-
公开(公告)号：CN105128855B
公开(公告)日：2017-07-21
申请号：CN201510604187.0
申请日：2015-09-21
Applicant: 大连理工大学
Abstract: 本发明公开了一种双轴并联混合动力城市公交车的控制方法，包括以下步骤：建立动力传动系统模型；进行线性拟合；预确定荷电状态SOC可达区域；建立预测控制模型；求解混合整数线性规划问题。本发明通过工作模式的划分和混合逻辑动态的特点，使混合动力公交车可以根据行驶工况和驾驶员行为进行工作模式的自动切换，从而用最优化的方法进行发动机和电动机的转矩分配。有效地解决了基于规则的控制方法所带来的无法根据行驶工况自动优化转矩分配的问题。本发明通过预测模型，有效地解决了瞬时优化中只能考虑当前时刻的缺陷；并且预测视距可根据实验找到一个使预测结果和理想值相对误差较小的时长，有效地解决了全局优化中对整个行驶工况的苛刻要求。
-
公开(公告)号：CN104182756B
公开(公告)日：2017-04-12
申请号：CN201410452642.5
申请日：2014-09-05
Applicant: 大连理工大学
Abstract: 本发明公开了一种基于单目视觉的车辆前方障碍物检测方法，将车辆前方环境划分为影响车辆安全行驶的障碍物和车辆能够安全行驶的自由驾驶空间两类，考虑到障碍物的多样性和相应检测算法的复杂性，首先将特征相对明显，更易于检测的自由驾驶空间作为重点检测对象，然后从非自由驾驶空间中进行车辆类障碍物和非车辆类障碍物的检测。本发明首先将环境分为四种情况，然后根据相应的情况选择合适的检测算法，增加了算法的环境适应性，能够适应不同光照条件的自由驾驶空间检测和车前障碍物检测，并且具有较高的实时性和准确性。
-
公开(公告)号：CN105930830B
公开(公告)日：2019-07-16
申请号：CN201610330600.3
申请日：2016-05-18
Applicant: 大连理工大学
Abstract: 本发明公开了一种基于卷积神经网络的路面交通标志识别方法，包括以下步骤：图像采集和预处理；卷积神经网络结构的设计及训练。本发明采用V‑视差法从原始图像中获取路面区域，能够降低非路面干扰造成的影响，使得提取路面区域的精度提高。本发明采用俯视图重构路面区域，将视觉图像里由于视角的原因，呈现出的不平行的线，重构为近似的平行线，更有利于路面交通标志的识别，提高了对视角倾斜的适应能力。本发明采用卷积神经网络这一深度学习方法，能够从大量的训练样本中提取到反映数据本质的隐性特征。相比于浅层学习分类器，它具有更高的学习效率和识别精度。
-
公开(公告)号：CN105975915A
公开(公告)日：2016-09-28
申请号：CN201610273462.X
申请日：2016-04-28
Applicant: 大连理工大学
CPC classification number: G06K9/00825 , G06N3/084
Abstract: 本发明公开了一种基于多任务卷积神经网络的车辆多参数识别方法，包括以下步骤：卷积神经网络结构的设计及训练；基于卷积神经网络的车辆参数识别。本发明采用卷积神经网络，使原始数据通过简单而非线性的模型转变成为更抽象的高层表达。因此，卷积神经网络能够从大量的训练样本中学习到反映待识别目标本质的隐性特征；相比浅层学习分类器，具有更强的可扩展性，满足交通环境中的多类目标的识别，识别精度也更高。尤其应用于复杂的交通环境当中，本发明体现出很强的抗环境干扰能力。本发明将卷积神经网络的应用扩展到车辆的多参数识别，以训练好的卷积神经网络识别图像中车辆的类型特征、位姿信息及车灯状态，增强了车辆潜在行为的可预知性。
-
公开(公告)号：CN105128855A
公开(公告)日：2015-12-09
申请号：CN201510604187.0
申请日：2015-09-21
Applicant: 大连理工大学
CPC classification number: B60W20/10 , B60W50/0097 , B60W2050/0013
Abstract: 本发明公开了一种双轴并联混合动力城市公交车的控制方法，包括以下步骤：建立动力传动系统模型；进行线性拟合；预确定荷电状态SOC可达区域；建立预测控制模型；求解混合整数线性规划问题。本发明通过工作模式的划分和混合逻辑动态的特点，使混合动力公交车可以根据行驶工况和驾驶员行为进行工作模式的自动切换，从而用最优化的方法进行发动机和电动机的转矩分配。有效地解决了基于规则的控制方法所带来的无法根据行驶工况自动优化转矩分配的问题。本发明通过预测模型，有效地解决了瞬时优化中只能考虑当前时刻的缺陷；并且预测视距可根据实验找到一个使预测结果和理想值相对误差较小的时长，有效地解决了全局优化中对整个行驶工况的苛刻要求。
-
Patent Agency Ranking
公开(公告)号：CN105975957B
公开(公告)日：2019-02-05
申请号：CN201610367918.9
申请日：2016-05-30
Applicant: 大连理工大学
Abstract: 本发明公开了一种基于车道线边缘的道路平面检测方法，包括以下步骤：通过双目立体视觉系统采集图像并进行预处理；对预处理后的图像进行Canny边缘检测，并利用Hough变换的方法提取车道线边缘；基于车道线边缘，通过最小二乘法求解道路平面系数，得到道路平面方程。本发明基于车道线边缘进行道路平面检测，能够在双目立体视觉系统的基线与道路平面不平行的情况下，实现道路平面的精确检测，减少了车辆侧倾和颠簸对道路平面检测带来的影响；本发明通过匹配成功的车道线的点进行道路平面拟合，较少依赖匹配成功的地面点个数及其分布情况，即使地面点匹配个数较少且分布集中，也能实现较好的道路平面检测效果，更具有实用价值。
-
公开(公告)号：CN105975957A
公开(公告)日：2016-09-28
申请号：CN201610367918.9
申请日：2016-05-30
Applicant: 大连理工大学
CPC classification number: G06K9/00798 , G06K9/40
Abstract: 本发明公开了一种基于车道线边缘的道路平面检测方法，包括以下步骤：通过双目立体视觉系统采集图像并进行预处理；对预处理后的图像进行Canny边缘检测，并利用Hough变换的方法提取车道线边缘；基于车道线边缘，通过最小二乘法求解道路平面系数，得到道路平面方程。本发明基于车道线边缘进行道路平面检测，能够在双目立体视觉系统的基线与道路平面不平行的情况下，实现道路平面的精确检测，减少了车辆侧倾和颠簸对道路平面检测带来的影响；本发明通过匹配成功的车道线的点进行道路平面拟合，较少依赖匹配成功的地面点个数及其分布情况，即使地面点匹配个数较少且分布集中，也能实现较好的道路平面检测效果，更具有实用价值。
-
公开(公告)号：CN105956704A
公开(公告)日：2016-09-21
申请号：CN201610289594.1
申请日：2016-05-04
Applicant: 大连理工大学
CPC classification number: Y02D10/45 , G06Q10/047 , G06F16/29 , G06F2216/03
Abstract: 本发明公开了一种面向插电式混合动力汽车的目的地的识别方法，包括以下步骤：获取车辆运行状态数据；基于变阶马尔科夫模型识别目的地。本发明在未设置目的地时，从GPS历史行驶轨迹数据有效提取驾驶员的驾驶习惯和规律，预测大于置信度阈值的目的地及到达目的地的路径节点序列，进一步估计各路径节点的整车能耗，为能量管理策略全局优化奠定基础有利于汽车动力性和经济性的提升，符合当今汽车发展节能和环保的两大主题。使用PMM算法减少了预测模型的空间复杂性和计算量以及零频率问题，利用变阶隐马尔科夫模型对汽车历史和当前的多源数据进行适配，可以更加灵活、更加准确的对目的地节点和行程序列作出预测，对于智能汽车技术有着重要意义。
-
公开(公告)号：CN104182756A
公开(公告)日：2014-12-03
申请号：CN201410452642.5
申请日：2014-09-05
Applicant: 大连理工大学
Abstract: 本发明公开了一种基于单目视觉的车辆前方障碍物检测方法，将车辆前方环境划分为影响车辆安全行驶的障碍物和车辆能够安全行驶的自由驾驶空间两类，考虑到障碍物的多样性和相应检测算法的复杂性，首先将特征相对明显，更易于检测的自由驾驶空间作为重点检测对象，然后从非自由驾驶空间中进行车辆类障碍物和非车辆类障碍物的检测。本发明首先将环境分为四种情况，然后根据相应的情况选择合适的检测算法，增加了算法的环境适应性，能够适应不同光照条件的自由驾驶空间检测和车前障碍物检测，并且具有较高的实时性和准确性。
-
公开(公告)号：CN105975915B
公开(公告)日：2019-05-21
申请号：CN201610273462.X
申请日：2016-04-28
Applicant: 大连理工大学
Abstract: 本发明公开了一种基于多任务卷积神经网络的车辆多参数识别方法，包括以下步骤：卷积神经网络结构的设计及训练；基于卷积神经网络的车辆参数识别。本发明采用卷积神经网络，使原始数据通过简单而非线性的模型转变成为更抽象的高层表达。因此，卷积神经网络能够从大量的训练样本中学习到反映待识别目标本质的隐性特征；相比浅层学习分类器，具有更强的可扩展性，满足交通环境中的多类目标的识别，识别精度也更高。尤其应用于复杂的交通环境当中，本发明体现出很强的抗环境干扰能力。本发明将卷积神经网络的应用扩展到车辆的多参数识别，以训练好的卷积神经网络识别图像中车辆的类型特征、位姿信息及车灯状态，增强了车辆潜在行为的可预知性。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.02 seconds)
