CN113741474A - 一种无人驾驶矿车的停泊区域识别方法及装置 - Google Patents
一种无人驾驶矿车的停泊区域识别方法及装置 Download PDFInfo
- Publication number
- CN113741474A CN113741474A CN202111066571.1A CN202111066571A CN113741474A CN 113741474 A CN113741474 A CN 113741474A CN 202111066571 A CN202111066571 A CN 202111066571A CN 113741474 A CN113741474 A CN 113741474A
- Authority
- CN
- China
- Prior art keywords
- determining
- mine
- mine car
- area
- parking area
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000013507 mapping Methods 0.000 claims abstract description 72
- 238000005070 sampling Methods 0.000 claims description 32
- 238000005065 mining Methods 0.000 claims description 30
- 238000012937 correction Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 19
- 230000015654 memory Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 14
- 238000004590 computer program Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
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
- G05D1/0212—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
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及无人驾驶技术领域,具体公开了一种无人驾驶矿车的停泊区域识别方法及装置,所述方法包括获取矿场的尺寸数据,生成场景模型;根据所述矿车位置数据生成映射点,并将所述映射点***所述场景模型中;获取矿车的任务链表,根据所述任务链表确定矿车工作路径,根据所述工作路径确定停泊区域;接收含有矿车编号的停泊指令,确定运动指令。本发明通过获取矿车的任务链表,根据所述任务链表确定矿车工作路径,根据所述工作路径确定停泊区域;所述停泊区域与各个矿车的任务有关,是实时确定的动态区域,其数量并不唯一,可以使得需要停泊的矿车根据距离远近选择停泊区域,灵活度极高。
Description
技术领域
本发明涉及无人驾驶技术领域,具体是一种无人驾驶矿车的停泊区域识别方法及装置。
背景技术
研究数据显示,在合理考虑相关因素的理论状态下,7台无人驾驶矿车可替代至少9台同型号车的工作量,燃油成本降低6%,轮胎磨损减少7.5%以上,含节省人工成本在内的收益率提高49%。因此,未来的矿车都会向无人驾驶方向进行转型。
在矿车的工作过程中,大部分矿车在工作一段时间之后,需要停止休息一段时间,这就需要一块单独的停泊区域,传统的停泊区域是在矿场规划过程中确定的,是静态的停泊区域,这对于一些离停泊区域较远的矿车来说,每次停泊很不方便,灵活度很低。
发明内容
本发明的目的在于提供一种无人驾驶矿车的停泊区域识别方法及装置,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种无人驾驶矿车的停泊区域识别方法,所述方法包括:
获取矿场的尺寸数据,根据预设的比例尺生成场景模型;
获取矿车的位置数据,根据所述矿车位置数据生成映射点,并将所述映射点***所述场景模型中;其中,所述映射点和所述矿车均含有编号,所述映射点和所述矿车构成映射关系,对应的映射点和矿车的编号相同;
获取矿车的任务链表,根据所述任务链表确定矿车工作路径,根据所述工作路径确定停泊区域;
接收含有矿车编号的停泊指令,根据所述矿车编号定位场景模型中的映射点,根据所述映射点和所述停泊区域确定行进路径,根据所述行进路径和其他矿车的工作路径确定运动指令。
作为本发明技术方案进一步的限定:所述获取矿场的尺寸数据,根据预设的比例尺生成场景模型的步骤包括:
获取矿场的规划方案,根据规划方案确定二维尺寸,得到初始平面;
确定取样网格,根据所述取样网格将所述初始平面划分为子区域;其中,所述子区域的端点为取样网格的交点;
获取子区域端点处的海拔高度,并根据所述海拔高度修正所述初始平面,得到场景模型。
作为本发明技术方案进一步的限定:所述获取子区域端点处的海拔高度,并根据所述海拔高度修正所述初始平面,得到场景模型的步骤包括:
获取子区域端点处的海拔高度,并计算各端点的最大高度差;
根据所述最大高度差和取样网格的边距确定平面角度,并根据所述平面角度确定实际面积;
根据所述实际面积和子区域面各计算变动幅度,根据所述变动幅度调整取样网格的边距;
根据调整后的网格确定场景模型。
作为本发明技术方案进一步的限定:所述获取矿车的任务链表,根据所述任务链表确定矿车工作路径,根据所述工作路径确定停泊区域的步骤包括:
获取矿车的任务链表,读取所述任务链表中的任务项,根据所述任务项确定工作位置;
根据工作位置将任务项分为子任务项,并将所述子任务项输入训练好的时长分析模型中,得到各子任务项的工作时间;其中,所述子任务项包括固定位置子任务和运动子任务;
根据各子任务项的工作时间确定工作时刻表,读取工作时刻表中的运动子任务,根据所述运动子任务生成含有起止时刻的工作路径;
根据不同矿车的工作路径确定停泊区域。
作为本发明技术方案进一步的限定:所述接收含有矿车编号的停泊指令,根据所述矿车编号定位场景模型中的映射点,根据所述映射点和所述停泊区域确定行进路径的步骤包括:
接收含有矿车编号的停泊指令,根据矿车编号获取矿车的尺寸数据;
根据所述尺寸数据分割所述停泊区域,得到子停泊区域;
依次计算子停泊区域与所述矿车之间的距离,提取距离最小的子停泊区域,作为目标区域;
根据所述目标区域确定行进路径。
作为本发明技术方案进一步的限定:所述根据所述目标区域确定行进路径的步骤包括:
根据所述矿车编号定位场景模型中的映射点;
确定目标区域的中心点,并获取所述中心点的位置数据;
根据预设的比例尺和所述中心点的位置数据确定场景模型中对应所述目标区域的目标点;
将所述目标点和所述映射点输入训练好的路径生成模型中,得到行进路径。
作为本发明技术方案进一步的限定:所述根据所述行进路径和其他矿车的工作路径确定运动指令包括:
实时获取热源信息,根据所述热源信息定位独立目标,并获取所述独立目标的运动速度;
根据所述独立目标的运动速度读取行进速度表中的行进速度;其中,所述行进速度表为预设表,所述行进速度表包括运动速度项和行进速度项;
根据所述行进速度修正运动指令。
本发明技术方案还提供了一种无人驾驶矿车的停泊区域识别装置,所述装置包括:
场景模型生成模块,用于获取矿场的尺寸数据,根据预设的比例尺生成场景模型;
映射点***模块,用于获取矿车的位置数据,根据所述矿车位置数据生成映射点,并将所述映射点***所述场景模型中;其中,所述映射点和所述矿车均含有编号,所述映射点和所述矿车构成映射关系,对应的映射点和矿车的编号相同;
停泊区域确定模块,用于获取矿车的任务链表,根据所述任务链表确定矿车工作路径,根据所述工作路径确定停泊区域;
运动指令确定模块,用于接收含有矿车编号的停泊指令,根据所述矿车编号定位场景模型中的映射点,根据所述映射点和所述停泊区域确定行进路径,根据所述行进路径和其他矿车的工作路径确定运动指令。
作为本发明技术方案进一步的限定:所述场景模型生成模块包括:
初始平面生成单元,用于获取矿场的规划方案,根据规划方案确定二维尺寸,得到初始平面;
划分单元,用于确定取样网格,根据所述取样网格将所述初始平面划分为子区域;其中,所述子区域的端点为取样网格的交点;
修正单元,用于获取子区域端点处的海拔高度,并根据所述海拔高度修正所述初始平面,得到场景模型。
作为本发明技术方案进一步的限定:所述修正单元包括:
计算子单元,用于获取子区域端点处的海拔高度,并计算各端点的最大高度差;
逆投影子单元,用于根据所述最大高度差和取样网格的边距确定平面角度,并根据所述平面角度确定实际面积;
调整子单元,用于根据所述实际面积和子区域面各计算变动幅度,根据所述变动幅度调整取样网格的边距;
执行子单元,用于根据调整后的网格确定场景模型。
与现有技术相比,本发明的有益效果是:本发明通过获取矿车的任务链表,根据所述任务链表确定矿车工作路径,根据所述工作路径确定停泊区域;所述停泊区域与各个矿车的任务有关,是实时确定的动态区域,其数量并不唯一,可以使得需要停泊的矿车根据距离远近选择停泊区域,灵活度极高。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例。
图1示出了无人驾驶矿车的停泊区域识别方法的流程框图。
图2示出了无人驾驶矿车的停泊区域识别方法的第一子流程框图。
图3示出了无人驾驶矿车的停泊区域识别方法的第二子流程框图。
图4示出了无人驾驶矿车的停泊区域识别方法的第三子流程框图。
图5示出了无人驾驶矿车的停泊区域识别方法的第四子流程框图。
图6示出了无人驾驶矿车的停泊区域识别方法的第五子流程框图。
图7示出了无人驾驶矿车的停泊区域识别方法的第六子流程框图。
图8示出了无人驾驶矿车的停泊区域识别装置的组成结构框图。
图9示出了无人驾驶矿车的停泊区域识别装置中场景模型生成模块的组成结构框图。
图10示出了场景模型生成模块中修正单元的组成结构框图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例1
图1示出了无人驾驶矿车的停泊区域识别方法的流程框图,本发明实施例中,一种无人驾驶矿车的停泊区域识别方法,所述方法包括步骤S100至步骤S400:
步骤S100:获取矿场的尺寸数据,根据预设的比例尺生成场景模型;
矿场代指矿车的工作地点,是一个区域,并不是狭义上的矿场,像矿物挖掘前的场地,无法确定它是否存在矿石资源,自然也无法称为矿场,但是在勘探工作中,有时候也会使用到矿机,相应的,其工作区域也称为“矿场”;矿场的尺寸是可以人工测量的,根据预设的比例尺可以生成一个场景模型,这个场景模型以数据的形式存储于服务器中,如果服务器中包含显示设备,可以借助一些开源的显示程序将所述场景模式显示出来,便于工作人员实时监控矿场情况。具体的显示环节是基于本发明的二次开发过程,在此不作细述。
步骤S200:获取矿车的位置数据,根据所述矿车位置数据生成映射点,并将所述映射点***所述场景模型中;其中,所述映射点和所述矿车均含有编号,所述映射点和所述矿车构成映射关系,对应的映射点和矿车的编号相同;
场景模型可以理解为背景,只有在场景模型中添加动态点时,才具备实际意义;容易想到,这些动点代表着各个矿车的位置,也就是上述映射点,通过矿车编号建立矿车与映射点之间的映射关系。
值得一提的是,位置数据最好采用相对位置,举例说明,在矿场中心设置一个信号源,它对应着模型中的原点,然后获取矿车和信号源之间的距离,可以确定矿车所在的圆,然后再在矿场除了中心的位置处设置一个信号源,可以确定矿车的具体坐标;第二个信号源一般设置在矿场的边界位置。
步骤S300:获取矿车的任务链表,根据所述任务链表确定矿车工作路径,根据所述工作路径确定停泊区域;
上述内容的目的是确定停泊区域,这也是本发明的创新点所在,传统的停泊区域都是预设的,预先划出一块区域,作为停泊区域,但是本发明是根据其他矿车的工作情况进而确定停泊区域的,举例来说,如果矿场上,仅有两辆工作的矿车,而且矿车的位置调整时间很短暂,大部分时间都在固定工位上工作,那么,停泊区域就是整个矿场中除了那两辆矿车在位置调整时间所经过的线路。可以看出,上述停泊区域是从空间和时间两个维度进行确定的,极大的增加了停泊区域的识别灵活性。这样做的好处是,可以使得各个矿车就近的根据停泊时间选择停泊区域,提高矿场工作的协调性。
步骤S400:接收含有矿车编号的停泊指令,根据所述矿车编号定位场景模型中的映射点,根据所述映射点和所述停泊区域确定行进路径,根据所述行进路径和其他矿车的工作路径确定运动指令;
步骤S400是交互过程,停泊指令可以由用户发送,也可以由***本身的一些程序生成,比如,在矿车连续工作4个小时后,生成一个停泊指令,让矿车休息一段时间;至于矿车如何前往停泊区域,这属于自动驾驶领域的内容,通过现有技术可以完成,只需要具备最简单的避障功能即可。
值得一提的是,本发明技术方案与传统的技术方案并不冲突,在本发明技术方案中,也会人为的设定一块停泊区域,这么做的目的是,防止工作矿车过多,使得矿场被矿车“占满”,当然,由于矿车与矿场的尺寸相差过大,这种情况几乎不会出现。
图2示出了无人驾驶矿车的停泊区域识别方法的第一子流程框图,所述获取矿场的尺寸数据,根据预设的比例尺生成场景模型的步骤包括步骤S101至步骤S103:
步骤S101:获取矿场的规划方案,根据规划方案确定二维尺寸,得到初始平面;
步骤S102:确定取样网格,根据所述取样网格将所述初始平面划分为子区域;其中,所述子区域的端点为取样网格的交点;
步骤S103:获取子区域端点处的海拔高度,并根据所述海拔高度修正所述初始平面,得到场景模型。
步骤S101至步骤S103提供了一种具体的场景模型生成过程,其中,重点是根据所述海拔高度修正所述初始平面;可以想到,有坡度的地面与平面之间的俯视图是相同的,但是对于矿车来说,它要走过的路程是不同的,因此,上述内容提供了修正步骤;修正过程在数学上是简单的三角函数应用问题,实现起来并不困难,本发明不再赘述。
图3示出了无人驾驶矿车的停泊区域识别方法的第二子流程框图,所述获取子区域端点处的海拔高度,并根据所述海拔高度修正所述初始平面,得到场景模型的步骤包括步骤S1031-步骤S1034:
步骤S1031:获取子区域端点处的海拔高度,并计算各端点的最大高度差;
步骤S1032:根据所述最大高度差和取样网格的边距确定平面角度,并根据所述平面角度确定实际面积;
步骤S1033:根据所述实际面积和子区域面各计算变动幅度,根据所述变动幅度调整取样网格的边距;
步骤S1034:根据调整后的网格确定场景模型。
上述内容中,取样网格越大,修正过程越精确。值得一提的是,根据所述最大高度差和取样网格的边距确定平面角度可以直接确定变动幅度,但是上述内容先计算了面积,如果是纯理论理型,两种计算方式的结果几乎相等,但是在实际过程中,通过面积计算变动幅度的方式更加直接,更加精确。
图4示出了无人驾驶矿车的停泊区域识别方法的第三子流程框图,所述获取矿车的任务链表,根据所述任务链表确定矿车工作路径,根据所述工作路径确定停泊区域的步骤包括步骤S301至步骤S304:
步骤S301:获取矿车的任务链表,读取所述任务链表中的任务项,根据所述任务项确定工作位置;
步骤S302:根据工作位置将任务项分为子任务项,并将所述子任务项输入训练好的时长分析模型中,得到各子任务项的工作时间;其中,所述子任务项包括固定位置子任务和运动子任务;
步骤S303:根据各子任务项的工作时间确定工作时刻表,读取工作时刻表中的运动子任务,根据所述运动子任务生成含有起止时刻的工作路径;
步骤S304:根据不同矿车的工作路径确定停泊区域。
步骤S301至步骤S304是停泊区域确定过程,其核心是对矿车任务的分类,矿车的任务有两种,一是停在某个位置进行如装卸货一样的工作,二是在各个工位之间进行运动;本发明的目的是确定实时变化的动态停泊区域,因此需要从时间的维度对任务进行具体细分。
图5示出了无人驾驶矿车的停泊区域识别方法的第四子流程框图,所述接收含有矿车编号的停泊指令,根据所述矿车编号定位场景模型中的映射点,根据所述映射点和所述停泊区域确定行进路径的步骤包括步骤S401至步骤S404:
步骤S401:接收含有矿车编号的停泊指令,根据矿车编号获取矿车的尺寸数据;
步骤S402:根据所述尺寸数据分割所述停泊区域,得到子停泊区域;
步骤S403:依次计算子停泊区域与所述矿车之间的距离,提取距离最小的子停泊区域,作为目标区域;
步骤S404:根据所述目标区域确定行进路径。
步骤S401至步骤S404是行进路径的具体细化,可以想到,停泊区域一定比矿车尺寸大,矿车具体到达停泊区域的哪个位置就是上述内容想要解决的问题。
图6示出了无人驾驶矿车的停泊区域识别方法的第五子流程框图,所述根据所述目标区域确定行进路径的步骤包括步骤S4041至步骤S4044:
步骤S4041:根据所述矿车编号定位场景模型中的映射点;
步骤S4042:确定目标区域的中心点,并获取所述中心点的位置数据;
步骤S4043:根据预设的比例尺和所述中心点的位置数据确定场景模型中对应所述目标区域的目标点;
步骤S4044:将所述目标点和所述映射点输入训练好的路径生成模型中,得到行进路径。
行进路径的规划过程需要借助场景模型完成,路径规划的前提是有一个出发点和一个终点,对应在场景模型中,就是映射点和目标点;将所述目标点和所述映射点输入训练好的路径生成模型中,得到行进路径;上述路径生成模型在没有其它影响的情况下,得到的行进路径是一条直线;但是,在实际使用中,会受到其它因素影响,比如路面情况、固定障碍等等,这些因素视具体情况而定,再通过一些简单的算法将这些影响添加进路径生成模型,就得到了上述训练好的路径生成模型。
图7示出了无人驾驶矿车的停泊区域识别方法的第六子流程框图,所述根据所述行进路径和其他矿车的工作路径确定运动指令包括:
步骤S405:实时获取热源信息,根据所述热源信息定位独立目标,并获取所述独立目标的运动速度;
步骤S406:根据所述独立目标的运动速度读取行进速度表中的行进速度;其中,所述行进速度表为预设表,所述行进速度表包括运动速度项和行进速度项;
步骤S407:根据所述行进速度修正运动指令。
步骤S405至步骤S407也是本发明技术方案的一个改进点;现有的路障检测技术,是通过测距仪获取障碍物,然后进行避障,在本发明技术方案中,行进路径是确定的,在行进路径的确定过程中,已经避开了固定障碍物,在遇到其他活动的障碍物时,矿车采取的指令是停止避让,而在上述方案中,采取的是调整速度,与传统的停止指令相比,提高了灵活度的同时,也减少了启动次数,变相的提高了能源利用率。
实施例2
图8示出了无人驾驶矿车的停泊区域识别装置的组成结构框图,本发明实施例中,提供了一种无人驾驶矿车的停泊区域识别装置,所述装置10包括:
场景模型生成模块11,用于获取矿场的尺寸数据,根据预设的比例尺生成场景模型;
映射点***模块12,用于获取矿车的位置数据,根据所述矿车位置数据生成映射点,并将所述映射点***所述场景模型中;其中,所述映射点和所述矿车均含有编号,所述映射点和所述矿车构成映射关系,对应的映射点和矿车的编号相同;
停泊区域确定模块13,用于获取矿车的任务链表,根据所述任务链表确定矿车工作路径,根据所述工作路径确定停泊区域;
运动指令确定模块14,用于接收含有矿车编号的停泊指令,根据所述矿车编号定位场景模型中的映射点,根据所述映射点和所述停泊区域确定行进路径,根据所述行进路径和其他矿车的工作路径确定运动指令。
图9示出了无人驾驶矿车的停泊区域识别装置中场景模型生成模块的组成结构框图,所述场景模型生成模块11包括:
初始平面生成单元111,用于获取矿场的规划方案,根据规划方案确定二维尺寸,得到初始平面;
划分单元112,用于确定取样网格,根据所述取样网格将所述初始平面划分为子区域;其中,所述子区域的端点为取样网格的交点;
修正单元113,用于获取子区域端点处的海拔高度,并根据所述海拔高度修正所述初始平面,得到场景模型。
图10示出了场景模型生成模块中修正单元的组成结构框图,所述修正单元113包括:
计算子单元1131,用于获取子区域端点处的海拔高度,并计算各端点的最大高度差;
逆投影子单元1132,用于根据所述最大高度差和取样网格的边距确定平面角度,并根据所述平面角度确定实际面积;
调整子单元1133,用于根据所述实际面积和子区域面各计算变动幅度,根据所述变动幅度调整取样网格的边距;
执行子单元1134,用于根据调整后的网格确定场景模型。
所述无人驾驶矿车的停泊区域识别方法所能实现的功能均由计算机设备完成,所述计算机设备包括一个或多个处理器和一个或多个存储器,所述一个或多个存储器中存储有至少一条程序代码,所述程序代码由所述一个或多个处理器加载并执行以实现所述无人驾驶矿车的停泊区域识别方法的功能。
处理器从存储器中逐条取出指令、分析指令,然后根据指令要求完成相应操作,产生一系列控制命令,使计算机各部分自动、连续并协调动作,成为一个有机的整体,实现程序的输入、数据的输入以及运算并输出结果,这一过程中产生的算术运算或逻辑运算均由运算器完成;所述存储器包括只读存储器(Read-Only Memory,ROM),所述只读存储器用于存储计算机程序,所述存储器外部设有保护装置。
示例性的,计算机程序可以被分割成一个或多个模块,一个或者多个模块被存储在存储器中,并由处理器执行,以完成本发明。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序在终端设备中的执行过程。
本领域技术人员可以理解,上述服务设备的描述仅仅是示例,并不构成对终端设备的限定,可以包括比上述描述更多或更少的部件,或者组合某些部件,或者不同的部件,例如可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,上述处理器是上述终端设备的控制中心,利用各种接口和线路连接整个用户终端的各个部分。
上述存储器可用于存储计算机程序和/或模块,上述处理器通过运行或执行存储在存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现上述终端设备的各种功能。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如信息采集模板展示功能、产品信息发布功能等)等;存储数据区可存储根据泊位状态显示***的使用所创建的数据(比如不同产品种类对应的产品信息采集模板、不同产品提供方需要发布的产品信息等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例***中的全部或部分模块/单元,也可以通过计算机程序来指令相关的硬件来完成,上述的计算机程序可存储于计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个***实施例的功能。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random AccessMemory)、电载波信号、电信信号以及软件分发介质等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种无人驾驶矿车的停泊区域识别方法,其特征在于,所述方法包括:
获取矿场的尺寸数据,根据预设的比例尺生成场景模型;
获取矿车的位置数据,根据所述矿车位置数据生成映射点,并将所述映射点***所述场景模型中;其中,所述映射点和所述矿车均含有编号,所述映射点和所述矿车构成映射关系,对应的映射点和矿车的编号相同;
获取矿车的任务链表,根据所述任务链表确定矿车工作路径,根据所述工作路径确定停泊区域;
接收含有矿车编号的停泊指令,根据所述矿车编号定位场景模型中的映射点,根据所述映射点和所述停泊区域确定行进路径,根据所述行进路径和其他矿车的工作路径确定运动指令。
2.根据权利要求1所述的无人驾驶矿车的停泊区域识别方法,其特征在于,所述获取矿场的尺寸数据,根据预设的比例尺生成场景模型的步骤包括:
获取矿场的规划方案,根据规划方案确定二维尺寸,得到初始平面;
确定取样网格,根据所述取样网格将所述初始平面划分为子区域;其中,所述子区域的端点为取样网格的交点;
获取子区域端点处的海拔高度,并根据所述海拔高度修正所述初始平面,得到场景模型。
3.根据权利要求2所述的无人驾驶矿车的停泊区域识别方法,其特征在于,所述获取子区域端点处的海拔高度,并根据所述海拔高度修正所述初始平面,得到场景模型的步骤包括:
获取子区域端点处的海拔高度,并计算各端点的最大高度差;
根据所述最大高度差和取样网格的边距确定平面角度,并根据所述平面角度确定实际面积;
根据所述实际面积和子区域面各计算变动幅度,根据所述变动幅度调整取样网格的边距;
根据调整后的网格确定场景模型。
4.根据权利要求1所述的无人驾驶矿车的停泊区域识别方法,其特征在于,所述获取矿车的任务链表,根据所述任务链表确定矿车工作路径,根据所述工作路径确定停泊区域的步骤包括:
获取矿车的任务链表,读取所述任务链表中的任务项,根据所述任务项确定工作位置;
根据工作位置将任务项分为子任务项,并将所述子任务项输入训练好的时长分析模型中,得到各子任务项的工作时间;其中,所述子任务项包括固定位置子任务和运动子任务;
根据各子任务项的工作时间确定工作时刻表,读取工作时刻表中的运动子任务,根据所述运动子任务生成含有起止时刻的工作路径;
根据不同矿车的工作路径确定停泊区域。
5.根据权利要求1所述的无人驾驶矿车的停泊区域识别方法,其特征在于,所述接收含有矿车编号的停泊指令,根据所述矿车编号定位场景模型中的映射点,根据所述映射点和所述停泊区域确定行进路径的步骤包括:
接收含有矿车编号的停泊指令,根据矿车编号获取矿车的尺寸数据;
根据所述尺寸数据分割所述停泊区域,得到子停泊区域;
依次计算子停泊区域与所述矿车之间的距离,提取距离最小的子停泊区域,作为目标区域;
根据所述目标区域确定行进路径。
6.根据权利要求5所述的无人驾驶矿车的停泊区域识别方法,其特征在于,所述根据所述目标区域确定行进路径的步骤包括:
根据所述矿车编号定位场景模型中的映射点;
确定目标区域的中心点,并获取所述中心点的位置数据;
根据预设的比例尺和所述中心点的位置数据确定场景模型中对应所述目标区域的目标点;
将所述目标点和所述映射点输入训练好的路径生成模型中,得到行进路径。
7.根据权利要求6所述的无人驾驶矿车的停泊区域识别方法,其特征在于,所述根据所述行进路径和其他矿车的工作路径确定运动指令包括:
实时获取热源信息,根据所述热源信息定位独立目标,并获取所述独立目标的运动速度;
根据所述独立目标的运动速度读取行进速度表中的行进速度;其中,所述行进速度表为预设表,所述行进速度表包括运动速度项和行进速度项;
根据所述行进速度修正运动指令。
8.一种无人驾驶矿车的停泊区域识别装置,其特征在于,所述装置包括:
场景模型生成模块,用于获取矿场的尺寸数据,根据预设的比例尺生成场景模型;
映射点***模块,用于获取矿车的位置数据,根据所述矿车位置数据生成映射点,并将所述映射点***所述场景模型中;其中,所述映射点和所述矿车均含有编号,所述映射点和所述矿车构成映射关系,对应的映射点和矿车的编号相同;
停泊区域确定模块,用于获取矿车的任务链表,根据所述任务链表确定矿车工作路径,根据所述工作路径确定停泊区域;
运动指令确定模块,用于接收含有矿车编号的停泊指令,根据所述矿车编号定位场景模型中的映射点,根据所述映射点和所述停泊区域确定行进路径,根据所述行进路径和其他矿车的工作路径确定运动指令。
9.根据权利要求8所述的无人驾驶矿车的停泊区域识别装置,其特征在于,所述场景模型生成模块包括:
初始平面生成单元,用于获取矿场的规划方案,根据规划方案确定二维尺寸,得到初始平面;
划分单元,用于确定取样网格,根据所述取样网格将所述初始平面划分为子区域;其中,所述子区域的端点为取样网格的交点;
修正单元,用于获取子区域端点处的海拔高度,并根据所述海拔高度修正所述初始平面,得到场景模型。
10.根据权利要求9所述的无人驾驶矿车的停泊区域识别装置,其特征在于,所述修正单元包括:
计算子单元,用于获取子区域端点处的海拔高度,并计算各端点的最大高度差;
逆投影子单元,用于根据所述最大高度差和取样网格的边距确定平面角度,并根据所述平面角度确定实际面积;
调整子单元,用于根据所述实际面积和子区域面各计算变动幅度,根据所述变动幅度调整取样网格的边距;
执行子单元,用于根据调整后的网格确定场景模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111066571.1A CN113741474B (zh) | 2021-09-13 | 2021-09-13 | 一种无人驾驶矿车的停泊区域识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111066571.1A CN113741474B (zh) | 2021-09-13 | 2021-09-13 | 一种无人驾驶矿车的停泊区域识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113741474A true CN113741474A (zh) | 2021-12-03 |
CN113741474B CN113741474B (zh) | 2022-04-29 |
Family
ID=78738176
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111066571.1A Active CN113741474B (zh) | 2021-09-13 | 2021-09-13 | 一种无人驾驶矿车的停泊区域识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113741474B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114115300A (zh) * | 2022-01-26 | 2022-03-01 | 上海伯镭智能科技有限公司 | 一种无人驾驶矿车的倾斜参数采集方法及装置 |
CN115265522A (zh) * | 2022-09-27 | 2022-11-01 | 山东明源智能装备股份有限公司 | 一种用于矿场车辆的自动导航方法及*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106952496A (zh) * | 2017-04-11 | 2017-07-14 | 苏州梦伯乐信息科技有限公司 | 无人驾驶汽车智能寻车位方法 |
CN107657812A (zh) * | 2017-08-29 | 2018-02-02 | 陈飞 | 一种根据交通流量预测进行动态规划停车位的方法 |
CN109131318A (zh) * | 2018-10-19 | 2019-01-04 | 清华大学 | 一种基于拓扑地图的自主泊车路径协调方法 |
CN110428161A (zh) * | 2019-07-25 | 2019-11-08 | 北京航空航天大学 | 一种基于端边云架构的无人驾驶矿车云智能调度方法 |
CN110439346A (zh) * | 2019-07-04 | 2019-11-12 | 佛山科学技术学院 | 一种基于物联网的智能泊车方法及装置 |
CN112802346A (zh) * | 2020-12-28 | 2021-05-14 | 苏州易航远智智能科技有限公司 | 基于云端共享和地图融合的自主泊车***和方法 |
CN112904820A (zh) * | 2021-01-22 | 2021-06-04 | 上海伯镭智能科技有限公司 | 无人驾驶工程车辆矿区流量调配方法及装置 |
CN113147743A (zh) * | 2021-04-27 | 2021-07-23 | 东风汽车集团股份有限公司 | 自动泊车方法、***及存储介质 |
-
2021
- 2021-09-13 CN CN202111066571.1A patent/CN113741474B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106952496A (zh) * | 2017-04-11 | 2017-07-14 | 苏州梦伯乐信息科技有限公司 | 无人驾驶汽车智能寻车位方法 |
CN107657812A (zh) * | 2017-08-29 | 2018-02-02 | 陈飞 | 一种根据交通流量预测进行动态规划停车位的方法 |
CN109131318A (zh) * | 2018-10-19 | 2019-01-04 | 清华大学 | 一种基于拓扑地图的自主泊车路径协调方法 |
CN110439346A (zh) * | 2019-07-04 | 2019-11-12 | 佛山科学技术学院 | 一种基于物联网的智能泊车方法及装置 |
CN110428161A (zh) * | 2019-07-25 | 2019-11-08 | 北京航空航天大学 | 一种基于端边云架构的无人驾驶矿车云智能调度方法 |
CN112802346A (zh) * | 2020-12-28 | 2021-05-14 | 苏州易航远智智能科技有限公司 | 基于云端共享和地图融合的自主泊车***和方法 |
CN112904820A (zh) * | 2021-01-22 | 2021-06-04 | 上海伯镭智能科技有限公司 | 无人驾驶工程车辆矿区流量调配方法及装置 |
CN113147743A (zh) * | 2021-04-27 | 2021-07-23 | 东风汽车集团股份有限公司 | 自动泊车方法、***及存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114115300A (zh) * | 2022-01-26 | 2022-03-01 | 上海伯镭智能科技有限公司 | 一种无人驾驶矿车的倾斜参数采集方法及装置 |
CN114115300B (zh) * | 2022-01-26 | 2022-04-29 | 上海伯镭智能科技有限公司 | 一种无人驾驶矿车的倾斜参数采集方法及装置 |
CN115265522A (zh) * | 2022-09-27 | 2022-11-01 | 山东明源智能装备股份有限公司 | 一种用于矿场车辆的自动导航方法及*** |
CN115265522B (zh) * | 2022-09-27 | 2022-12-27 | 山东明源智能装备股份有限公司 | 一种用于矿场车辆的自动导航方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN113741474B (zh) | 2022-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113741474B (zh) | 一种无人驾驶矿车的停泊区域识别方法及装置 | |
US11288525B2 (en) | Object detection for distorted images | |
CN109901138B (zh) | 激光雷达标定方法、装置、设备和存储介质 | |
CN109683175B (zh) | 激光雷达配置方法、装置、设备和存储介质 | |
CN110009718B (zh) | 一种三维高精度地图生成方法及装置 | |
CN114018237B (zh) | 一种基于数字孪生的井场定位方法和装置 | |
CN111761581B (zh) | 路径规划方法及装置、狭窄空间行进方法及装置 | |
CN110824491A (zh) | 充电桩定位方法、装置、计算机设备和存储介质 | |
CN114030995A (zh) | 一种钢厂车间天车调度方法和*** | |
CN113741472A (zh) | 一种基于多图像采集的障碍回避方法及装置 | |
CN114911239A (zh) | 一种无人驾驶矿车的异常识别方法及*** | |
CN114565703A (zh) | 一种调整集中标注的方法、装置、设备及可读存储介质 | |
EP3637311A1 (de) | Vorrichtung und verfahren zum ermitteln von höheninformationen eines objekts in einer umgebung eines fahrzeugs | |
CN115082523A (zh) | 一种基于视觉的机器人智能引导***及方法 | |
CN113050660B (zh) | 误差补偿方法、装置、计算机设备及存储介质 | |
CN114115300B (zh) | 一种无人驾驶矿车的倾斜参数采集方法及装置 | |
US11747454B2 (en) | Granularity-flexible existence-based object detection | |
CN116734878A (zh) | 路径规划方法、装置、电子设备、介质及自动驾驶车辆 | |
US20220111515A1 (en) | Method and Apparatus for Managing Robot Program | |
US20220019227A1 (en) | Route planning apparatus, route planning method, and computer-readable recording medium | |
CN114136327B (zh) | 一种虚线段的查全率的自动化检查方法及*** | |
CN113923405A (zh) | 一种基于安全监控的移动通信*** | |
CN110736474B (zh) | 一种车辆的地图信息获取方法及装置 | |
US20220252406A1 (en) | 3D Odometry in 6D Space With Roadmodel 2D Manifold | |
CN112230256A (zh) | 自主机器人及其定位校准方法、装置和存储介质 |
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 |