公开(公告)号：CN115576327A

公开(公告)日：2023-01-06

申请号：CN202211398386.7

申请日：2022-11-09

Applicant: 复旦大学 ,  珠海复旦创新研究院

Inventor： 洪智铭 ,  林青 ,  刘璟 ,  张正泉 ,  杨晨浩 ,  王子乐 ,  韩宇轩 ,  代梦宇 ,  胡波

IPC: G05D1/02

Abstract: 本发明提供了一种基于自动驾驶智能小车边缘计算与推理的自主学习方法，具有这样的特征，包括以下步骤：步骤S1，通过设置在现实小车和车道上的多个传感器，实时获得现实小车和车道的传感器数据；步骤S2，对第一观测数据和第二观测数据进行轻量级压缩蒸馏构建仿真环境；步骤S3，基于类增量的最近均值分类器得到仿真环境中的变化事件；步骤S4，基于变化事件对虚拟小车进行训练，训练结果作为增量数据集；步骤S5，结合增量数据集基于迭代权重更新现实小车的决策模型；步骤S6，根据第一观测数据结合决策模型得到最优策略并控制现实小车执行。本方法能够很好地解决路况观测数据局限性和实时部署最优响应的问题，具有极大的应用前景。

公开(公告)号：CN115496974A

公开(公告)日：2022-12-20

申请号：CN202211306802.6

申请日：2022-10-24

Applicant: 复旦大学 ,  珠海复旦创新研究院

Inventor： 洪智铭 ,  刘璟 ,  杨晨浩 ,  王子乐 ,  韩宇轩 ,  胡波

IPC: G06V10/778 ,  G06V10/75 ,  G06V20/56

Abstract: 本发明提供了一种高效构造超视距全局感知的自主学习方法。构建一个虚拟平台并在虚拟平台中基于现实小车构建相应的虚拟小车模型，步骤S1实时获取小车的第一视角观测数据，获取车道的各视角观测数据，获取虚拟小车的第一视角观测数据；步骤S2，对多组观测数据进行合并更新获得模拟训练数据；步骤S3，通过模拟训练数据获得不同变化事件中的优选策略序列；步骤S4，在路面环境下，将第一观测数据中的变化事件与策略数据集进行特征匹配，得到最接近的变化事件；以及步骤S5，结合观测数据基于置信水平获得现实小车的最优策略并执行。本方法能够很好的解决灾难性遗忘和陷入局部最优策略的问题，具有极大的应用前景。

公开(公告)号：CN115576327B

公开(公告)日：2024-12-24

申请号：CN202211398386.7

申请日：2022-11-09

Applicant: 复旦大学 ,  珠海复旦创新研究院

Inventor： 洪智铭 ,  林青 ,  刘璟 ,  张正泉 ,  杨晨浩 ,  王子乐 ,  韩宇轩 ,  代梦宇 ,  胡波

IPC: G05D1/43 ,  G05D1/243

Abstract: 本发明提供了一种基于自动驾驶智能小车边缘计算与推理的自主学习方法，具有这样的特征，包括以下步骤：步骤S1，通过设置在现实小车和车道上的多个传感器，实时获得现实小车和车道的传感器数据；步骤S2，对第一观测数据和第二观测数据进行轻量级压缩蒸馏构建仿真环境；步骤S3，基于类增量的最近均值分类器得到仿真环境中的变化事件；步骤S4，基于变化事件对虚拟小车进行训练，训练结果作为增量数据集；步骤S5，结合增量数据集基于迭代权重更新现实小车的决策模型；步骤S6，根据第一观测数据结合决策模型得到最优策略并控制现实小车执行。本方法能够很好地解决路况观测数据局限性和实时部署最优响应的问题，具有极大的应用前景。