-
公开(公告)号：CN109033630A
公开(公告)日：2018-12-18
申请号：CN201810826000.5
申请日：2018-07-25
Applicant: 东南大学
IPC: G06F17/50
CPC classification number: G06F17/5095
Abstract: 本发明公开了一种多模混合动力汽车动力耦合装置的构型快速搜索方法，包括以下步骤：模式分析归集：根据各个模式的能量效率以及动力性能，将模式归集为若干模式集，每个模式集包含若干模式；互异模式筛选：保留每个模式集中的具有不同系统动力学关系的模式；模式组合：分别从不同的模式集中选择若干模式，利用离合器矩阵运算，组合得到新的构型；构型拓展：对步骤三组合得到的新的构型进行拓展得到构型方案系列；构型筛选：对构型方案系列按评估要求筛选得到符合要求的构型方案。与现有技术相比本发明方法能够花费更短的时间搜索到更多具有优异加速能力与经济性的构型方案。
-
公开(公告)号：CN115187737B
公开(公告)日：2025-04-18
申请号：CN202210744160.1
申请日：2022-06-27
Applicant: 东南大学
Abstract: 本发明公开了一种基于激光与视觉融合的语义地图构建方法，涉及无人驾驶SLAM技术领域，解决了无人驾驶技术中大规模闭环检测鲁棒性差和构建点云地图缺失语义信息的技术问题，其技术方案要点是利用环视摄像头模组采集周围环境的图片数据，再将图片传入到DeepLabv3+网络进行语义分割，再利用相机和激光雷达之间的投影关系，将图片中的语义信息投影到点云上构建语义点云地图，运用语义信息改进LeGO‑LOAM算法达到优化定位建图的目的，还能够利用图片数据进行运用CALC无监督学习网络进行闭环检测来优化矫正位姿，提高SLAM系统的鲁棒性。该方法所构建的地图能够实现大规模建图，语义信息丰富，有较强的鲁棒性。
-
公开(公告)号：CN115610395B
公开(公告)日：2024-11-22
申请号：CN202211322310.6
申请日：2022-10-27
Applicant: 东南大学
Abstract: 本发明涉及一种双冗余线控制动系统及方法，系统包括：液压源模块，包括具有两个工作腔的制动主缸总成、具有一个工作腔的第一制动副缸总成和第二副缸总成，分别由各自的电机驱动实现工作腔建压；四轮制动模块，包括两组制动轮缸；液压源切换模块，包括切换电磁阀，用于连接液压源模块和四轮制动模块；控制模块，包括压力传感器，用于采集各液压管路和工作腔内的压力，电机转速传感器，用于采集电机转速信号，整车控制器，与压力传感器、电机转速传感器、各电磁阀及各电机信号连接，进行液压源切换控制，实现正常制动、冗余制动或双冗余制动。本发明解决了现有线控制动方案无法满足无人驾驶汽车制动需求的问题。
-
公开(公告)号：CN118836890A
公开(公告)日：2024-10-25
申请号：CN202410836705.0
申请日：2024-06-26
Applicant: 东南大学
Abstract: 本发明公开了一种基于自适应体素分割地图的激光里程计，涉及智能驾驶技术领域，解决了使用固定下采样尺寸在尺度多变的场景中失效的技术问题，其技术方案要点利用点云的空间特性自适应体素分割；利用点云的分割结果双重注意力下采样得到关键点；再通过自适应阈值的混合迭代优化方法获得稳健位姿。该方法在满足实时性的要求下，能够根据环境的变化，自适应调节系统参数，以获得较好的点云分割结果和稳健的位姿，在自动驾驶、机器人领域有较好的应用前景。且该方法的结构简单，计算量小，自适应能力强，具有较高的鲁棒性。
-
公开(公告)号：CN114655228B
公开(公告)日：2024-10-15
申请号：CN202210274505.1
申请日：2022-03-21
Applicant: 东南大学
IPC: B60W40/09 , B60W50/00 , G06N3/0464 , G06N3/0442
Abstract: 本发明公开了一种基于短时样本的驾驶员换道意图预测系统及方法，涉及智能驾驶技术领域，解决了驾驶员换道意图预测不够精准的技术问题，其技术方案要点是本申请通过短时窗，在很短的时间内，以较低的经济成本，快速预测驾驶员换道意图的功能，实现了辅助驾驶系统下驾驶员意图的监测，具有实用性。同时，基于大数据的深度学习方法有很高的预测精度和鲁棒性，有助于先进驾驶辅助系统的深度开发，提升驾驶安全性。其数据采集简单，经济成本低，预测性能高效，可服务于先进驾驶辅助系统，使得系统具备灵活性，能够用于中小型车辆及重卡车辆，通用性好。
-
Patent Agency Ranking
公开(公告)号：CN118538022A
公开(公告)日：2024-08-23
申请号：CN202410497085.2
申请日：2024-04-24
Applicant: 东南大学
IPC: G08G1/01 , G08G1/017 , G08G1/04 , G08G1/052 , G06F18/214 , G06F18/21 , G06F18/25 , G06N3/042 , G06N3/0442 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种强交互场景下多模态换道轨迹预测及安全性评估方法，包括步骤如下：S1，选择高速匝道口交通数据集，筛选换道车辆及其周围车辆的轨迹数据，并将轨迹数据转化为图格式数据片段；S2，基于图格式的数据片段，完成基于图神经网络及长短期记忆神经网络的多模态轨迹预测模型的训练；S3，基于训练完成的多模态轨迹预测模型，完成不确定性估计模型的训练，并基于多模态轨迹预测模型进行安全性评估。本发明通过在预测时采用图神经网络实现对不同车辆间的交互特征进行建模，并通过对车辆换道多模态预测结果进行不确定分析，以提高强交互场景下车辆换道轨迹预测精度和安全性。
-
公开(公告)号：CN113701756B
公开(公告)日：2024-05-31
申请号：CN202110891317.9
申请日：2021-08-04
Applicant: 东南大学
Abstract: 本发明提供一种新型自适应无人车辆倒车入库路径规划与跟踪方法，包括以下步骤：步骤10)利用车载传感器获取车辆信息和车库信息；步骤20)根据车辆信息和车库信息，基于贝塞尔曲线计算倒车路径；步骤30)基于纯跟踪算法对倒车路径进行跟踪，完成车辆的倒车入库。本发明新型自适应无人车辆倒车入库路径规划与跟踪方法，利用车辆信息与车库信息之间的关系，基于贝塞尔曲线计算得到倒车路径，再基于纯跟踪算法进行倒车路径跟踪，完成车辆的倒车入库。本发明实施例方法对于不同相对位置的不同大小车辆与车库有较好的适用性，车辆能自动准确完成倒车入库。本发明方法计算复杂度低，能够在实车嵌入式控制器上实现，有很好的应用前景。
-
公开(公告)号：CN115035363B
公开(公告)日：2024-04-16
申请号：CN202210599504.4
申请日：2022-05-30
Applicant: 东南大学
IPC: G06V10/774 , G06V10/82 , G06V10/764 , G06V10/74 , G06V10/26 , G06T7/277 , G06N3/0475 , G06N3/045 , G06N3/094
Abstract: 本发明公开了一种深度神经网络模型的在线训练方法，涉及深度学习技术领域，解决了网络模型在训练完成后无法使用新的数据集对模型进行及时优化调整的技术问题，其技术方案要点是通过离线训练的实例分割网络对采集图像进行实例分割，基于多假设跟踪算法对多目标进行数据关联，再基于卡尔曼滤波算法对每个目标的运动状态进行估计，当漏检情况发生时，利用生成式对抗网络生成样本图像，实例分割网络利用新样本(即样本图像)进行在线训练，在线训练的方法可以根据实时反馈的数据，快速地进行网络模型参数的优化，从而可以使深度神经网络模型在实际应用中取得比离线训练更好的效果。
-
公开(公告)号：CN111382683B
公开(公告)日：2023-05-23
申请号：CN202010135485.0
申请日：2020-03-02
Applicant: 东南大学
Abstract: 本发明公开了一种基于彩色相机与红外热成像仪特征融合的目标检测方法，包括以下步骤：a、通过彩色相机获得彩色数据集，通过红外热成像仪获得热红外数据集；b、将双模态数据集同时输入到双模态的YOLOv3神经网络算法中，提取目标的颜色特征与温度特征；在主干网络的某一层通过融合函数与1×1卷积块将两个模态的特征融合，然后选取融合后的特征图继续进行主干网络的特征提取，得到融合后的提取特征图；c、融合后的提取特征图输入到后续的卷积层中进行目标的分类，输出训练完成的双模态神经网络的算法模型。本发明融合温度与颜色信息，在双模态神经主干网络算法进行融合，输入分类层中进行目标的预测，增加目标的多种特征信息，提高目标识别准确性。
-
公开(公告)号：CN115409106A
公开(公告)日：2022-11-29
申请号：CN202211041204.0
申请日：2022-08-29
Applicant: 东南大学
Abstract: 本发明涉及一种考虑纵向跟车行为的驾驶行为模型的参数辨识方法，驾驶行为模型以自车与前车的相对距离和相对速度作为输入，驾驶员对踏板操纵行为作为中间变量，踏板角度作为输出，考虑了人类驾驶员在半自动/自动驾驶车辆行驶中的纵向操纵作用，利用大脑决策行为、神经肌肉信号传导过程和足部与踏板耦合执行过程来表征纵向操纵行为。辨识方法基于递推最小二乘法的辨识模型对驾驶行为模型的状态参数进行辨识。本发明能准确描述驾驶员的纵向跟车状态下的行为特性，并高效的求解模型中的时变参数，从而准确地获得驾驶员在操纵车辆过程中的动态特性变化。可广泛应用于考虑驾驶员纵向行为的个性化辅助控制系统的研究和应用中。
-
-
-
-
-
-
-
-
-
Search Results
115
records
(took 0.031 seconds)
