CN115880673B - 一种基于计算机视觉的避障方法及系统 - Google Patents
一种基于计算机视觉的避障方法及系统 Download PDFInfo
- Publication number
- CN115880673B CN115880673B CN202310148731.XA CN202310148731A CN115880673B CN 115880673 B CN115880673 B CN 115880673B CN 202310148731 A CN202310148731 A CN 202310148731A CN 115880673 B CN115880673 B CN 115880673B
- Authority
- CN
- China
- Prior art keywords
- vehicle body
- preset
- obstacle
- map
- acquiring
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及智能避障技术领域,具体公开了一种基于计算机视觉的避障方法及系统,所述方法包括基于预设的定位器获取车体位置,根据所述车体位置在预设的地图中查询车体环境;当预设的地图中存在车体环境时,对所述车体环境进行识别,获取障碍物位置;基于预设的视觉识别器获取全景图像,基于全景图像验证障碍物位置,根据验证结果修正运动路径;当预设的地图中不存在车体环境时,根据预设的摄像头获取俯视图像,根据俯视图像确定障碍物位置及其类型,根据障碍物位置及其类型生成车体环境,根据生成的车体环境修正地图;基于预设的雷达实时获取运动物体,根据所述运动物体填充地图;本发明成本需求极低,便于推广使用。
Description
技术领域
本发明涉及智能避障技术领域,具体是一种基于计算机视觉的避障方法及系统。
背景技术
随着物联网技术的进步,很多生产活动逐渐由智能机器人代替,比如一些矿场或一些车间。
不同智能机器人的工作任务不同,有的用于完成运输任务,有的用于完成采集任务,还有的用于完成巡视任务,完成这些任务的过程中,离不开避障功能,现有的避障功能所需的硬件成本及软件成本都比较高,如已授权专利CN111572541B。
在实际应用中,很多管理方会出于成本考虑,摒弃避障功能,这不仅降低安全性,还变相地提高了管理人员的工作量;如何降低智能避障功能的应用成本,使得智能避障功能更容易成为基础功能是本发明技术方案想要解决的技术问题。
发明内容
本发明的目的在于提供一种基于计算机视觉的避障方法及系统,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种基于计算机视觉的避障方法,所述方法包括:
基于预设的定位器获取车体位置,根据所述车体位置在预设的地图中查询车体环境;所述车体环境是地图中以车体位置为中心的子区域;
当预设的地图中存在车体环境时,对所述车体环境进行识别,获取障碍物位置;基于预设的视觉识别器获取全景图像,基于全景图像验证障碍物位置,根据验证结果修正运动路径;
当预设的地图中不存在车体环境时,根据预设的摄像头获取俯视图像,根据俯视图像确定障碍物位置及其类型,根据障碍物位置及其类型生成车体环境,根据生成的车体环境修正地图;
基于预设的雷达实时获取运动物体,根据所述运动物体填充地图;其中,所述地图含有时间标签;
所述地图中各区域的留存时间为预设值。
作为本发明进一步的方案:所述基于预设的定位器获取车体位置,根据所述车体位置在预设的地图中查询车体环境的步骤包括:
基于预设的定位器获取含有时间的车体位置,根据含有时间的车体位置计算车体速度;
将所述车体速度输入预设的速度分析公式,得到查询范围;
根据时间读取地图,以车体位置为中心,根据查询范围在预设的地图中查询车体环境。
作为本发明进一步的方案:所述基于预设的视觉识别器获取全景图像,基于全景图像验证障碍物位置,根据验证结果修正运动路径的步骤包括:
实时获取视觉识别器的位姿,获取以位姿为标签的图像;
对所述图像进行轮廓识别,在预设的旋转方向上定位边界轮廓;
根据边界轮廓确定下一中心线,根据下一中心线与当前中心线之间的距离生成旋转指令,并获取位姿为标签的图像;
实时获取旋转角度,当所述旋转角度达到预设的数值时,升成抬升指令;
根据位姿统计拼接图像,生成全景图像;
基于全景图像验证障碍物位置,根据验证结果修正运动路径。
作为本发明进一步的方案:所述基于全景图像验证障碍物位置,根据验证结果修正运动路径的步骤包括:
读取全景图像中各图像的轮廓识别结果,将所述轮廓识别结果输入训练好的障碍筛选模型,得到障碍物轮廓;
根据障碍物轮廓在全景图像中的位置,在地图中确定障碍方向,根据障碍方向上的障碍物位置验证障碍物轮廓,判断障碍物是否存在;
当障碍物存在时,根据障碍物修正运动路径;
当障碍物不存在时,根据预设的距离传感器实时检测障碍物,当检测到障碍物时,更新地图。
作为本发明进一步的方案:所述当预设的地图中不存在车体环境时,根据预设的摄像头获取俯视图像,根据俯视图像确定障碍物位置及其类型,根据障碍物位置及其类型生成车体环境,根据生成的车体环境修正地图的步骤包括:
当预设的地图中不存在车体环境时,读取预设的摄像头获取含有温度信息的俯视图像;
将所述含有温度信息的俯视图像输入训练好的神经网络模型,确定障碍物位置及其类型;
将确定的障碍物位置及其类型填充至地图。
作为本发明进一步的方案:所述基于预设的雷达实时获取运动物体,根据所述运动物体填充地图的步骤包括:
随机在预设的波段范围内确定至少两种检测波长;
根据预设的间隔时间发送至少两次检测波,实时接收回波信号,得到与两次检测波对应的回波表;其中,所述回波表中每个数据的波幅都大于预设的幅值阈值;
根据所述回波表和所述检测波确定距离表,根据各个距离表确定各运动物的速度;
根据距离表在地图中查询运动物并根据速度对其进行标记。
本发明技术方案还提供了一种基于计算机视觉的避障系统,所述系统包括:
环境查询模块,用于基于预设的定位器获取车体位置,根据所述车体位置在预设的地图中查询车体环境;所述车体环境是地图中以车体位置为中心的子区域;
位置验证模块,用于当预设的地图中存在车体环境时,对所述车体环境进行识别,获取障碍物位置;基于预设的视觉识别器获取全景图像,基于全景图像验证障碍物位置,根据验证结果修正运动路径;
地图修正模块,用于当预设的地图中不存在车体环境时,根据预设的摄像头获取俯视图像,根据俯视图像确定障碍物位置及其类型,根据障碍物位置及其类型生成车体环境,根据生成的车体环境修正地图;
地图填充模块,用于基于预设的雷达实时获取运动物体,根据所述运动物体填充地图;其中,所述地图含有时间标签;
所述地图中各区域的留存时间为预设值。
作为本发明进一步的方案:所述环境查询模块包括:
速度计算单元,用于基于预设的定位器获取含有时间的车体位置,根据含有时间的车体位置计算车体速度;
范围确定单元,用于将所述车体速度输入预设的速度分析公式,得到查询范围;
查询执行单元,用于根据时间读取地图,以车体位置为中心,根据查询范围在预设的地图中查询车体环境。
作为本发明进一步的方案:所述位置验证模块包括:
图像采集单元,用于实时获取视觉识别器的位姿,获取以位姿为标签的图像;
边界定位单元,用于对所述图像进行轮廓识别,在预设的旋转方向上定位边界轮廓;
旋转指令生成单元,用于根据边界轮廓确定下一中心线,根据下一中心线与当前中心线之间的距离生成旋转指令,并获取位姿为标签的图像;
抬升指令生成单元,用于实时获取旋转角度,当所述旋转角度达到预设的数值时,升成抬升指令;
图像拼接单元,用于根据位姿统计拼接图像,生成全景图像;
路径修正单元,用于基于全景图像验证障碍物位置,根据验证结果修正运动路径。
作为本发明进一步的方案:所述地图修正模块包括:
俯视图像获取单元,用于当预设的地图中不存在车体环境时,读取预设的摄像头获取含有温度信息的俯视图像;
模型应用单元,用于将所述含有温度信息的俯视图像输入训练好的神经网络模型,确定障碍物位置及其类型;
填充执行单元,用于将确定的障碍物位置及其类型填充至地图。
与现有技术相比,本发明的有益效果是:本发明将车体上的避障功能转稼于现有的监控系统中,极大地降低了车体中的避障识别精度的需求;此外,监控系统获取到的图像是俯视图像,其识别效果远大于车体获取到的正视图;本发明极其适用于含有监控系统的区域,成本需求极低。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例。
图1为基于计算机视觉的避障方法的流程框图。
图2为基于计算机视觉的避障方法的第一子流程框图。
图3为基于计算机视觉的避障方法的第二子流程框图。
图4为基于计算机视觉的避障方法的第三子流程框图。
图5为基于计算机视觉的避障方法的第四子流程框图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例1
图1为基于计算机视觉的避障方法的流程框图,本发明实施例中,一种基于计算机视觉的避障方法,所述方法包括:
步骤S100:基于预设的定位器获取车体位置,根据所述车体位置在预设的地图中查询车体环境;所述车体环境是地图中以车体位置为中心的子区域;
定位器可以采用现有的GPS定位器,用于获取车体位置;根据车体位置可以在地图中查询车体环境;所述车体环境的范围为预设值;其中,本发明技术方案的应用领域一般是限定区域,地图是有限地图,范围很小。
步骤S200:当预设的地图中存在车体环境时,对所述车体环境进行识别,获取障碍物位置;基于预设的视觉识别器获取全景图像,基于全景图像验证障碍物位置,根据验证结果修正运动路径;
地图中的各区域都定时删除,当存在车体环境时,就说明在一定时间段内,有某个车体经过该区域,此时该区域的障碍物情况几乎不会发生变化;因此,根据安装在车体上的视觉识别器获取周围的图像,在较低的精度下,对图像进行识别,判断出哪个方向上可能存在障碍物,然后在车体环境中查询即可。这一过程中,车体本身的识别精度要求很低。
步骤S300:当预设的地图中不存在车体环境时,根据预设的摄像头获取俯视图像,根据俯视图像确定障碍物位置及其类型,根据障碍物位置及其类型生成车体环境,根据生成的车体环境修正地图;
当某个车体运动到不存在车体环境的位置时,会上传车体环境获取请求;车体环境的获取过程如下:
在车体运行区域中,会预先设置若干个摄像头,摄像头获取到的图像是俯视图像,对俯视图像进行识别,可以快速且清晰的判断障碍物位置及其类型,可以借鉴很多现有的图像识别算法;根据识别结果实时生成车体环境,填充至地图中。
步骤S400:基于预设的雷达实时获取运动物体,根据所述运动物体填充地图;其中,所述地图含有时间标签;
由雷达实时检测运动物体,在填充地图中标记运动物体,这样做的潜含义是,地图含有时间标签。
需要说明的是,所述地图中各区域的留存时间为预设值;当某个区域内没有车辆经过的时间达到留存时间时,地图中对应区域会消失。
图2为基于计算机视觉的避障方法的第一子流程框图,所述基于预设的定位器获取车体位置,根据所述车体位置在预设的地图中查询车体环境的步骤包括:
步骤S101:基于预设的定位器获取含有时间的车体位置,根据含有时间的车体位置计算车体速度;
由定位器获取车体位置,根据车体位置计算车体速度。
步骤S102:将所述车体速度输入预设的速度分析公式,得到查询范围;
速度越高,制动时间越长,出现碰撞的概率越高,相应的查询范围就要扩大;可以看出,速度与查询范围存在一定的关系,这一关系由工作人员预先设置,当计算到车体速度后,可以直接生成查询范围。
步骤S103:根据时间读取地图,以车体位置为中心,根据查询范围在预设的地图中查询车体环境;
以车体位置为中心,在预设的地图中截取与查询范围对应的车体环境;所述查询范围可以是圆形,也可以是矩形,具体不做限定。
图3为基于计算机视觉的避障方法的第二子流程框图,所述基于预设的视觉识别器获取全景图像,基于全景图像验证障碍物位置,根据验证结果修正运动路径的步骤包括:
步骤S201:实时获取视觉识别器的位姿,获取以位姿为标签的图像;
视觉识别器可以理解为车体上的摄像头,摄像头的位姿不同,获取到的图像不同;
步骤S202:对所述图像进行轮廓识别,在预设的旋转方向上定位边界轮廓;
步骤S203:根据边界轮廓确定下一中心线,根据下一中心线与当前中心线之间的距离生成旋转指令,并获取位姿为标签的图像;
车体上的摄像头的运动过程是先转圈,再提高一个高度,再次转圈;转圈过程是,先对图像进行轮廓识别,确定边界轮廓,以边界轮廓作为下一个拍摄图幅的中心线确定旋转角度。
步骤S204:实时获取旋转角度,当所述旋转角度达到预设的数值时,升成抬升指令;
当旋转一圈后,也就是旋转角度达到360度时,升成抬升指令。
步骤S205:根据位姿统计拼接图像,生成全景图像;
根据位姿标签统计拼接图像,可以得到一个全景图像。
步骤S206:基于全景图像验证障碍物位置,根据验证结果修正运动路径;
结合全景图像和地图,对障碍物位置进行验证即可;这一过程中,车体的识别压力极小,且效率几乎相同;障碍识别压力转嫁在摄像头系统中;这样使得车体的计算资源更多应用于其他主要功能,极大地降低了避障功能的能耗占比。
在本发明技术方案的一个实例中,所述基于全景图像验证障碍物位置,根据验证结果修正运动路径的步骤包括:
读取全景图像中各图像的轮廓识别结果,将所述轮廓识别结果输入训练好的障碍筛选模型,得到障碍物轮廓;
读取全景图像中各图像的轮廓识别结果,由于轮廓识别过程由精度较低的车体完成,识别出的轮廓可能存在“假轮廓”,因此,需要对轮廓进行筛选。
根据障碍物轮廓在全景图像中的位置,在地图中确定障碍方向,根据障碍方向上的障碍物位置验证障碍物轮廓,判断障碍物是否存在;
根据障碍物轮廓在全景图像中的位置,可以在地图中查询该位置对应的方向,在方向上查询地图中确定的障碍物轮廓,即可判断哪里存在障碍物。
当障碍物存在时,根据障碍物修正运动路径;
当障碍物不存在时,根据预设的距离传感器实时检测障碍物,当检测到障碍物时,更新地图;
如果有障碍物,车体就会根据障碍物调整运动路径;如果没有障碍物(地图中显示没有障碍物),那么就根据安装在车体上的传感器实时判断前方是否有阻挡,如果有阻挡,就说明地图中存在错误,此时,对地图进行更新;更新过程如步骤S300所示。
图4为基于计算机视觉的避障方法的第三子流程框图,所述当预设的地图中不存在车体环境时,根据预设的摄像头获取俯视图像,根据俯视图像确定障碍物位置及其类型,根据障碍物位置及其类型生成车体环境,根据生成的车体环境修正地图的步骤包括:
步骤S301:当预设的地图中不存在车体环境时,读取预设的摄像头获取含有温度信息的俯视图像;
步骤S302:将所述含有温度信息的俯视图像输入训练好的神经网络模型,确定障碍物位置及其类型;
步骤S303:将确定的障碍物位置及其类型填充至地图。
步骤S301至步骤S303是常规的图像识别过程,借鉴现有的图像识别技术,即可确定障碍物位置及其类型,根据障碍物位置及其类型在地图中进行标记。
值得一提的是,本发明技术方案使用的摄像头具备温度获取功能,获取到的俯视图像中含有温度信息,温度信息可以使得障碍物的识别过程更加容易。
图5为基于计算机视觉的避障方法的第四子流程框图,所述基于预设的雷达实时获取运动物体,根据所述运动物体填充地图的步骤包括:
步骤S401:随机在预设的波段范围内确定至少两种检测波长;
步骤S402:根据预设的间隔时间发送至少两次检测波,实时接收回波信号,得到与两次检测波对应的回波表;其中,所述回波表中每个数据的波幅都大于预设的幅值阈值;
步骤S403:根据所述回波表和所述检测波确定距离表,根据各个距离表确定各运动物的速度;
步骤S404:根据距离表在地图中查询运动物并根据速度对其进行标记。
对于异常运动物的分析,尤其是速度分析,往往离不开雷达;但是传统雷达的工作过程过于单一,就是简单的基于多普勒原理,发送一些声波,进而确定异常运动物的速度;实际上,在不同的天气环境下,空气中的粉尘浓度不同,单一的测量方式往往会有偏差,因此,在本发明根据雷达检测运动物体的过程中,首先在预设的波段范围内确定若干检测波长,对于每一个检测波长,发送多次检测波,根据回波信号和波的传播速度,即可确定运动参数;值得一提的是,同一区域内可能存在不同的运动物体,回波的波形很有可能是梯形(同一个发出信号,接收到多个回收信号),因此,上述内容中是生成回波表,每一个回波代表一个物体。
实施例2
本发明实施例中,一种基于计算机视觉的避障系统,所述系统包括:
环境查询模块,用于基于预设的定位器获取车体位置,根据所述车体位置在预设的地图中查询车体环境;所述车体环境是地图中以车体位置为中心的子区域;
位置验证模块,用于当预设的地图中存在车体环境时,对所述车体环境进行识别,获取障碍物位置;基于预设的视觉识别器获取全景图像,基于全景图像验证障碍物位置,根据验证结果修正运动路径;
地图修正模块,用于当预设的地图中不存在车体环境时,根据预设的摄像头获取俯视图像,根据俯视图像确定障碍物位置及其类型,根据障碍物位置及其类型生成车体环境,根据生成的车体环境修正地图;
地图填充模块,用于基于预设的雷达实时获取运动物体,根据所述运动物体填充地图;其中,所述地图含有时间标签;
所述地图中各区域的留存时间为预设值。
所述环境查询模块包括:
速度计算单元,用于基于预设的定位器获取含有时间的车体位置,根据含有时间的车体位置计算车体速度;
范围确定单元,用于将所述车体速度输入预设的速度分析公式,得到查询范围;
查询执行单元,用于根据时间读取地图,以车体位置为中心,根据查询范围在预设的地图中查询车体环境。
所述位置验证模块包括:
图像采集单元,用于实时获取视觉识别器的位姿,获取以位姿为标签的图像;
边界定位单元,用于对所述图像进行轮廓识别,在预设的旋转方向上定位边界轮廓;
旋转指令生成单元,用于根据边界轮廓确定下一中心线,根据下一中心线与当前中心线之间的距离生成旋转指令,并获取位姿为标签的图像;
抬升指令生成单元,用于实时获取旋转角度,当所述旋转角度达到预设的数值时,升成抬升指令;
图像拼接单元,用于根据位姿统计拼接图像,生成全景图像;
路径修正单元,用于基于全景图像验证障碍物位置,根据验证结果修正运动路径。
所述地图修正模块包括:
俯视图像获取单元,用于当预设的地图中不存在车体环境时,读取预设的摄像头获取含有温度信息的俯视图像;
模型应用单元,用于将所述含有温度信息的俯视图像输入训练好的神经网络模型,确定障碍物位置及其类型;
填充执行单元,用于将确定的障碍物位置及其类型填充至地图。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于计算机视觉的避障方法,其特征在于,所述方法包括:
基于预设的定位器获取车体位置,根据所述车体位置在预设的地图中查询车体环境;所述车体环境是地图中以车体位置为中心的子区域;
当预设的地图中存在车体环境时,对所述车体环境进行识别,获取障碍物位置;基于预设的视觉识别器获取全景图像,基于全景图像验证障碍物位置,根据验证结果修正运动路径;
当预设的地图中不存在车体环境时,根据预设的摄像头获取俯视图像,根据俯视图像确定障碍物位置及其类型,根据障碍物位置及其类型生成车体环境,根据生成的车体环境修正地图;
基于预设的雷达实时获取运动物体,根据所述运动物体填充地图;其中,所述地图含有时间标签;
所述地图中各区域的留存时间为预设值;
所述当预设的地图中不存在车体环境时,根据预设的摄像头获取俯视图像,根据俯视图像确定障碍物位置及其类型,根据障碍物位置及其类型生成车体环境,根据生成的车体环境修正地图的步骤包括:
当预设的地图中不存在车体环境时,读取预设的摄像头获取含有温度信息的俯视图像;
将所述含有温度信息的俯视图像输入训练好的神经网络模型,确定障碍物位置及其类型;
将确定的障碍物位置及其类型填充至地图。
2.根据权利要求1所述的基于计算机视觉的避障方法,其特征在于,所述基于预设的定位器获取车体位置,根据所述车体位置在预设的地图中查询车体环境的步骤包括:
基于预设的定位器获取含有时间的车体位置,根据含有时间的车体位置计算车体速度;
将所述车体速度输入预设的速度分析公式,得到查询范围;
根据时间读取地图,以车体位置为中心,根据查询范围在预设的地图中查询车体环境。
3.根据权利要求1所述的基于计算机视觉的避障方法,其特征在于,所述基于预设的视觉识别器获取全景图像,基于全景图像验证障碍物位置,根据验证结果修正运动路径的步骤包括:
实时获取视觉识别器的位姿,获取以位姿为标签的图像;
对所述图像进行轮廓识别,在预设的旋转方向上定位边界轮廓;
根据边界轮廓确定下一中心线,根据下一中心线与当前中心线之间的距离生成旋转指令,并获取位姿为标签的图像;
实时获取旋转角度,当所述旋转角度达到预设的数值时,升成抬升指令;
根据位姿统计拼接图像,生成全景图像;
基于全景图像验证障碍物位置,根据验证结果修正运动路径。
4.根据权利要求3所述的基于计算机视觉的避障方法,其特征在于,所述基于全景图像验证障碍物位置,根据验证结果修正运动路径的步骤包括:
读取全景图像中各图像的轮廓识别结果,将所述轮廓识别结果输入训练好的障碍筛选模型,得到障碍物轮廓;
根据障碍物轮廓在全景图像中的位置,在地图中确定障碍方向,根据障碍方向上的障碍物位置验证障碍物轮廓,判断障碍物是否存在;
当障碍物存在时,根据障碍物修正运动路径;
当障碍物不存在时,根据预设的距离传感器实时检测障碍物,当检测到障碍物时,更新地图。
5.根据权利要求1所述的基于计算机视觉的避障方法,其特征在于,所述基于预设的雷达实时获取运动物体,根据所述运动物体填充地图的步骤包括:
随机在预设的波段范围内确定至少两种检测波长;
根据预设的间隔时间发送至少两次检测波,实时接收回波信号,得到与两次检测波对应的回波表;其中,所述回波表中每个数据的波幅都大于预设的幅值阈值;
根据所述回波表和所述检测波确定距离表,根据各个距离表确定各运动物的速度;
根据距离表在地图中查询运动物并根据速度对其进行标记。
6.一种基于计算机视觉的避障系统,其特征在于,所述系统包括:
环境查询模块,用于基于预设的定位器获取车体位置,根据所述车体位置在预设的地图中查询车体环境;所述车体环境是地图中以车体位置为中心的子区域;
位置验证模块,用于当预设的地图中存在车体环境时,对所述车体环境进行识别,获取障碍物位置;基于预设的视觉识别器获取全景图像,基于全景图像验证障碍物位置,根据验证结果修正运动路径;
地图修正模块,用于当预设的地图中不存在车体环境时,根据预设的摄像头获取俯视图像,根据俯视图像确定障碍物位置及其类型,根据障碍物位置及其类型生成车体环境,根据生成的车体环境修正地图;
地图填充模块,用于基于预设的雷达实时获取运动物体,根据所述运动物体填充地图;其中,所述地图含有时间标签;
所述地图中各区域的留存时间为预设值;
所述地图修正模块包括:
俯视图像获取单元,用于当预设的地图中不存在车体环境时,读取预设的摄像头获取含有温度信息的俯视图像;
模型应用单元,用于将所述含有温度信息的俯视图像输入训练好的神经网络模型,确定障碍物位置及其类型;
填充执行单元,用于将确定的障碍物位置及其类型填充至地图。
7.根据权利要求6所述的基于计算机视觉的避障系统,其特征在于,所述环境查询模块包括:
速度计算单元,用于基于预设的定位器获取含有时间的车体位置,根据含有时间的车体位置计算车体速度;
范围确定单元,用于将所述车体速度输入预设的速度分析公式,得到查询范围;
查询执行单元,用于根据时间读取地图,以车体位置为中心,根据查询范围在预设的地图中查询车体环境。
8.根据权利要求6所述的基于计算机视觉的避障系统,其特征在于,所述位置验证模块包括:
图像采集单元,用于实时获取视觉识别器的位姿,获取以位姿为标签的图像;
边界定位单元,用于对所述图像进行轮廓识别,在预设的旋转方向上定位边界轮廓;
旋转指令生成单元,用于根据边界轮廓确定下一中心线,根据下一中心线与当前中心线之间的距离生成旋转指令,并获取位姿为标签的图像;
抬升指令生成单元,用于实时获取旋转角度,当所述旋转角度达到预设的数值时,升成抬升指令;
图像拼接单元,用于根据位姿统计拼接图像,生成全景图像;
路径修正单元,用于基于全景图像验证障碍物位置,根据验证结果修正运动路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310148731.XA CN115880673B (zh) | 2023-02-22 | 2023-02-22 | 一种基于计算机视觉的避障方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310148731.XA CN115880673B (zh) | 2023-02-22 | 2023-02-22 | 一种基于计算机视觉的避障方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115880673A CN115880673A (zh) | 2023-03-31 |
CN115880673B true CN115880673B (zh) | 2023-05-26 |
Family
ID=85761508
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310148731.XA Active CN115880673B (zh) | 2023-02-22 | 2023-02-22 | 一种基于计算机视觉的避障方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115880673B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116594018B (zh) * | 2023-07-17 | 2023-10-24 | 青岛直升机航空有限公司 | 一种直升机飞行障碍物报警系统及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111984003A (zh) * | 2020-07-17 | 2020-11-24 | 山东师范大学 | 一种基于离线地图算法的无轨道自适应导航方法及系统 |
CN114684197A (zh) * | 2022-03-31 | 2022-07-01 | 广州文远知行科技有限公司 | 避障场景的检测方法、装置、设备及存储介质 |
CN115100630A (zh) * | 2022-07-04 | 2022-09-23 | 小米汽车科技有限公司 | 障碍物检测方法、装置、车辆、介质及芯片 |
CN115143953A (zh) * | 2022-07-22 | 2022-10-04 | 深圳市无限动力发展有限公司 | 基于离线地图的快速更新方法、装置、设备和存储介质 |
CN115381354A (zh) * | 2022-07-28 | 2022-11-25 | 广州宝乐软件科技有限公司 | 清洁机器人的避障方法、避障装置、存储介质和设备 |
CN115527314A (zh) * | 2020-12-25 | 2022-12-27 | 智慧式有限公司 | 一种自动行驶无人现场自动制作无人现场自动售卖面条车的共享系统及方法 |
CN115546303A (zh) * | 2022-10-20 | 2022-12-30 | 重庆长安汽车股份有限公司 | 室内停车场的定位方法、装置、车辆及存储介质 |
CN115631449A (zh) * | 2022-12-19 | 2023-01-20 | 南京和电科技有限公司 | 一种视频智能识别管理方法及系统 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106020201B (zh) * | 2016-07-13 | 2019-02-01 | 广东奥讯智能设备技术有限公司 | 移动机器人3d导航定位系统及导航定位方法 |
CN106767853B (zh) * | 2016-12-30 | 2020-01-21 | 中国科学院合肥物质科学研究院 | 一种基于多信息融合的无人驾驶车辆高精度定位方法 |
CN110849366A (zh) * | 2018-08-20 | 2020-02-28 | 广州弘度信息科技有限公司 | 一种基于视觉和激光雷达融合的导航方法及系统 |
CN110550029B (zh) * | 2019-08-12 | 2021-02-09 | 华为技术有限公司 | 障碍物避让方法及装置 |
CN111081064B (zh) * | 2019-12-11 | 2021-12-14 | 上海赫千电子科技有限公司 | 一种车载以太网的自动泊车系统及自动代客泊车方法 |
CN112213738B (zh) * | 2020-09-28 | 2023-02-28 | 劢微机器人科技(深圳)有限公司 | 无人搬运车地图构建方法、装置、设备及存储介质 |
WO2022141240A1 (en) * | 2020-12-30 | 2022-07-07 | SZ DJI Technology Co., Ltd. | Determining vehicle positions for autonomous driving based on monocular vision and semantic map |
CN113587933B (zh) * | 2021-07-29 | 2024-02-02 | 山东山速机器人科技有限公司 | 一种基于分支定界算法的室内移动机器人定位方法 |
CN113741472B (zh) * | 2021-09-10 | 2024-03-08 | 上海伯镭智能科技有限公司 | 一种基于多图像采集的障碍回避方法及装置 |
CN114077252B (zh) * | 2021-11-16 | 2023-09-12 | 中国人民解放军陆军工程大学 | 机器人碰撞障碍区分装置及方法 |
CN115092186A (zh) * | 2022-07-30 | 2022-09-23 | 重庆长安汽车股份有限公司 | 一种车辆自动驾驶方法及装置、电子设备、存储介质 |
CN115185285B (zh) * | 2022-09-06 | 2022-12-27 | 深圳市信诚创新技术有限公司 | 吸尘机器人的自动避障方法、装置、设备及存储介质 |
-
2023
- 2023-02-22 CN CN202310148731.XA patent/CN115880673B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111984003A (zh) * | 2020-07-17 | 2020-11-24 | 山东师范大学 | 一种基于离线地图算法的无轨道自适应导航方法及系统 |
CN115527314A (zh) * | 2020-12-25 | 2022-12-27 | 智慧式有限公司 | 一种自动行驶无人现场自动制作无人现场自动售卖面条车的共享系统及方法 |
CN114684197A (zh) * | 2022-03-31 | 2022-07-01 | 广州文远知行科技有限公司 | 避障场景的检测方法、装置、设备及存储介质 |
CN115100630A (zh) * | 2022-07-04 | 2022-09-23 | 小米汽车科技有限公司 | 障碍物检测方法、装置、车辆、介质及芯片 |
CN115143953A (zh) * | 2022-07-22 | 2022-10-04 | 深圳市无限动力发展有限公司 | 基于离线地图的快速更新方法、装置、设备和存储介质 |
CN115381354A (zh) * | 2022-07-28 | 2022-11-25 | 广州宝乐软件科技有限公司 | 清洁机器人的避障方法、避障装置、存储介质和设备 |
CN115546303A (zh) * | 2022-10-20 | 2022-12-30 | 重庆长安汽车股份有限公司 | 室内停车场的定位方法、装置、车辆及存储介质 |
CN115631449A (zh) * | 2022-12-19 | 2023-01-20 | 南京和电科技有限公司 | 一种视频智能识别管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115880673A (zh) | 2023-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10740658B2 (en) | Object recognition and classification using multiple sensor modalities | |
CN109100730B (zh) | 一种多车协同快速建图方法 | |
CN1940591B (zh) | 使用传感器融合进行目标跟踪的系统和方法 | |
CN112014845B (zh) | 一种车辆障碍物定位方法、装置、设备及存储介质 | |
CN113741438B (zh) | 路径规划方法、装置、存储介质、芯片及机器人 | |
WO2019126950A1 (zh) | 一种定位方法、云端服务器、终端、系统、电子设备及计算机程序产品 | |
US11486988B2 (en) | Method for calibrating the alignment of a moving object sensor | |
CN115880673B (zh) | 一种基于计算机视觉的避障方法及系统 | |
CN110850859B (zh) | 一种机器人及其避障方法和避障系统 | |
CN113147738A (zh) | 一种自动泊车定位方法和装置 | |
CN109282813B (zh) | 一种无人艇全局障碍物识别的方法 | |
EP3910533B1 (en) | Method, apparatus, electronic device, and storage medium for monitoring an image acquisition device | |
CN110136186B (zh) | 一种用于移动机器人目标测距的检测目标匹配方法 | |
CN110825111A (zh) | 适用于高架仓库货物盘点的无人机控制方法、货物盘点方法、装置、服务器及存储介质 | |
US20230236280A1 (en) | Method and system for positioning indoor autonomous mobile robot | |
JP2017083663A (ja) | 一致性評価装置および一致性評価方法 | |
CN112686951A (zh) | 用于确定机器人位置的方法、装置、终端及存储介质 | |
Miyagusuku et al. | Toward autonomous garbage collection robots in terrains with different elevations | |
CN117215316A (zh) | 基于协同控制与深度学习的驾驶环境感知的方法和系统 | |
CN112797986A (zh) | 基于无人自主技术的智能物流机器人定位系统及方法 | |
CN116629106A (zh) | 移动机器人运行场景的准数字孪生方法、系统、设备及介质 | |
CN114119465A (zh) | 一种点云数据处理方法及装置 | |
CN114526724A (zh) | 一种用于巡检机器人的定位方法及设备 | |
CN113741550A (zh) | 移动机器人跟随方法和系统 | |
Wang et al. | Agv navigation based on apriltags2 auxiliary positioning |
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 |