本技术涉及自动驾驶技术领域，且公开了一种考虑乘客个性化乘坐需求的智能网联汽车换道轨迹规划方法。该方法主要能够被分为三个部分，分别是乘客个性化需求提取层、决策层和规划层。在乘客个性化需求提取层中，本发明引入了一种基于层次分析法与模糊逻辑系统的乘客需求因子映射模型，用于后续的个性化量化基准。在决策层中，本发明基于人工势能场理论和纯策略博弈方法设计了一种考虑乘客个性化乘坐需求的换道决策模型，能够基于行驶环境信息和乘客需求因子生成个性化换道决策。在规划层中，本发明设计了一个换道时长预测模型，用于换道时长的约束，并将问题转为一个二次规划问题，从而求解得到满足乘客需求的个性化换道轨迹。

 本技术属于车辆悬架系统控制技术领域，本发明公开了一种基于Transformer架构的半主动悬架控制系统，包括如下步骤:布置传感器网络，采集车辆动态数据；使用预设算法对来自不同传感器的异步数据进行对齐，保持异构数据的时序一致性；传感器i在时间t的测量值为xi(t)，在本发明中，通过Transformer机制降低了对状态量进行权重分配，避免了传感器误差带来的错误控制量，提高了悬架控制系统对数据异常的鲁棒性，能够在传感器故障、受到外部攻击注入虚假传感器数据或极端路况下保持稳定控制，通过DDPG强化学习控制算法，增强了系统在复杂多变环境下的适应能力，可以快速适应不同路况、载重和驾驶风格，在保证计算效率的同时提高了控制效果。

本技术提出了一种基于模仿学习初始化的强化学习换道行为规划方法及系统，通过将周围车辆的变形位姿和模糊速度通过渐变色映射到栅格图上，并将具有清晰信息的交通规则和道路状况使用向量表示，将两者连接输入模仿学习DAgger网络，使自动驾驶车辆学会遵守交通规则和基本的换道决策；再利用强化学习优化模仿学习换道机制，使其适应模仿学习数据集中没有的极端和未知交通场景；可以从车辆相互作用的驱动机制和环境中学习潜在的换道驾驶机制，简化人工驾驶建模，对变道场景的动态变化具有良好的适应性，对变道任务采用动态混合奖励机制；引入一种基于模仿学习的强化学习初始化方法，解决稀疏奖励下强化学习学习效率低的问题，只需要少量的场景数据。

 本技术涉及车辆控制技术领域，具体涉及一种电路互联悬架系统，包括电磁减振器、电路互联网络、可控电源及控制器，电磁减振器设置在车身与车轮之间，包括电机，电机与电路互联网络连接形成电流回路，用于将车身和车轮相对振动的机械能转化为电能，和/或将电磁减振器产生的电磁力矩转化为控制车身和车轮相对振动的电磁力；电路互联网络包括连接在任意两电机同极之间的平行电路，和异极之间的交叉电路，各平行电路及各交叉电路构成多条支路，形成电路互联网；控制器通过可控电源电路控制电机的运行状态，通过电路互联网络实现对电路互联悬架垂向运动、俯仰运动、侧倾运动和翘曲运动的控制。本发明具有响应速度快和能量转换效率高等优点，在保证车辆操作稳定性的同时，还能提高车辆的乘坐舒适性，使车辆能够适应多种不同的路况，还能降低车辆互联模块的控制成本，充分提高用户体验。

本技术涉及一种用于LCC/LCC型无线充电系统及其互感测量方法，所述无线充电系统的拓扑包括原边直流电压源、逆变器、补偿谐振电路、整流桥、滤波电路和副边直流电压源；所述原边直流电压源的母线总电压为U

 本技术提供了一种车辆质心侧偏角的确定方法、装置、设备及存储介质，属于车辆控制领域，该方法包括:根据历史行驶状态参数确定训练样本；利用粒子群算法对LSTM神经网络进行超参数优化，根据优化后的超参数构建PSOLSTM模型；通过训练样本对PSOLSTM模型进行训练，得到质心侧偏角预测模型；根据质心侧偏角预测模型和当前行驶状态参数得到目标车辆的预测质心侧偏角；基于目标车辆的当前行驶状态参数构造采样点，并根据采样点构建无迹卡尔曼滤波模块；通过无迹卡尔曼滤波模块对预测质心侧偏角进行滤波，确定目标车辆的质心侧偏角。这样通过优化的超参数，PSOLSTM能够提高预测精度，再结合无迹卡尔曼滤波模块进行滤波，有利于减小误差，提高车辆控制的安全性和稳定性。

 本技术公开了一种结冰防护蒙皮结构、除冰系统及除冰方法，涉及防除冰技术领域，包括多功能薄膜，其包括底层覆膜，底层覆膜的顶面设置有探除一体化电极，探除一体化电极的顶面设置有表层覆膜，多功能覆膜的表层设置有超疏水微纳结构。本发明在探除一体化电极的内层设置光电探测阵列，同时将探除一体化电极和光电探测阵列连接外部系统，使用时，光电探测阵列探测防护区域的结冰形貌与结冰类型，探除一体化电极感知结冰防护区域的温度及结冰状况，以及超疏水结构浸润失效程度，进而根据结冰探测及温度反馈信号实施电加热防除冰并控制电加热功率以快速恢复微纳结构疏水性，解决了总体能耗过高、过加热严重、残留冰感知不足、超疏水失效频繁的问题。

 本技术公开了一种电动汽车充电需求的判定方法、系统、设备和介质，其涉及汽车电池技术领域。包括:获取电动汽车的历史充电行为数据和动态更新的状态数据，确定包括单次行驶数据和单次充电数据的充电数据；通过单次行驶数据确定目的地位置，通过单次充电数据确定充电前的荷电状态；根据剩余里程数和充电前的荷电状态，确定电动汽车到达最近充电设施的距离，以得到电动汽车的充电需求和能耗；再进行预测分析，得到充电需求时空分布特征；根据充电需求时空分布特征制定应急充电需求的判定条件，对电动汽车的充电需求状态进行判定。本发明使电动汽车应急充电需求判定更加科学、准确和高效。

 本技术提供了一种基于多智能体强化学习的混合动力汽车生态驾驶策略，其不同于基于传统强化学习的生态驾驶策略，创新性地设计了多智能体协同训练框架，从而能够有效避免上层速度规划和下层能量管理解耦处理，实现了全局协同优化，并可获取更优的节能效果。本发明的策略相比现有技术大幅缩减了计算时间，在控制中提供了较好的实时性。

 本技术涉及一种一体化机器人，具体为垃圾分拣搬运一体化机器人，属于清洁机器人技术领域，包括下隔板、中隔板以及上隔板组成的垃圾搬运框架，下隔板两侧设有动力驱动轮，下隔板上设有驱动机构，垃圾搬运框架的一侧设置有垃圾拾取组件，垃圾拾取组件包括垃圾存放分拣圆盘、用于获取垃圾的升降平台、本装置巧妙地运用真空泵技术来实现垃圾的抓取作业，从而平稳地带动整个升降平台升起，随后，借助位于顶部的先进摄像头系统，进行精确识别与分类，将垃圾准确无误地倒入相应类别的储存仓中，这一设计精妙地规避了传统小车前端空间的冗余问题，使得装置能够容纳更多的垃圾量，同时，它也有效避免了传统机械抓取结构所固有的不稳定性和复杂性。