CN106054893A - 智能车的控制***和方法 - Google Patents
智能车的控制***和方法 Download PDFInfo
- Publication number
- CN106054893A CN106054893A CN201610510460.8A CN201610510460A CN106054893A CN 106054893 A CN106054893 A CN 106054893A CN 201610510460 A CN201610510460 A CN 201610510460A CN 106054893 A CN106054893 A CN 106054893A
- Authority
- CN
- China
- Prior art keywords
- intelligent vehicle
- neural network
- dynamic fuzzy
- control
- fuzzy neural
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 claims abstract description 80
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 238000013138 pruning Methods 0.000 claims abstract description 17
- 230000004888 barrier function Effects 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 9
- 108010074506 Transfer Factor Proteins 0.000 claims description 5
- 241000208340 Araliaceae Species 0.000 claims description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 235000008434 ginseng Nutrition 0.000 claims description 3
- 210000004218 nerve net Anatomy 0.000 claims 1
- 230000001276 controlling effect Effects 0.000 description 10
- 238000012937 correction Methods 0.000 description 6
- 230000007935 neutral effect Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000002604 ultrasonography Methods 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
-
- 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
- G05D1/0255—Control of position or course in two dimensions specially adapted to land vehicles using acoustic signals, e.g. ultra-sonic singals
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Acoustics & Sound (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Traffic Control Systems (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
Abstract
本发明公开了一种智能车的控制***和方法,属于车辆技术领域。所述控制***包括:检测模块,用于获取智能车的行驶信息;控制模块,用于根据所述行驶信息,确定输入参数,并将输入参数输入采用修剪算法删减节点的动态模糊神经网络,得到PID控制参数,该输入参数包括所述智能车相对车道线的位置、所述智能车与前方障碍物的间距、所述智能车的行驶速度、所述行驶速度的一次差分、所述智能车的舵角;执行模块,用于根据PID控制参数控制智能车的车速和转向角。本发明可以在不同的环境下都能够实现智能车的自动平稳运行,鲁棒性强。而且采用修剪算法对神经网络中的冗余节点进行删减,可以大大提高神经网络的运行效率。
Description
技术领域
本发明涉及车辆技术领域,特别涉及一种智能车的控制***和方法。
背景技术
智能车能自动地操纵和驾驶车辆绕开障碍物并沿着预定的道路行进,具有道路障碍自动识别、自动报警、自动制动、自动保持安全距离、车速和巡航控制等功能,智能车这种优势特性,使得其在军事、道路工程、危险探测、以及险情排除方面都有极其广泛的应用。目前,智能车已经成为了汽车领域的研究热点。
现阶段智能车的控制算法通常采用模糊神经网络实现,模糊神经网络各层的节点数量难以确定,一旦建立神经网络后,各层节点数量无法更改,通常建立的神经网络中都会存在冗余节点。由于模糊神经网络的计算量与节点数量呈现非线性正比的关系,模糊神经网络中存在的冗余节点制约了模糊神经网络的效率。
发明内容
为了解决现有技术中采用模糊神经网络控制智能车效率较低的问题,本发明实施例提供了一种智能车的控制***和方法。所述技术方案如下:
一方面,本发明实施例提供了一种智能车的控制***,所述控制***包括:
检测模块,用于获取智能车的行驶信息,所述行驶信息包括所述智能车的道路信息、所述智能车周围的障碍物、所述智能车的行驶速度、所述智能车的舵角;
控制模块,用于根据所述检测模块获取到的所述行驶信息,确定输入参数,并将所述输入参数输入采用修剪算法删减节点的动态模糊神经网络,得到比例微分积分PID控制参数,所述输入参数包括所述智能车相对车道线的位置、所述智能车与前方障碍物的间距、所述智能车的行驶速度、所述行驶速度的一次差分、所述智能车的舵角;
执行模块,用于根据所述PID控制参数控制所述智能车的车速和转向角。
具体地,所述检测模块包括:
线阵摄像头,用于采集所述智能车所在的车道图像;
超声波传感器,用于检测障碍物;
速度传感器,用于检测所述智能车的行驶速度;
角度传感器,用于检测所述智能车的舵角。
进一步地,所述检测模块还包括:
放大电路,用于将超声波传感器检测到的信号放大;
模数转换器,用于将所述放大电路放大后的信号转换为数字信号并传递给所述控制模块。
具体地,所述执行模块包括用于控制所述智能车的转向角的舵机、用于控制所述智能车的车速的电动机、以及用于控制所述舵机和所述电动机的控制电路。
优选地,所述控制***还包括通信模块,所述通信模块用于与控制计算机进行数据交换。
另一方面,本发明实施例提供了一种智能车的控制方法,所述控制方法包括:
获取智能车的行驶信息,所述行驶信息包括所述智能车的道路信息、所述智能车周围的障碍物、所述智能车的行驶速度、所述智能车的舵角;
根据所述检测模块获取到的所述行驶信息,确定输入参数,所述输入参数包括所述智能车相对车道线的位置、所述智能车与前方障碍物的间距、所述智能车的行驶速度、所述行驶速度的一次差分、所述智能车的舵角;
将所述输入参数输入采用修剪算法删减节点的动态模糊神经网络,得到比例微分积分PID控制参数;
根据所述PID控制参数控制所述智能车的车速和转向角。
可选地,所述控制方法还包括:
获取样本集,所述样本集包括多个输入样本和与多个输入样本对应一一对应的输出样本;
采用样本集对动态模糊神经网络进行训练;
采用修剪算法对动态模糊神经网络中的节点进行删除。
进一步地,所述采用修剪算法对所述动态模糊神经网络中的节点进行删除,包括:
计算删除第一节点的所述动态模糊神经网络的误差,所述第一节点为所述动态模糊神经网络中的任一个节点;
若删除第一节点后所述动态模糊神经网络的误差在设定范围内,则删除所述第一节点。
进一步地,所述采用样本集对动态模糊神经网络进行训练,包括:
将输入样本输入动态神经网络,得到动态神经网络输出的PID控制参数;
对比动态神经网络输出的PID控制参数和样本集中对应相同的输入样本的输出样本,计算动态模糊神经网络的误差;
当动态模糊神经网络的误差超过设定阈值时,根据误差调整动态模糊神经网络中的参数;
当动态模糊神经网络的误差在设定阈值内时,停止调整动态模糊神经网络中的参数。
可选地,所述控制方法还包括:
与控制计算机进行数据交换;
根据数据交换的内容修正动态模块神经网络。
本发明实施例提供的技术方案带来的有益效果是:
通过将智能车相对车道线的位置、智能车与前方障碍物的间距、智能车的行驶速度、行驶速度的一次差分、以及智能车的舵角作为动态模糊神经网络的输入参数,并根据动态模糊神经网络输出的PID控制参数控制智能车的行驶速度和舵角,可以实现智能车的自动平稳运行,鲁棒性强且控制精度高。此外,通过采用修剪算法对动态模糊神经网络中的冗余节点进行删减,可以大大提高动态模糊神经网络的运行效率。
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一种智能车的控制***的结构示意图;
图2是本发明实施例提供的一种智能车的控制方法的流程图。
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。
本发明实施例提供了一种智能车的控制***,适用于实现实施例一提供的智能车的控制方法,参见图1,该控制***包括:检测模块101、控制模块102和执行模块103。控制模块102分别与检测模块101和执行模块103连接。
其中,检测模块101用于获取智能车的行驶信息,该行驶信息包括但不限于智能车的道路信息、智能车周围的障碍物、智能车的行驶速度、智能车的舵角。控制模块102用于根据检测模块101获取到的行驶信息,确定输入参数,并将输入参数输入采用修剪算法删减节点的动态模糊神经网络,得到(proportion integral derivative,简称PID)控制参数,该输入参数包括智能车相对车道线的位置(可以包括距离车道线的距离、与车道线的夹角)、智能车与前方障碍物的间距、智能车的行驶速度、行驶速度的一次差分、智能车的舵角。执行模块103用于根据控制模块102得到的PID控制参数控制智能车的车速和转向角。
在本实施例中,检测模块101可以包括:
线阵摄像头1011,用于采集智能车所在的车道图像;
超声波传感器1012,用于检测障碍物;
速度传感器1013,用于检测智能车的行驶速度;
角度传感器1014,用于检测智能车的舵角。
其中,线阵摄像头1011、超声波传感器1012、速度传感器1013以及角度传感器1014分别与控制模块102电连接。
在具体实现中,线阵摄像头1012可以拍摄智能车两侧的车道线图像,控制模块102对图像进行车道线检测,利用图像处理算法(例如边缘检测算法等)确定智能车相对车道线的位置。超声波传感器1012在控制模块102的控制下持续发送超声波,并检测障碍物反射回的超声波,控制模块102根据超声波发送和接收的时差即可确定智能车与障碍物的间距。速度传感器1013可以直接检测智能车的行驶速度,并传输给控制模块102。角度传感器1014可以采用智能车上舵机自带的角度传感器。
检测模块101还可以包括放大电路1014和模数转换器1015,放大电路和1014和模数转换器1015串联在超声波传感器1012和控制模块102之间,以便于控制模块102读取超声波传感器1012的输出信号。具体地,放大电路1014用于将超声波传感器1012检测到的信号放大,模数转换器1015用于将放大电路1014放大后的信号转换为数字信号并传递给控制模块102。
具体地,控制模块102可以包括嵌入式微处理器,集成程度高、成本低廉、环境适应性好、应用广泛。
可选地,执行模块103可以包括用于控制智能车的转向角的舵机1031、用于控制智能车的车速的电动机1032、以及用于控制舵机1031和电动机1032的控制电路1033。具体地,控制电路1033可以包括PID控制器。
在具体实现中,执行模块103还可以包括稳压电源1034,稳压电源1034与控制电路1033连接,以实现控制电路1033对电动机1032转速的控制,进而调整智能车的行驶速度。
可选地,该控制***还可以包括:
通信模块104,用于与控制计算机进行数据交换。
具体地,数据交换的内容可以包括智能车所在的车道信息,例如车道形状(例如直线车道、左弯道、右弯道等)、车道宽度、弯道半径等信息,则控制模块102具体用于根据智能车所在的车道信息和智能车所在的车道图像,确定智能车相对车道线的位置,以使得动态模糊神经网络能够适应不同的环境。数据交换的内容还可以包括动态模糊神经网络的修正指令,该修正指令可以包括动态模糊神经网络中的参数的修正值;则控制模块102还用于根据修正值调整动态模糊神经网络中的参数,从而可以实现对车辆控制算法的在线调整。
实现时,通信模块104可以为有线通信模块,也可以为无线通信模块,无线通信模块包括但不限于移动通信模块、无线高保真(Wireless Fidelity,简称WIFI)模块等。
本发明实施例通过将智能车相对车道线的位置、智能车与前方障碍物的间距、智能车的行驶速度、行驶速度的一次差分、以及智能车的舵角作为动态模糊神经网络的输入参数,并根据动态模糊神经网络输出的PID控制参数控制智能车的行驶速度和舵角,可以实现智能车的自动平稳运行,鲁棒性强且控制精度高。此外,通过采用修剪算法对动态模糊神经网络中的冗余节点进行删减,可以大大提高动态模糊神经网络的运行效率。另外,该控制***的各部分均采用通用设备实现,简便、实用、使用灵活、实现成本低。
本发明实施例还提供了一种智能车的控制方法,该控制方法可以采用图1所示的控制***实现,参见图2,该方法包括:
步骤201:获取样本集。
在本实施例中,样本集包括多个输入样本和与多个输入样本对应一一对应的输出样本。每个输入样本包括一组输入参数,每组输入参数包括:智能车相对车道线的位置、智能车与前方障碍物的间距、智能车的行驶速度、行驶速度的一次差分、智能车的舵角。每个输出样本包括一组PID控制参数。
步骤202:采用样本集对动态模糊神经网络进行训练。
具体地,采用样本集对动态模糊神经网络进行训练即采用样本集对动态模糊神经网络中的参数进行调整。
具体地,动态模糊神经网络通常包括输入层、模糊化层、规则层、归一化层、递归层和输出层。其中,各层均包括多个节点,相邻两层的任意两个节点之间配置有一个参数,即动态模糊神经网络中的参数。
可选地,该步骤202可以包括:
将输入样本输入动态神经网络,得到动态神经网络输出的PID控制参数;
对比动态神经网络输出的PID控制参数和样本集中对应相同的输入样本的输出样本,计算动态模糊神经网络的误差;
当动态模糊神经网络的误差超过设定阈值时,根据误差调整动态模糊神经网络中的参数;
当动态模糊神经网络的误差在设定阈值内时,停止调整动态模糊神经网络中的参数。
具体地,对比动态神经网络输出的PID控制参数和样本集中对应相同的输入样本的输出样本,计算动态模糊神经网络的误差,可以包括:
按照如下公式计算动态模糊神经网络的误差:
E=|x-a|/a;
其中,E为误差,x为动态神经网络输出的PID控制参数,a为样本集中对应相同的输入样本的输出样本,||表示求绝对值。
具体地,根据误差调整动态模糊神经网络中的参数,可以包括:
采用梯度下降法根据误差调整动态模糊神经网络中的参数。
通过不断根据输出结果调整神经网络的参数,逐步减小输出结果与理想值之间的差距,提高神经网络输出结果的准确性。
步骤203:采用修剪算法对动态模糊神经网络中的节点进行删除。
可选地,该步骤203可以包括:
计算删除第一节点的动态模糊神经网络的误差,第一节点为动态模糊神经网络中的任一个节点;
若删除第一节点后动态模糊神经网络的误差在设定范围内,则删除该第一节点。
需要说明的是,通过删除误差可接受的节点,在保证计算精度的情况下,大大提高计算效率。
需要说明的是,步骤201-步骤203为可选步骤,用于形成采用修剪算法删减节点的动态模糊神经网络。
步骤204:获取智能车的行驶信息。
在本实施例中,该行驶信息包括但不限于智能车所在的车道图像、智能车周围的障碍物、智能车的行驶速度、以及智能车的舵角。
该步骤204可以包括:
每隔设定时间获取车辆的行驶信息,以及时根据当前状况调整智能车的行驶速度和方向。
实现时,该步骤204可以采用图1中的检测模块实现。
步骤205:根据行驶信息,确定输入参数,输入参数包括智能车相对车道线的位置、智能车与前方障碍物的间距、智能车的行驶速度、所述行驶速度的一次差分、智能车的舵角。
步骤206:将输入参数输入采用修剪算法删减节点的动态模糊神经网络,得到PID控制参数。
步骤207:根据PID控制参数控制智能车的车速和转向角。
在具体实现中,可以采用PID控制器实现智能车的行驶控制。由于在低频段主要是PI控制起作用,可以消除或减少稳态误差;在中高频段主要是PD起作用,可以提高响应速度,全面地提高***控制性能。
该步骤205~步骤207可以采用图1中的控制模块实现。
可选地,该控制方法还可以包括:
与控制计算机进行数据交换。
该步骤可以通过图1中的通信模块实现。
具体地,数据交换的内容可以包括智能车所在的车道信息,例如车道形状(例如直线车道、左弯道、右弯道等)、车道宽度、弯道半径等信息,则前述智能车相对车道线的位置可以根据智能车所在的车道信息和智能车所在的车道图像确定,以使得动态模糊神经网络能够适应不同的环境。
数据交换的内容还可以包括动态模糊神经网络的修正指令,该修正指令可以包括动态模糊神经网络中的参数的修正值;则该控制方法还包括:根据修正值调整动态模糊神经网络中的参数,从而可以实现对车辆控制算法的在线调整。
本发明实施例通过将智能车相对车道线的位置、智能车与前方障碍物的间距、智能车的行驶速度、行驶速度的一次差分、以及智能车的舵角作为动态模糊神经网络的输入参数,并根据动态模糊神经网络输出的PID控制参数控制智能车的行驶速度和舵角,可以实现智能车的自动平稳运行,鲁棒性强且控制精度高。此外,通过采用修剪算法对动态模糊神经网络中的冗余节点进行删减,可以大大提高动态模糊神经网络的运行效率。
需要说明的是:上述实施例提供的智能车的控制***在控制智能车时,仅以上述各功能单元的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元完成,即将***的内部结构划分成不同的功能单元,以完成以上描述的全部或者部分功能。另外,上述实施例提供的智能车的控制***与智能车的控制方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种智能车的控制***,其特征在于,所述控制***包括:
检测模块,用于获取智能车的行驶信息,所述行驶信息包括所述智能车的道路信息、所述智能车周围的障碍物、所述智能车的行驶速度、所述智能车的舵角;
控制模块,用于根据所述检测模块获取到的所述行驶信息,确定输入参数,并将所述输入参数输入采用修剪算法删减节点的动态模糊神经网络,得到比例微分积分PID控制参数,所述输入参数包括所述智能车相对车道线的位置、所述智能车与前方障碍物的间距、所述智能车的行驶速度、所述行驶速度的一次差分、所述智能车的舵角;
执行模块,用于根据所述控制模块得到的PID控制参数控制所述智能车的车速和转向角。
2.根据权利要求1所述的控制***,其特征在于,所述检测模块包括:
线阵摄像头,用于采集所述智能车所在的车道图像;
超声波传感器,用于检测障碍物;
速度传感器,用于检测所述智能车的行驶速度;
角度传感器,用于检测所述智能车的舵角。
3.根据权利要求2所述的控制***,其特征在于,所述检测模块还包括:
放大电路,用于将超声波传感器检测到的信号放大;
模数转换器,用于将所述放大电路放大后的信号转换为数字信号并传递给所述控制模块。
4.根据权利要求1-3任一项所述的控制***,其特征在于,所述执行模块包括用于控制所述智能车的转向角的舵机、用于控制所述智能车的车速的电动机、以及用于控制所述舵机和所述电动机的控制电路。
5.根据权利要求1-3任一项所述的控制***,其特征在于,所述控制***还包括通信模块,所述通信模块用于与控制计算机进行数据交换。
6.一种智能车的控制方法,其特征在于,所述控制方法包括:
获取智能车的行驶信息,所述行驶信息包括所述智能车的道路信息、所述智能车周围的障碍物、所述智能车的行驶速度、所述智能车的舵角;
根据所述行驶信息,确定输入参数,所述输入参数包括所述智能车相对车道线的位置、所述智能车与前方障碍物的间距、所述智能车的行驶速度、所述行驶速度的一次差分、所述智能车的舵角;
将所述输入参数输入采用修剪算法删减节点的动态模糊神经网络,得到比例微分积分PID控制参数;
根据所述PID控制参数控制所述智能车的车速和转向角。
7.根据权利要求6所述的控制方法,其特征在于,所述控制方法还包括:
获取样本集,所述样本集包括多个输入样本和与所述多个输入样本对应一一对应的输出样本;
采用所述样本集对所述动态模糊神经网络进行训练;
采用修剪算法对所述动态模糊神经网络中的节点进行删除。
8.根据权利要求7所述的控制方法,其特征在于,所述采用修剪算法对所述动态模糊神经网络中的节点进行删除,包括:
计算删除第一节点的所述动态模糊神经网络的误差,所述第一节点为所述动态模糊神经网络中的任一个节点;
若删除第一节点后所述动态模糊神经网络的误差在设定范围内,则删除所述第一节点。
9.根据权利要求8所述的控制方法,其特征在于,所述采用样本集对动态模糊神经网络进行训练,包括:
将所述输入样本输入动态神经网络,得到所述动态神经网络输出的PID控制参数;
对比所述动态神经网络输出的PID控制参数和所述样本集中对应相同的输入样本的输出样本,计算所述动态模糊神经网络的误差;
当所述动态模糊神经网络的误差超过设定阈值时,根据所述误差调整动态模糊神经网络中的参数;
当所述动态模糊神经网络的误差在设定阈值内时,停止调整动态模糊神经网络中的参数。
10.根据权利要求6-9任一项所述的控制方法,其特征在于,所述控制方法还包括:
与控制计算机进行数据交换。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610510460.8A CN106054893B (zh) | 2016-06-30 | 2016-06-30 | 智能车的控制***和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610510460.8A CN106054893B (zh) | 2016-06-30 | 2016-06-30 | 智能车的控制***和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106054893A true CN106054893A (zh) | 2016-10-26 |
CN106054893B CN106054893B (zh) | 2019-07-26 |
Family
ID=57201638
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610510460.8A Expired - Fee Related CN106054893B (zh) | 2016-06-30 | 2016-06-30 | 智能车的控制***和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106054893B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107992059A (zh) * | 2018-01-08 | 2018-05-04 | 陕西理工大学 | 电磁智能车的控制方法 |
CN108196442A (zh) * | 2018-03-02 | 2018-06-22 | 广州大学 | 基于模糊神经pid控制和绝对编码器的舵机控制***及方法 |
CN108319267A (zh) * | 2018-01-30 | 2018-07-24 | 深圳汇通智能化科技有限公司 | 一种无人驾驶出租车 |
CN108859951A (zh) * | 2018-05-18 | 2018-11-23 | 武汉理工大学 | 一种汽车转向系的转向预警*** |
CN109388138A (zh) * | 2017-08-08 | 2019-02-26 | 株式会社万都 | 基于深度学习的自动驾驶车辆、自动驾驶控制装置及自动驾驶控制方法 |
CN109407666A (zh) * | 2018-10-11 | 2019-03-01 | 智久(厦门)机器人科技有限公司上海分公司 | 一种无人车辆的控制方法、装置、设备及存储介质 |
CN109739228A (zh) * | 2018-12-28 | 2019-05-10 | 创泽智能机器人股份有限公司 | 一种安防机器人的速度调节参数自训练方法 |
CN110531754A (zh) * | 2018-05-24 | 2019-12-03 | 通用汽车环球科技运作有限责任公司 | 自主车辆的控制***、控制方法和控制器 |
CN112651456A (zh) * | 2020-12-31 | 2021-04-13 | 遵义师范学院 | 基于rbf神经网络的无人车控制方法 |
CN113200086A (zh) * | 2021-06-21 | 2021-08-03 | 盐城工学院 | 一种智能车转向控制***及其控制方法 |
US11315018B2 (en) | 2016-10-21 | 2022-04-26 | Nvidia Corporation | Systems and methods for pruning neural networks for resource efficient inference |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101824948A (zh) * | 2009-03-05 | 2010-09-08 | 通用汽车环球科技运作公司 | 用于自动车辆应用的自适应控制*** |
CN102109821A (zh) * | 2010-12-30 | 2011-06-29 | 中国科学院自动化研究所 | 车辆自适应巡航控制***及方法 |
CN104532829A (zh) * | 2014-12-11 | 2015-04-22 | 贵州新联***工程集团有限公司 | 一种桩基础钢筋笼制作方法 |
CN104914867A (zh) * | 2015-06-12 | 2015-09-16 | 吉林大学 | 一种模糊神经网络的六足机器人自主导航闭环控制器 |
-
2016
- 2016-06-30 CN CN201610510460.8A patent/CN106054893B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101824948A (zh) * | 2009-03-05 | 2010-09-08 | 通用汽车环球科技运作公司 | 用于自动车辆应用的自适应控制*** |
CN102109821A (zh) * | 2010-12-30 | 2011-06-29 | 中国科学院自动化研究所 | 车辆自适应巡航控制***及方法 |
CN104532829A (zh) * | 2014-12-11 | 2015-04-22 | 贵州新联***工程集团有限公司 | 一种桩基础钢筋笼制作方法 |
CN104914867A (zh) * | 2015-06-12 | 2015-09-16 | 吉林大学 | 一种模糊神经网络的六足机器人自主导航闭环控制器 |
Non-Patent Citations (2)
Title |
---|
候立梅: "基于多传感器数据融合智能导航车的算法研究", 《中国优秀硕士学位论文全文数据库》 * |
张瀛: "基于动态剪枝算法的神经网络预测模型", 《复旦学报》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11315018B2 (en) | 2016-10-21 | 2022-04-26 | Nvidia Corporation | Systems and methods for pruning neural networks for resource efficient inference |
CN109388138B (zh) * | 2017-08-08 | 2024-05-14 | 汉拿科锐动电子股份公司 | 基于深度学习的自动驾驶车辆、自动驾驶控制装置及自动驾驶控制方法 |
CN109388138A (zh) * | 2017-08-08 | 2019-02-26 | 株式会社万都 | 基于深度学习的自动驾驶车辆、自动驾驶控制装置及自动驾驶控制方法 |
CN107992059A (zh) * | 2018-01-08 | 2018-05-04 | 陕西理工大学 | 电磁智能车的控制方法 |
CN108319267A (zh) * | 2018-01-30 | 2018-07-24 | 深圳汇通智能化科技有限公司 | 一种无人驾驶出租车 |
CN108196442A (zh) * | 2018-03-02 | 2018-06-22 | 广州大学 | 基于模糊神经pid控制和绝对编码器的舵机控制***及方法 |
CN108859951B (zh) * | 2018-05-18 | 2021-08-03 | 武汉理工大学 | 一种汽车转向系的转向预警*** |
CN108859951A (zh) * | 2018-05-18 | 2018-11-23 | 武汉理工大学 | 一种汽车转向系的转向预警*** |
CN110531754A (zh) * | 2018-05-24 | 2019-12-03 | 通用汽车环球科技运作有限责任公司 | 自主车辆的控制***、控制方法和控制器 |
CN109407666A (zh) * | 2018-10-11 | 2019-03-01 | 智久(厦门)机器人科技有限公司上海分公司 | 一种无人车辆的控制方法、装置、设备及存储介质 |
CN109739228A (zh) * | 2018-12-28 | 2019-05-10 | 创泽智能机器人股份有限公司 | 一种安防机器人的速度调节参数自训练方法 |
CN109739228B (zh) * | 2018-12-28 | 2021-12-10 | 创泽智能机器人集团股份有限公司 | 一种安防机器人的速度调节参数自训练方法 |
CN112651456A (zh) * | 2020-12-31 | 2021-04-13 | 遵义师范学院 | 基于rbf神经网络的无人车控制方法 |
CN112651456B (zh) * | 2020-12-31 | 2023-08-08 | 遵义师范学院 | 基于rbf神经网络的无人车控制方法 |
CN113200086A (zh) * | 2021-06-21 | 2021-08-03 | 盐城工学院 | 一种智能车转向控制***及其控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106054893B (zh) | 2019-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106054893A (zh) | 智能车的控制***和方法 | |
CN110018632B (zh) | 一种车辆变道控制方法和装置 | |
US11161507B2 (en) | Method and apparatus for controlling vehicle travelling, and vehicle | |
US9405293B2 (en) | Vehicle trajectory optimization for autonomous vehicles | |
US10875531B2 (en) | Vehicle lateral motion control | |
US11024178B2 (en) | System and method for autonomously steering a vehicle | |
US20180348770A1 (en) | Running track determining device and automatic driving apparatus | |
Takei et al. | A practical path-planning algorithm for a simple car: a Hamilton-Jacobi approach | |
CN111681452A (zh) | 一种基于Frenet坐标系下的无人驾驶汽车动态换道轨迹规划方法 | |
CN108710370B (zh) | 一种无人驾驶汽车的控制方法及*** | |
Li et al. | Automatic parking path planning and tracking control research for intelligent vehicles | |
JP2018116404A (ja) | 車両制御システム | |
CN116118780A (zh) | 一种车辆避障轨迹规划方法、***、车辆及存储介质 | |
CN116279596B (zh) | 车辆控制方法、装置、电子设备和计算机可读介质 | |
CN109910908A (zh) | 一种驾驶参考线处理方法、装置、车辆及服务器 | |
Aye et al. | An automatic parking system using an optimized image-based fuzzy controller by genetic algorithms | |
CN116399364A (zh) | 车辆行驶路网生成方法、装置、芯片、终端、设备和介质 | |
CN109606467A (zh) | 一种车辆转向方法和车辆 | |
CN114275041B (zh) | 自动驾驶车辆横向控制的方法、装置、车辆及存储介质 | |
CN115303288A (zh) | 一种车辆控制方法、控制装置及摄像头装置 | |
CN113759985A (zh) | 一种无人机飞行控制方法、***、装置及存储介质 | |
CN110525440B (zh) | 辅助车辆驾驶的方法和***以及车辆 | |
Karthikeyan et al. | Adaptive neuro fuzzy inference system based obstacle avoidance system for autonomous vehicle | |
CN112666950A (zh) | 一种基于超声波距离检测的无人驾驶汽车避障方法 | |
CN114564033B (zh) | 一种多旋翼无人机角度控制方法及其多旋翼无人机 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190726 |