Document
拖动滑块完成拼图
个人中心

预订订单
商城订单
发布专利 发布成果 人才入驻 发布商标 发布需求

请提出您的宝贵建议,有机会获取IP积分或其他奖励

投诉建议

在线咨询

联系我们

龙图腾公众号
首页 专利交易 IP管家助手 科技果 科技人才 积分商城 国际服务 商标交易 会员权益 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 东南大学杨俊宴获国家专利权

东南大学杨俊宴获国家专利权

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!

龙图腾网获悉东南大学申请的专利基于多情景模拟的城市天际线实景可视触控交互优化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:CN119670180B

龙图腾网通过国家知识产权局官网在2025-10-10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:202411750754.9,技术领域涉及:G06F30/12;该发明授权基于多情景模拟的城市天际线实景可视触控交互优化方法是由杨俊宴;孙昊成;邵典;崔澳;周智健设计研发完成,并于2024-12-02向国家知识产权局提交的专利申请。

基于多情景模拟的城市天际线实景可视触控交互优化方法在说明书摘要公布了:本发明提供一种基于多情景模拟的城市天际线实景可视触控交互优化方法,包括采集城市目标片区三维实景数据;将三维实景数据上传至数字孪生可视化平台,重建城市目标片区天际线轻量化实景模型;使用可穿戴设备记录并逐条转译用户调整天际线模型的行为和指令信息,并汇总为偏好训练数据;定义天际线模型中的每个建筑单体为一个智能体,并定义智能体的动作和奖励函数,采用多智能体深度强化学习对天际线模型进行天际线优化问题进行求解;判断损失函数和奖励函数是否满足要求;保存输出方案,输出至全息沙盘中运行显示,并进行二次精确调整。本发明能够基于用户调整天际线模型的行为数据,快速生成更符合用户需求的城市天际线优化方案。

本发明授权基于多情景模拟的城市天际线实景可视触控交互优化方法在权利要求书中公布了:1.基于多情景模拟的城市天际线实景可视触控交互优化方法,其特征在于,包括: 步骤1:通过搭载多目倾斜相机和GPS定位模块的无人机采集城市目标片区建筑物倾斜摄影数据,通过激光雷达扫描仪采集城市目标片区建筑物三维形态数据,通过数据配准融合,获得城市目标片区三维实景数据; 步骤2:将实景数据上传至数字孪生可视化平台,重建城市目标片区三维模型,通过基于卷积神经网络对城市目标片区三维模型进行单体化处理,利用数字孪生融合渲染引擎重建城市目标片区天际线轻量化实景模型; 步骤3:将城市目标片区天际线轻量化实景模型根据点云簇群的几何位置、密度、法线特征及其距天际线模型视点的位置,进一步划分为近地建筑、标志高层建筑和基质建筑;将搭载载眼动检测模块的混合现实眼镜与搭载惯性传感器的手持触控仪连接到数字孪生可视化平台,记录用户触控调整天际线模型的行为和指令信息;指令信息可供选择的调整设定包含:近地建筑、标志高层建筑和基质建筑的“移出”、“添加”、“高度增高”、“高度降低”、“沿建筑垂线的立面缩进”;逐条转译用户行为和指令信息,并汇总为调整时设备的监测数据、调整前后模型的参数变化、调整后模型的特征参数; 步骤4:采用多智能体深度强化学习对城市目标片区天际线轻量化实景模型进行天际线优化问题进行求解,根据调整时设备的监测数据定义近地建筑、标志高层建筑和基质建筑中的每一个建筑单体为一个智能体,并定义智能体的动作以及奖励函数; 步骤5:在训练迭代过程中,记录损失函数的变化情况,当同时满足损失函数收敛至0.1以下,且奖励函数收敛至最优解两个条件时,则停止迭代输出城市天际线优化方案;反之,则清空经验回放缓冲区,重新开始执行智能体与环境的交互,循环执行训练过程,直到满足终止条件为止; 步骤6:保存输出方案,输出至储存有现状城市目标片区天际线轻量化实景模型的全息沙盘中并运行显示,进行城市天际线优化方案与现状天际线的对比,以及二次交互精确调整; 所述步骤4包括以下步骤: S41、采用多智能体深度强化学习对天际线轻量化实景模型优化问题进行求解,定义近地建筑、标志高层建筑和基质建筑中的每一个建筑单体为一个智能体,在每个时刻t观测环境系统的局部状态O为该智能体几何重心周边1km缓冲区范围内其他智能体的特征参数,并向环境发送动作集A中的一个动作;所述动作包含:近地建筑、标志高层建筑和基质建筑的“移出”、“添加”、“高度增高”、“高度降低”、“沿建筑垂线的立面缩进”; S42、在算力为10TFLOPS的云计算平台中,导入根据步骤3中记录的用户操作训练数据,拟合奖励函数评估当前状态和对天际线模型的触控调整结果; 所述奖励函数是通过整合调整前后模型的参数变化、调整后模型的参数与用户训练数据相似度来定义的,具体公式为: R=λ·MinR1+μ·MaxR2 其中,MinR1使得调整前后模型的参数变化趋于最小,MaxR2使得调整后模型的参数与用户训练数据相似度趋于最大;λ和μ为调节参数,用于平衡两项参数的变化影响,使奖励函数更好地反映模型调整的效果。

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:211102 江苏省南京市江宁区东南大学路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”。

以上内容由龙图腾AI智能生成。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。