-
公开(公告)号：CN101325010A
公开(公告)日：2008-12-17
申请号：CN200810117172.1
申请日：2008-07-25
Applicant: 清华大学
Abstract: 本发明涉及一种基于快速控制原型的开发型汽车驾驶模拟方法，属于汽车模拟驾驶技术领域。首先利用监控计算机生成的实时内核建立快速控制原型器的软件平台，并编译和下载驾驶仿真模型。其次，快速控制原型器接收驾驶模拟器的操纵信号后，计算所有模拟车辆的速度和方向，同时发送视景计算机和监控计算机，分别用于生成视景图像和对监控驾驶模拟过程。最后，驾驶模拟者或开发人员根据驾驶模拟者所在车辆及电控系统的性能要求，对驾驶仿真模型进行修改，重复驾驶模拟器过程，直至满足驾驶模拟者或开发人员的要求。本发明的优点是，简化了开发型驾驶模拟器，降低了开发成本，且适用于车辆电控系统的V型开发模式。
-
公开(公告)号：CN101231776A
公开(公告)日：2008-07-30
申请号：CN200810006497.2
申请日：2008-03-03
Applicant: 清华大学
Abstract: 一种振动式汽车追尾报警装置，属于汽车安全辅助驾驶技术领域。包括报警控制器和振动式踏板机构。报警控制器包括CAN通讯模块、微处理单元和驱动电路；CAN通讯模块PCA82C250的PCANtx和PCANrx引脚分别与微处理单元MC9S08DZ60单片机的PCANtx和PCANrx引脚相连，CAN通讯模块有通用式接口，可并入车载CAN网络；驱动电路SN7407N的输入PWM1与微处理单元对应输出相连；驱动电路输出端与踏板机构的电机相连。本发明通过对驾驶员脚部振动实现报警，对驾驶员负面影响小；可采用分级报警策略；机械结构简单，易于实现；成本低廉、兼容性强、人性化，有利于大批量加工和改装。
-
公开(公告)号：CN120070836A
公开(公告)日：2025-05-30
申请号：CN202411941470.8
申请日：2024-12-26
Applicant: 清华大学
IPC: G06V10/22 , G06V20/56 , G06V10/26 , G06V10/62 , G06V20/64 , G06V10/82 , G06N3/088 , G06N3/0895 , G06V10/764
Abstract: 本申请涉及自动驾驶技术领域，特别涉及一种4D空间的动静态位姿同时估计方法及装置，其中，方法包括：识别两帧点云数据中的静态点和动态点，以从两帧点云数据中分离静态点和动态点，确定两帧静态点和两帧动态点；根据两帧静态点计算两帧点云数据间的帧间位姿，根据两帧动态点生成动态点云标签；基于帧间位姿和动态点云标签，估计目标物体在4D空间的动静态位姿。本申请可以分离点云数据中的动静态点，分别利用二者构建无监督静态点位姿估计网络模型和无监督场景流网络模型，实现无监督方式下计算出两帧点云的匹配关系，进而实现同时估计出静态物体和动态物体的的位姿信息，有助于自动驾驶系统更精确地理解和跟踪不同物体在场景中的位置。
-
公开(公告)号：CN120057020A
公开(公告)日：2025-05-30
申请号：CN202510333632.8
申请日：2025-03-20
Applicant: 清华大学
IPC: B60W50/00
Abstract: 本申请涉及一种用于计算基础平台的基于世界模型理解的端到端控制方法，其中，包括：获取当前车辆的多视角视频数据集、候选输入指令、地图信息和文本信息；根据多视角视频数据集生成多视角图像，并基于多视角图像、候选输入指令、地图信息和文本信息，根据预设的奖励函数，生成最优控制指令；根据多视角图像、地图信息、文本信息和最优控制指令生成多模态信息统一接口，并基于多模态信息统一接口对当前车辆进行端到端控制。由此，通过构建一个端到端的控制模型，直接从感知数据生成车辆控制信号，解决了现有技术难实现的由感知到控制的完全端到端自动驾驶、控制代价高和行驶风格不可定制等问题，提升了自动驾驶的效率。
-
公开(公告)号：CN119904839A
公开(公告)日：2025-04-29
申请号：CN202411973649.1
申请日：2024-12-30
Applicant: 清华大学
IPC: G06V20/58 , G06V10/44 , G06V10/40 , G06V10/762 , G06V10/82 , G06N3/0464 , G06N3/0495
Abstract: 本申请涉及车辆技术领域，特别涉及一种轻量化3D占据栅格感知方法、装置、车辆及存储介质，其中，方法包括：基于轻量化网络提取多视角图像的稠密特征；对稠密特征进行自适应下采样得到稀疏特征令牌；根据相机的内外参数对特征令牌进行位置编码得到编码结果；根据编码结果和交叉注意力机制将多视角图像聚合到BEV特征图，提取融合后BEV特征图的网络特征，将网络特征输入占据栅格的预测头，预测头输出3D占据栅格的感知结果。由此，解决了相关技术模型体量较大，难以收敛，并且无法有效识别通用障碍物等问题。
-
Patent Agency Ranking
公开(公告)号：CN119274157A
公开(公告)日：2025-01-07
申请号：CN202411058047.3
申请日：2024-08-02
Applicant: 清华大学
Abstract: 本申请涉及自动驾驶技术领域，特别涉及一种基于2D监督的BEV 3D目标检测模型微调方法，其中，方法包括：将目标多视角图像输入至预训练3D目标检测模型和预训练2D目标检测模型，分别得到3D检测框预测输出结果和2D检测框预测输出结果，结合预设检测框投影策略，获取3D检测框预测输出结果对应的2D投影检测框，并和预设的2D检测框真值进行匹配，得到匹配结果；利用匹配结果和预设2D标注数据优化预训练3D目标检测模型的目标损失函数，以生成2D标注数据监督微调的3D目标检测微调模型。本申请可以在无法获取准确的深度信息时，通过2D信息监督微调的方式节约数据标注成本，提高模型部署速度，高效低成本地实现模型更新。
-
公开(公告)号：CN118586470A
公开(公告)日：2024-09-03
申请号：CN202410539239.X
申请日：2024-04-30
Applicant: 清华大学
IPC: G06N3/082 , G06N3/0499
Abstract: 本申请涉及一种用于伊辛机的多层前馈神经网络训练方法及系统。该方法包括：将多层前馈量化神经网络的监督学习建模为二次有约束二值优化问题；基于二次有约束二值优化问题构造增广拉格朗日函数，对增广拉格朗日函数降次，转化为二次无约束二值优化问题；在伊辛机上对二次无约束二值优化问题进行求解，基于求解结果更新增广拉格朗日函数中的系数，转化得到新的二次无约束二值优化问题并求解，待约束满足且目标函数收敛后，得到二次有约束二值优化问题的最优解；对最优解进行解码，得到训练后的多层前馈神经网络的参数。根据本实施例，减少了自旋数使用，简化了问题求解难度，使得真机求解更加容易，能够解决大规模问题。
-
公开(公告)号：CN114312811B
公开(公告)日：2023-11-07
申请号：CN202210102104.8
申请日：2022-01-27
Applicant: 清华大学
Abstract: 本申请涉及一种自动驾驶汽车的自车状态近似最优估计方法、装置及设备，方法包括：获取自动驾驶车辆的当前行驶环境并识别实际行驶工况；利用训练后的近似最优估计器获取其自车状态的近似最优估计结果，其中，近似最优估计器是迭代类型估计器，其将迭代估计过程转化为马尔可夫决策过程。由此，解决了在建立车辆系统状态空间方程后还需结合实车实验数据反复检验、校正模型并调整系统参数以及设计有效的基于模型的估计算法，耗费大量时间与精力等问题，通过把车辆状态迭代估计问题转化为马尔可夫决策问题，利用自学习技术训练后得到的策略网络作为近似最优估计器，从而减轻建模、调参负担，减小估计器设计难度。
-
公开(公告)号：CN116957052A
公开(公告)日：2023-10-27
申请号：CN202310680341.7
申请日：2023-06-09
Applicant: 清华大学
IPC: G06N3/09 , G06N3/0455 , G06F18/214 , G06F18/22 , G06F18/21 , G06F18/213
Abstract: 本申请涉及一种基于构造样本相似度的风险评估模型的训练方法及装置、乘员损伤风险评估方法及装置、计算机设备、存储介质和计算机程序产品。所述方法包括：获取真实样本和反映关键特征信息与乘员损伤信息的相关关系的构造样本；通过真实样本训练第一风险评估子网络；通过真实样本和构造样本训练特征提取子网络；将碰撞特征信息输入训练后的第一风险评估子网络，获取第一编码信息；将真实样本输入训练后的特征提取子网络，获取第二编码信息；将第一和第二编码信息输入第二风险评估子网络，得到乘员损伤评估信息，根据损伤评估信息和损伤真值信息训练得到风险评估模型。采用本方法训练得到的风险评估模型可以提高乘员损伤风险评估结果的可靠性。
-
公开(公告)号：CN114407895B
公开(公告)日：2023-08-29
申请号：CN202210180226.9
申请日：2022-02-25
Applicant: 清华大学
IPC: B60W30/14 , B60W10/06 , B60W10/10 , B60W30/188
Abstract: 本公开提供的车辆预测巡航控制方法、装置、电子设备和存储介质，本公开建立了考虑道路坡度信息，且以车辆速度、发动机转矩和车辆纵向位置作为状态变量，以发动机目标转矩作为控制变量的车辆动力学模型，并建立了以车辆速度、发动机转矩作为状态变量的油耗模型；基于综合考虑了车辆驾驶经济性、目标车速跟随和舒适性为代价函数的最优控制问题，以深度神经网络为载体，通过离线学习训练获得最优的控制策略，并在线应用最优控制策略，实现节能型预测巡航控制。本公开能够满足不同预测时域的求解实时性，保证行程时效性的同时改善了燃油经济性，并改善了求解方法对不同行驶速度和道路工况的适用范围。
-
-
-
-
-
-
-
-
-
Search Results
198
records
(took 0.049 seconds)
