-
公开(公告)号：CN115092165B
公开(公告)日：2024-11-19
申请号：CN202210730724.6
申请日：2022-06-24
Applicant: 吉林大学
IPC: B60W40/09
Abstract: 本发明公开了一种基于聚类模型的不同循环工况下驾驶员风格辨识方法，包括以下步骤：S1、建立驾驶风格数据库：选取车型和路线，采集驾驶数据，并对数据进行预处理；S2、典型驾驶场景划分：对数据进行归一化，设定驾驶场景类型和边界条件，确定最佳粗聚类数目，并二次聚类获取典型驾驶场景；S3、对不同循环工况下驾驶员风格进行辨识：根据典型驾驶场景包含的数据信息建立不同循环工况的驾驶风格辨识数据特征，并基于主成分分析思想实现对数据特征的剔除和保留，引入自组织映射神经网络建立驾驶员风格辨识模型，输入筛选后的数据特征得到不同驾驶员在各类循环工况下的驾驶行为倾向，实现在不同循环工况下驾驶员风格的辨识。
-
公开(公告)号：CN113635900B
公开(公告)日：2024-03-19
申请号：CN202110913386.5
申请日：2021-08-10
Applicant: 吉林大学
Abstract: 本发明公开了一种预测巡航过程中基于能量管理的换道决策控制方法，包括循环执行：获取控制车辆和周围车辆当前k时刻的速度、加速度、位置和车道信息；预测控制车辆和周围车辆在预测时域时长m内的行驶状态；预测时域时长m内的行驶状态由n个i时刻行驶状态构成；分别将控制车辆和周围车辆n个i时刻行驶状态，输入预先建立的目标函数中，根据约束条件，输出控制车辆在预测时域时长m内的每个i时刻对应的最优结果；将按照时间顺序的第一个i时刻对应的最优结果作为控制车辆在当前k时刻所执行的最优加速度和换道策略。本方法可以通过收集周围车辆及本车辆行驶状态，获取控制车辆短期最优加速度和行驶车道，进而使车辆在最短的时间始终以最低的能耗行驶。
-
公开(公告)号：CN113947259B
公开(公告)日：2024-05-31
申请号：CN202111321247.X
申请日：2021-11-09
Applicant: 吉林大学
IPC: G06Q10/04 , G06F18/23213 , G06N3/048 , G06N3/0464 , G06N3/08 , B60W40/105
Abstract: 本发明公开了一种基于GRU神经网络的不同风格驾驶员车速预测方法，包括：对驾驶数据库进行划分，得到对应不同驾驶风格的多个驾驶子数据库；分别构建对应不同驾驶风格的GRU车速预测模型；分别从各个驾驶子数据库中提取出训练数据，进行预处理，并按照时间序列逐时间步滑动生成训练样本序列数据库；利用训练样本序列数据库分别对对应驾驶风格的GRU车速预测模型进行训练；每间隔一定时间，对当前驾驶风格进行判定，并在预设时间段内持续不变时，引入与当前驾驶风格对应的GRU车速预测模型进行车速预测。本发明为不同驾驶风格状态下的预测任务构建不同的GRU车速预测模型，对比不区分驾驶风格预测模型的预测结果，能够有效提升预测的稳定性和预测精度。
-
公开(公告)号：CN113635900A
公开(公告)日：2021-11-12
申请号：CN202110913386.5
申请日：2021-08-10
Applicant: 吉林大学
Abstract: 本发明公开了一种预测巡航过程中基于能量管理的换道决策控制方法，包括循环执行：获取控制车辆和周围车辆当前k时刻的速度、加速度、位置和车道信息；预测控制车辆和周围车辆在预测时域时长m内的行驶状态；预测时域时长m内的行驶状态由n个i时刻行驶状态构成；分别将控制车辆和周围车辆n个i时刻行驶状态，输入预先建立的目标函数中，根据约束条件，输出控制车辆在预测时域时长m内的每个i时刻对应的最优结果；将按照时间顺序的第一个i时刻对应的最优结果作为控制车辆在当前k时刻所执行的最优加速度和换道策略。本方法可以通过收集周围车辆及本车辆行驶状态，获取控制车辆短期最优加速度和行驶车道，进而使车辆在最短的时间始终以最低的能耗行驶。
-
公开(公告)号：CN110648087B
公开(公告)日：2024-06-25
申请号：CN201911122396.6
申请日：2019-11-15
Applicant: 吉林大学
IPC: G06Q10/0639
Abstract: 本发明公开了车内声品质的驾驶绩效评价方法和系统，为克服现有车内声品质评价仅着眼于评价者心理感受，对车内声音环境在驾驶绩效上影响没有反应的问题，其步骤：1)实验环境选择；2)路况设计；3)驾驶员选择；4)分组驾驶；5)结果获取：(1)进行数据整理，分别求出每组实验中各数据的平均值，绘制表格；2)驾驶绩效评价总指标为各项驾驶绩效指标变化率百分数之和：驾驶绩效评价总指标＝∑Λ评价指标＝[(Ssd‑NSsd)/Ssd+(Tfy‑NTfy)/Tfy+(Scw‑NScw)/Scw+(Sfz‑NSfz)/Sfz+(Ncf‑NNcf)/Ncf]×100％；总指标为0表明噪声对驾驶绩效无有影响；本发明还提供了一种车内声品质的驾驶绩效评价系统。
-
Patent Agency Ranking
公开(公告)号：CN110448276A
公开(公告)日：2019-11-15
申请号：CN201910879039.8
申请日：2019-09-18
Applicant: 吉林大学
Abstract: 本发明公开了听觉刺激影响下的驾驶警觉水平测试方法和系统，为克服现有技术不成熟、检测准确性低的问题，方法包括：1)驾驶警觉水平测试前的准备：(1)布置测试系统；(2)招募被试人员；(3)驾驶任务设计；(4)刺激声音播放；2)驾驶警觉水平的测试：(1)进行无线索提示试验；(2)进行双线索提示试验；(3)数据处理；(4)计算该刺激声音刺激下的驾驶员驾驶警觉水平测量表征值: 式中：L为该刺激声音刺激下的驾驶员驾驶警觉水平测量表征值；为无线索提示试验下被试驾驶员面对任务事件的平均反应时；为双线索提示试验下被试驾驶员面对任务事件的平均反应时。本发明还提供一种听觉刺激影响下的驾驶警觉水平测试系统。
-
公开(公告)号：CN115092165A
公开(公告)日：2022-09-23
申请号：CN202210730724.6
申请日：2022-06-24
Applicant: 吉林大学
IPC: B60W40/09
Abstract: 本发明公开了一种基于聚类模型的不同循环工况下驾驶员风格辨识方法，包括以下步骤：S1、建立驾驶风格数据库：选取车型和路线，采集驾驶数据，并对数据进行预处理；S2、典型驾驶场景划分：对数据进行归一化，设定驾驶场景类型和边界条件，确定最佳粗聚类数目，并二次聚类获取典型驾驶场景；S3、对不同循环工况下驾驶员风格进行辨识：根据典型驾驶场景包含的数据信息建立不同循环工况的驾驶风格辨识数据特征，并基于主成分分析思想实现对数据特征的剔除和保留，引入自组织映射神经网络建立驾驶员风格辨识模型，输入筛选后的数据特征得到不同驾驶员在各类循环工况下的驾驶行为倾向，实现在不同循环工况下驾驶员风格的辨识。
-
公开(公告)号：CN113947259A
公开(公告)日：2022-01-18
申请号：CN202111321247.X
申请日：2021-11-09
Applicant: 吉林大学
IPC: G06Q10/04 , G06K9/62 , G06N3/04 , G06N3/08 , B60W40/105
Abstract: 本发明公开了一种基于GRU神经网络的不同风格驾驶员车速预测方法，包括：对驾驶数据库进行划分，得到对应不同驾驶风格的多个驾驶子数据库；分别构建对应不同驾驶风格的GRU车速预测模型；分别从各个驾驶子数据库中提取出训练数据，进行预处理，并按照时间序列逐时间步滑动生成训练样本序列数据库；利用训练样本序列数据库分别对对应驾驶风格的GRU车速预测模型进行训练；每间隔一定时间，对当前驾驶风格进行判定，并在预设时间段内持续不变时，引入与当前驾驶风格对应的GRU车速预测模型进行车速预测。本发明为不同驾驶风格状态下的预测任务构建不同的GRU车速预测模型，对比不区分驾驶风格预测模型的预测结果，能够有效提升预测的稳定性和预测精度。
-
公开(公告)号：CN110648087A
公开(公告)日：2020-01-03
申请号：CN201911122396.6
申请日：2019-11-15
Applicant: 吉林大学
IPC: G06Q10/06
Abstract: 本发明公开了车内声品质的驾驶绩效评价方法和系统，为克服现有车内声品质评价仅着眼于评价者心理感受，对车内声音环境在驾驶绩效上影响没有反应的问题，其步骤：1)实验环境选择；2)路况设计；3)驾驶员选择；4)分组驾驶；5)结果获取：(1)进行数据整理，分别求出每组实验中各数据的平均值，绘制表格；2)驾驶绩效评价总指标为各项驾驶绩效指标变化率百分数之和：驾驶绩效评价总指标＝∑Λ评价指标＝[(Ssd-NSsd)/Ssd+(Tfy-NTfy)/Tfy+(Scw-NScw)/Scw+(Sfz-NSfz)/Sfz+(Ncf-NNcf)/Ncf]×100％；总指标为0表明噪声对驾驶绩效无有影响；本发明还提供了一种车内声品质的驾驶绩效评价系统。
-
公开(公告)号：CN115935780A
公开(公告)日：2023-04-07
申请号：CN202211124098.2
申请日：2022-09-15
Applicant: 吉林大学
IPC: G06F30/27 , G06N3/08 , G06F111/08
Abstract: 本发明适用于车辆节能运动规划领域，提供了基于深度强化学习的车辆节能运动规划模型，包括：感知模块，获取车辆自身的运动状态信息同时感知模块获取其他交通道路信息；决策模块，利用深度Q网络作为决策算法，将车辆行驶时的纵向性能、车辆行驶时的瞬时能耗和行驶安全性的因素作为奖励函数的设置依据；控制模块，将决策层的控制结果传入Carla中的车辆动力学模型中。基于深度强化学习的车辆节能运动规划方法，包括以下步骤：步骤（1）：初始化一个Action‑Value网络和一个Target Action‑Value网络；步骤（2）：在每一个训练回合中，Action‑Value网络首先利用算法以概率随机做一个动作进行探索。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.025 seconds)
