公开(公告)号：CN114444546B

公开(公告)日：2024-04-16

申请号：CN202210103370.2

申请日：2022-01-27

Applicant: 东南大学 ,  网络通信与安全紫金山实验室

Inventor： 米思娅 ,  程昊 ,  张宇 ,  胡爱群

IPC: G06F18/213 ,  G06F18/24 ,  G06N3/0464

Abstract: 本发明公开了一种基于自监督学习的雷达信号分选识别方法，通过结合时频分析和图像处理技术对雷达信号进行处理,该方法首先可利用无监督数据提升分类模型的泛化能力与抗噪声能力，首先通过多重同步压缩变换完成对雷达信号的时频变换，进而得到信号的RGB时频图像，接着对得到的时频图像进行尺寸放缩和归一化处理。随后基于时频二维图像数据训练自监督对比学习模型，再将训练完成的特征编码器迁移到下游的分类任务。在6个种类的信号数据上的模拟表明，本发明能够有效地提升下游分类任务的准确率，不同信噪比下，提升幅度从9％到53％不等，证明该方法可以有效利用无监督数据构建具有较好特征泛化能力的信号特征。

公开(公告)号：CN114444546A

公开(公告)日：2022-05-06

申请号：CN202210103370.2

申请日：2022-01-27

Applicant: 东南大学 ,  网络通信与安全紫金山实验室

Inventor： 米思娅 ,  程昊 ,  张宇 ,  胡爱群

IPC: G06K9/00 ,  G06N3/04

Abstract: 本发明公开了一种基于自监督学习的雷达信号分选识别方法，通过结合时频分析和图像处理技术对雷达信号进行处理,该方法首先可利用无监督数据提升分类模型的泛化能力与抗噪声能力，首先通过多重同步压缩变换完成对雷达信号的时频变换，进而得到信号的RGB时频图像，接着对得到的时频图像进行尺寸放缩和归一化处理。随后基于时频二维图像数据训练自监督对比学习模型，再将训练完成的特征编码器迁移到下游的分类任务。在6个种类的信号数据上的模拟表明，本发明能够有效地提升下游分类任务的准确率，不同信噪比下，提升幅度从9％到53％不等，证明该方法可以有效利用无监督数据构建具有较好特征泛化能力的信号特征。

公开(公告)号：CN116653919A

公开(公告)日：2023-08-29

申请号：CN202310591062.3

申请日：2023-05-24

Applicant: 东南大学

Inventor： 宋凯文 ,  王金湘 ,  陆凯佳 ,  程昊 ,  黄旭娴 ,  严永俊 ,  彭林 ,  姚亿丞

IPC: B60W30/02 ,  B60W50/00

Abstract: 本发明涉及一种基于相平面分析的纵横向稳定性控制方法，包括：基于车辆与目标路径之间的运动学关系和车辆模型构建车辆‑道路模型；获取道路环境信息和车辆状态信息，以失稳能量比及失稳能量比的变化率建立相平面，设置稳定性判定准则，基于相平面分析判断车辆工况；车辆处于不同工况时，分别通过对应的路径跟踪控制器进行MPC控制：在稳定工况下，以车辆的前轮总横向力为控制量设计基于车辆‑路径模型MPC控制的路径跟踪控制器一；在失稳工况下，以车辆的附加横摆力矩对路径跟踪控制器一的参数进行调整，得到路径跟踪控制器二。本发明为不同工况提供合理的决策方法，有效提高了车辆的纵横向稳定性和跟踪性能。

公开(公告)号：CN117475183A

公开(公告)日：2024-01-30

申请号：CN202311158331.3

申请日：2023-09-08

Applicant: 东南大学

Inventor： 程昊 ,  黄旭娴 ,  王金湘 ,  宋凯文 ,  陆凯佳 ,  严永俊 ,  姚亿丞 ,  彭林

IPC: G06V10/762 ,  G06T5/20

Abstract: 本发明公开了一种适用于自动驾驶车辆的基于密度检测的体素滤波改进方法，涉及自动驾驶车辆的环境感知技术领域，解决了自动驾驶技术中体素滤波未考虑点云密度的技术问题，其技术方案要点是通过基于密度的聚类算法将输入点云数据划分为不同的点云数据区块，则每个点云数据区块的点云密度相对均匀。再采用AABB包围盒算法确定点云数据区块的最小外包矩形的参数，根据最小外包矩形中点云的数量和最小外包矩形参数计算出各最小外包矩形的平均点云密度，根据每个最小外包矩形的平均点云密度，本发明选择合适的体素参数进行滤波处理，提高滤波效果。本发明的方法实现简单、有效，可以适用于自动驾驶车辆的激光雷达点云数据滤波。

公开(公告)号：CN114387454A

公开(公告)日：2022-04-22

申请号：CN202210018471.X

申请日：2022-01-07

Applicant: 东南大学

Inventor： 张宇 ,  米思娅 ,  陈子涵 ,  程昊

IPC: G06V10/56 ,  G06V10/771 ,  G06V10/774 ,  G06V10/82 ,  G06K9/62 ,  G06N3/04

Abstract: 本发明公开了一种基于区域筛选模块和多层次对比的自监督预训练方法,由于对数据集图片进行人工标注既昂贵又费时，采用无标签的自监督方法对图像分类和目标检测的深度学习模型进行预训练在计算机视觉领域中有着不可或缺的研究意义，为了在这一类数据集中直接进行有效的自监督预训练，本发明提出基于实例区域筛选模块来预训练模型，其功能是在用于对比学习的图片生成两个增强图中筛选出特定数量最可能包含实例信息的块图，并将他们进行匹配,本发明提出了一种对全局、局部以及全局局部综合信息进行多层次对比学习的模块。这种方法用多实例数据集预训练出的模型在图片识别、目标检测等下游任务中取得了良好的精度提升。