王 京, 馬 峻, 田 耘
(北京電子科技職業(yè)學(xué)院 汽車制造技術(shù)系, 北京 100176)
?
基于三軸加速度計(jì)的車身姿態(tài)測(cè)量與解算
王京, 馬峻, 田耘
(北京電子科技職業(yè)學(xué)院 汽車制造技術(shù)系, 北京100176)
隨著微機(jī)械電子系統(tǒng)的發(fā)展,車身姿態(tài)測(cè)量多采用慣性傳感器為基礎(chǔ)的捷聯(lián)式測(cè)量,但由于陀螺儀產(chǎn)生的漂移和誤差難以消除,采用三軸加速度計(jì)進(jìn)行測(cè)量,再對(duì)車身姿態(tài)解算。算法采用改進(jìn)的遺傳神經(jīng)網(wǎng)絡(luò)算法,即以神經(jīng)網(wǎng)絡(luò)算法為基礎(chǔ),采用進(jìn)退搜索算法加強(qiáng)遺傳算法的收斂速度,進(jìn)而優(yōu)化權(quán)值與閾值選取,加快結(jié)果的輸出。經(jīng)過實(shí)驗(yàn)對(duì)比,該方法能夠?qū)崿F(xiàn)車身姿態(tài)的實(shí)時(shí)輸出,算法精度符合要求。
車身姿態(tài); 三軸加速度計(jì); BP神經(jīng)網(wǎng)絡(luò)算法
新技術(shù)的應(yīng)用離不開對(duì)于汽車車身姿態(tài)的測(cè)量與感知,尤其是在乘用車整車的姿態(tài)測(cè)量與控制是一個(gè)非常重要的方面。最初的姿態(tài)測(cè)量僅僅是以路面作為參考,通過底盤懸掛高度確定姿態(tài),這種方法不能反映車身姿態(tài)的實(shí)際結(jié)果,對(duì)駕駛的幫助有限。隨著微機(jī)械電子系統(tǒng)(MEMS)的發(fā)展,車身姿態(tài)測(cè)量擺脫了傳統(tǒng)機(jī)械平臺(tái)的限制,實(shí)現(xiàn)了捷聯(lián)式的測(cè)量平臺(tái)。慣性傳感器姿態(tài)測(cè)量系統(tǒng)就是一種捷聯(lián)式的車身測(cè)量系統(tǒng)。該系統(tǒng)[1-3]由慣性加速度計(jì)和陀螺儀組成,利用直接采集到的運(yùn)動(dòng)學(xué)信息,并根據(jù)導(dǎo)航系統(tǒng)理論完成運(yùn)動(dòng)目標(biāo)的姿態(tài)測(cè)量。但由于陀螺儀在測(cè)量過程中隨時(shí)間、溫度等條件的變化會(huì)使機(jī)械轉(zhuǎn)子產(chǎn)生漂移,系統(tǒng)累積誤差難以消除[4],因此需要采用若干個(gè)慣性加速度計(jì)[5],再利用歐拉法、方向余弦法或四元數(shù)法等數(shù)學(xué)方法解算出姿態(tài)角,該過程計(jì)算復(fù)雜,很難做到實(shí)時(shí)輸出。本文利用三軸加速度計(jì)測(cè)量并使用人工神經(jīng)網(wǎng)絡(luò)的算法進(jìn)行車身姿態(tài)解算,但由于單純的神經(jīng)網(wǎng)絡(luò)算法全局搜索能力差、收斂速度慢,容易陷入局部極值,因此采用遺傳算法對(duì)人工神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn),并采用進(jìn)退搜索算法加強(qiáng)遺傳算法的收斂速度。
導(dǎo)航中常用的坐標(biāo)系有地心慣性坐標(biāo)系(i 系)、地球坐標(biāo)系(e 系)、機(jī)體坐標(biāo)系(b 系)、導(dǎo)航坐標(biāo)系(n 系)和平臺(tái)坐標(biāo)系(p 系)5種[6]。車身姿態(tài)測(cè)量一般采用機(jī)體坐標(biāo)系(設(shè)為O-XbYbZb)和平臺(tái)坐標(biāo)系(設(shè)為O-XpYpZp)。機(jī)體坐標(biāo)系是以汽車重心作為原點(diǎn),Xb軸平行于汽車的橫切面指向汽車右側(cè),Yb軸平行于汽車縱切面指向前,Zb軸垂直于汽車橫切面豎直向上。平臺(tái)坐標(biāo)系固定于車身,原點(diǎn)與機(jī)體坐標(biāo)系重合,三軸隨車身姿態(tài)變化而變化,坐標(biāo)系見圖1。圖1中θ為俯仰角,即Zp軸和XbOZb面之間的夾角;γ為汽車的橫滾角,即Xp軸與XbOYb面之間的夾角;φ為航向角,即Yp軸與YbOZb面之間的夾角。俯仰角θ和橫滾角γ對(duì)汽車乘坐的舒適性能影響較大[7],車身姿態(tài)測(cè)量中主要考慮這2個(gè)角度的測(cè)量。
圖1 坐標(biāo)系
(1)
則車身任意點(diǎn)坐標(biāo)變換公式為
(2)
三軸加速度計(jì)是測(cè)量汽車運(yùn)行中受合外力影響加速度的變化。在靜止或勻速運(yùn)動(dòng)時(shí),其反映的是當(dāng)?shù)氐闹亓铀俣萭。加速度在3個(gè)坐標(biāo)軸的分量ax、ay、az可以表示為
(3)
由式(1)—(3)可得θ和γ:
汽車運(yùn)行中,三軸加速度計(jì)的數(shù)據(jù)換算到姿態(tài)角的過程是個(gè)非線性時(shí)變函數(shù),難以用精確的數(shù)學(xué)模型進(jìn)行描述,因此傳統(tǒng)方法中“數(shù)學(xué)模型—算法設(shè)計(jì)—算法實(shí)現(xiàn)”的步驟無法實(shí)現(xiàn)。故本文擬采用BP神經(jīng)網(wǎng)絡(luò)算法為基礎(chǔ),利用BP神經(jīng)網(wǎng)絡(luò)算法逼近任意非線性函數(shù)的能力,來模擬實(shí)際系統(tǒng)的輸入輸出關(guān)系。但單純的BP神經(jīng)網(wǎng)絡(luò)算法容易陷入局部極小值,此外對(duì)初始權(quán)值具有較強(qiáng)的依賴性。將遺傳算法與BP 算法融合是有效方法之一,它充分利用了遺傳算法的全局搜索能力和 BP神經(jīng)網(wǎng)絡(luò)算法的局部搜索能力,克服了BP神經(jīng)網(wǎng)絡(luò)算法容易陷入局部值、收斂速度慢的缺點(diǎn)[8]。但遺傳算法在迭代過程中經(jīng)常出現(xiàn)未成熟收斂、振蕩、隨機(jī)性太大、迭代過程緩慢等缺點(diǎn)[9],這也對(duì)BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)產(chǎn)生了影響。因此本文引入進(jìn)退搜索算法加強(qiáng)遺傳算法的局部搜索能力和收斂速度,構(gòu)造一種改進(jìn)的遺傳BP神經(jīng)網(wǎng)絡(luò)算法,提高了傳統(tǒng)遺傳神經(jīng)網(wǎng)絡(luò)算法的運(yùn)算效果。
改進(jìn)遺傳算法的基本原理見圖2。在多個(gè)數(shù)據(jù)中,有多種優(yōu)化算法可很快找到極值點(diǎn)m,但未必是全局最優(yōu)點(diǎn),傳統(tǒng)遺傳算法保證找到全局最優(yōu)點(diǎn),但需要多代遺傳,運(yùn)算時(shí)間較長。將進(jìn)退搜索算法引入其中,先利用遺傳算法進(jìn)行全局搜索,確定a點(diǎn)與b點(diǎn)之間存在個(gè)體i,再利用進(jìn)退搜索算法確定最優(yōu)個(gè)體。
圖2 改進(jìn)遺傳算法基本原理
利用最優(yōu)個(gè)體進(jìn)行BP算法中的網(wǎng)絡(luò)權(quán)重的優(yōu)化,得到優(yōu)化后的權(quán)重。將優(yōu)化好的初始權(quán)值和閾值代入神經(jīng)網(wǎng)絡(luò),通過選擇、交叉和變異操作找到最優(yōu)適應(yīng)度值對(duì)應(yīng)的個(gè)體,進(jìn)行網(wǎng)絡(luò)誤差的計(jì)算,根據(jù)計(jì)算結(jié)果對(duì)權(quán)值和閾值的修改,最終達(dá)到要求的精度,輸出結(jié)果。其算法流程圖見圖3。具體計(jì)算步驟如下:
圖3 改進(jìn)遺傳BP神經(jīng)網(wǎng)絡(luò)算法流程圖
(1) 初始化種群。初始種群的個(gè)體一部分隨機(jī)產(chǎn)生,一部分由進(jìn)退搜索算法產(chǎn)生,這樣可以提高整個(gè)群體的優(yōu)良性能。
(2) 由適應(yīng)度函數(shù)計(jì)算每個(gè)個(gè)體的適應(yīng)度。采用輸出層樣本的期望輸出值與實(shí)際輸出值之差的平方和的倒數(shù)作為適應(yīng)度函數(shù),即
式中n為輸入樣本個(gè)數(shù),m為輸出層節(jié)點(diǎn)個(gè)數(shù),Qef為第e個(gè)樣本、第f個(gè)節(jié)點(diǎn)的期望輸出值,Sef為第e個(gè)樣本、第f個(gè)節(jié)點(diǎn)的實(shí)際輸出值。
(3) 選擇、變異、交叉計(jì)算。完成選擇操作后,進(jìn)行交叉、變異計(jì)算。交叉算子為
式中r為交叉概率。
變異算子為
式中Emax(t)為最大適應(yīng)度的個(gè)體誤差,b為變異誤差。
為了更快地搜索,根據(jù)遺傳特點(diǎn),以較大的交叉概率(r=0.9~1)實(shí)施交叉操作,以較小的變異概率(b=0~0.5)實(shí)施變異操作。
(4) 若滿足終止條件則結(jié)束搜索,確定BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值與閾值。
(5) 以三軸加速度的測(cè)量值及環(huán)境變量為輸入節(jié)點(diǎn)(環(huán)境變量視具體情況設(shè)定,在網(wǎng)絡(luò)訓(xùn)練結(jié)束后確定具體值),車身俯仰角θ和橫滾角γ為輸出節(jié)點(diǎn)。通過網(wǎng)絡(luò)訓(xùn)練更改權(quán)值與閾值,直至精度達(dá)標(biāo)。
搭建三軸加速度計(jì)和陀螺儀實(shí)驗(yàn)系統(tǒng)后以1 000組/h數(shù)據(jù)的速度工作8 h,采集8 000組數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本,進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練,直到其輸出精度滿足要求,確定權(quán)值與閾值并拆除陀螺儀。
一般轎車運(yùn)動(dòng)過程中θ<30°、γ<15°。將實(shí)驗(yàn)臺(tái)輸出值與陀螺儀測(cè)量值相比較,曲線基本吻合。其中俯仰角最大誤差點(diǎn)出現(xiàn)在加速時(shí),誤差為2.89%;橫滾角最大誤差出現(xiàn)在右轉(zhuǎn)時(shí),誤差為2.47%,直線運(yùn)行時(shí)由于擾動(dòng)較小,誤差在0.5%以內(nèi),滿足汽車使用標(biāo)準(zhǔn)。此外,由于改進(jìn)了算法,提高了解算速度,平均延時(shí)小于0.1 s,不會(huì)影響汽車姿態(tài)的控制。
本文基于三軸加速度傳感器設(shè)計(jì)的車身姿態(tài)測(cè)量解算辦法與傳統(tǒng)的車身姿態(tài)測(cè)量相比,節(jié)約了硬件成本,解算過程中,采用了進(jìn)退搜索算法與遺傳算法相結(jié)合方法,改進(jìn)了BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值與閾值的確定,提高了BP算法的精確度和整體計(jì)算速度。結(jié)果表明,改進(jìn)的遺傳BP神經(jīng)網(wǎng)絡(luò)算法可靠性高、適應(yīng)性強(qiáng),測(cè)量精度滿足能家用轎車的要求。
References)
[1] Uno Y, Kawato M, Suzuki R. Formation and control of optimal trajectory in human multijoint arm movement:Minimum torque-change model[J]. Biologocal Cybernetics,1989(61):89-101.
[2] Boonstra M, van der Slikke R, Keijsers N, et al. The accuracy of measuring the kinematics of rising from a chair with accelerometers and gyroscopes[J]. Biomech, 2006(39):354-358.
[3] Zhao J, Badler N. Inverse kinematics positioning using nonlinear programming for highly articulated figures,ACM Trans[J]. Graph, 1994,13 (4):313-336.
[4] Barbour N M. 慣性導(dǎo)航傳感器[J]. 肖克軍,劉峰,林思剛,等譯.戰(zhàn)術(shù)導(dǎo)彈控制技術(shù),2009,26(4) :51-62.
[5] Hadri A E I,Benallegue A. Sliding Mode Observer to Estimate Both the Attitude and the Gyro-Biasby Using Low-Cost Sensors[C]//Conference on Intelligent Robots and Systems. USA, 2009:2867-2872.
[6] 陳哲.捷聯(lián)慣導(dǎo)系統(tǒng)原理[M].北京:宇航出版社,1986.
[7] 李怡凡,吳黎明,張力鍇.一種車身姿態(tài)的捷聯(lián)測(cè)量[J].傳感技術(shù)學(xué)報(bào),2010,23(8):1189-1193.
[8] 黃慶斌.BP 算法的改進(jìn)及其應(yīng)用研究[D].成都:西南交通大學(xué),2010.
[9] Su C T, Chiang C L. No convex power economic dis-patch by mi proved genetic algorithm with multiplier upda-tingmethod [J]. Electric Power Components and Systems,2004,32(3):257-273.
Measurement and calculation of vehicle body attitude based on tri-axial acceleration transducer
Wang Jing, Ma Jun, Tian Yun
(Department of Automobile Manufacturing Technology, Beijing Polytechnic,Beijing 100176, China)
With the development of micro mechanical-electronic system, the strap down measurement was carried out based on inertial sensor for vehicle body attitude measurement. But it is difficult to eliminate the drift and error caused by the gyro,a simple tri-axial accelerometer was used to measure and calculate the attitude of the vehicle body,an improved genetic BP neural network algorithm is used in the algorithm,the BP neural network algorithm is based on the forward and backward searching algorithm to enhance the convergence speed of genetic algorithm, optimize the weights and threshold selection, and speed up the output results. After experimental comparison,the method can realize the real time output of the vehicle body attitude,the algorithm accuracy is in line with the requirements.
vehicle body attitude; tri-axial acceleration transducer; BP neural network algorithm
10.16791/j.cnki.sjg.2016.10.011
2016-05-25
2014年度北京高等學(xué)校教育教學(xué)改革立項(xiàng)項(xiàng)目(PXM2015_014306_000017);北京電子科技職業(yè)學(xué)院科技重點(diǎn)課題“智能小車三軸運(yùn)動(dòng)姿態(tài)測(cè)量解算平臺(tái)研究”(YZK2014019)
王京(1975—),女,北京,碩士,教授,研究方向?yàn)槠囍圃?E-mail:wangjing100026@126.com
U467.4
A
1002-4956(2016)10-0038-03