車輛轉向非線性度估計方法及裝置與流程
1.本發明涉及自動駕駛技術領域，尤其涉及一種車輛轉向非線性度估計方法及裝置。
背景技術：
2.汽車的出現改變了人們的通行方式，大幅提高了出行效率，使得人們的生活方式更加的便捷。隨著科學的進步，技術的飛速發展，尤其是計算機的迅猛發展，使得汽車逐漸走向了智能化。智能汽車具有廣闊的市場前景，不斷成為行業的新熱點，而卡車作為物流運輸線上的重要交通工具，智能化后將解決人工駕駛過程中存在的疲勞駕駛，人工成本增高等問題，同時還能降低交通事故的發生率，具有極大的商業價值。
3.通常，智能汽車由三大部分組成，第一部分是感知，通過激光雷達、攝像頭、毫米波雷達等傳感器實時采集數據，感知周圍的環境；第二部分是決策規劃，根據感知結果，決策當前駕駛行為，并根據一定規則規劃出運動軌跡；第三部分是控制執行，通過規劃后的運動軌跡計算出可執行的油門，剎車，轉向等信號，并下發進行相應的駕駛操作。
4.在控制執行層面，橫向控制是重要的環節之一，需要結合車輛的轉向系統性能考慮規劃的運動軌跡，通過計算得到對應的轉向控制量進行控制。而卡車的轉向系統更加復雜，非線性和耦合性的特點更強，這些因素會導致控制效果下降，嚴重的可能會引發交通事故。
技術實現要素：
5.本發明提供一種車輛轉向非線性度估計方法及裝置，用以解決現有技術中由于非線性度影響以致造成自動駕駛控制效果較差的缺陷，以快速精確地評估卡車的非線性嚴重程度，提高自動駕駛控制精度。
6.本發明提供一種車輛轉向非線性度估計方法，包括：獲取待預測車輛轉向相關數據；將所述待預測車輛轉向相關數據輸入至轉向非線性預估模型中，得到所述轉向非線性預估模型輸出的非線性度預估結果；其中，所述轉向非線性預估模型是基于預先獲取的車輛轉向相關測試數據，并結合梯度下降法對預先構建的原始轉向非線性預估模型進行參數辨識得到的。
7.根據本發明提供的一種車輛轉向非線性度估計方法，轉向非線性預估模型是基于預先獲取的車輛轉向相關測試數據，并結合梯度下降法對預先構建的原始轉向非線性預估模型進行參數辨識得到的，包括：獲取車輛轉向相關測試數據，所述車輛轉向相關測試數據包括方向盤轉向角及所述方向盤轉向角對應的車輛橫擺角速度；基于所述車輛轉向相關測試數據，采用梯度下降法對預先構建的原始轉向非線性預估模型進行參數辨識，得到辨識參數，并利用所述辨識參數更新所述原始轉向非線性預估模型，得到多個初始轉向非線性預估模型；將所述車輛轉向相關測試數據中的方向盤轉向角輸入至所述初始轉向非線性預估模型中，得到模型預估橫擺角速度；根據所述模型預估橫擺角速度和所述方向盤轉向角
對應的車輛橫擺角速度，基于預設標準評價規則，得到對應各所述初始轉向非線性預估模型的評價標準；根據所述評價標準，選擇所述初始轉向非線性預估模型，得到轉向非線性預估模型。
8.根據本發明提供的一種車輛轉向非線性度估計方法，所述基于所述車輛轉向相關測試數據，采用梯度下降法對預先構建的原始轉向非線性預估模型進行參數辨識，得到辨識參數，包括：對所述車輛轉向相關測試數據進行分類，得到測試數據分類信息，所述測試數據分類信息包括對應不同類別的車輛轉向相關測試數據；根據所述測試數據分類信息，采用梯度下降法對預先構建的原始轉向非線性預估模型進行參數辨識，得到對應各類別車輛轉向相關測試數據的辨識參數，所述辨識參數包括橫擺角速度響應度和車輛非線性度。
9.根據本發明提供的一種車輛轉向非線性度估計方法，所述車輛轉向相關測試數據還包括對應所述方向盤轉向角的車速，所述對所述車輛轉向相關測試數據進行分類，得到測試數據分類信息，包括：基于傅里葉變換，將所述車輛轉向相關測試數據轉換至頻域；根據同一頻率，查對應轉換至頻域的方向盤轉向角的幅值和車輛橫擺角速度的幅值，并按照車速進行分類，得到測試數據分類信息。
10.根據本發明提供的一種車輛轉向非線性度估計方法，在得到所述測試數據分類信息之后，包括：根據預設篩選規則，對所述測試數據分類信息進行篩選，所述預設篩選規則包括所述轉換至頻域后的方向盤轉向角的主頻符合第一預設頻率范圍、所述車輛橫擺角速度的主頻符合第二預設頻率范圍以及所述主頻的幅值在整個頻域幅值的占比超過預設閾值。
11.根據本發明提供的一種車輛轉向非線性度估計方法，所述基于傅里葉變換，將所述車輛轉向相關測試數據轉換至頻域，包括：將所述車輛轉向相關測試數據按照方向盤轉向角的信號輸入進行分段；將分段后的車輛轉向相關測試數據進行傅里葉變換，以將所述車輛轉向相關測試數據轉換至頻域。
12.根據本發明提供的一種車輛轉向非線性度估計方法，所述獲取車輛轉向相關測試數據，包括：根據預設幅值范圍、預設幅值變化間隔、第三預設頻率范圍和預設頻率間隔，獲取對應的方向盤轉向角；根據所述方向盤轉向角，按預設車速，得到對應車輛橫擺角速度。
13.本發明還提供一種車輛轉向非線性度估計裝置，包括：數據獲取模塊，獲取待預測車輛轉向相關數據；結果預估模塊，將所述待預測車輛轉向相關數據輸入至轉向非線性預估模型中，得到所述轉向非線性預估模型輸出的非線性度預估結果；其中，所述轉向非線性預估模型是基于預先獲取的車輛轉向相關測試數據，并結合梯度下降法對預先構建的原始轉向非線性預估模型進行參數辨識得到的。
14.本發明還提供一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執行所述程序時實現如上述任一種所述車輛轉向非線性度估計方法的步驟。
15.本發明還提供一種非暫態計算機可讀存儲介質，其上存儲有計算機程序，該計算機程序被處理器執行時實現如上述任一種所述車輛轉向非線性度估計方法的步驟。
16.本發明還提供一種計算機程序產品，包括計算機程序，所述計算機程序被處理器執行時實現如上述任一種所述車輛轉向非線性度估計方法的步驟。
17.本發明提供的車輛轉向非線性度估計方法及裝置，基于車輛轉向相關測試數據，
并利用梯度下降法對預先構建的原始轉向非線性預估模型進行參數辨識，以得到直接表征車輛轉向非線性程度的車輛轉向非線性度參數，根據車輛轉向非線性度參數越大、車輛轉向非線性越嚴重的特性，將車輛整體的非線性作為對象，從而快速精準的評估卡車的非線性嚴重程度，以提前預防因車輛轉向非線性嚴重而引起的自動駕駛控制效果惡化的情形，進一步提高智能卡車的控制效果，提高控制精度，保障行車安全。
附圖說明
18.為了更清楚地說明本發明或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作一簡單地介紹，顯而易見地，下面描述中的附圖是本發明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。
19.圖1是本發明提供的車輛轉向非線性度估計方法的流程示意圖；
20.圖2是本發明提供的車輛轉向非線性度估計裝置的結構示意圖；
21.圖3是本發明提供的電子設備的結構示意圖。
具體實施方式
22.為使本發明的目的、技術方案和優點更加清楚，下面將結合本發明中的附圖，對本發明中的技術方案進行清楚、完整地描述，顯然，所描述的實施例是本發明一部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域普通技術人員在沒有作出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。
23.圖1示出了本發明一種車輛轉向非線性度估計方法的流程示意圖，該方法，包括：
24.s11，獲取待預測車輛轉向相關數據；
25.s12，將待預測車輛轉向相關數據輸入至轉向非線性預估模型中，得到轉向非線性預估模型輸出的非線性度預估結果；其中，轉向非線性預估模型是基于預先獲取的車輛轉向相關測試數據，并結合梯度下降法對預先構建的原始轉向非線性預估模型進行參數辨識得到的。
26.應當注意的是，在將待預測車輛轉向相關數據輸入至轉向非線性預估模型中之前，包括：基于預先獲取的車輛轉向相關測試數據，并結合梯度下降法進行模型參數辨識，得到轉向非線性預估模型。
27.具體而言，基于預先獲取的車輛轉向相關測試數據，并結合梯度下降法對預先構建的原始轉向非線性預估模型進行參數辨識，得到轉向非線性預估模型，包括：
28.sa，獲取車輛轉向相關測試數據，車輛轉向相關測試數據包括方向盤轉向角及方向盤轉向角對應的車輛橫擺角速度；
29.sb，基于車輛轉向相關測試數據，采用梯度下降法對預先構建的原始轉向非線性預估模型進行參數辨識，得到辨識參數，并利用辨識參數更新原始轉向非線性預估模型，得到多個初始轉向非線性預估模型；
30.sc，將車輛轉向相關測試數據中的方向盤轉向角輸入至初始轉向非線性預估模型中，得到模型預估橫擺角速度；
31.sd，根據模型預估橫擺角速度和方向盤轉向角對應的車輛橫擺角速度，基于預設
標準評價規則，得到對應各初始轉向非線性預估模型的評價標準；
32.se，根據評價標準，選擇初始轉向非線性預估模型，得到轉向非線性預估模型。
33.需要說明的是，本說明書中的sa-sf不代表得到轉向非線性預估模型的先后順序，下面具體描述得到轉向非線性預估模型的步驟。
34.步驟sa，獲取車輛轉向相關測試數據，車輛轉向相關測試數據包括方向盤轉向角及方向盤轉角對應的車輛橫擺角速度。
35.在本實施例中，車輛轉向相關測試數據還包括對應方向盤轉向角的車速，同一方向盤轉向角對應多個不同車速，獲取車輛轉向相關測試數據，包括：根據預設幅值范圍、預設幅值變化間隔、第三預設頻率范圍和預設頻率間隔，獲取對應的方向盤轉向角；根據方向盤轉向角，按預設車速，得到對應車輛橫擺角速度。
36.在一個可選實施例中，預設幅值范圍可以為[0.1rad,1.5rad]，預設幅值變化間隔可以為0.1rad，第三預設頻率范圍可以為[0.1hz,1hz]，預設頻率間隔可以為0.05hz。需要補充的是，在根據預設幅值范圍、預設幅值變化間隔、第三預設頻率范圍和預設頻率間隔，獲取對應的方向盤轉向角時，信號形式為正弦波，且每個幅值頻率點對應的方向盤轉向角輸入的次數不少于預設次數。本實施例中，預設次數可以根據實際設計需求或先驗經驗設置，比如為5次，此處不作進一步地限定。
[0037]
另外，預設車速可以根據預設車速范圍和預設速度間隔設置，比如預設車速范圍為0～100km/h，速度間隔為5km/h，并按照此設置調整預設車速，且在每個車速下，按照上述預設幅值范圍、預設幅值變化間隔、第三預設頻率范圍和預設頻率間隔，獲取對應的方向盤轉向角。
[0038]
舉例而言，在預設車速為30km/h、方向盤轉向角輸入幅值為0.5rad、頻率為0.2hz時的工況，將車輛保持在30km/h直線巡航，方向盤先向左打0.5rad，然后再向右打0.5rad，整個過程為5s，以模擬方向盤正弦信號輸入，再將該過程重復5次，以得到對應的方向盤轉向角及其對應的車速和車輛橫擺角速度。
[0039]
步驟sb，基于車輛轉向相關測試數據，采用梯度下降法對預先構建的原始轉向非線性預估模型進行參數辨識，得到辨識參數，并利用辨識參數更新原始轉向非線性預估模型，得到多個初始轉向非線性預估模型。
[0040]
在本實施例中，基于車輛轉向相關測試數據，采用梯度下降法對預先構建的原始轉向非線性預估模型進行參數辨識，得到辨識參數，包括：對車輛轉向相關測試數據進行分類，得到測試數據分類信息，測試數據分類信息包括對應不同類別的車輛轉向相關測試數據；根據測試數據分類信息，采用梯度下降法對預先構建的原始轉向非線性預估模型進行參數辨識，得到對應各類別車輛轉向相關測試數據的辨識參數，辨識參數包括橫擺角速度響應度和車輛非線性度。
[0041]
具體而言，對車輛轉向相關測試數據進行分類，得到測試數據分類信息，包括：基于傅里葉變換，將車輛轉向相關測試數據轉換至頻域；根據同一頻率，查對應轉換至頻域的方向盤轉向角的幅值和車輛橫擺角速度的幅值，并按照車速進行分類，得到測試數據分類信息。
[0042]
更進一步地說，基于傅里葉變換，將車輛轉向相關測試數據轉換至頻域，包括：將車輛轉向相關測試數據按照方向盤轉向角的信號輸入進行分段；將分段后的車輛轉向相關
測試數據進行傅里葉變換，以將車輛轉向相關測試數據轉換至頻域。需要說明的是，在將車輛轉向相關測試數據按照方向盤轉向角的信號輸入進行分段時，需要注意，以每次的測試信號輸入為一個段，將連續的同一頻率下的正弦信號輸入歸為同一段。另外，測試數據分類信息可以以表格或非表格形式表示，比如可以表示為車速-方向盤轉向角-橫擺角速度表。
[0043]
另外，在根據測試數據分類信息，采用梯度下降法對預先構建的原始轉向非線性預估模型進行參數辨識之前，包括：根據預設篩選規則，對測試數據分類信息進行篩選，預設篩選規則包括轉換至頻域后的方向盤轉向角的主頻符合第一預設頻率范圍、車輛橫擺角速度的主頻符合第二預設頻率范圍以及主頻的幅值在整個頻域幅值的占比超過預設閾值。應當注意，第一預設頻率范圍可以根據方向盤轉向角的實際設置需求或先驗經驗設置，第二預設頻率范圍可以根據車輛橫擺角速度的實際設計需求或先驗經驗設置，第一預設頻率范圍可以與第二預設頻率范圍相同，比如均為1hz以內，此處不作進一步地限定。另外，預設閾值可以根據實際設計需求或先驗經驗設置，比如可以為50％。
[0044]
舉例而言，假設存在車輛轉向相關測試數據，其中，車速為40km/h，方向盤轉向角輸入幅值為0.3rad。頻率為0.5hz的正弦，對應的頻域變換為方向盤轉向角信號主頻為0.57hz，幅值為0.24rad，橫擺角速度主頻為0.54hz，幅值為0.013rad，符合上述預設篩選規則，對應保留。
[0045]
應當注意的是，在基于車輛轉向相關測試數據，采用梯度下降法對預先構建的原始轉向非線性預估模型進行參數辨識之前，還包括：構建轉向非線性預估模型。在一種可能的實施方式中，利用辨識參數更新原始轉向非線性預估模型，得到多個初始轉向非線性預估模型，初始轉向非線性預估模型，表示為：
[0046][0047]
其中，ω表示車輛橫擺角速度，表示車輛方向盤轉向角，v表示車輛縱向車速，r表示車輛方向盤到輪端傳動比，k1表示橫擺角速度響應度，k2表示車輛非線性度，l表示車輛軸距。
[0048]
需要說明的是，由于卡車的轉向系統較為復雜，具有較強的非線性，因此通過利用梯度下降法對預先構建的原始轉向非線性預估模型進行參數辨識，以得到直接表征卡車轉向非線性程度的車輛轉向非線性度參數，根據車輛轉向非線性度參數越大、車輛轉向非線性越嚴重的特性，將卡車整體的非線性作為對象，從而快速精準的評估卡車的非線性嚴重程度，從而提高智能卡車的控制效果，提高控制精度，進而確保駕駛的安全性。
[0049]
步驟sc，將車輛轉向相關測試數據中的方向盤轉向角輸入至初始轉向非線性預估模型中，得到模型預估橫擺角速度。
[0050]
步驟sd，根據模型預估橫擺角速度和方向盤轉向角對應的車輛橫擺角速度，基于預設標準評價規則，得到對應各初始轉向非線性預估模型的評價標準。
[0051]
在本實施例中，預設標準評價規則表示為：
[0052]
[0053]
其中，j表示評價標準，n表示參與評價的數據組個數，nd表示單個數據組中數據的個數，ω
model
表示模型預估橫擺角速度，ω
real
表示方向盤轉向角對應的車輛橫擺角速度。
[0054]
需要說明的是，評價標準j代表參數優化的結構，j越小，表示模型預估橫擺角速度與辨識參數對應的方向盤轉向角對應的車輛橫擺角速度之間的差越小，代表模型的精度越高，車輛的非線性度預估結構的可信度越高。
[0055]
步驟se，根據評價標準，選擇初始轉向非線性預估模型，得到轉向非線性預估模型。通過評價標準，選擇對應的初始轉向非線性預估模型，作為對待預測車輛轉向相關數據進行非線性度預估的模型，該模型包含車輛非線性度k2，k2越大，表示轉向非線性越嚴重。
[0056]
綜上所述，本發明實施例通過基于車輛轉向相關測試數據，并利用梯度下降法對預先構建的原始轉向非線性預估模型進行參數辨識，以得到直接表征車輛轉向非線性程度的車輛轉向非線性度參數，根據車輛轉向非線性度參數越大、車輛轉向非線性越嚴重的特性，將車輛整體的非線性作為對象，從而快速精準的評估卡車的非線性嚴重程度，以提前預防因車輛轉向非線性嚴重而引起的自動駕駛控制效果惡化的情形，進一步提高智能卡車的控制效果，提高控制精度，保障行車安全。
[0057]
下面對本發明提供的車輛轉向非線性度估計裝置進行描述，下文描述的車輛轉向非線性度估計裝置與上文描述的車輛轉向非線性度估計方法可相互對應參照。
[0058]
圖2示出了一種車輛轉向非線性度估計裝置的結構示意圖，該裝置，包括：
[0059]
數據獲取模塊21，獲取待預測車輛轉向相關數據；
[0060]
結果預估模塊22，將待預測車輛轉向相關數據輸入至轉向非線性預估模型中，得到轉向非線性預估模型輸出的非線性度預估結果；其中，轉向非線性預估模型是基于預先獲取的車輛轉向相關測試數據，并結合梯度下降法對預先構建的原始轉向非線性預估模型進行參數辨識得到的。
[0061]
在一個可選實施例中，該裝置，還包括：模型獲取模塊，在將待預測車輛轉向相關數據輸入至轉向非線性預估模型中之前，基于預先獲取的車輛轉向相關測試數據，并結合梯度下降法對預先構建的原始轉向非線性預估模型進行參數辨識，得到轉向非線性預估模型。
[0062]
具體而言，模型獲取模塊，包括：數據獲取單元，獲取車輛轉向相關測試數據，車輛轉向相關測試數據包括方向盤轉向角及方向盤轉向角對應的車輛橫擺角速度；初始模型獲取單元，基于車輛轉向相關測試數據，采用梯度下降法對預先構建的原始轉向非線性預估模型進行參數辨識，得到辨識參數，并利用辨識參數更新原始轉向非線性預估模型，得到多個初始轉向非線性預估模型；預估單元，將車輛轉向相關測試數據中的方向盤轉向角輸入至初始轉向非線性預估模型中，得到模型預估橫擺角速度；評價單元，根據模型預估橫擺角速度和方向盤轉向角對應的車輛橫擺角速度，基于預設標準評價規則，得到對應各初始轉向非線性預估模型的評價標準；模型確定單元，根據評價標準，選擇初始轉向非線性預估模型，得到轉向非線性預估模型。
[0063]
在本實施例中，數據獲取單元，包括：第一數據獲取子單元，根據預設幅值范圍、預設幅值變化間隔、第三預設頻率范圍和預設頻率間隔，獲取對應的方向盤轉向角；第二數據獲取子單元，根據方向盤轉向角，按預設車速，得到對應車輛橫擺角速度。
[0064]
初始模型獲取單元，包括：分類子單元，對車輛轉向相關測試數據進行分類，得到
測試數據分類信息，測試數據分類信息包括對應不同類別的車輛轉向相關測試數據；辨識子單元，根據測試數據分類信息，采用梯度下降法對預先構建的原始轉向非線性預估模型進行參數辨識，得到對應各類別車輛轉向相關測試數據的辨識參數，辨識參數包括橫擺角速度響應度和車輛非線性度。
[0065]
更進一步地說，分類子單元，包括：頻域轉換孫單元，基于傅里葉變換，將車輛轉向相關測試數據轉換至頻域；分類孫單元，根據同一頻率，查對應轉換至頻域的方向盤轉向角的幅值和車輛橫擺角速度的幅值，并按照車速進行分類，得到測試數據分類信息。
[0066]
頻域轉換孫單元，包括：分段曾孫單元，將車輛轉向相關測試數據按照方向盤轉向角的信號輸入進行分段；傅里葉轉換曾孫單元，將分段后的車輛轉向相關測試數據進行傅里葉變換，以將車輛轉向相關測試數據轉換至頻域。
[0067]
另外，初始模型獲取單元，還包括：篩選子單元，根據預設篩選規則，對測試數據分類信息進行篩選，預設篩選規則包括轉換至頻域后的方向盤轉向角的主頻符合第一預設頻率范圍、車輛橫擺角速度的主頻符合第二預設頻率范圍以及主頻的幅值在整個頻域幅值的占比超過預設閾值。
[0068]
在一個可選實施例中，模型獲取模塊，還包括：模型構建單元，在基于車輛轉向相關測試數據，采用梯度下降法對預先構建的原始轉向非線性預估模型進行參數辨識之前，構建原始轉向非線性預估模型。
[0069]
綜上所述，本發明實施例通過結果預估模塊基于車輛轉向相關測試數據，并利用梯度下降法對預先構建的原始轉向非線性預估模型進行參數辨識，以得到直接表征車輛轉向非線性程度的車輛轉向非線性度參數，根據車輛轉向非線性度參數越大、車輛轉向非線性越嚴重的特性，將車輛整體的非線性作為對象，從而快速精準的評估卡車的非線性嚴重程度，以提前預防因車輛轉向非線性嚴重而引起的自動駕駛控制效果惡化的情形，進一步提高智能卡車的控制效果，提高控制精度，保障行車安全。
[0070]
圖3示例了一種電子設備的實體結構示意圖，如圖3所示，該電子設備可以包括：處理器(processor)31、通信接口(communications interface)32、存儲器(memory)33和通信總線34，其中，處理器31，通信接口32，存儲器33通過通信總線34完成相互間的通信。處理器31可以調用存儲器33中的邏輯指令，以執行車輛轉向非線性度估計方法，該方法包括：獲取待預測車輛轉向相關數據；將待預測車輛轉向相關數據輸入至轉向非線性預估模型中，得到轉向非線性預估模型輸出的非線性度預估結果；其中，轉向非線性預估模型是基于預先獲取的車輛轉向相關測試數據，并結合梯度下降法對預先構建的原始轉向非線性預估模型進行參數辨識得到的。
[0071]
此外，上述的存儲器33中的邏輯指令可以通過軟件功能單元的形式實現并作為獨立的產品銷售或使用時，可以存儲在一個計算機可讀取存儲介質中?；谶@樣的理解，本發明的技術方案本質上或者說對現有技術做出貢獻的部分或者該技術方案的部分可以以軟件產品的形式體現出來，該計算機軟件產品存儲在一個存儲介質中，包括若干指令用以使得一臺計算機設備(可以是個人計算機，服務器，或者網絡設備等)執行本發明各個實施例所述方法的全部或部分步驟。而前述的存儲介質包括：u盤、移動硬盤、只讀存儲器(rom，read-only memory)、隨機存取存儲器(ram，random access memory)、磁碟或者光盤等各種可以存儲程序代碼的介質。
[0072]
另一方面，本發明還提供一種計算機程序產品，所述計算機程序產品包括計算機程序，計算機程序可存儲在非暫態計算機可讀存儲介質上，所述計算機程序被處理器執行時，計算機能夠執行上述各方法所提供的車輛轉向非線性度估計方法，該方法包括：獲取待預測車輛轉向相關數據；將待預測車輛轉向相關數據輸入至轉向非線性預估模型中，得到轉向非線性預估模型輸出的非線性度預估結果；其中，轉向非線性預估模型是基于預先獲取的車輛轉向相關測試數據，并結合梯度下降法對預先構建的原始轉向非線性預估模型進行參數辨識得到的。
[0073]
又一方面，本發明還提供一種非暫態計算機可讀存儲介質，其上存儲有計算機程序，該計算機程序被處理器執行時實現以執行上述各方法提供的車輛轉向非線性度估計方法，該方法包括：獲取待預測車輛轉向相關數據；將待預測車輛轉向相關數據輸入至轉向非線性預估模型中，得到轉向非線性預估模型輸出的非線性度預估結果；其中，轉向非線性預估模型是基于預先獲取的車輛轉向相關測試數據，并結合梯度下降法對預先構建的原始轉向非線性預估模型進行參數辨識得到的。
[0074]
以上所描述的裝置實施例僅僅是示意性的，其中所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個地方，或者也可以分布到多個網絡單元上?？梢愿鶕嶋H的需要選擇其中的部分或者全部模塊來實現本實施例方案的目的。本領域普通技術人員在不付出創造性的勞動的情況下，即可以理解并實施。
[0075]
通過以上的實施方式的描述，本領域的技術人員可以清楚地了解到各實施方式可借助軟件加必需的通用硬件平臺的方式來實現，當然也可以通過硬件?；谶@樣的理解，上述技術方案本質上或者說對現有技術做出貢獻的部分可以以軟件產品的形式體現出來，該計算機軟件產品可以存儲在計算機可讀存儲介質中，如rom/ram、磁碟、光盤等，包括若干指令用以使得一臺計算機設備(可以是個人計算機，服務器，或者網絡設備等)執行各個實施例或者實施例的某些部分所述的方法。
[0076]
最后應說明的是：以上實施例僅用以說明本發明的技術方案，而非對其限制；盡管參照前述實施例對本發明進行了詳細的說明，本領域的普通技術人員應當理解：其依然可以對前述各實施例所記載的技術方案進行修改，或者對其中部分技術特征進行等同替換；而這些修改或者替換，并不使相應技術方案的本質脫離本發明各實施例技術方案的精神和范圍。
技術特征：
1.一種車輛轉向非線性度估計方法，其特征在于，包括：獲取待預測車輛轉向相關數據；將所述待預測車輛轉向相關數據輸入至轉向非線性預估模型中，得到所述轉向非線性預估模型輸出的非線性度預估結果；其中，所述轉向非線性預估模型是基于預先獲取的車輛轉向相關測試數據，并結合梯度下降法對預先構建的原始轉向非線性預估模型進行參數辨識得到的。2.根據權利要求1所述的車輛轉向非線性度估計方法，其特征在于，所述轉向非線性預估模型是基于預先獲取的車輛轉向相關測試數據，并結合梯度下降法對預先構建的原始轉向非線性預估模型進行參數辨識得到的，包括：獲取車輛轉向相關測試數據，所述車輛轉向相關測試數據包括方向盤轉向角及所述方向盤轉向角對應的車輛橫擺角速度；基于所述車輛轉向相關測試數據，采用梯度下降法對預先構建的原始轉向非線性預估模型進行參數辨識，得到辨識參數，并利用所述辨識參數更新所述原始轉向非線性預估模型，得到多個初始轉向非線性預估模型；將所述車輛轉向相關測試數據中的方向盤轉向角輸入至所述初始轉向非線性預估模型中，得到模型預估橫擺角速度；根據所述模型預估橫擺角速度和所述方向盤轉向角對應的車輛橫擺角速度，基于預設標準評價規則，得到對應各所述初始轉向非線性預估模型的評價標準；根據所述評價標準，選擇所述初始轉向非線性預估模型，得到轉向非線性預估模型。3.根據權利要求2所述的車輛轉向非線性度估計方法，其特征在于，所述基于所述車輛轉向相關測試數據，采用梯度下降法對預先構建的原始轉向非線性預估模型進行參數辨識，得到辨識參數，包括：對所述車輛轉向相關測試數據進行分類，得到測試數據分類信息，所述測試數據分類信息包括對應不同類別的車輛轉向相關測試數據；根據所述測試數據分類信息，采用梯度下降法對預先構建的原始轉向非線性預估模型進行參數辨識，得到對應各類別車輛轉向相關測試數據的辨識參數，所述辨識參數包括橫擺角速度響應度和車輛非線性度。4.根據權利要求3所述的車輛轉向非線性度估計方法，其特征在于，所述車輛轉向相關測試數據還包括對應所述方向盤轉向角的車速，所述對所述車輛轉向相關測試數據進行分類，得到測試數據分類信息，包括：基于傅里葉變換，將所述車輛轉向相關測試數據轉換至頻域；根據同一頻率，查對應轉換至頻域的方向盤轉向角的幅值和車輛橫擺角速度的幅值，并按照車速進行分類，得到測試數據分類信息。5.根據權利要求4所述的車輛轉向非線性度估計方法，其特征在于，在得到所述測試數據分類信息之后，包括：根據預設篩選規則，對所述測試數據分類信息進行篩選，所述預設篩選規則包括所述轉換至頻域后的方向盤轉向角的主頻符合第一預設頻率范圍、所述車輛橫擺角速度的主頻符合第二預設頻率范圍以及所述主頻的幅值在整個頻域幅值的占比超過預設閾值。6.根據權利要求4所述的車輛轉向非線性度估計方法，其特征在于，所述基于傅里葉變
換，將所述車輛轉向相關測試數據轉換至頻域，包括：將所述車輛轉向相關測試數據按照方向盤轉向角的信號輸入進行分段；將分段后的車輛轉向相關測試數據進行傅里葉變換，以將所述車輛轉向相關測試數據轉換至頻域。7.根據權利要求1所述的車輛轉向非線性度估計方法，其特征在于，所述獲取車輛轉向相關測試數據，包括：根據預設幅值范圍、預設幅值變化間隔、第三預設頻率范圍和預設頻率間隔，獲取對應的方向盤轉向角；根據所述方向盤轉向角，按預設車速，得到對應車輛橫擺角速度。8.一種車輛轉向非線性度估計裝置，其特征在于，包括：數據獲取模塊，獲取待預測車輛轉向相關數據；結果預估模塊，將所述待預測車輛轉向相關數據輸入至轉向非線性預估模型中，得到所述轉向非線性預估模型輸出的非線性度預估結果；其中，所述轉向非線性預估模型是基于預先獲取的車輛轉向相關測試數據，并結合梯度下降法對預先構建的原始轉向非線性預估模型進行參數辨識得到的。9.一種電子設備，包括存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，其特征在于，所述處理器執行所述程序時實現如權利要求1至7任一項所述車輛轉向非線性度估計方法的步驟。10.一種非暫態計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現如權利要求1至7任一項所述車輛轉向非線性度估計方法的步驟。
技術總結
本發明提供一種車輛轉向非線性度估計方法及裝置，方法包括：獲取待預測車輛轉向相關數據；將待預測車輛轉向相關數據輸入至轉向非線性預估模型中，得到轉向非線性預估模型輸出的非線性度預估結果；其中，轉向非線性預估模型是基于預先獲取的車輛轉向相關測試數據，并結合梯度下降法對預先構建的原始轉向非線性預估模型進行參數辨識得到的。本發明基于車輛轉向相關測試數據，并利用梯度下降法對預先構建的原始轉向非線性預估模型進行參數辨識，以得到直接表征車輛轉向非線性程度的車輛轉向非線性度參數，從而提前預防因車輛轉向非線性嚴重而引起的自動駕駛控制效果惡化的情形，進一步提高智能卡車的控制效果，提高控制精度，保障行車安全。保障行車安全。保障行車安全。
