公开(公告)号：CN118963124A

公开(公告)日：2024-11-15

申请号：CN202411026157.1

申请日：2024-07-30

Applicant: 东南大学

Inventor： 彭剑坤 ,  周嘉璇 ,  王鑫晨 ,  何洪文 ,  王春海 ,  范毅

IPC: G05B13/04 ,  B60W50/00 ,  B60W60/00 ,  B60W20/11 ,  B60L58/40

Abstract: 本发明公开了一种综合舒适性增强型网联燃料电池客车节能驾驶方法，以网联燃料电池客车为研究对象，利用IRI和WRMSA之间的相关性，将垂向舒适度和路面信息引入进节能驾驶策略；集成能量管理系统和自适应巡航控制，将协同优化目标量化成奖励系数，设定状态空间、动作空间和奖励函数，基于深度强化学习算法得到综合舒适性增强型节能驾驶策略；通过对节能驾驶策略进行离线训练，获得可继承的参数化神经网络策略，并下载到整车控制器中，实现节能驾驶策略的实时在线应用。本发明能够实现与动态规划相当的节能和舒适性水平，并大大提高计算效率以实时应用。本发明在保持车辆最优节能调节下的安全性、耐久性等指标的同时，增加了驾乘综合舒适性。

公开(公告)号：CN115495997A

公开(公告)日：2022-12-20

申请号：CN202211334615.9

申请日：2022-10-28

Applicant: 东南大学

Inventor： 彭剑坤 ,  陈伟琪 ,  周嘉璇 ,  何洪文 ,  范毅 ,  魏中宝 ,  马春野

IPC: G06F30/27 ,  B60W50/00 ,  G06N3/04 ,  G06N3/08 ,  G06F119/08 ,  G06F119/14

Abstract: 本发明公开了一种基于异构多智能体深度强化学习的新能源汽车生态驾驶方法，针对串联式新能源汽车，基于多智能体深度确定性策略梯度算法，融合自适应巡航控制（ACC）和能量管理策略（EMS），开发了一种集成式的生态驾驶框架。主要步骤包括构建仿真环境，加载训练数据；构建两个智能体ACC和EMS，并搭建Actor、Critic网络及目标网络；训练生态驾驶策略，获得可继承的网络参数；加载网络参数至整车控制器，实现在线应用。本方法利用两个异构智能体解耦并优化不同领域的目标，避免权重不协调的负面影响；采用改进的优先经验回放技术，提高了算法的性能；对多种交通工况具有良好的适应性；在实现最佳跟驰性能的前提下降低了综合行驶成本。

公开(公告)号：CN119721415A

公开(公告)日：2025-03-28

申请号：CN202411749937.9

申请日：2024-12-02

Applicant: 东南大学

Inventor： 彭剑坤 ,  马雨晗 ,  闫方 ,  丁璠 ,  葛雨明 ,  何洪文 ,  范毅

IPC: G06Q10/047 ,  G01C21/34 ,  B60L53/00 ,  G06Q10/0631 ,  G06Q50/06 ,  G06N3/006 ,  G06N3/042 ,  G06N3/084 ,  G06N3/092 ,  G06F16/29 ,  G06F16/901 ,  G06F16/909

Abstract: 本发明涉及电动汽车充电规划技术领域，公开了一种基于图强化学习的协同式路线‑充电规划方法及系统，该方法包括使用图神经网络和强化学习算法对路线和充电规划进行集成优化；将地图表示为图结构数据，并通过Structure2Vector方法提取道路网络的拓扑信息；将拓扑信息嵌入到深度Q网络（DQN）算法的状态值函数中，以规划路线和优化充电站的选择；通过自学习适应交通和充电需求的变化形成一种协同式路径‑充电规划方法。本发明的有益效果为：可以提高规划效率，还可以大大减少驾驶和充电等待时间，增强用户体验。

公开(公告)号：CN116257937A

公开(公告)日：2023-06-13

申请号：CN202310020281.6

申请日：2023-01-05

Applicant: 东南大学

Inventor： 彭剑坤 ,  范毅 ,  余思辰 ,  何洪文 ,  吴京达 ,  李志斌 ,  马春野

IPC: G06F30/15 ,  B60W50/00 ,  G06F30/27 ,  G06F111/06 ,  G06F119/04 ,  G06F119/06

Abstract: 本发明公开了一种基于多目标深度强化学习的混合动力汽车生态驾驶方法，属于深度强化学习技术领域。包括如下步骤：构建混合动力汽车自适应巡航系统(ACC)与动力系统的模型；利用MODRL算法，建立基于MODRL的混合动力汽车跟驰场景下的能耗优化方法；进一步利用条件网络(CN)，建立每个优化目标对应权重的输入网络，从而将MODRL算法首次应用于混合动力汽车多系统协同优化，结合奖励权重抽样机制，实现多目标权重的自适应选择。本发明所提出的方法能够解决混合动力汽车生态驾驶涉及的多目标权衡问题，从而在提升驾驶和动力性能的同时缩短开发周期。

公开(公告)号：CN115495997B

公开(公告)日：2024-01-30

申请号：CN202211334615.9

申请日：2022-10-28

Applicant: 东南大学

Inventor： 彭剑坤 ,  陈伟琪 ,  周嘉璇 ,  何洪文 ,  范毅 ,  魏中宝 ,  马春野

IPC: G06F30/27 ,  B60W50/00 ,  G06N3/04 ,  G06N3/092 ,  G06F119/08 ,  G06F119/14

Abstract: 本。本发明公开了一种基于异构多智能体深度强化学习的新能源汽车生态驾驶方法，针对串联式新能源汽车，基于多智能体深度确定性策略梯度算法，融合自适应巡航控制（ACC）和能量管理策略（EMS），开发了一种集成式的生态驾驶框架。主要步骤包括构建仿真环境，加载训练数据；构建两个智能体ACC和EMS，并搭建Actor、Critic网络及目标网络；训练生态驾驶策略，获得可继承的网络参数；加载网络参数至整车控制器，实现在线应用。本方法利用两个异构智能体解耦并优化不同领域的目标，避免权重不协调的负面影(56)对比文件Jiankun Peng et al.CollaborativeOptimization of Energy ManagementStrategy and Adaptive Cruise ControlBased on Deep Reinforcement Learning.《IEEE Transactions on TransportationElectrification》.2022,参见第1-3节.