摘要：在电动汽车的实际驾驶场景中,由于复杂多变的运行条件和动力电池的非线性,对电池荷电状态(SOC)的准确估计存在较大的误差,从而造成车主的里程焦虑。针对上述问题,提出了一种时间卷积优化网络(TCON)方法,用于实时估计动力电池SOC。首先,建立无归一化的时间卷积网络(TCN)模型,通过并行计算提取时序信息,具有参数少、精度高的优点。其次,为了解决TCN输出波动性较强的问题,设计了时间优化模块(TOM),该模块通过生成时序优化权值,对TCN输出进行优化,有效抑制数据噪声,进一步提高了预测精度。最后,使用电动汽车实时运行数据集进行验证。实验结果表明:文中所提方法与TCN相比,在仅增加5.8%的参数量的前提下减少了18.3%的误差;SOC估计的平均绝对误差小于1%,均方根误差小于2%,为SOC提供了更准确的估计,在一定程度上缓解驾驶员的里程焦虑。

摘要：现有自动驾驶技术多集中于安全性,而忽视经济性。针对此问题,本文提出一种基于改进的深度确定性策略梯度(Deep Deterministic Policy Gradient,DDPG)算法的经济性自动驾驶决策方法。首先,分析汽车驾驶功耗因素,以汽车的电机效率为指标,设计经济性奖励函数,以优化汽车行驶效率;其次,通过引入专家经验指导和双经验池动态回放策略,灵活且高效利用经验池数据,提高模型收敛速度和稳定性;同时,改进在线价值网络,设计双在线价值网络,从而降低对策略价值的过高估计。最后在CARLA中搭建仿真环境对所提算法进行验证,结果表明,改进后的算法在累计奖励、收敛速度和稳定性等多方面均优于原始DDPG算法,有效提升了自动驾驶汽车的经济性和能效。