本申请涉及智能汽车动力学控制领域，具体涉及一种车辆动力学建模方法、系统、设备及计算机可读存储介质。
背景技术：
1、在智能驾驶仿真测试中，车辆动力学模型是重要的一环，其精度会影响仿真测试结果的可信度。传统的物理建模法通过对汽车进行横纵向受力分析，建立起微分方程，但车辆动力学系统具有复杂性和不确定性，这就使得物理建模较为困难，通常会简化模型，但简化后的动力学模型并不能反映其动力学系统的本质特性。
2、目前一些成熟的商用建模软件，虽然具有较高的物理还原性，但一方面具有较高的价格成本，另外一方面，当前实际车辆搭载了复杂的智能集成制动系统（英文：integrated power brake；缩写：ipb）等执行器以及智能驾驶算法，商用软件较难模拟出执行器的特性。
3、基于深度学习的数据驱动模型能够通过学习大量的实车采集/仿真采集的车辆动力学数据，对输入输出进行高精度拟合，从而描述车辆的非线性和高阶动态效应，达到较高的动力学精度。例如，申请号为cn202010643680.4的中国发明专利公开了一种车辆动力学数据驱动建模方法，该车辆动力学数据驱动建模方建模方法包括步骤：采集待建模车辆的状态量信息；设计deep edmd网络结构，使用deep edmd网络逼近koopman算子，将强耦合非线性的车辆动力学模型进行线性逼近，得出待建模车辆的实验结果数据；将采集的状态量信息与得出的实验结果数据进行对比，绘制实验结果对比图。但是，该专利方案中没有充分考虑车辆动力学样本的高度时序相关性，无法捕获和利用过去的信息来预测未来的状态。
技术实现思路
1、本申请提供一种车辆动力学建模方法、系统、设备及计算机可读存储介质，可以解决现有技术中存在的车辆动力学建模没有充分考虑车辆动力学样本的高度时序相关性，导致无法准确模拟车辆动力学系统的技术问题。
2、第一方面，本申请实施例提供车辆动力学建模方法，所述车辆动力学建模方法包括：
3、获取训练数据集，所述训练数据集包括多组训练数据，每组训练数据均包括输入特征和相应的输出特征，所述输入特征中包含当前采样时刻之前的多个采样时刻的车辆状态量、以及当前采样时刻的车辆控制量，所述输出特征包括当前采样时刻的车辆状态量；
4、根据所述训练数据集进行模型训练，得到车辆动力学模型，以在接收到输入特征时对输出特征进行预测。
5、结合第一方面，在一种实施方式中，所述获取训练数据集，具体包括如下步骤：
6、通过实车测试和仿真测试获取所述训练数据集。
7、结合第一方面，在一种实施方式中，在进行所述实测测试和所述仿真测试时，均根据智能驾驶算法输出的期望状态量处理得到控制指令，所述控制指令包括车辆控制量；
8、将控制指令分别发送至实车和虚拟车，以控制实车和虚拟车的运行，并采集车辆状态量。
9、结合第一方面，在一种实施方式中，所述训练数据集包括车辆在多个典型工况下的训练数据；
10、所述多个典型工况包括滑行试验、纵向加速试验、制动试验、以及操纵稳定性试验。
11、结合第一方面，在一种实施方式中，所述车辆控制量包括电机扭矩、制动主缸压力、以及方向盘转向角其中至少一者；
12、所述车辆状态量包括纵向车速、横向车速、纵向加速度、横向加速度、横摆角、以及横摆角速度其中至少一者。
13、结合第一方面，在一种实施方式中，所述根据训练数据集进行模型训练，得到车辆动力学模型，具体包括如下步骤：
14、采用基于长短时记忆网络（lstm）的编解码器（ed）架构，将输入特征和输出特征分别作为该架构的输入和输出进行训练，得到所述车辆动力学模型。
15、结合第一方面，在一种实施方式中，所述方法还包括：
16、根据实车测试采集的训练数据构建验证数据集，以对车辆动力学模型进行模型验证和优化。
17、第二方面，本申请实施例提供了一种车辆动力学建模系统，所述车辆动力学建模系统包括：
18、数据采集模块，其用于获取训练数据集，所述训练数据集包括多组训练数据，每组训练数据均包括输入特征和相应的输出特征，所述输入特征中包含当前采样时刻之前的多个采样时刻的车辆状态量、以及当前采样时刻的车辆控制量，所述输出特征包括当前采样时刻的车辆状态量；
19、模型训练模块，其用于根据所述训练数据集进行模型训练，得到车辆动力学模型，以在接收到输入特征时对输出特征进行预测。
20、第三方面，本申请实施例提供了一种车辆动力学建模设备，所述车辆动力学建模设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的车辆动力学建模程序，其中所述车辆动力学建模程序被所述处理器执行时，实现所述的车辆动力学建模方法的步骤。
21、第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有车辆动力学建模程序，其中所述车辆动力学建模程序被处理器执行时，实现所述的车辆动力学建模方法的步骤。
22、本申请实施例提供的技术方案带来的有益效果包括：
23、本申请通过当前时刻下的控制量、当前时刻之前的多个时刻下的状态量、以及当前时刻下的状态量构建训练数据集，根据该训练数据集训练得到的车辆动力学模型在接收到控制量时可以结合之前多个时刻的状态量准确预测当前时刻会产生的状态量，该模型能够更准确模拟车辆动力学系统的高度时序相关性，准确还原车辆动力学系统。
1.一种车辆动力学建模方法，其特征在于，所述车辆动力学建模方法包括：
2.如权利要求1所述的车辆动力学建模方法，其特征在于，所述获取训练数据集，具体包括如下步骤：
3.如权利要求2所述的车辆动力学建模方法，其特征在于，在进行所述实测测试和所述仿真测试时，均根据智能驾驶算法输出的期望状态量处理得到控制指令，所述控制指令包括车辆控制量；
4.如权利要求1所述的车辆动力学建模方法，其特征在于，所述训练数据集包括车辆在多个典型工况下的训练数据；
5.如权利要求1所述的车辆动力学建模方法，其特征在于，所述车辆控制量包括电机扭矩、制动主缸压力、以及方向盘转向角其中至少一者；
6.如权利要求1所述的车辆动力学建模方法，其特征在于，所述根据训练数据集进行模型训练，得到车辆动力学模型，具体包括如下步骤：
7.如权利要求2所述的车辆动力学建模方法，其特征在于，所述方法还包括：
8.一种车辆动力学建模系统，其特征在于，所述车辆动力学建模系统包括：
9.一种车辆动力学建模设备，其特征在于，所述车辆动力学建模设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的车辆动力学建模程序，其中所述车辆动力学建模程序被所述处理器执行时，实现如权利要求1至7中任一项所述的车辆动力学建模方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有车辆动力学建模程序，其中所述车辆动力学建模程序被处理器执行时，实现如权利要求1至7中任一项所述的车辆动力学建模方法的步骤。
