-
公开(公告)号：CN108400676A
公开(公告)日：2018-08-14
申请号：CN201810180571.6
申请日：2018-03-05
Applicant: 重庆大学
Abstract: 本发明公开了一种二级约束式减速电机，包括电机和减速器，减速器包括一级减速传动机构和二级减速传动机构，一级减速传动机构包括动力输入轴、一级主动齿轮和一级从动齿轮，二级减速传动机构包括动力输出轴、二级外齿轮和二级内齿盘，一级从动齿轮与二级内齿盘之间设置有用于驱动二级内齿盘绕动力输出轴公转并驱动二级外齿轮自转的偏心驱动组件；本发明消除了二级内齿盘的自转，内齿轮副通过二级内齿盘公转传递运动和动力，具有传动比大、传动刚度大的特点，通过发条弹簧使得约束轴上的偏心轴段和圆锥台与二级内齿盘圆锥孔始终紧密配合，实现了自消隙功能。本发明结构紧凑、传动比大、传动刚度大，可应用于机器人关节等领域。
-
公开(公告)号：CN114912693B
公开(公告)日：2025-03-21
申请号：CN202210565932.5
申请日：2022-05-23
Applicant: 重庆大学
IPC: G06Q10/0631 , G06Q50/40 , G06N3/0455 , G06N3/0442 , G06N3/08 , G08G1/01
Abstract: 本发明涉及一种基于多模态预测的自动驾驶汽车运动规划方法，属于自动驾驶汽车技术领域。该方法包括：S1：根据自车的轨迹历史和周围车辆的轨迹历史，采用LSTM模型预测周围车辆未来的多模态行为，即周围车辆在不同模态下未来位置的概率分布；S2：根据步骤S1中LSTM模型预测得到的多模态行为，构造相应的其他车辆的行为分支和自车的轨迹分支，由多模态概率和安全约束确定相应的分支概率；并利用MPC算法以轨迹分支的形式求解反馈策略。本发明在运动规划过程中采用了多模态的预测模型，提高了预测的精度，对传统的MPC进行了优化并通过反馈策略考虑了自车与他车的相互影响及整体的风险最优。
-
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
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
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：CN115195722B
公开(公告)日：2024-07-23
申请号：CN202210829206.X
申请日：2022-06-27
Applicant: 重庆大学
IPC: B60W30/165 , B60W50/00
Abstract: 本发明涉及一种基于分散式优化的燃料电池汽车经济型车队巡航控制方法，属于新能源网联汽车领域，包括以下步骤：S1：构建巡航控制场景下燃料电池车队的通信拓扑模型、车距控制模型、队列稳定性模型；S2：在车队控制层中，以乘坐舒适性、跟车安全性与队列稳定性为控制目标，构建基于共识型交替方向乘子法的分散式优化框架；S3：采取后向建模方法构建车队中各个车辆的动力系统模型，并构建各车载能量源的动力学模型与寿命模型；S4：以满足需求功率为前提，车队中各个车辆在车辆控制层中以减小氢气消耗量与部件寿命退化为目标，求解整车功率分配优化问题。本发明在保证车队队列稳定性的同时降低了全寿命周期内的使用成本。
-
Patent Agency Ranking
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
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
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：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
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
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
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。
-
-
-
-
-
-
-
-
-
Search Results
154
records
(took 0.025 seconds)
