-
公开(公告)号：CN118446108A
公开(公告)日：2024-08-06
申请号：CN202410607544.8
申请日：2024-05-16
Applicant: 湖南大学
IPC: G06F30/27 , G06F30/28 , G06N3/084 , G06F113/08 , G06F119/14
Abstract: 本发明公开了一种用于水下机器人水动力模型构建的方法和装置，该方法包括：构建参数化水动力模型，包括水下机器人的标准运动方程；通过水下机器人实航测试，获得水下机器人的运动学数据；构建神经网络模型；其中，神经网络模型包括输入层，隐藏层和输出层组成，输入层由五个自由度纵荡、横荡、垂荡、纵摇、艏摇的速度状态数据以及五个外力状态数据构成；隐藏层包括3层网络，每层网络中包含预设数量神经元；输出层包含一个神经元；神经网络模型用于输出五个自由度的加速度状态。本发明实现通过水下机器人的航行数据进行水下机器人的参数化水动力模型和非参数化水动力模型的在线或离线构建，同时满足高精度、可解释性和可以理解性。
-
公开(公告)号：CN118372852A
公开(公告)日：2024-07-23
申请号：CN202410614944.1
申请日：2024-05-17
Applicant: 湖南大学
Abstract: 本发明提供一种基于全局速度规划及强化学习的混合动力车辆能量管理方法及系统，其方法包括以下步骤：A、对行车路线全程进行等时间间距离散，将整个路程离散为等时间的路程片段，同时设定一个参考路程片段，构建目标函数，形成全局速度规划v；B、建立串联混合动力车辆SHEV模型；C、采用MPC方法，建立车辆预测控制模型；D、根据全局速度规划曲线，设定各时刻预测域内的速度序列；E、采用构建的MPC模型，在预测域内采用强化学习算法求解最优控制序列，并将第一个最优控制值输出，实现滚动优化，使车辆发动机运行在经济曲线上。本发明能够使车辆能量消耗局部最优，提高燃油效率，实现车辆节能增效。
-
公开(公告)号：CN116453323B
公开(公告)日：2024-05-28
申请号：CN202310379511.8
申请日：2023-04-11
Applicant: 湖南大学
IPC: G08G1/00 , G08G1/01 , G06Q10/0631 , G06Q50/40
Abstract: 本申请公开了一种基于多车型和空车再平衡的出租车调度方法，包括：步骤S1，获取乘客乘车请求信息以及车辆实时状态，并每隔一段时间对状态为空车的车辆进行分配；步骤S2，根据乘车请求信息以及车辆实时状态定义决策网络；步骤S3，定义决策网络中的车辆最大化收益函数；步骤S4，进一步定义决策网络中的约束条件；步骤S5，基于车辆最大化收益函数和约束条件对车辆进行调度。本发明通过对多种车型的分配以及空车再平衡调度，在提高用车效率的同时能满足乘客的需求，提升了乘客的出行体验并降低了出租车的行驶成本。
-
公开(公告)号：CN118031966A
公开(公告)日：2024-05-14
申请号：CN202410169292.5
申请日：2024-02-06
Applicant: 湖南大学无锡智能控制研究院
Abstract: 本发明涉及自动驾驶技术领域，具体公开了一种用于四轮独立转向构型车辆的路径规划方法、装置及存储介质，包括：获取四轮独立转向构型车辆的当前位姿信息和所在环境的障碍物信息；根据当前位姿信息和所在环境的障碍物信息构建四轮独立转向构型车辆的多个转向运动学模型；对四轮独立转向构型车辆的多个转向运动学模型进行整合，获得综合运动模式模型；根据地图信息以及目标泊车信息构建泊车约束模型；根据泊车约束模型对所述综合运动模式模型进行求解获得泊车最优路径规划信息。本发明提供的用于四轮独立转向构型车辆的路径规划方法能够充分利用4WIS构型车辆的多型转向模式以提升车辆高灵活性和高通过性。
-
公开(公告)号：CN115586782B
公开(公告)日：2024-04-12
申请号：CN202211269250.6
申请日：2022-10-17
Applicant: 湖南大学
IPC: G05D1/43 , G05D109/30
Abstract: 本发明公开了一种自主式水下机器人运动控制方法及装置，该方法包括：构建自主式水下机器人运动控制中的动力学与运动学模型、状态变量、控制变量、效用函数和性能指标函数；设置双启发式动态规划的水下机器人的模型网络；构建双启发式动态规划的动作网络、评价网络和扰动网络并初始化网络；进行基于双启发式动态规划的策略提升过程，包括训练动作网络；进行基于启发式动态规划的策略评估过程，包括训练评价网络；训练启发式动态规划的扰动网络用于拟合外界扰动，包括训练扰动网络；重复动作网络、评价网络和扰动网络的训练，直至满足预设条件，最终得到的动作网络的输出公式用于控制自主式水下机器人的运动。
-
Patent Agency Ranking
公开(公告)号：CN117739971A
公开(公告)日：2024-03-22
申请号：CN202410058166.2
申请日：2024-01-16
Applicant: 湖南大学
Abstract: 本申请公开了一种鲁棒SINSUSBL组合导航方法、装置及系统，属于导航技术领域。该方法包括以下步骤：构建SINS/USBL组合导航模型；构建批量处理的线性回归滤波模型，对组合导航模型进行滤波状态更新；构造基于广义的最大似然估计的影响因子分配算法；利用构造的最大似然估计的影响因子分配算法进行状态量估计，得到最优估计结构；重构量测方程，对组合导航模型进行滤波状态矫正，实现精确导航。本申请提供了一种优化的广义最大似然估计算法来约束残差和位置影响，解决脉冲观测噪声野值的问题，可以有效提升系统在复杂水下环境中存在混合高斯噪声影响下的鲁棒性，改善观测噪声异常值，进而提高SINS/USBL的组合导航精度。
-
公开(公告)号：CN110928658B
公开(公告)日：2024-03-01
申请号：CN201911138877.6
申请日：2019-11-20
Applicant: 湖南大学
Abstract: 本发明公开了一种车边云协同架构的协同任务迁移系统及算法，包括：车载终端集群，该车载终端集群用于采集车辆信息和输出车辆信息至边缘服务器及远程云服务器；边缘服务器，设置于路侧边缘，与车载终端集群通信连接，以接收并处理车载终端集群采集处理的车辆信息和输出信号指令至车载终端集群内；远程云服务器，与车载终端集群通信连接，与车载终端集群之间进行身份认证、数据存储和数据收发。本发明的车边云协同架构的协同任务迁移系统，通过车载终端、边缘计算服务器和远程云服务器的组合作用，便可实现从传统的车‑边协同架构、车‑云协同架构到车边云协同架构的演进，选择最优的任务迁移机制，实现车载的能耗最小，可有效延长车辆的续航里程。(56)对比文件谢伯元等.基于车路协同的车辆状态估计方法《.汽车工程》.2014,第36卷(第8期),全文.乔冠华等.面向车辆多址接入边缘计算网络的任务协同计算迁移策略《.物联网学报》.2019,第3卷(第1期),全文.Datta, SK等.VEHICLES AS CONNECTEDRESOURCES Opportunities and Challengesfor the Future《.IEEE》.2017,第12卷(第2期),全文.
-
公开(公告)号：CN117437478A
公开(公告)日：2024-01-23
申请号：CN202311461008.3
申请日：2023-11-06
Applicant: 湖南大学
IPC: G06V10/764 , G06V10/80 , G06V10/82 , G06N3/045 , G06N3/094 , G06N3/0475 , G06N3/084 , G06N3/0464 , G06V10/26
Abstract: 本申请公开了一种基于前景激活和语义独立的跨域目标检测方法，先使用多尺度特征聚合对齐模块来捕获并聚合特征提取层中不同尺度的图像级特征进行对抗训练，然后使用前景注意力激活模块输出训练图像的前景目标注意力图，输入到前景区域加权对齐模块内，对图像级聚合特征加权对齐，最后截取目标对象单个实例特征，输入到类别语义独立域判别器中，引导实例特征在判别器各个预测管道处完成不同类别实例特征的语义分离独立，并在对应类别预测输出管道处进行特征域对抗训练以增强同类实例特征的域间混淆性，从而为单阶段目标检测器实现前景区域加权和类别语义独立的域自适应训练，在前景区域和类别语义层面实现检测器鲁棒的知识迁移。
-
公开(公告)号：CN116071910B
公开(公告)日：2023-12-22
申请号：CN202310024631.6
申请日：2023-01-09
Applicant: 湖南大学
Abstract: 本申请提供了一种灵活公交调度方法及系统，与传统停靠方式不同，由乘客自主上传乘车需求，控制终端根据乘车需求来进行车辆的调度，在调度过程中，保证乘客5公里内路程在15分钟内到达自己的终点站，大于5公里路程在30分钟内到达，对于未提交乘车需求的站点，可以不进站停靠，极大的缩短了公交车单趟运行的时间，可以提高运营效率及乘客的乘坐体验。
-
公开(公告)号：CN117202269A
公开(公告)日：2023-12-08
申请号：CN202311200858.8
申请日：2023-09-18
Applicant: 湖南大学
Abstract: 本申请公开了一种基于串行任务分解的边缘分层主动缓存方法及系统，其引入任务分解的思想，将边缘主动缓存问题分解为“是否需要优化当前缓存队列”(子问题1)以及“如果需要，如何优化缓存队列”(子问题2)两个子问题。通过上层智能体决策子问题1，保证较高缓存命中率的同时，尽可能减少内容在短时间内被重复删除、缓存，降低传输成本。通过下层智能体决策子问题2，当上层决策需要删除/缓存后，选出最佳删除/缓存内容，实现高命中率。同时，遵循从简单到困难的课程学习过程，下层智能体的任务相较于上层智能体优化目标少，训练难度更低，因此考虑从下层到上层的分层训练顺序。
-
-
-
-
-
-
-
-
-
Search Results
378
records
(took 0.027 seconds)
