CN114721008A - 一种障碍物检测方法、装置、计算机设备和存储介质 - Google Patents
一种障碍物检测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN114721008A CN114721008A CN202210306356.2A CN202210306356A CN114721008A CN 114721008 A CN114721008 A CN 114721008A CN 202210306356 A CN202210306356 A CN 202210306356A CN 114721008 A CN114721008 A CN 114721008A
- Authority
- CN
- China
- Prior art keywords
- threat
- neighborhood
- grids
- state information
- data
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请涉及一种障碍物检测方法、装置、计算机设备和存储介质。所述方法包括:获取检测区域的点云数据,将点云数据进行处理,得到预处理数据;建立坐标系,将预处理数据转换为与坐标系对应的坐标数据;将检测区域划分为若干个网格,判断网格是否被物体占据,若被物体占据,则判定网格为物体占据格,将所有网格进行加和,得到多维网格,对多维网格进行遍历,获取物体的物体信息;根据物体信息构建预测模型,对物体进行预测,得到物体的状态信息;根据状态信息构建威胁场,计算威胁系数,判断物体是否即将产生威胁,若是,则将物体判定为障碍物,发出预警。采用本方法能够多方面检测障碍物,相比使用激光雷达的传统检测技术,显著提高了检测能力。
Description
技术领域
本申请涉及计算机视觉技术领域,特别是涉及一种障碍物检测方法、装置、计算机设备和存储介质。
背景技术
计算机视觉指的是使用计算机及相关设备对生物视觉的一种模拟,其主要任务是通过对采集的图片或视频进行处理以获得相应场景的三维信息,在工业环境下,可以通过计算机视觉技术实现环境感知,而激光雷达作为一种主要的环境感知传感器,在对环境中的物体进行检测时具有重要作用。
目前,在传统工业环境下,进行工业自动化运作时,工作器械会使用激光雷达对当前环境中的物体进行检测,以识别出可能会威胁到工作器械运作的障碍物,但这些检测方式较为片面,检测能力较弱,且在障碍物被识别出后的应对方式不够完善。
发明内容
基于此,提供一种障碍物检测方法、装置、计算机设备和存储介质,解决现有技术中激光雷达检测能力较弱的问题。
一方面,提供一种障碍物检测方法,所述方法包括:
获取预设的检测区域的点云数据,将所述点云数据进行滤波处理,得到预处理数据;
根据所述检测区域建立坐标系,将所述预处理数据转换为与所述坐标系对应的坐标数据;
将所述检测区域划分为与所述坐标系对应的若干个网格,根据所述坐标数据判断所述网格是否被物体占据,若被所述物体占据,则判定所述网格为物体占据格,将所有所述网格进行加和,得到多维网格,对所述多维网格进行遍历,获取所述物体的物体信息;
根据所述物体信息构建预测模型,根据所述预测模型对所述物体进行预测,得到所述物体的状态信息;
根据所述状态信息构建威胁场,根据所述威胁场计算威胁系数,根据所述威胁系数判断所述物体是否即将产生威胁,若是,则将所述物体判定为障碍物,发出预警。
在其中一个实施例中,将所述检测区域划分为与所述坐标系对应的若干个网格,根据所述坐标数据判断所述网格是否被物体占据包括:
所述检测区域包括单区域和/或重叠区域,其中,所述单区域是单个雷达检测到所述物体的区域,所述重叠区域是多个所述单区域重叠覆盖的区域,对所述雷达设有对应的置信水平,
若所述检测区域为所述单区域,则选择所述置信水平较高的所述雷达来判断所述网格是否被物体占据;
若所述检测区域为所述重叠区域,则将组成所述重叠区域的多个所述雷达按照置信水平进行融合,判断所述网格是否被物体占据。
在其中一个实施例中,对所述多维网格进行遍历包括:
将任一所述坐标数据标记为核心点,根据所述核心点和预设的邻域半径划分与所述核心点对应的邻域,根据所述邻域中的所述坐标数据的数量计算所述邻域的邻域密度,将所述邻域密度与预设的密度阈值进行对比,
若所述邻域密度大于或等于密度阈值,则将所述邻域中的所述坐标数据分为一类;
若所述邻域密度小于密度阈值,则将所述邻域中的所述核心点判定为噪点。
在其中一个实施例中,对所述多维网格进行遍历还包括:
根据所述多维网格,判断所有所述坐标数据是否被标记为所述核心点,
若存在未被标记为所述核心点的所述坐标数据,则将所述未被标记的坐标数据标记为所述核心点,根据所述核心点和预设的邻域半径划分与所述核心点对应的邻域,根据所述邻域中的所述坐标数据的数量计算所述邻域的邻域密度,将所述邻域密度与预设的密度阈值进行对比;
若不存在未被标记为所述核心点的所述坐标数据,则结束对所述多维网格的遍历。
在其中一个实施例中,根据所述物体信息构建预测模型,根据所述预测模型对所述物体进行预测,得到所述物体的状态信息,还包括:
将所述预测模型通过滤波进行优化,对所述物体进行预测,得到所述状态信息,计算所述状态信息的后验概率,根据后验概率验证所述状态信息的可靠程度。
在其中一个实施例中,根据所述状态信息构建威胁场,根据所述威胁场计算威胁系数包括:
所述威胁场包括单威胁场和总威胁场,根据所述状态信息构建单个所述物体的所述单威胁场,通过势场叠加原理,根据所述单威胁场计算在多个所述物体场景下的所述总威胁场,根据总威胁场计算威胁系数,其中,所述单威胁场的数学表达式如下:
其中,
krunv、kobsv是常系数,表示工作器械的速度,表示所述物体的速度,(x,y)表示所述工作器械的位置,(xobs,yobs)表示所述物体的位置,m表示用于补偿由所述物体引起的变化的补偿系数,表示单位向量,方向由所述物体的位置指向所述工作器械的位置,表示所述物体的位置指向运动执行机构位置的向量;
其中,
在其中一个实施例中,根据所述威胁系数判断所述物体是否即将产生威胁包括:
将所述威胁系数与预设的安全阈值进行对比,
若所述物体在第一位置的所述威胁系数小于或等于所述安全阈值,则所述物体能通过所述第一位置;
若所述物体在第一位置的所述威胁系数大于所述安全阈值,则所述物体不能通过所述第一位置,发出预警。
另一方面,提供了一种障碍物检测装置,所述装置包括:
采集模块,用于获取预设的检测区域的点云数据,将所述点云数据进行滤波处理,得到预处理数据,根据所述检测区域建立坐标系,将所述预处理数据转换为与所述坐标系对应的坐标数据;
检测模块,用于将所述检测区域划分为与所述坐标系对应的若干个网格,根据所述坐标数据判断所述网格是否被物体占据,若被所述物体占据,则判定所述网格为物体占据格,将所有所述网格进行加和,得到多维网格,对所述多维网格进行遍历,获取所述物体的物体信息;
预测模块,用于根据所述物体信息构建预测模型,根据所述预测模型对所述物体进行预测,得到所述物体的状态信息;
预警模块,用于根据所述状态信息构建威胁场,根据所述威胁场计算威胁系数,根据所述威胁系数判断所述物体是否即将产生威胁,若是,则将所述物体判定为障碍物,发出预警。
再一方面,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取预设的检测区域的点云数据,将所述点云数据进行滤波处理,得到预处理数据;
根据所述检测区域建立坐标系,将所述预处理数据转换为与所述坐标系对应的坐标数据;
将所述检测区域划分为与所述坐标系对应的若干个网格,根据所述坐标数据判断所述网格是否被物体占据,若被所述物体占据,则判定所述网格为物体占据格,将所有所述网格进行加和,得到多维网格,对所述多维网格进行遍历,获取所述物体的物体信息;
根据所述物体信息构建预测模型,根据所述预测模型对所述物体进行预测,得到所述物体的状态信息;
根据所述状态信息构建威胁场,根据所述威胁场计算威胁系数,根据所述威胁系数判断所述物体是否即将产生威胁,若是,则将所述物体判定为障碍物,发出预警。
又一方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取预设的检测区域的点云数据,将所述点云数据进行滤波处理,得到预处理数据;
根据所述检测区域建立坐标系,将所述预处理数据转换为与所述坐标系对应的坐标数据;
将所述检测区域划分为与所述坐标系对应的若干个网格,根据所述坐标数据判断所述网格是否被物体占据,若被所述物体占据,则判定所述网格为物体占据格,将所有所述网格进行加和,得到多维网格,对所述多维网格进行遍历,获取所述物体的物体信息;
根据所述物体信息构建预测模型,根据所述预测模型对所述物体进行预测,得到所述物体的状态信息;
根据所述状态信息构建威胁场,根据所述威胁场计算威胁系数,根据所述威胁系数判断所述物体是否即将产生威胁,若是,则将所述物体判定为障碍物,发出预警。
上述障碍物检测方法、装置、计算机设备和存储介质,通过获取预设的检测区域的点云数据,将所述点云数据进行滤波处理,得到预处理数据,确定激光雷达检测区域,减少了不必要的干扰;通过根据所述检测区域建立坐标系,将所述预处理数据转换为与所述坐标系对应的坐标数据,使得相关数据展现得更加直观,便于后续计算;通过将所述检测区域划分为与所述坐标系对应的若干个网格,根据所述坐标数据判断所述网格是否被物体占据,若被所述物体占据,则判定所述网格为物体占据格,将所有所述网格进行加和,得到多维网格,对所述多维网格进行遍历,获取所述物体的物体信息,从多角度分析所述物体,使得对物体信息的判断更加准确;根据所述物体信息构建预测模型,根据所述预测模型对所述物体进行预测,得到所述物体的状态信息,使得激光雷达能够跟踪所述物体,获取所述物体在运动下的状态信息;通过根据所述状态信息构建威胁场,根据所述威胁场计算威胁系数,根据所述威胁系数判断所述物体是否即将产生威胁,若是,则将所述物体判定为障碍物,发出预警,以使能够判断所述物体是否为威胁工作器械运作的障碍物,并作出相应的应对方式。
附图说明
图1为一个实施例中障碍物检测方法的应用环境图;
图2为一个实施例中障碍物检测方法的流程示意图;
图3为一个实施例中威胁场的示意图;
图4为一个实施例中判断网格是否被物体占据的流程示意图;
图5为一个实施例中障碍物检测装置的结构框图;
图6为一个实施例中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。
本申请提供的障碍物检测方法,可以应用于如图1所示的应用环境中。其中,工作器械101通过激光雷达102对物体103进行检测。激光雷达102获取预设的检测区域的点云数据,将所述点云数据进行滤波处理,得到预处理数据;根据所述检测区域建立坐标系,将所述预处理数据转换为与所述坐标系对应的坐标数据;将所述检测区域划分为与所述坐标系对应的若干个网格,根据所述坐标数据判断所述网格是否被物体占据,若被所述物体占据,则判定所述网格为物体占据格,将所有所述网格进行加和,得到多维网格,对所述多维网格进行遍历,获取所述物体的物体信息;根据所述物体信息构建预测模型,根据所述预测模型对所述物体进行预测,得到所述物体的状态信息;根据所述状态信息构建威胁场,根据所述威胁场计算威胁系数,根据所述威胁系数判断所述物体是否即将产生威胁,若是,则将所述物体判定为障碍物,发出预警。其中,图1仅为对应用环境的示例性描述,并非对图中所示的各个元件类型及构造作出的限定,工业器械101的类型可以但不限于如图1中所示,激光雷达102的设置方式可以但不限于如图1中所示。
在一个实施例中,如图2所示,提供了一种障碍物检测方法,以该方法应用于图1中的应用场景为例进行说明,包括以下步骤:
步骤S1,获取预设的检测区域的点云数据,将所述点云数据进行滤波处理,得到预处理数据。
其中,预设的检测区域是设置激光雷达所要扫描的区域,点云数据是通过激光雷达扫描,得到的物体表面外观点数据的集合。
可以理解的是,因为激光雷达扫描区域有限,所以为了减少不必要的干扰,对激光雷达所需检测的区域进行设置,每个激光雷达只需要对其对应检测区域内的物体进行检测,获取其点云数据并进行处理。
具体地,在获取点云数据后,可以采用非线性平滑滤波算法,设置预处理阈值,当点云数据像素灰度值与其邻域平均值之间的差值大于预处理阈值时,以均值代替,当这个差值小于或等于预处理阈值时,取其点云数据本身的灰度值。
步骤S2,根据所述检测区域建立坐标系,将所述预处理数据转换为与所述坐标系对应的坐标数据。
需要说明的是,由激光雷达返回的数据是极坐标的形式,不利于在定位过程中进行使用,因此将数据的形式进行转换。
具体地,根据检测区域建立全局坐标系,将预处理数据转换成笛卡尔坐标的形式,并对应到全局坐标系上。
步骤S3,将所述检测区域划分为与所述坐标系对应的若干个网格,根据所述坐标数据判断所述网格是否被物体占据,若被所述物体占据,则判定所述网格为物体占据格,将所有所述网格进行加和,得到多维网格,对所述多维网格进行遍历,获取所述物体的物体信息。
具体地,可以将要进行检测的检测区域均匀的划分为若干个较小的网格,将每一个网格当作一个处理单位,对比网格中坐标数据的数量和预设的障碍阈值,若坐标数据的数量大于障碍阈值,则认为该网格中存在物体,判定该网格为物体占据格,若坐标数据的数量小于等于障碍阈值,则认为该网格中不存在物体,判定该网格未被占据,还可以使用三维网格地图融合算法将所有网格进行加和,得到整个检测区域的三维网格地图。
步骤S4,根据所述物体信息构建预测模型,根据所述预测模型对所述物体进行预测,得到所述物体的状态信息。
其中,预测是指根据物体信息,对物体进行跟踪,预测物体的空间状态和运动状态。
具体地,根据物体信息,构建物体的量测方程和运动方程,得到预测模型,预测物体的空间状态和运动状态,再使用卡尔曼滤波器进行滤波,得到物体的状态信息。
步骤S5,根据所述状态信息构建威胁场,根据所述威胁场计算威胁系数,根据所述威胁系数判断所述物体是否即将产生威胁,若是,则将所述物体判定为障碍物,发出预警。
其中,威胁场是体现物体对工业器械运作干扰程度的一种虚拟方法,若该物体形成的威胁场的威胁系数越高,则该物体对工业器械正常运作的威胁也越大,为便于理解,提供图3作为威胁场的其中一种示意图,不对威胁场的任何属性做出限定,其中E1,E2,E3表示不同的威胁场,v表示工业器械的运行速度。
具体地,当物体的威胁系数大于预设的安全阈值,则判定该物体为障碍物,发出预警信息。
上述障碍物检测方法中,通过获取预设的检测区域的点云数据,将所述点云数据进行滤波处理,得到预处理数据,确定激光雷达检测区域,减少了不必要的干扰;通过根据所述检测区域建立坐标系,将所述预处理数据转换为与所述坐标系对应的坐标数据,使得相关数据展现得更加直观,便于后续计算;通过将所述检测区域划分为与所述坐标系对应的若干个网格,根据所述坐标数据判断所述网格是否被物体占据,若被所述物体占据,则判定所述网格为物体占据格,将所有所述网格进行加和,得到多维网格,对所述多维网格进行遍历,获取所述物体的物体信息,从多角度分析所述物体,使得对物体信息的判断更加准确;根据所述物体信息构建预测模型,根据所述预测模型对所述物体进行预测,得到所述物体的状态信息,使得激光雷达能够跟踪所述物体,获取所述物体在运动下的状态信息;通过根据所述状态信息构建威胁场,根据所述威胁场计算威胁系数,根据所述威胁系数判断所述物体是否即将产生威胁,若是,则将所述物体判定为障碍物,发出预警,以使能够判断所述物体是否为威胁工作器械运作的障碍物,并作出相应的应对方式。
在一个实施例中,将所述检测区域划分为与所述坐标系对应的若干个网格,根据所述坐标数据判断所述网格是否被物体占据包括:
所述检测区域包括单区域和/或重叠区域,其中,所述单区域是单个雷达检测到所述物体的区域,所述重叠区域是多个所述单区域重叠覆盖的区域,对所述雷达设有对应的置信水平,
若所述检测区域为所述单区域,则选择所述置信水平较高的所述雷达来判断所述网格是否被物体占据;
若所述检测区域为所述重叠区域,则将组成所述重叠区域的多个所述雷达按照置信水平进行融合,判断所述网格是否被物体占据。
需要说明的是,对于激光雷达的检测区域,存在仅被一个激光雷达覆盖的部分,也存在被多个激光雷达同时覆盖的部分,因此对于不同的覆盖程度,有不同的判断模式。
结合图3,进行示例性地说明,对每个激光雷达设置对应的置信水平,判断检测区域的类型,若检测区域为单区域,则选择置信水平较高的雷达所提供的数据,若检测区域为重叠区域,则按照置信水平将对应的多个雷达所提供的数据进行融合,还需说明的是,若使用三维网格地图融合算法将单区域和重叠区域所提供的所有数据进行加和,则可得到整个检测区域的三维网格地图。
在一个实施例中,对所述多维网格进行遍历包括:
将任一所述坐标数据标记为核心点,根据所述核心点和预设的邻域半径划分与所述核心点对应的邻域,根据所述邻域中的所述坐标数据的数量计算所述邻域的邻域密度,将所述邻域密度与预设的密度阈值进行对比,
若所述邻域密度大于或等于密度阈值,则将所述邻域中的所述坐标数据分为一类;
若所述邻域密度小于密度阈值,则将所述邻域中的所述核心点判定为噪点。
其中,以坐标数据为核心点的任何开区间称为坐标数据的邻域。
具体地,设置邻域半径,以坐标数据为核心点划分坐标数据的邻域,根据邻域内坐标数据的数量,计算当前邻域的邻域密度,当邻域密度大于或等于预设的密度阈值时,则将该邻域内所有坐标数据分为一类,可以用同一种颜色表示同一类坐标数据;当邻域密度小于密度阈值时,则将所述核心点判定为噪点,并将噪点滤除。
在其中一个实施例中,对所述多维网格进行遍历还包括:
根据所述多维网格,判断所有所述坐标数据是否被标记为所述核心点,
若存在未被标记为所述核心点的所述坐标数据,则将所述未被标记的坐标数据标记为所述核心点,根据所述核心点和预设的邻域半径划分与所述核心点对应的邻域,根据所述邻域中的所述坐标数据的数量计算所述邻域的邻域密度,将所述邻域密度与预设的密度阈值进行对比;
若不存在未被标记为所述核心点的所述坐标数据,则结束对所述多维网格的遍历。
其中,对多维网格进行遍历需要保证多维网格中的所有坐标数据都被标记成为过核心点,并对每个核心点都执行相同的判断操作。
在一个实施例中,对所述多维网格进行遍历还包括:
利用区域点云生长算法对多维网格进行细化分割处理,在每个需要分割的区域中选择一个数据点作为种子点,根据预设的生长准则将种子点周围与种子点具有相同或相似的邻域点归并到种子点所在的区域中,所述生长准则可以是法向量、曲率等属性信息,直到没有能够满足生长准则的邻域点可以归并,则该区域生长完成。
示例性地说明,可以设置一个空的种子点序列和一个空的聚类数组,选择曲率最小的点作为种子点并将其加入到种子点序列中;
搜索当前种子点的邻域点,计算邻域点的法线与当前种子点的法线之间的夹角,将小于预设阈值的邻域点加入到当前区域,该阈值可以是平滑处理的平滑阈值;
获取每一个邻域点的曲率,将小于曲率阈值的邻域点加入到种子点序列中,并删除当前种子点,将该邻域点以新的种子点继续生长;
重复进行上述生长过程,直到种子点序列被清空,则一个区域生长完成,并将其加入到聚类数组中,再对剩余未被当作种子点的数据点重复进行上述步骤,直到遍历完所有的数据点。
在一个实施例中,获取所述物体的物体信息包括:
获取扩展目标的物体信息,扩展目标指的是在雷达或其他传感器分辨率较高或者物体距离传感器较近或者物体较大时,物体在每个采样时刻会产生多个量测,也就占有多个分辨单元,这样的物体被称为扩展目标,因此一个扩展目标会在传感器上被检测到多个轮廓边缘量测信息,其中,可以基于星凸描述的轮廓模型量测方程获取物体信息,如下所示:
其中星凸指的是星凸形,用于描述一种不规则轮廓的形状,因为形状的估计越接近于实际物体的不规则轮廓,就能越准确的对物体进行识别和分类,表示物体在k时刻的位置;表示k时刻接收到的量测集;表示这些量测对应的量测源在物体轮廓上的角度;ek,l~N(0,R)表示均值为0,协方差为R的高斯噪声;p(θk,l)表示方向向量;
使用GP(Gaussian process,高斯过程)将基于星凸描述的轮廓模型未知的物体半径函数建模成高斯分布,估计对应有限个数的输入u1,...,uN的函数值,在线学习扩展目标的半径,跟踪扩展目标的外形,其定义:
f(u)~GP(μ(u),k(u,u′))
对于一个恒定但未知的半径函数μ(θ)=r为目标轮廓到目标中心距离的均值,有:
f(θ)~GP(r,k(θ,θ′))
为了使函数具有周期性,修改平方指数协方差函数为:
将均值函数考虑进协方差函数,得到模型函数具有周期为2T的周期性,且不同角度之间的半径总是正相关,并随着角度距离的减小而增大:
此时只有满足f(θ)=f(θ+π)的函数才会被算法学习。
对于保守模型,已知道物体有一条确定的半径r,通过一个均值不为零的高斯先验分布来引入:
通过选择更小的σr和和σf,目标的半径值将会更加接近确定半径r,使得算法更加保守和鲁棒。
在一个实施例中,根据所述物体信息构建预测模型,根据所述预测模型对所述物体进行预测,得到所述物体的状态信息,还包括:
将所述预测模型通过滤波进行优化,对所述物体进行预测,得到所述状态信息,计算所述状态信息的后验概率,根据后验概率验证所述状态信息的可靠程度。
其中,后验概率指的是在一个通信系统中,在收到某个消息之后,接收端所了解到的该消息发送的概率称为后验概率,可以通过计算所述状态信息的后验概率来验证所述状态信息的可靠程度。
在一个实施例中,对所述物体进行预测,得到所述状态信息包括:
进行数据关联,根据物体信息和基于星凸描述的轮廓模型的量测方程,构建量测方程和运动方程,得到基于GP的轮廓量测的跟踪模型。
加入将物体本身的方向角ψk,有:
使用GP的空间状态描述形式,得到标准量测方程如下:
即
zk,l=hk,l(xk)+ek,l ek,l~N(0,Rk,l)
构造一个增广的动态模型,对物体进行预测:
xk+1=F·xk+wk,wk~(0,Qk)
x0=N(μ0,P0)
其中
进行扩展卡尔曼跟踪滤波,估计物体的运动状态和空间状态,将一次扫描获得的所有量测信息集中到一个模型中,使用扩展卡尔曼滤波器计算物体状态信息的后验概率分布,递归地更新物体状态信息的后验概率:
使用扩展卡尔曼滤波器完成对物体状态信息的估计,将标准的扩展卡尔曼滤波器分为预测与更新两个步骤,标准扩展卡尔曼滤波的量测更新数学表达式如下:
Pk|k=Pk|k-1+KkHkPk|k-1
按照扩展卡尔曼滤波的递归流程,时序更新数学表达式如下:
Pk+1|k=FPk|k-1+Q
在一个实施例中,根据所述状态信息构建威胁场,根据所述威胁场计算威胁系数包括:
所述威胁场包括单威胁场和总威胁场,根据所述状态信息构建单个所述物体的所述单威胁场,通过势场叠加原理,根据所述单威胁场计算在多个所述物体场景下的所述总威胁场,根据总威胁场计算威胁系数,其中,所述单威胁场的数学表达式如下:
其中,
krunv、kobsv是常系数,表示工作器械的速度,表示所述物体的速度,需要说明的是上述两种速度指的是速度向量,具有速度值和速度的方向,(x,y)表示所述工作器械的位置,(xobs,yobs)表示所述物体的位置,m表示用于补偿由所述物体引起的变化的补偿系数,表示单位向量,方向由所述物体的位置指向所述工作器械的位置,表示所述物体的位置指向运动执行机构位置的向量;
其中,
其中,需要说明的是,可以采用人工势场法来进行威胁场的计算,人工势场法是通过势力函数表达检测物体对主体的斥力以及终点对主体的引力的一种虚拟方法。
在一个实施例中,根据所述威胁系数判断所述物体是否即将产生威胁包括:
将所述威胁系数与预设的安全阈值进行对比,
若所述物体在第一位置的所述威胁系数小于或等于所述安全阈值,则所述物体能通过所述第一位置;
若所述物体在第一位置的所述威胁系数大于所述安全阈值,则所述物体不能通过所述第一位置,发出预警。
其中,需要说明的是,可以根据物体特征因素和运动学因素,结合工业环境提取威胁因素,物体特征指物体的类型,物体类型越大,对工业器械的威胁越大;运动学因素包括物体速度和工业器械自身速度,两者差值越大,距离越近,则物体的威胁越大。
还需说明的是,可以将物体特征因素和运动学因素进行量化,利用模糊推理法进行计算,得到当前环境下由物体特征和运动学因素形成的威胁系数。
具体地,根据物体特征和运动学两个因素建立模糊集和隶属度函数;
结合模糊推理理论和现有知识,设置模糊推理规则表,将两种因素的模糊集参数相结合,制定威胁系数的推理规则表;
根据威胁系数推理表建立模糊规则,并对威胁系数进行推理,得到威胁系数的模糊等级;
通过去模糊化对威胁系数进行清晰化计算,得到k的具体值。
在一个实施例中,根据所述威胁系数判断所述物体是否即将产生威胁还包括设置碰撞检测:
根据所建立的威胁场,若工业器械发生运动,则实时计算威胁系数,基于工业器械的实时威胁系数进行与物体的碰撞检测。
具体地,当工业器械和运动物体的威胁场相切的时候,设置与该威胁系数数值相等的安全阈值,
若工业器械与物体在某一位置以某一速度运动时的威胁系数小于或等于该安全阈值,则表示工业器械与物体在该位置能安全通行,工业器械和运动物体威胁场交集为空集,可得工业器械的安全约束条件如下式所示:
若工业器械与物体在某一位置以某一速度运动时的威胁系数大于该安全阈值,则表示工业器械与物体在该位置不能安全通行,工业器械与运动物体威胁场交集不为空集,即将与物体发生碰撞,此时进行碰撞预警。
应该理解的是,虽然图2-3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,图2-3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。
在一个实施例中,如图4所示,提供了一种障碍物检测装置,包括:采集模块、检测模块、预测模块和预警模块,其中:
采集模块,用于获取预设的检测区域的点云数据,将所述点云数据进行滤波处理,得到预处理数据,根据所述检测区域建立坐标系,将所述预处理数据转换为与所述坐标系对应的坐标数据;
检测模块,用于将所述检测区域划分为与所述坐标系对应的若干个网格,根据所述坐标数据判断所述网格是否被物体占据,若被所述物体占据,则判定所述网格为物体占据格,将所有所述网格进行加和,得到多维网格,对所述多维网格进行遍历,获取所述物体的物体信息;
预测模块,用于根据所述物体信息构建预测模型,根据所述预测模型对所述物体进行预测,得到所述物体的状态信息;
预警模块,用于根据所述状态信息构建威胁场,根据所述威胁场计算威胁系数,根据所述威胁系数判断所述物体是否即将产生威胁,若是,则将所述物体判定为障碍物,发出预警。
在其中一个实施例中,将所述检测区域划分为与所述坐标系对应的若干个网格,根据所述坐标数据判断所述网格是否被物体占据包括:
所述检测区域包括单区域和/或重叠区域,其中,所述单区域是单个雷达检测到所述物体的区域,所述重叠区域是多个所述单区域重叠覆盖的区域,对所述雷达设有对应的置信水平,
若所述检测区域为所述单区域,则选择所述置信水平较高的所述雷达来判断所述网格是否被物体占据;
若所述检测区域为所述重叠区域,则将组成所述重叠区域的多个所述雷达按照置信水平进行融合,判断所述网格是否被物体占据。
在其中一个实施例中,对所述多维网格进行遍历包括:
将任一所述坐标数据标记为核心点,根据所述核心点和预设的邻域半径划分与所述核心点对应的邻域,根据所述邻域中的所述坐标数据的数量计算所述邻域的邻域密度,将所述邻域密度与预设的密度阈值进行对比,
若所述邻域密度大于或等于密度阈值,则将所述邻域中的所述坐标数据分为一类;
若所述邻域密度小于密度阈值,则将所述邻域中的所述核心点判定为噪点。
在其中一个实施例中,对所述多维网格进行遍历还包括:
根据所述多维网格,判断所有所述坐标数据是否被标记为所述核心点,
若存在未被标记为所述核心点的所述坐标数据,则将所述未被标记的坐标数据标记为所述核心点,根据所述核心点和预设的邻域半径划分与所述核心点对应的邻域,根据所述邻域中的所述坐标数据的数量计算所述邻域的邻域密度,将所述邻域密度与预设的密度阈值进行对比;
若不存在未被标记为所述核心点的所述坐标数据,则结束对所述多维网格的遍历。
在其中一个实施例中,根据所述物体信息构建预测模型,根据所述预测模型对所述物体进行预测,得到所述物体的状态信息,还包括:
将所述预测模型通过滤波进行优化,对所述物体进行预测,得到所述状态信息,计算所述状态信息的后验概率,根据后验概率验证所述状态信息的可靠程度。
在其中一个实施例中,根据所述状态信息构建威胁场,根据所述威胁场计算威胁系数包括:
所述威胁场包括单威胁场和总威胁场,根据所述状态信息构建单个所述物体的所述单威胁场,通过势场叠加原理,根据所述单威胁场计算在多个所述物体场景下的所述总威胁场,根据总威胁场计算威胁系数,其中,所述单威胁场的数学表达式如下:
其中,
krunv、kobsv是常系数,表示工作器械的速度,表示所述物体的速度,(x,y)表示所述工作器械的位置,需要说明的是上述两种速度指的是速度向量,具有速度值和速度的方向,(xobs,yobs)表示所述物体的位置,m表示用于补偿由所述物体引起的变化的补偿系数,表示单位向量,方向由所述物体的位置指向所述工作器械的位置,表示所述物体的位置指向运动执行机构位置的向量;
其中,
在其中一个实施例中,根据所述威胁系数判断所述物体是否即将产生威胁包括:
将所述威胁系数与预设的安全阈值进行对比,
若所述物体在第一位置的所述威胁系数小于或等于所述安全阈值,则所述物体能通过所述第一位置;
若所述物体在第一位置的所述威胁系数大于所述安全阈值,则所述物体不能通过所述第一位置,发出预警。
关于障碍物检测装置的具体限定可以参见上文中对于障碍物检测方法的限定,在此不再赘述。上述障碍物检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图5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、网络接口和数据库。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图像识别的相关数据与地图数据。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一种障碍物检测方法。
本领域技术人员可以理解,图5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。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:
获取预设的检测区域的点云数据,将所述点云数据进行滤波处理,得到预处理数据;
根据所述检测区域建立坐标系,将所述预处理数据转换为与所述坐标系对应的坐标数据;
将所述检测区域划分为与所述坐标系对应的若干个网格,根据所述坐标数据判断所述网格是否被物体占据,若被所述物体占据,则判定所述网格为物体占据格,将所有所述网格进行加和,得到多维网格,对所述多维网格进行遍历,获取所述物体的物体信息;
根据所述物体信息构建预测模型,根据所述预测模型对所述物体进行预测,得到所述物体的状态信息;
根据所述状态信息构建威胁场,根据所述威胁场计算威胁系数,根据所述威胁系数判断所述物体是否即将产生威胁,若是,则将所述物体判定为障碍物,发出预警。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
所述检测区域包括单区域和/或重叠区域,其中,所述单区域是单个雷达检测到所述物体的区域,所述重叠区域是多个所述单区域重叠覆盖的区域,对所述雷达设有对应的置信水平,
若所述检测区域为所述单区域,则选择所述置信水平较高的所述雷达来判断所述网格是否被物体占据;
若所述检测区域为所述重叠区域,则将组成所述重叠区域的多个所述雷达按照置信水平进行融合,判断所述网格是否被物体占据。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将任一所述坐标数据标记为核心点,根据所述核心点和预设的邻域半径划分与所述核心点对应的邻域,根据所述邻域中的所述坐标数据的数量计算所述邻域的邻域密度,将所述邻域密度与预设的密度阈值进行对比,
若所述邻域密度大于或等于密度阈值,则将所述邻域中的所述坐标数据分为一类;
若所述邻域密度小于密度阈值,则将所述邻域中的所述核心点判定为噪点。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据所述多维网格,判断所有所述坐标数据是否被标记为所述核心点,
若存在未被标记为所述核心点的所述坐标数据,则将所述未被标记的坐标数据标记为所述核心点,根据所述核心点和预设的邻域半径划分与所述核心点对应的邻域,根据所述邻域中的所述坐标数据的数量计算所述邻域的邻域密度,将所述邻域密度与预设的密度阈值进行对比;
若不存在未被标记为所述核心点的所述坐标数据,则结束对所述多维网格的遍历。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将所述预测模型通过滤波进行优化,对所述物体进行预测,得到所述状态信息,计算所述状态信息的后验概率,根据后验概率验证所述状态信息的可靠程度。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
所述威胁场包括单威胁场和总威胁场,根据所述状态信息构建单个所述物体的所述单威胁场,通过势场叠加原理,根据所述单威胁场计算在多个所述物体场景下的所述总威胁场,根据总威胁场计算威胁系数,其中,所述单威胁场的数学表达式如下:
其中,
krunv、kobsv是常系数,表示工作器械的速度,表示所述物体的速度,需要说明的是上述两种速度指的是速度向量,具有速度值和速度的方向,(x,y)表示所述工作器械的位置,(xobs,yobs)表示所述物体的位置,m表示用于补偿由所述物体引起的变化的补偿系数,表示单位向量,方向由所述物体的位置指向所述工作器械的位置,表示所述物体的位置指向运动执行机构位置的向量;
其中,
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将所述威胁系数与预设的安全阈值进行对比,
若所述物体在第一位置的所述威胁系数小于或等于所述安全阈值,则所述物体能通过所述第一位置;
若所述物体在第一位置的所述威胁系数大于所述安全阈值,则所述物体不能通过所述第一位置,发出预警。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取预设的检测区域的点云数据,将所述点云数据进行滤波处理,得到预处理数据;
根据所述检测区域建立坐标系,将所述预处理数据转换为与所述坐标系对应的坐标数据;
将所述检测区域划分为与所述坐标系对应的若干个网格,根据所述坐标数据判断所述网格是否被物体占据,若被所述物体占据,则判定所述网格为物体占据格,将所有所述网格进行加和,得到多维网格,对所述多维网格进行遍历,获取所述物体的物体信息;
根据所述物体信息构建预测模型,根据所述预测模型对所述物体进行预测,得到所述物体的状态信息;
根据所述状态信息构建威胁场,根据所述威胁场计算威胁系数,根据所述威胁系数判断所述物体是否即将产生威胁,若是,则将所述物体判定为障碍物,发出预警。
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,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,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。
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)
1.一种障碍物检测方法,其特征在于,包括:
获取预设的检测区域的点云数据,将所述点云数据进行滤波处理,得到预处理数据;
根据所述检测区域建立坐标系,将所述预处理数据转换为与所述坐标系对应的坐标数据;
将所述检测区域划分为与所述坐标系对应的若干个网格,根据所述坐标数据判断所述网格是否被物体占据,若被所述物体占据,则判定所述网格为物体占据格,将所有所述网格进行加和,得到多维网格,对所述多维网格进行遍历,获取所述物体的物体信息;
根据所述物体信息构建预测模型,根据所述预测模型对所述物体进行预测,得到所述物体的状态信息;
根据所述状态信息构建威胁场,根据所述威胁场计算威胁系数,根据所述威胁系数判断所述物体是否即将产生威胁,若是,则将所述物体判定为障碍物,发出预警。
2.根据权利要求1所述的方法,其特征在于,所述将所述检测区域划分为与所述坐标系对应的若干个网格,根据所述坐标数据判断所述网格是否被物体占据包括:
所述检测区域包括单区域和/或重叠区域,其中,所述单区域是单个雷达检测到所述物体的区域,所述重叠区域是多个所述单区域重叠覆盖的区域,对所述雷达设有对应的置信水平,
若所述检测区域为所述单区域,则选择所述置信水平较高的所述雷达来判断所述网格是否被物体占据;
若所述检测区域为所述重叠区域,则将组成所述重叠区域的多个所述雷达按照置信水平进行融合,判断所述网格是否被物体占据。
3.根据权利要求1所述的方法,其特征在于,所述对所述多维网格进行遍历包括:
将任一所述坐标数据标记为核心点,根据所述核心点和预设的邻域半径划分与所述核心点对应的邻域,根据所述邻域中的所述坐标数据的数量计算所述邻域的邻域密度,将所述邻域密度与预设的密度阈值进行对比,
若所述邻域密度大于或等于密度阈值,则将所述邻域中的所述坐标数据分为一类;
若所述邻域密度小于密度阈值,则将所述邻域中的所述核心点判定为噪点。
4.根据权利要求3所述的方法,其特征在于,所述对所述多维网格进行遍历还包括:
根据所述多维网格,判断所有所述坐标数据是否被标记为所述核心点,
若存在未被标记为所述核心点的所述坐标数据,则将所述未被标记的坐标数据标记为所述核心点,根据所述核心点和预设的邻域半径划分与所述核心点对应的邻域,根据所述邻域中的所述坐标数据的数量计算所述邻域的邻域密度,将所述邻域密度与预设的密度阈值进行对比;
若不存在未被标记为所述核心点的所述坐标数据,则结束对所述多维网格的遍历。
5.根据权利要求1所述的方法,其特征在于,所述根据所述物体信息构建预测模型,根据所述预测模型对所述物体进行预测,得到所述物体的状态信息,还包括:
将所述预测模型通过滤波进行优化,对所述物体进行预测,得到所述状态信息,计算所述状态信息的后验概率,根据后验概率验证所述状态信息的可靠程度。
6.根据权利要求1所述的方法,其特征在于,所述根据所述状态信息构建威胁场,根据所述威胁场计算威胁系数包括:
所述威胁场包括单威胁场和总威胁场,根据所述状态信息构建单个所述物体的所述单威胁场,通过势场叠加原理,根据所述单威胁场计算在多个所述物体场景下的所述总威胁场,根据总威胁场计算威胁系数,其中,所述单威胁场的数学表达式如下:
其中,
krunv、kobsv是常系数,表示工作器械的速度,表示所述物体的速度,(x,y)表示所述工作器械的位置,(xobs,yobs)表示所述物体的位置,m表示用于补偿由所述物体引起的变化的补偿系数,表示单位向量,方向由所述物体的位置指向所述工作器械的位置,表示所述物体的位置指向运动执行机构位置的向量;
其中,
7.根据权利要求1所述的方法,其特征在于,所述根据所述威胁系数判断所述物体是否即将产生威胁包括:
将所述威胁系数与预设的安全阈值进行对比,
若所述物体在第一位置的所述威胁系数小于或等于所述安全阈值,则所述物体能通过所述第一位置;
若所述物体在第一位置的所述威胁系数大于所述安全阈值,则所述物体不能通过所述第一位置,发出预警。
8.一种障碍物检测装置,其特征在于,所述装置包括:
采集模块,用于获取预设的检测区域的点云数据,将所述点云数据进行滤波处理,得到预处理数据,根据所述检测区域建立坐标系,将所述预处理数据转换为与所述坐标系对应的坐标数据;
检测模块,用于将所述检测区域划分为与所述坐标系对应的若干个网格,根据所述坐标数据判断所述网格是否被物体占据,若被所述物体占据,则判定所述网格为物体占据格,将所有所述网格进行加和,得到多维网格,对所述多维网格进行遍历,获取所述物体的物体信息;
预测模块,用于根据所述物体信息构建预测模型,根据所述预测模型对所述物体进行预测,得到所述物体的状态信息;
预警模块,用于根据所述状态信息构建威胁场,根据所述威胁场计算威胁系数,根据所述威胁系数判断所述物体是否即将产生威胁,若是,则将所述物体判定为障碍物,发出预警。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,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中任一项所述方法的步骤。
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,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210306356.2A CN114721008A (zh) | 2022-03-25 | 2022-03-25 | 一种障碍物检测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210306356.2A CN114721008A (zh) | 2022-03-25 | 2022-03-25 | 一种障碍物检测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114721008A true CN114721008A (zh) | 2022-07-08 |
Family
ID=82239709
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210306356.2A Withdrawn CN114721008A (zh) | 2022-03-25 | 2022-03-25 | 一种障碍物检测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114721008A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115686069A (zh) * | 2022-11-15 | 2023-02-03 | 杭州国科骏飞光电科技有限公司 | 一种无人机集群的同步协调控制方法及系统 |
CN116609776A (zh) * | 2023-05-23 | 2023-08-18 | 兰州理工大学 | 复杂环境下的基于人工势场法的星凸形扩展目标跟踪方法 |
-
2022
- 2022-03-25 CN CN202210306356.2A patent/CN114721008A/zh not_active Withdrawn
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115686069A (zh) * | 2022-11-15 | 2023-02-03 | 杭州国科骏飞光电科技有限公司 | 一种无人机集群的同步协调控制方法及系统 |
CN116609776A (zh) * | 2023-05-23 | 2023-08-18 | 兰州理工大学 | 复杂环境下的基于人工势场法的星凸形扩展目标跟踪方法 |
CN116609776B (zh) * | 2023-05-23 | 2023-11-14 | 兰州理工大学 | 复杂环境下的基于人工势场法的星凸形扩展目标跟踪方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110531759B (zh) | 机器人探索路径生成方法、装置、计算机设备和存储介质 | |
CN111337941B (zh) | 一种基于稀疏激光雷达数据的动态障碍物追踪方法 | |
CN111563442B (zh) | 基于激光雷达的点云和相机图像数据融合的slam方法及系统 | |
CN113012203B (zh) | 一种复杂背景下高精度多目标跟踪方法 | |
KR102210715B1 (ko) | 도로 중의 차도선을 확정하기 위한 방법, 장치 및 기기 | |
Lenac et al. | Fast planar surface 3D SLAM using LIDAR | |
JP5183665B2 (ja) | ロボットの少なくとも1つの将来的活動を決定する決定メカニズム、方法、モジュールおよび決定するように構成されたロボット | |
JP7263216B2 (ja) | ワッサースタイン距離を使用する物体形状回帰 | |
CN114721008A (zh) | 一种障碍物检测方法、装置、计算机设备和存储介质 | |
CN111429574A (zh) | 基于三维点云和视觉融合的移动机器人定位方法和系统 | |
CN111292275B (zh) | 基于复杂地面的点云数据滤除方法、装置、计算机设备 | |
CN112697134A (zh) | 一种室内巡检机器人的环境感知方法、系统、设备及其计算机可读存储介质 | |
CN114140761A (zh) | 点云配准方法、装置、计算机设备和存储介质 | |
Ji et al. | RGB-D SLAM using vanishing point and door plate information in corridor environment | |
CN110717934B (zh) | 一种基于strcf的抗遮挡目标跟踪方法 | |
CN110046677B (zh) | 数据预处理方法、地图构建方法、回环检测方法及系统 | |
CN112967388A (zh) | 三维时序图像神经网络模型的训练方法和装置 | |
CN113538620A (zh) | 一种面向二维栅格地图的slam建图结果评价方法 | |
CN116385493A (zh) | 野外环境下多运动目标检测与轨迹预测方法 | |
CN113092807B (zh) | 基于多目标跟踪算法的城市高架道路车辆测速方法 | |
CN114663598A (zh) | 三维建模方法、装置和存储介质 | |
CN113436239A (zh) | 一种基于深度信息估计的单目图像三维目标检测方法 | |
Vitor et al. | Stereo vision for dynamic urban environment perception using semantic context in evidential grid | |
CN114926536B (zh) | 一种基于语义的定位与建图方法、系统及智能机器人 | |
CN115542362A (zh) | 电力作业现场的高精度空间定位方法、系统、设备及介质 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220708 |