CN115167413A - 一种基于概率栅格的多源不确定性模型建立方法及系统 - Google Patents
一种基于概率栅格的多源不确定性模型建立方法及系统 Download PDFInfo
- Publication number
- CN115167413A CN115167413A CN202210770210.3A CN202210770210A CN115167413A CN 115167413 A CN115167413 A CN 115167413A CN 202210770210 A CN202210770210 A CN 202210770210A CN 115167413 A CN115167413 A CN 115167413A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- probability
- grid map
- uncertainty
- grid
- 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 30
- 230000004888 barrier function Effects 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 230000003068 static effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 5
- 239000006185 dispersion Substances 0.000 claims description 4
- 238000005315 distribution function Methods 0.000 claims description 4
- 230000036961 partial effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 238000002156 mixing Methods 0.000 claims 1
- 230000008447 perception Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 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
- G05D1/0238—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
- G05D1/0212—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
- G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Optics & Photonics (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于概率栅格的多源不确定性模型建立方法及系统，该方法包括：对先验地图进行栅格化得到全局栅格地图；将车辆定位信息导入至全局栅格地图，得到车辆局部栅格地图；获取障碍物信息并融入至车辆局部栅格地图，构建环境概率模型；基于环境概率模型进行无人驾驶路径规划，得到路径规划信息。通过使用本发明，能够在提高无人驾驶规划路径安全性的同时提高路径的规划效率。本发明作为一种基于概率栅格的多源不确定性模型建立方法及系统，可广泛应用于无人驾驶路劲规划技术领域。
Description
技术领域
本发明涉及无人驾驶路劲规划技术领域，尤其涉及一种基于概率栅格的多源不确定性模型建立方法及系统。
背景技术
近年来，无人驾驶技术的发展越来越得到更多人的关注，特别是在无人驾驶导航技术，越来越多的学者开始研究其在实际路径中的避障情况，无人驾驶车辆在启动自动驾驶模式后，通过自身搭载的传感器以及车联网平台等，获取行驶环境中自车周围的障碍物信息，感知所处的道路状况，根据这些信息对自车进行轨迹预测，按照预测出的轨迹控制自车安全、可靠地在道路上行驶，达到目的地；然而现有的在规划路径的时候，有些技术基本没有考虑自身定位信息不准确的情况下，对获取得到的定位信息默认为是准确的，然后用这些信息来进行相应的规划路径，因此当定位信息发生误差的时候，则规划出的路线可能存在较大的风险，再者，没有考虑环境的不确定性的因素，直接认为得到的环境信息时可靠准确的，通过基于深度学习的环境检测来进行不确定性下环境模型的建立，需要进行大量的学习，计算量大，泛化能力不一定很强，不一定能够应付所有的场景，并且环境检测并不能得到环境的真实的位置信息。
发明内容
为了解决上述技术问题，本发明的目的是提供一种基于概率栅格的多源不确定性模型建立方法及系统，能够在提高无人驾驶规划路径安全性的同时提高路径的规划效率。
本发明所采用的第一技术方案是：一种基于概率栅格的多源不确定性模型建立方法，包括以下步骤：
对先验地图进行栅格化得到全局栅格地图；
考虑车辆的不确定性，将车辆定位信息导入至全局栅格地图，得到车辆局部栅格地图；
考虑环境的不确定性，获取障碍物信息并融入至车辆局部栅格地图，构建环境概率模型；
基于环境概率模型进行无人驾驶路径规划，得到路径规划信息。
进一步，所述考虑车辆的不确定性，将车辆定位信息导入至全局栅格地图，得到车辆局部栅格地图这一步骤，其具体包括：
通过传感器获取车辆的定位信息；
根据车辆的坐标定位信息，对坐标转换公式进行线性化处理，得到线性系统方程；
通过车辆定位不确定传播算法对线性系统方程进行计算，得到栅格地图的协方差矩阵；
通过二元高斯分布函数对栅格地图的协方差矩阵进行计算，并根据计算结果更新栅格地图的占据概率；
基于蒙特卡罗方法，对更新后的栅格地图占据概率进行统计，并根据统计结果构建车辆局部栅格地图。
进一步，所述线性系统方程具体如下所示：
上式中，Tf′表示线性系统方程，δ表示求解偏导数，Tf表示坐标转换公式，VV表示车辆坐标系中的栅格坐标，VOG表示车辆在全局坐标系OG的状态。
进一步，所述栅格地图的协方差矩阵具体如下所示：
上式中，gi(xi,yi)表示栅格地图的协方差矩阵，QOG表示车辆在全局坐标系下的不确定性，(xi,yi)表示车辆坐标系中栅格i的坐标，VOG表示车辆在全局坐标系OG的状态。
进一步，所述考虑环境的不确定性，获取障碍物信息并融入至车辆局部栅格地图，构建环境概率模型这一步骤，其具体包括：
通过传感器获取障碍物信息，所述障碍物信息包括动态障碍物和静态障碍物；
计算动态障碍物的位置不确定性概率并融入至车辆局部栅格地图，得到第一局部环境概率模型；
获取静态障碍物的占据状态对前后关联帧做贝叶斯滤波并添加至车辆局部栅格地图，得到第二局部环境概率模型；
结合第一局部环境概率模型和第二局部环境概率模型，构建环境概率模型。
进一步，所述计算动态障碍物的位置不确定性概率并融入至车辆局部栅格地图，得到第一局部环境概率模型这一步骤，其具体包括：
通过传感器获取每一时刻的动态障碍物的位置，通过前后多帧感知信息得到动态障碍物的预测高斯分布；
基于占据概率公式，对动态障碍物的预测高斯分布进行转换处理，得到第一局部环境概率模型。
进一步，所述占据概率公式具体如下所示：
上式中，Xi表示95％椭圆内的第i个栅格的位置坐标，μt表示t时刻动态障碍物高斯分布的均值，ε表示某个设定的极小值以避免除0问题，
表示动态障碍物高斯分布的分散程度对应的占据概率。
本发明所采用的第二技术方案是：一种基于概率栅格的多源不确定性模型建立系统，包括：
获取模块，用于对先验地图进行栅格化得到全局栅格地图；
导入模块，用于考虑车辆的不确定性，将车辆定位信息导入至全局栅格地图，得到车辆局部栅格地图；
构建模块，用于考虑环境的不确定性，获取障碍物信息并融入至车辆局部栅格地图，构建环境概率模型；
应用模块，基于环境概率模型进行无人驾驶路径规划，得到路径规划信息。
本发明方法及系统的有益效果是：本发明通过使用占据概率栅格地图，把环境进行分解，利用栅格的占据概率表达环境的不确定性；进一步考虑车辆位置的不确定性信息，将车辆的不确定性信息代入占据概率栅格地图，在较短的时间内能将不确定性传播到车辆局部栅格地图中，为车辆运动规划中提供了可参考的不确定性因素，提高了不确定场景下的形式安全性；再结合环境障碍物的不确定性信息，构建多源不确定性融合的框架，降低了规划的复杂度和困难度，能够适用于更多复杂的驾驶场景。
附图说明
图1是本发明一种基于概率栅格的多源不确定性模型建立方法的步骤流程图；
图2是本发明一种基于概率栅格的多源不确定性模型建立系统的结构框图；
图3是本发明考虑车辆的不确定性的具体实施流程图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
参照图1，本发明提供了一种基于概率栅格的多源不确定性模型建立方法，该方法包括以下步骤：
S1、对先验地图进行栅格化得到全局栅格地图；
具体地，读取先验地图，将矢量地图按照设定的分辨率(米/每格)解析为栅格地图作为全局地图。
S2、考虑车辆的不确定性，将车辆定位信息导入至全局栅格地图，得到车辆局部栅格地图；
S21、对坐标转换公式进行线性化处理，得到线性系统方程；
具体地，参照图3，图中
表示在hd栅格地图中栅格j的占据概率，
表示第t帧环境感知得到的局部栅格地图中栅格j的占据概率，所述坐标转换公式对车辆局部栅格地图中栅格坐标和全局栅格地图中栅格的坐标进行转换的，是个可逆的过程，局部传感器感知的先验占据概率计算主要解决环境感知不确定性问题，并没考虑位姿不确定性的影响；在Tf中，由于车辆坐标系Fv下的坐标是以车辆中心为原点设定的，因此栅格在全局坐标系下的不确定性完全取决于车辆全局坐标的不确定性，本发明用协方差矩阵QOG表征车辆在全局坐标系下的不确定性，通过线性化Tf，可利用标准线性系统表征Tf，得到Tf的线性化状态方程Tf′，具体地线性化过程如下所示：
T′f＝A(VOG)+B(VV)
VV＝(xV，yV，θV)
VOG＝(xOG，yOG，θOG)
上式中，Tf′表示线性系统方程，δ表示求解偏导数，Tf表示坐标转换公式，VV表示车辆坐标系中的栅格坐标，VOG表示车辆在全局坐标系OG的状态；
S22、通过车辆定位不确定传播算法对线性系统方程进行计算，得到栅格地图的协方差矩阵；
具体地，因此根据线性系统的传播计算，可得到栅格坐标的协方差矩阵如下所示：
上式中，gi(xi,yi)表示栅格地图的协方差矩阵，QOG表示车辆在全局坐标系下的不确定性，(xi,yi)表示车辆坐标系中栅格i的坐标，VOG表示车辆在全局坐标系OG的状态。
S23、通过二元高斯分布函数对栅格地图的协方差矩阵进行计算，得到计算结果并更新栅格地图的占据概率；
S24、基于蒙特卡罗方法，对更新后的栅格地图占据概率进行统计，并根据统计结果构建车辆局部栅格地图。
具体地，通过计算栅格的协方差矩阵，采用二元高斯分布fi(xj,yj)作为栅格i的概率分布函数，为了更新每个栅格的占据概率，首先采用置信度椭圆表征不确定性，所述置信椭圆用来确定车辆局部坐标系中栅格i的置信范围，即前面算出了二维高斯分布的协方差矩阵，用协方差矩阵和置信度唯一确定一个置信椭圆，然后，基于蒙特卡罗方法，通过统计在置信度椭圆中被占据栅格个数占椭圆中所有栅格的比值获取最终栅格的占据概率，所述最终栅格的占据概率计算过程如下所示：
上式中，Pj表示第j帧全局栅格地图；
基于占据概率栅格实现了一致性表征静动态环境地图，并采用线性变换传播了位姿不确定性，利用高斯模型和蒙特卡罗方法完成了位姿不确定性在两种环境地图中的传播和交互计算。这种对环境空间的表达极大地简化了规划算法的设计，使在多源不确定性下通过规划表达多种无人驾驶的需求成为可能。
S3、考虑环境的不确定性，获取障碍物信息并融入至车辆局部栅格地图，构建环境概率模型；
S31、针对于动态障碍物；
具体地，围绕动态障碍物，其每一个时刻位置是预测的高斯分布，即通过传感器获取每一时刻的动态障碍物的位置，通过前后多帧感知信息得到动态障碍物的预测高斯分布，所述感知信息通过激光雷达获取得到，因此，为了实现占据概率表征，需将高斯分布转化为栅格占据概率，基于此，根据高斯分布的分散程度表达占据概率，即按照95％置信椭圆内栅格与均值μ的距离的倒数定义占据概率为：
上式中，Xi表示95％椭圆内的第i个栅格的位置坐标，μt表示t时刻动态障碍物高斯分布的均值，ε表示某个设定的极小值以避免除0问题，
表示动态障碍物高斯分布的分散程度对应的占据概率；
进一步的由上式可得与μt距离越远，占据概率越低；与μt越近，占据概率最高。
S32、针对于静态障碍物；
具体地，静态障碍物的空间信息主要通过高精地图和局部传感器的感知获取，高精地图即先验地图由于经过了大量离线处理，精度较高，可忽略其不确定性，为了统一表达，与动态障碍物一样，采用占据概率栅格表征，但占据概率Phd只有两个状态：无占据0和占据1，局部传感器感知的静态障碍物也采用栅格表达，但其属于局部车辆坐标系，与属于全局坐标系的高精地图存在空间差异，此外，表征局部传感器感知误差的占据概率需利用前后帧的测量结果定义，前后帧的关联需要在统一的坐标系下进行，因此，为了实现坐标系统一，采用坐标变换的方式实现车辆坐标系下的栅格坐标向全局坐标系转换，首先将车辆坐标系FV下的栅格坐标(xV,yV)转换到全局坐标系FOG获取(xG,yG)，具体地转换公式如下所示：
上式中，RVG表示从车辆坐标系到全局坐标系的旋转矩阵，(xOG,yOG)表示车辆在全局坐标系下的坐标；
基于该坐标变换，可实现栅格坐标根据位置的前后帧关联，并得到基于局部传感器感知的先验占据概率Pl。
S4、基于环境概率模型进行无人驾驶路径规划，得到路径规划信息。
参照图2，一种基于概率栅格的多源不确定性模型建立系统，包括：
获取模块，用于对先验地图进行栅格化得到全局栅格地图；
导入模块，用于考虑车辆的不确定性，将车辆定位信息导入至全局栅格地图，得到车辆局部栅格地图；
构建模块，用于考虑环境的不确定性，获取障碍物信息并融入至车辆局部栅格地图，构建环境概率模型；
应用模块，基于环境概率模型进行无人驾驶路径规划，得到路径规划信息。
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (8)
1.一种基于概率栅格的多源不确定性模型建立方法，其特征在于，包括以下步骤：
对先验地图进行栅格化得到全局栅格地图；
考虑车辆的不确定性，将车辆定位信息导入至全局栅格地图，得到车辆局部栅格地图；
考虑环境的不确定性，获取障碍物信息并融入至车辆局部栅格地图，构建环境概率模型；
基于环境概率模型进行无人驾驶路径规划，得到路径规划信息。
2.根据权利要求1所述一种基于概率栅格的多源不确定性模型建立方法，其特征在于，所述考虑车辆的不确定性，将车辆定位信息导入至全局栅格地图，得到车辆局部栅格地图这一步骤，其具体包括：
通过传感器获取车辆的定位信息；
根据车辆的坐标定位信息，对坐标转换公式进行线性化处理，得到线性系统方程；
通过车辆定位不确定传播算法对线性系统方程进行计算，得到栅格地图的协方差矩阵；
通过二元高斯分布函数对栅格地图的协方差矩阵进行计算，并根据计算结果更新栅格地图的占据概率；
基于蒙特卡罗方法，对更新后的栅格地图占据概率进行统计，并根据统计结果构建车辆局部栅格地图。
3.根据权利要求2所述一种基于概率栅格的多源不确定性模型建立方法，其特征在于，所述线性系统方程具体如下所示：
上式中，Tf′表示线性系统方程，δ表示求解偏导数，Tf表示坐标转换公式，VV表示车辆坐标系中的栅格坐标，VOG表示车辆在全局坐标系OG的状态。
4.根据权利要求3所述一种基于概率栅格的多源不确定性模型建立方法，其特征在于，所述栅格地图的协方差矩阵具体如下所示：
上式中，gi(xi,yi)表示栅格地图的协方差矩阵，QOG表示车辆在全局坐标系下的不确定性，(xi,yi)表示车辆坐标系中栅格i的坐标，VOG表示车辆在全局坐标系OG的状态。
5.根据权利要求4所述一种基于概率栅格的多源不确定性模型建立方法，其特征在于，所述考虑环境的不确定性，获取障碍物信息并融入至车辆局部栅格地图，构建环境概率模型这一步骤，其具体包括：
通过传感器获取障碍物信息，所述障碍物信息包括动态障碍物和静态障碍物；
计算动态障碍物的位置不确定性概率并融入至车辆局部栅格地图，得到第一局部环境概率模型；
获取静态障碍物的占据状态对前后关联帧做贝叶斯滤波并添加至车辆局部栅格地图，得到第二局部环境概率模型；
结合第一局部环境概率模型和第二局部环境概率模型，构建环境概率模型。
6.根据权利要求5所述一种基于概率栅格的多源不确定性模型建立方法，其特征在于，所述计算动态障碍物的位置不确定性概率并融入至车辆局部栅格地图，得到第一局部环境概率模型这一步骤，其具体包括：
通过传感器获取每一时刻的动态障碍物的位置，通过前后多帧感知信息得到动态障碍物的预测高斯分布；
基于占据概率公式，对动态障碍物的预测高斯分布进行转换处理，得到第一局部环境概率模型。
7.根据权利要求6所述一种基于概率栅格的多源不确定性模型建立方法，其特征在于，所述占据概率公式具体如下所示：
上式中，Xi表示95％椭圆内的第i个栅格的位置坐标，μt表示t时刻动态障碍物高斯分布的均值，ε表示某个设定的极小值以避免除0问题，
表示动态障碍物高斯分布的分散程度对应的占据概率。
8.一种基于概率栅格的多源不确定性模型建立系统，其特征在于，包括以下模块：
获取模块，用于对先验地图进行栅格化得到全局栅格地图；
导入模块，用于考虑车辆的不确定性，将车辆定位信息导入至全局栅格地图，得到车辆局部栅格地图；
构建模块，用于考虑环境的不确定性，获取障碍物信息并融入至车辆局部栅格地图，构建环境概率模型；
应用模块，基于环境概率模型进行无人驾驶路径规划，得到路径规划信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210770210.3A CN115167413A (zh) | 2022-06-30 | 2022-06-30 | 一种基于概率栅格的多源不确定性模型建立方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210770210.3A CN115167413A (zh) | 2022-06-30 | 2022-06-30 | 一种基于概率栅格的多源不确定性模型建立方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115167413A true CN115167413A (zh) | 2022-10-11 |
Family
ID=83489702
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210770210.3A Pending CN115167413A (zh) | 2022-06-30 | 2022-06-30 | 一种基于概率栅格的多源不确定性模型建立方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115167413A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117148848A (zh) * | 2023-10-27 | 2023-12-01 | 上海伯镭智能科技有限公司 | 一种无人驾驶车辆智能避障方法及系统 |
-
2022
- 2022-06-30 CN CN202210770210.3A patent/CN115167413A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117148848A (zh) * | 2023-10-27 | 2023-12-01 | 上海伯镭智能科技有限公司 | 一种无人驾驶车辆智能避障方法及系统 |
| CN117148848B (zh) * | 2023-10-27 | 2024-01-26 | 上海伯镭智能科技有限公司 | 一种无人驾驶车辆智能避障方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113945206B (zh) | 一种基于多传感器融合的定位方法及装置 | |
| JP7371111B2 (ja) | 自律走行車のナビゲーション用高精度地図を生成するためのポーズグラフの分散処理 | |
| KR102581263B1 (ko) | 위치 추적 방법, 장치, 컴퓨팅 기기 및 컴퓨터 판독 가능한 저장 매체 | |
| CN110726409B (zh) | 一种基于激光slam和视觉slam地图融合方法 | |
| CN109341706A (zh) | 一种面向无人驾驶汽车的多特征融合地图的制作方法 | |
| CN114018248B (zh) | 一种融合码盘和激光雷达的里程计方法与建图方法 | |
| CN111077907A (zh) | 一种室外无人机的自主定位方法 | |
| CN114526745A (zh) | 一种紧耦合激光雷达和惯性里程计的建图方法及系统 | |
| CN114019552A (zh) | 一种基于贝叶斯多传感器误差约束的定位置信度优化方法 | |
| Zhao et al. | Review of slam techniques for autonomous underwater vehicles | |
| CN115451948A (zh) | 一种基于多传感器融合的农业无人车定位里程计方法及系统 | |
| CN115167413A (zh) | 一种基于概率栅格的多源不确定性模型建立方法及系统 | |
| CN111257853B (zh) | 一种基于imu预积分的自动驾驶系统激光雷达在线标定方法 | |
| CN113763549A (zh) | 融合激光雷达和imu的同时定位建图方法、装置和存储介质 | |
| CN110780325A (zh) | 运动对象的定位方法及装置、电子设备 | |
| CN116698014A (zh) | 一种基于多机器人激光slam和视觉slam地图融合与拼接方法 | |
| CN115902930A (zh) | 一种面向船舶检测的无人机室内建图与定位方法 | |
| Abdelhafid et al. | Visual and light detection and ranging-based simultaneous localization and mapping for self-driving cars. | |
| CN114721377A (zh) | 一种基于改进Cartographer的SLAM的室内导盲机器人控制方法 | |
| CN114137953A (zh) | 基于三维激光雷达的电力巡检机器人系统及建图方法 | |
| Jiang et al. | Map container: A map-based framework for cooperative perception | |
| CN112612788A (zh) | 一种无导航卫星信号下的自主定位方法 | |
| Orlov et al. | Machine vision system for autonomous agricultural vehicle | |
| Yukhimets et al. | The AUV-Follower Control System Based on the Prediction of the AUV-Leader Movement Using Data from the Onboard Video Camera | |
| AU2021102808A4 (en) | A LiDAR point classification system for visualizing and processing LiDAR data and its method there of |
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 |