CN112883643A - 一种船舶搭载激光感知模块的仿真测试*** - Google Patents
一种船舶搭载激光感知模块的仿真测试*** Download PDFInfo
- Publication number
- CN112883643A CN112883643A CN202110176950.XA CN202110176950A CN112883643A CN 112883643 A CN112883643 A CN 112883643A CN 202110176950 A CN202110176950 A CN 202110176950A CN 112883643 A CN112883643 A CN 112883643A
- Authority
- CN
- China
- Prior art keywords
- module
- data
- class
- data point
- ship
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 53
- 238000004088 simulation Methods 0.000 title claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 25
- 230000004888 barrier function Effects 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 43
- 230000008447 perception Effects 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 9
- 238000000034 method Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 230000003287 optical effect Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 description 13
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010998 test method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 229920000642 polymer Polymers 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Traffic Control Systems (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明涉及一种船舶搭载激光感知模块的仿真测试***,包括激光感知模块、模拟船舶运动平台、平台运动控制模块、虚拟场景模拟模块、数据采集模块、数据处理模块和比对结果显示模块,激光感知模块安装在模拟船舶运动平台上,用于感知各种障碍物的模型;模拟船舶运动平台用于模拟船舶运动情况;平台运动控制模块用于对模拟船舶运动平台的运动情况进行控制使与船舶在真实海况下的运动情况相同;虚拟场景模拟模块是搭建的各种障碍物的模型;数据采集模块用于采集感知数据;数据处理模块用于处理感知数据并将处理结果与障碍物信息进行比对;比对结果显示模块用于对比对结果进行显示。其仿真测试结果真实性高,且代价小。
Description
技术领域
本发明属于船舶领域,涉及一种船舶仿真测试***,更具体地,涉及一种船舶搭载激光感知模块的仿真测试***。
背景技术
随着航运业的快速发展,船舶行业智能化发展趋势越来越迫切。而船舶的智能化发展对于智能船舶自身要求也越来越高。海洋环境瞬息万变,难以预测,智能船舶航行在复杂的海洋环境中,对于航行环境周围障碍物信息的探测对于船舶航行安全具有非常大的影响。
对智能船舶航行周围环境的感知,采用的***包括有雷达、声呐、视觉等多种,但是这个探测工具都会受到距离和环境等因素的干扰,导致探测到的障碍物信息不完善甚至错误。采用激光雷达进行探测,结合激光自身的特性,使这些问题都迎刃而解。
但是,对于激光感知设备的探测识别功能的测试大部分是在出厂前对其进行的性能检查,是设备检测测试的常规手段,无法针对实际航行海况下感知设备的工作性能进行测试,从而无法保证船舶安全。
另外,针对激光感知设备的工作性能数据常规的获取手段是实船航行数据,该部分获取的数据是缺失的,无法对设备在极端海况下的运行状态进行数据获取。
鉴于现有技术的上述技术缺陷,迫切需要研制一种船舶搭载激光感知模块的仿真测试***。
发明内容
本发明的目的在于克服现有技术中存在的缺点,提出一种船舶搭载激光感知模块的仿真测试***,其能够实现对船舶搭载激光感知设备的感知能力的测试目的。
为了实现上述目的,本发明提供如下技术方案:
一种船舶搭载激光感知模块的仿真测试***,其特征在于,所述***包括激光感知模块、模拟船舶运动平台、平台运动控制模块、虚拟场景模拟模块、数据采集模块、数据处理模块和比对结果显示模块,其中,
所述激光感知模块安装在所述模拟船舶运动平台上,用于感知所述虚拟场景模拟模块中的各种障碍物的模型,从而形成感知数据;
所述模拟船舶运动模平台用于模拟船舶运动情况;
所述平台运动控制模块用于对所述模拟船舶运动平台的运动情况进行控制使得所述模拟船舶运动平台的运动情况与船舶在真实海况下的运动情况相同;
所述虚拟场景模拟模块是在仿真室范围内搭建的船舶在真实航行过程中遇到的各种障碍物的模型;
所述数据采集模块用于采集所述激光感知模块的感知数据;
所述数据处理模块用于对所述感知数据进行处理并将处理结果与障碍物信息进行比对;
所述比对结果显示模块用于对所述比对所得到的结果进行显示。
优选地,其中,所述数据处理模块包括初步分类子模块、聚类子模块、剔除子模块、特征向量表示子模块和分类与绘制子模块,其中,
所述初步分类子模块用于基于滤波算法去除掉所述感知数据中的噪点;
所述聚类子模块用于对去除噪点后的所述感知数据进行聚类;
所述剔除子模块用于剔除聚类后的含有孤立点的类;
所述特征向量表示子模块用于用特征向量表示剔除了含有孤立点的类之后的类;
所述分类与绘制子模块用于将所述类的特征向量与障碍物信息的特征向量进行比对而获得所述感知数据对应的障碍物类型。
优选地,其中,所述聚类子模块对去除噪点后的所述感知数据进行聚类具体为:判断所述感知数据中的某个数据点与其相邻的上一个数据点之间的距离是否大于阈值,如果不大于阈值,则将某个数据点与其相邻的上一个数据点归为同一个类;如果大于阈值,则将某个数据点归为与其相邻的上一个数据点所归的类不同的另一个类。
式中,其中,ri指的是极坐标下第i个数据点的距离值;ri-1为与第i个数据点相邻的上一个数据点的距离值;θi是第i个数据点的角度值;θi-1为与第i个数据点相邻的上一个数据点的角度值;Δφ为激光雷达的角分辨率;τ为阈值常数;σr为激光雷达实际测量的精度;Δθ为ri与ri-1之间的夹角值,Δθ=θi-θi-1。
优选地,其中,所述阈值常数τ=5。
优选地,其中,所述激光雷达实际测量的精度σr=5.4cm。
优选地,其中,所述特征向量表示子模块用于用特征向量表示剔除了含有孤立点的类之后的类具体为:设剔除了含有孤立点的类之后,所述感知数据由特征向量C组成,C=[c1,c2,...,cm]T,其中,ci是剔除了含有孤立点的类之后的每一个类,m是类的个数,ci用其特征向量表示为:ci={ki,d1(i),d2(i),ρstd(i),dmax(i),dstd(i)},
式中,ki为类ci包含的数据点的个数;d1(i)为类ci中的第一个数据点距离前一个类ci-1中的最后一个数据点的距离值;d2(i)为类ci中的最后一个数据点距离后一个类ci+1中的第一个数据点的距离值;ρstd(i)为类ci中的数据点的距离值ρi的标准差,ρi表示类ci中的数据点在极坐标下的距离值;dmax(i)为类ci中的数据点距离直线li的最大距离,li是类ci中的第一个数据点和最后一个数据点的连线所在的直线;dstd(i)为类ci中的数据点偏离直线li的距离值的方差。
优选地,其中,所述分类与绘制子模块用于将由特征向量表示的类输入到分类器中,通过分类器中的函数计算,将所述类的特征向量与障碍物信息的特征向量进行比对,从而得出所述感知数据对应的障碍物的类型。
最后,其中,所述分类与绘制子模块还用于将由特征向量表示的类绘制出来。
与现有技术相比,本发明的船舶搭载激光感知模块的仿真测试***具有如下有益技术效果:
1、采用搭建测试平台方式,仿真模拟真实海洋环境下船舶的运动状况,半实物仿真测试获取的数据可保证获取数据的准确性,测试结果对于设备的监测也具有说服力;
2、采用这样的测试方法能够节省测试成本,节约测试时间,短时间内完成船舶激光感知模块的测试工作且可重复进行测试;
3、采用搭建测试平台的测试方法避免了由于特殊海况下带来的危险和经济损失;
4、对感知设备采集的数据通过识别方法对其进行处理,使所测试的结果更贴近真实,测试结果更有保证。
附图说明
图1是本发明的船舶激光感知模块的仿真测试***的构成示意图。
图2是激光感知模块在船舶航行过程中扫描到的障碍物所显示的数据点的特征图。
图3是本发明中对感知数据进行聚类时的流程图。
具体实施方式
下面结合附图和实施例对本发明进一步说明,实施例的内容不作为对本发明的保护范围的限制。
激光雷达是以发射激光束探测目标的位置、速度等特征量的雷达***,其工作原理是向目标发射探测激光束,然后将接受到的从目标反射回来的信号与发射信号进行比较,作适当处理后,就可获得目标的有关信息。
在本发明中,选择激光作为探测工具的原因是:激光自身具有方向性好,单色性好,高亮度和相干性好等特点,因此采用激光雷达进行探测,相比于其他探测工具,具有方向性好、探测精度高、测试远、探测速度快、抗干扰性强、大气传输性能好、对雨雾有一定的穿透性和隐蔽性好等优点。采用激光雷达探测海域内的障碍物信息在航海中的应用越来越广泛。
同时,激光雷达能够满足智能船舶在高速航行下的周围环境进行快速、准确感知的需求,并探测船舶、航标、桥墩等障碍物,实现智能船舶的自主避障功能。而本发明的船舶搭载激光感知模块的仿真测试***通过对船舶激光雷达设备的探测识别功能进行检测测试,通过搭建测试平台的方式,通过控制平台运动的参数,使平台运动情况与实船运动情况相同,将激光感知设备安装在测试平台上,在试验区域内搭建不同距离不同形态的障碍物,障碍物尺寸可根据实际大小缩放一定比例,船舶运动过程中,激光感知设备对周围障碍物信息进行采集,并将采集获取的数据与实际障碍物数据信息进行对比,从而达到对激光感知设备感知能力的测试目的。
通过船舶搭载激光感知模块的探测功能进行测试检测,能够保证激光感知模块在船舶在复杂的海洋环境中航行时可以准确无误的探测到航线上的障碍物信息,保证船舶航行安全、有效、快速。
图1示出了本发明的船舶激光感知模块的仿真测试***的构成示意图。如图1所示,本发明的船舶搭载激光感知模块的仿真测试***包括测试平台、模拟模块、数据模块和对比结果显示模块。
其中,所述测试平台为模拟船舶运动平台,其用于模拟真实船舶的运动情况。
所述模拟船舶平台上安装有激光感知模块。所述激光感知模块为激光雷达。所述激光感知模块用于感知所述虚拟场景模拟模块中的各种障碍物的模型,从而形成感知数据。
所述模拟船舶平台由平台运动控制模块控制。所述平台运动控制模块用于对所述模拟船舶平台进行参数设置和控制,使得所述模拟船舶运动平台的运动情况与船舶在真实海况下的运动情况相同。
所述虚拟模块为所述虚拟场景模拟模块,其是在仿真室范围内搭建的船舶在真实航行过程中可能遇到的各种障碍物的模型。所述激光感知模块用于对所述各种障碍物的模型进行感知,以测试其是否能够正确地识别出所述各种障碍物的模型。
所述数据模块包括数据采集模块和与所述数据采集模块相连的数据处理模块。
其中,所述数据采集模块与所述激光感知模块相连,用于采集所述激光感知模块的感知数据。
所述数据处理模块用于对所述感知数据进行处理并将处理结果与障碍物信息进行比对。
激光感知设备获取的感知数据是点和线。其中,在激光数据中,如图2所示,大型船舶返回的数据点的特征通常是连续的长而密集的直线,桥墩返回的数据点的特征通常是短而较为密集的折线,而航标返回的数据点则是数量较少但相对集中。通过对激光返回数据(也就是,所述感知数据)的分析,可使用实物数据点数量大小、数据点对应的角度范围、数据点距离值标准差、数据点曲线曲率等作为不同实物的激光数据特征,从而实现障碍物的识别。
因此,在本发明中,所述数据处理模块包括初步分类子模块、聚类子模块、剔除子模块、特征向量表示子模块和分类与绘制子模块。
其中,所述初步分类子模块用于基于滤波算法去除掉所述感知数据中的噪点。
在采集数据的过程中,由于激光设备、船舶航行中的波动等影响,由激光获取的感知数据会存在不同程度的噪点。去除噪点有利于对激光数据进行后续的聚类、目标检测、识别和跟踪。在本发明中,滤波时首先根据激光感知模块的有效扫描范围剔除无效的数据,然后根据聚类后得到的各类中数据点的个数,删除点数较少的类,使障碍物分类结果更精确。通过激光感知设备参数以及查询相应激光理论知识,得出船用激光感知模块采集数据有效的距离值分布在100~8000之间。
所述聚类子模块用于对去除噪点后的所述感知数据进行聚类。
由于所述激光感知模块获得所述感知数据受环境影响较大,因此,聚类点集(也就是,类)的具体个数难以确定。在聚类时需要通过不断的迭代确定合适的类值,增加了计算的复杂度。
但是,对于激光雷达的数据而言,若相邻点在物理距离上相近,则其是同一物体概率较高。因此,在本发明中,通过对相邻点之间的距离设置阈值,可以实现简单的障碍物分割。
在本发明中,所述聚类子模块对去除噪点后的所述感知数据进行聚类为:判断所述感知数据中的某个数据点与其相邻的上一个数据点之间的距离是否大于阈值,如果不大于阈值,则将某个数据点与其相邻的上一个数据点归为同一个类;如果大于阈值,则将某个数据点归为与其相邻的上一个数据点所归的类不同的另一个类。
具体地,如图3所示,本发明的对去除噪点后的所述感知数据进行聚类具体为:
首先,将第一个数据点归为第一类。
然后,判断与所述第一个数据点相邻的第二个数据点与所述第一个数据点之间的距离是否大于阈值。如果不大于阈值,则将所述第二个数据点也归为所述第一类。
接着,判断与所述第二个数据点相邻的第三个数据点与所述第二个数据点之间的距离是否大于阈值。如果不大于阈值,则将所述第三个数据点也归为所述第一类。
一直这样判断下去,直到某个数据点与其相邻的上一个数据点之间的距离大于阈值,例如,与第十个数据点相邻的第十一个数据点与所述第十个数据点之间的距离大于阈值,则将所述第十一个数据点归为第二类,也就是,一个新类中。
接着,判断与所述第十一个数据点相邻的第十二个数据点与所述第十一个数据点之间的距离是否大于阈值。如果不大于阈值,则将所述第十二个数据点也归为所述第二类。
一直这样判断下去,直到某个数据点与其相邻的上一个数据点之间的距离再次大于阈值,例如,与第二十个数据点相邻的第二十一个数据点与所述第二十个数据点之间的距离大于阈值,则将所述第二十一个数据点归为第三类,也就是,一个新类中。
如此循环下去,直到最后一个数据点为止。
由此,完成了所述感知数据中数据点的聚类。
当然,要采用上述聚类方法,如何确定阈值非常重要。在本发明中,设所述感知数据由n个点组成,在极坐标下的数据点可以由集合D={(ri,θi)|i=1,2,...,n}表示,其中,ri指的是极坐标下第i个数据点的距离值;θi是极坐标下第i个数据点的角度值。定义为第i个数据点与相邻的上一个数据点之间的距离值,有
式中,Δφ为激光雷达的角分辨率,需根据激光的测量精度确定。τ为相关阈值常数。σr为激光雷达实际测量的精度。
采用的是余弦定理公式进行计算得出的,其中Δθ为ri与ri-1之间的夹角值,Δθ=θi-θi-1,ri-1为极坐标下与第i个数据点相邻的上一个数据点的距离值;θi-1为极坐标下与第i个数据点相邻的上一个数据点的角度值。
通过实验表明,τ通常取10以内的整数,一般通过先设定初始值,再通过实验数据对比不同的τ值进行调整,最后确定最佳取值。通过实验研究,当τ=2时较远处的目标难以区分;当τ=5时对于远处的目标的分割较为准确,经过实际激光数据处理,得到τ=5时数据分割效果较好。
精度σr的选取也是需要通过实验进行确定,在动态和静态环境中,分别对同一距离的值进行N次测量,可使得测量结果的标准差σ作为实际测量精度的参考值,σ的计算表示为:
式中ai为第i次测量的距离值;μ为N次测量下的距离平均值;D为测量距离的方差;σ为标准差。通过对动态和静态两种情况下的计算结果表明,动态标准差和静态标准差均随着激光距离的增大为逐渐变大,且在相同的距离下,动态标准差大约为静态标准差的3倍,因此考虑到待检测的障碍物是在近海海域内,超过4000cm,因此选择σr=5.4cm。
所述剔除子模块用于剔除聚类后的含有孤立点的类。
经过前面的滤波分类和阈值自适应聚类分割后,激光雷达的数据被分成多个类。由于无人船所处的环境比较复杂,会有一些典型的非目标障碍物出现在激光的采集范围中,需要将其剔除,从而减缓后续的分类处理压力。
而非目标障碍物通常表现为孤立点。因此,通过对含有孤立点的类进行剔除,即可去除掉非目标障碍物的数据所属的类。
通常,含有孤立点的类中数据点的个数一般为1个和2个,根据该判断条件,将所有类中数据点的个数为1~2个的类剔除后,获得有效的类,使得有效的信息变得突出。
所述特征向量表示子模块用于用特征向量表示剔除了含有孤立点的类之后的类。
设剔除了含有孤立点的类之后,所述感知数据由特征向量C组成,而C=[c1,c2,...,cm]T。其中,ci是剔除了含有孤立点的类之后的每一个类,m是类的个数。类ci包含的数据点的个数为ki。每一个类ci由向量组(ρi,xi,yi)构成。ρi、xi和yi分别表示的是类ci包含的数据点在极坐标下的距离值以及转换到直角坐标系下的坐标值,即ci={(ρi,xi,yi)|i=1,2,...m}。
以上式中ki<19。
类ci中的数据点的距离值ρi的标准差ρstd(i):
类ci的中间数据点距离直线li最大距离dmax(i),而li是类ci中第一个点和最后一个点的连线所在的直线,di,j是类ci的中间数据点距离直线li的距离,dmax表示为:
dmax(i)=max{di,j},j=2,3,...ki-1
类ci的中间点偏离直线li的距离值的方差dstd(i)表示为:
以上式中ki>19。
则类ci为其特征向量表示为:ci={ki,d1(i),d2(i),ρstd(i),dmax(i),dstd(i)}。
所述分类与绘制子模块用于将所述类的特征向量与障碍物信息的特征向量进行比对而获得所述感知数据对应的障碍物类型。
具体地,所述分类与绘制子模块用于将由特征向量表示的类输入到分类器中,通过分类器中的函数计算,将所述类的特征向量与障碍物信息的特征向量进行比对。
对于由特征向量C组成的所述感知数据,采用目标分类技术进行处理。目标分类技术是指同类物体具有不同几何特征,通过选取合适的特征,组成特征向量,在本发明中,所述特征向量为ki,其类ci包含的数据点的个数;d1(i),其类ci中的第一个数据点距离前一个类ci-1中的最后一个数据点的距离值;d2(i),其类ci中的最后一个数据点距离后一个类ci+1中的第一个数据点的距离值;ρstd(i),其为类ci中的数据点的距离值ρi的标准差,ρi表示类ci中的数据点在极坐标下的距离值;dmax(i),其为类ci中的数据点距离直线li的最大距离,li是类ci中的第一个数据点和最后一个数据点的连线所在的直线;dstd(i),其为类ci中的数据点偏离直线li的距离值的方差。
将所述特征向量输入到分类器中,通过不同的函数计算,对获取的数据进行分类,并将分类后的结果绘制出来。其中分类器样本参数包括特征向量表示的聚类c和分类效果y,即样本参数表示为:{(ci,yi)|yi∈Y},i=1,2,...,m,所述特征向量的聚类c和分类效果y都是分类器中的参数,属于公知技术。分类效果是根据分类器函数进行决定的,其为数据分类器中函数计算的内容,为公知技术,无需做过多说明。样本参数即为分类器中的样本参数,这些样本参数仅为对激光雷达获取的感知数据进行处理后,在对处理后的数据进行目标分类处理,并描述出结果,通过描绘的结果判定是否为桥墩、航标以及大型船舶。式中m是样本的个数;Y是识别出障碍物的类别。
所述比对结果显示模块用于对所述比对所得到的结果进行显示,从而便于研究人员直观的了解船舶激光感知模块的感知精度和准确度。
本发明的船舶搭载激光感知模块的仿真测试***采用搭建测试平台方式,仿真模拟真实海洋环境下船舶的运动状况,半实物仿真测试获取的数据可保证获取数据的准确性,测试结果对于激光感知设备的监测也具有说服力。同时,采用这样的测试方法能够节省测试成本,节约测试时间,短时间内完成船舶激光感知模块的测试工作且可重复进行测试。而且,采用搭建测试平台的测试方法避免了由于特殊海况下带来的危险和经济损失。最后,对激光感知模块采集的数据通过识别方法进行处理,使所测试的结果更贴近真实,测试结果更有保证。本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无法对所有的实施方式予以穷举。凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (9)
1.一种船舶搭载激光感知模块的仿真测试***,其特征在于,所述***包括激光感知模块、模拟船舶运动平台、平台运动控制模块、虚拟场景模拟模块、数据采集模块、数据处理模块和比对结果显示模块,其中,
所述激光感知模块安装在所述模拟船舶运动平台上,用于感知所述虚拟场景模拟模块中的各种障碍物的模型,从而形成感知数据;
所述模拟船舶运动平台用于模拟真实船舶运动情况;
所述平台运动控制模块用于对所述模拟船舶运动平台的运动情况进行控制使得所述模拟船舶运动平台的运动情况与船舶在真实海况下的运动情况相同;
所述虚拟场景模拟模块是在仿真室范围内搭建的船舶在真实航行过程中遇到的各种障碍物的模型;
所述数据采集模块用于采集所述激光感知模块的感知数据;
所述数据处理模块用于对所述感知数据进行处理并将处理结果与障碍物信息进行比对;
所述比对结果显示模块用于对所述比对所得到的结果进行显示。
2.根据权利要求1所述的船舶搭载激光感知模块的仿真测试***,其特征在于,所述数据处理模块包括初步分类子模块、聚类子模块、剔除子模块、特征向量表示子模块和分类与绘制子模块,其中,
所述初步分类子模块用于基于滤波算法去除掉所述感知数据中的噪点;
所述聚类子模块用于对去除噪点后的所述感知数据进行聚类;
所述剔除子模块用于剔除聚类后的含有孤立点的类;
所述特征向量表示子模块用于用特征向量表示剔除了含有孤立点的类之后的类;
所述分类与绘制子模块用于将所述类的特征向量与障碍物信息的特征向量进行比对从而获得所述感知数据感知到的障碍物类型。
3.根据权利要求2所述的船舶搭载激光感知模块的仿真测试***,其特征在于,所述聚类子模块对去除噪点后的所述感知数据进行聚类具体为:判断所述感知数据中的某个数据点与其相邻的上一个数据点之间的距离是否大于阈值,如果不大于阈值,则将某个数据点与其相邻的上一个数据点归为同一个类;如果大于阈值,则将某个数据点归为与其相邻的上一个数据点所归的类不同的另一个类。
5.根据权利要求4所述的船舶搭载激光感知模块的仿真测试***,其特征在于,所述阈值常数τ=5。
6.根据权利要求5所述的船舶搭载激光感知模块的仿真测试***,其特征在于,所述激光雷达实际测量的精度σr=5.4cm。
7.根据权利要求6所述的船舶搭载激光感知模块的仿真测试***,其特征在于,所述特征向量表示子模块用于用特征向量表示剔除了含有孤立点的类之后的类具体为:设剔除了含有孤立点的类之后,所述感知数据由特征向量C组成,C=[c1,c2,...,cm]T,其中,ci是剔除了含有孤立点的类之后的每一个类,m是类的个数,ci用其特征向量表示为:ci={ki,d1(i),d2(i),ρstd(i),dmax(i),dstd(i)},
式中,ki为类ci包含的数据点的个数;d1(i)为类ci中的第一个数据点距离前一个类ci-1中的最后一个数据点的距离值;d2(i)为类ci中的最后一个数据点距离后一个类ci+1中的第一个数据点的距离值;ρstd(i)为类ci中的数据点的距离值ρi的标准差,ρi表示类ci中的数据点在极坐标下的距离值;dmax(i)为类ci中的数据点距离直线li的最大距离,li是类ci中的第一个数据点和最后一个数据点的连线所在的直线;dstd(i)为类ci中的数据点偏离直线li的距离值的方差。
8.根据权利要求7所述的船舶搭载激光感知模块的仿真测试***,其特征在于,所述分类与绘制子模块用于将由特征向量表示的类输入到分类器中,通过分类器中的函数计算,将所述类的特征向量与障碍物信息的特征向量进行比对,从而得出所述感知数据对应的障碍物的类型。
9.根据权利要求8所述的船舶搭载激光感知模块的仿真测试***,其特征在于,所述分类与绘制子模块还用于将由特征向量表示的类绘制出来。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110176950.XA CN112883643A (zh) | 2021-02-07 | 2021-02-07 | 一种船舶搭载激光感知模块的仿真测试*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110176950.XA CN112883643A (zh) | 2021-02-07 | 2021-02-07 | 一种船舶搭载激光感知模块的仿真测试*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112883643A true CN112883643A (zh) | 2021-06-01 |
Family
ID=76056302
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110176950.XA Pending CN112883643A (zh) | 2021-02-07 | 2021-02-07 | 一种船舶搭载激光感知模块的仿真测试*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112883643A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106407905A (zh) * | 2016-08-31 | 2017-02-15 | 电子科技大学 | 基于机器学习的无线感知动作识别方法 |
CN106951498A (zh) * | 2017-03-15 | 2017-07-14 | 国信优易数据有限公司 | 文本聚类方法 |
US20170329804A1 (en) * | 2016-05-10 | 2017-11-16 | Libo Fu | Method And Apparatus Of Generating Image Characteristic Representation Of Query, And Image Search Method And Apparatus |
CN111240226A (zh) * | 2020-01-19 | 2020-06-05 | 智慧航海(青岛)科技有限公司 | 一种用于船载视觉感知设备的仿真测试***及方法 |
-
2021
- 2021-02-07 CN CN202110176950.XA patent/CN112883643A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170329804A1 (en) * | 2016-05-10 | 2017-11-16 | Libo Fu | Method And Apparatus Of Generating Image Characteristic Representation Of Query, And Image Search Method And Apparatus |
CN106407905A (zh) * | 2016-08-31 | 2017-02-15 | 电子科技大学 | 基于机器学习的无线感知动作识别方法 |
CN106951498A (zh) * | 2017-03-15 | 2017-07-14 | 国信优易数据有限公司 | 文本聚类方法 |
CN111240226A (zh) * | 2020-01-19 | 2020-06-05 | 智慧航海(青岛)科技有限公司 | 一种用于船载视觉感知设备的仿真测试***及方法 |
Non-Patent Citations (1)
Title |
---|
王贵槐等: "《基于激光雷达的内河无人船障碍物识别方法》", 《光学技术》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105841688B (zh) | 一种船舶辅助泊岸方法和*** | |
KR20220155559A (ko) | 이미지 세그멘테이션을 이용한 자율 운항 방법 | |
CN110472500A (zh) | 一种基于高速无人艇的水面视觉目标快速检测算法 | |
KR102466804B1 (ko) | 이미지 세그멘테이션을 이용한 자율 운항 방법 | |
EP3239926A1 (en) | Position measuring equipment | |
CN109029465A (zh) | 一种无人艇基于毫米波雷达的跟踪和避障*** | |
KR102530847B1 (ko) | 항만 및 선박 모니터링 방법 및 장치 | |
CN109284663A (zh) | 一种基于正态和均匀混合分布模型的海面障碍物检测方法 | |
CN115077414A (zh) | 一种水下航行器测量海面目标物底部轮廓的装置和方法 | |
CN110119671B (zh) | 基于人工侧线可视化图像的水下感知方法 | |
KR20240080189A (ko) | 거리 측정 방법 및 이를 이용하는 거리 측정 장치 | |
JP3395105B2 (ja) | 船舶の危険行動評価装置 | |
CN113933828A (zh) | 一种无人艇环境自适应多尺度目标检测方法及*** | |
CN112883643A (zh) | 一种船舶搭载激光感知模块的仿真测试*** | |
CA3237725A1 (en) | Systems and methods for draft calculation | |
CN114037736B (zh) | 一种基于自适应模型的车辆检测与跟踪方法 | |
CN116964472A (zh) | 用于借助于雷达传感器***的反射信号来探测环境的至少一个对象的方法 | |
CN114994705A (zh) | 一种基于激光雷达角度校正的无人艇避障方法 | |
CN117337453A (zh) | 船舶监视***、船舶监视方法、信息处理装置以及程序 | |
Hagen et al. | Exploration of COLREG-relevant parameters from historical AIS-data | |
JP2022048585A (ja) | Isar画像データ学習装置、目標類別装置及びレーダ装置 | |
JP3589186B2 (ja) | 機上海洋予察装置 | |
CN110895680A (zh) | 一种基于区域建议网络的无人艇水面目标检测方法 | |
bin Mohamad Rafi et al. | Radar-Based Collision Avoidance on Unmanned Surface Vehicles (USV) | |
CN117788463B (zh) | 基于视频ai与多模态数据融合的船舶吃水深度检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210601 |