公开(公告)号：CN119848158A

公开(公告)日：2025-04-18

申请号：CN202411665192.8

申请日：2024-11-20

Applicant: 深圳元戎启行科技有限公司 ,  深圳大学 ,  人工智能与数字经济广东省实验室(深圳)

Inventor： 贺颖 ,  钟政均 ,  李鹏腾 ,  马飞 ,  周光

IPC: G06F16/29 ,  G06V20/10 ,  G06V10/22 ,  G06V10/40

Abstract: 本申请公开了语义地图的构建及自主移动设备的控制方法及相关装置。该方法包括：获取目标场景下具有深度信息的目标图像；利用标签提取网络、检测框提取网络和掩码提取网络获取目标图像中的物体掩码；从目标图像中提取出空间信息；融合物体掩码和空间信息形成语义点云；对语义点云进行降采样，并投影至网格地图中，形成语义地图。通过上述方式，构造出更准确更全面的语义地图，以此提高后续自动移动设备的导航定位准确性。

公开(公告)号：CN116580230A

公开(公告)日：2023-08-11

申请号：CN202310472332.9

申请日：2023-04-24

Applicant: 人工智能与数字经济广东省实验室(深圳) ,  深圳市国电科技通信有限公司

Inventor： 李鹏腾 ,  庞振江 ,  李魁雨 ,  贺颖 ,  尹东富 ,  于非 ,  周光

IPC: G06V10/764 ,  G06V10/80 ,  G06V10/52 ,  G06V10/774 ,  G06V10/25

Abstract: 本申请涉及机器视觉技术领域，提供一种目标检测方法及一种分类模型的训练方法，一种目标检测方法包括获取待检测图像，并确定待检测图像中的感兴趣区域；将感兴趣区域分别输入至分类模型中的多个基学习器，利用多个基学习器分别输出与感兴趣区域对应的各候选标签的预测分类分数；各基学习器分别根据不同特征类型的样本特征训练得到；根据各预测分类分数从各候选标签中确定与感兴趣区域对应的分类标签；确定与感兴趣区域对应的位置信息；根据分类标签和位置信息输出待检测图像的检测结果。本方法能够利用各基学习器根据待检测图像的各特征精准确定出对应的预测分类分数，进而精准确定出分类标签，因此能够提高目标检测的精准度。

公开(公告)号：CN116394953A

公开(公告)日：2023-07-07

申请号：CN202310460871.0

申请日：2023-04-21

Applicant: 人工智能与数字经济广东省实验室(深圳)

Inventor： 尹东富 ,  于非 ,  李鹏腾

IPC: B60W40/09

Abstract: 本申请提供了一种驾驶安全分确定方法、装置及可读存储介质。所述方法包括：获取车辆的第一报警信息和第一行驶里程数，第一报警信息为第一时刻的报警信息，第一行驶里程数为第一时刻的行驶里程数；根据第一报警信息及第一行驶里程数，确定车辆第一时刻的危险值；根据第一时刻的危险值，确定车辆第一时刻的驾驶安全分。本申请结合报警信息和行驶里程数确定行驶安全分，实现准确评价车辆的安全性，获得准确的车辆的安全分。

公开(公告)号：CN119427343A

公开(公告)日：2025-02-14

申请号：CN202411344219.3

申请日：2024-09-25

Applicant: 深圳元戎启行科技有限公司 ,  人工智能与数字经济广东省实验室(深圳) ,  深圳大学

Inventor： 赵哲一 ,  贺颖 ,  李鹏腾 ,  卓凡 ,  孙喜龙 ,  周光

IPC: B25J9/16

Abstract: 本申请公开了机械臂的控制方法、机械臂及计算机可读存储介质。该方法包括：接收任务指令和环境图像；其中环境图像具有深度信息；将任务指令和环境图像输入至大语言模型，以使大语言模型依次输出多个子任务对应的自然语言指令；其中，大语言模型不具备代码生成能力；其中，每一子任务是在上一子任务执行完成时预测得到；将自然语言指令按照顺序先后输入至机械臂控制模型，以使机械臂控制模型基于自然语言指令控制机械臂执行对应的动作，直至完成所有子任务。通过上述方式，能够解决相关技术中对动作语义理解不足的问题。

公开(公告)号：CN117079249A

公开(公告)日：2023-11-17

申请号：CN202311010528.2

申请日：2023-08-10

Applicant: 深圳元戎启行科技有限公司 ,  人工智能与数字经济广东省实验室(深圳)

Inventor： 李鹏腾 ,  贺颖 ,  于非 ,  周光 ,  尹东富

IPC: G06V20/58 ,  G06V10/774 ,  G06V10/98 ,  G06V10/44

Abstract: 本发明公开了一种基于图表示域适应的目标检测模型训练方法，首先基于源域的数据集预训练目标检测模型，在源域中学习准确预测目标类别和边界框的能力，然后通过将特征图转换为基于图表示的节点群，采用对比分布损失和节点协方差对齐损失对节点进行精练和强化，能够解耦域特征以及类别的不变性特征，选择性地去除域风格的元素，提高目标检测模型的泛化能力。针对图中的异常节点，采用异常节点过滤损失对图进行优化，降低奇怪语义节点所占比例，提高训练后的目标检测模型的检测精度。使得训练后的目标检测模型具有良好鲁棒性和泛化性。