公开(公告)号：CN101441106A

公开(公告)日：2009-05-27

申请号：CN200810237247.X

申请日：2008-12-25

Applicant: 重庆大学

Inventor： 杨为 ,  陆国栋

IPC: G01H9/00

Abstract: 本发明公开了一种激光测振仪四自由度夹持装置，包括基座、设置在基座上移动方向构成三维坐标系的移动副I、移动副II和移动副III，移动副I的相对固定部件为基座，移动副II的相对固定部件为移动副I的移动部件，移动副III的相对固定部件为移动副II的移动部件，激光测振仪的激光头通过转动副与移动副III的移动部件连接，转动副的轴线相交于移动副III的移动方向，本发明可以使激光测振仪的激光头实现四个自由度调节，在测量振动过程中，能有效固定测振仪的激光头，并且能够方便的在一定范围内调节激光头与被测物的相对位置，对物体从各个角度进行测量，提高振动测量的工作效率，结构简单，制造成本低，适合在各种测量振动的环境中使用。

公开(公告)号：CN119442878A

公开(公告)日：2025-02-14

申请号：CN202411509352.X

申请日：2024-10-28

Applicant: 重庆大学

Inventor： 唐小林 ,  陈佳信 ,  王猛 ,  杨为 ,  刘宇杰 ,  唐小丽 ,  李佳承

IPC: G06F30/27 ,  G06F30/10

Abstract: 本发明涉及一种面向混合动力汽车的深度强化学习型具身智能方法，属于新能源汽车与人工智能的交叉领域。该方法包括：S1：自定义离线训练与建模在线测试方案；S2：构建实时驾驶环境BEV感知方案；在自动驾驶仿真软件中加载离线训练场景与自定义测试地图，并根据nuScenes数据集配置摄像机；完成场景、车辆及传感器建模后，基于BEV Fusion算法对关键交通要素进行分割与检测；S3：通过BEV Fusion算法获得高维Camera BEV张量，利用深度强化学习算法训练“Alpha HEV具身智能模型”；S4：验证“Alpha HEV具身智能模型”。

公开(公告)号：CN114312845B

公开(公告)日：2024-10-22

申请号：CN202210009502.5

申请日：2022-01-06

Applicant: 重庆大学

Inventor： 唐小林 ,  陈佳信 ,  杨凯 ,  邓忠伟 ,  杨为 ,  胡晓松 ,  李佳承

IPC: B60W60/00 ,  B60W20/11 ,  B60W50/00

Abstract: 本发明涉及一种基于地图数据的深度强化学习型混合动力汽车控制方法，属于新能源汽车与智能网联汽车的交叉领域。该方法包括：处理地图数据，建立环境模型；预规划目标速度轨迹；建立车身模型与混合动力系统模型，根据整车动力学对行驶过程进行受力分析并且确定混合动力系统功率平衡关系；车辆转向控制影响分析；建立基于深度确定性策略梯度的混合动力汽车控制策略训练模型，以整车的加速度与转向角以及混合动力系统的发动机与变速器为控制对象，建立控制策略的状态空间、动作空间以及奖励函数，并且进行阶梯式迭代训练过程。本发明能实现混合动力汽车的智能网联化自动驾驶。

公开(公告)号：CN117533336B

公开(公告)日：2024-10-15

申请号：CN202311728288.X

申请日：2023-12-15

Applicant: 重庆大学

Inventor： 杨为

IPC: B60W50/00 ,  B60W30/09 ,  G06N3/126

Abstract: 本发明提供了一种融合制动距离、驾驶员反应时间和预警时间的电动车纵向紧急制动避撞控制方法，包括建立风险评估模型、搭建AEB纵向避撞系统控制策略和测试场景验证；风险评估模型为融合制动安全距离、驾驶员反应时间和预警时间的风险评估模型；风险评估模型包括安全距离模型和风险预警模型；AEB纵向避撞系统控制策略包括基于神经网络的上层控制器设计和基于多种群遗传算法的下层PID控制器设计；测试场景验证包括单一低附着路面仿真验证和对接路面仿真验证，其基于CarSim和MATLAB/Simulink完成联合仿真测试系统的搭建，验证各模块的综合性能是否安全可靠。本发明增加了AEB系统的控制精度，提高了汽车AEB系统的安全性和舒适性。

公开(公告)号：CN117807714B

公开(公告)日：2024-07-09

申请号：CN202410021495.X

申请日：2024-01-05

Applicant: 重庆大学

Inventor： 唐小林 ,  陈佳信 ,  林利红 ,  杨为 ,  李佳承

IPC: G06F30/15 ,  G06F30/27 ,  G06N3/092 ,  G06N3/0464 ,  G06N3/045

Abstract: 本发明涉及一种深度强化学习型控制策略的自适应性在线提升方法，属于新能源汽车与人工智能算法的交叉领域。该方法包括：Actor策略网络的初始化训练阶段、多智能体环境的Critic网络预训练阶段、多智能体环境的适配性提升阶段、成熟型Actor策略网络的在线阶段、Actor策略网络的适应性提升阶段和Actor策略网络的适应性预备阶段。本发明针对混合动力汽车与深度强化学习型能量管理策略，提高了深度强化学习型能量管理策略的自适应，解决机器学习型策略由于特殊机理，导致训练阶段的环境模型始终与真实的环境存在一定差异，甚至必然存在的“长尾”效应导致训练过程无法全面覆盖所有场景的问题。

公开(公告)号：CN118260658A

公开(公告)日：2024-06-28

申请号：CN202410433968.7

申请日：2024-04-11

Applicant: 重庆大学

Inventor： 杨为 ,  黄士东 ,  唐小林

IPC: G06F18/241 ,  G06F18/214 ,  G06N3/0442 ,  G06N3/08 ,  G06F18/213

Abstract: 本公开提供一种驾驶意图预测模型的训练方法、预测方法、装置和设备，包括：获取目标车辆的样本行驶数据；将目标车辆的样本行驶数据输入预设网络模型的第一分支，得到目标车辆的样本行驶数据对应的局部特征向量表征；将目标车辆的样本行驶数据对应的局部特征向量表征输入预设网络模型的第二分支，得到对应的局部序列信息表征；将局部序列信息表征输入预设网络模型的第三分支，得到目标车辆的驾驶意图预测结果；采用预设损失函数，基于目标车辆的驾驶意图预测结果，对预设网络模型的第三分支进行训练，得到训练后的驾驶意图预测模型。从而，能够有效进行驾驶意图预测，提升驾驶意图预测准确性。

公开(公告)号：CN117217015B

公开(公告)日：2024-06-04

申请号：CN202311226626.X

申请日：2023-09-22

Applicant: 重庆大学

Inventor： 杨为 ,  黄士东

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

Abstract: 本发明提供了一种基于车辆动力学响应的路面附着系数估计方法，包括基于Burckhardt轮胎模型的车辆附着系数的确定方法和轮胎‑路面附着系数的辨识算法；基于Burckhardt轮胎模型的车辆附着系数的确定方法，包括获取Burckhardt轮胎模型，并简化Burckhardt轮胎模型，利用附着系数曲线对车辆行驶的各种城市常见道路的路面附着系数进行估计；轮胎‑路面附着系数的辨识算法，包括在Simulink中搭建基于Burckhardt轮胎模型的路面附着系数辨识算法，建立路面附着系数估计联合仿真模型。本发明在汽车主动避撞策略中引入路面附着系数信息，提高了AEB系统对不同路况的适应能力。

公开(公告)号：CN118092150A

公开(公告)日：2024-05-28

申请号：CN202311515188.9

申请日：2023-11-13

Applicant: 重庆大学

Inventor： 唐小林 ,  陈佳信 ,  汪锋 ,  杨为 ,  李佳承

IPC: G05B13/04 ,  G06N3/092 ,  G06N3/006

Abstract: 本发明涉及一种深度强化学习型能量管理策略的无权重训练以及测试方法，属于新能源汽车与人工智能算法的交叉领域。该方法包括：S1：建立面向离线迭代训练的仿真道路场景，并搭建来自于真实道路的测试场景，同时设计面向短时域行驶范围的实时速度规划方法；S2：针对多种配备单电机的并联混合动力系统构型，建立基于Python环境与Simulink环境的联合仿真训练架构；S3：设计无权重化训练方法，通过消除原先奖励函数中关于瞬时燃料消耗和SOC偏差的优化项后，引入规则型发动机启停策略实现针对SOC变化的维持，并利用发动机最佳运行曲线与燃油消耗率引导深度强化学习型智能体探索最优型能量管理策略；S4：离线仿真训练与测试环节结束后进行硬件在环测试。

公开(公告)号：CN118025151A

公开(公告)日：2024-05-14

申请号：CN202410433677.8

申请日：2024-04-11

Applicant: 重庆大学

Inventor： 杨为 ,  黄士东 ,  唐小林

IPC: B60W30/095 ,  B60W50/00 ,  B60W50/14

Abstract: 本公开提供一种面向智能车的制动意图预测方法、装置、设备和介质，包括：在智能车辆的行驶过程中，若检测到智能车辆的行驶道路中有障碍物，则生成障碍物预警提示；响应于驾驶员对智能车辆的制动操作，获取智能车辆的制动响应数据；获取预先训练得出的制动意图预测模型；将智能车辆的制动响应数据输入制动意图预测模型中，基于制动意图预测模型的输出确定智能车辆的制动意图类别，智能车辆的制动意图类别包括：无制动、轻度制动和紧急制动。从而，在智能车辆行驶过程中遇到障碍物时，能够及时提前预测出智能车辆的制动意图，便于智能车辆的系统进行相应处理，有效提升了制动意图预测的准确性，同时，保证行车安全。

公开(公告)号：CN117985023A

公开(公告)日：2024-05-07

申请号：CN202410140008.1

申请日：2024-02-01

Applicant: 重庆大学

Inventor： 杨为 ,  姜孔明 ,  唐小林 ,  黄士东

IPC: B60W40/08 ,  B60W50/00 ,  G06F18/20 ,  G06F18/10 ,  G06F18/2135 ,  G06F18/25 ,  G06N3/0455

Abstract: 本发明提供了一种基于人‑车多源信息融合和Transformer的驾驶员连续型制动意图预测方法，包括：基于KPCA的人‑车多源信息融合与数据降维方法，得到多源融合后的人‑车交互数据；搭建Transformer模型，并将多源融合后的人‑车交互数据作为模型的输入时间序列，得到驾驶员制动强度的预测值；其中，基于KPCA的人‑车多源信息融合与数据降维方法，包括：采集驾驶员对应位置的sEMG信号；将sEMG信号进行预处理；对预处理得到的sEMG信号提取时域特征并归一化；将汽车动力学特征归一化；将归一化的sEMG信号时域特征与归一化的汽车动力学特征使用kPCA方法进行数据融合和降维，得到多源融合后的人‑车交互数据。本发明以人‑车多源信息为依据，能够提前预测驾驶员连续型制动意图。