CN116642491A - 一种地面无人平台野外机动路径规划方法 - Google Patents

一种地面无人平台野外机动路径规划方法 Download PDF

Info

Publication number
CN116642491A
CN116642491A CN202310586783.5A CN202310586783A CN116642491A CN 116642491 A CN116642491 A CN 116642491A CN 202310586783 A CN202310586783 A CN 202310586783A CN 116642491 A CN116642491 A CN 116642491A
Authority
CN
China
Prior art keywords
ground
grid
unmanned platform
ground unmanned
map
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
Application number
CN202310586783.5A
Other languages
English (en)
Inventor
付梦印
田晓辉
杨毅
杨帅聪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202310586783.5A priority Critical patent/CN116642491A/zh
Publication of CN116642491A publication Critical patent/CN116642491A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G01C21/20—Instruments for performing navigational calculations
    • 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)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明提供一种地面无人平台野外机动路径规划方法，构建包含高程、坡度、粗糙度等地面属性的地面属性地图，将预选轨迹簇映射到地面属性地图上，从而可以得到每条预选轨迹所经过地面高度、坡度及粗糙度等地面属性；根据每条预选轨迹需要经过地面的地面属性，计算每条轨迹的行驶代价，利用优化算法搜索获取行驶代价最小的行驶轨迹，能够提高地面无人平台野外机动时的机动速度及效率，保证其安全性，并满足机动行驶的实时性要求。

Description

一种地面无人平台野外机动路径规划方法
技术领域
本发明属于机器人路径规划领域，尤其涉及一种地面无人平台野外机动路径规划方法。
背景技术
随着地面无人平台在军事、交通、农业等领域的广泛应用，诸多地面无人平台自主导航技术获得了长足发展，其中路径规划技术是保障地面无人平台安全快速自主导航的重要组成部分。当前地面无人平台路径规划技术多针对平坦地面情况的室内或城市环境等结构化环境,在二维平面上生成无碰撞的路径,并不适用于野外自主导航——首先，野外地面崎岖复杂，生成路径轨迹需要考率地形对地面无人平台行驶姿态的影响，尤其在高速行驶时崎岖颠簸地形易导致车体侧滑、侧倾及俯仰角过大等问题；其次，地面材质会对车辆轮胎附着力产生不同程度的影响。因此，需要在规划过程中引入地形及地面材质等元素，在高维状态空间中搜索最优路径，进而保证地面无人平台在野外环境的高速自主行驶。进一步考虑高维空间搜索路径的实时性问题，亟需一种能够保证路径规划模块的计算效率的路径规划优化搜索算法。
发明内容
为解决地面无人平台野外自主导航和高速机动问题，本发明提供一种地面无人平台野外机动路径规划方法，充分考虑地形对地面无人平台行驶的影响，可以提高地面无人平台在野外机动时的安全性、能耗及机动速度等各项指标。
一种地面无人平台野外机动路径规划方法，包括以下步骤：
获取地面无人平台周围环境的地面属性地图以及地面无人平台在设定时段内的预选轨迹簇，其中，地面属性地图包含的属性包括高程、坡度、粗糙度；
将预选轨迹簇映射到地面属性地图上，根据各预选轨迹途经地面的属性情况，获取地面无人平台在每一条预选轨迹上的行驶代价，并以行驶代价最低的最优轨迹作为地面无人平台的目标轨迹。
进一步地，地面属性地图的获取方法如下：
利用车载传感器实时获取地面无人平台周围环境的深度信息，其中，深度信息为激光雷达点云，且激光雷达点云包含了地面无人平台周围360°环境的三维数据；
以地面无人平台为中心建立栅格地图，并利用梯度滤波的方法从激光雷达点云中剔除非连续的非地面点云数据，然后分别根据各栅格中的剩余点云数据获取各个栅格的高度，得到二维高程栅格地图；
分别在各栅格的剩余点云中选取两两相互垂直的三个点云作为点云组，对于每个点云组，分别将各点云之间的两两向量的乘积作为点云组所属栅格的法向量，再将法向量的模值作为点云组所属栅格的坡度，得到地面坡度栅格地图；
对于二维高程地图中的每一个栅格，根据其设定邻域范围内的邻域栅格相对于自身的高度变化量的均值获取自身的粗糙度，得到地面粗糙度栅格地图；
将二维高程栅格地图、地面坡度栅格地图、地面粗糙度栅格地图进行整合，得到地面属性地图。
进一步地，各个栅格的高度的获取方法为：
其中，Heighti表示第i个栅格的高度，表示第i个栅格的中心坐标，/>表示第i个栅格所包含的各剩余点云的位置坐标，j＝1,2,…,k，k表示第i个栅格所包含的各剩余点云的数量，||||表示求模；
各个栅格的粗糙度的获取方法为：
其中，Ii表示第i个栅格的粗糙度，N表示为获取当前栅格的粗糙度而设定的栅格区域范围内所有栅格的数量，N-1表示所述栅格区域范围内除当前栅格以外的邻域栅格的数量，h(m.x,m.y)表示当前栅格的第m个邻域栅格的高度，M表示当前栅格的邻域栅格的合集。
进一步地，地面无人平台在设定时段内的预选轨迹簇的获取方法为：
将速度、角速度以及采样时间作为控制参数，并将不同的控制参数输入适用于前轮转向的阿克曼转向模型，得到的等效输出作为预选轨迹簇Path＝{path1(u1),path1(u2),…,pathn(un),…,pathN(uN)}，其中，pathn(un)表示控制参数un对应的预选轨迹，n＝1,2,…,N，N表示控制参数的组数。
进一步地，地面无人平台在每一条预选轨迹上的行驶代价的获取方法为：
以地面无人平台为中心，建立地面无人平台周围环境的栅格地图，并提取出当前预选轨迹n途经的栅格作为预选栅格；
将预选栅格映射到地面属性地图上，并将高程大于设定阈值的预选栅格数量作为障碍物代价将所有预选栅格的坡度总和作为起伏代价/>所有预选栅格的粗糙度总和作为颠簸代价/>
分别为障碍物代价起伏代价/>颠簸代价/>设定不同的权重，再对三个代价进行加权求和，得到当前预选轨迹n的行驶代价/>
进一步地，获取地面无人平台的目标轨迹后，针对当前时刻的地面属性条件，引入安全性、舒适性以及地面无人平台能耗作为影响因子，并结合地面无人平台的动力学特性，根据预测的地面无人平台在将来设定时段内的运动状态生成地面无人平台的最优行驶速度。
有益效果：
1、本发明提供一种地面无人平台野外机动路径规划方法，构建包含高程、坡度、粗糙度等地面属性的地面属性地图，将预选轨迹簇映射到地面属性地图上，从而可以得到每条预选轨迹所经过地面高度、坡度及粗糙度等地面属性；根据每条预选轨迹需要经过地面的地面属性，计算每条轨迹的行驶代价，利用优化算法搜索获取行驶代价最小的行驶轨迹，能够提高地面无人平台野外机动时的机动速度及效率，保证其安全性，并满足机动行驶的实时性要求。
2、本发明提供一种地面无人平台野外机动路径规划方法，利用深度传感器分析地面形态,生成高维搜索空间，在构建导航地图时采用了基于统计学的方法构建地形图，并同步存储了多种地形特征，可以更好的表征地面无人平台周围的环境信息，能够保证地面无人平台在野外环境还能以最优路径实现高速自主行驶。
3、本发明提供一种地面无人平台野外机动路径规划方法，采用统计学方法建立二维高程栅格地图，并剔除深度点云中的非地面点云，以描述地面无人平台周围的地面高度分布情况；根据高度分布情况建立地面法向量分布图，以描述地面坡度及坡度变化情况；根据高度分布情况统计每个栅格周围一定范围内的高度变化值，以确定地面的粗糙度，描述地面的颠簸情况；由此可见，本发明能够更精确的还原地面无人平台的野外环境地形信息，为最优路径的获取提供了更为精确的地形指导，有利于提高地面无人平台野外机动时的机动速度、机动效率以及行驶安全性。
4、本发明提供一种地面无人平台野外机动路径规划方法，对不同的预选轨迹所经过的地面属性进行不同的权重赋值，然后计算每条轨迹的行驶代价，进而获取行驶代价最小的行驶轨迹，能够提高地面无人平台野外机动时的机动速度及效率。
5、本发明提供一种地面无人平台野外机动路径规划方法，在进行路径规划时充分考虑地形对地面无人平台行驶的影响，并引入安全性、舒适性以及地面无人平台能耗作为影响因子，可以提高地面无人平台在野外机动时的安全性、能耗及机动速度等各项指标。
附图说明
图1为本发明地形估计与路径规划流程示意图；
图2为本发明地面无人平台野外机动路径规划结果示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
为解决地面无人平台在野外高速机动路径规划存在的问题,本发明提供一种基于地形估计的野外路径规划方法，利用深度传感器分析地面形态,生成高维搜索空间,并利用优化算法搜索最优行驶轨迹，如图1所示，具体包括以下步骤：
S1：获取地面无人平台周围环境的地面属性地图以及地面无人平台在设定时段内的预选轨迹簇，其中，地面属性地图包含的属性包括高程、坡度、粗糙度。
需要说明的是，本发明可以根据地面无人平台的动力学模型获取地面无人平台未来一定范围时间内的预选轨迹簇，并根据地面无人平台的类型选用合适的动力学模型进行预选轨迹生成，例如，可以采用适用于前轮转向的阿克曼转向模型来获取预选轨迹簇，具体为：将速度、角速度以及采样时间作为控制参数u＝(v,ω,Δt)，并将不同的控制参数输入适用于前轮转向的阿克曼转向模型，得到的等效输出作为预选轨迹簇Path＝{path1(u1),path1(u2),…,pathn(un),…,pathN(uN)}，其中，Path表示预选轨迹集合，pathn(un)表示控制参数un对应的预选轨迹，n＝1,2,…,N，N表示控制参数的组数。
S2：将预选轨迹簇映射到地面属性地图上，根据各预选轨迹途经地面的属性情况，获取地面无人平台在每一条预选轨迹上的行驶代价，并以行驶代价最低的最优轨迹作为地面无人平台的目标轨迹。
需要说明的是，本发明将预选轨迹簇映射到地面属性地图上，从而可以得到每条预选轨迹所经过地面的高度、坡度及粗糙度等地面属性；然后根据每条轨迹需要经过地面的地面属性，对不同的预选轨迹所经过的地面属性进行权重赋值，并计算每条轨迹的行驶代价，进而获取行驶代价最小的行驶轨迹，具体的，地面无人平台在每一条预选轨迹上的行驶代价的获取方法为：
以地面无人平台为中心，建立地面无人平台周围环境的栅格地图，并提取出当前预选轨迹n途经的栅格作为预选栅格；
将预选栅格映射到地面属性地图上，并将高程大于设定阈值的预选栅格数量作为障碍物代价将所有预选栅格的坡度总和作为起伏代价/>所有预选栅格的粗糙度总和作为颠簸代价/>也就是说，本发明根据地面无人平台的行驶轨迹，将相对高程大于一定阈值的地面视作障碍物，计算地面无人平台在轨迹上经过障碍物的数量，以反映地面无人平台的碰撞情况，记为/>计算地面无人平台坡度相关的行驶代价，以反映地面无人平台的起伏状态，记为/>计算粗糙度相关的行驶代价，反映地面无人平台的颠簸情况，记为/>
分别为障碍物代价起伏代价/>颠簸代价/>设定不同的权重，再对三个代价进行加权求和，得到当前预选轨迹n的行驶代价/>其中，具体加权求和计算公式如下：
式中的wobs、wslop、wBump表示障碍物代价起伏代价/>颠簸代价相对应的权重。根据代价最低，行驶性能最优的基本原则，在轨迹簇Path中选取行驶代价最低的轨迹作为地面无人平台的行驶轨迹。
需要说明的是，获取地面无人平台的目标轨迹后，针对当前时刻的地面属性条件，引入安全性、舒适性以及地面无人平台能耗作为影响因子，并结合地面无人平台的动力学特性，根据预测的地面无人平台在将来设定时段内的运动状态生成地面无人平台的最优行驶速度。
进一步地，地面属性地图的获取方法如下：
S11：利用车载传感器实时获取地面无人平台周围环境的深度信息，其中，深度信息为激光雷达点云，且激光雷达点云包含了地面无人平台周围360°环境的三维数据；
需要说明的是，本发明利用车载传感器实时获取地面无人平台周围环境的深度信息，其中，车载传感器包括但不限于激光雷达、双目相机等，用以实时采集环境深度信息，同时，具体深度信息来源可视地面无人平台装载的深度传感器而定，本发明中获取的深度信息为激光雷达点云，该深度点云包含了地面无人平台周围360°环境的三维数据。
在得到深度信息后，就可以分析周围环境的地形信息，获取地面属性空间，包括高程、坡度、粗糙度等属性，并生成地面属性地图，以此为地面无人平台提供在野外机动时的地形信息，详见步骤的S12～S15。
S12：以地面无人平台为中心建立栅格地图，并利用梯度滤波的方法从激光雷达点云中剔除非连续的非地面点云数据，然后分别根据各栅格中的剩余点云数据获取各个栅格的高度，得到二维高程栅格地图；其中，各个栅格的高度的计算公式具体如下：
其中，Heighti表示第i个栅格的高度，表示第i个栅格的中心坐标，/>表示第i个栅格所包含的各剩余点云的位置坐标，j＝1,2,…,k，k表示第i个栅格所包含的各剩余点云的数量，||||表示求模；
需要说明的是，本发明是基于深度信息，采用统计学的方法建立了二维高程栅格地图，以描述地面无人平台周围的地面高度分布情况；也就是说，本发明在建立初始的栅格地图时，首先以地面无人平台为中心建立40m×40m的栅格地图，每个栅格描述20cm×20cm范围内的地面高度情况；根据地面连续性原理，利用梯度滤波方法，剔除非连续的非地面点云数据；最后，以高斯分布形式平均采样每个栅格坐标周围点云的高度信息，以生成该栅格位置的高度，从而将三维点云数据压缩为二维高程地图。
S13：分别在各栅格的剩余点云中选取两两相互垂直的三个点云作为点云组，对于每个点云组，分别将各点云之间的两两向量的乘积作为点云组所属栅格的法向量，再将法向量的模值作为点云组所属栅格的坡度，得到地面坡度栅格地图；
由此可见，本发明是根据高度分布情况建立地面法向量分布图，法向量可表示所处地面的坡度信息，也即可以描述地面坡度及坡度变化情况。
S14：对于二维高程地图中的每一个栅格，根据其设定邻域范围内的邻域栅格相对于自身的高度变化量的均值获取自身的粗糙度，得到地面粗糙度栅格地图；其中，各个栅格的粗糙度的计算公式具体如下：
其中，Ii表示第i个栅格的粗糙度，N表示为获取当前栅格的粗糙度而设定的栅格区域范围内所有栅格的数量，N-1表示所述栅格区域范围内除当前栅格以外的邻域栅格的数量，h(m.x,m.y)表示当前栅格的第m个邻域栅格的高度，M表示当前栅格的邻域栅格的合集。
需要说明的是，本发明是根据高度分布情况，统计每个栅格周围一定范围内的高度变化值，以确定地面的粗糙度，描述地面的颠簸情况，也就是说，粗糙度是描述地面周围高度分布情况的变量。
S15：将二维高程栅格地图、地面坡度栅格地图、地面粗糙度栅格地图进行整合，得到地面属性地图，如图2所示。
需要说明的是，本发明需要建立合适的数据结构，同步存储高程、坡度、粗糙度等地面属性，建立地面属性地图；例如，本发明可以采用基于Eigen的Matrix类型对地图数据进行存储，Eigen是专业的C++代数开发库，利用其方便高效的代数运算特性，可以快速地存储地图数据，并对地图数据进行数据提取、整合及替换等一系列操作。
当然，本发明还可有其他多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当然可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (6)

1.一种地面无人平台野外机动路径规划方法，其特征在于，包括以下步骤：
获取地面无人平台周围环境的地面属性地图以及地面无人平台在设定时段内的预选轨迹簇，其中，地面属性地图包含的属性包括高程、坡度、粗糙度；
将预选轨迹簇映射到地面属性地图上，根据各预选轨迹途经地面的属性情况，获取地面无人平台在每一条预选轨迹上的行驶代价，并以行驶代价最低的最优轨迹作为地面无人平台的目标轨迹。
2.如权利要求1所述的一种地面无人平台野外机动路径规划方法，其特征在于，地面属性地图的获取方法如下：
利用车载传感器实时获取地面无人平台周围环境的深度信息，其中，深度信息为激光雷达点云，且激光雷达点云包含了地面无人平台周围360°环境的三维数据；
以地面无人平台为中心建立栅格地图，并利用梯度滤波的方法从激光雷达点云中剔除非连续的非地面点云数据，然后分别根据各栅格中的剩余点云数据获取各个栅格的高度，得到二维高程栅格地图；
分别在各栅格的剩余点云中选取两两相互垂直的三个点云作为点云组，对于每个点云组，分别将各点云之间的两两向量的乘积作为点云组所属栅格的法向量，再将法向量的模值作为点云组所属栅格的坡度，得到地面坡度栅格地图；
对于二维高程地图中的每一个栅格，根据其设定邻域范围内的邻域栅格相对于自身的高度变化量的均值获取自身的粗糙度，得到地面粗糙度栅格地图；
将二维高程栅格地图、地面坡度栅格地图、地面粗糙度栅格地图进行整合，得到地面属性地图。
3.如权利要求2所述的一种地面无人平台野外机动路径规划方法，其特征在于，各个栅格的高度的获取方法为：
其中，Heighti表示第i个栅格的高度，表示第i个栅格的中心坐标，/>表示第i个栅格所包含的各剩余点云的位置坐标，j＝1，2，…，k，k表示第i个栅格所包含的各剩余点云的数量，|| ||表示求模；
各个栅格的粗糙度的获取方法为：
其中，Ii表示第i个栅格的粗糙度，N表示为获取当前栅格的粗糙度而设定的栅格区域范围内所有栅格的数量，N-1表示所述栅格区域范围内除当前栅格以外的邻域栅格的数量，h(m.x，m.y)表示当前栅格的第m个邻域栅格的高度，M表示当前栅格的邻域栅格的合集。
4.如权利要求1所述的一种地面无人平台野外机动路径规划方法，其特征在于，地面无人平台在设定时段内的预选轨迹簇的获取方法为：
将速度、角速度以及采样时间作为控制参数，并将不同的控制参数输入适用于前轮转向的阿克曼转向模型，得到的等效输出作为预选轨迹簇Path＝{path1(u1)，path1(u2)，…，pathn(un)，…，pathN(uN)}，其中，pathn(un)表示控制参数un对应的预选轨迹，n＝1，2，…，N，N表示控制参数的组数。
5.如权利要求1所述的一种地面无人平台野外机动路径规划方法，其特征在于，地面无人平台在每一条预选轨迹上的行驶代价的获取方法为：
以地面无人平台为中心，建立地面无人平台周围环境的栅格地图，并提取出当前预选轨迹n途经的栅格作为预选栅格；
将预选栅格映射到地面属性地图上，并将高程大于设定阈值的预选栅格数量作为障碍物代价将所有预选栅格的坡度总和作为起伏代价/>所有预选栅格的粗糙度总和作为颠簸代价/>
分别为障碍物代价起伏代价/>颠簸代价/>设定不同的权重，再对三个代价进行加权求和，得到当前预选轨迹n的行驶代价/>
6.如权利要求1～5任一权利要求所述的一种地面无人平台野外机动路径规划方法，其特征在于，获取地面无人平台的目标轨迹后，针对当前时刻的地面属性条件，引入安全性、舒适性以及地面无人平台能耗作为影响因子，并结合地面无人平台的动力学特性，根据预测的地面无人平台在将来设定时段内的运动状态生成地面无人平台的最优行驶速度。
CN202310586783.5A 2023-05-23 2023-05-23 一种地面无人平台野外机动路径规划方法 Pending CN116642491A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310586783.5A CN116642491A (zh) 2023-05-23 2023-05-23 一种地面无人平台野外机动路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310586783.5A CN116642491A (zh) 2023-05-23 2023-05-23 一种地面无人平台野外机动路径规划方法

Publications (1)

Publication Number Publication Date
CN116642491A true CN116642491A (zh) 2023-08-25

Family

ID=87614656

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310586783.5A Pending CN116642491A (zh) 2023-05-23 2023-05-23 一种地面无人平台野外机动路径规划方法

Country Status (1)

Country Link
CN (1) CN116642491A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117146845A (zh) * 2023-08-28 2023-12-01 北京理工大学 一种无人越野车辆通过障碍地形的安全行为检测方法
CN118464053A (zh) * 2024-07-09 2024-08-09 北京理工大学 一种考虑稳定性的自动驾驶路径规划方法、设备及产品

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117146845A (zh) * 2023-08-28 2023-12-01 北京理工大学 一种无人越野车辆通过障碍地形的安全行为检测方法
CN118464053A (zh) * 2024-07-09 2024-08-09 北京理工大学 一种考虑稳定性的自动驾驶路径规划方法、设备及产品

Similar Documents

Publication Publication Date Title
CN107246876B (zh) 一种无人驾驶汽车自主定位与地图构建的方法及系统
CN116642491A (zh) 一种地面无人平台野外机动路径规划方法
CN112762957B (zh) 一种基于多传感器融合的环境建模及路径规划方法
Levinson et al. Towards fully autonomous driving: Systems and algorithms
CN108569336B (zh) 在动力学约束下基于车辆运动学模型转向控制方法
CN112578673B (zh) 无人方程式赛车多传感器融合的感知决策与跟踪控制方法
CN109885883A (zh) 一种基于gk聚类算法模型预测的无人车横向运动的控制方法
CN114474061A (zh) 基于云服务的机器人多传感器融合定位导航系统及方法
CN102788591A (zh) 基于视觉信息的机器人沿引导线巡线导航方法
CN113345008A (zh) 一种考虑轮式机器人位姿估计的激光雷达动态障碍物检测方法
CN115903888B (zh) 一种基于天牛群算法的旋翼无人机自主路径规划方法
CN107168369A (zh) 一种欠驱动无人车的编队控制方法及系统
CN109343537A (zh) 全自主驾驶竞速小车及运行方法
CN113674355A (zh) 一种基于相机与激光雷达的目标识别与定位方法
CN114791734A (zh) 一种基于语义信息串联的履带车辆的控制方法及系统
CN111123953A (zh) 人工智能大数据下粒子化移动机器人组及其控制方法
CN116136417B (zh) 一种面向越野环境的无人驾驶车辆局部路径规划方法
CN116859979A (zh) 一种无人机的运动路径规划方法、无人机及存储介质
CN116048120B (zh) 一种未知动态环境下小型四旋翼无人机自主导航系统及方法
Chen et al. An Intelligent Navigation Control Approach for Autonomous Unmanned Vehicles via Deep Learning-Enhanced Visual SLAM Framework
Ribeiro et al. 3D monitoring of woody crops using an unmanned ground vehicle
Prophet et al. CNN based road course estimation on automotive radar data with various gridmaps
CN112747752B (zh) 基于激光里程计的车辆定位方法、装置、设备和存储介质
Wang et al. Stable Obstacle Avoidance Strategy for Crawler-Type Intelligent Transportation Vehicle in Non-Structural Environment Based on Attention-Learning
Haselberger et al. Deep learning for lateral vehicle control–an end-to-end trained multi-fusion steering model

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