CN111476094A - 自动循迹修正下的道路检测系统及方法 - Google Patents

自动循迹修正下的道路检测系统及方法 Download PDF

Info

Publication number
CN111476094A
CN111476094A CN202010149647.6A CN202010149647A CN111476094A CN 111476094 A CN111476094 A CN 111476094A CN 202010149647 A CN202010149647 A CN 202010149647A CN 111476094 A CN111476094 A CN 111476094A
Authority
CN
China
Prior art keywords
road
defect detection
detection vehicle
light intensity
control system
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
Application number
CN202010149647.6A
Other languages
English (en)
Other versions
CN111476094B (zh
Inventor
陈鹏举
王慧
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.)
Chongqing University
Original Assignee
Chongqing University
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 Chongqing University filed Critical Chongqing University
Priority to CN202010149647.6A priority Critical patent/CN111476094B/zh
Publication of CN111476094A publication Critical patent/CN111476094A/zh
Application granted granted Critical
Publication of CN111476094B publication Critical patent/CN111476094B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
    • G01P15/18—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration in two or more dimensions
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开自动循迹修正下的道路检测系统及方法，系统包括包含道路缺陷检测车、智能循迹模块、智能调速模块、集成控制系统、信号收发模块和上位机；方法步骤为：1)启动自动循迹修正下的道路检测系统；3)智能循迹模块监测道路缺陷检测车的行驶轨迹；智能调速模块监测道路缺陷检测车的三维加速度；4)所述集成控制系统对道路缺陷检测车行驶的位置进行实时判别；有效地解决了传统道路检测过程中存在的驾驶员驾驶主观影响因素导致的检测结果出现偏差、检测不稳定、纠偏实时性较差和检测效率低等问题。

Description

自动循迹修正下的道路检测系统及方法
技术领域
本发明涉及道路检测领域，具体是自动循迹修正下的道路检测系统及方法。
背景技术
交通运输网络是推动经济发展的重要环节。随着社会的进步和经济水平的快速发展，作为交通运输网络中重要组成之一的道路也得到了快速发展，伴随着道路里程数的不断增长及道路网的不断扩大，道路病害与损伤的问题也随之而来。如何对道路病害进行有效检测，从而进行科学养护已以延长其使用寿命也成为了一项重要的课题。传统的路面检测方式主要是以道路缺陷检测车为设备平台，依托于驾驶员驾驶检测车在待测路面上行驶，借助于检测车上的检测设备对路面病害进行识别。这种传统的检测在检测方向及车速的控制上主要依赖于驾驶员的主观控制和GPS信号辅助，这样就会使的在检测过程中，要求驾驶员长时间精力高度集中，且检测存在精度和鲁棒性较差、人为因素影响严重、工作可持续性不高以及无法智能控制检测速度等一系列问题，如果发生检测轨迹偏移的现象，可能会造成病害信息缺失、检测效率下降，从而对最终检测结果造成影响。
发明内容
本发明的目的是解决现有技术中存在的问题。
为实现本发明目的而采用的技术方案是这样的，自动循迹修正下的道路检测系统，主要包含道路缺陷检测车、智能循迹模块、智能调速模块、集成控制系统、信号收发模块、上位机、GPS定位模块和动力系统。
所述智能循迹模块、智能调速模块、集成控制系统、信号收发模块搭载在道路缺陷检测车上，并随车移动。
所述智能循迹模块监测道路缺陷检测车的行驶轨迹。所述智能循迹模块为分别贴置在道路缺陷检测车头左右两侧的红外接收器。道路缺陷检测车头左右两侧红外接收器数量为n，n为偶数。
监测时，2个智能循迹模块向道路缺陷检测车正前方道路辐射红外光。2个智能循迹模块辐射的红外光不重叠。2个智能循迹模块分别接收路面反射的红外光，并将左侧智能循迹模块接收的路面红外反射光强度ΔHli和右侧智能循迹模块接收的路面红外反射光强度ΔHri发送至集成控制系统。所述路面属性包括颜色特征、反射红外光强度不同的路面、道路边线和标志线。其中，道路边线和标志线反射的红外光强度大于路面反射的红外光强度。道路边线和标志线部分涂覆于路面，覆盖厚度分别记为d1和d2。
所述智能调速模块监测道路缺陷检测车三维加速度，并发送至集成控制系统。所述智能调速模块为贴置在道路缺陷检测车中轴线偏向车头β角度位置的三轴加速度传感器。
所述集成控制系统根据每个红外接收器所获得红外反射光强度计算左侧相对强度数组
Figure BDA0002401915300000021
和红外反射光右侧相对强度数组
Figure BDA0002401915300000022
i表示红外接收器序号。
集成控制系统利用相对光强数组对道路缺陷检测车行驶的位置进行实时判别。若左侧最小相对光强密度
Figure BDA0002401915300000023
或者右侧最小相对光强密度
Figure BDA0002401915300000024
则判定不存在道路缺陷检测车偏移。反之，判定道路缺陷检测车存在偏移。
当道路缺陷检测车发生偏移时，则集成控制系统根据左侧相对光强数组判别偏移方向。
若相对光强密度
Figure BDA0002401915300000025
且相对光强密度ΔHl1′>εa，或者相对光强密度
Figure BDA0002401915300000026
且相对光强密度ΔHr1′>εa，判定道路缺陷检测车向右侧偏移且偏移范围可控。相对光强密度ΔHli′<εb的红外接收器数量记为mR1。相对光强密度ΔHri′<εb的红外接收器数量记为mR2。位置右偏结果mR＝max(mR1、mR2)。
若相对光强密度ΔHr1′<εb且相对光强密度
Figure BDA0002401915300000027
或者相对光强密度ΔHl1′<εb且相对光强密度
Figure BDA0002401915300000028
判定道路缺陷检测车向左侧偏移且偏移范围可控。相对光强密度ΔHli′<εb的红外接收器数目记为mL1。相对光强密度ΔHri′<εb的红外接收器数目记为mL2。位置左偏结果mL＝-max(mL1、mL2)。εa、εb为相对光强存在的判别阈值。i≤n/2。
若左侧所有红外接收器的相对光强密度ΔHli′<εb或右侧所有红外接收器的相对光强密度ΔHri′<εb，判定道路缺陷检测车发生偏移且偏移范围不可控；i≤n/2。
当判定道路缺陷检测车偏移时，集成控制系统控制方向盘偏移α度。偏移角度α＝K×mL/R。K为修正参数，正值代表向左侧转，负值代表向右侧转。
当偏移范围不可控时，集成控制系统通过信号收发模块向上位机发送报警信号，并控制道路缺陷检测车停止。
所述集成控制系统通过信号收发模块将道路缺陷检测车行驶的位置左偏结果mL或者位置右偏结果mR发送至上位机。
所述集成控制系统根据道路缺陷检测车三维加速度计算出道路颠簸等级，并实时调整道路缺陷检测车的车速。当道路颠簸等级为1时，道路缺陷检测车的行驶车速v≥v0。当道路颠簸等级为2时，道路缺陷检测车的行驶车速v＝75％v0。当道路颠簸等级为3时，道路缺陷检测车的行驶车速v＝50％v0。v0为道路缺陷检测车前一时刻车速。所述集成控制系统通过信号收发模块将道路缺陷检测车的车速发送至上位机。
所述集成控制系统为单片机。
所述上位机通过信号收发模块与集成控制系统进行无线通信，并显示道路缺陷检测车的实时位置和速度。所述上位机接收到报警信号后，通过显示屏显示警报信息。
GPS定位模块对道路缺陷检测车进行定位。
动力系统为智能循迹模块、智能调速模块、集成控制系统和信号收发模块供电。
基于自动循迹修正下的道路检测系统的检测方法，主要包括以下步骤：
1)设置道路缺陷检测车的参数，主要包括待测路段长度、检测时间和区间速度。
2)将道路缺陷检测车待测路段起点，并启动自动循迹修正下的道路检测系统。
3)所述智能循迹模块监测道路缺陷检测车的行驶轨迹。所述智能循迹模块为分别贴置在道路缺陷检测车头左右两侧的红外接收器。道路缺陷检测车头左右两侧红外接收器数量为n，n为偶数。
监测时，2个智能循迹模块向道路缺陷检测车正前方道路辐射红外光。2个智能循迹模块辐射的红外光不重叠。2个智能循迹模块分别接收路面反射的红外光，并将左侧智能循迹模块接收的路面红外反射光强度ΔHli和右侧智能循迹模块接收的路面红外反射光强度ΔHri发送至集成控制系统。所述路面属性包括颜色特征、反射红外光强度不同的路面、道路边线和标志线。其中，道路边线和标志线反射的红外光强度大于路面反射的红外光强度。道路边线和标志线部分涂覆于路面，覆盖厚度分别记为d1和d2。
所述智能调速模块监测道路缺陷检测车三维加速度，并发送至集成控制系统。所述智能调速模块为贴置在道路缺陷检测车中轴线偏向车头β角度位置的三轴加速度传感器。
4)所述集成控制系统根据每个红外接收器所获得红外反射光强度计算左侧相对强度数组
Figure BDA0002401915300000041
和红外反射光右侧相对强度数组
Figure BDA0002401915300000042
i表示红外接收器序号。
集成控制系统利用相对光强数组对道路缺陷检测车行驶的位置进行实时判别。若左侧最小相对光强密度
Figure BDA0002401915300000043
或者右侧最小相对光强密度
Figure BDA0002401915300000044
则判定不存在道路缺陷检测车偏移。反之，判定道路缺陷检测车存在偏移。
当道路缺陷检测车发生偏移时，则集成控制系统根据左侧相对光强数组判别偏移方向。
若相对光强密度
Figure BDA0002401915300000045
且相对光强密度ΔHl1′>εa，或者相对光强密度
Figure BDA0002401915300000046
且相对光强密度ΔHr1′>εa，判定道路缺陷检测车向右侧偏移且偏移范围可控。相对光强密度ΔHli′<εb的红外接收器数量记为mR1。相对光强密度ΔHri′<εb的红外接收器数量记为mR2。位置右偏结果mR＝max(mR1、mR2)。
若相对光强密度ΔHr1′<εb且相对光强密度
Figure BDA0002401915300000047
或者相对光强密度ΔHl1′<εb且相对光强密度
Figure BDA0002401915300000048
判定道路缺陷检测车向左侧偏移且偏移范围可控。相对光强密度ΔHli′<εb的红外接收器数目记为mL1。相对光强密度ΔHri′<εb的红外接收器数目记为mL2。位置左偏结果mL＝-max(mL1、mL2)。εa、εb为相对光强存在的判别阈值。i≤n/2。
若左侧所有红外接收器的相对光强密度ΔHli′<εb或右侧所有红外接收器的相对光强密度ΔHri′<εb，判定道路缺陷检测车发生偏移且偏移范围不可控；i≤n/2。
当判定道路缺陷检测车偏移时，集成控制系统控制方向盘偏移α度。偏移角度α＝K×mL/R。K为修正参数，正值代表向左侧转，负值代表向右侧转。
当偏移范围不可控时，集成控制系统通过信号收发模块向上位机发送报警信号，并控制道路缺陷检测车停止。
所述集成控制系统通过信号收发模块将道路缺陷检测车行驶的位置左偏结果mL或者位置右偏结果mR发送至上位机。
所述集成控制系统根据道路缺陷检测车三维加速度计算出道路颠簸等级，并实时调整道路缺陷检测车的车速。当道路颠簸等级为1时，道路缺陷检测车的行驶车速v≥v0。当道路颠簸等级为2时，道路缺陷检测车的行驶车速v＝75％v0。当道路颠簸等级为3时，道路缺陷检测车的行驶车速v＝50％v0。v0为道路缺陷检测车前一时刻车速。所述集成控制系统通过信号收发模块将道路缺陷检测车的车速发送至上位机。
所述集成控制系统根据道路缺陷检测车三维加速度计算出道路颠簸等级的主要步骤如下：
4.1)获取道路缺陷检测车在三种道路颠簸等级下的三维加速度[ax，ay，az]。ax表示x轴加速度向量。ay表示y轴加速度向量。az表示z轴加速度向量。
4.2)利用经验模态分解方法提取三维加速度[ax，ay，az]的特征值，并打上对应道路颠簸等级标签，从而建立训练集。
利用经验模态分解方法提取三维加速度特征值的主要步骤如下：
4.2.1)利用经验模态分解方法将三维加速度ag(t)进行分解，即令三维加速度
Figure BDA0002401915300000051
其中，g＝x，y，z。r表示残差函数。ch(t)表示IMF分量。m为分量总数。
IMF分量满足以下条件：在整个数据段内，极大值、极小值的个数和过零点个数相同或最多相差一个。任意时刻，连接IMF局部极大值和局部极小值形成2条包络线，包络线的均值在任一点处为零。
4.2.2)计算IMF分量能量总和
Figure BDA0002401915300000052
并以能量总和E为特征值。Eh(t)为IMF分量ch(t)的能量。
4.3)利用训练集对隐马尔可夫模型进行训练，得到道路颠簸情况分类器，主要步骤如下：
4.3.1)分别建立每种道路颠簸等级对应的HMM模型。不同HMM参数分别记为λk，k＝1,2,3；k表示道路颠簸等级。
4.3.2)定义第i个HMM模型的前向概率为αt(k)，即：
αt(k)＝P(O1，O2，...，Ot,qt＝Skλ)(1≤t≤T,1≤k≤N) (1)
式中，αt(k)表示在HMM模型参数为λk，第t时刻状态为Sk的条件下，输出前面部分观察值序列O＝O1，O2，...，Ot的概率。P表示概率。
4.3.3)计算前向概率αt(k)，主要步骤如下：
4.3.3.1)在1≤i≤N的条件下，初始化处于状态Sk和初始观察变量O1条件下的前向概率αt(k)＝πkbk(O1)。
4.3.3.2)在1≤t≤T-1且1≤j≤N的条件下，更新前向概率为
Figure BDA0002401915300000061
其中，第t时刻的状态Sk和第t+1时刻的状态Sj之间的转换关系描述为t时刻的迭代关系。
4.3.3.3)递归步骤4.3.3.2)，获得前向概率变量值αt(k)，再计算得到输出概率
Figure BDA0002401915300000062
从而完成道路颠簸情况分类器的建立。
4.3.3.4)测试步骤4.3.3.3)的分类器：给定已知道路颠簸等级的样本O，并利用前向算法求出每个参数λk的输出概率P(O|λ)和最大输出概率Pmax。样本O的道路颠簸等级为与最大输出概率Pmax匹配的HMM模型所代表的道路颠簸等级。若样本O的实际道路颠簸等级与道路颠簸情况分类器输出的道路颠簸等级不一致，则返回步骤4.3.1)。
4.4)实时获取道路缺陷检测车的三维加速度(ax’，ay’，az’)，并利用经验模态分解方法提取三维加速度(ax’，ay’，az’)的特征值；
4.5)将三维实时加速度的特征值输入到道路颠簸情况分类器中，输出道路颠簸等级。
5)所述上位机显示道路缺陷检测车的实时位置和速度。
6)道路缺陷检测车到达待测路段终点，完成检测工作。
本发明取得的效果是毋庸置疑的，本发明提出了一种基于自动循迹的智能道路缺陷检测车，有效地解决了传统道路检测过程中存在的驾驶员驾驶主观影响因素导致的检测结果出现偏差、检测不稳定、纠偏实时性较差和检测效率低等问题，降低了人工成本；同时对检测装置实现了模块化，可以针对于对不同的检测需求对检测车的检测模块进行实时调整，极大地提高了检测的经济性和高效性，对于加快工程进度，降低工程成本，提高检测灵活性具有一定意义。
附图说明
图1为智能循迹模块布设示意图；
图2为智能循迹模块扫描示意图I；
图3为智能循迹模块扫描示意图II；
图4为道路检测点排布；
图5为检测过程中道路缺陷检测车运行状态；
图6为检测过程中转弯处偏差信息出现及修正过程；
图7为局部偏差信息；
图8为集成控制系统原理示意图。
具体实施方式
下面结合实施例对本发明作进一步说明，但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本发明的保护范围内。
实施例1：
参见图1至图8，自动循迹修正下的道路检测系统，主要包含道路缺陷检测车、智能循迹模块、智能调速模块、集成控制系统、信号收发模块、上位机、GPS定位模块和动力系统。
所述智能循迹模块、智能调速模块、集成控制系统、信号收发模块搭载在道路缺陷检测车上，并随车移动。
所述智能循迹模块为分别贴置在道路缺陷检测车头两侧的红外光电传感器。智能循迹模块的布设如图1所示，所使用的传感器为8路红外收发传感器(即有8个测点)，架设高度为50cm，检测车车宽2m，传感器扫描范围为15cm，每个测点间距2cm，其中，车道线宽15cm，车道线内扫描范围7.5cm，车道线内侧7.5cm，检测精度为1.5cm，采样频率2Khz。传感器扫描图示如图3所示，测点排布如图4，检测中的不同运行情况如图5，转弯过程中的偏差信息出现及修正过程如图6，局部偏差信息如图7。
所述智能循迹模块监测道路缺陷检测车的行驶轨迹。所述智能循迹模块为分别贴置在道路缺陷检测车头左右两侧的红外接收器。道路缺陷检测车头左右两侧红外接收器数量为n，n为偶数。
监测时，2个智能循迹模块向道路缺陷检测车正前方道路辐射红外光。2个智能循迹模块辐射的红外光不重叠。2个智能循迹模块分别接收路面反射的红外光，并将左侧智能循迹模块接收的路面红外反射光强度ΔHli和右侧智能循迹模块接收的路面红外反射光强度ΔHri发送至集成控制系统。所述路面属性包括颜色特征、反射红外光强度不同的路面、道路边线和标志线。其中，道路边线和标志线反射的红外光强度大于路面反射的红外光强度。道路边线和标志线部分涂覆于路面，覆盖厚度分别记为d1和d2。
所述智能调速模块监测道路缺陷检测车三维加速度，并发送至集成控制系统。所述智能调速模块为贴置在道路缺陷检测车中轴线偏向车头β角度位置的三轴加速度传感器。
所述集成控制系统根据每个红外接收器所获得红外反射光强度计算左侧相对强度数组
Figure BDA0002401915300000071
和红外反射光右侧相对强度数组
Figure BDA0002401915300000072
i表示左侧/右侧红外接收器序号。
集成控制系统利用相对光强数组对道路缺陷检测车行驶的位置进行实时判别。若左侧最小相对光强密度
Figure BDA0002401915300000073
或者右侧最小相对光强密度
Figure BDA0002401915300000081
则判定不存在道路缺陷检测车偏移。反之，判定道路缺陷检测车存在偏移。
当道路缺陷检测车发生偏移时，则集成控制系统根据左侧相对光强数组判别偏移方向。
若相对光强密度
Figure BDA0002401915300000082
且相对光强密度ΔHl1′>εa，或者相对光强密度
Figure BDA0002401915300000083
且相对光强密度ΔHr1′>εa，判定道路缺陷检测车向右侧偏移且偏移范围可控。相对光强密度ΔHli′<εb的红外接收器数量记为mR1。相对光强密度ΔHri′<εb的红外接收器数量记为mR2。位置右偏结果mR＝max(mR1、mR2)。
若相对光强密度ΔHr1′<εb且相对光强密度
Figure BDA0002401915300000084
或者相对光强密度ΔHl1′<εb且相对光强密度
Figure BDA0002401915300000085
判定道路缺陷检测车向左侧偏移且偏移范围可控。相对光强密度ΔHli′<εb的红外接收器数目记为mL1。相对光强密度ΔHri′<εb的红外接收器数目记为mL2。位置左偏结果mL＝-max(mL1、mL2)。εa、εb为相对光强存在的判别阈值。i≤n/2。
若左侧所有红外接收器的相对光强密度ΔHli′<εb或右侧所有红外接收器的相对光强密度ΔHri′<εb，判定道路缺陷检测车发生偏移且偏移范围不可控；i≤n/2；
当判定道路缺陷检测车偏移时，集成控制系统控制方向盘偏移α度。偏移角度α＝K×mL/R＝K×mL/mR。K为修正参数，正值代表向左侧转，负值代表向右侧转。
当偏移范围不可控时，集成控制系统通过信号收发模块向上位机发送报警信号，并控制道路缺陷检测车停止。
所述集成控制系统通过信号收发模块将道路缺陷检测车行驶的位置左偏结果mL或者位置右偏结果mR发送至上位机。
所述集成控制系统根据道路缺陷检测车三维加速度计算出道路颠簸等级，也即道路缺陷等级，并实时调整道路缺陷检测车的车速。
所述集成控制系统根据道路缺陷检测车三维加速度计算出道路颠簸等级的主要步骤如下：
1)获取道路缺陷检测车在三种道路颠簸等级下的三维加速度[ax，ay，az]；ax表示x轴加速度向量；ay表示y轴加速度向量；az表示z轴加速度向量；
2)利用经验模态分解方法提取三维加速度[ax，ay，az]的特征值，并打上对应道路颠簸等级标签，从而建立训练集，主要步骤为：
2.1)利用经验模态分解方法将三维加速度ag(t)进行分解，即令三维加速度
Figure BDA0002401915300000091
其中，g＝x，y，z表示三维方向；r表示残差函数；ch(t)表示IMF分量；m为分量总数；h＝1,2，…m；
IMF分量满足以下条件：在整个数据段内，极大值、极小值的个数和过零点个数相同或最多相差一个；任意时刻，连接IMF局部极大值和局部极小值形成2条包络线，包络线的均值在任一点处为零；
2.2)计算IMF分量能量总和
Figure BDA0002401915300000092
并以能量总和E为特征值；Eh(t)为IMF分量ch(t)的能量。
3)利用训练集对隐马尔可夫模型进行训练，得到道路颠簸情况分类器，主要步骤如下：
3.1)分别建立每种道路颠簸等级对应的HMM模型；不同HMM参数分别记为λk，k＝1,2,3；k表示道路颠簸等级；
3.2)定义第k个HMM模型的前向概率为αt(k)，即：
αt(k)＝P(O1，O2，...，Ot,qt＝Skλ)(1≤t≤T,1≤k≤N) (1)
式中，αt(k)表示在HMM模型参数为λk，第t时刻状态为Sk的条件下，输出前面部分观察值序列O＝O1，O2，...，Ot的概率；P表示概率；t为时刻；T为总时刻；
3.3)计算前向概率αt(k)，主要步骤如下：
3.3.1)在1≤k≤N的条件下，初始化处于状态Sk和初始观察变量O1条件下的前向概率αt(k)＝πkbk(O1)；bk(O1)表示观察变量为O1的概率；
3.3.2)在1≤t≤T-1且1≤j≤N的条件下，更新前向概率为
Figure BDA0002401915300000093
其中，第t时刻的状态Sk和第t+1时刻的状态Sj之间的转换关系描述为t时刻的迭代关系；αkj表示第t时刻的状态Sk和第t+1时刻的状态Sj之间的转换概率，bj(Ot+1)表示观察变量为Ot+1的概率。
3.3.3)递归步骤3.3.2)，获得前向概率变量值αt(k)，再计算得到输出概率
Figure BDA0002401915300000094
从而完成道路颠簸情况分类器的建立；
3.3.4)测试步骤3.3.3)的分类器：给定已知道路颠簸等级的样本O，并利用前向算法求出每个参数λk的输出概率P(O|λ)和最大输出概率Pmax；样本O的道路颠簸等级为与最大输出概率Pmax匹配的HMM模型所代表的道路颠簸等级；若样本O的实际道路颠簸等级与道路颠簸情况分类器输出的道路颠簸等级不一致，则返回步骤3.1)；
4)实时获取道路缺陷检测车的三维加速度(ax’，ay’，az’)，并利用经验模态分解方法提取三维加速度(ax’，ay’，az’)的特征值；
5)将三维实时加速度的特征值输入到道路颠簸情况分类器中，输出道路颠簸等级。
当道路颠簸等级为1时，道路缺陷检测车的行驶车速v≥v0。当道路颠簸等级为2时，道路缺陷检测车的行驶车速v＝75％v0。当道路颠簸等级为3时，道路缺陷检测车的行驶车速v＝50％v0。v0为道路缺陷检测车前一时刻车速。三维加速度值由芯片MPU-9250对车辆X-Y-Z轴的颠簸信号(三相速度)主动采集获得，通过对相应信号进行截取、EMD(Empiricalmode decomposition)分解，选择合适的本征模函数IMF(Intrinsic Mode Function)，计算所选IMF的能量，将能量分布比值作为特征向量，对提取出的有效特征向量进行训练和对新样本特征向量进行识别。所述集成控制系统通过信号收发模块将道路缺陷检测车的车速发送至上位机。
所述集成控制系统为STM32单片机。
信号收发模块拟基于5G通讯网络进行上位机(PC操作端)同下位机(检测车集成控制系统)的信号传输，下位机通过检测传感器获得一系列路况信息的模拟信号后，通过集成控制系统完成A/D转换，后将数字型号通过5G网络传给检测人员的操作端，完成D/A转换，呈现检测结果。
所述上位机通过信号收发模块与集成控制系统进行无线通信，并显示道路缺陷检测车的实时位置和速度。所述上位机接收到报警信号后，通过显示屏显示警报信息。
GPS定位模块对道路缺陷检测车进行定位，避免监测车在无人操作时出现遗失等意外状况发生。
动力系统为智能循迹模块、智能调速模块、集成控制系统和信号收发模块供电。
实施例2：
基于自动循迹修正下的道路检测系统的检测方法，主要包括以下步骤：
1)设置道路缺陷检测车的参数，主要包括待测路段长度、检测时间和区间速度。
2)将道路缺陷检测车待测路段起点，并启动自动循迹修正下的道路检测系统。
3)所述智能循迹模块监测道路缺陷检测车的行驶轨迹。所述智能循迹模块为分别贴置在道路缺陷检测车头左右两侧的红外接收器。道路缺陷检测车头左右两侧红外接收器数量为n，n为偶数。
监测时，2个智能循迹模块向道路缺陷检测车正前方道路辐射红外光。2个智能循迹模块辐射的红外光不重叠。2个智能循迹模块分别接收路面反射的红外光，并将左侧智能循迹模块接收的路面红外反射光强度ΔHli和右侧智能循迹模块接收的路面红外反射光强度ΔHri发送至集成控制系统。所述路面属性包括颜色特征、反射红外光强度不同的路面、道路边线和标志线。其中，道路边线和标志线反射的红外光强度大于路面反射的红外光强度。道路边线和标志线部分涂覆于路面，覆盖厚度分别记为d1和d2。
所述智能调速模块监测道路缺陷检测车三维加速度，并发送至集成控制系统。
4)所述集成控制系统根据每个红外接收器所获得红外反射光强度计算左侧相对强度数组
Figure BDA0002401915300000111
和红外反射光右侧相对强度数组
Figure BDA0002401915300000112
i表示红外接收器序号。
集成控制系统利用相对光强数组对道路缺陷检测车行驶的位置进行实时判别。若左侧最小相对光强密度
Figure BDA0002401915300000113
或者右侧最小相对光强密度
Figure BDA0002401915300000114
则判定不存在道路缺陷检测车偏移。反之，判定道路缺陷检测车存在偏移。
当道路缺陷检测车发生偏移时，则集成控制系统根据左侧相对光强数组判别偏移方向。
若相对光强密度
Figure BDA0002401915300000115
且相对光强密度ΔHl1′>εa，或者相对光强密度
Figure BDA0002401915300000116
且相对光强密度ΔHr1′>εa，判定道路缺陷检测车向右侧偏移且偏移范围可控。相对光强密度ΔHli′<εb的红外接收器数量记为mR1。相对光强密度ΔHri′<εb的红外接收器数量记为mR2。位置右偏结果mR＝max(mR1、mR2)。
若相对光强密度ΔHr1′<εb且相对光强密度
Figure BDA0002401915300000117
或者相对光强密度ΔHl1′<εb且相对光强密度
Figure BDA0002401915300000118
判定道路缺陷检测车向左侧偏移且偏移范围可控。相对光强密度ΔHli′<εb的红外接收器数目记为mL1。相对光强密度ΔHri′<εb的红外接收器数目记为mL2。位置左偏结果mL＝-max(mL1、mL2)。εa、εb为相对光强存在的判别阈值。i≤n/2。
若左侧所有红外接收器的相对光强密度ΔHli′<εb或右侧所有红外接收器的相对光强密度ΔHri′<εb，判定道路缺陷检测车发生偏移且偏移范围不可控；i≤n/2。
当判定道路缺陷检测车偏移时，集成控制系统控制方向盘偏移α度。偏移角度α＝K×mL/R。K为修正参数，正值代表向左侧转，负值代表向右侧转。
当偏移范围不可控时，集成控制系统通过信号收发模块向上位机发送报警信号，并控制道路缺陷检测车停止。
所述集成控制系统通过信号收发模块将道路缺陷检测车行驶的位置左偏结果mL或者位置右偏结果mR发送至上位机。
所述集成控制系统根据道路缺陷检测车三维加速度计算出道路颠簸等级，并实时调整道路缺陷检测车的车速。当道路颠簸等级为1时，道路缺陷检测车的行驶车速v≥v0。当道路颠簸等级为2时，道路缺陷检测车的行驶车速v＝75％v0。当道路颠簸等级为3时，道路缺陷检测车的行驶车速v＝50％v0。v0为道路缺陷检测车前一时刻车速。所述集成控制系统通过信号收发模块将道路缺陷检测车的车速发送至上位机。
所述集成控制系统根据道路缺陷检测车三维加速度计算出道路颠簸等级的主要步骤如下：
4.1)获取道路缺陷检测车在三种道路颠簸等级下的三维加速度[ax，ay，az]。ax表示x轴加速度向量。ay表示y轴加速度向量。az表示z轴加速度向量。
4.2)利用经验模态分解方法提取三维加速度[ax，ay，az]的特征值，并打上对应道路颠簸等级标签，从而建立训练集。
利用经验模态分解方法提取三维加速度特征值的主要步骤如下：
4.2.1)利用经验模态分解方法将三维加速度ag(t)进行分解，即令三维加速度
Figure BDA0002401915300000121
其中，g＝x，y，z；r表示残差函数；ch(t)表示IMF分量；m为分量总数；
IMF分量满足以下条件：在整个数据段内，极大值、极小值的个数和过零点个数相同或最多相差一个；任意时刻，连接IMF局部极大值和局部极小值形成2条包络线，包络线的均值在任一点处为零；
4.2.2)计算IMF分量能量总和
Figure BDA0002401915300000122
并以能量总和E为特征值；Eh(t)为IMF分量ch(t)的能量。
4.3)利用训练集对隐马尔可夫模型进行训练，得到道路颠簸情况分类器，主要步骤如下：
4.3.1)分别建立每种道路颠簸等级对应的HMM模型。不同HMM参数分别记为λk，k＝1,2,3；k表示道路颠簸等级。
4.3.2)定义第i个HMM模型的前向概率为αt(k)，即：
αt(k)＝P(O1，O2，...，Ot,qt＝Skλ)(1≤t≤T,1≤k≤N) (1)
式中，αt(k)表示在HMM模型参数为λk，第t时刻状态为Sk的条件下，输出前面部分观察值序列O＝O1，O2，...，Ot的概率；P表示概率；
4.3.3)计算前向概率αt(k)，主要步骤如下：
4.3.3.1)在1≤k≤N的条件下，初始化处于状态Sk和初始观察变量O1条件下的前向概率αt(k)＝πkbk(O1)。
4.3.3.2)在1≤t≤T-1且1≤j≤N的条件下，更新前向概率为
Figure BDA0002401915300000131
其中，第t时刻的状态Sk和第t+1时刻的状态Sj之间的转换关系描述为t时刻的迭代关系。
4.3.3.3)递归步骤4.3.3.2)，获得前向概率变量值αt(k)，再计算得到输出概率
Figure BDA0002401915300000132
从而完成道路颠簸情况分类器的建立。
4.3.3.4)测试步骤4.3.3.3)的分类器：给定已知道路颠簸等级的样本O，并利用前向算法求出每个参数λk的输出概率P(O|λ)和最大输出概率Pmax。样本O的道路颠簸等级为与最大输出概率Pmax匹配的HMM模型所代表的道路颠簸等级。若样本O的实际道路颠簸等级与道路颠簸情况分类器输出的道路颠簸等级不一致，则返回步骤4.3.1)。
4.4)实时获取道路缺陷检测车的三维加速度(ax’，ay’，az’)，并利用经验模态分解方法提取三维加速度(ax’，ay’，az’)的特征值；
4.5)将三维实时加速度的特征值输入到道路颠簸情况分类器中，输出道路颠簸等级。
5)所述上位机显示道路缺陷检测车的实时位置和速度。若上位机接收到报警信号，则向使用者发出警报。
6)道路缺陷检测车到达待测路段终点，完成检测工作。
7)集成控制系统向上位机发出结束信号，自行按照原定路线返回至检测起点，整套作业完成。

Claims (9)

1.自动循迹修正下的道路检测系统，其特征在于，主要包含道路缺陷检测车、所述智能循迹模块、智能调速模块、集成控制系统、信号收发模块和上位机。
所述智能循迹模块、智能调速模块、集成控制系统、信号收发模块搭载在道路缺陷检测车上，并随车移动；
所述智能循迹模块监测道路缺陷检测车的行驶轨迹；所述智能循迹模块为分别贴置在道路缺陷检测车头左右两侧的红外接收器；道路缺陷检测车头左右两侧红外接收器数量为n，n为偶数；
监测时，2个智能循迹模块向道路缺陷检测车正前方道路辐射红外光；2个智能循迹模块辐射的红外光不重叠；2个智能循迹模块分别接收路面反射的红外光，并将左侧智能循迹模块接收的路面红外反射光强度ΔHli和右侧智能循迹模块接收的路面红外反射光强度ΔHri发送至集成控制系统；所述路面属性包括颜色特征、反射红外光强度不同的路面、道路边线和标志线；其中，道路边线和标志线反射的红外光强度大于路面反射的红外光强度；道路边线和标志线部分涂覆于路面，覆盖厚度分别记为d1和d2；
所述智能调速模块监测道路缺陷检测车三维加速度，并发送至集成控制系统；
所述集成控制系统根据每个红外接收器所获得红外反射光强度计算左侧相对强度数组
Figure FDA0002401915290000011
和红外反射光右侧相对强度数组
Figure FDA0002401915290000012
i表示红外接收器序号；
集成控制系统利用相对光强数组对道路缺陷检测车行驶的位置进行实时判别；若左侧最小相对光强密度
Figure FDA0002401915290000013
或者右侧最小相对光强密度
Figure FDA0002401915290000014
则判定不存在道路缺陷检测车偏移；反之，判定道路缺陷检测车存在偏移；
当道路缺陷检测车发生偏移时，则集成控制系统根据左侧相对光强数组判别偏移方向；
若相对光强密度
Figure FDA0002401915290000015
且相对光强密度ΔHl1′＞εa，或者相对光强密度
Figure FDA0002401915290000016
且相对光强密度ΔHr1′＞εa，判定道路缺陷检测车向右侧偏移且偏移范围可控；相对光强密度ΔHli′＜εb的红外接收器数量记为mR1；相对光强密度ΔHri′＜εb的红外接收器数量记为mR2；位置右偏结果mR＝max(mR1、mR2)；
若相对光强密度ΔHr1′＜εb且相对光强密度
Figure FDA0002401915290000021
或者相对光强密度ΔHl1′＜εb且相对光强密度
Figure FDA0002401915290000022
判定道路缺陷检测车向左侧偏移且偏移范围可控；相对光强密度ΔHli′＜εb的红外接收器数目记为mL1；相对光强密度ΔHri′＜εb的红外接收器数目记为mL2；位置左偏结果mL＝-max(mL1、mL2)；εa、εb为相对光强存在的判别阈值；i≤n/2；
若左侧所有红外接收器的相对光强密度ΔHli′＜εb或右侧所有红外接收器的相对光强密度ΔHri′＜εb，判定道路缺陷检测车发生偏移且偏移范围不可控；i≤n/2；
当判定道路缺陷检测车偏移时，集成控制系统控制方向盘偏移α度；偏移角度α＝K×mL/R；K为修正参数，正值代表向左侧转，负值代表向右侧转；
当偏移范围不可控时，集成控制系统通过信号收发模块向上位机发送报警信号，并控制道路缺陷检测车停止；
所述集成控制系统通过信号收发模块将道路缺陷检测车行驶的位置左偏结果mL或者位置右偏结果mR发送至上位机；
所述集成控制系统根据道路缺陷检测车三维加速度计算出道路颠簸等级；当道路颠簸等级为1时，道路缺陷检测车的行驶车速v≥v0；当道路颠簸等级为2时，道路缺陷检测车的行驶车速v＝75％v0；当道路颠簸等级为3时，道路缺陷检测车的行驶车速v＝50％v0；v0为道路缺陷检测车前一时刻车速；
所述集成控制系统通过信号收发模块将道路缺陷检测车的车速发送至上位机；
所述上位机通过信号收发模块与集成控制系统进行无线通信，并显示道路缺陷检测车的实时位置和速度；
所述上位机接收到报警信号后，通过显示屏显示警报信息。
2.根据权利要求1或2所述的自动循迹修正下的道路检测系统，其特征在于，所述集成控制系统为单片机。
3.根据权利要求1所述的自动循迹修正下的道路检测系统，其特征在于，所述智能调速模块为贴置在道路缺陷检测车中轴线偏向车头β角度位置的三轴加速度传感器。
4.根据权利要求1所述的自动循迹修正下的道路检测系统，其特征在于，还包括对道路缺陷检测车进行定位的GPS定位模块。
5.根据权利要求1所述的自动循迹修正下的道路检测系统，其特征在于，道路颠簸等级为1表示道路平坦，道路颠簸等级为2表示道路轻微颠簸，道路颠簸等级为3表示道路剧烈颠簸。
6.根据权利要求1所述的自动循迹修正下的道路检测系统，其特征在于，所述集成控制系统根据道路缺陷检测车三维加速度计算出道路颠簸等级的主要步骤如下：
1)获取道路缺陷检测车在三种道路颠簸等级下的三维加速度[ax，ay，az]；ax表示x轴加速度向量；ay表示y轴加速度向量；az表示z轴加速度向量；
2)利用经验模态分解方法提取三维加速度[ax，ay，az]的特征值，并打上对应道路颠簸等级标签，从而建立训练集；
3)利用训练集对隐马尔可夫模型进行训练，得到道路颠簸情况分类器，主要步骤如下：
3.1)分别建立每种道路颠簸等级对应的HMM模型；不同HMM参数分别记为λk，k＝1，2，3；k表示道路颠簸等级；
3.2)定义第k个HMM模型的前向概率为αt(k)，即：
αt(k)＝P(O1，O2，...，Ot，qt＝Skλ)(1≤t≤T，1≤k≤N) (1)
式中，αt(k)表示在HMM模型参数为λk，第t时刻状态为Sk的条件下，输出前面部分观察值序列0＝O1，O2，...，Ot的概率；P表示概率；
3.3)计算前向概率αt(k)，主要步骤如下：
3.3.1)在1≤k≤N的条件下，初始化处于状态Sk和初始观察变量O1条件下的前向概率αt(k)＝πkbk(O1)；
3.3.2)在1≤t≤T-1且1≤j≤N的条件下，更新前向概率为
Figure FDA0002401915290000031
其中，第t时刻的状态Sk和第t+1时刻的状态Sj之间的转换关系描述为t时刻的迭代关系；
3.3.3)递归步骤3.3.2)，获得前向概率变量值αt(k)，再计算得到输出概率
Figure FDA0002401915290000032
从而完成道路颠簸情况分类器的建立；
3.3.4)测试步骤3.3.3)的分类器：给定已知道路颠簸等级的样本O，并利用前向算法求出每个参数λk的输出概率P(O|λ)和最大输出概率Pmax；样本O的道路颠簸等级为与最大输出概率Pmax匹配的HMM模型所代表的道路颠簸等级；若样本O的实际道路颠簸等级与道路颠簸情况分类器输出的道路颠簸等级不一致，则返回步骤3.1)；
4)实时获取道路缺陷检测车的三维加速度(ax’，ay’，az’)，并利用经验模态分解方法提取三维加速度(ax’，ay’，az’)的特征值；
5)将三维实时加速度的特征值输入到道路颠簸情况分类器中，输出道路颠簸等级。
7.根据权利要求1所述的自动循迹修正下的道路检测系统，其特征在于，利用经验模态分解方法提取三维加速度特征值的主要步骤如下：
1)利用经验模态分解方法将三维加速度ag(t)进行分解，即令三维加速度
Figure FDA0002401915290000041
其中，g＝x，y，z；r表示残差函数；ch(t)表示IMF分量；m为分量总数；
IMF分量满足以下条件：在整个数据段内，极大值、极小值的个数和过零点个数相同或最多相差一个；任意时刻，连接IMF局部极大值和局部极小值形成2条包络线，包络线的均值在任一点处为零；
2)计算IMF分量能量总和
Figure FDA0002401915290000042
并以能量总和E为特征值；Eh(t)为IMF分量ch(t)的能量。
8.根据权利要求1所述的自动循迹修正下的道路检测系统，其特征在于，还包括为智能循迹模块、智能调速模块、集成控制系统和信号收发模块供电的动力系统。
9.基于权利要求1至8中任一项所述自动循迹修正下的道路检测系统的检测方法，其特征在于，主要包括以下步骤：
1)设置道路缺陷检测车的参数，主要包括待测路段长度、检测时间和区间速度；
2)将道路缺陷检测车待测路段起点，并启动自动循迹修正下的道路检测系统；
3)所述智能循迹模块监测道路缺陷检测车的行驶轨迹；所述智能循迹模块为分别贴置在道路缺陷检测车头左右两侧的红外接收器；道路缺陷检测车头左右两侧红外接收器数量为n，n为偶数；
监测时，2个智能循迹模块向道路缺陷检测车正前方道路辐射红外光；2个智能循迹模块辐射的红外光不重叠；2个智能循迹模块分别接收路面反射的红外光，并将左侧智能循迹模块接收的路面红外反射光强度ΔHli和右侧智能循迹模块接收的路面红外反射光强度ΔHri发送至集成控制系统；所述路面属性包括颜色特征、反射红外光强度不同的路面、道路边线和标志线；其中，道路边线和标志线反射的红外光强度大于路面反射的红外光强度；道路边线和标志线部分涂覆于路面，覆盖厚度分别记为d1和d2；
4)所述智能调速模块监测道路缺陷检测车三维加速度，并发送至集成控制系统；
所述集成控制系统根据每个红外接收器所获得红外反射光强度计算左侧相对强度数组
Figure FDA0002401915290000043
和红外反射光右侧相对强度数组
Figure FDA0002401915290000044
i表示红外接收器序号；
集成控制系统利用相对光强数组对道路缺陷检测车行驶的位置进行实时判别；若左侧最小相对光强密度
Figure FDA0002401915290000051
或者右侧最小相对光强密度
Figure FDA0002401915290000052
则判定不存在道路缺陷检测车偏移；反之，判定道路缺陷检测车存在偏移；
当道路缺陷检测车发生偏移时，则集成控制系统根据左侧相对光强数组判别偏移方向；
若相对光强密度
Figure FDA0002401915290000053
且相对光强密度ΔHl1′＞εa，或者相对光强密度
Figure FDA0002401915290000054
且相对光强密度ΔHr1′＞εa，判定道路缺陷检测车向右侧偏移且偏移范围可控；相对光强密度ΔHli′＜εb的红外接收器数量记为mR1；相对光强密度ΔHri′＜εb的红外接收器数量记为mR2；位置右偏结果mR＝max(mR1、mR2)；
若相对光强密度ΔHr1′＜εb且相对光强密度
Figure FDA0002401915290000055
或者相对光强密度ΔHl1′＜εb且相对光强密度
Figure FDA0002401915290000056
判定道路缺陷检测车向左侧偏移且偏移范围可控；相对光强密度ΔHli′＜εb的红外接收器数目记为mL1；相对光强密度ΔHri′＜εb的红外接收器数目记为mL2；位置左偏结果mL＝-max(mL1、mL2)；εa、εb为相对光强存在的判别阈值；i≤n/2；
若左侧所有红外接收器的相对光强密度ΔHli′＜εb或右侧所有红外接收器的相对光强密度ΔHri′＜εb，判定道路缺陷检测车发生偏移且偏移范围不可控；
当判定道路缺陷检测车偏移时，集成控制系统控制方向盘偏移α度；偏移角度α＝K×mL/R；K为修正参数，正值代表向左侧转，负值代表向右侧转；
当偏移范围不可控时，集成控制系统通过信号收发模块向上位机发送报警信号，并控制道路缺陷检测车停止；
所述集成控制系统通过信号收发模块将道路缺陷检测车行驶的位置左偏结果mL或者位置右偏结果mR发送至上位机；
所述集成控制系统根据道路缺陷检测车三维加速度计算出道路颠簸等级，并实时调整道路缺陷检测车的车速；当道路颠簸等级为1时，道路缺陷检测车的行驶车速v≥v0；当道路颠簸等级为2时，道路缺陷检测车的行驶车速v＝75％v0；当道路颠簸等级为3时，道路缺陷检测车的行驶车速v＝50％v0；v0为道路缺陷检测车前一时刻车速；
所述集成控制系统通过信号收发模块将道路缺陷检测车的车速发送至上位机；
5)所述上位机显示道路缺陷检测车的实时位置和速度；
6)道路缺陷检测车到达待测路段终点，完成检测工作。
CN202010149647.6A 2020-03-06 2020-03-06 自动循迹修正下的道路检测系统及方法 Active CN111476094B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010149647.6A CN111476094B (zh) 2020-03-06 2020-03-06 自动循迹修正下的道路检测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010149647.6A CN111476094B (zh) 2020-03-06 2020-03-06 自动循迹修正下的道路检测系统及方法

Publications (2)

Publication Number Publication Date
CN111476094A true CN111476094A (zh) 2020-07-31
CN111476094B CN111476094B (zh) 2022-04-19

Family

ID=71747368

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010149647.6A Active CN111476094B (zh) 2020-03-06 2020-03-06 自动循迹修正下的道路检测系统及方法

Country Status (1)

Country Link
CN (1) CN111476094B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113325848A (zh) * 2021-05-31 2021-08-31 广州景骐科技有限公司 颠簸道路车辆控制方法、装置、车辆及存储介质
CN114512020A (zh) * 2021-12-30 2022-05-17 浙江创泰科技有限公司 一种用于城市停车的多屏控制管理系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104679006A (zh) * 2015-03-02 2015-06-03 鲍驭浩 一种自动循迹识别指示系统及其指示方法
CN104699100A (zh) * 2015-01-30 2015-06-10 东北大学 一种基于网格自主循迹的智能车系统及其自主循迹方法
JP2018004418A (ja) * 2016-06-30 2018-01-11 株式会社ブリヂストン 路面状態判別方法
CN109085823A (zh) * 2018-07-05 2018-12-25 浙江大学 一种园区场景下基于视觉的低成本自动循迹行驶方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104699100A (zh) * 2015-01-30 2015-06-10 东北大学 一种基于网格自主循迹的智能车系统及其自主循迹方法
CN104679006A (zh) * 2015-03-02 2015-06-03 鲍驭浩 一种自动循迹识别指示系统及其指示方法
JP2018004418A (ja) * 2016-06-30 2018-01-11 株式会社ブリヂストン 路面状態判別方法
CN109085823A (zh) * 2018-07-05 2018-12-25 浙江大学 一种园区场景下基于视觉的低成本自动循迹行驶方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113325848A (zh) * 2021-05-31 2021-08-31 广州景骐科技有限公司 颠簸道路车辆控制方法、装置、车辆及存储介质
CN114512020A (zh) * 2021-12-30 2022-05-17 浙江创泰科技有限公司 一种用于城市停车的多屏控制管理系统

Also Published As

Publication number Publication date
CN111476094B (zh) 2022-04-19

Similar Documents

Publication Publication Date Title
US11402841B1 (en) Approach for consolidating observed vehicle trajectories into a single representative trajectory
CN109556615B (zh) 基于自动驾驶的多传感器融合认知的驾驶地图生成方法
US10696301B2 (en) Vehicle control device
CN111476094B (zh) 自动循迹修正下的道路检测系统及方法
CN105318888B (zh) 基于无人机感知的无人驾驶车辆路径规划方法
US9460622B1 (en) Approach for estimating the geometry of roads and lanes by using vehicle trajectories
Levinson et al. Towards fully autonomous driving: Systems and algorithms
CN103347785B (zh) 一种无人机自动回收方法
CN109606363B (zh) 一种多状态反馈的智能汽车可拓车道保持控制方法
CN106256606A (zh) 一种基于车载双目相机的车道偏离预警方法
CN111381248B (zh) 一种考虑车辆颠簸的障碍物检测方法及系统
CN105549614A (zh) 无人机目标跟踪方法
CN103454919B (zh) 智能空间中移动机器人的运动控制系统的控制方法
CN109386155A (zh) 面向自动化停车场的无人泊车搬运机器人的对位方法
CN106997688A (zh) 基于多传感器信息融合的停车场停车位检测方法
CN108039927A (zh) 一种基于多波束天线的电子辅助无人机通信方法
CN109606368A (zh) 一种智能汽车可拓车速自适应变化轨迹跟踪控制方法
CN109532834A (zh) 自适应巡航系统过弯目标探测与筛选方法、装置及计算机可读存储介质
CN103192830B (zh) 一种自适应视觉车道偏离预警装置
CN111026112A (zh) 一种轮式机器人沿斜坡中线自动行走的控制系统
CN107346025A (zh) 一种基于滤波的双反光柱激光定位与导航方法
CN111754577A (zh) 目标识别系统及基于其的拖拉机倒车与农具连接方法
US20230134480A1 (en) Vehicular control system with enhanced lane centering
CN110068827A (zh) 一种无人机自主目标测距的方法
CN107436610B (zh) 一种智能室外环境的车辆及机器人运载导航方法及系统

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