CN111537994B - 一种无人矿卡障碍物检测方法 - Google Patents
一种无人矿卡障碍物检测方法 Download PDFInfo
- Publication number
- CN111537994B CN111537994B CN202010211532.5A CN202010211532A CN111537994B CN 111537994 B CN111537994 B CN 111537994B CN 202010211532 A CN202010211532 A CN 202010211532A CN 111537994 B CN111537994 B CN 111537994B
- Authority
- CN
- China
- Prior art keywords
- obstacle
- vehicle
- point
- mine card
- laser radar
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 claims abstract description 45
- 230000004888 barrier function Effects 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 abstract description 5
- 239000000428 dust Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000007903 penetration ability Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 239000011435 rock Substances 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
- G01S13/865—Combination of radar systems with lidar systems
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- 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
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
- G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- 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
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/415—Identification of targets based on measurements of movement associated with the target
-
- 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
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- 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
- G01S7/4808—Evaluating distance, position or velocity data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Data Mining & Analysis (AREA)
- Electromagnetism (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种无人矿卡障碍物检测方法，按照以下步骤工作：将激光雷达、毫米波雷达获取的障碍物数据分别转换为相应的车体坐标系；采用格栅地图高度差结合邻域差值地面检测，绘制“地面‑高架点”的0、1二值图；采用多参数模型对高架点进行聚类；根据车辆的运动轨迹，判断聚类结果是否会为影响车辆正常行驶的障碍物；检测车辆是否在可行驶区域；将毫米波雷达获取的障碍物数据与激光雷达获取的障碍物数据进行匹配，输出最终结果。本发明针对矿用自卸卡车的实际应用环境，对道路内障碍物进行有效检测，防止漏检，精确聚类。本发明的鲁棒性较好，采用多种雷达融合的方案，通过将激光雷达的检测结果与毫米波雷达的检测结果进行匹配，减小误检率。
Description
技术领域
本发明涉及矿卡无人驾驶技术领域，具体涉及一种无人矿卡障碍物检测方法。
背景技术
矿山场景作业单一，场景相对简单，是无人驾驶技术落地的最佳场景。矿山场景障碍物检测相比城市道路，其特点主要是：道路崎岖不平，矿卡行驶过程中一直处于颠簸状态，对传感器数据采集造成影响；道路障碍物除了车辆、行人之外，还会有落石等，感知系统需要对一定大小的障碍物做出精准的检测；道路没有明显的路沿，道路两侧多以树木、杂草、土坡为主，对可行驶区域的检测增加难度。另外，矿山场景下，感知系统的设计需要考虑雨雪、强弱光、扬尘等恶劣条件，对障碍物检测提出更高的要求。
现有技术中已有关于无人矿卡障碍物的监测方法，申请号为201610687204.6的专利公开了障碍物快速检测方法，针对一般车辆，采用点云栅格图加内部高度差的方法检测障碍物，容易出现漏检的情况；采用模板匹配方法对道路上多种障碍物进行聚类，但在三维场景中，由于激光雷达与目标相对位置时刻变化，会出现聚类结果与模板匹配计算不准确的问题。申请号为201110150818.8公开了一种SVM与激光雷达结合检测非结构化道路边界的方法，该专利对于结构道路的检测尚不完善，由于缺乏明显的道路边缘信息，因此其安全性无法得到保障。
发明内容
为解决现有技术中的不足，本发明提供一种无人矿卡障碍物检测方法，解决了现有技术中无人矿卡障碍物探测适用场景能力不强，鲁棒性不佳的技术问题。
为了实现上述目标，本发明采用如下技术方案：
一种无人矿卡障碍物检测方法，其特征在于：按照以下步骤工作：
将激光雷达、毫米波雷达获取的障碍物数据分别转换为相应的车体坐标系；
采用格栅地图高度差结合邻域差值地面检测，绘制“地面-高架点”的0、1二值图；
采用多参数模型对高架点进行聚类；
根据车辆的运动轨迹，判断聚类结果是否会为影响车辆正常行驶的障碍物；
检测车辆是否在可行驶区域；
将毫米波雷达获取的障碍物数据与激光雷达获取的障碍物数据进行匹配，输出最终结果。
作为本发明的一种优选方案，前述的一种无人矿卡障碍物检测方法：采用格栅地图高度差结合邻域差值地面检测，绘制“地面-高架点”的0、1二值图的方法是：将障碍物数据格栅化，获取N*N的栅格图，计算每个栅格内点云高程的最大值和最小值的差值，并对每个栅格的差值进行梯度计算，并对比差值与预先设定的阈值进行比较，将差值大于阈值的点认定为“高架点”，对差值小于阈值的点云进行邻域差值计算，分离出“高架点”栅格和地面栅格，将所有地面栅格拟合成路面。
作为本发明的一种优选方案，前述的一种无人矿卡障碍物检测方法：邻域差值计算中邻域的选取是将栅格周围2米以内的栅格认定为邻域。
作为本发明的一种优选方案，前述的一种无人矿卡障碍物检测方法：分离地面栅格的方法是：根据车距的分布，将所有属于地面的点云分成多个点云区间，并对各点云区间进行平面拟合，连接所有拟合的平面，即为路面。
作为本发明的一种优选方案，前述的一种无人矿卡障碍物检测方法：多参数模型对高架点进行聚类采用八连通域方法进行聚类，获取高架点聚类簇，根据合并参数将多个高架点聚类簇合并为一个，完成点云的目标提取。
作为本发明的一种优选方案，前述的一种无人矿卡障碍物检测方法：合并参数包括高架点聚类簇的大小、密度。
作为本发明的一种优选方案，前述的一种无人矿卡障碍物检测方法：将聚类后的高架点聚类簇转换为二维数据，并计算二维数据的凸包信息，根据凸包信息与车辆的行驶轨迹判断是否影响车辆安全驾驶。
作为本发明的一种优选方案，前述的一种无人矿卡障碍物检测方法：还需将车辆的行驶轨迹左右各扩充一定的宽度作为车辆的安全区，若安全区存在高架点聚类簇，则认定为安全区内存在障碍物。
作为本发明的一种优选方案，前述的一种无人矿卡障碍物检测方法：检测车辆是否在可行驶区域的方法是：选取车辆前方的某个点作为种子点，采用四邻域生长方式，保留矿卡前方的非障碍物区域，计算车辆前方中心点与非障碍物区域的距离值，并对该距离值数据进行排序，得到其最小值，将该最小值与设定的阈值进行比较，若该最小值小于设定的阈值，则调整车辆，否则认定为车辆安全。
作为本发明的一种优选方案，前述的一种无人矿卡障碍物检测方法：选取车辆前方中心点作为种子点。
本发明所达到的有益效果：
相对于现有技术，本发明针对矿用自卸卡车的实际应用环境，提出了一种自动驾驶矿用自卸卡车的障碍物检测系统，对道路内障碍物进行有效检测，防止漏检，精确聚类；对道路边缘进行有效的检测，保证安全性，特别适用于矿山等非结构化道路环境。且在雨雪、强弱光、扬尘等恶劣条件下同样适用，具有很好的鲁棒性。从适用场景来看，其检测目标除了矿山场景(非结构化道路)还包括结构化道路，防止在定位信息失效的情况下矿卡驶入道路以外的空间。
本发明的鲁棒性较好，根据激光雷达的工作原理及优缺点，本发明还采用了多种雷达融合的方案，通过将激光雷达的检测结果与毫米波雷达的检测结果进行匹配，减小误检率。如果匹配成功则保存激光雷达检测结果作为最终的检测结果，保留障碍物的距离、大小、朝向等信息，如果匹配失败则过滤掉激光雷达障碍物中匹配失败的，保留匹配成功的，然后将匹配成功的有效障碍物信息输出。
附图说明
图1是本发明整体工作流程图；
图2是本发明系统地面检测的流程图；
图3是本发明道路信息获取流程图；
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。
本实施例公开了一种无人矿卡障碍物检测方法，参阅图1，其具体步骤如下：
将激光雷达、毫米波雷达获取的障碍物数据分别转换为相应的车体坐标系。由于激光雷达有多种，并且每种可能不止一个，因此需要进行多传感器的数据融合。
地面数据的检测采用多个平面对路面进行拟合，并结合采用栅格地图高度差结合邻域差值检测。传统激光雷达处理方案，需要将地面点和高架点进行分离。在结构化道路(主要包括高速公路、城市干道)上，路面可以近似为平面，并通过平面提取方法提取出路面。在非结构化道路上，道路崎岖不平，采用多个平面对路面进行拟合。并结合采用栅格地图高度差结合邻域差值检测方法，但现有技术中的通过平面提取的方法会存在较大误差。
而本实施例采用栅格地图高度差结合邻域差值检测方法，可以稳定有效地检测出地面。
步骤1、采用栅格地图高度差结合邻域差值地面检测，绘制“地面-高架点”的0、1二值图。首先将激光雷达点云数据栅格化，获得N*N的栅格图；然后计算每个栅格内点云高程的最大值和最小值的差值，并计算其梯度，将此差值A与预先设定的阈值D1进行比较，滤除差值大于阈值的点(A大于D1)为“高架点”，保留差值小于阈值的点(A小于D1)，并认定为地面，对于差值小于阈值的点(A小于D1)做邻域差值计算，邻域的选取跟栅格大小相关，本实施例选取原则是将栅格周围2米以内的栅格考虑为“邻域”；对属于地面的点云，按照车距分布，分成多个点云区间，并对各点云区间进行平面拟合，连接各个拟合的平面，即为路面。由此绘制“地面-高架点”的0、1二值图。
第二步，采用多参数模型对高架点进行聚类。对“地面-高架点”的0、1二值图，采用八连通域方法进行聚类，获取高架点聚类簇。由于矿山场景矿卡体积较大，并且有外轮廓不是标准的矩形的特点，激光雷达检测时会出现点云比较稀疏、目标特征点被自身遮挡、聚类后将单个目标聚类成多个簇的情况。采用多参数模型的后处理办法，将多个簇合并为一个，完成点云的目标提取。根据簇的大小、密度，设置不同的合并参数，根据此参数，将不同大小的簇合并为一个，由此解决点云稀疏或者目标不规则导致的聚类不准确问题。
第三步、基于车辆目标行驶路线安全检测区内障碍物检测及判定：将上述聚类后的簇转换为二维数据，计算其凸包(障碍物)信息，根据凸包信息判断其是否为障碍物；
将车辆的行驶轨迹导入系统中，并将行驶轨迹左右各扩充一定宽度，作为矿卡行驶的安全区。计算每个凸包点离行驶轨迹的距离，根据距离值与安全区的宽度，判断簇是否在矿卡的安全检测区域内。只要有一个凸包点距离值小于安全区宽度，则认为此障碍物在安全区内，否则就不在安全区内。
第四步、车辆是否在可行驶区域检测。如图3所示：为保障矿卡的安全行驶，还必须对道路边缘进行有效的检测，防止在定位信息失效的情况下矿卡驶入道路以外的空间。
采用基于区域生长算法的可行驶区域检测方法。对“地面-高架点”的0、1二值图，选取矿卡前方中心点为种子点，采用四邻域生长方式，将矿卡前方的非障碍物区域提取出来，即可行驶区域。计算矿卡前方中心点与可行驶区域边界点的距离值，并对此距离值数据进行排序，得到其最小值，将该最小值与预先设定的阈值进行比较，若该最小值小于预先设定的阈值则车辆有碰到障碍物的危险，反之则认为车辆在可行驶区域内不会碰到障碍物。
第五步、基于匹配距离阈值将激光雷达数据与毫米波雷达数据进行匹配，输出最终结果。激光雷达的优势在于其探测范围更广，探测精度更高，但是在雨雪雾等极端天气下性能较差，而毫米波雷达的穿透能力强，因此为了提升系统检测的精确性及安全性，本实施例还采用了毫米波雷达数据进行匹配，具体如下：
首先将毫米波雷达数据转换到车体坐标系下，
将毫米波雷达接入除噪滤波器，将毫米波雷达检测到的目标进行除噪、跟踪处理。毫米波雷达不受雨雪、灰尘等条件影响，因此通过将激光雷达的检测结果与毫米波雷达的检测结果进行匹配，减小误检率。匹配方法是：将毫米波雷达检测结果分别与激光雷达检测结果根据距离判断是否进行配对，距离阈值通过激光雷达检测到的障碍物尺寸信息动态分配，如果匹配成功则保存激光雷达检测结果作为最终的检测结果，保留障碍物的距离、大小、朝向信息，如果匹配失败则过滤掉激光雷达障碍物中匹配失败的，保留匹配成功的，然后将匹配成功的有效障碍物信息输出。
本发明的硬件方面可选用一个32线激光雷达、三个毫米波雷达、一个惯导系统。
相对于现有技术，本发明针对矿用自卸卡车的实际应用环境，提出了一种自动驾驶矿用自卸卡车的障碍物检测系统，对道路内障碍物进行有效检测，防止漏检，精确聚类；对道路边缘进行有效的检测，保证安全性，特别适用于矿山等非结构化道路环境。且在雨雪、强弱光、扬尘等恶劣条件下同样适用，具有很好的鲁棒性。从适用场景来看，其检测目标除了矿山场景(非结构化道路)还包括结构化道路，防止在定位信息失效的情况下矿卡驶入道路以外的空间。
本发明的鲁棒性较好，根据激光雷达的工作原理及优缺点，本发明还采用了多种雷达融合的方案，通过将激光雷达的检测结果与毫米波雷达的检测结果进行匹配，减小误检率。如果匹配成功则保存激光雷达检测结果作为最终的检测结果，保留障碍物的距离、大小、朝向等信息，如果匹配失败则过滤掉激光雷达障碍物中匹配失败的，保留匹配成功的，然后将匹配成功的有效障碍物信息输出。
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 (7)
1.一种无人矿卡障碍物检测方法，其特征在于：按照以下步骤工作：
将激光雷达、毫米波雷达获取的障碍物数据分别转换为相应的车体坐标系；
采用格栅地图高度差结合邻域差值地面检测，绘制“地面-高架点”的0、1二值图；具体包括：将障碍物数据格栅化，获取N*N的栅格图，计算每个栅格内点云高程的最大值和最小值的差值，并对每个栅格的差值进行梯度计算，并对比差值与预先设定的阈值进行比较，将差值大于阈值的点认定为“高架点”，对差值小于阈值的点云进行邻域差值计算，分离出“高架点”栅格和地面栅格，将所有地面栅格拟合成路面；
采用多参数模型对高架点进行聚类；
根据车辆的运动轨迹，判断聚类结果是否会为影响车辆正常行驶的障碍物；具体包括：将车辆的行驶轨迹导入系统中，并将行驶轨迹左右各扩充一定宽度，作为无人矿卡行驶的安全区；将聚类后的高架点聚类簇转换为二维数据，并计算二维数据的凸包信息，计算每个凸包点离行驶轨迹的距离，根据距离值与安全区的宽度，判断簇是否在无人矿卡的安全检测区域内；只要有一个凸包点距离值小于安全区宽度，则认为障碍物在安全区内，否则就不在安全区内；
检测车辆是否在可行驶区域；
将毫米波雷达获取的障碍物数据与激光雷达获取的障碍物数据进行匹配，输出最终结果；具体包括：将毫米波雷达检测结果分别与激光雷达检测结果根据距离判断是否进行配对，距离阈值通过激光雷达检测到的障碍物尺寸信息动态分配，如果匹配成功则保存激光雷达检测结果作为最终的检测结果，保留障碍物的距离、大小、朝向信息；如果匹配失败则过滤掉激光雷达障碍物中匹配失败的，保留匹配成功的，然后将匹配成功的有效障碍物信息输出。
2.根据权利要求1所述的一种无人矿卡障碍物检测方法，其特征在于：邻域差值计算中邻域的选取是将栅格周围2米以内的栅格认定为邻域。
3.根据权利要求1所述的一种无人矿卡障碍物检测方法，其特征在于：分离地面栅格的方法是：根据车距的分布，将所有属于地面的点云分成多个点云区间，并对各点云区间进行平面拟合，连接所有拟合的平面，即为路面。
4.根据权利要求1所述的一种无人矿卡障碍物检测方法，其特征在于：多参数模型对高架点进行聚类采用八连通域方法进行聚类，获取高架点聚类簇，根据合并参数将多个高架点聚类簇合并为一个，完成点云的目标提取。
5.根据权利要求4所述的一种无人矿卡障碍物检测方法，其特征在于：合并参数包括高架点聚类簇的大小、密度。
6.根据权利要求1所述的一种无人矿卡障碍物检测方法，其特征在于：检测车辆是否在可行驶区域的方法是：选取车辆前方的某个点作为种子点，采用四邻域生长方式，保留矿卡前方的非障碍物区域，计算车辆前方中心点与非障碍物区域的距离值，并对该距离值数据进行排序，得到其最小值，将该最小值与设定的阈值进行比较，若该最小值小于设定的阈值，则调整车辆，否则认定为车辆安全。
7.根据权利要求6所述的一种无人矿卡障碍物检测方法，其特征在于：选取车辆前方中心点作为种子点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010211532.5A CN111537994B (zh) | 2020-03-24 | 2020-03-24 | 一种无人矿卡障碍物检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010211532.5A CN111537994B (zh) | 2020-03-24 | 2020-03-24 | 一种无人矿卡障碍物检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111537994A CN111537994A (zh) | 2020-08-14 |
| CN111537994B true CN111537994B (zh) | 2022-05-06 |
Family
ID=71972871
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010211532.5A Active CN111537994B (zh) | 2020-03-24 | 2020-03-24 | 一种无人矿卡障碍物检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111537994B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112666573B (zh) * | 2020-11-17 | 2022-08-23 | 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 |
| CN112800938B (zh) * | 2021-01-26 | 2022-03-04 | 上海伯镭智能科技有限公司 | 无人驾驶车辆检测侧面落石发生的方法及装置 |
| CN113139607B (zh) * | 2021-04-27 | 2023-12-19 | 苏州挚途科技有限公司 | 障碍物检测方法和装置 |
| CN115308769A (zh) * | 2021-05-04 | 2022-11-08 | 南通智行未来车联网创新中心有限公司 | 一种自动驾驶时基于激光点云识别障碍物的方法 |
| CN113763263A (zh) * | 2021-07-27 | 2021-12-07 | 华能伊敏煤电有限责任公司 | 基于点云尾气过滤技术的水雾尾气噪声处理方法 |
| CN113567951B (zh) * | 2021-09-26 | 2022-01-18 | 之江实验室 | 一种基于时空信息的跨毫米波雷达目标跟踪方法 |
| CN116125488A (zh) * | 2021-11-12 | 2023-05-16 | 北京万集科技股份有限公司 | 目标追踪方法、信号融合方法、装置、终端和存储介质 |
| CN114387585B (zh) * | 2022-03-22 | 2022-07-05 | 新石器慧通（北京）科技有限公司 | 障碍物检测方法、检测装置及行驶装置 |
| CN114994684B (zh) * | 2022-06-01 | 2023-05-12 | 湖南大学无锡智能控制研究院 | 多雷达数据融合的扬尘场景下障碍物检测方法与系统 |
| CN117148837B (zh) * | 2023-08-31 | 2024-08-23 | 上海木蚁机器人科技有限公司 | 动态障碍物的确定方法、装置、设备和介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3913878B2 (ja) * | 1998-01-14 | 2007-05-09 | 本田技研工業株式会社 | 車両用物体検知装置 |
| CN104850834A (zh) * | 2015-05-11 | 2015-08-19 | 中国科学院合肥物质科学研究院 | 基于三维激光雷达的道路边界检测方法 |
| CN108983248A (zh) * | 2018-06-26 | 2018-12-11 | 长安大学 | 一种基于3d激光雷达及v2x的网联车定位方法 |
| CN110569749B (zh) * | 2019-08-22 | 2021-11-30 | 江苏徐工工程机械研究院有限公司 | 一种矿山道路的边界线及可行驶区域检测方法及系统 |
-
2020
- 2020-03-24 CN CN202010211532.5A patent/CN111537994B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN111537994A (zh) | 2020-08-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111537994B (zh) | 一种无人矿卡障碍物检测方法 | |
| CN111712731B (zh) | 目标检测方法、系统及可移动平台 | |
| US9037403B2 (en) | Intensity map-based localization with adaptive thresholding | |
| CN110320531B (zh) | 基于激光雷达的障碍物识别方法、地图创建方法及装置 | |
| CN111427348A (zh) | 一种自动驾驶矿用自卸卡车环境感知系统及矿用自卸卡车 | |
| WO2018016394A1 (ja) | 走路境界推定装置及びそれを用いた走行支援システム | |
| CN108280840B (zh) | 一种基于三维激光雷达的道路实时分割方法 | |
| Wang et al. | Automatic road extraction from mobile laser scanning data | |
| 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 | |
| CN111722249B (zh) | 物体识别装置以及车辆控制系统 | |
| CN111880196A (zh) | 一种无人矿车抗干扰方法、系统及计算机设备 | |
| JP4940177B2 (ja) | 交通流計測装置 | |
| 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 | |
| JP7529835B2 (ja) | 自己位置推定装置 | |
| US20230111364A1 (en) | Method for detecting crosswalk using lidar sensor and crosswalk detection device for performing the method | |
| US12134380B2 (en) | Apparatus and method for controlling driving of vehicle | |
| CN113740874A (zh) | 一种道路边沿检测方法、电子设备及车辆 | |
| CN115018879A (zh) | 目标检测方法、计算机可读存储介质及驾驶设备 | |
| CN114842166A (zh) | 应用于结构化道路的负障碍检测方法、系统、介质及设备 | |
| CN117734702A (zh) | 一种基于侧边超声波雷达的车位搜索方法、模块、车辆 | |
| KR20110139381A (ko) | 차량 검출 방법 | |
| CN114170579B (zh) | 一种路沿检测方法、装置及汽车 | |
| Zhang et al. | Obstacle Detection and Tracking of Unmanned Mine Car Based on 3D Lidar | |
| CN114578378A (zh) | 一种激光雷达障碍物检测方法及装置 | |
| US20240273920A1 (en) | Driving assistance device and driving assistance method |
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 |