CN117521241A - 基于混合动力学模型的汽车运动状态预测系统及方法 - Google Patents
基于混合动力学模型的汽车运动状态预测系统及方法 Download PDFInfo
- Publication number
- CN117521241A CN117521241A CN202311409977.4A CN202311409977A CN117521241A CN 117521241 A CN117521241 A CN 117521241A CN 202311409977 A CN202311409977 A CN 202311409977A CN 117521241 A CN117521241 A CN 117521241A
- Authority
- CN
- China
- Prior art keywords
- model
- automobile
- module
- prediction
- state
- 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
- 230000033001 locomotion Effects 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000007246 mechanism Effects 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims description 28
- 230000001133 acceleration Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 6
- 239000000725 suspension Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013016 damping Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 2
- 238000012827 research and development Methods 0.000 abstract description 2
- 238000010801 machine learning Methods 0.000 description 6
- 238000003066 decision tree Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
- 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
- B60W50/0097—Predicting future conditions
-
- 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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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]
- G06F30/20—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Automation & Control Theory (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Mathematical Optimization (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Pure & Applied Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Mathematical Analysis (AREA)
- Mechanical Engineering (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了基于混合动力学模型的汽车运动状态预测系统及方法,包括采集汽车当前状态量模块、汽车机理模型建立模块、预测结果输出模块、原始数据对比模块、误差数据输出模块、XGB预测模型运行模块和补偿结果输出模块,所述采集汽车当前状态量模块控制连接有汽车机理模型建立模块和XGB预测模型运行模块;该发明,采用XGBoost模型,学习一个补偿模型,从而降低机理模型的误差,提高模型的准确性;该方法的优点在于,通过应用XGBoost方法对模型进行提升,可以得到更加准确和可靠的汽车运动模型,为后续的控制算法提供更加准确和可靠模型基础,从而提高汽车的运动控制性能;该方法适用于汽车工业领域,可广泛应用于各类汽车控制系统的研究和开发中。
Description
技术领域
本发明涉及汽车工业技术领域,具体为基于混合动力学模型的汽车运动状态预测系统及方法。
背景技术
在汽车工业领域,汽车状态预测是一个非常重要的技术。预测汽车的状态可以提高汽车的车辆运动控制性能和行驶稳定性,从而提高乘坐的舒适性和安全性。传统的汽车状态预测方法通常采用数学建模或者机器学习算法来建立汽车模型,从而预测汽车的状态。例如,常用的基于物理学定律的建模方法有解析法、有限元法等,这些方法需要大量的计算和参数配置,计算过程比较复杂。而基于机器学习的方法如支持向量机、神经网络、决策树等,通常可以通过大量数据来自动化地学习汽车模型,但是所得模型缺乏可解释性、训练过程较慢,模型的泛化性能也较难把握。
针对这些技术存在的问题,近年来,越来越多的研究人员开始探索将机理模型和数据驱动的机器学习模型相结合的混合建模方法。XGBoost是一种基于决策树的集成学习模型,具有优异的准确性、可扩展性以及通用性,不仅可用于分类问题,也可以用于回归问题,因此被广泛用于各种机器学习和数据挖掘任务中。将XGBoost模型应用于汽车动力学建模可以有效地提高模型的精度,同时也可以降低训练和预测的复杂度。因此,本发明提供了基于混合动力学模型的汽车运动状态预测系统及方法,针对现有技术的问题进行了有效的改进,具有重要的实际应用的价值。
发明内容
本发明的目的在于提供基于混合动力学模型的汽车运动状态预测系统及方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:基于混合动力学模型的汽车运动状态预测系统,包括采集汽车当前状态量模块、汽车模型建立模块、预测结果输出模块、原始数据对比模块、误差数据输出模块、XGB预测模型运行模块和补偿结果输出模块,所述采集汽车当前状态量模块控制连接有汽车机理模型建立模块和XGB预测模型运行模块,汽车机理模型建立模块控制连接有预测结果输出模块,预测结果输出模块控制连接有原始数据对比模块。
优选的,所述原始数据对比模块控制连接有误差数据输出模块。
优选的,所述误差数据输出模块控制连接在XGB预测模型运行模块上。
优选的,所述XGB预测模型运行模块控制连接有补偿结果输出模块。
基于混合动力学模型的汽车运动状态预测方法,包括步骤一,数据采集;步骤二,建立模型;步骤三,算法计算;步骤四,结果输出;
其中上述步骤一中,利用设置的采集汽车当前状态量模块采集和准备真实场景下的汽车运动状态数据,针对车辆悬架控制场景包括汽车的车身垂向加速度,俯仰角加速度、侧倾角加速度、悬架动行程和轮胎动位移等状态信息;通过使用车载IMU传感器获取三轴六向的加速度和角速度信息、以及使用状态估计计算出其他所需信息;最后将其存储在计算机中供后续使用;每条数据的为一个四元组;
其中上述步骤二中,基于步骤一中收集到的数据,利用汽车机理模型建立模块建立汽车七自由度模型;该模型在训练和应用阶段分别由不同的作用,在训练阶段,通过该模型对下一个状态的预测spredict,并且将预测的结果通过预测结果输出模块进行输出,在真实状态下运行时,通过预测的结果与实际的汽车状态通过设置的原始数据对比模块进行数据对比,从而将对比后的数据误差通过设置的误差数据输出模块进行输出,即输出下一个状态s′计算预测误差,并存入数据集中,作为标签在后续训练中使用;
其中上述步骤三中,将当前的状态s作为xi,将预测误差s′-spredict作为yi,将采集到的数据集分为训练集和测试集;将训练集数据输入到XGB预测模型运行模块中进行计算,即输入到XGBoost算法中进行训练,得到一个可供预测使用的模型;在此过程中,XGBoost算法通过迭代学习并不断调整树结构,从而得到更好的泛化能力,提高模型的鲁棒性和预测准确度;
其中上述步骤四中,对于当前状态s,将通过汽车机理模型建立模块预测结果作为一次预测结果spredict,再使用训练好的XGBoost模型对误差进行预测,得到fT(s),对汽车状态的预测误差进行修正,这样最终的状态预测为:fT(s)+spredict,随后将预测的最后状态通过补偿结果输出模块进行输出,从而提高汽车模型预测的准确性。
优选的,所述步骤一中,四元组包括:汽车状态s,路面状态q,阻尼力u以及下一个汽车状态s′。
优选的,所述步骤二中,七自由度模型包含汽车的垂向、俯仰,侧倾运动。
优选的,所述步骤三中,XGBoost算法步骤如下:
1)初始化模型:f0(x)=0;
2)对于t=1,2,...,T循环:
a.计算残差:根据当前模型的预测结果ft-1(x),计算残差rit=yi-ft-1(xi),生成一个新的样本集D′={(x1,r1t),(x2,r2t),...,(xn,rnt)}
b.对新生成的样本集D′进行梯度提升(gradient boosting):
i.计算样本权重wit,使得损失函数对误差的增量最大化:
ii.构建一个回归树,拟合样本集D′,基于样本权重wit,计算该树的输出ht(x):
其中,j表示树的叶子节点个数,Rjt表示第j个叶子节点上的区域;
c.更新模型:使用下列公式更新模型:
其中,wj,t是在t轮中第j个叶子节点的权重,v是学习率。
与现有技术相比,本发明的有益效果是:
1)根据汽车运动的物理特性,建立七自由度机理模型,对汽车运动状态进行建模;七自由度模型包含汽车的俯仰和侧倾运动,能够更加全面、准确地反映汽车的运动状态,提高汽车状态预测的可靠性;
2)根据七自由度物理模型对汽车运动状态进行预测,得到预测的误差数据;基于预测误差数据,利用XGBoost算法,学习一个补偿模型,以此提高汽车状态预测的准确性和精度;
3)通过提供准确且可靠的训练数据,有助于提高汽车的运动控制性能;该方法所提供的训练数据精度更高,能够更好地拟合汽车运动状态并为控制算法提供更为准确的依据,有助于提高悬架控制性能;
因此,该方法的创新点包括采用XGBoost学习补偿模型、七自由度模型的建模和应用以及提供准确且可靠的训练数据,这些技术的应用能够大大提高汽车状态预测的准确性和精度,为汽车控制系统的研究和开发提供技术支持和创新思路。
附图说明
图1为本发明的整体模块图;
图2为本发明的设计原理图;
图3为本发明的方法流程图;
图中:1、采集汽车当前状态量模块;2、汽车机理模型建立模块;3、预测结果输出模块;4、原始数据对比模块;5、误差数据输出模块;6、XGB预测模型运行模块;7、补偿结果输出模块。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-2,本发明提供的一种实施例:基于混合动力学模型的汽车运动状态预测系统,包括采集汽车当前状态量模块1、汽车机理模型建立模块2、预测结果输出模块3、原始数据对比模块4、误差数据输出模块5、XGB预测模型运行模块6和补偿结果输出模块7,采集汽车当前状态量模块1控制连接有汽车机理模型建立模块2和XGB预测模型运行模块6,汽车机理模型建立模块2控制连接有预测结果输出模块3,预测结果输出模块3控制连接有原始数据对比模块4,原始数据对比模块4控制连接有误差数据输出模块5,误差数据输出模块5控制连接在XGB预测模型运行模块6上,XGB预测模型运行模块6控制连接有补偿结果输出模块7。
请参阅图3,本发明提供的一种实施例:基于混合动力学模型的汽车运动状态预测方法,包括步骤一,数据采集;步骤二,建立模型;步骤三,算法计算;步骤四,结果输出;
其中上述步骤一中,利用设置的采集汽车当前状态量模块1采集和准备真实场景下的汽车状态数据,包括汽车的车身垂向加速度,俯仰角加速度、侧倾角加速度、悬架动行程和轮胎动位移等状态信息;通过使用车载IMU传感器获取三轴六向的加速度和角速度信息、以及使用状态估计计算出其他所需信息;最后将其存储在计算机中供后续使用;每条数据的为一个四元组,四元组包括:汽车状态s,路面状态q,阻尼力u以及下一个汽车状态s′;
其中上述步骤二中,基于步骤一中收集到的数据,利用汽车机理模型建立模块2建立汽车七自由度模型;七自由度模型包含汽车的垂向、俯仰,侧倾运动;该模型在训练和应用阶段分别由不同的作用,在训练阶段,通过该模型对下一个状态的预测spredict,并且将预测的结果通过预测结果输出模块3进行输出,在真实状态下运行时,通过预测的结果与实际的汽车状态通过设置的原始数据对比模块4进行数据对比,从而将对比后的数据误差通过设置的误差数据输出模块5进行输出,即输出下一个状态s′计算预测误差,并存入数据集中,作为标签在后续训练中使用;
其中上述步骤三中,将当前的状态s作为xi,将预测误差s′-spredict作为yi,将采集到的数据集分为训练集和测试集;将训练集数据输入到XGB预测模型运行模块6中进行计算,即输入到XGBoost算法中进行训练,得到一个可供预测使用的模型;在此过程中,XGBoost算法通过迭代学习并不断调整树结构,从而得到更好的泛化能力,提高模型的鲁棒性和预测准确度;XGBoost算法步骤如下:
1)初始化模型:f0(x)=0;
2)对于t=1,2,...,T循环:
a.计算残差:根据当前模型的预测结果ft-1(x),计算残差rit=yi-ft-1(xi),生成一个新的样本集D′={(x1,r1t),(x2,r2t),...,(xn,rnt)}
b.对新生成的样本集D′进行梯度提升(gradient boosting):
i.计算样本权重wit,使得损失函数对误差的增量最大化:
ii.构建一个回归树,拟合样本集D′,基于样本权重wit,计算该树的输出ht(x):
其中,j表示树的叶子节点个数,Rjt表示第j个叶子节点上的区域;
c.更新模型:使用下列公式更新模型:
其中,wj,t是在t轮中第j个叶子节点的权重,v是学习率;
其中上述步骤四中,对于当前状态s,将通过汽车机理模型建立模块2预测结果作为一次预测结果spredict,再使用训练好的XGBoost模型对误差进行预测,得到fT(s),对汽车状态的预测误差进行修正,这样最终的状态预测为:fT(s)+spredice,随后将预测的最后状态通过补偿结果输出模块7进行输出,从而提高汽车模型预测的准确性。
基于上述,本发明的优点在于,该发明,通过利用机理模型和数据驱动的机器学习模型相结合的混合建模方法;XGBoost是一种基于决策树的集成学习模型,具有优异的准确性、可扩展性以及通用性,不仅可用于分类问题,也可以用于回归问题,因此被广泛用于各种机器学习和数据挖掘任务中;将XGBoost模型应用于汽车动力学建模可以有效地提高模型的精度,同时也可以降低训练和预测的复杂度,该方法利用XGBoost算法对汽车模型进行优化和提升,提高汽车状态预测的准确性和预测能力,进而为后续的控制算法提供更加准确和可靠的训练数据,有助于提高汽车的悬架控制性能,可广泛应用于各类汽车控制系统的研究和开发中。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (8)
1.基于混合动力学模型的汽车运动状态预测系统,包括采集汽车当前状态量模块(1)、汽车模型建立模块(2)、预测结果输出模块(3)、原始数据对比模块(4)、误差数据输出模块(5)、XGB预测模型运行模块(6)和补偿结果输出模块(7),其特征在于:所述采集汽车当前状态量模块(1)控制连接有汽车模型建立模块(2)和XGB预测模型运行模块(6),汽车机理模型建立模块(2)控制连接有预测结果输出模块(3),预测结果输出模块(3)控制连接有原始数据对比模块(4)。
2.根据权利要求1所述的基于混合动力学模型的汽车运动状态预测系统,其特征在于:所述原始数据对比模块(4)控制连接有误差数据输出模块(5)。
3.根据权利要求2所述的基于混合动力学模型的汽车运动状态预测系统,其特征在于:所述误差数据输出模块(5)控制连接在XGB预测模型运行模块(6)上。
4.根据权利要求3所述的基于混合动力学模型的汽车运动状态预测系统,其特征在于:所述XGB预测模型运行模块(6)控制连接有补偿结果输出模块(7)。
5.基于混合动力学模型的汽车运动状态预测方法,包括步骤一,数据采集;步骤二,建立模型;步骤三,算法计算;步骤四,结果输出;其特征在于:
其中上述步骤一中,利用设置的采集汽车当前状态量模块(1)采集和准备真实场景下的汽车状态数据,针对车辆的悬架控制场景,状态数据包括汽车的车身垂向加速度,俯仰角加速度、侧倾角加速度、悬架动行程和轮胎动位移等状态信息;通过使用车载IMU传感器获取三轴六向的加速度和角速度信息、以及使用状态估计计算出其他所需信息;最后将其存储在计算机中供后续使用;每条数据的为一个四元组;
其中上述步骤二中,基于步骤一中收集到的数据,利用汽车机理模型建立模块(2)建立汽车七自由度模型;该模型在训练和应用阶段分别由不同的作用,在训练阶段,通过该模型对下一个状态的预测spredict,并且将预测的结果通过预测结果输出模块(3)进行输出,在真实状态下运行时,通过预测的结果与实际的汽车状态通过设置的原始数据对比模块(4)进行数据对比,从而将对比后的数据误差通过设置的误差数据输出模块(5)进行输出,即输出下一个状态s′计算预测误差,并存入数据集中,作为标签在后续训练中使用;
其中上述步骤三中,将当前的状态s作为xi,将预测误差s′-spredict作为yi,将采集到的数据集分为训练集和测试集;将训练集数据输入到XGB预测模型运行模块(6)中进行计算,即输入到XGBoost模型中进行训练,得到一个可供预测使用的模型;在此过程中,XGBoost训练算法通过迭代学习并不断调整树结构,从而得到更好的泛化能力,提高模型的鲁棒性和预测准确度;
其中上述步骤四中,对于当前状态s,将通过汽车机理模型建立模块(2)预测结果作为一次预测结果spredict,再使用训练好的XGBoost模型对误差进行预测,得到fT(s),对汽车状态的预测误差进行修正,这样最终的状态预测为:fT(s)+spredict,随后将预测的最后状态通过补偿结果输出模块(7)进行输出,从而提高汽车模型预测的准确性。
6.根据权利要求5所述的基于混合动力学模型的汽车运动状态预测方法,其特征在于:所述步骤一中,四元组包括:车辆状态s,路面状态q,阻尼力u以及下一个车辆状态s′。
7.根据权利要求5所述的基于混合动力学模型的汽车运动状态预测方法,其特征在于:所述步骤二中,七自由度模型包含汽车的垂向、俯仰,侧倾运动。
8.根据权利要求5所述的基于混合动力学模型的汽车运动状态预测方法,其特征在于:所述步骤三中,XGBoost算法步骤如下:
1)初始化模型:f0(x)=0;
2)对于t=1,2,...,T循环:
a.计算残差:根据当前模型的预测结果ft-1(x),计算残差rit=yi-ft-1(xi),生成一个新的样本集D′={(x1,r1t),(x2,r2t),...,(xn,rnt)}
b.对新生成的样本集D′进行梯度提升(gradient boosting):
i.计算样本权重wit,使得损失函数对误差的增量最大化:
ii.构建一个回归树,拟合样本集D′,基于样本权重wit,计算该树的输出ht(x):
其中,j表示树的叶子节点个数,Rjt表示第j个叶子节点上的区域;
c.更新模型:使用下列公式更新模型:
其中,wj,t是在t轮中第j个叶子节点的权重,ν是学习率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311409977.4A CN117521241A (zh) | 2023-10-27 | 2023-10-27 | 基于混合动力学模型的汽车运动状态预测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311409977.4A CN117521241A (zh) | 2023-10-27 | 2023-10-27 | 基于混合动力学模型的汽车运动状态预测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117521241A true CN117521241A (zh) | 2024-02-06 |
Family
ID=89752278
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311409977.4A Pending CN117521241A (zh) | 2023-10-27 | 2023-10-27 | 基于混合动力学模型的汽车运动状态预测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117521241A (zh) |
-
2023
- 2023-10-27 CN CN202311409977.4A patent/CN117521241A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109885883B (zh) | 一种基于gk聚类算法模型预测的无人车横向运动的控制方法 | |
US6415272B1 (en) | System for intelligent control based on soft computing | |
CN113386781B (zh) | 一种基于数据驱动车辆动力学模型的智能车辆轨迹跟踪控制方法 | |
US6212466B1 (en) | Optimization control method for shock absorber | |
CN107015477B (zh) | 基于状态反馈的车辆路径跟踪h∞控制方法 | |
US6463371B1 (en) | System for intelligent control of a vehicle suspension based on soft computing | |
CN114379583B (zh) | 一种基于神经网络动力学模型的自动驾驶车辆轨迹跟踪系统及方法 | |
CN112356830A (zh) | 一种基于模型强化学习的智能泊车方法 | |
CN111258218B (zh) | 基于最大相关熵准则的智能车辆路径跟踪方法 | |
CN113671962B (zh) | 一种无人驾驶铰接式清扫车的横向控制方法 | |
CN111159642B (zh) | 一种基于粒子滤波的在线轨迹预测方法 | |
CN116560223A (zh) | 一种基于物理信息神经网络的智能车辆动力学模型、ilqr控制算法及轨迹跟踪控制器 | |
CN111930112A (zh) | 一种基于mpc的智能车辆路径跟踪控制方法及系统 | |
CN116486356A (zh) | 一种基于自适应学习技术的狭窄场景轨迹生成方法 | |
Xiong et al. | Steering actuator fault diagnosis for autonomous vehicle with an adaptive denoising residual network | |
CN114802817A (zh) | 一种基于多飞轮阵列的卫星姿态控制的方法以及装置 | |
CN113341696A (zh) | 一种运载火箭姿态控制参数智能整定方法 | |
CN117521241A (zh) | 基于混合动力学模型的汽车运动状态预测系统及方法 | |
CN113705865B (zh) | 一种基于深度神经网络的汽车稳定性因数预测方法 | |
CN114359349B (zh) | 一种用于车辆自适应路径跟踪的终身学习方法及系统 | |
CN116415494A (zh) | 一种路噪优化方法、系统及存储介质 | |
CN115343950A (zh) | 一种适应复杂路面的车辆路径跟踪控制方法及控制系统 | |
CN116774576A (zh) | 基于神经网络间接估计的水下航行器动力学黑盒建模方法 | |
CN114200936A (zh) | 基于最优控制及宽度学习的agv实时路径规划方法 | |
CN111708977A (zh) | 一种基于神经网络的轮胎力在线估计方法 |
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 |