【技術實現步驟摘要】
本專利技術涉及牽引車空氣懸掛，尤其是涉及一種牽引車空氣懸架調節的控制方法、系統及介質。
技術介紹
1、車輛懸架對于車輛行駛的穩定性、舒適性、安全性具有較為重要的作用。針對不同的路況，調節不同高度的懸架檔位能夠為用戶帶來更為舒適的駕駛及乘坐體驗。相關技術中，車輛懸架的調節主要依賴于用戶對于路況的主動判斷，進而進行調節，對于用戶經常行駛的道路，如果想保持相同的體驗，則需要每一次都進行調節，操作繁瑣，智能化較差，用戶體驗不佳。
技術實現思路
1、鑒于以上問題，本專利技術提供了一種牽引車空氣懸架調節的控制方法、系統及介質，不僅根據道路的實時路況對車輛前后軸的空氣懸掛的高度進行精確的調節和控制，而且無需用戶手動調節，車輛懸架調節更加智能化，改善用戶體驗。
2、為了實現上述目的及其他相關目的，本專利技術提供的技術方案如下：
3、一種牽引車空氣懸架調節的控制方法，所述方法包括：
4、q1.車輛行駛在道路上，基于車載攝像頭實時獲取道路的圖像數據信息，基于車載激光雷達實時獲取道路的點云數據信息，基于車載第一高度傳感器實時獲取車輛前軸懸掛高度的數據信息，基于車載第二高度傳感器實時獲取車輛后軸懸掛高度的數據信息；
5、q2.基于所述道路的圖像數據信息和所述道路的點云數據信息，構建道路的基于圖卷積路況預測的eta深度模型，對道路的路況進行預測，得到預測后的道路的路況數據信息；
6、q3.基于所述預測后的道路的路況數據信息、所述車輛前軸懸掛高度的數
7、q4.基于所述預測后的前后軸懸掛高度的數據信息，采用集成隨機慣性權重和差分變異操作的樽海鞘群算法對前后軸懸掛的高度進行優化，得到優化后的前后軸懸掛高度的數據信息。
8、進一步的，在步驟q2中，所述構建道路的基于圖卷積路況預測的eta深度模型，對道路的路況進行預測包括：
9、q21.基于所述道路的圖像數據信息和所述道路的點云數據信息，建立道路的圖像和點云的融合函數w，
10、
11、其中，x為道路的圖像數據信息，y為道路的點云數據信息，α1、α2和α3為道路的圖像和點云的融合因子，對道路的圖像和點云進行融合，得到融合后的道路的狀態數據信息；
12、q22.基于所述融合后的道路的狀態數據信息，構建道路的時空特征提取函數r，
13、
14、其中，z為融合后的道路的狀態數據信息，β1、β2和β3為道路時空特征的提取因子，對道路的狀態的時空特征進行提取，得到道路的狀態的時空特征數據信息；
15、q23.基于所述道路的狀態的時空特征數據信息，建立道路的圖卷積路況預測函數p，
16、
17、其中，r為道路的狀態的時空特征數據信息，δ1、δ2和δ3為道路的狀態的時空特征的依賴關系參數，對道路的路況進行預測，得到預測后的道路的路況數據信息。
18、進一步的，所述道路的狀態的時空特征的依賴關系參數δ1、δ2和δ3為，
19、
20、其中，r為道路的狀態的時空特征數據信息。
21、進一步的，所述道路的狀態的時空特征的依賴關系參數δ1、δ2和δ3的約束條件為，
22、
23、所述道路的圖像和點云的融合因子α1、α2和α3的約束函數f為，
24、
25、其中，約束函數f的取值范圍為(3,5)。
26、進一步的，在步驟q3中，所述構建前后軸懸掛高度預測的馬爾科夫模型，對前后軸懸掛的高度進行預測包括：
27、q31.基于所述預測后的道路的路況數據信息、所述車輛前軸懸掛高度的數據信息和所述車輛后軸懸掛高度的數據信息，建立車輛前后軸懸掛高度的狀態轉移函數s，
28、
29、其中，a1為預測后的道路的路況數據信息，a2為車輛前軸懸掛高度的數據信息，a3為車輛后軸懸掛高度的數據信息，γ1、γ2和γ3為車輛前后軸懸掛高度的狀態差量因子，對車輛前后軸懸掛高度的狀態轉移概率矩陣進行表征，得到車輛前后軸懸掛高度的狀態轉移概率矩陣數據信息；
30、q32.基于所述車輛前后軸懸掛高度的狀態轉移概率矩陣數據信息，建立車輛前后軸懸掛高度的n次觀測序列的聯合概率分布函數g，
31、其中，n為樣本容量，bi為車輛前后軸懸掛高度的第i個狀態轉移概率矩陣數據信息，ηi為車輛前后軸懸掛高度的第i個狀態轉移概率矩陣的權重系數，p為車輛前后軸懸掛高度的觀測序列函數；
32、q33.基于所述車輛前后軸懸掛高度的n次觀測序列的聯合概率分布函數g，對前后軸懸掛的高度進行預測，得到預測后的前后軸懸掛高度的數據信息。
33、進一步的，所述車輛前后軸懸掛高度的觀測序列函數p為，
34、
35、其中，n為樣本容量，bi為車輛前后軸懸掛高度的第i個狀態轉移概率矩陣數據信息，ηi為車輛前后軸懸掛高度的第i個狀態轉移概率矩陣的權重系數。
36、進一步的，在步驟q4中，所述采用集成隨機慣性權重和差分變異操作的樽海鞘群算法對前后軸懸掛的高度進行優化包括：
37、q41.基于所述預測后的前后軸懸掛高度的數據信息，對樽海鞘種群進行初始化，確定種群參數，得到初始化后的樽海鞘種群的數據信息；
38、q42.基于所述初始化后的樽海鞘種群的數據信息，建立樽海鞘種群個體的適應度函數h，
39、
40、其中，c為初始化后的樽海鞘種群的數據信息，λ1、λ2和λ3為樽海鞘種群個體的隨機慣性權重因子，對樽海鞘種群的個體的適應度值進行推算，得到樽海鞘種群個體的適應度值數據信息；
41、q43.基于所述樽海鞘種群個體的適應度值數據信息，建立目標優化函數l，
42、
43、其中，g為樽海鞘種群個體的適應度值數據信息，μ1、μ2和μ3為樽海鞘種群個體的差分變異參數，對前后軸懸掛的高度進行優化，得到優化后的前后軸懸掛高度數據信息。
44、進一步的，所述樽海鞘種群個體的差分變異參數μ1、μ2和μ3為，
45、
46、其中，g為樽海鞘種群個體的適應度值數據信息。
47、為了實現上述目的及其他相關目的，本專利技術還提供了一種牽引車空氣懸架調節的控制系統，包括計算機設備，該計算機設備被編程或配置以執行任意一項所述的牽引車空氣懸架調節的控制方法的步驟。
48、為了實現上述目的及其他相關目的，本專利技術還提供了一種計算機可讀存儲介質，該計算機可讀存儲介質上存儲有被編程或配置以執行任意一項所述的牽引車空氣懸架調節的控制方法的計算機程序。
49、本專利技術具有以下積極效果：
50、1.本專利技術通過構建道路的基于圖卷積路況預測的et本文檔來自技高網...
【技術保護點】
1.一種牽引車空氣懸架調節的控制方法，其特征在于，所述方法包括：
2.根據權利要求1所述的牽引車空氣懸架調節的控制方法，其特征在于，在步驟Q2中，所述構建道路的基于圖卷積路況預測的ETA深度模型，對道路的路況進行預測包括：
3.根據權利要求2所述的牽引車空氣懸架調節的控制方法，其特征在于：所述道路的狀態的時空特征的依賴關系參數δ1、δ2和δ3為，
4.根據權利要求2所述的牽引車空氣懸架調節的控制方法，其特征在于：所述道路的狀態的時空特征的依賴關系參數δ1、δ2和δ3的約束條件為，
5.根據權利要求1所述的牽引車空氣懸架調節的控制方法，其特征在于，在步驟Q3中，所述構建前后軸懸掛高度預測的馬爾科夫模型，對前后軸懸掛的高度進行預測包括：
6.根據權利要求5所述的牽引車空氣懸架調節的控制方法，其特征在于：所述車輛前后軸懸掛高度的觀測序列函數p為，
7.根據權利要求1所述的牽引車空氣懸架調節的控制方法，其特征在于，在步驟Q4中，所述采用集成隨機慣性權重和差分變異操作的樽海鞘群算法對前后軸懸掛的高度進行優化包括：>
8.根據權利要求7所述的牽引車空氣懸架調節的控制方法，其特征在于，所述樽海鞘種群個體的差分變異參數μ1、μ2和μ3為，
9.一種牽引車空氣懸架調節的控制系統，包括計算機設備，其特征在于，該計算機設備被編程或配置以執行權利要求1～8中任意一項所述的牽引車空氣懸架調節的控制方法的步驟。
10.一種計算機可讀存儲介質，其特征在于，該計算機可讀存儲介質上存儲有被編程或配置以執行權利要求1～8中任意一項所述的牽引車空氣懸架調節的控制方法的計算機程序。
...【技術特征摘要】
1.一種牽引車空氣懸架調節的控制方法，其特征在于，所述方法包括：
2.根據權利要求1所述的牽引車空氣懸架調節的控制方法，其特征在于，在步驟q2中，所述構建道路的基于圖卷積路況預測的eta深度模型，對道路的路況進行預測包括：
3.根據權利要求2所述的牽引車空氣懸架調節的控制方法，其特征在于：所述道路的狀態的時空特征的依賴關系參數δ1、δ2和δ3為，
4.根據權利要求2所述的牽引車空氣懸架調節的控制方法，其特征在于：所述道路的狀態的時空特征的依賴關系參數δ1、δ2和δ3的約束條件為，
5.根據權利要求1所述的牽引車空氣懸架調節的控制方法，其特征在于，在步驟q3中，所述構建前后軸懸掛高度預測的馬爾科夫模型，對前后軸懸掛的高度進行預測包括：
6.根據權利要求5所述的牽引車空氣...
【專利技術屬性】
技術研發人員：吳海峰，余海峰，曾灼環，孔靈，李波，吳明瞭，
申請(專利權)人：廣州海珀特科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。