-
公开(公告)号：CN114880938A
公开(公告)日：2022-08-09
申请号：CN202210528980.7
申请日：2022-05-16
Applicant: 重庆大学
Abstract: 本发明涉及一种实现自动驾驶汽车行为决策的方法，属于自动驾驶汽车技术领域。该方法包括：S1：构建包含环境不确定性因素的信号灯十字路口仿真训练场景；S2：构建隐式分位数网络模型，包括构建状态空间、动作空间和奖励函数；S3：使用神经网络优化步骤S2构建的隐式分位数网络模型；S4：根据步骤S3优化后隐式分位数网络模型输出的奖励分布信息，结合Wang函数生成具有风险感知能力的行为决策。本发明能够感知环境中的不确定性因素带来的风险，提升了自动驾驶汽车在通行有信号灯十字路口的安全性。
-
公开(公告)号：CN114527391A
公开(公告)日：2022-05-24
申请号：CN202210177292.0
申请日：2022-02-25
Applicant: 重庆大学
IPC: G01R31/367 , G01R31/387 , G01R31/389
Abstract: 本发明涉及一种锂电池热模型迁移方法，属于电池技术领域。该方法包括步骤：S1：选定锂电池A和B，获取相关参数；S2：在不同温度下进行电池A多个SOC下和电池B少量SOC下的HPPC放电实验；S3：基于Arrhenius公式得到电池A、B所测各个SOC下电池总内阻与温度之间的线性方程；S4：将电池A、B相同SOC下对应线性方程中一次项系数b和常数a的映射关系Kb、Ka分别与SOC进行拟合；S5：将电池B未测的SOC点代入拟合方程并转换得到电池B未测内阻的预测值；S6：基于测试和预测内阻组成的全内阻建立电池B的热模型。本发明具有精度高、普适性强的特点，可在保证热模型精度的同时大幅减少内阻测试时间。
-
公开(公告)号：CN114050355A
公开(公告)日：2022-02-15
申请号：CN202111368744.5
申请日：2021-11-18
Applicant: 重庆大学 , 重庆长安汽车股份有限公司
IPC: H01M10/617 , H01M10/625 , H01M10/637 , H01M10/6567
Abstract: 本发明涉及一种自识别控制的电池热管理装置和方法，属于新能源技术领域。该电池热管理装置包括动力电池系统、高压配电盒及电池管理系统BMS、热管理装置和整车驱动系统；其中，动力电池系统为热管理对象，并为整车驱动系统、热管理装置提供能量来源；高压配电盒及电池管理系统BMS实现高压分配和电池管理；热管理装置实现电池的加热和制冷控制，并能控制水泵实现水循环；整车驱动系统包含电机及其控制系统，实现整车驱动。实现电池热管理的自动开启与关闭，使电池处于适宜的温度区间，同时实现加热管理耗能最低化，达到节能降耗的目的，延长整车续驶里程。
-
公开(公告)号：CN113264031A
公开(公告)日：2021-08-17
申请号：CN202110766400.3
申请日：2021-07-07
Applicant: 重庆大学
Abstract: 本发明涉及一种基于路面识别与深度强化学习的混合动力系统控制方法，属于新能源汽车的智能控制领域。该方法包括：S1：建立P3结构的并联式混合动力系统以及驾驶环境模型；S2：建立VGG卷积神经网络，采集不同类型路面的图片，并对卷积神经网络进行关于路面类型特征提取的训练；S3：根据滑动率‑附着系数特征曲线确定制动阶段的最优滑动率，并且作为电机转速微调策略的参考值；S4：基于DQN算法建立适用于多目标控制的立体神经网络；S5：定义立体神经网络的状态变量空间、动作变量空间以及奖励函数，并完成迭代训练；S6：提取并保存同步拟合三种参数化控制策略的神经网络，实现混合动力汽车燃油经济性与制动安全性的协同保证。
-
公开(公告)号：CN113263957A
公开(公告)日：2021-08-17
申请号：CN202110550678.7
申请日：2021-05-17
Applicant: 重庆大学
Abstract: 本发明涉及一种动力电池系统能量优化装置及方法，属于电动汽车动力电池系统能量优化技术领域，包括由n个动力电池串联，以及和动力电池系统连接的充电设备，每个动力电池的正极输出均串联有控制开关，每个动力电池并联有备用回路，所述备用回路上设有备用开关；所述动力电池充电设备正极通过充电开关Kg与动力电池系统正极连接，动力电池充电设备负极通过充电开关Kn与动力电池系统负极连接；还包括与动力电池系统连接的整车驱动系统及负载，还包括电池管理和控制装置，用于采集所有动力电池的电压值和容量值，并对控制开关、备用开关进行控制。本发明延长系统使用寿命和整车续驶里程，避免动力电池过充电和过放电风险，保障系统安全。
-
Patent Agency Ranking
公开(公告)号：CN113034210A
公开(公告)日：2021-06-25
申请号：CN202110469430.8
申请日：2021-04-28
Applicant: 重庆大学
Abstract: 本发明涉及一种基于数据驱动场景下车辆行驶成本评价方法，属于新能源汽车领域。该方法包括：获取特定区域内的行车历史数据并进行数据预处理，并进行工况片段划分；基于主成分分析对工况片段的多维特征参数进行降维；利用IABC‑Kmeans算法，搭建典型工况特征集，根据各聚类样本数量比例和类中样本与聚类中心参数相关性重组反映某个地区特定驾驶风格和驾驶习惯的合成工况，并与原始数据集进行统计学特征的对比验证；设计电池老化、燃油消耗和电量维持的统一量化方法，搭建融入专家经验的DDPG的多目标能量管理优化模型，使策略具有在保证最优性的前提下具有更高的训练效率。本发明可以为更精确的车辆行驶成本评价方法提供参考。
-
公开(公告)号：CN112858916A
公开(公告)日：2021-05-28
申请号：CN202110050092.4
申请日：2021-01-14
Applicant: 重庆大学
IPC: G01R31/367 , G01R31/382 , G01R31/36
Abstract: 本发明涉及一种基于模型与数据驱动融合的电池包荷电状态估计方法，属于电池技术领域。用于提高动力电池在复杂工况下SOC估计的准确性。电池在实际车载使用时，其工况复杂多变，单一的基于等效电路模型或基于数据驱动的估计方法难以保证良好的估计精度。因此，结合自适应扩展卡尔曼滤波AEKF和高斯过程回归GPR的各自优点，该融合算法能够在SOC初值不准确、不同工况、不同环境温度、不同老化状态、不同电流倍率等情况下依然有较好的SOC估计精度和鲁棒性。在动态工况下，AEKF算法的SOC估计精度优于GPR算法；与之相反，在恒流工况下，GPR算法的SOC估计精度优于AEKF算法。
-
公开(公告)号：CN111845701B
公开(公告)日：2021-03-30
申请号：CN202010777968.0
申请日：2020-08-05
Applicant: 重庆大学
IPC: B60W20/00 , B60W30/165 , B60W40/00 , B60W50/00
Abstract: 本发明涉及一种跟车环境下基于深度强化学习的HEV能量管理方法，属于智能混合动力汽车控制领域。该方法包括：基于跟随车的实时车速等信息，确定两车之间的最短安全距离以及最长跟车距离；建立串联式DDPG算法模型，学习跟车速度规划策略以及能量管理控制策略；定义DDPG算法中的变量空间；当每次迭代过程所获得的总奖励值趋于稳定收敛状态并且学习效果较为理想后，结束离线训练过程并且保存持久化模型；制定评价指标，并且利用动态规划算法作为能量管理策略的对比标准。本发明针对具有自动跟车功能的智能混合动力汽车，利用深度强化学习算法，完成跟车环境的速度规划以及传动系统的能量管理，实现整车的综合控制。
-
公开(公告)号：CN112550272A
公开(公告)日：2021-03-26
申请号：CN202011475175.X
申请日：2020-12-14
Applicant: 重庆大学
IPC: B60W20/11
Abstract: 本发明涉及一种基于视觉感知与深度强化学习的智能混合动力汽车分层控制方法，属于新能源汽车与智能汽车的交叉领域。该方法包括：在上层环境中，通过智能汽车的环境感知，利用摄像头与卷积网络实时监测前方车辆与路面情况，从而根据单目摄像头测距方法计算出实时的跟车距离并且判断出最佳的跟车距离；在中层环境中，利用深度值网络控制车辆的纵向加速度，从而实现混合动力汽车的智能跟车控制；在下层环境中，利用深度值网络算法控制并联式混合动力系统，完成对发动机与机械式无极变速器的协同控制，从而依据实时的需求功率进行混合动力汽车能量管理，最终实现智能化混合动力汽车的最佳燃油经济性。
-
公开(公告)号：CN112287463A
公开(公告)日：2021-01-29
申请号：CN202011212191.X
申请日：2020-11-03
Applicant: 重庆大学
Abstract: 本发明涉及一种基于深度强化学习算法的燃料电池汽车能量管理方法，属于新能源汽车领域。该方法包括：S1：获取燃料电池汽车状态信息；S2：搭建燃料电池汽车能量管理系统模型；S3：利用深度强化学习算法构建燃料电池汽车能量管理策略，求解包含燃油经济性以及燃料电池效率的多目标优化问题，从而得出最优能量分配结果。本发明将深度强化学习算法应用于燃料电池汽车能量管理制，具有良好的优化性以及实时性；同时在奖励函数中考虑了燃料电池的工作效率，为能量管理提供了新思路。
-
-
-
-
-
-
-
-
-
Search Results
90
records
(took 0.023 seconds)
