CN113758495B - 一种基于矿山无人驾驶的寻路方法 - Google Patents
一种基于矿山无人驾驶的寻路方法 Download PDFInfo
- Publication number
- CN113758495B CN113758495B CN202111064031.XA CN202111064031A CN113758495B CN 113758495 B CN113758495 B CN 113758495B CN 202111064031 A CN202111064031 A CN 202111064031A CN 113758495 B CN113758495 B CN 113758495B
- Authority
- CN
- China
- Prior art keywords
- path
- mine
- local
- preselected
- paths
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000004458 analytical method Methods 0.000 claims abstract description 35
- 239000007788 liquid Substances 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 10
- 230000008859 change Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012876 topography Methods 0.000 description 3
- 206010050637 Skin tightness Diseases 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Navigation (AREA)
Abstract
本发明涉及无人驾驶相关技术,公开了一种基于矿山无人驾驶的寻路方法,通过以终点位置信息作为引导,并根据对周边矿山环境信息的获取以及高度差的连续性分析,实现获取车辆能够前进的道路并引导车辆前进的目的,且通过对矿车车辆驶过的路径进行地面强度数据的采集和安全评级,实现了对矿山中各处可行驶路径的安全性进行记录和存储,从而获取一个能够被不断自动更新和扩展的矿山车辆行进道路图,相较于现有技术,能够无需人员参与而对未知的矿山进行良好的勘测和开发,解决了现有技术只能依附于平坦人造路面寻路前进的限制性,能够更好的应用于各种高危工业场所。
Description
技术领域
本发明涉及无人驾驶相关技术领域,具体是一种基于矿山无人驾驶的寻路方法。
背景技术
随着经济与科学技术的快速发展,近年来,无人驾驶逐渐成为各项技术中的主流话题之一,也被逐渐的开始被应用于生活生产的方方面面,如自动驾驶汽车、自动泊车技术和扫地机器人等,这些设备或技术都有着无人自动驾驶的功能。
现有技术中的无人驾驶技术在使用时,其更多面向的使用场景多为固定且连续的,例如平坦的路面或是室内地面空间,因此传统无人驾驶技术在使用时的寻路方法多为确定的路径引导式,即可以在平坦的行进面(如路面室内地面等)内通过统一的既定的路径引导车辆完成无人驾驶给过程,而车辆自身的寻路系统在进行驱动车辆自动驾驶的过程中仅需要对路障的判定和躲避,便可以完成整个行驶的过程。
但现有技术的寻路系统仅适用于环境友好且基本无地形变化的人造轨道和路面中,无法应对例如矿山等地势复杂,且随着时间变化地势可能改变的自然环境,而随着无人驾驶技术的逐渐成熟,将无人驾驶技术应用于这种具有较高人员安全风险的工作场景是十分有必要的。
发明内容
本发明的目的在于提供一种基于矿山无人驾驶的寻路方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种基于矿山无人驾驶的寻路方法,其特征在于,包含以下步骤:
获取终点位置信息,并根据矿车车辆的当前位置生成起点位置信息,访问预设的安全路径库,并根据所述起点位置信息与终点位置信息生成初始寻路路径,所述初始寻路路径为直线路径与安全路径的组合路径;
采集所述当前位置四周预设范围内的矿山环境信息,所述矿山环境信息包括高度数据以及液体分布数据,根据所述矿山环境信息生成矿山局部的孪生模型,对所述孪生模型进行高度的连续性分析,生成数条局部预选路径,根据所述初始寻路路径对数条所述局部预选路径进行路径夹角比对,根据所述路径夹角最小的所述局部预选路径引导矿车车辆,并更新所述初始寻路路径;
采集并获取地面强度信息,所述地面强度信息用于表征引导矿车车辆的所述局部预选路径的路面的安全程度;
根据所述地面强度信息对所述局部预选路径进行安全指数评级,生成安全评级结果,若所述评级结果为安全,则将所述局部预选路径在安全路径库中作为安全路径存储,若评级结果为不安全,则将所述局部预选路径进行危险标记并在危险路径库中存储。
作为本发明的进一步方案:所述安全路径库以及危险路径库均以所述孪生模型的方式存储所述安全路径以及所述危险路径。
作为本发明的再进一步方案:所述采集所述当前位置四周预设范围内的矿山环境信息的步骤包括:
采集所述初始寻路路径两侧90度范围内的矿山环境信息,所述矿山环境信息为第一预选范围信息;
采集所述初始寻路路径两侧90度至180度范围内的矿山环境信息,所述矿山环境信息为第二预选范围信息,所述第一预选范围信息的使用优先级大于所述第二预选范围信息,当使用所述第一预选范围信息未生成局部预选路径时,则使用所述第二预选范围信息。
作为本发明的再进一步方案:所述根据所述矿山环境信息生成矿山局部的孪生模型,对所述孪生模型进行高度的连续性分析,生成数条局部预选路径的步骤具体包括:
读取所述矿山环境信息,根据所述矿山环境信息生成矿山局部的孪生模型;
以所述当前位置为圆心半径方向为坐标建立圆形坐标系;
以预设的坐标间隔建立分析圆环;
将所述分析圆环上每一点的高度数据分别与上一个所述分析圆环上的高度数据在半径方向上对应做差,生成连续分析差值;
对所述液体分布数据进行分析,所述液体分布数据包括深度数据,若所述分析圆环上某一点的液体深度大于预设的深度阈值,则将该点对应的所述连续分析差值设为正无穷;
根据预设的行进连续阈值对所述连续分析差值进行判定,生成多个局部预选路径,所述行进连续阈值为所述矿车车辆行进中可通过的最大连续分析差值。
作为本发明的再进一步方案:所述根据所述初始寻路路径对数条所述局部预选路径进行路径夹角比对,根据所述路径夹角最小的所述局部预选路径引导矿车车辆的步骤具体包括:
依次获取所述局部预选路径,并获取所述局部预选路径与所述初始寻路路径的路径夹角;
对数个所述局部预选路径的路径夹角进行大小比对,并生成大小排序;
读取所述路径夹角最小的所述局部预选路径,并根据所述局部预选路径引导矿车车辆。
作为本发明的再进一步方案:所述读取所述路径夹角最小的所述局部预选路径,并根据所述局部预选路径引导矿车车辆的步骤具体还包括以下判断步骤:
将所述局部预选路径与危险路径库进行比对判定;
若所述局部预选路径设有危险标记,则删除该局部预选路径的大小排序并读取所述路径夹角最小的所述局部预选路径。
作为本发明的再进一步方案:所述地面强度信息包括陷入深度以及表层紧度,所述陷入深度用于表征所述矿车车辆的车轮陷入地表的深度,所述表层紧度用于表征所述车辆陷入地表后,地表的表层松紧程度。
作为本发明的再进一步方案:所述矿车车辆通过所述安全路径引导时,采集地面强度信息并进行所述安全指数评级生成安全评级结果,若所述安全评级结果为不安全,则将所述安全路径在所述安全路径库中删除并在所述危险路径库中存储。
与现有技术相比,本发明的有益效果是:通过以终点位置信息作为引导,并根据对周边矿山环境信息的获取以及高度差的连续性分析,实现获取车辆能够前进的道路并引导车辆前进的目的,且通过对矿车车辆驶过的路径进行地面强度数据采集和安全评级,实现了对矿山中各处可行驶路径的安全性进行记录和存储,从而实现一个能够被不断自动更新和扩展的矿山车辆行进道路图,相较于现有技术,能够无需人员参与而对未知的矿山进行良好的勘测和开发,解决了现有技术只能依附于平坦人造基面寻路前进的限制性,能够更好的应用于各种高危工业场所。
附图说明
图1为一种基于矿山无人驾驶的寻路方法的流程框图。
图2为一种基于矿山无人驾驶的寻路方法中获取矿山环境信息的分部图。
图3为一种基于矿山无人驾驶的寻路方法中生成预选路径的流程框图。
图4为一种基于矿山无人驾驶的寻路方法中选择夹角最小局部预选路径的判断过程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
以下结合具体实施例对本发明的具体实现方式进行详细描述。
如图1所述,为本发明一个实施例提供的一种基于矿山无人驾驶的寻路方法,包括以下步骤:
S200,获取终点位置信息,并根据矿车车辆的当前位置生成起点位置信息,访问预设的安全路径库,并根据所述起点位置信息与终点位置信息生成初始寻路路径,所述初始寻路路径为直线路径与安全路径的组合路径。
本实施例中,在这一步骤中,是无人驾驶系统根据起点位置信息(也就是矿车车辆当前的所在地点)和终点位置信息生成初始路径的步骤,这里的安全路径库初始是空白的,也就是对应矿山未被开发或是未被完全开发的情况下,并没有大量的可供使用的道路数据,因此这里的初始寻路路径是直线路径(或者说是空白路径,即引导矿车车辆朝向一个方向以及目的地去运动),而当具有一定次数的矿车车辆运行记录的数据之后,安全路径库便会存储一定数量和长度的安全路径,此时初始寻路路径便是依附于这些安全路径所生成的(包括或被包括这些安全路径)。
S400,采集所述当前位置四周预设范围内的矿山环境信息,所述矿山环境信息包括高度数据以及液体分布数据,根据所述矿山环境信息生成矿山局部的孪生模型,对所述孪生模型进行高度的连续性分析,生成数条局部预选路径,根据所述初始寻路路径对数条所述局部预选路径进行路径夹角比对,根据所述路径夹角最小的所述局部预选路径引导矿车车辆,并更新所述初始寻路路径。
本实施例中,是主动寻路的主要步骤之一,这里所采用的方式是通过对周边环境进行采集(这里主要是对高度信息的采集以及液体固体的区分),然后根据这些信息便够以数个Z轴的高度数据构件一个图纸(孪生模型),且图纸上具有对液体(主要指的是水体)进行了区分标注,当然这里的图纸并非是完全连续的,而是由数个竖直柱体构成的,即在平面内是具有一定的分辨率的(例如构成图纸的每个柱体为10cm*10cm的正方体或半径为5的圆柱体(这里将图纸理解为立体结构进行说明)),然后在自动寻路时,将初始寻路路径的方向作为引导方向,对图纸进行高度的连续性分析指的是对图纸上的Z轴数据进行分析,与当前位置的起点位置信息中的高度信息进行分析判定,在一个方向上的高度差小于预设的一定数值时,则判定为改方向是可通行的,也就代表着矿车车辆能够安全的在这着高度差间行驶,或理解为可以爬上开下这个坡度,在分析后,必然会具有多个这样的方向(即局部预选路径)这时通过选择与引导方向夹角最小的方向作为前进方向,驱使车辆前进,在车辆运动后,初始寻路路径便随着车辆当前位置变化得到更新。
S600,采集并获取地面强度信息,所述地面强度信息用于表征引导矿车车辆的所述局部预选路径的路面的安全程度。
本实施例中,这一步骤是在车辆的行进过程中采集的,例如可以通过在车辆底部或是轮胎上设置传感器以完成,通过采集地面强度信息可以实现在通过该处道路一次后对道路进行安全性判定,确定这一部分的道路是否安全,能够供矿车车辆的安全行驶通过。
S800,根据所述地面强度信息对所述局部预选路径进行安全指数评级,生成安全评级结果,若所述评级结果为安全,则将所述局部预选路径在安全路径库中作为安全路径存储,若评级结果为不安全,则将所述局部预选路径进行危险标记并在危险路径库中存储。
本实施例中,这一步骤是对步骤S600的补充处理内容,这里需要根据地面强度信息对地面进行一个安全指数评级的判定,这里的评级判定标准是根据矿车车辆的自身信息以及载物等多种需求所预设制定的,如果在评级判定中判定为安全,则在安全路径库中存储,若不安全则在危险路径库中存储,均用于后续车辆的运行寻轮参考使用,这里的安全路径库以及危险路径库均是以孪生模型的状态存在的,即安全路径库以及危险路径库均是用于补充孪生模型中的路径信息的。
作为本发明另一个优选的实施例,所述安全路径库以及危险路径库均以所述孪生模型的方式存储所述安全路径以及所述危险路径。
本实施例中,这里的安全路径库以及危险路径库均是以孪生模型的状态存储信息的,即可以理解为安全路径库以及危险路径库均是用于补充孪生模型中的路径信息的,通过矿车车辆的不断寻路与形式,扩展更新地图。
如图2所示,作为本发明另一个优选的实施例,所述采集所述当前位置四周预设范围内的矿山环境信息的步骤包括:
S411,采集所述初始寻路路径两侧90度范围内的矿山环境信息,所述矿山环境信息为第一预选范围信息;
S412,采集所述初始寻路路径两侧90度至180度范围内的矿山环境信息,所述矿山环境信息为第二预选范围信息,所述第一预选范围信息的使用优先级大于所述第二预选范围信息,当使用所述第一预选范围信息未生成局部预选路径时,则使用所述第二预选范围信息。
本实施例中,这样的设置方式可以大大的降低对数据采集的计算量,加快相关程序对数据处理生成结果的处理效率,可以有效的降低寻路全程所消耗的时间(对于某一节点而言,其时间耗费可能会与不分区处理的方式持平或是长于,但在目的地方向确定的情况下,节省的时间是远远大于浪费时间的)。
如图3所示,作为本发明另一个优选的实施例,所述根据所述矿山环境信息生成矿山局部的孪生模型,对所述孪生模型进行高度的连续性分析,生成数条局部预选路径的步骤具体包括:
S421,读取所述矿山环境信息,根据所述矿山环境信息生成矿山局部的孪生模型。
S422,以所述当前位置为圆心半径方向为坐标建立圆形坐标系。
S423,以预设的坐标间隔建立分析圆环。
S424,将所述分析圆环上每一点的高度数据分别与上一个所述分析圆环上的高度数据在半径方向上对应做差,生成连续分析差值。
S425,对所述液体分布数据进行分析,所述液体分布数据包括深度数据,若所述分析圆环上某一点的液体深度大于预设的深度阈值,则将该点对应的所述连续分析差值设为正无穷。
S426,根据预设的行进连续阈值对所述连续分析差值进行判定,生成多个局部预选路径,所述行进连续阈值为所述矿车车辆行进中可通过的最大连续分析差值。
本实施例中,是对根据所述矿山环境信息生成矿山局部的孪生模型,对所述孪生模型进行高度的连续性分析,生成数条局部预选路径步骤的说明,这一步骤的主要内容就是对采集到的矿山环境信息进行地面高度差的计算处理和判断,也就是判断在单位距离上地面的高度变化情况,若是在单位距离上地面的高度变化较大,超出了矿车车辆的正常行驶范围,则不可以作为车辆的行驶方向,反之则表示矿车车辆可以前进,即可以生成局部预选路径。
作为本发明另一个优选的实施例,所述根据所述初始寻路路径对数条所述局部预选路径进行路径夹角比对,根据所述路径夹角最小的所述局部预选路径引导矿车车辆的步骤具体包括:
依次获取所述局部预选路径,并获取所述局部预选路径与所述初始寻路路径的路径夹角。
对数个所述局部预选路径的路径夹角进行大小比对,并生成大小排序。
读取所述路径夹角最小的所述局部预选路径,并根据所述局部预选路径引导矿车车辆。
本实施例中,对最终判断选取局部预选路径的步骤进行了说明,选取的依据是与初始寻路路径夹角最小的局部预选路径,之所以采用这样的选择方式,是为了使得矿车车辆能够始终在朝向终点位置前进,避免随机选择造成的绕路情况发生,可有效的降低最终的行进路程。
如图4所示,作为本发明另一个优选的实施例,所述读取所述路径夹角最小的所述局部预选路径,并根据所述局部预选路径引导矿车车辆的步骤具体还包括以下判断步骤:
将所述局部预选路径与危险路径库进行比对判定。
若所述局部预选路径设有危险标记,则删除该局部预选路径的大小排序并读取所述路径夹角最小的所述局部预选路径。
本实施例中,这一步骤对决定选择局部预选路径引导矿车车辆前进的步骤进行了判定补充,这里在选择局部预选路径后需要对其进行安全判定,即是否是已经被记录的并不安全的路径,如果是,则不选择该局部预选路径,退其次选择夹角略大的另一个局部预选路径(当然也会进行判断),以降低车辆行进过程意外事故的发生概率。
作为本发明另一个优选的实施例,所述地面强度信息包括陷入深度以及表层紧度,所述陷入深度用于表征所述矿车车辆的车轮陷入地表的深度,所述表层紧度用于表征所述车辆陷入地表后,地表的表层松紧程度。
本实施例中,是对地表强度信息的具体说明,通过陷入深度和表层紧度可以对该区域的安全性进行一定的判断,从而经过处理后可以对安全的和不安全的区域进行标记,方便后续矿车车辆的寻路选择。
作为本发明另一个优选的实施例,所述矿车车辆通过所述安全路径引导时,采集地面强度信息并进行所述安全指数评级生成安全评级结果,若所述安全评级结果为不安全,则将所述安全路径在所述安全路径库中删除并在所述危险路径库中存储。
本实施例中,这一步骤是安全路径库的更新步骤,随着时间的变化和道路的使用,路况是在变化的,因此当原本安全的路径不在安全时,需要将其进行删除,保证后续车辆再进行寻路时,能够选择更加安全的道路前进。
应该理解的是,虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本领域技术人员在考虑说明书及实施例处的公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (7)
1.一种基于矿山无人驾驶的寻路方法,其特征在于,包含以下步骤:
获取终点位置信息,并根据矿车车辆的当前位置生成起点位置信息,访问预设的安全路径库,并根据所述起点位置信息与终点位置信息生成初始寻路路径,所述初始寻路路径为直线路径与安全路径的组合路径;
采集所述当前位置四周预设范围内的矿山环境信息,所述矿山环境信息包括高度数据以及液体分布数据,根据所述矿山环境信息生成矿山局部的孪生模型,对所述孪生模型进行高度的连续性分析,生成数条局部预选路径,根据所述初始寻路路径对数条所述局部预选路径进行路径夹角比对,根据所述路径夹角最小的所述局部预选路径引导矿车车辆,并更新所述初始寻路路径;
采集并获取地面强度信息,所述地面强度信息用于表征引导矿车车辆的所述局部预选路径的路面的安全程度;
根据所述地面强度信息对所述局部预选路径进行安全指数评级,生成安全评级结果,若所述评级结果为安全,则将所述局部预选路径在安全路径库中作为安全路径存储,若评级结果为不安全,则将所述局部预选路径进行危险标记并在危险路径库中存储;
其中,所述根据所述矿山环境信息生成矿山局部的孪生模型,对所述孪生模型进行高度的连续性分析,生成数条局部预选路径的步骤具体包括:读取所述矿山环境信息,根据所述矿山环境信息生成矿山局部的孪生模型;以所述当前位置为圆心半径方向为坐标建立圆形坐标系;以预设的坐标间隔建立分析圆环;将所述分析圆环上每一点的高度数据分别与上一个所述分析圆环上的高度数据在半径方向上对应做差,生成连续分析差值;对所述液体分布数据进行分析,所述液体分布数据包括深度数据,若所述分析圆环上某一点的液体深度大于预设的深度阈值,则将该点对应的所述连续分析差值设为正无穷;根据预设的行进连续阈值对所述连续分析差值进行判定,生成多个局部预选路径,所述行进连续阈值为所述矿车车辆行进中可通过的最大连续分析差值。
2.根据权利要求1所述的一种基于矿山无人驾驶的寻路方法,其特征在于,所述安全路径库以及危险路径库均以所述孪生模型的方式存储所述安全路径以及危险路径。
3.根据权利要求1所述的一种基于矿山无人驾驶的寻路方法,其特征在于,所述采集所述当前位置四周预设范围内的矿山环境信息的步骤包括:
采集所述初始寻路路径两侧90度范围内的矿山环境信息,所述矿山环境信息为第一预选范围信息;
采集所述初始寻路路径两侧90度至180度范围内的矿山环境信息,所述矿山环境信息为第二预选范围信息,所述第一预选范围信息的使用优先级大于所述第二预选范围信息,当使用所述第一预选范围信息未生成局部预选路径时,则使用所述第二预选范围信息。
4.根据权利要求1所述的一种基于矿山无人驾驶的寻路方法,其特征在于,所述根据所述初始寻路路径对数条所述局部预选路径进行路径夹角比对,根据所述路径夹角最小的所述局部预选路径引导矿车车辆的步骤具体包括:
依次获取所述局部预选路径,并获取所述局部预选路径与所述初始寻路路径的路径夹角;
对数个所述局部预选路径的路径夹角进行大小比对,并生成大小排序;
读取所述路径夹角最小的所述局部预选路径,并根据所述局部预选路径引导矿车车辆。
5.根据权利要求4所述的一种基于矿山无人驾驶的寻路方法,其特征在于,所述读取所述路径夹角最小的所述局部预选路径,并根据所述局部预选路径引导矿车车辆的步骤具体还包括以下判断步骤:
将所述局部预选路径与危险路径库进行比对判定;
若所述局部预选路径设有危险标记,则删除该局部预选路径的大小排序并读取所述路径夹角最小的所述局部预选路径。
6.根据权利要求1所述的一种基于矿山无人驾驶的寻路方法,其特征在于,所述地面强度信息包括陷入深度以及表层紧度,所述陷入深度用于表征所述矿车车辆的车轮陷入地表的深度,所述表层紧度用于表征所述车辆陷入地表后,地表的表层松紧程度。
7.根据权利要求6所述的一种基于矿山无人驾驶的寻路方法,其特征在于,所述矿车车辆通过所述安全路径引导时,采集地面强度信息并进行所述安全指数评级生成安全评级结果,若所述安全评级结果为不安全,则将所述安全路径在所述安全路径库中删除并在所述危险路径库中存储。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111064031.XA CN113758495B (zh) | 2021-09-10 | 2021-09-10 | 一种基于矿山无人驾驶的寻路方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111064031.XA CN113758495B (zh) | 2021-09-10 | 2021-09-10 | 一种基于矿山无人驾驶的寻路方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113758495A CN113758495A (zh) | 2021-12-07 |
CN113758495B true CN113758495B (zh) | 2023-11-14 |
Family
ID=78794998
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111064031.XA Active CN113758495B (zh) | 2021-09-10 | 2021-09-10 | 一种基于矿山无人驾驶的寻路方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113758495B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114511579B (zh) * | 2022-01-26 | 2024-02-02 | 上海伯镭智能科技有限公司 | 一种多矿车协同数据共享方法及装置 |
CN114323027B (zh) * | 2022-03-12 | 2022-05-27 | 广州市企通信息科技有限公司 | 一种基于多源异构数据处理的数据分析系统及方法 |
CN114815850B (zh) * | 2022-05-25 | 2023-02-03 | 上海伯镭智能科技有限公司 | 一种无人驾驶矿车自主装卸方法及系统 |
CN115239203B (zh) * | 2022-09-19 | 2023-01-03 | 上海伯镭智能科技有限公司 | 一种无人驾驶矿车的资源优先分配方法及装置 |
CN116588087B (zh) * | 2023-07-14 | 2023-09-29 | 上海伯镭智能科技有限公司 | 基于多模态数据的无人驾驶矿车装卸点停靠方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101409323B1 (ko) * | 2013-03-19 | 2014-07-02 | 국방과학연구소 | 무인자율차량 및 이의 동적환경 주행경로생성방법 |
JP2014238875A (ja) * | 2014-08-07 | 2014-12-18 | 株式会社小松製作所 | 鉱山機械の管理システム |
WO2015025587A1 (ja) * | 2013-08-22 | 2015-02-26 | 日立建機株式会社 | 鉱山車両及び鉱山車両の管理システム |
JP2019044538A (ja) * | 2017-09-06 | 2019-03-22 | 日立建機株式会社 | 路面状況演算装置及び鉱山の路面管理システム |
CN109633777A (zh) * | 2018-11-19 | 2019-04-16 | 华能伊敏煤电有限责任公司 | 基于重型卡车数据分析的矿山道路勘查方法及系统 |
CN110333714A (zh) * | 2019-04-09 | 2019-10-15 | 武汉理工大学 | 一种无人驾驶汽车路径规划方法和装置 |
CN112700639A (zh) * | 2020-12-07 | 2021-04-23 | 电子科技大学 | 一种基于联邦学习与数字孪生的智能交通路径规划方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5303798B2 (ja) * | 2010-07-16 | 2013-10-02 | 株式会社小松製作所 | 無人車両の走行システムおよびその走行制御方法 |
-
2021
- 2021-09-10 CN CN202111064031.XA patent/CN113758495B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101409323B1 (ko) * | 2013-03-19 | 2014-07-02 | 국방과학연구소 | 무인자율차량 및 이의 동적환경 주행경로생성방법 |
WO2015025587A1 (ja) * | 2013-08-22 | 2015-02-26 | 日立建機株式会社 | 鉱山車両及び鉱山車両の管理システム |
JP2014238875A (ja) * | 2014-08-07 | 2014-12-18 | 株式会社小松製作所 | 鉱山機械の管理システム |
JP2019044538A (ja) * | 2017-09-06 | 2019-03-22 | 日立建機株式会社 | 路面状況演算装置及び鉱山の路面管理システム |
CN109633777A (zh) * | 2018-11-19 | 2019-04-16 | 华能伊敏煤电有限责任公司 | 基于重型卡车数据分析的矿山道路勘查方法及系统 |
CN110333714A (zh) * | 2019-04-09 | 2019-10-15 | 武汉理工大学 | 一种无人驾驶汽车路径规划方法和装置 |
CN112700639A (zh) * | 2020-12-07 | 2021-04-23 | 电子科技大学 | 一种基于联邦学习与数字孪生的智能交通路径规划方法 |
Non-Patent Citations (1)
Title |
---|
矿区道路线形参数对矿山运输车辆行驶稳定性的影响研究;王莉;;长安大学学报(自然科学版);第35卷(第S1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113758495A (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113758495B (zh) | 一种基于矿山无人驾驶的寻路方法 | |
CN111426330B (zh) | 路径生成方法和设备、无人化运输系统和存储介质 | |
CN106225791B (zh) | 一种基于网格划分的gps定位与道路匹配方法 | |
CN106441303A (zh) | 一种基于可搜索连续邻域a*算法的路径规划方法 | |
JP2022501743A (ja) | 道路特徴点抽出方法及びシステム | |
CN104268862A (zh) | 一种自主车三维地形可通行性分析方法 | |
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 | |
CN112734176B (zh) | 一种充电站建站方法、装置、终端设备和可读存储介质 | |
CN112783169A (zh) | 一种路径规划方法、设备及计算机可读存储介质 | |
CN112977443B (zh) | 一种井下无人驾驶无轨胶轮车的路径规划方法 | |
CN113804209B (zh) | 一种四角格网高精度长距离越野路径规划方法 | |
CN112633590B (zh) | 一种用于四向穿梭车的智能入库方法及系统 | |
CN113654556A (zh) | 一种基于改进em算法的局部路径规划方法、介质及设备 | |
CN112732844B (zh) | 将道路对象与道路自动关联的方法、装置、设备和介质 | |
Shi et al. | LiDAR localization at 100 FPS: a map-aided and template descriptor-based global method | |
CN116385688B (zh) | 三维巷道模型快速构建方法、装置、计算机设备及介质 | |
CN116150928B (zh) | 基于蒙特卡洛模拟的道路纵断面智能生成优化的方法 | |
CN114061612B (zh) | 一种无人驾驶矿车的弯道角度生成方法及装置 | |
CN115060281B (zh) | 一种基于voronoi图的全局路径引导点生成规划方法 | |
CN111210628B (zh) | 城市可达区域计算中的边界路段选择方法及装置 | |
CN115792958A (zh) | 一种基于3d激光雷达的无人矿车障碍物检测方法 | |
CN114281915B (zh) | 一种生成几何路网的方法、装置、设备及存储介质 | |
CN114526751B (zh) | 基于数据可视化的轨迹移动分析系统 | |
CN111599009B (zh) | 一种基于双层图的大尺度已知环境地图创建方法 | |
CN111062086B (zh) | 曲线盾构隧道地层沉降的预测方法、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 |