CN113085858A - 车辆速度跟踪控制方法、装置、设备及存储介质 - Google Patents
车辆速度跟踪控制方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113085858A CN113085858A CN202110463123.9A CN202110463123A CN113085858A CN 113085858 A CN113085858 A CN 113085858A CN 202110463123 A CN202110463123 A CN 202110463123A CN 113085858 A CN113085858 A CN 113085858A
- Authority
- CN
- China
- Prior art keywords
- speed
- vehicle
- control
- preset
- acceleration
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000001133 acceleration Effects 0.000 claims abstract description 142
- 238000013528 artificial neural network Methods 0.000 claims abstract description 96
- 238000005553 drilling Methods 0.000 claims description 113
- 230000006870 function Effects 0.000 claims description 21
- 230000000694 effects Effects 0.000 abstract description 8
- 238000005070 sampling Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000005284 excitation Effects 0.000 description 4
- 230000010354 integration Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
- B60W30/14—Adaptive cruise control
- B60W30/143—Speed control
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W10/00—Conjoint control of vehicle sub-units of different type or different function
- B60W10/04—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units
- B60W10/06—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units including control of combustion engines
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W10/00—Conjoint control of vehicle sub-units of different type or different function
- B60W10/18—Conjoint control of vehicle sub-units of different type or different function including control of braking systems
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
- B60W40/105—Speed
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0002—Automatic control, details of type of controller or control system architecture
- B60W2050/0008—Feedback, closed loop systems or details of feedback error signal
- B60W2050/0011—Proportional Integral Differential [PID] controller
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0022—Gains, weighting coefficients or weighting functions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2720/00—Output or target parameters relating to overall vehicle dynamics
- B60W2720/10—Longitudinal speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2720/00—Output or target parameters relating to overall vehicle dynamics
- B60W2720/10—Longitudinal speed
- B60W2720/106—Longitudinal acceleration
Abstract
本发明公开了一种车辆速度跟踪控制方法、装置、设备及存储介质,包括:通过获取车辆的期望行驶速度和实际行驶速度之间的速度差;将速度差输入至预设BP神经网络,预设BP神经网络输出的车速控制参数;将车辆控制参数输入至增量式PID控制器,增量式PID控制器根据预设控制律输出控制量加速度;根据控制量加速度调整所述车辆的速度,由于本发明是通过将速度差输入BP神经网络,BP神经网络输出车辆控制参数,增量式PID控制器根据车辆控制参数生成控制量加速度,以根据所述控制量加速度调整车辆速度,解决了现有技术中在无人驾驶时,调整车辆速度不准确的技术问题,实现了根据实时变化的速度差调整车辆速度的技术效果。
Description
技术领域
本发明涉及自动驾驶技术领域,尤其涉及一种车辆速度跟踪控制方法、装置、设备及存储介质。
背景技术
随着科学技术的不断发展,智能制造领域得到了很大的发展。很多的智能产品从概念逐步走入大众的生活,解放了人们的双手,方便了人们的生活,给了大众更多的自由生活时间。其中无人驾驶技术领域的发展无论是无人机还是轮式车辆都有了较大的技术突破以及成果的商业化。目前智能无人驾驶汽车早已经实现了量产,从之前的L1级别的驾驶辅助发展到现在L3级别的乘用车的上市,这些成果都无疑见证了智能驾驶车辆逐步走向成熟的历史进程。
目前智能驾驶车辆的横纵向的研究大多采用分层式将纵向与横向分开控制。对于纵向速度的跟踪控制,目前学术领域多采用模型预测方法,纯PID算法,模糊控制算法,改进粒子群算法,模糊径向基算法等,这些控制算法各有优缺点,模糊算法需要比较准确根据人类专家经验建立的模糊规则库,它是从实际控制经验过渡到模糊控制器的关键步骤。模型预测算法需要精准的纵向动力学模型,复杂的约束条件且对计算机的算力要求比较严格,但其跟踪控制效果较好。传统的的PID控制在工业控制领域应用比较广泛,其结构简单,容易实现,且鲁棒性强,但它具有传统控制理论的缺点,在简单的控制系统有较好的控制效果但在复杂系统中控制效果不佳,在无人驾驶时调整车速不准确的技术问题。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供了一种车辆速度跟踪控制方法、装置、设备及存储介质,旨在解决现有技术中在无人驾驶时,调整车辆行驶速度不准确的技术问题。
为实现上述目的,本发明提供了一种车辆速度跟踪控制方法,所述方法包括以下步骤:
获取车辆的期望行驶速度和实际行驶速度之间的速度差;
将所述速度差输入至预设BP神经网络,以获取所述预设BP神经网络输出的车速控制参数;
将所述车辆控制参数输入至增量式PID控制器,以使所述增量式PID控制器根据预设控制律输出控制量加速度;
根据所述控制量加速度调整所述车辆的速度。
可选地,所述将所述速度差输入至预设BP神经网络,以获取所述预设BP神经网络输出的车速控制参数,包括:
将所述速度差输入至预设BP神经网络,以使所述预设BP神经网络根据所述速度差确定第一演练车速控制参数;
将所述第一演练车辆控制参数输入至增量式PID控制器,以使所述增量式PID控制器根据预设控制律输出第一演练控制量加速度,并根据所述第一演练控制量加速度确定第一演练速度;
在所述第一演练速度与所述期望行驶速度之间的差值小于或等于预设阈值时,将所述第一演练车速控制参数作为车速控制参数。
可选地,所述将所述第一演练车辆控制参数输入至增量式PID控制器,以使所述增量式PID控制器根据预设控制律输出第一演练控制量加速度,并根据所述第一演练控制量加速度确定第一演练速度步骤之后,所述方法还包括:
在所述第一演练速度与所述期望行驶速度之间的差值大于预设阈值时,根据性能指标函数更新所述预设BP神经网络的加权系数,以获得更新后的BP神经网络;
将所述速度差输入至所述更新后的BP神经网络,以获得第二演练车速控制参数;
将所述第二演练车辆控制参数输入至增量式PID控制器,以使所述增量式PID控制器根据预设控制律输出第二演练控制量加速度,并根据所述第二演练控制量加速度确定第二演练速度;
判断所述第二演练速度与所述期望行驶速度之间的差值是否大于预设阈值;
若否,则将所述第二演练车速控制参数作为车速控制参数;
若是,则返回执行在所述第一演练速度与所述期望行驶速度之间的差值大于预设阈值时,根据性能指标函数更新所述预设BP神经网络的加权系数,以获得更新后的BP神经网络步骤,直至演练速度与所述期望行驶速度的差值小于或等于预设阈值。
可选地,所述根据所述控制量加速度调整所述车辆的速度,包括:
获取所述车辆的预设切换逻辑;
根据所述控制量加速度和所述预设切换逻辑调整所述车辆的速度。
可选地,所述根据所述控制量加速度和所述预设切换逻辑调整所述车辆的速度,包括:
在所述控制量加速度大于预设加速度时,开启加速模式以使所述车辆的速度从所述实际速度提高至所述期望行驶速度;
在所述控制量加速度小于预设加速度时,开启减速模式以使所述车辆的速度从所述实际车速降低至所述期望行驶速度。
可选地,所述在所述控制量加速度大于预设加速度时,开启加速模式以使所述车辆的速度从所述实际速度提高至所述期望行驶速度,包括:
在所述控制量加速度大于预设加速度时,开启加速模式并根据第一预设比例将所述控制量加速度转换为油门控制量;
根据所述油门控制量控制所述车辆的发动机增大输出功率,以使所述车辆的速度从所述实际速度提高至所述期望行驶速度。
可选地,所述在所述控制量加速度小于预设加速度时,开启减速模式以使所述车辆的速度从所述实际车速降低至所述期望行驶速度,包括:
在所述控制量加速度小于预设加速度时,开启减速模式并根据第二预设比例将所述控制量加速度转换为主缸制动压力控制量;
根据所述主缸制动压力控制量控制所述车辆的制动主缸增大压力,以使所述车辆的速度从所述实际车速降低至所述期望行驶速度。
此外,为实现上述目的,本发明还提出一种车辆速度跟踪控制装置,所述装置包括:
速度差获取模块,用于获取车辆的期望行驶速度和实际行驶速度之间的速度差;
车辆控制参数获取模块,用于将所述速度差输入至预设BP神经网络,以获取所述预设BP神经网络输出的车速控制参数;
控制量加速度获取模块,用于将所述车辆控制参数输入至增量式PID控制器,以使所述增量式PID控制器根据预设控制律输出控制量加速度;
调整模块,用于根据所述控制量加速度调整所述车辆的速度。
此外,为实现上述目的,本发明还提出一种车辆速度跟踪控制设备,所述设备包括: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车辆速度跟踪控制程序,所述车辆速度跟踪控制程序配置为实现如上文所述的车辆速度跟踪控制方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有车辆速度跟踪控制程序,所述车辆速度跟踪控制程序被处理器执行时实现如上文所述的车辆速度跟踪控制方法的步骤。
本发明通过获取车辆的期望行驶速度和实际行驶速度之间的速度差;将所述速度差输入至预设BP神经网络,以获取所述预设BP神经网络输出的车速控制参数;将所述车辆控制参数输入至增量式PID控制器,以使所述增量式PID控制器根据预设控制律输出控制量加速度;根据所述控制量加速度调整所述车辆的速度,由于本发明是通过将车辆的期望行驶速度和实际行驶速度的速度差输入BP神经网络,BP神经网络输出车辆控制参数,增量式PID控制器根据车辆控制参数生成控制量加速度,以根据所述控制量加速度调整车辆速度,解决了现有技术中在无人驾驶时,调整车辆速度不准确的技术问题,实现了根据实时变化的速度差调整车辆速度的技术效果。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的车辆速度跟踪控制设备的结构示意图;
图2为本发明车辆速度跟踪控制方法第一实施例的流程示意图;
图3为本发明车辆速度跟踪控制方法一实施例的预设BP神经网络结构图;
图4为本发明车辆速度跟踪控制方法第二实施例的流程示意图;
图5为本发明车辆速度跟踪控制方法第三实施例的流程示意图;
图6为本发明车辆跟踪控制方法一实施例的速度跟踪控制结果图;
图7为本发明车辆速度跟踪控制装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的车辆速度跟踪控制设备结构示意图。
如图1所示,该车辆速度跟踪控制设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对车辆速度跟踪控制设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及车辆速度跟踪控制程序。
在图1所示的车辆速度跟踪控制设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明车辆速度跟踪控制设备中的处理器1001、存储器1005可以设置在车辆速度跟踪控制设备中,所述车辆速度跟踪控制设备通过处理器1001调用存储器1005中存储的车辆速度跟踪控制程序,并执行本发明实施例提供的车辆速度跟踪控制方法。
本发明实施例提供了一种车辆速度跟踪控制方法,参照图2,图2为本发明车辆速度跟踪控制方法第一实施例的流程示意图。
本实施例中,所述车辆速度跟踪控制方法包括以下步骤:
步骤S10:获取车辆的期望行驶速度和实际行驶速度之间的速度差。
需要说明的是,本实施例的执行主体可以是一种具有数据处理、网络通信以及程序运行功能的计算服务设备,例如平板电脑、个人电脑、手机等,或者是一种能够实现上述功能的电子设备、车辆速度跟踪控制设备。以下以所述车辆速度跟踪控制设备为例,对本实施例及下述各实施例进行说明。
可以理解的是,期望行驶速度是在车辆行驶过程中车辆的决策规划层根据车辆的外界环境和车辆的行驶工况规划而来的速度,实际行驶速度是车辆行驶过程中的实际速度。
应理解的是,在理想状态下,车辆的期望行驶速度应该与车辆的实际行驶速度相等,在车辆的期望行驶速度与车辆的实际行驶速度相等时,表明车辆的控制系统准确度高,但是在实际应用中,车辆的期望行驶速度与实际行驶速度存在偏差即为速度差。
步骤S20:将所述速度差输入至预设BP神经网络,以获取所述预设BP神经网络输出的车速控制参数。
可以理解的是,将车辆期望行驶速度与实际行驶速度的速度差输入至预设BP神经网络,预设BP神经网络经过自学习以及加权系数的调整可输出车辆控制参数,其中车辆控制参数为增量式PID控制器的kp即比例系数、ki即积分系数和kd即微分系数。
应理解的是,参照图3,图3为预设BP神经网络的结构图,其中x1,x2,、、、xn为预设BP神经网络的输入值,在本文中为期望行驶速度与实际行驶速度的速度差,Y1,Y2、、、Ym为预设BP神经网络的输出值,在实施例中为增量式PID控制器的三个参数kp,ki,kd,wij、wji为预设BP神经网络的权值。这样预设BP神经网络就表达为从2个自变量期望输入,实际输出到4个因变量kp,ki,kd,u的函数映射关系,该映射函数关系如下式:
u(k)=f(u(k-1),kp,ki,kd,e(k),e(k-1),e(k-2))
其中,u(k)为第k次采样时刻增量式PID控制器的输出值,u(k-1)为第k-1次采样时刻增量式PID控制器的输出值,e(k)为第k次采样时刻车辆期望行驶速度与实际行驶的速度差,e(k-1)为第k-1次采样时刻车辆期望行驶速度与实际行驶的速度差,e(k-2)为第k-2次采样时刻车辆期望行驶速度与实际行驶的速度差,f关系是一个非线性的函数映射关系,可以用预设BP神经网络来找出一个最佳的控制规律。
可以理解的是,参照图3,本文采用三层BP神经网络,其中预设BP神经网络的输入层的输入为:
预设BP神经网络隐含层的输入为:
预设BP神经网络隐含层的输出为:
其中n取决于预设BP神经网络输入量的个数,wij (2)为预设BP神经网络隐含层的加权系数,上标(1)为输入层,上标(2)为隐含层,上标(3)为输出层。
预设BP神经网络的输出层的输入为:
预设BP神经网络的输出层的输出为:
其中预设BP神经网络的隐含层神经元的激励函数为正负对称的Sigmoid函数:
预设BP神经网络的输出层的激励函数为非负的Sigmoid函数:
步骤S30:将所述车辆控制参数输入至增量式PID控制器,以使所述增量式PID控制器根据预设控制律输出控制量加速度。
可以理解的是,增量式PID控制器是通过对控制量的增量进行PID控制的控制器。
应理解的是,PID控制是根据给定值与实际输出值之间的偏差e(t)进行比例、积分和微分的运算,并将结果相加得到控制输出u(t),在连续的时间域内PID算法的表达式为:
其中,kp为比例系数,Ti为积分时间时间常数,Td为微分时间常数。
将PID算法表达式进行离散化处理,以一系列的采样时刻时刻点KT代表连续时间t,以和式代替积分,以增量代替微分,即:
t≈KT(K=0,1,2...)
其中,kp为比例系数;ki为积分系数,ki=kp/Ti;kd为微分系数,kd=kp·Td;u(k)为第k次增量式PID控制器的输出值;e(k)为第k次采样时刻车辆期望行驶速度与实际行驶的速度差,e(k-1)为第k-1次采样时刻车辆期望行驶速度与实际行驶的速度差;T为采样周期。
根据地推原理可得:
Δu(k)=u(k)-u(k-1)
则可得到:
Δu(k)=kp[e(k)-e(k-1)]+kie(k)+kd[e(k)-2e(k-1)+e(k-2)]
Δu(k)=(kp+ki+kd)e(k)-(kp+2kd)e(k-1)+kde(k-2)
u(k)=u(k-1)+Δu(k)
由此可得,增量式PID控制器在控制中不需要累加,控制增量的确定仅与最近三次的采样值有关,容易通过加权处理获得较好的控制效果,其中u(k)=u(k-1)+Δu(k)即为预设控制律。
步骤S40:根据所述控制量加速度调整所述车辆的速度。
可以理解的是,控制量加速度是增量式PID控制器根据预设控制律和车辆控制参数输出的加速度,车辆速度跟踪控制设备可根据控制量加速度调整车辆的行驶速度。
进一步地,为了提高车辆速度控制的准确度,所述步骤S20包括:将所述速度差输入至预设BP神经网络,以使所述预设BP神经网络根据所述速度差确定第一演练车速控制参数;将所述第一演练车辆控制参数输入至增量式PID控制器,以使所述增量式PID控制器根据预设控制律输出第一演练控制量加速度,并根据所述第一演练控制量加速度确定第一演练速度;在所述第一演练速度与所述期望行驶速度之间的差值小于或等于预设阈值时,将所述第一演练车速控制参数作为车速控制参数。
可以理解的是,第一演练车速控制参数为预设BP神经网络根据输入的速度差输出的演练车速控制参数,在实际应用中,预设BP神经网络输出的车辆控制参数可能使得车辆调整后的速度与期望行驶速度的误差较大,因此先获得第一演练车速控制参数。
应该理解的是,预设阈值是车辆的期望行驶速度与演练速度差值的最大值。
在具体实现中,将车辆期望行驶速度和实际行驶速度的速度差输入预设BP神经网络,预设BP神经网络输出第一演练车速控制参数,增量式PID控制器根据第一演练车速控制参数和预设控制律输出第一演练控制量加速度,根据第一演练控制量加速度得到第一演练速度后,计算第一演练速度和车辆期望行驶速度的差值,并将该差值与预设阈值比较,在差值小于预设阈值时,说明误差较小,此时将第一演练车辆控制参数设定为车辆控制参数,根据该车辆控制参数调整车辆速度。
本实施例通过获取车辆的期望行驶速度和实际行驶速度之间的速度差;将所述速度差输入至预设BP神经网络,以获取所述预设BP神经网络输出的车速控制参数;将所述车辆控制参数输入至增量式PID控制器,以使所述增量式PID控制器根据预设控制律输出控制量加速度;根据所述控制量加速度调整所述车辆的速度,由于实施例是通过将车辆的期望行驶速度和实际行驶速度的速度差输入BP神经网络,BP神经网络输出车辆控制参数,增量式PID控制器根据车辆控制参数生成控制量加速度,以根据所述控制量加速度调整车辆速度,解决了现有技术中在无人驾驶时,调整车辆速度不准确的技术问题,实现了根据实时变化的速度差调整车辆速度的技术效果。
参考图4,图4为本发明车辆速度跟踪控制方法第二实施例的流程示意图。
基于上述第一实施例,在本实施例中,所述将所述第一演练车辆控制参数输入至增量式PID控制器,以使所述增量式PID控制器根据预设控制律输出第一演练控制量加速度,并根据所述第一演练控制量加速度确定第一演练速度步骤之后还包括:
步骤S201:在所述第一演练速度与所述期望行驶速度之间的差值大于预设阈值时,根据性能指标函数更新所述预设BP神经网络的加权系数,以获得更新后的BP神经网络。
可以理解的是,可以将预设BP神经网络的加权系数的初值设置为大于0小于1的的值,在第一演练速度与车辆的期望行驶速度之间的差值大于预设阈值时,表明误差较大,第一演练车辆控制参数不能作为车辆控制参数使用。
应理解的是,性能指标函数为:
按照梯度下降法调整网络的权系数,即按E(k)对加权系数的负方向搜索调整,并附加一个使搜索快速收敛全局的极小的惯性项。
其中,η为学习速率;α为惯性系数。
由上述公式可得到如下关系式:
更新预设BP神经网络的输出层的加权系数用到的算法如下:
其中,g'(·)=g(x)(1-g(x)),f'(·)=(1-f2(x))/2,f(x)预设BP神经网络的隐含层神经元的激励函数,g(x)为预设BP神经网络的输出层的激励函数。
更新预设BP神经网络的隐含层的加权系数用到的算法如下:
其中,η为学习速率,α为惯性系数。
步骤S202:将所述速度差输入至所述更新后的BP神经网络,以获得第二演练车速控制参数。
可以理解的是,将采集到的车辆实际行驶速度和期望行驶速度之间的速度差输入更新后的BP神经网络,更新后的BP神经网络输出第二演练车辆控制参数。
步骤S203:将所述第二演练车辆控制参数输入至增量式PID控制器,以使所述增量式PID控制器根据预设控制律输出第二演练控制量加速度,并根据所述第二演练控制量加速度确定第二演练速度。
应该理解的是,第二演练车辆控制参数输入增量式PID控制器后,增量式PID控制器输出第二演练控制量加速度,车辆速度跟踪控制设备根据第二演练控制量加速度可得到第二演练速度。
步骤S204:判断所述第二演练速度与所述期望行驶速度之间的差值是否大于预设阈值。
可以理解的是,在得到第二演练速度时,计算第二演练速度与期望行驶速度之间的差值,并判断该差值是否大于预设阈值。
步骤S205:若否,则将所述第二演练车速控制参数作为车速控制参数。
可以理解的是,若第二演练速度与期望行驶速度之间的差值小于或等于预设阈值,表明使用第二演练车速控制参数得到的车辆速度误差较小,此时将第二演练车速控制参数作为车速控制参数。
步骤S206:若是,则返回执行在所述第一演练速度与所述期望行驶速度之间的差值大于预设阈值时,根据性能指标函数更新所述预设BP神经网络的加权系数,以获得更新后的BP神经网络步骤,直至演练速度与所述期望行驶速度的差值小于或等于预设阈值。
可以理解的是,若第二演练速度与期望行驶速度之间的差值大于预设阈值,则继续更新BP神经网络的加权系数,直至得到的演练速度与期望行驶速度的差值小于或等于预设阈值时,将此演练车辆控制参数作为车辆控制参数,在实际应用中,也可以设置一个更新次数阈值,在更新次数达到这个阈值时,差值仍大于与预设阈值,此时也结束更新,将最新的演练车辆控制参数作为车辆控制参数,参照图6,期望行驶速度与实际行驶速度基本重合。
本实施例通过在所述第一演练速度与所述期望行驶速度之间的差值大于预设阈值时,根据性能指标函数更新所述预设BP神经网络的加权系数,以获得更新后的BP神经网络;将所述速度差输入至所述更新后的BP神经网络,以获得第二演练车速控制参数;将所述第二演练车辆控制参数输入至增量式PID控制器,以使所述增量式PID控制器根据预设控制律输出第二演练控制量加速度,并根据所述第二演练控制量加速度确定第二演练速度;判断所述第二演练速度与所述期望行驶速度之间的差值是否大于预设阈值;若否,则将所述第二演练车速控制参数作为车速控制参数;若是,则返回执行根据性能指标函数更新所述BP神经网络的加权系数,以获得更新后的BP神经网络步骤,直至演练速度与所述期望行驶速度的差值小于或等于预设阈值,由于本实施例是通过在第一演练速度与车辆期望行驶速度之间的差值大于预设阈值时,更新预设BP神经网络的加权系数,并判断演练速度继续与车辆期望行驶速度的差值是否大于预设阈值,在大于预设阈值时继续更新BP神经网络的加权系数,直至满足条件时将演练车速控制参数作为车速控制参数控制车辆的速度,能根据实时变化的车速自适应调整加权系数,提高了车速控制的准确性。
参考图5,图5为本发明车辆速度跟踪控制方法第三实施例的流程示意图。
基于上述各实施例,在本实施例中,所述步骤S40包括:
步骤S401:获取所述车辆的预设切换逻辑。
可以理解地是,预设切换逻辑是车辆速度跟踪控制设备控制加速和减速的逻辑。
步骤S402:根据所述控制量加速度和所述预设切换逻辑调整所述车辆的速度。
应该理解的是,车辆速度跟踪控制设备可以根据控制量加速度和预设切换逻辑调整车辆的行驶速度。
进一步地,为了准确控制车辆速度,所述步骤S402包括:
步骤S4021:在所述控制量加速度大于预设加速度时,开启加速模式以使所述车辆的速度从所述实际速度提高至所述规划行驶速度。
可以理解的是,预设加速度可以设置为0,在控制量加速度大于0时,表明需要加速,此时则开启加速模式,将车辆的速度从实际行驶速度提高至期望行驶速度。
步骤S4022:在所述控制量加速度小于预设加速度时,开启减速模式以使所述车辆的速度从所述实际车速降低至所述期望行驶速度。
应该理解的是,在控制量加速度小于0时,表明要减速,此时开启减速模式,将车辆的速度从实际速度减小至期望行驶速度。
进一步地,为了准确控制车辆速度,步骤S4021包括:在所述控制量加速度大于预设加速度时,开启加速模式并根据第一预设比例将所述控制量加速度转换为油门控制量;根据所述油门控制量控制所述车辆的发动机增大输出功率,以使所述车辆的速度从所述实际速度提高至所述期望行驶速度。
可以理解的是,第一预设比例为控制量加速度转换为油门控制量的比例,开启加速模式时,可将控制量加速度到油门控制量的转换的第一预设比例设为0.1,也可设置为其它值,本实施例对此不作限制,油门控制量的最大阈值为1,通过油门控制量控制发动机的功率,发动机功率的改变从而导致转速和扭矩的改变从而导致车速以及加速度的改变,实现车的加速。
进一步地,为了准确控制车辆速度,步骤S4022包括:在所述控制量加速度小于预设加速度时,开启减速模式并根据第二预设比例将所述控制量加速度转换为主缸制动压力控制量;根据所述主缸制动压力控制量控制所述车辆的制动主缸增大压力,以使所述车辆的速度从所述实际车速降低至所述期望行驶速度。
可以理解的是,第二预设比例为控制量加速度转换为主缸制动压力控制量的比例,可将第二预设比例设置为0.3,也可设置为其它值,本实施例对此不作限制,开启减速模式时,制动主缸压力增大从而制动盘摩擦增大,阻力增大,实现车的减速。
本实施例通过获取所述车辆的预设切换逻辑;根据所述控制量加速度和所述预设切换逻辑调整所述车辆的速度,实现了车辆速度的准确控制。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有车辆速度跟踪控制程序,所述车辆速度跟踪控制程序被处理器执行时实现如上文所述的车辆速度跟踪控制方法的步骤。
参照图7,图7为本发明车辆速度跟踪控制装置第一实施例的结构框图。
如图7所示,本发明实施例提出的车辆速度跟踪控制装置包括:速度差获取模块10、车辆控制参数获取模块20、控制量加速度获取模块30和调整模块40。
所述速度差获取模块10,用于获取车辆的期望行驶速度和实际行驶速度之间的速度差;
所述车辆控制参数获取模块20,用于将所述速度差输入至预设BP神经网络,以获取所述预设BP神经网络输出的车速控制参数;
所述控制量加速度获取模块30,用于将所述车辆控制参数输入至增量式PID控制器,以使所述增量式PID控制器根据预设控制律输出控制量加速度;
所述调整模块40,用于根据所述控制量加速度调整所述车辆的速度。
本实施例通过速度差获取模块10获取车辆的期望行驶速度和实际行驶速度之间的速度差;车辆控制参数获取模块20将所述速度差输入至预设BP神经网络,以获取所述预设BP神经网络输出的车速控制参数;控制量加速度获取模块30将所述车辆控制参数输入至增量式PID控制器,以使所述增量式PID控制器根据预设控制律输出控制量加速度;调整模块40根据所述控制量加速度调整所述车辆的速度,由于实施例是通过将车辆的期望行驶速度和实际行驶速度的速度差输入BP神经网络,BP神经网络输出车辆控制参数,增量式PID控制器根据车辆控制参数生成控制量加速度,以根据所述控制量加速度调整车辆速度,解决了现有技术中在无人驾驶时,调整车辆速度不准确的技术问题,实现了根据实时变化的速度差调整车辆速度的技术效果。
基于本发明上述车辆速度跟踪控制装置第一实施例,提出本发明车辆速度跟踪控制装置的第二实施例。
在本实施例中,所述车辆控制参数获取模块20还用于将所述速度差输入至预设BP神经网络,以使所述预设BP神经网络根据所述速度差确定第一演练车速控制参数;将所述第一演练车辆控制参数输入至增量式PID控制器,以使所述增量式PID控制器根据预设控制律输出第一演练控制量加速度,并根据所述第一演练控制量加速度确定第一演练速度;在所述第一演练速度与所述期望行驶速度之间的差值小于或等于预设阈值时,将所述第一演练车速控制参数作为车速控制参数。
所述车辆控制参数获取模块20还用于在所述第一演练速度与所述期望行驶速度之间的差值大于预设阈值时,根据性能指标函数更新所述预设BP神经网络的加权系数,以获得更新后的BP神经网络;将所述速度差输入至所述更新后的BP神经网络,以获得第二演练车速控制参数;将所述第二演练车辆控制参数输入至增量式PID控制器,以使所述增量式PID控制器根据预设控制律输出第二演练控制量加速度,并根据所述第二演练控制量加速度确定第二演练速度;判断所述第二演练速度与所述期望行驶速度之间的差值是否大于预设阈值;若否,则将所述第二演练车速控制参数作为车速控制参数;若是,则返回执行在所述第一演练速度与所述期望行驶速度之间的差值大于预设阈值时,根据性能指标函数更新所述预设BP神经网络的加权系数,以获得更新后的BP神经网络步骤,直至演练速度与所述期望行驶速度的差值小于或等于预设阈值。
所述调整模块40还用于获取所述车辆的预设切换逻辑;根据所述控制量加速度和所述预设切换逻辑调整所述车辆的速度。
所述调整模块40还用于在所述控制量加速度大于预设加速度时,开启加速模式以使所述车辆的速度从所述实际速度提高至所述期望行驶速度;在所述控制量加速度小于预设加速度时,开启减速模式以使所述车辆的速度从所述实际车速降低至所述期望行驶速度。
所述调整模块40还用于在所述控制量加速度大于预设加速度时,开启加速模式并根据第一预设比例将所述控制量加速度转换为油门控制量;根据所述油门控制量控制所述车辆的发动机增大输出功率,以使所述车辆的速度从所述实际速度提高至所述期望行驶速度。
所述调整模块40还用于在所述控制量加速度小于预设加速度时,开启减速模式并根据第二预设比例将所述控制量加速度转换为主缸制动压力控制量;根据所述主缸制动压力控制量控制所述车辆的制动主缸增大压力,以使所述车辆的速度从所述实际车速降低至所述期望行驶速度。
本发明车辆速度跟踪控制装置的其他实施例或具体实现方式可参照上述各方法实施例,此处不再赘述。
需要说明的是,在本文中,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、物品或者系统不仅包括那些要素,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、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
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上述实施例方法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,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的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,该计算机软件产品存储在一个存储介质(如只读存储器/随机存取存储器、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种车辆速度跟踪控制方法,其特征在于,所述方法包括:
获取车辆的期望行驶速度和实际行驶速度之间的速度差;
将所述速度差输入至预设BP神经网络,以获取所述预设BP神经网络输出的车速控制参数;
将所述车辆控制参数输入至增量式PID控制器,以使所述增量式PID控制器根据预设控制律输出控制量加速度;
根据所述控制量加速度调整所述车辆的速度。
2.如权利要求1所述的方法,其特征在于,所述将所述速度差输入至预设BP神经网络,以获取所述预设BP神经网络输出的车速控制参数,包括:
将所述速度差输入至预设BP神经网络,以使所述预设BP神经网络根据所述速度差确定第一演练车速控制参数;
将所述第一演练车辆控制参数输入至增量式PID控制器,以使所述增量式PID控制器根据预设控制律输出第一演练控制量加速度,并根据所述第一演练控制量加速度确定第一演练速度;
在所述第一演练速度与所述期望行驶速度之间的差值小于或等于预设阈值时,将所述第一演练车速控制参数作为车速控制参数。
3.如权利要求2所述的方法,其特征在于,所述将所述第一演练车辆控制参数输入至增量式PID控制器,以使所述增量式PID控制器根据预设控制律输出第一演练控制量加速度,并根据所述第一演练控制量加速度确定第一演练速度步骤之后,所述方法还包括:
在所述第一演练速度与所述期望行驶速度之间的差值大于预设阈值时,根据性能指标函数更新所述预设BP神经网络的加权系数,以获得更新后的BP神经网络;
将所述速度差输入至所述更新后的BP神经网络,以获得第二演练车速控制参数;
将所述第二演练车辆控制参数输入至增量式PID控制器,以使所述增量式PID控制器根据预设控制律输出第二演练控制量加速度,并根据所述第二演练控制量加速度确定第二演练速度;
判断所述第二演练速度与所述期望行驶速度之间的差值是否大于预设阈值;
若否,则将所述第二演练车速控制参数作为车速控制参数;
若是,则返回执行在所述第一演练速度与所述期望行驶速度之间的差值大于预设阈值时,根据性能指标函数更新所述预设BP神经网络的加权系数,以获得更新后的BP神经网络步骤,直至演练速度与所述期望行驶速度的差值小于或等于预设阈值。
4.如权利要求1至3任一项所述的方法,其特征在于,所述根据所述控制量加速度调整所述车辆的速度,包括:
获取所述车辆的预设切换逻辑;
根据所述控制量加速度和所述预设切换逻辑调整所述车辆的速度。
5.如权利要求4所述的方法,其特征在于,所述根据所述控制量加速度和所述预设切换逻辑调整所述车辆的速度,包括:
在所述控制量加速度大于预设加速度时,开启加速模式以使所述车辆的速度从所述实际速度提高至所述期望行驶速度;
在所述控制量加速度小于预设加速度时,开启减速模式以使所述车辆的速度从所述实际车速降低至所述期望行驶速度。
6.如权利要求5所述的方法,其特征在于,所述在所述控制量加速度大于预设加速度时,开启加速模式以使所述车辆的速度从所述实际速度提高至所述期望行驶速度,包括:
在所述控制量加速度大于预设加速度时,开启加速模式并根据第一预设比例将所述控制量加速度转换为油门控制量;
根据所述油门控制量控制所述车辆的发动机增大输出功率,以使所述车辆的速度从所述实际速度提高至所述期望行驶速度。
7.如权利要求5所述的方法,其特征在于,所述在所述控制量加速度小于预设加速度时,开启减速模式以使所述车辆的速度从所述实际车速降低至所述期望行驶速度,包括:
在所述控制量加速度小于预设加速度时,开启减速模式并根据第二预设比例将所述控制量加速度转换为主缸制动压力控制量;
根据所述主缸制动压力控制量控制所述车辆的制动主缸增大压力,以使所述车辆的速度从所述实际车速降低至所述期望行驶速度。
8.一种车辆速度跟踪控制装置,其特征在于,所述装置包括:
速度差获取模块,用于获取车辆的期望行驶速度和实际行驶速度之间的速度差;
车辆控制参数获取模块,用于将所述速度差输入至预设BP神经网络,以获取所述预设BP神经网络输出的车速控制参数;
控制量加速度获取模块,用于将所述车辆控制参数输入至增量式PID控制器,以使所述增量式PID控制器根据预设控制律输出控制量加速度;
调整模块,用于根据所述控制量加速度调整所述车辆的速度。
9.一种车辆速度跟踪控制设备,其特征在于,所述设备包括: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车辆速度跟踪控制程序,所述车辆速度跟踪控制程序配置为实现如权利要求1至7中任一项所述的车辆速度跟踪控制方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有车辆速度跟踪控制程序,所述车辆速度跟踪控制程序被处理器执行时实现如权利要求1至7任一项所述的车辆速度跟踪控制方法的步骤。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110463123.9A CN113085858A (zh) | 2021-04-27 | 2021-04-27 | 车辆速度跟踪控制方法、装置、设备及存储介质 |
PCT/CN2022/072452 WO2022227720A1 (zh) | 2021-04-27 | 2022-01-18 | 车辆速度跟踪控制方法、装置、设备及存储介质 |
LU501897A LU501897B1 (en) | 2021-04-27 | 2022-01-18 | Vehicle speed tracking control method, device and equipment, and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110463123.9A CN113085858A (zh) | 2021-04-27 | 2021-04-27 | 车辆速度跟踪控制方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113085858A true CN113085858A (zh) | 2021-07-09 |
Family
ID=76680457
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110463123.9A Pending CN113085858A (zh) | 2021-04-27 | 2021-04-27 | 车辆速度跟踪控制方法、装置、设备及存储介质 |
Country Status (3)
Country | Link |
---|---|
CN (1) | CN113085858A (zh) |
LU (1) | LU501897B1 (zh) |
WO (1) | WO2022227720A1 (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113635920A (zh) * | 2021-09-17 | 2021-11-12 | 中国重汽集团济南动力有限公司 | 一种权重自适应横纵向耦合跟踪控制方法及系统 |
CN113879303A (zh) * | 2021-10-27 | 2022-01-04 | 江铃汽车股份有限公司 | 自适应巡航控制方法及系统 |
CN114013440A (zh) * | 2021-12-06 | 2022-02-08 | 吉林大学 | 一种双农机收运同步系统及方法 |
CN114684165A (zh) * | 2022-03-04 | 2022-07-01 | 阿波罗智能技术(北京)有限公司 | 车辆控制方法、装置、设备、存储介质和自动驾驶车辆 |
CN115009278A (zh) * | 2022-08-08 | 2022-09-06 | 潍柴动力股份有限公司 | 一种巡航控制方法、装置、设备及存储介质 |
CN115202371A (zh) * | 2022-09-19 | 2022-10-18 | 深圳市凯之成智能装备有限公司 | 平板清扫机器人的运动控制方法及相关装置 |
WO2022227720A1 (zh) * | 2021-04-27 | 2022-11-03 | 湖北文理学院 | 车辆速度跟踪控制方法、装置、设备及存储介质 |
CN117087669A (zh) * | 2023-10-20 | 2023-11-21 | 小米汽车科技有限公司 | 车辆速度跟踪控制方法、装置、车辆及存储介质 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116039657B (zh) * | 2022-12-22 | 2024-01-26 | 上海洛轲智能科技有限公司 | 车速确定方法、装置、设备、介质及产品 |
CN117389134A (zh) * | 2023-12-07 | 2024-01-12 | 中国汽车技术研究中心有限公司 | 一种汽车场地测试移动平台pid参数标定方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102096373A (zh) * | 2010-12-07 | 2011-06-15 | 昆明理工大学 | 基于增量改进bp神经网络的微波干燥pid控制方法 |
CN107215334A (zh) * | 2017-06-26 | 2017-09-29 | 地壳机器人科技有限公司 | 车速控制方法、装置及无人驾驶汽车 |
CN108733955A (zh) * | 2018-05-30 | 2018-11-02 | 厦门大学 | 一种智能电动汽车纵向运动控制系统及方法 |
CN108809167A (zh) * | 2018-06-26 | 2018-11-13 | 长春工业大学 | 一种基于模糊控制的bp神经网络pid调速控制算法 |
CN109606365A (zh) * | 2018-12-29 | 2019-04-12 | 百度在线网络技术(北京)有限公司 | 用于控制车辆的方法和装置 |
CN109747651A (zh) * | 2018-12-27 | 2019-05-14 | 东软睿驰汽车技术(沈阳)有限公司 | 一种车辆控制方法、装置及系统 |
CN112083649A (zh) * | 2019-06-14 | 2020-12-15 | 株洲中车时代电气股份有限公司 | 一种电力机车恒速控制方法、装置及设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0471933A (ja) * | 1990-07-10 | 1992-03-06 | Toyota Motor Corp | 車両用走行制御装置 |
CN109376493B (zh) * | 2018-12-17 | 2023-02-03 | 武汉理工大学 | 一种粒子群优化的径向基神经网络车辆速度跟踪方法 |
CN112622903B (zh) * | 2020-10-29 | 2022-03-08 | 东北大学秦皇岛分校 | 一种车辆跟随驾驶环境下自主车辆的纵向和横向控制方法 |
CN113085858A (zh) * | 2021-04-27 | 2021-07-09 | 湖北文理学院 | 车辆速度跟踪控制方法、装置、设备及存储介质 |
-
2021
- 2021-04-27 CN CN202110463123.9A patent/CN113085858A/zh active Pending
-
2022
- 2022-01-18 WO PCT/CN2022/072452 patent/WO2022227720A1/zh unknown
- 2022-01-18 LU LU501897A patent/LU501897B1/en active IP Right Grant
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102096373A (zh) * | 2010-12-07 | 2011-06-15 | 昆明理工大学 | 基于增量改进bp神经网络的微波干燥pid控制方法 |
CN107215334A (zh) * | 2017-06-26 | 2017-09-29 | 地壳机器人科技有限公司 | 车速控制方法、装置及无人驾驶汽车 |
CN108733955A (zh) * | 2018-05-30 | 2018-11-02 | 厦门大学 | 一种智能电动汽车纵向运动控制系统及方法 |
CN108809167A (zh) * | 2018-06-26 | 2018-11-13 | 长春工业大学 | 一种基于模糊控制的bp神经网络pid调速控制算法 |
CN109747651A (zh) * | 2018-12-27 | 2019-05-14 | 东软睿驰汽车技术(沈阳)有限公司 | 一种车辆控制方法、装置及系统 |
CN109606365A (zh) * | 2018-12-29 | 2019-04-12 | 百度在线网络技术(北京)有限公司 | 用于控制车辆的方法和装置 |
CN112083649A (zh) * | 2019-06-14 | 2020-12-15 | 株洲中车时代电气股份有限公司 | 一种电力机车恒速控制方法、装置及设备 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022227720A1 (zh) * | 2021-04-27 | 2022-11-03 | 湖北文理学院 | 车辆速度跟踪控制方法、装置、设备及存储介质 |
CN113635920A (zh) * | 2021-09-17 | 2021-11-12 | 中国重汽集团济南动力有限公司 | 一种权重自适应横纵向耦合跟踪控制方法及系统 |
CN113635920B (zh) * | 2021-09-17 | 2023-01-03 | 中国重汽集团济南动力有限公司 | 一种权重自适应横纵向耦合跟踪控制方法及系统 |
CN113879303A (zh) * | 2021-10-27 | 2022-01-04 | 江铃汽车股份有限公司 | 自适应巡航控制方法及系统 |
CN114013440A (zh) * | 2021-12-06 | 2022-02-08 | 吉林大学 | 一种双农机收运同步系统及方法 |
CN114684165A (zh) * | 2022-03-04 | 2022-07-01 | 阿波罗智能技术(北京)有限公司 | 车辆控制方法、装置、设备、存储介质和自动驾驶车辆 |
EP4242772A1 (en) * | 2022-03-04 | 2023-09-13 | Apollo Intelligent Driving Technology (Beijing) Co., Ltd. | Vehicle control method and apparatus, device, storage medium and autonomous vehicle |
CN115009278A (zh) * | 2022-08-08 | 2022-09-06 | 潍柴动力股份有限公司 | 一种巡航控制方法、装置、设备及存储介质 |
CN115009278B (zh) * | 2022-08-08 | 2022-11-29 | 潍柴动力股份有限公司 | 一种巡航控制方法、装置、设备及存储介质 |
CN115202371A (zh) * | 2022-09-19 | 2022-10-18 | 深圳市凯之成智能装备有限公司 | 平板清扫机器人的运动控制方法及相关装置 |
CN117087669A (zh) * | 2023-10-20 | 2023-11-21 | 小米汽车科技有限公司 | 车辆速度跟踪控制方法、装置、车辆及存储介质 |
CN117087669B (zh) * | 2023-10-20 | 2024-01-30 | 小米汽车科技有限公司 | 车辆速度跟踪控制方法、装置、车辆及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2022227720A1 (zh) | 2022-11-03 |
LU501897B1 (en) | 2022-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113085858A (zh) | 车辆速度跟踪控制方法、装置、设备及存储介质 | |
CN111284489B (zh) | 智能网联汽车随机预测巡航控制系统 | |
CN113511082B (zh) | 基于规则和双深度q网络的混合动力汽车能量管理方法 | |
CN110481536B (zh) | 一种应用于混合动力汽车的控制方法及设备 | |
CN111009134A (zh) | 一种基于前车与自车互动的短期车速工况实时预测方法 | |
CN109131350B (zh) | 一种混合动力汽车能量管理方法及系统 | |
US11610118B2 (en) | Distributional reinforcement learning using quantile function neural networks | |
EP3722894A1 (en) | Control and monitoring of physical system based on trained bayesian neural network | |
Sajadi-Alamdari et al. | Nonlinear model predictive control for ecological driver assistance systems in electric vehicles | |
CN113335274B (zh) | 基于制动距离的车辆防撞预警方法及系统 | |
CN112668799A (zh) | 基于行驶大数据的phev的智能能量管理方法和存储介质 | |
US20200285940A1 (en) | Machine learning systems with memory based parameter adaptation for learning fast and slower | |
JP4028384B2 (ja) | エージェント学習装置、方法、プログラム | |
Norouzi et al. | Integrating machine learning and model predictive control for automotive applications: A review and future directions | |
EP3404497B1 (en) | A method and system for providing an optimized control of a complex dynamical system | |
US20240095495A1 (en) | Attention neural networks with short-term memory units | |
Ure et al. | Enhancing situational awareness and performance of adaptive cruise control through model predictive control and deep reinforcement learning | |
CN110162910A (zh) | 一种基于物联网技术的坡起优化方法 | |
CN111783943A (zh) | 一种基于lstm神经网络的驾驶员制动强度预测方法 | |
Chen et al. | RHONN-modeling-based predictive safety assessment and torque vectoring for holistic stabilization of electrified vehicles | |
US11423300B1 (en) | Selecting actions by reverting to previous learned action selection policies | |
Zainuddin et al. | Performance comparison between predictive functional control and PID algorithms for automobile cruise control system | |
EP3985461A1 (en) | Model learning apparatus, control apparatus, model learning method and computer program | |
Tran et al. | A combination of analytical and model predictive optimal methods for adaptive cruise control problem | |
Topalov et al. | Neuro-fuzzy control of antilock braking system using variable-structure-systems-based learning algorithm |
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 |
Application publication date: 20210709 |
|
RJ01 | Rejection of invention patent application after publication |