河南科技大学专利

摘要：本发明提供一种基于结构熵和中心性算法的系统架构评价及优化方法，本发明先构建不同的信息传递网络，然后采用结构熵算法识别出任一信息传递网络中的重要路径及需要简化的非重要路径；利用中心性算法识别出任一信息传递网络中的综合中心性高的组件及简化的综合中心性低的组件，基于识别的结果对各个信息传递网络的架构进行优化。同时，结合由结构熵算法计算的有序度与由中心性算法计算的综合中心性指标衡量不同信息传递网络的复杂度，以对不同的信息传递网络进行评价。通过上述方法能够提高系统的信息传递效率和稳定性，从而建立高效的电动汽车集成热管理系统优化架构。

摘要：本发明提供一种多段式平行泊车路径规划方法，基于阿克曼转向原理，建立车辆运动学模型作为AUV的整车参考模型，为车辆设置避障安全距离，通过最大长宽参数将车辆外轮廓简化为矩形；设置起始点、临时点和目标点，基于预设的多段式路径规划方式，生成起始点和临时点之间、临时点和目标点之间的多段式目标路径；分别对各段目标路径设置优化目标，转化为非线性规划问题，通过带罚函数粒子群算法求解最优路径。本发明能够解决在泊车空间受限的场景下泊车困难、泊车效率低、路径不平滑的问题。

摘要：一种Matlab联合AMEsim获取电动汽车减速器最优传动比的方法，在AMEsim软件中建立车辆仿真模型，可以便捷地输入车辆参数，结合试验结果对仿真模型进行修正。首先根据车辆参数计算出传动比的取值范围，对取值范围内的传动比再通过定步长搜索法，依次输入到AMEsim仿真模型中进行车辆动力性仿真，对仿真结果的加速时间进行判断，筛选出符合动力性要求的传动比数据集，再以此数据集为初始种群，采用灰狼算法，以工况最低能耗为适应度函数，寻找满足动力性要求下能耗最低的减速器传动比，即为在此车辆参数下的最优传动比，省去了繁杂的人力工作，参数可替换性强，使用其他车辆参数时仅在AMEsim软件中更改对应模块的参数即可，能形成一套标准化的传动比寻优流程。

摘要：一种解决自动驾驶传感器后融合时空不连续的方法，属于汽车自动驾驶技术领域，基于Res‑Net50提取每幅图像的目标物体，用L2，1范数对连续性不强的部分进行建模，将目标物体与背景分离，融合由CNN识别的特征目标，构造时空张量立方体；利用残差学习进行迭代细化，保留输入部分点云中的可信信息，结合PRN网络结构进行调整与改进，复制原始一部分点云在进行下一步有效传递，重建不完整的点云，保证后期融合时空间结构的稳定和完整；利用SLAM‑LIMO方法基于LiDAR准确的深度估计和相机的特征跟踪能力，收集多帧图像数据的联合优化和激光点云获得的特征点的深度，提出了从LiDAR中提取图片特征点云深度方法，实现解决传感器后融合时间上不连续空间上碎片化问题。

摘要：

摘要：本发明涉及智能网联汽车定位技术领域，且公开了一种复杂环境下基于最大相关熵视惯融合定位方法，首先采用图像对齐和I MU位姿解算策略估计相机位姿；然后采用逆深度滤波方法估计种子点深度；最后使用最大相关熵多状态约束扩展卡尔曼滤波对I MU与视觉进行位姿优化，并使用词袋模型的重定位算法防止系统丢失。采用的最大相关熵多状态约束卡尔曼滤波将视觉和I MU信息融合，以达到适应更多复杂噪声环境下的车辆定位，本发明解决了在多噪声环境中，利用视惯融合定位达到安全的可靠的定位精度，使车辆安全的行驶出复杂环境路段。

摘要：本申请涉及磁悬浮车辆技术领域，提供了一种自走式磁悬浮列车，包括车体、轨道结构、悬浮系统、推进系统以及垂向限位系统。本申请通过在已知的磁悬浮列车的基础上增设能够为车体提供向下的垂向限位力的垂向限位系统，在列车行驶过程中，通过调节垂向限位系统为车体提供的垂向限位力的大小，即可使得列车在沿轨道结构行驶的过程中实际受到的悬浮力始终维持在一定的范围内，从而使得列车无论是在工况较好还是工况较差的线路上行驶时均具备较好的平稳性。

摘要：一种自动驾驶汽车变道控制方法，包括如下步骤：基于车辆变道过程中的横摆运动和侧向运动建立非线性二自由度车辆模型；根据非线性而自由度车辆模型确定状态变量和动作变量，并且确定车辆的状态空间和动作空间；根据车辆的状态空间和动作空间设置奖励函数，并且将奖励函数添加到深度确定性策略梯度算法中；在深度确定性策略梯度算法中引入基于动作值的自适应贪婪噪声和优先经验回放机制，得到变道控制算法；基于样本数据对变道控制算法进行训练得到变道控制模型；利用变道控制模型对自动驾驶汽车进行变道控制。本发明提供一种自动驾驶汽车变道控制方法，具有更强的普适性，在保证车辆变道安全的前提下，缩短变道所需的时间。

摘要：本发明公开一种基于PTO功率预测的智能驾驶拖拉机节能控制方法，包括基于MPC算法的运动控制系统，以拖拉机最大化连续作业面积和低耗能为控制目标，预测未来一段时域内拖拉机速度和加速度，将预测的拖拉机速度和加速度传递给基于庞特里亚金极小值原理的能量管理系统，为其提供数据支撑；基于马尔可夫预测模型的PTO功率预测系统预测出未来一段时域内拖拉机PTO功率，将预测的拖拉机PTO功率传递给基于庞特里亚金极小值原理的能量管理系统，为其提供数据支撑；基于庞特里亚金极小值原理的能量管理系统通过预测的拖拉机速度和加速度及预测的拖拉机PTO功率获得最佳燃料电池输出功率以提升经济性，其将运动控制、PTO功率预测和能量管理相结合，提高预测准确性。

摘要：本发明提供了一种基于深度学习的复杂道路环境车道线检测方法，包括以下步骤：获取CULane图像数据集；调整图像分辨率进行图像增强，将处理后的车道线图像作为车道线检测系统的训练数据集；建立基于局部和全局的复杂道路环境车道线检测网络模型，建立车道线模型，构建损失函数，训练车道线检测网络模型直至网络收敛，得到最佳网络模型权重参数；车道线检测系统加载最佳模型权重参数，将汽车前置摄像头采集的道路图像作为输入，经过检测网络处理获得用于判定不同车道线的车道标记点集；对各条车道线使用多项式回归进行参数拟合，得到每条车道线的参数集，根据参数集在原始图像上依次绘制车道线，实现车道线检测的可视化。