CN117391582A - 无人叉车的落货位置确定方法、装置、设备和介质 - Google Patents
无人叉车的落货位置确定方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN117391582A CN117391582A CN202311331514.0A CN202311331514A CN117391582A CN 117391582 A CN117391582 A CN 117391582A CN 202311331514 A CN202311331514 A CN 202311331514A CN 117391582 A CN117391582 A CN 117391582A
- Authority
- CN
- China
- Prior art keywords
- goods
- dropping
- candidate
- determining
- historical
- 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 56
- 238000004590 computer program Methods 0.000 claims description 17
- 230000000737 periodic effect Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 101000822695 Clostridium perfringens (strain 13 / Type A) Small, acid-soluble spore protein C1 Proteins 0.000 description 1
- 101000655262 Clostridium perfringens (strain 13 / Type A) Small, acid-soluble spore protein C2 Proteins 0.000 description 1
- 101000655256 Paraclostridium bifermentans Small, acid-soluble spore protein alpha Proteins 0.000 description 1
- 101000655264 Paraclostridium bifermentans Small, acid-soluble spore protein beta Proteins 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000032258 transport Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Forklifts And Lifting Vehicles (AREA)
Abstract
本发明公开了一种无人叉车的落货位置确定方法、装置、设备和介质。该方法包括:在无人叉车执行入库落货操作时,基于预设周期间隔,根据预设落货间距和传感器检测到的障碍物位置信息确定候选落货位置;在确定每个周期间隔对应的候选落货位置之后,根据候选落货位置与历史周期间隔对应的历史候选落货位置的匹配结果确定候选落货位置和历史候选落货位置的可信度参数,并将候选落货位置加入历史候选落货位置;根据历史候选落货位置对应的障碍物位置信息和可信度参数,确定目标落货位置。本申请通过可信度参数对历史候选落货位置进行评估,准确确定了目标落货位置,解决因传感器盲区及噪点导致的落货位置不准确的问题,提高了无人叉车的落货精度。
Description
技术领域
本发明涉及无人车技术领域,尤其涉及一种无人叉车的落货位置确定方法、装置、设备和介质。
背景技术
无人叉车运输货物至对应货道执行入库操作时,叉车后退至距离上次已入库的货物一定距离的位置,停车并落货。如此,无人叉车将同一货道的货物按一定的距离进行整齐摆放。
目前无人叉车后退行走过程中,一般依靠装备在叉臂上的深度相机等传感器来识别后方的已入库货物,使得叉车准确停靠在已入库货物前预设距离的位置,避免发生撞货事故。但是,由于深度相机等传感器的视野有限,当两侧存在障碍物时,无人叉车若距离过近,障碍物可能会进入传感器两侧的视野盲区,导致无人叉车误以为后方可安全通行;另外,相机等传感器纵向上也存在盲区,当障碍物距离传感器过近时,因可能无法准确反馈点云信息,传感器无法识别到障碍物,亦会增加碰撞风险;其次,由于相机等传感器可能存在噪声,在后方无障碍物的情况下,可能因噪声而误识别出随机位置的障碍物,干扰无人叉车对后方已入库货物位置的判断,从而导致提前落货等问题。
因此,如何有效解决因传感器盲区及噪点导致的落货位置不准确的问题十分重要。
发明内容
本发明提供了一种无人叉车的落货位置确定方法、装置、设备和介质,以解决因传感器盲区及噪点导致的落货位置不准确的问题,提高了无人叉车的落货精度。
根据本发明的一方面,提供了一种无人叉车的落货位置确定方法,该方法包括:
在无人叉车执行入库落货操作时,基于预设周期间隔,根据预设落货间距和传感器检测到的障碍物位置信息确定候选落货位置;
在确定每个周期间隔对应的候选落货位置之后,根据所述候选落货位置与历史周期间隔对应的历史候选落货位置的匹配结果确定所述候选落货位置和所述历史候选落货位置的可信度参数,并将所述候选落货位置加入所述历史候选落货位置;
根据所述历史候选落货位置对应的障碍物位置信息和可信度参数,确定目标落货位置。
根据本发明的另一方面,提供了一种无人叉车的落货位置确定装置,其特征在于,所述装置包括:
第一位置确定模块,用于在无人叉车执行入库落货操作时,基于预设周期间隔,根据预设落货间距和传感器检测到的障碍物位置信息确定候选落货位置;
参数确定模块,用于在确定每个周期间隔对应的候选落货位置之后,根据所述候选落货位置与历史周期间隔对应的历史候选落货位置的匹配结果确定所述候选落货位置和所述历史候选落货位置的可信度参数,并将所述候选落货位置加入所述历史候选落货位置;
第二位置确定模块,用于根据所述历史候选落货位置对应的障碍物位置信息和可信度参数,确定目标落货位置。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的无人叉车的落货位置确定方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的无人叉车的落货位置确定方法。
本发明实施例的技术方案,通过在无人叉车执行入库落货操作时,基于预设周期间隔,根据预设落货间距和传感器检测到的障碍物位置信息确定候选落货位置;在确定每个周期间隔对应的候选落货位置之后,根据候选落货位置与历史周期间隔对应的历史候选落货位置的匹配结果确定候选落货位置和历史候选落货位置的可信度参数,并将候选落货位置加入历史候选落货位置;根据历史候选落货位置对应的障碍物位置信息和可信度参数,确定目标落货位置。本申请通过可信度参数对历史候选落货位置进行评估,准确确定了目标落货位置,解决因传感器盲区及噪点导致的落货位置不准确的问题,提高了无人叉车的落货精度。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例提供的一种无人叉车的落货位置确定方法的流程图;
图2是根据本发明实施例提供的一种无人叉车的落货位置确定方法的流程图;
图3是根据本发明实施例提供的一种无人叉车的落货位置确定装置的结构示意图;
图4是实现本发明实施例的无人叉车的落货位置确定方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“候选”、“目标”、“第一”和“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例提供的一种无人叉车的落货位置确定方法的流程图,本实施例可适用于对无人叉车的落货位置进行准确确定的情况,该方法可以由无人叉车的落货位置确定装置来执行,该无人叉车的落货位置确定装置可以采用硬件和/或软件的形式实现,该无人叉车的落货位置确定装置可配置于任何具有无人叉车的落货位置确定方法的电子设备中。如图1所示,该方法包括:
S110、在无人叉车执行入库落货操作时,基于预设周期间隔,根据预设落货间距和传感器检测到的障碍物位置信息确定候选落货位置。
其中,预设周期间隔可以是在无人叉车执行入库落货操作时,前后两次检测障碍物位置信息确定候选落货位置的时间,根据实际需求进行设定,本申请不做具体的限定;预设落货间距可以是避免发生所落货物和障碍物碰撞的安全距离,根据实际需求进行设定,本申请不做具体的限定;障碍物位置信息可以是传感器(可以检测障碍物位置信息的传感器,例如相机传感器、激光传感器等)检测到的坐标等可以代表障碍物处于什么位置的信息,例如,障碍物和无人叉车之间的距离;候选落货位置可以是每隔预设间隔确定的满足无人叉车落货要求的无人叉车应该行走到的位置。障碍物可以是无人叉车要放的货物,也可以是货道上的其它影响无人叉车前进的物品。
S120、在确定每个周期间隔对应的候选落货位置之后,根据候选落货位置与历史周期间隔对应的历史候选落货位置的匹配结果确定候选落货位置和历史候选落货位置的可信度参数,并将候选落货位置加入历史候选落货位置。
其中,历史候选落货位置是指从无人叉车执行入库落货操作时开始到当前检测获得的候选落货位置之间得到的候选落货位置。匹配结果可以是匹配成功或匹配失败。
具体的,第一个候选落货位置确定时一定不存在历史候选落货位置,则计算第一个候选落货位置的可信度参数,并将其作为历史候选落货位置的列队中,此后每得到一个候选落货位置都要与历史候选落货位置进行比对,确定其是否出现过,若出现过则说明其可信度更高一些,则在原可信度参数的基础上提高可信度参数,其他历史候选落货位置则降低可信度参数;若计算得到的候选落货位置在历史候选落货位置中没有出现过,说明此计算得到的历史候选落货位置是第一次出现,则计算出该候选落货位置的可信度并将其加入历史候选落货位置的列队中,对于其它历史落货位置则稍微降低可信度参数;从而便于后续根据历史候选落货位置对应的障碍物位置信息和可信度参数筛选出准确的目标落货位置。
在一个可行的实施例中,可选的,根据候选落货位置与历史周期间隔对应的历史候选落货位置的匹配结果确定候选落货位置和历史候选落货位置的可信度参数,包括步骤A1-A2:
步骤A1、若候选落货位置与任一历史候选落货位置匹配成功,则基于第一可信度增量确定该历史候选落货位置的可信度参数更新结果,并基于第二可信度增量确定未匹配成功的历史候选落货位置的可信度参数更新结果;其中,第一可信度增量大于第二可信度增量。
具体的,候选落货位置与任一历史候选落货位置匹配成功,说明历史候选落货位置存在和候选落货位置一致的落货位置,那么说明该候选落货位置的可信度比较高,因此将与候选落货位置匹配成功的历史候选落货位置的可信度参数基于第一可信度增量进行更新;其余未匹配成功的历史候选落货位置可信度低一些,那么就依据第二可信度增量对其余未匹配成功的历史候选落货位置可信度参数进行更新,以保证各个历史候选落货位置的可信度参数的可靠性。
步骤A2、若候选落货位置与所有历史候选落货位置均匹配失败,则确定候选落货位置的可信度参数为第一可信度增量,并基于第二可信度增量确定历史候选落货位置的可信度参数更新结果。
具体的,候选落货位置与所有历史候选落货位置均匹配失败,说明该候选落货位置在之前并没有出现过,那将第一可信度增量作为其可信度参数,并将其加入到历史落货位置的队列中,以便于之后作为历史落货位置进行匹配,其余的历史候选落货位置可信度要降低一些,则根据第二可信度增量对其余的历史候选落货位置可信度参数进行更新,以保证各个历史候选落货位置的可信度参数的可靠性。
其中,第一可信度增量根据该候选落货位置对应的无人叉车和障碍物之间的障碍物距离进行确定;
其中,第一可信度增量的表达式为:
其中,ΔS1为所述第一可信度增量,Sincre为增长基础分数值,kincre为调节得分增长曲线非线性程度的系数,Dobs为所述候选落货位置对应的无人叉车和障碍物之间的障碍物距离,例如,障碍物可认为是与无人叉车会发生碰撞的最近障碍物,假设检测到有ABCDEFG七个障碍物,距离由近及远,但是ABC都不会碰撞,D才会碰撞,所以根据D的位置信息,计算出一个候选落货位置,障碍物距离指的就是无人叉车与D的距离。
其中,第二可信度增量根据历史候选落货位置对应的超时时长进行确定;超时时长为历史候选落货位置最近一次被确定的时间和当前时间的时间间隔;
其中,第二可信度增量的表达式为:
其中,ΔS2为所述第二可信度增量,Sdecre为消减基础分数值,kdecre为调节得分消减曲线非线性程度的系数,Ttimeout为所述历史候选落货位置对应的超时时长。在利用第二可信度增量对可信度参数更新的过程中,如果Sdecre设置值是正值,ΔS2就是正值,那么就应该是原本的可信度参数减去ΔS2得到更新后的可信度参数。
本可选方案,将候选落货位置与所有历史候选落货位置进行匹配,从而根据匹配成功与否知晓历史候选落货位置的可靠程度,且根据对于匹配成功和匹配不成功的情况下基于第一可信度增量和第二可信度增量对历史候选落货位置的可信度参数进行针对性的更新,以确保各个历史候选落货位置的可信度参数的可靠性,从而便于后续根据历史候选落货位置对应的障碍物位置信息和可信度参数准确确定目标落货位置。
S130、根据历史候选落货位置对应的障碍物位置信息和可信度参数,确定目标落货位置。
具体的,遍历所有的历史候选落货位置,将可信度参数小于预设值的历史候选落货位置删除,以更新历史候选落货位置,因为这些历史候选落货位置可信度太低,减少对比的过程,然后确定更新后的历史候选落货位置对应的无人叉车与障碍物位置信息之间的参考距离,将参考距离与预设参考距离(预设参考距离是指障碍物即将进入但没有进入传感器盲区的距离)进行比对,若参考距离小于预设参考距离,则确定该更新后的历史候选落货位置对应的可信度参数是否大于一定阈值,若大于,则说明该更新后的历史候选落货位置的可靠性强,可以作为目标落货位置,即此后无人叉车继续后退时,即使障碍物进入传感器盲区,也不会因此导致碰撞。
在一个可行的实施例中,可选的,根据历史候选落货位置对应的障碍物位置信息和可信度参数,确定目标落货位置,包括步骤B1-B4:
步骤B1、确定是否存在历史候选落货位置对应的障碍物位置信息与传感器盲区之间的盲区距离小于预设距离阈值。
其中,障碍物位置信息可以是障碍物和无人叉车之间的距离;传感器盲区可以是指在障碍物与无人叉车之间距离较近时,传感器无法检测到障碍物时的障碍物与无人叉车的最大距离;盲区距离可以是障碍物位置信息减去传感器盲区大小的值的绝对值。预设距离阈值用于判断障碍物是否接近传感器盲区,根据实际情况进行设定,这里不做具体限定。
示例的,若传感器盲区为30cm,预设距离阈值为2cm,历史候选落货位置对应的障碍物位置信息为31,那么盲区距离为1cm,1cm小于2cm,说明此时障碍物接近传感器盲区。
步骤B2、若存在,则确定该历史候选落货位置为待选落货位置,并确定待选落货位置的可信度参数是否大于预设信任阈值。
其中,待选落货位置可以是历史候选落货位置中盲区距离小于预设距离阈值的历史候选落货位置,即障碍物接近传感器盲区对应的历史候选落货位置。预设信任阈值可以是判断待选落货位置可靠时对应的可信度参数的最小值。
具体的,为了确保目标落货位置的准确性,则对于待选落货位置仍需要通过可信度参数进行筛选,即比较可信度参数是否大于预设信任阈值,从而进一步保证确定的目标落货位置可靠。
可选的,若不存在历史候选落货位置对应的障碍物位置信息与传感器盲区之间的盲区距离小于预设距离阈值,则继续确定下一周期间隔的候选落货位置。
步骤B3、若是,则确定可信度参数大于预设信任阈值的待选落货位置中可信度参数最大的为目标落货位置。
步骤B4、否则,继续确定下一周期间隔的候选落货位置。
可选的,若待选落货位置的可信度参数均小于预设信任阈值,在继续确定下一周期间隔的候选落货位置之前,确定待选落货位置的可信度参数是否小于预设舍弃阈值(预设舍弃阈值用于判断待选落货位置不可靠时对应的可信度参数的最大值);若是,则从历史候选落货位置中删除待选落货位置;否则,控制无人叉车停车等待,并继续确定下一周期间隔的候选落货位置,对待选落货位置的可信度参数进行更新,直至待选落货位置的可信度参数大于预设信任阈值或小于预设舍弃阈值,控制无人叉车恢复起步。
本实施例通过判断是否存在历史候选落货位置对应的障碍物位置信息与传感器盲区之间的盲区距离小于预设距离阈值,从而判断障碍物是否接近传感器盲区,且存在时,将该历史候选落货位置作为待选落货位置,并进一步的判断待选落货位置的可信度参数是否大于预设信任阈值,实现对于目标落货位置的准确确定,避免因为目标落货位置可信度不高导致无人叉车后退时与障碍物发生碰撞。
在一个可行的实施例中,可选的,在根据历史候选落货位置对应的障碍物位置信息和可信度参数,确定目标落货位置之前,该方法还包括步骤C1-C4:
步骤C1、确定无人叉车的当前位置是否与任一历史候选落货位置重合;
具体的,若无人叉车的当前位置与任一历史候选落货位置重合,说明无人叉车在障碍物接近于传感器盲区之前就进入了停车位置,因此不需要再判断是否存在所述历史候选落货位置对应的障碍物位置信息与传感器盲区之间的盲区距离小于预设距离阈值确定待选落货位置。
示例的,无人叉车与障碍物的距离要小于30cm才会导致障碍物进入盲区,但是计算得出的历史候选落货位置与无人叉车的当前位置重合,即要求无人叉车停车落货位置跟障碍物的距离为50cm,那么无人叉车会先到停车位置,此时障碍物是没有进入盲区的,但是因为无人叉车已经到达了落货的位置,因此不需要再判断障碍物是否接近盲区位置了,只需要继续判断该位置对应的可信度参数是否大于预设信任阈值。
步骤C2、若是,则确定该历史候选落货位置为待选落货位置,并确定待选落货位置的可信度参数是否大于预设信任阈值。
步骤C3、若是,则确定待选落货位置为目标落货位置。
步骤C4、否则,继续确定下一周期间隔的候选落货位置。
可选的,若待选落货位置的可信度参数均小于预设信任阈值,在继续确定下一周期间隔的候选落货位置之前,确定待选落货位置的可信度参数是否小于预设舍弃阈值(预设舍弃阈值用于判断待选落货位置不可靠时对应的可信度参数的最大值);若是,则从历史候选落货位置中删除待选落货位置;否则,控制无人叉车停车等待,并继续确定下一周期间隔的候选落货位置,对待选落货位置的可信度参数进行更新,直至待选落货位置的可信度参数大于预设信任阈值或小于预设舍弃阈值,控制无人叉车恢复起步。
本实施例通过判断无人叉车的当前位置是否与任一所述历史候选落货位置重合,准确得出无人叉车已经到达停车位置,并作为待选落货位置,则继续判断待选落货位置的可信度参数是否大于预设信任阈值,从而判断该待选落货位置的可信度是否高,即是否可以作为最终的目标落货位置,实现对于目标落货位置的准确确定,避免对于停车位置的误判导致货物和货物之间的间距太大,影响对于存放货物的货道的利用率。
本发明实施例的技术方案,通过在无人叉车执行入库落货操作时,基于预设周期间隔,根据预设落货间距和传感器检测到的障碍物位置信息确定候选落货位置;在确定每个周期间隔对应的候选落货位置之后,根据候选落货位置与历史周期间隔对应的历史候选落货位置的匹配结果确定候选落货位置和历史候选落货位置的可信度参数,并将候选落货位置加入历史候选落货位置;根据历史候选落货位置对应的障碍物位置信息和可信度参数,确定目标落货位置。本申请通过可信度参数对历史候选落货位置进行评估,准确确定了目标落货位置,解决因传感器盲区及噪点导致的落货位置不准确的问题,提高了无人叉车的落货精度。
实施例二
图2为本发明实施例提供的一种无人叉车的落货位置确定方法的流程图,本实施例是对上述实施例进行进一步的举例说明,可以采用上述实施中的一个或多个可选方案。
1、无人叉车执行入库落货操作,实时感知后方障碍物位置信息;
2、根据预设落货间距D,和障碍物位置信息确定当前的候选落货位置,使得无人叉车在此候选落货位置停车落货后,货物与后方已入库的货物满足预设落货间距要求;
3、每隔预设周期间隔,确定当前计算得到的候选落货位置,确定候选落货位置对应的信息队列,将当前计算得到的候选落货位置与已保存的历史候选落货位置进行匹配。
若历史候选落货位置的队列中未找到当前计算得到的候选落货位置,则说明该候选落货位置是首次被计算得到,则候选落货位置对应的信息队列如下表示,并将该候选落货位置以及信息队列保存在历史候选落货位置的队列中。
若历史候选落货位置的队列中已有当前计算得到的候选落货位置,则说明之前某时刻已计算得到过该候选落货位置,而且当前再次计算得到,根据当前时间及历史记录中该候选落货位置的起始时间,更新该候选落货位置对应的信息如下:
计算第一可信度增量ΔS1,计算公式为:
其中,Sincre为增长基础分数值,kincre为调节得分增长曲线非线性程度的系数,Dobs为所述候选落货位置对应的无人叉车和障碍物之间的障碍物距离。
对于已保存的其他历史候选落货位置,更新对应的信息如下:
计算第二可信度增量ΔS2,计算公式为:
其中,Sdecre为消减基础分数值,kdecre为调节得分消减曲线非线性程度的系数,Ttimeout为历史候选落货位置对应的超时时长。超时时长为历史候选落货位置最近一次被确定的时间和当前时间的时间间隔。若Sdecre为正值,那ΔS2为正值,则可信度得分为:原得分-ΔS2,若Sdecre为负值,那ΔS2为负值,则可信度得分为:原得分+ΔS2。
此外,针对于计算公式ΔS1和ΔS2中的增长基础分数值、消减基础分数值、kincre和kdecre做如下的解释说明:
增长基础分数值和消减基础分数值一般设为同个数量级,假设增长基础分数值和消减基础分数值的权重都是1,且如果增长基础分数值和消减基础分数值之间相差不大,例如增长基础分值是20,衰减基础分值是10,则有候选落货位置每次活跃就增加20分,每次不活跃就减少10分,即可信度得分涨得快,减得慢,以此来调节该候选落货位置的可信度得分。如果增长基础分值远远大于衰减基础分值,则候选落货位置只要活跃一次,其可信度得分就会很高,且需要很长时间的不活跃才能降低可信度得分。如果增长基础分值远远小于衰减基础分值,则候选落货位置只要不活跃一次,且可信度得分就会很低。所以增长基础分数值和消减基础分数值一般取相同数量级比较合理,但也可以不相等,具体谁大谁小则取决于需要让可信度得分增长快一点还是衰减慢一点。增长基础分数值和消减基础分数值具体设置取值可以根据实际情况进行设定;
kincre和kdecre是调节权重的。一般认为无人叉车距离障碍物越近可信度得分精度越高,得到的可信度得分越可行。距离和精度的关系就靠kincre和kdecre进行调节。例如,可以至少有三种调节方式:第一,可以根据实际情况调节成不管距离远近都认为一样可靠;第二,可以是线性变化的,距离慢慢变近,可靠程度慢慢提高;第三,距离慢慢变近,可靠程度提高得越来越快。但并不限于上述几种调节方式,可根据实际情况做进一步的设定。
4、基于历史候选落货位置,判断是否可得到目标落货位置,即最终停车位置。遍历历史候选落货位置,判断所有历史候选落货位置对应的障碍物是否临近传感器盲区。若某历史候选落货位置所对应的障碍物位置已临近传感器盲区,判断该历史候选落货位置的可信度参数是否达到预设信任阈值。若该历史候选落货位置的可信度参数达到预设信任阈值,则说明该历史候选落货位置的可信度较高,并设为最终停车位置。若该历史候选落货位置的可信度参数小于预设舍弃阈值,说明该历史候选落货位置的可信度较低,可以直接舍弃、忽略。若该历史候选落货位置的可信度参数值介于预设舍弃阈值和预设信任阈值之间,说明该历史候选落货位置的可信度一般,尚不足以成为最终停车位置,有待观察,可停车等待,重复执行以上所有操作。直到该历史候选落货位置的可信度参数达到预设信任阈值,则可设为最终停车位置。或者直到该历史候选落货位置的可信度参数小于预设舍弃阈值而被舍弃,无人叉车恢复起步,继续判断其他历史候选落货位置的可信度,寻找新的最终停车点。
重复执行以上步骤,每周期都实时更新所有历史候选落货位置,基于最新信息进行可信度评估,在障碍物进入传感器盲区之前,得到可信度高的历史落货位置作为最终停车位置,控制无人叉车行走至该停车位置,并执行落货动作,至此完成整个自动落货流程。
本发明实施例的技术方案,通过在无人叉车执行入库落货操作时,基于预设周期间隔,根据预设落货间距和传感器检测到的障碍物位置信息确定候选落货位置,且在确定每个周期间隔对应的候选落货位置之后,根据候选落货位置与历史周期间隔对应的历史候选落货位置的匹配结果确定候选落货位置和历史候选落货位置的可信度参数,并将候选落货位置加入历史候选落货位置,最后根据历史候选落货位置对应的障碍物位置信息和可信度参数,对历史候选落货位置进行评估,从而得出准确的避免与障碍物碰撞的目标落货位置,解决因传感器盲区及噪点导致的落货位置不准确的问题,提高了无人叉车的落货精度,同时多个历史候选落货位置的信息比对,可不必使得传感器一次就检测到精确的信息,因此节省了因更换更高精度传感器引入的硬件成本。
实施例三
图3为本发明实施例提供的一种无人叉车的落货位置确定装置的结构示意图,本实施例可适用于对无人叉车的落货位置进行准确确定的情况,该无人叉车的落货位置确定装置可以采用硬件和/或软件的形式实现,该无人叉车的落货位置确定装置可配置于任何具有无人叉车的落货位置确定方法的电子设备中。如图3所示,该装置包括:
第一位置确定模块210,用于在无人叉车执行入库落货操作时,基于预设周期间隔,根据预设落货间距和传感器检测到的障碍物位置信息确定候选落货位置;
参数确定模块220,用于在确定每个周期间隔对应的候选落货位置之后,根据所述候选落货位置与历史周期间隔对应的历史候选落货位置的匹配结果确定所述候选落货位置和所述历史候选落货位置的可信度参数,并将所述候选落货位置加入所述历史候选落货位置;
第二位置确定模块230,用于根据所述历史候选落货位置对应的障碍物位置信息和可信度参数,确定目标落货位置。
可选的,参数确定模块,用于:
若所述候选落货位置与任一历史候选落货位置匹配成功,则基于第一可信度增量确定该历史候选落货位置的可信度参数更新结果,并基于第二可信度增量确定未匹配成功的历史候选落货位置的可信度参数更新结果;其中,所述第一可信度增量大于所述第二可信度增量;
若所述候选落货位置与所有历史候选落货位置均匹配失败,则确定所述候选落货位置的可信度参数为所述第一可信度增量,并基于第二可信度增量确定所述历史候选落货位置的可信度参数更新结果。
可选的,所述第一可信度增量根据该候选落货位置对应的无人叉车和障碍物之间的障碍物距离进行确定;
其中,所述第一可信度增量的表达式为:
其中,ΔS1为所述第一可信度增量,Sincre为增长基础分数值,kincre为调节得分增长曲线非线性程度的系数,Dobs为所述候选落货位置对应的无人叉车和障碍物之间的障碍物距离。
可选的,所述第二可信度增量根据所述历史候选落货位置对应的超时时长进行确定;所述超时时长为所述历史候选落货位置最近一次被确定的时间和当前时间的时间间隔;
其中,所述第二可信度增量的表达式为:
其中,ΔS2为所述第二可信度增量,Sdecre为消减基础分数值,kdecre为调节得分消减曲线非线性程度的系数,Ttimeout为所述历史候选落货位置对应的超时时长。
可选的,第二位置确定模块,用于:
确定是否存在所述历史候选落货位置对应的障碍物位置信息与传感器盲区之间的盲区距离小于预设距离阈值;
若存在,则确定该历史候选落货位置为待选落货位置,并确定所述待选落货位置的可信度参数是否大于预设信任阈值;
若是,则确定可信度参数大于预设信任阈值的所述待选落货位置中可信度参数最大的为目标落货位置;
否则,继续确定下一周期间隔的候选落货位置。
可选的,第二位置确定模块还包括第一判断单元,用于:
确定所述无人叉车的当前位置是否与任一所述历史候选落货位置重合;
若是,则确定该历史候选落货位置为待选落货位置,并确定所述待选落货位置的可信度参数是否大于预设信任阈值;
若是,则确定所述待选落货位置目标落货位置;
否则,继续确定下一周期间隔的候选落货位置。
可选的,所述无人叉车的落货位置确定装置还包括第二判断单元,用于:
确定所述待选落货位置的可信度参数是否小于预设舍弃阈值;
若是,则从所述历史候选落货位置中删除所述待选落货位置;
否则,控制所述无人叉车停车等待,并继续确定下一周期间隔的候选落货位置,对所述待选落货位置的可信度参数进行更新,直至所述待选落货位置的可信度参数大于所述预设信任阈值或小于所述预设舍弃阈值,控制所述无人叉车恢复起步。
本发明实施例所提供的无人叉车的落货位置确定装置可执行本发明任意实施例所提供的无人叉车的落货位置确定方法,具备执行方法相应的功能模块和有益效果。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定,且不违背公序良俗。
实施例四
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图4示出了可以用来实现本发明实施例的无人叉车的落货位置确定方法的电子设备的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如无人叉车的落货位置确定方法。
在一些实施例中,无人叉车的落货位置确定方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的无人叉车的落货位置确定方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行无人叉车的落货位置确定方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用参考产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括交换件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、交换件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种无人叉车的落货位置确定方法,其特征在于,所述方法包括:
在无人叉车执行入库落货操作时,基于预设周期间隔,根据预设落货间距和传感器检测到的障碍物位置信息确定候选落货位置;
在确定每个周期间隔对应的候选落货位置之后,根据所述候选落货位置与历史周期间隔对应的历史候选落货位置的匹配结果确定所述候选落货位置和所述历史候选落货位置的可信度参数,并将所述候选落货位置加入所述历史候选落货位置;
根据所述历史候选落货位置对应的障碍物位置信息和可信度参数,确定目标落货位置。
2.根据权利要求1所述的方法,其特征在于,根据所述候选落货位置与历史周期间隔对应的历史候选落货位置的匹配结果确定所述候选落货位置和所述历史候选落货位置的可信度参数,包括:
若所述候选落货位置与任一历史候选落货位置匹配成功,则基于第一可信度增量确定该历史候选落货位置的可信度参数更新结果,并基于第二可信度增量确定未匹配成功的历史候选落货位置的可信度参数更新结果;其中,所述第一可信度增量大于所述第二可信度增量;
若所述候选落货位置与所有历史候选落货位置均匹配失败,则确定所述候选落货位置的可信度参数为所述第一可信度增量,并基于第二可信度增量确定所述历史候选落货位置的可信度参数更新结果。
3.根据权利要求2所述的方法,其特征在于,所述第一可信度增量根据该候选落货位置对应的无人叉车和障碍物之间的障碍物距离进行确定;
其中,所述第一可信度增量的表达式为:
其中,ΔS1为所述第一可信度增量,Sincre为增长基础分数值,kincre为调节得分增长曲线非线性程度的系数,Dobs为所述候选落货位置对应的无人叉车和障碍物之间的障碍物距离。
4.根据权利要求2所述的方法,其特征在于,所述第二可信度增量根据所述历史候选落货位置对应的超时时长进行确定;所述超时时长为所述历史候选落货位置最近一次被确定的时间和当前时间的时间间隔;
其中,所述第二可信度增量的表达式为:
其中,ΔS2为所述第二可信度增量,Sdecre为消减基础分数值,kdecre为调节得分消减曲线非线性程度的系数,Ttimeout为所述历史候选落货位置对应的超时时长。
5.根据权利要求1所述的方法,其特征在于,根据所述历史候选落货位置对应的障碍物位置信息和可信度参数,确定目标落货位置,包括:
确定是否存在所述历史候选落货位置对应的障碍物位置信息与传感器盲区之间的盲区距离小于预设距离阈值;
若存在,则确定该历史候选落货位置为待选落货位置,并确定所述待选落货位置的可信度参数是否大于预设信任阈值;
若是,则确定可信度参数大于预设信任阈值的所述待选落货位置中可信度参数最大的为目标落货位置;
否则,继续确定下一周期间隔的候选落货位置。
6.根据权利要求1所述的方法,其特征在于,在根据所述历史候选落货位置对应的障碍物位置信息和可信度参数,确定目标落货位置之前,所述方法还包括:
确定所述无人叉车的当前位置是否与任一所述历史候选落货位置重合;
若是,则确定该历史候选落货位置为待选落货位置,并确定所述待选落货位置的可信度参数是否大于预设信任阈值;
若是,则确定所述待选落货位置为目标落货位置;
否则,继续确定下一周期间隔的候选落货位置。
7.根据权利要求5或6所述的方法,其特征在于,在继续确定下一周期间隔的候选落货位置之前,所述方法还包括:
确定所述待选落货位置的可信度参数是否小于预设舍弃阈值;
若是,则从所述历史候选落货位置中删除所述待选落货位置;
否则,控制所述无人叉车停车等待,并继续确定下一周期间隔的候选落货位置,对所述待选落货位置的可信度参数进行更新,直至所述待选落货位置的可信度参数大于所述预设信任阈值或小于所述预设舍弃阈值,控制所述无人叉车恢复起步。
8.一种无人叉车的落货位置确定装置,其特征在于,所述装置包括:
第一位置确定模块,用于在无人叉车执行入库落货操作时,基于预设周期间隔,根据预设落货间距和传感器检测到的障碍物位置信息确定候选落货位置;
参数确定模块,用于在确定每个周期间隔对应的候选落货位置之后,根据所述候选落货位置与历史周期间隔对应的历史候选落货位置的匹配结果确定所述候选落货位置和所述历史候选落货位置的可信度参数,并将所述候选落货位置加入所述历史候选落货位置;
第二位置确定模块,用于根据所述历史候选落货位置对应的障碍物位置信息和可信度参数,确定目标落货位置。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的无人叉车的落货位置确定方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的无人叉车的落货位置确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311331514.0A CN117391582A (zh) | 2023-10-13 | 2023-10-13 | 无人叉车的落货位置确定方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311331514.0A CN117391582A (zh) | 2023-10-13 | 2023-10-13 | 无人叉车的落货位置确定方法、装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117391582A true CN117391582A (zh) | 2024-01-12 |
Family
ID=89436791
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311331514.0A Pending CN117391582A (zh) | 2023-10-13 | 2023-10-13 | 无人叉车的落货位置确定方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117391582A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117699318A (zh) * | 2024-02-05 | 2024-03-15 | 四川嘉智生态科技有限公司 | 一种货物智能入库装置及方法 |
-
2023
- 2023-10-13 CN CN202311331514.0A patent/CN117391582A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117699318A (zh) * | 2024-02-05 | 2024-03-15 | 四川嘉智生态科技有限公司 | 一种货物智能入库装置及方法 |
CN117699318B (zh) * | 2024-02-05 | 2024-04-16 | 四川嘉智生态科技有限公司 | 一种货物智能入库装置及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117391582A (zh) | 无人叉车的落货位置确定方法、装置、设备和介质 | |
CN114842445A (zh) | 基于多途径融合的目标检测方法、装置、设备及介质 | |
CN115690739A (zh) | 多传感器融合障碍物存在性检测方法和自动驾驶车辆 | |
CN113688730A (zh) | 障碍物测距方法、装置、电子设备、存储介质及程序产品 | |
CN113744565A (zh) | 一种碰撞预警方法、装置、电子设备及自动驾驶车辆 | |
CN115451901A (zh) | 一种路面不平度的分类识别方法、装置、车辆及存储介质 | |
CN114919661B (zh) | 一种泊车控制方法、装置、设备和存储介质 | |
CN104444646A (zh) | 电梯承载对象的重量检测方法和装置、电梯系统 | |
CN116560373A (zh) | 基于盲区障碍物的机器人避障方法、装置、设备和介质 | |
CN114919570A (zh) | 一种泊车避障方法、装置、电子设备及存储介质 | |
CN115798261B (zh) | 车辆避障控制方法、装置和设备 | |
CN114694138B (zh) | 一种应用于智能驾驶的路面检测方法、装置及设备 | |
CN116879921A (zh) | 基于栅格的激光雷达感知方法、装置、设备和介质 | |
CN117075132A (zh) | 基于激光雷达盲区的障碍物跟踪方法、装置、设备和介质 | |
CN117962876B (zh) | 车辆的停靠控制方法、装置和无人车 | |
CN115793652B (zh) | 行驶控制方法、装置及电子设备 | |
US20230108806A1 (en) | Method for radar detection of targets | |
CN114312835A (zh) | 车辆控制方法、装置、电子设备、介质及自动驾驶车辆 | |
CN115615337A (zh) | 站台检测方法、装置、设备及介质 | |
CN116495003A (zh) | 一种碰撞预警方法、装置、设备以及存储介质 | |
CN116238516A (zh) | 一种危险目标筛选方法、装置、电子设备及存储介质 | |
CN113721235A (zh) | 对象状态确定方法、装置、电子设备以及存储介质 | |
CN116534037A (zh) | 一种故障检测方法、装置、设备及存储介质 | |
CN116161035A (zh) | 一种车辆涉水行驶方法、装置、电子设备及介质 | |
CN118068831A (zh) | 一种定位方法、装置、设备及存储介质 |
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 |