-
公开(公告)号：CN107212890B
公开(公告)日：2019-05-21
申请号：CN201710402764.7
申请日：2017-05-27
Applicant: 中南大学
IPC: A61B5/11 , A61B5/16 , G06F3/0346 , G06K9/62
Abstract: 本发明公开了一种基于步态信息的运动识别和疲劳检测方法及系统，该方法包括：采集用户的当前步态信息；将当前步态信息进行数据处理并根据若干个预设的运动识别与疲劳分类模型识别出用户当前的运动行为以及用户当前是否处于疲劳状态的若干个分类结果，预设的运动识别与疲劳分类模型是将用户在非疲劳状态和疲劳状态下进行若干类运动行为时的步态信息作为样本数据，并应用于机器学习中的基于集成学习的投票分类算法训练生成的；将若干个分类结果按照“少数服从多数”的原则获取到用户当前的运动行为以及用户当前是否处于疲劳状态的最终结果。通过本发明所述方法降低了在不同运动下用户疲劳状态带来的受伤风险以及提高了运动识别和疲劳检测的准确性。
-
公开(公告)号：CN108154262A
公开(公告)日：2018-06-12
申请号：CN201711377998.7
申请日：2017-12-19
Applicant: 中南大学
Abstract: 本发明公开了一种基于形式化方法的物流运输无人车多任务规划方法，包括以下步骤：1)将无人车运行时所处的实际环境抽象成无人车可以识别的抽象迁移系统模型；2)将无人车需要完成的多个任务描述成一个形式化公式；3)将描述物流运输无人车任务的形式化公式转换成形式化自动机，然后将形式化自动机映射到抽象迁移系统模型中，生成可行策略域；4)用最优策略搜索算法，在所述可行策略域中搜索出最优任务执行策略映；5)将最优任务执行策略映射回抽象迁移系统，得到无人车在抽象迁移系统的最优路径。本发明通过对无人车的多个任务的完成顺序和路径进行规划和安排，使其完成所有任务的代价最小，从而为无人车提供完成多任务的最优策略。
-
公开(公告)号：CN108154262B
公开(公告)日：2021-08-27
申请号：CN201711377998.7
申请日：2017-12-19
Applicant: 中南大学
Abstract: 本发明公开了一种基于形式化方法的物流运输无人车多任务规划方法，包括以下步骤：1)将无人车运行时所处的实际环境抽象成无人车可以识别的抽象迁移系统模型；2)将无人车需要完成的多个任务描述成一个形式化公式；3)将描述物流运输无人车任务的形式化公式转换成形式化自动机，然后将形式化自动机映射到抽象迁移系统模型中，生成可行策略域；4)用最优策略搜索算法，在所述可行策略域中搜索出最优任务执行策略映；5)将最优任务执行策略映射回抽象迁移系统，得到无人车在抽象迁移系统的最优路径。本发明通过对无人车的多个任务的完成顺序和路径进行规划和安排，使其完成所有任务的代价最小，从而为无人车提供完成多任务的最优策略。
-
公开(公告)号：CN107212890A
公开(公告)日：2017-09-29
申请号：CN201710402764.7
申请日：2017-05-27
Applicant: 中南大学
IPC: A61B5/11 , A61B5/16 , G06F3/0346 , G06K9/62
CPC classification number: A61B5/112 , A61B5/16 , A61B5/72 , A61B5/7267 , G06F3/0346 , G06K9/6282
Abstract: 本发明公开了一种基于步态信息的运动识别和疲劳检测方法及系统，该方法包括：采集用户的当前步态信息；将当前步态信息进行数据处理并根据若干个预设的运动识别与疲劳分类模型识别出用户当前的运动行为以及用户当前是否处于疲劳状态的若干个分类结果，预设的运动识别与疲劳分类模型是将用户在非疲劳状态和疲劳状态下进行若干类运动行为时的步态信息作为样本数据，并应用于机器学习中的基于集成学习的投票分类算法训练生成的；将若干个分类结果按照“少数服从多数”的原则获取到用户当前的运动行为以及用户当前是否处于疲劳状态的最终结果。通过本发明所述方法降低了在不同运动下用户疲劳状态带来的受伤风险以及提高了运动识别和疲劳检测的准确性。
-
-
-
Search Results
4
records
(took 0.019 seconds)
