公开(公告)号：CN108196535B

公开(公告)日：2021-09-07

申请号：CN201711317899.X

申请日：2017-12-12

Applicant: 清华大学苏州汽车研究院(吴江)

Inventor： 陈小琴 ,  王猛 ,  孙辉 ,  张伟

IPC: G05D1/02

Abstract: 本发明公开了一种基于增强学习和多传感器融合的自动驾驶系统，包括：感知系统、控制系统和执行系统。感知系统通过深度学习网络，高效处理激光雷达、摄像头及GPS导航仪实现实时识别行车周围车辆、行人、车道线、交通标志及信号灯的识别及理解，通过增强学习技术将激光雷达与全景影像匹配融合，形成实时三维街景地图，及可行驶区域的判断，结合GPS导航器实现实时导航，控制系统采用增强学习网络处理感知系统收集的信息，对周围车辆的人、车物进行预测，根据车身状态数据，并与驾驶员动作的记录进行配对，做出当下最优的行动选择，通过执行系统完成执行动作。本发明对激光雷达数据和视频进行融合，进行可行驶区域识别和目的路径最优规划。

公开(公告)号：CN108196535A

公开(公告)日：2018-06-22

申请号：CN201711317899.X

申请日：2017-12-12

Applicant: 清华大学苏州汽车研究院(吴江)

Inventor： 陈小琴 ,  王猛 ,  孙辉 ,  张伟

IPC: G05D1/02

Abstract: 本发明公开了一种基于增强学习和多传感器融合的自动驾驶系统，包括：感知系统、控制系统和执行系统。感知系统通过深度学习网络，高效处理激光雷达、摄像头及GPS导航仪实现实时识别行车周围车辆、行人、车道线、交通标志及信号灯的识别及理解，通过增强学习技术将激光雷达与全景影像匹配融合，形成实时三维街景地图，及可行驶区域的判断，结合GPS导航器实现实时导航，控制系统采用增强学习网络处理感知系统收集的信息，对周围车辆的人、车物进行预测，根据车身状态数据，并与驾驶员动作的记录进行配对，做出当下最优的行动选择，通过执行系统完成执行动作。本发明对激光雷达数据和视频进行融合，进行可行驶区域识别和目的路径最优规划。

公开(公告)号：CN108986281A

公开(公告)日：2018-12-11

申请号：CN201810801143.0

申请日：2018-07-20

Applicant: 清华大学苏州汽车研究院(吴江)

Inventor： 王猛 ,  孙辉

IPC: G07C9/00

Abstract: 本发明公开了一种基于人脸识别的家庭成员智能认证系统，包括图像采集模块、人脸检测与识别模块、交互模块、通信模块和门锁系统，所述通信模块与用户终端通信连接，人脸检测与识别模块的处理步骤包括：对采集的人脸图像进行活体检测；将通过活体检测的人脸图像与预存的人脸图像进行比对，比对成功，控制门锁系统开锁，否则不动作；当通过人脸识别外的方式开启门锁系统或者门锁系统受力超过阈值时，通过通信模块与用户终端通信，并进行报警。可以提高家庭成员认证的安全性、高效性、便捷性和智能性，增加深夜模式和实体钥匙开锁的底层保护逻辑，便于用户应付复杂多变情况，增加使用安全性，极大提升用户家庭的家居环境安全。

公开(公告)号：CN108227707A

公开(公告)日：2018-06-29

申请号：CN201711419304.1

申请日：2017-12-25

Applicant: 清华大学苏州汽车研究院(吴江) ,  上海汽车集团股份有限公司

Inventor： 王猛 ,  成波 ,  张伟 ,  卢远志 ,  李红飞

IPC: G05D1/02

Abstract: 本发明公开了一种基于激光雷达和端到端深度学习方法的自动驾驶方法，包括以下步骤：将激光雷达获取的行车环境信息实时转化为深度图；根据位于基准数据时间戳两侧的被匹配数据的时间戳与基准数据时间戳差值的大小确定具体匹配元素，将完成匹配的数据保存为数据‑标注对，作为训练数据；将训练数据输入构建的深度卷积神经网络模型进行训练，通过深度卷积神经网络模型得到驾驶数据。该方法计算快速，通过深度图可以快速得到距离信息，能够准确、高效的获取端到端深度学习神经网络所需要的数据和标签，有效完成端到端的驾驶控制。

公开(公告)号：CN108227707B

公开(公告)日：2021-11-26

申请号：CN201711419304.1

申请日：2017-12-25

Applicant: 清华大学苏州汽车研究院(吴江) ,  上海汽车集团股份有限公司

Inventor： 王猛 ,  成波 ,  张伟 ,  卢远志 ,  李红飞

IPC: G05D1/02

Abstract: 本发明公开了一种基于激光雷达和端到端深度学习方法的自动驾驶方法，包括以下步骤：将激光雷达获取的行车环境信息实时转化为深度图；根据位于基准数据时间戳两侧的被匹配数据的时间戳与基准数据时间戳差值的大小确定具体匹配元素，将完成匹配的数据保存为数据‑标注对，作为训练数据；将训练数据输入构建的深度卷积神经网络模型进行训练，通过深度卷积神经网络模型得到驾驶数据。该方法计算快速，通过深度图可以快速得到距离信息，能够准确、高效的获取端到端深度学习神经网络所需要的数据和标签，有效完成端到端的驾驶控制。