-
公开(公告)号：CN103781194A
公开(公告)日：2014-05-07
申请号：CN201210399185.9
申请日：2012-10-18
Applicant: 同济大学
IPC: H04W84/18
Abstract: 本发明涉及一种基于耗散结构的车联网大规模网络动态演化方法，该方法首先根据耗散结构理论获取车联网的网络状态熵，用于表示车联网网络状态的无序程度，然后采用自适应机制、自调节机制和自愈合机制调整车联网的网络状态，使得车联网的网络状态向远离平衡态跃迁，降低车联网网络状态的无序程度。与现有技术相比，本发明将耗散结构理论应用于车联网大规模网络的动态演化上，考虑了大规模新型车联网环境下随着需求和环境的变化弹性构建满足当前任务的需求网络问题，其适用于大规模的开放系统。
-
公开(公告)号：CN102651641A
公开(公告)日：2012-08-29
申请号：CN201110044899.3
申请日：2011-02-24
Applicant: 同济大学
IPC: H03H17/02
Abstract: 本发明涉及基于对数量化的网络控制系统L2-L∞滤波信息处理方法，包括以下步骤：1)网络控制系统发送端对输入的信号进行采样、量化以及编码处理后发送给接收端；2)接收端对接收的数据进行解码，并将解码后的数据传输给滤波器；3)滤波器对接收到的数据进行滤波处理，还原原系统信息。与现有技术相比，本发明具有实现了对网络控制系统在干扰影响下的具有性能参数γ的鲁棒L2-L∞滤波处理，在滤波信息处理方法设计中充分考虑了实际中由于采样、量化、丢包所带了的影响因素，从而更符合实际使用情况。
-
公开(公告)号：CN119047303A
公开(公告)日：2024-11-29
申请号：CN202411059541.1
申请日：2024-08-04
Applicant: 同济大学
IPC: G06F30/27 , G06F30/15 , G06N3/045 , G06N3/0442 , G06N3/0499 , G06N3/084 , G06F119/14
Abstract: 本发明属于轮胎力估计领域，特别涉及一种基于物理信息融合循环神经网络的轮胎力估计方法，包括以下步骤：1)设计基于数据标签的损失函数，利用循环神经网络算法捕捉轮胎力与车辆状态序列之间的内在联系；2)结合车辆动力学模型，开发基于物理信息的损失函数，确保估计过程遵循物理规律；3)融合上述两种损失函数，形成一种综合考虑数据驱动和物理约束的轮胎力估计方法。通过循环神经网络深入挖掘轮胎力与车辆状态的关系，并融入基于车辆动力学的损失函数，从先验知识中提取有用信息，提高在多变道路条件下的估计效果；本发明结合了数据驱动的灵活性和物理模型的严谨性，不仅提升了轮胎力估计的准确性，还增强了模型的泛化能力和可解释性。
-
公开(公告)号：CN118101283A
公开(公告)日：2024-05-28
申请号：CN202410227048.X
申请日：2024-02-29
Applicant: 同济大学
Abstract: 本发明涉及一种针对信息物理系统中传感器的数据注入方法，包括以下步骤：构建离散时间线性时不变信息物理系统模型；向离散时间线性时不变信息物理系统模型的传感器与控制器通信的网络信道中注入数据信号，得到信息物理系统的系统状态信号，获得数据注入模型；设计目标函数，该目标函数表征数据注入策略，将数据注入策略建立成优化问题；设计用于生成模糊注入信号的模糊系统，其中模糊系统的输入为信息物理系统的状态信号；将模糊注入信号分解为已知部分和未知部分的乘积，并将乘积形式代入到优化问题中，求解该问题得到最优模糊数据注入策略。与现有技术相比，本发明具有不确定性高、复杂度高、能量消耗低等优点。
-
公开(公告)号：CN116757420A
公开(公告)日：2023-09-15
申请号：CN202310737921.5
申请日：2023-06-21
Applicant: 同济大学
IPC: G06Q10/0631 , G06N7/01 , G06N3/045 , G06N3/092
Abstract: 本发明涉及一种多机器人任务分配方法，包括如下步骤：分别对N个移动机器人的对抗能力和完成M个任务所需的对抗能力进行数学描述；根据各任务所需的对抗能力和各移动机器人的对抗能力，确定各移动机器人执行各任务时需要满足的约束条件，以最小化执行任务的机器人为团队目标，构建评价函数，进而构建多移动机器人任务分配问题；基于马尔可夫决策过程，对多移动机器人任务分配问题进行建模；基于Double‑DQN算法，构建并训练全连接神经网络，求解多移动机器人任务分配问题，完成多移动机器人的任务分配。与现有技术相比，本发明可以避免机器人的损耗和资源浪费，可以从策略的不断迭代中学习分配策略，能够提交分配效率。
-
Patent Agency Ranking
公开(公告)号：CN114355897B
公开(公告)日：2023-08-29
申请号：CN202111536096.X
申请日：2021-12-15
Applicant: 同济大学
IPC: G05D1/02
Abstract: 本发明涉及一种基于模型和强化学习混合切换的车辆路径跟踪控制方法，包括以下步骤：根据规划层给出的轨迹和车辆运动学模型，使用模型预测控制算法得到控制策略一(控制策略包括对油门、刹车和方向盘的控制)；同时根据规划层给出的轨迹，使用深度强化学习中的演员网络得到控制策略二；根据当前的车辆状态和环境状态信息，使用深度强化学习中的评论家网络对两种控制策略进行评估，并选择能够获得更高价值的控制策略进行实际的输出，实现车辆的路径跟踪控制。与现有技术相比，本发明将基于模型的经典方法和基于学习的新兴方法融合，具有灵活性强、稳健性好、控制性能更优等特点。
-
公开(公告)号：CN110515942B
公开(公告)日：2023-08-04
申请号：CN201910630486.X
申请日：2019-07-12
Applicant: 同济大学
Abstract: 本发明涉及一种序列化车道线地图的存储及检索方法，包括以下步骤：S1、采用栅格子地图的方式存储车道线的车道线数据，其中，车道线数据包括车道线编号数据和坐标数据；S2、根据车辆定位信息，获取对应的子地图，在对应的子地图中检索车道线数据，以得到完整的车道线信息。与现有技术相比，本发明在地图存储阶段，利用栅格子地图的方式统计有效子地图并存储车道线数据，根据车道线编号和坐标数据编码属性值；在地图使用阶段，通过车辆的定位信息，从子地图检索得到车道线数据属性值，解码获得车道线编号和坐标数据，将相同编号的车道线数据拟合得到完整车道线信息，本发明既能有效减小系统存储空间、提高检索速度，也能保证存储数据精度。
-
公开(公告)号：CN114339989B
公开(公告)日：2023-04-28
申请号：CN202111616741.9
申请日：2021-12-27
Applicant: 同济大学
IPC: H04W64/00
Abstract: 本发明涉及一种基于方位角的多智能体系统分布式定位方法，具体包括以下步骤：S1、获取多智能体系统中智能体的基础信息；S2、根据智能体的基础信息计算智能体的角度估计和位置估计；S3、将角度估计和位置估计进行级联，构建分布式定位整体模型；S4、分布式定位整体模型根据角度估计和位置估计得到分布式定位估计结果，并根据分布式定位估计结果的偏差进行修正，得到智能体的定位结果。与现有技术相比，本发明具有智能体间仅需单向通信，降低多智能体系统传感器网络的能量消耗，且控制算法简单，适用于复杂大规模网络等优点。
-
公开(公告)号：CN112947415B
公开(公告)日：2022-07-29
申请号：CN202110106188.8
申请日：2021-01-26
Applicant: 同济大学
IPC: G05D1/02
Abstract: 本发明涉及一种基于障碍物语义信息的室内路径规划方法，具体为：获取室内三维地图，根据室内三维地图获取室内障碍物的语义信息；根据障碍物的语义信息，通过分类决策树评估获得障碍物的危险等级，根据室内三维地图和障碍物的危险等级生成危险等级三维地图；对危险等级三维地图中高度低于机器人高度的部分进行垂直投影，生成二维栅格地图；通过权重函数计算二维栅格地图中各个栅格的通行代价，生成代价地图；在二维栅格地图上选择初始栅格和结束栅格，通过评估函数在代价地图上生成一条从初始栅格至结束栅格的总通行代价最小的规划路径，机器人按照规划路径在室内行走。与现有技术相比，本发明具有准确性高、安全性好和容错率高等优点。
-
公开(公告)号：CN114355897A
公开(公告)日：2022-04-15
申请号：CN202111536096.X
申请日：2021-12-15
Applicant: 同济大学
IPC: G05D1/02
Abstract: 本发明涉及一种基于模型和强化学习混合切换的车辆路径跟踪控制方法，包括以下步骤：根据规划层给出的轨迹和车辆运动学模型，使用模型预测控制算法得到控制策略一(控制策略包括对油门、刹车和方向盘的控制)；同时根据规划层给出的轨迹，使用深度强化学习中的演员网络得到控制策略二；根据当前的车辆状态和环境状态信息，使用深度强化学习中的评论家网络对两种控制策略进行评估，并选择能够获得更高价值的控制策略进行实际的输出，实现车辆的路径跟踪控制。与现有技术相比，本发明将基于模型的经典方法和基于学习的新兴方法融合，具有灵活性强、稳健性好、控制性能更优等特点。
-
-
-
-
-
-
-
-
-
Search Results
61
records
(took 0.022 seconds)
