CN108333959A - 一种基于卷积神经网络模型的机车节能操纵方法 - Google Patents
一种基于卷积神经网络模型的机车节能操纵方法 Download PDFInfo
- Publication number
- CN108333959A CN108333959A CN201810192684.8A CN201810192684A CN108333959A CN 108333959 A CN108333959 A CN 108333959A CN 201810192684 A CN201810192684 A CN 201810192684A CN 108333959 A CN108333959 A CN 108333959A
- Authority
- CN
- China
- Prior art keywords
- locomotive
- data
- convolutional neural
- neural networks
- model
- 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
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于CNN的机车智能操纵方法。其步骤为:采集有丰富驾驶经验的司机的历史驾车数据和机车运行监控日志;对采集到的数据进行特征提取,得到训练数据集和测试数据集;然后调整CNN模型参数,使用训练数据进行模型训练,迭代此步骤直至模型收敛;将训练好的CNN模型用于机车运行档位的预测;基于预测档位对测试数据集进行仿真测试,将司机实际驾驶的情况和CNN模型预测出的速度和档位曲线做对比。本发明提出的数据预处理方法、模型设计和训练方法能够充分利用数据信息,达到较好的机车档位预测效果。
Description
技术领域
本发明涉及铁路机车节能操纵领域,尤其涉及一种基卷积神经网络(CNN)模型的机车节能操纵方法。
背景技术
机车运行控制***是一个典型的多目标、多约束、非线性的复杂控制***,需要保证可靠性、安全性、准时性以及节油性,所以机车节能操纵问题是一个非线性有约束的多目标动态优化问题。而该类问题由于在解决过程中需要考虑众多复杂的约束条件,整个优化的搜索空间非常大,是一个短时间内较难搜索到最优解的问题,对其研究的现实意义重大。
现有的机车节能操纵运行的优化方法可以分为数值搜索方法、解析求解方法和启发式策略设计方法。其中数值搜索指通过数值搜索算法对操纵序列进行寻优搜索从而得到优化的操纵序列,常见的算法有遗传算法、群搜索算法、动态规划等,但是这种方式耗时长,且很难收敛到最优结果;解析求解方法指基于领域知识对操纵控制过程中不同状况下的关键转换点根据解析公式求解来得到最终的优化操纵序列,但这种方式主要缺陷是转换点的解析公式推导过程复杂,较难处理多约束条件;启发式策略设计方法是指考虑诸多复杂因素,人工通过现有领域的一些操作规范等启发式的进行策略设计,该种方式过多的引入人工的分析与设计,极大的降低了策略设计的效率,同时由于人思考范围有限,无法覆盖所有可能的情况,这势必会导致部分优化解遗漏。所以,目前的解决方案均存在着各类弊端。
目前由于计算机计算能力的大幅度提升,深度学习技术被广泛应用于多种领域的复杂问题解决方案中,如图像识别、机器翻译、机器人控制、自动驾驶等。深度学习技术凭借其较强的复杂状态表征能力和复杂特征抽象能力,在以上这些领域均取得了比传统解决方法更显著的成效。卷积神经网络(Convolutional Neural Network,CNN)是深度学习技术中极具代表的网络结构之一,在图像处理领域取得了很大的成功,卷积神经网络是一种特殊的深层的神经网络模型,它的特殊性体现在两个方面,一方面它的神经元间的连接是非全连接的,另一方面同一层中某些神经元之间的连接的权重是共享的(即相同的)。它的非全连接和权值共享的网络结构使之更类似于生物神经网络,降低了网络模型的复杂度(对于很难学习的深层结构来说,这是非常重要的。所以,将CNN应用于机车节能操纵的问题解决上,在突破现有方法的复杂人工设计、复杂公式推导的瓶颈方面具有重要的意义。
发明内容
本发明的目的是提供一种基于CNN模型的机车节能操纵方法。CNN模型在图像处理方面有着广泛的应用,其可以保留数据原有的空间位置信息,并且具有轻量、降低模型训练复杂度的特点。
本发明通过如下技术方案实现:
一种基于卷积神经网络模型的机车节能操纵方法,其特征在于,所述的方法包括:
步骤S101,采集司机历史驾驶数据与机车运行监控日志,作为初始训练数据;
步骤S102,对初始训练数据进行预处理,得到训练数据集和测试数据集;
步骤S103,反复训练卷积神经网络模型并保存训练好的模型;
步骤S104,应用训练好的模型进行预测,并进行仿真模拟测试。
进一步地,步骤1中,采集的司机历史驾驶数据包括机车属性,线路属性以及机车行驶日志。
进一步地,步骤S102中,预处理过程分为两个阶段:第一阶段,从原始训练数据中选取司机驾驶行为的数据集,第二阶段,继续对选出的驾驶数据进行预处理。
进一步地,对于一个机车行驶状态,则提取的特征可分为两部分,分别是在该机车行驶状态前机车的行驶信息及道路信息和在该机车行驶状态之后的道路信息。
进一步地,前向特征包括车重、车长、重车辆数、轻车辆数、当前坡段平均坡度、当前坡段总长度、当前坡段平均速度、当前位置的限速值、当前限速值的剩余长度、当前点处于的两个车站间的平均速度、当前位置距离下一车站距离、当前位置到达下一车站的剩余时间、当前档位、当前速度、当前位置点的坡度、当前速度与限速值的差值。
进一步地,后向特征包括当前坡段平均坡度、当前坡段总长度、当前坡段剩余长度、当前坡段平均速度、当前位置的限速值、当前位置距离下一车站的距离、当前位置点的坡度、当前机车的速度与抽取特征位置点限速的差值。
本发明的有益效果是:
(1)本发明设计了17个前向特征和8个后向特征,这些特征作为模型的输入特征数据,充分利用了数据信息。同时前向特征的设计考虑了时序性和物理位置特点,后向特征考虑了位置特点,进一步提升了模型对机车的状态表征能力,从而最终影响预测档位的准确性;
(2)本发明在现有CNN模型的基础上进行改进,使用两个卷积神经网络,在输入层中将前向特征和后向特征分离开来分别输入,然后将分别处理的结果尽心统一整合。本问题中的前向特征和后向特征在特征数量以及特征意义上均有区别,所以这是根据本发明解决问题的特殊性而设计的结构,该结构的设计更适用于解决机车节能操纵的问题;
(3)本发明提出了迭代训练CNN的步骤和方法,经过迭代训练后,模型的档位预测能力将进一步得到的提升,甚至得到比人类优秀司机更优化的操纵档位;
(4)本发明设计了基于CNN的机车档位预测模型,该模型利用具有丰富驾驶经验的人类司机的历史驾驶数据和机车行驶的路段信息数据等,进行机车行驶过程中的操纵档位预测,该档位的预测同时兼顾安全性(无超速风险等)、准时性以及节能性;为充分利用数据信息,本发明提出了时序特征(分为前向特征和后向特征)的提取方法,分别用不同的CNN网络对前向和后向特征进行处理,然后在将处理后的抽象数据统一合起来用于输出层的输入。
附图说明
图1为本发明机车预测档位模型的训练过程;
图2为本发明的CNN的网络结构细节;
图3为本发明的模型结构框架图;
具体实施方式
为使本发明更为清晰,下面结合附图对本发明进行详细地说明。
本实施例提供一种基于卷积神经网络(CNN)模型的机车智能操纵方法,具体包括:
步骤S101,采集司机历史驾驶数据与机车运行监控日志,作为初始训练数据。
铁路机车司机的历史驾驶数据和机车运行监控日志可以从铁路机车中的LKJ(列车运行控制记录装置)获得。
针对一个特定的司机在特定的路线上的机车驾驶数据,采集的司机历史驾驶数据包括:机车属性,线路属性以及机车行驶日志。其中,机车属性包括车重、车长、重车辆数和轻车辆数;线路属性包括线路的坡度、限速信息、车站信息、两站之间的运行时间信息;机车行驶日志包括时间戳、行驶速度、机车行驶档位、耗油量记录等信息。收集到的数据构成初始训练数据。
步骤S102,对初始训练数据进行预处理,得到训练数据集和测试数据集。
原始训练数据中包含较多冗余信息,且数据格式不统一,不能直接作为训练数据,需要对原始训练数据进行预处理。
预处理过程分为两个阶段:
第一阶段,从原始训练数据中选取司机驾驶行为的数据集,这些数据一般具有以下特征:满足安全性、准点性、单位车重油耗小、档位变化平稳。其中安全性指行驶过程中无安全性问题出现,准点性指行驶过程中无误点的现象。以上两个指标可直接从机车行驶日志中获取。
第二阶段,继续对选出的驾驶数据进行预处理。
考虑到机车驾驶时要同时考虑机车当前运行状态和接下来的路程情况,本发明提出了针对机车智能操纵问题的时序特征提取方法。
对于一个特定的机车行驶状态,设机车处于道路的kp公里标处,则提取的特征可分为两部分,分别是在该状态前(公里标小于kp)机车的行驶信息及道路信息和在该状态之后(公里标大于kp)的道路信息,在本发明中分别称作前向特征和后向特征。在该阶段,根据时序特征提取方法,从原始数据中提取出相对应的数据,最终构成训练数据集和测试数据集。
具体地,本发明设计的前向特征包括17个特征,分别为车重、车长、重车辆数、轻车辆数、当前坡段平均坡度、当前坡段总长度、当前坡段平均速度、当前位置的限速值、当前限速值的剩余长度、当前点处于的两个车站间的平均速度、当前位置距离下一车站距离、当前位置到达下一车站的剩余时间、当前档位、当前速度、当前位置点的坡度、当前速度与限速值的差值;
后向特征包括8个特征,分别为当前坡段平均坡度、当前坡段总长度、当前坡段剩余长度、当前坡段平均速度、当前位置的限速值、当前位置距离下一车站的距离、当前位置点的坡度、当前机车的速度与抽取特征位置点限速的差值。
本步骤通过以上阐述的两阶段预处理方法进行数据时序特征点提取,提取出的特征点数据分为训练数据集和测试数据集。
步骤S103,反复训练卷积神经网络(Convolutional Neural Network,CNN)模型并保存训练好的模型。
在本步骤中,根据步骤S102提取出的训练数据进行CNN模型的训练。本发明针对机车档位预测问题提出的CNN网络结构模型如下:
卷积神经网络(Convolutional Neural Network,CNN)模型是深度学习技术中极具代表的网络结构之一,在图像处理领域取得了很大的成功,卷积神经网络是一种特殊的深层的神经网络模型,它的特殊性体现在两个方面,一方面它的神经元间的连接是非全连接的,另一方面同一层中某些神经元之间的连接的权重是共享的(即相同的)。它的非全连接和权值共享的网络结构使之更类似于生物神经网络,降低了网络模型的复杂度,减少了权值的数量。本发明提出的基于CNN的档位预测模型如图2和图3所示。
如图3所示的CNN机车档位预测模型分为输入层、卷积层、池化层和输出层4个部分。其具体细节如图2所示,其中输入层和卷积层均被分为了两部分,分别用来处理前向特征数据和后向特征数据。
即S102步骤中提到的17维前向特征和8维后向特征数据。由于前向和后向特征数据维度不同,所以分别处理这两部分的输入层和卷积层的网络结构也是不同的。卷积层包含很多规格的卷积核,在本发明中,将卷积核的长度设为是可变的,而宽度是固定等于输入层宽度的,这是因为在本应用场景中,每一行数据是某个点的运行特征属性,是不可分割的,因此把卷积核的宽度设置为输入层的宽度。池化层采用的是max‐pooling方法,也可以更换为其他池化方法。最后是输出层,输出层全连接神经网络加softmax回归函数实现,输出层的目标是输出预测档位,本应用场景中预测的为‐8‐‐8档。
所谓的模型训练是指不断更新模型的矩阵向量,前后并没有结构上的变化,只是模型中的矩阵向量不断更新,使其预测结果越来越准确。
迭代训练若干次后,可以将训练好的模型保存下来,可以应用于测试数据集上的档位预测工作,也可以作为下次训练过程的初始模型进一步优化训练。
步骤S104,应用模型进行预测,并进行仿真模拟测试。
本步骤中根据训练好的CNN模型,对测试数据集进行档位,得到预测档位并进行仿真模拟测试。仿真完全模拟真实环境下的机车行驶效果,所以可以直观对比本模型预测出的驾驶方案和人工驾驶方案。
该实施例所要训练的卷积神经网络的模型的数据来源是来自于现场的优秀司机的驾驶记录数据,因此模型可以学出这些优秀司机的驾驶***稳、准时、省油。而且耗油量是可以通过档位可以直接计算出来,在训练模型时会以降低油耗为训练目标之一。
为了全面准确的评估本发明所提出方法的性能,选取真实路段(沈阳‐丹东线的两个站点)和优秀司机驾驶数据进行模型训练结果的对比测试。本实验的机车车重为3440.00吨,车长为66.9米。对比结果显示预测的曲线基本和优秀司机的驾驶档位变化曲线一致,说明本发明提出的模型具备了人类优秀司机驾驶的水平;相对应的模型控制机车运行速度曲线与优秀司机驾驶曲线基本一致,而且特别值得注意的是,在412000公里标附件的低限速条件下,模型也有效的预测出了合适的操纵档位,机车运行速度也完全在安全范围内,未产生超速等风险情况。而且对于档位变化点的学习也基本全部吻合。综上所示,本发明提出的一种基于CNN模型的机车档位预测方法能充分利用机车历史数据和道路信息,并结合预处理得到的时序特征序列,能够预测出保证安全性、准时性等多目标的操纵档位。基于真实路线和机车的实验测试,证明了本发明在保证可靠性和安全性的基础上,达到了节省人力物力的自动驾驶目标。
虽然上面结合本发明的优选实施例对本发明的原理进行了详细的描述,本领域技术人员应该理解,上述实施例仅仅是对本发明的示意性实现方式的解释,并非对本发明包含范围的限定。实施例中的细节并不构成对本发明范围的限制,在不背离本发明的精神和范围的情况下,任何基于本发明技术方案的等效变换、简单替换等显而易见的改变,均落在本发明保护范围之内。
Claims (6)
1.一种基于卷积神经网络模型的机车节能操纵方法,其特征在于,所述的方法包括:
步骤S101,采集司机历史驾驶数据与机车运行监控日志,作为初始训练数据;
步骤S102,对初始训练数据进行预处理,得到训练数据集和测试数据集;
步骤S103,反复训练卷积神经网络模型并保存训练好的模型;
步骤S104,应用训练好的模型进行预测,并进行仿真模拟测试。
2.一种基于卷积神经网络模型的机车节能操纵方法,其特征在于,步骤1中,采集的司机历史驾驶数据包括机车属性,线路属性以及机车行驶日志。
3.根据权利要求1所述的基于卷积神经网络模型的机车节能操纵方法,特征在于,步骤S102中,预处理过程分为两个阶段:第一阶段,从原始训练数据中选取司机驾驶行为的数据集,第二阶段,继续对选出的驾驶数据进行预处理。
4.根据权利要求3所述的基于卷积神经网络模型的机车节能操纵方法,特征在于,对于一个机车行驶状态,则提取的特征可分为两部分,分别是在该机车行驶状态前机车的行驶信息及道路信息和在该机车行驶状态之后的道路信息。
5.根据权利要求4所述的基于卷积神经网络模型的机车节能操纵方法,特征在于,前向特征包括车重、车长、重车辆数、轻车辆数、当前坡段平均坡度、当前坡段总长度、当前坡段平均速度、当前位置的限速值、当前限速值的剩余长度、当前点处于的两个车站间的平均速度、当前位置距离下一车站距离、当前位置到达下一车站的剩余时间、当前档位、当前速度、当前位置点的坡度、当前速度与限速值的差值。
6.根据权利要求4所述的基于卷积神经网络模型的机车节能操纵方法,特征在于,后向特征包括当前坡段平均坡度、当前坡段总长度、当前坡段剩余长度、当前坡段平均速度、当前位置的限速值、当前位置距离下一车站的距离、当前位置点的坡度、当前机车的速度与抽取特征位置点限速的差值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810192684.8A CN108333959A (zh) | 2018-03-09 | 2018-03-09 | 一种基于卷积神经网络模型的机车节能操纵方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810192684.8A CN108333959A (zh) | 2018-03-09 | 2018-03-09 | 一种基于卷积神经网络模型的机车节能操纵方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108333959A true CN108333959A (zh) | 2018-07-27 |
Family
ID=62930620
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810192684.8A Pending CN108333959A (zh) | 2018-03-09 | 2018-03-09 | 一种基于卷积神经网络模型的机车节能操纵方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108333959A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108984275A (zh) * | 2018-08-27 | 2018-12-11 | 洛阳中科龙网创新科技有限公司 | 基于Unity3D和深度增强学习的智能无人农用驾驶训练方法 |
EP3620880A1 (en) * | 2018-09-04 | 2020-03-11 | Autonomous Intelligent Driving GmbH | A method and a device for deriving a driving strategy for a self-driving vehicle and an electronic control unit for performing the driving strategy and a self-driving vehicle comprising the electronic control unit |
CN112331034A (zh) * | 2020-11-13 | 2021-02-05 | 重庆交通大学 | 高速列车驾驶员监测、辅助*** |
CN112698578A (zh) * | 2019-10-22 | 2021-04-23 | 北京车和家信息技术有限公司 | 一种自动驾驶模型的训练方法及相关设备 |
WO2021146910A1 (zh) * | 2020-01-21 | 2021-07-29 | 深圳元戎启行科技有限公司 | 基于图计算的车辆驾驶数据处理方法、装置和计算机设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016077027A1 (en) * | 2014-11-13 | 2016-05-19 | Nec Laboratories America, Inc. | Hyper-class augmented and regularized deep learning for fine-grained image classification |
CN106156807A (zh) * | 2015-04-02 | 2016-11-23 | 华中科技大学 | 卷积神经网络模型的训练方法及装置 |
CN106844949A (zh) * | 2017-01-18 | 2017-06-13 | 清华大学 | 一种用于实现机车节能操纵的双向lstm模型的训练方法 |
CN106842925A (zh) * | 2017-01-20 | 2017-06-13 | 清华大学 | 一种基于深度强化学习的机车智能操纵方法与*** |
CN107423761A (zh) * | 2017-07-24 | 2017-12-01 | 清华大学 | 基于特征选择和机器学习的轨道机车节能优化操纵方法 |
CN107516110A (zh) * | 2017-08-22 | 2017-12-26 | 华南理工大学 | 一种基于集成卷积编码的医疗问答语义聚类方法 |
-
2018
- 2018-03-09 CN CN201810192684.8A patent/CN108333959A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016077027A1 (en) * | 2014-11-13 | 2016-05-19 | Nec Laboratories America, Inc. | Hyper-class augmented and regularized deep learning for fine-grained image classification |
CN106156807A (zh) * | 2015-04-02 | 2016-11-23 | 华中科技大学 | 卷积神经网络模型的训练方法及装置 |
CN106844949A (zh) * | 2017-01-18 | 2017-06-13 | 清华大学 | 一种用于实现机车节能操纵的双向lstm模型的训练方法 |
CN106842925A (zh) * | 2017-01-20 | 2017-06-13 | 清华大学 | 一种基于深度强化学习的机车智能操纵方法与*** |
CN107423761A (zh) * | 2017-07-24 | 2017-12-01 | 清华大学 | 基于特征选择和机器学习的轨道机车节能优化操纵方法 |
CN107516110A (zh) * | 2017-08-22 | 2017-12-26 | 华南理工大学 | 一种基于集成卷积编码的医疗问答语义聚类方法 |
Non-Patent Citations (1)
Title |
---|
谈东奎: "人机共享的驾驶员横向辅助***关键技术研究", 《中国博士学位论文全文数据库(电子期刊) 工程科技Ⅱ辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108984275A (zh) * | 2018-08-27 | 2018-12-11 | 洛阳中科龙网创新科技有限公司 | 基于Unity3D和深度增强学习的智能无人农用驾驶训练方法 |
EP3620880A1 (en) * | 2018-09-04 | 2020-03-11 | Autonomous Intelligent Driving GmbH | A method and a device for deriving a driving strategy for a self-driving vehicle and an electronic control unit for performing the driving strategy and a self-driving vehicle comprising the electronic control unit |
CN112698578A (zh) * | 2019-10-22 | 2021-04-23 | 北京车和家信息技术有限公司 | 一种自动驾驶模型的训练方法及相关设备 |
CN112698578B (zh) * | 2019-10-22 | 2023-11-14 | 北京车和家信息技术有限公司 | 一种自动驾驶模型的训练方法及相关设备 |
WO2021146910A1 (zh) * | 2020-01-21 | 2021-07-29 | 深圳元戎启行科技有限公司 | 基于图计算的车辆驾驶数据处理方法、装置和计算机设备 |
CN112331034A (zh) * | 2020-11-13 | 2021-02-05 | 重庆交通大学 | 高速列车驾驶员监测、辅助*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108333959A (zh) | 一种基于卷积神经网络模型的机车节能操纵方法 | |
CN106844949A (zh) | 一种用于实现机车节能操纵的双向lstm模型的训练方法 | |
CN103679611B (zh) | 基于案例推理的城市综合应急智能仿真***的运行方法 | |
CN112465395A (zh) | 一种面向自动驾驶汽车的多维度综合评价方法及装置 | |
CN114358128B (zh) | 一种训练端到端的自动驾驶策略的方法 | |
CN112100865A (zh) | 基于并行cnn模型的航空发动机剩余寿命预测方法 | |
CN107697070A (zh) | 驾驶行为预测方法和装置、无人车 | |
CN107909206A (zh) | 一种基于深层结构循环神经网络的pm2.5预测方法 | |
CN106781503A (zh) | 用于监测驾驶行为的方法和装置 | |
CN110481536B (zh) | 一种应用于混合动力汽车的控制方法及设备 | |
CN103345165A (zh) | 缩微智能车群的智能交通硬件在线仿真*** | |
CN110555568A (zh) | 一种基于社交网络信息的道路交通运行状态实时感知方法 | |
Hu et al. | An edge computing framework for powertrain control system optimization of intelligent and connected vehicles based on curiosity-driven deep reinforcement learning | |
CN106844947A (zh) | 一种基于高阶相关学习的机车节能优化自动驾驶方法 | |
CN104200422A (zh) | 一种用于遥感图像处理的专家*** | |
CN114282433A (zh) | 基于模仿学习与强化学习结合的自动驾驶训练方法及*** | |
CN102262728A (zh) | 一种道路交通标志的识别方法 | |
Ma et al. | Effects of driver acceleration behavior on fuel consumption of city buses | |
CN106647279B (zh) | 一种基于模糊规则的机车智能操纵优化计算方法 | |
CN116050304B (zh) | 一种智能鱼流场模拟控制方法、***、设备及存储介质 | |
Wang et al. | Pre-training with asynchronous supervised learning for reinforcement learning based autonomous driving | |
Li et al. | Short term passenger flow forecast of metro based on inbound passenger plow and deep learning | |
CN113487889A (zh) | 基于快速梯度下降的单交叉口信号控制的交通状态对抗扰动生成方法 | |
CN116620327A (zh) | 基于PPO和Lattice实现自动驾驶的高速场景的变道决策方法 | |
CN116468994A (zh) | 一种基于街景数据的村镇收缩模拟方法、***和装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180727 |
|
RJ01 | Rejection of invention patent application after publication |