-
公开(公告)号：CN114659530A
公开(公告)日：2022-06-24
申请号：CN202210242363.0
申请日：2022-03-11
Applicant: 浙江工商大学
IPC: G01C21/32
Abstract: 本发明提供一种用于智能机器人路径规划的正六边形网格模型地图构建方法，包括：根据预设网格尺寸结合地图数据将视觉范围内平面区域剖分为多个无缝连接的、不重叠的正六边形空白基础网格；获取各空白基础网格的点云数据，结合地图数据赋予各空白基础网格地形特征、格元属性及格边属性得到基础网格，形成覆盖平面区域的网格模型，确定机器人及激光点在网格模型中的坐标，计算激光点所在基础网格的概率估计值，确定网格处于占据状态或空闲状态；更新机器人所在基础网格与激光点所在基础网格之间的其他基础网格的状态；根据各基础网格的状态对所在环境的网格模型进行增量建图。该方法获得的地图可以应用于智能机器人的地图构建和路径规划中。
-
Patent Agency Ranking
公开(公告)号：CN113674412A
公开(公告)日：2021-11-19
申请号：CN202110924699.0
申请日：2021-08-12
Applicant: 浙江工商大学
Abstract: 本发明提供一种基于位姿融合优化的室内地图构建方法、系统及存储介质，所述方法包括：根据KINECT和IMU获取的实时数据解算机器人的位姿数据；根据IMU的线加速度数据和里程计数据判断机器人的当前运动状态；若机器人处于静止状态，则采用扩展卡尔曼滤波算法对所述位姿数据进行融合处理，若机器人处于运动状态，则采用动态加权方法对所述位姿数据进行融合处理；根据融合处理结果构建室内地图。该方法具有更高的位姿估计精度、更高的二维地图建模精度以及更优的建模效果，能够应用于贫特征、高动态、弱光影的场景中。
-
公开(公告)号：CN114659530B
公开(公告)日：2025-02-14
申请号：CN202210242363.0
申请日：2022-03-11
Applicant: 浙江工商大学
IPC: G01C21/32
Abstract: 本发明提供一种用于智能机器人路径规划的正六边形网格模型地图构建方法，包括：根据预设网格尺寸结合地图数据将视觉范围内平面区域剖分为多个无缝连接的、不重叠的正六边形空白基础网格；获取各空白基础网格的点云数据，结合地图数据赋予各空白基础网格地形特征、格元属性及格边属性得到基础网格，形成覆盖平面区域的网格模型，确定机器人及激光点在网格模型中的坐标，计算激光点所在基础网格的概率估计值，确定网格处于占据状态或空闲状态；更新机器人所在基础网格与激光点所在基础网格之间的其他基础网格的状态；根据各基础网格的状态对所在环境的网格模型进行增量建图。该方法获得的地图可以应用于智能机器人的地图构建和路径规划中。
-
公开(公告)号：CN113674412B
公开(公告)日：2023-08-29
申请号：CN202110924699.0
申请日：2021-08-12
Applicant: 浙江工商大学
Abstract: 本发明提供一种基于位姿融合优化的室内地图构建方法、系统及存储介质，所述方法包括：根据KINECT和IMU获取的实时数据解算机器人的位姿数据；根据IMU的线加速度数据和里程计数据判断机器人的当前运动状态；若机器人处于静止状态，则采用扩展卡尔曼滤波算法对所述位姿数据进行融合处理，若机器人处于运动状态，则采用动态加权方法对所述位姿数据进行融合处理；根据融合处理结果构建室内地图。该方法具有更高的位姿估计精度、更高的二维地图建模精度以及更优的建模效果，能够应用于贫特征、高动态、弱光影的场景中。
-
公开(公告)号：CN116071635A
公开(公告)日：2023-05-05
申请号：CN202310202530.3
申请日：2023-03-06
IPC: G06V10/82 , G06V10/774 , G06N3/08
Abstract: 本发明公开了基于结构性知识传播的图像识别方法与装置，将标注的样本图片划分为训练集和测试集；选定第一神经网络模型，经训练集的训练，得到训练好的第一神经网络模型；选定第二神经网络模型，并从第一神经网络模型和第二神经网络模型中，选取中间层，作为进行知识传播的特征层；得到第二神经网络模型中中间层特征表达的结构性知识，与第一神经网络模型特征表达对应位置的结构性知识，构建中间层特征表达知识传播的损失函数，结合任务相关损失函数，使用训练集训练第二神经网络模型，得到训练好的第二神经网络模型；部署应用训练好的第二神经网络模型，对测试集的待识别图片进行图像识别。
-
公开(公告)号：CN116030502A
公开(公告)日：2023-04-28
申请号：CN202310323821.8
申请日：2023-03-30
IPC: G06V40/10 , G06V10/82 , G06V10/774 , G06V10/762 , G06N3/08 , G06N3/0464
Abstract: 本发明公开的一种基于无监督学习的行人重识别方法和装置，通过无监督行人重识别行人重识别模型前向传播获取样本的特征向量，利用聚类算法给未标注数据集中每个样本分配类别标签并保存每个聚集的中心向量；在每个样本中，基于当前样本的特征向量及类别标签，通过计算该特征向量均值与聚类中心的距离进行有监督的学习，计算新的聚类中心的中心向量，并更新行人重识别神经网络模型的权重参数，继续下一次迭代，直到收敛。本发明实现了在无标签数据集上的伪标签自动生成，增强了模型对于噪声数据的鲁棒性，大大减小了存储器对于内存空间的高额要求；均值采样计算的方法加快了模型参数更新速度，提高训练效率，提升模型应用的泛化能力。
-
-
-
-
-
Search Results
6
records
(took 0.018 seconds)
