基于异构深度学习的无人驾驶车辆/机器人行为规划方法

发明专利有效专利

申请号：
CN201811646641.9
IPC分类号：G05D1/02
申请日期：
2018-12-29
申请人：
南京理工大学

基础信息

权利要求

说明书

PDF全文

法律信息

引证文献

著录项信息

专利名称	基于异构深度学习的无人驾驶车辆/机器人行为规划方法
申请号	CN201811646641.9	申请日期	2018-12-29
法律状态	公开	申报国家	中国
公开/公告日	2020-07-24	公开/公告号	CN111443701A
优先权	暂无	优先权号	暂无
主分类号	G05D1/02 ? IPC结构图谱： G 物理 G0 仪器 G05 控制；调节 G05D 非电变量的控制或调节系统（金属的连续铸造入B22D 11/16；阀门本身入F16K；非电变量的检测见G01各有关小类；电或磁变量的调节入G05F） G05D1/00 陆地、水上、空中或太空中的运载工具的位置、航道、高度或姿态的控制，例如自动驾驶仪（无线电导航系统或使用其他波的类似系统入G01S） G05D1/02 二维的位置或航道控制〔2〕	IPC分类号	G;0;5;D;1;/;0;2查看分类表>
申请人	南京理工大学	申请人地址	江苏省南京市孝陵卫200号变更专利地址、主体等相关变化，请及时变更，防止失效
权利人	南京理工大学	当前权利人	南京理工大学
发明人	石朝侠;兰潇根
代理机构	南京理工大学专利中心	代理人	王玮

摘要

本发明公开了一种基于异构深度学习的无人驾驶车辆/机器人行为规划方法。本发明设计了由不同类型深度学习网络组成的异构深度学习模型：在有限行为状态机的约束下，首先将输入图像进行降维编码，并将编码空间约束为正态分布空间，再在编码空间中实现对无人驾驶车辆/机器人的行为控制。本发明充分利用了不同种类深度学习模型的优势，包含基于擅长图像建模的卷积神经网络的自编码模型、基于擅长序列数据建模的循环神经网络的道路跟踪模型以及基于全连接神经网络的控制模型与评估模型；并利用当前传感信息、现行网络输出与驾驶员实际输出的偏差，从安全性、平滑性、快速性几个方面对多个相同结构的网络进行在线学习与评估，建立自主驾驶的终身学习机制。本发明有效解决了无人驾驶车辆/机器人自主规划的自学习问题，为基于视觉的自主导航提供了廉价、可行的解决方案。

序号	公开(公告)号	公开(公告)日	申请日	专利名称	申请人
该专利没有引用任何外部专利数据！

序号	公开(公告)号	公开(公告)日	申请日	专利名称	申请人
该专利没有被任何外部专利所引用！

我浏览过的专利

专利服务由北京酷爱智慧知识产权代理公司提供