTM [25]。此外,self-attention出现以来,它已广泛应用于许多领域,可以我的原始数据之间的相关性。因此,本文增加了self-attention机制CNN-LSTM帮助模型捕获车辆运行数据之间的关系和道路附着力好。为了提高模型的泛化能力,使其学习更有效的从有限的数据特性,K倍交叉验证用于培训过程。的不同部分原始数据分为训练集和验证集很多次。
在训练集组合模型的预测,附着系数的预测价值可能大于1或小于0。本文采用了强化学习的想法来解决这个问题。强化学习方法强调行动基于环境预期的利益最大化,也就是说,代理可以产生的行为如何获得最大好处的奖励和惩罚机制环境下。摘要行动指的是模型的重量和偏见,这是通过培训、和输出是指道路附着系数的预测价值的模型。设置奖励机制粘附系数的预测值是在0和1之间。如果预计值的粘附系数小于0或大于1,将被授予一个点球。
4.1。Self-Attention
注意机制已逐渐成为近年来研究的焦点,它是用于解决各种问题26]。使用self-attention使模型更容易捕获长途相互依赖的特征(27),这将直接连接数据中的任何两个特性。 在哪里模型的输入序列矩阵; , ,和表示权重矩阵; , ,和代表查询向量,关键向量,分别和价值向量。代表一个维度的查询向量和向量的关键。
4.2。美国有线电视新闻网
一维CNN具有良好的性能在提取时间序列数据的空间特性28]。提高模型对非线性数据的特征提取能力(29日摘要],CNN构造包括两个卷积层和一个池层。
卷积层使用相同的内核来遍历输入根据一个固定的步长。在每个位置遍历,卷积核的神经元上层执行卷积操作。操作公式是 在哪里代表卷积核的重量,代表卷积地区开始 ,和代表卷积的结果。
为了减少参数的数量,避免过度拟合,本文使用最大池,也就是说,每个区域的功能,只保留最大值。
4.3。LSTM
LSTM是一种改进的递归神经网络(RNN)。其结构包括一组相互关联的网络(复发30.]。每个网络包含三个单位:输入,输出,和忘记门,分别对应于输入序列和前一个状态。模型的过程如下: 在哪里 , ,和代表忘记门的向量计算功能,输入,输出门;代表候选人的状态信息;代表了s形的函数, , , ,和表示权重矩阵; , , ,和表示抵消项;代表车辆的操作数据 ; 代表了上一次的记忆;代表了LSTM输出向量;和代表了双曲正切函数。
4.4。问则将
在强化学习领域,问则是一种最广泛使用的算法(31日]。它的想法是直接优化迭代计算问函数,它代表的期望获得的回报通过执行一个动作在某种状态,然后根据最优行动执行序列。该算法广泛应用于交通控制和优化。通过问则算法,重量和偏见的深度学习模型可以调整相结合。通过不断地给予惩罚反馈,路面附着系数可以稳定在正常范围内,和粘附系数小于0的情况或大于1缓解。根据贝尔曼方程,更新公式问功能如下(32]: 在哪里代表了学习速率,代表了贴现因子代表了实时采取行动获得的奖励在国家 。选择最大的 从下一个状态 。 价值乘以衰变 。此外,真正的返回值是最现实的, 在过去表用作估计。
5。案例分析
5.1。仿真数据
仿真数据分为训练集和测试集4:1。款(18)、CNN和ConvLSTM进行了比较。均方根误差(RMSE)和平均绝对误差(MAE)用于测量预测误差。公式如下: 在哪里代表模型的预测值,附着系数的真正价值,代表的数据量。
在每种情况下,进行了两个实验。第一个实验是用于训练模型,第二个实验被用于模型验证。当道路附着系数是稳定的,仿真数据的真正价值的第二个实验是随机选择,而每个模型的预测价值。当路面附着系数发生变化时,真正的价值的突变点附近道路附着系数在第二个实验中选择比较各种模型的预测价值。预测结果如下图所示,表中。图中的横坐标代表选择显示点的序列,和纵坐标代表路面附着系数的预测价值。
条件下的低附着系数路面,与常见的模型相比,本文提出的组合模型可以减少RMSE 33.3%和29.41%的美。改进的组合模型可以进一步减少25%和20%的两个指标。
条件下的介质粘附系数,与常见的模型相比,本文提出的组合模型可以减少RMSE 25%和25.57%的美。改进的组合模型可以进一步减少20%和22.2%的两个指标。
高粘附系数条件下的道路,与常见的模型相比,本文提出的组合模型可以减少RMSE 25%和27.78%的美。改进的组合模型可以进一步减少23.1%和10%的两个指标。
的情况下增加粘附系数,与常见的模型相比,本文提出的组合模型可以减少RMSE 22.2%和19.23%的美。改进的组合模型可以进一步减少23.8%和21.4%的两个指标。
的情况下增加粘附系数,与常见的模型相比,本文提出的组合模型可以减少RMSE 21.1%和8%的美。改进的组合模型可以进一步减少21.7%和13.3%的两个指标。
5.2。真正的场基于车辆发动的数据
为了执行真正的车辆测试,测试车辆和场基于车辆发动的云平台数据反馈系统。测试车辆配备了一个智能车辆终端。构建云平台可以实时获取车辆操作的数据,计算出估计粘附系数,并记录结果。独轮横向力系数测试车辆选择比较测试。车辆测试有两个轮子,左和右,输出测试数据的横向力系数在车轮在潮湿条件下的道路。
真正的车辆进行测试是正向和反向10公里高速公路的道路上。天气条件测试一天很好。因为摩擦系数估计算法需要车辆加速度,测试车辆驱动的加速,然后减速直到测试区完成。
在这项实验中,干路上的粘附系数估计的方法,而潮湿的道路的横向力系数得到的独轮横向力测试车辆。虽然操作条件是不同的,这两个结果都是相互关联的。首先,总轮胎附着力是一个矢量,利用效果等效纵向或横向。其次,有一个比例关系的摩擦系数在干燥和潮湿条件下相同的道路。平均每个测试组中两种方法的结果和计算两种方法的平均值的比值获得表7。
可以看出,两种方法的测试结果在统计上在相同条件下稳定。根据Burckhardt的轮胎模型(33),湿沥青路面的摩擦系数比和干燥沥青道路约为68%。湿路获得的平均摩擦系数在这个测试是干燥的大约70%的道路,这基本上是与现有理论的结果一致,表明该方法是准确的估计价值。
6。结论
基于CarSim仿真数据和场基于车辆发动车辆网络云的数据集成,分析车辆运行数据相关道路附着系数,构造SA-CNN-LSTM粘附系数估算模型,优化强化学习问则算法精度高于款,CNN, ConvLSTM。具体结论如下:(1)路面附着系数将影响车辆速度、加速度、车轮角速度等参数。路面附着系数可以从这些估计车辆操作数据。(2)使用模拟数据验证的例子,在五个条件下的粘附系数低,介质附着系数,高附着系数,增加粘附系数,降低粘附系数,与其他模型相比,SA-CNN-LSTM下降了29.41%,25.57%,27.78%,19.23%,8%,RMSE和33.3%,25%,25%,22.2%,和21.01%美分别。改善SA-CNN-LSTM可以进一步降低了25%,20%,23%,23.8%,和21.7%,RMSE和20%,22.2%,10%,21.4%,13.3%的美。(3)使用场基于车辆发动的数据验证的例子中,路面附着系数的估计结果比标准方法的结果与现有理论的结果基本上是一致的,它显示了该方法的准确性。
然而,本文的工作也有一些缺点。在未来的工作中,我们将收集更多的数据来验证模型的有效性在各种不同的场景中。
数据可用性
复制这些结果所需的原始数据也不能在这个时候作为数据共享形式进行的一个研究项目和研究。
的利益冲突
作者宣称没有利益冲突。
确认
这项研究得到了河北省运输部项目(批准号rw - 202007)和河北省科学技术部门(批准号20310801 d)。