(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111660391.6 (22)申请日 2021.12.31 (71)申请人 杭州电子科技大 学 地址 310018 浙江省杭州市下沙高教园区2 号大街 (72)发明人 洪慧　祝丰豪　 (74)专利代理 机构 杭州天昊专利代理事务所 (特殊普通 合伙) 33283 专利代理师 董世博 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 119/14(2020.01) (54)发明名称 一种无人车机动能力模型构建方法 (57)摘要 本发明公开了一种无人车机动能力模型构 建方法， 通过长短记忆神经网络模 型来描述无人 车控制指令与本身驱动能力之间的对应 关系， 以 此设计了模 型输入输出变量， 并根据无人车机动 能力模型建模的需求， 将无人车当前时刻速度、 当前时刻偏航角、 电压值、 时间戳、 下一时刻速度 和下一时刻偏航角数据作为模型输入， 将速度控 制变量和角度控制变量作为模型输出， 建立对应 关系； 通过LSTM在输入与反馈以及避免爆发三者 之间组成的一个长时间的时间差来维持一个不 间断的误差值， 最终达到避免梯度消失或梯度爆 炸的问题。 权利要求书2页 说明书7页 附图8页 CN 114491835 A 2022.05.13 CN 114491835 A 1.一种无 人车机动能力模型构建方法， 其特 征在于， 包括如下步骤： 步骤1： 通过 数据采集平台获取 无人车的姿态数据； 其中姿态数据用于训练模型； 步骤2： 对采集的姿态数据， 通过归一化和标准化处理后作为模型训练的输入变量和输 出变量； 步骤3： 基于归一化的姿态数据， 通过长短期记忆神经网络完成模型的训练， 获得模型， 结束步骤； 所述步骤1中的姿态数据包括输入数据； 输入数据包括无人车行驶状态时的速度、 偏航 角、 电池电压以及对应的时间戳数据； 速度包括当前时刻的速度以及下一时刻的速度， 偏航 角包括当前时刻偏航角和下一时刻偏航角； 姿态数据还 包括输出 数据； 输出 数据包括无 人车的速度控制变量以及角度控制变量。 2.根据权利要求1所述的一种无人车机动 能力模型构建方法， 其特征在于， 所述步骤3 中获得的模型包括输入层、 隐藏层、 训练层以及输出层； 所述输入层用于得到姿态数据中的输入数据集时， 对数据进行特征提取， 获取原始数 据之间的特征关系； 输入数据为无人车的速度、 偏航角、 电压、 时间戳、 下一时刻速度、 下一 时刻偏航角； 隐藏层用于根据输入数据， 并基于训练获得的参数矩阵获得隐藏层输出； 隐藏层输出 会传输到输出层转换为输出 数据； 所述训练层用于根据理论模型的输出值计算获得实际损失函数值； 所述输出层用于对隐藏层的输出数据进行反归一化和标准化处理， 获得可输入无人小 车的实际控制量。 3.根据权利要求2所述的一种无人车机动能力模型构建方法， 其特征在于， 所述输入层 获取原始数据的特征关系后， 再将数据集划分， 分为训练数据集和测试数据集； 最后初始 化 网络模型参数， 对数据进行归一化处理， 再进行标准化处理； 完成处理的数据会输入隐藏 层。 4.根据权利要求3所述的一种无人车机动能力模型构建方法， 其特征在于， 所述输入层 中对数据的标准 化处理包括如下 过程： 设定获取的输入数据序列集为X， 其中每类数据序列各自归纳为数据集， 通过式(1.2) 获得数据序列均值 其中， xi,i∈(1,m)， 表示数据 序列集X中的第i个数据； m表示数据 序列集中的数据数量； 获得数据序列集的方差σ2， 表示为： 通过式(1.3)获得 标准化数据 表示为： 其中， 表示数据xi标准化后的数据。 5.根据权利要求2所述的一种无人车机动能力模型构建方法， 其特征在于， 所述隐藏层权　利　要　求　书 1/2 页 2 CN 114491835 A 2分为两层， 每层设置有128个单 元。 6.根据权利要求5所述的一种无人车机动能力模型构建方法， 其特征在于， 所述隐藏层 中将归一化和标准化后的当前输入数据xt结合隐藏层的在上一时刻的历史信息输出ct‑1以 及上一时刻的隐藏层输出ht‑1， 获得当前时刻的历史信息输出ct以及当前时刻的隐藏层输 出ht。 7.根据权利要求6所述的一种无人车机动能力模型构建方法， 其特征在于， 所述获得当 前时刻的历史信息 输出ct以及当前时刻的隐藏层输出ht， 具体包括如下 过程： 首先根据当前输入数据xt以及上一时刻的隐藏层输出ht‑1， 获得隐藏层中设置的遗忘 门、 输入门、 输出门以及变换后的新的历史信息， 如式(1.4)、 (1.5)、 (1.6)以及(1.7)所示： ft＝sigmoid(Wfxt+Ufht‑1+bf)                   (1.4) it＝sigmoid(Wixt+Uiht‑1+bi)                   (1.5) ot＝sigmoid(Woxt+Uoht‑1+bo)                  (1.6) 其中， ft表示t时刻的遗忘门； it表示t时刻的输入门； ot表示t时刻的输出门； 表示t时 刻通过变换后获得的新的历史信息； Wf、 Wi、 Wo以及Wc 分别表示遗忘门、 输入门、 输出门以及 历史信息中的输入层到隐藏层的参数举证； Uf、 Ui、 Uo以及 Uc分别表 示遗忘门、 输入门、 输出 门以及历史信息中的隐藏层到 隐藏层的自循环参数矩阵； b f、 bi、 bo以及bc分别表示遗忘 门、 输入门、 输出门以及历 史信息中的偏置参数矩阵； sigmoi d表示sigmoi d函数； tanh表示 双曲正切函数； 通过遗忘门ft和输入门it分别控制需要遗忘的上一时刻的历史信息输出ct‑1以及需要 保存的新的历史信息 获得当前时刻的历史信息 输出ct， 表示为： 其中，⊙表示矩阵的哈达 玛积； 通过输出门ot根据当前时刻的历史信息输出ct， 获得当前时刻的隐藏层输出ht， 如式 (1.9)： ht＝ot⊙tanh(ct)               (1.9) 其中， tanh表示双曲正切函数。权　利　要　求　书 2/2 页 3 CN 114491835 A 3