-
公开(公告)号：CN111323026B
公开(公告)日：2023-07-07
申请号：CN201811545515.4
申请日：2018-12-17
Applicant: 兰州大学
Abstract: 本发明公开一种基于高精度点云地图的地面过滤方法。该方法包括：(1)采集道路的三维点云信息，并制作高精度点云地图；(2)在高精度点云地图中进行可行驶区域的标注与记录；(3)将可行驶区域划分成若干小块，对每一个小块进行平面模型提取，用该平面模型来代表该小块所覆盖的地面；(4)根据步骤(3)得到的地面模型过滤实时点云中的路面点。本方案实现了平面、坡道等各种路况下的可行驶区域中的路面点精准过滤。
-
公开(公告)号：CN116130017A
公开(公告)日：2023-05-16
申请号：CN202210439114.0
申请日：2022-04-24
Applicant: 兰州大学
IPC: G16C20/20 , G16C20/70 , G06N3/0464 , G06N3/09
Abstract: 本发明公开一种基于神经网络的化合物结构识别与预测方法。在化学中结构直接决定了化学属性,传统的化合物结构识别主要通过对化合物进行分离提纯，之后利用光谱表征结构，如核磁共振谱图，对化合物的结构和官能团进行分析预测。然而分离提纯过程占实验80％‑90％的时间，同时可能因为原料未完全反应，导致存在多个反应物及新生化合物使得分离并不彻底而出现预测差错。本发明通过使用人工智能中的神经网络方法，根据化合物结构谱图，特别是13C和1H核磁共振图谱进行数据集制作和训练，形成的训练模型可以对混合物中的化合物结构或官能团结构进行智能识别和预测，直接得到化合物分子结构。该方法避免了复杂的分离提纯过程，是一种具有潜力的前沿性化合物结构探索分析方法。
-
公开(公告)号：CN115982407A
公开(公告)日：2023-04-18
申请号：CN202210211270.1
申请日：2022-03-05
Applicant: 兰州大学
IPC: G06F16/738 , G06V20/40 , G06V10/82 , G06N3/04
Abstract: 本发明公开一种基于多智能体强化学习的视频摘要生成方法。视频摘要生成是通过对原有视频的简化和压缩并保留其中的关键信息，在视频监控领域应用前景广阔，可以极大地减轻存储压力并提高工作效率。传统的视频摘要生成方法通过对整体视频进行时间分割，得到每一帧的关键性分数之后，根据分值大小以及所需要的关键帧的数量合成摘要。本发明提出的基于多智能强化学习的视频摘要生成方法利用多个智能体之间的协同合作特点，对视频的关键帧进行优先级投票选择，模拟人类制作视频摘要数据集关键帧标注的过程，采用多智能体深度确定性策略梯度的方法进行参数的更新，利用Actor‑Critic框架和策略集成的方法进行模型训练，最终生成的摘要视频具有代表性和多样性。
-
公开(公告)号：CN110278651B
公开(公告)日：2020-10-16
申请号：CN201810206762.5
申请日：2018-03-14
Applicant: 兰州大学
Abstract: 本发明公开一种校准加速器束流偏移的强化学习方法。在加速器的中能束流传输段中，束流受设备安装精度和周围复杂环境的影响而发生位置偏移，其严重影响了束流所能够达到的能量级别。传统方法是通过复杂的物理计算得到校准电压值，并使用脚本程序自动输入进行不断尝试，其过程复杂繁琐。本文通过对中能束流传输段中的三组水平和竖直方向的四极磁铁内部集成的校准线圈分析，依靠强化学习利用环境和智能体之间交互学习的特性对加速器环境进行建模，是一种使用确定性策略探索连续的大状态空间和动作空间，并利用神经网络逼近最优校准电压值的束流偏移校准方法。
-
公开(公告)号：CN109583415A
公开(公告)日：2019-04-05
申请号：CN201811512935.2
申请日：2018-12-11
Applicant: 兰州大学
Abstract: 本发明公开了一种基于激光雷达与摄像机融合的交通灯检测与识别方法，该方法包括：利用激光雷达当前扫描到的点云数据匹配已制作的高精度地图，并结合GPS-INS定位系统进行定位，从而确定车辆当前的位置及姿态；将高精度地图中的交通灯坐标映射到激光雷达点云坐标系中，再将点云坐标系中的交通灯坐标映射到摄像机所拍摄的二维视频图像；利用摄像头采集包含交通灯的视频信息，处理成多帧图片，对图片进行切割；利用经切割处理的图片数据，通过识别系统得到识别内容。本方案实现了利用激光雷达与摄像机进行融合，对交通灯进行快速的检测与识别。
-
Patent Agency Ranking
公开(公告)号：CN118447266A
公开(公告)日：2024-08-06
申请号：CN202410620823.8
申请日：2024-05-20
Applicant: 兰州大学
IPC: G06V10/62 , G06V20/58 , G06V20/40 , G06V10/50 , G06V10/764 , G06V10/26 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/092
Abstract: 本发明公开了一种融合强化学习和视觉的智能导盲犬避障跟踪方法，包括步骤：获取智能导盲犬行走的视频帧，利用智能导盲犬的自载摄像机获取其行走路线中的视频序列，使用FFMPEG工具提取视频帧；获取智能导盲犬在行走过程中遇到障碍物的检测框，利用YOLO检测器来获得障碍物的边界框；对获取到的视频帧进行特征提取，利用ResNet作为主干网络提取视频序列的方向梯度直方图特征；对障碍物位置进行预测，利用卡尔曼滤波估计和预测障碍物的位置，通过迭代计算来更新对障碍物状态的估计；利用全卷积跟踪器的回归分支和强化学习Q‑learning算法进行优化。本发明提供的方法使得智能导盲犬能够在陌生的环境中更为高效快速地避开障碍物，具有较强的鲁棒性。
-
公开(公告)号：CN116052412A
公开(公告)日：2023-05-02
申请号：CN202211487027.9
申请日：2022-11-23
Applicant: 兰州大学
IPC: G08G1/01 , G08G1/0967 , G06F30/27 , G06F17/13 , G06N3/092 , G06N3/084 , G06F111/04
Abstract: 本发明公开了融合物理信息和深度强化学习的自动驾驶车辆控制方法，包含以下步骤：(1)构造连续时间内基于哈密顿‑雅可比‑贝尔曼方程的强化学习偏微分方程，采集车辆行驶中的感知层信息量、动作控制量、奖励值及下一个状态感知层信息量，形成四元组数据并存储；(2)构造基于物理信息的自动驾驶车辆动力学模型并将其求取偏导数添加至强化学习模型约束项中；(3)训练和评估融和物理信息和深度强化学习的自动驾驶车辆控制模型，通过神经网络将车辆运动轨迹样本数据和物理运动学结合构造模型训练函数并在GPU上训练，直到驾驶车辆完成自动控制。本发明结合物理动力学规律和深度强化学习完成模型训练，适用于复杂环境的自动驾驶车辆学习控制。
-
公开(公告)号：CN111323027A
公开(公告)日：2020-06-23
申请号：CN201811545531.3
申请日：2018-12-17
Applicant: 兰州大学
IPC: G01C21/32
Abstract: 本发明公开一种基于激光雷达与环视相机融合制作高精度地图方法与装置，它主要应用于无人驾驶领域，是一种利用多传感器信息融合制作高精度地图的方法。该方法包括：获取激光雷达采集周围环境的三维点云数据；获取环视相机采集周围环境的图片数据；采用深度学习方法标记图片上临时障碍物；对原始点云进行聚类处理；融合点云和图片信息，删除点云数据中临时障碍物所属的点云数据；利用处理后点云数据生成高精度地图。采用融合激光雷达和相机数据进行二次处理的方法，有效减少采样地图中位置不固定的物体信息对无人驾驶产生的影响，最大程度上得到准确道路信息，为无人驾驶车辆提供有效的高精度地图。
-
公开(公告)号：CN110278651A
公开(公告)日：2019-09-24
申请号：CN201810206762.5
申请日：2018-03-14
Applicant: 兰州大学
Abstract: 本发明公开一种校准加速器束流偏移的强化学习方法。在加速器的中能束流传输段中，束流受设备安装精度和周围复杂环境的影响而发生位置偏移，其严重影响了束流所能够达到的能量级别。传统方法是通过复杂的物理计算得到校准电压值，并使用脚本程序自动输入进行不断尝试，其过程复杂繁琐。本文通过对中能束流传输段中的三组水平和竖直方向的四极磁铁内部集成的校准线圈分析，依靠强化学习利用环境和智能体之间交互学习的特性对加速器环境进行建模，是一种使用确定性策略探索连续的大状态空间和动作空间，并利用神经网络逼近最优校准电压值的束流偏移校准方法。
-
公开(公告)号：CN118569298A
公开(公告)日：2024-08-30
申请号：CN202410616918.2
申请日：2024-05-17
Applicant: 兰州大学
Abstract: 本发明公开了一种风险敏感型多智能体强化学习的协同自动驾驶方法，包括以下步骤：(1)使用Actor‑Critic框架和多智能体确定性深度策略梯度算法为虚拟车辆环境中的每个智能体训练策略网络。(2)为每个智能体构造单独的训练网络以及整个系统的风险敏感价值分解网络，使用训练好的策略网络来对这些网络中的参数进行迭代。(3)迭代一定次数后将策略换成每个智能体单独的训练网络继续迭代。(4)在现实环境中通过V2X系统构建车辆的局部观测信息和动作信息，并且通过蜂窝网络上传数据进一步训练。本发明结合了风险敏感型多智能体强化学习对车辆进行训练，适用于风险较高的多车自动驾驶领域。
-
-
-
-
-
-
-
-
-
Search Results
26
records
(took 0.018 seconds)
