公开(公告)号：CN116088504A

公开(公告)日：2023-05-09

申请号：CN202211639317.0

申请日：2022-12-20

Applicant: 北京理工大学

Inventor： 何洪文 ,  王勇 ,  汤颖娟 ,  李佳奇 ,  连仁宗 ,  王浩宇 ,  韩若言

IPC: G05D1/02

Abstract: 本发明提供了一种基于深度强化学习的自动驾驶端对端纵向运动控制方法，基于马尔科夫决策过程建立的强化学习模型，在仿真环境实现模型训练。在云端完成训练后进行实车部署，车载域控制器实时地将感知信息作为输入，输出电机和制动器力矩的指令，实现了对智能网联电动汽车的端对端纵向运动控制。对于强化学习模型训练初始化，利用了分层控制策略的预训练结果，从而以模仿学习的方式使训练大大加速，结合对多个目标优化也使训练好的模型性能显著提高。在端对端控制失效时由车辆自身完成控制决策，并且在自动驾驶策略都失效后转由驾驶员接管，如此以冗余机制充分保证了控制稳定性与行驶安全性。

公开(公告)号：CN119940118A

公开(公告)日：2025-05-06

申请号：CN202510023678.X

申请日：2025-01-07

Applicant: 北京理工大学

Inventor： 何洪文 ,  汤颖娟

IPC: G06F30/27 ,  G06N3/0499 ,  G06N3/08 ,  G06N3/006 ,  G06F18/23213

Abstract: 本发明提供了基于灵活锚点的自主驾驶系统中多样交通参与者轨迹预测方法，其全面吸收了无锚点和基于锚点的两种目标轨迹预测方式的优点，通过对轨迹数据的建模融合处理场景信息与智能体行为，以提供精准的轨迹预测；同时引入了局部和全局注意力机制来提高模型对复杂场景的理解能力；最后基于Transformer和多层感知器生成更为细化精确的查询向量并得到最终的预测轨迹。该方法相比现有技术摆脱了对复杂物理模型的过分依赖，从而有效降低了计算成本以及对相关硬件资源的需求。