公开(公告)号：CN115892070A

公开(公告)日：2023-04-04

申请号：CN202211518976.9

申请日：2022-11-30

Applicant: 江苏大学

Inventor： 蔡英凤 ,  李宇星 ,  董钊志 ,  孙晓强 ,  陈龙 ,  袁朝春 ,  徐兴 ,  陈特

IPC: B60W60/00 ,  B60W50/00

Abstract: 本发明公开了一种四轮驱动与四轮转向的自动驾驶汽车极限避障工况轨迹跟踪控制方法及设备，根据轮胎滑移率对轮胎横向力影响的分析，设计对应的滑移率与轮胎侧偏角峰值范围。采用自适应滑模观测器实时估计轮胎纵向力，并将估计值代入模型预测控制器中以代替控制器的上一时刻输出，提高控制精度，充分利用轮胎的附着极限防止轮胎力饱和；通过逼近非线性模型，降低计算负担，解决了使用二自由度线性模型控制精度低的问题。多输入多输出非线性模型预测控制器可在高附着力路面上实现较好的轨迹和速度跟踪，同时车辆具有良好的转向响应速度。在附着系数无法满足所规划轨迹的路面上，本发明能在控制车辆不失稳的基础上保持对期望轨迹的跟踪能力。

公开(公告)号：CN114925461A

公开(公告)日：2022-08-19

申请号：CN202210748793.X

申请日：2022-06-29

Applicant: 江苏大学

Inventor： 蔡英凤 ,  朱子轩 ,  陈龙 ,  方啸 ,  陆文杰 ,  王海 ,  董钊志 ,  孙晓强

IPC: G06F30/15 ,  G06F30/20 ,  G06F119/14

Abstract: 本发明公开了一种自动驾驶商用车紧急转向控制策略网络模型、训练方法、建模方法及仿真方法，使用多任务划分的训练方法，同时结合可变高斯安全场模型以提高决策的安全性。使得在前方有障碍物，自身车辆又无法完成制动目标的情况下完成自动紧急转向，避免追尾或碰撞事故。本发明针对商用车的紧急制动转向问题，利用Matlab建模，并与Carla进行联合仿真的方法，解决了在无模型的强化学习中无法体现商用车重心高，易侧翻，质量大难制动等问题，保证了仿真实验的可靠性。本发明使用了多任务划分的强化学习方法，大大提高了训练效率。同时引入可变高斯安全场策略，保证了在决策和控制时，车辆控制具有较高的稳定性和避障安全性。

公开(公告)号：CN119644710A

公开(公告)日：2025-03-18

申请号：CN202411950567.5

申请日：2024-12-27

Applicant: 江苏大学

Inventor： 蔡英凤 ,  章宇航 ,  刘泽 ,  廉玉波 ,  陈龙 ,  董钊志

IPC: G05B11/42

Abstract: 本发明公开了一种基于在线学习的自适应RNN车辆轨迹跟踪控制器及控制方法，引入了循环神经网络(RNN)方法，充分利用其能够捕捉时间序列中的动态变化规律、对长期依赖关系建模的核心优势，同时具备非线性映射能力和网络内部特征表达能力，从而显著提升了复杂系统状态与控制输入之间非线性耦合关系的建模能力。通过这一改进，本发明有效解决了车辆动力学在复杂工况(如模型失配)下的控制精度与轨迹跟踪性能问题，在车辆动力学控制领域展现出显著的优越性。通过预测‑反馈控制器的协同作用，使系统在保持在线预测控制高效性的同时，实现了在复杂环境下更为精准和稳定的路径跟踪。

公开(公告)号：CN118569382A

公开(公告)日：2024-08-30

申请号：CN202410589205.1

申请日：2024-05-13

Applicant: 江苏大学

Inventor： 蔡英凤 ,  陆子恒 ,  王海 ,  董钊志 ,  陈龙 ,  刘泽

IPC: G06N5/04 ,  B60W60/00 ,  B60W50/00

Abstract: 本发明公开了一种行为模态划分方法、多模态轨迹预测模型的训练方法与推理方法，该方法包括：基于基本驾驶规则划分车辆轨迹的行为模态，构建泛化模态域；基于道路地图元素的模态细化，构建合理的空间引导；智能体编码结果通过多模态解码器输出对应不同高级别控制指令的多模态轨迹预测结果。本发明的多模态轨迹预测模型将基本驾驶规则用于泛化模态的划分，从而聚合具有相似驾驶行为的训练样本，实现更加直观、广泛、有效的模态分类，提升模型训练效率。其次设计了高细粒度的车道级模态细化方法，提升了信息融合的相关性，避免手工设计繁多的候选先验，自然引导生成更加丰富、有效的轨迹预测模态结果。

公开(公告)号：CN116729433A

公开(公告)日：2023-09-12

申请号：CN202310915326.6

申请日：2023-07-25

Applicant: 江苏大学

Inventor： 饶中钰 ,  蔡英凤 ,  王海 ,  李祎承 ,  刘擎超 ,  陈龙 ,  廉玉波 ,  董钊志

IPC: B60W60/00 ,  B60W50/00 ,  G06V20/58 ,  G06V10/26 ,  G06V10/774 ,  G06V10/42

Abstract: 本发明公开了一种结合元学习多任务优化的端到端自动驾驶决策规划方法及设备，采用端到端学习方式克服误差传递，同时利用多任务约束的方法优化了模型的收敛，多任务的多分支输出结果进一步增加了模型的可解释性。设计八个不同的子任务分支，包含对于环境的感知任务以及对于自身状态的认知，通过子任务的设计模型将原始传感器特征转化到鸟瞰图空间提升了决策规划预测的准确性。进一步，为优化不同的多任务组合，首先采用多任务亲密度对不同任务组合进行评估，得到初始化任务权重，然后采用基于结合元学习的多任务优化方法，在训练过程中动态调整不同任务之间权重，从而实现主任务预测的最优化。

公开(公告)号：CN112801273A

公开(公告)日：2021-05-14

申请号：CN202110124110.9

申请日：2021-01-29

Applicant: 江苏大学

Inventor： 蔡英凤 ,  杨绍卿 ,  高翔 ,  陈龙 ,  王海 ,  高洪波 ,  刘卫国 ,  董钊志 ,  陈军

IPC: G06N3/04 ,  G06N3/08 ,  G06N20/20

Abstract: 本发明公开了一种基于变分自编码器和强化学习的自动驾驶控制器及训练方法，采用了变分自编码器提取周围交通环境信息，编码器采用了卷积神经网络加循环神经网络的方法，有效的提取了多个传感器信息和历史环境信息，避免了信息的丢失。强化学习网络利用变分自编码器降维提取的潜在变量作为状态量进行训练，解决了强化学习部分状态空间过大的问题。利用变分自编码器的损失函数构造的附加奖励，加速了智能体对陌生状态空间的探索，提高了强化学习的探索率和学习率。