一种面向控制的全固态电池物理降阶方法

    公开(公告)号:CN111444625B

    公开(公告)日:2024-01-30

    申请号:CN202010261042.6

    申请日:2020-04-03

    Applicant: 重庆大学

    Abstract: 本发明涉及一种面向控制的全固态电池物理降阶方法,属于电池领域,包括步骤:利用拉普拉斯变换得到偏微分方程的解析解,利用Padé近似法将超越传递函数转化为低阶分数传递函数。通过分析传递函数的频响,选择三阶近似传递函数。抛物线函数和三次函数分别用来近似正极和电解质中的浓度分布。利用近似的浓度分布,计算体积平均浓度、平衡电势、扩散过电势、电解质相过电势和电荷转移过电势,得到电池的端电压。本发明的有益之处在于提出一种全固态电池的机理简化模型,该模型能够实时有效地计算电池正极和电解质相的浓度分布、平衡电势、各种过电势、电池电压和SOC。该方法具有良好的性能,能在模型保真度和计算复杂度之间取得了较好的平衡。

    一种实现自动驾驶汽车行为决策的方法

    公开(公告)号:CN114880938A

    公开(公告)日:2022-08-09

    申请号:CN202210528980.7

    申请日:2022-05-16

    Applicant: 重庆大学

    Abstract: 本发明涉及一种实现自动驾驶汽车行为决策的方法,属于自动驾驶汽车技术领域。该方法包括:S1:构建包含环境不确定性因素的信号灯十字路口仿真训练场景;S2:构建隐式分位数网络模型,包括构建状态空间、动作空间和奖励函数;S3:使用神经网络优化步骤S2构建的隐式分位数网络模型;S4:根据步骤S3优化后隐式分位数网络模型输出的奖励分布信息,结合Wang函数生成具有风险感知能力的行为决策。本发明能够感知环境中的不确定性因素带来的风险,提升了自动驾驶汽车在通行有信号灯十字路口的安全性。

    基于最大熵强化学习的自动驾驶汽车决策规划方法

    公开(公告)号:CN114580302A

    公开(公告)日:2022-06-03

    申请号:CN202210261432.2

    申请日:2022-03-16

    Applicant: 重庆大学

    Abstract: 本发明涉及一种基于最大熵强化学习的自动驾驶汽车决策规划方法,属于自动驾驶汽车领域。该方法包括:S1:构建基于最大熵强化学习的决策规划模型,该模型包括:状态空间、动作空间、奖励函数、策略函数与评价模型;S2:构建具有交互性的高速公路仿真训练场景:使用二自由度汽车运动学模型描述训练场景中车辆的运动,并利用基于规则的智能决策规划模型控制环境车辆,使环境具有交互特性;S3:训练基于最大熵强化学习的决策规划模型。本发明利用最大熵强化学习提高了自动驾驶汽车的高速公路决策规划策略的最优性与稳定性。

    基于标签数据库的纹理图像合成方法

    公开(公告)号:CN108364276B

    公开(公告)日:2021-12-03

    申请号:CN201810206346.5

    申请日:2018-03-13

    Applicant: 重庆大学

    Abstract: 本发明公开一种基于标签数据库的纹理图像合成方法,其特征在于:第一步,建立标签数据库L,所述标签数据库L用于存储图像纹理块的图像数据及其标签数据I;第二步,利用标签数据I查找边缘匹配的图像纹理块,并对图像纹理块进行缝合,获得完整的纹理图像。有益效果:每个图像纹理块的边区域和角区域的信息都被提取,并根据不同区域所在图像纹理块中的位置分类,形成一个图像纹理块的综合的标签数据,查找时只需筛选对应的位置标签就能减少大量的计算数据,同时每个图像纹理块的时间信息也被存入标签数据,在查找时可以查找时间相同的图像纹理块,也可以在相同时间内找不到清晰的图像时查找时间临近的图像纹理块,保证图像的清晰度。

    基于路面识别与深度强化学习的混合动力系统控制方法

    公开(公告)号:CN113264031A

    公开(公告)日:2021-08-17

    申请号:CN202110766400.3

    申请日:2021-07-07

    Applicant: 重庆大学

    Abstract: 本发明涉及一种基于路面识别与深度强化学习的混合动力系统控制方法,属于新能源汽车的智能控制领域。该方法包括:S1:建立P3结构的并联式混合动力系统以及驾驶环境模型;S2:建立VGG卷积神经网络,采集不同类型路面的图片,并对卷积神经网络进行关于路面类型特征提取的训练;S3:根据滑动率‑附着系数特征曲线确定制动阶段的最优滑动率,并且作为电机转速微调策略的参考值;S4:基于DQN算法建立适用于多目标控制的立体神经网络;S5:定义立体神经网络的状态变量空间、动作变量空间以及奖励函数,并完成迭代训练;S6:提取并保存同步拟合三种参数化控制策略的神经网络,实现混合动力汽车燃油经济性与制动安全性的协同保证。

    一种极端环境下无人车视觉增强装置及方法

    公开(公告)号:CN111756971B

    公开(公告)日:2021-06-29

    申请号:CN202010622342.2

    申请日:2020-06-30

    Applicant: 重庆大学

    Abstract: 本发明涉及一种极端环境下无人车视觉增强装置及方法,属于无人驾驶环境感知领域。该装置包括:图像增强装置,包括滤光装置、图像分析单元和固定装置;滤光装置包括带有后座框的圆形偏振镜,外齿圈,电机驱动单元,以及安装在电机驱动单元上的齿轮;电机驱动单元控制齿轮带动外齿圈及圆形偏振镜同步旋转;图像分析单元输出电机旋转角度和方向信号。本发明通过控制圆形偏振镜的旋转角度实现滤光效果的无级调节,利用卷积神经网络模型和预训练权重参数对图像进行分析,确定圆形偏振镜的旋转角度和方向,同时提出周期扫描方法对圆形偏振镜位置进行校正。

    基于MPC的HEV自适应巡航中多目标的能量管理方法

    公开(公告)号:CN111231930B

    公开(公告)日:2021-06-29

    申请号:CN202010022703.X

    申请日:2020-01-09

    Applicant: 重庆大学

    Abstract: 本发明涉及一种基于MPC的HEV自适应巡航中多目标的能量管理方法,属于新能源汽车领域。该方法包含步骤为:S1:HEV跟车过程及动力传统系统建模,计算相应时刻整车的需求转矩,并考虑发动机排放模型;S2:考虑跟车过程中各综合性能要求,分别计算与跟车安全性、燃油经济性和排放性能对应的代价函数;S3:采用MPC算法,预测车辆未来时刻的需求转矩,由此算出预测域内总的代价函数;S4:根据S3中求得的总代价函数,最小化目标函数得到最优的转矩分配,使得发动机工作在高效率区域。本发明考虑了汽车在跟车过程中的安全性、燃油经济性和低排放性能,在缓解交通压力的同时,能够减少能源消耗,汽车排放物对环境的污染。

    一种基于数据驱动场景下车辆行驶成本评价方法

    公开(公告)号:CN113034210A

    公开(公告)日:2021-06-25

    申请号:CN202110469430.8

    申请日:2021-04-28

    Applicant: 重庆大学

    Abstract: 本发明涉及一种基于数据驱动场景下车辆行驶成本评价方法,属于新能源汽车领域。该方法包括:获取特定区域内的行车历史数据并进行数据预处理,并进行工况片段划分;基于主成分分析对工况片段的多维特征参数进行降维;利用IABC‑Kmeans算法,搭建典型工况特征集,根据各聚类样本数量比例和类中样本与聚类中心参数相关性重组反映某个地区特定驾驶风格和驾驶习惯的合成工况,并与原始数据集进行统计学特征的对比验证;设计电池老化、燃油消耗和电量维持的统一量化方法,搭建融入专家经验的DDPG的多目标能量管理优化模型,使策略具有在保证最优性的前提下具有更高的训练效率。本发明可以为更精确的车辆行驶成本评价方法提供参考。

Patent Agency Ranking