CN113031005A - 基于激光雷达的吊车动态障碍物识别方法 - Google Patents
基于激光雷达的吊车动态障碍物识别方法 Download PDFInfo
- Publication number
- CN113031005A CN113031005A CN202110195924.1A CN202110195924A CN113031005A CN 113031005 A CN113031005 A CN 113031005A CN 202110195924 A CN202110195924 A CN 202110195924A CN 113031005 A CN113031005 A CN 113031005A
- Authority
- CN
- China
- Prior art keywords
- point
- obstacle
- cluster
- points
- laser radar
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 239000013598 vector Substances 0.000 claims abstract description 24
- 239000000725 suspension Substances 0.000 claims abstract description 15
- 238000004088 simulation Methods 0.000 claims abstract description 10
- 230000003068 static effect Effects 0.000 claims abstract description 8
- 230000000875 corresponding effect Effects 0.000 claims description 21
- 230000004888 barrier function Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
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
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
- G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Optical Radar Systems And Details Thereof (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开一种基于激光雷达的吊车动态障碍物识别方法,通过激光雷达扫描预设工作区域,获取所有障碍物对应的点云数据信息,根据扫描所得的点云数据信息建立三维坐标系,聚类障碍物点云,得到每个障碍物对应的点云,通过每个障碍物对应的点云数据信息构建栅格地图,得到障碍物的特征信息,关联相邻两帧的障碍物的特征信息,找到同一障碍物,计算得到同一障碍物当前时间的特征点经过相邻时间间隔后,若其为静态障碍物时其位置信息,通过判断实际的特征点位置信息与模拟得到的位置信息的相似程度,确定障碍物状态类型,若障碍物为动态障碍物,得到其速度矢量;本发明能在激光雷达随吊臂转动的情况下,判断障碍物状态类型,并得到其运动情况。
Description
技术领域
本发明涉及吊车智能化控制技术,尤其是一种基于激光雷达的吊车动态障碍物识别方法。
背景技术
机械的无人化、智能化日益成为当今科技发展的主流,对于吊车而言,容易产生重大的事故,当处于工作状态时,吊车车体保持不动,吊臂做转动,障碍物如人或者其他物体等在其工作范围内会触碰到吊绳或者吊物,干扰吊车正常工作,严重时可能会导致吊物坠落甚至吊车侧翻。为了实现吊车工作的无人化和智能化,需要检测出吊车在工作区域内可能会导致事故发生的障碍物,因此,通过激光雷达扫描测距获取吊车周围环境的障碍物点云信息,这种方式具有精度高、距离远、速度快、不受光照影响等优点。根据障碍物的状态类型,可以分为动态障碍物和静态障碍物。例如中国专利公开号为CN109633676中提供了一种基于激光雷达侦测障碍物运动方向的方法及系统,通过激光雷达来得到障碍物的点云数据信息,并通过处理点云数据信息来得到障碍物的运动方向,该系统与方法虽然能够判断运动方向,但是并没有涉及具体的实施过程,且没有判断障碍物的类型以及没有得到障碍物在空间中的速度矢量。
发明内容
本发明的目的是为了解决上述问题而提出一种基于激光雷达的吊车动态障碍物识别方法,用于识别吊车工作时预设区域内的障碍物以及判断障碍物状态类型,在吊臂转动的情况下,能判断出障碍物的类型,并能得到障碍物的速度矢量,提高吊车工作的安全性。
本发明所述的基于激光雷达的吊车动态障碍物识别方法采用的方法是:在吊车吊臂的顶端装有激光雷达,激光雷达获取扫描范围内所有障碍物的点云数据,还包括以下步骤:
步骤1):建立以激光雷达的发射点为坐标原点O1,以竖直方向向下为z轴正方向,以垂直于z轴向着吊臂方向为x轴正方向的三维坐标系B1;
步骤2):把所有障碍物的点云分为若干个簇,每个簇代表不同障碍物对应的点云,将每个簇的点云投影到栅格地图上,关联相邻两帧的障碍物的特征信息,识别出相邻两帧的同一障碍物;
步骤3)针对相邻两帧中的同一障碍物,取同一障碍物的上一帧为对象,在该障碍物对应的簇中选取不共线的q个特征点为D1,D2,D3,…,Dq,在当前帧找到这q个特征点为D1e,D2e,D3e,…,Dqe;通过激光雷达扫描获取当前帧q个特征点的横向扫描角度β,纵向扫描角度α和到激光雷达发射点的直线距离L;
步骤4)建立以吊臂转动中心O2为原点的三维坐标系B2,坐标系B2中u轴与坐标系B1中的x轴方向并行且相反,坐标系B2中的w轴方向与坐标系B1中z轴方向并行且相反,坐标系B2中v轴方向与坐标系B1中y轴方向并行且相同;
步骤5)把上一帧特征点D1,D2,D3,…,Dq投影到平面uO2v上,投影点为d1,d2,d3,…,dq,原点O1投影到平面uO2v,投影点为O1pr,模拟计算出当前帧q个特征点D1e,D2e,D3e,…,Dqe在平面uO2v上的模拟投影点为d1pr,d2pr,d3pr,…,dqpr,计算出上一帧特征点D1,D2,D3,…,Dq经过相邻两帧的时间间隔后的横向扫描角度β’me,纵向扫描角度α’me和到激光雷达发射点之间的直线距离Lme’,再计算出L’me,α’me,β’me与L,α,β两者的相似程度
本发明的有益成果是:
1、本发明通过激光雷达对吊车吊臂工作时其吊物附近扫描范围内进行扫描,获得不同时间点扫描范围内障碍物的点云数据信息,由于不用同时扫描其工作范围内的所有区域,且吊车工作范围内不会有过多的障碍物,无需进行大量的数据处理和计算。
2、本发明能在激光雷达随吊臂转动的情况下,判断障碍物状态类型,并得到其运动情况。
附图说明
图1是以吊车工作状态建立的三维坐标系示意图;
图2是本发明基于激光雷达的吊车动态障碍物识别方法流程图;
图3是图1中的特征点投影后的坐标系示意图;
图4是图1中的动态障碍物速度计算球坐标示意图;
图中:1.激光雷达;2.吊臂;3.吊钩。
具体实施方式
为更加准确地了解本发明的相关技术方案,以下介绍具体实施方式,并结合附图来进一步说明本发明的相关技术手段。
当吊车工作时,通过激光雷达扫描预设工作区域,获取所有障碍物对应的点云数据信息;根据扫描所得的点云数据信息建立三维坐标系;聚类障碍物点云,得到每个障碍物对应的点云;通过每个障碍物对应的点云数据信息,构建栅格地图,对障碍物点云进行凸包提取,得到最小矩形边框,把边框大小、长宽比、点云密度以及中心点高度作为障碍物的特征信息;关联相邻两帧的障碍物的特征信息,找到同一障碍物;根据吊臂转动状态,计算得到同一障碍物当前时间的特征点经过相邻时间间隔后,若其为静态障碍物时其位置信息;通过判断实际的特征点位置信息与模拟得到的位置信息的相似程度,确定障碍物状态类型,若障碍物为动态障碍物,得到其速度矢量。具体步骤如下:
步骤1:参见图1和图2,如图1所示,当吊车工作时,在吊车的吊臂2的顶端安装激光雷达1,当吊臂2转动时,激光雷达1随着吊臂2一同转动,吊臂2的顶端还通过吊绳垂挂吊钩3,吊物在吊钩3上,因此,通过激光雷达1能够扫描吊绳、吊钩3以及吊物附近的工作区域。激光雷达1的扫描时间间隔设置为0.1s,扫描范围包括竖直方向从激光雷达1至吊钩3下方2m处,水平方向扫描范围为半径为3m处,如此形成一个圆柱扫描范围Sr,激光雷达1能获取圆柱扫描范围Sr内所有障碍物的点云的数据信息,包括点云到激光雷达1发射点O1的直线距离L,纵向扫描角度α,横向扫描角度β等。
步骤2:通过扫描所得障碍物的点云数据信息建立三维坐标系B1,参见图1,以激光雷达1的发射点为坐标原点O1,以竖直方向向下为z轴正方向,以垂直于z轴向着吊臂2方向为x轴正方向,y轴垂直于x、z轴且在吊臂2的水平转动平面上,在三维坐标系B1上,得到点云的三维坐标Kn(xn,yn,zn),表示如下:
其中,xn、yn、zn分别为点云的中第n个点云在三维坐标B1的坐标值;Ln为点云中第n个点相对于激光雷达1发射点的距离;αn为第n个点由垂直反光镜测量的垂直角,即纵向扫描角度的观测值,是第n个点Kn与O1连线和第n个点在xO1y平面上投影点与O1连线的夹角;βn为第n个点由水平反光镜测量的水平角,是横向扫描角度的观测值,即第n个点在xO1y平面上投影点与O1连线和坐标系B1中y轴的夹角,
步骤3:由于在扫描范围内获得的点云为所有障碍物的,所以需要对获取的点云数据进行分类和识别,把所有障碍物的点云分为若干个簇,每类为一个障碍物。本发明采用DBSCAN聚类算法,DBSCAN算法首先要确定两个参数:E和M,分别代表在一个点周围邻近区域的半径和邻近区域内至少包含点的个数。
根据上面两个参数,可以把点云中的点分为三类:核点、边缘点和离群点。令访问的对象点为点云中点K1,其坐标为(x1,y1,z1),计算该点与空间中点K2的欧式距离即其中x2,y2,z2分别为点K2的三维坐标值。同样地,依次计算K1与K3,K4,……,Kn的欧式距离。若K1满足有至少有M个两点之间的欧式距离小于邻近区域的半径E,则K1点标记为核点,并记录其邻近范围内的点;若存在K1与另一点之间的欧式距离小于邻近区域的半径E但未满足有M个,则K1点标记为边缘点;若既不是核点又不是边缘点,则标记为离群点,不属于该类障碍物,将离群点剔除。聚类的过程如下:依次对K1,K2,K3,……,Kn检验其是否为核点,为第一个核点建立一个新的簇C1,将所有该核点邻近范围内的点囊括到该簇中,将邻近范围内的核点邻近范围内的点也加入到该簇C1中,如此添加点到簇C1中去,直到C1不能再拓展为止,此时簇C1完成,输出。排除了簇C1以外的点中选取核点,形成新的簇,聚类过程继续,生成若干个新的簇,直到所有点都已经囊括进去了。
通过DNSCAN聚类算法能将点云分为C1,C2,C3,……,Cs一共s个不同的簇,这些每个簇即代表了不同障碍物对应的点云。
步骤4:由扫描的相邻两帧的时间间隔很短,所以障碍物的点云轮廓大小和点云数量变化很小,因此,通过每个障碍物对应的点云数据信息构建栅格地图,将每个簇的点云投影到栅格地图上,进而可以得到障碍物的特征数据信息。
在s个簇中选取第i个簇,1≤i≤s,即对应第i个簇的障碍物的点云提取凸包,得到多边形,然后用最小的矩形边框包裹该多边形。获取该最小的矩形边框大小Ii、长宽比Ji、点云密度Gi以及中心点高度Hi这些特征数据。
计算表示如下:
其中,a和b分别代表矩形边框的长和宽,N表示矩形边框内该障碍物的点云数目。中心点高度Hi为第i个簇中所有点的z轴坐标的平均值。
因此,把边框大小、长宽比、点云密度以及中心点高度作为障碍物的特征数据信息。
步骤5:由于在扫描区域内会存在障碍物出现、障碍物消失和有同一障碍物的情况,所以对相邻两帧的障碍物的特征数据进行关联计算,表示如下:
F(g,j)=γ1PI(g,j)+γ2PJ(g,j)+γ3PK(g,j)+γ4PH(g,j),
其中F(g,j)代表了代表着上一帧第g个簇与当前帧第j个簇相互关联的概率,1≤g≤s,1≤j≤s,γ1+γ2+γ3+γ4=1,0≤γ1、γ2、γ3、γ4≤1。γ1、γ2、γ3、γ4分别表示上述四个关联特征的权重因子。
PI(g,j)、PJ(g,j)、PG(g,j)、PH(g,j)分别表示边框大小Ii、长宽比Ji、点云密度Gi以及中心点高度Hi在关联计算中的影响度,表示如下:
其中,Ig、Ij分别表示上一帧第g个簇与当前帧第j个簇矩形边框的大小,Jg、Jj分别表示上一帧第g个簇与当前帧第j个簇矩形边框的长宽比,Gg、Gj分别表示上一帧第g个簇与当前帧第j个簇矩形边框的点云密度,Hg、Hj分别表示上一帧第g个簇与当前帧第j个簇的中心点高度。
获取相邻两帧所有障碍物相互关联的概率,得到上一帧某一障碍物与当前帧所有障碍物的关联概率F(g,j),取最大值。若该最大值大于等于预定的阈值,则最大值对应的两帧的障碍物为同一障碍物,识别出相邻两帧的同一障碍物;若该值小于预定的阈值,则上一帧障碍物没有与其对应的当前帧的障碍物,则将该障碍物定义为障碍物消失。经过匹配后当前帧出现没有上一帧障碍物能与之对应,则将其定义为新出现障碍物。
步骤6:针对已获取的相邻两帧中对应的同一障碍物,取同一障碍物的上一帧为对象,在该障碍物对应的簇中选取q个特征点,要求这些点不共线,特征点分别为D1,D2,D3,…,Dq。在当前帧找到这q个点,分别为D1e,D2e,D3e,…,Dqe,其中上一帧特征点D1对应当前帧特征点D1e,上一帧特征点D2对应当前帧特征点D2e,其他特征点有同样的对应关系,,上一帧特征点Dq对应当前帧特征Dqe。特征点中有任意一点Dm,坐标为(xm,ym,zm),1≤m≤q。
通过激光雷达1扫描,能得到上述当前帧q个点D1e,D2e,D3e,…,Dqe到激光雷达1发射点的直线距离L,纵向扫描角度α,横向扫描角度β。
步骤7:以吊臂2的转动中心为原点O2,建立三维坐标系B2,坐标系B2中u轴与坐标系B1中的x轴方向并行且相反,坐标系B2中的w轴方向与坐标系B1中z轴方向并行且相反,坐标系B2中v轴方向与坐标系B1中y轴方向并行且相同,因此,坐标系B1的坐标和坐标系B2的坐标有着对应转换关系,表示如下:
其中,(um,vm,wm)为Dm在三维坐标系B2对应的特征点三维坐标,l为吊车吊臂长度,θ为吊臂与水平面夹角,即O1O2与坐标系B1中u轴正方向的夹角,1≤m≤q。
假设该障碍物为静态障碍物,当吊臂2转动时,激光雷达1同样转动,对应坐标系B1做相应的转动,障碍物的坐标信息会发生改变,本发明模拟计算得到吊臂2转动时静态障碍物的位置信息。
参见图3,把上一帧特征点D1,D2,D3,…,Dq投影到平面uO2v上,投影点为d1,d2,d3,…,dq,三维坐标系B1的原点O1投影到平面uO2v,投影点为O1pr,通过安装在吊车吊臂上的传感器得到上一帧时的运动状况,可以模拟计算得到相邻时间间隔内转过的夹角△σ,表示如下:
其中,ω为吊车吊臂上一帧的角速度,δ为吊车吊臂上一帧的角加速度,t为相邻时间间隔。
通过上一帧的原点O2和dm连线,得到O2dm与u轴的夹角为σ,可以得到其与模拟计算得到相邻时间间隔内转过的夹角△σ的差值σ-△σ,表示如下:
其中,um与vm分别为投影点dm对应的u,v轴的坐标值。
由余弦定理可得:
从而得到O1pr与dmpr两点之间的距离O1prdmpr,确定出点模拟投影点dmpr,因此得到了当前帧q个特征点D1e,D2e,D3e,…,Dqe在平面uO2v上模拟投影点为d1pr,d2pr,d3pr,…,dqpr。
再模拟计算出当前帧的激光雷达横向扫描角度β’me和纵向扫描角度α’me分别为:
其中,O2dmpr是O2与dmpr两点之间距离,zm为特征点m在坐标系B1中z轴的坐标值。
步骤8:因为步骤6中Dm为q个特征点D1,D2,D3,…,Dq中的任意一点,通过步骤6中算法计算当m=1时,可以求得特征点D1经过时间间隔后的L’1e,α’1e和β’1e,当m=2时,可以求得特征点D2经过时间间隔后的L’2e,α’2e和β’2e,同样地,依次计算D3,…,Dq经过时间间隔的值,到此可以得到上一帧所有特征点D1,D2,D3,…,Dq模拟计算得到的当前帧的L’me,α’me和β’me的值,因此,可以通过公式计算出当前帧的L’me,α’me,β’me与当前帧q个点D1e,D2e,D3e,…,Dqe直线距离L,纵向扫描角度α,横向扫描角度β两者的相似程度,表示如下:
其中,为为相似系数,即相似程度,L和L’me分别为第m个点实际的和模拟计算得到的当前帧到激光雷达的距离,α和α’me分别为第m个点实际的和模拟计算得到的当前帧激光雷达纵向扫描值,β和β’me分别为第m个实际的和模拟计算得到的当前帧激光雷达横向扫描值,q为特征点总的个数,1≤m≤q。
若障碍物的类型为动态障碍物,计算其绝对速度和方向。参见图4,图4是在坐标系B1的基础上,其x,y,z轴与步骤2中坐标系B1的设立方向一致,原点同样为O1点,Q点为动态障碍物的中心点坐标,中心点坐标值是该障碍物各点x,y,z坐标值的平均值,以O1点为圆心,O1与Q之间距离为半径作球,得到图4的球坐标图。
动态障碍物相对于坐标系B1的速度矢量为动态障碍物的相对速度,故可以将动态障碍物的相对速度矢量分解为三个矢量,分解的三个速度矢量大小表示如下:
其中,VL方向为O1Q方向,Vα方向为与VL方向垂直且与球相切,并且沿着α增大的方向,Vβ的方向与VL方向垂直且与球相切,并且沿着β增大的方向,VL的值为点Q在瞬时O1Q距离L的瞬时速度因为扫描时间短,设其瞬时速度由时间间隔内距离变化量△L比上时间间隔△t得到,同理,为时间间隔内角度值的变化速度,其值为时间间隔内角度变化量比上时间间隔。
牵连速度矢量表示如下:
Claims (9)
1.一种基于激光雷达的吊车动态障碍物识别方法,在吊车吊臂的顶端装有激光雷达,激光雷达获取扫描范围内所有障碍物的点云数据,其特征是包括以下步骤:
步骤1):建立以激光雷达的发射点为坐标原点O1,以竖直方向向下为z轴正方向,以垂直于z轴向着吊臂方向为x轴正方向的三维坐标系B1;
步骤2):把所有障碍物的点云分为若干个簇,每个簇代表不同障碍物对应的点云,将每个簇的点云投影到栅格地图上,关联相邻两帧的障碍物的特征信息,识别出相邻两帧的同一障碍物;
步骤3)针对相邻两帧中的同一障碍物,取同一障碍物的上一帧为对象,在该障碍物对应的簇中选取不共线的q个特征点为D1,D2,D3,…,Dq,在当前帧找到这q个特征点为D1e,D2e,D3e,…,Dqe;通过激光雷达扫描获取当前帧q个特征点的横向扫描角度β,纵向扫描角度α和到激光雷达发射点的直线距离L;
步骤4)建立以吊臂转动中心O2为原点的三维坐标系B2,坐标系B2中u轴与坐标系B1中的x轴方向并行且相反,坐标系B2中的w轴方向与坐标系B1中z轴方向并行且相反,坐标系B2中v轴方向与坐标系B1中y轴方向并行且相同;
步骤5)把上一帧特征点D1,D2,D3,…,Dq投影到平面uO2v上,投影点为d1,d2,d3,…,dq,原点O1投影到平面uO2v,投影点为O1pr,模拟计算出当前帧q个特征点D1e,D2e,D3e,…,Dqe在平面uO2v上的模拟投影点为d1pr,d2pr,d3pr,…,dqpr,计算出上一帧特征点D1,D2,D3,…,Dq经过相邻两帧的时间间隔后的横向扫描角度β'me,纵向扫描角度α'me和到激光雷达发射点之间的直线距离Lme',再计算出L'me,α'me,β'me与L,α,β两者的相似程度
2.根据权利要求1所述的基于激光雷达的吊车动态障碍物识别方法,其特征是:步骤2)中,对障碍物点云进行凸包提取,得到最小矩形边框,将边框大小Ii、长宽比Ji、点云密度Gi及中心点高度Hi作为障碍物的特征信息,对相邻两帧的障碍物的特征数据进行关联计算,获取相邻两帧所有障碍物相互关联的概率,若概率最大值大于等于预定的阈值,则最大值对应的两帧的障碍物为同一障碍物。
3.根据权利要求2所述的基于激光雷达的吊车动态障碍物识别方法,其特征是:所述的边框大小Ii=a+b、长宽比Ji=a/b、点云密度Gi=N/(ab),中心点高度Hi为第i个簇中所有点的z轴坐标的平均值,a和b分别是矩形边框的长和宽,N是矩形边框内该障碍物的点云数目。
4.根据权利要求2所述的基于激光雷达的吊车动态障碍物识别方法,其特征是:所述的相互关联的概率F(g,j)=γ1PI(g,j)+γ2PJ(g,j)+γ3PK(g,j)+γ4PH(g,j),F(g,j)是上一帧第g个簇与当前帧第j个簇相互关联的概率,1≤g≤s,1≤j≤s,γ1+γ2+γ3+γ4=1,0≤γ1、γ2、γ3、γ4≤1。γ1、γ2、γ3、γ4分别表示四个关联特征的权重因子, Ig、Ij分别是上一帧第g个簇与当前帧第j个簇矩形边框的大小,Jg、Jj分别是上一帧第g个簇与当前帧第j个簇矩形边框的长宽比,Gg、Gj分别是上一帧第g个簇与当前帧第j个簇矩形边框的点云密度,Hg、Hj分别是上一帧第g个簇与当前帧第j个簇的中心点高度。
9.根据权利要求8所述的基于激光雷达的吊车动态障碍物识别方法,其特征是:依次对K1,K2,K3,……,Kn检验其是否为核点,为第一个核点建立一个新的簇C1,将所有该核点邻近范围内的点囊括到该簇中,将邻近范围内的核点邻近范围内的点也加入到该簇C1中,如此添加点到簇C1中去,直到C1不能再拓展为止,簇C1完成,排除了簇C1以外的点中选取核点,形成新的簇,生成若干个新的簇。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110195924.1A CN113031005B (zh) | 2021-02-22 | 2021-02-22 | 基于激光雷达的吊车动态障碍物识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110195924.1A CN113031005B (zh) | 2021-02-22 | 2021-02-22 | 基于激光雷达的吊车动态障碍物识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113031005A true CN113031005A (zh) | 2021-06-25 |
CN113031005B CN113031005B (zh) | 2022-06-21 |
Family
ID=76460801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110195924.1A Active CN113031005B (zh) | 2021-02-22 | 2021-02-22 | 基于激光雷达的吊车动态障碍物识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113031005B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113233359A (zh) * | 2021-07-12 | 2021-08-10 | 杭州大杰智能传动科技有限公司 | 基于三维场景还原的智能塔吊障碍物规避方法及装置 |
CN113504782A (zh) * | 2021-09-09 | 2021-10-15 | 北京智行者科技有限公司 | 障碍物防撞方法、装置、系统和移动工具 |
CN113741480A (zh) * | 2021-09-16 | 2021-12-03 | 中科南京软件技术研究院 | 一种基于动态障碍物提取与代价地图相结合的避障方法 |
CN114255252A (zh) * | 2022-02-28 | 2022-03-29 | 新石器慧通(北京)科技有限公司 | 障碍物轮廓获取方法、装置、设备及计算机可读存储介质 |
CN114442101A (zh) * | 2022-01-28 | 2022-05-06 | 南京慧尔视智能科技有限公司 | 基于成像毫米波雷达的车辆导航方法、装置、设备及介质 |
CN114926536A (zh) * | 2022-07-19 | 2022-08-19 | 合肥工业大学 | 一种基于语义的定位与建图方法、系统及智能机器人 |
CN116428996A (zh) * | 2023-06-06 | 2023-07-14 | 北京斯年智驾科技有限公司 | 一种吊具高度的检测方法和检测装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06290398A (ja) * | 1993-03-31 | 1994-10-18 | Mazda Motor Corp | 障害物検知装置 |
CN108363060A (zh) * | 2018-01-19 | 2018-08-03 | 上海思岚科技有限公司 | 一种动态障碍物检测方法及设备 |
US20190011552A1 (en) * | 2017-07-10 | 2019-01-10 | 3D at Depth, Inc. | Underwater optical metrology system |
CN109633685A (zh) * | 2018-11-22 | 2019-04-16 | 浙江中车电车有限公司 | 一种基于激光雷达侦测障碍物状态的方法及系统 |
CN109633676A (zh) * | 2018-11-22 | 2019-04-16 | 浙江中车电车有限公司 | 一种基于激光雷达侦测障碍物运动方向的方法及系统 |
CN111142384A (zh) * | 2019-12-31 | 2020-05-12 | 济南大学 | 二级摆型塔式吊车自适应神经网络跟踪控制方法及系统 |
CN111753623A (zh) * | 2020-03-12 | 2020-10-09 | 北京京东乾石科技有限公司 | 一种运动物体的检测方法、装置、设备及存储介质 |
CN111929699A (zh) * | 2020-07-21 | 2020-11-13 | 北京建筑大学 | 一种顾及动态障碍物的激光雷达惯导里程计与建图方法及系统 |
-
2021
- 2021-02-22 CN CN202110195924.1A patent/CN113031005B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06290398A (ja) * | 1993-03-31 | 1994-10-18 | Mazda Motor Corp | 障害物検知装置 |
US20190011552A1 (en) * | 2017-07-10 | 2019-01-10 | 3D at Depth, Inc. | Underwater optical metrology system |
CN108363060A (zh) * | 2018-01-19 | 2018-08-03 | 上海思岚科技有限公司 | 一种动态障碍物检测方法及设备 |
CN109633685A (zh) * | 2018-11-22 | 2019-04-16 | 浙江中车电车有限公司 | 一种基于激光雷达侦测障碍物状态的方法及系统 |
CN109633676A (zh) * | 2018-11-22 | 2019-04-16 | 浙江中车电车有限公司 | 一种基于激光雷达侦测障碍物运动方向的方法及系统 |
CN111142384A (zh) * | 2019-12-31 | 2020-05-12 | 济南大学 | 二级摆型塔式吊车自适应神经网络跟踪控制方法及系统 |
CN111753623A (zh) * | 2020-03-12 | 2020-10-09 | 北京京东乾石科技有限公司 | 一种运动物体的检测方法、装置、设备及存储介质 |
CN111929699A (zh) * | 2020-07-21 | 2020-11-13 | 北京建筑大学 | 一种顾及动态障碍物的激光雷达惯导里程计与建图方法及系统 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113233359A (zh) * | 2021-07-12 | 2021-08-10 | 杭州大杰智能传动科技有限公司 | 基于三维场景还原的智能塔吊障碍物规避方法及装置 |
CN113233359B (zh) * | 2021-07-12 | 2021-11-16 | 杭州大杰智能传动科技有限公司 | 基于三维场景还原的智能塔吊障碍物规避方法及装置 |
CN113504782A (zh) * | 2021-09-09 | 2021-10-15 | 北京智行者科技有限公司 | 障碍物防撞方法、装置、系统和移动工具 |
CN113504782B (zh) * | 2021-09-09 | 2022-02-18 | 北京智行者科技有限公司 | 障碍物防撞方法、装置、系统和移动工具 |
CN113741480A (zh) * | 2021-09-16 | 2021-12-03 | 中科南京软件技术研究院 | 一种基于动态障碍物提取与代价地图相结合的避障方法 |
CN114442101A (zh) * | 2022-01-28 | 2022-05-06 | 南京慧尔视智能科技有限公司 | 基于成像毫米波雷达的车辆导航方法、装置、设备及介质 |
CN114442101B (zh) * | 2022-01-28 | 2023-11-14 | 南京慧尔视智能科技有限公司 | 基于成像毫米波雷达的车辆导航方法、装置、设备及介质 |
CN114255252A (zh) * | 2022-02-28 | 2022-03-29 | 新石器慧通(北京)科技有限公司 | 障碍物轮廓获取方法、装置、设备及计算机可读存储介质 |
CN114926536A (zh) * | 2022-07-19 | 2022-08-19 | 合肥工业大学 | 一种基于语义的定位与建图方法、系统及智能机器人 |
CN114926536B (zh) * | 2022-07-19 | 2022-10-14 | 合肥工业大学 | 一种基于语义的定位与建图方法、系统及智能机器人 |
CN116428996A (zh) * | 2023-06-06 | 2023-07-14 | 北京斯年智驾科技有限公司 | 一种吊具高度的检测方法和检测装置 |
CN116428996B (zh) * | 2023-06-06 | 2023-09-01 | 北京斯年智驾科技有限公司 | 一种吊具高度的检测方法和检测装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113031005B (zh) | 2022-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113031005B (zh) | 基于激光雷达的吊车动态障碍物识别方法 | |
CN111665842B (zh) | 一种基于语义信息融合的室内slam建图方法及系统 | |
Biosca et al. | Unsupervised robust planar segmentation of terrestrial laser scanner point clouds based on fuzzy clustering methods | |
CN110490888B (zh) | 基于机载激光点云的高速公路几何特征矢量化提取方法 | |
US8340400B2 (en) | Systems and methods for extracting planar features, matching the planar features, and estimating motion from the planar features | |
CN104040590A (zh) | 用于估计物体的姿态的方法 | |
JP6381137B2 (ja) | 標識検出装置、方法、及びプログラム | |
CN114612665B (zh) | 基于法向量直方图特征的位姿估计及动态车辆检测方法 | |
CN113470090A (zh) | 基于sift-shot特征的多固态激光雷达外参标定方法 | |
JP2018136896A (ja) | 情報処理装置、システム、情報処理方法、および物品の製造方法 | |
CN112232248B (zh) | 一种多线LiDAR点云数据平面特征的提取方法及装置 | |
CN111932669A (zh) | 一种基于边坡岩体特征对象的变形监测方法 | |
EP3239926A1 (en) | Position measuring equipment | |
CN112033385A (zh) | 一种基于海量点云数据的桥墩位姿测量方法 | |
CN114234832B (zh) | 一种基于标靶识别的隧道监控量测方法 | |
Wang et al. | Autonomous landing of multi-rotors UAV with monocular gimbaled camera on moving vehicle | |
CN110736456A (zh) | 稀疏环境下基于特征提取的二维激光实时定位方法 | |
CN115147551A (zh) | 远程地面激光扫描技术提取监测对象表面同名特征点的方法 | |
CN107765257A (zh) | 一种基于反射强度辅助外部校准的激光探测与测量方法 | |
CN117314903B (zh) | 一种大宗商品室内仓储激光雷达3d点云数据处理方法 | |
Liu et al. | A localizability estimation method for mobile robots based on 3d point cloud feature | |
CN117288177A (zh) | 一种解决动态残影的激光slam方法 | |
CN117218063A (zh) | 基于施工阶段吊篮空间位置变化的桥体施工进度监测方法 | |
US20130332110A1 (en) | Non-iterative mapping of capped cylindrical environments | |
CN113781649B (zh) | 一种基于三维扫描点云的建筑物平面图生成方法 |
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 |