-
公开(公告)号：CN103853106A
公开(公告)日：2014-06-11
申请号：CN201210496493.3
申请日：2012-11-28
IPC: G05B19/418
CPC classification number: Y02P80/114
Abstract: 本发明涉及一种建筑能源供应设备的能耗预测参数优化方法，包括以下步骤：首先对建筑内的能耗供应设备及可能对这些设备能耗产生影响的参数数据进行采集，同时对设备的状态变化及状态变化时间进行采集，并计算状态变化消耗的能耗，将这些数据生成数据集后，可建立设备预测模型；该模型可预测设备在不同情况下状态改变需要的能耗及时间，由此向用户提供设备的最优调度计划及工作顺序，实现最小能耗，最短交货时间或者完工时间。与现有技术相比，本发明能够记录设备能耗，相关影响因素以及设备状态改变的信息，并能够根据建筑特性的不同选择适当的影响设备能耗的参数，同时能够消除使用参数不当对建筑能源供应设备能耗预测的影响。
-
公开(公告)号：CN103853106B
公开(公告)日：2016-08-24
申请号：CN201210496493.3
申请日：2012-11-28
IPC: G05B19/418
CPC classification number: Y02P80/114
Abstract: 本发明涉及一种建筑能源供应设备的能耗预测参数优化方法，包括以下步骤：首先对建筑内的能耗供应设备及可能对这些设备能耗产生影响的参数数据进行采集，同时对设备的状态变化及状态变化时间进行采集，并计算状态变化消耗的能耗，将这些数据生成数据集后，可建立设备预测模型；该模型可预测设备在不同情况下状态改变需要的能耗及时间，由此向用户提供设备的最优调度计划及工作顺序，实现最小能耗，最短交货时间或者完工时间。与现有技术相比，本发明能够记录设备能耗，相关影响因素以及设备状态改变的信息，并能够根据建筑特性的不同选择适当的影响设备能耗的参数，同时能够消除使用参数不当对建筑能源供应设备能耗预测的影响。
-
公开(公告)号：CN115454093B
公开(公告)日：2025-02-28
申请号：CN202211210403.X
申请日：2022-09-30
Applicant: 同济大学
Abstract: 本发明涉及一种基于聚类的激光数据动态障碍物滤除方法，包括以下步骤：S1、获取激光数据并进行预处理；S2、根据激光数据进行聚类，完成对障碍物的提取；S3、根据相邻帧中提取的障碍物的相似度对障碍物在时间轴上进行关联，实现障碍物的跟踪，并得到障碍物在激光传感器坐标系下的相对速度；S4、获取移动机器人在地图坐标系下的运动速度，并结合障碍物的相对速度判断障碍物在静态环境中的动态属性；S5、滤除激光数据中的动态障碍物对应的激光数据点。与现有技术相比，本发明无需借助摄像头获取视觉信息，避免了对动态障碍物额外的识别，通过相关参数的灵活调整实现激光数据中的动态障碍物的有效滤除。
-
公开(公告)号：CN118565875A
公开(公告)日：2024-08-30
申请号：CN202410640469.5
申请日：2024-05-22
Applicant: 同济大学
IPC: G01M99/00
Abstract: 本发明涉及一种基于局部测量的多机器人快速故障检测方法，包括：在各个机器人上分别配置位置传感器，实时测量自身及邻居机器人的位置信息；根据位置信息构建机器人的故障检测参考模型，描述机器人的运动状态和位置信息；通过故障检测算法，将机器人故障检测参考模型生成的估计值与对应的实际值对比，进行实时故障检测；将故障检测算法进行整合，利用单一故障检测算法同时检测多个机器人中可能发生的故障，并对各个机器人进行二进制编码，得到故障检测结果与现有技术相比，本发明可适用于通信受限的多机器人应用场景，可在仅能获得局部测量信息的情况下实现多机器人快速故障检测，具有设备简单、运行速度快、检测精度高等优势。
-
公开(公告)号：CN114812551B
公开(公告)日：2024-07-26
申请号：CN202210224196.7
申请日：2022-03-09
Applicant: 同济大学
IPC: G01C21/20 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/09 , G06N5/04
Abstract: 本发明涉及一种室内环境机器人导航自然语言指令生成方法，包括以下步骤：S1、提取机器人摄像头采集到的全景图像的图像特征向量；S2、获取机器人当前的偏移角度并通过三角变换扩充数据维度后与图像特征向量进行拼接，形成对应的动作特征向量和全景图像特征向量；S3、采用多头注意力对动作特征向量和全景图像特征向量进行对齐和降维计算；S4、采用Transformer框架编码机器人的视觉和动作信息，输出预测的语言结果；S5、在解码器的输出部分添加额外的辅助监督任务，辅助机器人学习输出句子与输入动作的对应关系。与现有技术相比，本发明具有提升特征信息的利用程度、提升生成模型的精确度和泛化能力等优点。
-
Patent Agency Ranking
公开(公告)号：CN110515942B
公开(公告)日：2023-08-04
申请号：CN201910630486.X
申请日：2019-07-12
Applicant: 同济大学
Abstract: 本发明涉及一种序列化车道线地图的存储及检索方法，包括以下步骤：S1、采用栅格子地图的方式存储车道线的车道线数据，其中，车道线数据包括车道线编号数据和坐标数据；S2、根据车辆定位信息，获取对应的子地图，在对应的子地图中检索车道线数据，以得到完整的车道线信息。与现有技术相比，本发明在地图存储阶段，利用栅格子地图的方式统计有效子地图并存储车道线数据，根据车道线编号和坐标数据编码属性值；在地图使用阶段，通过车辆的定位信息，从子地图检索得到车道线数据属性值，解码获得车道线编号和坐标数据，将相同编号的车道线数据拟合得到完整车道线信息，本发明既能有效减小系统存储空间、提高检索速度，也能保证存储数据精度。
-
公开(公告)号：CN116522899A
公开(公告)日：2023-08-01
申请号：CN202310411770.4
申请日：2023-04-17
Applicant: 同济大学
IPC: G06F40/205 , G06F18/22 , G06F18/214 , G06F18/25 , G06N3/0442 , G06N3/0895
Abstract: 本发明涉及一种基于半监督学习的自然语言轨迹指令生成方法、装置及存储介质，其中方法包括：构建轨迹‑指令生成器和轨迹‑指令匹配器；采集候选导航点，生成有限条轨迹并标注自然语言指令，形成有标签数据集，并随机生成轨迹路线以形成无标签数据集；利用有标签数据集分别训练轨迹‑指令生成器和轨迹‑指令匹配器；基于无标签数据集，利用轨迹‑指令生成器生成对应的伪标签，使用轨迹‑指令匹配器过滤质量低的伪标签；将过滤后的伪标签数据集与有标签数据集合并，精炼轨迹‑指令生成器；重复上述步骤，直到轨迹‑指令匹配器判断无低质量伪标签，或达到重复轮数上限。与现有技术相比，本发明具有准确性高、泛化性强、标注与应用方便等优点。
-
公开(公告)号：CN116429111A
公开(公告)日：2023-07-14
申请号：CN202310305933.0
申请日：2023-03-24
Applicant: 同济大学
IPC: G01C21/20 , G06V10/82 , G06F40/30 , G06N3/08 , G06N3/0464
Abstract: 本发明涉及一种基于双重语义理解与融合的视觉语言导航方法，包括以下步骤：获取引导性指令和视觉观察图像；分别提取视觉观察图像的图像特征和图像中的物品特征；基于自然语言编码网络提取引导性指令长文本特征，并基于专家经验规则提取引导性关键词文本特征；获取基于物品级别的图像增强特征与基于引导性关键词的文本增强特征，得到双重语义增强后的视觉和语言特征，并将输入到视觉‑语言交叉融合模块以获取跨模态融合特征；基于跨模态融合特征，使用动作预测子网络模块输出导航位置预测结果，控制机器人向预测的导航位置方向前进，并更新对应的视觉观察图像。与现有技术相比，本发明具有动作预测准确性高、可解释性强等优点。
-
公开(公告)号：CN116372920A
公开(公告)日：2023-07-04
申请号：CN202310287891.2
申请日：2023-03-22
Applicant: 同济大学
IPC: B25J9/16
Abstract: 本发明涉及一种七自由度机械臂的臂角参数化逆运动学求解方法，包括以下步骤：基于标准Denavit‑Hartenberg参数建模方法，建立SRS构型七自由度机械臂的连杆坐标系，分析得到其正运动学方程；基于最小运动变换原则，定义机械臂的臂角参数，将最小运动变换模型分解为两个子运动：基准角运动、臂角自运动，并进行分析，得到零臂角平面的肘部关节点位置；基于零臂角平面的肘部关节点位置计算零臂角对应的腕部关节姿态旋转矩阵；求解肘部关节角；基于最优臂角参数、零臂角对应的腕部关节姿态旋转矩阵和正运动学方程分别求解肩部关节角组、腕部关节角组。与现有技术相比，本发明具有求解精度高、计算效率高、算法稳定性好等优点。
-
公开(公告)号：CN113111653B
公开(公告)日：2023-06-02
申请号：CN202110371554.2
申请日：2021-04-07
Applicant: 同济大学
IPC: G06F40/289 , G06F40/211 , G06F40/30 , G06F40/247
Abstract: 本发明涉及一种基于Word2Vec和句法依存树的文本特征构造方法，包括以下步骤：S1：对语料库中的文本数据进行预处理，并对句子进行句法分析得到句法依存树；S2：根据句法依存树合并依存词组；S3：对完成合并后的数据，利用Word2Vec训练词向量；S4：构造TF‑IDF特征向量；S5：对特征向量进行近义词拓展，根据近义词拓展情况对TF‑IDF特征向量进行特征值更新，完成文本特征的构造，用于输入机器学习模型，与现有技术相比，本发明具有避免重要特征丢失、提高文本特征表征能力等优点。
-
-
-
-
-
-
-
-
-
Search Results
289
records
(took 0.059 seconds)
