CN114994634A - 一种巡逻车激光雷达探坑算法 - Google Patents
一种巡逻车激光雷达探坑算法 Download PDFInfo
- Publication number
- CN114994634A CN114994634A CN202210538694.9A CN202210538694A CN114994634A CN 114994634 A CN114994634 A CN 114994634A CN 202210538694 A CN202210538694 A CN 202210538694A CN 114994634 A CN114994634 A CN 114994634A
- Authority
- CN
- China
- Prior art keywords
- patrol car
- point cloud
- laser radar
- area
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims description 55
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 238000001914 filtration Methods 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 230000004888 barrier function Effects 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 230000001629 suppression Effects 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000002401 inhibitory effect Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000013138 pruning Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000000034 method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
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
- 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
-
- 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
- G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of 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
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
- G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Optics & Photonics (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明公开了一种巡逻车激光雷达探坑算法,所述巡逻车激光雷达探坑算法通过对巡逻车运行区域进行空间网格化搭建,采用激光雷达对巡逻车运行前方区域数据进行点云式采集,将采集后的激光点云数据进行中值滤波处理后将其插入到搭建的空间网格中,通过中值滤波处理后的点云数据在空间网格中形成障碍物区域,通过对障碍物区域进行数据化对比分析计算得出巡逻车运行前方区域内的障碍物区域的坐标位置及大小深度等信息,将对比分析计算得出的数据信息在影响巡逻车正常运行时,反馈到巡逻车控制系统内,通过巡逻车控制系统控制巡逻车避让障碍物区域行驶,确保巡逻车的正常运行。
Description
技术领域
本发明涉及程序设计编写技术领域,尤其涉及一种巡逻车激光雷达探坑算法。
背景技术
科技的快速发展,给我的生活和工作带来的很大的改变,很多高科技产品设备的生产制造给人的生活、工作和学习带来了很大的便利,人们使用不同的科技机械设备便可实现自己的所想所要,而高科技产品的支撑是通过软件程序和硬件设备的完美结合,通过软件程序算法控制硬件设备根据人们的需求进行运行,从而实现人们的所想所要;生活工作中人们已经开发出一些智能型的多功能的设备来代替人们进行危险性较高、需要不断重复的工作,而这些智能型的设备需要高级的程序算法来实现;为此申请人根据无人巡逻车的运行时需要计算得出运行前方区域的障碍物数据而开发一种巡逻车激光雷达探坑算法,通过对巡逻车运行的区域进行空间网格化搭建,采用激光雷达对巡逻车运行前方区域数据进行点云式采集,插入到框架网格中,然后对比分析得出巡逻车运行前方的障碍物数据,使巡逻车避开行驶。
发明内容
针对上述不足,本发明提供巡逻车激光雷达探坑算法,巡逻车激光雷达探坑算法通过对巡逻车运行区域进行空间网格化搭建,采用激光雷达对巡逻车运行前方区域数据进行点云式采集,将采集后的激光点云数据进行中值滤波处理后将其插入到搭建的空间网格中,通过中值滤波处理后的点云数据在空间网格中形成障碍物区域,通过对障碍物区域进行数据化对比分析计算得出巡逻车运行前方区域内的障碍物区域的坐标位置及大小深度信息,将对比分析计算得出的数据信息在影响巡逻车正常运行时,反馈到巡逻车控制系统内,通过巡逻车控制系统控制巡逻车避让障碍物区域行驶,确保巡逻车的正常运行。
本发明是通过以下技术方案实现的:一种巡逻车激光雷达探坑算法,其特征在于:所述巡逻车激光雷达探坑算法通过对巡逻车运行区域进行空间网格化搭建,采用激光雷达对巡逻车运行前方区域数据进行点云式采集,将采集后的激光点云数据进行中值滤波处理后将其插入到搭建的空间网格中,通过中值滤波处理后的点云数据在空间网格中形成凹陷或凸起区域,通过对凹陷区域或凸起区域的进行数据化对比分析计算得出巡逻车运行前方区域内的障碍物区域的坐标位置及大小深度信息,将对比分析计算得出的数据信息反馈到巡逻车控制系统内,通过巡逻车控制系统控制巡逻车避让障碍物区域行驶,确保巡逻车的正常运行。
作为本发明的一种优选技术方案,所述巡逻车激光雷达探坑算法对巡逻车运行区域进行空间网格化搭建,所述空间网格化搭建的范围包括巡逻车周围,激光雷达采集数据时覆盖巡逻车周围360°区域。
作为本发明的一种优选技术方案,所述巡逻车激光雷达探坑算法的激光雷达采集的是巡逻车运行前方区域的动态点云数据。
作为本发明的一种优选技术方案,所述巡逻车激光雷达探坑算法的相机采集的是巡逻车运行前方区域的真实点云数据。
作为本发明的一种优选技术方案,所述巡逻车激光雷达探坑算法对比分析计算时调用巡逻车的运动数据。
作为本发明的一种优选技术方案,所述巡逻车激光雷达探坑算法为:
步骤1,标校相机和激光雷达,使得标校后的点云数据目标坐标和偏航角均位于相机坐标系下,通过相机检测路面场景的真实点云数据,利用激光雷达检测真实点云数据所对应的点云数据;
步骤2,搭建YOLOv5探坑检测框架,包括:Input端、Backbone、Neck、Outpt端,其中Input端主要包含数据增强、点云尺寸处理、自适应锚框计算,Backbone主要包含Focus结构和CSP结构,Neck包含FPN与PAN结构,Output端包含损失函数和非极大值抑制;
步骤2.1,将点云数据通过Input端输入至YOLOv5探坑检测模型中,通过Mosaic方式增强数据;
步骤2.2,通过Focus结构对图像进行切片操作,扩充输入通道,并通过卷积得到下采样特征图;
步骤2.3,FPN层采用自底向上的特征金字塔结构,将所提取的语义特征与位置特征进行融合,同时将主干层与检测层进行特征融合,使模型获取更加丰富的特征信息;
步骤2.4,采用了GIoU作为损失函数,通过非极大值抑制NMS来筛选目标框;
输出端的损失函数为:
式中,IoU是交并比损失,Ac是网络检测框与标注的最小外接矩形面积,U是检测框与标注并集面积,并选择加权DIOU_NMS算法,优化检测重叠目标的问题,通过下式决定检测锚框是否需要删除:
式中,si是对应预测box的分数,M和Bi表示两个不同box,RDIoU是两个box中心点之间的距离,ε表示非极大值抑制阈值;训练完成后,将训练所得的模型通过剪枝和量化处理,获得YOLOv5探坑检测模型;
步骤2.5,通过YOLOv5探坑检测模型检测出点云数据中的探坑目标;
步骤3,将点云数据和真实点云数据进行对齐处理,并通过激光雷达点云数据标注真实图像的所属类别、目标尺寸、位置坐标、偏航角度。
与现有技术相比,本发明的有益效果为:巡逻车激光雷达探坑算法对巡逻车运行区域进行空间网格化处理,通过巡逻车上的激光雷达对巡逻车运行区域前方进行点云式的数据采集,对采集的数据进行中值滤波处理,然后将处理后的数据插入到空间网格中,通过对比分析计算得出巡逻车运行区域前方的障碍物数据,将其发送给巡逻车控制系统,使巡逻车避开障碍物运行,算法简单明了,采集数据真实性和可用性高,利用YOLOv5算法检测目标图像,与点云数据相结合,可以精确的检测坑洞所属类别、目标尺寸、位置坐标、偏航角度。
附图说明
图1是本发明工作原理示意图;
图2是本发明探坑算法流程图。
具体实施方式
下面结合附图和具体实施方式,进一步阐明本发明,应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。需要说明的是,下面描述中使用的词语“前”、“后”、“左”、“右”、“上”和“下”指的是附图中的方向,词语“内”和“外”分别指的是朝向或远离特定部件几何中心的方向。
如图1所示一种巡逻车激光雷达探坑算法,其特征在于:所述巡逻车激光雷达探坑算法通过对巡逻车运行区域进行空间网格化搭建,所述空间网格化搭建的范围包括巡逻车周围,激光雷达采集数据时覆盖巡逻车周围360°区域,采用激光雷达对巡逻车运行前方区域数据进行点云式采集,激光雷达采集的是巡逻车运行前方区域的动态点云数据,将采集后的激光点云数据进行中值滤波处理后将其插入到搭建的空间网格中,通过中值滤波处理后的点云数据在空间网格中形成障碍物区域,通过对障碍物区域进行数据化对比分析计算得出巡逻车运行前方区域内的障碍物区域的坐标位置及大小深度信息,对比分析计算时调用巡逻车的运动数据,将对比分析计算得出的数据信息在影响巡逻车正常运行时,反馈到巡逻车控制系统内,通过巡逻车控制系统控制巡逻车避让障碍物区域行驶,确保巡逻车的正常运行。
作为本发明的一种实施例,如图1所示,所述巡逻车激光雷达探坑算法通过对巡逻车运行区域进行空间网格化搭建,所述空间网格化搭建的范围包括巡逻车周围,激光雷达采集数据时覆盖巡逻车周围360°区域,激光雷达在采集点云数据时判定为是否为完整的360°点云数据,如果不是则重新采集,是则进入时间戳差值与设定的阀值比较,比较过程中引入巡逻车GPS的时间戳和激光雷达的采集时间戳来进行比较,如果时间戳的差值小于设定阀值则进入点云数据的中值滤波处理,如大于设定阀值则激光雷达重新采集点云数据,采用激光雷达对巡逻车运行前方区域数据进行点云式采集,激光雷达采集的是巡逻车运行前方区域的动态点云数据,将采集后的激光点云数据在进行中值滤波处理后将其插入到搭建的空间网格中,通过对比分析插入的检测范围的点云数据是否时有效的点云数据,点云数据为有效的数据则通过中值滤波处理后的点云数据在空间网格中形成障碍物区域的轮廓信息,如果不是有效的点云数据则进入到重新采集点云数据中,在有效点云数据聚类成障碍物的轮廓信息,对障碍物的轮廓信息进行数据化对比分析计算得出巡逻车运行前方区域内的障碍物区域的坐标位置及大小深度信息,对比分析计算时调用巡逻车的运动数据,对障碍物进行分类从而判断障碍物是否影响巡逻车的正常运行,在障碍物分类中,通过对障碍物的轮廓信息在搭建的空间网格的水平面内进行对比,在空间网格坐标系中操作坐标系的信息小于空间网格平面坐标时则判定为凹陷,大于空间网格平面坐标则判定为凸起,所述在判定障碍物影响巡逻车正常运行时将对比分析计算得出的数据信息反馈到巡逻车控制系统内,通过巡逻车控制系统控制巡逻车避让障碍物区域行驶,在不影响时则判断巡逻车是否还在正常运行,在正常运行时通过决策再次采集巡逻车运行前方区域的点云数据,从而确保巡逻车的正常运行。
其中,探坑算法流程图如图2所示,巡逻车激光雷达探坑算法为:
步骤1,标校相机和激光雷达,使得标校后的点云数据目标坐标和偏航角均位于相机坐标系下,通过相机检测路面场景的真实点云数据,利用激光雷达检测真实点云数据所对应的点云数据;
步骤2,搭建YOLOv5探坑检测框架,包括:Input端、Backbone、Neck、Outpt端,其中Input端主要包含数据增强、点云尺寸处理、自适应锚框计算,Backbone主要包含Focus结构和CSP结构,Neck包含FPN与PAN结构,Output端包含损失函数和非极大值抑制;
步骤2.1,将点云数据通过Input端输入至YOLOv5探坑检测模型中,通过Mosaic方式增强数据;
步骤2.2,通过Focus结构对图像进行切片操作,扩充输入通道,并通过卷积得到下采样特征图;
步骤2.3,FPN层采用自底向上的特征金字塔结构,将所提取的语义特征与位置特征进行融合,同时将主干层与检测层进行特征融合,使模型获取更加丰富的特征信息;
步骤2.4,采用了GIoU作为损失函数,通过非极大值抑制NMS来筛选目标框;
输出端的损失函数为:
式中,IoU是交并比损失,Ac是网络检测框与标注的最小外接矩形面积,U是检测框与标注并集面积,并选择加权DIOU_NMS算法,优化检测重叠目标的问题,通过下式决定检测锚框是否需要删除:
式中,si是对应预测box的分数,M和Bi表示两个不同box,RDIoU是两个box中心点之间的距离,ε表示非极大值抑制阈值;训练完成后,将训练所得的模型通过剪枝和量化处理,获得YOLOv5探坑检测模型;
步骤2.5,通过YOLOv5探坑检测模型检测出点云数据中的探坑目标;
步骤3,将点云数据和真实点云数据进行对齐处理,并通过激光雷达点云数据标注真实图像的所属类别、目标尺寸、位置坐标、偏航角度。
最后应说明的是:以上所述仅为本发明的优选实例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种巡逻车激光雷达探坑算法,其特征在于:所述巡逻车激光雷达探坑算法通过对巡逻车运行区域进行空间网格化搭建,采用激光雷达对巡逻车运行前方区域数据进行点云式采集,将采集后的激光点云数据进行中值滤波处理后将其插入到搭建的空间网格中,通过中值滤波处理后的点云数据在空间网格中形成障碍物区域,通过对障碍物区域进行数据化对比分析计算得出巡逻车运行前方区域内的障碍物区域的坐标位置及大小深度信息,将对比分析计算得出的数据信息在影响巡逻车正常运行时,反馈到巡逻车控制系统内,通过巡逻车控制系统控制巡逻车避让障碍物区域行驶,确保巡逻车的正常运行。
2.根据权利要求1中所述的巡逻车激光雷达探坑算法,其特征在于:所述巡逻车激光雷达探坑算法对巡逻车运行区域进行空间网格化搭建,所述空间网格化搭建的范围包括巡逻车周围,激光雷达采集数据时覆盖巡逻车周围360°区域。
3.根据权利要求1中所述的巡逻车激光雷达探坑算法,其特征在于:所述巡逻车激光雷达探坑算法的激光雷达采集的是巡逻车运行前方区域的动态点云数据。
4.根据权利要求1中所述的巡逻车激光雷达探坑算法,其特征在于:所述巡逻车激光雷达探坑算法对比分析计算时调用巡逻车的运动数据。
5.根据权利要求1中所述的巡逻车激光雷达探坑算法,其特征在于:所述巡逻车激光雷达探坑算法的相机采集的是巡逻车运行前方区域的真实点云数据。
6.根据权利要求1中所述的巡逻车激光雷达探坑算法,其特征在于:所述巡逻车激光雷达探坑算法流程为:
步骤1,标校相机和激光雷达,使得标校后的点云数据目标坐标和偏航角均位于相机坐标系下,通过相机检测路面场景的真实点云数据,利用激光雷达检测真实点云数据所对应的点云数据;
步骤2,搭建YOLOv5探坑检测框架,包括:Input端、Backbone、Neck、Outpt端,其中Input端主要包含数据增强、点云尺寸处理、自适应锚框计算,Backbone主要包含Focus结构和CSP结构,Neck包含FPN与PAN结构,Output端包含损失函数和非极大值抑制;
步骤2.1,将点云数据通过Input端输入至YOLOv5探坑检测模型中,通过Mosaic方式增强数据;
步骤2.2,通过Focus结构对图像进行切片操作,扩充输入通道,并通过卷积得到下采样特征图;
步骤2.3,FPN层采用自底向上的特征金字塔结构,将所提取的语义特征与位置特征进行融合,同时将主干层与检测层进行特征融合,使模型获取更加丰富的特征信息;
步骤2.4,采用了GIoU作为损失函数,通过非极大值抑制NMS来筛选目标框;
输出端的损失函数为:
式中,IoU是交并比损失,Ac是网络检测框与标注的最小外接矩形面积,U是检测框与标注并集面积,并选择加权DIOU_NMS算法,优化检测重叠目标的问题,通过下式决定检测锚框是否需要删除:
式中,si是对应预测box的分数,M和Bi表示两个不同box,RDIoU是两个box中心点之间的距离,ε表示非极大值抑制阈值;训练完成后,将训练所得的模型通过剪枝和量化处理,获得YOLOv5探坑检测模型;
步骤2.5,通过YOLOv5探坑检测模型检测出点云数据中的探坑目标;
步骤3,将点云数据和真实点云数据进行对齐处理,并通过激光雷达点云数据标注真实图像的所属类别、目标尺寸、位置坐标、偏航角度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210538694.9A CN114994634B (zh) | 2022-05-18 | 2022-05-18 | 一种巡逻车激光雷达探坑算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210538694.9A CN114994634B (zh) | 2022-05-18 | 2022-05-18 | 一种巡逻车激光雷达探坑算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114994634A true CN114994634A (zh) | 2022-09-02 |
CN114994634B CN114994634B (zh) | 2024-05-28 |
Family
ID=83026781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210538694.9A Active CN114994634B (zh) | 2022-05-18 | 2022-05-18 | 一种巡逻车激光雷达探坑算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114994634B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106908052A (zh) * | 2017-02-09 | 2017-06-30 | 北京光年无限科技有限公司 | 用于智能机器人的路径规划方法及装置 |
CN109375629A (zh) * | 2018-12-05 | 2019-02-22 | 苏州博众机器人有限公司 | 一种巡逻车及其导航避障方法 |
CN110531376A (zh) * | 2019-08-23 | 2019-12-03 | 畅加风行(苏州)智能科技有限公司 | 用于港口无人驾驶车辆的障碍物检测和跟踪方法 |
WO2020103427A1 (zh) * | 2018-11-23 | 2020-05-28 | 华为技术有限公司 | 对象检测方法、相关设备及计算机存储介质 |
CN112859873A (zh) * | 2021-01-25 | 2021-05-28 | 山东亚历山大智能科技有限公司 | 一种基于语义激光的移动机器人多级避障系统及方法 |
CN114495059A (zh) * | 2022-01-24 | 2022-05-13 | 上海于万科技有限公司 | 一种环卫清扫车路面识别方法及装置 |
-
2022
- 2022-05-18 CN CN202210538694.9A patent/CN114994634B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106908052A (zh) * | 2017-02-09 | 2017-06-30 | 北京光年无限科技有限公司 | 用于智能机器人的路径规划方法及装置 |
WO2020103427A1 (zh) * | 2018-11-23 | 2020-05-28 | 华为技术有限公司 | 对象检测方法、相关设备及计算机存储介质 |
CN109375629A (zh) * | 2018-12-05 | 2019-02-22 | 苏州博众机器人有限公司 | 一种巡逻车及其导航避障方法 |
CN110531376A (zh) * | 2019-08-23 | 2019-12-03 | 畅加风行(苏州)智能科技有限公司 | 用于港口无人驾驶车辆的障碍物检测和跟踪方法 |
CN112859873A (zh) * | 2021-01-25 | 2021-05-28 | 山东亚历山大智能科技有限公司 | 一种基于语义激光的移动机器人多级避障系统及方法 |
CN114495059A (zh) * | 2022-01-24 | 2022-05-13 | 上海于万科技有限公司 | 一种环卫清扫车路面识别方法及装置 |
Non-Patent Citations (2)
Title |
---|
王海 等: ""基于四线激光雷达的无人车障碍物检测算法"", 《中国机械工程》, vol. 29, no. 15, 3 August 2018 (2018-08-03), pages 1884 - 1889 * |
胡远志 等: "基于数据融合的目标测距方法研究", 重庆理工大学学报(自然科学), 15 December 2019 (2019-12-15), pages 24 - 31 * |
Also Published As
Publication number | Publication date |
---|---|
CN114994634B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110059558B (zh) | 一种基于改进ssd网络的果园障碍物实时检测方法 | |
CN113537106B (zh) | 一种基于YOLOv5的鱼类摄食行为识别方法 | |
CN110175576B (zh) | 一种结合激光点云数据的行驶车辆视觉检测方法 | |
CN108053427B (zh) | 一种基于KCF与Kalman的改进型多目标跟踪方法、系统及装置 | |
CN109800689B (zh) | 一种基于时空特征融合学习的目标跟踪方法 | |
CN108052859B (zh) | 一种基于聚类光流特征的异常行为检测方法、系统及装置 | |
CN110084299B (zh) | 基于多头融合注意力的目标检测方法和装置 | |
CN113156421A (zh) | 基于毫米波雷达和摄像头信息融合的障碍物检测方法 | |
KR20180135898A (ko) | 기계 학습에 의해 객체 분류기를 훈련시키는 시스템 및 방법 | |
CN105654508B (zh) | 基于自适应背景分割的监控视频移动目标跟踪方法及系统 | |
US9412025B2 (en) | Systems and methods to classify moving airplanes in airports | |
CN110398720A (zh) | 一种反无人机探测跟踪干扰系统及光电跟踪系统工作方法 | |
CN105262991B (zh) | 一种基于二维码的变电站设备对象识别方法 | |
CN109145756A (zh) | 基于机器视觉和深度学习的目标检测方法 | |
CN112633061A (zh) | 一种轻量级的fire-det火焰检测方法及系统 | |
EP3113079A1 (en) | A controller for a working vehicle | |
CN110096982A (zh) | 一种基于深度学习的视频车辆大数据搜索方法 | |
Shen et al. | Biomimetic vision for zoom object detection based on improved vertical grid number YOLO algorithm | |
CN114140503A (zh) | 基于深度学习的配电网危险区域识别装置及方法 | |
CN108537825B (zh) | 一种基于迁移学习回归网络的目标跟踪方法 | |
CN115563732A (zh) | 基于虚拟现实的喷涂轨迹仿真优化方法及装置 | |
CN114994634A (zh) | 一种巡逻车激光雷达探坑算法 | |
CN116958927A (zh) | 一种基于bev图识别矮小柱状体的方法及装置 | |
CN115690084A (zh) | 一种基于改进yolov5的面向复杂场景的安全帽检测方法 | |
CN116152696A (zh) | 一种工控系统智慧安防图像识别方法及系统 |
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 |