CN115077556A - 一种基于多维度地图的无人车野战路径规划方法 - Google Patents
一种基于多维度地图的无人车野战路径规划方法 Download PDFInfo
- Publication number
- CN115077556A CN115077556A CN202210883030.6A CN202210883030A CN115077556A CN 115077556 A CN115077556 A CN 115077556A CN 202210883030 A CN202210883030 A CN 202210883030A CN 115077556 A CN115077556 A CN 115077556A
- Authority
- CN
- China
- Prior art keywords
- area
- node
- map
- grid
- path planning
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
- G01C21/30—Map- or contour-matching
- G01C21/32—Structuring or formatting of map data
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3833—Creation or updating of map data characterised by the source of data
- G01C21/3841—Data obtained from two or more sources, e.g. probe vehicles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3833—Creation or updating of map data characterised by the source of data
- G01C21/3852—Data derived from aerial or satellite images
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于多维度地图的无人车野战路径规划方法,包括:对野战区域的卫星遥感图像进行语义分割,形成水域栅格地图;利用数字高程模型图进行坡度分析,形成坡度栅格地图;将上述两个地图投影、融合,结合敌方威胁区域,选择分辨率,形成多维度野战区域地图,为野战路径规划提供数据支撑;结合无人车越野性能,改进快速随机拓展树RRT算法,通过对综合栅格地图信息得到采样和待选节点的合格判定,快速规划避开威胁区域的无人车野战环境下的可行驶路径。本发明能够构建包括水域标识、坡度数据、水深数据以及威胁区域标识的多维度栅格地图,并充分考虑到无人车的越野性能和算法运行速度,实现野战环境下的快速路径规划。
Description
技术领域
本发明涉及一种无人车野战路径规划方法,特别是一种基于多维度地图的无人车野战路径规划方法。
背景技术
随着无人自主技术的发展成熟,无人地面车辆在军事上越来越受到重视,被广泛应用于战场侦察、扫雷排爆、支援保障以及安全巡逻等作战场景。路径规划作为无人驾驶的核心技术之一,是无人车能够实现安全行驶并顺利执行任务的根本前提。现有路径规划主要应用于结构化城市道路,但是在复杂开放的野外环境下,道路边界不明显,车辆面对的行驶环境将是高低起伏不平的道路及具有一定深度的水沟,这将给车辆行进与安全行驶带来困扰。
现有野外路径规划研究主要分为经典的路径规划算法与启发式的路径规划算法两部分。其中,经典的路径规划算法主要包括细胞分解法、采样法和基于抽样的方法,如快速随机拓展树算法(RRT),这些算法未考虑到无人车的越野性能,不能很好地解决实际野外路径规划问题。启发式的路径规划算法包括A-Star算法(A*)、遗传算法(GA)、蚁群算法(ACO)、粒子群优化算法(PSO)等,这些算法需要构建代价函数,通过优化迭代得到规划路径,但是时间复杂度略高,不太适用于复杂度高和需要实时判断的野外场景。
发明内容
发明目的:本发明所要解决的技术问题是针对现有技术的不足,提供一种基于多维度地图的无人车野战路径规划方法。
为了解决上述技术问题,本发明公开了一种基于多维度地图的无人车野战路径规划方法,包括以下步骤:
步骤1,基于语义识别神经网络对野战区域的卫星遥感数据进行语义分割,得到该区域的水域信息,形成水域栅格地图;
步骤2,通过对野战区域的数字高程数据进行坡度分析,得到该区域的坡度信息,形成坡度栅格地图;
步骤3,结合敌方威胁数据和水深数据,将水域栅格地图和坡度栅格地图进行投影和融合,构建同一坐标系下野战区域的多维度栅格地图;
步骤4,构建树形结构,并将起点作为根节点,在多维度栅格地图中根据采样策略进行随机采样,在树形结构中找到距离采样点最近的节点,基于该节点位置计算出待选节点位置,并执行下一步骤;
步骤5,根据无人车的最大爬坡角度、涉水深度以及敌方威胁数据判断待选节点的合格性,如果合格则把待选节点加入树形结构,否则重复步骤4进行随机采样并计算待选节点;
步骤6,判断待选节点是否到达终点,如果到达终点则遍历树形结构得到路径规划结果,否则重复执行步骤4,直至得到路径规划结果,完成无人车野战路径规划。
本发明步骤1中所述形成水域栅格地图的方法包括:
选取ResNet34残差网络作为主干网络用以提取野战区域的卫星遥感数据的深度卷积特征;
在ResNet34残差网络的4个残差模块后加入旁支网络;在旁支网络中使用1x1的卷积核进行反卷积;将不同尺度下的图像尺寸恢复到输入图像大小;通过计算4个上采样图像与1个融合图像的联合损失进行多尺度学习;在旁支网络中加入注意力机制提高网络对于水域区域的识别敏感度;得到水域分割图像。
基于水域分割图像,将像素坐标经过仿射变换为经纬度坐标,选择栅格单元大小,形成水域栅格图。
所述的水域栅格图中,水域部分像素值标记为1,地面区域部分像素标记为0。
本发明步骤2中所述得到坡度信息的方法为基于数字高程信息的坡度信息提取方法;所述坡度栅格地图中栅格位置数值大小代表了该位置处的坡度值。
本发明步骤3中所述构建同一坐标系下野战区域的多维度栅格地图的方法包括:
步骤3-1,将卫星遥感数据、数字高程数据、水深数据和敌方威胁数据统一到同个地理坐标系下;
步骤3-2,进行水域栅格地图和坡度栅格地图数据的融合,方法包括:
如果栅格单元属于水域,则提取其深度信息作为该栅格单元的涉水深;如果该栅格单元属于地面,则提取其坡度信息作为该栅格单元的坡度值;结合敌方威胁数据进行判断,如果栅格单元超过一半面积属于敌方威胁区域,则威胁区域标识标记为1,否则标记为0。
步骤3中构建完成后的同一坐标系下野战区域的多维度栅格地图中的数据包括三个部分:
敌方威胁区域;
水域区域,其栅格单元值为水深值;
地面区域,其栅格单元值为坡度值。
本发明步骤4中所述的采样策略为:在概率σ内,通过在野战区域内随机采样得到采样点,否则在终点附近随机采样得到采样点。
步骤4中计算待选节点位置的方法包括:
根据多维度栅格地图的分辨率与无人车的速度,设置步长;根据最近节点与采样点位置确定连接方向;在该方向上根据步长计算待选节点位置。
本发明步骤5中判断待选节点的合格性的方法包括:
计算最近节点与待选节点之间的栅格单元位置;如果其中存在栅格单元的威胁区域标识为1,则判定待选节点为不合格;如果其中存在栅格单元的坡度值或涉水深大于无人车最大爬坡角度或涉水深度,则判定待选节点为不合格;否则判定待选节点为合格。
本发明步骤6中判定待选节点是否到达终点的方法包括:根据阈值r,计算待选节点与终点的距离;若距离小于r则判断到达终点,否则判断没有到达终点。
本发明在考虑到野外环境下情况复杂、道路边界不明显的特点,而现有野外路径规划技术不能很好地适用于需要实时判断的野外场景。因此提供了包括水域标识,坡度数据、水深数据以及威胁区域标识的多维度综合地图的构建方法,为野战路径规划提供数据支撑;在此基础上改进快速随机拓展树算法(RRT),在地面区域根据无人车的爬坡度控制采样过程,在水域区域根据无人车的涉水深度控制采样过程,充分考虑并利用野战环境下无人车的爬坡与涉水能力,有效解决无人车野战路径规划问题。具体方法技术要点如下:
1、基于语义神经网络的水域提取
能够通过训练好的语义识别神经网络对野战区域的卫星遥感图像进行语义分割,得到水域区域和非水域区域,选择合适的分辨率,可以得到对应栅格地图。
2、基于数字高程信息的坡度信息提取
能够对野战区域的数字高程模型图进行坡度计算,得到坡度图,选择合适分辨率,可以得到对应的坡度栅格地图。
3、多维度野战区域的地图构建
能够将水域栅格地图和坡度栅格地图进行投影并融合,结合已知的敌方威胁区域,能够得到同一坐标系下的综合栅格图。
4、基于改进RRT的路径规划
对快速随机拓展树算法进行改进,在地面区域根据无人车的爬坡度控制采样过程,在水域区域根据无人车的涉水深度控制采样过程,并基于改进算法能够规划有效行驶路径,一方面可以有效对多维度栅格地图采样,另一方面速度快,适用于需要实时判断的野外场景。
有益效果:
充分考虑到野战环境下无人车的爬坡与涉水性能,并适用于计算速度快,需要实时判断的野外场景,本发明改进了RRT算法中的待选节点合格性判定的方法,使RRT算法能充分适用于多数据源地图,从而有效解决了无人车野战环境下的路径规划问题,具体效果包括:
1、能够有效提取野战区域的水域信息。
2、能够构建多维度的野战区域的地图信息。
3、能够充分考虑并利用无人车的爬坡和涉水性能。
4、能够快速地规划野战环境下的可行驶路径。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明,本发明的上述和/或其他方面的优点将会变得更加清楚。
图1为本发明方法流程示意图。
图2为基于语义神经网络的水域提取方法示意图。
图3为基于数字高程信息的坡度信息提取方法示意图。
图4为基于改进RRT的路径规划算法示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
本发明的实施流程,如图1所示,首先对野战区域进行水域分析和坡度分析,然后结合已知敌方威胁区域和已知水深数据,构建多维度野战区域的地图,为野外路径规划提供数据支撑,最后利用改进的RRT算法,基于无人车的爬坡度和涉水深度的性能参数,快速规划一条避开威胁区域、从起点到终点的可行驶路径。
(1)基于语义神经网络的水域提取方法
自从全卷积网络( Fully convolutional networks,FCN) 模型在2015年被提出后,深度学习开始被用于图像分割中,使得语义分割的精度越来越高。与传统的卷积神经网络不同,语义网络采用反卷积层对图像进行上采样,使网络的输出恢复到输入图像相同的尺寸,从而进行逐像素分类。如图2所示,使用注意力语义网络对卫星遥感图像进行分割,可以得到水域分割图像,其中,水域区域的像素值被标记为1,地面区域的像素值被标记为0。
在图中的神经网络结构中,ResNet34残差网络作为主干网络用以提取图像的深度卷积特征,其中的残差模块可以大幅度提高网络识别精度;在此基础上,考虑到水域区域的尺度多样性,基于HED(Holistically-Nested Edge Detection)边缘检测网络的思想,在ResNet34的4个残差模块后加入旁支网络,并在旁支网络中使用1x1的卷积核进行反卷积,将不同尺度下的图像尺寸恢复到输入图像大小,通过计算4个上采样图像、1个融合图像与标记水域图像的联合损失进行多尺度学习;在旁支网络中加入注意力机制,可以提高网络对于水域区域的识别敏感度。
基于水域分割图像,将图像像素坐标经过仿射变换为经纬度坐标,选择合适的栅格单元大小,可形成水域栅格图。
(2)基于数字高程信息的坡度信息提取方法
数字高程模型(Digital Elevation Model,DEM)是通过有限的地形数据实现对地面地形的数字化模拟,DEM表示区域D上的三维向量有限序列,用函数的形式描述为:
式中,Xi,Yi是平面坐标,Zi是(Xi,Yi)对应的高程。
地面坡度(Slope,S)表示为通过该点的切平面与水平地面的夹角,是高度变化的最大值比率,表示地面在该点的倾斜程度。而无人车的爬坡度指的无人车最大能够机动的地面的坡度值,如果地面某点的坡度大于该指标,则无人车将无法行驶通过。地表某点坡度S是东西、南北方向上的高程变化率的函数,计算公式如下:
基于DEM栅格地图,通常采用3*3窗口法计算坡度,如图3所示,窗口在DEM数据矩阵中连续移动通过计算完成坡度提取。中心栅格的坡度值采用平均最大值的方法进行计算,计算公式如下:
式中,a-i表示中心栅格附近栅格的高度值Z,x_mesh_spacing和y_mesh_spacing表示栅格单元在x、y方向的栅格边长,即DEM的分辨率大小。如果DEM数据中包含非法值,则可以用0代替或者用附件栅格的平均值代替。
基于数字高程信息的DEM栅格地图,通过3*3窗口法可以完成坡度值计算,形成坡度栅格图,其中栅格单元的数值代表了坡度值大小。
(3)多维度野战区域的地图构建方法
如图1所示,多维度野战区域的地图数据来源包括:卫星遥感数据、数字高程数据、水深数据和敌方威胁数据。多维度野战区域的地图构建过程如下:首先将上述数据统一到同个地理坐标系下;然后进行水域栅格地图和坡度栅格地图数据的融合:如果某栅格单元属于水域区域,则提取水深数据作为该栅格单元数值;如果该栅格单元属于地面区域,则提取其坡度信息作为该栅格单元数值。如果在融合过程中某水域的水深数据缺失,可以利用数字高程数据中的高程值估算,将该水域高程的最大值作为水平面基准高度,栅格单元的高程值与水平面高度之差即是该单元的水深;最后结合已知的敌方威胁数据,如果某栅格单元超过一半面积以上属于敌威胁区域,则威胁区域标识标记为1,否则标记为0。
综上多维度野战区域的地图数据包括如下三部分:敌方威胁区域、水域区域(栅格单元值为水深值)和地面区域(栅格单元值为坡度值),可为下一步的路径规划提供有效的数据支撑。
(4)基于改进RRT的路径规划算法
快速随机拓展树(Rapidly exploring random tree,RRT)算法能够有效快速搜索高维空间,通过在状态空间的随机采样,把探索导向空白区域,得到一条从起点到终点的可行驶路径。RRT避免了对空间的建模过程,尤其适用于上述多维度野战栅格地图和需要实时判断的野外场景。在此基础上对RRT算法进行改进,结合无人车的最大爬坡度和涉水深度判定待选节点合格性,能够有效解决无人车野外路径规划问题。
如图4所示,改进的RRT算法主演包括如下步骤:初始化树结构、随机采样、待选节点计算、待选节点合格性判定、遍历树结构得到规划路径。
1)初始化树结构V,将搜索起点位置作为根节点。
4)首先计算出最近节点与待选节点连线经过的栅格单元位置,如果有栅格的敌威胁区域标识为1,则判定待选节点为不合格;当该栅格单元属于水域,如果栅格处数值(水深)大于无人车最大涉水深度,则判定待选节点为不合格;当该栅格单元属于地面,如果栅格处数值(坡度)大于无人车最大爬坡度,则判定待选节点为不合格;否则判定为合格。
具体实现中,本申请提供计算机存储介质以及对应的数据处理单元,其中,该计算机存储介质能够存储计算机程序,所述计算机程序通过数据处理单元执行时可运行本发明提供的一种基于多维度地图的无人车野战路径规划方法的发明内容以及各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory,ROM)或随机存储记忆体(random access memory,RAM)等。
本领域的技术人员可以清楚地了解到本发明实施例中的技术方案可借助计算机程序以及其对应的通用硬件平台的方式来实现。基于这样的理解,本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机程序即软件产品的形式体现出来,该计算机程序软件产品可以存储在存储介质中,包括若干指令用以使得一台包含数据处理单元的设备(可以是个人计算机,服务器,单片机。MUU或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本发明提供了一种基于多维度地图的无人车野战路径规划方法的思路及方法,具体实现该技术方案的方法和途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (10)
1.一种基于多维度地图的无人车野战路径规划方法,其特征在于,包括以下步骤:
步骤1,基于语义识别神经网络对野战区域的卫星遥感数据进行语义分割,得到该区域的水域信息,形成水域栅格地图;
步骤2,通过对野战区域的数字高程数据进行坡度分析,得到该区域的坡度信息,形成坡度栅格地图;
步骤3,结合敌方威胁数据和水深数据,将水域栅格地图和坡度栅格地图进行投影和融合,构建同一坐标系下野战区域的多维度栅格地图;
步骤4,构建树形结构,并将起点作为根节点,在多维度栅格地图中根据采样策略进行随机采样,在树形结构中找到距离采样点最近的节点,基于该节点位置计算出待选节点位置,并执行下一步骤;
步骤5,根据无人车的最大爬坡角度、涉水深度以及敌方威胁数据判断待选节点的合格性,如果合格则把待选节点加入树形结构,否则重复步骤4进行随机采样并计算待选节点;
步骤6,判断待选节点是否到达终点,如果到达终点则遍历树形结构得到路径规划结果,否则重复执行步骤4,直至得到路径规划结果,完成无人车野战路径规划。
2.根据权利要求1所述的一种基于多维度地图的无人车野战路径规划方法,其特征在于,步骤1中所述形成水域栅格地图的方法包括:
选取ResNet34残差网络作为主干网络用以提取野战区域的卫星遥感数据的深度卷积特征;
在ResNet34残差网络的4个残差模块后加入旁支网络;在旁支网络中使用1x1的卷积核进行反卷积;将不同尺度下的图像尺寸恢复到输入图像大小;通过计算4个上采样图像与1个融合图像的联合损失进行多尺度学习;在旁支网络中加入注意力机制提高网络对于水域区域的识别敏感度;得到水域分割图像;
基于水域分割图像,将像素坐标经过仿射变换为经纬度坐标,选择栅格单元大小,形成水域栅格图。
3.根据权利要求2所述的一种基于多维度地图的无人车野战路径规划方法,其特征在于,步骤1中所述的水域栅格图中,水域部分像素值标记为1,地面区域部分像素标记为0。
4.根据权利要求3所述的一种基于多维度地图的无人车野战路径规划方法,其特征在于,步骤2中所述得到坡度信息的方法为基于数字高程信息的坡度信息提取方法;所述坡度栅格地图中栅格位置数值大小代表了该位置处的坡度值。
5.根据权利要求4所述的一种基于多维度地图的无人车野战路径规划方法,其特征在于,步骤3中所述构建同一坐标系下野战区域的多维度栅格地图的方法包括:
步骤3-1,将卫星遥感数据、数字高程数据、水深数据和敌方威胁数据统一到同个地理坐标系下;
步骤3-2,进行水域栅格地图和坡度栅格地图数据的融合,方法包括:
如果栅格单元属于水域,则提取其深度信息作为该栅格单元的涉水深;如果该栅格单元属于地面,则提取其坡度信息作为该栅格单元的坡度值;结合敌方威胁数据进行判断,如果栅格单元超过一半面积属于敌方威胁区域,则威胁区域标识标记为1,否则标记为0。
6.根据权利要求5所述的一种基于多维度地图的无人车野战路径规划方法,其特征在于,步骤3中构建完成后的同一坐标系下野战区域的多维度栅格地图中的数据包括三个部分:
敌方威胁区域;
水域区域,其栅格单元值为水深值;
地面区域,其栅格单元值为坡度值。
7.根据权利要求6所述的一种基于多维度地图的无人车野战路径规划方法,其特征在于,步骤4中所述的采样策略为:在概率σ内,通过在野战区域内随机采样得到采样点,否则在终点附近随机采样得到采样点。
8.根据权利要求7所述的一种基于多维度地图的无人车野战路径规划方法,其特征在于,步骤4中计算待选节点位置的方法包括:
根据多维度栅格地图的分辨率与无人车的速度,设置步长;根据最近节点与采样点位置确定连接方向;在该方向上根据步长计算待选节点位置。
9.根据权利要求8所述的一种基于多维度地图的无人车野战路径规划方法,其特征在于,步骤5中判断待选节点的合格性的方法包括:
计算最近节点与待选节点之间的栅格单元位置;如果其中存在栅格单元的威胁区域标识为1,则判定待选节点为不合格;如果其中存在栅格单元的坡度值或涉水深大于无人车最大爬坡角度或涉水深度,则判定待选节点为不合格;否则判定待选节点为合格。
10.根据权利要求9所述的一种基于多维度地图的无人车野战路径规划方法,其特征在于,步骤6中判定待选节点是否到达终点的方法包括:根据阈值r,计算待选节点与终点的距离;若距离小于r则判断到达终点,否则判断没有到达终点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210883030.6A CN115077556B (zh) | 2022-07-26 | 2022-07-26 | 一种基于多维度地图的无人车野战路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210883030.6A CN115077556B (zh) | 2022-07-26 | 2022-07-26 | 一种基于多维度地图的无人车野战路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115077556A true CN115077556A (zh) | 2022-09-20 |
CN115077556B CN115077556B (zh) | 2022-11-18 |
Family
ID=83242594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210883030.6A Active CN115077556B (zh) | 2022-07-26 | 2022-07-26 | 一种基于多维度地图的无人车野战路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115077556B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115346385A (zh) * | 2022-10-19 | 2022-11-15 | 上海伯镭智能科技有限公司 | 基于复杂路况的无人驾驶矿车自动避障方法 |
CN115795697A (zh) * | 2023-01-31 | 2023-03-14 | 中国电子科技集团公司第二十八研究所 | 一种基于空间网格的复杂环境下野外机动通道生成方法 |
CN115908998A (zh) * | 2022-11-17 | 2023-04-04 | 北京星天科技有限公司 | 水深数据识别模型的训练方法、水深数据识别方法及装置 |
CN116383731A (zh) * | 2023-03-06 | 2023-07-04 | 南京航空航天大学 | 一种战术机动的识别方法、系统、电子设备及存储介质 |
CN116734862A (zh) * | 2023-08-09 | 2023-09-12 | 常熟理工学院 | 一种定向越野的路线选择方法、装置及计算机存储介质 |
CN117191048A (zh) * | 2023-11-07 | 2023-12-08 | 北京四象爱数科技有限公司 | 一种基于三维立体像对的应急路径规划方法、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109871022A (zh) * | 2019-03-18 | 2019-06-11 | 江苏科技大学 | 一种面向两栖无人搜救器的智能路径规划及避障方法 |
CN111610786A (zh) * | 2020-05-28 | 2020-09-01 | 沈阳理工大学 | 基于改进rrt算法的移动机器人路径规划方法 |
CN112462785A (zh) * | 2020-12-04 | 2021-03-09 | 厦门大学 | 一种移动机器人路径规划方法、装置及存储介质 |
CN113551682A (zh) * | 2021-07-19 | 2021-10-26 | 大连理工大学 | 一种考虑地形与地势影响的两栖无人战车的路径规划方法 |
CN113867343A (zh) * | 2021-09-18 | 2021-12-31 | 深圳优地科技有限公司 | 机器人移动方法、装置、机器人及存储介质 |
-
2022
- 2022-07-26 CN CN202210883030.6A patent/CN115077556B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109871022A (zh) * | 2019-03-18 | 2019-06-11 | 江苏科技大学 | 一种面向两栖无人搜救器的智能路径规划及避障方法 |
CN111610786A (zh) * | 2020-05-28 | 2020-09-01 | 沈阳理工大学 | 基于改进rrt算法的移动机器人路径规划方法 |
CN112462785A (zh) * | 2020-12-04 | 2021-03-09 | 厦门大学 | 一种移动机器人路径规划方法、装置及存储介质 |
CN113551682A (zh) * | 2021-07-19 | 2021-10-26 | 大连理工大学 | 一种考虑地形与地势影响的两栖无人战车的路径规划方法 |
CN113867343A (zh) * | 2021-09-18 | 2021-12-31 | 深圳优地科技有限公司 | 机器人移动方法、装置、机器人及存储介质 |
Non-Patent Citations (3)
Title |
---|
冉思: "基于多源高分辨遥感影像的深度学习分类研究", 《中国优秀硕士学位论文全文数据库》 * |
孟凡凯等: "基于EAHP的地面无人作战平台性能评价方法", 《指挥控制与仿真》 * |
李天琪: "面向车辆野外路径规划的可通行区域建模与路径计算", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115346385A (zh) * | 2022-10-19 | 2022-11-15 | 上海伯镭智能科技有限公司 | 基于复杂路况的无人驾驶矿车自动避障方法 |
CN115346385B (zh) * | 2022-10-19 | 2023-01-03 | 上海伯镭智能科技有限公司 | 基于复杂路况的无人驾驶矿车自动避障方法 |
CN115908998A (zh) * | 2022-11-17 | 2023-04-04 | 北京星天科技有限公司 | 水深数据识别模型的训练方法、水深数据识别方法及装置 |
CN115795697A (zh) * | 2023-01-31 | 2023-03-14 | 中国电子科技集团公司第二十八研究所 | 一种基于空间网格的复杂环境下野外机动通道生成方法 |
CN116383731A (zh) * | 2023-03-06 | 2023-07-04 | 南京航空航天大学 | 一种战术机动的识别方法、系统、电子设备及存储介质 |
CN116383731B (zh) * | 2023-03-06 | 2023-11-14 | 南京航空航天大学 | 一种战术机动的识别方法、系统、电子设备及存储介质 |
CN116734862A (zh) * | 2023-08-09 | 2023-09-12 | 常熟理工学院 | 一种定向越野的路线选择方法、装置及计算机存储介质 |
CN116734862B (zh) * | 2023-08-09 | 2023-11-21 | 常熟理工学院 | 一种定向越野的路线选择方法、装置及计算机存储介质 |
CN117191048A (zh) * | 2023-11-07 | 2023-12-08 | 北京四象爱数科技有限公司 | 一种基于三维立体像对的应急路径规划方法、设备及介质 |
CN117191048B (zh) * | 2023-11-07 | 2024-01-05 | 北京四象爱数科技有限公司 | 一种基于三维立体像对的应急路径规划方法、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115077556B (zh) | 2022-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115077556B (zh) | 一种基于多维度地图的无人车野战路径规划方法 | |
Chen et al. | Learning context flexible attention model for long-term visual place recognition | |
CN110108284B (zh) | 一种顾及复杂环境约束的无人机三维航迹快速规划方法 | |
CN109658445A (zh) | 网络训练方法、增量建图方法、定位方法、装置及设备 | |
CN112184736B (zh) | 一种基于欧式聚类的多平面提取方法 | |
EP3690744A1 (en) | Method for integrating driving images acquired from vehicles performing cooperative driving and driving image integrating device using same | |
CN115451983B (zh) | 一种复杂场景下的动态环境建图与路径规划方法及装置 | |
CN111652293A (zh) | 一种多任务联合判别学习的车辆重识别方法 | |
CN111307158B (zh) | 一种auv三维航路规划方法 | |
CN111178283B (zh) | 一种基于无人机图像的既定航线地物识别与定位方法 | |
CN111797836A (zh) | 一种基于深度学习的地外天体巡视器障碍物分割方法 | |
CN114120115A (zh) | 一种融合点特征和网格特征的点云目标检测方法 | |
CN113110455A (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 | |
CN115639823A (zh) | 崎岖起伏地形下机器人地形感知与移动控制方法及系统 | |
CN112396039A (zh) | 一种基于邻域关系的火星栅格地形地图生成方法 | |
CN112241676A (zh) | 一种地形杂物自动识别的方法 | |
EP3686776A1 (en) | Method for detecting pseudo-3d bounding box to be used for military purpose, smart phone or virtual driving based-on cnn capable of converting modes according to conditions of objects and device using the same | |
CN117689731B (zh) | 一种基于改进YOLOv5模型的轻量化新能源重卡电池包识别方法 | |
Shi et al. | LiDAR localization at 100 FPS: a map-aided and template descriptor-based global method | |
CN117516572A (zh) | 一种基于强化学习的月面路径规划方法 | |
CN116400737B (zh) | 一种基于蚁群算法的安全路径规划系统 | |
Lei et al. | Automatic identification of street trees with improved RandLA-Net and accurate calculation of shading area with density-based iterative α-shape | |
CN114280583B (zh) | 无gps信号下激光雷达定位精度验证方法及系统 | |
Zhang et al. | Point clouds classification of large scenes based on blueprint separation convolutional neural network | |
CN115861481A (zh) | 一种基于激光惯性实时动态对象去除的slam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 |