-
公开(公告)号：CN115639816A
公开(公告)日：2023-01-24
申请号：CN202211220443.2
申请日：2022-10-07
Applicant: 北京工业大学
IPC: G05D1/02
Abstract: 本发明公开了一种切换拓扑下基于分布式预测控制的车辆队列控制方法，属于智能交通技术领域；主要用于车辆队列协同控制，首先建立三阶离散车辆纵向动力学模型，通过当前状态与期望状态作差，把状态模型等价转化为误差状态模型；优化问题中代价函数的设计保证了拓扑的一般性，约束条件以及权值矩阵的选取保证了切换拓扑下车辆队列的内部稳定性；进一步给出参数，用来描述相邻前后车之间通信链路是否存在，根据此参数在原优化问题中增加更为严格的约束条件进一步保证车辆队列稳定性。最后通过一排状态不同的车辆队列，利用上述分布式模型预测控制算法进行仿真，得到的同速，等间距车辆队列能够有效提高通信效率以及乘客的舒适性。
-
公开(公告)号：CN113011634A
公开(公告)日：2021-06-22
申请号：CN202110182147.7
申请日：2021-02-09
Applicant: 北京工业大学
Abstract: 本发明公开了一种基于分布式最优控制的智能网联车匝道合并方法，以最小化各智能车的通行时间和能耗为目标，解决了一种从不同道路到匝道合并点的最优控制问题。首先基于合并约束和安全约束，得到了单个智能车的最优轨迹，随后扩展到多匝道合并段的车辆协调。本发明提出了两阶段优化策略，即先对控制区域内的所有车辆进行上层排序，再根据排序计算车辆的下层输入。最后通过SUMO和Python的协同仿真验证该方法的有效性。结果表明，与传统的车辆相比，最优控制下的车辆的油耗和行驶时间都得到了显著的降低，该发明为以后分布式最优控制提高交通效率奠定了基础。
-
公开(公告)号：CN105426636A
公开(公告)日：2016-03-23
申请号：CN201510977551.8
申请日：2015-12-23
Applicant: 北京工业大学
CPC classification number: Y02T10/82 , G06F17/5036 , G08G1/0104
Abstract: 本发明为城市峡谷街道污染物实时估计方法，实现实时估计城市峡谷街道内主要由机动车尾气排放而产生的不同污染物的浓度值。该方法首先通过模型模拟道路交通状况，实时估计交通参数；其次结合机动车排放因子估计道路污染物排放；最后应用扩散模型实时估计道路空气中污染物扩散浓度；最后将计算得到的污染物浓度值实时显示于地图上。利用智能手机的GPS模块结合VSP模型计算机动车排放因子的方法，以一种便利、低开销的方式提高了模型的实时性和准确性，并通过地图界面将计算结果转化为直观可视的污染物浓度数据，供用户参考。
-
公开(公告)号：CN101734114A
公开(公告)日：2010-06-16
申请号：CN200910236318.9
申请日：2009-10-16
Applicant: 北京工业大学
Abstract: 本发明是一种集载重计算和建议速度于一体的无线胎压检测器，属于汽车电子行业的辅助驾驶领域。本发明包括安装在各个轮胎内部的检测单元和安装在驾驶舱的中央控制单元组成。检测单元由传感器、信号处理器、无线发射器组成。中央控制单元由无线接收器、信号处理器、LCD液晶显示屏和功能选择键组成。所述的功能选择键包括载重选择键和速度选择键。该检测器在Load键按下时计算当前平均胎压，在Load键再次按下时纪录胎压值并计算轮胎压力差，然后将压力差乘以相应的系数得到载重并通过液晶屏显示。该检测器在Speed键按下时纪录胎压值并与给定的四档压力差阈值比较给出该路面情况下的建议行驶速度，实现一定的辅助驾驶功能。
-
公开(公告)号：CN120068656A
公开(公告)日：2025-05-30
申请号：CN202510240784.3
申请日：2025-03-03
Applicant: 北京工业大学
IPC: G06F30/27 , G06F30/28 , G06N3/042 , G06N3/0455 , G06N3/08 , G06F111/10 , G06F113/08 , G06F119/08 , G06F119/14
Abstract: 本文提供了一种基于物理信息图神经网络的室内温度场预测方法及系统，方法包括：利用温度场仿真模型，获取基于预设时间间隔的多个室内流场数据；对室内的流场数据进行图结构转化，得到多个图结构数据；利用图神经网络模型中的编码器对每个图结构数据进行特征提取，获取每个图结构数据中节点和边的特征向量；利用图神经网络模型中的处理器对多个图结构数据中节点和边的特征向量进行动态特征处理，得到室内流场的时空动态变化数据；利用图神经网络模型中的解码器对室内流场的时空动态变化数据进行映射处理，以得到室内下一时刻的温度变化情况，本文能提高室内温度场预测的准确性。
-
Patent Agency Ranking
公开(公告)号：CN118823228A
公开(公告)日：2024-10-22
申请号：CN202410704825.5
申请日：2024-06-03
Applicant: 北京工业大学
Abstract: 本发明公开了基于深度相机与YOLOv8模型的实时人体姿态三维重建方法，包括以下步骤：S1:使用深度相机实时获取数据流。S2:使用深度学习的方法检测人体姿态并提取关键位置点信息。S3:预处理关键位置点检测张量数据及参考墙面和地板的建模。S4；生成点云并根据点云的信息进行人体姿态的三维重建与渲染。本发明通过结合深度相机和先进的YOLOv8算法模型，展示了在实时人体姿态三维重建技术方面的显著成就。该方法能够高效地采集并处理图像信息，精确执行人体姿态检测和关键位置点提取，确保了实时性和高精度重建的同时，还特别强调了生成墙面和地面策略的创新，极大地增强模型在复杂环境下的适应性和稳定性。
-
公开(公告)号：CN114545928B
公开(公告)日：2024-08-13
申请号：CN202210065411.3
申请日：2022-01-19
Applicant: 北京工业大学
IPC: G05D1/43 , G05D1/65 , G05D1/644 , G05D1/648 , G05D109/10
Abstract: 本发明公开了一种基于自触发分布式预测控制的异构车辆队列控制方法，属于智能交通技术领域；用于车辆队列协同控制，首先建立三阶离散车辆纵向动力学模型，通过状态变量替换，将车辆队列控制问题等价变化为多智能体一致性问题；为保证控制性能和尽可能避免通信资源浪费，设计了一类滚动时域的状态一致性优化问题，对触发间隔和控制输入同时优化；为提高在线运行效率，在离线准备时先给出了控制输入与触发时刻的解析关系，通过带入原问题得到仅针对触发时刻的优化问题，求得对应的参数并将其存储；最后结合离线数据，在线模拟运行一排状态不同的车队，得到的同速，等间距车辆队列具有控制性能好、运行效率高、节约通信资源的特点。
-
公开(公告)号：CN118097265A
公开(公告)日：2024-05-28
申请号：CN202410231215.8
申请日：2024-02-29
Applicant: 北京工业大学
Abstract: 本发明公开了基于深度学习与GPU加速的动态场景下视觉SLAM优化方法，包括以下步骤：通过相机获取图像帧的RGB图像与深度图像；对RGB图像进行ORB特征提取，并使用YOLOv5目标检测算法获取边界框检测结果，将边界框检测结果分为动态物体和静态物体两类；根据提取的ORB特征，基于深度图像得到的深度值信息对动态物体检测框进行前背景分割，筛选并剔除被认为是动态特征点的前景点；对剩下的静态特征点进行相机位姿估计和优化，得到准确的相机运动结果；本发明结合深度信息来分割检测框中的前背景区域，以避免剔除静态的背景点；将跟踪线程的ORB特征提取和目标检测线程中的YOLOv5目标检测算法分别进行CUDA并行化和TensorRT优化，实现嵌入式设备的实时动态视觉SLAM。
-
公开(公告)号：CN118012056A
公开(公告)日：2024-05-10
申请号：CN202410108521.2
申请日：2024-01-25
Applicant: 北京工业大学
Abstract: 本发明涉及一种协同编队的多智能车辆避障方法及装置，包括，当车辆编队中的多个智能车辆检测到障碍物时，分别控制每一避障车辆获取各自检测到的所述障碍物的位姿信息；分别计算每一避障车辆的位姿信息与相应障碍物的位姿信息之间的距离信息；根据距离信息计算该避障车辆与相应障碍物之间的梯度值；分别根据每一避障车辆与相应障碍物之间的距离信息以及自身避障车辆的感知范围，计算避障车辆与相应障碍物之间的排斥作用函数值；根据多个避障车辆对应的距离信息、梯度值以及排斥作用函数值分别计算每一避障车辆的控制参数；根据控制参数控制相应避障车辆的运动状态。通过本发明的方法，实现了车辆编队协同避障，提高了车辆编队整体的鲁棒性。
-
公开(公告)号：CN117409593A
公开(公告)日：2024-01-16
申请号：CN202311276272.X
申请日：2023-09-30
Applicant: 北京工业大学
IPC: G08G1/08 , G08G1/081 , G06N3/0455 , G06N3/0464 , G06N3/092 , G06N3/084
Abstract: 本发明公开了基于深度强化学习的多交叉路口交通信号控制方法，包含以下两个部分：基于深度学习目标检测的交通信息获取：根据十字路口摄像头获取每个路口各条道路的交通信息，并基于深度学习进行检测；基于深度强化学习DQN算法的信号灯相位控制：结合目标检测模型识别到的交通信息与深度强化学习DQN算法进行智能决策，在通过深度学习目标检测获取道路路况信息后，Deep‑QNet算法会选择最有利于道路拥堵情况缓解的信号灯相位控制策略；本方法能处理复杂多变的道路环境，随着系统包含的路口增加，神经网络特征提取能力会更加富有成效，使得在对于环境交通压力的信号灯统筹决策中发挥更好的效果。
-
-
-
-
-
-
-
-
-
Search Results
61
records
(took 0.022 seconds)
