一种基于K-Medoids和高斯过程回归的路感模拟方法

技术领域

本发明涉及车辆技术领域，具体涉及一种基于K-Medoids和高斯过程回归的转向路感模拟方法。

背景技术

转向路感，又称转向力感或简称“路感”，是指驾驶员通过方向盘反馈力矩感受整车及轮胎的运动与受力状况。转向力感可以在一定程度上让驾驶员获得必要的车辆行驶状态和行驶环境信息，从而让驾驶员以最适合当前行驶工况的方式进行驾驶决策，以保证行驶安全。对于在路面上行驶的绝大多数轮式车辆而言，方向盘与转向车轮之间有汽车的转向系作为直接的机械连接，路面对车轮的反作用力可以经过转向车轮和转向系传至方向盘从而形成“真实路感”。然而，对于车辆驾驶模拟器和使用线控转向系统的车辆而言就没有这样的“真实路感”。

当车辆使用线控转向系统时，若不使用任何方法模拟真实路感，会导致驾驶员进行非理性驾驶，导致真车驾驶安全受到威胁。同样的情况也会发生在没有路感模拟能力的模拟驾驶器上，进而导致模拟驾驶严重失真。目前，主要的路感建模方法是使用机理建模方法，这种方法需要调节的参数众多，且难以达到较高精度。

公开号为CN110606121A、名称为“一种线控转向路感模拟控制方法”的中国专利涉及一种方向盘反馈力的控制系统，通过动力学构建转向负载模型计算转向阻力矩，采用的是典型的机理建模方法，需要调节的参数众多，精度难以保证。

发明内容

本发明的目的在于提供一种基于K-Medoids和高斯过程回归的路感模拟方法，以实车试验数据、K-Medoids分类算法和高斯过程回归算法进行建模，获得基于K-Medoids和高斯过程回归的转向路感模型，从而模拟更逼真的转向路感，解决传统机理建模存在的模型结构复杂、精度不高等问题。

为了达到上述目的，本发明提供一种基于K-Medoids和高斯过程回归的路感模拟方法，包括以下步骤：

步骤一、进行实车路采试验：驾驶员进行实车试验，驾驶车辆在试验道路中行驶，采集的试验数据包括车辆垂向载荷、方向盘转角、方向盘转角速度、纵向车速、车辆横向加速度、车辆横摆角速度和方向盘力矩；

步骤二、路采数据预处理：对试验数据的预处理包括删除异常点和对试验数据归一化处理；

步骤三、归一化试验数据聚类：对归一化试验数据使用K-Medoids聚类算法进行聚类，聚类后得到多个与聚类群落数量相同的数据类；

步骤四、划分训练数据集和测试数据集：将归一化试验数据集划分为训练数据集和测试数据集；

步骤五、训练转向路感模型：使用训练数据集和高斯过程回归算法，训练得到与数据类数量相同的多个基于K-Medoids和高斯过程回归的转向路感模型；训练模型时，模型的输入变量为车辆垂向载荷、方向盘转角、方向盘转角速度、纵向车速、车辆横向加速度、车辆横摆角速度，输出变量为方向盘力矩；

步骤六、测试转向路感模型：使用测试数据集测试得到的基于K-Medoids和高斯过程回归的转向路感模型；

步骤七、判断模型是否可接受：根据测试结果判断模型是否可接受，若模型可接受则建模成功，否则重新进行实车路采试验；

步骤八、根据得到的多个基于K-Medoids和高斯过程回归的转向路感模型进行转向路感模拟。

进一步地，在步骤一的实车试验中：试验道路类型包括高速道路、城市道路、乡村公路和市郊道路；涉及的车辆行驶工况包括直行、倒车、转弯和原地转向。

进一步地，在步骤二中，被删除的异常点包括超出正常取值范围的数据点和分布严重偏离的数据点。

所述超出正常取值范围的数据点定义为：明显不处于正常范围之内的点。如，当进行前进驾驶时，速度为负值的数据点；再如，在方向盘明显偏右边时候，测得的方向盘转角值为负的数据点。

所述分布严重偏离的数据点定义为：数据分布于相关变量数据整体若干倍标准差范围之外的点。该倍数可取但不限于取2.5倍，即若某个数据点的其中一个或几个变量的数值大于对应变量的标准差的2.5倍或小于对应变量的标准差的负2.5倍，则为分布严重偏离的数据点。

对试验数据按照下式进行归一化处理，得到归一化试验数据：

式中，i为数据编号，j为变量编号，x

优选地，在步骤三中，使用K-Medoids聚类算法进行聚类时，参与聚类的变量包括但不限于车辆垂向载荷、方向盘转角、方向盘转角速度、纵向车速、车辆横向加速度、车辆横摆角速度。

在一个具体实施例中，K-Medoids聚类算法的群落数量设置为4个。且聚类结束后可得到k＝4个聚类中心点坐标。这些坐标都是归一化后的相关变量值。

K-Medoids算法的聚类步骤为：

(1)确定所需群落个数k。在具体实施例中，群落个数k＝4；

(2)在待聚类的数据集中随机选择k个数据点作为k个类群的中心点；

(3)计算所有非中心点的数据点到上一步确定的k个中心点的欧氏距离，与数据点距离最近的中心点对应的群落就是该数据点所属群落；

(4)在每个群落中，依次选取一点，并计算该点与当前所在群落中所有其它点的欧式距离之和，所得欧式距离之和最小的点即可视为该群落新的中心点；

(5)重复(2)，(3)步骤，直到各个聚簇的中心点不再改变。

优选地，在步骤四中，划分训练数据集和测试数据集时，从归一化试验数据集中随机选择一定数量比例的数据点作为训练数据集、其它均作为测试数据集。在一优选实施例中，该比例为70％。

优选地，在步骤五中，使用训练数据集和高斯过程回归算法进行建模，训练得到与数据类数量相同的基于K-Medoids和高斯过程回归的转向路感模型，本实施例得到4个转向路感模型。训练模型时，高斯过程回归模型的输入变量包括车辆垂向载荷、方向盘转角、方向盘转角速度、纵向车速、车辆横向加速度、车辆横摆角速度；输出变量为方向盘力矩。使用同一类型的训练数据点训练所得模型与数据点所属类型相关，即某类型训练数据点对应的转向路感模型只能用于该类型数据点的方向盘力矩预测。多个类型的训练数据点训练后将得到对应的多个转向路感模型。

训练基于K-Medoids和高斯过程回归的转向路感模型时，具体步骤为：

对于高斯过程回归算法，将训练数据集表示为：

D＝(X,y)

其中：

X＝{x

y＝f(x

均值为u*，核函数为k(x

y～N[0,K(X,X)+σ

其中，K(X,X)是相应的核函数，I是相应的单位矩阵，给定一个新的数据输入x

计算出相应的后验分布y*；预测的输出y*可表达为：

y*|X,y,x

其中，

式中预测的分布的均值实际上是测试输出的估计值。

选择使用平方指数协方差函数(squared exponential covariance function,SE)，通过极大似然估计来求解核函数的超参数，包括σ

进一步地，测试基于K-Medoids和高斯过程回归的转向路感模型时，可使用但不限于使用均方误差，即MSE值，作为模型质量的评判标准。使用测试数据集测试所述基于K-Medoids和高斯过程回归的转向路感模型时，步骤为：

依次将测试数据集中的测试数据点对应的输入变量的数值输入转向路感模型，得到预测的方向盘力矩值；计算得到整个测试数据集的测试数据点预测所得方向盘力矩值与真实方向盘力矩值之间的MSE值；若MSE值小于预设的阈值γ，则认为训练所得到的基于数据驱动的转向路感模型可接受，建模成功。否则模型不可接受，需要进行补充路采试验。

该阈值γ由专家根据经验确定，在一优选实施例中，阈值γ设置为0.1。

建模完成后，还包括模型运用步骤，根据所得的多个基于K-Medoids和高斯过程回归的转向路感模型进行转向路感模拟。采集车辆实时的行驶数据作为新数据，包括车辆垂向载荷、方向盘转角、方向盘转角速度、纵向车速、车辆横向加速度、车辆横摆角速度，根据行驶数据，通过计算与k个聚类中心坐标的欧式距离，欧式距离最小的聚类中心所属数据类即为新数据所属类群。然后将行驶数据输入与所属类群对应的一个基于K-Medoids和高斯过程回归的转向路感模型，通过模型计算得到预测的方向盘力矩值，根据该方向盘力矩值控制方向盘，从而模拟逼真的路感。

由于采用上述技术方案，本发明达到以下技术效果：本发明以实车路采数据为基础，采用K-Medoids聚类算法进行聚类，并基于高斯过程回归算法进行建模，得到的转向路感模型鲁棒性好、精度高、运算速度快；根据得到的转向路感模型进行转向路感模拟，可以使驾驶员获得更加逼真的转向路感，而且实时性好，解决了传统机理建模的模型精度不高、应用过程中实时性难以保证等问题。

附图说明

图1为根据本发明基于K-Medoids和高斯过程回归的路感模拟方法中的建模步骤流程图。

图2为根据本发明的实施例中采集的郊区工况的方向盘力矩曲线(局部)。

图3为根据本发明的实施例中的模型测试数据(局部)。

具体实施方式

为了使本技术领域的人员更好地理解本发明，下面将结合实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分的实施例，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所做的等效变化与修饰前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

请参阅图1至图3，本实施例提供一种基于K-Medoids和高斯过程回归的路感模拟方法，包括建模步骤S1-S7，以及模型应用步骤。以下结合图1对建模过程的步骤S1-S7进行详细说明。

S1.进行多工况实车试验：

选取驾驶员进行实车试验，驾驶车辆在试验道路中行驶，试验道路类型包括但不限于高速道路、城市道路、乡村公路和市郊道路等；涉及的车辆行驶工况包括但不限于直行、倒车、转弯和原地转向等。

实车试验中采集的试验数据包括车辆垂向载荷、方向盘转角、方向盘转角速度、纵向车速、车辆横向加速度、车辆横摆角速度和方向盘力矩等。其中，方向盘转角、方向盘角速度、方向盘力矩使用转角扭矩传感器测得，型号为KISTLER MSW DTI sensors。纵向车速、车辆横向加速度、车辆横摆角速度由惯导系统测得，型号为OxTs RT3002。

本实施例中数据采集频率为100Hz。如图2所示，为本实施例试验中采集的郊区工况(即市郊道路行驶工况)的方向盘力矩曲线(局部)，用实际的方向盘力矩-数据编号曲线表示。

S2.试验数据预处理：

数据预处理包括删除异常点、对试验数据归一化处理。被删除的异常点包括超出正常取值范围的数据点和分布严重偏离的数据点。对试验数据删除异常点的方式可以是人工删除，或者采用低通滤波器进行滤波。

本实施例中，对采集的试验数据按照下式进行归一化处理，得到归一化试验数据。归一化公式可采用但不限于采用下式：

式中，i为数据编号，j为变量编号，x

经过预处理后，得到归一化试验数据集。

S3.归一化数据聚类

对归一化试验数据使用K-Medoids聚类算法进行聚类，本实施例聚类后得到4个与聚类群落数量相同的数据类。

使用K-Medoids聚类算法进行聚类时，参与聚类的变量包括但不限于车辆垂向载荷、方向盘转角、方向盘转角速度、纵向车速、车辆横向加速度、车辆横摆角速度。方向盘力矩可以不参与聚类。

K-Medoids算法的聚类步骤为：

(1)确定所需群落个数k。群落个数设置为k＝4；

(2)在待聚类的数据集中随机选择k个数据点作为k个类群的中心点；

(3)计算所有非中心点的数据点到上一步确定的k个中心点的欧氏距离，与数据点距离最近的中心点对应的群落就是该数据点所属群落；

(4)在每个群落中，依次选取一点，并计算该点与当前所在群落中所有其它点的欧式距离之和，所得欧式距离之和最小的点即可视为该群落新的中心点；

(5)重复(2)，(3)步骤，直到各个聚簇的中心点不再改变。

本实施例中，K-Medoids算法中确定群落数量为4个。

在进行新数据的预测时，计算得到新数据与距离中心坐标的欧式距离，欧式距离最小的聚类中心对应的数据类即为新数据所属类群。

S4.划分训练数据集合测试数据集

划分训练数据集和测试数据集时，从归一化试验数据集中随机选择70％的数据点作为训练数据集、其它均作为测试数据集。训练数据集中数据点数量与测试数据集中数据点数量比例为7:3。将聚类处理后的训练数据集称为聚类后训练数据集；将聚类处理后的测试数据集称为聚类后测试数据聚集。

S5.训练转向路感模型：

使用聚类后训练数据集和高斯过程回归算法进行建模，训练得到与数据类数量相同的多个基于K-Medoids和高斯过程回归的转向路感模型，本实施例得到4个转向路感模型。训练模型时，高斯过程回归模型的输入变量包括车辆垂向载荷、方向盘转角、方向盘转角速度、纵向车速、车辆横向加速度、车辆横摆角速度；输出变量为方向盘力矩。使用同一类型的训练数据点训练所得模型与数据点所属类型相关，即某类型训练数据点对应的转向路感模型只能用于该类型数据点的方向盘力矩预测。本实施例由4个类型的训练数据点训练后将得到对应的4个转向路感模型。

训练基于K-Medoids和高斯过程回归的转向路感模型时，具体步骤为：

将训练数据集表示为：

D＝(X,y)

其中：

X＝{x

y＝f(x

均值为u*，核函数为k(x

y～N[0,K(X,X)+σ

其中，K(X,X)是相应的核函数，I是相应的单位矩阵，给定一个新的数据输入x

计算出相应的后验分布y*；预测的输出y*可表达为：

y*|X,y,x

其中，

式中预测的分布的均值实际上是测试输出的估计值。

选择使用平方指数协方差函数SE，通过极大似然估计来求解核函数的超参数，包括σ

本实施例使用惠普Z1 G6工作站进行训练，4个转向路感模型的训练总耗时为10分钟23秒。

S6.测试转向路感模型：

测试基于K-Medoids和高斯过程回归的转向路感模型时，使用聚类后测试数据集对所得基于K-Medoids和高斯过程回归的转向路感模型进行测试的步骤为：依次将测试数据集中的测试数据点对应的输入变量的数值输入转向路感模型，得到预测的方向盘力矩值；计算得到整个测试数据集的测试数据点预测所得方向盘力矩值与真实方向盘力矩值之间的MSE值；若MSE值小于预设的阈值γ，则认为训练所得到的基于数据驱动的转向路感模型可接受，建模成功。本实施例中，如图3所示，其表示模型测试曲线(局部)，由图可知在0-200s的时间段内，模拟的方向盘力矩-时间曲线(sim)与实际的方向盘力矩-时间曲线(real)基本重合，MSE值为0.0923。

S7.判断模型是否可接受

根据测试结果即模型精度判断模型是否可接受，若模型可接受则建模成功，否则重新进行实车路采试验。经过步骤S6测试所得MSE值＝0.0923，小于专家预设的阈值γ＝0.1，所得基于K-Medoids和高斯过程回归的转向路感模型的精度达到要求，模型可接受，不需要重新进行路采试验或者补充路采试验。

模型应用步骤：

建模完成后，根据本发明的路感模拟方法，还包括模型应用步骤：根据所得基于K-Medoids和高斯过程回归的转向路感模型进行路感模拟。将所得4个基于K-Medoids和高斯过程回归的转向路感模型输入驾驶模拟器中，在驾驶模拟器上进行仿真驾驶试验时，实时采集模拟车辆的车辆垂向载荷、方向盘转角、方向盘转角速度、纵向车速、车辆横向加速度、车辆横摆角速度等行驶状态参数，根据K-Medoids聚类算法计算得到与k个聚类中心坐标的欧式距离，欧式距离最小的聚类中心所属数据类即为新数据所属类群。然后将行驶状态参数对应变量作为输入变量输入与所属类群对应的转向路感模型中，通过基于K-Medoids和高斯过程回归的转向路感模型计算得到方向盘力矩值，根据方向盘力矩值实时控制方向盘，从而模拟更加逼真的路感。经过试验证明，本发明建立的转向路感模型性能稳定、精度高、运算速度快，在一定程度上克服了已有技术的缺陷。

以上所述仅为本发明较佳的实施方式，并非用以限定本发明的保护范围；同时，以上的描述对于相关技术领域中具有通常知识者应可明了并据以实施，因此其他未脱离本发明所揭露概念下所完成之等效改变或修饰，都应涵盖在本发明的保护范围之内。