-
公开(公告)号：CN113484875B
公开(公告)日：2022-05-24
申请号：CN202110868867.9
申请日：2021-07-30
Applicant: 燕山大学
IPC: G01S17/89 , G01S17/931
Abstract: 本发明涉及一种基于混合高斯排序的激光雷达点云目标分级识别方法，包括采集激光雷达点云数据并进行预处理、进行地面点云去除筛选出非地面点云、进行非地面点云密度聚类、按重要程度进行排序、按重要程度依次进行识别和输出识别出的目标等步骤。本发明可以大幅减少迭代次数，提高地面拟合算法的实时性，使地面拟合模块稳定性得以提升；可以按待识别目标的重要程度进行分层排序，保证每个目标的重要程度唯一，可以在计算资源有限时优先把计算资源分给识别更重要的目标；具有较高实时性、较强稳定性，对于部署在自动驾驶车辆等计算资源有限的设备上，应对复杂多变的真实环境具有较好的适用性。
-
公开(公告)号：CN112100857B
公开(公告)日：2022-04-12
申请号：CN202010980521.3
申请日：2020-09-17
Applicant: 燕山大学
Abstract: 本发明提供一种分心驾驶行为的风险评估方法，具体包括以下步骤：确定驾驶行为类型及驾驶任务、设计驾驶方案及采集参数、提取异常加速度事件频次、驾驶行为的风险等级初步评估、二重驾驶绩效比较以及三重驾驶绩效交叉比较。本发明提供的方法打破仅对分心驾驶行为进行研究的局限性，把分心驾驶行为提升到了风险分析的高度，严谨地对所选定的分心驾驶行为进行驾驶绩效评估，最终得到严谨的风险等级排序结果，为风险驾驶行为辨识技术、驾驶人驾驶状态的安全性评估、人机共驾情境的控制权切换方案等技术提供理论参考和实践指导。
-
公开(公告)号：CN113657676A
公开(公告)日：2021-11-16
申请号：CN202110953850.3
申请日：2021-08-19
Applicant: 燕山大学
Abstract: 本发明涉及一种考虑多维度驾驶人特性的制动反应时间预测方法，包括建立制动反应时间的影响因素解构模型、发放调查问卷、基于调查问卷建立结构方程SEM模型、设计驾驶负荷试验方案、采集制动反应时间数据、建立基于BP神经网络的制动反应时间预测模型、对制动反应时间预测模型进行性能检验等步骤，本发明使用结构方程模型全面地解构驾驶人制动反应时间的影响因素，借助试验采集有效制动反应时间数据和驾驶人特性指标，从人因角度深入分析各个因素的影响机制和参与方式，建立考虑多维度驾驶人特性的制动反应时间预测模型，为开发基于行车风险预测的先进驾驶人辅助系统提供支持。
-
公开(公告)号：CN113479201A
公开(公告)日：2021-10-08
申请号：CN202110960754.1
申请日：2021-08-20
Applicant: 燕山大学
IPC: B60W30/095 , B60W30/18
Abstract: 本发明公开了一种考虑驾驶人反应能力的换道场景车辆风险动态评价方法，属于车辆风险监测与预警领域，包括根据前、后车实时相对运动状态判断动态最小安全距离，考虑驾驶人反应能力的制动距离差异化计算方法，以及换道场景中的车辆风险动态预测方法，本发明通过计算前、后车的实时最小安全距离为动态预测车辆风险状态提供支撑，使用时间裕度作为驾驶人反应能力和碰撞风险的评价指标，实现对换道场景的车辆风险状态进行预测，能够实时监控跟车场景中自车与周围车辆的相对运动状态，计算车辆风险状态预测结果，能够为车辆风险监测与避撞系统提供技术积累和理论支撑。
-
公开(公告)号：CN113255504A
公开(公告)日：2021-08-13
申请号：CN202110547978.X
申请日：2021-05-19
Applicant: 燕山大学
Abstract: 本发明涉及一种基于深度学习的路侧视角超视距全域融合感知系统，对路侧布置的摄像头、激光雷达、毫米波雷达异构数据采集和进行数据层融合，并利用深度学习分别处理融合后的图像和激光雷达点云数据，最终利用决策层融合实现融合感知。通过在路侧布置感知系统，并结合图像、激光雷达点云、毫米波雷达点云数据各自的优势，可以提升感知视距，并在多个层面对监控区域进行场景理解，最终为网联自动驾驶车辆提供充足可靠的感知信息。
-
Patent Agency Ranking
公开(公告)号：CN112100857A
公开(公告)日：2020-12-18
申请号：CN202010980521.3
申请日：2020-09-17
Applicant: 燕山大学
Abstract: 本发明提供一种分心驾驶行为的风险评估方法，具体包括以下步骤：确定驾驶行为类型及驾驶任务、设计驾驶方案及采集参数、提取异常加速度事件频次、驾驶行为的风险等级初步评估、二重驾驶绩效比较以及三重驾驶绩效交叉比较。本发明提供的方法打破仅对分心驾驶行为进行研究的局限性，把分心驾驶行为提升到了风险分析的高度，严谨地对所选定的分心驾驶行为进行驾驶绩效评估，最终得到严谨的风险等级排序结果，为风险驾驶行为辨识技术、驾驶人驾驶状态的安全性评估、人机共驾情境的控制权切换方案等技术提供理论参考和实践指导。
-
公开(公告)号：CN114529889B
公开(公告)日：2024-11-15
申请号：CN202210109527.2
申请日：2022-01-28
Applicant: 燕山大学
IPC: G06V20/59 , G06V10/44 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/0442 , G06N3/08 , B60W40/08 , B60W50/14 , B60W50/16 , B60W60/00
Abstract: 本发明涉及一种分心驾驶行为识别方法，所述方法包括下述步骤：获取人机共驾接管状态下驾驶人的分心驾驶时序图像数据；利用训练好的第一模型或训练好的第二模型首先获取时序图像数据的空间特征，在空间特征的基础上获取时空特征；将所述时空特征与空间特征进行融合加强，进而获得用于分心驾驶行为类别识别分心驾驶行为特征。所述方法能够实现准确识别驾驶人的分心驾驶行为、降低误接管风险，从而提升行车安全性。
-
公开(公告)号：CN118928463A
公开(公告)日：2024-11-12
申请号：CN202410990980.8
申请日：2024-07-23
Applicant: 燕山大学
Abstract: 本申请涉及自动驾驶行为决策技术领域，公开了一种基于预测轨迹的安全强化学习智能车汇入决策方法及系统。构建强化学习汇入决策模型，利用预测模型获取每个动作对应的预测轨迹，基于代价函数计算预测轨迹中每一步状态的代价，利用折现总代价计算方法计算预测轨迹的折现总代价。然后根据每个动作的折现总代价确定安全动作集。若智能体的原始决策动作在安全动作集中，或者安全动作集为空，则输出原始决策动作；若不在安全动作集中，则输出安全动作集中价值最大的动作。本申请中，将预测轨迹融入安全强化学习，通过将不安全动作替换为安全动作，有效地减少了训练过程中的碰撞次数，从而缩短了训练周期，降低了训练成本，提高了汇入决策的安全性。
-
公开(公告)号：CN118887638A
公开(公告)日：2024-11-01
申请号：CN202410987072.3
申请日：2024-07-23
Applicant: 燕山大学
IPC: G06V20/56 , G06V20/59 , G06V10/25 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/084
Abstract: 本发明提供一种基于多任务学习的驾驶场景轻量化类人目标检测方法，包括：通过自动驾驶汽车的视觉传感器进行实时环境感知和图像采集；通过多任务数据处理模块对采集到的图像进行预处理，得到预处理后的图像；基于预处理后的图像，通过多任务网络模型模块构建多任务网络模型；通过多任务模型训练模块，利用反向传播和梯度下降方法不断优化多任务网络模型的模型参数，直至损失函数收敛；通过多任务模型测试模块更新损失函数的权重，筛选最优解；将训练好的多任务网络模型部署到智能驾驶系统中，以实现实时处理类人目标检测和注意力预测相关任务。本发明减轻了无人驾驶系统的计算负担，提升了智能驾驶系统的安全性和效率。
-
公开(公告)号：CN114820662B
公开(公告)日：2024-09-03
申请号：CN202210565810.6
申请日：2022-05-23
Applicant: 燕山大学
Abstract: 本发明涉及一种基于点云二维密度的路侧视角地面分割方法，包括下述步骤：获取雷达坐标系下路侧视角的地面原始点云数据；基于原始点云数据，采用密度计算获得二维密度、密度降序点云；基于二维密度、密度降序点云，获得点云二维密度的密度阈值；基于密度阈值、二维密度、密度降序点云，得到分割的地面点云。本发明方法应用时不需做出假设，具有广泛的适用性。本发明方法把地面点云处理成点云二维密度，计算量小，实时性高。并进一步在分割算法中采用栅格数据、kd树以优化计算过程。本发明方法得到的地面点云具有较高的准确性和较强的稳定性。
-
-
-
-
-
-
-
-
-
Search Results
55
records
(took 0.025 seconds)
