-
公开(公告)号：CN114996659B
公开(公告)日：2023-04-07
申请号：CN202210880748.X
申请日：2022-07-26
Applicant: 北京理工大学 , 慧动星球(北京)科技有限公司
IPC: G06F17/18 , G06V10/774 , G06V10/764 , B60W50/00
Abstract: 本发明涉及一种具有持续学习能力的车辆轨迹预测方法及系统，先采集当前场景的交通数据并进行数据预处理，得到包含当前场景中各车辆的位置坐标、车辆ID以及时间戳信息的轨迹数据；保存部分当前场景轨迹数据至记忆模块并标注数据的场景来源，基于条件Kullback‑Leibler散度对记忆模块中所存储的各交通场景数据进行场景差异性分析；根据分析结果，获取各历史场景可用的记忆数据量；根据记忆数据量，通过动态梯度场景记忆方法训练车辆轨迹预测模型；在连续交通场景下，利用训练好的模型对周围车辆的未来轨迹进行预测。本发明使车辆轨迹预测模型在连续场景下具备持续学习轨迹预测任务的能力，有效缓解轨迹预测模型的灾难性遗忘。
-
公开(公告)号：CN114996659A
公开(公告)日：2022-09-02
申请号：CN202210880748.X
申请日：2022-07-26
Applicant: 北京理工大学 , 慧动星球(北京)科技有限公司
Abstract: 本发明涉及一种具有持续学习能力的车辆轨迹预测方法及系统，先采集当前场景的交通数据并进行数据预处理，得到包含当前场景中各车辆的位置坐标、车辆ID以及时间戳信息的轨迹数据；保存部分当前场景轨迹数据至记忆模块并标注数据的场景来源，基于条件Kullback‑Leibler散度对记忆模块中所存储的各交通场景数据进行场景差异性分析；根据分析结果，获取各历史场景可用的记忆数据量；根据记忆数据量，通过动态梯度场景记忆方法训练车辆轨迹预测模型；在连续交通场景下，利用训练好的模型对周围车辆的未来轨迹进行预测。本发明使车辆轨迹预测模型在连续场景下具备持续学习轨迹预测任务的能力，有效缓解轨迹预测模型的灾难性遗忘。
-
公开(公告)号：CN113989782A
公开(公告)日：2022-01-28
申请号：CN202111310948.3
申请日：2021-11-08
Applicant: 北京理工大学 , 北理慧动(北京)科技有限公司 , 北京工业职业技术学院
IPC: G06V20/58 , G06V20/56 , G06V10/774 , G06K9/62 , G06N3/04
Abstract: 本发明涉及一种多交通参与者交互行为识别方法、系统、设备及介质，属于交通参与者行为识别领域，首先获取数据集；对数据集进行划分，得到训练集和验证集；建立图神经网络模型；图神经网络模型包括实例层和类别层；对训练集和验证集进行预处理，得到预处理后的训练集和验证集；将预处理后的训练集输入图神经网络模型中进行训练，得到训练后的图神经网络模型；最后将预处理后的验证集输入训练后的图神经网络模型中，得到多交通参与者交互行为的识别结果。通过全面考虑所有交通参与者之间的交互行为，可以提升对交通交互行为的识别精度。
-
公开(公告)号：CN113642682A
公开(公告)日：2021-11-12
申请号：CN202111194805.0
申请日：2021-10-14
Applicant: 北京理工大学 , 北理慧动(北京)科技有限公司
Abstract: 本发明涉及一种多车交互环境下的轨迹基元提取与分析方法和系统。该多车交互环境下的轨迹基元提取与分析方法，在采集车辆行驶信息并对行驶信息进行预处理得到交互组数据后，根据交互组数据并基于粘性层次狄利克雷过程和隐马尔可夫模型将车辆行驶过程划分为不同原始轨迹基元的组合，然后，利用动态时间规整算法存储驾驶信息并利用图像归一化方法处理原始轨迹基元得到轨迹基元图像，最后，根据轨迹基元图像聚类处理得到一般轨迹基元，进而实现了对多车交互环境中驾驶过程的模块化理解，更加贴合真实驾驶情况，具有很高的实用性。
-
公开(公告)号：CN115688861B
公开(公告)日：2023-08-01
申请号：CN202211337217.2
申请日：2022-10-28
Applicant: 北京理工大学
IPC: G06N3/042 , G06N3/092 , G06Q50/26 , G06Q10/0637
Abstract: 本发明涉及一种用于混合交通环境行为决策的模块化图强化学习系统，包括：混合交通环境模块：用于提供混合交通运行环境，并将环境状态发送至图表征模块；图表征模块：用于通过环境状态生成节点特征矩阵和邻接矩阵；图强化学习模块：用于接收节点特征矩阵和邻接矩阵，并进行处理，生成驾驶策略；合作驾驶行为模块：基于驾驶策略生成驾驶行为和控制指令，控制车辆运行。本发明系统可以根据需要对各个主要模块，即混合交通环境模块、图表征模块、图强化学习模块中的图神经网络单元和深度强化学习单元，以及合作驾驶行为模块，进行替换、改进和二次开发。
-
Patent Agency Ranking
公开(公告)号：CN116502703A
公开(公告)日：2023-07-28
申请号：CN202310477048.0
申请日：2023-04-28
Applicant: 北京理工大学
IPC: G06N3/092 , G06N3/042 , G06N3/045 , G06N3/0464 , G06N3/048
Abstract: 本发明公开了一种基于混联式分层强化学习的自动驾驶集中决策方法，包括，构建深度强化学习网络并对深度强化学习网络进行混联式网络分层，获得上层网络和下层网络；对上层网络进行横向划分，获得横向全局策略网络和纵向全局策略网络；通过离散DRL算法进行训练，横向全局策略网络输出变道指令，纵向全局策略网络输出纵向控制策略；将下层网络划分为纵向下层网络和横向下层控制网络，通过连续DRL算法进行训练，纵向下层网络根据纵向全局策略的网络输出，选择激活对应的子策略网络并输出连续的加速度；横向下层控制网络基于最优控制规则进行变道，完成自动驾驶的集中决策。本发明进一步提高了决策的准确性、全面性和有效性。
-
公开(公告)号：CN114489087B
公开(公告)日：2022-07-05
申请号：CN202210400906.7
申请日：2022-04-18
Applicant: 北京理工大学 , 慧动星球(北京)科技有限公司
IPC: G05D1/02
Abstract: 本发明涉及一种多无人驾驶车辆路径协同规划方法及系统。该方法包括建立多无人驾驶车辆行驶的环境模型；建立每一无人驾驶车辆的运动学模型，并根据运动模型建立无人驾驶车辆之间的防碰撞包裹圆模型；根据无人驾驶车辆的之间防碰撞包裹圆模型以及环境模型，采用分离超平面定理，建立无人驾驶车辆与环境中动静态障碍物防碰撞模型；根据环境模型、运动学模型、防碰撞包裹圆模型以及无人驾驶车辆与环境中动静态障碍物防碰撞模型，基于交替方向乘子法逐步迭代对多无人驾驶车辆进行解耦式运动规划，确定每一无人驾驶车辆的最优路径。本发明能够合理的避免与动静态障碍物发生碰撞，进而实现多无人驾驶车辆协同规划控制。
-
公开(公告)号：CN119807653A
公开(公告)日：2025-04-11
申请号：CN202411856252.4
申请日：2024-12-17
Applicant: 北京理工大学 , 北理慧动(北京)教育科技有限公司
IPC: G06F18/20 , G06F18/213 , G06F18/214 , G06N3/042 , G06N3/0464 , G06N3/0455 , G06N3/09
Abstract: 本申请公开了一种具有免任务终身学习能力的车辆行为预测方法、装置、设备、介质及产品，涉及车辆自动驾驶领域，该方法包括对交通环境进行实时监测，获取动静态交通环境数据；构建快速记忆模块和差异记忆模块存储动静态交通环境数据；在达到饱和状态时，分别采用蓄水池采样和梯度选择采样方法更新数据；将两个模块中的数据输入至车辆行为预测模型，通过免任务记忆回放损失函数进行训练，输出预测时间段内目标车辆的预测轨迹。本申请的车辆行为预测模型具备免任务终身学习能力，能够在不依赖任务切换信息与额外重训练的条件下，持续适应交通环境的连续变化，始终保持较高的预测精度，有效缓解了传统模型在面临新场景时可能出现的灾难性遗忘问题。
-
公开(公告)号：CN114863685B
公开(公告)日：2022-09-27
申请号：CN202210784856.7
申请日：2022-07-06
Applicant: 北京理工大学 , 慧动星球(北京)科技有限公司
Abstract: 本发明涉及一种基于风险接受程度的交通参与者轨迹预测方法及系统，包括：采集目标交通场景下的不同交通参与者的t‑M时刻至t时刻的轨迹信息，并对所述轨迹信息进行预处理；不同所述交通参与者包括行人、自行车和机动车；对t时刻的预处理轨迹信息进行聚类，根据聚类结果确定t时刻每一所述交通参与者的风险接受程度；利用t‑M时刻至t时刻的所述预处理轨迹信息和t时刻每一所述交通参与者的风险接受程度训练异构图模型，得到训练后的异构图模型；利用所述训练后的异构图模型对每一所述交通参与者的轨迹进行预测。考虑到了不同交通参与者的不同风险接受程度，能够准确的对交通参与者的未来轨迹进行准确的预测。
-
公开(公告)号：CN114863685A
公开(公告)日：2022-08-05
申请号：CN202210784856.7
申请日：2022-07-06
Applicant: 北京理工大学 , 慧动星球(北京)科技有限公司
Abstract: 本发明涉及一种基于风险接受程度的交通参与者轨迹预测方法及系统，包括：采集目标交通场景下的不同交通参与者的t‑M时刻至t时刻的轨迹信息，并对所述轨迹信息进行预处理；不同所述交通参与者包括行人、自行车和机动车；对t时刻的预处理轨迹信息进行聚类，根据聚类结果确定t时刻每一所述交通参与者的风险接受程度；利用t‑M时刻至t时刻的所述预处理轨迹信息和t时刻每一所述交通参与者的风险接受程度训练异构图模型，得到训练后的异构图模型；利用所述训练后的异构图模型对每一所述交通参与者的轨迹进行预测。考虑到了不同交通参与者的不同风险接受程度，能够准确的对交通参与者的未来轨迹进行准确的预测。
-
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.02 seconds)
