CN108985254A - 一种基于激光的带挂卡车跟踪方法 - Google Patents

一种基于激光的带挂卡车跟踪方法 Download PDF

Info

Publication number
CN108985254A
CN108985254A CN201810863983.XA CN201810863983A CN108985254A CN 108985254 A CN108985254 A CN 108985254A CN 201810863983 A CN201810863983 A CN 201810863983A CN 108985254 A CN108985254 A CN 108985254A
Authority
CN
China
Prior art keywords
vehicle
headstock
truck
laser
tracking
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
Application number
CN201810863983.XA
Other languages
English (en)
Inventor
王超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Main Line Technology Co Ltd
Original Assignee
Shanghai Main Line Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Main Line Technology Co Ltd filed Critical Shanghai Main Line Technology Co Ltd
Priority to CN201810863983.XA priority Critical patent/CN108985254A/zh
Publication of CN108985254A publication Critical patent/CN108985254A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • 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)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开一种基于激光的带挂卡车跟踪方法，包括：使用激光扫描仪获取点云数据；对激光点云数据进行聚类；使用深度学习方法分别训练被跟踪卡车的部件模型，即车头模型和车挂模型，对聚类结果进行识别，识别出卡车部件；对识别出的卡车的车头和车挂进行跟踪，使用卡尔曼滤波器，对车头和车挂分别进行运动状态预测和更新；对得到的车头和车挂跟踪结果，基于被跟踪卡车的卡车部件约束，判断车头车挂是否属于同一卡车，输出整车跟踪结果。本发明基于激光的带挂卡车跟踪方法，通过以上方案，实现了带挂卡车的跟踪识别，且识别准确率高，具有重要的意义。

Description

一种基于激光的带挂卡车跟踪方法
技术领域
本发明涉及车辆跟踪方技术领域，具体涉及一种基于激光的带挂卡车跟踪方法。
背景技术
现有基于激光的车辆跟踪方法，通常是在对激光点云分割聚类的基础上，识别出车辆，然后利用卡尔曼滤波器或粒子滤波器对车辆运动状态进行跟踪。
在一般场景中，移动车辆的车体作为整个刚体，其运动是一致的，如小汽车、面包车、公交车等，可以将车辆视为整体，采用基于激光的车辆跟踪方法进行运动估计。然而在相关物流运输场景中，带挂卡车的使用非常频繁，对于带挂卡车来讲，通常车头和车挂之间有一定距离，并可相对转动，给聚类识别带来很大困难，而且车头和车挂的运动并不是一致的，不能使用单一的速度位置来表示带挂卡车的状态。虽然车挂的运动受到车头的牵引，其速度与车头的速度是遵循一定规律的，但对于车头速度大小和方向多变的情况，很难建立精确的数学模型描述车头和车挂的速度关系。
发明内容
本发明的目的是针对现有技术中存在的技术缺陷，而提供一种基于激光的带挂卡车跟踪方法，解决了传统方法应用在带挂卡车跟踪时出现的问题。
为实现本发明的目的所采用的技术方案是：
一种基于激光的带挂卡车跟踪方法，包括：
使用激光扫描仪获取点云数据；
对激光点云数据，使用KD树和DBSCAN方法，基于欧式距离和点云密集程度进行聚类；
使用深度学习方法分别训练被跟踪卡车的部件模型，即车头模型和车挂模型，对聚类结果进行识别，识别出卡车部件；
对识别出的卡车的车头和车挂进行跟踪，使用卡尔曼滤波器，对车头和车挂分别进行运动状态预测和更新；
对得到的车头和车挂跟踪结果，基于被跟踪卡车的卡车部件约束，判断车头车挂是否属于同一卡车，输出整车跟踪结果。
所述激光扫描范围至少覆盖被跟踪卡车前方180°区域，有效距离不小于60米。
所述的车体部件约束包括：车头和车挂的空间位置关系满足距离和角度的约束；车挂的速度大小和方向符合在车头牵引行进条件下的大小和方向关系。
本发明基于激光的带挂卡车跟踪方法，通过以上方案，实现了带挂卡车的跟踪识别，且识别准确率高，具有重要的意义。
附图说明
图1是基于激光的卡车跟踪方法的流程图；
图2是本发明的基于激光的带挂卡车跟踪方法的参考点的示意图；
图3是本发明的基于激光的带挂卡车跟踪方法的流程图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参见图2-3所示，一种基于激光的带挂卡车跟踪方法，包括步骤：
S1,使用激光扫描仪获取点云数据。
S2,对激光点云数据，使用KD树和DBSCAN方法，基于欧式距离和点云密集程度进行聚类。
S3,使用深度学习方法，分别训练被跟踪卡车的部件模型，即车头模型和车挂模型，对聚类结果进行识别，判断聚类结果是否为卡车部件。
S4,对识别的被跟踪卡车的车头和车挂进行跟踪，使用卡尔曼滤波器，对车头和车挂分别进行运动状态预测和更新。
其中，，激光扫描范围至少覆盖被跟踪卡车前方180°区域，有效距离不小于60米。
传统方法进行基于激光的车辆跟踪时，通常将车辆拟合为方框，然后选取一个参考点，如方框中心作为基准点计算车辆的位置和速度。本发明中，对于卡车，如图2所示，两个方框分别表示车头1和车挂2，车头和车挂通过牵引鞍座等不同类型连接件3连接在一起，车头和车挂的相对位置和角度变化是以连接件为中心的，所以在跟踪过程中计算运动状态时，选取车头1和车挂2距离连接件3最近的位置为参考点，即车头的尾部中心的参考点4和车挂的前部中心的参考点5。
S5，对得到的车头和车挂跟踪结果，基于带挂卡车车体部件约束，判断车头车挂是否属于同一卡车，输出整车跟踪结果。
其中，带挂卡车车体部件约束包括两部分：车头和车挂的空间位置关系需要满足距离和角度的约束；车挂的速度大小和方向需要符合在车头牵引行进条件下的大小和方向关系。
对任意车头和车挂，其位置信息记为p＝{x,y,heading}，分别表示坐标和朝向角度，运动信息记为v＝{vel,ang}，分别表示速度大小和方向。
基于位置关系判断整体关系时，对车头位置和车挂位置需要满足两者参考点距离阈值根据常见车型车头和车挂之间距离设置，此处设置Disthresh＝0.5m。
距离是基于位置(x,y)计算欧式距离，同时，二者相对角度还需要在一定的范围内变化，即计算二者朝向角差的绝对值，即小于在正常行驶时车头最大偏转角度，这里设置为Angthresh＝90°。
基于速度判断时，由于连接件通常处于车头尾部或车挂前端，即参考点的位置，距离另一部分的参考点距离很近且为刚性连接，所以二者在以参考点为基准计算的速度应保持接近，对车头速度和车挂速度需要满足方向需要满足这里即速度差不超过10％，方向差同样不超过10％。
以上所述仅是本发明的优选实施方式，应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (3)

1.一种基于激光的带挂卡车跟踪方法，其特征在于，包括步骤：
使用激光扫描仪获取点云数据；
对激光点云数据，使用KD树和DBSCAN方法，基于欧式距离和点云密集程度进行聚类；
使用深度学习方法分别训练被跟踪卡车的部件模型，即车头模型和车挂模型，对聚类结果进行识别，识别出卡车部件；
对识别出的卡车的车头和车挂进行跟踪，使用卡尔曼滤波器，对车头和车挂分别进行运动状态预测和更新；
对得到的车头和车挂跟踪结果，基于被跟踪卡车的卡车部件约束，判断车头车挂是否属于同一卡车，输出整车跟踪结果。
2.如权利要求1所述基于激光的带挂卡车跟踪方法，其特征在于，所述激光扫描范围至少覆盖被跟踪卡车前方180°区域，有效距离不小于60米。
3.如权利要求1所述基于激光的带挂卡车跟踪方法，其特征在于，所述的车体部件约束包括：车头和车挂的空间位置关系满足距离和角度的约束；车挂的速度大小和方向符合在车头牵引行进条件下的大小和方向关系。
CN201810863983.XA 2018-08-01 2018-08-01 一种基于激光的带挂卡车跟踪方法 Pending CN108985254A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810863983.XA CN108985254A (zh) 2018-08-01 2018-08-01 一种基于激光的带挂卡车跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810863983.XA CN108985254A (zh) 2018-08-01 2018-08-01 一种基于激光的带挂卡车跟踪方法

Publications (1)

Publication Number Publication Date
CN108985254A true CN108985254A (zh) 2018-12-11

Family

ID=64552365

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810863983.XA Pending CN108985254A (zh) 2018-08-01 2018-08-01 一种基于激光的带挂卡车跟踪方法

Country Status (1)

Country Link
CN (1) CN108985254A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109613553A (zh) * 2018-12-18 2019-04-12 歌尔股份有限公司 基于激光雷达确定场景中物体数量的方法、装置及系统
CN112847343A (zh) * 2020-12-29 2021-05-28 深圳市普渡科技有限公司 动态目标跟踪定位方法、装置、设备和存储介质
CN114529858A (zh) * 2022-04-21 2022-05-24 浙江大华技术股份有限公司 车辆状态识别方法、电子设备及计算机可读存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008197705A (ja) * 2007-02-08 2008-08-28 Asyst Technologies Japan Inc 搬送台車、停止位置判定方法およびプログラム
CN103134429A (zh) * 2013-03-19 2013-06-05 南京智真电子科技有限公司 一种基于视觉的汽车列车直线行驶轨迹测量方法
CN106355194A (zh) * 2016-08-22 2017-01-25 广东华中科技大学工业技术研究院 一种基于激光成像雷达的无人艇水面目标处理方法
CN106384079A (zh) * 2016-08-31 2017-02-08 东南大学 一种基于rgb‑d信息的实时行人跟踪方法
CN106570454A (zh) * 2016-10-10 2017-04-19 同济大学 基于移动激光扫描的行人交通参数提取方法
US20170242443A1 (en) * 2015-11-02 2017-08-24 Peloton Technology, Inc. Gap measurement for vehicle convoying
CN107316048A (zh) * 2017-05-03 2017-11-03 深圳市速腾聚创科技有限公司 点云分类方法及装置
CN107817496A (zh) * 2016-09-12 2018-03-20 德尔福技术有限公司 用于自动车辆的激光雷达对象检测系统
CN108230337A (zh) * 2017-12-31 2018-06-29 厦门大学 一种基于移动端的语义slam系统实现的方法
CN108345822A (zh) * 2017-01-22 2018-07-31 腾讯科技（深圳）有限公司 一种点云数据处理方法及装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008197705A (ja) * 2007-02-08 2008-08-28 Asyst Technologies Japan Inc 搬送台車、停止位置判定方法およびプログラム
CN103134429A (zh) * 2013-03-19 2013-06-05 南京智真电子科技有限公司 一种基于视觉的汽车列车直线行驶轨迹测量方法
US20170242443A1 (en) * 2015-11-02 2017-08-24 Peloton Technology, Inc. Gap measurement for vehicle convoying
CN106355194A (zh) * 2016-08-22 2017-01-25 广东华中科技大学工业技术研究院 一种基于激光成像雷达的无人艇水面目标处理方法
CN106384079A (zh) * 2016-08-31 2017-02-08 东南大学 一种基于rgb‑d信息的实时行人跟踪方法
CN107817496A (zh) * 2016-09-12 2018-03-20 德尔福技术有限公司 用于自动车辆的激光雷达对象检测系统
CN106570454A (zh) * 2016-10-10 2017-04-19 同济大学 基于移动激光扫描的行人交通参数提取方法
CN108345822A (zh) * 2017-01-22 2018-07-31 腾讯科技（深圳）有限公司 一种点云数据处理方法及装置
CN107316048A (zh) * 2017-05-03 2017-11-03 深圳市速腾聚创科技有限公司 点云分类方法及装置
CN108230337A (zh) * 2017-12-31 2018-06-29 厦门大学 一种基于移动端的语义slam系统实现的方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109613553A (zh) * 2018-12-18 2019-04-12 歌尔股份有限公司 基于激光雷达确定场景中物体数量的方法、装置及系统
CN112847343A (zh) * 2020-12-29 2021-05-28 深圳市普渡科技有限公司 动态目标跟踪定位方法、装置、设备和存储介质
CN114529858A (zh) * 2022-04-21 2022-05-24 浙江大华技术股份有限公司 车辆状态识别方法、电子设备及计算机可读存储介质

Similar Documents

Publication Publication Date Title
CN106256606B (zh) 一种基于车载双目相机的车道偏离预警方法
US10489650B2 (en) Systems and methods for providing vehicle cognition
Gaikwad et al. Lane departure identification for advanced driver assistance
CN108985254A (zh) 一种基于激光的带挂卡车跟踪方法
WO2018133851A1 (zh) 一种点云数据处理方法、装置及计算机存储介质
CN107169468A (zh) 用于控制车辆的方法和装置
CN106156723B (zh) 一种基于视觉的路口精定位方法
CN111801711A (zh) 图像标注
WO2019023443A4 (en) TRAFFIC MANAGEMENT FOR MATERIAL HANDLING VEHICLES IN A WAREHOUSE ENVIRONMENT
Zhang et al. Tractor path tracking control based on binocular vision
CN106529443B (zh) 改进霍夫变化检测车道线的方法
CN108762309B (zh) 一种基于假设卡尔曼滤波的人体目标跟随方法
CN103268616A (zh) 多特征多传感器的移动机器人运动人体跟踪方法
CN105678287B (zh) 一种基于脊度量的车道线检测方法
CN106569214B (zh) 结合导航信息的自适应巡航车载雷达数据处理方法及系统
CN113468941A (zh) 障碍物检测方法、装置、设备及计算机存储介质
CN102700548A (zh) 具有前摄像机和后摄像机的稳健的车辆侧向控制
CN108831146A (zh) 生成三维高清道路图交叉路口行车线的半自动点云方法
CN107505617A (zh) 一种雷达目标测试方法
CN109827516A (zh) 一种通过车轮来测量距离的方法
CN111966089A (zh) 在移动机器人中使用代价地图估计动态障碍物速度的方法
CN115923839A (zh) 一种车辆路径规划方法
Li et al. A new 3D LIDAR-based lane markings recognition approach
CN113268065B (zh) 基于人工智能的agv自适应转弯避障方法、装置及设备
CN113110456B (zh) 一种基于人工智能的agv小车稳定行驶方法及系统

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20181211

WD01 Invention patent application deemed withdrawn after publication