申请/专利权人：浙江天行健智能科技有限公司

申请日：2020-12-29

公开（公告）日：2024-02-09

公开（公告）号：CN112685956B

主分类号：G06F30/27

分类号：G06F30/27;G06F30/15;G06F119/14

优先权：

专利状态码：有效-授权

法律状态：2024.02.09#授权;2021.05.07#实质审查的生效;2021.04.20#公开

摘要：本发明公开了基于CART回归树的路感模拟方法，包括以下步骤：实车数据采集试验；路采数据预处理；划分训练数据集和测试数据集；使用CART回归树算法训练基于CART回归树的路感模拟模型；测试基于CART回归树的路感模拟模型；根据所得的基于CART回归树的路感模拟模型进行路感模拟。本发明使用真实车辆采集试验数据，采用CART回归树算法进行路感模拟模型建模，得到的基于CART回归树的路感模拟模型性能稳定，精度高，运算速度快，实时性好，克服了现有技术的缺陷。

主权项：1.一种基于CART回归树的路感模拟方法，其特征在于，包括以下步骤：步骤一、实车数据采集试验：选取驾驶员进行实车试验，车辆在试验道路中行驶，采集的试验数据包括纵向车速、车辆横向加速度、车辆横摆角速度、车辆横摆角加速度、车辆垂向载荷、方向盘转角、方向盘角速度和方向盘力矩；步骤二、路采数据预处理：对试验数据去除异常点后进行归一化处理，得到归一化试验数据集；步骤三、划分训练数据集和测试数据集：将归一化试验数据集划分为训练数据集和测试数据集；步骤四、训练基于CART回归树的路感模型：使用训练数据集和CART回归树算法训练基于CART回归树的路感模拟模型时，CART回归树模型的输入变量为纵向车速、车辆横向加速度、车辆横摆角速度、车辆横摆角加速度、车辆垂向载荷、方向盘转角、方向盘角速度，输出变量为方向盘力矩；训练基于CART回归树的路感模拟模型时，具体步骤为：将CART回归树模型表示为： 其中，fx为CART回归树函数，m为大于1的正整数，I为单位矩阵，x为输入变量；数据空间被划分成了R1～Rm单元，每个单元上有一个固定的输出值cm；计算模型输出值与实际值的误差： 其中，xi为输入变量x的第i个数据，yi为实际输出值；i为大于1的正整数；假设，选择第j个输入变量xj为切分变量，所述输入变量为纵向车速、车辆横向加速度、车辆横摆角速度、车辆横摆角加速度、车辆垂向载荷、方向盘转角、方向盘角速度中的任意一个为切分变量，j为变量编号；以切分变量的取值s为切分点，得到两个区域R1，R2：R1j,s＝{x|xf≤s}；R2j,s＝{x|xf＞s}当j和s固定时，找到两个区域的代表值c1，c2使各自区间上的平方差最小，即： 式中c1，c2为区间上的平均值，即： 使用训练数据集训练CART回归树模型的工作步骤如下：1输入：训练数据集D；2输出：回归树fx；3在训练数据集所在的输入空间中，递归地将每个区域划分为两个子区域，并决定每个子区域的输出值；构建二叉决策树，步骤包括：①选择最优切分变量j与切分点s，求解： ②遍历变量j，对固定的切分变量j扫描切分点s，选择使上式达到最小值的对j,s；③用选定的对j,s划分区域并决定对应的输出值：R1j,s＝{x|xf≤s}；R2j,s＝{x|xf＞s} 式中，Nm为空间中的数据点总量；④继续对两个子区域调用步骤1和2，直至循环次数达到上限值，循环次数上限值为20；⑤将输入空间划分为M个区域R1,R2,...,RM，生成决策树；步骤五、测试基于CART回归树的路感模型：使用测试数据集测试得到的基于CART回归树的路感模拟模型；步骤六、判断模型是否可接受：若模型可接受则建模成功，否则重新进行实车路采试验试验；步骤七、根据所得的基于CART回归树的路感模拟模型进行路感模拟。

全文数据：

权利要求：

百度查询： 浙江天行健智能科技有限公司 基于CART回归树的路感模拟方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD