CN114911239A - 一种无人驾驶矿车的异常识别方法及系统 - Google Patents
一种无人驾驶矿车的异常识别方法及系统 Download PDFInfo
- Publication number
- CN114911239A CN114911239A CN202210585252.XA CN202210585252A CN114911239A CN 114911239 A CN114911239 A CN 114911239A CN 202210585252 A CN202210585252 A CN 202210585252A CN 114911239 A CN114911239 A CN 114911239A
- Authority
- CN
- China
- Prior art keywords
- traveling
- image data
- tasks
- task
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000005070 sampling Methods 0.000 claims abstract description 41
- 230000002159 abnormal effect Effects 0.000 claims abstract description 40
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000013507 mapping Methods 0.000 claims description 54
- 238000005065 mining Methods 0.000 claims description 24
- 230000005856 abnormality Effects 0.000 claims description 20
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000007619 statistical method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000015654 memory Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000003860 storage Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
- G05D1/0253—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means extracting relative motion information from a plurality of images taken successively, e.g. visual odometry, optical flow
-
- 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
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及无人驾驶技术领域，具体公开了一种无人驾驶矿车的异常识别方法及系统，所述方法包括建立与各工位控制器的连接通道，获取行进任务，根据所述行进任务确定路径信息；根据所述路径信息确定采样点及采样点处的异常概率；定时获取采样点处的图像数据，对所述图像数据进行内容识别，根据内容识别结果截取预设时间范围内的图像数据流，对所述图像数据流进行波动分析，生成异常报告。本发明对路径信息进行统筹规划，降低矿车间时空交叉概率的同时，定位敏感区域，并对敏感区域进行监测，实时的确定异常情况并上报，可以使得工作人员尽快的了解区域情况，进而进行远程遥控，实时解决问题，提高工作效率。
Description
技术领域
本发明涉及无人驾驶技术领域，具体是一种无人驾驶矿车的异常识别方法及系统。
背景技术
无人驾驶系统技术，即“通过多种车载传感器（如摄像头、激光雷达、毫米波雷达、GPS、惯性传感器等）来识别车辆所处的周边环境和状态，并根据所获得的环境信息（包括道路信息、交通信息、车辆位置和障碍物信息等）自主做出分析和判断，从而自主地控制车辆运动，最终实现无人驾驶”。无人驾驶的发展速度很快，现有的很多生产领域会应用到无人驾驶技术，一方面降低人力成本，另一方面提高工作人员的安全性，工作人员只需要远程管理即可；无人驾驶矿车就是其中一个应用实例。
对于无人驾驶矿车来说，自身的驾驶问题会有大量的传感器进行监测，一旦某个模块出现问题，很容易就能发现，然后上报至后台，进行处理；但是对于多台无人驾驶矿车来说，很有可能会出现一些规划方面的问题，这些问题很常见，当无人驾驶矿车数量较多且运动频繁时，很容易多次触发避障模块，影响工作效率。
发明内容
本发明的目的在于提供一种无人驾驶矿车的异常识别方法及系统，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种无人驾驶矿车的异常识别方法，所述方法包括：
建立与各工位控制器的连接通道，基于所述连接通道获取行进任务，根据所述行进任务确定路径信息；其中，所述行进任务还包括行进终点和行进时间，所述行进任务的标签为相应工位控制器的标签；不同工位控制器的优先级不同；
根据所述路径信息确定采样点及采样点处的异常概率；
定时获取采样点处的图像数据，根据所述异常概率对各图像数据进行分类；其中，所述图像数据含有采样点标签和时间信息；
对所述图像数据进行内容识别，根据内容识别结果截取预设时间范围内的图像数据流，对所述图像数据流进行波动分析，生成异常报告。
作为本发明进一步的方案：所述建立与各工位控制器的连接通道，基于所述连接通道获取行进任务，根据所述行进任务确定路径信息包括：
根据优先级降序获取各工位控制器的位置数据，根据所述优先级和所述位置数据生成映射点；其中，所述映射点为具有半径的圆形区域，所述半径由优先级确定；
将所述映射点插入预设的区域模型中，得到含有映射点的区域模型；所述区域模型与实际区域之间存在确定的比例尺；
建立与各工位控制器的连接通道，实时获取含有行进终点的行进任务，统计所有行进任务，在含有映射点的区域模型中确定路径信息。
作为本发明进一步的方案：所述建立与各工位控制器的连接通道，实时获取含有行进终点的行进任务，统计所有行进任务，在含有映射点的区域模型中确定路径信息包括：
建立与各工位控制器的连接通道，依次获取含有行进终点和时间信息的行进任务；
在所述区域模型中读取相应工位控制器和行进终点对应的工位控制器的映射点，计算两个映射点的半径和，根据半径和确定行进任务的级别；
根据所述时间信息对所述行进任务进行分类，得到以时间段为索引的行进任务；
在以时间段为索引的行进任务中提取级别达到预设的级别阈值的行进任务，根据该行进任务确定最优行进路径；其中，所述最优行进路径的行进距离最短；
根据以时间段为索引的行进任务中的其他任务确定行进路径。
作为本发明进一步的方案：所述根据该行进任务确定最优行进路径的步骤包括：
根据行进任务的起点和终点在区域模型中标记行进区域；
获取矿车尺寸数据，根据矿车尺寸数据对行进区域进行切分，得到子区域；
读取各子区域的状态标签，根据所述状态标签生成最优行进路径；其中，所述状态标签为预设值，所述状态标签包括可通行和不可通行；
读取行进任务的时间信息，在所述时间信息内将最优行进路径上的子区域的状态标签替换为不可通行。
作为本发明进一步的方案：所述根据所述路径信息确定采样点及采样点处的异常概率的步骤包括：
提取不同时间段的行进任务，获取历史车流量数据，根据历史车流量数据计算拥挤级别；
获取同一时间段内行进路径的交叉点及其交叉路径数；
将所述拥挤级别和所述交叉路径数输入训练好的经验公式中，计算交叉点的异常概率；
将所述异常概率与预设的概率阈值进行比对，当所述异常概率达到预设的概率阈值时，将该交叉点标记为采样点。
作为本发明进一步的方案：对所述图像数据进行内容识别，根据内容识别结果截取预设时间范围内的图像数据流的步骤包括：
根据所述图像数据中的时间信息获取相邻图像数据；
对所述相邻图像数据进行逻辑运算，确定图像数据中的动态轮廓和背景轮廓；
确定所述动态轮廓的中心点，计算中心点的偏移距离，根据所述偏移距离计算动态轮廓的运动速度；
计算所述动态轮廓的数量，将所述运动速度和数量输入训练好的分析模型，得到价值分；
将所述价值分与预设的分数阈值进行比对，当所述价值达到预设的分数阈值时，基于所述时间信息截取预设时间范围内的图像数据流。
作为本发明进一步的方案：所述对所述图像数据流进行波动分析，生成异常报告的步骤包括：
根据预设的转换公式对所述图像数据流进行色值转换，得到特征图像流；
计算特征图像流中各特征图像的特征值，生成特征值组；
对所述特征值组进行统计学分析，生成异常报告。
本发明技术方案还提供了一种无人驾驶矿车的异常识别系统，所述系统包括：
路径信息生成模块，用于建立与各工位控制器的连接通道，基于所述连接通道获取行进任务，根据所述行进任务确定路径信息；其中，所述行进任务还包括行进终点和行进时间，所述行进任务的标签为相应工位控制器的标签；不同工位控制器的优先级不同；
异常概率计算模块，用于根据所述路径信息确定采样点及采样点处的异常概率；
图像分类模块，用于定时获取采样点处的图像数据，根据所述异常概率对各图像数据进行分类；其中，所述图像数据含有采样点标签和时间信息；
波动分析模块，用于对所述图像数据进行内容识别，根据内容识别结果截取预设时间范围内的图像数据流，对所述图像数据流进行波动分析，生成异常报告。
作为本发明进一步的方案：所述路径信息生成模块包括：
映射点生成单元，用于根据优先级降序获取各工位控制器的位置数据，根据所述优先级和所述位置数据生成映射点；其中，所述映射点为具有半径的圆形区域，所述半径由优先级确定；
映射点插入单元，用于将所述映射点插入预设的区域模型中，得到含有映射点的区域模型；所述区域模型与实际区域之间存在确定的比例尺；
处理执行单元，用于建立与各工位控制器的连接通道，实时获取含有行进终点的行进任务，统计所有行进任务，在含有映射点的区域模型中确定路径信息。
作为本发明进一步的方案：所述处理执行单元包括：
任务获取子单元，用于建立与各工位控制器的连接通道，依次获取含有行进终点和时间信息的行进任务；
级别确定子单元，用于在所述区域模型中读取相应工位控制器和行进终点对应的工位控制器的映射点，计算两个映射点的半径和，根据半径和确定行进任务的级别；
分类子单元，用于根据所述时间信息对所述行进任务进行分类，得到以时间段为索引的行进任务；
主路径生成子单元，用于在以时间段为索引的行进任务中提取级别达到预设的级别阈值的行进任务，根据该行进任务确定最优行进路径；其中，所述最优行进路径的行进距离最短；
副路径生成子单元，用于根据以时间段为索引的行进任务中的其他任务确定行进路径。
与现有技术相比，本发明的有益效果是：本发明对路径信息进行统筹规划，降低矿车间时空交叉概率的同时，定位敏感区域，并对敏感区域进行监测，实时的确定异常情况并上报，可以使得工作人员尽快的了解区域情况，进而进行远程遥控，实时解决问题，提高工作效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例。
图1为无人驾驶矿车的异常识别方法的流程框图。
图2为无人驾驶矿车的异常识别方法的第一子流程框图。
图3为无人驾驶矿车的异常识别方法的第二子流程框图。
图4为无人驾驶矿车的异常识别方法的第三子流程框图。
图5为无人驾驶矿车的异常识别方法的第四子流程框图。
图6为无人驾驶矿车的异常识别系统的组成结构框图。
图7为无人驾驶矿车的异常识别系统中路径信息生成模块的组成结构框图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例1
图1为无人驾驶矿车的异常识别方法的流程框图，本发明实施例中，一种无人驾驶矿车的异常识别方法，所述方法包括步骤S100至步骤S400：
步骤S100：建立与各工位控制器的连接通道，基于所述连接通道获取行进任务，根据所述行进任务确定路径信息；其中，所述行进任务还包括行进终点和行进时间，所述行进任务的标签为相应工位控制器的标签；不同工位控制器的优先级不同；
无人驾驶矿车是有限的智能化设备，它的动作大都是预设设置的，比如完成哪些动作和任务，在完成任务的过程中，具有一些避障功能。无人驾驶矿车的任务大都是点对点的运输任务，每个点就是一个工作位置，在工作位置处，无人驾驶矿车执行一些装卸任务，装卸任务处也会有着相应的控制设备，这个控制设备就是上述内容中的工位控制器，装卸或是其他工作完成后，相应的控制设备会生成一个运动指令，无人驾驶矿车在接收到这一运动指令时，向下个位置运动；这些运动指令就是上述行进任务。
步骤S200：根据所述路径信息确定采样点及采样点处的异常概率；
步骤S300：定时获取采样点处的图像数据，根据所述异常概率对各图像数据进行分类；其中，所述图像数据含有采样点标签和时间信息；
根据行进任务生成路径信息后，确定采样点，然后借助一些图像获取设备可以获取某些采样点处的图像数据。这些采样点可以是全部的采样点，也可以是一部分异常概率较高的采样点。
步骤S400：对所述图像数据进行内容识别，根据内容识别结果截取预设时间范围内的图像数据流，对所述图像数据流进行波动分析，生成异常报告；
获取到图像数据之后，对所述图像数据进行内容识别，根据内容识别结果可以生成一个异常报告。
对于无人驾驶矿车来说，自身的问题会有大量的传感器设备进行监测，一旦某个模块出现问题，很容易就能发现，然后上报至后台，进行处理，但是对于多台无人驾驶矿车来说，很有可能会出现一些规划方面的问题，这个问题很难通过某个传感器监测的到，上述技术方案的目的就是解决这一问题。
图2为无人驾驶矿车的异常识别方法的第一子流程框图，所述建立与各工位控制器的连接通道，基于所述连接通道获取行进任务，根据所述行进任务确定路径信息包括步骤S101至步骤S103：
步骤S101：根据优先级降序获取各工位控制器的位置数据，根据所述优先级和所述位置数据生成映射点；其中，所述映射点为具有半径的圆形区域，所述半径由优先级确定；
步骤S102：将所述映射点插入预设的区域模型中，得到含有映射点的区域模型；所述区域模型与实际区域之间存在确定的比例尺；
步骤S103：建立与各工位控制器的连接通道，实时获取含有行进终点的行进任务，统计所有行进任务，在含有映射点的区域模型中确定路径信息。
步骤S101至步骤S103对路径信息的生成过程进行了具体的描述，首先，生成一张与工作区域相匹配的区域模型，所述区域模型中含有代表各个工作位置的映射点，所述映射点是具有大小的圆，映射点越大，相应的工位控制器生成的任务就越重要；在地图中可以通过预设的算法确定行进路径。
作为本发明技术方案的一个优选实施例，所述建立与各工位控制器的连接通道，实时获取含有行进终点的行进任务，统计所有行进任务，在含有映射点的区域模型中确定路径信息包括：
建立与各工位控制器的连接通道，依次获取含有行进终点和时间信息的行进任务；
在所述区域模型中读取相应工位控制器和行进终点对应的工位控制器的映射点，计算两个映射点的半径和，根据半径和确定行进任务的级别；
根据所述时间信息对所述行进任务进行分类，得到以时间段为索引的行进任务；
在以时间段为索引的行进任务中提取级别达到预设的级别阈值的行进任务，根据该行进任务确定最优行进路径；其中，所述最优行进路径的行进距离最短；
根据以时间段为索引的行进任务中的其他任务确定行进路径。
上述内容对步骤S103进行了具体的限定，首先，不同行进任务的级别是不同的，对于一个行进任务来说，有可能出发地的优先级较高，也有可能目的地的优先级较高，两者配合确定行进任务的级别；级别影响着路径的生成顺序，先生成级别较高的行进任务的行进路径，然后再生成其他行进任务的行进路径。
进一步的，所述根据该行进任务确定最优行进路径的步骤包括：
根据行进任务的起点和终点在区域模型中标记行进区域；
获取矿车尺寸数据，根据矿车尺寸数据对行进区域进行切分，得到子区域；
读取各子区域的状态标签，根据所述状态标签生成最优行进路径；其中，所述状态标签为预设值，所述状态标签包括可通行和不可通行；
读取行进任务的时间信息，在所述时间信息内将最优行进路径上的子区域的状态标签替换为不可通行。
最优行进路径的生成过程采用切分连线的方式，将整个区域切分为一块一块的小区域，然后连接各个小区域，即可确定行进路径，具体的连接方式不作限定，只需要保证行进路离最短即可。
图3为无人驾驶矿车的异常识别方法的第二子流程框图，所述根据所述路径信息确定采样点及采样点处的异常概率的步骤包括步骤S201至步骤S204：
步骤S201：提取不同时间段的行进任务，获取历史车流量数据，根据历史车流量数据计算拥挤级别；
步骤S202：获取同一时间段内行进路径的交叉点及其交叉路径数；
步骤S203：将所述拥挤级别和所述交叉路径数输入训练好的经验公式中，计算交叉点的异常概率；
步骤S204：将所述异常概率与预设的概率阈值进行比对，当所述异常概率达到预设的概率阈值时，将该交叉点标记为采样点。
对于本发明技术方案中提到的异常概率，主要是规划问题产生的异常情况的概率，最严重的就是多个无人驾驶矿车的路径存在时空交叉，进而触发无人驾驶矿车上的避障模块，影响行进速度，降低任务完成效率。
具体的，运输路径的交叉点处发生堵塞情况的概率很高，因此，需要对交叉点处进行考虑，如果交叉点处是流畅的，那么对于行驶路段中的堵塞情况，只需要接收运输工作人员的反馈即可。
拥挤级别和交叉路径数是堵塞概率的两个因变量，拥挤级别越高，堵塞概率越高，交叉路径数越多，堵塞概率越高。
图4为无人驾驶矿车的异常识别方法的第三子流程框图，对所述图像数据进行内容识别，根据内容识别结果截取预设时间范围内的图像数据流的步骤包括步骤S401至步骤S405：
步骤S401：根据所述图像数据中的时间信息获取相邻图像数据；
步骤S402：对所述相邻图像数据进行逻辑运算，确定图像数据中的动态轮廓和背景轮廓；
步骤S403：确定所述动态轮廓的中心点，计算中心点的偏移距离，根据所述偏移距离计算动态轮廓的运动速度；
步骤S404：计算所述动态轮廓的数量，将所述运动速度和数量输入训练好的分析模型，得到价值分；
步骤S405：将所述价值分与预设的分数阈值进行比对，当所述价值达到预设的分数阈值时，基于所述时间信息截取预设时间范围内的图像数据流。
上述内容是图像处理过程，共有两个部分，一是轮廓识别，二是波动分析，对于轮廓识别的过程，首先获取相邻的几张图像，对这些图像进行逻辑运算，确定动态区域和静态区域，其中，静态区域视为背景轮廓；对于动态区域来说，它代表着行动的车辆，车辆的速度与数量均可以由动态轮廓分析得出。
运动速度和数量反映着路段的真实情况，将这两个参数输入分析模型，可以得到价值分，价值分达到一定程度时，就说明该区域可能发生了堵塞，因此，获取一定时间范围内的图像数据流，可以对该区域进行动态分析，进一步判断堵塞情况。
图5为无人驾驶矿车的异常识别方法的第四子流程框图，所述对所述图像数据流进行波动分析，生成异常报告的步骤包括步骤S406至步骤S408：
步骤S406：根据预设的转换公式对所述图像数据流进行色值转换，得到特征图像流；
步骤S407：计算特征图像流中各特征图像的特征值，生成特征值组；
步骤S408：对所述特征值组进行统计学分析，生成异常报告。
上述内容是对波动分析过程的一个具体限定，所述转换公式可以采用灰度转换公式，特征图像就是灰度图像，灰度图像中像素点的值只有一个，计算所有像素点值的平均值就可以得到该特征图像的特征值；相应的，图像数据流对应的就是特征值组；对所述特征值组进行统计学分析，便可以进一步确定堵塞情况。
实施例2
图6为无人驾驶矿车的异常识别系统的组成结构框图，本发明实施例中，一种无人驾驶矿车的异常识别系统，所述系统10包括：
路径信息生成模块11，用于建立与各工位控制器的连接通道，基于所述连接通道获取行进任务，根据所述行进任务确定路径信息；其中，所述行进任务还包括行进终点和行进时间，所述行进任务的标签为相应工位控制器的标签；不同工位控制器的优先级不同；
异常概率计算模块12，用于根据所述路径信息确定采样点及采样点处的异常概率；
图像分类模块13，用于定时获取采样点处的图像数据，根据所述异常概率对各图像数据进行分类；其中，所述图像数据含有采样点标签和时间信息；
波动分析模块14，用于对所述图像数据进行内容识别，根据内容识别结果截取预设时间范围内的图像数据流，对所述图像数据流进行波动分析，生成异常报告。
图7为无人驾驶矿车的异常识别系统中路径信息生成模块的组成结构框图，所述路径信息生成模块11包括：
映射点生成单元111，用于根据优先级降序获取各工位控制器的位置数据，根据所述优先级和所述位置数据生成映射点；其中，所述映射点为具有半径的圆形区域，所述半径由优先级确定；
映射点插入单元112，用于将所述映射点插入预设的区域模型中，得到含有映射点的区域模型；所述区域模型与实际区域之间存在确定的比例尺；
处理执行单元113，用于建立与各工位控制器的连接通道，实时获取含有行进终点的行进任务，统计所有行进任务，在含有映射点的区域模型中确定路径信息。
进一步的，所述处理执行单元113包括：
任务获取子单元，用于建立与各工位控制器的连接通道，依次获取含有行进终点和时间信息的行进任务；
级别确定子单元，用于在所述区域模型中读取相应工位控制器和行进终点对应的工位控制器的映射点，计算两个映射点的半径和，根据半径和确定行进任务的级别；
分类子单元，用于根据所述时间信息对所述行进任务进行分类，得到以时间段为索引的行进任务；
主路径生成子单元，用于在以时间段为索引的行进任务中提取级别达到预设的级别阈值的行进任务，根据该行进任务确定最优行进路径；其中，所述最优行进路径的行进距离最短；
副路径生成子单元，用于根据以时间段为索引的行进任务中的其他任务确定行进路径。
所述无人驾驶矿车的异常识别方法所能实现的功能均由计算机设备完成，所述计算机设备包括一个或多个处理器和一个或多个存储器，所述一个或多个存储器中存储有至少一条程序代码，所述程序代码由所述一个或多个处理器加载并执行以实现所述无人驾驶矿车的异常识别方法的功能。
处理器从存储器中逐条取出指令、分析指令，然后根据指令要求完成相应操作，产生一系列控制命令，使计算机各部分自动、连续并协调动作，成为一个有机的整体，实现程序的输入、数据的输入以及运算并输出结果，这一过程中产生的算术运算或逻辑运算均由运算器完成；所述存储器包括只读存储器（Read-Only Memory，ROM），所述只读存储器用于存储计算机程序，所述存储器外部设有保护装置。
示例性的，计算机程序可以被分割成一个或多个模块，一个或者多个模块被存储在存储器中，并由处理器执行，以完成本发明。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在终端设备中的执行过程。
本领域技术人员可以理解，上述服务设备的描述仅仅是示例，并不构成对终端设备的限定，可以包括比上述描述更多或更少的部件，或者组合某些部件，或者不同的部件，例如可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元（Central Processing Unit，CPU），还可以是其他通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现成可编程门阵列（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、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，上述处理器是上述终端设备的控制中心，利用各种接口和线路连接整个用户终端的各个部分。
上述存储器可用于存储计算机程序和/或模块，上述处理器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现上述终端设备的各种功能。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如信息采集模板展示功能、产品信息发布功能等）等；存储数据区可存储根据泊位状态显示系统的使用所创建的数据（比如不同产品种类对应的产品信息采集模板、不同产品提供方需要发布的产品信息等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card， SMC），安全数字（Secure Digital， SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
终端设备集成的模块/单元如果以软件功能单元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，本发明实现上述实施例系统中的全部或部分模块/单元，也可以通过计算机程序来指令相关的硬件来完成，上述的计算机程序可存储于计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个系统实施例的功能。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random AccessMemory）、电载波信号、电信信号以及软件分发介质等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.种无人驾驶矿车的异常识别方法，其特征在于，所述方法包括：
建立与各工位控制器的连接通道，基于所述连接通道获取行进任务，根据所述行进任务确定路径信息；其中，所述行进任务还包括行进终点和行进时间，所述行进任务的标签为相应工位控制器的标签；不同工位控制器的优先级不同；
根据所述路径信息确定采样点及采样点处的异常概率；
定时获取采样点处的图像数据，根据所述异常概率对各图像数据进行分类；其中，所述图像数据含有采样点标签和时间信息；
对所述图像数据进行内容识别，根据内容识别结果截取预设时间范围内的图像数据流，对所述图像数据流进行波动分析，生成异常报告。
2.根据权利要求1所述的无人驾驶矿车的异常识别方法，其特征在于，所述建立与各工位控制器的连接通道，基于所述连接通道获取行进任务，根据所述行进任务确定路径信息包括：
根据优先级降序获取各工位控制器的位置数据，根据所述优先级和所述位置数据生成映射点；其中，所述映射点为具有半径的圆形区域，所述半径由优先级确定；
将所述映射点插入预设的区域模型中，得到含有映射点的区域模型；所述区域模型与实际区域之间存在确定的比例尺；
建立与各工位控制器的连接通道，实时获取含有行进终点的行进任务，统计所有行进任务，在含有映射点的区域模型中确定路径信息。
3.根据权利要求2所述的无人驾驶矿车的异常识别方法，其特征在于，所述建立与各工位控制器的连接通道，实时获取含有行进终点的行进任务，统计所有行进任务，在含有映射点的区域模型中确定路径信息包括：
建立与各工位控制器的连接通道，依次获取含有行进终点和时间信息的行进任务；
在所述区域模型中读取相应工位控制器和行进终点对应的工位控制器的映射点，计算两个映射点的半径和，根据半径和确定行进任务的级别；
根据所述时间信息对所述行进任务进行分类，得到以时间段为索引的行进任务；
在以时间段为索引的行进任务中提取级别达到预设的级别阈值的行进任务，根据该行进任务确定最优行进路径；其中，所述最优行进路径的行进距离最短；
根据以时间段为索引的行进任务中的其他任务确定行进路径。
4.根据权利要求3所述的无人驾驶矿车的异常识别方法，其特征在于，所述根据该行进任务确定最优行进路径的步骤包括：
根据行进任务的起点和终点在区域模型中标记行进区域；
获取矿车尺寸数据，根据矿车尺寸数据对行进区域进行切分，得到子区域；
读取各子区域的状态标签，根据所述状态标签生成最优行进路径；其中，所述状态标签为预设值，所述状态标签包括可通行和不可通行；
读取行进任务的时间信息，在所述时间信息内将最优行进路径上的子区域的状态标签替换为不可通行。
5.根据权利要求3所述的无人驾驶矿车的异常识别方法，其特征在于，所述根据所述路径信息确定采样点及采样点处的异常概率的步骤包括：
提取不同时间段的行进任务，获取历史车流量数据，根据历史车流量数据计算拥挤级别；
获取同一时间段内行进路径的交叉点及其交叉路径数；
将所述拥挤级别和所述交叉路径数输入训练好的经验公式中，计算交叉点的异常概率；
将所述异常概率与预设的概率阈值进行比对，当所述异常概率达到预设的概率阈值时，将该交叉点标记为采样点。
6.根据权利要求1所述的无人驾驶矿车的异常识别方法，其特征在于，对所述图像数据进行内容识别，根据内容识别结果截取预设时间范围内的图像数据流的步骤包括：
根据所述图像数据中的时间信息获取相邻图像数据；
对所述相邻图像数据进行逻辑运算，确定图像数据中的动态轮廓和背景轮廓；
确定所述动态轮廓的中心点，计算中心点的偏移距离，根据所述偏移距离计算动态轮廓的运动速度；
计算所述动态轮廓的数量，将所述运动速度和数量输入训练好的分析模型，得到价值分；
将所述价值分与预设的分数阈值进行比对，当所述价值达到预设的分数阈值时，基于所述时间信息截取预设时间范围内的图像数据流。
7.根据权利要求6所述的无人驾驶矿车的异常识别方法，其特征在于，所述对所述图像数据流进行波动分析，生成异常报告的步骤包括：
根据预设的转换公式对所述图像数据流进行色值转换，得到特征图像流；
计算特征图像流中各特征图像的特征值，生成特征值组；
对所述特征值组进行统计学分析，生成异常报告。
8.一种无人驾驶矿车的异常识别系统，其特征在于，所述系统包括：
路径信息生成模块，用于建立与各工位控制器的连接通道，基于所述连接通道获取行进任务，根据所述行进任务确定路径信息；其中，所述行进任务还包括行进终点和行进时间，所述行进任务的标签为相应工位控制器的标签；不同工位控制器的优先级不同；
异常概率计算模块，用于根据所述路径信息确定采样点及采样点处的异常概率；
图像分类模块，用于定时获取采样点处的图像数据，根据所述异常概率对各图像数据进行分类；其中，所述图像数据含有采样点标签和时间信息；
波动分析模块，用于对所述图像数据进行内容识别，根据内容识别结果截取预设时间范围内的图像数据流，对所述图像数据流进行波动分析，生成异常报告。
9.根据权利要求8所述的无人驾驶矿车的异常识别系统，其特征在于，所述路径信息生成模块包括：
映射点生成单元，用于根据优先级降序获取各工位控制器的位置数据，根据所述优先级和所述位置数据生成映射点；其中，所述映射点为具有半径的圆形区域，所述半径由优先级确定；
映射点插入单元，用于将所述映射点插入预设的区域模型中，得到含有映射点的区域模型；所述区域模型与实际区域之间存在确定的比例尺；
处理执行单元，用于建立与各工位控制器的连接通道，实时获取含有行进终点的行进任务，统计所有行进任务，在含有映射点的区域模型中确定路径信息。
10.根据权利要求9所述的无人驾驶矿车的异常识别系统，其特征在于，所述处理执行单元包括：
任务获取子单元，用于建立与各工位控制器的连接通道，依次获取含有行进终点和时间信息的行进任务；
级别确定子单元，用于在所述区域模型中读取相应工位控制器和行进终点对应的工位控制器的映射点，计算两个映射点的半径和，根据半径和确定行进任务的级别；
分类子单元，用于根据所述时间信息对所述行进任务进行分类，得到以时间段为索引的行进任务；
主路径生成子单元，用于在以时间段为索引的行进任务中提取级别达到预设的级别阈值的行进任务，根据该行进任务确定最优行进路径；其中，所述最优行进路径的行进距离最短；
副路径生成子单元，用于根据以时间段为索引的行进任务中的其他任务确定行进路径。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210585252.XA CN114911239A (zh) | 2022-05-27 | 2022-05-27 | 一种无人驾驶矿车的异常识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210585252.XA CN114911239A (zh) | 2022-05-27 | 2022-05-27 | 一种无人驾驶矿车的异常识别方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114911239A true CN114911239A (zh) | 2022-08-16 |
Family
ID=82769689
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210585252.XA Pending CN114911239A (zh) | 2022-05-27 | 2022-05-27 | 一种无人驾驶矿车的异常识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114911239A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115265522A (zh) * | 2022-09-27 | 2022-11-01 | 山东明源智能装备股份有限公司 | 一种用于矿场车辆的自动导航方法及系统 |
| CN115663812A (zh) * | 2022-12-26 | 2023-01-31 | 常州金坛金能电力有限公司 | 直流输电系统可靠性评估方法及系统 |
| CN115797811A (zh) * | 2023-02-07 | 2023-03-14 | 江西农业大学 | 一种基于视觉的农产品检测方法及系统 |
| CN116069976A (zh) * | 2023-03-06 | 2023-05-05 | 南京和电科技有限公司 | 一种区域视频分析方法及系统 |
| CN116090798A (zh) * | 2023-04-07 | 2023-05-09 | 山东历控能源有限公司 | 一种综合能源调度方法及系统 |
Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS6383805A (ja) * | 1986-09-29 | 1988-04-14 | Nissan Motor Co Ltd | 車両の走行経路決定方法 |
| US20130054133A1 (en) * | 2011-08-24 | 2013-02-28 | Michael W. Lewis | Guided maneuvering of a mining vehicle to a target destination |
| CN108873902A (zh) * | 2018-07-04 | 2018-11-23 | 北京踏歌智行科技有限公司 | 一种无人驾驶矿用车辆的远程控制方法及装置 |
| CN108919803A (zh) * | 2018-07-04 | 2018-11-30 | 北京踏歌智行科技有限公司 | 一种矿用无人驾驶车辆的协同控制方法及装置 |
| CN109345853A (zh) * | 2018-08-30 | 2019-02-15 | 浙江工业大学 | 一种基于gis的无人车安全驾驶优化方法 |
| CN109426255A (zh) * | 2017-09-04 | 2019-03-05 | 中兴通讯股份有限公司 | 基于无人机的无人驾驶车辆控制方法、装置及存储介质 |
| CN110196057A (zh) * | 2018-02-24 | 2019-09-03 | 北京图森未来科技有限公司 | 一种车辆驾驶路径的规划系统、方法和装置 |
| CN110378298A (zh) * | 2019-07-23 | 2019-10-25 | 精英数智科技股份有限公司 | 矿车队列的监控方法、装置、设备和存储介质 |
| CN110428161A (zh) * | 2019-07-25 | 2019-11-08 | 北京航空航天大学 | 一种基于端边云架构的无人驾驶矿车云智能调度方法 |
| CN111240338A (zh) * | 2020-02-11 | 2020-06-05 | 三一智矿科技有限公司 | 无人驾驶矿车自主装卸方法及系统 |
| CN111367290A (zh) * | 2020-03-19 | 2020-07-03 | 三一智矿科技有限公司 | 矿车无人驾驶装置、方法、可读存储介质和矿车 |
| US20200249037A1 (en) * | 2017-10-25 | 2020-08-06 | Guangzhou Automobile Group Co., Ltd. | Method and Device for Generating Path of Unmanned Vehicle on Construction Section |
| CN111553269A (zh) * | 2020-04-27 | 2020-08-18 | 郭琼 | 基于区块链的智慧工地车辆堵塞监测系统 |
| CN112036773A (zh) * | 2020-09-29 | 2020-12-04 | 劢微机器人科技(深圳)有限公司 | Agv小车任务分配方法、设备、存储介质及装置 |
| CN112381255A (zh) * | 2020-11-13 | 2021-02-19 | 天津矿山工程有限公司 | 数字矿山采运设备调度方法、系统、智能终端和存储介质 |
| CN112904820A (zh) * | 2021-01-22 | 2021-06-04 | 上海伯镭智能科技有限公司 | 无人驾驶工程车辆矿区流量调配方法及装置 |
| US20210209939A1 (en) * | 2020-12-08 | 2021-07-08 | Harbin Engineering University | Large-scale real-time traffic flow prediction method based on fuzzy logic and deep LSTM |
| CN113525418A (zh) * | 2021-06-11 | 2021-10-22 | 华能伊敏煤电有限责任公司 | 矿区运输卡车自动控制路径的方法 |
| CN113687647A (zh) * | 2020-05-15 | 2021-11-23 | 长沙智能驾驶研究院有限公司 | 矿车运输驾驶控制方法、装置、矿车和存储介质 |
| CN114662338A (zh) * | 2022-04-21 | 2022-06-24 | 深圳供电局有限公司 | 一种工地车辆堵塞监测系统及方法 |
-
2022
- 2022-05-27 CN CN202210585252.XA patent/CN114911239A/zh active Pending
Patent Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS6383805A (ja) * | 1986-09-29 | 1988-04-14 | Nissan Motor Co Ltd | 車両の走行経路決定方法 |
| US20130054133A1 (en) * | 2011-08-24 | 2013-02-28 | Michael W. Lewis | Guided maneuvering of a mining vehicle to a target destination |
| CN109426255A (zh) * | 2017-09-04 | 2019-03-05 | 中兴通讯股份有限公司 | 基于无人机的无人驾驶车辆控制方法、装置及存储介质 |
| US20200249037A1 (en) * | 2017-10-25 | 2020-08-06 | Guangzhou Automobile Group Co., Ltd. | Method and Device for Generating Path of Unmanned Vehicle on Construction Section |
| CN110196057A (zh) * | 2018-02-24 | 2019-09-03 | 北京图森未来科技有限公司 | 一种车辆驾驶路径的规划系统、方法和装置 |
| CN108873902A (zh) * | 2018-07-04 | 2018-11-23 | 北京踏歌智行科技有限公司 | 一种无人驾驶矿用车辆的远程控制方法及装置 |
| CN108919803A (zh) * | 2018-07-04 | 2018-11-30 | 北京踏歌智行科技有限公司 | 一种矿用无人驾驶车辆的协同控制方法及装置 |
| CN109345853A (zh) * | 2018-08-30 | 2019-02-15 | 浙江工业大学 | 一种基于gis的无人车安全驾驶优化方法 |
| CN110378298A (zh) * | 2019-07-23 | 2019-10-25 | 精英数智科技股份有限公司 | 矿车队列的监控方法、装置、设备和存储介质 |
| CN110428161A (zh) * | 2019-07-25 | 2019-11-08 | 北京航空航天大学 | 一种基于端边云架构的无人驾驶矿车云智能调度方法 |
| CN111240338A (zh) * | 2020-02-11 | 2020-06-05 | 三一智矿科技有限公司 | 无人驾驶矿车自主装卸方法及系统 |
| CN111367290A (zh) * | 2020-03-19 | 2020-07-03 | 三一智矿科技有限公司 | 矿车无人驾驶装置、方法、可读存储介质和矿车 |
| CN111553269A (zh) * | 2020-04-27 | 2020-08-18 | 郭琼 | 基于区块链的智慧工地车辆堵塞监测系统 |
| CN113687647A (zh) * | 2020-05-15 | 2021-11-23 | 长沙智能驾驶研究院有限公司 | 矿车运输驾驶控制方法、装置、矿车和存储介质 |
| CN112036773A (zh) * | 2020-09-29 | 2020-12-04 | 劢微机器人科技(深圳)有限公司 | Agv小车任务分配方法、设备、存储介质及装置 |
| CN112381255A (zh) * | 2020-11-13 | 2021-02-19 | 天津矿山工程有限公司 | 数字矿山采运设备调度方法、系统、智能终端和存储介质 |
| US20210209939A1 (en) * | 2020-12-08 | 2021-07-08 | Harbin Engineering University | Large-scale real-time traffic flow prediction method based on fuzzy logic and deep LSTM |
| CN112904820A (zh) * | 2021-01-22 | 2021-06-04 | 上海伯镭智能科技有限公司 | 无人驾驶工程车辆矿区流量调配方法及装置 |
| CN113525418A (zh) * | 2021-06-11 | 2021-10-22 | 华能伊敏煤电有限责任公司 | 矿区运输卡车自动控制路径的方法 |
| CN114662338A (zh) * | 2022-04-21 | 2022-06-24 | 深圳供电局有限公司 | 一种工地车辆堵塞监测系统及方法 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115265522A (zh) * | 2022-09-27 | 2022-11-01 | 山东明源智能装备股份有限公司 | 一种用于矿场车辆的自动导航方法及系统 |
| CN115265522B (zh) * | 2022-09-27 | 2022-12-27 | 山东明源智能装备股份有限公司 | 一种用于矿场车辆的自动导航方法及系统 |
| CN115663812A (zh) * | 2022-12-26 | 2023-01-31 | 常州金坛金能电力有限公司 | 直流输电系统可靠性评估方法及系统 |
| CN115797811A (zh) * | 2023-02-07 | 2023-03-14 | 江西农业大学 | 一种基于视觉的农产品检测方法及系统 |
| CN115797811B (zh) * | 2023-02-07 | 2023-04-28 | 江西农业大学 | 一种基于视觉的农产品检测方法及系统 |
| CN116069976A (zh) * | 2023-03-06 | 2023-05-05 | 南京和电科技有限公司 | 一种区域视频分析方法及系统 |
| CN116069976B (zh) * | 2023-03-06 | 2023-09-12 | 南京和电科技有限公司 | 一种区域视频分析方法及系统 |
| CN116090798A (zh) * | 2023-04-07 | 2023-05-09 | 山东历控能源有限公司 | 一种综合能源调度方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114911239A (zh) | 一种无人驾驶矿车的异常识别方法及系统 | |
| CN110174856B (zh) | 车辆的驾驶模式切换控制设备和方法以及车辆系统 | |
| AU2018410434B2 (en) | System, method and apparatus for planning driving path of vehicle | |
| CN108897317B (zh) | 一种自动导引小车agv的路径寻优方法、相关装置及存储介质 | |
| CN114565895B (zh) | 一种基于智慧社会的安防监控系统及方法 | |
| CN115123307A (zh) | 基于障碍物意图的自动驾驶方法、装置及自动驾驶车辆 | |
| WO2022226831A1 (zh) | 未定义类别障碍物的检测方法、装置和计算机设备 | |
| CN114911238A (zh) | 一种无人驾驶矿车协同控制方法及系统 | |
| US11531349B2 (en) | Corner case detection and collection for a path planning system | |
| US20230394959A1 (en) | Method for providing information about road users | |
| US9747801B2 (en) | Method and device for determining surroundings | |
| CN115082523A (zh) | 一种基于视觉的机器人智能引导系统及方法 | |
| US11276304B2 (en) | Systems and methods for addressing a moving vehicle response to a stationary vehicle | |
| CN114475656A (zh) | 行驶轨迹预测方法、装置、电子设备以及存储介质 | |
| CN113158922A (zh) | 基于yolo神经网络的车流量统计方法、装置及设备 | |
| US20210256849A1 (en) | Process and system for local traffic approximation through analysis of cloud data | |
| CN110913335B (zh) | 自动引导车感知定位方法、装置、服务器及自动引导车 | |
| WO2023273731A1 (zh) | 避障方法及装置、自动导航装置 | |
| KR20170128684A (ko) | 증강현실 기술을 이용하여 차량의 주행 정보를 제공하기 위한 전자 장치 | |
| CN111402571A (zh) | 一种勤务车队冲突异常预警及调整方案生成的方法及装置 | |
| CN116022168A (zh) | Ads感知系统感知的自由空间验证 | |
| CN112975989B (zh) | 机器人安全运行方法、设备及存储介质 | |
| Chang et al. | CAV driving safety monitoring and warning via V2X-based edge computing system | |
| CN111709357A (zh) | 识别目标区域的方法、装置、电子设备和路侧设备 | |
| WO2024139906A1 (zh) | 基于有人驾驶的无人驾驶作业方法和装置 |
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 |