-
公开(公告)号：CN114881339B
公开(公告)日：2025-02-07
申请号：CN202210545736.1
申请日：2022-05-19
Applicant: 长安大学
IPC: G06Q10/04 , G06Q50/40 , G06F18/213 , G06F18/2415 , G06F18/25 , G06N3/0442 , G06N3/0455 , G06N3/0464 , G06N3/08 , G06F123/02
Abstract: 本发明属于自动驾驶领域，公开了一种车辆轨迹预测方法、系统、计算机设备及存储介质，包括：提取待预测车辆及待预测车辆各相邻车辆的历史运动轨迹数据，得到待预测车辆的多维动态场景特征向量；提取待预测车辆的多维动态场景特征向量，得到待预测车辆的交通感知信息；编码待预测车辆的交通感知信息以及历史运动状态数据，得到待预测车辆的隐状态信息；根据待预测车辆的隐状态信息，得到待预测车辆的混合注意力矩阵，并通过待预测车辆的混合注意力矩阵为待预测车辆的隐状态信息分配权重，然后依次通过最大池化处理和全连接处理，得到待预测车辆的轨迹预测值，最终有效提升了车辆轨迹预测准确性。
-
公开(公告)号：CN115631474A
公开(公告)日：2023-01-20
申请号：CN202211141783.6
申请日：2022-09-20
Applicant: 长安大学
IPC: G06V20/56 , G06V10/82 , G06V10/774 , G06V10/80 , G06N3/044 , G06N3/045 , G06N3/0464 , G06N3/088 , G06N3/094
Abstract: 本申请涉及雾天目标检测模型训练方法及雾天目标检测方法，将无监督循环一致性对抗网络应用于特征空间，提出一种特征增强模块，聚焦于使用任意清晰图像来增强低层网络提取的雾霭特征，实现任意清晰图像与雾霭图像特征空间对齐，在不牺牲清晰环境下目标检测性能的基础上，提高现有模型雾天环境下的目标检测性能，为促进自动驾驶技术产业落地提供一种有效可靠的方法。
-
公开(公告)号：CN117037491B
公开(公告)日：2025-04-18
申请号：CN202311023827.X
申请日：2023-08-15
Applicant: 长安大学
IPC: G08G1/01 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于时空特征的动态图卷积交通流预测方法，采用由时空嵌入模块、时空特征融合模块、加权融合层和外部因素模块组成的STF‑SDAM‑DGCN模型，首先对历史交通流数据进行周期划分后与时空嵌入模块学习到的时空嵌入信息融合作为时空特征融合模块的输入数据，同时使用注意力机制、非对称卷积以及Zero‑Softmax函数构建稀疏有向邻接矩阵；将数据输入时空特征融合模块中，同时与外部因素模块中的外部影响因素融合后得到融合外部因素的历史交通流时空特征数据；数据随后传入加权融合层，时空嵌入模块将预测的未来时间步信息也传入该层，依据编码器得到的历史交通流特征生成未来交通流表示，并将其作为解码器输入，通过解码器进行预测，经过全连接层得到最终的未来交通流预测结果。
-
公开(公告)号：CN117037491A
公开(公告)日：2023-11-10
申请号：CN202311023827.X
申请日：2023-08-15
Applicant: 长安大学
IPC: G08G1/01 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于时空特征的动态图卷积交通流预测方法，采用由时空嵌入模块、时空特征融合模块、加权融合层和外部因素模块组成的STF‑SDAM‑DGCN模型，首先对历史交通流数据进行周期划分后与时空嵌入模块学习到的时空嵌入信息融合作为时空特征融合模块的输入数据，同时使用注意力机制、非对称卷积以及Zero‑Softmax函数构建稀疏有向邻接矩阵；将数据输入时空特征融合模块中，同时与外部因素模块中的外部影响因素融合后得到融合外部因素的历史交通流时空特征数据；数据随后传入加权融合层，时空嵌入模块将预测的未来时间步信息也传入该层，依据编码器得到的历史交通流特征生成未来交通流表示，并将其作为解码器输入，通过解码器进行预测，经过全连接层得到最终的未来交通流预测结果。
-
公开(公告)号：CN116863561A
公开(公告)日：2023-10-10
申请号：CN202310664213.3
申请日：2023-06-06
Applicant: 长安大学
IPC: G07C5/08 , G06F18/214 , G06N3/0442 , G06N3/08
Abstract: 本申请涉及一种基于数据驱动模态表征与区域注意力的多模轨迹预测方法，该方法将衡量车辆交互用强度的标准重新定义为目标车辆的意图，并构造了IRA模块来将注意力分配到位于不同区域的周围车辆，注意力矩阵用于加权聚合不同区域的交互，可以在更大范围内对非局部交互进行建模，而不会引入与周围无关车辆产生的噪声；构造了DIM模块，DIM模块综合考虑了同一机动类型轨迹的模态共性和个性，并以数据驱动的方式进一步学习了轨迹的个性化高维模态表征，从而指导模型输出更准确合理的多模态轨迹。
-
Patent Agency Ranking
公开(公告)号：CN116612468A
公开(公告)日：2023-08-18
申请号：CN202310438843.9
申请日：2023-04-21
Applicant: 长安大学
IPC: G06V20/64 , G06V10/764 , G06V10/42 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了一种基于多模态融合与深度注意力机制的三维目标检测方法：步骤1：获得原始点云数据和原始图像数据并预处理；步骤2：将预处理后的点云数据和图像数据输入基于多模态融合与深度注意力机制的三维目标检测网络中，基于多模态融合与深度注意力机制的三维目标检测网络包括3D建议框生成阶段和3D边界框细化阶段，网络输出目标边界框参数和分类置信度；步骤3：训练基于多模态融合与深度注意力机制的三维目标检测网络；步骤4，采用训练好的检测网络对采集到的点云数据和图像数据处理，输出3D目标信息，实现3D目标检测。本发明使点云和图像特征得到更充分和有效的利用；同时实现了高精度的环境感知。
-
公开(公告)号：CN115730637A
公开(公告)日：2023-03-03
申请号：CN202211490477.3
申请日：2022-11-25
Applicant: 长安大学
IPC: G06N3/0455 , G06N3/0499 , G06N3/08
Abstract: 本申请涉及多模态车辆轨迹预测模型训练方法、装置及轨迹预测方法，模型训练方法包括将车辆运动轨迹训练数据划分为多个类别；对每个类别的训练数据基于解码器模块进行权重迭代剪枝，得到每个类别对应的掩码矩阵；基于每个类别的训练数据、每个类别对应的掩码矩阵对编码器模块和解码器模块进行训练，得到训练后的多模态车辆轨迹预测模型，能够输出与多个类别对应的多个轨迹预测结果。本申请的多模态车辆轨迹预测模型训练方法，采用基于数据驱动的方式，充分考虑不同驾驶操作意图，结合车辆的历史运动轨迹状态信息和不同驾驶操作意图的特征，进行多模态车辆轨迹预测模型的训练，生成的车辆轨迹预测模型能够输出多个合理的预测轨迹。
-
公开(公告)号：CN115526256A
公开(公告)日：2022-12-27
申请号：CN202211199482.9
申请日：2022-09-29
Applicant: 长安大学
IPC: G06K9/62 , G06V10/762 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本申请涉及目标分类模型训练方法，包括：构建目标分类模型；基于图训练数据集对目标分类模型进行训练，得到训练后的目标分类模型；图训练数据集包括多个图节点，每个图节点表示一个待分类目标；目标分类模型包括依次连接的深层表征提取层和聚类层。本申请的目标分类模型训练方法，解决了现有的半监督方法无法对不含节点标签信息的目标数据集进行分类的难题，基于无监督学习的网络训练同时也降低了聚类结果好坏对标签信息多少的依赖度，大大增强了网络的稳定性，始终在聚类任务中表现出较好的性能；实现了端对端学习，规避了多模块训练目标不一致的问题，降低了工程的复杂度、减小了训练误差，使网络性能更加鲁棒。
-
公开(公告)号：CN114881339A
公开(公告)日：2022-08-09
申请号：CN202210545736.1
申请日：2022-05-19
Applicant: 长安大学
Abstract: 本发明属于自动驾驶领域，公开了一种车辆轨迹预测方法、系统、计算机设备及存储介质，包括：提取待预测车辆及待预测车辆各相邻车辆的历史运动轨迹数据，得到待预测车辆的多维动态场景特征向量；提取待预测车辆的多维动态场景特征向量，得到待预测车辆的交通感知信息；编码待预测车辆的交通感知信息以及历史运动状态数据，得到待预测车辆的隐状态信息；根据待预测车辆的隐状态信息，得到待预测车辆的混合注意力矩阵，并通过待预测车辆的混合注意力矩阵为待预测车辆的隐状态信息分配权重，然后依次通过最大池化处理和全连接处理，得到待预测车辆的轨迹预测值，最终有效提升了车辆轨迹预测准确性。
-
公开(公告)号：CN117077286A
公开(公告)日：2023-11-17
申请号：CN202311029546.5
申请日：2023-08-15
Applicant: 长安大学
IPC: G06F30/15 , G06F30/20 , G06F119/14
Abstract: 本发明涉及一种异构交通流下智能网联车辆跟驰模型仿真及测试方法，采用数字孪生虚实结合技术，对真实场景中的静态基础设施及动态交通流进行孪生，搭建出反映真实交通流的虚拟仿真测试环境，通过向真实的测试车辆注入虚拟仿真环境，实现真实车辆与虚拟仿真环境的动态交互。在智能驾驶员模型(IDM)的基础上，考虑单后车多前车的车头间距、速度差和加速度等影响因素，引入分子动力学理论和敏感性系数及各车辆对主车的影响权重提出一种考虑单后车多前车影响的智能网联车辆跟驰模型并基于跟驰队列虚实孪生场景，对该智能网联车辆跟驰模型进行测试与验证，证明该模型更能精准地反映智能网联车辆在实际道路下的跟驰行为。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.038 seconds)
