-
公开(公告)号：CN118553092A
公开(公告)日：2024-08-27
申请号：CN202410724909.5
申请日：2024-06-05
Applicant: 同济大学
Abstract: 本发明属于无人驾驶领域，提出了基于软件定义网络的无人驾驶车路网的时空数据解析设计实现方法，包括：步骤1.相关定义；步骤2.基于软件定义网络的无人驾驶车路网；步骤3.基于软件定义网络的无人驾驶车路网的时空数据解析算法。本发明基于软件定义的无人驾驶车路网架构，用于管理道路基础设施和行驶中的无人驾驶车辆进行实时车辆状态信息交换，并基于车辆状态信息计算速度、占用率和流量三个交通参数，通过数据异常检测和缺失数据补全，提高了采集数据的可靠性。本发明为解决城市场景下无人驾驶低速行驶对道路通行效率以及安全产生的影响提供了可视化的数据集分布，从而对促进无人驾驶健康快速发展，具有重要的意义和应用价值。
-
公开(公告)号：CN118446915A
公开(公告)日：2024-08-06
申请号：CN202410523697.4
申请日：2024-04-28
Applicant: 同济大学
Abstract: 本发明要解决的技术问题是利用基于对比学习的半监督学习方法解决低光照图像增强领域配对数据集稀少和差异大的问题。一种基于对比学习的半监督低光照图像增强方法，其特征在于，包括如下步骤：步骤1训练数据集的采集与预处理；步骤2模型的选择，选择深度神经网络，包含两个模型，分别称之为学生模型和教师模型；步骤3模型的训练阶段，使用多个损失函数控制整个训练过程，分为监督学习损失函数与半监督学习损失函数两个部分；步骤4模型的部署应用阶段，利用步骤3训练后模型输入低光照图像，推导出增强图像。
-
公开(公告)号：CN118968752A
公开(公告)日：2024-11-15
申请号：CN202411025145.7
申请日：2024-07-29
Applicant: 同济大学
Abstract: 高速公路场景下基于流程挖掘的无人驾驶车群动态演化及协同方法，包括：步骤1.相关定义；步骤2.无人驾驶车群动态演化事件；步骤3.无人驾驶车群动态演化方法；步骤4.无人驾驶车群协同方法。基于高速公路场景下基于流程挖掘的无人驾驶车群构建方法进一步给出节点加入算法、节点离开算法、车群合并算法、车群分裂算法和车群重构算法；对车群状态、动态演化事件触发条件和状态转移函数进行定义，并给出无人驾驶车群动态演化算法；给出无人驾驶车群协同模型，在此基础上，给出了无人驾驶车群协同算法；给出了车群消亡次数、节点参与率、节点依赖度、车群平均生存时长和平均协同时长占比等评价指标，构建仿真实验对提出的无人驾驶车群进行了稳定性验证。
-
公开(公告)号：CN118568971A
公开(公告)日：2024-08-30
申请号：CN202410724910.8
申请日：2024-06-05
Applicant: 同济大学
Abstract: 本发明属于无人驾驶领域，提出了基于区块链安全信誉管理的无人驾驶车群协同模型构建方法，包括：步骤1.相关定义；步骤2.基于区块链安全信誉管理的无人驾驶车群动态演化方法；步骤3.无人驾驶车群的安全协同模型。本发明提出了信誉证明共识机制，旨在避免信誉权重的中心化；提出了基于车辆综合安全信誉评估的分布式车群动态演化算法；结合状态转换和事件触发条件，构建了无人驾驶车群安全协同模型，并对其进行了性质分析和安全性证明。本发明提高了车群整体的安全性，保障了无人驾驶车群有效抵御恶意节点的入侵，为无人驾驶运动行为能够稳定有序行驶提供了有效的安全保障，对促进无人驾驶健康快速发展，具有重要的意义和应用价值。
-
公开(公告)号：CN117315618A
公开(公告)日：2023-12-29
申请号：CN202311219854.4
申请日：2023-09-20
Applicant: 同济大学
IPC: G06V20/58 , G06V20/70 , G06V10/774 , G06V10/764 , G06V10/80 , G06V10/82 , G01S7/497
Abstract: 本发明属于无人驾驶领域，提出了无人驾驶场景下点云动态车辆检测方法，包括：步骤1.动态车辆标注和构建训练数据集；步骤2.搭建点云动态车辆检测模型并运行点云动态车辆检测算法。本发明方法提供了一种不需要通过大量先验知识就能直接感知无人驾驶场景内车辆的运动情况，使得能够准确判别车辆和激光雷达的相对运动是否发生点云畸变，从而提升了无人驾驶车辆智能感知的准确性，有望突破无人驾驶运动行为决策智能化的障碍。
-
Patent Agency Ranking
公开(公告)号：CN116721337A
公开(公告)日：2023-09-08
申请号：CN202310567009.X
申请日：2023-05-18
Applicant: 同济大学
Abstract: 本发明属于无人驾驶领域，提出了无人驾驶场景下基于动态车辆检测的点云畸变矫正方法，包括：步骤1.点云畸变分析与数据生成；步骤2.基于激光雷达运动解析的点云全局畸变矫正；步骤3.基于车辆运动解析的点云局部畸变矫正；步骤4.无人驾驶场景下点云畸变矫正。本发明方法为无人驾驶三维重建、三维定位提升了准确度，有效克服了无人驾驶运动行为智能化的安全隐患。
-
公开(公告)号：CN116451435A
公开(公告)日：2023-07-18
申请号：CN202310259634.8
申请日：2023-03-17
Applicant: 同济大学
IPC: G06F30/20 , G06F111/06
Abstract: 本发明提出了城市场景中无人驾驶车群模型构建方法，通过考虑无人驾驶车辆的活跃度、先感度和移动性差异度，选择部分无人驾驶车辆作为无人驾驶车群引领节点，进一步的基于无人驾驶车群的连通性、耦合性和实时性给出无人驾驶车群模型构建方法，最后，给出基于分布式多目标优化的无人驾驶车群模型求解方法。仿真实验中给出了相应的评价指标对无人驾驶车群模型进行评估，验证无人驾驶车群模型的有效性。从而可以通过无人驾驶车群成员之间共享感知信息提升无人驾驶车辆的感知能力进而实现无人驾驶车辆运动行为智能协同，建立可广泛推广应用的无人驾驶车群。
-
公开(公告)号：CN118941687A
公开(公告)日：2024-11-12
申请号：CN202411049269.9
申请日：2024-08-01
Applicant: 同济大学
IPC: G06T15/00 , G06N3/0499 , G06N3/0895 , G06T19/20 , G06T17/00 , G06T7/80 , G06T7/90 , G06V10/764
Abstract: 本发明提供了一种基于体素辐射场的通用壳状压缩方法，包括步骤：步骤1建模体素辐射场与模型链路；使用体密度网格、外观网格以及浅层神经辐射场对场景进行建模，训练以及优化所建模网络的详细模型链路；步骤2表面体素定位；使用训练过程中的预测深度对物体表面周围体素进行定位，为步骤3的体素压缩提供引导；步骤3深度引导的壳状压缩；基于步骤2中构建的深度伪标签对体素网格进行约束，促进体素网格将物体形状建模为内外皆空的壳状；步骤4自适应动态剪枝；对前面步骤中优化好的体素网格进行剪枝，以增加模型内存效率，设计了一种方法使得剪枝的阈值τ标准能够在不同场景之间自适应的变化。
-
公开(公告)号：CN118470201A
公开(公告)日：2024-08-09
申请号：CN202410597892.1
申请日：2024-05-14
Applicant: 同济大学
IPC: G06T17/00 , G06T15/00 , G06V10/80 , G06V10/774 , G06F30/20 , G06N3/0464 , G06N3/0499
Abstract: 本发明涉及三维重建领域，提出了一种基于少视角协作的可泛化神经辐射场的设计方法,包括步骤：构建神经辐射场；跨视角特征体的协作融合：射线的正则化；体渲染与训练。相较于现有方法，本发明能够捕获更丰富和更广义的场景表示，从而实现高质量的新视图合成。此外，本发明设计的神经辐射场具有良好的可泛化性，可以有效的应用于未知场景的高质量新视角重建，甚至在优于部分逐个场景优化的神经辐射场方法的同时显著降低了计算成本。
-
公开(公告)号：CN119540088A
公开(公告)日：2025-02-28
申请号：CN202411585152.2
申请日：2024-11-07
Applicant: 同济大学
Abstract: 本发明涉及低光图像技术领域，具体涉及基于可逆神经网络的低光图像增强方法。包括：步骤一搭建可逆神经网络；步骤二可逆神经网络的工作过程和训练；步骤三应用：将在低光照条件下拍摄的图像，输入上述训练后的可逆神经网络进行增强处理。与现有技术相比，本发明提高模型的增强效果和可解释性，增加分解的准确性和模型的泛化能力，本发明引入记忆机制，学习整个数据集的亮度信息，指导图像在亮度方面的恢复过程，提高模型的增强效果。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.02 seconds)
