-
公开(公告)号：CN110749333B
公开(公告)日：2022-02-22
申请号：CN201911081063.3
申请日：2019-11-07
Applicant: 中南大学
IPC: G01C21/34
Abstract: 本发明公开了一种基于多目标优化的无人驾驶车辆运动规划方法，将车辆及环境从笛卡尔坐标系映射到Frenet坐标系；建立无人驾驶车辆多目标路径规划问题的数学模型；利用线性动态规划方法进行路径规划；以分段五次多项式描述轨迹，分别以轨迹斜率最小、曲率最小、乘坐体验舒适、距离线性动态规划得到的路径最近作为优化目标，以分段五次多项式连接点处位置、一阶导、二阶导、三阶导作为等式约束，以道路自然边界约束和障碍物边界约束作为不等式约束，建立无人驾驶车辆多目标轨迹生成问题的数学模型；获得无人驾驶车辆多目标轨迹生成问题的最优解。本发明解决了基于随机撒点的路径规划方法得到的路径难以符合车辆运动学约束的问题。
-
公开(公告)号：CN109445404B
公开(公告)日：2021-06-11
申请号：CN201811080324.5
申请日：2018-09-17
Applicant: 中南大学
IPC: G05B23/02
Abstract: 本发明公开了一种智能驾驶规划决策控制系统增强在环测试方法，装配有光纤组合惯导系统的地图采集车采集路径的GPS轨迹，制作地图文件；模拟智能驾驶规划决策控制系统运行的软硬件环境，并将智能驾驶规划决策控制系统相关软件安装在模拟环境中；建立车辆动力学模型，并构建智能驾驶规划决策控制系统与车辆动力学模型之间的闭环；基于TCP/IP构建在环测试通讯网络，模拟智能驾驶规划决策控制系统与智能驾驶车辆之间的通讯链路；基于模拟的通讯链路，以车辆动力学模型为被控对象，以制作的地图文件模拟测试路径，测试智能驾驶规划决策控制系统在模拟运行环境下的性能。本发明解决了代码编程方式开发的智能驾驶规划决策控制系统难以进行模型在环和软件在环测试的问题。
-
公开(公告)号：CN110750093B
公开(公告)日：2021-05-18
申请号：CN201911130970.2
申请日：2019-11-19
Applicant: 中南大学
IPC: G05D1/02
Abstract: 本发明公开了一种可扩展集群微粒机器人自组织协同跟踪控制方法，基于单点预瞄理论计算预瞄距离与预瞄点，驱动集群微粒机器人自组织地跟踪期望路径，并且当集群机器人出现横向位移偏差，可以重新回到期望路径。本发明提供的自组织协同跟踪控制方法无需对群体中的每个机器人进行编号，也不需要机器人集群保持固定的队形，并且不需要与特定个体进行通讯，因此在协同运动的过程中能扩展其他的微粒机器人加入集群。
-
公开(公告)号：CN112650241A
公开(公告)日：2021-04-13
申请号：CN202011524208.5
申请日：2020-12-22
Applicant: 中南大学
IPC: G05D1/02
Abstract: 本发明公开了一种智能掘进机横向优化控制方法及系统，通过激光雷达生成巷道左右巷壁边界线，并基于边界线设计横向最优控制器，不依赖定位及地图信息，有效解决了井下定位、建图难度大的问题；基于掘进机运动学模型与左右巷壁的边界线约束生成了不同铰接角速度下的轨迹簇，设计控制评价函数选择最优运动轨迹计算最优期望铰接角，确保系统满足高精度控制需求；根据轨迹相对中心线的平均误差、最大误差、终端误差进行巷壁碰撞分级预警，降低了司机(安全员)在井下的驾驶难度，提高了掘进机井下作业的安全性。
-
公开(公告)号：CN111830985A
公开(公告)日：2020-10-27
申请号：CN202010723850.X
申请日：2020-07-24
Applicant: 中南大学
IPC: G05D1/02
Abstract: 本发明公开了一种多机器人定位方法、系统及集中式通信系统，系统内各独立机器人利用自身携带的激光雷达探测周围环境，完成各子区域环境地图的构建，并将子区域栅格地图发送给终端计算机。终端计算机接收到子区域栅格地图后，首先对子区域栅格地图进行空间关系特征的提取，确定子区域栅格地图之间的重合部分。其次，通过对子区域栅格地图重合部分的ORB特征进行提取匹配，计算最优匹配点，设定融合比例进行子区域栅格地图的融合，得到全局地图。然后，通过amcl自适应蒙特卡罗定位方法对机器人进行定位，最后，在原有地图基础上，加入特征地图层，为路径规划提供便利。
-
Patent Agency Ranking
公开(公告)号：CN108205312B
公开(公告)日：2020-07-10
申请号：CN201810226588.0
申请日：2018-03-19
Applicant: 中南大学
Abstract: 本发明公开了一种基于高精度地图与红外信标的无人驾驶BRT车辆自动启停实现方法，包括以下步骤：步骤一：无人BRT车辆从起点公交站场起步、起步结束后进入巡航阶段；步骤二：当车辆经过在高精度地图上设置的减速点时，将偏移后的车道中线作为期望路径，以设定减速度减速至期望速度后使之在期望路径上匀速行驶；当车辆车身安装的红外接收器接收到经路边反射板反射的红外信号时，以设定减速度靠站停车；待检测到车辆停稳后，自动打开车门；当检测到车门关闭信号后，车辆重新启动并进入巡航阶段；当车辆到达终点公交站场，经过在高精度地图上设置的终点时，以设定减速度停车，行程结束。本发明能实现车辆在BRT站台横、纵向的精准停靠。
-
公开(公告)号：CN110928297A
公开(公告)日：2020-03-27
申请号：CN201911031001.1
申请日：2019-10-28
Applicant: 中南大学
IPC: G05D1/02
Abstract: 本发明公开了一种基于多目标动态粒子群优化的智能公交车辆路径规划方法，包括：实时获取车辆和道路信息，生成全局参考路径；基于道路规则线和全局参考路径构建二维环境模型，并初始化粒子群中每个粒子：粒子的每个维度对应一个坐标点，每相邻两个维度坐标点之间设定曲线段，得到粒子对应的轨迹；根据路径长度、平滑度以及静态安全度指标设计轨迹的静态多目标适应度函数；然后采用粒子群算法，并应用静态多目标适应度函数，提取最优轨迹候选集；根据动态障碍物设计动态多目标适应度函数和约束加速度关系，并与静态安全性设计适应度函数结合，从最优轨迹候选集中选择综合适应度最优的一条轨迹。本发明在改善舒适性指标同时，大大提高动态安全性能。
-
公开(公告)号：CN107085938B
公开(公告)日：2019-07-02
申请号：CN201710428534.8
申请日：2017-06-08
Applicant: 中南大学
Abstract: 本发明公开了一种基于车道线与GPS跟随的智能驾驶局部轨迹容错规划方法，其步骤包括：首先初始化跟随模式并建立智能驾驶车辆坐标系；其次根据GPS、车道线信息进行GPS数据和车道线识别状态的甄别；然后根据甄别后的识别状态计算容错偏差，并更新跟随模式；最后基于新跟随模式进行局部路径、轨迹规划；该方法通过对各种数据的有效性做出了判断，提高了后续计算的准确度，同时，基于各数据状态设计了容错偏差，并对其进行实时动态的更新，简化系统复杂度，易于实际应用，提高了数据处理的鲁棒性；针对GPS、车道线等多传感数据对跟随模式进行实时状态转移，实现了多跟随状态之间的连续、平滑控制，提高了智能驾驶车辆的舒适性和稳定性。
-
公开(公告)号：CN108407805A
公开(公告)日：2018-08-17
申请号：CN201810277016.5
申请日：2018-03-30
Applicant: 中南大学
CPC classification number: B60W30/06 , B60W50/00 , B60W2050/0019 , G06N3/08
Abstract: 本发明公开了一种基于DQN的车辆自动泊车方法，包括以下步骤：步骤一，获取当前时刻的车辆位置、障碍物信息及泊车位信息，并将车辆停到相对合理的泊车起始位置；步骤二，根据当前时刻的车辆位置、障碍物信息及泊车位信息，使用训练好的DQN计算期望车辆前轮摆角；步骤三，按照根据期望车辆前轮摆角，控制车辆前轮转动并移动车辆；步骤四，更新当前时刻车辆位置，判断是否进入泊车位，如果到达泊车位则泊车结束，否则更新障碍物信息，返回步骤二重新计算车辆前轮摆角。该方法采用DQN计算期望车辆前轮摆角，能够自主学习相关参数，大大减少了泊车系统参数调试的工作；使系统有较好的容错能力和鲁棒性，极大提高了车辆一次性泊车的成功率。
-
公开(公告)号：CN103440418B
公开(公告)日：2016-11-30
申请号：CN201310388266.3
申请日：2013-08-30
Applicant: 中南大学
IPC: G06F19/00
Abstract: 本发明公开了一种基于自组织卡尔曼滤波的多传感器主动容错估计方法，该方法构建自组织卡尔曼滤波结构，利用硬故障检测阈值、软故障检测因子增减率和变化率实现故障检测，并设计补偿因子。同时根据各传感器感知信号的精度，设计信息分配系数，实现各传感器间的融合最优估计及其主动容错补偿。主要步骤包括：构建并行卡尔曼滤波子系统和参考卡尔曼滤波系统；基于自组织卡尔曼滤波的多传感器硬故障检测；基于软故障因子增减性与变化率的传感器软故障检测，并实现软故障的校正；获得最优估计值X(k)。该基于自组织卡尔曼滤波的多传感器主动容错估计方法能有效解决多传感器系统冗余信号故障检测与主动容错问题，提高多传感器系统的融合精度与容错性能。
-
-
-
-
-
-
-
-
-
Search Results
89
records
(took 0.029 seconds)
