CN116009563A - 一种融合激光雷达与深度相机的机器人无人划线方法 - Google Patents
一种融合激光雷达与深度相机的机器人无人划线方法 Download PDFInfo
- Publication number
- CN116009563A CN116009563A CN202310303037.0A CN202310303037A CN116009563A CN 116009563 A CN116009563 A CN 116009563A CN 202310303037 A CN202310303037 A CN 202310303037A CN 116009563 A CN116009563 A CN 116009563A
- Authority
- CN
- China
- Prior art keywords
- road
- image
- scribing
- laser radar
- 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.)
- Granted
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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
-
- 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
Abstract
本发明涉及一种融合激光雷达与深度相机的机器人无人划线方法,通过前置深度相机获取道路信息的深度图像,对深度图像进行处理后,通过像素比例尺最终得到边界坐标及目前位置所对应的横向偏差及转角误差;同时后置深度相机则对道路标线进行检测,通过对深度图像进行解析,判断其划线长度,当达到预定长度时终止划线工作,确保划线精准。激光雷达通过对道路表面进行三维扫描进而进行建模,最终形成点云图像。本发明通过对路面信息进行采用粒子群算法进行训练,针对不同路况下的驱动轮转速进行控制,从而针对不同路面控制不同轮子转速比,确保整体无人划线机器人的稳定直行。
Description
技术领域
本发明属于高压辅助电源应用技术领域,尤其是一种融合激光雷达与深度相机的机器人无人划线方法。
背景技术
目前已有的无人道路划线机器人中所主要采用的CCD目标识别技术、GPS定位技术、超声波传感技术。其中CCD目标识别是一种被动式测量方法,主要以机器视觉为基础,通过采用图像传感器获取道路的二维图像信息,并对二维图像信息进行高层数据处理从而预测并计算出第三维度的深度信息,其计算量十分庞大,并在划线机器人运动中,被动测距方式将会产生滞后性。而GPS定位技术则依靠卫星定位系统对划线机器人的位置信息进行判断。然而GPS卫星定位无法满足划线精度要求,同时GPS无法进行高度信息的检测,在桥梁,高速公路等地点的绘制时会产生较大误差。而超声波传感技术相较于前两种检测,其采用20kHz以上的短波长定向散射波进行检测,然而其角度检测分辨率较低,最大探测距离较短,仍然拥有着局限性。
发明内容
本发明的目的在于克服现有技术的不足,提出一种融合激光雷达与深度相机的机器人无人划线方法,采用激光雷达的三维信息与双目视觉深度相机的二维信息进行耦合和修正,进而实现对于划线道路的检测,建模及路线规划。本发明大大提升目前无人划线机器人的划线精度,从而减少目前道路划线所耗费的人力物力成本,实现公路基建领域的智能化目标。
本发明解决其技术问题是采取以下技术方案实现的:
一种融合激光雷达与深度相机的机器人无人划线方法,包括道路路况检测方法和划线辨别纠偏方法,其中道路路况检测方法包括以下步骤:
步骤1.1、初始化无人划线机器人的激光雷达和前置深度相机;
步骤1.2、根据激光雷达获取三维点云图像,根据前置深度相机获取二维深度图像;
步骤1.3、判断是否能够分别根据三维点云图像和深度图像识别道路边缘,若能够识别道路边缘,则进行步骤1.4,否则返回步骤1.2;
步骤1.4、根据三维点云图像计算道路Z轴方向距离信息,根据二维深度图像计算道路X轴和Y轴方向位置信息;
步骤1.5、根据计算得到的道路Z轴方向距离信息和道路X轴和Y轴方向位置信息重构道路三维路况;
步骤1.6、根据道路三维路况规划设备行进的路线;
步骤1.7、将行进的路线转化为报文格式发送至控制设备转向与驱动系统,并且等待下一帧的获取三维点云图像信号和获取二维深度图像的信号,返回步骤1.2。
而且,所述步骤1.4中根据二维深度图像计算道路X轴和Y轴方向位置信息包括以下步骤:
步骤1.4.1、图像预处理;
步骤1.4.2、预处理图像迭代Hough变换;
步骤1.4.3、检测道路变换;
步骤1.4.4、获取像素点坐标;
步骤1.4.5、标定实际坐标。
而且,所述步骤1.4中根据三维点云图像计算道路Z轴方向距离信息包括以下步骤:
步骤1.4.6、在深度图像的每个单元格中提取相应的角度α和β,通过激光雷达校准数据的垂直光束倾角最大值和最小值来提取二维深度图像的每个单元格中应的角度α和β,并通过基于二维深度图像的高度值创建值的线性空间;
步骤1.4.7、提取顶部激光雷达传感器的外部校准矩阵,经过外部校准矩阵校正方位之后的激光雷达数据将计算点云各点的(X,Y,Z)坐标;
步骤1.4.8、将传感器坐标系变换为划线机器人的车辆坐标系,进而获取了路况方向Z轴信息,同时根据不同路况进行车辆行进路线的规划,利用现有开源控制训练集进行实现。
而且,所述步骤1.6的具体实现方法为:在图像中利用道路基准线的特征像素点聚类算法对像素点进行搜寻和检测,并对检测的像素点进行聚类点的感知编组,提取道路基准线并基于Hough直线变化算法对道路基准线进行检测从而确定基准线的偏移方向和准确的偏移角度,通过利用Hough变换算法对已获取像素点坐标进行处理实现对道路基准线的拟合,并对基准线的偏转角度进行判断以实现道路画线机器人自动控制,设计道路画线机器人的硬、软件控制系统并通过单片机接收信号,以PWM脉冲调制的方式控制道路画线机器人的驱动电机、转动电机实现道路画线机器人的行进和精准转向,将相关的数据、参数、位置坐标等进行采集和存储,同时对误差等进行监测。
而且,所述划线辨别纠偏方法包括以下步骤:
步骤2.1、初始化后置深度相机;
步骤2.2、根据后置深度相机获取二维深度图像;
步骤2.3、根据二维深度图像检测划线长度与直线度信息;
步骤2.4、判断划线长度和设定阈值长度的关系,若划线长度大于或等于设定阈值长度,则进行步骤2.5,否则返回步骤2.3;判断直线度和设定阈值的容差,若直线度大于或等于设定阈值的容差,则进行步骤2.5,否则返回步骤2.3;
步骤2.5、将生成制驱动电机和转向电机的PWM信号转化为报文格式,
步骤2.6、根据报文格式的信号控制给料口开关并且控制涂料方向传向修正,并且等待下一帧的获取二维深度图像的信号,返回步骤2.1。
而且,所述步骤2.3中根据二维深度图像检测划线长度与直线度信息包括以下步骤:
步骤2.3.1、图像预处理;
步骤2.3.2、预处理图像迭代Hough变换;
步骤2.3.3、检测划线轮廓;
步骤2.3.4、获取像素点坐标;
步骤2.3.5、标定实际坐标。
本发明的优点和积极效果是:
本发明通过前置深度相机获取道路信息的深度图像,通过采用图像预处理及二值化处理,采用双阈值边缘检测,迭代Hough算法识别道路边缘信息,通过搜索对应数组位置计算得到最佳边界像素坐标,并通过像素比例尺最终得到边界坐标及目前位置所对应的横向偏差及转角误差。而后置深度相机则对道路标线进行检测,通过对深度图像进行解析,能够判断其划线长度,当达到预定长度时终止划线工作,确保划线精准。激光雷达通过对道路表面进行三维扫描,能够对路面的表面形貌,坑洼及曲度进行精细建模,最终形成点云图像。通过对路面信息进行采用粒子群算法进行训练,针对不同路况下的驱动轮转速进行控制,从而针对不同路面控制不同轮子转速比,确保整体无人划线机器人的稳定直行。最终通过将划线机器人的转向轮、启制动轮及进给口开合等硬件与软件算法进行结合,实现无人自动驾驶作业模式的自适应响应平台。本发明实现对于划线道路的检测,建模及路线规划。大大提升目前无人划线机器人的划线精度,从而减少目前道路划线所耗费的人力物力成本,实现公路基建领域的智能化目标。
附图说明
图1为本发明道路路况检测方法流程图;
图2为本发明划线辨别纠偏方法流程图;
图3为本发明前置深度相机检测流程图;
图4为本发明后置深度相机检测流程图;
图5为本发明激光雷达检测流程图;
图6为本发明划线长度检测算法原理示意图1;
图7为本发明划线长度检测算法原理示意图2。
具体实施方式
以下结合附图对本发明做进一步详述。
一种融合激光雷达与深度相机的机器人无人划线方法,包括道路路况检测方法和划线辨别纠偏方法,其中如图1、图3和图5所示,道路路况检测方法包括以下步骤:
步骤1.1、初始化无人划线机器人的激光雷达和前置深度相机。
步骤1.2、根据激光雷达获取三维点云图像,根据前置深度相机获取二维深度图像。
本实施例中,激光雷达与无人划线机器人主控通过串口转USB实现数据交互,深度摄像机通过USB线与划线机器人主控通信。在软件算法平台,是划线机器人主控方面,使用的电脑配置为IntelCorei9(2.5GHz)CPU,以及16GB运行内存,底层控制板将采集到的IMU和部分预处理的轮式编码器数据发送给划线机器人主控。
步骤1.3、判断是否能够分别根据三维点云图像和深度图像识别道路边缘,若能够识别道路边缘,则进行步骤1.4,否则返回步骤1.2。
步骤1.4、根据三维点云图像计算道路Z轴方向距离信息,根据二维深度图像计算道路X轴和Y轴方向位置信息。
本步骤中根据二维深度图像计算道路X轴和Y轴方向位置信息包括以下步骤:
步骤1.4.1、图像预处理。将获取的图像彩色图像转为灰度值,并使用高斯滤波算法进行图像降噪,最终进行二值化处理。
步骤1.4.2、预处理图像迭代Hough变换。将预处理图像进行二值化或进行Canny边缘检测,并通过使用Hough变换算法对图像中所有直线进行拟合确定道路边缘位置。
步骤1.4.3、检测道路变换。
步骤1.4.4、获取像素点坐标。
步骤1.4.5、标定实际坐标。
本步骤中根据三维点云图像计算道路Z轴方向距离信息包括以下步骤:
步骤1.4.6、在深度图像的每个单元格中提取相应的角度α和β,通过激光雷达校准数据的垂直光束倾角最大值和最小值来提取二维深度图像的每个单元格中应的角度α和β,并通过基于二维深度图像的高度值创建值的线性空间。
步骤1.4.7、提取顶部激光雷达传感器的外部校准矩阵,经过外部校准矩阵校正方位之后的激光雷达数据将计算点云各点的(X,Y,Z)坐标。
步骤1.4.8、将传感器坐标系变换为划线机器人的车辆坐标系,进而获取了路况方向Z轴信息,同时根据不同路况进行车辆行进路线的规划,利用现有开源控制训练集进行实现。
本实施例中,路径规划算法使用A*算法,这是一种非常有效的寻路算法,此算法拥有的最短路径的优点和快速搜索算法规划速度的优点,能够快速找到起点和目标点之间的最短路线。针对划线机器人的划线需求,该算法将能够确保其划线满足实际工况需求,避免划线的抖动现象发生。
A*(A-Star)算法是一种静态路网中求解最短路最有效的方法。
公式表示为:f(n)=g(n)+h(n)。
其中f(n)是从初始点经由节点n到目标点的估价函数;g(n)是在状态空间中从初始节点到n节点的实际代价;h(n)是从n到目标节点最佳路径的估计代价。
其中,保证找到最短路径(最优解的)条件,关键在于估价函数h(n)的选取:
估价值h(n)<=n到目标节点的距离实际值,这种情况下,搜索的点数多,搜索范围大,效率低。但能得到最优解。如果估价值>实际值,搜索的点数少,搜索范围小,效率高,但不能保证得到最优解。
步骤1.5、根据计算得到的道路Z轴方向距离信息和道路X轴和Y轴方向位置信息重构道路三维路况。
重构道路三维路况的含义主要是将得到的图像数据信息转化为空间中的维度坐标信息,最终获得(X,Y,Z)的三维数组信息。
其中(X,Y)坐标获取工作具体工作如下:
首先通过对通过相机采集到的道路图像采用加权平均法得到符合图像处理规范的灰度图,然后采用中值滤波算法对图像进行平滑滤波,减少图像在传输或者转换的过程中所产生的噪声并更好的保留图像中的边缘轮廓。同时以图像的灰度直方图为基础利用对图像进行基于直方图均衡化的图像增强算法对道路图像进行图像增强,提高图像中有用信息的提取效率,最后通过Otsu算法对图像进行分割阈值,从而实现对道路图像的预处理。
之后通过优化Canny检测算法在区域内基于区域生长算法对整个图像遍历得到标线特征区域,通过Harris角点检测对图像中基准线的像素点进行检测。从而获取图像的实际(X,Y)坐标信息。
而利用激光雷达所获取的Z轴方向信息通过如下方式进行获取:
激光雷达采集数据时逆时针旋转,采用浮点数二进制文件保存。保存了激光点(X,Y,Z)坐标和反射率R信息,每一帧平均12万个激光点。其中Z轴方向数据通过外部变换矩阵进行变换即可获取Z轴道路路况信息,而(X,Y)坐标信息将用于与道路图像信息进行匹配,最终获得(X,Y,Z)数组所代表的道路三维路况数据。
步骤1.6、根据道路三维路况规划设备行进的路线。在图像中利用道路基准线的特征像素点聚类算法对像素点进行搜寻和检测,并对检测的像素点进行聚类点的感知编组,提取道路基准线并基于Hough直线变化算法对道路基准线进行检测从而确定基准线的偏移方向和准确的偏移角度,通过利用Hough变换算法对已获取像素点坐标进行处理实现对道路基准线的拟合,并对基准线的偏转角度进行判断以实现道路画线机器人自动控制,设计道路画线机器人的硬、软件控制系统并通过单片机接收信号,以PWM脉冲调制的方式控制道路画线机器人的驱动电机、转动电机实现道路画线机器人的行进和精准转向,将相关的数据、参数、位置坐标等进行采集和存储,同时对误差等进行监测。
步骤1.7、将行进的路线转化为报文格式发送至控制设备转向与驱动系统,并且等待下一帧的获取三维点云图像信号和获取二维深度图像的信号,返回步骤1.2。
如图2和图4所示,划线辨别纠偏方法包括以下步骤:
步骤2.1、初始化后置深度相机。
步骤2.2、根据后置深度相机获取二维深度图像。
步骤2.3、根据二维深度图像检测划线长度与直线度信息。
步骤2.3.1、图像预处理。
步骤2.3.2、预处理图像迭代Hough变换。
步骤2.3.3、如图6和图7所示,检测划线轮廓;通过对远端的直线宽度进行检测,根据划线长度与后置深度相机内检测宽度存在的反比关系进行判断。
步骤2.3.4、获取像素点坐标。
步骤2.3.5、标定实际坐标。
步骤2.4、判断划线长度和设定阈值长度的关系,若划线长度大于或等于设定阈值长度,则进行步骤2.5,否则返回步骤2.3;判断直线度和设定阈值的容差,若直线度大于或等于设定阈值的容差,则进行步骤2.5,否则返回步骤2.3。
步骤2.5、将生成制驱动电机和转向电机的PWM信号转化为报文格式,
步骤2.6、根据报文格式的信号控制给料口开关并且控制涂料方向传向修正,并且等待下一帧的获取二维深度图像的信号,返回步骤2.1。
需要强调的是,本发明所述的实施例是说明性的,而不是限定性的,因此本发明包括并不限于具体实施方式中所述的实施例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,同样属于本发明保护的范围。
Claims (6)
1.一种融合激光雷达与深度相机的机器人无人划线方法,其特征在于:包括道路路况检测方法和划线辨别纠偏方法,其中道路路况检测方法包括以下步骤:
步骤1.1、初始化无人划线机器人的激光雷达和前置深度相机;
步骤1.2、根据激光雷达获取三维点云图像,根据前置深度相机获取二维深度图像;
步骤1.3、判断是否能够分别根据三维点云图像和深度图像识别道路边缘,若能够识别道路边缘,则进行步骤1.4,否则返回步骤1.2;
步骤1.4、根据三维点云图像计算道路Z轴方向距离信息,根据二维深度图像计算道路X轴和Y轴方向位置信息;
步骤1.5、根据计算得到的道路Z轴方向距离信息和道路X轴和Y轴方向位置信息重构道路三维路况;
步骤1.6、根据道路三维路况规划设备行进的路线;
步骤1.7、将行进的路线转化为报文格式发送至控制设备转向与驱动系统,并且等待下一帧的获取三维点云图像信号和获取二维深度图像的信号,返回步骤1.2。
2.根据权利要求1所述的一种融合激光雷达与深度相机的机器人无人划线方法,其特征在于:所述步骤1.4中根据二维深度图像计算道路X轴和Y轴方向位置信息包括以下步骤:
步骤1.4.1、图像预处理;
步骤1.4.2、预处理图像迭代Hough变换;
步骤1.4.3、检测道路变换;
步骤1.4.4、获取像素点坐标;
步骤1.4.5、标定实际坐标。
3.根据权利要求1所述的一种融合激光雷达与深度相机的机器人无人划线方法,其特征在于:所述步骤1.4中根据三维点云图像计算道路Z轴方向距离信息包括以下步骤:
步骤1.4.6、在深度图像的每个单元格中提取相应的角度α和β,通过激光雷达校准数据的垂直光束倾角最大值和最小值来提取二维深度图像的每个单元格中应的角度α和β,并通过基于二维深度图像的高度值创建值的线性空间;
步骤1.4.7、提取顶部激光雷达传感器的外部校准矩阵,经过外部校准矩阵校正方位之后的激光雷达数据将计算点云各点的(X,Y,Z)坐标;
步骤1.4.8、将传感器坐标系变换为划线机器人的车辆坐标系,进而获取了路况方向Z轴信息,同时根据不同路况进行车辆行进路线的规划,利用现有开源控制训练集进行实现。
4.根据权利要求1所述的一种融合激光雷达与深度相机的机器人无人划线方法,其特征在于:所述步骤1.6的具体实现方法为:在图像中利用道路基准线的特征像素点聚类算法对像素点进行搜寻和检测,并对检测的像素点进行聚类点的感知编组,提取道路基准线并基于Hough直线变化算法对道路基准线进行检测从而确定基准线的偏移方向和准确的偏移角度,通过利用Hough变换算法对已获取像素点坐标进行处理实现对道路基准线的拟合,并对基准线的偏转角度进行判断以实现道路画线机器人自动控制,设计道路画线机器人的硬、软件控制系统并通过单片机接收信号,以PWM脉冲调制的方式控制道路画线机器人的驱动电机、转动电机实现道路画线机器人的行进和精准转向,将相关的数据、参数、位置坐标等进行采集和存储,同时对误差等进行监测。
5.根据权利要求1所述的一种融合激光雷达与深度相机的机器人无人划线方法,其特征在于:所述划线辨别纠偏方法包括以下步骤:
步骤2.1、初始化后置深度相机;
步骤2.2、根据后置深度相机获取二维深度图像;
步骤2.3、根据二维深度图像检测划线长度与直线度信息;
步骤2.4、判断划线长度和设定阈值长度的关系,若划线长度大于或等于设定阈值长度,则进行步骤2.5,否则返回步骤2.3;判断直线度和设定阈值的容差,若直线度大于或等于设定阈值的容差,则进行步骤2.5,否则返回步骤2.3;
步骤2.5、将生成制驱动电机和转向电机的PWM信号转化为报文格式,
步骤2.6、根据报文格式的信号控制给料口开关并且控制涂料方向传向修正,并且等待下一帧的获取二维深度图像的信号,返回步骤2.1。
6.根据权利要求5所述的一种融合激光雷达与深度相机的机器人无人划线方法,其特征在于:所述步骤2.3中根据二维深度图像检测划线长度与直线度信息包括以下步骤:
步骤2.3.1、图像预处理;
步骤2.3.2、预处理图像迭代Hough变换;
步骤2.3.3、检测划线轮廓;
步骤2.3.4、获取像素点坐标;
步骤2.3.5、标定实际坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310303037.0A CN116009563B (zh) | 2023-03-27 | 2023-03-27 | 一种融合激光雷达与深度相机的机器人无人划线方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310303037.0A CN116009563B (zh) | 2023-03-27 | 2023-03-27 | 一种融合激光雷达与深度相机的机器人无人划线方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116009563A true CN116009563A (zh) | 2023-04-25 |
CN116009563B CN116009563B (zh) | 2023-06-27 |
Family
ID=86033993
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310303037.0A Active CN116009563B (zh) | 2023-03-27 | 2023-03-27 | 一种融合激光雷达与深度相机的机器人无人划线方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116009563B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014019641A (ja) * | 2013-07-04 | 2014-02-03 | Bando Kiko Co Ltd | スクライブ方法及びスクライブ装置 |
CN205276114U (zh) * | 2015-12-11 | 2016-06-01 | 李栋 | 一种公路自动划线机 |
CN107829359A (zh) * | 2017-12-19 | 2018-03-23 | 成都圭目机器人有限公司 | 一种自主标线检测机器人系统 |
US20220042258A1 (en) * | 2020-08-07 | 2022-02-10 | LimnTech LLC | Machine learning based roadway striping apparatus and method |
CN114808649A (zh) * | 2022-06-06 | 2022-07-29 | 仲恺农业工程学院 | 基于视觉系统控制的公路划线方法 |
CN114990980A (zh) * | 2022-06-07 | 2022-09-02 | 仲恺农业工程学院 | 可规划路线并确认道路交通路面执行标识的全自动装置 |
-
2023
- 2023-03-27 CN CN202310303037.0A patent/CN116009563B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014019641A (ja) * | 2013-07-04 | 2014-02-03 | Bando Kiko Co Ltd | スクライブ方法及びスクライブ装置 |
CN205276114U (zh) * | 2015-12-11 | 2016-06-01 | 李栋 | 一种公路自动划线机 |
CN107829359A (zh) * | 2017-12-19 | 2018-03-23 | 成都圭目机器人有限公司 | 一种自主标线检测机器人系统 |
US20220042258A1 (en) * | 2020-08-07 | 2022-02-10 | LimnTech LLC | Machine learning based roadway striping apparatus and method |
CN114808649A (zh) * | 2022-06-06 | 2022-07-29 | 仲恺农业工程学院 | 基于视觉系统控制的公路划线方法 |
CN114990980A (zh) * | 2022-06-07 | 2022-09-02 | 仲恺农业工程学院 | 可规划路线并确认道路交通路面执行标识的全自动装置 |
Non-Patent Citations (3)
Title |
---|
徐俊杰: "可视化激光雷达数据之深度图像和点云", Retrieved from the Internet <URL:https://zhuanlan.zhihu.com/p/479483052> * |
李志鹏: "基于图像识别的道路划线车控制系统设计", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, pages 034 - 164 * |
杨林顺;董志勇;: "基于图像处理的输送带跑偏故障在线检测技术研究", 煤炭工程, no. 10 * |
Also Published As
Publication number | Publication date |
---|---|
CN116009563B (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108647646B (zh) | 基于低线束雷达的低矮障碍物的优化检测方法及装置 | |
CN110675307B (zh) | 基于vslam的3d稀疏点云到2d栅格图的实现方法 | |
CN108280840B (zh) | 一种基于三维激光雷达的道路实时分割方法 | |
CN110794406B (zh) | 多源传感器数据融合系统和方法 | |
CN107632308B (zh) | 一种基于递归叠加算法的车辆前方障碍物轮廓检测方法 | |
CN101750049B (zh) | 基于道路和车辆自身信息的单目视觉车距测量方法 | |
CN110780305A (zh) | 一种基于多线激光雷达的赛道锥桶检测及目标点追踪方法 | |
CN110243380B (zh) | 一种基于多传感器数据与角度特征识别的地图匹配方法 | |
CN105404844A (zh) | 一种基于多线激光雷达的道路边界检测方法 | |
CN112674646B (zh) | 基于多算法融合的自适应贴边作业方法及机器人 | |
Kellner et al. | Road curb detection based on different elevation mapping techniques | |
CN107796373B (zh) | 一种基于车道平面几何模型驱动的前方车辆单目视觉的测距方法 | |
CN112363167A (zh) | 一种基于毫米波雷达与单目相机融合的扩展目标跟踪方法 | |
KR20170126740A (ko) | 물체 탐지 장치 및 방법 | |
CN111578893A (zh) | 一种牵引车与挂厢夹角的识别方法 | |
CN114821526A (zh) | 基于4d毫米波雷达点云的障碍物三维边框检测方法 | |
CN114399748A (zh) | 一种基于视觉车道检测的农机实时路径校正方法 | |
Han et al. | Robust ego-motion estimation and map matching technique for autonomous vehicle localization with high definition digital map | |
Li et al. | 3D autonomous navigation line extraction for field roads based on binocular vision | |
Kellner et al. | Multi-cue, model-based detection and mapping of road curb features using stereo vision | |
CN115861968A (zh) | 一种基于实时点云数据的动态障碍物剔除方法 | |
CN115923839A (zh) | 一种车辆路径规划方法 | |
Cai et al. | A lightweight feature map creation method for intelligent vehicle localization in urban road environments | |
CN116009563B (zh) | 一种融合激光雷达与深度相机的机器人无人划线方法 | |
CN114279452B (zh) | 无人集卡挂车姿态检测方法及检测系统 |
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 |