-
公开(公告)号：CN111352442B
公开(公告)日：2023-06-16
申请号：CN202010017947.9
申请日：2020-01-08
Applicant: 重庆大学
IPC: G05D1/12
Abstract: 本发明涉及一种基于鲁棒H infinite控制的牵引式挂车轨迹跟踪方法，属于无人驾驶中的轨迹跟踪控制领域。该方法包括：S1：对牵引式挂车进行动力学建模，包括轮胎侧偏刚度不确定性及外部扰动建模；S2：利用多面体方法处理动力学模型中参数时变问题；S3：基于牵引式挂车的动力学模型设计一种鲁棒H infinite静态输出反馈控制器；S4：利用线性矩阵不等式方法求解控制器增益，利用所求解的控制器增益及车辆状态，实时求解牵引式挂车的前轮偏角控制量，实现对期望路径的跟踪行驶。本发明能够降低传感器使用成本；考虑车辆模型参数不确定性及外部扰动，实现对期望轨迹的准确跟踪。
-
公开(公告)号：CN111965560B
公开(公告)日：2023-03-28
申请号：CN202010859703.5
申请日：2020-08-24
Applicant: 重庆大学
IPC: G01R31/392 , G01R31/367 , G01R31/36 , G01R31/00
Abstract: 本发明涉及一种面向通用放电工况的电池健康状态估计(State of health,SOH)方法，属于电池技术领域，包括以下步骤：S1：对于恒流或脉冲工况，直接进行电压分段，获得电量差序列；对于动态电流工况，首先进行电压滤波，再进行电压分段，获得电量差序列；S2：提取健康因子：计算电量序列及电量差序列的标准差作为健康因子，分别表示为stdQ_VP和std△Q_VP；S3：采用皮尔逊相关系数来分析健康因子与电池容量的线性相关性；S4：使用数据驱动的方法估计电池的SOH。本发明可建立简单的线性回归模型在通用的放电工况下估计电池的SOH。
-
公开(公告)号：CN115793445A
公开(公告)日：2023-03-14
申请号：CN202211434764.2
申请日：2022-11-16
Applicant: 重庆大学
IPC: G05B13/04
Abstract: 本发明涉及一种基于多智能体深度强化学习的混合动力汽车控制方法，属于新能源汽车技术领域。该方法包括：S1：构建多智能体交互环境；S2：确定各智能体对应策略的状态空间和动作空间，并制定合适的奖励函数；S3：建立与训练基于多智能体深度强化学习算法的混合动力汽车多目标协同控制策略，求解包含燃油经济性、再生制动回收率以及复合电源功率损耗率的多目标优化问题。本发明将多智能体深度强化学习算法应用于混合动力汽车的多目标协同控制中，可以实现不同优化目标间的自适应协调，不再依赖于人工协调优化目标权重，具有良好的灵活性、实时性以及优化效果。
-
公开(公告)号：CN111717217B
公开(公告)日：2022-11-08
申请号：CN202010624121.9
申请日：2020-06-30
Applicant: 重庆大学
Abstract: 本发明涉及一种基于概率修正的驾驶员意图识别方法，属于无人驾驶汽车领域。该方法包括：S1：采集驾驶行为的数据，并预处理；S2：获取环境道路信息，选取特征数据，并用MGHMM模型进行驾驶员意图的初步识别，计算得到观测序列对应于各驾驶员意图模型初始概率；S3：结合环境道路信息和采集的驾驶员数据对驾驶员意图模型初始概率P1进行修正，分别得到修正概率P2和P3；S4：将修正后的驾驶员意图模型概率输入PSO‑SVM分类器进行分类识别，辨识出最终的驾驶员意图。本发明大大提高了驾驶员意图识别的精度和实用性。利用本发明可进行驾驶员辅助系统的开发设计，实现无人驾驶汽车的人车协同控制。
-
公开(公告)号：CN114912693A
公开(公告)日：2022-08-16
申请号：CN202210565932.5
申请日：2022-05-23
Applicant: 重庆大学
Abstract: 本发明涉及一种基于多模态预测的自动驾驶汽车运动规划方法，属于自动驾驶汽车技术领域。该方法包括：S1：根据自车的轨迹历史和周围车辆的轨迹历史，采用LSTM模型预测周围车辆未来的多模态行为，即周围车辆在不同模态下未来位置的概率分布；S2：根据步骤S1中LSTM模型预测得到的多模态行为，构造相应的其他车辆的行为分支和自车的轨迹分支，由多模态概率和安全约束确定相应的分支概率；并利用MPC算法以轨迹分支的形式求解反馈策略。本发明在运动规划过程中采用了多模态的预测模型，提高了预测的精度，对传统的MPC进行了优化并通过反馈策略考虑了自车与他车的相互影响及整体的风险最优。
-
Patent Agency Ranking
公开(公告)号：CN113156963B
公开(公告)日：2022-08-12
申请号：CN202110475638.0
申请日：2021-04-29
Applicant: 重庆大学
Abstract: 本发明涉及一种基于监督信号引导的深度强化学习自动驾驶汽车控制方法，属于自动驾驶汽车领域。该方法包括：S1：获取周边车辆状态信息；S2：建立汽车运动学模型；S3：利用DDPG算法构建自动驾驶汽车控制模型对车辆的加速度和转向角进行控制，并优化Actor网络的损失函数，同时利用IDM算法和MOBIL算法构建加速度和转向角监督信号，对DDPG算法的训练进行引导和优化。本发明提升了DDPG算法的训练效率，实现了控制策略的实时性与最优性。
-
公开(公告)号：CN114707359A
公开(公告)日：2022-07-05
申请号：CN202210487160.8
申请日：2022-05-06
Applicant: 重庆大学
IPC: G06F30/20 , G06N3/08 , G06F111/08
Abstract: 本发明涉及一种基于值分布强化学习的自动驾驶汽车决策规划方法，属于自动驾驶汽车领域。该方法包括：S1：构建考虑不确定性的无信号灯十字路口场景；S2：构建全参数化分位数函数模型，作为自动驾驶汽车控制模型；S3：基于全参数化分位数函数模型中学习的状态‑动作回报分布信息，引入条件风险价值，生成具有风险意识的驾驶行为。本发明利用值分布强化学习提高了自动驾驶汽车在具有不确定性的环境下决策规划策略的安全性与稳定性。
-
公开(公告)号：CN111976707B
公开(公告)日：2022-06-03
申请号：CN202010930943.X
申请日：2020-09-07
Applicant: 重庆大学
Abstract: 本发明涉及一种基于凸优化考虑电机热状态的混合动力汽车能量管理方法，属于新能源汽车领域。该方法包含以下步骤：S1：根据汽车的参数，建立汽车的纵向动力学模型；S2：根据所选择的循环工况，计算汽车的需求转矩、需求功率；S3：建立各部件动力学模型，以及电机热状态模型S4：通过凸优化拟合方法，对动力系统各部件模型凸化处理；S5：对传动系统的各部件工作状态及电机热状态进行约束；S6：确定目标函数，建立凸优化框架；S7：利用凸优化工具箱，在保证约束条件有效情况下下，计算最佳功率分配。本发明弥补了现有混合动力能量管理方法忽略电机工作状态的缺点，同时本发明的优化算法计算时间快，结果准确。
-
公开(公告)号：CN112677957B
公开(公告)日：2021-10-08
申请号：CN202110019579.6
申请日：2021-01-07
Abstract: 本发明涉及一种双模构型多目标条件下基于帕累托最优性的参数优化方法，属于新能源汽车领域。该方法包括：S1：构建双模构型不同构型模式下稳态动力学方程及基于传动效率最大化的模式切换策略；S2：搭建计及部件转动惯量的混合动力传动系统瞬态动力学方程；S3：基于动态规划算法构建包括工况相关经济性成本和传动系统部件成本在内的经济性评价指标以及以百公里加速时间量化的动力性评价指标；S4：通过切比雪夫的聚合方法构造多目标优化函数，基于多目标进化算法MOEA/D得到双模构型有关工况相关经济性成本，动力传动系统部件成本和以加速性能为评价指标的动力性的最优帕累托前沿。本发明为构型优化提供更广阔的设计空间。
-
公开(公告)号：CN112550272B
公开(公告)日：2021-07-30
申请号：CN202011475175.X
申请日：2020-12-14
Applicant: 重庆大学
IPC: B60W20/11
Abstract: 本发明涉及一种基于视觉感知与深度强化学习的智能混合动力汽车分层控制方法，属于新能源汽车与智能汽车的交叉领域。该方法包括：在上层环境中，通过智能汽车的环境感知，利用摄像头与卷积网络实时监测前方车辆与路面情况，从而根据单目摄像头测距方法计算出实时的跟车距离并且判断出最佳的跟车距离；在中层环境中，利用深度值网络控制车辆的纵向加速度，从而实现混合动力汽车的智能跟车控制；在下层环境中，利用深度值网络算法控制并联式混合动力系统，完成对发动机与机械式无级变速器的协同控制，从而依据实时的需求功率进行混合动力汽车能量管理，最终实现智能化混合动力汽车的最佳燃油经济性。
-
-
-
-
-
-
-
-
-
Search Results
154
records
(took 0.026 seconds)
