北京理工大学专利

摘要：本发明提供了一种基于深度强化学习的自动驾驶端对端纵向运动控制方法，基于马尔科夫决策过程建立的强化学习模型，在仿真环境实现模型训练。在云端完成训练后进行实车部署，车载域控制器实时地将感知信息作为输入，输出电机和制动器力矩的指令，实现了对智能网联电动汽车的端对端纵向运动控制。对于强化学习模型训练初始化，利用了分层控制策略的预训练结果，从而以模仿学习的方式使训练大大加速，结合对多个目标优化也使训练好的模型性能显著提高。在端对端控制失效时由车辆自身完成控制决策，并且在自动驾驶策略都失效后转由驾驶员接管，如此以冗余机制充分保证了控制稳定性与行驶安全性。

摘要：本发明公开了一种基于分体式飞行车辆的自动驾驶感知系统和运行方法，包括：底盘、座舱、无人机、布置在分体式飞行车辆上的自动驾驶感知系统和决策规划系统。底盘顶部可拆卸安装座舱，无人机底部可拆卸安装座舱；自动驾驶感知系统包括：激光雷达、相机、计算平台；激光雷达获取点云数据；相机获取图像数据；计算平台根据得到的点云数据和图像数据处理并计算得到障碍物的位置和尺寸信息，获取感知结果并发布给决策规划系统；决策规划系统根据计算平台得到的感知结果做出决策并规划路径，辅助分体式飞行车辆避开障碍物。本发明的优点是：底盘、座舱和无人机三个模块均布置了感知传感器，不同传感器信息融合，增大了视野范围，获取更加丰富的环境信息，以实现不同模块的精准对接以及保障各个阶段行驶过程中的安全。

摘要：本发明涉及一种基于多智能体强化学习的自动驾驶车辆控制方法，属于人工智能和自动驾驶技术领域。针对自动驾驶车辆场景，本方法提出了一个用于AVs的多智能体自适应决策框架。首先考虑乘客的个性化需求，为AVs制定不同的驾驶风格，用于后续决策建模过程中。利用联盟博弈和V2V通信，以每个网联自动驾驶车辆CAV为中心划分多智能体系统，从而构建合作决策区域。然后，基于模型预测控制中的滚动时域，构建了一个深度强化学习决策框架，以实现CAV在合作区域里的运动决策。在完全自动驾驶车辆的场景下，本发明不仅能够保证在高速主干车道上的安全性和效率，而且对于匝道合流区域的安全性、舒适度和效率也能够得到保障。

摘要：本发明涉及一种基于自监督模仿学习的驾驶控制方法，属于自动驾驶强化学习技术领域。包括：生成自动驾驶任务数据集；确定所述观测图像中锚节点的t时刻潜在表示，及与所述锚节点相关样本的潜在表示；将潜在空间中小于t时刻的潜在表示z≤t进行整合，产生所述t时刻上下文潜在表示ct；利用密度比器保留t+k时刻的观测图像st+k和所述ct之间的有效信息；将不同自动驾驶场景观测图像经由训练好的编码器后计算代价函数，所述代价函数更新后传入到模仿学习目标公式中进行策略网络的更新。本发明能够通过降维映射来缓解高维数据学习策略中所面临的维度灾难，提取图像观测数据中与任务相关性更强的高密度信息，提升模型样本的采样效率。

摘要：本发明提供一种考虑热安全与耐久性的氢燃料电池汽车能量管理方法，包括如下步骤：S1燃料电池混合动力电动汽车状态信息获取与负载功率计算；S2燃料电池混合动力电动汽车能量管理控制器设计与车辆动力系统模型搭建；S3燃料电池能量管理反馈评价系统构建。本发明通过深度神经网络建立的强化学习控制方法，实现氢燃料电池混合动力电动汽车的实时能量优化管理与分配；通过建立反馈评价系统，在氢燃料电池混合动力电动汽车能量管理系统中，实现均衡管理，减少系统燃料消耗量，保障系统热安全，实现系统热防护，同时延长系统生命周期，提升系统耐久性。

摘要：本发明公开一种双电机嵌套轮毂驱动系统及其控制方法，包括第一电动机，第二电动机，复合行星齿轮减速机构和轮毂；所述第二电动机与所述第一电动机同轴嵌套布置；所述第一电动机，第二电动机分别通过所述复合行星齿轮减速机构与所述轮毂传动连接；本发明采用两电机嵌套布置的形式，与传统变速器相比模式切换构件数量少；能够实现多种动力传动模式，结构简单紧凑，操纵简单，易于布置，能大幅节省布置空间，有利于轮毂驱动的整体布置。

摘要：本发明提供了一种适用于极寒环境快速冷启动的混合动力车辆驱动系统，能够在低温条件下利用锂电池组所提供的少量电能，通过六相发电机绕组结合双三相可控整流模块的桥臂选通控制，使锂电池组实现交流内部加热。在此基础上，该系统还提供了利用外部加热模块及外部循环系统加热的功能，可根据实际需要与交流内部加热灵活组合叠加使用，从而能够使锂电池组迅速升温同时使发动机迅速预热。该系统结构只需对现有混动车辆进行少量改进即可实现，具有较高的可靠性与较低的成本，降低了设备维护成本和维修周期，且对于多种不同车型均能良好适用。

摘要：本发明公开了一种基于图神经网络强化学习的无人公交集群决策方法，本发明属于无人驾驶汽车领域，包括：S1获取无人驾驶公交的当前场景，将场景编码为图结构，获得第一状态；S2基于第一状态得到特征矩阵、邻接矩阵和掩码矩阵；S3将特征矩阵与邻接矩阵输入当前网络，通过掩码矩阵过滤后输出每辆无人驾驶公交的动作，根据内部动态奖励函数和能量消耗模型得到当前网络奖励值，产生第二状态，得到一个四元组；S4基于第二状态，执行S2‑S3，输出第二状态对用动作，得到对应奖励值，再次获得新的状态，循环执行S2‑S3；S5基于四元组，利用反向传播训练网络，更新网络参数。本发明综合考虑多种任务的完成、效率的提升、能量的节约与乘客的舒适性。

摘要：本发明提供了一种驾驶员意图预测与意图轨迹更新方法，其首先基于CTRV模型的轨迹预测，以当前时刻的车辆状态作为初始条件，在短时间范围内能够对驾驶员的操作意图及车辆的未来轨迹预测有较高的准确性，再基于结构化道路设计的五次多项式轨迹，根据驾驶员意图得到符合乘坐舒适性的长期意图轨迹。通过两者的结合，可以较为准确的表达车辆的长短期的综合预测轨迹。方法在每个预测周期对驾驶员操作意图进行判断，进行意图轨迹的动态更新，避免了因驾驶员主动换道、避让障碍而产生的人机冲突问题，还避免了辅助系统对驾驶员的过度干预问题。

摘要：本发明涉及一种电动汽车踏板机构的测试设备。该测试设备包括机架和下压组件。机架用于连接踏板机构；下压组件用于下压所述踏板机构的下压头和下压缸，所述下压缸连接所述机架，所述下压头连接所述下压缸，用于在所述下压缸驱动下沿竖直方向移动地下压所述踏板机构。上述的电动汽车踏板机构的测试设备可以将踏板机构连接于机架，通过下压组件对踏板机构进行下压检测，利用机器测试代替人工测试，能够进行长时间测试并做到多次反复测试，保证测试数据的准确性并且节省时间、降低劳动强度。