“冯柄茱”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果5个，建议您升级VIP下载更多相关专利

[发明专利]一种基于双向搜索决策改进RRT的移动机器人路径规划方法-CN202310300092.4在审
发明人：宋永端;王帅;杨凡;冯柄茱;姚栋;李俊北;廖昕怡;李坤然;王玉娟 -专利权人：重庆大学
申请日： 2023-03-26 - 公布日： 2023-09-22 - 主分类号： G01C21/34 文献下载
摘要：本发明公开了一种基于双向搜索决策改进RRT的移动机器人路径规划方法，该方法主要针对InformedRRT*算法在得到最优路径之前执行时间比较长的缺点，且规划出来的是路径由于存在“突变”无法直接给到移动机器人执行跟踪，提出了对RRTConnect算法以及其InformedRRT*采样策略进行改进后B样条曲线优化的B‑IRC算法。产生新节点之后利用合适半径圆搜索周边顶点时，将祖节点和父节点同时纳入计算。根据三角形性质，两边之和大于第三边，只要祖节点和新节点之间的碰撞检测通过，就认定祖节点与新节点之间的路径更优，从而最终得到更低成本的更优路径。本方法能够显著加快后续椭圆区域的缩小，从而在整体上更快收敛到最优路径。
一种基于双向搜索决策改进 rrt 移动机器人路径规划方法

[发明专利]一种基于Bert模型和双通道模型的对话文本情感分析方法-CN202310537056.X在审
发明人：宋永端;杨环宇;杨凡;罗倩;向清;冯柄茱;陈宇通;盖瑞雪;王玉娟 -专利权人：重庆大学
申请日： 2023-05-13 - 公布日： 2023-08-25 - 主分类号： G06F40/35 文献下载
摘要：本发明公开了一种基于Bert模型和双通道模型的对话文本情感分析方法，使用Bert模型对输入文本进行字级别的向量化操作，通过预训练学习到的先验知识来增强文本向量的语义表达，使用遮掩策略强化对文本中词的理解。对话文本为短文本，提取短文本的语义信息存在一定难度，特征提取层结合BiGRU和CNN网络的优点，使用BiGRU网络捕获上下文的语义信息，从全局上来衡量文本的情感信息，并借助CNN网络对文本中多层次的特征信息进行局部提取，以便捕获更有利于文本情感分析的特征信息。将BiGRU和CNN网络提取的特征进行拼接输入至情感分类层中，通过全连接层和Softmax操作后实现情感分类。
一种基于 bert 模型双通道对话文本情感分析方法

[发明专利]一种能用于复杂环境的机器人自适应局部动态避障方法-CN202310336967.6在审
发明人：宋永端;冯柄茱;王帅;向清;姚栋;杨环宇;罗倩;徐殊欣;王玉娟 -专利权人：重庆大学
申请日： 2023-03-31 - 公布日： 2023-07-25 - 主分类号： G05D1/02 文献下载
摘要：本发明公开了一种能用于复杂环境的机器人自适应局部动态避障方法，包含两阶段的优化：优化算法的评价函数，限制机器人导航过程中存在的角加速度跳变的问题，避免对机器人电机产生突变大负载；引入模糊控制模块，基于机器人搭载的传感器采集到的空间数据对环境障碍物分布进行分析，利用障碍物分布特性以及机器人姿态作为控制器输入对评价函数结构进行实时优化，最终能得到一种能用于复杂环境的机器人自适应局部动态避障方法。
一种用于复杂环境机器人自适应局部动态方法

[发明专利]基于图像梯度阈值计算的改进移动机器人EDLines线段检测方法-CN202310300093.9在审
发明人：宋永端;向清;杨凡;姚栋;冯柄茱;杨环宇;罗倩;关欣;王玉娟 -专利权人：重庆大学
申请日： 2023-03-26 - 公布日： 2023-07-25 - 主分类号： G06T7/80 文献下载
摘要：本发明公开了基于图像梯度阈值计算的改进移动机器人EDLines线段检测方法，为了剔除图像中梯度值较低的像素点，需要结合梯度值计算出图像梯度的阈值，以提取出更加有效的线段；采用PROSAC方法剔除噪声点，最后线段筛选与合并策略；基于该改进的方法，能够解决线段断裂、短小的问题，并具有线段检测速度快、符合真实场景结构的优势。本发明采用的融合图像畸变矫正、图像梯度阈值计算、线段筛选合并等模块的EDLines方法的线段检测速度提高了66.7％，检测到的线段质量高，少有断裂、短小的线段，且抑制了一部分误检的直线，在保证线段检测速度的同时提取到贴合真实场景结构的直线段。
基于图像梯度阈值计算改进移动机器人 edlines 线段检测方法

[发明专利]基于CLA-BLSA模型的短时交通流预测方法-CN202310337303.1在审
发明人：宋永端;姚栋;向清;冯柄茱;龙鸿;胡芳;黄清月;徐殊欣;王玉娟 -专利权人：重庆大学
申请日： 2023-03-31 - 公布日： 2023-07-18 - 主分类号： G08G1/01 文献下载
摘要：本发明公开了基于CLA‑BLSA模型的短时交通流预测方法，本方法提出了一种融合了Conv‑LSTM、Bi‑LSTM和注意力机制的CLA‑BLSA模型，充分挖掘交通流的时空特性和复杂非线性特征，提升交通流预测的精度。该模型包含时空特征提取模块、交通流量日期性特征提取模块和交通流量周期性特征提取模块三个模块。CLA模块是带有注意力机制的Conv‑LSTM模块，该模块用于提取交通流的时空特征。设计两个BLSA模块用于捕获交通流每日和每周的周期变化特性，BLSA模块由基于自注意力机制的Bi‑LSTM模块构成。最后采用Lookahead优化算法通过指定内部循环优化器，更新快速权重、慢速权重的方式对模型进行优化。本发明通过引入注意力机制的Conv‑LSTM模块捕获交通流的时空特性，与其他现有的预测方法对比，本发明具有更优越的预测性能。
基于 cla blsa 模型短时交通流预测方法