(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 202111353606.X (22)申请日 2021.11.16 (71)申请人 武汉未来幻影科技有限公司 地址 430074 湖北省武汉市东湖新 技术开 发区光谷二路219号鼎杰孵化园4栋 301室 (72)发明人 李斌锋　孙元杰　 (74)专利代理 机构 北京众达德权知识产权代理 有限公司 1 1570 专利代理师 彭博 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/06(2006.01) G06N 3/08(2006.01)G06F 119/14(2020.01) (54)发明名称 一种基于阻力因素的停车制动距离模拟计 算方法 (57)摘要 本发明提供了一种基于阻力因素的停车制 动距离模拟计算方法， 包括： 通过汽车制动测试 系统， 对待测车辆在不同阻力因素下的制动距离 进行测试得到制动距离样本， 并在测试过程中采 集阻力因素样本； 筛选所述制动距离样本和所述 阻力因素样本， 作为训练样本集； 将所述训练样 本集进行分类， 构建神经网络模型， 提取出数据 中有效的隐藏特征， 调整模型参数， 优化预测精 度， 直至模型内部参数收敛， 得到训练完成的神 经网络模型， 作为制动距离模型； 将预测阻力因 素样本输入 所述制动距离模型， 得到预测制动距 离。 权利要求书1页 说明书4页 附图2页 CN 114936503 A 2022.08.23 CN 114936503 A 1.一种基于阻力因素的停车制动距离模拟计算方法， 其特 征在于， 包括： 通过汽车制动测试系统， 对待测车辆在不同阻力因素下的制动距离进行测试得到制动 距离样本， 并在测试 过程中采集阻力因素样本； 筛选所述制动距离样本和所述阻力因素样本， 作为训练样本集； 将所述训练样本集进行分类， 构建神经网络模型， 提取出数据中有效的隐藏特征， 调整 模型参数， 优化预测精度， 直至模型内部参数收敛， 得到训练完成的神经网络模型， 作为制 动距离模型； 将预测阻力因素样本 输入所述制动距离模型， 得到预测制动距离； 其中， 所述阻力因素样本由风阻值、 地 面摩擦力和路面坡度值计算获得。 2.根据权利要求1所述的基于阻力因素的停车制动距离模拟计算方法， 其特征在于， 所 述制动距离样本和所述阻力因素样本分别在、 25℃和45℃三种温度下进行采集。 3.根据权利要求1或2所述的基于阻力因素的停车制动距离模拟计算方法， 其特征在 于， 所述神经网络模型为 三层神经网络模型。 4.根据权利要求3所述的基于阻力因素的停车制动距离模拟计算方法， 其特征在于， 所 述神经网络模型包括： 确定三层BP神经网络的输入层神经元向量， 所述输入层神经元向量为预测阻力因素样 本； 将所述输入层向量映射到隐层， 隐层的神经 元为m个； 得到输出层神经 元向量， 所述输出层神经 元向量为制动距离 。 5.根据权利要求4所述的基于阻力因素的停车制动距离模拟计算方法， 其特征在于， 所 述阻力因素样本计算包括： 获取风阻值、 地 面摩擦力和路面坡度值的对应关系； 根据路面坡度值， 计算坡度阻力值。 6.根据权利要求5所述的基于阻力因素的停车制动距离模拟计算方法， 其特征在于， 所 述坡度阻力值计算公式为： Fj＝ δ·mg sinα； 其中， Fj为坡度阻力值， δ 为质量 转换系数， m为汽车质量， g为重力系数， α 为坡度阻力值. 7.根据权利要求6所述的基于阻力因素的停车制动距离模拟计算方法， 其特征在于， 还 包括对输入层神经 元向量进行归一 化， 所述归一 化计算公式为： 其中， 为归一化的第j项输入层神经元向量， oj分别为输入层神经元向量： 风阻、 地面 摩擦力和坡度阻力值， j＝1,2,3； ojmax和ojmin分别为对 应输入层神经元向量中的设定的最大 值和最小值。 8.根据权利要求4或5所述的基于阻力因素的停车制动距离模拟计算方法， 其特征在 于， 所述隐层的神经 元为3个。 9.根据权利要求8所述的基于阻力因素的停车制动距离模拟计算方法， 其特征在于， 所 述隐层及所述输出层的激励函数均采用S型函数fj(x)＝1/(1+e‑x)。权　利　要　求　书 1/1 页 2 CN 114936503 A 2一种基于阻力因素的停车制动距离模拟计算方 法 技术领域 [0001]本发明涉及汽车制动模型计算领域， 尤其涉及一种基于阻力因素的停车制动 距离 模拟计算方法。 背景技术 [0002]制动系统是一切行走车辆 的主要工作系统之一， 因为它关系到行车的安全性。 制 动距离是衡量一款车的制动性能的关键性参数之一， 它的意思就人们在车辆处于某一时速 的情况下， 从开始制动到汽车完全静止时， 车辆所开过的路程。 是汽车在一定的初速度下， 从驾驶员急踩制动踏板开始， 到汽车完全停住为止所驶过 的距离。 包括反应距离和制动距 离两个部分。 制动距离越小， 汽车的制动性能就越好。 由于它比较直观， 因此成为广泛采用 的评价制动效能的指标。 停车制动距离的模拟计算可以对汽车制动系统的模拟和改进， 提 高制动行能提供 数据参考， 良好的制动性能对保证安全性。 发明内容 [0003]本发明提供了一种基于阻力因素的停车制动距离模拟计算方法， 根据阻力因素样 本训练得到制动距离模型， 进而预测阻力因素样本输入所述制动距离模型， 得到预测制动 距离， 预测准确。 [0004]本发明提供的技 术方案为： [0005]一种基于阻力因素的停车制动距离模拟计算方法， 包括： [0006]通过汽车制动测试系统， 对待测车辆在不同阻力因素下的制动 距离进行测试得到 制动距离样本， 并在测试 过程中采集阻力因素样本； [0007]筛选所述制动距离样本和所述阻力因素样本， 作为训练样本集； [0008]将所述训练样本集进行分类， 构建神经网络模型， 提取出数据中有效的隐藏特征， 调整模型参数， 优化预测精度， 直至模型内部参数收敛， 得到训练完成的神经网络模型， 作 为制动距离模型； [0009]将预测阻力因素样本 输入所述制动距离模型， 得到预测制动距离； [0010]其中， 所述阻力因素样本由风阻值、 地 面摩擦力和路面坡度值计算获得。 [0011]优选的是， 所述制动距离样本和 所述阻力因素样本分别在、 25℃和45℃三种温度 下进行采集。 [0012]优选的是， 所述神经网络模型为 三层神经网络模型。 [0013]优选的是， 所述神经网络模型包括： [0014]确定三层BP神经网络的输入层神经元向量， 所述输入层神经元向量为预测阻力因 素样本； [0015]将所述输入层向量映射到隐层， 隐层的神经 元为m个； [0016]得到输出层神经 元向量， 所述输出层神经 元向量为制动距离 。 [0017]优选的是， 所述阻力因素样本计算包括：说　明　书 1/4 页 3 CN 114936503 A 3