本申请公开了一种履带车辆行驶状态预测模型训练方法、预测方法及产品,涉及履带车辆智能驾驶技术领域,首先获取履带车辆的量测向量数据和可测控制向量数据;将可测控制向量数据输入训练好的传动‑履带模型,得到实际控制向量数据;获取履带车辆的上一时刻的状态向量数据,依次计算状态向量数据和量测向量数据的先验估计,得到先验状态估计和先验量测估计;将先验状态估计、先验量测估计和实际控制向量数据转换为差分序列;利用差分序列训练循环神经网络,得到履带车辆行驶状态预测模型。本申请将具有良好非线性拟合特性的神经网络结合到卡尔曼滤波算法中,实现对强非线性系统的有效状态估计,融入卡尔曼滤波状态估计原理,减少神经网络的待学习参数。
背景技术
随着传感与控制等技术的发展,履带车辆作为一种重要的特种车辆正在向智能化发展。由于行驶在复杂多变的地面上,履带车辆行驶状态快速变化,可能出现转向侧滑甚至侧翻等危险工况,所以为了实现高精度且安全的行驶控制,需要获得可信度高的履带车辆行驶状态。虽然GNSS和IMU等传感器可以直接测量位置、横摆角速度和加速度等状态量,但由于履带车辆大多行驶于存在砂石、雨水和颠簸的恶劣越野环境,传感器噪声不可忽略,所以有必要使用状态估计方法来获取准确可靠的行驶状态。
目前,基于机理模型的状态估计方法,如卡尔曼滤波及其变种,这类估计方法需要先建立履带车辆的运动学或动力学模型再结合传感器信息来进行状态估计,适用于可建模的线性或弱非线性系统,而履带车辆行驶时存在各方向之间的动力学耦合,各方向状态变量耦合明显,运动非线性强。履带受力模型由于基于地面剪切位移的建模通常会用到对时间和位置的积分,非线性强。同时,由于履带车辆行驶地面条件的剧烈变化和随机扰动会导致车辆标称模型和实际被控对象之间失配。强非线性和模型失配导致基于机理模型的状态估计方法效果不佳。基于数据驱动的状态估计方法无需建立复杂的高精度模型,而是通过数据来学习系统输入输出之间的关系,适用性好,但是缺乏可解释性,同时黑箱特性会导致待学习参数多,训练时间长。
实现思路