CN114518760A - 一种基于风险区管理的无人车导航方法以及系统服务器 - Google Patents

一种基于风险区管理的无人车导航方法以及系统服务器 Download PDF

Info

Publication number
CN114518760A
CN114518760A CN202210142722.5A CN202210142722A CN114518760A CN 114518760 A CN114518760 A CN 114518760A CN 202210142722 A CN202210142722 A CN 202210142722A CN 114518760 A CN114518760 A CN 114518760A
Authority
CN
China
Prior art keywords
unmanned vehicle
unmanned
risk
risk zone
deceleration
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
CN202210142722.5A
Other languages
English (en)
Other versions
CN114518760B (zh
Inventor
吴新开
李永伟
霍向
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.)
Beijing Lobby Technology Co ltd
Beihang University
Original Assignee
Beijing Lobby Technology Co ltd
Beihang University
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 Beijing Lobby Technology Co ltd, Beihang University filed Critical Beijing Lobby Technology Co ltd
Priority to CN202210142722.5A priority Critical patent/CN114518760B/zh
Publication of CN114518760A publication Critical patent/CN114518760A/zh
Application granted granted Critical
Publication of CN114518760B publication Critical patent/CN114518760B/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
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
    • 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
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • 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
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle

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)
  • Navigation (AREA)

Abstract

本发明公开了一种基于风险区管理的无人车导航方法以及系统服务器。该方法包括：获取初始栅格地图范围内所有无人车的个体信息，为每个无人车规划当前位置到目标位置的初始全局路径，并生成实时更新的栅格地图；在无人车运行的过程中，判断任一无人车当前对应的风险区是否存在其他无人车；其中风险区是根据无人车尺寸、最小转弯半径r、标准速度v以及减速性能划分设定，覆盖该无人车的前进方向和转弯方向；若任一无人车当前对应的风险区存在其他无人车，则向该无人车发出降速指令，从而能够高效地给出合理的路径规划指引信息，达到多台无人车可以避免互相碰撞，安全运行的目的。

Description

一种基于风险区管理的无人车导航方法以及系统服务器
技术领域
本申请涉及无人车技术领域，特别是涉及一种无人车导航方法以及用于无人车导航的系统服务器。
背景技术
随着自动化的发展,制造业对仓储管理、物流运输提出了更高的要求。无人车作为现有的常用无人配送装置，节省了大量人力，效率高，尤其适用于酒店，商场等等人流量大的场合，特别在当今疫情状态下发出了巨大的服务作用。
但是，为了提高效率，同一使用空间往往需要多个无人车，这就需要考虑到多车在行进过程中的互相规避防撞问题。
发明内容
基于此，为了解决多车在行进过程中的互相规避防撞问题，本发明提供一种基于风险区管理的无人车导航方法以及系统服务器。
方案如下：
第一方面，一种基于风险区管理的无人车导航方法，应用于系统服务器，所述方法包括：
1)预存初始栅格地图，并接收初始化设置参数；所述初始化设置参数包括给定时间间隔
Figure BDA0003507085370000011
无人车类型m，给定各类型无人车的最大外廓长度dm、标准速度vm以及最大减速度am；
2)获取所述初始栅格地图范围内所有无人车的个体信息，所述个体信息包括无人车当前位置、无人车目标位置、无人车类型m以及无人车标准速度vm；
3)根据所述个体信息，为每个无人车规划当前位置到目标位置的初始全局路径，并生成实时更新的栅格地图；
4)根据所述实时更新的栅格地图上的风险要素信息，判断任一无人车当前对应的风险区是否存在其他无人车；所述风险要素信息包括任一无人车的当前位置和其剩余路径、所述其他无人车的当前位置和其剩余路径；所述任一无人车当前对应的风险区是根据最大外廓长度dm、最小转弯半径r、标准速度v以及减速性能划分设定，覆盖该无人车的前进方向和转弯方向；
5)若任一无人车当前对应的风险区存在其他无人车，则向该无人车发出降速指令，使其按照设定的速度或减速度移动。
进一步地，步骤5)还包括：
当有多个无人车各自当前对应的风险区均存在其他无人车时，先对所述多个无人车进行优先级排序，基于最高优先级的无人车的所述个体信息更新栅格地图，为该最高优先级的无人车重新规划全局路径，并使其按标准速度继续移动；同时，向优先级较低的无人车发出降速指令，使其降速移动；
直至所有无人车到达目标位置。
可选地，步骤3)中规划初始全局路径以及步骤5)中重新规划全局路径，采用了A*、D*、RRT或Dijkstra算法。
可选地，所述优先级排序的规则为剩余路径越长，则优先级别越高。
可选地，所述任一无人车当前对应的风险区分为至少两个级别；步骤5)中，所述降速移动的降速幅度或者减速度值与风险区的级别相对应。
可选地，所述任一无人车当前对应的风险区分为高风险区和低风险区，划分方式具体如下：
对应于前进方向：高风险区为栅格地图上无人车前方
Figure BDA0003507085370000021
所覆盖的格栅区域(记为第一格栅区域)，低风险区为栅格地图上无人车前方
Figure BDA0003507085370000022
Figure BDA0003507085370000023
所覆盖的格栅区域(记为第二格栅区域)；其中
Figure BDA0003507085370000024
的起点为无人车的中心位置；
Figure BDA0003507085370000025
Figure BDA0003507085370000031
Figure BDA0003507085370000032
对应于转弯方向：根据最小转弯半径r，高风险区转弯圆心角
Figure BDA0003507085370000033
Figure BDA0003507085370000034
低风险区转弯圆心角
Figure BDA0003507085370000035
高风险区长边
Figure BDA0003507085370000036
Figure BDA0003507085370000037
低风险区长边
Figure BDA0003507085370000038
Figure BDA0003507085370000039
高风险区为基于正前方偏转
Figure BDA00035070853700000310
辐射角度的
Figure BDA00035070853700000311
所覆盖的格栅区域(记为第三格栅区域)，低风险区为基于正前方偏转
Figure BDA00035070853700000312
辐射角度的
Figure BDA00035070853700000313
所覆盖的格栅区域(记为第四格栅区域)去除与所述第三格栅区域重叠部分后的格栅区域。
也可以按照标准正态分布划分，即：
对应于前进方向：根据所述最大外廓长度dm确定其前端位置，自该前端位置开始由标准速度v减到0的距离为安全距离L，以标准正态分布距离划分风险区级别；
对应于转弯方向：根据最小转弯半径r以标准正态分布的形式划分风险区级别。
第二方面，一种用于无人车导航的系统服务器，包括存储器和处理器，所述存储器存储有计算机程序，其特征之处在于：所述处理器执行所述计算机程序时实现上述的基于风险区管理的无人车导航方法。
第三方面，一种用于规划全局路径的机器学习模型的训练方法，其特殊之处在于，对于训练集中的样本，执行上述基于风险区管理的无人车导航方法的步骤1)至步骤5)。
可选地，所述机器学习模型采用A*、D*、RRT或Dijkstra算法。
本发明至少具有以下有益效果：
本发明通过获取所述初始栅格地图范围内所有无人车的个体信息，所述个体信息包括无人车当前位置、无人车目标位置、无人车类型以及无人车标准速度v，为每个无人车规划当前位置到目标位置的初始全局路径，并生成实时更新的栅格地图；在无人车运行的过程中，根据任一无人车的当前位置和其剩余路径、所述其他无人车的当前位置和其剩余路径，判断任一无人车当前对应的风险区是否存在其他无人车；其中风险区是根据无人车尺寸(最大外廓长度dm)、最小转弯半径r、标准速度v以及减速性能划分设定，覆盖该无人车的前进方向和转弯方向；若任一无人车当前对应的风险区存在其他无人车，则向该无人车发出降速指令。从而能够高效地给出合理的路径规划指引信息，达到多台无人车可以避免互相碰撞，安全运行的目的。
附图说明
图1为本发明一个实施例提供的一种多模态学习无人车导航方法的流程示意图；
图2为本发明一个实施例中的前进方向风险区划分的示意图。
图3为本发明一个实施例中的转弯方向风险区划分的示意图。
图4为本发明一个实施例提供的一种用于无人车导航的系统服务器(计算机设备)的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，所有无人车均为已在系统注册的无人车，并接受系统平台调度中心(系统服务器)的统一调度。如图1所示，提供了一种多模态学习无人车导航方法，以该方法应用于系统服务器为例进行说明，包括以下步骤：
S1、预存初始栅格地图，并接收初始化设置参数；所述初始化设置参数包括给定时间间隔
Figure BDA0003507085370000051
无人车类型m，给定各类型无人车的最大外廓长度dm、标准速度vm以及最大减速度am；
上述栅格地图的比例尺可以是一个格栅单元对应现场1-25cm2面积。
S2、获取所述初始栅格地图范围内所有无人车的个体信息，所述个体信息包括无人车当前位置、无人车目标位置、无人车类型m以及无人车标准速度vm；
S3、根据所述个体信息，为每个无人车规划当前位置到目标位置的初始全局路径，并生成实时更新的栅格地图；
S4、根据所述实时更新的栅格地图上的风险要素信息，判断任一无人车当前对应的风险区是否存在其他无人车；所述风险要素信息包括任一无人车的当前位置和其剩余路径、所述其他无人车的当前位置和其剩余路径；所述任一无人车当前对应的风险区是根据最大外廓长度dm、最小转弯半径r、标准速度v以及减速性能划分设定，覆盖该无人车的前进方向和转弯方向；
S5、若任一无人车当前对应的风险区存在其他无人车，则向该无人车发出降速指令，使其按照设定的速度或减速度移动；
其中，当有多个无人车各自当前对应的风险区均存在其他无人车时，先对所述多个无人车进行优先级排序，基于最高优先级的无人车的所述个体信息更新栅格地图，为该最高优先级的无人车重新规划全局路径，并使其按标准速度继续移动；同时，向优先级较低的无人车发出降速指令，使其降速移动；
直至所有无人车到达目标位置。
基于以上方法，能够高效地给出合理的路径规划指引信息，达到多台无人车可以避免互相碰撞，安全运行的目的。
上述步骤3)中规划初始全局路径以及步骤5)中重新规划全局路径，可以采用A*、D*、RRT、Dijkstra等算法。
上述方法也可以视为一种用于规划全局路径的机器学习模型(例如A*、D*、RRT、Dijkstra)的训练过程，即对于训练集中的样本，执行上述基于风险区管理的无人车导航方法的步骤1)至步骤5)。实际商用时，上述基于风险区管理的无人车导航方法进行规划全局路径，也就使用的是训练好的机器学习模型。
当有多个无人车各自当前对应的风险区均存在其他无人车时，先对所述多个无人车进行优先级排序，这里优先级排序的规则建议为：剩余路径越长，则优先级别越高。
任一无人车当前对应的风险区可分为多个级别，例如高风险区、低风险区。相应的，当有多个无人车各自当前对应的风险区均存在其他无人车时，向优先级较低的无人车发出降速指令，具体是根据各级别风险区是否存在其他无人车来确定危险等级，按照危险等级越高降速幅度越大的原则，执行对应的降速移动(即某车辆的高风险区、低风险区存在障碍，则降速移动)。降速幅度与危险等级(风险级别)的量化对应关系可以由系统服务器设定。例如，高风险减速快，低风险减速缓；也可以高风险以更大减速度降速至停止。
示例性地，任一无人车当前对应的风险区的级别具体划分方式可以采用以下方案：
对应于前进方向，如图2所示：
根据各无人车尺寸(最大外廓长度dm)、各无人车标准速度vm和最大减速度am，①为高风险区，②为低风险区。高风险区为
Figure BDA0003507085370000061
所覆盖格栅区域，低风险区为
Figure BDA0003507085370000062
所覆盖格栅区域；
高风险区长边
Figure BDA0003507085370000063
Figure BDA0003507085370000064
低风险区长边
Figure BDA0003507085370000071
对应于转弯方向，如图3所示：
根据最小转弯半径r，高风险地区转弯圆心角
Figure BDA0003507085370000072
低风险地区转弯圆心角
Figure BDA0003507085370000073
①为高风险区，②为低风险区；
高风险区长边
Figure BDA0003507085370000074
Figure BDA0003507085370000075
低风险区长边
Figure BDA0003507085370000076
Figure BDA0003507085370000077
则高风险区为基于正前方偏转
Figure BDA0003507085370000078
辐射角度的
Figure BDA0003507085370000079
所覆盖的第三格栅区域，低风险区为基于正前方偏转
Figure BDA00035070853700000710
辐射角度的
Figure BDA00035070853700000711
所覆盖的第四格栅区域去除与所述第三格栅区域重叠部分后的格栅区域。
示例性地，若当前无人车(记为无人车A)对应的至少一级风险区存在其他无人车(记为无人车B、无人车C)时，先对这些无人车进行优先级排序。假设无人车A的剩余路径最长，无人车B次之，无人车C距离其目标位置最近，则无人车A、无人车B、无人车C的优先级依次降低。于是，无人车A仍然按标准速度继续移动，无人车B的低风险区存在障碍、无人车C的高风险区存在障碍，则相当于无人车C的危险等级高于无人车B的危险等级，可以使无人车C降速至v/4或以较大的减速度降速至暂停(待无人车C的风险区不存在障碍，再次以其标准速度移动)，无人车B降速至v/2。
在一个实施例中，还提供了一种用于无人车导航的系统服务器(计算机设备)，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储栅格地图数据以及所有无人车的个体信息等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述的一种多模态学习无人车导航方法。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于风险区管理的无人车导航方法，其特征在于，应用于系统服务器，所述方法包括：
1)预存初始栅格地图，并接收初始化设置参数；所述初始化设置参数包括给定时间间隔
Figure FDA0003507085360000011
无人车类型m，给定各类型无人车的最大外廓长度dm、标准速度vm以及最大减速度am；
2)获取所述初始栅格地图范围内所有无人车的个体信息，所述个体信息包括无人车当前位置、无人车目标位置、无人车类型m以及无人车标准速度vm；
3)根据所述个体信息，为每个无人车规划当前位置到目标位置的初始全局路径，并生成实时更新的栅格地图；
4)根据所述实时更新的栅格地图上的风险要素信息，判断任一无人车当前对应的风险区是否存在其他无人车；所述风险要素信息包括任一无人车的当前位置和其剩余路径、所述其他无人车的当前位置和其剩余路径；所述任一无人车当前对应的风险区是根据最大外廓长度dm、最小转弯半径r、标准速度v以及减速性能划分设定，覆盖该无人车的前进方向和转弯方向；
5)若任一无人车当前对应的风险区存在其他无人车，则向该无人车发出降速指令，使其按照设定的速度或减速度移动。
2.根据权利要求1所述的基于风险区管理的无人车导航方法，其特征在于，步骤5)还包括：
当有多个无人车各自当前对应的风险区均存在其他无人车时，先对所述多个无人车进行优先级排序，基于最高优先级的无人车的所述个体信息更新栅格地图，为该最高优先级的无人车重新规划全局路径，并使其按标准速度继续移动；同时，向优先级较低的无人车发出降速指令，使其降速移动；
直至所有无人车到达目标位置。
3.根据权利要求2所述的基于风险区管理的无人车导航方法，其特征在于，步骤3)中规划初始全局路径以及步骤5)中重新规划全局路径，采用了A*、D*、RRT或Dijkstra算法。
4.根据权利要求2所述的基于风险区管理的无人车导航方法，其特征在于，所述优先级排序的规则为剩余路径越长，则优先级别越高。
5.根据权利要求2所述的基于风险区管理的无人车导航方法，其特征在于，所述任一无人车当前对应的风险区分为至少两个级别；步骤5)中，所述降速移动的降速幅度或者减速度值与风险区的级别相对应。
6.根据权利要求5所述的基于风险区管理的无人车导航方法，其特征在于，所述任一无人车当前对应的风险区分为高风险区和低风险区，划分方式具体如下：
对应于前进方向：高风险区为栅格地图上无人车前方
Figure FDA0003507085360000021
所覆盖的第一格栅区域，低风险区为栅格地图上无人车前方
Figure FDA0003507085360000022
所覆盖的第二格栅区域；其中
Figure FDA0003507085360000023
的起点为无人车的中心位置；
Figure FDA0003507085360000024
Figure FDA0003507085360000025
对应于转弯方向：根据最小转弯半径r，高风险区转弯圆心角
Figure FDA0003507085360000026
Figure FDA0003507085360000027
低风险区转弯圆心角
Figure FDA0003507085360000028
高风险区长边
Figure FDA0003507085360000029
Figure FDA00035070853600000210
低风险区长边
Figure FDA00035070853600000211
Figure FDA00035070853600000212
高风险区为基于正前方偏转
Figure FDA0003507085360000031
辐射角度的
Figure FDA0003507085360000032
所覆盖的第三格栅区域，低风险区为基于正前方偏转
Figure FDA0003507085360000033
辐射角度的
Figure FDA0003507085360000034
所覆盖的第四格栅区域去除与所述第三格栅区域重叠部分后的格栅区域。
7.根据权利要求5所述的基于风险区管理的无人车导航方法，其特征在于，所述任一无人车当前对应的风险区分为高风险区和低风险区；划分方式具体如下：
对应于前进方向：根据所述最大外廓长度dm确定其前端位置，自该前端位置开始由标准速度v减到0的距离为安全距离L，以标准正态分布距离划分风险区级别；
对应于转弯方向：根据最小转弯半径r以标准正态分布的形式划分风险区级别。
8.一种用于无人车导航的系统服务器，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述基于风险区管理的无人车导航方法。
9.一种用于规划全局路径的机器学习模型的训练方法，其特征在于，对于训练集中的样本，执行权利要求1所述基于风险区管理的无人车导航方法的步骤1)至步骤5)。
10.根据权利要求9所述的用于规划全局路径的机器学习模型的训练方法，其特征在于，所述机器学习模型采用A*、D*、RRT或Dijkstra算法。
CN202210142722.5A 2022-02-16 2022-02-16 一种基于风险区管理的无人车导航方法以及系统服务器 Active CN114518760B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210142722.5A CN114518760B (zh) 2022-02-16 2022-02-16 一种基于风险区管理的无人车导航方法以及系统服务器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210142722.5A CN114518760B (zh) 2022-02-16 2022-02-16 一种基于风险区管理的无人车导航方法以及系统服务器

Publications (2)

Publication Number Publication Date
CN114518760A true CN114518760A (zh) 2022-05-20
CN114518760B CN114518760B (zh) 2024-06-25

Family

ID=81598198

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210142722.5A Active CN114518760B (zh) 2022-02-16 2022-02-16 一种基于风险区管理的无人车导航方法以及系统服务器

Country Status (1)

Country Link
CN (1) CN114518760B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100108093A (ko) * 2009-03-27 2010-10-06 국방과학연구소 방향별 주행성 속도지도를 활용한 무인차량의 지역경로계획장치 및 방법
KR20130094533A (ko) * 2012-02-16 2013-08-26 인하대학교 산학협력단 이동로봇의 충돌방지 시스템 및 방법
CN112284393A (zh) * 2020-10-23 2021-01-29 苏州大学 一种智能移动机器人全局路径规划方法和系统
CN113515128A (zh) * 2021-07-30 2021-10-19 华东理工大学 一种无人车实时路径规划方法及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100108093A (ko) * 2009-03-27 2010-10-06 국방과학연구소 방향별 주행성 속도지도를 활용한 무인차량의 지역경로계획장치 및 방법
KR20130094533A (ko) * 2012-02-16 2013-08-26 인하대학교 산학협력단 이동로봇의 충돌방지 시스템 및 방법
CN112284393A (zh) * 2020-10-23 2021-01-29 苏州大学 一种智能移动机器人全局路径规划方法和系统
CN113515128A (zh) * 2021-07-30 2021-10-19 华东理工大学 一种无人车实时路径规划方法及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吕海泳;蔡建宁;袁贺男;: "基于视觉SLAM的无人运转车导航系统设计", 山东工业技术, no. 03, 15 June 2020 (2020-06-15) *

Also Published As

Publication number Publication date
CN114518760B (zh) 2024-06-25

Similar Documents

Publication Publication Date Title
CN111426326B (zh) 一种导航方法、装置、设备、系统及存储介质
US11378404B2 (en) Methods and systems for generating a horizon for use in an advanced driver assistance system (ADAS)
JP7330142B2 (ja) 車両のｕターン経路を決定する方法、装置、デバイスおよび媒体
EP3629121B1 (en) A curvature corrected path sampling system for autonomous driving vehicles
EP4296133A1 (en) Intelligent driving method and apparatus, and storage medium and computer program
EP1733287B1 (en) System and method for adaptive path planning
JP2022160538A (ja) 衝突検出方法、装置、電子機器、記憶媒体、自動運転車両及びコンピュータプログラム
US12051325B2 (en) Method and apparatus for coordinating multiple cooperative vehicle trajectories on shared road networks
WO2023147769A1 (en) Systems, methods, and computer-readable media for spatio-temporal motion planning
CN115309163A (zh) 基于改进方向评价函数dwa算法的局部路径规划方法
US20230205234A1 (en) Information processing device, information processing system, method, and program
US20230211802A1 (en) Motion planning using spatio-temporal convex corridors
CN114518760A (zh) 一种基于风险区管理的无人车导航方法以及系统服务器
CN116659501A (zh) 数据处理方法、装置和车辆
CN114701495A (zh) 车道偏离抑制方法、电子设备和存储介质
Rebollo et al. Collision avoidance among multiple aerial robots and other non-cooperative aircraft based on velocity planning
CN115218902A (zh) 一种轨迹规划方法、装置、设备及存储介质
Wissing et al. Hybrid navigation system for mecanum based omnidirectional automated guided vehicles
Patil et al. Real-time collision risk estimation based on stochastic reachability spaces
CN114464013B (zh) 多车辆协同避碰方法、装置、系统、存储介质及终端
Wang et al. An approximation path planning algorithm for fixed-wing UAVs in stationary obstacle environment
CN116892953A (zh) 路径规划方法、装置、电子设备及计算机存储介质
CN116215521A (zh) 一种车辆的避障方法、装置、车辆及存储介质
CN117565894A (zh) 自动驾驶车辆控制方法、装置、设备及存储介质
CN118295424A (zh) 充电机器人避障方法、装置、计算机设备和存储介质

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