起伏道路条件下无人车纵向速度控制方法研究

为提升无人车在起伏道路条件下速度控制的准确性,本文提出一种对目标轨迹上的道路坡度进行预瞄检测的方法。首先,通过实验测定车辆速度控制系统响应延迟参数,确定预瞄时间;然后,以直径为车辆宽度的圆存储激光雷达点云,根据预瞄时间、车辆速度、激光雷达的检测盲区和目标轨迹的长度确定存储点云圆的数量和圆心坐标;随后,根据圆心与车辆前轴中心的欧式距离和预瞄时间以及车速对存储点云的圆进行动态更新和提取,采用三角函数法计算预瞄区域内的路面相对于车身姿态的坡度;最后,与惯性导航系统提供的车身俯仰角叠加得到预瞄区域内路面的绝对坡度。实验结果表明,本文提出的道路坡度预瞄检测方法能够提升无人车在起伏道路条件下速度控制的准确性。就无人车在上坡过程中最低速度分析,与忽略道路坡度的控制方法和采用惯导提供的俯仰角作为道路坡度的方法相比,在通过4°坡道时,速度控制的准确率分别提升了5.9%和2.5%,在通过16°坡道时,速度控制的准确率分别提升了85%和17.5%。

基于多层激光雷达的道路信息提取算法

为了获得无人驾驶车辆前方道路信息,应用多层激光雷达,提出一种道路信息提取算法。道路信息提取算法主要由路沿检测算法和道路坡度检测算法构成。路沿检测算法首先根据路沿数据点特征从众多的激光雷达数据中提取出路沿数据集,其次,应用基于欧氏距离改进的COBWEB算法对路沿数据集进行聚类分析,然后,提出多层融合规则将聚类后的路沿类分为左侧路沿和右侧路沿并剔除干扰路沿类,最后,应用最小二乘法拟合出左右路沿。道路坡度检测算法根据激光雷达不同扫描层上的路面数据点的相对位置关系,计算并得出无人驾驶车前方道路的坡度信息。实车测试表明了提出的道路信息提取算法可以稳定、准确的感知无人驾驶车前方道路信息。

公路路网不良斜坡智能检测及预警系统的研究

为解决现有技术中公路斜坡检测设备较为简单、检测设备无法自动对斜坡状态变化进行检测、无法及时发出预警的问题,提出了公路路网不良斜坡智能检测及预警系统。通过设置检测机构和警报机构,可以快速及时地对公路斜坡进行检测,从而提升了智能检测及预警系统的使用效果。提出的公路路网不良斜坡监测用智能报警装置实现了对压力报警器本体的固定安装,拆卸方便,提高了智能报警控制的工作效率。在一定程度上能够节约劳动力成本,促进公路工程监测行业向智能化方向发展,更准确及时地提供预判以及报警的功能,为后续公路工程斜坡监测提出了新的思路。

面向无人驾驶矿车的露天矿山道路坡度实时检测方法

露天矿山大部分道路坡度大,无人驾驶矿车在上下坡之前如果不能合理规划速度,则容易发生一些危险,例如因下坡急减速导致的物料外撒或因上坡导致的溜车。无人驾驶矿车通过精确检测车辆前方一定范围内的道路坡度,可以在上下坡之前合理规划速度。目前无人驾驶矿车实时检测露天矿山道路坡度存在一些挑战:露天矿山道路坡度大且不平整,无人驾驶矿车在行驶过程中会有比较大的俯仰和弹跳运动,因为基于惯性导航系统(inertial navigation system,INS)或全球导航卫星系统(Global Navigation Satellite System,GNSS)的方法测出的是车辆的俯仰角,而不是所在道路区域的坡度;由于露天矿山几何特征缺失,这使得基于SLAM(simultaneous localization and mapping)的方法在特征缺失的路段容易匹配错误,而且基于SLAM的方法测出的也是车辆的俯仰角。本文针对目前无人驾驶矿车实时检测露天矿山道路坡度研究中存在的问题,提出了栅格卡尔曼道路坡度实时检测(grid Kalman road slope real-time detection,GKSRD)方法。该方法以三维激光雷达点云和INS俯仰角信息作为输入,并采用二维栅格地图、感兴趣矩形区域迭代优化算法和卡尔曼滤波器。相比于基于INS或GNSS的方法,该方法减小了无人驾驶矿车行驶过程中由于道路坡度大且不平整对道路坡度实时检测带来的误差。相比于基于SLAM的方法,因为该方法不依赖周围环境的几何特征,所以其不会受到露天矿山几何特征缺失的影响。通过试验验证,GKSRD方法对露天矿山道路坡度的实时检测平均误差小于0.01°,最大误差小于0.5°。相比于基于INS或GNSS的方法和基于SLAM的方法,GKSRD方法精度更高,稳定性和环境适应性也更好。

在障碍物检测时对斜坡点云的检测处理算法

室外移动机器人在包含斜坡路面的环境下进行障碍物检测时,采用传统的RANSAC地面点云剔除算法会出现无法剔除斜坡点云的现象,导致后续将斜坡识别成障碍物。针对这一情况,本文提出了一种相邻线束算法来检测和剔除斜坡点云,并基于欧式聚类对障碍物进行检测。该方案首先对三维激光点云进行预处理,根据三维激光雷达相邻线束之间的几何关系分割出包含斜坡的地面点云,再经过体素滤波进行下采样后,对分割出的障碍物点云进行基于KDTree的欧式聚类,并通过PCA主成分分析计算出外接包围框的尺寸和方向来对障碍物进行检测。经过实验表明:采用本文提出的障碍物检测算法能有效分割出环境中的斜坡路面,在聚类过程中能够避免将斜坡路面识别为障碍物,为机器人自主行走避障策略提供基础。