-
公开(公告)号：CN119990695A
公开(公告)日：2025-05-13
申请号：CN202510453670.7
申请日：2025-04-11
Applicant: 南京信息工程大学
IPC: G06Q10/0631 , G06Q10/04 , G06N5/04 , G06F17/16 , G06F7/78
Abstract: 本发明公开了一种基于多机多任务分配问题模型MDTAP的任务分配优化方法，引入约束条件，采用编码方式对多无人机多任务分配效益模型中的不确定矩阵进行N进制转换求解，根据总收益、总花费和总风险构建适应度函数；划分输入值区间，确定分隔点矩阵和区间中点矩阵；计算选择搜索迭代概率或优化迭代的概率，通过轮盘赌法选择搜索迭代或优化迭代，使用搜索迭代和优化迭代两种迭代方法共同寻找适应度函数的最优解。本发明将任务的约束条件融合在函数中，增加任务分配的通用性、多样性和便捷性，适应度函数将任务花费与无人机成本和载荷成本结合，将风险与无人机暴露长和无人机与载荷的成本结合，使分配更加合理实际。
-
公开(公告)号：CN119693774A
公开(公告)日：2025-03-25
申请号：CN202510135981.9
申请日：2025-02-07
Applicant: 南京信息工程大学
Abstract: 本发明提供一种基于改进GSNet网络的物体识别检测方法，该方法包括：采用深度相机采集得到目标场景的深度图像，并将深度图像转换为点云数据；采用PointNet++网络替换GSNet网络中的ResUNet14骨干网络，得到改进GSNet网络；利用得到的点云数据对改进GSNet网络进行训练；输入目标场景内待测的目标物体数据，使用训练好的改进GSNet网络对目标物体进行识别检测。本发明在GSNet网络中引入了更擅长处理点云数据的PointNet++网络，从而更好的提取局部细节特征。通过对目标场景中的背景与目标物体进行分割，避免了环境和其他物体对目标物体识别检测的干扰。
-
公开(公告)号：CN118567366A
公开(公告)日：2024-08-30
申请号：CN202411055461.9
申请日：2024-08-02
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于环境感知的无人船编队协同作业方法，包括以下步骤：（1）多艘无人船协同构建养殖水域地图；（2）设置各艘无人船的编队初始位置和编队的拓扑结构；（3）设定领航船并规划领航轨迹；（4）跟随船计算期望位置和期望航向角；计算跟随船实际位置与期望位置之间的位置误差，以及实际航向与期望航向之间的角度误差；（5）提取回声信号的强度、频率和时间延迟计算鱼群的精确位置和密度；（6）计算每艘跟随船与设定的投喂目标点之间的欧式距离，并从小到大排序；（7）结合基于人工势场法改进的动态虚拟障碍势场法执行投喂任务；（8）跟随领航船返回编队位置；本发明提升了无人船在复杂水域环境中的任务执行能力和避障性能。
-
公开(公告)号：CN117191047B
公开(公告)日：2024-02-23
申请号：CN202311452969.8
申请日：2023-11-03
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种弱光环境下无人机自适应主动视觉导航方法、装置，包括：对事件相机输出的事件信息进行筛选，得到激活像素点；在激活事件表面上，检查最新激活像素点的时间戳与相邻激活像素点的时间戳之间的时间间距，确定所述最新激活像素点是否为事件特征点；将获取的事件特征点生成虚拟帧；计算虚拟帧上的点对虚拟帧中心的势场力，将势场力合成得到势场合力；通过势场合力计算得到无人机特征偏向速度，与无人机目标偏向速度合成得到弱光环境速度，无人机执行弱光环境速度。采用上述技术方案，基于虚拟帧中的势场力计算得到特征偏向速度，选择事件特征较为丰富的路径，提升了导航的准确度，且由于计算量较小，因此，导航实时性
-
公开(公告)号：CN110210375A
公开(公告)日：2019-09-06
申请号：CN201910457808.5
申请日：2019-05-29
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于无人机的自适应农场庄稼缺肥区域检测方法，包括(1)无人机在农场上空进行巡航，并通过高光谱相机采集农场庄稼的光谱波段图像；(2)对光谱波段图像进行图像处理，采用SVM分类器分析图像判断庄稼所需元素是否缺少；(3)自适应调整无人机位置及高度，使缺肥区域范围最接近无人机的视野范围，记录此时的图像以及无人机的高度H；(4)基于步骤3所的的图像计算缺肥区域的实际面积，将缺肥信息发送至管理人员的移动设备端。本发明通过所设计的自适应缺肥区域检测模块，辅助无人机完成“看”的动作，提升了无人机图像处理的智能性，并因此取代图像处理云平台完成图像处理任务，节约了系统成本，具有极高的应用推广价值。
-
Patent Agency Ranking
公开(公告)号：CN119414862B
公开(公告)日：2025-04-18
申请号：CN202510006823.3
申请日：2025-01-03
Applicant: 南京信息工程大学
IPC: G05D1/46 , G05D109/20
Abstract: 本发明公开了一种基于批处理先验知识树的无人机路径规划方法，通过在人工势场法的合势力函数中加入采样点范围控制参数，根据障碍物的密集程度动态调整采样点的生成范围，并定义阈值，当采样点的合势力函数小于阈值时，则保留该点，否则剔除。该过程大大减少随机生成采样点策略导致的冗余采样及计算资源的浪费；本发明在路径优化过程中,将一个椭圆采样集合转化为两个局部子集椭圆采样集合，减少采样面积，提高采样效率；并通过更新起始点到信标点的路径代价，增加第二个椭圆面积，从而增大障碍物间可通行区域在椭圆内部的概率；同时引入障碍物密集程度因子，增加信标点生成在障碍物旁边的概率以及路径通过复杂障碍物的可能性，优化路径。
-
公开(公告)号：CN119414862A
公开(公告)日：2025-02-11
申请号：CN202510006823.3
申请日：2025-01-03
Applicant: 南京信息工程大学
IPC: G05D1/46 , G05D109/20
Abstract: 本发明公开了一种基于批处理先验知识树的无人机路径规划方法，通过在人工势场法的合势力函数中加入采样点范围控制参数，根据障碍物的密集程度动态调整采样点的生成范围，并定义阈值，当采样点的合势力函数小于阈值时，则保留该点，否则剔除。该过程大大减少随机生成采样点策略导致的冗余采样及计算资源的浪费；本发明在路径优化过程中,将一个椭圆采样集合转化为两个局部子集椭圆采样集合，减少采样面积，提高采样效率；并通过更新起始点到信标点的路径代价，增加第二个椭圆面积，从而增大障碍物间可通行区域在椭圆内部的概率；同时引入障碍物密集程度因子，增加信标点生成在障碍物旁边的概率以及路径通过复杂障碍物的可能性，优化路径。
-
公开(公告)号：CN119148761B
公开(公告)日：2025-02-07
申请号：CN202411639892.X
申请日：2024-11-18
Applicant: 南京信息工程大学
IPC: G05D1/695 , G05D109/20
Abstract: 本发明公开了一种基于改进多目标蚁群算法的无人机集群任务分配方法，包括：根据优化目标一和优化目标二，分别构建两个蚂蚁组和相应的两个启发信息；将每个蚂蚁组划分成多个蚂蚁子群，构建蚁簇；每架无人机基于其成员信息素来竞争获取下一个任务的执行权；获得下一个任务的执行权的无人机根据状态转移规则选择下一个任务；仅当蚁簇构造完一个任务分配解时，更新局部信息素；仅当所有的蚁簇完成构造任务分配解时，更新两个蚂蚁组的全局信息素；迭代完成时，档案集中的所有解构成最终的任务分配方案，无人机集群按照任务分配方案，执行任务。
-
公开(公告)号：CN119364291A
公开(公告)日：2025-01-24
申请号：CN202411935916.6
申请日：2024-12-26
Applicant: 南京信息工程大学
Abstract: 本发明提供一种无人机集群在复杂环境中的通信方法及系统，通信方法包括：遍历无人机集群中所有节点对，并将节点间的连接关系填充至邻接矩阵中，建立无人机集群邻接矩阵；利用人工势场避障函数和连通性维护函数同时对无人机集群进行约束；将无人机集群邻接矩阵中赋值为0的节点定义为离群无人机，采用距离向量算法规划离群无人机的返回路径，直至离群无人机回到无人机集群；重复执行以上步骤，直至无人机集群到达设定的目标点。本发明在实现集群自动避障的同时增强了集群中无人机之间的通信能力，集群中的离群无人机能够在短时间内迅速重新与集群建立连接，进一步增强了多种复杂环境中集群无人机之间的通信能力。
-
公开(公告)号：CN115344046A
公开(公告)日：2022-11-15
申请号：CN202211002713.2
申请日：2022-08-19
Applicant: 南京信息工程大学
IPC: G05D1/02
Abstract: 本发明公开一种基于改进深度Q网络算法的移动机器人路径规划，针对现有技术中存在的问题，本发明路径规划在深度Q网络算法的动作引导策略中，引入了改进的人工势场引力函数和目标引导动作函数，有效地减少了算法训练过程中的碰撞次数、提高了算法的收敛速度；本发明路径规划设计了一种分段奖励函数，其在当前位置距离目标点最近的邻近点，赋予折扣的奖励值，促使移动机器人朝目标点探索，从而使规划出来的路径更优；本发明路径规划改进采样策略，通过存放在样本经验池中所有样本的优先级，使经验池中样本被采样概率随着采样次数的增加而减小，从而提高了样本利用率，有效地解决了算法训练过程中出现损失值发散、神经网络过拟合的问题。
-
-
-
-
-
-
-
-
-
Search Results
46
records
(took 0.031 seconds)
