[发明专利]一种基于人工神经网络的无人车控制参数选取方法有效
申请号: | 201910582845.9 | 申请日: | 2019-07-01 |
公开(公告)号: | CN110456634B | 公开(公告)日: | 2022-06-21 |
发明(设计)人: | 李仲兴;窦国伟;柳亚子;江洪 | 申请(专利权)人: | 江苏大学 |
主分类号: | G05B13/04 | 分类号: | G05B13/04 |
代理公司: | 暂无信息 | 代理人: | 暂无信息 |
地址: | 212013 江*** | 国省代码: | 江苏;32 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 人工 神经网络 无人 控制 参数 选取 方法 | ||
1.一种基于人工神经网络的无人车控制参数选取方法,其特征是包括以下步骤:
(1)从已有的无人车试验数据中收集前一段时间内的车况与路况信息,包括前一段时间内的横向速度Vk、纵向速度Sk、横向位移误差Δyk、纵向速度误差ΔVk、路面曲率半径Rk、路面附着系数μk、预测时域Tpk与预测周期Tk;
(2)对所收集的信息进行整理分类,获得不同的车况与路况信息,根据不同的车况与路况信息建立时间段内的初始数据训练集;
(3)构建人工神经网络控制参数选取模型,模型的六个输入量是横向速度Vk、纵向速度Sk、横向位移误差Δyk、纵向速度误差ΔVk、路面曲率半径Rk以及路面附着系数μk,模型的两个期望输出量是预测时域Tpk和预测周期Tk;
(4)采集无人车实时行驶的车况与路况信息,包括横向速度Vk、纵向速度Sk、横向位移误差Δyk、纵向速度误差ΔVk、路面曲率半径Rk以及路面附着系数μk;将采集的车况与路况信息作为人工神经网络控制参数选取模型的输入,得到两个最优的控制参数预测时域Tpk与预测周期Tk。
2.根据权利要求1所述的一种基于人工神经网络的无人车控制参数选取方法,其特征是:步骤(2)中,对Tpk整理分类为从小到大的{Tp1 Tp2 Tp3 Tp4 Tp5 Tp6};Tk整理分类为从小到大的{T1 T2 T3 T4};Vk整理分类为{V1 V2 V3 V4 V5 V6 V7},V1表示横向速度小于1m/s,V2表示横向速度在[1~2)m/s之间,V3表示横向速度在[2~3)m/s之间,V4表示横向速度在[3~4)m/s之间,V5表示横向速度在[4~5)m/s之间,V6表示横向速度在[5~6]m/s之间,V7表示横向速度大于6m/s;Sk整理分类为{S1 S2 S3 S4 S5 S6 S7},S1表示纵向速度小于5m/s,S2表示纵向速度在[5~8)m/s之间,S3表示纵向速度在[8~11)m/s之间,S4表示纵向速度在[11~17)m/s之间,S5表示纵向速度在[17~22)m/s之间,S6表示纵向速度在[22~28]m/s之间,S7表示纵向速度大于28m/s;Δyk整理分类为{Δy1 Δy2 Δy3 Δy4 Δy5 Δy6},Δy1表示横向位移误差小于0.1m,Δy2表示横向位移误差在[0.1~0.2)m之间,Δy3表示横向位移误差在[0.2~0.3)m之间,Δy4表示横向位移误差在[0.3~0.5)m之间,Δy5表示横向位移误差在[0.5~0.7]m之间,Δy6表示横向位移误差大于0.7m;ΔVk整理分类为{ΔV1 ΔV2 ΔV3 ΔV4},ΔV1表示纵向速度误差小于0.1m/s,ΔV2表示纵向速度误差在[0.1~0.2)m/s之间,ΔV3表示纵向速度误差在[0.2~0.3]m/s之间,ΔV4表示纵向速度误差大于0.3m/s;Rk整理分类为{R1R2 R3 R4 R5 R6 R7 R8},R1表示路面曲率半径小于30m,R2表示路面曲率半径在[30~60)m之间,R3表示路面曲率半径在[60~100)m之间,R4表示路面曲率半径在[100~200)m之间,R5表示路面曲率半径在[200~300)m之间,R6表示路面曲率半径在[300~600)m之间,R7表示路面曲率半径在[600~1000]m,R8表示路面曲率半径大于1000m;μk整理分类为{μ1 μ2 μ3 μ4μ5},μ1表示路面附着系数小于0.2,μ2表示路面附着系数在[0.2~0.4)之间,μ3表示路面附着系数在[0.4~0.6)之间,μ4表示路面附着系数在[0.6~0.8]之间,μ5表示路面附着系数大于0.8。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于江苏大学,未经江苏大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201910582845.9/1.html,转载请声明来源钻瓜专利网。