CN116069043B - 一种无人驾驶农机作业速度自主决策方法 - Google Patents
一种无人驾驶农机作业速度自主决策方法 Download PDFInfo
- Publication number
- CN116069043B CN116069043B CN202310293891.3A CN202310293891A CN116069043B CN 116069043 B CN116069043 B CN 116069043B CN 202310293891 A CN202310293891 A CN 202310293891A CN 116069043 B CN116069043 B CN 116069043B
- Authority
- CN
- China
- Prior art keywords
- speed
- operation speed
- unmanned agricultural
- agricultural machinery
- gaussian process
- 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 94
- 238000012549 training Methods 0.000 claims abstract description 33
- 230000001419 dependent effect Effects 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 238000012216 screening Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 6
- 238000007476 Maximum Likelihood Methods 0.000 claims description 2
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 claims description 2
- 238000002939 conjugate gradient method Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 238000012876 topography Methods 0.000 abstract 1
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002002 slurry Substances 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
- G05D1/0212—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
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
-
- 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
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种无人驾驶农机作业速度自主决策方法,包括以下步骤:S1、采集农机运动状态数据,筛选影响农机作业速度的因变量,建立目标作业速度训练样本;S2、建立农机目标作业速度的高斯过程回归预测模型;S3、训练目标作业速度的高斯过程回归预测模型;S4、训练时对高斯过程回归预测结果评价与检验,获得训练完成预测模型;S5、获取农机测试数据样本,采用高斯过程回归预测模型获得相应的无人驾驶农机预测速度,以此预测速度的均值作为目标决策速度;S6、根据获得目标决策速度,自动调节无人驾驶农机的作业速度。本发明方法实现无人驾驶农机自主根据农田地形起伏情况决策并调节作业速度,保障作业质量的同时提高作业效率。
Description
技术领域
本发明属于智能农业机械技术领域,具体涉及一种无人驾驶农机作业速度自主决策方法。
背景技术
无人驾驶农机在湿滑的泥浆和硬底层高低起伏不平的农田环境中,容易造成农机直线行驶精度下降,导致作业效果降低。目前无人驾驶农机通常是人为设定固定速度作业,或者人为干预调节作业速度,而有经验的农机驾驶员一般在遇到起伏不平的农田区域,通常自主决策降速通过坑洼区域,保证作业质量,在平坦区域,加快作业速度,提高作业效率。
中国发明专利CN202011598475.7 提出了一种适用于无人驾驶农机的行进速度调控方法及***,通过判断农机的作业负荷大小,自动调节稳定农机作业速度;中国发明专利CN201811075147.1 提出了一种农机无人化智慧控制***及其控制方法,设计了可以电控化的调试装置和方法;然而,所述发明方案仅实现了无人农机的速度可控功能,无人农机依旧不能自主决策并调节作业速度。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足,提出一种无人驾驶农机作业速度自主决策方法,方法基于人工驾驶经验,设计无人农机依据自身姿态等信息,自主决策目标作业速度,既可提高坑洼区域的直线精度,也可以提高平坦区域的作业效率。
为了达到上述目的,本发明采用以下技术方案:
一种无人驾驶农机作业速度自主决策方法,包括以下步骤:
S1、采集无人驾驶农机运动状态数据,筛选影响无人驾驶农机作业速度的因变量,建立目标作业速度训练样本;
S2、建立无人驾驶农机目标作业速度的高斯过程回归预测模型;
S3、训练目标作业速度的高斯过程回归预测模型;
S4、训练时对高斯过程回归预测结果评价与检验,获得训练完成的高斯过程回归预测模型;
S5、获取无人驾驶农机测试数据样本,采用高斯过程回归预测模型获得相应的无人驾驶农机预测速度,以此预测速度的均值作为目标决策速度;
S6、根据获得目标决策速度,自动调节无人驾驶农机的作业速度。
本发明与现有技术相比,具有如下优点和有益效果:
1、本发明以无人驾驶农机位姿感知装置获取的农机运动过程中高程差、横滚角和横向位置偏差、航向偏差等信息,对无人农机作业速度进行预测,进而自主决策并调节作业速度,保障作业质量的同时提高作业效率;该方法适应性较强,能有效提高了无人驾驶农机的智能化程度和适用性。
附图说明
图1是本发明方法的流程图;
图2是本发明高斯过程回归预测模型映射图;
图3是本发明高斯过程回归流程。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例
如图1所示,本发明,一种无人驾驶农机作业速度自主决策方法,包括以下步骤:
S1、通过无人驾驶农机的机载终端采集无人驾驶农机运动状态数据,筛选影响无人驾驶农机作业速度的因变量,建立目标作业速度训练样本;具体为:
影响无人驾驶农机作业速度有多个因变量,采用相关关系法分别对各因变量求取Spearman秩相关系数:
(1)
其中,为秩相关系数,n为数据长度,/>和/>分别为原始数据,/>和/>分别为按照从小到大的顺序排列后的数据;
根据公式(1)分别计算各因变量与速度v的秩相关系数,/>绝对值越大,表示该因变量影响无人驾驶农机速度v越显著。
本实施例中,以影响无人驾驶农机目标作业速度v最显著的4个因素:高程差、横滚角/>、横向位置偏差/>以及航向角/>,组成4维输入向量m:
(2)
(3)
其中,为第i个输入向量,/>分别表示第i个输入向量的高程差/>、横滚角/>、横向位置偏差/>以及航向角/>;
采集若干个输入向量和输出标量,建立目标作业速度训练样本D:
(4)
其中,为第i个样本的输出标量;/>为所有训练样本输入向量组成的矩阵;/>为所有训练样本输出标量组成的矩阵,其中训练样本集存在噪声且服从标准高斯分布。
S2、建立无人驾驶农机目标作业速度的高斯过程回归预测模型;具体为:
定义高斯过程的期望和协方差分别为/>和/>:
(5)
(6)
则高斯过程为:
(7)
其中,随机变量参数x的输出值为随机变量;
对于n个输入,输出/>服从联合高斯分布:
(8)
其中,,/>是/>维矩阵;
对于目标作业速度决策回归,采用含噪声函数模型:
(9)
其中,y为观测值,f为函数值,为x对应的真值;/>服从正态分布,其均值为0;
观测值y的先验分布为:
(10)
给定训练集,测试集/>,令/>,,观测值y和预测值/>的联合先验分布为:
(11)
其中,、/>、/>和/>均为协方差矩阵,/>为/>对称正定协方差矩阵,矩阵元素/>表示/>和/>之间的相关性;/>为单位矩阵;/>和/>具体为:
(12)
(13)
采用贝叶斯理论,获得高斯过程回归的关键预测方程为:
(14)
其中,为测试集数据点/>对应的均值,/>为对应的方差:
(15)
(16)
其中,即为目标作业速度的预测值。
如图2所示,为高斯过程回归预测模型映射图。
S3、训练目标作业速度的高斯过程回归预测模型;如图3所示,包括:
S31、确定协方差函数;具体为:
高斯过程回归预测模型采用平方指数协方差核函数:
(17)
其中,、l为核函数的超参数,/>为信号方差,l描述的是核函数在参数空间中复杂程度的尺度参数。
S32、设置初始超参数,边际似然超参数优化;具体为:
无人驾驶农机目标作业速度的高斯过程回归预测模型的输入向量m由高程差、横滚角/>、横向位置偏差/>和航向角/>组成,因此,对公式(17)中空间长度尺度l的确定采用自动确定相关性,表达式为:
(18)
其中,分别代表高程差/>、横滚角/>、横向位置偏差/>和航向角/>中每个维度的长度尺度;
将高斯过程回归预测模型的训练过程看作是一个求解非线性数值优化的问题,定义超参数向量:
(19)
用表示/>中的元素,即超参数;
采用最大似然估计法MLE对超参数进行优化,边际似然函数为:
(20)
似然服从高斯分布:
(21)
由高斯过程回归预测模型得:
(22)
公式(22)经过积分运算后仍然服从高斯分布:
(23)
其中,,/>为不考虑高斯噪声的协方差矩阵;
对公式(20)求负对数,得负对数边界似然(Negative log marginal likelihood,NLML)函数:
(24)
求解公式(24)最小值获得优化的超参数,即高斯过程回归预测模型的训练转变为公式(24)的优化问题,目标函数为L,优化目标为求解L的最小值;
对公式(24)求关于超参数的偏导数:
(25)
其中,,/>表示矩阵的迹;
采用共轭梯度法对偏导数进行最小化,得到超参数的最优解,即根据无人驾驶农机测量得到的高程差、横滚角/>、横向位置偏差/>和航向角/>通过高斯回归过程预测需调整的目标作业速度。
S4、训练时对高斯过程回归预测结果评价与检验,获得训练完成的高斯过程回归预测模型;本实施例中,高斯过程回归预测结果评价具体采用平均绝对误差MAE对样本的预测值与真实值偏差进行判定:
(26)
其中,和/>分别表示第i个真实值和预测值,N为预测样本数;MAE值越小,表示模型预测性能越好;
根据公式(15),采用训练好的高斯过程回归预测模型对训练样本进行自回归,根据公式(26)计算MAE判断训练是否成功,若训练不成功,则返回步骤S3;否则,进入步骤S5。
S5、获取无人驾驶农机测试数据样本,采用高斯过程回归预测模型获得相应的无人驾驶农机预测速度,以此预测速度的均值作为目标决策速度;具体为:
将训练好的高斯过程回归预测模型部署于无人驾驶农机终端控制器,获取无人驾驶农机行驶一段时间内的数据作为测试数据样本,采用高斯过程回归预测模型获得相应的无人驾驶农机预测速度/>,以此预测速度的均值/>作为目标决策速度/>。
S6、根据获得目标决策速度,自动调节无人驾驶农机的作业速度;具体为:
将获得目标决策速度传输至无人驾驶农机的机载速度控制器,速度控制器根据当前速度和目标决策速度/>差值,自动调节无人驾驶农机的作业速度。
还需要说明的是,在本说明书中,诸如术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其他实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种无人驾驶农机作业速度自主决策方法,其特征在于,包括以下步骤:
S1、采集无人驾驶农机运动状态数据,筛选影响无人驾驶农机作业速度的因变量,建立目标作业速度训练样本;
S2、建立无人驾驶农机目标作业速度的高斯过程回归预测模型;
S3、训练目标作业速度的高斯过程回归预测模型;具体为:
S31、确定协方差函数;具体为:
高斯过程回归预测模型采用平方指数协方差核函数:
(17)
其中,、l为核函数的超参数,/>为信号方差,l描述的是核函数在参数空间中复杂程度的尺度参数;
S32、设置初始超参数,边际似然超参数优化;具体为:
无人驾驶农机目标作业速度的高斯过程回归预测模型的输入向量m由高程差、横滚角/>、横向位置偏差/>和航向角/>组成,因此对公式(17)中l的确定采用自动确定相关性,表达式为:
(18)
其中,分别代表高程差/>、横滚角/>、横向位置偏差/>和航向角/>中每个维度的长度尺度;
将高斯过程回归预测模型的训练过程看作是一个求解非线性数值优化的问题,定义超参数向量:
(19)
用表示/>中的元素,即超参数;
采用最大似然估计法MLE对超参数进行优化,边际似然函数为:
(20)
似然服从高斯分布:
(21)
由高斯过程回归预测模型得:
(22)
公式(22)积分运算后仍然服从高斯分布:
(23)
其中,,/>为不考虑高斯噪声的协方差矩阵;
对公式(20)求负对数,得负对数边界似然函数:
(24)
求解公式(24)最小值获得优化的超参数,即高斯过程回归预测模型的训练转变为公式(24)的优化问题,目标函数为L,优化目标为求解L的最小值;
对公式(24)求关于超参数的偏导数:
(25)
其中,,/>表示矩阵的迹;
采用共轭梯度法对偏导数进行最小化,得到超参数的最优解,即根据无人驾驶农机测量得到的高程差、横滚角/>、横向位置偏差/>和航向角/>通过高斯回归过程预测需调整的目标作业速度;
S4、训练时对高斯过程回归预测结果评价与检验,获得训练完成的高斯过程回归预测模型;
S5、获取无人驾驶农机测试数据样本,采用高斯过程回归预测模型获得相应的无人驾驶农机预测速度,以此预测速度的均值作为目标决策速度;
S6、根据获得目标决策速度,自动调节无人驾驶农机的作业速度。
2.根据权利要求1所述的一种无人驾驶农机作业速度自主决策方法,其特征在于,步骤S1中,筛选影响无人驾驶农机作业速度的因变量具体为:
影响无人驾驶农机作业速度有多个因变量,采用相关关系法分别对各因变量求取Spearman秩相关系数:
(1)
其中,为秩相关系数,n为数据长度,/>和/>分别为原始数据,/>和/>分别为按照从小到大的顺序排列后的数据;
根据公式(1)分别计算各因变量与速度v的秩相关系数,/>绝对值越大,表示该因变量影响无人驾驶农机速度v越显著。
3.根据权利要求2所述的一种无人驾驶农机作业速度自主决策方法,其特征在于,根据公式(1),以影响无人驾驶农机目标作业速度v最显著的4个因素:高程差、横滚角/>、横向位置偏差/>以及航向角/>,组成4维输入向量m:
(2)
(3)
其中,为第i个输入向量,/>分别表示第i个输入向量的高程差/>、横滚角/>、横向位置偏差/>以及航向角/>;
采集若干个输入向量和输出标量,建立目标作业速度训练样本D:
(4)
其中,为第i个样本的输出标量;/>为所有训练样本输入向量组成的矩阵;/>为所有训练样本输出标量组成的矩阵,其中训练样本集存在噪声且服从标准高斯分布/>。
4.根据权利要求1所述的一种无人驾驶农机作业速度自主决策方法,其特征在于,步骤S2具体为:
定义高斯过程的期望和协方差分别为/>和/>:
(5)
(6)
则高斯过程为:
(7)
其中,随机变量参数x的输出值为随机变量;
对于n个输入,输出/>服从联合高斯分布:
(8)
其中,,/>是/>维矩阵;
对于目标作业速度决策回归,采用含噪声函数模型:
(9)
其中,y为观测值,f为函数值,为x对应的真值;/>服从正态分布,其均值为0;
观测值y的先验分布为:
(10)
给定训练集,测试集/>,令/>,,观测值y和预测值/>的联合先验分布为:
(11)
其中,、/>、/>和/>均为协方差矩阵,/>为对称正定协方差矩阵,矩阵元素/>表示/>和/>之间的相关性;/>为/>单位矩阵;/>和/>具体为:
(12)
(13)
采用贝叶斯理论,获得高斯过程回归的关键预测方程为:
(14)
其中,为测试集数据点/>对应的均值,/>为对应的方差:
(15)
(16)
其中,为目标作业速度的预测值。
5.根据权利要求4所述的一种无人驾驶农机作业速度自主决策方法,其特征在于,步骤S4中,高斯过程回归预测结果评价具体采用平均绝对误差MAE对样本的预测值与真实值偏差进行判定:
(26)
其中,和/>分别表示第i个真实值和预测值,N为预测样本数;MAE值越小,表示模型预测性能越好;
根据公式(15),采用训练好的高斯过程回归预测模型对训练样本进行自回归,根据公式(26)计算MAE判断训练是否成功,若训练不成功,则返回步骤S3;否则,进入步骤S5。
6.根据权利要求1所述的一种无人驾驶农机作业速度自主决策方法,其特征在于,步骤S5具体为:
将训练好的高斯过程回归预测模型部署于无人驾驶农机的终端控制器,获取无人驾驶农机行驶一段时间内的数据作为测试数据样本,采用高斯过程回归预测模型获得相应的无人驾驶农机预测速度/>,以此预测速度的均值/>作为目标决策速度/>。
7.根据权利要求6所述的一种无人驾驶农机作业速度自主决策方法,其特征在于,步骤S6具体为:
将获得目标决策速度传输至无人驾驶农机的机载速度控制器,速度控制器根据当前速度和目标决策速度/>差值,自动调节无人驾驶农机的作业速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310293891.3A CN116069043B (zh) | 2023-03-24 | 2023-03-24 | 一种无人驾驶农机作业速度自主决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310293891.3A CN116069043B (zh) | 2023-03-24 | 2023-03-24 | 一种无人驾驶农机作业速度自主决策方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116069043A CN116069043A (zh) | 2023-05-05 |
CN116069043B true CN116069043B (zh) | 2023-08-15 |
Family
ID=86175256
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310293891.3A Active CN116069043B (zh) | 2023-03-24 | 2023-03-24 | 一种无人驾驶农机作业速度自主决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116069043B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105701572A (zh) * | 2016-01-13 | 2016-06-22 | 国网甘肃省电力公司电力科学研究院 | 一种基于改进高斯过程回归的光伏短期出力预测方法 |
CN107315345A (zh) * | 2017-06-23 | 2017-11-03 | 华南农业大学 | 基于双天线gnss和预瞄追踪模型的农机自动导航控制方法 |
CN109978025A (zh) * | 2019-03-11 | 2019-07-05 | 浙江工业大学 | 一种基于高斯过程回归的智能网联车辆前车加速度预测方法 |
CN110298122A (zh) * | 2019-07-03 | 2019-10-01 | 北京理工大学 | 基于冲突消解的无人驾驶车辆城市交叉口左转决策方法 |
CN111460380A (zh) * | 2020-03-30 | 2020-07-28 | 上海交通大学 | 一种基于高斯过程回归的多工况续驶里程预测方法及*** |
CN113110526A (zh) * | 2021-06-15 | 2021-07-13 | 北京三快在线科技有限公司 | 一种模型训练的方法、无人驾驶设备的控制方法及装置 |
CN114162127A (zh) * | 2021-12-28 | 2022-03-11 | 华南农业大学 | 一种基于机具位姿估计的水田无人农机路径跟踪控制方法 |
CN115047207A (zh) * | 2022-04-14 | 2022-09-13 | 华南农业大学 | 一种无人驾驶农机陷车预警方法 |
CN115407656A (zh) * | 2022-08-25 | 2022-11-29 | 中国科学院计算技术研究所 | 基于动态自适应lqr的智能农机自主作业控制方法及*** |
CN115542719A (zh) * | 2022-09-23 | 2022-12-30 | 江苏大学 | 一种基于多作业参数回报奖励的联合收获机作业速度控制***及方法 |
CN115635509A (zh) * | 2022-11-07 | 2023-01-24 | 上海大学 | 一种基于高斯过程回归的工业机器人位置误差及其置信区间预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112937564B (zh) * | 2019-11-27 | 2022-09-02 | 魔门塔(苏州)科技有限公司 | 换道决策模型生成方法和无人车换道决策方法及装置 |
-
2023
- 2023-03-24 CN CN202310293891.3A patent/CN116069043B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105701572A (zh) * | 2016-01-13 | 2016-06-22 | 国网甘肃省电力公司电力科学研究院 | 一种基于改进高斯过程回归的光伏短期出力预测方法 |
CN107315345A (zh) * | 2017-06-23 | 2017-11-03 | 华南农业大学 | 基于双天线gnss和预瞄追踪模型的农机自动导航控制方法 |
CN109978025A (zh) * | 2019-03-11 | 2019-07-05 | 浙江工业大学 | 一种基于高斯过程回归的智能网联车辆前车加速度预测方法 |
CN110298122A (zh) * | 2019-07-03 | 2019-10-01 | 北京理工大学 | 基于冲突消解的无人驾驶车辆城市交叉口左转决策方法 |
CN111460380A (zh) * | 2020-03-30 | 2020-07-28 | 上海交通大学 | 一种基于高斯过程回归的多工况续驶里程预测方法及*** |
CN113110526A (zh) * | 2021-06-15 | 2021-07-13 | 北京三快在线科技有限公司 | 一种模型训练的方法、无人驾驶设备的控制方法及装置 |
CN114162127A (zh) * | 2021-12-28 | 2022-03-11 | 华南农业大学 | 一种基于机具位姿估计的水田无人农机路径跟踪控制方法 |
CN115047207A (zh) * | 2022-04-14 | 2022-09-13 | 华南农业大学 | 一种无人驾驶农机陷车预警方法 |
CN115407656A (zh) * | 2022-08-25 | 2022-11-29 | 中国科学院计算技术研究所 | 基于动态自适应lqr的智能农机自主作业控制方法及*** |
CN115542719A (zh) * | 2022-09-23 | 2022-12-30 | 江苏大学 | 一种基于多作业参数回报奖励的联合收获机作业速度控制***及方法 |
CN115635509A (zh) * | 2022-11-07 | 2023-01-24 | 上海大学 | 一种基于高斯过程回归的工业机器人位置误差及其置信区间预测方法 |
Non-Patent Citations (1)
Title |
---|
基于ARMA的插秧机田间行驶姿态预测;赵润茂;胡炼;罗锡文;周浩;袁琦堡;张盟;;农业机械学报(第S1期);第8-12页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116069043A (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10564611B2 (en) | Control system and machine learning device | |
US10121107B2 (en) | Machine learning device and method for optimizing frequency of tool compensation of machine tool, and machine tool having the machine learning device | |
KR102225370B1 (ko) | 학습을 통한 파라미터 개선 기반의 예측 시스템 및 방법 | |
CN113874865A (zh) | 借助于贝叶斯优化方法确定技术***的调节策略的模型参数的方法和装置 | |
US20180210406A1 (en) | Numerical controller and machine learning device | |
DE102016008994A1 (de) | Werkzeugmaschine, simulationsvorrichtung und maschineneinlerngerät | |
JP6721121B2 (ja) | 制御カスタマイズシステム、制御カスタマイズ方法および制御カスタマイズプログラム | |
DE102017104438A1 (de) | Vorrichtung zum maschinellen Lernen, Laservorrichtung und Verfahren zum maschinellen Lernen | |
CN112418498B (zh) | 用于智能温室的温度预测方法及*** | |
CN111433689B (zh) | 用于目标***的控制***的生成 | |
CN106292550A (zh) | 具有在线优化控制增益的功能的伺服控制装置 | |
JP6703020B2 (ja) | 制御装置及び機械学習装置 | |
CN113377018A (zh) | 空调器的智能控制方法与空调器的智能控制设备 | |
CN116069043B (zh) | 一种无人驾驶农机作业速度自主决策方法 | |
US11579000B2 (en) | Measurement operation parameter adjustment apparatus, machine learning device, and system | |
CN113939775A (zh) | 用于确定针对技术***的调节策略的方法和设备 | |
CN112925207A (zh) | 一种基于参数辨识的温室环境温度自适应方法 | |
CN116484193A (zh) | 一种作物产量的预测方法、***、设备及介质 | |
JP6829271B2 (ja) | 測定動作パラメータ調整装置、機械学習装置及びシステム | |
CN112036630B (zh) | 一种公路路面降雨量分布估计方法、存储介质及计算设备 | |
Korniіenko et al. | Method and algorithms of nonlinear dynamic processes identification | |
KR20210138498A (ko) | 테스트 벤치를 작동하기 위한 장치 및 방법 | |
JP2024001749A (ja) | パラメータ調整装置 | |
CN117970782B (zh) | 一种基于鱼鳞进化gsom改进的模糊pid控制方法 | |
CN117555220B (zh) | 一种无人机挂载的x光探伤装置控制优化方法 |
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 |