(19)中华 人民共和国 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 202111508163.7 (22)申请日 2021.12.10 (71)申请人 江苏大学 地址 212013 江苏省镇江市京口区学府路 301号 (72)发明人 蔡英凤　俞学凯　滕成龙　孙晓强　 陈龙　王海　 (51)Int.Cl. B60W 60/00(2020.01) G06F 30/27(2020.01) G06F 30/15(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 119/14(2020.01) G06F 111/04(2020.01) (54)发明名称 一种基于神经网络动力学模型的自动驾驶 车辆轨迹跟踪系统及方法 (57)摘要 本发明公开了一种基于神经网络动力学模 型的自动驾驶车辆轨迹跟踪系统及方法， 包括神 经网络车辆动力学模型部分， 车辆动力学数据采 集部分(包括基于驾驶模拟器和虚拟仿真平台 CarSim仿真数据获取过程、 真实世界自动驾驶车 辆数据获取)， 神经网络模型的训练部分， 以及模 型预测控制算法设计共四部分； 本发 明通过将所 建立的神经网络车辆动力学预测模型与模型预 测控制算法相结合， 相比于端到端的控制算法， 所提出的控制算法具有更高的可解释性。 并且在 不同的道路条件下及行驶工况下可以实现期望 轨迹的跟踪控制， 在保证路径跟踪精度的同时， 同时兼顾横纵向稳定性， 为自动驾驶车辆开发高 性能的运动控制器奠定 。 权利要求书9页 说明书11页 附图4页 CN 114379583 A 2022.04.22 CN 114379583 A 1.一种基于神经网络动力学模型的自动驾驶车辆轨迹跟踪系统， 其特征在于， 包括神 经网络车辆动力学模 型部分， 车辆动力学数据采集部 分， 神经网络模 型的训练部 分， 模型预 测控制算法部分； 所述神经网络车辆动力学模型部分： 使用前馈神经网络设计了具有延迟输入的神经网 络模型， 模型的隐藏层为两层， 每层 有100个神经元,激活层选择Softplus激活函数， 模 型的 输入采用两个时刻的车辆控制与状态信息， 进而 预测车辆的横摆角速度和侧向速度的一阶 导数； 所述车辆动力学数据采集部分： 包括基于驾驶模拟器和虚拟仿真平台CarSim的仿真数 据获取及真实世界自动 驾驶车辆数据获取， 通过驾驶模拟 器与CarSim建立 实时虚拟仿 真平 台， 选择自动驾驶测试地图Mcity,采集基于人类正常驾驶行为的数据， 为收集完整数据， 驾 驶车辆在不同的道路上行驶， 包括直线道路、 曲线道路等， 并进行单车道变换和双车道变 换； 在真实世界车辆数据获取中， 通过人类驾驶员控制自动驾驶车辆进 行直线运动、 曲线运 动、 单车道变换和双车道变换； 所述神经网络模型的训练部分： 将得到的虚拟仿真平台数据集与真实世界的实车数据 合并后划分为8 0％的训练集、 10％的验证集、 10％的测试集， 损失函数设为MSE损失函数， 优 化器设为Adam， batch  size设为1000， 学习率设为0.0003， 基于Pytorch深度学习框架对 网 络模型进行训练； 所述模型预测控制算法部分： 通过滚动优化在线求解得到最优前轮转角， 实现参考轨 迹的跟踪。 2.根据权利要求1所述的一种基于神经网络动力学模型的自动驾驶车辆轨迹跟踪系 统， 其特征在于， 所述神经网络车辆动力学模型部 分， 是基于所述的车辆非线性单轨模型确 定前馈神经网络模型的输入为车辆的横摆角速度r， 侧向速度vy， 纵向速度vx， 前轮转角 δf， 模型的输出为横摆角速度的一阶导数 纵向速度的一阶导数 3.根据权利要求2所述的一种基于神经网络动力学模型的自动驾驶车辆轨迹跟踪系 统， 其特征在于， 所述的车辆非线性单轨模型： 设车辆为前轮转向， 车身坐标系处于车辆左 右对称平面内， 车辆质心所在原点为o,x轴为车辆纵轴,y轴为车辆侧向， z轴满足右手 法则， 垂直于oxy向上； 根据牛顿定律， 得到车辆在y轴， 绕z轴的受力平衡方程， 该非线性车辆动力 学模型可以用如下微分方程表示 为： 式中m为车辆质量， vx和vy分别为车体坐标系下质心的纵向加速度和侧向加速度， Iz为 车辆绕z轴的转动惯量， lf和lr分别为车辆质心到前轴、 后轴的距离， Fxf和Fxr分别为作用在 前轴和后轴上的轮胎纵向力的合力， Fyf和Fyr分别为作用在车辆前轴和后轴上的轮胎侧向 力的合力， r为车辆的横 摆角速度， 为车辆的横摆速度的一阶导数， 为车辆侧向速度的一 阶导数， δf为前轮转角； 引入轮胎的Fiala模型， 则轮胎侧向力Fy的计算公式为：权　利　要　求　书 1/9 页 2 CN 114379583 A 2其中α为轮胎的侧偏角， Cα为轮胎的侧偏刚度， u为轮胎与地面之间的摩擦系数， Fz为轮 胎垂向力的合力； Fzf、 Fzr分别为车辆忽略横向载荷位移和纵向载荷位移情况下前轮的垂向载荷和后轮的 垂向载荷。 4.根据权利要求2所述的一种基于神经网络动力学模型的自动驾驶车辆轨迹跟踪系 统， 其特征在于， 所述神经网络车辆动力学模型的具体结构位： 第一层为输入层， 输入层有8个特征输入， 分别是当前时刻的横摆角速度rt， 侧向速度 vy， t， 纵向速度vx， t， 前轮转角 δf， t以及上一个时刻的横摆角速度rt‑1， 侧向速度vy， t‑1， 纵向速 度vx， t‑1， 前轮转角 δf， t‑1； 第二层为FC1全连接网络层， 隐藏层设计具有10 0个隐藏单 元； 第三层为激活层， 激活函数选择为Softplus函数； 第四层为FC2全连接网络层， 隐藏层设计具有10 0个隐藏单 元； 第五层为激活层， 激活函数选择为Softplus函数； 第六层为输出层， 设计具有2个神经元， 输出为当前时刻横摆速度的一阶导数 车辆侧 向速度的一阶导数 5.根据权利要求4所述的一种基于神经网络动力学模型的自动驾驶车辆轨迹跟踪系 统， 其特征在于， 所述的神经网络车辆动力学模型的前向计算方法如下 所示： xt＝(r， vy， vx， δf) ht＝[xt， xt‑1] θ ＝(w1， b1， w2， b2， w3， b3) 其中， xt为单个时间步长的车辆状态信息， ht包含当前时刻和上一个时刻的车辆状态信 息， a1， a2为激活层 Softplus函数表达式， θ 为网络所学习到的参数， w1， b1， w2， b2， w3， b3为网络 中间层的权重和偏置， z1为网络第一层隐藏层的输出， z2为网络第二层隐藏层的输出。 和权　利　要　求　书 2/9 页 3 CN 114379583 A 3