-
公开(公告)号：CN112419337A
公开(公告)日：2021-02-26
申请号：CN202011351101.5
申请日：2020-11-27
Applicant: 东北大学秦皇岛分校
Abstract: 本发明请求保护一种利用深度图片信息基于深度学习的复杂环境下抓取检测方法，属于机器人抓取领域。该方法包括步骤：获得深度图和RGB图片，定位目标物体的位置和轮廓。将目标物体的深度图片轮廓和RGB图片轮廓进行匹配，提取出可抓取物体的区域。在目标区域回归出物体的抓取框，并选取合适的抓取角度。本发明能够有效避免对平面物体的误识别，提高了抓取速度和精度。
-
公开(公告)号：CN114995460A
公开(公告)日：2022-09-02
申请号：CN202210777005.X
申请日：2022-07-04
Applicant: 东北大学秦皇岛分校
IPC: G05D1/02
Abstract: 本发明公开了一种基于自适应改进蚁群算法的机器人路径规划方法，用于提高算法的全局寻优能力和收敛速度。包括如下步骤：建立栅格地图环境；采用Djikstra算法在地图中规划一条初始路径，提高该路径上的信息素含量，按照扩散模型进行信息素扩散；初始化参数和禁忌表，释放蚂蚁，按照改进的状态转移规则选择下一节点；更新禁忌表和路径长度，直到蚂蚁到达终点；按照改进的信息素更新公式更新信息素；输出最优路径及路径长度。本发明改进的蚁群算法用于规划复杂地图环境下移动机器人的最短路径，该方法提高了算法的收敛速度，降低路径规划时间，减少了蚂蚁搜索过程中的盲目性和随机性，减少了路径的拐点个数，提高机器人路径规划的效率。
-
Patent Agency Ranking
公开(公告)号：CN115130921A
公开(公告)日：2022-09-30
申请号：CN202210913975.8
申请日：2022-08-01
Applicant: 东北大学秦皇岛分校
Abstract: 本发明公开了一种基于自适应改进PSO算法的电动汽车充电调度方法，用于提高算法的全局寻优能力和收敛速度。包括如下步骤：基于蒙特卡洛思想生成电动汽车充电信息；初始化粒子位置，记录种群的平均适应度值；初始化惯性权重和学习因子并建立适应度与惯性权重之间的反馈调节机制；种群搜索进化，各时段先分别求最优解后再进行汇总；引入模拟退火算法的概率接受公式加大搜索区间从而确保搜索到全局最优。本发明改进的PSO用于规划高负载下的电动汽车充电调度问题，相较于传统PSO算法，该方法提高了算法的收敛速度，减小了电网波动方差以及用户的充电延迟时间。
-
公开(公告)号：CN119182123A
公开(公告)日：2024-12-24
申请号：CN202411247536.3
申请日：2024-09-06
Applicant: 东北大学秦皇岛分校
Abstract: 本发明公开一种基于改进Autoformer模型的电力负载时序预测方法，涉及时序预测领域。获取电力负载数据集；对电力负载数据集进行预处理，得到预处理后的电力负载数据集；所述预处理包括最大‑最小归一化和Z‑score归一化；将预处理后的电力负载数据集按照设定比例划分为训练集和测试集；构建Double FFTAutoformer模型；利用训练集对构建的Double FFT Autoformer模型进行训练，并利用验证集对Double FFTAutoformer模型的参数进行调整，得到训练完成的Double FFT Autoformer模型；将测试集输入到训练完成的Double FFT Autoformer模型，得到预测的时间序列。本发明为通过将Auto‑Correlation函数重新推导成一个循环对称矩阵和一个向量的乘积的形式，使其能使用FFT算法加速计算，使得模型能完整地利用信息，并且在保持计算的时间复杂度的前提下提高预测的准确度。
-
公开(公告)号：CN119047509A
公开(公告)日：2024-11-29
申请号：CN202411165159.9
申请日：2024-08-23
Applicant: 东北大学秦皇岛分校
Abstract: 本发明提供一种基于神经网络的ACML模型下多智能体通信信息预测方法，涉及多智能体通信领域。建立小球环境；定义小球环境中智能体的动作、本地观察和智能体团队联合奖励；建立ACML模型；不限定通信预算，训练ACML模型中的Actor网络、Critic网络、信息协调网络和信息生成网络；不限定通信预算，得到若干条多智能体通信记录，得到关于通信预算限制的信息预测网络数据集；利用关于通信预算限制的信息预测网络数据集训练ACML模型中的信息预测网络；施加通信预算限制，执行ACML模型得到智能体运行轨迹和团队奖励。本发明通过预测在禁止通信时刻智能体的信息，实现了在小球环境中多智能体任务完成时间的缩短和团队奖励的明显提高。
-
公开(公告)号：CN118565465A
公开(公告)日：2024-08-30
申请号：CN202311585625.4
申请日：2023-11-24
Applicant: 东北大学秦皇岛分校
Abstract: 本发明提供一种融合因子图优化与CNN‑LSTM‑Attention神经网络的GNSS中断时组合导航系统辅助定位方法，涉及车辆定位领域以及深度学习技术领域。该系统包括GNSS接收模块、惯性测量单元IMU模块、轮式里程计ODO模块、因子图优化模块和AI深度学习模块；GNSS接收模块用于接收卫星信号，提供车辆的位置信息；IMU模块用于采集车辆的比力和角速率；ODO模块用于采集车辆前进方向的速度信息；因子图优化模块解算车辆的位姿信息；AI深度学习模块，包括CNN用来快速提取多维特征，LSTM用来处理序列数据中的时序信息，Attention可使模型自动学习权重以决定哪些时序信息对于当前预测任务最重要，从而提高模型预测的性能和能力，在GNSS信号不可信时预测车辆位置增量信息，并将预测的增量信息输入因子图优化模块，从而实现对车辆位置的定位。
-
公开(公告)号：CN114995460B
公开(公告)日：2024-07-05
申请号：CN202210777005.X
申请日：2022-07-04
Applicant: 东北大学秦皇岛分校
IPC: G05D1/43
Abstract: 本发明公开了一种基于自适应改进蚁群算法的机器人路径规划方法，用于提高算法的全局寻优能力和收敛速度。包括如下步骤：建立栅格地图环境；采用Djikstra算法在地图中规划一条初始路径，提高该路径上的信息素含量，按照扩散模型进行信息素扩散；初始化参数和禁忌表，释放蚂蚁，按照改进的状态转移规则选择下一节点；更新禁忌表和路径长度，直到蚂蚁到达终点；按照改进的信息素更新公式更新信息素；输出最优路径及路径长度。本发明改进的蚁群算法用于规划复杂地图环境下移动机器人的最短路径，该方法提高了算法的收敛速度，降低路径规划时间，减少了蚂蚁搜索过程中的盲目性和随机性，减少了路径的拐点个数，提高机器人路径规划的效率。
-
-
-
-
-
-
Search Results
7
records
(took 0.026 seconds)
