CN116338729A - 一种基于多层地图的三维激光雷达导航方法 - Google Patents
一种基于多层地图的三维激光雷达导航方法 Download PDFInfo
- Publication number
- CN116338729A CN116338729A CN202310315619.0A CN202310315619A CN116338729A CN 116338729 A CN116338729 A CN 116338729A CN 202310315619 A CN202310315619 A CN 202310315619A CN 116338729 A CN116338729 A CN 116338729A
- Authority
- CN
- China
- Prior art keywords
- map
- unmanned vehicle
- planner
- layer
- global
- 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 43
- 239000002131 composite material Substances 0.000 claims abstract description 9
- 238000005516 engineering process Methods 0.000 claims abstract description 6
- 238000001514 detection method Methods 0.000 claims abstract description 5
- 238000012876 topography Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000002265 prevention Effects 0.000 claims 3
- 230000008569 process Effects 0.000 abstract description 9
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 230000000007 visual effect Effects 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 229910052705 radium Inorganic materials 0.000 description 1
- HCWPIIXVSYCSAN-UHFFFAOYSA-N radium atom Chemical compound [Ra] HCWPIIXVSYCSAN-UHFFFAOYSA-N 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
- G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
- G01C21/30—Map- or contour-matching
- G01C21/32—Structuring or formatting of map data
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
-
- 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
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于多层地图的三维激光雷达导航方法,该方法包括:S1:采用多线激光雷达采集外界点云数据,并进行动态点云去除处理;S2:基于处理后的点云数据构建多层地图,地图共包括全局拓扑地图,中间栅格地图和局部地形地图;S3:在构建多层地图后得到环境的先验信息,并通过激光SLAM技术完成无人车自身定位,在此基础上采用三层路径器以完成目标点导航任务,其中对于全局规划中的碰撞检测,采用无人车等效复合模型中的线段部分与拓扑节点的距离进行判断;S4:输出符合车辆动力学约束的平滑路径。本发明解决了现有技术中地图信息存在丢失和导航过程中易于障碍物发生碰撞等问题,实现了无人车基于地图的高效三维导航。
Description
技术领域
本发明属于无人车导航领域,更具体地,涉及一种基于多层地图的三维激光雷达导航方法。
背景技术
基于三维激光雷达的无人车导航是完成目标点导航任务最可靠的导航方法之一。近年来,导航技术在无人车自主作业中得到应用与快速发展。目前较为流行的导航方法有采用视觉传感器、惯性传感器、激光雷达或者GPS。其中视觉传感器对光线敏感且不适用于大规模环境下的导航场景,惯性传感器随着时间推移累计误差不断增加,而GPS通常只在室外空旷场景下才能完成导航任务。相比之下,随着激光雷达的成本降低,在室外或室内场景下采用基于三维激光雷达的方法完成导航任务成为主流的研究方向。
导航技术与环境表示法相关。对于基于三维激光雷达的地图表示采用原始点云地图表示,其信息是冗余的,且有效信息较少,其中包括拓扑信息和占用信息。在现有的导航系统中,环境表示方法可以分为以下两类:不能表示三维信息的二维网格地图和基于多层二维结构的2.5D地图。通常一个高效的地图表示方法具有拓扑信息清晰和更新简单等特点。此外,在导航过程中,若忽略无人车自身尺寸进行路径规划时,极易出现与障碍物发生碰撞的情况。
专利文献CN114415661A提出了一种基于压缩三维空间点云的平面激光SLAM与导航方法,该方法将三维点云数据压缩至二维平面后得到平面点云数据,基于平面点云数据完成导航控制。显然该方法所得到的地图缺少拓扑信息,障碍物信息冗余,且存在点云数据丢失。
专利文献CN110262518B介绍了一种基于轨迹拓扑地图和避障的车辆导航方法,地图表示较简单且规划器单一,所规划的路径不满足车辆运动学约束。同时未考虑到小车的自身尺寸,存在小车与障碍物发生碰撞的风险。
因此,为实现无人车的高效导航,急需一种基于地图信息的三维激光雷达导航方法,利用该方法能够在不同场景下获得丰富的环境信息,同时具有较好的实时性和鲁棒性,避免与周边障碍物发生碰撞,以实现无人车的自主导航。
发明内容
针对现有技术存在的缺陷和不足,本发明提出了一种基于多层地图的三维激光雷达导航方法。该方法通过搭载三维激光雷达的无人车采集周围环境信息,建立障碍物优化后的多层地图,并在此基础上采用三层局部规划器完成目标点导航,同时考虑到无人车自身尺寸建立等效模型。该方法不需要额外的传感器,场景适用性强,高效地完成自主导航。
为了实现上述目的,本发明采用以下技术方案完成:
步骤1:采用多线激光雷达采集外界点云数据,并进行动态点云去除处理;
步骤2:基于处理后的点云数据构建多层地图,地图共包括全局拓扑地图,中间栅格地图和局部地形地图;
步骤3:在构建多层地图后得到环境的先验信息,并通过激光SLAM技术完成无人车自身定位,在此基础上采用三层路径器以完成目标点导航任务,其中第一层全局规划器在全局拓扑地图基础上大致规划了一条可以通行由若干个路径点组成的路径,第二层中间规划器在全局规划器规划的两个航路点之间进行规划,在中间栅格地图的基础上得到符合车辆动力学约束的平滑路径,局部规划者在局部地图地图的基础上执行中间规划者规划的路径,避免局部碰撞。
进一步地,在全局拓扑地图中对障碍物的形状进行优化,首先将障碍物用多边形拟合,然后将多边形的顶点提出来,判断顶点与相邻两顶点之间的欧式距离d,如果d小于设定阈值则将该顶点作为冗余点并从障碍物多边形中删除,否则保留该顶点,最后依次遍历判断所有障碍物的顶点后便得到了优化后的障碍物多边形。
进一步地,第一层全局规划器在全局拓扑地图基础上大致规划了一条可以通行由若干个路径点组成的路径,第二层中间规划器在全局规划器规划的两个航路点之间进行规划,在中间栅格地图的基础上得到符合车辆动力学约束的平滑路径,局部规划者在局部地图地图的基础上执行中间规划者规划的路径,避免局部碰撞,
进一步地,对于全局规划中的碰撞检测,首先将建立起无人车的等效复合模型,该模型由半圆和线段组成,然后选取无人车中间线段作为无人车等效碰撞线,无人车防碰撞距离略大于无人车宽度一半,最后判断无人车中间段与全局拓扑地图中的节点之间的欧式距离是否大于无人车防碰撞距离,如果大于则说明无人车将与障碍物碰撞,反之无人车不会与障碍物碰撞。
本发明的有益效果为:
1、本发明仅利用三维激光雷达采集周围环境信息,相比视觉方法,其范围更广,场景适应能力性强;
2、本发明所提出的多层地图构建方法,充分提取了拓扑信息,且优化了障碍物形状保留了其特征信息。所获得的多层地图准确而完整地表达了周围环境,提高了路径规划的安全性;
3、本发明所提出的三层规划器有效地规划出一条高质量的符合车辆动力学约束的平滑路径,该路径基于无人车等效复合模型大大提高了无人车的避障能力,同时路径长度较优并提高了导航效率;
4、本发明所提出的三维激光雷达导航方法中在嵌入式设备多层地图更新最长时间约为11ms,导航算法规划时间最长约为45ms,具有较好的实时性,可高效地完成导航任务。
附图说明
图1为本发明实施例一种基于多层地图的三维激光雷达导航方法的整体流程图;
图2为本发明实施例多层地图实验图
图3为本发明实施例拓扑地图中冗余节去除示意图;
图4为本发明实施例三层规划器示意图;
图5为本发明实施例无人车导航技术的结构及等效复合模型图;
图6为本发明实施例无人车多层地图更新和导航算法运行时间图。
附图5(a)中:1、无人车本体;2、工控机;3、触摸显示器;4、车载降压模块转换器;5、三维激光雷达;6、相机。
具体实施方式
为了使本发明目的、技术方案及优点更加清楚明白,下面结合附图及实施例对本发明作进一步描述。
图1是按照本发明的实施例所构建的基于多层地图的三维激光雷达导航方法的整体流程图,其包括以下步骤:
S1通过搭载三维激光雷达的无人车采集周围环境的点云数据,并且通过动态障碍物滤除算法Removert对动态点云进行滤除;
S2基于处理后的点云数据构建多层地图,地图共包括全局拓扑地图,中间栅格地图和局部地形地图。其中在全局拓扑地图中对障碍物的形状进行优化,并对其冗余点进行去除;
S3在构建多层地图后得到环境的先验信息,并通过激光SLAM技术完成无人车自身定位。在此基础上采用三层路径器以完成目标点导航任务,其中第一层全局规划器在全局拓扑地图基础上大致规划了一条可以通行由若干个路径点的路径,第二层中间规划器在全局规划器规划的两个航路点之间进行规划,局部规划者在局部地图地图的基础上执行中间规划者规划的路径,避免局部碰撞,其中对于全局规划中的碰撞检测,采用无人车等效复合模型中的线段部分与拓扑节点的距离进行判断;
S4:由三层规划器最终输出符合车辆动力学约束的平滑路径。
图2是按照本发明的实施例多层地图实际图,其中全局拓扑地图由可视图构建,由可视节点和障碍物节点组成,在全局拓扑地图中的障碍物采用多边形表示。
中间栅格地图由一定高度范围的三维点云数据投影后的二维离散障碍物图组成,栅格地图的大小设置为1000m×1000m,栅格分辨率为0.5m×0.5m,因此总栅格数量为2000×2000,其中栅格状态分为占用,空闲和未知,栅格占用和空闲状态由栅格所对应的概率值确定,栅格的占用概率P的计算公式如下:
其中pi为每个栅格中的点云,max{z(pi)}为每个栅格中点云高度的最大值,minThre和maxTre是固定高度间隔参数,若占用概率大于设定阈值,则该栅格状态为占用,表示有障碍物覆盖;若占用概率小于设定阈值,则该栅格状态为空闲,表示无人车可以通过;
局部地形地图来源围绕无人车周围环境的局部点云地图,静态和不变的局部地图表示环境的基础设施信息,然而它们不能反映实时动态变化,例如行人、车辆和新出现或消失的静态障碍物,因此,需要根据实时观测更新和维护本地地图,使用体素网格来表示环境并分析数据点的分布以估计地面高度,在局部地图中获取实时点云分布,并根据激光扫描信息计算当前时刻体素网格的高度值,高度值越大所需要的地形穿越成本越高,当网格中高度值大于阈值时,代表此网格不可通过,存在障碍物覆盖。
图3是按照本发明实施例拓扑地图中冗余节去除示意图,多全局拓扑地图中的多边形障碍物进行冗余节点去除,伪代码如下算法1所示,进行冗余节点去除后障碍物节点A0~A3被删除;
图4是按照发明实施例三层规划器示意图,整个规划器分为三层全局规划器、中间规划器和局部规划器,对于规划过程中的定位依靠激光SLAM算法如LOAM,LEGO-LOAM等获取。
全局规划的主要功能是接收输入的目标点和无人车当前位置,规划出一条可行的路径到达全局地图中的目标点。全局规划器将全局拓扑图和遍历区域相结合,以便在全局图中设置一些路径点,图中P0起始点,P3为输入目标点,A*利用启发式信息来寻找最优路径,作为经典的图搜索算法之一,具有良好的性能和准确性,它使用启发式信息来找到最优路径,这适合作为航路点图中最顶层的路径规划算法,因此采用A*算法在基于可视图的基础上,获取一条高效且无碰撞的线段路径,该路径包含了两个中间路径点P1和P1;
中间规划器的主要功能是接收由全局规划器输入的路径点,当前无人车位置和局部栅格地图,在全局规划器的两个航点之间规划出一条符合车辆运动学约束的路径,,HybridA*规划的路径考虑了车辆的运动学约束,即满足车辆的最大曲率约束,因此中间规划器基于Hybrid A*算法,通过比较非完整约束启发P1成本的成本值h1与完整启发式成本的成本值h2,选择较大的成本作为Hybrid A*h(n)=max(h1,h2)的成本值,中间规划器将选择成本最低的路径,将全局规划器中的相邻航迹点如P1和P2分割为多个路径点P1,P10,P11,P12和P2,并将它们发布给局部规划器;
局部规划器订阅中间规划器发布的路径点信息,并依次将路径点规划为局部目标点,局部规划使用采样的离散点进行前向模拟,这代表了无人车在未来可能的运动可能,图中点P1和P10之间由若干条前向模拟的运动轨迹线,局部规划器利用各路径与目标点之间的角差以及路径方向与当前车辆方向之间的角度差来计算成本,从中选取一条最优路径作为局部规划器的输出路径。
图5是按照发明实施例无人车导航技术的结构及等效复合模型图,在本发明中所述无人车1选取的是松灵底盘HunterSE,所述工控机2选取的是NVIDIA Xavier AGX高性能嵌入式开发板,装有Ubuntu18.04和ROS Melodic操作系统,所述触摸显示器3用于导航过程中的地图和路径可视化,所述车载降压模块转换器4将无人车的24V独立电源降压到12V供电给工控机和激光雷达,所述三维激光雷达模块5采用的是镭神16线激光雷达,所述相机6采用的是英特尔深度相机D435i,负责记录导航过程中的图片信息,用于环境可视化,激光雷达与处理器通过有线网口连接,激光雷达负责采集测量范围内物体距离和角度信息并转换成点云数据,之后将扫描的信息传送给处理器进行处理,导航过程中的地图,路径可视化等依靠ROS中的RVIZ工具在触摸显示屏中进行显示;
考虑到无人车的本体尺寸以防无人车与障碍物距离过近而引发碰撞,本发明采用无人车的等效复合模型用以代替无人车,对于碰撞检测则只需考虑中间无人车等效防碰撞线L1与拓扑障碍物最近节点之间的距离是否大于无人车防碰距离d1。
图6是按照本发明实施例无人车多层地图更新和导航算法运行时间图,本发明将导航算法部署到嵌入式设备,其中,多层地图更新最长时间约为11ms,导航算法规划时间最长约为45ms,具有较强的实时性,可高效地完成导航任务。
本发明所述的一种基于多层地图的三维激光雷达导航方法,仅采用三维雷达获取周围环境信息,增大了无人车的感知范围,多层地图构建方法充分提取了拓扑信息,对障碍物形状采用多边形表示并去除冗余节,准确而完整地表达了周围环境,提高了路径规划的安全性,三层规划器有效地规划出一条高质量的符合车辆动力学约束的平滑路径,该路径基于无人车等效复合模型大大提高了无人车的避障能力,提供了一套高效可靠的无人车自主导航方案。
上面结合附图对本发明的实例进行了描述,虽然本发明已以较佳实施例公开如上,但其并非用以限定本发明,任何熟悉此技术的人,在不脱离本发明的精神和范围内,都可做各种的改动与修饰,因此本发明的保护范围应该以权利要求书所界定的为准。
Claims (4)
1.一种基于多层地图的三维激光雷达导航方法,其特征在于该方法采用基于三维点云数据的多层地图构建实现高效导航,包括以下步骤:
步骤1:采用多线激光雷达采集外界点云数据,并进行动态点云去除处理;
步骤2:基于处理后的点云数据构建多层地图,地图共包括全局拓扑地图,中间栅格地图和局部地形地图;
步骤3:在构建多层地图后得到环境的先验信息,并通过激光SLAM技术完成无人车自身定位,在此基础上采用三层路径器以完成目标点导航任务,其中第一层全局规划器在全局拓扑地图基础上大致规划了一条可以通行由若干个路径点组成的路径,第二层中间规划器在全局规划器规划的两个航路点之间进行规划,在中间栅格地图的基础上得到符合车辆动力学约束的平滑路径,局部规划者在局部地图地图的基础上执行中间规划者规划的路径,避免局部碰撞。
2.如权利要求1所述的基于多层地图的三维激光雷达导航方法,其步骤2特征在于:
在全局拓扑地图中对障碍物的形状进行优化,首先将障碍物用多边形拟合,然后将多边形的顶点提出来,判断顶点与相邻两顶点之间的欧式距离d,如果d小于设定阈值则将该顶点作为冗余点并从障碍物多边形中删除,否则保留该顶点,最后依次遍历判断所有障碍物的顶点后便得到了优化后的障碍物多边形。
3.如权利要求1所述的基于多层地图的三维激光雷达导航方法,其步骤3特征在于:
第一层全局规划器在全局拓扑地图基础上大致规划了一条可以通行由若干个路径点组成的路径,第二层中间规划器在全局规划器规划的两个航路点之间进行规划,在中间栅格地图的基础上得到符合车辆动力学约束的平滑路径,局部规划者在局部地图地图的基础上执行中间规划者规划的路径,避免局部碰撞。
4.如权利要求1所述的基于多层地图的三维激光雷达导航方法,其步骤3特征在于:
对于全局规划中的碰撞检测,首先将建立起无人车的等效复合模型,该模型由半圆和线段组成,然后选取无人车中间线段作为无人车等效碰撞线,无人车防碰撞距离略大于无人车宽度一半,最后判断无人车中间段与全局拓扑地图中的节点之间的欧式距离是否大于无人车防碰撞距离,如果大于则说明无人车将与障碍物碰撞,反之无人车不会与障碍物碰撞。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310315619.0A CN116338729A (zh) | 2023-03-29 | 2023-03-29 | 一种基于多层地图的三维激光雷达导航方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310315619.0A CN116338729A (zh) | 2023-03-29 | 2023-03-29 | 一种基于多层地图的三维激光雷达导航方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116338729A true CN116338729A (zh) | 2023-06-27 |
Family
ID=86887434
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310315619.0A Pending CN116338729A (zh) | 2023-03-29 | 2023-03-29 | 一种基于多层地图的三维激光雷达导航方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116338729A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117232539A (zh) * | 2023-11-16 | 2023-12-15 | 山东新坐标智能装备有限公司 | 基于激光雷达的轻量化环境感知地图构建方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108153310A (zh) * | 2017-12-22 | 2018-06-12 | 南开大学 | 一种基于人类行为模拟的移动机器人实时运动规划方法 |
US20210333108A1 (en) * | 2018-12-28 | 2021-10-28 | Goertek Inc. | Path Planning Method And Device And Mobile Device |
CN113984080A (zh) * | 2021-10-26 | 2022-01-28 | 西安交通大学 | 一种适用于大型复杂场景下的分层局部路径规划方法 |
CN114812581A (zh) * | 2022-06-23 | 2022-07-29 | 中国科学院合肥物质科学研究院 | 一种基于多传感器融合的越野环境导航方法 |
WO2022193584A1 (zh) * | 2021-03-15 | 2022-09-22 | 西安交通大学 | 一种面向多场景的自动驾驶规划方法及系统 |
-
2023
- 2023-03-29 CN CN202310315619.0A patent/CN116338729A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108153310A (zh) * | 2017-12-22 | 2018-06-12 | 南开大学 | 一种基于人类行为模拟的移动机器人实时运动规划方法 |
US20210333108A1 (en) * | 2018-12-28 | 2021-10-28 | Goertek Inc. | Path Planning Method And Device And Mobile Device |
WO2022193584A1 (zh) * | 2021-03-15 | 2022-09-22 | 西安交通大学 | 一种面向多场景的自动驾驶规划方法及系统 |
CN113984080A (zh) * | 2021-10-26 | 2022-01-28 | 西安交通大学 | 一种适用于大型复杂场景下的分层局部路径规划方法 |
CN114812581A (zh) * | 2022-06-23 | 2022-07-29 | 中国科学院合肥物质科学研究院 | 一种基于多传感器融合的越野环境导航方法 |
Non-Patent Citations (3)
Title |
---|
JANKO PETEREIT: "Application of Hybrid A* to an Autonomous Mobile Robot for Path Planning in Unstructured Outdoor Environments", ROBOTIC2012 * |
KEZHI WANG: "LiDAR-only Ground Vehicle Navigation System in Park Environment", WORLD ELECTR. VEH. J., pages 1 - 4 * |
车建涛: "基于 Dijkstra 算法的水下机器人路径规划", 机械设计与研究, pages 2 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117232539A (zh) * | 2023-11-16 | 2023-12-15 | 山东新坐标智能装备有限公司 | 基于激光雷达的轻量化环境感知地图构建方法 |
CN117232539B (zh) * | 2023-11-16 | 2024-02-27 | 苏州新坐标智能装备有限公司 | 基于激光雷达的轻量化环境感知地图构建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Badue et al. | Self-driving cars: A survey | |
US10937178B1 (en) | Image-based depth data and bounding boxes | |
CN108983781B (zh) | 一种无人车目标搜索系统中的环境探测方法 | |
Banzhaf et al. | The future of parking: A survey on automated valet parking with an outlook on high density parking | |
Azim et al. | Detection, classification and tracking of moving objects in a 3D environment | |
WO2021003453A1 (en) | Annotating high definition map data with semantic labels | |
US20190094858A1 (en) | Parking Location Prediction | |
CN110715671B (zh) | 三维地图生成方法、装置、车辆导航设备和无人驾驶车辆 | |
US20210278851A1 (en) | System and Method for Real Time Control of an Autonomous Device | |
Jaspers et al. | Multi-modal local terrain maps from vision and lidar | |
JP6997057B2 (ja) | 不動物体情報から端末位置を推定する装置、プログラム及び方法 | |
US11227401B1 (en) | Multiresolution voxel space | |
EP3931657B1 (en) | System and method for surface feature detection and traversal | |
Lu et al. | Graph-embedded lane detection | |
KR20230036858A (ko) | 3차원 포인트 클라우드 맵을 이용한 차선 레벨 지도 구축 방법 및 시스템 | |
CN116338729A (zh) | 一种基于多层地图的三维激光雷达导航方法 | |
CN115752474A (zh) | 非平坦地面环境下的机器人导航规划方法、装置及机器人 | |
CN117075612A (zh) | 一种基于改进可视图的快速路径规划与基于esdf地图的轨迹优化方法 | |
CA3146648A1 (en) | System and method for real time control of an autonomous device | |
Crane et al. | Team gator nation's autonomous vehicle development for the 2007 DARPA Urban challenge | |
Yang et al. | An optimization-based selection approach of landing sites for swarm unmanned aerial vehicles in unknown environments | |
CN114543814A (zh) | 一种应用于三维环境中的机器人自主定位与导航的方法 | |
Sayed et al. | PolyMerge: A Novel Technique aimed at Dynamic HD Map Updates Leveraging Polylines | |
US20230056589A1 (en) | Systems and methods for generating multilevel occupancy and occlusion grids for controlling navigation of vehicles | |
US20230126130A1 (en) | Drivable surface map for autonomous vehicle navigation |
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 |