CN112285734B - 基于道钉的港口无人集卡高精度对准方法及其对准系统 - Google Patents
基于道钉的港口无人集卡高精度对准方法及其对准系统 Download PDFInfo
- Publication number
- CN112285734B CN112285734B CN202011188957.5A CN202011188957A CN112285734B CN 112285734 B CN112285734 B CN 112285734B CN 202011188957 A CN202011188957 A CN 202011188957A CN 112285734 B CN112285734 B CN 112285734B
- Authority
- CN
- China
- Prior art keywords
- spike
- frame
- detection result
- result
- candidate
- 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
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
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
-
- 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
- G01S17/006—Theoretical aspects
-
- 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
- G01S17/50—Systems of measurement based on relative movement of target
- G01S17/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
-
- 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
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
Abstract
本申请公开了一种基于道钉的港口无人集卡高精度对准方法及其对准系统,对准方法包括:获取当前港口的区域后铺设道钉;对所铺设的道钉进行粗提取后再利用定位和预设结果进行细提取,获取道钉的单帧检测结果;获取多帧数据作为候选帧,形成位姿变换矩阵后将候选帧的所有道钉检测结果均变换到当前帧的局部坐标系下;基于融合算法将历史道钉检测结果和当前道钉检测结果融合后得到偏移量的估计结果,并投影到行进方向作为位置结果输出。本申请所提出的高精度对准方法,可以满足无人驾驶在港口全自动化运输中的精度要求,对准频率不低于10HZ,对准误差不高于±3cm,对准成功率不低于99.99%;满足港口真实作业需求,安全且稳定。
Description
技术领域
本申请涉及港口自动化运输智能驾驶技术领域,尤其涉及一种基于道钉的港口无人集卡高精度对准方法及其对准系统。
背景技术
无人驾驶在港口全自动化水平运输领域有着举足轻重的作用,它可以在阴晴雨雪、7×24小时等各种工况下完成无人作业。打造无人集卡的水平化运输,可以解决“人口红利”消失带来的招聘和管理难题,还能显著减少港口的生产事故。在港口无人驾驶技术落地的过程中,除了要解决无人驾驶本身的关键难题外,还需要完成无人集卡和装卸设备的精确对准,进而保证正常作业。在堆场、码头面以及堆高机场地的作业过程中,都要求无人集卡的对准误差控制在±5cm以内。
业界常见的方案是在大桥上增加引导装置(CPS,crane positioning system),也就是在这些装卸设备上安装相机、激光雷达等传感器,通过自动辨识集卡头、挂车或者集装箱,来反算集卡的相对位置,用于引导集卡的微动。这对于有人集卡而言,是显著有效的;但对于无人集卡存在以下问题:
1)装卸设备的辨识数据需要光缆或者无线回传到云端才可以计算,然后再通过无线反传给车端,存在的延时影响精确控制;
2)CPS的辨识和计算的频率无法满足无人驾驶精确对准的要求;
3)装卸设备通过钢丝绳来控制吊具,但因为重量和环境的原因,通常会有晃动,这对于最终定位结果的结算是有极大影响的。
发明内容
为了解决上述技术问题,本申请实施例提供一种基于道钉的港口无人集卡高精度对准系统及其对准方法。
本申请实施例第一方面提供了一种基于道钉的港口无人集卡高精度对准方法,包括:
获取当前港口的区域后铺设道钉;
基于道钉的反射率特性和高度的先验知识对所铺设的道钉进行粗提取后再利用定位和预设结果进行细提取,获取道钉的单帧检测结果;
获取多帧数据作为候选帧,估计候选帧和当前帧的位置变化差异数据,形成位姿变换矩阵后将候选帧的所有道钉检测结果均变换到当前帧的局部坐标系下;
基于融合算法将历史道钉检测结果和当前道钉检测结果融合后得到偏移量的估计结果,并投影到行进方向作为位置结果输出实现反算无人集卡的位置。
进一步地,铺设道钉具体包括:以等间距方式在港口区域内的堆场中进行铺设。
进一步地,基于道钉的反射率特性和高度的先验知识对所铺设的道钉进行粗提取后再利用定位和预设结果进行细提取,获取道钉的单帧检测结果具体包括:
基于反射率特性,筛选超过预设阈值的道钉候选点;
基于所有道钉在铺设时所记录的精确位置,以约束距离阈值对上述道钉候选点进行二次过滤;
对二次过滤后的所有道钉的候选点构成的点云进行聚类,设定最大的类内距离阈值,得到多个点云簇后,用每个点云簇内包含的点云位置的中值来代表每个道钉的检测结果。
进一步地,获取多帧数据作为候选帧,估计候选帧和当前帧的位置变化差异数据,形成位姿变换矩阵后将候选帧的所有道钉检测结果均变换到当前帧的局部坐标系下具体包括:
基于预设间隔距离,获取一系列的候选帧;
利用候选帧之间的位姿变化,估计出位姿矩阵;
基于位姿矩阵形成位姿变换矩阵,将候选帧的所有道钉检测结果全部变换到当前帧的局部坐标系下。
进一步地,基于融合算法将历史道钉检测结果和当前道钉检测结果融合后得到偏移量的估计结果,并投影到行进方向作为位置结果输出实现反算无人集卡的位置具体包括:
基于融合算法将历史道钉检测结果和当前道钉的检测结果进行融合;
基于上述融合后的数据,获取偏移量的估计参量,投影至行进方向作为位置输出结果。
本申请实施例第二方面提供了一种基于道钉的港口无人集卡高精度对准系统,其特征在于,包括:
道钉原始数据获取模块,用于获取当前港口区域内所铺设的道钉位置信息;
单帧检测模块,用于基于道钉的反射率特性和高度的先验知识对所铺设的道钉进行粗提取后再利用定位和预设结果进行细提取,获取道钉的单帧检测结果;
多帧检测模块,用于获取多帧数据作为候选帧,估计候选帧和当前帧的位置变化差异数据,形成位姿变换矩阵后将候选帧的所有道钉检测结果均变换到当前帧的局部坐标系下;
融合反算模块,用于基于融合算法将历史道钉检测结果和当前道钉检测结果融合后得到偏移量的估计结果,并投影到行进方向作为位置结果输出实现反算无人集卡的位置。
进一步地,单帧检测模块具体包括:
一次过滤模块,基于反射率特性筛选超过预设阈值的道钉候选点;
二次过滤模块,用于基于所有道钉在铺设时所记录的精确位置,以约束距离阈值对上述道钉候选点进行二次过滤;
聚类输出模块,用于对二次过滤后的所有道钉的候选点构成的点云进行聚类,设定最大的类内距离阈值,得到多个点云簇后,选择聚类中心作为该道钉的检测结果。
进一步地,聚类中心用每个点云簇内包含的点云位置的中值来表示。
进一步地,多帧检测模块具体包括:
候选帧筛选单元,用于基于预设间隔距离获取一系列的候选帧;
帧间位姿推算单元,用于利用候选帧之间的位姿变化,估计出位姿矩阵;
历史道钉修正单元,基于位姿矩阵形成位姿变换矩阵,将候选帧的所有道钉检测结果全部变换到当前帧的局部坐标系下。
进一步地,融合反算模块具体包括:
融合单元,用于基于融合算法将历史道钉检测结果和当前道钉的检测结果进行融合;
输出单元,基于上述融合后的数据,获取偏移量的估计参量,投影至行进方向作为位置输出结果。
本申请所提出的高精度对准方法,可以满足无人驾驶在港口全自动化运输中的精度要求,对准频率不低于10HZ,对准误差不高于±3cm,对准成功率不低于99.99%;满足港口真实作业需求,安全且稳定。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的对准方法的流程图;
图2是本申请实施例提供的对准系统的逻辑框图;
图3是本申请实施例提供的道钉示意图;
图4(a)是本申请实施例提供的帧间位姿的推算在帧间匹配前的效果图;
图4(b)是本申请实施例提供的帧间位姿的推算在帧间匹配后的效果图;
图5是本申请实施例提供的道钉的单帧和多帧检测结果示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
在港口全自动化的运输中,目前为了增加整体的运行效率并且为了符合当前无人驾驶的技术发展区域,已经逐步采用无人驾驶技术去取代现有的人为现场的工作,但是考虑到业界常见的方案是在大桥上增加引导装置(CPS,crane positioning system),也就是在这些装卸设备上安装相机、激光雷达等传感器,通过自动辨识集卡头、挂车或者集装箱,来反算集卡的相对位置,用于引导集卡的微动。这些现有的技术,针对于精度要求比较高的无人集卡来说,其实已经远远不够了,这块的精度问题已经极大地限制了整体无人驾驶技术的发展。
本申请中针对在无人集卡这块的精度要求,利用道钉的铺设数据以及现场获取的数据,结合新的对准算法实现高精度的定位。
具体地,本方法中包括如下几步:
S100:获取当前港口的区域后铺设道钉,一般情况下采用以等间距方式在港口区域内的堆场中进行铺设。
作为一个具体的实施例:首先准备符合国家标准的道钉设备(道钉具有较高的反射率,无论是对于可见光还是激光而言),在本行业中道钉的尺寸一般是80×80cm大小。考虑到道钉尺寸和激光雷达线束的稀疏性,建议以半个20尺贝位(3m左右)或者一个20尺贝位(6m左右)铺设一个。那么对于一个包含40个20尺贝位的堆场而言(长约250m),一般需要40~80个道钉。
S200:基于道钉的反射率特性和高度的先验知识对所铺设的道钉进行粗提取后再利用定位和预设结果进行细提取,获取道钉的单帧检测结果。具体地,本步骤中:
S201:利用反射率特性和高度的先验知识进行粗提取。
对于反射率Ii,根据设定的阈值Ti来过滤,大于等于Ti的点被认为是道钉的候选点;而小于Ti的点直接被滤除。
对于高度Hi,因道钉全部铺设在地面上,可以根据设定的高度阈值Th来过滤,小于等于Th的点被认为是道钉的候选点;而大于Th的点直接被滤除。
公式描述如下:{pi∈Region(reflector)|Ii≥Tiand Hi≤Th}。
Region(reflector)表示在整个区域中,所有的反光面的集合,并以pi表示满足该公式的点集。
S202:利用定位和预设结果进行细提取。
室外场景复杂,存在照明污染问题以及大量高反射率点云的干扰影响。由于无人驾驶系统能提供高精度定位结果,因此可以将道钉候选点的实时局部坐标映射到全局坐标系中。
而所有真实道钉的精确位置(Xi,Yi)都被预先提取并记录,例如通过全站仪或者基站打点可以得到。因此可以通过约束距离范围Td来进一步减少野点的影响;即小于等于Td被认为是道钉的候选点,而大于Td的点则直接被滤除。公式描述如下:
其中,Region(reflector)表示在整个区域中,所有的反光面的集合,并以qi表示满足该公式的点集。
(xi,yi)表示道钉候选点i的全局坐标,该坐标可以通过高精度定位(U,V,θ)和实时局部坐标(ui,vi)换算得到:
其中,高精度定位(U,V,θ)由车载组合导航或者惯性导航得到。
实时局部坐标(ui,vi)的相对参考系是车体坐标系,激光雷达和车体坐标系是预先标定的,因此将道钉转化为车体坐标系,再通过组合导航或者惯性导航转化为全局坐标系。
S203:根据得到道钉的单帧检测结果,同一个道钉可能有覆盖多个道钉的候选点,因此对所有道钉的候选点构成的点云进行聚类,设定最大的类内距离不超过Tc米。在得到多个点云簇后,用每个点云簇内包含的点云位置的中值来代表每个道钉的最终的检测结果。
S300:获取多帧数据作为候选帧,估计候选帧和当前帧的位置变化差异数据,形成位姿变换矩阵后将候选帧的所有道钉检测结果均变换到当前帧的局部坐标系下。具体地,本步骤中:
S301:选取候选帧,为了保证观测结果的多样性和差异性,每隔不小于Tm米的距离选择一个候选帧;特别的,候选帧需要保证有Tn或Tn个以上的道钉单帧检测结果。
S302:推算帧间位姿,利用ICP(iterative control point)来估计候选帧和当前帧的位姿的变化,即: 其中/>表示候选帧第i个点的齐次坐标,/>表示当前帧第j个点的齐次坐标,位姿矩阵H即可表达候选帧和当前帧位置和角度的差异。
S303:修正历史道钉检测结果,得到位姿变换矩阵后,就可以将候选帧的所有道钉检测结果全部变换到当前帧的局部坐标系下。
S400:基于融合算法将历史道钉检测结果和当前道钉检测结果融合后得到偏移量的估计结果,并投影到行进方向作为位置结果输出实现反算无人集卡的位置。具体实施方式如下:
S401:融合历史道钉检测结果和当前道钉检测结果。
融合算法主要考虑下述两个要素:
第一,对于同一个物理道钉而言,当前道钉的检测结果需要抑制历史道钉的检测结果。
S402:反算无人集卡的位置。得到偏移量的估计结果后,将其投影到行进方向作为位置结果输出到决策规划模块即可。
本申请实施例还提供一种基于道钉的港口无人集卡高精度对准系统,该系统用于执行前述任一项上述识别方法。本实施例的系统包括:道钉原始数据获取模块100、单帧检测模块200、多帧检测模块300、融合反算模块400。下面就每个模块的内容进行阐述,模块内部所涉及到的具体算法内容与上述方法中相同,这里不进行重复说明。
道钉原始数据获取模块100用于获取当前港口区域内所铺设的道钉位置信息;
单帧检测模块200用于基于道钉的反射率特性和高度的先验知识对所铺设的道钉进行粗提取后再利用定位和预设结果进行细提取,获取道钉的单帧检测结果。
作为一个具体的实施例,整个单帧检测模块200包括:
一次过滤模块201,基于反射率特性筛选超过预设阈值的道钉候选点;
二次过滤模块202,用于基于所有道钉在铺设时所记录的精确位置,以约束距离阈值对上述道钉候选点进行二次过滤;
聚类输出模块203,用于对二次过滤后的所有道钉的候选点构成的点云进行聚类,设定最大的类内距离阈值,得到多个点云簇后,选择聚类中心作为该道钉的检测结果。聚类中心用每个点云簇内包含的点云位置的中值来表示。
多帧检测模块300用于获取多帧数据作为候选帧,估计候选帧和当前帧的位置变化差异数据,形成位姿变换矩阵后将候选帧的所有道钉检测结果均变换到当前帧的局部坐标系下。
作为一个具体的实施例,整个多帧检测模块300包括:
候选帧筛选单元301用于基于预设间隔距离获取一系列候选帧;
帧间位姿推算单元302用于利用候选帧之间的位姿变化,估计出位姿矩阵;
历史道钉修正单元303基于位姿矩阵形成位姿变换矩阵,将候选帧的所有道钉检测结果全部变换到当前帧的局部坐标系下。
融合反算模块400用于基于融合算法将历史道钉检测结果和当前道钉检测结果融合后得到偏移量的估计结果,并投影到行进方向作为位置结果输出实现反算无人集卡的位置。
作为一个具体的实施例,整个融合反算模块400具体包括:
融合单元401,用于基于融合算法将历史道钉检测结果和当前道钉的检测结果进行融合;
输出单元402,基于上述融合后的数据,获取偏移量的估计参量,投影至行进方向作为位置输出结果。
以上详细描述了本发明的优选实施方式,但是本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种等同变换(如数量、形状、位置等),这些等同变换均属于本发明的保护。
Claims (10)
1.一种基于道钉的港口无人集卡高精度对准方法,其特征在于,包括:
获取当前港口的区域后铺设道钉;
基于道钉的反射率特性和高度的先验知识对所铺设的道钉进行粗提取后再利用定位和预设结果进行细提取,获取道钉的单帧检测结果;
获取多帧数据作为候选帧,估计候选帧和当前帧的位置变化差异数据,形成位姿变换矩阵后将候选帧的所有道钉检测结果均变换到当前帧的局部坐标系下;
基于融合算法将历史道钉检测结果和当前道钉检测结果融合后得到偏移量的估计结果,并投影到行进方向作为位置结果输出实现反算无人集卡的位置。
2.根据权利要求1所述的基于道钉的港口无人集卡高精度对准方法,其特征在于,所述铺设道钉具体包括:以等间距方式在港口区域内的堆场中进行铺设。
3.根据权利要求1所述的基于道钉的港口无人集卡高精度对准方法,其特征在于,所述基于道钉的反射率特性和高度的先验知识对所铺设的道钉进行粗提取后再利用定位和预设结果进行细提取,获取道钉的单帧检测结果具体包括:
基于反射率特性,筛选超过预设阈值的道钉候选点;
基于所有道钉在铺设时所记录的精确位置,以约束距离阈值对上述道钉候选点进行二次过滤;
对二次过滤后的所有道钉的候选点构成的点云进行聚类,设定最大的类内距离阈值,得到多个点云簇后,用每个点云簇内包含的点云位置的中值来代表每个道钉的检测结果。
4.根据权利要求3所述的基于道钉的港口无人集卡高精度对准方法,其特征在于,所述获取多帧数据作为候选帧,估计候选帧和当前帧的位置变化差异数据,形成位姿变换矩阵后将候选帧的所有道钉检测结果均变换到当前帧的局部坐标系下具体包括:
基于预设间隔距离,获取一系列的候选帧;
利用候选帧之间的位姿变化,估计出位姿矩阵;
基于所述位姿矩阵形成位姿变换矩阵,将候选帧的所有道钉检测结果全部变换到当前帧的局部坐标系下。
5.根据权利要求4所述的基于道钉的港口无人集卡高精度对准方法,其特征在于,所述基于融合算法将历史道钉检测结果和当前道钉检测结果融合后得到偏移量的估计结果,并投影到行进方向作为位置结果输出实现反算无人集卡的位置具体包括:
基于融合算法将历史道钉检测结果和当前道钉的检测结果进行融合;
基于上述融合后的数据,获取偏移量的估计参量,投影至行进方向作为位置输出结果。
6.一种基于道钉的港口无人集卡高精度对准系统,其特征在于,包括:
道钉原始数据获取模块,用于获取当前港口区域内所铺设的道钉位置信息;
单帧检测模块,用于基于道钉的反射率特性和高度的先验知识对所铺设的道钉进行粗提取后再利用定位和预设结果进行细提取,获取道钉的单帧检测结果;
多帧检测模块,用于获取多帧数据作为候选帧,估计候选帧和当前帧的位置变化差异数据,形成位姿变换矩阵后将候选帧的所有道钉检测结果均变换到当前帧的局部坐标系下;
融合反算模块,用于基于融合算法将历史道钉检测结果和当前道钉检测结果融合后得到偏移量的估计结果,并投影到行进方向作为位置结果输出实现反算无人集卡的位置。
7.根据权利要求6所述的基于道钉的港口无人集卡高精度对准系统,其特征在于,所述单帧检测模块具体包括:
一次过滤模块,基于反射率特性筛选超过预设阈值的道钉候选点;
二次过滤模块,用于基于所有道钉在铺设时所记录的精确位置,以约束距离阈值对上述道钉候选点进行二次过滤;
聚类输出模块,用于对二次过滤后的所有道钉的候选点构成的点云进行聚类,设定最大的类内距离阈值,得到多个点云簇后,选择聚类中心作为该道钉的检测结果。
8.根据权利要求7所述的基于道钉的港口无人集卡高精度对准系统,其特征在于,所述聚类中心用每个点云簇内包含的点云位置的中值来表示。
9.根据权利要求7所述的基于道钉的港口无人集卡高精度对准系统,其特征在于,所述多帧检测模块具体包括:
候选帧筛选单元,用于基于预设间隔距离获取一系列的候选帧;
帧间位姿推算单元,用于利用候选帧之间的位姿变化,估计出位姿矩阵;
历史道钉修正单元,基于所述位姿矩阵形成位姿变换矩阵,将候选帧的所有道钉检测结果全部变换到当前帧的局部坐标系下。
10.根据权利要求9所述的基于道钉的港口无人集卡高精度对准系统,其特征在于,所述融合反算模块具体包括:
融合单元,用于基于融合算法将历史道钉检测结果和当前道钉的检测结果进行融合;
输出单元,基于上述融合后的数据,获取偏移量的估计参量,投影至行进方向作为位置输出结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011188957.5A CN112285734B (zh) | 2020-10-30 | 2020-10-30 | 基于道钉的港口无人集卡高精度对准方法及其对准系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011188957.5A CN112285734B (zh) | 2020-10-30 | 2020-10-30 | 基于道钉的港口无人集卡高精度对准方法及其对准系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112285734A CN112285734A (zh) | 2021-01-29 |
CN112285734B true CN112285734B (zh) | 2023-06-23 |
Family
ID=74352621
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011188957.5A Active CN112285734B (zh) | 2020-10-30 | 2020-10-30 | 基于道钉的港口无人集卡高精度对准方法及其对准系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112285734B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113469045B (zh) * | 2021-06-30 | 2023-05-02 | 上海西井信息科技有限公司 | 无人集卡的视觉定位方法、系统、电子设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012011713A2 (ko) * | 2010-07-19 | 2012-01-26 | 주식회사 이미지넥스트 | 차선 인식 시스템 및 방법 |
CN108921895A (zh) * | 2018-06-12 | 2018-11-30 | 中国人民解放军军事科学院国防科技创新研究院 | 一种传感器相对位姿估计方法 |
CN109143259A (zh) * | 2018-08-20 | 2019-01-04 | 北京主线科技有限公司 | 面向港口无人集卡的高精地图制作方法 |
CN110356976A (zh) * | 2019-08-01 | 2019-10-22 | 北京主线科技有限公司 | 基于模板匹配的港口无人集卡起重机精确对位系统及方法 |
CN111079611A (zh) * | 2019-12-09 | 2020-04-28 | 成都奥伦达科技有限公司 | 一种道路面及其标志线的自动提取方法 |
CN111316284A (zh) * | 2019-02-13 | 2020-06-19 | 深圳市大疆创新科技有限公司 | 车道线检测方法、装置、系统与车辆、存储介质 |
CN111622145A (zh) * | 2020-07-28 | 2020-09-04 | 北京主线科技有限公司 | 基于反光道钉的无人集卡定位方法及系统 |
-
2020
- 2020-10-30 CN CN202011188957.5A patent/CN112285734B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012011713A2 (ko) * | 2010-07-19 | 2012-01-26 | 주식회사 이미지넥스트 | 차선 인식 시스템 및 방법 |
CN108921895A (zh) * | 2018-06-12 | 2018-11-30 | 中国人民解放军军事科学院国防科技创新研究院 | 一种传感器相对位姿估计方法 |
CN109143259A (zh) * | 2018-08-20 | 2019-01-04 | 北京主线科技有限公司 | 面向港口无人集卡的高精地图制作方法 |
CN111316284A (zh) * | 2019-02-13 | 2020-06-19 | 深圳市大疆创新科技有限公司 | 车道线检测方法、装置、系统与车辆、存储介质 |
CN110356976A (zh) * | 2019-08-01 | 2019-10-22 | 北京主线科技有限公司 | 基于模板匹配的港口无人集卡起重机精确对位系统及方法 |
CN111079611A (zh) * | 2019-12-09 | 2020-04-28 | 成都奥伦达科技有限公司 | 一种道路面及其标志线的自动提取方法 |
CN111622145A (zh) * | 2020-07-28 | 2020-09-04 | 北京主线科技有限公司 | 基于反光道钉的无人集卡定位方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112285734A (zh) | 2021-01-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108345822B (zh) | 一种点云数据处理方法及装置 | |
US10846874B2 (en) | Method and apparatus for processing point cloud data and storage medium | |
US11530924B2 (en) | Apparatus and method for updating high definition map for autonomous driving | |
CN108960183B (zh) | 一种基于多传感器融合的弯道目标识别系统及方法 | |
CN110132291B (zh) | 用于港口的栅格地图生成方法、系统、设备及存储介质 | |
US11625851B2 (en) | Geographic object detection apparatus and geographic object detection method | |
CN110356976B (zh) | 基于模板匹配的港口无人集卡起重机精确对位系统及方法 | |
Schreiber et al. | Single camera lane detection and tracking | |
CN110097762B (zh) | 一种道路视频图像低能见度刻度估算方法及系统 | |
CN105302151A (zh) | 一种飞机入坞引导和机型识别的系统及方法 | |
CN104808685A (zh) | 用于无人机自主降落的视觉辅助装置及视觉辅助方法 | |
CN103136789A (zh) | 基于地形图和影像的交通事故道路底图信息处理方法 | |
CN110491156A (zh) | 一种感知方法、装置及系统 | |
CN210119237U (zh) | 路侧自动驾驶车辆定位导航系统 | |
CN106767854A (zh) | 移动设备、车库地图形成方法及系统 | |
CN111121849A (zh) | 传感器的方位参数的自动校准方法、边缘计算单元和路侧传感系统 | |
CN112285734B (zh) | 基于道钉的港口无人集卡高精度对准方法及其对准系统 | |
CN115424263A (zh) | 交通灯的标注方法、车载设备和存储介质 | |
CN116206286A (zh) | 高速路况下的障碍物检测方法、装置、设备和介质 | |
CN116453205A (zh) | 一种营运车辆滞站揽客行为识别方法、装置及系统 | |
US20220196829A1 (en) | Radar Reference Map Generation | |
CN115586552A (zh) | 一种港口轮胎吊或桥吊下无人集卡精确二次定位方法 | |
CN115421160A (zh) | 路沿检测方法、装置、设备、车辆及存储介质 | |
CN114418430A (zh) | 外排型排土场的无人调度系统及方法 | |
CN114155258A (zh) | 一种公路施工围封区域的检测方法 |
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 |