-
公开(公告)号：CN116414602A
公开(公告)日：2023-07-11
申请号：CN202310269758.4
申请日：2023-03-20
Applicant: 东南大学
Abstract: 本发明提供一种面向内生安全可用性的协同任务规划方法，包括：复杂任务的不规则冗余分解，元任务和执行起点的差异协同匹配，元任务多维异构规划机制及动态双重反馈策略。本发明将内生安全可用性的协同架构和任务规划的有机结合，重点关注架构中节点差异和任务差异，在保障系统可用性的情况下，实现内生安全协同任务的最优规划，延长系统生存周期。
-
公开(公告)号：CN116245714A
公开(公告)日：2023-06-09
申请号：CN202310154588.5
申请日：2023-02-23
Applicant: 东南大学
Abstract: 本发明公开了一种基于可变形注意力机制的全景图像拼接方法，将多视角图像送入主干网络后获得多尺度特征图；生成可学习的Bev Queries模型，随机生成栅格形的Bev Queries，Bev Queries的每个格子都代表了实际的物理尺寸和对应一个自车坐标系的三维坐标，通过注意力机制在多视角的多尺度图片中查询和聚合相关特征信息，经过转置卷积生成全景鸟瞰图；最后根据获得的Bev Queries模型进行模型训练，使用MS‑SSIM Loss来学习图形的结构，在MS‑SSIM Loss降低到设定阈值时，学习边缘特征和修正图像的颜色及去除图像噪声，获得全景图像。本发明不仅可以构建更加平滑和较少畸变和失真的全景鸟瞰图，同时对于在复杂环境中的相机内外参漂移具有较强的鲁棒性，具有较快的计算速度。
-
公开(公告)号：CN111695196B
公开(公告)日：2023-04-18
申请号：CN202010444567.3
申请日：2020-05-23
Applicant: 东南大学
IPC: G06F30/15 , G06F30/27 , G06N3/0464 , G06N3/048 , G06N3/08 , G01C9/00 , G06F119/14
Abstract: 本发明提出一种基于车体运动学信息的罐车侧倾状态预判方法，首先明确影响罐车侧倾状态的车体运动学信息，然后分别建立用于罐车车速和方向盘转角预测的AR模型，接着建立罐车典型侧翻场景集并开展车体运动学信息采集试验，进而设计用于罐车侧倾状态估计的神经网络，最后基于AR模型和神经网络实现罐车侧倾状态的提前预判。该方法使用的车体运动学信息通过CAN总线直接读取，无需外加传感器，操作方便成本低；通过神经网络建立车速、方向盘转角与侧倾状态的非线性映射关系，制作训练样本时考虑典型侧翻场景基元的影响，提高网络预估侧倾状态的准确性；利用AR模型对车速和方向盘转角进行短期预测，联合神经网络实现未来短期内罐车侧倾状态的精确预判。
-
公开(公告)号：CN115577741A
公开(公告)日：2023-01-06
申请号：CN202211272458.3
申请日：2022-10-18
Applicant: 东南大学
Abstract: 本发明提供了一种基于自适应模因搜索解决双向环路布局问题的方法，包括以下步骤：(1)随机初始化种群，并采用局部搜索优化种群中的解；(2)采用三种特定的交叉算子，生成子代解决方案；提出一种自适应选择机制，在三个交叉算子中动态地选择最合适的交叉；(3)采用三阶段局部搜索方法进一步优化子代，以保证强化和多样化的平衡；(4)进行种群更新和交叉算子选择概率的更新。本发明在选择交叉算子和优化子代解决方案中采用自适应机制和更高级的搜索策略来重新研究双向环路系统中的布局方案，能够更好地解决现实世界中NP‑hard类的设施布局优化问题，布局快速，性能优异，对于双向环路布局问题及相应的问题具有重要的研究和实用价值。
-
公开(公告)号：CN113158569B
公开(公告)日：2022-11-18
申请号：CN202110441893.3
申请日：2021-04-23
Applicant: 东南大学
IPC: G06F30/27 , G06F119/02
Abstract: 本发明提出了一种基于长短期记忆网络的罐车侧倾状态高可靠估计方法。首先，明确能够表征罐车侧倾状态的多维参数；然后，利用卡尔曼滤波提高侧倾状态表征参数的精度；最后，设计LSTM网络实现罐车侧倾状态的高可靠估计。该方法融合多个车辆状态参数来估计罐车的侧倾状态，从而提高估计方法的容错性。同时利用LSTM网络的记忆功能，综合考虑侧倾状态表征参数的当前值和历史值，进而提高估计方法的可靠性。
-
Patent Agency Ranking
公开(公告)号：CN115257820A
公开(公告)日：2022-11-01
申请号：CN202211070542.7
申请日：2022-09-02
Applicant: 东南大学
Abstract: 本发明公开了一种面向开放干扰场景的营运车辆前向防撞驾驶决策方法。首先，提取人类驾驶员的安全驾驶行为，构建形成用于前向防撞驾驶决策学习的“类人”驾驶行为数据库。其次，利用行为克隆算法从“类人”驾驶行为数据库中学习前向防撞驾驶策略。最后，利用生成对抗模仿学习算法继续学习驾驶策略，得到具有高度类人水平的前向防撞驾驶策略。本发明提出的方法，能够模拟人类驾驶员的安全驾驶行为，且考虑了视觉盲区、突遇障碍物、不同行驶工况等因素对前向防撞决策的影响，输出加速、减速、转向等高级决策策略，实现了开放干扰场景下的营运车辆前向防撞驾驶决策。
-
公开(公告)号：CN110009095B
公开(公告)日：2022-07-29
申请号：CN201910161405.6
申请日：2019-03-04
Applicant: 东南大学
Abstract: 本发明公开了基于深度特征压缩卷积网络的道路行驶区域高效分割方法，该方法针对当前大部分基于深度学习的道路分割方法难以同时满足准确性和实时性要求的问题，构建了深度特征压缩卷积神经网络，首先设计标准卷积层及池化层对提取的道路特征进行初步压缩，然后借助扩张卷积层能够增大感受野的优势并对其进行优化，以弥补特征初步压缩时造成的道路空间位置信息损失，进而融合分解卷积层实现深度特征压缩，最终提出参数可学习的逐层分级上采样策略对深度压缩后的特征进行解耦，而后对该网络进行训练并输入道路图像得到分割结果。本发明设计的深度特征压缩卷积神经网络在准确性和实时性之间取得了良好的平衡，实现了道路行驶区域的高效分割。
-
公开(公告)号：CN114792375A
公开(公告)日：2022-07-26
申请号：CN202210204930.3
申请日：2022-03-02
Applicant: 东南大学
IPC: G06V10/44 , G06V10/56 , G06V10/80 , G06V10/764 , G06K9/62 , G06N3/04 , G06N3/08 , G10L25/30 , G10L25/51
Abstract: 本发明公开了一种基于视听信息融合的地形分类方法，本方法首先控制车辆在不同地形上行驶，利用挂载在车辆底部的前向摄像机获取车辆行驶时的地形图像，同时利用声音传感器采集行驶过程中车辆与地面交互的声音信号；将视觉图像和声音信号进行预处理；接着分别提取视觉图像与声音信号的特征，提取的图像特征有图像的颜色直方图特征与局部二值化特征；将视觉特征与声音特征融合并进行特征降维；然后将降维后的特征向量和原始图像分别输入到设计的全连接神经网络分类器和残差网络分类器进行分类训练；最终分类决策结果由全连接神经网络分类器和残差网络分类器这两个分类器的输出加权求得。模型训练好之后利用所述模型进行在线地形分类。
-
公开(公告)号：CN114567869A
公开(公告)日：2022-05-31
申请号：CN202210169668.3
申请日：2022-02-23
Applicant: 东南大学
Abstract: 本发明公开了一种基于FPGA的智能车路系统多目标测评装置及方法，首先建立测评装置与智能车路系统之间的通信连接，即测评装置可以获取RSU/OBU收到或发出的消息；然后利用FPGA设计计数器模块、车载端测评模块和路侧端测评模块，并使用外部PPS秒脉冲信号以及内部高速振荡器时钟源作为时钟基准，测量智能车路通信功能测评所需的时间相关基础参数；最后，实现多目标混合环境下的单目标通信时延、综合通信时延、单目标丢包率、综合丢包率等指标的准确、定量测评。本发明在智能车路系统的测评过程中无需统一路侧端及车载端的时钟基准，使用FPGA进行模块化设计，具有安装方便、成本低的特点，且可根据被测对象的特点进行接口和计数器位数修改，灵活性强。
-
公开(公告)号：CN109946730B
公开(公告)日：2022-05-13
申请号：CN201910168341.2
申请日：2019-03-06
Applicant: 东南大学
Abstract: 本发明公开了一种车路协同场景下的车辆高可靠融合定位方法，针对城市环境下，车载卫星导航易使用受限，定位准确性及可靠性不高等问题，在传统的车载卫星与惯性组合导航的基础上，引入了超宽带（Ultra‑Wideband，UWB）定位技术，通过合理布局UWB节点，结合非视距（Not Line of Sight，NLOS）误差处理算法，减小UWB观测值误差，在此基础之上，基于扩展卡尔曼滤波算法实现了车辆的融合定位。相比于传统的车载卫星与惯性组合导航，本发明中的方法，在城市环境，尤其是卫星信号受严重遮挡的复杂环境（如城市峡谷、交叉路口等）下，可靠性更高，有助于实现车辆的连续、完整、可靠、实时定位。
-
-
-
-
-
-
-
-
-
Search Results
335
records
(took 0.071 seconds)
