“姜超颖”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6个，建议您升级VIP下载更多相关专利

[发明专利]一种基于改进YOLOv7算法的无人机航拍小目标检测方法-CN202310525931.2在审
发明人：刘东;张文博;姜超颖;龙璐岚;李林;臧博 -专利权人：西安电子科技大学
申请日： 2023-05-11 - 公布日： 2023-08-15 - 主分类号： G06V20/17 文献下载
摘要：本发明公开了一种基于改进YOLOv7算法的无人机航拍小目标检测方法，包括以下步骤；步骤1，获取无人机航拍数据集并转换为YOLO格式，划分训练集、验证集和测试集；步骤2，搭建改进的YOLOv7网络；所述改进的YOLOv7网络是对YOLOv7网络做出了修改颈部网络结构并在其中引入空间注意力SGE的改进；步骤3，以所述改进的YOLOv7网络为检测模型，利用所述训练集和验证集对该监测模型进行训练和验证，得到最终的检测模型；步骤4，利用所述最终的检测模型，以无人机航拍图像为输入，进行小目标检测。本发明用于提高无人机航拍小目标检测的精度。
一种基于改进 yolov7 算法无人机航拍目标检测方法

[发明专利]一种基于深度强化学习的多智能体协同导航方法-CN202310550857.X在审
发明人：袁济民;张文博;姜超颖;李林;龙璐岚;王海舰 -专利权人：西安电子科技大学
申请日： 2023-05-16 - 公布日： 2023-08-11 - 主分类号： G06N3/008 文献下载
摘要：本发明公开了一种基于深度强化学习的多智能体协同导航方法，步骤1，观察全局状态，构建目标选择策略网络和碰撞避免策略网络；步骤2，根据所述目标选择策略网络，选择一个目标，目标指当前运动设备需要导航到的目标地点；步骤3，观察局部状态，局部状态指当前运动设备探测到的与周围障碍物之间的距离；步骤4，判断前方是否存在障碍物，若否，则当前运动设备向选择的所述目标移动一步，并返回步骤1；若是，则根据所述碰撞避免策略网络得到一个角度，当前运动设备转向该角度并向前移动一步，并返回步骤1；所述向前，指当前运动设备转向的角度方向；本发明提高了模型的泛化能力，从而提升了协同导航性能。
一种基于深度强化学习智能体协导航方法

[发明专利]一种基于轻量级神经网络的目标检测方法-CN202310448848.X在审
发明人：刘虎成;张文博;姜超颖;龙璐岚;李林;臧博 -专利权人：西安电子科技大学
申请日： 2023-04-24 - 公布日： 2023-07-18 - 主分类号： G06V10/77 文献下载
摘要：本发明公开了一种基于轻量级神经网络的目标检测方法，包括以下步骤；步骤1：获取目标检测数据集，得到输入图像；步骤2：搭建基于轻量级神经网络的目标检测网络，所述目标检测网络结构顺序，依次为输入层、特征提取层、特征增强层和输出层；步骤3：训练目标检测网络，得到训练好的网络；步骤4：将待检测的图像样本，输入到步骤3训练好的网络中进行目标检测，输出检测结果。本发明通过大幅减少参数量和运算量的方式，提高模型的检测速度。
一种基于轻量级神经网络目标检测方法

[发明专利]一种基于改进DQN算法的物品派送无人机集群航迹规划方法-CN202310216775.1在审
发明人：刘君兰;张文博;姜超颖;龙璐岚;李林;臧博 -专利权人：西安电子科技大学
申请日： 2023-03-07 - 公布日： 2023-07-11 - 主分类号： G05D1/10 文献下载
摘要：本发明公开了一种基于改进DQN算法的物品派送无人机集群航迹规划方法，包括以下步骤；步骤1：对无人机集群和派送目的地点进行任务分配；步骤2：确定改进DQN算法的环境初始状态，设置无人机寻路问题的状态、动作、策略元素的表示方式；步骤3：根据状态和动作维度设置改进DQN算法的神经网络结构，提出单调递减步长的改进措施；步骤4：使用改进DQN算法规划初始航迹，根据任务分配结果让无人机起点和派送目的地一一对应，进行航迹规划；步骤5：调整航迹中的危险点；步骤6：无人机航迹优化处理；本发明能够得到模型简单，规划快速的航迹规划方法。
一种基于改进 dqn 算法物品派送无人机集群航迹规划方法

[发明专利]一种基于深度强化学习的多无人机智能导航方法-CN202310223562.1在审
发明人：李瑜;张文博;姜超颖;龙璐岚;李林;臧博 -专利权人：西安电子科技大学
申请日： 2023-03-09 - 公布日： 2023-06-09 - 主分类号： G01C21/20 文献下载
摘要：本发明公开了一种基于深度强化学习的多无人机智能导航方法，包括以下步骤；(1)在三维仿真环境中建立多架四旋翼无人机模型并生成包含障碍物和目标点的环境：(2)设置无人机的多维度特征融合的全局观测信息、局部观测信息和离散动作空间；(3)基于欧式距离的奖励函数，定义无人机状态的价值评价指标；(4)设计策略网络和状态价值网络；(5)设计临时经验池存储交互信息；(6)基于OA‑MAPPO算法进行深度强化学习网络训练，按照算法设定的流程采样步骤(5)中产生的样本，用于步骤(4)中设计的网络的训练；(7)实现多无人机智能导航。本发明能够实现良好的避障导航效果。
一种基于深度强化学习无人机智能导航方法

[发明专利]一种基于粒子群算法的无人机集群航迹规划方法-CN202211542932.X在审
发明人：张文博;刘君兰;姜超颖;常超;文强 -专利权人：西安电子科技大学
申请日： 2022-12-02 - 公布日： 2023-03-24 - 主分类号： G05D1/10 文献下载
摘要：本发明公开了一种基于粒子群算法的无人机集群协同航迹规划方法，包括以下步骤：无人机集群获取街道场景下的一组起点，终点以及障碍物信息，建立二维栅格图；采用粒子群算法生成无人机集群中各无人机的全局初始航迹；检测各无人机初始航迹中存在的时空冲突点，采用在速度圆上取特定方向获得冲突避让点进行冲突消解；得到无时空冲突的无人机集群航迹，将航迹以网络通信udp方式传送给unity3D仿真平台进行无人机集群飞行验证；本发明能提供安全系数高，平滑性好，满足无人机集群协同性，有效完成冲突消解的航迹解决方案。
一种基于粒子算法无人机集群航迹规划方法