CN115981337A - 基于多源信息的井下无人驾驶车辆的决策系统及方法 - Google Patents
基于多源信息的井下无人驾驶车辆的决策系统及方法 Download PDFInfo
- Publication number
- CN115981337A CN115981337A CN202310065735.1A CN202310065735A CN115981337A CN 115981337 A CN115981337 A CN 115981337A CN 202310065735 A CN202310065735 A CN 202310065735A CN 115981337 A CN115981337 A CN 115981337A
- Authority
- CN
- China
- Prior art keywords
- radar sensor
- vehicle
- obstacle
- data
- millimeter wave
- 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
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 22
- 230000004927 fusion Effects 0.000 claims description 17
- 230000005540 biological transmission Effects 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 9
- 230000004888 barrier function Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 230000001174 ascending effect Effects 0.000 claims description 2
- 239000003245 coal Substances 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开的基于多源信息的井下无人驾驶车辆的决策系统及方法,涉及煤矿智能化辅助运输技术领域。该系统包括激光雷达传感器、毫米波雷达传感器、超声波雷达传感器、双目相机、边缘计算模块、can转以太网模块、交换机、车载工控机。本发明通过采集汇总井下无人驾驶车辆多种传感器感知的数据,根据不同传感器性能对多源感知信息进行决策,以发挥不同传感器优势,利用多源感知信息对矿井无人驾驶车辆进行高效准确的决策,确保矿井无人驾驶车辆在井下巷道内安全行驶,实现矿井无人驾驶车辆无人化、少人化作业。
Description
技术领域
本发明涉及煤矿智能化辅助运输技术领域,具体涉及基于多源信息的井下无人驾驶车辆的决策系统及方法。
背景技术
矿井无人驾驶车辆是煤矿辅助运输领域研究的主要内容之一,研究人员常利用多种类型传感器来增强矿井无人驾驶车辆的环境感知能力。各类传感器均具备不同的数据类型与感知优势,如超声波雷达提供声波距离数据,适合在慢速条件下对障碍信息的距离进行感知;激光雷达提供点云数据,可在单轨吊运行过程中根据多种点云计算方法判断障碍物距离。
但是,矿井井下无人驾驶车辆运行在煤矿巷道中,与地面环境相比环境较为恶劣,巷道内粉尘大、照度低、视野狭长,这就对矿井无人驾驶车辆的决策提出了更高的要求,而现有的矿井无人驾驶车辆决策方法并不能充分发挥不同传感器性能优势来克服恶劣环境。
发明内容
为了克服上述现有技术的不足之处,本发明公开了一种矿井无人驾驶车辆多源信息智能决策系统及方法,通过采集汇总井下无人驾驶车辆多种传感器感知的数据,根据不同传感器性能对多源感知信息进行决策,以发挥不同传感器优势,利用多源感知信息对矿井无人驾驶车辆进行高效准确的决策,确保矿井无人驾驶车辆在井下巷道内的安全行驶,实现矿井无人驾驶车辆无人化、少人化作业。
根据本发明的目的提出的基于多源信息的井下无人驾驶车辆的决策系统,包括用于采集车辆行驶前方区域三维点云数据的激光雷达传感器;用于采集车辆行驶前方区域二维点云数据的毫米波雷达传感器;用于采集车辆行驶前方区域声波距离数据的超声波雷达传感器;用于采集车辆前方行驶区域景深数据与目标类别数据的双目相机;用于井下建图与实时位置计算的边缘计算模块;用于将超声波雷达传感器数据、毫米波雷达传感器数据以及边缘计算模块定位信息从can传输方式转换为以太网传输的can转以太网模块;用于连接双目相机、激光雷达传感器、can转以太网模块和车载工控机的交换机;用于与交换机直接连接,采集所有数据的车载工控机。
本发明另外公开的基于多源信息的井下无人驾驶车辆的决策方法,包括以下步骤:
步骤一:井下无人驾驶车辆上电,采集解析激光雷达传感器、毫米波雷达传感器、超声波雷达传感器、双目相机数据。
步骤二:井下无人驾驶车辆开始行驶,同时判断毫米波雷达传感器和超声波雷达传感器信息;当毫米波雷达传感器检测到车辆前方有横穿行人或横穿动态障碍物和或超声波雷达传感器判断车辆前方2米内存在障碍物时,快速对井下无人驾驶车辆进行制动,待障碍物清除后再启动,否则车辆正常行驶。
步骤三:判断井下无人驾驶车辆车速,当车速大于2m/s时停止超声波雷达传感器的距离监测,采集解析车辆定位数据;否则继续保持超声波雷达传感器的距离监测。
步骤四:根据定位信息判断当前巷道环境为恶劣环境巷道还是优良环境巷道;当定位信息显示井底车场、辅助运输大巷、辅助运输上山、辅助运输下山,则判断巷道类型为优良环境巷道,通过调用双目相机、毫米波雷达传感器、激光雷达传感器,采集毫米波雷达传感器探测到的障碍物坐标位置信息、激光雷达传感器采集到的障碍物的坐标位置信息以及双目相机采集到的坐标位置信息与类别信息;当定位信息显示轨道运输顺槽,则判断巷道类型为恶劣环境巷道,通过调用毫米波雷达传感器、激光雷达传感器,采集毫米波雷达传感器探测到的障碍物坐标位置信息与类别信息、激光雷达传感器采集到的障碍物的坐标位置信息。
步骤五:利用公式对采集到的不同传感器感知数据进行融合:
在优良环境巷道内,若存在障碍物,则设毫米波雷达传感器探测障碍物的位置坐标为(xm,ym,zm),激光雷达传感器探测障碍物的位置坐标为(xl,yl,zl),双目相机探测障碍物的位置坐标为(xc,yc,zc),若xl-xm<de且xl-xc<de,则开始进行数据融合,融合公式为:D=xlwl+xmwm+xcwc,结合双目相机检测到的障碍物类别信息,确定前方障碍物的类别与距离;否则D=xl,确定前方障碍物的最终距离;其中,w为不同传感器对检测距离的权重,de为最大误差值,取值0.1m,D为障碍物最终距离;若未监测到障碍物,则车辆正常匀速行驶。
在恶劣环境巷道内,若存在障碍物,则设毫米波雷达传感器探测障碍物的位置坐标为(xm,ym,zm),激光雷达传感器探测障碍物的位置坐标为(xl,yl,zl),若xl-xm<de,则开始进行数据融合,融合公式为:D=xlwl+xmwm,否则D=xl,确定前方障碍物的最终距离;其中,w为不同传感器对检测距离的权重,de为最大误差值,取值0.1m,D为障碍物最终距离;若未监测到障碍物,则车辆正常匀速行驶。
步骤六:根据步骤五得到的障碍物最终距离D,向井下无人驾驶车辆发送不同控制指令,当距离为小于2米时,车辆停止;当距离为2-7米时车辆减速运行;当距离大于7米时,车辆匀速运行。
步骤七:清除障碍物后,车辆正常匀速行驶,重复二-六持续进行障碍物监测。
优选的,激光雷达传感器通过ros话题进行数据的传播,车载工控机订阅激光雷达话题,采集点云数据;毫米波雷达传感器通过can转以太网进行数据传播,车载工控机利用socket通信协议解析毫米波雷达数据;超声波雷达传感器通过can转以太网进行数据传播,车载工控机利用socket通信协议解析超声波雷达数据;双目相机通过以太网进行数据的传播,车载工控机利用rtsp协议解析图像流数据。
优选的,步骤三中,通过边缘计算模块获取井下建图与实时位置计算,通过can转以太网将定位信息传输,车载工控机利用socket通信协议解析定位数据。
与现有技术相比,本发明公开的基于多源信息的井下无人驾驶车辆的决策系统及方法的优点是:
本发明通过采集解析井下无人驾驶车辆多种传感器感知的数据,根据不同传感器性能以及适应场景,确定车辆在不同环境下传感器的最优组合方案,充分发挥不同传感器的优势,调用最优方案下的传感器,利用最优方案下的多源感知信息对矿井无人驾驶车辆进行高效准确的决策。本发明充分考虑了矿井车辆运行环境的特殊性,可以高效发挥矿井无人驾驶车辆不同传感器的性能,决策速度快,实时动态监测车辆行驶环境,及时控制车辆躲避障碍物,保障矿井无人驾驶车辆在井下巷道内安全行驶,实现矿井无人驾驶车辆无人化、少人化作业。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做简单的介绍,显而易见的,下面描述中的附图仅仅是本发明的一些实施例,对于本领域中的普通技术人员来说,在不付出创造性劳动的前提下,还可根据这些附图获得其他附图。
图1为本发明实施例中决策方法的流程示意图。
图2为本发明实施例中决策系统结构图。
图中:1-激光雷达传感器;2-双目相机;3-毫米波雷达传感器;4-超声波雷达传感器;5-边缘计算模块;6-can转以太网模块;7-车载工控机;8-交换机。
具体实施方式
下面结合附图对本发明的具体实施方式做简要说明。显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部实施例,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,均属于本发明保护的范围。
图1-图2以单轨吊为例,对本发明进行了详细的剖析。
如图2所示,该决策系统包括用于采集单轨吊行驶前方区域三维点云数据的激光雷达传感器1;用于采集单轨吊行驶前方区域二维点云数据的毫米波雷达传感器3;用于采集单轨吊行驶前方区域声波距离数据的超声波雷达传感器4;用于采集单轨吊前方行驶区域景深数据与目标类别数据的双目相机2;用于井下建图与实时位置计算的边缘计算模块5;用于将超声波雷达传感器4数据、毫米波雷达传感器3数据以及边缘计算模块5定位信息从can传输方式转换为以太网传输的can转以太网模块6;用于连接双目相机2、激光雷达传感器1、can转以太网模块6和车载工控机7的交换机8;用于与交换机8直接连接,采集所有数据的车载工控机7。
如图1所示,本发明另外公开的基于多源信息的井下无人驾驶车辆的决策方法,包括以下步骤:
步骤一:单轨吊上电,采集解析激光雷达传感器1、毫米波雷达传感器3、超声波雷达传感器4、双目相机2数据。这个时候解析数据是对每个传感器的数据都进行决策了,目的是后期根据环境调用不同的传感器组合时可以直接根据步骤一每个传感器决策的结果进行融合决策。
激光雷达传感器1通过ros话题进行数据的传播,车载工控机7订阅激光雷达话题,采集点云数据;毫米波雷达传感器3通过can转以太网进行数据传播,车载工控机7利用socket通信协议解析毫米波雷达数据;超声波雷达传感器4通过can转以太网进行数据传播,车载工控机7利用socket通信协议解析超声波雷达数据;双目相机2通过以太网进行数据的传播,车载工控机7利用rtsp协议解析图像流数据。
步骤二:单轨吊开始行驶,同时判断毫米波雷达传感器3和超声波雷达传感器4信息;当毫米波雷达传感器3检测到单轨吊前方有横穿行人或横穿动态障碍物和或超声波雷达传感器4判断单轨吊前方2米内存在障碍物时,快速对单轨吊进行制动,待障碍物清除后再启动,否则单轨吊正常行驶。
步骤三:判断单轨吊车速,当车速大于2m/s时停止超声波雷达传感器4的距离监测,通过边缘计算模块5获取井下建图与实时位置计算,通过can转以太网将定位信息传输,车载工控机7利用socket通信协议解析定位数据;否则继续保持超声波雷达传感器4的距离监测。
步骤四:根据定位信息判断当前巷道环境为恶劣环境巷道还是优良环境巷道;当定位信息显示井底车场、辅助运输大巷、辅助运输上山、辅助运输下山,则判断巷道类型为优良环境巷道,通过调用双目相机2、毫米波雷达传感器3、激光雷达传感器1,采集毫米波雷达传感器3探测到的障碍物坐标位置信息、激光雷达传感器1采集到的障碍物的坐标位置信息以及双目相机2采集到的坐标位置信息与类别信息;当定位信息显示轨道运输顺槽,则判断巷道类型为恶劣环境巷道,通过调用毫米波雷达传感器3、激光雷达传感器1,采集毫米波雷达传感器3探测到的障碍物坐标位置信息与类别信息、激光雷达传感器1采集到的障碍物的坐标位置信息。
步骤五:利用公式对采集到的不同传感器感知数据进行融合:
在优良环境巷道内,若存在障碍物,则设毫米波雷达传感器3探测障碍物的位置坐标为(xm,ym,zm),激光雷达传感器1探测障碍物的位置坐标为(xl,yl,zl),双目相机2探测障碍物的位置坐标为(xc,yc,zc),其中,x代表正前方方向,y代表正左方向,z代表垂直方向,以x来代表障碍物到单轨吊的距离,对激光雷达传感器1、毫米波雷达传感器3、双目相机2所监测的距离进行融合计算,若xl-xm<de且xl-xc<de,则开始进行数据融合,融合公式为:D=xlwl+xmwm+xcwc,结合双目相机2检测到的障碍物类别信息,确定前方障碍物的类别与距离;否则D=xl,确定前方障碍物的最终距离;其中,w为不同传感器对检测距离的权重,为可变参数,取值范围大于0小于1,需根据工程现场状况,实测后进行调参确定最优值;de为最大误差值,取值0.1m,D为障碍物最终距离;若未监测到障碍物,则单轨吊正常匀速行驶。
在恶劣环境巷道内,若存在障碍物,则设毫米波雷达传感器3探测障碍物的位置坐标为(xm,ym,zm),激光雷达传感器1探测障碍物的位置坐标为(xl,yl,zl),其中,x代表正前方方向,y代表正左方向,z代表垂直方向,以x来代表障碍物到单轨吊的距离,对激光雷达传感器1、毫米波雷达传感器3所监测的距离进行融合计算,若xl-xm<de,则开始进行数据融合,融合公式为:D=xlwl+xmwm,否则D=xl,确定前方障碍物的最终距离;其中,w为不同传感器对检测距离的权重,为可变参数,取值范围大于0小于1,需根据工程现场状况,实测后进行调参确定最优值;de为最大误差值,取值0.1m,D为障碍物最终距离;若未监测到障碍物,则单轨吊正常匀速行驶。
步骤六:根据步骤五得到的障碍物最终距离D,向单轨吊发送不同控制指令,当距离为小于2米时,单轨吊停止;当距离为2-7米时单轨吊减速运行;当距离大于7米时,单轨吊匀速运行。
步骤七:清除障碍物后,单轨吊正常匀速行驶,重复二-六持续进行障碍物监测。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现和使用本发明。对这些实施例的多种修改方式对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神和范围的情况下,在其他实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (4)
1.一种基于多源信息的井下无人驾驶车辆的决策系统,其特征在于,包括用于采集车辆行驶前方区域三维点云数据的激光雷达传感器(1);用于采集车辆行驶前方区域二维点云数据的毫米波雷达传感器(3);用于采集车辆行驶前方区域声波距离数据的超声波雷达传感器(4);用于采集车辆前方行驶区域景深数据与目标类别数据的双目相机(2);用于井下建图与实时位置计算的边缘计算模块(5);用于将超声波雷达传感器(4)数据、毫米波雷达传感器(3)数据以及边缘计算模块(5)定位信息从can传输方式转换为以太网传输的can转以太网模块(6);用于连接双目相机(2)、激光雷达传感器(1)、can转以太网模块(6)和车载工控机(7)的交换机(8);用于与交换机(8)直接连接,采集所有数据的车载工控机(7)。
2.一种基于多源信息的井下无人驾驶车辆的决策方法,其特征在于,包括以下步骤:
步骤一:井下无人驾驶车辆上电,采集解析激光雷达传感器(1)、毫米波雷达传感器(3)、超声波雷达传感器(4)、双目相机(2)数据;
步骤二:井下无人驾驶车辆开始行驶,同时判断毫米波雷达传感器(3)和超声波雷达传感器(4)信息;当毫米波雷达传感器(3)检测到车辆前方有横穿行人或横穿动态障碍物和或超声波雷达传感器(4)判断车辆前方2米内存在障碍物时,快速对井下无人驾驶车辆进行制动,待障碍物清除后再启动,否则车辆正常行驶;
步骤三:判断井下无人驾驶车辆车速,当车速大于2m/s时停止超声波雷达传感器(4)的距离监测,采集解析车辆定位数据;否则继续保持超声波雷达传感器(4)的距离监测;
步骤四:根据定位信息判断当前巷道环境为恶劣环境巷道还是优良环境巷道;当定位信息显示井底车场、辅助运输大巷、辅助运输上山、辅助运输下山,则判断巷道类型为优良环境巷道,通过调用双目相机(2)、毫米波雷达传感器(3)、激光雷达传感器(1),采集毫米波雷达传感器(3)探测到的障碍物坐标位置信息、激光雷达传感器(1)采集到的障碍物的坐标位置信息以及双目相机(2)采集到的坐标位置信息与类别信息;当定位信息显示轨道运输顺槽,则判断巷道类型为恶劣环境巷道,通过调用毫米波雷达传感器(3)、激光雷达传感器(1),采集毫米波雷达传感器(3)探测到的障碍物坐标位置信息与类别信息、激光雷达传感器(1)采集到的障碍物的坐标位置信息;
步骤五:利用公式对采集到的不同传感器感知数据进行融合:
在优良环境巷道内,若存在障碍物,则设毫米波雷达传感器(3)探测障碍物的位置坐标为(xm,ym,zm),激光雷达传感器(1)探测障碍物的位置坐标为(xl,yl,zl),双目相机(2)探测障碍物的位置坐标为(xc,yc,zc),若xl-xm<de且xl-xc<de,则开始进行数据融合,融合公式为:D=xlwl+xmwm+xcwc,结合双目相机(2)检测到的障碍物类别信息,确定前方障碍物的类别与距离;否则D=xl,确定前方障碍物的最终距离;其中,w为不同传感器对检测距离的权重,de为最大误差值,取值0.1m,D为障碍物最终距离;若未监测到障碍物,则车辆正常匀速行驶;
在恶劣环境巷道内,若存在障碍物,则设毫米波雷达传感器(3)探测障碍物的位置坐标为(xm,ym,zm),激光雷达传感器(1)探测障碍物的位置坐标为(xl,yl,zl),若xl-xm<de,则开始进行数据融合,融合公式为:D=xlwl+xmwm,否则D=xl,确定前方障碍物的最终距离;其中,w为不同传感器对检测距离的权重,de为最大误差值,取值0.1m,D为障碍物最终距离;若未监测到障碍物,则车辆正常匀速行驶;
步骤六:根据步骤五得到的障碍物最终距离D,向井下无人驾驶车辆发送不同控制指令,当距离为小于2米时,车辆停止;当距离为2-7米时车辆减速运行;当距离大于7米时,车辆匀速运行;
步骤七:清除障碍物后,车辆正常匀速行驶,重复二-六持续进行障碍物监测。
3.根据权利要求2所述的一种基于多源信息的井下无人驾驶车辆的决策方法,其特征在于,激光雷达传感器(1)通过ros话题进行数据的传播,车载工控机(7)订阅激光雷达话题,采集点云数据;毫米波雷达传感器(3)通过can转以太网进行数据传播,车载工控机(7)利用socket通信协议解析毫米波雷达数据;超声波雷达传感器(4)通过can转以太网进行数据传播,车载工控机(7)利用socket通信协议解析超声波雷达数据;双目相机(2)通过以太网进行数据的传播,车载工控机(7)利用rtsp协议解析图像流数据。
4.根据权利要求2所述的一种基于多源信息的井下无人驾驶车辆的决策方法,其特征在于,步骤三中,通过边缘计算模块(5)获取井下建图与实时位置计算,通过can转以太网将定位信息传输,车载工控机(7)利用socket通信协议解析定位数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310065735.1A CN115981337B (zh) | 2023-01-18 | 2023-01-18 | 基于多源信息的井下无人驾驶车辆的决策系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310065735.1A CN115981337B (zh) | 2023-01-18 | 2023-01-18 | 基于多源信息的井下无人驾驶车辆的决策系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115981337A true CN115981337A (zh) | 2023-04-18 |
CN115981337B CN115981337B (zh) | 2023-11-17 |
Family
ID=85972387
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310065735.1A Active CN115981337B (zh) | 2023-01-18 | 2023-01-18 | 基于多源信息的井下无人驾驶车辆的决策系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115981337B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117308900A (zh) * | 2023-11-30 | 2023-12-29 | 中国矿业大学 | 井下运输车移动测量系统、运载通行状态模拟与监测方法 |
CN117788592A (zh) * | 2024-02-26 | 2024-03-29 | 北京理工大学前沿技术研究院 | 一种矿井车辆的雷达点云处理装置、方法、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111824180A (zh) * | 2020-06-29 | 2020-10-27 | 安徽海博智能科技有限责任公司 | 具有融合避障功能的无人矿车自动驾驶控制系统 |
CN113110434A (zh) * | 2021-04-06 | 2021-07-13 | 中国矿业大学 | 一种无驾驶舱式井下无人驾驶电机车及其控制方法 |
WO2021259344A1 (zh) * | 2020-06-24 | 2021-12-30 | 中国第一汽车股份有限公司 | 车辆检测方法、装置、车辆和存储介质 |
CN114841260A (zh) * | 2022-04-28 | 2022-08-02 | 西安交通大学 | 矿井下多传感器信息融合自主避障导航方法 |
-
2023
- 2023-01-18 CN CN202310065735.1A patent/CN115981337B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021259344A1 (zh) * | 2020-06-24 | 2021-12-30 | 中国第一汽车股份有限公司 | 车辆检测方法、装置、车辆和存储介质 |
CN111824180A (zh) * | 2020-06-29 | 2020-10-27 | 安徽海博智能科技有限责任公司 | 具有融合避障功能的无人矿车自动驾驶控制系统 |
CN113110434A (zh) * | 2021-04-06 | 2021-07-13 | 中国矿业大学 | 一种无驾驶舱式井下无人驾驶电机车及其控制方法 |
CN114841260A (zh) * | 2022-04-28 | 2022-08-02 | 西安交通大学 | 矿井下多传感器信息融合自主避障导航方法 |
Non-Patent Citations (2)
Title |
---|
DANIEL GUSLAND ET AL.: "Imaging radar for navigation and surveillance on an autonomous unmanned ground vehicle capable of detecting obstacles obscured by vegetation", 2019 IEEE RADAR CONFERENCE (RADARCONF) * |
宋德军等: "少人化智能煤矿掘进、辅助运输、辅助作业技术与装备", 智能矿山, vol. 3, no. 7, pages 63 - 69 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117308900A (zh) * | 2023-11-30 | 2023-12-29 | 中国矿业大学 | 井下运输车移动测量系统、运载通行状态模拟与监测方法 |
CN117308900B (zh) * | 2023-11-30 | 2024-02-09 | 中国矿业大学 | 井下运输车移动测量系统、运载通行状态模拟与监测方法 |
CN117788592A (zh) * | 2024-02-26 | 2024-03-29 | 北京理工大学前沿技术研究院 | 一种矿井车辆的雷达点云处理装置、方法、设备及介质 |
CN117788592B (zh) * | 2024-02-26 | 2024-06-07 | 北京理工大学前沿技术研究院 | 一种矿井车辆的雷达点云处理装置、方法、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115981337B (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115981337A (zh) | 基于多源信息的井下无人驾驶车辆的决策系统及方法 | |
CN106769085B (zh) | 自动驾驶车辆避让动态障碍物能力的测试方法及测试场 | |
CN113792566B (zh) | 一种激光点云的处理方法及相关设备 | |
CN104290753A (zh) | 一种前方车辆运动状态追踪预测装置及其预测方法 | |
CN102837658A (zh) | 一种智能车辆中多激光雷达数据融合系统和方法 | |
CN114442101B (zh) | 基于成像毫米波雷达的车辆导航方法、装置、设备及介质 | |
CN110807412B (zh) | 一种车辆激光定位的方法、车载设备和存储介质 | |
CN114783170B (zh) | 一种智能无人驾驶车辆编队系统 | |
KR102505867B1 (ko) | 라이다 센서를 이용한 다중 차량 데이터 분석 및 교통 신호 제어 방법 및 시스템 | |
JP6717778B2 (ja) | 道路リンク情報更新装置及び車両制御システム | |
KR101510745B1 (ko) | 차량의 무인 자율주행 시스템 | |
CN114415171A (zh) | 一种基于4d毫米波雷达的汽车可行驶区域检测方法 | |
CN116811916A (zh) | 一种基于5g车路协同的自动驾驶系统 | |
KR20230039485A (ko) | 메트릭을 사용한 상황 평가를 이용한 작동 엔벨로프 검출 | |
El-Hassan | Experimenting with sensors of a low-cost prototype of an autonomous vehicle | |
CN114537374A (zh) | 一种基于可行驶区域的车辆前方防碰撞系统 | |
CN204124125U (zh) | 一种前方车辆运动状态追踪预测装置 | |
WO2021110166A1 (zh) | 道路结构检测方法及装置 | |
CN117268417A (zh) | 一种自动驾驶车辆的路径规划方法 | |
KR20210116856A (ko) | 스테레오 카메라와 라이다를 이용한 무인차량의 주행 제어 시스템 | |
CN109917792B (zh) | 一种基于无人驾驶观光电动车的自主防碰撞系统 | |
Hu et al. | A review of research on traffic conflicts based on intelligent vehicles perception technology | |
CN115985109B (zh) | 一种无人驾驶矿车环境感知方法和系统 | |
CN114394090B (zh) | 一种车路协同虚拟前障碍物感应系统 | |
CN115792911B (zh) | 一种基于毫米波雷达的障碍物监测识别方法 |
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 |