-
公开(公告)号：CN117809085A
公开(公告)日：2024-04-02
申请号：CN202311741771.1
申请日：2023-12-18
Applicant: 北京大学
IPC: G06V10/764 , G06V10/774 , G06N3/084 , G06N3/09
Abstract: 本发明提供一种视觉地表属性分类预测模型训练方法及系统，属于自动驾驶技术领域，获取训练数据；基于训练数据对视觉地表属性分类预测模型进行训练，其中，视觉地表属性分类预测模型包括视觉模块、机体感知模块和分类网络；视觉模块的输入为1帧图像块，输出为地表属性标签；机体感知模块的输入为100毫秒的加速度计及轮速编码器的时序信号，输出为地表属性标签；分类网络基于人工标注样本，以全监督方式学习视觉模块、机体感知模块的模型参数，得到地表属性分类。本发明利用机体感知对环境变化的稳定性等特点，利用对同一地表的机体感知结果构建监督样本，在线地优化视觉感知模型，使其具备对环境变化的自适应能力，提高了鲁棒性。
-
公开(公告)号：CN101644717B
公开(公告)日：2011-06-08
申请号：CN200910091650.0
申请日：2009-08-31
Applicant: 北京大学 , 北京北大千方科技有限公司
IPC: G01P13/02
Abstract: 本发明提供了一种采用激光扫描的行人前进方向判断方法：包括分别对行人前进方向上的两个平行断面进行激光扫描，得到第一和第二激光扫描数据；根据第一激光扫描数据和第二激光扫描数据来确定行人的前进方向。本发明能快速有效地判断出行人的前进方向，且不易受外界环境的影响，便于安装维修，有较好的市场前景。
-
公开(公告)号：CN109800773B
公开(公告)日：2021-01-22
申请号：CN201910121876.4
申请日：2019-02-19
Applicant: 北京大学
Abstract: 本发明提供了一种基于三维激光雷达的越野路面提取方法，属于图像识别技术领域。包括将激光雷达获取的连续多帧的三维激光点云数据叠加后，投影到俯视图中得到路面高程图；利用深度卷积神经网络对路面高程图进行特征提取，得到路面高程图的通行代价图；对通行代价图进行离散化，获取可通行区域标签、障碍物区域标签和模糊区域标签；根据可通行区域标签、障碍物区域标签和模糊区域标签对离散化的通行代价图进行图像可视化，获取可通行越野路面区域图。本发明不受光照和天候的影响，即可提取可通行的越野路面；基于深度学习的特征提取方法，可自适应学习到环境特征，在不同场景下适应性更强；提出的自动数据标注方案，有效减少对人工标注样本的需求。
-
-
公开(公告)号：CN101387700A
公开(公告)日：2009-03-18
申请号：CN200810171317.6
申请日：2008-10-12
IPC: G01S7/48
Abstract: 本发明公开了基于多激光扫描仪的数据融合方法及系统。方法包括：预先定义移动目标的平面轮廓模型；对于每帧扫描数据，对该帧数据中的激光点进行聚类；在不同激光扫描仪所获得的所有聚类中，对于相互距离在预设值内的每组聚类，若该组聚类中的所有方向向量与移动目标的平面轮廓模型匹配，则将该组聚类组合为一个移动目标。本发明通过利用在同一平面内任意地点、方向放置的激光扫描仪所测量到的激光点的方向向量与移动目标的平面轮廓模型相匹配的特性，对扫描数据进行融合，提高了多激光扫描仪下的数据融合的精确度。
-
Patent Agency Ranking
公开(公告)号：CN109871850A
公开(公告)日：2019-06-11
申请号：CN201910053794.0
申请日：2019-01-21
Applicant: 北京大学
Abstract: 本发明实施例提供了一种基于神经网络模型的车载激光雷达数据的分类方法，包括：利用三维激光雷达点云数据生成样本集合；基于先验知识对样本集合中的样本进行无监督标注，利用无监督标注数据对神经网络模型进行参数预训练；利用手工标注的数据对参数预训练后的神经网络模型进行参数调优，得到训练完成的车载激光雷达数据的神经网络分类模型；利用所述训练完成的车载激光雷达数据的神经网络分类模型对待处理的车载激光雷达数据进行分类。本发明实施例通过利用人类提供的先验知识对神经网络进行预训练，从而减少神经网络在训练过程中对手工标注数据的依赖，提高网络训练效率。
-
公开(公告)号：CN109800773A
公开(公告)日：2019-05-24
申请号：CN201910121876.4
申请日：2019-02-19
Applicant: 北京大学
Abstract: 本发明提供了一种基于三维激光雷达的越野路面提取方法，属于图像识别技术领域。包括将激光雷达获取的连续多帧的三维激光点云数据叠加后，投影到俯视图中得到路面高程图；利用深度卷积神经网络对路面高程图进行特征提取，得到路面高程图的通行代价图；对通行代价图进行离散化，获取可通行区域标签、障碍物区域标签和模糊区域标签；根据可通行区域标签、障碍物区域标签和模糊区域标签对离散化的通行代价图进行图像可视化，获取可通行越野路面区域图。本发明不受光照和天候的影响，即可提取可通行的越野路面；基于深度学习的特征提取方法，可自适应学习到环境特征，在不同场景下适应性更强；提出的自动数据标注方案，有效减少对人工标注样本的需求。
-
公开(公告)号：CN102737236A
公开(公告)日：2012-10-17
申请号：CN201210234127.0
申请日：2012-07-06
Applicant: 北京大学
Abstract: 一种基于多模态传感器数据自动获取车辆训练样本方法，基于激光、定位数据的车辆检测步骤：根据激光数据的距离、角度和激光传感器标定参数，得到相对于数据采集车辆的二维坐标，以描述物体水平的轮廓信息；通过形状的分析，以及移动物体的检测追踪，提取出候选车辆相对于数据采集车辆的位置方向等参数的时序列；视觉图像样本提取步骤：根据候选车辆在每一时刻的位置方向，根据激光传感器和图像采集设备之间的几何关系，将候选车辆投射到图像中，产生感兴趣区域，使用检测器来修正感兴趣区域，对每辆候选车辆，根据其位置方向等参数计算该候选车辆相对于摄像机的相对视角，去除视角相近的图像帧样本，自动地提取该候选车辆在不同视角下的样本图片。
-
公开(公告)号：CN101387700B
公开(公告)日：2011-09-21
申请号：CN200810171317.6
申请日：2008-10-12
IPC: G01S7/48
Abstract: 本发明公开了基于多激光扫描仪的数据融合方法及系统。方法包括：预先定义移动目标的平面轮廓模型；对于每帧扫描数据，对该帧数据中的激光点进行聚类；在不同激光扫描仪所获得的所有聚类中，对于相互距离在预设值内的每组聚类，若该组聚类中的所有方向向量与移动目标的平面轮廓模型匹配，则将该组聚类组合为一个移动目标。本发明通过利用在同一平面内任意地点、方向放置的激光扫描仪所测量到的激光点的方向向量与移动目标的平面轮廓模型相匹配的特性，对扫描数据进行融合，提高了多激光扫描仪下的数据融合的精确度。
-
公开(公告)号：CN101393264B
公开(公告)日：2011-07-20
申请号：CN200810170194.4
申请日：2008-10-12
IPC: G01S17/66
Abstract: 本发明公开了一种基于多台激光扫描仪的移动目标跟踪方法和系统。方法包括：融合数据时序列中的每一帧中，一个由多个聚类组成的组合对应一个移动目标；对于所述时序列中的第0帧，将其中所有组合的运动速度和方向设为预设值；对于所述时序列中的第k-1帧中的每个组合对应的移动目标，k不等于0，判断第k帧中是否也存在与该移动目标对应的组合，是则结合该移动目标在第k-1帧中的组合以及该移动目标在第k帧中的组合，确定该移动目标在第k帧中的运动速度和方向。本发明的技术方案能够在融合数据的时序列中准确地跟踪移动目标。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.018 seconds)
