-
公开(公告)号：CN111679575A
公开(公告)日：2020-09-18
申请号：CN202010407838.8
申请日：2020-05-14
Applicant: 江苏大学
IPC: G05B13/04
Abstract: 本发明公开了一种基于鲁棒模型预测控制的智能汽车轨迹跟踪控制器及其构造方法，在智能感知车辆外部环境和自身参数的基础上，首先建立横向和横摆两个方向的路径跟踪误差模型，并且在此基础上考虑未建模动态和风阻、道路坡度和道路不平度造成的外界干扰，建立标称系统约束。基于此数学模型设计控制器，该控制器由两部分组成，一部分为由标称系统作为被控对象，设计模型预测控制器；另外一部分为附加反馈控制，用于减少实际系统与标称系统之间的偏差，附加反馈控制率采用滑模控制法，通过两部分控制率的组合，可以在保证路径跟踪的同时有效减少外界因素的干扰，提高控制器的鲁棒性。
-
公开(公告)号：CN110723207A
公开(公告)日：2020-01-24
申请号：CN201910897709.9
申请日：2019-09-23
Applicant: 江苏大学
IPC: B62D6/00
Abstract: 本发明公开了基于模型重构的智能汽车模型预测转向控制器及其控制方法，在智能感知车辆外部环境和自身参数的基础上，首先建立原模型的右逆模型，放置于原模型的左侧，对智能汽车转向模型进行重新构造，再建立原模型的左逆模型，用于观测横摆角速度参数，然后根据重新构造得到的新模型和横摆角速度观测参数，设计模型预测转向控制器，实现基于模型重构的智能汽车模型预测转向控制，提高智能汽车转向控制性能和智能化水平。本发明综合使用逆模型和模型预测控制方法，使用重构的新模型和左逆模型观测数据，合理设计模型预测控制器，目的明确，方法简单，可以方便地观测横摆角速度响应数据，抑制多干扰因素，克服未建模动态，获得高性能的控制效果。
-
公开(公告)号：CN101630940A
公开(公告)日：2010-01-20
申请号：CN200910184312.1
申请日：2009-08-12
Applicant: 江苏大学
IPC: H02P27/06
Abstract: 本发明公开了一种感应电机调速系统的模糊神经网络逆鲁棒控制器及其构造方法，将逆变器、感应电机及负载作为一个整体组成感应电机调速系统，用模糊神经网络逆串接在感应电机调速系统前，二者共同复合成一阶积分型速度伪线性系统，对得到的速度伪线性系统设计鲁棒控制器，将所述模糊神经网络逆与鲁棒控制器相连接形成模糊神经网络逆鲁棒控制器，实现对感应电机调速系统的高精度鲁棒控制，本发明可抑制参数摄动和负载突变，克服未建模动态的干扰，不仅用于设计新的感应电机调速系统控制方案，在旧的感应电机调速系统的改造中应用前景非常广阔，系统的控制代码可方便地移植到各种控制芯片中，大大缩短开发周期。
-
公开(公告)号：CN113386781B
公开(公告)日：2024-05-24
申请号：CN202110563037.5
申请日：2021-05-24
Applicant: 江苏大学
IPC: B60W50/00 , B60W30/09 , G01M17/007 , G06F30/15 , G06F30/27
Abstract: 本发明公开了一种基于数据驱动车辆动力学模型的智能车辆轨迹跟踪控制方法，在模型训练学习中，通过虚拟高保真度车辆试验及实际无人驾驶车辆试验分别获取车辆动力学数据集，基于时滞反馈的思想及神经网络非线性建模原理，设计神经网络车辆动力学模型，利用所得到的车辆动力学数据集对模型进行两阶段的训练学习。在基于模型的控制中，结束两阶段学习后，提取所得到的神经网络车辆动力学模型的权重参数，以进行后续轨迹跟踪控制算法中的前向计算。基于无人驾驶车辆稳态转弯假设，利用学习到的神经网络车辆动力学模型得到前馈前轮转角和前馈稳态质心侧偏角，将车辆前馈稳态质心侧偏角纳入基于路径的转向反馈控制，实现参考轨迹的跟踪控制。
-
公开(公告)号：CN115096305A
公开(公告)日：2022-09-23
申请号：CN202111119055.0
申请日：2021-09-24
Applicant: 江苏大学
Abstract: 本发明公开了一种基于生成对抗网络和模仿学习的智能驾驶汽车路径规划系统及方法，包括轨迹点生成对抗网络和生成对应的轨迹两部分。轨迹点生成对抗网络以场景特征和随机噪声为输入，以经验驾驶员驾驶轨迹为对应样本，模仿生成经验轨迹末状态的横纵向轨迹点状态；轨迹生成部分利用生成的轨迹横纵向末状态和车辆当前横纵向末状态，拟合横纵向轨迹的五次多项式，并进行横纵向轨迹合并。本发明解决了因驾驶员们驾驶风格多变导致的单个样本可能对应多个数据标签，模仿学习难以训练的问题；另外，通过五次多项式分开拟合横纵向轨迹，减小了模仿学习学习整条驾驶轨迹的难度，保证了生成轨迹的光滑程度。同时，采用轨迹评估避免了生成轨迹的潜在风险。
-
Patent Agency Ranking
公开(公告)号：CN110687907B
公开(公告)日：2022-09-13
申请号：CN201910897708.4
申请日：2019-09-23
Applicant: 江苏大学
IPC: G05D1/02
Abstract: 本发明公开了基于模型动态重构的智能汽车解耦预测控制器及其控制方法，在智能感知车辆外部环境和自身参数的基础上，首先建立智能汽车三自由度耦合非线性原模型，再构造智能汽车的两个右逆模型，两个右逆模型交替学习进化，将其中一个不执行学习进化功能的右逆模型放置于原模型的左侧，对智能汽车模型进行动态重构，实现模型动态解耦和简化控制，然后根据重新构造得到的新模型中各个子模型及控制要求特征，分别设计模型预测控制器，实现基于模型动态重构的智能汽车解耦预测控制，提高智能汽车的控制性能和智能化水平。本发明结合使用动态逆模型和模型预测控制方法，使用重构的规范化新模型合理设计模型预测控制器，提高智能汽车的控制性能。
-
公开(公告)号：CN113406955B
公开(公告)日：2022-06-21
申请号：CN202110504041.4
申请日：2021-05-10
Applicant: 江苏大学
IPC: G05D1/02
Abstract: 本发明公开了基于复杂网络的自动驾驶汽车复杂环境模型、认知系统及认知方法，在感知自动驾驶汽车外部环境的基础上，首先，针对个体驾驶行为认知的复杂性问题，依据用于表示驾驶操控激进程度和模式转移偏好的驾驶特征参数，进行驾驶风格识别；其次，依据环境中运动主体的群体行为特征，在驾驶风格识别的基础上，基于复杂网络，以运动主体为节点，以道路为约束，建立时变复杂动态网络作为自动驾驶汽车复杂环境模型；最后，对复杂环境模型中的节点进行参数化表述，实现对复杂环境的节点差异化认知，采用凝聚算法对复杂环境模型中的节点分层，实现对复杂环境的层次化认知，建立复杂环境模型的无序程度度量方法，实现对复杂环境的全局风险态势认知。
-
公开(公告)号：CN113936139A
公开(公告)日：2022-01-14
申请号：CN202111271617.3
申请日：2021-10-29
Applicant: 江苏大学
Abstract: 本发明公开了一种视觉深度信息与语义分割相结合的场景鸟瞰图重构方法及系统,首先通过立体匹配模型得到深度图，随后采用语义分割模型得到前置语义分割图，将深度图与语义分割图坐标变换，得到具有类别信息的伪点云，并保留其鸟瞰图视角的类别信息，最后通过深度对抗模型对于图像中的空洞区域进行填充，得到最终语义鸟瞰图。本发明利用双目摄像头，能够有效进行前方区域鸟瞰图重建，为指导后续规划控制提供有效信息；在提取语义分割信息时，采用RGB‑D语义分割算法，充分利用RGB信息与前端深度估计模型的深度信息，进一步完善语义分割信息，选用生成对抗网络进行空洞及遮挡部分的信息修复和填充，丰富鸟瞰图图像的信息，提升重构鸟瞰图图像的精度。
-
公开(公告)号：CN113408047A
公开(公告)日：2021-09-17
申请号：CN202110563038.X
申请日：2021-08-05
Applicant: 江苏大学
IPC: G06F30/15 , G06F30/27 , G06N3/04 , G06N3/08 , G06F119/14
Abstract: 本发明公开了一种基于时滞反馈神经网络的车辆动力学预测模型、及训练数据获取方法、训练方法，提出多道路条件下的车辆动力学虚拟及实际数据集采集方法，为车辆动力学建立模型奠定数据基础。首先基于车辆非线性动力学选择性添加不同的保真度模型，得到不同复杂程度的低保真度可解释车辆非线性动力学模型多时步虚拟数据集；其次通过高保真度车辆动力学软件CarSim获得高保真度动力学模型多时步虚拟数据；最后通过布置实际无人驾驶车辆动力学数据采集装置，以获取车辆动力学真实数据集。车辆动力学虚拟数据集的自由度选择范围广，获取成本低，降低实车数据的需求量，车辆动力学真实数据集为模型再度优化权重参数，提高实际车辆动力学预测响应的精度。
-
公开(公告)号：CN113386781A
公开(公告)日：2021-09-14
申请号：CN202110563037.5
申请日：2021-05-24
Applicant: 江苏大学
IPC: B60W50/00 , B60W30/09 , G01M17/007 , G06F30/15 , G06F30/27
Abstract: 本发明公开了一种基于数据驱动车辆动力学模型的智能车辆轨迹跟踪控制方法，在模型训练学习中，通过虚拟高保真度车辆试验及实际无人驾驶车辆试验分别获取车辆动力学数据集，基于时滞反馈的思想及神经网络非线性建模原理，设计神经网络车辆动力学模型，利用所得到的车辆动力学数据集对模型进行两阶段的训练学习。在基于模型的控制中，结束两阶段学习后，提取所得到的神经网络车辆动力学模型的权重参数，以进行后续轨迹跟踪控制算法中的前向计算。基于无人驾驶车辆稳态转弯假设，利用学习到的神经网络车辆动力学模型得到前馈前轮转角和前馈稳态质心侧偏角，将车辆前馈稳态质心侧偏角纳入基于路径的转向反馈控制，实现参考轨迹的跟踪控制。
-
-
-
-
-
-
-
-
-
Search Results
42
records
(took 0.019 seconds)
