【技术实现步骤摘要】
本专利技术属于控制，具体涉及基于长短时记忆网络的无人驾驶汽车学习型预测控制方法。
技术介绍
1、随着硬件计算能力的提升和控制方法的更新，自动驾驶汽车(av)技术正在蓬勃发展。然而在实际应用中，也有出现自动驾驶汽车事故，甚至危及生命的现象。安全问题也始终是学术界和制造商的首要考虑因素。因此，首先应该实现在复杂的环境中进行合理的路径规划；其次便是基于车辆模型的路径跟踪问题。然而，对于如何建立车辆模型，以及设计合理的控制器实现路径跟踪，仍然是当前自动驾驶汽车技术下的难题。
2、深度学习作为一种典型的自动特征提取方法，近年来越来越受到人们的关注，通常，当使用包含复杂特征的大数据进行建模时，深度学习的性能优于浅层学习方法。而车辆动力学模型是复杂的非线性系统，深度学习在处理该系统时其提取特征的优势将更为明显。
3、模型预测控制(mpc)被广泛认为是一种高性能且实用的控制技术。这种基于模型的控制策略使用系统响应的预测来建立适当的控制响应，在各个领域中都被广泛应用。在硬件的算力满足要求的条件下，模型预测控制具有杰出且强大的控制能...
【技术保护点】
1.基于长短时记忆网络的无人驾驶汽车学习型预测控制方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于长短时记忆网络的无人驾驶汽车学习型预测控制方法，其特征在于，所述结合帕采卡轮胎模型的线性化纵向力和侧向力的公式，建立基于阿克曼驾驶汽车模型的非线性车辆动力学模型，包括：
3.根据权利要求2所述的基于长短时记忆网络的无人驾驶汽车学习型预测控制方法，其特征在于，所述车辆动力学模型表示为：
4.根据权利要求3所述的基于长短时记忆网络的无人驾驶汽车学习型预测控制方法，其特征在于，所述非线性车辆动力学模型表示如下：
5....
【技术特征摘要】
1.基于长短时记忆网络的无人驾驶汽车学习型预测控制方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于长短时记忆网络的无人驾驶汽车学习型预测控制方法，其特征在于，所述结合帕采卡轮胎模型的线性化纵向力和侧向力的公式，建立基于阿克曼驾驶汽车模型的非线性车辆动力学模型，包括：
3.根据权利要求2所述的基于长短时记忆网络的无人驾驶汽车学习型预测控制方法，其特征在于，所述车辆动力学模型表示为：
4.根据权利要求3所述的基于长短时记忆网络的无人驾驶汽车学习型预测控制方法，其特征在于，所述非线性车辆动力学模型表示如下：
5.根据权利要求4所述的基于长短时记忆网络的无人驾驶汽车学习型预测控制方法，其特征在于，所述...
【专利技术属性】
技术研发人员：钟爱平，张浪文，冯太合，沈浩林，王中旭，程小时，辛文涛，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。