车辆转向非线性度估计方法及装置与流程
1.本发明涉及自动驾驶技术领域，尤其涉及一种车辆转向非线性度估计方法及装置。
背景技术：
2.汽车的出现改变了人们的通行方式，大幅提高了出行效率，使得人们的生活方式更加的便捷。随着科学的进步，技术的飞速发展，尤其是计算机的迅猛发展，使得汽车逐渐走向了智能化。智能汽车具有广阔的市场前景，不断成为行业的新热点，而卡车作为物流运输线上的重要交通工具，智能化后将解决人工驾驶过程中存在的疲劳驾驶，人工成本增高等问题，同时还能降低交通事故的发生率，具有极大的商业价值。
3.通常，智能汽车由三大部分组成，第一部分是感知，通过激光雷达、摄像头、毫米波雷达等传感器实时采集数据，感知周围的环境；第二部分是决策规划，根据感知结果，决策当前驾驶行为，并根据一定规则规划出运动轨迹；第三部分是控制执行，通过规划后的运动轨迹计算出可执行的油门，刹车，转向等信号，并下发进行相应的驾驶操作。
4.在控制执行层面，横向控制是重要的环节之一，需要结合车辆的转向系统性能考虑规划的运动轨迹，通过计算得到对应的转向控制量进行控制。而卡车的转向系统更加复杂，非线性和耦合性的特点更强，这些因素会导致控制效果下降，严重的可能会引发交通事故。
技术实现要素：
5.本发明提供一种车辆转向非线性度估计方法及装置，用以解决现有技术中由于非线性度影响以致造成自动驾驶控制效果较差的缺陷，以快速精确地评估卡车的非线性严重程度，提高自动驾驶控制精度。
6.本发明提供一种车辆转向非线性度估计方法，包括：获取待预测车辆转向相关数据；将所述待预测车辆转向相关数据输入至转向非线性预估模型中，得到所述转向非线性预估模型输出的非线性度预估结果；其中，所述转向非线性预估模型是基于预先获取的车辆转向相关测试数据，并结合梯度下降法对预先构建的原始转向非线性预估模型进行参数辨识得到的。
7.根据本发明提供的一种车辆转向非线性度估计方法，转向非线性预估模型是基于预先获取的车辆转向相关测试数据，并结合梯度下降法对预先构建的原始转向非线性预估模型进行参数辨识得到的，包括：获取车辆转向相关测试数据，所述车辆转向相关测试数据包括方向盘转向角及所述方向盘转向角对应的车辆横摆角速度；基于所述车辆转向相关测试数据，采用梯度下降法对预先构建的原始转向非线性预估模型进行参数辨识，得到辨识参数，并利用所述辨识参数更新所述原始转向非线性预估模型，得到多个初始转向非线性预估模型；将所述车辆转向相关测试数据中的方向盘转向角输入至所述初始转向非线性预估模型中，得到模型预估横摆角速度；根据所述模型预估横摆角速度和所述方向盘转向角
对应的车辆横摆角速度，基于预设标准评价规则，得到对应各所述初始转向非线性预估模型的评价标准；根据所述评价标准，选择所述初始转向非线性预估模型，得到转向非线性预估模型。
8.根据本发明提供的一种车辆转向非线性度估计方法，所述基于所述车辆转向相关测试数据，采用梯度下降法对预先构建的原始转向非线性预估模型进行参数辨识，得到辨识参数，包括：对所述车辆转向相关测试数据进行分类，得到测试数据分类信息，所述测试数据分类信息包括对应不同类别的车辆转向相关测试数据；根据所述测试数据分类信息，采用梯度下降法对预先构建的原始转向非线性预估模型进行参数辨识，得到对应各类别车辆转向相关测试数据的辨识参数，所述辨识参数包括横摆角速度响应度和车辆非线性度。
9.根据本发明提供的一种车辆转向非线性度估计方法，所述车辆转向相关测试数据还包括对应所述方向盘转向角的车速，所述对所述车辆转向相关测试数据进行分类，得到测试数据分类信息，包括：基于傅里叶变换，将所述车辆转向相关测试数据转换至频域；根据同一频率，查对应转换至频域的方向盘转向角的幅值和车辆横摆角速度的幅值，并按照车速进行分类，得到测试数据分类信息。
10.根据本发明提供的一种车辆转向非线性度估计方法，在得到所述测试数据分类信息之后，包括：根据预设筛选规则，对所述测试数据分类信息进行筛选，所述预设筛选规则包括所述转换至频域后的方向盘转向角的主频符合第一预设频率范围、所述车辆横摆角速度的主频符合第二预设频率范围以及所述主频的幅值在整个频域幅值的占比超过预设阈值。
11.根据本发明提供的一种车辆转向非线性度估计方法，所述基于傅里叶变换，将所述车辆转向相关测试数据转换至频域，包括：将所述车辆转向相关测试数据按照方向盘转向角的信号输入进行分段；将分段后的车辆转向相关测试数据进行傅里叶变换，以将所述车辆转向相关测试数据转换至频域。
12.根据本发明提供的一种车辆转向非线性度估计方法，所述获取车辆转向相关测试数据，包括：根据预设幅值范围、预设幅值变化间隔、第三预设频率范围和预设频率间隔，获取对应的方向盘转向角；根据所述方向盘转向角，按预设车速，得到对应车辆横摆角速度。
13.本发明还提供一种车辆转向非线性度估计装置，包括：数据获取模块，获取待预测车辆转向相关数据；结果预估模块，将所述待预测车辆转向相关数据输入至转向非线性预估模型中，得到所述转向非线性预估模型输出的非线性度预估结果；其中，所述转向非线性预估模型是基于预先获取的车辆转向相关测试数据，并结合梯度下降法对预先构建的原始转向非线性预估模型进行参数辨识得到的。
14.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述车辆转向非线性度估计方法的步骤。
15.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述车辆转向非线性度估计方法的步骤。
16.本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述车辆转向非线性度估计方法的步骤。
17.本发明提供的车辆转向非线性度估计方法及装置，基于车辆转向相关测试数据，
并利用梯度下降法对预先构建的原始转向非线性预估模型进行参数辨识，以得到直接表征车辆转向非线性程度的车辆转向非线性度参数，根据车辆转向非线性度参数越大、车辆转向非线性越严重的特性，将车辆整体的非线性作为对象，从而快速精准的评估卡车的非线性严重程度，以提前预防因车辆转向非线性严重而引起的自动驾驶控制效果恶化的情形，进一步提高智能卡车的控制效果，提高控制精度，保障行车安全。
附图说明
18.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
19.图1是本发明提供的车辆转向非线性度估计方法的流程示意图；
20.图2是本发明提供的车辆转向非线性度估计装置的结构示意图；
21.图3是本发明提供的电子设备的结构示意图。
具体实施方式
22.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
23.图1示出了本发明一种车辆转向非线性度估计方法的流程示意图，该方法，包括：
24.s11，获取待预测车辆转向相关数据；
25.s12，将待预测车辆转向相关数据输入至转向非线性预估模型中，得到转向非线性预估模型输出的非线性度预估结果；其中，转向非线性预估模型是基于预先获取的车辆转向相关测试数据，并结合梯度下降法对预先构建的原始转向非线性预估模型进行参数辨识得到的。
26.应当注意的是，在将待预测车辆转向相关数据输入至转向非线性预估模型中之前，包括：基于预先获取的车辆转向相关测试数据，并结合梯度下降法进行模型参数辨识，得到转向非线性预估模型。
27.具体而言，基于预先获取的车辆转向相关测试数据，并结合梯度下降法对预先构建的原始转向非线性预估模型进行参数辨识，得到转向非线性预估模型，包括：
28.sa，获取车辆转向相关测试数据，车辆转向相关测试数据包括方向盘转向角及方向盘转向角对应的车辆横摆角速度；
29.sb，基于车辆转向相关测试数据，采用梯度下降法对预先构建的原始转向非线性预估模型进行参数辨识，得到辨识参数，并利用辨识参数更新原始转向非线性预估模型，得到多个初始转向非线性预估模型；
30.sc，将车辆转向相关测试数据中的方向盘转向角输入至初始转向非线性预估模型中，得到模型预估横摆角速度；
31.sd，根据模型预估横摆角速度和方向盘转向角对应的车辆横摆角速度，基于预设
标准评价规则，得到对应各初始转向非线性预估模型的评价标准；
32.se，根据评价标准，选择初始转向非线性预估模型，得到转向非线性预估模型。
33.需要说明的是，本说明书中的sa-sf不代表得到转向非线性预估模型的先后顺序，下面具体描述得到转向非线性预估模型的步骤。
34.步骤sa，获取车辆转向相关测试数据，车辆转向相关测试数据包括方向盘转向角及方向盘转角对应的车辆横摆角速度。
35.在本实施例中，车辆转向相关测试数据还包括对应方向盘转向角的车速，同一方向盘转向角对应多个不同车速，获取车辆转向相关测试数据，包括：根据预设幅值范围、预设幅值变化间隔、第三预设频率范围和预设频率间隔，获取对应的方向盘转向角；根据方向盘转向角，按预设车速，得到对应车辆横摆角速度。
36.在一个可选实施例中，预设幅值范围可以为[0.1rad,1.5rad]，预设幅值变化间隔可以为0.1rad，第三预设频率范围可以为[0.1hz,1hz]，预设频率间隔可以为0.05hz。需要补充的是，在根据预设幅值范围、预设幅值变化间隔、第三预设频率范围和预设频率间隔，获取对应的方向盘转向角时，信号形式为正弦波，且每个幅值频率点对应的方向盘转向角输入的次数不少于预设次数。本实施例中，预设次数可以根据实际设计需求或先验经验设置，比如为5次，此处不作进一步地限定。
[0037]
另外，预设车速可以根据预设车速范围和预设速度间隔设置，比如预设车速范围为0～100km/h，速度间隔为5km/h，并按照此设置调整预设车速，且在每个车速下，按照上述预设幅值范围、预设幅值变化间隔、第三预设频率范围和预设频率间隔，获取对应的方向盘转向角。
[0038]
举例而言，在预设车速为30km/h、方向盘转向角输入幅值为0.5rad、频率为0.2hz时的工况，将车辆保持在30km/h直线巡航，方向盘先向左打0.5rad，然后再向右打0.5rad，整个过程为5s，以模拟方向盘正弦信号输入，再将该过程重复5次，以得到对应的方向盘转向角及其对应的车速和车辆横摆角速度。
[0039]
步骤sb，基于车辆转向相关测试数据，采用梯度下降法对预先构建的原始转向非线性预估模型进行参数辨识，得到辨识参数，并利用辨识参数更新原始转向非线性预估模型，得到多个初始转向非线性预估模型。
[0040]
在本实施例中，基于车辆转向相关测试数据，采用梯度下降法对预先构建的原始转向非线性预估模型进行参数辨识，得到辨识参数，包括：对车辆转向相关测试数据进行分类，得到测试数据分类信息，测试数据分类信息包括对应不同类别的车辆转向相关测试数据；根据测试数据分类信息，采用梯度下降法对预先构建的原始转向非线性预估模型进行参数辨识，得到对应各类别车辆转向相关测试数据的辨识参数，辨识参数包括横摆角速度响应度和车辆非线性度。
[0041]
具体而言，对车辆转向相关测试数据进行分类，得到测试数据分类信息，包括：基于傅里叶变换，将车辆转向相关测试数据转换至频域；根据同一频率，查对应转换至频域的方向盘转向角的幅值和车辆横摆角速度的幅值，并按照车速进行分类，得到测试数据分类信息。
[0042]
更进一步地说，基于傅里叶变换，将车辆转向相关测试数据转换至频域，包括：将车辆转向相关测试数据按照方向盘转向角的信号输入进行分段；将分段后的车辆转向相关
测试数据进行傅里叶变换，以将车辆转向相关测试数据转换至频域。需要说明的是，在将车辆转向相关测试数据按照方向盘转向角的信号输入进行分段时，需要注意，以每次的测试信号输入为一个段，将连续的同一频率下的正弦信号输入归为同一段。另外，测试数据分类信息可以以表格或非表格形式表示，比如可以表示为车速-方向盘转向角-横摆角速度表。
[0043]
另外，在根据测试数据分类信息，采用梯度下降法对预先构建的原始转向非线性预估模型进行参数辨识之前，包括：根据预设筛选规则，对测试数据分类信息进行筛选，预设筛选规则包括转换至频域后的方向盘转向角的主频符合第一预设频率范围、车辆横摆角速度的主频符合第二预设频率范围以及主频的幅值在整个频域幅值的占比超过预设阈值。应当注意，第一预设频率范围可以根据方向盘转向角的实际设置需求或先验经验设置，第二预设频率范围可以根据车辆横摆角速度的实际设计需求或先验经验设置，第一预设频率范围可以与第二预设频率范围相同，比如均为1hz以内，此处不作进一步地限定。另外，预设阈值可以根据实际设计需求或先验经验设置，比如可以为50％。
[0044]
举例而言，假设存在车辆转向相关测试数据，其中，车速为40km/h，方向盘转向角输入幅值为0.3rad。频率为0.5hz的正弦，对应的频域变换为方向盘转向角信号主频为0.57hz，幅值为0.24rad，横摆角速度主频为0.54hz，幅值为0.013rad，符合上述预设筛选规则，对应保留。
[0045]
应当注意的是，在基于车辆转向相关测试数据，采用梯度下降法对预先构建的原始转向非线性预估模型进行参数辨识之前，还包括：构建转向非线性预估模型。在一种可能的实施方式中，利用辨识参数更新原始转向非线性预估模型，得到多个初始转向非线性预估模型，初始转向非线性预估模型，表示为：
[0046][0047]
其中，ω表示车辆横摆角速度，表示车辆方向盘转向角，v表示车辆纵向车速，r表示车辆方向盘到轮端传动比，k1表示横摆角速度响应度，k2表示车辆非线性度，l表示车辆轴距。
[0048]
需要说明的是，由于卡车的转向系统较为复杂，具有较强的非线性，因此通过利用梯度下降法对预先构建的原始转向非线性预估模型进行参数辨识，以得到直接表征卡车转向非线性程度的车辆转向非线性度参数，根据车辆转向非线性度参数越大、车辆转向非线性越严重的特性，将卡车整体的非线性作为对象，从而快速精准的评估卡车的非线性严重程度，从而提高智能卡车的控制效果，提高控制精度，进而确保驾驶的安全性。
[0049]
步骤sc，将车辆转向相关测试数据中的方向盘转向角输入至初始转向非线性预估模型中，得到模型预估横摆角速度。
[0050]
步骤sd，根据模型预估横摆角速度和方向盘转向角对应的车辆横摆角速度，基于预设标准评价规则，得到对应各初始转向非线性预估模型的评价标准。
[0051]
在本实施例中，预设标准评价规则表示为：
[0052]
[0053]
其中，j表示评价标准，n表示参与评价的数据组个数，nd表示单个数据组中数据的个数，ω
model
表示模型预估横摆角速度，ω
real
表示方向盘转向角对应的车辆横摆角速度。
[0054]
需要说明的是，评价标准j代表参数优化的结构，j越小，表示模型预估横摆角速度与辨识参数对应的方向盘转向角对应的车辆横摆角速度之间的差越小，代表模型的精度越高，车辆的非线性度预估结构的可信度越高。
[0055]
步骤se，根据评价标准，选择初始转向非线性预估模型，得到转向非线性预估模型。通过评价标准，选择对应的初始转向非线性预估模型，作为对待预测车辆转向相关数据进行非线性度预估的模型，该模型包含车辆非线性度k2，k2越大，表示转向非线性越严重。
[0056]
综上所述，本发明实施例通过基于车辆转向相关测试数据，并利用梯度下降法对预先构建的原始转向非线性预估模型进行参数辨识，以得到直接表征车辆转向非线性程度的车辆转向非线性度参数，根据车辆转向非线性度参数越大、车辆转向非线性越严重的特性，将车辆整体的非线性作为对象，从而快速精准的评估卡车的非线性严重程度，以提前预防因车辆转向非线性严重而引起的自动驾驶控制效果恶化的情形，进一步提高智能卡车的控制效果，提高控制精度，保障行车安全。
[0057]
下面对本发明提供的车辆转向非线性度估计装置进行描述，下文描述的车辆转向非线性度估计装置与上文描述的车辆转向非线性度估计方法可相互对应参照。
[0058]
图2示出了一种车辆转向非线性度估计装置的结构示意图，该装置，包括：
[0059]
数据获取模块21，获取待预测车辆转向相关数据；
[0060]
结果预估模块22，将待预测车辆转向相关数据输入至转向非线性预估模型中，得到转向非线性预估模型输出的非线性度预估结果；其中，转向非线性预估模型是基于预先获取的车辆转向相关测试数据，并结合梯度下降法对预先构建的原始转向非线性预估模型进行参数辨识得到的。
[0061]
在一个可选实施例中，该装置，还包括：模型获取模块，在将待预测车辆转向相关数据输入至转向非线性预估模型中之前，基于预先获取的车辆转向相关测试数据，并结合梯度下降法对预先构建的原始转向非线性预估模型进行参数辨识，得到转向非线性预估模型。
[0062]
具体而言，模型获取模块，包括：数据获取单元，获取车辆转向相关测试数据，车辆转向相关测试数据包括方向盘转向角及方向盘转向角对应的车辆横摆角速度；初始模型获取单元，基于车辆转向相关测试数据，采用梯度下降法对预先构建的原始转向非线性预估模型进行参数辨识，得到辨识参数，并利用辨识参数更新原始转向非线性预估模型，得到多个初始转向非线性预估模型；预估单元，将车辆转向相关测试数据中的方向盘转向角输入至初始转向非线性预估模型中，得到模型预估横摆角速度；评价单元，根据模型预估横摆角速度和方向盘转向角对应的车辆横摆角速度，基于预设标准评价规则，得到对应各初始转向非线性预估模型的评价标准；模型确定单元，根据评价标准，选择初始转向非线性预估模型，得到转向非线性预估模型。
[0063]
在本实施例中，数据获取单元，包括：第一数据获取子单元，根据预设幅值范围、预设幅值变化间隔、第三预设频率范围和预设频率间隔，获取对应的方向盘转向角；第二数据获取子单元，根据方向盘转向角，按预设车速，得到对应车辆横摆角速度。
[0064]
初始模型获取单元，包括：分类子单元，对车辆转向相关测试数据进行分类，得到
测试数据分类信息，测试数据分类信息包括对应不同类别的车辆转向相关测试数据；辨识子单元，根据测试数据分类信息，采用梯度下降法对预先构建的原始转向非线性预估模型进行参数辨识，得到对应各类别车辆转向相关测试数据的辨识参数，辨识参数包括横摆角速度响应度和车辆非线性度。
[0065]
更进一步地说，分类子单元，包括：频域转换孙单元，基于傅里叶变换，将车辆转向相关测试数据转换至频域；分类孙单元，根据同一频率，查对应转换至频域的方向盘转向角的幅值和车辆横摆角速度的幅值，并按照车速进行分类，得到测试数据分类信息。
[0066]
频域转换孙单元，包括：分段曾孙单元，将车辆转向相关测试数据按照方向盘转向角的信号输入进行分段；傅里叶转换曾孙单元，将分段后的车辆转向相关测试数据进行傅里叶变换，以将车辆转向相关测试数据转换至频域。
[0067]
另外，初始模型获取单元，还包括：筛选子单元，根据预设筛选规则，对测试数据分类信息进行筛选，预设筛选规则包括转换至频域后的方向盘转向角的主频符合第一预设频率范围、车辆横摆角速度的主频符合第二预设频率范围以及主频的幅值在整个频域幅值的占比超过预设阈值。
[0068]
在一个可选实施例中，模型获取模块，还包括：模型构建单元，在基于车辆转向相关测试数据，采用梯度下降法对预先构建的原始转向非线性预估模型进行参数辨识之前，构建原始转向非线性预估模型。
[0069]
综上所述，本发明实施例通过结果预估模块基于车辆转向相关测试数据，并利用梯度下降法对预先构建的原始转向非线性预估模型进行参数辨识，以得到直接表征车辆转向非线性程度的车辆转向非线性度参数，根据车辆转向非线性度参数越大、车辆转向非线性越严重的特性，将车辆整体的非线性作为对象，从而快速精准的评估卡车的非线性严重程度，以提前预防因车辆转向非线性严重而引起的自动驾驶控制效果恶化的情形，进一步提高智能卡车的控制效果，提高控制精度，保障行车安全。
[0070]
图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)31、通信接口(communications interface)32、存储器(memory)33和通信总线34，其中，处理器31，通信接口32，存储器33通过通信总线34完成相互间的通信。处理器31可以调用存储器33中的逻辑指令，以执行车辆转向非线性度估计方法，该方法包括：获取待预测车辆转向相关数据；将待预测车辆转向相关数据输入至转向非线性预估模型中，得到转向非线性预估模型输出的非线性度预估结果；其中，转向非线性预估模型是基于预先获取的车辆转向相关测试数据，并结合梯度下降法对预先构建的原始转向非线性预估模型进行参数辨识得到的。
[0071]
此外，上述的存储器33中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0072]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的车辆转向非线性度估计方法，该方法包括：获取待预测车辆转向相关数据；将待预测车辆转向相关数据输入至转向非线性预估模型中，得到转向非线性预估模型输出的非线性度预估结果；其中，转向非线性预估模型是基于预先获取的车辆转向相关测试数据，并结合梯度下降法对预先构建的原始转向非线性预估模型进行参数辨识得到的。
[0073]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的车辆转向非线性度估计方法，该方法包括：获取待预测车辆转向相关数据；将待预测车辆转向相关数据输入至转向非线性预估模型中，得到转向非线性预估模型输出的非线性度预估结果；其中，转向非线性预估模型是基于预先获取的车辆转向相关测试数据，并结合梯度下降法对预先构建的原始转向非线性预估模型进行参数辨识得到的。
[0074]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0075]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0076]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
技术特征：
1.一种车辆转向非线性度估计方法，其特征在于，包括：获取待预测车辆转向相关数据；将所述待预测车辆转向相关数据输入至转向非线性预估模型中，得到所述转向非线性预估模型输出的非线性度预估结果；其中，所述转向非线性预估模型是基于预先获取的车辆转向相关测试数据，并结合梯度下降法对预先构建的原始转向非线性预估模型进行参数辨识得到的。2.根据权利要求1所述的车辆转向非线性度估计方法，其特征在于，所述转向非线性预估模型是基于预先获取的车辆转向相关测试数据，并结合梯度下降法对预先构建的原始转向非线性预估模型进行参数辨识得到的，包括：获取车辆转向相关测试数据，所述车辆转向相关测试数据包括方向盘转向角及所述方向盘转向角对应的车辆横摆角速度；基于所述车辆转向相关测试数据，采用梯度下降法对预先构建的原始转向非线性预估模型进行参数辨识，得到辨识参数，并利用所述辨识参数更新所述原始转向非线性预估模型，得到多个初始转向非线性预估模型；将所述车辆转向相关测试数据中的方向盘转向角输入至所述初始转向非线性预估模型中，得到模型预估横摆角速度；根据所述模型预估横摆角速度和所述方向盘转向角对应的车辆横摆角速度，基于预设标准评价规则，得到对应各所述初始转向非线性预估模型的评价标准；根据所述评价标准，选择所述初始转向非线性预估模型，得到转向非线性预估模型。3.根据权利要求2所述的车辆转向非线性度估计方法，其特征在于，所述基于所述车辆转向相关测试数据，采用梯度下降法对预先构建的原始转向非线性预估模型进行参数辨识，得到辨识参数，包括：对所述车辆转向相关测试数据进行分类，得到测试数据分类信息，所述测试数据分类信息包括对应不同类别的车辆转向相关测试数据；根据所述测试数据分类信息，采用梯度下降法对预先构建的原始转向非线性预估模型进行参数辨识，得到对应各类别车辆转向相关测试数据的辨识参数，所述辨识参数包括横摆角速度响应度和车辆非线性度。4.根据权利要求3所述的车辆转向非线性度估计方法，其特征在于，所述车辆转向相关测试数据还包括对应所述方向盘转向角的车速，所述对所述车辆转向相关测试数据进行分类，得到测试数据分类信息，包括：基于傅里叶变换，将所述车辆转向相关测试数据转换至频域；根据同一频率，查对应转换至频域的方向盘转向角的幅值和车辆横摆角速度的幅值，并按照车速进行分类，得到测试数据分类信息。5.根据权利要求4所述的车辆转向非线性度估计方法，其特征在于，在得到所述测试数据分类信息之后，包括：根据预设筛选规则，对所述测试数据分类信息进行筛选，所述预设筛选规则包括所述转换至频域后的方向盘转向角的主频符合第一预设频率范围、所述车辆横摆角速度的主频符合第二预设频率范围以及所述主频的幅值在整个频域幅值的占比超过预设阈值。6.根据权利要求4所述的车辆转向非线性度估计方法，其特征在于，所述基于傅里叶变
换，将所述车辆转向相关测试数据转换至频域，包括：将所述车辆转向相关测试数据按照方向盘转向角的信号输入进行分段；将分段后的车辆转向相关测试数据进行傅里叶变换，以将所述车辆转向相关测试数据转换至频域。7.根据权利要求1所述的车辆转向非线性度估计方法，其特征在于，所述获取车辆转向相关测试数据，包括：根据预设幅值范围、预设幅值变化间隔、第三预设频率范围和预设频率间隔，获取对应的方向盘转向角；根据所述方向盘转向角，按预设车速，得到对应车辆横摆角速度。8.一种车辆转向非线性度估计装置，其特征在于，包括：数据获取模块，获取待预测车辆转向相关数据；结果预估模块，将所述待预测车辆转向相关数据输入至转向非线性预估模型中，得到所述转向非线性预估模型输出的非线性度预估结果；其中，所述转向非线性预估模型是基于预先获取的车辆转向相关测试数据，并结合梯度下降法对预先构建的原始转向非线性预估模型进行参数辨识得到的。9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述车辆转向非线性度估计方法的步骤。10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述车辆转向非线性度估计方法的步骤。
技术总结
本发明提供一种车辆转向非线性度估计方法及装置，方法包括：获取待预测车辆转向相关数据；将待预测车辆转向相关数据输入至转向非线性预估模型中，得到转向非线性预估模型输出的非线性度预估结果；其中，转向非线性预估模型是基于预先获取的车辆转向相关测试数据，并结合梯度下降法对预先构建的原始转向非线性预估模型进行参数辨识得到的。本发明基于车辆转向相关测试数据，并利用梯度下降法对预先构建的原始转向非线性预估模型进行参数辨识，以得到直接表征车辆转向非线性程度的车辆转向非线性度参数，从而提前预防因车辆转向非线性严重而引起的自动驾驶控制效果恶化的情形，进一步提高智能卡车的控制效果，提高控制精度，保障行车安全。保障行车安全。保障行车安全。
