CN114926623B - 一种基于目标抛雪区自动识别的抛雪管转向控制方法 - Google Patents
一种基于目标抛雪区自动识别的抛雪管转向控制方法 Download PDFInfo
- Publication number
- CN114926623B CN114926623B CN202210518282.9A CN202210518282A CN114926623B CN 114926623 B CN114926623 B CN 114926623B CN 202210518282 A CN202210518282 A CN 202210518282A CN 114926623 B CN114926623 B CN 114926623B
- Authority
- CN
- China
- Prior art keywords
- snow
- snow throwing
- container
- area
- pipe
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 11
- 239000010410 layer Substances 0.000 claims description 42
- 238000012360 testing method Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 239000002356 single layer Substances 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012856 packing Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004297 night vision Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/247—Aligning, centring, orientation detection or correction of the image by affine transforms, e.g. correction due to perspective effects; Quadrilaterals, e.g. trapezoids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明一种基于目标抛雪区自动识别的抛雪管转向控制方法,包括构建基于3D卷积神经网络的载雪车货箱装载状态识别模型;采集载雪车货箱的各种装载状态的图像数据对载雪车货箱装载状态识别模型进行训练;通过载雪车货箱装载状态识别模型对货箱实时装载情况进行识别,划分出货箱的满载区域和未满载区域;在未满载区域中划分出与满载区域相邻的下一个抛雪目标区域;计算抛雪目标区域的几何中心坐标;控制倾斜抛雪管旋转至目标倾角α;控制竖向导雪管向抛雪目标区域方向旋转角度θ。采用本方法代替驾驶员控制抛雪管转向,转向精度更高,转向更快,可使载雪车货箱装更均匀,能更好的避免货箱局部未满载、局部过载溢出等问题,并能提高驾驶安全性。
Description
技术领域
本发明涉及抛雪车技术领域,特别涉及一种载雪车与抛雪车之间距离的控制方法。
背景技术
抛雪车是通过其绞龙旋转将积雪收拢,并通过其抛雪叶轮将雪抛入抛雪管,抛雪管将雪抛入载雪车的货箱,由载雪车将积雪拉走,从而达到除雪目的车辆。载雪车配合抛雪车工作,载雪车在抛雪车旁边行驶,抛雪车将雪抛入载雪车的货箱中。
现有技术中抛雪管的抛雪方向全靠驾驶员的经验进行控制,抛雪管由铰接在抛雪车集雪斗顶部中间的竖向导雪管和铰接在竖向导雪管上端的倾斜抛雪管组成,竖向导雪管由第一执行器驱动在水平面内旋转,倾斜抛雪管由第二执行器驱动在竖直平面内旋转,第一执行器和第二执行器通常采用气缸或液压缸。现有技术中,由于驾驶员需要一边驾驶车辆,一边控制抛雪管的方向,因此操作难度较大,容易出现载雪车货箱某一部位雪堆积过多溢出货箱、而货箱中其它部位没有被积雪堆满的情况,且分心两用也不利于安全驾驶。并且在夜晚进行除雪作业,特别是在夜晚进行除雪作业时,由于环境亮度低,会进一步增大抛雪车的驾驶难度。
若能通过控制器控制抛雪管自动调节抛雪方向,则能降低抛雪车驾驶难度,提高驾驶安全性的有效措施。
发明内容
有鉴于此,本发明的目的是提供一种基于目标抛雪区自动识别的抛雪管转向控制方法,以解决自动控制抛雪管调整抛雪方向,提高载雪车驾驶安全性的技术问题。
本发明基于目标抛雪区自动识别的抛雪管转向控制方法包括以下步骤:
1)构建基于3D卷积神经网络的载雪车货箱装载状态识别模型;
2)采集白天和夜晚情况下载雪车货箱的各种装载状态的图像数据,并将所采集的图像数据按照一定格式制作成图像数据集,将图像数据集划分为训练数据集和测试数据集;
3)对训练数据集和测试数据集中的图像先进行离散拉普拉斯变换,然后再进行二值化处理;离散拉普拉斯变换的算子如下式所示:
l(x,y)=[f(x+1,y)+f(x-1,y)+f(x,y+1)+f(x,y-1)]-4f(x,y)
其中x,y分别为图像中某像素点的x,y坐标;l(x,y)为坐标点x,y处的拉普拉斯值;
在每个像素点的二值化过程中,定义水平方向和垂直方向上的图像拉普拉斯算子值为lx和ly,当对拉普拉斯幅值进行二值化时,采用对(min(lx+ly,255)/255)取整,即得到一个二值化幅值;
4)利用步骤3)处理后的训练数据集对载雪车货箱装载状态识别模型进行参数权重的训练,然后用测试数据集对经过训练的载雪车货箱装载状态识别模型进行测试,最终得到合格的载雪车货箱装载状态识别模型;
5)在抛雪车上设置图像采集设备连续采集载雪车货箱装载图像,并采用步骤3)中所述方法对采集的图像进行二值化处理;
6)将步骤5)获得的图像输入步骤4)得到的载雪车货箱装载状态识别模型,通过载雪车货箱装载状态识别模型对图像中货箱各区域的装载情况进行识别,划分货箱的满载区域和未满载区域;
7)根据步骤6)的识别结果,在未满载区域中划分出与满载区域相邻的下一个抛雪目标区域;
8)建立三维直角坐标系OXYZ,三维直角坐标系OXYZ的OZ轴与竖向导雪管的旋转轴心线重合,三维直角坐标系OXYZ的OXY坐标平面与载雪车货箱口部平面重合,OX方向与货箱长度向平行,OY方向与货箱宽度向平行;
9)计算抛雪目标区域的几何中心B在OXY坐标平面内的坐标(Bx,By);
10)计算倾斜抛雪管旋转的目标倾角α,其中h为倾斜抛雪管旋转中心C到OXY坐标平面的高度;并控制第二执行器驱动倾斜抛雪管旋转至目标倾角α,并通过第二角度传感器实时采集测量倾斜抛雪管的相对于竖向导雪管的实际角度α′,当α等于α′时控制第二执行器停止动作;
11)定义倾斜抛雪管的长度为L,倾斜抛雪管的出口中心在OXY坐标平面内的投影点为A,通过第一角度传感器测量当前状态倾斜抛雪管在OXY坐标平面内的投影OA相对于与X轴的夹角β,并根据投影OA的长度L·sinα计算投影点A的坐标(Ax,Ay),Ax=L·sinα·cosβ,Ay=L·sinα·sinβ;然后计算向量OA与OB之间的夹角θ,夹角θ即竖向导雪管的目标旋转角;并控制第一执行器驱动竖向导雪管向抛雪目标区域方向旋转角度θ,并通过第一角度传感器实时采集竖向导雪管的实际转角θ′,当θ′等于θ时控制第一执行器停止动作。
2、根据权利要求1所述的基于目标抛雪区自动识别的抛雪管转向控制方法,其特征在于:所述步骤2)中构建的载雪车货箱装载状态识别模型由单层稀疏自编码层和多层卷积神经网络组成,所述多层卷积神经网络包括与单层稀疏自编码层连接的卷积层、与卷积层连接的采样层、与采样层连接的特征卷积层、与特征卷积层连接的特征降采样层、与特征降采样层连接的全连接层。
本发明的有益效果:
本发明基于目标抛雪区自动识别的抛雪管转向控制方法,其通过载雪车货箱装载状态识别模型自动识别出货箱装在情况,并划分出下一个抛雪目标区域,然后计算出抛雪目标区域中心与抛雪管的相对位置关系,再控制抛雪管自动转向,从而使抛雪口朝向抛雪目标区域中心。采用本方法代替驾驶员控制抛雪管转向,转向精度更高,转向更快,可使载雪车货箱装更均匀,能更好的避免货箱局部未满载、局部过载溢出等问题;并且代替驾驶员控制抛雪管转向后,可使驾驶员专心驾驶,能提高驾驶安全性。
附图说明
图1为载雪车货箱装载状态识别模型的特征提取过程图;
图2为抛雪管转向角度结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步描述。
本实施例基于目标抛雪区自动识别的抛雪管转向控制方法包括以下步骤:
1)构建基于3D卷积神经网络的载雪车货箱装载状态识别模型。本实施例中所构建的载雪车货箱装载状态识别模型由单层稀疏自编码层和多层卷积神经网络组成,所述多层卷积神经网络包括与单层稀疏自编码层连接的卷积层、与卷积层连接的采样层、与采样层连接的特征卷积层、与特征卷积层连接的特征降采样层、与特征降采样层连接的全连接层。本实施例中基于3D卷积神经网络构建的载雪车货箱装载状态识别模型,能对时间序列特征信息进行有效识别。通过对目标时序特征进行处理,在提升识别效果和实时性的同时,还能够对载雪车货箱载满状态和空置状态区域进行划分。
2)采集白天和夜晚情况下载雪车货箱的各种装载状态的图像数据,并将所采集的图像数据按照一定格式制作成图像数据集,将图像数据集划分为训练数据集和测试数据集。本实施例中,具体利用夜视技术采集在白天和夜晚情况下载雪车货箱空载、货箱局部未满载、货箱整体满载等各种装载状态的图像数据。
3)对训练数据集和测试数据集中的图像先进行离散拉普拉斯变换,通过拉普拉斯变换可强化图像的底层特征,然后再进行二值化处理;离散拉普拉斯变换的算子如下式所示:
l(x,y)=[f(x+1,y)+f(x-1,y)+f(x,y+1)+f(x,y-1)]-4f(x,y)
其中x,y分别为图像中某像素点的x,y坐标;l(x,y)为坐标点x,y处的拉普拉斯值。
在每个像素点的二值化过程中,定义水平方向和垂直方向上的图像拉普拉斯算子值为lx和ly,当对拉普拉斯幅值进行二值化时,采用对(min(lx+ly,255)/255)取整,即得到一个二值化幅值。
4)利用步骤3)处理后的训练数据集对载雪车货箱装载状态识别模型进行参数权重的训练,然后用测试数据集对经过训练的载雪车货箱装载状态识别模型进行测试,最终得到合格的载雪车货箱装载状态识别模型。
5)在抛雪车上设置图像采集设备连续采集载雪车货箱装载图像,并采用步骤3)中所述方法对采集的图像进行二值化处理。
6)将步骤5)获得的图像输入步骤4)得到的载雪车货箱装载状态识别模型,通过载雪车货箱装载状态识别模型对图像中货箱各区域的装载情况进行识别,划分货箱的满载区域和未满载区域。
本实施例中的载雪车货箱装载状态识别模型采用稀疏自编码和卷积神经网络算法进行非结构化大数据的无监督深度特征提取,构建装载状态区域特征空间,实现从底层像素信息到高层抽象特征的映射。根据对载雪车货箱装载图像提取到的不同区域的特征差异,对货箱图像进行区域分割,从而确定未装载满的目标区域位置。具体而言,有以下三种情况:
(a)货箱空载情况:此时从实时货箱装载图像中提取到的特征全部为货箱的底色特征。
(b)货箱满载情况:此时从实时车斗装载图像中提取到的特征全部为雪的颜色特征。
(c)货箱局部未满载情况:此时根据从实时车斗装载图像中提取到的混合特征进行图像分割,从而划分出未装载满区域。
7)根据步骤6)的识别结果,在未满载区域中划分出与满载区域相邻的下一个抛雪目标区域。
8)建立三维直角坐标系OXYZ,三维直角坐标系OXYZ的OZ轴与竖向导雪管1的旋转轴心线重合,三维直角坐标系OXYZ的OXY坐标平面与载雪车货箱口部平面重合,OX方向与货箱长度向平行,OY方向与货箱宽度向平行。
9)计算抛雪目标区域的几何中心B在OXY坐标平面内的坐标(Bx,By)。
10)计算倾斜抛雪管旋转的目标倾角α,其中h为倾斜抛雪管2的旋转中心C到OXY坐标平面的高度;并控制第二执行器3驱动倾斜抛雪管旋转至目标倾角α,并通过第二角度传感器实时采集测量倾斜抛雪管的相对于竖向导雪管的实际角度α′,当α等于α′时控制第二执行器停止动作。
11)定义倾斜抛雪管的长度为L,倾斜抛雪管的出口中心在OXY坐标平面内的投影点为A,通过第一角度传感器测量当前状态倾斜抛雪管在OXY坐标平面内的投影OA相对于与X轴的夹角β,并根据投影OA的长度L·sinα计算投影点A的坐标(Ax,Ay),Ax=L·sinα·cosβ,Ay=L·sinα·sinβ;然后计算向量OA与OB之间的夹角θ,夹角θ即竖向导雪管的目标旋转角;并控制第一执行器4驱动竖向导雪管向抛雪目标区域方向旋转角度θ,并通过第一角度传感器实时采集竖向导雪管的实际转角θ′,当θ′等于θ时控制第一执行器停止动作。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (2)
1.一种基于目标抛雪区自动识别的抛雪管转向控制方法,其特征在于:包括以下步骤:
1)构建基于3D卷积神经网络的载雪车货箱装载状态识别模型;
2)采集白天和夜晚情况下载雪车货箱的各种装载状态的图像数据,并将所采集的图像数据按照一定格式制作成图像数据集,将图像数据集划分为训练数据集和测试数据集;
3)对训练数据集和测试数据集中的图像先进行离散拉普拉斯变换,然后再进行二值化处理;离散拉普拉斯变换的算子如下式所示:
l(x,y)=[f(x+1,y)+f(x-1,y)+f(x,y+1)+f(x,y-1)]-4f(x,y)
其中x,y分别为图像中某像素点的x,y坐标;l(x,y)为坐标点x,y处的拉普拉斯值;
在每个像素点的二值化过程中,定义水平方向和垂直方向上的图像拉普拉斯算子值为lx和ly,当对拉普拉斯幅值进行二值化时,采用对(min(lx|+ly|,255)/255)取整,即得到一个二值化幅值;
4)利用步骤3)处理后的训练数据集对载雪车货箱装载状态识别模型进行参数权重的训练,然后用测试数据集对经过训练的载雪车货箱装载状态识别模型进行测试,最终得到合格的载雪车货箱装载状态识别模型;
5)在抛雪车上设置图像采集设备连续采集载雪车货箱装载图像,并采用步骤3)中所述方法对采集的图像进行二值化处理;
6)将步骤5)获得的图像输入步骤4)得到的载雪车货箱装载状态识别模型,通过载雪车货箱装载状态识别模型对图像中货箱各区域的装载情况进行识别,划分货箱的满载区域和未满载区域;
7)根据步骤6)的识别结果,在未满载区域中划分出与满载区域相邻的下一个抛雪目标区域;
8)建立三维直角坐标系OXYZ,三维直角坐标系OXYZ的OZ轴与竖向导雪管的旋转轴心线重合,三维直角坐标系OXYZ的OXY坐标平面与载雪车货箱口部平面重合,OX方向与货箱长度向平行,OY方向与货箱宽度向平行;
9)计算抛雪目标区域的几何中心B在OXY坐标平面内的坐标(Bx,By);
10)计算倾斜抛雪管旋转的目标倾角α,其中h为倾斜抛雪管旋转中心C到OXY坐标平面的高度;并控制第二执行器驱动倾斜抛雪管旋转至目标倾角α,并通过第二角度传感器实时采集测量倾斜抛雪管的相对于竖向导雪管的实际角度α′,当α等于α′时控制第二执行器停止动作;
11)定义倾斜抛雪管的长度为L,倾斜抛雪管的出口中心在OXY坐标平面内的投影点为A,通过第一角度传感器测量当前状态倾斜抛雪管在OXY坐标平面内的投影OA相对于与X轴的夹角β,并根据投影OA的长度L·sinα计算投影点A的坐标(Ax,Ay),Ax=L·sinα·cosβ,Ay=L·sinα·sinβ;然后计算向量OA与OB之间的夹角θ,夹角θ即竖向导雪管的目标旋转角;并控制第一执行器驱动竖向导雪管向抛雪目标区域方向旋转角度θ,并通过第一角度传感器实时采集竖向导雪管的实际转角θ′,当θ′等于θ时控制第一执行器停止动作。
2.根据权利要求1所述的基于目标抛雪区自动识别的抛雪管转向控制方法,其特征在于:所述步骤2)中构建的载雪车货箱装载状态识别模型由单层稀疏自编码层和多层卷积神经网络组成,所述多层卷积神经网络包括与单层稀疏自编码层连接的卷积层、与卷积层连接的采样层、与采样层连接的特征卷积层、与特征卷积层连接的特征降采样层、与特征降采样层连接的全连接层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210518282.9A CN114926623B (zh) | 2022-05-12 | 2022-05-12 | 一种基于目标抛雪区自动识别的抛雪管转向控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210518282.9A CN114926623B (zh) | 2022-05-12 | 2022-05-12 | 一种基于目标抛雪区自动识别的抛雪管转向控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114926623A CN114926623A (zh) | 2022-08-19 |
CN114926623B true CN114926623B (zh) | 2024-07-12 |
Family
ID=82809083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210518282.9A Active CN114926623B (zh) | 2022-05-12 | 2022-05-12 | 一种基于目标抛雪区自动识别的抛雪管转向控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114926623B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308003A (zh) * | 2020-11-06 | 2021-02-02 | 中冶赛迪重庆信息技术有限公司 | 一种废钢货车装载状态识别方法、系统、设备及介质 |
CN113901941A (zh) * | 2021-10-25 | 2022-01-07 | 北京曼德克环境科技有限公司 | 载货车辆的查验方法及装置、电子设备和存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10818011B2 (en) * | 2017-12-29 | 2020-10-27 | Shenzhen Institutes Of Advanced Technology Chinese Academy Of Sciences | Carpal segmentation and recognition method and system, terminal and readable storage medium |
CN110147702B (zh) * | 2018-07-13 | 2023-05-23 | 腾讯科技(深圳)有限公司 | 一种实时视频的目标检测与识别方法和系统 |
-
2022
- 2022-05-12 CN CN202210518282.9A patent/CN114926623B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308003A (zh) * | 2020-11-06 | 2021-02-02 | 中冶赛迪重庆信息技术有限公司 | 一种废钢货车装载状态识别方法、系统、设备及介质 |
CN113901941A (zh) * | 2021-10-25 | 2022-01-07 | 北京曼德克环境科技有限公司 | 载货车辆的查验方法及装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114926623A (zh) | 2022-08-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886131B (zh) | 一种道路弯道识别方法及其装置 | |
CN109460709B (zh) | 基于rgb和d信息融合的rtg视觉障碍物检测的方法 | |
CN103714538B (zh) | 道路边缘检测方法、装置及车辆 | |
EP3792901A1 (en) | Ground mark extraction method, model training method, device and storage medium | |
US20200063401A1 (en) | Terrain Feed Forward Calculation | |
CN108596058A (zh) | 基于计算机视觉的行车障碍物测距方法 | |
CN109886215B (zh) | 基于机器视觉的低速园区无人车巡航及紧急制动系统 | |
CN113761970A (zh) | 基于图像识别工作位置的方法、系统,机器人及存储介质 | |
CN110197494B (zh) | 一种基于单目红外图像的受电弓接触点实时检测算法 | |
CN112200171B (zh) | 一种基于扫描线的道路点云的提取方法 | |
CN112720408B (zh) | 一种全地形机器人视觉导航控制方法 | |
CN113200052B (zh) | 一种用于无人驾驶的路况智能识别方法 | |
CN107831760A (zh) | 机器人障碍物处理系统及方法 | |
CN111142524A (zh) | 一种垃圾捡拾机器人、方法、装置及存储介质 | |
CN109328615B (zh) | 草地边界识别方法、割草装置的控制方法及割草装置 | |
CN115328175B (zh) | 一种物流机器人系统 | |
CN113240682B (zh) | 用于履带式起重机的防倾覆施工驾驶地图生成方法及系统 | |
WO2021243894A1 (zh) | 基于图像识别工作位置的方法、系统,机器人及存储介质 | |
CN114926623B (zh) | 一种基于目标抛雪区自动识别的抛雪管转向控制方法 | |
CN113822095A (zh) | 基于图像识别工作位置的方法、系统,机器人及存储介质 | |
CN107792052B (zh) | 有人或无人双模驾驶电动工程车 | |
CN111127381A (zh) | 一种受电弓滑板不平行检测方法 | |
Cai et al. | Robust road lane detection from shape and color feature fusion for vehicle self-localization | |
CN117369460A (zh) | 一种车辆螺栓松动故障的智能巡检方法及系统 | |
CN109376733A (zh) | 一种基于车牌定位的道路救援装备正方位拖牵诱导方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |