CN108828621A - 基于三维激光雷达的障碍检测和路面分割算法 - Google Patents
基于三维激光雷达的障碍检测和路面分割算法 Download PDFInfo
- Publication number
- CN108828621A CN108828621A CN201810361471.3A CN201810361471A CN108828621A CN 108828621 A CN108828621 A CN 108828621A CN 201810361471 A CN201810361471 A CN 201810361471A CN 108828621 A CN108828621 A CN 108828621A
- Authority
- CN
- China
- Prior art keywords
- data
- laser radar
- point
- road surface
- dimensional laser
- 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.)
- Pending
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
-
- 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
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
Abstract
本发明公开了一种基于三维激光雷达的障碍检测和路面分割算法，包括步骤：(1)三维激光雷达扫描周围环境，获取周围环境点云信息，并将点云信息从激光雷达的坐标系转化到本地直角坐标系下；(2)提取三维激光雷达兴趣数据点；(3)利用雷达探测角度聚类的方法提取激光雷达扫描单线；(4)使用基于AIC准则的邻域模糊聚类分割雷达扫描单线；(5)采用角点检测准确定位路沿和路面线段端点。与现有技术相比，本发明可以实时有效地提取路面可通行区域，精度高可靠性强，识别过程中判断误差率小，可以广泛的用于基于三维激光雷达的结构化道路可行域提取的实际场合中。
Description
技术领域
本发明涉及无人驾驶技术领域，尤其涉及一种基于三维激光雷达的障碍检测和路面分割方法。
背景技术
感知三维环境是无人驾驶车辆研究过程中一项重要工作。按照检测方法，可分为基于激光雷达的障碍检测、基于彩色机器视觉的障碍检测、基于立体视觉的障碍检测以及基于毫米波或超声波雷达的障碍检测[1]。由于采用激光雷达作为传感器，具有检测精度高和响应速度快的优点，本发明采用Velodyne16线激光雷达检测障碍物，提取可通行区域。
Kammel等[2]提出一种利用网格中点云中最大高度差检测道路的方法，但是该方法检测精度和栅格大小有关，与三维点云数据精度(0.2cm)相比，栅格精度(20cm*20cm)较小，而且受限于运行速度，栅格地图范围较小，大量数据丢失。Moosmann等[3]基于区域增长法分割点云图像，提取道路区域，这种基于图的分割算法精度较高，并且能处理全部雷达数据，但特征单一，容易受到噪点干扰，算法鲁棒性较差。
发明内容
为了提高算法的鲁棒性，减少噪点的干扰，本发明提出以下技术方案予以解决：
提供一种基于三维激光雷达的障碍检测和路面分割算法，包括以下步骤：
步骤1：三维激光雷达扫描周围环境，获取周围环境点云数据，并将点云数据从激光雷达的坐标系经过修正转化到本地直角坐标系下；
步骤2：从点云数据中提取三维激光雷达兴趣数据点，所述兴趣数据点是指车辆前方的点云数据，具体为车辆周围一定空间范围内的数据点；
步骤3：利用雷达探测角度聚类的方法,从获得的点云数据中提取三维激光雷达每条扫描单线的数据；
步骤4：采用基于AIC准则的邻域模糊聚类算法分割扫描单线的数据，获得相应的数据区间；
步骤5：对数据区间采用角点检测的方法，准确定位路沿和路面线段端点，将路面数据点提取出来；
步骤6：根据最小二乘法对路面数据点进行多项式曲线拟合，得到道路前方可行域。
接上述技术方案，所述的步骤1中具体包括：
1-1激光雷达的坐标系是以激光雷达安放位置为原点，车辆前进方向作为激光雷达坐标系中的x轴方向，车辆的左右方向作为激光雷达坐标系中的y轴方向，车辆的上下作为激光雷达坐标系中的z轴方向。
1-2本地直角坐标系是以车身的纵向中轴线与车头的交点为原点，车辆前进方向作为本地直角坐标系中的x轴方向，车辆的左右方向作为本地直角坐标系中的y轴方向，车辆的上下作为本地直角坐标系中的z轴方向。
1-3由于安装激光雷达不能保证绝对水平，扫描倾角会产生一定的误差，对该扫描倾角进行修正，使得点投影角度和原始数据扫描角度达到统一。
接上述技术方案，车辆周围一定空间范围内的数据点具体为车辆前方20米，左右10米，上方30米以内的空间范围内的数据点。
接上述技术方案，所述的步骤3中利用雷达探测角度聚类的方法提取激光雷达扫描单线具体包括：
3-1采用的三维激光雷达是Velodyne16线激光雷达，雷达在垂直扫描范围内发射16根激光线，在水平方向上扫描360°获取周边环境信息，具体采用先提取扫描单线的方法；
3-2三维激光雷达在扫描过程中将点云数据在笛卡尔坐标系中表示出来，将这些点云数据转化到球坐标系中，利用公式得出点云数据中每个点与z轴的夹角。
3-3在得出每个点的仰角后，将具有相同仰角值的数据点筛选出来，得到激光雷达每根扫描单线的数据点。
接上述技术方案，所述的步骤4中采用基于AIC准则的邻域模糊聚类算法分割扫描单线数据，获得相应的数据区间具体包括：
4-1设获得的雷达扫描单线数据是数据集χ＝{x1,...,xn}，通过利用AIC准则获取最优聚类数目，公式为其中k为聚类数目，n为观察数，SSR为数据集的残差平方和，取使AIC最小的k值；
4-2对于某一扫描单线数据集，通过数据间欧式距离计算每个数据的密度，并根据密度值将数据从大到小排列；
4-3从排列好的扫描单线数据集中选取k个密度较大的点做为初始聚类中心C＝{C1,C2,...,Ck}；
4-4用0到1之间的随机数初始化隶属矩阵U，使其满足
4-5针对数据集中每个样本xi，计算价值函数得到，每个数据点的隶属度；
4-6用公式更新隶属矩阵；
4-7再次计算价值函数，如果得到的值小于设定的阈值或相对上次价值函数值的改变量小于另一阈值，则算法停止，不满足，则重复步骤4-5和4-6。
接上述技术方案，所述的步骤5中对于所述数据区间采用角点检测的方法，准确定位路沿和路面线段端点，然后将路面数据点提取出来具体包括：
5-1利用水平和竖直差分算子对图像每个像素进行滤波求得图像水平和垂直方向上的导数Ix与Iz，进而得到
5-2对m中四个元素进行高斯平滑滤波，得到新的m；
5-3计算每个像素的角点量R；
5-4在矩阵R大于某一阈值并且R是某邻域内的局部极大值时，认定检测的点为角点，阈值取经验值0.05。
接上述技术方案，所述的步骤6中根据最小二乘法对提取出的路面数据点进行多项式曲线拟合，最终得到道路前方可行域具体包括：
6-1对于扫描单线中已经剔除了障碍物和路沿的单线点集，利用最小二乘法将剩余点集进行拟合；
6-2重复上述过程，得出所有单线剩余点集中的可通行区域拟合曲线。
本发明还提供了一种基于三维激光雷达的障碍检测和路面分割系统，包括：
点云数据获取模块，用于通过三维激光雷达扫描周围环境，获取周围环境点云数据，并将点云数据从激光雷达的坐标系经过修正转化到本地直角坐标系下；
兴趣数据点提取模块，用于从点云数据中提取三维激光雷达兴趣数据点，所述兴趣数据点是指车辆前方的点云数据，具体为车辆周围一定空间范围内的数据点；
扫描单线数据提取模块，用于利用雷达探测角度聚类的方法,从获得的点云数据中提取三维激光雷达每条扫描单线的数据；
数据区间获取模块，用于采用基于AIC准则的邻域模糊聚类算法分割扫描单线的数据，获得相应的数据区间；
路面数据点提取模块，用于对数据区间采用角点检测的方法，准确定位路沿和路面线段端点，将路面数据点提取出来；
道路可行域获取模块，用于根据最小二乘法对路面数据点进行多项式曲线拟合，得到道路前方可行域。
本发明还提供了一种计算机可读存储介质，包括可被处理器执行的计算机程序，该计算机程序具体执行上述技术方案的基于三维激光雷达的障碍检测和路面分割算法。
以上技术方案和现有技术相比具有以下技术效果：
1、对于城市道路，路况复杂，只适用标准化路面算法不能正确识别道路信息，但改进算法能更好地适应复杂路面的的识别；
2、本发明在处理三维激光雷达数据时，采用仰角来将数据分类，提取出三维激光雷达每条单线的数据，这样的处理能够时数据处理更加简单有效。
3、本发明在对每一条单线点集进行聚类时，采用了基于AIC准则的邻域模糊聚类，该算法通过AIC准则能够根据点集中点的信息自动选取最优聚类数目，通过领域模糊聚类建立起了样本对于类别的不确定性描述，更能客观的反映实际事物。因此聚类的准确性比传统的模糊聚类算法有所提高。
4、本发明采用了角点检测的方法定位路沿和数据端点，对于这种有起伏的路面体现在雷达扫描单线图像中为断点或凸起，运用角点检测的准确性大大提高。
5、本发明在通过基于AIC准则的邻域模糊聚类分离了雷达扫描单线数据，为角点检测提供了检测区间。这两种方法的结合，使得路面的分割更加清晰，提高了传统的路面分割技术的精度。
6、本发明在进行实地测试时，道路提取算法平均每帧耗时65ms，单帧最大耗时0.76ms，最小耗时0.61ms,拥有很好的实时性。
附图说明
图1为本发明算法流程图；
图2为本发明得到的原始点云图；
图3为本发明得到的兴趣点云图；
图4为本发明得到单线数据提取图；
图5为本发明用基于AIC准则的邻域模糊聚类得到的聚类区分图；
图6为本发明利用角点检测得到的定位图；
图7为本发明得到的道路可行域最小二乘法拟合图。
具体实施例
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明的基于三维激光雷达的障碍检测和路面分割算法，包括以下步骤：
步骤1：三维激光雷达扫描周围环境，获取周围环境点云数据，并将点云数据从激光雷达的坐标系经过修正转化到本地直角坐标系下；
步骤2：从点云数据中提取三维激光雷达兴趣数据点，所述兴趣数据点是指车辆前方的点云数据，具体为车辆周围一定空间范围内的数据点；
步骤3：利用雷达探测角度聚类的方法,从获得的点云数据中提取三维激光雷达每条扫描单线的数据；
步骤4：采用基于AIC准则的邻域模糊聚类算法分割扫描单线的数据，获得相应的数据区间；
步骤5：对数据区间采用角点检测的方法，准确定位路沿和路面线段端点，将路面数据点提取出来；
步骤6：根据最小二乘法对路面数据点进行多项式曲线拟合，得到道路前方可行域。
进一步地，步骤1中具体包括：
1-1激光雷达的坐标系是以激光雷达安放位置为原点，车辆前进方向作为激光雷达坐标系中的x轴方向，车辆的左右方向作为激光雷达坐标系中的y轴方向，车辆的上下作为激光雷达坐标系中的z轴方向。
1-2本地直角坐标系是以车身的纵向中轴线与车头的交点为原点，车辆前进方向作为本地直角坐标系中的x轴方向，车辆的左右方向作为本地直角坐标系中的y轴方向，车辆的上下作为本地直角坐标系中的z轴方向。
1-3由于安装激光雷达不能保证绝对水平，扫描倾角会产生一定的误差，对该扫描倾角进行修正，使得点投影角度和原始数据扫描角度达到统一。
进一步地，车辆周围一定空间范围内的数据点具体为车辆前方20米，左右10米，上方30米以内的空间范围内的数据点。
进一步地，步骤3中利用雷达探测角度聚类的方法提取激光雷达扫描单线具体包括：
3-1采用的三维激光雷达是Velodyne16线激光雷达，雷达在垂直扫描范围内发射16根激光线，在水平方向上扫描360°获取周边环境信息，具体采用先提取扫描单线的方法；
3-2三维激光雷达在扫描过程中将点云数据在笛卡尔坐标系中表示出来，将这些点云数据转化到球坐标系中，利用公式得出点云数据中每个点与z轴的夹角。
3-3在得出每个点的仰角后，将具有相同仰角值的数据点筛选出来，得到激光雷达每根扫描单线的数据点。
进一步地，步骤4中采用基于AIC准则的邻域模糊聚类算法分割扫描单线数据，获得相应的数据区间具体包括：
4-1设获得的雷达扫描单线数据是数据集χ＝{x1,...,xn}，通过利用AIC准则获取最优聚类数目，公式为其中k为聚类数目，n为观察数，SSR为数据集的残差平方和，取使AIC最小的k值；
4-2对于某一扫描单线数据集，通过数据间欧式距离计算每个数据的密度，并根据密度值将数据从大到小排列；
4-3从排列好的扫描单线数据集中选取k个密度较大(从排列好的密度矩阵中自上往下选取)的点做为初始聚类中心C＝{C1,C2,...,Ck}；
4-4用0到1之间的随机数初始化隶属矩阵U，使其满足
4-5针对数据集中每个样本xi，计算价值函数得到，每个数据点的隶属度；
4-6用公式更新隶属矩阵，其中dij指的是第i个与第j个点之间的距离，dkj指的是第j个点和第k个聚类中心之间的距离；
4-7再次计算价值函数，如果得到的值小于设定的阈值或相对上次价值函数值的改变量小于另一阈值，则算法停止，不满足，则重复步骤4-5和4-6。
进一步地，步骤5中对于所述数据区间采用角点检测的方法，准确定位路沿和路面线段端点，然后将路面数据点提取出来具体包括：
5-1利用水平和竖直差分算子对图像每个像素进行滤波求得图像水平和垂直方向上的导数Ix与Iz，进而得到
5-2对m中四个元素进行高斯平滑滤波，得到新的m；
5-3计算每个像素的角点量R；
5-4在矩阵R大于某一阈值并且R是某邻域内的局部极大值时，认定检测的点为角点，阈值取经验值0.05。
进一步地，步骤6中根据最小二乘法对提取出的路面数据点进行多项式曲线拟合，最终得到道路前方可行域具体包括：
6-1对于扫描单线中已经剔除了障碍物和路沿的单线点集，利用最小二乘法将剩余点集进行拟合；
6-2重复上述过程，得出所有单线剩余点集中的可通行区域拟合曲线。
本发明还提供了一种基于三维激光雷达的障碍检测和路面分割系统，包括：
点云数据获取模块，用于通过三维激光雷达扫描周围环境，获取周围环境点云数据，并将点云数据从激光雷达的坐标系经过修正转化到本地直角坐标系下；
兴趣数据点提取模块，用于从点云数据中提取三维激光雷达兴趣数据点，所述兴趣数据点是指车辆前方的点云数据，具体为车辆周围一定空间范围内的数据点；
扫描单线数据提取模块，用于利用雷达探测角度聚类的方法,从获得的点云数据中提取三维激光雷达每条扫描单线的数据；
数据区间获取模块，用于采用基于AIC准则的邻域模糊聚类算法分割扫描单线的数据，获得相应的数据区间；
路面数据点提取模块，用于对数据区间采用角点检测的方法，准确定位路沿和路面线段端点，将路面数据点提取出来；
道路可行域获取模块，用于根据最小二乘法对路面数据点进行多项式曲线拟合，得到道路前方可行域。
本发明还提供了一种计算机可读存储介质，包括可被处理器执行的计算机程序，该计算机程序具体执行上述技术方案的基于三维激光雷达的障碍检测和路面分割算法。
本发明的一具体实施例中，如图1所述，本发明提供的一种基于三维激光雷达的障碍检测和路面分割方法，包括以下步骤：
步骤1：三维激光雷达扫描周围环境，获取周围环境点云信息，并将点云数据从激光雷达的坐标系经过修正转化到本地直角坐标系下,如图2为系统修正转换后的原始点云图；
步骤2：提取三维激光雷达兴趣数据点，如图3为系统处理过后得到的兴趣点云图；
步骤3：利用雷达探测角度聚类的方法提取激光雷达扫描单线，如图4为本发明得到的单线提取图；
步骤4：用基于AIC准则的邻域模糊聚类获取最优聚类点集，如图5为本发明利用基于AIC准则的邻域模糊聚类得到的聚类区分图；
步骤5：采用角点检测准确定位路沿和路面线段端点，如图6为本发明利用角点检测得到的定位图；
步骤6：根据最小二乘法对可通行路面进行多项式曲线拟合，最终提取得出结构化道路前方道路可行域，如图7为本发明得到的道路可行域最小二乘法拟合图。
以上技术方案和现有技术相比具有以下技术效果：
1、对于城市道路，路况复杂，只适用标准化路面算法不能正确识别道路信息，但改进算法能更好地适应复杂路面的的识别；
2、本发明在处理三维激光雷达数据时，采用仰角来将数据分类，提取出三维激光雷达每条单线的数据，这样的处理能够时数据处理更加简单有效。
3、本发明在对每一条单线点集进行聚类时，采用了基于AIC准则的邻域模糊聚类，该算法通过AIC准则能够根据点集中点的信息自动选取最优聚类数目，通过领域模糊聚类建立起了样本对于类别的不确定性描述，更能客观的反映实际事物。因此聚类的准确性比传统的模糊聚类算法有所提高。
4、本发明采用了角点检测的方法定位路沿和数据端点，对于这种有起伏的路面体现在雷达扫描单线图像中为断点或凸起，运用角点检测的准确性大大提高。
5、本发明在通过基于AIC准则的邻域模糊聚类分离了雷达扫描单线数据，为角点检测提供了检测区间。这两种方法的结合，使得路面的分割更加清晰，提高了传统的路面分割技术的精度。
6、本发明在进行实地测试时，道路提取算法平均每帧耗时65ms，单帧最大耗时0.76ms，最小耗时0.61ms,拥有很好的实时性。
进一步地，应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (9)
1.一种基于三维激光雷达的障碍检测和路面分割算法，其特征在于，包括以下步骤：
步骤1：三维激光雷达扫描周围环境，获取周围环境点云数据，并将点云数据从激光雷达的坐标系经过修正转化到本地直角坐标系下；
步骤2：从点云数据中提取三维激光雷达兴趣数据点，所述兴趣数据点是指车辆前方的点云数据，具体为车辆周围一定空间范围内的数据点；
步骤3：利用雷达探测角度聚类的方法,从获得的点云数据中提取三维激光雷达每条扫描单线的数据；
步骤4：采用基于AIC准则的邻域模糊聚类算法分割扫描单线的数据，获得相应的数据区间；
步骤5：对数据区间采用角点检测的方法，准确定位路沿和路面线段端点，将路面数据点提取出来；
步骤6：根据最小二乘法对路面数据点进行多项式曲线拟合，得到道路前方可行域。
2.如权利要求1所述的基于三维激光雷达的障碍检测和路面分割算法，其特征在于，所述的步骤1中具体包括：
1-1 激光雷达的坐标系是以激光雷达安放位置为原点，车辆前进方向作为激光雷达坐标系中的x轴方向，车辆的左右方向作为激光雷达坐标系中的y轴方向，车辆的上下作为激光雷达坐标系中的z轴方向。
1-2 本地直角坐标系是以车身的纵向中轴线与车头的交点为原点，车辆前进方向作为本地直角坐标系中的x轴方向，车辆的左右方向作为本地直角坐标系中的y轴方向，车辆的上下作为本地直角坐标系中的z轴方向。
1-3 由于安装激光雷达不能保证绝对水平，扫描倾角会产生一定的误差，对该扫描倾角进行修正，使得点投影角度和原始数据扫描角度达到统一。
3.如权利要求1所述的基于三维激光雷达的障碍检测和路面分割算法，其特征在于，车辆周围一定空间范围内的数据点具体为车辆前方20米，左右10米，上方30米以内的空间范围内的数据点。
4.如权利要求1所述的基于三维激光雷达的障碍检测和路面分割算法，其特征在于，所述的步骤3中利用雷达探测角度聚类的方法提取激光雷达扫描单线具体包括：
3-1 采用的三维激光雷达是Velodyne16线激光雷达，雷达在垂直扫描范围内发射16根激光线，在水平方向上扫描360°获取周边环境信息，具体采用先提取扫描单线的方法；
3-2 三维激光雷达在扫描过程中将点云数据在笛卡尔坐标系中表示出来，将这些点云数据转化到球坐标系中，利用公式得出点云数据中每个点与z轴的夹角。
3-3 在得出每个点的仰角后，将具有相同仰角值的数据点筛选出来，得到激光雷达每根扫描单线的数据点。
5.如权利要求1所述的基于三维激光雷达的障碍检测和路面分割算法，其特征在于，所述的步骤4中采用基于AIC准则的邻域模糊聚类算法分割扫描单线数据，获得相应的数据区间具体包括：
4-1 设获得的雷达扫描单线数据是数据集χ＝{x1,...,xn}，通过利用AIC准则获取最优聚类数目，公式为其中k为聚类数目，n为观察数，SSR为数据集的残差平方和，取使AIC最小的k值；
4-2 对于某一扫描单线数据集，通过数据间欧式距离计算每个数据的密度，并根据密度值将数据从大到小排列；
4-3 从排列好的扫描单线数据集中选取k个超过一定密度的点做为初始聚类中心C＝{C1,C2,...,Ck}；
4-4 用0到1之间的随机数初始化隶属矩阵U，使其满足
4-5 针对数据集中每个样本xi，计算价值函数得到，每个数据点的隶属度；
4-6 用公式更新隶属矩阵,其中dij指的是第i个与第j个点之间的距离，dkj指的是第j个点和第k个聚类中心之间的距离；
4-7 再次计算价值函数，如果得到的值小于设定的阈值或相对上次价值函数值的改变量小于另一阈值，则算法停止，不满足，则重复步骤4-5和4-6。
6.如权利要求1所述的基于三维激光雷达的障碍检测和路面分割算法，其特征在于，所述的步骤5中对于所述数据区间采用角点检测的方法，准确定位路沿和路面线段端点，然后将路面数据点提取出来具体包括：
5-1 利用水平和竖直差分算子对图像每个像素进行滤波求得图像水平和垂直方向上的导数Ix与Iz，进而得到
5-2 对m中四个元素进行高斯平滑滤波，得到新的m；
5-3 计算每个像素的角点量R；
5-4 在矩阵R大于某一阈值并且R是某邻域内的局部极大值时，认定检测的点为角点，阈值取经验值0.05。
7.如权利要求1所述的基于三维激光雷达的障碍检测和路面分割算法，其特征在于，所述的步骤6中根据最小二乘法对提取出的路面数据点进行多项式曲线拟合，最终得到道路前方可行域具体包括：
6-1 对于扫描单线中已经剔除了障碍物和路沿的单线点集，利用最小二乘法将剩余点集进行拟合；
6-2 重复上述过程，得出所有单线剩余点集中的可通行区域拟合曲线。
8.一种基于三维激光雷达的障碍检测和路面分割系统，其特征在于，包括：
点云数据获取模块，用于通过三维激光雷达扫描周围环境，获取周围环境点云数据，并将点云数据从激光雷达的坐标系经过修正转化到本地直角坐标系下；
兴趣数据点提取模块，用于从点云数据中提取三维激光雷达兴趣数据点，所述兴趣数据点是指车辆前方的点云数据，具体为车辆周围一定空间范围内的数据点；
扫描单线数据提取模块，用于利用雷达探测角度聚类的方法,从获得的点云数据中提取三维激光雷达每条扫描单线的数据；
数据区间获取模块，用于采用基于AIC准则的邻域模糊聚类算法分割扫描单线的数据，获得相应的数据区间；
路面数据点提取模块，用于对数据区间采用角点检测的方法，准确定位路沿和路面线段端点，将路面数据点提取出来；
道路可行域获取模块，用于根据最小二乘法对路面数据点进行多项式曲线拟合，得到道路前方可行域。
9.一种计算机可读存储介质，其特征在于，包括可被处理器执行的计算机程序，该计算机程序具体执行如权利要求1-7中任一项所述的基于三维激光雷达的障碍检测和路面分割算法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810361471.3A CN108828621A (zh) | 2018-04-20 | 2018-04-20 | 基于三维激光雷达的障碍检测和路面分割算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810361471.3A CN108828621A (zh) | 2018-04-20 | 2018-04-20 | 基于三维激光雷达的障碍检测和路面分割算法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108828621A true CN108828621A (zh) | 2018-11-16 |
Family
ID=64155162
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810361471.3A Pending CN108828621A (zh) | 2018-04-20 | 2018-04-20 | 基于三维激光雷达的障碍检测和路面分割算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108828621A (zh) |
Cited By (37)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109633686A (zh) * | 2018-11-22 | 2019-04-16 | 浙江中车电车有限公司 | 一种基于激光雷达侦测地面障碍物的方法及系统 |
| CN109635672A (zh) * | 2018-11-22 | 2019-04-16 | 同济大学 | 一种无人驾驶的道路特征参数估计方法 |
| CN109738910A (zh) * | 2019-01-28 | 2019-05-10 | 重庆邮电大学 | 一种基于三维激光雷达的路沿检测方法 |
| CN109752730A (zh) * | 2019-02-25 | 2019-05-14 | 深圳市华友高科有限公司 | 一种基于v槽检测的激光定位方法及系统 |
| CN109752701A (zh) * | 2019-01-18 | 2019-05-14 | 中南大学 | 一种基于激光点云的道路边沿检测方法 |
| CN109800773A (zh) * | 2019-02-19 | 2019-05-24 | 北京大学 | 基于三维激光雷达的越野路面提取方法 |
| CN109799513A (zh) * | 2019-01-04 | 2019-05-24 | 广西大学 | 一种基于二维激光雷达数据中直线特征的室内未知环境定位方法 |
| CN109961440A (zh) * | 2019-03-11 | 2019-07-02 | 重庆邮电大学 | 一种基于深度图的三维激光雷达点云目标分割方法 |
| CN110126821A (zh) * | 2019-01-15 | 2019-08-16 | 中国第一汽车股份有限公司 | 基于长距离超声波的路沿位置及角度检测方法及其系统 |
| CN110335282A (zh) * | 2018-12-25 | 2019-10-15 | 广州启明星机器人有限公司 | 一种基于栅格的轮廓线段特征提取算法 |
| CN110349260A (zh) * | 2019-07-11 | 2019-10-18 | 武汉中海庭数据技术有限公司 | 一种路面标线自动提取方法及装置 |
| CN110516564A (zh) * | 2019-08-06 | 2019-11-29 | 深兰科技（上海）有限公司 | 路面检测方法和装置 |
| CN110530375A (zh) * | 2019-10-10 | 2019-12-03 | 上海钛米机器人科技有限公司 | 机器人自适应定位方法、定位装置、机器人及存储介质 |
| CN110705358A (zh) * | 2019-09-03 | 2020-01-17 | 陕西九域通创轨道系统技术有限责任公司 | 一种列车aeb系统隧道场景控制决策方法 |
| CN110806585A (zh) * | 2019-10-16 | 2020-02-18 | 北京理工华汇智能科技有限公司 | 一种基于树干聚类跟踪的机器人定位方法及系统 |
| CN110853037A (zh) * | 2019-09-26 | 2020-02-28 | 西安交通大学 | 一种基于球面投影的轻量化彩色点云分割方法 |
| CN111126225A (zh) * | 2019-12-17 | 2020-05-08 | 北京易控智驾科技有限公司 | 多线激光雷达地面分割方法及车辆、计算机可读介质 |
| CN111323802A (zh) * | 2020-03-20 | 2020-06-23 | 北京百度网讯科技有限公司 | 车辆定位方法、装置及设备 |
| CN111337939A (zh) * | 2018-12-19 | 2020-06-26 | 上海蔚来汽车有限公司 | 一种矩形物体外边框的估计方法及装置 |
| CN111369780A (zh) * | 2018-12-26 | 2020-07-03 | 北京图森智途科技有限公司 | 一种岸吊区卡车精准停车方法、设备及系统 |
| 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 |
| CN112199459A (zh) * | 2020-09-30 | 2021-01-08 | 深兰人工智能(深圳)有限公司 | 3d点云分割方法、分割装置 |
| CN112286178A (zh) * | 2019-07-24 | 2021-01-29 | 本田技研工业株式会社 | 识别系统、车辆控制系统、识别方法及存储介质 |
| CN112543877A (zh) * | 2019-04-03 | 2021-03-23 | 华为技术有限公司 | 定位方法和定位装置 |
| CN112782721A (zh) * | 2021-01-08 | 2021-05-11 | 深圳市镭神智能系统有限公司 | 一种可通行区域检测方法、装置、电子设备和存储介质 |
| CN112904332A (zh) * | 2021-01-21 | 2021-06-04 | 长沙莫之比智能科技有限公司 | 一种毫米波雷达高度计的坡度检测算法 |
| CN112986973A (zh) * | 2019-12-18 | 2021-06-18 | 华为技术有限公司 | 距离测量方法和距离测量装置 |
| CN113176585A (zh) * | 2021-04-14 | 2021-07-27 | 浙江工业大学 | 一种基于三维激光雷达的路面异常检测方法 |
| CN113320518A (zh) * | 2021-06-25 | 2021-08-31 | 东风汽车集团股份有限公司 | 一种坡道停车后防溜车方法及系统 |
| CN113640821A (zh) * | 2021-07-23 | 2021-11-12 | 鞍钢集团矿业有限公司 | 基于单线激光雷达扫描仪扫描的矿车装载量计量方法 |
| CN114001678A (zh) * | 2021-10-18 | 2022-02-01 | 湖南三一中益机械有限公司 | 基于车载激光雷达的路面平整度检测方法、装置和车辆 |
| CN114425774A (zh) * | 2022-01-21 | 2022-05-03 | 深圳优地科技有限公司 | 机器人行走道路的识别方法、识别设备以及存储介质 |
| CN114779794A (zh) * | 2022-06-21 | 2022-07-22 | 东风悦享科技有限公司 | 基于无人巡逻车系统的台风场景下的街道障碍识别方法 |
| CN115540896A (zh) * | 2022-12-06 | 2022-12-30 | 广汽埃安新能源汽车股份有限公司 | 路径规划方法、装置、电子设备和计算机可读介质 |
| CN111414848B (zh) * | 2020-03-19 | 2023-04-07 | 小米汽车科技有限公司 | 一种全类别3d障碍物检测方法、系统和介质 |
| CN116704446A (zh) * | 2023-08-04 | 2023-09-05 | 武汉工程大学 | 机场跑道路面异物实时检测方法及系统 |
| CN117148315A (zh) * | 2023-10-31 | 2023-12-01 | 上海伯镭智能科技有限公司 | 一种无人驾驶汽车运行检测方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020179708A1 (en) * | 1999-06-07 | 2002-12-05 | Metrologic Instruments, Inc. | Automated method of and system for dimensioning objects over a conveyor belt structure by applying contouring tracing, vertice detection, corner point detection, and corner point reduction methods to two-dimensional range data maps of the space above the conveyor belt captured by an amplitude modulated laser scanning beam |
| US20100017128A1 (en) * | 2007-06-05 | 2010-01-21 | Gm Global Technology Operations, Inc. | Radar, Lidar and camera enhanced methods for vehicle dynamics estimation |
| CN103345755A (zh) * | 2013-07-11 | 2013-10-09 | 北京理工大学 | 一种基于Harris算子的棋盘格角点亚像素提取方法 |
| CN104766302A (zh) * | 2015-02-05 | 2015-07-08 | 武汉大势智慧科技有限公司 | 一种利用无人机图像优化激光扫描点云数据的方法及系统 |
| CN105551016A (zh) * | 2015-12-02 | 2016-05-04 | 百度在线网络技术（北京）有限公司 | 一种基于激光点云的路沿识别方法及装置 |
| CN106204705A (zh) * | 2016-07-05 | 2016-12-07 | 长安大学 | 一种基于多线激光雷达的3d点云分割方法 |
| CN107272019A (zh) * | 2017-05-09 | 2017-10-20 | 深圳市速腾聚创科技有限公司 | 基于激光雷达扫描的路沿检测方法 |
-
2018
- 2018-04-20 CN CN201810361471.3A patent/CN108828621A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020179708A1 (en) * | 1999-06-07 | 2002-12-05 | Metrologic Instruments, Inc. | Automated method of and system for dimensioning objects over a conveyor belt structure by applying contouring tracing, vertice detection, corner point detection, and corner point reduction methods to two-dimensional range data maps of the space above the conveyor belt captured by an amplitude modulated laser scanning beam |
| US20100017128A1 (en) * | 2007-06-05 | 2010-01-21 | Gm Global Technology Operations, Inc. | Radar, Lidar and camera enhanced methods for vehicle dynamics estimation |
| CN103345755A (zh) * | 2013-07-11 | 2013-10-09 | 北京理工大学 | 一种基于Harris算子的棋盘格角点亚像素提取方法 |
| CN104766302A (zh) * | 2015-02-05 | 2015-07-08 | 武汉大势智慧科技有限公司 | 一种利用无人机图像优化激光扫描点云数据的方法及系统 |
| CN105551016A (zh) * | 2015-12-02 | 2016-05-04 | 百度在线网络技术（北京）有限公司 | 一种基于激光点云的路沿识别方法及装置 |
| CN106204705A (zh) * | 2016-07-05 | 2016-12-07 | 长安大学 | 一种基于多线激光雷达的3d点云分割方法 |
| CN107272019A (zh) * | 2017-05-09 | 2017-10-20 | 深圳市速腾聚创科技有限公司 | 基于激光雷达扫描的路沿检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 杨恒: ""基于特征点匹配的障碍物检测算法的研究与实现"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 潘立等: ""HMM-Cluster_面向交通量过载发现的轨迹聚类方法"", 《计算机工程与应用》 * |
| 邹斌等: ""基于激光雷达道路可通行区域的检测与提取"", 《检测技术与数据处理》 * |
Cited By (59)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109635672A (zh) * | 2018-11-22 | 2019-04-16 | 同济大学 | 一种无人驾驶的道路特征参数估计方法 |
| CN109633686B (zh) * | 2018-11-22 | 2021-01-19 | 浙江中车电车有限公司 | 一种基于激光雷达侦测地面障碍物的方法及系统 |
| CN109633686A (zh) * | 2018-11-22 | 2019-04-16 | 浙江中车电车有限公司 | 一种基于激光雷达侦测地面障碍物的方法及系统 |
| CN111337939A (zh) * | 2018-12-19 | 2020-06-26 | 上海蔚来汽车有限公司 | 一种矩形物体外边框的估计方法及装置 |
| CN110335282B (zh) * | 2018-12-25 | 2023-04-18 | 广州启明星机器人有限公司 | 一种基于栅格的轮廓线段特征提取方法 |
| CN110335282A (zh) * | 2018-12-25 | 2019-10-15 | 广州启明星机器人有限公司 | 一种基于栅格的轮廓线段特征提取算法 |
| CN111369780A (zh) * | 2018-12-26 | 2020-07-03 | 北京图森智途科技有限公司 | 一种岸吊区卡车精准停车方法、设备及系统 |
| CN111369780B (zh) * | 2018-12-26 | 2021-09-03 | 北京图森智途科技有限公司 | 一种岸吊区卡车精准停车方法、设备及系统 |
| CN109799513B (zh) * | 2019-01-04 | 2023-06-23 | 广西大学 | 一种基于二维激光雷达数据中直线特征的室内未知环境定位方法 |
| CN109799513A (zh) * | 2019-01-04 | 2019-05-24 | 广西大学 | 一种基于二维激光雷达数据中直线特征的室内未知环境定位方法 |
| CN110126821A (zh) * | 2019-01-15 | 2019-08-16 | 中国第一汽车股份有限公司 | 基于长距离超声波的路沿位置及角度检测方法及其系统 |
| CN110126821B (zh) * | 2019-01-15 | 2020-07-17 | 中国第一汽车股份有限公司 | 基于长距离超声波的路沿位置及角度检测方法及其系统 |
| CN109752701A (zh) * | 2019-01-18 | 2019-05-14 | 中南大学 | 一种基于激光点云的道路边沿检测方法 |
| CN109752701B (zh) * | 2019-01-18 | 2023-08-04 | 中南大学 | 一种基于激光点云的道路边沿检测方法 |
| CN109738910A (zh) * | 2019-01-28 | 2019-05-10 | 重庆邮电大学 | 一种基于三维激光雷达的路沿检测方法 |
| CN109800773A (zh) * | 2019-02-19 | 2019-05-24 | 北京大学 | 基于三维激光雷达的越野路面提取方法 |
| CN109752730A (zh) * | 2019-02-25 | 2019-05-14 | 深圳市华友高科有限公司 | 一种基于v槽检测的激光定位方法及系统 |
| CN109752730B (zh) * | 2019-02-25 | 2024-02-27 | 佛山市奇创自动化设备有限公司 | 一种基于v槽检测的激光定位方法及系统 |
| CN109961440B (zh) * | 2019-03-11 | 2021-06-18 | 重庆邮电大学 | 一种基于深度图的三维激光雷达点云目标分割方法 |
| CN109961440A (zh) * | 2019-03-11 | 2019-07-02 | 重庆邮电大学 | 一种基于深度图的三维激光雷达点云目标分割方法 |
| CN112543877A (zh) * | 2019-04-03 | 2021-03-23 | 华为技术有限公司 | 定位方法和定位装置 |
| CN112543877B (zh) * | 2019-04-03 | 2022-01-11 | 华为技术有限公司 | 定位方法和定位装置 |
| CN110349260A (zh) * | 2019-07-11 | 2019-10-18 | 武汉中海庭数据技术有限公司 | 一种路面标线自动提取方法及装置 |
| CN112286178A (zh) * | 2019-07-24 | 2021-01-29 | 本田技研工业株式会社 | 识别系统、车辆控制系统、识别方法及存储介质 |
| CN112286178B (zh) * | 2019-07-24 | 2023-12-01 | 本田技研工业株式会社 | 识别系统、车辆控制系统、识别方法及存储介质 |
| CN110516564A (zh) * | 2019-08-06 | 2019-11-29 | 深兰科技（上海）有限公司 | 路面检测方法和装置 |
| CN110705358B (zh) * | 2019-09-03 | 2023-09-26 | 湖南九域同创高分子新材料有限责任公司 | 一种列车aeb系统隧道场景控制决策方法 |
| CN110705358A (zh) * | 2019-09-03 | 2020-01-17 | 陕西九域通创轨道系统技术有限责任公司 | 一种列车aeb系统隧道场景控制决策方法 |
| CN110853037A (zh) * | 2019-09-26 | 2020-02-28 | 西安交通大学 | 一种基于球面投影的轻量化彩色点云分割方法 |
| CN110530375A (zh) * | 2019-10-10 | 2019-12-03 | 上海钛米机器人科技有限公司 | 机器人自适应定位方法、定位装置、机器人及存储介质 |
| CN110806585A (zh) * | 2019-10-16 | 2020-02-18 | 北京理工华汇智能科技有限公司 | 一种基于树干聚类跟踪的机器人定位方法及系统 |
| CN110806585B (zh) * | 2019-10-16 | 2021-10-19 | 北京理工华汇智能科技有限公司 | 一种基于树干聚类跟踪的机器人定位方法及系统 |
| CN111126225A (zh) * | 2019-12-17 | 2020-05-08 | 北京易控智驾科技有限公司 | 多线激光雷达地面分割方法及车辆、计算机可读介质 |
| CN111126225B (zh) * | 2019-12-17 | 2023-08-04 | 北京易控智驾科技有限公司 | 多线激光雷达地面分割方法及车辆、计算机可读介质 |
| CN112986973A (zh) * | 2019-12-18 | 2021-06-18 | 华为技术有限公司 | 距离测量方法和距离测量装置 |
| CN111414848B (zh) * | 2020-03-19 | 2023-04-07 | 小米汽车科技有限公司 | 一种全类别3d障碍物检测方法、系统和介质 |
| CN111323802B (zh) * | 2020-03-20 | 2023-02-28 | 阿波罗智能技术(北京)有限公司 | 智能驾驶车辆定位方法、装置及设备 |
| CN111323802A (zh) * | 2020-03-20 | 2020-06-23 | 北京百度网讯科技有限公司 | 车辆定位方法、装置及设备 |
| 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 |
| CN112199459A (zh) * | 2020-09-30 | 2021-01-08 | 深兰人工智能(深圳)有限公司 | 3d点云分割方法、分割装置 |
| CN112782721A (zh) * | 2021-01-08 | 2021-05-11 | 深圳市镭神智能系统有限公司 | 一种可通行区域检测方法、装置、电子设备和存储介质 |
| CN112904332A (zh) * | 2021-01-21 | 2021-06-04 | 长沙莫之比智能科技有限公司 | 一种毫米波雷达高度计的坡度检测算法 |
| CN113176585B (zh) * | 2021-04-14 | 2024-03-22 | 浙江工业大学 | 一种基于三维激光雷达的路面异常检测方法 |
| CN113176585A (zh) * | 2021-04-14 | 2021-07-27 | 浙江工业大学 | 一种基于三维激光雷达的路面异常检测方法 |
| CN113320518A (zh) * | 2021-06-25 | 2021-08-31 | 东风汽车集团股份有限公司 | 一种坡道停车后防溜车方法及系统 |
| CN113320518B (zh) * | 2021-06-25 | 2022-06-03 | 东风汽车集团股份有限公司 | 一种坡道停车后防溜车方法及系统 |
| CN113640821A (zh) * | 2021-07-23 | 2021-11-12 | 鞍钢集团矿业有限公司 | 基于单线激光雷达扫描仪扫描的矿车装载量计量方法 |
| CN113640821B (zh) * | 2021-07-23 | 2024-01-12 | 鞍钢集团矿业有限公司 | 基于单线激光雷达扫描仪扫描的矿车装载量计量方法 |
| CN114001678A (zh) * | 2021-10-18 | 2022-02-01 | 湖南三一中益机械有限公司 | 基于车载激光雷达的路面平整度检测方法、装置和车辆 |
| CN114425774A (zh) * | 2022-01-21 | 2022-05-03 | 深圳优地科技有限公司 | 机器人行走道路的识别方法、识别设备以及存储介质 |
| CN114425774B (zh) * | 2022-01-21 | 2023-11-03 | 深圳优地科技有限公司 | 机器人行走道路的识别方法、识别设备以及存储介质 |
| CN114779794B (zh) * | 2022-06-21 | 2022-10-11 | 东风悦享科技有限公司 | 基于无人巡逻车系统的台风场景下的街道障碍识别方法 |
| CN114779794A (zh) * | 2022-06-21 | 2022-07-22 | 东风悦享科技有限公司 | 基于无人巡逻车系统的台风场景下的街道障碍识别方法 |
| CN115540896A (zh) * | 2022-12-06 | 2022-12-30 | 广汽埃安新能源汽车股份有限公司 | 路径规划方法、装置、电子设备和计算机可读介质 |
| CN115540896B (zh) * | 2022-12-06 | 2023-03-07 | 广汽埃安新能源汽车股份有限公司 | 路径规划方法、装置、电子设备和计算机可读介质 |
| CN116704446B (zh) * | 2023-08-04 | 2023-10-24 | 武汉工程大学 | 机场跑道路面异物实时检测方法及系统 |
| CN116704446A (zh) * | 2023-08-04 | 2023-09-05 | 武汉工程大学 | 机场跑道路面异物实时检测方法及系统 |
| CN117148315A (zh) * | 2023-10-31 | 2023-12-01 | 上海伯镭智能科技有限公司 | 一种无人驾驶汽车运行检测方法及系统 |
| CN117148315B (zh) * | 2023-10-31 | 2024-01-26 | 上海伯镭智能科技有限公司 | 一种无人驾驶汽车运行检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108828621A (zh) | 基于三维激光雷达的障碍检测和路面分割算法 | |
| CN110781827B (zh) | 一种基于激光雷达与扇状空间分割的路沿检测系统及其方法 | |
| CN109100741B (zh) | 一种基于3d激光雷达及图像数据的目标检测方法 | |
| CN108932736B (zh) | 二维激光雷达点云数据处理方法以及动态机器人位姿校准方法 | |
| CN109444911B (zh) | 一种单目相机和激光雷达信息融合的无人艇水面目标检测识别与定位方法 | |
| CN112396650B (zh) | 一种基于图像和激光雷达融合的目标测距系统及方法 | |
| US9846946B2 (en) | Objection recognition in a 3D scene | |
| Oehler et al. | Efficient multi-resolution plane segmentation of 3D point clouds | |
| Bertozzi et al. | Obstacle detection and classification fusing radar and vision | |
| US8385599B2 (en) | System and method of detecting objects | |
| Kang et al. | Automatic targetless camera–lidar calibration by aligning edge with gaussian mixture model | |
| CN108460416A (zh) | 一种基于三维激光雷达的结构化道路可行域提取方法 | |
| CN106199558A (zh) | 障碍物快速检测方法 | |
| Cheng et al. | Building boundary extraction from high resolution imagery and lidar data | |
| CN107796373B (zh) | 一种基于车道平面几何模型驱动的前方车辆单目视觉的测距方法 | |
| CN110197173B (zh) | 一种基于双目视觉的路沿检测方法 | |
| 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 | |
| CN110334678A (zh) | 一种基于视觉融合的行人检测方法 | |
| CN110163871A (zh) | 一种多线激光雷达的地面分割方法 | |
| CN115049700A (zh) | 一种目标检测方法及装置 | |
| CN112487919A (zh) | 一种基于相机与激光雷达的3d目标检测与跟踪方法 | |
| CN114488190A (zh) | 一种激光雷达3d点云地面检测方法 | |
| CN114821526A (zh) | 基于4d毫米波雷达点云的障碍物三维边框检测方法 | |
| CN116109601A (zh) | 一种基于三维激光雷达点云的实时目标检测方法 | |
| CN113219472A (zh) | 一种测距系统和方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181116 |