(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111551072.1 (22)申请日 2021.12.17 (71)申请人 桂林电子科技大 学 地址 541004 广西壮 族自治区桂林市七 星 区金鸡路1号 (72)发明人 庄未　杨海洋　吕武　黄用华　 曾明昊　尹汤恒　淮旭鸽　钟永全　 (74)专利代理 机构 桂林市持衡专利商标事务所 有限公司 45107 代理人 陈跃琳 (51)Int.Cl. G06F 17/18(2006.01) G06N 20/00(2019.01) G06Q 10/06(2012.01) G06Q 50/30(2012.01) (54)发明名称 基于认知学习的无人自行车质 量负载偏心 自动识别方法 (57)摘要 本发明公开一种基于认知学习的无人自行 车质量负载偏心自动识别方法， 通过获取无人自 行车的状态参数， 构造状态评价函数； 创建学习 机制， 对自动学习机的期望和标准差不断进行迭 代更新； 给出误差允许范围， 输出质心偏置参数， 完成对无人自行车质量负载偏心的自动识别。 本 发明充分考虑了无人自行车的结构参数和实时 的状态参数， 能够较准确、 高效地对无人自行车 质量负载偏心进行自动识别， 具有很强的工程意 义。 权利要求书2页 说明书8页 附图8页 CN 114065137 A 2022.02.18 CN 114065137 A 1.基于认知学习的无 人自行车质量负载偏心自动识别方法， 其特 征是， 包括步骤如下： 步骤1、 初 始化： 设置质量负载偏心识别值的初值α*(0)、 学习期望值的初值 μ(0)、 学习标 准差的初值σ(0)、 以及状态评价 值的初值V(0)； 步骤2、 通过安装在无人自行车上的传感器获取当前时刻t的无人自行车的航向角ψ (t)； 步骤3、 将 当前时刻t的无人自行车的航向角 ψ(t)与设定的偏向阈值ε进行比较： 如果| ψ (t)|≤ε， 当前时刻t的质量负 载偏心识别值α*(t)即为最终识别出的质量负 载偏心识别值； 如果| ψ(t)|＞ ε， 则执 行步骤4； 步骤4、 计算当前时刻t的状态评价 值V(t)： 步骤5、 基于上一时刻t ‑1的状态评价值V(t ‑1)和当前时刻t的状态评价值V(t)计算当 前时刻t的取向值VS(t)： VS(t)＝V(t ‑1)‑V(t) 步骤6、 根据自动学习机分布函数的期望值和标准差的更新公式， 计算当前时刻t的学 习期望值 μ(t)和学习标准差σ(t)： μ(t)＝ μ(t ‑1)+λ( α*(t‑1)‑μ(t‑1))sign(Vs(t)) σ(t)＝σ(t ‑1)+β(rσ(t ‑1)‑σ(t‑1)) 步骤7、 利用当前 时刻t的学习期望值 μ(t)和学习标准差σ(t)， 计算当前 时刻t的质量负 载偏心学习值α(t)： α(t)＝normrnd( μ(t)， σ(t) ) 步骤8、 对当前时刻t的质量负载偏心学习值α(t)进行限幅后， 得到当前时刻t的质量负 载偏心识别值α*(t)； 步骤9、 将当前时刻 t的质量负载偏心识别值α*(t)送入到 无人自行车上的控制器进行补 偿， 并令t＝t+1后， 返回步骤2； 上述式中， W为给定的2阶非零对角矩阵， ψ(t)为当前 时刻t的航向角， V(t)为当前 时刻t 的状态评价值， V(t ‑1)为上一时刻t ‑1的状态评价值， VS(t)为当前时刻t的取向值， μ(t)为 当前时刻t的学习期望值， μ(t ‑1)为上一时刻t ‑1的学习期望值， σ(t)为当前时刻t的学习标 准差， σ(t ‑1)为上一时刻t ‑1的学习标准差， α*(t‑1)为上一时刻t ‑1的质量负载偏心识别 值， λ为给定的期望值学习系数， λ∈(0， 1)， β 为给定的标准差学习系数， β ∈(0， 1)， r为给定 的不确定度， sign(*)为符号函数， α(t)为当前时刻t的质量负载偏心学习值， normrn d为正 态分布函数。 2.根据权利要求1所述的基于认知学习的无人自行车质量负载偏心自动识别方法， 其 特征是， 步骤6还进一步包括对当前时刻t的学习期望值μ(t)进行更新的过程， 其中更新公 式为： μ后(t)＝cμ×μ前(t)+(1‑cμ)×[‑k1×( ψ(t)‑ψ*(t))‑k2×( ∫ ψ(t)dt ‑∫ ψ*(t)dt)] 式中， μ前(t)为更新前的当前时刻t的学习期望值， μ后(t)为更新后的当前时刻t的学习 期望值， cμ为给定的权重系数， cμ∈(0， 1)， k1为给定的比例项系数， k1＞0， k2为给定的积分项权　利　要　求　书 1/2 页 2 CN 114065137 A 2系数， k2＞0， ψ(t)为当前时刻t的航向角， ψ*(t)为设定的当前时刻t的航向角期望值。 3.根据权利要求1或2所述的基于认知学习的无人自行车质量负载偏心自动识别方法， 其特征是， 步骤6还进一 步包括对当前时刻t的学习期望值 μ(t)进行限幅的过程。 4.根据权利要求1所述的基于认知学习的无人自行车质量负载偏心自动识别方法， 其 特征是， 期望值学习 系数 λ为： 式中， VS(t)为当前时刻t的取向值， η为给定的学习常量， η∈(0， 1)。 5.根据权利要求1所述的基于认知学习的无人自行车质量负载偏心自动识别方法， 其 特征是， 不确定度r为： 式中， r(t)为当前时刻t的不确定度， rm为给定的不确定度系数， n为服从0～1 的均匀分 布的随机数， t为当前时刻。 6.根据权利要求1所述的基于认知学习的无人自行车质量负载偏心自动识别方法， 其 特征是， 安装在无 人自行车上的传感器为惯性测量单 元。权　利　要　求　书 2/2 页 3 CN 114065137 A 3