-
公开(公告)号：CN114355897B
公开(公告)日：2023-08-29
申请号：CN202111536096.X
申请日：2021-12-15
Applicant: 同济大学
IPC: G05D1/02
Abstract: 本发明涉及一种基于模型和强化学习混合切换的车辆路径跟踪控制方法，包括以下步骤：根据规划层给出的轨迹和车辆运动学模型，使用模型预测控制算法得到控制策略一(控制策略包括对油门、刹车和方向盘的控制)；同时根据规划层给出的轨迹，使用深度强化学习中的演员网络得到控制策略二；根据当前的车辆状态和环境状态信息，使用深度强化学习中的评论家网络对两种控制策略进行评估，并选择能够获得更高价值的控制策略进行实际的输出，实现车辆的路径跟踪控制。与现有技术相比，本发明将基于模型的经典方法和基于学习的新兴方法融合，具有灵活性强、稳健性好、控制性能更优等特点。
-
公开(公告)号：CN110515942B
公开(公告)日：2023-08-04
申请号：CN201910630486.X
申请日：2019-07-12
Applicant: 同济大学
Abstract: 本发明涉及一种序列化车道线地图的存储及检索方法，包括以下步骤：S1、采用栅格子地图的方式存储车道线的车道线数据，其中，车道线数据包括车道线编号数据和坐标数据；S2、根据车辆定位信息，获取对应的子地图，在对应的子地图中检索车道线数据，以得到完整的车道线信息。与现有技术相比，本发明在地图存储阶段，利用栅格子地图的方式统计有效子地图并存储车道线数据，根据车道线编号和坐标数据编码属性值；在地图使用阶段，通过车辆的定位信息，从子地图检索得到车道线数据属性值，解码获得车道线编号和坐标数据，将相同编号的车道线数据拟合得到完整车道线信息，本发明既能有效减小系统存储空间、提高检索速度，也能保证存储数据精度。
-
公开(公告)号：CN114339989B
公开(公告)日：2023-04-28
申请号：CN202111616741.9
申请日：2021-12-27
Applicant: 同济大学
IPC: H04W64/00
Abstract: 本发明涉及一种基于方位角的多智能体系统分布式定位方法，具体包括以下步骤：S1、获取多智能体系统中智能体的基础信息；S2、根据智能体的基础信息计算智能体的角度估计和位置估计；S3、将角度估计和位置估计进行级联，构建分布式定位整体模型；S4、分布式定位整体模型根据角度估计和位置估计得到分布式定位估计结果，并根据分布式定位估计结果的偏差进行修正，得到智能体的定位结果。与现有技术相比，本发明具有智能体间仅需单向通信，降低多智能体系统传感器网络的能量消耗，且控制算法简单，适用于复杂大规模网络等优点。
-
公开(公告)号：CN112947415B
公开(公告)日：2022-07-29
申请号：CN202110106188.8
申请日：2021-01-26
Applicant: 同济大学
IPC: G05D1/02
Abstract: 本发明涉及一种基于障碍物语义信息的室内路径规划方法，具体为：获取室内三维地图，根据室内三维地图获取室内障碍物的语义信息；根据障碍物的语义信息，通过分类决策树评估获得障碍物的危险等级，根据室内三维地图和障碍物的危险等级生成危险等级三维地图；对危险等级三维地图中高度低于机器人高度的部分进行垂直投影，生成二维栅格地图；通过权重函数计算二维栅格地图中各个栅格的通行代价，生成代价地图；在二维栅格地图上选择初始栅格和结束栅格，通过评估函数在代价地图上生成一条从初始栅格至结束栅格的总通行代价最小的规划路径，机器人按照规划路径在室内行走。与现有技术相比，本发明具有准确性高、安全性好和容错率高等优点。
-
公开(公告)号：CN114355897A
公开(公告)日：2022-04-15
申请号：CN202111536096.X
申请日：2021-12-15
Applicant: 同济大学
IPC: G05D1/02
Abstract: 本发明涉及一种基于模型和强化学习混合切换的车辆路径跟踪控制方法，包括以下步骤：根据规划层给出的轨迹和车辆运动学模型，使用模型预测控制算法得到控制策略一(控制策略包括对油门、刹车和方向盘的控制)；同时根据规划层给出的轨迹，使用深度强化学习中的演员网络得到控制策略二；根据当前的车辆状态和环境状态信息，使用深度强化学习中的评论家网络对两种控制策略进行评估，并选择能够获得更高价值的控制策略进行实际的输出，实现车辆的路径跟踪控制。与现有技术相比，本发明将基于模型的经典方法和基于学习的新兴方法融合，具有灵活性强、稳健性好、控制性能更优等特点。
-
Patent Agency Ranking
公开(公告)号：CN110209175B
公开(公告)日：2021-09-03
申请号：CN201910571957.4
申请日：2019-06-28
Applicant: 同济大学
IPC: G05D1/02
Abstract: 本发明涉及一种基于分布式有限时间状态观测器的多智能车辆编队方法，包括步骤：S1、根据智能车辆运动学模型，描述智能车辆的运动学特征；S2、构建多智能车辆的主从架构，并基于有向生成树的拓扑结构建立多智能车辆间的通信网络结构；S3、设计不依赖于全局坐标信息的分布式有限时间状态观测器，以得到观测值；S4、将观测值输入多智能车辆分布式编队控制器，以实现多智能车辆的自动编队。与现有技术相比，本发明通过激光雷达和陀螺仪获取车辆间的相对位置，使误差控制在毫米级范围内，保证了观测值更加接近实际值，同时采用有向生成树构建通信网络结构保证了观测器的收敛性，最终能有效提升智能车辆编队的精度与安全性。
-
公开(公告)号：CN108196536B
公开(公告)日：2021-07-20
申请号：CN201711395779.1
申请日：2017-12-21
Applicant: 同济大学
IPC: G05D1/02
Abstract: 本发明涉及一种改进的无人车快速搜索随机树路径规划方法，其特征在于，具体包括以下步骤：1)采用RRT算法搜索获取一条由起点到终点的初始路径；2)采用采用单向剪枝法对初始路径剪枝得到初步剪枝路径；3)对初步剪枝路径采用采用双向剪枝法进一步缩短路径的长度；4)采用削峰法去掉路径上的尖锐夹角，满足；5)对削峰后的路径进行平滑处理，得到无人车的跟随路径。与现有技术相比，本发明具有路径更短、考虑非完整约束等优点。
-
公开(公告)号：CN118795888A
公开(公告)日：2024-10-18
申请号：CN202410957806.3
申请日：2024-07-17
Applicant: 同济大学
Abstract: 本发明属于路径规划领域，设计了一种针对在存在移动障碍物的复杂环境中，基于人工势场法构建风险区域的路径规划方法。包括以下步骤：步骤1：构建影响势场；步骤2：引入机器人与目标点的距离#imgabs0#和距离参数对影响势场进行修正；步骤3：检测机器人是否处于高危区域中；步骤4：根据势能场，计算机器人受到的合力；步骤5：更新机器人位置；本发明提出的方法模拟人类在面对障碍物时的直觉，对障碍物构建影响势场，该影响势场与障碍物的位置和移动速度等因素有关，通过对势场求梯度计算环境对机器人的力，从而驱使机器人避开障碍物，到达目标点，并且能够很好地解决陷入局部极小值或者遇到目标不可达的问题，同时更加的安全高效。
-
公开(公告)号：CN116828503A
公开(公告)日：2023-09-29
申请号：CN202310765346.X
申请日：2023-06-27
Applicant: 同济大学
Abstract: 本发明涉及一种基于网络环境的多移动机器人任务分配方法，包括如下步骤：S1：获取多个机器人特征、任务特征以及机器人与机器人之间的时延网络信息；S2：每个机器人根据自身的特征和任务特征，采用贪婪算法选择最优的任务包和相应的任务执行顺序；S3：根据时延网络信息，各机器人基于固定时间策略，在时延网络中进行通信，依照一致性包算法的冲突消解过程的共识准则，调整每个机器人的任务，将任务转让给出价更高的机器人；S4：重复S1～S3，反复对任务进行更新和放弃，直到所有机器人满足动态网络一致性判定准则，达成全局一致，收敛至无冲突的多移动机器人任务分配。与现有技术相比，本发明能够使得多机器人系统适应更为恶劣的网络环境。
-
公开(公告)号：CN111354030B
公开(公告)日：2023-08-04
申请号：CN202010132191.2
申请日：2020-02-29
Applicant: 同济大学
IPC: G06T7/55 , G06N3/0464 , G06N3/0455 , G06N3/088
Abstract: 本发明涉及一种嵌入SENet单元的无监督单目图像深度图生成方法，具体为：构建深度估计网络，将目标图像输入训练好的深度估计网络获得目标图像深度图；所述的训练过程采用相机位姿估计网络；所述的深度估计网络包括编码器和解码器，所述的编码器包括7层编码卷积模块，所述的解码器包括7层解码卷积模块和7层跳跃连接的跳跃卷积模块，第1层跳跃卷积模块包括依次连接的卷积层、ReLU激活层、卷积层和ReLU激活层，第2～7层跳跃卷积模块中每块跳跃卷积模块包括残差卷积单元和SENet单元。与现有技术相比，本发明具有精度高等优点。
-
-
-
-
-
-
-
-
-
Search Results
61
records
(took 0.044 seconds)
