-
公开(公告)号：CN116977957A
公开(公告)日：2023-10-31
申请号：CN202310769437.0
申请日：2023-06-27
Applicant: 清华大学
Abstract: 本申请提供一种面向灯塔公知的低带宽车路特征融合的目标检测方法，该方法包括：对当前时刻的感知数据进行处理，得到当前时刻的车端原始BEV特征图；获取路端灯塔感知主体发送的t0时刻的多个检测框的路端特征；t0≤t，t为当前时刻；生成当前时刻的每个检测框的路端特征；基于高斯函数对当前时刻的每个检测框的路端特征进行处理，得到每个检测框对应的热力图；将车端原始BEV特征图和所有检测框的热力图进行融合，得到当前时刻的BEV融合特征图；将当前时刻的BEV融合特征图和多个类别特征图进行叠加，得到当前时刻的最终的融合特征。本申请降低了路端灯塔到车端的数据传输帧频和传输量，提升了车端感知主体在车端盲区和不确定区域的检测能力。
-
公开(公告)号：CN116958922A
公开(公告)日：2023-10-27
申请号：CN202310770675.3
申请日：2023-06-27
Applicant: 清华大学
IPC: G06V20/56 , G06V10/44 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08 , G06T9/00
Abstract: 本申请提供一种不良光照场景下的智能驾驶可解释多模态感知方法，涉及智能驾驶技术领域，所述方法包括：获取目标场景的RGB图像以及3D点云数据；利用预先训练完成的第一信源编码模型对3D点云数据进行压缩处理，得到压缩后的3D点云数据；利用预先训练完成的第二信源编码模型对RGB图像进行压缩，得到压缩后的RGB图像；利用预先训练完成的基于多头注意力机制的多模态融合模型对压缩后的3D点云数据和压缩后的RGB图像进行融合处理，得到融合特征；将融合特征与压缩后的3D点云数据的第一点云特征进行相加，得到第二点云特征；利用三维检测头对第二点云特征进行处理，得到目标检测结果。本申请提高了车辆遮挡以及光线骤变等特殊场景下的目标检测的精度。
-
公开(公告)号：CN116612154A
公开(公告)日：2023-08-18
申请号：CN202310652524.8
申请日：2023-06-02
Applicant: 清华大学
Abstract: 本申请提供基于最优运动模型轨迹预测的高稳定多目标跟踪方法，涉及多目标跟踪技术领域，包括：获取检测器输出的当前图像帧中的所有运动目标的检测框；利用上一图像帧中所有运动目标的运动信息，基于运动目标所属类别的最优运动方程，得到上一图像帧中所有轨迹在当前图像帧中的预测框；其中，行人的最优运动方程为恒定速度的运动方程；自行车的最优运动方程为恒定加速度的运动方程；汽车和摩托车的最优运动方程为恒定转弯率和速度幅度的运动方程；卡车的最优运动方程为恒定转弯率和加速度的运动方程；基于各检测框和各预测框之间的关联代价矩阵，得到当前图像帧中匹配成功的检测框。本申请提高了运动目标的轨迹预测精度，由此提高了跟踪精度。
-
公开(公告)号：CN115375910B
公开(公告)日：2023-04-14
申请号：CN202211116427.9
申请日：2022-09-14
Applicant: 清华大学
IPC: G06V10/40 , G06V10/774 , G06V10/80
Abstract: 本申请提供了一种基于注意力机制的点云特征提取方法及装置，涉及智能驾驶技术领域，该方法包括：利用预先训练完成的编码器对点云数据进行逐层下采样及升维处理，得到第一特征金字塔；利用预先训练完成的解码器对第二特征金字塔的第T层点云特征数据分别进行两次上采样处理，得到上采样数据及第二特征金字塔的初始第T‑1层点云特征数据；向下逐层进行处理，直至得到第二特征金字塔的初始第零层点云特征数据；对第一特征金字塔的第零层点云特征数据、第二特征金字塔的初始第零层点云特征数据和上采样数据进行交叉注意力机制处理，得到最终的点云特征数据。本申请能够降低点云特征上采样时的语义信息损失，提高主干网络的点云特征提取性能。
-
公开(公告)号：CN115187959B
公开(公告)日：2023-04-14
申请号：CN202210833684.8
申请日：2022-07-14
Applicant: 清华大学
IPC: G06V20/58 , G06V20/17 , G06V20/70 , G06V10/26 , G06V10/82 , G06V10/764 , G06N3/045 , G06N3/0464 , G06N3/048 , G06N3/08 , B60F5/02 , B64D45/04
Abstract: 本发明公开了一种基于双目视觉的飞行汽车着陆方法，基于部署在飞行汽车上的左右两摄像机实现，所述方法包括：步骤1)对飞行汽车降落过程中左右两摄像机拍摄的双目视图进行矫正，使得左右两摄像机的图像为平行视图；步骤2)根据矫正后的平行视图利用双目视觉获得对应的深度图；步骤3)将左摄像机捕获的图像输入预先建立和训练好的语义分割模型得到语义分割结果；步骤4)基于语义分割结果和图像的深度图，确定用于降落的候选区域；步骤5)根据确定的降落候选区域边界框，确定当前时刻的飞行汽车状态，结合深度图信息，发出控制信号控制飞行汽车降落；所述语义分割模型为改进后的DeepLab v3结构网络。
-
Patent Agency Ranking
公开(公告)号：CN115908498A
公开(公告)日：2023-04-04
申请号：CN202211685567.8
申请日：2022-12-27
Applicant: 清华大学
IPC: G06T7/246
Abstract: 本申请提供了一种基于类别最优匹配的多目标跟踪方法及装置，涉及智能驾驶技术领域，所述方法包括：获取检测器输出的当前图像帧中的所有运动目标的检测框，对检测框进行分类；利用上一图像帧中所有运动目标的运动信息，得到上一图像帧中所有运动目标在当前图像帧中的预测框；根据预先设定的每个类别的代价函数，计算所属类别的检测框和所有预测框的关联值，由此构建每个类别的第一关联代价矩阵；每个类别的代价函数为：二维交并比、三维交并比、二维广义交并比、三维广义交并比或欧氏距离；基于每个类别的第一关联代价矩阵，使用匹配算法得到当前图像帧中匹配成功的检测框。本申请提高了检测框匹配的正确率，提高了多类别多目标的跟踪精度。
-
公开(公告)号：CN114972654B
公开(公告)日：2023-02-03
申请号：CN202210678796.0
申请日：2022-06-15
Applicant: 清华大学
Abstract: 本发明属于自动驾驶领域，尤其涉及一种基于路侧点云补全的三维目标检测方法，所述方法包括：将采集的点云数据输入预先建立和训练好的点云补全模型，得到完整点云的高维特征；将完整点云的高维特征输入预先建立和训练好的目标检测网络实现三维目标检测；所述点云补全模型，基于蒙面自动编码器的设计思想，采用注意力机制实现从不完整的点云中提取完整点云的高维特征。基于本发明的方法，对现有的三维目标检测算法进行微调即可，具有很高的灵活性，并可以达到更高的三维目标检测精度。
-
公开(公告)号：CN115375910A
公开(公告)日：2022-11-22
申请号：CN202211116427.9
申请日：2022-09-14
Applicant: 清华大学
IPC: G06V10/40 , G06V10/774 , G06V10/80
Abstract: 本申请提供了一种基于注意力机制的点云特征提取方法及装置，涉及智能驾驶技术领域，该方法包括：利用预先训练完成的编码器对点云数据进行逐层下采样及升维处理，得到第一特征金字塔；利用预先训练完成的解码器对第二特征金字塔的第T层点云特征数据分别进行两次上采样处理，得到上采样数据及第二特征金字塔的初始第T‑1层点云特征数据；向下逐层进行处理，直至得到第二特征金字塔的初始第零层点云特征数据；对第一特征金字塔的第零层点云特征数据、第二特征金字塔的初始第零层点云特征数据和上采样数据进行交叉注意力机制处理，得到最终的点云特征数据。本申请能够降低点云特征上采样时的语义信息损失，提高主干网络的点云特征提取性能。
-
公开(公告)号：CN115328205A
公开(公告)日：2022-11-11
申请号：CN202211115814.0
申请日：2022-09-14
Applicant: 清华大学
IPC: G05D1/10
Abstract: 本发明公开了一种基于三维目标检测的飞行汽车起飞着陆决策规划方法，基于部署在飞行汽车上的摄像头和激光雷达实现，该方法包括：根据实时采集的图像和三维点云数据建立动态三维地图；当飞行汽车为飞行状态，根据动态三维地图，分别建立斥力场和引力场形成实时变化的合力场，驱动飞行汽车进行动态着陆，当满足安全距离，控制飞行汽车着陆，决策规划结束；否则，控制飞行汽车上升，重新建立引力场；当飞行汽车为行驶状态，根据动态三维地图，分别建立斥力场和引力场形成实时变化的合力场，驱动飞行汽车起飞，决策规划结束。
-
公开(公告)号：CN113255553B
公开(公告)日：2022-09-23
申请号：CN202110624922.X
申请日：2021-06-04
Applicant: 清华大学
Abstract: 本发明公开了一种基于振动信息监督的可持续学习方法及系统，所述方法包括：利用车载的单目相机和振动信号传感器，同步采集路面的RGB图像和包含路面不平度信息的路面法向振动加速度值；当某个时刻的路面法向振动加速度值大于动态阈值，则判断车轮压线，并提取对应时刻前后一段时间窗口内的RGB图像；在提取的RGB图像上标注车道线标签，作为新任务的数据集；以新任务的数据集作为训练集，对可持续学习的车道分割模型重新进行训练，将训练好的车道分割模型作为最新的车道分割模型。
-
-
-
-
-
-
-
-
-
Search Results
197
records
(took 0.039 seconds)
