CN115438430B - 一种矿区车辆行驶稳定性预测方法和装置 - Google Patents
一种矿区车辆行驶稳定性预测方法和装置 Download PDFInfo
- Publication number
- CN115438430B CN115438430B CN202211388097.9A CN202211388097A CN115438430B CN 115438430 B CN115438430 B CN 115438430B CN 202211388097 A CN202211388097 A CN 202211388097A CN 115438430 B CN115438430 B CN 115438430B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- ground
- stability
- convolution
- dimensional
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computer Graphics (AREA)
- Remote Sensing (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种矿区车辆行驶稳定性预测方法和装置,涉及自动驾驶技术领域。其中矿区车辆行驶稳定性预测方法包括:车辆信息获取步骤,获取所述车辆的车底模板;卷积核获取步骤,基于所述车底模板,获取多个角度的卷积核;地形点集获取步骤,获取所述车辆所在的地面区域;获取所述地面区域的地形点集;稳定性指标获取步骤,基于所述多个角度的卷积核对所述地形点集进行三维差分卷积,计算所述车辆在各个地面位置的稳定性指标;车辆行驶稳定性计算步骤,根据所述稳定性指标选择稳定性位置;从所述车辆的当前位置开始构建所述稳定性位置的连通域。该技术方案可以更加准确地预测车辆行驶稳定性,提高了矿区车辆的行驶安全性。
Description
技术领域
本公开涉及自动驾驶领域,尤其涉及矿区车辆行驶稳定性预测方法和装置、电子设备、存储介质、程序产品和自动驾驶车辆。
背景技术
自动驾驶技术是一种通过计算机实现辅助驾驶或无人驾驶的技术,其依靠可见光相机、毫米波雷达、激光雷达、惯性导航系统、全球定位系统等传感系统,使计算机可以部分或全部代替人类驾驶员自动安全地操作车辆。
现有技术中,自动驾驶技术主要应用于标准道路场景。然而在矿区等非标准道路场景中,缺乏平整硬化的道路,地面起伏不平。虽然现有技术中激光雷达等环境感知技术已经可以获取矿区地面的三维地形数据,但仍然需要考虑不同型号的矿区车辆对于地形的适应能力是不同的。
因此在计算矿区车辆行驶稳定性时,需要综合考虑矿区的地面地形和矿区车辆的底盘特性之间的匹配性。
发明内容
本公开提供了一种矿区车辆行驶稳定性预测方法和装置、电子设备、存储介质、程序产品和自动驾驶车辆。
根据本公开的第一方面,提供了一种矿区车辆行驶稳定性预测方法,包括:
车辆信息获取步骤,获取所述车辆的车底模板;所述车底模板为所述车辆位于水平地面时车辆底部的点投影到所述水平地面的距离形成的图;所述车辆底部包括车轮位置和底盘位置;
卷积核获取步骤,基于所述车底模板,获取多个角度的卷积核;
地形点集获取步骤,获取所述车辆所在的地面区域;获取所述地面区域的地形点集;所述地形点集表示所在区域的起伏程度;
稳定性指标获取步骤,基于所述多个角度的卷积核对所述地形点集进行三维差分卷积,计算所述车辆在各个地面位置的稳定性指标;
车辆行驶稳定性计算步骤,选择所述稳定性指标符合预定稳定性要求的所述地面位置作为稳定性位置;从所述车辆的当前位置开始构建所述稳定性位置的连通域,作为所述车辆的行驶稳定性预测结果。
根据本公开的第二方面,提供了一种矿区车辆行驶稳定性预测装置,包括:
车辆信息获取模块,获取所述车辆的车底模板;所述车底模板为所述车辆位于水平地面时车辆底部的点投影到所述水平地面的距离形成的图;所述车辆底部包括车轮位置和底盘位置;
卷积核获取模块,基于所述车底模板,获取多个角度的卷积核;
地形点集获取模块,获取所述车辆所在的地面区域;获取所述地面区域的地形点集;所述地形点集表示所在区域的起伏程度;
稳定性指标获取模块,基于所述多个角度的卷积核对所述地形点集进行三维差分卷积,计算所述车辆在各个地面位置的稳定性指标;
车辆行驶稳定性计算模块,选择所述稳定性指标符合预定稳定性要求的所述地面位置作为稳定性位置;从所述车辆的当前位置开始构建所述稳定性位置的连通域,作为所述车辆的行驶稳定性预测结果。
根据本公开的第三方面,提供了一种电子设备,包括:
至少一个处理器,存储器,以及与其他电子设备通信的通信接口;
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述电子设备能够执行第一方面所述的矿区车辆行驶稳定性预测方法。
根据本公开的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据第一方面所述的矿区车辆行驶稳定性预测方法。
根据本公开的第五方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据第一方面所述的矿区车辆行驶稳定性预测方法。
根据本公开的第六方面,提供了一种自动驾驶车辆,包括根据第三方面所述的电子设备。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
与现有技术相比,本发明的有益效果是:
(1)将车辆底盘车轮与起伏地面的匹配问题转换为多角度卷积问题,同时又通过多种过滤方法降低了需要卷积计算的计算量;将复杂的力学计算问题转换为简洁的计算数学问题;较大地提升了计算效率。
(2)在涉及方法时使用了卷积算子、旋转算子等便于并行计算的算子;可以方便地以神经网络的形式实现整个方法,可以充分的利用GPU等并行计算框架;进一步提升了计算效率。
(3)通过预测前方地面的行驶稳定的位置,提前为所述车辆预测出了可以通行的连通道路区域。
(4)相比于在车身按照倾角传感器等实时行驶稳定性检测方法,本申请在所述车辆在原地不动时就可以预测所述车辆行驶到前方地面时的行驶稳定性;降低了试错的风险成本,提高了安全性。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1示出了根据本公开一个实施例提供的非标准道路场景的示意图;
图2示出了根据本公开一个实施例提供的矿区车辆行驶稳定性预测方法的示意图;
图3示出了根据本公开一个实施例提供的矿区车辆行驶稳定性预测装置的示意图;
图4示出了根据本公开一个实施例提供的电子设备的示意图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
所涉及的技术术语包括:
标准道路场景:标准道路是指符合道路交通相关法律法规规定的、具有特定标线标识等信息、道路路面经过平整硬化的道路。标准道路场景下,自动驾驶技术可以通过规范的道路标线、标识等信息来获取准确的道路信息,也可以与交通基础设施进行规范的信息交换,从而获得自动驾驶所必需的环境信息。
非标准道路场景:非标准道路场景是指不具备道路交通相关法律法规规定的标线标识等信息的道路。一部分非标准道路经过平整硬化,例如单位内部道路。还有一部分非标准道路,没有经过平整硬化,地面起伏不平,例如野外环境等自然场景,又例如矿山矿井等特定作业场景。
非标准道路场景:非标准道路场景是指不具备道路交通相关法律法规规定的标线标识等信息的道路。一部分非标准道路经过平整硬化,例如单位内部道路。还有一部分非标准道路,没有经过平整硬化,地面起伏不平,例如野外环境等自然场景,又例如矿山矿井等特定作业场景。
车辆底部信息:车辆底部包括车辆的车轮和底盘。在经过起伏不平的道路时,车辆底部是检验车辆能否平稳通过的主要影响因素。主要是底部的车轮区域要接触地面,尽量减少悬空的车轮;以及底部的底盘区域要避免和地面剐蹭。虽然矿区车辆已经有意的加大了车轮和加高了底盘,但仍然需要考虑车辆底部能否平稳通过起伏比较大的矿区作业道路。
地形信息:车辆在行驶时,自动驾驶相关的传感器会获取周围地面的三维数据。例如基于激光雷达。由于传感器不会穿透地面,因此传感器获取的地形信息一般包括地面信息。在激光雷达获取的数据中,地形信息以点云的形式给出。
点云:点云是指点数据的集合。点云可以通过摄影测量原理或激光测量原理获得。根据激光测量原理获得的点云,包括三维坐标(XYZ)和激光回波强度(intensity),根据摄影测量原理获得的点云,包括三维坐标(XYZ)和颜色信息(RGB)。
三维点:三维点是指具有三维坐标属性的点,例如点云中的点即为三维点。
坐标系:在传感器采集时,获取的三维点的坐标系一般是传感器坐标系。根据数据处理的需要,三维点的坐标系有时候需要转换到其他坐标系,例如地面坐标系、车辆坐标系。
实施例一
图1是非标准道路场景的示意图。
目前的现有技术中,自动驾驶技术主要应用于标准道路场景。标准道路场景下,一般路面是平整硬化的。在标准道路场景下,车辆一般具有较高的车速。标准道路场景下,车辆行驶稳定性的研究主要集中于车辆行驶中惯性带来的侧翻问题。
非标准道路场景下,有一些道路是没有经过平整硬化的,例如野外环境等自然场景,例如乡村土路等农业环境场景,又例如矿山矿井等特定作业场景。非标准道路场景中的道路所在地面往往是不平整的、并且容易发生改变。例如在农业环境场景,道路所在地面有可能会随着车辆碾压、雨水侵蚀而起伏变化;又例如在矿山场景,道路所在地面有可能会随着矿物的堆积而改变。
综合来说,矿区等非标准道路场景下的车辆行驶稳定性的研究至少存在存在如下困难:地面起伏不平,导致车辆经常会面临车轮悬空、底盘剐蹭、车身倾角过大等威胁;尽管车辆行驶不快,行驶的稳定性也难以保障;此外,地面未经硬化,地面随着时间变化较频繁,如果采用人工测量地面起伏的方式则需要频繁动用人力物力。
本实施例基于车辆结构信息和地面地形信息,来更加准确和实时地估计车辆行驶的稳定性。
图2示出了矿区车辆行驶稳定性预测方法的示意图。
本公开实施例提供的矿区车辆行驶稳定性预测方法,包括如下步骤:
S110车辆信息获取步骤,获取所述车辆的车底模板;所述车底模板为所述车辆位于水平地面时车辆底部的点投影到所述水平地面的距离形成的图;所述车辆底部包括车轮位置和底盘位置;
S120卷积核获取步骤,基于所述车底模板,获取多个角度的卷积核;
S130地形点集获取步骤,获取所述车辆所在的地面区域;获取所述地面区域的地形点集;所述地形点集表示所在区域的起伏程度;
S140稳定性指标获取步骤,基于所述多个角度的卷积核对所述地形点集进行三维差分卷积,计算所述车辆在各个地面位置的稳定性指标;
S150车辆行驶稳定性计算步骤,选择所述稳定性指标符合预定稳定性要求的所述地面位置作为稳定性位置;从所述车辆的当前位置开始构建所述稳定性位置的连通域,作为所述车辆的行驶稳定性预测结果。
本实施例中,所述车辆信息获取步骤S110中:
对于所述车底模板的取值,在一种实施方式中,所述车底模板的每个点的值被归一化到灰度图像中像素的值域;在所述车底模板中,车辆底部接触地面的点表示为所述值域的最小值,所述车辆底部之外的点表示为所述值域的最大值。归一化时,不同尺寸的车辆应当保持相同的缩放比例。例如,高底盘上的点投影到水平地面的距离较大,则归一化之后的值仍然较大。
在一种实施方式中,所述值域为0到255的整数。在另一种实施方式中,所述值域为0到1的实数。
上述车底模板,应当只包含车辆底部的投影;所述车辆底部之外的区域,不属于车辆本身,在投影得到的车底模板上,应当使用一个特殊的值来表示。一般我们使用值域的最大值来表示。这就要求车底模板的图像上,最大值只用来表示车辆底部之外的区域,这也就要求车辆底部上点的投影,不会投影到最大值。举例来说,所述值域的从0开始到200,将其作为车辆底部距离的映射的范围,而200到254的值域留空。255的值仅用来表示车辆底部之外的区域,或者说,这些数值是无效数值(NULL)。
对于所述车底模板的取值,在另一种实施方式中,所述车底模板的取值,车辆底部接触地面的点表示为所述值域的最大值,所述车辆底部之外的点表示为所述值域的最小值。
对于所述车底模板的取值,在另一种实施方式中,所述车底模板的取值直接使用上述投影到水平地面的距离。
对于所述车底模板,其包含车轮区域和底盘区域,可以通过预定义阈值的方式,来区分车轮区域和底盘区域;虽然车轮的一部分嵌入了底盘之中,但能够和地面有效接触的车轮区域(这是本申请所称的车轮区域)一般是比底盘更低的。例如,可以设置0-150的值域为车轮区域,151到200的区域为底盘区域。
所述车底模板,是对所述车辆的建模,因此具有车头方向和车尾方向。
对于所述车底模板,在另外一种实施方式中,可以采用两张图来分别表示车轮模板和底盘模板。因为在后续的处理过程中,车轮区域要求尽量接触地面,减少悬空;而底盘区域要求尽量不要接触地面,减少剐蹭。
对于所述车底模板,不同车辆的车底模板是不同的。对于矿区车辆来说,由于车辆一般变动不大,车型一般也较为统一,因此可以预先建模。建模的方式可以通过人工测量的方式进行,也可以通过设备进行自动测量。
所述步骤S110的有益效果包括:
(1)车底模板只包括车轮和底盘为主的车底区域,车底之外的区域是无效数值来填充。通过建立车轮和底盘区域的模板,就可以对车辆底盘进行建模。
(2)车底模板表示为图像形式,可以方便的使用针对图像的很多热工智能和神经网络工具来设计算法。
本实施例中,所述卷积核获取步骤S120中:
根据所述车底模板,获取多个角度的卷积核,包括:
将所述车底模板转换为三维形式;
围绕所述三维形式的车底模板的中心点,设置多个俯仰角度,设置多个旋转角度,设置多个横滚角度;
根据所述俯仰角度、所述旋转角度、所述横滚角度中的至少一个,对所述三维形式的车底模板进行旋转;
获取所述车底模板在三维空间中的点集,作为所述卷积核。
所述卷积核用于对三维点云进行卷积。
对于将所述车底模板转换为三维形式:由于所述车底模板本身就是车底(三维物体的下表面)投影到水平地面的距离。因此所述车底模板相当于保存了深度信息。这与从深度图像恢复三维信息是同样的原理。直接将车底模板上的点,按照该点的值(即距离水平地面的距离),将该点竖直上升到三维空间中即可。
所述车底模板上的点转换为三维形式,该点的值已经转换为三维空间。该点在三维空间中是三维点的形式,此时可以简单将三维点进行二值化,一个值表示该处有点;另一个值表示该处无点。例如(0,1)二值化。
所述三维形式的车底模板的中心点,可以按照所有点的三维坐标分别求平均值。
对所述三维形式的车底模板,应当注意该卷积模板的数据存储形式。与二维卷积模板采用矩阵的方式类似,三维卷积模板一般采用三维矩阵的方式进行存储。在具体编程实现时,可以采用多维数组;一些编程语言,例如python,也直接支持这种三维甚至多维矩阵的存储方式。
所述步骤S120的有益效果包括:
(1)所述卷积核为三维卷积核,这也是本申请不同于现有技术的特点之一。所述卷积核通过在三维空间内俯仰、旋转、横滚等变换,模拟了三维空间内各种可能的地面角度。总有一个角度可以命中或接近地面的实际角度。因而避免了复杂的力学分析。
(2)所述三维卷积核进行卷积,便于使用并行计算的方式提升计算效率;也便于采用神经网络等人工智能工具设计算法,将多个卷积核设置为多个神经元进行并行处理。
(3)后期可以通过对卷积核的过滤,滤除一些明显不可能的地面角度,从而进一步降低计算量。例如,倒立角度等。
本实施例中,所述地形点集获取步骤S130中:
获取所述地面区域的地形点集,包括:基于激光雷达获取所述地面区域的三维点云,作为所述地形点集。
激光雷达一般安装在所述车辆的前部或上部。因此所述车辆的车身会对激光雷达造成遮挡。更不用说,激光雷达一般具有探测范围,只能探测上下一定范围内的目标。
然而在预测所述车辆的行驶稳定性时,不仅需要当前激光雷达探测到的范围,有时候也需要被所述车辆遮挡住的地面区域。举例来说,当所述车辆仅仅向前行驶一个前轮的距离时,仅仅依靠激光雷达的探测是不够的。
所述地面区域包括被所述车辆遮挡的地面子区域;
响应于所述三维点云数据未覆盖被所述车辆遮挡的地面子区域,在所述三维点云数据中,加入历史数据中的所述被所述车辆遮挡的地面子区域的三维点云数据。
所述历史数据,一般包括所述车辆行驶到当前位置之前,通过传感器感知到的地面地形数据。当所述车辆行驶到当前位置之前,当前位置还没有被车身遮挡,当前位置的地面地形信息是可以获取的。
所述历史数据获取的另一种方式,是来自于其他车辆或其他装置的传感器所获取到的数据。
所述步骤S130的有益效果包括:
(1)建立了所述地面地形的三维模型,为与车辆底部模型进行匹配奠定了基础;
(2)兼容主流的自动驾驶三维感知的方式,以点云数据作地面地形信息的数据格式。
本实施例中,所述驾驶辅助步骤S140中,所述基于所述多个角度的卷积核对所述地形点集进行三维差分卷积,计算所述车辆在各个地面位置的稳定性指标,包括:
获取所述地形点集中的地面点;
选择所述地面点中的一个地面位置,移动所述卷积核到所述地面位置;
将所述地面位置的地面点坐标配准到所述卷积核的坐标系。
上述步骤是典型的卷积“滑动窗口”的过程。类似于二维图像的卷积操作,卷积矩阵会按照一定的步长,按照图像矩阵的组织方式(逐行或逐列访问),在图像矩阵的各个位置进行卷积。三维卷积的方式,也是按照一定的步长,按照三维点云的组织方式,在三维点云的各个位置进行卷积。由于三维点云并不是三维矩阵的方式组织的,因此三维卷积可以先将三维点云转换为三维矩阵,再按照三维矩阵的组织方式按照一定的步长访问;也可以从三维点云的逐点排序访问;或先对三维点云进行聚类,对于聚类簇从中选择少量代表点访问,进行卷积。
此外,虽然使用了“步长”这一概念,但卷积的过程并不一定是串行的。由于两次卷积之间并没有先后因果关系,因此两次卷积是可以并行进行的。这也是本申请使用卷积来设计算法的原因,可以利用GPU等并行计算架构,从而较大地提升计算效率。
激光雷达获取到的地形点集的特点在于:地形点集是覆盖地面的一层数据,而不是填满整个三维空间的密集点云。因此对于三维点云的访问,采用转换为三维矩阵的方式,会造成较多的矩阵单元是“空”的。在访问时可以过滤掉所述空矩阵单元。
所述获取所述地形点集中的地面点,其目的是为了去掉地形点集中不属于车辆可以行驶的地面的点。例如地形点集中或许会包含矗立在地面的墙壁,这些墙壁上的点显然不属于地面点。所述过滤的方法,属于现有技术,在此不再赘述。
计算所述卷积核中每个点与所述地面位置周围对应点的差值;
所述三维差分卷积,是一种卷积模板与被卷积对象逐项求差再相加的卷积方式。差分卷积的公式如下列公式所示,其中,i为卷积模板中各元素的序号,xi为卷积模板中的第i个元素,yi为被卷积对象中的对应元素,c为差分卷积结果。
三维差分卷积,对于三维矩阵类数据来说是与二维差分卷积类似的。卷积模板和被卷积对象都是三维矩阵,二者可以方便的配准并建立各元素之间的对应关系。
三维差分卷积,对于三维点云数据来说(例如本申请的地形点集),出于对齐三维卷积模板和被卷积对象的需要,可以采取两种方式进行处理:
(1)将所述三维卷积模板(卷积核)、和被卷积对象(所述地面位置周围的对应点)进行配准后均转换为三维卷积矩阵,以三维卷积模板为参考进行空矩阵元素过滤,以三维卷积模板中的矩阵单元,与被卷积对象中的对应矩阵单元,进行求差;最后对所有的差值求和。(2)将所述三维卷积模板(卷积核)、和被卷积对象(所述地面位置周围的对应点)进行配准后,以三维卷积模板中的点为参照,寻找该点周围预定邻域内属于被卷积对象的点(如果有多个点则按照最近邻准则),二者进行求差;最后对三维卷积模板中所有的点的差值求和。
所述基于所述多个角度的卷积核对所述地形点集进行卷积,计算所述车辆在各个地面位置的稳定性指标之前,包括:
基于所述车辆前进方向,对所述卷积核进行过滤,去除所述卷积核的车底模板不符合车辆前进方向的卷积核;
基于所述地形点集的局部地面倾角,去除所述卷积核的车底模板不符合所述局部地面倾角的卷积核。
所述步骤S140的有益效果包括:
(1)通过设置三维卷积核对地面点进行卷积,可以快速从卷积结果中找到能够与所述地面点匹配的卷积核,提高二者匹配的效率;
(2)通过设置对卷积核的过滤,对卷积过程的过滤(去除空矩阵单元、按照卷积核点匹配邻域点),可以有效地提高卷积的效率;
(3)同时利用并行计算、神经网络等工具对卷积过程进行加速,还可以进一步提升计算效率。
本实施例中,所述车辆行驶稳定性计算步骤S150中,
所述预定稳定性要求,为:
所述地面位置的各个稳定性指标,均大于各自预定稳定性阈值。
基于所述卷积核的车轮位置处的差值大于预定悬空阈值,获得车轮悬空点;
基于所述卷积核的底盘位置处的差值小于预定触地阈值,获得底盘触地点;
基于所述卷积核的点集,计算所述车辆的纵向倾角和横向倾角;
将所述车轮悬空点、所述底盘触地点、所述纵向倾角、所述横向倾角,作为稳定性指标。
所述稳定性指标中,包括以下至少一种指标:所述车轮悬空点的数量、所述底盘触地点的数量、所属纵向倾角、所述横向倾角。
以4轮矿区卡车为例,卡车轮胎巨大,对于一般的起伏地形完全可以适应。然而在矿山环境中,也可能出现起伏过大以至于矿区卡车也无法稳定行驶的情形。特别是矿区卡车上承载的矿石重量较大,一旦发生倾斜、剐蹭、悬空等状况,轻则导致矿石洒落,重则导致矿车翻覆。
对于车轮悬空点,如果不存在车轮悬空点,那就是所有的车轮都可以和地形点集接触上,此时,所有的车轮区域的对应点之间的差值为零或接近0。如果某车轮区域的对应点之间的差值为一个比零大的正数,则意味着该处的车轮悬空。
对于所述底盘触地点来说,一般是所述差值为负值,也就是说卷积核(车底模板)和地形点集在底盘区域发生了接触。此外,这种情况下一般都会发生某车轮悬空的情况。
对于所述纵向、横向倾角过大来说,矿区车辆车轮大、底盘高,车身的重心本身就高,再加上矿卡负重较大,导致重心并不低。因此一旦倾角超出预设的范围,则容易发生负载遗撒乃至于矿车倾覆的危险。
虽然说现在有传感器可以实时检测车辆的倾角,矿卡司机也可以在驾驶时实时发现地形起伏过大将要导致车轮悬空或底盘剐蹭地面,但只能等待矿车将要发生危险的时候进行预警;而本申请通过传感器获取的远距离地面的数据,可以提前预测车辆行驶到对应地面位置的稳定性。从而为稳定性路径的寻找打下基础。
如果均不存在上述不稳定的情况,则可以认为所述地面位置对于所述车辆来说是稳定的。
而对于同一块地面区域而言,如果所述车辆可以稳定行驶在该块地面区域的话,那么所述车辆掉头180度,一般仍然可以稳定行驶在该块地面区域。也就是说,同一个地面位置的稳定性区域,往往有呈中心对称的两个稳定性区域同时存在。同时,如果一个位置的地面区域起伏不大,往往在这个位置上360度方向上都属于稳定性位置,也就是说,车头朝向任何方向都可以稳定性行驶。
所述从所述车辆的当前位置开始构建所述稳定性位置的连通域,包括:
获取所述稳定性位置在周围预定连通范围内的其他稳定性位置;
将所述其他稳定性位置加入当前连通域。
由于地形点集中的地面点是按照激光雷达三维点云的方式组织的,因此在预测时所选择的地面位置也是选择的三维点云中点的位置。但是通过密集采样,本申请可以获取所述地面位置互相交叠的连通区域。所述连通不同于图像矩阵的4连通或8连通,而是选择当前地面点所在预定范围领域内的其他地面点,进行连通域的扩展。当新的地面点加入连通域之后,该新的地面点也会作为当前地面点进行连通域的扩展。
由于所述卷积核和所述车底区域具有车头方向,因此所述连通域的扩展应该考虑所述车头方向的连接。选择在车头方向(或左右偏差不大的方向范围内)进行连通域的扩展,可以确保车辆在行驶中从一个稳定性位置到另一个稳定性位置,可以顺利地行驶过去。而同一个地面位置的稳定性区域,往往有多个稳定性区域同时存在。因此,在连通域扩展时,往往可以有多个方向可以选择扩展。
本实施例并不限定应用场景和具体实现,其可以根据实际情况确定,此处不再赘述。
所述步骤S150的有益效果包括:
(1)通过对多种稳定性条件进行判断,可以综合各种因素获得稳定性比较高的地面位置;
(2)通过连通域的扩展,可以从当前车辆的位置开始,将符合稳定性要求的、并且与当前车辆位置连通的地面位置都加入到连通域中,因而为所述车辆描述出了一个可通行的连通区域;
(3)该方法通过提前预测的方式,较好地实现了矿区车辆行驶稳定性的预测。
本实施例可以单独被实施,也可以与其他实施例一起被实施。
实施例二
针对上述非标准道路场景的问题,本公开实施例提供了一种驾驶辅助装置。驾驶辅助装置如附图3所示,包括:
车辆信息获取模块110,获取所述车辆的车底模板;所述车底模板为所述车辆位于水平地面时车辆底部的点投影到所述水平地面的距离形成的图;所述车辆底部包括车轮位置和底盘位置;
卷积核获取模块120,基于所述车底模板,获取多个角度的卷积核;
地形点集获取模块130,获取所述车辆所在的地面区域;获取所述地面区域的地形点集;所述地形点集表示所在区域的起伏程度;
稳定性指标获取模块140,基于所述多个角度的卷积核对所述地形点集进行三维差分卷积,计算所述车辆在各个地面位置的稳定性指标;
车辆行驶稳定性计算模块150,选择所述稳定性指标符合预定稳定性要求的所述地面位置作为稳定性位置;从所述车辆的当前位置开始构建所述稳定性位置的连通域,作为所述车辆的行驶稳定性预测结果。
上述模型训练装置和驾驶辅助装置的各个模块的有益效果参见前述实施例,此处不再赘述。
值得说明的是,本公开实施例并不限定驾驶辅助装置的应用场景的具体实现,其可以根据实际情况确定,此处不再赘述。
需要说明的是,应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现;也可以全部以硬件的形式实现;还可以部分模块通过处理元件调用软件的形式实现,部分模块通过硬件的形式实现。例如,处理模块可以为单独设立的处理元件,也可以集成在上述装置的某一个芯片中实现,此外,也可以以程序代码的形式存储于上述装置的存储器中,由上述装置的某一个处理元件调用并执行以上处理模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起,也可以独立实现。这里所述的处理元件可以是一种集成电路,具有信号的处理能力。在实现过程中,上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
本实施例可以单独被实施,也可以与其他实施例一起被实施。
实施例三
如图4所示,在本实施例中,一种电子设备600,包括:
至少一个处理器601,存储器608,以及与其他电子设备通信的通信接口609;所述存储器608存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述电子设备能够执行前述实施例中的矿区车辆行驶稳定性预测方法。
电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。该电子设备可以是上述的第一设备,也可以是车辆控制设备,或者车辆上的控制中心,对此本方案不做限制。
如图4所示,该电子设备还包括:一个或多个ROM602、RAM603、总线604、I/O接口605、输入单元606、输出单元607等,以及用于连接各部件的接口,包括高速接口和低速接口,以及与其他电子设备进行通信的通信接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上 以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。本实施例中以一个处理器601为例。
存储器608即为本公开所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本公开所提供的方法。本公开的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本公开所提供的方法。存储器608作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、 非瞬时计算机可执行程序以及模块,如本公开实施例中的方法对应的程序指令/模块。处理器601通过运行存储在存储器608中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的方法。
存储器608可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据自动驾驶车辆的控制的电子设备的使用所创建的数据等。此外,存储器608可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器608可选包括相对于处理器601远程设置的存储器,这些远程存储器可以通过网络连接至数据处理的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
电子设备的各个部件可以通过总线或者其他方式连接,本实施例中以通过总线连接为例。
输入单元606可接收输入的数字或字符信息,以及产生与数据处理的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出单元607可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
本实施例可以单独被实施,也可以与其他实施例一起被实施。
实施例四
根据本实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据前述实施例所述的矿区车辆行驶稳定性预测方法。
本实施例可以单独被实施,也可以与其他实施例一起被实施。
实施例五
根据本实施例提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据前述实施例所述的矿区车辆行驶稳定性预测方法。
上述实施例所述的存储有计算机程序的计算机可读存储介质和计算机程序产品,这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。本实施例对其不做具体限定。
本实施例可以单独被实施,也可以与其他实施例一起被实施。
实施例六
根据本实施例提供了一种自动驾驶车辆,包括根据上述实施例所述的模型训练装置或上述实施例所述的驾驶辅助装置。
可以理解的是,本实施例同样适用于有人驾驶车辆,有人驾驶车辆可以基于获取到的道路信息以提供给驾驶员提示或自动控制等形式辅助控制车辆的运行。其中,有些车辆内设置有行车电脑或车载单元(on board unit,OBU),有些车辆内搭载有用户终端例如手机,以及持有用户终端的用户等。车辆内的手机、行车电脑或OBU可作为实施模型训练或驾驶辅助的电子设备。
可以理解的是,本实施例同样适用于智能交通网络中,该智能交通网络中可以包括多辆可以进行无线通信的车辆、和各个车辆进行无线通信的交通控制设备、远程服务器、路侧设备、基站,其中,远程服务器或交通控制设备还可以对交通设施进行控制等等。
本实施例并不对车辆的类型、数量、应用场景进行限定。
本实施例可以单独被实施,也可以与其他实施例一起被实施。
应该理解,本公开描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数 据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。可以将本公开描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据 服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界 面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计 算机程序来产生客户端和服务器的关系。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本公开在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (10)
1.一种矿区车辆行驶稳定性预测方法,包括:
车辆信息获取步骤,获取所述车辆的车底模板;所述车底模板为所述车辆位于水平地面时车辆底部的点投影到所述水平地面的距离形成的图;所述车辆底部包括车轮位置和底盘位置;
卷积核获取步骤,基于所述车底模板,获取多个角度的卷积核;
地形点集获取步骤,获取所述车辆所在的地面区域;获取所述地面区域的地形点集;所述地形点集表示所在区域的起伏程度;
稳定性指标获取步骤,基于所述多个角度的卷积核对所述地形点集进行三维差分卷积,计算所述车辆在各个地面位置的稳定性指标;
车辆行驶稳定性计算步骤,选择所述稳定性指标符合预定稳定性要求的所述地面位置作为稳定性位置;从所述车辆的当前位置开始构建所述稳定性位置的连通域,作为所述车辆的行驶稳定性预测结果。
2.根据权利要求1所述的方法,所述车辆信息获取步骤中,所述车底模板的每个点的值被归一化到灰度图像中像素的值域;在所述车底模板中,车辆底部接触地面的点表示为所述值域的最小值,所述车辆底部之外的点表示为所述值域的最大值;
所述值域为0到255。
3.根据权利要求1所述的方法,根据所述车底模板,获取多个角度的卷积核,包括:
将所述车底模板转换为三维形式;
围绕所述三维形式的车底模板的中心点,设置多个俯仰角度,设置多个旋转角度,设置多个横滚角度;
根据所述俯仰角度、所述旋转角度、所述横滚角度中的至少一个,对所述三维形式的车底模板进行旋转;
获取所述三维形式的车底模板在三维空间中的点集,作为所述卷积核;
所述卷积核用于对三维点云进行卷积。
4.根据权利要求1所述的方法,所述地形点集获取步骤中,获取所述地面区域的地形点集,包括:
基于激光雷达获取所述地面区域的三维点云,作为所述地形点集。
5.根据权利要求4所述的方法,还包括:
所述地面区域包括被所述车辆遮挡的地面子区域;
响应于所述三维点云数据未覆盖被所述车辆遮挡的地面子区域,在所述三维点云数据中,加入历史数据中的所述被所述车辆遮挡的地面子区域的三维点云数据。
6.根据权利要求1所述的方法,所述稳定性指标获取步骤中,所述基于所述多个角度的卷积核对所述地形点集进行三维差分卷积,计算所述车辆在各个地面位置的稳定性指标,包括:
获取所述地形点集中的地面点;
选择所述地面点中的一个地面位置,移动所述卷积核到所述地面位置;
将所述地面位置的地面点坐标配准到所述卷积核的坐标系;
计算所述卷积核中每个点与所述地面位置周围对应点的差值;
基于所述卷积核的车轮位置处的差值大于预定悬空阈值,获得车轮悬空点;
基于所述卷积核的底盘位置处的差值小于预定触地阈值,获得底盘触地点;
基于所述卷积核的点集,计算所述车辆的纵向倾角和横向倾角;
将所述车轮悬空点、所述底盘触地点、所述纵向倾角、所述横向倾角,作为稳定性指标。
7.根据权利要求6所述的方法,所述基于所述多个角度的卷积核对所述地形点集进行卷积,计算所述车辆在各个地面位置的稳定性指标之前,包括:
基于所述车辆前进方向,对所述卷积核进行过滤,去除所述卷积核的车底模板不符合车辆前进方向的卷积核;
基于所述地形点集的局部地面倾角,去除所述卷积核的车底模板不符合所述局部地面倾角的卷积核。
8.根据权利要求1所述的方法,所述车辆行驶稳定性计算步骤中,所述预定稳定性要求,为:
所述地面位置的各个稳定性指标,均大于各自预定稳定性阈值。
9.根据权利要求8所述的方法,所述从所述车辆的当前位置开始构建所述稳定性位置的连通域,包括:
获取所述稳定性位置在周围预定连通范围内的其他稳定性位置;
将所述其他稳定性位置加入当前连通域。
10.一种矿区车辆行驶稳定性预测装置,包括:
车辆信息获取模块,获取所述车辆的车底模板;所述车底模板为所述车辆位于水平地面时车辆底部的点投影到所述水平地面的距离形成的图;所述车辆底部包括车轮位置和底盘位置;
卷积核获取模块,基于所述车底模板,获取多个角度的卷积核;
地形点集获取模块,获取所述车辆所在的地面区域;获取所述地面区域的地形点集;所述地形点集表示所在区域的起伏程度;
稳定性指标获取模块,基于所述多个角度的卷积核对所述地形点集进行三维差分卷积,计算所述车辆在各个地面位置的稳定性指标;
车辆行驶稳定性计算模块,选择所述稳定性指标符合预定稳定性要求的所述地面位置作为稳定性位置;从所述车辆的当前位置开始构建所述稳定性位置的连通域,作为所述车辆的行驶稳定性预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211388097.9A CN115438430B (zh) | 2022-11-08 | 2022-11-08 | 一种矿区车辆行驶稳定性预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211388097.9A CN115438430B (zh) | 2022-11-08 | 2022-11-08 | 一种矿区车辆行驶稳定性预测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115438430A CN115438430A (zh) | 2022-12-06 |
CN115438430B true CN115438430B (zh) | 2023-01-24 |
Family
ID=84252477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211388097.9A Active CN115438430B (zh) | 2022-11-08 | 2022-11-08 | 一种矿区车辆行驶稳定性预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115438430B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115973131B (zh) * | 2023-03-20 | 2023-06-13 | 上海伯镭智能科技有限公司 | 一种矿区无人驾驶车辆预防翻车方法和相关装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960060A (zh) * | 2018-06-01 | 2018-12-07 | 东南大学 | 一种无人驾驶车辆路面纹理识别系统及方法 |
CN112697457A (zh) * | 2020-12-14 | 2021-04-23 | 中国科学院国家空间科学中心 | 一种基于深度学习的车辆自主检测与控制系统 |
WO2022016044A1 (en) * | 2020-07-16 | 2022-01-20 | Mobileye Vision Technologies Ltd. | Systems and methods for dynamic road geometry modeling and navigation |
CN114842438A (zh) * | 2022-05-26 | 2022-08-02 | 重庆长安汽车股份有限公司 | 用于自动驾驶汽车的地形检测方法、系统及可读存储介质 |
CN115123295A (zh) * | 2022-06-21 | 2022-09-30 | 三一智矿科技有限公司 | 用于无人驾驶矿车的线控底盘控制系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210117872A1 (en) * | 2019-10-22 | 2021-04-22 | Capital One Services, Llc | System and Method for Facilitating Vehicle Test Drives |
-
2022
- 2022-11-08 CN CN202211388097.9A patent/CN115438430B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960060A (zh) * | 2018-06-01 | 2018-12-07 | 东南大学 | 一种无人驾驶车辆路面纹理识别系统及方法 |
WO2022016044A1 (en) * | 2020-07-16 | 2022-01-20 | Mobileye Vision Technologies Ltd. | Systems and methods for dynamic road geometry modeling and navigation |
CN112697457A (zh) * | 2020-12-14 | 2021-04-23 | 中国科学院国家空间科学中心 | 一种基于深度学习的车辆自主检测与控制系统 |
CN114842438A (zh) * | 2022-05-26 | 2022-08-02 | 重庆长安汽车股份有限公司 | 用于自动驾驶汽车的地形检测方法、系统及可读存储介质 |
CN115123295A (zh) * | 2022-06-21 | 2022-09-30 | 三一智矿科技有限公司 | 用于无人驾驶矿车的线控底盘控制系统及方法 |
Non-Patent Citations (1)
Title |
---|
矿区道路线形参数对矿山运输车辆行驶稳定性的影响研究;王莉;《长安大学学报》;20151231;第108-114页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115438430A (zh) | 2022-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11691648B2 (en) | Drivable surface identification techniques | |
KR102186299B1 (ko) | 카메라를 이용한 차량 환경 모델링 | |
US11651553B2 (en) | Methods and systems for constructing map data using poisson surface reconstruction | |
EP3635500B1 (en) | Method of navigating a vehicle and system thereof | |
Liu et al. | Point cloud segmentation based on Euclidean clustering and multi-plane extraction in rugged field | |
CN115438430B (zh) | 一种矿区车辆行驶稳定性预测方法和装置 | |
WO2021016920A1 (zh) | 可通行性的识别方法、系统、设备及计算机可读存储介质 | |
CN112734811A (zh) | 一种障碍物跟踪方法、障碍物跟踪装置和芯片 | |
CN114926809A (zh) | 可通行区域检测方法及装置、移动工具、存储介质 | |
CN116529561A (zh) | 基于单目的对象检测的系统和方法 | |
CN115223039A (zh) | 一种面向复杂环境的机器人半自主控制方法及系统 | |
US20230056589A1 (en) | Systems and methods for generating multilevel occupancy and occlusion grids for controlling navigation of vehicles | |
CN115114387A (zh) | 栅格地图生成方法及装置、移动工具、存储介质 | |
US11884268B2 (en) | Motion planning in curvilinear coordinates for autonomous vehicles | |
CN116340307B (zh) | 坡道图层生成方法和装置、高精度地图及电子设备 | |
WO2024036984A1 (zh) | 目标定位方法及相关系统、存储介质 | |
CN114677660B (zh) | 模型训练和道路检测方法及装置 | |
CN114789735A (zh) | 一种高效的驾驶辅助方法、装置、设备和车辆 | |
CN116301061A (zh) | 无人车跟人行驶方法、装置、电子设备及可读存储介质 | |
CN115855045A (zh) | 一种应用于矿井巷道的多模态融合建图与定位方法 | |
CN115973131B (zh) | 一种矿区无人驾驶车辆预防翻车方法和相关装置 | |
Li et al. | A new visual sensing system for motion state estimation of lateral localization of intelligent vehicles | |
CN117631676B (zh) | 一种矿区无人驾驶车辆自动引导前进的方法和装置 | |
CN115752476B (zh) | 一种基于语义信息的车辆地库重定位方法、装置、设备和介质 | |
WO2024141068A1 (zh) | 一种路面检测方法及相关装置 |
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 |