基于实际意义隶属函数的机器人避障模糊算法

阐述了在不确定环境下,机器人通过在探测过程中采用基于实际物理意义的隶属函数的模糊算法来躲避障碍物的方法。该方法根据机器人和障碍物的位置、速度、运动角度等信息来构造一具有实际意义的隶属函数,使该模糊算法对于静止障碍物和运动障碍物都能很好地躲避。计算机仿真试验的结果验证了该方法的有效性和实用性。     

基于实际意义隶属函数的机器入避障模糊算法

阐述了在不确定环境下，机器人通过在探测过程中采用基于实际物理意义的隶属函数的模糊算法来躲避障碍物的方法。该方法根据机器人和障碍物的位置、速度、运动角度等信息来构造一具有实际意义的隶属函数，使该模糊算法对于静止障碍物和运动障碍物都能很好地躲避。计算机仿真试验的结果验证了该方法的有效性和实用性。     

基于随机运动障碍避碰规则的农业机器人路径优化

农业机器人作业时,为了提高机器人躲避障碍物及自主导航的效率和水平,将随机运动障碍物避碰规则引入到了农业机器人导航控制系统的设计中。采用人工势场算法对避障规则进行了设计,并利用蚁群算法对机器人路径规划方法进行了优化,从而使机器人在随机运动障碍物的环境下可以实现自主导航,且获得最短的导航路径。模拟多除草机器人的作业过程,对多运动障碍物环境下机器人的路径规划进行了仿真,结果表明:采用随机运动障碍物避障规则可以成功实现运动障碍物环境下的路径规划,且采用蚁群算法得到的路径最短、规划效率最高。     

安全行车4步曲

(1)及时发现发现情况是识别危险、作出判断的前提,是正确处理情况的第一步。机手不仅要发现明显的障碍物,更要及时发现较为隐蔽的路口、狭路、窄桥、静止的障碍物等等。(2)判断危险机手要对发现的情况进行辨别并作出判断,搞清哪些是容易造成事故的危险性障碍。具有明显危险特征的障碍物有:单独行走的儿童、驮物的自行车、攀扶机动车辆的人力车等,但容易导致事故发生的是那些潜在着危险的障碍物。机手应从以下3个方面判断具有潜在危险的障碍物:①对比识别危险障碍。简单来说,快速运动的障碍物比慢速或静止的障碍物危险性大;稳定性差的障碍物…     

基于小波多分辨率分解的农田障碍物检测

针对基于颜色或高度信息的农田障碍物检测方法仅能实现部分障碍物检测的缺点,提出了基于频率信息的检测方法.采用小波多分辨率分解,利用田间作物产生主频信息的总量优势及作物行分布规律确定作物所在频率层.在作物层上利用图像旋转投影法校正图像的同时,获得航位偏差和航向偏差;依据频率分布特性的改变,检测出发生行遮挡的疑似障碍物位置;依据非杂草类障碍物频率变化比较缓慢,在小波多分辨率分解的最高频率层上实现不发生作物行遮挡的疑似障碍物的检测;最后采用立体视觉匹配及频率信息的先验知识判定检测到的是否为障碍物.实验表明算法能检测出包括长满草的土堆、田头等各类障碍物,并能有效去除断垄干扰,单帧图像处理时间平均为79 ms.     

基于信息融合的农业自主车辆障碍物检测方法

针对单一传感器在智能车辆环境感知中的局限性,提出一种基于摄像机与激光雷达信息融合的农业自主车辆前方障碍物检测方法。对单目摄像机获取的图像进行基于Ft（Frequency-tuned）算法的显著性检测,并生成显著图。同时对激光雷达反射点进行基于数据关联性评估的聚类分析,确定障碍物数量、边界与位置等先验信息。然后以激光雷达坐标相对应的图像像素坐标为种子点,由种子点激活经过处理的显著图,基于受限区域生长实现障碍物区域分割。试验结果表明,基于Ft算法的图像显著性检测具有更好的边缘检测效果,基于种子点的受限区域生长法可以有效地进行障碍物分割。在机器视觉的基础上融入激光雷达数据,可以更好地排除非障碍物的干扰,实现了障碍物的完整检出。     

基于双目视觉的作物苗期障碍物三维信息检测方法

农业智能装备在实际农田环境中行进或作业的过程中需要感知多变环境下的各种障碍物。为此,基于双目视觉,开展了作物苗期农田障碍物三维信息检测方法研究,提出了一种基于特征的障碍物检测算法。首先,利用边缘检测算法去除天空背景,提取出障碍物潜在区域的上边界线,利用超绿特征颜色变换去除绿色作物苗期农田背景,提取下边界线;然后,通过阈值分割算法提取障碍物目标区域;最后,通过重心特征点立体匹配来获取视差值,结合MatLab标定获取的相机内外参数进行三维重建,计算障碍物的距离、宽度和高度三维信息。田间试验结果表明:该算法可以正确提取出障碍物目标区域,障碍物距离、宽度和高度检测的平均相对误差分别为4.7%、5.79%和1.78%,能够满足农业智能装备田间障碍物检测的需求,具有较好的可靠性。     

基于改进SSD的果园行人实时检测方法

农田障碍物的精确识别是无人农业车辆必不可少的关键技术之一。针对果园环境复杂难以准确检测出障碍物信息的问题,提出了一种改进单次多重检测器(Single shot multibox detector,SSD)深度学习目标检测方法,对田间障碍物中的行人进行识别。使用轻量化网络MobileNetV2作为SSD模型中的基础网络,以减少提取图像特征过程中所花费的时间及运算量,辅助网络层以反向残差结构结合空洞卷积作为基础结构进行位置预测,在综合多尺度特征的同时避免下采样操作带来的信息损失,基于Tensorflow深度学习框架,在卡耐基梅隆大学国家机器人工程中心的果园行人检测开放数据集上进行不同运动状态(运动、静止)、不同姿态(正常、非正常)和不同目标面积(大、中、小)的田间行人识别精度和识别速度的对比试验。试验表明,当IOU阀值为0. 4时,改进的SSD模型田间行人检测模型的平均准确率和召回率分别达到了97. 46%和91. 65%,高于改进前SSD模型的96. 87%和88. 51%,并且参数量减少至原来的1/7,检测速度提高了187. 5%,检测速度为62. 50帧/s,模型具有较好的鲁棒性,可以较好地实现田间环境下行人的检测,为无人农机的避障决策提供依据。     

基于视觉影像的行车辅助盲点探测系统设计与研究

基于视觉影像的行车辅助盲点探测系统通过探测器件从横、纵两个方向探测相对车身较低位置的障碍物,探测到障碍物后通过影像给出车辆与该障碍物的空间关系,分析两者的相对运动趋势,并及时给出警示语音和影像信息,辅助驾驶人员探测汽车侧面不易察觉的障碍,确保驾驶人员盲点不"忙"。     

基于激光雷达信息的履带式自动割草机障碍物检测

针对果园土壤生草制管理中所面临的割草任务重、劳动强度大等问题,设计一种基于二维激光雷达信息的履带式自动割草机障碍物检测方法。采用RPLIDAR A1进行障碍物扫描检测,由Matlab编程完成数据处理。将采集到的数据转换为直角坐标系下的x、y坐标,运用最小二乘滤波对数据进行去噪处理,采用k-means聚类算法对扫描数据进行聚类分析,得到障碍物的基本轮廓信息,最后经拟合得到较为密集的障碍物边缘离散点。试验结果中激光雷达扫描得到的角度和距离数据与现场实地测量数据之间最大误差为3.2%,达到了障碍物检测的目的,表明基于激光雷达信息的障碍物检测方法是合理可行的。     

无人车2.5D激光雷达行人检测

行人检测作为智能汽车环境感知的一个重要部分,必须具备很好的精度和实时性。2.5D四线激光雷达能够返回比较充足的障碍物信息,相对于三维激光雷达实时性更好,可以实现高性能的行人检测。针对行人难以检测的问题提出由13个特征构成的特征集,提出基于2.5D激光雷达的行人检测方法。实验结果表明该方法对户外行人检测有很高的精度和鲁棒性。     

传感器感知盲区条件下智能汽车主动制动系统控制研究

传感器感知盲区是造成智能汽车交通事故的主要原因之一。为了降低传感器感知盲区对智能汽车主动安全性能的影响,对传感器感知盲区条件下的智能汽车主动制动系统控制进行了研究。首先,建立感知盲区数据库,并搭建卷积神经网络对其进行识别;其次,根据其运动特征进行分类,建立感知盲区条件下的安全距离模型;最后,基于上述安全距离模型对感知盲区内的潜在障碍物进行自车速度控制,达到主动避撞的目的。仿真和实车试验表明,提出的传感器感知盲区分类可以较好地表述感知盲区的运动特征,传感器感知盲区条件下的主动避撞安全距离模型对潜在障碍物有较好的预防作用,主动避撞算法提高了智能汽车在传感器感知盲区内的主动安全性能。     

基于多传感器的汽车防碰撞及行人保护预警设计

设计了一种汽车防碰撞及行人保护的预警装置。综合运用激光和超声波测距,实现了对汽车前方和后方车辆、障碍物或行人的有效预警;运用声光互警,使得在开车门有危险时,车内和车外人员都可以得到警报;运用STM32单片机处理测距模块探测到的外界环境信息,把是否报警的指令发送给报警模块,报警模块做出相应反应,防止开车门事故和追尾事故的发生。     

基于单目视觉的采摘机器人障碍物检测和路径规划

具有自主作业能力的采摘机器人一直是国际上研究的热点,而障碍物检测躲避能力是其重要的功能,因为在机器人识别作业区域或成熟果实后需要自主的定位和移动。为此,提出了一种基于单目视觉和人工势能场的障碍物检测和避障算法,可以有效采集和检测障碍物的信息,再依据障碍物及目标区域的距离使用人工势能场方法对路径进行优化,实现采摘机器人的自主移动。为了验证障碍物检测和避障方案的可行性,模拟采摘机器人作业环境和自主移动流程,对采摘机器人避障行为进行了测试。测试结果表明:采用单目视觉和人工势场方法可以使机器人成功的避障,并规划出效率最高的到达目标作业区域路径,对采摘机器人自主导航技术的研究具有重要的意义。     

基于单目摄像头的车辆前方障碍物的检测研究

针对车辆前方障碍物准确检测的需求,提出了一种基于单目摄像头的车辆前方障碍物的检测系统.通过单目摄像头对视频进行采集,获取单帧图像信息.通过在ROI区域内对道路上的障碍物进行检测,能够最大程度缩小检测范围,加快了运算效率.通过基于遗传算法的二维最大熵分割法分理出背景和障碍物,形态学算法去除其区域内的干扰物以及孤立点,最后...     

基于无线通信的智能车联汽车防盗系统

本文以目前盐城市场保有量较多的东风悦达起亚K3汽车车身电控系统作为"人车e家"样本,设计制作一种基于无线通信的智能车联汽车防盗系统。当汽车被碰撞或被牵动时,振动报警器检测到相关信息,并将这一信息通过GSM模块,发送到用户手机,车主可以及时查询车辆当前状况,可以有效防止车辆遭到损坏或者财物丢失及车辆被盗等,可供汽车爱好者参考学习。     

基于双目相机与改进YOLOv3算法的果园行人检测与定位

针对复杂果园环境中行人难以精确检测并定位的问题,提出了一种双目相机结合改进YOLOv3目标检测算法的行人障碍物检测和定位方法。该方法采用ZED双目相机采集左右视图,通过视差原理获取图像像素点的距离信息;将双目相机一侧的RGB图像作为用树形特征融合模块改进的YOLOv3算法的输入,得到行人障碍物在图像中的位置信息,结合双目相机获得的像素位置信息计算出相对于相机的三维坐标。用卡耐基梅隆大学国家机器人工程中心开放的果园行人检测数据集测试改进的YOLOv3算法,结果表明,准确率和召回率分别达到95.34%和91.52%,高于原模型的94.86%和90.19%,检测速度达到30.26 f/ms。行人检测与定位试验表明,行人障碍物的定位在深度距离方向平均相对误差为1.65%,最大相对误差为3.80%。该方法具有快速性和准确性,可以较好地实现果园环境中的行人检测与定位,为无人驾驶农机的避障决策提供依据。     

基于立体视觉技术的多种农田障碍物检测方法

从摄像机标定、图像获取、双目校正、立体匹配、深度计算等方面研究多种农田障碍物检测方法,分别用Bouguet算法进行立体校正、用区域匹配方法获取视差图、用三角测量方法计算障碍物的深度,获取了不同环境下的5种障碍物及其位置信息,并使用计算机视觉函数库OpenCV,提高了算法的实时性。试验表明:障碍物与摄像机的距离小于2 000 mm时,准确识别率在96%以上,深度的绝对误差在±30 mm内(即相对误差在1.5%以下),且完成一次障碍物检测的时间小于100 ms。     

无人驾驶汽车的微机自动控制技术研究

无人驾驶汽车是目前汽车行业的发展趋势,主要利用计算机数据的自动控制技术、传感器感知车辆周围环境,通过处理分析获得的道路情况、车辆位置和障碍物信息,以实现对车辆的转向和速度的自动控制。文章主要围绕无人驾驶汽车的微机自动控制技术展开研究。     

基于无效目标滤除的毫米波雷达农田障碍物检测方法

农田障碍物检测是农机自动驾驶的前提，针对毫米波雷达的农田障碍物检测，本文提出一种无效目标滤除的算法。首先对毫米波雷达所输出的目标信息进行解析并提取农田目标障碍物信息，然后使用无效目标滤除算法对解析后的空目标、伪目标、非威胁数据进行滤除。对雷达数据中目标距离为零的空目标直接滤除；对因雷达工作性能或回波信号不稳定而产生的伪目标通过雷达有效目标生命周期法进行过滤；对超出横向距离阈值和纵向距离阈值的非威胁目标直接滤除。试验结果表明，所提算法在静止状态，平均滤除率达到85%以上。当速度为3 km/h时，未作业状态的平均滤除率为85.24%,旋耕为84.23%;当速度为5 km/h时，未作业为84.22%,旋耕为84.18%;当速度为7 km/h时，未作业为84.19%,旋耕为84.16%。尽管在行驶状态下，随着速度的提升或悬挂旋耕机，滤除率有一定的下降，但本文所提算法在各种状态下的平均滤除率均可达到84%以上。