-
公开(公告)号：CN108897640B
公开(公告)日：2021-08-27
申请号：CN201810593704.2
申请日：2018-06-11
Applicant: 上海交通大学
IPC: G06F11/14
Abstract: 一种群智感知中错误位置数据的检测系统及方法，基于时间序列和压缩感知的错误数据检测方法，通过迭代执行基于时间序列的异常值检测方法检测和压缩感知方法检测错误位置数据并同时对丢失位置数据进行恢复。迭代执行时间序列异常值检测方法和压缩感知，使得错误数据和丢失数据间的相互影响最小化，很好的控制了误报率和漏报率，获得了很高的精度(precision)和召回率(recall)。
-
公开(公告)号：CN119882431A
公开(公告)日：2025-04-25
申请号：CN202510008226.4
申请日：2025-01-03
Applicant: 上海交通大学
IPC: G05B13/04
Abstract: 一种基于数据驱动的自动驾驶决策优化系统及方法，该系统包括：数据生产模块、数据筛选模块、模型封装模块和参数调优模块，其中：数据生产模块以人驾数据为输入，经标注、预处理和格式转换后，提取关键特征并进行标准化、归一化和编码，生成符合算法输入要求的数据驱动过程中的原始数据；数据筛选模块根据决策器所划分的各个场景从训练数据中筛选出相应的数据并进行有效分类；模型封装模块对C++的决策代码进行封装并采用基于轨迹对的真值评估方法构建训练所需的轨迹对评估代价图；参数调优模块根据经过筛选后的不同场景下的数据、封装好的决策算法模型以及轨迹对评估代价图，利用黑盒优化的方法，得到相应场景下在当前决策算法下的决策参数。本发明结合基于规则和基于学习的方法，利用自动驾驶车辆在运行过程中产生的大量数据，从而提高决策系统的上限，更有利于决策器在实际场景中的表现且属于白盒性质的数据驱动的决策参数调节技术。
-
公开(公告)号：CN119227521A
公开(公告)日：2024-12-31
申请号：CN202411261156.5
申请日：2024-09-10
Applicant: 上海交通大学
IPC: G06F30/27 , G06F30/15 , G06N3/0475 , G06N3/045 , G06N3/094
Abstract: 本发明涉及自动驾驶测试领域领域，提供了一种基于对抗奖励训练的自动驾驶危险场景生成方法及系统，初始化多车道道路的驾驶仿真环境；基于车辆数据中的场景状态参数，随机生成惩罚动作，将场景状态参数、惩罚动作及对应的动作参数组成状态动作对，在无历史动作相似性惩罚的条件下，计算状态动作价值；通过惩罚函数对惩罚动作进行历史动作相似性惩罚，计算历史动作相似性惩罚更新后的状态动作价值；根据强化学习模型中的状态动作价值与期望状态动作价值的差值更新强化学习模型指导生成自动驾驶危险场景。本发明显著提高了自动驾驶系统测试的效率和质量，同时减少场景质量损失，并在较短的训练周期内，提升了场景的多样性和实用性。
-
公开(公告)号：CN117746620A
公开(公告)日：2024-03-22
申请号：CN202311608901.4
申请日：2023-11-29
Applicant: 上海智能网联汽车技术中心有限公司 , 上海交通大学
IPC: G08G1/01
Abstract: 本发明涉及一种被遮挡状态下的路侧端多车连续检测跟踪方法，包括以下步骤，通过路侧端传感器，获取待跟踪的车辆的历史点云簇，得到遮挡状态转换函数；建立车辆动态遮挡模型，预测车辆的点云簇缺失结果，判断车辆的未来遮挡状况，当车辆遮挡状况为局部遮挡时，进行相似度计算，得到车辆局部遮挡时的车辆轨迹；当车辆遮挡状况为完全遮挡时，计算道路环境对车辆的遮挡数据；基于车辆的当前位置和速度，对车辆的行进路径及点云簇进行预测，得到预测车辆轨迹；当传感器范围内出现新点云簇时，根据预测车辆轨迹，与新点云簇进行关联计算，得到车辆完全遮挡时的车辆轨迹。与现有技术相比，本发明具有追踪精度高、鲁棒性高、适应性广等优点。
-
公开(公告)号：CN118332689B
公开(公告)日：2025-03-14
申请号：CN202410441711.6
申请日：2024-04-12
Applicant: 上海交通大学 , 中国重汽集团济南动力有限公司
IPC: G06F30/15 , G06F30/20 , G06F30/27 , G06N3/0442
Abstract: 一种重载车辆悬架时变特性辨识方法及系统，由传感器收集矿用卡车操纵的序列状态，通过深度学习网络根据序列状态预测得到参数相关因子；同时通过考虑纵向‑垂直耦合效应的线性动力学模型粗略估计得到刚度和阻尼系数作为关键悬架参数，再由考虑纵向‑垂直耦合效应的非线性动力学模型根据参数相关因子和关键悬架参数预测得到下一时间步的状态。本发明将深度学习网络集成到矿用卡车的物理模型中，建立精确的矿用卡车纵向‑垂直动力学模型并识别精确的悬架参数，通过物理模型‑数据驱动的方法给出矿卡悬架刚度阻尼时变特性，且模型自身具备一定的可解释性和泛化性；只通过簧上信息即获取四个悬架刚度和阻尼，具有架构简单、便于实现等优点。
-
Patent Agency Ranking
公开(公告)号：CN119206027A
公开(公告)日：2024-12-27
申请号：CN202411290327.7
申请日：2024-09-14
Applicant: 上海交通大学
IPC: G06T15/20 , G06T15/04 , G06T17/00 , G06T17/20 , G06N3/0499 , G06N3/084 , G06N3/0985
Abstract: 本发明涉及自动驾驶场景重建领域，公开了一种考虑几何信息增强的自动驾驶无边界场景隐式重建方法及系统，采用一种自动驾驶的几何感知网格基神经渲染系统，该系统利用透视变形哈希网格和有符号距离函数SDF从稀疏传感器数据重建和渲染准确的驾驶环境。系统包括一个哈希池，包含16个级别，每级持有219个2维特征向量，特征向量通过空间插值输入至MLP网络，提取场景特征和SDF，最终，通过对RGB图像、深度和法线的优化，实现高质量的场景重建，在联合优化时，使用RGB输入和单目深度、法线观测作为监督。该系统提高了场景重建质量，能有效处理无边界场景，并在视点稀疏环境中提升性能，在处理实际驾驶环境中的复杂场景时，表现出更高的鲁棒性和准确性。
-
公开(公告)号：CN118886171A
公开(公告)日：2024-11-01
申请号：CN202410906715.7
申请日：2024-07-08
Applicant: 上海交通大学
Abstract: 本发明涉及自动驾驶数据采集领域，尤其涉及一种面向自动驾驶算法开发的仿真数据生成方法，包括初始化仿真环境；在仿真环境中部署自主移动的车辆和行人，在车辆上安装包括激光雷达和RGB相机在内的传感器；传感器收集的数据被转化为三维点云数据和RGB图像，筛选出可表征其几何结构的目标物体生成标签文件，基于预设的可见距离阈值过滤出可见目标物体，结合深度相机的数据判断顶点是否被遮挡，对于未被遮挡的目标物体生成对应的标签文件；保存传感器数据和标签文件，更新仿真场景重复采集完成数据集构建。通过对仿真场景、传感器、交通参与者等环境参数进行设置，构建了一个丰富的数据场景库，解决在遮挡情况下出现的标签关联错误，生成大量数据。
-
公开(公告)号：CN108897640A
公开(公告)日：2018-11-27
申请号：CN201810593704.2
申请日：2018-06-11
Applicant: 上海交通大学
IPC: G06F11/14
Abstract: 一种群智感知中错误位置数据的检测系统及方法，基于时间序列和压缩感知的错误数据检测方法，通过迭代执行基于时间序列的异常值检测方法检测和压缩感知方法检测错误位置数据并同时对丢失位置数据进行恢复。迭代执行时间序列异常值检测方法和压缩感知，使得错误数据和丢失数据间的相互影响最小化，很好的控制了误报率和漏报率，获得了很高的精度(precision)和召回率(recall)。
-
公开(公告)号：CN120047909A
公开(公告)日：2025-05-27
申请号：CN202510013198.5
申请日：2025-01-06
Applicant: 上海交通大学
IPC: G06V20/56 , G06V10/40 , G06V10/77 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/08 , B60W60/00 , B60W50/00
Abstract: 一种融合历史预测轨迹特征的视觉端到端轨迹预测系统，包括：BEV特征编码模块、时序融合模块、轨迹预测特征编码模块、轨迹预测解码模块和图像特征位置编码模块，本发明利用历史预测轨迹对2D图像特征进行编码，提升2D图像特征的空间表征，进而获得特征更加丰富的BEV特征，最终提升轨迹预测以及目标检测精度，使感知系统更加准确、鲁棒。
-
公开(公告)号：CN118332689A
公开(公告)日：2024-07-12
申请号：CN202410441711.6
申请日：2024-04-12
Applicant: 上海交通大学 , 中国重汽集团济南动力有限公司
IPC: G06F30/15 , G06F30/20 , G06F30/27 , G06N3/0442
Abstract: 一种重载车辆悬架时变特性辨识方法及系统，由传感器收集矿用卡车操纵的序列状态，通过深度学习网络根据序列状态预测得到参数相关因子；同时通过考虑纵向‑垂直耦合效应的线性动力学模型粗略估计得到刚度和阻尼系数作为关键悬架参数，再由考虑纵向‑垂直耦合效应的非线性动力学模型根据参数相关因子和关键悬架参数预测得到下一时间步的状态。本发明将深度学习网络集成到矿用卡车的物理模型中，建立精确的矿用卡车纵向‑垂直动力学模型并识别精确的悬架参数，通过物理模型‑数据驱动的方法给出矿卡悬架刚度阻尼时变特性，且模型自身具备一定的可解释性和泛化性；只通过簧上信息即获取四个悬架刚度和阻尼，具有架构简单、便于实现等优点。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.014 seconds)
