-
公开(公告)号：CN113420368B
公开(公告)日：2024-10-01
申请号：CN202110563273.7
申请日：2021-05-24
Applicant: 江苏大学
IPC: G06F30/15 , G06F30/27 , G06N3/0442 , G06N3/0499 , G06N3/092 , G06F119/14
Abstract: 本发明公开了一种智能车辆神经网络动力学模型、强化学习网络模型及其自动驾驶训练方法，利用神经网络动力学模型和车辆平面映射关系来模拟自动驾驶汽车在区域分割鸟瞰图上实时的运动变化。采用神经网络作为动力学模型更加贴合实车的动力学特性，减小了普通单轨模型误差较大的问题。利用区域分割鸟瞰图Φ作为自动驾驶强化学习训练的状态量，减小了仿真训练和实车二次训练的状态量之间的差异，避免了仿真训练与实车二次训练之间因状态量差异带来的冲突；设计了一种贴合真实场景的强化学习自动驾驶策略仿真训练框架，预训练的强化学习网络RL‑net能较自然的迁移到实车的二次训练中，解决了直接将强化学习应用实车训练时前期可能会发生的碰撞事故的问题。
-
公开(公告)号：CN114312830B
公开(公告)日：2024-06-07
申请号：CN202111526027.0
申请日：2021-12-14
Applicant: 江苏大学
Abstract: 本发明公开了一种考虑危险驾驶工况的智能车耦合决策模型及方法，采用了自学习和驾驶规则耦合的决策方法，克服了单一决策方法的局限性、缺乏灵活性和不可靠性等问题，能有效处理各种复杂交通场景的智能车驾驶决策问题。本发明充分考虑了智能车行驶过程中的碰撞风险和换道风险，并在此基础上划分了相对应的决策算法，进一步提高了智能车决策的实时性和其在危险驾驶工况下决策的可靠性。本发明提出的基于特征空间映射的迁移学习算法实现了智能车最优价值动作由仿真场景‑真实场景的知识迁移，解决了真实交通场景的建模误差问题，同时也验证了本发明所提出的智能车耦合决策模型在真实驾驶场景中的有效性，大大提升了智能车的迁移学习能力。
-
公开(公告)号：CN117742323A
公开(公告)日：2024-03-22
申请号：CN202311663486.2
申请日：2023-12-06
Applicant: 江苏大学
Abstract: 本发明公开了一种多智能体无人艇的目标分配和航线规划方法，将任务信息发送给任务分配器，筛选出未分配的目标和无人艇，根据目标与无人艇之间考虑航行距离和转向惩罚后的综合距离，给每个无人艇分配一个目标；航线规划器为匹配的无人艇和目标生成平滑导航点序列，作为导航航路；在航行过程中，航行控制器根据协同避障和海域约束需求，构建速度优化模型，实时控制无人艇沿航路点序列航行。本发明实现了多智能体无人艇和多目标的高效匹配，生成满足约束条件的平滑导航航路，在满足协同避障要求和海域约束条件下进行智能航行控制。
-
公开(公告)号：CN113177258B
公开(公告)日：2024-02-20
申请号：CN202110351401.1
申请日：2021-03-31
Applicant: 江苏大学
IPC: G06F30/15 , G06F30/27 , G06N3/08 , G06F119/14
Abstract: 本发明公开了基于相空间重构的自动驾驶汽车深度神经网络预测模型系统及建立方法。在平面单轨模型PSTM的基础上建立历史序列输入和未来序列输出的车辆动力学相空间重构模型VDPSRM，再建立用于收集和存储真实车辆驾驶数据的获取和存储模块RVDDM，使用虚假最近邻计算模块FNNCM计算各典型驾驶工况下驾驶数据序列随延时的虚假最近邻，求取车辆动力学相空间重构模型中的嵌入维数m和每个时步的延迟时间τ，使用平均互信息计算模块AMICM计算各典型驾驶工况下驾驶数据序列的延时互信息，求取车辆动力学相空间重构模型中的预测维数n，构造深度神经网络模块DNNM学习相空间重构模型的重构映射Grec，建立了对未来状态有良好预测能力的自动驾驶汽车深度神经网络预测模型。
-
公开(公告)号：CN116853272A
公开(公告)日：2023-10-10
申请号：CN202310850026.4
申请日：2023-07-12
Applicant: 江苏大学
IPC: B60W50/00 , B60W60/00 , G06N3/0455 , G06N3/042 , G06N3/0464 , G06N3/08
Abstract: 本发明提供了一种融合复杂网络和图Transformer的自动驾驶车辆行为预测系统及方法，首先，构建车辆交互复杂网络，同时将原始地图信息数据、车辆的运动数据、局部交互信息作为模型的多层输入；然后，借助图Transformer的图卷积和多头节点注意力机制，对车辆之间的复杂关系进行建模和学习，获取车辆全局、局部的相关性；最后，通过训练预测模型，使得图Transformer模型具有良好的泛化性和鲁棒性，可以准确输出自动驾驶车辆的行为。
-
Patent Agency Ranking
公开(公告)号：CN114274840B
公开(公告)日：2022-11-18
申请号：CN202210018025.9
申请日：2022-01-07
Applicant: 江苏大学
IPC: B60L58/10
Abstract: 本发明提供了一种基于S‑CRANN的智能网联电动汽车电量消耗预测方法及系统，该系统包括路况检测装置、信息处理装置、电量消耗预测装置和续航里程预估装置，路况检测装置用于收集剩余行程的行程数据，信息处理装置对行程数据进行预处理，电量消耗预测装置基于S‑CRANN对本次出行的总耗电量进行预测，续航里程预估装置经根据总耗电量预测结果并结合当前剩余电量计算剩余续航里程。本发明能够对智能网联电动汽车电量消耗进行准确且实时的预测。
-
公开(公告)号：CN113954863A
公开(公告)日：2022-01-21
申请号：CN202111044320.3
申请日：2021-09-07
Applicant: 江苏大学
Abstract: 本发明提供了一种基于双注意力机制和改进Social Gan的车辆轨迹预测方法，将目标车辆及周边车辆的轨迹特征输入车辆轨迹预测模型，预测目标车辆未来时刻的行驶轨迹，所述车辆轨迹预测模型包括编码层、池化层、驾驶意图预测模块和解码层，池化层包括两个注意力模块和一个改进Social Gan的池化模块，一个注意力模块作用于编码后目标车辆的轨迹特征，对影响目标车辆轨迹的相关变量进行注意力加权，另一个注意力模块作用于编码后周边车辆的轨迹特征，对周边车辆影响目标车辆的重要度进行注意力加权，改进Social Gan的池化模块用于提取周边车辆的交互特征。本发明有效提高了预测精度，可以更好的应用于自动驾驶领域。
-
公开(公告)号：CN113177258A
公开(公告)日：2021-07-27
申请号：CN202110351401.1
申请日：2021-03-31
Applicant: 江苏大学
IPC: G06F30/15 , G06F30/27 , G06N3/08 , G06F119/14
Abstract: 本发明公开了基于相空间重构的自动驾驶汽车深度神经网络预测模型系统及建立方法。在平面单轨模型PSTM的基础上建立历史序列输入和未来序列输出的车辆动力学相空间重构模型VDPSRM，再建立用于收集和存储真实车辆驾驶数据的获取和存储模块RVDDM，使用虚假最近邻计算模块FNNCM计算各典型驾驶工况下驾驶数据序列随延时的虚假最近邻，求取车辆动力学相空间重构模型中的嵌入维数m和每个时步的延迟时间τ，使用平均互信息计算模块AMICM计算各典型驾驶工况下驾驶数据序列的延时互信息，求取车辆动力学相空间重构模型中的预测维数n，构造深度神经网络模块DNNM学习相空间重构模型的重构映射Grec，建立了对未来状态有良好预测能力的自动驾驶汽车深度神经网络预测模型。
-
公开(公告)号：CN112977477A
公开(公告)日：2021-06-18
申请号：CN202110217710.X
申请日：2021-02-26
Applicant: 江苏大学
Abstract: 本发明提供了一种基于神经网络的混合车车协同汇流系统和方法，属于自动驾驶汽车决策系统技术领域。本发明利用神经网络对汇流区场景进行学习和分类，根据不同的汇流场景类型执行相对应的汇流方法，包括自适应巡航策略、基于最小安全距离策略、最近智能网联汽车向内变道策略、后车减速策略、后车补位策略、前车减速策略、中间汇入补位策略和后车加速策略。本发明进一步完善了无人驾驶车辆和人类驾驶车辆混行的汇流情况。
-
公开(公告)号：CN117351712B
公开(公告)日：2024-07-12
申请号：CN202311313179.1
申请日：2023-10-11
Applicant: 江苏大学
Abstract: 本发明公开了一种基于Cro‑IntentFormer的融合车辆驾驶意图的轨迹预测方法及系统：首先对传感器收集到的车辆轨迹预处理得到符合模型输入条件的原始数据；以车辆为节点，车辆间的距离作为两个车辆节点间是否有边的依据，构建物理关系图，并将其和原始数据输入时空特征提取模块得到轨迹的时空特征；将时空特征矩阵输入意图预测模块得到车辆的预测意图；根据意图预测模块输出的意图信息重新构建语义关系图，并将其和原始数据输入时空特征提取模块得到轨迹的语义特征；融合轨迹的时空特征和语义特征，并将其输入到解码器中得到周围车辆的预测轨迹。本发明考虑到了行为意图相近的车辆轨迹间的相似性，提高了模型的可解释性和预测精度。
-
-
-
-
-
-
-
-
-
Search Results
66
records
(took 0.023 seconds)
