-
公开(公告)号：CN109100155B
公开(公告)日：2020-06-16
申请号：CN201810745904.5
申请日：2018-07-09
Applicant: 长安大学
IPC: G01M17/007 , G05B23/02
Abstract: 本发明实施例提供了一种无人车在环快速仿真测试系统，包括：虚拟仿真测试子系统，用于生成虚拟测试场景，并向测试台架控制子系统发送路面状态控制指令；测试台架控制子系统，用于模拟路面状态；还用根据无人车驾驶参数来评估无人车的驾驶性能；无人车控制子系统，用于根据虚拟测试场景对无人车进行驾驶控制。上述系统由于采用了虚拟现实技术和硬件在环相结合的仿真测试方式，因此，能够在室内实现可控制、可重复且有效的无人车在环快速仿真测试；而且由于其能够尽可能的穷举所有极端或者特殊的道路状况，因此，能充分保障无人驾驶车辆上路前的安全性、可靠性。本发明实施例还提供了一种无人车在环快速仿真测试方法。
-
公开(公告)号：CN109084992B
公开(公告)日：2020-06-16
申请号：CN201810842710.7
申请日：2018-07-27
Applicant: 长安大学
Inventor： 赵祥模 , 徐志刚 , 王文威 , 连心雨 , 承靖钧 , 时恒心 , 王振 , 闵海根 , 周豫 , 陈南峰 , 冀建新 , 阚春辉 , 谷占勋 , 李玉 , 杨建辉 , 卢春波 , 李拓
IPC: G01M17/007 , G06K9/62
Abstract: 基于台架测试无人车智能性的方法，包括以下步骤：将待测无人车设置在测试台架上进行模拟驾驶；构建虚拟场景以及虚拟场景中的各个数据类型；主车获取待测无人车的运行参数和测试台架模拟的路面信息并将主车模拟进虚拟场景中；主车与虚拟场景中的各个数据类型发生交互，产生虚拟驾驶行为数据；将主车产生的驾驶行为数据作为样本集，采用随机森林算法将决策树中输出次数最多的类别作为该测试样本的类别。由于采取数据驱动，采集主车与各个数据类型之间的驾驶行为数据，使得数据采集成本较低，所提供的原始数据具有较高的真实性，数据的可控制性实现检测场景重现。
-
公开(公告)号：CN109582993A
公开(公告)日：2019-04-05
申请号：CN201810637452.9
申请日：2018-06-20
Applicant: 长安大学
Abstract: 本发明公开了城市交通场景图像理解与多视角群智优化方法，利用道路布局随机变量的交叉口行车路径先验建模与基于FCN学习网络的路面语义先验建模方法，提高交叉口行车路线与路面的认知精度与整个场景语义理解程度；融合认知驱动的先验模型与数据驱动的二维-三维空间变换的候选框语义特征，结合深度神经网络，实现复杂交通场景三维目标检测与识别；协同考虑车辆位置姿态与行驶轨迹先验模型，对复杂道路环境如交叉口交通场景，对三维场景流进行估计与描述，全面表征场景中交通参与者的姿态与运动趋势；针对城市复杂交叉口路段环境，通过多视角群智优化实现交通场景的全息理解，本发明有效且易实现的交通环境理解，为智能车的自主控制提供决策依据。
-
公开(公告)号：CN109084992A
公开(公告)日：2018-12-25
申请号：CN201810842710.7
申请日：2018-07-27
Applicant: 长安大学
Inventor： 赵祥模 , 徐志刚 , 王文威 , 连心雨 , 承靖钧 , 时恒心 , 王振 , 闵海根 , 周豫 , 陈南峰 , 冀建新 , 阚春辉 , 谷占勋 , 李玉 , 杨建辉 , 卢春波 , 李拓
IPC: G01M17/007 , G06K9/62
Abstract: 基于台架测试无人车智能性的方法，包括以下步骤：将待测无人车设置在测试台架上进行模拟驾驶；构建虚拟场景以及虚拟场景中的各个数据类型；主车获取待测无人车的运行参数和测试台架模拟的路面信息并将主车模拟进虚拟场景中；主车与虚拟场景中的各个数据类型发生交互，产生虚拟驾驶行为数据；将主车产生的驾驶行为数据作为样本集，采用随机森林算法将决策树中输出次数最多的类别作为该测试样本的类别。由于采取数据驱动，采集主车与各个数据类型之间的驾驶行为数据，使得数据采集成本较低，所提供的原始数据具有较高的真实性，数据的可控制性实现检测场景重现。
-
公开(公告)号：CN107368787A
公开(公告)日：2017-11-21
申请号：CN201710459554.1
申请日：2017-06-16
Applicant: 长安大学
Abstract: 本发明公开了一种面向深度智驾应用的交通标志识别算法，基于网络对多源公测数据集平移扩展性与稳定性的考虑，建立多源公测数据集对于交通标志的统一类别表征，通过基于局部上下文信息随机裁剪的数据增强策略实现了数据集的扩展，以及多尺度卷积特征图网络与集合网络迭代交替验证训练策略，得到了性能较好的检测网络与识别网络，使网络易于训练且收敛更快；基于自底向上的卷积特征，通过自顶向下融合多尺度卷积特征网络建模方法，提高小尺寸交通标志的查全率；不追求设计更深更复杂的Convnet以获取更高的物体识别率，而是针对交通标志目标的特点，通过对比实验，提出一种能够获得更优信息流动与更好性能表现的集合网络，实现了交通标志的高效识别。
-
Patent Agency Ranking
公开(公告)号：CN109241865B
公开(公告)日：2022-05-31
申请号：CN201810925021.2
申请日：2018-08-14
Applicant: 长安大学
IPC: G06V20/54 , G06V10/26 , G06V10/764 , G06K9/62
Abstract: 本发明公开了一种弱对比度交通场景下的车辆分割算法方法，通过确定交通场景下的车辆分割任务建立分割目标的数据库，并训练全卷积神经网络语义分割模型通过训练好的全卷积神经网络的对弱对比度交通场景下的前方车辆进行初步分割，从而得到车辆的概率图与分割结果接着对分割结果图进行平滑滤波及去噪操作，去除因为语义分割中反卷积操作而造成的噪点和微小空洞接着将去噪后的分割结果图映射回原图，对原图进行均值漂移语义分割从而得到细化的分割结果，最后将卷积神经网络模型的分割结果、均值漂移分割得到分割结果与卷积神经网络得到的前车概率图按照合并规则进行区域合并，从而实现弱对比度交通环境下的车辆细化分割。
-
公开(公告)号：CN109002764B
公开(公告)日：2021-05-11
申请号：CN201810628664.0
申请日：2018-06-19
Applicant: 长安大学
Abstract: 本发明公开了一种交通标志图像识别模型构建方法及识别方法，本发明提供的方法通过构建两个卷积神经网络模型，一个是交通标志区域提取模型，用于从原始图像中将仅含有交通标志区域的图像提取出来，另外一个是交通标志识别模型，用于对提取出的仅含有交通标志的图像进行识别，获得该幅图像中的交通标志的识别结果；本发明提供的交通标志识别模型基于改进的ZF卷积神经网络，结合空间变换网络，训练得到应用于交通标志识别的网络模型，能够避免交通标志扭曲，形变造成的错识别问题，提高交通标志识别率；交通标志区域提取模型是在ZF卷积神经网络上改进的，设置四个不同尺度的提取区域进行交通标志区域提取，增加了交通标志识别精准率。
-
公开(公告)号：CN109523810A
公开(公告)日：2019-03-26
申请号：CN201811389923.5
申请日：2018-11-21
Applicant: 长安大学
Abstract: 本发明涉及一种基于车联网的信号交叉口车速引导系统，其特征在于，包括信号采集模块、无线传输模块、信号处理模块和多媒体视频/语音播报模块；所述导向车道建议模块用于根据储存的车辆的行驶信息，判断车辆在交叉路口的行驶方向，规定目标车道，并建议车辆变换到目标车道，然后进入加速/制动建议模块；所述加速/制动建议模块用于根据储存的行驶路段的道路信息、信号控制机状态信息和车辆的行驶信息和处理后的交通信息，建立参考移动模型，利用DC-GLOSA算法选择车辆此时的加速度，确定即时加速/制动策略。本发明降低了驾驶员的操作复杂度，减少在信号交叉口处停车次数并提高驾驶舒适性。
-
公开(公告)号：CN109100155A
公开(公告)日：2018-12-28
申请号：CN201810745904.5
申请日：2018-07-09
Applicant: 长安大学
IPC: G01M17/007 , G05B23/02
Abstract: 本发明实施例提供了一种无人车在环快速仿真测试系统，包括：虚拟仿真测试子系统，用于生成虚拟测试场景，并向测试台架控制子系统发送路面状态控制指令；测试台架控制子系统，用于模拟路面状态；还用根据无人车驾驶参数来评估无人车的驾驶性能；无人车控制子系统，用于根据虚拟测试场景对无人车进行驾驶控制。上述系统由于采用了虚拟现实技术和硬件在环相结合的仿真测试方式，因此，能够在室内实现可控制、可重复且有效的无人车在环快速仿真测试；而且由于其能够尽可能的穷举所有极端或者特殊的道路状况，因此，能充分保障无人驾驶车辆上路前的安全性、可靠性。本发明实施例还提供了一种无人车在环快速仿真测试方法。
-
公开(公告)号：CN108876805A
公开(公告)日：2018-11-23
申请号：CN201810636311.5
申请日：2018-06-20
Applicant: 长安大学
Abstract: 本发明公开了一种端到端无监督场景路面区域确定方法，通过构建道路位置先验概率分布图并将其作为检测网络的特征映射直接附加到卷积层中，构建一种融合位置先验特征的卷积网络框架，然后结合全卷积网络和U‑NET构建深度网络架构—UC‑FCN网络，将构建的可通行区域位置先验概率分布图作为深度网络架构‑UC‑FCN网络的一种特征图映射，生成UC‑FCN‑L网络；基于消失点检测方法对可通行区域进行检测并将得到的检测结果作为训练数据集的真值对UC‑FCN‑L网络进行训练，得到用于可行驶区域提取的深度网络模型，解决了可通行区域标签困难的问题，适用性强，可在多种道路环境下稳定工作，且实时性较好，本方法检测准确率高，适应性、实时性与鲁棒性好，方法简单有效。
-
-
-
-
-
-
-
-
-
Search Results
24
records
(took 0.021 seconds)
