CN119527341A 一种基于深度学习的智能网联phev多行驶模式自主决策控制方法 (重庆科技大学)_第1页
CN119527341A 一种基于深度学习的智能网联phev多行驶模式自主决策控制方法 (重庆科技大学)_第2页
CN119527341A 一种基于深度学习的智能网联phev多行驶模式自主决策控制方法 (重庆科技大学)_第3页
CN119527341A 一种基于深度学习的智能网联phev多行驶模式自主决策控制方法 (重庆科技大学)_第4页
CN119527341A 一种基于深度学习的智能网联phev多行驶模式自主决策控制方法 (重庆科技大学)_第5页
已阅读5页,还剩30页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

一种基于深度学习的智能网联PHEV多行驶种基于深度学习的智能网联PHEV多行驶模式自从而规划出最优目标车辆速度,实现智能网联2S4:采用下一代交通仿真项目的公开数据作为深度S6:使用训练优化后的策略和基于规则式ACC控制策略分别在同一典型工况和实际工2.如权利要求1所述的基于深度学习的智能网联PHEV多行驶模式自主决策控制方法,在步骤S2中,构建巡航智能网联PHEV行驶模型、跟驰智能网联PH巡航智能网联PHEV行驶模型设计:在车辆处于巡航模式工作时,跟驰智能网联PHEV行驶模型设计:通过实时获得的交通道路环境通行智能网联PHEV行驶模型设计:依托智能网联环境,根据获取的3.如权利要求2所述的基于深度学习的智能网联PHEV多行驶模式自主决策控制方法,在步骤S3中,所述DDPG算法采用确定性策略梯度方法与A4.如权利要求3所述的基于深度学习的智能网联PHEV多行驶模式自主决策控制方法,状态空间和动作空间的设计:当目标车辆在复杂交通主决策控制模型可以根据获取到的周边信息自主决策35.如权利要求4所述的基于深度学习的智能网联PHEV多行驶模式自主决策控制方法,6.如权利要求5所述的基于深度学习的智能网联PHEV多行驶模式自主决策控制方法,在步骤S6中,使用训练优化后的策略和基于规则式ACC控制策略分别在同一典型工况和实际工况中进行仿真测试具体包括典型工况仿真结果分析和实7.如权利要求6所述的基于深度学习的智能网联PHEV多行驶模式自主决策控制方法,8.如权利要求7所述的基于深度学习的智能网联PHEV多行驶模式自主决策控制方法,4[0002]随着智能交通系统ITS和人工智能技术的不断发展,传统汽车与智能网联技术逐环境。基于深度强化学习理论在车辆自动驾驶领域的研究大多都是关于车辆跟随行驶决[0005]本发明的目的在于提供一种基于深度学习的智能网联PHEV多行驶模式自主决策5[0012]S6:使用训练优化后的策略和基于规则式ACC控制策略分别在同一典型工况和实前车状态信息进行目标速度的规划,建立了基于RBF神经网络的预测模型对前车速度进行式自主决策控制模型可以根据获取到的周边信息自主决典型工况和实际工况中进行仿真测试具体包括典型工况仿真结果分析和实际工况仿真结[0024]其中,在步骤S6中,实际6[0043]S6:使用训练优化后的策略和基于规则式ACC控制策略分别在同一典型工况和实7济构建多目标奖励函数,利用马尔可夫决策过程搭建多目标行驶模式自主决策控制模型,智能感知车载车传感器获取其他车辆的准确位置信息,利用车辆对车辆通信V2V和车辆对模型及通行智能网联PHEV行驶模型的具用车载通信单元(OnBoardUnit,OBU)与路测单元(RoadSideUnit,RSU)通信,获取所行89reqreq和车速,V2I技术获取前方信号灯状态,以及该信号灯剩余时间和目标车辆到信号灯的位rg]])50.014[0084]在步骤S3中,所述DDPG算法采用确定性策略梯度方法与Actor一Critic算法相结驶模式自主决策控制模型可以根据获取到的周边信息自主决策使用何种行驶模式目标车f进行仿真实验,采用下一代交通仿真项目的公开数据作为深度强化学习网络训练数据集,DDPG算法的深度神经网络训练阶段参数设同一典型工况和实际工况中进行仿真测试具体包括典型工况仿真结果分析和实际工况仿离会出现一个信号灯的道路,4个信号灯分布距离和信号灯时序变换信息与本文通行模式[0109]实际工况仿真结果分析:为了验

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论