-
公开(公告)号：CN117571011A
公开(公告)日：2024-02-20
申请号：CN202311599051.6
申请日：2023-11-28
Applicant: 吉林大学
IPC: G01C21/34
Abstract: 本发明适用于车辆自动驾驶技术领域，提供了一种基于规则增强轨迹预测的自动驾驶车辆运动规划方法，首先将交通参与者轨迹和高精地图统一为矢量形式，并进行中心化和归一化，以提取其空间特征。其次，通过特征编码和分层交互捕捉交通参与者之间、交通参与者与地图之间的时空依赖关系，通过解码器生成多模态轨迹和意图，并进行评价，最终得到符合交通规则的预测轨迹。最后，考虑车辆动力学、可行驶区域、障碍物和不确定性约束，求解约束优化问题，生成安全可靠的规划轨迹。该方法考虑了交通规则对预测轨迹的影响，以及来自周车意图的不确定性约束，同时充分利用了上游模块的信息，轨迹预测和运动规划的效率高，更具有实际应用价值。
-
公开(公告)号：CN115344047A
公开(公告)日：2022-11-15
申请号：CN202211008964.1
申请日：2022-08-22
Applicant: 吉林大学
IPC: G05D1/02
Abstract: 本发明适用于轮式机器人的轨迹跟踪控制技术领域，提供了基于神经网络模型的机器人切换式预测控制轨迹跟踪方法，包括以下步骤：步骤S1：建立轮式机器人的误差状态方程及搭建机理预测模型；步骤S2：建立及训练离线神经网络预测模型；步骤S3：训练在线神经网络预测模型；步骤S4：建立预测模型切换器；步骤S5：建立非线性模型预测控制器，构建优化描述问题，并对优化描述问题进行求解，获得最优解。本发明在一定程度上降低了预测模型因车身参数导致的预测误差，提升轮式机器人轨迹跟踪精度效果；相比于普通的离线神经网络预测模型具有更高的适应性和精度，并且可基于预测误差进行预测模型的切换，相比于纯机理的预测模型误差更小，精度更高。
-
公开(公告)号：CN112462612B
公开(公告)日：2021-11-30
申请号：CN202011381810.8
申请日：2020-12-01
Applicant: 吉林大学
IPC: G05B13/04
Abstract: 本发明公开了基于并行牛顿求解的车辆横纵耦合非线性模型预测控制器,控制器由车辆3自由度动力学模型得到横纵耦合的非线性控制模型，采用前轮转向角与前后轮驱动力作为控制量，根据模型预测控制算法，考虑车辆物理约束并构造代价函数。本发明主要针对车辆路径跟踪控制问题，利用车辆动力学得到横纵耦合的控制模型，以此模型设计非线性模型预测控制器，利用并行牛顿法实现非线性控制器的快速求解。车辆横纵耦合路径跟踪非线性模型预测控制器，是通过车辆三自由度动力学模型推导得出，考虑了横纵向间的相互影响，以此模型设计非线性预测控制器，保留了车辆系统的非线性，保证了模型精度。
-
公开(公告)号：CN110134042B
公开(公告)日：2021-11-05
申请号：CN201910387906.6
申请日：2019-05-10
Applicant: 吉林大学
IPC: G05B19/042 , G06K9/62
Abstract: 一种车辆路径跟踪预测控制器及FPGA异构加速实现方法，属于控制技术领域。本发明的目的是采用支持向量机学习车辆系统特性，进而建立车辆支持向量机模型，基于模型预测控制实现车辆路径跟踪的控制，最后对控制器进行FPGA异构加速的方法。本发明对选择的三个车辆状态量分别进行支持向量机模型训练，每一个模型训练样本包含六个输入和一个输出，设计车辆路径跟踪预测控制器。本发明能够有效的得到结构简单、包含车辆系统全部信息的面向控制器设计的车辆模型，使控制器满足系统全部工况需求，同时提高车辆路径跟踪预测控制器的计算速度，满足系统实时性要求和低成本的计算、存储需求，同时控制算法在软硬件之间移植方便，大大降低了系统开发难度。
-
公开(公告)号：CN113093542A
公开(公告)日：2021-07-09
申请号：CN202110351424.2
申请日：2021-03-31
Applicant: 吉林大学
Abstract: 本发明涉及一种电机转矩优化有限集预测控制并行计算方法，包括以下步骤：S1：根据电机转矩优化控制的目标，给出优化问题的描述形式，获取目标函数；S2：根据电机驱动系统的连续时间模型进行欧拉离散化，构建系统的预测模型；S3：基于采用触发式并行计算方法对预测模型与目标函数进行并行计算求解优化，实现电机转矩的优化预测控制。与现有技术相比，本发明通过流水线和并行计算方法进行算法的提速，实现电机扭矩优化的实时控制。
-
Patent Agency Ranking
公开(公告)号：CN108482363B
公开(公告)日：2020-03-17
申请号：CN201810311229.5
申请日：2018-04-09
Applicant: 吉林大学
IPC: G06F30/15
Abstract: 一种车辆横摆稳定性预测模型控制方法，属于车辆控制技术领域。本发明的目的是利用模型预测控制方法设计线性模型预测控制器，并考虑约束条件，可以减少求解时间，并尽可能的跟踪期望值，保持车辆稳定的基于干扰观测器的车辆横摆稳定性预测模型控制方法。本发明的步骤是：设计参考模型；车辆2自由度非线性模型进行线性化处理，取得带有模型误差干扰项的线性模型；依据此模型设计干扰观测器对模型中的误差项；利用模型预测控制算法构造目标函数，并通过求解代价函数对应的最优问题，获得控制输入作用于系统，使车辆系统尽可能跟踪期望值，保证车辆稳定性。本发明能够有效地降低模型复杂度，同时满足控制精度要求并考虑驱动力矩的约束。
-
公开(公告)号：CN110134042A
公开(公告)日：2019-08-16
申请号：CN201910387906.6
申请日：2019-05-10
Applicant: 吉林大学
IPC: G05B19/042 , G06K9/62
Abstract: 一种车辆路径跟踪预测控制器及FPGA异构加速实现方法，属于控制技术领域。本发明的目的是采用支持向量机学习车辆系统特性，进而建立车辆支持向量机模型，基于模型预测控制实现车辆路径跟踪的控制，最后对控制器进行FPGA异构加速的方法。本发明对选择的三个车辆状态量分别进行支持向量机模型训练，每一个模型训练样本包含六个输入和一个输出，设计车辆路径跟踪预测控制器。本发明能够有效的得到结构简单、包含车辆系统全部信息的面向控制器设计的车辆模型，使控制器满足系统全部工况需求，同时提高车辆路径跟踪预测控制器的计算速度，满足系统实时性要求和低成本的计算、存储需求，同时控制算法在软硬件之间移植方便，大大降低了系统开发难度。
-
公开(公告)号：CN108482363A
公开(公告)日：2018-09-04
申请号：CN201810311229.5
申请日：2018-04-09
Applicant: 吉林大学
Abstract: 一种车辆横摆稳定性预测模型控制方法，属于车辆控制技术领域。本发明的目的是利用模型预测控制方法设计线性模型预测控制器，并考虑约束条件，可以减少求解时间，并尽可能的跟踪期望值，保持车辆稳定的基于干扰观测器的车辆横摆稳定性预测模型控制方法。本发明的步骤是：设计参考模型；车辆2自由度非线性模型进行线性化处理，取得带有模型误差干扰项的线性模型；依据此模型设计干扰观测器对模型中的误差项；利用模型预测控制算法构造目标函数，并通过求解代价函数对应的最优问题，获得控制输入作用于系统，使车辆系统尽可能跟踪期望值，保证车辆稳定性。本发明能够有效地降低模型复杂度，同时满足控制精度要求并考虑驱动力矩的约束。
-
公开(公告)号：CN115344047B
公开(公告)日：2024-08-23
申请号：CN202211008964.1
申请日：2022-08-22
Applicant: 吉林大学
IPC: G05D1/43 , G05D1/644 , G05D109/10
Abstract: 本发明适用于轮式机器人的轨迹跟踪控制技术领域，提供了基于神经网络模型的机器人切换式预测控制轨迹跟踪方法，包括以下步骤：步骤S1：建立轮式机器人的误差状态方程及搭建机理预测模型；步骤S2：建立及训练离线神经网络预测模型；步骤S3：训练在线神经网络预测模型；步骤S4：建立预测模型切换器；步骤S5：建立非线性模型预测控制器，构建优化描述问题，并对优化描述问题进行求解，获得最优解。本发明在一定程度上降低了预测模型因车身参数导致的预测误差，提升轮式机器人轨迹跟踪精度效果；相比于普通的离线神经网络预测模型具有更高的适应性和精度，并且可基于预测误差进行预测模型的切换，相比于纯机理的预测模型误差更小，精度更高。
-
公开(公告)号：CN114253274B
公开(公告)日：2024-03-26
申请号：CN202111595753.8
申请日：2021-12-24
Applicant: 吉林大学
Abstract: 本发明提供了一种基于数据驱动的网联混合车辆编队滚动优化控制方法，首先分析了混合编队的数学模型结构，然后通过数据驱动方式建立由数据构造的模型预测器，最后通过结合滚动优化控制与空间辨识方法完成控制器设计并作用于智能车辆；本发明通过收集行驶中车辆的输入输出信息构建车辆编队模型，避免了由机理建模引起的模型偏差，从而提高了控制的准确性，保证了车辆编队过程中的安全性；本方法在控制器的设计中包含了前馈控制，因此可以有效避免由干扰引起的队列不稳定的情况；在控制目标中，通过引入控制量较小的控制目标，从而保证了车辆编队过程中的舒适性。
-
-
-
-
-
-
-
-
-
Search Results
44
records
(took 0.041 seconds)
