-
公开(公告)号：CN113155121B
公开(公告)日：2024-04-02
申请号：CN202110305408.X
申请日：2021-03-22
Applicant: 珠海深圳清华大学研究院创新中心
Abstract: 本发明提供一种车辆定位方法、装置及电子设备，其中，车辆定位方法，包括如下步骤：获取第一传感器数据；根据第一传感器数据，得到第一定位不确定性数据；当所述第一定位不确定性数据不满足第一预设条件，则获取第二传感器数据，根据所述第二传感器数据以及所述第一传感器数据，得到第二定位不确定性数据；当所述第二定位不确定性数据满足第二预设条件，则根据所述第一传感器数据以及所述第二传感器数据进行车辆定位。通过实施本发明，分步加入传感器信息可以降低车辆算力，并且每一次加入传感器数据的触发条件是定位不确定性不满足条件，也即，采用分步的方式，能够在保证定位准确性的条件下进一步减小车辆算力。
-
公开(公告)号：CN117719519A
公开(公告)日：2024-03-19
申请号：CN202410126243.3
申请日：2024-01-29
Applicant: 清华大学深圳国际研究生院
IPC: B60W40/10
Abstract: 本发明公开了一种车辆行驶状态估计方法，包括：通过传感器获取车辆运行数据；使用所述车辆运行数据和车辆静态参数，建立包括系统方程和观测方程的车辆三自由度动力学模型；基于所述车辆三自由度动力学模型和传感器获取的车辆运行数据，通过扩展卡尔曼滤波与神经网络相结合的方法进行车辆的行驶状态估计，其中，所述扩展卡尔曼滤波中计算卡尔曼增益的部分通过所述神经网络计算得到。本发明采用了扩展卡尔曼滤波与神经网络结合的方法进行车辆的行驶状态估计，获得了更好的非线性处理能力和更鲁棒的效果，增强了扩展卡尔曼滤波用于汽车行驶状态估计时的非线性处理能力和鲁棒性以及适应性，使其更好地适应实时变化的系统动态和测量噪声。
-
公开(公告)号：CN111047249B
公开(公告)日：2023-07-25
申请号：CN201911157577.2
申请日：2019-11-22
Applicant: 清华大学深圳国际研究生院
IPC: G06Q10/087
Abstract: 本发明提供一种货架重新定位方法及系统，方法包括：获得移动机器人订单履行系统中的基本信息，基本信息包括：在工作站完成作业待安排存储点位的货架集合A；仓库内正在前往工作站的货架、在工作区域内等待进行作业货架以及在工作站完成作业等待安排存储点位的货架的集合B；空闲的存储点位的集合E；所有存储点位的信息，所有工作站的信息，所有集合B中的货架的信息，仓库的总库存信息，以及订单信息；根据基本信息构建货架重新定位的0‑1规划模型；对0‑1规划模型进行求解得到求解结果，将求解结果转换为对货架重新定位的方案；根据货架重新定位的方案更新所述集合A中货架的存储点位属性。有效提高产能，操作简单，易于实施。
-
公开(公告)号：CN116450860A
公开(公告)日：2023-07-18
申请号：CN202310220409.3
申请日：2023-03-08
Applicant: 清华大学 , 北京达佳互联信息技术有限公司
IPC: G06F16/435 , H04N21/2343 , H04N21/4402 , H04N21/466 , G06F18/214 , G06F18/25
Abstract: 本公开关于一种媒体资源推荐方法、推荐模型的训练方法及相关设备，该方法通过推荐模型，对媒体资源序列和操作反馈序列进行融合编码处理，得到初始媒体资源特征；初始媒体资源特征包括多个媒体资源子特征，每个所述媒体资源子特征包含对应的正反馈标签或负反馈标签；以及对初始媒体资源特征进行基于所述媒体资源序列对应的正反馈标签和负反馈标签相混合的编码处理，得到目标媒体资源特征；对目标媒体资源特征进行基于正反馈维度的反馈拆分处理，得到正反馈序列表征；以及基于候选资源的推荐结果确定推荐资源，从而提高了媒体资源的推荐准确率。
-
公开(公告)号：CN114743374B
公开(公告)日：2023-04-07
申请号：CN202210349264.2
申请日：2022-04-01
Applicant: 清华大学深圳国际研究生院
Abstract: 本发明公开了一种基于图网络的多元交通流预测方法，包括：S1、获取用于交通流预测的多元交通流历史数据；S2、基于所述多元交通流历史数据，对每一个交通流属性，分别构建一个独立的动态关系图；S3、将各交通流属性的动态关系图进行融合，转化为属性间相互联系的融合动态关系图网络；S4、基于所述融合动态关系图网络，利用图注意力网络学习交通流属性之间和路段之间的潜在空间依赖关系，提取空间依赖特征，构建基于图网络的多元交通流预测模型；S5、训练所述基于图网络的多元交通流预测模型；S6、根据训练得到的多元交通流预测模型，进行短时交通流预测。
-
Patent Agency Ranking
公开(公告)号：CN115794977A
公开(公告)日：2023-03-14
申请号：CN202211486838.7
申请日：2022-11-24
Applicant: 清华大学深圳国际研究生院
IPC: G06F16/29 , G06F16/909
Abstract: 本发明提供一种移动目标离散轨迹的建立方法，包括以下步骤：S1:获取城市静态数据并构建城市功能区，所述城市静态数据包括城市路网；S2:根据所述城市路网提取道路中心线、获取交通点，得到拓扑路网；S3:将所述城市功能区投影到所述拓扑路网上，获取连接；S4:根据道路连通关系建立交通点和连接的拓扑关系，获取城市拓扑图；S5:根据获取的移动目标的经纬度信息确定移动目标坐标在城市拓扑图的位置；S6:基于所述移动目标的时空序列建立移动目标位置类间的拓扑连接，获取离散轨迹。本发明能够使出行交通地图和公共交通地图呈现出相同的形式，提高索引效率；且能够得到拓扑路网能够简化交通折点、降低储存压力，从而降低轨迹储存成本。
-
公开(公告)号：CN115203543A
公开(公告)日：2022-10-18
申请号：CN202210778190.4
申请日：2022-06-29
Applicant: 清华大学 , 北京达佳互联信息技术有限公司
IPC: G06F16/9535 , G06F16/9536 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本公开关于一种内容推荐方法、内容推荐模型的训练方法及装置，所述方法包括：获取待推荐对象在目标场景下的历史交互内容序列和候选内容；通过内容推荐模型分别对历史交互内容序列和候选内容进行特征提取，得到历史交互内容和候选内容的场景特征和全局特征；对历史交互内容的场景特征和全局特征分别进行编码，得到历史交互内容序列的场景序列特征和全局序列特征；对历史交互内容序列的场景序列特征进行特征提取，得到待推荐对象的群体特征；根据群体特征、场景序列特征、全局序列特征及候选内容的场景特征和全局特征得到推荐指标信息；基于推荐指标信息，从候选内容中确定出针对待推荐对象的目标推荐内容。该方法可提高跨场景的推荐内容的质量。
-
公开(公告)号：CN111259504B
公开(公告)日：2022-09-16
申请号：CN202010027168.7
申请日：2020-01-10
Applicant: 清华大学深圳国际研究生院
IPC: G06F30/18
Abstract: 一种基于城市道路摄像头节点建模的过车数据补全方法及装置，包括以下步骤：S1、以摄像头作为节点，构建具有根节点、中间层级分支节点以及叶子节点的多个层级的拓扑网络；每个摄像头有唯一的节点编号，且对所有中间层级的分支节点进行有序分区编码，对所有叶子节点进行有序序列编码；对每个节点按照节点的逻辑上下游关系设置节点索引；S2、将具有车辆的过车记录的摄像头的节点编号作为目标节点编号；S3、根据目标节点编号，在多层级拓扑网络中定位节点；S4、从定位的节点出发，通过节点索引定位具有逻辑上下游关系的n层节点；S5、判断n层节点中是否存在过车数据缺失并补全过车数据。本发明可快速有效解决同一逻辑路段过车数据缺失问题。
-
公开(公告)号：CN113111514B
公开(公告)日：2022-05-27
申请号：CN202110398570.0
申请日：2021-04-12
Applicant: 清华大学深圳国际研究生院
Abstract: 本发明提供一种车辆微观行驶场景仿真方法及计算机可读存储介质，方法包括：通过目标区域内的车辆交通数据和道路数据得到车旅文件，车旅文件是车辆交通数据内的车辆在道路数据中所包含的目标区域内由起点行驶至终点的时间信息，时间信息包括：从起点出发的时间、抵达终点的时间；由车旅文件得到路径文件，路径文件是车辆交通数据内的车辆在车旅文件中的时间信息中从起点至终点需要经过的所有道路；通过路径文件以及道路数据通过仿真平台实现车辆微观行驶场景仿真。本发明的实际仿真结果最大程度还原现实车辆行驶需求，进而支持基于微观仿真的车辆与道路规划研究，比如进行充电桩分布研究，节省其实际实验成本与时间。
-
公开(公告)号：CN110728222B
公开(公告)日：2022-03-25
申请号：CN201910943079.4
申请日：2019-09-30
Applicant: 清华大学深圳国际研究生院
IPC: G06V20/10 , G06V20/64 , G06V10/774 , G06V10/764 , G06K9/62 , G06T7/70 , G06T3/00
Abstract: 本发明提供一种用于机械臂抓取系统中目标物体的位姿估计方法，包括如下步骤：S1：渲染训练数据集；S2：构建目标物体的位姿估计级联网络，所述级联网络采用三个轻量级网络级联的方式；S3：训练所述目标物体的位姿估计级联网络。通过采用级联网络，使姿态估计问题成为分类问题，减少网络训练测试时间，提高检测精度。
-
-
-
-
-
-
-
-
-
Search Results
110
records
(took 0.026 seconds)
