-
公开(公告)号：CN118569382A
公开(公告)日：2024-08-30
申请号：CN202410589205.1
申请日：2024-05-13
Applicant: 江苏大学
Abstract: 本发明公开了一种行为模态划分方法、多模态轨迹预测模型的训练方法与推理方法，该方法包括：基于基本驾驶规则划分车辆轨迹的行为模态，构建泛化模态域；基于道路地图元素的模态细化，构建合理的空间引导；智能体编码结果通过多模态解码器输出对应不同高级别控制指令的多模态轨迹预测结果。本发明的多模态轨迹预测模型将基本驾驶规则用于泛化模态的划分，从而聚合具有相似驾驶行为的训练样本，实现更加直观、广泛、有效的模态分类，提升模型训练效率。其次设计了高细粒度的车道级模态细化方法，提升了信息融合的相关性，避免手工设计繁多的候选先验，自然引导生成更加丰富、有效的轨迹预测模态结果。
-
公开(公告)号：CN118569307A
公开(公告)日：2024-08-30
申请号：CN202410719516.5
申请日：2024-06-05
Applicant: 江苏大学
Abstract: 本发明公开了一种基于解耦图扩散神经网络的车辆轨迹预测方法及系统，涉及车辆轨迹预测技术领域；方法包括：获取车辆实时数据中的行驶过程信息，并根据所述行驶过程信息构建车辆轨迹图；基于稀疏高纬表示方法对所述车辆轨迹图进行处理，获得初始图；输入所述初始图至预先训练的轨迹预测模型，获取所述轨迹预测模型输出的车辆预测轨迹；其中，所述轨迹预测模型为解耦图扩散神经网络；所述轨迹预测模型利用广义图扩散和多头注意力机制捕捉所述初始图的全局信息，采用分层解耦的方法表示学习过程。本发明应用解耦图扩散神经网络可提高轨迹预测的精确度，能够更准确地掌握车辆的行驶路径，有助于减少交通拥堵，改善城市的交通状况。
-
公开(公告)号：CN118521981A
公开(公告)日：2024-08-20
申请号：CN202410599701.5
申请日：2024-05-15
Applicant: 江苏大学 , 汉得利(常州)电子股份有限公司
IPC: G06V20/56 , G06V10/774 , G06V10/80 , G06V10/82 , G06V10/52 , G06N3/0464 , G06N3/045 , G06N3/09
Abstract: 本发明公开了一种基于关键点的全局关联车道线检测方法、系统、介质和设备，包括：获取带有标注的数据集；构建基于关键点的全局关联车道线检测模型；利用带有标注的数据集对基于关键点的全局关联车道线检测模型进行训练，得到训练好的基于关键点的全局关联车道线检测模型；利用基于关键点的全局关联车道线检测模型对待测车道线进行检测，得到预测车道线；其中，基于关键点的全局关联车道线检测模型包括数据预处理模块、特征提取模块、通道空间注意力模块CBAM、特征金字塔网络FPN、解码器和后处理模块。本发明大大提高了检测效率。
-
公开(公告)号：CN118519347A
公开(公告)日：2024-08-20
申请号：CN202410680272.4
申请日：2024-05-29
Applicant: 江苏大学
IPC: G05B13/04
Abstract: 本发明公开了一种基于跟踪误差动力学模型的鲁棒路径跟踪方法及装置，包括1：建立整车动力学模型和线性轮胎模型；2：根据整车动力学模型结合参考路径信息建立路径跟踪误差动力学模型；3：根据路径跟踪误差动力学模型，结合模型参数不确定及权重函数设计μ综合鲁棒控制器；4：根据鲁棒控制结构器，基于DK迭代，完成μ综合鲁棒控制器设计；5：根据μ综合鲁棒控制器，基于平衡截断法，完成μ综合鲁棒控制器模型降阶处理。本发明提出的考虑多源扰动的自动驾驶汽车路径跟踪控制策略不仅能够实现正常工况下的车辆路径跟踪控制，而且当车辆存在系统参数不确定性及外界干扰等多源扰动时，能很好的跟踪参考路径，保证横向控制系统性能与鲁棒性。
-
公开(公告)号：CN114120439B
公开(公告)日：2024-07-16
申请号：CN202111186928.X
申请日：2021-10-12
Applicant: 江苏大学
IPC: G06V40/20 , G06V40/10 , G06N3/0464 , G06N3/09 , G06V10/82 , G06V10/764
Abstract: 本发明公开了一种智能汽车自车视角下的行人意图多任务识别及轨迹预测方法，根据环境中捕获的不同时空上下文信息，包括视觉特征信息和非视觉特征信息共5种信息，并通过一种新型的神经网络架构，使用混合方法，利用前馈网络和循环架构对各信息源进行联合视觉空间和动态推理，融合T时刻历史m个时步的视觉信息和非视觉信息，对行人在时间T处的当前状态或动作进行分类、预测未来的穿越意图、在T时间输出动作和意图概率，该模型同时还预测时间T至时间T+n的轨迹。本发明全面考虑行人所处交通环境的全局时空上下文信息，包含视觉和非视觉的五种信息源，提高行人穿越意图预测的准确性，具有占内存量少、推理速度快、关联任务性能互补等优点。
-
Patent Agency Ranking
公开(公告)号：CN113954863B
公开(公告)日：2024-06-11
申请号：CN202111044320.3
申请日：2021-09-07
Applicant: 江苏大学
IPC: B60W60/00 , G06N3/0442 , G06N3/0455 , G06N3/0475 , G06N3/094
Abstract: 本发明提供了一种基于双注意力机制和改进Social Gan的车辆轨迹预测方法，将目标车辆及周边车辆的轨迹特征输入车辆轨迹预测模型，预测目标车辆未来时刻的行驶轨迹，所述车辆轨迹预测模型包括编码层、池化层、驾驶意图预测模块和解码层，池化层包括两个注意力模块和一个改进Social Gan的池化模块，一个注意力模块作用于编码后目标车辆的轨迹特征，对影响目标车辆轨迹的相关变量进行注意力加权，另一个注意力模块作用于编码后周边车辆的轨迹特征，对周边车辆影响目标车辆的重要度进行注意力加权，改进Social Gan的池化模块用于提取周边车辆的交互特征。本发明有效提高了预测精度，可以更好的应用于自动驾驶领域。
-
公开(公告)号：CN113386781B
公开(公告)日：2024-05-24
申请号：CN202110563037.5
申请日：2021-05-24
Applicant: 江苏大学
IPC: B60W50/00 , B60W30/09 , G01M17/007 , G06F30/15 , G06F30/27
Abstract: 本发明公开了一种基于数据驱动车辆动力学模型的智能车辆轨迹跟踪控制方法，在模型训练学习中，通过虚拟高保真度车辆试验及实际无人驾驶车辆试验分别获取车辆动力学数据集，基于时滞反馈的思想及神经网络非线性建模原理，设计神经网络车辆动力学模型，利用所得到的车辆动力学数据集对模型进行两阶段的训练学习。在基于模型的控制中，结束两阶段学习后，提取所得到的神经网络车辆动力学模型的权重参数，以进行后续轨迹跟踪控制算法中的前向计算。基于无人驾驶车辆稳态转弯假设，利用学习到的神经网络车辆动力学模型得到前馈前轮转角和前馈稳态质心侧偏角，将车辆前馈稳态质心侧偏角纳入基于路径的转向反馈控制，实现参考轨迹的跟踪控制。
-
公开(公告)号：CN118025203A
公开(公告)日：2024-05-14
申请号：CN202410176460.3
申请日：2024-02-08
Applicant: 江苏大学
IPC: B60W50/00 , B60W60/00 , G06N3/0455 , G06N3/042 , G06N3/0464 , G06N3/0499 , G06N3/084
Abstract: 本发明提供了一种融合复杂网络和图Transformer的自动驾驶车辆行为预测系统及方法，首先，构建车辆交互复杂网络，同时将原始地图信息数据、车辆的运动数据、局部交互信息作为模型的多层输入；然后，借助图Transformer的图卷积和多头节点注意力机制，对车辆之间的复杂关系进行建模和学习，获取车辆全局、局部的相关性；最后，通过训练预测模型，使得图Transformer模型具有良好的泛化性和鲁棒性，可以准确输出自动驾驶车辆的行为。
-
公开(公告)号：CN113642430B
公开(公告)日：2024-05-14
申请号：CN202110865927.1
申请日：2021-07-29
Applicant: 江苏大学
IPC: G06V20/58 , G06V10/774 , G06V10/764 , G06V10/44 , G06V10/74 , G06V10/75 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于VGG+NetVLAD的地下停车场高精度视觉定位方法及系统，具体包括以下步骤：1、数据采集阶段：采集目标停车场内的安全出口标志数据信息；2、网络模型建立与训练阶段：建立并训练标志检测模型和全局特征提取模型；3、地图制作阶段：运用训练好的网络模型，进行地图的制作；4、定位实现阶段：利用平面单应性解算相机与标志间的位姿，实现实时定位。本发明利用了停车场内原有的安全出口标志制作视觉地图，方案简单，无需其他部署，仅需单目相机实现，降低了成本，且定位精度可达到亚米级别，既可应用于移动设备，又可应用于智能驾驶汽车。
-
公开(公告)号：CN112329533B
公开(公告)日：2024-05-14
申请号：CN202011067813.4
申请日：2020-10-07
Applicant: 江苏大学
IPC: G06V20/56 , G06V20/70 , G06V10/26 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/0985 , G06N3/084
Abstract: 本发明公开了一种基于图像分割的局部路面附着系数估计方法，步骤1：离线预训练图像分割网络，具体包括：a.利用CARLA软件采集不同天气状况的路面图像，b.对采集的不同天气状况的路面图像进行局部标注，形成局部路面附着系数估计的数据集，c.利用深度学习的手段搭建图像分割的深度学习算法网络模型，d.利用局部路面附着系数估计的数据集对图像分割的深度学习算法网络框架进行端到端的训练。步骤2：获取实时路面图像，对路面局部附着系数实时估计，具体包括：a.利用车载摄像头采集实时路面图像，b.用预训练好的图像分割网络对实时获取的图像进行分类并定位不同类别，形成实时路况图，c.根据路面类型对实时路况图进行局部路面附着系数估计。
-
-
-
-
-
-
-
-
-
Search Results
692
records
(took 0.03 seconds)
