CN110827329B - 一种无人船自主泊岸方法、计算机设备及存储介质 - Google Patents

一种无人船自主泊岸方法、计算机设备及存储介质 Download PDF

Info

Publication number
CN110827329B
CN110827329B CN201910979565.1A CN201910979565A CN110827329B CN 110827329 B CN110827329 B CN 110827329B CN 201910979565 A CN201910979565 A CN 201910979565A CN 110827329 B CN110827329 B CN 110827329B
Authority
CN
China
Prior art keywords
unmanned ship
image
shoreline
shore
autonomous
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
CN201910979565.1A
Other languages
English (en)
Other versions
CN110827329A (zh
Inventor
龚涛
杨咏林
邵宇平
张呈
付帅
叶艳军
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 Sifang Automation Co Ltd
Sifang Intelligence Wuhan Control Technology Co ltd
Original Assignee
Beijing Sifang Automation Co Ltd
Sifang Intelligence Wuhan Control 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 Beijing Sifang Automation Co Ltd, Sifang Intelligence Wuhan Control Technology Co ltd filed Critical Beijing Sifang Automation Co Ltd
Priority to CN201910979565.1A priority Critical patent/CN110827329B/zh
Publication of CN110827329A publication Critical patent/CN110827329A/zh
Application granted granted Critical
Publication of CN110827329B publication Critical patent/CN110827329B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING 
    • B63B49/00—Arrangements of nautical instruments or navigational aids
    • 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
    • G01S17/08—Systems determining position data of a target for measuring distance only
    • 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
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • G06T5/70—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
    • G06V20/38—Outdoor scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds

Abstract

本发明涉及一种无人船自主泊岸方法、计算机设备及存储介质，该方法利用无人船自身搭载的传感器设备，在确定需要进行泊岸时，通过激光雷达和摄像头分别采集无人船周围的三维点云数据和岸基标线图像，分别进行处理，得到障碍物栅格图，对两幅障碍物栅格进行融合，得到优化岸基标线障碍物的优化障碍物栅格图，并依据优化障碍物栅格图，控制无人船调整姿态自主泊岸。通过本发明，能够实现自主泊岸的功能，无需增加成本，方便复制泊岸点设定，增加了无人船的自主回收能力。

Description

一种无人船自主泊岸方法、计算机设备及存储介质
技术领域
本发明属于无人船控制领域，特别是涉及到一种无人船自主泊岸方法、计算机设备及存储介质。
背景技术
随着无人船的应用范围越来越广，无人船的任务执行和回收工作耗费大量的人力物力，一种无人船自主泊岸方法可以极大的节省人力值守成本。传统的自主泊岸方法存在着需要在停泊点搭载传感设备，比如红外对射、接触传感器等设备。
发明专利“一种无人船自动停泊系统及方法”(公开号CN106896815A)。提供了自主停泊的技术方案中，在回收平台安装了基座、导轨、压力传感器设备，这样需要建造一个停泊点安装该设备，限制了停泊点的使用场景，并增加了施工难度和建造成本。
发明专利“一种智能船舶靠泊辅助系统及方法”(公开号CN103901806B)提供了一种固定的岸边的监控系统，基于多传感器提供可靠的环境信息。然后在低速航行的过程中，精确的判断船舶的动力学模型比较困难，由于传感器存在一定的误差经度，造成对船体的控制精度无法实现精确的自主泊岸。
发明名称“一种基于邻域智能水滴算法的水面无人船路径规划方法”(公开号CN103744428A)的专利申请针对基本IWD方法存在的易陷入局部最优解导致方法停滞及收敛速度较慢的问题进行了改进，可以避免该方法陷入局部最优导致早熟，提高了方法寻优的收敛速度。但是该方法没有考虑无人船靠泊过程中岸边的码头对无人船航向航速的影响，无法实现无人船的安全自主靠泊发明专利“基于单目视觉和激光数据融合的无人船自主停泊系统和方法”(公开号CN108445880A)公开的系统及方法，通过视觉传感器检测标定泊位角度、激光传感器测定泊位距离相结合来实现无人船的停泊。该方法没有给出具体可操作性的停泊策略；没有考虑当视觉传感器丢失特征时的紧急航行策略；且该方法没有考虑停泊中无人船的姿态控制问题，无法直接应用于有限狭窄空间的停泊。
发明内容
本发明克服现有技术的不足，提供了一种自主式靠岸的方法、计算机设备及存储介质。
本发明解决其技术问题所采用的技术方案是：构造一种无人船自主泊岸方法，包括步骤：
S1、通过GNSS定位获取当前无人船的坐标位置，并判断与岸边距离是否在第一范围内，以及是否接收到泊岸指令，判断是否进行自主泊岸航行模式；
S2、通过惯性测量单元IMU装置获得无人船船体的姿态信息，通过给定的方向量调整船体动力分配，以调整船体的姿态；
S3、通过激光雷达获取无人船周围第一范围的三维点云数据，通过滤波、去孤立点及二维映射进行点云数据处理，同时对岸线点云进行跟踪，获取第一障碍物栅格图；
S4、通过摄像头获取岸线标线图像信息，通过图像卷积操作提取岸线标线图像中直线信息，通过纹理信息提取岸线标线图像中岸边标识，通过仿生变换得到岸标线正视图，计算岸线在岸线标线图像中的像素和实际的岸线距离信息，换算得到每个像素对应的距离值，消除摄像头的距离信息损失，并通过跟踪算法，对岸线进行跟踪，建立第二障碍物栅格图；
S5、将第一障碍物栅格图和第二障碍物栅格图进行融合，得到优化岸基标线障碍物的优化障碍物栅格图；
S6、依据优化障碍物栅格图，控制无人船调整姿态自主泊岸。
在本发明所述的无人船自主泊岸方法中，第一范围设定是半径25m的圆周范围，通过激光雷达获取无人船周围25m范围内的点云数据，对点云数据进行分割和聚类实现对岸线的提取，建立第一障碍物栅格图；其中，第一障碍物栅格图的规格设定为600*600,像素代表实际大小为5cm*5cm，对提取的岸线目标建立卡尔曼滤波跟踪。
在本发明所述的无人船自主泊岸方法中，通过惯性测量单元IMU装置获取无人船的当前的姿态信息，判断船体与真北方向的夹角是否在标定的岸线[θ1，θ2]内，进而控制动力装置和控制器调节船体姿态。
在本发明所述的无人船自主泊岸方法中，在计算岸线在岸线标线图像中的像素和实际的岸线距离信息的步骤中，包括步骤：
对摄像头采集到的图像进行平滑处理，并进行自适应阈值的二值化处理；
对二值化的图像进行垂直方向的直线提取，获取直线区域的坐标范围，在原图中该区域RGB值与标定区域的RGB值做差值，是否小于阈值判定为需要选定的色标直线，再将二值化图像进行逆透视变换，根据色标区域的直线距离值，实时计算图像区域中像素点代表的距离坐标；
图像处理算法对岸线提取，并利用卡尔曼滤波器对岸线进行跟踪。
在本发明所述的无人船自主泊岸方法中，在将第一障碍物栅格图和第二障碍物栅格图进行融合的步骤中，利用匈牙利算法对第一障碍物栅格图和第二障碍物栅格图进行中的岸线进行配对融合，消除测量噪声误差。
在本发明所述的无人船自主泊岸方法中，依据优化障碍物栅格图，控制无人船调整姿态自主泊岸的步骤包括：通过欧式距离变化，计算无人船的行驶路径区域。
作为本发明的优选技术方案，对于融合后的障碍物栅格图中的M*N,设定为A[M][N]，设其中的A[i][j]＝1表示对应的栅格有目标，A[i][j]＝0表示为背景点，B＝{(x,y)|A[i][j]＝1}为目标点集合，A中栅格点欧式距离变化由如下公式表示：
D[i][j]＝min{Distance[(i,j),(x,y)],(x,y)∈B}
其中，i,j为融合后的障碍物栅格图中的像素坐标。
在本发明所述的无人船自主泊岸方法中，利用Astar算法和贝塞尔曲线拟合，计算得到可行路径，并发送给动力转置，控制无人船依据可行路径实现自主泊岸。
此外，本发明还提供了一种计算机设备，包括输入输出单元、存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权前一技术方案所述的无人船自主泊岸方法中的步骤。
此外，本发明还提供了一种存储有计算机可读指令的存储介质，计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如前一技术方案所述的无人船自主泊岸方法中的步骤。
区别于现有技术，本发明的无人船自主泊岸方法利用无人船自身搭载的传感器设备，在确定需要进行泊岸时，通过激光雷达和摄像头分别采集无人船周围的三维点云数据和岸线表现图像，分别进行处理，得到障碍物栅格图，对两幅障碍物栅格进行融合，得到优化岸基标线障碍物的优化障碍物栅格图，并依据优化障碍物栅格图，控制无人船调整姿态自主泊岸。通过本发明，能够实现自主泊岸的功能，无需增加成本，方便复制泊岸点设定，增加了无人船的自主回收能力。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1为本发明提供的一种无人船自主泊岸方法的逻辑示意图。
图2为本发明提供的一种无人船自主泊岸方法的无人船目标跟踪的流程图。
图3为本发明提供的一种无人船自主泊岸方法中融合算法流程图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应该指出的是，对本领域的技术人员来说，在不脱离本发明的构思的前提下，还可以做出若干变现和改进，这都是属于本发明的保护范畴。
本实施案例中，提供了一种无人船自主泊岸方法，所涉及的无人船的组成至少包括GNSS(全球导航卫星系统)，IMU(惯性测量单元)，激光雷达，摄像头，计算机单元，嵌入式控制器单元及动力装置。
本实施例中，所述的无人船自主泊岸方法步骤如下：
S1、通过GNSS定位获取当前无人船的坐标位置，并判断与岸边距离是否在第一范围内，以及是否接收到泊岸指令，判断是否进行自主泊岸航行模式。
GNSS获取无人船坐标位置，通过计算待泊岸的坐标位置，计算是否在岸边25m范围内，如果不在25m范围内，通过动力装置行驶至岸边25m以内的范围内。
S2、通过惯性测量单元IMU装置获得无人船船体的姿态信息，通过给定的方向量调整船体动力分配，以调整船体的姿态。
通过IMU获取无人船当前的姿态信息，通过判断无人船和真北方向的夹角，判断待泊岸的是否设定的角度范围内，如果不在通过动力转置微调船体姿态。
S3、通过激光雷达获取无人船周围第一范围的三维点云数据，通过滤波、去孤立点及二维映射进行点云数据处理，同时对岸线点云进行跟踪，获取第一障碍物栅格图。
激光雷达点云处理：通过对点云数据采用高斯滤波器，去除孤立点云。再通过最大最小值进行栅格化，将所有的点云三维点投影到栅格地图上，记录每个栅格点的最大高度值和最小高度值的差值，设定差值大于阈值，就设设定该栅格为占用状态，否则为非占用状态。利用区域生长的聚类算法对栅格图中的障碍物占用栅格进行聚类，首先创建一个open列表来存储所有的障碍物占用的栅格，然后再从open列表中随机选取一个栅格放入closed列表中，进行考察，考察完了以后再考察相邻的栅格，以此类推，直到所有的open和closed列表为空为止。聚类后的障碍物块以最小矩形参数作为该障碍物的特征，它包括了矩形长L，宽R，中心点(x，y)和障碍物块对这个矩形张占用率k。
S4、通过摄像头获取岸线标线图像信息，通过图像卷积操作提取岸线标线图像中直线信息，通过纹理信息提取岸线标线图像中岸边标识，通过仿生变换得到岸标线正视图，计算岸线在岸线标线图像中的像素和实际的岸线距离信息，换算得到每个像素对应的距离值，消除摄像头的距离信息损失，并通过跟踪算法，对岸线进行跟踪，建立第二障碍物栅格图。
在计算岸线在岸线标线图像中的像素和实际的岸线距离信息的步骤中，包括步骤：
对摄像头采集到的图像进行平滑处理，并进行自适应阈值的二值化处理；
对二值化的图像进行垂直方向的直线提取，获取直线区域的坐标范围，在原图中该区域RGB值与标定区域的RGB值做差值，是否小于阈值判定为需要选定的色标直线，再将二值化图像进行逆透视变换，根据色标区域的直线距离值，实时计算图像区域中像素点代表的距离坐标；
图像处理算法对岸线提取，并利用卡尔曼滤波器对岸线进行跟踪。
摄像头获取岸边图像处理：对采集到的图像采用高斯模板进行预处理去除高斯噪声。然后通过自适应的二值化方法去除光照分布不均匀的影响。在二值化的图像上采用S*S的均值模块对图像进行卷积获取岸线的区域信息，其中S为岸线标线的像素宽度，并根据岸线标线设定的RGB值，是否阈值范围内，判定为岸线标线。二值化的自适应阈值是通过卷积后的灰度值减去一个固定的值得到。对得到二值化图像进行逆透视变化，得到岸线俯视图，并根据岸线标线像素对应距离值，将俯视图投影到600*600的，像素代表实际大小为5cm*5cm障碍物栅格图中，并提取岸线标线。
跟踪算法：对第二障碍物栅格图上的目标建立跟踪算法，
跟踪算法中采用的关联指标为航迹障碍物块的关联系数：计算公式如下：
Figure BDA0002234733310000061
其中xjyjLjRjkj，x′iy′iLiRiki分别为检测到目标点和航迹的坐标位置，宽度，长度，障碍物栅格占有率。
再利用卡尔曼滤波状态转移和更新方程进行滤波值更新：
X(k)＝AX(k-1)+W(k)
其中X(k)为当前时刻状态值，X(k-1)为上一时刻状态值，A为状态转移方程，W(k)过程转移噪声；
Z(k)＝HX(k)+V(k)
其中Z(k)为测量值，H测量方程，V(k)为测量噪声；
X(k│k-1)＝AX(k-1│k-1)+BU(k)
其中：X(k-1|k-1)上一时刻的状态；
P(k│k-1)＝AP(k-1│k-1)A^'+Q
其中：P(k|k-1)预测估计协方差矩阵，Q为过程噪声矩阵；
X(k│k)＝X(k│k-1)+Kg(k)(Z(k)-HX(k│k-1))
其中：Kg(k)为卡尔曼增益：
Kg(k)＝(P(k│k-1)H^')/((HP(k│k-1)H^'+R))
其中：R为测量噪声协方差矩阵：
P(k│k)＝(1-Kg(k)H)P(k|k-1)
其中P(k|k)为后验估计协方差矩阵。
S5、将第一障碍物栅格图和第二障碍物栅格图进行融合，得到优化岸基标线障碍物的优化障碍物栅格图。
融合算法：采用匈牙利算法进行目标点和航迹点的配对运算。先将激光雷达和摄像头得到的障碍物栅格图中提取的岸边信息，根据采集时刻，激光雷达和摄像头安装的位置，进行运动方程的推移和空间坐标位置的转换，得到在同一时刻和同一坐标系下岸边在障碍物栅格图中的坐标位置。然后采用匈牙利配对算法，两条岸线标线精确配对，再采用卡尔曼滤波更新岸线坐标位置。
S6、依据优化障碍物栅格图，控制无人船调整姿态自主泊岸。
通过欧式距离变化，计算无人船的行驶路径区域。
对于融合后的障碍物栅格图中的M*N,设定为A[M][N]，设其中的A[i][j]＝1表示对应的栅格有目标，A[i][j]＝0表示为背景点，B＝{(x,y)|A[i][j]＝1}为目标点集合，A中栅格点欧式距离变化由如下公式表示：
D[i][j]＝min{Distance[(i,j),(x,y)],(x,y)∈B}
其中，i,j为融合后的障碍物栅格图中的像素坐标。
根据公式建立欧式距离变换，计算出无人船可通行区域栅格图。
根据可通行的障碍物栅格图，通过A*算法，在栅格上计算出规划的路径，采用贝塞尔曲线拟合，得到最终的路径。再根据路径曲线的计算曲线当前时刻的切线方向，并将该运动方向发送给动力装置，实现无人船的自主泊岸。
此外，本发明还提供了一种计算机设备，包括输入输出单元、存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权前一技术方案所述的无人船自主泊岸方法中的步骤。
此外，本发明还提供了一种存储有计算机可读指令的存储介质，计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如前一技术方案所述的无人船自主泊岸方法中的步骤。
区别于现有技术，本发明的无人船自主泊岸方法利用无人船自身搭载的传感器设备，在确定需要进行泊岸时，通过激光雷达和摄像头分别采集无人船周围的三维点云数据和岸线表现图像，分别进行处理，得到障碍物栅格图，对两幅障碍物栅格进行融合，得到优化岸基标线障碍物的优化障碍物栅格图，并依据优化障碍物栅格图，控制无人船调整姿态自主泊岸。通过本发明，能够实现自主泊岸的功能，无需增加成本，方便复制泊岸点设定，增加了无人船的自主回收能力。
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)

1.一种无人船自主泊岸方法，其特征在于，包括如下步骤：
S1、通过GNSS定位获取当前无人船的坐标位置，并判断与岸边距离是否在第一范围内，以及是否接收到泊岸指令，判断是否进行自主泊岸航行模式；
S2、通过惯性测量单元IMU装置获得无人船船体的姿态信息，通过给定的方向量调整船体动力分配，以调整船体的姿态；
S3、通过激光雷达获取无人船周围第一范围的三维点云数据，通过滤波、去孤立点及二维映射进行点云数据处理，同时对岸线点云进行跟踪，获取第一障碍物栅格图；
S4、通过摄像头获取岸线标线图像信息，通过图像卷积操作提取岸线标线图像中直线信息，通过纹理信息提取岸线标线图像中岸边标识，通过仿射变换得到岸标线正视图，计算岸线在岸线标线图像中的像素和实际的岸线距离信息，换算得到每个像素对应的距离值，消除摄像头的距离信息损失，并通过跟踪算法，对岸线进行跟踪，建立第二障碍物栅格图；
S5、将第一障碍物栅格图和第二障碍物栅格图进行融合，得到优化岸基标线障碍物的优化障碍物栅格图；
S6、依据优化障碍物栅格图，控制无人船调整姿态自主泊岸。
2.根据权利要求1所述的一种无人船自主泊岸方法，其特征在于：第一范围设定是半径25m的圆周范围，通过激光雷达获取无人船周围25m范围内的点云数据，对点云数据进行分割和聚类实现对岸线的提取，建立第一障碍物栅格图；其中，第一障碍物栅格图的规格设定为600 *600,像素代表实际大小为5cm*5cm，对提取的岸线目标建立卡尔曼滤波跟踪。
3.根据权利要求1所述的一种无人船自主泊岸方法，其特征在于：通过惯性测量单元IMU装置获取无人船的当前的姿态信息，判断船体与真北方向的夹角是否在标定的岸线
Figure DEST_PATH_IMAGE001
内，进而控制动力装置和控制器调节船体姿态。
4.根据权利要求1所述的一种无人船自主泊岸方法，其特征在于：在计算岸线在岸线标线图像中的像素和实际的岸线距离信息的步骤中，包括步骤：
对摄像头采集到的图像进行平滑处理，并进行自适应阈值的二值化处理；
对二值化的图像进行垂直方向的直线提取，获取直线区域的坐标范围，在原图中该区域RGB值与标定区域的RGB值做差值，小于阈值判定为需要选定的色标直线，再将二值化图像进行逆透视变换，根据色标直线以下区域的直线距离值，实时计算图像区域中像素点代表的距离坐标；
图像处理算法对岸线提取，并利用卡尔曼滤波器对岸线进行跟踪。
5.根据权利要求1所述的一种无人船自主泊岸方法，其特征在于：在将第一障碍物栅格图和第二障碍物栅格图进行融合的步骤中，利用匈牙利算法对第一障碍物栅格图和第二障碍物栅格图进行中的岸线进行配对融合，消除测量噪声误差。
6.根据权利要求1所述的一种无人船自主泊岸方法，其特征在于：依据优化障碍物栅格图，控制无人船调整姿态自主泊岸的步骤包括：通过欧式距离变化，计算无人船的行驶路径区域。
7.根据权利要求6所述的一种无人船自主泊岸方法，其特征在于：对于融合后的障碍物栅格图中的M*N,设定为A[M][N]，设其中的A[i][j]=1表示对应的栅格有目标，A[i][j]=0表示为背景点，B={(x,y)|A[i][j]=1}为目标点集合，A中栅格点欧式距离变化由如下公式表示：
D[k][l]=min{Distance[(k,l),(x,y)],(x,y)
Figure 254009DEST_PATH_IMAGE002
B}
其中，k,l为融合后的障碍物栅格图中的像素坐标。
8.根据权利要求1所述的一种无人船自主泊岸方法，其特征在于：根据可行路径区域，利用Astar算法和贝塞尔曲线拟合，计算得到可行路径，并发送给动力转置，控制无人船依据可行路径实现自主泊岸。
9.一种计算机设备，其特征在于，包括输入输出单元、存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至8中的任一所述的无人船自主泊岸方法中的步骤。
10.一种存储有计算机可读指令的存储介质，其特征在于，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至8中的任一所述的无人船自主泊岸方法中的步骤。
CN201910979565.1A 2019-10-15 2019-10-15 一种无人船自主泊岸方法、计算机设备及存储介质 Active CN110827329B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910979565.1A CN110827329B (zh) 2019-10-15 2019-10-15 一种无人船自主泊岸方法、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910979565.1A CN110827329B (zh) 2019-10-15 2019-10-15 一种无人船自主泊岸方法、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN110827329A CN110827329A (zh) 2020-02-21
CN110827329B true CN110827329B (zh) 2022-07-12

Family

ID=69549335

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910979565.1A Active CN110827329B (zh) 2019-10-15 2019-10-15 一种无人船自主泊岸方法、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN110827329B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111399503A (zh) * 2020-03-09 2020-07-10 西南科技大学 一种小型无人船艇自动停泊方法
JP2023525106A (ja) * 2020-05-11 2023-06-14 華為技術有限公司 車両走行可能領域検出方法、システム、及びそのシステムを使用する自律車両
CN112258517A (zh) * 2020-09-30 2021-01-22 无锡太机脑智能科技有限公司 激光雷达栅格地图的自动修图方法和装置
CN112381026A (zh) * 2020-11-23 2021-02-19 武汉理工大学 航道岸线检测方法、系统、装置和存储介质
CN113390410B (zh) * 2021-08-04 2023-01-13 北京云恒科技研究院有限公司 一种适用于无人机的惯性组合导航方法
CN114241211B (zh) * 2021-11-26 2023-02-03 中国船舶重工集团公司第七0四研究所 基于激光雷达点云特征的岸线提取方法
CN114396945B (zh) * 2022-03-24 2022-07-12 陕西欧卡电子智能科技有限公司 无人船沿边清扫路径规划方法、装置、设备及存储介质
CN114879685B (zh) * 2022-05-25 2023-04-28 合肥工业大学 一种用于无人船的河岸线检测及自主巡航方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104297758A (zh) * 2014-08-15 2015-01-21 大连海事大学 一种基于2d脉冲式激光雷达的辅助靠泊装置及其方法
CN108445880A (zh) * 2018-03-12 2018-08-24 上海大学 基于单目视觉和激光数据融合的无人艇自主停泊系统和方法
CN109213162A (zh) * 2018-09-01 2019-01-15 哈尔滨工程大学 一种多传感器信息融合的水面无人艇水池自主靠泊离岸方法
WO2019105698A1 (de) * 2017-11-29 2019-06-06 Zf Friedrichshafen Ag Einrichtung und verfahren zum an- oder ablegen eines schiffs an einer anlegestelle

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104297758A (zh) * 2014-08-15 2015-01-21 大连海事大学 一种基于2d脉冲式激光雷达的辅助靠泊装置及其方法
WO2019105698A1 (de) * 2017-11-29 2019-06-06 Zf Friedrichshafen Ag Einrichtung und verfahren zum an- oder ablegen eines schiffs an einer anlegestelle
CN108445880A (zh) * 2018-03-12 2018-08-24 上海大学 基于单目视觉和激光数据融合的无人艇自主停泊系统和方法
CN109213162A (zh) * 2018-09-01 2019-01-15 哈尔滨工程大学 一种多传感器信息融合的水面无人艇水池自主靠泊离岸方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于激光三维视觉的船舶靠泊动态监测技术;闫晓飞等;《激光与红外》;20161220(第12期);第17-23页 *

Also Published As

Publication number Publication date
CN110827329A (zh) 2020-02-21

Similar Documents

Publication Publication Date Title
CN110827329B (zh) 一种无人船自主泊岸方法、计算机设备及存储介质
JP6272217B2 (ja) 移動する物体の近傍の自由空間を推定する方法および装置
Li et al. Springrobot: A prototype autonomous vehicle and its algorithms for lane detection
Sinisterra et al. Stereovision-based target tracking system for USV operations
EP4354403A2 (en) Vehicle localization
Jeong et al. Road-SLAM: Road marking based SLAM with lane-level accuracy
Kenue Lanelok: Detection of lane boundaries and vehicle tracking using image-processing techniques-part i: Hough-transform, region-tracing and correlation algorithms
Pinto et al. An autonomous surface-aerial marsupial robotic team for riverine environmental monitoring: Benefiting from coordinated aerial, underwater, and surface level perception
US10030969B2 (en) Road curvature detection device
EP3686775B1 (en) Method for detecting pseudo-3d bounding box based on cnn capable of converting modes according to poses of objects using instance segmentation
WO2015008032A1 (en) Route planning
EP3022619A1 (en) Route planning
Jun et al. Autonomous driving system design for formula student driverless racecar
Bovcon et al. Improving vision-based obstacle detection on USV using inertial sensor
Rasmussen RoadCompass: following rural roads with vision+ ladar using vanishing point tracking
Lin et al. Auv docking method in a confined reservoir with good visibility
EP4360052A1 (en) Automatic camera registration and calibration using marine sensors
Wang et al. 3D-LIDAR based branch estimation and intersection location for autonomous vehicles
Woo et al. Obstacle avoidance and target search of an Autonomous Surface Vehicle for 2016 Maritime RobotX challenge
Thompson Maritime object detection, tracking, and classification using lidar and vision-based sensor fusion
Lee Machine learning vision and nonlinear control approach for autonomous ship landing of vertical flight aircraft
Matsuo et al. Outdoor visual localization with a hand-drawn line drawing map using fastslam with pso-based mapping
CN112880678A (zh) 一种复杂水域环境中无人艇航行规划方法
Fries et al. Real-time unsupervised feature model generation for a vehicle following system
Franke et al. Kalman filter based depth from motion with fast convergence

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