-
Patent Agency Ranking
公开(公告)号：CN119832021A
公开(公告)日：2025-04-15
申请号：CN202411608065.4
申请日：2024-11-12
Applicant: 中国兵器科学研究院
IPC: G06T7/20 , G06T3/4046 , G06V10/766
Abstract: 本发明涉及一种嵌入式目标跟踪搜索区域自适应裁剪重采样方法，属于计算机视觉技术领域。本发明提供的是一种自适应裁剪重采样方法，当候选区域分辨率较小时，采用先裁剪出候选区域、再对候选区域重采样的方法，当候选区域分辨率较大时，采用先对整幅图像重采样、再裁剪出候选区域的方法，大大降低了目标跟踪预处理总耗时。
-
公开(公告)号：CN118605561A
公开(公告)日：2024-09-06
申请号：CN202410755522.6
申请日：2024-06-12
Applicant: 中国兵器科学研究院
IPC: G05D1/46 , G05D109/28
Abstract: 本发明涉及飞行器制导控制技术领域，具体公开一种集群多飞行器的协同制导方法，包括：步骤一：末制导优势阵位分析与探究，获得具有较好的阵位优势时的速度角和位置角;步骤二：以当前导弹状态参数重新投入弹道模型，解算抵达位置节点的剩余飞行时间；步骤三：设计自适应比例导引律；步骤四：验证仿真结果。本发明通过提出一种新型的自适应末制导律，进入末制导过程通过自适应比例导引系数，抑制末制导初段的飞行器机动，维持阵位优势并降低速度损失。最终实现在末制导末端恢复正常比例导引，保证弹道收敛。
-
公开(公告)号：CN119559529A
公开(公告)日：2025-03-04
申请号：CN202411608199.6
申请日：2024-11-12
Applicant: 中国兵器科学研究院
Abstract: 本发明涉及一种应用于弱算力机载芯片的快速目标检测方法，属于计算机视觉技术领域。该方法中无需经过resize操作，将原图直接送入NPU模块，省去了resize操作的时间。本发明设计的目标检测网络的结构层间独立，没有跨层之间的链接，计算并行性好。传统的目标检测算法为了融合多层特征使用跨层连接，计算并行性差。本发明设计的目标检测算法只有两个阶段，目标检测网络只包括浅层、中层网络，网络较浅，计算量小。而传统目标检测算法采用更深的网络，比如yolov5，包含浅层、中层、深层网络，计算量大。
-
公开(公告)号：CN118504919B
公开(公告)日：2025-02-11
申请号：CN202410734654.0
申请日：2024-06-07
Applicant: 中国兵器科学研究院
IPC: G06Q10/0631 , G06Q50/26 , G06N3/045 , G06N3/092
Abstract: 一种基于SDQN算法的多智能体目标分配方法，针对集群飞行器打击作战的背景，设置训练环境；根据任务指标不同设置不同奖励函数类型和优化目标；训练环境初始化；环境将初始化的任务决策结果返回给SDQN，SDQN将环境返回的状态输入网络；网络给出当前决策结果下个决策结果的评价Q值；选择Q值最大的分配结果，将其融入环境。本发明将原本在所有分步动作都执行完后才能获得的奖励信号r也进行了分解；按照问题在实际环境中的情况，将奖励信号r分解到每个分步动作执行之后，同时也保证分解后各分步动作获得的奖励之和等于原本的奖励r。本发明的优点在于能够保证既定的原本奖励不变的情况下，为算法提供丰富的奖励信号，降低训练的难度。
-
公开(公告)号：CN118504919A
公开(公告)日：2024-08-16
申请号：CN202410734654.0
申请日：2024-06-07
Applicant: 中国兵器科学研究院
IPC: G06Q10/0631 , G06Q50/26 , G06N3/045 , G06N3/092
Abstract: 一种基于SDQN算法的多智能体目标分配方法，针对集群飞行器打击作战的背景，设置训练环境；根据任务指标不同设置不同奖励函数类型和优化目标；训练环境初始化；环境将初始化的任务决策结果返回给SDQN，SDQN将环境返回的状态输入网络；网络给出当前决策结果下个决策结果的评价Q值；选择Q值最大的分配结果，将其融入环境。本发明将原本在所有分步动作都执行完后才能获得的奖励信号r也进行了分解；按照问题在实际环境中的情况，将奖励信号r分解到每个分步动作执行之后，同时也保证分解后各分步动作获得的奖励之和等于原本的奖励r。本发明的优点在于能够保证既定的原本奖励不变的情况下，为算法提供丰富的奖励信号，降低训练的难度。
-
-
-
-
Search Results
5
records
(took 0.018 seconds)
