CN107817798A - 一种基于深度学习系统的农用机械避障方法 - Google Patents
一种基于深度学习系统的农用机械避障方法 Download PDFInfo
- Publication number
- CN107817798A CN107817798A CN201711052096.6A CN201711052096A CN107817798A CN 107817798 A CN107817798 A CN 107817798A CN 201711052096 A CN201711052096 A CN 201711052096A CN 107817798 A CN107817798 A CN 107817798A
- Authority
- CN
- China
- Prior art keywords
- barrier
- agricultural machinery
- obstacle
- deep learning
- image
- 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 37
- 238000013135 deep learning Methods 0.000 title claims abstract description 26
- 230000004888 barrier function Effects 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 4
- 230000006735 deficit Effects 0.000 claims description 3
- 239000011551 heat transfer agent Substances 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
- G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
-
- 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
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- 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
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
- G05D1/0253—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means extracting relative motion information from a plurality of images taken successively, e.g. visual odometry, optical flow
-
- 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
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Electromagnetism (AREA)
- Optics & Photonics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明的基于深度学习的农机自动避障方法,涉及农机自动化领域,通过对图像信息的收集,以及深度学习系统对收集到的图像进行识别,然后将得到的结果匹配对应的设定好的输出:根据障碍物动静属性进行进一步的动作,如果是动态障碍物,鸣笛提醒或者减速至驻车等待;如果一定时间内障碍物不能解除,则按静态障碍物的方法进行处理;如果静态障碍物,进行局部的避障路径规划得到农机避障的最优路径。如果未能识别依然能通过它强大的在线学习系统做出合适的处理。本发明的利用深度学习系统避障方法让农机在未知劳作环境中做出智能决策,提高工作效率并增大了避障的容错率。
Description
技术领域
本发明涉及农机自动化领域,尤其涉及一种基于深度学习系统的农用机械避障方法。
背景技术
随着科技的发展,农业机械越来越趋向于智能化,农业机械自动导航技术是精细农业的关键技术。实际生产生活中农机所处的自然环境有很多未知的问题需要处理,农机在作业时可能会遇到电线杆、人以及其他机械等障碍物或接近地头,此时农机需要自动做出避障决策。由此才能做到对人和农机的安全保护,同时又能最大的发挥自主导航农业车辆的生产效率。如何实现农机自主避障,是智能农机安全的实现自主导航作业的一个关键问题。
近年来,深度学习在学术界发展迅猛,尤其在模式识别方面表现不俗。在很多传统的识别任务中,识别率都获得了显著的提高。许多其他领域也尝试用深度学习来解决一些本领域的问题。深度学习应用在避障领域的应用已经有了一些研究,尤其是与强化学习的结合,展现了其独特的优势。深度强化学习是深度学习与强化学习相结合的一个领域,它是能够实现从感知到动作的端对端学习的一种全新的方法。简单的说,就是和人类一样,输入感知信息比如视觉,然后通过深度神经网络,直接输出动作。
在中国专利CN201710156019.9(用于农机无人驾驶的避障路径规划及其控制方法)中公开了一种农机无人驾驶的避障路径规划及其控制方法,通过传感器获取农机环境信息做出避障决策,使用改进的最短切线法计算出一条理论避障路径,利用Bezier曲线的路径优化方法优化理论避障路径得到实际避障路径。这种避障方法只能做到探测是否存在障碍物以及进行单纯的绕行避障,并且只能做到针对局部某一静态障碍物进行规避。这种避障方法规避障碍的方式过于单一,智能程度较浅。
发明内容
本申请提出一种能够实现全局避障,提高避障效率和准确度,大大提高农机的自动化和智能化的基于深度学习系统的农用机械避障方法。
本发明的基于深度学习系统的农用机械避障方法:包括以下步骤:
a)、首先运用深度学习系统进行图像处理以此实现图像识别:将农机携带的摄像机所拍摄到的图像信息逐层提取特征,将提取到的图像特征与数据库内的障碍物图像数据进行比较,筛选出与采集到的图像最匹配的障碍物图像数据,由此判断出农机所遇到的障碍物信息;
若能判断出为障碍物,进一步判断障碍物动静属性;
若不能判是否为断障碍物,直接按障碍物处理,再进一步判断其动静属性:
(b)、再判断障碍物动静属性及输出对应的处理方式:
b-1、如果是动态障碍物,鸣笛提醒或者减速至驻车等待;如果一定时间内障碍物不能解除,则按静态障碍物的方法进行处理;
b-2、如果静态障碍物,进行局部的避障路径规划;
局部的避障路径规划步骤如下:
(1)、根据所需精度以及农机的最宽宽度,划分限制搜索区域,并在区域内,沿着农机前进方向建立局部栅格地图;
(2)、根据传感信息,确定障碍物大小及在局部栅格地图中的位置;
(3)、根据农机宽幅,速度,最小转弯半径信息,确定与障碍物的最小安全距离,在农机原运动轨迹上,最大障碍接近点,确定为局部避障路径起始点A;以农机原运动轨迹上,最小障碍接近点,确定为局部避障路径终止点B;
(4)、根据栅格划分图形用A*与Dijkstra算法相结合,搜索局部规划栅格,确定A点到B点路径;
(5)、将最短距离集合的点连接形成最优路径;
(6)、进一步采用最短切线法对得到的最优路径进行拟合,从而得到更加合理的实际路径。
为更好的实施本发明创造:运用深度学习系统进行图像处理以此实现图像识别,需
(1)、大量采集农田场景常见障碍物建立农田场景图像库;
(2)、参照反向传播算法训练卷积神经网络;
(3)、进行图像识别
农机携带的摄像机所拍摄到的图像信息通过卷积神经网络中的卷积层与池化层组成的卷积组,逐层提取特征,最终通过若干个全连接层完成分类。
本发明的基于深度学习的农机自动避障方法,通过对图像信息的收集,以及深度学习系统对收集到的图像进行识别,然后将得到的结果匹配对应的设定好的输出,如果未能识别依然能通过它强大的在线学习系统做出合适的处理。本发明的利用深度学习系统避障方法让农机在未知劳作环境中做出智能决策,提高工作效率并增大了避障的容错率。
附图说明
图1为本发明具体避障方法-最短切线法的附图;
图2为本发明局部的避障路径规划时划分限制搜索区域的示意图;
图3为本发明方案的流程图;
图4为本发明农机遇到障碍物时避障方法示意图。
根据下文结合流程图对本发明具体实施的详细描述,本领域技术人员将会更加明了本发明的上述及其它目的、优点和特征。
具体实施方式
本方法的应用对象为农用机械,工作地点在农田。
结合图3,本发明的基于深度学习系统的农用机械避障算法规划方法,包括以下步骤:
1、首先运用深度学习系统建立的数据库进行图像处理以此实现图像识别:
将农机携带的摄像机所拍摄到的图像信息,通过卷积神经网络中的卷积层与池化层组成的卷积组,逐层提取特征,最终通过若干个全连接层完成分类。该分类是将每帧图像中的相同属性的图像特征归集到一起,如每个图像中的天空、大地、农作物、障碍物等。
结合图4,将提取到的图像特征与数据库内的障碍物图像数据进行比较,筛选出与采集到的图像最匹配的图像数据。
若能判断出为障碍物,进一步判断障碍物动静属性;
若不能判断出是否为障碍物,直接按障碍物处理,再进一步判断其动静属性。如先采用激光定位5到10秒,看障碍物是否移动;移动的话,按动态障碍物处理;不移动的话,按静态障碍物处理。
2、其次,判断障碍物动静属性及输出对应的处理方式:
(1)如果是动态障碍物,鸣笛提醒或者减速至驻车等待;如果障碍物消除,则按原定路线前行;如果一定时间内障碍物不能解除,则按静态障碍物的方法进行处理;
(2)如果静态障碍物,则选用改进优化后的A*及Dijkstra算法相结合,来实现局部的避障路径规划。
结合图2,局部的避障路径规划步骤如下:
1、发现障碍物时,根据所需精度以及农机的最宽宽度,按特定距离划分限制搜索区域,并在区域内,沿着农机前进方向建立局部栅格地图。
2、根据传感信息,确定障碍物大小及在局部栅格地图中的位置。
3、根据农机宽幅,速度,最小转弯半径信息,确定与障碍物最小安全距离,在原农机运动轨迹上,最大障碍接近点,确定为局部避障路径起始点A;以农机原运动轨迹上,最小障碍接近点,确定为局部避障终止点B。
4、根据栅格划分图形用A*与Dijkstra算法相结合,搜索局部规划栅格,确定A点到B点路径。
5、将最短距离集合的点连接形成最优路径。
6、见图1,采用具体的避障方法最短切线法对得到的最优路径进行拟合,从而得到更加合理的路径。
关于A*与Dijkstra算法相结合,详细可参照申请号为201710966489.1的一种基于Dijkstra算法的农用机械最短路径规划的方法。
运用深度学习系统建立数据库的方法过程如下:
1-1、大量采集农田场景常见障碍物建立农田场景图像库
1-2、参照反向传播算法训练卷积神经网络
由于农田环境非常复杂,道路等可行区域与障碍物的表征信息(如颜色,文理,形状等)等复杂多变,基于特定障碍物模型特定环境的检测方法对于一些实时未知障碍物检测不适用,因此本申请提出一种基于深度学习、用于检测非特定环境下,针对非特定属性的基于表征信息的障碍物检测方法。
本算法提出使用CNN与DBN相结合的深度学习模型,来检测单幅图像中的障碍物。首先使用CNN提取侯选块的局部特征信息,结合DBN分析图像的全局特征,将两者相结合,分析判断出候选区域是否为障碍物。
算法的实现原理:
CNN用来提取候选区域的局部特征信息,其输入时一个待预测候选图像块,输出为局部特征向量。DBN用来提取图像的全局特征,其输入为整个图像经过降采样归一化后的结果,通过逐层的非监督训练,输出整幅图像的全局特征向量。另外加入图像块的位置信息向量。将这三组向量组合形成新的向量并送入到费雷其中,来预测候选图像块的属性。
本方法对静止和运动的障碍物都具有良好的检测能力。在检测不到特征点的位置也具有很好的检测效果,对于地平线以上的障碍物也能够很好的检测到。
针对目前的农机避障系统大多是利用传感器来识别,这种方法智能化程度太低,效率也较低,并且准确性不高,无法准确识别人或动物,更无法在线学习面对未知事物做出最好的决策。并且这种避障方法只能做到探测是否存在障碍物以及进行单纯的绕行避障,以及针对局部某一静态障碍物进行规避。本发明智能的深度学习系统在此领域完美解决了这一类问题,实现无人农机在未知劳作环境中做出智能决策;结合A*和Dijkstra算法使避障系统更加准确化,程序化,减少出错率,优化路径,提高工作效率并增大了避障的容错率。
本发明的基于深度学习系统的农用机械避障方法,将深度学习理论和传统避障算法相结合,在以往的农机领域是未涉及的,能大大提高农机的避障效率以及智能程度;在农机应用领域有较为广阔的发展前景。
Claims (2)
1.一种基于深度学习系统的农用机械避障方法:其特征是:包括以下步骤:
a)、首先运用深度学习系统进行图像处理以此实现图像识别:将农机携带的摄像机所拍摄到的图像信息逐层提取特征,将提取到的图像特征与数据库内的障碍物图像数据进行比较,筛选出与采集到的图像最匹配的障碍物图像数据,由此判断出农机所遇到的障碍物信息;
若能判断出为障碍物,进一步判断障碍物动静属性;
若不能判断出是否为障碍物,直接按障碍物处理,再进一步判断其动静属性;
b)、再判断障碍物动静属性及输出对应的处理方式:
b-1、如果是动态障碍物,鸣笛提醒或者减速至驻车等待;如果一定时间内障碍物不能解除,则按静态障碍物的方法进行处理;
b-2、如果静态障碍物,进行局部的避障路径规划;
局部的避障路径规划步骤如下:
(1)、根据所需精度以及农机的最宽宽度,划分限制搜索区域,并在区域内,沿着农机前进方向建立局部栅格地图;
(2)、根据传感信息,确定障碍物大小及在局部栅格地图中的位置;
(3)、根据农机宽幅,速度,最小转弯半径信息,确定与障碍物的最小安全距离,在农机原运动轨迹上,最大障碍接近点,确定为局部避障路径起始点A;以农机原运动轨迹上,最小障碍接近点,确定为局部避障路径终止点B;
(4)、根据栅格划分图形用A*与Dijkstra算法相结合,搜索局部规划栅格,确定A点到B点路径;
(5)、将最短距离集合的点连接形成最优路径;
(6)、进一步采用最短切线法对得到的最优路径进行拟合,从而得到更加合理的路径。
2.根据权利要求1所述的基于深度学习系统的农用机械避障方法:其特征是:运用深度学习系统进行图像处理以此实现图像识别,需
(1)、大量采集农田场景常见障碍物建立农田场景图像库;
(2)、参照反向传播算法训练卷积神经网络;
(3)、进行图像识别
农机携带的摄像机所拍摄到的图像信息通过卷积神经网络中的卷积层与池化层组成的卷积组,逐层提取特征,最终通过若干个全连接层完成分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711052096.6A CN107817798A (zh) | 2017-10-30 | 2017-10-30 | 一种基于深度学习系统的农用机械避障方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711052096.6A CN107817798A (zh) | 2017-10-30 | 2017-10-30 | 一种基于深度学习系统的农用机械避障方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107817798A true CN107817798A (zh) | 2018-03-20 |
Family
ID=61604610
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711052096.6A Pending CN107817798A (zh) | 2017-10-30 | 2017-10-30 | 一种基于深度学习系统的农用机械避障方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107817798A (zh) |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108955695A (zh) * | 2018-08-22 | 2018-12-07 | 洛阳中科龙网创新科技有限公司 | 一种用于农田机器人的全局路径规划方法 |
CN108984275A (zh) * | 2018-08-27 | 2018-12-11 | 洛阳中科龙网创新科技有限公司 | 基于Unity3D和深度增强学习的智能无人农用驾驶训练方法 |
CN109019335A (zh) * | 2018-09-04 | 2018-12-18 | 大连理工大学 | 一种基于深度学习的吊装安全距离检测方法 |
CN109324615A (zh) * | 2018-09-20 | 2019-02-12 | 深圳蓝胖子机器人有限公司 | 办公楼送货控制方法、装置以及计算机可读存储介质 |
CN109471432A (zh) * | 2018-11-08 | 2019-03-15 | 南京农业大学 | 一种自主导航农用车最短避障路径规划方法 |
CN109978243A (zh) * | 2019-03-12 | 2019-07-05 | 北京百度网讯科技有限公司 | 车辆轨迹规划方法、装置、计算机设备、计算机存储介质 |
CN110032193A (zh) * | 2019-04-30 | 2019-07-19 | 盐城工业职业技术学院 | 一种智能拖拉机田间避障控制系统及方法 |
CN110209156A (zh) * | 2019-04-09 | 2019-09-06 | 丰疆智能科技股份有限公司 | 自动收割机的行驶路径规划系统及其方法 |
CN110209153A (zh) * | 2019-04-09 | 2019-09-06 | 丰疆智能科技股份有限公司 | 自动收割机的倒伏行驶规划系统及其方法 |
CN110244734A (zh) * | 2019-06-20 | 2019-09-17 | 中山大学 | 一种基于深度卷积神经网络的自动驾驶车辆路径规划方法 |
CN110609560A (zh) * | 2019-10-29 | 2019-12-24 | 广州高新兴机器人有限公司 | 移动机器人避障规划方法及计算机存储介质 |
CN111284483A (zh) * | 2018-11-22 | 2020-06-16 | 大众汽车有限公司 | 用于支持自动化行驶的车辆的方法和系统 |
CN111582173A (zh) * | 2020-05-08 | 2020-08-25 | 东软睿驰汽车技术(沈阳)有限公司 | 一种自动驾驶的方法及系统 |
CN111845714A (zh) * | 2019-04-26 | 2020-10-30 | 东莞潜星电子科技有限公司 | 一种基于智能视觉深度学习的自动泊车系统 |
CN112068574A (zh) * | 2020-10-19 | 2020-12-11 | 中国科学技术大学 | 一种无人车在动态复杂环境中的控制方法及系统 |
CN112859111A (zh) * | 2019-11-27 | 2021-05-28 | 西北农林科技大学 | 一种基于组合信息的农业障碍物属性检测方法 |
CN113670306A (zh) * | 2020-05-15 | 2021-11-19 | 广州汽车集团股份有限公司 | 一种基于深度强化学习的无人车的导航方法 |
CN113778110A (zh) * | 2021-11-11 | 2021-12-10 | 山东中天宇信信息技术有限公司 | 一种基于机器学习的智能农机控制方法及系统 |
CN114326704A (zh) * | 2021-11-26 | 2022-04-12 | 潍坊中科晶上智能装备研究院有限公司 | 基于卷积神经网络的智能农机静、动态物体检测的路径规划方法 |
CN114995421A (zh) * | 2022-05-31 | 2022-09-02 | 重庆长安汽车股份有限公司 | 自动驾驶避障方法、装置、电子设备、存储介质及程序产品 |
CN115991189A (zh) * | 2023-02-20 | 2023-04-21 | 广东六力智行科技有限公司 | 农机安全控制方法及装置、计算机可读存储介质 |
WO2023123642A1 (zh) * | 2021-12-29 | 2023-07-06 | 中国矿业大学 | 深部受限空间无人运输设备可行驶域检测和自主避障方法 |
US11734917B2 (en) * | 2017-11-13 | 2023-08-22 | Raven Industries, Inc. | Safety system for autonomous operation of off-road and agricultural vehicles using machine learning for detection and identification of obstacles |
US11993256B2 (en) | 2020-05-22 | 2024-05-28 | Cnh Industrial America Llc | Dynamic perception zone estimation |
US12032383B2 (en) | 2020-05-22 | 2024-07-09 | Cnh Industrial America Llc | Localized obstacle avoidance for optimal V2V path planning |
US12091056B2 (en) | 2020-04-28 | 2024-09-17 | Raven Industries, Inc. | Object detection and tracking for automated operation of vehicles and machinery |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105182979A (zh) * | 2015-09-23 | 2015-12-23 | 上海物景智能科技有限公司 | 一种移动机器人障碍物检测及避让方法和系统 |
CN106292704A (zh) * | 2016-09-07 | 2017-01-04 | 四川天辰智创科技有限公司 | 规避障碍物的方法及装置 |
CN106681335A (zh) * | 2017-01-22 | 2017-05-17 | 无锡卡尔曼导航技术有限公司 | 用于农机无人驾驶的避障路径规划及其控制方法 |
CN106909148A (zh) * | 2017-03-10 | 2017-06-30 | 南京沃杨机械科技有限公司 | 基于农田环境感知的农机无人驾驶导航方法 |
CN106970615A (zh) * | 2017-03-21 | 2017-07-21 | 西北工业大学 | 一种深度强化学习的实时在线路径规划方法 |
CN106966298A (zh) * | 2017-04-17 | 2017-07-21 | 山东建筑大学 | 基于机器视觉的装配式建筑智能吊装方法与系统 |
CN107065880A (zh) * | 2017-05-16 | 2017-08-18 | 南京农业大学 | 基于动态引导点的遥操作农业车辆人机合作路径规划方法 |
-
2017
- 2017-10-30 CN CN201711052096.6A patent/CN107817798A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105182979A (zh) * | 2015-09-23 | 2015-12-23 | 上海物景智能科技有限公司 | 一种移动机器人障碍物检测及避让方法和系统 |
CN106292704A (zh) * | 2016-09-07 | 2017-01-04 | 四川天辰智创科技有限公司 | 规避障碍物的方法及装置 |
CN106681335A (zh) * | 2017-01-22 | 2017-05-17 | 无锡卡尔曼导航技术有限公司 | 用于农机无人驾驶的避障路径规划及其控制方法 |
CN106909148A (zh) * | 2017-03-10 | 2017-06-30 | 南京沃杨机械科技有限公司 | 基于农田环境感知的农机无人驾驶导航方法 |
CN106970615A (zh) * | 2017-03-21 | 2017-07-21 | 西北工业大学 | 一种深度强化学习的实时在线路径规划方法 |
CN106966298A (zh) * | 2017-04-17 | 2017-07-21 | 山东建筑大学 | 基于机器视觉的装配式建筑智能吊装方法与系统 |
CN107065880A (zh) * | 2017-05-16 | 2017-08-18 | 南京农业大学 | 基于动态引导点的遥操作农业车辆人机合作路径规划方法 |
Non-Patent Citations (1)
Title |
---|
梁栋: "基于深度学习的目标识别研究及其多机器人编队应用", 《万方数据库平台》 * |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11734917B2 (en) * | 2017-11-13 | 2023-08-22 | Raven Industries, Inc. | Safety system for autonomous operation of off-road and agricultural vehicles using machine learning for detection and identification of obstacles |
CN108955695A (zh) * | 2018-08-22 | 2018-12-07 | 洛阳中科龙网创新科技有限公司 | 一种用于农田机器人的全局路径规划方法 |
CN108984275A (zh) * | 2018-08-27 | 2018-12-11 | 洛阳中科龙网创新科技有限公司 | 基于Unity3D和深度增强学习的智能无人农用驾驶训练方法 |
CN109019335A (zh) * | 2018-09-04 | 2018-12-18 | 大连理工大学 | 一种基于深度学习的吊装安全距离检测方法 |
CN109324615A (zh) * | 2018-09-20 | 2019-02-12 | 深圳蓝胖子机器人有限公司 | 办公楼送货控制方法、装置以及计算机可读存储介质 |
CN109471432A (zh) * | 2018-11-08 | 2019-03-15 | 南京农业大学 | 一种自主导航农用车最短避障路径规划方法 |
CN111284483A (zh) * | 2018-11-22 | 2020-06-16 | 大众汽车有限公司 | 用于支持自动化行驶的车辆的方法和系统 |
CN109978243A (zh) * | 2019-03-12 | 2019-07-05 | 北京百度网讯科技有限公司 | 车辆轨迹规划方法、装置、计算机设备、计算机存储介质 |
CN110209156A (zh) * | 2019-04-09 | 2019-09-06 | 丰疆智能科技股份有限公司 | 自动收割机的行驶路径规划系统及其方法 |
CN110209153A (zh) * | 2019-04-09 | 2019-09-06 | 丰疆智能科技股份有限公司 | 自动收割机的倒伏行驶规划系统及其方法 |
CN111845714A (zh) * | 2019-04-26 | 2020-10-30 | 东莞潜星电子科技有限公司 | 一种基于智能视觉深度学习的自动泊车系统 |
CN110032193A (zh) * | 2019-04-30 | 2019-07-19 | 盐城工业职业技术学院 | 一种智能拖拉机田间避障控制系统及方法 |
CN110032193B (zh) * | 2019-04-30 | 2020-07-03 | 盐城工业职业技术学院 | 一种智能拖拉机田间避障控制系统及方法 |
CN110244734A (zh) * | 2019-06-20 | 2019-09-17 | 中山大学 | 一种基于深度卷积神经网络的自动驾驶车辆路径规划方法 |
CN110609560A (zh) * | 2019-10-29 | 2019-12-24 | 广州高新兴机器人有限公司 | 移动机器人避障规划方法及计算机存储介质 |
CN112859111A (zh) * | 2019-11-27 | 2021-05-28 | 西北农林科技大学 | 一种基于组合信息的农业障碍物属性检测方法 |
US12091056B2 (en) | 2020-04-28 | 2024-09-17 | Raven Industries, Inc. | Object detection and tracking for automated operation of vehicles and machinery |
CN111582173A (zh) * | 2020-05-08 | 2020-08-25 | 东软睿驰汽车技术(沈阳)有限公司 | 一种自动驾驶的方法及系统 |
CN113670306A (zh) * | 2020-05-15 | 2021-11-19 | 广州汽车集团股份有限公司 | 一种基于深度强化学习的无人车的导航方法 |
US12032383B2 (en) | 2020-05-22 | 2024-07-09 | Cnh Industrial America Llc | Localized obstacle avoidance for optimal V2V path planning |
US11993256B2 (en) | 2020-05-22 | 2024-05-28 | Cnh Industrial America Llc | Dynamic perception zone estimation |
CN112068574A (zh) * | 2020-10-19 | 2020-12-11 | 中国科学技术大学 | 一种无人车在动态复杂环境中的控制方法及系统 |
CN113778110A (zh) * | 2021-11-11 | 2021-12-10 | 山东中天宇信信息技术有限公司 | 一种基于机器学习的智能农机控制方法及系统 |
CN114326704A (zh) * | 2021-11-26 | 2022-04-12 | 潍坊中科晶上智能装备研究院有限公司 | 基于卷积神经网络的智能农机静、动态物体检测的路径规划方法 |
WO2023123642A1 (zh) * | 2021-12-29 | 2023-07-06 | 中国矿业大学 | 深部受限空间无人运输设备可行驶域检测和自主避障方法 |
US11880208B2 (en) | 2021-12-29 | 2024-01-23 | China University Of Mining And Technology | Method for drivable area detection and autonomous obstacle avoidance of unmanned haulage equipment in deep confined spaces |
CN114995421A (zh) * | 2022-05-31 | 2022-09-02 | 重庆长安汽车股份有限公司 | 自动驾驶避障方法、装置、电子设备、存储介质及程序产品 |
CN115991189A (zh) * | 2023-02-20 | 2023-04-21 | 广东六力智行科技有限公司 | 农机安全控制方法及装置、计算机可读存储介质 |
CN115991189B (zh) * | 2023-02-20 | 2024-02-02 | 广东六力智行科技有限公司 | 农机安全控制方法及装置、计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107817798A (zh) | 一种基于深度学习系统的农用机械避障方法 | |
Naseer et al. | Robust visual SLAM across seasons | |
CN109597087A (zh) | 一种基于点云数据的3d目标检测方法 | |
CN104330090B (zh) | 机器人分布式表征智能语义地图创建方法 | |
CN103278170B (zh) | 基于显著场景点检测的移动机器人级联地图创建方法 | |
CN102915039B (zh) | 一种仿动物空间认知的多机器人联合目标搜寻方法 | |
Lian et al. | DeepWindow: Sliding window based on deep learning for road extraction from remote sensing images | |
CN109034018A (zh) | 一种基于双目视觉的低空小型无人机障碍物感知方法 | |
CN109815300B (zh) | 一种车辆定位方法 | |
CN110427797B (zh) | 一种基于几何条件限制的三维车辆检测方法 | |
CN114782626B (zh) | 基于激光与视觉融合的变电站场景建图及定位优化方法 | |
CN106780484A (zh) | 基于卷积神经网络特征描述子的机器人帧间位姿估计方法 | |
CN112509009B (zh) | 一种基于自然语言信息辅助的目标追踪方法 | |
CN113989784A (zh) | 一种基于车载激光点云的道路场景类型识别方法及系统 | |
CN113284144B (zh) | 一种基于无人机的隧道检测方法及装置 | |
Dewangan et al. | Optimized convolutional neural network for road detection with structured contour and spatial information for intelligent vehicle system | |
Cheng et al. | Unifying visual localization and scene recognition for people with visual impairment | |
CN106327528A (zh) | 无人机运动目标跟踪方法及无人机的工作方法 | |
CN109375211A (zh) | 基于雷达和多光学设备的可移动无人平台目标搜索方法 | |
Hu et al. | Loop closure detection algorithm based on attention mechanism | |
Li et al. | An efficient point cloud place recognition approach based on transformer in dynamic environment | |
CN117570960A (zh) | 一种用于导盲机器人的室内定位导航系统及方法 | |
WO2024077934A1 (zh) | 一种车间巡检机器人目标检测方法及装置 | |
CN112785564A (zh) | 一种基于机械臂的行人检测跟踪系统与方法 | |
Zhou et al. | Obstacle detection for unmanned surface vehicles by fusion refinement network |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180320 |