CN115576317A - 一种基于神经网络的多预瞄点路径跟踪控制方法及系统 - Google Patents
一种基于神经网络的多预瞄点路径跟踪控制方法及系统 Download PDFInfo
- Publication number
- CN115576317A CN115576317A CN202211138324.2A CN202211138324A CN115576317A CN 115576317 A CN115576317 A CN 115576317A CN 202211138324 A CN202211138324 A CN 202211138324A CN 115576317 A CN115576317 A CN 115576317A
- Authority
- CN
- China
- Prior art keywords
- path
- path tracking
- controller
- neural network
- training
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 56
- 238000010276 construction Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 9
- 230000015654 memory Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 241000032989 Ipomoea lacunosa Species 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于神经网络的多预瞄点路径跟踪控制方法及系统,所述方法包括:在车身坐标系中建立基于时变局部模型的非线性模型预测控制器;通过非线性模型预测控制器控制被控对象跟踪一条预设的前方参考路径,并采集前方参考路径信息,生成训练样本;采用预设的神经网络构建路径跟踪控制器,并采用所述训练样本训练所构建的路径跟踪控制器;利用训练好的路径跟踪控制器实现被控对象的路径跟踪控制。本发明方案解决了现有技术无法有效利用前方参考路径信息,在参考路径曲率变化幅度较大时精确性不佳的问题。
Description
技术领域
本发明涉及无人驾驶设备的运动控制技术领域,特别涉及一种基于神经网络的多预瞄点路径跟踪控制方法及系统。
背景技术
现有路径跟踪控制技术中,非线性模型预测控制具有能够显式处理系统约束、能够有效利用前方参考路径信息、能够减弱定位误差等扰动影响等优势(白国星,孟宇,刘立,等.无人驾驶车辆路径跟踪控制研究现状[J].工程科学学报,2021,43(4):475-485、白国星,罗维东,刘立,等.矿用铰接式车辆路径跟踪控制研究现状与进展[J].工程科学学报,2021,43(2):193-204、Bai G,Meng Y,Liu L,et al.Review and comparison of pathtracking based on model predictive control[J].Electronics,2019,8(10):1077),但其实时性即使经过优化也较线性模型预测控制等控制方法的实时性差(白国星,刘丽,孟宇,等.基于非线性模型预测控制的移动机器人实时路径跟踪[J].农业机械学报,2020,51(9):47-52)。
针对实时性较差的问题,目前存在一种通过神经网络学习非线性模型预测控制器,以提高实时性的路径跟踪控制方法(CN111624992B),但是由于训练样本中未将前方参考路径信息纳入考虑,导致这种路径跟踪控制方法无法有效利用前方参考路径信息,在参考路径曲率变化幅度较大时精确性不佳。
发明内容
本发明提供了一种基于神经网络的多预瞄点路径跟踪控制方法及系统,以解决现有的通过神经网络学习非线性模型预测控制器的路径跟踪控制方法无法有效利用前方参考路径信息,在参考路径曲率变化幅度较大时精确性不佳的问题。
为解决上述技术问题,本发明提供了如下技术方案:
一方面,本发明提供了一种基于神经网络的多预瞄点路径跟踪控制方法,所述基于神经网络的多预瞄点路径跟踪控制方法包括:
在车身坐标系中建立基于时变局部模型的非线性模型预测控制器;
通过所述基于时变局部模型的非线性模型预测控制器,控制被控对象跟踪一条预设的前方参考路径,并采集前方参考路径信息,生成训练样本;其中,所述参考路径信息包括:参考路径的横、纵坐标,以及航向角;
采用预设的神经网络构建路径跟踪控制器,并采用所述训练样本训练所构建的路径跟踪控制器;其中,所述路径跟踪控制器的输入包括初始横摆角速度和所述参考路径信息,所述路径跟踪控制器的输出包括目标横摆角速度;
利用训练好的路径跟踪控制器实现被控对象的路径跟踪控制。
进一步地,在车身坐标系中建立基于时变局部模型的非线性模型预测控制器,包括:
将预测控制器和被控对象前方一段参考路径转入每个控制周期开始时的车身坐标系,基于转化后的坐标建立基于时变局部模型的非线性模型预测控制器。
进一步地,所述采用预设的神经网络构建路径跟踪控制器,并采用所述训练样本训练所构建的路径跟踪控制器,包括:
根据训练样本的结构采用预设的神经网络构建路径跟踪控制器;
采用所述训练样本训练所构建的路径跟踪控制器。
进一步地,所述路径跟踪控制器的输入包括:初始横摆角速度、参考路径中第一个参考点的横、纵坐标及航向角,参考路径中的中间一个参考点的横、纵坐标及航向角,以及参考路径中的最后一个参考点的横、纵坐标及航向角。
另一方面,本发明还提供了一种基于神经网络的多预瞄点路径跟踪控制系统,所述基于神经网络的多预瞄点路径跟踪控制系统包括:
非线性模型预测控制器构建模块,用于在车身坐标系中建立基于时变局部模型的非线性模型预测控制器;
训练样本生成模块,用于通过所述非线性模型预测控制器构建模块所构建的基于时变局部模型的非线性模型预测控制器,控制被控对象跟踪一条预设的前方参考路径,并采集前方参考路径信息,生成训练样本;其中,所述参考路径信息包括:参考路径的横、纵坐标,以及航向角;
路径跟踪控制器构建及训练模块,用于采用预设的神经网络构建路径跟踪控制器,并采用所述训练样本生成模块所生成的训练样本训练所构建的路径跟踪控制器;其中,所述路径跟踪控制器的输入包括初始横摆角速度和所述参考路径信息,所述路径跟踪控制器的输出包括目标横摆角速度;
路径跟踪控制模块,用于利用通过所述路径跟踪控制器构建及训练模块训练好的路径跟踪控制器实现被控对象的路径跟踪控制。
进一步地,所述非线性模型预测控制器构建模块具体用于:
将预测控制器和被控对象前方一段参考路径转入每个控制周期开始时的车身坐标系,基于转化后的坐标建立基于时变局部模型的非线性模型预测控制器。
进一步地,所述路径跟踪控制器构建及训练模块具体用于:
根据训练样本的结构采用预设的神经网络构建路径跟踪控制器;
采用所述训练样本训练所构建的路径跟踪控制器。
进一步地,所述路径跟踪控制器的输入包括:初始横摆角速度、参考路径中第一个参考点的横、纵坐标及航向角,参考路径中的中间一个参考点的横、纵坐标及航向角,以及参考路径中的最后一个参考点的横、纵坐标及航向角。
再一方面,本发明还提供了一种电子设备,其包括处理器和存储器;其中,存储器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上述方法。
又一方面,本发明还提供了一种计算机可读存储介质,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上述方法。
本发明提供的技术方案带来的有益效果至少包括:
本发明提供的路径跟踪控制方法,通过深入分析基于非线性模型预测控制的路径跟踪控制器的性能特点,利用车身局部坐标系对横、纵向坐标与航向角解耦,并在此坐标系中设计非线性模型预测控制器,并利用该控制器生成训练样本,最终在此基础上建立基于神经网络的多预瞄点路径跟踪控制器,解决了现有的通过神经网络学习非线性模型预测控制器的路径跟踪控制方法无法有效利用前方参考路径信息,在参考路径曲率变化幅度较大时精确性不佳的问题。
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单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于神经网络的多预瞄点路径跟踪控制方法的执行流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
第一实施例
本实施例提供了一种基于神经网络的多预瞄点路径跟踪控制方法,适用于矿用铰接式车辆路径跟踪控制,该基于神经网络的多预瞄点路径跟踪控制方法可以由电子设备实现,该方法的执行流程如图1所示,包括以下步骤:
S1,在车身坐标系中建立基于时变局部模型的非线性模型预测控制器;
S2,通过所述基于时变局部模型的非线性模型预测控制器,控制被控对象跟踪一条预设的前方参考路径,并采集前方参考路径信息,生成训练样本;其中,所述参考路径信息包括:参考路径的横、纵坐标,以及航向角;
S3,采用预设的神经网络构建路径跟踪控制器,并采用所述训练样本训练所构建的路径跟踪控制器;其中,所述路径跟踪控制器的输入包括初始横摆角速度和所述参考路径信息,所述路径跟踪控制器的输出包括目标横摆角速度;
S4,利用训练好的路径跟踪控制器实现被控对象的路径跟踪控制。
其中,基于时变局部模型的非线性模型预测控制器是基于神经网络的路径跟踪控制器的拟合目标。特别需要指出的是,非线性模型预测控制器的输入量通常为前方一段参考路径的坐标和航向信息、前一个控制周期的模型输入量,输出量为当前控制周期的模型输入量,而在全局坐标系中,参考路径的坐标信息变化幅度大且规律性较弱,难以通过神经网络拟合。
考虑到将预测模型和被控对象前方一段参考路径转入车身坐标系后不会影响非线性模型预测控制器的性能,而且由于参考路径通常曲率有限,被控对象前方一段参考路径在车身坐标系中变化幅度较小且规律性较强,因此首先需将预测模型和被控对象前方一段参考路径转入每个控制周期开始时的车身坐标系,建立基于局部时变模型的非线性模型预测控制器。其中,坐标转换过程为简单的数学过程,此处不再赘述。而非线性模型预测控制器的设计方法也为已有的公开知识(白国星,刘丽,孟宇,等.基于非线性模型预测控制的移动机器人实时路径跟踪[J].农业机械学报,2020,51(9):47-52),此处也不再赘述。
进一步地,为了生成训练样本,首先需要根据非线性模型预测控制器确定神经网络的输入信息向量和输出信息向量。非线性模型预测控制器的预测模型基础采用运动学模型,并假设被控对象恒速行驶,因此可知模型状态量为x=[x y θ]T,其中,x、y为横、纵坐标,θ为航向角(横摆角),每个控制周期的初始值均为x0=[0 0 0]T,模型输入量为u=[ω]T,其中,ω为横摆角速度,模型状态量与输入量之间的映射关系可以表示为
因此神经网络的输入信息向量为:
ξ=[ξ1 ξ2 … ξn]T
=[ω0 xref1 yref1 θref1 xref2 yref2 θref2 … xrefm yrefm θrefm]T
其中,下标ref表示参考路径,数字表示t时刻起的第i个量,特别的,0表示t时刻的量。
进一步地,为提高实时性,可减少参考路径点数。对此,本实施例取第一个点、一个中间点和最后一个点作为神经网络的输入信息:
ξ=[ξ1 ξ2 ξn]T
=[ω0 xref1 yref1 θref1 xrefq yrefq θrefq xrefp yrefp θrefp]T
其中,p为预测时域,q为p的二分之一向上取整值。
神经网络的输出信息向量为ω1。
令基于局部时变模型的非线性模型预测控制器控制被控对象跟踪一条复杂度较高的参考路径,并采集上述信息向量,即可生成训练样本。然后根据这些信息向量的结构构建神经网络模型,并利用这些信息向量对构建的神经网络进行训练,训练完成后即可建立基于神经网络的多预瞄点路径跟踪控制器,从而实现基于神经网络的多预瞄点路径跟踪控制。其中,构建神经网络模型并训练神经网络控制器的具体技术方案可以参考公开号为CN111624992B的专利申请。
综上,本实施例的上述技术方案通过深入分析基于非线性模型预测控制的路径跟踪控制器的性能特点,利用车身局部坐标系对横、纵向坐标与航向角解耦,并在此坐标系中设计非线性模型预测控制器,并利用该控制器生成训练样本,最终在此基础上建立基于神经网络的多预瞄点路径跟踪控制器,解决了现有的通过神经网络学习非线性模型预测控制器的路径跟踪控制方法无法有效利用前方参考路径信息,在参考路径曲率变化幅度较大时精确性不佳的问题。
第二实施例
本实施例提供了一种基于神经网络的多预瞄点路径跟踪控制系统,包括:
非线性模型预测控制器构建模块,用于在车身坐标系中建立基于时变局部模型的非线性模型预测控制器;
训练样本生成模块,用于通过所述非线性模型预测控制器构建模块所构建的基于时变局部模型的非线性模型预测控制器,控制被控对象跟踪一条预设的前方参考路径,并采集前方参考路径信息,生成训练样本;其中,所述参考路径信息包括:参考路径的横、纵坐标,以及航向角;
路径跟踪控制器构建及训练模块,用于采用预设的神经网络构建路径跟踪控制器,并采用所述训练样本生成模块所生成的训练样本训练所构建的路径跟踪控制器;其中,所述路径跟踪控制器的输入包括初始横摆角速度和所述参考路径信息,所述路径跟踪控制器的输出包括目标横摆角速度;
路径跟踪控制模块,用于利用通过所述路径跟踪控制器构建及训练模块训练好的路径跟踪控制器实现被控对象的路径跟踪控制。
本实施例的基于神经网络的多预瞄点路径跟踪控制系统与上述第一实施例的基于神经网络的多预瞄点路径跟踪控制方法相对应;其中,该基于神经网络的多预瞄点路径跟踪控制系统中的各功能模块实现的功能与上述的基于神经网络的多预瞄点路径跟踪控制方法中的各流程步骤一一对应;故,在此不再赘述。
第三实施例
本实施例提供一种电子设备,其包括处理器和存储器;其中,存储器中存储有至少一条指令,所述指令由处理器加载并执行,以实现第一实施例的方法。
该电子设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)和一个或一个以上的存储器,其中,存储器中存储有至少一条指令,所述指令由处理器加载并执行上述方法。
第四实施例
本实施例提供一种计算机可读存储介质,该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,以实现上述第一实施例的方法。其中,该计算机可读存储介质可以是ROM、随机存取存储器、CD-ROM、磁带、软盘和光数据存储设备等。其内存储的指令可由终端中的处理器加载并执行上述方法。
此外,需要说明的是,本发明可提供为方法、装置或计算机程序产品。因此,本发明实施例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,本发明实施例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上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(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、嵌入式处理机或其他可编程数据处理终端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终端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。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置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。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供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步骤。
还需要说明的是,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、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
最后需要说明的是,以上所述是本发明优选实施方式,应当指出,尽管已描述了本发明优选实施例,但对于本技术领域的技术人员来说,一旦得知了本发明的基本创造性概念,在不脱离本发明所述原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。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实施例范围的所有变更和修改。
Claims (8)
1.一种基于神经网络的多预瞄点路径跟踪控制方法,其特征在于,包括:
在车身坐标系中建立基于时变局部模型的非线性模型预测控制器;
通过所述基于时变局部模型的非线性模型预测控制器,控制被控对象跟踪一条预设的前方参考路径,并采集前方参考路径信息,生成训练样本;其中,所述参考路径信息包括:参考路径的横、纵坐标,以及航向角;
采用预设的神经网络构建路径跟踪控制器,并采用所述训练样本训练所构建的路径跟踪控制器;其中,所述路径跟踪控制器的输入包括初始横摆角速度和所述参考路径信息,所述路径跟踪控制器的输出包括目标横摆角速度;
利用训练好的路径跟踪控制器实现被控对象的路径跟踪控制。
2.如权利要求1所述的基于神经网络的多预瞄点路径跟踪控制方法,其特征在于,在车身坐标系中建立基于时变局部模型的非线性模型预测控制器,包括:
将预测控制器和被控对象前方一段参考路径转入每个控制周期开始时的车身坐标系,基于转化后的坐标建立基于时变局部模型的非线性模型预测控制器。
3.如权利要求1所述的基于神经网络的多预瞄点路径跟踪控制方法,其特征在于,所述采用预设的神经网络构建路径跟踪控制器,并采用所述训练样本训练所构建的路径跟踪控制器,包括:
根据训练样本的结构采用预设的神经网络构建路径跟踪控制器;
采用所述训练样本训练所构建的路径跟踪控制器。
4.如权利要求1所述的基于神经网络的多预瞄点路径跟踪控制方法,其特征在于,所述路径跟踪控制器的输入包括:初始横摆角速度、参考路径中第一个参考点的横、纵坐标及航向角,参考路径中的中间一个参考点的横、纵坐标及航向角,以及参考路径中的最后一个参考点的横、纵坐标及航向角。
5.一种基于神经网络的多预瞄点路径跟踪控制系统,其特征在于,包括:
非线性模型预测控制器构建模块,用于在车身坐标系中建立基于时变局部模型的非线性模型预测控制器;
训练样本生成模块,用于通过所述非线性模型预测控制器构建模块所构建的基于时变局部模型的非线性模型预测控制器,控制被控对象跟踪一条预设的前方参考路径,并采集前方参考路径信息,生成训练样本;其中,所述参考路径信息包括:参考路径的横、纵坐标,以及航向角;
路径跟踪控制器构建及训练模块,用于采用预设的神经网络构建路径跟踪控制器,并采用所述训练样本生成模块所生成的训练样本训练所构建的路径跟踪控制器;其中,所述路径跟踪控制器的输入包括初始横摆角速度和所述参考路径信息,所述路径跟踪控制器的输出包括目标横摆角速度;
路径跟踪控制模块,用于利用通过所述路径跟踪控制器构建及训练模块训练好的路径跟踪控制器实现被控对象的路径跟踪控制。
6.如权利要求5所述的基于神经网络的多预瞄点路径跟踪控制系统,其特征在于,所述非线性模型预测控制器构建模块具体用于:
将预测控制器和被控对象前方一段参考路径转入每个控制周期开始时的车身坐标系,基于转化后的坐标建立基于时变局部模型的非线性模型预测控制器。
7.如权利要求5所述的基于神经网络的多预瞄点路径跟踪控制系统,其特征在于,所述路径跟踪控制器构建及训练模块具体用于:
根据训练样本的结构采用预设的神经网络构建路径跟踪控制器;
采用所述训练样本训练所构建的路径跟踪控制器。
8.如权利要求5所述的基于神经网络的多预瞄点路径跟踪控制系统,其特征在于,所述路径跟踪控制器的输入包括:初始横摆角速度、参考路径中第一个参考点的横、纵坐标及航向角,参考路径中的中间一个参考点的横、纵坐标及航向角,以及参考路径中的最后一个参考点的横、纵坐标及航向角。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211138324.2A CN115576317A (zh) | 2022-09-19 | 2022-09-19 | 一种基于神经网络的多预瞄点路径跟踪控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211138324.2A CN115576317A (zh) | 2022-09-19 | 2022-09-19 | 一种基于神经网络的多预瞄点路径跟踪控制方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115576317A true CN115576317A (zh) | 2023-01-06 |
Family
ID=84581506
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211138324.2A Pending CN115576317A (zh) | 2022-09-19 | 2022-09-19 | 一种基于神经网络的多预瞄点路径跟踪控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115576317A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117724504A (zh) * | 2024-02-07 | 2024-03-19 | 北京科技大学 | 一种基于投影面积的无人车路径跟踪控制方法及装置 |
-
2022
- 2022-09-19 CN CN202211138324.2A patent/CN115576317A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117724504A (zh) * | 2024-02-07 | 2024-03-19 | 北京科技大学 | 一种基于投影面积的无人车路径跟踪控制方法及装置 |
CN117724504B (zh) * | 2024-02-07 | 2024-04-16 | 北京科技大学 | 一种基于投影面积的无人车路径跟踪控制方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220363259A1 (en) | Method for generating lane changing decision-making model, method for lane changing decision-making of unmanned vehicle and electronic device | |
CN110646009B (zh) | 一种基于dqn的车辆自动驾驶路径规划的方法及装置 | |
Stahl et al. | Multilayer graph-based trajectory planning for race vehicles in dynamic scenarios | |
CN110989576B (zh) | 速差滑移转向车辆的目标跟随及动态障碍物避障控制方法 | |
KR102335389B1 (ko) | 자율 주행 차량의 lidar 위치 추정을 위한 심층 학습 기반 특징 추출 | |
CN111483468B (zh) | 基于对抗模仿学习的无人驾驶车辆换道决策方法和系统 | |
US20210201156A1 (en) | Sample-efficient reinforcement learning | |
KR20200096408A (ko) | 자율 주행 차량에서 3d cnn 네트워크를 사용하여 솔루션을 추론하는 lidar 위치 추정 | |
CN112433525A (zh) | 基于模仿学习及深度强化学习的移动机器人导航方法 | |
CN112015174A (zh) | 一种多agv运动规划方法、装置和系统 | |
Wang et al. | GOPS: A general optimal control problem solver for autonomous driving and industrial control applications | |
US20230419113A1 (en) | Attention-based deep reinforcement learning for autonomous agents | |
Fang et al. | Autonomous underwater vehicle formation control and obstacle avoidance using multi-agent generative adversarial imitation learning | |
CN115576317A (zh) | 一种基于神经网络的多预瞄点路径跟踪控制方法及系统 | |
CN113821035A (zh) | 无人船轨迹追踪控制方法和装置 | |
JP2022547611A (ja) | 道路シーンにおける多様な長期将来軌道のシミュレーション | |
Gao et al. | Cloud model approach for lateral control of intelligent vehicle systems | |
CN114521262A (zh) | 使用因果正确环境模型来控制智能体 | |
CN115877869A (zh) | 一种无人机路径规划方法及系统 | |
De Luca et al. | Semantic analysis of concurrent computing in decentralized IoT and robotics applications | |
CN110134042A (zh) | 车辆路径跟踪预测控制器及fpga异构加速实现方法 | |
CN112334914A (zh) | 使用生成式前导神经网络的模仿学习 | |
Merrill et al. | End-to-end multi-task machine learning of vehicle dynamics for steering angle prediction for autonomous driving | |
CN114967472A (zh) | 一种无人机轨迹跟踪状态补偿深度确定性策略梯度控制方法 | |
CN114527759A (zh) | 一种基于分层强化学习的端到端驾驶方法 |
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 |