买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：哈尔滨工业大学(威海)

摘要：本发明提供了一种用于松软地形中车辆脱陷的优化控制方法及系统，属于运动控制技术领域。为了解决现有车辆脱陷控制策略求解复杂、不能实时优化、难以在线应用的问题。本发明利用固定步态次数的松软地形的前进距离作为等效衡量标准，建立车辆自陷状态下执行摆动步态和复位步态过程中的控制参数函数，再使用贝叶斯优化算法作为优化控制算法，对运行过程中产生的实验数据拟合的目标函数进行不断更新，直至达到终止条件停止更新拟合函数，并恢复正常步态。本发明仅需要一个传感器，避免测量参数多且不易测量的问题，设计的脱陷策略是在以往经验基础上进行优化，运算速度快且具备良好的实时性，受外界因素影响较少，计算简单。

主权项：1.一种用于松软地形中车辆脱陷的优化控制方法，其特征在于，包括以下步骤：步骤S100，将车辆在松软地形执行固定次数步态的前进距离作为等效衡量标准，建立车辆在自陷状态下执行脱陷步态的前近距离与控制参数的目标函数，利用高斯过程对目标函数进行建模，所述控制参数包括车轮摆动过程中驱动电机转速ω11、车轮复位过程中车轮转速ω12、车轮摆动的起始角度α1、车轮摆动的终止角度α2、车轮摆动过程中摆动电机的转速ω21和车轮复位过程中的摆动电机转速ω22，包括，步骤S110，判断模型是否初已经建立高斯模型并进行过贝叶斯优化，若是，则继承使用建立的模型、优化的超参数及求解的最优解；若否，则利用高斯过程对目标函数建模，并初始化高斯过程中的参数，即跳转至下一步；步骤S120，利用高斯过程进行建模，将前进距离建立为一个关于控制参数的六维的平稳随机过程作为先验函数，如下式：fl～GPμ,K式中，GP为高斯过程；fl为目标函数；l为控制量向量；μ为随机过程的均值函数；K为随机过程的核函数；步骤S130，根据目标函数的结构特点设定高斯过程中的均值函数及和核函数，并初始化相应的超参数，包括，步骤S131，在没有特殊先验知识的情况下，将均值函数选用为常值，其初始化为0；步骤S132，随机过程的核函数为Matern核函数，如下式： 式中，为光滑度参数；Γ为关于的伽玛函数；为阶的贝塞尔函数；||x- x’||为控制参数向量之间的距离；x和x'表示控制参数向量； 步骤S133，在高斯过程回归过程对超参数进行优化，利用采样方法预先选择多组控制参数组合观测运行距离建立数据集；步骤S200，使用贝叶斯优化算法作为优化控制算法，利用采集函数求解步骤S100建立的目标函数的最优解，将车辆的运行参数设置为最优控制参数执行脱陷步态，收集车辆的移动距离数据，利用采集的车辆的移动距离数据及相应的控制参数对目标函数中的参数进行迭代优化，直至目标函数期望行驶距离和车辆实际行驶距离的差值达到阈值以及相邻两次车辆实际行驶距离的差值达到阈值时，结束目标函数中参数的迭代，持续以此时的最优控制参数运行，包括，步骤S210，进行高斯回归过程，贝叶斯优化算法根据输入控制参数及相应的车辆前进距离利用算法优化高斯过程中的超参数，选用L-BFGS-B方法进行超参数优化，计算公式如下： 式中，ηi表示迭代第i次的超参数，包含μ、、α0；αi为步长调节因子；为目标函数关 于控制参数的一阶向量梯度；Hi为第i次迭代时的正Hessian矩阵，根据L-BFGS理论计算更 新； 步骤S220，选择独立加性高斯观测噪声ε作为观测模型，对任意的观测值y，有下式：y＝fl+εε～N0,σnoise将fl和y的联合高斯分布，核函数矩阵为独立加性高斯噪声和观测模型的加和，则有下式： 式中，k为Matern核函数；σnoise为高斯噪声方差；I为单位矩阵；步骤S230，针对不断优化的高斯过程模型，贝叶斯优化利用采集函数选取在已有观测经验下的最优控制量采样点，所述采集函数为上置信界函数UCB，其表达式如下：UCBx＝μx+κσx式中，μx为均值；σx为方差；κ为权重因子；寻找高斯过程上UCBx最大的控制向量，在车辆获取到下一个采样点的控制参数后，将步态的控制参数发送给车辆执行，将传感器检测到的整车移动距离作为观测结果；步骤S240，在优化过程中，通过检测目标函数值和移动距离观测值间差值以及本次和上次最优参数运行的移动距离的差值，与提前设定的阈值比较，如果达到阈值则停止优化；当达到终止条件时，停止更新拟合函数参数；若未达到终止条件时，则重复步骤S210、步骤S220、步骤S230和步骤S240。

全文数据：

权利要求：

百度查询： 哈尔滨工业大学(威海) 一种用于松软地形中车辆脱陷的优化控制方法及系统