机械工程学报

作者：林棻, 王少博, 赵又群, 蔡亦璋

单位：南京航空航天大学能源与动力学院车辆工程系 南京 210016

关键词：路面附着系数,神经网络,Keras模型,强化学习,估计；

基金：中央高校基本科研业务费专项资金资助项目（NS2020016）

路面附着系数是车-路相互作用中最为关键的参数之一，它的精确获取也是车辆主动安全控制系统正常工作的前提和基础，为此提出一种基于改进Keras模型的路面附着系数估计方法。对车辆进行动力学分析，找出与路面附着系数相关的动力学参数作为神经网络模型的输入量；通过各种工况的仿真试验建立数据集；以Keras模型为基础，结合限幅递推平均滤波算法、K折验证、Dropout正则化与Sarsa强化学习，提出改进Keras模型的路面附着系数估计器。滤波算法用于除去神经网络模型输入量的噪声，K折验证用于扩大样本空间，Dropout正则化可以降低模型的过拟合现象，提高模型泛化能力，Sarsa强化学习可以改善路面附着系数预测量超过边界的问题。最后，通过仿真验证表明所设计的估计器在路面附着系数估计中的有效性与可靠性，提出的方法相比原Keras模型平均绝对误差降低了73%，均方根误差降低了58%。

来源：2021年第12期

《机械工程学报》期刊编辑部

查看机械工程学报杂志2021年第12期