-
公开(公告)号：CN112904858A
公开(公告)日：2021-06-04
申请号：CN202110076203.9
申请日：2021-01-20
Applicant: 西安交通大学
IPC: G05D1/02
Abstract: 本发明公开一种曲率连续的路径规划方法、系统及设备，方法包括以下步骤：获取原始路点，生成曲率变化率连续的自然参数曲线，定义局部规划使用的坐标架；获取机器人在笛卡尔坐标系的位姿，基于所述位姿得到机器人在所述坐标架中的对应点；进一步解算出机器人在以所述坐标架为横轴的曲线坐标系下的位姿；在曲线坐标系下采样多个目标点，利用所述多个目标点和作为边界条件解算出多条路径的参数曲线，再将每一条路径从曲线坐标系转换回笛卡尔坐标系；采用损失函数对每一条路径进行评价，损失最小的路径作为当前最优路径，在曲线坐标系中进行规划仍然可以保证规划路径的曲率连续性，可以在顺应全局导航路径趋势的同时，实现局部避障。
-
公开(公告)号：CN112082565A
公开(公告)日：2020-12-15
申请号：CN202010752779.8
申请日：2020-07-30
Applicant: 西安交通大学
Abstract: 本发明公开一种无依托定位与导航方法、装置及存储介质，方法包括以下步骤：基于同步定位与建图以及惯性导航系统协同构建高精度导航地图；通过多维空间二分算法对所述高精度导航地图分为若干块地图区块，并进行编码，获得每个地图区块内的编码、点云的数量以及中心位置坐标；基于最邻近搜索方法通过对经过处理的高精度导航地图中每个区块进行二次分区和编码获得更高分辨率的栅格并构建索引和邻域遍历进行点云配准；对所述点云配准结果采用基于扩展卡尔曼滤波的多源融合算法进行自适应定位，得到准确的定位结果；解决了大规模场景下地图存储与加载，点云配准算法加速等关键性问题，实现高精度无依托定位；提升了无人驾驶系统的可行驶区域和范围。
-
公开(公告)号：CN114954498B
公开(公告)日：2025-01-07
申请号：CN202210602932.8
申请日：2022-05-30
Applicant: 西安交通大学
Abstract: 本发明提出了一种基于模仿学习初始化的强化学习换道行为规划方法及系统，通过将周围车辆的变形位姿和模糊速度通过渐变色映射到栅格图上，并将具有清晰信息的交通规则和道路状况使用向量表示，将两者连接输入模仿学习DAgger网络，使自动驾驶车辆学会遵守交通规则和基本的换道决策；再利用强化学习优化模仿学习换道机制，使其适应模仿学习数据集中没有的极端和未知交通场景；可以从车辆相互作用的驱动机制和环境中学习潜在的换道驾驶机制，简化人工驾驶建模，对变道场景的动态变化具有良好的适应性，对变道任务采用动态混合奖励机制；引入一种基于模仿学习的强化学习初始化方法，解决稀疏奖励下强化学习学习效率低的问题，只需要少量的场景数据。
-
公开(公告)号：CN113705000B
公开(公告)日：2024-05-10
申请号：CN202110997109.7
申请日：2021-08-27
Applicant: 西安交通大学 , 宁波市舜安人工智能研究院
Abstract: 本发明公开一种基于仿真场景的自动驾驶教育小车测试方法及系统，方法具体为：基于高精度语义地图搭建仿真场景，在所述仿真场景中配置仿真教育小车和动态障碍物；搭建硬件设备，硬件设备包括可视化设备以及真实教育小车，真实教育小车能够在所述可视化设备行使；硬件设备与仿真场景信息交互，真实教育小车和仿真教育小车同步行驶，该方法向自动驾驶算法提供仿真中绝对精确的位置、障碍物以及传感器信息，避免了场外干扰带来的实验困难问题；其次，用户可以自己设计测试场景(路网、交通流、红绿灯等)，教学内容更为丰富、灵活，降低平台搭建的成本；最后，该方法中真实的教育小车仅在小范围运动，大大提高了实践教学的安全性。
-
公开(公告)号：CN113592971B
公开(公告)日：2024-04-16
申请号：CN202110865481.2
申请日：2021-07-29
Applicant: 西安交通大学 , 宁波市舜安人工智能研究院
IPC: G06T11/00 , G06N3/0455 , G06N3/0464 , G06N3/0475 , G06N3/094
Abstract: 本发明公开了一种虚拟人体图像生成方法、系统、设备及介质，所述方法包括：将源人体图像和目标姿态图像输入预训练好的虚拟人体图像生成网络，获得目标姿态人体图像；其中，虚拟人体图像生成网络为卷积神经网络，包括：编码器，用于输入源人体图像和目标姿态图像，编码获得源人体特征和目标人体特征；基于结构的外观生成模块，用于输入源人体特征和目标人体特征并进行更新，获得更新后的源人体特征和目标人体特征；解码器，用于输入基于结构的外观生成模块输出的目标人体特征，解码获得目标姿态人体图像。本发明利用基于人体结构的姿态引导下的虚拟人体图像生成网络，能够生成有着正确目标姿态的逼真人体图像。
-
Patent Agency Ranking
公开(公告)号：CN117075140A
公开(公告)日：2023-11-17
申请号：CN202311039617.X
申请日：2023-08-17
Applicant: 西安交通大学 , 宁波市舜安人工智能研究院
Abstract: 本发明公开一种应用于动态环境的双匹配鲁棒激光定位方法及系统，所述方法首先在动态场景中构建静态先验地图，然后通过IMU预积分获得下一激光帧的先验位姿信息，利用实时获得的激光点云进行第一次的里程计匹配，判断里程计是否收敛，如果没有收敛，里程计将根据第一匹配的结果作为初值再进行一次匹配，针对性的解决动态环境中匹配收敛性问题。本发明同时利用激光点云与静态先验地图和激光点云与局部点云地图的约束关系进行定位，即使激光点云到静态先验地图的匹配退化，本发明也能依靠激光点云与局部点云地图之间的关系，保持定位的收敛性，帮助系统渡过激光点云到先验地图匹配方法的退化阶段，还利用动态物体滤除技术处理先验地图进一步增强了系统的鲁棒性。
-
公开(公告)号：CN116989825A
公开(公告)日：2023-11-03
申请号：CN202310972417.3
申请日：2023-08-03
Applicant: 西安交通大学 , 宁波市舜安人工智能研究院
Abstract: 本发明提出了一种路侧激光雷达‑相机‑UTM坐标系联合标定方法及系统，方法包括以下步骤：选取GNSS RTK设备采集点，并获取UTM坐标序列PUTM；在激光雷达点云中依次提取GNSS RTK设备采集点，并获取激光雷达坐标系下的坐标序列PLidar；在相机图像中依次提取GNSS RTK设备采集点，并获取像素坐标系下的坐标序列PPixel；基于PUTM、PLidar和PPixel，通过非线性优化计算得到激光雷达坐标系、相机坐标系和UTM坐标系之间的外参变换关系能够更加方便、经济、准确地实现路侧激光雷达‑相机‑UTM坐标系的联合外参标定。本发明免去了获取高精度地图的高昂成本，而标定精度却没有损失，且能够在不同交通路口多次采集，不干扰正常交通，降低了采集人员的安全隐患。
-
公开(公告)号：CN116858253A
公开(公告)日：2023-10-10
申请号：CN202310965884.3
申请日：2023-08-02
Applicant: 西安交通大学 , 宁波市舜安人工智能研究院
IPC: G01C21/20 , G06N3/0455 , G06N3/0442 , G06N3/0464 , G06N3/084 , G06N3/0985 , G06N7/01
Abstract: 本发明公开一种适用室内环境的轻量性预测式导航方法及系统，环境预测将所获得的感知信息与运动信息相结合，能够生成未来的环境预测和映射，表示为占据栅格图序列；运动规划将具有时间属性的网格序列作为搜索空间，并将轨迹解公式化为非线性优化问题，解算非线性优化问题得到轨迹；在统一的环境表征形式下，获取感知数据和车辆自身运动数据(速度，坐标)部分解耦动静态环境，静态环境通过坐标变换与映射得到未来位置，动态环境通过提取场景运动特征信息，预测未来若干步长的栅格地图，然后直接利用未来栅格，同时处理动静态障碍物，提升轨迹优化的效率和有效性；本发明提出的方法可以提高实时性能和安全性，同时降低计算需求。
-
公开(公告)号：CN114355888B
公开(公告)日：2023-09-26
申请号：CN202111488933.6
申请日：2021-12-07
Applicant: 西安交通大学 , 宁波市舜安人工智能研究院
IPC: G05D1/02
Abstract: 本发明公开了一种基于直骨架的室内多级拓扑地图的自动生成方法及系统，基于栅格地图提取墙壁多边形和障碍物多变形并进行边界平滑；对墙壁多边形通过直骨架生成方法生成一级骨架道路，接着对一级骨架道路进行搜索，将骨架走向不可控的房间结构划分为区域；联合区域和区域内部的障碍物多边形生成区域内部的二级骨架道路；对生成的骨架道路进行剪枝与平滑，生成分层拓扑地图，对于不能进行原地转向动作的室内机器人，使用基于螺线对的转角平滑方法，保证了路径曲率的连续性，确保生成的地图可以运用到多种不同类型的室内机器人上；生成了平滑的室内中轴参考轨迹，解决了基于维诺图的传统室内地图自动生成方法的骨架抖动和毛刺的问题。
-
公开(公告)号：CN116776226A
公开(公告)日：2023-09-19
申请号：CN202310972400.8
申请日：2023-08-03
Applicant: 西安交通大学 , 宁波市舜安人工智能研究院
IPC: G06F18/241 , G06F18/10 , G06F18/213 , G06F17/18 , G06F17/16 , G06N3/06 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种未知互耦下基于深度学习的远场信号源定位方法，包括以下步骤：获取待定位的远场信号数据，构造特征提取矩阵，并输入信号源数检测网络模型中，得到预测的信号源数；根据预测的信号源数，然后为协方差重构网络模型加载预训练权重参数；将特征提取矩阵输入通过加载预训练权重参数后的协方差重构网络模型中，并根据托普利兹结构特性对网络输出进行重构，采用多重信号分类算法，实现远场信号源定位。本发明在信噪比低于15dB的情况下信号源数检测的准确率比其他基线算法提高至少5个百分点，在信号源数较少的情况下远场信号源的定位精度比其他基线算法提高近两倍，且在多种恶劣环境下定位性能显著提升。
-
-
-
-
-
-
-
-
-
Search Results
106
records
(took 0.025 seconds)
