CN110888441B - 一种基于陀螺仪的轮椅车控制系统 - Google Patents

一种基于陀螺仪的轮椅车控制系统 Download PDF

Info

Publication number
CN110888441B
CN110888441B CN201911201269.5A CN201911201269A CN110888441B CN 110888441 B CN110888441 B CN 110888441B CN 201911201269 A CN201911201269 A CN 201911201269A CN 110888441 B CN110888441 B CN 110888441B
Authority
CN
China
Prior art keywords
pixel
value
image
wheelchair
road surface
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
CN201911201269.5A
Other languages
English (en)
Other versions
CN110888441A (zh
Inventor
黄耀东
杨建�
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.)
Guangzhou Lebi Robotics Co ltd
Original Assignee
Guangzhou Lebi Computer 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 Guangzhou Lebi Computer Co ltd filed Critical Guangzhou Lebi Computer Co ltd
Priority to CN201911201269.5A priority Critical patent/CN110888441B/zh
Publication of CN110888441A publication Critical patent/CN110888441A/zh
Application granted granted Critical
Publication of CN110888441B publication Critical patent/CN110888441B/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, 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
    • 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
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61G—TRANSPORT, PERSONAL CONVEYANCES, OR ACCOMMODATION SPECIALLY ADAPTED FOR PATIENTS OR DISABLED PERSONS; OPERATING TABLES OR CHAIRS; CHAIRS FOR DENTISTRY; FUNERAL DEVICES
    • A61G5/00—Chairs or personal conveyances specially adapted for patients or disabled persons, e.g. wheelchairs
    • A61G5/10—Parts, details or accessories
    • A61G5/1051—Arrangements for steering
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61G—TRANSPORT, PERSONAL CONVEYANCES, OR ACCOMMODATION SPECIALLY ADAPTED FOR PATIENTS OR DISABLED PERSONS; OPERATING TABLES OR CHAIRS; CHAIRS FOR DENTISTRY; FUNERAL DEVICES
    • A61G2203/00—General characteristics of devices
    • A61G2203/10—General characteristics of devices characterised by specific control means, e.g. for adjustment or steering
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/72—Electric energy management in electromobility

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Electromagnetism (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Image Processing (AREA)

Abstract

一种基于陀螺仪的轮椅车控制系统，包括摇杆信号采集模块、姿态信息采集模块、路面图像采集模块、智能控制模块和电机驱动模块，所述摇杆信号采集模块用于采集轮椅车的速度控制信号，所述姿态信息采集模块通过陀螺仪采集轮椅车行驶过程中的姿态信息，所述路面图像采集模块用于采集轮椅车前进方向的路面图像，所述智能控制模块用于对所述速度控制信号、姿态信息和路面图像进行计算和分析，并根据分析结果通过控制电机驱动模块控制轮椅车的行驶。本发明的有益效果为：通过采集轮椅车的姿态信息和轮椅车前进方向的路面信息，并对采集的姿态信息和路面图像信息进行分析，实现了轮椅车行驶过程的智能控制。

Description

一种基于陀螺仪的轮椅车控制系统
技术领域
本发明创造涉及智能控制领域，具体涉及一种基于陀螺仪的轮椅车控制系统。
背景技术
传统的电动轮椅车或老年休闲车等虽然靠两个电机和控制器能实现前进后退左右转弯，但控制方式简单，无法辨别复杂路况，安全性低；特别是在上斜时候，不能根据路况给予驾驶者提醒和车辆智能控制，同时也无法根据路况智能调整参数，这就导致传统的电动轮椅车和老年休闲车在路况复杂的环境情况下，安全性和体验感都会大打折扣，不利于老年人的驾驶。
发明内容
针对上述问题，本发明旨在提供一种基于陀螺仪的轮椅车控制系统。
本发明创造的目的通过以下技术方案实现：
一种基于陀螺仪的轮椅车控制系统，包括摇杆信号采集模块、姿态信息采集模块、路面图像采集模块、智能控制模块和电机驱动模块，所述摇杆信号采集模块用于采集轮椅车的速度控制信号，并将采集得到的速度控制信号传入智能控制模块，所述姿态信息采集模块通过陀螺仪采集轮椅车行驶过程中的姿态信息，并将所述姿态信息传入智能控制模块，所述路面图像采集模块采用双目相机采集轮椅车前进方向的路面图像，并将采集得到的路面图像传入智能控制模块，所述智能控制模块包括信息解算单元、图像处理单元、危险分析单元和控制器单元，所述信息解算单元根据所述速度控制信号计算轮椅车的速度预期值，并根据所述姿态信息计算轮椅车的速度实际值，将计算所得的速度预期值和速度实际值传入危险分析单元，所述危险分析单元对速度预期值和速度实际值进行分析，当速度预期值或速度实际值高于设置的安全阈值时进行报警，当所述速度预期值和速度实际值均在安全阈值范围时，危险分析单元将所述速度预期值和速度实际值传入控制器单元，所述图像处理单元用于对采集得到的路面图像进行匹配，构建路面图像的视差图，并将所述视差图传入危险分析单元，所述危险分析单元根据所述视差图获取路面的三维信息，并根据路面的三维信息对轮椅车前进方向的路面状态进行评估，当判定路面状态存在危险时进行报警，所述控制器单元根据危险分析单元的分析结果、速度预期值和速度实际值之间的差值控制电机驱动模块的运动。
本发明创造的有益效果：提供一种基于陀螺仪的轮椅车控制系统，通过陀螺仪采集轮椅车的姿态信息，并根据采集的姿态信息分析轮椅车当前的行驶状态，及时判断危险情况并进行报警，提高了轮椅车行驶过程中的安全性，引入图像处理技术对轮椅车前进方向的路面图像进行采集，并根据采集得到的路面图像对路面状态进行评估，从而提前获取轮椅车前进方向的路面情况，并根据获得的路况及时进行调整，提高了轮椅车的智能性和安全性。
附图说明
利用附图对发明创造作进一步说明，但附图中的实施例不构成对本发明创造的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1是本发明结构示意图。
附图标记：
摇杆信号采集模块1；姿态信息采集模块2；路面图像采集模块3；智能控制模块4；电机驱动模块5。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1，本实施例的一种基于陀螺仪的轮椅车控制系统，包括摇杆信号采集模块1、姿态信息采集模块2、路面图像采集模块3、智能控制模块4和电机驱动模块5，所述摇杆信号采集模块1用于采集轮椅车的速度控制信号，并将采集得到的速度控制信号传入智能控制模块4，所述姿态信息采集模块2通过陀螺仪采集轮椅车行驶过程中的姿态信息，并将所述姿态信息传入智能控制模块4，所述路面图像采集模块3采用双目相机采集轮椅车前进方向的路面图像，并将采集得到的路面图像传入智能控制模块4，所述智能控制模块4包括信息解算单元、图像处理单元、危险分析单元和控制器单元，所述信息解算单元根据所述速度控制信号计算轮椅车的速度预期值，并根据所述姿态信息计算轮椅车的速度实际值，将计算所得的速度预期值和速度实际值传入危险分析单元，所述危险分析单元对速度预期值和速度实际值进行分析，当速度预期值或速度实际值高于设置的安全阈值时进行报警，当所述速度预期值和速度实际值均在安全阈值范围时，危险分析单元将所述速度预期值和速度实际值传入控制器单元，所述图像处理单元用于对采集得到的路面图像进行匹配，构建路面图像的视差图，并将所述视差图传入危险分析单元，所述危险分析单元根据所述视差图获取路面的三维信息，并根据路面的三维信息对轮椅车前进方向的路面状态进行评估，当判定路面状态存在危险时进行报警，所述控制器单元根据危险分析单元的分析结果、速度预期值和速度实际值之间的差值控制电机驱动模块5的运动。
优选地，所述信息解算单元采用四元素法根据采集的姿态信息解算轮椅车行驶过程中的俯仰角、航偏角、横滚角以及角速度。
优选地，危险分析单元对轮椅车的速度实际值进行分析，设zθ(t)表示解算所得的轮椅车当前时刻的俯仰角，给定轮椅车许可坡度阈值Tθ，当|zθ(t)|≤Tθ时，危险分析单元判定当前坡度为可行坡度，控制器单元根据坡度降低轮椅车的行驶速度，当|zθ(t)|>Tθ时，判定当前坡度为危险坡度，则危险分析单元通过警示扩音器进行报警；设v(xθ(t))表示轮椅车当前时刻的横滚角速度，v(yθ(t))表示轮椅车当前时刻的航偏角速度，给定最大转弯速度值Tv，当v(xθ(t))>Tv或v(yθ(t))>Tv时，判定轮椅车存在翻车危险，则危险分析单元通过警示扩音器进行报警。
本优选实施例提供一种基于陀螺仪的轮椅车控制系统，通过陀螺仪采集轮椅车的姿态信息，并根据采集的姿态信息分析轮椅车当前的行驶状态，及时判断危险情况并进行报警，提高了轮椅车行驶过程中的安全性，引入图像处理技术对轮椅车前进方向的路面图像进行采集，并根据采集得到的路面图像对路面状态进行评估，从而提前获取轮椅车前进方向的路面情况，并根据获得的路况及时进行调整，提高了轮椅车的智能性和安全性。
优选地，路面图像采集模块3采用双目相机采集轮椅车前进方向路面的左右两幅图像，图像处理单元对路面图像采集模块采集到的左右两幅图像进行畸变校正和极线校正后对图像进行匹配，构建两幅图像之间的视差图。
优选地，所述图像处理单元以左图像为目标图像，右图像为参考图像，构建左图像的视差图，具体为：
将左图像表示为I0，右图像表示为I1，设h0(x,y)为左图像I0中坐标(x,y)处的像素，h1(x-d,y)为右图像I1中坐标(x-d,y)处的像素，定义像素h0(x,y)和像素h1(x-d,y)的匹配代价为η(h0,d)，则η(h0,d)的表达式为：
η(h0,d)＝θ*min{|f0(x,y)-f1(x-d,y)|,τ1}+γ*min{(|Gx(h0)-Gx(h1)|+|Gy(h0)-Gy(h1)|),τ2}
式中，f0(x,y)表示像素h0(x,y)的灰度值，f1(x-d,y)表示像素h1(x-d,y)的灰度值，τ1和τ2为给定的截断阈值，Gx(h0)表示像素h0(x,y)在x轴的导数，Gx(h1)表示像素h1(x-d,y)在x轴的导数，Gy(h0)表示像素h0(x,y)在y轴的导数，Gy(h1)表示像素h1(x-d,y)在y轴的导数，θ和γ为权重系数，且θ+γ＝1；
对像素h0(x,y)和像素h1(x-d,y)的匹配代价η(h0,d))进行优化处理，将匹配代价η(h0,d)经优化处理后的值表示为B(h0,d)，则B(h0,d)的表达式为：
Figure BDA0002295935950000041
Figure BDA0002295935950000042
Figure BDA0002295935950000043
式中，
Figure BDA0002295935950000044
为归一化系数，s0(i,j)表示左图像I0中坐标(i,j)处的像素，f0(i,j)表示像素s0(i,j)的灰度值，s1(i-d,j)表示右图像I1中坐标(i-d,j)处的像素，f1(i-d,j)表示像素s1(i-d,j)的灰度值，C0(x,y)表示像素h0(x,y)的优化窗口，且C0(x,y)为以像素h0(x,y)为中心的(2(r+α′0(x,y))+1)×(2(r+α′0(x,y))+1)的局部邻域，r为设置的初始半径，α′0(x,y)为像素h0(x,y)的优化窗口对应的半径增量系数，
Figure BDA0002295935950000045
表示优化窗口C0(x,y)中像素灰度值的最大值，
Figure BDA0002295935950000046
表示优化窗口C0(x,y)中像素灰度值的最小值，C1(x-d,y)表示像素h1(x-d,y)的优化窗口，且C1(x-d,y)为以像素h1(x-d,y)为中心的(2(r+α′1(x-d,y))+1)×(2(r+α′1(x-d,y))+1)的局部邻域，
Figure BDA0002295935950000047
表示优化窗口C1(x-d,y)中像素灰度值的最大值，
Figure BDA0002295935950000048
表示优化窗口C1(x-d,y)中像素灰度值的最小值，α′1(x-d,y)为像素h1(x-d,y)的优化窗口对应的半径增量系数；
则左图像I0中坐标(x,y)处像素h0(x,y)对应的视差d0(x,y)为：
Figure BDA0002295935950000049
式中，dmax为设置的最大视差值。
本优选实施例用于对双目相机采集的两幅图像进行匹配，定义像素之间的匹配代价为η，在定义的匹配代价中，综合考虑了像素之间的灰度值相似性和空间结构相似性，提高了像素匹配结果的准确性，在衡量像素之间的灰度值相似性和空间结构相似性时，都引入了截断阈值，从而有效的避免了噪声对匹配结果准确性的干扰；对像素之间的匹配代价η进行优化，采用像素的匹配窗口中像素对匹配代价进行滤波处理，减少了噪声干扰的同时提高了匹配结果的准确性，从而提高了视差值的准确性。
优选地，设C0(x,y)表示像素h0(x,y)的优化窗口，Ω0(x,y)表示以像素h0(x,y)为中心的(2(r+α)+1)×(2(r+α)+1)的局部邻域，其中，r为设置的初始半径，α为半径增量系数，且α为正整数，将Ω0(x,y)记为像素h0(x,y)的第一局部邻域，设Ω′0(x,y)为以像素h0(x,y)为中心的(2(r+α+1)+1)×(2(r+α+1)+1)的局部邻域，将Ω′0(x,y)记为像素h0(x,y)的第二局部邻域，设D0(x,y)为像素h0(x,y)的边缘像素集合，且Do(x,y)＝{ho(i,j)|ho(i,j)∈Ω0′(x,y)-Ω0(x,y)，构建像素点h0x,y对应的分界函数F0x,y：
Figure BDA0002295935950000051
式中，f0(x,y)表示左图像I0中坐标(x,y)处像素的灰度值，f0(i,j)表示左图像I0中坐标(i,j)处像素的灰度值，M(D0(x,y))表示集合D0(x,y)中的像素点数，
Figure BDA0002295935950000052
表示第一局部邻域Ω0(x,y)的结构描述函数，且
Figure BDA0002295935950000053
的表达式为：
Figure BDA0002295935950000054
Figure BDA0002295935950000055
Figure BDA0002295935950000056
其中，
Figure BDA0002295935950000057
表示第一局部邻域Ω0(x,y)的横向结构描述函数，
Figure BDA0002295935950000058
表示第一局部邻域Ω0(x,y)的纵向结构描述函数，f0(x+r+α-n,j)表示左图像I0中坐标(x+r+α-n,j)处像素的灰度值，f0(x+r+α-n-1,j)表示左图像I0中坐标(x+r+α-n-1,j处像素的灰度值，f0i,y+r+α-n表示左图像I0中坐标i,y+r+α-n处像素的灰度值，f0(i,y+r+α-n-1)表示左图像f0中坐标(i,y+r+α-n-1)处像素的灰度值；
Figure BDA0002295935950000059
表示第二局部邻域Ω′0(x,y)的结构描述函数，且
Figure BDA00022959359500000510
的表达式为：
Figure BDA00022959359500000511
Figure BDA0002295935950000061
Figure BDA0002295935950000062
其中，
Figure BDA0002295935950000063
表示第二局部邻域Ω′0(x,y)的横向结构描述函数，
Figure BDA0002295935950000064
表示第二局部邻域Ω′0(x,y)的纵向结构描述函数，f0(x+r+α-n+1,j)表示左图像I0中坐标(x+r+α-n+1,j)处像素的灰度值，f0(x+r+α-n,j)表示左图像I0中坐标(x+r+α-n,j处像素的灰度值，f0i,y+r+α-n+1表示左图像I0中坐标i,y+r+α-n+1处像素的灰度值，f0(i,y+r+α-n)表示左图像I0中坐标(i,y+r+α-n)处像素的灰度值；
给定阈值T0(x,y)，且
Figure BDA0002295935950000065
其中，
Figure BDA0002295935950000066
表示第一局部邻域Ω0(x,y)的结构描述函数，σ0(Ω0(x,y))表示第一局部邻域Ω0(x,y)中像素灰度值的标准差，则像素h0(x,y)的优化窗口对应的半径增量系数α′0(x,y)的值为：
Figure BDA0002295935950000067
式中，ψ(F0(x,y)-T0(x,y))为判断函数，当F0(x,y)-T0(x,y)>0时，则ψ(F0(x,y)-T0x,y＝F0x,y-T0x,y，当F0x,y-T0x,y≤0时，则F0x,y-T0x,y＝+∞，N为给定的最大半径增量系数；
则像素h0(x,y)的优化窗口C0(x,y)为以像素h0(x,y)为中心的(2(r+α′0(x,y))+1)×(2(r+α′0(x,y))+1)的局部邻域，同理可得像素h1(x-d,y)的优化窗口C1(x-d,y)。
本优选实施例用于确定各像素的匹配窗口，相较于传统的采用固定大小的匹配窗口的方式，本优选实施例根据像素的特性自适应的决定其对应的匹配窗口的大小；在匹配窗口的确定过程中，定义分界函数F0，在分界函数F0中通过边界像素灰度值的变化情况对匹配窗口中的像素灰度值进行约束，保证了匹配窗口中像素灰度值的统一性；通过像素的结构描述函数对匹配窗口中的图像区域性质进行检验，定义的像素结构描述函数能够发现像素结构的细微变化，保证了匹配窗口中图像结构的统一性，从而提高了像素匹配代价的优化结果，为后续计算像素的视差值奠定了基础。
优选地，将左图像I0中的所有像素和右图像I1中的像素进行匹配，获得左图像I0中所有像素对应的视差值，根据获得的视差值构建左图像I0的视差图D0，同理构建右图像I1的视差图D1，对视差图D0中的视差值进行检验，设h0(x,y)表示左图像I0中坐标(x,y)处的像素，且像素h0(x,y)在视差图D0中对应的视差为d0(x,y)，像素h0(x,y)在右图像I1中的匹配像素为h1(x-d0(x,y),y)，且像素h1(x-d0(x,y),y)在视差图D1对应的视差为d1(x-d0(x,y),y)，当|d0(x,y)-d1(x-d0(x,y),y)|≤1，则判定该视差值为有效视差，予以保留，当|d0(x,y)-d1(x-d0(x,y),y)|>1时，即判定该视差值为无效视差，对像素h0(x,y)进行重新匹配，定义像素h0(x,y)和右图像I1中像素h1(x-d,y)进行重匹配的匹配代价为B′0(h0,d)，且B′0(h0,d)的表达式为：
Figure BDA0002295935950000071
Figure BDA0002295935950000072
Figure BDA0002295935950000073
Figure BDA0002295935950000074
式中，B′0(h0,d)为重匹配时像素h0(x,y)和像素h1(x-d,y)的匹配代价，
Figure BDA0002295935950000075
为调节系数，K0(x,y)表示像素h0(x,y)的优化窗口C0(x,y)中不需要重匹配的像素集合，s0(i,j)表示左图像I0中坐标(i,j)处的像素，f0(i,j)表示像素s0(i,j)的灰度值，σc为灰度值距离对该点的影响因子，σd为空间距离对该点的影响因子，d0(i,j)表示像素s0(i,j)对应的视差值，d′0(x,y)为重匹配后获得的像素h0(x,y)的视差值,将视差值d′0(x,y)取代视差图D0中的原始视差值d0(x,y)。
对视差图D0中的所以视差值进行检验后，采用上述检验方式对视差图D1中的视差进行检验，直到视差图D0和视差图D1中的视差值均为有效视差时，停止检验。
本优选实施例用于对左右两幅图像生成的视差图中的视差值的有效性进行检验，当检验的视差值为有效视差值时予以保留，当检验的视差值为无效视差值时，则对该视差值所对应的像素进行重匹配，在重匹配的过程中，定义的像素匹配代价B′0(h0,d)在保留了原有的匹配代价B0(h0,d)的基础上，增加了调节系数
Figure BDA0002295935950000076
在调节系数
Figure BDA0002295935950000077
中采用该像素的优化窗口中不需要重匹配的像素的视差值对匹配代价B′0(h0,d)进行指导，本优选实施例采用的优化窗口能够确保窗口中的像素都具有较为统一的像素值和结构特征，因此可以认为优化窗口中像素的视差值较为接近，进一步的调节参数
Figure BDA0002295935950000078
采用优化窗口不需要重匹配的像素的视差值对需要重匹配的视差值进行调节，当像素h0(x,y)的视差值d0(x,y)和其优化窗口中不需要重匹配的像素的视差值相差较远时，说明该视差值d0(x,y)具有较低的可信度，因此，对该视差值对应的匹配代价B′0(h0,d)进行抑制，从而确保了匹配精度，从而提高了视差值计算结果的准确性。
优选地，危险分析单元根据获得的视差图计算路面的三维信息，并根据路面的三维信息对轮椅车前进方向的路面状态进行评估，设获得的路面三维数据点集合为F，且F＝{f(xi,yi,zi),i＝1,2,…,M}，其中，M表示集合F中的数据点数，f(xi,yi,zi)表示坐标(xi,yi,zi)处的数据点，定义数据点f(xi,yi,zi)对应的区域检测系数为T(i)，则T(i)的计算公式为：
Figure BDA0002295935950000081
式中，θ为常数，且θ＝10°，
Figure BDA00022959359500000814
表示以数据点f(xi,yi,zi)为圆心、以r0为半径的球形区域，
Figure BDA0002295935950000082
表示区域
Figure BDA00022959359500000815
中数据点的法向量满足{(α∈[(m-1)*θ,m*θ]∩β∈[n-1*θ,n*θ]}的数据点数，其中，α表示数据点的法向量在xy轴平面上的投影和x轴正方向的夹角，β表示数据点的法向量和z轴正方向的夹角，
Figure BDA00022959359500000813
表示区域
Figure BDA00022959359500000816
中的数据点数；
将集合F中的数据点按其区域检测系数的值由大到小进行排列，选取前
Figure BDA0002295935950000083
个数据点组成集合B，定义路面评估系数为L，则L的计算公式为：
Figure BDA0002295935950000084
Figure BDA0002295935950000085
式中，μ(j)表示数据点f(xj,yj,zj)的区域信息值，Or(xj,yj,zj)表示以数据点f(xj,yj,zj)为圆心、以r为半径的球形区域，
Figure BDA0002295935950000086
表示区域Or(xj,yj,zj)中数据点的法向量满足{(α∈[(m-1)*θ,m*θ])∩(β∈[(n-1)*θ,n*θ])}的数据点数，
Figure BDA0002295935950000087
为判断函数，给定门限值H，且
Figure BDA0002295935950000088
当数据点数
Figure BDA0002295935950000089
时，
Figure BDA00022959359500000810
当数据点数
Figure BDA00022959359500000811
时，
Figure BDA00022959359500000812
给定安全阈值U，当路面评估系数
Figure BDA0002295935950000091
时，即判定路面状态较平稳，当路面评估系数
Figure BDA0002295935950000092
时，即判定路面状态一般，控制器单元减小轮椅车的行驶速度，当路面评估系数L>U时，即判定路面状态存在行驶危险，危险分析单元通过警示扩音器进行报警
本优选实施例用于根据路面的三维信息对轮椅车前进方向的路面状态进行评估，在评估过程中，首先通过定义数据点对应的区域检测系数判断数据点局部邻域的信息量，定义的区域检测系数通过局部邻域中数据点的法向量的分布复杂程度衡量该局部区域中的带有的信息量，进而选取具有较多信息量的数据点参与路面状态评估，选取的数据点既能有效的反应路面状态，又能减小路面状态评估的运算量；根据选取的数据点对路面状态进行评估时，相较于传统的采用固定邻域半径的方式，本优选实施例在评估过程中自适应的确定数据点的邻域半径，保证数据点的局部邻域能够最大程度的包含反应路面状态的数据信息，在计算数据点的区域信息值时，通过局部邻域中法向量的分布情况判断当前的路面状态的复杂程度，此外，对法向量的分布情况进行统计，并通过判断函数f(·)和门限值H对具有较多法向量分布的角度区间进行奖励，对具有较少法向量分布的角度区间进行抑制，能够有效的避免噪声干扰对路面状态评估结果准确性的影响。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (4)

1.一种基于陀螺仪的轮椅车控制系统，其特征是，包括摇杆信号采集模块、姿态信息采集模块、路面图像采集模块、智能控制模块和电机驱动模块，所述摇杆信号采集模块用于采集轮椅车的速度控制信号，并将采集得到的速度控制信号传入智能控制模块，所述姿态信息采集模块通过陀螺仪采集轮椅车行驶过程中的姿态信息，并将所述姿态信息传入智能控制模块，所述路面图像采集模块采用双目相机采集轮椅车前进方向的路面图像，并将采集得到的路面图像传入智能控制模块，所述智能控制模块包括信息解算单元、图像处理单元、危险分析单元和控制器单元，所述信息解算单元根据所述速度控制信号计算轮椅车的速度预期值，根据所述姿态信息计算轮椅车的速度实际值，并将计算所得的速度预期值和速度实际值传入危险分析单元，所述危险分析单元对速度预期值和速度实际值进行分析，当速度预期值或速度实际值高于设置的安全阈值时进行报警，当所述速度预期值和速度实际值均在安全阈值范围时，危险分析单元将所述速度预期值和速度实际值传入控制器单元，所述图像处理单元用于对采集得到的路面图像进行处理，构建路面图像的视差图，并将所述视差图传入危险分析单元，所述危险分析单元根据所述视差图获取路面的三维信息，并根据路面的三维信息对轮椅车前进方向的路面状态进行评估，当判定路面状态存在危险时进行报警，所述控制器单元根据危险分析单元的分析结果、速度预期值和速度实际值之间的差值控制电机驱动模块的运动；
所述信息解算单元采用四元素法根据采集的姿态信息解算轮椅车行驶过程中的俯仰角、航偏角、横滚角以及角速度；危险分析单元对轮椅车的速度实际值进行分析，设zθ(t)表示解算所得的轮椅车当前时刻的俯仰角，给定轮椅车许可坡度阈值Tθ，当|zθ(t)|≤Tθ时，危险分析单元判定当前坡度为可行坡度，控制器单元根据坡度降低轮椅车的行驶速度，当|zθ(t)|＞Tθ时，判定当期坡度为危险坡度，危险分析单元通过警示扩音器进行报警；设v(xθ(t))表示轮椅车当前时刻的横滚角速度，v(yθ(t))表示轮椅车当前时刻的航偏角速度，给定最大转弯速度值Tv，当v(xθ(t))＞Tv或v(yθ(t))＞Tv时，判定轮椅车存在翻车危险，则危险分析单元通过警示扩音器进行报警；路面图像采集模块采用双目相机采集轮椅车前进方向路面的左右两幅图像，图像处理单元对路面图像采集模块采集到的左右两幅图像进行图像匹配，构建两幅图像之间的视差图；
所述图像处理单元以左图像为目标图像，右图像为参考图像，构建左图像的视差图，具体为：
将左图像表示为I0，右图像表示为I1，设h0(x，y)为左图像I0中坐标(x，y)处的像素，h1(x-d，y)为右图像I1中坐标(x-d，y)处的像素，定义像素h0(x，y)和像素h1(x-d，y)的匹配代价为η(h0，d)，则η(h0，d)的表达式为：
η(h0，d)＝θ*min{|f0(x，y)-f1(x-d，y)|，τ1}+γ*min{(|Gx(h0)-Gx(h1)|+|Gy(h0)-Gy(h1)|)，τ2}
式中，f0(x，y)表示像素h0(x，y)的灰度值，f1(x-d，y)表示像素h1(x-d，y)的灰度值，τ1和τ2为给定的截断阈值，Gx(h0)表示像素h0(x，y)在x轴的导数，Gx(h1)表示像素h1(x-d，y)在x轴的导数，Gy(h0)表示像素h0(x，y)在y轴的导数，Gy(h1)表示像素h1(x-d，y)在y轴的导数，θ和γ为权重系数，且θ+γ＝1；
对像素h0(x，y)和像素h1(x-d，y)的匹配代价η(h0，d))进行优化处理，将匹配代价η(h0，d)经优化处理后的值表示为B(h0，d)，则B(h0，d)的表达式为：
Figure FDA0004084577680000021
Figure FDA0004084577680000022
Figure FDA0004084577680000023
式中，
Figure FDA0004084577680000024
为归一化系数，s0(i，j)表示左图像I0中坐标(i，j)处的像素，f0(i，j)表示像素s0(i，j)的灰度值，s1(i-d，j)表示右图像I1中坐标(i-d，j)处的像素，f1(i-d，j)表示像素s1(i-d，j)的灰度值，C0(x，y)表示像素h0(x，y)的优化窗口，且C0(x，y)为以像素h0(x，y)为中心的(2(r+α′0(x，y))+1)×(2(r+α′0(x，y))+1)的局部邻域，r为设置的初始半径，α′0(x，y)为像素h0(x，y)的优化窗口对应的半径增量系数，
Figure FDA0004084577680000025
表示优化窗口C0(x，y)中像素灰度值的最大值，
Figure FDA0004084577680000026
表示优化窗口C0(x，y)中像素灰度值的最小值，C1(x-d，y)表示像素h1(x-d，y)的优化窗口，且C1(x-d，y)为以像素h1(x-d，y)为中心的(2(r+α′1(x-d，y))+1)×(2(r+α′1(x-d，y))+1)的局部邻域，
Figure FDA0004084577680000027
表示优化窗口C1(x-d，y)中像素灰度值的最大值，
Figure FDA0004084577680000031
表示优化窗口C1(x-d，y)中像素灰度值的最小值，α′1(x-d，y)为像素h1(x-d，y)的优化窗口对应的半径增量系数；
则左图像I0中坐标(x，y)处像素h0(x，y)对应的视差d0(x，y)为：
Figure FDA0004084577680000032
式中，dmax为设置的最大视差值。
2.根据权利要求1所述的一种基于陀螺仪的轮椅车控制系统，其特征是，设C0(x，y)表示像素h0(x，y)的优化窗口，Ω0(x，y)表示以像素h0(x，y)为中心的(2(r+α)+1)×(2(r+α)+1)的局部邻域，其中，r为设置的初始半径，α为半径增量系数，且α为正整数，将Ω0(x，y)记为像素h0(x，y)的第一局部邻域，设Ω′0(x，y)为以像素h0(x，y)为中心的(2(r+α+1)+1)×(2(r+α+1)+1)的局部邻域，将Ω′0(x，y)记为像素h0(x，y)的第二局部邻域，设D0(x，y)为像素h0(x，y)的边缘像素集合，且Do(x，y)＝{ho(i，j)|ho(i，j)∈Ω′0(x，y)-Ω0(x，y)}，构建像素点h0(x，y)对应的分界函数F0(x，y)：
Figure FDA0004084577680000033
式中，f0(x，y)表示左图像I0中坐标(x，y)处像素的灰度值，f0(i，j)表示左图像I0中坐标(i，j)处像素的灰度值，M(D0(x，y))表示集合D0(x，y)中的像素点数，
Figure FDA0004084577680000034
表示第一局部邻域Ω0(x，y)的结构描述函数，且
Figure FDA0004084577680000035
的表达式为：
Figure FDA0004084577680000036
Figure FDA0004084577680000037
Figure FDA0004084577680000038
其中，
Figure FDA0004084577680000039
表示第一局部邻域Ω0(x，y)的横向结构描述函数，
Figure FDA00040845776800000310
表示第一局部邻域Ω0(x，y)的纵向结构描述函数，f0(x+r+α-n，j)表示左图像I0中坐标(x+r+α-n，j)处像素的灰度值，f0(x+r+α-n-1，j)表示左图像I0中坐标(x+r+α-n-1，j)处像素的灰度值，f0(i，y+r+α-n)表示左图像I0中坐标(i，y+r+α-n)处像素的灰度值，f0(i，y+r+α-n-1)表示左图像f0中坐标(i，y+r+α-n-1)处像素的灰度值；
Figure FDA0004084577680000041
表示第二局部邻域Ω′0(x，y)的结构描述函数，且
Figure FDA0004084577680000042
的表达式为：
Figure FDA0004084577680000043
Figure FDA0004084577680000044
Figure FDA0004084577680000045
其中，
Figure FDA0004084577680000046
表示第二局部邻域Ω′0(x，y)的横向结构描述函数，
Figure FDA0004084577680000047
表示第二局部邻域Ω′0(x，y)的纵向结构描述函数，f0(x+r+α-n+1，j)表示左图像I0中坐标(x+r+α-n+1，j)处像素的灰度值，f0(x+r+α-n，j)表示左图像I0中坐标(x+r+α-n，j)处像素的灰度值，f0(i，y+r+α-n+1)表示左图像I0中坐标(i，y+r+α-n+1)处像素的灰度值，f0(i，y+r+α-n)表示左图像I0中坐标(i，y+r+α-n)处像素的灰度值；
给定阈值T0(x，y)，且
Figure FDA0004084577680000048
其中，
Figure FDA0004084577680000049
表示第一局部邻域Ω0(x，y)的结构描述函数，σ0(Ω0(x，y))表示第一局部邻域Ω0(x，y)中像素灰度值的标准差，则像素h0(x，y)的优化窗口对应的半径增量系数α′0(x，y)的值为：
Figure FDA00040845776800000410
式中，ψ(F0(x，y)-T0(x，y))为判断函数，当F0(x，y)-T0(x，y)＞0时，则ψ(F0(x，y)-T0(x，y))＝F0(x，y)-T0(x，y)，当F0(x，y)-T0(x，y)≤0时，则(F0(x，y)-T0(x，y))＝+∞，N为给定的最大半径增量系数；
则像素h0(x，y)的优化窗口C0(x，y)为以像素h0(x，y)为中心的(2(r+α′0(x，y))+1)×(2(r+α′0(x，y))+1)的局部邻域，同理可得像素h1(x-d，y)的优化窗口C1(x-d，y)。
3.根据权利要求2所述的一种基于陀螺仪的轮椅车控制系统，其特征是，将左图像I0中的所有像素和右图像I1中的像素进行匹配，获得左图像I0中所有像素对应的视差值，根据获得的视差值构建左图像I0的视差图D0，同理构建右图像I1的视差图D1，对视差图D0中的视差值进行检验，设h0(x，y)表示左图像I0中坐标(x，y)处的像素，且像素h0(x，y)在视差图D0中对应的视差值为d0(x，y)，像素h0(x，y)在右图像I1中的匹配像素为h1(x-d0(x，y)，y)，且像素h1(x-d0(x，y)，y)在视差图D1对应的视差为d1(x-d0(x，y)，y)，当|d0(x，y)-d1(x-d0(x，y)，y)|≤1，则判定该视差值为有效视差，予以保留，当|d0(x，y)-d1(x-d0(x，y)，y)|＞1时，即判定该视差值为无效视差，对像素h0(x，y)进行重新匹配，定义像素h0(x，y)和右图像I1中像素h1(x-d，y)进行重匹配的匹配代价为B′0(h0，d)，且B′0(h0，d)的表达式为：
Figure FDA0004084577680000051
Figure FDA0004084577680000052
Figure FDA0004084577680000053
Figure FDA0004084577680000054
式中，B0(h0，d)为第一次匹配时优化后的像素h0(x，y)和像素h1(x-d，y)的匹配代价，B′0(h0，d)为重匹配时像素h0(x，y)和像素h1(x-d，y)的匹配代价，
Figure FDA0004084577680000055
为调节系数，K0(x，y)表示像素h0(x，y)的优化窗口C0(x，y)中不需要重匹配的像素集合，s0(i，j)表示左图像I0中坐标(i，j)处的像素，f0(i，j)表示像素s0(i，j)的灰度值，σc为灰度值距离对该点的影响因子，σd为空间距离对该点的影响因子，d0(i，j)表示像素s0(i，j)对应的视差值，d′0(x，y)为重匹配后获得的像素h0(x，y)的视差值，将视差值d′0(x，y)取代视差图D0中的原始视差值d0(x，y)；
对视差图D0中的所以视差值进行检验后，采用上述检验方式对视差图D1中的视差进行检验，直到视差图D0和视差图D1中的视差值均检验为有效视差，即停止检验。
4.根据权利要求3所述的一种基于陀螺仪的轮椅车控制系统，其特征是，危险分析单元根据获得的视差图计算路面的三维信息，并根据路面的三维信息对轮椅车前进方向的路面状态进行评估，设获得的路面三维数据点集合为F，且F＝{f(xi，yi，zi)，i＝1，2，...，M}，其中，M表示集合F中的数据点数，f(xi，yi，zi)表示坐标(xi，yi，zi)处的数据点，定义数据点f(xi，yi，zi)对应的区域检测系数为T(i)，则T(i)的计算公式为：
Figure FDA0004084577680000056
式中，θ为常数，且θ＝10°，
Figure FDA00040845776800000617
表示以数据点f(xi，yi，zi)为圆心、以r0为半径的球形区域，r0为给定的数值，
Figure FDA0004084577680000061
表示区域
Figure FDA0004084577680000062
中数据点的法向量满足{(α∈[(m-1)*θ，m*θ])∩(β∈[(n-1)*θ，n*θ])}的数据点数，其中，α表示数据点的法向量在xy轴平面上的投影和x轴正方向的夹角，β表示数据点的法向量和z轴正方向的夹角，
Figure FDA0004084577680000063
表示区域
Figure FDA0004084577680000064
中的数据点数；
将集合F中的数据点按其区域检测系数的值由大到小进行排列，选取前
Figure FDA0004084577680000065
个数据点组成集合B，定义路面评估系数为L，则L的计算公式为：
Figure FDA0004084577680000066
Figure FDA0004084577680000067
式中，μ(j)表示数据点f(xj，yj，zj)的区域信息值，Or(xj，yj，zj)表示以数据点f(xj，yj，zj)为圆心、以r为半径的球形区域，
Figure FDA0004084577680000068
表示区域Or(xj，yj，zj)中数据点的法向量满足{(α∈[(m-1)*θ，m*θ])∩(β∈[(n-1)*θ，n*θ])}的数据点数，
Figure FDA0004084577680000069
为判断函数，给定门限值H，且
Figure FDA00040845776800000610
当数据点数
Figure FDA00040845776800000611
时，令
Figure FDA00040845776800000612
当数据点数
Figure FDA00040845776800000613
时，令
Figure FDA00040845776800000614
给定安全阈值U，当路面评估系数
Figure FDA00040845776800000615
时，即判定路面状态较平稳，当路面评估系数
Figure FDA00040845776800000616
时，即判定路面状态一般，控制器单元减小轮椅车的行驶速度，当路面评估系数L＞U时，即判定路面状态存在行驶危险，危险分析单元通过警示扩音器进行报警。
CN201911201269.5A 2019-11-29 2019-11-29 一种基于陀螺仪的轮椅车控制系统 Active CN110888441B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911201269.5A CN110888441B (zh) 2019-11-29 2019-11-29 一种基于陀螺仪的轮椅车控制系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911201269.5A CN110888441B (zh) 2019-11-29 2019-11-29 一种基于陀螺仪的轮椅车控制系统

Publications (2)

Publication Number Publication Date
CN110888441A CN110888441A (zh) 2020-03-17
CN110888441B true CN110888441B (zh) 2023-04-07

Family

ID=69749479

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911201269.5A Active CN110888441B (zh) 2019-11-29 2019-11-29 一种基于陀螺仪的轮椅车控制系统

Country Status (1)

Country Link
CN (1) CN110888441B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113936259B (zh) * 2021-10-29 2024-06-11 江苏大学 一种基于视觉感知的智能汽车车身姿态控制方法及系统
CN115049296A (zh) * 2022-06-30 2022-09-13 安徽恒益纺织科技有限公司 一种基于纺织面料加工过程的数字化管理系统
CN117492451B (zh) * 2024-01-02 2024-03-22 小神童创新科技(广州)有限公司 一种电动轮椅安全阈值控制方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SE369789B (zh) * 1970-05-18 1974-09-16 British Aircraft Corp Ltd
CN101344919A (zh) * 2008-08-05 2009-01-14 华南理工大学 视线跟踪方法及应用该方法的残疾人辅助系统
CN102175613A (zh) * 2011-01-26 2011-09-07 南京大学 基于图像亮度特征的ptz视频能见度检测方法
CN102188311A (zh) * 2010-12-09 2011-09-21 南昌大学 一种嵌入式智能轮椅视觉导航控制系统及方法
CN103389733A (zh) * 2013-08-02 2013-11-13 重庆市科学技术研究院 一种基于机器视觉的车辆巡线方法及系统
CN103400392A (zh) * 2013-08-19 2013-11-20 山东鲁能智能技术有限公司 基于变电站巡检机器人的双目视觉导航系统及方法
CN105629970A (zh) * 2014-11-03 2016-06-01 贵州亿丰升华科技机器人有限公司 一种基于超声波的机器人定位避障方法
CN105759823A (zh) * 2016-04-27 2016-07-13 长江大学 基于轨道信息的两轮自平衡小车控制系统及方法
CN106901916A (zh) * 2017-03-13 2017-06-30 上海大学 一种采用脑电信号控制的可行走座椅装置及其控制系统
CN107049627A (zh) * 2017-05-02 2017-08-18 广州乐比计算机有限公司 一种基于陀螺仪的轮椅车及其控制方法
CN107710091A (zh) * 2015-06-26 2018-02-16 深圳市大疆创新科技有限公司 用于选择移动平台的操作模式的系统和方法
CN108056866A (zh) * 2017-12-12 2018-05-22 宁波隆翔环保科技有限公司 一种电动轮椅
CN108477897A (zh) * 2018-03-28 2018-09-04 许琼芳 一种具有防倾倒功能的椅子
CN209154263U (zh) * 2018-07-09 2019-07-26 江西斯麦高医疗器械科技有限公司 一种基于双目视觉的自主避障智能轮椅

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180035606A1 (en) * 2016-08-05 2018-02-08 Romello Burdoucci Smart Interactive and Autonomous Robotic Property Maintenance Apparatus, System, and Method

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SE369789B (zh) * 1970-05-18 1974-09-16 British Aircraft Corp Ltd
CN101344919A (zh) * 2008-08-05 2009-01-14 华南理工大学 视线跟踪方法及应用该方法的残疾人辅助系统
CN102188311A (zh) * 2010-12-09 2011-09-21 南昌大学 一种嵌入式智能轮椅视觉导航控制系统及方法
CN102175613A (zh) * 2011-01-26 2011-09-07 南京大学 基于图像亮度特征的ptz视频能见度检测方法
CN103389733A (zh) * 2013-08-02 2013-11-13 重庆市科学技术研究院 一种基于机器视觉的车辆巡线方法及系统
CN103400392A (zh) * 2013-08-19 2013-11-20 山东鲁能智能技术有限公司 基于变电站巡检机器人的双目视觉导航系统及方法
CN105629970A (zh) * 2014-11-03 2016-06-01 贵州亿丰升华科技机器人有限公司 一种基于超声波的机器人定位避障方法
CN107710091A (zh) * 2015-06-26 2018-02-16 深圳市大疆创新科技有限公司 用于选择移动平台的操作模式的系统和方法
CN105759823A (zh) * 2016-04-27 2016-07-13 长江大学 基于轨道信息的两轮自平衡小车控制系统及方法
CN106901916A (zh) * 2017-03-13 2017-06-30 上海大学 一种采用脑电信号控制的可行走座椅装置及其控制系统
CN107049627A (zh) * 2017-05-02 2017-08-18 广州乐比计算机有限公司 一种基于陀螺仪的轮椅车及其控制方法
CN108056866A (zh) * 2017-12-12 2018-05-22 宁波隆翔环保科技有限公司 一种电动轮椅
CN108477897A (zh) * 2018-03-28 2018-09-04 许琼芳 一种具有防倾倒功能的椅子
CN209154263U (zh) * 2018-07-09 2019-07-26 江西斯麦高医疗器械科技有限公司 一种基于双目视觉的自主避障智能轮椅

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于双视图的立体目标检测方法研究;陈圣义等;《第十三届全国实验力学学术会议论文摘要集》;20121231;第29页 *
基于车载双目立体视觉的运动障碍检测;孙浩等;《中南大学学报（自然科学版）》;20131231;第113-116页 *

Also Published As

Publication number Publication date
CN110888441A (zh) 2020-03-17

Similar Documents

Publication Publication Date Title
CN110888441B (zh) 一种基于陀螺仪的轮椅车控制系统
US10055650B2 (en) Vehicle driving assistance device and vehicle having the same
CN110745140B (zh) 一种基于连续图像约束位姿估计的车辆换道预警方法
JP4956452B2 (ja) 車両用環境認識装置
CN105270263B (zh) 车辆驾驶辅助装置及车辆
US8611609B2 (en) Lane line estimating apparatus
US10129521B2 (en) Depth sensing method and system for autonomous vehicles
US9912933B2 (en) Road surface detection device and road surface detection system
CN112987759A (zh) 基于自动驾驶的图像处理方法、装置、设备及存储介质
CN109435942A (zh) 一种基于信息融合的车位线车位识别方法及装置
CN107499262A (zh) 基于机器学习的acc/aeb系统及车辆
US20220180483A1 (en) Image processing device, image processing method, and program
CN108537197A (zh) 一种基于深度学习的车道线检测预警装置及预警方法
CN109263637B (zh) 一种碰撞预测的方法及装置
KR101611261B1 (ko) 스테레오 카메라, 이를 구비한 차량 운전 보조 장치, 및 차량
CN106394555A (zh) 基于3d摄像头的无人驾驶汽车避障系统及方法
CN105313778A (zh) 摄像头及具有该摄像头的车辆
CN112537294B (zh) 自动泊车控制方法及电子设备
CN105160356A (zh) 一种车辆主动安全系统传感器数据融合方法及系统
WO2006121221A1 (ja) 車線追従制御装置および車線追従制御方法
JP5027710B2 (ja) 車両用環境認識装置および先行車追従制御システム
CN110053625B (zh) 距离计算装置和车辆控制装置
CN116188580A (zh) 用于校准自动驾驶系统上的摄像机的系统和方法
CN201901101U (zh) 基于双目立体视觉的汽车主动安全控制系统
CN112598705A (zh) 一种基于双目视觉的车身姿态检测方法

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
CP03 Change of name, title or address

Address after: 511400 Room 301, 8 Hengji Road, Yunxing Zhukeng village, Shiqiao street, Panyu District, Guangzhou City, Guangdong Province

Patentee after: Guangzhou Lebi Robotics Co.,Ltd.

Country or region after: China

Address before: 511400 Room 301, 8 Hengji Road, Yunxing Zhukeng village, Shiqiao street, Panyu District, Guangzhou City, Guangdong Province

Patentee before: GUANGZHOU LEBI COMPUTER CO.,LTD.

Country or region before: China

CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: 511400, No. 202, Tianbao Road, Donghuan Street, Panyu District, Guangzhou City, Guangdong Province

Patentee after: Guangzhou Lebi Robotics Co.,Ltd.

Country or region after: China

Address before: 511400 Room 301, 8 Hengji Road, Yunxing Zhukeng village, Shiqiao street, Panyu District, Guangzhou City, Guangdong Province

Patentee before: Guangzhou Lebi Robotics Co.,Ltd.

Country or region before: China

CP03 Change of name, title or address