CN110488823A - 一种新型智能巡线小车控制方法 - Google Patents
一种新型智能巡线小车控制方法 Download PDFInfo
- Publication number
- CN110488823A CN110488823A CN201910752191.XA CN201910752191A CN110488823A CN 110488823 A CN110488823 A CN 110488823A CN 201910752191 A CN201910752191 A CN 201910752191A CN 110488823 A CN110488823 A CN 110488823A
- Authority
- CN
- China
- Prior art keywords
- racing track
- image
- control method
- intelligent line
- novel intelligent
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000011218 segmentation Effects 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 13
- 230000005540 biological transmission Effects 0.000 claims description 7
- 230000004069 differentiation Effects 0.000 claims description 7
- 101100256746 Mus musculus Setdb1 gene Proteins 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000003321 amplification Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims 2
- 241000736199 Paeonia Species 0.000 claims 1
- 235000006484 Paeonia officinalis Nutrition 0.000 claims 1
- 238000012512 characterization method Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002902 bimodal effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 235000021170 buffet Nutrition 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 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
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
本发明公开了一种新型智能巡线小车控制方法,该控制方法包括以下步骤:1)采集赛道图像信息;2)对赛道图像信息进行二值化;3)解算车体目标位置;4)跟踪与反馈偏差;5)运算并输出控制量。该控制方法采用赛道采集摄像头获取赛道图像信息,通过动态阈值方法(大津法)将赛道图像信息二值化,并通过三阶拟合方法对行进车体进行位置拟合解算。最后,运用微分跟踪器快速跟踪车体速度方向并由主控电路和主控制器完成控制量的运算和输出,从而实现对智能巡线小车进行更实时,更准确的运动控制。
Description
技术领域
本发明属于智能汽车和自动驾驶汽车技术领域,具体涉及一种新型智能巡线小车控制方法。
背景技术
智能车辆是一个集环境感知、规划决策、多等级辅助驾驶等功能于一体的综合系统,它集中运用了计算机、现代传感、信息融合、通讯、人工智能及自动控制等技术,是典型的高新技术综合体。随着自动驾驶汽车行业的兴起,智能化技术应用在汽车行业上成为了汽车工业竞争的重点。而目前绝大多数竞赛智能汽车的控制方案都存在精度不高,跟踪控制较慢,解算误差大的缺陷。
发明内容
本发明的目的是为了解决现有技术中的上述缺陷,提供一种新型智能车控制方法,该控制方法与智能车设备结合,通过微分跟踪、图像处理、以及位置解算等技术的运用,使得智能巡线小车能够快速准确跟踪目标信号,从而使得智能巡线小车的控制具有更强的鲁棒性、更好的控制性能以及最优化的控制效果。
本发明的目的可以通过采取如下技术方案达到:
一种新型智能巡线小车控制方法,包括以下步骤:
S1、赛道采集摄像头采集赛道图像数据;
S2、通过动态阈值方法处理赛道图像数据I(x,y)并二值化得到赛道二值化图像W(x,y);
S3、依据赛道二值化图像W(x,y)完成行进车体的位置解算;
S4、微分跟踪器实时跟踪行进车体的速度及方向信号并反馈;
S5、主控制器和主控MCU电路运算并输出控制量。
进一步地,所述的步骤S1过程如下:
摄像头采集电路接收到主控MCU电路传送的采集信号,赛道采集摄像头采集赛道图像并通过8位的并行口把赛道图像数据I(x,y)传输到主控MCU电路中。运用并行传输方式相比于传统的串行传输极大的提高了传输速率,从而较好地改善提高了控制的实时性。
其中,赛道采集摄像头采用山外鹰眼摄像头,该摄像头具有极高的采集和传输速率。
进一步地,所述的步骤S2过程如下:
S21、对于赛道图像数据I(x,y),将作为目标的前景和背景的分割阈值定义为T,属于前景的像素点数占整幅图像的比例定义为ω0,其平均灰度定义为μ0;背景像素点数占整幅图像的比例定义为ω1,其平均灰度定义为μ1。图像的总平均灰度定义为μ,类间方差定义为g;因为方差是灰度分布均匀性的一种度量,背景和前景之间的类间方差越大,说明构成图像的两部分的差别越大。差别则决定了图像分割的难易程度。
S22、假设赛道图像的背景较暗,并且图像的大小为M×N,M为图像长度,N为图像宽度,赛道图像中像素的灰度值小于分割阈值T的像素个数记作N0,像素灰度大于分割阈值T的像素个数记作N1,则有:
N0+N1=M×N
ω0+ω1=1
μ=ω0×μ0+ω1×μ1
g=ω0(μ0-μ)2+ω1(μ1-μ)2
整理得到等价公式:
g=ω0ω1(μ0-μ1)2
采用遍历计算的方法得到使该类间方差g最大的分割阈值T,此时分割阈值T即为所求将图像二值化的阈值;
S23、运用分割阈值T对赛道图像数据I(x,y)进行阈值二值化分割得到只有0和1表征的赛道二值化图像W(x,y)。
上述的动态阈值方法(OTSU)是一种确定图像二值化分割阈值的算法,OTSU算法也称最大类间差法,按图像的灰度特性,将图像分成背景和前景两部分。因方差是灰度分布均匀性的一种度量,背景和前景之间的类间方差越大,说明构成图像的两部分的差别越大,当部分前景错分为背景或部分背景错分为前景都会导致两部分差别变小。因此,使类间方差最大的分割意味着错分概率最小。同时也最适合用于做图像二值化的阈值。。
进一步地,所述的步骤S3过程如下:
S31、由赛道二值化图像W(x,y)可知,0代表赛道外,即黑色部分,1代表赛道内,即白色部分,定义赛道边缘黑白交界处色块Pleft(x1,y1),Pright(x2,y2),则赛道中点P定义为:
S32、根据赛道二值化图像W(x,y)得到的所有中点P,取连续4个点P1、P2、P3、P4,定义拟合时间为t,中线拟合函数为B(t)根据三阶Beizer曲线拟合和数据平滑方法得到:
B(t)=P1(1-t)3+3P2t(1-t)2+3P3t2(1-t)+P4t3,t∈[0,1];
越高的阶次越能具有越高的非线性曲线还原能力以及对曲线变化趋势的预测能力。采用三阶可以更好的预测S弯,假弧弯等复杂赛道和路况变化。
S33、依据赛道采集摄像头与车身的相对位置关系,根据B(t)即可解算出目前行进车体和赛道的位置关系。其关系由每一辆车的机械设计结构方法和空间参数决定。
进一步地,所述步骤S4的过程如下:
S41、微分跟踪器(TD)为了实现微分跟踪,定义微分输出为y、环境变化的干扰噪声为rn(t),其中,常量r为增益倍率、滞后时间T、s为频率特性参量、微分环节的输入为速度v,使用如下形式的微分(电路)环节来获取微分信号:
该方法准确获取了微分信号,但不可避免的会让信号产生高频抖振。
S42、根据最优控制的思想(time-optimal control,TOD)提出的非线性跟踪微分器。如果要实现对期望信号的快速准确跟踪,需要提高加速度限制的参数R,但是这会导致微分信号高频抖振的幅度更大。为了消除高频抖振,引入最速控制综合函数fhan(x1,x2,r,h0):
fh=fhan(x1(i)-u(i),x2(i),R,h0),
x1(i+1)=x1(i)+h×x2(i),
x2(i+1)=x2(i)+h×fh,
其中h、h0为采样时间,i为离散系统步数,xn(i)为当前系统步数下的状态空间表达式,n为阶次,取值为(1,+∞),当n取1时,x1(i)为一阶离散系统在这一时刻(步长)下的状态空间表达式,x2(i)为二阶离散系统在这一时刻(步长)下的状态空间表达式。
微分跟踪器TD与主控制器的PID算法有效地提取了原始信号,克服消极因素,有较强的抗噪声的能力,无超调的跟踪原始信号。
进一步地,所述的步骤S5过程如下:
S51、主控制器和主控MCU电路采用经典PID控制算法,P为比例环节,I为积分环节,D为微分环节,定义偏差为E,其设定值为Eset;位置偏差为e,其设定值为eset首先对位置解算结果B(t)和微分跟踪器结果计算偏差:
e=B(t)-eset
E=B(t)-Eset
然后将偏差输入主控制器,Kp为比例放大系数、Ki为积分放大系数e(t)为误差、u0为控制量基准值(基础偏差),输出为u(t)。控制器依据PID参数运算得到控制量u(t):
u(t)=Kp×e(t)+Ki∑e(t)+u0;
S52、将控制量u(t)经过放大环节放大后传递给电机,电机运作消除位置(方向)和速度偏差保证小车前进,完成整车控制。PID是目前运用最广泛,最经典的控制方法,可以快速有效地调节改善系统性能。
本发明相对于现有技术具有如下的优点及效果:
1、本发明运用动态阈值方法(OTSU)进行图像处理分割和二值化,计算简单,不受图像亮度和对比度的影响,该动态阈值方法是图像分割中阈值选取的最佳算法。
2、本发明运用三阶曲线拟合方法进行位置解算,可以拟合还原复杂度较高的弧形赛道变化曲线,可以对弯道方向提前进行拟合和预测,是各种场景下使用性价比较高,简单便捷的拟合方法。
3、本发明运用微分跟踪器进行信号追踪,可以有效抑制高频噪声对智能巡线小车控制的干扰,并且通过微分预测可以快速准确跟踪智能巡线小车控制信号的变化,与PID控制算法结合后可以得到对原始信号的最佳逼近和还原。
附图说明
图1是本发明中公开的智能巡视小车控制方法的步骤流程图;
图2是本发明中动态阈值分割法的表述图;
图3是本发明中行驶赛道曲线拟合效果图;
图4是本发明中微分跟踪器仿真图;
图5是本发明中无微分跟踪器对比仿真图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例
本实施例具体公开了一种新型智能巡线小车控制方法,如附图1所示,包括以下步骤:
S1、赛道采集摄像头采集赛道图像数据I(x,y)。
本实施例中,赛道采集摄像头采用总钻风摄像头,摄像头采集电路接收到主控MCU电路传送的采集信号,完成采集后通过8位的并行口把赛道图像数据I(x,y)传输到主控MCU电路中。
S2、通过动态阈值方法处理赛道图像数据I(x,y)并二值化。
本实施例中,步骤S2过程如下:
S21、对于赛道图像数据I(x,y),将前景(即目标)和背景的分割阈值定义为T,属于前景的像素点数占整幅图像的比例定义为ω0,其平均灰度定义为μ0;背景像素点数占整幅图像的比例定义为ω1,其平均灰度定义为μ1。图像的总平均灰度定义为μ,类间方差定义为g。因为方差是灰度分布均匀性的一种度量,背景和前景之间的类间方差越大,说明构成图像的两部分的差别越大。
S22、假设赛道图像的背景较暗,并且图像的大小为M×N(M为图像长度,N为图像宽度),赛道图像中像素的灰度值小于分割阈值T的像素个数记作N0,像素灰度大于分割阈值T的像素个数记作N1,则有:
N0+N1=M×N
ω0+ω1=1
μ=ω0×μ0+ω1×μ1
g=ω0(μ0-μ)2+ω1(μ1-μ)2
整理得到等价公式:
g=ω0ω1(μ0-μ1)2
采用遍历计算的方法得到使该类间方差g最大的分割阈值T,此时分割阈值T即为所求将图像二值化的阈值。
S23、运用分割阈值T对赛道图像数据I(x,y)进行阈值二值化分割得到只有0和1表征的赛道二值化图像W(x,y)。实际图像的灰度方差分布和阈值设定如图2的双峰图像直方图所示。该方法所求得的灰度阈值会取在两峰之间的低谷位置134.9970,从而得到较好的图像分离效果。
S3、依据赛道二值化图像W(x,y)完成行进车体的位置解算。
本实施例中,步骤S3过程如下:
S31、由赛道二值化图像W(x,y)可知,0(黑色部分)代表赛道外,1(白色部分)代表赛道内,定义赛道边缘黑白交界处色块Pleft(x1,y1),Pright(x2,y2),则赛道中点P定义为:
S32、根据赛道二值化图像W(x,y)得到的所有中点P,取连续4个点P1、P2、P3、P4,定义拟合时间为t,中线拟合函数为B(t)根据三阶Beizer曲线拟合和数据平滑方法有:
B(t)=P1(1-t)3+3P2t(1-t)2+3P3t2(1-t)+P4t3,t∈[0,1];
S33、如图3赛道二值化图像所示,黑色代表非赛道区域,白色代表赛道区域,摄像头安装于车头,高约15cm,依据摄像头与车身的相对位置关系,根据B(t)即可得目前行进车体位于赛道中央,摄像头方向有所便宜,应根据中线采取先右后左的方式行驶。
S4、微分跟踪器(TD)实时跟踪行进车体的速度及方向信号。
本实施例中,步骤S4具体如下:
S41、微分跟踪器(TD)为了实现微分跟踪,定义微分输出为y、环境变化的干扰噪声为rn(t),其中,常量r为增益倍率、滞后时间T、s为频率特性参量、微分环节的输入为速度v,使用如下形式的微分(电路)环节来获取微分信号:
如图5所示,其横坐标为时间,纵坐标为信号幅值。普通微分器的跟踪信号在对原始速度信号跟踪时会产出高频抖振。
S42、根据最优控制的思想(time-optimal control,TOD)提出的非线性跟踪微分器。如果要实现对期望信号的快速准确跟踪,需要提高加速度限制的参数R,但是这会导致微分信号高频抖振的幅度更大。为了消除高频抖振,引入最速控制综合函数fhan(x1,x2,r,h0)得到系统每一时刻的期望目标跟踪信号fh。如图4所示,其横坐标为时间,纵坐标为信号幅值;虚线代表的跟踪信号以较小的抖动在跟踪并预测实线代表的原始信号的变化:
fh=fhan(x1(i)-u(i),x2(i),R,h0);
x1(i+1)=x1(i)+h×x2(i),
x2(i+1)=x2(i)+h×fh,
其中h、h0为采样时间,i为离散系统步数,xn(i)为当前系统步数下的状态空间表达式,n为阶次,取值为(1,+∞),当n取1时,x1(i)为一阶离散系统在这一时刻(步长)下的状态空间表达式,x2(i)为二阶离散系统在这一时刻(步长)下的状态空间表达式。
微分跟踪器TD与主控制器的PID算法有效地提取了原始信号,克服消极因素,有较强的抗噪声的能力,无超调的跟踪原始信号。
S5、主控制器和主控MCU电路运算并输出控制量。
本实施例中,该步骤S5过程如下:
S51、主控制器和主控MCU电路采用经典PID控制算法,P为比例环节,I为积分环节,D为微分环节,定义偏差为E,其设定值为Eset;位置偏差为e,其设定值为eset首先对位置解算结果B(t)和微分跟踪器结果计算偏差:
e=B(t)-eset
E=B(t)-Eset
然后将偏差输入主控制器,Kp为比例放大系数、Ki为积分放大系数e(t)为误差、u0为控制量基准值(基础偏差),输出为u(t)。控制器依据PID参数运算得到控制量u(t):
u(t)=Kp×e(t)+Ki∑e(t)+u0;
S52、将控制量(电压)u(t)经过放大环节放大后传递给电机,电机运作消除位置(方向)和速度偏差保证小车前进,完成整车控制。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (7)
1.一种新型智能巡线小车控制方法,其特征在于,所述的智能巡线小车控制方法包括以下步骤包括以下步骤:
S1、赛道采集摄像头采集赛道图像数据;
S2、通过动态阈值方法处理赛道图像数据I(x,y)并二值化得到赛道二值化图像W(x,y);
S3、依据赛道二值化图像W(x,y)完成行进车体的位置解算;
S4、微分跟踪器实时跟踪行进车体的速度及方向信号并反馈;
S5、主控制器和主控MCU电路运算并输出控制量。
2.根据权利要求1所述的一种新型智能巡线小车控制方法,其特征在于,所述的步骤S1过程如下:
摄像头采集电路接收到主控MCU电路传送的采集信号,赛道采集摄像头采集赛道图像并通过8位的并行口把赛道图像数据I(x,y)传输到主控MCU电路中。
3.根据权利要求1所述的一种新型智能巡线小车控制方法,其特征在于,所述的步骤S2过程如下:
S21、对于赛道图像数据I(x,y),将作为目标的前景和背景的分割阈值定义为T,属于前景的像素点数占整幅图像的比例定义为ω0,其平均灰度定义为μ0;背景像素点数占整幅图像的比例定义为ω1,其平均灰度定义为μ1,图像的总平均灰度定义为μ,类间方差定义为g;
S22、假设赛道图像的背景较暗,并且图像的大小为M×N,M为图像长度,N为图像宽度,赛道图像中像素的灰度值小于分割阈值T的像素个数记作N0,像素灰度大于分割阈值T的像素个数记作N1,则有:
N0+N1=M×N
ω0+ω1=1
μ=ω0×μ0+ω1×μ1
g=ω0(μ0-μ)2+ω1(μ1-μ)2
整理得到等价公式:
g=ω0ω1(μ0-μ1)2
采用遍历计算的方法得到使该类间方差g最大的分割阈值T,此时分割阈值T即为所求将图像二值化的阈值;
S23、运用分割阈值T对赛道图像数据I(x,y)进行阈值二值化分割得到只有0和1表征的赛道二值化图像W(x,y)。
4.根据权利要求1所述的一种新型智能巡线小车控制方法,其特征在于,所述的步骤S3过程如下:
S31、由赛道二值化图像W(x,y)可知,0代表赛道外,即黑色部分,1代表赛道内,即白色部分,定义赛道边缘黑白交界处色块Pleft(x1,y1),Pright(x2,y2),则赛道中点P定义为:
S32、根据赛道二值化图像W(x,y)得到的所有中点P,取连续4个点P1、P2、P3、P4,定义拟合时间为t,中线拟合函数为B(t)根据三阶Beizer曲线拟合和数据平滑方法得到:
B(t)=P1(1-t)3+3P2t(1-t)2+3P3t2(1-t)+P4t3,t∈[0,1];
S33、依据赛道采集摄像头与车身的相对位置关系,根据B(t)即可解算出目前行进车体和赛道的位置关系。
5.根据权利要求1所述的一种新型智能巡线小车控制方法,其特征在于,所述的步骤S4过程如下:
S41、定义微分跟踪器微分输出为y、环境变化的干扰噪声为rn(t),其中,常量r为增益倍率、滞后时间T、s为频率特性参量、微分环节的输入为速度v,使用如下形式的微分环节来获取微分信号:
S42、定义加速度限制的参数R,引入最速控制综合函数fhan(x1,x2,r,h0)得到控制器每一时刻的期望目标跟踪信号fh:
fh=fhan(x1(i)-u(i),x2(i),R,h0),
x1(i+1)=x1(i)+h×x2(i),
x2(i+1)=x2(i)+h×fh,
其中h、h0为采样时间,i为离散系统步数,xn(i)为当前系统步数下的状态空间表达式,n为阶次,取值为(1,+∞),当n取1时,x1(i)为一阶离散系统在这一时刻下的状态空间表达式,x2(i)为二阶离散系统在这一时刻下的状态空间表达式。
6.根据权利要求1所述的一种新型智能巡线小车控制方法,其特征在于,所述的步骤S5过程如下:
S51、主控制器和主控MCU电路采用PID控制算法,首先对位置解算结果和微分跟踪器反馈结果计算偏差,然后将偏差输入主控制器,控制器依据PID参数运算得到控制量;
S52、将控制量经过放大环节放大后传递给电机,电机动作消除位置和速度偏差保证小车前进,完成整车控制。
7.根据权利要求6所述的一种新型智能巡线小车控制方法,其特征在于,所述的步骤S51具体如下:
主控制器和主控MCU电路采用PID控制算法,P为比例环节,I为积分环节,D为微分环节,定义偏差为E,其设定值为Eset,位置偏差为e,其设定值为eset首先对位置解算结果B(t)和微分跟踪器结果计算偏差:
e=B(t)-eset
E=B(t)-Eset
然后将偏差输入主控制器,Kp为比例放大系数、Ki为积分放大系数e(t)为误差、u0为控制量基准值,输出为u(t),控制器依据PID参数运算得到控制量u(t):
u(t)=Kp×e(t)+Ki∑e(t)+u0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910752191.XA CN110488823B (zh) | 2019-08-15 | 2019-08-15 | 一种新型智能巡线小车控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910752191.XA CN110488823B (zh) | 2019-08-15 | 2019-08-15 | 一种新型智能巡线小车控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110488823A true CN110488823A (zh) | 2019-11-22 |
CN110488823B CN110488823B (zh) | 2021-12-21 |
Family
ID=68551174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910752191.XA Expired - Fee Related CN110488823B (zh) | 2019-08-15 | 2019-08-15 | 一种新型智能巡线小车控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110488823B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115993829A (zh) * | 2023-03-21 | 2023-04-21 | 安徽大学 | 一种基于盲道识别的机器狗导盲运动控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104267743A (zh) * | 2014-07-22 | 2015-01-07 | 浙江工业大学 | 一种采用自抗扰控制技术的船载摄像稳定平台控制方法 |
CN106950950A (zh) * | 2017-03-02 | 2017-07-14 | 广东工业大学 | 一种基于摄像头的汽车并线辅助系统和控制方法 |
CN106990786A (zh) * | 2017-05-12 | 2017-07-28 | 中南大学 | 智能小车的循迹方法 |
KR20180087532A (ko) * | 2017-01-24 | 2018-08-02 | 울산대학교 산학협력단 | 차량의 위치 파악을 위한 안내표지판 내의 거리 정보를 습득하는 시스템 및 방법 |
CN109685739A (zh) * | 2018-12-25 | 2019-04-26 | 中国科学院苏州生物医学工程技术研究所 | 伤口创面图像处理方法及采用该方法的伤口创面治疗系统 |
-
2019
- 2019-08-15 CN CN201910752191.XA patent/CN110488823B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104267743A (zh) * | 2014-07-22 | 2015-01-07 | 浙江工业大学 | 一种采用自抗扰控制技术的船载摄像稳定平台控制方法 |
KR20180087532A (ko) * | 2017-01-24 | 2018-08-02 | 울산대학교 산학협력단 | 차량의 위치 파악을 위한 안내표지판 내의 거리 정보를 습득하는 시스템 및 방법 |
CN106950950A (zh) * | 2017-03-02 | 2017-07-14 | 广东工业大学 | 一种基于摄像头的汽车并线辅助系统和控制方法 |
CN106990786A (zh) * | 2017-05-12 | 2017-07-28 | 中南大学 | 智能小车的循迹方法 |
CN109685739A (zh) * | 2018-12-25 | 2019-04-26 | 中国科学院苏州生物医学工程技术研究所 | 伤口创面图像处理方法及采用该方法的伤口创面治疗系统 |
Non-Patent Citations (3)
Title |
---|
VANQUANG NGUYEN等: "A Study on Real-Time Detection Method of Lane and Vehicle for Lane Change Assistant System Using Vision System on Highway", 《ENGINEERING SCIENCE AND TECHNOLOGY,AN INTERNATIONAL JOURNAL》 * |
张毅 等: "视觉导引智能车的自适应路径识别及控制研究", 《测控技术》 * |
龚自霞 等: "OSTU算法在智能车赛道上的应用", 《电脑知识与技术》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115993829A (zh) * | 2023-03-21 | 2023-04-21 | 安徽大学 | 一种基于盲道识别的机器狗导盲运动控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110488823B (zh) | 2021-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596129B (zh) | 一种基于智能视频分析技术的车辆越线检测方法 | |
CN109886215B (zh) | 基于机器视觉的低速园区无人车巡航及紧急制动系统 | |
CN100495274C (zh) | 大型工程车辆自动驾驶控制方法及系统 | |
CN102110296A (zh) | 一种复杂场景下的运动目标跟踪方法 | |
CN104282020A (zh) | 一种基于目标运动轨迹的车辆速度检测方法 | |
CN107133610B (zh) | 一种复杂路况下行车流量视觉检测与计数方法 | |
CN103871079A (zh) | 基于机器学习和光流的车辆跟踪方法 | |
CN110450706B (zh) | 一种自适应远光灯控制系统及图像处理算法 | |
CN110321937B (zh) | 一种Faster-RCNN结合卡尔曼滤波的运动人体跟踪方法 | |
CN111212241B (zh) | 基于图像梯度和熵融合的高速自动驾驶自动曝光控制方法 | |
CN104952256A (zh) | 一种基于视频信息的交叉口处车辆的检测方法 | |
CN105740835A (zh) | 夜视环境下基于车载相机的前方车辆检测方法 | |
CN113223044A (zh) | 一种结合特征聚合和注意力机制的红外视频目标检测方法 | |
CN107844739B (zh) | 基于自适应同时稀疏表示的鲁棒性目标追踪方法 | |
CN110533692B (zh) | 一种面向无人机航拍视频中移动目标的自动跟踪方法 | |
CN110488823A (zh) | 一种新型智能巡线小车控制方法 | |
Liu et al. | SETR-YOLOv5n: A lightweight low-light lane curvature detection method based on fractional-order fusion model | |
Yin | Object Detection Based on Deep Learning: A Brief Review | |
CN107437071B (zh) | 一种基于双黄线检测的机器人自主巡检方法 | |
Wirges et al. | Self-supervised flow estimation using geometric regularization with applications to camera image and grid map sequences | |
CN115861386A (zh) | 通过分而治之关联的无人机多目标跟踪方法与装置 | |
CN116453012A (zh) | 一种面向高速公路交通监控场景的车辆检测与跟踪方法 | |
CN115018883A (zh) | 一种基于光流和卡尔曼滤波的输电线路无人机红外自主巡检方法 | |
CN112634322A (zh) | 一种基于多路提取与智能识别自主引导的复合跟踪系统及方法 | |
CN104408739A (zh) | 一种运动目标的检测方法及其监控系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20211221 |