(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211015026.4 (22)申请日 2022.08.23 (71)申请人 中国人民解 放军火箭军工程大 学 地址 710025 陕西省西安市灞桥区同心路2 号 (72)发明人 刘志浩　舒洪斌　于传强　陈渐伟　 周伯俊　唐圣金　刘秀钰　高蕾　 (74)专利代理 机构 西安研创天下知识产权代理 事务所(普通 合伙) 61239 专利代理师 张红哲 (51)Int.Cl. G01C 21/20(2006.01) G01C 21/34(2006.01) G01C 23/00(2006.01) G01M 1/12(2006.01)G01M 17/007(2006.01) G06F 30/20(2020.01) G06F 17/11(2006.01) G06F 17/12(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于神经网络与无迹卡尔曼滤波的多轴特 种车状态估计方法 (57)摘要 本发明公开了基于神经网络与无迹卡尔曼 滤波的多轴特种车状态估计方法， 包括步骤一： 首先利用传感器采集车辆信号数据， 形成车辆数 据信号包； 步骤二： 利用神经网络模块对传感器 信号数据进行处理， 估计伪质心侧偏角和 伪侧倾 角； 步骤三， 将所述神经网络模块所获得的伪质 心侧偏角和伪侧倾角作为 “伪测量”输入到无迹 卡尔曼模块中， 利用无迹卡尔曼模块最终得出多 轴特种车辆的质心侧偏角和侧倾角； 本方法通过 利用神经网络和无迹卡尔曼滤波两种算法对多 轴特种车辆的质心侧偏角和侧倾角两个主要控 制参数同时进行估计， 能够 有效解决强非线性系 统的问题， 具有算法精度高、 适用范围广和稳定 性好的特点。 权利要求书5页 说明书18页 附图12页 CN 115406446 A 2022.11.29 CN 115406446 A 1.基于神经网络与无迹卡尔曼 滤波的多轴特种车状态估计方法， 其特 征在于： 包括 步骤一： 首 先利用传感器采集车辆信号数据， 形成车辆数据信号包； 步骤二： 利用神经网络模块对传感器信号数据进行处理， 估计伪质心侧偏角和伪侧倾 角； 步骤三， 将所述神经网络模块所获得的伪质心侧偏角和伪侧倾角作为 “伪测量”输入到 无迹卡尔曼模块中， 利用无迹卡尔曼模块 最终得出多轴特种车辆的质心侧偏角和 侧倾角。 2.根据权利要求1所述的基于神经网络与无迹卡尔曼滤波的多轴特种车状态估计方 法， 其特征在于： 步骤一所述的传感器为设置在车身 上的传感器， 所述信号数据包括侧向加 速度信号、 纵向加速度信号、 横摆角速度传感器信号和 侧倾角速度传感器信号。 3.根据权利要求1所述的基于神经网络与无迹卡尔曼滤波的多轴特种车状态估计方 法， 其特征在于： 步骤二所述的神经网络模块的建立过程包括 S2.1在建立神经网络模型之前， 准备用于训练神经网络模型的数据集， 所述数据集包 含车辆主 要的机动状态下的数据情况； 其中所述数据集包括数据内容相同的训练集、 验证集和 测试集； S2.2建立神经网络模块的网络结构 所述神经网络模块使用全连接神经网络估计伪质心侧偏角和伪侧倾角。 4.根据权利要求3所述的基于神经网络与无迹卡尔曼滤波的多轴特种车状态估计方 法， 其特征在于： 所述的全连接神经网络包括1个输入层、 7个隐藏层和1个输出层； 其中所述输入层包括6个输入， 分别是纵向加速度、 侧向加速度、 方向盘转角、 纵向速 度、 横摆角速度、 侧倾角速度； 所述输出层为质心侧偏角和侧倾角， 且输出层的单层网络神经元个数为100， 网络训练 次数为10 0。 5.根据权利要求4所述的基于神经网络与无迹卡尔曼滤波的多轴特种车状态估计方 法， 其特征在于： 所述的全连接神经网络还 包括一个双曲正切激活函数和损失函数， 其中 所述损失函数 形式为： 式中， m为参与计算的样本数， ynn是网络模型的输出， yl是输出的标签， 惩罚项中γ是惩 罚系数， kk是权重个数， Wj为第j个权 重大小； 根据反向传播算法得到的参数梯度， 神经网络模型基于梯度下降法来更新网络 中的参 数以最小化损失函数的值， 模型参数θ 更新过程如下： 式中， θ 为参数， η为 参数的更新 率。 6.根据权利要求1所述的基于神经网络与无迹卡尔曼滤波的多轴特种车状态估计方 法， 其特征在于： 步骤三所述的无迹卡尔曼模块的设计过程包括 S3.1建立无迹卡尔曼 滤波模块的状态方程； S3.2在建立得到无迹卡尔曼滤波状态方程的基础上， 利用UKF滤波算法进行状态估计， 建立系统估计方程。权　利　要　求　书 1/5 页 2 CN 115406446 A 27.根据权利要求6所述的基于神经网络与无迹卡尔曼滤波的多轴特种车状态估计方 法， 其特征在于： 步骤S3.1所述的无迹卡尔曼 滤波模块的状态方程的建立过程包括 (1)忽略车辆纵向、 垂向和俯仰动力学特性， 忽略非簧载质量以及前后轴不同特性对车 辆特性的影响， 设车辆的簧载质量围绕车辆的侧倾中心旋转， 建立由 “自行车模型 ”和侧倾 平面模型组成的三自由度车辆侧倾模型， 包括车辆横向运动、 横摆运动以及侧倾 运动； (2)考虑三个自由度之间的耦合影响， 分别列出侧向运动的力平衡、 横摆运动的力矩平 衡以及侧倾 运动的力矩 平衡关系式： 侧向力平衡方程： 横摆力矩 平衡方程： 侧倾力矩 平衡方程： 侧向加速度： 式中， ms为簧载质量； hc为质心至侧倾轴的高度； Fyi,i＝1,2,3,4,5为侧向力； δi,i＝1, 2,3,4,5为各轴车轮转角； Iz为车辆绕z轴的转动惯量； Ix为车辆绕x轴的转动惯量； ωz为车 身横摆角速度； li,i＝1,2,3,4,5为各轴到质心的距离； g为重力加速度； Cs悬架等效侧倾阻 尼； Kr为悬架等效侧倾刚度； vy为侧向速度； vx为纵向速度； (3)忽略轮胎中非线性因素的影响， 轮胎侧向力表示 为： Fyi＝kiαi    (7) 质心侧偏角表示 为： β ＝vy/vx    (8) 结合以上公式， 可以推导出简化后的微分方程： 式中， ki,i＝1,2,3,4,5为各轴 轮胎的侧偏刚度； αi,i＝1,2,3,4,5为各轴 轮胎侧偏角； k12,k14,k15分别为2轴 、 4轴、 5轴轮胎转角与1轴的比例值。权　利　要　求　书 2/5 页 3 CN 115406446 A 3