-
公开(公告)号：CN117572860A
公开(公告)日：2024-02-20
申请号：CN202311401483.1
申请日：2023-10-26
Applicant: 北京理工大学
IPC: G05D1/43 , G05D1/633 , G05D1/644 , G05D1/648 , G05D105/22
Abstract: 一种具有交通环境普适性的动态时空体素决策规划方法及装置，该方法包括以下步骤：基于道路中各动态障碍物的轨迹预测结果，生成多个动态体素；基于所有候选车道的每个单位时间生成的动态体素，从当前位置出发，针对每个可能到达的目标位置，考虑每个时间或空间相连的体素之间的转移代价，搜索转移代价最低的体素序列；将搜索得到的体素序列作为边界约束，进一步求解优化轨迹。该方法将道路上动态障碍物的位置及速度均反映到体素中，能够帮助主车在各种场景下进行更加合理的轨迹规划，保证安全的同时获得最优路径。
-
公开(公告)号：CN116124127A
公开(公告)日：2023-05-16
申请号：CN202211534709.0
申请日：2022-11-29
Applicant: 北京理工大学
Abstract: 本发明提供一种基于运动学模型优化的人体惯性里程计，将MIMU固定于小腿，构建以速度信息为输出的人体里程计运动学模型，通过求解人体里程计模型误差最小化问题的解析解来确定MIMU安装参数、里程计模型参数、对人体里程计输出的采样时刻，采用卡尔曼滤波方法，将基于MIMU的惯性导航信息与人体里程计信息融合，形成人体惯性里程计，实现位姿输出，有效地实现行人自主导航定位及运动状态监测。
-
公开(公告)号：CN113111862B
公开(公告)日：2022-12-13
申请号：CN202110519911.5
申请日：2021-05-13
Applicant: 北京理工大学
Abstract: 本发明提供一种基于动作‑状态联合学习的车辆尾灯状态识别方法，首先基于真实交通场景中得到的车辆跟踪序列获取连续的跟踪片段数据，采用基于注意力模型的CNN‑LSTM网络来识别各跟踪片段数据内隐含的5类尾灯动作特征：不变、踩刹车、松刹车、左转、右转；然后，基于尾灯语义分割获取各跟踪片段对应的高位刹车灯平均亮度特征，并与尾灯动作特征形成高阶特征；最后，构造线性链条件随机场模型，通过分析高阶特征建立连续片段之间的长期依赖，推断出各时刻连续的尾灯状态：无动作、制动、左转、右转；因此，本发明能够在不同的实际复杂交通场景中，准确提取出每一帧图像中不同类型、不同标准的车辆的尾灯隐含语义特征，得到尾灯在各时刻下的连续稳定状态。
-
公开(公告)号：CN111473794B
公开(公告)日：2022-02-11
申请号：CN202010249138.0
申请日：2020-04-01
Applicant: 北京理工大学
Abstract: 本发明公开了一种基于强化学习的结构化道路无人驾驶决策规划方法，结合强化学习和传统贝塞尔曲线轨迹生成方法的优点，利用DQN网络进行决策方法的训练，并根据决策信息利用贝塞尔曲线规划最优轨迹；本发明是在已知高精度地图、全局路径的前提下对智能车辆所在的局部行驶环境进行智能决策与规划，实现结构化道路下符合人类驾驶习惯的安全决策；利用DQN网络，输入多帧车辆所处的局部地图，得到的决策信息结合轨迹规划方法得到reward反馈，驱动DQN网络的更新。
-
公开(公告)号：CN113111862A
公开(公告)日：2021-07-13
申请号：CN202110519911.5
申请日：2021-05-13
Applicant: 北京理工大学
Abstract: 本发明提供一种基于动作‑状态联合学习的车辆尾灯状态识别方法，首先基于真实交通场景中得到的车辆跟踪序列获取连续的跟踪片段数据，采用基于注意力模型的CNN‑LSTM网络来识别各跟踪片段数据内隐含的5类尾灯动作特征：不变、踩刹车、松刹车、左转、右转；然后，基于尾灯语义分割获取各跟踪片段对应的高位刹车灯平均亮度特征，并与尾灯动作特征形成高阶特征；最后，构造线性链条件随机场模型，通过分析高阶特征建立连续片段之间的长期依赖，推断出各时刻连续的尾灯状态：无动作、制动、左转、右转；因此，本发明能够在不同的实际复杂交通场景中，准确提取出每一帧图像中不同类型、不同标准的车辆的尾灯隐含语义特征，得到尾灯在各时刻下的连续稳定状态。
-
Patent Agency Ranking
公开(公告)号：CN110362083B
公开(公告)日：2021-01-26
申请号：CN201910647111.4
申请日：2019-07-17
Applicant: 北京理工大学
IPC: G05D1/02
Abstract: 本发明公开了一种基于多目标跟踪预测的时空地图下自主导航方法，该方法获得二维空间占据栅格语义地图和目标位置时间序列，将二维空间占据栅格语义地图按照时间维度进行信息堆叠，获得xy‑t地图；将目标位置时间序列投影到xy‑t地图；在xy‑t地图中进行路径规划，获得最优路径；规划过程需要遵循时间不可逆的原则，同时避开所有动态目标及静态环境的影响；将最优路径按时间步长拆分为多段并映射到xy平面内，获得多个空间域内二维轨迹序列和连续期望速度序列。根据空间域内二维轨迹序列和连续期望速度序列完成自主导航。本发明不仅有效克服动态目标对路径规划的扰动，而且相比于传统空间导航地图，该时空导航地图可以极大地简化动态规划问题。
-
公开(公告)号：CN110610271A
公开(公告)日：2019-12-24
申请号：CN201910876478.3
申请日：2019-09-17
Applicant: 北京理工大学
Abstract: 本发明公开了一种基于长短记忆网络的多重车辆的轨迹预测方法，将主车和其邻车的历史轨迹等特征作为输入，充分考虑到车辆之间的位置以及驾驶行为的相互影响；经过网络的编码解码之后，将输出的邻近车辆的未来轨迹进一步输入混合密度网络，估计出车辆位置的概率分布，每次训练将混合密度网络的误差和轨迹结果的均方根误差以及编码器解码器网络的参数正则化项相结合，构成损失函数，指导网络参数的更新，如此可提高申请网络的预测准确性，训练好的神经网络可以预测邻车的带有概率的位置信息，将位置信息按照时间的顺序形成连续的轨迹，可以辅助主车进行决策和规划。
-
公开(公告)号：CN110362083A
公开(公告)日：2019-10-22
申请号：CN201910647111.4
申请日：2019-07-17
Applicant: 北京理工大学
IPC: G05D1/02
Abstract: 本发明公开了一种基于多目标跟踪预测的时空地图下自主导航方法，该方法获得二维空间占据栅格语义地图和目标位置时间序列，将二维空间占据栅格语义地图按照时间维度进行信息堆叠，获得xy-t地图；将目标位置时间序列投影到xy-t地图；在xy-t地图中进行路径规划，获得最优路径；规划过程需要遵循时间不可逆的原则，同时避开所有动态目标及静态环境的影响；将最优路径按时间步长拆分为多段并映射到xy平面内，获得多个空间域内二维轨迹序列和连续期望速度序列。根据空间域内二维轨迹序列和连续期望速度序列完成自主导航。本发明不仅有效克服动态目标对路径规划的扰动，而且相比于传统空间导航地图，该时空导航地图可以极大地简化动态规划问题。
-
公开(公告)号：CN110046697A
公开(公告)日：2019-07-23
申请号：CN201910346166.1
申请日：2019-04-26
Applicant: 北京理工大学
Abstract: 本发明提供一种基于K指数的Kp指数现报方法，将单个地磁台现报的K指数与神经网络预测Kp指数相结合，即神经网络的输入参数在原有太阳风参数的基础上加入了单个地磁台现报得到的K指数，能够在保证高精度Kp指数现报的实时性基础上，尽可能减少现报所需数据并简化计算流程；由此可见，相比当前阶段的Kp指数预报方法，本发明可以避免太阳风对现报结果的消极影响，更加稳定且可持续现报；相比当前阶段的Kp指数现报方法，本发明可以使用更少的地磁台数据，且精度较高，克服了当前阶段Kp指数现报方法构造复杂、使用地磁台数据较多的缺陷，以及神经网络预测Kp指数时无法稳定、持续高精度预测的不足。
-
公开(公告)号：CN107563574A
公开(公告)日：2018-01-09
申请号：CN201710911282.4
申请日：2017-09-29
Applicant: 北京理工大学
Abstract: 本发明公开了一种基于长短时记忆模型循环神经网络的地磁场预测方法，相较于球谐分析法，结构简单，需要求解的参数少，求解方法简单；循环神经网络采用长短时记忆模型结构，增强了对地磁场数据的时序关系的处理，可有效地预测出地磁场数据的随时间变化的规律；无需对原始的地磁场数据做复杂的处理，不用在频谱和统计学上对地磁场数据进行预处理，方便了数据的处理过程；针对地磁场数据的周期性特点选择训练样本和测试样本的时间长度，并依此设计循环神经网络的结构，使得神经网络可以有效地分析地磁场周期性特征，大大提高地磁场的预测精度。
-
-
-
-
-
-
-
-
-
Search Results
265
records
(took 0.057 seconds)
