CN114047787A - 无人机避障系统、方法、设备及存储介质 - Google Patents

无人机避障系统、方法、设备及存储介质 Download PDF

Info

Publication number
CN114047787A
CN114047787A CN202111590553.3A CN202111590553A CN114047787A CN 114047787 A CN114047787 A CN 114047787A CN 202111590553 A CN202111590553 A CN 202111590553A CN 114047787 A CN114047787 A CN 114047787A
Authority
CN
China
Prior art keywords
obstacle
camera
distance
unmanned aerial
aerial vehicle
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
Application number
CN202111590553.3A
Other languages
English (en)
Other versions
CN114047787B (zh
Inventor
黄立
金顶寿
张洋
张俊勇
漆金贤
张瀚林
陈瑶
余志勇
薛源
刘华斌
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.)
Puzhou Technology Shenzhen Co ltd
Original Assignee
Puzhou Technology Shenzhen Co ltd
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 Puzhou Technology Shenzhen Co ltd filed Critical Puzhou Technology Shenzhen Co ltd
Priority to CN202111590553.3A priority Critical patent/CN114047787B/zh
Publication of CN114047787A publication Critical patent/CN114047787A/zh
Application granted granted Critical
Publication of CN114047787B publication Critical patent/CN114047787B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G05D1/10—Simultaneous control of position or course in three dimensions
    • G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
    • G05D1/106—Change initiated in response to external conditions, e.g. avoidance of elevated terrain or of no-fly zones

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供一种无人机避障系统、方法、设备及存储介质，其包括：三目相机，其安装在无人机机体上，用于获取环境中障碍物深度信息；毫米波雷达组件，其安装在无人机机体上，用于在无人机飞行过程中实时获取环境中同一障碍物的稀疏点云数据，并对所述稀疏点云数据进行处理，以获得同一障碍物的实际距离；融合单元，其用于对三目相机获取的障碍物深度信息以及毫米波雷达组件获取的、同一障碍物的实际距离进行融合，以获取障碍物的感知距离。本发明通过对多目相机与毫米波雷达所获取的障碍物距离数据的融合来获取感知距离，以显著提升环境感知精度。

Description

无人机避障系统、方法、设备及存储介质
技术领域
本发明涉及无人机技术领域，特别涉及一种基于多目立体视觉与毫米波雷达的无人机避障系统、方法、设备及存储介质。
背景技术
已有的无人机避障系统主要依赖于单目或者双目相机进行视觉感知，虽然成本较低，但是存在误检、漏检以及检测的障碍物类型有限的缺陷，且无法做到全天候感知，而单独依靠毫米波雷达，虽然其测距精度高，但是由于其角度分辨率较低，无法生成密集点云，因此无法作为无人机作业感知系统的依据。
发明内容
本发明的目的在于提供一种基于多目立体视觉与毫米波雷达的无人机避障系统、方法、设备及存储介质，其通过对多目相机与毫米波雷达所获取的障碍物距离数据的融合来获取感知距离，以显著提升环境感知精度。
具体的，本发明提供了以下技术方案：
一方面，提供了一种无人机避障系统，其包括：
三目相机，其安装在无人机机体上，用于获取环境中障碍物深度信息；
毫米波雷达组件，其安装在无人机机体上，用于在无人机飞行过程中实时获取环境中同一障碍物的稀疏点云数据，并对所述稀疏点云数据进行处理，以获得同一障碍物的实际距离；
融合单元，其用于按照公式
Figure 788924DEST_PATH_IMAGE001
对三目相机获取的障碍物深度信息 以及毫米波雷达组件获取的、同一障碍物的实际距离进行融合，以获取障碍物的感知距离；
其中，
Figure 764970DEST_PATH_IMAGE002
为观测值，且
Figure 587564DEST_PATH_IMAGE003
，Z 1 为三目相机获取的障碍物深度信息，Z 2 为 毫米波雷达组件获取的同一障碍物的实际距离；
Figure 824510DEST_PATH_IMAGE004
为观测矩阵，可取
Figure 894097DEST_PATH_IMAGE005
，X为障 碍物的感知距离，V为三目相机和毫米波雷达组件的测量误差。
优选的，所述三目相机包括：第一相机、第二相机以及第三相机，且所述第一相机、第二相机之间的连线与第二相机、第三相机之间的连线相互垂直。
优选的，所述第一相机、第二相机之间的距离为a，第二相机、第三相机之间的距离为b，且a=b。
优选的，所述毫米波雷达组件对所述稀疏点云数据进行处理，以获得同一障碍物的实际距离的步骤包括：
按照公式（1）-（2）对障碍物的距离进行预测：
Figure 967226DEST_PATH_IMAGE006
（1）
Figure 842778DEST_PATH_IMAGE007
（2）；
其中，x为障碍物的距离向量；u表示外部影响；F为状态转移矩阵；
Figure 75177DEST_PATH_IMAGE008
为F的矩阵转 置；P为系统的不确定程度，也即状态协方差矩阵，用于表征各个状态维度之间的相关性；Q 为过程噪声；x’表示障碍物的距离预测值；P’为先验估计状态协方差矩阵；
按照公式（3）-（7）获取障碍物的实际距离：
Figure 659873DEST_PATH_IMAGE009
（3）
Figure 672828DEST_PATH_IMAGE010
（4）
Figure 102804DEST_PATH_IMAGE011
（5）
Figure 314342DEST_PATH_IMAGE012
（6）
Figure 804361DEST_PATH_IMAGE013
（7）；
其中，z为障碍物的实际距离；H为测量矩阵；
Figure 976716DEST_PATH_IMAGE014
为H的矩阵转置；y表示障碍物的 距离测量值与预测值之间的差值，K表示卡尔曼增益，R表示测量噪声矩阵，I表示状态向量 同纬度的单位矩阵，S为公式推导的中间变量，无特殊物理意义。
优选的，所述融合单元通过公式
Figure 194071DEST_PATH_IMAGE015
获 取障碍物的感知距离X的最佳预测值
Figure 276427DEST_PATH_IMAGE016
。
还提供一种通过上述无人机避障系统实现的无人机避障方法，其包括如下步骤：
S1、在无人机机体上安装三目相机以及毫米波雷达组件；
S2、无人机飞行过程中，所述三目相机实时获取环境中障碍物深度信息，所述毫米波雷达组件实时获取环境中同一障碍物的稀疏点云数据，并对所述稀疏点云数据进行处理，以获得同一障碍物的实际距离；
S3、融合单元对三目相机获取的障碍物深度信息以及毫米波雷达组件获取的、同一障碍物的实际距离进行融合，以获取障碍物的感知距离。
还提供一种电子处理设备，其包括至少一个处理器和存储有至少一个执行程序的存储装置，当所述至少一个执行程序被所述至少一个处理器执行，所述至少一个处理器实现上述的方法。
还提供一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时能够实现上述的方法。
本发明的技术效果：本发明通过设置三目相机扩大了障碍物的感知范围，提升了障碍物感知系统的安全性；同时通过对多目相机与毫米波雷达所获取的障碍物距离数据的融合来获取感知距离，使得无人机环境感知系统可以全天候作业，以克服了单一传感器漏检与误检概率大的问题，以显著提升环境感知精度。
附图说明
图1是本发明无人机避障系统的结构示意图；
图2是本发明三目相机的结构示意图；
图3是本发明毫米波雷达组件获取的杆状障碍物的稀疏点云数据。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地描述。
实施例1：
本实施例提供了一种基于多目立体视觉与毫米波雷达的无人机避障系统，如图1所示，其包括：
三目相机1，其安装在无人机机体上，包括第一相机11、第二相机12以及第三相机13，用于获取环境中障碍物深度信息（该深度信息即三目相机1解算出的障碍物距离）；且如图2所示，所述第一相机11、第二相机12之间的距离为a，第二相机12、第三相机13之间的距离为b，且所述第一相机11、第二相机12之间的连线与第二相机12、第三相机13之间的连线相互垂直；进一步的，本实施例中，距离a、b依据障碍物的实际感知需求而定，且a=b，例如，可依据公式Z=baseline*f/d确定a、b的取值，其中，f为多目相机焦距，Z可以为给定的无人机避障系统的感知距离指标Zmin（最近测量距离）和Zmax（最远测量距离），且取d为1个像素，即可计算出baseline的值，也即a和b的值；
毫米波雷达组件2，其安装在无人机机体上，用于在无人机飞行过程中实时获取环境中同一障碍物的稀疏点云数据，并对所述稀疏点云数据进行处理，以获得同一障碍物的实际距离；例如，图3即示出了毫米波雷达组件2获取的杆状障碍物的稀疏点云数据；进一步的，本实施例中，毫米波雷达组件2采用卡尔曼滤波算法对所述稀疏点云数据进行处理，以获得同一障碍物的实际距离，其包括如下步骤：
按照公式（1）-（2）对障碍物的距离进行预测：
Figure 186614DEST_PATH_IMAGE017
（1）
Figure 846266DEST_PATH_IMAGE018
（2）；
其中，x为障碍物的距离向量；u表示外部影响；F为状态转移矩阵；
Figure 414782DEST_PATH_IMAGE019
为F的矩阵 转置；P为系统的不确定程度，也即状态协方差矩阵，用于表征各个状态维度之间的相关性；Q为过程噪声；x’表示障碍物的距离预测值；P’为先验估计状态协方差矩阵；
按照公式（3）-（7）获取障碍物的实际距离：
Figure 273016DEST_PATH_IMAGE020
（3）
Figure 26209DEST_PATH_IMAGE021
（4）
Figure 48522DEST_PATH_IMAGE022
（5）
Figure 873259DEST_PATH_IMAGE023
（6）
Figure 789262DEST_PATH_IMAGE024
（7）；
其中，z为障碍物的实际距离；H为测量矩阵；
Figure 526405DEST_PATH_IMAGE025
为H的矩阵转置；y表示障碍物的 距离测量值与预测值之间的差值，K表示卡尔曼增益，R表示测量噪声矩阵，I表示状态向量 同纬度的单位矩阵，S为公式推导的中间变量，无特殊物理意义；
融合单元3，其用于对三目相机1获取的障碍物深度信息以及毫米波雷达组件2获取的、同一障碍物的实际距离进行融合，以获取障碍物的感知距离；
其具体包括如下步骤：
按照公式（8）对同一障碍物的深度信息和实际距离进行融合，以获取障碍物的感知距离（即无人机与障碍物之间的物理距离）：
Figure 19703DEST_PATH_IMAGE026
（8）
其中，
Figure 54656DEST_PATH_IMAGE027
为观测值，且
Figure 248002DEST_PATH_IMAGE028
，Z 1 为三目相机1获取的障碍物深度信息，Z 2 为毫米波雷达组件2获取的同一障碍物的实际距离；
Figure 952784DEST_PATH_IMAGE029
为观测矩阵，可取
Figure 136640DEST_PATH_IMAGE030
，X为 障碍物的感知距离，V为三目相机1和毫米波雷达组件2的测量误差，本实施例中，为便于推 导计算，设V=0；
进一步的，所述融合单元3还可通过公式（9）获取障碍物的感知距离X的最佳预测 值
Figure 975283DEST_PATH_IMAGE031
；
Figure 210087DEST_PATH_IMAGE032
。
基于上述算法即可实现三目相机与毫米波雷达对障碍物距离数据的融合，克服单一传感器误检和漏检的缺陷，充分发挥各自的优势，进一步提升数据感知精度，从而达到无人机全天候可靠避障的目的。
实施例2：
本实施例提供了一种通过实施例1所述无人机避障系统实现的无人机避障方法，其包括如下步骤：
S1、在无人机机体上安装三目相机1以及毫米波雷达组件2；
S2、无人机飞行过程中，所述三目相机1实时获取环境中障碍物深度信息（该深度信息即三目相机1解算出的障碍物距离），所述毫米波雷达组件2实时获取环境中同一障碍物的稀疏点云数据，并对所述稀疏点云数据进行处理，以获得同一障碍物的实际距离；
S3、融合单元3对三目相机1获取的障碍物深度信息以及毫米波雷达组件2获取的、同一障碍物的实际距离进行融合，以获取障碍物的感知距离。
具体的，所述步骤S2中，对“所述稀疏点云数据进行处理，以获得同一障碍物的实际距离”包括如下步骤：
按照公式（1）-（2）对障碍物的距离进行预测：
Figure 475983DEST_PATH_IMAGE033
（1）
Figure 943873DEST_PATH_IMAGE034
（2）；
其中，x为障碍物的距离向量；u表示外部影响；F为状态转移矩阵；
Figure 586207DEST_PATH_IMAGE035
为F的矩阵 转置；P为系统的不确定程度，也即状态协方差矩阵，用于表征各个状态维度之间的相关性；Q为过程噪声；x’表示障碍物的距离预测值；P’为先验估计状态协方差矩阵；
按照公式（3）-（7）获取障碍物的实际距离：
Figure 156078DEST_PATH_IMAGE036
（3）
Figure 717509DEST_PATH_IMAGE037
（4）
Figure 282482DEST_PATH_IMAGE038
（5）
Figure 338294DEST_PATH_IMAGE039
（6）
Figure 672324DEST_PATH_IMAGE040
（7）；
其中，z为障碍物的实际距离；H为测量矩阵；
Figure 670236DEST_PATH_IMAGE041
为H的矩阵转置；y表示障碍物的距 离测量值与预测值之间的差值，K表示卡尔曼增益，R表示测量噪声矩阵，I表示状态向量同 纬度的单位矩阵，S为公式推导的中间变量，无特殊物理意义。
所述步骤S3包括：
按照公式（8）对同一障碍物的深度信息和实际距离进行融合，以获取障碍物的感知距离（即无人机与障碍物之间的物理距离）：
Figure 722505DEST_PATH_IMAGE042
（8）
其中，
Figure 519691DEST_PATH_IMAGE043
为观测值，且
Figure 364019DEST_PATH_IMAGE044
，Z 1 为三目相机1获取的障碍物深度信息，Z 2 为毫米波雷达组件2获取的同一障碍物实际距离；
Figure 221248DEST_PATH_IMAGE045
为观测矩阵，可取
Figure 26393DEST_PATH_IMAGE046
，X为障 碍物的感知距离，V为三目相机1和毫米波雷达组件2的测量误差，本实施例中，设V=0；
以及通过公式（9）获取障碍物的感知距离X的最佳预测值
Figure 876537DEST_PATH_IMAGE047
；
Figure 326104DEST_PATH_IMAGE048
。
实施例3：
本实施例提供了一种电子处理设备，其包括至少一个处理器和存储有至少一个执行程序的存储装置，当所述至少一个执行程序被所述至少一个处理器执行，所述至少一个处理器实现如实施例2所述的方法。
实施例4：
本实施例提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时能够实现如实施例2所述的方法。
综上所述，本发明中设置有三目相机，其相比较于常用的单目或者双目相机，环境适应能力更强，可以检测电线类障碍物，扩大了障碍物的感知范围，提升了障碍物感知系统的安全性；同时通过对多目相机与毫米波雷达所获取的障碍物距离数据的融合来获取感知距离，使得无人机环境感知系统可以全天候作业，以克服了单一传感器漏检与误检概率大的问题，以显著提升环境感知精度。
在不冲突的情况下，本文中上述实施例及实施例中的特征可以相互结合。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种无人机避障系统，其特征在于，包括：
三目相机，其安装在无人机机体上，用于获取环境中障碍物深度信息；
毫米波雷达组件，其安装在无人机机体上，用于在无人机飞行过程中实时获取环境中同一障碍物的稀疏点云数据，并对所述稀疏点云数据进行处理，以获得同一障碍物的实际距离；
融合单元，其用于按照公式
Figure DEST_PATH_IMAGE001
对三目相机获取的障碍物深度信息以及 毫米波雷达组件获取的、同一障碍物的实际距离进行融合，以获取障碍物的感知距离；
其中，
Figure 705746DEST_PATH_IMAGE002
为观测值，且
Figure 154045DEST_PATH_IMAGE004
，Z 1 为三目相机获取的障碍物深度信息，Z 2 为毫米 波雷达组件获取的同一障碍物的实际距离；
Figure 199361DEST_PATH_IMAGE006
为观测矩阵，可取
Figure DEST_PATH_IMAGE007
，X为障碍物 的感知距离，V为三目相机和毫米波雷达组件的测量误差。
2.如权利要求1所述的无人机避障系统，其特征在于，所述三目相机包括：第一相机、第二相机以及第三相机，且所述第一相机、第二相机之间的连线与第二相机、第三相机之间的连线相互垂直。
3.如权利要求2所述的无人机避障系统，其特征在于，所述第一相机、第二相机之间的距离为a，第二相机、第三相机之间的距离为b，且a=b。
4.如权利要求1所述的无人机避障系统，其特征在于，所述毫米波雷达组件对所述稀疏点云数据进行处理，以获得同一障碍物的实际距离的步骤包括：
按照公式（1）-（2）对障碍物的距离进行预测：
Figure 407620DEST_PATH_IMAGE008
（1）
Figure DEST_PATH_IMAGE009
（2）；
其中，x为障碍物的距离向量；u表示外部影响；F为状态转移矩阵；
Figure 81047DEST_PATH_IMAGE010
为F的矩阵转置；P 为系统的不确定程度，也即状态协方差矩阵，用于表征各个状态维度之间的相关性；Q为过 程噪声；x’表示障碍物的距离预测值；P’为先验估计状态协方差矩阵；
按照公式（3）-（7）获取障碍物的实际距离：
Figure 185400DEST_PATH_IMAGE011
（3）
Figure 718012DEST_PATH_IMAGE012
（4）
Figure 448071DEST_PATH_IMAGE013
（5）
Figure 648108DEST_PATH_IMAGE014
（6）
Figure 923363DEST_PATH_IMAGE015
（7）；
其中，z为障碍物的实际距离；H为测量矩阵；
Figure 5588DEST_PATH_IMAGE016
为H的矩阵转置；y表示障碍物的距离 测量值与预测值之间的差值，K表示卡尔曼增益，R表示测量噪声矩阵，I表示状态向量同纬 度的单位矩阵，S为公式推导的中间变量，无特殊物理意义。
5.如权利要求1所述的无人机避障系统，其特征在于，所述融合单元通过公式
Figure 273759DEST_PATH_IMAGE017
获取障碍物的感知距离X的最佳预测值
Figure 79035DEST_PATH_IMAGE018
。
6.一种通过权利要求1-5任一项所述无人机避障系统实现的无人机避障方法，其特征在于，包括如下步骤：
S1、在无人机机体上安装三目相机以及毫米波雷达组件；
S2、无人机飞行过程中，所述三目相机实时获取环境中障碍物深度信息，所述毫米波雷达组件实时获取环境中同一障碍物的稀疏点云数据，并对所述稀疏点云数据进行处理，以获得同一障碍物的实际距离；
S3、融合单元对三目相机获取的障碍物深度信息以及毫米波雷达组件获取的、同一障碍物的实际距离进行融合，以获取障碍物的感知距离。
7.一种电子处理设备，其包括至少一个处理器和存储有至少一个执行程序的存储装置，当所述至少一个执行程序被所述至少一个处理器执行，所述至少一个处理器实现如权利要求6所述的方法。
8.一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时能够实现如权利要求6所述的方法。
CN202111590553.3A 2021-12-23 2021-12-23 无人机避障系统、方法、设备及存储介质 Active CN114047787B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111590553.3A CN114047787B (zh) 2021-12-23 2021-12-23 无人机避障系统、方法、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111590553.3A CN114047787B (zh) 2021-12-23 2021-12-23 无人机避障系统、方法、设备及存储介质

Publications (2)

Publication Number Publication Date
CN114047787A true CN114047787A (zh) 2022-02-15
CN114047787B CN114047787B (zh) 2024-04-05

Family

ID=80213395

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111590553.3A Active CN114047787B (zh) 2021-12-23 2021-12-23 无人机避障系统、方法、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114047787B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101505532A (zh) * 2009-03-12 2009-08-12 华南理工大学 一种基于分布式处理的无线传感器网络目标跟踪方法
CN106101640A (zh) * 2016-07-18 2016-11-09 北京邮电大学 自适应视频传感器融合方法及装置
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
CN107885224A (zh) * 2017-11-06 2018-04-06 北京韦加无人机科技股份有限公司 基于三目立体视觉的无人机避障方法
CN108469729A (zh) * 2018-01-24 2018-08-31 浙江工业大学 一种基于rgb-d信息的人体目标识别与跟随方法
CN108693532A (zh) * 2018-03-29 2018-10-23 浙江大学 基于增强型双目相机与3d毫米波雷达的可穿戴避障方法及装置
CN112465193A (zh) * 2020-11-09 2021-03-09 苏州挚途科技有限公司 多传感器数据融合的参数优化方法及装置
CN112965517A (zh) * 2021-01-31 2021-06-15 国网江苏省电力有限公司常州供电分公司 基于双目视觉融合激光雷达与电磁场检测的无人机巡检安全避障系统和方法
CN113093176A (zh) * 2019-12-23 2021-07-09 北京三快在线科技有限公司 线状障碍物检测方法、装置、电子设备和存储介质
CN113252321A (zh) * 2021-04-14 2021-08-13 南京云智控产业技术研究院有限公司 一种涉及动力轮打滑修正的多传感器融合载具定位方法
CN113485441A (zh) * 2021-08-03 2021-10-08 国网江苏省电力有限公司泰州供电分公司 结合无人机高精度定位和视觉跟踪技术的配网巡检方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101505532A (zh) * 2009-03-12 2009-08-12 华南理工大学 一种基于分布式处理的无线传感器网络目标跟踪方法
CN106101640A (zh) * 2016-07-18 2016-11-09 北京邮电大学 自适应视频传感器融合方法及装置
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
CN107885224A (zh) * 2017-11-06 2018-04-06 北京韦加无人机科技股份有限公司 基于三目立体视觉的无人机避障方法
CN108469729A (zh) * 2018-01-24 2018-08-31 浙江工业大学 一种基于rgb-d信息的人体目标识别与跟随方法
CN108693532A (zh) * 2018-03-29 2018-10-23 浙江大学 基于增强型双目相机与3d毫米波雷达的可穿戴避障方法及装置
CN113093176A (zh) * 2019-12-23 2021-07-09 北京三快在线科技有限公司 线状障碍物检测方法、装置、电子设备和存储介质
CN112465193A (zh) * 2020-11-09 2021-03-09 苏州挚途科技有限公司 多传感器数据融合的参数优化方法及装置
CN112965517A (zh) * 2021-01-31 2021-06-15 国网江苏省电力有限公司常州供电分公司 基于双目视觉融合激光雷达与电磁场检测的无人机巡检安全避障系统和方法
CN113252321A (zh) * 2021-04-14 2021-08-13 南京云智控产业技术研究院有限公司 一种涉及动力轮打滑修正的多传感器融合载具定位方法
CN113485441A (zh) * 2021-08-03 2021-10-08 国网江苏省电力有限公司泰州供电分公司 结合无人机高精度定位和视觉跟踪技术的配网巡检方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
秦天宝;: "基于多传感器信息融合的移动机器人定位研究", 可编程控制器与工厂自动化, no. 11, 15 November 2010 (2010-11-15) *

Also Published As

Publication number Publication date
CN114047787B (zh) 2024-04-05

Similar Documents

Publication Publication Date Title
EP3517997B1 (en) Method and system for detecting obstacles by autonomous vehicles in real-time
JP6812404B2 (ja) 点群データを融合させるための方法、装置、コンピュータ読み取り可能な記憶媒体、及びコンピュータプログラム
CN111089585A (zh) 一种基于传感器信息融合的建图及定位方法
WO2020139511A1 (en) Crowdsourced detection, identification and sharing of hazardous road objects in hd maps
GB2555214A (en) Depth map estimation with stereo images
EP3663882B1 (en) Information processing device, information processing method, program and mobile unit
CN110503040B (zh) 障碍物检测方法及装置
CN108028023A (zh) 信息处理装置、信息处理方法和程序
CN109263637B (zh) 一种碰撞预测的方法及装置
CN109116374A (zh) 确定障碍物距离的方法、装置、设备及存储介质
CN112106111A (zh) 一种标定方法、设备、可移动平台及存储介质
CN114495064A (zh) 一种基于单目深度估计的车辆周围障碍物预警方法
JP6543935B2 (ja) 視差値導出装置、機器制御システム、移動体、ロボット、視差値導出方法、およびプログラム
CN111797915A (zh) 目标检测方法、装置、电子设备及计算机可读存储介质
CN111798507A (zh) 一种输电线安全距离测量方法、计算机设备和存储介质
CN112313536B (zh) 物体状态获取方法、可移动平台及存储介质
JP6455164B2 (ja) 視差値導出装置、機器制御システム、移動体、ロボット、視差値導出方法、およびプログラム
CN110992463B (zh) 一种基于三目视觉的输电导线弧垂的三维重建方法及系统
CN111308415B (zh) 一种基于时间延迟的在线估计位姿的方法和设备
John et al. Automatic calibration and registration of lidar and stereo camera without calibration objects
CN114528941A (zh) 传感器数据融合方法、装置、电子设备及存储介质
WO2021056283A1 (en) Systems and methods for adjusting a vehicle pose
CN114047787A (zh) 无人机避障系统、方法、设备及存储介质
Lim et al. MSDPN: Monocular depth prediction with partial laser observation using multi-stage neural networks
CN113792645A (zh) 一种融合图像和激光雷达的ai眼球

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
CB02 Change of applicant information

Country or region after: Zhong Guo

Address after: 430070 North of Floor 3, Building 2, No. 5, Huanglongshan South Road, Fozuling Street, Donghu New Technology Development Zone, Wuhan, Hubei Province (Wuhan Area of Free Trade Zone)

Applicant after: Puzhou Technology Co.,Ltd.

Address before: 1006, building 1, yongxinhui, No. 4078, Dongbin Road, Nanshan District, Shenzhen, Guangdong 518054

Applicant before: Puzhou Technology (Shenzhen) Co.,Ltd.

Country or region before: Zhong Guo

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant