CN107933685A - 一种多节车辆的转向控制方法、系统及设备 - Google Patents
一种多节车辆的转向控制方法、系统及设备 Download PDFInfo
- Publication number
- CN107933685A CN107933685A CN201711182838.7A CN201711182838A CN107933685A CN 107933685 A CN107933685 A CN 107933685A CN 201711182838 A CN201711182838 A CN 201711182838A CN 107933685 A CN107933685 A CN 107933685A
- Authority
- CN
- China
- Prior art keywords
- section
- exercise data
- car section
- vehicles
- car
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
- B62D—MOTOR VEHICLES; TRAILERS
- B62D5/00—Power-assisted or power-driven steering
- B62D5/04—Power-assisted or power-driven steering electrical, e.g. using an electric servo-motor connected to, or forming part of, the steering gear
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
Abstract
本发明公开了一种多节车辆的转向控制方法包括：获取所述多节车辆各车节的运动数据；其中，所述各车节包括导向车节和非导向车节，所述运动数据包括所述各车节当前时刻的速度信号和转角信号；将所述运动数据输入训练完成的双流卷积神经网络模型，得到所述非导向车节的控制命令；根据所述控制命令得到所述非导向车节的转向角，以便所述非导向车节完成转向操作。本发明公开的转向控制方法，通过双流卷积神经网络模型实现了对多节车辆的自主跟踪转向智能控制，提高了多节车辆在公路上各种弯道或变道行使时的通行能力，降低了多节车辆的地板面高度。本发明还公开了一种多节车辆的转向控制系统、设备及一种计算机可读存储介质，同样能实现上述技术效果。
Description
技术领域
本发明涉及轨道交通领域，更具体地说，涉及一种多节车辆的转向控制方法、系统、设备及一种计算机可读存储介质。
背景技术
超长巴士具有运量大、适应公路运输、无需轨道建设等优点，具有较好的城市交通应用前景。然而，超长巴士一般由两节以上的车辆组成，轴数在3轴以上，车辆节数越多，后续车辆的跟踪转向偏差越大，不利于车辆在公路上的转弯或变道。
现有技术中的超长巴士多采用机械连接方式转向，转向控制结构复杂，转弯半径大、灵活性差，且占用了车下空间，无法实现车内低地板化。
因此，如何提高多节车辆跟踪转向路径的准确性，降低车辆地板面高度是本领域技术人员需要解决的问题。
发明内容
本发明的目的在于提供一种多节车辆的转向控制方法、系统、设备及一种计算机可读存储介质，提高了多节车辆跟踪转向路径的准确性，降低了车辆地板面高度。
为实现上述目的，本发明实施例提供了一种多节车辆的转向控制方法，包括：
获取所述多节车辆各车节的运动数据；其中，所述各车节包括导向车节和非导向车节，所述运动数据包括所述各车节当前时刻的速度信号和转角信号；
将所述运动数据输入训练完成的双流卷积神经网络模型，得到所述非导向车节的控制命令；
根据所述控制命令得到所述非导向车节的转向角，以便所述非导向车节完成转向操作。
其中，获取所述多节车辆各车节的速度信号和转角信号之前，还包括：
获取训练车辆在不同道路的训练运动数据；
利用所述训练运动数据和不同的控制命令训练双流卷积神经网络模型。
其中，获取所述多节车辆各车节的运动数据，包括：
获取所述多节车辆各车轮的运动数据；其中，所述各车轮包括导向车轮和非导向车轮，所述各车轮的运动数据包括所述各车轮当前时刻的速度信号和转角信号；
将所述各车轮的运动数据作为所述各车节的运动数据。
其中，获取所述多节车辆各车节的运动数据，包括：
获取所述多节车辆各车轴的运动数据；其中，所述各车轴包括导向车轴和非导向车轴，所述各车轴的运动数据包括所述各车轴当前时刻的速度信号和转角信号；
将所述各车轴的运动数据作为所述各车节的运动数据。
其中，所述运动数据还包括所述各车节当前时刻的位置信号；
将所述运动数据输入训练完成的双流卷积神经网络模型之前，还包括：
通过对比所述当前时刻的位置信号与上一时刻的位置信号，计算所述各车节的加权系数；
将所述各车节的运动数据与所述各车节的加权系数的乘积作为所述各车节的运动数据。
其中，所述通过对比所述当前时刻的位置信号与上一时刻的位置信号，计算所述各车节的加权系数之前，还包括：
判断是否存在上一时刻的运动数据；
若是，则执行将所述运动数据输入训练完成的双流卷积神经网络模型的步骤；
若否，则执行所述通过对比所述当前时刻的位置信号与上一时刻的位置信号，计算所述各车节的加权系数之前的步骤。
为实现上述目的，本发明实施例提供了一种多节车辆的转向控制系统，包括：
第一获取模块，用于获取所述多节车辆各车节的运动数据；其中，所述各车节包括导向车节和非导向车节，所述运动数据包括所述各车节当前时刻的速度信号和转角信号；
输入模块，用于将所述运动数据输入训练完成的双流卷积神经网络模型，得到所述非导向车节的控制命令；
控制模块，用于根据所述控制命令控制所述非导向车节的转向角，完成转向操作。
其中，还包括：
第二获取模块，用于获取训练车辆在不同道路的训练运动数据；
训练模块，用于利用所述训练运动数据和不同的控制命令训练双流卷积神经网络模型。
为实现上述目的，本发明实施例提供了一种多节车辆的转向控制设备，包括：
存储器，用于存储转向控制程序；
处理器，用于执行所述转向控制程序时实现如上述转向控制方法的步骤。
为实现上述目的，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有转向控制程序，所述转向控制程序被处理器执行时实现如上述转向控制方法。
通过以上方案可知，本发明实施例提供的一种多节车辆的转向控制方法包括：获取所述多节车辆各车节的运动数据；其中，所述各车节包括导向车节和非导向车节，所述运动数据包括所述各车节当前时刻的速度信号和转角信号；将所述运动数据输入训练完成的双流卷积神经网络模型，得到所述非导向车节的控制命令；根据所述控制命令得到所述非导向车节的转向角，以便所述非导向车节完成转向操作。
本发明实施例提供的转向控制方法，通过双流卷积神经网络模型实现了对多节车辆的自主跟踪转向智能控制，双流卷积神经网络模型具有比常规PID控制模型更能适应复杂多变的工况环境，相应速度快，计算精度高，使多节车辆具有转弯半径小，灵活性高和机动性好等优势，提高了多节车辆在公路上各种弯道或变道行使时的通行能力。同时，因无需机械连接转向，降低了多节车辆的地板面高度。本发明还公开了一种多节车辆的转向控制系统、设备及一种计算机可读存储介质，同样能实现上述技术效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例公开的一种多节车辆的转向控制方法的流程图；
图2为本发明实施例公开的另一种多节车辆的转向控制方法的流程图；
图3为本发明实施例公开的一种多节车辆的转向控制系统的结构图；
图4为本发明实施例公开的一种多节车辆的转向控制设备的结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例公开了一种多节车辆的转向控制方法，提高了多节车辆跟踪转向路径的准确性，降低了车辆地板面高度。
参见图1，本发明实施例公开的一种多节车辆的转向控制方法的流程图，如图1所示，包括：
S101：获取所述多节车辆各车节的运动数据；其中，所述各车节包括导向车节和非导向车节，所述运动数据包括所述各车节当前时刻的速度信号和转角信号；
多节车辆的各车节之间有贯通道进行连接，前进时由具有导向功能的车节引导。所述引导方式可以是有方向盘的人工导向，也可以是其它方法的无人驾驶导向方式，在此不作具体限定。
需要说明的是，导向车节的运动数据可以是导向车轴的运动数据，也可以是导向车轮的运动数据。一般来说，沿前进方向的第一车轴为导向车轴，沿前进方向的第一对轮为导向车轮。可以理解的是，若在此步骤中选择了上述第一车轴的运动数据作为导向车节的运动数据，后续步骤中的控制命令为对非导向车轴，即除上述第一车轴之外的其他车轴的控制命令。相应的，若在此步骤中选择了上述第一对轮的运动数据作为导向车节的运动数据，后续步骤中的控制命令为对非导向车轮，即除上述第一对轮之外的其他对轮的控制命令。
在具体实施中，导向车节和非导向车节的运动数据主要包括自身的速度信号和转角信号，当然也可以包括如位置信号等其他运动数据，在此不作具体限定。上述运动数据的采集可以由车载控制器完成，当然也可以由其他具备类似功能的设备完成，在此不作具体限定。
S102：将所述运动数据输入训练完成的双流卷积神经网络模型，得到所述非导向车节的控制命令；
在具体实施中，所述训练完成的双流卷积神经网络模型是指包括空间流卷积神经网络模型和时间流卷积神经网络模型，其中空间流卷积神经网络模型用来模拟整个多节车库各个车节的相对位置关系，而时间流卷积神经网络模型用来模拟各个车节在导向车节引导下随时间的转向运动变化过程。
可以理解的是，在此步骤之前，需要通过训练车辆在不同道路上的运动数据和不同的控制命令训练双流卷积神经网络模型。具体的，首先获取训练车辆在不同道路当前时刻导向车节的第一运动数据和非导向车节的第二运动数据；输入不同的控制命令，并获取非导向车节在下一时刻的第三运动数据；当所述第三运动数据无限接近所述第一运动数据时，此时的控制命令为该导向车节的在第一运动数据条件下，对非导向车节实施的恰当的控制命令。
可以理解的是，当上述双流卷积神经网络模型训练完成后，输入导向车节和非导向车节的运动数据，就可以得到对应的控制命令，该控制命令包括对非导向车节中车轮的加速或制动。
S103：根据所述控制命令得到所述非导向车节的转向角，以便所述非导向车节完成转向操作。
在具体实施中，控制命令包括对非导向车节中车轮的加速或制动命令，通过同一对轮两侧车轮不同的加速或制动命令，控制该对轮所属车节的不同转向角，该车节通过所述转向角完成转向操作。
本发明实施例提供的转向控制方法，通过双流卷积神经网络模型实现了对多节车辆的自主跟踪转向智能控制，双流卷积神经网络模型具有比常规PID控制模型更能适应复杂多变的工况环境，相应速度快，计算精度高，使多节车辆具有转弯半径小，灵活性高和机动性好等优势，提高了多节车辆在公路上各种弯道或变道行使时的通行能力。同时，因无需机械连接转向，降低了多节车辆的地板面高度。
本发明实施例公开了一种多节车辆的转向控制方法，相对于上一实施例，本实施例对技术方案作了进一步的说明和优化。具体的：
参见图2，本发明实施例提供的另一种多节车辆的转向控制方法的流程图，如图2所示，包括：
S201：获取所述多节车辆各车节的运动数据；其中，所述各车节包括导向车节和非导向车节，所述运动数据包括所述各车节当前时刻的速度信号、转角信号和位置信号；
S221：通过对比所述当前时刻的位置信号与上一时刻的位置信号，计算所述各车节的加权系数；
可以理解的是，在此步骤之前，还包括判断是否存在上一时刻的运动数据；若是，则执行将所述运动数据输入训练完成的双流卷积神经网络模型的步骤；若否，则执行此步骤。
通过再次采集非导向车节的运动数据，并与上一时刻导向车节的运动数据进行比较，计算出加权系数，当相差较大时，增加加权系数值，当相差较小时，减小加权系数值。
S222：将所述各车节的运动数据与所述各车节的加权系数的乘积作为所述各车节的运动数据；
在具体实施中，用加权系数对双流卷积神经网络模型的输入进行加权修正，即将所述各车节的运动数据与所述各车节的加权系数的乘积作为所述各车节的运动数据输入双流卷积神经网络模型。
S203：将所述运动数据输入训练完成的双流卷积神经网络模型，得到所述非导向车节的控制命令；
S204：根据所述控制命令得到所述非导向车节的转向角，以便所述非导向车节完成转向操作。
下面对本发明实施例提供的一种多节车辆的转向控制系统进行介绍，下文描述的一种多节车辆的转向控制系统与上文描述的一种多节车辆的转向控制方法可以相互参照。
参见图3，本发明实施例提供的一种多节车辆的转向控制系统的结构图，如图3所示，包括：
第一获取模块301，用于获取所述多节车辆各车节的运动数据；其中，所述各车节包括导向车节和非导向车节，所述运动数据包括所述各车节当前时刻的速度信号和转角信号；
输入模块302，用于将所述运动数据输入训练完成的双流卷积神经网络模型，得到所述非导向车节的控制命令；
控制模块303，用于根据所述控制命令控制所述非导向车节的转向角，完成转向操作。
本发明实施例提供的转向控制系统，通过双流卷积神经网络模型实现了对多节车辆的自主跟踪转向智能控制，双流卷积神经网络模型具有比常规PID控制模型更能适应复杂多变的工况环境，相应速度快，计算精度高，使多节车辆具有转弯半径小，灵活性高和机动性好等优势，提高了多节车辆在公路上各种弯道或变道行使时的通行能力。同时，因无需机械连接转向，降低了多节车辆的地板面高度。
在上述实施例的基础上，作为优选实施方式，还包括：
第二获取模块，用于获取训练车辆在不同道路的训练运动数据；
训练模块，用于利用所述训练运动数据和不同的控制命令训练双流卷积神经网络模型。
在上述实施例的基础上，作为优选实施方式，还包括：
计算模块，用于通过对比所述当前时刻的位置信号与上一时刻的位置信号，计算所述各车节的加权系数；
确定模块，用于将所述各车节的运动数据与所述各车节的加权系数的乘积作为所述各车节的运动数据。
本申请还提供了一种多节车辆的转向控制设备，参见图4，本发明实施例提供的一种多节车辆的转向控制设备的结构图，如图4所示，包括：
存储器401，用于存储转向控制程序；
处理器402，用于执行所述转向控制程序时可以实现上述实施例所提供的步骤。当然所述多节车辆的转向控制设备还可以包括各种网络接口，电源等组件。
本发明实施例提供的转向控制设备，通过双流卷积神经网络模型实现了对多节车辆的自主跟踪转向智能控制，双流卷积神经网络模型具有比常规PID控制模型更能适应复杂多变的工况环境，相应速度快，计算精度高，使多节车辆具有转弯半径小，灵活性高和机动性好等优势，提高了多节车辆在公路上各种弯道或变道行使时的通行能力。同时，因无需机械连接转向，降低了多节车辆的地板面高度。
本申请还提供了一种计算机可读存储介质，其上存储有转向控制程序，所述转向控制程序被处理器执行时可以实现上述实施例所提供的步骤。该存储介质可以包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random AccessMemory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种多节车辆的转向控制方法，其特征在于，包括：
获取所述多节车辆各车节的运动数据；其中，所述各车节包括导向车节和非导向车节，所述运动数据包括所述各车节当前时刻的速度信号和转角信号；
将所述运动数据输入训练完成的双流卷积神经网络模型，得到所述非导向车节的控制命令；
根据所述控制命令得到所述非导向车节的转向角，以便所述非导向车节完成转向操作。
2.根据权利要求1所述转向控制方法，其特征在于，获取所述多节车辆各车节的速度信号和转角信号之前，还包括：
获取训练车辆在不同道路的训练运动数据；
利用所述训练运动数据和不同的控制命令训练双流卷积神经网络模型。
3.根据权利要求1所述转向控制方法，其特征在于，获取所述多节车辆各车节的运动数据，包括：
获取所述多节车辆各车轮的运动数据；其中，所述各车轮包括导向车轮和非导向车轮，所述各车轮的运动数据包括所述各车轮当前时刻的速度信号和转角信号；
将所述各车轮的运动数据作为所述各车节的运动数据。
4.根据权利要求1所述转向控制方法，其特征在于，获取所述多节车辆各车节的运动数据，包括：
获取所述多节车辆各车轴的运动数据；其中，所述各车轴包括导向车轴和非导向车轴，所述各车轴的运动数据包括所述各车轴当前时刻的速度信号和转角信号；
将所述各车轴的运动数据作为所述各车节的运动数据。
5.根据权利要求1-4任一项所述转向控制方法，其特征在于，所述运动数据还包括所述各车节当前时刻的位置信号；
将所述运动数据输入训练完成的双流卷积神经网络模型之前，还包括：
通过对比所述当前时刻的位置信号与上一时刻的位置信号，计算所述各车节的加权系数；
将所述各车节的运动数据与所述各车节的加权系数的乘积作为所述各车节的运动数据。
6.根据权利要求5所述转向控制方法，其特征在于，所述通过对比所述当前时刻的位置信号与上一时刻的位置信号，计算所述各车节的加权系数之前，还包括：
判断是否存在上一时刻的运动数据；
若是，则执行将所述运动数据输入训练完成的双流卷积神经网络模型的步骤；
若否，则执行所述通过对比所述当前时刻的位置信号与上一时刻的位置信号，计算所述各车节的加权系数之前的步骤。
7.一种多节车辆的转向控制系统，其特征在于，包括：
第一获取模块，用于获取所述多节车辆各车节的运动数据；其中，所述各车节包括导向车节和非导向车节，所述运动数据包括所述各车节当前时刻的速度信号和转角信号；
输入模块，用于将所述运动数据输入训练完成的双流卷积神经网络模型，得到所述非导向车节的控制命令；
控制模块，用于根据所述控制命令控制所述非导向车节的转向角，完成转向操作。
8.根据权利要求7所述转向控制系统，其特征在于，还包括：
第二获取模块，用于获取训练车辆在不同道路的训练运动数据；
训练模块，用于利用所述训练运动数据和不同的控制命令训练双流卷积神经网络模型。
9.一种多节车辆的转向控制设备，其特征在于，包括：
存储器，用于存储转向控制程序；
处理器，用于执行所述转向控制程序时实现如权利要求1至6任一项所述转向控制方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有转向控制程序，所述转向控制程序被处理器执行时实现如权利要求1至6任一项所述转向控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711182838.7A CN107933685B (zh) | 2017-11-23 | 2017-11-23 | 一种多节车辆的转向控制方法、系统及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711182838.7A CN107933685B (zh) | 2017-11-23 | 2017-11-23 | 一种多节车辆的转向控制方法、系统及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107933685A true CN107933685A (zh) | 2018-04-20 |
| CN107933685B CN107933685B (zh) | 2020-09-22 |
Family
ID=61930054
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711182838.7A Active CN107933685B (zh) | 2017-11-23 | 2017-11-23 | 一种多节车辆的转向控制方法、系统及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107933685B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109466628A (zh) * | 2018-11-22 | 2019-03-15 | 中车株洲电力机车有限公司 | 一种多节编组车辆 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102358345A (zh) * | 2011-09-21 | 2012-02-22 | 重庆交通大学 | 主动式转向汽车列车及转向控制方法 |
| CN103204148A (zh) * | 2012-01-17 | 2013-07-17 | 通用汽车环球科技运作有限责任公司 | 汽车列车的稳定方法和装置 |
| CN104773202A (zh) * | 2015-03-04 | 2015-07-15 | 郑州机械研究所 | 汽车、单轮组/双轮组无轨列车及其循迹转向控制方法 |
| CN105292249A (zh) * | 2015-11-20 | 2016-02-03 | 南车株洲电力机车研究所有限公司 | 胶轮低地板智能轨道列车用的轨迹跟随控制方法 |
| CN105292256A (zh) * | 2015-11-20 | 2016-02-03 | 南车株洲电力机车研究所有限公司 | 胶轮低地板智能轨道列车的多轴转向轨迹跟随闭环控制方法 |
| CN105620514A (zh) * | 2014-10-31 | 2016-06-01 | 南车株洲电力机车研究所有限公司 | 一种胶轮列车轨迹跟随控制系统 |
| CN105629968A (zh) * | 2014-10-31 | 2016-06-01 | 南车株洲电力机车研究所有限公司 | 一种无轨自导向汽车列车的自导向控制方法 |
| CN106347457A (zh) * | 2016-10-19 | 2017-01-25 | 中车株洲电力机车研究所有限公司 | 一种列车轨迹跟随控制方法、系统及列车 |
-
2017
- 2017-11-23 CN CN201711182838.7A patent/CN107933685B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102358345A (zh) * | 2011-09-21 | 2012-02-22 | 重庆交通大学 | 主动式转向汽车列车及转向控制方法 |
| CN103204148A (zh) * | 2012-01-17 | 2013-07-17 | 通用汽车环球科技运作有限责任公司 | 汽车列车的稳定方法和装置 |
| CN105620514A (zh) * | 2014-10-31 | 2016-06-01 | 南车株洲电力机车研究所有限公司 | 一种胶轮列车轨迹跟随控制系统 |
| CN105629968A (zh) * | 2014-10-31 | 2016-06-01 | 南车株洲电力机车研究所有限公司 | 一种无轨自导向汽车列车的自导向控制方法 |
| CN104773202A (zh) * | 2015-03-04 | 2015-07-15 | 郑州机械研究所 | 汽车、单轮组/双轮组无轨列车及其循迹转向控制方法 |
| CN105292249A (zh) * | 2015-11-20 | 2016-02-03 | 南车株洲电力机车研究所有限公司 | 胶轮低地板智能轨道列车用的轨迹跟随控制方法 |
| CN105292256A (zh) * | 2015-11-20 | 2016-02-03 | 南车株洲电力机车研究所有限公司 | 胶轮低地板智能轨道列车的多轴转向轨迹跟随闭环控制方法 |
| CN106347457A (zh) * | 2016-10-19 | 2017-01-25 | 中车株洲电力机车研究所有限公司 | 一种列车轨迹跟随控制方法、系统及列车 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109466628A (zh) * | 2018-11-22 | 2019-03-15 | 中车株洲电力机车有限公司 | 一种多节编组车辆 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107933685B (zh) | 2020-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112677995B (zh) | 一种车辆轨迹规划方法、装置、存储介质及设备 | |
| CN107862346B (zh) | 一种进行驾驶策略模型训练的方法与设备 | |
| CN113805572A (zh) | 运动规划的方法与装置 | |
| CN102951147B (zh) | 用于机动车的弯道预警的方法和装置 | |
| CN106080590A (zh) | 车辆控制方法和装置以及决策模型的获取方法和装置 | |
| CN104590259B (zh) | 一种轨迹搜寻方法和系统 | |
| CN107992016A (zh) | 一种无人驾驶车辆模拟测试方法 | |
| Pérez et al. | Autonomous driving manoeuvres in urban road traffic environment: a study on roundabouts | |
| CN108257416A (zh) | 路径规划的方法、装置和系统 | |
| CN107167155A (zh) | 一种地下停车场弯曲坡道路径规划及路径跟踪方法 | |
| CN109885070A (zh) | 机器人的运动控制方法、运动控制设备以及自动仓储系统 | |
| WO2024088068A1 (zh) | 一种基于模型预测控制和强化学习融合的自动泊车决策方法 | |
| CN110427690A (zh) | 一种基于全局粒子群算法生成ato速度曲线的方法及装置 | |
| CN114580302A (zh) | 基于最大熵强化学习的自动驾驶汽车决策规划方法 | |
| CN111090286A (zh) | 一种无人车运动状态规划方法及装置 | |
| Horst et al. | Trajectory generation for an on-road autonomous vehicle | |
| CN104318048A (zh) | 基于悬架k&c特征的悬架性能分析方法及系统 | |
| CN107933685A (zh) | 一种多节车辆的转向控制方法、系统及设备 | |
| Zhang et al. | Structured road-oriented motion planning and tracking framework for active collision avoidance of autonomous vehicles | |
| Levy et al. | Cooperative path and trajectory planning for autonomous vehicles on roads without lanes: A laboratory experimental demonstration | |
| CN114117944B (zh) | 一种模型更新方法、装置、设备及可读存储介质 | |
| Dong et al. | Iterative learning control for lane-changing trajectories upstream off-ramp bottlenecks and safety evaluation | |
| CN113276860B (zh) | 车辆控制方法、装置、电子设备以及存储介质 | |
| CN115140048A (zh) | 一种自动驾驶行为决策与轨迹规划模型与方法 | |
| CN114815825A (zh) | 确定车辆最优行驶轨迹方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |