CN113222122A - 一种适用于单片机的优质神经网络系统 - Google Patents
一种适用于单片机的优质神经网络系统 Download PDFInfo
- Publication number
- CN113222122A CN113222122A CN202110610538.4A CN202110610538A CN113222122A CN 113222122 A CN113222122 A CN 113222122A CN 202110610538 A CN202110610538 A CN 202110610538A CN 113222122 A CN113222122 A CN 113222122A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- information
- template
- analysis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 39
- 238000007405 data analysis Methods 0.000 claims abstract description 34
- 238000010276 construction Methods 0.000 claims abstract description 29
- 238000012360 testing method Methods 0.000 claims abstract description 19
- 238000004088 simulation Methods 0.000 claims abstract description 13
- 239000000284 extract Substances 0.000 claims abstract description 9
- 238000004891 communication Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 56
- 238000013480 data collection Methods 0.000 claims description 23
- 238000004458 analytical method Methods 0.000 claims description 22
- 230000007613 environmental effect Effects 0.000 claims description 16
- 238000000034 method Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000003993 interaction Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 101000878595 Arabidopsis thaliana Squalene synthase 1 Proteins 0.000 claims description 3
- 238000013144 data compression Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000004888 barrier function Effects 0.000 abstract 1
- 238000012549 training Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明公开了一种适用于单片机的优质神经网络系统，属于单片机和无人机视觉技术领域，包括数据采集模块、特征提取模块、特征比对模块、信息数据库构建模块、信息提取模块、数据分析模块、检索显示模块、数据调用模块以及仿真测试模块，其中，所述特征提取模块分别与数据采集模块、特征比对模块通信连接，所述信息数据库构建模块分别与特征比对模块、信息提取模块通信连接；本发明能够提取出足够的图像特征，提高数据准确性，降低计算能力要求，能够将障碍物与标识物准确在环境模型上进行标注，提高路线规划的准确性，降低意外发生率，提高工作人员工作效率，节省测试时间。
Description
技术领域
本发明涉及单片机和无人机视觉技术领域，尤其涉及一种适用于单片机的优质神经网络系统。
背景技术
目前深度学习神经网络已经发展的相对完善，同时，随着深度学习神经网络的发展，网络的算力要求也越来越高，但目前的计算机都能够承担，但是，如果需要在单片机上搭载神经网络，就不能够使用复杂的深度学习神经网络，为了让单片机能够使用，并且又尽可能保留深度学习神经网络的优点，便有了CjlNet，现有的深度学习神经网络有着很高的准确率，但是其训练时间以及网络复杂程度也是非常可观的，它的运算量非常大，可训练参数极其多，并且，由于引入了正则化运算，计算量更是大大提高，单片机上完全不可能搭载这样的神经网络，CjlNet通常可以达到85％以上的准确率，并且CjlNet可以量化后搭载在单片机上，模型训练的速度也比较快，因此，发明出一种适用于单片机的优质神经网络系统变得尤为重要；
经检索，中国专利号CN112414401A公开了基于图神经网络的无人机协同定位系统及方法，该发明虽然定位准确度高，抗干扰能力强，但无法提取出足够的图像特征，数据准确性低，计算能力要求高；此外，现有的适用于单片机的优质神经网络系统规划线路时无法准确的进行特征标注，在测试时容易发生意外，需要工作人员手动标注，降低工作人员工作效率，浪费时间，为此，我们提出一种适用于单片机的优质神经网络系统。
发明内容
本发明的目的是为了解决现有技术中存在的缺陷，而提出的一种适用于单片机的优质神经网络系统。
为了实现上述目的，本发明采用了如下技术方案：
一种适用于单片机的优质神经网络系统，包括数据采集模块、特征提取模块、特征比对模块、信息数据库构建模块、信息提取模块、数据分析模块、检索显示模块、数据调用模块以及仿真测试模块；
其中，所述特征提取模块分别与数据采集模块、特征比对模块通信连接，所述信息数据库构建模块分别与特征比对模块、信息提取模块通信连接，所述数据分析模块分别与信息提取模块、数据调用模块、检索显示模块通信连接，所述仿真测试模块与数据调用模块通信连接；
所述数据采集模块包括选择单元、外部信息收集单元、线上数据收集单元以及数据处理单元。
进一步地，所述选择单元用于对用户通过外部输入设备选择的信息采集方式进行分析判断，其中，输入设备具体为键盘、鼠标或电子笔中的一种，其具体分析判断步骤如下：
步骤一：用户通过输入设备输入信息采集方式；
步骤二：选择单元接收用户输入的信息，开始对其进行数据分析，并按照线上抓取以及实地采集进行分类，同时分别标记为A、B；
步骤三：若用户同时选择线上抓取与实地采集，则将其标记为C；
所述外部信息收集单元用于接收B或C，并开始进行数据采集，其具体数据采集步骤如下：
步骤(1)：外部信息收集单元接收到B或C，并开始启动激光雷达以及双目摄像机；
步骤(2)：激光雷达以及双目摄像机开始对外部环境信息进行实时采集，并将收集到的信息通过数据转换处理生成环境数据，并将其发送至数据处理单元；
所述线上数据收集单元用于接收A或C并对线上相关数据进行数据收集处理，其具体数据收集步骤如下：
第一步：线上数据收集单元接收到A或C，开始与因特网进行数据交互；
第二步：用户通过输入设备输入需要收集的数据关键字，线上数据收集单元开始进行数据筛选收集，并将收集到的数据处理生成解析数据，并将其发送至数据处理单元；
所述数据处理单元用于对环境数据与解析数据进行数据解析，并对其进行数据优化处理，其具体数据优化步骤如下：
Ⅰ、若数据处理单元仅接收到环境数据，则对其进行图像增强、均值滤波与除噪音处理生成模板数据a；
Ⅱ、若数据处理单元仅接收到解析数据，则对其进行精度修复与对比修复处理生成模板数据b；
Ⅲ、若同时接收到环境数据与解析数据，则对环境数据进行图像增强、均值滤波与除噪音处理，对解析数据进行精度修复与对比修复处理，同时将处理完成的两组数据进行数据整合处理生成模板数据c。
进一步地，所述特征提取模块用于接收模板数据a、模板数据b或模板数据c，并对其进行特征提取处理，其具体特征提取步骤如下：
S1：特征提取模块开始与外部云端数据库进数据交互，并提取其中的特征数据；
S2：特征提取模块从模板数据a、模板数据b或模板数据c中抽取一组数据，并将其处理生成对比数据；
S3：将特征数据与对比数据进行特征对比，并将其与特征数据一直的部分进行数据标记，同时将其处理生成标注数据。
进一步地，所述特征比对模块用于接收标注数据并对其余模板数据a、模板数据b或模板数据c进行数据标注处理生成构建数据，并将其发送至信息数据库构建模块；
所述信息数据库构建模块用于接收构建数据，并将其处理生成存储数据，并对其进行分类存储，其具体分类存储步骤如下：
SS1：将构建数据按照标识物以及障碍物进行分类，并分别标记为D与E；
SS2：将D与E分别按照数据生成先后进行有序排列处理。
进一步地，所述信息提取模块用于提取D与E，并将其发送至数据分析模块；
所述数据分析模块用于对D与E进行数据分析处理，其具体数据分析步骤如下：
P1：数据分析模块接收到D与E，开始构建对应环境模型；
P2：环境模型构建完成，将D与E在环境模型上对应位置进行数据标注；
P3：环境模型标注完成，开始进行路线规划，并将通过数据压缩处理生成规划数据并进行数据暂存处理。
进一步地，所述数据调用模块用于用户选择所需的规划数据，同时将其从数据分析模块中调用并发送至仿真测试模块；
仿真测试模块用于对规划数据进行测试优化处理，并通过数据转换生成结果数据。
进一步地，所述检索显示模块用于使用者需要查看规划数据时，查找对应时间段的规划数据，且具体检索步骤如下：
PP1：使用者在检索显示模块中输入需要查找的初级时间段X；
PP2：使用者输入初级时间段X后再次输入次级时间段x；
PP3：使用者输入完初级时间段X和次级时间段x后，检索显示模块即会将使用者需要的内容从数据分析模块中调出并显示出来。
相比于现有技术，本发明的有益效果在于：
1、本发明设置有特征提取模块，当数据处理单元将环境数据与解析数据通过数据转换处理生成，特征提取模块开始与外部云端数据库进行数据交互，并提取对应特征数据，同时将其与对比数据进行比对处理生成标注数据，特征比对模块将标注数据与模板数据进行数据标注处理生成构建数据，能够提取出足够的图像特征，提高数据准确性，降低计算能力要求；
2、本发明设置有数据分析模块，信息提取模块从信息数据库构建模块中提取相关数据，并将其发送至数据分析模块，数据分析模块接收到数据，同时开始对其进行环境模型构建，并对该模型上的障碍物与标识物进行标注，能够将障碍物与标识物准确在环境模型上进行标注，提高路线规划的准确性，降低意外发生率，提高工作人员工作效率，节省测试时间。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
图1为本发明提出的一种适用于单片机的优质神经网络系统的系统框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
参照图1，一种适用于单片机的优质神经网络系统，包括数据采集模块、特征提取模块、特征比对模块、信息数据库构建模块、信息提取模块、数据分析模块、检索显示模块、数据调用模块以及仿真测试模块；
其中，特征提取模块分别与数据采集模块、特征比对模块通信连接，信息数据库构建模块分别与特征比对模块、信息提取模块通信连接，数据分析模块分别与信息提取模块、数据调用模块、检索显示模块通信连接，仿真测试模块与数据调用模块通信连接；
数据采集模块包括选择单元、外部信息收集单元、线上数据收集单元以及数据处理单元。
选择单元用于对用户通过外部输入设备选择的信息采集方式进行分析判断，其中，输入设备具体为键盘、鼠标或电子笔中的一种。
本实施例中提供了一种分析判断方法，其具体分析判断步骤如下：
步骤一：用户通过输入设备输入信息采集方式；
步骤二：选择单元接收用户输入的信息，开始对其进行数据分析，并按照线上抓取以及实地采集进行分类，同时分别标记为A、B；
步骤三：若用户同时选择线上抓取与实地采集，则将其标记为C；
外部信息收集单元用于接收B或C，并开始进行数据采集。
本实施例中提供了一种数据采集方法，其具体数据采集步骤如下：
步骤(1)：外部信息收集单元接收到B或C，并开始启动激光雷达以及双目摄像机；
步骤(2)：激光雷达以及双目摄像机开始对外部环境信息进行实时采集，并将收集到的信息通过数据转换处理生成环境数据，并将其发送至数据处理单元；
线上数据收集单元用于接收A或C并对线上相关数据进行数据收集处理。
本实施例中提供了一种数据收集方法，其具体数据收集步骤如下：
第一步：线上数据收集单元接收到A或C，开始与因特网进行数据交互；
第二步：用户通过输入设备输入需要收集的数据关键字，线上数据收集单元开始进行数据筛选收集，并将收集到的数据处理生成解析数据，并将其发送至数据处理单元；
数据处理单元用于对环境数据与解析数据进行数据解析，并对其进行数据优化处理。
具体的，该数据处理单元具体数据优化步骤如下：
Ⅰ、若数据处理单元仅接收到环境数据，则对其进行图像增强、均值滤波与除噪音处理生成模板数据a；
Ⅱ、若数据处理单元仅接收到解析数据，则对其进行精度修复与对比修复处理生成模板数据b；
Ⅲ、若同时接收到环境数据与解析数据，则对环境数据进行图像增强、均值滤波与除噪音处理，对解析数据进行精度修复与对比修复处理，同时将处理完成的两组数据进行数据整合处理生成模板数据c。
特征提取模块用于接收模板数据a、模板数据b或模板数据c，并对其进行特征提取处理。
本实施例中图像传输的具体工作原理如下：图像传输至网络主干部分时会循环经过卷积层、池化层、激活层，之后再经过一个flatten层和一个全连接层，在网络主干部分的个别地方，会引出跳连线，将激活层的输出引出，通过卷积层和池化层改变维度，再加回网络主干部分相应位置。
本实施例中提供了一种特征提取方法，其具体特征提取步骤如下：
S1：特征提取模块开始与外部云端数据库进数据交互，并提取其中的特征数据；
S2：特征提取模块从模板数据a、模板数据b或模板数据c中抽取一组数据，并将其处理生成对比数据；
S3：将特征数据与对比数据进行特征对比，并将其与特征数据一直的部分进行数据标记，同时将其处理生成标注数据。
特征比对模块用于接收标注数据并对其余模板数据a、模板数据b或模板数据c进行数据标注处理生成构建数据，并将其发送至信息数据库构建模块；
信息数据库构建模块用于接收构建数据，并将其处理生成存储数据，并对其进行分类存储。
本实施例中提供了一种分类存储方法，其具体分类存储步骤如下：
SS1：将构建数据按照标识物以及障碍物进行分类，并分别标记为D与E；
SS2：将D与E分别按照数据生成先后进行有序排列处理。
信息提取模块用于提取D与E，并将其发送至数据分析模块；
数据分析模块用于对D与E进行数据分析处理
具体的，该数据分析模块具体的数据分析步骤如下：
P1：数据分析模块接收到D与E，开始构建对应环境模型；
P2：环境模型构建完成，将D与E在环境模型上对应位置进行数据标注；
P3：环境模型标注完成，开始进行路线规划，并将通过数据压缩处理生成规划数据并进行数据暂存处理。
数据调用模块用于用户选择所需的规划数据，同时将其从数据分析模块中调用并发送至仿真测试模块；
仿真测试模块用于对规划数据进行测试优化处理，并通过数据转换生成结果数据。
检索显示模块用于使用者需要查看规划数据时，检索对应时间段的规划数据。
本实施例提供了一种检索方法，且具体检索步骤如下：
PP1：使用者在检索显示模块中输入需要查找的初级时间段X；
PP2：使用者输入初级时间段X后再次输入次级时间段x；
PP3：使用者输入完初级时间段X和次级时间段x后，检索显示模块即会将使用者需要的内容从数据分析模块中调出并显示出来。
本实施例在无人机方面的应用具体为：无人机在运行时会遇到许多障碍物，在需要对一些遇到的常见的障碍物进行识别时，就可以使用CjlNet，自行制作数据集并进行训练，量化后搭载在单片机上使用，在使用CjlNet时，只需要修改训练的代码文件中的配置部分，就能够在不同的实际项目中使用CjlNet，并且，代码文件中提供了数据增强模块，使用数据增强模块可以提高训练准确率。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种适用于单片机的优质神经网络系统，其特征在于，包括数据采集模块、特征提取模块、特征比对模块、信息数据库构建模块、信息提取模块、数据分析模块、检索显示模块、数据调用模块以及仿真测试模块；
其中，所述特征提取模块分别与数据采集模块、特征比对模块通信连接，所述信息数据库构建模块分别与特征比对模块、信息提取模块通信连接，所述数据分析模块分别与信息提取模块、数据调用模块、检索显示模块通信连接，所述仿真测试模块与数据调用模块通信连接；
所述数据采集模块包括选择单元、外部信息收集单元、线上数据收集单元以及数据处理单元。
2.根据权利要求1所述的一种适用于单片机的优质神经网络系统，其特征在于，所述选择单元用于对用户通过外部输入设备选择的信息采集方式进行分析判断，其中，输入设备具体为键盘、鼠标或电子笔中的一种，其具体分析判断步骤如下：
步骤一：用户通过输入设备输入信息采集方式；
步骤二：选择单元接收用户输入的信息，开始对其进行数据分析，并按照线上抓取以及实地采集进行分类，同时分别标记为A、B；
步骤三：若用户同时选择线上抓取与实地采集，则将其标记为C；
所述外部信息收集单元用于接收B或C，并开始进行数据采集，其具体数据采集步骤如下：
步骤(1)：外部信息收集单元接收到B或C，并开始启动激光雷达以及双目摄像机；
步骤(2)：激光雷达以及双目摄像机开始对外部环境信息进行实时采集，并将收集到的信息通过数据转换处理生成环境数据，并将其发送至数据处理单元；
所述线上数据收集单元用于接收A或C并对线上相关数据进行数据收集处理，其具体数据收集步骤如下：
第一步：线上数据收集单元接收到A或C，开始与因特网进行数据交互；
第二步：用户通过输入设备输入需要收集的数据关键字，线上数据收集单元开始进行数据筛选收集，并将收集到的数据处理生成解析数据，并将其发送至数据处理单元；
所述数据处理单元用于对环境数据与解析数据进行数据解析，并对其进行数据优化处理，其具体数据优化步骤如下：
Ⅰ、若数据处理单元仅接收到环境数据，则对其进行图像增强、均值滤波与除噪音处理生成模板数据a；
Ⅱ、若数据处理单元仅接收到解析数据，则对其进行精度修复与对比修复处理生成模板数据b；
Ⅲ、若同时接收到环境数据与解析数据，则对环境数据进行图像增强、均值滤波与除噪音处理，对解析数据进行精度修复与对比修复处理，同时将处理完成的两组数据进行数据整合处理生成模板数据c。
3.根据权利要求1所述的一种适用于单片机的优质神经网络系统，其特征在于，所述特征提取模块用于接收模板数据a、模板数据b或模板数据c，并对其进行特征提取处理，其具体特征提取步骤如下：
S1：特征提取模块开始与外部云端数据库进数据交互，并提取其中的特征数据；
S2：特征提取模块从模板数据a、模板数据b或模板数据c中抽取一组数据，并将其处理生成对比数据；
S3：将特征数据与对比数据进行特征对比，并将其与特征数据一直的部分进行数据标记，同时将其处理生成标注数据。
4.根据权利要求1所述的一种适用于单片机的优质神经网络系统，其特征在于，所述特征比对模块用于接收标注数据并对其余模板数据a、模板数据b或模板数据c进行数据标注处理生成构建数据，并将其发送至信息数据库构建模块；
所述信息数据库构建模块用于接收构建数据，并将其处理生成存储数据，并对其进行分类存储，其具体分类存储步骤如下：
SS1：将构建数据按照标识物以及障碍物进行分类，并分别标记为D与E；
SS2：将D与E分别按照数据生成先后进行有序排列处理。
5.根据权利要求1所述的一种适用于单片机的优质神经网络系统，其特征在于，所述信息提取模块用于提取D与E，并将其发送至数据分析模块；
所述数据分析模块用于对D与E进行数据分析处理，其具体数据分析步骤如下：
P1：数据分析模块接收到D与E，开始构建对应环境模型；
P2：环境模型构建完成，将D与E在环境模型上对应位置进行数据标注；
P3：环境模型标注完成，开始进行路线规划，并将通过数据压缩处理生成规划数据并进行数据暂存处理。
6.根据权利要求1所述的一种适用于单片机的优质神经网络系统，其特征在于，所述数据调用模块用于用户选择所需的规划数据，同时将其从数据分析模块中调用并发送至仿真测试模块；
仿真测试模块用于对规划数据进行测试优化处理，并通过数据转换生成结果数据。
7.根据权利要求1所述的一种适用于单片机的优质神经网络系统，其特征在于，所述检索显示模块用于使用者需要查看规划数据时，查找对应时间段的规划数据，且具体检索步骤如下：
PP1：使用者在检索显示模块中输入需要查找的初级时间段X；
PP2：使用者输入初级时间段X后再次输入次级时间段x；
PP3：使用者输入完初级时间段X和次级时间段x后，检索显示模块即会将使用者需要的内容从数据分析模块中调出并显示出来。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110610538.4A CN113222122A (zh) | 2021-06-01 | 2021-06-01 | 一种适用于单片机的优质神经网络系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110610538.4A CN113222122A (zh) | 2021-06-01 | 2021-06-01 | 一种适用于单片机的优质神经网络系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113222122A true CN113222122A (zh) | 2021-08-06 |
Family
ID=77082276
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110610538.4A Pending CN113222122A (zh) | 2021-06-01 | 2021-06-01 | 一种适用于单片机的优质神经网络系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113222122A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108460328A (zh) * | 2018-01-15 | 2018-08-28 | 浙江工业大学 | 一种基于多任务卷积神经网络的套牌车检测方法 |
| WO2019023628A1 (en) * | 2017-07-27 | 2019-01-31 | Waymo Llc | NEURAL NETWORKS FOR VEHICLE TRACK PLANNING |
| CA3082106A1 (en) * | 2017-11-13 | 2019-05-16 | Raven Industries, Inc. | Safety system for autonomous operation of off-road and agricultural vehicles using machine learning for detection and identification of obstacles. |
| CN109947119A (zh) * | 2019-04-23 | 2019-06-28 | 东北大学 | 一种基于多传感器融合的移动机器人自主跟随系统及方法 |
| CN110497901A (zh) * | 2019-08-30 | 2019-11-26 | 的卢技术有限公司 | 一种基于机器人vslam技术的泊车位自动搜索方法和系统 |
| CN110674748A (zh) * | 2019-09-24 | 2020-01-10 | 腾讯科技（深圳）有限公司 | 图像数据处理方法、装置、计算机设备以及可读存储介质 |
| US20200209880A1 (en) * | 2018-12-28 | 2020-07-02 | Ubtech Robotics Corp Ltd | Obstacle detection method and apparatus and robot using the same |
-
2021
- 2021-06-01 CN CN202110610538.4A patent/CN113222122A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019023628A1 (en) * | 2017-07-27 | 2019-01-31 | Waymo Llc | NEURAL NETWORKS FOR VEHICLE TRACK PLANNING |
| CA3082106A1 (en) * | 2017-11-13 | 2019-05-16 | Raven Industries, Inc. | Safety system for autonomous operation of off-road and agricultural vehicles using machine learning for detection and identification of obstacles. |
| CN108460328A (zh) * | 2018-01-15 | 2018-08-28 | 浙江工业大学 | 一种基于多任务卷积神经网络的套牌车检测方法 |
| US20200209880A1 (en) * | 2018-12-28 | 2020-07-02 | Ubtech Robotics Corp Ltd | Obstacle detection method and apparatus and robot using the same |
| CN109947119A (zh) * | 2019-04-23 | 2019-06-28 | 东北大学 | 一种基于多传感器融合的移动机器人自主跟随系统及方法 |
| CN110497901A (zh) * | 2019-08-30 | 2019-11-26 | 的卢技术有限公司 | 一种基于机器人vslam技术的泊车位自动搜索方法和系统 |
| CN110674748A (zh) * | 2019-09-24 | 2020-01-10 | 腾讯科技（深圳）有限公司 | 图像数据处理方法、装置、计算机设备以及可读存储介质 |
Non-Patent Citations (5)
| Title |
|---|
| JIANXIN LI 等: "An improved DQN path planning algorithm", 《THE JOURNAL OF SUPERCOMPUTING》, pages 616 - 639 * |
| MEHMET BODUR 等: "Satellite Images-Based Obstacle Recognition and Trajectory Generation for Agricultural Vehicles", 《INTERNATIONAL JOURNAL OF ADVANCED ROBOTIC SYSTEMS》, pages 1 - 10 * |
| SHUHUAN WEN 等: "Path planning for active SLAM based on deep reinforcement learning under unknown environments", 《INTELLIGENT SERVICE ROBOTICS》, pages 263 - 272 * |
| 张丰 等: "空间机械臂装配建模与视觉导引问题研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 2020, pages 031 - 1732 * |
| 曹志昊: "社区服务机器人导航系统设计与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 2018, pages 140 - 278 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107122375B (zh) | 基于图像特征的图像主体的识别方法 | |
| CN109242439B (zh) | 基于变电站设备相关联数据的特征提取识别方法 | |
| CN110458077B (zh) | 一种车辆颜色识别方法及系统 | |
| CN108898137A (zh) | 一种基于深度神经网络的自然图像字符识别方法及系统 | |
| CN110245709A (zh) | 基于深度学习和自注意力的3d点云数据语义分割方法 | |
| CN110222767B (zh) | 基于嵌套神经网络和栅格地图的三维点云分类方法 | |
| CN110322453A (zh) | 基于位置注意力和辅助网络的3d点云语义分割方法 | |
| CN114842208B (zh) | 一种基于深度学习的电网危害鸟种目标检测方法 | |
| CN111651474B (zh) | 一种自然语言至结构化查询语言的转换方法及系统 | |
| CN112528639B (zh) | 对象识别方法和装置、存储介质及电子设备 | |
| CN116359218B (zh) | 一种工业聚集区大气污染移动监测系统 | |
| CN108256022A (zh) | 人才评价模型构建方法及人才评价方法及系统 | |
| CN111444341A (zh) | 用户画像构建方法、装置、设备及可读存储介质 | |
| CN110895697A (zh) | 变压器铭牌信息采集方法及智能采集系统 | |
| CN115809833B (zh) | 基于画像技术的基建项目智能监督方法、装置 | |
| CN110457706B (zh) | 兴趣点名称选择模型训练方法、使用方法、装置及存储介质 | |
| CN115035381A (zh) | 一种SN-YOLOv5的轻量化目标检测网络及农作物采摘检测方法 | |
| CN111242183A (zh) | 基于注意力机制的图像识别分类方法及装置 | |
| Baoyuan et al. | Research on object detection method based on FF-YOLO for complex scenes | |
| CN116186594B (zh) | 基于决策网络结合大数据实现环境变化趋势智能检测方法 | |
| CN115147248B (zh) | 一种基于大数据的旅游信息咨询系统和方法 | |
| CN113222122A (zh) | 一种适用于单片机的优质神经网络系统 | |
| CN116503379A (zh) | 基于轻量化改进YOLOv5的零件识别方法 | |
| CN109064578A (zh) | 一种基于云服务的考勤系统及方法 | |
| CN114998866A (zh) | 一种基于改进YOLOv4的交通标志识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240118 Address after: Nantang Group, Luqi Village, Nangang Town, Shucheng County, Lu'an City, Anhui Province 231330 Applicant after: Zheng Daocang Address before: 400000 area a, Chongqing University, 174 shazheng street, Shapingba District, Chongqing Applicant before: Chongqing University |
|
| TA01 | Transfer of patent application right |