-
公开(公告)号：CN116383616B
公开(公告)日：2024-08-27
申请号：CN202310377638.6
申请日：2023-03-31
Applicant: 电子科技大学长三角研究院(衢州) , 电子科技大学(深圳)高等研究院
IPC: G06F18/15 , G06F18/22 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了基于轨迹相似度和深度学习的轨迹GPS坐标恢复方法及框架，其中，轨迹GPS坐标恢复方法包括对不完整轨迹中的缺失轨迹段缺失点的位置坐标进行初步填充补全，获得原始相似轨迹，然后分别对原始相似轨迹和不完整轨迹进行编码，并基于编码后的原始相似轨迹获得深度相似轨迹，最后对编码后的不完整轨迹进行整理，并结合深度相似轨迹，最终得到恢复的完整轨迹。本发明框架上则包括：用于输出不完整轨迹的原始相似轨迹的空间信息提取器，用于对原始相似轨迹和不完整轨迹进行编码的轨迹编码层，用于获得深度相似轨迹的深度编码器，以及用于获得完整轨迹的深度解码器。本发明能更好地适用于稀疏数据问题，消除其所带来的完整轨迹恢复限制。
-
公开(公告)号：CN117922612A
公开(公告)日：2024-04-26
申请号：CN202410097215.3
申请日：2024-01-24
Applicant: 电子科技大学长三角研究院(衢州)
Abstract: 本发明公开了一种基于协同感知和自适应信息融合的互联自动驾驶决策方法，主要解决现有自动驾驶决策在复杂的道路结构和交通灯信息条件下适用性较低的问题。该方法考虑在世界坐标系统下的多车道交通环境，其中有互联自动驾驶车辆和人类驾驶车辆组成的混合交通流。每个CAV都可以通过车载传感器和离线高精度地图获得周围的多模态环境特征(如车道信息、HDV车辆信息和红绿交通灯信息)。在车对车通信的帮助下，CAV可以共享其信息，并在指定的时间步长t内做出决策。该方法的目标是为CAV生成速度决策和转向角度决策。有了这样的动作决策，自动驾驶车辆可以安全有效地按特定路线行驶，同时最大限度地提高乘客的舒适度以及减少其对周围HDV的影响。
-
公开(公告)号：CN117874071A
公开(公告)日：2024-04-12
申请号：CN202311829394.7
申请日：2023-12-28
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06F16/2453 , G06N3/0442 , G06N3/0455 , G06N3/08 , G06F18/214
Abstract: 本发明公开了一种基于机器学习的数据库查询优化器代价模型，涉及数据库技术领域，该数据库查询优化器代价模型在跨越若干数据库的多个数据集上进行训练，其框架包括编码器模块、Tree‑LSTM模型和预测模块，其训练过程包括预训练阶段和微调阶段；预测模块基于残差连接构建，且包括五个线性层，其第一、四线性层组成适配器；在预训练阶段，提取节点特征，并对节点特征的算子类型、基数和代价进行编码，之后转换为向量；Tree‑LSTM模型将向量转化为隐藏状态；预测模块根据隐藏状态生成成本估算；在微调阶段，冻结预训练的Tree‑LSTM模型的参数，以及第二、三、五线性层，然后根据目标数据库的本地知识调整适配器的参数。本模型在面对不同数据库时能保持准确性并进行快速推理。
-
公开(公告)号：CN116383616A
公开(公告)日：2023-07-04
申请号：CN202310377638.6
申请日：2023-03-31
Applicant: 电子科技大学长三角研究院(衢州) , 电子科技大学(深圳)高等研究院
IPC: G06F18/15 , G06F18/22 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了基于轨迹相似度和深度学习的轨迹GPS坐标恢复方法及框架，其中，轨迹GPS坐标恢复方法包括对不完整轨迹中的缺失轨迹段缺失点的位置坐标进行初步填充补全，获得原始相似轨迹，然后分别对原始相似轨迹和不完整轨迹进行编码，并基于编码后的原始相似轨迹获得深度相似轨迹，最后对编码后的不完整轨迹进行整理，并结合深度相似轨迹，最终得到恢复的完整轨迹。本发明框架上则包括：用于输出不完整轨迹的原始相似轨迹的空间信息提取器，用于对原始相似轨迹和不完整轨迹进行编码的轨迹编码层，用于获得深度相似轨迹的深度编码器，以及用于获得完整轨迹的深度解码器。本发明能更好地适用于稀疏数据问题，消除其所带来的完整轨迹恢复限制。
-
公开(公告)号：CN112885079B
公开(公告)日：2022-11-29
申请号：CN202110030043.4
申请日：2021-01-11
Applicant: 成都语动未来科技有限公司 , 电子科技大学长三角研究院(衢州)
Abstract: 本发明公开了一种基于全局注意力和状态共享的车辆轨迹预测方法，该解决方法包括使用具有全局注意力机制和状态共享的编解码器LSTM模型的GAS‑LED轨迹预测模型；在GAS‑LED轨迹预测模型中，采用具有编码器和解码器状态共享机制来减少计算工作量，同时采用两个并行计算的GAS‑LED轨迹预测模型来并行输出车辆横向变道行为和纵向行驶距离的预测；在车道级别的轨迹预测任务中，重点关注车辆所在的车道，GAS‑LED轨迹预测模型一对横向变道和纵向行驶距离输出相应预测结果；将当前车辆及其周围车辆的历史信息作为GAS‑LED轨迹预测模型二的输入，然后将两个GAS‑LED轨迹预测模型并行使用，以获得更多方便预测的输出结果。通过上述方案，本发明达到了高精度预测的目的，具有很高的实用价值和推广价值。
-
Patent Agency Ranking
公开(公告)号：CN117799637B
公开(公告)日：2025-05-09
申请号：CN202311710703.9
申请日：2023-12-13
Applicant: 电子科技大学长三角研究院(衢州)
IPC: B60W60/00 , B60W50/00 , G06N3/0455 , G06N3/0475 , G06N3/042 , G06N3/092 , G06N3/0499 , G06N3/0442 , G06N3/096
Abstract: 本发明公开了一种基于模仿学习的可变驾驶风格的自动驾驶决策方法，本发明提出了一个支持增量学习的模仿学习模型，基础的模仿学习模型可以通过多种驾驶风格的专家数据进行训练，并在模仿专家驾驶行为方面实现超越专家的性能。通过增量学习，模型可以根据不断积累的数据不断改进性能，而无需每次重新训练整个模型。这将使自动驾驶车辆能够更及时地更新模型参数，以适应新的道路情境和交通条件。本发明能够根据不同的驾驶风格偏好快速微调基本的基于模仿学习自动驾驶决策模型，同时减少计算、存储和时间的大量开销。本发明基于注意力环境感知框架，以致力于使自动驾驶决策算法在多变的交通场景中关注更有用的关键信息。
-
公开(公告)号：CN117409383A
公开(公告)日：2024-01-16
申请号：CN202311129706.3
申请日：2023-09-04
Applicant: 电子科技大学长三角研究院(衢州) , 电子科技大学(深圳)高等研究院
IPC: G06V20/56 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/092
Abstract: 本发明公开了一种基于自适应感知的跨场景自动驾驶决策方法，本发明能够有效地将复杂环境信息转化为基础场景，并在这些基础场景上做出决策。相较于传统的自动驾驶技术，本发明在复杂交通环境中显示出显著优势。本发明能够在面对不熟悉的场景时利用已有的训练经验以及转换后的感知图像，降低了对大量数据和长时间训练的依赖。本发明通过模拟人类的学习和驾驶过程，使得在不熟悉的场景中，自动驾驶系统能够利用已有的训练知识进行准确决策，从而避免了对大量训练数据和长时间训练的依赖。通过这种自适应的感知机制，还能够处理并转化不同复杂度的鸟瞰图像，为决策模块提供更加易于理解的输入，得到一种更为高效且适应性强的自动驾驶解决方案。
-
公开(公告)号：CN117104270A
公开(公告)日：2023-11-24
申请号：CN202311134645.X
申请日：2023-09-04
Applicant: 电子科技大学长三角研究院(衢州) , 电子科技大学(深圳)高等研究院
IPC: B60W60/00 , B60W30/18 , B60W50/00 , G06F18/214 , G06N3/092
Abstract: 本发明公开了一种基于规则辅助强化学习的自动驾驶决策方法，针对自动驾驶车辆在接近路口之前需要进入指定车道的目标车道进入任务进行了深入研究和应用。考虑到强化学习策略需要理解车辆进入目标车道的紧迫性以及与基于规则的策略的结合难点，融合了规则引导与强化学习策略，实现了两者的互补优势。为了更准确地指导自动驾驶车辆做出与目标导向的驾驶决策，本发明提出了一个包括安全性、效率、舒适性和紧急性在内的四项混合奖励函数。为了进一步优化基于强化学习的策略，本发明还设计了规则修订策略，不仅监控强化学习的驾驶决策策略，还能引导策略从实际的干预中获得学习并不断完善。本发明在多种宏观和微观评价指标上都展现了出色的性能。
-
公开(公告)号：CN116476861A
公开(公告)日：2023-07-25
申请号：CN202310191784.X
申请日：2023-03-02
Applicant: 电子科技大学长三角研究院(衢州)
IPC: B60W60/00
Abstract: 本发明公开了一种基于多模态感知和分层动作的自动驾驶决策系统，包括数据预处理模块、状态表征模块、演员评论家模块、混合奖励函数模块和多进程训练模块；通过并行训练来加快模型的训练速度和提升模型的训练表现。本发明的适用性更好，运用了多种传感器和深度学习算法来对周围环境信息进行一个全面的感知，从而让自动驾驶车能够更好的应对一些突发情况，分车道的跨模态聚合模型让自动驾驶车能够更快更好地提取有用的特征。基于分层动作的强化学习模型更好地优化自动驾驶车的车道保持行为和变道行为。满足自动驾驶车每一次决策的安全性、效率性和舒适性，并减少由于自动驾驶车急剧的变速和变道引发的车流波动，提升整个车流的交通效率和车流稳定。
-
公开(公告)号：CN115719479A
公开(公告)日：2023-02-28
申请号：CN202211524442.7
申请日：2022-11-30
Applicant: 电子科技大学长三角研究院(衢州)
IPC: G06V20/56 , G06V10/82 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了一种基于编码器‑解码器架构的轨迹预测方法，涉及自动驾驶技术领域，包括：基于卷积神经网络对道路图片进行编码，得到路网特征信息，将其与物体特征信息合并得到提取向量图；将提取向量图输入带有注意力机制的图注意力网络，输出得到具有注意力信息的提取向量图，将该提取向量图输入至第一长短期记忆递归神经网络，输出得到第一结果数据；将第一结果数据输入到解码器图注意力网络之后得到带有注意力的第二结果；将第二结果数据输入至第二长短期记忆递归神经网络，输出得到轨迹预测结果，第二长短期记忆递归神经网络的损失函数包括位置信息损失和碰撞面积约束。本发明轨迹预测效率高，预测精度高，可靠性好。
-
-
-
-
-
-
-
-
-
Search Results
27
records
(took 0.033 seconds)
