-
公开(公告)号：CN114998416A
公开(公告)日：2022-09-02
申请号：CN202210616767.1
申请日：2022-06-01
Applicant: 东南大学
Abstract: 本发明公开了一种融合探地雷达图像和深度信息的地下管道半径估计方法。该方法以目标检测的结果为输入，输出管道半径。该方法首先构建卷积神经网络，利用卷积神经网络提取目标图像特征。由于卷积神经网络需要输入固定大小的图片，因此对输入图像进行缩放：初始化网络输入大小的零矩阵，将目标检测结果矩形框中的图像按照宽或高进行最大程度的缩放后嵌入零矩阵完成缩放。深度信息方面，将目标检测矩形框的y坐标参数按照探地雷达图像y方向的尺度转换后，经过深度信息编码网络进行编码。将图像特征与深度信息编码结合后再经过全连接层输出管道半径。本发明方法同时考虑了探地雷达的图像特征以及目标物的深度信息，半径估计结果准确。
-
公开(公告)号：CN114998137A
公开(公告)日：2022-09-02
申请号：CN202210617637.X
申请日：2022-06-01
Applicant: 东南大学
Abstract: 本发明公开了一种基于生成对抗网络的探地雷达图像杂波抑制方法。该方法以含有杂波的探地雷达图像为输入，输出干净探地雷达图像。该方法首先构建含杂波探地雷达图像、干净探地雷达图像两组数据集。含有杂波的探地雷达图像采用通过探地雷达实地采集的数据形成的图像中受杂波影响的图像；干净探地雷达图像采用去背景后的单一均匀介质仿真图像。接着，构建杂波图像生成干净图像的生成器模型与判别器模型，以及干净图像生成杂波图像的生成器模型与判别器模型，并采用CycleGAN的训练方法进行训练。最后，用训练好的生成器模型进行探地雷达图像的杂波抑制。本发明方法不要求数据集中杂波图像与干净图像一一对应，真值获取方式简单，并且相较于传统方法有更好的泛化性能。
-
公开(公告)号：CN114967450A
公开(公告)日：2022-08-30
申请号：CN202210545306.X
申请日：2022-05-19
Applicant: 东南大学
IPC: G05B13/04
Abstract: 本发明公开了一种面向自适应巡航控制ACC测评的加/减速度变化率精准估计方法，该方法首先利用高精度组合导航系统采集ACC测评过程中的车辆运动参数数据，结合ACC场景高机动性的测试特点，采用CS‑Jerk模型对位置、速度、加/减速度等原始数据进行滤波，并通过设置不同的子滤波器对过程噪声协方差矩阵Q进行自适应调节，以获得精准的车辆加/减速度变化率。本发明详细给出了加/减速度变化率的详细估计过程，对ACC相关标准的数据解算方法进行补充，保证加/减速度变化率估计值的准确可靠。
-
-
公开(公告)号：CN114923494A
公开(公告)日：2022-08-19
申请号：CN202210532663.2
申请日：2022-05-13
Applicant: 东南大学
Abstract: 本发明公开了一种空地协作的高精同步定位与建图方法。首先，构建了无人机系统和地面无人车辆系统，接着，利用同步定位与建图方法对地面无人车辆的位置进行实时递推，最后，利用空地协作多传感紧耦合观测来提供回环优化以减小累积误差。本发明公开的空地协作高精同步定位与建图方法，有效克服了现有方法易受累积误差影响且工作模式不灵活等缺陷。
-
Patent Agency Ranking
公开(公告)号：CN113753026B
公开(公告)日：2022-08-02
申请号：CN202111225841.9
申请日：2021-10-21
Applicant: 东南大学
Abstract: 本发明公开了一种考虑路面附着条件的大型营运车辆防侧翻决策方法。本发明采用双延迟深度确定性策略梯度算法建立防侧翻驾驶决策模型，具体包括以下4个子步骤：子步骤1：定义防侧翻决策模型的参数；子步骤2：建立防侧翻驾驶决策网络；子步骤3：训练防侧翻驾驶决策网络；子步骤4：利用防侧翻驾驶决策模型输出驾驶决策。本发明提出的方法，能够适应干燥、湿滑、结冰等不同的路面条件，为驾驶员提供节气门开度、方向盘转角控制量等精确量化的防侧翻驾驶策略，克服了现有的大型营运车辆防侧翻驾驶方法缺乏路面条件适应性和准确性的不足。
-
公开(公告)号：CN111695448B
公开(公告)日：2022-06-17
申请号：CN202010458902.5
申请日：2020-05-27
Applicant: 东南大学
Abstract: 一种基于视觉传感器的路侧车辆识别方法，该方法针对路侧视角下多尺度车辆目标识别准确率低的问题，搭建基于视觉传感器的路侧车辆识别网络，首先构建残差注意力模块；其次，将残差注意力模块引入到YOLOv3网络的多尺度特征融合结构，形成基于残差注意力模块的路侧车辆识别网络YOLO‑A；然后，在YOLO‑A网络的基础上加入无锚框特征选择模块，形成改进YOLOv3网络的路侧车辆识别模型YOLO‑AF；接下来，训练YOLO‑AF网络；最后，使用训练好的YOLO‑AF网络进行路侧车辆识别。本发明提出的一种基于视觉传感器的路侧车辆识别方法具有较高的准确率和良好的实时性。
-
公开(公告)号：CN114527481A
公开(公告)日：2022-05-24
申请号：CN202210175564.3
申请日：2022-02-24
Applicant: 东南大学
Abstract: 本发明公开了一种面向遮挡测评环境的多传感高精度融合测量方法，通过多传感器融合的方案解决GNSS信号受遮挡情况下车辆的可靠连续定位。通过在路侧布设主动特征来增加激光雷达的观测量，以提升激光SLAM在点云稀疏情况下的定位精度；同时引入UWB距离观测量来识别激光雷达扫描到的主动特征编号，并结合车载惯性传感器来提升定位频率；最后通过因子图算法来实时准确地估计出车辆的位置信息。具有成本低、精度高、实时性好的优点。
-
公开(公告)号：CN111696387B
公开(公告)日：2022-04-29
申请号：CN202010436618.8
申请日：2020-05-21
Applicant: 东南大学
IPC: G08G1/16 , G08G1/01 , G08G1/0962 , G08B21/18 , G08B7/06
Abstract: 本发明公开了一种基于前向障碍物识别的自适应防撞分级预警方法。首先，为了准确识别前向障碍物类型，建立了基于深度学习的前向障碍物识别模型。其次，综合考虑前向障碍物类型、运动状态和道路环境等因素对前向碰撞的影响，建立了具有自适应交通环境特性的行车安全距离模型，并对碰撞危险进行量化。最后，制定前向防撞分级预警策略。本发明提出的方法适应不同的交通环境和行驶工况，且能够根据交通环境自适应调整阈值，并以数值的形式将前向碰撞危险精确量化，实现不同碰撞危险程度下的自适应防撞分级预警，解决了现有的半挂罐车防撞预警方法缺乏准确性、适应性的问题。
-
-
-
-
-
-
-
-
Search Results
186
records
(took 0.023 seconds)
