-
公开(公告)号：CN116858581A
公开(公告)日：2023-10-10
申请号：CN202310769743.4
申请日：2023-06-28
Applicant: 中车长春轨道客车股份有限公司 , 燕山大学 , 吉林大学
IPC: G01M17/08 , G06F18/2415 , G06F18/213 , G06F18/15 , G06N3/048 , G06N3/084
Abstract: 一种高速智能动车组自动驾驶控制策略综合性能评价方法，属于列车组自动驾驶技术领域，步骤一、采集高速智能动车组多维自动驾驶特征数据，步骤二、基于熵权法的客观赋权，步骤三、基于德尔菲法将主观评价归一化处理，步骤四、生成综合评价数据集，步骤五、构建基于多层感知机的高速智能动车组自动驾驶算法评价模型。本发明用于高速智能动车组自动驾驶控制策略算法开发过程中主客观评价的统一，解决现有技术中缺乏高速智能动车组自动驾驶算法性能评价体系的问题，并提供可结合测试人员主观评价内容进行主客观统一评价的方法；对于高速智能动车组的发展具有重要意义。
-
公开(公告)号：CN118261041A
公开(公告)日：2024-06-28
申请号：CN202410341050.X
申请日：2024-03-25
Applicant: 中车长春轨道客车股份有限公司 , 燕山大学
Abstract: 本发明提供一种基于数字孪生的高速智能动车组自动驾驶能力测试方法，包括S1:通过对原始道路信息和动车信息处理，构建虚拟场景库和虚拟动车模型，建立数字孪生仿真测试场景；S2:用实地测试配合虚拟实验测试，完成动车闭环测试；S3:结合可视化动车运行信息对测试结果进行评价分析。本发明基于真实交通数据构建多元环境特征数字化场景库，采用了评价分析与交互模块，可以收集与储存高速智能动车舒适度、节能性、准时性、停车精度等关键指标的相关影响参数。本发明在数字孪生虚拟环境中布置两个动车模型，一个基于自动驾驶算法更新动车姿态信息，另一个动车模型通过真实动车的运动映射更新动车姿态信息，由此来实现对未来状态预测与在线更新并行测试。
-
公开(公告)号：CN118967918A
公开(公告)日：2024-11-15
申请号：CN202410936585.1
申请日：2024-07-12
Applicant: 燕山大学
Abstract: 本申请涉及三维目标检测技术领域，具体而言，涉及一种考虑点云分布结构的目标检测模型泛化性增强方法及装置，一定程度上可以解决现有的深度学习模型在不同于数据集中激光雷达点云数据分布结构的情况下，实际场景泛化能力不足的问题。该方法包括：获取具有三维目标检测真值的公开仿真自动驾驶数据集与自然驾驶数据集中的激光雷达点云数据；通过激光雷达点云体素化过滤，得到多个点云数据集；将多个点云数据集的原点坐标进行高度统一，并去除点云反射强度维度；将处理好的多个点云数据集进行融合，分为训练集、测试集及验证集；基于训练集，使用现有的三维目标检测网络进行训练，得到强泛化性三维目标检测模型。
-
公开(公告)号：CN115167134B
公开(公告)日：2024-10-25
申请号：CN202210846015.4
申请日：2022-07-19
Applicant: 燕山大学
IPC: G05B13/04
Abstract: 本发明涉及一种基于多维奖励Q学习的模型预测加权因子动态调整方法，属于自动驾驶车辆轨迹跟踪控制领域。解决了采用模型预测控制原理设计轨迹跟踪控制器时对加权因子的选取不当会降低自动驾驶车辆轨迹跟踪稳定性和精确性以及行驶安全性的问题。本发明通过强化学习中Q学习方法，训练了加权因子最优调整策略，可实时动态调整模型预测轨迹跟踪控制器的加权因子，从而实时优化自动驾驶车辆的轨迹跟踪性能，以减少在每个采样时刻下车辆实际位置与预期轨迹之间的误差，提高自动驾驶车辆的轨迹跟踪精度和行驶稳定性、舒适性。
-
Patent Agency Ranking
公开(公告)号：CN118584803A
公开(公告)日：2024-09-03
申请号：CN202410605333.0
申请日：2024-05-15
Applicant: 燕山大学
IPC: G05B13/04
Abstract: 本发明涉及一种智能车辆轨迹跟踪控制方法，用于解决现有技术中采用深度强化学习进行轨迹跟踪控制时对未训练的工况存在泛化性能有限的问题。本案在利用深度强化学习模型TD3获得控制量uTD3(k)后，将其与模型预测控制求解得到最优控制增量序列ΔU(k)的第一个元素Δu*(k)进行叠加更新，获得智能车辆前轮转角实际控制量u(k)，并将前轮转角实际控制量u(k)作用于车辆进行轨迹跟踪控制。本方案不仅克服了深度强化学习在进行轨迹跟踪控制时泛化性能差的问题，而且具有良好的跟踪控制精度和鲁棒性。
-
公开(公告)号：CN118900203A
公开(公告)日：2024-11-05
申请号：CN202411249998.9
申请日：2024-09-06
Applicant: 燕山大学
IPC: H04L9/40
Abstract: 本发明公开了一种在线实时的智能网联车网络攻击威胁分析与风险评估方法。该方法包括：获取威胁场景信息、损害场景信息以及攻击路径信息；以所述威胁场景信息、所述损害场景信息以及所述攻击路径信息作为输入，利用经训练的损害场景评估模型和攻击可行性评估模型，获得各损害场景的影响等级和攻击可行性等级；利用所述各损害场景的影响等级和所述攻击可行性等级，结合设定的风险矩阵计算获得智能网联车的风险等级。本发明能够有效识别系统当前受到的攻击威胁并且进行在线实时的风险评估，对于智能网联车自动驾驶技术的发展具有重要意义。
-
公开(公告)号：CN118928463A
公开(公告)日：2024-11-12
申请号：CN202410990980.8
申请日：2024-07-23
Applicant: 燕山大学
Abstract: 本申请涉及自动驾驶行为决策技术领域，公开了一种基于预测轨迹的安全强化学习智能车汇入决策方法及系统。构建强化学习汇入决策模型，利用预测模型获取每个动作对应的预测轨迹，基于代价函数计算预测轨迹中每一步状态的代价，利用折现总代价计算方法计算预测轨迹的折现总代价。然后根据每个动作的折现总代价确定安全动作集。若智能体的原始决策动作在安全动作集中，或者安全动作集为空，则输出原始决策动作；若不在安全动作集中，则输出安全动作集中价值最大的动作。本申请中，将预测轨迹融入安全强化学习，通过将不安全动作替换为安全动作，有效地减少了训练过程中的碰撞次数，从而缩短了训练周期，降低了训练成本，提高了汇入决策的安全性。
-
公开(公告)号：CN115167134A
公开(公告)日：2022-10-11
申请号：CN202210846015.4
申请日：2022-07-19
Applicant: 燕山大学
IPC: G05B13/04
Abstract: 本发明涉及一种基于多维奖励Q学习的模型预测加权因子动态调整方法，属于自动驾驶车辆轨迹跟踪控制领域。解决了采用模型预测控制原理设计轨迹跟踪控制器时对加权因子的选取不当会降低自动驾驶车辆轨迹跟踪稳定性和精确性以及行驶安全性的问题。本发明通过强化学习中Q学习方法，训练了加权因子最优调整策略，可实时动态调整模型预测轨迹跟踪控制器的加权因子，从而实时优化自动驾驶车辆的轨迹跟踪性能，以减少在每个采样时刻下车辆实际位置与预期轨迹之间的误差，提高自动驾驶车辆的轨迹跟踪精度和行驶稳定性、舒适性。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.047 seconds)
