CN113901951A - 一种无人船自识别及避障方法及装置 - Google Patents
一种无人船自识别及避障方法及装置 Download PDFInfo
- Publication number
- CN113901951A CN113901951A CN202111309229.XA CN202111309229A CN113901951A CN 113901951 A CN113901951 A CN 113901951A CN 202111309229 A CN202111309229 A CN 202111309229A CN 113901951 A CN113901951 A CN 113901951A
- Authority
- CN
- China
- Prior art keywords
- information
- ship
- obstacle avoidance
- route
- identification
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Traffic Control Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
Abstract
本发明提出了一种无人船自识别及避障方法及装置,涉及无人船领域。该无人船自识别及避障方法通过获取无人船周围环境的图片信息;然后将无人船周围环境的图片信息进行图片识别,生成识别结果;根据识别结果中的船只信息获取对应船只的运行信息;根据船只的运行信息采用预置的LSTM航迹预测模型进行预测,生成船只位置信息;将船只位置信息输入到预置的避障模型中,生成避障区域信息;最后根据避障区域信息对无人船的当前运行路线进行调整,生成避障路线信息,通过避障区域信息得到的避障路线信息是考虑了障碍船只运动趋势进行避障得到的,所以就不会带来潜在的障撞风险,提高了无人船的行驶安全性。
Description
技术领域
本发明涉及无人船领域,具体而言,涉及一种无人船自识别及避障方法及装置。
背景技术
无人船避障技术可分为三个阶段,一是感知障碍物阶段;二是绕过障碍物阶段;三是场景建模和路径搜索阶段。这三个阶段其实是无人船避障技术的作用过程,从无人船发现障碍物,到可以自动绕开障碍物,再达到自我规划路径的过程。
目前的无人船常用避障算法如VFH避障算法、速度障碍法等应用于实际避障过程时都是基于障碍船舶当前的传感信息做出避障动作,而没有考虑障碍船舶未来可能的运动趋势,在动态避障过程中可能会带来潜在的障撞危险。
发明内容
本发明的目的在于提供一种无人船自识别及避障方法及装置,用以改善现有技术中都是基于障碍船舶当前的传感信息做出避障动作,而没有考虑障碍船舶未来可能的运动趋势,在动态避障过程中可能会带来潜在的障撞危险的问题。
第一方面,本申请实施例提供一种无人船自识别及避障方法,其包括以下步骤:
获取无人船周围环境的图片信息;
将无人船周围环境的图片信息进行图片识别,生成识别结果;
根据识别结果中的船只信息获取对应船只的运行信息;
根据船只的运行信息采用预置的LSTM航迹预测模型进行预测,生成船只位置信息;
将船只位置信息输入到预置的避障模型中,生成避障区域信息;
根据避障区域信息对无人船的当前运行路线进行调整,生成避障路线信息。
上述实现过程中,通过获取无人船周围环境的图片信息;然后将无人船周围环境的图片信息进行图片识别,生成识别结果;根据识别结果中的船只信息获取对应船只的运行信息;根据船只的运行信息采用预置的LSTM航迹预测模型进行预测,生成船只位置信息;从而得到预测的船只位置,将船只位置信息输入到预置的避障模型中,生成避障区域信息;生成的避障区域信息既包括了基于船只当前的位置信息得到的避障区域,也包括了采用LSTM航迹预测模型进行预测得到的未来可能的运动区域,最后根据避障区域信息对无人船的当前运行路线进行调整,生成避障路线信息,因此通过避障区域信息得到的避障路线信息是考虑了障碍船只运动趋势进行避障得到的,所以就不会带来潜在的障撞风险,提高了无人船的行驶安全性。
基于第一方面,在本发明的一些实施例中,根据识别结果中的船只信息获取对应船只的运行信息的步骤包括以下步骤:
判断识别结果是否包括船只信息,若是,则获取对应船只的运行信息;若否,则结束。
基于第一方面,在本发明的一些实施例中,根据船只的运行信息采用预置的LSTM航迹预测模型进行预测,生成障碍船只位置信息的步骤包括以下步骤:
根据船只的运行信息中的时刻数据对运行信息进行归一化处理,生成预处理数据;
将预处理数据输入到预置的LSTM航迹预测模型中进行预测,生成船只位置信息。
基于第一方面,在本发明的一些实施例中,将船只位置信息输入到预置的避障模型中,生成避障区域信息的步骤包括以下步骤:
将船只位置信息输入到预置的避障模型中;
预置的避障模型根据船只位置信息中的当前位置信息与无人船的位置信息建立第一碰撞区域;
预置的避障模型根据船只位置信息中的预测位置信息与无人船的位置信息建立第一碰撞区域建立第二碰撞区域;
预置的避障模型将第一碰撞区域与第二碰撞区域进行并集计算,生成避障区域信息。
基于第一方面,在本发明的一些实施例中,根据避障区域信息对无人船的当前运行路线进行调整,生成避障路线信息的步骤包括以下步骤:
提取无人船当前的运行路线信息;
将当前的运行路线信息与避障区域信息进行对比,生成对比结果;
根据对比结果判断是否进行路线调整,若是,则调整当前无人船的运行路线,生成避障路线信息;若否,则结束。
基于第一方面,在本发明的一些实施例中,还包括以下步骤:
获取无人船当前的位置信息;
将当前的位置信息和预置的目标位置信息输入到预置的路线规划模型中,得到多个推荐路线信息;
根据避障区域信息对多个推荐路线信息进行筛选,得到多条没有与避障区域信息重合的推荐路线信息;
将多条没有与避障区域信息重合的推荐路线信息按照路径长度进行排序,得到最短的没有与避障区域信息重合的推荐路线信息并作为避障路线信息。
第二方面,本申请实施例提供一种无人船自识别及避障装置,包括:
图片信息获取模块,用于获取无人船周围环境的图片信息;
识别模块,用于将无人船周围环境的图片信息进行图片识别,生成识别结果;
障碍信息获取模块,用于根据识别结果中的船只信息获取对应船只的运行信息;
位置预测模块,用于根据船只的运行信息采用预置的LSTM航迹预测模型进行预测,生成船只位置信息;
避障区域生成模块,用于将船只位置信息输入到预置的避障模型中,生成避障区域信息;
避障路线生成模块,用于根据避障区域信息对无人船的当前运行路线进行调整,生成避障路线信息。
上述实现过程中,通过图片信息获取模块获取无人船周围环境的图片信息;然后识别模块将无人船周围环境的图片信息进行图片识别,生成识别结果;障碍信息获取模块根据识别结果中的船只信息获取对应船只的运行信息;位置预测模块根据船只的运行信息采用预置的LSTM航迹预测模型进行预测,生成船只位置信息;从而得到预测的船只位置,避障区域生成模块将船只位置信息输入到预置的避障模型中,生成避障区域信息;生成的避障区域信息既包括了基于船只当前的位置信息得到的避障区域,也包括了采用LSTM航迹预测模型进行预测得到的未来可能的运动区域,最后避障路线生成模块根据避障区域信息对无人船的当前运行路线进行调整,生成避障路线信息,因此通过避障区域信息得到的避障路线信息是考虑了障碍船只运动趋势进行避障得到的,所以就不会带来潜在的障撞风险,提高了无人船的行驶安全性。
基于第二方面,在本发明的一些实施例中,障碍信息获取模块包括:
判断单元,用于判断识别结果是否包括船只信息,若是,则获取对应船只的运行信息;若否,则结束。
第三方面,本申请实施例提供一种电子设备,其包括存储器,用于存储一个或多个程序;处理器。当一个或多个程序被处理器执行时,实现如上述第一方面中任一项的方法。
第四方面,本申请实施例提供一种计算机可读存储介质,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如上述第一方面中任一项的方法。
本发明实施例至少具有如下优点或有益效果:
本发明实施例提供一种无人船自识别及避障方法及装置,通过获取无人船周围环境的图片信息;然后将无人船周围环境的图片信息进行图片识别,生成识别结果;根据识别结果中的船只信息获取对应船只的运行信息;根据船只的运行信息采用预置的LSTM航迹预测模型进行预测,生成船只位置信息;从而得到预测的船只位置,将船只位置信息输入到预置的避障模型中,生成避障区域信息;生成的避障区域信息既包括了基于船只当前的位置信息得到的避障区域,也包括了采用LSTM航迹预测模型进行预测得到的未来可能的运动区域,最后根据避障区域信息对无人船的当前运行路线进行调整,生成避障路线信息,因此通过避障区域信息得到的避障路线信息是考虑了障碍船只运动趋势进行避障得到的,所以就不会带来潜在的障撞风险,提高了无人船的行驶安全性。
附图说明
为了更清楚地说明本发明实施例的技术方案,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发明的某些实施例,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为本发明实施例提供的一种无人船自识别及避障方法流程图;
图2为本发明实施例提供的一种无人船自识别及避障装置结构框图;
图3为本发明实施例提供的一种电子设备的结构框图。
图标:110-图片信息获取模块;120-识别模块;130-障碍信息获取模块;140-位置预测模块;150-避障区域生成模块;160-避障路线生成模块;101-存储器;102-处理器;103-通信接口。
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,显然,所描述的实施例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。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动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。
实施例
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的各个实施例及实施例中的各个特征可以相互组合。
请参看图1,图1为本发明实施例提供的一种无人船自识别及避障方法流程图。该无人船自识别及避障方法,包括以下步骤:
步骤S110:获取无人船周围环境的图片信息;上述获取图片信息可以通过安装在无人船上的摄像头进行实时拍照得到,也可以是后台通过获取到的地图信息提取到的无人船周围环境的图片信息,无人船通过与后台通信,获取到周围环境的图片信息。上述周围环境的图片信息包括水面的环境信息、水下的环境信息。
步骤S120:将无人船周围环境的图片信息进行图片识别,生成识别结果;上述进行图片识别的过程可以采用现有的图像识别技术进行识别,以得到识别结果,上述识别结果包括图片中包括的物体信息、像素信息、距离信息等。例如,将无人船A周围环境的图片信息进行识别得到有船只B;像素为600x600;船只B距离无人船A的距离为15海里。例如,将无人船B周围环境的图片信息进行识别得到有山体B;像素为300x300;山体B距离无人船B的距离为30海里。上述图像识别技术采用现有的图像识别技术就可以实现,在此不再赘述。
步骤S130:根据识别结果中的船只信息获取对应船只的运行信息;
上述根据识别结果中的船只信息获取对应船只的运行信息的步骤包括以下步骤:
判断识别结果是否包括船只信息,若是,则获取对应船只的运行信息;若否,则结束。无人船在航行过程中要避免与其他的船只碰撞,因此需要判断周围环境中是否有其他的船只。如果有船只信息,则认为有障碍物,进而获取对应船只的运行信息。上述对应船只的运行信息包括有对应船只当前的位置信息、对应船只多个时刻的速度信息、对应船只当前的船舶艏向信息等。上述获取对应船只的运行信息可以是通过无人船上设置的雷达进行定位获取对应船只的运行信息。
步骤S140:根据船只的运行信息采用预置的LSTM航迹预测模型进行预测,生成船只位置信息;上述生成船只信息包括有当前位置信息、预测位置信息和无人船的位置信息。上述进行预测的步骤包括有以下步骤:
首先,根据船只的运行信息中的时刻数据对运行信息进行归一化处理,生成预处理数据;上述船只的运行信息中的时刻数据包括n个时刻的数据信息,预置的LSTM航迹预测模型是以多个历史时刻的航迹特征来预测当前时刻的船舶位置,输入的航迹特征包括维度、经度、航速、当前船舶艏向。输出的是下一时刻的船舶位置,包括船舶的维度、经度。上述n的取值可以是4,表示输入前4个时刻的数据信息。为了避免不同特征的数据大小对预测精度产生影响,可以采用离差标准法对输入特征进行归一化处理,从而保证所有的输入特征的范围在0~1之间。上述归一化处理时采用归一化公式对数据进行计算,得到归一化数据就是预处理数据。上述使用的归一化公式为:中,Y为归一化数据,X为原始数据,MIN(X)为原始数据中最小值,MAX(X)为原始数据中最大值。
然后,将预处理数据输入到预置的LSTM航迹预测模型中进行预测,生成船只位置信息。上述预置的LSTM航迹预测模型需要设置隐藏层节点数的参数值,包括隐藏层节点数、输入层节点数、输出层节点数等。LSTM网络的隐藏层节点数会对预测精度造成较大影响,可以采用经验公式进行确定,上述经验公式为:其中,M为隐藏层节点数,n为输入层节点数,m为输出层节点数,a为常数,一般取0~10。根据上述设置的参数值将样本初始数据中的数据向量组进行多层LSTM神经网络计算,生成目标数据,目标数据再带入预置的损失函数表达式中进行计算,得到损失值,根据损失值采用预置的优化器对LSTM神经网络模型进行优化,以生成优化后的LSTM神经网络模型。上述损失函数可以采用均方误差函数。上述预置的LSTM航迹预测模型是以多个历史时刻的航迹特征来预测当前时刻的船舶位置,输入的航迹特征包括维度、经度、航速、当前船舶艏向。输出的是下一时刻的船舶位置,包括船舶的维度、经度。上述LSTM航迹预测模型的建立属于现有技术,在此不再赘述。
步骤S150:将船只位置信息输入到预置的避障模型中,生成避障区域信息;上述生成避障区域的过程包括:
首先,将船只位置信息输入到预置的避障模型中;上述预置的避障模型通过采用速度障碍法进行计算得到碰撞区域。
然后,预置的避障模型根据船只位置信息中的当前位置信息与无人船的位置信息建立第一碰撞区域;上述建立第一碰撞区域包括根据当前位置信息进行膨化后得到椭圆区域,沿椭圆区域做两条切线并与无人船的位置点相交,得到一个圆锥形,这个圆锥形代表了碰撞锥,这个碰撞锥就是第一碰撞区域。
然后,预置的避障模型根据船只位置信息中的预测位置信息与无人船的位置信息建立第一碰撞区域建立第二碰撞区域;上述建立第二碰撞区域包括根据当前位置信息进行膨化后得到虚拟椭圆区域,沿虚拟椭圆区域做两条切线并与无人船的位置点相交,得到一个圆锥形,这个圆锥形代表了碰撞锥,这个碰撞锥就是第二碰撞区域。
最后,预置的避障模型将第一碰撞区域与第二碰撞区域进行并集计算,生成避障区域信息。将上述第一碰撞区域与第二碰撞区域按并集运算叠加起来后可或得一个扩展后的障碍区域,该障碍区域就是避障区域信息。
步骤S160:根据避障区域信息对无人船的当前运行路线进行调整,生成避障路线信息。当无人艇的路线位于该避障区域内时,代表无人船以当前速度行驶时在未来一段时间内存在一段的碰撞危险。上述调整过程主要是指:
首先,提取无人船当前的运行路线信息;上述无人船在运行过程中可以预先设置好运行路线,无人船就根据设置好的运行路线航行。
然后,将当前的运行路线信息与避障区域信息进行对比,生成对比结果;上述对比是指,将当前的运行路线信息与避障区域信息进行匹配,以查看当前的运行路线是否在避障区域内,若在避障区域内,则对比结果为在避障区域内,若不在避障区域内,则对比结果为不在避障区域内。例如,当前的运行路线信息为路线A1,路线A包括BC段、CD段和DE段,其中CD端在避障区域内,因此得到的对比结果为在避障区域内。例如,当前的运行路线信息为路线A2,路线A2包括BD段、DE段和EF段,经过对比,均不在避障区域内,因此得到的对比结果为不在避障区域内。
最后,根据对比结果判断是否进行路线调整,若是,则调整当前无人船的运行路线,生成避障路线信息;若否,则结束。上述判断是指,如果不在避障区域内,则说明不需要进行路线调整,无人船可以按照当前路线行驶,若在避障区域内,则说明会发生碰撞危险,需要作出调整。上述调整路线的过程可以包括以下步骤:
首先,获取无人船当前的位置信息;上述无人船当前的位置信息可以通过无人船上的雷达系统进行定位得到。
然后,将当前的位置信息和预置的目标位置信息输入到预置的路线规划模型中,得到多个推荐路线信息;上述预置的路线规划模型中包括了地图信息,将当前的位置信息作为起始点,预置的目标位置信息作为终点,然后进行路线规划得到多个推荐路线信息。上述路线规划采用现有的路线规划技术可以实现,在此不再赘述。
然后,根据避障区域信息对多个推荐路线信息进行筛选,得到多条没有与避障区域信息重合的推荐路线信息;上述得到的多个推荐路线信息中有些是要经过避障区域的路线,经过筛选将要经过避障区域的路线排出掉,从而得到没有与避障区域信息重合的推荐路线信息。
最后,将多条没有与避障区域信息重合的推荐路线信息按照路径长度进行排序,得到最短的没有与避障区域信息重合的推荐路线信息并作为避障路线信息。上述排序可以是按路径长度从小到大,也可以是按照路径长度从大到小排序。例如,得到没有与避障区域信息重合的推荐路线有路线A、路线B和路线C,路线A的长度为10海里,路线B的长度为9海里,路线C的长度为15海里,经过从小到大排序,得到排序依次为路线B、路线A和路线C,选择路线B作为避障路线信息。
上述实现过程中,通过获取无人船周围环境的图片信息;然后将无人船周围环境的图片信息进行图片识别,生成识别结果;根据识别结果中的船只信息获取对应船只的运行信息;根据船只的运行信息采用预置的LSTM航迹预测模型进行预测,生成船只位置信息;从而得到预测的船只位置,将船只位置信息输入到预置的避障模型中,生成避障区域信息;生成的避障区域信息既包括了基于船只当前的位置信息得到的避障区域,也包括了采用LSTM航迹预测模型进行预测得到的未来可能的运动区域,最后根据避障区域信息对无人船的当前运行路线进行调整,生成避障路线信息,因此通过避障区域信息得到的避障路线信息是考虑了障碍船只运动趋势进行避障得到的,所以就不会带来潜在的障撞风险,提高了无人船的行驶安全性。
基于同样的发明构思,本发明还提出一种无人船自识别及避障装置,请参看图2,图2为本发明实施例提供的一种无人船自识别及避障装置结构框图。该无人船自识别及避障装置包括:
图片信息获取模块110,用于获取无人船周围环境的图片信息;
识别模块120,用于将无人船周围环境的图片信息进行图片识别,生成识别结果;
障碍信息获取模块130,用于根据识别结果中的船只信息获取对应船只的运行信息;
位置预测模块140,用于根据船只的运行信息采用预置的LSTM航迹预测模型进行预测,生成船只位置信息;
避障区域生成模块150,用于将船只位置信息输入到预置的避障模型中,生成避障区域信息;
避障路线生成模块160,用于根据避障区域信息对无人船的当前运行路线进行调整,生成避障路线信息。
上述实现过程中,通过图片信息获取模块110获取无人船周围环境的图片信息;然后识别模块120将无人船周围环境的图片信息进行图片识别,生成识别结果;障碍信息获取模块130根据识别结果中的船只信息获取对应船只的运行信息;位置预测模块140根据船只的运行信息采用预置的LSTM航迹预测模型进行预测,生成船只位置信息;从而得到预测的船只位置,避障区域生成模块150将船只位置信息输入到预置的避障模型中,生成避障区域信息;生成的避障区域信息既包括了基于船只当前的位置信息得到的避障区域,也包括了采用LSTM航迹预测模型进行预测得到的未来可能的运动区域,最后避障路线生成模块160根据避障区域信息对无人船的当前运行路线进行调整,生成避障路线信息,因此通过避障区域信息得到的避障路线信息是考虑了障碍船只运动趋势进行避障得到的,所以就不会带来潜在的障撞风险,提高了无人船的行驶安全性。
其中,障碍信息获取模块130包括:
判断单元,用于判断识别结果是否包括船只信息,若是,则获取对应船只的运行信息;若否,则结束。
其中,位置预测模块140包括:
预处理单元,用于根据船只的运行信息中的时刻数据对运行信息进行归一化处理,生成预处理数据;
预测单元,用于将预处理数据输入到预置的LSTM航迹预测模型中进行预测,生成船只位置信息。
其中,避障区域生成模块150包括:
输入单元,用于将船只位置信息输入到预置的避障模型中;
第一碰撞区域建立单元,用于预置的避障模型根据船只位置信息中的当前位置信息与无人船的位置信息建立第一碰撞区域;
第二碰撞区域建立单元,用于预置的避障模型根据船只位置信息中的预测位置信息与无人船的位置信息建立第一碰撞区域建立第二碰撞区域;
第三碰撞区域建立单元,用于预置的避障模型将第一碰撞区域与第二碰撞区域进行并集计算,生成避障区域信息。
其中,避障路线生成模块160包括:
信息提取单元,用于提取无人船当前的运行路线信息;
对比单元,用于将当前的运行路线信息与避障区域信息进行对比,生成对比结果;
判断单元,用于根据对比结果判断是否进行路线调整,若是,则调整当前无人船的运行路线,生成避障路线信息;若否,则结束。
其中,还包括:
位置信息获取模块,用于获取无人船当前的位置信息;
路线规划模块,用于将当前的位置信息和预置的目标位置信息输入到预置的路线规划模型中,得到多个推荐路线信息;
筛选模块,用于根据避障区域信息对多个推荐路线信息进行筛选,得到多条没有与避障区域信息重合的推荐路线信息;
排序模块,用于将多条没有与避障区域信息重合的推荐路线信息按照路径长度进行排序,得到最短的没有与避障区域信息重合的推荐路线信息并作为避障路线信息。
请参阅图3,图3为本申请实施例提供的电子设备的一种示意性结构框图。电子设备包括存储器101、处理器102和通信接口103,该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块,如本申请实施例所提供的一种无人船自识别及避障装置对应的程序指令/模块,处理器102通过执行存储在存储器101内的软件程序及模块,从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。
其中,存储器101可以是但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。
处理器102可以是一种集成电路芯片,具有信号处理能力。该处理器102可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(Digital Signal Processing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以理解,图3所示的结构仅为示意,电子设备还可包括比图3中所示更多或者更少的组件,或者具有与图3所示不同的配置。图3中所示的各组件可以采用硬件、软件或其组合实现。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,也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,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
功能如果以软件功能模块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,服务器,或者网络设备等)执行本申请各个实施例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、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
综上,本申请实施例提供的一种无人船自识别及避障方法及装置,该无人船自识别及避障方法通过获取无人船周围环境的图片信息;然后将无人船周围环境的图片信息进行图片识别,生成识别结果;根据识别结果中的船只信息获取对应船只的运行信息;根据船只的运行信息采用预置的LSTM航迹预测模型进行预测,生成船只位置信息;从而得到预测的船只位置,将船只位置信息输入到预置的避障模型中,生成避障区域信息;生成的避障区域信息既包括了基于船只当前的位置信息得到的避障区域,也包括了采用LSTM航迹预测模型进行预测得到的未来可能的运动区域,最后根据避障区域信息对无人船的当前运行路线进行调整,生成避障路线信息,因此通过避障区域信息得到的避障路线信息是考虑了障碍船只运动趋势进行避障得到的,所以就不会带来潜在的障撞风险,提高了无人船的行驶安全性。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其它的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (10)
1.一种无人船自识别及避障方法,其特征在于,包括以下步骤:
获取无人船周围环境的图片信息;
将无人船周围环境的图片信息进行图片识别,生成识别结果;
根据识别结果中的船只信息获取对应船只的运行信息;
根据船只的运行信息采用预置的LSTM航迹预测模型进行预测,生成船只位置信息;
将船只位置信息输入到预置的避障模型中,生成避障区域信息;
根据避障区域信息对无人船的当前运行路线进行调整,生成避障路线信息。
2.根据权利要求1所述的无人船自识别及避障方法,其特征在于,所述根据识别结果中的船只信息获取对应船只的运行信息的步骤包括以下步骤:
判断所述识别结果是否包括船只信息,若是,则获取对应船只的运行信息;若否,则结束。
3.根据权利要求1所述的无人船自识别及避障方法,其特征在于,所述根据船只的运行信息采用预置的LSTM航迹预测模型进行预测,生成障碍船只位置信息的步骤包括以下步骤:
根据船只的运行信息中的时刻数据对运行信息进行归一化处理,生成预处理数据;
将预处理数据输入到预置的LSTM航迹预测模型中进行预测,生成船只位置信息。
4.根据权利要求1所述的无人船自识别及避障方法,其特征在于,所述将船只位置信息输入到预置的避障模型中,生成避障区域信息的步骤包括以下步骤:
将船只位置信息输入到预置的避障模型中;
预置的避障模型根据船只位置信息中的当前位置信息与无人船的位置信息建立第一碰撞区域;
预置的避障模型根据船只位置信息中的预测位置信息与无人船的位置信息建立第一碰撞区域建立第二碰撞区域;
预置的避障模型将第一碰撞区域与第二碰撞区域进行并集计算,生成避障区域信息。
5.根据权利要求4所述的无人船自识别及避障方法,其特征在于,所述根据避障区域信息对无人船的当前运行路线进行调整,生成避障路线信息的步骤包括以下步骤:
提取无人船当前的运行路线信息;
将当前的运行路线信息与避障区域信息进行对比,生成对比结果;
根据对比结果判断是否进行路线调整,若是,则调整当前无人船的运行路线,生成避障路线信息;若否,则结束。
6.根据权利要求5所述的人船自识别及避障方法,其特征在于,还包括以下步骤:
获取无人船当前的位置信息;
将当前的位置信息和预置的目标位置信息输入到预置的路线规划模型中,得到多个推荐路线信息;
根据避障区域信息对多个推荐路线信息进行筛选,得到多条没有与避障区域信息重合的推荐路线信息;
将多条没有与避障区域信息重合的推荐路线信息按照路径长度进行排序,得到最短的没有与避障区域信息重合的推荐路线信息并作为避障路线信息。
7.一种无人船自识别及避障装置,其特征在于,包括:
图片信息获取模块,用于获取无人船周围环境的图片信息;
识别模块,用于将无人船周围环境的图片信息进行图片识别,生成识别结果;
障碍信息获取模块,用于根据识别结果中的船只信息获取对应船只的运行信息;
位置预测模块,用于根据船只的运行信息采用预置的LSTM航迹预测模型进行预测,生成船只位置信息;
避障区域生成模块,用于将船只位置信息输入到预置的避障模型中,生成避障区域信息;
避障路线生成模块,用于根据避障区域信息对无人船的当前运行路线进行调整,生成避障路线信息。
8.根据权利要求7所述的无人船自识别及避障装置,其特征在于,所述障碍信息获取模块包括:
判断单元,用于判断所述识别结果是否包括船只信息,若是,则获取对应船只的运行信息;若否,则结束。
9.一种电子设备,其特征在于,包括:
存储器,用于存储一个或多个程序;
处理器;
当所述一个或多个程序被所述处理器执行时,实现如权利要求1-6中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111309229.XA CN113901951A (zh) | 2021-11-06 | 2021-11-06 | 一种无人船自识别及避障方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111309229.XA CN113901951A (zh) | 2021-11-06 | 2021-11-06 | 一种无人船自识别及避障方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113901951A true CN113901951A (zh) | 2022-01-07 |
Family
ID=79193593
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111309229.XA Pending CN113901951A (zh) | 2021-11-06 | 2021-11-06 | 一种无人船自识别及避障方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113901951A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114771752A (zh) * | 2022-03-10 | 2022-07-22 | 南京南部新城城市物业管理有限公司 | 一种水面清洁无人船用高精度智能避障捕捞系统 |
CN115410420A (zh) * | 2022-10-31 | 2022-11-29 | 河北东来工程技术服务有限公司 | 一种船舶安全航行管理方法和系统 |
CN117436678A (zh) * | 2023-12-21 | 2024-01-23 | 青岛慧拓智能机器有限公司 | 露天矿装载区的入场点生成方法、装置、设备和存储介质 |
-
2021
- 2021-11-06 CN CN202111309229.XA patent/CN113901951A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114771752A (zh) * | 2022-03-10 | 2022-07-22 | 南京南部新城城市物业管理有限公司 | 一种水面清洁无人船用高精度智能避障捕捞系统 |
CN115410420A (zh) * | 2022-10-31 | 2022-11-29 | 河北东来工程技术服务有限公司 | 一种船舶安全航行管理方法和系统 |
CN115410420B (zh) * | 2022-10-31 | 2023-01-20 | 河北东来工程技术服务有限公司 | 一种船舶安全航行管理方法和系统 |
CN117436678A (zh) * | 2023-12-21 | 2024-01-23 | 青岛慧拓智能机器有限公司 | 露天矿装载区的入场点生成方法、装置、设备和存储介质 |
CN117436678B (zh) * | 2023-12-21 | 2024-04-12 | 青岛慧拓智能机器有限公司 | 露天矿装载区的入场点生成方法、装置、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11989952B2 (en) | Systems and methods for trajectory prediction | |
US11702175B2 (en) | Method for acquiring object information and apparatus for performing same | |
US11928866B2 (en) | Neural networks for object detection and characterization | |
CN113901951A (zh) | 一种无人船自识别及避障方法及装置 | |
US10636161B2 (en) | Image recognition system | |
US11308391B2 (en) | Offline combination of convolutional/deconvolutional and batch-norm layers of convolutional neural network models for autonomous driving vehicles | |
JP7239703B2 (ja) | 領域外コンテキストを用いたオブジェクト分類 | |
US10035508B2 (en) | Device for signalling objects to a navigation module of a vehicle equipped with this device | |
CN110226186B (zh) | 表示地图元素的方法和装置以及定位的方法和装置 | |
US20230078599A1 (en) | System and Method for Neural Network-Based Autonomous Driving | |
US11756309B2 (en) | Contrastive learning for object detection | |
US20210107486A1 (en) | Apparatus for determining lane change strategy of autonomous vehicle and method thereof | |
US11442456B2 (en) | Apparatus for determining lane change path of autonomous vehicle and method thereof | |
Padmaja et al. | A novel design of autonomous cars using IoT and visual features | |
US20180245941A1 (en) | User-Friendly Navigation System | |
CN114859368A (zh) | 一种使用激光雷达对电力线锁线跟踪处理的方法和系统 | |
US20210004016A1 (en) | U-turn control system for autonomous vehicle and method therefor | |
CN114394111B (zh) | 用于自动驾驶车辆的变道方法 | |
Rezgui et al. | Traffic sign recognition using neural networks useful for autonomous vehicles | |
US11132561B2 (en) | Information processing device, information processing method, and non-transitory computer-readable recording medium | |
KR20200142716A (ko) | 주행 정보 제공 방법, 차량맵 제공 서버 및 방법 | |
Ma et al. | Vision based front and rear vehicle collision warning system | |
US20240096106A1 (en) | Accuracy for object detection | |
EP4372584A1 (en) | A method for performing a perception task of an electronic device or a vehicle using a plurality of neural networks | |
US20230024799A1 (en) | Method, system and computer program product for the automated locating of a vehicle |
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 |