-
公开(公告)号：CN118758304A
公开(公告)日：2024-10-11
申请号：CN202410727267.4
申请日：2024-06-06
Applicant: 安徽大学
Abstract: 本发明公开了一种基于激光slam的无人机自适应型质心点边界探索方法，包括设定区域边界，加载环境配置参数；构建栅格地图；利用加权质心法检测识别边界点，将被已探索区域包围的未知区域归纳为已探索区域；通过能源效率加权找到当前收益价值最高的边界点作为无人机的探索点；自适应无人机感知半径调整；障碍物代价优化路径规划。本发明在边界识别方面引入加权质心，以未知区域的质心点为边界探索点并加以推断，有效增加了探索的效率，避免浪费算力，在边界探索方面采用综合距离、能源消耗效率和动态感知调整的方法，同时考虑带障碍物代价的优化路径规划，可准确反映真实世界中的探索建图挑战，为机器人提供更为安全、高效和适应性强的方案。
-
公开(公告)号：CN118447341A
公开(公告)日：2024-08-06
申请号：CN202410906142.8
申请日：2024-07-08
Applicant: 安徽大学
IPC: G06V10/764 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/08 , G06V20/50
Abstract: 本发明涉及无人机着陆识别技术领域，解决了传统方法无法适用于无人机面向紧急情况下实现自主着陆的技术问题，尤其涉及一种基于ST‑Swin‑T神经网络面向无人机自主着陆的场景图识别方法，包括：构建针对无人机着陆场景的数据集，并根据若干着陆场景类别将数据集分为多个安全等级；基于Swin‑T神经网络的骨干网络构建用于对无人机着陆的着陆场景图进行分类识别的识别模型ST‑Swin‑T；基于预训练模型对识别模型ST‑Swin‑T进行训练。本发明能够在面对紧急着陆场景时，通过直接检测下方的图像来判断能否降落，无需复杂计算或精确降落于特定点。并且显著提升了无人机的飞行安全性，同时为其自主学习识别着陆场景奠定了基础。
-
公开(公告)号：CN117313826B
公开(公告)日：2024-02-23
申请号：CN202311615603.8
申请日：2023-11-30
Applicant: 安徽大学
Abstract: 本发明公开了一种基于强化学习的任意角度倒立摆模型训练方法，包括：获得小车一阶倒立摆状态向量；获得环境返回的值函数数组；计算下一状态的状态向量，返回执行本次动作所获得的奖励和一个判断环境是否结束的结束标识；将当前状态、下一状态、奖励、结束标识、所选动作作为一个元组存入到经验回放池中；从经验回放池中随机抽取一批元组；根据时序差分算法，计算损失函数，并更新神经网络，使得损失减小，直到通过结束标识判断出环境结束，完成网络模型训练，并通过训练好的模型来训练不同角度的模型。本发明考虑到不同角度训练的异同，把角度作为神经网络输入元素的一部分，使模型可以根据不同角度给出不同的动作选择，使训练更灵(56)对比文件王红睿;赵黎明.基于增强学习规则的倒立摆模糊神经网络控制器.吉林大学学报(信息科学版).2006,(05),全文.
-
公开(公告)号：CN117114088B
公开(公告)日：2024-01-19
申请号：CN202311338634.3
申请日：2023-10-17
Applicant: 安徽大学
Abstract: 本发明公开了一种基于统一AI框架的深度强化学习智能决策平台，通过参数配置模块选定深度强化学习模型的参数，利用通用模块对选定的参数进行读取，根据读取到的参数，从模型库中调取并创建相应的表征器、策略模块、学习器以及智能体，在创建策略和学习器的过程中，从数学工具中调取必要的函数定义以及优化器；同时，根据读取到的参数，在原始环境基础上创建向量环境，并实例化环境，将实例化环境和智能体输入运行器中计算动作输出，并在环境中执行动作，实现智能决策。该智能决策平台对不同功能和结构的深度强化学习模型进行模块化设计，从而兼容多种AI框架。
-
公开(公告)号：CN117387635A
公开(公告)日：2024-01-12
申请号：CN202311707956.0
申请日：2023-12-13
Applicant: 安徽大学
Abstract: 本发明涉及一种基于深度强化学习和PID控制器的无人机导航方法，包括：获取无人机执行导航任务时的无人机状态向量；构建深度强化学习网络，将无人机状态向量输入深度强化学习网络中获取原始经验并将原始经验存储进原始经验存储池中；将原始经验存储池中的原始经验输入经验扩展模块得到扩展经验，利用扩展经验更新深度强化学习网络得到训练后的深度强化学习模型；重新获取无人机状态向量，输入到训练后的深度强化学习网络中，输出控制命令指引无人机完成导航。本发明在包含真实动力学的无人机导航任务中高效规划无人机路径，并使用PID控制器控制高仿真无人机飞行，最终使无人机沿着高效路径安全、平稳、无碰撞地到达目标区域，实现避障导航全过程。
-
Patent Agency Ranking
公开(公告)号：CN117313826A
公开(公告)日：2023-12-29
申请号：CN202311615603.8
申请日：2023-11-30
Applicant: 安徽大学
Abstract: 本发明公开了一种基于强化学习的任意角度倒立摆模型训练方法，包括：获得小车一阶倒立摆状态向量；获得环境返回的值函数数组；计算下一状态的状态向量，返回执行本次动作所获得的奖励和一个判断环境是否结束的结束标识；将当前状态、下一状态、奖励、结束标识、所选动作作为一个元组存入到经验回放池中；从经验回放池中随机抽取一批元组；根据时序差分算法，计算损失函数，并更新神经网络，使得损失减小，直到通过结束标识判断出环境结束，完成网络模型训练，并通过训练好的模型来训练不同角度的模型。本发明考虑到不同角度训练的异同，把角度作为神经网络输入元素的一部分，使模型可以根据不同角度给出不同的动作选择，使训练更灵活、更通用。
-
公开(公告)号：CN118758304B
公开(公告)日：2025-05-09
申请号：CN202410727267.4
申请日：2024-06-06
Applicant: 安徽大学
Abstract: 本发明公开了一种基于激光slam的无人机自适应型质心点边界探索方法，包括设定区域边界，加载环境配置参数；构建栅格地图；利用加权质心法检测识别边界点，将被已探索区域包围的未知区域归纳为已探索区域；通过能源效率加权找到当前收益价值最高的边界点作为无人机的探索点；自适应无人机感知半径调整；障碍物代价优化路径规划。本发明在边界识别方面引入加权质心，以未知区域的质心点为边界探索点并加以推断，有效增加了探索的效率，避免浪费算力，在边界探索方面采用综合距离、能源消耗效率和动态感知调整的方法，同时考虑带障碍物代价的优化路径规划，可准确反映真实世界中的探索建图挑战，为机器人提供更为安全、高效和适应性强的方案。
-
公开(公告)号：CN118396077A
公开(公告)日：2024-07-26
申请号：CN202410479935.6
申请日：2024-04-22
Applicant: 安徽大学
Abstract: 本发明公开了一种基于值函数输入扰动的多无人艇强化学习策略训练方法，包括：步骤1、获取多无人艇系统在执行任务时的状态向量；步骤2、构建无人艇多智能体强化学习模型，包括策略网络、目标策略网络、值网络、目标值网络、经验池、噪声注入模块；步骤3、基于状态向量、多智能体强化学习模型，多无人艇系统与环境进行交互，并将交互过程中的数据存储至经验池中，直到经验池存满；步骤4、当经验池存满后，从经验池中采样数据，结合高斯噪声对多智能体强化学习模型进行训练；步骤5、采用训练好的模型指导多无人艇系统进行协同导航。本发明解决了复杂海洋环境下多无人艇协同导航问题，并进一步提高了多无人艇系统导航成功率，缩短了任务完成时间。
-
公开(公告)号：CN118288291A
公开(公告)日：2024-07-05
申请号：CN202410566263.2
申请日：2024-05-09
Applicant: 安徽大学
IPC: B25J9/16
Abstract: 本发明涉及机器人容错控制技术领域，解决了随着模块化机器人中重构模块数量的增加，动态规划方法会引发“维数灾”问题，使得求解HJB方程变得更加困难的技术问题，尤其涉及一种具有多传感器故障的模块化机器人输出反馈最优容错控制方法，包括：引入低通滤波器，建立传感器故障与执行器故障之间的映射关系，并根据映射关系构建融合机器人系统状态和低通滤波器输出的增广系统；根据神经网络与机器人系统的输入/输出数据建立用以在线辨识机器人系统的动力学信息与传感器故障的联合输出型故障观测器。本发明所提出的方法适用于解决多种类型传感器故障系统的容错控制问题，能够达到满意的容错控制效果，满足应用需求，且可以减少设计成本。
-
公开(公告)号：CN117893879A
公开(公告)日：2024-04-16
申请号：CN202410078638.0
申请日：2024-01-19
Applicant: 安徽大学
IPC: G06V10/82 , G06V20/17 , G06V10/774 , G06V10/25 , G06V10/40 , G06V10/764 , G06V10/80 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种雾天场景下的海上小目标航拍图像识别模型训练方法，包括：结合现有的雾天成像模型，通过改变雾的厚度和亮度，对原始海上小目标航拍数据集进行加雾，模拟出各种场景下的雾天图像，建立雾天场景下的海上小目标航拍图像数据集；在YOLOv5网络结构模型的基础上设置小目标的检测层，构建雾天条件下的海上小目标航拍图像目标识别模型；基于WIOU以及Wasserstein距离的组合构建新的损失函数，不断调整WIOU以及Wasserstein距离的权重，并利用建立的数据集对模型进行训练。本发明解决了雾天场景下，海上小目标航拍图像识别模型的训练过程中出现的数据集缺乏、去雾效果差、检测精度低的问题，为准确、快速、稳定的雾天场景下海上小目标航拍图像检测模型训练奠定了基础。
-
-
-
-
-
-
-
-
-
Search Results
24
records
(took 0.019 seconds)
