公开(公告)号：CN114488071A

公开(公告)日：2022-05-13

申请号：CN202111518460.X

申请日：2021-12-13

Applicant: 河海大学常州校区

Inventor： 徐孝彬 ,  瞿勤阳 ,  冉莹莹 ,  吴家林 ,  王佳立 ,  谭治英 ,  骆敏舟

IPC: G01S7/48

Abstract: 本发明属于目标探测识别技术领域，公开了一种烟尘环境下目标识别方法，包括以下步骤：采集探测目标在烟尘环境下叠加的多回波波形；所述多回波波形包括烟尘与探测目标叠加的回波波形；对采集到的多回波波形进行全波形分解，解算出烟尘与探测目标各自的回波波形，并从中提取出波形的幅值参数；根据提取出的波形的幅值参数提取烟尘与探测目标的偏振信息；以所述偏振信息为特征进行机器学习，对探测目标与烟尘进行识别。本发明的有益效果为：能够精准识别烟尘环境下的目标。

公开(公告)号：CN113111887B

公开(公告)日：2022-04-15

申请号：CN202110453156.5

申请日：2021-04-26

Applicant: 河海大学常州校区

Inventor： 徐孝彬 ,  张磊 ,  何佳 ,  冉莹莹 ,  曹晨飞 ,  熊轶旸 ,  谭治英 ,  骆敏舟

IPC: G06V10/26 ,  G06V10/762 ,  G06V10/764 ,  G06V10/82 ,  G06K9/62 ,  G06N3/04

Abstract: 本发明提供了一种基于相机和激光雷达信息融合的语义分割方法及系统，使用深度神经网络得到图像中目标物体的2D检测框，利用相机和激光雷达之间的转换关系筛选出检测框中的目标点云并进行密度聚类；然后采用改进的四邻域聚类对原始点云进行分割；最后融合不同的聚类结果得到带有语义标签的点云分割结果。图像和点云的信息融合使得该系统可以适用于更多复杂的外界环境，同时综合利用了深度学习和传统的点云聚类方法，使得点云的语义分割结果更加准确且鲁棒性更强。

公开(公告)号：CN115942455A

公开(公告)日：2023-04-07

申请号：CN202211382243.7

申请日：2022-11-07

Applicant: 河海大学常州校区 ,  江苏省中以产业技术研究院

Inventor： 徐孝彬 ,  张磊 ,  柳聪 ,  王文 ,  冉莹莹 ,  谭治英 ,  徐林森 ,  骆敏舟

IPC: H04W64/00 ,  H04W4/02 ,  H04B17/318 ,  G06F18/23213

Abstract: 本发明公开了一种障碍物遮挡场景下的UWB实时定位方法及系统，方法包括：获取移动标签的实时信号强度和实时距离信息；通过预先拟合的无障碍物遮挡状态下信号强度与距离之间的非线性函数对所获取的实时信号强度和实时距离信息进行预处理；将预处理后的实时信号强度和实时距离信息输入预先训练的稀疏自编码器与Kmeans二分类网络模型；根据稀疏自编码器与Kmeans二分类网络模型的输出对移动标签进行定位。本发明有效提高UWB定位精度，保证动态环境中UWB定位的稳定性和可靠性。

公开(公告)号：CN113111887A

公开(公告)日：2021-07-13

申请号：CN202110453156.5

申请日：2021-04-26

Applicant: 河海大学常州校区

Inventor： 徐孝彬 ,  张磊 ,  何佳 ,  冉莹莹 ,  曹晨飞 ,  熊轶旸 ,  谭治英 ,  骆敏舟

IPC: G06K9/34 ,  G06K9/62 ,  G06N3/04

Abstract: 本发明提供了一种基于相机和激光雷达信息融合的语义分割方法及系统，使用深度神经网络得到图像中目标物体的2D检测框，利用相机和激光雷达之间的转换关系筛选出检测框中的目标点云并进行密度聚类；然后采用改进的四邻域聚类对原始点云进行分割；最后融合不同的聚类结果得到带有语义标签的点云分割结果。图像和点云的信息融合使得该系统可以适用于更多复杂的外界环境，同时综合利用了深度学习和传统的点云聚类方法，使得点云的语义分割结果更加准确且鲁棒性更强。

公开(公告)号：CN115562304A

公开(公告)日：2023-01-03

申请号：CN202211354478.5

申请日：2022-11-01

Applicant: 河海大学常州校区 ,  江苏省中以产业技术研究院

Inventor： 徐孝彬 ,  王文 ,  陈子恒 ,  冉莹莹 ,  谭治英 ,  徐林森 ,  骆敏舟

IPC: G05D1/02

Abstract: 本发明公开了一种基于深度点云的移动机器人视觉伺服控制方法和系统，方法包括：获取移动机器人周围环境深度点云信息；对所获取的深度点云信息进行预处理，得到障碍物的方向和距离信息；根据障碍物的方向和距离信息以及移动机器人的当前位姿计算得到移动机器人与障碍物的当前相对位置；根据预设的移动机器人的期望位姿、移动机器人的当前位姿以及移动机器人与障碍物的当前相对位置计算得到移动机器人的位姿误差；根据移动机器人的位姿误差调整移动机器人的位姿。本发明解决了传统的视觉伺服对弱纹理特征图像特征难以提取的问题，且计算量更低、鲁棒性更高、稳定性更好。

公开(公告)号：CN113050109A

公开(公告)日：2021-06-29

申请号：CN202110354091.9

申请日：2021-04-01

Applicant: 河海大学常州校区

Inventor： 徐孝彬 ,  陈毅 ,  朱开源 ,  冉莹莹 ,  谭治英 ,  骆敏舟

IPC: G01S17/08 ,  G06N3/04

Abstract: 本发明公开了一种基于深度学习的激光测距方法，所述FPGA中预存储有预先训练的一维卷积神经网络模型及其卷积核参数、全连接参数和偏置值，以及一维卷积神经网络模型输出的波形类别与激光回波时刻数据之间的映射关系；所述卷积核参数、全连接参数和偏置值以有符号定点小数的形式存储于FPGA中；获取用于测距的激光回波波形数据；将所述激光回波波形数据，作为所述一维卷积神经网络模型的输入量，得到经一维卷积神经网络模型计算输出的波形类别数据，确定所述波形类别数据对应的回波时刻；根据所述回波时刻计算待测目标距离。本发明提出的办法可以在有限资源下完成测距神经网络的FPGA硬件实现，并且得到的距离精度较高。