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！

龙图腾网获悉福州大学申请的专利融合ESO及深度强化学习的自动驾驶车超扭曲滑模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：CN119575819B 。

龙图腾网通过国家知识产权局官网在2025-11-25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：202411710876.5，技术领域涉及：G05B13/04；该发明授权融合ESO及深度强化学习的自动驾驶车超扭曲滑模控制方法是由陈志勇;王博;叶兴柱设计研发完成，并于2024-11-27向国家知识产权局提交的专利申请。

本融合ESO及深度强化学习的自动驾驶车超扭曲滑模控制方法在说明书摘要公布了：本发明提出融合ESO及深度强化学习的自动驾驶车超扭曲滑模控制方法，包括以下步骤；步骤S1：对于自动驾驶车辆，建立其在外部干扰影响下的单轨动力学方程；步骤S2：结合预瞄距离自适应调节策略，建立车辆单点预瞄偏差模型；步骤S3：引入扩张状态观测器ESO，对车辆预瞄偏差模型中的不确定性进行实时观测；步骤S4：结合ESO观测结果，提出用于自动驾驶车辆横向循迹的超扭曲滑模控制方法；步骤S5：对深度强化学习问题进行建模，进行离线训练；步骤S6：将已训练好的MLP神经网络模型用于超扭曲滑模控制方法中相关关键控制参数的在线自整定；本发明能更好地解决未知外部干扰及轮胎侧偏刚度参数不确定影响下的自动驾驶车辆横向循迹控制问题。

本发明授权融合ESO及深度强化学习的自动驾驶车超扭曲滑模控制方法在权利要求书中公布了：1.融合ESO及深度强化学习的自动驾驶车超扭曲滑模控制方法，其特征在于： 包括以下步骤； 步骤S1：对于自动驾驶车辆，建立其在外部干扰影响下的单轨动力学方程； 步骤S2：结合预瞄距离自适应调节策略，建立车辆单点预瞄偏差模型； 步骤S3：引入扩张状态观测器ESO，对车辆预瞄偏差模型中的不确定性进行实时观测； 步骤S4：结合ESO观测结果，提出用于自动驾驶车辆横向循迹的超扭曲滑模控制方法； 步骤S5：对深度强化学习问题进行建模，搭建多层感知器MLP神经网络模型并使用双延迟深度确定性策略梯度TD3算法对该神经网络模型进行离线训练； 步骤S6：将已训练好的MLP神经网络模型用于超扭曲滑模控制方法中相关关键控制参数的在线自整定，使车辆能够更好地完成预期的横向循迹任务； 所述步骤S4的实现过程包括以下步骤： 步骤S4.1：为使自动驾驶车辆能快速、稳定地跟随参考轨迹，结合步骤S3中的ESO观测结果，采用用于车辆横向循迹的超扭曲滑模控制方法，具体为定义滑模面，以公式表述为， 其中，ye是预瞄点在车辆坐标系下的纵坐标，λ＞0为滑模面的斜率参数； 采用融合ESO的超扭曲滑模控制方法，以公式表述为， 其中， fy、b是车辆单点预瞄偏差模型中的变量， usta为超扭矩滑模控制项STA，其具体表达式如下 其中，且α＞0，β＞0；ueso为基于ESO的补偿控制项，用于消除干扰项ξ影响，其具体表达式如下 步骤S4.2：利用李雅普诺夫稳定理论对所述控制方法进行稳定性；具体为：对s求导，并结合车辆动力学方程得 将前轮转角控制律δf代入得闭环系统 在ESO的补偿作用下，ξ-z3→0，z3是ξ的估计值，则上式近似简化为 定义Lyapunov函数V＝χTPχ 其中，χ＝[χ1,χ2]T，且为Hurwitz矩阵；P为方程ATP+PA＝-Q的对称、正定解，Q为对称、正定矩阵； 对V＝χTPχ求导，有 综上所述，当||χ||≠0，则系统将满足渐近稳定条件；当||χ||＝0，则有s＝0，ye＝0。

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福州大学，其通讯地址为：350108 福建省福州市闽侯县福州大学城乌龙江北大道2号福州大学；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。