CN112598748A - 铰接式车辆转向死区值的标定方法、装置和电子设备 - Google Patents

铰接式车辆转向死区值的标定方法、装置和电子设备 Download PDF

Info

Publication number
CN112598748A
CN112598748A CN202011334476.0A CN202011334476A CN112598748A CN 112598748 A CN112598748 A CN 112598748A CN 202011334476 A CN202011334476 A CN 202011334476A CN 112598748 A CN112598748 A CN 112598748A
Authority
CN
China
Prior art keywords
steering
state
vehicle
current moment
dead zone
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.)
Pending
Application number
CN202011334476.0A
Other languages
English (en)
Inventor
陈海波
王全胜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenlan Artificial Intelligence Shenzhen Co Ltd
Original Assignee
Shenlan Artificial Intelligence Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenlan Artificial Intelligence Shenzhen Co Ltd filed Critical Shenlan Artificial Intelligence Shenzhen Co Ltd
Priority to CN202011334476.0A priority Critical patent/CN112598748A/zh
Publication of CN112598748A publication Critical patent/CN112598748A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G06T2207/30256—Lane; Road marking

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Steering Control In Accordance With Driving Conditions (AREA)

Abstract

本申请实施例涉及无人驾驶技术领域，提供了一种铰接式车辆转向死区值的标定方法、装置和电子设备，所述方法包括：基于铰接式车辆在上一时刻的转向状态和车辆转向系统的状态模型，获取车辆在当前时刻的预测转向状态，以及基于车辆转向系统的观测模型，获取车辆在当前时刻的观测转向状态，基于观测转向状态对预测转向状态进行修正，获取当前时刻的转向状态，从而获取当前时刻的实时转向死区值进行标定。本申请基于状态模型和观测模型获取车辆在当前时刻的预测转向状态和观测转向状态，从而根据观测转向状态对预测转向状态进行修正实时获取当前时刻的转向状态，进而获取实时转向死区值，实现实时对车辆转向系统的转向死区值进行标定。

Description

铰接式车辆转向死区值的标定方法、装置和电子设备
技术领域
本申请涉及无人驾驶技术领域，尤其涉及一种铰接式车辆转向死区值的标定方法、装置和电子设备。
背景技术
随着计算机技术和人工智能技术的飞速发展，智能机器人技术已经成为了国内外众多学者研究的热点。例如，智能机器人技术已经用于无人驾驶车辆，例如无人驾驶环卫扫地车、无人驾驶园区垃圾车等。
现有的无人驾驶车辆转向死区值通常设置为固定值，但在无人驾驶过程中，不同的路况对应的转向死区值不同，现有的无人驾驶车辆无法实现实时对转向死区值进行标定。
发明内容
本申请提供一种铰接式车辆转向死区值的标定方法、装置和电子设备，以实现实时对转向死区值进行标定。
本申请提供一种铰接式车辆转向死区值的标定方法，包括：
基于铰接式车辆在上一时刻的转向状态和车辆转向系统的状态模型，获取所述车辆在当前时刻的预测转向状态；
基于所述车辆转向系统的观测模型，获取所述车辆在当前时刻的观测转向状态；
基于所述观测转向状态对所述预测转向状态进行修正，获取当前时刻的转向状态；
基于所述当前时刻的转向状态，获取当前时刻的实时转向死区值，并基于所述实时转向死区值对所述车辆转向系统的转向死区值进行标定。
根据本申请提供的一种铰接式车辆转向死区值的标定方法，
基于所述观测转向状态对所述预测转向状态进行修正，获取当前时刻的转向状态，包括：
确定当前时刻的遗忘因子，基于所述遗忘因子和所述观测转向状态，获取当前时刻的增益权重，所述增益权重用于表征所述观测转向状态对当前时刻的转向状态的影响权重；
基于所述增益权重，对所述预测转向状态进行修正，获取当前时刻的转向状态。
根据本申请提供的一种铰接式车辆转向死区值的标定方法，基于所述遗忘因子和所述观测转向状态，获取当前时刻的增益权重，包括：
基于上一时刻的转向状态协方差、当前时刻的遗忘因子以及车辆转向系统的状态噪声协方差，获取当前时刻的预测协方差；
基于车辆转向系统的观测噪声协方差，以及所述当前时刻的预测协方差，获取当前时刻的增益权重。
根据本申请提供的一种铰接式车辆转向死区值的标定方法，所述当前时刻的预测协方差是基于第一协方差模型获取的，所述第一协方差模型为：
Figure BDA0002796754760000021
Ak，k-1＝AT+I；
Figure BDA0002796754760000022
其中，Pk|k-1表示当前时刻k的预测协方差，λk表示当前时刻k的遗忘因子，Pk表示当前时刻k的转向状态协方差，wn表示转向系统的自然频率，Q表示车辆转向系统的状态噪声协方差，T表示采样周期，I表示单位矩阵；
所述当前时刻的增益权重是基于增益模型获取的，所述增益模型为：
Figure BDA0002796754760000031
Ck＝CT；
Figure BDA0002796754760000032
其中，Kk表示增益权重，R表示车辆转向系统的观测噪声协方差；
所述当前时刻的转向状态是基于最优结果预测模型获取的，所述最优结果预测模型为：
Figure BDA0002796754760000033
Vk|k-1＝CkXk|k-1-Yk；
Xk|k-1＝Ak，k-1Xk-1+Bk-1Uk-1；
Yk＝CkXk+vk；
Xk＝Ak，k-1Xk-1+Bk-1Uk-1+wk-1；
Bk-1＝BT；
Figure BDA0002796754760000034
其中，
Figure BDA0002796754760000035
表示当前时刻k的转向状态，Xk-1表示上一时刻k-1的转向状态，Uk-1表示上一时刻k-1的转向系统转向指令，vk表示当前时刻k车辆转向系统的观测噪声，wk-1表示上一时刻k-1车辆转向系统的观测噪声。
根据本申请提供的一种铰接式车辆转向死区值的标定方法，在获取当前时刻的转向状态之后，还包括：
基于所述增益权重和所述当前时刻的预测协方差，按照第二协方差模型获取当前时刻的转向状态协方差；
所述第二协方差模型为：Pk＝(I-KkCk)Pk|k-1；其中，Pk表示当前时刻k的转向状态协方差。
根据本申请提供的一种铰接式车辆转向死区值的标定方法，所述遗忘因子基于如下公式获取：
Figure BDA0002796754760000041
Figure BDA0002796754760000042
Figure BDA0002796754760000043
其中，λk表示当前时刻k的遗忘因子，V0表示k＝0时刻的残差向量，Vi表示k＝i时刻的残差向量。
根据本申请提供的一种铰接式车辆转向死区值的标定方法，所述状态模型和所述观测模型是基于转向系统的转向机构参数建立的，所述转向机构参数包括车辆转向角、车辆转向系统阻尼比、车辆转向系统自然频率、车辆转向系统的转向指令以及车辆转向死区值。
本申请还提供一种铰接式车辆转向死区值的标定装置，包括：
第一获取单元，用于基于铰接式车辆在上一时刻的转向状态和车辆转向系统的状态模型，获取所述车辆在当前时刻的预测转向状态；
第二获取单元，用于基于所述车辆转向系统的观测模型，获取所述车辆在当前时刻的观测转向状态；
第三获取单元，用于基于所述观测转向状态对所述预测转向状态进行修正，获取当前时刻的转向状态；
标定单元，用于基于所述当前时刻的转向状态，获取当前时刻的实时转向死区值，并基于所述实时转向死区值对所述车辆转向系统的转向死区值进行标定。
根据本申请提供的一种铰接式车辆转向死区值的标定装置，所述第三获取单元，包括：
第一计算单元，用于确定当前时刻的遗忘因子，基于所述遗忘因子和所述观测转向状态，获取当前时刻的增益权重，所述增益权重用于表征所述观测转向状态对当前时刻的转向状态的影响权重；
修正单元，用于基于所述增益权重，对所述预测转向状态进行修正，获取当前时刻的转向状态。
根据本申请提供的一种铰接式车辆转向死区值的标定装置，所述计算单元，包括：
第二计算单元，用于基于上一时刻的转向状态协方差、当前时刻的遗忘因子以及车辆转向系统的状态噪声协方差，获取当前时刻的预测协方差；
第三计算单元，用于第二计算单元，用于基于车辆转向系统的观测噪声协方差，以及所述当前时刻的预测协方差，获取当前时刻的增益权重。
根据本申请提供的一种铰接式车辆转向死区值的标定装置，所述状态模型和所述观测模型是基于转向系统的转向机构参数建立的，所述转向机构参数包括车辆转向角、车辆转向系统阻尼比、车辆转向系统自然频率、车辆转向系统的转向指令以及车辆转向死区值。
本申请还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一种所述铰接式车辆转向死区值的标定方法的步骤。
本申请还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述铰接式车辆转向死区值的标定方法的步骤。
本申请提供的铰接式车辆转向死区值的标定方法、装置、电子设备和存储介质，基于车辆在上一时刻的转向状态和车辆转向系统的状态模型，获取车辆在当前时刻的预测转向状态，以及基于车辆转向系统的观测模型，获取车辆在当前时刻的观测转向状态，基于观测转向状态对预测转向状态进行修正，获取当前时刻的转向状态，从而获取当前时刻的实时转向死区值进行标定。由此可见，本申请基于状态模型和观测模型获取车辆在当前时刻的预测转向状态和观测转向状态，从而根据观测转向状态对预测转向状态进行修正实时获取当前时刻的转向状态，进而获取实时转向死区值，实现实时对车辆转向系统的转向死区值进行标定，很好地解决了现有技术中将转向死区值设置为固定值导致车辆在驾驶过程中无法适应不同路况需求的问题。
附图说明
为了更清楚地说明本申请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一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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是本申请提供的铰接式车辆转向死区值的标定方法的流程示意图之一；
图2是本申请提供的铰接式车辆转向死区值的标定方法的流程示意图之二；
图3是本申请提供的铰接式车辆转向死区值的标定方法的流程示意图之三；
图4是本申请提供的铰接式车辆转向死区值的标定装置的结构示意图之一；
图5是本申请提供的铰接式车辆转向死区值的标定装置的结构示意图之二；
图6是本申请提供的铰接式车辆转向死区值的标定装置的结构示意图之三；
图7是本申请提供的电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请中的附图，对本申请中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
目前，智能机器人技术已经用于无人驾驶车辆，例如无人驾驶环卫扫地车、无人驾驶园区垃圾车等。现有的无人驾驶车辆转向死区值通常设置为固定值，无法实时对转向死区值进行标定。转向死区指的是在转向盘转过较小的角度的时候，在该区间内转向盘动作将会被忽略。比如，设置转向死区值为10度，那么在方向盘转动角度小于10度的时候，车辆将不会对转动做出任何反应，若需要让车辆转弯，方向盘需要转动10度以上才行。但在无人驾驶过程中，不同的路况(如水泥路、搬砖路)对应的转向死区值不同，若采用现有技术中将转向死区值设置为固定值，则无法满足不同路况的转向需求。
对此，本申请提供了一种铰接式车辆转向死区值的标定方法。图1是本申请提供的铰接式车辆转向死区值的标定方法的流程示意图，如图1所示，该方法包括如下步骤：
步骤110、基于铰接式车辆在上一时刻的转向状态和车辆转向系统的状态模型，获取车辆在当前时刻的预测转向状态。
在本步骤中，铰接式车辆在上一时刻的转向状态指上一时刻转向系统的转向机构参数，包括车辆转向角，转向系统自然频率、转向死区值等。车辆转向系统的状态模型是动态时域模型，以时间为自变量，即状态模型可以反映车辆在任一时刻的转向状态。由此可见，本实施例通过将上一时刻的转向状态输入状态模型中，可以预测车辆在当前时刻的转向状态，即预测转向状态。
需要说明的是，状态模型可以基于车辆转向执行机构模拟的二阶系统模型构建，构建步骤具体如下：
(1)将车辆的转向执行机构模拟为二阶系统模型：
Figure BDA0002796754760000081
其中，δ表示车辆转向角，ξ表示转向系统阻尼比(已知量)，wn表示转向系统自然频率(已知量)，u表示转向系统接收的转向指令，u0表示转向死区值，该值为辨识的参数。
(2)将上述二阶系统模型整理为状态方程的形式，并且考虑状态噪声w。因此，车辆转向系统的初始状态模型为：
Figure BDA0002796754760000082
式中，
Figure BDA0002796754760000083
对上述初始状态模型进行离散化，得到车辆转向系统的状态模型为：
Xk＝Ak，k-1Xk-1+Bk-1Uk-1+wk-1；
其中，Ak，k-1＝AT+I，Bk-1＝BT，T表示采样周期，I表示单位矩阵。
步骤120、基于车辆转向系统的观测模型，获取车辆在当前时刻的观测转向状态。
在本步骤中，需要说明的是，根据步骤110获取的预测转向状态是基于上一时刻转向状态预测得到的，会存在预测误差，不是真实的当前时刻的转向状态。因此本实施例在得到预测转向状态后，需要结合当前时刻测量的转向状态(即观测转向状态)综合分析，从而可以准确获取当前时刻的转向状态。其中，当前时刻的观测转向状态是基于车辆转向系统的观测模型获取的，观测模型可以基于车辆转向执行机构模拟的二阶系统模型构建，构建步骤具体如下：
将步骤110中的二阶系统模型整理为状态方程的形式，并且考虑观测噪声v。因此，车辆转向系统的初始观测模型为：Y＝CX+v。
对上述初始观测模型进行离散化，得到车辆转向系统的观测模型为：
Yk＝CkXk+vk；
Figure BDA0002796754760000091
其中，Ck＝CT，T表示采样周期，I表示单位矩阵。
步骤130、基于观测转向状态对预测转向状态进行修正，获取当前时刻的转向状态。
在本步骤中，由于预测转向状态存在状态噪声，观测转向状态存在观测噪声，因此预测转向状态和观测转向状态均与真实转向状态存在误差。为了减小与真实转向状态之间的误差，本实施例在获取预测转向状态的基础上，利用观测转向状态对预测转向状态进行修正，使得获取的当前时刻的转向状态接近真实转向状态。
需要说明的是，本实施例可以根据观测转向状态和预测转向状态之间的残差，并对残差权重(增益权重)进行调整，结合残差和残差权重对预测转向状态进行修正，进而准确获取当前时刻的转向状态。
步骤140、基于当前时刻的转向状态，获取当前时刻的实时转向死区值，并基于实时转向死区值对车辆转向系统的转向死区值进行标定。
在本步骤中，需要说明的是，由于转向状态指转向系统的转向机构参数，包括车辆转向角，转向系统自然频率、转向死区值等，从而在获取当前时刻的转向状态的基础上，可以获取当前时刻的实时转向死区值，然后在当前时刻将车辆转向系统的转向死区值调整为实时转向死区值。同理，基于上述方法，也可以实时获取下一时刻的实时转向死区值，然后实时对车辆转向系统的转向死区值进行调整。
本申请提供的铰接式车辆转向死区值的标定方法，基于车辆在上一时刻的转向状态和车辆转向系统的状态模型，获取车辆在当前时刻的预测转向状态，以及基于车辆转向系统的观测模型，获取车辆在当前时刻的观测转向状态，基于观测转向状态对预测转向状态进行修正，获取当前时刻的转向状态，从而获取当前时刻的实时转向死区值进行标定。由此可见，本申请基于状态模型和观测模型获取车辆在当前时刻的预测转向状态和观测转向状态，从而根据观测转向状态对预测转向状态进行修正实时获取当前时刻的转向状态，进而获取实时转向死区值，实现实时对车辆转向系统的转向死区值进行标定，很好地解决了现有技术中将转向死区值设置为固定值导致车辆在驾驶过程中无法适应不同路况需求的问题。
基于上述实施例，如图2所示，步骤130基于观测转向状态对预测转向状态进行修正，获取当前时刻的转向状态，包括：
步骤131、确定当前时刻的遗忘因子，基于遗忘因子和观测转向状态，获取当前时刻的增益权重，增益权重用于表征观测转向状态对当前时刻的转向状态的影响权重；
步骤132、基于增益权重，对预测转向状态进行修正，获取当前时刻的转向状态。
在本实施例中，早期的观测转向状态与近期的观测转向状态对获取当前时刻的转向状态影响不同。当转向系统的转向参数随着时间的变化，近期的观测转向状态数据相较于早期的观测转向状态数据更能反映当前时刻的转向状态变化。遗忘因子的值越小，遗忘较快，表明近期的观测转向状态更能反映当前时刻的转向状态。当遗忘因子为1时，表明没有被遗忘，早期的观测转向状态更能反映当前时刻的转向状态变化。
因此，本实施例基于遗忘因子和观测转向状态，获取增益权重，表征观测转向状态对当前时刻的转向状态的影响权重。其中，增益权重是指观测转向状态和预测转向状态之间的残差权重，并对残差权重进行调整，结合观测转向状态和预测转向状态之间的残差，以及残差权重对预测转向状态进行修正，进而准确获取当前时刻的转向状态。
本申请提供的铰接式车辆转向死区值的标定方法，基于遗忘因子确定增益权重，进而根据增益权重对预测转向状态进行修正，获取当前时刻的转向状态，由于遗忘因子考虑了不同时期的观测转向状态对当前时刻的转向状态的影响，从而能够更准确获取当前时刻的转向状态，减小误差。
基于上述实施例，如图3所示，步骤131基于遗忘因子和观测转向状态，获取当前时刻的增益权重，包括：
步骤131a、基于上一时刻的转向状态协方差、当前时刻的遗忘因子以及车辆转向系统的状态噪声协方差，获取当前时刻的预测协方差；
步骤131b、基于车辆转向系统的观测噪声协方差，以及当前时刻的预测协方差，获取当前时刻的增益权重。
在本实施例中，由于上一时刻的转向状态协方差对当前时刻的预测协方差会产生影响，但具体影响程度取决于当前时刻的遗忘因子，即遗忘因子值越大，表明上一时刻的转向状态协方差对当前时刻的预测协方差影响权重越大，因此本实施例基于上一时刻的转向状态协方差、当前时刻的遗忘因子以及车辆转向系统的状态噪声协方差，从而可以准确实时获取当前时刻的预测协方差。在获取当前时刻的预测协方差的基础上，结合观测噪声协方差，可以获取当前时刻的增益权重。
基于上述实施例，当前时刻的预测协方差是基于第一协方差模型获取的，第一协方差模型为：
Figure BDA0002796754760000111
Ak，k-1＝AT+I；
Figure BDA0002796754760000112
其中，Pk|k-1表示当前时刻k的预测协方差，λk表示当前时刻k的遗忘因子，Pk表示当前时刻k的转向状态协方差，wn表示转向系统的自然频率，Q表示车辆转向系统的状态噪声协方差，T表示采样周期，I表示单位矩阵；
当前时刻的增益权重是基于增益模型获取的，增益模型为：
Figure BDA0002796754760000121
Ck＝CT；
Figure BDA0002796754760000122
其中，Kk表示增益权重，R表示车辆转向系统的观测噪声协方差；
当前时刻的转向状态是基于最优结果预测模型获取的，最优结果预测模型为：
Figure BDA0002796754760000123
Vk|k-1＝CkXk|k-1-Yk；
Xk|k-1＝Ak，k-1Xk-1+Bk-1Uk-1；
Yk＝CkXk+vk；
Xk＝Ak，k-1Xk-1+Bk-1Uk-1+wk-1；
Bk-1＝BT；
Figure BDA0002796754760000124
其中，
Figure BDA0002796754760000125
表示当前时刻k的转向状态，Xk-1表示上一时刻k-1的转向状态，Uk-1表示上一时刻k-1的转向系统转向指令，vk表示当前时刻k车辆转向系统的观测噪声，wk-1表示上一时刻k-1车辆转向系统的观测噪声。
基于上述实施例，在获取当前时刻的转向状态之后，还包括：
基于增益权重和当前时刻的预测协方差，按照第二协方差模型获取当前时刻的转向状态协方差；
第二协方差模型为：Pk＝(I-KkCk)Pk|k-1；其中，Pk表示当前时刻k的转向状态协方差。
在本实施例中，基于增益权重和当前时刻的预测协方差，获取的当前时刻的转向状态协方差，可以作为计算下一时刻的预测协方差的输入，进而获取下一时刻的增益权重。由此可见，本实施例中在计算当前时刻的增益权重时，考虑了上一时刻的转向状态协方差，也就是转向状态协方差不是固定不变的，而是实时根据上一时刻的状态进行调整，从而使得计算得到的增益权重更能准确修正预测转向状态，从而实时且准确获取当前时刻的转向状态。
基于上述实施例，遗忘因子基于如下公式获取：
Figure BDA0002796754760000131
Figure BDA0002796754760000132
Figure BDA0002796754760000133
其中，λk表示当前时刻k的遗忘因子，V0表示k＝0时刻的残差向量，Vi表示k＝i时刻的残差向量。
基于上述实施例，状态模型和观测模型是基于转向系统的转向机构参数建立的，转向机构参数包括车辆转向角、车辆转向系统阻尼比、车辆转向系统自然频率、车辆转向系统的转向指令以及车辆转向死区值。
在本实施例中，基于转向系统的转向机构参数模拟转向系统的二阶系统模型，然后根据二阶转向系统构建初始状态模型和初始观测模型，然后分别对初始状态模型和初始观测模型进行离散化，获取状态模型和观测模型。其中，状态模型用于预测转向系统的转向状态，观测模型用于测量转向系统的转向状态。离散化是指将连续的数据进行分段，使其变为一段段离散化的区间，有效的离散化能减小算法的时间和空间开销，提高模型的分类聚类能力和抗噪声能力，还可以有效的克服数据中隐藏的缺陷，使模型结果更加稳定。比如工资收入，月薪2000和月薪20000，从连续型特征来看高低薪的差异还要通过数值层面才能理解，但将其转换为离散型数据(底薪、高薪)，则可以更加直观的表达出了所需要的高薪和底薪。由此可见，对模型进行离散化处理，更接近模型特征的表达。
基于上述实施例，车辆转向死区值的标定方法包括如下步骤：
以铰接式扫地车为例，建立铰接式扫地车状态方程，把转向执行机构模拟为二阶系统模型：
Figure BDA0002796754760000141
式中，δ表示车辆转向角，ξ表示转向系统阻尼比(已知量)，wn表示转向系统自然频率(已知量)，u表示转向系统接收的转向指令，u0表示转向死区值，该值为辨识的参数。
把二阶系统模型整理为状态方程的形式，并且同时考虑状态噪声w和观测噪声v。因此，描述转向执行系统的初始状态模型和初始观测模型为：
Figure BDA0002796754760000142
Y＝CX+v；
式中，
Figure BDA0002796754760000143
Figure BDA0002796754760000145
对初始状态模型和初始观测模型进行离散化，离散化后状态模型和观测模型为：
Xk＝Ak，k-1Xk-1+Bk-1Uk-1+wk-1；
Yk＝CkXk+vk；
其中，Ak，k-1＝AT+I，Bk-1＝BT，T表示采样周期，I表示单位矩阵。
把动力学模型作为一个整体，增加了遗忘因子λ，通过遗忘因子在线调节预测误差协方差矩阵，即残差权重的调整，达到实时调整滤波增益矩阵的目的，使滤波器接近最优，遗忘卡尔曼滤波方程为：
Xk|k-1＝Ak，k-1Xk-1+Bk-1Uk-1；
Figure BDA0002796754760000144
Vk|k-1＝CkXk|k-1-Yk；
Figure BDA0002796754760000151
Pk＝(I-KkCk)Pk|k-1；
Figure BDA0002796754760000152
式中，Vk|k-1表示残差向量，Pk|k-1和Pk分别表示状态预测滤波协方差矩阵和误差协方差矩阵，Kk表示当前时刻滤波增益矩阵，
Figure BDA0002796754760000153
表示状态向量的估计，R和Q分别表示状态噪声的协方差矩阵和测量噪声协方差矩阵，常规卡尔曼滤波要求系统状态噪声和测量噪声为互不相关的白噪声序列。
由于残差序列为白噪声序列，可推得其协方差矩阵为：
Figure BDA0002796754760000154
残差自相关函数为：
Figure BDA0002796754760000155
其中，j表示自然数，从而可以实时地调整滤波增益矩阵Kk，强迫残差序列保持相互正交，根据上述分析，构造出遗忘因子为：
Figure BDA0002796754760000156
Figure BDA0002796754760000157
式中，V0为k＝0时刻残差向量；λk-1为k-1时刻遗忘因子；
Figure BDA0002796754760000158
为当前估计的残差协方差，trace表示矩阵的迹。通过遗忘卡尔曼滤波就可以获得k时刻的Xk，从而可以获取k时刻的u0。
由此可见，本实施例通过将铰接环卫扫地车转向系统等效为二阶模型，并在模型中加入转向死区值变量，然后采用遗忘卡尔曼滤波的方式在线实时估计转向执行系统的转向死区值，提高转向控制的精度。
下面对本申请提供的车辆转向死区值的标定装置进行描述，下文描述的车辆转向死区值的标定装置与上文描述的车辆转向死区值的标定方法可相互对应参照。
如图4所示，本申请提供一种铰接式车辆转向死区值的标定装置，该装置包括：
第一获取单元410，用于基于铰接式车辆在上一时刻的转向状态和车辆转向系统的状态模型，获取车辆在当前时刻的预测转向状态；
第二获取单元420，用于基于车辆转向系统的观测模型，获取车辆在当前时刻的观测转向状态；
第三获取单元430，用于基于观测转向状态对预测转向状态进行修正，获取当前时刻的转向状态；
标定单元440，用于基于当前时刻的转向状态，获取当前时刻的实时转向死区值，并基于实时转向死区值对车辆转向系统的转向死区值进行标定。
本申请提供的铰接式车辆转向死区值的标定装置，基于铰接式车辆在上一时刻的转向状态和车辆转向系统的状态模型，获取车辆在当前时刻的预测转向状态，以及基于车辆转向系统的观测模型，获取车辆在当前时刻的观测转向状态，基于观测转向状态对预测转向状态进行修正，获取当前时刻的转向状态，从而获取当前时刻的实时转向死区值进行标定。由此可见，本申请基于状态模型和观测模型获取车辆在当前时刻的预测转向状态和观测转向状态，从而根据观测转向状态对预测转向状态进行修正实时获取当前时刻的转向状态，进而获取实时转向死区值，实现实时对车辆转向系统的转向死区值进行标定，很好地解决了现有技术中将转向死区值设置为固定值导致车辆在驾驶过程中无法适应不同路况需求的问题。
基于上述实施例，如图5所示，第三获取单元430，包括：
计算单元431，用于确定当前时刻的遗忘因子，基于遗忘因子和观测转向状态，获取当前时刻的增益权重，增益权重用于表征观测转向状态对当前时刻的转向状态的影响权重；
修正单元432，用于基于增益权重，对预测转向状态进行修正，获取当前时刻的转向状态。
基于上述实施例，如图6所示，计算单元431，包括：
第一计算子单元431a，用于基于上一时刻的转向状态协方差、当前时刻的遗忘因子以及车辆转向系统的状态噪声协方差，获取当前时刻的预测协方差；
第二计算子单元431b，用于基于车辆转向系统的观测噪声协方差，以及所述当前时刻的预测协方差，获取当前时刻的增益权重。
基于上述实施例，该装置还包括第一协方差获取单元，用于基于第一协方差模型获取当前时刻的预测协方差，第一协方差模型为：
Figure BDA0002796754760000171
Ak，k-1＝AT+I；
Figure BDA0002796754760000172
其中，Pk|k-1表示当前时刻k的预测协方差，λk表示当前时刻k的遗忘因子，Pk表示当前时刻k的转向状态协方差，wn表示转向系统的自然频率，Q表示车辆转向系统的状态噪声协方差，T表示采样周期，I表示单位矩阵；
该装置还包括增益权重获取单元，用于基于增益模型获取当前时刻的增益权重，所述增益模型为：
Figure BDA0002796754760000173
Ck＝CT；
Figure BDA0002796754760000174
其中，Kk表示增益权重，R表示车辆转向系统的观测噪声协方差；
该装置还包括转向状态获取单元，用于基于最优结果预测模型获取当前时刻的转向状态，所述最优结果预测模型为：
Figure BDA0002796754760000181
Vk|k-1＝CkXk|k-1-Yk；
Xk|k-1＝Ak，k-1Xk-1+Bk-1Uk-1；
Yk＝CkXk+vk；
Xk＝Ak，k-1Xk-1+Bk-1Uk-1+wk-1；
Bk-1＝BT；
Figure BDA0002796754760000182
其中，
Figure BDA0002796754760000183
表示当前时刻k的转向状态，Xk-1表示上一时刻k-1的转向状态，Uk-1表示上一时刻k-1的转向系统转向指令，vk表示当前时刻k车辆转向系统的观测噪声，wk-1表示上一时刻k-1车辆转向系统的观测噪声。
基于上述实施例，该装置还包括第二协方差获取单元，用于在获取当前时刻的转向状态之后，基于增益权重和当前时刻的预测协方差，按照第二协方差模型获取当前时刻的转向状态协方差；
所述第二协方差模型为：Pk＝(I-KkCk)Pk|k-1；其中，Pk表示当前时刻k的转向状态协方差。
基于上述实施例，该装置还包括遗忘因子获取单元，用于基于遗忘因子模型获取遗忘因子，遗忘因子模型为：
Figure BDA0002796754760000184
Figure BDA0002796754760000185
Figure BDA0002796754760000186
其中，λk表示当前时刻k的遗忘因子，V0表示k＝0时刻的残差向量，Vi表示k＝i时刻的残差向量。
基于上述实施例，该装置还包括模型建立单元，用于基于转向系统的转向机构参数建立状态模型和观测模型，转向机构参数包括车辆转向角、车辆转向系统阻尼比、车辆转向系统自然频率、车辆转向系统的转向指令以及车辆转向死区值。
本申请实施例提供的铰接式车辆转向死区值的标定装置用于执行上述铰接式车辆转向死区值的标定方法，其具体的实施方式与方法实施方式一致，且可以达到相同的有益效果，此处不再赘述。
图7是本申请提供的电子设备的结构示意图，如图7所示，该电子设备可以包括：处理器(processor)710、通信接口(Communications Interface)720、存储器(memory)730和通信总线740，其中，处理器710，通信接口720，存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令，以执行铰接式车辆转向死区值的标定方法该方法包括：基于铰接式车辆在上一时刻的转向状态和车辆转向系统的状态模型，获取所述车辆在当前时刻的预测转向状态；基于所述车辆转向系统的观测模型，获取所述车辆在当前时刻的观测转向状态；基于所述观测转向状态对所述预测转向状态进行修正，获取当前时刻的转向状态；基于所述当前时刻的转向状态，获取当前时刻的实时转向死区值，并基于所述实时转向死区值对所述车辆转向系统的转向死区值进行标定。
此外，上述的存储器730中的逻辑指令可以通过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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请实施例提供的电子设备中的处理器710可以调用存储器730中的逻辑指令，实现上述铰接式车辆转向死区值的标定方法，其具体的实施方式与方法实施方式一致，且可以达到相同的有益效果，此处不再赘述。
另一方面，本申请还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的铰接式车辆转向死区值的标定方法该方法包括：基于铰接式车辆在上一时刻的转向状态和车辆转向系统的状态模型，获取所述车辆在当前时刻的预测转向状态；基于所述车辆转向系统的观测模型，获取所述车辆在当前时刻的观测转向状态；基于所述观测转向状态对所述预测转向状态进行修正，获取当前时刻的转向状态；基于所述当前时刻的转向状态，获取当前时刻的实时转向死区值，并基于所述实时转向死区值对所述车辆转向系统的转向死区值进行标定。
本申请实施例提供的计算机程序产品被执行时，实现上述铰接式车辆转向死区值的标定方法，其具体的实施方式与方法实施方式一致，且可以达到相同的有益效果，此处不再赘述。
又一方面，本申请还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的铰接式车辆转向死区值的标定方法该方法包括：基于铰接式车辆在上一时刻的转向状态和车辆转向系统的状态模型，获取所述车辆在当前时刻的预测转向状态；基于所述车辆转向系统的观测模型，获取所述车辆在当前时刻的观测转向状态；基于所述观测转向状态对所述预测转向状态进行修正，获取当前时刻的转向状态；基于所述当前时刻的转向状态，获取当前时刻的实时转向死区值，并基于所述实时转向死区值对所述车辆转向系统的转向死区值进行标定。
本申请实施例提供的非暂态计算机可读存储介质上存储的计算机程序被执行时，实现上述铰接式车辆转向死区值的标定方法，其具体的实施方式与方法实施方式一致，且可以达到相同的有益效果，此处不再赘述。
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (13)

1.一种铰接式车辆转向死区值的标定方法，其特征在于，包括：
基于铰接式车辆在上一时刻的转向状态和车辆转向系统的状态模型，获取所述车辆在当前时刻的预测转向状态；
基于所述车辆转向系统的观测模型，获取所述车辆在当前时刻的观测转向状态；
基于所述观测转向状态对所述预测转向状态进行修正，获取当前时刻的转向状态；
基于所述当前时刻的转向状态，获取当前时刻的实时转向死区值，并基于所述实时转向死区值对所述车辆转向系统的转向死区值进行标定。
2.根据权利要求1所述的铰接式车辆转向死区值的标定方法，其特征在于，基于所述观测转向状态对所述预测转向状态进行修正，获取当前时刻的转向状态，包括：
确定当前时刻的遗忘因子，基于所述遗忘因子和所述观测转向状态，获取当前时刻的增益权重，所述增益权重用于表征所述观测转向状态对当前时刻的转向状态的影响权重；
基于所述增益权重，对所述预测转向状态进行修正，获取当前时刻的转向状态。
3.根据权利要求2所述的铰接式车辆转向死区值的标定方法，其特征在于，基于所述遗忘因子和所述观测转向状态，获取当前时刻的增益权重，包括：
基于上一时刻的转向状态协方差、当前时刻的遗忘因子以及车辆转向系统的状态噪声协方差，获取当前时刻的预测协方差；
基于车辆转向系统的观测噪声协方差，以及所述当前时刻的预测协方差，获取当前时刻的增益权重。
4.根据权利要求3所述的铰接式车辆转向死区值的标定方法，其特征在于，所述当前时刻的预测协方差是基于第一协方差模型获取的，所述第一协方差模型为：
Figure FDA0002796754750000021
Ak，k-1＝AT+I；
Figure FDA0002796754750000022
其中，Pk|k-1表示当前时刻k的预测协方差，λk表示当前时刻k的遗忘因子，Pk表示当前时刻k的转向状态协方差，wn表示转向系统的自然频率，Q表示车辆转向系统的状态噪声协方差，T表示采样周期，I表示单位矩阵；
所述当前时刻的增益权重是基于增益模型获取的，所述增益模型为：
Figure FDA0002796754750000023
Ck＝CT；
Figure FDA0002796754750000024
其中，Kk表示增益权重，R表示车辆转向系统的观测噪声协方差；
所述当前时刻的转向状态是基于最优结果预测模型获取的，所述最优结果预测模型为：
Figure FDA0002796754750000025
Vk|k-1＝CkXk|k-1-Yk；
Xk|k-1＝Ak，k-1Xk-1+Bk-1Uk-1；
Yk＝CkXk+vk；
Xk＝Ak，k-1Xk-1+Bk-1Uk-1+wk-1；
Bk-1＝BT；
Figure FDA0002796754750000026
其中，
Figure FDA0002796754750000027
表示当前时刻k的转向状态，Xk-1表示上一时刻k-1的转向状态，Uk-1表示上一时刻k-1的转向系统转向指令，vk表示当前时刻k车辆转向系统的观测噪声，wk-1表示上一时刻k-1车辆转向系统的观测噪声。
5.根据权利要求4所述的铰接式车辆转向死区值的标定方法，其特征在于，在获取当前时刻的转向状态之后，还包括：
基于所述增益权重和所述当前时刻的预测协方差，按照第二协方差模型获取当前时刻的转向状态协方差；
所述第二协方差模型为：Pk＝(I-KkCk)Pk|k-1；其中，Pk表示当前时刻k的转向状态协方差。
6.根据权利要求4所述的铰接式车辆转向死区值的标定方法，其特征在于，所述遗忘因子基于如下公式获取：
Figure FDA0002796754750000031
Figure FDA0002796754750000032
Figure FDA0002796754750000033
其中，λk表示当前时刻k的遗忘因子，V0表示k＝0时刻的残差向量，Vi表示k＝i时刻的残差向量。
7.根据权利要求1至6任一项所述的铰接式车辆转向死区值的标定方法，其特征在于，所述状态模型和所述观测模型是基于转向系统的转向机构参数建立的，所述转向机构参数包括车辆转向角、车辆转向系统阻尼比、车辆转向系统自然频率、车辆转向系统的转向指令以及车辆转向死区值。
8.一种铰接式车辆转向死区值的标定装置，其特征在于，包括：
第一获取单元，用于基于铰接式车辆在上一时刻的转向状态和车辆转向系统的状态模型，获取所述车辆在当前时刻的预测转向状态；
第二获取单元，用于基于所述车辆转向系统的观测模型，获取所述车辆在当前时刻的观测转向状态；
第三获取单元，用于基于所述观测转向状态对所述预测转向状态进行修正，获取当前时刻的转向状态；
标定单元，用于基于所述当前时刻的转向状态，获取当前时刻的实时转向死区值，并基于所述实时转向死区值对所述车辆转向系统的转向死区值进行标定。
9.根据权利要求8所述的铰接式车辆转向死区值的标定装置，其特征在于，所述第三获取单元，包括：
计算单元，用于确定当前时刻的遗忘因子，基于所述遗忘因子和所述观测转向状态，获取当前时刻的增益权重，所述增益权重用于表征所述观测转向状态对当前时刻的转向状态的影响权重；
修正单元，用于基于所述增益权重，对所述预测转向状态进行修正，获取当前时刻的转向状态。
10.根据权利要求9所述的铰接式车辆转向死区值的标定装置，其特征在于，所述计算单元，包括：
第一计算子单元，用于基于上一时刻的转向状态协方差、当前时刻的遗忘因子以及车辆转向系统的状态噪声协方差，获取当前时刻的预测协方差；
第二计算子单元，用于基于车辆转向系统的观测噪声协方差，以及所述当前时刻的预测协方差，获取当前时刻的增益权重。
11.根据权利要求8至10任一项所述的铰接式车辆转向死区值的标定装置，其特征在于，还包括模型建立单元，用于基于转向系统的转向机构参数建立所述状态模型和所述观测模型，所述转向机构参数包括车辆转向角、车辆转向系统阻尼比、车辆转向系统自然频率、车辆转向系统的转向指令以及车辆转向死区值。
12.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述铰接式车辆转向死区值的标定方法的步骤。
13.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述铰接式车辆转向死区值的标定方法的步骤。
CN202011334476.0A 2020-11-24 2020-11-24 铰接式车辆转向死区值的标定方法、装置和电子设备 Pending CN112598748A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011334476.0A CN112598748A (zh) 2020-11-24 2020-11-24 铰接式车辆转向死区值的标定方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011334476.0A CN112598748A (zh) 2020-11-24 2020-11-24 铰接式车辆转向死区值的标定方法、装置和电子设备

Publications (1)

Publication Number Publication Date
CN112598748A true CN112598748A (zh) 2021-04-02

Family

ID=75184157

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011334476.0A Pending CN112598748A (zh) 2020-11-24 2020-11-24 铰接式车辆转向死区值的标定方法、装置和电子设备

Country Status (1)

Country Link
CN (1) CN112598748A (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090119016A1 (en) * 2007-11-05 2009-05-07 Denso Corporation Vehicular present position detection apparatus and program storage medium
CN102186693A (zh) * 2008-10-30 2011-09-14 福特全球技术公司 车辆以及提醒车辆的驾驶员的方法
US20120173040A1 (en) * 2009-09-24 2012-07-05 Toyota Jidosha Kabushiki Kaisha Device for estimating turning characteristic of vehicle
CN105523083A (zh) * 2015-12-23 2016-04-27 广州中海达卫星导航技术股份有限公司 一种农机自动驾驶系统的自动校准方法及系统
CN106882260A (zh) * 2017-02-22 2017-06-23 大连创新零部件制造公司 一种汽车有刷电动转向助力电流特性的随动标定方法
CN107097845A (zh) * 2016-02-16 2017-08-29 操纵技术Ip控股公司 检测车辆运动状态的转向系统
CN108535031A (zh) * 2018-04-09 2018-09-14 江苏农牧科技职业学院 一种农用装载车转向校正系统及方法
CN110654235A (zh) * 2019-09-29 2020-01-07 潍柴动力股份有限公司 油门踏板死区控制方法、装置、控制器及车辆
CN111142539A (zh) * 2020-01-13 2020-05-12 中智行科技有限公司 一种无人驾驶车辆控制方法、装置和无人驾驶车辆
CN111231962A (zh) * 2020-03-03 2020-06-05 北京百度网讯科技有限公司 一种车辆控制方法、装置、设备、车辆及介质
CN111361633A (zh) * 2019-11-21 2020-07-03 大连创新零部件制造公司 用于商用车的具备多种驾驶模式选择的电动助力转向系统
CN111791892A (zh) * 2020-06-29 2020-10-20 广州小鹏车联网科技有限公司 智能车辆控制方法、装置、车辆以及存储介质

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090119016A1 (en) * 2007-11-05 2009-05-07 Denso Corporation Vehicular present position detection apparatus and program storage medium
CN102186693A (zh) * 2008-10-30 2011-09-14 福特全球技术公司 车辆以及提醒车辆的驾驶员的方法
US20120173040A1 (en) * 2009-09-24 2012-07-05 Toyota Jidosha Kabushiki Kaisha Device for estimating turning characteristic of vehicle
CN105523083A (zh) * 2015-12-23 2016-04-27 广州中海达卫星导航技术股份有限公司 一种农机自动驾驶系统的自动校准方法及系统
CN107097845A (zh) * 2016-02-16 2017-08-29 操纵技术Ip控股公司 检测车辆运动状态的转向系统
CN106882260A (zh) * 2017-02-22 2017-06-23 大连创新零部件制造公司 一种汽车有刷电动转向助力电流特性的随动标定方法
CN108535031A (zh) * 2018-04-09 2018-09-14 江苏农牧科技职业学院 一种农用装载车转向校正系统及方法
CN110654235A (zh) * 2019-09-29 2020-01-07 潍柴动力股份有限公司 油门踏板死区控制方法、装置、控制器及车辆
CN111361633A (zh) * 2019-11-21 2020-07-03 大连创新零部件制造公司 用于商用车的具备多种驾驶模式选择的电动助力转向系统
CN111142539A (zh) * 2020-01-13 2020-05-12 中智行科技有限公司 一种无人驾驶车辆控制方法、装置和无人驾驶车辆
CN111231962A (zh) * 2020-03-03 2020-06-05 北京百度网讯科技有限公司 一种车辆控制方法、装置、设备、车辆及介质
CN111791892A (zh) * 2020-06-29 2020-10-20 广州小鹏车联网科技有限公司 智能车辆控制方法、装置、车辆以及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李恒通等: "地下铲运机自主行驶过程中转向死区的研究", 《有色金属(矿山部分)》, vol. 71, no. 3, pages 81 - 84 *

Similar Documents

Publication Publication Date Title
CN109472418B (zh) 基于卡尔曼滤波的机动目标状态预测优化方法
CN111136660A (zh) 机器人位姿定位方法及系统
CN109240090B (zh) 一种基于时间差分的增量学习xgboost模型的自适应软测量建模方法
CN110346821B (zh) 一种解决gps长时间失锁问题的sins/gps组合定姿定位方法及系统
CN111291471B (zh) 一种基于l1正则无迹变换的约束多模型滤波方法
CN112959326B (zh) 机器人正运动学求解方法、装置、可读存储介质及机器人
CN114859910A (zh) 基于深度强化学习的无人船路径跟随系统及方法
CN117222915A (zh) 用于使用复合测量模型跟踪移动对象的扩张状态的系统和方法
CN114740710A (zh) 一种随机非线性多智能体的强化学习优化编队控制方法
CN108680162B (zh) 一种基于渐进无迹卡尔曼滤波的人体目标跟踪方法
CN112598748A (zh) 铰接式车辆转向死区值的标定方法、装置和电子设备
CN113341696A (zh) 一种运载火箭姿态控制参数智能整定方法
CN113515044B (zh) 一种轮式移动机器人的基于学习预测跟踪控制方法及装置
CN115972216A (zh) 并联机器人正运动求解方法、控制方法、设备及存储介质
CN114154231A (zh) 一种基于深度强化学习的车辆行驶状态估计系统及方法
CN108920842B (zh) 一种潜艇动力学模型参数在线估计方法及装置
CN114186190A (zh) 坐标转换矩阵的计算方法、装置、设备及可读存储介质
CN113052297B (zh) 基于卷积神经网络融合ekf的拖缆姿态解算方法及系统
CN115097726B (zh) 一种智能体共识控制方法、装置、设备及存储终端
CN116384245A (zh) 基于代理模型的船舶喷涂膜厚数字孪生方法
CN112859793B (zh) 基于改进滑动时间窗口的工业生产过程动态时延辨识方法
CN117109593B (zh) 一种基于鲁棒卡尔曼滤波的潜油机器人定位方法及系统
US20240176342A1 (en) Computer-implemented method and device for predicting a state of a technical system
CN116176737B (zh) 一种车辆控制方法、装置、车辆及存储介质
CN116700015B (zh) 水下航行器主动增稳控制方法及装置

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