CN111722252B - 一种高精准的基于轨迹数据的作业面识别方法 - Google Patents

一种高精准的基于轨迹数据的作业面识别方法 Download PDF

Info

Publication number
CN111722252B
CN111722252B CN202010407156.7A CN202010407156A CN111722252B CN 111722252 B CN111722252 B CN 111722252B CN 202010407156 A CN202010407156 A CN 202010407156A CN 111722252 B CN111722252 B CN 111722252B
Authority
CN
China
Prior art keywords
line segment
point
data
main direction
track
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
CN202010407156.7A
Other languages
English (en)
Other versions
CN111722252A (zh
Inventor
王磊
王天瑞
钱恒其
孙辰
刘杰
臧玉波
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.)
Jiangsu Beidou Agricultural Machinery Technology Co ltd
Jiangsu Bds Application Industry Institute Co ltd
Original Assignee
Jiangsu Beidou Agricultural Machinery Technology Co ltd
Jiangsu Bds Application Industry Institute 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 Jiangsu Beidou Agricultural Machinery Technology Co ltd, Jiangsu Bds Application Industry Institute Co ltd filed Critical Jiangsu Beidou Agricultural Machinery Technology Co ltd
Priority to CN202010407156.7A priority Critical patent/CN111722252B/zh
Publication of CN111722252A publication Critical patent/CN111722252A/zh
Application granted granted Critical
Publication of CN111722252B publication Critical patent/CN111722252B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G01S19/393—Trajectory determination or predictive tracking, e.g. Kalman filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种高精准的基于轨迹数据的作业面识别方法，包括以下步骤：对载具定位点进行预处理，过滤无效定位点，再将有效定位点连接成表示行驶轨迹的有向的轨迹线段；根据载具作业的时间顺序，识别出预设时间内的轨迹线段的主方向，作为预设时间的载具作业主方向；根据连续的载具作业主方向，生成不同载具作业面；对相邻的载具作业面进行细节微调；计算载具作业面形状和参考幅宽值的结果并输出。本发明在不确定幅宽与稀疏轨迹的情况下，识别作业面，精准度高，并能给出参考幅宽值；同时，本发明可应用于对此类作业提供后续的作业面积计算与作业质量监管。

Description

一种高精准的基于轨迹数据的作业面识别方法
技术领域
本发明涉及卫星定位识别技术领域，具体涉及对地理数据的聚类与分割，进而自动识别作业面的方法。
背景技术
近年来，随着传感器与无人机行业的发展，传统的面状作业形式(例如农田耕作)以及新兴的面状作业形式(例如无人机航拍)所使用的载体作业速度不断加快、所使用的作业工具横向幅宽不断扩大。不稳定载体和空间上稀疏的数据采样造成传统的作业面识别方法已经无法满足精度需求，导致对这种高速作业质量的评判与监控的手段有所缺失。
常用的作业面识别会使用点数据的密度进行空间聚类，计算出点位聚集的范围，但是因为使用的作业工具横向幅宽不断扩大，导致点位空间密度要求减小，会引入大量非作业点因满足密度阈值算入作业面中，造成误差的增加。
其他常用的作业面识别直接使用轨迹加横向幅宽生成缓冲区作为作业面，但当使用无人机等载体时，作业工具横向幅宽受到载体高度的影响不稳定，传统方法使用固定值的横向幅宽不能得到正确的作业面。
发明内容
针对现有技术存在的不足，本发明目的是提供一种高精准的基于轨迹数据的作业面识别方法，解决了在不确定幅宽与稀疏轨迹的情况下，识别作业面，精准度高，并给出参考幅宽值。
为了实现上述目的，本发明是通过如下的技术方案来实现：
本发明的一种高精准的基于轨迹数据的作业面识别方法，包括以下步骤：
对载具定位点进行预处理，过滤无效定位点，再将有效定位点连接成表示行驶轨迹的有向的轨迹线段；
根据载具作业的时间顺序，识别出预设时间内的轨迹线段的主方向，作为预设时间的载具作业主方向；
根据连续的载具作业主方向，生成不同载具作业面；
对相邻的载具作业面进行细节微调；
计算载具作业面形状和参考幅宽值的结果并输出。
对载具定位点进行预处理，过滤无效定位点，再将有效定位点连接成表示行驶轨迹的有向的轨迹线段，具体方法如下：
使用道格拉斯-普特法抽稀轨迹，只保留拐点数据作为定位点参与计算；
抽稀之后连接定位点，同时计算线段方向、线段长度、线段速度和线段中心点；根据所述线段速度与定位点信息过滤掉定位错误点位，再重新连接线段；
取出所述线段长度数据进行数据标准化为[0,1]的值作为线段权重；
取出所述方向数据，将原始方位角数据以y轴正方向为0°，顺时针夹角[0,360)，换算为[0,180)。
根据载具作业的时间顺序，识别出预设时间内的轨迹线段的主方向，作为预设时间的载具作业主方向，具体方法如下：
获取轨迹线段的方向数据，所述方向数据分布符合载具作业主方向上的高斯分布加上作业副方向上的高斯分布和单独方向与噪声综合得到的混合高斯分布，建立实时更新的混合高斯模型，遍历所述方向数据输入迭代混合高斯模型，得到作业时段内的方向分量分布情况；
获取所述混合高斯模型中方向分量权重前k＝m+2个方向作为载具作业主方向后补，根据实际作业的时间连续性，使用窗口为Nwindows的中值滤波处理权重最大的后补载具作业主方向数据，如果滤波修正值在后补范围内则进行滤波修正，否则不进行改动，将结果保存为载具作业主方向列表；
在高斯模型结果中删除上一次检测到的主方向结果后，进行m次B2过程，最终得到m个主方向备选；使用无人机航拍、无人机播种、无人机植保作业时m＝2；使用自走式植保、拖拉机耕作作业时m＝3；使用联合收割作业时m＝4。
根据连续的载具作业主方向，生成不同载具作业面；具体方法如下：
取出所有m个载具作业主方向备选，当轨迹线段方向在备选范围内时保留，否则直接删除；
列出所有载具作业主方向备选并将匹配的线段按照载具作业主方向不同分类，对每类进行闭运算后进行腐蚀，筛选掉不成面的运输轨迹线段与辅助作业轨迹线段，保留呈面状的载具作业面，保证作业线段在空间上连续；
保证作业面上的轨迹线段在时间上连续，当经过所述闭运算处理的两个载具作业面；
在空间上有交集的同时在时间上有包含关系，则将两载具作业面合并；
在空间上有交集的同时在时间上有交集关系，则暂时删去交集处轨迹线段后分别保存，等待后续细节微调处理；
在空间上有交集的同时在时间上有不相交，则将两个载具作业面分别保存；
所存储的载具作业面包含轨迹线段数据、主方向数据、载具作业面形状数据。
上述闭运算具体方法为：
对同一主方向线段建立半径为参考宽幅2倍、不对端点缓冲的缓冲区，再对此缓冲区建立半径为参考宽幅2.3倍、对端点缓冲的缓冲区，再对此缓冲区建立半径为参考宽幅0.4倍、对端点缓冲的结果缓冲区，将空间上与结果缓冲区有交集的线段保留，否则删除不作为作业面线段。
对相邻的载具作业面进行细节微调；具体方法如下：
每个载具作业面从开始时间向后、从结束时间向前探测是否存在与作业面主方向不一致线段，在作业面中删除此类线段；探测在连续Ncheck个线段符合主方向要求后停止；
每个作业面从开始时间向前、从结束时间向后探测是否存在与作业面时间连续、空间交集、且主方向一致的线段，在作业面中添加此类线段；探测在进入其他作业面或者连续Ncheck个线段不符合要求后停止；
将作业面内临近主方向轨迹线段的轨迹线段投影到主方向上接续到相邻线段上，补充转弯处带来的误差。
计算载具作业面形状和参考幅宽值的结果并输出，具体方法如下：
取出单个作业面内某个主方向上的所有线段中心点，将中心点投影在主方向的垂直方向上，对垂直方向上的点做聚类得到作业路线的投影点，使用投影距离的中值作为作业设备幅宽；
对单个作业面中的所有线段使用估算幅宽做缓冲区，计算缓冲区作为计算作业面图形。
上述聚类方法具体步骤如下：
(1)初始化半径：
Figure BDA0002491773740000041
其中d是参考宽幅，p是垂直主方向的投影点的值；最小点数：minPoints＝2；
(2)顺序选取一个没有被访问过的数据点，计算以这个点为中心，R为半径的圆内点位数目是否大于或等于minPoints，如果大于或等于minPoints则标记为中心点，反之标记为噪点；
(3)重复步骤(2)，如果一个噪点存在于某个中心点为半径的圆内，则这个点被标记为边缘点，反之仍为噪点；
(4)重复步骤(2)，直到所有的点都被访问过；
(5)获得A4步得到的线段长度权重，计算中心点簇的加权平均值，并计算簇内所有点的权重和；
(6)计算每一个噪点权重，抽取中心点簇权重和与噪点权重的前85％数据作为聚类结果。
本发明在不确定幅宽与稀疏轨迹的情况下，识别作业面，精准度高，并能给出参考幅宽值；同时，本发明可应用于对此类作业提供后续的作业面积计算与作业质量监管。
附图说明
图1为整体工作流程图；
图2为主方向识别工作流程图；
图3为计算估算幅宽的工作流程图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
参见图1，本发明的一种基于轨迹数据的作业面识别方法，包括如下步骤：
A)数据预处理；
B)主方向识别；
C)作业面生成；
D)作业面细分；
E)结果输出；
步骤A)中，数据预处理方法如下：
(A1)将定位点数据根据时间顺序连接为线段数据。
(A2)连接过程中为了突出特征并提高处理速度使用道格拉斯-普特法抽稀轨迹，主要保留拐点数据。
步骤(A2)使用道格拉斯-普特法抽稀轨迹具体算法为：
存在按照一定顺序排列的一组点，连接这组点的首点和尾点生成一条线段；之后计算所有点与线段的距离，取距离最远的点的距离作为最远距离；如果最远距离大于给定的限制，则连接首点与最远点、连接最远点到尾点；再进行新的生成线段并计算距离的操作，直到没有距离大于给定的限制。得到已经连接的线段和组成线段的点，作为结果输出。
(A3)抽稀之后连接轨迹点，同时计算线段方向、长度、速度、中心点等参数。根据速度与位置信息过滤掉定位错误点位，再重新连接合理线段。
(A4)取出线段长度数据进行数据标准化为[0,1]的值作为线段权重(weight)
步骤(A4)使用数据标准化的具体方式为Min-max normalization：
Figure BDA0002491773740000051
公式中：x是原始数据集合，x*是标准化之后的数据集合，max是数据x原始数据集合中的最大值，min是数据x原始数据集合中的最小值。
(A5)取出方向数据，将原始方位角数据以y轴正方向为0°顺时针夹角[0,360)，换算为[0,180)。也就是认为正向反向意义相同。
参见图2，步骤B)中，主方向识别主要完成：
(B1)获得经过预处理线段的方向数据，认为方向数据分布符合作业主方向上的高斯分布加上作业副方向上的高斯分布和其他单独方向与其他噪声综合得到的混合高斯分布，建立实时更新的混合高斯模型，遍历方向数据输入迭代混合高斯模型，得到作业时段内的方向分量分布情况。
步骤(B1)使用混合高斯具体算法为：
混合高斯模型初始化：将第一个方向定义为I1分量的均值μ1，初值分量总数Q＝1,权重w＝1
实时的模型更新：依照时间顺序迭代方向数据，将新数据xk与已有分量对比，如果新数据与某分量Iq满足：
|xk-μq，k|＜2.5σq，k
则调整Iq分量模型权重，同时修改混合模型权重。
如果都所有分量都不满足|xk-μq，k|＜2.5σq，k则增加新的分量，如果增加的分量超出分量个数限制，则删除未新增分量前所有分量中重权重最小的分量。
每迭代一次模型数据，使用学习率α对于混合模型的每一个分量都进行一次更新：
更新权重：
wq，k+1＝(1-α)wq，k+αMq，k+1wl，k+1
更新均值：
μq，k+1＝(1-ρ)μq，k+ρIk+1
更新分布：
Figure BDA0002491773740000061
其中
Figure BDA0002491773740000062
Figure BDA0002491773740000063
wl，k+1是线段距离标准化得到的长度权重
Figure BDA0002491773740000064
Figure BDA0002491773740000065
Figure BDA0002491773740000066
特殊的，在计算分量与数据的距离时，因为方向数据是循环的(0°＝360°),又因为在应用条件下正方向与反方向有相同的意义：
所以求模时方向数据的模为：
Figure BDA0002491773740000071
所以当更新混合高斯模型分量时均值分布为：
Figure BDA0002491773740000072
(B2)取混合高斯模型中方向分量权重前k(k＝m+2)个方向作为主方向后补，根据实际作业的时间连续性，使用窗口为Nwindows(本方法中取Nwindows＝5)的中值滤波处理权重最大的后补主方向数据，如果滤波修正值在后补范围内则进行滤波修正，否则不进行改动，将结果保存为主方向列表。
部分作业类型作业面不一定只有一个主要工作方向，所以需要高斯模型结果中删除上一次检测到的主方向结果后，进行m次B2过程，最终得到m个主方向备选。使用无人机航拍、无人机播种、无人机植保等标准的二向作业法作业时m＝2；使用自走式植保、拖拉机耕作等可能不标准二向作业法作业时m＝3；使用联合收割等四向作业法作业时m＝4。
步骤C)中，作业面生成主要完成方法如下：
(C1)取出所有m个主方向备选，当线段方向在备选范围内时保留，否则直接删除。
(C2)列出所有主方向备选并将匹配的线段按照主方向不同分类，对每类进行闭运算后进行腐蚀，可以筛选掉不成面的运输路径与辅助作业路径，只保留呈面状的作业面，保证作业线段在空间上连续。
步骤(C2)使用的闭运算，具体方法为：
对同一主方向线段建立半径为参考宽幅2倍、不对端点缓冲的缓冲区，再对此缓冲区建立半径为参考宽幅-2.3倍、对端点缓冲的缓冲区，再对此缓冲区建立半径为参考宽幅0.4倍、对端点缓冲的结果缓冲区，将空间上与结果缓冲区有交集的线段保留，否则删除不作为作业面线段。
(C3)为了同时保证作业线段在时间上连续，当经过C2处理的两个作业面
在空间上有交集的同时在时间上有包含关系，则将两作业面合并；
在空间上有交集的同时在时间上有交集关系，则暂时删去交集处线段后分别保存，等待D步处理；
在空间上有交集的同时在时间上有不相交，则将两个作业面分别保存。
所存储的作业面包含线段数据、主方向(组)数据、作业面形状数据。
步骤D)中，作业面细分主要完成方法如下：
(D1)为了消除混合高斯模型学习率的影响，每个作业面从开始时间向后、从结束时间向前探测是否存在与作业面主方向不一致线段，在作业面中删除此类线段。探测在连续Ncheck(本方法中取Ncheck＝3)个线段符合主方向要求后停止。
(D2)为了消除混合高斯模型学习率的影响，每个作业面从开始时间向前、从结束时间向后探测是否存在与作业面时间连续、空间交集、且主方向一致的线段，在作业面中添加此类线段。探测在进入其他作业面或者连续Ncheck个线段不符合要求后停止。
(D3)为了处理载具转向带来的过度线段，将作业面内临近主方向线段的线段投影到主方向上接续到相邻线段上，补充转弯处带来的误差。
参见图3，步骤E)中，结果输出主要完成方法如下：
(E1)估算作业设备幅宽。取出单个作业面内某个主方向上的所有线段中心点，将中心点投影在主方向的垂直方向上，对垂直方向上的点做聚类得到作业路线的投影点，使用投影距离的中值作为估算幅宽。
步骤(E1)使用的聚类具体算法为修改过的DBSCAN：
(1)初始化：半径：
Figure BDA0002491773740000081
其中d是参考宽幅，p是垂直主方向的投影点的值；最小点数：minPoints＝2。
(2)顺序选取一个没有被访问过的数据点，计算以这个点为中心，R为半径的圆内点位数目是否大于或等于minPoints，如果大于或等于minPoints则标记为中心点，反之标记为噪点。
(3)重复步骤1，如果一个噪点存在于某个中心点为半径的圆内，则这个点被标记为边缘点，反之仍为噪点。
(4)重复步骤1，直到所有的点都被访问过。
(5)获得A4步得到的线段长度权重，计算中心点簇的加权平均值，并计算簇内所有点的权重和。
(6)计算每一个噪点权重，抽取中心点簇权重和与噪点权重的前85％数据作为聚类结果。
(E2)计算作业面图形。对单个作业面中的所有线段使用估算幅宽做缓冲区，计算缓冲区作为计算作业面图形。
步骤(E2)使用的闭运算具体方法为：
对同一主方向线段建立半径为预估宽幅、不对端点缓冲的缓冲区。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (7)

1.一种高精准的基于轨迹数据的作业面识别方法，其特征在于，包括以下步骤：
对载具定位点进行预处理，过滤无效定位点，再将有效定位点连接成表示行驶轨迹的有向的轨迹线段，具体方法如下：
使用道格拉斯-普特法抽稀轨迹，只保留拐点数据作为定位点参与计算；
抽稀之后连接定位点，同时计算线段方向、线段长度、线段速度和线段中心点；根据所述线段速度与定位点信息过滤掉定位错误点位，再重新连接线段；
取出所述线段长度数据进行数据标准化为[0,1]的值作为线段长度权重；
取出所述方向数据，将原始方位角数据以y轴正方向为0°，顺时针夹角[0,360)，换算为[0,180)；
根据载具作业的时间顺序，识别出预设时间内的轨迹线段的主方向，作为预设时间的载具作业主方向；
根据连续的载具作业主方向，生成不同载具作业面；
对相邻的载具作业面进行细节微调；
计算载具作业面形状和参考幅宽值的结果并输出。
2.根据权利要求1所述的作业面识别方法，其特征在于，根据载具作业的时间顺序，识别出预设时间内的轨迹线段的主方向，作为预设时间的载具作业主方向，具体方法如下：
步骤1：获取轨迹线段的方向数据，所述方向数据分布符合载具作业主方向上的高斯分布加上作业副方向上的高斯分布和单独方向与噪声综合得到的混合高斯分布，建立实时更新的混合高斯模型，遍历所述方向数据输入迭代混合高斯模型，得到作业时段内的方向分量分布情况；
步骤2：获取所述混合高斯模型中方向分量权重前k＝m+2个方向作为载具作业主方向候补，根据实际作业的时间连续性，使用窗口为Nwindows的中值滤波处理权重最大的候补载具作业主方向数据，如果滤波修正值在候补范围内则进行滤波修正，否则不进行改动，将结果保存为载具作业主方向列表；
步骤3：在高斯模型结果中删除上一次检测到的主方向结果后，进行m次步骤2的过程，最终得到m个主方向备选；使用无人机航拍、无人机播种、无人机植保作业时m＝2；使用自走式植保、拖拉机耕作作业时m＝3；使用联合收割作业时m＝4。
3.根据权利要求2所述的作业面识别方法，其特征在于，根据连续的载具作业主方向，生成不同载具作业面，具体方法如下：
取出所有m个载具作业主方向备选，当轨迹线段方向在备选范围内时保留，否则直接删除；
列出所有载具作业主方向备选并将匹配的线段按照载具作业主方向不同分类，对每类进行闭运算后进行腐蚀，筛选掉不成面的运输轨迹线段与辅助作业轨迹线段，保留呈面状的载具作业面，保证作业线段在空间上连续；
保证作业面上的轨迹线段在时间上连续，当经过所述闭运算处理的两个载具作业面；
在空间上有交集的同时在时间上有包含关系，则将两载具作业面合并；
在空间上有交集的同时在时间上有交集关系，则暂时删去交集处轨迹线段后分别保存，等待后续细节微调处理；
在空间上有交集的同时在时间上有不相交，则将两个载具作业面分别保存；
所存储的载具作业面包含轨迹线段数据、主方向数据、载具作业面形状数据。
4.根据权利要求3所述的作业面识别方法，其特征在于，所述闭运算具体方法为：
对同一主方向线段建立半径为参考宽幅2倍、不对端点缓冲的缓冲区，再对此缓冲区建立半径为参考宽幅2.3倍、对端点缓冲的缓冲区，再对此缓冲区建立半径为参考宽幅0.4倍、对端点缓冲的结果缓冲区，将空间上与结果缓冲区有交集的线段保留，否则删除不作为作业面线段。
5.根据权利要求1所述的作业面识别方法，其特征在于，对相邻的载具作业面进行细节微调，具体方法如下：
每个载具作业面从开始时间向后、从结束时间向前探测是否存在与作业面主方向不一致线段，在作业面中删除此类线段；探测在连续Ncheck个线段符合主方向要求后停止；
每个作业面从开始时间向前、从结束时间向后探测是否存在与作业面时间连续、空间交集、且主方向一致的线段，在作业面中添加此类线段；探测在进入其他作业面或者连续Ncheck个线段不符合要求后停止；
将作业面内临近主方向轨迹线段的轨迹线段投影到主方向上接续到相邻线段上，补充转弯处带来的误差。
6.根据权利要求1所述的作业面识别方法，其特征在于，计算载具作业面形状和参考幅宽值的结果并输出，具体方法如下：
取出单个作业面内某个主方向上的所有线段中心点，将中心点投影在主方向的垂直方向上，对垂直方向上的点做聚类得到作业路线的投影点，使用投影距离的中值作为作业设备幅宽；
对单个作业面中的所有线段使用估算幅宽做缓冲区，计算缓冲区作为计算作业面图形。
7.根据权利要求6所述的作业面识别方法，其特征在于，所述聚类方法具体步骤如下：
(1)初始化半径：
Figure FDA0003989181100000031
其中d是参考宽幅，p是垂直主方向的投影点的值；最小点数：minPoints＝2；
(2)顺序选取一个没有被访问过的数据点，计算以这个点为中心，R为半径的圆内点位数目是否大于或等于minPoints，如果大于或等于minPoints则标记为中心点，反之标记为噪点；
(3)重复步骤(2)，如果一个噪点存在于某个中心点为半径的圆内，则这个点被标记为边缘点，反之仍为噪点；
(4)重复步骤(2)，直到所有的点都被访问过；
(5)获得所述线段长度权重，计算中心点簇的加权平均值，并计算簇内所有点的权重和；
(6)计算每一个噪点权重，抽取中心点簇权重和与噪点权重的前85％数据作为聚类结果。
CN202010407156.7A 2020-05-14 2020-05-14 一种高精准的基于轨迹数据的作业面识别方法 Active CN111722252B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010407156.7A CN111722252B (zh) 2020-05-14 2020-05-14 一种高精准的基于轨迹数据的作业面识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010407156.7A CN111722252B (zh) 2020-05-14 2020-05-14 一种高精准的基于轨迹数据的作业面识别方法

Publications (2)

Publication Number Publication Date
CN111722252A CN111722252A (zh) 2020-09-29
CN111722252B true CN111722252B (zh) 2023-04-11

Family

ID=72564539

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010407156.7A Active CN111722252B (zh) 2020-05-14 2020-05-14 一种高精准的基于轨迹数据的作业面识别方法

Country Status (1)

Country Link
CN (1) CN111722252B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114781493A (zh) * 2022-04-02 2022-07-22 江苏北斗卫星应用产业研究院有限公司 一种车辆城市行驶轨迹与行驶行为的聚类方法
CN115143925B (zh) * 2022-05-06 2024-07-02 中电科卫星导航运营服务有限公司 基于卫星定位和行驶轨迹分析的机车作业信息处理方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8332084B1 (en) * 2009-06-23 2012-12-11 The Boeing Company Four-dimensional weather predictor based on aircraft trajectory
CN108332652A (zh) * 2018-01-15 2018-07-27 中国农业大学 一种农田作业面积计量方法及装置

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104181565A (zh) * 2014-08-19 2014-12-03 四川大学 一种基于北斗卫星导航的运动轨迹记录与重绘系统
CN104992072B (zh) * 2015-07-21 2017-10-27 江苏北斗卫星应用产业研究院有限公司 基于空间网格剖分的作业地块自动识别与面积统计方法
CN105718751B (zh) * 2016-02-03 2017-04-12 西北农林科技大学 一种基于面积格点覆盖的深松作业面积计算方法
KR102671067B1 (ko) * 2016-04-08 2024-05-30 팅크웨어(주) 도로면 생성 방법, 도로면 생성 장치, 포인트 클라우드 데이터 처리 방법, 포인트 클라우드 데이터 처리 장치, 컴퓨터 프로그램 및 컴퓨터 판독 가능한 기록 매체
WO2018122585A1 (zh) * 2016-12-30 2018-07-05 同济大学 一种基于浮动车数据的城市道路交通异常检测方法
CN107657637B (zh) * 2017-09-25 2020-05-01 中国农业大学 一种农机作业面积获取方法
CN109241069B (zh) * 2018-08-23 2020-01-10 中南大学 一种基于轨迹自适应聚类的路网快速更新的方法及系统
CN109165631A (zh) * 2018-09-20 2019-01-08 黑龙江惠达科技发展有限公司 一种基于农机行驶轨迹的垄线识别及作业面积计算方法
CN111078956B (zh) * 2019-12-17 2022-08-05 安徽中科大国祯信息科技有限责任公司 一种智慧管网巡检轨迹分布缩量存储查询方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8332084B1 (en) * 2009-06-23 2012-12-11 The Boeing Company Four-dimensional weather predictor based on aircraft trajectory
CN108332652A (zh) * 2018-01-15 2018-07-27 中国农业大学 一种农田作业面积计量方法及装置

Also Published As

Publication number Publication date
CN111722252A (zh) 2020-09-29

Similar Documents

Publication Publication Date Title
CN112906830A (zh) 一种基于ais大数据的船舶最优航线自动生成方法
CN110866934B (zh) 基于规范性编码的复杂点云分割方法及系统
CN110458174B (zh) 一种无序点云关键特征点精确提取方法
CN109903383B (zh) 一种采煤机在工作面煤层三维模型中精确定位方法
CN111722252B (zh) 一种高精准的基于轨迹数据的作业面识别方法
CN109100731B (zh) 一种基于激光雷达扫描匹配算法的移动机器人定位方法
CN113538486B (zh) 一种提高汽车钣金工件的识别与定位精度的方法
CN110487286B (zh) 基于点特征投影与激光点云融合的机器人位姿判断方法
CN110986956A (zh) 一种基于改进的蒙特卡洛算法的自主学习全局定位方法
CN112632202B (zh) 一种基于高阶隐马尔可夫模型的动态地图匹配方法
CN114564545A (zh) 一种基于ais历史数据的船舶经验航线提取系统及方法
CN112945196B (zh) 一种基于点云数据的露天矿台阶线提取和边坡监测的方法
CN113325867B (zh) 一种无人航行器搜寻的路径规划方法、装置和无人航行器
CN113932821A (zh) 基于连续窗口平均方向特征的轨迹地图匹配方法
CN112070800B (zh) 一种基于三维点云极化地图表征的智能车定位方法及系统
CN108416168B (zh) 基于分层决策的地形适配区选取方案
CN110942077A (zh) 基于权重局部变化度和l1中值优化的特征线提取方法
CN115205560A (zh) 一种基于单目相机的先验地图辅助室内定位方法
CN111275748A (zh) 动态环境下基于激光雷达的点云配准方法
CN118379526B (zh) 基于概率分布采样约束的多特征点云匹配方法
CN114037948A (zh) 基于迁移主动学习的车载道路点云要素矢量化方法与装置
CN117541614B (zh) 基于改进icp算法的空间非合作目标近距离相对位姿跟踪方法
CN117392268A (zh) 一种基于自适应结合cpd和icp算法的激光扫描建图方法及系统
CN112363193B (zh) 基于残差建模和gnss组合惯性导航系统的高精度定位系统
CN115560780A (zh) 一种基于osm路网约束下的激光雷达里程计定位优化方法

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