CN119416626A 基于物理引擎的智能网联汽车动力学仿真方法及系统 （苏州登城智能科技有限公司）

基于物理引擎的智能网联汽车动力学仿真本发明提供一种基于物理引擎的智能网联自适应优化算法对多智能体协同控制模型进行体协同控制模型映射到实际智能网联汽车控制2获取智能网联汽车的车辆参数和路况信息，基于所述车辆参优化后的多智能体协同控制模型映射到实际智建立智能网联汽车群体的分布式边缘计算网络，接收车载传感器的键零部件进行几何建模和物理建模，通过仿真求解模拟零部件的内部状态变化和输出响在多层次物理引擎仿真环境中，利用图神经网络对智能体之间的交互关系进行建模，辆的状态变化和决策迭代统一到隐藏状态的循将图神经网络的输出作为循环神经网络的输入，形成端到端的多智能体协同控制模将所述分布式控制策略作为多层次物理引擎仿真环境的控制输入，3构建环境动力学模型，所述环境动力学模型接收历利用历史轨迹数据对构建的环境动力学模型进行训练，基于训练后的环境动力学模在多智能体协同控制场景下，将非线性模型预测控制问题分解构建多任务学习框架，其中包括基于卷经神经网络和多接收包含场景输入数据、场景理解标签和决策标签的交通场景数据基于场景理解结果和场景理解标签，分别计算语义分割、目标检测将联合损失函数输入优化算法，采用带有学习率衰减和梯度裁剪的自适应矩估计方4构建多模态编码一解码网络结构，编码器采用图卷生成的轨迹点和编码器输出的场景特征预测下一在构建好的编码器中，使用多头自注意力机制计算车辆之间将轨迹预测建模为条件概率分布的学习问题，利用得到的初步轨迹基于得到的轨迹预测概率分布，采用蒙特卡洛模拟方法计算车辆将得到的轨迹预测概率分布、场景评估结果与构建好的交通规则将路网划分为若干个交通小区，每个小区对应网络中的一个根据交通小区划分结果、交通小区交通流量和交通小区间转移概对所有车辆的时间差异和路径偏差分别进行加权平均，将时间差异的5基于所述环境模型，在云端利用预先构建的决策模型求解最优将所述期望状态序列下发至车端，在车端通过执行优化模块进行微记录所述车辆执行系统的实际执行结果和环境反馈，8.一种基于物理引擎的智能网联汽车动力学仿真系统，用于实现前述权利要求1_7中第一单元，用于获取智能网联汽车的车辆参数和路况信息第二单元，用于建立智能网联汽车群体的分布式边缘计算6其中，所述处理器被配置为调用所述存储器存储的指令，以执行程序指令被处理器执行时实现权利要求1至7中任意7[0003]因此，本发明专利提出一种基于物理引擎的智能网联汽车动力学仿真方法及系8神经网络构建智能网联汽车的多智能体协同控制模型并部署至多层次物理引擎仿真环境，车辆的状态变化和决策迭代统一到隐藏状态的循环[0018]构建环境动力学模型，所述环境动力学模型接收历史状个子问题对应一个智能体，各智能体接收局部状态信息，通过分布式MPC架构进行协同优9间步生成的轨迹点和编码器输出的场景特征预测下一时刻的[0035]将得到的轨迹预测概率分布、场景评估结果与构建好的矩阵进行谱分解，取前k个最大特征值对应的特征向量构成矩阵，对矩阵的每一行进行聚和路径偏差的加权平均值按照预设权衡参数进行加权求和，得到交通场景的效率评估值，辆的期望状态序列；决策模型参数化为神经网络，车端使用本地训练数据更新模型参数并上传参数梯度至云[0064]通过自适应优化算法对协同控制模型进行优化，使其能够动态适应不同交通场[0065]图1为本发明实施例基于物理引擎的智能网联汽车动力学仿真方法的流程示意[0066]图2为本发明实施例基于物理引擎的智能网联汽车动力学仿真系统的结构示意[0069]图1为本发明实施例基于物理引擎的智能网联汽车动力学仿真方法的流程示意同控制模型并部署至多层次物理引擎仿真环境，并模拟多场景下的智能网联汽车群体行控制模型需要部署到物理引擎仿真环境中进建智能网联汽车的数字孪生模型，可以将优化后的控制策略映射到实际车辆的控制系统神经网络构建智能网联汽车的多智能体协同控制模型并部署至多层次物理引擎仿真环境，车辆的状态变化和决策迭代统一到隐藏状态的循环仿真分析缸体在燃烧压力和热载荷作用下的应力分布[0091]构建环境动力学模型，所述环境动力学模型接收历史状个子问题对应一个智能体，各智能体接收局部状态信息，通过分布式MPC架构进行协同优刻的状态和动作以不同的权重。这一机制可以帮助模型更加关注关键时间点的关键动作，[0098]在多智能体协同控制的场景下，将非线性模型预测控制[0101]S102.建立智能网联汽车群体的分[0104]为了充分利用群体的历史经验，将个性化控制策略和对间步生成的轨迹点和编码器输出的场景特征预测下一时刻的[0134]将得到的轨迹预测概率分布、场景评估结果与构建好的解码器采用长短时记忆网络(LSTM)或门控循环单元(GRU)对车辆轨迹进行回归生成。LSTM和GRU是两种常用的循环神经网络结构，能够建模时序数据的长期依赖关系。在每个时间则等信息表示为概率图模型中的变量和条件概率，利用符号逻辑描述它们之间的约束关矩阵进行谱分解，取前k个最大特征值对应的特征向量构成矩阵，对矩阵的每一行进行聚和路径偏差的加权平均值按照预设权衡参数进行加权求和，得到交通场景的效率评估值，[0152]根据以上得到的交通小区划分结果、交通小区交通流量辆的期望状态序列；决策模型参数化为神经网络，车端使用本地训练数据更新模型参数并上传参数梯度至云