CN113252027B - 井下无人驾驶车辆局部路径规划方法、装置、设备及存储介质 - Google Patents

井下无人驾驶车辆局部路径规划方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113252027B
CN113252027B CN202110682762.4A CN202110682762A CN113252027B CN 113252027 B CN113252027 B CN 113252027B CN 202110682762 A CN202110682762 A CN 202110682762A CN 113252027 B CN113252027 B CN 113252027B
Authority
CN
China
Prior art keywords
data set
data
roadway
path planning
dividing
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
CN202110682762.4A
Other languages
English (en)
Other versions
CN113252027A (zh
Inventor
彭平安
吴家希
王李管
蒋元建
王佳恒
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.)
Central South University
Original Assignee
Central South University
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 Central South University filed Critical Central South University
Priority to CN202110682762.4A priority Critical patent/CN113252027B/zh
Publication of CN113252027A publication Critical patent/CN113252027A/zh
Application granted granted Critical
Publication of CN113252027B publication Critical patent/CN113252027B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • 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
    • G01S17/06—Systems determining position data of a target
    • 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
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种用于井下无人驾驶车辆局部路径规划的方法、装置、设备及存储介质，该规划方法包括：获取巷道二维激光点云第一数据集；将所述第一数据集分割为多个第二数据集，并分别拟合所述第二数据集的第一直线表达式；计算任意两个所述第一直线表达式的斜率差值，将所述斜率差值小于第一阈值的所述第一直线分割为多个第三数据集；拟合所述第三数据集的点云数据形成第一曲线，设定所述第一曲线为巷道边界线，将所述巷道边界线曲率较小的一侧投影至巷道中心即得到车辆行驶路径。在不需要辅助设备的情况下，实现简单高效的井下无人驾驶车辆局部路径规划，同时提高了路径规划的灵活度和便捷度。

Description

井下无人驾驶车辆局部路径规划方法、装置、设备及存储介质
技术领域
本发明涉及无人车辆驾驶技术领域，具体涉及井下无人驾驶车辆局部路径规划方法、装置、设备及存储介质。
背景技术
无人车辆驾驶是利用车载传感器来感知车辆周围环境，并根据感知所获得的道路、车辆位置和障碍物信息，控制车辆的转向和速度，从而使车辆能够安全、可靠地在道路上行驶。近年来，世界范围内对无人驾驶车辆的研究在近年来取得了一系列成果，在可行性和实用化方面都取得了突破性的进展。
由于矿井或隧道环境复杂，传统的无人车辆路径规划技术不能很好地适用于井下无人驾驶车辆。目前，基于“沿壁法”的反应式导航具有数据计算量较小、路径信息便于管理等优点，已经成为地下铲运机等地下矿山车辆实现无人驾驶自主导航的技术首选。以往的反应式导航方案多采用为巷道顶板发光条带、感应电缆或在巷道关键位置添加无线电射频标签以及条形码作为获取地下铲运机位置信息的辅助手段。这些手段不仅对辅助设备的安装位置要求较高，还存在着铺设难度大，铺设工作量大、维护成本高、难以适应地下矿山动态变化的开采环境的缺点。
发明内容
有鉴于此，本发明实施例提供了井下无人驾驶车辆局部路径规划方法、装置、设备及存储介质，在不需要辅助设备的情况下，实现简单高效的井下无人驾驶车辆局部路径规划，同时提高了路径规划的灵活度和便捷度。
为达到以上目的，本发明所采用的技术方案是：
一种井下无人驾驶车辆局部路径规划方法，包括以下步骤：
获取巷道二维激光点云第一数据集；
将第一数据集分割为多个第二数据集，并分别拟合第二数据集的第一直线表达式；
计算任意两个第一直线表达式的斜率差值，将斜率差值小于第一阈值的第一直线聚类为多个第三数据集；
拟合第三数据集的点云数据形成第一曲线，设定第一曲线为巷道边界线，将巷道边界线曲率较小的一侧投影至巷道中心即得到车辆行驶路径。
进一步地，将第一数据集分割为多个第二数据集，拟合第二数据集的第一直线表达式之前，还包括：
过滤二维激光点云第一数据集的数据，剔除离群噪点和有效距离范围以外的稀疏点云，并将点云数据储存为笛卡尔坐标数据集。
进一步地，将第一数据集分割为多个第二数据集，包括：
S1：获取分割阈值；
S2：计算过第一数据集首尾两点的第二直线表达式，计算第一数据集内距第二直线的最远点到第二直线的投影距离；
S3：判断投影距离是否大于分割阈值，若是，则分割所述第一数据集；反之，所述第一数据集不可再分；
S4：对S3步骤分割后的数据集合重复步骤S2和S3，直到所有分割后的数据集都不可再分。
进一步地，步骤S3中分割所述第一数据集，包括：
以最远点为分割点对第一数据集进行分割，将第一数据集首点和分割点之间的数据点云划分为第一分割数据集，将分割点和第一数据集尾点之间的数据点云划分为第二分割数据集。
进一步地，设定第一曲线为巷道边界线之前，还包括：
获取激光雷达位置及车辆行驶方向，将激光雷达位置和车辆行驶方向共同限定的直线设定为第三直线，以第三直线为界，分割第三数据集。
进一步地，将巷道边界线曲率较小的一侧投影至巷道中心即得到车辆行驶路径之前，判断激光雷达位置到巷道边界线的距离是否大于第二阈值，若是，则剔除所述巷道边界线。
进一步地，所述第二阈值为巷道宽度。
一种井下无人驾驶车辆局部路径规划装置，包括：
数据采集模块，用于获取巷道二维激光点云第一数据集；
数据处理模块，用于将第一数据集分割为多个第二数据集，分别拟合第二数据集的第一直线表达式；并计算任意两个第一直线表达式的斜率差值，将斜率差值小于第一阈值的第一直线聚类为多个第三数据集；
路径生成模块，用于拟合第三数据集的点云数据形成第一曲线，设定第一曲线为巷道边界线，将巷道边界线曲率较小的一侧投影至巷道中心即得到车辆行驶路径。
一种井下无人驾驶车辆局部路径规划设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述存储器中存储的计算机程序时，实现本发明实施例所述的井下无人驾驶车辆局部路径规划方法。
一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现本发明实施例所述的井下无人驾驶车辆局部路径规划方法。
本发明实施例的技术方案中，获取巷道二维激光点云第一数据集；将第一数据集分割为多个第二数据集，并分别拟合第二数据集的第一直线表达式；计算任意两个第一直线表达式的斜率差值，将斜率差值小于第一阈值的第一直线聚类为多个第三数据集；拟合第三数据集的点云数据形成第一曲线，设定第一曲线为巷道边界线，将巷道边界线曲率较小的一侧投影至巷道中心即得到车辆行驶路径。该方案解决了传统方案需要依靠辅助设备的技术问题，且该方案中利用二维激光点云数据，经过一系列数据处理得到车辆局部行驶路径，简单高效。同时，由于该方案无需铺设辅助设备，故随着开采掘进，能够随时根据即时取得的二维激光点云数据进行局部路径规划，能够适应地下矿山动态变化的开采环境，具有很高的灵活度和便捷度。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明一实施例中井下无人驾驶车辆局部路径规划方法的流程示意图；
图2为本发明一实施例中对二维点云数据集进行分割的原理示意图；
图3为本发明一实施例中对拟合直线进行分割的示意图；
图4为本发明一实施例中对拟合的巷道边界线进行分割的原理示意图；
图5为本发明一实施例井下无人驾驶车辆局部路径规划装置的结构示意图。
具体实施方式
以下结合说明书附图及具体实施例对本发明技术方案做进一步的详细阐述。应当理解，此处所提供的实施例仅仅用以解释本发明，并不用于限定本发明。另外，以下所提供的实施例是用于实施本发明的部分实施例，而非提供实施本发明的全部实施例，在不冲突的情况下，本发明实施例记载的技术方案可以任意组合的方式实施。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本发明实施例提供一种井下无人驾驶车辆局部路径规划方法，请参阅图1，该路径规划方法包括：
步骤101，获取巷道二维激光点云第一数据集。
本发明实施例中，将激光雷达设置于井下无人驾驶车辆之上，通过接受该激光雷达的数据获取激光点云信息，并将二维激光点云信息储存于集合中。其中，井下无人驾驶车辆主要指地下矿山无轨化设备，如铲运机、井下矿用卡车、凿岩台车等。
步骤102，将所述第一数据集分割为多个第二数据集，并分别拟合所述第二数据集的第一直线表达式。
由于由激光雷达获取的二维点云数据集
Figure DEST_PATH_IMAGE001
中是一些离散的点云坐标信息，需要对点云坐标信息进行归类处理，方可后续步骤的拟合处理，故需要将该二维点云数据集
Figure 690914DEST_PATH_IMAGE001
分割为多个集合
Figure DEST_PATH_IMAGE002
，
Figure DEST_PATH_IMAGE003
……。在一些实施方式中，可以根据横纵坐标坐标信息按区域划分二维点云数据集
Figure DEST_PATH_IMAGE004
，例如，若按横坐标进行划分，横坐标在0~5（包含5）数值范围的归入集合
Figure DEST_PATH_IMAGE005
，横坐标在5~10（不包含5，包含10）范围内的归入集合
Figure DEST_PATH_IMAGE006
，以此类推。在另一些实施方式中，可利用引入特征点
Figure DEST_PATH_IMAGE007
的方法对二维点云数据集
Figure DEST_PATH_IMAGE008
进行分割，如图2示意图所示。具体步骤为：1、设置分割阈值
Figure DEST_PATH_IMAGE009
；2、求过二维点云数据集
Figure DEST_PATH_IMAGE010
首尾两点A、B的直线表示表达式
Figure DEST_PATH_IMAGE011
，以及集合
Figure DEST_PATH_IMAGE012
内距直线
Figure 155525DEST_PATH_IMAGE011
的投影距离最远的点
Figure DEST_PATH_IMAGE013
到直线
Figure DEST_PATH_IMAGE014
投影距离
Figure DEST_PATH_IMAGE015
；3、如该特征点
Figure DEST_PATH_IMAGE016
到直线
Figure DEST_PATH_IMAGE017
投影距离
Figure DEST_PATH_IMAGE018
大于分割阈值
Figure DEST_PATH_IMAGE019
，将当前集合
Figure DEST_PATH_IMAGE020
分割为集合
Figure DEST_PATH_IMAGE021
和
Figure DEST_PATH_IMAGE022
，对各集合重复上述步骤2和步骤3，直到各集合内点
Figure DEST_PATH_IMAGE023
的投影距离
Figure DEST_PATH_IMAGE024
均小于分割阈值
Figure DEST_PATH_IMAGE025
，即分割完成，将原来的集合
Figure DEST_PATH_IMAGE026
分割为了多个集合
Figure DEST_PATH_IMAGE027
，
Figure DEST_PATH_IMAGE028
……。
将第一数据集
Figure DEST_PATH_IMAGE029
分割为多个第二数据集
Figure DEST_PATH_IMAGE030
，
Figure DEST_PATH_IMAGE031
……后，分别拟合各个第二数据集
Figure DEST_PATH_IMAGE032
，
Figure DEST_PATH_IMAGE033
……内数据的直线表达式
Figure DEST_PATH_IMAGE034
。
步骤103，计算任意两个所述第一直线表达式的斜率差值，将所述斜率差值小于第一阈值的所述第一直线聚类为多个第三数据集。
由于巷道转角处数据点较为复杂，且巷道转角处直线斜率波动过大，拟合数据量大，而无人驾驶车辆实际行走过程中，只需沿着巷道中心线行走即可高效运行，故只需要将巷道中心线提取出来作为车辆的区域行驶路径。在本发明实施例中，计算第二数据集
Figure DEST_PATH_IMAGE035
，
Figure DEST_PATH_IMAGE036
……所拟合的任意两个直线表达式
Figure DEST_PATH_IMAGE037
的斜率
Figure DEST_PATH_IMAGE038
的差值
Figure DEST_PATH_IMAGE039
，若该差值
Figure 401174DEST_PATH_IMAGE039
小于分类阈值
Figure DEST_PATH_IMAGE040
，则将直线
Figure DEST_PATH_IMAGE041
和
Figure DEST_PATH_IMAGE042
划入同一集合。其中分类阈值
Figure DEST_PATH_IMAGE043
可以根据现场巷道实际情况进行任意设定。遍历所有直线表达式
Figure DEST_PATH_IMAGE044
，将小于分类阈值
Figure DEST_PATH_IMAGE045
的所有直线
Figure DEST_PATH_IMAGE046
及其所对应的点云数据分别划分到多个第三数据集中。通过这种方式可以将巷道拐角处的点云数据舍弃掉，从而使得整个运算过程更加简单高效。如图3所示，由于虚线处所示的巷道拐角处点云所拟合的直线斜率差较大，无法划入第三数据集中，由此直线处所示的巷道边界线，提高该方法处理数据的效率。
步骤104，拟合所述第三数据集的点云数据形成第一曲线，设定所述第一曲线为巷道边界线，将所述巷道边界线曲率较小的一侧投影至巷道中心即得到车辆行驶路径。
在本实施例中，拟合各个第三数据集的点云数据，形成第一曲线，该第一曲线即为巷道边界线。然后将巷道边界线弯曲度较小的一侧，即曲率较小的一侧投影到巷道中心即可形成巷道中心线，设定该巷道中心线为车辆区域行驶路径。选择曲率较小的一侧进行投影具有两方面的优点：1、可以为无人驾驶车辆生成较为平直的参考路径，减小无人驾驶车辆的转向控制量，降低控制量变化频率，提高行车稳定性；2、巷道一侧墙壁向内侧凹陷导致巷道宽度突然增加时，选择曲率较小一侧作为参考可以保证生成的路径保持平直，而不是向凹陷一侧弯曲。
在本发明实施例中，所述将所述第一数据集分割为多个第二数据集，拟合所述第二数据集的第一直线表达式之前，还包括对所获取的第一数据集进行预处理，在一些实施方式中，预处理包括：过滤所述二维激光点云第一数据集的数据，剔除离群噪点和有效距离范围以外的稀疏点云，并将点云数据储存为笛卡尔坐标数据集。
在本发明实施例中，所述将所述第一数据集分割为多个第二数据集，包括：S1：获取分割阈值；S2：计算过所述第一数据集首尾两点的第二直线表达式，计算所述第一数据集内距所述第二直线的最远点的投影距离；S3：判断所述投影距离是否大于所述分割阈值，若是，则分割所述第一数据集；反之，所述第一数据集不可再分；S4：对S3步骤分割后的数据集合重复步骤S2和S3，直到所有所述分割后的数据集都不可再分。在某一实施例中，如图2示例所示，具体步骤为：1、设置分割阈值
Figure DEST_PATH_IMAGE047
；2、求过二维点云数据集
Figure DEST_PATH_IMAGE048
首尾两点A、B的直线表示表达式
Figure DEST_PATH_IMAGE049
，以及集合
Figure DEST_PATH_IMAGE050
内距直线
Figure DEST_PATH_IMAGE051
的投影距离最远的点
Figure DEST_PATH_IMAGE052
到直线
Figure 668820DEST_PATH_IMAGE017
投影距离
Figure DEST_PATH_IMAGE053
；3、如该特征点
Figure DEST_PATH_IMAGE054
到直线
Figure 843711DEST_PATH_IMAGE017
投影距离
Figure DEST_PATH_IMAGE055
大于分割阈值
Figure DEST_PATH_IMAGE056
，将当前集合
Figure DEST_PATH_IMAGE057
分割为集合
Figure DEST_PATH_IMAGE058
和
Figure DEST_PATH_IMAGE059
，对各集合重复上述步骤2和步骤3，直到各集合内点
Figure DEST_PATH_IMAGE060
的投影距离
Figure DEST_PATH_IMAGE061
均小于分割阈值
Figure DEST_PATH_IMAGE062
，即分割完成，将原来的集合
Figure DEST_PATH_IMAGE063
分割为了多个集合
Figure DEST_PATH_IMAGE064
，
Figure DEST_PATH_IMAGE065
……。
在本发明实施例中，所述步骤S3中所述分割所述第一数据集，包括：以所述最远点为分割点对所述第一数据集进行分割，将所述第一数据集所述首点和所述分割点之间的数据点云划分为第一分割数据集，将所述分割点和所述第一数据集所述尾点之间的数据点云划分为第二分割数据集。在某一实施例中，如图2所示，将点A和点
Figure DEST_PATH_IMAGE066
之间的点云划分到第一分割数据集，将点
Figure 562048DEST_PATH_IMAGE066
和点B之间的点云划分到第二分割数据集。
在本发明实施例中，所述分别拟合所述第二数据集的第一直线表达式，包括：用最小二乘法分别拟合所述第二数据集的第一直线表达式。
在本发明实施例中，所述设定所述第一曲线为巷道边界线之前，还包括：获取激光雷达位置及车辆行驶方向，将所述激光雷达位置和车辆行驶方向共同限定的直线设定为第三直线，以所述第三直线为界，分割所述第三数据集。对第三数据集进行分割的目的是为了将两侧巷道边界线分离开来，从而能够提升第一曲线的拟合效率。示例性地，如图4所示，以激光雷达位置K及车辆行驶方向共同限定的第三直线L K 为界，将直线L K 两侧的点云数据划分为Q 1 和Q 2 两个区域。进行区域划分可提升后续数据处理的准确性及数据处理效率。
在本发明实施例中，所述将所述巷道边界线曲率较小的一侧投影至巷道中心即得到车辆行驶路径之前，判断所述激光雷达位置到所述巷道边界线的距离是否大于第二阈值，若是，则剔除所述巷道边界线。本步骤是为了将一些异常点云拟合成的巷道边界线剔除，提高局部路径规划的准确性。第二阈值应参考巷道宽度进行设定，可以为巷道宽度或者巷道宽度的某一倍数。根据路径控制精度的需要，第二阈值可大于也可小于巷道宽度。
在一些实施例中，所述第二阈值为巷道宽度。
为了实现本发明实施例的方法，还提供一种井下无人驾驶车辆局部路径规划装置500，请参阅图5，该规划装置500包括：数据采集模块501，用于获取巷道二维激光点云第一数据集；数据处理模块502，用于将所述第一数据集分割为多个第二数据集，分别拟合所述第二数据集的第一直线表达式；并计算任意两个所述第一直线表达式的斜率差值，将所述斜率差值小于第一阈值的所述第一直线聚类为多个第三数据集；路径生成模块503，用于拟合所述第三数据集的点云数据形成第一曲线，设定所述第一曲线为巷道边界线，将所述巷道边界线曲率较小的一侧投影至巷道中心即得到车辆行驶路径。
在一些实施例中，数据处理模块具体用于：将将所述第一数据集S分割为多个第二数据集，示例性的如图2所示，具体步骤为：1、设置分割阈值
Figure DEST_PATH_IMAGE067
；2、求过二维点云数据集
Figure DEST_PATH_IMAGE068
首尾两点A、B的直线表示表达式
Figure DEST_PATH_IMAGE069
，以及集合
Figure DEST_PATH_IMAGE070
内距直线
Figure DEST_PATH_IMAGE071
的投影距离最远的点
Figure DEST_PATH_IMAGE072
到直线
Figure 251917DEST_PATH_IMAGE017
投影距离
Figure DEST_PATH_IMAGE073
；3、如该特征点
Figure DEST_PATH_IMAGE074
到直线
Figure 44293DEST_PATH_IMAGE071
投影距离
Figure DEST_PATH_IMAGE075
大于分割阈值
Figure DEST_PATH_IMAGE076
，将当前集合
Figure DEST_PATH_IMAGE077
分割为集合
Figure DEST_PATH_IMAGE078
和
Figure DEST_PATH_IMAGE079
，对各集合重复上述步骤2和步骤3，直到各集合内点
Figure DEST_PATH_IMAGE080
的投影距离
Figure DEST_PATH_IMAGE081
均小于分割阈值
Figure DEST_PATH_IMAGE082
，即分割完成，将原来的集合
Figure DEST_PATH_IMAGE083
分割为了多个集合
Figure DEST_PATH_IMAGE084
，
Figure DEST_PATH_IMAGE085
……。然后分别拟合所述第二数据集的第一直线表达式。最后计算任意两个所述第一直线表达式的斜率差值，将所述斜率差值小于第一阈值的所述第一直线分割为多个第三数据集。具体步骤为：计算第二数据集
Figure 352652DEST_PATH_IMAGE084
，
Figure 80437DEST_PATH_IMAGE085
……所拟合的任意两个直线表达式
Figure DEST_PATH_IMAGE086
的斜率
Figure DEST_PATH_IMAGE087
的差值
Figure DEST_PATH_IMAGE088
，若该差值
Figure DEST_PATH_IMAGE089
小于分类阈值
Figure DEST_PATH_IMAGE090
，则将直线
Figure DEST_PATH_IMAGE091
和
Figure DEST_PATH_IMAGE092
划入同一集合。其中分类阈值
Figure DEST_PATH_IMAGE093
可以根据现场巷道实际情况进行任意设定。遍历所有直线表达式
Figure DEST_PATH_IMAGE094
，将小于分类阈值
Figure DEST_PATH_IMAGE095
的所有直线
Figure DEST_PATH_IMAGE096
及其所对应的点云数据分别划分到多个第三数据集中。通过这种方式可以将巷道拐角处的点云数据舍弃掉，从而使得整个运算过程更加简单高效。
在一些实施例中，路径生成模块具体用于：获取激光雷达位置及车辆行驶方向，将所述激光雷达位置和车辆行驶方向共同限定的直线设定为第三直线，以所述第三直线为界，分割所述第三数据集。然后拟合所述分割后的第三数据集的点云数据形成第一曲线，设定所述第一曲线为巷道边界线，将所述巷道边界线曲率较小的一侧投影至巷道中心即得到车辆行驶路径。
本发明实施例还提供了一种井下无人驾驶车辆局部路径规划装置，包括：存储器，用于存储计算机程序；处理器，用于执行所述存储器中存储的计算机程序时，实现本发明任一实施例所述的井下无人驾驶车辆局部路径规划方法。
需要说明的是：上述实施例提供的井下无人驾驶车辆局部路径规划装置在进行井下无人驾驶车辆局部路径规划时，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的程序模块完成，即将井下无人驾驶车辆局部路径规划装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的井下无人驾驶车辆局部路径规划装置与井下无人驾驶车辆局部路径规划方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
本发明实施例还提供了一种存储介质，该存储介质可以包括：移动存储设备、随机存取存储器（RAM，Random Access Memory）、只读存储器（ROM，Read-Only Memory）、磁碟或者光盘等各种可以存储程序代码的介质。所述可读存储介质存储有计算机程序；所述计算机程序用于被处理器执行时实现本发明任一实施例所述的井下无人驾驶车辆局部路径规划方法。
本领域内的技术人员应明白，本发明实施例可提供为方法、系统、或计算机程序产品。因此，本发明实施例可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器和光学存储器等）上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理系统的处理器以产生一个机器，使得通过计算机或其他可编程数据处理系统的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理系统以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理系统上，使得在计算机或其他可编程系统上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程系统上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种井下无人驾驶车辆局部路径规划方法，其特征在于，
获取巷道二维激光点云第一数据集；
将所述第一数据集分割为多个第二数据集，并分别拟合所述第二数据集的第一直线表达式；
计算任意两个所述第一直线表达式的斜率差值，将所述斜率差值小于第一阈值的所述第一直线表达式所对应的第二数据集聚类为多个第三数据集，将巷道拐角处的点云舍弃；
拟合所述第三数据集的点云数据形成第一曲线，设定所述第一曲线为巷道边界线，将所述巷道边界线曲率较小的一侧投影至巷道中心即得到车辆行驶路径。
2.如权利要求1所述的井下无人驾驶车辆局部路径规划方法，其特征在于，
所述将所述第一数据集分割为多个第二数据集，拟合所述第二数据集的第一直线表达式之前，还包括：
过滤所述二维激光点云第一数据集的数据，剔除离群噪点和有效距离范围以外的稀疏点云，并将过滤后的所述第一数据集点云数据储存为笛卡尔坐标数据集。
3.如权利要求1所述的井下无人驾驶车辆局部路径规划方法，其特征在于，
所述将所述第一数据集分割为多个第二数据集，包括：
S1：获取分割阈值；
S2：计算过所述第一数据集首尾两点的第二直线表达式，计算所述第一数据集内距所述第二直线的最远点到所述第二直线的投影距离；
S3：判断所述投影距离是否大于所述分割阈值，若是，则分割所述第一数据集；反之，所述第一数据集不可再分；
S4：对S3步骤分割后的数据集合重复步骤S2和S3，直到所有所述分割后的数据集都不可再分。
4.如权利要求3所述的井下无人驾驶车辆局部路径规划方法，其特征在于，
所述步骤S3中分割所述第一数据集，包括：
以所述最远点为分割点对所述第一数据集进行分割，将所述第一数据集首点和所述分割点之间的数据点云划分为第一分割数据集，将所述分割点和所述第一数据集尾点之间的数据点云划分为第二分割数据集。
5.如权利要求1所述的井下无人驾驶车辆局部路径规划方法，其特征在于，
所述设定所述第一曲线为巷道边界线之前，还包括：
获取激光雷达位置及车辆行驶方向，将所述激光雷达位置和车辆行驶方向共同限定的直线设定为第三直线，以所述第三直线为界，分割所述第三数据集。
6.如权利要求5所述的井下无人驾驶车辆局部路径规划方法，其特征在于，
所述将所述巷道边界线曲率较小的一侧投影至巷道中心即得到车辆行驶路径之前，判断所述激光雷达位置到所述巷道边界线的距离是否大于第二阈值，若是，则剔除所述巷道边界线。
7.如权利要求6所述的井下无人驾驶车辆局部路径规划方法，其特征在于，
所述第二阈值为巷道宽度。
8.一种井下无人驾驶车辆局部路径规划装置，其特征在于，包括：
数据采集模块，用于获取巷道二维激光点云第一数据集；
数据处理模块，用于将所述第一数据集分割为多个第二数据集，分别拟合所述第二数据集的第一直线表达式；并计算任意两个所述第一直线表达式的斜率差值，将所述斜率差值小于第一阈值的所述第一直线表达式所对应的第二数据集聚类为多个第三数据集，将巷道拐角处的点云舍弃；
路径生成模块，用于拟合所述第三数据集的点云数据形成第一曲线，设定所述第一曲线为巷道边界线，将所述巷道边界线曲率较小的一侧投影至巷道中心即得到车辆行驶路径。
9.一种井下无人驾驶车辆局部路径规划设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述存储器中存储的计算机程序时，实现如权利要求1至7任一所述的井下无人驾驶车辆局部路径规划方法。
10.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1至7任一所述的井下无人驾驶车辆局部路径规划方法。
CN202110682762.4A 2021-06-21 2021-06-21 井下无人驾驶车辆局部路径规划方法、装置、设备及存储介质 Active CN113252027B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110682762.4A CN113252027B (zh) 2021-06-21 2021-06-21 井下无人驾驶车辆局部路径规划方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110682762.4A CN113252027B (zh) 2021-06-21 2021-06-21 井下无人驾驶车辆局部路径规划方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN113252027A CN113252027A (zh) 2021-08-13
CN113252027B true CN113252027B (zh) 2021-10-01

Family

ID=77188831

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110682762.4A Active CN113252027B (zh) 2021-06-21 2021-06-21 井下无人驾驶车辆局部路径规划方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113252027B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113619605B (zh) * 2021-09-02 2022-10-11 盟识(上海)科技有限公司 一种地下矿用铰接车自动驾驶方法与系统
CN114061612B (zh) * 2021-11-23 2024-01-19 上海伯镭智能科技有限公司 一种无人驾驶矿车的弯道角度生成方法及装置
CN114092822B (zh) * 2022-01-24 2022-07-26 广东皓行科技有限公司 图像处理方法、移动控制方法以及移动控制系统
CN114972761B (zh) * 2022-06-20 2024-05-07 平安科技（深圳）有限公司 基于人工智能的车辆部件分割方法及相关设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105404844A (zh) * 2014-09-12 2016-03-16 广州汽车集团股份有限公司 一种基于多线激光雷达的道路边界检测方法
CN108801268A (zh) * 2018-06-27 2018-11-13 广州视源电子科技股份有限公司 目标对象的定位方法、装置及机器人
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
CN111443360A (zh) * 2020-04-20 2020-07-24 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
CN111551958A (zh) * 2020-04-28 2020-08-18 北京踏歌智行科技有限公司 一种面向矿区无人驾驶的高精地图制作方法
CN112977443A (zh) * 2021-03-23 2021-06-18 中国矿业大学 一种井下无人驾驶无轨胶轮车的路径规划方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6561431B2 (ja) * 2014-05-14 2019-08-21 株式会社デンソー 境界線認識装置および境界線認識プログラム

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105404844A (zh) * 2014-09-12 2016-03-16 广州汽车集团股份有限公司 一种基于多线激光雷达的道路边界检测方法
CN108801268A (zh) * 2018-06-27 2018-11-13 广州视源电子科技股份有限公司 目标对象的定位方法、装置及机器人
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
CN111443360A (zh) * 2020-04-20 2020-07-24 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
CN111551958A (zh) * 2020-04-28 2020-08-18 北京踏歌智行科技有限公司 一种面向矿区无人驾驶的高精地图制作方法
CN112977443A (zh) * 2021-03-23 2021-06-18 中国矿业大学 一种井下无人驾驶无轨胶轮车的路径规划方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
井下蓄电池无轨胶轮车无人驾驶系统设计研究;骆彬;《中国优秀博硕士学位论文全文数据库（硕士）·工程科技Ⅰ辑》;20190915;第B021-290页 *
无人驾驶地下矿用汽车路径跟踪与速度决策研究;赵翾;《中国博士学位论文全文数据库·工程科技Ⅰ辑》;20160515;第B021-18页 *
煤矿井下机车无人驾驶系统关键技术;韩江洪等;《煤炭学报》;20200630;第45卷(第6期);第2104-2115页 *

Also Published As

Publication number Publication date
CN113252027A (zh) 2021-08-13

Similar Documents

Publication Publication Date Title
CN113252027B (zh) 井下无人驾驶车辆局部路径规划方法、装置、设备及存储介质
CN109541634B (zh) 一种路径规划方法、装置和移动设备
CN111426330B (zh) 路径生成方法和设备、无人化运输系统和存储介质
CN108519094B (zh) 局部路径规划方法及云处理端
KR101063302B1 (ko) 무인차량의 자율주행 제어 장치 및 방법
CN112013831B (zh) 一种基于地形分析的地图边界自动提取方法及装置
CN112184736B (zh) 一种基于欧式聚类的多平面提取方法
CN115451983A (zh) 一种复杂场景下的动态环境建图与路径规划方法及装置
CN111768647A (zh) 一种基于移动边缘计算的自主泊车方法和装置
EP3931657B1 (en) System and method for surface feature detection and traversal
WO2023216470A1 (zh) 一种可行驶区域检测方法、装置及设备
CN114020015A (zh) 基于障碍物地图双向搜索的无人机路径规划系统及方法
CN114926809A (zh) 可通行区域检测方法及装置、移动工具、存储介质
CN113936215A (zh) 一种矿区路面凹坑的识别方法、系统及无人驾驶货车
CN113515111B (zh) 一种车辆避障路径规划方法及装置
CN113933859A (zh) 一种无人矿卡行驶场景的路面及两侧挡墙检测方法
CN114325755A (zh) 一种适用于自动驾驶车辆的挡土墙检测方法及系统
Zhu et al. A path planning algorithm based on fusing lane and obstacle map
CN115223039A (zh) 一种面向复杂环境的机器人半自主控制方法及系统
CN112799393B (zh) 一种面向泊车场景的地图简化系统
CN116523970B (zh) 基于二次隐式匹配的动态三维目标跟踪方法及装置
CN113282088A (zh) 工程车的无人驾驶方法、装置、设备、存储介质及工程车
CN116399364B (zh) 车辆行驶路网生成方法、装置、芯片、终端、设备和介质
CN117289296A (zh) 一种基于激光雷达的矿区反坡检测方法及系统
CN113759915B (zh) 一种agv小车路径规划方法、装置、设备及存储介质

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
GR01 Patent grant
GR01 Patent grant