[發(fā)明專利]一種無人車數(shù)據(jù)驅(qū)動控制方法和裝置

在審

• 申請?zhí)枺?/td>: 202110433856.8
• 申請日: 2021-04-22
• 公開（公告）號: CN112989499A
• 公開（公告）日: 2021-06-18
• 發(fā)明（設(shè)計(jì)）人: 蔣薇;劉晉澤;蘇紹璟;左震;郭曉俊
• 申請（專利權(quán)）人: 中國人民解放軍國防科技大學(xué)
• 主分類號: G06F30/15
• 分類號: G06F30/15;G06F30/20
• 代理公司: 長沙國科天河知識產(chǎn)權(quán)代理有限公司 43225
• 代理人: 段盼姣

1.一種無人車數(shù)據(jù)驅(qū)動控制方法，其特征在于，所述方法包括：

通過傳感器獲取無人車在行駛狀態(tài)下的多組數(shù)據(jù)對信息；所述多組數(shù)據(jù)對信息中的每組數(shù)據(jù)對包含一個時刻的當(dāng)前控制量、當(dāng)前狀態(tài)量和下一時刻狀態(tài)量；

構(gòu)建非線性靜態(tài)映射模型和高維線性動態(tài)演化模型，根據(jù)所述多組數(shù)據(jù)對信息通過構(gòu)建有監(jiān)督回歸優(yōu)化問題，求解所述高維線性動態(tài)演化模型，得到所述高維線性動態(tài)演化模型的參數(shù)信息；所述非線性靜態(tài)映射模型滿足在狀態(tài)量為0時，所述非線性靜態(tài)映射模型的值為0；所述高維線性動態(tài)演化模型根據(jù)所述參數(shù)信息確定模型參數(shù)；

在預(yù)測時域內(nèi)以最小化期望軌跡跟蹤誤差為優(yōu)化目標(biāo)，構(gòu)建無人車的模型預(yù)測控制最優(yōu)化模型，以所述高維線性動態(tài)演化模型、所述非線性靜態(tài)映射模型、狀態(tài)量約束和控制量約束為約束條件，通過優(yōu)化求解器求解所述模型預(yù)測控制最優(yōu)化模型，得到預(yù)測時域內(nèi)的控制量序列，并將第一個控制量作為無人車當(dāng)前的控制量。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述構(gòu)建非線性靜態(tài)映射模型和高維線性動態(tài)演化模型包括：

構(gòu)建非線性靜態(tài)映射模型為：

其中，是一種非線性映射函數(shù)，以實(shí)現(xiàn)從x→z的映射，可以設(shè)計(jì)成深度神經(jīng)網(wǎng)絡(luò)或者由基函數(shù)構(gòu)成；z(k)表示k時刻的高維的抽象狀態(tài)量；x(k)表示k時刻在原狀態(tài)空間的狀態(tài)量；n表示原狀態(tài)空間的維數(shù)；表示高維特征空間的維數(shù)；

構(gòu)建高維線性動態(tài)演化模型為：

其中，A,B表示高維線性動態(tài)演化模型的參數(shù)；C表示高維線性空間到低維非線性原狀態(tài)空間的映射關(guān)系參數(shù)；u(k)表示k時刻的控制量；表示k時刻根據(jù)高維狀態(tài)空間的狀態(tài)值z(k)計(jì)算得到的狀態(tài)量x(k)的估計(jì)值。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，根據(jù)所述多組數(shù)據(jù)對信息通過構(gòu)建有監(jiān)督回歸優(yōu)化問題求解所述高維線性動態(tài)演化模型，包括：

構(gòu)建求解高維線性動態(tài)演化模型參數(shù)A,B的一種最優(yōu)化目標(biāo)函數(shù)為：

其中，M表示所述多組數(shù)據(jù)對信息的組數(shù)；x_j表示第j組數(shù)據(jù)對中無人車的狀態(tài)量；x_j⁺表示x_j的下一時刻狀態(tài)量；是一種非線性映射函數(shù)，以實(shí)現(xiàn)從x→z的映射，可以設(shè)計(jì)成深度神經(jīng)網(wǎng)絡(luò)或者由基函數(shù)構(gòu)成，以基函數(shù)形式為例，ψ_i是基函數(shù)，表示基函數(shù)的個數(shù)；u_j表示第j組數(shù)據(jù)對中無人車的控制量；α＞0是一個常數(shù)；表示Frobenius范數(shù)。

構(gòu)建求解高維線性動態(tài)演化模型參數(shù)C的一種最優(yōu)化目標(biāo)函數(shù)為：

其中，β＞0是一個常數(shù)。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，根據(jù)所述多組數(shù)據(jù)對信息通過構(gòu)建有監(jiān)督回歸優(yōu)化問題求解所述高維線性動態(tài)演化模型，包括：

當(dāng)非線性映射函數(shù)為深度神經(jīng)網(wǎng)絡(luò)時，構(gòu)建求解高維線性動態(tài)演化模型參數(shù)A,B和優(yōu)化深度神經(jīng)網(wǎng)絡(luò)權(quán)值W的一種最優(yōu)化目標(biāo)函數(shù)為：

其中，γ＞0是一個常數(shù)。