-
公开(公告)号：CN109466552B
公开(公告)日：2020-07-28
申请号：CN201811260601.0
申请日：2018-10-26
Applicant: 中国科学院自动化研究所
IPC: B60W30/12
Abstract: 本发明涉及一种智能驾驶车道保持方法及系统，所述智能驾驶车道保持方法包括：获取驾驶员视角的当前前方图像；基于预设的驾驶图像感知模型，预测所述当前前方图像的车道特征；基于预设的数据驱动车道保持模型，根据所述车道特征，计算方向盘转角控制量；根据所述方向盘转角控制量，控制本车行驶在车道中央。本发明通过采用多任务学习网络构建所述驾驶图像感知模型，促使所述驾驶图像感知模型学习到多个相关任务共有的图像特征，可提高车道特征预测的准确率；在方向盘转角控制量计算中，采用数据驱动的方法，不依赖于车辆模型，可提高方向盘转角控制量计算的准确性与鲁棒性。
-
公开(公告)号：CN106532691B
公开(公告)日：2019-05-10
申请号：CN201611104714.2
申请日：2016-12-05
Applicant: 中国科学院自动化研究所
IPC: H02J3/00
Abstract: 本发明涉及一种基于自适应动态规划的单区域电力系统频率复合控制方法。其中，该方法包括：获取如下测量信号：单区域电力系统调速器时间常数、发电机时间常数、区域负荷时间常数、区域负荷增益、单区域电力系统频率偏差；利用比例积分控制器和自适应动态规划控制器，然后，根据测量信号生成比例积分控制信号和自适应动态规划控制信号，并将二者叠加，得到复合控制信号；再将复合控制信号应用到单区域电力系统中，进行频率控制。本发明通过将PI控制量与自适应动态规划控制量相加，构成复合控制量，解决了包含调速器、发电机和当地负荷的单区域电力系统在随机负荷变化情况下，系统实际频率偏离标称值的技术问题，消除了频率偏差。
-
公开(公告)号：CN107016193A
公开(公告)日：2017-08-04
申请号：CN201710226893.5
申请日：2017-04-06
Applicant: 中国科学院自动化研究所
IPC: G06F17/50
Abstract: 本发明涉及一种驾驶员跟车行为分析中的期望跟车距离计算方法。基于驾驶员在环汽车仿真测试平台，在采集数据时，设计多种不同的驾驶场景，针对多个驾驶员进行驾驶数据的采集；从中提取每个驾驶员的跟车行为特征参数数据集；对所有驾驶员的特征行为参数数据集进行聚类，聚类为几种不同的驾驶类别，作为训练数据集；然后利用上述训练数据集，对待分类的当前驾驶员进行类别判断。既实现了对不同跟车行为进行分类，又提高了采集跟车行为数据的效率，而且成本低、安全性好。本发明还利用高斯过程模拟驾驶员的纵向驾驶行为，能够为当前驾驶员提供个性化的期望跟车距离，提升了辅助驾驶系统对不同驾驶员的主动适应能力。
-
公开(公告)号：CN119312672A
公开(公告)日：2025-01-14
申请号：CN202411361134.6
申请日：2024-09-27
Applicant: 中国科学院自动化研究所
IPC: G06F30/27 , G06F30/15 , G06F18/213 , G06F18/2431 , G06F18/214
Abstract: 本发明提供了一种基于真实交通数据集的自动驾驶仿真方法，可以应用于智能驾驶技术领域。该方法包括：对真实交通数据集进行数据解析和格式处理，基于所得到的字典格式交通数据集初始化仿真环境中的实体，并对初始化所得到的多类别实体实例进行管理；利用多类别实体实例计算仿真环境中实体的几何特征以及实体间的几何关系，并利用预定义的实时检测与跟踪算法对多类别实体实例进行处理，得到仿真环境中的全局规划方案；基于几何关系和全局规划方案，利用待测试的自动驾驶算法得到仿真环境中被控车辆实体的期望运动策略，并基于期望运动策略对车辆运动学模型进行求解，得到被控车辆实体的未来运动状态进而实现被控车辆实体的自动驾驶仿真。
-
公开(公告)号：CN110415277A
公开(公告)日：2019-11-05
申请号：CN201910669359.0
申请日：2019-07-24
Applicant: 中国科学院自动化研究所
Abstract: 本发明属于智能驾驶领域，具体涉及一种基于光流和卡尔曼滤波的多目标追踪方法、系统、装置，旨在解决多目标追踪过分依赖于检测及匹配难度大的问题。本系统方法包括获取输入视频中t时刻的图像帧；对图像帧进行多目标检测，构建检测目标的目标区域集合；根据t-1时刻追踪到的目标，通过预设的追踪模型分别预测目标在t时刻图像帧中对应的目标区域，构建预测目标的目标区域集合；对检测目标、预测目标的目标区域集合，通过区域相似度，以及匈牙利算法获取两个目标区域集合中目标区域匹配关系；将检测目标的目标区域集合中匹配成功的目标区域作为t时刻追踪到的目标区域。本发明实现多目标的准确预测，提高了多帧目标的位置匹配及追踪的准确率。
-
Patent Agency Ranking
公开(公告)号：CN118171554B
公开(公告)日：2025-03-21
申请号：CN202311865592.9
申请日：2023-12-29
Applicant: 中国科学院自动化研究所
IPC: G06F30/27 , G06F30/15 , G06N3/0442 , G06N3/084
Abstract: 本申请公开了一种自动驾驶决策模型训练方法、装置及存储介质，该方法包括：获取初始自动驾驶主车模型与环境车之间的交互数据，初始自动驾驶主车模型包括初始具身世界模型和初始行为模型；将交互数据作为训练样本，使得初始具身世界模型基于训练样本分别对各类环境车进行建模；基于建模结果和初始行为模型想象初始自动驾驶主车模型对应自动驾驶车的驾驶轨迹，并基于驾驶轨迹对初始行为模型进行训练；在当前训练达到预设终止条件的情况下终止训练，得到自动驾驶决策模型；环境车的类型是基于环境车与自动驾驶车之间的交互距离进行划分，各类环境车建模方式不同。本申请提供的方法和装置，提高了模型的训练效率、决策效率和决策准确度。
-
公开(公告)号：CN119206705A
公开(公告)日：2024-12-27
申请号：CN202411291159.3
申请日：2024-09-14
Applicant: 中国科学院自动化研究所
Abstract: 本发明提供了一种自动驾驶场景的3D密集标注方法，可以应用于大数据以及人工智能技术领域。该方法包括：基于多视角图像和雷达点云数据提取鸟瞰图特征；通过检测头识别并定位场景内的3D物体，确保对物体特征的准确捕捉；采用Relation Q‑former技术交互BEV特征和3D物体特征，以获取各物体与场景上下文的深入关系，从而增强对场景的全面理解；基于适配器技术，避免对现有大模型的重新训练，将上述得到的特征转换为语言模型的提示词prompt输入，生成3D物体描述。训练结束后，3D密集标注模型能够根据给定的场景图片自动进行3D物体定位与描述。本发明通过结合多源数据融合、上下文关系分析和适配器技术，显著提升了自动驾驶室外场景下3D物体标注的效率和准确性。
-
公开(公告)号：CN118171554A
公开(公告)日：2024-06-11
申请号：CN202311865592.9
申请日：2023-12-29
Applicant: 中国科学院自动化研究所
IPC: G06F30/27 , G06F30/15 , G06N3/0442 , G06N3/084
Abstract: 本申请公开了一种自动驾驶决策模型训练方法、装置及存储介质，该方法包括：获取初始自动驾驶主车模型与环境车之间的交互数据，初始自动驾驶主车模型包括初始具身世界模型和初始行为模型；将交互数据作为训练样本，使得初始具身世界模型基于训练样本分别对各类环境车进行建模；基于建模结果和初始行为模型想象初始自动驾驶主车模型对应自动驾驶车的驾驶轨迹，并基于驾驶轨迹对初始行为模型进行训练；在当前训练达到预设终止条件的情况下终止训练，得到自动驾驶决策模型；环境车的类型是基于环境车与自动驾驶车之间的交互距离进行划分，各类环境车建模方式不同。本申请提供的方法和装置，提高了模型的训练效率、决策效率和决策准确度。
-
公开(公告)号：CN110304045A
公开(公告)日：2019-10-08
申请号：CN201910552495.1
申请日：2019-06-25
Applicant: 中国科学院自动化研究所
Abstract: 本发明属于智能驾驶领域，具体涉及一种智能驾驶横向换道决策方法，旨在为了解决现有决策方法对未知情况的泛化能力和对异常情况的抗干扰能力较差的问题。本发明采集目标车辆及相邻车辆的速度信息和位置信息，转化为环境表征；通过基于深度强化学习算法构建的高层决策模型获取高层横向驾驶决策动作；基于环境信息和高层横向驾驶决策动作，通过基于规则的低层校正器校正高层横向驾驶决策动作，获取目标车辆最终的横向驾驶决策动作。本发明在基于学习的方法的基础上，加入规则的限制，相比于规则的方法提高了泛化能力，相比于学习的方法提高了对异常情况的抗干扰能力，提高了稳定性，可实现高速路场景下安全、稳定的车辆自主横向换道决策。
-
公开(公告)号：CN108448594A
公开(公告)日：2018-08-24
申请号：CN201810179648.8
申请日：2018-03-05
Applicant: 中国科学院自动化研究所
IPC: H02J3/24
Abstract: 本发明属于微电网频率控制技术领域，具体涉及一种微电网频率自适应学习控制方法。旨在解决现有技术无法有效地调节微电网的频率和提高微电网频率的稳定性的问题。本发明提供一种微电网频率自适应学习控制方法，包括基于预先获取的微电网系统的第一状态参数，计算微电网系统的第二状态参数；根据第二状态参数和预先构建的第一神经网络模型计算微电网系统的控制矩阵、扰动矩阵；根据第二状态参数计算微电网系统的效用函数；根据效用函数计算微电网系统的代价函数；基于第二状态参数、控制矩阵、扰动矩阵、效用函数以及代价函数，采用自适应动态规划方法计算微电网系统频率的最优控制律。本发明的方法能够有效地提高微电网系统的频率稳定性。
-
-
-
-
-
-
-
-
-
Search Results
26
records
(took 0.029 seconds)
