CN112884892B - 基于路侧装置的无人矿车位置信息处理系统和方法 - Google Patents

基于路侧装置的无人矿车位置信息处理系统和方法 Download PDF

Info

Publication number
CN112884892B
CN112884892B CN202110216343.1A CN202110216343A CN112884892B CN 112884892 B CN112884892 B CN 112884892B CN 202110216343 A CN202110216343 A CN 202110216343A CN 112884892 B CN112884892 B CN 112884892B
Authority
CN
China
Prior art keywords
dynamic
map
mine car
vehicle
road side
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
CN202110216343.1A
Other languages
English (en)
Other versions
CN112884892A (zh
Inventor
陈志军
苏紫鹏
吴超仲
黄珍
张晶明
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202110216343.1A priority Critical patent/CN112884892B/zh
Publication of CN112884892A publication Critical patent/CN112884892A/zh
Application granted granted Critical
Publication of CN112884892B publication Critical patent/CN112884892B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/003—Navigation within 3D models or images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G06T2207/30261—Obstacle
    • 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
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Graphics (AREA)
  • General Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Geometry (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computer Hardware Design (AREA)
  • Multimedia (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种基于路侧装置的无人矿车位置信息处理系统和方法，系统包括：车载感知与融合单元，其设置于地下无人矿车内，用于根据获取的第一动静态目标、第一环境信息以及第一动静态目标的第一距离和第一移动速度构建车载地图；路侧感知与融合单元，其设置于矿井内，用于根据获取的矿井内的第二动静态目标和第二环境信息构建路侧地图；车路融合单元，其设置于地下无人矿车内，用于将车载地图和路侧地图进行融合，得到目标地图，并在目标地图内对地下无人矿车进行位置定位。本发明能避免发生感知器位置和视角固定造成部分位置无法及时获取的情况，大大提高无人矿车的定位结果的准确性。本发明可广泛应用于交通技术领域。

Description

基于路侧装置的无人矿车位置信息处理系统和方法
技术领域
本发明涉及交通技术领域，尤其是一种基于路侧装置的无人矿车位置信息处理系统和方法。
背景技术
据数据统计，自动驾驶车辆发生事故的主要原因中：46％是因为定位异常、27％是因为感知错漏。在自动驾驶的单车驾驶技术中，由于感知器位置和视角固定，从而无法获取全局信息，以及无法满足超远距离即交叉口、遮挡区域等非视距环境感知需求。然而矿井内的地理因素决定地下无人矿车无法使用GPS来完成定位，所以自助导航是地下矿车在为知场景实现自动驾驶的前提之一。其中，即时定位与地图构建(SLAM，SimultaneousLocalization and Mapping)应用最为广泛。但是，SLAM是相对定位技术，容易受到矿区内恶劣环境条件的影响，定位误差容易累积，导致定位信息不可靠；仅仅依靠单车的SLAM进行定位，在某些情况下SLAM失效时，会导致自动驾驶汽车无定位信息可用，无法进行自主驾驶。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于路侧装置的无人矿车位置信息处理系统和方法，能够在多种情况下，有效提高无人矿车的定位结果的准确性。
本发明第一方面实施例提供了一种基于路侧装置的无人矿车位置信息处理系统，包括：
车载感知与融合单元，所述车载感知与融合单元设置于地下无人矿车内，用于获取所述无人矿车的行驶区域内的第一动静态目标、第一环境信息以及所述第一动静态目标的第一距离和第一移动速度，并根据所述第一动静态目标、所述第一环境信息以及所述第一动静态目标的第一距离和第一移动速度构建车载地图；
路侧感知与融合单元，所述路侧感知与融合单元设置于所述无人矿车的行驶区域对应的矿井内，用于获取所述矿井内的第二动静态目标和第二环境信息，根据所述第二动静态目标和所述第二环境信息构建路侧地图；
车路融合单元，所述车路融合单元设置于所述地下无人矿车内，用于将所述车载地图和所述路侧地图进行融合，得到目标地图，并在所述目标地图内对所述地下无人矿车进行位置定位。
根据本发明实施例的一种基于路侧装置的无人矿车位置信息处理系统，至少具有如下有益效果：本实施例通过车载感知与融合单元获取无人矿车的行驶区域内的第一动静态目标、第一环境信息以及所述第一动静态目标的第一距离和第一移动速度，并根据第一动静态目标、第一环境信息以及第一动静态目标的第一距离和第一移动速度构建车载地图，同时通过路侧感知与融合单元获取矿井内的第二动静态目标和第二环境信息，根据第二动静态目标和第二环境信息构建路侧地图，接着通过车路融合单元将车载地图和路侧地图进行融合，得到目标地图，并在目标地图内对地下无人矿车进行位置定位，从而避免发生感知器位置和视角固定造成部分位置无法及时获取的情况，大大提高无人矿车的定位结果的准确性。
根据本发明的一些实施例，所述系统还包括辅助定位单元；
所述辅助定位单元设置于矿井内，采用超宽带技术为所述地下无人矿车提供辅助定位信息；
所述车路融合单元根据所述辅助定位信息校准所述地下无人矿车在所述目标地图内的位置。
根据本发明的一些实施例，所述车载感知与融合单元包括车载视觉感觉模块、车载激光雷达感知模块、车载毫米波雷达模块和车载感知信息融合模块；
所述车载视觉感觉模块用于获取所述无人矿车的行驶区域对应的第一图像，在所述第一图像内提取第一动静态目标；
所述车载激光雷达感知模块用于获取所述无人矿车的行驶区域内的第一环境信息对应的第一三维点云信息，根据所述第一三维点云信息构建第一环境地图；
所述车载毫米波雷达模块用于测量所述无人矿车的行驶区域内的所述第一动静态目标的第一距离和第一移动速度；
所述车载感知信息融合模块用于根据所述第一动静态目标、所述第一环境地图以及所述第一动静态目标的第一距离和第一移动速度构建车载地图。
根据本发明的一些实施例，所述获取所述无人矿车的行驶区域对应的第一图像，在所述第一图像内提取第一动静态目标，其具体包括：
获取所述无人矿车的行驶区域对应的第一图像；
采用分类算法在所述第一图像内提取第一动静态目标。
根据本发明的一些实施例，所述路侧感知与融合单元包括路侧视觉感知模块、路侧激光雷达感知模块和路侧感知信息融合模块；
所述路侧视觉感知模块用于获取矿井内的第二图像，在所述第二图像内提取第二动静态目标；
所述路侧激光雷达感知模块用于获取矿井内的第二环境信息对应的第二三维点云信息，根据所述第二三维点云信息构建矿井内的第二环境地图；
所述路侧感知信息融合模块用于将所述第二动静态目标与所述第二环境地图建立相对位置关系，根据相对位置关系、第二动静态目标和第二环境地图构建路侧地图。
根据本发明的一些实施例，所述获取矿井内的第二图像，在所述第二图像内提取第二动静态目标，其具体包括：
获取矿井内的第二图像；
采用分类算法在所述第二图像内提取第二动静态目标。
根据本发明的一些实施例，所述在所述目标地图内对所述地下无人矿车进行位置定位，其具体为：
采用惯性测量方式和三维点云匹配方式在所述目标地图内对所述地下无人矿车进行位置定位。
本发明第二方面实施例提供了一种基于路侧装置的无人矿车位置信息处理方法，包括以下步骤：
获取无人矿车的行驶区域内的第一动静态目标、第一环境信息以及所述第一动静态目标的第一距离和第一移动速度；
根据所述第一动静态目标、所述第一环境信息以及所述第一动静态目标的第一距离和第一移动速度构建车载地图；
获取所述无人矿车的行驶区域对应的矿井内的第二动静态目标和第二环境信息；
根据所述第二动静态目标和所述第二环境信息构建路侧地图；
将所述车载地图和所述路侧地图进行融合，得到目标地图；
在所述目标地图内对所述地下无人矿车进行位置定位。
根据本发明的一些实施例，所述获取无人矿车的行驶区域内的第一动静态目标这一步骤，其具体包括：
获取无人矿车的行驶区域内对应的第一图像；
采用分类算法在所述第一图像内提取第一动静态目标；
所述获取所述无人矿车的行驶区域对应的矿井内的第二动静态目标这一步骤，其具体包括：
获取所述无人矿车的行驶区域对应的矿井内对应的第二图像；
采用分类算法在所述第二图像内提取第二动静态目标。
根据本发明的一些实施例，所述在所述目标地图内对所述地下无人矿车进行位置定位，其具体为：
采用惯性测量方式和三维点云匹配方式在所述目标地图内对所述地下无人矿车进行位置定位。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
下面结合附图和实施例对本发明做进一步的说明，其中：
图1为本发明实施例的一种基于路侧装置的无人矿车位置信息处理系统的模块框图；
图2为一种具体实施例的路侧感知与融合单元在矿井内的设置示意图；
图3为本发明实施例的一种基于路侧装置的无人矿车位置信息处理方法的流程图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，若干的含义是一个以上，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中，除非另有明确的限定，设置等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
本发明的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
参照图1，本发明实施例提供了一种基于路侧装置的无人矿车位置信息处理系统，包括车载感知与融合单元、路侧感知与融合单元和车路融合单元，其中：
车载感知与融合单元设置于地下无人矿车内，用于获取无人矿车的行驶区域内的第一动静态目标、第一环境信息以及第一动静态目标的第一距离和第一移动速度，并根据第一动静态目标、第一环境信息以及所述第一动静态目标的第一距离和第一移动速度构建车载地图。具体地，第一动静态目标包括其他无人底下矿车、障碍物等。第一环境信息为当前无人矿车的行驶区域正前方的矿井环境信息。第一距离包括多个目标之间的相对距离和空间距离。
路侧感知与融合单元设置于无人矿车的行驶区域对应的矿井内，用于获取矿井内的第二动静态目标和第二环境信息，根据第二动静态目标和第二环境信息构建路侧地图。如图2所示，路侧感知与融合单元200可包括多个，均分别设置于无人矿车的行驶区域对应的矿井内的两侧，其设置间距可根据矿井实际情况进行设定。
车路融合单元设置于地下无人矿车内，用于采用扩展卡尔曼滤波算法将车载地图和所述路侧地图进行融合，得到目标地图，并在运动过程中，采用惯性测量单元IMU(Inertial measurement unit)计算得到里程计信息，运用车辆的运动模型得到车辆的位置初始值，然后通过对环境中的三维点云数据信息在目标地图内进行匹配，从而对地下无人矿车进行位置定位。
通过上述内容可知，本实施例能避免发生因感知器位置和视角固定造成部分位置无法及时获取的情况，从而大大提高无人矿车的定位结果的准确性。
在一些实施例，为了得到更加准确的无人矿车的位置，系统还包括辅助定位单元；其中，辅助定位单元设置于矿井内，采用超宽带技术为地下无人矿车提供辅助定位信息，使车路融合单元根据辅助定位信息校准所述地下无人矿车在目标地图内的位置，其中，超宽带技术为UWB技术，英文全称为Ultra Wide Band。具体地，辅助定位单元通过向外发射脉冲信息，路侧设备在接收到脉冲信息后，根据发送时间和到达时间之间的时间差，计算出地下无人矿车与路侧设备的距离或者距离差，从而得到相对位置信息，以辅助定位。
在一些实施例中，车载感知与融合单元包括车载视觉感觉模块、车载激光雷达感知模块、车载毫米波雷达模块和车载感知信息融合模块。其中，车载视觉感觉模块通过车载高清摄像头获取无人矿车的行驶区域正前方对应的第一图像，然后通过分类算法在第一图像内提取第一动静态目标，其中，分类算法可以为YOLOV5，在另一些实施例中，还可以采用机器学习算法或者目标识别算法代替上述分类算法。车载激光雷达感知模块实时获取无人矿车的行驶区域内的第一环境信息对应的第一三维点云信息，然后采用机器学习处理原理处理第一三维点云信息，根据处理后的第一三维点云信息构建行驶环境对应的高清地图作为第一环境地图。车载毫米波雷达模块用于测量无人矿车的行驶区域内的第一动静态目标的第一距离和第一移动速度。车载感知信息融合模块用于根据第一动静态目标、第一环境地图以及第一动静态目标的第一距离和第一移动速度构建车载地图。
在一些实施例，路侧感知与融合单元包括路侧视觉感知模块、路侧激光雷达感知模块和路侧感知信息融合模块。其中，路侧视觉感知模块用于获取矿井内的第二图像，然后通过YOLOV5分类算法在第二图像内提取第二动静态目标。路侧激光雷达感知模块用于获取矿井内的第二环境信息对应的第二三维点云信息，然后采用机器学习处理原理处理第二三维点云信息，接着根据处理后的第二三维点云信息构建矿井内的周围环境地图作为第二环境地图。路侧感知信息融合模块用于采用特制匹配算法将第二动静态目标与第二环境地图建立相对位置关系，接着根据相对位置关系、第二动静态目标和第二环境地图构建路侧地图。
参照图3，本发明实施例提供了一种基于路侧装置的无人矿车位置信息处理方法，本实施例可应用于矿车对应的控制端、或者服务端，该服务端可包括多个处理器，例如车端处理器和路侧端处理器。
在实施过程中，本实施例包括以下步骤：
S31、获取无人矿车的行驶区域内的第一动静态目标、第一环境信息以及第一动静态目标的第一距离和第一移动速度。具体地，本步骤是获取无人矿车的行驶区域正前方区域的信息，其具体是先获取无人矿车的行驶区域内对应的第一图像，然后采用YOLOV5分类算法在第一图像内提取第一动静态目标。第一动静态目标包括其他车辆或者障碍物。第一距离包括空间距离和相对距离。
S32、根据第一动静态目标、第一环境信息以及第一动静态目标的第一距离和第一移动速度构建车载地图。
S33、获取无人矿车的行驶区域对应的矿井内的第二动静态目标和第二环境信息。第二动静态目标是当前矿井内的其他车辆或者障碍物，其具体是先获取无人矿车的行驶区域对应的矿井内对应的第二图像，然后采用YOLOV5分类算法在所述第二图像内提取第二动静态目标。
S34、根据第二动静态目标和第二环境信息构建路侧地图。
S35、将车载地图和路侧地图进行融合，得到目标地图。本步骤可通过采用扩展卡尔曼滤波算法将车载地图和所述路侧地图进行融合。
S36、在目标地图内对地下无人矿车进行位置定位。其具体是在运动过程中，通过结合惯性测量单元IMU计算得到里程计信息，接着运用车辆的运动模型得到车辆的位置初始值，通过对环境中获取的点云数据信息与目标地图进行匹配比对，并计算激光雷达相对运动的距离和姿态的改变，从而得到准确的地下无人矿车的位置。
在一些实施例中，在无人矿车定位过程中，无人矿车还会向外发射脉冲信息，然后根据该脉冲信息的接收时间和发送时间之间的差值，计算无人矿车与周围装置的距离或者距离差，以得到相对位置，辅助车辆进行定位。
本发明系统实施例的内容均适用于本方法实施例，本方法实施例所具体实现的功能与上述系统实施例相同，并且达到的有益效果与上述系统达到的有益效果也相同。
本申请实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图3所示的方法。
上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。此外，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。

Claims (8)

1.一种基于路侧装置的无人矿车位置信息处理系统，其特征在于，包括：
车载感知与融合单元，所述车载感知与融合单元设置于地下无人矿车内，用于获取所述无人矿车的行驶区域内的第一动静态目标、第一环境信息以及所述第一动静态目标的第一距离和第一移动速度，并根据所述第一动静态目标、所述第一环境信息以及所述第一动静态目标的第一距离和第一移动速度构建车载地图；其中，所述第一动静态目标包括其他无人矿车和障碍物，所述第一环境信息为当前无人矿车的行驶区域正前方的矿井信息，第一距离包括多个目标之间的相对距离和空间距离；
路侧感知与融合单元，所述路侧感知与融合单元设置于所述无人矿车的行驶区域对应的矿井内，用于获取所述矿井内的第二动静态目标和第二环境信息，根据所述第二动静态目标和所述第二环境信息构建路侧地图；其中，所述第二动静态目标包括所述矿井内的其他无人矿车和障碍物；
车路融合单元，所述车路融合单元设置于所述地下无人矿车内，用于将所述车载地图和所述路侧地图进行融合，得到目标地图，并在所述目标地图内对所述地下无人矿车进行位置定位；
其中，所述将所述车载地图和所述路侧地图进行融合，得到目标地图，包括：
通过扩展卡尔曼滤波算法将所述车载地图和所述路侧地图进行融合，得到所述目标地图；
其中，所述在所述目标地图内对所述地下无人矿车进行位置定位，包括：
采用惯性测量方式和三维点云匹配方式在所述目标地图内对所述地下无人矿车进行位置定位。
2.根据权利要求1所述的一种基于路侧装置的无人矿车位置信息处理系统，其特征在于，所述系统还包括辅助定位单元；
所述辅助定位单元设置于矿井内，采用超宽带技术为所述地下无人矿车提供辅助定位信息；
所述车路融合单元根据所述辅助定位信息校准所述地下无人矿车在所述目标地图内的位置。
3.根据权利要求1所述的一种基于路侧装置的无人矿车位置信息处理系统，其特征在于，所述车载感知与融合单元包括车载视觉感觉模块、车载激光雷达感知模块、车载毫米波雷达模块和车载感知信息融合模块；
所述车载视觉感觉模块用于获取所述无人矿车的行驶区域对应的第一图像，在所述第一图像内提取第一动静态目标；
所述车载激光雷达感知模块用于获取所述无人矿车的行驶区域内的第一环境信息对应的第一三维点云信息，根据所述第一三维点云信息构建第一环境地图；
所述车载毫米波雷达模块用于测量所述无人矿车的行驶区域内的所述第一动静态目标的第一距离和第一移动速度；
所述车载感知信息融合模块用于根据所述第一动静态目标、所述第一环境地图以及所述第一动静态目标的第一距离和第一移动速度构建车载地图。
4.根据权利要求3所述的一种基于路侧装置的无人矿车位置信息处理系统，其特征在于，所述获取所述无人矿车的行驶区域对应的第一图像，在所述第一图像内提取第一动静态目标，其具体包括：
获取所述无人矿车的行驶区域对应的第一图像；
采用分类算法在所述第一图像内提取第一动静态目标。
5.根据权利要求1所述的一种基于路侧装置的无人矿车位置信息处理系统，其特征在于，所述路侧感知与融合单元包括路侧视觉感知模块、路侧激光雷达感知模块和路侧感知信息融合模块；
所述路侧视觉感知模块用于获取矿井内的第二图像，在所述第二图像内提取第二动静态目标；
所述路侧激光雷达感知模块用于获取矿井内的第二环境信息对应的第二三维点云信息，根据所述第二三维点云信息构建矿井内的第二环境地图；
所述路侧感知信息融合模块用于将所述第二动静态目标与所述第二环境地图建立相对位置关系，根据相对位置关系、第二动静态目标和第二环境地图构建路侧地图。
6.根据权利要求5所述的一种基于路侧装置的无人矿车位置信息处理系统，其特征在于，所述获取矿井内的第二图像，在所述第二图像内提取第二动静态目标，其具体包括：
获取矿井内的第二图像；
采用分类算法在所述第二图像内提取第二动静态目标。
7.一种基于路侧装置的无人矿车位置信息处理方法，其特征在于，包括以下步骤：
获取无人矿车的行驶区域内的第一动静态目标、第一环境信息以及所述第一动静态目标的第一距离和第一移动速度；其中，通过车载感知与融合单元获取所述第一动静态目标、所述第一环境信息、所述第一距离和所述第一移动速度，所述车载感知与融合单元设置于地下无人矿车内，所述第一动静态目标包括其他无人矿车和障碍物，所述第一环境信息为当前无人矿车的行驶区域正前方的矿井信息，第一距离包括多个目标之间的相对距离和空间距离；
根据所述第一动静态目标、所述第一环境信息以及所述第一动静态目标的第一距离和第一移动速度构建车载地图；
获取所述无人矿车的行驶区域对应的矿井内的第二动静态目标和第二环境信息；其中，通过路侧感知与融合单元获取所述第二动静态目标和所述第二环境信息，所述路侧感知与融合单元设置于所述无人矿车的行驶区域对应的矿井内，所述第二动静态目标包括所述矿井内的其他无人矿车和障碍物；
根据所述第二动静态目标和所述第二环境信息构建路侧地图；
将所述车载地图和所述路侧地图进行融合，得到目标地图；
在所述目标地图内对所述地下无人矿车进行位置定位；
其中，所述将所述车载地图和所述路侧地图进行融合，得到目标地图，包括：
通过扩展卡尔曼滤波算法将所述车载地图和所述路侧地图进行融合，得到所述目标地图；
其中，所述在所述目标地图内对所述地下无人矿车进行位置定位，包括：
采用惯性测量方式和三维点云匹配方式在所述目标地图内对所述地下无人矿车进行位置定位。
8.根据权利要求7所述的一种基于路侧装置的无人矿车位置信息处理方法，其特征在于，所述获取无人矿车的行驶区域内的第一动静态目标这一步骤，其具体包括：
获取无人矿车的行驶区域内对应的第一图像；
采用分类算法在所述第一图像内提取第一动静态目标；
所述获取所述无人矿车的行驶区域对应的矿井内的第二动静态目标这一步骤，其具体包括：
获取所述无人矿车的行驶区域对应的矿井内对应的第二图像；
采用分类算法在所述第二图像内提取第二动静态目标。
CN202110216343.1A 2021-02-26 2021-02-26 基于路侧装置的无人矿车位置信息处理系统和方法 Active CN112884892B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110216343.1A CN112884892B (zh) 2021-02-26 2021-02-26 基于路侧装置的无人矿车位置信息处理系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110216343.1A CN112884892B (zh) 2021-02-26 2021-02-26 基于路侧装置的无人矿车位置信息处理系统和方法

Publications (2)

Publication Number Publication Date
CN112884892A CN112884892A (zh) 2021-06-01
CN112884892B true CN112884892B (zh) 2023-05-02

Family

ID=76054613

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110216343.1A Active CN112884892B (zh) 2021-02-26 2021-02-26 基于路侧装置的无人矿车位置信息处理系统和方法

Country Status (1)

Country Link
CN (1) CN112884892B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114355891A (zh) * 2021-12-09 2022-04-15 青岛慧拓智能机器有限公司 一种井工矿智能无人运输系统
CN114296090A (zh) * 2021-12-22 2022-04-08 华人运通(上海)自动驾驶科技有限公司 一种车辆定位方法、装置、设备及介质
CN115221260B (zh) * 2022-07-18 2024-02-09 小米汽车科技有限公司 数据处理方法、装置、车辆及存储介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103901884B (zh) * 2012-12-25 2017-09-29 联想(北京)有限公司 信息处理方法和信息处理设备
CN107063275B (zh) * 2017-03-24 2020-05-12 重庆邮电大学 基于路侧设备的智能车辆地图融合系统及方法
CN108762245B (zh) * 2018-03-20 2022-03-25 华为技术有限公司 数据融合方法以及相关设备
CN110276972A (zh) * 2019-07-16 2019-09-24 启迪云控(北京)科技有限公司 一种基于车联网的目标物感知方法及系统
CN110853393B (zh) * 2019-11-26 2020-12-11 清华大学 智能网联车辆测试场数据采集与融合方法及系统
CN111583690B (zh) * 2020-04-15 2021-08-20 北京踏歌智行科技有限公司 一种基于5g的矿区无人运输系统的弯道协同感知方法
CN111443360B (zh) * 2020-04-20 2022-06-24 北京易控智驾科技有限公司 矿区无人驾驶系统道路边界自动采集装置和识别方法

Also Published As

Publication number Publication date
CN112884892A (zh) 2021-06-01

Similar Documents

Publication Publication Date Title
CN112884892B (zh) 基于路侧装置的无人矿车位置信息处理系统和方法
CN109920246B (zh) 一种基于v2x通信与双目视觉的协同局部路径规划方法
US11156474B2 (en) ADAS horizon and vision supplemental V2X
CN106352867B (zh) 用于确定车辆自身位置的方法和设备
US10885791B2 (en) Vehicle dispatch system, autonomous driving vehicle, and vehicle dispatch method
JP2023126882A (ja) 車両を自律的にナビゲートするためのシステム、車両、および車両をナビゲートする方法
US20200346654A1 (en) Vehicle Information Storage Method, Vehicle Travel Control Method, and Vehicle Information Storage Device
US11530931B2 (en) System for creating a vehicle surroundings model
CN109949439B (zh) 行车实景信息标注方法、装置、电子设备和介质
CA3029124A1 (en) Crowdsourcing and distributing a sparse map, and lane measurements for autonomous vehicle navigation
CN108896994A (zh) 一种无人驾驶车辆定位方法及设备
CN111508276B (zh) 基于高精地图的v2x逆向超车预警方法、系统和介质
US11514790B2 (en) Collaborative perception for autonomous vehicles
CN112673231A (zh) 用于更新环境地图的方法、用于在交通工具侧实施该方法的方法步骤的设备、交通工具、用于在中央计算机侧实施该方法的方法步骤的设备以及计算机可读的存储介质
US11195027B2 (en) Automated crowd sourcing of road environment information
US20180216937A1 (en) Method for localizing a vehicle having a higher degree of automation on a digital map
CN110962744A (zh) 车辆盲区检测方法和车辆盲区检测系统
CN103797333A (zh) 用于确定车辆的位置的设备和方法
EP4020111B1 (en) Vehicle localisation
CN113435224A (zh) 用于获取车辆3d信息的方法和装置
CN114216469B (zh) 一种对高精地图进行更新的方法、智慧基站及存储介质
CN112590669B (zh) 一种车辆匹配方法及装置
US20240135252A1 (en) Lane-assignment for traffic objects on a road
EP4358039A1 (en) Lane-assignment for traffic objects on a road
CN117553811B (zh) 基于路侧相机与车载gnss/ins的车路协同定位导航方法及系统

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