CN105223583A - 一种基于三维激光雷达的目标车辆航向角计算方法 - Google Patents
一种基于三维激光雷达的目标车辆航向角计算方法 Download PDFInfo
- Publication number
- CN105223583A CN105223583A CN201510574374.9A CN201510574374A CN105223583A CN 105223583 A CN105223583 A CN 105223583A CN 201510574374 A CN201510574374 A CN 201510574374A CN 105223583 A CN105223583 A CN 105223583A
- Authority
- CN
- China
- Prior art keywords
- prime
- target vehicle
- course angle
- distribution pattern
- cloud
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
Abstract
本发明涉及一种基于三维激光雷达的目标车辆航向角计算方法,其特征在于包括以下步骤:1)采用安装在自车顶部的三维激光雷达采集目标车辆,得到目标车辆的点云数据;2)在雷达坐标系中建立目标车辆某时刻所对应的航向角参数模型;3)根据目标车辆的点云数据计算目标车辆的分布类型;4)根据目标车辆的分布类型分别对目标车辆点云进行聚类,获得感兴趣区域,其中,感兴趣区域指的是表征航向角的主要部分;5)根据聚类结果按照目标车辆的分布类型分别将两类点云成分进行直线拟合;6)结合目标车辆的分布类型及相应的两类点云成分直线拟合结果计算目标车辆的航向角。本发明可以广泛应用于智能车环境感知技术领域。
Description
技术领域
本发明涉及现代交通智能车辆环境感知技术领域,特别是关于一种基于三维激光雷达的目标车辆航向角计算方法。
背景技术
三维激光雷达能够捕获目标物基本形状特征及丰富局部细节,具有可靠性及测量精度高等优点,目前被广泛应用在智能车辆环境感知中。作为感知的重要内容,车辆目标航向角在判断目标换道意图等行为中具有重要作用,是智能车辆路径规划及决策算法的基础。但是由于三维激光雷达的固有特性,车辆目标点云分布受到观测点位置及自遮挡等因素的影响,使得目标航向角难以精确计算。
当前研究中车辆目标主要使用轴平行包围体(AixeAlignBoundingBox,AABB)来表示,即无论目标处于何种姿态,其矩形包围体边界一直平行于雷达坐标轴。这种方法忽略了车辆的航向角属性,显然不利于分析车辆的横向行为,对感知而言也是不完整的。针对这种情况,部分研究采用主成分分析方法计算航向角:首先将原始三维点云俯视投影降维,而后采用主成分分析来计算二维点云特性向量,选用对应特征值较大的特征向量方向作为包围体航向角方向。在此基础上,一些研究先采用统计分析方法去除异值点云,考虑目标自遮挡特性,主成分分析方法往往不能获取到目标真实运动方向,因此采用随机抽样一致性算法来计算车辆航向角,但是实际应用中难以去除异值点云,因此限制了该方法的应用。
发明内容
针对上述问题,本发明的目的是提供一种检测精度较高、可靠性较强的基于三维激光雷达的目标车辆航向角计算方法。
为实现上述目的,本发明采取以下技术方案:一种基于三维激光雷达的目标车辆航向角计算方法,其特征在于包括以下步骤:1)采用安装在自车顶部的三维激光雷达采集目标车辆,得到目标车辆的点云数据;2)在雷达坐标系中建立目标车辆某时刻所对应的航向角参数模型;3)根据目标车辆的点云数据计算目标车辆的分布类型;4)根据目标车辆的分布类型分别对目标车辆点云进行聚类,获得感兴趣区域,其中,感兴趣区域指的是表征航向角的主要部分;5)根据聚类结果按照目标车辆的分布类型分别将两类点云成分进行直线拟合;6)结合目标车辆的分布类型及相应的两类点云成分直线拟合结果计算目标车辆的航向角。
进一步,对获取的目标车辆的航向角采用线性卡尔曼滤波器进行滤波。
进一步,步骤3)根据目标车辆的点云数据计算目标车辆的分布类型,具体过程为:目标车辆的形状类型采用如下概率模型进行描述:
式中,Mt为目标车辆的分布类型,Xt为t时刻目标车辆的位姿;基于目标车辆的目标位置与航向角独立性假设,可得:
由于此时刻目标方位未知,因此采用点云分布方差之比τt来近似替代,其计算方法为:视点云为二维高斯分布,则有:
式中,σmax,σmin分别为最大、最小正态方差,则可得:
p(Mt|Xt)=p(Mt|xt,yt)p(Mt|τt)
对于p(Mt|xt,yt),采用如下离散概率经验值:
式中,Ai=1,2,3,4区域包围体为自遮挡区,A12,A34A14,A23区域为半自遮挡区;R1=A14∪A23,R2为剩余区域A1,A12,A2,A3,A34,A4的并集;
对于p(M|τt)采用如下经验值:
最终采用下式计算两种目标类型的概率:
如果p(M="L")>p(M="I")则认为目标车辆的分布类型为"L",反之则认为目标车辆的分布类型为"I"。
进一步,步骤4)根据目标车辆的分布类型分别对目标车辆点云进行聚类,获得感兴趣区域,具体过程为:4.1)基于K均值算法对某一分布类型的目标车辆点云进行初始聚类;4.2)采用混合高斯算法对初始聚类后的目标车辆点云进行再聚类,提取得到相应分布类型的感兴趣区域;4.3)经过再聚类后,从聚类结果中选择一类较优的点云进行航向角计算,具体选择过程为:对于“L”型点云,将两类点云视为二维正态分布,分别计算其方差比值,并选择方差比值较大的一类作为感兴趣区域点云;对于“I”型点云,选择靠近自车的部分作为感兴趣点云,如果目标车辆位于自车前方,则选择其尾部点云;如果位于后方则选择车头部分点云。
进一步,步骤6)结合目标车辆的分布类型及相应的两类点云成分直线拟合结果计算目标车辆的航向角,具体过程为:6.1)对于“L”型目标车辆,直接以感兴趣区域内点云拟合的直线作为航向角方向;6.2)对于“I”型目标车辆,以感兴趣区域内点云拟合直线的正交直线作为航向角方向。
本发明由于采取以上技术方案,其具有以下优点:1、本发明根据目标车辆的分布类型分别对目标车辆点云进行聚类,获得感兴趣区域,根据聚类结果按照目标车辆的分布类型分别将两类点云成分进行直线拟合;并结合目标车辆的分布类型及相应的两类点云成分直线拟合结果计算目标车辆的航向角,由于本发明针对目标点云采用先分块聚类,后进行主成分拟合,因此受目标自遮挡影响较小,能够有效提高航向角计算精度,检测精度较高。2、本发明对获取的目标车辆的航向角采用线性卡尔曼滤波器进行滤波,因此能够避免受点云分布复杂性影响,进而得到稳定、可靠的航向角。本发明可以广泛应用于智能车环境感知技术领域。
附图说明
图1是本发明的目标车辆航向角计算方法流程示意图;
图2是本发明的目标航向角参数示意图;
图3是本发明的目标形状类型示意图,其中,图(a)是ROI为“L”型示意图,图(b)是ROI为“I”型示意图;
图4是本发明的目标车辆位置分布示意图,OBB指的是目标车辆;
图5是本发明的点云聚类流程示意图;
图6是本发明的航向角计算流程示例示意图,其中,图(a)是“L”模型点云航向角计算流程示意图,图(b)是“I”模型点云航向角计算流程示意图。
具体实施方式
以下结合附图来对本发明进行详细的描绘。然而应当理解,附图的提供仅为了更好地理解本发明,它们不应该理解成对本发明的限制。
如图1所示,本发明的基于三维激光雷达的目标车辆航向角计算方法,包括以下步骤:
1、采用安装在自车顶部的三维激光雷达采集目标车辆,得到目标车辆的点云数据。
2、在雷达坐标系中建立目标车辆某时刻所对应的航向角参数模型。
如图2所示,本发明中目标车辆采用矩形定向包围体表示,在雷达坐标系Oxy下,t时刻目标车辆的参数可以表示为:
Bt=(Xt,Gt)
式中,为目标车辆位姿模型,xt,yt为目标车辆中心参考点坐标,单位为m;为目标车辆航向角,即目标车辆行驶方向同x轴夹角,单位为度;Gt=(lt,wt)为目标车辆几何形状模型,其中,lt,wt为t时刻测量的矩形定向包围体长宽,单位为m。
3、根据目标车辆的点云数据计算目标车辆的分布类型。
如图3所示,目标车辆点云数据的平面形状主要呈“L”及“I”型。由于点云分布主要受目标车辆的位置、姿态影响,因此目标车辆的形状类型采用如下概率模型进行描述:
式中,Mt为目标车辆的分布类型(“L”或“I”型),Xt为t时刻目标车辆的位姿。
基于目标车辆的目标位置与航向角独立性假设,可得:
由于此时刻目标方位未知,因此采用点云分布方差之比τt来近似替代,其计算方法为:视点云为二维高斯分布,则有:
式中,σmax,σmin分别为最大、最小正态方差,则可得:
p(Mt|Xt)=p(Mt|xt,yt)p(Mt|τt)
对于p(Mt|xt,yt),由于难以用概率密度函数来精确表示,本发明采用如下离散概率经验值:
如图4所示,根据实际监测区域和矩形格子经验参数大小将雷达坐标系识别区域分为A1,A12,A2,A23,A3,A34,A4,A14八个矩形子区域,具体划分过程可以根据需要进行,在此不进行赘述。在Ai=1,2,3,4区域包围体由于自遮挡导致部分尾部和侧部数据丢失,称此区域为自遮挡区;区域A12,A34则能够获取较准确的车辆长度参数,区域A14,A23则能够获取较准确宽度参数,称此区域为半自遮挡区,R1为A14,A23的并集,即R1=A14∪A23,R2为剩余区域(A1,A12,A2,A3,A34,A4)并集。
对于p(M|τt),本发明同样采用如下经验值:
最终可以采用下式计算两种目标类型的概率:
如果p(M="L")>p(M="I")则认为目标车辆的分布类型为"L",反之则认为目标车辆的分布类型为"I"。
4、如图5所示,根据目标车辆的分布类型分别对目标车辆点云进行聚类,获得感兴趣区域(ROI),如图3所示,对目标车辆点云聚类的目的是为表征航向角的主要部分提取出来作为感兴趣区域(ROI),以作为下一步直线拟合的基础,具体步骤为:
1)基于K均值(Kmeans)算法对某一分布类型的目标车辆点云进行初始聚类,聚类数量设置为2;
2)采用混合高斯(GMM)算法对初始聚类后的目标车辆点云进行再聚类,提取得到相应分布类型的感兴趣区域,本发明实施例中混合高斯算法迭代次数设置为10。如图6(a)和(b)中的第二列所示,实心、空心圆分别表示两类点云成分,可见混合高斯算法能够将“L”与“I”两种类型目标的点云成分较好的分离开。
3)经过再聚类后,感兴趣区域的选择实际上是从聚类结果中(实心、空心点云)选择一类较优的点云进行航向角计算,具体选择步骤如下:
对于“L”型点云,将两类点云(实心、空心)视为二维正态分布,分别计算其方差比值,并选择方差比值较大的一类作为感兴趣区域点云,例如图6(a)中的实心点云。
对于“I”型点云,选择靠近自车的部分作为感兴趣点云,如果目标车辆位于自车前方,则选择其尾部点云;如果位于后方则选择车头部分点云,如图6(b)中的实心点云所示。
5、根据聚类结果按照目标车辆的分布类型分别将两类点云成分进行直线拟合,本发明所采用的直线拟合方式为随机抽样一致性算法(RANSAC),直线拟合所选用的参数如表1所示:
表1
6、结合目标车辆的分布类型及相应的两类点云成分直线拟合结果计算目标车辆的航向角,具体过程为:
1)对于“L”型目标车辆,直接以感兴趣区域内点云拟合的直线作为航向角方向;
2)对于“I”型目标车辆,以感兴趣区域内点云拟合直线的正交直线作为航向角方向。
7、对计算得到的目标车辆的航向角进行滤波。
本发明是基于单帧目标点云的航向角计算,但是受点云分布复杂性影响,需要对计算得到的航向角值进行滤波,进而得到稳定、可靠的航向角值,具体过程为:
1)建立常横摆角速度模型:
式中,为目标航向角,ω为横摆角速度,为高斯白噪声,T为相邻两帧时间间隔。
2)t时刻的状态预估。
在t-1时刻,根据步骤3~6计算车辆目标航向角,假设航向角计算值表示为根据常横摆角速度模型对t时刻目标航向角值进行预估,设预估航向角表示为
3)t时刻数据关联。
对于t时刻的一个车辆目标,基于最近邻关联方法搜索其在t-1时刻的关联目标,可通过调节跟踪门限大小限来提高效率和关联准确率;
4)t时刻状态更新。
在t-1时刻,根据步骤1~5对已关联的目标航向角进行计算,设航向角测量计算值为结合步骤2)中的航向角预估值来计算滤波值由于所建立的常横摆速度模型为线性,在各初始状态呈高斯分布的假定下,可以直接利用线性卡尔曼滤波器来处理及最终得到t时刻航向角滤波值
上述各实施例仅用于说明本发明,其中方法的各实施步骤等都是可以有所变化的,凡是在本发明技术方案的基础上进行的等同变换和改进,均不应排除在本发明的保护范围之外。
Claims (6)
1.一种基于三维激光雷达的目标车辆航向角计算方法,其特征在于包括以下步骤:
1)采用安装在自车顶部的三维激光雷达采集目标车辆,得到目标车辆的点云数据;
2)在雷达坐标系中建立目标车辆某时刻所对应的航向角参数模型;
3)根据目标车辆的点云数据计算目标车辆的分布类型;
4)根据目标车辆的分布类型分别对目标车辆点云进行聚类,获得感兴趣区域,其中,感兴趣区域指的是表征航向角的主要部分;
5)根据聚类结果按照目标车辆的分布类型分别将两类点云成分进行直线拟合;
6)结合目标车辆的分布类型及相应的两类点云成分直线拟合结果计算目标车辆的航向角。
2.如权利要求1所述的一种基于三维激光雷达的目标车辆航向角计算方法,其特征在于,对获取的目标车辆的航向角采用线性卡尔曼滤波器进行滤波。
3.如权利要求1所述的一种基于三维激光雷达的目标车辆航向角计算方法,其特征在于,步骤3)根据目标车辆的点云数据计算目标车辆的分布类型,具体过程为:
目标车辆的形状类型采用如下概率模型进行描述:
式中,Mt为目标车辆的分布类型,Xt为t时刻目标车辆的位姿;
基于目标车辆的目标位置与航向角独立性假设,可得:
由于此时刻目标方位未知,因此采用点云分布方差之比τt来近似替代,其计算方法为:视点云为二维高斯分布,则有:
式中,σmax,σmin分别为最大、最小正态方差,则可得:
p(Mt|Xt)=p(Mt|xt,yt)p(Mt|τt)
对于p(Mt|xt,yt),采用如下离散概率经验值:
式中,Ai=1,2,3,4区域包围体为自遮挡区,A12,A34A14,A23区域为半自遮挡区;R1=A14∪A23,R2为剩余区域A1,A12,A2,A3,A34,A4的并集;
对于p(M|τt)采用如下经验值:
最终采用下式计算两种目标类型的概率:
如果p(M="L")>p(M="I")则认为目标车辆的分布类型为"L",反之则认为目标车辆的分布类型为"I"。
4.如权利要求2所述的一种基于三维激光雷达的目标车辆航向角计算方法,其特征在于,步骤3)根据目标车辆的点云数据计算目标车辆的分布类型,具体过程为:
目标车辆的形状类型采用如下概率模型进行描述:
式中,Mt为目标车辆的分布类型,Xt为t时刻目标车辆的位姿;
基于目标车辆的目标位置与航向角独立性假设,可得:
由于此时刻目标方位未知,因此采用点云分布方差之比τt来近似替代,其计算方法为:视点云为二维高斯分布,则有:
式中,σmax,σmin分别为最大、最小正态方差,则可得:
p(Mt|Xt)=p(Mt|xt,yt)p(Mt|τt)
对于p(Mt|xt,yt),采用如下离散概率经验值:
式中,Ai=1,2,3,4区域包围体为自遮挡区,A12,A34A14,A23区域为半自遮挡区;R1=A14∪A23,R2为剩余区域A1,A12,A2,A3,A34,A4的并集;
对于p(M|τt)采用如下经验值:
最终采用下式计算两种目标类型的概率:
如果p(M="L")>p(M="I")则认为目标车辆的分布类型为"L",反之则认为目标车辆的分布类型为"I"。
5.如权利要求1~4任一项所述的一种基于三维激光雷达的目标车辆航向角计算方法,其特征在于,步骤4)根据目标车辆的分布类型分别对目标车辆点云进行聚类,获得感兴趣区域,具体过程为:
4.1)基于K均值算法对某一分布类型的目标车辆点云进行初始聚类;
4.2)采用混合高斯算法对初始聚类后的目标车辆点云进行再聚类,提取得到相应分布类型的感兴趣区域;
4.3)经过再聚类后,从聚类结果中选择一类较优的点云进行航向角计算,具体选择过程为:对于“L”型点云,将两类点云视为二维正态分布,分别计算其方差比值,并选择方差比值较大的一类作为感兴趣区域点云;对于“I”型点云,选择靠近自车的部分作为感兴趣点云,如果目标车辆位于自车前方,则选择其尾部点云;如果位于后方则选择车头部分点云。
6.如权利要求1~4任一项所述的一种基于三维激光雷达的目标车辆航向角计算方法,其特征在于,步骤6)结合目标车辆的分布类型及相应的两类点云成分直线拟合结果计算目标车辆的航向角,具体过程为:
6.1)对于“L”型目标车辆,直接以感兴趣区域内点云拟合的直线作为航向角方向;
6.2)对于“I”型目标车辆,以感兴趣区域内点云拟合直线的正交直线作为航向角方向。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510574374.9A CN105223583B (zh) | 2015-09-10 | 2015-09-10 | 一种基于三维激光雷达的目标车辆航向角计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510574374.9A CN105223583B (zh) | 2015-09-10 | 2015-09-10 | 一种基于三维激光雷达的目标车辆航向角计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105223583A true CN105223583A (zh) | 2016-01-06 |
CN105223583B CN105223583B (zh) | 2017-06-13 |
Family
ID=54992639
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510574374.9A Active CN105223583B (zh) | 2015-09-10 | 2015-09-10 | 一种基于三维激光雷达的目标车辆航向角计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105223583B (zh) |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107194957A (zh) * | 2017-04-17 | 2017-09-22 | 武汉光庭科技有限公司 | 智能驾驶中激光雷达点云数据与车辆信息融合的方法 |
CN108761479A (zh) * | 2018-06-07 | 2018-11-06 | 驭势科技(北京)有限公司 | 拖车拖斗检测方法、系统和无人驾驶拖车 |
CN108761481A (zh) * | 2018-04-09 | 2018-11-06 | 北京图森未来科技有限公司 | 一种挂箱夹角测量系统及测量方法、半挂车 |
CN110142805A (zh) * | 2019-05-22 | 2019-08-20 | 武汉爱速达机器人科技有限公司 | 一种基于激光雷达的机器人末端校准方法 |
JP2019203900A (ja) * | 2018-09-07 | 2019-11-28 | バイドゥ オンライン ネットワーク テクノロジー (ベイジン) カンパニー リミテッド | 無人運転車に基づく障害物の検出方法、装置、デバイス及び記憶媒体 |
CN110850431A (zh) * | 2019-11-25 | 2020-02-28 | 盟识(上海)科技有限公司 | 一种拖车偏转角的测量系统和方法 |
CN111025241A (zh) * | 2019-10-17 | 2020-04-17 | 珠海格力电器股份有限公司 | 一种边界区域检测方法、装置、电子设备及存储介质 |
CN111256707A (zh) * | 2019-08-27 | 2020-06-09 | 北京纵目安驰智能科技有限公司 | 基于环视的拥堵跟车系统和终端 |
CN111291786A (zh) * | 2020-01-17 | 2020-06-16 | 清华大学 | 一种车载视觉实时多目标航向角估计方法及装置 |
CN111381249A (zh) * | 2020-03-30 | 2020-07-07 | 北京经纬恒润科技有限公司 | 一种障碍物航向角计算方法及装置 |
CN111580131A (zh) * | 2020-04-08 | 2020-08-25 | 西安邮电大学 | 三维激光雷达智能车在高速公路上识别车辆的方法 |
CN111572551A (zh) * | 2020-05-19 | 2020-08-25 | 安徽江淮汽车集团股份有限公司 | 泊车工况下的航向角计算方法、装置、设备及存储介质 |
CN111650624A (zh) * | 2018-09-29 | 2020-09-11 | 上海微小卫星工程中心 | 基于投影方差判别的数据滤波方法及其实现装置 |
CN112001972A (zh) * | 2020-09-25 | 2020-11-27 | 劢微机器人科技(深圳)有限公司 | 托盘位姿定位方法、装置、设备及存储介质 |
CN112198503A (zh) * | 2020-10-16 | 2021-01-08 | 无锡威孚高科技集团股份有限公司 | 一种目标航迹预测优化方法、装置及雷达系统 |
CN112614186A (zh) * | 2020-12-28 | 2021-04-06 | 上海汽车工业(集团)总公司 | 目标位姿计算方法及计算模块 |
CN113109783A (zh) * | 2021-04-15 | 2021-07-13 | 森思泰克河北科技有限公司 | 航向角获取方法、装置、设备和存储介质 |
CN113313041A (zh) * | 2021-06-08 | 2021-08-27 | 安徽工程大学 | 基于信息融合的前方车辆识别方法及系统 |
CN113470088A (zh) * | 2021-06-24 | 2021-10-01 | 上海于万科技有限公司 | 一种车挂箱状态的判断方法和系统 |
CN113689504A (zh) * | 2021-10-25 | 2021-11-23 | 上海仙工智能科技有限公司 | 基于可描述形状的点云精准定位方法、装置及存储介质 |
CN113748357A (zh) * | 2020-03-27 | 2021-12-03 | 深圳市速腾聚创科技有限公司 | 激光雷达的姿态校正方法、装置和系统 |
CN113807442A (zh) * | 2021-09-18 | 2021-12-17 | 湖南大学无锡智能控制研究院 | 一种目标形状及航向估计方法及系统 |
CN114397671A (zh) * | 2022-03-24 | 2022-04-26 | 智道网联科技(北京)有限公司 | 目标的航向角平滑方法、装置及计算机可读存储介质 |
CN116030247A (zh) * | 2023-03-20 | 2023-04-28 | 之江实验室 | 一种医学图像样本生成方法、装置、存储介质及电子设备 |
CN116559927A (zh) * | 2023-07-11 | 2023-08-08 | 新石器慧通(北京)科技有限公司 | 激光雷达的航向角确定方法、装置、设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103226833A (zh) * | 2013-05-08 | 2013-07-31 | 清华大学 | 一种基于三维激光雷达的点云数据分割方法 |
WO2013162839A1 (en) * | 2012-04-24 | 2013-10-31 | Exelis Inc. | Point cloud visualization of acceptable helicopter landing zones based on 4d lidar |
CN103473734A (zh) * | 2013-09-16 | 2013-12-25 | 南京大学 | 一种基于车载LiDAR数据的电力线提取与拟合方法 |
-
2015
- 2015-09-10 CN CN201510574374.9A patent/CN105223583B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013162839A1 (en) * | 2012-04-24 | 2013-10-31 | Exelis Inc. | Point cloud visualization of acceptable helicopter landing zones based on 4d lidar |
CN103226833A (zh) * | 2013-05-08 | 2013-07-31 | 清华大学 | 一种基于三维激光雷达的点云数据分割方法 |
CN103473734A (zh) * | 2013-09-16 | 2013-12-25 | 南京大学 | 一种基于车载LiDAR数据的电力线提取与拟合方法 |
Non-Patent Citations (1)
Title |
---|
周俊静: "基于激光雷达的智能车辆目标识别与跟踪关键技术研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (39)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107194957B (zh) * | 2017-04-17 | 2019-11-22 | 武汉光庭科技有限公司 | 智能驾驶中激光雷达点云数据与车辆信息融合的方法 |
CN107194957A (zh) * | 2017-04-17 | 2017-09-22 | 武汉光庭科技有限公司 | 智能驾驶中激光雷达点云数据与车辆信息融合的方法 |
CN108761481A (zh) * | 2018-04-09 | 2018-11-06 | 北京图森未来科技有限公司 | 一种挂箱夹角测量系统及测量方法、半挂车 |
CN108761479A (zh) * | 2018-06-07 | 2018-11-06 | 驭势科技(北京)有限公司 | 拖车拖斗检测方法、系统和无人驾驶拖车 |
JP2019203900A (ja) * | 2018-09-07 | 2019-11-28 | バイドゥ オンライン ネットワーク テクノロジー (ベイジン) カンパニー リミテッド | 無人運転車に基づく障害物の検出方法、装置、デバイス及び記憶媒体 |
EP3543743A3 (en) * | 2018-09-07 | 2020-03-11 | Baidu Online Network Technology (Beijing) Co., Ltd. | Apparatus and method for obstacle detecting around unmanned vehicle |
US11043002B2 (en) | 2018-09-07 | 2021-06-22 | Baidu Online Network Technology Co., Ltd. | Obstacle detecting method and obstacle detecting apparatus based on unmanned vehicle, and device, and storage medium |
CN111650624A (zh) * | 2018-09-29 | 2020-09-11 | 上海微小卫星工程中心 | 基于投影方差判别的数据滤波方法及其实现装置 |
CN111650624B (zh) * | 2018-09-29 | 2023-03-14 | 上海微小卫星工程中心 | 基于投影方差判别的数据滤波方法及其实现装置 |
CN110142805A (zh) * | 2019-05-22 | 2019-08-20 | 武汉爱速达机器人科技有限公司 | 一种基于激光雷达的机器人末端校准方法 |
CN111256707A (zh) * | 2019-08-27 | 2020-06-09 | 北京纵目安驰智能科技有限公司 | 基于环视的拥堵跟车系统和终端 |
CN111025241A (zh) * | 2019-10-17 | 2020-04-17 | 珠海格力电器股份有限公司 | 一种边界区域检测方法、装置、电子设备及存储介质 |
CN110850431A (zh) * | 2019-11-25 | 2020-02-28 | 盟识(上海)科技有限公司 | 一种拖车偏转角的测量系统和方法 |
CN111291786A (zh) * | 2020-01-17 | 2020-06-16 | 清华大学 | 一种车载视觉实时多目标航向角估计方法及装置 |
CN111291786B (zh) * | 2020-01-17 | 2022-10-25 | 清华大学 | 一种车载视觉实时多目标航向角估计方法及装置 |
CN113748357A (zh) * | 2020-03-27 | 2021-12-03 | 深圳市速腾聚创科技有限公司 | 激光雷达的姿态校正方法、装置和系统 |
CN113748357B (zh) * | 2020-03-27 | 2023-06-30 | 深圳市速腾聚创科技有限公司 | 激光雷达的姿态校正方法、装置和系统 |
CN111381249A (zh) * | 2020-03-30 | 2020-07-07 | 北京经纬恒润科技有限公司 | 一种障碍物航向角计算方法及装置 |
CN111381249B (zh) * | 2020-03-30 | 2021-11-23 | 北京经纬恒润科技股份有限公司 | 一种障碍物航向角计算方法及装置 |
CN111580131A (zh) * | 2020-04-08 | 2020-08-25 | 西安邮电大学 | 三维激光雷达智能车在高速公路上识别车辆的方法 |
CN111580131B (zh) * | 2020-04-08 | 2023-07-07 | 西安邮电大学 | 三维激光雷达智能车在高速公路上识别车辆的方法 |
CN111572551A (zh) * | 2020-05-19 | 2020-08-25 | 安徽江淮汽车集团股份有限公司 | 泊车工况下的航向角计算方法、装置、设备及存储介质 |
CN111572551B (zh) * | 2020-05-19 | 2021-07-20 | 安徽江淮汽车集团股份有限公司 | 泊车工况下的航向角计算方法、装置、设备及存储介质 |
CN112001972A (zh) * | 2020-09-25 | 2020-11-27 | 劢微机器人科技(深圳)有限公司 | 托盘位姿定位方法、装置、设备及存储介质 |
CN112198503A (zh) * | 2020-10-16 | 2021-01-08 | 无锡威孚高科技集团股份有限公司 | 一种目标航迹预测优化方法、装置及雷达系统 |
CN112614186A (zh) * | 2020-12-28 | 2021-04-06 | 上海汽车工业(集团)总公司 | 目标位姿计算方法及计算模块 |
CN113109783A (zh) * | 2021-04-15 | 2021-07-13 | 森思泰克河北科技有限公司 | 航向角获取方法、装置、设备和存储介质 |
CN113313041B (zh) * | 2021-06-08 | 2022-11-15 | 安徽工程大学 | 基于信息融合的前方车辆识别方法及系统 |
CN113313041A (zh) * | 2021-06-08 | 2021-08-27 | 安徽工程大学 | 基于信息融合的前方车辆识别方法及系统 |
CN113470088B (zh) * | 2021-06-24 | 2022-09-20 | 上海于万科技有限公司 | 一种车挂箱状态的判断方法和系统 |
CN113470088A (zh) * | 2021-06-24 | 2021-10-01 | 上海于万科技有限公司 | 一种车挂箱状态的判断方法和系统 |
CN113807442B (zh) * | 2021-09-18 | 2022-04-19 | 湖南大学无锡智能控制研究院 | 一种目标形状及航向估计方法及系统 |
CN113807442A (zh) * | 2021-09-18 | 2021-12-17 | 湖南大学无锡智能控制研究院 | 一种目标形状及航向估计方法及系统 |
CN113689504A (zh) * | 2021-10-25 | 2021-11-23 | 上海仙工智能科技有限公司 | 基于可描述形状的点云精准定位方法、装置及存储介质 |
CN114397671A (zh) * | 2022-03-24 | 2022-04-26 | 智道网联科技(北京)有限公司 | 目标的航向角平滑方法、装置及计算机可读存储介质 |
CN116030247A (zh) * | 2023-03-20 | 2023-04-28 | 之江实验室 | 一种医学图像样本生成方法、装置、存储介质及电子设备 |
CN116030247B (zh) * | 2023-03-20 | 2023-06-27 | 之江实验室 | 一种医学图像样本生成方法、装置、存储介质及电子设备 |
CN116559927B (zh) * | 2023-07-11 | 2023-09-22 | 新石器慧通(北京)科技有限公司 | 激光雷达的航向角确定方法、装置、设备及介质 |
CN116559927A (zh) * | 2023-07-11 | 2023-08-08 | 新石器慧通(北京)科技有限公司 | 激光雷达的航向角确定方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN105223583B (zh) | 2017-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105223583A (zh) | 一种基于三维激光雷达的目标车辆航向角计算方法 | |
CN109186625B (zh) | 智能车辆利用混合采样滤波进行精确定位的方法及系统 | |
DE102015122825B4 (de) | Techniken zum Gruppieren von Zielelementen für eine Objektfusion | |
CN110531770B (zh) | 一种基于改进的rrt路径规划方法和系统 | |
US10754032B2 (en) | Perception device | |
US8521418B2 (en) | Generic surface feature extraction from a set of range data | |
CN111060923B (zh) | 一种多激光雷达的汽车驾驶障碍物检测方法及系统 | |
CN107193012A (zh) | 基于imm‑mht算法的智能车激光雷达机动多目标跟踪方法 | |
CN110648548A (zh) | 一种基于路侧设备的路面安全性检测系统及方法 | |
US9513108B2 (en) | Sensor system for determining distance information based on stereoscopic images | |
CN104200485A (zh) | 一种面向视频监控的人体跟踪方法 | |
CN104677361B (zh) | 一种综合定位的方法 | |
Homm et al. | Fusion of laserscannner and video based lanemarking detection for robust lateral vehicle control and lane change maneuvers | |
CN110320531A (zh) | 基于激光雷达的障碍物识别方法、地图创建方法及装置 | |
Shunsuke et al. | GNSS/INS/on-board camera integration for vehicle self-localization in urban canyon | |
KR102233260B1 (ko) | 정밀 지도 업데이트 장치 및 방법 | |
Kellner et al. | Road curb detection based on different elevation mapping techniques | |
Luo et al. | Online multiple maneuvering vehicle tracking system based on multi-model smooth variable structure filter | |
CN102184554B (zh) | 基于激活区域背景感知的红外目标跟踪方法 | |
CN113933859A (zh) | 一种无人矿卡行驶场景的路面及两侧挡墙检测方法 | |
CN106197382A (zh) | 一种车载单摄像头目标动态测距方法 | |
Kim et al. | Integration of vehicle and lane detection for forward collision warning system | |
Mandici et al. | Aggregate road surface based environment representation using digital elevation maps | |
Yang et al. | Learn to Model and Filter Point Cloud Noise for a Near-Infrared ToF LiDAR in Adverse Weather | |
EP4083911A1 (en) | Information processing device, sensing device, moving body, information processing method, and information processing system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |