CN107703937A - 基于卷积神经网络的自动导航小车***及其冲突规避方法 - Google Patents
基于卷积神经网络的自动导航小车***及其冲突规避方法 Download PDFInfo
- Publication number
- CN107703937A CN107703937A CN201710864328.1A CN201710864328A CN107703937A CN 107703937 A CN107703937 A CN 107703937A CN 201710864328 A CN201710864328 A CN 201710864328A CN 107703937 A CN107703937 A CN 107703937A
- Authority
- CN
- China
- Prior art keywords
- agv dollies
- agv
- neural networks
- convolutional neural
- vehicle system
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 13
- 230000000007 visual effect Effects 0.000 claims description 5
- 206010057855 Hypotelorism of orbit Diseases 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 abstract 1
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
- G05D1/0253—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means extracting relative motion information from a plurality of images taken successively, e.g. visual odometry, optical flow
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于卷积神经网络的自动导航小车***及其小车冲突规避方法，自动导航小车***包括AGV小车、引导部分以及远程服务器。AGV小车的摄像头采集AGV小车前方的视频传输给控制芯片。控制芯片通过无线通讯装置与远程服务器通讯连接。引导部分包括设置在路面上的矩形网格，矩形网格交叉点上贴有路标。远程服务器将矩形网格的结构、矩形网格线中交叉点的坐标信息以及AGV小车路径信息以无线通讯方式传输至AGV小车。本发明对于自动导航小车***内的所有AGV小车的冲突规避完全由AGV小车自主控制，不需要通过中央服务器的统一调配，对于AGV小车的规避冲突具有更高的处理效率，同时也提高了整个***的吞吐率。
Description
技术领域
本发明涉及基于卷积神经网络的自动导航小车***及其冲突规避方法。
背景技术
循线小车在工业生产实践中已得到越来越广泛的运用，因为循线小车的高智能化和自动化，让工业生产既节省了人工成本和生产成本，又提升了生产效率和生产周期。循线小车在工业物流管理中有着极为突出的地位。
由于整个区域中会有数量较多的小车同时行驶，所以自动导航小车***设计时需要避免小车互相碰撞。传统的解决方案是依靠服务器集中调度所有小车在所有时间点上的行进速度、行进位置来确定是否会冲突，再确定具体哪部小车停车避让。这种方案的问题是服务器需要在时间上同步所有的小车，调度的效率较差。
发明内容
本发明的目的是提供一种自动导航小车***及分布式小车冲突规避方法。
实现本发明目的的技术方案是：基于卷积神经网络的自动导航小车***及其冲突规避方法，包括以下步骤：
步骤一、构建自动导航小车***；所述自动导航小车***包括AGV小车和引导机构；所述AGV小车上设有摄像头与摄像头连接的包含卷积神经网络的控制芯片；所述引导机构包括由设置在路面上由若干条横线和纵线形成的矩形网格，设定所有横线为主路、所有纵线为支路或者采用相反设定；
步骤二、AGV小车根据路径信息开始行驶；
步骤三、AGV小车利用设置在AGV小车前端的摄像头进行摄像，识别出前方或者左右两侧出现在视野内的其他AGV小车，通过包含卷积神经网络的控制芯片识别判断其他AGV小车与本AGV小车是否会碰撞，若是，则在支路上的AGV小车让主路上的AGV小车优先通过；若否，则AGV小车正常通行。
所述步骤一中，矩形网格中的每条横线和纵线均为单向行驶线。
所述步骤三中，其他AGV小车与本AGV小车同向行驶时，通过带卷积神经网络的控制芯片识别判断前方AGV小车与本AGV小车的距离决定是否选择停车避让。
所述步骤三中，其他AGV小车从前方两侧来时，AGV小车通过带卷积神经网络的控制芯片判断识别其他AGV小车距离本AGV小车的距离、角度、行驶方向，通过带卷积神经网络的控制芯片识别计算比对左右两侧AGV小车距离前方最近路标的距离与自己AGV小车距离前方最近路标距离，若距离过近，则在支路上的AGV小车让主路上的AGV小车优先通过；若距离正常，则AGV小车正常通行。
自动导航小车***中，卷积神经网络模型的处理过程包括以下步骤：
①、样本采集；
采集路标图像和小车图像，对图像进行分类生成路标样本和小车样本；
②、对路标样本和车辆样本预处理；
根据设定的样本尺寸，对路标样本和小车样本随机地进行对称翻转变化，随机修剪，色彩抖动，噪声扰动；手动将路标样本、小车样本中包含路标、小车的长方形区域框选出，将长方形框的左上角像素点的坐标值和右下角像素点的坐标值记录下来，完成小车或路标的标注；
③、卷积网络的训练：
将步骤②中标注好的小车样本和路标样本输入深度卷积网络中去，获得该图像文件的网络输出，然后计算出网络输出和标注的矩形框坐标之间的差值，然后将该差值通过反向传递进行卷积网络权重的更新。步骤③对所有的训练图像迭代上百次，最终获得训练好的卷积网络模型；
④、路标样本和车辆样本输入已训练完成的卷积神经网络，卷积神经网络计算后获得识别结果，根据识别结果对路标和小车的位置、角度做进一步计算。
进一步优选地，①中步骤包括：从拍摄的视频或图片中截取大量路标样本和小车样本组成路标样本和小车样本，路标样本和小车样本分别包括了路标图像的各个视角和小车图像的各个视角。
进一步优选地，②中步骤包括：将样本图像的像素尺寸范围转换至288*288–544*544。
进一步优选地，③中步骤包括：在识别出路标后，将该路标中心与图像底线中心连线，中心连接与垂直线的夹角即为本小车当前行进方向的夹角。中心连接的长度即为本小车距离前面路标的距离。
采用了上述技术方案，本发明具有以下的有益效果：本发明对于自动导航小车***内的所有AGV小车的冲突规避完全由AGV小车自主控制，通过包含卷积神经网络的控制芯片识别判断其他AGV小车与本AGV小车是否会碰撞，通过矩形网格中主、支路的分配以及支路避让主路的规则合理规避冲突，不需要通过中央服务器的同一调配，对于AGV小车的规避冲突具有更高的处理效率，提高了***整体的吞吐率。
附图说明
为了使本发明的内容更容易被清楚地理解，下面根据具体实施例并结合附图，对本发明作进一步详细的说明，其中
图1为本发明中基于卷积神经网络的自动导航小车***的小车冲突规避方法流程图。
图2为本发明中实施例1中AGV小车碰撞示意图。
图3为本发明中实施例2中AGV小车碰撞示意图。
具体实施方式
(实施例1)
如图1和图2所示，本实施例的分布式小车冲突规避方法，包括以下步骤：
步骤一、构建自动导航小车***；所述自动导航小车***包括AGV小车和引导机构；所述AGV小车上设有摄像头与摄像头连接的包含卷积神经网络的控制芯片；所述引导机构包括由设置在路面上由若干条横线和纵线形成的矩形网格，设定所有横线为主路、所有纵线为支路或者采用相反设定；矩形网格中的每条横线和纵线均为单向行驶线。
步骤二、AGV小车根据路径信息开始行驶；
步骤三、AGV小车利用设置在AGV小车前端的摄像头进行摄像，识别出前方或者左右两侧出现在视野内的其他AGV小车，通过带卷积神经网络的控制芯片识别判断其他AGV小车与本AGV小车是否会碰撞，若是，则在支路上的AGV小车让主路上的AGV小车优先通过；若否，则AGV小车正常通行。
如图2所示，其他AGV小车B与本AGV小车A同向行驶时，通过带卷积神经网络的控制芯片识别判断前方AGV小车B与本AGV小车A的距离的D1是否在安全距离内从而决定选择停车避让或正常行驶。
构建卷积神经网络模型的步骤如下：
(1)将352X352像素大小的图片作为输入层Input0输入卷积层Conv1，对其进行行块大小为3X3像素、步长为1像素、填充距离为1像素的卷积操作，需要用到16个卷积核，得到16张352X352像素的特征图；
(2)将卷积层Conv1输出的16张特征图输入到池化层Pool2，对其进行最大池操作，池化块的大小为2X2像素，步长为2像素，得到16张176X176像素的特征图；
(3)将池化层Pool2输出的16张特征图输入卷积层Conv3，对其进行行块大小为3X3像素、步长为1像素、填充距离为1像素的卷积操作，需要用到32个卷积核，得到32张176X176像素的特征图；
(4)将卷积层Conv3输出的32张特征图输入到池化层Pool4，对其进行最大池操作，池化块的大小为2X2像素，步长为2像素，得到32张88X88像素的特征图；
(5)将池化层Pool4输出的32张特征图输入卷积层Conv5，对其进行块大小为3X3像素、步长为1像素、填充距离为1像素的卷积操作，需要用到64个卷积核，得到64张88X88像素的特征图；
(6)将卷积层Conv5输出的64张特征图输入到池化层Pool6，对其进行最大池操作，池化块的大小为2X2像素，步长为2像素，得到64张44X44像素的特征图；
(7)将池化层Pool6输出的64张特征图输入卷积层Conv7，对其进行行块大小为3X3像素、步长为1像素、填充距离为1像素的卷积操作，需要用到128个卷积核，得到128张44X44像素的特征图；
(8)将卷积层Conv7输出的128张特征图输入到池化层Pool8，对其进行最大池操作，池化块的大小为2X2像素，步长为2像素，得到128张22X22像素的特征图；
(9)将池化层Pool8输出的输出的128张特征图输入卷积层Conv9，对其进行行块大小为3X3像素、步长为1像素、填充距离为1像素的卷积操作，需要用到256个卷积核，得到256张22X22像素的特征图；
(10)将卷积层Conv9输出的256张特征图输入到池化层Pool10，对其进行最大池操作，池化块的大小为2X2像素，步长为2像素，得到256张11X11像素的特征图；
(11)将池化层Pool10输出的输出的256张特征图输入卷积层Conv11，对其进行行块大小为3X3像素、步长为1像素、填充距离为1像素的卷积操作，需要用到512个卷积核，得到512张11X11像素的特征图；
(12)将卷积层Conv11输出的输出的512张特征图输入卷积层Conv12，对其进行行块大小为3X3像素、步长为1像素、填充距离为1像素的卷积操作，需要用到1024个卷积核，得到1024张11X11像素的特征图；
(13)将卷积层Conv12输出的输出的1024张特征图输入卷积层Conv13，对其进行行块大小为1X1像素、步长为1像素、填充距离为1像素的卷积操作，需要用到80个卷积核，得到80张11X11像素的特征图；
(14)根据最后获得的80张11*11的特征图判断图中各个像素点周围可能出现的目标物体及其轮廓矩形框的顶点坐标。输出判断结果。
(实施例2)
如图1和图3所示，设定图3中矩形网格中横线为支路、纵线为主路，本实施例大体流程与实施例1大体相似，不同之处在于步骤三中，其他AGV小车B从前方任一一侧来，通过带卷积神经网络的控制芯片识别计算比对一侧AGV小车距离前方最近路标的距离D2与自己AGV小车A距离前方最近路标距离D1，若距离过近，则在支路上的AGV小车B让主路上的AGV小车A优先通过；若距离正常，则AGV小车A和B均正常通行。
本实施例中构建卷积神经网络模型的步骤与实施例1相同。
以上的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (4)
1.基于卷积神经网络的自动导航小车***的分布式小车冲突规避方法，其特征在于：包括以下步骤：
步骤一、构建自动导航小车***；所述自动导航小车***包括AGV小车和引导机构；所述AGV小车上设有摄像头与摄像头连接的包含卷积神经网络模型的控制芯片；所述引导机构包括设置在路面上若干条横线和纵线形成的矩形网格，设定所有横线为主路、所有纵线为支路或者采用相反设定；
步骤二、AGV小车根据路径信息开始行驶；
步骤三、AGV小车利用设置在AGV小车前端的摄像头进行摄像，识别出前方或者左右两侧出现在视野内的其他AGV小车，通过包含卷积神经网络模型的控制芯片识别判断其他AGV小车与本AGV小车是否会碰撞，若是，则在支路上的AGV小车让主路上的AGV小车优先通过；若否，则AGV小车正常通行。
2.根据权利要求1所述的基于卷积神经网络的自动导航小车***的分布式小车冲突规避方法，其特征在于：
所述步骤一中，矩形网格中的每条横线和纵线均为单向行驶线。
3.根据权利要求2所述的基于卷积神经网络的自动导航小车***的分布式小车冲突规避方法，其特征在于：
所述步骤三中，其他AGV小车与本AGV小车同向行驶时，通过带卷积神经网络的控制芯片识别判断前方AGV小车与本AGV小车的距离决定是否选择停车避让。
4.根据权利要求2所述的基于卷积神经网络的自动导航小车***的分布式小车冲突规避方法，其特征在于：
所述步骤三中，其他AGV小车从前方两侧来时，AGV小车通过带卷积神经网络的控制芯片判断识别其他AGV小车距离本AGV小车的距离、角度、行驶方向，通过带卷积神经网络的控制芯片识别计算比对左右两侧AGV小车距离前方最近路标的距离与自己AGV小车距离前方最近路标距离，若距离过近，则在支路上的AGV小车让主路上的AGV小车优先通过；若距离正常，则AGV小车正常通行。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710864328.1A CN107703937A (zh) | 2017-09-22 | 2017-09-22 | 基于卷积神经网络的自动导航小车***及其冲突规避方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710864328.1A CN107703937A (zh) | 2017-09-22 | 2017-09-22 | 基于卷积神经网络的自动导航小车***及其冲突规避方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107703937A true CN107703937A (zh) | 2018-02-16 |
Family
ID=61171880
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710864328.1A Pending CN107703937A (zh) | 2017-09-22 | 2017-09-22 | 基于卷积神经网络的自动导航小车***及其冲突规避方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107703937A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108830131A (zh) * | 2018-04-10 | 2018-11-16 | 中科院微电子研究所昆山分所 | 基于深度学习的交通目标检测与测距方法 |
| CN109164798A (zh) * | 2018-07-24 | 2019-01-08 | 安徽库讯自动化设备有限公司 | 一种agv小车运输过程中的智能化交通管制调控*** |
| CN109240290A (zh) * | 2018-09-04 | 2019-01-18 | 南京理工大学 | 一种电力巡检机器人返航路径确定方法 |
| CN109284699A (zh) * | 2018-09-04 | 2019-01-29 | 广东翼卡车联网服务有限公司 | 一种适用车辆碰撞的深度学习方法 |
| CN110488835A (zh) * | 2019-08-28 | 2019-11-22 | 北京航空航天大学 | 一种基于双反向传播神经网络的无人***智能局部路径规划方法 |
| CN111340880A (zh) * | 2020-02-17 | 2020-06-26 | 北京百度网讯科技有限公司 | 用于生成预测模型的方法和装置 |
| CN112835333A (zh) * | 2020-12-31 | 2021-05-25 | 北京工商大学 | 一种基于深度强化学习多agv避障与路径规划方法及*** |
| US20210349460A1 (en) * | 2018-03-27 | 2021-11-11 | Nvidia Corporation | Remote control system for training deep neural networks in autonomous machine applications |
| CN114415675A (zh) * | 2021-12-30 | 2022-04-29 | 西安电子科技大学广州研究院 | 一种基于智能预测和误差识别的多agv规划方法及*** |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101739027A (zh) * | 2009-12-01 | 2010-06-16 | 蒋平 | 基于分布式视觉传感网络的移动导航*** |
| CN102231233A (zh) * | 2011-06-29 | 2011-11-02 | 南京航空航天大学 | 自动引导车分布式自主协同控制***及控制方法 |
| CN104142683A (zh) * | 2013-11-15 | 2014-11-12 | 上海快仓智能科技有限公司 | 基于二维码定位的自动引导车导航方法 |
| CN104828450A (zh) * | 2015-04-16 | 2015-08-12 | 昆山华恒工程技术中心有限公司 | 智能搬运车及智能搬运车用交叉口防撞*** |
| CN106340205A (zh) * | 2016-09-30 | 2017-01-18 | 广东中星微电子有限公司 | 交通监控方法及交通监控装置 |
| CN106647734A (zh) * | 2016-10-12 | 2017-05-10 | 北京京东尚科信息技术有限公司 | 自动导引车、路径规划方法与装置 |
| CN106774313A (zh) * | 2016-12-06 | 2017-05-31 | 广州大学 | 一种基于多传感器的室外自动避障agv导航方法 |
| US20170176999A1 (en) * | 2015-12-17 | 2017-06-22 | Board Of Trustees Of The University Of Arkansas | Distributed Celling-Mounted Smart Cameras for Multi-Unmanned Gound Vehicle Routing and Coordination |
| CN106904409A (zh) * | 2017-04-05 | 2017-06-30 | 东南大学 | 医疗物资智能输运配送小车、***及方法 |
-
2017
- 2017-09-22 CN CN201710864328.1A patent/CN107703937A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101739027A (zh) * | 2009-12-01 | 2010-06-16 | 蒋平 | 基于分布式视觉传感网络的移动导航*** |
| CN102231233A (zh) * | 2011-06-29 | 2011-11-02 | 南京航空航天大学 | 自动引导车分布式自主协同控制***及控制方法 |
| CN104142683A (zh) * | 2013-11-15 | 2014-11-12 | 上海快仓智能科技有限公司 | 基于二维码定位的自动引导车导航方法 |
| CN104828450A (zh) * | 2015-04-16 | 2015-08-12 | 昆山华恒工程技术中心有限公司 | 智能搬运车及智能搬运车用交叉口防撞*** |
| US20170176999A1 (en) * | 2015-12-17 | 2017-06-22 | Board Of Trustees Of The University Of Arkansas | Distributed Celling-Mounted Smart Cameras for Multi-Unmanned Gound Vehicle Routing and Coordination |
| CN106340205A (zh) * | 2016-09-30 | 2017-01-18 | 广东中星微电子有限公司 | 交通监控方法及交通监控装置 |
| CN106647734A (zh) * | 2016-10-12 | 2017-05-10 | 北京京东尚科信息技术有限公司 | 自动导引车、路径规划方法与装置 |
| CN106774313A (zh) * | 2016-12-06 | 2017-05-31 | 广州大学 | 一种基于多传感器的室外自动避障agv导航方法 |
| CN106904409A (zh) * | 2017-04-05 | 2017-06-30 | 东南大学 | 医疗物资智能输运配送小车、***及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 陈雯柏: "《人工神经网络原理与实践》", 31 January 2016, 西安电子科技大学出版社 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11789445B2 (en) * | 2018-03-27 | 2023-10-17 | Nvidia Corporation | Remote control system for training deep neural networks in autonomous machine applications |
| US11774963B2 (en) | 2018-03-27 | 2023-10-03 | Nvidia Corporation | Remote operation of a vehicle using virtual representations of a vehicle state |
| US20210349460A1 (en) * | 2018-03-27 | 2021-11-11 | Nvidia Corporation | Remote control system for training deep neural networks in autonomous machine applications |
| CN108830131B (zh) * | 2018-04-10 | 2021-05-04 | 昆山微电子技术研究院 | 基于深度学习的交通目标检测与测距方法 |
| CN108830131A (zh) * | 2018-04-10 | 2018-11-16 | 中科院微电子研究所昆山分所 | 基于深度学习的交通目标检测与测距方法 |
| CN109164798B (zh) * | 2018-07-24 | 2021-10-08 | 合肥哈工库讯智能科技有限公司 | 一种agv小车运输过程中的智能化交通管制调控*** |
| CN109164798A (zh) * | 2018-07-24 | 2019-01-08 | 安徽库讯自动化设备有限公司 | 一种agv小车运输过程中的智能化交通管制调控*** |
| CN109240290B (zh) * | 2018-09-04 | 2021-09-03 | 南京理工大学 | 一种电力巡检机器人返航路径确定方法 |
| CN109284699A (zh) * | 2018-09-04 | 2019-01-29 | 广东翼卡车联网服务有限公司 | 一种适用车辆碰撞的深度学习方法 |
| CN109240290A (zh) * | 2018-09-04 | 2019-01-18 | 南京理工大学 | 一种电力巡检机器人返航路径确定方法 |
| CN110488835A (zh) * | 2019-08-28 | 2019-11-22 | 北京航空航天大学 | 一种基于双反向传播神经网络的无人***智能局部路径规划方法 |
| CN111340880A (zh) * | 2020-02-17 | 2020-06-26 | 北京百度网讯科技有限公司 | 用于生成预测模型的方法和装置 |
| CN111340880B (zh) * | 2020-02-17 | 2023-08-04 | 北京百度网讯科技有限公司 | 用于生成预测模型的方法和装置 |
| CN112835333A (zh) * | 2020-12-31 | 2021-05-25 | 北京工商大学 | 一种基于深度强化学习多agv避障与路径规划方法及*** |
| CN114415675A (zh) * | 2021-12-30 | 2022-04-29 | 西安电子科技大学广州研究院 | 一种基于智能预测和误差识别的多agv规划方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107703937A (zh) | 基于卷积神经网络的自动导航小车***及其冲突规避方法 | |
| CN107571867B (zh) | 用于控制无人驾驶车辆的方法和装置 | |
| CN105023014B (zh) | 一种无人机巡检输电线路图像内的杆塔目标提取方法 | |
| CN111784685A (zh) | 一种基于云边协同检测的输电线路缺陷图像识别方法 | |
| CN107742093A (zh) | 一种红外图像电力设备部件实时检测方法、服务器及*** | |
| CN106586738B (zh) | 一种基于视觉检测的多轿厢电梯调度方法 | |
| CN105336169B (zh) | 一种基于视频判断交通拥堵的方法和*** | |
| CN107703936A (zh) | 基于卷积神经网络的自动导航小车***及小车定位方法 | |
| CN110378235A (zh) | 一种模糊人脸图像识别方法、装置及终端设备 | |
| CN109284674A (zh) | 一种确定车道线的方法及装置 | |
| CN102156985A (zh) | 基于虚拟卡口的行人及车辆数目计数方法 | |
| CN107014827A (zh) | 基于影像处理的输电线路缺陷分析方法、装置和*** | |
| CN106874883A (zh) | 一种基于深度学习的实时人脸检测方法及*** | |
| CN104951775A (zh) | 基于视频技术的铁路道口防护区域安全智能识别方法 | |
| CN104320617B (zh) | 一种基于深度学习的全天候视频监控方法 | |
| CN104092988A (zh) | 一种公共场合客流管理方法、装置及*** | |
| CN112465738A (zh) | 基于红外与可见光图像的光伏电站在线运维方法及*** | |
| CN107220603A (zh) | 基于深度学习的车辆检测方法及装置 | |
| CN107677287A (zh) | 基于卷积神经网络的自动导航小车***及小车循线方法 | |
| JP6778842B2 (ja) | 画像処理方法およびシステム、記憶媒体およびコンピューティングデバイス | |
| CN112288716B (zh) | 一种钢卷打捆状态检测方法、***、终端及介质 | |
| CN109935080A (zh) | 一种交通线路上的车流量实时计算的监测***及方法 | |
| CN112367400B (zh) | 一种边云协同的电力物联网智能巡检方法及*** | |
| CN106910339A (zh) | 道路信息提供方法、装置及处理终端 | |
| CN104575108A (zh) | 基于petri网的管制自动移交***及方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180216 |
|
| RJ01 | Rejection of invention patent application after publication |