公开(公告)号：CN115556755A

公开(公告)日：2023-01-03

申请号：CN202211200764.6

申请日：2022-09-29

Applicant: 江苏大学

Inventor： 蔡英凤 ,  谭琛凯 ,  陈龙 ,  刘卫国 ,  周俊杰 ,  王海 ,  孙晓强

IPC: B60W40/00 ,  B60W40/10 ,  B60W40/105

Abstract: 本发明公开了一种结合神经网络与无迹卡尔曼滤波的车辆状态估计方法及系统，利用汽车多传感器中获得的数据，建立神经网络精确估计三向加速度与三向角速度。该状态可以定义汽车底盘的运动以实现协调各子系统所需要的汽车状态。结合神经网络的无迹卡尔曼滤波可以更好的估计汽车的3D姿态、速度、定位。本发明提供准确、全面的车辆动态信息。防止车辆各部件之间的信号交换导致的强耦合，从而影响单个状态估计结果的准确性。采取分状态预测的神经网络准确估计汽车状态，相较于过去的神经网络状态估计器，该方案更易训练，更准确。基于神经网络的输出，UKF能更好的估计出汽车3D姿态、速度、定位。当GPS信号不可用时，本方法能提供高精度的导航信息。

公开(公告)号：CN115230720A

公开(公告)日：2022-10-25

申请号：CN202210870639.X

申请日：2022-07-22

Applicant: 江苏大学

Inventor： 蔡英凤 ,  杨伟 ,  廉玉波 ,  陈龙 ,  钟益林 ,  刘卫国 ,  周俊杰 ,  孙晓强 ,  袁朝春

IPC: B60W50/00 ,  B60W60/00 ,  G06N3/08

Abstract: 本发明公开了基于深度拉格朗日神经网络的自动驾驶车辆控制系统及方法，包括：车辆动力学模型部分，坐标转换部分，控制环部分，深度拉格朗日神经网络部分；利用深度拉格朗日神经网络学习拉格朗日方程中的惯量矩阵，计算出广义力，有效的学习自动驾驶车辆的动力学方程，本发明结合了深度学习和物理模型的优点，实现了良好的自动驾驶车辆的轨迹跟踪控制能力，同时基于拉格朗日方程的神经网络由于其良好的物理可解释性，因此有良好的问题诊断能力和泛化能力，在学习速度上优于其他方法，表现出更稳健的新轨迹推断和实时在线学习能力，降低了离线训练的计算成本和时间成本，具有良好的适应性，通过极少的参数调整即可将该控制系统应用于其他车辆上。