-
公开(公告)号：CN119397685A
公开(公告)日：2025-02-07
申请号：CN202411501914.6
申请日：2024-10-25
Applicant: 重庆大学
IPC: G06F30/15 , G06F30/27 , G06N3/0442 , G06N3/08
Abstract: 本发明涉及一种基于历史数据和实时速度预测的插电式混合动力汽车分层能量管理方法，属于新能源汽车技术领域，包括以下步骤：S1：获取单个车辆的历史通勤数据并进行预处理，建立历史通勤数据集，并对未来全局驾驶工况进行预测；S2：构建车辆零部件简化模型，使用动态规划算法求解最优参考SOC轨迹；S3：利用神经网络构建实时速度预测器，实现车速实时预测；S4：结合最优参考SOC轨迹对实时速度预测结果进行优化，使用PMP‑MPC算法实现能量管理。
-
公开(公告)号：CN118770285B
公开(公告)日：2025-02-07
申请号：CN202410997087.8
申请日：2024-07-24
Applicant: 重庆大学
Abstract: 本发明涉及一种面向匝道汇入场景的自动驾驶分层决策控制方法，属于自动驾驶汽车技术领域，包括以下步骤：S1：构建具有交互性的高速公路平行式匝道汇入场景，使用二自由度运动学模型描述训练场景中车辆的运动，并利用基于规则的智能决策控制模型控制其他车辆，使环境具有交互性；S2：构建基于最大熵深度强化学习的决策模型；S3：构建基于多项式曲线的轨迹规划算法；S4：构建基于匝道场景的动作映射函数及路径跟踪控制模型，将车辆轨迹和动作转换为笛卡尔坐标系，通过PID算法跟踪轨迹以控制车辆运动；S5：训练所述基于最大熵深度强化学习的决策模型。本发明降低了强化学习整体训练难度，提高了自动驾驶汽车匝道汇入的稳定性和安全性。
-
公开(公告)号：CN113859219B
公开(公告)日：2024-07-05
申请号：CN202111346005.6
申请日：2021-11-15
Applicant: 重庆大学 , 重庆长安汽车股份有限公司
Abstract: 本发明涉及一种基于驾驶工况识别的混合动力汽车自适应能量管理方法，属于新能源汽车领域，包括S1：划分驾驶工况网格单元，计算各网格单元的典型特征参数；S2：采用PCA方法对工况特征参数进行降维处理，采用聚类分析算法进行工况分类；S3：建立基于神经网络的工况识别算法，采用步骤S2中的特征参数和工况类型离线训练神经网络模型；S4：利用历史速度数据在线识别工况类型，实时更新等效因子，采用等效燃油消耗最小策略在线获取发动机‑电机功率分配，使得发动机工作在高效率区域。本发明考虑了驾驶工况对能量管理性能的影响，通过在线识别驾驶工况，可实时优化等效因子，提高了车辆燃油经济性以及能量管理策略的工况适应性。
-
公开(公告)号：CN113879165B
公开(公告)日：2024-07-02
申请号：CN202111368747.9
申请日：2021-11-18
Applicant: 重庆大学 , 重庆长安汽车股份有限公司
Abstract: 本发明涉及一种电动车辆单双源充电装置和控制方法，属于新能源技术领域。该充电装置包括动力电池系统、高压配电盒和电池管理系统BMS、充电机1、充电机2、充电机1控制系统和充电机2控制系统；其中，动力电池系统为充电对象，输出总正、总负与高压配电盒连接，高压配电盒内部通过连接铜排，并联输出两路充电回路，即充电1回路和充电2回路，分别通过充电接口输出到充电机1和充电机2，充电机实现与动力电池充电；本发明适应于大于双源的多源充电装置，控制原理同上。同时，运营商可以根据实际运营需要，或者电网波峰波谷对电价的影响，合理配置单源多源充电，降低运营成本。
-
公开(公告)号：CN118192346A
公开(公告)日：2024-06-14
申请号：CN202410366196.X
申请日：2024-03-28
Applicant: 重庆大学 , 重庆赛力斯新能源汽车设计院有限公司
IPC: G05B19/042
Abstract: 本发明涉及一种面向无信号灯十字路口的自动驾驶多车协同控制方法，属于自动驾驶技术领域。该方法具体包括：S1：构建基于深度学习的无信号灯十字路口多车轨迹预测模型，基于车辆历史状态和环境地图信息，输出路口内所有车辆的预测轨迹；S2：构建基于RSS的安全评估模型，根据车辆的当前状态和步骤S1的预测轨迹，输出每个车辆与周围车辆的冲突关系；S3：构建基于博弈论和IDM的运动规划模型，对有冲突车辆与无冲突车辆进行分别控制和联合行动。本发明能实现安全高效的无信号灯十字路口多车协同控制，与传统多车协同控制方法相比，能够针对路口内的局部冲突进行精确交互，在不扰乱车流的前提下提高安全性和通行效率。
-
Patent Agency Ranking
公开(公告)号：CN117970116A
公开(公告)日：2024-05-03
申请号：CN202311741485.5
申请日：2023-12-18
Applicant: 重庆大学
IPC: G01R31/367 , B60L58/12 , B60L58/16 , G01R31/36 , G01R31/3842 , G01R31/392 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06N3/08 , G06F18/2113 , G06F18/25
Abstract: 本发明涉及一种基于增强机器学习和实车数据的电池包容量估算方法，属于电池技术领域。该方法为：对实车数据进行预处理，包括异常数据处理和状态片段划分；确定机器学习模型的输入和输出，结合电池开路电压法和戴维南等效电路模型欧姆内阻快速计算方法获得电池充电片段初始SOC，利用安时积分法逆向表达获取电池包准确的标签容量，作为模型输出；提取多源信息融合的电池健康特征，通过相关性分析确定最优健康特征集作为模型输入；结合CNN、BiGRU和注意力机制的优势，构建增强型CNN‑BiGRU模型，并代入特征输入集和标签容量进行模型训练；进行模型验证并利用平均绝对误差和均方根误差评估该方法的估计效果。与传统数据驱动方法相比，本发明具有更高估计精度。
-
公开(公告)号：CN117807714A
公开(公告)日：2024-04-02
申请号：CN202410021495.X
申请日：2024-01-05
Applicant: 重庆大学
IPC: G06F30/15 , G06F30/27 , G06N3/092 , G06N3/0464 , G06N3/045
Abstract: 本发明涉及一种深度强化学习型控制策略的自适应性在线提升方法，属于新能源汽车与人工智能算法的交叉领域。该方法包括：Actor策略网络的初始化训练阶段、多智能体环境的Critic网络预训练阶段、多智能体环境的适配性提升阶段、成熟型Actor策略网络的在线阶段、Actor策略网络的适应性提升阶段和Actor策略网络的适应性预备阶段。本发明针对混合动力汽车与深度强化学习型能量管理策略，提高了深度强化学习型能量管理策略的自适应，解决机器学习型策略由于特殊机理，导致训练阶段的环境模型始终与真实的环境存在一定差异，甚至必然存在的“长尾”效应导致训练过程无法全面覆盖所有场景的问题。
-
公开(公告)号：CN111352442B
公开(公告)日：2023-06-16
申请号：CN202010017947.9
申请日：2020-01-08
Applicant: 重庆大学
IPC: G05D1/12
Abstract: 本发明涉及一种基于鲁棒H infinite控制的牵引式挂车轨迹跟踪方法，属于无人驾驶中的轨迹跟踪控制领域。该方法包括：S1：对牵引式挂车进行动力学建模，包括轮胎侧偏刚度不确定性及外部扰动建模；S2：利用多面体方法处理动力学模型中参数时变问题；S3：基于牵引式挂车的动力学模型设计一种鲁棒H infinite静态输出反馈控制器；S4：利用线性矩阵不等式方法求解控制器增益，利用所求解的控制器增益及车辆状态，实时求解牵引式挂车的前轮偏角控制量，实现对期望路径的跟踪行驶。本发明能够降低传感器使用成本；考虑车辆模型参数不确定性及外部扰动，实现对期望轨迹的准确跟踪。
-
公开(公告)号：CN111965560B
公开(公告)日：2023-03-28
申请号：CN202010859703.5
申请日：2020-08-24
Applicant: 重庆大学
IPC: G01R31/392 , G01R31/367 , G01R31/36 , G01R31/00
Abstract: 本发明涉及一种面向通用放电工况的电池健康状态估计(State of health,SOH)方法，属于电池技术领域，包括以下步骤：S1：对于恒流或脉冲工况，直接进行电压分段，获得电量差序列；对于动态电流工况，首先进行电压滤波，再进行电压分段，获得电量差序列；S2：提取健康因子：计算电量序列及电量差序列的标准差作为健康因子，分别表示为stdQ_VP和std△Q_VP；S3：采用皮尔逊相关系数来分析健康因子与电池容量的线性相关性；S4：使用数据驱动的方法估计电池的SOH。本发明可建立简单的线性回归模型在通用的放电工况下估计电池的SOH。
-
公开(公告)号：CN115793445A
公开(公告)日：2023-03-14
申请号：CN202211434764.2
申请日：2022-11-16
Applicant: 重庆大学
IPC: G05B13/04
Abstract: 本发明涉及一种基于多智能体深度强化学习的混合动力汽车控制方法，属于新能源汽车技术领域。该方法包括：S1：构建多智能体交互环境；S2：确定各智能体对应策略的状态空间和动作空间，并制定合适的奖励函数；S3：建立与训练基于多智能体深度强化学习算法的混合动力汽车多目标协同控制策略，求解包含燃油经济性、再生制动回收率以及复合电源功率损耗率的多目标优化问题。本发明将多智能体深度强化学习算法应用于混合动力汽车的多目标协同控制中，可以实现不同优化目标间的自适应协调，不再依赖于人工协调优化目标权重，具有良好的灵活性、实时性以及优化效果。
-
-
-
-
-
-
-
-
-
Search Results
179
records
(took 0.026 seconds)
