CN113568002A - 基于激光和图像数据融合的轨道交通主动障碍物检测装置 - Google Patents
基于激光和图像数据融合的轨道交通主动障碍物检测装置 Download PDFInfo
- Publication number
- CN113568002A CN113568002A CN202110704853.3A CN202110704853A CN113568002A CN 113568002 A CN113568002 A CN 113568002A CN 202110704853 A CN202110704853 A CN 202110704853A CN 113568002 A CN113568002 A CN 113568002A
- Authority
- CN
- China
- Prior art keywords
- obstacle
- data
- point cloud
- laser
- fusion
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 70
- 230000004927 fusion Effects 0.000 title claims abstract description 38
- 230000000007 visual effect Effects 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims description 9
- 238000000034 method Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000001914 filtration Methods 0.000 description 6
- 230000004888 barrier function Effects 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 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
-
- 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
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Image Processing (AREA)
Abstract
本发明涉及基于激光和图像数据融合的轨道交通主动障碍物检测装置,包括:激光雷达、视觉传感器和控制主机,激光雷达和视觉传感器分别实时采集车辆前方的点云数据和视频数据,并发送给控制主机;控制主机对接收到的点云数据和视频数据进行障碍物融合检测,实现障碍物识别,并输出前方障碍物信息,障碍物信息至少包括障碍物距离和障碍物类型。本发明将视觉目标检测技术和激光雷达检测技术相融合,具体来说将两种数据进行时空同步,然后对识别结果进行逻辑判断并输出障碍物类型和位置信息。本发明的障碍物检测结果准确率高,能够适应何种环境下的障碍物检测。
Description
技术领域
本发明涉及轨道车辆主动障碍物检测技术,特别涉及一种基于激光和图像数据融合的轨道交通主动障碍物检测装置。
背景技术
地铁列车在运行时,需要对轨面上方突发侵入或隧道结构设备落下的障碍物进行实时检测。传统驾驶模式下一般依靠司机目视判断,但随着无人驾驶模式的引入,主动障碍物检测功能已成为自动驾驶车辆的基本配置。
视觉目标检测技术是排除图像或视频环境中如光照、遮挡等因素的干扰,在物体数量不确定、物体外观不一致的情况下找出图像或视频中的感兴趣物体,同时准确检测出它们的位置和大小。
激光雷达目标检测技术是对雷达扫描形成的庞大点云数据进行杂散点滤波、体素滤波及平面分割,得到不包含地平面的滤波后点云,再通过智能算法寻找目标物体的大小及方位。
激光雷达和相机均可实现障碍物检测,但雷达监测缺少障碍物类型信息,缺少轨道信息;相机监测缺少障碍物距离信息、障碍物具体尺寸信息。
纯相机检测方案存在一下缺陷:
1、受天气因素影响大,无法满足雨天,雾天环境下应用,恶劣天气下成像较差;
2、受光照因素影响大,光照过强或偏弱以及环境亮度快速变化时,成像效果较差;
3、相机视觉测距整个过程CPU资源消耗极大,伴随设备功耗等增加,会导致主机散热设计困难。
相机与毫米波雷达组合的方案,一定程度上可以提高系统环境适应性,但仍然存在明显的弊端和不足:
1、毫米波雷达作为障碍物检测时,其检测范围为一个平面,无法实现三维空间内的完整检测;即使前方反馈有目标信息,也无法获知该目标的具体位置,轨道内部还是外部,空中还是地面,存在大量误报情况;
2、毫米波雷达对目标探测方向和位置反馈较差,不能精确定位障碍物;
3、行业内虽已有“3D”毫米波雷达的尝试,但其垂直方向检测角度很小,角度分辨率很低,无法真正工程化安装和检测使用。
采用低线激光雷达一定程度上可优化方案成本,但同时会导致严重的系统功能和性能缩小,导致系统无法满足项目实际使用。
1、雷达线数降低会关联降低雷达空间分辨率和雷达点云密度降低,系统无法对各种尺寸(尤其是小尺寸障碍物)和形状的障碍物进行可靠检测和识别,存在漏报风险,降低系统安全防护性能;
2、低线雷达角度分辨率大,距离一旦增加,对障碍物识别性能急剧下降,常见的32/64线雷达仅能是实现150米以内的检测,远小于标准车需求的300米及以上检测性能需求。
发明内容
本发明的目的主要是针对上述现有技术中的问题,提供基于激光和图像数据融合的轨道交通主动障碍物检测装置,将雷达数据和图像数据进行融合,提高了障碍物检测的准确率。
为了达到本发明目的,本发明提供的基于激光和图像数据融合的轨道交通主动障碍物检测装置,包括:
激光雷达——安装于车头,实时采集车辆前方的点云数据,并发送给控制主机;
视觉传感器——安装于车头,实时采集车辆前方视频数据,并发送给控制主机;
控制主机——对接收到的点云数据和视频数据进行障碍物融合检测,实现障碍物识别,并输出前方障碍物信息,所述障碍物信息至少包括障碍物距离和障碍物类型。
进一步的,所述激光雷达和视觉传感器可调节的安装于车头,使得两种传感器的数据空间坐标重合;或者通过控制主机对数据进行处理,使得两种传感器的数据空间坐标重合。
更进一步的,针对同一时刻的点云数据和视觉数据,通过点云数据获取前方障碍物轮廓和空间坐标,通过视觉数据获取前方轨道线范围内障碍物的空间坐标并对障碍物进行识别;两种数据获取的障碍物空间坐标匹配(相等或接近,或者障碍物空间重合度达到预设阈值以上),则通过所述障碍物轮廓进行障碍物初步识别,然后利用视觉数据对障碍物进行确认,如果视觉识别结果与障碍物初步识别结果不一致,则以视觉识别结果为准,从而实现障碍物融合检测。
此外,本发明还提供了一种基于激光和图像数据融合的轨道交通主动障碍物检测方法,其特征在于步骤如下:
步骤1、点云数据的获取和处理
1.1、通过安装于车头的激光雷达实时采集车辆前方的点云数据,并发送给控制主机;
1.2、对点云数据进行预处理,得到不包含地平面的滤波后点云;
1.3、经过预处理的点云中提取目标物轮廓,获得目标物的空间位置信息;
步骤2、相机视觉检测
2.1、通过安装于车头的视觉传感器实时采集车辆前方视频数据,并发送给控制主机;
2.2、进行图像预处理;
2.3、图像检测障碍物,如果障碍物在轨道线范围内,则进行障碍物类型的识别,否则返回步骤2.1;
步骤3、数据融合
3.1、两种数据进行时间和空间同步,即选择选取同一时刻的点云数据识别信息和视觉数据的识别结果,如果两种数据的障碍物出现时间和空间坐标匹配,则进行3.2,否则继续处理下一时刻的数据;
3.2、通过所述障碍物轮廓进行障碍物初步识别,然后利用视觉识别结果对障碍物进行确认,如果视觉识别结果与障碍物初步识别结果不一致,则以视觉识别结果为准或报警,从而实现障碍物融合检测,并输出障碍物类型及位置信息。
本发明将视觉目标检测技术和激光雷达检测技术相融合,具体来说将两种数据进行时空同步,然后对识别结果进行逻辑判断并输出障碍物类型和位置信息。本发明的障碍物检测结果准确率高,能够适应何种环境下的障碍物检测。
附图说明
图1是本发明基于激光和图像数据融合的轨道交通主动障碍物检测装置的组成框图。
图2是本发明基于激光和图像数据融合的轨道交通主动障碍物检测方法的流程图。
具体实施方式
下面结合附图对本发明的实施方式做解释说明。
如图1所示,本实施例基于激光和图像数据融合的轨道交通主动障碍物检测装置,包括:控制主机、和该控制主机连接的供电单元、激光雷达、工控近焦视觉传感器、工控远焦视觉传感器、维护单元和车载通信单元。
其中,
供电单元:为装置提供110V车载控制电源。
控制主机:接收到的点云数据和视频数据进行障碍物融合检测,实现障碍物识别,输出前方障碍物距离信息,障碍物特征信息,识别障碍物类型,在必要时触发制动及告警等。本实施例中,被系统列为障碍物包括行李箱、人、和球形物体。具体障碍物类型可根据业主要求来进行设置,障碍物类型确定后需要进行识别算法进行机器学习,以提高障碍物识别网络的准确率。
工业近焦视觉传感器:安装于车头,用于近距离实时采集车辆前方视频数据。
工业远焦视觉传感器:安装于车头,用于远距离实时采集车辆前方视频数据,长短焦距相机搭配,可覆盖列车前方从近到远全范围内的检测视角覆盖。
激光雷达:安装于车头,选用高性能128线数半固态激光雷达,可以实现300米以上距离的点云数据实时采集。
声光报警器:当控制主机对融合数据分析处理后识别到画面中存在被系统列为障碍物的物体时,会在司机室中会发出声光报警。
维护单元:本装置提供一个100Mbps的M12以太网接口用于与PIS(乘客信息系统)物理连接,向PIS系统推送视频流数据,使用RTSP/RTMP协议,压缩格式H.265 视频分辨率720P,视频帧率3-15帧/s,用于地面存储和视频分析。
车载通信单元:设计有以太网和MVB通信接口,与车辆TCMS通过以太网和/或MVB总线通信,用于告警信息上报。
控制主机内运行有障碍物检测的程序,针对同一时刻的点云数据和视觉数据,通过点云数据获取前方障碍物轮廓和空间坐标,通过视觉数据获取前方轨道线范围内障碍物的空间坐标并对障碍物进行识别;两种数据获取的障碍物空间坐标匹配,则通过所述障碍物轮廓进行障碍物初步识别,然后利用视觉数据对障碍物进行确认,如果视觉识别结果与障碍物初步识别结果不一致,则以视觉识别结果为准,从而实现障碍物融合检测。
本装置的主要实施方法如下:
1、本装置通过安装于车头的远、近焦摄像头、激光雷达对列车前方环境进行采集,并将采集到数据传输给处理主机,处理主机对多传感器的数据进行智能融合,实时检测障碍物的具体形状与位置信息,当确认障碍物落入有效轨道线范围内,则通过司机室声光报警或列车制动的方式,防止列车发生碰撞事故,同时将相关信息通过以太网发送至车辆控制管理中心。
2、本装置采用的128线数半固态激光雷达,能够实时地对车辆前方的环境进行扫描并形成点云数据,供智能主机进行处理。激光雷达目标检测模块在获取到原始点云后,经过杂散点滤波、体素滤波及平面分割来对点云数据进行预处理,最终得到不包含地平面的滤波后点云,然后采用高效的聚类算法将这些非地平面点云通过特征分类(例如:根据长宽比区分行人与箱子),解析得到各类目标物体的轮廓,实现激光雷达对障碍物的初步检测。
3、本装置采用工业级宽动态视觉传感器,远、近焦各一台,使视觉检测范围能够完整覆盖车辆前方8米-300米距离,本装置的视觉检测系统采用先进的人工智能卷积神经网络进行目标检测,它是一种前馈神经网络,人工神经元可以响应周围单元,进行大型图像处理,包括可以识别直道、弯道、岔道正反位等各类复杂轨道线的检测和对已定义目标的检测和识别。本装置中目前定义的目标有人、列车、箱子等。
4、本装置将激光雷达与视觉传感器集成为可调式监控模组,雷达和相机的相对位置关系已经明确,两种传感器的坐标系搬移和映射关系也固定不变,所以通过安装方案中的传感器相对位置关系,便可实现相机和雷达两种传感器数据坐标系的搬移,实现两种传感器数据空间坐标重合。
5、本装置采用激光和图像融合的方式检测障碍物,激光雷达获取的点云数据经过预处理,聚类生成障碍物的轮廓,相机获取的实时图像信息经过预处理,首先判断是否在轨道线范围内,然后进行视觉目标检测。两种数据融合时先要通过时间与空间的同步,然后对识别结果进行融合,最后输出障碍物识别结果和位置信息。
6、本装置的智能主机可以安装在司机室后方的乘客座椅下方,或者安装在司机室中的机柜中。智能主机与安装在司机室的传感器组通过线缆连接,支持远距离部署,线缆长度在10m-20m。
如图2所示,基于激光和图像数据融合的轨道交通主动障碍物检测方法,步骤如下:
步骤1、点云数据的获取和处理
1.1、通过安装于车头的激光雷达实时采集车辆前方的点云数据,并发送给控制主机。
1.2、对点云数据进行预处理,得到不包含地平面的滤波后点云;具体来说,激光雷达目标检测模块在获取到原始点云后,经过杂散点滤波、体素滤波及平面分割来对点云数据进行预处理,得到不包含地平面的滤波后点云。在预处理的基础上,采用高效的聚类算法将这些非地平面点云通过特征分类,解析出点云中的各种目标物体。
1.3、经过预处理的点云中提取目标物轮廓,获得目标物的空间位置信息。
步骤2、相机视觉检测
2.1、通过安装于车头的视觉传感器实时采集车辆前方视频数据,并发送给控制主机。
2.2、进行图像预处理;
2.3、采用人工智能卷积神经网络进行图像中障碍物目标检测,如果障碍物在轨道线范围内,则进行障碍物类型的识别,否则返回步骤2.1。本步骤中,采用通过大量数据集训练的基于AI的语义分割神经网络将轨道线分割出来,再通过曲线拟合的方法得到车道线限界区域。
步骤3、数据融合
3.1、两种数据进行时间和空间同步,即选择选取同一时刻的点云数据识别信息和视觉数据的识别结果,如果两种数据的障碍物出现时间和空间坐标匹配,则进行3.2,否则继续处理下一时刻的数据。
3.2、通过所述障碍物轮廓进行障碍物初步识别(可在1.3中进行),然后利用视觉识别结果对障碍物进行确认,如果视觉识别结果与障碍物初步识别结果不一致,则以视觉识别结果为准或报警,从而实现障碍物融合检测,并输出障碍物类型及位置信息。
除上述实施例外,本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案,均落在本发明要求的保护范围。
Claims (10)
1.一种基于激光和图像数据融合的轨道交通主动障碍物检测装置,包括:
激光雷达——安装于车头,实时采集车辆前方的点云数据,并发送给控制主机;
视觉传感器——安装于车头,实时采集车辆前方视频数据,并发送给控制主机;
控制主机——对接收到的点云数据和视频数据进行障碍物融合检测,实现障碍物识别,并输出前方障碍物信息,所述障碍物信息至少包括障碍物距离和障碍物类型。
2.根据权利要求1所述的基于激光和图像数据融合的轨道交通主动障碍物检测装置,其特征在于:所述视觉传感器包括近焦视觉传感器和远焦视觉传感器。
3.根据权利要求1所述的基于激光和图像数据融合的轨道交通主动障碍物检测装置,其特征在于:所述激光雷达和视觉传感器可调节的安装于车头,使得两种传感器的数据空间坐标重合;或者通过控制主机对数据进行处理,使得两种传感器的数据空间坐标重合。
4.根据权利要求1所述的基于激光和图像数据融合的轨道交通主动障碍物检测装置,其特征在于:针对同一时刻的点云数据和视觉数据,通过点云数据获取前方障碍物轮廓和空间坐标,通过视觉数据获取前方轨道线范围内障碍物的空间坐标并对障碍物进行识别;两种数据获取的障碍物空间坐标匹配,则通过所述障碍物轮廓进行障碍物初步识别,然后利用视觉数据对障碍物进行确认,如果视觉识别结果与障碍物初步识别结果不一致,则以视觉识别结果为准,从而实现障碍物融合检测。
5.根据权利要求1所述的基于激光和图像数据融合的轨道交通主动障碍物检测装置,其特征在于还包括:
供电单元——为装置提供车载控制电源;
声光报警器——当障碍物融合检测到障碍物时,进行声光报警。
6.根据权利要求5所述的基于激光和图像数据融合的轨道交通主动障碍物检测装置,其特征在于还包括:
维护单元——与乘客信息系统通讯,用于将视频流数据发送给乘客信息系统,以便进行地面存储和后续的视频分析;
车载通信单元——与车辆TCMS通过以太网和/或MVB总线通信,用于将告警信息上报。
7.一种基于激光和图像数据融合的轨道交通主动障碍物检测方法,其特征在于:使用权利要求1-6任一项所述装置实现。
8. 一种基于激光和图像数据融合的轨道交通主动障碍物检测方法,其特征在于步骤如下:
步骤1、点云数据的获取和处理
1.1、通过安装于车头的激光雷达实时采集车辆前方的点云数据,并发送给控制主机;
1.2、对点云数据进行预处理,得到不包含地平面的滤波后点云;
1.3、经过预处理的点云中提取目标物轮廓,获得目标物的空间位置信息;
步骤2、相机视觉检测
2.1、通过安装于车头的视觉传感器实时采集车辆前方视频数据,并发送给控制主机;
2.2、进行图像预处理;
2.3、图像检测障碍物,如果障碍物在轨道线范围内,则进行障碍物类型的识别,否则返回步骤2.1;
步骤3、数据融合
3.1、两种数据进行时间和空间同步,即选择选取同一时刻的点云数据识别信息和视觉数据的识别结果,如果两种数据的障碍物出现时间和空间坐标匹配,则进行3.2,否则继续处理下一时刻的数据;
3.2、通过所述障碍物轮廓进行障碍物初步识别,然后利用视觉识别结果对障碍物进行确认,如果视觉识别结果与障碍物初步识别结果不一致,则以视觉识别结果为准或报警,从而实现障碍物融合检测,并输出障碍物类型及位置信息。
9.根据权利要求8所述的基于激光和图像数据融合的轨道交通主动障碍物检测方法,其特征在于:步骤2.3中,采用人工智能卷积神经网络进行目标检测。
10.根据权利要求8所述的基于激光和图像数据融合的轨道交通主动障碍物检测方法,其特征在于:步骤2.3中还包括轨道线检测,采用通过大量数据集训练的基于AI的语义分割神经网络将轨道线分割出来,再通过曲线拟合的方法得到车道线限界区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110704853.3A CN113568002A (zh) | 2021-06-24 | 2021-06-24 | 基于激光和图像数据融合的轨道交通主动障碍物检测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110704853.3A CN113568002A (zh) | 2021-06-24 | 2021-06-24 | 基于激光和图像数据融合的轨道交通主动障碍物检测装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113568002A true CN113568002A (zh) | 2021-10-29 |
Family
ID=78162655
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110704853.3A Pending CN113568002A (zh) | 2021-06-24 | 2021-06-24 | 基于激光和图像数据融合的轨道交通主动障碍物检测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113568002A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114359861A (zh) * | 2021-12-20 | 2022-04-15 | 浙江天尚元科技有限公司 | 基于视觉和激光雷达的智能车辆障碍物识别深度学习方法 |
CN114724116A (zh) * | 2022-05-23 | 2022-07-08 | 禾多科技(北京)有限公司 | 车辆通行信息生成方法、装置、设备和计算机可读介质 |
CN115598656A (zh) * | 2022-12-14 | 2023-01-13 | 成都运达科技股份有限公司(Cn) | 基于悬挂轨道的障碍物检测方法、装置及系统 |
CN115620263A (zh) * | 2022-10-25 | 2023-01-17 | 四川吉利学院 | 基于摄像机和激光雷达图像融合的智能车障碍物检测方法 |
CN116206265A (zh) * | 2023-05-05 | 2023-06-02 | 昆明轨道交通四号线土建项目建设管理有限公司 | 用于轨道交通运营维护的防护报警装置及方法 |
WO2023109501A1 (zh) * | 2021-12-14 | 2023-06-22 | 卡斯柯信号有限公司 | 一种基于定位技术的列车主动障碍物检测方法及装置 |
CN116461571A (zh) * | 2022-09-20 | 2023-07-21 | 江苏中车数字科技有限公司 | 基于视觉、射频定位、多线激光相融合的障碍物感知系统 |
CN116834802A (zh) * | 2023-07-03 | 2023-10-03 | 湖北空间智能技术有限公司 | 一种运营列车轨道侵入物检测定位方法、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109298415A (zh) * | 2018-11-20 | 2019-02-01 | 中车株洲电力机车有限公司 | 一种轨道和道路障碍物检测方法 |
CN110329316A (zh) * | 2019-07-29 | 2019-10-15 | 江苏必得科技股份有限公司 | 一种城市轨道障碍物检测装置及检测方法 |
CN111257892A (zh) * | 2020-01-09 | 2020-06-09 | 武汉理工大学 | 一种用于车辆自动驾驶的障碍物检测方法 |
CN112528771A (zh) * | 2020-11-27 | 2021-03-19 | 深兰科技(上海)有限公司 | 障碍物检测方法、装置、电子设备及存储介质 |
CN112684797A (zh) * | 2020-12-15 | 2021-04-20 | 广东工业大学 | 一种障碍物地图构建方法 |
-
2021
- 2021-06-24 CN CN202110704853.3A patent/CN113568002A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109298415A (zh) * | 2018-11-20 | 2019-02-01 | 中车株洲电力机车有限公司 | 一种轨道和道路障碍物检测方法 |
CN110329316A (zh) * | 2019-07-29 | 2019-10-15 | 江苏必得科技股份有限公司 | 一种城市轨道障碍物检测装置及检测方法 |
CN111257892A (zh) * | 2020-01-09 | 2020-06-09 | 武汉理工大学 | 一种用于车辆自动驾驶的障碍物检测方法 |
CN112528771A (zh) * | 2020-11-27 | 2021-03-19 | 深兰科技(上海)有限公司 | 障碍物检测方法、装置、电子设备及存储介质 |
CN112684797A (zh) * | 2020-12-15 | 2021-04-20 | 广东工业大学 | 一种障碍物地图构建方法 |
Non-Patent Citations (1)
Title |
---|
陈志军: "《智能网联环境下车辆运动行为理解方法》", 31 December 2020, 西南交通大学出版社, pages: 46 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023109501A1 (zh) * | 2021-12-14 | 2023-06-22 | 卡斯柯信号有限公司 | 一种基于定位技术的列车主动障碍物检测方法及装置 |
CN114359861A (zh) * | 2021-12-20 | 2022-04-15 | 浙江天尚元科技有限公司 | 基于视觉和激光雷达的智能车辆障碍物识别深度学习方法 |
CN114724116A (zh) * | 2022-05-23 | 2022-07-08 | 禾多科技(北京)有限公司 | 车辆通行信息生成方法、装置、设备和计算机可读介质 |
CN116461571A (zh) * | 2022-09-20 | 2023-07-21 | 江苏中车数字科技有限公司 | 基于视觉、射频定位、多线激光相融合的障碍物感知系统 |
CN116461571B (zh) * | 2022-09-20 | 2024-06-18 | 江苏中车数字科技有限公司 | 基于视觉、射频定位、多线激光相融合的障碍物感知系统 |
CN115620263A (zh) * | 2022-10-25 | 2023-01-17 | 四川吉利学院 | 基于摄像机和激光雷达图像融合的智能车障碍物检测方法 |
CN115620263B (zh) * | 2022-10-25 | 2023-08-15 | 四川吉利学院 | 基于摄像机和激光雷达图像融合的智能车障碍物检测方法 |
CN115598656A (zh) * | 2022-12-14 | 2023-01-13 | 成都运达科技股份有限公司(Cn) | 基于悬挂轨道的障碍物检测方法、装置及系统 |
CN116206265A (zh) * | 2023-05-05 | 2023-06-02 | 昆明轨道交通四号线土建项目建设管理有限公司 | 用于轨道交通运营维护的防护报警装置及方法 |
CN116834802A (zh) * | 2023-07-03 | 2023-10-03 | 湖北空间智能技术有限公司 | 一种运营列车轨道侵入物检测定位方法、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113568002A (zh) | 基于激光和图像数据融合的轨道交通主动障碍物检测装置 | |
CN111369541B (zh) | 一种智能汽车恶劣天气条件下车辆检测方法 | |
US10061023B2 (en) | Object detection apparatus and method | |
JP6593588B2 (ja) | 物体検出装置および物体検出方法 | |
CN110077399A (zh) | 一种基于道路标线、车轮检测融合的车辆防碰撞方法 | |
CN109703460B (zh) | 多摄像头的复杂场景自适应车辆碰撞预警装置及预警方法 | |
CN109001743B (zh) | 有轨电车防撞系统 | |
CN112406960B (zh) | 一种地铁用多传感器融合的主动防撞系统和方法 | |
CN112693466A (zh) | 一种车辆环境感知传感器性能测评系统及方法 | |
CN110065494A (zh) | 一种基于车轮检测的车辆防碰撞方法 | |
CN112950678A (zh) | 一种基于车路协同的超视距融合感知系统 | |
CN114415171A (zh) | 一种基于4d毫米波雷达的汽车可行驶区域检测方法 | |
CN104778444A (zh) | 道路场景下车辆图像的表观特征分析方法 | |
CN113850102B (zh) | 基于毫米波雷达辅助的车载视觉检测方法及系统 | |
CN113799852B (zh) | 一种支持动态模式切换的智能主动障碍物识别防护方法 | |
CN205601867U (zh) | 列车接触网检测装置 | |
CN110816527A (zh) | 一种车载夜视安全方法和系统 | |
Kapoor et al. | Deep learning based object and railway track recognition using train mounted thermal imaging system | |
CN208847836U (zh) | 有轨电车防撞系统 | |
CN214240771U (zh) | 一种列车障碍物探测装置及系统 | |
CN111862621B (zh) | 多类型适配的黑烟车智能抓拍系统 | |
CN114863695B (zh) | 一种基于车载激光和摄像机的超标车辆检测系统和方法 | |
CN115713523A (zh) | 一种高速公路场景事件监测系统及方法 | |
CN114445791A (zh) | 一种基于机器视觉与激光雷达的路侧数据采集及车辆控制集成系统 | |
Yu et al. | LiDAR target fusion and algorithm detection based on improved YOLO |
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 |