欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2024101548214
申请人: 吉林大学
专利类型:发明专利
专利状态:已下证
专利领域: 一般车辆
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种座椅调节与自动驾驶决策协同优化方法,其特征在于,使用座椅调节与自动驾驶决策协同优化系统进行协同优化,所述座椅调节与自动驾驶决策协同优化系统包括:座椅感知模块;

自动驾驶决策模块,其与所述座椅感知模块电连接;

座椅控制模块,其与所述自动驾驶决策模块电连接;

协同优化算法模块,其同时与所述自动驾驶模块、所述座椅控制模块双向电连接,与所述座椅感知模块电连接;

所述座椅调节与自动驾驶决策协同优化方法包括:步骤一、座椅感知模块通过压力传感器获取乘客的压力分布数据,并将其转化为乘客状态信息,确定乘客当前状态;

步骤二、自动驾驶决策模块基于乘客当前状态和汽车状态信息,系统优化车辆的横向移动和纵向移动;

步骤三、座椅控制模块调整气囊的充气量和响应时间;

步骤四、进行协同优化,建立强化学习模型以及环境,通过调整超参数,得到最优的强化学习决策模型;

其中,模型输入是车辆与座椅状态,输出是车辆与座椅的决策;

构建自动驾驶控制模型:

横向动力学模型:;

式中,为横向稳定性因子,为每个气囊的权重,为每个气囊的充气程度,为每个气囊的面积;

纵向动力学模型为:

;

;

;

式中,为油门踏板的开度,为车辆加速度,为油门全开时发动机能提供的最大驱动力,为空气阻力,为滚动阻力;为空气阻力系数,为车辆迎风面积,为空气密度,为车辆速度;为滚动阻力系数,为车辆质量,为重力加速度;

车辆转弯半径为:

;

式中,为车辆转弯半径,是车辆在特定速度和转向条件下能够实现的最小转弯半径,为车辆在转弯时的速度。

2.根据权利要求1所述的座椅调节与自动驾驶决策协同优化方法,其特征在于,所述座椅感知模块包括多个压力传感器,其分别分布在汽车的乘客座位上。

3.根据权利要求2所述的座椅调节与自动驾驶决策协同优化方法,其特征在于,所述座椅控制模块与座椅上的气囊电连接,用于调整气囊的充气量和响应时间。

4.根据权利要求3所述的座椅调节与自动驾驶决策协同优化方法,其特征在于,所述乘客状态信息包括:座椅椅面压力分布、气囊充气状态;

所述车辆状态信息包括:紫车车速、位置、航向角、他车相对速度和位置。

5.根据权利要求4所述的座椅调节与自动驾驶决策协同优化方法,其特征在于,所述气囊受力范围为:;

给出数值范围

气囊受力与充气量之间的函数关系式为:;

式中,为气囊受力,为充气量,和为根据实验数据确定的常数;

气囊充气调整公式:

;

式中,为在时间内的气囊充气量,为所需充气量,为充气时间响应函数;

座椅的包裹性评估公式为:

;

其中,表示座位的包裹性评估,是第个接触点的压力值,是第个接触点的面积,是考虑乘客体型因素的修正系数,用于调整不同体型乘客对包裹性的感受,表示座位的总面积。

6.根据权利要求5所述的座椅调节与自动驾驶决策协同优化方法,其特征在于,所述步骤四包括:建立优化目标函数:;

其中,表示乘客的不适感,表示车辆的潜在风险,和是权重系数,可根据优化问题的重要性进行调整;

基于SAC模型,根据与环境交互得到的奖励,对网络参数进行反向传播,构建四个Q网络和一个策略网络,奖励的方式为多目标强化学习:

;

式中,是不同奖励项的权重,,表示,基于乘客舒适度的奖励,表示速度奖励,表示决策时间奖励,表示碰撞奖励,这些奖励项共同构成了车辆决策的优化目;

所述SAC模型的Q值网络损失函数满足:;

式中,为时刻的每个元组目标值,为经验回放池中的抽样分组数,为在当前状态下执行动作的Q值,为Q值分类,;

所述SAC模型的策略网络损失函数满足:;

;

式中,是策略网络的损失函数,是神经网络的参数,是策略网络的学习率,为神经网络的参数的导数;

所述策略网络的熵正则化系数满足:;

式中,为依赖熵正则化系数的损失函数,为期望,为经验回放池,为在时间步下给定状态时策略输出动作的概率分布,为熵正则化项系数,H0是目标熵;

对输入动作进行分类和展平处理,输出部分输出有两对参数,根据均值与方差将这两个概率分布构建出来进行抽样,得到模型在这两个维度上的动作,概率分布公式如下:;

式中,表示在时刻的状态下采取的行动,表示策略网络的输出,表示动作采样的概率分布的均值,表示动作采样的概率分布的方差。