公开(公告)号：CN119942520A

公开(公告)日：2025-05-06

申请号：CN202411844164.2

申请日：2024-12-15

Applicant: 北京工业大学

Inventor： 刘海滨 ,  李潇 ,  李明飞 ,  谢丰 ,  任付杰 ,  蔡永荣

IPC: G06V20/64 ,  G01S13/86 ,  G06V20/56 ,  G06V10/82 ,  G06V20/62 ,  G06V10/25

Abstract: 本发明公开了一种基于车牌信息的车辆编队3D目标检测方法，该方法通过体素化后的点云信息初步判断，形似车辆物体的点云分布区域，再由RGB图像信息判断车牌的信息和所在图片的区域，后将在点云空间获得的3D RoL通过投影到图片上获得一些2D RoL，通过比较2D RoL和车牌所在区域，判断哪些3DRoL是需要保留的，然后对点云空间进行裁切，保留存在车辆的区域。同时，通过真实点云和图像生成深度图，再生成稠密的点云。将点云信息和车牌识别出的信息reshape后连接，之后用于预测车辆置信度和边界框。同时本发明还提供一种数字迷彩车牌，在能保障上述功能实现的同时，还不会破坏特种车辆的隐蔽性。本发明能有效提高车辆编队跟踪的准确性。

公开(公告)号：CN118444603A

公开(公告)日：2024-08-06

申请号：CN202410464646.9

申请日：2024-04-17

Applicant: 北京工业大学

Inventor： 刘海滨 ,  谢丰 ,  李明飞 ,  任付杰 ,  黄河 ,  董浩 ,  李潇

IPC: G05B19/042

Abstract: 本发明公开了一种基于多线激光雷达及反光标记定位的双AGV联动控制方法，该方法利用多线激光雷达配合固定在前AGV上的反光标记获取两AGV相对位姿关系，简化AGV协同导航控制问题的运行方式。通过筛选多线激光雷达点云数据的强度值，获取反光标记处的点云数据，通过聚类算法等方法获取两AGV的相对位姿信息。将两AGV的协同导航简化为一台虚拟大AGV底盘的导航问题，对两AGV的运动学模型的分析，并利用设定的位姿的偏差值控制后AGV速度实现协同导航。利用多线激光雷达配合反光标记获取两AGV相对位姿，组合多AGV底盘为一虚拟AGV底盘，进行协同导航。解决了AGV协同导航的避障，该方法可以应用于无通讯的环境中执行协同任务，具有更好的环境适应能力。

公开(公告)号：CN118348988A

公开(公告)日：2024-07-16

申请号：CN202410452933.8

申请日：2024-04-16

Applicant: 北京工业大学

Inventor： 刘海滨 ,  李明飞 ,  谢丰 ,  夏铭浩 ,  董浩

IPC: G05D1/43 ,  G05D1/243 ,  G05D1/246 ,  G05D1/65 ,  G05D1/644 ,  G05D1/648 ,  G06T7/246 ,  G06N3/0442 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/084 ,  G06N3/092 ,  G05D109/10

Abstract: 本发明公开了一种基于深度强化学习的视觉端到端车辆跟随方法，利用跟随者的第一视角观察作为输入，并生成相应的控制信号作为输出。我们构建了空间‑注意力‑时间框架，以实现从视觉到动作的高精度映射。为了提升跟随者在非通信场景中的性能，提出了定制的奖励函数和环境增强技术。跟随者使用了异步优势演员‑评论家算法在3D环境中进行训练和测试。在面对随机路径、恶劣天气、多样颜色和前车纹理的情况下，该方法展现出了出色的泛化能力。对车辆跟随模型的可解释性分析表明，显著增强模型对障碍物和物体位置的关注。对空间‑注意力‑时间框架进行了消融研究，阐明每个模块对跟随前车的贡献，进一步证明了所提方法在跟踪性能方面的卓越性。

公开(公告)号：CN119322967A

公开(公告)日：2025-01-17

申请号：CN202411345823.8

申请日：2024-09-26

Applicant: 北京工业大学

Inventor： 刘海滨 ,  魏焱锋 ,  魏民 ,  谢丰 ,  张明振 ,  蔡永荣

IPC: G06F18/241 ,  G01M13/045 ,  G06F18/2415 ,  G06F18/213 ,  G06N3/096 ,  G06N3/045 ,  G06N3/084 ,  G06N3/0475 ,  G06N3/094 ,  G06N3/0464 ,  G06F123/02

Abstract: 本发明公开了基于域对抗与注意力迁移学习真空干泵轴承故障诊断方法，旨在解决深度学习方法在跨域故障诊断中因干式真空泵轴承故障的数据分布差异导致的性能下降问题。通过引入梯度反转层进行域对抗训练，结合注意力机制动态调整特征权重。本发明能够有效减少轴承故障数据源域和目标域之间的分布差异，并提高模型在目标域上的故障诊断精度。具体实现包括构建结合卷积神经网络、注意力机制和域对抗训练的深度迁移学习模型，对源域和目标域数据进行特征提取和分类训练，采用交叉熵损失、域对抗损失及最大均值差异损失优化模型。本方法在不同工况下均表现出较高的诊断准确率和良好的泛化能力，适用于跨域故障检测与诊断。

公开(公告)号：CN118348989A

公开(公告)日：2024-07-16

申请号：CN202410452934.2

申请日：2024-04-16

Applicant: 北京工业大学

Inventor： 刘海滨 ,  李明飞 ,  谢丰 ,  夏铭浩 ,  董浩 ,  黄河 ,  李潇 ,  蔡永荣

IPC: G05D1/43 ,  G05D1/695

Abstract: 本发明公开了一种基于循环SAC的机器人分布式Leader‑Follower编队方法。通过该方法实现了无需手动设计模型和调整参数，仅凭借移动机器人之间的位置误差来实现编队控制的目标。构建全新的循环‑SAC强化学习框架，以确保编队控制具备良好的瞬态和稳态特性，从而获得了出色的控制性能。此外，提出了剧集式记忆回放单元存储及采样方法，以及一种新颖的归一化奖励函数，使得循环SAC强化学习编队框架能够快速收敛，并在各种任务中获得一致性的激励，更好地学习和适应不同场景下的编队任务要求。同时，通过对状态空间的归一化处理，有效地消除了不同形状编队任务之间的差异性，提高了模型的泛化能力。