1.一种Q学习混合RBF神经网络的轮胎侧偏角计算方法,其特征在于,具体包括如下步骤:步骤S1、根据Dugoff轮胎模型建立Dugoff轮胎逆模型;
步骤S2、收集不同转向工况下的车辆动态参数、轮胎参数以及轮胎侧偏角,将车辆动态参数输入Dugoff轮胎逆模型中,获取不同轮胎侧偏角下轮胎侧偏角的第一分量;所述车辆动态参数包括:轮胎的期望纵向力、轮胎的期望侧向力、轮胎所在路面的附着系数、轮胎的垂直载荷,所述轮胎参数包括:轮胎的纵向刚度和轮胎的侧偏刚度;
步骤S3、构建RBF神经网络,将收集的所有车辆动态参数和轮胎参数作为RBF神经网络的输入,将收集的轮胎侧偏角作为标签,通过强化学习算法训练RBF神经网络,直至回合训练结束,完成对RBF神经网络的训练;
步骤S4、将Q值最大的状态作为RBF神经网络的最优参数,将收集的所有车辆动态参数和轮胎参数输入最优参数下的RBF神经网络中,计算出RBF神经网络的权重矩阵,获得在最优参数和对应权重矩阵下的最优RBF神经网络模型;
步骤S5、实时采集车辆行驶过程中车辆动态参数和轮胎参数,将车辆动态参数通过Dugoff轮胎逆模型计算轮胎侧偏角的第一分量,并将车辆动态参数和轮胎参数输入最优RBF神经网络中预测出轮胎侧偏角的第二分量;
步骤S6、将轮胎侧偏角的第一分量与轮胎侧偏角的第二分量之和作为轮胎侧偏角。
2.根据权利要求1所述的一种Q学习混合RBF神经网络的轮胎侧偏角计算方法,其特征在于,步骤S1中Dugoff轮胎逆模型的建立过程为:当车辆与路面动态参数D≥1时,Dugoff轮胎逆模型表示为:
当车辆与路面动态参数D<1时,Dugoff轮胎逆模型表示为:
其中,λ为轮胎的滑移率,α为轮胎的侧偏角,Fx为轮胎的期望纵向力,Fy为轮胎的期望侧向力,μ为轮胎在路面附着系数,Fz为轮胎的垂直载荷,Cλ为轮胎的纵向刚度,Cα为轮胎的侧偏刚度。
3.根据权利要求1所述的一种Q学习混合RBF神经网络的轮胎侧偏角计算方法,其特征在于,步骤S3包括如下子步骤:步骤S3.1、将RBF神经网络的隐藏层节点中心矢量和基宽向量作为强化学习算法的状态,将RBF神经网络的隐藏层节点中心矢量的增量和基宽向量的增量作为强化学习算法的动作,并初始化Q表,Q表用于存储状态-动作对的Q值;
步骤S3.2、根据贪心算法在Q表中选择对应动作,更新RBF神经网络的隐藏层节点中心矢量和基宽向量;
步骤S3.3、将收集的所有车辆动态参数和轮胎参数输入更新隐藏层节点中心矢量和基宽向量的RBF神经网络中进行训练,预测出所有轮胎参数对应的轮胎侧偏角的第二分量;
步骤S3.4、将预测的轮胎侧偏角的第二分量与Dugoff轮胎逆模型计算的轮胎侧偏角的第一分量之和作为预测的轮胎侧偏角,将所有预测的轮胎侧偏角与标签中对应的实际轮胎侧偏角的均方误差之和作为奖励函数,通过贝尔曼方程更新Q值,存储到Q表中;
步骤S3.5、重复步骤S3.2-S3.4,直至回合训练结束,完成对RBF神经网络的训练。
4.根据权利要求3所述的一种Q学习混合RBF神经网络的轮胎侧偏角计算方法,其特征在于,步骤S3.2中对应动作选择的具体过程为:其中,a表示从Q表中选择的对应动作,Q(s,a)表示Q表中状态-动作对的Q值,random()表示生成一个处于0到1之间的随机数,max(Q(s,a))表示Q表中最大Q值,rand表示[0,1]的随机数,ε表示探索率的概率。
5.根据权利要求3所述的一种Q学习混合RBF神经网络的轮胎侧偏角计算方法,其特征在于,步骤S3.4中Q值的更新过程具体为:Q(s,a)′=Q(s,a)+ζ(r(s,a)+ξmaxQ(s′,a′)-Q(s,a))其中,Q(s,a)′表示经贝尔曼方程更新的Q值,Q(s,a)表示Q表中状态-动作对的Q值,ζ表示学习率,ξ表示折扣率,r(s,a)表示单次训练回合奖励函数,maxQ(s′,a′)表示环境在当前动作下进入新状态s′在Q表中对应的最大期望Q值。
6.根据权利要求1所述的一种Q学习混合RBF神经网络的轮胎侧偏角计算方法,其特征在于,步骤S4中RBF神经网络的权重矩阵的计算过程为:ωi=(HiTHi)-1HiTY
其中,ωi表示RBF神经网络中隐藏层第i个节点的权重矩阵,Y表示轮胎侧偏角与轮胎侧偏角的第二分量的差值矩阵,Hi表示RBF神经网络中隐藏层第i个节点的向量矩阵。
7.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序使计算机执行如权利要求1-6任一项所述的Q学习混合RBF神经网络的轮胎侧偏角计算方法。
8.一种电子设备,其特征在于,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,所述处理器执行计算机程序时,实现如权利要求1-6任一项所述的Q学习混合RBF神经网络的轮胎侧偏角计算方法。
9.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-6任一项所述的Q学习混合RBF神经网络的轮胎侧偏角计算方法。