-
公开(公告)号：CN114758319B
公开(公告)日：2025-03-28
申请号：CN202210289381.4
申请日：2022-03-22
Applicant: 同济大学
IPC: G06V20/58 , G06V20/40 , G06V10/764 , G06V10/26 , G06V10/82 , G06T7/20 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于图像输入的近场车辆加塞行为预测方法，该方法包括：(1)采集真实的结构化道路场景中基于前向全景图像的图像序列信息，通过人工方法标注图像序列中车辆目标的位置以及行为信息；(2)构建适用于结构化道路中近场车辆检测与跟踪的近场车辆检测与跟踪模型；(3)构建适用于结构化道路中车道线检测的车道线检测网络及相应的损失函数；(4)基于步骤(2)建立的近场车辆检测与跟踪模型获得的车辆ID与对应目标的边界框位置数据、以及步骤(3)建立的车道线检测网络获得的车道线，获得目标与车道线的相对位置偏差，根据先验规则的制定，得到近场车辆的加塞行为预测结果。与现有技术相比，本发明预测准确度高，效率高。
-
公开(公告)号：CN109324616A
公开(公告)日：2019-02-12
申请号：CN201811103330.8
申请日：2018-09-20
Applicant: 同济大学
IPC: G05D1/02
Abstract: 本发明提供了一种基于车载传感器的无人泊车搬运机器人的对位方法，其包括：预对位阶段与精准对位阶段；预对位阶段为：利用单线激光雷达获取目标车辆的轮廓信息及位置信息，以分别调整无人泊车搬运机器人的横向展开宽度及与目标车辆的预对准角度；精准对位阶段为：在预对位阶段的基础上，利用单点激光雷达获取目标车辆的车轮轴信息，以调整该机器人与目标车辆的精对准角度及纵向伸长长度；本发明中单线激光雷达和单点激光雷达均布置于该机器人上面且无需借助其他信息采集装置，从而用于实现对环境的感知；另外，本发明不需要修建其他附属设施，可以仅凭该机器人的单线激光雷达和单点激光雷达就能实现精准对位的目的，通用性好、对环境依赖性小。
-
公开(公告)号：CN109386155B
公开(公告)日：2020-08-14
申请号：CN201811103329.5
申请日：2018-09-20
Applicant: 同济大学
Abstract: 本发明提供了一种面向自动化停车场的无人泊车搬运机器人的对位方法，包括识别目标车辆的车系与型号阶段：利用单目摄像头获取目标车辆的尺寸信息；获取目标车辆的车轮信息阶段：利用单线激光雷达获取目标车辆的位置信息；实现目标车辆的预对位阶段：利用单线激光雷达获取该机器人的轮廓信息，以调整其横向展开宽度及与目标车辆的预对准角度；实现目标车辆的精准对位阶段：在上述基础上，利用单点激光雷达获取目标车辆的车轮轴信息，以调整与目标车辆的精对准角度及纵向伸长长度；本发明的机器人结合额外搭建的起中转作用的具有单目摄像头与单线激光雷达的临时停车区，来实现与不同品牌车辆的精准对位，以便保障机器人对目标车辆有效、安全地搬运。
-
公开(公告)号：CN109556616A
公开(公告)日：2019-04-02
申请号：CN201811329204.4
申请日：2018-11-09
Applicant: 同济大学
Abstract: 本发明提出了一种基于视觉标记的自动建图机器人建图修整方法，属于导航技术领域。该方法包括：(1)检测待测环境中的视觉标记；读取所述视觉标记所包含的其对应的视觉标记点的定位信息；基于所述视觉标记的角点信息，计算此时自动建图机器人相对于所述视觉标记点的相对位置与航向；(2)由视觉标记点的定位信息与自动建图机器人相对于所述视觉标记点的相对位置得到自动建图机器人的坐标与航向，对视觉标记点之间出现偏移、误差的建图数据进行修正与优化。该方法成本较低，容易实施，能够实现对高精度地图采集过程中的定位误差的实时精确修正、以及对采集地图信息的实时修整与离线优化，省去了传统同时定位与建图过程中对回环检测的需求。
-
公开(公告)号：CN109403690A
公开(公告)日：2019-03-01
申请号：CN201811102516.1
申请日：2018-09-20
Applicant: 同济大学
Abstract: 一种自动车辆搬运与转移的方法，包括以下步骤：与用户建立交互联系；获取用户的泊车请求，调度用于装载和运输用户车辆的载运装置到用户停车处；由所述载运装置自动将用户车辆装载、运送到指定停车位置停放；获取用户的取车请求，调度用于装载和运输用户车辆的载运装置到上述指定停车位置；由所述载运装置自动将用户车辆装载、运送到指定取车位置停放；一种自动车辆搬运与转移系统，包括载运装置、多载运装置任务调度系统、载运装置车载自动导航硬件平台与软件系统、车辆转运站系统和人机交互子系统；所述载运装置为泊车机器人。本发明提高了用户泊取车的舒适性，提升了运行效率和空间利用率，降低了建设成本，相对避免了复杂繁琐的运营与维修。
-
Patent Agency Ranking
公开(公告)号：CN109212541A
公开(公告)日：2019-01-15
申请号：CN201811102554.7
申请日：2018-09-20
Applicant: 同济大学
Abstract: 本发明公开了一种基于车辆直角型特征和激光雷达的高精度车辆检测系统。检测系统包括单线激光雷达、单线激光雷达数据处理模块、数据转换模块、聚类分析模块、判断模块、直角型特征提取模块和拟合模块。检测方法包括：利用单线激光雷达获取点云数据，转换为二维平面数据点，进行密度聚类分析，得到点云数据簇，采用随机抽样一致算法进行直角型特征的提取，获取最合适表征直角型特征的三个端点，拟合成代表待测车辆的矩形框。本发明的单线激光雷达能够在各种复杂的工况下采集准确的环境数据信息，同时辅以具有较高鲁棒性的检测算法，因此，本发明的车辆检测具有很高的稳健性，在复杂工况下也能够保证检测结果的相对准确性。
-
公开(公告)号：CN114763136B
公开(公告)日：2024-11-08
申请号：CN202210289107.7
申请日：2022-03-22
Applicant: 同济大学
IPC: B60W30/095 , B60W40/02 , B60W40/08 , B60W50/00 , B60W50/14
Abstract: 本发明涉及一种基于深度学习的引导车驾驶辅助系统，该系统包括：前向碰撞预警子系统：检测前向障碍物，并估计前向障碍物与引导车之间的距离以进行碰撞判断预警；驾驶员异常行为检测子系统：建立基于对比学习的驾驶员异常行为检测模型，以判断驾驶员是否发生驾驶异常行为；车道线偏离预警子系统：通过USFC车道线检测模块检测车道线，并基于相对位置判断是否发生车道线偏离。与现有技术相比，本发明部署价格低、系统泛化性强、涵盖范围广，能够高效而鲁棒的完成驾驶辅助任务，方便、大规模地部署在现有的驾驶系统中，使智能车列引导车能提前发现前撞危险、车道偏离危险和避免驾驶员分心驾驶，及时地做出反应和预警，提高了行驶过程中的安全性。
-
公开(公告)号：CN114734985B
公开(公告)日：2024-11-08
申请号：CN202210314387.2
申请日：2022-03-28
Applicant: 同济大学
IPC: B60W30/02 , B60W30/14 , B60W30/165 , B60W40/105 , B60W40/107 , B60W50/00
Abstract: 本发明涉及一种基于车车通信的编队控制方法，该方法包括以下步骤：步骤S1：通过车车通信设备获取相邻前导车的信息；步骤S2：根据本车位姿和状态信息计算本车与相邻前导车之间的相对车距、相对车速和相对加速度；步骤S3：根据制动踏板前馈和误差反馈获取跟随车的期望加速度，并对期望加速度进行限值判定；步骤S4：通过期望加速度查表得到踏板开度，从而调节车辆的踏板开度。与现有技术相比，本发明具有提高编队车辆在紧急情况的安全性和提高编队车辆行驶的稳定性等优点。
-
公开(公告)号：CN110069993B
公开(公告)日：2021-10-08
申请号：CN201910206458.5
申请日：2019-03-19
Applicant: 同济大学
Abstract: 本发明涉及一种基于深度学习的目标车辆检测方法，包括以下步骤：1)通过设置在泊车机器人尾部的两个单线激光雷达采集目标车辆的尾部特征点云数据，并进行预处理得到二进制图像；2)对二进制图像进行标注，获取其中目标车辆尾部所在的位置，以此生成训练数据集；3)构建适用于目标车辆检测的深度卷积神经网络及其损失函数；4)将训练数据集进行增广后输入深度卷积神经网络中，并根据输出值与训练真值的差异对卷积神经网络中的参数进行训练更新，得到最优的网络参数，并根据训练好的深度卷积神经网络进行检测。与现有技术相比，本发明具有稳健性高、不依赖手工特征、检测成本低等优点。
-
公开(公告)号：CN110069993A
公开(公告)日：2019-07-30
申请号：CN201910206458.5
申请日：2019-03-19
Applicant: 同济大学
Abstract: 本发明涉及一种基于深度学习的目标车辆检测方法，包括以下步骤：1)通过设置在泊车机器人尾部的两个单线激光雷达采集目标车辆的尾部特征点云数据，并进行预处理得到二进制图像；2)对二进制图像进行标注，获取其中目标车辆尾部所在的位置，以此生成训练数据集；3)构建适用于目标车辆检测的深度卷积神经网络及其损失函数；4)将训练数据集进行增广后输入深度卷积神经网络中，并根据输出值与训练真值的差异对卷积神经网络中的参数进行训练更新，得到最优的网络参数，并根据训练好的深度卷积神经网络进行检测。与现有技术相比，本发明具有稳健性高、不依赖手工特征、检测成本低等优点。
-
-
-
-
-
-
-
-
-
Search Results
27
records
(took 0.015 seconds)
