CN113325826A - 一种井下车辆控制方法、装置、电子设备及存储介质 - Google Patents
一种井下车辆控制方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113325826A CN113325826A CN202110638949.4A CN202110638949A CN113325826A CN 113325826 A CN113325826 A CN 113325826A CN 202110638949 A CN202110638949 A CN 202110638949A CN 113325826 A CN113325826 A CN 113325826A
- Authority
- CN
- China
- Prior art keywords
- information
- obstacle
- state information
- vehicle
- different
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
Abstract
本申请提供一种井下车辆控制方法、装置、电子设备及存储介质,井下车辆上设置有不同类型的雷达传感器,不同类型的雷达传感器分别设置在所述车辆的不同位置;所述雷达传感器至少包括激光雷达传感器和超声波雷达传感器;所述控制方法包括:利用所述激光雷达传感器采集所述井下车辆预设范围内障碍物的第一状态信息;利用所述超声波雷达传感器采集所述井下车辆预设范围内障碍物的第二状态信息;利用训练好的融合网络,对所述第一状态信息和所述第二状态信息进行融合处理,得到所述障碍物的第一障碍物信息;根据所述障碍物的第一障碍物信息,对所述井下车辆进行控制。本申请能够全面的检测井下车辆周围的障碍物,减少误减、漏检的发生。
Description
技术领域
本申请涉及车辆碍物检测技术领域,具体而言,涉及一种井下车辆控制方法、装置、电子设备及存储介质。
背景技术
随着有色金属领域不断向无人化、智能化发展,发展智能的安全生产手段已成为行业的趋势。矿井巷道壁狭窄崎岖,背景混乱,环境复杂,需要更加精准的辨别障碍物的信息,而现有技术中车载传感器检测的角度、距离、方向较为单一,对障碍物的检测不够准确,容易出现误检和漏检。
发明内容
有鉴于此,本申请的目的在于提供一种井下车辆控制方法、装置、电子设备及存储介质,能够全面的检测井下车辆周围的障碍物,减少误减、漏检的发生。
本申请实施例提供一种井下车辆控制方法,所述井下车辆上设置有不同类型的雷达传感器,不同类型的雷达传感器分别设置在所述车辆的不同位置;所述雷达传感器至少包括激光雷达传感器和超声波雷达传感器;所述控制方法包括:
利用所述激光雷达传感器采集所述井下车辆预设范围内障碍物的第一状态信息;所述第一状态信息包括:第一速度信息、形状信息、第一方位信息和第一距离信息;不同的激光雷达传感器采集的同一障碍物的第一状态信息不同,同一激光雷达传感器在不同采集时刻采集的同一障碍物的第一状态信息不同;
利用所述超声波雷达传感器采集所述井下车辆预设范围内障碍物的第二状态信息;所述第二状态信息包括:第二方位信息和第二距离信息;其中,不同的超声波雷达传感器采集的同一障碍物的第二状态信息不同,同一超声波雷达传感器在不同采集时刻采集的同一障碍物的第二状态信息不同;
利用训练好的融合网络,对所述第一状态信息和所述第二状态信息进行融合处理,得到所述障碍物的第一障碍物信息,其中,所述第一障碍物信息包括:第三距离信息、第二速度信息和分类信息;
根据所述障碍物的第一障碍物信息,对所述井下车辆进行控制。
在一些实施例中,根据所述障碍物的第一障碍物信息,对所述井下车辆进行控制,包括以下步骤:
根据所述障碍物的第一障碍物信息与训练好的模型的识别结果相结合,根据结合的结果对所述井下车辆进行控制;所述训练好的模型的识别结果为所述井下车辆预设范围内的图像信息中是否包含人像。
在一些实施例中,根据所述障碍物的第一障碍物信息与训练好的模型的识别结果相结合,根据结合的结果对所述井下车辆进行控制,包括:
当第一障碍物信息中的分类信息为人物类型,且训练好的模型的识别结果为包含人像时,控制井下车辆进行制动;
当第一障碍物信息中的分类信息为非人物类型,且训练好的模型的识别结果为不包含人像时,采取第一控制方式;
当第一障碍物信息中的分类信息为非人物类型但训练好的模型的识别结果为包含人像,或第一障碍物信息中的分类信息为人物类型但训练好的模型的识别结果为不包含人像时,采取第二控制方式。
在一些实施例中,当第一障碍物信息中的分类信息为非人物类型,且训练好的模型的识别结果为不包含人像时,采取第一控制方式,包括:
若第一障碍物信息中的第三距离信息大于预设阈值,则根据第二速度信息判断第三距离信息的变化趋势;
若第三距离信息的变化趋势为增大,则第一控制方式为控制井下车辆减速至第一速度;若第三距离信息的变化趋势为减小,则第一控制方式为控制井下车辆减速至第二速度。
在一些实施例中,当第一障碍物信息中的分类信息为非人物类型,且训练好的模型的识别结果为不包含人像时,采取第一控制方式,包括:
若第一障碍物信息中的第三距离信息小于等于预设阈值,则第一控制方式为制动。
在一些实施例中,当第一障碍物信息中的分类信息为非人物类型但训练好的模型的识别结果为包含人像,或第一障碍物信息中的分类信息为人物类型但训练好的模型的识别结果为不包含人像时,采取第二控制方式,包括:
若第一障碍物信息中的第三距离信息大于预设阈值,则第二控制方式为控制井下车辆减速至第三速度;
若第一障碍物信息中的第三距离信息小于等于预设阈值,则第二控制方式为控制井下车辆制动。
在一些实施例中,利用训练好的融合网络,对所述第一状态信息和所述第二状态信息进行融合处理,包括:
采用加权融合的方式对第一状态信息中的第一距离信息和第二状态信息中的第二距离信息进行融合处理,且第二距离信息的权重大于第一距离信息的权重。
本申请还提供一种井下车辆控制装置,包括:
第一采集模块,用于利用所述激光雷达传感器采集所述井下车辆预设范围内障碍物的第一状态信息;所述第一状态信息包括:第一速度信息、形状信息、第一方位信息和第一距离信息;不同的激光雷达传感器采集的同一障碍物的第一状态信息不同,同一激光雷达传感器在不同采集时刻采集的同一障碍物的第一状态信息不同;
第二采集模块,用于利用所述超声波雷达传感器采集所述井下车辆预设范围内障碍物的第二状态信息;所述第二状态信息包括:第二方位信息和第二距离信息;其中,不同的超声波雷达传感器采集的同一障碍物的第二状态信息不同,同一超声波雷达传感器在不同采集时刻采集的同一障碍物的第二状态信息不同;
融合模块,用于利用训练好的融合网络,对所述第一状态信息和所述第二状态信息进行融合处理,得到所述障碍物的第一障碍物信息,其中,所述第一障碍物信息包括:第三距离信息、第二速度信息和分类信息;
控制模块,根据所述障碍物的第一障碍物信息,对所述井下车辆进行控制。
本申请还提供一种电子设备,包括处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行所述的井下车辆控制方法的步骤。
本申请还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行所述的井下车辆控制方法的步骤。
本申请在井下车辆设置多种不同类型的雷达传感器,增大扫描范围,同时通过融合网络将不同类型雷达传感器所采集的障碍物状态信息以及相同类型所采集的障碍物状态信息进行融合处理,解决了多传感信息融合过程中存在的信息不同步的问题,得到用于控制井下车辆的更为精确的障碍物信息,防止出现漏检、误减,提高了检测率。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1示出了本申请实施例所提供的一种井下车辆控制方法的基本流程示意图;
图2示出了本申请实施例所提供的所述障碍物的第一障碍物信息与训练好的模型的识别结果相结合,根据结合的结果对所述井下车辆进行控制的基本流程示意图;
图3示出了本申请实施例所提供的当第一障碍物信息中的分类信息为非人物类型,且训练好的模型的识别结果为不包含人像时,采取第一控制方式的基本流程示意图;
图4示出了本申请实施例所提供的当第一障碍物信息中的分类信息为非人物类型但训练好的模型的识别结果为包含人像,或第一障碍物信息中的分类信息为人物类型但训练好的模型的识别结果为不包含人像时,采取第二控制方式的基本流程示意图;
图5示出了本申请实施例所提供的井下车辆控制装置的结构示意图;
图6示出了本申请实施例所提供的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,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,应当理解,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
另外,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的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。
需要说明的是,本申请实施例中将会用到术语“包括”,用于指出其后所声明的特征的存在,但并不排除增加其它的特征。
井下车辆在行驶过程中,速度最高可达20km/h,独立的雷达传感器适用范围有限,不具有普适性,例如,激光雷达只能检测直道区域并且受灰尘影响十分严重。
因此,本申请提供一种井下车辆控制方法,所述井下车辆上设置有不同类型的雷达传感器,不同类型的雷达传感器分别设置在所述车辆的不同位置;所述雷达传感器至少包括激光雷达传感器和超声波雷达传感器;如图1所示,所述控制方法包括:
S101、利用所述激光雷达传感器采集所述井下车辆预设范围内障碍物的第一状态信息;所述第一状态信息包括:第一速度信息、形状信息、第一方位信息和第一距离信息;不同的激光雷达传感器采集的同一障碍物的第一状态信息不同,同一激光雷达传感器在不同采集时刻采集的同一障碍物的第一状态信息不同;
S102、利用所述超声波雷达传感器采集所述井下车辆预设范围内障碍物的第二状态信息;所述第二状态信息包括:第二方位信息和第二距离信息;其中,不同的超声波雷达传感器采集的同一障碍物的第二状态信息不同,同一超声波雷达传感器在不同采集时刻采集的同一障碍物的第二状态信息不同;
S103、利用训练好的融合网络,对所述第一状态信息和所述第二状态信息进行融合处理,得到所述障碍物的第一障碍物信息,其中,所述第一障碍物信息包括:第三距离信息、第二速度信息和分类信息;
S104、根据所述障碍物的第一障碍物信息,对所述井下车辆进行控制。
本实施例中,具体的,所述的激光雷达传感器的数目为两个,分别均匀设置在井下车辆的前端,每个激光雷达传感器的扫描范围为270°,探测距离为0-40m,激光雷达传感器扫描平面与地面呈0°;在井下车辆两个侧面的底部分别均匀设置4个超声波雷达传感器,超声波雷达传感器的探测距离为0-4m。
激光雷达传感器发射探测信号(激光束),然后将接收到的反射回来的点云信号与发射信号进行比较,作适当处理后,就可获得障碍物的有关信息,本实施例中获取了其扫描范围内的第一速度信息、形状信息、第一方位信息和第一距离信息。所述激光雷达传感器包括但不限于二维单线雷达,二维多线雷达和三维雷达,可以根据实际的应用环境以及成本考虑来选择。
本实施例中,采用二维单线激光雷达。
超声波雷达通过超声波发射装置向外发射超声波,通过接收器接收到发送过来的超声波的时间差来计算与障碍物之间的距离,本实施例中获取了其扫描范围内的障碍物的第二方位信息和第二距离信息。
在步骤S101和步骤S102中,每个雷达传感器的得到的障碍物的位置信息均是以自身所在坐标系为基准的。多个激光雷达传感器以及超声波雷达传感器在一辆井下车辆上使用时,在同一移动机器人上使用时,因安放位置的不同,其坐标系也不相同。而控制井下车辆所需要的障碍物的状态,则是以井下车辆为基准的。因此,多个雷达传感器所采集的障碍物的状态在空间上需要融合。
而且多个雷达传感器的扫描周期相互独立,因此,多个雷达传感器采集的障碍物的状态并不同步,因此,多个雷达传感器所采集的障碍物的状态在时间上需要融合。
所述的步骤S103中,所述的融合网络采用基于T-S模型的模糊神经网络。
所述的模糊神经网络的输入为车辆预设范围内障碍物的第一状态信息和第二状态信息,输出为障碍物的第一障碍物信息,具体为第三距离信息、第二速度信息和分类信息。
所述的分类信息具体为人物类型、车辆类型、石头类型等。
激光雷达传感器和超声波雷达传感器在检测障碍物时各有优势,激光雷达传感器检测距离大,但是容易受到灰尘影响,从而导致采集的障碍物的第一状态信息存在较大误差,超声波雷达传感器检测距离小,但是测量的误差小。
同时,井下巷道十分狭窄,因此,车身两侧的障碍物距离井下车辆的距离较近,需要提高障碍物探测的精度,而车辆前方的障碍物则可以在距离较远时即被探测到,提前做出车辆控制策略,因此,具体的,本实施例中,车辆前方的障碍物的第一障碍物信息仅由两个激光雷达传感器所采集的第一状态信息融合得到,车辆两侧的障碍物则由激光雷达传感器所采集的第一状态信息和超声波雷达传感器所采集的第二状态信息融合得到,从而较少数据的计算量和提高计算速度。
本申请在井下车辆设置多种不同类型的雷达传感器,增大扫描范围,同时通过T-S模糊神经网络将不同类型雷达传感器所采集的障碍物状态信息以及相同类型所采集的障碍物状态信息进行融合处理,解决了多传感信息融合过程中存在的信息不同步的问题,得到用于控制井下车辆的更为精确的障碍物信息,防止出现漏检、误减,提高了检测率。
保证井下工作人员的安全是第一位的,必须在确定车辆前方有工作人员时,采取更加安全的井下车辆控制策略。利用激光雷达传感器虽然能够检测到障碍物的形状信息,再通过训练好的融合网络识别出障碍物的分类信息,但是激光雷达传感器的检测信号容易被灰尘影响,且激光雷达通常设置在车身较低的位置,不一定能扫描到工作人员具有特殊特征的部位(例如安全帽),因此,激光雷达传感器所检测的有无工作人员的检测结果不够可靠。
针对上述情况,根据所述障碍物的第一障碍物信息,对所述井下车辆进行控制,包括以下步骤:
S2、根据所述障碍物的第一障碍物信息与训练好的模型的识别结果相结合,根据结合的结果对所述井下车辆进行控制;所述训练好的模型的识别结果为所述井下车辆预设范围内的图像信息中是否包含人像,从而更加精确的判断出车辆预设范围内有无工作人员,并更加合理的控制井下车辆的运行方式。
井下车辆预设范围内的图像信息是通过摄像头所采集的。
本实施例中,所述的训练好的模型为YOLOv4网络,YOLOv4网络具有轻量化、准确率高、内存利用率低的优点,能够快速、准确、实时的识别摄像头实时采集的井下车辆预设范围内的图像信息中是否包含人像。
YOLOv4网络的训练过程如下:
创建井下人员的数据集:处理井下视频得到井下人员图片,以及通过网络爬虫从网络中抓取井下人员图片,利用得到的井下人员图片构建井下人员数据集。本实施例中,所述的数据集的训练集包括1192张不同的井下人员图片,验证集包括562张不同的井下人员图片。
设置YOLOv4网络的参数:YOLOv4网络采用pytorch深度学习库,操作系统为ubuntu18.04,GPU为RTX2060,训练时的参数设置如下:迭代训练样本数为64,16个批次,动态因子设置为0.949,重衰减正则系数为0.0005,最大迭代次数为10000,学习率为0.005。
生成权重文件cfg;CSPDarknet53作为骨干网络,SPP作为Neck的附加模块,PANet作为Neck的特征融合模块,yolov3作为Head。
设置YOLOv4网络的优化损失函数:采用信息熵的特性作为YOLOv4网络的损失函数,解决采集样本不均衡的问题,提高YOLOv4网络的识别精度,解决梯度消失的问题,提高训练的速度。
井下人员的数据集训练YOLOv4网络,得到用于训练好的模型,用于识别图像是否含有人像。
具体的,如图2所示,S2、根据所述障碍物的第一障碍物信息与训练好的模型的识别结果相结合,根据结合的结果对所述井下车辆进行控制,包括:
S201、当第一障碍物信息中的分类信息为人物类型,且训练好的模型的识别结果为包含人像时,控制井下车辆进行制动;
激光雷达的扫描结果和YOLOv4网络的图像识别结果均判定预设区域中存在井下行人,那么,可以判定确实存在井下行人,车辆立即进行制动。
S202、当第一障碍物信息中的分类信息为非人物类型,且训练好的模型的识别结果为不包含人像时,采取第一控制方式;
具体的,如图3所示,S2021、若第一障碍物信息中的第三距离信息大于预设阈值,则根据第二速度信息判断第三距离信息的变化趋势;
S20211、若第三距离信息的变化趋势为增大,则第二控制方式为控制井下车辆减速至第一速度;
S20212、若第三距离信息的变化趋势为减小,则第一控制方式为控制井下车辆减速至第二速度。
激光雷达的扫描结果和YOLOv4网络的图像识别结果均判定预设区域中不存在井下行人,那么,可以判定确实不存在井下行人,障碍物为普通障碍物,若障碍物距离井下车辆距离较远且将逐渐远离井下车辆,则仅需略微降低井下车辆的速度即可,若将逐渐远离井下车辆,则需降低井下车辆的速度以做好制动的准确。
S2022、若第一障碍物信息中的第三距离信息小于等于预设阈值,则第一控制方式为制动。
S203、当第一障碍物信息中的分类信息为非人物类型但训练好的模型的识别结果为包含人像,或第一障碍物信息中的分类信息为人物类型但训练好的模型的识别结果为不包含人像时,采取第二控制方式。
此时,激光雷达的扫描结果或YOLOv4网络的图像识别结果仅有一项为判定预设区域中存在井下行人,那么,可能存在行人,也可能不存在行人,若立即制动,则可能会影响井下车辆的正常行驶。
因此,本实施例中,如图4所示,S203、当第一障碍物信息中的分类信息为非人物类型但训练好的模型的识别结果为包含人像,或第一障碍物信息中的分类信息为人物类型但训练好的模型的识别结果为不包含人像时采取第二控制方式,包括:
S2031、若第一障碍物信息中的第三距离信息大于预设阈值,则第二控制方式为控制井下车辆减速至第三速度;
S2032、若第一障碍物信息中的第三距离信息小于等于预设阈值,则第二控制方式为控制井下车辆制动。
当障碍物距离较远,且障碍物有可能不是井下行人时,先控制井下车辆减速。随着井下车辆的行驶,当第三距离信息小于等于预设阈值时,若障碍物仍有可能是井下行人,则控制井下车辆制动,在保证井下人员安全的同时,兼顾了井下车辆的流畅行驶。
本实施例中,利用训练好的融合网络,对所述第一状态信息和所述第二状态信息进行融合处理,包括:
采用加权融合的方式对第一状态信息中的第一距离信息和第二状态信息中的第二距离信息进行融合处理,且第二距离信息的权重大于第一距离信息的权重。
激光雷达所采集的信息虽然而更加丰富,但是对于距离较近的障碍物而言,超声波雷达所采集的距离信息更加准确,第二距离信息的权重大于第一距离信息的权重,能够进一步增加用于车辆控制的障碍物的第一障碍物信息中第三距离信息的准确度。
如图5所示,本申请还提供一种井下车辆控制装置,包括:
第一采集模块301,用于利用所述激光雷达传感器采集所述井下车辆预设范围内障碍物的第一状态信息;所述第一状态信息包括:第一速度信息、形状信息、第一方位信息和第一距离信息;不同的激光雷达传感器采集的同一障碍物的第一状态信息不同,同一激光雷达传感器在不同采集时刻采集的同一障碍物的第一状态信息不同;
第二采集模块302,用于利用所述超声波雷达传感器采集所述井下车辆预设范围内障碍物的第二状态信息;所述第二状态信息包括:第二方位信息和第二距离信息;其中,不同的超声波雷达传感器采集的同一障碍物的第二状态信息不同,同一超声波雷达传感器在不同采集时刻采集的同一障碍物的第二状态信息不同;
融合模块303,用于利用训练好的融合网络,对所述第一状态信息和所述第二状态信息进行融合处理,得到所述障碍物的第一障碍物信息,其中,所述第一障碍物信息包括:第三距离信息、第二速度信息和分类信息;
控制模块304,根据所述障碍物的第一障碍物信息,对所述井下车辆进行控制。
本申请实施例提供一种井下车辆控制装置,利用多种不同类型的雷达传感器增大扫描范围,同时通过融合网络将不同类型雷达传感器所采集的障碍物状态信息以及相同类型所采集的障碍物状态信息进行融合处理,解决了多传感信息融合过程中存在的信息不同步的问题,得到用于控制井下车辆的更为精确的障碍物信息,防止出现漏检、误减,提高了检测率。
如图6所示,本申请实施例还提供一种电子设备,包括处理器401、存储介质402和总线403,所述存储介质402存储有所述处理器401可执行的机器可读指令,当电子设备运行时,所述处理器401与所述存储介质402之间通过总线403通信,所述处理器401执行所述机器可读指令,以执行所述的井下车辆控制方法的步骤。
本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行所述的井下车辆控制方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考方法实施例中的对应过程,本申请中不再赘述。在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,平台服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种井下车辆控制方法,其特征在于,
所述井下车辆上设置有不同类型的雷达传感器,不同类型的雷达传感器分别设置在所述车辆的不同位置;所述雷达传感器至少包括激光雷达传感器和超声波雷达传感器;所述控制方法包括:
利用所述激光雷达传感器采集所述井下车辆预设范围内障碍物的第一状态信息;所述第一状态信息包括:第一速度信息、形状信息、第一方位信息和第一距离信息;不同的激光雷达传感器采集的同一障碍物的第一状态信息不同,同一激光雷达传感器在不同采集时刻采集的同一障碍物的第一状态信息不同;
利用所述超声波雷达传感器采集所述井下车辆预设范围内障碍物的第二状态信息;所述第二状态信息包括:第二方位信息和第二距离信息;其中,不同的超声波雷达传感器采集的同一障碍物的第二状态信息不同,同一超声波雷达传感器在不同采集时刻采集的同一障碍物的第二状态信息不同;
利用训练好的融合网络,对所述第一状态信息和所述第二状态信息进行融合处理,得到所述障碍物的第一障碍物信息,其中,所述第一障碍物信息包括:第三距离信息、第二速度信息和分类信息;
根据所述障碍物的第一障碍物信息,对所述井下车辆进行控制。
2.根据权利要求1所述的井下车辆控制方法,其特征在于,
根据所述障碍物的第一障碍物信息,对所述井下车辆进行控制,包括以下步骤:
根据所述障碍物的第一障碍物信息与训练好的模型的识别结果相结合,根据结合的结果对所述井下车辆进行控制;所述训练好的模型的识别结果为所述井下车辆预设范围内的图像信息中是否包含人像。
3.根据权利要求2所述的井下车辆控制方法,其特征在于,根据所述障碍物的第一障碍物信息与训练好的模型的识别结果相结合,根据结合的结果对所述井下车辆进行控制,包括:
当第一障碍物信息中的分类信息为人物类型,且训练好的模型的识别结果为包含人像时,控制井下车辆进行制动;
当第一障碍物信息中的分类信息为非人物类型,且训练好的模型的识别结果为不包含人像时,采取第一控制方式;
当第一障碍物信息中的分类信息为非人物类型但训练好的模型的识别结果为包含人像,或第一障碍物信息中的分类信息为人物类型但训练好的模型的识别结果为不包含人像时,采取第二控制方式。
4.根据权利要求3所述的井下车辆控制方法,其特征在于,当第一障碍物信息中的分类信息为非人物类型,且训练好的模型的识别结果为不包含人像时,采取第一控制方式,包括:
若第一障碍物信息中的第三距离信息大于预设阈值,则根据第二速度信息判断第三距离信息的变化趋势;
若第三距离信息的变化趋势为增大,则第一控制方式为控制井下车辆减速至第一速度;若第三距离信息的变化趋势为减小,则第一控制方式为控制井下车辆减速至第二速度。
5.根据权利要求3所述的井下车辆控制方法,其特征在于,当第一障碍物信息中的分类信息为非人物类型,且训练好的模型的识别结果为不包含人像时,采取第一控制方式,包括:
若第一障碍物信息中的第三距离信息小于等于预设阈值,则第一控制方式为制动。
6.根据权利要求3所述的井下车辆控制方法,其特征在于,当第一障碍物信息中的分类信息为非人物类型但训练好的模型的识别结果为包含人像,或第一障碍物信息中的分类信息为人物类型但训练好的模型的识别结果为不包含人像时,采取第二控制方式,包括:
若第一障碍物信息中的第三距离信息大于预设阈值,则第二控制方式为控制井下车辆减速至第三速度;
若第一障碍物信息中的第三距离信息小于等于预设阈值,则第二控制方式为控制井下车辆制动。
7.根据权利要求2所述的井下车辆控制方法,其特征在于,利用训练好的融合网络,对所述第一状态信息和所述第二状态信息进行融合处理,包括:
采用加权融合的方式对第一状态信息中的第一距离信息和第二状态信息中的第二距离信息进行融合处理,且第二距离信息的权重大于第一距离信息的权重。
8.根据权利要求1所述的井下车辆控制装置,其特征在于,包括:
第一采集模块,用于利用所述激光雷达传感器采集所述井下车辆预设范围内障碍物的第一状态信息;所述第一状态信息包括:第一速度信息、形状信息、第一方位信息和第一距离信息;不同的激光雷达传感器采集的同一障碍物的第一状态信息不同,同一激光雷达传感器在不同采集时刻采集的同一障碍物的第一状态信息不同;
第二采集模块,用于利用所述超声波雷达传感器采集所述井下车辆预设范围内障碍物的第二状态信息;所述第二状态信息包括:第二方位信息和第二距离信息;其中,不同的超声波雷达传感器采集的同一障碍物的第二状态信息不同,同一超声波雷达传感器在不同采集时刻采集的同一障碍物的第二状态信息不同;
融合模块,用于利用训练好的融合网络,对所述第一状态信息和所述第二状态信息进行融合处理,得到所述障碍物的第一障碍物信息,其中,所述第一障碍物信息包括:第三距离信息、第二速度信息和分类信息;
控制模块,根据所述障碍物的第一障碍物信息,对所述井下车辆进行控制。
9.一种电子设备,其特征在于,包括处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行如权利要求1至7任一项所述的井下车辆控制方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1至7任一项所述的井下车辆控制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110638949.4A CN113325826B (zh) | 2021-06-08 | 2021-06-08 | 一种井下车辆控制方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110638949.4A CN113325826B (zh) | 2021-06-08 | 2021-06-08 | 一种井下车辆控制方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113325826A true CN113325826A (zh) | 2021-08-31 |
CN113325826B CN113325826B (zh) | 2022-08-30 |
Family
ID=77420398
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110638949.4A Active CN113325826B (zh) | 2021-06-08 | 2021-06-08 | 一种井下车辆控制方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113325826B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105109484A (zh) * | 2015-08-21 | 2015-12-02 | 奇瑞汽车股份有限公司 | 目标障碍物体确定方法及装置 |
CN105711597A (zh) * | 2016-02-25 | 2016-06-29 | 江苏大学 | 前方局部行驶环境感知系统及方法 |
CN106708040A (zh) * | 2016-12-09 | 2017-05-24 | 重庆长安汽车股份有限公司 | 自动驾驶系统的传感器模块、自动驾驶系统及方法 |
CN107351785A (zh) * | 2017-07-12 | 2017-11-17 | 奇瑞汽车股份有限公司 | 车辆周围环境感知系统 |
CN107422730A (zh) * | 2017-06-09 | 2017-12-01 | 武汉市众向科技有限公司 | 基于视觉导引的agv运输系统及其驾驶控制方法 |
CN108170145A (zh) * | 2017-12-28 | 2018-06-15 | 浙江捷尚人工智能研究发展有限公司 | 基于激光雷达的机器人避障系统及其应用方法 |
CN108177651A (zh) * | 2017-11-29 | 2018-06-19 | 张好明 | 一种多传感器融合快速无人车探测避障系统 |
CN108313088A (zh) * | 2018-02-22 | 2018-07-24 | 中车长春轨道客车股份有限公司 | 一种非接触式轨道车辆障碍物检测系统 |
CN108646739A (zh) * | 2018-05-14 | 2018-10-12 | 北京智行者科技有限公司 | 一种传感信息融合方法 |
CN109552319A (zh) * | 2018-12-07 | 2019-04-02 | 南京航空航天大学 | 一种夜间智能辅助驾驶系统及方法 |
CN109583384A (zh) * | 2018-11-30 | 2019-04-05 | 百度在线网络技术(北京)有限公司 | 用于无人驾驶车的避障方法和装置 |
CN109733283A (zh) * | 2019-01-09 | 2019-05-10 | 吉林大学 | 基于ar的被遮挡障碍物识别预警系统及识别预警方法 |
CN110412986A (zh) * | 2019-08-19 | 2019-11-05 | 中车株洲电力机车有限公司 | 一种车辆障碍物检测方法及系统 |
-
2021
- 2021-06-08 CN CN202110638949.4A patent/CN113325826B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105109484A (zh) * | 2015-08-21 | 2015-12-02 | 奇瑞汽车股份有限公司 | 目标障碍物体确定方法及装置 |
CN105711597A (zh) * | 2016-02-25 | 2016-06-29 | 江苏大学 | 前方局部行驶环境感知系统及方法 |
CN106708040A (zh) * | 2016-12-09 | 2017-05-24 | 重庆长安汽车股份有限公司 | 自动驾驶系统的传感器模块、自动驾驶系统及方法 |
CN107422730A (zh) * | 2017-06-09 | 2017-12-01 | 武汉市众向科技有限公司 | 基于视觉导引的agv运输系统及其驾驶控制方法 |
CN107351785A (zh) * | 2017-07-12 | 2017-11-17 | 奇瑞汽车股份有限公司 | 车辆周围环境感知系统 |
CN108177651A (zh) * | 2017-11-29 | 2018-06-19 | 张好明 | 一种多传感器融合快速无人车探测避障系统 |
CN108170145A (zh) * | 2017-12-28 | 2018-06-15 | 浙江捷尚人工智能研究发展有限公司 | 基于激光雷达的机器人避障系统及其应用方法 |
CN108313088A (zh) * | 2018-02-22 | 2018-07-24 | 中车长春轨道客车股份有限公司 | 一种非接触式轨道车辆障碍物检测系统 |
CN108646739A (zh) * | 2018-05-14 | 2018-10-12 | 北京智行者科技有限公司 | 一种传感信息融合方法 |
CN109583384A (zh) * | 2018-11-30 | 2019-04-05 | 百度在线网络技术(北京)有限公司 | 用于无人驾驶车的避障方法和装置 |
CN109552319A (zh) * | 2018-12-07 | 2019-04-02 | 南京航空航天大学 | 一种夜间智能辅助驾驶系统及方法 |
CN109733283A (zh) * | 2019-01-09 | 2019-05-10 | 吉林大学 | 基于ar的被遮挡障碍物识别预警系统及识别预警方法 |
CN110412986A (zh) * | 2019-08-19 | 2019-11-05 | 中车株洲电力机车有限公司 | 一种车辆障碍物检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113325826B (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10591292B2 (en) | Method and device for movable object distance detection, and aerial vehicle | |
CN106485233B (zh) | 可行驶区域检测方法、装置和电子设备 | |
CN107111742B (zh) | 在导航中对车道限制和施工区域的识别和预测 | |
CN110171405B (zh) | 基于检测对象制动车辆的系统和方法 | |
CN105372654B (zh) | 障碍物分类可靠度量化的方法 | |
CN109345829B (zh) | 无人车的监控方法、装置、设备及存储介质 | |
EP3104284A1 (en) | Automatic labeling and learning of driver yield intention | |
CN108116410A (zh) | 用于控制车辆的速度的方法和设备 | |
KR101891460B1 (ko) | 차도 위의 반사체를 인식하고 평가하기 위한 방법 및 장치 | |
CN106503653A (zh) | 区域标注方法、装置和电子设备 | |
CN113561963B (zh) | 一种泊车方法、装置及车辆 | |
KR20200001471A (ko) | 차선 정보 검출 장치, 방법 및 이러한 방법을 수행하도록 프로그램된 컴퓨 프로그램을 저장하는 컴퓨터 판독가능한 기록매체 | |
CN106291506A (zh) | 基于单线点云数据机器学习的车辆目标识别方法及装置 | |
CN112606804B (zh) | 一种车辆主动制动的控制方法及控制系统 | |
CN111222441A (zh) | 基于车路协同的点云目标检测和盲区目标检测方法及系统 | |
CN110136186A (zh) | 一种用于移动机器人目标测距的检测目标匹配方法 | |
CN109747537A (zh) | 一种汽车无人驾驶预警系统 | |
CN110843775B (zh) | 一种基于压力传感器的障碍物识别方法 | |
CN113335311B (zh) | 一种车辆碰撞检测方法、装置、车辆及存储介质 | |
CN114675295A (zh) | 一种障碍物判定的方法、装置、设备及存储介质 | |
CN106183986A (zh) | 一种智能化行车安全系统及方法 | |
JP5103722B2 (ja) | 停止車両判別装置 | |
CN114296095A (zh) | 自动驾驶车辆的有效目标提取方法、装置、车辆及介质 | |
CN113325826B (zh) | 一种井下车辆控制方法、装置、电子设备及存储介质 | |
CN114119955A (zh) | 一种潜在危险目标检测方法及装置 |
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 |