买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜东南大学申请的专利一种基于元学习的辅助机场无人车的视觉定位方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115615446B 。

龙图腾网通过国家知识产权局官网在2025-06-10发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210777001.1，技术领域涉及：G01C21/34；该发明授权一种基于元学习的辅助机场无人车的视觉定位方法是由王庆;张凯;阳媛设计研发完成，并于2022-07-04向国家知识产权局提交的专利申请。

本一种基于元学习的辅助机场无人车的视觉定位方法在说明书摘要公布了：一种基于元学习的辅助机场无人车的视觉定位方法，本发明通过元学习算法对可微分随机抽样一致算法的三个训练步骤进行优化，达到只需通过一次训练就可以得到高效的预测模型，最终训练好的模型可以对机场无人驾驶车辆摄像头输入的RGB图像实现处理，得到RGB摄像头的当前六自由度的位置和姿态，其中我们的相机定位模型分为两个部分：第一部分是通过卷积神经网络实现RGB图像的场景坐标回归得到世界场景坐标系下的三维坐标；第二部分是通过可微分的随机抽样一致算法实现鲁棒性的位姿优化得到RGB相机的位姿。本发明可以仅通过RGB图像的输入得到机场无人车的相机的高精度位姿，从而辅助机场无人车的自动驾驶。

本发明授权一种基于元学习的辅助机场无人车的视觉定位方法在权利要求书中公布了：1.一种基于元学习的辅助机场无人车的视觉定位方法，其特征在于，具体步骤如下：S11机场无人车携带的相机采集单元采集RGB图像，通过基于元学习优化的随机抽样一致方法对获取的RGB图像进行场景坐标回归，得到该RGB图像中心点位姿预测，从而得到装载相机的无人车的位姿，上述基于元学习优化的随机抽样一致方法包括：S11-1场景坐标回归，通过基础卷积神经网络ConvNeXt预测二维RGB图像的每个像素i对应的3维停车场的场景坐标yiω，其中ω为神经网络ConvNeXt模型的参数，通过该模型实现图像2维像素点xi,yi到3维场景坐标的：p为2维像素点xi,yi在像素坐标系下的坐标，PC为点在相机坐标系下的坐标，PW为点在世界坐标系下的坐标，ω为点的深度，K为相机的内参矩阵，RCW和为从世界坐标系到相机坐标系的位姿转换；用fI；ω表示2维图像相机坐标系到场景坐标系的映射，其中I表示给定的一张图像，ω为ConvNeXt神经网络需要学习的参数，优化可学习的参数ω通过最小化训练集上最终估计的期望姿势损失l： 式中f*表示图像I的位姿的真值，为了对神经网络通过梯度下降法不断循环训练优化参数ω，对参数ω求导，上述公式的偏导数为： 通过第一步使用神经网络实现场景坐标的预测，即二维图像坐标点到3维场景坐标系下的映射，为下一步的鲁棒性位姿优化做准备；S11-2首先获得大量的假设h，所述每个假设h依赖于相应场景坐标的参数，图像I和场景坐标预测Y在所有图像像素i上定义了一个密集的对应集合C，作为鲁棒位姿优化的第一步，随机选择M个对应的最小子集CRGB＝{pi,yi∣yi∈Y},0≤i＜M，每个Cj对应一个摄像机姿态假设hj，使用姿态求解器来恢复它，即：hj＝gCj之后对所采集的大量假设进行选择，对每一个假设所所评判的原则为： 式中的s·函数为评价函数，表示每一个假设模型的性能好坏；通过不断地迭代选择最优的假设模型之后需要优化最优的模型，优化最优的模型使用所有的场景坐标进行优化： 不断的迭代上述的鲁棒性位姿优化过程，最终得到精度很高的相机位姿矩阵；S11-3元学习优化训练，通过元学习使得两个训练过程进行融合，在既保证了神经网络预测场景坐标精度的基础上实现快速的位姿模型估计过程；S21通过对机场无人车的车载相机拍摄获得的图像进行视觉定位获得当前相机的位姿，其中基于元学习的可微分随机抽样一致算法的坐标回归方法精度非常高，位姿精度误差在5cm和5°之内，作为辅助无人车行驶过程有效辅助手段。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人东南大学，其通讯地址为：210096 江苏省南京市玄武区四牌楼2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。