CN108647646A - 基于低线束雷达的低矮障碍物的优化检测方法及装置 - Google Patents
基于低线束雷达的低矮障碍物的优化检测方法及装置 Download PDFInfo
- Publication number
- CN108647646A CN108647646A CN201810451069.4A CN201810451069A CN108647646A CN 108647646 A CN108647646 A CN 108647646A CN 201810451069 A CN201810451069 A CN 201810451069A CN 108647646 A CN108647646 A CN 108647646A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- vehicle
- low
- cloud data
- estimation
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
- G06T7/248—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30261—Obstacle
Abstract
本发明提供了一种基于低线束雷达的低矮障碍物的优化检测方法及装置,其核心在于通过运动估计将历史点云数据转换到当前帧激光雷达坐标系中,并叠加至当前帧的点云数据中,从而将历史信息融合,能够提高激光雷达对于低矮障碍物的有效识别,加强识别效果,降低噪声点的影响。
Description
技术领域
本发明属于光电信息与计算机的技术领域,具体涉及一种基于低线束雷达的低矮障碍物的优化检测方法及装置,可广泛用于无人驾驶汽车、机器人等的感知系统。
背景技术
当前,随着无人驾驶技术涉及的硬件及软件的发展和不断完善,无人驾驶产业将不断成熟和落地。为了降低成本,低线数激光雷达被广泛应用。对于绝大多数的识别物体如车辆、行人和路牌,低线数雷达可以准确识别。然而,低线数激光雷达在扫描路面上的低矮物体如路牙石、散落物等时,由于垂向角分辨率过低,远处障碍通常只有一条线可以扫描上,并且随着雷达相对的移动很容易陷入两相邻线之间的盲区,当10米处激光雷达的垂直两线之间距离可达一个30cm锥桶的高度,从而出现时有时无识别不稳定的情况。不仅如此,由于滤除地面噪点的操作使得点云图中的低矮物体失去一部分的接近地面高度的反射点,使得本来就不多的反射点进一步减少,难以和噪点区分开来;并且车辆在行驶过程中的垂向跳动和地面起伏使得我们被迫提高地面的阈值,减少噪声点对识别的影响。因此,单帧扫描过少的点云限制了激光雷达的稳定识别范围和识别效果。
发明内容
有鉴于此,本发明提供了一种基于低线束雷达的低矮障碍物的优化检测方法及装置,能够提高激光雷达对于低矮障碍物的有效识别,加强识别效果,降低噪声点的影响。
实现本发明的技术方案如下:
一种基于低线束雷达的低矮障碍物的优化检测方法,包括以下步骤:
步骤一、利用激光雷达传感器采集的相邻两帧的点云数据得到所对应的两次扫描之间的车辆的运动变化,利用所述运动变化得到后一扫描时刻的车辆运动估计;
步骤二、利用所述车辆运动估计将当前帧以前的a帧点云数据转换至车辆当前坐标系中,并叠加至当前帧的点云数据中,其中,a为正整数;
步骤三、将叠加后的点云数据运用点云聚类算法得到低矮障碍物的检测结果。
进一步地,对车辆的运动估计包括以下步骤:
S11:从点云数据中提取车辆运动估计所需的特征点;
S12:利用所述特征点根据ICP迭代最近点算法求解车辆在相邻两帧扫描中的位置变化;
S13:利用所述位置变化得到车辆在世界坐标系下的运动估计。
进一步地,所述运动估计包括车辆的位置和姿态。
一种基于低线束雷达的低矮障碍物的优化检测装置,包括激光雷达传感器、运动估计计算模块、数据转换叠加模块和点云聚类检测模块;
激光雷达传感器采集车辆周围环境的点云数据;
运动估计计算模块利用相邻两帧的点云数据得到所对应的两次扫描之间的车辆的运动变化,利用所述运动变化得到后一扫描时刻的车辆运动估计;
数据转换叠加模块利用所述车辆运动估计将当前帧以前的a帧点云数据转换至车辆当前坐标系中,并叠加至当前帧的点云数据中,其中,a为正整数;
点云聚类检测模块将叠加后的点云数据运用点云聚类算法得到低矮障碍物的检测结果。
有益效果:
1、本发明基于运动估计信息的多帧叠加融合得到的叠加后的点云,其考虑了多时刻对同一障碍物不同相对位置的多次扫描结果,因此增强了对远处低矮障碍物识别的稳定性,减少了单帧扫描得到的点云因识别盲区与垂直分辨率低导致的漏检。
2、本发明运动估计信息由对激光雷达点云数据提取的特征点配准得到,运算速度快实时性好,并且使用单一传感器进行运动估计和障碍物检测,不存在多传感器时间戳对准问题。
附图说明
图1为低线束雷达盲区示意图。
图2为本发明算法流程图。
图3为车辆激光运动估计得到的在世界坐标系的车辆运动。
图4为点云聚类效果。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
本发明提供了一种基于低线束雷达的低矮障碍物的优化检测方法及装置,能够提高激光雷达对于低矮障碍物的有效识别,加强识别效果,降低噪声点的影响。本发明属于光电信息与计算机技术领域,对于无人驾驶车的技术有促进作用。如图1所示,当10米处激光雷达的垂直两线之间距离可达一个30cm锥桶的高度,从而出现时有时无识别不稳定的情况。本发明所提出的多帧点云叠加算法,其核心在于通过运动估计将历史点云数据转换到当前帧激光雷达坐标系中,并叠加至当前帧的点云数据中,从而将历史信息融合。由于激光雷达是机械固定在车辆上,坐标的变化主要是由汽车的三维运动和3自由度姿态变换导致,因此,雷达的坐标变换可由车辆的运动估计信息得出。
如算法流程图2所示,本发明提出的算法分为以下步骤:
步骤一、利用激光雷达传感器采集的相邻两帧的点云数据得到所对应的两次扫描之间的车辆的运动变化,利用所述运动变化得到后一扫描时刻的车辆运动估计;所述运动估计包括车辆的位置和姿态,用变换矩阵表示。为了计算运动估计坐标变换矩阵,需要首先计算得到汽车的运动估计信息,运动估计信息包括在每帧激光雷达扫描时刻初始坐标系的位置和车航向方向向量。多种传感器包括单目或双目立体视觉传感器、激光雷达、GPS、INS和轮速传感器都可以计算运动估计信息。本发明中在用激光雷达传感器实现运动估计的计算。本发明算法中描述激光雷达运动估计问题为:给定按时间顺序排列的激光雷达点云k∈Z+,计算点云配准,得到激光雷达在两次扫描中的车辆运动估计。车辆的运动估计包括以下步骤:
对车辆的运动估计包括以下步骤:
S11:从点云数据中提取车辆运动估计所需的特征点;
提取配准用的特征点以提高配准的速度与精度。本算法选择凸出的边缘和平坦的平面上的激光雷达反射点作为特征点。设定S是在同一扫描过程中,连续的点i的集合,定义局部表面平滑度评价计算公式为:
其中,c为局部表面平滑度,以c为评价指标选取特征点,大于设定最大阈值表示边缘特征点,小于设定最小阈值表示平面特征点。其最大和最小阈值均为实验得到。
S12:利用所述特征点根据ICP迭代最近点算法求解车辆在相邻两帧扫描中的位置变化;
考虑到tk+1时刻与tk时刻相邻两次扫描车辆移动造成的差距不会太大,设εk+1和为中边缘特征点和平面特征点的集合,我们需要在点云集合中寻找相对应边缘特征点或者平面特征点的最近邻点作为匹配点对。在得到特征点的匹配点对之后,需要计算相邻两帧匹配点对的欧式距离,通过最小化所有该距离来计算雷达的位姿运动。利用ICP算法求解此最小化问题。ICP算法的目的是要找到待配准点云数据与参考点云数据之间的旋转矩阵R和平移矩阵t,使得两点数据之间满足某种度量准则下的最优匹配。
S13:利用所述位置变化得到车辆在世界坐标系下的运动估计。
用S12中得到的用R、t矩阵表示的相邻两帧扫描中的位置变化关系,递推求解出当前点云扫描帧坐标系相对于起始世界坐标系的变换,进而求出当前车辆位置,估计车辆位姿。该步骤将车辆运动估计用四元数和三维平移向量表征,定义为位姿运动变换 tx,ty和tz为在激光雷达坐标系{L}下相对于世界坐标系在x,y和z轴上的平移变化,x,y,z和ω为四元数中分别绕x轴,y轴,z轴和自身轴向的旋转角度。效果如图3所示,箭头表示一个时刻的车辆位姿,方向为车头航向。
步骤二、利用所述车辆运动估计将当前帧以前的a帧点云数据转换至车辆当前坐标系中,并叠加至当前帧的点云数据中,其中,a为正整数,a的取值综合考虑计算精度和运算速度,a越大计算精度越大,当时运算速度就慢,a越小计算精度越小,但运算速度就快。
该坐标变换,即通过运动估计获得的位姿变换求解坐标变换阵,将历史帧的点云变换到当前扫描帧的车辆坐标系中。令融合帧数为m,m∈Z+,当前车辆坐标系下多帧融合之后的点云集合为历史第k次扫描得到的激光雷达坐标系点云集合为k=1,2……m。点云集合的坐标系为激光雷达三维欧式坐标系{L},第k次扫描中激光雷达反射点在Lk下的坐标为Xi,k。
根据前述步骤得到的运动估计信息,在第k次扫描之后,我们可以得到激光雷达相对于初始点的位姿运动变换对于任意点(坐标为Xi,k),k=1,2……m,可以得到融合后的点云集合中的点i的对应点的坐标为:
其中,Rk为第k次扫描时的激光雷达坐标系Lk到初始坐标系L0的四元数旋转矩阵,为当前激光雷达坐标系到初始坐标系L0的四元数旋转矩阵。当给定一个前述变换阵T,则有:
需要明确的是,基于运动估计得到匀线速度和匀角速度行驶,但根据实际情况,车辆具有较大的线加速度和角加速度,所以得到的点云集合存在不同程度的发散,发散程度和加速度大小正相关。另外,由于激光雷达的处理频率为10Hz,我们的额定车速在10km/h到20km/h,因此使用了7次激光雷达扫描得到的点云集合进行信息融合叠加。这个融合叠加的数目可自由根据计算平台能力和需求选择。
步骤三、将叠加后的点云数据运用点云聚类算法得到低矮障碍物的检测结果。
本算法障碍物识别应用欧氏距离聚类。欧氏距离定义为三维空间中两点之间的距离。设E(p,q)为p,q两点的欧氏距离:
具体的实现方法大致是:
1.找到空间中随机选取某点p。
2.用kdTree找到欧氏距离离他最近的n个点,判断这n个点到所选点的距离。将距离小于阈值r的点放在集合Q里。
3.在Q里找到不同与p一点p’,重复1。当Q再也不能有新点加入了,则完成搜索。这样就完成了点云一类的聚类分割。循环上述步骤就能对对障碍物点云进行分割完成聚类。聚类效果如图4,左图为一张平坦路面上含有锥桶的点云原始数据,右图白色方块为一个障碍物识别结果。
实现上述方法的一种基于低线束雷达的低矮障碍物的优化检测装置包括激光雷达传感器、运动估计计算模块、数据转换叠加模块和点云聚类检测模块;
激光雷达传感器采集车辆周围环境的点云数据;
运动估计计算模块利用相邻两帧的点云数据得到所对应的两次扫描之间的车辆的运动变化,利用所述运动变化得到后一扫描时刻的车辆运动估计;
数据转换叠加模块利用所述车辆运动估计将当前帧以前的a帧点云数据转换至车辆当前坐标系中,并叠加至当前帧的点云数据中;
点云聚类检测模块将叠加后的点云数据运用点云聚类算法得到低矮障碍物的检测结果。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于低线束雷达的低矮障碍物的优化检测方法,其特征在于,包括以下步骤:
步骤一、利用激光雷达传感器采集的相邻两帧的点云数据得到所对应的两次扫描之间的车辆的运动变化,利用所述运动变化得到后一扫描时刻的车辆运动估计;
步骤二、利用所述车辆运动估计将当前帧以前的a帧点云数据转换至车辆当前坐标系中,并叠加至当前帧的点云数据中,其中,a为正整数;
步骤三、将叠加后的点云数据运用点云聚类算法得到低矮障碍物的检测结果。
2.如权利要求1所述的一种基于低线束雷达的低矮障碍物的优化检测方法,其特征在于,所述运动估计包括车辆的位置和姿态。
3.如权利要求1所述的一种基于低线束雷达的低矮障碍物的优化检测方法,其特征在于,对车辆的运动估计包括以下步骤:
S11:从点云数据中提取车辆运动估计所需的特征点;
S12:利用所述特征点根据ICP迭代最近点算法求解车辆在相邻两帧扫描中的位置变化;
S13:利用所述位置变化得到车辆在世界坐标系下的运动估计。
4.一种基于低线束雷达的低矮障碍物的优化检测装置,其特征在于,包括激光雷达传感器、运动估计计算模块、数据转换叠加模块和点云聚类检测模块;
激光雷达传感器采集车辆周围环境的点云数据;
运动估计计算模块利用相邻两帧的点云数据得到所对应的两次扫描之间的车辆的运动变化,利用所述运动变化得到后一扫描时刻的车辆运动估计;
数据转换叠加模块利用所述车辆运动估计将当前帧以前的a帧点云数据转换至车辆当前坐标系中,并叠加至当前帧的点云数据中,其中,a为正整数;
点云聚类检测模块将叠加后的点云数据运用点云聚类算法得到低矮障碍物的检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810451069.4A CN108647646B (zh) | 2018-05-11 | 2018-05-11 | 基于低线束雷达的低矮障碍物的优化检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810451069.4A CN108647646B (zh) | 2018-05-11 | 2018-05-11 | 基于低线束雷达的低矮障碍物的优化检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108647646A true CN108647646A (zh) | 2018-10-12 |
CN108647646B CN108647646B (zh) | 2019-12-13 |
Family
ID=63754949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810451069.4A Active CN108647646B (zh) | 2018-05-11 | 2018-05-11 | 基于低线束雷达的低矮障碍物的优化检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108647646B (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109633665A (zh) * | 2018-12-17 | 2019-04-16 | 北京主线科技有限公司 | 交通场景稀疏激光点云拼接方法 |
CN109785632A (zh) * | 2019-03-14 | 2019-05-21 | 济南浪潮高新科技投资发展有限公司 | 一种交通流量统计方法及装置 |
CN110441791A (zh) * | 2019-08-14 | 2019-11-12 | 深圳无境智能机器人有限公司 | 一种基于前倾2d激光雷达的地面障碍物检测方法 |
CN110596728A (zh) * | 2019-09-16 | 2019-12-20 | 北京航空航天大学 | 一种基于激光雷达的水面小目标探测方法 |
CN110967679A (zh) * | 2019-12-04 | 2020-04-07 | 吉林大学 | 一种低线束激光雷达数据匹配多线束激光雷达模型的方法 |
CN111045025A (zh) * | 2018-10-15 | 2020-04-21 | 图森有限公司 | 一种基于光检测和测距的车辆追踪方法和系统 |
CN111090087A (zh) * | 2020-01-21 | 2020-05-01 | 广州赛特智能科技有限公司 | 一种智能导航机器、激光雷达盲区补偿方法及存储介质 |
CN111113404A (zh) * | 2018-11-01 | 2020-05-08 | 阿里巴巴集团控股有限公司 | 一种机器人获得位置服务的方法及机器人 |
CN111753623A (zh) * | 2020-03-12 | 2020-10-09 | 北京京东乾石科技有限公司 | 一种运动物体的检测方法、装置、设备及存储介质 |
WO2021056438A1 (zh) * | 2019-09-27 | 2021-04-01 | 深圳市大疆创新科技有限公司 | 点云数据处理方法及其装置、激光雷达、可移动平台 |
CN112630798A (zh) * | 2019-09-24 | 2021-04-09 | 北京百度网讯科技有限公司 | 用于估计地面的方法和装置 |
WO2021072710A1 (zh) * | 2019-10-17 | 2021-04-22 | 深圳市大疆创新科技有限公司 | 移动物体的点云融合方法、系统及计算机存储介质 |
CN112819700A (zh) * | 2019-11-15 | 2021-05-18 | 阿里巴巴集团控股有限公司 | 一种点云数据的去噪方法、装置及可读存储介质 |
WO2021093418A1 (zh) * | 2019-11-12 | 2021-05-20 | 深圳创维数字技术有限公司 | 地面障碍物检测方法、设备及计算机可读存储介质 |
WO2021168708A1 (zh) * | 2020-02-26 | 2021-09-02 | 深圳市大疆创新科技有限公司 | 用于可移动平台的控制方法、可移动平台、设备和存储介质 |
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 |
CN113673383A (zh) * | 2021-08-05 | 2021-11-19 | 苏州智加科技有限公司 | 一种面向复杂道路场景的时空域障碍物检测方法及系统 |
CN113807239A (zh) * | 2021-09-15 | 2021-12-17 | 京东鲲鹏(江苏)科技有限公司 | 一种点云数据的处理方法、装置、存储介质及电子设备 |
CN113859228A (zh) * | 2020-06-30 | 2021-12-31 | 上海商汤智能科技有限公司 | 一种车辆控制方法、装置、电子设备及存储介质 |
CN114581481A (zh) * | 2022-03-07 | 2022-06-03 | 广州小鹏自动驾驶科技有限公司 | 一种目标物速度的估计方法及装置、车辆和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105404844A (zh) * | 2014-09-12 | 2016-03-16 | 广州汽车集团股份有限公司 | 一种基于多线激光雷达的道路边界检测方法 |
CN106781670A (zh) * | 2016-12-30 | 2017-05-31 | 华勤通讯技术有限公司 | 一种停车位的选取方法和装置 |
CN107192994A (zh) * | 2016-03-15 | 2017-09-22 | 山东理工大学 | 多线激光雷达海量点云数据快速有效提取及车辆、车道线特征识别方法 |
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 |
CN107301654A (zh) * | 2017-06-12 | 2017-10-27 | 西北工业大学 | 一种多传感器的高精度即时定位与建图方法 |
CN107578427A (zh) * | 2017-07-31 | 2018-01-12 | 深圳市易成自动驾驶技术有限公司 | 动态障碍物的检测方法、装置及计算机可读存储介质 |
-
2018
- 2018-05-11 CN CN201810451069.4A patent/CN108647646B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105404844A (zh) * | 2014-09-12 | 2016-03-16 | 广州汽车集团股份有限公司 | 一种基于多线激光雷达的道路边界检测方法 |
CN107192994A (zh) * | 2016-03-15 | 2017-09-22 | 山东理工大学 | 多线激光雷达海量点云数据快速有效提取及车辆、车道线特征识别方法 |
CN106781670A (zh) * | 2016-12-30 | 2017-05-31 | 华勤通讯技术有限公司 | 一种停车位的选取方法和装置 |
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 |
CN107301654A (zh) * | 2017-06-12 | 2017-10-27 | 西北工业大学 | 一种多传感器的高精度即时定位与建图方法 |
CN107578427A (zh) * | 2017-07-31 | 2018-01-12 | 深圳市易成自动驾驶技术有限公司 | 动态障碍物的检测方法、装置及计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
孙宇,项志宇,刘济林: "未知室外环境下移动机器人的三维场景重建", 《浙江大学学报(工学版)》 * |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111045025A (zh) * | 2018-10-15 | 2020-04-21 | 图森有限公司 | 一种基于光检测和测距的车辆追踪方法和系统 |
CN111113404A (zh) * | 2018-11-01 | 2020-05-08 | 阿里巴巴集团控股有限公司 | 一种机器人获得位置服务的方法及机器人 |
CN109633665A (zh) * | 2018-12-17 | 2019-04-16 | 北京主线科技有限公司 | 交通场景稀疏激光点云拼接方法 |
CN109785632A (zh) * | 2019-03-14 | 2019-05-21 | 济南浪潮高新科技投资发展有限公司 | 一种交通流量统计方法及装置 |
CN109785632B (zh) * | 2019-03-14 | 2021-05-04 | 浪潮集团有限公司 | 一种交通流量统计方法及装置 |
CN110441791A (zh) * | 2019-08-14 | 2019-11-12 | 深圳无境智能机器人有限公司 | 一种基于前倾2d激光雷达的地面障碍物检测方法 |
CN110596728A (zh) * | 2019-09-16 | 2019-12-20 | 北京航空航天大学 | 一种基于激光雷达的水面小目标探测方法 |
CN112630798B (zh) * | 2019-09-24 | 2022-11-29 | 北京百度网讯科技有限公司 | 用于估计地面的方法和装置 |
CN112630798A (zh) * | 2019-09-24 | 2021-04-09 | 北京百度网讯科技有限公司 | 用于估计地面的方法和装置 |
WO2021056438A1 (zh) * | 2019-09-27 | 2021-04-01 | 深圳市大疆创新科技有限公司 | 点云数据处理方法及其装置、激光雷达、可移动平台 |
WO2021072710A1 (zh) * | 2019-10-17 | 2021-04-22 | 深圳市大疆创新科技有限公司 | 移动物体的点云融合方法、系统及计算机存储介质 |
WO2021093418A1 (zh) * | 2019-11-12 | 2021-05-20 | 深圳创维数字技术有限公司 | 地面障碍物检测方法、设备及计算机可读存储介质 |
CN112819700A (zh) * | 2019-11-15 | 2021-05-18 | 阿里巴巴集团控股有限公司 | 一种点云数据的去噪方法、装置及可读存储介质 |
CN110967679B (zh) * | 2019-12-04 | 2023-03-31 | 吉林大学 | 一种低线束激光雷达数据匹配多线束激光雷达模型的方法 |
CN110967679A (zh) * | 2019-12-04 | 2020-04-07 | 吉林大学 | 一种低线束激光雷达数据匹配多线束激光雷达模型的方法 |
CN111090087A (zh) * | 2020-01-21 | 2020-05-01 | 广州赛特智能科技有限公司 | 一种智能导航机器、激光雷达盲区补偿方法及存储介质 |
WO2021168708A1 (zh) * | 2020-02-26 | 2021-09-02 | 深圳市大疆创新科技有限公司 | 用于可移动平台的控制方法、可移动平台、设备和存储介质 |
CN111753623A (zh) * | 2020-03-12 | 2020-10-09 | 北京京东乾石科技有限公司 | 一种运动物体的检测方法、装置、设备及存储介质 |
CN111753623B (zh) * | 2020-03-12 | 2024-03-05 | 北京京东乾石科技有限公司 | 一种运动物体的检测方法、装置、设备及存储介质 |
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 |
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 |
CN113859228A (zh) * | 2020-06-30 | 2021-12-31 | 上海商汤智能科技有限公司 | 一种车辆控制方法、装置、电子设备及存储介质 |
CN113673383A (zh) * | 2021-08-05 | 2021-11-19 | 苏州智加科技有限公司 | 一种面向复杂道路场景的时空域障碍物检测方法及系统 |
CN113673383B (zh) * | 2021-08-05 | 2024-04-19 | 苏州智加科技有限公司 | 一种面向复杂道路场景的时空域障碍物检测方法及系统 |
CN113807239A (zh) * | 2021-09-15 | 2021-12-17 | 京东鲲鹏(江苏)科技有限公司 | 一种点云数据的处理方法、装置、存储介质及电子设备 |
CN113807239B (zh) * | 2021-09-15 | 2023-12-08 | 京东鲲鹏(江苏)科技有限公司 | 一种点云数据的处理方法、装置、存储介质及电子设备 |
CN114581481A (zh) * | 2022-03-07 | 2022-06-03 | 广州小鹏自动驾驶科技有限公司 | 一种目标物速度的估计方法及装置、车辆和存储介质 |
CN114581481B (zh) * | 2022-03-07 | 2023-08-25 | 广州小鹏自动驾驶科技有限公司 | 一种目标物速度的估计方法及装置、车辆和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108647646B (zh) | 2019-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108647646A (zh) | 基于低线束雷达的低矮障碍物的优化检测方法及装置 | |
CN109684921B (zh) | 一种基于三维激光雷达的道路边界检测与跟踪方法 | |
CN107330925B (zh) | 一种基于激光雷达深度图像的多障碍物检测和跟踪方法 | |
CN106997049B (zh) | 一种基于激光点云数据的检测障碍物的方法和装置 | |
CN106681353B (zh) | 基于双目视觉与光流融合的无人机避障方法及系统 | |
CN106842231B (zh) | 一种道路边界检测及跟踪方法 | |
CN110068836B (zh) | 一种智能驾驶电动清扫车的激光雷达路沿感知系统 | |
CN105866790B (zh) | 一种考虑激光发射强度的激光雷达障碍物识别方法及系统 | |
CN110221603A (zh) | 一种基于激光雷达多帧点云融合的远距离障碍物检测方法 | |
JP4409035B2 (ja) | 画像処理装置、特異箇所検出方法、及び特異箇所検出プログラムを記録した記録媒体 | |
EP2757524B1 (en) | Depth sensing method and system for autonomous vehicles | |
CN110569704A (zh) | 一种基于立体视觉的多策略自适应车道线检测方法 | |
JP5820774B2 (ja) | 路面境界推定装置及びプログラム | |
CN109752701A (zh) | 一种基于激光点云的道路边沿检测方法 | |
CN111781608B (zh) | 一种基于fmcw激光雷达的运动目标检测方法及系统 | |
CN112767490B (zh) | 一种基于激光雷达的室外三维同步定位与建图方法 | |
CN105806344A (zh) | 一种基于局部地图拼接的栅格地图创建方法 | |
CN111046776A (zh) | 基于深度相机的移动机器人行进路径障碍物检测的方法 | |
CN112464812B (zh) | 一种基于车辆的凹陷类障碍物检测方法 | |
CN106646474A (zh) | 一种非结构化道路凹凸障碍物检测装置 | |
CN109282808A (zh) | 用于桥梁三维巡航检测的无人机与多传感器融合定位方法 | |
Cheng et al. | Building boundary extraction from high resolution imagery and lidar data | |
CN109974742A (zh) | 一种激光里程计算方法和地图构建方法 | |
CN116449384A (zh) | 基于固态激光雷达的雷达惯性紧耦合定位建图方法 | |
CN114325634A (zh) | 一种基于激光雷达的高鲁棒性野外环境下可通行区域提取方法 |
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 |