-
公开(公告)号：CN113705115A
公开(公告)日：2021-11-26
申请号：CN202111279251.4
申请日：2021-11-01
Applicant: 北京理工大学 , 北理慧动(北京)科技有限公司
Abstract: 本发明涉及一种地面无人车辆底盘运动与目标打击协同控制方法和系统。本发明通过搭建好的仿真场景对搭建好的强化学习参数模型进行训练和测试，得到训练好的强化学习参数模型，可以将特种车辆类型和强化学习参数模型进行有机结合，并且，在实际环境中，输入车辆传感器实时采集到的各种信息作为深度强化学习的输入，最终实现对地面无人车辆底盘运动与目标打击协同控制，以能够实现自主机动模块与自主任务模块的协同，在缩短任务的完成时间，提升任务执行效果。进一步，基于仿真数据的强化学习方法，能够使数据获取的成本低，而且与基于规则的数学模型方法相比，只需要对输入数据、输出动作、奖赏函数做适当修改即可应用于新的场景，普适性更好。
-
公开(公告)号：CN113306558A
公开(公告)日：2021-08-27
申请号：CN202110867345.7
申请日：2021-07-30
Applicant: 北京理工大学
IPC: B60W30/18 , B60W50/00 , B60W40/06 , B60W40/04 , B60W40/105
Abstract: 本发明公开了一种基于换道交互意图的换道决策方法及系统。该方法包括：采集换道交互数据；通过道路信息以及车道场景对换道交互数据进行标注，并从换道交互数据中提取驾驶特征构建训练集和验证集；对驾驶特征进行标签，确定横向换道意图；通过训练集和横向换道意图训练长短时记忆网络，得到横向换道意图模型；通过横向换道意图和驾驶特征训练长短时记忆网络，得到纵向让行意图模型；根据横向换道意图和纵向让行意图，判定换道交互车辆的换道交互状态；根据换道交互状态确定换道决策。本发明通过识别车辆当前的换道交互意图，以帮助换道场景中自动驾驶车辆进行换道时或面对周围车辆换道时做出正确决策以及提高换道过程中的交通安全。
-
公开(公告)号：CN112923931A
公开(公告)日：2021-06-08
申请号：CN201911246425.X
申请日：2019-12-06
Applicant: 北理慧动(常熟)科技有限公司 , 北理慧动(北京)科技有限公司 , 北京理工大学
Abstract: 本发明涉及一种基于固定路线下的特征地图匹配与GPS定位信息融合，包括：获取已知路线的地图并进行储存，加载特征地图进行匹配定位。本发明是融合了激光雷达里程计和融合惯导姿态信息，达到了提高激光雷达里程计的定位精度、稳定性，以及实现在卫星受到干扰甚至无卫星信号环境下无人车辆导航定位的综合应用。在不同平台间通用性好，提升智能车辆在行驶工况突变时的快速识别和反应调整能力，在无人驾驶领域具有广泛的使用前景。
-
公开(公告)号：CN108984781B
公开(公告)日：2020-11-10
申请号：CN201810828262.5
申请日：2018-07-25
Applicant: 北京理工大学 , 北理慧动(常熟)车辆科技有限公司
IPC: G06F16/29
Abstract: 本发明涉及一种无人车区域探索的地图边缘检测规划方法及装置，包括：步骤S1、在全局环境地图中进行局部边缘区域检测，检测出车辆位置附近的局部边缘区域；步骤S2、判断检测的搜索覆盖率是否超过阈值？是，则同时进行局部边缘区域检测和全局边缘区域检测；否，则进行局部边缘区域检测；步骤S3、整合边缘点集合中的边缘点，输出地图边缘检测结果。本发明通过举办边缘区域检测，确保了地图边缘区域检测的快速性，又通过全局边缘区域检测检测到距离车辆位置较远，或者一些小角落里的边缘区域，保证了边缘检测的全面性。
-
公开(公告)号：CN111267867A
公开(公告)日：2020-06-12
申请号：CN202010105306.9
申请日：2020-02-20
Applicant: 北京理工大学
Abstract: 本说明书提供一种构建无人驾驶车辆运动特性模型的方法和装置，包括：获取无人驾驶车辆在控制参量变化的情况下，各个采样时刻的实际状态、实际位置和实际航向；控制参量包括转向角和输出扭矩；采用各个采样时刻的实际状态和转向角，计算获得二自由度单轨动力学模型；采用二自由度单轨动力学模型，获得下一采样时刻对应的计算位置和计算航向；获得对应于一采样时刻的位置偏差和航向偏差；根据各个采样时刻的至少一个控制参量和/或实际状态中的至少一个数据，以及对应的位置偏差和航向偏差构建误差补偿模型；组合二自由度单轨动力学模型和误差补偿模型，构建得到无人驾驶车辆的运动特性模型。前述方法具有计算精度较高，能够满足实时性的要求。
-
Patent Agency Ranking
公开(公告)号：CN110962852A
公开(公告)日：2020-04-07
申请号：CN201911066802.1
申请日：2019-11-04
Applicant: 北京理工大学 , 北理慧动(常熟)车辆科技有限公司
Abstract: 本发明涉及一种行星转向机速差转向车辆坡道起步的控制方法，属于无人驾驶技术领域，解决了无人驾驶起步成功率低，起步时离合器发热以及车辆倒溜的问题。本发明通过GPS获取定位信息，匹配路况信息后确定起步油门控制量，控制发动机怠速转速，挂挡结合离合器后再次通过模糊控制策略进行发动机调速，进一步控制行星转向机的操纵杆到达指定位置，过程中通过模糊控制进行调速，完成起步过程控制；进行起步成功判断，失败则重新起步。本发明实现了通过液压系统控制车辆操纵杆和行星转向机，通过模糊控制进行发动机转速，进一步实现车辆在无人驾驶状态下车辆的起步。
-
公开(公告)号：CN109050535B
公开(公告)日：2020-02-14
申请号：CN201810826902.9
申请日：2018-07-25
Applicant: 北京理工大学 , 北理慧动(常熟)车辆科技有限公司
IPC: B60W40/06 , B60W40/076 , B60W40/107
Abstract: 本发明涉及一种基于车辆姿态的快速地形工况辨识方法，包括：获取车辆实时姿态信息；将所述姿态信息输入地形分类SVM模型对车辆所处的地形工况进行坡道工况、颠簸路面工况和加减速工况分类；使用与分类结果对应的地形参量估计算法，对分类地形参量分别进行估计。本发明充分考虑了在越野环境行驶工况下引起车辆姿态变化的各种工况，建立快速入地形分类SVM模型；可以以80％以上的准确率识别出不同地形工况，识别速度快；并且不依赖于车辆纵向动力学模型，在不同平台间通用性好，提升智能车辆在行驶工况突变时的快速识别和反应调整能力，在无人驾驶领域具有广泛的使用前景。
-
公开(公告)号：CN110458047A
公开(公告)日：2019-11-15
申请号：CN201910667021.1
申请日：2019-07-23
Applicant: 北京理工大学 , 北理慧动(北京)科技有限公司 , 北理慧动(常熟)车辆科技有限公司
Abstract: 本发明涉及一种基于深度学习的越野环境场景识别方法及系统，属于越野环境场景识别技术领域，解决了现有越野环境场景识别时间长、可通过区域提取成本高且提取效果较差的问题。一种基于深度学习的越野环境场景识别方法，包括如下步骤：获取越野环境场景下拍摄得到的待检测图像；对待检测图像进行场景识别，处理得到待检测图像的烟雾识别结果、扬尘识别结果、自然场景识别结果和道路类型识别结果；根据所述道路类型识别结果对待检测图像进行道路语义分割，处理得到待检测图像的路面分割结果；在待检测图像上统一显示所述烟雾识别结果、扬尘识别结果、自然场景识别结果、道路类型识别结果及路面分割结果。该方法有效缩短了越野环境场景识别时间。
-
公开(公告)号：CN110032949A
公开(公告)日：2019-07-19
申请号：CN201910222741.7
申请日：2019-03-22
Applicant: 北京理工大学 , 北理慧动(北京)科技有限公司 , 北理慧动(常熟)车辆科技有限公司
Abstract: 本发明涉及一种基于轻量化卷积神经网络的目标检测与定位方法，属于深度学习技术领域，解决了现有方法不能满足无人驾驶车辆实时性处理的要求。包括：实时采集车辆前方的图像数据和点云数据；将图像数据传输到目标检测模型，进行目标识别，获取目标信息；目标检测模型采用轻量化卷积神经网络；将获取的目标信息及点云数据输入到训练好的目标定位模型，进行目标定位，得到目标相对于车辆的位置信息。本方法实现了对静态、动态目标的实时检测和定位，使得车辆能够实时感知目标信息，及时地对目标进行避障处理，检测和识别结果具有较高的准确度，能够用于存在多个静态、动态目标的复杂场景，并且满足自动驾驶车辆的实时性检测定位要求。
-
公开(公告)号：CN107651010B
公开(公告)日：2019-07-09
申请号：CN201710851601.7
申请日：2017-09-19
Applicant: 北京理工大学
IPC: B62D6/00 , B62D137/00
Abstract: 本发明涉及一种基于驾驶员模型的速差转向车辆转向控制器及控制方法。所述控制器包括基于经验驾驶员操纵杆聚类模型的Bang‑Bang控制器和基于强化学习优化的模糊PI控制器，将经验驾驶员操纵模型、Bang‑Bang控制和基于强化学习优化的模糊PI控制相结合对液压伺服驱动转向系统进行控制，同时保证系统响应速度的快速性和操纵杆到位精确性，可以满足无人车转向系统自主转向运动的需要。
-
-
-
-
-
-
-
-
-
Search Results
170
records
(took 0.028 seconds)
