-
公开(公告)号：CN109386155A
公开(公告)日：2019-02-26
申请号：CN201811103329.5
申请日：2018-09-20
Applicant: 同济大学
Abstract: 本发明提供了一种面向自动化停车场的无人泊车搬运机器人的对位方法，包括识别目标车辆的车系与型号阶段：利用单目摄像头获取目标车辆的尺寸信息；获取目标车辆的车轮信息阶段：利用单线激光雷达获取目标车辆的位置信息；实现目标车辆的预对位阶段：利用单线激光雷达获取该机器人的轮廓信息，以调整其横向展开宽度及与目标车辆的预对准角度；实现目标车辆的精准对位阶段：在上述基础上，利用单点激光雷达获取目标车辆的车轮轴信息，以调整与目标车辆的精对准角度及纵向伸长长度；本发明的机器人结合额外搭建的起中转作用的具有单目摄像头与单线激光雷达的临时停车区，来实现与不同品牌车辆的精准对位，以便保障机器人对目标车辆有效、安全地搬运。
-
公开(公告)号：CN113835101A
公开(公告)日：2021-12-24
申请号：CN202111157408.6
申请日：2021-09-30
Applicant: 同济大学
IPC: G01S17/89
Abstract: 本发明涉及一种基于雷达点云的车辆定位方法、装置及存储介质，该方法包括：S1、对雷达采集的点云数据进行点云特征提取获取特征点云；S2、建立点云特征误差模型，利用点云特征误差模型对所述的特征点云进行误差评价；S3、基于特征点云的误差评价结果确定各特征点云的误差权重，基于误差权重进行特征点云与地图特征的配准，进而定位车辆位置。与现有技术相比，本发明通过提取点云特征得到特征点云，可以聚焦环境中的稳定结构特征，提升环境认知的可靠性，通过点云特征误差模型评价点云特征的可靠性，从而用于后续误差权重的设置以及配准，提升配准精度，从而提高车辆定位精度。
-
公开(公告)号：CN109270544A
公开(公告)日：2019-01-25
申请号：CN201811103396.7
申请日：2018-09-20
Applicant: 同济大学
Abstract: 本发明公开了一种基于杆状物识别的移动机器人自定位系统，其包括如下步骤：构建杆状物离线地图，利用激光雷达获取移动物体周围的点云数据，并从该点云数据中提取杆状物信息，根据杆状物信息与杆状物离线地图的匹配进行自定位，得到移动物体的定位信息。本发明使用激光雷达对杆状物进行识别跟踪，结合惯性测量单元及GPS的信息，通过相应的定位算法进行数据的处理和融合，从而实现移动物体的自定位。本发明的方法可以达到分米级的定位精度，在满足实际应用需求的前提下，有着成本较低、精度很高、实时性及鲁棒性好的优点。
-
公开(公告)号：CN114734985A
公开(公告)日：2022-07-12
申请号：CN202210314387.2
申请日：2022-03-28
Applicant: 同济大学
IPC: B60W30/02 , B60W30/14 , B60W30/165 , B60W40/105 , B60W40/107 , B60W50/00
Abstract: 本发明涉及一种基于车车通信的编队控制方法，该方法包括以下步骤：步骤S1：通过车车通信设备获取相邻前导车的信息；步骤S2：根据本车位姿和状态信息计算本车与相邻前导车之间的相对车距、相对车速和相对加速度；步骤S3：根据制动踏板前馈和误差反馈获取跟随车的期望加速度，并对期望加速度进行限值判定；步骤S4：通过期望加速度查表得到踏板开度，从而调节车辆的踏板开度。与现有技术相比，本发明具有提高编队车辆在紧急情况的安全性和提高编队车辆行驶的稳定性等优点。
-
公开(公告)号：CN110097047B
公开(公告)日：2021-10-08
申请号：CN201910206463.6
申请日：2019-03-19
Applicant: 同济大学
Abstract: 本发明涉及一种基于深度学习采用单线激光雷达的车辆检测方法，包括以下步骤：1)通过单线激光雷达采集车辆的特征点云数据，并进行预处理得到二进制图像；2)对二进制图像中进行标注，获取其中车辆所在的位置，生成训练数据集，并采用聚类方法生成感兴趣区域；3)构建适用于目标车辆检测的深度卷积神经网络及其损失函数；4)对感兴趣区域进行增广后输入深度卷积神经网络中，并根据输出值与训练真值的差异对卷积神经网络中的参数进行训练更新，得到最优的网络参数，并根据训练好的深度卷积神经网络进行车辆位置检测，获取车辆位置。与现有技术相比，本发明具有稳健性高、检测成本低等优点。
-
Patent Agency Ranking
公开(公告)号：CN110097047A
公开(公告)日：2019-08-06
申请号：CN201910206463.6
申请日：2019-03-19
Applicant: 同济大学
Abstract: 本发明涉及一种基于深度学习采用单线激光雷达的车辆检测方法，包括以下步骤：1)通过单线激光雷达采集车辆的特征点云数据，并进行预处理得到二进制图像；2)对二进制图像中进行标注，获取其中车辆所在的位置，生成训练数据集，并采用聚类方法生成感兴趣区域；3)构建适用于目标车辆检测的深度卷积神经网络及其损失函数；4)对感兴趣区域进行增广后输入深度卷积神经网络中，并根据输出值与训练真值的差异对卷积神经网络中的参数进行训练更新，得到最优的网络参数，并根据训练好的深度卷积神经网络进行车辆位置检测，获取车辆位置。与现有技术相比，本发明具有稳健性高、检测成本低等优点。
-
公开(公告)号：CN110082779A
公开(公告)日：2019-08-02
申请号：CN201910206464.0
申请日：2019-03-19
Applicant: 同济大学
Abstract: 本发明涉及一种基于3D激光雷达的车辆位姿定位方法及系统，该系统由3D激光雷达、单目摄像头、车型判别模块、云端点云数据库、点云数据匹配模块所组成，所配套的定位方法为：首先利用单目摄像头获取当前目标车辆的特征图像信息，利用3D激光雷达采集当前车辆的特征点云数据；然后结合深度学习CNN卷积神经网络车型判别模块对目标车辆的车型进行判别；根据CNN卷积神经网络的判别结果，从云端数据库调取对应车型的点云数据，然后利用迭代最近点算法(Iterative Closest Point，ICP)对所采集的目标车辆特征点云数据与云端点云数据进行匹配获取目标车辆的刚体旋转矩阵与位移向量；最后依据刚体旋转矩阵与位移向量获取目标车辆的位姿信息，本发明具有高鲁棒性和高准确性的优点。
-
公开(公告)号：CN109558808A
公开(公告)日：2019-04-02
申请号：CN201811329308.5
申请日：2018-11-09
Applicant: 同济大学
Abstract: 一种基于深度学习的路边沿检测方法，包括如下步骤：(1)采集真实道路上包含路边沿的图像数据，并通过人工标注方法标注其中与路边沿检测相关的目标的位置和类别信息，构建路边沿检测的数据集；(2)构建适用于路边沿检测的多任务卷积神经网络及相应的损失函数；(3)将采集到的图像和标注数据输入到步骤(2)构建的卷积神经网络中，根据输出值与目标值之间的损失值对神经网络中的参数值进行更新，最后得到理想的网络参数。本发明对各种可见及非可见、有无明确几何特征和高度差的的路边沿都有着较好的检测能力，相对于3D激光雷达等检测方式具有成本优势，有利于大规模推广应用，促进自动驾驶技术的发展。
-
公开(公告)号：CN109556617A
公开(公告)日：2019-04-02
申请号：CN201811329208.2
申请日：2018-11-09
Applicant: 同济大学
Abstract: 本发明提出了一种自动建图机器人的地图要素提取方法，属于导航技术领域。该方法获取待测环境的第一地图要素信息，构建所述待测环境的点云轮廓地图；检测待测环境设定位置上的视觉标记，读取所获取的视觉标记所包含的第二地图要素信息；将第二地图要素信息标记到所述点云轮廓地图中，得到包含具体语义信息的地图；其中，第一地图要素信息包含所述待测环境所在位置的点云信息；第二地图要素信息包括对应视觉标记所在位置的地图要素的具体语义信息。该方法能够全自动地完成点云建图和语义标注，得到高精度的语义地图，同时成本较低，容易实施，可扩展性好。
-
公开(公告)号：CN109435730A
公开(公告)日：2019-03-08
申请号：CN201811329307.0
申请日：2018-11-09
Applicant: 同济大学
Abstract: 一种基于仿蛇形机械臂的自动充电系统包括仿蛇形机械臂、充电装置、控制系统，进一步包括各种控制及执行模块，相互配合，通过车辆感应模块能自动感知是否有等待充电车辆；充电口预对位模块通过安装的传感器来识别充电口，并初步计算充电口的大致方位；配备微型计算机的主控制模块，安装在充电桩基座内，主控制模块控制机械臂夹取充电枪，朝着预对位方向运动；仿蛇头关节的精确对位模块通过相应的传感器精确确定充电口位置并给等待充电车辆充电。本发明极大地提高了新能源汽车和自动导引车的用车体验，解决了自动化场所如自动停车场车辆的自动充电需求，形成了完善的自动化停车以及自动化车间服务体系，大幅降低了人力成本且提高了运行效率。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.023 seconds)
