基于K-Medoids和分类回归树的路感模拟方法

技术领域

本发明涉及车辆领域，具体涉及一种基于K-Medoids和分类回归树的路感模拟方法。

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”。因此，一个不可或缺的功能就是提供较为逼真的路感或称“模拟路感”，从而保证驾驶员能够通过该模拟路感也可获得必要的车辆行驶状态和行驶环境信息，以便使驾驶员理性驾驶并保证行驶安全(对采用线控转向系统的车辆而言)或让驾驶员行为更为真实(对驾驶模拟器而言)。

如何模拟出上述“较为逼真的路感”称为路感建模。目前，主要的路感建模方法是使用机理的建模方法。这种方法需要整定的参数较多，且与实测的转向路感相比其模拟精度不高。专利公开号为CN110606121A、名称为“一种线控转向路感模拟控制方法”的中国专利公开了一种方向盘反馈力的控制系统。该专利提出通过动力学构建转向负载模型并计算转向阻力矩，其建模方法就属于机理建模。

发明内容

本发明的目的在于提供一种基于K-Medoids和分类回归树的路感模拟方法，以实车试验数据、K-Medoids聚类算法和CART回归树算法进行建模，获得基于K-Medoids和CART回归树的路感模拟模型，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和分类回归树的路感模拟方法，包括以下步骤：

步骤一、进行实车试验并采集数据：驾驶员驾驶车辆在试验道路中行驶，采集的试验数据包括车辆纵向速度、车辆横向加速度、车辆横摆角速度、车辆垂向载荷、方向盘转角、方向盘角速度和方向盘力矩；

步骤二、试验数据预处理：对试验数据去除异常点后进行归一化处理，得到归一化试验数据集；

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，聚类后得到与聚类群落数量相同个数的数据类；

步骤四、划分训练和测试数据集：将归一化试验数据集划分为训练数据集和测试数据集，得到聚类后训练数据集和聚类后测试数据集；

步骤五、训练并测试路感模型：使用聚类后训练数据集和CART回归树算法，训练模型时，模型的输入变量包括车辆纵向速度、车辆横向加速度、车辆横摆角速度、车辆垂向载荷、方向盘转角、方向盘角速度；输出变量为方向盘力矩，训练得到与数据类数量相同的基于K-Medoids和CART回归树的路感模拟模型；使用测试数据集测试得到的基于K-Medoids和CART回归树的路感模拟模型；

步骤六、判断所得路感模型是否满足要求：根据所得路感模型的精度，判断模型是否满足要求；

步骤七、根据得到的基于K-Medoids和CART回归树的路感模拟模型进行路感模拟。

进一步地，实车试验中涉及的道路路面类型包括高速道路、城市道路、乡村公路和郊区公路；实车试验中涉及的车辆行驶工况包括直行、倒车、转弯、原地转向、上坡和下坡。

进一步地，在步骤二中，被去除的异常点包括超出正常取值范围的数据点、分布严重偏离的数据点和变化幅度超出正常范围的数据点。

所述超出正常取值范围的数据点的定义为：明显不处于正常范围之内的点。如，某次试验中，最高车辆纵向速度仅为50km/h，则该次试验所采数据集中，车辆纵向速度大于50km/h的数据点均为超出正常范围的数据点。

所述分布严重偏离的数据点的定义为：数据分布于相关变量数据a倍标准差范围之外的点。即，计算某次试验中所采各个变量数据的标准差，若某数据点的一个或几个变量值大于相关变量标准差的3.5倍或小于相关变量标准差的负3.5倍，则称其为分布严重偏离的点。

所述变化幅度超出正常范围的数据点的定义为：预设各个变量在正常情况下的最大瞬间变化幅值，若实际试验数据集中，某个数据点的其中一个或几个变量数值相对于前一个数据点的对应变量数值的差值绝对值大于相关变量的最大瞬间变化幅值，则为变化幅度超出正常范围的点。如，进行使用小型乘用车进行高速驾驶试验时，专家确认方向盘力矩的最大瞬间变化幅值为0.5N，则方向盘力矩值与前一数据点之间的差值绝对值大于0.5N的数据点均为变化幅度超出正常范围的点。

进一步地，在步骤二中，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纵向速度、车辆横向加速度、车辆横摆角速度、车辆垂向载荷、方向盘转角和方向盘角速度，群落数量k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％，即训练数据集中的数据点数量与测试数据集中的数据点数量比为7:3。

优选地，在步骤五中，使用聚类后训练数据集和CART回归树算法进行建模，训练得到与数据类数量(也是聚类的群落数量)相同的k个基于K-Medoids和CART回归树的路感模拟模型。训练模型时，CART回归树模型的输入变量包括车辆纵向速度、车辆横向加速度、车辆横摆角速度、车辆垂向载荷、方向盘转角、方向盘角速度；输出变量为方向盘力矩。训练模型时，使用属于不同群落的训练模型训练得到与相关群落对应的力感模型，且该模型仅可对相关群落的点进行预测，否则难以保证预测精度。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路感模拟模型只能用于该类型数据点的方向盘力矩预测。在本发明的实施例中，经过训练，k＝4个类型的训练数据点训练后将得到对应的k＝4个路感模拟模型。

训练基于K-Medoids和CART回归树的路感模拟模型时，具体步骤如下：

将CART回归树模型表示为：

其中，f(x)为CART回归树函数，m为大于1的正整数，I为单位矩阵，x为输入变量；数据空间被划分成了R

计算模型输出值与实际值的误差：

其中，x

假设，选择第j个输入变量x

R

当j和s固定时，找到两个区域的代表值c

式中c

使用训练数据集训练CART回归树模型的工作步骤如下：

1)输入：训练数据集D；

2)输出：回归树f(x)；

3)在训练数据集所在的输入空间中，递归地将每个区域划分为两个子区域，并决定每个子区域的输出值；构建二叉决策树，步骤包括：

①选择最优切分变量j与切分点s，求解：

②遍历变量j，对固定的切分变量j扫描切分点s，选择使上式达到最小值的对(j,s)；

③用选定的对(j,s)划分区域并决定对应的输出值：

R

式中，N

④继续对两个子区域调用步骤(1)和(2)，直至循环次数达到上限值；

⑤将输入空间划分为M个区域R

在本发明的一个具体实施例中，使用训练数据集训练CART回归树模型时，循环次数上限值设置为20，即最大树深度为20。

进一步地，测试基于K-Medoids和CART回归树的路感模拟模型时，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CART回归树的路感模拟模型时，步骤为：

1)依次取出测试数据集中的测试数据点，将该测试数据点对应的车辆纵向速度、车辆横向加速度、车辆横摆角速度、车辆垂向载荷、方向盘转角和方向盘角速度作为输入变量，输入与该测试数据点所属数据类对应的基于K-Medoids和CART回归树的路感模型，得到预测的方向盘力矩值；

2)计算对于测试数据集的整体，预测所得方向盘力矩数据组与真实方向盘力矩数据组之间的MSE值；

判断所得路感模型是否满足要求时：若MSE值大于阈值α，则认为所建立的基于K-Medoids和CART回归树的路感模拟模型可接受，否则不可接受。该阈值α由专家根据经验确定，在一优选实施例中，阈值α设置为0.2。

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CART回归树的路感模拟模型进行路感模拟。采集车辆实时的行驶数据作为新数据，包括车辆纵向速度、车辆横向加速度、车辆横摆角速度、车辆垂向载荷、方向盘转角、方向盘角速度，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CART回归树的路感模拟模型，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CART回归树算法进行建模，其数据采集便捷，建模过程易实施，所得模型精度更高；根据本发明得到的路感模拟模型进行路感模拟，可以获得逼真的转向路感，一定程度上解决了传统机理建模方法的精度不高、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和分类回归树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低速工况下的方向盘转角曲线(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和分类回归树的路感模拟方法，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.进行实车试验并采集数据：

选取驾驶员进行实车试验，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、乡村公路和郊区公路；涉及的车辆行驶工况包括直行、倒车、转弯、原地转向、上坡和下坡。

采集的试验数据包括车辆纵向速度、车辆横向加速度、车辆横摆角速度、车辆垂向载荷、方向盘转角、方向盘角速度和方向盘力矩等。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。车辆纵向速度、车辆横向加速度、车辆横摆角速度等其他数据由惯导系统测得，型号为OxTs RT3002。本实施例中数据采集频率为100Hz。车辆行驶总里程为128公里，总试验时长3小时左右。

如图2所示，为本实施例试验中采集的低速工况下的方向盘转角曲线(局部)，用实际的方向盘转角(°)-时间(s)曲线表示，在140s时间内，方向盘转角幅度为-500°至500°。

S2.试验数据预处理：

处理试验数据包括去除异常点、数据归一化。被去除的异常点包括超出正常取值范围的数据点、分布严重偏离的数据点和变化幅度超出正常范围的数据点。对试验数据去除异常点的方式可以是人工去除，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.归一化试验数据聚类

本实施例对归一化试验数据使用K-Medoids聚类算法进行聚类，聚类群落数量设置为k＝4，聚类后得到k＝4个聚类中心坐标，以及与k＝4个聚类中心坐标对应的4个数据类。这些聚类中心坐标都是归一化后的相关变量值。

参与聚类的变量包括但不限于车辆纵向速度、车辆横向加速度、车辆横摆角速度、车辆垂向载荷、方向盘转角、方向盘角速度。本实施例中，采用K-Medoids对归一化的试验数据进行聚类时，需要设置聚类群落数量k＝4，且聚类结束后可得到k＝4个聚类中心点坐标。K-Medoids算法的聚类步骤如下：

(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。

S4.划分训练数据集合测试数据集

划分训练和测试数据集时，从归一化试验数据集中随机选择一定比例的数据点作为训练数据集、其它均作为测试数据集。本实施例中该比例为70％，即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。将聚类后的训练数据集称为聚类后训练数据，将聚类后的测试数据集称为聚类后测试数据集。

S5.训练基于K-Medoids和CART回归树的路感模型：

使用训练数据集和CART回归树算法进行建模，训练得到与数据类数量相同的基于K-Medoids和CART回归树的路感模拟模型，本实施例得到与4个聚类中心(即4个数据类)对应的4个路感模拟模型。训练模型时，CART回归树模型的输入变量包括车辆纵向速度、车辆横向加速度、车辆横摆角速度、车辆垂向载荷、方向盘转角、方向盘角速度；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路感模拟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个路感模拟模型。

训练基于K-Medoids和CART回归树的路感模拟模型时，具体步骤如下：

将CART回归树模型表示为：

其中，f(x)为CART回归树函数，m为大于1的正整数，I为单位矩阵，x为输入变量；数据空间被划分成了R

计算模型输出值与实际值的误差：

其中，x

假设，选择第j个输入变量x

R

当j和s固定时，找到两个区域的代表值c

式中c

使用训练数据集训练CART回归树模型的工作步骤如下：

1)输入：训练数据集D；

2)输出：回归树f(x)；

3)在训练数据集所在的输入空间中，递归地将每个区域划分为两个子区域，并决定每个子区域的输出值；构建二叉决策树，步骤包括：

①选择最优切分变量j与切分点s，求解：

②遍历变量j，对固定的切分变量j扫描切分点s，选择使上式达到最小值的对(j,s)；

③用选定的对(j,s)划分区域并决定对应的输出值：

R

式中，N

④继续对两个子区域调用步骤(1)和(2)，直至循环次数达到上限值；在本实施例中，循环次数上限值设为20，即最大树深度为20。

⑤将输入空间划分为M个区域R

本实施例使用惠普Z1G6工作站进行训练，4个路感模型的训练总耗时为5小时32分钟。

S6.测试基于K-Medoids和CART回归树的路感模型：

使用测试数据集对所得基于K-Medoids和CART回归树的路感模拟模型进行测试的步骤为：

1)依次取出测试数据集中的测试数据点，将该测试数据点对应的车辆纵向速度、车辆横向加速度、车辆横摆角速度、车辆垂向载荷、方向盘转角和方向盘角速度作为输入变量，输入与该测试数据点所属数据类对应的基于K-Medoids和CART回归树的路感模型，得到预测的方向盘力矩值；

2)计算对于测试数据集的整体，预测所得方向盘力矩数据组与真实方向盘力矩数据组之间的均方误差，即MSE值；

判断所得路感模型是否满足要求：若MSE值大于阈值α，则认为所建立的基于K-Medoids和CART回归树的路感模拟模型可接受，否则不可接受。

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，实线)与实际的方向盘力矩-时间曲线(real，虚线)基本重合，MSE值为0.11645。

S7.判断所得路感模型是否满足要求

测试所得MSE值＝0.11645，远小于专家预设的阈值α＝0.2，所得模型满足精度要求，模型可接受，不需要进行补充路采试验。

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CART回归树的路感模拟模型进行路感模拟。将所得4个基于K-Medoids和CART回归树的路感模拟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纵向速度、车辆横向加速度、车辆横摆角速度、车辆垂向载荷、方向盘转角、方向盘角速度等行驶状态参数，根据行驶数据，通过计算与k＝4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路感模拟模型中，通过基于K-Medoids和CART回归树的路感模拟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。试验证明，本发明建立的路感模拟模型性能稳定、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。