CN110568861A - 一种人机运动障碍物监测方法、可读存储介质和无人机 - Google Patents
一种人机运动障碍物监测方法、可读存储介质和无人机 Download PDFInfo
- Publication number
- CN110568861A CN110568861A CN201910886511.0A CN201910886511A CN110568861A CN 110568861 A CN110568861 A CN 110568861A CN 201910886511 A CN201910886511 A CN 201910886511A CN 110568861 A CN110568861 A CN 110568861A
- Authority
- CN
- China
- Prior art keywords
- obstacle
- point cloud
- motion state
- image
- state model
- 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 58
- 238000012544 monitoring process Methods 0.000 title claims abstract description 17
- 230000004888 barrier function Effects 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 10
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 6
- 230000008901 benefit Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000005622 photoelectricity Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- 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
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
-
- 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
- G05D1/12—Target-seeking control
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Computer Networks & Wireless Communication (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种人机运动障碍物监测方法、可读存储介质和无人机，该方法包括如下步骤：通过不同的传感器获取障碍物的障碍物特征，并基于所述障碍物特征分别建立框模型以对障碍物进行识别；融合不同的传感器的障碍物识别结果构建障碍物运动状态模型，并基于所述障碍物运动状态模型对障碍物进行跟踪。本发明实施例通过基于所述障碍物特征分别建立框模型以对障碍物进行识别；融合不同的传感器的障碍物识别结果构建障碍物运动状态模型，并基于所述障碍物运动状态模型对障碍物进行跟踪，实现了无人机在飞行过程中对运动障碍物有效识别、跟踪、监测，实时规划无人机三维避障路径。
Description
技术领域
本发明涉及无人机技术领域，尤其涉及一种人机运动障碍物监测方法、可读存储介质和无人机。
背景技术
目前无人机在起降、飞行环节仍需人为干预，未能实现无人化和智能化。为提高无人机物资运输自主性，通过在无人机平台上加装光电、雷达等传感器，对多源传感器获取的数据进行深度融合与分析，实现无人机在飞行过程中对运动障碍物有效识别、跟踪、监测，在此基础上根据历史数据提取运动障碍物的运动参数以预测障碍物运动轨迹，并根据无人机飞控状态参数预测无人机飞行运动轨迹，实时规划无人机三维避障路径，并通过飞控系统依据避障策略快速调整飞行方向、姿态、速度等参数，实现无人机智能避障的目的。因此，无人机在飞行过程中对运动障碍物有效识别、跟踪、监测在无人机智能避障中起到关键作用。
目前无人机在起降、飞行环节仍需人为干预，未能实现无人化和智能化。无法提取无人机飞控状态参数预测无人机飞行运动轨迹，实时规划无人机三维避障路径，无法通过飞控系统依据避障策略快速调整飞行方向、姿态、速度等参数，实现无人机智能避障的目的。
发明内容
本发明实施例提供一种人机运动障碍物监测方法、可读存储介质和无人机，用以实现无人机智能避障的目的，保证无人机在飞行过程中对运动障碍物有效识别、跟踪、监测。
第一方面，本发明第一实施例提出一种人机运动障碍物监测方法，该方法包括如下步骤：
通过不同的传感器获取障碍物的障碍物特征，并基于所述障碍物特征分别建立框模型以对障碍物进行识别；
融合不同的传感器的障碍物识别结果构建障碍物运动状态模型，并基于所述障碍物运动状态模型对障碍物进行跟踪。
可选的，所述通过不同的传感器获取障碍物的障碍物特征，包括：通过激光雷达和双目光电传感器获取障碍物的障碍物特征。
可选的，通过激光雷达获取障碍物特征，包括：
基于激光雷达的定标图像进行栅格化并填充二值图像获得二值化图像；
提取所述二值化图像的边缘轮廓线，对提取的边缘轮廓线进行Hough变换并作峰值检测；
根据峰值检测结果获取Hough变换后的图像中最显著的多条直线的角度；
设置约束条件，通过旋转搜索方法根据所述角度和所述约束条件对二值化图像的边缘轮廓线进行点云包围估计获得所述约束条件下的第一最小包围矩形；
根据激光雷达的接收数据进行标记获得障碍物点云列表，根据所述第一最小包围矩形创建障碍物编号；
基于所述障碍物点云列表对所述障碍物编号进行遍历，根据遍历结果拟合出障碍物的点云特征。
可选的，所述基于所述障碍物点云列表对所述障碍物编号进行遍历，根据遍历结果拟合出障碍物的点云特征，包括：
在每条障碍物编号对应的障碍物点云列表中搜索距离传感器最近的激光点组；
在所述激光点组存在拐角点的情况下，计算组成拐角点的两个边的线性度以拟合出拐角点的边沿特征；
根据不存在拐角点的激光点组的线性度和所述拐角点的边沿特征拟合出障碍物的点云特征。
可选的，通过双目光电传感器获取障碍物的障碍物特征包括：
提取双目光电传感器获得的两幅图像的特征点，并对两幅图像的所述特征点进行匹配获得匹配图像；
计算双目光电传感器获得的两幅图像的景深距离；
基于所述景深距离将所述匹配图像分割为背景图像与目标图像；
采用旋转搜索方法将目标图像根据所述角度和所述约束条件进行包围估计获得所述约束条件下的第二最小包围矩形；
基于所述第二最小包围矩形获得障碍物的图像特征。
可选的，所述融合不同的传感器的障碍物识别结果构建障碍物运动状态模型，包括：
统一激光雷达与双目光电传感器获取的图像坐标；
基于统一后的图像坐标将所述点云特征和所述第二最小包围矩形进行比对；
在所述点云特征和所述第二最小包围矩形重叠区域超过设定阈值的情况下，将所述点云特征和所述第二最小包围矩形的并集作为障碍物区域。
可选的，所述融合不同的传感器的障碍物识别结果构建障碍物运动状态模型，还包括：
对所述障碍物区域进行状态计算；
根据状态计算结果计算相邻帧中每个障碍物之间的相似性；
根据所述每个障碍物之间的相似性构建障碍物运动状态模型。
可选的，在根据所述每个障碍物之间的相似性构建障碍物运动状态模型之后，所述方法还包括：
基于障碍物运动状态和障碍物运动状态的协方差对所述障碍物运动状态模型进行更新。
第二方面，本发明第二实施例提出一种计算机可读存储介质，所述计算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现第一实施例中的方法的步骤。
第三方面，本发明第三实施例提出一种无人机，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现第一实施例所述的方法的步骤。
本发明实施例通过基于所述障碍物特征分别建立框模型以对障碍物进行识别；融合不同的传感器的障碍物识别结果构建障碍物运动状态模型，并基于所述障碍物运动状态模型对障碍物进行跟踪，实现无人机在飞行过程中对运动障碍物有效识别、跟踪、监测，实时规划无人机三维避障路径。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为本发明实施例流程图；
图2为本发明实施例激光雷达跟踪障碍物流程图；
图3为本发明实施例光电传感器跟踪障碍物流程图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明第一实施例提出一种人机运动障碍物监测方法，该方法包括如下步骤：
通过不同的传感器获取障碍物的障碍物特征，并基于所述障碍物特征分别建立框模型以对障碍物进行识别；
融合不同的传感器的障碍物识别结果构建障碍物运动状态模型，并基于所述障碍物运动状态模型对障碍物进行跟踪。
可选的，如图1所示，所述通过不同的传感器获取障碍物的障碍物特征，包括：通过激光雷达和双目光电传感器获取障碍物的障碍物特征。
本发明实施例通过基于所述障碍物特征分别建立框模型以对障碍物进行识别；融合不同的传感器的障碍物识别结果构建障碍物运动状态模型，并基于所述障碍物运动状态模型对障碍物进行跟踪，实现无人机在飞行过程中对运动障碍物有效识别、跟踪、监测。
可选的，通过激光雷达获取障碍物特征，包括：
在本发明一个可选的实施例中，利用激光雷达障碍物检测。可选的，本实施例中，以利用32线激光雷达提取障碍物特征，并利用特征建立框模型，达到对障碍物的识别为例进行说明，如图2所示，包括如下步骤：
基于激光雷达的定标图像进行栅格化并填充二值图像获得二值化图像；
提取所述二值化图像的边缘轮廓线，对提取的边缘轮廓线进行Hough变换并作峰值检测；
根据峰值检测结果获取Hough变换后的图像中最显著的多条直线的角度。
具体的说，提取二值化图像I1的边缘轮廓线I2，对边缘轮廓线I2进行Hough变换并作峰值检测，提取出最显著的K条直线的角度。
设置约束条件，通过旋转搜索方法根据所述角度和所述约束条件对二值化图像的边缘轮廓线进行点云包围估计获得所述约束条件下的第一最小包围矩形；
具体的说，上述步骤为点云包围矩形估计，设置作为包围矩形估计的约束条件，采用旋转搜索的方法，将点云旋转角度θ得到P′并计算包围的矩形面积E1(θ),遍历θ得到约束条件下的面积最小包围矩形。
根据激光雷达的接收数据进行标记获得障碍物点云列表，根据所述第一最小包围矩形创建障碍物编号；
具体的说，将激光雷达数据接收到的第一个点云数据开始标记为p1,第i(1<i<n)个点云数据pi为距离第i-1个点云数据pi-1欧式距离D最近的点。
基于所述障碍物点云列表对所述障碍物编号进行遍历，根据遍历结果拟合出障碍物的点云特征。
具体的说，创建障碍物点云列表point_list和障碍物编号ob_list，依次遍历所有点，根据遍历结果拟合出障碍物的点云特征。
可选的，所述基于所述障碍物点云列表对所述障碍物编号进行遍历，根据遍历结果拟合出障碍物的点云特征，包括：
在每条障碍物编号对应的障碍物点云列表中搜索距离传感器最近的激光点组；
在所述激光点组存在拐角点的情况下，计算组成拐角点的两个边的线性度以拟合出拐角点的边沿特征；
具体的说，在每条ob_list的点序列中搜索距离传感器最近的点，并判定该组激光点中存在拐角点，计算组成拐角的两个边的线性度与不存在拐角点的激光点集的线性度，如果都能够很好地拟合为线段，则拟合出的线段组成了障碍物的拐角与边沿特征。
根据不存在拐角点的激光点组的线性度和所述拐角点的边沿特征拟合出障碍物的点云特征。
可选的，在本发明又一个可选的实施例中，通过双目光电传感器获取障碍物的障碍物特征，本实施例中，双目视觉障碍物检测，利用双目光电传感器提取障碍物特征，并利用特征建立框模型，达到对障碍物的识别，如图3所示，包括：
提取双目光电传感器获得的两幅图像的特征点，并对两幅图像的所述特征点进行匹配获得匹配图像；
具体的，从第一帧开始，利用SIFT算法提取两幅影像的特征点，并利用RANSCA算法匹配两影像间的特征点由此获得匹配图像。
更为具体的，该方案可是是如下步骤：
1)读入经过运动目标检测模块后的左右摄像机目标区域图像。
2)对左右目标区域图像滤除噪声干扰点并填充微小区域。
3)分别计算左右图像中的目标区域个数，若为1则只有一个运动目标，否则为多个运动目标。
4)若左右目标数以及位置关系一致，则进行下一步步操作，若不匹配则按照左右目标区域的位置关系进一步进行判断，找出同时出现的目标区域，先进行粗略的大区域匹配，找出待匹配的区域对。
5)对每一个待匹配的区域对，若左右目标区域对的面积之比相差4倍之内则判为同一运动目标，否则不做处理。
6)对左右目标区域对进行SIFT精匹配，得到匹配点对。
7)去掉左右图中一点对多点的匹配点以及边界匹配点对。
8)利用RANSCA算法在原始图像帧中找到匹配点的对应位置。
计算双目光电传感器获得的两幅图像的景深距离；
基于所述景深距离将所述匹配图像分割为背景图像与目标图像；
具体的，该方案可以是，用OSTU阈值分割法分割景深图像为背景图像与目标图像。
采用旋转搜索方法将目标图像根据所述角度和所述约束条件进行包围估计获得所述约束条件下的第二最小包围矩形；
基于所述第二最小包围矩形获得障碍物的图像特征。
具体的说，采用旋转搜索的方法，将分割图像I旋转角度θ得到旋转图像I′并计算包围的矩形面积E2(θ),遍历θ得到约束条件下的面积最小包围矩形。
可选的，所述融合不同的传感器的障碍物识别结果构建障碍物运动状态模型，包括：
统一激光雷达与双目光电传感器获取的图像坐标；
基于统一后的图像坐标将所述点云特征和所述第二最小包围矩形进行比对；
在所述点云特征和所述第二最小包围矩形重叠区域超过设定阈值的情况下，将所述点云特征和所述第二最小包围矩形的并集作为障碍物区域。
在本实施例中，上述步骤为多源传感器障碍物检测。在激光雷达和光电传感器定标且坐标系统一的基础上，判断激光雷达点云数据获取的障碍物最小矩形面积E1(θ)和光电传感器最小矩形面积E2(θ)，若两者重叠区域超过则认为存在障碍物。
在判断存在障碍物条件下，激光雷达点云数据获取的障碍物最小矩形面积E1(θ)和光电传感器最小矩形面积E2(θ)的并集E(θ)区域为障碍物区域。
可选的，所述融合不同的传感器的障碍物识别结果构建障碍物运动状态模型，该步骤为障碍物跟踪，将障碍物的回波脉冲宽度均值与特征分别作为激光雷达和光电传感器的匹配特征，融合位置、长度、宽度实现障碍物跟踪，包括：
对所述障碍物区域进行状态计算，具体的可以是利用卡尔曼滤波器对障碍物模型进行状态的计算。
根据状态计算结果计算相邻帧中每个障碍物之间的相似性；
根据所述每个障碍物之间的相似性构建障碍物运动状态模型。
在本实施例中，根据所述每个障碍物之间的相似性构建障碍物运动状态模型，包括：
对于框模型第i个动态障碍物，其在第t个时刻运动状态可以表示为：
其中，表示最小矩形面积E(θ)质点位置，表示两个时刻间障碍物的运动速度，分别表示动态障碍物当前的方向和加速度，表示动态障碍物的横摆角速度，检测到的动态障碍物表示为：
其中，A是旋转矩阵，C是状态观测矩阵，w，v是观测噪声。
可选的，在根据所述每个障碍物之间的相似性构建障碍物运动状态模型之后，所述方法还包括：
基于障碍物运动状态和障碍物运动状态的协方差对所述障碍物运动状态模型进行更新。
具体的，运动状态方程和运动状态协方差可计算为：
其中，R为噪声，动态障碍物运动状态计算公式为：
其中，Kgt为卡尔曼增益，更新方式如下：
最新的运动状态协方差更新方式为：
根据运动状态更新公式跟踪运动障碍物。
本发明方法通过在无人机平台上加装光电、雷达等传感器，对多源传感器获取的数据进行深度融合与分析，实现无人机在飞行过程中对运动障碍物有效识别、跟踪、监测，在此基础上根据历史数据提取运动障碍物的运动参数以预测障碍物运动轨迹，并根据无人机飞控状态参数预测无人机飞行运动轨迹，实时规划无人机三维避障路径，并通过飞控系统依据避障策略快速调整飞行方向、姿态、速度等参数，实现无人机智能避障的目的。因此，无人机在飞行过程中对运动障碍物有效识别、跟踪、监测在无人机智能避障中起到关键作用。
第二方面，在本发明第一实施例的基础上，本发明第二实施例提出一种计算机可读存储介质，所述计算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现第一实施例中的方法的步骤。
第三方面，在本发明第一实施例的基础上，本发明第三实施例提出一种无人机，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现第一实施例所述的方法的步骤。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。
Claims (10)
1.一种人机运动障碍物监测方法，其特征在于，该方法包括如下步骤：
通过不同的传感器获取障碍物的障碍物特征，并基于所述障碍物特征分别建立框模型以对障碍物进行识别；
融合不同的传感器的障碍物识别结果构建障碍物运动状态模型，并基于所述障碍物运动状态模型对障碍物进行跟踪。
2.根据权利要求1所述的人机运动障碍物监测方法，其特征在于，所述通过不同的传感器获取障碍物的障碍物特征，包括：通过激光雷达和双目光电传感器获取障碍物的障碍物特征。
3.根据权利要求2所述的人机运动障碍物监测方法，其特征在于，通过激光雷达获取障碍物特征，包括：
基于激光雷达的定标图像进行栅格化并填充二值图像获得二值化图像；
提取所述二值化图像的边缘轮廓线，对提取的边缘轮廓线进行Hough变换并作峰值检测；
根据峰值检测结果获取Hough变换后的图像中最显著的多条直线的角度；
设置约束条件，通过旋转搜索方法根据所述角度和所述约束条件对二值化图像的边缘轮廓线进行点云包围估计获得所述约束条件下的第一最小包围矩形；
根据激光雷达的接收数据进行标记获得障碍物点云列表，根据所述第一最小包围矩形创建障碍物编号；
基于所述障碍物点云列表对所述障碍物编号进行遍历，根据遍历结果拟合出障碍物的点云特征。
4.根据权利要求3所述的人机运动障碍物监测方法，其特征在于，所述基于所述障碍物点云列表对所述障碍物编号进行遍历，根据遍历结果拟合出障碍物的点云特征，包括：
在每条障碍物编号对应的障碍物点云列表中搜索距离传感器最近的激光点组；
在所述激光点组存在拐角点的情况下，计算组成拐角点的两个边的线性度以拟合出拐角点的边沿特征；
根据不存在拐角点的激光点组的线性度和所述拐角点的边沿特征拟合出障碍物的点云特征。
5.根据权利要求3所述的人机运动障碍物监测方法，其特征在于，通过双目光电传感器获取障碍物的障碍物特征包括：
提取双目光电传感器获得的两幅图像的特征点，并对两幅图像的所述特征点进行匹配获得匹配图像；
计算双目光电传感器获得的两幅图像的景深距离；
基于所述景深距离将所述匹配图像分割为背景图像与目标图像；
采用旋转搜索方法将目标图像根据所述角度和所述约束条件进行包围估计获得所述约束条件下的第二最小包围矩形；
基于所述第二最小包围矩形获得障碍物的图像特征。
6.根据权利要求5所述的人机运动障碍物监测方法，其特征在于，所述融合不同的传感器的障碍物识别结果构建障碍物运动状态模型，包括：
统一激光雷达与双目光电传感器获取的图像坐标；
基于统一后的图像坐标将所述点云特征和所述第二最小包围矩形进行比对；
在所述点云特征和所述第二最小包围矩形重叠区域超过设定阈值的情况下，将所述点云特征和所述第二最小包围矩形的并集作为障碍物区域。
7.根据权利要求6所述的人机运动障碍物监测方法，其特征在于，所述融合不同的传感器的障碍物识别结果构建障碍物运动状态模型，还包括：
对所述障碍物区域进行状态计算；
根据状态计算结果计算相邻帧中每个障碍物之间的相似性；
根据所述每个障碍物之间的相似性构建障碍物运动状态模型。
8.根据权利要求7所述的人机运动障碍物监测方法，其特征在于，在根据所述每个障碍物之间的相似性构建障碍物运动状态模型之后，所述方法还包括：
基于障碍物运动状态和障碍物运动状态的协方差对所述障碍物运动状态模型进行更新。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现如权利要求1至8中任一项所述的方法的步骤。
10.一种无人机，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910886511.0A CN110568861B (zh) | 2019-09-19 | 2019-09-19 | 一种人机运动障碍物监测方法、可读存储介质和无人机 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910886511.0A CN110568861B (zh) | 2019-09-19 | 2019-09-19 | 一种人机运动障碍物监测方法、可读存储介质和无人机 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110568861A true CN110568861A (zh) | 2019-12-13 |
| CN110568861B CN110568861B (zh) | 2022-09-16 |
Family
ID=68781054
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910886511.0A Active CN110568861B (zh) | 2019-09-19 | 2019-09-19 | 一种人机运动障碍物监测方法、可读存储介质和无人机 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110568861B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111398961A (zh) * | 2020-03-17 | 2020-07-10 | 北京百度网讯科技有限公司 | 用于检测障碍物的方法和装置 |
| CN111578894A (zh) * | 2020-06-02 | 2020-08-25 | 北京经纬恒润科技有限公司 | 一种确定障碍物航向角的方法及装置 |
| CN112967419A (zh) * | 2021-02-01 | 2021-06-15 | 湖南汽车工程职业学院 | 一种可提供视野盲区视频的行车记录仪 |
| CN114428515A (zh) * | 2022-01-24 | 2022-05-03 | 广东电网有限责任公司 | 一种无人机避障方法、装置、无人机及存储介质 |
| CN115308771A (zh) * | 2022-10-12 | 2022-11-08 | 深圳市速腾聚创科技有限公司 | 障碍物的检测方法及装置、介质及电子设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104899855A (zh) * | 2014-03-06 | 2015-09-09 | 株式会社日立制作所 | 三维障碍物检测方法和装置 |
| CN106681353A (zh) * | 2016-11-29 | 2017-05-17 | 南京航空航天大学 | 基于双目视觉与光流融合的无人机避障方法及系统 |
| CN109829386A (zh) * | 2019-01-04 | 2019-05-31 | 清华大学 | 基于多源信息融合的智能车辆可通行区域检测方法 |
| CN109947097A (zh) * | 2019-03-06 | 2019-06-28 | 东南大学 | 一种基于视觉和激光融合的机器人定位方法及导航应用 |
| CN110018496A (zh) * | 2018-01-10 | 2019-07-16 | 北京京东尚科信息技术有限公司 | 障碍物识别方法及装置、电子设备、存储介质 |
-
2019
- 2019-09-19 CN CN201910886511.0A patent/CN110568861B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104899855A (zh) * | 2014-03-06 | 2015-09-09 | 株式会社日立制作所 | 三维障碍物检测方法和装置 |
| CN106681353A (zh) * | 2016-11-29 | 2017-05-17 | 南京航空航天大学 | 基于双目视觉与光流融合的无人机避障方法及系统 |
| CN110018496A (zh) * | 2018-01-10 | 2019-07-16 | 北京京东尚科信息技术有限公司 | 障碍物识别方法及装置、电子设备、存储介质 |
| CN109829386A (zh) * | 2019-01-04 | 2019-05-31 | 清华大学 | 基于多源信息融合的智能车辆可通行区域检测方法 |
| CN109947097A (zh) * | 2019-03-06 | 2019-06-28 | 东南大学 | 一种基于视觉和激光融合的机器人定位方法及导航应用 |
Non-Patent Citations (5)
| Title |
|---|
| YANJUN SHI等: "An Adaptive Track Fusion Method with Unscented Kalman Filter", 《2018 IEEE INTERNATIONAL CONFERENCE ON SMART INTERNET OF THINGS》 * |
| 张强等: "激光视觉融合下的运动检测与失配矫正", 《光电工程》 * |
| 徐齐刚等: "快速包络线算法的设计和实现", 《微机发展》 * |
| 王铮等: "基于双目视觉的AGV障碍物检测与避障", 《计算机集成制造系统》 * |
| 黄如林等: "基于激光雷达的无人驾驶汽车动态障碍物检测、跟踪与识别方法", 《机器人》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111398961A (zh) * | 2020-03-17 | 2020-07-10 | 北京百度网讯科技有限公司 | 用于检测障碍物的方法和装置 |
| CN111398961B (zh) * | 2020-03-17 | 2022-07-15 | 北京百度网讯科技有限公司 | 用于检测障碍物的方法和装置 |
| CN111578894A (zh) * | 2020-06-02 | 2020-08-25 | 北京经纬恒润科技有限公司 | 一种确定障碍物航向角的方法及装置 |
| CN111578894B (zh) * | 2020-06-02 | 2021-10-15 | 北京经纬恒润科技股份有限公司 | 一种确定障碍物航向角的方法及装置 |
| CN112967419A (zh) * | 2021-02-01 | 2021-06-15 | 湖南汽车工程职业学院 | 一种可提供视野盲区视频的行车记录仪 |
| CN114428515A (zh) * | 2022-01-24 | 2022-05-03 | 广东电网有限责任公司 | 一种无人机避障方法、装置、无人机及存储介质 |
| CN115308771A (zh) * | 2022-10-12 | 2022-11-08 | 深圳市速腾聚创科技有限公司 | 障碍物的检测方法及装置、介质及电子设备 |
| CN115308771B (zh) * | 2022-10-12 | 2023-03-14 | 深圳市速腾聚创科技有限公司 | 障碍物的检测方法及装置、介质及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110568861B (zh) | 2022-09-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110568861B (zh) | 一种人机运动障碍物监测方法、可读存储介质和无人机 | |
| CN110163904B (zh) | 对象标注方法、移动控制方法、装置、设备及存储介质 | |
| EP3607489B1 (en) | Direct vehicle detection as 3d bounding boxes using neural network image processing | |
| CN108647646B (zh) | 基于低线束雷达的低矮障碍物的优化检测方法及装置 | |
| EP3317691B1 (en) | System and method for laser depth map sampling | |
| WO2022188663A1 (zh) | 一种目标检测方法及装置 | |
| CN111551957B (zh) | 基于激光雷达感知的园区低速自动巡航及紧急制动系统 | |
| Weon et al. | Object Recognition based interpolation with 3d lidar and vision for autonomous driving of an intelligent vehicle | |
| WO2020029706A1 (zh) | 一种伪车道线剔除方法及装置 | |
| CN112298194B (zh) | 一种车辆的换道控制方法及装置 | |
| CN110705385B (zh) | 一种障碍物角度的检测方法、装置、设备及介质 | |
| CN114998276B (zh) | 一种基于三维点云的机器人动态障碍物实时检测方法 | |
| JP2019191991A (ja) | 点群から対象の向きを推定する対象情報推定装置、プログラム及び方法 | |
| EP3555854B1 (en) | A method of tracking objects in a scene | |
| CN115861968A (zh) | 一种基于实时点云数据的动态障碍物剔除方法 | |
| Jiang et al. | Obstacle detection and tracking for intelligent agricultural machinery | |
| CN112733678A (zh) | 测距方法、装置、计算机设备和存储介质 | |
| CN115083199A (zh) | 一种车位信息确定方法及其相关设备 | |
| CN117331071A (zh) | 一种基于毫米波雷达与视觉多模态融合的目标检测方法 | |
| CN112711255A (zh) | 移动机器人避障方法、控制设备及存储介质 | |
| de Frías et al. | Intelligent cooperative system for traffic monitoring in smart cities | |
| Oniga et al. | A fast ransac based approach for computing the orientation of obstacles in traffic scenes | |
| CN116385997A (zh) | 一种车载障碍物精确感知方法、系统及存储介质 | |
| CN111754542A (zh) | 目标对象确定方法、跟踪方法、装置、设备及其存储介质 | |
| CN115755888A (zh) | 多传感器数据融合的agv障碍物检测系统及避障方法 |
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 |