CN117631676B - 一种矿区无人驾驶车辆自动引导前进的方法和装置 - Google Patents
一种矿区无人驾驶车辆自动引导前进的方法和装置 Download PDFInfo
- Publication number
- CN117631676B CN117631676B CN202410104951.7A CN202410104951A CN117631676B CN 117631676 B CN117631676 B CN 117631676B CN 202410104951 A CN202410104951 A CN 202410104951A CN 117631676 B CN117631676 B CN 117631676B
- Authority
- CN
- China
- Prior art keywords
- perception
- area
- vehicle
- sensing
- information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000005065 mining Methods 0.000 title abstract description 4
- 230000008447 perception Effects 0.000 claims abstract description 157
- 238000005070 sampling Methods 0.000 claims abstract description 40
- 238000010276 construction Methods 0.000 claims abstract description 8
- 230000033001 locomotion Effects 0.000 claims description 20
- 230000015654 memory Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 230000004888 barrier function Effects 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 14
- 238000001514 detection method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000012937 correction Methods 0.000 description 5
- 238000012876 topography Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008094 contradictory effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000035807 sensation Effects 0.000 description 2
- 241000274965 Cyrestis thyodamas Species 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
一种矿区无人驾驶车辆自动引导前进的方法和装置,涉及自动驾驶技术领域。其中方法包括:车队感知信息获取步骤,获取车队中每个车辆的感知区域,和在所述感知区域的感知信息;车队感知链构建步骤,根据多个采样时刻的每个车辆的感知区域,确定出所述车队的感知链,所述感知链包括多个所述感知区域;移动障碍物计算步骤,对所述感知链的每个感知区域在不同采样时刻的感知信息进行比较,将不变的地面感知信息作为感知链上的可通行区域;将变化的感知信息作为移动障碍物;可通行路径确定步骤;根据所述感知链上的可通行区域与所述移动障碍物,计算所述可通行区域的可通行性;基于所述可通行区域的可通行性,确定所述车队车辆的可通行路径。
Description
技术领域
本公开涉及自动驾驶领域,尤其涉及无人驾驶车辆自动引导前进的方法、装置、设备、存储介质、程序产品和自动驾驶车辆。
背景技术
自动驾驶技术是一种通过计算机实现辅助驾驶或无人驾驶的技术,其依靠可见光相机、毫米波雷达、激光雷达、惯性导航***、全球定位***等传感***,使计算机可以部分或全部代替人类驾驶员自动安全地操作车辆。
现有技术中,自动驾驶技术主要应用于标准道路场景。标准道路例如根据道路交通相关法律法规规定的具有特定标线、标识等信息的道路。在标准道路场景下,自动驾驶技术可以获取规范的道路标线标识等环境感知信息,可以利用规范的地图测绘提供的普通地图和高精度地图,也可以与智能交通***中的交通基础设施进行规范的信息交换。然而在非标准道路场景,例如矿山矿井、乡村道路、野外环境、园区内部道路等,现有的自动驾驶技术还存在较多的不足。
特别是对于车队来说,如何在非标准道路场景中保持车队自动引导前进,是一个需要解决的问题。
发明内容
本公开提供了一种矿区无人驾驶车辆自动引导前进的方法、装置、设备、存储介质、车辆。
根据本公开的第一方面,提供了一种无人驾驶车辆自动引导前进的方法,包括:
车队感知信息获取步骤,获取车队中每个车辆的感知区域,和在所述感知区域的感知信息;
车队感知链构建步骤,根据多个采样时刻的每个车辆的感知区域,确定出所述车队的感知链,所述感知链包括多个所述感知区域;
移动障碍物计算步骤,对所述感知链的每个感知区域在不同采样时刻的感知信息进行比较,将不变的地面感知信息作为感知链上的可通行区域;将变化的感知信息作为移动障碍物;
可通行路径确定步骤;根据所述感知链上的可通行区域与所述移动障碍物,计算所述可通行区域的可通行性;基于所述可通行区域的可通行性,确定所述车队车辆的可通行路径。
可选地,所述车队感知信息获取步骤包括:
所述感知区域包括车辆传感器的有效测量范围在地面的投影;
所述车辆传感器包括以下一种或多种:图像传感器激光雷达、毫米波雷达、红外线传感器、超声波传感器;
对所述传感器的感知区域进行可信度计算,将所述感知区域收缩到可信度大于等于预定可信度阈值的范围。
可选地,所述车队感知链构建步骤包括:
所述感知链的感知区域以滑动窗口的形式交叠;
对多个采样时刻获取的感知区域集合进行筛选,去除与其他感知区域交叠比例超过预定义交叠比例阈值的感知区域;
对车辆的多种传感器获得到的多条感知链进行筛选,确定出包括所述车队前进方向上的感知区域的感知链。
可选地,所述移动障碍物计算步骤包括:
对于感知链上大于2次获得感知信息的感知区域,基于背景差值获取所述感知区域的不变的感知信息;
从所述不变的感知信息中获取不变的地面感知信息;
所述感知链在其他采样时刻对所述可通行区域进行地形校验;
所述感知链对所述移动障碍物信息进行跟踪,获取所述移动障碍物信息的运动场;所述运动场以概率形式表达在各采样时刻中所述移动障碍物在各个位置的概率。
可选地,所述可通行路径确定步骤包括:
提高未检测到移动障碍物的可通行区域的在其采样时刻的可通行性设置;
根据所述移动障碍物的运动方向和速度,降低所述移动障碍物运动方向上的可通行区域在其采样时刻及之后时刻的可通行性;
对所有所述移动障碍物进行遍历处理之后,获得感知链上的可通行区域的可通行性;
将所述可通行区域作为网络上的节点,所述可通行区域的可通行性取值作为节点的取值,所述车辆所在的可通行区域作为起点,所述车辆的目的地所在的可通行区域作为终点,进行路径规划,以路径上各节点的和最大作为所述路径规划的目标函数;
根据所述路径规划结果,获取可通行路径。
根据本公开的第二方面,提供了一种无人驾驶车辆自动引导前进的装置,包括:
车队感知信息获取模块,获取车队中每个车辆的感知区域,和在所述感知区域的感知信息;
车队感知链构建模块,根据多个采样时刻的每个车辆的感知区域,确定出所述车队的感知链,所述感知链包括多个所述感知区域;
移动障碍物计算模块,对所述感知链的每个感知区域在不同采样时刻的感知信息进行比较,将不变的地面感知信息作为感知链上的可通行区域;将变化的感知信息作为移动障碍物;
可通行路径确定模块;根据所述感知链上的可通行区域与所述移动障碍物,计算所述可通行区域的可通行性;基于所述可通行区域的可通行性,确定所述车队车辆的可通行路径。
根据本公开的第三方面,提供了一种电子设备,包括:
至少一个处理器,存储器,以及与其他电子设备通信的接口;
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述电子设备能够执行根据第一方面所述的无人驾驶车辆自动引导前进的方法。
根据本公开的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据第一方面所述的无人驾驶车辆自动引导前进的方法。
根据本公开的第五方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据第一方面所述的无人驾驶车辆自动引导前进的方法。
根据本公开的第六方面,提供了一种自动驾驶车辆,包括根据第三方面所述的电子设备。
本公开的有益效果包括:
1. 解决了车队在非标准道路场景下的信息获取不全面问题;传统方法在处理非标准道路场景时,只能主要依靠车队自身的摄像机或激光雷达获取信息,而由于车队的某些车辆的视角会被其面对的障碍物遮挡、以及车队的车辆之间的互相遮挡,单个车辆获取的信息不全面。本公开通过建立车队传感器获取的感知信息的感知链,解决了信息获取不全面的问题。
2. 解决了车队在非标准道路场景下有效区分可通行区域的问题;非标准道路场景,对于依赖标准道路场景中的平坦且有标线道路的传统方法来说是很有挑战的任务。本公开通过车队在行进过程中通过感知信息的感知链传递可通行区域和移动障碍物信息,解决了有效区分可通行区域的问题。
3. 解决了车队在非标准道路场景下有效识别移动障碍物带来的不可通行区域的问题;传统的方法在处理标准道路场景时,主要依靠高精度地图来标记不可移动障碍物,依靠行人、非机动车、车辆等交通法规允许的交通参与者类别来识别可移动障碍物;然而高精度地图、交通参与者类别对于非标准道路场景来说是不成立的。本公开通过比较在不同时刻的感知信息,有效地识别了移动障碍物;通过车队感知链传递移动障碍物的运动方向和速度信息,以建模其对可通行区域的可通行性影响,解决了有效识别移动障碍物带来的不可通行区域的问题。
4. 解决了车队在非标准道路场景下识别效率不高的问题;传统的方法即便可以基于不同时刻的感知信息进行识别,也需要建立复杂的运动模型,计算效率较低。本公开通过车队感知信息的感知链,在同一时刻前车感知到的道路信息即是后车在下一时刻感知到的道路信息,从而有效解决了非标准道路场景下识别效率不高的问题。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1示出了根据本公开一个实施例提供的非标准道路场景的示意图;
图2示出了根据本公开一个实施例提供的车队自动引导前进的方法的示意图;
图3示出了根据本公开一个实施例提供的车队传感链条的示意图;
图4示出了根据本公开一个实施例提供的车队传感链条的示意图;
图5示出了根据本公开一个实施例提供的驾驶辅助装置的示意图;
图6示出了根据本公开一个实施例提供的电子设备的示意图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
所涉及的技术术语包括:
标准道路场景:标准道路是指符合道路交通相关法律法规规定的、具有特定标线标识等信息的法定道路。标准道路场景下,自动驾驶技术可以通过规范的道路标线、标识等信息来获取准确的道路信息,也可以与交通基础设施进行规范的信息交换,从而获得自动驾驶所必需的环境信息。
非标准道路场景:非标准道路场景是指不具备道路交通相关法律法规规定的标线标识等信息的道路。非标准道路场景,例如野外环境等自然场景,例如乡村土路等农业环境场景,例如园区内部道路等内部场景,又例如矿山矿井等特定作业场景。
传感器数据:传感器数据是指传感器获取到的数据。在本公开实施例中,根据情况也会特指自动驾驶相关的传感器获取到的数据。常见的传感器例如可见光相机、红外相机、深度相机、毫米波雷达、激光雷达等。传感器数据既可以是直接从传感器中产生的原始传感器数据,也可以是经过预处理、配准、转换、融合、特征提取等处理后的传感器数据。
点云:点云是指点数据的集合。点云可以通过摄影测量原理或激光测量原理获得。根据激光测量原理获得的点云,包括三维坐标(XYZ)和激光回波强度(intensity),根据摄影测量原理获得的点云,包括三维坐标(XYZ)和颜色信息(RGB)。
三维点:三维点是指具有三维坐标属性的点,例如点云中的点即为三维点。
坐标系:在传感器采集时,获取的三维点的坐标系一般是传感器坐标系。根据数据处理的需要,三维点的坐标系有时候需要转换到其他坐标系,例如地面坐标系。
高程数据:高程数据时指描述地形地貌的空间分布的数据;通过等高线或其他立体模型进行数据采集测量,然后将进行数据内插形成;高程数据采集测量可以基于规则网格,或不规则网格。
感知区域:感知区域是某一车辆在某一时刻传感器能够探测到的区域,该区域的地形需要进行测量,以从中发现可供车辆正常行驶的部分区域。感知区域本质上是一个三维曲面。但在实际应用中,常常假设这个三维曲面可以无交叠地投影到水平面上。感知区域常常使用高程数据描述。
感知信息:感知信息是车队中的车辆在某一时刻感知到的信息,感知信息也可以表示为某一时刻在某一感知区域的信息。
感知链:由感知信息组成的链式数据。车队的多个车辆对应的多个感知区域的感知信息,组成了第一条链。每个感知区域在不同的时刻的感知信息(例如t时刻车1在该区域获取感知信息,而t+1时刻车2在该区域获取感知信息),组成了第二条链。
可通行区域:可通行区域是根据感知信息计算得到的可以通行的感知区域。可通行区域通常位于地面或其附近,是整个传感器探测空间的子集,另一方面,所述可通行区域的表示精度依赖于传感器的探测精度。例如,基于激光雷达测量得到的点云数据的稀疏程度,只是车辆所在空间中的一些离散的点云组成的空间。可通行区域在下一时刻的可信度受到移动目标的影响。
可通行路径:可通行路径是描述多个可通行区域(或多个感知区域)构成的网络中可以通行的区域。
实施例一
图1是非标准道路场景的示意图。
本公开应用于非标准道路场景。车队在非标准道路场景下行驶时,由于车队的车辆之间的遮挡,单个车辆获取的信息不全面。依赖于标准道路场景的传统方法难以识别哪些区域属于可通行区域或不可通行区域,难以区分移动障碍物和地形中的障碍物区域;传统的方法基于复杂的运动模型来进行估算,但计算复杂度太高,计算效率太低。
图2示出了无人驾驶车辆自动引导前进的方法的示意图。
本公开实施例提供的无人驾驶车辆自动引导前进的方法,包括如下步骤:
S110车队感知信息获取步骤,获取车队中每个车辆的感知区域,和在所述感知区域的感知信息;
S120车队感知链构建步骤,根据多个采样时刻的每个车辆的感知区域,确定出所述车队的感知链,所述感知链包括多个所述感知区域;
S130移动障碍物计算步骤,对所述感知链的每个感知区域在不同采样时刻的感知信息进行比较,将不变的地面感知信息作为感知链上的可通行区域;将变化的感知信息作为移动障碍物;
S140可通行路径确定步骤;根据所述感知链上的可通行区域与所述移动障碍物,计算所述可通行区域的可通行性;基于所述可通行区域的可通行性,确定所述车队车辆的可通行路径。
本实施例中,所述车队感知信息获取步骤S110包括:
获取所述车队中的车辆,获取每个车辆的传感器的感知区域;所述感知区域包括所述传感器的有效测量范围在地面的投影;
对每个车辆的所述感知区域进行可信度计算,将所述感知区域收缩到满足预定感知范围可信度阈值的范围;
获取每个所述车辆的与所述感知区域对应的感知信息;
对于两个交叠的感知区域中的感知信息进行对比,对可信度低于感知信息修正阈值的感知信息进行修正。
具体地,如附图3所示,所述车队包括4辆车辆,即车1、车2、车3、车4。所述t1时刻时,所述车1的传感器的感知区域为区域4,所述车2的传感器的感知区域为区域3,所述车3的传感器的感知区域为区域2,所述车4的传感器的感知区域为区域1。
附图4给出了以区域为索引的车队的位置。区域1.5分别与区域1和区域2交叠。区域2.5分别与区域2和区域3交叠。区域3.5分别与区域3和区域4交叠。区域4.5分别与区域4和区域5交叠。区域5.5分别与区域5和区域6交叠。在所述t1时刻时,所述车队的车1、车2、车3、车4位于区域4、区域3、区域2、区域1。
以传感器类型为激光雷达为例,其感知范围的半径可达数百米。但数百米的激光雷达感知范围,被检测目标距离激光雷达越近,其扫描到的三维点在空中的分布密度越大,其可信度越高;被检测目标距离激光雷达越远,其扫描到的三维点在空中的分布密度越小,回波越容易受干扰,其可信度越低。
假设激光雷达的可信的检测范围更小,例如10米,则可以将10米设置为“预定感知范围可信度阈值”。将激光雷达的感知区域收缩到满足该10米阈值的范围。此时区域4、区域3、区域2、区域1的范围更新,仅包括距离车载激光雷达10米的范围。
获取车1、车2、车3、车4的传感器的感知区域,即分别为区域4、区域3、区域2、区域1。假设所述车队的行进方向是从车4指向车1的方向;假设所述传感器的检测方向与所述车队的行进方向相同。
获取车1的感知信息,例如在区域4中没有其他车辆,又例如检测到区域4是平坦的地面。
获取车2的感知信息,例如在区域3中存在可信度较高的“车1”。
获取车3的感知信息,例如在区域2中存在可信度较高的车2,也检测到了可信度稍低的车1。
获取车4的感知信息,例如在区域1中存在可信度较高的车3,也检测到了可信度稍低的车2。
车2和车3的感知信息都包括车1,即车2和车3的感知区域存在交叠。对交叠的感知区域中的感知信息进行对比,车2的感知区域检测到车1,车3的感知区域检测到车1(在相同的位置)。
综合考虑,车2检测到的感知信息(车1)的可信度较高,而车3检测到的感知信息(车1)的可信度较低,但两个感知信息中,车1的位置是相同的,即这两个感知信息之间不存在矛盾。因此,感知信息(车1)的整体可信度较高,不需要进行修正。
以上为不需要修正的示例。下面介绍需要修正的示例。
获取车2的感知信息,例如在区域3中存在可信度较高的车1和行人1。
获取车3的感知信息,例如在区域2中存在可信度较高的车2,也检测到了可信度稍低的车1和自行车1。
车2和车3的感知信息都包括车1,即二者不存在矛盾。假设车2检测到的行人1和车3检测到的自行车1位于相同的位置,则此时二者存在矛盾。此时自行车1的可信度较低,而行人1的可信度较高,因此对可信度较低的自行车1进行修正。
所述修正,可以是从车3的感知信息检测结果中去掉“自行车1”;也可以是将车3的感知信息检测结果的“自行车1”修正为“行人1”。
所述步骤S110的有益效果包括:通过车队的多个车辆分别厘定传感区域,为多个车辆之间进行传感信息的共享奠定了基础。
本实施例中,所述车队感知链构建步骤S120包括:
获取多个采样时刻车队的每个车辆的感知区域;设置所述多个采样时刻使得所述每个车辆的感知区域以滑动窗口的方式前后交叠;
对多个采样时刻获取的感知区域集合进行筛选,去除与其他感知区域交叠比例超过预定感知区域交叠比例阈值的感知区域;
根据上述感知区域集合,确定出感知链;
对确定出的多条感知链进行筛选,确定出包括所述车队前进方向上的感知区域的感知链;
输出所述感知链。
具体地,如附图3所示,在t2采样时刻,车4、车3、车2、车1位于区域1.5、区域2.5、区域3.5、区域4.5。区域1.5分别与区域1和2有交叠,区域2.5分别与区域2和区域3有交叠,区域3.5分别与区域3和区域4有交叠,区域4.5分别与区域4和区域5有交叠。也即,从t1时刻到t2时刻,车1从区域1前进到区域1.5,车2从区域2前进到区域2.5,车3从区域3前进到区域3.5,车4从区域4前进到区域4.5。
如附图3所示,在t3采样时刻,车4、车3、车2、车1位于区域2、区域3、区域4、区域5。区域2分别与区域1.5和2.5有交叠,区域3分别与区域2.5和区域3.5有交叠,区域4分别与区域3.5和区域4.5有交叠,区域5分别与区域4.5和区域5.5有交叠。也即,从t2时刻到t3时刻,车1从区域1.5前进到区域2,车2从区域2.5前进到区域3,车3从区域3.5前进到区域4,车4从区域4.5前进到区域5。
如附图3所示,在t4采样时刻,车4、车3、车2、车1位于区域2.5、区域3.5、区域4.5、区域5.5。区域2.5分别与区域2和区域3有交叠,区域3.5分别与区域3和区域4有交叠,区域4.5分别与区域4和区域5有交叠,区域5.5分别与区域5和6有交叠。也即,从t3时刻到t4时刻,车1从区域2前进到区域2.5,车2从区域3前进到区域3.5,车3从区域4前进到区域4.5,车4从区域5前进到区域5.5。
如附图3所示,在t5采样时刻,车4、车3、车2、车1位于区域3、区域4、区域5、区域6。区域3分别与区域2.5和区域3.5有交叠,区域4分别与区域3.5和区域4.5有交叠,区域5分别与区域4.5和区域5.5有交叠,区域6分别与区域5.5和区域6.5有交叠(区域6.5图中未示出)。也即,从t4时刻到t5时刻,车1从区域2.5前进到区域3,车2从区域3.5前进到区域4,车3从区域4.5前进到区域5,车4从区域5.5前进到区域6。
如附图4所示,从区域为线索,示意了在t1、t2、t3、t4、t5时刻,车4、车3、车2、车1的不同感知区域。
多个采样时刻获取的感知区域集合,即所述区域1、区域1.5、区域2、区域2.5、区域3、区域3.5、区域4、区域4.5、区域5、区域5.5、区域6。所述感知区域集合获取之后,可用于构建感知链。
去除与其他感知区域交叠比例超过预定感知区域交叠比例阈值的感知区域。例如,如果某时刻车1移动的距离特别小,例如移动到区域5.1,而区域5.1与区域5的交叠比例超过了90%这个阈值,则可以认为区域5.1和区域5同时存在会有较大的冗余,因此可从“区域5.1、区域5、区域4.5、区域4……”的序列中去除区域5.1或去除区域5,从而减少感知链上信息的冗余。
如图4所示的是所述车队确定的一个感知链。而所述车队也可能存在更多的感知链。例如,当所述车队的车辆同时配备有前向的激光雷达和侧向的毫米波雷达、后向毫米波雷达。至少可以建立以下4个感知链:
(1)车1的前向激光雷达感知区域、车2的前向激光雷达感知区域、车3的前向激光雷达感知区域、车4的前向激光雷达感知区域,建立的前向感知链;
(2)车1的侧向毫米波雷达感知区域、车2的侧向毫米波雷达感知区域、车3的侧向毫米波雷达感知区域、车4的侧向毫米波雷达感知区域,建立的侧向感知链;
(3)车1的前向激光雷达感知区域、车2的前向激光雷达感知区域、车3的前向激光雷达感知区域、车4的前向激光雷达感知区域、车1的侧向毫米波雷达感知区域、车2的侧向毫米波雷达感知区域、车3的侧向毫米波雷达感知区域、车4的侧向毫米波雷达感知区域,建立的前向和侧向感知链;
(4)车1的后向毫米波雷达感知区域、车2的后向毫米波雷达感知区域、车3的后向毫米波雷达感知区域、车4的后向毫米波雷达感知区域,建立的后向感知链;
在所述多个感知链中,可以筛选与车队前进方向有关的感知链,在上述4个感知链中,后向感知链与所述车队前进方向无关,侧向感知链与所述车队前进方向不完全相关(未提供关键的前向信息)。而前向感知链、前向和侧向感知链涵盖了所述车队前进方向。
所述步骤S120的有益效果包括:通过建立车队的多个车辆的多种传感器获取的感知区域,建立感知链,解决了所述车队某些车辆视角被遮挡获知车队车辆之间互相遮挡,而造成的单个车辆获取信息不全面问题。
本实施例中,所述移动障碍物计算步骤S130包括:
针对所述感知链在多个采样时刻的感知信息进行检测,获取地面三维信息;
在多个采样时刻之间,比较同一个感知区域的所述地面三维信息,从所述地面三维信息中区分出可通行区域(即表征地形信息的区域)和移动障碍物信息;
在后续的采样时刻中,对所述地形信息进行校验;对所述移动障碍物信息进行跟踪,获取所述移动障碍物信息的运动场;所述运动场以概率形式表达在各采样时刻中所述移动障碍物在各个位置的概率。
具体地,如附图3和附图4所示,我们选择的前向感知链为:区域1、区域1.5、区域2、区域2.5、区域3、区域3.5、区域4、区域4.5、区域5、区域5.5、区域6。
如图4所示,在t1时刻,车2在区域3上感知,假设感知到:区域3地面三维信息(包括区域3地形和自行车1)。
如图4所示,在t3时刻,车3在区域3上感知,假设感知到:区域3地面三维信息(包括区域3地形)。
如图4所示,在t5时刻,车4在区域上感知,假设感知到:区域3地面三维信息(包括区域3地形)。
则在多个采样时刻(t1、t3、t5),比较区域3处感知到的地面三维信息,注意到t1时刻检测到的自行车1,在t3、t5时刻消失了,可以确定自行车1是一个移动障碍物。
感知链不仅通过单个感知区域来区分地形和移动障碍物,还通过多个感知区域的综合信息判断。
具体来说,感知链在感知区域3检测到移动障碍物之后,可以进一步检测相邻的感知区域2.5和区域3.5,如果继续检测到移动障碍物,则将增加检测的可信度。
如图4所示,在t2时刻,车2在区域3.5上感知,假设感知到:区域3.5地面三维信息(包括区域3.5地形和自行车1)。
如图4所示,在t4时刻,车3在区域3.5上感知,假设感知到:区域3.5地面三维信息(包括区域3.5地形和自行车1)。
则可以判断自行车1从区域3移动到了区域3.5。
具体来说,感知链在感知区域3检测到移动障碍物之后,进一步检测更远一点的区域2和区域4,如果继续检测到移动障碍物,则将增加检测的可信度。
如图4所示,在t1时刻,车1在区域4上感知,假设感知到:区域4地面三维信息(包括区域4地形)。
如图4所示,在t3时刻,车2在区域4上感知,假设感知到:区域4地面三维信息(包括区域4地形和自行车1)。
如图4所示,在t5时刻,车3在区域4上感知,假设感知到:区域4地面三维信息(包括区域4地形和自行车1)。
则可以判断自行车1从区域3移动到了区域4。值得注意的是,区域3.5和区域4是有交叠的。感知链将判断在逻辑上自行车1同时出现在区域3.5和区域4是没有矛盾的。
因此,感知链在多个采样时刻(t2、t3、t4、t5)的感知信息(自行车1),可以获得所述感知信息(自行车1)的移动轨迹。
而感知链在所有感知区域都形成了有效的感知,对多个感知区域(区域2、区域2.5、区域3、区域3.5、区域4、区域4.5、区域5)进行了不少于2次的感知,对多个区域(区域3、区域4)形成了不少于3次的感知。
如果只有一次感知,无从比较;只有不少于2次感知,才可以进行比较。从以上感知中,通过检测移动障碍物,剩余的地面三维信息即作为上述感知区域(区域2、区域2.5、区域3、区域3.5、区域4、区域4.5、区域5)的地形信息。因此我们获得了感知链上不少于2次感知的感知区域的地形信息。
对感知到地形信息的感知区域进行校验,需要检测所述地形信息是否满足连续性,即在交叠的感知区域上,感知到的地形信息是互相印证的,而不是矛盾的。
对移动障碍物的检测,同样需要满足连续性,即在交叠的感知区域上,感知到的移动障碍物是互相印证的,而不是矛盾的;在相邻的感知区域上,感知到的移动障碍物是可以跟踪的,而不是突然出现、突然消失。
对感知到的地形信息进行可通行性检测,通过对于地面起伏高度进行初步筛选。对于高于预定义高度阈值的地形,进行坡度计算,高于预定义坡度阈值的地形,属于不可通行区域。对于低于预定义深度阈值的地形,进行坡度计算,高于预定义坡度阈值的地形,属于不可通行区域。
通过上述计算,可从地形信息中检测出可通行区域和不可通行区域。
所述步骤S130的有益效果包括:通过车队比较在不同时刻的感知信息,从而有效地识别了移动障碍物等不可通行区域;通过车队感知链条的合作来共享不可移动障碍物带来的不可通行区域,解决了有效区分移动障碍物等不可通行区域的问题。此外,也不需要建立复杂的运动模型,通过车队感知信息的链条传递,在同一时刻前车感知到的道路信息即是后车在下一时刻感知到的道路信息,从而有效解决了非标准道路场景下识别效率不高的问题。
本实施例中,所述可通行路径确定步骤S140包括:
当车辆经过所述感知链上的可通行区域时,所述可通行区域的可通行性为最高;根据所述感知链上的可通行区域与所述移动障碍物,计算所述可通行区域的可通行性;基于所述可通行区域的可通行性,确定所述车队车辆的可通行路径。
传感器检测到的感知信息是否正确,由感知信息检测到的地形信息是否正确,由地形信息中检测到的可通行区域是否正确,需要验证。当车辆经过某个可通行区域时,如果没有遇到障碍物等障碍,则车辆所在位置处的可通行区域,可以确定是可通行的。
如图4所示,在t1时刻,车2在区域3上感知,假设感知到:区域3地面三维信息(包括区域3地形和自行车1)。
如图4所示,在t2时刻,车2在区域3.5上感知,假设感知到:区域3.5地面三维信息(包括区域3.5地形和自行车1)。
如图4所示,在t4时刻,车3在区域3.5上感知,假设感知到:区域3.5地面三维信息(包括区域3.5地形和自行车1)。
如图4所示,在t3时刻,车2在区域4上感知,假设感知到:区域4地面三维信息(包括区域4地形和自行车1)。
如图4所示,在t5时刻,车3在区域4上感知,假设感知到:区域4地面三维信息(包括区域4地形和自行车1)。
则可以判断,所述自行车1的轨迹如下:区域3(t1时刻)、区域3.5(t2时刻)、区域4(t3时刻)、区域3.5(t4时刻)、区域4(t5时刻)。也即从t1时刻,自行车1从区域3移动到了区域4。则在自行车1所在的位置处,这些区域是不可通行区域。
所有未检测到移动障碍物的可通行区域的可通行性设置为最高,例如预定义的最高通行度,1。
建立一个移动障碍物模型,所述移动障碍物(自行车1)所在的区域(区域3)在该时刻的可通行性最低。将其赋值为预定义的最低通行值,例如0。而移动障碍物移动方向上的可通行性次之。将其赋值为预定于的第二低通行值,例如0.2。而移动障碍物移动方向之外的其他方向上的可通行性又次之。将其赋值为预定义的第三低通行值,例如0.4。
将受到移动障碍物影响的可通行区域的可通行度,依据移动障碍物的移动方向和速度来确定。
移动障碍物自行车1从区域3(t1时刻)移动到区域4(t5时刻),可以计算出自行车1的移动速度,假设保持当前运动方向时自行车1在将来(t5之后的时刻,例如t6)从区域4移动到区域4.5。将在时刻t7移动到区域5。将区域4.5的可通行性设置为中等,例如预定义的中等通行值,0.5。将区域5的可通行性设置为较高,例如预定义的较高通行值,0.8。
对感知链上的感知区域相关的所有移动障碍物进行遍历处理之后,即可获得所有可通行区域的可通行性。
根据感知链上的所有可通行区域的可通行性网络进行遍历,即可获取到可通行路径。
可将所有可通行区域作为网络上的节点,各个可通行区域的可通行性(可通行度)作为节点的取值,车队的车辆所在的可通行区域作为路径的起点,车队目的地所在的可通行区域作为终点,进行路径规划,以路径上各节点的和最大作为路径规划的目标函数。
当车队目的地所在的区域超出了传感器的可信感知范围时,即距离车队较远,可将超出可信感知范围的区域的可通行性设置为最高。等到车队逐渐靠近目的地时,目的地会逐渐纳入传感器的可信感知范围,目的地所在区域的可通行性会更新,即网络节点的取值会更新,则根据更新后的网络进行路径规划即可。
所述步骤S140的有益效果包括:通过车队感知信息的链条传递,在同一时刻前车感知到的道路信息即是后车在下一时刻感知到的道路信息,从而有效解决了非标准道路场景下识别效率不高的问题。通过对感知链上可通行区域的可通行性进行计算,可以高效地进行感知链上的信息传递,从而高效地获得可通行路径。
本实施例并不限定应用场景和具体实现,其可以根据实际情况确定,此处不再赘述。
本实施例可以单独被实施,也可以与其他实施例一起被实施。
实施例二
针对上述非标准道路场景的问题,本公开实施例提供了一种无人驾驶车辆自动引导前进的装置。包括:
车队感知信息获取模块110,获取车队中每个车辆的感知区域,和在所述感知区域的感知信息;
车队感知链构建模块120,根据多个采样时刻的每个车辆的感知区域,确定出所述车队的感知链,所述感知链包括多个所述感知区域;
移动障碍物计算模块130,对所述感知链的每个感知区域在不同采样时刻的感知信息进行比较,将不变的地面感知信息作为感知链上的可通行区域;将变化的感知信息作为移动障碍物;
可通行路径确定模块140;根据所述感知链上的可通行区域与所述移动障碍物,计算所述可通行区域的可通行性;基于所述可通行区域的可通行性,确定所述车队车辆的可通行路径。
上述模型训练装置和驾驶辅助装置的各个模块的有益效果参见前述实施例,此处不再赘述。
值得说明的是,本公开实施例并不限定驾驶辅助装置的应用场景的具体实现,其可以根据实际情况确定,此处不再赘述。
需要说明的是,应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现;也可以全部以硬件的形式实现;还可以部分模块通过处理元件调用软件的形式实现,部分模块通过硬件的形式实现。例如,处理模块可以为单独设立的处理元件,也可以集成在上述装置的某一个芯片中实现,此外,也可以以程序代码的形式存储于上述装置的存储器中,由上述装置的某一个处理元件调用并执行以上处理模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起,也可以独立实现。这里所述的处理元件可以是一种集成电路,具有信号的处理能力。在实现过程中,上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
本实施例可以单独被实施,也可以与其他实施例一起被实施。
实施例三
如图6所示,在本实施例中,一种电子设备600,包括:
至少一个处理器601,存储器608,以及与其他电子设备通信的接口609;所述存储器608存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述电子设备能够执行前述实施例中的无人驾驶车辆自动引导前进的方法。
电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。该电子设备可以是上述的第一设备,也可以是车辆控制设备,或者车辆上的控制中心,对此本方案不做限制。
如图6所示,该电子设备还包括:一个或多个ROM602、RAM603、总线、I/O接口、输入单元606、输出单元607等,以及用于连接各部件的接口,包括高速接口和低速接口,以及与其他电子设备进行通信的接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上 以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器***)。本实施例中以一个处理器601为例。
存储器608即为本公开所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本公开所提供的方法。本公开的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本公开所提供的方法。存储器608作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、 非瞬时计算机可执行程序以及模块,如本公开实施例中的方法对应的程序指令/模块。处理器601通过运行存储在存储器608中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的方法。
存储器608可以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***、至少一个功能所需要的应用程序;存储数据区可存储根据自动驾驶车辆的控制的电子设备的使用所创建的数据等。此外,存储器608可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器608可选包括相对于处理器601远程设置的存储器,这些远程存储器可以通过网络连接至数据处理的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
电子设备的各个部件可以通过总线或者其他方式连接,本实施例中以通过总线连接为例。
输入单元606可接收输入的数字或字符信息,以及产生与数据处理的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出单元607可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
本实施例可以单独被实施,也可以与其他实施例一起被实施。
实施例四
根据本实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据前述实施例所述的无人驾驶车辆自动引导前进的方法。
本实施例可以单独被实施,也可以与其他实施例一起被实施。
实施例五
根据本实施例提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据前述实施例所述的无人驾驶车辆自动引导前进的方法。
上述实施例所述的存储有计算机程序的计算机可读存储介质和计算机程序产品,这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。本实施例对其不做具体限定。
本实施例可以单独被实施,也可以与其他实施例一起被实施。
实施例六
根据本实施例提供了一种自动驾驶车辆,包括根据上述实施例所述的模型训练装置或上述实施例所述的驾驶辅助装置。
可以理解的是,本实施例同样适用于有人驾驶车辆,有人驾驶车辆可以基于获取到的道路信息以提供给驾驶员提示或自动控制等形式辅助控制车辆的运行。其中,有些车辆内设置有行车电脑或车载单元(on board unit,OBU),有些车辆内搭载有用户终端例如手机,以及持有用户终端的用户等。车辆内的手机、行车电脑或OBU可作为实施模型训练或驾驶辅助的电子设备。
可以理解的是,本实施例同样适用于智能交通网络中,该智能交通网络中可以包括多辆可以进行无线通信的车辆、和各个车辆进行无线通信的交通控制设备、远程服务器、路侧设备、基站,其中,远程服务器或交通控制设备还可以对交通设施进行控制等等。
本实施例并不对车辆的类型、数量、应用场景进行限定。
本实施例可以单独被实施,也可以与其他实施例一起被实施。
应该理解,本公开描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数 据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。可以将本公开描述的***和技术实施在包括后台部件的计算***(例如,作为数据 服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界 面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。计算***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计 算机程序来产生客户端和服务器的关系。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本公开在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (9)
1.一种无人驾驶车辆自动引导前进的方法,包括:
车队感知信息获取步骤,获取车队中每个车辆的感知区域,和在所述感知区域的感知信息;
车队感知链构建步骤,根据多个采样时刻的每个车辆的感知区域,确定出所述车队的感知链,所述感知链包括多个所述感知区域;
移动障碍物计算步骤,对所述感知链的每个感知区域在不同采样时刻的感知信息进行比较,将不变的地面感知信息作为感知链上的可通行区域;将变化的感知信息作为移动障碍物;
可通行路径确定步骤;根据所述感知链上的可通行区域与所述移动障碍物,计算所述可通行区域的可通行性;基于所述可通行区域的可通行性,确定所述车队车辆的可通行路径;
所述移动障碍物计算步骤包括:
对于感知链上大于2次获得感知信息的感知区域,基于背景差值获取所述感知区域的不变的感知信息;
从所述不变的感知信息中获取不变的地面感知信息;
所述感知链在其他采样时刻对所述可通行区域进行地形校验;
所述感知链对所述移动障碍物信息进行跟踪,获取所述移动障碍物信息的运动场;所述运动场以概率形式表达在各采样时刻中所述移动障碍物在各个位置的概率。
2.根据权利要求1所述的方法,所述车队感知信息获取步骤包括:
所述感知区域包括车辆传感器的有效测量范围在地面的投影;
所述车辆传感器包括以下一种或多种:图像传感器,激光雷达、毫米波雷达、红外线传感器、超声波传感器;
对所述传感器的感知区域进行可信度计算,将所述感知区域收缩到可信度大于等于预定可信度阈值的范围。
3.根据权利要求1所述的方法,所述车队感知链构建步骤包括:
所述感知链的感知区域以滑动窗口的形式交叠;
对多个采样时刻获取的感知区域集合进行筛选,去除与其他感知区域交叠比例超过预定义交叠比例阈值的感知区域;
对车辆的多种传感器获得到的多条感知链进行筛选,确定出包括所述车队前进方向上的感知区域的感知链。
4.根据权利要求1所述的方法,所述可通行路径确定步骤包括:
提高未检测到移动障碍物的可通行区域的在其采样时刻的可通行性设置;
根据所述移动障碍物的运动方向和速度,降低所述移动障碍物运动方向上的可通行区域在其采样时刻及之后时刻的可通行性;
对所有所述移动障碍物进行遍历处理之后,获得感知链上的可通行区域的可通行性;
将所述可通行区域作为网络上的节点,所述可通行区域的可通行性取值作为节点的取值,所述车辆所在的可通行区域作为起点,所述车辆的目的地所在的可通行区域作为终点,进行路径规划,以路径上各节点的和最大作为所述路径规划的目标函数;
根据所述路径规划结果,获取可通行路径。
5.一种无人驾驶车辆自动引导前进的装置,包括:
车队感知信息获取模块,获取车队中每个车辆的感知区域,和在所述感知区域的感知信息;
车队感知链构建模块,根据多个采样时刻的每个车辆的感知区域,确定出所述车队的感知链,所述感知链包括多个所述感知区域;
移动障碍物计算模块,对所述感知链的每个感知区域在不同采样时刻的感知信息进行比较,将不变的地面感知信息作为感知链上的可通行区域;将变化的感知信息作为移动障碍物;
可通行路径确定模块;根据所述感知链上的可通行区域与所述移动障碍物,计算所述可通行区域的可通行性;基于所述可通行区域的可通行性,确定所述车队车辆的可通行路径;
所述移动障碍物计算模块包括:
对于感知链上大于2次获得感知信息的感知区域,基于背景差值获取所述感知区域的不变的感知信息;
从所述不变的感知信息中获取不变的地面感知信息;
所述感知链在其他采样时刻对所述可通行区域进行地形校验;
所述感知链对所述移动障碍物信息进行跟踪,获取所述移动障碍物信息的运动场;所述运动场以概率形式表达在各采样时刻中所述移动障碍物在各个位置的概率。
6.一种电子设备,其特征在于,包括:
至少一个处理器,存储器,以及与其他电子设备通信的接口;
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述电子设备能够执行权利要求1-4中任一项所述的方法。
7.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-4中任一项所述的方法。
8.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-4中任一项所述的方法。
9.一种自动驾驶车辆,包括如权利要求6所述的电子设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410104951.7A CN117631676B (zh) | 2024-01-25 | 2024-01-25 | 一种矿区无人驾驶车辆自动引导前进的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410104951.7A CN117631676B (zh) | 2024-01-25 | 2024-01-25 | 一种矿区无人驾驶车辆自动引导前进的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117631676A CN117631676A (zh) | 2024-03-01 |
CN117631676B true CN117631676B (zh) | 2024-04-09 |
Family
ID=90025502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410104951.7A Active CN117631676B (zh) | 2024-01-25 | 2024-01-25 | 一种矿区无人驾驶车辆自动引导前进的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117631676B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8880326B1 (en) * | 2013-02-20 | 2014-11-04 | Google Inc. | Methods and systems for determining a cyclical fleet plan satisfying a recurring set of coverage requirements |
CN106781440A (zh) * | 2016-12-26 | 2017-05-31 | 北汽福田汽车股份有限公司 | 车队的监控方法和*** |
CN109101022A (zh) * | 2018-08-09 | 2018-12-28 | 北京智行者科技有限公司 | 一种作业路径更新方法 |
CN111696373A (zh) * | 2019-03-15 | 2020-09-22 | 北京图森智途科技有限公司 | 车队协同感知方法、车队协同控制方法和*** |
CN113906486A (zh) * | 2019-06-25 | 2022-01-07 | 国际商业机器公司 | 智能车辆通过信息共享 |
CN114594756A (zh) * | 2020-11-30 | 2022-06-07 | 上海交通大学 | 动态障碍环境下的多车协同编队控制方法、终端及介质 |
CN114724110A (zh) * | 2022-04-08 | 2022-07-08 | 天津天瞳威势电子科技有限公司 | 目标检测方法及设备 |
CN116087986A (zh) * | 2021-11-08 | 2023-05-09 | 追觅创新科技(苏州)有限公司 | 自移动设备、自移动设备的障碍物检测方法及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11514790B2 (en) * | 2020-03-26 | 2022-11-29 | Gm Cruise Holdings Llc | Collaborative perception for autonomous vehicles |
WO2022072540A1 (en) * | 2020-09-30 | 2022-04-07 | Autonomous Solutions, Inc. | Shared obstacles in autonomous vehicle systems |
-
2024
- 2024-01-25 CN CN202410104951.7A patent/CN117631676B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8880326B1 (en) * | 2013-02-20 | 2014-11-04 | Google Inc. | Methods and systems for determining a cyclical fleet plan satisfying a recurring set of coverage requirements |
CN106781440A (zh) * | 2016-12-26 | 2017-05-31 | 北汽福田汽车股份有限公司 | 车队的监控方法和*** |
CN109101022A (zh) * | 2018-08-09 | 2018-12-28 | 北京智行者科技有限公司 | 一种作业路径更新方法 |
CN111696373A (zh) * | 2019-03-15 | 2020-09-22 | 北京图森智途科技有限公司 | 车队协同感知方法、车队协同控制方法和*** |
CN113906486A (zh) * | 2019-06-25 | 2022-01-07 | 国际商业机器公司 | 智能车辆通过信息共享 |
CN114594756A (zh) * | 2020-11-30 | 2022-06-07 | 上海交通大学 | 动态障碍环境下的多车协同编队控制方法、终端及介质 |
CN116087986A (zh) * | 2021-11-08 | 2023-05-09 | 追觅创新科技(苏州)有限公司 | 自移动设备、自移动设备的障碍物检测方法及存储介质 |
CN114724110A (zh) * | 2022-04-08 | 2022-07-08 | 天津天瞳威势电子科技有限公司 | 目标检测方法及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN117631676A (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Road-segmentation-based curb detection method for self-driving via a 3D-LiDAR sensor | |
CN108303103B (zh) | 目标车道的确定方法和装置 | |
US20230054914A1 (en) | Vehicle localization | |
KR102572219B1 (ko) | 자율 주행을 위한 항법 정보의 융합 프레임워크(fusion framework) 및 배치 정렬(batch alignment) | |
KR102558055B1 (ko) | 차선의 추정 방법 | |
US10437252B1 (en) | High-precision multi-layer visual and semantic map for autonomous driving | |
US10794710B1 (en) | High-precision multi-layer visual and semantic map by autonomous units | |
Suhr et al. | Sensor fusion-based low-cost vehicle localization system for complex urban environments | |
KR20210078439A (ko) | 카메라 대 lidar 교정 및 검증 | |
US8428362B2 (en) | Scene matching reference data generation system and position measurement system | |
JP2024045389A (ja) | レーンマッピング及びナビゲーション | |
US8452103B2 (en) | Scene matching reference data generation system and position measurement system | |
JP2020021326A (ja) | 情報処理方法、情報処理装置およびプログラム | |
US20230296382A1 (en) | Determination of free space around a vehicle | |
CN111213153A (zh) | 目标物体运动状态检测方法、设备及存储介质 | |
Cerri et al. | Computer vision at the hyundai autonomous challenge | |
JP2018077162A (ja) | 車両位置検出装置、車両位置検出方法及び車両位置検出用コンピュータプログラム | |
CN112734811B (zh) | 一种障碍物跟踪方法、障碍物跟踪装置和芯片 | |
CN109241855B (zh) | 基于立体视觉的智能车辆可行驶区域探测方法 | |
CN117824697A (zh) | 用于基于地图的真实世界建模的***和方法 | |
JP2017181476A (ja) | 車両位置検出装置、車両位置検出方法及び車両位置検出用コンピュータプログラム | |
Mukhija et al. | Outdoor intersection detection for autonomous exploration | |
CN117631676B (zh) | 一种矿区无人驾驶车辆自动引导前进的方法和装置 | |
CN113469045B (zh) | 无人集卡的视觉定位方法、***、电子设备和存储介质 | |
CN114677660A (zh) | 模型训练和道路检测方法及装置 |
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 |