CN117168472A - 无人驾驶车辆的重定位方法、系统、存储介质及设备 - Google Patents
无人驾驶车辆的重定位方法、系统、存储介质及设备 Download PDFInfo
- Publication number
- CN117168472A CN117168472A CN202311421243.8A CN202311421243A CN117168472A CN 117168472 A CN117168472 A CN 117168472A CN 202311421243 A CN202311421243 A CN 202311421243A CN 117168472 A CN117168472 A CN 117168472A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- pose
- repositioning
- point cloud
- intersection
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000003860 storage Methods 0.000 title claims abstract description 9
- 238000006073 displacement reaction Methods 0.000 claims abstract description 37
- 238000001514 detection method Methods 0.000 claims abstract description 27
- 238000004590 computer program Methods 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005065 mining Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 239000003245 coal Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及无人驾驶技术领域，本发明公开了无人驾驶车辆的重定位方法、系统、存储介质及设备，包括获取点云数据，并与点云地图匹配，得到车辆的第一位姿；获取车辆的航向和车速，通过里程计推算，得到车辆的第二位姿；在检测时间内，基于车辆的第一位姿，计算车辆的第一位移，并基于车辆的第二位姿，计算车辆的第二位移后，计算二者差值，并基于差值判断是否定位失效，若定位失效，继续通过里程计推算，得到车辆的第三位姿；基于点云数据，在车辆行驶环境中进行路口检测，并在检测到路口时，查找与第三位姿最近的路口位置，将所述最近的路口位置作为车辆的位置。实现了在定位失效情况下的车辆的重定位，提高了车辆定位的稳定性和鲁棒性。
Description
技术领域
本发明涉及无人驾驶技术领域，具体的说，是涉及无人驾驶车辆的重定位方法、系统、存储介质及设备。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
煤矿安全生产是每个煤矿工作中重中之重，在矿井环境下自动驾驶，能大量减少井下作业人员，提高井下人员安全，降低物料运输成本。实现无人驾驶车辆的定位的准确性和鲁棒性是无人驾驶正常运行的前提，车辆在井下巷道中无人驾驶重定位主要有两种：
一种是采用UWB(超宽频,Ultra-Wideband)方式，采用UWB方式重定位，UWB重定位时在车辆运行的纵向上定位比较准确，但在横向上，定位误差较大；
另一种是在定位失效后，到路口人工重新在界面上输入车辆位置，实现重定位。
重定位的困难和挑战来源：井下UWB信号的稳定性，很多矿区的UWB是前期布置的，未考虑到无人驾驶需求，信号不稳定，重定位容易产生失效的情况，定位失效后人工接管，不利于后期的自动化运行；每次失效后需要人工重新点，增加了工作量。
另外，定位稳定性和鲁棒性是实现无人驾驶车辆正常运行的基础，车辆重定位是实现车辆在定位失效情况下对车辆位置的重新校正。目前主流重定位方法是通过检测RTK(Real-time kinematic，实时动态差分)信号，当点云定位的位姿和RTK相差较大时候，通过RTK将点云定位进行重新修正；但是，在井工矿环境下，只有UWB信号，但很多矿井的UWB信号存在滞后性且在垂直于巷道方向上定位不稳定，不能用于车辆运行过程中的重定位。
发明内容
本发明为了解决上述问题，本发明提供无人驾驶车辆的重定位方法、系统、存储介质及设备，不依赖于UWB等外部设备，通过检测里程计和点云匹配，推测车辆在一定时间内的位移差，判断定位是否出现了漂移的情况，并在漂移后，通过激光雷达检测到路口时，根据路口位置和里程计推算的车辆位置，将车辆位置重置，实现了在定位失效情况下的车辆的重定位，提高了车辆定位的稳定性和鲁棒性。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供无人驾驶车辆的重定位方法，其包括：
获取点云数据，并与点云地图匹配，得到车辆的第一位姿；
获取车辆的航向和车速，通过里程计推算，得到车辆的第二位姿；
在检测时间内，基于车辆的第一位姿，计算车辆的第一位移，并基于车辆的第二位姿，计算车辆的第二位移后，计算所述第一位移和第二位移的差值，并基于所述差值判断是否定位失效，若定位失效，继续通过里程计推算，得到车辆的第三位姿；
基于点云数据，在车辆行驶环境中进行路口检测，并在检测到路口时，查找与第三位姿最近的路口位置，将所述最近的路口位置作为车辆的位置。
进一步地，所述检测时间的开始时间的车辆的第一位姿，与所述检测时间的结束时间的车辆的第一位姿，之间的欧氏距离，为所述车辆的第一位移。
进一步地，所述检测时间的开始时间的车辆的第二位姿，与所述检测时间的结束时间的车辆的第二位姿，之间的欧氏距离，为所述车辆的第二位移。
进一步地，所述路口包括T型、L型、十字型和一字型。
进一步地，所述路口检测的方法为：以激光雷达为原点，以车辆运行方向为x轴，设定以y轴为对称轴的裁剪范围，并获取所述裁剪范围在y轴上的最小值和最大值，若最小值和最大值的差值超过设定阈值，且超过设定次，则检测到路口。
进一步地，所述航向的余弦值，与车速的乘积，为车辆x方向的速度；所述航向的正弦值，与车速的乘积，为车辆y方向的速度。
进一步地，所述车辆的第二位姿为：；；其中，/>表示车辆x方向的第二位姿，/>表示车辆y方向的第二位姿，/>表示第i个时刻，/>为/>时刻车辆x方向的速度，/>为/>时刻车辆y方向的速度，n表示总的时刻数。
本发明的第二个方面提供无人驾驶车辆的重定位系统，其包括：
点云匹配模块，其被配置为：获取点云数据，并与点云地图匹配，得到车辆的第一位姿；
里程计推算模块，其被配置为：获取车辆的航向和车速，通过里程计推算，得到车辆的第二位姿；
定位失效检测模块，其被配置为：在检测时间内，基于车辆的第一位姿，计算车辆的第一位移，并基于车辆的第二位姿，计算车辆的第二位移后，计算所述第一位移和第二位移的差值，并基于所述差值判断是否定位失效，若定位失效，继续通过里程计推算，得到车辆的第三位姿；
重定位模块，其被配置为：基于点云数据，在车辆行驶环境中进行路口检测，并在检测到路口时，查找与第三位姿最近的路口位置，将所述最近的路口位置作为车辆的位置。
本发明的第三个方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，该程序被处理器执行时实现如上述所述的无人驾驶车辆的重定位方法中的步骤。
本发明的第四个方面提供一种计算机设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的无人驾驶车辆的重定位方法中的步骤。
与现有技术相比，本发明的有益效果为：
本发明提供了无人驾驶车辆的重定位方法，其不依赖于UWB等外部设备，通过检测里程计和点云匹配，推测车辆在一定时间内的位移差，判断定位是否出现了漂移的情况，并在漂移后，通过激光雷达检测到路口时，根据路口位置和里程计推算的车辆位置，将车辆位置重置，实现在定位失效情况下的车辆的重定位，提高了车辆定位的稳定性和鲁棒性。
附图说明
构成本发明的一部分说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的限定。
图1为本发明的实施例一的无人驾驶车辆的重定位方法的流程图；
图2为本发明的实施例一的路口位置的示意图；
图3为本发明的实施例一的T型路口的示意图；
图4为本发明的实施例一的L型路口的示意图；
图5为本发明的实施例一的十字型路口的示意图；
图6为本发明的实施例一的一字型路口的示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合下面结合附图与实施例对本发明作进一步说明。
实施例一
本实施例一的目的是提供无人驾驶车辆的重定位方法。
本实施例提供的无人驾驶车辆的重定位方法，适用于退化环境，尤其是井工矿环境。
本实施例提供的无人驾驶车辆的重定位方法，所用的传感器及信息包括激光雷达、车辆速度。首先采集矿井内激光雷达和车速数据，利用SLAM（Simultaneouslocalization and mapping，同步定位与建图）技术构建井下点云地图，无人驾驶车辆在运行过程中，将激光雷达点云与提前构建完成的点云地图进行匹配，输出车辆实时位姿，同时将速度和点云匹配计算出来的姿态融合成为里程计，为下一次匹配提供初值。在井工矿环境下，点云地图里不同位置点云极其相似，实时点云与点云地图匹配过程中极容易造成误匹配，造成定位失效，影响定位的稳定性。本实施例提供的无人驾驶车辆的重定位方法，能够提前记录点云地图中路口的位置；在无人驾驶车辆运行时，通过检测里程计和融合定位两种方式推测车辆在一定时间内的位移差，判断定位是否出现了漂移的情况；漂移后，保存漂移时车辆的位姿，在此基础上继续推算车辆大致位置；另外通过激光雷达检测到路口时，根据记录的路口位置和里程计推算的车辆位置，确定车辆的位置，将车辆位置重置，实现车辆的重定位，提高车辆定位的稳定性和鲁棒性。
本实施例提供的无人驾驶车辆的重定位方法，如图1所示，包括如下步骤：
步骤1、路口记录。
打开cloudcompare（三维点云处理）软件，载入用到的点云地图，通过软件选择路口的大致位置，如图2中Point #0(0号点)、Point #1(1号点)、Point #2(2号点)、Point #3(3号点)等点所示，并将车辆行驶环境中（井工矿环境）所有的路口位置数据保存为文档，文档每行格式为（x,y,z）。
步骤2、点云匹配。获取实时点云数据，并与点云地图匹配，得到车辆的第一位姿。
通过输入的实时点云数据和点云地图做匹配，输出车辆的实时位置和姿态信息；同时其也会接收里程计推算的位姿，用于匹配时给定初值。点云定位输出的车辆的第一位姿为。
步骤3、里程计推算。获取车辆的航向和车速，通过里程计推算，得到车辆的第二位姿。
矿区无人驾驶车辆大都未安装编码器，控制器从车辆底盘读取到的数据只有速度，无人驾驶车辆在巷道内行驶时，激光雷实时点云与地图匹配，点云定位采用NDT（正态分布变换，Normal Distribution Transform）等匹配方法，因为巷道宽度固定，且表面光滑，车辆输出的航向/>是准确的，但是车辆在纵向上无法约束，有较大误差。假设在t时刻车辆输出的车速信息为/>，则在t时刻车辆在x轴和y轴的速度分量为：/>；；即，航向的余弦值，与车速的乘积，为车辆x方向的速度；航向的正弦值，与车速的乘积，为车辆y方向的速度。
里程计推算如下，即车辆的第二位姿为：，（其中/>为，时刻车辆x方向的速度）；/>，（其中/>为，/>时刻车辆y方向的速度）。其中，/>表示车辆x方向的第二位姿，/>表示车辆y方向的第二位姿，/>表示第i个时刻，n表示总的时刻数。
步骤4、定位失效检测。在检测时间内，基于车辆的第一位姿，计算车辆的第一位移，并基于车辆的第二位姿，计算车辆的第二位移后，计算第一位移和第二位移的差值，并基于差值判断是否定位失效，若定位失效，继续通过里程计推算，得到车辆的第三位姿。检测时间的开始时间的车辆的第一位姿，与所述检测时间的结束时间的车辆的第一位姿，之间的欧氏距离，为车辆的第一位移。检测时间的开始时间的车辆的第二位姿，与所述检测时间的结束时间的车辆的第二位姿，之间的欧氏距离，为车辆的第二位移。
定位失效检测主要根据设定时间内点云输出的距离和里程计输出的位移差对比，若超过阈值，则认为定位失效。开始时间为，里程计和融合定位的坐标分别为（）、（/>），结束时间为/>，里程计和融合定位输出坐标分别为（）、（/>），设定检测时间为/>，设定阈值为/>，如果在/>时间内： ，则认为定位失效，记录下此时（检测到失效时）车辆第一位姿位置为/>,车辆的朝向为/>；
则里程计在定位失效后第一位姿的基础上继续推算的第三位姿为，其中：/>，（其中/>为，/>时刻车辆x方向的速度）；，（其中/>为，/>时刻车辆y方向的速度）。其中：，（其中/>为第/>时刻从底盘获取的车速，/>为第/>时刻的第一位姿中的朝向）；，（其中/>为第/>时刻从底盘获取的车速，/>为第/>时刻的第一位姿中的朝向）。
相当于，推算的第三位姿=失效时第一位姿+里程计推算位姿。
步骤5、路口检测。基于点云数据，在车辆行驶环境中进行路口检测。在车辆行驶环境中进行路口检测的方法为：以激光雷达为原点，以车辆运行方向为x轴，设定以y轴为对称轴的裁剪范围，并获取所述裁剪范围在y轴上的最小值和最大值，若最小值和最大值的差值超过设定阈值，且超过设定次，则检测到路口。
无人驾驶车辆运行过程中激光雷达扫描几种典型的环境如图3、图4、图5和图6所示，可以分为T型、L型、十字型、一字型四种；圆点代表激光雷达，带箭头黑色实线为车辆运行方向（假设与激光雷达x轴重合），带箭头虚线为与运行方向垂直的方向（假设与激光雷达y轴重合）。将车辆运行方向相垂直的方向，基于激光雷达原点做一个以激光雷达y轴为对称轴，两虚线之间距离为范围的点云数据提取，通过PCL库（点云库，Point cloud library）计算裁剪范围内的最小值/>和最大值/>。设定阈值/>，当/>，为避免激光雷达噪声影响，设定超过阈值N次，则认为这是一个路口。
步骤6、路口查询及发布重定位信息。在检测到路口时，查找与第三位姿最近的路口位置，将所述最近的路口位置作为车辆的位置。
将步骤1所采集的数据x、y保存为点云形式，当步骤4检测路口的条件达到时候，记录下步骤4推算的坐标，利用kdtree（k-d树，K-demension tree），在步骤1所采集的数据x、y保存的点云中，寻找最近点（距离/>的最近点）索引index，查询到最近点的坐标为/>，朝向为/>，将位置和朝向发布出去，实现重定位。
本实施例提供的无人驾驶车辆的重定位方法，不依赖于UWB等外部设备，在定位失效情况下仍能进行重定位；基于车速和点云匹配信息，得出里程计，减少了车辆轮速计安装成本。
实施例二
本实施例二的目的是提供无人驾驶车辆的重定位系统，
点云匹配模块，其被配置为：获取点云数据，并与点云地图匹配，得到车辆的第一位姿；
里程计推算模块，其被配置为：获取车辆的航向和车速，通过里程计推算，得到车辆的第二位姿；
定位失效检测模块，其被配置为：在检测时间内，基于车辆的第一位姿，计算车辆的第一位移，并基于车辆的第二位姿，计算车辆的第二位移后，计算所述第一位移和第二位移的差值，并基于所述差值判断是否定位失效，若定位失效，继续通过里程计推算，得到车辆的第三位姿；
重定位模块，其被配置为：基于点云数据，在车辆行驶环境中进行路口检测，并在检测到路口时，查找与第三位姿最近的路口位置，将所述最近的路口位置作为车辆的位置。
此处需要说明的是，本实施例中的各个模块与实施例一中的各个步骤一一对应，其具体实施过程相同，此处不再累述。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，该程序被处理器执行时实现如上述实施例一所述的无人驾驶车辆的重定位方法中的步骤。
实施例四
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例一所述的无人驾驶车辆的重定位方法中的步骤。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.无人驾驶车辆的重定位方法，其特征在于，包括：
获取点云数据，并与点云地图匹配，得到车辆的第一位姿；
获取车辆的航向和车速，通过里程计推算，得到车辆的第二位姿；
在检测时间内，基于车辆的第一位姿，计算车辆的第一位移，并基于车辆的第二位姿，计算车辆的第二位移后，计算所述第一位移和第二位移的差值，并基于所述差值判断是否定位失效，若定位失效，继续通过里程计推算，得到车辆的第三位姿；
基于点云数据，在车辆行驶环境中进行路口检测，并在检测到路口时，查找与第三位姿最近的路口位置，将所述最近的路口位置作为车辆的位置。
2.如权利要求1所述的无人驾驶车辆的重定位方法，其特征在于，所述检测时间的开始时间的车辆的第一位姿，与所述检测时间的结束时间的车辆的第一位姿，之间的欧氏距离，为所述车辆的第一位移。
3.如权利要求1所述的无人驾驶车辆的重定位方法，其特征在于，所述检测时间的开始时间的车辆的第二位姿，与所述检测时间的结束时间的车辆的第二位姿，之间的欧氏距离，为所述车辆的第二位移。
4.如权利要求1所述的无人驾驶车辆的重定位方法，其特征在于，所述路口包括T型、L型、十字型和一字型。
5.如权利要求1所述的无人驾驶车辆的重定位方法，其特征在于，所述路口检测的方法为：以激光雷达为原点，以车辆运行方向为x轴，设定以y轴为对称轴的裁剪范围，并获取所述裁剪范围在y轴上的最小值和最大值，若最小值和最大值的差值超过设定阈值，且超过设定次，则检测到路口。
6.如权利要求1所述的无人驾驶车辆的重定位方法，其特征在于，所述航向的余弦值，与车速的乘积，为车辆x方向的速度；所述航向的正弦值，与车速的乘积，为车辆y方向的速度。
7.如权利要求1所述的无人驾驶车辆的重定位方法，其特征在于，所述车辆的第二位姿为：；/>；其中，/>表示车辆x方向的第二位姿，/>表示车辆y方向的第二位姿，/>表示第i个时刻，/>为/>时刻车辆x方向的速度，/>为/>时刻车辆y方向的速度，n表示总的时刻数。
8.无人驾驶车辆的重定位系统，其特征在于，包括：
点云匹配模块，其被配置为：获取点云数据，并与点云地图匹配，得到车辆的第一位姿；
里程计推算模块，其被配置为：获取车辆的航向和车速，通过里程计推算，得到车辆的第二位姿；
定位失效检测模块，其被配置为：在检测时间内，基于车辆的第一位姿，计算车辆的第一位移，并基于车辆的第二位姿，计算车辆的第二位移后，计算所述第一位移和第二位移的差值，并基于所述差值判断是否定位失效，若定位失效，继续通过里程计推算，得到车辆的第三位姿；
重定位模块，其被配置为：基于点云数据，在车辆行驶环境中进行路口检测，并在检测到路口时，查找与第三位姿最近的路口位置，将所述最近的路口位置作为车辆的位置。
9.一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的无人驾驶车辆的重定位方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的无人驾驶车辆的重定位方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311421243.8A CN117168472B (zh) | 2023-10-31 | 2023-10-31 | 无人驾驶车辆的重定位方法、系统、存储介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311421243.8A CN117168472B (zh) | 2023-10-31 | 2023-10-31 | 无人驾驶车辆的重定位方法、系统、存储介质及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117168472A true CN117168472A (zh) | 2023-12-05 |
| CN117168472B CN117168472B (zh) | 2024-02-13 |
Family
ID=88941631
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311421243.8A Active CN117168472B (zh) | 2023-10-31 | 2023-10-31 | 无人驾驶车辆的重定位方法、系统、存储介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117168472B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200081134A1 (en) * | 2018-09-07 | 2020-03-12 | DeepMap Inc. | Validation of global navigation satellite system location data with other sensor data |
| CN111929693A (zh) * | 2020-09-18 | 2020-11-13 | 雷熵信息科技(潍坊)有限公司 | 一种基于激光点云距离序列的井下定位方法 |
| CN112014849A (zh) * | 2020-07-15 | 2020-12-01 | 广东工业大学 | 一种基于传感器信息融合的无人车定位修正方法 |
| CN112051590A (zh) * | 2020-08-31 | 2020-12-08 | 广州文远知行科技有限公司 | 激光雷达与惯性测量单元的检测方法及相关装置 |
| US20200400821A1 (en) * | 2019-06-21 | 2020-12-24 | Blackmore Sensors & Analytics, Llc | Method and system for vehicle odometry using coherent range doppler optical sensors |
| JP2021092508A (ja) * | 2019-12-12 | 2021-06-17 | 日産自動車株式会社 | 走行軌跡推定方法及び走行軌跡推定装置 |
| CN113739819A (zh) * | 2021-08-05 | 2021-12-03 | 上海高仙自动化科技发展有限公司 | 校验方法、装置、电子设备、存储介质及芯片 |
| CN114820749A (zh) * | 2022-04-27 | 2022-07-29 | 西安优迈智慧矿山研究院有限公司 | 无人车井下定位方法、系统、设备及介质 |
| CN115824230A (zh) * | 2022-11-03 | 2023-03-21 | 北京踏歌智行科技有限公司 | 一种基于多传感器主动融合的井下无人驾驶车辆定位方法 |
| CN116721337A (zh) * | 2023-05-18 | 2023-09-08 | 同济大学 | 无人驾驶场景下基于动态车辆检测的点云畸变矫正方法 |
| CN116839600A (zh) * | 2023-06-15 | 2023-10-03 | 南京航空航天大学 | 一种基于轻量化点云地图的视觉测绘导航定位方法 |
-
2023
- 2023-10-31 CN CN202311421243.8A patent/CN117168472B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200081134A1 (en) * | 2018-09-07 | 2020-03-12 | DeepMap Inc. | Validation of global navigation satellite system location data with other sensor data |
| US20200400821A1 (en) * | 2019-06-21 | 2020-12-24 | Blackmore Sensors & Analytics, Llc | Method and system for vehicle odometry using coherent range doppler optical sensors |
| JP2021092508A (ja) * | 2019-12-12 | 2021-06-17 | 日産自動車株式会社 | 走行軌跡推定方法及び走行軌跡推定装置 |
| CN112014849A (zh) * | 2020-07-15 | 2020-12-01 | 广东工业大学 | 一种基于传感器信息融合的无人车定位修正方法 |
| CN112051590A (zh) * | 2020-08-31 | 2020-12-08 | 广州文远知行科技有限公司 | 激光雷达与惯性测量单元的检测方法及相关装置 |
| CN111929693A (zh) * | 2020-09-18 | 2020-11-13 | 雷熵信息科技(潍坊)有限公司 | 一种基于激光点云距离序列的井下定位方法 |
| CN113739819A (zh) * | 2021-08-05 | 2021-12-03 | 上海高仙自动化科技发展有限公司 | 校验方法、装置、电子设备、存储介质及芯片 |
| CN114820749A (zh) * | 2022-04-27 | 2022-07-29 | 西安优迈智慧矿山研究院有限公司 | 无人车井下定位方法、系统、设备及介质 |
| CN115824230A (zh) * | 2022-11-03 | 2023-03-21 | 北京踏歌智行科技有限公司 | 一种基于多传感器主动融合的井下无人驾驶车辆定位方法 |
| CN116721337A (zh) * | 2023-05-18 | 2023-09-08 | 同济大学 | 无人驾驶场景下基于动态车辆检测的点云畸变矫正方法 |
| CN116839600A (zh) * | 2023-06-15 | 2023-10-03 | 南京航空航天大学 | 一种基于轻量化点云地图的视觉测绘导航定位方法 |
Non-Patent Citations (3)
| Title |
|---|
| QUAN QIU; XUEFENG LI: "LiDAR Point-Cloud Odometer Based Mobile Robot Routine Tracking in Orchards", 2022 12TH INTERNATIONAL CONFERENCE ON CYBER TECHNOLOGY IN AUTOMATION, CONTROL, AND INTELLIGENT SYSTEMS * |
| 刘雷，柏艳红，孙志毅，赵兵洋: "融合IMU的多帧点云场景配准方法", 激光与红外, vol. 52, no. 8 * |
| 赵梓乔;肖力;: "基于三维激光扫描仪的室内移动设备定位与建图", 计算机与数字工程, vol. 44, no. 11 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117168472B (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109084782B (zh) | 基于摄像头传感器的车道线地图构建方法以及构建系统 | |
| CN109143207B (zh) | 激光雷达内参精度验证方法、装置、设备及介质 | |
| US8558679B2 (en) | Method of analyzing the surroundings of a vehicle | |
| CN108227695A (zh) | 自动驾驶控制装置、包括该装置的系统及其方法 | |
| EP3751459A1 (en) | Adjusting velocity of a vehicle for a curve | |
| EP2653367A2 (en) | Parking aid device, parking aid method, program, and storage medium storing the program | |
| CN105716617B (zh) | 基于车辆数据绘制驾驶轨迹的系统及方法 | |
| CN104648403A (zh) | 用于探测窄路的方法、装置和系统 | |
| CN113753028B (zh) | 驾驶辅助装置、驾驶辅助方法及电脑可读取记录介质 | |
| WO2019207639A1 (ja) | 行動選択装置、行動選択プログラム及び行動選択方法 | |
| CN110986966B (zh) | 一种用于长距离隧道的自动驾驶定位方法及系统 | |
| CN114114367A (zh) | Agv室外定位切换方法、计算机装置及程序产品 | |
| JP2010127908A (ja) | 物体位置検出装置 | |
| CN111857121A (zh) | 基于惯导和激光雷达的巡逻机器人行走避障方法及系统 | |
| US20220234595A1 (en) | Traveling trajectory estimation system, traveling trajectory estimation program, and traveling trajectory estmating method | |
| CN114995267A (zh) | 一种调节挂车位姿的方法、装置、电子设备及存储介质 | |
| CN112710301B (zh) | 一种自动驾驶车辆高精度定位方法和系统 | |
| CN117168472B (zh) | 无人驾驶车辆的重定位方法、系统、存储介质及设备 | |
| CN113063415A (zh) | 车辆及其导航方法、惯性导航系统的修正方法、存储介质 | |
| CN110356862B (zh) | 一种基于gps定位的堆取料机防碰撞方法及系统 | |
| CN113085868A (zh) | 用于运行自动化车辆的方法、设备和存储介质 | |
| TWI426241B (zh) | Self - propelled device for the tracking system | |
| JP7462738B2 (ja) | 車載クラスタ追跡システム | |
| CN108896041A (zh) | 基于超声波的惯性导引车导航方法及导引车 | |
| Yang et al. | Towards high accuracy parking slot detection for automated valet parking system |
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 |