CN116994436B - 一种智慧矿山道路碰撞预警方法 - Google Patents
一种智慧矿山道路碰撞预警方法 Download PDFInfo
- Publication number
- CN116994436B CN116994436B CN202311243286.1A CN202311243286A CN116994436B CN 116994436 B CN116994436 B CN 116994436B CN 202311243286 A CN202311243286 A CN 202311243286A CN 116994436 B CN116994436 B CN 116994436B
- Authority
- CN
- China
- Prior art keywords
- target
- track
- collision
- target object
- road
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000001514 detection method Methods 0.000 claims abstract description 60
- 230000033001 locomotion Effects 0.000 claims abstract description 52
- 230000008447 perception Effects 0.000 claims abstract description 33
- 238000011156 evaluation Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 55
- 230000001133 acceleration Effects 0.000 claims description 17
- 238000000926 separation method Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 abstract description 9
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 16
- 239000011159 matrix material Substances 0.000 description 7
- 238000004590 computer program Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 238000005065 mining Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000010485 coping Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0953—Predicting travel path or likelihood of collision the prediction being responsive to vehicle dynamic parameters
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/404—Characteristics
- B60W2554/4041—Position
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/404—Characteristics
- B60W2554/4042—Longitudinal speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/404—Characteristics
- B60W2554/4043—Lateral speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2556/00—Input parameters relating to data
- B60W2556/40—High definition maps
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种智慧矿山道路碰撞预警方法,涉及智慧矿山技术领域,应用于露天矿山的防碰撞监测,包含:通过矿山道路场景的感知数据,获得目标对象的跟踪结果;基于跟踪结果,结合路侧区域高精度地图的道路信息,确定用于预测目标对象未来运动轨迹的目标轨迹;在矿山道路场景范围内,遍历感知到的所有目标对象的目标轨迹,挑选最大概率的目标轨迹进行碰撞检测评估,确定碰撞预警信息。本发明提出了一种智慧矿山道路的碰撞预警方法,针对露天矿山的生产作业环境提供了从感知、轨迹预测到碰撞检测的一整套道路碰撞预警的解决方案和系统,该系统计算量低,易于部署,可扩展性强。
Description
技术领域
本发明涉及智慧矿山技术领域,应用于露天矿山的防碰撞监测,具体地说,涉及一种智慧矿山道路碰撞预警方法。
背景技术
近年来,随着人工智能的不断发展,自动驾驶逐渐成为交通领域的研究热点,其中智慧矿山则成功地将自动驾驶技术应用于矿用车辆,将工人从恶劣寒冷的矿区环境中解脱出来,极大地提高了矿山的生产和运输效率,具备巨大经济价值和社会价值。智慧矿山发展的首要任务是保证矿用车辆的交通安全,因此对自动驾驶车辆碰撞的有效预警显得尤为重要。
在轨迹预测环节,现有技术存在两类问题:一是数据利用不合理所以无法很好的适用于复杂的矿山场景,具体表现为现有技术CN114647236A,该现有技术仅能处理激光雷达采集的点云数据,无法适用于复杂的矿山场景,而且该现有技术引入高精度地图的作用是筛选道路上的点云信息,没有更好地挖掘高精度地图包含的有用信息;二是虽然考虑到复杂环境下目标类型差异的影响,但是却以增加耗时为代价来提升预测精度,具体表现为现有技术CN115148025A,该现有技术考虑到复杂环境下预测目标类型的差异性,这给面对复杂的交通驾驶环境的轨迹预测任务提供了一个新的解决方法,但是,地图信息、交通目标和交通参与者的历史轨迹信息等大量数据帧的叠加显著提升了该系统的复杂程度,不利于做出快速响应。
针对现有技术的问题,本发明提供了一种智慧矿山道路碰撞预警方法。
发明内容
针对目前现有技术的问题,本发明提供了一种智慧矿山道路碰撞预警方法,所述方法包含:
通过矿山道路场景的感知数据,获得目标对象的跟踪结果;
基于所述跟踪结果,结合路侧区域高精度地图的道路信息,确定用于预测目标对象未来运动轨迹的目标轨迹;
在矿山道路场景范围内,遍历感知到的所有目标对象的目标轨迹,挑选最大概率的目标轨迹进行碰撞检测评估,确定碰撞预警信息。
根据本发明的一个实施例,通过以下步骤获得所述感知数据:将工业相机和激光雷达作为采集传感器,采集得到矿山道路场景的所述感知数据,其中,在对所述感知数据进行采集的同时进行时间同步,通过统一时钟源发送触发信号,触发不同的采集传感器采集数据,并给所有采集数据赋予触发时刻的时间戳,实现不同采集传感器数据的纳秒级时间同步。
根据本发明的一个实施例,通过以下步骤获得所述跟踪结果:针对所述感知数据,通过目标检测算法、实例分割算法、深度估计算法、多目标跟踪算法和多传感器融合算法,获得目标对象的所述跟踪结果,其中,所述多目标跟踪算法采用卡尔曼滤波方法,所述多传感器融合算法指对由不同采集传感器采集继而采用不同感知算法预测的感知结果进行融合的算法。
根据本发明的一个实施例,通过以下步骤确定包含目标对象位置信息、速度信息、加速度信息的所述目标轨迹:
利用所述跟踪结果中的目标位姿、速度以及加速度,构建针对目标对象的运动模型;
基于所述运动模型,初始化历史轨迹列表中的状态,并更新历史轨迹列表中的信息和每个目标对象的历史轨迹点;
当目标对象为行人或非机动车时,采用卡尔曼滤波技术进行目标对象运动轨迹的预测,生成所述目标轨迹,其中,预测时仅考虑道路区域边界的约束;
当目标对象为机动车时,利用路侧区域高精度地图的所述道路信息中的车道引导线信息,沿车道引导线的方向进行目标对象的预测轨迹,生成所述目标轨迹,其中,预测时考虑道路区域边界约束和车道引导线的方向约束;
删除历史轨迹列表中生命周期终结的轨迹。
根据本发明的一个实施例,当目标对象为机动车时,通过以下步骤实现车道引导线的方向约束,以得到所述目标轨迹:
在路侧区域高精度地图中寻找距离目标对象位置最近的车道引导线并对其做线性插值;
将目标对象位置和线性插值后最近的车道引导线的位置信息,由笛卡尔坐标系转换至Frenet坐标系;
在Frenet坐标系下,应用轨迹预测算法生成目标对象的预测轨迹,作为Frenet坐标系下车道引导线方向约束的目标轨迹;
将Frenet坐标系下的目标轨迹,转换至笛卡尔坐标系,得到笛卡尔坐标系下车道引导线方向约束的目标轨迹,结合道路区域边界的约束结果,得到所述目标轨迹。
根据本发明的一个实施例,所述轨迹预测算法包含以下步骤:
将目标对象位置投影到线性插值后最近的车道引导线上,以投射点为基础,将高精度地图坐标系下目标对象的运动状态进行分解,获得沿车道引导线方向的位置、速度、加速度;
进行运动状态分解后,将目标对象在高精度地图坐标系下的位置、速度、加速度转换到Frenet坐标系;
在Frenet坐标系下,通过限制目标对象在横轴方向的运动分量实现目标对象未来运动方向的约束,得到所述目标轨迹。
根据本发明的一个实施例,通过以下步骤确定所述碰撞预警信息:
在矿山道路场景范围内,遍历感知到的所有目标对象的目标轨迹,确定最大概率的目标轨迹;
采用分离轴碰撞检测算法,对每个目标预测轨迹上的点对应的目标框进行碰撞检测评估,确定未来可能发生碰撞的碰撞点;
根据检测到的所述碰撞点输出碰撞位置、参与碰撞的目标以及碰撞时间。
根据本发明的一个实施例,通过以下步骤确定所述碰撞点:
判断目标对象与车道引导线的夹角,选取夹角最小的目标轨迹,作为最大概率的目标轨迹;
以每个目标预测轨迹上的点为中心位置构建目标3D框,利用IOU指标来评估目标3D框之间的重叠度,判断两个目标3D框之间是否存在交点,如果存在则该交点即为所述碰撞点。
根据本发明的另一个方面,还提供了一种存储介质,其包含用于执行如上任一项所述的一种智慧矿山道路碰撞预警方法的一系列指令。
根据本发明的另一个方面,还提供了一种智慧矿山道路碰撞预警系统,执行如上任一项所述的方法,所述系统包含:
目标感知模块,其用于通过矿山道路场景的感知数据,获得目标对象的跟踪结果;
轨迹预测模块,其基于所述跟踪结果,结合路侧区域高精度地图的道路信息,确定用于预测目标对象未来运动轨迹的目标轨迹;
碰撞检测模块,其用于在矿山道路场景范围内,遍历感知到的所有目标对象的目标轨迹,挑选最大概率的目标轨迹进行碰撞检测评估,确定碰撞预警信息。
本发明提供了一种智慧矿山道路碰撞预警方法,与现有技术相比,具备以下优势:
1)本发明提出了一种智慧矿山道路的碰撞预警方法,针对露天矿山的生产作业环境提供了从感知、轨迹预测到碰撞检测的一整套道路碰撞预警的解决方案和系统,该系统计算量低,易于部署,可扩展性强。目前针对矿山无人驾驶场景的碰撞检测研究相对较少,对障碍物碰撞监测系统的设计并不完善,因此本发明有其不可替代性;
2)本发明通过目标感知、轨迹预测和碰撞检测三个模块构建了一整套针对露天矿山自动驾驶车辆的防碰撞监测系统。在轨迹预测模块,本发明的优势有两点,一是针对不同目标类型采用不同的预测方法,提高了系统对复杂矿山道路环境的应对能力;二是借助高精度地图数据的道路信息来生成机动车目标的运动轨迹,提高了轨迹预测精度。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例共同用于解释本发明,并不构成对本发明的限制。在附图中:
图1显示了根据本发明的一个实施例的一种智慧矿山道路碰撞预警方法的步骤流程图;
图2显示了根据本发明的一个实施例的目标轨迹预测过程的步骤流程图;
图3显示了根据本发明的一个实施例的Frenet坐标系示意图;
图4显示了根据本发明的一个实施例的一种智慧矿山道路碰撞预警系统的结构框图。
附图中,相同的部件使用相同的附图标记。另外,附图并未按照实际的比例绘制。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,以下结合附图对本发明实施例作进一步地详细说明。
碰撞预警的实现涉及自动驾驶中感知、轨迹预测和碰撞检测三个环节的配合,前期环节的表现影响着碰撞检测的准确性。
本发明在感知环节利用相机和激光雷达等传感器采集数据,然后使用目标检测、跟踪等感知算法和传感器融合算法实现目标感知的目的,生成感知结果。
现有技术中,在轨迹预测环节利用轨迹预测的算法根据感知结果生成目标运动轨迹,轨迹预测环节一般采用卡尔曼滤波方法来进行预测,然而,现有技术CN114647236A指出卡尔曼滤波方法忽略了障碍物之间的交互信息对障碍物未来轨迹的影响,于是该现有技术公开一种基于高精度地图和激光雷达的轨迹预测方法来解决该问题,并提出利用高精度地图来筛选道路信息,有效减少冗余数据,此举不仅提升了预测精度而且提高了模型的运行速度。但是,该现有技术仅能处理激光雷达采集的点云数据,无法适用于复杂的矿山场景,而且该现有技术引入高精度地图的作用是筛选道路上的点云信息,没有更好地挖掘高精度地图包含的有用信息。同样结合了高精度地图信息,现有技术CN115148025A针对不同类型的交通目标和较复杂的交通环境提出一种交通目标轨迹预测方法,该方法借助高精地图信息确认交通目标及目标周围交通参与者的运行区域和轨迹特征,通过残差神经网络构建轨迹预测模型并基于这些特征信息进行训练自动调整模型参数以达到最佳匹配效果,提高对不同类型交通目标轨迹预测判断的准确性和对复杂交通环境的适应能力。该现有技术考虑到复杂环境下预测目标类型的差异性,这给面对复杂的交通驾驶环境的轨迹预测任务提供了一个新的解决方法,但是,地图信息、交通目标和交通参与者的历史轨迹信息等大量数据帧的叠加显著提升了该系统的复杂程度,不利于做出快速响应。
针对现有技术的上述缺陷,为避免对系统反应速度的影响并且在矿山场景下具有良好的表现,本发明在轨迹预测环节,对不同类型目标采用不同方法来预测目标未来轨迹来提升整体预测精度,进一步地,对于机动车类型目标,借助高精度地图的道路信息来引导生成轨迹的方向,实现对目标轨迹的精准预测。
碰撞检测环节的功能是对生成的目标轨迹进行碰撞检测并输出预警信息,当前对碰撞检测技术的研究主要有基于像素检测的碰撞检测算法,基于像素检测算法的特点是预测精度较高,但是,由于需要对目标的所有像素进行测试,所以该算法计算量极大,会大大减慢系统的运行速度。
针对现有技术的上述缺陷,考虑到矿山无人驾驶对实时性的要求,本发明选择基于分离轴定理的算法来完成碰撞检测的任务,与像素检测算法相比,基于分离轴定理的算法可以在计算量相对较小的条件下保持较高的预测精度。
针对现有技术的上述缺陷,本发明基于对感知、轨迹预测和碰撞检测三个过程分析,本发明提出一种智慧矿山道路碰撞方法,该方法由目标感知、轨迹预测和碰撞检测三部分构成,首先,目标感知过程中,利用检测、跟踪和多传感器融合算法获得目标对象的跟踪结果;然后,轨迹预测过程中,针对不同的目标类型采用不同方法来预测目标对象的运动轨迹,并利用高精度地图供的道路先验信息来提升对无人驾驶车辆轨迹的预测精度;最后,采用基于分离轴定理的算法来完成碰撞检测任务。
图1显示了根据本发明的一个实施例的一种智慧矿山道路碰撞预警方法的步骤流程图。
如图1所示,在步骤S101中,通过矿山道路场景的感知数据,获得目标对象的跟踪结果。
在一个实施例中,在步骤S101中,通过以下步骤获得感知数据:将工业相机和激光雷达作为采集传感器,采集得到矿山道路场景的感知数据,其中,在对感知数据进行采集的同时进行时间同步,通过统一时钟源发送触发信号,触发不同的采集传感器采集数据,并给所有采集数据赋予触发时刻的时间戳,实现不同采集传感器数据的纳秒级时间同步。
在一个实施例中,在步骤S101中,通过以下步骤获得跟踪结果:针对感知数据,通过目标检测算法、实例分割算法、深度估计算法、多目标跟踪算法和多传感器融合算法,获得目标对象的跟踪结果,其中,多目标跟踪算法采用卡尔曼滤波方法,多传感器融合算法指对由不同采集传感器采集继而采用不同感知算法预测的感知结果进行融合的算法。
具体来说,从采集传感器设备读取感知数据,并对数据进行格式转换,然后将格式转换后的数据进行目标感知过程。进一步地,目标感知过程可以对输入的感知数据进行目标检测、分割和跟踪等预测,获得目标跟踪结果。
卡尔曼滤波是一种最优估计算法,算法以(K-1)时刻的最优估计Xk-1为准,预测K时刻的状态变量,同时又对该状态进行观测,得到观测变量Zk,再在预测与观测之间进行分析,或者说是以观测量对预测量进行修正,从而得到K时刻的最优状态估计Xk。在多目标跟踪过程中,状态变量为目标的三维位置以及速度([x , y , z , vx, vy, vz]),可通过目标运动模型计算得到,观测变量为目标的三维位置([x , y , z]),通过目标检测算法得到。在实际情况中,还可以将目标的朝向以及尺寸信息加入状态变量和观测变量中,以得到目标朝向和尺寸信息的最优估计。经过多目标跟踪算法,每个融合目标都通过轨迹管理了起来,建立了帧间目标的时序相关性,方便后续轨迹预测过程对感知结果的使用。
根据多传感器融合算法的融合结果的首帧结果建立轨迹,将融合结果与轨迹关联,对目标观测值进行最优估计,得到更加平滑准确的检测结果,同时也计算出目标的速度和加速度等信息。
如图1所示,在步骤S102中,基于跟踪结果,结合路侧区域高精度地图的道路信息,确定用于预测目标对象未来运动轨迹的目标轨迹。
具体来说,轨迹预测过程会接收目标感知过程输出的跟踪结果,并结合路侧区域高精度地图的道路信息,输出目标对象未来的运动轨迹(例如未来8秒的运动轨迹)。其中,跟踪结果包括目标位姿、速度和加速度信息;高精度地图的道路信息包括车道引导线(一般为车道中心线)、平整度以及坡度信息;运动轨迹包括位置信息、速度、加速度。
图2显示了根据本发明的一个实施例的目标轨迹预测过程的步骤流程图。
如图2所示,在步骤S102中,通过以下步骤确定包含目标对象位置信息、速度信息、加速度信息的目标轨迹:
需要说明的是,目标轨迹输出的结果是未来一段时间内目标对象的位置信息。在一个实施例中,目标轨迹输出未来8秒的预测轨迹,即未来8秒内,每1秒目标对象的位置信息,共8个点信息。
1)利用前后两帧检测结果中的3D目标尺寸及3D目标位姿,构建针对目标对象的运动模型。具体来说,通过目标跟踪,可以对目标对象过去或现在的状态信息进行跟踪,即目标跟踪的输出结果是3D目标对象尺寸(长、宽、高)、3D目标位姿(x,y,z,roll,pitch,yaw)、速度与加速度,其中,3D目标位姿中,x、y、z表示目标对象的位置信息,roll表示目标对象的翻滚角,即沿自身坐标系(X轴向前的坐标系)的X轴旋转的角度,pitch表示目标对象的俯仰角,即沿自身坐标系(X轴向前的坐标系)的Y轴旋转的角度,yaw表示目标对象的偏航角,即沿世界坐标系的Z轴旋转的角度。
进一步地,基于跟踪结果中的3D目标对象尺寸(长、宽、高)、3D目标位姿(x,y,z,roll,pitch,yaw),采用卡尔曼滤波,利用CV(constant vehicle,匀速运动)模型来预测目标状态。
其中,构建针对目标对象的运动模型为CV(constant vehicle,匀速运动)模型,CV模型的作用是根据上一帧目标对象的状态(位置和速度)、时间间隔以及匀速运动的假设,预测目标对象在当前时间的位置和速度,并估计状态的不确定性。CV模型的输出是预测的状态和协方差矩阵。
2)基于运动模型,初始化历史轨迹列表中的状态,并更新历史轨迹列表中的信息和每个目标对象的历史轨迹点。
具体来说,通过以下步骤初始化历史轨迹列表中的状态:开始进行目标跟踪时,需要为目标分配一个初始状态。在一个实施例,利用已知的观测数据或者先验知识来估计目标对象的位置、速度、加速度等状态参数,并将其作为目标对象的初始状态。
具体来说,通过以下步骤211)-215)更新历史轨迹列表中的信息:
211)预测目标状态:CV模型假设目标在匀速运动下,因此可以使用位置和速度作为状态参数。CV模型可以根据目标在上一帧的状态(位置和速度)并结合时间间隔,计算出目标在当前帧的状态(位置和速度);
212)预测协方差:除了预测状态外,还需要计算预测状态的协方差矩阵。根据CV模型和上一帧目标状态的协方差矩阵,可以进行协方差的预测;
213)更新步骤:利用实际观测到的数据进行状态的更新。将预测的状态与实际的观测数据进行比较,计算卡尔曼增益。然后使用卡尔曼增益来修正预测状态,得到更新后的状态;
214)更新协方差:同样地,根据卡尔曼增益和预测的协方差矩阵,计算更新后的协方差矩阵;
215)存储更新结果:将更新后的状态和协方差存储到历史轨迹列表中。
具体来说,通过以下步骤221)-224)更新每个目标对象的历史轨迹点:
221)初始化目标对象的历史轨迹点列表:为每个目标对象创建一个空的历史轨迹点列表,用于存储该目标对象的历史轨迹信息;
222)获取目标对象的当前观测数据:根据实际情况,从传感器获取目标对象的观测数据,如位置、速度等;
223)通过观测数据更新目标对象的状态估计值和协方差矩阵。这一步骤通常包括预测目标状态、计算卡尔曼增益、更新状态和更新协方差矩阵;
224)将更新后的状态估计值加入历史轨迹点列表中:将每次更新后的目标对象状态估计值(如位置、速度)加入到目标对象的历史轨迹点列表中;
3)当目标对象为行人或非机动车时,采用卡尔曼滤波技术进行目标对象运动轨迹的预测,生成目标轨迹,其中,预测时仅考虑道路区域边界的约束。
具体来说,当目标对象为行人或非机动车时,使用构建的CV模型外推预测轨迹,在进行预测时仅考虑道路区域边界的约束,其中,道路区域边界约束指目标矿区内道路边界的约束,如图3中的道路边界。
4)当目标对象为机动车时,利用路侧区域高精度地图的道路信息中的车道引导线信息,沿车道引导线的方向进行目标对象的预测轨迹,生成目标轨迹,其中,预测时考虑道路区域边界约束和车道引导线的方向约束。
具体来说,当目标对象为机动车时,不仅需要考虑道路区域边界约束,还需要考虑车道引导线的方向约束,其中,车道引导线的方向约束指:利用车道引导线信息,沿着车道引导线的走势生成预测轨迹。
5)删除历史轨迹列表中生命周期终结的轨迹。
在一个实施例中,在步骤4)中,当目标对象为机动车时,通过以下步骤实现车道引导线的方向约束,以得到目标轨迹:
a)在路侧区域高精度地图中寻找距离目标对象位置最近的车道引导线并对其做线性插值。具体来说,由于车道引导线的标注结果往往较为稀疏,因此对距离目标最近的车道中心线做线性插值以增加车道中心线对应的中心点;
b)将目标对象位置和线性插值后最近的车道引导线的位置信息,由笛卡尔坐标系转换至Frenet坐标系;
c)在Frenet坐标系下,应用轨迹预测算法生成目标对象的预测轨迹,作为Frenet坐标系下车道引导线方向约束的目标轨迹;
d)将Frenet坐标系下的目标轨迹,转换至笛卡尔坐标系,得到笛卡尔坐标系下车道引导线方向约束的目标轨迹,结合道路区域边界的约束结果,得到目标轨迹。
图3显示了根据本发明的一个实施例的Frenet坐标系示意图。
Frenet坐标系(Frenet Coordinates)是一种比传统笛卡尔坐标系(x,y)更直观表示道路位置的方式,在Frenet坐标系下,可以将汽车的运动状态简化为一个三阶运动系统,车辆运动可以分解为沿中心线运动和垂直于道路中心线运动两个部分。因此,在Frenet坐标系中,使用变量s和变量l来描述车辆在道路上的位置,s坐标表示沿道路的距离(也称为纵向位移),l坐标表示道路上的左右位置(也称为横向位移)。
如图3所示,在Frenet坐标系中,使用道路的中心线(车道引导线)作为参考线,使用参考线的切线向量和法线向量建立一个坐标系,它以车辆自身为原点,坐标轴互相垂直,分为s方向(即沿着参考线的方向,通常被称为纵向,Longitudinal)和l方向(即参考线当前的法向,通常被称为横向,Lateral)。
在一个实施例中,在步骤c)中,轨迹预测算法包含以下步骤:将目标对象位置投影到线性插值后最近的车道引导线上,以投射点为基础,将高精度地图坐标系下目标对象的运动状态进行分解,获得沿车道引导线方向的位置、速度、加速度;进行运动状态分解后,将目标对象在高精度地图坐标系下的位置、速度、加速度转换到Frenet坐标系;在Frenet坐标系下,通过限制目标对象在横轴方向的运动分量实现目标对象未来运动方向的约束,得到目标轨迹。
具体来说,利用车道引导线约束目标的运动方向,运动方向的约束是在Frenet坐标系下工作的。Frenet坐标系是以车道引导线为基准,沿引导线方向为纵轴(s),垂直于引导线方向为横轴(l),如图3所示。给定车道引导线,按照车辆位置(目标对象为机动车时),将其投影到引导线上,以投射点为基础,将地图坐标系下当前车辆的运动状态进行分解,获得延引导线方向的位置、速度、加速度。进行运动分解后,车辆在地图坐标系下的运动模型也能够相应转换到Frenet坐标系下。车辆未来运动方向的约束可以通过限制车辆在横轴l方向的运动分量实现,从而让车辆的预测轨迹方向尽可能沿着车道引导线,提升轨迹预测的准确性。
如图1所示,在步骤S103中,在矿山道路场景范围内,遍历感知到的所有目标对象的目标轨迹,挑选最大概率的目标轨迹进行碰撞检测评估,确定碰撞预警信息。
在一个实施例中,在步骤S103中,通过以下步骤S1031-S1033确定碰撞预警信息:
在步骤S1031中,在矿山道路场景范围内,遍历感知到的所有目标对象的目标轨迹,确定最大概率的目标轨迹。具体来说,对于轨迹预测过程生成的目标轨迹,碰撞检测过程会遍历感知到的所有目标轨迹,然后挑选最大概率的目标轨迹进行碰撞检测评估,其中,轨迹概率是通过判断车辆与车道引导线的夹角来计算的,夹角越小,轨迹概率越大。
在步骤S1032中,采用分离轴碰撞检测算法,对每个目标预测轨迹上的点对应的目标框进行碰撞检测评估,确定未来可能发生碰撞的碰撞点。具体来说,采用分离轴碰撞检测算法对每个目标预测轨迹上的点对应的目标框进行碰撞检测评估,利用IOU指标(Intersection over Union,重叠度)来评估目标框的重叠度,若有交集则表示容易发生碰撞。
分离轴碰撞检测算法是根据分离轴定理进行碰撞检测的,分离轴定理提出若存在一根轴线可以使得两个物体在该轴线上投影不重叠,则表明两个物体不相交,该定理可用于判定两个目标是否有可能发生碰撞。与其它碰撞检测算法相比,本发明采用基于分离轴定理的方法不仅检测结果准确,而且计算速度很快,可以缩短系统运行时间。
以预测出的目标轨迹点为中心位置构建目标3D框,判断是否有两目标框存在交点,如果存在则该交点即为碰撞点。
在步骤S1033中,根据检测到的碰撞点输出碰撞位置、参与碰撞的目标以及碰撞时间。
在一个实施例中,在步骤S103中,通过以下步骤确定碰撞点:判断目标对象与车道引导线的夹角,选取夹角最小的目标轨迹,作为最大概率的目标轨迹;以每个目标预测轨迹上的点为中心位置构建目标3D框,利用IOU指标来评估目标3D框之间的重叠度,判断两个目标3D框之间是否存在交点,如果存在则该交点即为碰撞点。
本发明提供一种路侧监控视角下的一整套针对露天矿山的防碰撞监测方法,该方法包括目标感知、轨迹预测和碰撞检测三个过程,利用高精度地图的道路信息来提升轨迹预测的精度,通过分离轴定理对目标轨迹进行碰撞检测,在矿山道路上预测了未来8秒内潜在的碰撞事件。
本发明提供一种利用高精度地图道路先验信息进行轨迹预测的方法,该方法以车道引导线为锚点,结合目标的速度和方向,预测了目标在未来8秒的运动轨迹,显著增强了矿山自动驾驶车辆在矿区复杂路段的规划性能,提升了车辆的行驶效率与安全性。
本发明提供的一种智慧矿山道路碰撞预警方法还可以配合一种计算机可读取的存储介质,存储介质上存储有计算机程序,执行计算机程序以运行一种智慧矿山道路碰撞预警方法。计算机程序能够运行计算机指令,计算机指令包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。
计算机可读取的存储介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
需要说明的是,计算机可读取的存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读取的存储介质不包括电载波信号和电信信号。
图4显示了根据本发明的一个实施例的一种智慧矿山道路碰撞预警系统的结构框图。
根据本发明的另一个方面,还提供了一种智慧矿山道路碰撞预警系统,执行一种智慧矿山道路碰撞预警方法,系统包含:目标感知模块、轨迹预测模块、碰撞检测模块。
目标感知模块用于通过矿山道路场景的感知数据,获得目标对象的跟踪结果;轨迹预测模块基于跟踪结果,结合路侧区域高精度地图的道路信息,确定用于预测目标对象未来运动轨迹的目标轨迹;碰撞检测模块用于在矿山道路场景范围内,遍历感知到的所有目标对象的目标轨迹,挑选最大概率的目标轨迹进行碰撞检测评估,确定碰撞预警信息。
本发明提供了针对露天矿山的一整套防碰撞监测方案。本发明通过目标感知、轨迹预测和碰撞检测三个模块构建了防碰撞检测系统。目标感知模块对输入数据进行目标感知,然后输出跟踪结果给轨迹预测模块;轨迹预测模块利用高精度地图的道路信息来提升预测精度,对障碍物运动轨迹进行精准预测;碰撞检测模块采用分离轴定理对预测出的目标轨迹进行碰撞检测,预测矿山道路在未来8秒内的碰撞事件。
本发明基于高精度地图信息实现对矿山道路障碍物的精准轨迹预测。本发明以车道引导线为锚点,结合速度和方向,预测了障碍物未来的运动轨迹,高精度地图的信息的引入增强了对矿山自动驾驶车辆轨迹的预测精度,提高了算法对复杂环境的应对能力。
综上,本发明提供了一种智慧矿山道路碰撞预警方法,与现有技术相比,具备以下优势:
1)本发明提出了一种智慧矿山道路的碰撞预警方法,针对露天矿山的生产作业环境提供了从感知、轨迹预测到碰撞检测的一整套道路碰撞预警的解决方案和系统,该系统计算量低,易于部署,可扩展性强。目前针对矿山无人驾驶场景的碰撞检测研究相对较少,对障碍物碰撞监测系统的设计并不完善,因此本发明有其不可替代性;
2)本发明通过目标感知、轨迹预测和碰撞检测三个模块构建了一整套针对露天矿山自动驾驶车辆的防碰撞监测系统。在轨迹预测模块,本发明的优势有两点,一是针对不同目标类型采用不同的预测方法,提高了系统对复杂矿山道路环境的应对能力;二是借助高精度地图数据的道路信息来生成机动车目标的运动轨迹,提高了轨迹预测精度。
应该理解的是,本发明所公开的实施例不限于这里所公开的特定结构、处理步骤或材料,而应当延伸到相关领域的普通技术人员所理解的这些特征的等同替代。还应当理解的是,在此使用的术语仅用于描述特定实施例的目的,而并不意味着限制。
在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上;术语“上”、“下”、“左”、“右”、“内”、“外”、“前端”、“后端”、“头部”、“尾部”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”等仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
某些术语在本申请文件中自始至终用来指示特定系统部件。如本领域的技术人员将认识到的那样,通常可以用不同的名称来指示相同的部件,因而本申请文件不意图区别那些只是在名称上不同而不是在功能方面不同的部件。在本申请文件中,以开放的形式使用术语“包括(comprise)”、“包含(include)”和“具有(have)”,并且因此应将其解释为意指“包括但不限于…”。此外,在本文中可能使用的术语“基本上”、“实质上”或者“近似地”涉及行业所接受的对相应术语的容差。如在本文中可能采用的术语“耦合”包括直接耦合和经由另外的组件、元件、电路、或者模块的间接耦合,其中对于间接耦合来说,介于其间的组件、元件、电路、或模块不更改信号的信息但是可调整其电流水平、电压水平、和/或功率水平。推断的耦合(例如其中一个元件通过推断耦合至另一个元件)包括以与“耦合”同样的方式在两个元件之间的直接和间接的耦合。
说明书中提到的“一个实施例”或“实施例”意指结合实施例描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此,说明书通篇各个地方出现的短语“一个实施例”或“实施例”并不一定均指同一个实施例。
本发明的实施例是为了示例和描述起见而给出的,而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显而易见的。选择和描述实施例是为了更好说明本发明的原理和实际应用,并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。
虽然本发明所公开的实施方式如上,但所述的内容只是为了便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属技术领域内的技术人员,在不脱离本发明所公开的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本发明的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (8)
1.一种智慧矿山道路碰撞预警方法,其特征在于,所述方法包含:
通过矿山道路场景的感知数据,获得目标对象的跟踪结果;
基于所述跟踪结果,结合路侧区域高精度地图的道路信息,确定用于预测目标对象未来运动轨迹的目标轨迹;
在矿山道路场景范围内,遍历感知到的所有目标对象的目标轨迹,挑选最大概率的目标轨迹进行碰撞检测评估,确定碰撞预警信息;
通过以下步骤确定所述碰撞预警信息:在矿山道路场景范围内,遍历感知到的所有目标对象的目标轨迹,确定最大概率的目标轨迹;采用分离轴碰撞检测算法,对每个目标预测轨迹上的点对应的目标框进行碰撞检测评估,确定未来可能发生碰撞的碰撞点;根据检测到的所述碰撞点输出碰撞位置、参与碰撞的目标以及碰撞时间;
通过以下步骤确定所述碰撞点:判断目标对象与车道引导线的夹角,选取夹角最小的目标轨迹,作为最大概率的目标轨迹;以每个目标预测轨迹上的点为中心位置构建目标3D框,利用IOU指标来评估目标3D框之间的重叠度,判断两个目标3D框之间是否存在交点,如果存在则该交点即为所述碰撞点。
2.如权利要求1所述的一种智慧矿山道路碰撞预警方法,其特征在于,通过以下步骤获得所述感知数据:将工业相机和激光雷达作为采集传感器,采集得到矿山道路场景的所述感知数据,其中,在对所述感知数据进行采集的同时进行时间同步,通过统一时钟源发送触发信号,触发不同的采集传感器采集数据,并给所有采集数据赋予触发时刻的时间戳,实现不同采集传感器数据的纳秒级时间同步。
3.如权利要求1所述的一种智慧矿山道路碰撞预警方法,其特征在于,通过以下步骤获得所述跟踪结果:针对所述感知数据,通过目标检测算法、实例分割算法、深度估计算法、多目标跟踪算法和多传感器融合算法,获得目标对象的所述跟踪结果,其中,所述多目标跟踪算法采用卡尔曼滤波方法,所述多传感器融合算法指对由不同采集传感器采集继而采用不同感知算法预测的感知结果进行融合的算法。
4.如权利要求1所述的一种智慧矿山道路碰撞预警方法,其特征在于,通过以下步骤确定包含目标对象位置信息、速度信息、加速度信息的所述目标轨迹:
利用所述跟踪结果中的目标位姿、速度以及加速度,构建针对目标对象的运动模型;
基于所述运动模型,初始化历史轨迹列表中的状态,并更新历史轨迹列表中的信息和每个目标对象的历史轨迹点;
当目标对象为行人或非机动车时,采用卡尔曼滤波技术进行目标对象运动轨迹的预测,生成所述目标轨迹,其中,预测时仅考虑道路区域边界的约束;
当目标对象为机动车时,利用路侧区域高精度地图的所述道路信息中的车道引导线信息,沿车道引导线的方向进行目标对象的预测轨迹,生成所述目标轨迹,其中,预测时考虑道路区域边界约束和车道引导线的方向约束;
删除历史轨迹列表中生命周期终结的轨迹。
5.如权利要求4所述的一种智慧矿山道路碰撞预警方法,其特征在于,当目标对象为机动车时,通过以下步骤得到所述目标轨迹:
在路侧区域高精度地图中寻找距离目标对象位置最近的车道引导线并对其做线性插值;
将目标对象位置和线性插值后最近的车道引导线的位置信息,由笛卡尔坐标系转换至Frenet坐标系;
在Frenet坐标系下,应用轨迹预测算法生成目标对象的预测轨迹,作为Frenet坐标系下的目标轨迹;
将Frenet坐标系下的目标轨迹,转换至笛卡尔坐标系,得到笛卡尔坐标系下的所述目标轨迹。
6.如权利要求5所述的一种智慧矿山道路碰撞预警方法,其特征在于,所述轨迹预测算法包含以下步骤:
将目标对象位置投影到线性插值后最近的车道引导线上,以投射点为基础,将高精度地图坐标系下目标对象的运动状态进行分解,获得沿车道引导线方向的位置、速度、加速度;
进行运动状态分解后,将目标对象在高精度地图坐标系下的位置、速度、加速度转换到Frenet坐标系;
在Frenet坐标系下,通过限制目标对象在横轴方向的运动分量实现目标对象未来运动方向的约束,得到所述目标轨迹。
7.一种存储介质,其特征在于,其包含用于执行如权利要求1-6中任一项所述的方法步骤的一系列指令。
8.一种智慧矿山道路碰撞预警系统,其特征在于,执行如权利要求1-6中任一项所述的方法,所述系统包含:
目标感知模块,其用于通过矿山道路场景的感知数据,获得目标对象的跟踪结果;
轨迹预测模块,其基于所述跟踪结果,结合路侧区域高精度地图的道路信息,确定用于预测目标对象未来运动轨迹的目标轨迹;
碰撞检测模块,其用于在矿山道路场景范围内,遍历感知到的所有目标对象的目标轨迹,挑选最大概率的目标轨迹进行碰撞检测评估,确定碰撞预警信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311243286.1A CN116994436B (zh) | 2023-09-26 | 2023-09-26 | 一种智慧矿山道路碰撞预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311243286.1A CN116994436B (zh) | 2023-09-26 | 2023-09-26 | 一种智慧矿山道路碰撞预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116994436A CN116994436A (zh) | 2023-11-03 |
CN116994436B true CN116994436B (zh) | 2024-02-20 |
Family
ID=88525098
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311243286.1A Active CN116994436B (zh) | 2023-09-26 | 2023-09-26 | 一种智慧矿山道路碰撞预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116994436B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002036908A (ja) * | 2000-07-28 | 2002-02-06 | Denso Corp | クルーズ制御装置、車間警報装置及び記録媒体 |
DE102018105014A1 (de) * | 2017-03-06 | 2018-09-06 | GM Global Technology Operations LLC | Vorhersagealgorithmus für einen fahrzeugcrash unter verwendung eines radarsensors und eines upa-sensors |
CN108932870A (zh) * | 2018-07-16 | 2018-12-04 | 安徽江淮汽车集团股份有限公司 | 一种车辆预警方法及装置 |
CN114664094A (zh) * | 2022-05-26 | 2022-06-24 | 青岛慧拓智能机器有限公司 | 一种车辆轨迹预测方法、装置、芯片、终端和计算机设备 |
CN114862901A (zh) * | 2022-04-26 | 2022-08-05 | 青岛慧拓智能机器有限公司 | 一种露天矿山的路端多源传感器融合目标感知方法和系统 |
CN115810268A (zh) * | 2022-11-18 | 2023-03-17 | 深圳海星智驾科技有限公司 | 一种车辆避撞方法及装置 |
CN116052469A (zh) * | 2022-11-23 | 2023-05-02 | 复旦大学 | 一种基于车路协同轨迹预测的车辆碰撞预警方法 |
CN116572986A (zh) * | 2023-06-06 | 2023-08-11 | 东软睿驰汽车技术(上海)有限公司 | 一种车辆碰撞预警方法及系统 |
-
2023
- 2023-09-26 CN CN202311243286.1A patent/CN116994436B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002036908A (ja) * | 2000-07-28 | 2002-02-06 | Denso Corp | クルーズ制御装置、車間警報装置及び記録媒体 |
DE102018105014A1 (de) * | 2017-03-06 | 2018-09-06 | GM Global Technology Operations LLC | Vorhersagealgorithmus für einen fahrzeugcrash unter verwendung eines radarsensors und eines upa-sensors |
CN108932870A (zh) * | 2018-07-16 | 2018-12-04 | 安徽江淮汽车集团股份有限公司 | 一种车辆预警方法及装置 |
CN114862901A (zh) * | 2022-04-26 | 2022-08-05 | 青岛慧拓智能机器有限公司 | 一种露天矿山的路端多源传感器融合目标感知方法和系统 |
CN114664094A (zh) * | 2022-05-26 | 2022-06-24 | 青岛慧拓智能机器有限公司 | 一种车辆轨迹预测方法、装置、芯片、终端和计算机设备 |
CN115810268A (zh) * | 2022-11-18 | 2023-03-17 | 深圳海星智驾科技有限公司 | 一种车辆避撞方法及装置 |
CN116052469A (zh) * | 2022-11-23 | 2023-05-02 | 复旦大学 | 一种基于车路协同轨迹预测的车辆碰撞预警方法 |
CN116572986A (zh) * | 2023-06-06 | 2023-08-11 | 东软睿驰汽车技术(上海)有限公司 | 一种车辆碰撞预警方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116994436A (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11155258B2 (en) | System and method for radar cross traffic tracking and maneuver risk estimation | |
CN110658531B (zh) | 一种用于港口自动驾驶车辆的动态目标追踪方法 | |
EP3959576A1 (en) | Methods and systems for trajectory forecasting with recurrent neural networks using inertial behavioral rollout | |
Moras et al. | Moving objects detection by conflict analysis in evidential grids | |
Rawashdeh et al. | Collaborative automated driving: A machine learning-based method to enhance the accuracy of shared information | |
AU2019396213A1 (en) | Techniques for kinematic and dynamic behavior estimation in autonomous vehicles | |
CN109947103B (zh) | 无人驾驶控制方法、装置、系统和承载设备 | |
Binelli et al. | A modular tracking system for far infrared pedestrian recognition | |
CN116576857A (zh) | 一种基于单线激光雷达的多障碍物预测导航避障方法 | |
CN116703966A (zh) | 多对象跟踪 | |
Mänttäri et al. | Learning to predict lane changes in highway scenarios using dynamic filters on a generic traffic representation | |
Vu et al. | Grid-based localization and online mapping with moving objects detection and tracking: new results | |
CN114194219A (zh) | 一种自动驾驶车辆行驶道路模型预测方法 | |
CN116994436B (zh) | 一种智慧矿山道路碰撞预警方法 | |
CN113176562A (zh) | 多目标跟踪方法、装置、电子设备及可读存储介质 | |
EP4155759A1 (en) | Systems and method for lidar grid velocity estimation | |
CN116052469A (zh) | 一种基于车路协同轨迹预测的车辆碰撞预警方法 | |
EP4099210A1 (en) | Method for training a neural network for semantic image segmentation | |
EP3896651A1 (en) | Method and apparatus for evaluating temporal characteristics of semantic image segmentation | |
CN114954442A (zh) | 一种车辆控制方法、系统和车辆 | |
CN114670851A (zh) | 基于寻优跟踪算法的辅助驾驶系统、方法、终端及介质 | |
CN112652006A (zh) | 感测车辆周围环境中的物体的方法,数据处理设备,计算机程序产品和计算机可读数据介质 | |
CN111326002A (zh) | 一种自动驾驶汽车环境感知的预测方法、装置及系统 | |
CN112462381B (zh) | 一种基于车路协同的多激光雷达融合方法 | |
KR102618680B1 (ko) | 영상과 라이다를 이용한 실시간 3차원 물체 인식 및 추적하는 시스템 |
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 |