-
公开(公告)号：CN119853096A
公开(公告)日：2025-04-18
申请号：CN202411904301.7
申请日：2024-12-23
Applicant: 上海大学
Abstract: 本发明提供了一种构网型变流器快速频率支撑控制方法及系统，包括：步骤S1：建立异构电力系统模型，包括GFM变流器模型、同步发电机SG模型和GFL风力发电机模型；步骤S2：根据建立的GFL风力发电机模型，将GFL风力发电机的输出功率和负载功率视为扰动，设计预设时间非线性观测器估计扰动；步骤S3：设计预设时间滑模控制器，调节GFM变流器的输出功率增量，以调节异构电力系统的频率；步骤S4：对通过调节异构电力系统的频率抑制振荡进行仿真，并对仿真结果进行展示。本发明能够显示出较小的过冲和较短的收敛时间。
-
公开(公告)号：CN118942082A
公开(公告)日：2024-11-12
申请号：CN202411041513.7
申请日：2024-07-31
Applicant: 上海大学
Abstract: 本发明本发明涉及计算机深度学习和目标检测技术领域，具体涉及一种基于Gumbel分布采样和不确定性融合的多模态三维目标检测方法，步骤为：S1、获取包含待检测目标的场景的原始点云数据集和原始图像；S2、利用Gumbel‑Softmax函数对原始点云数据集进行分布采样，从原始点云数据集中选择出代表性点云，得到代表性点云子集；S3、通过点云特征提取模型对代表性点云子集进行进行特征提取，得到点云特征；S4、利用图像特征提取模型对原始图像进行特征提取，得到图像特征；S5、采用不确定性融合模块将点云特征信息与图像特征信息进行融合，得到融合特征；S6、将融合特征输入到检测头中，进行目标的检测识别。本发明目标检测方法的检测精度高，鲁棒性好。
-
公开(公告)号：CN116912405A
公开(公告)日：2023-10-20
申请号：CN202310831912.2
申请日：2023-07-07
Applicant: 上海大学
IPC: G06T17/00 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于改进MVSNet的多视图三维重建方法及系统，属于三维重建技术领域。该方法包括如下步骤：将参考图像及源图像输入改进MVSNet网络中，通过卷积层及ECA模块提取图像的特征，得到参考图像和源图像的特征图；通过可微分的单应性变换得到特征体，通过组相似性度量模块聚合匹配代价体；通过3D卷积模块将匹配代价体正则化得到概率体；概率体由深度回归得到深度图；通过高斯牛顿优化模块优化深度图得到最终的深度图；融合所有得到的深度图和坐标变化得到稠密点云并进行三维模型的可视化。相比传统MVSNet方法，本发明充分提高了图像的特征表达能力，生成的三维点云有更高精度和完整度，并且对弱纹理、重复纹理等区域具有较高的鲁棒性。
-
公开(公告)号：CN119575984A
公开(公告)日：2025-03-07
申请号：CN202411744292.X
申请日：2024-11-30
Applicant: 上海大学
Abstract: 本发明提供一种基于深度强化学习的无人艇目标追踪决策控制方法，建立无人艇运动模型以获得无人艇当前运动状态；建立目标追踪任务奖励函数；基于软演员‑评论家算法构建深度强化学习网络模型，初始化；获取目标船舶的当前位置和预测位置；利用深度强化学习网络模型得到无人艇最优控制策略和更新后的无人艇运动状态；随机选取控制策略以得到更新后的目标船舶运动状态，将所述更新后的无人艇运动状态和更新后的目标船舶运动状态作为训练样本存储在经验池，当未追上目标船舶时重复以上过程；当追上目标船舶时从经验池中随机采样以更新所述深度强化学习网络模型参数。本发明提升无人艇的智能决策能力和跟踪性能，推动其在民用和军用领域的应用发展。
-
公开(公告)号：CN116486252A
公开(公告)日：2023-07-25
申请号：CN202310196909.8
申请日：2023-03-03
Applicant: 上海大学
IPC: G06V20/10 , G06V10/82 , G06V10/80 , G06V10/764 , G06V10/766 , G06V10/25 , G06V10/20
Abstract: 本发明属于海上搜救领域，具体涉及一种基于改进的PV‑RCNN目标检测算法的智能化无人搜救系统与方法。针对传统PV‑RCNN算法中稀疏卷积方式无法兼顾感受野大小和卷积速度的问题，本发明提出了一种改进的PV‑RCNN目标检测算法。该方法采用自适应改变感受野大小的稀疏卷积方式，同时还对被检测目标的点云数据进行分类，使搭载有PV‑RCNN算法的检测艇在水面可以自适应地调整自身角度来获得更丰富的船体语义信息，提高对目标的检测精度。本发明的智能化搜救系统通过融合激光雷达和改进的PV‑RCNN目标检测算法的优点，提高了目标搜寻的能力，在搜救目标地点附近能够自主感知分析和检测，具有较高的检测和识别速度，提高救援速度。
-
Patent Agency Ranking
公开(公告)号：CN115792912A
公开(公告)日：2023-03-14
申请号：CN202211587579.7
申请日：2022-12-09
Applicant: 上海大学
IPC: G01S13/937 , G01S7/41 , G01C1/00 , B63B35/00 , G06V20/56 , G06V10/762 , G06V10/80
Abstract: 本发明属于无人艇目标检测领域，公开了一种弱观测条件下基于视觉与毫米波雷达融合的水面无人艇环境感知方法及系统，该方法通过使用视觉相机与毫米波雷达采集无人艇周围水面环境数据，并使用惯性测量单元收集无人艇自身姿态信息；对毫米波雷达点云数据进行聚类，滤除杂波并识别目标，同时结合惯性测量单元测得的无人艇位姿信息，将识别的目标投影到图像坐标系中；通过深度神经网络框架检测水面环境中多尺度目标，将毫米波雷达投影目标、深度目标检测网络检测结果以及非极大值抑制处理前的锚框信息进行融合，输出最终的感知结果。本发明能够有效降低弱观测环境中传感信息不完备与不确定性的不良影响，为其后续的自主决策提供了重要信息。
-
公开(公告)号：CN111612059B
公开(公告)日：2022-10-21
申请号：CN202010425656.3
申请日：2020-05-19
Applicant: 上海大学
Abstract: 本发明属于计算机视觉技术领域，具体公开了一种基于pointpillars的多平面编码点云特征深度学习模型的构建方法。构建方法为：获取训练样本，采用训练样本对多平面编码点云特征深度学习模型进行训练，使得将训练样本中的点云数据输入训练后的多平面编码点云特征深度学习模型得到的识别结果为点云数据中检测目标的位置边界框坐标及边界框坐标中目标的存在概率。本发明构建的多平面编码点云特征深度学习模型能够实现对点云数据三维空间采样，并将采样得到三个平面内支柱点云特征进行学习融合，解决了现有点云采样空间信息损失的问题，更好的还原了点云在空间中各个方向上角度不同带来的检测精度的损失，模型的鲁棒性好，检测准确度高。
-
公开(公告)号：CN113933828A
公开(公告)日：2022-01-14
申请号：CN202111213649.8
申请日：2021-10-19
Applicant: 上海大学
Abstract: 本发明公开了一种无人艇环境自适应多尺度目标检测方法及系统，涉及无人艇以及多传感器融合技术领域，该方法包括：对获取的雷达数据进行预处理，得到雷达预估目标集合；雷达数据包括毫米波雷达采集的数据和航海雷达采集的数据；对视觉传感器采集的原始环境图像进行预处理，以获得全局大气光值和透射率；根据全局大气光值和透射率对原始环境图像进行还原处理，得到增强图像；根据增强图像和预训练好的目标检测模型，得到初步检测结果；初步检测结果包括图像预估目标的置信度、检测框和类别信息；对雷达预估目标集合、增强图像和初步检测结果进行融合处理，确定海面目标的位姿信息、类别信息和置信度。本发明能够准确确定海面目标信息。
-
公开(公告)号：CN113687349A
公开(公告)日：2021-11-23
申请号：CN202111110410.8
申请日：2021-09-23
Applicant: 上海大学
Abstract: 本发明公开了一种基于多传感器融合的无人艇海面目标追踪方法及装置，涉及无人艇目标跟踪技术领域，该方法包括获取激光雷达采集的原始点云数据；获取毫米波雷达采集的原始毫米波数据；对所述原始点云数据和所述原始毫米波数据进行融合处理，得到融合后的目标信息；基于所述融合后的目标信息，对海面上的目标进行跟踪。本发明基于激光雷达采集的原始点云数据和毫米波雷达采集的原始毫米波数据进行目标跟踪，即采用毫米波雷达和激光雷达结合的方式进行目标跟踪，扩展了无人艇感知系统的适应场景，提高了得到目标信息的精度，增强了无人艇在海上航行的安全性。
-
公开(公告)号：CN111612059A
公开(公告)日：2020-09-01
申请号：CN202010425656.3
申请日：2020-05-19
Applicant: 上海大学
Abstract: 本发明属于计算机视觉技术领域，具体公开了一种基于pointpillars的多平面编码点云特征深度学习模型的构建方法。构建方法为：获取训练样本，采用训练样本对多平面编码点云特征深度学习模型进行训练，使得将训练样本中的点云数据输入训练后的多平面编码点云特征深度学习模型得到的识别结果为点云数据中检测目标的位置边界框坐标及边界框坐标中目标的存在概率。本发明构建的多平面编码点云特征深度学习模型能够实现对点云数据三维空间采样，并将采样得到三个平面内支柱点云特征进行学习融合，解决了现有点云采样空间信息损失的问题，更好的还原了点云在空间中各个方向上角度不同带来的检测精度的损失，模型的鲁棒性好，检测准确度高。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.021 seconds)
