CN115009278B - 一种巡航控制方法、装置、设备及存储介质 - Google Patents
一种巡航控制方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115009278B CN115009278B CN202210941074.XA CN202210941074A CN115009278B CN 115009278 B CN115009278 B CN 115009278B CN 202210941074 A CN202210941074 A CN 202210941074A CN 115009278 B CN115009278 B CN 115009278B
- Authority
- CN
- China
- Prior art keywords
- current
- network model
- weight
- cruise
- vehicle speed
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 210000002569 neuron Anatomy 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 16
- 210000002364 input neuron Anatomy 0.000 claims description 13
- 210000004205 output neuron Anatomy 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/14—Adaptive cruise control
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
- B60W40/105—Speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0002—Automatic control, details of type of controller or control system architecture
- B60W2050/0008—Feedback, closed loop systems or details of feedback error signal
- B60W2050/0011—Proportional Integral Differential [PID] controller
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/80—Technologies aiming to reduce greenhouse gasses emissions common to all road transportation technologies
- Y02T10/84—Data processing systems or methods, management, administration
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种巡航控制方法、装置、设备及存储介质,该方法包括:获取目标车辆的当前实际车速,并将所述当前实际车速和设定目标车速输入到当前PID网络模型中,得到输出的预测巡航扭矩;基于所述预测巡航扭矩,对所述目标车辆执行巡航控制操作;在当前迭代次数不满足预设次数阈值的情况下,基于所述预测巡航扭矩,对所述当前PID网络模型中的模型参数进行调整,得到调整后的当前PID网络模型;将所述调整后的当前PID网络模型作为当前PID网络模型,并重复执行获取目标车辆的当前实际车速的步骤。本发明实施例解决了传统的巡航控制方法需要执行大量标定工作的问题,降低了标定工作量,提高了巡航控制方法的适应性和巡航控制车速的准确度。
Description
技术领域
本发明涉及车辆控制技术领域,尤其涉及一种巡航控制方法、装置、设备及存储介质。
背景技术
自适应巡航控制***(Adaptive Cruise Control,ACC)可以在一定车速范围内,允许驾驶员不用控制加速踏板,而能保证汽车以设定的速度稳定行驶,以减轻驾驶员的疲劳程度,提高行驶时的稳定性、安全性、舒适性和燃料经济性。
ACC主要由指令开关、车速传感器、ECU(Electronic Control Unit,电子控制单元)和油门执行器组成。ECU有两个信号输入,一个是驾驶员通过指令开关输入的设定目标车速的指令信号,一个是传感器在车辆行驶时采集到的实际车速的反馈信号。传统的巡航控制方法大多采用PID(Proportional、Integral and Differential,比例、积分和微分)算法,基于检测到的这两个输入信号,经由油门执行器对实际车速进行调整,以使实际车速保持恒定。
由于车辆的应用场景涉及多负荷、多档位和车型繁多等情况,并且同一批的车辆或发动机的性能参数也会存在生产一致性的问题。因此,为适应车辆的不同应用场景,传统的巡航控制方法需要对PID算法中的比例系数、积分系数和微分系数执行大量的标定工作,费时费力,而且巡航车速的准确度不高。
发明内容
本发明实施例提供了一种巡航控制方法、装置、设备及存储介质,以解决传统的巡航控制方法需要执行大量标定工作的问题,提高巡航控制方法的适应性和巡航控制车速的准确度。
根据本发明一个实施例提供了一种巡航控制方法,该方法包括:
获取目标车辆的当前实际车速,并将所述当前实际车速和设定目标车速输入到当前PID网络模型中,得到输出的预测巡航扭矩;
基于所述预测巡航扭矩,对所述目标车辆执行巡航控制操作;
在当前迭代次数不满足预设次数阈值的情况下,基于所述预测巡航扭矩,对所述当前PID网络模型中的模型参数进行调整,得到调整后的当前PID网络模型;
将所述调整后的当前PID网络模型作为当前PID网络模型,并重复执行获取目标车辆的当前实际车速的步骤。
根据本发明另一个实施例提供了一种巡航控制装置,该装置包括:
预测巡航扭矩确定模块,用于获取目标车辆的当前实际车速,并将所述当前实际车速和设定目标车速输入到当前PID网络模型中,得到输出的预测巡航扭矩;
巡航控制模块,用于基于所述预测巡航扭矩,对所述目标车辆执行巡航控制操作;
PID神经网络调整模块,用于在当前迭代次数不满足预设次数阈值的情况下,基于所述预测巡航扭矩,对所述当前PID网络模型中的模型参数进行调整,得到调整后的当前PID网络模型;
重复执行模块,用于将所述调整后的当前PID网络模型作为当前PID网络模型,并重复执行获取目标车辆的当前实际车速的步骤。
根据本发明另一个实施例提供了一种电子设备,该电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的巡航控制方法。
根据本发明另一个实施例,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的巡航控制方法。
本发明实施例的技术方案,通过获取目标车辆的当前实际车速,并将当前实际车速和设定目标车速输入到当前PID网络模型中,得到输出的预测巡航扭矩,基于预测巡航扭矩,对目标车辆执行巡航控制操作,在当前迭代次数不满足预设次数阈值的情况下,基于预测巡航扭矩,对当前PID网络模型中的模型参数进行调整,得到调整后的当前PID网络模型,将调整后的当前PID网络模型作为当前PID网络模型,并重复执行获取目标车辆的当前实际车速的步骤,解决了传统的巡航控制方法需要执行大量标定工作的问题,降低了标定工作量,提高了巡航控制方法的适应性和巡航控制车速的准确度。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
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为本发明实施例一所提供的一种巡航控制方法的流程图;
图2为本发明实施例一所提供的一种子网络模型的架构示意图;
图3为本发明实施例二所提供的一种巡航控制方法的流程图;
图4为本发明实施例二所提供的一种不同设定目标车速下的巡航控制车速的变化曲线的示意图;
图5为本发明实施例三所提供的一种巡航控制装置的结构示意图;
图6为本发明实施例四所提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一所提供的一种巡航控制方法的流程图,本实施例可适用于在特定场景下,对车辆的行驶速度进行自动控制的情况,该方法可以由巡航控制装置来执行,该巡航控制装置可以采用硬件和/或软件的形式实现,该巡航控制装置可配置于终端设备中。如图1所示,该方法包括:
S110、获取目标车辆的当前实际车速,并将当前实际车速和设定目标车速输入到当前PID网络模型中,得到输出的预测巡航扭矩。
其中,示例性的,设定目标车速可以是用户通过指令开关设置的目标车速。其中,具体的,PID网络模型包含输入层、隐含层和输出层。
在一个可选实施例中,将当前实际车速和设定目标车速输入到当前PID网络模型中,得到输出的预测巡航扭矩,包括:通过当前PID网络模型中的输入层,将输入的当前实际车速和设定目标车速输出到当前PID网络模型中的隐含层中;通过当前PID网络模型中的隐含层,基于输入的当前实际车速和设定目标车速,输出比例车速特征、积分车速特征和微分车速特征;通过当前PID网络模型中的输出层,基于输入的比例车速特征、积分车速特征和微分车速特征,输出预测巡航扭矩。
在一个可选实施例中,当前PID网络模型的输入层包含的输入神经元的数量、隐含层包含的隐含神经元的数量以及输出层包含的输出神经元的数量之间的数量结构为2N*3N*N,其中,N为大于等于1的整数。
其中,具体的,当前PID网络模型包含N组子网络模型。图2为本发明实施例一所提供的一种子网络模型的架构示意图。具体的,子网络模型包含两个输入神经元,各输入神经元对应的输入数据分别为当前实际车速和设定目标车速。子网络模型包含三个隐含神经元,分别为比例神经元(Proportional)、积分神经元(Integral)和微分神经元(Differential)。
本实施例中的当前实际车速、设定目标车速、实际车速特征和目标车速特征、比例车速特征、积分车速特征和微分车速特征的数量分别为N个。
其中,具体的,输入层的输入数据与输出数据相同。将输入的当前实际车速和设定目标车速输出到当前PID网络模型中的隐含层中,包括:针对每个子网络模型,通过子网络模型中的第一输入神经元,将输入的当前实际车速输出到当前PID网络模型中的隐含层中,以及通过子网络模型中的第二输入神经元,将输入的设定目标车速输出到当前PID网络模型中的隐含层中。
其中,示例性的,当前PID网络模型的输入层对应的公式可以表示为:
其中,表示当前PID网络模型中的第个子网络模型中第个输入神经元对
应的输出数据,表示当前PID网络模型中的第个子网络模型中第个输入神经元对
应的输入数据,表示当前迭代次数。其中,的取值包括1,2,3…N,的取值为1,2。
其中,具体的,基于输入的当前实际车速和设定目标车速,输出比例车速特征、积分车速特征和微分车速特征,包括:针对每个子网络模型,通过子网络模型中的比例神经元,基于输入的当前实际车速和设定目标车速,确定隐含车速特征,将隐含车速特征作为比例车速特征;通过子网络模型中的积分神经元,基于输入的当前实际车速和设定目标车速,确定隐含车速特征,基于隐含车速特征,确定积分车速特征;通过子网络模型中的微分神经元,基于输入的当前实际车速和设定目标车速,确定隐含车速特征,基于隐含车速特征,确定微分车速特征。
其中,示例性的,隐含车速特征满足公式:
其中,具体的,当前PID网络模型的输出层输出的预测巡航扭矩为比例车速特征、积分车速特征和微分车速特征的加权和。示例性的,预测巡航扭矩满足公式:
S120、基于预测巡航扭矩,对目标车辆执行巡航控制操作。
其中,具体的,在N=1的情况下,基于预测巡航扭矩,调整目标车辆的油门开度,以达到巡航控制的目的。其中,具体的,在N≠1的情况下,基于至少两个预测巡航扭矩,确定平均巡航扭矩,基于平均巡航扭矩,调整目标车辆的油门开度,以达到巡航控制的目的。
S130、判断当前迭代次数是否满足预设次数阈值,如果是,则执行S110,如果否,则执行S140。
其中,示例性的,预设次数阈值可以为200次。
其中,具体的,在当前迭代次数不满足预设次数阈值的情况下,每次迭代时需要对当前PID网络模型的模型参数进行调整,基于调整后的当前PID网络模型,重复执行获取目标车辆的当前实际车速的步骤。在当前次数满足预设次数阈值的情况下,说明当前PID网络模型的模型参数已达到最优,直接基于当前PID网络模型,重复执行获取目标车辆的当前实际车速的步骤。
S140、基于预测巡航扭矩,对当前PID网络模型中的模型参数进行调整,得到调整后的当前PID网络模型。
S150、将调整后的当前PID网络模型作为当前PID网络模型,并执行S110。
其中,具体的,确定与设定目标车速对应的设定巡航扭矩,基于预测巡航扭矩和设定巡航扭矩,对当前PID网络模型中的模型参数进行调整,得到调整后的当前PID网络模型。在一个可选实施例中,模型参数包括输入层与隐含层之间的当前第一权值以及隐含层与输出层之间的当前第二权值。
在上述实施例的基础上,可选的,在当前迭代次数满足预设次数阈值之后,基于设定目标车速和至少一个当前实际车速,确定巡航车速差值;在巡航车速差值超过预设车速差阈值的情况下,重复执行基于预测巡航扭矩,对当前PID网络模型中的模型参数进行调整,得到调整后的当前PID网络模型的步骤,直到巡航车速差值不超过预设车速差阈值。
其中,具体的,巡航车速差值可以表征设定目标车速与一个当前实际车速之间的
差值绝对值,或者,巡航车速差值为设定目标车速与至少两个当前实际车速之间的差值绝
对值的均值。示例性的,巡航车速差值可以为km/h。
这样设置的好处在于,避免预设次数阈值设置过小时,导致当前PID网络模型控制的巡航控制车速与设定目标车速之前偏差较大的问题,从而进一步提高了巡航控制车速的稳定性和准确度。
本实施例的技术方案,通过通过获取目标车辆的当前实际车速,并将当前实际车速和设定目标车速输入到当前PID网络模型中,得到输出的预测巡航扭矩,基于预测巡航扭矩,对目标车辆执行巡航控制操作,在当前迭代次数不满足预设次数阈值的情况下,基于预测巡航扭矩,对当前PID网络模型中的模型参数进行调整,得到调整后的当前PID网络模型,将调整后的当前PID网络模型作为当前PID网络模型,并重复执行获取目标车辆的当前实际车速的步骤,解决了传统的巡航控制方法需要执行大量标定工作的问题,降低了标定工作量,提高了巡航控制方法的适应性和巡航控制车速的准确度。
实施例二
图3为本发明实施例二所提供的一种巡航控制方法的流程图,本实施例对上述实施例中的“基于预测巡航扭矩,对当前PID网络模型中的模型参数进行调整,得到调整后的当前PID网络模型”技术特征进行进一步细化。如图3所示,该方法包括:
S210、获取目标车辆的当前实际车速,并将当前实际车速和设定目标车速输入到当前PID网络模型中,得到输出的预测巡航扭矩。
上述实施例中,隐含层中比例神经元、积分神经元和微分神经元分别对应的比例系数kp=1、积分系数ki=1和微分系数kd=1。
这样设置的好处在于,可以进一步提高当前PID网络模型输出的预测巡航扭矩的准确度。
S220、基于预测巡航扭矩,对目标车辆执行巡航控制操作。
S230、判断当前迭代次数是否满足预设次数阈值,如果是,则执行S210,如果否,则执行S240。
S240、基于预测巡航扭矩以及与设定目标车速对应的设定巡航扭矩,确定巡航扭矩差值。
S250、基于巡航扭矩差值、当前第一权值和当前第二权值,确定下一第一权值和下一第二权值。
在一个可选实施例中,基于巡航扭矩差值、当前第一权值和当前第二权值,确定下一第一权值和下一第二权值,包括:基于巡航扭矩差值、学习率和当前第一权值,确定当前第一梯度,以及基于巡航扭矩差值、学习率和当前第二权值,确定当前第二梯度;基于当前第一梯度和当前第二梯度,确定下一第一权值和下一第二权值。
其中,示例性的,下一第一权值满足公式:
其中,表示第次迭代时,第个子网络模型中的第个输入神经元与第个
隐含神经元之间的当前第一权值,表示第次迭代时,第个子网络模型中的
第个输入神经元与第个隐含神经元之间的下一第一权值,表示比例系数,在当前PID网
络模型的训练过程中反映学习率,表示第个子网络模型中的第个输入神经元与第
个隐含神经元对应的当前第一梯度。
其中,示例性的,下一第二权值满足公式:
其中,表示第次迭代时,第个子网络模型中的第个隐含神经元与输出
神经元之间的当前第二权值,表示第次迭代时,第个子网络模型中的第
个隐含神经元与输出神经元之间的下一第二权值,表示比例系数,在当前PID网络模型的
训练过程中反映学习率,表示第个子网络模型中的第个隐含神经元与输出神经元
对应的当前第二梯度。
在一个可选实施例中,基于当前第一梯度和当前第二梯度,确定下一第一权值和下一第二权值,包括:基于当前第一权值和上一第一权值,构建当前第一动量项,并基于当前第一梯度和当前第一动量项,确定下一第一权值;基于当前第二权值和上一第二权值,构建当前第二动量项,并基于当前第二梯度和当前第二动量项,确定下一第二权值。
其中,示例性的,下一第一权值满足公式:
其中,示例性的,下一第二权值满足公式:
S260、基于下一第一权值和下一第二权值,构建调整后的当前PID网络模型。
S270、将调整后的当前PID网络模型作为当前PID网络模型,并执行S210。
图4为本发明实施例二所提供的一种不同设定目标车速下的巡航控制车速的变化曲线的示意图。具体的,三个坐标系的横坐标均为归一化后的时间,纵坐标均为归一化后的车速。图4中的三张坐标系对应的归一化后的设定目标车速分别为0.7、0.4和0.6,三张坐标系中的波动曲线分别表示不同设定目标车速下巡航控制车速的变化曲线。其中,具体的,迭代次数与时间呈正相关关系。从图4可以看出,在当前迭代次数未超过预设次数阈值时,巡航控制车速处于波动较大的状态,在当前迭代次数超过预设次数阈值时,巡航控制车速趋于稳定。
本实施例的技术方案,通过基于预测巡航扭矩以及与设定目标车速对应的设定巡航扭矩,确定巡航扭矩差值;基于巡航扭矩差值、当前第一权值和当前第二权值,确定下一第一权值和下一第二权值;基于下一第一权值和下一第二权值,构建调整后的当前PID网络模型,解决了当前PID网络模型的优化效果不好的问题,提高了巡航控制车速达到稳定状态的时间,降低了当前PID网络模型的训练周期,进一步提高了巡航控制车速的准确度。
实施例三
图5为本发明实施例三所提供的一种巡航控制装置的结构示意图。如图5所示,该装置包括:预测巡航扭矩确定模块310、巡航控制模块320、PID神经网络调整模块330和重复执行模块340。
预测巡航扭矩确定模块310,用于获取目标车辆的当前实际车速,并将当前实际车速和设定目标车速输入到当前PID网络模型中,得到输出的预测巡航扭矩;
巡航控制模块320,用于基于预测巡航扭矩,对目标车辆执行巡航控制操作;
PID神经网络调整模块330,用于在当前迭代次数不满足预设次数阈值的情况下,基于预测巡航扭矩,对当前PID网络模型中的模型参数进行调整,得到调整后的当前PID网络模型;
重复执行模块340,用于将调整后的当前PID网络模型作为当前PID网络模型,并重复执行获取目标车辆的当前实际车速的步骤。
本实施例的技术方案,通过获取目标车辆的当前实际车速,并将当前实际车速和设定目标车速输入到当前PID网络模型中,得到输出的预测巡航扭矩,基于预测巡航扭矩,对目标车辆执行巡航控制操作,在当前迭代次数不满足预设次数阈值的情况下,基于预测巡航扭矩,对当前PID网络模型中的模型参数进行调整,得到调整后的当前PID网络模型,将调整后的当前PID网络模型作为当前PID网络模型,并重复执行获取目标车辆的当前实际车速的步骤,解决了传统的巡航控制方法需要执行大量标定工作的问题,降低了标定工作量,提高了巡航控制方法的适应性和巡航控制车速的准确度。
在上述实施例的基础上,可选的,预测巡航扭矩确定模块310,具体用于:
通过当前PID网络模型中的输入层,将输入的当前实际车速和设定目标车速输出到当前PID网络模型中的隐含层中;
通过当前PID网络模型中的隐含层,基于输入的当前实际车速和设定目标车速,输出比例车速特征、积分车速特征和微分车速特征;
通过当前PID网络模型中的输出层,基于输入的比例车速特征、积分车速特征和微分车速特征,输出预测巡航扭矩。
在上述实施例的基础上,可选的,当前PID网络模型的输入层包含的输入神经元的数量、隐含层包含的隐含神经元的数量以及输出层包含的输出神经元的数量之间的数量结构为2N*3N*N,其中,N为大于等于1的整数。
在上述实施例的基础上,可选的,模型参数包括输入层与隐含层之间的当前第一权值以及隐含层与输出层之间的当前第二权值,相应的,PID神经网络调整模块330包括:
巡航扭矩差值确定单元,用于基于预测巡航扭矩以及与设定目标车速对应的设定巡航扭矩,确定巡航扭矩差值;
下一权值确定单元,用于基于巡航扭矩差值、当前第一权值和当前第二权值,确定下一第一权值和下一第二权值;
当前PID网络模型调整单元,用于基于下一第一权值和下一第二权值,构建调整后的当前PID网络模型。
在上述实施例的基础上,可选的,下一权值确定单元,包括:
当前梯度确定子单元,用于基于巡航扭矩差值、学习率和当前第一权值,确定当前第一梯度,以及基于巡航扭矩差值、学习率和当前第二权值,确定当前第二梯度;
下一权值确定子单元,用于基于当前第一梯度和当前第二梯度,确定下一第一权值和下一第二权值。
在上述实施例的基础上,可选的,下一权值确定子单元,具体用于:
基于当前第一权值和上一第一权值,构建当前第一动量项,并基于当前第一梯度和当前第一动量项,确定下一第一权值;
基于当前第二权值和上一第二权值,构建当前第二动量项,并基于当前第二梯度和当前第二动量项,确定下一第二权值。
在上述实施例的基础上,可选的,该装置还包括:
巡航车速差值确定模块,用于在当前迭代次数满足预设次数阈值之后,基于设定目标车速和至少一个当前实际车速,确定巡航车速差值;
在巡航车速差值超过预设车速差阈值的情况下,重复执行基于预测巡航扭矩,对当前PID网络模型中的模型参数进行调整,得到调整后的当前PID网络模型的步骤,直到巡航车速差值不超过预设车速差阈值。
本发明实施例所提供的巡航控制装置可执行本发明任意实施例所提供的巡航控制方法,具备执行方法相应的功能模块和有益效果。
实施例四
图6为本发明实施例四所提供的一种电子设备的结构示意图。电子设备10旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图6所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如巡航控制方法。
在一些实施例中,巡航控制方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的巡航控制方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行巡航控制方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的巡航控制方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
实施例五
本发明实施例五还提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,计算机指令用于使处理器执行一种巡航控制方法,该方法包括:
获取目标车辆的当前实际车速,并将当前实际车速和设定目标车速输入到当前PID网络模型中,得到输出的预测巡航扭矩;
基于预测巡航扭矩,对目标车辆执行巡航控制操作;
在当前迭代次数不满足预设次数阈值的情况下,基于预测巡航扭矩,对当前PID网络模型中的模型参数进行调整,得到调整后的当前PID网络模型;
将调整后的当前PID网络模型作为当前PID网络模型,并重复执行获取目标车辆的当前实际车速的步骤。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的***和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (9)
1.一种巡航控制方法,其特征在于,包括:
获取目标车辆的当前实际车速,并将所述当前实际车速和设定目标车速输入到当前PID网络模型中,得到输出的预测巡航扭矩;
基于所述预测巡航扭矩,对所述目标车辆执行巡航控制操作;
在当前迭代次数不满足预设次数阈值的情况下,基于所述预测巡航扭矩,对所述当前PID网络模型中的模型参数进行调整,得到调整后的当前PID网络模型;
将所述调整后的当前PID网络模型作为当前PID网络模型,并重复执行获取目标车辆的当前实际车速的步骤;
所述方法还包括:在当前迭代次数满足预设次数阈值之后,基于设定目标车速和至少一个当前实际车速,确定巡航车速差值;
在所述巡航车速差值超过预设车速差阈值的情况下,重复执行基于所述预测巡航扭矩,对所述当前PID网络模型中的模型参数进行调整,得到调整后的当前PID网络模型的步骤,直到所述巡航车速差值不超过预设车速差阈值。
2.根据权利要求1所述的方法,其特征在于,所述将所述当前实际车速和设定目标车速输入到当前PID网络模型中,得到输出的预测巡航扭矩,包括:
通过所述当前PID网络模型中的输入层,将输入的当前实际车速和设定目标车速输出到所述当前PID网络模型中的隐含层中;
通过所述当前PID网络模型中的隐含层,基于输入的当前实际车速和设定目标车速,输出比例车速特征、积分车速特征和微分车速特征;
通过所述当前PID网络模型中的输出层,基于输入的比例车速特征、积分车速特征和微分车速特征,输出预测巡航扭矩。
3.根据权利要求2所述的方法,其特征在于,所述当前PID网络模型的输入层包含的输入神经元的数量、隐含层包含的隐含神经元的数量以及输出层包含的输出神经元的数量之间的数量结构为2N*3N*N,其中,N为大于等于1的整数。
4.根据权利要求2所述的方法,其特征在于,所述模型参数包括所述输入层与所述隐含层之间的当前第一权值以及所述隐含层与所述输出层之间的当前第二权值,相应的,所述基于所述预测巡航扭矩,对所述当前PID网络模型中的模型参数进行调整,得到调整后的当前PID网络模型,包括:
基于所述预测巡航扭矩以及与所述设定目标车速对应的设定巡航扭矩,确定巡航扭矩差值;
基于所述巡航扭矩差值、所述当前第一权值和所述当前第二权值,确定下一第一权值和下一第二权值;
基于所述下一第一权值和所述下一第二权值,构建调整后的当前PID网络模型。
5.根据权利要求4所述的方法,其特征在于,所述基于所述巡航扭矩差值、所述当前第一权值和所述当前第二权值,确定下一第一权值和下一第二权值,包括:
基于所述巡航扭矩差值、学习率和所述当前第一权值,确定当前第一梯度,以及基于所述巡航扭矩差值、学习率和所述当前第二权值,确定当前第二梯度;
基于所述当前第一梯度和所述当前第二梯度,确定下一第一权值和下一第二权值。
6.根据权利要求5所述的方法,其特征在于,所述基于所述当前第一梯度和所述当前第二梯度,确定下一第一权值和下一第二权值,包括:
基于所述当前第一权值和上一第一权值,构建当前第一动量项,并基于所述当前第一梯度和所述当前第一动量项,确定下一第一权值;
基于所述当前第二权值和上一第二权值,构建当前第二动量项,并基于所述当前第二梯度和所述当前第二动量项,确定下一第二权值。
7.一种巡航控制装置,其特征在于,包括:
预测巡航扭矩确定模块,用于获取目标车辆的当前实际车速,并将所述当前实际车速和设定目标车速输入到当前PID网络模型中,得到输出的预测巡航扭矩;
巡航控制模块,用于基于所述预测巡航扭矩,对所述目标车辆执行巡航控制操作;
PID神经网络调整模块,用于在当前迭代次数不满足预设次数阈值的情况下,基于所述预测巡航扭矩,对所述当前PID网络模型中的模型参数进行调整,得到调整后的当前PID网络模型;
重复执行模块,用于将所述调整后的当前PID网络模型作为当前PID网络模型,并重复执行获取目标车辆的当前实际车速的步骤;
该装置还包括:巡航车速差值确定模块,用于在当前迭代次数满足预设次数阈值之后,基于设定目标车速和至少一个当前实际车速,确定巡航车速差值;
在巡航车速差值超过预设车速差阈值的情况下,重复执行基于预测巡航扭矩,对当前PID网络模型中的模型参数进行调整,得到 调整后的当前PID网络模型的步骤,直到巡航车速差值不超过预设车速差阈值。
8.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的巡航控制方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-6中任一项所述的巡航控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210941074.XA CN115009278B (zh) | 2022-08-08 | 2022-08-08 | 一种巡航控制方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210941074.XA CN115009278B (zh) | 2022-08-08 | 2022-08-08 | 一种巡航控制方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115009278A CN115009278A (zh) | 2022-09-06 |
CN115009278B true CN115009278B (zh) | 2022-11-29 |
Family
ID=83065527
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210941074.XA Active CN115009278B (zh) | 2022-08-08 | 2022-08-08 | 一种巡航控制方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115009278B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012088635A1 (zh) * | 2010-12-30 | 2012-07-05 | 中国科学院自动化研究所 | 车辆自适应巡航控制***及方法 |
CN104612898A (zh) * | 2014-11-27 | 2015-05-13 | 江苏科技大学 | 一种风电变桨距多变量模糊神经网络pid控制方法 |
CN105700538A (zh) * | 2016-01-28 | 2016-06-22 | 武汉光庭信息技术股份有限公司 | 基于神经网络和pid算法的轨迹跟随方法 |
CN108719516A (zh) * | 2018-05-22 | 2018-11-02 | 湖南师范大学 | 一种基于rbf神经网络茶机加工控制参数智能整定方法 |
CN109050532A (zh) * | 2018-08-27 | 2018-12-21 | 上海精虹新能源科技有限公司 | 一种应用于纯电动汽车的定速巡航控制***及控制方法 |
CN109376493A (zh) * | 2018-12-17 | 2019-02-22 | 武汉理工大学 | 一种粒子群优化的径向基神经网络车辆速度跟踪方法 |
CN109895770A (zh) * | 2019-04-03 | 2019-06-18 | 武汉理工大学 | 一种基于身份识别的车辆云自适应巡航控制***及方法 |
CN110103960A (zh) * | 2019-04-17 | 2019-08-09 | 北京汽车股份有限公司 | 车辆自适应巡航控制方法、***及车辆 |
CN111413981A (zh) * | 2020-04-07 | 2020-07-14 | 上海海事大学 | 一种船舶自动舵复合神经网络pid控制方法 |
CN112109708A (zh) * | 2020-10-26 | 2020-12-22 | 吉林大学 | 一种考虑驾驶行为的自适应巡航控制***及其控制方法 |
CN113085858A (zh) * | 2021-04-27 | 2021-07-09 | 湖北文理学院 | 车辆速度跟踪控制方法、装置、设备及存储介质 |
CN113659176A (zh) * | 2021-06-29 | 2021-11-16 | 东风汽车集团股份有限公司 | 一种氢燃料电池自适应控制方法和装置 |
CN114063443A (zh) * | 2021-12-01 | 2022-02-18 | 上海电力大学 | 改进bp整定分数阶pid的并网逆变器控制方法 |
CN114407895A (zh) * | 2022-02-25 | 2022-04-29 | 清华大学 | 车辆预测巡航控制方法、装置、电子设备和存储介质 |
WO2022144549A1 (en) * | 2020-12-31 | 2022-07-07 | ZF Automotive UK Limited | Automotive vehicle control circuit |
-
2022
- 2022-08-08 CN CN202210941074.XA patent/CN115009278B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012088635A1 (zh) * | 2010-12-30 | 2012-07-05 | 中国科学院自动化研究所 | 车辆自适应巡航控制***及方法 |
CN104612898A (zh) * | 2014-11-27 | 2015-05-13 | 江苏科技大学 | 一种风电变桨距多变量模糊神经网络pid控制方法 |
CN105700538A (zh) * | 2016-01-28 | 2016-06-22 | 武汉光庭信息技术股份有限公司 | 基于神经网络和pid算法的轨迹跟随方法 |
CN108719516A (zh) * | 2018-05-22 | 2018-11-02 | 湖南师范大学 | 一种基于rbf神经网络茶机加工控制参数智能整定方法 |
CN109050532A (zh) * | 2018-08-27 | 2018-12-21 | 上海精虹新能源科技有限公司 | 一种应用于纯电动汽车的定速巡航控制***及控制方法 |
CN109376493A (zh) * | 2018-12-17 | 2019-02-22 | 武汉理工大学 | 一种粒子群优化的径向基神经网络车辆速度跟踪方法 |
CN109895770A (zh) * | 2019-04-03 | 2019-06-18 | 武汉理工大学 | 一种基于身份识别的车辆云自适应巡航控制***及方法 |
CN110103960A (zh) * | 2019-04-17 | 2019-08-09 | 北京汽车股份有限公司 | 车辆自适应巡航控制方法、***及车辆 |
CN111413981A (zh) * | 2020-04-07 | 2020-07-14 | 上海海事大学 | 一种船舶自动舵复合神经网络pid控制方法 |
CN112109708A (zh) * | 2020-10-26 | 2020-12-22 | 吉林大学 | 一种考虑驾驶行为的自适应巡航控制***及其控制方法 |
WO2022144549A1 (en) * | 2020-12-31 | 2022-07-07 | ZF Automotive UK Limited | Automotive vehicle control circuit |
CN113085858A (zh) * | 2021-04-27 | 2021-07-09 | 湖北文理学院 | 车辆速度跟踪控制方法、装置、设备及存储介质 |
CN113659176A (zh) * | 2021-06-29 | 2021-11-16 | 东风汽车集团股份有限公司 | 一种氢燃料电池自适应控制方法和装置 |
CN114063443A (zh) * | 2021-12-01 | 2022-02-18 | 上海电力大学 | 改进bp整定分数阶pid的并网逆变器控制方法 |
CN114407895A (zh) * | 2022-02-25 | 2022-04-29 | 清华大学 | 车辆预测巡航控制方法、装置、电子设备和存储介质 |
Non-Patent Citations (3)
Title |
---|
基于PID神经元网络的水面舰艇减摇方法;周晶等;《计算机与数字工程》;20110820(第08期);全文 * |
基于PID神经网络的智能车舵机控制***研究;刘石红等;《工业仪表与自动化装置》;20141215(第06期);第97-101页 * |
基于PID神经网络的智能车追逐控制***研究;张桐铭等;《科技与创新》;20160805(第15期);第18-20,68页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115009278A (zh) | 2022-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108009642B (zh) | 分布式机器学习方法和*** | |
US20190156249A1 (en) | Information processing method and information processing system | |
CN113705929B (zh) | 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法 | |
CN115009278B (zh) | 一种巡航控制方法、装置、设备及存储介质 | |
CN110162403A (zh) | 一种基于人工神经网络的硬件资源分配方法及*** | |
CN117784832A (zh) | 一种测试车辆测试车速的控制方法、装置及电子设备 | |
CN116580223A (zh) | 数据处理及模型微调方法、装置、电子设备及存储介质 | |
CN115759283A (zh) | 一种模型解释方法、装置、电子设备以及存储介质 | |
CN115456194A (zh) | 基于异步联邦学习的模型训练控制方法、装置及*** | |
CN114861318A (zh) | 自动驾驶控制参数模型的训练方法、参数获取方法和装置 | |
CN114067415A (zh) | 回归模型的训练方法、对象评估方法、装置、设备和介质 | |
CN114771283A (zh) | 一种爬行控制方法、装置、电动汽车和存储介质 | |
CN115402310B (zh) | 一种巡航控制方法、装置、设备及存储介质 | |
CN113723593A (zh) | 一种基于神经网络的切负荷预测方法及*** | |
CN113112092A (zh) | 一种短期概率密度负荷预测方法、装置、设备和存储介质 | |
CN114859796A (zh) | 一种车辆控制方法、电子设备及存储介质 | |
CN117970817B (zh) | 一种非线性机电***在线辨识与鲁棒控制方法及装置 | |
CN117971509B (zh) | 异构算力集群的运行性能优化方法、装置、设备及介质 | |
CN115561999B (zh) | 一种pi控制器的参数优化方法、装置、设备及介质 | |
CN115859508B (zh) | 流场分析方法、元件模型生成方法、训练方法及装置 | |
CN117864172B (zh) | 一种自动驾驶控制方法、装置以及设备 | |
CN115598967A (zh) | 参数整定模型训练、参数确定方法、装置、设备及介质 | |
CN116691341A (zh) | 基于车辆油门的车速调节方法、装置、设备和存储介质 | |
CN117985002A (zh) | 一种车速控制方法、装置、电子设备及存储介质 | |
CN116523249A (zh) | 一种生产线确定方法、装置、设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |