-
公开(公告)号：CN115303289A
公开(公告)日：2022-11-08
申请号：CN202211057353.6
申请日：2022-08-31
Applicant: 江苏大学
Abstract: 本发明公开了一种基于深度高斯车辆动力学模型、训练方法、智能汽车轨迹跟踪控制方法及终端设备，本发明利用物理模型获取深度高斯模型中所需的均值，利用前馈神经网络获取深度高斯模型中所需的协方差矩阵，相比于数据驱动模型，所建立的模型在准确识别车辆运行过程中各种复杂的动力学行为的基础上，融合物理模型的先验知识，增加模型的鲁棒性，避免数据驱动模型在训练数据覆盖不到区域发生未知的错误。设计的轨迹跟踪控制算法，相比于端到端控制算法，具有更高的可解释性。并且在不同的道路条件下及行驶工况下可以实现期望轨迹的跟踪控制，在保证路径跟踪精度的同时，同时兼顾横纵向稳定性，为智能汽车开发高性能的运动控制器奠定良好的基础。
-
公开(公告)号：CN114379583A
公开(公告)日：2022-04-22
申请号：CN202111508163.7
申请日：2021-12-10
Applicant: 江苏大学
IPC: B60W60/00 , G06F30/27 , G06F30/15 , G06N3/04 , G06N3/08 , G06F119/14 , G06F111/04
Abstract: 本发明公开了一种基于神经网络动力学模型的自动驾驶车辆轨迹跟踪系统及方法，包括神经网络车辆动力学模型部分，车辆动力学数据采集部分(包括基于驾驶模拟器和虚拟仿真平台CarSim仿真数据获取过程、真实世界自动驾驶车辆数据获取)，神经网络模型的训练部分，以及模型预测控制算法设计共四部分；本发明通过将所建立的神经网络车辆动力学预测模型与模型预测控制算法相结合，相比于端到端的控制算法，所提出的控制算法具有更高的可解释性。并且在不同的道路条件下及行驶工况下可以实现期望轨迹的跟踪控制，在保证路径跟踪精度的同时，同时兼顾横纵向稳定性，为自动驾驶车辆开发高性能的运动控制器奠定。
-
公开(公告)号：CN114379583B
公开(公告)日：2024-05-14
申请号：CN202111508163.7
申请日：2021-12-10
Applicant: 江苏大学
IPC: B60W60/00 , G06F30/27 , G06F30/15 , G06N3/0499 , G06N3/08 , G06F119/14 , G06F111/04
Abstract: 本发明公开了一种基于神经网络动力学模型的自动驾驶车辆轨迹跟踪系统及方法，包括神经网络车辆动力学模型部分，车辆动力学数据采集部分(包括基于驾驶模拟器和虚拟仿真平台CarSim仿真数据获取过程、真实世界自动驾驶车辆数据获取)，神经网络模型的训练部分，以及模型预测控制算法设计共四部分；本发明通过将所建立的神经网络车辆动力学预测模型与模型预测控制算法相结合，相比于端到端的控制算法，所提出的控制算法具有更高的可解释性。并且在不同的道路条件下及行驶工况下可以实现期望轨迹的跟踪控制，在保证路径跟踪精度的同时，同时兼顾横纵向稳定性，为自动驾驶车辆开发高性能的运动控制器奠定。
-
公开(公告)号：CN115422837A
公开(公告)日：2022-12-02
申请号：CN202211063588.6
申请日：2022-08-31
Applicant: 江苏大学
Abstract: 本发明公开了一种基于深度高斯过程的智能汽车动力学预测模型、训练数据获取方法、以及训练方法，利用多层前馈神经网络接收当前时刻与历史时刻的车辆控制与状态信息，输出实时路面附着系数、前轮侧偏刚度、后轮侧偏刚度。所获取的路面附着系数、前轮侧偏刚度、后轮侧偏刚度与当前时刻的车辆控制与状态信息输入到物理模型中获取下一时刻的车辆状态信息，由物理模型输出的车辆状态信息作为深度高斯模型的均值；长短时记忆神经网络接收当前时刻与历史时刻的车辆控制与状态信息从而建立深度高斯模型所需的协方差矩阵。相比于单纯数据驱动，本发明融合物理模型的先验知识，提高模型的鲁棒性，避免纯数据驱动在训练数据覆盖不到区域发生未知的错误。
-
-
-
Search Results
4
records
(took 0.014 seconds)
