该研究通过比较和评估现有车位检测算法和视觉转换器，提出了一种新的基于 EfficientNet 体系结构的管道，以增加现有系统的泛化能力和适应特定的视觉条件，从而提高停车场占用检测的效果。

Jun, 2023

本文介绍了应用强化学习解决多智能体汽车停车问题的方法和结果，通过使用独立学习和多智能体通信的马尔可夫决策过程设计实现了灵活的停车环境，结果证明了这种方法的高效性和优越性，并发现了一种合作方式和合作中的漏洞，在自动驾驶和车队管理等领域具有潜在应用。

Jun, 2022

本文提出了一种基于深度卷积神经网络的稳健检测算法，该算法被实现并测试于大型基准数据集以及已安装在停车场内的图像源，并开发了完全功能的系统，从服务器端图像分析到前端用户界面以证明该方法的实用性，其关键词包括停车管理系统、空位指示服务、视觉检测方法、深度卷积神经网络、图像分析。

Jun, 2016

通过在公共场所收集和标记大量停车场图像，使用深度学习方法训练具有融合策略和集成方法的全球性框架，我们发现在不同情境中，这样的模型可以达到 95% 的准确率，从而实现无需数据标注和模型训练的停车场监控系统。

Sep, 2023

通过使用最先进的深度学习模型，我们自动化了车辆入口和停车的过程，确保车辆和人员已在组织中注册，提供高效的车辆检测、精确的识别、简化的记录保留和优化的停车位分配，增强了便利性、准确性和安全性。

Dec, 2023

本研究提出了一种名为 'SHINE' 的新系统，它使用基于深度学习的目标检测算法，授权使用卡，徽章或访问徽章，从而协调车辆、车牌和残疾徽章的识别，并与中央服务器进行身份验证，解决了韩国易受滥用的无障碍停车位管理问题，平均精度达 92.16%。

Feb, 2023

本文介绍了一种基于深度强化学习的方法，用于解决需要单个无人机在燃料或飞行时间约束下反复访问一组具有相等优先级的目标的持续监视任务。通过车辆的燃料或飞行时间约束，车辆必须定期在基地加油或充电。该问题的目标是确定一种最优的目标访问顺序，以最小化任何目标连续访问之间的最长时间，并确保车辆不会耗尽燃料或电量。我们提出了一种深度强化学习算法来解决这个问题，并通过数值实验的结果证实了与常识贪心启发式方法相比，该方法的有效性。

Apr, 2024

本文提出了一种方法，利用强化学习技术，在能源意识系统中连续进行弱训练，从而提高算法性能并节省能源。这种方法通过利用环境中的其他传感器提供弱标签，然后训练出模型。本方法在模拟本地化环境上进行了评估，并在可用的普遍健康数据集上进行了验证，以利用接收信号强度实现真实的住宅本地化。我们展示了该方法实施成本低、需要更少的工作门槛和能够提供随时间增加的性能改进和能源节约。

Nov, 2018

本文介绍了一种基于软演员 - 评论家算法的深度增强学习策略，以调度社区电池系统，解决分布式能源资源整合、峰值负荷调控和能源价格波动问题。通过比较不同增强学习算法，结果表明软演员 - 评论家算法在社区电池调度中表现最佳。

Dec, 2023

通过观测室内数据，我们展示了一种实施简便且易于扩展的强化学习方法，该方法在一个真实世界的场景中验证了基于层次控制系统的协调策略的可行性，并展示了满意的电能追踪效果。

Oct, 2023