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！

龙图腾网获悉吉林大学申请的专利基于工况识别的自动驾驶车辆动态漂移避障控制方法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：CN119668265B 。

龙图腾网通过国家知识产权局官网在2025-07-04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：202411840868.2，技术领域涉及：G05D1/43；该发明授权基于工况识别的自动驾驶车辆动态漂移避障控制方法是由刘双瑞;李世武;杨浩;王立早;王嘉诣设计研发完成，并于2024-12-13向国家知识产权局提交的专利申请。

本基于工况识别的自动驾驶车辆动态漂移避障控制方法在说明书摘要公布了：本发明公开了一种基于工况识别的自动驾驶车辆动态漂移避障控制方法，属于自动驾驶车辆控制领域，包括感知车辆及周边环境的多维动态特征，利用图神经网络对历史多维动态特征的信息熵进行预测，并根据预测误差自适应调整传感器采样频率；基于自适应调整后的传感器采样数据，采用模糊逻辑增强的时序卷积神经网络判断车辆是否处于漂移临界区；根据车辆是否处于漂移临界区，自适应调整模型预测控制器的状态权重矩阵和控制权重矩阵，计算得到车辆前轮转角和后轮驱动力控制指令；将控制指令发送至转向执行器和驱动执行器，实现车辆避障和轨迹跟踪。本发明旨在提高自动驾驶车辆在复杂工况下的操控能力和安全性，提升车辆的整体动态性能。

本发明授权基于工况识别的自动驾驶车辆动态漂移避障控制方法在权利要求书中公布了：1.一种基于工况识别的自动驾驶车辆动态漂移避障控制方法，其特征在于：包括以下步骤： 步骤S10，通过车载传感器感知车辆与周边场景域的多维动态特征； 步骤S20，根据S10获取的多维动态特征的信息熵，通过图神经网络对当前信息熵进行预测，并根据预测误差自适应地调整传感器采样频率，以实现车载传感器自适应变频采样策略； 步骤S30，基于步骤S20的自适应调整后的传感器采样数据，采用模糊控制增强的时序卷积神经网络对当前车辆状态进行实时推理，判断其是否处于漂移临界区或稳定行驶工况； 步骤S40，根据步骤S30判断的车辆处于漂移临界区的可能性，自适应地调整模型预测控制器的状态权重矩阵Q和控制权重矩阵R，以实现车辆在不同工况下的稳定控制； 步骤S50，根据步骤S40计算得到车辆前轮转角和后轮驱动力控制指令，并将这些指令分别发送至转向执行器和驱动执行器，以实现车辆在行驶过程中的安全避障，跟踪规划轨迹； 步骤S30包括以下步骤： 步骤S301，对步骤S20自适应传感器变频采样策略调整后获取的时序数据进行归一化处理，公式如下： ； 式中，为时刻第个原始特征数据，包括车速、车辆纵向加速度；为时刻第个特征归一化的值；和分别表示在整个时间序列中，第个特征的最小值和最大值； 步骤S302，将归一化后的各特征数据在时刻组合成特征向量： ； 式中，为特征数量；按照时间顺序构建特征向量序列，其中N为时间窗口长度； 步骤S303，对归一化后的特征向量序列X进行模糊化处理： ①将特征向量序列X中的每个特征向量的每个分量转化为模糊隶属度，采用三角形隶属度函数进行模糊化： ； 式中，为变量隶属于模糊集合A的隶属度；、、分别为定义三角隶属度函数的参数； ②采用Mamdani模糊规则进行模糊推理： ； 式中，为第个特征对应的模糊集合； ③采用重心法进行去模糊化，得到模糊推理结果： ； 式中，为去模糊化后输出值，表示时刻车辆处于漂移临界区的可能性；为第条模糊规则的输出中心值； ④将模糊推理结果加入到特征向量中，得到特征增强向量，并构建增强特征向量序列： ； 步骤S304，将特征增强向量序列输入到时间卷积网络TCN模型中，预测车辆处于漂移临界区的可能性： ； 式中，为TCN模型的输出结果，表示车辆在时刻处于漂移临界区的可能性； 步骤S305，采用加权平均的方法，根据TCN模型预测结果和模糊推理结果，综合得到车辆处于漂移临界区的可能性： ； 式中，为最终得到的车辆处于漂移临界区的可能性；和分别为TCN模型和模糊规则的权重； 步骤S306，根据融合后的可能性，判断车辆是否处于漂移临界区： ； 式中，为临界区判断阈值； 步骤S40包括以下步骤： 步骤S401，基于车辆的三自由度模型，构建以车辆质心横向误差和航向角误差为状态变量的动力学模型： ； 式中，为横向误差的导数；为航向角误差的导数；为纵向速度的导数；为质心侧偏角的导数；为横摆角速度的导数；V为纵向速度；为质心侧偏角；为航向角误差；为横摆角速度；为道路曲率；为横向误差；为车辆质量；，分别为前后轮侧向力；为后轮驱动力；为前轮转角；为车身沿z轴的转动惯量；分别为质心到车辆前轴与后轴的距离； 步骤S402，将非线性动力学模型进行线性化和离散化处理；线性化采用泰勒展开式，离散化采用向前欧拉法： ； 式中，为离散化后的状态矩阵；为离散化后的控制矩阵；状态向量为，为时刻的控制向量； 步骤S403，构建模型预测控制器的优化问题，优化的目标是在预测时域内找到最优的控制输入，以最小化以下目标函数： ； 式中，为模型预测控制器的预测时域长度；为期望状态向量；为时刻的状态向量；为控制增量的变化量；为状态权重矩阵；R为控制权重矩阵； 优化过程中，模型状态量与控制量的约束条件如下： ； 式中，为状态变量的变化量；，分别为状态变量变化量的最小值和最大值；，分别为控制变量变化量的最小值和最大值；，分别为控制量的最小值和最大值； 步骤S404，在满足约束条件的情况下，求解优化问题，得到预测时域内车辆的最优控制序列： 。

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吉林大学，其通讯地址为：130012 吉林省长春市朝阳区前进大街2699号；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”。