-
公开(公告)号：CN118306403B
公开(公告)日：2024-12-17
申请号：CN202410499805.9
申请日：2024-04-24
Applicant: 安徽大学
Abstract: 本发明提供一种考虑驾驶风格的车辆轨迹预测与行为决策方法和系统，涉及自动驾驶技术领域。所述方法包括：获取驾驶行为数据集，并进行数据处理，得到用于车辆轨迹预测的平衡化数据集，所述平衡化数据集中还包含基于驾驶风格分类器得到的驾驶风格向量标签；构建基于贝叶斯优化融合离散余弦变换注意力机制的长短时记忆网络，用于进行车辆轨迹预测；其中，利用所述平衡化数据集对长短时记忆网络进行训练和测试；结合多车道变道场景的安全因子、舒适因子、效率因子、增益因子，以及驾驶风格向量标签和车辆轨迹预测信息，采用深度学习模型实现车道变更行为决策。本发明可提高车辆行为决策的准确性、安全性和实时性。
-
公开(公告)号：CN118143970B
公开(公告)日：2024-08-23
申请号：CN202410377500.0
申请日：2024-03-29
Applicant: 安徽大学
Abstract: 本发明涉及机器人智能控制领域，特别是指一种机器人视觉检测方法及基于视觉检测方法的抓取系统，方法包括：根据RGBD图像数据以及融合增强抓取检测网络得到视觉检测结果；网络包括串行分支残差挤压、并行通道‑像素注意力跳跃连接和跨级别特征多层次融合模块。在多种未知场景中实现对未知物体稳定且可靠的抓取位姿检测，设计的网络在空间和通道维度分别进行全局位置和空间局部信息特征的提取融合，在不同尺度上捕捉信息并自适应融合，提取高分辨率细粒度表层信息和高级抽象语义信息，有效的处理不同尺寸、不同颜色、不同外形的物体。在高效抓取过程中维持高成功率，确保抓取位姿推理的快速性，满足实时性同时保证抓取操作的精准度和效率。
-
公开(公告)号：CN118306403A
公开(公告)日：2024-07-09
申请号：CN202410499805.9
申请日：2024-04-24
Applicant: 安徽大学
Abstract: 本发明提供一种考虑驾驶风格的车辆轨迹预测与行为决策方法和系统，涉及自动驾驶技术领域。所述方法包括：获取驾驶行为数据集，并进行数据处理，得到用于车辆轨迹预测的平衡化数据集，所述平衡化数据集中还包含基于驾驶风格分类器得到的驾驶风格向量标签；构建基于贝叶斯优化融合离散余弦变换注意力机制的长短时记忆网络，用于进行车辆轨迹预测；其中，利用所述平衡化数据集对长短时记忆网络进行训练和测试；结合多车道变道场景的安全因子、舒适因子、效率因子、增益因子，以及驾驶风格向量标签和车辆轨迹预测信息，采用深度学习模型实现车道变更行为决策。本发明可提高车辆行为决策的准确性、安全性和实时性。
-
公开(公告)号：CN117549307A
公开(公告)日：2024-02-13
申请号：CN202311740217.1
申请日：2023-12-15
Applicant: 安徽大学
IPC: B25J9/16
Abstract: 本发明属于机器人智能控制技术领域内的一种非结构化环境下的机器人视觉抓取方法及系统，方法包括基于深度相机获取外部环境和目标对象的视觉信息并进行预处理后，生成待处理图像并输入预先构建的GARDSCN网络模型中，输出目标对象的抓取置信度信息、抓取角度信息和抓取宽度信息，并选择抓取置信度最高的像素点下对应的抓取角度和抓取宽度形成最优抓取位姿；通过将二维抓取位姿转换为机器人坐标系下的三维目标抓取位姿，基于规划的运动轨迹控制机器人到达目标位置以执行抓取。本发明中抓取系统中检测与推理模块的GARDSCN网络模型关注目标物体特征的空间和通道信息，避免了工作场景中的背景信息干扰，并引入的残差结构，在加深网络深度的同时不会导致梯度消失。
-
公开(公告)号：CN117350496A
公开(公告)日：2024-01-05
申请号：CN202311337880.7
申请日：2023-10-17
Applicant: 安徽大学
IPC: G06Q10/0631 , H02J3/00 , G06Q10/083 , G06Q50/06 , G06N3/0455 , G06N3/092
Abstract: 本发明涉及一种基于混合动作空间强化学习的远洋海岛群能量管理方法，方法包括：海岛能量枢纽模型构建，以描述满足海岛多元能源需求的能量转换；海岛间船舶能量传输模型构建，用于表征船舶动态运输过程；根据海岛能量枢纽模型和船舶能量传输模型，建立海岛群综合能源系统能源管理模型；建立包含混合动作空间的深度强化学习方法进行能量管理策略求解。本发明基于一种包含混合动作空间的深度强化学习方法解决海岛群综合能源系统能量管理问题，其考虑了海岛群环境的强不确定性和动态特性，满足对极端环境变化的自适应性，同时，与其他算法相比本发明提出的方法可在不改变模型结构的条件下实现海岛群能量管理策略的快速求解。
-
Patent Agency Ranking
公开(公告)号：CN116229178B
公开(公告)日：2023-11-24
申请号：CN202310240455.X
申请日：2023-03-14
Applicant: 安徽大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0455 , G06N3/08
Abstract: 本发明公开一种基于Transformer针对少量训练样本的图像分类方法，包括：对图像训练集进行预处理，增强样本多样性，得到完整的图像训练集；将图像分割切块，并送入图像编码模块，利用卷积运算将子图像块编码为图像令牌；对表示该图像样本的令牌序列进行位置嵌入；在通道维度上对令牌序列归一化处理；构建Transformer特征提取模块，并对处理好的图像进行特征转换和特征提取，获取表示该图像样本的特征向量；将特征向量输入注意力池化模块得到分类向量；图像分类器输出分类结果并计算分类精度。可解决现有基于Transformer的图像分类方法在小型图像训练集上分类精度不高的问题。
-
公开(公告)号：CN116394264B
公开(公告)日：2023-08-25
申请号：CN202310664822.9
申请日：2023-06-07
Applicant: 安徽大学
IPC: B25J9/16
Abstract: 本发明公开了基于群体编码脉冲神经网络的多机械臂协同运动规划方法，所述方法包括以下步骤：从运动场景中任意时刻的任意一个机械臂获取其周边相关机械臂的状态数据，分别设计群体编码模块，脉冲神经网络模块，群体解码模块，输出机械臂每个关节在下一个时刻应该转动的角度，实现该机械臂的自主运动规划。本发明通过基于群体编码脉冲神经网络对多机械臂的协同运动规划，使每个机械臂都考虑了其周边其他机械臂的运动，可以很大程度上减少机械臂之间的碰撞，此外，本发明是基于群体编码脉冲神经网络，只需要在出现脉冲时，将突触权重加到其神经元膜电位上，避免了传统神经网络中大量的浮点数高精度乘法运算。
-
公开(公告)号：CN116476078A
公开(公告)日：2023-07-25
申请号：CN202310722790.3
申请日：2023-06-19
Applicant: 安徽大学
IPC: B25J9/16
Abstract: 本发明涉及超冗余机器人技术领域，解决了现有蛇形机器人移动建图效率低、易偏移的技术问题，尤其涉及一种基于激光雷达的蛇形机器人目标稳定跟踪方法，包括以下步骤：S1、获取IMU传感器实时测量蛇形机器人头部的姿态的俯仰欧拉角和相对水平面的期望俯仰角度，并控制蛇形机器人前进的运动步态；S2、根据IMU传感器实际测得的头部的俯仰欧拉角和头部相对水平面的期望俯仰角度，计算头部的偏离角度。本发明通过IMU传感器实时检测头部姿态欧拉角变化进而进行关节角补偿，实现头部激光雷达稳定扫描，避免地图发生边界偏移。
-
公开(公告)号：CN116330302A
公开(公告)日：2023-06-27
申请号：CN202310604486.9
申请日：2023-05-26
Applicant: 安徽大学
IPC: B25J9/16
Abstract: 本发明涉及超冗余机器人运动规划技术领域，解决了现有超冗余机器人空间运动步态计算量大，进而导致超冗余机器人运动规划不实时的技术问题，尤其涉及一种基于标架化空间曲线的运动规划方法，该方法包括以下步骤：S1、构建空间参数曲线C(t)作为超冗余机器人的背脊曲线，并计算背脊曲线起始处的单位切向量、单位法向量及单位副法向量构成空间参数曲线初始处的坐标系。本发明通过计算最小旋转标架进行离散化，避免了曲率挠率的计算，对背脊曲线的形状和种类没有要求，对于超冗机器人背脊曲线离散化避免了大量的曲率挠率及积分计算，可以提高计算效率。
-
公开(公告)号：CN116229178A
公开(公告)日：2023-06-06
申请号：CN202310240455.X
申请日：2023-03-14
Applicant: 安徽大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0455 , G06N3/08
Abstract: 本发明公开一种基于Transformer针对少量训练样本的图像分类方法，包括：对图像训练集进行预处理，增强样本多样性，得到完整的图像训练集；将图像分割切块，并送入图像编码模块，利用卷积运算将子图像块编码为图像令牌；对表示该图像样本的令牌序列进行位置嵌入；在通道维度上对令牌序列归一化处理；构建Transformer特征提取模块，并对处理好的图像进行特征转换和特征提取，获取表示该图像样本的特征向量；将特征向量输入注意力池化模块得到分类向量；图像分类器输出分类结果并计算分类精度。可解决现有基于Transformer的图像分类方法在小型图像训练集上分类精度不高的问题。
-
-
-
-
-
-
-
-
-
Search Results
125
records
(took 0.031 seconds)
