CN115639826A - 机器人驱动轨迹纠偏方法和*** - Google Patents
机器人驱动轨迹纠偏方法和*** Download PDFInfo
- Publication number
- CN115639826A CN115639826A CN202211374805.3A CN202211374805A CN115639826A CN 115639826 A CN115639826 A CN 115639826A CN 202211374805 A CN202211374805 A CN 202211374805A CN 115639826 A CN115639826 A CN 115639826A
- Authority
- CN
- China
- Prior art keywords
- robot system
- track
- prediction model
- monitoring
- driving
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012544 monitoring process Methods 0.000 claims abstract description 62
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000009877 rendering Methods 0.000 claims abstract description 12
- 230000010354 integration Effects 0.000 claims abstract description 8
- 230000004069 differentiation Effects 0.000 claims abstract description 4
- 238000012937 correction Methods 0.000 claims description 9
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 9
- 238000004088 simulation Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000002093 peripheral effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本申请公开了机器人驱动轨迹纠偏方法和***，其中，方法包括以下步骤：对机器人***的历史行驶轨迹数据进行训练生成预测模型，对预测模型进行渲染得到预测模型线；通过机器人***定位对所述生成的预测模型线进行监测；通过传感器对所述生成的预测模型线进行监测；根据机器人***定位与红外传感器的监测结果判断是否偏离预测模型线，若偏离，则利用PID巡线纠偏。该方法根据历史行驶轨迹生成机器人***轨迹预测模型线，通过机器人***实时定位与传感器监测是否偏离，对只根据机器人***定位监测偏离更加准确，发现偏离的速度更快，本发明利用PID方法纠偏，使纠偏速度更快纠偏效果更准。
Description
技术领域
本申请涉及行车轨迹纠偏应用领域，具体而言涉及机器人驱动轨迹纠偏方法和***。
背景技术
在理想情况下GPS定位精度为5m-10m，然而，由于各种外接干扰，实际的定位精度要低于理想值。影响GPS定位精度的因素主要包括：定位硬件、环境因素。
1、定位硬件
目前不同手机定位芯片不同，精度高一点。抗干扰性好一点的定位芯片、价钱就会高一点。由此可见，不同型号手机的定位精度差异较大，统一型号的手机定位精度随时间波动。
2、环境因素
环境因素包括卫生信号遮挡、信号折射、大气层或电高层干扰。所以在高大建筑密集或天气情况不好的地方，因为GPS信号经过多次的折、反射，造成信号误差，出现漂移。
GPS采集的数据字段包括经纬度、海拔、速度、方位角、水平定位精度、垂直定位精度、卫星个数。在分析的过程中速度值并不等于GPS两点间距离除以时间差，有时偏差较大。
发明内容
本申请公开了机器人驱动轨迹纠偏方法和***，对机器人***行驶中出现的偏离预设轨迹进行纠偏，可实现自动驾驶。
为达到上述目的，本申请提供了以下方案：
机器人驱动轨迹纠偏方法，包括以下步骤：
S1.对机器人***的历史行驶轨迹数据进行训练生成机器人***轨迹预测模型，对所述机器人***轨迹预测模型进行渲染得到机器人***轨迹预测模型线；
S2.通过机器人***定位对所述机器人***轨迹预测模型线进行监测，得到机器人***定位的监测结果；
S3.通过传感器对所述机器人***轨迹预测模型线进行监测，得到传感器的监测结果；
S4.根据机器人***定位的监测结果与传感器的监测结果判断是否偏离机器人***轨迹预测模型线，若偏离，则利用PID巡线纠偏。
优选的，生成机器人***轨迹预测模型的方法包括：
获取机器人***从起点到终点的机器人***行驶信息和行驶路经点；
所述行驶路经点为从起点到终点的行驶路径中被摄像头捕获到的机器人***图像点；
根据所述单个机器人***的行驶信息分析用户驾驶习惯；
根据所述行驶路经点与用户驾驶习惯得到轨迹预测训练模型。
优选的，分析用户驾驶习惯的方法包括：
根据获取的驾驶特征行为向量得到用户行驶道路中的个性化性能值；
对用户行驶道路中的个性化性能进行聚类分析，得到用户驾驶习惯。
优选的，对机器人***轨迹预测模型进行渲染得到机器人***轨迹预测模型线的方法包括：
利用轨迹生成算法将所述行驶路径点进行渲染、连接，得到机器人***轨迹预测模型线。
优选的，通过机器人***定位对所述生成的机器人***轨迹预测模型线进行监测的方法包括：
根据机器人***GPS形成机器人***实时定位；
根据机器人***实时定位与所述机器人***轨迹预测模型线进行轨迹对照；
根据轨迹对照结果实现监测。
优选的，根据轨迹对照结果实现监测的方法包括：
将所述机器人***实时定位与机器人***轨迹预测模型线进行轨迹对照，若定位未出现在轨迹对照线中，则判定为偏离轨迹。
优选的，通过传感器对生成的机器人***轨迹预测模型线进行监测的方法包括；
利用传感器检测所述轨迹对照结果，得到偏差角度、距离、时间；
利用PID巡线根据偏差角度、距离、时间对机器人***行驶轨迹进行纠偏，实现传感器对生成的机器人***轨迹预测模型线的监测。
本申请还包括机器人驱动轨迹纠偏***，其特征在于，包括：机器人***行驶轨迹预测模块、定位监测模块、传感器监测模块、轨迹纠偏模块；
机器人***行驶轨迹预测模块用于对机器人***的历史行驶轨迹数据进行训练生成机器人***轨迹预测模型，对机器人***轨迹预测模型进行渲染得到机器人***轨迹预测模型线；
定位监测模块用于通过机器人***定位对所述生成的机器人***轨迹预测模型线进行监测；
传感器监测模块用于通过传感器对所述生成的机器人***轨迹预测模型线进行监测；
轨迹纠偏模块用于根据机器人***定位与传感器的监测结果判断是否偏离机器人***轨迹预测模型线，若偏离，则利用PID巡线纠偏。
本申请的有益效果为：
本申请根据历史行驶轨迹生成机器人***轨迹预测模型线，通过机器人***实时定位与传感器监测是否偏离，对只根据机器人***定位监测偏离更加准确，发现偏离的速度更快，本申请利用PID方法纠偏，使纠偏速度更快纠偏效果更准。
附图说明
为了更清楚地说明本申请的技术方案，下面对实施例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是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例机器人驱动轨迹纠偏方法的流程示意图；
图2为本申请实施例机器人驱动轨迹纠偏方法中传感器位置与机器人***轨迹预测模型线的三种情况示意图；
图3为本申请实施例机器人驱动轨迹纠偏方法中传感器位置与机器人***轨迹预测模型偏离情况处理流程图。
图4为本申请实施例机器人驱动轨迹纠偏***的结构示意图。
附图标记：
1—传感器在黑白中分状态下行驶；2—传感器位置偏左；3—传感器位置偏右。
具体实施方式：
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。
实施例一
在本实施例一中，如图1所示，机器人驱动轨迹纠偏方法，包括以下步骤：
S1.对机器人***的历史行驶轨迹数据进行训练生成机器人***轨迹预测模型，对机器人***轨迹预测模型进行渲染得到机器人***轨迹预测模型线。
获取机器人***从起点到终点的机器人***行驶信息，机器人***经过红绿灯时，标注行驶路经点；根据单个行驶机器人***的行驶信息分析用户驾驶习惯；根据行驶路经点与用户驾驶习惯得到轨迹预测训练模型。分析用户驾驶习惯的方法包括：获取用户的驾驶特征行为向量；获取用户行驶道路中的个性化性能值进行聚类分析，得到用户驾驶习惯；利用轨迹生成算法将所述行驶路径点进行渲染、连接，得到机器人***轨迹预测模型线。
S101：根据摄像头记录从起点到终点所行驶的路线，行驶路途中每次被摄像头捕获到该机器人***，则记录下捕获时的具体地点、时间、速度等机器人***行驶信息，根据每次被摄像头捕获所得到的机器人***行驶信息进行路面模拟显示；
S102：其中，对于起点到终点中的长时间没有摄像头的路段，则生成可行驶路径：
找到可以到达目标的所有路径；
根据kinetic模型对周边的机器人***进行预测：Future Position＝currentposition+velocity*prediction_time，利用贝叶斯滤波器，根据机器人***的行为推测未来的位置；
利用基于规则的行为规划方法，预测周围机器人***是否发生超声变道行为；
生成可行驶路径。
S103：根据可行驶路径与每次被摄像头捕获所得到的机器人***行驶信息进行路面模拟显示定义光滑的曲线。
S104：根据可行驶路径与每次被摄像头捕获所得到的机器人***行驶信息进行路面模拟两个数据进行训练，得到训练模型；
S105：将根据可行驶路线与机器人***行驶信息进行路面模拟显示定义得到的光滑的曲线放入训练模型进行训练，得到机器人***轨迹预测模型线。
在本实施例中，机器人***轨迹预测模型线为黑色。
S2.通过机器人***定位对所述生成的机器人***轨迹预测模型线进行监测。
具体包括：根据机器人***GPS形成机器人***实时定位；根据机器人***实时定位与所述机器人***轨迹预测模型线进行轨迹对照；根据轨迹对照结果实现监测。
S201：在本实施例中，根据GPS对行驶中的机器人***进行实时定位，根据实时定位的信息与机器人***轨迹预测模型线进行轨迹对照:；
S202：若该定位一直与机器人***轨迹预测模型线保持一致，则判定没有偏离轨道；若实时定位与机器人***轨迹预测模型出现偏差，则判定偏离轨道。
S3.通过传感器对所述生成的机器人***轨迹预测模型线进行监测。
具体包括：将所述机器人***实时定位与机器人***轨迹预测模型线进行轨迹对照，若定位未出现在轨迹对照线中，则判定为偏离轨迹。
S301:在根据机器人***实时定位对机器人***轨迹预测模型线进行监测的同时，通过红外传感器与机器人***实时定位进行融合对所述机器人***轨迹预测模型线进行监测；
S302：在本实施例中，偏离机器人***轨迹预测模型线的方式有三种，如图2所示。
S303：当传感器的位置处于1时，保持；当传感器的位置处于2时，则控制机器人***向右转；当传感器位置处于3时，则控制机器人***向左转，操作流程图如图3所示。
S4.根据机器人***定位与传感器的监测结果判断是否偏离机器人***轨迹预测模型线，若偏离，则利用PID巡线纠偏。
具体包括：利用传感器检测所述轨迹对照结果，得到偏差角度、距离、时间；
利用PID巡线根据偏差角度、距离、时间对机器人***行驶轨迹进行纠偏。
PID巡线方法：
其中，u为输出值；Kp为比例时间常数；Ki为积分时间常数；Kd为微分时间常数；e为误差值，根据目标值-实际输入值取得；τ为积分变量，同样表示***累积所经历的时间；t为***所累积经历的时间。
在本实施例中，包括三个单位：比例单位、积分单位、微分单位。
其中，比例单位能够使误差输入值与***输出值在数值上直接关联起来，以达到最基本的控制作用。但是，***中仅存在比例单位的话，一般会在稳态时出现无法消除的***误差；
积分单位能够统计***累积的误差总量，然后根据误差总量影响输出值，能够起到消除***误差和加快***趋向稳态的过程的作用。积分单位又分历史误差型和增量误差型。一般来说历史误差型适用于实际值与目标值差距较大的***，进入稳态所用时间较长，在进入稳态前还会有一定的波动，但在一个比较长的周期内稳定性更强；而增量误差型能在实际值距离目标值差距不大的情形下，在较短的时间周期内让***进入稳态，减少波动。
微分单位能够观测***变化的趋势来把这种趋势放大，同样能够起到加快***趋向稳态的过程的作用，同时在一定程度上提高***的稳定性。但微分单位同样会放大***中的噪声，反而对平衡不利。
实施例二
在本实施例二中，如图4所示，机器人驱动轨迹纠偏***，其特征在于，包括：机器人***行驶轨迹预测模块、定位监测模块、传感器监测模块、轨迹纠偏模块；
机器人***行驶轨迹预测模块用于对机器人***的历史行驶轨迹数据进行训练生成机器人***轨迹预测模型，对机器人***轨迹预测模型进行渲染得到机器人***轨迹预测模型线。
机器人***行驶轨迹预测模块还包括：用户个性化分析单元、训练单元、机器人***轨迹预测模型线生成单元。
用户个性化分析单元用于获取机器人***从起点到终点的机器人***行驶信息，机器人***经过红绿灯时，标注行驶路经点；根据单个行驶机器人***的行驶信息分析用户驾驶习惯；根据行驶路经点与用户驾驶习惯得到轨迹预测训练模型。分析用户驾驶习惯的方法包括：获取用户的驾驶特征行为向量；获取用户行驶道路中的个性化性能值进行聚类分析，得到用户驾驶习惯；
训练单元用于根据摄像头记录从起点到终点所行驶的路线，行驶路途中每次被摄像头捕获到该机器人***，则记录下捕获时的具体地点、时间、速度等机器人***行驶信息，根据每次被摄像头捕获所得到的机器人***行驶信息进行路面模拟显示；其中，对于起点到终点中的长时间没有摄像头的路段，则生成可行驶路径；找到可以到达目标的所有路径；根据kinetic模型对周边的机器人***进行预测：Future Position＝currentposition+velocity*prediction_time，利用贝叶斯滤波器，根据机器人***的行为推测未来的位置；利用基于规则的行为规划方法，预测周围机器人***是否发生超声变道行为；生成可行驶路径；根据可行驶路径与每次被摄像头捕获所得到的机器人***行驶信息进行路面模拟显示定义光滑的曲线；根据可行驶路径与每次被摄像头捕获所得到的机器人***行驶信息进行路面模拟两个数据进行训练，得到训练模型；
机器人***轨迹预测模型线生成单元用于将根据可行驶路线与机器人***行驶信息进行路面模拟显示定义得到的光滑的曲线放入训练模型进行训练，得到机器人***轨迹预测模型线。
在本实施例中，机器人***轨迹预测模型线为黑色。
定位监测模块用于通过机器人***定位对所述生成的机器人***轨迹预测模型线进行监测。
定位监测模块还包括实时定位单元和轨迹对照监测单元。
传感器检测模块包括GPS监测单元和传感器监测单元。
GPS监测单元用于实时定位单元用于根据GPS对行驶中的机器人***进行实时定位，根据实时定位的信息与机器人***轨迹预测模型线进行轨迹对照；若该定位一直与机器人***轨迹预测模型线保持一致，则判定没有偏离轨道；若实时定位与机器人***轨迹预测模型出现偏差，则判定偏离轨道。
传感器监测单元用于利用轨迹对照检测单元用于利用传感器监测模块用于通过传感器对所述生成的机器人***轨迹预测模型线进行监测。
具体包括：将所述机器人***实时定位与机器人***轨迹预测模型线进行轨迹对照，若定位未出现在轨迹对照线中，则判定为偏离轨迹。
在根据机器人***实时定位对机器人***轨迹预测模型线进行监测的同时，通过红外传感器与机器人***实时定位进行融合对所述机器人***轨迹预测模型线进行监测；
在本实施例中，偏离机器人***轨迹预测模型线的方式有三种，如图2所示。
当传感器的位置处于1时，保持；当传感器的位置处于2时，则控制机器人***向右转；当传感器位置处于3时，则控制机器人***向左转。
轨迹纠偏模块用于根据机器人***定位与传感器的监测结果判断是否偏离机器人***轨迹预测模型线，若偏离，则利用PID巡线纠偏。
轨迹纠偏模块还包括左纠偏单元和右纠偏单元。
左纠偏单元用于当传感器的位置处于3时，利用下述方法纠偏；
右纠偏单元用于当传感器的位置处于2时，利用下述方法纠偏。
具体包括：利用传感器检测所述轨迹对照结果，得到偏差角度、距离、时间；
利用PID巡线根据偏差角度、距离、时间对机器人***行驶轨迹进行纠偏。
PID巡线方法：
其中，u为输出值；Kp为比例时间常数；Ki为积分时间常数；Kd为微分时间常数；e为误差值，根据目标值-实际输入值取得；τ为积分变量，同样表示***累积所经历的时间；t为***所累积经历的时间。
在本实施例中，包括三个单位：比例单位、积分单位、微分单位。
其中，比例单位能够使误差输入值与***输出值在数值上直接关联起来，以达到最基本的控制作用。但是，***中仅存在比例单位的话，一般会在稳态时出现无法消除的***误差；
积分单位能够统计***累积的误差总量，然后根据误差总量影响输出值，能够起到消除***误差和加快***趋向稳态的过程的作用。积分单位又分历史误差型和增量误差型。一般来说历史误差型适用于实际值与目标值差距较大的***，进入稳态所用时间较长，在进入稳态前还会有一定的波动，但在一个比较长的周期内稳定性更强；而增量误差型能在实际值距离目标值差距不大的情形下，在较短的时间周期内让***进入稳态，减少波动。
微分单位能够观测***变化的趋势来把这种趋势放大，同样能够起到加快***趋向稳态的过程的作用，同时在一定程度上提高***的稳定性。但微分单位同样会放大***中的噪声，反而对平衡不利。
以上所述的实施例仅是对本申请优选方式进行的描述，并非对本申请的范围进行限定，在不脱离本申请设计精神的前提下，本领域普通技术人员对本申请的技术方案做出的各种变形和改进，均应落入本申请权利要求书确定的保护范围内。
Claims (8)
1.机器人驱动轨迹纠偏方法，其特征在于，包括以下步骤：
S1.对机器人***的历史行驶轨迹数据进行训练生成机器人***轨迹预测模型，对所述机器人***轨迹预测模型进行渲染得到机器人***轨迹预测模型线；
S2.通过机器人***定位对所述机器人***轨迹预测模型线进行监测，得到机器人***定位的监测结果；
S3.通过传感器对所述机器人***轨迹预测模型线进行监测，得到传感器的监测结果；
S4.根据所述机器人***定位的监测结果与所述传感器的监测结果判断是否偏离机器人***轨迹预测模型线，若偏离，则利用PID巡线纠偏。
2.根据权利要求1所述机器人驱动轨迹纠偏方法，其特征在于，所述S1中，生成机器人***轨迹预测模型的方法包括：
获取机器人***从起点到终点的机器人***行驶信息和行驶路经点；
所述行驶路经点为从起点到终点的行驶路径中被摄像头捕获到的机器人***图像点；
根据单个所述机器人***的行驶信息分析用户驾驶习惯；
根据所述行驶路经点与用户驾驶习惯得到轨迹预测训练模型。
3.根据权利要求2所述机器人驱动轨迹纠偏方法，其特征在于，分析用户驾驶习惯的方法包括：
根据获取的驾驶特征行为向量得到用户行驶道路中的个性化性能值；
对用户行驶道路中的个性化性能进行聚类分析，得到用户驾驶习惯。
4.根据权利要求2所述机器人驱动轨迹纠偏方法，其特征在于，对机器人***轨迹预测模型进行渲染得到机器人***轨迹预测模型线的方法包括：
利用轨迹生成算法将所述行驶路径点进行渲染、连接，得到机器人***轨迹预测模型线。
5.根据权利要求1所述机器人驱动轨迹纠偏方法，其特征在于，通过机器人***定位对所述生成的机器人***轨迹预测模型线进行监测的方法包括：
根据机器人***GPS形成机器人***实时定位；
根据机器人***实时定位与所述机器人***轨迹预测模型线进行轨迹对照；
根据轨迹对照结果实现监测。
6.根据权利要求5所述机器人驱动轨迹纠偏方法，其特征在于，根据轨迹对照结果实现监测的方法包括：
将所述机器人***实时定位与机器人***轨迹预测模型线进行轨迹对照，若定位未出现在轨迹对照线中，则判定为偏离轨迹。
7.根据权利要求1所述机器人驱动轨迹纠偏方法，其特征在于，通过传感器对生成的机器人***轨迹预测模型线进行监测的方法包括；
利用传感器检测所述轨迹对照结果，得到偏差角度、距离、时间；
利用PID巡线根据偏差角度、距离、时间对机器人***行驶轨迹进行纠偏，实现传感器对生成的机器人***轨迹预测模型线的监测。
8.机器人驱动轨迹纠偏***，其特征在于，包括：机器人***行驶轨迹预测模块、定位监测模块、传感器监测模块、轨迹纠偏模块；
机器人***行驶轨迹预测模块用于对机器人***的历史行驶轨迹数据进行训练生成机器人***轨迹预测模型，对机器人***轨迹预测模型进行渲染得到机器人***轨迹预测模型线；
定位监测模块用于通过机器人***定位对所述生成的机器人***轨迹预测模型线进行监测；
传感器监测模块用于通过传感器对所述生成的机器人***轨迹预测模型线进行监测；
轨迹纠偏模块用于根据机器人***定位与传感器的监测结果判断是否偏离机器人***轨迹预测模型线，若偏离，则利用PID巡线纠偏。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211374805.3A CN115639826A (zh) | 2022-11-04 | 2022-11-04 | 机器人驱动轨迹纠偏方法和*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211374805.3A CN115639826A (zh) | 2022-11-04 | 2022-11-04 | 机器人驱动轨迹纠偏方法和*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115639826A true CN115639826A (zh) | 2023-01-24 |
Family
ID=84948408
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211374805.3A Pending CN115639826A (zh) | 2022-11-04 | 2022-11-04 | 机器人驱动轨迹纠偏方法和*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115639826A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117922561A (zh) * | 2023-12-29 | 2024-04-26 | 浙江中水数建科技有限公司 | 基于三维模型的智能碾压轨迹纠偏***及方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105718750A (zh) * | 2016-01-29 | 2016-06-29 | 长沙理工大学 | 一种车辆行驶轨迹的预测方法及*** |
| CN205427612U (zh) * | 2015-09-21 | 2016-08-03 | 嘉兴职业技术学院 | 一种agv小车用路线导航及校正*** |
| CN109521768A (zh) * | 2018-11-16 | 2019-03-26 | 楚天智能机器人（长沙）有限公司 | 一种基于双pid控制的agv小车的路径纠偏方法 |
| CN113415266A (zh) * | 2021-07-15 | 2021-09-21 | 上海电气集团智能交通科技有限公司 | 一种车辆磁钉循迹运行的轨迹偏离防护方法 |
| CN113859234A (zh) * | 2021-10-20 | 2021-12-31 | 国汽朴津智能科技(合肥)有限公司 | 一种四轮独立驱动小车的自动纠偏方法及*** |
| CN114547223A (zh) * | 2022-02-24 | 2022-05-27 | 北京百度网讯科技有限公司 | 轨迹预测方法、轨迹预测模型的训练方法及装置 |
| CN114674327A (zh) * | 2022-03-08 | 2022-06-28 | 北京百度网讯科技有限公司 | 行驶轨迹的推送方法、装置、电子设备和导航设备 |
-
2022
- 2022-11-04 CN CN202211374805.3A patent/CN115639826A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN205427612U (zh) * | 2015-09-21 | 2016-08-03 | 嘉兴职业技术学院 | 一种agv小车用路线导航及校正*** |
| CN105718750A (zh) * | 2016-01-29 | 2016-06-29 | 长沙理工大学 | 一种车辆行驶轨迹的预测方法及*** |
| CN109521768A (zh) * | 2018-11-16 | 2019-03-26 | 楚天智能机器人（长沙）有限公司 | 一种基于双pid控制的agv小车的路径纠偏方法 |
| CN113415266A (zh) * | 2021-07-15 | 2021-09-21 | 上海电气集团智能交通科技有限公司 | 一种车辆磁钉循迹运行的轨迹偏离防护方法 |
| CN113859234A (zh) * | 2021-10-20 | 2021-12-31 | 国汽朴津智能科技(合肥)有限公司 | 一种四轮独立驱动小车的自动纠偏方法及*** |
| CN114547223A (zh) * | 2022-02-24 | 2022-05-27 | 北京百度网讯科技有限公司 | 轨迹预测方法、轨迹预测模型的训练方法及装置 |
| CN114674327A (zh) * | 2022-03-08 | 2022-06-28 | 北京百度网讯科技有限公司 | 行驶轨迹的推送方法、装置、电子设备和导航设备 |
Non-Patent Citations (1)
| Title |
|---|
| 刘德胜 等: "《计算机控制技术 第2版》", 31 August 2022, 中国人口出版社, pages: 113 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117922561A (zh) * | 2023-12-29 | 2024-04-26 | 浙江中水数建科技有限公司 | 基于三维模型的智能碾压轨迹纠偏***及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113945206B (zh) | 一种基于多传感器融合的定位方法及装置 | |
| CN109946730B (zh) | 一种车路协同下基于超宽带的车辆高可靠融合定位方法 | |
| CN109444932B (zh) | 一种车辆定位方法、装置、电子设备及存储介质 | |
| US10373077B2 (en) | Accurately determining real time parameters describing vehicle motion based on multiple data sources | |
| US8457880B1 (en) | Telematics using personal mobile devices | |
| CN112839855B (zh) | 一种轨迹预测方法与装置 | |
| US8583400B2 (en) | Indoor localization of mobile devices | |
| CN105606102B (zh) | 一种基于格网模型的pdr室内定位方法及*** | |
| CN111856541A (zh) | 一种固定线路车辆轨迹监测***及方法 | |
| CN109767619B (zh) | 一种智能网联纯电动汽车行驶工况预测方法 | |
| Hu et al. | Experiences with eNav: A low-power vehicular navigation system | |
| CN104819726A (zh) | 导航数据处理方法、装置及导航终端 | |
| CN102074016A (zh) | 运动目标自动跟踪的装置和方法 | |
| CN111898835B (zh) | 一种智能交通管理方法、装置、计算机及可读存储介质 | |
| CN111077549A (zh) | 位置数据修正方法、装置和计算机可读存储介质 | |
| US10598499B2 (en) | Method and device for accelerated map-matching | |
| CN115639826A (zh) | 机器人驱动轨迹纠偏方法和*** | |
| CN106606407A (zh) | 一种室内高精度盲人导航*** | |
| CN111208542B (zh) | 自动移动交通设施的运动轨迹控制***、装置及方法 | |
| Li et al. | Cooperative perception for estimating and predicting microscopic traffic states to manage connected and automated traffic | |
| Tong et al. | Vehicle inertial tracking via mobile crowdsensing: Experience and enhancement | |
| CN111737378A (zh) | 道路通行方向识别方法、装置、计算机设备和存储介质 | |
| CN113115230B (zh) | 一种基于信息物理***的车辆广播通信控制方法 | |
| CN112651991B (zh) | 视觉定位方法、装置及计算机*** | |
| CN117387647A (zh) | 融合车载传感器数据与道路传感器数据的道路规划方法 |
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 |