-
公开(公告)号：CN107544551A
公开(公告)日：2018-01-05
申请号：CN201710778810.3
申请日：2017-09-01
Applicant: 北方工业大学
IPC: G05D1/12
Abstract: 本发明提供一种基于智能无人机的区域快捷物流运输方法，通过对无人机降落点位置的红外信标设置，实现了对物流区域内部的派送点位置的合理规划，同时设计了无人机最优派送路径规划方法，减少了无人机的飞行距离，缩短派送时间。在住宅小区等区域性地点应用该物流运输方法及装置，能够有效的解决现有区域物流运输人力成本高，派送时间长的问题，提升区域物流派送的效率，并会在一定程度上解决了“最后一公里物流”的问题，促进了我国物流运输行业和交通领域的发展。
-
公开(公告)号：CN118470662A
公开(公告)日：2024-08-09
申请号：CN202410640531.0
申请日：2024-05-22
Applicant: 北方工业大学
IPC: G06V20/54 , G06V20/64 , G06V10/774 , G06V10/25 , G06V10/26 , G06V10/44 , G06T7/207 , G06T7/246 , G06V10/82 , G06V10/762
Abstract: 本发明公开了一种基于点云场景流估计的匝道汇入区域多目标车辆跟踪方法，首先对点云进行预处理及体素化，然后利用考虑自身运动流的点云场景流估计方法进行逐点运动预测，结合体素K近邻算法提取点云特征，通过自适应体积交并比度量各运动目标间的相似度，接着采用匈牙利算法匹配检测帧与预测帧中的目标车辆，最后对多目标车辆轨迹进行管理。本发明提出的方法能够兼顾目标车辆运动状态参数预测准确性和运算效率，并保证多目标跟踪的鲁棒性。
-
公开(公告)号：CN117315927A
公开(公告)日：2023-12-29
申请号：CN202311043190.0
申请日：2023-08-18
Applicant: 北方工业大学
IPC: G08G1/01 , G06T17/20 , G06N3/0442 , G06N3/08
Abstract: 本发明涉及智能网联汽车技术领域，尤其涉及一种基于改进神经网络的智能网联汽车实时轨迹预测方法，包括，步骤S1，对道路的交叉口的场景图进行建模并确定特征编码；步骤S2，基于Q‑learn ing算法获取智能网联汽车的空间特征；步骤S3基于LSTM网络获取智能网联汽车时间特征；步骤S4：多特征融合预测智能网联汽车的实时轨迹；有效提高了车辆轨迹预测的实时性和精确性。
-
公开(公告)号：CN112365724B
公开(公告)日：2022-03-29
申请号：CN202010287076.2
申请日：2020-04-13
Applicant: 北方工业大学
Abstract: 本发明提供了一种基于深度强化学习的连续交叉口信号协同控制方法，该方法采用上下层Agent网络的DQN策略处理连续交叉口信号配时，以减少状态获取及反馈评价的复杂度，解决连续交叉口信号优化问题。为保证训练目标的平稳性，避免其训练陷入目标值与预测值的反馈循环中震荡发散，采用Dueling Double优化方法对DQN优化训练，相比于传统DQN控制模型，该方法可根据不同道路环境和交通状态实时切换交叉口相位，增加了交叉口之间的协作能力，保障交叉口行车畅通，提高交叉口通行能力，为缓解交通拥堵、提高出行效率并减少安全事故提出了新的解决方案和理论依据。
-
公开(公告)号：CN112233413B
公开(公告)日：2022-03-29
申请号：CN202010697831.4
申请日：2020-07-20
Applicant: 北方工业大学
Abstract: 本发明提供了一种面向智能网联车辆的多车道时空轨迹优化方法，本发明设计了基于强化学习算法的时空轨迹优化算法可以快速匹配最优轨迹。该算法一共包含计算两个不同输入的内容：（1）时空轨迹的优化，以车辆当前位置、速度及目标驶出车道、时段为输入，车辆加速度的集合为输出；（2）多车道协同换道的优化，以车辆当前位置、速度及目标车道威胁车位置、速度为输入，车辆加速度集合为输出。即车辆发起换道请求后可通过强化学习匹配车辆协同换道过程的轨迹，换道完成后通过强化学习匹配此时刻的时空轨迹以达到多车道轨迹优化的过程。该方法可根据不同的道路环境和交通状态实时优化及生成路段内通行车辆的时空轨迹，增加了车辆间的相互协作能力，提升了通过路段的安全性以及交叉口的车辆通行效率，减少了车辆的能源消耗水平，为保证道路交通安全，提高出行效率提出了新的解决方案和理论依据。
-
Patent Agency Ranking
公开(公告)号：CN112437412A
公开(公告)日：2021-03-02
申请号：CN202011194137.7
申请日：2020-10-30
Applicant: 北方工业大学
Abstract: 本发明提供一种基于车路协同的混行驾驶车辆编队控制方法，该方法首先进行基于车路协同的混行驾驶车队长度划分，然后确定混行车队行驶条件下通信拓扑结构及车间距策略，再进行基于模型预测控制的混行车辆编队控制。本发明通过各项传感器获得周围车辆行驶状态信息，将能够在同一绿灯周期内通过的车辆组成队列。以保障队列稳定性和交叉口行程时间最短为目标，基于模型预测控制建立混行车辆编队控制模型，判断出每辆车应该执行的操作。通过调节车辆制动控制器、节气门控制器等，使车辆之间保持一定的速度和车间距行驶。
-
公开(公告)号：CN107274700B
公开(公告)日：2019-05-14
申请号：CN201710675001.X
申请日：2017-08-09
Applicant: 北方工业大学
IPC: G08G1/0967
Abstract: 本发明提供了一种车路协同环境下多源信息采集方法及装置，分别采集车辆运行工况和路侧交通设备运行信息，并通过车路通信装置传递指令与数据，从而全面获取车辆运行状况和交通状态。汽车运行状况主要包括基于车载总线接口原始数据的车辆状态诊断和驾驶行为分析，分析方法结合车辆历史数据和定位点附近的其他车辆数据与路侧信息，提高了判断精度；交通状况则包含了路侧信号机与智能设备的多源信息，并基于车载终端与路侧终端的数据深度融合，路侧终端根据所设计的方法自动采集运行中的车载终端数据并汇总，与传统浮动车方法相比在丰富了数据种类并提高了数据精度的同时降低了数据处理难度和网络上的数据量，充分结合了交通分析和车路协同的技术优势。
-
公开(公告)号：CN106218638B
公开(公告)日：2018-08-03
申请号：CN201610681099.5
申请日：2016-08-17
Applicant: 北方工业大学
IPC: B60W30/18
Abstract: 本发明提供了种基于无线通信技术的智能网联汽车协同换道控制方法,用于智能交通/汽车主动安全控制技术领域,可解决车辆换道过程中由于人为判断失误造成的碰撞事故,保障车辆行驶安全性。本发明基于智能网联汽车技术实现,首先通过无线通信单元获取周围车辆行驶状态与行驶意图,根据车辆换道运动特性及不同车道车辆相对位置建立纵向安全距离模型,提出基于模糊控制理论的换道控制策略,计算得出车辆在匀速和匀加速行驶时不同交通场景下的期望加速度值,完成对目标车辆在换道过程中的车速控制,同时计算出周围车辆的期望加速度值,通过实现换道车辆与周围车辆始协同控制,达到避免车辆换道过程中发生碰撞事故的目的。
-
公开(公告)号：CN107274700A
公开(公告)日：2017-10-20
申请号：CN201710675001.X
申请日：2017-08-09
Applicant: 北方工业大学
IPC: G08G1/0967
CPC classification number: G08G1/096783
Abstract: 本发明提供了一种车路协同环境下多源信息采集方法及装置，分别采集车辆运行工况和路侧交通设备运行信息，并通过车路通信装置传递指令与数据，从而全面获取车辆运行状况和交通状态。汽车运行状况主要包括基于车载总线接口原始数据的车辆状态诊断和驾驶行为分析，分析方法结合车辆历史数据和定位点附近的其他车辆数据与路侧信息，提高了判断精度；交通状况则包含了路侧信号机与智能设备的多源信息，并基于车载终端与路侧终端的数据深度融合，路侧终端根据所设计的方法自动采集运行中的车载终端数据并汇总，与传统浮动车方法相比在丰富了数据种类并提高了数据精度的同时降低了数据处理难度和网络上的数据量，充分结合了交通分析和车路协同的技术优势。
-
公开(公告)号：CN107248284A
公开(公告)日：2017-10-13
申请号：CN201710675125.8
申请日：2017-08-09
Applicant: 北方工业大学
IPC: G08G1/01
Abstract: 本发明提供了一种车路协同场景下基于多源信息融合的实时交通评价方法，首先将多算子对引入到传统模糊综合中构成二级评价模型，通过层次分析法确定交通评价指标的权重向量，并建立了适用于各级道路参数的可变隶属度规则；同时将车路协同系统中的动态车辆数据和静态路段参数相融合，计算得出实时评价结果与评分。该方法通过模糊关系可接受各类交通评价指标作为模型的输入量，同时借助可变隶属度规则能够适用于各级道路状况，利用科学方法划分的权重将减少评价方法的主观臆断成分，所生成的评价得分可应用于同时段不同路段，或同一路段不同时段下的交通状态对比，为交通信号控制，车辆调度管理及导航信息服务提供了可靠依据。
-
-
-
-
-
-
-
-
-
Search Results
61
records
(took 0.023 seconds)
