针对AGV(Automated Guided Vehicle)叉车处于环境信息未知或环境动态变化情况下的路径规划及导航问题,文中提出了一种由YOLOv5(You Only Look Once version 5)目标检测算法获取目标位置。根据目标位置规划出全局基础路径,再融合DWA(Dyna...针对AGV(Automated Guided Vehicle)叉车处于环境信息未知或环境动态变化情况下的路径规划及导航问题,文中提出了一种由YOLOv5(You Only Look Once version 5)目标检测算法获取目标位置。根据目标位置规划出全局基础路径,再融合DWA(Dynamic Window Approach)局部动态路径规划算法进行AGV路径规划与导航,使AGV叉车在未知环境或局部环境信息未知的环境中能快速识别目标位置并完成路径规划到达目标位置。实验结果表明,相较于改进前方法,文中所提方法在路径长度、耗费时间以及AGV叉车航向误差方面均有良好表现,路径长度平均减少12%,耗费时间平均减少约5%且AGV航向与目标航向的平均误差在5°以内。所提方法提高了AGV叉车在未知环境中的工作效率以及工作灵活性。展开更多
自动驾驶场景下的目标检测是计算机视觉中重要研究方向之一,确保自动驾驶汽车对物体进行实时准确的目标检测是研究重点。近年来,深度学习技术迅速发展并被广泛应用于自动驾驶领域中,极大促进了自动驾驶领域的进步。为此,针对YOLO(You On...自动驾驶场景下的目标检测是计算机视觉中重要研究方向之一,确保自动驾驶汽车对物体进行实时准确的目标检测是研究重点。近年来,深度学习技术迅速发展并被广泛应用于自动驾驶领域中,极大促进了自动驾驶领域的进步。为此,针对YOLO(You Only Look Once)算法在自动驾驶领域中的目标检测研究现状,从以下4个方面分析。首先,总结单阶段YOLO系列检测算法思想及其改进方法,分析YOLO系列算法的优缺点;其次,论述YOLO算法在自动驾驶场景下目标检测中的应用,从交通车辆、行人和交通信号识别这3个方面分别阐述和总结研究现状及应用情况;此外,总结目标检测中常用的评价指标、目标检测数据集和自动驾驶场景数据集;最后,展望目标检测存在的问题和未来发展方向。展开更多
文摘针对AGV(Automated Guided Vehicle)叉车处于环境信息未知或环境动态变化情况下的路径规划及导航问题,文中提出了一种由YOLOv5(You Only Look Once version 5)目标检测算法获取目标位置。根据目标位置规划出全局基础路径,再融合DWA(Dynamic Window Approach)局部动态路径规划算法进行AGV路径规划与导航,使AGV叉车在未知环境或局部环境信息未知的环境中能快速识别目标位置并完成路径规划到达目标位置。实验结果表明,相较于改进前方法,文中所提方法在路径长度、耗费时间以及AGV叉车航向误差方面均有良好表现,路径长度平均减少12%,耗费时间平均减少约5%且AGV航向与目标航向的平均误差在5°以内。所提方法提高了AGV叉车在未知环境中的工作效率以及工作灵活性。
文摘自动驾驶场景下的目标检测是计算机视觉中重要研究方向之一,确保自动驾驶汽车对物体进行实时准确的目标检测是研究重点。近年来,深度学习技术迅速发展并被广泛应用于自动驾驶领域中,极大促进了自动驾驶领域的进步。为此,针对YOLO(You Only Look Once)算法在自动驾驶领域中的目标检测研究现状,从以下4个方面分析。首先,总结单阶段YOLO系列检测算法思想及其改进方法,分析YOLO系列算法的优缺点;其次,论述YOLO算法在自动驾驶场景下目标检测中的应用,从交通车辆、行人和交通信号识别这3个方面分别阐述和总结研究现状及应用情况;此外,总结目标检测中常用的评价指标、目标检测数据集和自动驾驶场景数据集;最后,展望目标检测存在的问题和未来发展方向。
