买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉上海砺群科技有限公司申请的专利一种线控转向系统传动比优化控制方法及装置获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115384500B 。

龙图腾网通过国家知识产权局官网在2025-10-03发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210901002.2，技术领域涉及：B60W30/18；该发明授权一种线控转向系统传动比优化控制方法及装置是由陈文越;朱峰;王祯;周振华;季小刚;江龙超设计研发完成，并于2022-07-28向国家知识产权局提交的专利申请。

本一种线控转向系统传动比优化控制方法及装置在说明书摘要公布了：本发明公开了一种线控转向系统传动比优化控制方法及装置，包括：获取汽车在路面行驶时的车辆参数；对所述车辆参数进行预处理，获取预处理后的车辆参数；将所述预处理后的车辆参数输入预先训练过的深度强化学习算法中，得到实时的线控转向传动比，基于传动比的计算值对线控转向系统的值进行实时的调整，本发明根据传统车辆动力学算法，确定基本的传动比选择范围，然后根据深度学习强化算法，根据车辆的状态进行最优化学习，动态的调整转向传动比，让线控转向系统的性能发挥到最优，使得车辆不论在低速转弯、高速转弯、空载、满载等各种状态下均让驾驶员的感受最佳。

本发明授权一种线控转向系统传动比优化控制方法及装置在权利要求书中公布了：1.一种线控转向系统传动比优化控制方法，其特征在于，包括： 获取汽车在路面行驶时的车辆参数； 对所述车辆参数进行预处理，获取预处理后的车辆参数； 将所述预处理后的车辆参数输入预先训练过的深度强化学习算法中，得到实时的线控转向传动比，基于传动比的计算值对线控转向系统的值进行实时的调整； 所述深度强化学习算法的训练包括： 获取汽车在路面行驶时的车辆参数； 对所述车辆参数进行预处理，获取预处理后的车辆参数； 将所述预处理后的车辆参数作为深度强化学习算法的输入，得到最优传动比； 将深度强化学习算法得到的最优传动比作为线控转向系统的输入信号，在汽车继续行驶的过程中，线控转向系统根据算法计算出的值进行传动比的输入，并得到车辆参数的反馈值； 将反馈值预处理后再次作为深度强化学习算法的输入；进行多次循环过程，采集每次循环过程中的车辆参数的数据，并使用该数据对深度强化学习算法进行训练； 对以上步骤进行多次迭代训练，从而得到训练好的深度强化学习算法；其中，所述深度强化学习算法的输出为线控转向系统的传动比； 所述深度强化学习算法的实现步骤包括： 算法步骤1：利用式1定义深度强化学习方法的车辆状态参数v： v＝{w ,α，β，wd，αd，βd}                  1； 其中，wd为理想横摆角速度；w为测量横摆角速度；αd为理想车身侧倾角；α为测量车身侧倾角；βd为理想车身俯仰角；β为测量车身俯仰角； 算法步骤2：利用式2定义深度强化学习方法的动作参数a:  a＝{γ}                                        2； 式中：γ为线控转向系统角传动比，无单位； 算法步骤3：利用式3建立深度强化学习方法的奖励函数r： r＝rβ + rw + rα+ rt                                3； 其中：rβ为车身俯仰角奖励函数、 rw为车身横摆角速度奖励函数、 rα为车身侧倾角奖励函数、 rt为横向加速度响应时间； 算法步骤4：构建深度强化学习方法的计算模型； 算法步骤5：利用初始数据生成N个车辆数据样本； 算法步骤6：用步骤5得到的N个车辆数据样本对深度强化学习方法的模型进行训练，从而得到最优化神经网络模型； 算法步骤7：在车辆运行中，实时测量车辆当前状态参数vt，将状态参数输入到以上得到的最优神经网络模型中，直接输出目前状态下最优化的线控转向提供传动比； 所述奖励函数设置为3个优先级，优先级越高，则该原则越重要，设计原则为： 1级：保证横摆角速度控制和横向加速度响应时间在设定范围内； 2级：保证车身的侧倾控制高于车身的俯仰控制； 3级：保证车身的俯仰在设定范围内； 其中，rα车身侧倾角奖励函数如式4所示，对应于2级设计原则，公式如下：   4； 其中， roll为车身侧倾角； △roll＝|roll–roll_normal|，表示车身侧倾角变化量； 所述roll_normal表示在平整路面上汽车的车身侧倾角；maxroll为△roll的最大值 ,roll_th为△roll的阈值，maxroll≥roll_th≥0； rβ车身俯仰角奖励函数如式5所示，对应于3级设计原则，公式如下：  5； 其中，ph为车身俯仰角；Δph＝|ph–ph_normal|，表示车身俯仰角变化量；所述ph_normal表示在平整路面上汽车的车身俯仰角；maxph为△ph的最大值 ,ph_th为Δph的阈值，maxph≥ph_th≥0； rw车身横摆角速度奖励函数如式6所示，对应于1级设计原则 ，设计二次函数作为1级奖励函数，公式如下：   6； 其中，yaw为车身横摆角速度； Δyaw＝|yaw–yaw_normal|，表示车身横摆角速度变化量；所述yaw_normal表示在平整路面上汽车的横摆角速度；maxyaw为Δyaw的最大值 ,yaw_th为Δyaw的阈值，maxyaw≥yaw_th≥0； rt车身横向加速度响应时间奖励函数如式7所示，对应于1级设计原则 ，设计二次函数作为1级奖励函数，公式如下：  7； 其中，yt为车身横向加速度响应时间；Δyt＝|yt–yt_normal|，表示车身横向加速度响应时间变化量；所述yt_normal表示在平整路面上汽车的车身横向加速度响应时间；maxyt为Δyt的最大值 ,yt_th为Δyaw的阈值，maxyt≥yt_th≥0； 所述构建深度强化学习方法的计算模型包括： 构建初始动作神经网络模型，模型为三层神经网络模型包括：第一层输入层，包含一个神经元，第二层为隐藏层，包含x1个神经元，第三层为包含2个神经元的输出层；初始化动作参数为ina_first ； 构建评价神经网络模型，模型为三层神经网络模型，包括：第一层输入层，包含两个神经元，隐藏层包含x2个神经元，输出层包含1个神经元，初始化评价参数为inev_first； 构建目标神经网络模型，其结构与初始神经网络模型结构相同，且令目标动作参数ina_target＝ ina_first ，构建目标评价神经网络模型，其结构与评价神经网络模型结构相同，且令目标评价参数inev_target＝inev_first； 所述利用初始数据生成N个车辆数据样本，包括： 利用经验值或者实车测量值赋值初始车辆状态参数v_inital，并以此车辆状态参数v_inital作为初始神经网络的输入，由该模型输出fv_inital | ina_first ； 利用式8得到第n个车辆动作参数an： an＝fv_inital | ina_first  8根据式3获取第n个车辆奖励值rn，并得到更新后的第n个车辆状态参数vn_new；从而得到获得第n条样本，记为vn, an, rn, vn_new； 重复以上步骤进而得到所需要的N个数据样本； 所述用步骤5得到的N个车辆数据样本对深度强化学习方法的模型进行训练，从而得到最优化神经网络模型，包括： 初始化n＝1，以第n个车辆状态参数vn作为当前第n个动作神经模型的输入，由所述当前第n个动作神经模型输出第n个输出值fvn | ina_first ； 以第n个车辆状态参数vn、第n个车辆动作参数an和动作网络的第n个输出值fvn| ina_first 均作为当前第n个评价模型的输入，由第n个车辆状态参数vn和第n个车辆动作参数an经过当前第n个评价模型输出第n个输出值Fnan；由动作神经模型的第n个输出值fvn| ina_first 经过当前第n个评价模型输出第n个输出值Fnfvn | ina_first ； 以更新后的第n个车辆状态参数vn_new作为当前第n个目标动作神经模型的输入，由当前第n个目标动作神经模型输出第n个输出值fvn_new | ina_target； 以更新后的第n个车辆状态参数vn_new和目标动作神经模型的第n个输出值fvn_new| ina_target作为当前第n个目标评价模型的输入，由当前第n个目标评价模型输出第n个输出值F′nan_vew； 根据当前第n个评价模型的第n个输出值Fnfvn| ina_first 利用自然梯度法对当前第n个动作神经模型进行更新，从而得到第n次更新后的动作神经模型并作为第n+1个动作神经模型； 以当前第n个评价模型的输出Fnan以及当前第n个目标评价模型的输出F′nan_new，利用最大似然损失对当前第n个评价模型进行更新，从而得到第n次更新后的评价模型并作为第n+1个评价模型； 如果n+1＞N则表明得到最优神经网络模型，如果nN ，重复步骤，直到nN。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人上海砺群科技有限公司，其通讯地址为：201805 上海市嘉定区安亭镇曹安公路5666号242室；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。