CN110441788B - 一种基于单线激光雷达的无人艇环境感知方法 - Google Patents

一种基于单线激光雷达的无人艇环境感知方法 Download PDF

Info

Publication number
CN110441788B
CN110441788B CN201910705043.2A CN201910705043A CN110441788B CN 110441788 B CN110441788 B CN 110441788B CN 201910705043 A CN201910705043 A CN 201910705043A CN 110441788 B CN110441788 B CN 110441788B
Authority
CN
China
Prior art keywords
target
laser radar
unmanned ship
point cloud
speed
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
CN201910705043.2A
Other languages
English (en)
Other versions
CN110441788A (zh
Inventor
周治国
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN201910705043.2A priority Critical patent/CN110441788B/zh
Publication of CN110441788A publication Critical patent/CN110441788A/zh
Application granted granted Critical
Publication of CN110441788B publication Critical patent/CN110441788B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
    • G01S17/06—Systems determining position data of a 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
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
    • G01S17/50—Systems of measurement based on relative movement of target
    • G01S17/58—Velocity or trajectory determination systems; Sense-of-movement determination 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
    • 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
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Optical Radar Systems And Details Thereof (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明涉及无人艇环境感知技术领域，具体是一种基于单线激光雷达的无人艇环境感知方法，针对小型高速无人艇自主航行时的近距离避障需求，在检测步骤中依据点云反射强度滤除水面无效回波，根据障碍距离调整DBSCAN聚类参数，在跟踪步骤中采用最近邻数据关联方法进行帧间数据匹配，使用线性卡尔曼滤波器框架下的交互多模型进行运动状态估计，并提出了根据目标机动性自适应调整过程噪声协方差矩阵方法以增强滤波器的适应能力，本发明，可以在低海况场景下可以很好完成40米范围内的检测与跟踪，在无风浪且无人艇平稳行驶的环境下，激光雷达几乎不会出现漏检，而在点云聚类和目标关联问题上，聚类错误率较低，帧间目标可以很好的匹配。

Description

一种基于单线激光雷达的无人艇环境感知方法
技术领域
本发明涉及无人艇环境感知技术领域，具体是一种基于单线激光雷达的无人艇环境感知方法。
背景技术
无人艇作为可以自主完成导航、避障与任务执行的水面平台，可以搭载不同的传感器与设备完成不同的任务功能，随着无人艇在军民领域的应用不断展开，体积小型化逐渐成为无人艇发展的一大趋势。小型无人艇由于作业半径较小且速度较高，对近距离运动目标的检测与跟踪技术显得尤为重要，直接关系着其作业安全性和任务执行的有效性。
无人艇搭载的用于水面环境感知的传感器可以分为雷达与视觉传感器两类。对于小型无人艇的近距离环境感知，航海雷达有着如下缺陷：航海雷达体积较大，小型无人艇空间有限，较难安装；分辨率有限，只能获取目标的二维位置信息，不能有效的检测目标的轮廓；现有的部分航海雷达虽然采用了FMCW技术解决了传统脉冲雷达的探测盲区问题，但是对近距离的小型目标和机动目标检测效果不理想；扫描频率较低，以目前应用最广的Simrad 4G雷达为例，其天线的最高转速为48转/分钟，对于在小范围场景工作下的较高速度航行的无人艇，显然无法满足需要，因此，针对以上现状，迫切需要开发一种基于单线激光雷达的无人艇环境感知方法，以克服当前实际应用中的不足。
发明内容
本发明的目的在于提供一种基于单线激光雷达的无人艇环境感知方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种基于单线激光雷达的无人艇环境感知方法，包括以下步骤：
步骤一：测试激光雷达在真实场景中环境下的感知范围和检测能力，根据结果对无效点云进行滤除；
步骤二：无效点云滤除后，使用DBSCAN算法进行点云聚类；
步骤三：使用最近邻数据关联方法进行帧间数据匹配；
步骤四：在线性卡尔曼滤波器框架下使用交互多模型估计运动目标状态，根据目标机动性大小自适应调整过程噪声协方差矩阵。
作为本发明进一步的方案：步骤一中所述激光雷达为Lase-2000D激光雷达。
作为本发明进一步的方案：步骤一中真实场景下的测试包括在陆地户外自然光照环境下选取人体表面、黑色金属、木纸板进行测量，测量距离为5-65米，每10米进行一次。
作为本发明进一步的方案：反射强度值在10以下的反射点视作无效点云。
作为本发明进一步的方案：步骤二中影响分割结果的参数是邻域范围ε与邻域内样本数量minpts，以等距相邻点的弧长1为参考，设置分割参数，分割参数的公式为：
Figure BDA0002150213670000021
其中d为目标距激光雷达的直线距离，σ为激光雷达水平分辨率。
作为本发明进一步的方案：步骤三中，在激光雷达的第k次测量前，经过聚类处理后
的N个目标已经形成了N条航迹，传感器第k次测量提供的数据为：
Zj(k)＝[(xj1，yj1)，(xj2，yj2)，...(xjm，yjm)]
其中j＝1，2，...，N，m为一个独立目标返回的点云数量，具体值由聚类结果确定，为方便计算，以同一目标所包含所有点云的中心坐标作为目标的位置估计：
Figure BDA0002150213670000022
而后在第i个航迹关联波门内部计算观测值与预测值的矢量差作为滤波器残差：
Figure BDA0002150213670000023
设统计距离为：
Figure BDA0002150213670000024
设圆形波门半径为r＝3，把
Figure BDA0002150213670000025
的点云作为待选取目标，如果波门内只有唯一目标，则直接以其中心位置作为新航迹，如果有多个目标，则选择最小时作为关联航迹。
作为本发明进一步的方案：步骤四中，在保持观测噪声协方差矩阵不变的情况下，根据目标速度大小自适应调整过程噪声协方差矩阵Q，增强卡尔曼滤波器的自适应性，最大程度达到目标运动状态的准确估计，Q的具体选择与目标机动性直接相关，滤波器残差v(k)可以表现当前时刻预测值和观测值差异，是衡量目标机动性的标准，所以构建不等式以判定目标机动性：
Figure BDA0002150213670000031
为避免噪声的不确定性影响，设置固定时间窗口，当滤波器残差连续五个时刻大于设定阈值，则认定目标发生机动，然后调节Q值，根据之前的仿真结果，认为过程噪声协方差为速度的线性关系，运动目标速度范围为[1.25]，设置：
0.05I2*2≤Q≤0.5I2*2
Q(k)＝(a×est_v+b)I2*2
其中，a＝-0.01875，b＝0.51875。
与现有技术相比，本发明的有益效果是：
1.本发明针对小型高速水面无人艇近距离检测与跟踪这一问题，结合实际水域环境特点确定具体的数据处理流程，提供了一种基于单线激光雷达的无人艇环境感知方法，激光雷达点云数据经过水面无效点云滤除、DBSCAN聚类、最近邻数据关联与运动状态估计四个步骤最终获取水面运动目标的位置与运动状态信息。
2.实船数据验证了本方法可以在低海况场景下可以很好完成40米范围内的检测与跟踪，在无风浪且无人艇平稳行驶的环境下，激光雷达几乎不会出现漏检，但是在无人艇自身发生机动时，俯仰角和侧倾角的瞬时变化会使目标检测受到影响，而在点云聚类和目标关联问题上，因为水面目标较为稀疏，所以聚类错误率较低，帧间目标可以很好的匹配。
附图说明
图1为基于单线激光雷达的无人艇环境感知方法中激光雷达反射强度示意图。
图2为基于单线激光雷达的无人艇环境感知方法中点云聚类结果示意图。
图3为交互多模型仿真实验路径示意图。
图4为仿真实验结果示意图。
图5为处理实船试验数据后得到的环境感知结果示意图。
图6为一段时间内的运动目标运动状态估计结果示意图。
具体实施方式
下面结合具体实施方式对本专利的技术方案作进一步详细地说明。
实施例1
请参阅图1～6，本发明实施例中，一种基于单线激光雷达的无人艇环境感知方法，包括以下步骤：
步骤一：测试激光雷达在真实场景中环境下的感知范围和检测能力，根据结果对无效点云进行滤除；
步骤二：无效点云滤除后，使用DBSCAN算法进行点云聚类；
步骤三：使用最近邻数据关联方法进行帧间数据匹配；
步骤四：在线性卡尔曼滤波器框架下使用交互多模型估计运动目标状态，根据目标机动性大小自适应调整过程噪声协方差矩阵。
实施例2
本实施例中，所述步骤一中所述激光雷达为Lase-2000D激光雷达。
本实施例中，所述步骤一中真实场景下的测试包括在陆地户外自然光照环境下选取人体表面、黑色金属、木纸板进行测量，测量距离为5-65米，每10米进行一次，并得出反射强度值在10以下视作无效点云。
本实施例中，所述步骤二中影响分割结果的参数是邻域范围ε与邻域内样本数量minpts，以等距相邻点的弧长1为参考，设置分割参数，分割参数的公式为：
Figure BDA0002150213670000041
其中d为目标距激光雷达的直线距离，σ为激光雷达水平分辨率。
本实施例中，所述步骤三中，在激光雷达的第k次测量前，经过聚类处理后的N个目标已经形成了N条航迹，传感器第k次测量提供的数据为：
Zj(k)＝[(xj1，yj1)，(xj2，yj2)，...(xjm，yjm)]
其中j＝1，2，...，N，m为一个独立目标返回的点云数量，具体值由聚类结果确定，为方便计算，以同一目标所包含所有点云的中心坐标作为目标的位置估计：
Figure BDA0002150213670000051
而后在第i个航迹关联波门内部计算观测值与预测值的矢量差作为滤波器残差：
Figure BDA0002150213670000052
设统计距离为：
Figure BDA0002150213670000053
设圆形波门半径为r＝3，把
Figure BDA0002150213670000054
的点云作为待选取目标，如果波门内只有唯一目标，则直接以其中心位置作为新航迹，如果有多个目标，则选择最小时作为关联航迹。
本实施例中，所述步骤四中，在保持观测噪声协方差矩阵不变的情况下，根据目标速度大小自适应调整过程噪声协方差矩阵Q，增强卡尔曼滤波器的自适应性，最大程度达到目标运动状态的准确估计，Q的具体选择与目标机动性直接相关，滤波器残差v(k)可以表现当前时刻预测值和观测值差异，是衡量目标机动性的标准，所以构建不等式以判定目标机动性：
Figure BDA0002150213670000055
为避免噪声的不确定性影响，设置固定时间窗口。当滤波器残差连续五个时刻大于设定阈值，则认定目标发生机动，然后调节Q值，根据之前的仿真结果，认为过程噪声协方差为速度的线性关系，运动目标速度范围为[1.25]。设置：
0.05I2*2≤Q≤0.5I2*2
Q(k)＝(a×est_v+b)I2*2
其中，a＝-0.01875，b＝0.51875。
实施例3
为验证参数选择的合理性，在匀变速场景下设计仿真实验，认为目标速度分别为1m/s和25m/s，在如图3所示的路径c中变速行驶，其结果如下：
(a)中为Q＝0.05I2*2的速度与航向估计，由于观测模型的信任度提高，所以在目标加速度和航向都发生改变的路径点b与c附近，速度估计结果都能够快速更新至目标实际速度，虽然在目标低速阶段出现了误差较大的几帧数据，不过总体的速度估计是比较准确的。但是在航向估计上，由于目标在路径点b的速度只有1m/s，所以在第200帧前后的结果出现了较大的误差，这与之前的仿真实验结论是吻合的，随着目标速度的不断增大，航向估计结果也更加准确。
(b)中为Q＝0.5I2*2的实验结果，由于更加信任预测模型，所以两组曲线较之于(a)都更平稳，但是相对于实际值都表现出了明显的“滞后”特点。速度估计方面，目标由路径点a到b做匀减速运动，运动方向也在不断变化，估计结果几乎始终以较大误差位于实际曲线上方。而在180帧前后的路径点b和250帧前后的路径点c附近，目标速度和航向的同时变化对滤波步骤有着较大影响，无法即使判断实际状态，错误的估计结果又持续了约50帧，而后才与实际曲线较好拟合。而在320帧的路径点d前后，目标依然以25m/s匀速行驶，只是航向发生了较大改变，可以看出速度估计又出现了较大波动，约40帧后才逐渐消除预测模型对结果的错误影响，接近真实速度。而在航向估计方面，较小的过程噪声设置虽然没有产生(a)中路径点b附近产生的严重误差，但是与速度估计曲线一样出现了收敛速度过慢的问题，图中的两个极值点分别为路径点c与d，其前后的估计精度比(a)较差，只有在目标航向变化率一致的路径d-e段，航向估计结果才逐渐达到了与(a)中近似的精度。
(c)为根据目标速度自适应调整过程噪声协方差矩阵后的估计结果，很好的解决了值较大时对低速目标航向估计不准确和值较小时对与机动目标的状态估计曲线收敛速度过慢的问题。
该基于单线激光雷达的无人艇环境感知方法，激光雷达点云数据经过水面无效点云滤除、DBSCAN聚类、最近邻数据关联与运动状态估计四个步骤最终获取水面运动目标的位置与运动状态信息，实船数据验证了本方法可以在低海况场景下可以很好完成40米范围内的检测与跟踪，在无风浪且无人艇平稳行驶的环境下，激光雷达几乎不会出现漏检，但是在无人艇自身发生机动时，俯仰角和侧倾角的瞬时变化会使目标检测受到影响，而在点云聚类和目标关联问题上，因为水面目标较为稀疏，所以聚类错误率较低，帧间目标可以很好的匹配。
以上的仅是本发明的优选实施方式，应当指出，对于本领域的技术人员来说，在不脱离本发明构思的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。

Claims (2)

1.一种基于单线激光雷达的无人艇环境感知方法，其特征在于，包括以下步骤：
步骤一：测试激光雷达在真实场景中环境下的感知范围和检测能力，根据结果对无效点云进行滤除；
步骤二：无效点云滤除后，设置DBSCAN聚类参数优化分割效果；
步骤三：使用最近邻数据关联方法进行帧间数据匹配；
步骤四：在线性卡尔曼滤波器框架下使用交互多模型估计运动目标状态，根据目标机动性大小自适应调整过程噪声协方差矩阵；
步骤一中所述激光雷达为Lase-2000D激光雷达，步骤一中真实场景下的测试包括在陆地户外自然光照环境下选取人体表面、黑色金属、木纸板进行测量，测量距离为5-65米，每10米进行一次，反射强度值在10以下的反射点视作无效点云，步骤二中影响分割结果的参数是邻域范围ε与邻域内样本数量minpts，以等距相邻点的弧长l为参考，设置分割参数,分割参数的公式为：
Figure FDA0002834287070000011
其中d为目标距激光雷达的直线距离，σ为激光雷达水平分辨率；
步骤三中，在激光雷达的第k次测量前，经过聚类处理后的N个目标已经形成了N条航迹，传感器第k次测量提供的数据为：
Zj(k)＝[(xj1,yj1),(xj2,yj2),...(xjm,yjm)]
其中j＝1,2,...,N，m为一个独立目标返回的点云数量，具体值由聚类结果确定，为方便计算，以同一目标所包含所有点云的中心坐标作为目标的位置估计：
Figure FDA0002834287070000012
而后在第i个航迹关联波门内部计算观测值与预测值的矢量差作为滤波器残差：
Figure FDA0002834287070000013
设统计距离为：
Figure FDA0002834287070000021
设圆形波门半径为r＝3，把
Figure FDA0002834287070000022
的点云作为待选取目标，如果波门内只有唯一目标，则直接以其中心位置作为新航迹，如果有多个目标，则选择最小时作为关联航迹。
2.根据权利要求1所述的基于单线激光雷达的无人艇环境感知方法，其特征在于，步骤四中，在保持观测噪声协方差矩阵不变的情况下，根据目标速度大小自适应调整过程噪声协方差矩阵Q，增强卡尔曼滤波器的自适应性，最大程度达到目标运动状态的准确估计,Q的具体选择与目标机动性直接相关，滤波器残差v(k)可以表现当前时刻预测值和观测值差异，是衡量目标机动性的标准，所以构建不等式以判定目标机动性:
Figure FDA0002834287070000023
为避免噪声的不确定性影响，设置固定时间窗口，当滤波器残差连续五个时刻大于设定阈值，则认定目标发生机动，然后调节Q值,根据之前的仿真结果，认为过程噪声协方差为速度的线性关系，运动目标速度范围为[1.25]，设置：
0.05I2*2≤Q≤0.5I2*2
Q(k)＝(a×est_v+b)I2*2
其中，a＝-0.01875，b＝0.51875。
CN201910705043.2A 2019-07-31 2019-07-31 一种基于单线激光雷达的无人艇环境感知方法 Active CN110441788B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910705043.2A CN110441788B (zh) 2019-07-31 2019-07-31 一种基于单线激光雷达的无人艇环境感知方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910705043.2A CN110441788B (zh) 2019-07-31 2019-07-31 一种基于单线激光雷达的无人艇环境感知方法

Publications (2)

Publication Number Publication Date
CN110441788A CN110441788A (zh) 2019-11-12
CN110441788B true CN110441788B (zh) 2021-06-04

Family

ID=68432599

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910705043.2A Active CN110441788B (zh) 2019-07-31 2019-07-31 一种基于单线激光雷达的无人艇环境感知方法

Country Status (1)

Country Link
CN (1) CN110441788B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112986973B (zh) * 2019-12-18 2024-10-18 华为技术有限公司 距离测量方法和距离测量装置
CN111239766B (zh) * 2019-12-27 2021-12-07 北京航天控制仪器研究所 基于激光雷达的水面多目标快速识别跟踪方法
CN113030901B (zh) * 2021-04-01 2022-09-20 中国石油大学(华东) 一种结合姿态仪与毫米波雷达的无人船前方多目标跟踪检测方法
CN113281782A (zh) * 2021-05-08 2021-08-20 北京联合大学 一种基于无人驾驶车的激光雷达雪点滤除方法
CN113671520B (zh) * 2021-08-11 2024-09-10 数量级(上海)信息技术有限公司 一种量子激光雷达的测距滤波跟踪方法及系统
CN115542308B (zh) * 2022-12-05 2023-03-31 德心智能科技(常州)有限公司 基于毫米波雷达的室内人员探测方法、装置、设备及介质
CN115656982B (zh) * 2022-12-13 2023-06-09 中国南方电网有限责任公司超高压输电公司广州局 水面杂波去除方法、装置、计算机设备和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106981071A (zh) * 2017-03-21 2017-07-25 广东华中科技大学工业技术研究院 一种基于无人艇应用的目标跟踪方法
CN108460416A (zh) * 2018-02-28 2018-08-28 武汉理工大学 一种基于三维激光雷达的结构化道路可行域提取方法
KR101937267B1 (ko) * 2017-09-22 2019-01-10 현대오트론 주식회사 차량용 트래킹 시스템 및 그것의 동작 방법
CN109725331A (zh) * 2019-03-18 2019-05-07 燕山大学 一种基于激光雷达的无人艇避障方法
CN109828566A (zh) * 2019-01-30 2019-05-31 华南理工大学 一种水面无人艇自主航行方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106981071A (zh) * 2017-03-21 2017-07-25 广东华中科技大学工业技术研究院 一种基于无人艇应用的目标跟踪方法
KR101937267B1 (ko) * 2017-09-22 2019-01-10 현대오트론 주식회사 차량용 트래킹 시스템 및 그것의 동작 방법
CN108460416A (zh) * 2018-02-28 2018-08-28 武汉理工大学 一种基于三维激光雷达的结构化道路可行域提取方法
CN109828566A (zh) * 2019-01-30 2019-05-31 华南理工大学 一种水面无人艇自主航行方法
CN109725331A (zh) * 2019-03-18 2019-05-07 燕山大学 一种基于激光雷达的无人艇避障方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Virtual Bubble Filtering based on Heading Angle and Velocity for Unmanned Surface Vehicle (USV);Ihn-Sik Weon等;《2017 17th International Conference on Control, Automation and Systems》;20171231;全文 *
基于三维激光雷达的智能汽车障碍物检测与跟踪;郑正扬;《中国优秀硕士学位论文全文数据库工程科技II辑》;20190215;第44页1段至第58页最后1段 *
基于单线激光雷达的障碍物检测与跟踪研究;庄秀华;《中国优秀硕士学位论文全文数据库信息科技辑》;20150315;第18页第4段至第22页第6段、第25页第1段至第28页第2段、第35页第1段至第38页第1段 *

Also Published As

Publication number Publication date
CN110441788A (zh) 2019-11-12

Similar Documents

Publication Publication Date Title
CN110441788B (zh) 一种基于单线激光雷达的无人艇环境感知方法
CN106249232B (zh) 基于目标运动态势信息数据关联策略的目标跟踪方法
CN109239709B (zh) 一种无人船的局部环境地图自主构建方法
CN106204629A (zh) 天基雷达与红外数据融合在轨动目标检测方法
CN110132284B (zh) 一种基于深度信息的全局定位方法
CN112394726B (zh) 一种基于证据理论的无人船障碍物融合检测方法
CN111899568A (zh) 桥梁防撞预警系统、方法、装置和存储介质
CN111796288B (zh) 一种基于杂波频谱补偿技术的三坐标雷达动目标处理方法
CN113963025B (zh) 水下自适应机动目标快速跟踪及追踪方法
CN110472500A (zh) 一种基于高速无人艇的水面视觉目标快速检测算法
CN111929676B (zh) 一种基于密度聚类的x波段雷达目标检测与跟踪方法
Wang et al. Estimation of ship berthing parameters based on Multi-LiDAR and MMW radar data fusion
CN113238208B (zh) 非规则轨迹水中运动目标前向声散射多普勒频移计算方法
JP5971981B2 (ja) 目標運動予測装置及び目標運動予測方法
Zhang et al. Adaptive maneuvering target tracking with 2-HFSWR multisensor surveillance system
CN114740448B (zh) 用于车载雷达的目标状态估计方法、装置及存储介质
CN110388917B (zh) 飞行器单目视觉尺度估计方法和装置、飞行器导航系统及飞行器
CN115773756A (zh) 一种面向全态势感知的目标信息融合方法
Lan et al. A ship high-precision positioning method in the lock chamber based on LiDAR
CN112198504B (zh) 一种主被动观测特征交织的融合滤波方法
CN110542902B (zh) 一种适用于车载毫米波雷达的简易测高方法
Suzuki et al. Model-based vehicle position estimation using millimeter wave radar
CN113837295A (zh) 一种超声波传感器自动泊车的余弦相似关系计算方法
Fan et al. Attitude Adaptive Robust Strong Tracking Kalman Filter Based on Unmanned Surface Vehicle Navigational Radar Target Tracking
RU2815305C1 (ru) Способ и устройство сопровождения маневрирующих целей в обзорной доплеровской рлс

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