-
公开(公告)号：CN120012589A
公开(公告)日：2025-05-16
申请号：CN202510117815.6
申请日：2025-01-24
Applicant: 西安电子科技大学
IPC: G06F30/27 , G06F18/24 , G06N3/092 , G06Q10/0635 , G06Q10/0639 , G06F17/18 , G06N3/0455
Abstract: 本发明涉及一种基于强化学习的多维自然性驾驶场景生成与仿真测试方法，包括：以动力学特征、规则遵循性、心理特性以及协作方式为基础，结合模糊逻辑分类模型对驾驶行为特性进行量化，构建得到驾驶风格模糊规则；构建驾驶环境并依据驾驶风格模糊规则配置不同驾驶风格的量化特征；利用强化学习算法，基于驾驶环境和不同驾驶风格的量化特征，以驾驶风格模糊规则为目标，根据奖励函数计算不同驾驶场景的奖励以训练更新智能体策略网络，得到训练好的智能体策略网络；训练好的智能体策略网络用于生成多维自然性驾驶场景并进行仿真测试。该方法能够生成覆盖从谨慎型到激进型驾驶的多样化行为模式，获得更加完整和精确的行为特征表示。
-
公开(公告)号：CN119783552B
公开(公告)日：2025-05-16
申请号：CN202510272127.7
申请日：2025-03-10
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于交通法规权重的自动驾驶测试方法及电子设备，在测试场景生成过程中，引入了交通法规的重要性权重，这些重要性权重引导注意力机制对词块向量分配不同的关注度，例如对高风险行为以及关键法规对应的词块向量分配较高的关注度，以确保后续的场景生成优先覆盖高风险行为以及关键交通法规的违规场景；并通过注意力机制对词块向量序列中各个词块向量及其上下文进行学习，获得全局上下文表示，该全局上下文表示能够反映复杂场景中的全局动态交互信息，进而能够生成多样化且复杂的测试场景，从而使得利用本发明生成的测试场景对自动驾驶系统进行测试时，能够更准确地反映自动驾驶系统在复杂且高风险交通场景下的合规性表现。
-
公开(公告)号：CN118228612B
公开(公告)日：2024-08-30
申请号：CN202410650181.6
申请日：2024-05-24
Applicant: 西安电子科技大学
Abstract: 本发明属于自动驾驶技术领域，公开了一种基于强化学习的自然性自动驾驶场景生成方法及装置，通过生成多个多智能体模型，每个多智能体模型包括具有一种驾驶风格的多个虚拟车辆，然后利用至少一个多智能体模型生成自然性自动驾驶场景，从而实现了对不同驾驶风格的真实人类驾驶员的驾驶情况的模拟。其中，虚拟车辆的驾驶风格由一组自然性量化指标指定，且每个虚拟车辆在行驶过程中根据自身的驾驶风格和外界信息进行驾驶策略的调整，外界信息包括周边交通设备信息以及周围虚拟车辆信息，由此利用虚拟车辆准确地还原了真实驾驶场景，为自动驾驶系统的类人行为测试场景提供了可靠的支持。
-
公开(公告)号：CN114725093A
公开(公告)日：2022-07-08
申请号：CN202210095232.4
申请日：2022-01-26
Applicant: 西安电子科技大学广州研究院
IPC: H01L27/092 , H01L21/8258
Abstract: 本发明公开了一种Si CMOS逻辑器件与GaN电力电子器件单片异质集成电路及其制备方法，包括：衬底、GaN缓冲层、第一AlGaN势垒层、第二AlGaN势垒层、隔离槽；第一AlGaN势垒层上设有第一p‑GaN层，第一p‑GaN层上设有SiN隔离层；SiN隔离层上设有p‑Si层；p‑Si层上覆盖有栅介质层；栅介质层上设有第一栅电极、第二栅电极；第一栅电极的两侧分别设有第一源电极和第一漏电极；第二栅电极的两侧分别设有第二源电极和第二漏电极；第二AlGaN势垒层上设有第二p‑GaN层、第三源电极和第三漏电极；第一漏电极与第二漏电极通过第一金属互联条电气连接；第一栅电极与第二栅电极通过第二金属互联条电气连接。本发明的器件具有优异的高频高效率等性能。
-
公开(公告)号：CN114725093B
公开(公告)日：2024-04-16
申请号：CN202210095232.4
申请日：2022-01-26
Applicant: 西安电子科技大学广州研究院
IPC: H01L27/092 , H01L21/8258
Abstract: 本发明公开了一种Si CMOS逻辑器件与GaN电力电子器件单片异质集成电路及其制备方法，包括：衬底、GaN缓冲层、第一AlGaN势垒层、第二AlGaN势垒层、隔离槽；第一AlGaN势垒层上设有第一p‑GaN层，第一p‑GaN层上设有SiN隔离层；SiN隔离层上设有p‑Si层；p‑Si层上覆盖有栅介质层；栅介质层上设有第一栅电极、第二栅电极；第一栅电极的两侧分别设有第一源电极和第一漏电极；第二栅电极的两侧分别设有第二源电极和第二漏电极；第二AlGaN势垒层上设有第二p‑GaN层、第三源电极和第三漏电极；第一漏电极与第二漏电极通过第一金属互联条电气连接；第一栅电极与第二栅电极通过第二金属互联条电气连接。本发明的器件具有优异的高频高效率等性能。
-
Patent Agency Ranking
公开(公告)号：CN116707749A
公开(公告)日：2023-09-05
申请号：CN202310540670.1
申请日：2023-05-12
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于混合信誉的多层级多链用户权限动态调整方法，该方法包括：获取目标节点在周期t内参与的区块链交易的业务类型和交易信息；t为大于0的整数；根据业务类型和跨链交易信息分别确定目标节点所在的区块链在周期t内的链属性量化值、目标节点在周期t内的节点属性量化值，以及目标节点在周期t内的行为量化值；基于预设权重、目标节点所在的区块链在周期t内的链属性量化值、节点属性量化值、行为量化值，以及目标节点在周期t‑1内的混合信誉值，确定目标节点在周期t内的混合信誉值；基于周期t内的混合信誉值，调整目标节点在周期t+1内的权限值；每个节点的权限值与所述混合信誉值正相关。
-
公开(公告)号：CN115774437A
公开(公告)日：2023-03-10
申请号：CN202211355863.1
申请日：2022-11-01
Applicant: 西安电子科技大学
IPC: G05B23/02
Abstract: 本发明涉及一种安全约束内嵌的自动驾驶功能安全自保护系统及方法，包括：实时获取车辆当前的行为数据；判断行为数据与预设的度量时序逻辑安全约束的可满足性；以及在判断行为数据不满足预设的度量时序逻辑安全约束后，确定引起自动驾驶功能异常的设备，将引起自动驾驶功能异常的设备视为故障模块并停止运行该故障模块；或在判断行为数据满足预设的度量时序逻辑安全约束后，继续实时获取车辆当前的行为数据。本发明的安全约束内嵌的自动驾驶功能安全自保护系统及方法，利用度量时序逻辑精准研判功能安全状态，并依据当前车辆物理状态制定最佳的应急策略，为自动驾驶功能安全提供保障。
-
公开(公告)号：CN114725094A
公开(公告)日：2022-07-08
申请号：CN202210096697.1
申请日：2022-01-26
Applicant: 西安电子科技大学广州研究院
IPC: H01L27/092 , H01L21/8258
Abstract: 本发明公开了一种Si‑GaN单片异质集成反相器，包括：衬底、衬底上的GaN缓冲层、位于GaN缓冲层上的第一AlGaN势垒层和第二AlGaN势垒层；第一AlGaN势垒层和第二AlGaN势垒层之间具有隔离槽；第一AlGaN势垒层上设有第一p‑GaN层，第一p‑GaN层上设有SiN隔离层；SiN隔离层上设有Si有源层；Si有源层上覆盖有栅介质层，栅介质层上设有第一栅电极；第一栅电极的两侧分别设有第一源电极和第一漏电极；第二AlGaN势垒层上设有第二p‑GaN层、第二源电极、第二漏电极、第二栅电极；第一漏电极与第二漏电极通过第一金属互联条电气连接；第一栅电极与第二栅电极通过第二金属互联条电气连接。本发明还提供一种Si‑GaN单片异质集成反相器制备方法，本发明的反相器可实现低静态功耗、高开关频率等特性。
-
公开(公告)号：CN118484814B
公开(公告)日：2024-10-11
申请号：CN202410948200.3
申请日：2024-07-16
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种切片级特征驱动的软件漏洞精准检测方法，涉及软件安全技术领域，本发明提出了一种GRU语句嵌入方法，结合程序切片技术，以获取更完整的程序特征表示，引入了漏洞字典的概念，利用漏洞检测模型挖掘和利用程序切片中的漏洞特征，实现了对待测程序的函数级和语句级漏洞的有效检测。
-
公开(公告)号：CN118298198A
公开(公告)日：2024-07-05
申请号：CN202410463897.5
申请日：2024-04-17
Applicant: 西安电子科技大学
IPC: G06V10/62 , G06V20/58 , G06V20/40 , G06V10/30 , G06V10/764 , G06V10/82 , G06N3/094 , G06N3/092 , G06N3/045
Abstract: 本发明适用于目标识别领域，提供了一种多移动物体识别方法及多目标识别模型训练装置，包括：获取包含多个移动物体的视频图像；将所述视频图像输入预先训练好的多目标识别模型中进行监控识别，获得识别结果，所述识别结果用于描述所述视频图像中的所述多个移动物体的移动轨迹，其中，所述预先训练好的多目标识别模型是通过使用对抗性样本进行训练获得的，所述对抗性样本是携带有电子噪声和光子散粒噪声中的至少一种噪声的视频样本。通过使用对抗性样本训练的多目标识别模型对获取的视频图像进行识别，相较于常规目标识别方法，提高了模型识别的灵活性和可靠性，增加了模型的容错性和自适应性，有效增强了目标追踪的鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.027 seconds)
