基于注意力增强与物理信息引导的长短期记忆网络,用于智能车辆的横摆角预测
《Engineering Applications of Artificial Intelligence》:Attention-enhanced physics-informed long short-term memory for roll angle prediction of intelligent vehicle
【字体:
大
中
小
】
时间:2026年03月24日
来源:Engineering Applications of Artificial Intelligence 9.0
编辑推荐:
卢晓冉|刘海涛|杜国东|邹远|张旭东
中国北京100081,北京工业大学机械工程学院,电动汽车国家工程实验室
摘要
多轴智能轮式车辆的侧倾角变化是车辆安全控制系统中的关键因素。然而,传统动态模型在非稳态条件下存在较大误差,且由于自由度较高而计算复杂。同时,数据驱动的
卢晓冉|刘海涛|杜国东|邹远|张旭东
中国北京100081,北京工业大学机械工程学院,电动汽车国家工程实验室
摘要
多轴智能轮式车辆的侧倾角变化是车辆安全控制系统中的关键因素。然而,传统动态模型在非稳态条件下存在较大误差,且由于自由度较高而计算复杂。同时,数据驱动的深度学习网络在数据丢失或零样本情况下往往表现不佳。为提高各种工况下的侧倾角识别精度,本文提出了一种基于注意力机制的物理信息长短期记忆网络(Attention-PI-LSTM)。该深度学习神经网络在存在传感器噪声或数据丢失的情况下仍能保持较好的数值预测性能,即便训练数据中存在零样本部分,其预测功能仍能维持可接受的准确度。该算法通过利用从四轴智能轮式车辆采集的真实数据进行的仿真得到了验证。首先建立了考虑转向时轴载传递的车辆侧倾角动力学模型;其次,基于该动力学模型设计了具有物理信息损失函数的物理信息长短期记忆网络;最后,在PI-LSTM算法中引入注意力机制,为序列输入数据分配权重。实验结果表明,与常规深度学习神经网络相比,所提出的Attention-PI-LSTM算法的确定系数R2提高了27.4%,且在数据丢失和零样本条件下,其识别精度分别保持在0.651和0.694。
引言
智能轮式车辆是智能交通和运输系统中的重要组成部分。诸如自动驾驶卡车之类的重型智能轮式车辆被广泛用于物资运输和地形探测等领域。某些智能轮式车辆即使在越野环境中也能保持高速行驶能力,部分平台的最大越野速度可达40公里/小时(Zeng等人,2024a)。大多数智能轮式车辆采用线控组件,通过用驱动电机和电力系统组件替代传统的机械传动系统,实现了对驾驶、制动和转向系统的独立控制,从而使车辆具备远程控制模式和自动驾驶模式两种智能驾驶模式。这些智能驾驶模式取代了传统的人类驾驶员,意味着驾驶员的体力限制不再成为限制轮式车辆高速行驶的因素,智能轮式车辆的动力性能和操控性得到了显著提升(Li等人)(Xu等人,2024)(Zhang等人,2024a)。由于这些优势,智能轮式车辆被广泛应用于地质勘探、消防、救灾和野外救援等极端应用场景(Jiang等人,2024)。
随着直接横摆力矩控制和主动悬架侧倾稳定性控制等高性能控制算法的发展,这些算法整合了纵向、横向和垂直方向的动力学特性,进一步提升了无人轮式车辆平台的机动性和动态性能(Lu等人,2023)。在控制算法的开发过程中,车辆平台的参考状态主要是基于车辆动力学模型计算的,而实际运行状态则是通过融合传感器测量数据来分析的。车辆动力学模型和传感器的准确性直接影响着车辆的控制能力和安全性(Rjabt?ikov等人,2023)。因此,研究高精度的智能轮式车辆动态行为状态估计方法具有重要意义。
在车辆动力学模型分析方法方面,学者们通过逐步增加模型中的自由度进行了大量研究。最简化的动态模型仅计算车辆绕z轴的横摆率,Nicola通过直接和间接转向控制方法减少了车辆完成圆形轨迹所需的时间(Bianco等人,2019)。Jonathon建立了横向轮胎滑移模型,并应用了非线性模型预测控制算法,通过可控漂移扩展了紧急操控的可行区域(Goh等人,2024)。然而,1自由度模型仅关注单一自由度下的运动,而实际上车辆运动本质上是多自由度耦合系统。Yuan使用2自由度车辆模型分析纵向加速度和转向,并应用模型预测控制算法来控制无人车辆的运动,从而提升了变道和超车时的安全性(Yuan等人,2024)。Tian建立了包含横摆率和车辆侧滑角的2自由度模型,并采用PID控制来提升转向时的横向稳定性(Tian等人,2024)。2自由度模型能够支持车辆的运动和稳定性控制,但它们大多依赖于基于人类经验的简化假设,导致无法充分分析轮胎力、载荷传递和悬架刚度等因素。为提高模型精度并增强多轴轮式车辆的仿真能力,Yu通过在6自由度车辆模型基础上增加四个轮胎的纵向和垂直自由度,开发出了14自由度动态模型,并以最小化全速行驶时间为目标优化了车辆设计参数(Yu等人,2018)。Zhang通过结合悬架刚度分析和各轴与质心之间的扭矩关系,建立了三轴轮式车辆的动态模型,并验证了该模型在时域和频域下的稳态仿真性能(Zhang等人,2018)。Zeng通过将轮胎的“魔法公式”与全车6自由度模型相结合,开发出了适用于四轴及以上车辆的动态模型,并通过仿真证明了该模型在稳态条件下的计算精度(Zeng等人,2024b)。虽然增加车辆动力学模型的自由度可以提高车辆的计算精度,但在分析非稳态动力学时仍存在明显局限性。这些模型难以计算车辆转弯时的载荷传递波动带来的影响。此外,在不同的驾驶条件下,模型参数也需要相应调整。同时,随着自由度的增加,模型的复杂度和计算需求也大幅上升,给实车应用、仿真效率以及控制算法的开发带来了挑战。
为减少车辆动力学模型带来的误差和计算负担,研究人员探索了基于数据驱动的车辆状态估计方法。Shuo将卡尔曼滤波算法与前馈神经网络相结合,展示了神经网络在车辆状态估计领域的潜力(Feng等人,2023)。Liang进一步将深度学习应用于车辆控制,开发了用于估计车辆纵向和横向速度的前馈神经网络模型,并优化了PID参数以提高驾驶平顺性(Liang等人,2022)。这些方法可以利用模拟数据建立输入变量与预测值之间的映射关系,但无法完全消除动态模型与真实车辆之间的建模误差。Lin在Keras框架下构建了神经网络,用于识别路面摩擦系数,并利用Dugoff轮胎模型提升了轮胎力分析的精度(Lin等人,2021)。尽管这项研究将真实的轮胎参数纳入了动态计算中,但网络输出的精度在很大程度上取决于动力学模型计算出的数据。为提升神经网络处理真实车辆状态的能力,Zareian利用传感器数据训练网络,并试图通过卡尔曼滤波消除数据集中的噪声和其他干扰因素(Zareian等人,2016)。然而,这类方法往往无法有效过滤失真的传感器数据,可能导致神经网络输出超出真实车辆状态的合理范围。无论是基于仿真的还是基于传感器的神经网络训练方法,都需要训练数据集具有高精度,且网络的性能受数据集规模的限制。这些方法在处理小样本场景时也面临挑战,此时网络的处理能力会受到极大限制。
综上所述,随着车辆动力学模型自由度的增加,车辆运行状态的计算变得极为复杂且计算成本高昂。为解决这一问题,一些研究人员通过各种假设简化动态模型,从而降低了车辆状态估计的计算负担,但代价是精度下降。随着神经网络技术的快速发展,基于数据驱动的车辆运行状态识别和预测方法已成为一种有前景的替代方案。与此同时,如何克服深度学习模型对训练数据集质量和数量的强烈依赖,以及如何提升其在小样本甚至零样本工况下的泛化能力,已成为将深度学习应用于车辆运行状态识别领域中亟待解决且被广泛研究的难题。
为解决车辆动力学模型计算量大以及基于神经网络的识别模型因依赖数据集而泛化能力有限的问题(Jiang等人,2025;Cai等人,2021),本文提出了一种基于自学习的多轴智能轮式车辆动力学模型,该模型基于改进的物理信息长短期记忆网络算法——注意力机制物理信息长短期记忆网络(Attention-PI-LSTM)。通过将车辆物理约束和注意力机制引入网络训练,该模型实现了物理机制与数据驱动学习的融合。首先,建立了考虑轴载传递动态效应的多轴车辆动力学模型。在该分布式驱动系统架构下,以轮胎扭矩和转向指令作为输入,该模型能够准确分析车辆的纵向和横向轮胎力、静态和动态悬架力、车辆侧倾角以及俯仰角等状态,从而提升了车辆动力学模型模拟非稳态行为的能力。其次,通过将车辆动力学的常微分方程作为物理约束条件,构建了物理信息长短期记忆网络模型。该模型的损失函数通过测量数据与物理约束共同优化,有效降低了网络对训练数据集质量和数量的过度依赖。同时,车辆动力学模型作为物理先验,有助于网络训练,从而减少了实车应用所需的计算负担。第三,在PI-LSTM网络模型中引入了注意力机制,为隐藏状态构建了可学习且可迭代优化的权重。这使得网络能够在连续时间序列数据中识别出高价值的时间步输入,从而在提升车辆侧倾角估算精度的同时,增强模型的泛化能力。本文的贡献如下:
(1)通过考虑轴载传递的动态效应,建立了多轴智能轮式车辆动力学模型,提升了车辆动力学模型在非稳态条件下的计算能力。所建立的车辆动力学模型能够在非稳态条件下高精度地计算车辆的纵向速度、横向加速度和车身侧倾角。
(2)基于多轴仿真模型和长短期记忆网络,构建了具有物理信息的神经网络,以实现多轴智能轮式车辆侧倾动态的自学习,同时在所提出的物理信息神经网络中整合了注意力机制(Attention-PI-LSTM)。利用真实车辆数据验证了所建网络的识别精度,其确定系数有了显著提升。
(3)注意力机制与物理信息算法的结合,使得该模型在处理复杂时间序列数据以及提升网络泛化能力方面表现出更强的适应性。所提出的Attention-PI-LSTM能够在传感器噪声、信号中断以及零样本驾驶条件下,依然保持准确有效的侧倾角预测功能。
本文结构如下:第二部分建立了考虑轴载传递效应的车辆动力学模型;第三部分提出了经过注意力机制改进的物理信息长短期记忆神经网络;第四部分给出了验证和分析结果;最后在第五部分对研究进行了总结。
片段摘录
智能轮式车辆动力学模型
这种全线控的8×8轮式平台允许每个驱动轮独立工作。该控制系统支持多种算法的集成,包括直接横摆力矩控制和滑模变结构控制。除了原有的前轴(轴1和轴2)可以转向外,这种新型轮式平台还具备后轴(轴4)转向以及全轴转向的功能。这些线控系统的升级提升了车辆的操控性能。
物理信息神经网络
传统的数据驱动深度学习神经网络中,损失函数是根据网络输出与数据集目标值之间的均方根误差来定义的。网络参数通过梯度下降法进行更新,以最小化这一损失,从而使得网络的输出能够接近数据集中的目标值。相比之下,物理信息神经网络(PINN)则通过在损失计算中加入额外因素来优化网络参数。
结果与验证
验证数据集包含来自4轴智能轮式车辆的车载数据。为确保所提出的算法对不同车型具有通用性,该数据集涵盖了车辆的前轮转向角、各轴的驱动力矩、纵向速度、横向加速度、俯仰角以及滚转角等信息。部分数据通过车载惯性测量单元采集,而其他数据则来自线控部件的实时反馈。
结论
本文旨在为线控多轴智能轮式车辆的状态识别提供一种准确且快速的智能学习模型,并提出了注意力PI-LSTM算法。首先,建立了考虑轴荷传递效应的车辆滚转动力学模型,以提高对车辆滚转角计算精度及通用性。其次,基于车辆动力学模型和LSTM,构建了PI-LSTM神经网络。
CRediT作者贡献声明
卢晓然:写作——审阅与编辑,写作——初稿,验证,软件,资源,方法论,研究,数据整理。刘海涛:写作——审阅与编辑,资源,研究,数据整理,概念设计。杜国东:写作——审阅与编辑,研究,资金获取,形式分析,数据整理。邹远:写作——审阅与编辑,研究,资金获取。张旭东:写作——审阅与编辑,方法论,研究,资金信息
本研究得到了中国国家自然科学基金(编号:52272410)的资助。
利益冲突声明
作者声明他们不存在任何与本文所述工作直接或间接相关的已知财务或非财务利益冲突。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号