CN115257986B - 一种基于无人巡逻车主动设置路障阵列的系统 - Google Patents

Abstract

本发明涉及一种基于无人巡逻车主动设置路障阵列的系统，所述系统包括所述无人巡逻车的车身两侧对称设有反光路锥释放和回收装置，所述装置包括圆锥形空腔、全自动伸缩机构及反光路锥，所述圆锥形空腔顶部设有强力电磁铁，且外部至少设有一组全自动伸缩机构，所述全自动伸缩机构的电机两端设有一对蜗杆，蜗杆上方设有一对涡轮以及涡轮中间所设的齿条，其中，所述齿条与穿过所述圆锥形空腔的支撑板固定连接，所述反光路锥底部边缘设有圆环状铁块，所述无人巡逻车的车尾设有抽屉式可伸缩网状路障。本发明不仅可以全自动设置路障，而且降低了劳动强度，安全性高。

Description

一种基于无人巡逻车主动设置路障阵列的系统

技术领域

本发明涉及无人巡逻车技术领域，尤其是涉及一种基于无人巡逻车主动设置路障阵列的系统。

背景技术

目前，各公安机关使用的路障装备基本上可分为直接放置于地面的反光路锥和拖挂式路障两类。由于反光路锥无法固定于地面，实际拦截效果较差，且需要人工手动设置布障，拖挂式路障展开和撤收需要人工搬运和设置，劳动强度较大；现有的路障装备不仅繁琐耗时，机动性差，而且影响应急反应能力。

发明内容

鉴于以上现有技术的不足，本发明提供了一种基于无人巡逻车主动设置路障阵列的系统，不仅可以全自动设置路障，而且降低了劳动强度，安全性高。

为了实现上述目的及其他相关目的，本发明提供的技术方案如下：

一种基于无人巡逻车主动设置路障阵列的系统，包括设有多传感器的无人巡逻车，所述无人巡逻车的车身两侧对称设有反光路锥释放和回收装置，所述装置包括圆锥形空腔、全自动伸缩机构及反光路锥，所述圆锥形空腔顶部设有强力电磁铁，且外部至少设有一组全自动伸缩机构，所述全自动伸缩机构的电机两端设有一对蜗杆，蜗杆上方设有一对涡轮以及涡轮中间所设的齿条，其中，所述齿条与穿过所述圆锥形空腔的支撑板固定连接，所述反光路锥底部边缘设有圆环状铁块，所述无人巡逻车的车尾设有抽屉式可伸缩网状路障。

进一步的，所述多传感器包括：

无线通讯模块，安装在无人巡逻车内，与云端服务器通信连接；

中央处理模块，安装在无人巡逻车内，与无线通讯模块连接；

惯性导航模块，安装在无人巡逻车上，与中央处理模块连接，用于对车辆所处位置进行定位；

识别模块，安装在无人巡逻车内，与中央处理模块连接，用于处理图像数据和点云数据；

定位模块，安装在无人巡逻车内，与中央处理模块连接，用于将目标定位信息输入给中央处理模块；

激光雷达，安装在无人巡逻车上，与识别模块连接，用于获取目标点云数据；

摄像头，安装在无人巡逻车上，与识别模块连接，用于获取目标的图像数据。

进一步的，一组所述全自动伸缩机构对称设置在所述圆锥形空腔外部，所述全自动伸缩机构之间设有所述反光路锥。

进一步的，所述无人巡逻车的车身与所述反光路锥释放和回收装置之间设有全自动升降装置，所述全自动升降装置包括基座、升降台、同步电机及升降丝杆，所述升降台与所述反光路锥释放和回收装置固定连接。

为了实现上述目的及其他相关目的，一种基于无人巡逻车主动设置路障阵列的系统流程如下：

A1：云端服务器下达设置路障阵列的命令并将目标位置信息发送给无人巡逻车；

A2：基于目标定位信息，所述无人巡逻车到达目标所在的路段，开启激光雷达和摄像头获取所述路段区域的点云数据和图像数据；

A3：通过卷积神经网络CSPN对所述图像数据进行特征提取，生成affinity 矩阵，采用深度学习的网络PointNet对所述点云数据进行处理，生成InterPon矩阵，将affinity矩阵和InterPon矩阵进行融合，生成有效路径布置矩阵数据；

A4：基于所述有效路径布置矩阵数据，选取所述矩阵的第一列作为所述无人巡逻车行驶的路径数据，且沿着所述路径每隔0—1米设置一个反光路锥；

A5：所述无人巡逻车基于反光路锥释放和回收装置，利用通电后的强力电磁铁，按照步骤A4的所述无人巡逻车行驶的路径数据，对所述反光路锥进行回收操作。

进一步的，在步骤A3中，所述网络PointNet对所述点云数据进行处理的具体步骤如下：

1）获取路段点云数据，通过MLP对所述点云数据进行特征提取，输出特征数据矩阵；

2）再通过max算法筛选所述特征数据矩阵的感兴趣数据，输出感兴趣数据矩阵；

3）最后通过MLP消化所述感兴趣数据矩阵，得到InterPon矩阵。

进一步的，所述max算法，包括以下步骤：

a)确定最大搜索深度M，M为整个矩阵；

b)在M矩阵各个元素节点上，基于预设阀值对所述元素节点进行比对；

c)对于不满足预设阀值的点进行剔除，并在该节点补上零，从而对M矩阵的各个节点进行处理。

本发明具有以下积极效果：

本发明通过反光路锥释放和回收装置，结构简单，方便反光路锥的释放和回收，再通过多传感器的相互配合，实现了全自动设置路障，从而极大降低了工作人员劳动强度，提高了安全性。

附图说明

图1为本发明结构示意图；

图2为本发明系统流程示意图；

图3为本发明反光路锥释放和回收装置示意图。

图中标号说明：1—激光雷达，2—中央处理模块，3—定位模块，4—摄像头，5—无线通讯模块，6—识别模块，7—惯导模块，8—反光路锥释放和回收装置，81—强力电磁铁，82—圆锥形空腔，83—全自动伸缩机构，84—圆环状铁块，85—支撑板，86—反光路锥。

具体实施方式

下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的模块或具有相同或类似功能的模块。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本发明的限制。

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实现方式作进一步地详细描述。

实施例：如图1所示，一种基于无人巡逻车主动设置路障阵列的系统，包括设有多传感器的无人巡逻车，所述无人巡逻车的车身两侧对称设有反光路锥释放和回收装置8，所述装置8包括圆锥形空腔82、全自动伸缩机构83及反光路锥86，所述圆锥形空腔82顶部设有强力电磁铁81，且外部至少设有一组全自动伸缩机构83，所述全自动伸缩机构83的电机两端设有一对蜗杆，蜗杆上方设有一对涡轮以及涡轮中间所设的齿条，其中，所述齿条与穿过所述圆锥形空腔的支撑板85固定连接，所述反光路锥86底部边缘设有圆环状铁块84，所述无人巡逻车的车尾设有抽屉式可伸缩网状路障。

进一步的，所述多传感器包括：

无线通讯模块，安装在无人巡逻车内，与云端服务器通信连接；

中央处理模块，安装在无人巡逻车内，与无线通讯模块连接；

惯性导航模块，安装在无人巡逻车上，与中央处理模块连接，用于对车辆所处位置进行定位；

识别模块，安装在无人巡逻车内，与中央处理模块连接，用于处理图像数据和点云数据；

定位模块，安装在无人巡逻车内，与中央处理模块连接，用于将目标定位信息输入给中央处理模块；

激光雷达，安装在无人巡逻车上，与识别模块连接，用于获取目标点云数据；

摄像头，安装在无人巡逻车上，与识别模块连接，用于获取目标的图像数据。

进一步的，一组所述全自动伸缩机构对称设置在所述圆锥形空腔外部，所述全自动伸缩机构之间设有所述反光路锥。

进一步的，所述无人巡逻车的车身与所述反光路锥释放和回收装置之间设有全自动升降装置，所述全自动升降装置包括基座、升降台、同步电机及升降丝杆，所述升降台与所述反光路锥释放和回收装置固定连接。

为了实现上述目的及其他相关目的，如图2所示，本发明的一种基于无人巡逻车主动设置路障阵列的系统的流程如下：

A1：云端服务器下达设置路障阵列的命令并将目标位置信息发送给无人巡逻车；

A2：基于目标定位信息，所述无人巡逻车到达目标所在的路段，开启激光雷达和摄像头获取所述路段区域的点云数据和图像数据；

A3：通过卷积神经网络CSPN对所述图像数据进行特征提取，生成affinity 矩阵，采用深度学习的网络PointNet对所述点云数据进行处理，生成InterPon矩阵，将affinity矩阵和InterPon矩阵进行融合，生成有效路径布置矩阵数据；

A4：基于所述有效路径布置矩阵数据，选取所述矩阵的第一列作为所述无人巡逻车行驶的路径数据，且沿着所述路径每隔0—1米设置一个反光路锥；

A5：所述无人巡逻车基于反光路锥释放和回收装置，利用通电后的强力电磁铁，按照步骤A4的所述无人巡逻车行驶的路径数据，对所述反光路锥进行回收操作。

进一步的，在步骤A3中，所述网络PointNet对所述点云数据进行处理的具体步骤如下：

1）获取路段点云数据，通过MLP对所述点云数据进行特征提取，输出特征数据矩阵；

2）再通过max算法筛选所述特征数据矩阵的感兴趣数据，输出感兴趣数据矩阵；

3）最后通过MLP消化所述感兴趣数据矩阵，得到InterPon矩阵。

进一步的，所述max算法，包括以下步骤：

a)确定最大搜索深度M，M为整个矩阵；

b)在M矩阵各个元素节点上，基于预设阀值对所述元素节点进行比对；

c)对于不满足预设阀值的点进行剔除，并在该节点补上零，从而对M矩阵的各个节点进行处理。

综上所述，本发明通过反光路锥释放和回收装置，结构简单，方便反光路锥的释放和回收，再通过多传感器的相互配合，实现了全自动设置路障，从而极大降低了工作人员劳动强度，提高了安全性。

应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

以上所述仅是本发明的部分实现方式，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。

Claims (5)

1.一种基于无人巡逻车主动设置路障阵列的系统，包括设有多传感器的无人巡逻车，其特征在于：所述无人巡逻车的车身两侧对称设有反光路锥释放和回收装置，所述装置包括圆锥形空腔、全自动伸缩机构及反光路锥，所述圆锥形空腔顶部设有强力电磁铁，且外部至少设有一组全自动伸缩机构，所述全自动伸缩机构的电机两端设有一对蜗杆，蜗杆上方设有一对涡轮以及涡轮中间所设的齿条，其中，所述齿条与穿过所述圆锥形空腔的支撑板固定连接，所述反光路锥底部边缘设有圆环状铁块，所述无人巡逻车的车尾设有抽屉式可伸缩网状路障，所述无人巡逻车的车身与所述反光路锥释放和回收装置之间设有全自动升降装置，所述全自动升降装置包括基座、升降台、同步电机及升降丝杆，所述升降台与所述反光路锥释放和回收装置固定连接；所述系统的流程如下：

A1：云端服务器下达设置路障阵列的命令并将目标位置信息发送给无人巡逻车；

A2：基于目标定位信息，所述无人巡逻车到达目标所在的路段，开启激光雷达和摄像头获取路段区域的点云数据和图像数据；

A3：通过卷积神经网络CSPN对所述图像数据进行特征提取，生成affinity 矩阵，采用深度学习的网络PointNet对所述点云数据进行处理，生成InterPon矩阵，将affinity矩阵和InterPon矩阵进行融合，生成有效路径布置矩阵数据；

A4：基于所述有效路径布置矩阵数据，选取所述矩阵的第一列作为所述无人巡逻车行驶的路径数据，且沿着所述路径每隔0—1米设置一个反光路锥；

A5：所述无人巡逻车基于反光路锥释放和回收装置，利用通电后的强力电磁铁，按照步骤A4的所述无人巡逻车行驶的路径数据，对所述反光路锥进行回收操作。

2.根据权利要求1所述的基于无人巡逻车主动设置路障阵列的系统，其特征在于，所述多传感器包括：

无线通讯模块，安装在无人巡逻车内，与云端服务器通信连接；

中央处理模块，安装在无人巡逻车内，与无线通讯模块连接；

惯性导航模块，安装在无人巡逻车上，与中央处理模块连接，用于对车辆所处位置进行定位；

识别模块，安装在无人巡逻车内，与中央处理模块连接，用于处理图像数据和点云数据；

定位模块，安装在无人巡逻车内，与中央处理模块连接，用于将目标定位信息输入给中央处理模块；

激光雷达，安装在无人巡逻车上，与识别模块连接，用于获取目标点云数据；

摄像头，安装在无人巡逻车上，与识别模块连接，用于获取目标的图像数据。

3.根据权利要求1所述的基于无人巡逻车主动设置路障阵列的系统，其特征在于：一组所述全自动伸缩机构对称设置在所述圆锥形空腔外部，所述全自动伸缩机构之间设有所述反光路锥。

4.根据权利要求1所述的基于无人巡逻车主动设置路障阵列的系统，其特征在于：在步骤A3中，所述网络PointNet对所述点云数据进行处理的具体步骤如下：

1）获取路段点云数据，通过MLP对所述点云数据进行特征提取，输出特征数据矩阵；

2）再通过max算法筛选所述特征数据矩阵的感兴趣数据，输出感兴趣数据矩阵；

3）最后通过MLP消化所述感兴趣数据矩阵，得到InterPon矩阵。

5.根据权利要求4所述的基于无人巡逻车主动设置路障阵列的系统，其特征在于：所述max算法，包括以下步骤：

a)确定最大搜索深度M，M为整个矩阵；

b)在M矩阵各个元素节点上，基于预设阀值对所述元素节点进行比对；

c)对于不满足预设阀值的点进行剔除，并在该节点补上零，从而对M矩阵的各个节点进行处理。

Images