CN111639424B - 基于dem的无人行车抓取安全与抓取效果检测算法 - Google Patents
基于dem的无人行车抓取安全与抓取效果检测算法 Download PDFInfo
- Publication number
- CN111639424B CN111639424B CN202010435149.8A CN202010435149A CN111639424B CN 111639424 B CN111639424 B CN 111639424B CN 202010435149 A CN202010435149 A CN 202010435149A CN 111639424 B CN111639424 B CN 111639424B
- Authority
- CN
- China
- Prior art keywords
- window
- grabbing
- windows
- sub
- safety
- 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.)
- Active
Links
- 230000000694 effects Effects 0.000 title claims abstract description 33
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 238000009826 distribution Methods 0.000 claims abstract description 83
- 239000000463 material Substances 0.000 claims abstract description 34
- 239000013590 bulk material Substances 0.000 claims abstract description 14
- 239000010419 fine particle Substances 0.000 claims abstract description 5
- 230000002093 peripheral effect Effects 0.000 claims description 11
- 230000002349 favourable effect Effects 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 4
- 238000000034 method Methods 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 claims description 3
- 230000001788 irregular Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000012141 concentrate Substances 0.000 claims description 2
- 231100000817 safety factor Toxicity 0.000 abstract description 4
- 238000004088 simulation Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Computer Graphics (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供基于DEM的无人行车抓取安全与抓取效果检测算法,具体步骤如下;步骤一,业务场景与基本定义;步骤二,抓取效果与质量分布模型;步骤三,质量分布向心度与抓取安全性因素分析。本发明提供基于DEM的无人行车抓取安全与抓取效果检测算法,本发明通过分析细颗粒干散料基于DEM的三维质量分布特征与抓取安全特征,建立兼顾三维质量分布特征模型与安全模型,提供干散料无人值守***安全、高效抓取的理论与检测方法。
Description
技术领域
本发明属于无人行车抓取安全与抓取检测领域,特别是涉及基于DEM的无人行车抓取安全与抓取效果检测算法。
背景技术
在干散堆料发货无人化是干散料发货行业的趋势,当前宝钢、江西铜业等企业做了一些尝试,在在自动化、智能任务交互等方面取得一些成果。但是***的安全性及发货业务稳定性是干散料发货无人值守应用需要解决的关键问题,安全、稳定性问题直接关系着无人***能否达到工业应用要求。在抓取安全方面,堆料分布极端情况容易引起抓斗开闭绳脱槽、抓斗翻斗事故;当抓取中心凹陷或离心分布程度较高时,抓取量较少,无法稳定抓取效果,达不到工业发货效率要求。李鹏宇等研究了三维扫描与体积测量技术,闫腾飞等研究了激光扫描与坐标定位的方法,韩亚研究了基于DEM的坡度、坡度误差及应用,为干散料的三维特征分布提供了思路。在干散料的三维分布特征与安全抓取关系方面,还没见到相关的研究,这正是业务安全、稳定工作的关键,因此申请人提供基于DEM的无人行车抓取安全与抓取效果检测算法。
发明内容
为了解决以上问题,本发明提供基于DEM的无人行车抓取安全与抓取效果检测算法,本发明通过分析细颗粒干散料基于DEM的三维质量分布特征与抓取安全特征,建立兼顾三维质量分布特征模型与安全模型,提供干散料无人值守***安全、高效抓取的理论与检测方法,为达此目的,本发明提供基于DEM的无人行车抓取安全与抓取效果检测算法,具体步骤如下;
步骤一,业务场景与基本定义;
在干散料码头、仓库中,散料的堆放为倾倒或抓斗抛放形成,其分布既连续又极不规则,根据现场抓斗抓取与堆料分布情况,建立三维分布与安全关系模型,在安全的情况下方可抓取;在抓取质量方面,对每一次抓取位的堆料分布情况,建立特征分析模型,为抓取质量提供理论指导;
根据建模需要,做如下基本定义:
1)单元窗口:整个堆料区域划分为M×N个基本方格,称为单元窗口,每个单元窗口的边长为l的正文形,整个区域可视作一个矩阵Amn,每单元窗口Amn的平均高度为Hmn(m∈(1…M)),n∈(1…N));
3)抓取子窗口:为表示三维分布特征,将任何一个抓取窗口Wpq划分为多个子窗口,每个子窗口包含U×V个单元窗口,称为抓取子窗口Wuv。位于抓取窗口中心位置的虚拟子窗口Wc称为中心子窗口;
4)质量分布向心度(AFFuv):表示任何一个子窗口Wuv堆料量以及离抓取窗口中心靠近的程度,如果抓取窗口高度越高、离中心点越近,其向心度越高。
步骤二,抓取效果与质量分布模型;
对于任何一个抓取窗口,其包含P×Q个子窗口,窗口Wpq可表示为:
在Wpq窗口抓取作业时,其抓取方式的物料集中在中心部位最有利,如果抓取窗口的物料分布为中间凹或大斜坡,抓取的量较少,达不到抓取效果与效率要求,当大斜坡方向与抓斗长边方向一致时,还会产生动滑轮脱槽的安全风险;
要保证每一次抓取质量满足要求,需要在抓取前检测干散堆料的三维分布特征,假设将抓取窗口Wpq分为多个抓取子窗口,每一个子窗口Wuv包含U×V个单元窗口,对于任何一个窗口Wuv,离中心越近且平均高度越高,其质量分布向心度越好,形成“峰”状分布,抓取效果好,反之抓取效果差,根据上述分析,定义质量向心度为:
AFFuv=α*abs(Huv-Hz)/D(c,uv) (式2)
其中,α为分段变量,Hz为子窗口Wpq中心带的平均高度,Huv为某了子窗口的平均高,D(c,uv)表示两个子窗口中心的距离,当Wuv窗口离中心越近,其高度越高,质量分布向心度越大,越利于抓取;当Wuv离中心位置越远,高度越高,越不利于抓取,因此,α的取值,根据Wuv离中心的距离分段变化,假设在有利于抓取的范围为(0,l1),不利于抓取的范围为[l2,P/2],在有利、不利之间的设置为常数1,则α可表示为:
对于整个抓取窗口,其质量分布情况,为所有子窗口之和的平均值,由此可得:
根据式3,可以求出任何一个子窗口的质量分布向心度值,根据值的大小,可评测在此窗口抓取时质量是否满足下限要求,如果满足则实施抓取动作,否则跳过此窗口;
步骤三,质量分布向心度与抓取安全性因素分析;
对于任意一个抓取窗口Wpq,抓取时抓斗倾斜越小抓取越安全,出现安全事故的机率越低,细颗粒散料的分布是连续的,理想的情况是中间高、四周低,即干散堆料集中于中心窗口Wc位置时,抓取安全且效果好;
其中Wn表示中心窗口高度高于周围四个窗口高度的数量,从实际经验得知,当Wn为2时,与抓斗长边方向一致,与现场发生安全事故的机率非常大,当Wn=3时,发生机率次之,另外,质量分布身心度越好,呈现“峰”状分布,安全性也越好,为分析安全关系,将整个窗口分为中心带WZc、周边四个子窗口WZk(k∈[1,4]),则对于任何一个周边子窗口WZk。中心带WZc为:
其中,WZc的中心点位于((1+p)/2,(yWc+1+q/2));
抓取窗口可表示为:根据各子窗口与中心带WZc的高度差及窗口的分布向心度AFFpq与抓取安全的分析,用S衡量Wpq窗口的安全性,AFFpq与安全性成正比,四个周边子窗口的根据抓斗长边的位置,分为WLpq和WRpq,则Wpq=(WLpq WRpq),假设HLpq、HRpq表示Wpq左右周边窗口的均高,SWpq表示Wpq的安全系数,则SWpq可表示为:
SWpq=β*HS4/abs(HLpq-HRpq) (式6)
式(6)中,HS4表示Wpq中间带的物料超过抓取窗口的平均高度值,当Wn=2或Wn=3,左右两边的子窗口高度相差达到某一危险值Hd时,会发生安全事故,安全,此时β=0,其它情况下,β=1,由式6可知,SWpq值越大,越安全。
作为本发明进一步改进,单元窗口中定义M=33,N=99,共33*99个单元格,设P=16,Q=32,U=4,V=8,则全场可划分为共6个抓取窗口,每个窗口又划分为16个子窗口,相关数据根据现场堆料的分布数据生成。
本申请提供基于DEM的无人行车抓取安全与抓取效果检测算法,由于无人值守行车***中,抓取的安全与效率是业务正常进行的关键因素。干散堆料在抓取窗口的三维分布特征决定了抓取效果与抓取安全。本申请对现场实际数据进行网格化,根据无人值守***现场情况,将料仓划分为多个抓取窗口,并对每一抓取窗口的各子窗口的高度、中心位置等三维特征分布特征进行建模,以及对影响安全的三维特征建模,提出了兼顾抓取质量与抓取安全的抓取窗口检测方法,并对现场三维数据进行仿真,得到结果与现场实际情况较一致,从理论上解决了抓取窗口的三维特征分布与安全、抓取效果之间的关系,为实际抓取业务的安全检测、抓取质量提供了理论模型与检测技术,对干散料的无人发货业务应用具有重要的意义。
附图说明
图1为干散堆料高程图;
图2(a)为抓取窗口实景图;
图2(b)为抓取窗口分布图;
图2(c)为中心子窗口图;
图3为抓取窗口抓取方式与典型的三维分布图;
图4为几种典型的三维分布情况。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述:
本发明提供基于DEM的无人行车抓取安全与抓取效果检测算法,本发明通过分析细颗粒干散料基于DEM的三维质量分布特征与抓取安全特征,建立兼顾三维质量分布特征模型与安全模型,提供干散料无人值守***安全、高效抓取的理论与检测方法。
本发明提供基于DEM的无人行车抓取安全与抓取效果检测算法,具体实施例如下;
步骤一,业务场景与基本定义
在干散料码头、仓库中,散料的堆放通常为倾倒或抓斗抛放形成,其分布既连续又极不规则,如图1所示。工业级干散料无人值守装运业务,要求***安全、高效。干散堆料的变化较快,要保证安全,要根据现场抓斗抓取与堆料分布情况,建立三维分布与安全关系模型,在安全的情况下方可抓取;在抓取质量方面,对每一次抓取位的堆料分布情况,建立特征分析模型,为抓取质量提供理论指导。
根据建模需要,做如下基本定义:
1)单元窗口:整个堆料区域划分为M×N个基本方格,称为单元窗口。每个单元窗口的边长为l的正文形,整个区域可视作一个矩阵Amn,每单元窗口Amn的平均高度为Hmn(m∈(1…M)),n∈(1…N))。
3)抓取子窗口:为表示三维分布特征,将任何一个抓取窗口Wpq划分为多个子窗口,每个子窗口包含U×V个单元窗口,称为抓取子窗口Wuv。位于抓取窗口中心位置的虚拟子窗口Wc称为中心子窗口。如图2(c)所示,窗口Wc为当前抓取窗口的中心窗口。
4)质量分布向心度(AFFuv):表示任何一个子窗口Wuv堆料量以及离抓取窗口中心靠近的程度。如果抓取窗口高度越高、离中心点越近,其向心度越高。
步骤二,抓取效果与质量分布模型
对于任何一个抓取窗口,其包含P×Q个子窗口,窗口Wpq可表示为:
在Wpq窗口抓取作业时,其抓取方式如图3(1)所示,物料集中在中心部位最有利,如图3(2)-(4)所示,如果抓取窗口的物料分布为中间凹或大斜坡,抓取的量较少,达不到抓取效果与效率要求。当大斜坡方向与抓斗长边方向一致时,还会产生动滑轮脱槽的安全风险。
要保证每一次抓取质量满足要求,需要在抓取前检测干散堆料的三维分布特征。假设将抓取窗口Wpq分为多个抓取子窗口,每一个子窗口Wuv包含U×V个单元窗口。对于任何一个窗口Wuv,离中心越近且平均高度越高,其质量分布向心度越好,形成“峰”状分布,抓取效果好,反之抓取效果差。根据上述分析,定义质量向心度为:
AFFuv=α*abs(Huv-Hz)/D(c,uv) (式2)
其中,α为分段变量,Hz为子窗口Wpq中心带的平均高度,Huv为某了子窗口的平均高,D(c,uv)表示两个子窗口中心的距离。当Wuv窗口离中心越近,其高度越高,质量分布向心度越大,越利于抓取;当Wuv离中心位置越远,高度越高,越不利于抓取,因此,α的取值,根据Wuv离中心的距离分段变化。假设在有利于抓取的范围为(0,l1),不利于抓取的范围为[l2,P/2],在有利、不利之间的设置为常数1,则α可表示为:
对于整个抓取窗口,其质量分布情况,为所有子窗口之和的平均值,由此可得:
根据式3,可以求出任何一个子窗口的质量分布向心度值,根据值的大小,可评测在此窗口抓取时质量是否满足下限要求,如果满足则实施抓取动作,否则跳过此窗口。
步骤三,质量分布向心度与抓取安全性因素分析;
对于任意一个抓取窗口Wpq,抓取时抓斗倾斜越小抓取越安全,出现安全事故的机率越低,如图4所示。细颗粒散料的分布是连续的,理想的情况是中间高、四周低,即干散堆料集中于中心窗口Wc位置时,抓取安全且效果好。
其中Wn表示中心窗口高度高于周围四个窗口高度的数量。从实际经验得知,当Wn为2时,与抓斗长边方向一致,与现场发生安全事故的机率非常大,当Wn=3时,发生机率次之。另外,质量分布身心度越好,呈现“峰”状分布,安全性也越好。为分析安全关系,将整个窗口分为中心带WZc、周边四个子窗口WZk(k∈[1,4])。则对于任何一个周边子窗口WZk。中心带WZc为:
其中,WZc的中心点位于((1+p)/2,(yWc+1+q/2))。
抓取窗口可表示为:根据各子窗口与中心带WZc的高度差及窗口的分布向心度AFFpq与抓取安全的分析,用S衡量Wpq窗口的安全性,AFFpq与安全性成正比,四个周边子窗口的根据抓斗长边的位置,分为WLpq和WRpq,则Wpq=(WLpq WRpq),假设HLpq、HRpq表示Wpq左右周边窗口的均高,SWpq表示Wpq的安全系数,则SWpq可表示为:
SWpq=β*HS4/abs(HLpq-HRpq) (式6)
式(6)中,HS4表示Wpq中间带的物料超过抓取窗口的平均高度值,当Wn=2或Wn=3,左右两边的子窗口高度相差达到某一危险值Hd时,会发生安全事故,安全,此时β=0,其它情况下,β=1。由式6可知,SWpq值越大,越安全。
本发明模型仿真与分析
对质量分布向心度与抓取安全模型,使用现场实际数据进行仿真,对应的仿真结果进行分析,与实际情况进行对比,验证模型的效果。现场堆料的分布数据生成如图1的三维图,其中M=33,N=99,共33*99个单元格,设P=16,Q=32,U=4,V=8,则全场可划分为共6个抓取窗口,每个窗口又划分为16个子窗口。对全场景所有抓取窗口,根据模型,按如下算法流程检测:
根据上述算法,各窗口的三维分布特征与安全系数的仿真结果如表1:
表1发货场景三维特征分布及窗口安全系数表
根据三维分布模型的特征值SLR、中心堆料分布量、Wn及分布情况,得到质量分布向心度AFF、安全特征值SE,结合实际三维图与抓取经验可知,AFF值越大,物料越集中在中间带,抓取质量越高;SW值越高,表明出现滑槽的可能性越低,抓取安全性越高,理论模型仿真数据与现场操作的质量与安全情况一致。在实际应用中,通过上述三维特征分布与安全检测,可为业务抓取工作提供指导作用,避免无效抓取动作,避免安全事故,为无人值守***的应用推广提供理论方法与关键技术。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作任何其他形式的限制,而依据本发明的技术实质所作的任何修改或等同变化,仍属于本发明所要求保护的范围。
Claims (2)
1.基于DEM的无人行车抓取安全与抓取效果检测算法,具体步骤如下,其特征在于;
步骤一,业务场景与基本定义;
在干散料码头、仓库中,散料的堆放为倾倒或抓斗抛放形成,其分布既连续又极不规则,根据现场抓斗抓取与堆料分布情况,建立三维分布与安全关系模型,在安全的情况下方可抓取;在抓取质量方面,对每一次抓取位的堆料分布情况,建立特征分析模型,为抓取质量提供理论指导;
根据建模需要,做如下基本定义:
1)单元窗口:整个堆料区域划分为M×N个基本方格,称为单元窗口,每个单元窗口的边长为l的正文形,整个区域可视作一个矩阵Amn,每单元窗口Amn的平均高度为Hmn,m∈(1…M)),n∈(1…N);
3)抓取子窗口:为表示三维分布特征,将任何一个抓取窗口Wpq划分为多个子窗口,每个子窗口包含U×V个单元窗口,称为抓取子窗口Wuv,位于抓取窗口中心位置的虚拟子窗口Wc称为中心子窗口;
4)质量分布向心度AFFuv:表示任何一个抓取子窗口Wuv堆料量以及离抓取窗口中心靠近的程度,如果抓取窗口高度越高、离中心点越近,其向心度越高;
步骤二,抓取效果与质量分布模型;
对于任何一个抓取窗口,其包含P×Q个子窗口,抓取窗口Wpq可表示为:
在Wpq窗口抓取作业时,其抓取方式的物料集中在中心部位最有利,如果抓取窗口的物料分布为中间凹或大斜坡,抓取的量较少,达不到抓取效果与效率要求,当大斜坡方向与抓斗长边方向一致时,还会产生动滑轮脱槽的安全风险;
要保证每一次抓取质量满足要求,需要在抓取前检测干散堆料的三维分布特征,假设将抓取窗口Wpq分为多个抓取子窗口,每一个抓取子窗口Wuv包含U×V个单元窗口,对于任何一个抓取子窗口Wuv,离中心越近且平均高度越高,其质量分布向心度越好,形成“峰”状分布,抓取效果好,反之抓取效果差,根据上述分析,定义质量分布向心度为:
AFFuv=α*abs(Huv-Hz)/D(c,uv) (式2)
其中,α为分段变量,Hz为抓取窗口Wpq中心带的平均高度,Huv为某个子窗口的平均高,D(c,uv)表示两个子窗口中心的距离,当Wuv窗口离中心越近,其高度越高,质量分布向心度越大,越利于抓取;当Wuv离中心位置越远,高度越高,越不利于抓取,因此,α的取值,根据Wuv离中心的距离分段变化,假设在有利于抓取的范围为(0,l1),不利于抓取的范围为[l2,P/2],在有利、不利之间的设置为常数1,则α可表示为:
对于整个抓取窗口,其质量分布情况,为所有子窗口之和的平均值,由此可得:
根据式3,可以求出任何一个子窗口的质量分布向心度值,根据值的大小,可评测在此窗口抓取时质量是否满足下限要求,如果满足则实施抓取动作,否则跳过此窗口;
步骤三,质量分布向心度与抓取安全性因素分析;
对于任意一个抓取窗口Wpq,抓取时抓斗倾斜越小抓取越安全,出现安全事故的机率越低,细颗粒散料的分布是连续的,理想的情况是中间高、四周低,即干散堆料集中于中心子窗口Wc位置时,抓取安全且效果好;
其中Wn表示中心窗口高度高于周围四个窗口高度的数量,从实际经验得知,当Wn为2时,与抓斗长边方向一致,与现场发生安全事故的机率非常大,当Wn=3时,发生机率次之,另外,质量分布身心度越好,呈现“峰”状分布,安全性也越好,为分析安全关系,将整个窗口分为中心带WZc、周边四个子窗口WZk,k∈[1,4],则对于任何一个周边子窗口WZk,中心带WZc为:
其中,WZc的中心点位于((1+p)/2,(yWc+1+q/2));
抓取窗口可表示为:根据各子窗口与中心带WZc的高度差及窗口的质量分布向心度AFFpq与抓取安全的分析,用S衡量Wpq窗口的安全性,AFFpq与安全性成正比,四个周边子窗口的根据抓斗长边的位置,分为WLpq和WRpq,则Wpq=(WLpqWRpq),假设HLpq、HRpq表示Wpq左右周边窗口的均高,SWpq表示Wpq的安全系数,则SWpq可表示为:
SWpq=β*HS4/abs(HLpq-HRpq) (式6) 式(6)中,HS4表示Wpq中间带的物料超过抓取窗口的平均高度值,当Wn=2或Wn=3,左右两边的子窗口高度相差达到某一危险值Hd时,会发生安全事故,安全,此时β=0,其它情况下,β=1,由式6可知,SWpq值越大,越安全。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010435149.8A CN111639424B (zh) | 2020-05-21 | 2020-05-21 | 基于dem的无人行车抓取安全与抓取效果检测算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010435149.8A CN111639424B (zh) | 2020-05-21 | 2020-05-21 | 基于dem的无人行车抓取安全与抓取效果检测算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111639424A CN111639424A (zh) | 2020-09-08 |
CN111639424B true CN111639424B (zh) | 2022-05-24 |
Family
ID=72331502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010435149.8A Active CN111639424B (zh) | 2020-05-21 | 2020-05-21 | 基于dem的无人行车抓取安全与抓取效果检测算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111639424B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114888790B (zh) * | 2022-04-18 | 2023-10-24 | 金陵科技学院 | 基于散料三维特征分布的空间坐标寻位方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105653800A (zh) * | 2015-12-31 | 2016-06-08 | 中冶南方工程技术有限公司 | 一种料场散料堆形参数的计算方法 |
CN106707754A (zh) * | 2016-12-23 | 2017-05-24 | 哈尔滨工业大学 | 一种基于切换***的货物搬运旋翼无人机建模及自适应控制方法 |
CN110510524A (zh) * | 2019-09-05 | 2019-11-29 | 北京坚构创新科技有限公司 | 一种物料抓斗智能控制*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101549818B1 (ko) * | 2008-12-02 | 2015-09-07 | 삼성전자 주식회사 | 로봇 핸드 및 그 제어방법 |
-
2020
- 2020-05-21 CN CN202010435149.8A patent/CN111639424B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105653800A (zh) * | 2015-12-31 | 2016-06-08 | 中冶南方工程技术有限公司 | 一种料场散料堆形参数的计算方法 |
CN106707754A (zh) * | 2016-12-23 | 2017-05-24 | 哈尔滨工业大学 | 一种基于切换***的货物搬运旋翼无人机建模及自适应控制方法 |
CN110510524A (zh) * | 2019-09-05 | 2019-11-29 | 北京坚构创新科技有限公司 | 一种物料抓斗智能控制*** |
Non-Patent Citations (2)
Title |
---|
基于DEM的散料在垂直螺旋输送机中的运动分析;翟晓晨 等;《超重运输机械》;20141231;全文 * |
干散货发货机器人规则发货模式下保证单斗抓取量的方法设计;常懿 等;《智能处理与应用》;20190930;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111639424A (zh) | 2020-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111639424B (zh) | 基于dem的无人行车抓取安全与抓取效果检测算法 | |
US11625854B2 (en) | Intelligent forklift and method for detecting pose deviation of container | |
CN110059992A (zh) | 货物入库方法、装置以及计算机可读存储介质 | |
CN112934715B (zh) | 快递单件分离***、方法、工控设备及存储介质 | |
CN114888790B (zh) | 基于散料三维特征分布的空间坐标寻位方法 | |
CN114581857B (zh) | 基于图像分析的智能天车控制方法 | |
CN115063090B (zh) | 一种大宗商品仓储用数字货位管理方法 | |
Hossain et al. | Evaluation of different SVM kernels for predicting customer churn | |
CN113928982A (zh) | 一种带雷达反馈的高精度抓斗抓取位置控制方法 | |
CN111626996B (zh) | 基于dem三维特征分布的滑动窗口检测方法 | |
CN113213339B (zh) | 无人驾驶智能塔吊的物料堆叠自主生成方法和*** | |
CN112958462A (zh) | 一种基于大数据的智能化物流识别分拣*** | |
CN115741690A (zh) | 一种料包抓取方法、***、电子设备及存储介质 | |
Wang et al. | Research on autonomous vehicle storage and retrieval system cargo location optimization in E-commerce automated warehouse | |
Zou | Sliding Window Detection Algorithm of Grabbing Safety and Grabbing Effect Based on DEM with Applications to Unmanned Bridge Grabbing Work | |
CN111581813A (zh) | 无人值守行车抓取安全检测方法 | |
CN1702655A (zh) | 一种装船时减少集装箱翻箱量的优化方法 | |
CN108320514A (zh) | 基于Tobit回归的高速公路线形指标对事故率影响的分析方法 | |
CN107985740A (zh) | 一种紧固件周转箱 | |
CN114348863A (zh) | 一种实现双绳双瓣抓斗无人天车精准抓料的方法 | |
CN203832878U (zh) | 一种紧固件吊车周转箱 | |
CN108805503A (zh) | 高端液压元件制造数字化车间存储零部件的方法及*** | |
Qi et al. | Multi-robot Task Assignment Method in the Construction Waste Sorting System | |
CN217528283U (zh) | 分离装置 | |
CN111201431B (zh) | 用于确定粒度双峰性的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20200908 Assignee: JIANGSU D-SHORE INFORMATION TECHNOLOGY CO.,LTD. Assignor: JINLING INSTITUTE OF TECHNOLOGY Contract record no.: X2023980053499 Denomination of invention: A DEM based algorithm for detecting the safety and effectiveness of unmanned vehicle grasping Granted publication date: 20220524 License type: Common License Record date: 20231222 |