CN112347558B - 一种基于概率波的闭环优化方法、系统、电子设备和介质 - Google Patents
一种基于概率波的闭环优化方法、系统、电子设备和介质 Download PDFInfo
- Publication number
- CN112347558B CN112347558B CN202011158593.6A CN202011158593A CN112347558B CN 112347558 B CN112347558 B CN 112347558B CN 202011158593 A CN202011158593 A CN 202011158593A CN 112347558 B CN112347558 B CN 112347558B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- information
- feedback
- action
- model
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000005457 optimization Methods 0.000 title claims abstract description 26
- 230000009471 action Effects 0.000 claims abstract description 135
- 238000004088 simulation Methods 0.000 claims abstract description 54
- 230000006870 function Effects 0.000 claims description 38
- 238000012937 correction Methods 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 10
- 108010046685 Rho Factor Proteins 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 10
- 230000005428 wave function Effects 0.000 abstract description 9
- 238000005259 measurement Methods 0.000 description 41
- 238000004891 communication Methods 0.000 description 25
- 230000008878 coupling Effects 0.000 description 15
- 238000010168 coupling process Methods 0.000 description 15
- 238000005859 coupling reaction Methods 0.000 description 15
- 230000008901 benefit Effects 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 13
- 230000033001 locomotion Effects 0.000 description 13
- 230000000694 effects Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000001093 holography Methods 0.000 description 4
- 239000007788 liquid Substances 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 239000013589 supplement Substances 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000010924 continuous production Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000036632 reaction speed Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明公开了一种基于概率波的闭环优化方法、系统、电子设备和介质,包括:获取车辆运行的传感信息;根据所述传感信息构建仿真模拟模型;根据概率波函数修正所述仿真模拟模型,得到实践动作模型;继续获取车辆运行的传感信息,以优化所述仿真模拟模型,所述传感信息包括上一次执行反馈动作所获得的的反馈信息。通过概率波函数,解决了由于多种传感器协同使用的过程中,由于数据采集的分辨率和控制动作分辨率的问题而导致的准确度低下,尤其是当数据分辨率和控制动作最小步长小于全息度分辨率和控制动作分辨率时候,其准确度会大幅度下降的技术问题,实现了当数据分辨率和控制动作最小步长小于全息度分辨率和控制动作分辨率的高准确度模拟与控制。
Description
技术领域
本发明涉及车辆驾驶控制领域,特别涉及一种基于概率波的闭环优化方 法、系统、电子设备和介质。
背景技术
智慧公路交通建设涉及汽车、道路、路面及路侧交通设施、网络、边缘侧 设备、云端设备等设备、设施的建设,需要对车辆运行进行模拟。
在现实世界中,车辆的驾驶环境是变幻莫测的,而且不同车辆的情况也不 尽相同。通过数学模型进行模拟时,需要对各种车辆的机械结构进行模拟,也 即根据各种车辆的结构和特征,分别建立与多种车辆对应的数学模型,一种数 学模型对应一种车辆。并且,还要针对各种数学模型设置和调试各种参数。
在现有技术中,由于不同的传感器之间无论是其数据采集的分辨率,还是 在运行过程中的控制动作分辨率的问题,往往会存在测量和控制误差,故其准 确度相对较低,尤其是当数据分辨率和控制动作最小步长小于全息度分辨率和 控制动作分辨率时候,其准确度会大幅度下降。
发明内容
为解决上述技术问题,本发明提供一种基于概率波的闭环优化方法、系统、 电子设备和介质,具体的技术方案如下:
本发明提供一种基于概率波的闭环优化方法,包括:
获取车辆运行的传感信息;
根据所述传感信息构建仿真模拟模型;
根据概率波函数修正所述仿真模拟模型,得到实践动作模型;
根据所述实践动作模型执行反馈动作;
继续获取车辆运行的传感信息,以优化所述仿真模拟模型,所述传感信息 包括上一次执行反馈动作所获得的的反馈信息。
优选地,所述获取车辆运行的传感信息包括:
获取多角度传感输出的车辆运行信息、车辆基础信息、车辆控制信息和反 馈信息;
所述根据所述传感信息构建仿真模拟模型包括:
根据所述车辆运行信息、车辆基础信息、车辆控制信息和反馈信息构建车 辆运行反馈模型。
优选地,所述根据所述车辆运行信息、车辆基础信息、车辆控制信息和反 馈信息构建车辆运行反馈模型包括:
导入所述车辆信息获取模块获取到的获取多角度传感输出的车辆运行信 息、车辆基础信息、车辆控制信息和反馈信息形成的集合{A};
设置控制步长最小Pstep和修正周期γ;
生成控车动作函数,所述控车动作函数为
生成虚拟仿真函数,所述虚拟仿真函数为F(t)=[P]×η×ρ,其中 η=F”(t)·{B}·Pstep,η表示控车动作因子,ρ=F”'(t)·{B}·γ,ρ表示反馈修正因 子,P表示传感信息。
优选地,所述P=[Pcontrol+Pfeedback+Pcouple+......],其中:
Pcontrol为控车动作数据;
Pcouple为路侧获得时位关系反馈数据;
Pfeedback为控车动作反馈数据。
另一方面,本发明还提供一种基于概率波的闭环优化系统,其特征在于, 包括:
数据获取模块,用于获取车辆运行的传感信息;
仿真模拟模型建立模块,用于根据所述传感信息构建仿真模拟模型;
数据修正模块,用于根据概率波函数修正所述仿真模拟模型,得到 实践动作模型;
动作执行模块,用于根据所述实践动作模型执行反馈动作;继续获取车辆 运行的传感信息,以优化所述仿真模拟模型,所述传感信息包括上一次执行反 馈动作所获得的的反馈信息。
优选地,所述数据获取模块包括:
车辆信息获取模块,用于获取多角度传感输出的车辆运行信息、车辆基础 信息、车辆控制信息和反馈信息;
所述仿真模拟模型建立模块包括:
车辆运行模型构建模块,用于根据所述车辆运行信息、车辆基础信息、车 辆控制信息和反馈信息构建车辆运行反馈模型。
优选地,所述车辆运行模型构建模块包括:
传感参数导入单元,用于导入所述车辆信息获取模块获取到的获取多角度 传感输出的车辆运行信息、车辆基础信息、车辆控制信息和反馈信息形成的集 合{A};
模型参数设置模块,用于设置控制步长最小Pstep和修正周期γ;
控车动作函数生成模块,用于生成控车动作函数,所述控车动作函数为
虚拟仿真函数生成模块,用于生成虚拟仿真函数,所述虚拟仿真函数为 F(t)=[P]×η×ρ,其中η=F”(t)·{B}·Pstep,η表示控车动作因子,ρ=F”'(t)·{B}·γ, ρ表示反馈修正因子,P表示传感信息。
优选地,所述P=[Pcontrol+Pfeedback+Pcouple+......],其中:
Pcontrol为控车动作数据;
Pcouple为路侧获得时位关系反馈数据;
Pfeedback为控车动作反馈数据。
另一方面,本发明还提供一种电子设备,包括处理器、存储器以及存储在 所述存储器中并可在所述处理器上运行的计算机程序,所述处理器,用于执行 所述存储器上所存放的计算机程序,实现所述一种基于概率波的闭环优化方法 所执行的操作。
另一方面,本发明还提供一种存储介质,所述存储介质中存储有至少一条 指令,所述指令由处理器加载并执行以实现所述一种基于概率波的闭环优化方 法所执行的操作。
本发明的技术效果:通过概率波函数,解决了由于多种传感器协同使用的 过程中,由于数据采集的分辨率和控制动作分辨率的问题而导致的准确度低 下,尤其是当数据分辨率和控制动作最小步长小于全息度分辨率和控制动作分 辨率时候,其准确度会大幅度下降的技术问题,实现了当数据分辨率和控制动 作最小步长小于全息度分辨率和控制动作分辨率的高准确度模拟与控制。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所 需要使用的附图作简要介绍,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,对于本领域的普通技术人员来讲,在不付出创造性劳动性的前提 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1的流程示意图;
图2为本本发明的整体原理示意图;
图3为本发明虚拟仿真函数和控车动作函数的原理示意图;
图4为本发明的具体原理示意图;
图5为本发明实施例5的结构示意图;
图6为本发明实施例实施例9的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术 之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当 清楚,在没有这些具体细节的其他实施例中也可以实现本申请。在其他情况中, 省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节 妨碍本申请的描述。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示 所述描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或 多个其他特征、整体、步骤、操作、元素、组件和/或集合的存在或添加。
为使图面简洁,各图中只示意性地表示出了与本发明相关的部分,它们并 不代表其作为产品的实际结构。另外,以使图面简洁便于理解,在有些图中具 有相同结构或功能的部件,仅示意性地绘出了其中的一个,或仅标出了其中的 一个。在本文中,“一个”不仅表示“仅此一个”,也可以表示“多于一个”的 情形。
还应当进一步理解,在本申请说明书和所附权利要求书中使用的术语“和 /或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且 包括这些组合。
另外,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而 不能理解为指示或暗示相对重要性。
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,下面将对照附 图说明本发明的具体实施方式。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,并获得其他的实施方式。
实施例1:
如图1-4所示,本实施例提供一种基于概率波的闭环优化方法,包括:
S1:获取车辆运行的传感信息;以优化所述仿真模拟模型,所述传感信息 包括上一次执行反馈动作所获得的的反馈信息;
S2:根据所述传感信息构建仿真模拟模型;
S3:根据概率波函数修正所述仿真模拟模型,得到实践动作模型;
S4:根据所述实践动作模型执行反馈动作,并回到S1。
在传统的闭环模型构建中,由于一般不考虑数据的分辨率和控制的最小步 长,故一般仅会有η=F”(t)·{B}·Pstep,且有ρ=F”'(t)·{B}·γ,但是该种方式过于 理想,仅限于连续的过程,而不适用于现实的工程过程中的离散过程,在实际 的闭环反馈运行过程中,由于其并没有考虑数据的分辨率和控制的最小步长, 故其实际的干预准确度,也就是反馈动作的准确度会偏低。也就是说,仿真模 拟模型的准确度很大程度上依赖于全息度分辨率和控制动作分辨率,对于那些分辨率较小的参量便无法使用。
故在本实施例中,对于小于分辨率的参量的处理,假设其复合概率波函数波函数/>是指当仿真运算依据不足以实现空间、时间信息分辨无限 精细时,对未来事件发生的模拟仿真的波函数/>概率区间,是未来事件的 可能性分布;波函数/>概率区间是指干预事件发生到感测干预效果反馈的 周期性时长区间,周期性时长越短概率性越收敛;所述的空间、时间信息分辨 是指描述运动信息的全息程度;根据所述实践动作模型执行反馈动作。
经过概率波函数修正后有和/>进而实现对于原有的仿真模拟模型的修正,最后得到 相应的实践动作模型,并根据实践动作模型进行实际的动作操作,同时在每一 个动作执行完毕后,将动作产生的结果通过传感器采集回来,重新应用在仿真 模拟模型的构建过程,从而修正仿真模型。
实施例2:
如图2-4所示,本实施例提供一种基于概率波的闭环优化方法,包括:
S1:获取多角度传感输出的车辆运行信息、车辆基础信息、车辆控制信息 和反馈信息;
S2:根据所述车辆运行信息、车辆基础信息、车辆控制信息和反馈信息构 建车辆运行反馈模型;
S3:根据概率波函数修正所述仿真模拟模型,得到实践动作模型;
S4:根据所述实践动作模型执行反馈动作,并回到S1。
本实施例具体适用于车辆的运行过程,具体而言,首先获取多角度传感输 出的车辆运行信息、车辆基础信息、车辆控制信息和反馈信息。
具体的,多角度传感是指:1)车轮转速测距、2)卫星定位测距、3)无 线网络基站定位测距、4)雷达测距、5)时位传感等传感方法,这五种定位测 距方法分别各自有明显的优势;其中,无线网络基站位移测距同时可以测定汽 车的身份信息、雷达测距具有高速响应时间的优势、时位传感能提供路面精确 位置和车辆通过该位置的时间的优势。这些不同观测角度的传感装置通过耦合 在一起,能够实现优势互补。
通过这些多角度传感获取多参量数据即历史测量参数,将车辆的多参量数 据作为训练样本从而建立相应的仿真模拟模型。
示例性的,在本实施例中,通过设置多参量传感器,通过传感器获取现实 对象参数变化,并将实时变化的参数导入至方程式中即模型中。
此外,本实施例实现传感数据对仿真模型的相似度不断精细、优化,具体 说是通过模型修正实现机器自我学习,从而实现仿真模型对现实对象近似过程 的“全息度”与“置信度”提高。
示例性的,还包括通过比较车轮转速测距、卫星定位测距、无线网络基站 定位测距、雷达测距、时位传感方法对应的历史测量参数,并通过所述历史测 量参数的分辨率差异调整分辨率刻度,以及修正标定参数的误差。
涉及具体的单参量传感器作为多角度传感的基础,具体可以包括:
卫星定位系统:GPS/BD定位卫星、路侧地面差分站、车载终端;该系统在 多颗卫星和终端之间,实现对城市广域分布的车载终端实现定位,是传统定位 方法之一。特别在地面必不可少地建立分布式差分站,提高定位精度(毫米级)、 信号稳定性、时间坐标精度。但该系统由于定位周期在1秒左右,不能完全满 足高速运动汽车测控必需。
无线通讯定位:路侧无线网络基站、车载无线终端;该系统在多个基站和 终端之间,实现对基站1公里范围分布的车载终端实现定位,是传统定位方法 之一。与卫星定位比较,具有定位周期短的优势,同时可以确定车辆身份;但 对于定位运动中地汽车,定位时间有延迟,网络可靠性导致滞后可能,不能完 全满足高速运动汽车测控必需。
固定位雷达测距测速:路侧雷达测距测速传感装置;在道路固定位该雷达 测距测速传感装置,实现分布式测点大约40米范围内,运动汽车的测距测速, 是传统的测距测速方法之一。雷达测距测速与卫星定位、无线定位相比较,具 有测量速度快、精度高的优势;但由于分布点探测距离只有大约40米范围, 并且其测速是通过两点测距、测时计算间接获得,对于可能存在变速运动的汽 车,全息度不能完全满足高速运动汽车测控必需。并且实现分布式雷达测点连 续覆盖成本太高,只能作为卫星定位、无线定位的有效补充。
车载转速测量车速:车侧车载转速表;车载转速测量测速是传统定位方法 之一;该装置由OBD车载模块与路侧计算单元连接,作为实时动态路单元(局 部路段)一部分。但其缺点在于动态速度(微分速度)累计误差,比如:轮胎 的充气状态影响转速与车速的系数A、胎面与路面状态影响转速与车速的系数 B。这个缺点在上述卫星定位系统、无线通讯定位、固定位雷达测距测速等三种定位测速方法参数耦合(模型修正)后,有极强的互补性。
轴重、固定时位测定:路侧轴重传感装置、地感监测装置;该装置用于测 定确定时刻车辆通过确定位置的时位信息,是上述四种测定车速、定位信息的 有效补充。上述卫星定位系统、无线通讯定位、固定位雷达测距测速等三种定 位测速方法,在对运动中车辆测定中,均是基于一定的积分量确定一个定位点, 通过两个连续定位点的距离、时间计算得到平均速度;而上述车载转速测量车速没有与路侧的时位关系。轴重测定是测量汽车单个车轴的重量(两个平行轮 胎对路面产生的压力,一辆汽车至少两个车轴),同样的气象条件下,胎面与 路面状态影响转速与车速的系数B与轴重构成因果关系。
气象六要素、路面湿度、路面积水液位测定:路侧气象六要素传感装置、 路面湿度传感装置、液位传感装置;该装置用于测定路面随气象变化而发生的 相应变化,是修正轮胎的充气状态影响转速与车速的系数A、胎面与路面状态 影响转速与车速的系数B的必需参数。同时也是控车参数的重要组成。
控车动作、效果反馈:车侧控车动作测定装置、控车效果反馈装置(包含 加速度、陀螺仪、功率);该装置由OBD车载模块与路侧计算单元连接,作为 实时动态路单元(局部路段)一部分;通过反馈信息可以实时修正多种参量之间的耦合系数。车车相联的关键在于知道对方车辆的现状信息、将做未做的控 车动作指令信息、控车动作反馈信息。
车车相对位置、相对速度测定:车侧测距雷达;同车道前后车辆之间的时、 位、速关系,是车、路交通资源利用效率提高的关键。特别说明:汽车追尾碰 撞动能,来自于两车之间的速度差,速度差动能在碰撞瞬间释放;传统驾驶的 前后车辆安全距离,提供了驾驶反应时间,同时也提供了两车速度差产生时间。 尽可能减少安全距离,可以减少碰撞动能,但需要反应更快捷。不仅仅是机器的反应速度比人快,而且车车相联的特点在于知道对方车辆的现状信息、将做 未做的控车动作指令信息、控车动作反馈信息。
实施例3:
如图2-4所示,本实施例提供一种基于概率波的闭环优化方法,包括:
S1:获取多角度传感输出的车辆运行信息、车辆基础信息、车辆控制信息 和反馈信息;
S2-1:导入所述车辆信息获取模块获取到的获取多角度传感输出的车辆运 行信息、车辆基础信息、车辆控制信息和反馈信息形成的集合{A};
S2-2:设置控制步长最小Pstep和修正周期γ;
S2-3:生成控车动作函数,所述控车动作函数为
S2-4:生成虚拟仿真函数,所述虚拟仿真函数为F(t)=[P]×η×ρ,其中 η=F”(t)·{B}·Pstep,η表示控车动作因子,ρ=F”'(t)·{B}·γ,ρ表示反馈修正因 子,P表示传感信息;
S3:根据概率波函数修正所述仿真模拟模型,得到实践动作模型;
S4:根据所述实践动作模型执行反馈动作,并回到S1。
在本实施例中,在修正之前,首先要建立控车动作模型,然后训练控车动 作模型,在训练控车动作模型时,具体包括:
导入历史测量参数至边缘计算单元仿真器。
其中,所述历史测量参数包括卫星定位传感数据D1、无线基站定位传感数 据D2、雷达测距数据D3、轴重数据D4、车辆时位信息D5、气象传感数据D6、积 水与路面湿度传感数据D7、以及上传至边缘计算单元仿真器的车辆数据D8、 D9、……DN;
由传感侧导入参数为{A},即模型获得所述历史测量参数为{A}:
设,仿真器的算法器f(t),导出间接参量B0,误差E0,真值为λ;则通过 所述边缘计算单元仿真器,对所述历史测量参数进行耦合,耦合公式为:
由上述公式,导出所述耦合参数{B},所述耦合参数为:
。
其中,所述观测方法包括车轮转速测距、卫星定位测距、无线网络基站定 位测距、雷达测距参数和时位传感测距。
同时,则有||λ||={B0}+E0,且|||λ||-{B0}|≤|||λ||-{A}|。
在本实施例中还包括对模型的修正,设仿真器的模型修正器为 f'(t)ο(A∪B0),则,修正后导出参数:
修正后仿真器的算法器为f(t1)×(A∪B1),导出参数为B2;继续循环修正,…… 修正后仿真器的算法器为f(tn-1)×(A∪Bn-1),导出参数为Bn;当n→∞时,则{Bn} 收敛于||λ||。
实施例4:
如图2-4所示,本实施例提供一种基于概率波的闭环优化方法,包括:
S1:获取多角度传感输出的车辆运行信息、车辆基础信息、车辆控制信息 和反馈信息;
S2-1:导入所述车辆信息获取模块获取到的获取多角度传感输出的车辆运 行信息、车辆基础信息、车辆控制信息和反馈信息形成的集合{A};
S2-2:设置控制步长最小Pstep和修正周期γ;
S2-3:生成控车动作函数,所述控车动作函数为
S2-4:生成虚拟仿真函数,所述虚拟仿真函数为F(t)=[P]×η×ρ,其中 η=F”(t)·{B}·Pstep,η表示控车动作因子,ρ=F”'(t)·{B}·γ,ρ表示反馈修正因 子,P表示传感信息;P=[Pcontrol+Pfeedback+Pcouple+......],其中:Pfeedback为控车动作反馈 数据、Pcontrol为控车动作数据、Pcouple为路侧获得时位关系反馈数据;
S3:根据概率波函数修正所述仿真模拟模型,得到实践动作模型;
S4:根据所述实践动作模型执行反馈动作,并回到S1。
在本实施例中,基于所述车辆控制信息中的控车动作信息,所述反馈信息 中的控车动作反馈信息和所述时位关系反馈信息,计算控制动作因子和反馈因 子,计算公式为:
F(t)=[Pcontrol+Pfeedback+Pcouple]×η×ρ;
η=F”(t)·{B}·Pstep,ρ=F”'(t)·{B}·γ;
其中,F为车辆与地面的作用力;Pcontrol为控车动作信息;Pfeedback为控车 动作反馈信息;Pcouple为时位关系反馈信息,η表示控车动作因子,ρ表示反馈 修正因子,P表示传感信息;
其中,Pstep为控制最小步长,γ为修正周期:
当然,也可以根据实际的需要对参数的类型进行增加或者减少。
实施例5:
如图2-5,本实施例提供一种基于概率波的闭环优化系统,包括:数据获 取模块,用于获取车辆运行的传感信息;仿真模拟模型建立模块,用于根据所 述传感信息构建仿真模拟模型;数据修正模块,用于根据概率波函数修 正所述仿真模拟模型,得到实践动作模型;动作执行模块,用于根据所述实践 动作模型执行反馈动作;继续获取车辆运行的传感信息,以优化所述仿真模拟 模型,所述传感信息包括上一次执行反馈动作所获得的的反馈信息。
在传统的闭环模型构建中,由于一般不考虑数据的分辨率和控制的最小步 长,故一般仅会有η=F”(t)·{B}·Pstep,且有ρ=F”'(t)·{B}·γ,但是该种方式过于 理想,仅限于连续的过程,而不适用于现实的工程过程中的离散过程,在实际 的闭环反馈运行过程中,由于其并没有考虑数据的分辨率和控制的最小步长, 故其实际的干预准确度,也就是反馈动作的准确度会偏低。也就是说,仿真模拟模型的准确度很大程度上依赖于全息度分辨率和控制动作分辨率,对于那些 分辨率较小的参量便无法使用。
故在本实施例中,对于小于分辨率的参量的处理,假设其复合概率波函数波函数/>是指当仿真运算依据不足以实现空间、时间信息分辨无限 精细时,对未来事件发生的模拟仿真的波函数/>概率区间,是未来事件的 可能性分布;波函数/>概率区间是指干预事件发生到感测干预效果反馈的 周期性时长区间,周期性时长越短概率性越收敛;所述的空间、时间信息分辨 是指描述运动信息的全息程度;根据所述实践动作模型执行反馈动作。
经过概率波函数修正后有和/>进而实现对于原有的仿真模拟模型的修正,最后得到 相应的实践动作模型,并根据实践动作模型进行实际的动作操作,同时在每一 个动作执行完毕后,将动作产生的结果通过传感器采集回来,重新应用在仿真 模拟模型的构建过程,从而修正仿真模型。
实施例6:
如图2-5,本实施例基于实施例5,提供一种基于概率波的闭环优化系统, 所述数据获取模块包括:车辆信息获取模块,用于获取多角度传感输出的车辆 运行信息、车辆基础信息、车辆控制信息和反馈信息;所述仿真模拟模型建立模块包括:车辆运行模型构建模块,用于根据所述车辆运行信息、车辆基础信 息、车辆控制信息和反馈信息构建车辆运行反馈模型。
本实施例具体适用于车辆的运行过程,具体而言,首先获取多角度传感输 出的车辆运行信息、车辆基础信息、车辆控制信息和反馈信息。
具体的,多角度传感是指:1)车轮转速测距、2)卫星定位测距、3)无 线网络基站定位测距、4)雷达测距、5)时位传感等传感方法,这五种定位测 距方法分别各自有明显的优势;其中,无线网络基站位移测距同时可以测定汽 车的身份信息、雷达测距具有高速响应时间的优势、时位传感能提供路面精确 位置和车辆通过该位置的时间的优势。这些不同观测角度的传感装置通过耦合 在一起,能够实现优势互补。
通过这些多角度传感获取多参量数据即历史测量参数,将车辆的多参量数 据作为训练样本从而建立相应的仿真模拟模型。
示例性的,在本实施例中,通过设置多参量传感器,通过传感器获取现实 对象参数变化,并将实时变化的参数导入至方程式中即模型中。
此外,本实施例实现传感数据对仿真模型的相似度不断精细、优化,具体 说是通过模型修正实现机器自我学习,从而实现仿真模型对现实对象近似过程 的“全息度”与“置信度”提高。
示例性的,还包括通过比较车轮转速测距、卫星定位测距、无线网络基站 定位测距、雷达测距、时位传感方法对应的历史测量参数,并通过所述历史测 量参数的分辨率差异调整分辨率刻度,以及修正标定参数的误差。
涉及具体的单参量传感器作为多角度传感的基础,具体可以包括:
卫星定位系统:GPS/BD定位卫星、路侧地面差分站、车载终端;该系统在 多颗卫星和终端之间,实现对城市广域分布的车载终端实现定位,是传统定位 方法之一。特别在地面必不可少地建立分布式差分站,提高定位精度(毫米级)、 信号稳定性、时间坐标精度。但该系统由于定位周期在1秒左右,不能完全满 足高速运动汽车测控必需。
无线通讯定位:路侧无线网络基站、车载无线终端;该系统在多个基站和 终端之间,实现对基站1公里范围分布的车载终端实现定位,是传统定位方法 之一。与卫星定位比较,具有定位周期短的优势,同时可以确定车辆身份;但 对于定位运动中地汽车,定位时间有延迟,网络可靠性导致滞后可能,不能完 全满足高速运动汽车测控必需。
固定位雷达测距测速:路侧雷达测距测速传感装置;在道路固定位该雷达 测距测速传感装置,实现分布式测点大约40米范围内,运动汽车的测距测速, 是传统的测距测速方法之一。雷达测距测速与卫星定位、无线定位相比较,具 有测量速度快、精度高的优势;但由于分布点探测距离只有大约40米范围, 并且其测速是通过两点测距、测时计算间接获得,对于可能存在变速运动的汽 车,全息度不能完全满足高速运动汽车测控必需。并且实现分布式雷达测点连 续覆盖成本太高,只能作为卫星定位、无线定位的有效补充。
车载转速测量车速:车侧车载转速表;车载转速测量测速是传统定位方法 之一;该装置由OBD车载模块与路侧计算单元连接,作为实时动态路单元(局 部路段)一部分。但其缺点在于动态速度(微分速度)累计误差,比如:轮胎 的充气状态影响转速与车速的系数A、胎面与路面状态影响转速与车速的系数 B。这个缺点在上述卫星定位系统、无线通讯定位、固定位雷达测距测速等三种定位测速方法参数耦合(模型修正)后,有极强的互补性。
轴重、固定时位测定:路侧轴重传感装置、地感监测装置;该装置用于测 定确定时刻车辆通过确定位置的时位信息,是上述四种测定车速、定位信息的 有效补充。上述卫星定位系统、无线通讯定位、固定位雷达测距测速等三种定 位测速方法,在对运动中车辆测定中,均是基于一定的积分量确定一个定位点, 通过两个连续定位点的距离、时间计算得到平均速度;而上述车载转速测量车速没有与路侧的时位关系。轴重测定是测量汽车单个车轴的重量(两个平行轮 胎对路面产生的压力,一辆汽车至少两个车轴),同样的气象条件下,胎面与 路面状态影响转速与车速的系数B与轴重构成因果关系。
气象六要素、路面湿度、路面积水液位测定:路侧气象六要素传感装置、 路面湿度传感装置、液位传感装置;该装置用于测定路面随气象变化而发生的 相应变化,是修正轮胎的充气状态影响转速与车速的系数A、胎面与路面状态 影响转速与车速的系数B的必需参数。同时也是控车参数的重要组成。
控车动作、效果反馈:车侧控车动作测定装置、控车效果反馈装置(包含 加速度、陀螺仪、功率);该装置由OBD车载模块与路侧计算单元连接,作为 实时动态路单元(局部路段)一部分;通过反馈信息可以实时修正多种参量之 间的耦合系数。车车相联的关键在于知道对方车辆的现状信息、将做未做的控 车动作指令信息、控车动作反馈信息。
车车相对位置、相对速度测定:车侧测距雷达;同车道前后车辆之间的时、 位、速关系,是车、路交通资源利用效率提高的关键。特别说明:汽车追尾碰 撞动能,来自于两车之间的速度差,速度差动能在碰撞瞬间释放;传统驾驶的 前后车辆安全距离,提供了驾驶反应时间,同时也提供了两车速度差产生时间。 尽可能减少安全距离,可以减少碰撞动能,但需要反应更快捷。不仅仅是机器的反应速度比人快,而且车车相联的特点在于知道对方车辆的现状信息、将做 未做的控车动作指令信息、控车动作反馈信息。
实施例7:
如图2-5,本实施例基于实施例6,提供一种基于概率波的闭环优化系统, 所述车辆运行模型构建模块包括:传感参数导入单元,用于导入所述车辆信息 获取模块获取到的获取多角度传感输出的车辆运行信息、车辆基础信息、车辆 控制信息和反馈信息形成的集合{A};模型参数设置模块,用于设置控制步长 最小Pstep和修正周期γ;控车动作函数生成模块,用于生成控车动作函数,所 述控车动作函数为虚拟仿真函数生成模块,用于生 成虚拟仿真函数,所述虚拟仿真函数为F(t)=[P]×η×ρ,其中η=F”(t)·{B}·Pstep, η表示控车动作因子,ρ=F”'(t)·{B}·γ,ρ表示反馈修正因子,P表示传感信息。
在本实施例中,在修正之前,首先要建立控车动作模型,然后训练控车动 作模型,在训练控车动作模型时,具体包括:
导入历史测量参数至边缘计算单元仿真器。
其中,所述历史测量参数包括卫星定位传感数据D1、无线基站定位传感数 据D2、雷达测距数据D3、轴重数据D4、车辆时位信息D5、气象传感数据D6、积 水与路面湿度传感数据D7、以及上传至边缘计算单元仿真器的车辆数据D8、 D9、……DN;
由传感侧导入参数为{A},即模型获得所述历史测量参数为{A}:
设,仿真器的算法器f(t),导出间接参量B0,误差E0,真值为λ;则通过 所述边缘计算单元仿真器,对所述历史测量参数进行耦合,耦合公式为:
由上述公式,导出所述耦合参数{B},所述耦合参数为:
。
其中,所述观测方法包括车轮转速测距、卫星定位测距、无线网络基站定 位测距、雷达测距参数和时位传感测距。
同时,则有||λ||={B0}+E0,且|||λ||-{B0}|≤|||λ||-{A}|。
在本实施例中还包括对模型的修正,设仿真器的模型修正器为 f'(t)ο(A∪B0),则,修正后导出参数:
修正后仿真器的算法器为f(t1)×(A∪B1),导出参数为B2;继续循环修正,…… 修正后仿真器的算法器为f(tn-1)×(A∪Bn-1),导出参数为Bn;当n→∞时,则{Bn} 收敛于||λ||。
实施例8:
如图2-5,本实施例基于实施例7,提供一种基于概率波的闭环优化系统, P=[Pcontrol+Pfeedback+Pcouple+......],其中:Pfeedback为控车动作反馈数据。
在本实施例中,基于所述车辆控制信息中的控车动作信息,所述反馈信息 中的控车动作反馈信息和所述时位关系反馈信息,计算控制动作因子和反馈因 子,计算公式为:
F(t)=[Pcontrol+Pfeedback+Pcouple]×η×ρ;
η=F”(t)·{B}·Pstep,ρ=F”'(t)·{B}·γ;
其中,F为车辆与地面的作用力;Pcontrol为控车动作信息;Pfeedback为控动 作反馈信息;Pcouple为时位关系反馈信息,η表示控车动作因子,ρ表示反馈修 正因子,P表示传感信息;
其中,Pstep为控制最小步长,γ为修正周期:
当然,也可以根据实际的需要对参数的类型进行增加或者减少。
实施例9:
如图6所示,本实施提供一种设备100,包括处理器110、存储器120,其 中,存储器120,用于存放计算机程序121;处理器110,用于执行存储器120 上所存放的计算机程序121,实现上述实施例中方法。
所述设备100可以为桌上型计算机、笔记本、掌上电脑、平板型计算机、 手机、人机交互屏等设备。所述设备100可包括,但不仅限于处理器110、存储器120。本领域技术人员可以理解,图6仅仅是设备100的示例,并不构成 对设备100的限定,可以包括比图示更多或更少的部件,或者组合某些部件, 或者不同的部件,示例性的:设备100还可以包括输入/输出接口、显示设备、网络接入设备、通信总线、通信接口等。通信接口和通信总线,还可以包括输 入/输出接口,其中,处理器110、存储器120、输入/输出接口和通信接口通 过通信总线完成相互间的通信。该存储器120存储有计算机程序121,该处理器110用于执行存储器120上所存放的计算机程序121,实现上述实施例中的 方法。
所述处理器110可以是中央处理单元(Central Processing Unit,CPU), 还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、 专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可 编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑 器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处 理器或者该处理器也可以是任何常规的处理器等。
所述存储器120可以是所述设备100的内部存储单元,示例性的:设备的 硬盘或内存。所述存储器也可以是所述设备的外部存储设备,示例性的:所述 设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数 字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存 储器120还可以既包括所述设备100的内部存储单元也包括外部存储设备。所 述存储器120用于存储所述计算机程序121以及所述设备100所需要的其他程 序和数据。所述存储器还可以用于暂时地存储已经输出或者将要输出的数据。
通信总线是连接所描述的元素的电路并且在这些元素之间实现传输。示例 性的,处理器110通过通信总线从其它元素接收到命令,解密接收到的命令, 根据解密的命令执行计算或数据处理。存储器120可以包括程序模块,示例性 的,内核(kernel),中间件(middleware),应用程序编程接口(Application Programming Interface,API)和应用。该程序模块可以是有软件、固件或硬 件、或其中的至少两种组成。输入/输出接口转发用户通过输入/输出接口(示 例性的,感应器、键盘、触摸屏)输入的命令或数据。通信接口将该设备100 与其它网络设备、用户设备、网络进行连接。示例性的,通信接口可以通过有 线或无线连接到网络以连接到外部其它的网络设备或用户设备。无线通信可以 包括以下至少一种:无线保真(WiFi),蓝牙(BT),近距离无线通信技术(NFC), 全球卫星定位系统(GPS)和蜂窝通信等等。有线通信可以包括以下至少一种:通用串行总线(USB),高清晰度多媒体接口(HDMI),异步传输标准接口(RS-232) 等等。网络可以是电信网络和通信网络。通信网络可以为计算机网络、因特网、 物联网、电话网络。设备100可以通过通信接口连接网络,设备100和其它网 络设备通信所用的协议可以被应用、应用程序编程接口(API)、中间件、内核和通信接口至少一个支持。
在本申请所提供的实施例中,应该理解到,所揭露的装置/设备和方法, 可以通过其他的方式实现。示例性的,以上所描述的装置/设备实施例仅仅是示意性的,示例性的,所述模块或单元的划分,仅仅为一种逻辑功能划分,实 际实现时可以有另外的划分方式,示例性的,多个单元或组件可以结合或者可 以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨 论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元 的间接耦合或通讯连接,可以是电性、机械或其他的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为 单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者 也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部 单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可能集成在一个处理单元中, 也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元 中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的 形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品 销售或使用时,可以存储在一个介质中。基于这样的理解,本发明实现上述实 施例方法中的全部或部分流程,也可以通过计算机程序121发送指令给相关的硬件完成,所述的计算机程序121可存储于一介质中,该计算机程序121在被处 理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序121 可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述介质可以包括:能够携带所述计算机程序121的任何实体或装置、记录介质、U盘、 移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以 及软件分发介质等。需要说明的是,所述介质包含的内容可以根据司法管辖区 内立法和专利实践的要求进行适当的增减,示例性的:在某些司法管辖区,根 据立法和专利实践,计算机可读的介质不包括电载波信号和电信信号。所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各程 序模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分 配由不同的程序模块完成,即将所述装置的内部结构划分成不同的程序单 元或模块,以完成以上描述的全部或者部分功能。实施例中的各程序模块 可以集成在一个处理单元中,也可是各个单元单独物理存在,也可以两个 或两个以上单元集成在一个处理单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件程序单元的形式实现。另外,各程序模块的 具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。
实施例10:
本实施提供一种介质,所述介质中存储有至少一条指令,所述指令由处理 器加载并执行以实现所述一种基于概率波的闭环优化方法所执行的操作。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基 本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要 求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发 明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及 其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (6)
1.一种基于概率波的闭环优化方法,其特征在于,包括:
获取车辆运行的传感信息,包括获取多角度传感输出的车辆运行信息、车辆基础信息、车辆控制信息和反馈信息;
根据所述传感信息构建仿真模拟模型,包括根据所述车辆运行信息、车辆基础信息、车辆控制信息和反馈信息构建车辆运行反馈模型,具体为:
导入所述车辆信息获取模块获取到的获取多角度传感输出的车辆运行信息、车辆基础信息、车辆控制信息和反馈信息形成的集合{A};
设置控制步长最小Pstep和修正周期γ;
生成控车动作函数,所述控车动作函数为其中,B0表示所述仿真模拟模型的间接参量;
生成虚拟仿真函数,所述虚拟仿真函数为F(t)=[P]×η×ρ,其中η=F”(t)·{B}·Pstep,η表示控车动作因子,ρ=F”'(t)·{B}·γ,ρ表示反馈修正因子,P表示传感信息,B表示胎面与路面状态影响转速与车速的系数;
根据概率波函数修正所述仿真模拟模型,得到实践动作模型,具体为:
根据所述实践动作模型执行反馈动作;
继续获取车辆运行的传感信息,以优化所述仿真模拟模型,所述传感信息包括上一次执行反馈动作所获得的的反馈信息。
2.根据权利要求1所述的一种基于概率波的闭环优化方法,其特征在于,所述P=[Pcontrol+Pfeedback+Pcouple],其中:
Pcontrol为控车动作数据;
Pcouple为路侧获得时位关系反馈数据;
Pfeedback为控车动作反馈数据。
3.一种基于概率波的闭环优化系统,其特征在于,包括:
数据获取模块,用于获取车辆运行的传感信息;所述数据获取模块包括车辆信息获取模块,用于获取多角度传感输出的车辆运行信息、车辆基础信息、车辆控制信息和反馈信息;
仿真模拟模型建立模块,用于根据所述传感信息构建仿真模拟模型;所述仿真模拟模型建立模块包括车辆运行模型构建模块,用于根据所述车辆运行信息、车辆基础信息、车辆控制信息和反馈信息构建车辆运行反馈模型;
所述车辆运行模型构建模块包括:
传感参数导入单元,用于导入所述车辆信息获取模块获取到的获取多角度传感输出的车辆运行信息、车辆基础信息、车辆控制信息和反馈信息形成的集合{A};
模型参数设置模块,用于设置控制步长最小Pstep和修正周期γ;
控车动作函数生成模块,用于生成控车动作函数,所述控车动作函数为其中,B0表示所述仿真模拟模型的间接参量;
虚拟仿真函数生成模块,用于生成虚拟仿真函数,所述虚拟仿真函数为F(t)=[P]×η×ρ,其中η=F”(t)·{B}·Pstep,η表示控车动作因子,ρ=F”'(t)·{B}·γ,ρ表示反馈修正因子,P表示传感信息,B表示胎面与路面状态影响转速与车速的系数;
数据修正模块,用于根据概率波函数修正所述仿真模拟模型,得到实践动作模型,具体为:
动作执行模块,用于根据所述实践动作模型执行反馈动作;继续获取车辆运行的传感信息,以优化所述仿真模拟模型,所述传感信息包括上一次执行反馈动作所获得的的反馈信息。
4.根据权利要求3所述的一种基于概率波的闭环优化系统,其特征在于,所述P=[Pcontrol+Pfeedback+Pcouple],其中:
Pcontrol为控车动作数据;
Pcouple为路侧获得时位关系反馈数据;
Pfeedback为控车动作反馈数据。
5.一种电子设备,其特征在于,包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器,用于执行所述存储器上所存放的计算机程序,实现如权利要求1~2任一项所述一种基于概率波的闭环优化方法所执行的操作。
6.一种存储介质,其特征在于,所述存储介质中存储有至少一条指令,所述指令由处理器加载并执行以实现如权利要求1~2中任一项所述一种基于概率波的闭环优化方法所执行的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011158593.6A CN112347558B (zh) | 2020-10-26 | 2020-10-26 | 一种基于概率波的闭环优化方法、系统、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011158593.6A CN112347558B (zh) | 2020-10-26 | 2020-10-26 | 一种基于概率波的闭环优化方法、系统、电子设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112347558A CN112347558A (zh) | 2021-02-09 |
CN112347558B true CN112347558B (zh) | 2023-12-01 |
Family
ID=74359005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011158593.6A Active CN112347558B (zh) | 2020-10-26 | 2020-10-26 | 一种基于概率波的闭环优化方法、系统、电子设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112347558B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112802343B (zh) * | 2021-02-10 | 2022-02-25 | 上海交通大学 | 面向虚拟算法验证的通用虚拟传感数据采集方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104396191A (zh) * | 2012-05-16 | 2015-03-04 | 宝马股份公司 | 使用车辆基础结构在车辆以太网中的数据记录或模拟 |
CN107685732A (zh) * | 2016-08-03 | 2018-02-13 | 神华集团有限责任公司 | 车辆动力系统输出功率控制方法及控制系统 |
CN110164128A (zh) * | 2019-04-23 | 2019-08-23 | 银江股份有限公司 | 一种城市级智能交通仿真系统 |
CN111240298A (zh) * | 2018-11-28 | 2020-06-05 | 苏州慧德仿真技术有限公司 | 一种用于车辆自动驾驶仿真模拟系统的测试方法 |
CN111785027A (zh) * | 2019-09-17 | 2020-10-16 | 上海森首科技股份有限公司 | 一种自动驾驶闭环信息系统 |
CN111806466A (zh) * | 2019-09-17 | 2020-10-23 | 上海森首科技股份有限公司 | 一种智能驾驶系统及其工作流程 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7885732B2 (en) * | 2006-10-25 | 2011-02-08 | The Boeing Company | Systems and methods for haptics-enabled teleoperation of vehicles and other devices |
US10489993B2 (en) * | 2017-04-25 | 2019-11-26 | GM Global Technology Operations LLC | Emulator hardware-in-loop architecture and control logic for vehicle steer-by-wire test system |
US10877476B2 (en) * | 2017-11-30 | 2020-12-29 | Tusimple, Inc. | Autonomous vehicle simulation system for analyzing motion planners |
-
2020
- 2020-10-26 CN CN202011158593.6A patent/CN112347558B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104396191A (zh) * | 2012-05-16 | 2015-03-04 | 宝马股份公司 | 使用车辆基础结构在车辆以太网中的数据记录或模拟 |
CN107685732A (zh) * | 2016-08-03 | 2018-02-13 | 神华集团有限责任公司 | 车辆动力系统输出功率控制方法及控制系统 |
CN111240298A (zh) * | 2018-11-28 | 2020-06-05 | 苏州慧德仿真技术有限公司 | 一种用于车辆自动驾驶仿真模拟系统的测试方法 |
CN110164128A (zh) * | 2019-04-23 | 2019-08-23 | 银江股份有限公司 | 一种城市级智能交通仿真系统 |
CN111785027A (zh) * | 2019-09-17 | 2020-10-16 | 上海森首科技股份有限公司 | 一种自动驾驶闭环信息系统 |
CN111806466A (zh) * | 2019-09-17 | 2020-10-23 | 上海森首科技股份有限公司 | 一种智能驾驶系统及其工作流程 |
Non-Patent Citations (4)
Title |
---|
An Optimal Velocity-Planning Scheme for Vehicle Energy Efficiency Through Probabilistic Prediction of Traffic-Signal Timing;Mahler, G.;《IEEE Transactions on Intelligent Transportation Systems》;第15卷(第6期);2516–2523 * |
Digital signal processor-based probabilistic fuzzy neural network control of in-wheel motor drive for light electric vehicle;Lin, F.-J et al.;《 IET Electric Power Applications》;第6卷(第2期);47-61 * |
Probabilistic forecasting of wave height for offshore wind turbine maintenance;Taylor, J. W. et al.;《European Journal of Operational Research》;第267卷(第3期);877–890 * |
高速动车组雷电波侵入特性及传播规律研究;保江等;《铁道学报》;第41卷(第12期);26-33 * |
Also Published As
Publication number | Publication date |
---|---|
CN112347558A (zh) | 2021-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11594011B2 (en) | Deep learning-based feature extraction for LiDAR localization of autonomous driving vehicles | |
CN114137509B (zh) | 一种基于毫米波雷达点云聚类方法及装置 | |
CN113484851B (zh) | 车载激光雷达的仿真测试系统、方法和整车在环测试系统 | |
CN112861833B (zh) | 车辆车道级定位方法、装置、电子设备和计算机可读介质 | |
WO2023051065A1 (zh) | 参数标定的方法及装置 | |
WO2019238146A2 (zh) | 基于车载终端的出租车计程计价方法与系统 | |
CN112347558B (zh) | 一种基于概率波的闭环优化方法、系统、电子设备和介质 | |
Fox et al. | Crowdsourcing undersampled vehicular sensor data for pothole detection | |
CN112046492B (zh) | 一种带有方向的车辆车速计算方法、装置、设备及介质 | |
CN109916494B (zh) | 称重设备标定方法及装置 | |
CN114970705A (zh) | 基于多传感数据的行驶状态分析方法、装置、设备及介质 | |
CN113962023B (zh) | 一种方向盘零偏在线辨识方法 | |
EP4020318A1 (en) | Validation and training service for dynamic environment perception based on local high confidence information | |
CN115205335A (zh) | 行人轨迹预测方法、装置和电子设备 | |
CN116702096B (zh) | 车辆高原环境道路滑行阻力测算方法及装置 | |
CN107064893A (zh) | 基于对数矩的广义帕累托分布参数估计方法 | |
CN115331446B (zh) | 车辆安全行驶策略生成方法及装置、存储介质和终端 | |
CN112364561B (zh) | 控车动作修正方法、装置、电子设备和存储介质 | |
CN114394153B (zh) | 方向盘虚位状态确定方法、装置及电子设备 | |
CN113361079B (zh) | 路面平整度检测方法、装置、设备及存储介质 | |
CN108120450B (zh) | 一种静止状态的判断方法及装置 | |
CN112039935B (zh) | 一种动态车队驾驶共享控制方法、服务端、客户端及数据平台 | |
CN112729862B (zh) | 无人驾驶的驾驶行为安全评估方法、装置及电子设备 | |
CN110361081A (zh) | 一种基于递归最小二乘法的车辆总质量动态测量方法 | |
CN104112302A (zh) | 基于汽车行驶状态的汽车保险确定方法及系统 |
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 |