-
公开(公告)号：CN118884972A
公开(公告)日：2024-11-01
申请号：CN202410890768.4
申请日：2024-07-04
Applicant: 北京理工大学重庆创新中心 , 北京理工大学
IPC: G05D1/46 , G05D109/20
Abstract: 本发明提供了一种动态环境时空概率预测的安全轨迹规划方法，本发明通过动静态障碍物分割和自适应卡尔曼滤波，可以准确识别动态障碍物并对其运动进行预测，为无人机提供动态环境下的感知能力；还引入时空概率占据栅格地图，统一表示静态障碍物和动态障碍物的空间占据信息，并考虑了动态障碍物运动的不确定性，使无人机能够提前规避未来可能的碰撞；并在轨迹优化中引入概率碰撞约束，使规划的轨迹在满足安全性的同时，具有更好的光滑性和飞行效率。
-
公开(公告)号：CN118857295A
公开(公告)日：2024-10-29
申请号：CN202410886901.9
申请日：2024-07-03
Applicant: 北京理工大学重庆创新中心 , 北京理工大学
Abstract: 本发明提供一种基于动态环境编码的多无人机端到端导航方法，包括：构建规划空间坐标系，获取位姿数据和点云观测数据；根据规划空间坐标系进行点云极坐标栅格化处理，得到极坐标栅格图；构建环境编码器，根据位姿数据、极坐标栅格图和环境编码器，得到动态环境的特征编码；构建混合动作输出头，根据混合动作输出头和动态环境的特征编码，得到输出连续动作。本发明采用端到端感知规划器，无需模块间通信，简化了系统设计；利用环境编码器有效提取动态环境信息，提高感知精度；混合动作输出头捕捉导航策略的多模态特性，输出更优决策；经过强化学习，系统能在复杂动态环境中实现高效、鲁棒的集群导航。
-
公开(公告)号：CN119717781A
公开(公告)日：2025-03-28
申请号：CN202510209909.6
申请日：2025-02-25
Applicant: 北京理工大学
IPC: G05B23/02
Abstract: 本申请公开了一种基于无人系统数据驱动的故障检测方法、设备及介质，方法包括将未知无人系统与控制器相连接，离线收集未知无人系统状态数据，并基于收集到的状态数据构建状态数据矩阵和演化状态数据矩阵；基于状态数据矩阵和演化状态数据矩阵构造故障检测器，将所述故障检测器与未知无人系统相连接，并通过故障检测器基于无人系统的状态数据进行故障检测。本申请通过离线收集未知无人系统的闭环带有噪声的状态数据，无需预先的物理过程辨识，然后基于收集到的状态数据构造故障检测器，并通过故障检测器进行故障检测，可以在无人系统出现异常状态时能够及时触发警报，实现了对任意稳定运行的无人系统的故障检测。
-
公开(公告)号：CN119690129A
公开(公告)日：2025-03-25
申请号：CN202510200319.7
申请日：2025-02-24
Applicant: 北京理工大学
IPC: G05D1/495 , G05D1/46 , G05D101/15 , G05D109/20
Abstract: 本申请涉及无人机自主控制技术领域，特别涉及一种无人机的飞行路径的规划方法、装置、无人机及存储介质。所述方法包括在无人机上部署经过训练的智能体；获取无人机的当前状态；基于当前状态，通过智能体确定所述无人机的轨迹控制点；基于轨迹控制点更新所述无人机的当前状态，并基于更新后的当前状态，通过智能体确定无人机的轨迹控制点，直至达到轨迹时长以生成所述无人机的时空轨迹。本申请实施例通过结合深度学习与多头注意力机制，通过多头注意力机制捕捉参考轨迹、无人机轨迹与环境障碍之间的复杂关系，使其能够灵活地调整飞行姿态穿越狭窄缝隙，从而提升无人机在复杂环境中的自主飞行能力，并且可以保证无人机在激进飞行中的安全性。
-
公开(公告)号：CN119625072A
公开(公告)日：2025-03-14
申请号：CN202510162677.3
申请日：2025-02-14
Applicant: 北京理工大学
IPC: G06T7/73 , G06F40/284 , G06N3/045 , G06N3/0464
Abstract: 本发明公开了一种语言驱动的物体抓取姿态预测方法、终端及存储介质，涉及人工智能与计算机视觉技术领域。本发明提供的语言驱动的物体抓取姿态预测模型是一种引入了语言交互能力的模型，可以结合用户输入的语言提示词进行交互式预测，使得操作者可以通过语言提示词指定抓取对象，并由模型预测出更准确的抓取姿态。本发明拓展了物体抓取姿态预测模型的可交互性和模型灵活性，对非结构化任务场景具有较强泛化性。
-
Patent Agency Ranking
公开(公告)号：CN119620772A
公开(公告)日：2025-03-14
申请号：CN202510162687.7
申请日：2025-02-14
Applicant: 北京理工大学
IPC: G05D1/46 , G05D109/20
Abstract: 本申请公开了一种基于无人机系统反馈数据的轨迹跟踪方法及设备，所述方法包括根据外部信号的演化矩阵构造内模系统；令未知无人机系统、传感器及内模系统相连，直接未知无人机系统施加控制输入，将传感器输出与期望跟踪的轨迹间的跟踪误差作为内模系统的输入，收集内模状态；利用控制输入、传感器输出、内模状态及滤波矩阵来构造控制增益矩阵；利用控制增益矩阵构造输出控制器以实现系统输出控制。本申请通过基于离线收集到的未知无人机系统的控制输入‑传感器输出来构造进行反馈输出调节的输出调节控制器，在无需预先对物理过程辨识的情况下，实现了对未知无人机系统的输出调节，保证了无人系统在轨迹跟踪过程中的零偏差跟踪。
-
公开(公告)号：CN119620671A
公开(公告)日：2025-03-14
申请号：CN202510162682.4
申请日：2025-02-14
Applicant: 北京理工大学
IPC: G05B19/042
Abstract: 本申请公开了一种异构无人系统数据驱动的协同输出调节方法、装置及介质，所述方法包括离线收集各无人系统单体的调节输入序列、调节输出序列和内模状态序列，并基于收集到的调节输入序列、调节输出序列和内模状态序列，确定无人系统单体的控制增益矩阵；基于控制增益矩阵为无人系统单体构建输出反馈控制器，以得分布式输出反馈控制器，并通过分布式输出反馈控制器对集群无人系统进行协调输出调节。本申请通过利用离线收集的受噪声干扰的输入数据和输出数据，并基于输入数据和输出数据构建分布式输出反馈控制器，避免了对系统精确模型的依赖，仅利用数据便可实现未知集群系统的协同输出调节。
-
公开(公告)号：CN114758198B
公开(公告)日：2025-01-14
申请号：CN202210291566.9
申请日：2022-03-23
Applicant: 北京理工大学
IPC: G06V10/82 , G06V10/776 , G06V10/774 , G06V10/764 , G06N3/084 , G06N3/0985 , G06N3/094
Abstract: 本发明公开了一种基于元学习对抗扰动的黑盒攻击方法及系统，将元学习训练数据集D输入至黑盒模型的替代模型，根据替代模型的输出结果和预先设定的目标标签计算替代模型的损失函数，根据损失函数对初始化扰动v进行梯度下降更新获得元对抗扰动v*。利用元对抗扰动v*进行黑盒攻击，若黑盒模型对图像样本的分类结果为预先设定的目标标签，则攻击完成；若分类结果不是预先设定的目标标签，则对图像样本进行更新，利用更新后的图像样本继续进行黑盒攻击，直至分类结果为预先设定的目标标签。本发明训练的元对抗扰动为原始图像选择了较好的初始位置，大幅提升了对黑盒模型的查询效率及攻击成功率，对提升神经网络黑盒攻击具有非常重要的意义。
-
公开(公告)号：CN117915391A
公开(公告)日：2024-04-19
申请号：CN202311753157.7
申请日：2023-12-19
Applicant: 北京理工大学
Abstract: 本发明涉及一种应对未知输入的数据驱动分布式状态估计方法，属于无线传感器网络状态估计领域。在离线阶段收集局部输入、测量输出和状态数据。基于输入‑输出‑状态数据，构造噪声数据，同时获得原始集合。在线运行阶段，结合离线原始集合，利用离线数据构造未知输入观测器矩阵。实时收集系统的局部输入和测量输出，结合各个节点的状态估计值，得到当前时刻的分布式未知输入观测器，从而实现任意节点在一定未知输入和干扰下的准确估计。因此本发明无需预先的系统辨识，只需要数据采样，就可以实现分布式未知输入观测器的设计，在这一分布式未知输入观测器的作用下，各节点的状态估计值渐近收敛于目标系统真值。
-
公开(公告)号：CN117912099A
公开(公告)日：2024-04-19
申请号：CN202311776064.6
申请日：2023-12-21
Applicant: 北京理工大学
IPC: G06V40/20 , G06V40/10 , G06V10/143 , G06V10/44 , G06V10/82 , G06N3/0464 , G06N3/09
Abstract: 本发明属于计算机视觉和模式识别领域，应用于智能安防领域，具体为一种基于模态不变特征增强的可见光‑红外跨模态行人重识别方法。本发明在在模态内增强模块为不同模态创建参数独立的编码器，并使用ID‑Center损失在模态内监督训练过程。与现有只专注模态不变特征的方法相比，在模态内有效增强了特征辨识力。同时，在模态不变模块为所有模态创建参数共享的编码器，并使用基于高斯分布的跨模态特征分布一致性损失监督训练过程。本发明将模态增强模块和模态不变模块集成到一种端到端的模态不变特征增强的可见光‑红外跨模态行人重识别框架中，实现了端到端的模态不变特征的提取，适用于可见光‑红外跨模态场景的端到端的行人重识别问题。
-
-
-
-
-
-
-
-
-
Search Results
87
records
(took 0.053 seconds)
