Настройки

Укажите год
-

Небесная энциклопедия

Космические корабли и станции, автоматические КА и методы их проектирования, бортовые комплексы управления, системы и средства жизнеобеспечения, особенности технологии производства ракетно-космических систем

Подробнее
-

Мониторинг СМИ

Мониторинг СМИ и социальных сетей. Сканирование интернета, новостных сайтов, специализированных контентных площадок на базе мессенджеров. Гибкие настройки фильтров и первоначальных источников.

Подробнее

Форма поиска

Поддерживает ввод нескольких поисковых фраз (по одной на строку). При поиске обеспечивает поддержку морфологии русского и английского языка
Ведите корректный номера.
Ведите корректный номера.
Ведите корректный номера.
Ведите корректный номера.
Укажите год
Укажите год
Применить Всего найдено 5. Отображено 5.
27-06-2024 дата публикации

DETERMINING OBJECT ASSOCIATIONS USING MACHINE LEARNING IN AUTONOMOUS SYSTEMS AND APPLICATIONS

Номер: US20240211748A1
Автор: Neeraj Sajjan, Mehmet Kocamaz, Parthiv Parikh
Принадлежит: NVIDIA Corporation

In various examples, systems and methods are disclosed relating to determining associations between objects represented in sensor data and predicted states of the objects in multi-sensor systems such as autonomous or semi-autonomous vehicle perception systems. Systems and methods are disclosed that employ neural network models, such as multi-layer perceptron (MLP) models or other deep neural network (DNN) models, in learning association costs between sensor measurements and predicted states of objects. During training, the systems and methods can generate data for updating parameters of the neural network models such that, during deployment, the neural network models can receive sensor data and predicted states, and provide corresponding association costs.

Подробнее
Номер записи: 1
09-11-2023 дата публикации

OBJECT TRACKING AND TIME-TO-COLLISION ESTIMATION FOR AUTONOMOUS SYSTEMS AND APPLICATIONS

Номер: US20230360232A1
Автор: Mehmet K. Kocamaz, Parthiv Parikh, Sangmin Oh
Принадлежит: Nvidia Corp

In various examples, systems and methods for tracking objects and determining time-to-collision values associated with the objects are described. For instance, the systems and methods may use feature points associated with an object depicted in a first image and feature points associated with a second image to determine a scalar change associated with the object. The systems and methods may then use the scalar change to determine a translation associated with the object. Using the scalar change and the translation, the systems and methods may determine that the object is also depicted in the second image. The systems and methods may further use the scalar change and a temporal baseline to determine a time-to-collision associated with the object. After performing the determinations, the systems and methods may output data representing at least an identifier for the object, a location of the object, and/or the time-to-collision.

Подробнее
Номер записи: 2
09-11-2023 дата публикации

Objektverfolgung und zeit-bis-kollision-schätzung für autonome systeme und anwendungen

Номер: DE102023111579A1
Автор: Daniel Svensson, Hang Dou, Mehmet K. Kocamaz, Minwoo Park, Parthiv Parikh, Sangmin Oh
Принадлежит: Nvidia Corp

In verschiedenen Beispielen werden Systeme und Verfahren zur Verfolgung von Objekten und zur Bestimmung von Zeit-bis-Kollision-Werten, die den Objekten zugeordnet sind, beschrieben. Zum Beispiel können die Systeme und Verfahren Merkmalspunkte, die einem in einem ersten Bild dargestellten Objekt zugeordnet sind, und Merkmalspunkte, die einem zweiten Bild zugeordnet sind, verwenden, um eine skalare Änderung zu bestimmen, die dem Objekt zugeordnet ist. Die Systeme und Verfahren können dann die skalare Änderung verwenden, um eine Translation zu bestimmen, die dem Objekt zugeordnet ist. Anhand der skalaren Änderung und der Translation können die Systeme und Verfahren bestimmen, dass das Objekt auch auf dem zweiten Bild abgebildet ist. Die Systeme und Verfahren können ferner die skalare Änderung und eine zeitliche Basislinie verwenden, um eine Zeit-bis-Kollision zu bestimmen, die dem Objekt zugeordnet ist. Nach dem Durchführen der Bestimmungen können die Systeme und Verfahren Daten ausgeben, die mindestens eine Kennung für das Objekt, einen Ort des Objekts und/oder die Zeit-bis-Kollision darstellen.

Подробнее
Номер записи: 3
06-06-2024 дата публикации

Objekt verfolgungsmanagement für autonome systeme und anwendungen

Номер: DE102023133535A1
Автор: Mehmet K. Kocamaz, Parthiv Parikh
Принадлежит: Nvidia Corp

In verschiedenen Beispielen wird hier das Objektverfolgungsmanagement für autonome oder halbautonome Systeme und Anwendungen beschrieben. Es sind Systeme und Verfahren offenbart, die die Anzahl der verfolgten Objekte basierend auf einem oder mehreren Kriterien begrenzen können. Zum Beispiel kann die Anzahl der verfolgten Objekte auf eine Schwellenwertanzahl von Objekten begrenzt werden, wenn die Anzahl der erkannten Objekte einen Schwellenwert überschreitet. Die Systeme und Verfahren können den erkannten Objekten zugeordnete Parameter verwenden, um den erkannten Objekten zugeordnete Prioritätsbewertungen zu bestimmen, und können dann bestimmen, dass nur die erkannten Objekte mit den höchsten Werten (z. B. Objekte mit hoher Priorität) verfolgt werden. Dadurch kann die Latenzzeit und das Berechnen des Systems verringert werden, während die Verfolgung bezogen auf sicherheitskritische Objekte aufrechterhalten bleibt.

Подробнее
Номер записи: 4
27-06-2024 дата публикации

Bestimmen von Objektassoziationen durch maschinelles Lernen in autonomen Systemen und Anwendungen

Номер: DE102023135140A1
Автор: Mehmet Kocamaz, Neeraj Sajjan, Parthiv Parikh
Принадлежит: Nvidia Corp

In verschiedenen Beispielen werden Systeme und Verfahren offenbart, die die Bestimmung von Assoziationen zwischen in Sensordaten dargestellten Objekten und vorhergesagten Zuständen der Objekte in Multisensorsystemen wie autonomen oder halbautonomen Fahrzeugwahrnehmungssystemen betreffen. Es werden Systeme und Verfahren offenbart, die neuronale Netzwerkmodelle, wie mehrschichtige Perzeptron (MLP) Modelle oder andere tiefe neuronale Netzwerk (DNN) Modelle, beim Lernen von Assoziationskosten zwischen Sensormessungen und vorhergesagten Zuständen von Objekten einsetzen. Während des Trainings können die Systeme und Verfahren Daten zur Aktualisierung der Parameter der neuronalen Netzwerkmodelle erzeugen, so dass die neuronalen Netzwerkmodelle während des Einsatzes Sensordaten und vorhergesagte Zustände empfangen und entsprechende Assoziationskosten bereitstellen können.

Подробнее
Номер записи: 5