-
公开(公告)号：CN117250630A
公开(公告)日：2023-12-19
申请号：CN202311110775.X
申请日：2023-08-31
Applicant: 东北大学秦皇岛分校
IPC: G01S17/931 , G01S17/86 , G01S19/42 , G01C21/16
Abstract: 本发明提供一种基于自适应核卡尔曼滤波的多传感器融合定位系统及方法，涉及自动驾驶车辆定位技术领域。基于自适应核卡尔曼滤波的多传感器融合定位系统包括传感器模块、基于深度学习的相机位姿估计模块、模型模块、自适应核卡尔曼滤波模块、求和模块和积分模块；本发明利用深度学习对相机序列和激光雷达序列处理获得额外的观测量，与GNSS观测量一同构成多观测量，提升了定位的精度和鲁棒性；针对融合数据时常使用的卡尔曼滤波器及其变体计算量大的缺点，本发明在融合众多传感器数据时采用自适应核卡尔曼滤波算法，该算法能够使定位精度和定位系统的实时性同时得到保证。
-
公开(公告)号：CN111915081B
公开(公告)日：2023-10-17
申请号：CN202010766761.3
申请日：2020-08-03
Applicant: 东北大学秦皇岛分校
IPC: G06Q10/04 , G06Q10/0631 , G06N3/0464 , G06Q50/26 , G06N3/08
Abstract: 本发明提供一种基于深度学习的峰值敏感型出行需求预测方法，涉及出行需求预测技术领域。首先获取某城市一段时间内的出租车出行记录数据，并对数据进行预处理，得到具有时空特征的出行需求数据集；再选取卷积神经网络和时间卷积神经网络作为基础模块，设计出行需求预测的深度学习网络模型；将卷积神经网络和时间卷积神经网络融合，得到多个时空特征提取层，提取出行需求数据的时空特征；将多个时空特征提取层最终输出的时空特征输入全连接层，得到深度学习网络模型的出行需求预测结果；设计峰值敏感型损失函数，利用训练集中的出行需求数据和SGD算法进行模型训练及优化；进而实现对该城市未来某一段的出行需求进行预测。
-
公开(公告)号：CN115359672A
公开(公告)日：2022-11-18
申请号：CN202210997796.7
申请日：2022-08-19
Applicant: 东北大学秦皇岛分校
Abstract: 本发明提供一种数据驱动与强化学习结合的交通区域边界控制方法，涉及智能交通控制技术领域。本发明通过城市路网的交通状态和网络结构划分若干个交通区域，采集交通系统的输入和输出数据，来求解无模型数据驱动下的交通系统边界控制比例，并将计算得到的边界控制动作，执行控制动作下的区域车辆数和平均车流量都记录下来，并且存到经验池D中。根据经验池D中的数据对强化学习的参数进行预训练，将预训练后的强化学习算法再与交通环境进行交互，对交通环境进行进一步的探索，得出最优的边界控制动作。本发明对交通区域进行宏观边界控制，均衡各个区域的交通流量，减少交通拥堵的发生，提高交通路网的运行效率，改善人们的出行体验。
-
公开(公告)号：CN112947082B
公开(公告)日：2022-11-04
申请号：CN202110170653.4
申请日：2021-02-08
Applicant: 东北大学秦皇岛分校
IPC: G05B13/04
Abstract: 本发明提供一种基于点和边的分布式有限时间一致性优化方法，涉及控制和分布式优化技术领域。本方法提出了不依靠初始条件的两种框架下的有限时间分布式优化方法，两种方法均能保证所有智能体在有限时间内达成一致，同时最小化整体代价函数，并给出了稳定时间的上界；将优化方法与一致性相结合，同时考虑了收敛速度，与渐近收敛相比，有限时间收敛在实际应用中如编队控制等起着非常重要的作用，具有精度高、收敛速度快、对非线性不确定性鲁棒性好等优点，大大提高了协作效率。本发明不仅使得智能体在有限时间内达到协同一致，同时能实现全局最优。
-
公开(公告)号：CN112950924B
公开(公告)日：2022-08-19
申请号：CN201911255806.4
申请日：2019-12-10
Applicant: 东北大学秦皇岛分校
Abstract: 本发明提供一种基于深度学习的复杂交通路网交通速度预测方法，其通过获取PeMS数据集，制作交通速度数据集和传感器网络的邻接矩阵数据，利用多个时空特征提取层堆叠捕捉高阶邻居节点之间的时空特征，局部注意力层提取当前时刻交通速度的具有空间关系的变化趋势特征，采集多个时空提取层产生的特征和局部注意力层产生的特征进行融合输入到全连接神经网络进行未来的交通速度预测，设计损失函数，并利用Adam算法进行优化；本发明的技术方案解决了现有的交通速度预测方案由于空间特征提取不佳所导致的预测精度低，误差波动较大以及深度学习网络训练耗时等问题。
-
Patent Agency Ranking
公开(公告)号：CN112083719B
公开(公告)日：2022-04-01
申请号：CN202010836127.2
申请日：2020-08-19
Applicant: 东北大学秦皇岛分校
IPC: G05D1/02
Abstract: 本发明提供一种基于预设性能函数的有限时间车队控制方法，涉及车辆队列控制技术领域。该方法首先根据车辆运行情况，建立车队动力学模型，并将车辆动态表示为三阶非线性模型；再构造车队中车辆间的间距误差，并设置间距误差限制条件，进而确定车队的控制目标；最后利用反步法，以RBF神经网络拟合表示车辆动态的三阶非线性模型中的非线性函数的非线性部分，并基于车辆间的间距误差设计有限时间车队控制器，实现对车队的稳定控制。本发明方法考虑了对车间距进行限制，采用预设性能控制方法使得间距误差在有限范围内变换，既保证了车辆间的通信又防止了碰撞事故。
-
公开(公告)号：CN112622903B
公开(公告)日：2022-03-08
申请号：CN202011178289.8
申请日：2020-10-29
Applicant: 东北大学秦皇岛分校
IPC: B60W30/165 , B60W10/06 , B60W40/00 , B60W50/00
Abstract: 本发明提供一种车辆跟随驾驶环境下自主车辆的纵向和横向控制方法，涉及自主车辆跟随控制与主动安全技术领域。本发明对车辆的在横向控制中基于速度阈值切换控制的运动学模型预测控制算法，并利用横摆角速度反馈控制和车辆质心侧偏角补偿弥补高速时本发明中的运动学模型预测的不足。可以使车辆在低、高速以及停车条件下都具有良好的精度和实时性。在对车辆的纵向控制中基于RBFNN的自适应PID控制器，神经网络识别车辆特性并自适应调整PID控制参数，可以由当领航车速和、前一时刻车速及节气门增量得到相应的油门控制信号，为距离控制提供了很好的保障，位置式PID进行车间距的控制确保跟车安全性。
-
公开(公告)号：CN112419718B
公开(公告)日：2022-02-01
申请号：CN202011285404.1
申请日：2020-11-17
Applicant: 东北大学秦皇岛分校
IPC: G06Q10/04
Abstract: 本发明提供一种基于时空图卷积神经网络的交通拥塞传播预测方法，涉及交通大数据挖掘与分析技术领域。本发明通过获取交通数据源数据，制作交通速度数据集和传感器网络邻接矩阵数据，采用数据驱动的方式，引入时空图卷积神经网络，提升目标路段交通速度预测精度。将速度预测模块引入拥塞传播模型框架中，提升交通拥塞预测精度，准确表征交通拥塞传播过程，解决了现有的交通拥塞传播预测方案在空间特征提取不佳所导致的预测精度低、算法运算耗时等问题，预测拥塞发生路段在未来时间段里对其临近交通道路的传播情况。
-
公开(公告)号：CN113721634A
公开(公告)日：2021-11-30
申请号：CN202111054031.1
申请日：2021-09-09
Applicant: 东北大学秦皇岛分校
IPC: G05D1/02
Abstract: 本发明公开了考虑执行器饱和的基于反步法的车队有限时间协同控制方法，涉及车队协同控制技术领域。该方法首先根据车辆运行情况，建立车队三阶非线性动力学模型；再采用固定时距策略构造车辆的跟踪误差，确定车队的控制目标；最后基于车辆的跟踪误差，利用反步法结合有限时间稳定性理论设计控制器，保证了在饱和问题和外部干扰存在的情况下系统的稳定性，实现了车队的控制目标。本发明方法可以提高跟踪误差的收敛速度，使其在有限时间内收敛到零的小邻域内，跟随车可以在有限时间内跟踪领队车，跟踪误差和虚拟误差在有限时间内快速收敛，并保证即使存在饱和问题和外部干扰时车队仍然具有良好的鲁棒性能。
-
公开(公告)号：CN113359733A
公开(公告)日：2021-09-07
申请号：CN202110658895.8
申请日：2021-06-15
Applicant: 东北大学秦皇岛分校
IPC: G05D1/02
Abstract: 本发明提供一种具有预设瞬稳态性能的有限时间车辆编队控制方法，针对车辆模型内部和外部不确定性构造有限时间扰动观测器，在控制中有效补偿扰动所造成的影响，考虑车载传感器的局限性，预设车辆相对距离和相对方向角的瞬稳态性能，基于扰动观测器、预设性能指标及有限时间控制理论设计与初始误差为零与否无关的纵横向一体化有限时间车辆编队控制器，使得跟踪误差在预设区域内变化并在有限时间内收敛，保证车辆连通性且避免碰撞；本发明中的控制方法可同时解决对称和非对称性能约束问题，当性能指标无限制时，该控制方法也可推广到无性能约束的车辆协作控制系统。
-
-
-
-
-
-
-
-
-
Search Results
50
records
(took 0.036 seconds)
