-
公开(公告)号：CN112923934A
公开(公告)日：2021-06-08
申请号：CN201911246441.9
申请日：2019-12-06
Applicant: 北理慧动(常熟)车辆科技有限公司 , 北理慧动(北京)科技有限公司 , 北京理工大学
Abstract: 本发明涉及一种紧耦合的LIDAR‑IMU SLAM(雷达‑惯性测量单元即时定位与地图构建)，用于对非结构化道路环境中针对位置、姿态、速度和加速度计、陀螺仪漂移进行精确可靠的估计。该方法基于对激光雷达点云和IMU(惯性测量单元)积分产生的残差的优化。第一部分残差来自于同时建立的相关图中当前扫描点云与体素质心之间的距离之和。剩余量的第二部分来自于考虑激光雷达和IMU校准误差的预积分过程。与仅有激光雷达参与的SLAM(即时定位与地图构建)相比，LIDAR‑IMU SLAM在鲁棒性和精确姿态估计方面表现出更好的性能。此外，由于该系统具有提取重力方向的能力，估计的俯仰和滚动角度不会偏离。LIDAR‑IMU SLAM可以保持10Hz的频率，同时进行扫描匹配和建图。
-
公开(公告)号：CN108732923B
公开(公告)日：2021-03-30
申请号：CN201810534201.8
申请日：2018-05-29
Applicant: 北理慧动(常熟)车辆科技有限公司
IPC: G05B11/42
Abstract: 本发明涉及一种智能驾驶车辆加速度控制方法，属于智能车辆控制技术领域，解决了现有技术无法实现对智能驾驶车辆加速度精确跟踪的问题。所述方法包括以下步骤：在自动驾驶模式下，实时获取行驶加速度期望值ades；利用所述行驶加速度期望值ades及加速度补偿量Δa，计算得到行驶过程中的预估行驶阻力Fd；根据预估行驶阻力Fd，计算得到发动机控制量和制动控制量；发动机、制动系统分别按所述发动机控制量和制动控制量执行控制，用于改变智能驾驶车辆的行驶状态；根据智能驾驶车辆的当前车速信息和历史车速信息，得到加速度补偿量Δa。上述方法及智能驾驶车辆加速度控制系统，实现了对智能驾驶车辆加速度精确跟踪，方法简单，易于实现。
-
公开(公告)号：CN109960261B
公开(公告)日：2020-07-03
申请号：CN201910222739.X
申请日：2019-03-22
Applicant: 北京理工大学 , 北理慧动(北京)科技有限公司 , 北理慧动(常熟)车辆科技有限公司
Abstract: 本发明涉及一种基于碰撞检测的动态障碍物避让方法，属于无人车辆技术领域，通过初规划构造车辆期望轨迹，并根据接收的动态障碍物预测轨迹和所述车辆期望轨迹，进行碰撞检测，对车辆的行驶速度和/或路径进行重新规划，得到车辆无碰撞行驶速度和/或路径数据，重新构造车辆期望轨迹，避让动态障碍物；实现无人车辆自主避让动态障碍物。本发明立足于自动驾驶车辆在动态环境下，所采用碰撞检测方法保证既不失碰撞检测精度，又可以提升碰撞检测效率；所采用重规划方法可以兼顾通行效率、通行平顺性和通行安全性效果。
-
公开(公告)号：CN106873589B
公开(公告)日：2020-03-20
申请号：CN201710084216.4
申请日：2017-02-16
Applicant: 北理慧动(常熟)车辆科技有限公司
IPC: G05D1/02 , G08G1/0967
Abstract: 本发明涉及一种智能车辆自主跟随方法，包括对车辆信息进行注册；跟随车辆接收并解析领航车辆信息及编队其他跟随车辆信息；跟随车辆依据路线地图信息、定位导航信息、环境感知信息、领航车辆信息及编队其他跟随车辆信息自主规划路径；跟随车辆在得到本车的规划结果之后，将规划结果在横、纵向控制程序中转化为车辆可执行的控制量并下发给整车控制器，完成对跟随车辆的控制；跟随车辆将自身信息打包发送给领航车辆。本方法能够有效保证跟随车辆沿着领航车辆的行驶路径行驶，保证了行驶车辆的相对距离与速度；在遭遇突发状况时，领航车辆驾驶员能立即发现危险，并对危险做出相应的反应传输给跟随车辆，避免事故的发生，大大提高了自主跟随行驶的安全、稳定性。
-
公开(公告)号：CN108749814B
公开(公告)日：2020-02-21
申请号：CN201810510649.6
申请日：2018-05-24
Applicant: 北理慧动(常熟)车辆科技有限公司
IPC: B60W30/18 , B60W40/02 , B60W40/105 , G08G1/0967 , G08G1/0965 , H04W4/02 , H04W4/40
Abstract: 一种智能驾驶车辆行驶控制方法，属于智能驾驶技术领域，解决了现有技术中智能驾驶车辆因驾驶不当带来的经济性、舒适性降低及由此造成的交通拥堵问题。包括以下步骤：启动智能驾驶车辆的智能驾驶功能；检测智能驾驶车辆的行进方向设定距离内是否有红绿灯，若有，智能驾驶车辆同时接收本车和前车的位置、速度及红绿灯状态信息；生成智能驾驶车辆通行红绿灯的期望加速度和期望速度，并根据所述期望加速度和所述期望速度通行路口红绿灯；继续检测智能驾驶车辆的行进方向设定距离内是否有红绿灯。实现了智能车辆经济、舒适地通行路口红绿灯，减轻了因驾驶不当带来的交通拥堵问题。
-
Patent Agency Ranking
公开(公告)号：CN110329344A
公开(公告)日：2019-10-15
申请号：CN201910672537.5
申请日：2019-07-24
Applicant: 北京理工大学 , 北理慧动(常熟)车辆科技有限公司 , 北理慧动(北京)科技有限公司
IPC: B62D1/28
Abstract: 本发明涉及一种遥控驾驶仪的车速转向结构，属于遥控车辆控制领域，解决了现有遥控驾驶仪无法单手操作、驾驶员驾驶强度大、车辆可操作性差以及安全性能差的问题。车速转向结构包括底板、转向控制组件和车速控制组件；车速控制组件包括平面支架、滑轨和直线电位计，直线电位计能够在平面支架的作用下沿滑轨移动，通过改变直线电位计阻值大小实现车速调节；转向控制组件包括延伸轴，延伸轴包括上部和下部，上部的上端设有手柄，下部与旋转电位计连接，手柄能够使延伸轴旋转实现遥控转向；平面支架设有允许下部穿过的通孔。本发明实现了遥控驾驶仪单手操作，减轻了驾驶强度，增强了车辆的可操作性，使得遥控驾驶车辆的安全性能大幅提高。
-
公开(公告)号：CN106873589A
公开(公告)日：2017-06-20
申请号：CN201710084216.4
申请日：2017-02-16
Applicant: 北理慧动(常熟)车辆科技有限公司
IPC: G05D1/02 , G08G1/0967
Abstract: 本发明涉及一种智能车辆自主跟随方法，包括对车辆信息进行注册；跟随车辆接收并解析领航车辆信息及编队其他跟随车辆信息；跟随车辆依据路线地图信息、定位导航信息、环境感知信息、领航车辆信息及编队其他跟随车辆信息自主规划路径；跟随车辆在得到本车的规划结果之后，将规划结果在横、纵向控制程序中转化为车辆可执行的控制量并下发给整车控制器，完成对跟随车辆的控制；跟随车辆将自身信息打包发送给领航车辆。本方法能够有效保证跟随车辆沿着领航车辆的行驶路径行驶，保证了行驶车辆的相对距离与速度；在遭遇突发状况时，领航车辆驾驶员能立即发现危险，并对危险做出相应的反应传输给跟随车辆，避免事故的发生，大大提高了自主跟随行驶的安全、稳定性。
-
公开(公告)号：CN114440901A
公开(公告)日：2022-05-06
申请号：CN202011236206.6
申请日：2020-11-05
Applicant: 北理慧动(常熟)车辆科技有限公司 , 北理慧动(北京)科技有限公司 , 北京理工大学
IPC: G01C21/32
Abstract: 本发明基于栅格地图、拓扑地图以及几何特征地图各自的优缺点，汲取各种地图模型的优点，提出了一种可同时服务于位姿估计以及无人车辆导航的全局混合地图模型。全局混合地图主要由子地图节点以及子地图节点间连通关系构成。子地图节点中的地图数据包括三维概率特征子地图、三维概率栅格子地图以及可通行区域。三维概率特征子地图以及三维概率栅格子地图采用基于顺序存储结构和树形结构的混合数据结构进行数据组织，以提高其数据更新的实时性，并通过概率滤波提高了子地图对于系统噪声的鲁棒性。三维概率特征子地图以及三维概率栅格子地图共同与点云匹配进行位姿估计。基于三维概率栅格子地图提取用于无人车辆导航的可通行区域。
-
公开(公告)号：CN110033457B
公开(公告)日：2021-11-30
申请号：CN201910180734.5
申请日：2019-03-11
Applicant: 北京理工大学 , 北理慧动(常熟)车辆科技有限公司
Abstract: 本发明涉及一种目标点云分割方法，属于目标分割技术领域，解决了现有激光雷达分割方法存在的计算量大、计算速度慢、分割不精确的问题。包括以下步骤：步骤S1：接收并处理激光雷达采集的激光雷达点云数据，得到所述激光雷达点云数据对应的深度图；步骤S2：识别深度图角度矩阵中的地面信息，并将深度图中的相应坐标的R值置为‑1，得到去除地面信息的深度图；步骤S3：对去除地面信息的深度图进行目标分割，得到目标分割结果。实现了目标点云的快速分割，计算量小、计算结果精确，可以满足车辆运动时的实时目标分割需求。
-
公开(公告)号：CN110032949B
公开(公告)日：2021-09-28
申请号：CN201910222741.7
申请日：2019-03-22
Applicant: 北京理工大学 , 北理慧动(北京)科技有限公司 , 北理慧动(常熟)车辆科技有限公司
Abstract: 本发明涉及一种基于轻量化卷积神经网络的目标检测与定位方法，属于深度学习技术领域，解决了现有方法不能满足无人驾驶车辆实时性处理的要求。包括：实时采集车辆前方的图像数据和点云数据；将图像数据传输到目标检测模型，进行目标识别，获取目标信息；目标检测模型采用轻量化卷积神经网络；将获取的目标信息及点云数据输入到训练好的目标定位模型，进行目标定位，得到目标相对于车辆的位置信息。本方法实现了对静态、动态目标的实时检测和定位，使得车辆能够实时感知目标信息，及时地对目标进行避障处理，检测和识别结果具有较高的准确度，能够用于存在多个静态、动态目标的复杂场景，并且满足自动驾驶车辆的实时性检测定位要求。
-
-
-
-
-
-
-
-
-
Search Results
40
records
(took 0.037 seconds)
