CN112432654B - 一种渣土车的状态分析方法和装置及存储介质 - Google Patents
一种渣土车的状态分析方法和装置及存储介质 Download PDFInfo
- Publication number
- CN112432654B CN112432654B CN202011311469.9A CN202011311469A CN112432654B CN 112432654 B CN112432654 B CN 112432654B CN 202011311469 A CN202011311469 A CN 202011311469A CN 112432654 B CN112432654 B CN 112432654B
- Authority
- CN
- China
- Prior art keywords
- state
- muck
- displacement
- vertical
- sampling
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000001514 detection method Methods 0.000 claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 238000006073 displacement reaction Methods 0.000 claims description 193
- 238000005070 sampling Methods 0.000 claims description 169
- 230000001133 acceleration Effects 0.000 claims description 75
- 239000002893 slag Substances 0.000 claims description 20
- 238000009826 distribution Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 11
- 230000004044 response Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 239000004576 sand Substances 0.000 claims description 4
- 239000004575 stone Substances 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 239000002699 waste material Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 38
- 238000012544 monitoring process Methods 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 6
- 238000012806 monitoring device Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C23/00—Combined instruments indicating more than one navigational value, e.g. for aircraft; Combined measuring devices for measuring two or more variables of movement, e.g. distance, speed or acceleration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Aviation & Aerospace Engineering (AREA)
- Multimedia (AREA)
- Navigation (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种渣土车的状态分析方法和装置及存储介质,所述渣土车的状态分析方法通过将覆盖渣土车的翻斗箱体的车厢场景图像输入多任务神经网络,获取到渣土车的图像检测结果,具体包括渣土覆盖状态、渣土装载状态和渣土类别,并通过全球定位系统数据和惯性导航单元数据获取翻斗箱体的举升状态和渣土车的运动状态,然后将图像检测结果、举升状态和运动状态上传至服务器,以使服务器对渣土车的运行过程进行监控,从而可以存储监控数据方便后续追溯,还可以依据监控数据设置提示或者报警,从而解决渣土车运行的监管难题,提升道路交通安全以及改善道路环境。
Description
技术领域
本申请涉及车载数据分析技术领域,特别是涉及一种渣土车的状态分析方法和装置及存储介质。
背景技术
伴随着国内经济发展,基础建设不断增强,作为工程车之一的渣土车在道路交通中出现得越来越多。渣土车在运行过程中通常存在超载、扬尘、随意倾倒等监管难题,对道路交通环境与安全构成潜在隐患。因而,加强对渣土车运行过程的监控对道路交通安全的提升以及道路环境的改善有着至关重要的作用。
发明内容
本申请主要解决的技术问题是提供一种渣土车的状态分析方法和装置及存储介质,能够实现对渣土车运行过程的监控。
为解决上述技术问题,本申请采用的一个技术方案是:
提供一种渣土车的状态分析方法,包括:
获取覆盖所述渣土车的翻斗箱体的车厢场景图像、以及所述渣土车的全球定位系统数据和惯性导航单元数据;
将所述车厢场景图像输入多任务神经网络,以获取所述渣土车的图像检测结果,所述图像检测结果包括渣土覆盖状态、渣土装载状态和渣土类别;以及利用所述全球定位系统数据和惯性导航单元数据获取所述翻斗箱体的举升状态和所述渣土车的运动状态;
将所述图像检测结果、所述举升状态和所述运动状态上传至服务器。
为解决上述技术问题,本申请采用的另一个技术方案是:
提供一种渣土车的状态分析装置,包括相互耦接的存储器和处理器,其中,所述存储器上存储有程序指令,所述处理器能够执行所述程序指令以实现如上述技术方案所述的渣土车的状态分析方法。
为解决上述技术问题,本申请采用的另一个技术方案是:
提供一种计算机可读存储介质,所述存储介质上存储有程序指令,所述程序指令能够被处理器执行以实现如上述技术方案所述的渣土车的状态分析方法。
本申请的有益效果是:区别于现有技术的情况,本申请提供的渣土车的状态分析方法通过将覆盖渣土车的翻斗箱体的车厢场景图像输入多任务神经网络,获取到渣土车的图像检测结果,具体包括渣土覆盖状态、渣土装载状态和渣土类别,并通过全球定位系统数据和惯性导航单元数据获取翻斗箱体的举升状态和渣土车的运动状态,然后将图像检测结果、举升状态和运动状态上传至服务器,以使服务器对渣土车的运行过程进行监控,从而可以存储监控数据方便后续追溯,还可以依据监控数据设置提示或者报警,从而解决渣土车运行的监管难题,提升道路交通安全以及改善道路环境。
附图说明
为了更清楚地说明本申请实施方式中的技术方案,下面将对实施方式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方式,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。其中:
图1为本申请渣土车的状态分析方法一实施方式的流程示意图;
图2为渣土车装载图像采集设备和惯性导航单元一实施方式的结构示意图;
图3为图1中步骤S12一实施方式的流程示意图;
图4为图1中步骤S12另一实施方式的流程示意图;
图5为图4中步骤S32一实施方式的流程示意图;
图6为图4中步骤S33一实施方式的流程示意图;
图7为图1中步骤S12另一实施方式的流程示意图;
图8为图7中步骤S62一实施方式的流程示意图;
图9为图7中步骤S62另一实施方式的流程示意图;
图10为本申请渣土车的状态分析装置一实施方式的结构示意图;
图11为本申请计算机可读存储介质一实施方式的结构示意图。
具体实施方式
下面将结合本申请实施方式中的附图,对本申请实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本申请一部分实施方式,而不是全部实施方式。基于本申请中的实施方式,本领域普通技术人员在没有做出创造性的劳动前提下所获得的所有其他实施方式,都属于本申请保护的范围。
请参阅图1,图1为本申请渣土车的状态分析方法一实施方式的流程示意图,该状态分析方法包括如下步骤:
步骤S11,获取覆盖渣土车的翻斗箱体的车厢场景图像、以及渣土车的全球定位系统数据和惯性导航单元数据。
为了监控渣土车的运行过程,需要在渣土车上装配一些监控设备,本实施方式首先从这些监控设备获取原始数据。具体地,监控设备包括图像采集设备、全球定位系统GPS和惯性导航单元IMU,其中,图像采集设备10和惯性导航单元20需要装载于渣土车的翻斗箱体30前上部,即翻斗箱体30朝向渣土车车尾的一端(即图2中翻斗箱体30靠左的一端),且图像采集设备10的视场需要覆盖翻斗箱体(例如水平120度),如图2所示,图2为渣土车装载图像采集设备和惯性导航单元一实施方式的结构示意图,使得本实施方式能够获取到覆盖翻斗箱体的车厢场景图像,且使得本实施方式获取到的惯性导航单元数据能够反映翻斗箱体的举升运动。全球定位系统GPS需要装载于渣土车上,使得本实施方式获取到的全球定位系统数据能够反映渣土车的位置信息。优选将上述监控设备集成在一起,便于维修管理等操作。
步骤S12,将车厢场景图像输入多任务神经网络,以获取渣土车的图像检测结果,图像检测结果包括渣土覆盖状态、渣土装载状态和渣土类别;以及利用全球定位系统数据和惯性导航单元数据获取翻斗箱体的举升状态和渣土车的运动状态。
获取到车厢场景图像之后,可先进行曝光参数、增益参数、白平衡参数自适应调节、图像3D降噪以及数字宽动态参数调节等常规预处理,再将其输入多任务神经网络,以从该多任务神经网络中获取到渣土覆盖状态、渣土装载状态和渣土类别,其中,该多任务神经网络包括与渣土覆盖状态、渣土装载状态和渣土类别以及渣土车厢区域检测分别对应的单任务神经网络。在此之前,需要离线训练多任务神经网络,其中,离线训练时采用的损失函数由上述多个单任务神经网络分别对应的子损失函数加权计算所得,所有子损失函数之和为1。
具体地,通过如下公式(1)计算多任务神经网络的损失函数L:
L=λ1*L1+λ2*L2+λ3*L3+λ4*L4……(1);
其中,λ1、λ2、λ3、λ4为各子损失函数,且λ1+λ2+λ3+λ4=1。上述训练采用批量梯度下降的方式获取各子损失函数,具体过程与现有技术中相同,此处不再赘述。
优选地,所有子损失函数的权重相同,即均为0.25,当然也可以根据样本均衡情况进行其他设置。
请参阅图3,图3为图1中步骤S12一实施方式的流程示意图,可以通过如下步骤获取图像检测结果。
步骤S21,对车厢场景图像进行渣土车厢区域检测,以生成多尺度特征图谱,并依据多尺度特征图谱获取与车厢场景图像对应的二进制图,二进制图中用0表示背景,用1表示车厢区域。
具体地,可通过预设先验车厢ROI的方式以配置参数形式输入渣土车厢感兴趣分析区域;也可通过车厢区域视觉分析结果作为动态初始化配置参数,并以此区域作为渣土车厢感兴趣分析区域。预处理后的渣土车厢场景图像经卷积(conv)、正则(BN)、激活(relu)以及池化(pooling)等共享卷积神经网络特征描述操作,生成多尺度特征图谱。上述特征图谱在预设尺度上级联后经反卷积以及softmax等操作在特定特征尺度进行像素级车厢区域分类,经上采样、膨胀腐蚀以及置信度过滤等后处理操作,输出与车厢场景图像对应的二进制图,其中用0表示背景,用1表示车厢区域。
步骤S22,以车厢区域作为分析感兴趣区域,根据多尺度特征图谱中的小尺度特征图谱获取渣土覆盖状态,其中,渣土覆盖状态包括未覆盖、部分覆盖和完全覆盖;以及,根据多尺度特征图谱中的中尺度特征图谱获取渣土装载状态和渣土类别,其中,渣土装载状态包括空载、部分装载和满载,渣土类别包括建筑垃圾、沙石、湿渣土和其他渣土。
以步骤S21检测出的车厢区域作为分析感兴趣区域,基于多尺度特征图谱中的小尺度特征图谱进行车厢区域池化,级联渣土覆盖状态特征描述(3x3以及1x1的conv+relu+BN组合,卷积步长为1或2)后通过softmax层输出渣土覆盖状态,具体包括未覆盖、部分覆盖和完全覆盖,可以定义具体的代码用于表示不同的渣土覆盖状态,例如0表示未覆盖,1表示部分覆盖,2表示完全覆盖。
以步骤S21检测出的车厢区域作为分析感兴趣区域,基于多尺度特征图谱中的中尺度特征图谱进行车厢区域池化,级联渣土装载状态特征描述(3x3以及1x1的conv+relu+BN组合,卷积步长为1或2)后通过softmax层输出渣土装载状态,具体包括空载、部分装载和满载,可以定义具体的代码用于表示不同的装载状态,例如0表示空载,1表示部分装载,2表示满载。以及,级联渣土类别特征描述(3x3以及1x1的conv+relu+BN组合,卷积步长为1或2)后通过softmax层输出渣土类别,具体包括建筑垃圾、沙石、湿渣土和其他渣土,可以定义具体的代码用于表示不同的渣土类别,例如0表示背景,1表示建筑垃圾,2表示沙石,3表示湿渣土,4表示其他渣土。
由于上述获取车厢场景图像以及对其进行神经网络分析的过程可以实时进行,因此可以获取到当前时刻渣土车的图像检测结果,并重复上述过程,从而实时获取当渣土车每个当前时刻点的图像检测结果。
本实施方式利用训练好的多任务神经网络获取渣土车的图像检测结果,能够依据车厢场景图像获知渣土覆盖状态、渣土装载状态和渣土类别,便于监控渣土车的运行过程。
进一步地,请参阅图4,图4为图1中步骤S12另一实施方式的流程示意图,可以通过如下步骤获取翻斗箱体的举升状态。
步骤S31,从惯性导航单元数据中提取第一预设时间范围内翻斗箱体的多个垂向加速度和多个俯仰角速度。
如图2所示,惯性导航单元IMU装置于翻斗箱体的前上部,只要其正常工作,就能获得翻斗箱体在多个维度的加速度和角速度,本实施方式首先从惯性导航单元数据中提取第一预设时间范围内翻斗箱体的多个垂向加速度和多个俯仰角速度,其中垂向为垂直于渣土车所在路面的方向。该第一预设时间可以根据实际应用场景进行设置,例如10s或者其他时间段。且第一预设时间的终点为渣土车所处的当前时刻点,使得本实施方式获取翻斗箱体的举升状态为一个实时的不断循环的过程。每获取到一次需要的垂向加速度和俯仰角速度,都可进行一次获取举升状态的过程,具体的循环频率可以根据实际应用场景进行设置,以下均以在第一预设时间范围内的一次获取举升状态的过程为例进行说明。
步骤S32,利用垂向加速度和俯仰角速度获取第一预设时间范围内的多个垂向位移和多个俯仰角位移。
获取到第一预设时间范围内翻斗箱体的多个垂向加速度和多个俯仰角速度之后,可以据此获取第一预设时间范围内的多个垂向位移和多个俯仰角位移。首先将第一预设时间范围划分为多个采样时间段,采样时间段的数量为采样点的数量,第一预设时间范围等于采样时间段与采样点的数量的乘积,该采样时间段与惯性导航单元IMU的采样时间段可以重合,也可以为后者的几倍。例如第一预设时间10s被划分为多个时长为20ms的采样时间段,则采样点的数量为500,也就是说先在第一预设时间范围内获取到500个垂向加速度和500个俯仰角速度。然后利用垂向加速度和俯仰角速度获取第一预设时间范围内的多个垂向位移和多个俯仰角位移,具体请参阅图5,图5为图4中步骤S32一实施方式的流程示意图,可以通过如下步骤获取垂向位移和俯仰角位移。
步骤S41,将当前采样点的垂向加速度与采样时间段的乘积加上前一采样点的垂向速度作为当前采样点的垂向速度,其中,第一个采样点的前一采样点的垂向速度为预设初始速度值。
获取到每个采样点的垂向加速度之后,先利用如下公式(2)获取每个采样点的垂向速度,并将第一个采样点的前一采样点的垂向速度设置为预设初始速度值(例如0),具体地,当前采样点的垂向速度等于当前采样点的垂向加速度与采样时间段的乘积加上前一采样点的垂向速度。
vz,i=vz,i-1+az,i*Δt,i=1,…,imax……(2);
其中,vz,i和vz,i-1分别为当前采样点和前一采样点的垂向速度,az,i为当前采样点垂向加速度,Δt为采样时间段,imax为采样点的数量。
步骤S42,将当前采样点的垂向速度与采样时间段的乘积加上前一采样点的垂向位移作为当前采样点的垂向位移,其中,第一个采样点的前一采样点的垂向位移为预设初始位移值;以及,将当前采样点的俯仰角速度与采样时间段的乘积加上前一采样点的俯仰角位移作为当前采样点的俯仰角位移,其中,第一个采样点的前一采样点的俯仰角位移为预设初始角位移值。
获取到每个采样点的垂向速度之后,利用如下公式(3)获取每个采样点的垂向位移,并将第一个采样点的前一采样点的垂向位移为预设初始位移值(例如0),具体地,当前采样点的垂向位移等于当前采样点的垂向速度与采样时间段的乘积加上前一采样点的垂向位移。
Sz,i=Sz,i-1+vz,i*Δt,i=1,…,imax……(3);
其中,Sz,i和Sz,i-1分别为当前采样点和前一采样点的垂向位移。
以及,获取到每个采样点的俯仰角速度之后,利用如下公式(4)获取每个采样点的俯仰角位移,并将第一个采样点的前一采样点的俯仰角速度设置为预设初始角速度值(例如0),具体地,当前采样点的俯仰角位移等于当前采样点的俯仰角速度与采样时间段的乘积加上前一采样点的俯仰角位移。
Rz,i=Rz,i-1+ωz,i*Δt,i=1,…,imax……(4);
其中,Rz,i和Rz,i-1分别为当前采样点和前一采样点的俯仰角位移,ωz,i为当前采样点俯仰角速度。
利用上述公式(2)、(3)和(4)可以获得第一预设时间范围内每个采样点的垂向位移和俯仰角位移。
步骤S33,基于垂向位移和俯仰角位移获取翻斗箱体在第一预设时间范围内的举升状态,其中举升状态包括水平稳定状态、抬升状态、顶部稳定状态和下降状态。
请参阅图6,图6为图4中步骤S33一实施方式的流程示意图,可以通过如下步骤获取翻斗箱体的举升状态。
步骤S51,获取第二预设时间范围内每个采样点的垂向位移差和俯仰角位移差,其中将第一预设时间范围从起点开始截断预设数量的采样时间段之后得到第二预设时间范围。
获取到第一预设时间范围内的每个采样点的垂向位移和俯仰角位移之后,可以进一步获取每个采样点的垂向位移差和俯仰角位移差,为了使两个差值更合理,将第一预设时间范围从起点开始截断预设数量的采样时间段之后得到第二预设时间范围,并获取第二预设时间范围内每个采样点的垂向位移差和俯仰角位移差。如之前举例,第一预设时间10s被划分为500个时长为20ms的采样时间段,从起点开始截断50个采样时间段(即1s)之后,得到第二预设时间范围,则第二预设时间范围为9s,还有450个采样点。
具体地,将当前采样点的垂向位移减去当前采样点之前间隔预设数量的采样时间段的采样点的垂向位移,得到当前采样点的垂向位移差;以及,将当前采样点的俯仰角位移减去当前采样点之前间隔预设数量的采样时间段的采样点的俯仰角位移,得到当前采样点的俯仰角位移差。也就是说,利用如下公式(5)和公式(6)获取第二预设时间范围内每个采样点的垂向位移差和俯仰角位移差。
ΔSz,i=Sz,i-Sz,i-imin,i=imin+1,…,imax……(5);
ΔRz,i=Rz,i-Rz,i-imin,i=imin+1,…,imax……(6);
其中,imin为第一预设时间从起点开始截断的采样时间段的数量,每个采样点的垂向位移差其实是当前采样点与截断时间段之前的采样点之间的垂向位移之差,每个采样点的俯仰角位移差其实是当前采样点与截断时间段之前的采样点之间的俯仰角位移之差。如之前举例,第一预设时间10s被划分为500个时长为20ms的采样时间段,从起点开始截断50个采样时间段(即1s)得到第二预设时间范围,即imin=50,可见,第二预设时间范围内的第1个采样即为第一预设时间范围内的第51个采样点,则第二预设时间范围内的第1个采样点(i=51)的垂向位移差ΔSz,51=Sz,50-Sz,1,俯仰角位移差ΔRz,51=Rz,50-Rz,1。
步骤S52,响应于垂向位移的均值小于或等于第一位移均值阈值、俯仰角位移的均值小于或等于第一角位移均值阈值、垂向位移的方差小于或等于第一方差阈值、且俯仰角位移的方差小于或等于第二方差阈值,判定举升状态为水平平衡状态。
也就是说,获取到第一预设时间范围内每个采样点的垂向位移Sz和俯仰角位移Rz、第二预设时间范围内每个采样点的垂向位移差ΔSz和俯仰角位移差ΔRz之后,先计算垂向位移Sz的均值和方差以及俯仰角位移Rz的均值和方差。
进一步地,如果垂向位移Sz的均值小于或等于第一位移均值阈值MS1,俯仰角位移Rz的均值小于或等于第一角位移均值阈值MR1、垂向位移Sz的方差小于或等于第一方差阈值STDS1、且俯仰角位移Rz的方差小于或等于第二方差阈值STDR1,则判定翻斗箱体的举升状态为水平平衡状态。
步骤S53,响应于垂向位移的均值大于或等于第二位移均值阈值、俯仰角位移的均值大于或等于第二角位移均值阈值、垂向位移的方差小于或等于第一方差阈值、且俯仰角位移的方差小于或等于第二方差阈值,判定举升状态为顶部平衡状态。
如果垂向位移Sz的均值大于或等于第二位移均值阈值MS2、俯仰角位移Rz的均值大于或等于第二角位移均值阈值MR2、垂向位移Sz的方差小于或等于第一方差阈值STDS1、且俯仰角位移Rz的方差小于或等于第二方差阈值STDR1,则判定翻斗箱体的举升状态为顶部平衡状态。
步骤S54,响应于垂向位移的均值大于第一位移均值阈值、俯仰角位移的均值大于第一角位移均值阈值、垂向位移的方差大于第一方差阈值、且俯仰角位移的方差大于第二方差阈值、且多个垂向位移差中大于第一位移差阈值的垂向位移差的数量大于第一数量阈值、多个俯仰角位移差中大于第一角位移差阈值的俯仰角位移差的数量大于第二数量阈值,判定举升状态为抬升状态。
如果垂向位移Sz的均值大于第一位移均值阈值MS1、俯仰角位移Rz的均值大于第一角位移均值阈值MR1、垂向位移Sz的方差大于第一方差阈值STDS1、且俯仰角位移Rz的方差大于第二方差阈值STDR1、且多个垂向位移差ΔSz中大于第一位移差阈值TS的垂向位移差ΔSz的数量大于第一数量阈值NS、多个俯仰角位移差ΔRz中大于第一角位移差阈值TR的俯仰角位移差ΔRz的数量大于第二数量阈值NR,则判定翻斗箱体的举升状态为抬升状态。
步骤S55,响应于垂向位移的均值大于第一位移均值阈值、俯仰角位移的均值大于第一角位移均值阈值、垂向位移的方差大于第一方差阈值、且俯仰角位移的方差大于第二方差阈值、且多个垂向位移差中小于第二位移差阈值的垂向位移差的数量大于第一数量阈值、多个俯仰角位移差中小于第二角位移差阈值的俯仰角位移差的数量大于第二数量阈值,判定举升状态为下降状态;其中,第二位移差阈值为第一位移差阈值的相反数,第二角位移差阈值为第一角位移差阈值的相反数。
如果垂向位移Sz的均值大于第一位移均值阈值MS1、俯仰角位移Rz的均值大于第一角位移均值阈值MR1、垂向位移Sz的方差大于第一方差阈值STDS1、且俯仰角位移Rz的方差大于第二方差阈值STDR1、且多个垂向位移差ΔSz中小于第二位移差阈值-TS(即TS的相反数)的垂向位移差ΔSz的数量大于第一数量阈值NS、多个俯仰角位移差ΔRz中小于第二角位移差阈值-TR(即TR的相反数)的俯仰角位移差ΔRz的数量大于第二数量阈值NR,则判定翻斗箱体的举升状态为下降状态。
进一步地,结合翻斗箱体的实际运动过程可知,各个举升状态之间的转换存在一定的顺序限制,水平稳定状态只能转换为其自身或者抬升状态;抬升状态只能转换为其自身、或者顶部稳定状态、或者下降状态;顶部稳定状态只能转换为其自身或者下降状态;下降状态只能转换为其自身、或者水平稳定状态、或者抬升状态。可以定义具体的代码用于表示不同的举升状态,例如0表示水平稳定状态,1表示抬升状态,2表示顶部稳定状态,3表示下降状态。
由于第一预设时间的终点为渣土车所处的当前时刻点,因此,可以将上述获取到的第一预设时间范围内的渣土车的举升状态作为当前时刻点渣土车的举升状态,并重复上述过程,从而实时获取到渣土车每个当前时刻点的举升状态。
本实施方式利用惯性导航单元数据获取翻斗箱体的举升状态,可以实时获知渣土车的翻斗箱体当前是处于水平稳定状态、抬升状态、顶部稳定状态还是下降状态,从而实现对渣土车运行过程的监控。
进一步地,请参阅图7,图7为图1中步骤S12另一实施方式的流程示意图,可以通过如下步骤获取渣土车的运动状态。
步骤S61,基于全球定位系统数据和惯性导航单元数据利用扩展卡尔曼滤波算法获取渣土车的多个运动参数。
其中,运动参数包括渣土车在横向和纵向的位置分布、在纵向的速度分布、在纵向的加速度偏置分布,纵向为渣土车的行进方向,横向与纵向垂直且位于与渣土车所在路面相平行的平面内。
具体地,扩展卡尔曼滤波算法包括状态预测和状态更新两部分,即先采用状态预测模型和状态预测方程(即如下公式(7)和公式(8))进行计算,再利用过程噪声(即如下公式(9))进行状态更新,最终可以得到16个运动参数
其中,分别为全球定位系统GPS数据中的信号位置、速度以及航向测量值,为状态量,为状态预测方程,为过程噪声;为北东地坐标系下车辆位置(3x1向量),为北东地坐标系下车辆速度(3x1向量),为北东地坐标系下车辆姿态(以四元数表达,4x1向量),为惯性传感器角速度测量值的偏置信息(3x1向量),为惯性传感器加速度测量值的偏置信息(3x1向量)。
本实施方式需要用到横向和纵向的位置分布、纵向的速度分布、纵向的加速度偏置分布这4个运动参数,使用之前需要将北东地坐标系转换为大地坐标系,上述具体计算过程和坐标转换过程与现有技术中的相同,此处不再赘述。
步骤S62,利用惯性导航单元数据和运动参数获取渣土车在第三预设时间范围内的急加减速状态和第一预设距离范围内的右转未停车状态。
具体地,请参阅图8,图8为图7中步骤S62一实施方式的流程示意图,可以通过如下步骤获取渣土车在第三预设时间范围内的急加减速状态。其中,第三预设时间范围被划分为多个采样时间段,采样时间段的数量为采样点的数量,第三预设时间范围等于采样时间段与采样点的数量的乘积。
步骤S71,利用纵向的加速度偏置校正惯性导航单元数据中的纵向加速度,以得到在第三预设时间范围内所有采样点的校正纵向加速度。
惯性导航单元可以直接输出渣土车的纵向加速度,但是在使用过程中存在温漂、零漂等导致的累积误差问题,需要对其输出数据进行校正。利用上述步骤S61获得的运动参数之一纵向的加速度偏置来校正惯性导航单元数据中的纵向加速度,得到准确度更高的校正纵向加速度。针对第三预设时间范围内的每个采样点,均先从惯性导航单元数据中输出纵向加速度,再利用加速度偏置对其进行校正,从而得到所有采样点的校正纵向加速度。
而且第三预设时间的终点为渣土车所处的当前时刻点,使得本实施方式获取急加减速状态为一个实时的不断循环的过程。每获取到一次需要的校正纵向加速度,都可进行一次获取急加减速状态的过程,具体的循环频率可以根据实际应用场景进行设置,以下以在第三预设时间范围内获取急加减速状态的过程为例进行说明。
步骤S72,判断所有校正纵向加速度中大于加速度阈值的校正纵向加速度的数量是否大于第三数量阈值。
获取到所有采样点的校正纵向加速度之后,可以进一步判断大于加速度阈值Ta的校正纵向加速度的数量是否大于第三数量阈值Na,从而可以知道渣土车在第三预设时间范围内运行时的加速度分布。
步骤S73,如果大于,则判定急加减速状态为是。
如果大于加速度阈值Ta的校正纵向加速度的数量大于第三数量阈值Na,则说明第三预设时间范围内这些数量的采样点对应的时刻渣土车均处于急加减速状态,因此判定急加减速状态为是。
步骤S74,否则,判定急加减速状态为否。
如果大于加速度阈值Ta的校正纵向加速度的数量不大于第三数量阈值Na,则说明第三预设时间范围内这些数量的采样点对应的时刻渣土车均不处于急加减速状态,因此判定急加减速状态为否。
可以定义具体的代码用于表示不同的急加减速状态,例如0表示急加减速状态为否,1表示急加减速状态为是。
由于第三预设时间的终点为渣土车所处的当前时刻点,因此,可以将上述获取到的第三预设时间范围内的渣土车的急加减速状态作为当前时刻点渣土车的急加减速状态,并重复上述过程,从而实时获取到渣土车每个当前时刻点的急加减速状态。
本实施方式根据校正纵向加速度判断渣土车的急加减速状态,能够准确获知渣土车在运行过程中的加速度,从而实现对运行过程的加速度监控。
进一步地,请参阅图9,图9为图7中步骤S62另一实施方式的流程示意图,可以通过如下步骤获取渣土车在第一预设距离范围内的右转未停车状态。其中,第一预设距离范围被划分为多个采样距离段,采样距离段的数量为采样点的数量,第一预设距离范围等于采样距离段与采样点的数量的乘积。例如第一预设距离为50m,采样距离段为0.5m,则采样点的数量为100。
步骤S81,从惯性导航单元数据中提取第一预设距离范围内所有采样点的横摆角速度,利用横向和纵向的位置分布获取第一预设距离范围内所有采样点的曲率数据,以及利用纵向的速度分布获取第一预设距离范围内所有采样点对应的采样距离段内的最大速度、最小速度和平均速度。其中,横摆角速度为渣土车绕路面垂线转动的角速度,顺时针转动时横摆角速度为正,逆时针转动时横摆角速度为负。
惯性导航单元可以直接获取到渣土车在三个维度的角速度,包括每个采样点的横摆角速度。而且,上述步骤S61可以获取到渣土车在横向和纵向的位置分布,进而可以将第一预设距离的终点设置为渣土车当前时刻所处的位置点,则可以进一步对渣土车在第一预设距离范围内横向和纵向的位置分布进行曲线拟合,从而获取到第一预设距离范围内所有采样点的曲率数据。具体的曲线拟合过程与现有技术中的相同,此处不再赘述。
通过上述步骤S61还可以获取到渣土车在纵向的速度分布,进而可以获取到第一预设距离范围内所有采样点对应的采样距离内的最大速度、最小速度和平均速度。
步骤S82,判断是否同时满足横摆角速度为正,所有曲率数据中大于曲率阈值的曲率数据的数量大于第四数量阈值,且所有最大速度、最小速度和平均速度均不为零。
获取到每个采样点的横摆角速度、曲率数据以及对应的最大速度、最小速度和平均速度之后,可以进一步判断横摆角速度是否为正,并判断大于曲率阈值Tc的曲率数据的数量是否大于第四数量阈值Nc,从而根据判断结果判定渣土车在第一预设距离内是否进行了右转弯;以及根据每个采样点的速度(最大速度、最小速度和平均速度)判断渣土车在右转弯过程中是否发生了停车。
步骤S83,若是,,则判定右转未停车状态为是。
如果同时满足横摆角速度为正,大于曲率阈值Tc的曲率数据的数量是否大于第四数量阈值Nc,且每个采样点的最大速度、最小速度和平均速度均不为零,则判定渣土车在第一预设距离内进行了右转弯,且右转过程中未停车。
步骤S84,否则,则判定右转未停车状态为否。
如果不是同时满足上述三个条件,则判定渣土车的右转未停车状态为否,也就是说渣土车未进行右转弯,或者在右转过程中发生了停车。由于新的交通法规定渣土车所属的工程车在右转过程中必须停车,因此未右转或者右转过程中停车的行为均属于正常行驶的行为。
可以定义具体的代码用于表示不同的右转未停车状态,例如0表示右转未停车状态为否,1表示右转未停车状态为是。
由于第一预设距离的终点为渣土车当前时刻所处的位置点,因此,可以将上述获取到的第一预设距离范围内的渣土车的右转未停车状态作为当前时刻点渣土车的右转未停车状态,并重复上述过程,从而实时获取到渣土车每个当前时刻点的右转未停车状态。
本实施方式根据渣土车的位置分布获取渣土车的曲率数据,并根据曲率数据和速度分布判断出渣土车在运行过程是否右转以及右转过程中是否停车,从而实现对渣土车运行过程的右转未停车状态的监控。
步骤S13,将图像检测结果、举升状态和运动状态上传至服务器。
通过上述步骤S12获取到渣土车的图像检测结果、举升状态和运动状态之后,可以将这些数据统一编码之后上传至服务器,以使服务器解码后获取到渣土车在运动过程中的图像检测结果(即渣土覆盖状态、渣土装载状态和渣土类别)、举升状态(即水平稳定状态、抬升状态、顶部稳定状态或者下降状态)、以及运动状态(即急加减速状态和右转未停车状态),并将这些数据进行存储以及与渣土车关联,便于后续进行数据追溯。
本实施方式通过将覆盖渣土车的翻斗箱体的车厢场景图像输入多任务神经网络,获取到渣土车的图像检测结果,并通过全球定位系统数据和惯性导航单元数据获取翻斗箱体的举升状态和渣土车的运动状态,然后将图像检测结果、举升状态和运动状态上传至服务器,以使服务器对渣土车的运行过程进行监控,从而可以存储监控数据方便后续追溯,还可以依据监控数据设置提示或者报警,从而解决渣土车运行的监管难题,提升道路交通安全以及改善道路环境。
此外,本申请还提供一种渣土车的状态分析装置,请参阅图10,图10为本申请渣土车的状态分析装置一实施方式的结构示意图,该状态分析装置包括处理器110以及分别与处理器110耦接的存储器120、图像采集设备130、全球定位系统140和惯性导航单元150,其中,存储器120上存储有程序指令,处理器110能够配合图像采集设备130、全球定位系统140和惯性导航单元150执行该程序指令以实现如上述任一实施方式所述的渣土车的状态分析方法。具体可参阅上述任一实施方式,此处不再赘述。
此外,本申请还提供一种计算机可读存储介质,请参阅图11,图11为本申请计算机可读存储介质一实施方式的结构示意图,该存储介质1100上存储有程序指令1110,程序指令1110能够被处理器执行以实现如上述任一实施方式所述的渣土车的状态分析方法。具体可参阅上述任一实施方式,此处不再赘述。
以上所述仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (11)
1.一种渣土车的状态分析方法,其特征在于,包括:
获取覆盖所述渣土车的翻斗箱体的车厢场景图像、以及所述渣土车的全球定位系统数据和惯性导航单元数据;
将所述车厢场景图像输入多任务神经网络,以获取所述渣土车的图像检测结果,所述图像检测结果包括渣土覆盖状态、渣土装载状态和渣土类别;以及利用所述全球定位系统数据和惯性导航单元数据获取所述翻斗箱体的举升状态和所述渣土车的运动状态;
将所述图像检测结果、所述举升状态和所述运动状态上传至服务器;
其中,所述利用所述全球定位系统数据和惯性导航单元数据获取所述渣土车的运动状态的步骤,包括:基于所述全球定位系统数据和惯性导航单元数据利用扩展卡尔曼滤波算法获取所述渣土车的多个运动参数;利用所述惯性导航单元数据和所述运动参数获取所述渣土车在第三预设时间范围内的急加减速状态和第一预设距离范围内的右转未停车状态;其中,所述运动参数包括所述渣土车在横向和纵向的位置分布、在纵向的速度分布、在纵向的加速度偏置分布,所述纵向为所述渣土车的行进方向,所述横向与所述纵向垂直且位于与所述渣土车所在路面相平行的平面内;
其中,所述第一预设距离范围被划分为多个采样距离段,所述采样距离段的数量为采样点的数量,所述第一预设距离范围等于所述采样距离段与所述采样点的数量的乘积,所述利用所述惯性导航单元数据和所述运动参数获取所述渣土车在第一预设距离范围内的右转未停车状态的步骤,包括:从所述惯性导航单元数据中提取所述第一预设距离范围内所有采样点的横摆角速度,利用所述横向和纵向的位置分布获取所述第一预设距离范围内所有采样点的曲率数据,以及利用所述纵向的速度分布获取所述第一预设距离范围内所有采样点对应的所述采样距离段内的最大速度、最小速度和平均速度;其中,所述横摆角速度为所述渣土车绕路面垂线转动的角速度,顺时针转动时所述横摆角速度为正,逆时针转动时所述横摆角速度为负;判断是否同时满足所述横摆角速度为正,所有所述曲率数据中大于曲率阈值的曲率数据的数量大于第四数量阈值,且所有所述最大速度、最小速度和平均速度均不为零;若是,则判定所述右转未停车状态为是;否则,则判定所述右转未停车状态为否。
2.根据权利要求1所述的状态分析方法,其特征在于,所述多任务神经网络包括与所述渣土覆盖状态、渣土装载状态和渣土类别以及渣土车厢区域检测分别对应的单任务神经网络,所述将所述车厢场景图像输入多任务神经网络的步骤之前,还包括:
离线训练所述多任务神经网络,其中,所述离线训练时采用的损失函数由多个所述单任务神经网络分别对应的子损失函数加权计算所得,所有所述子损失函数之和为1。
3.根据权利要求2所述的状态分析方法,其特征在于,所有所述子损失函数的权重相同。
4.根据权利要求2所述的状态分析方法,其特征在于,所述将所述车厢场景图像输入多任务神经网络,以获取所述渣土车的图像检测结果的步骤,包括:
对所述车厢场景图像进行所述渣土车厢区域检测,以生成多尺度特征图谱,并依据所述多尺度特征图谱获取与所述车厢场景图像对应的二进制图,所述二进制图中用0表示背景,用1表示车厢区域;
以所述车厢区域作为分析感兴趣区域,根据所述多尺度特征图谱中的小尺度特征图谱获取所述渣土覆盖状态,其中,所述渣土覆盖状态包括未覆盖、部分覆盖和完全覆盖;以及,根据所述多尺度特征图谱中的中尺度特征图谱获取所述渣土装载状态和所述渣土类别,其中,所述渣土装载状态包括空载、部分装载和满载,所述渣土类别包括建筑垃圾、沙石、湿渣土和其他渣土。
5.根据权利要求1所述的状态分析方法,其特征在于,所述利用所述全球定位系统数据和惯性导航单元数据获取所述翻斗箱体的举升状态的步骤,包括:
从所述惯性导航单元数据中提取第一预设时间范围内所述翻斗箱体的多个垂向加速度和多个俯仰角速度,所述垂向为垂直于所述渣土车所在路面的方向;
利用所述垂向加速度和所述俯仰角速度获取所述第一预设时间范围内的多个垂向位移和多个俯仰角位移;
基于所述垂向位移和所述俯仰角位移获取所述翻斗箱体在所述第一预设时间范围内的举升状态,其中所述举升状态包括水平稳定状态、抬升状态、顶部稳定状态和下降状态。
6.根据权利要求5所述的状态分析方法,其特征在于,所述第一预设时间范围被划分为多个采样时间段,所述采样时间段的数量为采样点的数量,所述第一预设时间范围等于所述采样时间段与所述采样点的数量的乘积;所述利用所述垂向加速度和所述俯仰角速度获取所述第一预设时间范围内的多个垂向位移和多个俯仰角位移的步骤,包括:
将当前采样点的垂向加速度与所述采样时间段的乘积加上前一采样点的垂向速度作为所述当前采样点的垂向速度,其中,第一个采样点的前一采样点的垂向速度为预设初始速度值;
将所述当前采样点的垂向速度与所述采样时间段的乘积加上前一采样点的垂向位移作为所述当前采样点的垂向位移,其中,第一个采样点的前一采样点的垂向位移为预设初始位移值;以及,
将所述当前采样点的俯仰角速度与所述采样时间段的乘积加上前一采样点的俯仰角位移作为所述当前采样点的俯仰角位移,其中,第一个采样点的前一采样点的俯仰角位移为预设初始角位移值。
7.根据权利要求6所述的状态分析方法,其特征在于,所述基于所述垂向位移和所述俯仰角位移获取所述翻斗箱体在所述第一预设时间范围内的举升状态的步骤,包括:
获取第二预设时间范围内每个采样点的垂向位移差和俯仰角位移差,其中将所述第一预设时间范围从起点开始截断预设数量的所述采样时间段之后得到所述第二预设时间范围;以及,
响应于所述垂向位移的均值小于或等于第一位移均值阈值、所述俯仰角位移的均值小于或等于第一角位移均值阈值、所述垂向位移的方差小于或等于第一方差阈值、且所述俯仰角位移的方差小于或等于第二方差阈值,判定所述举升状态为所述水平稳定状态;以及,
响应于所述垂向位移的均值大于或等于第二位移均值阈值、所述俯仰角位移的均值大于或等于第二角位移均值阈值、所述垂向位移的方差小于或等于所述第一方差阈值、且所述俯仰角位移的方差小于或等于所述第二方差阈值,判定所述举升状态为所述顶部稳定状态;
响应于所述垂向位移的均值大于所述第一位移均值阈值、所述俯仰角位移的均值大于所述第一角位移均值阈值、所述垂向位移的方差大于所述第一方差阈值、且所述俯仰角位移的方差大于所述第二方差阈值、且多个所述垂向位移差中大于第一位移差阈值的所述垂向位移差的数量大于第一数量阈值、多个所述俯仰角位移差中大于第一角位移差阈值的所述俯仰角位移差的数量大于第二数量阈值,判定所述举升状态为所述抬升状态;以及,
响应于所述垂向位移的均值大于所述第一位移均值阈值、所述俯仰角位移的均值大于所述第一角位移均值阈值、所述垂向位移的方差大于所述第一方差阈值、且所述俯仰角位移的方差大于所述第二方差阈值、且多个所述垂向位移差中小于第二位移差阈值的所述垂向位移差的数量大于所述第一数量阈值、多个所述俯仰角位移差中小于第二角位移差阈值的所述俯仰角位移差的数量大于所述第二数量阈值,判定所述举升状态为所述下降状态;
其中,所述第二位移差阈值为所述第一位移差阈值的相反数,所述第二角位移差阈值为所述第一角位移差阈值的相反数。
8.根据权利要求7所述的状态分析方法,其特征在于,所述获取第二预设时间范围内多个采样点的垂向位移差和俯仰角位移差的步骤,包括:
将当前采样点的垂向位移减去所述当前采样点之前间隔所述预设数量的采样时间段的采样点的垂向位移,得到所述当前采样点的所述垂向位移差;以及,
将所述当前采样点的俯仰角位移减去所述当前采样点之前间隔所述预设数量的采样时间段的采样点的俯仰角位移,得到所述当前采样点的所述俯仰角位移差。
9.根据权利要求1所述的状态分析方法,其特征在于,所述第三预设时间范围被划分为多个采样时间段,所述采样时间段的数量为采样点的数量,所述第三预设时间范围等于所述采样时间段与所述采样点的数量的乘积,所述利用所述惯性导航单元数据和所述运动参数获取所述渣土车在第三预设时间范围内的急加减速状态的步骤,包括:
利用所述纵向的加速度偏置校正所述惯性导航单元数据中的纵向加速度,以得到在所述第三预设时间范围内所有采样点的校正纵向加速度;
判断所有所述校正纵向加速度中大于加速度阈值的所述校正纵向加速度的数量是否大于第三数量阈值;
如果大于,则判定所述急加减速状态为是;
否则,判定所述急加减速状态为否。
10.一种渣土车的状态分析装置,其特征在于,包括处理器以及分别与所述处理器耦接的存储器、图像采集设备、全球定位系统和惯性导航单元,其中,所述存储器上存储有程序指令,所述处理器能够配合所述图像采集设备、全球定位系统和惯性导航单元执行所述程序指令以实现如权利要求1-9任一项所述的渣土车的状态分析方法。
11.一种计算机可读存储介质,其特征在于,所述存储介质上存储有程序指令,所述程序指令能够被处理器执行以实现如权利要求1-9任一项所述的渣土车的状态分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011311469.9A CN112432654B (zh) | 2020-11-20 | 2020-11-20 | 一种渣土车的状态分析方法和装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011311469.9A CN112432654B (zh) | 2020-11-20 | 2020-11-20 | 一种渣土车的状态分析方法和装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112432654A CN112432654A (zh) | 2021-03-02 |
CN112432654B true CN112432654B (zh) | 2023-04-07 |
Family
ID=74693188
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011311469.9A Active CN112432654B (zh) | 2020-11-20 | 2020-11-20 | 一种渣土车的状态分析方法和装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112432654B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705334A (zh) * | 2021-07-14 | 2021-11-26 | 深圳市有为信息技术发展有限公司 | 监管工程渣土车的方法、装置、车载终端和车辆 |
CN113870234B (zh) * | 2021-09-30 | 2023-05-12 | 三一专用汽车有限责任公司 | 车辆状态的检测方法、装置和车辆 |
CN114005092B (zh) * | 2021-12-29 | 2022-04-26 | 深圳市思拓通信系统有限公司 | 一种渣土车承载量监控方法、控制器及系统 |
CN115457777B (zh) * | 2022-09-06 | 2023-09-19 | 北京商海文天科技发展有限公司 | 一种特定车辆溯源分析方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2565148A1 (de) * | 2011-08-31 | 2013-03-06 | LTW Intralogistics GmbH | Regalbediengerät mit flaschenzugartig angetriebenem Hubschlitten |
CN107031487A (zh) * | 2017-06-01 | 2017-08-11 | 南京云计趟信息技术有限公司 | 一种基于加速度传感器与陀螺仪的举升识别系统 |
CN107123173A (zh) * | 2017-04-25 | 2017-09-01 | 百度在线网络技术(北京)有限公司 | 用于监测无人车的行驶状态的方法和装置 |
CN109416250A (zh) * | 2017-10-26 | 2019-03-01 | 深圳市锐明技术股份有限公司 | 运输车辆的车厢状态检测方法、车厢状态检测装置及终端 |
CN109614940A (zh) * | 2018-12-14 | 2019-04-12 | 长沙致天信息科技有限责任公司 | 一种车箱盖的开关状态监测方法和相关装置 |
CN110533098A (zh) * | 2019-08-28 | 2019-12-03 | 长安大学 | 一种基于卷积神经网络识别绿通车车厢装载类型的方法 |
JP2020036430A (ja) * | 2018-08-29 | 2020-03-05 | 日立建機株式会社 | 電気駆動ダンプトラック |
CN111901759A (zh) * | 2020-07-23 | 2020-11-06 | 北京以萨技术股份有限公司 | 基于物联网的渣土车监管系统及方法 |
-
2020
- 2020-11-20 CN CN202011311469.9A patent/CN112432654B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2565148A1 (de) * | 2011-08-31 | 2013-03-06 | LTW Intralogistics GmbH | Regalbediengerät mit flaschenzugartig angetriebenem Hubschlitten |
CN107123173A (zh) * | 2017-04-25 | 2017-09-01 | 百度在线网络技术(北京)有限公司 | 用于监测无人车的行驶状态的方法和装置 |
CN107031487A (zh) * | 2017-06-01 | 2017-08-11 | 南京云计趟信息技术有限公司 | 一种基于加速度传感器与陀螺仪的举升识别系统 |
CN109416250A (zh) * | 2017-10-26 | 2019-03-01 | 深圳市锐明技术股份有限公司 | 运输车辆的车厢状态检测方法、车厢状态检测装置及终端 |
JP2020036430A (ja) * | 2018-08-29 | 2020-03-05 | 日立建機株式会社 | 電気駆動ダンプトラック |
CN109614940A (zh) * | 2018-12-14 | 2019-04-12 | 长沙致天信息科技有限责任公司 | 一种车箱盖的开关状态监测方法和相关装置 |
CN110533098A (zh) * | 2019-08-28 | 2019-12-03 | 长安大学 | 一种基于卷积神经网络识别绿通车车厢装载类型的方法 |
CN111901759A (zh) * | 2020-07-23 | 2020-11-06 | 北京以萨技术股份有限公司 | 基于物联网的渣土车监管系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112432654A (zh) | 2021-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112432654B (zh) | 一种渣土车的状态分析方法和装置及存储介质 | |
CN113819914B (zh) | 一种地图构建方法及装置 | |
CN111142091B (zh) | 一种融合车载信息的自动驾驶系统激光雷达在线标定方法 | |
CN106476728B (zh) | 用于车载的车辆传感器的运动补偿 | |
CN108871338B (zh) | 一种拖车系统位姿预测方法、装置及存储介质 | |
CN111860493A (zh) | 一种基于点云数据的目标检测方法及装置 | |
CN110940344B (zh) | 一种用于自动驾驶的低成本传感器组合定位方法 | |
CN114933243B (zh) | 基于多层感知机网络的桥式起重机安全控制方法及系统 | |
US11594017B1 (en) | Sensor fusion for precipitation detection and control of vehicles | |
CN112542056A (zh) | 一种车辆监控方法和装置及存储介质 | |
CN113238251A (zh) | 一种基于车载激光雷达的目标级语义定位方法 | |
US20220227391A1 (en) | Systems and methods for scenario dependent trajectory scoring | |
US11565723B2 (en) | Systems and methods for vehicle motion planning | |
CN115123217B (zh) | 矿区障碍车辆行使轨迹生成方法、装置及计算机设备 | |
WO2020164089A1 (en) | Trajectory prediction using deep learning multiple predictor fusion and bayesian optimization | |
CN116226977A (zh) | 施工塔吊的监管方法、装置、电子设备及存储介质 | |
CN114879207A (zh) | 一种用于l4级自动驾驶车辆的超声波避障方法 | |
CN110926483B (zh) | 一种用于自动驾驶的低成本传感器组合定位系统及方法 | |
CN116486374A (zh) | 风险障碍物确定方法、自动驾驶车辆、电子设备及介质 | |
CN116576901A (zh) | 用于运行基础设施传感器系统的方法和设备 | |
CN115649193A (zh) | 速度规划方法、装置、车辆以及存储介质 | |
CN114662577A (zh) | 一种基于多源异步信息融合的目标状态估计方法及系统 | |
JP2019519040A (ja) | 逆走ドライバを検出するための方法、装置、およびシステム | |
CN114572202A (zh) | 车辆碰撞预警方法及装置、电子设备、可读存储介质 | |
CN112347558A (zh) | 一种基于概率波的闭环优化方法、系统、电子设备和介质 |
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 | ||
CB02 | Change of applicant information |
Address after: 310056 Room 301, building 3, No. 2930, South Ring Road, Puyan street, Binjiang District, Hangzhou City, Zhejiang Province Applicant after: Zhejiang huaruijie Technology Co.,Ltd. Address before: 310056 Room 301, building 3, No. 2930, South Ring Road, Puyan street, Binjiang District, Hangzhou City, Zhejiang Province Applicant before: Zhejiang Dahua Automobile Technology Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |