CN115985122A - 无人驾驶系统感知方法 - Google Patents
无人驾驶系统感知方法 Download PDFInfo
- Publication number
- CN115985122A CN115985122A CN202211348581.9A CN202211348581A CN115985122A CN 115985122 A CN115985122 A CN 115985122A CN 202211348581 A CN202211348581 A CN 202211348581A CN 115985122 A CN115985122 A CN 115985122A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- detection
- fusion
- image
- detection algorithm
- 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 24
- 238000001514 detection method Methods 0.000 claims abstract description 82
- 230000004927 fusion Effects 0.000 claims abstract description 27
- 230000008447 perception Effects 0.000 claims abstract description 16
- 238000013135 deep learning Methods 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 239000000428 dust Substances 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000015556 catabolic process Effects 0.000 claims description 4
- 238000006731 degradation reaction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 206010047571 Visual impairment Diseases 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 239000003897 fog Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000000149 penetrating effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 239000000779 smoke Substances 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims 1
- 239000003245 coal Substances 0.000 description 11
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 240000004050 Pentaglottis sempervirens Species 0.000 description 1
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- Traffic Control Systems (AREA)
Abstract
本发明公开了无人驾驶系统感知方法，感知方法采用井下可通行区域检测算法、车道线检测算法、障碍物检测算法、信号灯检测算法和标识牌检测识别算法；井下可通行区域检测算法基于多个传感器的融合算法，包括原始数据级的融合和单个传感器感知结果的融合。本发明通过五类检测算法进而根据定位地图数据和车辆环境信息规划无人驾驶车辆行驶环境，使无人驾驶车辆感知定位地图数据和环境及车辆环境信息共同规划无人驾驶车辆行驶的路径，从而可以减少车辆安装传感器的数量，降低环境对传感器精度的影响，从而降低了无人驾驶系统行驶路径规划的成本，提高无人驾驶系统感知精确度。
Description
技术领域
本发明涉及煤矿生产技术领域，具体为无人驾驶系统感知方法。
背景技术
煤矿生产中根据运输任务不同，可分为主要运输和辅助运输，煤矿辅助运输泛指煤矿生产中除煤炭运输之外各种运输的总和，主要包括材料、设备和人员等的运输，目前国内外大中型井工煤矿较常用的新型高效辅助运输设备主要有无轨运输设备（无轨胶轮车）、轨道运输设备和单轨吊车三大类，我国西北煤田主力生产矿井以斜井开拓为主，主要采用无轨胶轮车完成煤矿辅助运输作业，由于煤矿辅助运输线路随工作地点的迁移而经常变化、运输线路水平和倾斜互相交错连接、运输线路环节多、待运物料品种繁多且形状各异等客观因素，导致井下辅助运输作业环节用工数量多、安全事故频发，国家八部委联合制定并发布了《关于加快煤矿智能化发展的指导意见》等文件，吹响了全国范围内煤矿智能化建设的冲锋号，作为煤矿智能化建设的关键环节，煤矿井下无轨胶轮车无人驾驶的研究正受到行业高度关注。
发明内容
本发明的目的在于提供无人驾驶系统感知方法，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：无人驾驶系统感知方法，感知方法采用井下可通行区域检测算法、车道线检测算法、障碍物检测算法、信号灯检测算法和标识牌检测识别算法；
井下可通行区域检测算法基于多个传感器的融合算法，包括原始数据级的融合和单个传感器感知结果的融合；
车道线检测算法基于深度学习的车道线检测算法，通过构建端到车道端的深度神经网络，技术实现车道线特征提取、车道线检测、俯仰角变换、车道线建模等一系列步骤，通过网络学习得到视角变换参数，确保了对道路平面变化的鲁棒性，使其不依赖于固定的、预定义的参数，拟合出直线/曲线的车道线模型；
障碍物检测算法针对摄像头、激光雷达、毫米波雷达，采用多传感器融合滤波算法对可通行区域进行检测与障碍物的识别，通过多传感器联合标定，将毫米波雷达与摄像头和激光雷达的检测目标进行融合，结合数据关联算法，通过多帧数据之间的关系稳定输出可通行区域与障碍物类别；
信号灯检测算法采用传统图像去抖动/去噪算法和深度学习算法相结合的方式检测交通信号灯，利用传统算法去除由车身抖动造成的重影，以及去除由反光造成的噪声，利用深度学习构建端到交通信号灯端的信号灯检测与识别模型，稳定识别出交通信号灯的状态；
标识牌检测识别算法采用基于RF射频识别和ZigBee互联的方案，在井下每个巷道口部署超高频RFID，在自动驾驶车辆上安装Impinj阅读器，在十几米外即可以检测到RFID标签，车辆可以提前做出相应判断。
优选的，所述井下可通行区域检测算法首先实现激光雷达和视觉图像像素级的精确定位关系，然后利用统一的深度学习架构来实现目标检测和场景分割，目标检测的结果和毫米波雷达来进行结果级融合，视觉识别车道线和交通标志的信息和地图中的信息进行匹配，最后可以得到行驶场景的感知表达，发送给预测规划模块进行进一步的分析决策，融合算法性能在MDC上可以同时处理5路视频、2路激光雷达和6个毫米波雷达的原始数据。
优选的，所述毫米波雷达采用30～300GHz(波长为1～10mm)的方案，毫米波的波长介于微波和厘米波之间，因此毫米波雷达兼有微波雷达和光电雷达的优点，毫米波雷达有穿透雾、烟、灰尘的能力强，可以满足全天候检测的能力，另外，毫米波雷达能分辨识别很小的目标，并且能同时识别多个目标。
优选的，所述激光雷达拥有发射激光束探测目标的位置、速度等特征，其原理是向目标发射探测信号，然后将接收到的从目标反射回来的信号与发射信号进行分析后获得目标的相对坐标信息，同时发射多个激光束就能获取目标的外部轮廓从而进行目标的识别，单个激光雷达的可通行区域检测算法，采用地面坡度阈值法对激光点云的地面进行局部分割，在局部范围内采用坡度阈值，可有效实现点云地面的分割，我们将激光数据转换成深度图像（range image），每个像素点存储测量物体的距离，计算激光上下两线之间地面检测的角度alpha，，其中ξa和ξb 分别为r-1行和r行对应的垂直方向的角度，计算得到角度图像，采用 Savitsky–Golay滤波进行平滑得到平滑后的角度图像，通过限制地面alpha的大小，并采用BFS算法进行遍历，即可较好的判别属于地面像素点，从而达到对凹凸不平与含一定坡度的地面进行局部分割的效果，继而检测出可通行区域。
优选的，所述摄像头一般具有视频拍摄、影像抓取等功能，它是由镜头采集图像后，由摄像头内的感光组件电路及控制组件对图像进行处理并转换成电脑所能识别的数字信号后由软件再进行图像还原，提供前后方视频画面，还提供了顶部视野的俯瞰图和侧方姿态图，给驾驶员提供了360°无死角的观察视野，针对单个摄像头的可通行区域的检测算法，采用传统图像去雾算法和深度学习算法相结合的方式，消除粉尘环境对图像质量的影响，增加图像的可视度，从而提高通信区域的可辨识度，传统去雾算法可根据具体工况联合采用暗通道先验、最大对比度、颜色衰减先验、色度不一致等方法，提高图像质量，而深度学习方法采用end2end系统，直接学习并估计传输率与有雾图像的关系，由特征提取、多尺度映射、局部极值和非线性回归训练组成的端到端去雾模型，利用神经网络来对大气退化模型中的t(x)进行估计，模型输入雾图，输出传输率t(x)映射图，然后通过大气退化模型来恢复无雾霾图像。
优选的，所述摄像头、激光雷达和毫米波雷达采用多传感器融合滤波算法对可通行区域进行检测，通过多传感器联合标定，将毫米波雷达与摄像头和激光雷达的检测目标进行融合，结合数据关联算法，通过多帧数据之间的关系稳定输出可通行区域。
优选的，所述标识牌检测识别算法中，在每个岔路口中安车辆检测装置，将车辆通行信息通过ZigBee发布到无线节点，车辆在经过巷道口时即可提前判断是否有车辆汇入，是否需要减速让行，每个RFID标签和Zigbee传输设备在巷道中都对应一个系坐标，利用此信息通过扩展卡尔曼滤波算法进行融合对车辆做定位辅助，RFID在不同的标识和巷道口安装RF标签，在岔道安装通行传感器，检测是否有测量通过，通过车和环境的通信感知岔路状况，从而判断是否需要减速让行，同时还可以辅助车辆进行全局定位。
与现有技术相比，本发明的有益效果如下：
本发明通过五类检测算法进而根据定位地图数据和车辆环境信息规划无人驾驶车辆行驶环境，使无人驾驶车辆感知定位地图数据和环境及车辆环境信息共同规划无人驾驶车辆行驶的路径，从而可以减少车辆安装传感器的数量，降低环境对传感器精度的影响，从而降低了无人驾驶系统行驶路径规划的成本，提高无人驾驶系统感知精确度。
附图说明
图1为本发明每个像素点存储测量物体的距离示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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前提下所获得的所有其他实施例，都属于本发明保护的范围。
无人驾驶系统感知方法，感知方法采用井下可通行区域检测算法、车道线检测算法、障碍物检测算法、信号灯检测算法和标识牌检测识别算法；
井下可通行区域检测算法基于多个传感器的融合算法，包括原始数据级的融合和单个传感器感知结果的融合；
车道线检测算法基于深度学习的车道线检测算法，通过构建端到车道端的深度神经网络，技术实现车道线特征提取、车道线检测、俯仰角变换、车道线建模等一系列步骤，通过网络学习得到视角变换参数，确保了对道路平面变化的鲁棒性，使其不依赖于固定的、预定义的参数，拟合出直线/曲线的车道线模型；
障碍物检测算法针对摄像头、激光雷达、毫米波雷达，采用多传感器融合滤波算法对可通行区域进行检测与障碍物的识别，通过多传感器联合标定，将毫米波雷达与摄像头和激光雷达的检测目标进行融合，结合数据关联算法，通过多帧数据之间的关系稳定输出可通行区域与障碍物类别；
信号灯检测算法采用传统图像去抖动/去噪算法和深度学习算法相结合的方式检测交通信号灯，利用传统算法去除由车身抖动造成的重影，以及去除由反光造成的噪声，利用深度学习构建端到交通信号灯端的信号灯检测与识别模型，稳定识别出交通信号灯的状态；
标识牌检测识别算法采用基于RF射频识别和ZigBee互联的方案，在井下每个巷道口部署超高频RFID，在自动驾驶车辆上安装Impinj阅读器，在十几米外即可以检测到RFID标签，车辆可以提前做出相应判断。
通过五类检测算法进而根据定位地图数据和车辆环境信息规划无人驾驶车辆行驶环境，使无人驾驶车辆感知定位地图数据和环境及车辆环境信息共同规划无人驾驶车辆行驶的路径，从而可以减少车辆安装传感器的数量，降低环境对传感器精度的影响，从而降低了无人驾驶系统行驶路径规划的成本，提高无人驾驶系统感知精确度。
井下可通行区域检测算法首先实现激光雷达和视觉图像像素级的精确定位关系，然后利用统一的深度学习架构来实现目标检测和场景分割，目标检测的结果和毫米波雷达来进行结果级融合，视觉识别车道线和交通标志的信息和地图中的信息进行匹配，最后可以得到行驶场景的感知表达，发送给预测规划模块进行进一步的分析决策，融合算法性能在MDC上可以同时处理5路视频、2路激光雷达和6个毫米波雷达的原始数据。
毫米波雷达采用30～300GHz(波长为1～10mm)的方案，毫米波的波长介于微波和厘米波之间，因此毫米波雷达兼有微波雷达和光电雷达的优点，毫米波雷达有穿透雾、烟、灰尘的能力强，可以满足全天候检测的能力，另外，毫米波雷达能分辨识别很小的目标，并且能同时识别多个目标。
激光雷达拥有发射激光束探测目标的位置、速度等特征，其原理是向目标发射探测信号，然后将接收到的从目标反射回来的信号与发射信号进行分析后获得目标的相对坐标信息，同时发射多个激光束就能获取目标的外部轮廓从而进行目标的识别，单个激光雷达的可通行区域检测算法，采用地面坡度阈值法对激光点云的地面进行局部分割，在局部范围内采用坡度阈值，可有效实现点云地面的分割，我们将激光数据转换成深度图像（range image），每个像素点存储测量物体的距离，计算激光上下两线之间地面检测的角度alpha，，其中ξa和ξb 分别为r-1行和r行对应的垂直方向的角度，计算得到角度图像，采用 Savitsky–Golay滤波进行平滑得到平滑后的角度图像，通过限制地面alpha的大小，并采用BFS算法进行遍历，即可较好的判别属于地面像素点，从而达到对凹凸不平与含一定坡度的地面进行局部分割的效果，继而检测出可通行区域。
摄像头一般具有视频拍摄、影像抓取等功能，它是由镜头采集图像后，由摄像头内的感光组件电路及控制组件对图像进行处理并转换成电脑所能识别的数字信号后由软件再进行图像还原，提供前后方视频画面，还提供了顶部视野的俯瞰图和侧方姿态图，给驾驶员提供了360°无死角的观察视野，针对单个摄像头的可通行区域的检测算法，采用传统图像去雾算法和深度学习算法相结合的方式，消除粉尘环境对图像质量的影响，增加图像的可视度，从而提高通信区域的可辨识度，传统去雾算法可根据具体工况联合采用暗通道先验、最大对比度、颜色衰减先验、色度不一致等方法，提高图像质量，而深度学习方法采用end2end系统，直接学习并估计传输率与有雾图像的关系，由特征提取、多尺度映射、局部极值和非线性回归训练组成的端到端去雾模型，利用神经网络来对大气退化模型中的t(x)进行估计，模型输入雾图，输出传输率t(x)映射图，然后通过大气退化模型来恢复无雾霾图像。
摄像头、激光雷达和毫米波雷达采用多传感器融合滤波算法对可通行区域进行检测，通过多传感器联合标定，将毫米波雷达与摄像头和激光雷达的检测目标进行融合，结合数据关联算法，通过多帧数据之间的关系稳定输出可通行区域。
标识牌检测识别算法中，在每个岔路口中安车辆检测装置，将车辆通行信息通过ZigBee发布到无线节点，车辆在经过巷道口时即可提前判断是否有车辆汇入，是否需要减速让行，每个RFID标签和Zigbee传输设备在巷道中都对应一个系坐标，利用此信息通过扩展卡尔曼滤波算法进行融合对车辆做定位辅助，RFID在不同的标识和巷道口安装RF标签，在岔道安装通行传感器，检测是否有测量通过，通过车和环境的通信感知岔路状况，从而判断是否需要减速让行，同时还可以辅助车辆进行全局定位。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.无人驾驶系统感知方法，其特征在于：感知方法采用井下可通行区域检测算法、车道线检测算法、障碍物检测算法、信号灯检测算法和标识牌检测识别算法；
井下可通行区域检测算法基于多个传感器的融合算法，包括原始数据级的融合和单个传感器感知结果的融合；
车道线检测算法基于深度学习的车道线检测算法，通过构建端到车道端的深度神经网络，技术实现车道线特征提取、车道线检测、俯仰角变换、车道线建模等一系列步骤，通过网络学习得到视角变换参数，确保了对道路平面变化的鲁棒性，使其不依赖于固定的、预定义的参数，拟合出直线/曲线的车道线模型；
障碍物检测算法针对摄像头、激光雷达、毫米波雷达，采用多传感器融合滤波算法对可通行区域进行检测与障碍物的识别，通过多传感器联合标定，将毫米波雷达与摄像头和激光雷达的检测目标进行融合，结合数据关联算法，通过多帧数据之间的关系稳定输出可通行区域与障碍物类别；
信号灯检测算法采用传统图像去抖动/去噪算法和深度学习算法相结合的方式检测交通信号灯，利用传统算法去除由车身抖动造成的重影，以及去除由反光造成的噪声，利用深度学习构建端到交通信号灯端的信号灯检测与识别模型，稳定识别出交通信号灯的状态；
标识牌检测识别算法采用基于RF射频识别和ZigBee互联的方案，在井下每个巷道口部署超高频RFID，在自动驾驶车辆上安装Impinj阅读器，在十几米外即可以检测到RFID标签，车辆可以提前做出相应判断。
2.根据权利要求1所述的无人驾驶系统感知方法，其特征在于：所述井下可通行区域检测算法首先实现激光雷达和视觉图像像素级的精确定位关系，然后利用统一的深度学习架构来实现目标检测和场景分割，目标检测的结果和毫米波雷达来进行结果级融合，视觉识别车道线和交通标志的信息和地图中的信息进行匹配，最后可以得到行驶场景的感知表达，发送给预测规划模块进行进一步的分析决策，融合算法性能在MDC上可以同时处理5路视频、2路激光雷达和6个毫米波雷达的原始数据。
3.根据权利要求2所述的无人驾驶系统感知方法，其特征在于：所述毫米波雷达采用30～300GHz(波长为1～10mm)的方案，毫米波的波长介于微波和厘米波之间，因此毫米波雷达兼有微波雷达和光电雷达的优点，毫米波雷达有穿透雾、烟、灰尘的能力强，可以满足全天候检测的能力，另外，毫米波雷达能分辨识别很小的目标，并且能同时识别多个目标。
4.根据权利要求2所述的无人驾驶系统感知方法，其特征在于：所述激光雷达拥有发射激光束探测目标的位置、速度等特征，其原理是向目标发射探测信号，然后将接收到的从目标反射回来的信号与发射信号进行分析后获得目标的相对坐标信息，同时发射多个激光束就能获取目标的外部轮廓从而进行目标的识别，单个激光雷达的可通行区域检测算法，采用地面坡度阈值法对激光点云的地面进行局部分割，在局部范围内采用坡度阈值，可有效实现点云地面的分割，我们将激光数据转换成深度图像（range image），每个像素点存储测量物体的距离，计算激光上下两线之间地面检测的角度alpha，，其中ξa和ξb 分别为r-1行和r行对应的垂直方向的角度，计算得到角度图像，采用 Savitsky–Golay滤波进行平滑得到平滑后的角度图像，通过限制地面alpha的大小，并采用BFS算法进行遍历，即可较好的判别属于地面像素点，从而达到对凹凸不平与含一定坡度的地面进行局部分割的效果，继而检测出可通行区域。
5.根据权利要求2所述的无人驾驶系统感知方法，其特征在于：所述摄像头一般具有视频拍摄、影像抓取等功能，它是由镜头采集图像后，由摄像头内的感光组件电路及控制组件对图像进行处理并转换成电脑所能识别的数字信号后由软件再进行图像还原，提供前后方视频画面，还提供了顶部视野的俯瞰图和侧方姿态图，给驾驶员提供了360°无死角的观察视野，针对单个摄像头的可通行区域的检测算法，采用传统图像去雾算法和深度学习算法相结合的方式，消除粉尘环境对图像质量的影响，增加图像的可视度，从而提高通信区域的可辨识度，传统去雾算法可根据具体工况联合采用暗通道先验、最大对比度、颜色衰减先验、色度不一致等方法，提高图像质量，而深度学习方法采用end2end系统，直接学习并估计传输率与有雾图像的关系，由特征提取、多尺度映射、局部极值和非线性回归训练组成的端到端去雾模型，利用神经网络来对大气退化模型中的t(x)进行估计，模型输入雾图，输出传输率t(x)映射图，然后通过大气退化模型来恢复无雾霾图像。
6.根据权利要求2所述的无人驾驶系统感知方法，其特征在于：所述摄像头、激光雷达和毫米波雷达采用多传感器融合滤波算法对可通行区域进行检测，通过多传感器联合标定，将毫米波雷达与摄像头和激光雷达的检测目标进行融合，结合数据关联算法，通过多帧数据之间的关系稳定输出可通行区域。
7.根据权利要求1所述的无人驾驶系统感知方法，其特征在于：所述标识牌检测识别算法中，在每个岔路口中安车辆检测装置，将车辆通行信息通过ZigBee发布到无线节点，车辆在经过巷道口时即可提前判断是否有车辆汇入，是否需要减速让行，每个RFID标签和Zigbee传输设备在巷道中都对应一个系坐标，利用此信息通过扩展卡尔曼滤波算法进行融合对车辆做定位辅助，RFID在不同的标识和巷道口安装RF标签，在岔道安装通行传感器，检测是否有测量通过，通过车和环境的通信感知岔路状况，从而判断是否需要减速让行，同时还可以辅助车辆进行全局定位。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211348581.9A CN115985122A (zh) | 2022-10-31 | 2022-10-31 | 无人驾驶系统感知方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211348581.9A CN115985122A (zh) | 2022-10-31 | 2022-10-31 | 无人驾驶系统感知方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115985122A true CN115985122A (zh) | 2023-04-18 |
Family
ID=85963603
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211348581.9A Pending CN115985122A (zh) | 2022-10-31 | 2022-10-31 | 无人驾驶系统感知方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115985122A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116518989A (zh) * | 2023-07-05 | 2023-08-01 | 新唐信通(浙江)科技有限公司 | 一种基于声音与热成像进行车辆导航的方法 |
| CN117130010A (zh) * | 2023-10-23 | 2023-11-28 | 青岛慧拓智能机器有限公司 | 用于无人驾驶的障碍物感知方法、系统及无人驾驶汽车 |
| CN117475115A (zh) * | 2023-11-11 | 2024-01-30 | 华中师范大学 | 虚实融合环境中路径引导系统及其工作方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102006020391A1 (de) * | 2006-04-28 | 2007-06-14 | Daimlerchrysler Ag | Detektion und Identifikation von Objekten mit geringer Höhenausdehnung mittels eines Multisensorsystems |
| CN107161141A (zh) * | 2017-03-08 | 2017-09-15 | 深圳市速腾聚创科技有限公司 | 无人驾驶汽车系统及汽车 |
| CN110033457A (zh) * | 2019-03-11 | 2019-07-19 | 北京理工大学 | 一种目标点云分割方法 |
| CN110244322A (zh) * | 2019-06-28 | 2019-09-17 | 东南大学 | 基于多源传感器的路面施工机器人环境感知系统及方法 |
| WO2020216316A1 (zh) * | 2019-04-26 | 2020-10-29 | 纵目科技（上海）股份有限公司 | 基于毫米波雷达的辅助驾驶系统、方法、终端和介质 |
| CN113359752A (zh) * | 2021-06-24 | 2021-09-07 | 中煤科工开采研究院有限公司 | 一种井工煤矿料车自动驾驶方法 |
| WO2021238306A1 (zh) * | 2020-05-25 | 2021-12-02 | 华为技术有限公司 | 一种激光点云的处理方法及相关设备 |
| CN113759391A (zh) * | 2021-08-27 | 2021-12-07 | 武汉大学 | 一种基于激光雷达的可通行区域检测方法 |
| CN113820714A (zh) * | 2021-09-07 | 2021-12-21 | 重庆驰知科技有限公司 | 一种基于多传感器融合的尘雾天气道路环境感知系统 |
-
2022
- 2022-10-31 CN CN202211348581.9A patent/CN115985122A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102006020391A1 (de) * | 2006-04-28 | 2007-06-14 | Daimlerchrysler Ag | Detektion und Identifikation von Objekten mit geringer Höhenausdehnung mittels eines Multisensorsystems |
| CN107161141A (zh) * | 2017-03-08 | 2017-09-15 | 深圳市速腾聚创科技有限公司 | 无人驾驶汽车系统及汽车 |
| CN110033457A (zh) * | 2019-03-11 | 2019-07-19 | 北京理工大学 | 一种目标点云分割方法 |
| WO2020216316A1 (zh) * | 2019-04-26 | 2020-10-29 | 纵目科技（上海）股份有限公司 | 基于毫米波雷达的辅助驾驶系统、方法、终端和介质 |
| CN110244322A (zh) * | 2019-06-28 | 2019-09-17 | 东南大学 | 基于多源传感器的路面施工机器人环境感知系统及方法 |
| WO2021238306A1 (zh) * | 2020-05-25 | 2021-12-02 | 华为技术有限公司 | 一种激光点云的处理方法及相关设备 |
| CN113359752A (zh) * | 2021-06-24 | 2021-09-07 | 中煤科工开采研究院有限公司 | 一种井工煤矿料车自动驾驶方法 |
| CN113759391A (zh) * | 2021-08-27 | 2021-12-07 | 武汉大学 | 一种基于激光雷达的可通行区域检测方法 |
| CN113820714A (zh) * | 2021-09-07 | 2021-12-21 | 重庆驰知科技有限公司 | 一种基于多传感器融合的尘雾天气道路环境感知系统 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116518989A (zh) * | 2023-07-05 | 2023-08-01 | 新唐信通(浙江)科技有限公司 | 一种基于声音与热成像进行车辆导航的方法 |
| CN116518989B (zh) * | 2023-07-05 | 2023-09-12 | 新唐信通(浙江)科技有限公司 | 一种基于声音与热成像进行车辆导航的方法 |
| CN117130010A (zh) * | 2023-10-23 | 2023-11-28 | 青岛慧拓智能机器有限公司 | 用于无人驾驶的障碍物感知方法、系统及无人驾驶汽车 |
| CN117130010B (zh) * | 2023-10-23 | 2024-05-24 | 青岛慧拓智能机器有限公司 | 用于无人驾驶的障碍物感知方法、系统及无人驾驶汽车 |
| CN117475115A (zh) * | 2023-11-11 | 2024-01-30 | 华中师范大学 | 虚实融合环境中路径引导系统及其工作方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107161141B (zh) | 无人驾驶汽车系统及汽车 | |
| CN115985122A (zh) | 无人驾驶系统感知方法 | |
| US20220001872A1 (en) | Semantic lane description | |
| US10311719B1 (en) | Enhanced traffic detection by fusing multiple sensor data | |
| GB2620695A (en) | Systems and methods for vehicle navigation | |
| CN101966846B (zh) | 通过物体检测优化的检测车辆行驶的畅通路径的方法 | |
| GB2613692A (en) | Systems and methods for vehicle navigation | |
| CN101944176A (zh) | 存在交通设施标识的更优畅通路径检测 | |
| CN109905847B (zh) | Gnss盲区智能车辅助定位系统累积误差的协同校正系统及方法 | |
| CN113820714B (zh) | 一种基于多传感器融合的尘雾天气道路环境感知系统 | |
| CN112147615B (zh) | 一种基于全天候环境监测系统的无人驾驶感知方法 | |
| CN101929867A (zh) | 使用道路模型的畅通路径检测 | |
| US20120163671A1 (en) | Context-aware method and apparatus based on fusion of data of image sensor and distance sensor | |
| CN110095770A (zh) | 车辆周边目标物的检测方法 | |
| CN102201054A (zh) | 一种基于鲁棒统计的行道线检测方法 | |
| Musleh et al. | Uv disparity analysis in urban environments | |
| US11676403B2 (en) | Combining visible light camera and thermal camera information | |
| CN112101316B (zh) | 一种目标检测方法及系统 | |
| CN111506069B (zh) | 一种全天候全地面起重机障碍识别系统及方法 | |
| CN112034423B (zh) | 基于led可见光通信的高精度移动车辆定位方法 | |
| US11774578B2 (en) | Automotive sensor integration module | |
| CN115755026A (zh) | 车辆引导方法及车辆 | |
| CN114299715A (zh) | 一种基于视频、激光雷达与dsrc的高速公路信息检测系统 | |
| CN114084129A (zh) | 一种基于融合的车辆自动驾驶控制方法及系统 | |
| JP6500606B2 (ja) | 自車位置判定装置及び自車位置判定方法 |
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 |