CN108229366A - 基于雷达和图像数据融合的深度学习车载障碍物检测方法 - Google Patents
基于雷达和图像数据融合的深度学习车载障碍物检测方法 Download PDFInfo
- Publication number
- CN108229366A CN108229366A CN201711459314.8A CN201711459314A CN108229366A CN 108229366 A CN108229366 A CN 108229366A CN 201711459314 A CN201711459314 A CN 201711459314A CN 108229366 A CN108229366 A CN 108229366A
- Authority
- CN
- China
- Prior art keywords
- data
- radar
- point cloud
- cloud
- map
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- 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
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
-
- 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
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
- G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于智能设备传感器数据融合和深度学习的目标检测算法,通过融合的雷达点云数据和摄像头数据,丰富了检测模型所能够感知的数据特征类型。并通过在不同配置的数据通道融合进行模型训练,选择最佳的通道配置,提高检测准确度的同时降低计算功耗。通过在真实数据上进行测试确定了适合真实情况的通道配置,达到利用Yolo深度卷积神经网络模型处理融合数据,进行道路场景的目标障碍物检测目标。
Description
技术领域
本发明涉及一种基于雷达和图像数据融合的深度学习障碍物检测方法,属于传感器融合、人工智能和自动驾驶技术领域。
背景技术
自驾驶车辆通过装配在车身周围的多种传感器感知车辆自身运行状况和道路环境,以及周边障碍物等信息;通过目标识别、车道检测、交通信号识别、可行区域检测等算法进行环境认知,从而产生驾驶控制指令,既驱动改装后的转向、加速和制动执行机构以完成自驾驶过程,整个过程包括:“感知-认知-决策”的动态环境交互闭环。
自驾驶车辆常见的激光雷达(Lidar)包括iBeo和velodyne的正向雷达(4线和8线)和360度环绕雷达(16线,32线和64线),激光雷达通过发射激光束和接收障碍物反射回来的激光计算障碍物目标,并通过短时间间隙内的多条激光束对周边环境进行点云建模,得到周边环境的3D点云模型。但由于激光色散和机械结构的动态特性限制,激光雷达获得束感知距离受环境因素影响较大,一般有效感知距离在200m范围内;且激光雷达的点云数据束十分稀疏,且随距离增大而更加稀疏;最后,激光雷达无法获得类人眼的环境语义信息,包括物体和环境的色彩感知,使得激光雷达的单一数据在自动驾驶车辆的感知能力较弱。
光学摄像头能够对周边环境成像得到彩色图片,且感知距离和感知范围较远,以类人眼的光学感知方式成像获得束数据不仅像素密集,且包含丰富的语义信息,感知精度和感知距离与光学成像原件(如镜头,COS芯片大小等)相关,一般可达数百至上千米。但光学摄像头成像不具备距离信息,一般需要根据算法对帧间信息进行复杂计算获取,且精度随实际目标距离的增加而快速衰减。缺乏距离信息使得摄像头数据对自动驾驶场景的应用受到限制,相关的数据信息也只有较低的置信度。同时,光学摄像头受环境光影响较大,在天气、光照和环境变化时,成像效果不稳定,难以适应车载场景下的高速运动和颠簸成像需求。
在自动驾驶领域,基于单一类型传感器(特别是摄像头)进行环境感知,摄像头和车载激光雷达均存在一定的劣势,通过数据融合的方式分别利用不同车载传感器的感知特性,利用设计的算法消解传感器数据间的冲突,能够充分利用不同传感器的优势,达到辅助自动驾驶对环境的精准、快速感知的目标。
发明内容
本发明的目的是为了解决上述问题,提出一种基于雷达和图像数据融合的深度学习车载障碍物检测方法,对装备在自动驾驶车辆上的激光雷达和光学摄像头捕获的雷达点云数据和光学图像信息进行数据融合,并训练检测道路路面主要障碍物的目标,属于自动驾驶的感知和认知算法层面,能够为决策提供精准的路面障碍物,包括汽车、卡车、行人和自行车等目标的检测信息。
本发明提供了基于雷达和图像数据融合的深度学习车载障碍物检测方法,包括:
基于已有的雷达点云和摄像头的数据采集模块,利用标定好的车载激光雷达和摄像头传感器对车辆行驶过程中的道路场景进行数据获取;
设计原始雷达点云上采样模块,所设计的算法分别对原始点云数据进行处理,得到对应的能够反馈道路场景深度信息和高度信息的深度图和高度图;
基于雷达点云深度图、高度图数据和摄像头图片的数据融合策略;
基于Yolo深度学习模型的目标检测模型训练,和实时的车载模型部署及道路障碍物检测。
相应地,本发明提供了基于雷达和图像数据融合的深度学习车载障碍物检测方法,包括以下步骤:
步骤1,利用车载激光雷达和摄像头传感器采集车辆行驶过程中的道路场景,获取同步时间戳的雷达点云数据和彩色图;
步骤2,对雷达点云数据进行上采样,获取对应的高度图和深度图数据;
步骤3,将雷达点云深度图、高度图和相同时间戳的彩色图RGB三通道作为五通道融合训练数据,利用该数据形成的训练数据集对Yolo网络模型进行训练,输出一个训练好的Yolo深度卷积网络模型,并筛选不同组合融合数据条件下的目标检测准确度,剔除冗余数据作为最终的数据融合配置。
步骤4,在实时运行时,自动驾驶车辆通过雷达和摄像头实时捕获道路场景信息,通过预处理得到的深度图和高度图,搭配彩色图像RGB三通道数据进行融合,输入给训练好的Yolo模型,即可实时获取当前时间帧内的环境目标障碍物位置和距离。
本发明的优点在于:
(1)通过激光雷达点云数据获取的深度图和高度图丰富了道路环境感知信息,也补充了车载环境下传统摄像头受环境光照影响带来的成像不确定性和不稳定性,提高了检测精度的;
(2)通过优选的雷达深度图和高度图,以及彩色图像RGB数据的五通道数据融合策略,消除冗余数据,能够进一步降低模型训练和运行过程的计算复杂度,加速自驾驶车载环境的硬件功耗,提高车辆续航能力;
(3)利用Yolo模型的目标检测模型对融合数据进行学习,比传统基于RGB数据的模型更为复杂,但是能从丰富的传感器融合数据学习更强的障碍物特性,能够加速网络参数调整趋向更优结果;
(4)保留了原始的雷达点云数据对道路场景及相关障碍物目标的实际距离信息,Yolo模型实时目标检测结果,为自驾驶提供了精准的道路目标障碍物信息以及障碍物距离信息。
附图说明
图1为本发明使用的车载激光雷达原始点云数据示意图;
图2为本发明使用的同一场景下摄像头的彩色RGB图像(灰度图);
图3为本发明方法进行雷达和摄像头数据融合训练Yolo模型流程示意图;
图4为本发明中提取的雷达高度图示意;
图5为本发明中提取的雷达深度图示意;
图6为本发明中使用的车辆相对坐标系;
图7为本发明中使用的Yolo深度卷积网络模型架构;
图8为本发明中使用RGB标定目标障碍物示意图;
图9为本发明中通过不同通道数据融合对比结果;
图10为本发明中三种不同检测标准下模型检测准确度对比;
图11为本发明中采用的最终融合三通道数据。
具体实施方式
下面将结合附图和实施例对本发明作进一步的详细说明。
本发明是一种基于雷达和图像数据融合的深度学习车载障碍物检测方法,主要用于自动驾驶领域的车载传感器数据融合和目标感知检测,通过标定后的雷达数据进行预处理,获得对应的深度图和高度图数据,与摄像头捕获的RGB彩图进行融合,用于训练Yolo卷积网络模型。在实时检测时,雷达和摄像头的融合数据直接输入训练好的模型,模型给出图中的目标位置和相关距离信息。
本发明的基于雷达和图像数据融合的深度学习车载障碍物检测方法,主要步骤如图3所示,下面结合一个实施例具体说明。
步骤(1)车载道路场景数据采集:通过固定在车辆顶部的激光雷达和车辆内部的摄像头进行数据采集,同步时间戳后调节采样频率为10Hz。
步骤(2)雷达点云数据进行预处理:对步骤(1)获取的如图1雷达原始点云数据通过高度图和深度图生成算法,得到对应高度图和深度图;并与RGB彩图如图2进行标定;
本发明深度图生成算法:利用公式(1)和公式(2)对原始雷达点云数据进行处理,由于雷达点云的每个点包含4维信息(三维坐标信息和点云强度)。按如图6所示的相对坐标系,深度图主要考虑每个点云数据的三维信息中的Y轴数据据进行稠密化处理。算法首先将所有点云投射到X-Z平面,然后从上向下,从左向右,依次遍历每个点云,将点云的在原雷达数据Y轴的值和周围点云间的坐标值输入公式(1)和(2)。每个单元内利用公式(1)和(2)计算,得到稠密化的像素矩阵,然后映射到0-255范围形成灰度图结果,得到如图4的深度图。
本发明高度图生成算法,与深度图类似:按如图6所示的相对坐标系,高度图主要考虑每个点云数据的三维信息中的Z轴数据进行稠密化处理。算法首先将所有点云投射到X-Z平面,然后从上向下,从左向右,依次遍历每个点云,将点云的在原雷达数据Z轴的值和周围点云间的坐标值输入公式(1)和(2)。每个单元内利用公式(1)和(2)计算,得到稠密化的像素矩阵,然后映射到0-255范围形成灰度图结果,得到如图5的高度图。
其中,v为当前遍历计算的点云坐标,1/W为归一化项,计算如公式(2),m为当前计算的以v为中心mask大小。V和C分别是考虑窗口内点云平均输入值和平均坐标距离的核函数。Dmap(v)表示图像v的处理得到的深度图或高度图,W表示当前遍历的mask内所有点信息的归一化项,Vi表示当前第i个位置的点云坐标,I(vi)表示i位置点的雷达点云强度信息,由雷达直接获得,C(vi)表示i位置映射后的二维平面坐标,||.||表示计算欧式距离。
步骤(3)传感器数据融合和标定:由步骤(2)构建的高度图和深度图,与摄像头获取的RGB三通道彩图进行数据融合,对齐时间戳后,将高度图的1维特征集,深度图的1维特征集与RGB的3维特征集进行线性叠加,形成5维特征集,构建5通道的融合数据,并通过人工标定的方式对道路场景的障碍物目标进行标注,包括车辆、行人和自行车等,构成训练所需的数据,标注样例如图8所示。
步骤(4)Yolo模型训练:由步骤(3)得到的5通道融合数据集和障碍物标定数据对Yolo模型进行训练。并通过不同的通道组合进行多次训练和对比,选出检测准确率最高、所需通道数量最小的融合数据组合作为最终输入通道配置。
步骤(5)实时检测,将由步骤(4)得到的模型进行部署。同时,自驾驶车辆在实时行驶过程中雷达和摄像头捕获的数据经过预处理得到的融合后的5通道数据,选择最终输入通道配置输入模型,模型利用训练好的参数给出障碍物位置和雷达获得的距离信息。
本发明提供的基于雷达和图像数据融合的深度学习车载障碍物检测方法,包括基于雷达点云和摄像头的数据采集模块、雷达数据抽取高度图和深度图算法、基于Yolo深度卷积网络模型训练模块和基于Yolo深度卷积网络模型的实时障碍物检测模块。
基于雷达点云和摄像头的数据采集模块,利用车载激光雷达和摄像头传感器对车辆行驶过程中的道路场景进行数据获取。然后通过预处理算法从原始雷达数据抽取深度图和高度图构成2通道数据,结合图像的RGB彩图3通道数据,进行传感器数据融合得到5通道数据。然后,利用彩图中的目标障碍物对融合数据进行标定。用标定得到的数据对Yolo模型进行调优,对比不同融合通道组合下的模型检测准确率,得到最优模型。
由于车载激光雷达和摄像头的数据量不同,通常情况下激光雷达采样最高工作频率20Hz,摄像头为30Hz。统一为自动驾驶车载环境需求的10Hz进行数据采集。
原始雷达点云的高度图和深度图获取算法模块,首先通过图像标定的对应点云数据进行截取,再通过对应算法对截取的点云数据进行遍历处理,通过当前遍历点和公式(1)和(2)计算预设窗口内的点云数值;最后将所有计算结果映射到0-255范围,保存为单通道的高度图和深度图。
基于Yolo深度卷积网络模型的模型训练模块,其网络模型架构如图7所示,采用不同组合条件下的数据和标定数据输入Yolo模型,对比不同通道组合下的模型性能,选择性能最佳,通道数量最小的配置,对比结果如图9所示。综合考量,在简单,中等,困难三种不同检测标准下,其结果如图10所示。本发明实施例在linux16.06+tensorflow1.1环境进行,硬件为NVIDIA TITAN X+Intel i7-4700。以网络的衰减函数和目标识别准确度为模型训练依据,同时以IOU>0.25为输出依据。IOU由模型所检测到的目标障碍物位置R和人工标定的真实数据G按公式(3)计算得到。
基于Yolo深度卷积网络模型的实时障碍物检测模块,将上一步得到的最佳配置Yolo模型,和所采用的通道配置(RDH,R来自图像RGB,D为雷达深度图,H为雷达高度图),如图11,进行部署。实时检测时,车载传感器捕获的雷达进行预处理获得深度图和高度图,融合图像的R通道组成三通道数据输入Yolo模型,模型给出检测目标结果。
本发明中提出的基于智能设备传感器数据融合和深度学习的目标检测算法,通过融合的雷达点云数据和摄像头数据,丰富了检测模型所能够感知的数据特征类型。并通过在不同配置的数据通道融合进行模型训练,选择最佳的通道配置,提高检测准确度的同时降低计算功耗。通过在真实数据上进行测试确定了适合真实情况的通道配置,达到利用Yolo深度卷积神经网络模型处理融合数据,进行道路场景的目标障碍物检测目标。
Claims (2)
1.基于雷达和图像数据融合的深度学习车载障碍物检测方法,包括以下步骤:
步骤一:利用车载激光雷达和摄像头传感器采集车辆行驶过程中的道路场景,获取同步时间戳的雷达点云数据和彩色图;
步骤二:对雷达点云数据进行上采样,获取对应的高度图和深度图;
步骤三:将雷达点云深度图、高度图和相同时间戳的彩色图RGB三通道作为五通道融合训练数据,利用该数据形成的训练数据集对Yolo网络模型进行训练,输出一个训练好的Yolo深度卷积网络模型,并筛选不同组合融合数据条件下的目标检测准确度,剔除冗余数据作为最终的数据融合配置;
步骤四:在实时运行时,自动驾驶车辆通过雷达和摄像头实时捕获道路场景信息,通过预处理得到的深度图和高度图,搭配彩色图像RGB三通道数据进行融合,输入给训练好的Yolo模型,实时获取当前时间帧内的环境目标障碍物位置和距离。
2.根据权利要求1所述的基于雷达和图像数据融合的深度学习车载障碍物检测方法,所述的步骤二具体为:
对步骤一获取的原始雷达点云数据通过高度图和深度图生成算法,得到对应高度图和深度图;
所述的深度图生成算法为:
利用公式(1)和公式(2)对原始雷达点云数据进行处理:
其中,v为当前遍历计算的点云坐标,1/W为归一化项,计算如公式(2),m为当前计算的以v为中心mask大小,V和C分别是考虑窗口内点云平均输入值和平均坐标距离的核函数,Dmap(v)表示图像v的处理得到的深度图或高度图,W表示当前遍历的mask内所有点信息的归一化项,Vi表示当前第i个位置的点云坐标,I(vi)表示i位置点的雷达点云强度信息,由雷达直接获得,C(vi)表示i位置映射后的二维平面坐标,||.||表示计算欧式距离;
雷达点云的每个点包含4维信息,分别为三维坐标信息和点云强度,首先将所有点云投射到X-Z平面,然后从上向下,从左向右,依次遍历每个点云,将点云的在原雷达数据Y轴的值和周围点云间的坐标值输入公式(1)和(2),每个单元内利用公式(1)和(2)计算,得到稠密化的像素矩阵,然后映射到0-255范围形成灰度图,最后,得到深度图;
所述的高度图生成算法为:
首先将所有点云投射到X-Z平面,然后从上向下,从左向右,依次遍历每个点云,将点云的在原雷达数据Z轴的值和周围点云间的坐标值输入公式(1)和(2),每个单元内利用公式(1)和(2)计算,得到稠密化的像素矩阵,然后映射到0-255范围形成灰度图结果,得到高度图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711459314.8A CN108229366B (zh) | 2017-12-28 | 2017-12-28 | 基于雷达和图像数据融合的深度学习车载障碍物检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711459314.8A CN108229366B (zh) | 2017-12-28 | 2017-12-28 | 基于雷达和图像数据融合的深度学习车载障碍物检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108229366A true CN108229366A (zh) | 2018-06-29 |
CN108229366B CN108229366B (zh) | 2021-12-14 |
Family
ID=62646540
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711459314.8A Active CN108229366B (zh) | 2017-12-28 | 2017-12-28 | 基于雷达和图像数据融合的深度学习车载障碍物检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108229366B (zh) |
Cited By (84)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108957413A (zh) * | 2018-07-20 | 2018-12-07 | 重庆长安汽车股份有限公司 | 传感器目标定位准确度测试方法 |
CN109239720A (zh) * | 2018-10-18 | 2019-01-18 | 清华大学苏州汽车研究院(吴江) | 一种智能激光雷达装置、系统及其数据处理方法 |
CN109299656A (zh) * | 2018-08-13 | 2019-02-01 | 浙江零跑科技有限公司 | 一种车载视觉系统场景视深确定方法 |
CN109345510A (zh) * | 2018-09-07 | 2019-02-15 | 百度在线网络技术(北京)有限公司 | 物体检测方法、装置、设备、存储介质及车辆 |
CN109389633A (zh) * | 2018-08-31 | 2019-02-26 | 南京邮电大学 | 基于lsd-slam和激光雷达的深度信息估计方法 |
CN109447033A (zh) * | 2018-11-14 | 2019-03-08 | 北京信息科技大学 | 基于yolo的车辆前方障碍物检测方法 |
CN109543617A (zh) * | 2018-11-23 | 2019-03-29 | 于兴虎 | 基于yolo目标检测技术的智能车辆运动路况信息的检测方法 |
CN109633621A (zh) * | 2018-12-26 | 2019-04-16 | 杭州奥腾电子股份有限公司 | 一种车载环境感知系统数据处理方法 |
CN109657559A (zh) * | 2018-11-23 | 2019-04-19 | 盎锐(上海)信息科技有限公司 | 点云深度感知编码引擎 |
CN109683170A (zh) * | 2018-12-27 | 2019-04-26 | 驭势科技(北京)有限公司 | 一种图像行驶区域标注方法、装置、车载设备及存储介质 |
CN109747659A (zh) * | 2018-11-26 | 2019-05-14 | 北京汽车集团有限公司 | 车辆驾驶的控制方法和装置 |
CN109828592A (zh) * | 2019-04-22 | 2019-05-31 | 深兰人工智能芯片研究院(江苏)有限公司 | 一种障碍物检测的方法及设备 |
CN109859562A (zh) * | 2019-01-31 | 2019-06-07 | 南方科技大学 | 数据生成方法、装置、服务器及存储介质 |
CN109917419A (zh) * | 2019-04-12 | 2019-06-21 | 中山大学 | 一种基于激光雷达与图像的深度填充密集系统及方法 |
CN109932730A (zh) * | 2019-02-22 | 2019-06-25 | 东华大学 | 基于多尺度单极三维检测网络的激光雷达目标检测方法 |
CN110018470A (zh) * | 2019-03-01 | 2019-07-16 | 北京纵目安驰智能科技有限公司 | 基于多传感器前融合的实例标注方法、模型、终端和存储介质 |
CN110045729A (zh) * | 2019-03-12 | 2019-07-23 | 广州小马智行科技有限公司 | 一种车辆自动驾驶方法及装置 |
CN110058264A (zh) * | 2019-04-22 | 2019-07-26 | 福州大学 | 一种基于深度学习的实时检测及识别障碍物的方法 |
CN110084133A (zh) * | 2019-04-03 | 2019-08-02 | 百度在线网络技术(北京)有限公司 | 障碍物检测方法、装置、车辆、计算机设备和存储介质 |
CN110147706A (zh) * | 2018-10-24 | 2019-08-20 | 腾讯科技(深圳)有限公司 | 障碍物的识别方法和装置、存储介质、电子装置 |
CN110232315A (zh) * | 2019-04-29 | 2019-09-13 | 华为技术有限公司 | 目标检测方法和装置 |
CN110349142A (zh) * | 2019-07-05 | 2019-10-18 | 创新奇智(青岛)科技有限公司 | 钢卷端面的缺陷样本生成方法、模型训练方法、系统及电子设备 |
CN110363820A (zh) * | 2019-06-28 | 2019-10-22 | 东南大学 | 一种基于激光雷达、图像前融合的目标检测方法 |
CN110378905A (zh) * | 2018-07-20 | 2019-10-25 | 北京京东尚科信息技术有限公司 | 角点提取、匹配的神经网络和方法及设备标定方法和装置 |
CN110412986A (zh) * | 2019-08-19 | 2019-11-05 | 中车株洲电力机车有限公司 | 一种车辆障碍物检测方法及系统 |
CN110618424A (zh) * | 2019-09-27 | 2019-12-27 | 中科九度(北京)空间信息技术有限责任公司 | 一种基于多传感器融合的远距离高压线发现方法 |
CN110795819A (zh) * | 2019-09-16 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 自动驾驶仿真场景的生成方法和装置、存储介质 |
CN110969174A (zh) * | 2018-09-29 | 2020-04-07 | 深圳市布谷鸟科技有限公司 | 一种基于激光雷达的目标识别方法、装置及系统 |
WO2020073316A1 (en) * | 2018-10-12 | 2020-04-16 | Nokia Technologies Oy | Method, apparatus and computer readable media for object detection |
CN111161202A (zh) * | 2019-12-30 | 2020-05-15 | 上海眼控科技股份有限公司 | 车辆行为信息获取方法、装置、计算机设备和存储介质 |
CN111191600A (zh) * | 2019-12-30 | 2020-05-22 | 深圳元戎启行科技有限公司 | 障碍物检测方法、装置、计算机设备和存储介质 |
CN111273634A (zh) * | 2018-12-05 | 2020-06-12 | 大众汽车有限公司 | 至少部分自动的机动车的控制系统的配置 |
CN111401133A (zh) * | 2020-02-19 | 2020-07-10 | 北京三快在线科技有限公司 | 目标数据增广方法、装置、电子设备和可读存储介质 |
WO2020150904A1 (en) * | 2019-01-22 | 2020-07-30 | SZ DJI Technology Co., Ltd. | Neural network based obstacle detection for mobile platforms, and associated systems and methods |
CN111611853A (zh) * | 2020-04-15 | 2020-09-01 | 宁波吉利汽车研究开发有限公司 | 一种传感信息融合方法、装置及存储介质 |
CN111626108A (zh) * | 2020-04-17 | 2020-09-04 | 浙江大华技术股份有限公司 | 一种目标的识别方法及系统 |
CN111652097A (zh) * | 2020-05-25 | 2020-09-11 | 南京莱斯电子设备有限公司 | 一种图像毫米波雷达融合目标检测方法 |
CN111696145A (zh) * | 2019-03-11 | 2020-09-22 | 北京地平线机器人技术研发有限公司 | 深度信息确定方法、深度信息确定装置及电子设备 |
CN111712855A (zh) * | 2019-05-06 | 2020-09-25 | 深圳市大疆创新科技有限公司 | 地面信息处理方法、装置和无人驾驶车辆 |
CN111724478A (zh) * | 2020-05-19 | 2020-09-29 | 华南理工大学 | 一种基于深度学习的点云上采样方法 |
CN111797915A (zh) * | 2020-06-24 | 2020-10-20 | 奇点汽车研发中心有限公司 | 目标检测方法、装置、电子设备及计算机可读存储介质 |
CN111856445A (zh) * | 2019-04-11 | 2020-10-30 | 杭州海康威视数字技术股份有限公司 | 一种目标检测方法、装置、设备及系统 |
CN111856468A (zh) * | 2019-04-16 | 2020-10-30 | 阿里巴巴集团控股有限公司 | 检测方法、装置、设备、系统及存储介质 |
CN111886597A (zh) * | 2019-06-28 | 2020-11-03 | 深圳市大疆创新科技有限公司 | 可移动平台的障碍物检测方法、装置及可移动平台 |
CN112001287A (zh) * | 2020-08-17 | 2020-11-27 | 禾多科技(北京)有限公司 | 障碍物的点云信息生成方法、装置、电子设备和介质 |
CN112102409A (zh) * | 2020-09-21 | 2020-12-18 | 杭州海康威视数字技术股份有限公司 | 目标检测方法、装置、设备及存储介质 |
CN112232139A (zh) * | 2020-09-25 | 2021-01-15 | 南京理工大学 | 一种基于Yolo v4与Tof算法相结合的避障方法 |
CN112257637A (zh) * | 2020-10-30 | 2021-01-22 | 福州大学 | 一种融合点云和多视图的车载激光点云多目标识别方法 |
CN112578781A (zh) * | 2019-09-29 | 2021-03-30 | 华为技术有限公司 | 数据处理方法、装置、芯片系统及介质 |
CN112698302A (zh) * | 2020-12-16 | 2021-04-23 | 南京航空航天大学 | 一种颠簸路况下的传感器融合目标检测方法 |
CN112731436A (zh) * | 2020-12-17 | 2021-04-30 | 浙江大学 | 基于点云上采样的多模态数据融合可行驶区域检测方法 |
CN112749594A (zh) * | 2019-10-31 | 2021-05-04 | 浙江商汤科技开发有限公司 | 信息补全方法、车道线识别方法、智能行驶方法及相关产品 |
CN112750194A (zh) * | 2020-05-15 | 2021-05-04 | 奕目(上海)科技有限公司 | 一种无人驾驶汽车避障方法、装置 |
CN112766135A (zh) * | 2021-01-14 | 2021-05-07 | 北京航空航天大学杭州创新研究院 | 目标检测方法、装置、电子设备和存储介质 |
CN112818932A (zh) * | 2021-02-26 | 2021-05-18 | 北京车和家信息技术有限公司 | 图像处理方法、障碍物检测方法、装置、介质及车辆 |
CN112818968A (zh) * | 2021-04-19 | 2021-05-18 | 北京三快在线科技有限公司 | 一种目标物分类方法及装置 |
CN112825134A (zh) * | 2019-11-21 | 2021-05-21 | 辉达公司 | 自主机器应用中使用radar传感器检测障碍物的深度神经网络 |
CN112883790A (zh) * | 2021-01-15 | 2021-06-01 | 惠州市德赛西威汽车电子股份有限公司 | 一种基于单目摄像头的3d物体检测方法 |
CN112906449A (zh) * | 2020-12-02 | 2021-06-04 | 北京中科慧眼科技有限公司 | 基于稠密视差图的路面坑洼检测方法、系统和设备 |
CN113051969A (zh) * | 2019-12-26 | 2021-06-29 | 深圳市超捷通讯有限公司 | 物件识别模型训练方法及车载装置 |
CN113173502A (zh) * | 2021-01-15 | 2021-07-27 | 福建电子口岸股份有限公司 | 一种基于激光视觉融合和深度学习的防撞方法、系统 |
CN113239726A (zh) * | 2021-04-06 | 2021-08-10 | 北京航空航天大学杭州创新研究院 | 基于着色点云的目标检测方法、装置和电子设备 |
CN113408324A (zh) * | 2020-03-17 | 2021-09-17 | 上海高德威智能交通系统有限公司 | 目标检测方法、装置及系统、高级驾驶辅助系统 |
CN113408454A (zh) * | 2021-06-29 | 2021-09-17 | 上海高德威智能交通系统有限公司 | 一种交通目标检测方法、装置、电子设备及检测系统 |
CN113421305A (zh) * | 2021-06-29 | 2021-09-21 | 上海高德威智能交通系统有限公司 | 目标检测方法、装置、系统、电子设备及存储介质 |
CN113447923A (zh) * | 2021-06-29 | 2021-09-28 | 上海高德威智能交通系统有限公司 | 目标检测方法、装置、系统、电子设备及存储介质 |
CN113449632A (zh) * | 2021-06-28 | 2021-09-28 | 重庆长安汽车股份有限公司 | 一种基于融合感知的视觉与雷达感知算法优化方法、系统及汽车 |
WO2021196532A1 (en) * | 2020-04-03 | 2021-10-07 | Huawei Technologies Co., Ltd. | Method for generation of an augmented point cloud with point features from aggregated temporal 3d coordinate data, and related device |
CN113490178A (zh) * | 2021-06-18 | 2021-10-08 | 天津大学 | 一种智能网联车辆多级协作感知系统 |
CN113553943A (zh) * | 2021-07-19 | 2021-10-26 | 江苏共知自动化科技有限公司 | 目标实时检测方法以及装置、存储介质、电子装置 |
CN113610883A (zh) * | 2021-04-30 | 2021-11-05 | 新驱动重庆智能汽车有限公司 | 点云处理系统和方法、计算机设备和存储介质 |
CN113678136A (zh) * | 2019-12-30 | 2021-11-19 | 深圳元戎启行科技有限公司 | 基于无人驾驶技术的障碍物检测方法、装置和计算机设备 |
CN113723170A (zh) * | 2020-05-22 | 2021-11-30 | 罗伯特·博世有限公司 | 危险检测整合架构系统和方法 |
CN113763423A (zh) * | 2021-08-03 | 2021-12-07 | 中国北方车辆研究所 | 一种基于多模态数据的系统性目标识别与跟踪方法 |
CN113762001A (zh) * | 2020-10-10 | 2021-12-07 | 北京京东乾石科技有限公司 | 一种目标检测方法、装置、电子设备和存储介质 |
WO2022000857A1 (zh) * | 2020-06-30 | 2022-01-06 | 广东小鹏汽车科技有限公司 | 数据集的建立方法、车辆和存储介质 |
CN114092778A (zh) * | 2022-01-24 | 2022-02-25 | 深圳安智杰科技有限公司 | 基于表征学习的雷达摄像头数据融合系统及方法 |
WO2022083402A1 (zh) * | 2020-10-22 | 2022-04-28 | 腾讯科技(深圳)有限公司 | 障碍物检测方法、装置、计算机设备和存储介质 |
CN114530039A (zh) * | 2022-01-27 | 2022-05-24 | 浙江梧斯源通信科技股份有限公司 | 一种路口人流量与车流量的实时检测装置及方法 |
WO2022111682A1 (zh) * | 2020-11-30 | 2022-06-02 | 深圳市普渡科技有限公司 | 移动行人检测方法、电子设备及机器人 |
CN115909815A (zh) * | 2023-01-06 | 2023-04-04 | 广州通达汽车电气股份有限公司 | 基于多元数据的融合检测方法、装置、设备及存储介质 |
CN115953765A (zh) * | 2023-03-14 | 2023-04-11 | 江苏天一航空工业股份有限公司 | 一种车辆自动驾驶的障碍物识别方法 |
CN116453087A (zh) * | 2023-03-30 | 2023-07-18 | 无锡物联网创新中心有限公司 | 一种数据闭环的自动驾驶障碍物检测方法 |
WO2024045942A1 (zh) * | 2022-09-02 | 2024-03-07 | 中兴通讯股份有限公司 | 环境信息感知方法、装置、系统、计算机设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933708A (zh) * | 2015-06-07 | 2015-09-23 | 浙江大学 | 一种基于多谱三维特征融合的植被环境中障碍物检测方法 |
CN106405555A (zh) * | 2016-09-23 | 2017-02-15 | 百度在线网络技术(北京)有限公司 | 用于车载雷达系统的障碍物检测方法和装置 |
-
2017
- 2017-12-28 CN CN201711459314.8A patent/CN108229366B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933708A (zh) * | 2015-06-07 | 2015-09-23 | 浙江大学 | 一种基于多谱三维特征融合的植被环境中障碍物检测方法 |
CN106405555A (zh) * | 2016-09-23 | 2017-02-15 | 百度在线网络技术(北京)有限公司 | 用于车载雷达系统的障碍物检测方法和装置 |
Non-Patent Citations (3)
Title |
---|
CRISTIANO PREMEBIDA 等: "Pedestrian detection combining RGB and dense LIDAR data", 《2014 IEEE/RSJ INTERNATIONAL CONFERENCE ON INTELLIGENT ROBOTS AND SYSTEMS》 * |
ZHENCHAO OUYANG 等: "Improved Vehicle Steering Pattern Recognition by Using Selected Sensor Data", 《IEEE TRANSACTIONS ON MOBILE COMPUTING》 * |
张慧 等: "深度学习在目标视觉检测中的应用进展与展望", 《自动化学报》 * |
Cited By (121)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378905B (zh) * | 2018-07-20 | 2022-07-05 | 北京京东尚科信息技术有限公司 | 角点提取、匹配的神经网络和方法及设备标定方法和装置 |
CN108957413A (zh) * | 2018-07-20 | 2018-12-07 | 重庆长安汽车股份有限公司 | 传感器目标定位准确度测试方法 |
CN110378905A (zh) * | 2018-07-20 | 2019-10-25 | 北京京东尚科信息技术有限公司 | 角点提取、匹配的神经网络和方法及设备标定方法和装置 |
CN109299656A (zh) * | 2018-08-13 | 2019-02-01 | 浙江零跑科技有限公司 | 一种车载视觉系统场景视深确定方法 |
CN109389633B (zh) * | 2018-08-31 | 2022-02-11 | 南京邮电大学 | 基于lsd-slam和激光雷达的深度信息估计方法 |
CN109389633A (zh) * | 2018-08-31 | 2019-02-26 | 南京邮电大学 | 基于lsd-slam和激光雷达的深度信息估计方法 |
CN109345510A (zh) * | 2018-09-07 | 2019-02-15 | 百度在线网络技术(北京)有限公司 | 物体检测方法、装置、设备、存储介质及车辆 |
US11379699B2 (en) | 2018-09-07 | 2022-07-05 | Apollo Intelligent Driving Technology (Beijing) Co., Ltd. | Object detection method and apparatus for object detection |
CN110969174B (zh) * | 2018-09-29 | 2023-09-08 | 深圳市布谷鸟科技有限公司 | 一种基于激光雷达的目标识别方法、装置及系统 |
CN110969174A (zh) * | 2018-09-29 | 2020-04-07 | 深圳市布谷鸟科技有限公司 | 一种基于激光雷达的目标识别方法、装置及系统 |
WO2020073316A1 (en) * | 2018-10-12 | 2020-04-16 | Nokia Technologies Oy | Method, apparatus and computer readable media for object detection |
CN112840347A (zh) * | 2018-10-12 | 2021-05-25 | 诺基亚技术有限公司 | 用于对象检测的方法、装置和计算机可读介质 |
CN109239720A (zh) * | 2018-10-18 | 2019-01-18 | 清华大学苏州汽车研究院(吴江) | 一种智能激光雷达装置、系统及其数据处理方法 |
US11620835B2 (en) | 2018-10-24 | 2023-04-04 | Tencent Technology (Shenzhen) Company Limited | Obstacle recognition method and apparatus, storage medium, and electronic device |
CN110147706B (zh) * | 2018-10-24 | 2022-04-12 | 腾讯科技(深圳)有限公司 | 障碍物的识别方法和装置、存储介质、电子装置 |
CN110147706A (zh) * | 2018-10-24 | 2019-08-20 | 腾讯科技(深圳)有限公司 | 障碍物的识别方法和装置、存储介质、电子装置 |
CN109447033A (zh) * | 2018-11-14 | 2019-03-08 | 北京信息科技大学 | 基于yolo的车辆前方障碍物检测方法 |
CN109657559B (zh) * | 2018-11-23 | 2023-02-07 | 盎锐(上海)信息科技有限公司 | 点云深度感知编码引擎装置 |
CN109657559A (zh) * | 2018-11-23 | 2019-04-19 | 盎锐(上海)信息科技有限公司 | 点云深度感知编码引擎 |
CN109543617A (zh) * | 2018-11-23 | 2019-03-29 | 于兴虎 | 基于yolo目标检测技术的智能车辆运动路况信息的检测方法 |
CN109747659B (zh) * | 2018-11-26 | 2021-07-02 | 北京汽车集团有限公司 | 车辆驾驶的控制方法和装置 |
CN109747659A (zh) * | 2018-11-26 | 2019-05-14 | 北京汽车集团有限公司 | 车辆驾驶的控制方法和装置 |
CN111273634A (zh) * | 2018-12-05 | 2020-06-12 | 大众汽车有限公司 | 至少部分自动的机动车的控制系统的配置 |
US11500382B2 (en) | 2018-12-05 | 2022-11-15 | Volkswagen Aktiengesellschaft | Configuration of a control system for an at least partially autonomous transportation vehicle |
CN109633621A (zh) * | 2018-12-26 | 2019-04-16 | 杭州奥腾电子股份有限公司 | 一种车载环境感知系统数据处理方法 |
CN109683170A (zh) * | 2018-12-27 | 2019-04-26 | 驭势科技(北京)有限公司 | 一种图像行驶区域标注方法、装置、车载设备及存储介质 |
CN109683170B (zh) * | 2018-12-27 | 2021-07-02 | 驭势科技(北京)有限公司 | 一种图像行驶区域标注方法、装置、车载设备及存储介质 |
WO2020150904A1 (en) * | 2019-01-22 | 2020-07-30 | SZ DJI Technology Co., Ltd. | Neural network based obstacle detection for mobile platforms, and associated systems and methods |
CN109859562A (zh) * | 2019-01-31 | 2019-06-07 | 南方科技大学 | 数据生成方法、装置、服务器及存储介质 |
CN109932730A (zh) * | 2019-02-22 | 2019-06-25 | 东华大学 | 基于多尺度单极三维检测网络的激光雷达目标检测方法 |
CN109932730B (zh) * | 2019-02-22 | 2023-06-23 | 东华大学 | 基于多尺度单极三维检测网络的激光雷达目标检测方法 |
CN110018470A (zh) * | 2019-03-01 | 2019-07-16 | 北京纵目安驰智能科技有限公司 | 基于多传感器前融合的实例标注方法、模型、终端和存储介质 |
CN111696145B (zh) * | 2019-03-11 | 2023-11-03 | 北京地平线机器人技术研发有限公司 | 深度信息确定方法、深度信息确定装置及电子设备 |
CN111696145A (zh) * | 2019-03-11 | 2020-09-22 | 北京地平线机器人技术研发有限公司 | 深度信息确定方法、深度信息确定装置及电子设备 |
CN110045729A (zh) * | 2019-03-12 | 2019-07-23 | 广州小马智行科技有限公司 | 一种车辆自动驾驶方法及装置 |
CN110084133A (zh) * | 2019-04-03 | 2019-08-02 | 百度在线网络技术(北京)有限公司 | 障碍物检测方法、装置、车辆、计算机设备和存储介质 |
CN111856445A (zh) * | 2019-04-11 | 2020-10-30 | 杭州海康威视数字技术股份有限公司 | 一种目标检测方法、装置、设备及系统 |
CN109917419A (zh) * | 2019-04-12 | 2019-06-21 | 中山大学 | 一种基于激光雷达与图像的深度填充密集系统及方法 |
CN111856468A (zh) * | 2019-04-16 | 2020-10-30 | 阿里巴巴集团控股有限公司 | 检测方法、装置、设备、系统及存储介质 |
CN109828592A (zh) * | 2019-04-22 | 2019-05-31 | 深兰人工智能芯片研究院(江苏)有限公司 | 一种障碍物检测的方法及设备 |
CN110058264A (zh) * | 2019-04-22 | 2019-07-26 | 福州大学 | 一种基于深度学习的实时检测及识别障碍物的方法 |
CN110232315A (zh) * | 2019-04-29 | 2019-09-13 | 华为技术有限公司 | 目标检测方法和装置 |
WO2020223868A1 (zh) * | 2019-05-06 | 2020-11-12 | 深圳市大疆创新科技有限公司 | 地面信息处理方法、装置和无人驾驶车辆 |
CN111712855A (zh) * | 2019-05-06 | 2020-09-25 | 深圳市大疆创新科技有限公司 | 地面信息处理方法、装置和无人驾驶车辆 |
CN110363820A (zh) * | 2019-06-28 | 2019-10-22 | 东南大学 | 一种基于激光雷达、图像前融合的目标检测方法 |
CN111886597A (zh) * | 2019-06-28 | 2020-11-03 | 深圳市大疆创新科技有限公司 | 可移动平台的障碍物检测方法、装置及可移动平台 |
CN110349142A (zh) * | 2019-07-05 | 2019-10-18 | 创新奇智(青岛)科技有限公司 | 钢卷端面的缺陷样本生成方法、模型训练方法、系统及电子设备 |
CN110412986A (zh) * | 2019-08-19 | 2019-11-05 | 中车株洲电力机车有限公司 | 一种车辆障碍物检测方法及系统 |
CN110795819B (zh) * | 2019-09-16 | 2022-05-20 | 腾讯科技(深圳)有限公司 | 自动驾驶仿真场景的生成方法和装置、存储介质 |
CN110795819A (zh) * | 2019-09-16 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 自动驾驶仿真场景的生成方法和装置、存储介质 |
CN110618424A (zh) * | 2019-09-27 | 2019-12-27 | 中科九度(北京)空间信息技术有限责任公司 | 一种基于多传感器融合的远距离高压线发现方法 |
CN112578781A (zh) * | 2019-09-29 | 2021-03-30 | 华为技术有限公司 | 数据处理方法、装置、芯片系统及介质 |
KR102428050B1 (ko) | 2019-10-31 | 2022-08-01 | 저지앙 센스타임 테크놀로지 디벨롭먼트 컴퍼니 리미티드 | 정보 보완 방법, 차선 인식 방법, 지능형 주행 방법 및 관련 제품 |
CN112749594A (zh) * | 2019-10-31 | 2021-05-04 | 浙江商汤科技开发有限公司 | 信息补全方法、车道线识别方法、智能行驶方法及相关产品 |
KR20210093351A (ko) * | 2019-10-31 | 2021-07-27 | 저지앙 센스타임 테크놀로지 디벨롭먼트 컴퍼니 리미티드 | 정보 보완 방법, 차선 인식 방법, 지능형 주행 방법 및 관련 제품 |
CN112749594B (zh) * | 2019-10-31 | 2022-04-22 | 浙江商汤科技开发有限公司 | 信息补全方法、车道线识别方法、智能行驶方法及相关产品 |
CN112825134A (zh) * | 2019-11-21 | 2021-05-21 | 辉达公司 | 自主机器应用中使用radar传感器检测障碍物的深度神经网络 |
CN113051969A (zh) * | 2019-12-26 | 2021-06-29 | 深圳市超捷通讯有限公司 | 物件识别模型训练方法及车载装置 |
CN113678136A (zh) * | 2019-12-30 | 2021-11-19 | 深圳元戎启行科技有限公司 | 基于无人驾驶技术的障碍物检测方法、装置和计算机设备 |
CN111191600B (zh) * | 2019-12-30 | 2023-06-23 | 深圳元戎启行科技有限公司 | 障碍物检测方法、装置、计算机设备和存储介质 |
CN111191600A (zh) * | 2019-12-30 | 2020-05-22 | 深圳元戎启行科技有限公司 | 障碍物检测方法、装置、计算机设备和存储介质 |
CN111161202A (zh) * | 2019-12-30 | 2020-05-15 | 上海眼控科技股份有限公司 | 车辆行为信息获取方法、装置、计算机设备和存储介质 |
CN111401133A (zh) * | 2020-02-19 | 2020-07-10 | 北京三快在线科技有限公司 | 目标数据增广方法、装置、电子设备和可读存储介质 |
CN113408324A (zh) * | 2020-03-17 | 2021-09-17 | 上海高德威智能交通系统有限公司 | 目标检测方法、装置及系统、高级驾驶辅助系统 |
WO2021196532A1 (en) * | 2020-04-03 | 2021-10-07 | Huawei Technologies Co., Ltd. | Method for generation of an augmented point cloud with point features from aggregated temporal 3d coordinate data, and related device |
US11275965B2 (en) | 2020-04-03 | 2022-03-15 | Huawei Technologies Co., Ltd. | Method for generation of an augmented point cloud with point features from aggregated temporal 3D coordinate data, and related device |
CN111611853A (zh) * | 2020-04-15 | 2020-09-01 | 宁波吉利汽车研究开发有限公司 | 一种传感信息融合方法、装置及存储介质 |
CN111611853B (zh) * | 2020-04-15 | 2024-05-24 | 宁波吉利汽车研究开发有限公司 | 一种传感信息融合方法、装置及存储介质 |
CN111626108A (zh) * | 2020-04-17 | 2020-09-04 | 浙江大华技术股份有限公司 | 一种目标的识别方法及系统 |
CN111626108B (zh) * | 2020-04-17 | 2023-04-21 | 浙江大华技术股份有限公司 | 一种目标的识别方法及系统 |
CN112750194A (zh) * | 2020-05-15 | 2021-05-04 | 奕目(上海)科技有限公司 | 一种无人驾驶汽车避障方法、装置 |
CN111724478A (zh) * | 2020-05-19 | 2020-09-29 | 华南理工大学 | 一种基于深度学习的点云上采样方法 |
CN113723170A (zh) * | 2020-05-22 | 2021-11-30 | 罗伯特·博世有限公司 | 危险检测整合架构系统和方法 |
CN111652097B (zh) * | 2020-05-25 | 2023-04-18 | 南京莱斯电子设备有限公司 | 一种图像毫米波雷达融合目标检测方法 |
CN111652097A (zh) * | 2020-05-25 | 2020-09-11 | 南京莱斯电子设备有限公司 | 一种图像毫米波雷达融合目标检测方法 |
CN111797915A (zh) * | 2020-06-24 | 2020-10-20 | 奇点汽车研发中心有限公司 | 目标检测方法、装置、电子设备及计算机可读存储介质 |
WO2022000857A1 (zh) * | 2020-06-30 | 2022-01-06 | 广东小鹏汽车科技有限公司 | 数据集的建立方法、车辆和存储介质 |
CN112001287A (zh) * | 2020-08-17 | 2020-11-27 | 禾多科技(北京)有限公司 | 障碍物的点云信息生成方法、装置、电子设备和介质 |
CN112001287B (zh) * | 2020-08-17 | 2023-09-12 | 禾多科技(北京)有限公司 | 障碍物的点云信息生成方法、装置、电子设备和介质 |
CN112102409A (zh) * | 2020-09-21 | 2020-12-18 | 杭州海康威视数字技术股份有限公司 | 目标检测方法、装置、设备及存储介质 |
CN112102409B (zh) * | 2020-09-21 | 2023-09-01 | 杭州海康威视数字技术股份有限公司 | 目标检测方法、装置、设备及存储介质 |
CN112232139A (zh) * | 2020-09-25 | 2021-01-15 | 南京理工大学 | 一种基于Yolo v4与Tof算法相结合的避障方法 |
CN113762001A (zh) * | 2020-10-10 | 2021-12-07 | 北京京东乾石科技有限公司 | 一种目标检测方法、装置、电子设备和存储介质 |
CN113762001B (zh) * | 2020-10-10 | 2024-04-19 | 北京京东乾石科技有限公司 | 一种目标检测方法、装置、电子设备和存储介质 |
WO2022083402A1 (zh) * | 2020-10-22 | 2022-04-28 | 腾讯科技(深圳)有限公司 | 障碍物检测方法、装置、计算机设备和存储介质 |
CN112257637B (zh) * | 2020-10-30 | 2022-05-24 | 福州大学 | 一种融合点云和多视图的车载激光点云多目标识别方法 |
CN112257637A (zh) * | 2020-10-30 | 2021-01-22 | 福州大学 | 一种融合点云和多视图的车载激光点云多目标识别方法 |
WO2022111682A1 (zh) * | 2020-11-30 | 2022-06-02 | 深圳市普渡科技有限公司 | 移动行人检测方法、电子设备及机器人 |
CN112906449A (zh) * | 2020-12-02 | 2021-06-04 | 北京中科慧眼科技有限公司 | 基于稠密视差图的路面坑洼检测方法、系统和设备 |
CN112906449B (zh) * | 2020-12-02 | 2024-04-16 | 北京中科慧眼科技有限公司 | 基于稠密视差图的路面坑洼检测方法、系统和设备 |
CN112698302B (zh) * | 2020-12-16 | 2023-11-07 | 南京航空航天大学 | 一种颠簸路况下的传感器融合目标检测方法 |
CN112698302A (zh) * | 2020-12-16 | 2021-04-23 | 南京航空航天大学 | 一种颠簸路况下的传感器融合目标检测方法 |
CN112731436B (zh) * | 2020-12-17 | 2024-03-19 | 浙江大学 | 基于点云上采样的多模态数据融合可行驶区域检测方法 |
CN112731436A (zh) * | 2020-12-17 | 2021-04-30 | 浙江大学 | 基于点云上采样的多模态数据融合可行驶区域检测方法 |
CN112766135B (zh) * | 2021-01-14 | 2024-03-19 | 北京航空航天大学杭州创新研究院 | 目标检测方法、装置、电子设备和存储介质 |
CN112766135A (zh) * | 2021-01-14 | 2021-05-07 | 北京航空航天大学杭州创新研究院 | 目标检测方法、装置、电子设备和存储介质 |
CN113173502A (zh) * | 2021-01-15 | 2021-07-27 | 福建电子口岸股份有限公司 | 一种基于激光视觉融合和深度学习的防撞方法、系统 |
WO2022151664A1 (zh) * | 2021-01-15 | 2022-07-21 | 惠州市德赛西威汽车电子股份有限公司 | 一种基于单目摄像头的3d物体检测方法 |
CN113173502B (zh) * | 2021-01-15 | 2023-06-06 | 福建电子口岸股份有限公司 | 一种基于激光视觉融合和深度学习的防撞方法、系统 |
CN112883790A (zh) * | 2021-01-15 | 2021-06-01 | 惠州市德赛西威汽车电子股份有限公司 | 一种基于单目摄像头的3d物体检测方法 |
CN112818932A (zh) * | 2021-02-26 | 2021-05-18 | 北京车和家信息技术有限公司 | 图像处理方法、障碍物检测方法、装置、介质及车辆 |
CN113239726B (zh) * | 2021-04-06 | 2022-11-08 | 北京航空航天大学杭州创新研究院 | 基于着色点云的目标检测方法、装置和电子设备 |
CN113239726A (zh) * | 2021-04-06 | 2021-08-10 | 北京航空航天大学杭州创新研究院 | 基于着色点云的目标检测方法、装置和电子设备 |
CN112818968A (zh) * | 2021-04-19 | 2021-05-18 | 北京三快在线科技有限公司 | 一种目标物分类方法及装置 |
CN113610883A (zh) * | 2021-04-30 | 2021-11-05 | 新驱动重庆智能汽车有限公司 | 点云处理系统和方法、计算机设备和存储介质 |
CN113490178A (zh) * | 2021-06-18 | 2021-10-08 | 天津大学 | 一种智能网联车辆多级协作感知系统 |
CN113449632A (zh) * | 2021-06-28 | 2021-09-28 | 重庆长安汽车股份有限公司 | 一种基于融合感知的视觉与雷达感知算法优化方法、系统及汽车 |
CN113447923A (zh) * | 2021-06-29 | 2021-09-28 | 上海高德威智能交通系统有限公司 | 目标检测方法、装置、系统、电子设备及存储介质 |
CN113408454A (zh) * | 2021-06-29 | 2021-09-17 | 上海高德威智能交通系统有限公司 | 一种交通目标检测方法、装置、电子设备及检测系统 |
CN113421305A (zh) * | 2021-06-29 | 2021-09-21 | 上海高德威智能交通系统有限公司 | 目标检测方法、装置、系统、电子设备及存储介质 |
CN113408454B (zh) * | 2021-06-29 | 2024-02-06 | 上海高德威智能交通系统有限公司 | 一种交通目标检测方法、装置、电子设备及检测系统 |
CN113553943B (zh) * | 2021-07-19 | 2024-04-30 | 江苏共知自动化科技有限公司 | 目标实时检测方法以及装置、存储介质、电子装置 |
CN113553943A (zh) * | 2021-07-19 | 2021-10-26 | 江苏共知自动化科技有限公司 | 目标实时检测方法以及装置、存储介质、电子装置 |
CN113763423A (zh) * | 2021-08-03 | 2021-12-07 | 中国北方车辆研究所 | 一种基于多模态数据的系统性目标识别与跟踪方法 |
CN114092778A (zh) * | 2022-01-24 | 2022-02-25 | 深圳安智杰科技有限公司 | 基于表征学习的雷达摄像头数据融合系统及方法 |
CN114530039A (zh) * | 2022-01-27 | 2022-05-24 | 浙江梧斯源通信科技股份有限公司 | 一种路口人流量与车流量的实时检测装置及方法 |
WO2024045942A1 (zh) * | 2022-09-02 | 2024-03-07 | 中兴通讯股份有限公司 | 环境信息感知方法、装置、系统、计算机设备及存储介质 |
CN115909815A (zh) * | 2023-01-06 | 2023-04-04 | 广州通达汽车电气股份有限公司 | 基于多元数据的融合检测方法、装置、设备及存储介质 |
CN115953765A (zh) * | 2023-03-14 | 2023-04-11 | 江苏天一航空工业股份有限公司 | 一种车辆自动驾驶的障碍物识别方法 |
CN116453087A (zh) * | 2023-03-30 | 2023-07-18 | 无锡物联网创新中心有限公司 | 一种数据闭环的自动驾驶障碍物检测方法 |
CN116453087B (zh) * | 2023-03-30 | 2023-10-20 | 无锡物联网创新中心有限公司 | 一种数据闭环的自动驾驶障碍物检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108229366B (zh) | 2021-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229366A (zh) | 基于雷达和图像数据融合的深度学习车载障碍物检测方法 | |
CN110363820B (zh) | 一种基于激光雷达、图像前融合的目标检测方法 | |
US10565458B2 (en) | Simulation system, simulation program and simulation method | |
CN109948523B (zh) | 一种基于视频与毫米波雷达数据融合的目标物识别方法及其应用 | |
CN108196535B (zh) | 基于增强学习和多传感器融合的自动驾驶系统 | |
CN111079586B (zh) | 基于深度学习与双目摄像的自动驾驶目标检测系统及方法 | |
WO2019223582A1 (en) | Target detection method and system | |
CN105711597B (zh) | 前方局部行驶环境感知系统及方法 | |
US20190179979A1 (en) | Simulated Sensor Testing | |
CN104215239B (zh) | 基于视觉的无人机自主着陆导引装置实现的导引方法 | |
CN101975951B (zh) | 一种融合距离和图像信息的野外环境障碍检测方法 | |
CN107862293A (zh) | 基于对抗生成网络的雷达生成彩色语义图像系统及方法 | |
CN108596058A (zh) | 基于计算机视觉的行车障碍物测距方法 | |
CN105930819A (zh) | 基于单目视觉和gps组合导航系统的实时城区交通灯识别系统 | |
CN108731587A (zh) | 一种基于视觉的无人机动态目标跟踪与定位方法 | |
CN109931939A (zh) | 车辆的定位方法、装置、设备及计算机可读存储介质 | |
CN117441113A (zh) | 一种面向车路协同的感知信息融合表征及目标检测方法 | |
CN109583415A (zh) | 一种基于激光雷达与摄像机融合的交通灯检测与识别方法 | |
CN107194343B (zh) | 基于位置相关的卷积与Fire模型的红绿灯检测方法 | |
CN110378210A (zh) | 一种基于轻量化YOLOv3的车辆和车牌检测及长短焦融合测距方法 | |
CN106446785A (zh) | 基于双目视觉的可行道路检测方法 | |
CN117111085A (zh) | 一种自动驾驶汽车车路云融合感知方法 | |
CN114200442B (zh) | 一种基于毫米波雷达和视觉的道路目标检测与关联方法 | |
Kloeker et al. | High-precision digital traffic recording with multi-lidar infrastructure sensor setups | |
KR101510745B1 (ko) | 차량의 무인 자율주행 시스템 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |