CN114648161A - 一种大吨位装载机自适应智能装载系统 - Google Patents
一种大吨位装载机自适应智能装载系统 Download PDFInfo
- Publication number
- CN114648161A CN114648161A CN202210250105.7A CN202210250105A CN114648161A CN 114648161 A CN114648161 A CN 114648161A CN 202210250105 A CN202210250105 A CN 202210250105A CN 114648161 A CN114648161 A CN 114648161A
- Authority
- CN
- China
- Prior art keywords
- data
- loader
- loading
- self
- tonnage
- 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
- 238000005457 optimization Methods 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 230000004927 fusion Effects 0.000 claims abstract description 19
- 230000000007 visual effect Effects 0.000 claims abstract description 15
- 238000005516 engineering process Methods 0.000 claims abstract description 14
- 238000005070 sampling Methods 0.000 claims abstract description 11
- 238000010801 machine learning Methods 0.000 claims abstract description 10
- 238000003860 storage Methods 0.000 claims abstract description 9
- 238000005265 energy consumption Methods 0.000 claims abstract description 6
- 238000013528 artificial neural network Methods 0.000 claims abstract description 4
- 239000011435 rock Substances 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000011160 research Methods 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 16
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000009412 basement excavation Methods 0.000 description 4
- 239000003795 chemical substances by application Substances 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 239000010410 layer Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 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
- 238000011156 evaluation Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
-
- 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
-
- 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
- G05D1/0227—Control of position or course in two dimensions specially adapted to land vehicles using mechanical sensing means, e.g. for sensing treated area
-
- 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
- G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Operation Control Of Excavators (AREA)
Abstract
本发明公开了一种大吨位装载机自适应智能装载系统,涉及到一种基于长短记忆神经网络、视觉分析以及结合历史数据联合驱动技术,包括视觉识别系统、数据采样与解码系统、数据融合系统、优化计算系统和存储系统,所述视觉识别系统利用激光雷达和3D扫描仪对装载机的作业环境进行快速识别,获取地形地貌数据,所述数据采样与解码系统是利用不同类型的传感器来获取多源异构数据,以太网将采集的数据传输到计算机进行解码并对其进行清洗和简化处理,所述数据融合系统是基于长短记忆网络等机器学习算法前次装载轨迹的结果和历史数据进行数据扩容,实现不同工况下数据的融合,对提高装载机作业效率、降低系统能耗具有重要意义。
Description
技术领域
本发明涉及装载机智能装载技术领域,具体为一种大吨位装载机自适应智能装载系统。
背景技术
随着智能化技术的发展,智能技术在机械领域中得到了广泛的应用并且取得了高速的发展;帮助诸多企业完成从产品研发、制造到后期运维的全生命周期管理。大吨位装载机是矿山开采中使用的吨位在10吨级以上的大型装载机设备,在我国的矿山开采系统中起着关键的作用,它具有机动性好,操作轻便等优点。复杂多变的作业环境和装载机庞大的自身结构在最小能耗下的运行参数设计和性能评估成为棘手问题;结合我国大吨位装载机的技术现状,目前对各生产要素的模拟、监测、分析等技术不是很完善,影响装载机性能的学科和参数众多,传统的分析和优化方法通常无法实现大吨位装载机自适应智能装载作业。运用提出的视觉分析与历史数据联合驱动技术可以实时规划出装载机的作业轨迹,该方法可以有效降低其系统工作能耗,同时对装载机的性能优化和故障检测具有重要意义。
发明内容
本发明要解决的技术问题是克服现有的缺陷,提供一种大吨位装载机自适应智能装载系统,实现对大吨位装载机的作业地形地貌进行识别和装载轨迹规划,可以有效解决背景技术中的问题。
为实现上述目的,本发明提供如下技术方案:一种大吨位装载机自适应智能装载系统,包括视觉识别系统、数据采样与解码系统、数据融合系统、优化计算系统和存储系统,所述视觉识别系统利用激光雷达和3D扫描仪对装载机的作业环境进行快速识别,获取地形地貌数据,所述数据采样与解码系统是利用不同类型的传感器来获取多源异构数据,以太网将采集的数据传输到计算机进行解码并对其进行清洗和简化处理,所述数据融合系统是基于长短记忆网络等机器学习算法前次装载轨迹的结果和历史数据进行数据扩容,实现不同工况下数据的融合,所述优化计算系统是对当前融合后的工况进行最优装载轨迹规划,获得最佳的装载轨迹,所述存储系统是将当前装载轨迹数据和历史作业数据进行存储。
进一步的,所述觉识别系统主要是利用了基于双目视觉的3D视觉检测技术和激光雷达扫描,是一种通过机器学习模型结合摄影几何的约束拟合3D空间中的数据分布,双目视觉会构建出来额外得视觉信息,构建出场景信息,获得场景信息与数据信息之间的映射关系。
进一步的,所述数据采样与解码系统是将传感器采集到的数据通过蓝牙、 Wifi通讯技术传输至服务器,然后采用机器学习相关智能算法进行滤波有效处理,最大程度上减小数据传递的误差。
进一步的,所述数据融合系统充分考虑周围环境、矿岩参数以及装载机历史作业数据,使装载机能够辨识当前所处环境的装载条件,装载机控制系统通过分析历史作业数据,在先进的群智能算法作用下,快速规划出当前的装载轨迹,同时将该数据进行存储,为后续的预测和规划提供数据基础。
进一步的,所述优化计算系统包括长短记忆神经网络、先进的群智能优化算法,针对装载机复杂的作业环境,建立虑及系统应力、振动频率、可靠性以及系统能耗的装载机装载轨迹列式,通过运用先前群智能优化算法,获得装载机自适应装载轨迹。
进一步的,所述存储系统为后续的诸多工况自适应装载轨迹规划研究提供数据基础。
与现有技术相比,本发明的有益效果是:
本发明不仅能够实现装载机装载轨迹的自适应控制,还能够保证装载机在装载过程中各零部件的应力均在许应应力范围以内,通过针对大吨位装载机进行自适应控制,可以使装载机在最佳性能下进行装载作业,有效提高了装载机的使用寿命,对装载机在全生命周期范围内进行运维管理具有重要意义。
附图说明
图1为本发明复杂工况下多源异构数据获取方法流程图;
图2为本发明装载轨迹快速规划过程示意图;
图3为本发明装载机自适应装载控制示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
请参阅图1-3,本发明提供一种技术方案:一种大吨位装载机自适应智能装载系统,包括视觉识别系统、数据采样与解码系统、数据融合系统、优化计算系统和存储系统,视觉识别系统利用激光雷达和3D扫描仪对装载机的作业环境进行快速识别,获取地形地貌数据,觉识别系统主要是利用了基于双目视觉的3D视觉检测技术和激光雷达扫描,是一种通过机器学习模型结合摄影几何的约束拟合3D空间中的数据分布,双目视觉会构建出来额外得视觉信息,构建出场景信息,获得场景信息与数据信息之间的映射关系,数据采样与解码系统是利用不同类型的传感器来获取多源异构数据,以太网将采集的数据传输到计算机进行解码并对其进行清洗和简化处理,数据采样与解码系统是将传感器采集到的数据通过蓝牙、Wifi通讯技术传输至服务器,然后采用机器学习相关智能算法进行滤波有效处理,最大程度上减小数据传递的误差,数据融合系统是基于长短记忆网络等机器学习算法前次装载轨迹的结果和历史数据进行数据扩容,实现不同工况下数据的融合,数据融合系统充分考虑周围环境、矿岩参数以及装载机历史作业数据,使装载机能够辨识当前所处环境的装载条件,装载机控制系统通过分析历史作业数据,在先进的群智能算法作用下,快速规划出当前的装载轨迹,同时将该数据进行存储,为后续的预测和规划提供数据基础,优化计算系统是对当前融合后的工况进行最优装载轨迹规划,获得最佳的装载轨迹,优化计算系统包括长短记忆神经网络、先进的群智能优化算法,针对装载机复杂的作业环境,建立虑及系统应力、振动频率、可靠性以及系统能耗的装载机装载轨迹列式,通过运用先前群智能优化算法,获得装载机自适应装载轨迹,存储系统是将当前装载轨迹数据和历史作业数据进行存储,存储系统为后续的诸多工况自适应装载轨迹规划研究提供数据基础。
复杂工况下多源异构数据获取方法:在复杂多变的多层次体系作业环境中,矿岩三维形貌的识别主要依靠激光雷达获得的相对点云信息和惯导-RTK 获得的绝对位姿信息。基于多传感器对不同尺度特征和不同区域形貌畸变的矿岩进行探测,建立单轴和多轴复合振动环境下的多传感技术的误差传递模型。为获得精确的RTK位置和姿态信息,将带有标记的数据发至惯导,精确计算出位姿变换矩阵。从获取的2D点云数据流中提取最佳的匹配参数,根据激光雷达的位姿信息,利用H∞鲁棒滤波方法和数据融合算法解算出高精度的三维形貌点云数据,构造点云特征球空间。
由于装载机尺寸较大,需要借助多个激光雷达协同工作才能获取足够的信息。基于多层次体系可靠分割技术,将雷达扫描的区域进行分割,并将多视图的数据进行叠加融合,研究点云数据量和离散精度的映射关系,实现小样本数据与高精度环境的快速重构。随着雷达扫描范围的继续扩大,获取的点云数据急速增加,基于多视角点云数据的叠加融合机理,将不同地质工况数据的有效归类,建立不同尺度类型矿岩的快速重构模型,采用高精度插值算法,对全局地形地貌和局部几何形状数据进行插值处理,实现装载机的时- 空变尺度的精确感知。
装载轨迹快速规划过程:装载机在复杂作业环境下要兼顾高效、平稳和低耗节能要求,同时面临矿岩形貌、挖掘阻力、随机振动等不确定因素的影响。针对装载机载荷、外界环境参数、挖掘阻力参数等具有较大变异范围的多源不确定性,基于凸集模型和“未知但有界”不确定性建模理论,构建最小体积包络凸集模型的半定规划列式。在此基础上,研究虑及不确定性因素混合代理模型的建模方法,将单一低精度代理模型组合为多元高精度的代理模型,实现不同维度、不同非线性关系代理模型的融合。
基于凸模型和区间模型理论,利用内层数学规划的最优解必要条件,研究不确定优化的原始双层嵌套优化模型的求解方法。针对三维形貌信息及装载机姿态特征信息,建立虑及矿岩形貌、挖掘阻力、随机振动等不确定因素的系统级的挖掘轨迹优化列式。研究装载效率、平稳性、稳定性、节能性等强约束对可行区间的限制作用,将双层嵌套的不确定性轨迹规划问题转变为单层的高维非线性问题,利用先进的群智能优化算法进行快速求解,获得强约束下装载机的最优装载轨迹。
装载机自适应装载控制:结合大吨位装载机综合性能和服役工况的特点,基于装载机在复杂工况下历史累计的作业数据,构建深度学习下装载机铲斗作业的孪生模型,研究物理数据与孪生数据的映射驱动关系,探索从实测数据到孪生模型的框架机制,突破基于实测数据与虚拟模型的设置方法。在此基础上,研究基于动力学规划模型与数字孪生模型的融合机制,获得动力学模型和数字孪生模型联合驱动的轨迹规划方案。
基于深度学习和动力学模型联合驱动的智能轨迹规划方案,利用无监督学习算法对多源异构数据进行关键特征提取与降维处理,研究矿岩形貌数据与运行数据之间的相互影响机理,关联装载机的动力学模型,并对深度学习模型的参数进行设置,利用先进的深度学习算法对其进行求解,形成具有不断学习能力的轨迹规划模型,实现深度学习下的自适应调整装载轨迹的实时调整和更新。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.一种大吨位装载机自适应智能装载系统,包括视觉识别系统、数据采样与解码系统、数据融合系统、优化计算系统和存储系统,其特征在于:所述视觉识别系统利用激光雷达和3D扫描仪对装载机的作业环境进行快速识别,获取地形地貌数据,所述数据采样与解码系统是利用不同类型的传感器来获取多源异构数据,以太网将采集的数据传输到计算机进行解码并对其进行清洗和简化处理,所述数据融合系统是基于长短记忆网络等机器学习算法前次装载轨迹的结果和历史数据进行数据扩容,实现不同工况下数据的融合,所述优化计算系统是对当前融合后的工况进行最优装载轨迹规划,获得最佳的装载轨迹,所述存储系统是将当前装载轨迹数据和历史作业数据进行存储。
2.根据权利要求1所述的一种大吨位装载机自适应智能装载系统,其特征在于:所述觉识别系统主要是利用了基于双目视觉的3D视觉检测技术和激光雷达扫描,是一种通过机器学习模型结合摄影几何的约束拟合3D空间中的数据分布,双目视觉会构建出来额外得视觉信息,构建出场景信息,获得场景信息与数据信息之间的映射关系。
3.根据权利要求1所述的一种大吨位装载机自适应智能装载系统,其特征在于:所述数据采样与解码系统是将传感器采集到的数据通过蓝牙、Wifi通讯技术传输至服务器,然后采用机器学习相关智能算法进行滤波有效处理,最大程度上减小数据传递的误差。
4.根据权利要求1所述的一种大吨位装载机自适应智能装载系统,其特征在于:所述数据融合系统充分考虑周围环境、矿岩参数以及装载机历史作业数据,使装载机能够辨识当前所处环境的装载条件,装载机控制系统通过分析历史作业数据,在先进的群智能算法作用下,快速规划出当前的装载轨迹,同时将该数据进行存储,为后续的预测和规划提供数据基础。
5.根据权利要求1所述的一种大吨位装载机自适应智能装载系统,其特征在于:所述优化计算系统包括长短记忆神经网络、先进的群智能优化算法,针对装载机复杂的作业环境,建立虑及系统应力、振动频率、可靠性以及系统能耗的装载机装载轨迹列式,通过运用先前群智能优化算法,获得装载机自适应装载轨迹。
6.根据权利要求1所述的一种大吨位装载机自适应智能装载系统,其特征在于:所述存储系统为后续的诸多工况自适应装载轨迹规划研究提供数据基础。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210250105.7A CN114648161A (zh) | 2022-03-14 | 2022-03-14 | 一种大吨位装载机自适应智能装载系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210250105.7A CN114648161A (zh) | 2022-03-14 | 2022-03-14 | 一种大吨位装载机自适应智能装载系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114648161A true CN114648161A (zh) | 2022-06-21 |
Family
ID=81993019
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210250105.7A Pending CN114648161A (zh) | 2022-03-14 | 2022-03-14 | 一种大吨位装载机自适应智能装载系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114648161A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117312281A (zh) * | 2023-06-30 | 2023-12-29 | 江苏中科西北星信息科技有限公司 | 一种多源异构数据自动融合方法、系统、设备及存储介质 |
CN117602396A (zh) * | 2023-11-29 | 2024-02-27 | 中国农业大学 | 一种青饲料收获机自动跟车抛送填装方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021151351A1 (zh) * | 2020-09-04 | 2021-08-05 | 平安科技(深圳)有限公司 | 一种数据处理方法、装置、计算机设备及存储介质 |
CN113985873A (zh) * | 2021-10-26 | 2022-01-28 | 吉林大学 | 一种装载机自主铲掘作业铲掘点规划方法 |
-
2022
- 2022-03-14 CN CN202210250105.7A patent/CN114648161A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021151351A1 (zh) * | 2020-09-04 | 2021-08-05 | 平安科技(深圳)有限公司 | 一种数据处理方法、装置、计算机设备及存储介质 |
CN113985873A (zh) * | 2021-10-26 | 2022-01-28 | 吉林大学 | 一种装载机自主铲掘作业铲掘点规划方法 |
Non-Patent Citations (1)
Title |
---|
李鑫 等: "《矿山无人驾驶》", 30 November 2021, 中国矿业大学出版社, pages: 91 - 92 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117312281A (zh) * | 2023-06-30 | 2023-12-29 | 江苏中科西北星信息科技有限公司 | 一种多源异构数据自动融合方法、系统、设备及存储介质 |
CN117312281B (zh) * | 2023-06-30 | 2024-05-24 | 江苏中科西北星信息科技有限公司 | 一种多源异构数据自动融合方法、系统、设备及存储介质 |
CN117602396A (zh) * | 2023-11-29 | 2024-02-27 | 中国农业大学 | 一种青饲料收获机自动跟车抛送填装方法 |
CN117602396B (zh) * | 2023-11-29 | 2024-04-30 | 中国农业大学 | 一种青饲料收获机自动跟车抛送填装方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112598796B (zh) | 基于广义点云的三维建筑信息模型构建与自动更新的方法 | |
CN114648161A (zh) | 一种大吨位装载机自适应智能装载系统 | |
CN113593017B (zh) | 露天矿地表三维模型构建方法、装置、设备及存储介质 | |
CN111208759A (zh) | 矿井无人化综采工作面数字孪生智能监控系统 | |
CN111177942A (zh) | 矿井无人化综掘工作面数字孪生智能监控系统 | |
CN114543666B (zh) | 一种基于矿场环境感知的堆料面预测方法 | |
CN114004869A (zh) | 一种基于3d点云配准的定位方法 | |
CN113110455B (zh) | 一种未知初始状态的多机器人协同探索方法、装置及系统 | |
CN110726413B (zh) | 面向大规模slam的多传感器融合与数据管理方法 | |
CN112784403A (zh) | 基于点云数据建立节理岩体离散元模型的数值模拟方法 | |
CN114444816A (zh) | 一种大吨位装载机的识别、控制数字孪生系统 | |
CN114581619A (zh) | 一种基于三维定位和二维建图的煤仓建模方法 | |
CN115730684A (zh) | 一种基于lstm-cnn模型的空气质量检测系统 | |
Chun-Lei et al. | Intelligent detection for tunnel shotcrete spray using deep learning and LiDAR | |
CN114463932B (zh) | 非接触式施工安全距离主动动态识别预警系统及方法 | |
Wang et al. | Construction and application of artificial intelligence crowdsourcing map based on multi-track GPS data | |
CN113077497A (zh) | 基于3d ndt-icp算法的掘进巷道点云配准方法 | |
CN114359861B (zh) | 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 | |
CN111724436A (zh) | 一种基于点云数据处理的隧道喷射方量估算方法 | |
CN117213470B (zh) | 一种多机碎片地图聚合更新方法及系统 | |
CN114565726A (zh) | 一种非结构化动态环境下的同时定位与建图方法 | |
CN111666712B (zh) | 一种大型复杂机电装备的“测-算-控”智能化数字孪生方法 | |
Xu et al. | A new welding path planning method based on point cloud and deep learning | |
CN117372201A (zh) | 一种应用于水库的智慧水利数字孪生模型快速构建方法 | |
CN114659518B (zh) | 一种固定场景下的高精鲁棒定位方法 |
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 |