CN112949604A - 一种基于深度学习的主动悬架智能控制方法及装置 - Google Patents
一种基于深度学习的主动悬架智能控制方法及装置 Download PDFInfo
- Publication number
- CN112949604A CN112949604A CN202110390827.8A CN202110390827A CN112949604A CN 112949604 A CN112949604 A CN 112949604A CN 202110390827 A CN202110390827 A CN 202110390827A CN 112949604 A CN112949604 A CN 112949604A
- Authority
- CN
- China
- Prior art keywords
- suspension
- road surface
- deep learning
- information
- preset
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Vehicle Body Suspensions (AREA)
Abstract
本发明公开了一种基于深度学习的主动悬架智能控制方法及装置,涉及动态控制和人工智能技术领域,利用深度学习使得主动悬架控制能够动态自适应调节,本发明的主要技术方案为:利用工业相机采集不同场景的路面图像数据信息;采集在路面行驶车辆的车身参数信息;利用预设路面模型对所述路面图像数据信息进行处理,输出路面信息;利用预设参数处理模型对所述车身参数信息进行处理,输出悬架阻尼力控制量和悬架刚度控制量;将所述路面信息、所述悬架阻尼力控制量和悬架刚度控制量传输给悬架控制器,以便所述悬架控制器根据所述路面信息、所述悬架阻尼力控制量和悬架刚度控制量实现对车辆主动悬架进行实时调整。
Description
技术领域
本发明涉及动态控制和人工智能技术领域,尤其涉及一种基于深度学习的主动悬架智能控制方法及装置。
背景技术
在车辆技术的发展过程中,悬架设计一直是一个重点工作,悬架性能作为衡量车辆好坏的重要标准之一。传统的被动悬架,无法满足客户的需求,而主动悬架系统能够改变悬架刚度和阻尼,提高车辆整体的安全性,同时也提高乘客的乘坐舒适性。
目前,采用的主动悬架控制方法,比如PID控制、天棚阻尼控制、滑模控制、模糊控制等都是具有模型的约束的,同时也都是需要对控制系统手动编码的,调试复杂、存在参数多,不具备根据不同情况自主学习的能力,从而无法适应复杂多变的路面情况,也不能很好处理行驶过程中悬架自身参数不确定的情况。
发明内容
本发明提供一种基于深度学习的主动悬架智能控制方法及装置,主要目的在于利用深度学习使得主动悬架控制能够动态自适应调节,让主动悬架学习到更优的控制策略,提高了主动悬架的实现效率,在保证车辆整体的安全性前提下,使车辆达到最佳的行驶平顺性、操作稳定性和乘坐舒适性。
为了达到上述目的,本发明主要提供如下技术方案:
本申请第一方面提供了一种基于深度学习的主动悬架智能控制方法,该方法包括:
利用工业相机采集不同场景的路面图像数据信息;
采集在路面行驶车辆的车身参数信息;
利用预设路面模型对所述路面图像数据信息进行处理,输出路面信息;
利用预设参数处理模型对所述车身参数信息进行处理,输出悬架阻尼力控制量和悬架刚度控制量;
将所述路面信息、所述悬架阻尼力控制量和悬架刚度控制量传输给悬架控制器,以便所述悬架控制器根据所述路面信息、所述悬架阻尼力控制量和悬架刚度控制量实现对车辆主动悬架进行实时调整。
在本申请第一方面的一些变更实施方式中,在所述利用工业相机采集不同场景的路面图像数据信息之后,所述方法还包括:利用预设预处理方法对所述路面图像数据信息执行数据扩增;
在所述采集在路面行驶车辆的车身参数信息之后,所述方法还包括:利用卡尔曼滤波对所述车身参数信息执行预处理,得到去噪后的车身参数信息。
在本申请第一方面的一些变更实施方式中,所述利用预设路面模型对所述路面图像数据信息进行处理,输出路面信息,包括:
利用残差网络和特征金字塔网络对所述路面图像数据信息进行特征提取并生成多尺度特征图;
将所述特征图发送到区域提议网络生成正负样本;
根据所述正负样本选出路面上的感兴趣区域;
将从区域提议网络输出的感兴趣区域映射到所述特征图;
利用校正层对所述特征图进行像素校正以提取共享特征图中的目标特征;
将所述目标特征输出到全连接层和全卷积网络,以进行目标分类和实例分割,完成分类分数、边界框、分割蒙版以及像素值的计算。
在本申请第一方面的一些变更实施方式中,在所述利用预设参数处理模型对所述车身参数信息进行处理之前,所述方法还包括:
采集在路面行驶车辆对应的第一车身参数信息;
将经去噪预处理后的所述第一车身参数信息输入到预设深度学习算法中,并输出对主动悬架对应的控制信号,所述控制信号携带包含悬架阻尼力控制量和悬架刚度控制量;
在悬架控制器根据所述控制信号做出响应之后,采集在路面行驶车辆对应的第二车身参数信息;
将所述第二车身参数信息作为所述预设深度学习算法的输入,用于训练所述预设深度学习算法并输出对主动悬架对应的控制信号;
根据预设迭代处理次数,重复执行采集车身参数信息去训练预设深度学习算法执行输出对应控制信号操作,以用于训练所述预设深度学习算法得到训练后的目标深度学习算法;
将所述目标深度学习算法确定为预设参数处理模型。
本申请第二方面提供了一种基于深度学习的主动悬架智能控制装置,该装置包括:
采集单元,用于利用工业相机采集不同场景的路面图像数据信息;
所述采集单元,还用于采集在路面行驶车辆的车身参数信息;
处理单元,用于利用预设路面模型对所述路面图像数据信息进行处理,输出路面信息;
所述处理单元,还用于利用预设参数处理模型对所述车身参数信息进行处理,输出悬架阻尼力控制量和悬架刚度控制量;
传输单元,用于将所述路面信息、所述悬架阻尼力控制量和悬架刚度控制量传输给悬架控制器,以便所述悬架控制器根据所述路面信息、所述悬架阻尼力控制量和悬架刚度控制量实现对车辆主动悬架进行实时调整。
在本申请第二方面的一些变更实施方式中,所述装置还包括:预处理单元;
所述预处理单元,用于在所述利用工业相机采集不同场景的路面图像数据信息之后,所述方法还包括:利用预设预处理方法对所述路面图像数据信息执行数据扩增;
所述预处理单元,还用于在所述采集在路面行驶车辆的车身参数信息之后,所述方法还包括:利用卡尔曼滤波对所述车身参数信息执行预处理,得到去噪后的车身参数信息。
在本申请第二方面的一些变更实施方式中,所述处理单元包括:
提取模块,用于利用残差网络和特征金字塔网络对所述路面图像数据信息进行特征提取并生成多尺度特征图;
生成模块,用于将所述特征图发送到区域提议网络生成正负样本;
选取模块,用于根据所述正负样本选出路面上的感兴趣区域;
映射模块,用于将从区域提议网络输出的感兴趣区域映射到所述特征图;
校正模块,用于利用校正层对所述特征图进行像素校正以提取共享特征图中的目标特征;
执行模块,用于将所述目标特征输出到全连接层和全卷积网络,以进行目标分类和实例分割,完成分类分数、边界框、分割蒙版以及像素值的计算。
在本申请第二方面的一些变更实施方式中,所述装置还包括:
所述采集单元,还用于采集在路面行驶车辆对应的第一车身参数信息;
输入单元,用于将经去噪预处理后的所述第一车身参数信息输入到预设深度学习算法中,并输出对主动悬架对应的控制信号,所述控制信号携带包含悬架阻尼力控制量和悬架刚度控制量;
所述采集单元,还用于在悬架控制器根据所述控制信号做出响应之后,采集在路面行驶车辆对应的第二车身参数信息;
所述输入单元,还用于将所述第二车身参数信息作为所述预设深度学习算法的输入,用于训练所述预设深度学习算法并输出对主动悬架对应的控制信号;
执行单元,用于根据预设迭代处理次数,重复执行采集车身参数信息去训练预设深度学习算法执行输出对应控制信号操作,以用于训练所述预设深度学习算法得到训练后的目标深度学习算法;
确定单元,用于将所述目标深度学习算法确定为预设参数处理模型。
本申请第三方面提供一种存储介质,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行如上述的基于深度学习的主动悬架智能控制方法。
本申请第四方面提供一种电子设备,所述设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器、总线;
其中,所述处理器、所述存储器通过所述总线完成相互间的通信;
所述处理器用于调用所述存储器中的程序指令,以执行如上述的基于深度学习的主动悬架智能控制方法。
借由上述技术方案,本发明提供的技术方案至少具有下列优点:
本发明提供了一种基于深度学习的主动悬架智能控制方法及装置,本发明基于深度学习预先训练了用于处理路面图像数据信息的预设路面模型、用于处理路面行驶车辆不断变化车身参数信息的预设参数处理模型,继而在车辆行驶过程中,利用这两个模型就能够实时或周期性获取路面信息和变化车身参数信息对应的悬架阻尼力控制量和悬架刚度控制量,继而及时地将这些数据信息传输到悬架控制器,以便悬架控制器根据这些数据信息实现对车辆主动悬架进行及时地动态调节。相较于现有技术,解决了因固有模型的约束、需要手动编码介入去实现主动悬架控制方法导致无法适应复杂多变的路面情况,也不能很好处理行驶过程中悬架自身参数不确定的情况的技术问题,本发明利用深度学习使得主动悬架控制能够动态自适应调节,让主动悬架学习到更优的控制策略,提高了主动悬架的实现效率,在保证车辆整体的安全性前提下,使车辆达到最佳的行驶平顺性、操作稳定性和乘坐舒适性。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1为本发明实施例提供的一种基于深度学习的主动悬架智能控制方法流程图;
图2为本发明实施例提供的另一种基于深度学习的主动悬架智能控制方法流程图;
图3为本发明实施例提供的一种基于深度学习的主动悬架智能控制装置的组成框图;
图4为本发明实施例提供的另一种基于深度学习的主动悬架智能控制装置的组成框图;
图5为本发明实施例提供的基于深度学习的主动悬架智能控制的电子设备。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
本发明实施例提供了一种基于深度学习的主动悬架智能控制方法,如图1所示,该方法是利用深度学习使得主动悬架控制能够动态自适应调节,让主动悬架学习到更优的控制策略,对此本发明实施例提供以下具体步骤:
101、利用工业相机采集不同场景的路面图像数据信息。
其中,采集路面图像数据信息考虑了多种综合因素,比如:天气因素、光照因素、拍摄路面图像存在遮挡覆盖的因素、拍摄路面图像交叉重合的因素,继而采集到路面图像数据信息可以包括多样性场景的,比如包括但不限于是湿沥青路面、干沥青路面、湿混凝土路面、干混凝土路面、湿土路面、干土路面、砾石路面、雪地路面和结冰路面等各种路面。
对于本发明实施例,主要是利用工业相机去采集不同场景的路面图像数据信息,进一步可以采用包括但不限于是加噪声、随机模糊、平移、水平与垂直镜像、对角翻转等数据扩增数据库方法,对采集到的路面图像数据信息进行预处理,以扩增得到数量多、更丰富的路面图像数据,增加了后续用于训练预设路面模型的训练量。
需要说明的是,本步骤采集路面图像数据信息操作,是在车辆行驶过程中执行的实时或者周期性采集操作,以便实时或者周期性地对这些采集的路面图像数据信息执行相应处理,得到行驶车辆对应的当前的准确、复杂多变的路面信息,继而将该实时或者周期性获取到的路面信息作为主要参考因素,去动态调节控制主动悬架。
102、采集在路面行驶车辆的车身参数信息。
在本发明实施例中,是在车辆行驶过程中实现的实时或周期性采集行驶车辆的车身参数信息,该车身参数信息包括但不仅限于:车身行驶速度、车身轮胎阻尼、车身轮胎刚度、簧载质量、非簧载质量、车身悬架垂直于地面方向上的加速度、车身悬架垂直于地面方向上的速度、悬架动行程、车身俯仰角、车身横摆角(即:车辆绕垂直轴的偏转,该偏转的大小代表车辆的稳定程度,如果偏转角速度达到一个阈值,说明车辆发生侧滑或者甩尾等危险工况)、车身侧倾角和车轮动载(即:行驶过程中轮胎与地面间需要始终存在正压力,保证可靠的轮胎附着力)。
需要说明的是,车身参数数据主要是通过传感器测量得到的,由于测量结果会带有噪声,因此需要处理噪声,比如通过卡尔曼滤波对采集到的车身参数数据信息执行预处理,以避免这些采集到的车身参数数据信息对后续模型处理结果造成不良影响。
103、利用预设路面模型对路面图像数据信息进行处理,输出路面信息。
其中,预设路面模型是基于深度学习预先训练的模型,主要用于及时处理采集到的路面图像数据,继而得到行驶车辆对应的当前的准确、复杂多变的路面信息。
需要说明的是,对于本发明实施例实现的主动悬架智能控制,充分考虑了复杂多变路况对智能控制的影响因素,因此预先训练一个路面模型去应对复杂多变路况而输出准确地路面信息。
104、利用预设参数处理模型对车身参数信息进行处理,输出悬架阻尼力控制量和悬架刚度控制量。
其中,预设参数处理模型是基于深度学习预先训练的模型,主要用于及时处理采集到的车身参数信息,继而得到行驶车辆当前所需对应的悬架阻尼力控制量和悬架刚度控制量。
需要说明的是,对于本发明实施例实现的主动悬架智能控制,充分考虑了车辆行驶过程中不断变化车身参数对智能控制的影响因素,因此预先训练一个路面模型去应对处理不断变化的车身参数。
105、将路面信息、悬架阻尼力控制量和悬架刚度控制量传输给悬架控制器,以便悬架控制器根据路面信息、悬架阻尼力控制量和悬架刚度控制量实现对车辆主动悬架进行实时调整。
其中,悬架控制器是控制调节主动悬架操作的具体执行主体,该悬架控制器接收到经实时处理输出的路面信息、悬架阻尼力控制量和悬架刚度控制量,就能够综合这些数据信息实现动态调节控制主动悬架,以适应当前车辆行驶需求。
本发明实施例提供了一种基于深度学习的主动悬架智能控制方法及装置,本发明实施例基于深度学习预先训练了用于处理路面图像数据信息的预设路面模型、用于处理路面行驶车辆不断变化车身参数信息的预设参数处理模型,继而在车辆行驶过程中,利用这两个模型就能够实时或周期性获取路面信息和变化车身参数信息对应的悬架阻尼力控制量和悬架刚度控制量,继而及时地将这些数据信息传输到悬架控制器,以便悬架控制器根据这些数据信息实现对车辆主动悬架进行及时地动态调节。相较于现有技术,解决了因固有模型的约束、需要手动编码介入去实现主动悬架控制方法导致无法适应复杂多变的路面情况,也不能很好处理行驶过程中悬架自身参数不确定的情况的技术问题,本发明实施例利用深度学习使得主动悬架控制能够动态自适应调节,让主动悬架学习到更优的控制策略,提高了主动悬架的实现效率,在保证车辆整体的安全性前提下,使车辆达到最佳的行驶平顺性、操作稳定性和乘坐舒适性。
为了对上述实施例做出更加详细的说明,本发明实施例还提供了另一种基于深度学习的主动悬架智能控制方法,具体的,如图2所示,对此本发明实施例提供以下具体步骤:
201、利用工业相机采集不同场景的路面图像数据信息。
在本发明实施例中,在利用工业相机采集不同场景的路面图像数据信息之后,需要利用预设预处理方法对路面图像数据信息执行预处理以扩增得到数量多、更丰富的路面图像数据,目的是相当于是增加了后续用于训练预设路面模型的训练量。
具体的,预设预处理方法包括但不限于是:采用包括加噪声、随机模糊、平移、水平与垂直镜像、对角翻转等数据扩增方法,对采集到的图像数据信息执行预处理。
202、采集在路面行驶车辆的车身参数信息。
在采集在路面行驶车辆的车身参数信息之后,需要利用卡尔曼滤波处理对车身参数信息执行预处理,得到去噪后的车身参数信息,以避免采集到的车身参数信息包含冗余无用信息对后续预设路面模型输出结果造成不良影响。
203a、利用预设路面模型对路面图像数据信息进行处理,输出路面信息。
需要说明的是,在利用预设路面模型对路面图像数据信息进行处理之前,以及在对采集到的路面图像信息执行扩增的预处理之前,还需要考虑采集到的路面图像信息的亮度信息对最终输出路面信息的影响。
例如,针对暗光线环境下,由于普通光源的点光源补光缺陷,使得图像采集存在光斑或较集中的光照点,由此带来图像采集的影响。在模型的基础上,将图像分解的W分量(颜色亮度)和Z分量(颜色纯度)用于对普通光源的亮度检测中,适当地调整暗光线条件下的采集图像光照。定义W分量中的平均亮度为Wp,则相应计算公式如下公式(1):
其中,i为W分量中的亮度值,W(i)为亮度值i中的像素计数。定义Z分量中的平均纯度为Zp,则相应计算公式如下公式(2):
其中:i为Z分量中的饱和值,Z(i)为饱和值i中的像素计数。结合式(1)(2),判断图像过亮或者过暗的条件为:a)、Wp>140且Zp<90;b)、Wp<80且Zp>50。根据上述来分析当前图像中的亮度信息,判断是否需要调整补光强度,从而使得在不同路段时,光强达到相同的光照度,保证相机采集到图像的一致性和稳定性。
下面,对利用预设路面模型对路面图像数据信息的处理解释说明如下:
首先,利用残差网络和特征金字塔网络对路面图像数据信息进行特征提取并生成多尺度特征图。
其次,将特征图发送到区域提议网络生成正负样本,根据正负样本选出路面上的感兴趣区域。
需要说明的是,该正样本是包含行驶车辆当前所行驶路面(比如:在双向车道中行驶车辆当前所行驶占用的道路),相应的,除了所需的当前行驶路面对应的路面区域而其他的数据信息都是负样本(例如,除了道路以外的图像信息,包括拍摄到的树木、花草、鸟等),继而得到感兴趣区域,也是相较于当前行驶车辆而言的,是指正在行驶中所占用车道对应的路面区域。
最后,将从区域提议网络输出的感兴趣区域映射到特征图,利用校正层对特征图进行像素校正以提取共享特征图中的目标特征,将目标特征输出到全连接层和全卷积网络,以进行目标分类和实例分割,完成分类分数、边界框、分割蒙版以及像素值的计算。
需要说明的是,在本发明实施例中,模型训练中的损失函数是用来评估预测值和真实值的差异性的,即评估预测路面信息和真实路面信息的差异,在进行目标分类和实例分割过程中,采用损失函数有三部分组成,包括:边界框的分类损失,边界框的位置回归损失及掩膜计算损失。网络中每个样本感兴趣区域的损失函数L为如下公式(3):
L=Lbox+Lcls+Lmask
其中,有三部分组成:Lbox为边界框的分类损失,Lcls为边界框的位置回归损失,Lmask为掩膜计算损失。其中,边界框的分类损失的公式如下公式(4)(5),它的作用是处理图像中正负样本分类时引起的损失:
其中,边界框的位置回归损失的公式如下公式(6),它的作用是处理图像中预测框和实际框引起的损失:
其中,掩膜计算损失的公式如下公式(7),它的作用是处理图像中正样本边缘分割引起的损失:
203b、利用深度学习算法训练预设参数处理模型,用于处理行驶过程中不断变化的车身参数信息。
在本发明实施例中,本步骤细化陈述如下:
首先,采集在路面行驶车辆对应的第一车身参数信息;将经去噪预处理后的第一车身参数信息输入到预设深度学习算法中,并输出对主动悬架对应的控制信号,控制信号携带包含悬架阻尼力控制量和悬架刚度控制量。
其次,在悬架控制器根据控制信号做出响应之后,采集在路面行驶车辆对应的第二车身参数信息。将第二车身参数信息作为预设深度学习算法的输入,用于训练预设深度学习算法并输出对主动悬架对应的控制信号。
需要说明的是,本发明实施例所指的第一车身参数信息和第二车身参数信息,仅是用于方便区分指代两次不同获取操作任务所分别对应采集到的车身参数信息。
最后,根据预设迭代处理次数,重复执行采集车身参数信息去训练预设深度学习算法执行输出对应控制信号操作,得到训练后的目标深度学习算法,将目标深度学习算法确定为预设参数处理模型。
下面结合应用场景,解释说明:
本步骤主要是结合深度学习算法来训练模型,是在对采集到车身参数信息进行预处理后,将处理后的车身参数作为深度学习算法的输入,将深度学习算法的输出作为悬架控制系统的控制信号,该控制信号携带了包含悬架阻尼力控制量和悬架刚度控制量。
在车辆行驶的过程中,悬架控制系统根据该控制信号做出响应,并得到车身参数的反馈值,将反馈值预处理后再次作为深度强化学习算法的输入,进行多次循环计算,采集每次循环过程中的车身参数信息,并使用一个经验池对这些车身参数信息进行存储,作为经验样本数据,以用于去对深度学习算法进行训练,进行多次迭代训练,从而得到训练好的深度学习算法,最终作为预设参数处理模型,用于处理当前输入的车身参数信息,并输出控制信号(携带悬架阻尼力控制量和悬架刚度控制量)。
需要说明的是,本发明实施例使用的深度学习算法中的奖励函数包括:车身悬架垂直于地面方向上的加速度奖励函数,车身俯仰角奖励函数,车身横摆角奖励函数,车身侧倾角奖励函数;
该奖励函数为:
其中,B为车身参数(加速度、俯仰角、横摆角、侧倾角),MAXB为预设的车身参数最大值,Bth为B的阈值,且MAXB≥Bth≥0。
204b、利用预设参数处理模型对车身参数信息进行处理,输出悬架阻尼力控制量和悬架刚度控制量。
结合具体应用场景,对本步骤进行详细说明:
在车辆行驶的过程中,实时采集车身参数,并对车身参数进行预处理,将该预处理后的车身参数输入至训练好的预设参数处理模型中,得到实时的悬架控制系统的控制信号,基于该控制信号对车辆主动悬架进行实时调整。
205、将路面信息、悬架阻尼力控制量和悬架刚度控制量传输给悬架控制器,以便悬架控制器根据路面信息、悬架阻尼力控制量和悬架刚度控制量实现对车辆主动悬架进行实时调整。
在本发明实施例中,对于本步骤陈述参见步骤105,进一步需要说明的是,对于阻尼力和刚度调节,可以两者同时被调节或者二者择一优先被调节,结合具体应用场景,进行详细说明如下:
示例性的,对于路况环境比较好的路面,预期设定需要刚度是高的,这样在加速减速中,整个平顺性才能最高。在颠簸的路面上预期设定是需要刚度尽可能低这样能把颠簸动能转化为悬架势能,阻尼尽快把悬架势能转换为减震器里液压流的热能散到大气里。
示例性的,对于车速较快、相应车辆的操纵稳定性较差的情况下,预期设定需要选择阻尼系数较“硬”的减振器输出阻尼力来提高车辆的操纵稳定性;对于车速较慢、相应对车辆行驶的平顺性要求比较高的情况下,此时预期设定需要选择阻尼系数较“软”的减振器输出阻尼力来提高舒适性。
进一步的,作为对上述图1、图2所示方法的实现,本发明实施例提供了一种基于深度学习的主动悬架智能控制装置。该装置实施例与前述方法实施例对应,为便于阅读,本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述,但应当明确,本实施例中的装置能够对应实现前述方法实施例中的全部内容。该装置应用于利用深度学习使得主动悬架控制能够动态自适应调节,具体如图3所示,该装置包括:
采集单元31,用于利用工业相机采集不同场景的路面图像数据信息;
所述采集单元31,还用于采集在路面行驶车辆的车身参数信息;
处理单元32,用于利用预设路面模型对所述路面图像数据信息进行处理,输出路面信息;
所述处理单元32,还用于利用预设参数处理模型对所述车身参数信息进行处理,输出悬架阻尼力控制量和悬架刚度控制量;
传输单元33,用于将所述路面信息、所述悬架阻尼力控制量和悬架刚度控制量传输给悬架控制器,以便所述悬架控制器根据所述路面信息、所述悬架阻尼力控制量和悬架刚度控制量实现对车辆主动悬架进行实时调整。
进一步的,如图4所示,所述装置还包括:预处理单元34;
所述预处理单元34,用于在所述利用工业相机采集不同场景的路面图像数据信息之后,所述方法还包括:利用预设预处理方法对所述路面图像数据信息执行数据扩增;
所述预处理单元34,还用于在所述采集在路面行驶车辆的车身参数信息之后,所述方法还包括:利用卡尔曼滤波对所述车身参数信息执行预处理,得到去噪后的车身参数信息。
进一步的,如图4所示,所述处理单元32包括:
提取模块321,用于利用残差网络和特征金字塔网络对所述路面图像数据信息进行特征提取并生成多尺度特征图;
生成模块322,用于将所述特征图发送到区域提议网络生成正负样本;
选取模块323,用于根据所述正负样本选出路面上的感兴趣区域;
映射模块324,用于将从区域提议网络输出的感兴趣区域映射到所述特征图;
校正模块325,用于利用校正层对所述特征图进行像素校正以提取共享特征图中的目标特征;
执行模块326,用于将所述目标特征输出到全连接层和全卷积网络,以进行目标分类和实例分割,完成分类分数、边界框、分割蒙版以及像素值的计算。
进一步的,如图4所示,所述装置还包括:
所述采集单元31,还用于采集在路面行驶车辆对应的第一车身参数信息;
输入单元35,用于将经去噪预处理后的所述第一车身参数信息输入到预设深度学习算法中,并输出对主动悬架对应的控制信号,所述控制信号携带包含悬架阻尼力控制量和悬架刚度控制量;
所述采集单元31,还用于在悬架控制器根据所述控制信号做出响应之后,采集在路面行驶车辆对应的第二车身参数信息;
所述输入单元35,还用于将所述第二车身参数信息作为所述预设深度学习算法的输入,用于训练所述预设深度学习算法并输出对主动悬架对应的控制信号;
执行单元36,用于根据预设迭代处理次数,重复执行采集车身参数信息去训练预设深度学习算法执行输出对应控制信号操作,以用于训练所述预设深度学习算法得到训练后的目标深度学习算法;
确定单元37,用于将所述目标深度学习算法确定为预设参数处理模型。
综上所述,本发明提供了一种基于深度学习的主动悬架智能控制方法及装置,本发明基于深度学习预先训练了用于处理路面图像数据信息的预设路面模型、用于处理路面行驶车辆不断变化车身参数信息的预设参数处理模型,继而在车辆行驶过程中,利用这两个模型就能够实时或周期性获取路面信息和变化车身参数信息对应的悬架阻尼力控制量和悬架刚度控制量,继而及时地将这些数据信息传输到悬架控制器,以便悬架控制器根据这些数据信息实现对车辆主动悬架进行及时地动态调节。相较于现有技术,解决了因固有模型的约束、需要手动编码介入去实现主动悬架控制方法导致无法适应复杂多变的路面情况,也不能很好处理行驶过程中悬架自身参数不确定的情况的技术问题,本发明利用深度学习使得主动悬架控制能够动态自适应调节,让主动悬架学习到更优的控制策略,提高了主动悬架的实现效率,在保证车辆整体的安全性前提下,使车辆达到最佳的行驶平顺性、操作稳定性和乘坐舒适性。
所述基于深度学习的主动悬架智能控制装置包括处理器和存储器,上述采集单元、处理单元和传输单元等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来利用深度学习使得主动悬架控制能够动态自适应调节,让主动悬架学习到更优的控制策略,提高了主动悬架的实现效率,在保证车辆整体的安全性前提下,使车辆达到最佳的行驶平顺性、操作稳定性和乘坐舒适性。
本发明实施例提供了一种存储介质,其上存储有程序,该程序被处理器执行时实现所述基于深度学习的主动悬架智能控制方法。
本发明实施例提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行所述基于深度学习的主动悬架智能控制方法。
本发明实施例提供了一种电子设备40,如图5所示,设备包括至少一个处理器401、以及与处理器401连接的至少一个存储器402、总线403;其中,处理器401、存储器402通过总线403完成相互间的通信;处理器401用于调用存储器402中的程序指令,以执行上述的基于深度学习的主动悬架智能控制方法。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序:
一种基于深度学习的主动悬架智能控制方法,所述方法包括:利用工业相机采集不同场景的路面图像数据信息;采集在路面行驶车辆的车身参数信息;利用预设路面模型对所述路面图像数据信息进行处理,输出路面信息;利用预设参数处理模型对所述车身参数信息进行处理,输出悬架阻尼力控制量和悬架刚度控制量;将所述路面信息、所述悬架阻尼力控制量和悬架刚度控制量传输给悬架控制器,以便所述悬架控制器根据所述路面信息、所述悬架阻尼力控制量和悬架刚度控制量实现对车辆主动悬架进行实时调整。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
在一个典型的配置中,设备包括一个或多个处理器(CPU)、存储器和总线。设备还可以包括输入/输出接口、网络接口等。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商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、商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,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种基于深度学习的主动悬架智能控制方法,其特征在于,所述方法包括:
利用工业相机采集不同场景的路面图像数据信息;
采集在路面行驶车辆的车身参数信息;
利用预设路面模型对所述路面图像数据信息进行处理,输出路面信息;
利用预设参数处理模型对所述车身参数信息进行处理,输出悬架阻尼力控制量和悬架刚度控制量;
将所述路面信息、所述悬架阻尼力控制量和悬架刚度控制量传输给悬架控制器,以便所述悬架控制器根据所述路面信息、所述悬架阻尼力控制量和悬架刚度控制量实现对车辆主动悬架进行实时调整。
2.根据权利要求1所述的方法,其特征在于,
在所述利用工业相机采集不同场景的路面图像数据信息之后,所述方法还包括:利用预设预处理方法对所述路面图像数据信息执行数据扩增;
在所述采集在路面行驶车辆的车身参数信息之后,所述方法还包括:利用卡尔曼滤波对所述车身参数信息执行预处理,得到去噪后的车身参数信息。
3.根据权利要求1所述的方法,其特征在于,所述利用预设路面模型对所述路面图像数据信息进行处理,输出路面信息,包括:
利用残差网络和特征金字塔网络对所述路面图像数据信息进行特征提取并生成多尺度特征图;
将所述特征图发送到区域提议网络生成正负样本;
根据所述正负样本选出路面上的感兴趣区域;
将从区域提议网络输出的感兴趣区域映射到所述特征图;
利用校正层对所述特征图进行像素校正以提取共享特征图中的目标特征;
将所述目标特征输出到全连接层和全卷积网络,以进行目标分类和实例分割,完成分类分数、边界框、分割蒙版以及像素值的计算。
4.根据权利要求1所述的方法,其特征在于,在所述利用预设参数处理模型对所述车身参数信息进行处理之前,所述方法还包括:
采集在路面行驶车辆对应的第一车身参数信息;
将经去噪预处理后的所述第一车身参数信息输入到预设深度学习算法中,并输出对主动悬架对应的控制信号,所述控制信号携带包含悬架阻尼力控制量和悬架刚度控制量;
在悬架控制器根据所述控制信号做出响应之后,采集在路面行驶车辆对应的第二车身参数信息;
将所述第二车身参数信息作为所述预设深度学习算法的输入,用于训练所述预设深度学习算法并输出对主动悬架对应的控制信号;
根据预设迭代处理次数,重复执行采集车身参数信息去训练预设深度学习算法执行输出对应控制信号操作,以用于训练所述预设深度学习算法得到训练后的目标深度学习算法;
将所述目标深度学习算法确定为预设参数处理模型。
5.一种基于深度学习的主动悬架智能控制装置,其特征在于,所述装置包括:
采集单元,用于利用工业相机采集不同场景的路面图像数据信息;
所述采集单元,还用于采集在路面行驶车辆的车身参数信息;
处理单元,用于利用预设路面模型对所述路面图像数据信息进行处理,输出路面信息;
所述处理单元,还用于利用预设参数处理模型对所述车身参数信息进行处理,输出悬架阻尼力控制量和悬架刚度控制量;
传输单元,用于将所述路面信息、所述悬架阻尼力控制量和悬架刚度控制量传输给悬架控制器,以便所述悬架控制器根据所述路面信息、所述悬架阻尼力控制量和悬架刚度控制量实现对车辆主动悬架进行实时调整。
6.根据权利要求5所述的装置,其特征在于,所述装置还包括:预处理单元;
所述预处理单元,用于在所述利用工业相机采集不同场景的路面图像数据信息之后,所述方法还包括:利用预设预处理方法对所述路面图像数据信息执行数据扩增;
所述预处理单元,还用于在所述采集在路面行驶车辆的车身参数信息之后,所述方法还包括:利用卡尔曼滤波对所述车身参数信息执行预处理,得到去噪后的车身参数信息。
7.根据权利要求5所述的装置,其特征在于,所述处理单元包括:
提取模块,用于利用残差网络和特征金字塔网络对所述路面图像数据信息进行特征提取并生成多尺度特征图;
生成模块,用于将所述特征图发送到区域提议网络生成正负样本;
选取模块,用于根据所述正负样本选出路面上的感兴趣区域;
映射模块,用于将从区域提议网络输出的感兴趣区域映射到所述特征图;
校正模块,用于利用校正层对所述特征图进行像素校正以提取共享特征图中的目标特征;
执行模块,用于将所述目标特征输出到全连接层和全卷积网络,以进行目标分类和实例分割,完成分类分数、边界框、分割蒙版以及像素值的计算。
8.根据权利要求5所述的装置法,其特征在于,所述装置还包括:
所述采集单元,还用于采集在路面行驶车辆对应的第一车身参数信息;
输入单元,用于将经去噪预处理后的所述第一车身参数信息输入到预设深度学习算法中,并输出对主动悬架对应的控制信号,所述控制信号携带包含悬架阻尼力控制量和悬架刚度控制量;
所述采集单元,还用于在悬架控制器根据所述控制信号做出响应之后,采集在路面行驶车辆对应的第二车身参数信息;
所述输入单元,还用于将所述第二车身参数信息作为所述预设深度学习算法的输入,用于训练所述预设深度学习算法并输出对主动悬架对应的控制信号;
执行单元,用于根据预设迭代处理次数,重复执行采集车身参数信息去训练预设深度学习算法执行输出对应控制信号操作,以用于训练所述预设深度学习算法得到训练后的目标深度学习算法;
确定单元,用于将所述目标深度学习算法确定为预设参数处理模型。
9.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行如权利要求1-4中任一项所述的基于深度学习的主动悬架智能控制方法。
10.一种电子设备,其特征在于,所述设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器、总线;
其中,所述处理器、所述存储器通过所述总线完成相互间的通信;
所述处理器用于调用所述存储器中的程序指令,以执行如权利要求1-4中任一项所述的基于深度学习的主动悬架智能控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110390827.8A CN112949604A (zh) | 2021-04-12 | 2021-04-12 | 一种基于深度学习的主动悬架智能控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110390827.8A CN112949604A (zh) | 2021-04-12 | 2021-04-12 | 一种基于深度学习的主动悬架智能控制方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112949604A true CN112949604A (zh) | 2021-06-11 |
Family
ID=76231784
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110390827.8A Pending CN112949604A (zh) | 2021-04-12 | 2021-04-12 | 一种基于深度学习的主动悬架智能控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949604A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113728903A (zh) * | 2021-09-28 | 2021-12-03 | 石河子大学 | 轮距调节结构、喷雾机及喷雾机控制方法 |
CN114211926A (zh) * | 2021-12-31 | 2022-03-22 | 重庆工业职业技术学院 | 一种颠簸路面的汽车悬架控制系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109284669A (zh) * | 2018-08-01 | 2019-01-29 | 辽宁工业大学 | 基于Mask RCNN的行人检测方法 |
CN110614894A (zh) * | 2019-08-21 | 2019-12-27 | 南京航空航天大学 | 用于复杂路况的主动悬架控制系统和控制方法 |
CN110654195A (zh) * | 2018-06-29 | 2020-01-07 | 比亚迪股份有限公司 | 车辆、车辆悬架系统及其调节方法、装置 |
CN210911933U (zh) * | 2019-11-29 | 2020-07-03 | 北京理工大学重庆创新中心 | 一种主动悬架控制系统 |
CN112026469A (zh) * | 2020-09-08 | 2020-12-04 | 中国第一汽车股份有限公司 | 一种车辆悬架控制系统、方法、装置及存储介质 |
CN112078318A (zh) * | 2020-08-28 | 2020-12-15 | 的卢技术有限公司 | 一种基于深度强化学习算法的汽车主动悬架智能控制方法 |
CN112288702A (zh) * | 2020-10-23 | 2021-01-29 | 西安科锐盛创新科技有限公司 | 一种基于车联网的道路图像检测方法 |
CN112380921A (zh) * | 2020-10-23 | 2021-02-19 | 西安科锐盛创新科技有限公司 | 一种基于车联网的道路检测方法 |
CN112606649A (zh) * | 2020-12-08 | 2021-04-06 | 东风汽车集团有限公司 | 车辆及其车身平衡控制方法和控制系统 |
-
2021
- 2021-04-12 CN CN202110390827.8A patent/CN112949604A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110654195A (zh) * | 2018-06-29 | 2020-01-07 | 比亚迪股份有限公司 | 车辆、车辆悬架系统及其调节方法、装置 |
CN109284669A (zh) * | 2018-08-01 | 2019-01-29 | 辽宁工业大学 | 基于Mask RCNN的行人检测方法 |
CN110614894A (zh) * | 2019-08-21 | 2019-12-27 | 南京航空航天大学 | 用于复杂路况的主动悬架控制系统和控制方法 |
CN210911933U (zh) * | 2019-11-29 | 2020-07-03 | 北京理工大学重庆创新中心 | 一种主动悬架控制系统 |
CN112078318A (zh) * | 2020-08-28 | 2020-12-15 | 的卢技术有限公司 | 一种基于深度强化学习算法的汽车主动悬架智能控制方法 |
CN112026469A (zh) * | 2020-09-08 | 2020-12-04 | 中国第一汽车股份有限公司 | 一种车辆悬架控制系统、方法、装置及存储介质 |
CN112288702A (zh) * | 2020-10-23 | 2021-01-29 | 西安科锐盛创新科技有限公司 | 一种基于车联网的道路图像检测方法 |
CN112380921A (zh) * | 2020-10-23 | 2021-02-19 | 西安科锐盛创新科技有限公司 | 一种基于车联网的道路检测方法 |
CN112606649A (zh) * | 2020-12-08 | 2021-04-06 | 东风汽车集团有限公司 | 车辆及其车身平衡控制方法和控制系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113728903A (zh) * | 2021-09-28 | 2021-12-03 | 石河子大学 | 轮距调节结构、喷雾机及喷雾机控制方法 |
CN114211926A (zh) * | 2021-12-31 | 2022-03-22 | 重庆工业职业技术学院 | 一种颠簸路面的汽车悬架控制系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102596388B1 (ko) | 이동체의 이동 속성 획득 방법 및 이를 수행하는 장치 | |
CN112464883B (zh) | 一种自然场景下船舶目标自动检测识别方法与系统 | |
CN112912920B (zh) | 用于2d卷积神经网络的点云数据转换方法和系统 | |
DE102019113856A1 (de) | Systeme, verfahren und steuerungen für ein autonomes fahrzeug, die autonome fahreragenten und fahrrichtlinienlernende implementieren, um richtlinien basierend auf kollektiven fahrerfahrungen der autonomen fahreragenten zu erstellen und zu verbessern | |
DE102019113880A1 (de) | Systeme, verfahren und steuerungen die autonome fahreragenten und einen richtlinienserver zum erfüllen von richtlinien für autonome fahreragenten implementieren, zum steuern eines autonomen fahrzeugs | |
CN112949604A (zh) | 一种基于深度学习的主动悬架智能控制方法及装置 | |
US20190018415A1 (en) | Method for Guiding a Vehicle System in a Fully Automated Manner, and Motor Vehicle | |
CN105892471A (zh) | 汽车自动驾驶方法和装置 | |
CN111738037B (zh) | 一种自动驾驶方法及其系统、车辆 | |
US20170083794A1 (en) | Virtual, road-surface-perception test bed | |
CN112818873B (zh) | 车道线检测方法、系统及电子设备 | |
CN112712138B (zh) | 一种图像处理方法、装置、设备及存储介质 | |
CN112232490A (zh) | 一种基于视觉的深度模仿强化学习驾驶策略训练方法 | |
CN111860493A (zh) | 一种基于点云数据的目标检测方法及装置 | |
CN112078318B (zh) | 一种基于深度强化学习算法的汽车主动悬架智能控制方法 | |
CN111391831B (zh) | 一种基于前车速度预测的汽车跟驰速度控制方法及系统 | |
Innocenti et al. | Imitation learning for vision-based lane keeping assistance | |
CN111814667B (zh) | 一种智能路况识别方法 | |
CN112977411A (zh) | 一种智能底盘控制方法及装置 | |
CN112883991A (zh) | 对象分类方法、对象分类电路、机动车辆 | |
CN114211926B (zh) | 一种颠簸路面的汽车悬架控制系统 | |
CN115285143A (zh) | 一种基于场景分类的自动驾驶车辆导航方法 | |
CN113435356B (zh) | 一种克服观察噪声与感知不确定性的轨迹预测方法 | |
CN111210411B (zh) | 图像中灭点的检测方法、检测模型训练方法和电子设备 | |
CN117011819A (zh) | 基于特征引导注意力的车道线检测方法、装置及设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210611 |