-
公开(公告)号：CN113989782A
公开(公告)日：2022-01-28
申请号：CN202111310948.3
申请日：2021-11-08
Applicant: 北京理工大学 , 北理慧动(北京)科技有限公司 , 北京工业职业技术学院
IPC: G06V20/58 , G06V20/56 , G06V10/774 , G06K9/62 , G06N3/04
Abstract: 本发明涉及一种多交通参与者交互行为识别方法、系统、设备及介质，属于交通参与者行为识别领域，首先获取数据集；对数据集进行划分，得到训练集和验证集；建立图神经网络模型；图神经网络模型包括实例层和类别层；对训练集和验证集进行预处理，得到预处理后的训练集和验证集；将预处理后的训练集输入图神经网络模型中进行训练，得到训练后的图神经网络模型；最后将预处理后的验证集输入训练后的图神经网络模型中，得到多交通参与者交互行为的识别结果。通过全面考虑所有交通参与者之间的交互行为，可以提升对交通交互行为的识别精度。
-
公开(公告)号：CN113989782B
公开(公告)日：2024-11-01
申请号：CN202111310948.3
申请日：2021-11-08
Applicant: 北京理工大学 , 北理慧动(北京)科技有限公司 , 北京工业职业技术学院
IPC: G06V20/58 , G06V20/56 , G06V10/774 , G06V10/82 , G06N3/042
Abstract: 本发明涉及一种多交通参与者交互行为识别方法、系统、设备及介质，属于交通参与者行为识别领域，首先获取数据集；对数据集进行划分，得到训练集和验证集；建立图神经网络模型；图神经网络模型包括实例层和类别层；对训练集和验证集进行预处理，得到预处理后的训练集和验证集；将预处理后的训练集输入图神经网络模型中进行训练，得到训练后的图神经网络模型；最后将预处理后的验证集输入训练后的图神经网络模型中，得到多交通参与者交互行为的识别结果。通过全面考虑所有交通参与者之间的交互行为，可以提升对交通交互行为的识别精度。
-
公开(公告)号：CN113705115B
公开(公告)日：2022-02-08
申请号：CN202111279251.4
申请日：2021-11-01
Applicant: 北京理工大学 , 北理慧动(北京)科技有限公司
Abstract: 本发明涉及一种地面无人车辆底盘运动与目标打击协同控制方法和系统。本发明通过搭建好的仿真场景对搭建好的强化学习参数模型进行训练和测试，得到训练好的强化学习参数模型，可以将特种车辆类型和强化学习参数模型进行有机结合，并且，在实际环境中，输入车辆传感器实时采集到的各种信息作为深度强化学习的输入，最终实现对地面无人车辆底盘运动与目标打击协同控制，以能够实现自主机动模块与自主任务模块的协同，在缩短任务的完成时间，提升任务执行效果。进一步，基于仿真数据的强化学习方法，能够使数据获取的成本低，而且与基于规则的数学模型方法相比，只需要对输入数据、输出动作、奖赏函数做适当修改即可应用于新的场景，普适性更好。
-
公开(公告)号：CN113642682A
公开(公告)日：2021-11-12
申请号：CN202111194805.0
申请日：2021-10-14
Applicant: 北京理工大学 , 北理慧动(北京)科技有限公司
Abstract: 本发明涉及一种多车交互环境下的轨迹基元提取与分析方法和系统。该多车交互环境下的轨迹基元提取与分析方法，在采集车辆行驶信息并对行驶信息进行预处理得到交互组数据后，根据交互组数据并基于粘性层次狄利克雷过程和隐马尔可夫模型将车辆行驶过程划分为不同原始轨迹基元的组合，然后，利用动态时间规整算法存储驾驶信息并利用图像归一化方法处理原始轨迹基元得到轨迹基元图像，最后，根据轨迹基元图像聚类处理得到一般轨迹基元，进而实现了对多车交互环境中驾驶过程的模块化理解，更加贴合真实驾驶情况，具有很高的实用性。
-
公开(公告)号：CN113643542A
公开(公告)日：2021-11-12
申请号：CN202111189571.0
申请日：2021-10-13
Applicant: 北京理工大学 , 北理慧动(北京)科技有限公司
Abstract: 本发明公开了基于集成学习的多车交互环境下车辆轨迹预测方法及系统。该方法包括：采集车辆的行驶信息；对行驶信息进行预处理，得到空间网格信息和车辆驾驶模式信息；对训练集进行多次随机抽样得到多组含不同数据的训练集；通过多组含不同数据的训练集分别对LSTM编码‑解码器模型进行训练，得到多个基学习器；采用集成学习方法，对多个基学习器进行集成，得到集成学习器，对车辆的未来轨迹进行预测。本发明利用机器学习与深度学习的手段，实现对车辆交互信息的有效利用，并应用集成学习的方法实现对车辆轨迹的预测。且通过集成学习能够将多个模型进行结合，可获得比单一模型显著优越的泛化性能，解决了单一模型对训练数据敏感、精确度低等问题。
-
Patent Agency Ranking
公开(公告)号：CN113642682B
公开(公告)日：2021-12-31
申请号：CN202111194805.0
申请日：2021-10-14
Applicant: 北京理工大学 , 北理慧动(北京)科技有限公司
Abstract: 本发明涉及一种多车交互环境下的轨迹基元提取与分析方法和系统。该多车交互环境下的轨迹基元提取与分析方法，在采集车辆行驶信息并对行驶信息进行预处理得到交互组数据后，根据交互组数据并基于粘性层次狄利克雷过程和隐马尔可夫模型将车辆行驶过程划分为不同原始轨迹基元的组合，然后，利用动态时间规整算法存储驾驶信息并利用图像归一化方法处理原始轨迹基元得到轨迹基元图像，最后，根据轨迹基元图像聚类处理得到一般轨迹基元，进而实现了对多车交互环境中驾驶过程的模块化理解，更加贴合真实驾驶情况，具有很高的实用性。
-
公开(公告)号：CN113705115A
公开(公告)日：2021-11-26
申请号：CN202111279251.4
申请日：2021-11-01
Applicant: 北京理工大学 , 北理慧动(北京)科技有限公司
Abstract: 本发明涉及一种地面无人车辆底盘运动与目标打击协同控制方法和系统。本发明通过搭建好的仿真场景对搭建好的强化学习参数模型进行训练和测试，得到训练好的强化学习参数模型，可以将特种车辆类型和强化学习参数模型进行有机结合，并且，在实际环境中，输入车辆传感器实时采集到的各种信息作为深度强化学习的输入，最终实现对地面无人车辆底盘运动与目标打击协同控制，以能够实现自主机动模块与自主任务模块的协同，在缩短任务的完成时间，提升任务执行效果。进一步，基于仿真数据的强化学习方法，能够使数据获取的成本低，而且与基于规则的数学模型方法相比，只需要对输入数据、输出动作、奖赏函数做适当修改即可应用于新的场景，普适性更好。
-
公开(公告)号：CN114863685B
公开(公告)日：2022-09-27
申请号：CN202210784856.7
申请日：2022-07-06
Applicant: 北京理工大学 , 慧动星球(北京)科技有限公司
Abstract: 本发明涉及一种基于风险接受程度的交通参与者轨迹预测方法及系统，包括：采集目标交通场景下的不同交通参与者的t‑M时刻至t时刻的轨迹信息，并对所述轨迹信息进行预处理；不同所述交通参与者包括行人、自行车和机动车；对t时刻的预处理轨迹信息进行聚类，根据聚类结果确定t时刻每一所述交通参与者的风险接受程度；利用t‑M时刻至t时刻的所述预处理轨迹信息和t时刻每一所述交通参与者的风险接受程度训练异构图模型，得到训练后的异构图模型；利用所述训练后的异构图模型对每一所述交通参与者的轨迹进行预测。考虑到了不同交通参与者的不同风险接受程度，能够准确的对交通参与者的未来轨迹进行准确的预测。
-
公开(公告)号：CN114863685A
公开(公告)日：2022-08-05
申请号：CN202210784856.7
申请日：2022-07-06
Applicant: 北京理工大学 , 慧动星球(北京)科技有限公司
Abstract: 本发明涉及一种基于风险接受程度的交通参与者轨迹预测方法及系统，包括：采集目标交通场景下的不同交通参与者的t‑M时刻至t时刻的轨迹信息，并对所述轨迹信息进行预处理；不同所述交通参与者包括行人、自行车和机动车；对t时刻的预处理轨迹信息进行聚类，根据聚类结果确定t时刻每一所述交通参与者的风险接受程度；利用t‑M时刻至t时刻的所述预处理轨迹信息和t时刻每一所述交通参与者的风险接受程度训练异构图模型，得到训练后的异构图模型；利用所述训练后的异构图模型对每一所述交通参与者的轨迹进行预测。考虑到了不同交通参与者的不同风险接受程度，能够准确的对交通参与者的未来轨迹进行准确的预测。
-
公开(公告)号：CN115688861B
公开(公告)日：2023-08-01
申请号：CN202211337217.2
申请日：2022-10-28
Applicant: 北京理工大学
IPC: G06N3/042 , G06N3/092 , G06Q50/26 , G06Q10/0637
Abstract: 本发明涉及一种用于混合交通环境行为决策的模块化图强化学习系统，包括：混合交通环境模块：用于提供混合交通运行环境，并将环境状态发送至图表征模块；图表征模块：用于通过环境状态生成节点特征矩阵和邻接矩阵；图强化学习模块：用于接收节点特征矩阵和邻接矩阵，并进行处理，生成驾驶策略；合作驾驶行为模块：基于驾驶策略生成驾驶行为和控制指令，控制车辆运行。本发明系统可以根据需要对各个主要模块，即混合交通环境模块、图表征模块、图强化学习模块中的图神经网络单元和深度强化学习单元，以及合作驾驶行为模块，进行替换、改进和二次开发。
-
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.068 seconds)
