CN109324616B - 基于车载传感器的无人泊车搬运机器人的对位方法 - Google Patents

基于车载传感器的无人泊车搬运机器人的对位方法 Download PDF

Info

Publication number
CN109324616B
CN109324616B CN201811103330.8A CN201811103330A CN109324616B CN 109324616 B CN109324616 B CN 109324616B CN 201811103330 A CN201811103330 A CN 201811103330A CN 109324616 B CN109324616 B CN 109324616B
Authority
CN
China
Prior art keywords
target vehicle
unmanned parking
transfer robot
alignment
robot
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
Application number
CN201811103330.8A
Other languages
English (en)
Other versions
CN109324616A (zh
Inventor
陈广
瞿三清
杜嘉彤
余卓平
熊璐
杨谦益
叶灿波
陈凯
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.)
Tongji University
Original Assignee
Tongji University
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 Tongji University filed Critical Tongji University
Priority to CN201811103330.8A priority Critical patent/CN109324616B/zh
Publication of CN109324616A publication Critical patent/CN109324616A/zh
Application granted granted Critical
Publication of CN109324616B publication Critical patent/CN109324616B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • 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
    • G05D1/0234—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons
    • G05D1/0236—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons 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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • 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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • 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
    • G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • 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
    • G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • 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

Abstract

本发明提供了一种基于车载传感器的无人泊车搬运机器人的对位方法，其包括：预对位阶段与精准对位阶段；预对位阶段为：利用单线激光雷达获取目标车辆的轮廓信息及位置信息，以分别调整无人泊车搬运机器人的横向展开宽度及与目标车辆的预对准角度；精准对位阶段为：在预对位阶段的基础上，利用单点激光雷达获取目标车辆的车轮轴信息，以调整该机器人与目标车辆的精对准角度及纵向伸长长度；本发明中单线激光雷达和单点激光雷达均布置于该机器人上面且无需借助其他信息采集装置，从而用于实现对环境的感知；另外，本发明不需要修建其他附属设施，可以仅凭该机器人的单线激光雷达和单点激光雷达就能实现精准对位的目的，通用性好、对环境依赖性小。

Description

基于车载传感器的无人泊车搬运机器人的对位方法
技术领域
本发明属于无人泊车搬运机器人的自动控制技术领域，具体涉及一种基于车载传感器的无人泊车搬运机器人的对位方法。
背景技术
伴随着城市的高速发展和人均保有汽车数量的快速增长，城区停车面临着巨大的停车场地严重不足以及人们对于停车舒适性要求越来越高的问题。自动驾驶技术的兴起有望利用完全自动化的方案帮助解决城市停车难的问题，同时大幅度提高停车空间利用率和停车的舒适度。传统的停车场通过识别等待停车车辆的车牌号以及停车场系统车位空余情况来决定是否允许等待停车车辆进入停车场，这种停车场管理方式的效率十分低下，也给等待停车的车辆驾驶员增加了很多额外的工作。目前已有自动驾驶车辆实现通过自动驾驶技术自动将车辆停泊在对应位置。该方式虽然在一定程度上提高了停车的效率，但是由于目前大部分车辆还不具备有自动驾驶的功能，势必会导致非自动驾驶车辆和自动驾驶车辆的混合泊车情况，对于自动驾驶技术提出了很高的要求。
发明内容
由于无人泊车搬运机器人的机械臂移动的距离十分有限，同时为提高自动化停车场的空间利用率，无人泊车搬运机器人与等待搬运车辆之间的间隙十分狭窄，所以对于无人泊车搬运机器人准确对位停放好的等待搬运车辆的位置提出了很高的要求，因此，本发明针对现有技术中的不足，目的是提供一种基于车载传感器的无人泊车搬运机器人的对位方法。
为达到上述目的，本发明的解决方案是：
一种基于车载传感器的无人泊车搬运机器人的对位方法，其包括：预对位阶段与精准对位阶段。
其中，预对位阶段为：根据目标车辆的轮廓信息以调整无人泊车搬运机器人的横向展开宽度，及根据目标车辆的位置信息以调整无人泊车搬运机器人与目标车辆的预对准角度，从而完成无人泊车搬运机器人与目标车辆的预对准。
精准对位阶段为：在上述预对位阶段的基础上，根据目标车辆的车轮轴信息，以调整无人泊车搬运机器人与目标车辆的精对准角度及纵向伸长长度，实现无人泊车搬运机器人的举升转置与目标车辆的车轮轴对齐，从而完成无人泊车搬运机器人与目标车辆的精准对位，实现与等待车辆的交互，进而完成目标车辆的搬运。
优选地，预对位阶段的具体步骤包括：
(1)、利用第一信息采集装置获取目标车辆的点云数据，并通过密度聚类(Density-Based Spatial Clustering of Applications with Noise，DBSCAN)算法对点云数据进行密度聚类分析；
(2)、对该点云数据进行密度聚类分析后，基于随机抽样一致(Random SampleConsensus，RANSAC)算法拟合目标车辆的轮廓的直角型特征与目标车辆的车轮的直角型特征，以分别获取目标车辆的轮廓信息与目标车辆的位置信息；
(3)、根据目标车辆的轮廓信息以调整无人泊车搬运机器人的横向展开宽度；根据目标车辆的位置信息以调整无人泊车搬运机器人的主动轮与万向轮的方向，从而实现无人泊车搬运机器人与目标车辆的预对准。
优选地，在步骤(2)中，随机抽样一致算法包括如下步骤：
(2-1)、在单个点云数据簇中随机选取三个点作为直角型特征数学模型中的三个端点；
(2-2)、对该点云数据簇中余下的点逐一通过计算相对于由(2-1)中的直角型特征数学模型构成角特征的两条边的距离，根据该距离判定其是否为该直角型特征数学模型的内群数据点，若判定出为内群数据点，则内群数据点的个数加1，直至对所有余下的点均判断完毕；
(2-3)、获取内群数据点的总数，根据该内群数据点的总数判定该直角型特征数学模型是否合理；若不合理，则重新选择数学模型；若合理，则进行第(2-4)步；
(2-4)、对合理的直角型特征数学模型中的内群数据点计算其相对于该直角型特征数学模型的边界距离的靠近程度；比较并更新当前的最大的距离靠近程度及其对应的模型；
(2-5)、重复执行步骤(2-1)至步骤(2-4)，当最大的距离靠近程度大于设定的检测阈值，或者达到指定的检测次数，退出检测，将此时最大的距离靠近程度的模型作为最合适表征直角型特征的模型。
优选地，第一信息采集装置为单线激光雷达；单线激光雷达布设于无人泊车搬运机器人的尾部。
优选地，精准对位阶段的具体步骤包括：利用第二信息采集装置获取目标车辆的车轮轴信息，在无人泊车搬运机器人的前侧的举升机械臂与目标车辆的前轮轴对齐后；调整无人泊车搬运机器人的万向轮，通过纵向伸展装置来调整纵向伸长长度从而实现无人泊车搬运机器人的后侧的举升机械臂与目标车辆的后轮轴对齐。
优选地，第二信息采集装置为单点激光雷达。单点激光雷达均布设于无人泊车搬运机器人的前侧的举升机械臂附近和后侧的举升机械臂附近。
由于采用上述方案，本发明的有益效果是：
第一、本发明的激光雷达(即单点激光雷达和单线激光雷达)作为主要信息采集装置，其测距精度等级能够达到厘米级，满足实际应用的要求，从而使得本发明的无人泊车搬运机器人具有检测精度高和可靠性强的特点；另外，本发明的单线激光雷达和单点激光雷达均布设于该机器人上面且无需借助其他外部信息采集装置，从而用于实现对环境的感知，进一步节约时间，提高了室内外平坦停车区的运行效率。
第二、本发明的对位方法不需要修建其他附属设施，可以仅凭无人泊车搬运机器人的单线激光雷达和单点激光雷达就能实现精准对位的目的，其通用性好、对环境依赖性小。
附图说明
图1为本发明的基于车载传感器的无人泊车搬运机器人的对位方法的流程示意图。
图2为本发明的实施例中无人泊车搬运机器人的机械结构示意图。
图3为本发明的实施例中无人泊车搬运机器人的单线激光雷达与单点激光雷达的布设示意图。
图4为本发明的实施例中预对位阶段采集的目标车辆的车轮(或车身)点云数据散点图(0点为二维激光雷达所在位置，X轴表示的是在横向采集的点云点距离激光雷达的距离，Y轴表示的是在纵向采集的点云点距离激光雷达的距离)。
图5为本发明的实施例中预对位阶段对目标车辆的车轮(或车身)的直角型特征提取结果图。
图6为本发明的实施例中无人泊车搬运机器人完成车身的预对位阶段后的结果示意图。
图7为本发明的实施例中无人泊车搬运机器人实现车身的预对位阶段的流程图。
图8为本发明的实施例中无人泊车搬运机器人完成车身的精准对位后的结果示意图。
图9为本发明的实施例中无人泊车搬运机器人实现车身的精准对位阶段的流程图。
图10为本发明的实施例中无人泊车搬运机器人完成对目标车辆精准对位后，无人泊车搬运机器人的机械臂对目标车辆的夹持示意图。
附图标记：单点激光雷达1和单线激光雷达2。
具体实施方式
本发明提供了一种基于车载传感器的无人泊车搬运机器人的对位方法。
如图1、图2、图7、图8、图9和图10所示，本发明的无人泊车搬运机器人基于其机械结构上的万向轮和承重轮实现灵活转向，且该机器人的横向展开宽度与纵向伸长长度均可调节，以适应不同轮距与轴距的绝大多数车辆，同时，无人泊车搬运机器人上布置的单线激光雷达2用于预对位阶段中该机器人与目标车辆的车轮的定位，无人泊车搬运机器人上布置的单点激光雷达1用于精准对位阶段中该机器人的举升装置与目标车辆的车轮轴的定位，从而完成该机器人与目标车辆的相对位置的估计与姿态调整。
<基于车载传感器的无人泊车搬运机器人的对位方法>
一种基于车载传感器的无人泊车搬运机器人的对位方法包括：预对位阶段与精准对位阶段。
(预对位阶段)
预对位阶段为：利用第一信息采集装置获取目标车辆的轮廓信息、及位置信息，以调整无人泊车搬运机器人的横向展开宽度、及与目标车辆的预对准角度，从而完成无人泊车搬运机器人与目标车辆的预对准。
具体地，(1)、利用第一信息采集装置获取目标车辆的点云数据，并通过DBSCAN算法对点云数据进行密度聚类分析；
(2)、对点云数据进行密度聚类分析后，基于RANSAC算法拟合目标车辆的轮廓的直角型特征与目标车辆的车轮的直角型特征，分别获取目标车辆的轮廓信息与目标车辆的位置信息；
(3)、根据目标车辆的轮廓信息调整无人泊车搬运机器人的横向展开宽度，以适应不同轮距的目标车辆从而提高空间利用率；根据目标车辆的位置信息调整无人泊车搬运机器人的主动轮与万向轮的方向，从而实现无人泊车机器人与目标车辆的预对准。
实际上，第一信息采集装置可以为单线激光雷达2，其分别布设于无人泊车搬运机器人的尾部。
在步骤(2)中，RANSAC算法包括如下步骤：
(2-1)、在单个点云数据簇中随机选取三个点作为直角型特征数学模型中的三个端点；
(2-2)、对该点云数据簇中余下的点逐一通过计算相对于(2-1)中的直角型特征数学模型构成的角特征两条边的距离，根据该距离判定其是否为该直角型特征数学模型的内群数据点，若判定出为内群数据点，则内群数据点的个数加1，直至对所有余下的点均判断完毕；
(2-3)、获取内群数据点的总数，根据该内群数据点的总数判定该直角型特征数学模型是否合理；若不合理，则重新选择数学模型；若合理，则进行第(2-4)步；
(2-4)、对合理的直角型特征数学模型中的内群数据点计算其相对于该直角型特征数学模型的边界距离的靠近程度；比较并更新当前的最大的距离靠近程度及其对应的模型；
(2-5)、重复执行步骤(2-1)至步骤(2-4)，当最大的距离靠近程度大于设定的检测阈值，或者达到指定的检测次数，退出检测，将此时最大的距离靠近程度的模型作为最合适表征直角型特征的模型。
(精准对位阶段)
精准对位阶段为：在上述预对位阶段的基础上，利用第二信息采集装置获取目标车辆的车轮轴信息，调整无人泊车搬运机器人的前侧的举升机械臂、后侧的举升机械臂分别与目标车辆的相对位置信息，从而完成无人泊车搬运机器人与目标车辆的精准对位。
具体地，利用第二信息采集装置获取目标车辆的车轮轴信息，在无人泊车搬运机器人的前侧的举升机械臂与目标车辆的前轮轴对齐后，锁紧无人泊车搬运机器人的主动轮；调整无人泊车搬运机器人的万向轮，通过纵向伸展装置来调整纵向伸长长度从而实现无人泊车搬运机器人的后侧的举升机械臂与目标车辆的后轮轴对齐。其中，在进行前轮轴与无人泊车搬运机器人的前侧的举升机械臂对齐的同时，对无人泊车搬运机器人相对于目标车辆的角度与位置进行微调，使得无人泊车搬运机器人与目标车辆之间的相对位置始终保持为目标位置。
实际上，第二信息采集装置可以为单点激光雷达1，其分别布设于无人泊车搬运机器人的前侧的举升机械臂附近和后侧的举升机械臂附近，具体位置需要结合实际调试而决定。
以下结合实施例对本发明作进一步的说明。
实施例：
本实施例的基于车载传感器的无人泊车搬运机器人的对位方法包括：预对位阶段与精准对位阶段。
其中，如图3所示，本实施例的预对位阶段中的第一信息采集装置为2个单线激光雷达2，其分别布设于无人泊车搬运机器人的尾部；精准对位阶段中的第二信息采集装置为4个单点激光雷达1，其分别布设于无人泊车搬运机器人的前侧的举升机械臂附近(2个)和后侧的举升机械臂附近(2个)(前侧的举升机械臂附近与后侧的举升机械臂附近的另外2个单点激光雷达均未在图中标示)。
具体地，预对位阶段的具体步骤包括：
(1)、如图4所示，利用单线激光雷达2采集目标车辆的车轮点云数据，然后利用DBSCAN算法对车轮点云数据进行密度聚类分析。
(2)、如图5所示，对密度聚类分析后的车轮点云数据，按簇采用RANSAC算法进行目标车辆的车轮直角型特征的提取，得到车轮信息，由此车轮信息获取该目标车辆的相对准确的位置信息。
同理，(3)、如图4所示，利用单线激光雷达2采集目标车辆的车身点云数据，然后利用DBSCAN算法对车身点云数据进行密度聚类分析。
(4)、如图5所示，对密度聚类分析后的车身点云数据，按簇采用RANSAC算法进行目标车辆的车身直角型特征的提取，得到轮廓信息，由此轮廓信息获取该机器人的横向展开宽度。即对目标车辆的轮廓(即车身信息)结合点云数据进行直角型特征的提取的原理和效果均与车轮一致，从而得到目标车辆的轮廓信息。
上述RANSAC算法用于直角型特征提取的数学模型为：
MODEL＝[P1x,P1y；P2x,P2y；P3x,P3y]
其中，P1、P2、P3表征的是直角型特征的三个端点，P2是直角型特征的中间角点。
具体地，利用RANSAC算法求解目标车辆的车轮(或车身)直角型特征的步骤如下：
(a)、在单个点云数据簇中随机选取三个点作为直角型特征数学模型中的三个端点；
(b)、对该点云数据簇中余下的点逐一通过计算相对于(a)中的直角型特征数学模型构成的角特征两条边的距离，根据该距离判定其是否为该直角型特征数学模型的内群数据点。当计算的距离小于设定的检测阈值时，该点被判定为内群数据点。若判定出为内群数据点，则内群数据点的个数加1，直至对所有余下的点均判断完毕；
(c)、获取内群数据点的总数，根据该内群数据点的总数判定该直角型特征数学模型是否合理；若不合理，则重新选择数学模型；若合理，则进行第(d)步；通常当内群的数据点大于该点云簇的数据点的2/3时，认为该数学模型合理；
(d)、对合理的直角型特征数学模型中的内群数据点计算其相对于该直角型特征数学模型拟合的矩形框的距离靠近程度；比较并更新当前的最大的距离靠近程度及其对应的模型；
(e)、重复执行步骤(a)至步骤(d)，当最大的距离靠近程度大于设定的检测阈值，或者达到指定的检测次数，退出检测，将此时最大的距离靠近程度的模型作为最合适表征直角型特征的模型。
步骤(d)中内群数据点相对于数学模型拟合的矩形框的距离靠近程度的计算方法如下：
Figure BDA0001807247500000061
其中，D1(i)为一个矩形框中的第一类数据点与对应的第一边线的距离，D2(j)为该矩形框中的第二类数据点与对应的第二边线的距离，第一边线和第二边线是该矩形框中具有直角型特征的两条边线，d0为距离阈值。根据内群数据点距离矩形框的直角型特征的两条边线的距离大小，将其划分为第一类数据点或者第二类数据点。
(3)、如图6所示，根据目标车辆的轮廓信息调整无人泊车搬运机器人的横向展开宽度，以适应不同轮距的目标车辆从而提高空间利用率；根据目标车辆的位置信息调整无人泊车搬运机器人的主动轮与万向轮的方向，使其与目标车辆的角度对准，从而实现无人泊车搬运机器人与目标车辆的预对准。
具体地，精准对位阶段的具体步骤包括：
(1)、如图8和图9所示，在预对位阶段结束后，无人泊车搬运机器人根据预对位阶段获取的目标车辆的位置信息，调整该机器人的主动轮与万向轮的方向并以某一固定的较低速度(该速度需要结合实际情况进行微调)向目标车辆移动；移动过程中，单点激光雷达1不断地检测目标车辆的车轮轴位置，来感知无人泊车搬运机器人与目标车辆的夹角与距离信息，通过与目标值的偏差，利用PID控制器来修正无人泊车搬运机器人的姿态。
实际上，PID控制器的模型为：
Figure BDA0001807247500000071
其中，[kp,ki,kd]为PID控制器的参数，kp为比例增益参数，ki为积分增益参数，kd为微分增益参数，u(t)为t时刻的无人泊车搬运机器人的主动轮的控制量，一般而言，PID控制器的参数是动态变化的，当然也可固定，具体的参数值需要实验进行标定调整，即PID控制器的参数需要根据实际的无人泊车搬运机器人的性能进行调节。
实际上，PID控制器是一个在工业控制应用中常见的反馈回路部件，该控制器把收集到的数据和一个参考值进行比较，然后把这个差别用于计算新的输入值，这个新的输入值的目的是可以让系统的数据达到或者保持在参考值，PID控制器可以根据历史数据和差别的出现来调整输入值，从而使系统更加准确且稳定。
(2)、当无人泊车搬运机器人前侧的举升机械臂与目标车辆的前轮轴共线(即与前轮轴对齐)时，无人泊车搬运机器人停止运动，锁紧其主动轮，保证该主动轮的位置不变。
(3)、如图10所示，接着利用单点激光雷达1检测与定位的目标车辆的后轮轴位置，打开无人泊车搬运机器人的纵向伸展装置，使得其后侧的举升机械臂与定位的目标车辆的后轮轴共线(即与后轮轴对齐)；在目标车辆的前轮轴与该机器人的前侧的举升机械臂对齐，且在目标车辆的后轮轴与该机器人的后侧的举升机械臂对齐时，对该机器人相对于目标车辆的角度与位置进行微调，使得该机器人与目标车辆之间的相对位置始终保持在目标位置，从而完成该机器人与目标车辆的精准对位。
上述对实施例的描述是为了便于该技术领域的普通技术人员能理解和使用本发明。熟悉本领域技术人员显然可以容易的对这些实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中，而不必经过创造性的劳动。因此，本发明不限于上述实施例。本领域技术人员根据本发明的原理，不脱离本发明的范畴所做出的改进和修改都应该在本发明的保护范围之内。

Claims (5)

1.一种基于车载传感器的无人泊车搬运机器人的对位方法，其特征在于：其包括：预对位阶段与精准对位阶段；
所述预对位阶段为：根据目标车辆的轮廓信息以调整无人泊车搬运机器人的横向展开宽度，及根据所述目标车辆的位置信息以调整所述无人泊车搬运机器人与所述目标车辆的预对准角度；
所述精准对位阶段为：在所述预对位阶段的基础上，根据所述目标车辆的车轮轴信息，以调整所述无人泊车搬运机器人与所述目标车辆的精对准角度及纵向伸长长度；
所述预对位阶段的具体步骤包括：
(1)、利用第一信息采集装置获取所述目标车辆的点云数据，并通过密度聚类算法对所述点云数据进行密度聚类分析；
(2)、对所述点云数据进行密度聚类分析后，基于随机抽样一致算法拟合所述目标车辆的轮廓的直角型特征与所述目标车辆的车轮的直角型特征，以分别获取所述目标车辆的轮廓信息与所述目标车辆的位置信息；
(3)、根据所述目标车辆的轮廓信息以调整所述无人泊车搬运机器人的横向展开宽度，并根据所述目标车辆的位置信息以调整所述无人泊车搬运机器人的主动轮与万向轮的方向实现所述无人泊车搬运机器人与所述目标车辆的预对准。
2.根据权利要求1所述的对位方法，其特征在于：所述第一信息采集装置为单线激光雷达；所述单线激光雷达布设于所述无人泊车搬运机器人的尾部。
3.根据权利要求1所述的对位方法，其特征在于：步骤(2)中，所述随机抽样一致算法包括如下步骤：
(2-1)、在单个点云数据簇中随机选取三个点作为直角型特征数学模型中的三个端点；
(2-2)、对该点云数据簇中余下的点逐一通过计算相对于(2-1)中的直角型特征数学模型构成的角特征的两条边的距离，根据所述距离判定其是否为所述直角型特征数学模型的内群数据点，若判定出为内群数据点，则内群数据点的个数加1，直至对所有余下的点均判断完毕；
(2-3)、获取内群数据点的总数，根据内群数据点的总数判定所述直角型特征数学模型是否合理；若不合理，则重新选择数学模型；若合理，则进行第(2-4)步；
(2-4)、对合理的直角型特征数学模型中的内群数据点计算其相对于所述直角型特征数学模型的边界的距离靠近程度；比较并更新当前的最大的距离靠近程度及其对应的模型；
(2-5)、重复执行步骤(2-1)至步骤(2-4)，当最大的距离靠近程度大于设定的检测阈值，或者达到指定的检测次数，退出检测，将此时最大的距离靠近程度的模型作为最合适表征直角型特征的模型。
4.根据权利要求1所述的对位方法，其特征在于：所述精准对位阶段的具体步骤包括：
利用第二信息采集装置获取所述目标车辆的车轮轴信息，在所述无人泊车搬运机器人的前侧的举升机械臂与所述目标车辆的前轮轴对齐后，调整所述无人泊车搬运机器人的纵向伸长长度，以实现所述无人泊车搬运机器人的后侧的举升机械臂与所述目标车辆的后轮轴对齐。
5.根据权利要求4所述的对位方法，其特征在于：所述第二信息采集装置为单点激光雷达；所述单点激光雷达均布设于所述无人泊车搬运机器人的前侧的举升机械臂附近和后侧的举升机械臂附近。
CN201811103330.8A 2018-09-20 2018-09-20 基于车载传感器的无人泊车搬运机器人的对位方法 Active CN109324616B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811103330.8A CN109324616B (zh) 2018-09-20 2018-09-20 基于车载传感器的无人泊车搬运机器人的对位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811103330.8A CN109324616B (zh) 2018-09-20 2018-09-20 基于车载传感器的无人泊车搬运机器人的对位方法

Publications (2)

Publication Number Publication Date
CN109324616A CN109324616A (zh) 2019-02-12
CN109324616B true CN109324616B (zh) 2021-06-18

Family

ID=65266115

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811103330.8A Active CN109324616B (zh) 2018-09-20 2018-09-20 基于车载传感器的无人泊车搬运机器人的对位方法

Country Status (1)

Country Link
CN (1) CN109324616B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110069993B (zh) * 2019-03-19 2021-10-08 同济大学 一种基于深度学习的目标车辆检测方法
CN110097047B (zh) * 2019-03-19 2021-10-08 同济大学 一种基于深度学习采用单线激光雷达的车辆检测方法
CN111119540A (zh) * 2019-12-30 2020-05-08 珠海丽亭智能科技有限公司 一种停车机器人货叉定位方法
CN111155817A (zh) * 2019-12-30 2020-05-15 珠海丽亭智能科技有限公司 一种停车机器人插取车辆方法
CN111846810B (zh) * 2020-07-17 2022-09-30 坎德拉（深圳）科技创新有限公司 配送机器人、自动配送方法、机器人系统及存储介质
CN113759906A (zh) * 2021-08-30 2021-12-07 广州文远知行科技有限公司 一种车辆对位方法、装置、计算机设备和存储介质
CN114879210B (zh) * 2022-07-12 2022-09-20 吉光半导体科技有限公司 一种目标物动作监测方法、装置以及计算机设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103342101A (zh) * 2013-06-14 2013-10-09 北京航空航天大学 感应式非接触充电定位对准装置及其定位方法
CN106276285A (zh) * 2015-05-29 2017-01-04 宝山钢铁股份有限公司 组料垛位自动检测方法
CN207662627U (zh) * 2018-01-04 2018-07-27 无锡沃尔福汽车技术有限公司 一种发动机快装小车预对中装置

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SE509736C2 (sv) * 1997-05-28 1999-03-01 Autofill Patent Ab Anordning för positionering vid automattankning av fordon
JP2005290813A (ja) * 2004-03-31 2005-10-20 Honda Motor Co Ltd 駐車誘導ロボット
JP4793171B2 (ja) * 2006-08-25 2011-10-12 株式会社デンソー 駐車支援装置
JP2009101776A (ja) * 2007-10-22 2009-05-14 Toyota Motor Corp 車両用駐車支援装置
US8734078B2 (en) * 2010-08-12 2014-05-27 Bec Companies Inc. Automated automotive vehicle parking/storage system
KR101224875B1 (ko) * 2010-12-21 2013-01-22 대우조선해양 주식회사 라인 레이저를 이용한 위치 정렬 방법
JP6303377B2 (ja) * 2013-10-04 2018-04-04 アイシン精機株式会社 駐車支援装置
CN104895369B (zh) * 2015-06-10 2017-05-24 深圳怡丰机器人科技有限公司 一种可侧向搬运汽车的智能机器人
CN105487548A (zh) * 2015-12-07 2016-04-13 哈尔滨工程大学 一种欠驱动水下机器人远距离精确自主搭载对接控制方法
CN106812361B (zh) * 2016-06-03 2018-08-07 江苏中泰停车产业有限公司 一种组合式双向运动的智能车库搬运机器人
CN206438811U (zh) * 2016-12-30 2017-08-25 沈阳智远弘业机器人有限公司 带自动对中装置的机器人自动泊车系统
CN107269076B (zh) * 2017-05-22 2019-04-12 北京泊宝机器人科技有限公司 一种车辆搬运器的车轮定位方法及系统
CN207092655U (zh) * 2017-08-23 2018-03-13 天津农学院 提高定位精确度的立体车库汽车定位系统
CN207453598U (zh) * 2017-10-17 2018-06-05 陕西隆翔停车设备集团有限公司 一种车辆对中装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103342101A (zh) * 2013-06-14 2013-10-09 北京航空航天大学 感应式非接触充电定位对准装置及其定位方法
CN106276285A (zh) * 2015-05-29 2017-01-04 宝山钢铁股份有限公司 组料垛位自动检测方法
CN207662627U (zh) * 2018-01-04 2018-07-27 无锡沃尔福汽车技术有限公司 一种发动机快装小车预对中装置

Also Published As

Publication number Publication date
CN109324616A (zh) 2019-02-12

Similar Documents

Publication Publication Date Title
CN109324616B (zh) 基于车载传感器的无人泊车搬运机器人的对位方法
CN102591332B (zh) 用于无人驾驶汽车局部路径规划的装置及方法
CN106681327B (zh) 一种大惯性电动客车的智能驾驶横纵向解耦控制方法及系统
CN109186625B (zh) 智能车辆利用混合采样滤波进行精确定位的方法及系统
CN109866762B (zh) 基于高精度地图的自主平行泊车方法
CN111768647A (zh) 一种基于移动边缘计算的自主泊车方法和装置
CN112606830B (zh) 一种基于混合a*算法的两段式自主泊车路径规划方法
CN102658819B (zh) 一种基于仿人智能控制的汽车自动泊车入位方法
CN107037818A (zh) 一种无人驾驶汽车的路径跟踪方法
CN104118430B (zh) 一种基于滑模自抗扰控制的平行泊车系统及泊车方法
DE102016208282A1 (de) Fahrzeugsteuerungsvorrichtung
CN112026773B (zh) 一种自动驾驶弯道行驶加速度规划方法
DE102019211225A1 (de) Kollisionsvermeidungseinrichtung
US20210325896A1 (en) Braking control behaviors for autonomous vehicles
DE102018117916A1 (de) Wegplanung für das autonome Fahren
CN109017793A (zh) 基于前后轴融合参考的自主招车导航及控制方法
WO2020103532A1 (zh) 一种多轴电客车自导向方法
CN111267862B (zh) 一种依赖跟随目标的虚拟车道线构造方法和系统
CN105372078A (zh) 轮式拖拉机的转弯控制方法及装置
Guo et al. Regional path moving horizon tracking controller design for autonomous ground vehicles
CN111746537B (zh) 基于路面平整度的自适应巡航车速控制系统、方法及车辆
CN111457933B (zh) 用于确定车道等级静态和动态信息的方法和设备
CN104608768B (zh) 一种前方目标车辆进入弯道和进行换道的辨别装置及方法
Liyang et al. Path planning based on clothoid for autonomous valet parking
DE102020105657A1 (de) Verfahren und Systeme für die Kartierung und Lokalisierung eines Fahrzeuges

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