CN115291240A - 矿区场景内卸载点后方挡墙感知识别的检测方法及*** - Google Patents
矿区场景内卸载点后方挡墙感知识别的检测方法及*** Download PDFInfo
- Publication number
- CN115291240A CN115291240A CN202211229389.8A CN202211229389A CN115291240A CN 115291240 A CN115291240 A CN 115291240A CN 202211229389 A CN202211229389 A CN 202211229389A CN 115291240 A CN115291240 A CN 115291240A
- Authority
- CN
- China
- Prior art keywords
- distance
- obstacle
- intersection line
- vehicle
- ground
- 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
- 238000005065 mining Methods 0.000 title claims abstract description 23
- 230000008447 perception Effects 0.000 title claims abstract description 18
- 238000001514 detection method Methods 0.000 title claims abstract description 17
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 14
- 230000004888 barrier function Effects 0.000 claims abstract description 7
- 230000001154 acute effect Effects 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 11
- 238000000034 method Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000005192 partition Methods 0.000 abstract description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20164—Salient point detection; Corner detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Electromagnetism (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种矿区场景内卸载点后方挡墙感知识别的检测方法及***,获取卸载点的后挡墙与地面的先验交线,计算先验交线与车辆后轴中心的距离,在该距离大于最小识别距离且小于最大识别距离时判定车辆进入卸载点设定识别区域;遍历分析所有在设定识别区域内的障碍物地面交线,对障碍物地面交线进行分解拟合,计算出障碍物地面交线与先验交线的倾角差以及障碍物地面交线与先验交线之间的距离,如果倾角差和障碍物交线与先验交线之间的距离在误差范围内且此障碍物类型为凸起,则判定该障碍物为后挡墙;将所有判定为后挡墙的数据合并为最终的后挡墙。优点:实现了矿区排土区卸载点后方挡墙的感知识别检测,实现了普通障碍物与后方挡墙的分割。
Description
技术领域
本发明涉及一种矿区场景内卸载点后方挡墙感知识别的检测方法及***,属于采矿机械技术领域。
背景技术
近年来,随着无人驾驶、5G、人工智能、云计算等新一代信息技术的快速发展,为推动矿山开采行业智能升级提供有力技术支撑。感知模块是整个矿山无人驾驶***中极其关键的部分,确保着整个***的安全运行。排土区卸载点是运输矿石的车辆工作的重要区域之一,所以准确检测并分割出卸载点后方挡墙是非常重要的感知预处理环节,不准确的检测结果可能会造成矿车与挡墙发生碰撞,影响生产安全。
矿区排土区卸载点的场景较为单一,但是实际工况场景内仍会存在多种采矿机械设备,卸载区矿车后方的障碍物不仅仅包含挡墙,还可能包含正在作业的设备。所以,需要将后方挡墙和其它障碍物准确分割,在避免与其它障碍物发生碰撞的同时又可确保运输矿石的车辆按照卸载路线到达准确的卸载地点。因此如何在矿车进入排土区后检测并提取出后方挡土墙是具有价值和挑战的研究议题。
现有的挡墙检测及障碍物分类的研究存在一些问题和局限性:
现有技术存在的一种方法中,基于三维点云在x方向的最大点和最小点之间的高度差和斜率角度等信息,对地面和后方挡墙进行分割,从而提取出后方挡墙。此方法虽然可以检测到后方挡墙,但是默认场景内只存在挡墙和地面,只将挡墙与地面进行分割,没有完成挡墙与障碍物的分类。
现有技术存在的另一种方法中,采用的是传统的图像处理方法,主要应用于城市道路上的障碍物分类,且图像采集对光照要求比较多,不适用于矿区环境的使用。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷,提供一种矿区场景内卸载点后方挡墙感知识别的检测方法及***,以达到大大提高后方挡墙识别效率及准确度的目的。
为解决上述技术问题,本发明提供一种矿区场景内卸载点后方挡墙感知识别的检测方法,包括:
获取卸载点的后挡墙与地面的先验交线,计算先验交线与车辆后轴中心的距离,在该距离大于最小识别距离且小于最大识别距离时判定车辆进入卸载点设定识别区域;
遍历分析所有在设定识别区域内的障碍物地面交线,对障碍物地面交线进行分解拟合,计算出障碍物地面交线与先验交线的倾角差以及障碍物地面交线与先验交线之间的距离,如果倾角差和障碍物地面交线与先验交线之间的距离在误差范围内且此障碍物类型为凸起,则判定该障碍物为后挡墙;
将所有判定为后挡墙的数据合并为最终的后挡墙。
进一步的,还包括:
在将所有判定为后挡墙的数据合并为最终的后挡墙之后,将最终的后挡墙与地面的交线点云数据更新保存为新的先验交线。
进一步的,所述拟合采用QR分解拟合。
进一步的,所述遍历分析所有在设定识别区域内的障碍物地面交线,对障碍物地面交线进行分解拟合,计算出障碍物地面交线与先验交线的倾角差以及障碍物地面交线与先验交线之间的距离,包括:
采集车辆后方3D点云数据,对车辆后方3D点云数据进行滤波处理,对滤波处理后的车辆后方3D点云数据进行分割以及地面剔除处理,得到障碍物点云数据;
根据障碍物点云数据获取每个障碍物的交线点,根据每个障碍物的交线点拟合得到障碍物地面交线,获取对应于该障碍物地面交线的斜率和截距,根据对应于该障碍物地面交线的斜率和截距计算障碍物地面交线到车辆后轴中心的距离一和车辆后轴与直线的倾角一;
获取车辆四元数和车辆地理坐标,根据车辆四元数、车辆地理坐标和预先构建的车体坐标系计算车辆卸载点交线的车体坐标;根据车辆卸载点交线的车体坐标进行直线拟合,得到先验交线,获取拟合好的先验交线的斜率和截距;
根据拟合好的先验交线的斜率和截距计算先验交线到车辆后轴中心的距离二和车辆后轴与直线的倾角二;
进一步的,所述如果倾角差和障碍物地面交线与先验交线之间的距离在误差范围内且此障碍物类型为凸起,则判定该障碍物为后挡墙,包括:
计算车辆后轴中心到障碍物地面交线的距离l 1映射到[最小识别距离l min ,最大识别距离l max ]区间内的归一化距离l 1归,表示为:
计算车辆后轴中心到先验交线的距离l 2映射到[最小识别距离l min ,最大识别距离l max ]区间内的归一化距离l 2归,表示为:
判断倾角差delta_θ为钝角还是锐角,若倾角差delta_θ为钝角则修正为锐角,赋值计算为:delta_θ=180°-delta_θ;若倾角差delta_θ为锐角则保持不变;
计算归一化距离l 1归和归一化距离l 2归的距离差值normalized_delta_ρ;
计算障碍物地面交线与先验交线之间的距离normalized_distance,表示为:
根据障碍物点云数据判断障碍物是否为凸起,如果障碍物为凸起且宽度大于挡墙最小宽度阈值、障碍物高度大于最小高度阈值、同时归一化处理后的障碍物地面交线与先验交线之间的距离normalized_distance小于地面交线最大偏差,则判断此障碍物为后挡墙。
一种矿区场景内卸载点后方挡墙感知识别的检测***,包括:
计算模块,用于获取卸载点的后挡墙与地面的先验交线,计算先验交线与车辆后轴中心的距离,在该距离大于最小识别距离且小于最大识别距离时判定车辆进入卸载点设定识别区域;
判定模块,用于遍历分析所有在设定识别区域内的障碍物地面交线,对障碍物地面交线进行分解拟合,计算出障碍物地面交线与先验交线的倾角差以及障碍物地面交线与先验交线之间的距离,如果倾角差和障碍物交线与先验交线之间的距离在误差范围内且此障碍物类型为凸起,则判定该障碍物为后挡墙;
合并模块,用于将所有判定为后挡墙的数据合并为最终的后挡墙。
进一步的,还包括:
更新模块,用于在将所有判定为后挡墙的数据合并为最终的后挡墙之后,将最终的后挡墙与地面的交线点云数据更新保存为新的先验交线。
进一步的,所述拟合采用QR分解拟合。
进一步的,所述判定模块,用于
采集车辆后方3D点云数据,对车辆后方3D点云数据进行滤波处理,对滤波处理后的车辆后方3D点云数据进行分割以及地面剔除处理,得到障碍物点云数据;
根据障碍物点云数据获取每个障碍物的交线点,根据每个障碍物的交线点拟合得到障碍物地面交线,获取对应于该障碍物地面交线的斜率和截距,根据对应于该障碍物地面交线的斜率和截距计算障碍物地面交线到车辆后轴中心的距离一和车辆后轴与直线的倾角一;
获取车辆四元数和车辆地理坐标,根据车辆四元数、车辆地理坐标和预先构建的车体坐标系计算车辆卸载点交线的车体坐标;根据车辆卸载点交线的车体坐标进行直线拟合,得到先验交线,获取拟合好的先验交线的斜率和截距;
根据拟合好的先验交线的斜率和截距计算先验交线到车辆后轴中心的距离二和车辆后轴与直线的倾角二;
进一步的,所述判定模块,用于
计算车辆后轴中心到障碍物地面交线的距离l 1映射到[最小识别距离l min ,最大识别距离l max ]区间内的归一化距离l 1归,表示为:
计算车辆后轴中心到先验交线的距离l 2映射到[最小识别距离l min ,最大识别距离l max ]区间内的归一化距离l 2归,表示为:
判断倾角差delta_θ为钝角还是锐角,若倾角差delta_θ为钝角则修正为锐角,赋值计算为:delta_θ=180°-delta_θ;若倾角差delta_θ为锐角则保持不变;
计算归一化距离l 1归和归一化距离l 2归的距离差值normalized_delta_ρ;
计算障碍物地面交线与先验交线之间的距离normalized_distance,表示为:
根据障碍物点云数据判断障碍物是否为凸起,如果障碍物为凸起且宽度大于挡墙最小宽度阈值、障碍物高度大于最小高度阈值、同时归一化处理后的障碍物地面交线与先验交线之间的距离normalized_distance小于地面交线最大偏差,则判断此障碍物为后挡墙。
本发明所达到的有益效果:
本发明实现了矿区排土区卸载点后方挡墙的感知识别检测,实现了普通障碍物与后方挡墙的分割,防止区域内作业的其它采矿机械设备被误判为后方挡墙发生安全事故。此***简单可靠,提高了矿区内运输矿石的车辆的卸载工作效率。
附图说明
图1为本发明实施例所公开的一种矿区场景内卸载点后方挡墙感知识别的检测方法示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本发明提出了一种矿区场景内卸载点后方挡墙感知识别的检测方法,如图1所示,所述方法包括如下步骤:
步骤一,创建一个map坐标系(指在矿区建立的固定坐标系,以基站为原点,东北天坐标系,x轴:东,y轴:北,z轴:天)下先验交线对象即计算已知的后挡墙与地面交线点,创建点云数据。
步骤二,使用运输矿石的车辆卸载点地面交线坐标、采集的车辆四元数、车辆地理坐标,计算车辆卸载点交线的车体坐标系(车体坐标系是以后轴中心为原点,前为x轴,左为y轴,上为z轴);对卸载点交线局部坐标使用QR分解拟合直线,并获取拟合好直线的斜率和截距。
步骤三,获取拟合好直线的斜率known_a和截距known_b,计算直线到原点(车辆后轴中心)距离known_ρ和直线倾角known_θ。
步骤四,如果距离known_ρ>最小识别距离且known_ρ<最大识别距离,开启后方挡墙识别模块;启动滤波模块,对后向激光雷达采集到的车辆后方3D点云数据进行滤波处理;滤波处理后,启动障碍物聚类及地面剔除模块,分割聚类出地面点云数据及其它障碍物点云数据;启动地面交线提取模块,获取所有障碍物地面交线,并按照步骤三,得到拟合好直线的斜率unknown_a和截距unknown_b,并计算得到障碍物地面交线到原点(车辆后轴中心)距离unknown_ρ和直线倾角unknown_θ:
步骤五,如果障碍物unknown_ρ>最小识别距离且unknown_ρ<最大识别距离,保存此障碍物信息,依次筛选并保存在设定识别区域内的障碍物信息。
步骤六,使用最大、最小识别距离、比率参数(距离和倾角的比率)计算归一化的原点到先验交线及原点到识别区域内障碍物地面交线的距离差值normalized_delta_ρ,并计算出两条直线倾角差值delta_θ。
步骤六,将步骤五中保存的原点(车辆后轴中心)到障碍物地面交线的距离映射到[最小距离,最大距离]区间内(即计算归一化后的原点到识别区域内障碍物地面交线的距离),计算原点(车辆后轴中心)到先验交线的距离并映射到[最小距离,最大距离]区间内,计算两个归一化后的距离差值normalized_delta_ρ;
步骤七,计算上述两条直线倾角差值delta_θ,delta_θ为钝角,将夹角修正为锐角,并做归一化处理。
步骤八,计算归一化之后的两条直线之间的距离normalized_distance;
步骤九,利用障碍物点云数据判断障碍物是否为凸起,如果障碍物为凸起且宽度挡墙最小宽度阈值WidthThreshold、障碍物高度>最小高度阈值HeightThreshold;同时计算得到的障碍物地面交线与已知挡墙地面交线的距离normalized_distance<地面交线最大偏差MaxFootprintsError,则可判断此障碍物为后挡墙,并将此障碍物类型更改为BackWall。
步骤十,遍历所有障碍物后,如保存的后挡墙数据有多个,则将后挡墙数据合并,将合并后的后挡墙数据保存,作为下一次检测的先验交线对象。
相应的本发明还提供一种矿区场景内卸载点后方挡墙感知识别的检测***,包括:
计算模块,用于获取卸载点的后挡墙与地面的先验交线,计算先验交线与车辆后轴中心的距离,在该距离大于最小识别距离且小于最大识别距离时判定车辆进入卸载点设定识别区域;
判定模块,用于遍历分析所有在设定识别区域内的障碍物地面交线,对障碍物地面交线进行分解拟合,计算出障碍物地面交线与先验交线的倾角差以及障碍物地面交线与先验交线之间的距离,如果倾角差和障碍物交线与先验交线之间的距离在误差范围内且此障碍物类型为凸起,则判定该障碍物为后挡墙;
合并模块,用于将所有判定为后挡墙的数据合并为最终的后挡墙。
还包括:更新模块,用于在将所有判定为后挡墙的数据合并为最终的后挡墙之后,将最终的后挡墙与地面的交线点云数据更新保存为新的先验交线。
所述拟合采用QR分解拟合。
所述判定模块,用于采集车辆后方3D点云数据,对车辆后方3D点云数据进行滤波处理,对滤波处理后的车辆后方3D点云数据进行分割以及地面剔除处理,得到障碍物点云数据;
根据障碍物点云数据获取每个障碍物的交线点,根据每个障碍物的交线点拟合得到障碍物地面交线,获取对应于该障碍物地面交线的斜率和截距,根据对应于该障碍物地面交线的斜率和截距计算障碍物地面交线到车辆后轴中心的距离一和车辆后轴与直线的倾角一;
获取车辆四元数和车辆地理坐标,根据车辆四元数、车辆地理坐标和预先构建的车体坐标系计算车辆卸载点交线的车体坐标;根据车辆卸载点交线的车体坐标进行直线拟合,得到先验交线,获取拟合好的先验交线的斜率和截距;
根据拟合好的先验交线的斜率和截距计算先验交线到车辆后轴中心的距离二和车辆后轴与直线的倾角二;
根据距离一、倾角一、距离二、倾角二计算得到障碍物地面交线与先验交线的倾角差delta_θ以及障碍物地面交线与已知交线之间的距离。
所述判定模块,用于
计算车辆后轴中心到障碍物地面交线的距离l 1映射到[最小识别距离l min ,最大识别距离l max ]区间内的归一化距离l 1归,表示为:
计算车辆后轴中心到先验交线的距离l 2映射到[最小识别距离l min ,最大识别距离l max ]区间内的归一化距离l 2归,表示为:
判断倾角差delta_θ为钝角还是锐角,若倾角差delta_θ为钝角则修正为锐角,赋值计算为:delta_θ=180°-delta_θ;若倾角差delta_θ为锐角则保持不变;
计算归一化距离l 1归和归一化距离l 2归的距离差值normalized_delta_ρ;
计算障碍物地面交线与先验交线之间的距离normalized_distance,表示为:
根据障碍物点云数据判断障碍物是否为凸起,如果障碍物为凸起且宽度大于挡墙最小宽度阈值、障碍物高度大于最小高度阈值、同时归一化处理后的障碍物地面交线与先验交线之间的距离normalized_distance小于地面交线最大偏差,则判断此障碍物为后挡墙。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种矿区场景内卸载点后方挡墙感知识别的检测方法,其特征在于,包括:
获取卸载点的后挡墙与地面的先验交线,计算先验交线与车辆后轴中心的距离,在该距离大于最小识别距离且小于最大识别距离时判定车辆进入卸载点设定识别区域;
遍历分析所有在设定识别区域内的障碍物地面交线,对障碍物地面交线进行分解拟合,计算出障碍物地面交线与先验交线的倾角差以及障碍物地面交线与先验交线之间的距离,如果倾角差和障碍物地面交线与先验交线之间的距离在误差范围内且此障碍物类型为凸起,则判定该障碍物为后挡墙;
将所有判定为后挡墙的数据合并为最终的后挡墙。
2.根据权利要求1所述的矿区场景内卸载点后方挡墙感知识别的检测方法,其特征在于,还包括:
在将所有判定为后挡墙的数据合并为最终的后挡墙之后,将最终的后挡墙与地面的交线点云数据更新保存为新的先验交线。
3.根据权利要求1所述的矿区场景内卸载点后方挡墙感知识别的检测方法,其特征在于,所述分解拟合采用QR分解拟合。
4.根据权利要求1所述的矿区场景内卸载点后方挡墙感知识别的检测方法,其特征在于,所述遍历分析所有在设定识别区域内的障碍物地面交线,对障碍物地面交线进行分解拟合,计算出障碍物地面交线与先验交线的倾角差以及障碍物地面交线与先验交线之间的距离,包括:
采集车辆后方3D点云数据,对车辆后方3D点云数据进行滤波处理,对滤波处理后的车辆后方3D点云数据进行分割以及地面剔除处理,得到障碍物点云数据;
根据障碍物点云数据获取每个障碍物的交线点,根据每个障碍物的交线点拟合得到障碍物地面交线,获取对应于该障碍物地面交线的斜率和截距,根据对应于该障碍物地面交线的斜率和截距计算障碍物地面交线到车辆后轴中心的距离一和车辆后轴与直线的倾角一;
获取车辆四元数和车辆地理坐标,根据车辆四元数、车辆地理坐标和预先构建的车体坐标系计算车辆卸载点交线的车体坐标;根据车辆卸载点交线的车体坐标进行直线拟合,得到先验交线,获取拟合好的先验交线的斜率和截距;
根据拟合好的先验交线的斜率和截距计算先验交线到车辆后轴中心的距离二和车辆后轴与直线的倾角二;
5.根据权利要求4所述的矿区场景内卸载点后方挡墙感知识别的检测方法,其特征在于,所述如果倾角差和障碍物地面交线与先验交线之间的距离在误差范围内且此障碍物类型为凸起,则判定该障碍物为后挡墙,包括:
计算车辆后轴中心到障碍物地面交线的距离l 1映射到[最小识别距离l min ,最大识别距离l max ]区间内的归一化距离l 1归,表示为:
计算车辆后轴中心到先验交线的距离l 2映射到[最小识别距离l min ,最大识别距离l max ]区间内的归一化距离l 2归,表示为:
判断倾角差delta_θ为钝角还是锐角,若倾角差delta_θ为钝角则修正为锐角,赋值计算为:delta_θ=180°-delta_θ;若倾角差delta_θ为锐角则保持不变;
计算归一化距离l 1归和归一化距离l 2归的距离差值normalized_delta_ρ;
计算障碍物地面交线与先验交线之间的距离normalized_distance,表示为:
根据障碍物点云数据判断障碍物是否为凸起,如果障碍物为凸起且宽度大于挡墙最小宽度阈值、障碍物高度大于最小高度阈值、同时归一化处理后的障碍物地面交线与先验交线之间的距离normalized_distance小于地面交线最大偏差,则判断此障碍物为后挡墙。
6.一种矿区场景内卸载点后方挡墙感知识别的检测***,其特征在于,包括:
计算模块,用于获取卸载点的后挡墙与地面的先验交线,计算先验交线与车辆后轴中心的距离,在该距离大于最小识别距离且小于最大识别距离时判定车辆进入卸载点设定识别区域;
判定模块,用于遍历分析所有在设定识别区域内的障碍物地面交线,对障碍物地面交线进行分解拟合,计算出障碍物地面交线与先验交线的倾角差以及障碍物地面交线与先验交线之间的距离,如果倾角差和障碍物交线与先验交线之间的距离在误差范围内且此障碍物类型为凸起,则判定该障碍物为后挡墙;
合并模块,用于将所有判定为后挡墙的数据合并为最终的后挡墙。
7.根据权利要求6所述的矿区场景内卸载点后方挡墙感知识别的检测***,其特征在于,还包括:
更新模块,用于在将所有判定为后挡墙的数据合并为最终的后挡墙之后,将最终的后挡墙与地面的交线点云数据更新保存为新的先验交线。
8. 根据权利要求6所述的矿区场景内卸载点后方挡墙感知识别的检测***,其特征在于,所述拟合采用QR分解拟合。
9.根据权利要求6所述的矿区场景内卸载点后方挡墙感知识别的检测***,其特征在于,所述判定模块,用于
采集车辆后方3D点云数据,对车辆后方3D点云数据进行滤波处理,对滤波处理后的车辆后方3D点云数据进行分割以及地面剔除处理,得到障碍物点云数据;
根据障碍物点云数据获取每个障碍物的交线点,根据每个障碍物的交线点拟合得到障碍物地面交线,获取对应于该障碍物地面交线的斜率和截距,根据对应于该障碍物地面交线的斜率和截距计算障碍物地面交线到车辆后轴中心的距离一和车辆后轴与直线的倾角一;
获取车辆四元数和车辆地理坐标,根据车辆四元数、车辆地理坐标和预先构建的车体坐标系计算车辆卸载点交线的车体坐标;根据车辆卸载点交线的车体坐标进行直线拟合,得到先验交线,获取拟合好的先验交线的斜率和截距;
根据拟合好的先验交线的斜率和截距计算先验交线到车辆后轴中心的距离二和车辆后轴与直线的倾角二;
10.根据权利要求9所述的矿区场景内卸载点后方挡墙感知识别的检测***,其特征在于,所述判定模块,用于
计算车辆后轴中心到障碍物地面交线的距离l 1映射到[最小识别距离l min ,最大识别距离l max ]区间内的归一化距离l 1归,表示为:
计算车辆后轴中心到先验交线的距离l 2映射到[最小识别距离l min ,最大识别距离l max ]区间内的归一化距离l 2归,表示为:
判断倾角差delta_θ为钝角还是锐角,若倾角差delta_θ为钝角则修正为锐角,赋值计算为:delta_θ=180°-delta_θ;若倾角差delta_θ为锐角则保持不变;
计算归一化距离l 1归和归一化距离l 2归的距离差值normalized_delta_ρ;
计算障碍物地面交线与先验交线之间的距离normalized_distance,表示为:
根据障碍物点云数据判断障碍物是否为凸起,如果障碍物为凸起且宽度大于挡墙最小宽度阈值、障碍物高度大于最小高度阈值、同时归一化处理后的障碍物地面交线与先验交线之间的距离normalized_distance小于地面交线最大偏差,则判断此障碍物为后挡墙。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211229389.8A CN115291240B (zh) | 2022-10-08 | 2022-10-08 | 矿区场景内卸载点后方挡墙感知识别的检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211229389.8A CN115291240B (zh) | 2022-10-08 | 2022-10-08 | 矿区场景内卸载点后方挡墙感知识别的检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115291240A true CN115291240A (zh) | 2022-11-04 |
CN115291240B CN115291240B (zh) | 2023-01-17 |
Family
ID=83819453
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211229389.8A Active CN115291240B (zh) | 2022-10-08 | 2022-10-08 | 矿区场景内卸载点后方挡墙感知识别的检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115291240B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117111089A (zh) * | 2023-10-24 | 2023-11-24 | 青岛慧拓智能机器有限公司 | 矿卡卸载点可用状态识别方法、***、设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106335428A (zh) * | 2015-07-06 | 2017-01-18 | 丰田自动车株式会社 | 防碰撞*** |
CN110792097A (zh) * | 2019-11-28 | 2020-02-14 | 聂磊 | 一种预应力监测可调的衡重式组合挡土墙及施工方法 |
CN110879991A (zh) * | 2019-11-26 | 2020-03-13 | 杭州光珀智能科技有限公司 | 一种障碍物识别方法及*** |
CN211547803U (zh) * | 2019-11-28 | 2020-09-22 | 聂磊 | 一种预应力监测可调的衡重式组合挡土墙 |
CN112666573A (zh) * | 2020-11-17 | 2021-04-16 | 青岛慧拓智能机器有限公司 | 一种矿区卸载区车后方挡土墙及障碍物的检测方法 |
CN113700056A (zh) * | 2021-09-07 | 2021-11-26 | 重庆地质矿产研究院 | 一种加筋土挡墙潜在破裂区域的智能监测方法 |
CN115167435A (zh) * | 2022-07-18 | 2022-10-11 | 深圳市云鼠科技开发有限公司 | 用于移动机器人的前视线激光障碍物识别方法和装置 |
-
2022
- 2022-10-08 CN CN202211229389.8A patent/CN115291240B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106335428A (zh) * | 2015-07-06 | 2017-01-18 | 丰田自动车株式会社 | 防碰撞*** |
CN110879991A (zh) * | 2019-11-26 | 2020-03-13 | 杭州光珀智能科技有限公司 | 一种障碍物识别方法及*** |
CN110792097A (zh) * | 2019-11-28 | 2020-02-14 | 聂磊 | 一种预应力监测可调的衡重式组合挡土墙及施工方法 |
CN211547803U (zh) * | 2019-11-28 | 2020-09-22 | 聂磊 | 一种预应力监测可调的衡重式组合挡土墙 |
CN112666573A (zh) * | 2020-11-17 | 2021-04-16 | 青岛慧拓智能机器有限公司 | 一种矿区卸载区车后方挡土墙及障碍物的检测方法 |
CN113700056A (zh) * | 2021-09-07 | 2021-11-26 | 重庆地质矿产研究院 | 一种加筋土挡墙潜在破裂区域的智能监测方法 |
CN115167435A (zh) * | 2022-07-18 | 2022-10-11 | 深圳市云鼠科技开发有限公司 | 用于移动机器人的前视线激光障碍物识别方法和装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117111089A (zh) * | 2023-10-24 | 2023-11-24 | 青岛慧拓智能机器有限公司 | 矿卡卸载点可用状态识别方法、***、设备和存储介质 |
CN117111089B (zh) * | 2023-10-24 | 2024-02-02 | 青岛慧拓智能机器有限公司 | 矿卡卸载点可用状态识别方法、***、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115291240B (zh) | 2023-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111337941B (zh) | 一种基于稀疏激光雷达数据的动态障碍物追踪方法 | |
CN110320504B (zh) | 一种基于激光雷达点云统计几何模型的非结构化道路检测方法 | |
CN106951879B (zh) | 基于摄像头与毫米波雷达的多特征融合车辆检测方法 | |
CN103123722B (zh) | 道路对象检测方法和*** | |
CN109188459B (zh) | 一种基于多线激光雷达的坡道小障碍物识别方法 | |
CN112801022B (zh) | 一种无人驾驶矿卡作业区道路边界快速检测更新的方法 | |
CN111537994B (zh) | 一种无人矿卡障碍物检测方法 | |
CN102779280B (zh) | 一种基于激光传感器的交通信息提取方法 | |
CN111797734A (zh) | 车辆点云数据处理方法、装置、设备和存储介质 | |
JP2015207281A (ja) | 立体物検出装置、立体物検出方法、立体物検出プログラム、及び移動体機器制御システム | |
CN111325138B (zh) | 一种基于点云局部凹凸特征的道路边界实时检测方法 | |
CN112099494B (zh) | 一种面向全地形车及其自动检测楼梯与攀爬方法 | |
CN115291240B (zh) | 矿区场景内卸载点后方挡墙感知识别的检测方法及*** | |
CN113253257B (zh) | 一种基于多毫米波雷达和视觉的露天矿障碍物检测方法 | |
JP2015179302A (ja) | 立体物検出装置、立体物検出方法、立体物検出プログラム、及び移動体機器制御システム | |
CN114863376A (zh) | 一种基于车载激光点云数据的道路标线分割方法及*** | |
CN113936215A (zh) | 一种矿区路面凹坑的识别方法、***及无人驾驶货车 | |
CN112666573A (zh) | 一种矿区卸载区车后方挡土墙及障碍物的检测方法 | |
CN113740874A (zh) | 一种道路边沿检测方法、电子设备及车辆 | |
CN112085843A (zh) | 一种隧道类目标特征实时提取及测量方法和装置 | |
CN111874003B (zh) | 一种车辆行驶偏离预警方法和*** | |
Jung et al. | Intelligent Hybrid Fusion Algorithm with Vision Patterns for Generation of Precise Digital Road Maps in Self-driving Vehicles. | |
CN113077473A (zh) | 三维激光点云路面分割方法、***、计算机设备及介质 | |
Tan et al. | Shape template based side-view car detection algorithm | |
CN115792958A (zh) | 一种基于3d激光雷达的无人矿车障碍物检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |