CN109521756A - 用于无人驾驶车辆的障碍物运动信息生成方法和装置 - Google Patents
用于无人驾驶车辆的障碍物运动信息生成方法和装置 Download PDFInfo
- Publication number
- CN109521756A CN109521756A CN201710841330.7A CN201710841330A CN109521756A CN 109521756 A CN109521756 A CN 109521756A CN 201710841330 A CN201710841330 A CN 201710841330A CN 109521756 A CN109521756 A CN 109521756A
- Authority
- CN
- China
- Prior art keywords
- motion information
- target obstacle
- observation
- displacement
- obstacle
- 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
- 230000004888 barrier function Effects 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000006073 displacement reaction Methods 0.000 claims abstract description 239
- 238000001914 filtration Methods 0.000 claims abstract description 69
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 51
- 230000000737 periodic effect Effects 0.000 claims description 65
- 230000004044 response Effects 0.000 claims description 40
- 238000005070 sampling Methods 0.000 claims description 23
- 230000001133 acceleration Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 10
- 241001269238 Data Species 0.000 description 9
- 238000005259 measurement Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000001514 detection method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000006854 communication Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
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
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
- G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
-
- 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
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/50—Systems of measurement based on relative movement of target
-
- 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
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/50—Systems of measurement based on relative movement of target
- G01S17/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
-
- 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
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/0088—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0242—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using non-visible light signals, e.g. IR or UV signals
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
- G05D1/028—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using a RF signal
-
- 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
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Optics & Photonics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例公开了用于无人驾驶车辆的障碍物运动信息生成方法和装置。该方法的一具体实施方式包括:获取对待生成运动信息的目标障碍物进行表征的当前帧障碍物点云和参考帧障碍物点云;计算目标障碍物在M种第一位移观测量中每种第一位移观测量下的第一观测位移;确定目标障碍物在M种第一位移观测量中每种第一位移观测量下的运动信息;根据所确定的M种运动信息和目标障碍物的历史运动信息,确定目标障碍物的观测运动信息;以目标障碍物的运动信息为状态变量,以观测运动信息为观测量,采用预设滤波算法生成目标障碍物的当前运动信息。该实施方式可以实现在障碍物点云分割不准确的情况下,有效对障碍物进行运动估计。
Description
技术领域
本申请涉及无人驾驶车辆技术领域,具体涉及障碍物运动估计技术领域,尤其涉及用于无人驾驶车辆的障碍物运动信息生成方法和装置。
背景技术
无人驾驶车辆,又称为“移动轮式机器人”,无人驾驶车辆通过车辆上设置的驾驶控制设备根据各种传感器(例如,摄像机和激光雷达)所采集的信息,进行综合分析处理以实现路径规划和行驶控制。大多数无人驾驶车辆都设置有激光雷达来采集外界信息。在对无人驾驶车辆进行路径规划和行驶控制的过程中,可以对激光雷达所采集的每帧激光点云(即,激光雷达每个采样周期所采集的激光点云)进行障碍物检测,然后,再对检测所得到的障碍物进行运动估计,以实现躲避障碍物和提前进行路径规划。
然而,现有的对障碍物运动估计方法,大都采用在障碍物点云(用于对障碍物进行表征的点云)上定义兴趣点,并根据兴趣点位移来对障碍物进行运动估计,从而存在着在障碍物点云分割不准确(例如,欠分割或者过分割)时,运动估计不准确的问题。
发明内容
本申请实施例的目的在于提出一种改进的用于无人驾驶车辆的障碍物运动信息生成方法和装置,来解决以上背景技术部分提到的技术问题。
第一方面,本申请实施例提供了一种用于无人驾驶车辆的障碍物运动信息生成方法,其中,上述无人驾驶车辆设置有激光雷达,该方法包括:获取对待生成运动信息的目标障碍物进行表征的当前帧障碍物点云和参考帧障碍物点云,其中,上述当前帧障碍物点云是根据所述激光雷达所采集的当前帧激光点云所得到的,上述参考帧障碍物点云是根据上述激光雷达所采集的当前帧激光点云的前预设数目帧激光点云中用于表征上述目标障碍物的激光点云所得到的;根据上述当前帧障碍物点云和上述参考帧障碍物点云,计算上述目标障碍物在M种第一位移观测量中每种第一位移观测量下的第一观测位移;根据计算所得到的M种第一观测位移和上述激光雷达的采样周期,确定上述目标障碍物在上述M种第一位移观测量中每种第一位移观测量下的运动信息;按照运动学规律或者统计学规律,根据所确定的M种运动信息和上述目标障碍物的历史运动信息,确定上述目标障碍物的观测运动信息;以上述目标障碍物的运动信息为状态变量,以上述观测运动信息为观测量,采用预设滤波算法生成上述目标障碍物的当前运动信息。
在一些实施例中,上述按照运动学规律或者统计学规律,根据所确定的M种运动信息和上述目标障碍物的历史运动信息,确定观测运动信息之前,上述方法还包括:根据所确定的M种运动信息和上述目标障碍物的历史运动信息,确定所确定的M种运动信息是否存在歧义;以及上述按照运动学规律或者统计学规律,根据所确定的M种运动信息和上述目标障碍物的历史运动信息,确定上述目标障碍物的观测运动信息,包括:响应于确定所确定的M种运动信息不存在歧义,按照运动学规律或者统计学规律,根据所确定的M种运动信息和上述目标障碍物的历史运动信息,确定上述目标障碍物的观测运动信息。
在一些实施例中,上述根据所确定的M种运动信息和上述目标障碍物的历史运动信息,确定所确定的M种运动信息是否存在歧义,包括:对于所确定的M种运动信息中的每种运动信息,确定该种运动信息与上述目标障碍物的上一周期运动信息的残差向量;将计算所得的M种残差向量中模最小的残差向量确定为第一最小残差向量;响应于上述第一最小残差向量的模小于第一预设模阈值,确定所确定的M种运动信息不存在歧义;响应于上述第一最小残差向量的模不小于上述第一预设模阈值,确定所确定的M种运动信息存在歧义。
在一些实施例中,上述根据所确定的M种运动信息和上述目标障碍物的历史运动信息,确定所确定的M种运动信息是否存在歧义,包括:对于所确定的M种运动信息中的每种运动信息,确定该种运动信息与上述目标障碍物的上一周期运动信息的残差向量;计算所确定的M种残差向量的平均向量;将所确定的M种残差向量中与计算所得的平均向量的向量差的模最小的残差向量,确定为第二最小残差向量;响应于上述第二最小残差向量的模小于第二预设模阈值,确定所确定的M种运动信息不存在歧义;响应于上述第二最小残差向量的模不小于上述第二预设模阈值,确定所确定的M种运动信息存在歧义。
在一些实施例中,上述对于所确定的M种运动信息中的每种运动信息,确定该种运动信息与上述目标障碍物的上一周期运动信息的残差向量,包括:对于所确定的M种运动信息中的每种运动信息,将该种运动信息与上述目标障碍物的上一周期运动信息的差向量确定为该种运动信息与上述目标障碍物的上一周期运动信息的残差向量。
在一些实施例中,上述对于所确定的M种运动信息中的每种运动信息,确定该种运动信息与上述目标障碍物的上一周期运动信息的残差向量,包括:对于所确定的M种运动信息中的每种运动信息,执行以下操作:以上述目标障碍物的运动信息为状态变量,以该种运动信息为观测量,采用上述预设滤波算法生成上述目标障碍物的运动估计信息;将所生成的运动估计信息与上述目标障碍物的上一周期运动信息的差向量确定为该种运动信息与上述目标障碍物的上一周期运动信息的残差向量。
在一些实施例中,上述方法还包括:响应于确定所确定的M种运动信息存在歧义,根据上述当前帧障碍物点云和上述参考帧障碍物点云,计算上述目标障碍物在N种第二位移观测量中每种第二位移观测量下的第二观测位移,其中,上述N种第二位移观测量中每种第二位移观测量的计算量大于上述M种第一位移观测量中每种第一位移观测量的计算量;根据计算所得到的N种第二观测位移和上述激光雷达的采样周期,确定上述目标障碍物在上述N种第二位移观测量中每种第二位移观测量下的运动信息;按照运动学规律或者统计学规律,根据所确定的N种运动信息、所确定的M种运动信息和上述目标障碍物的历史运动信息,确定上述目标障碍物的观测运动信息。
在一些实施例中,上述以上述目标障碍物的运动信息为状态变量,以上述观测运动信息为观测量,采用预设滤波算法生成上述目标障碍物的当前运动信息之前,上述方法还包括:确定上述观测运动信息与上述目标障碍物的上一周期运动信息的残差向量的模是否大于第三预设模阈值;响应于确定上述观测运动信息与上述目标障碍物的上一周期运动信息的残差向量的模大于第三预设模阈值,用上述观测运动信息乘以第一比值后所得到的运动信息更新上述观测运动信息,其中,上述第一比值是上述第三预设模阈值除以上述观测运动信息与上述目标障碍物的上一周期运动信息的残差向量的模所得到的比值。
在一些实施例中,上述以上述目标障碍物的运动信息为状态变量,以上述观测运动信息为观测量,采用预设滤波算法生成上述目标障碍物的当前运动信息,包括:根据上述当前帧障碍物点云和上述参考帧障碍物点云之间的相似度,调整上述预设滤波算法中的滤波参数;以上述目标障碍物的运动信息为状态变量,以上述观测运动信息为观测量,采用调整滤波参数后的上述预设滤波算法生成上述目标障碍物的当前运动信息。
在一些实施例中,上述运动信息包括以下至少一项:速度信息和加速度信息。
在一些实施例中,上述M种第一位移观测量包括以下至少一项:中心点位移观测量、重心点位移观测量、边中心点位移观测量和角点位移观测量。
在一些实施例中,上述N种第二位移观测量包括:曲面位移观测量。
第二方面,本申请实施例提供了一种用于无人驾驶车辆的障碍物运动信息生成装置,其中,上述无人驾驶车辆设置有激光雷达,该装置包括:获取单元,配置用于获取对待生成运动信息的目标障碍物进行表征的当前帧障碍物点云和参考帧障碍物点云,其中,上述当前帧障碍物点云是根据上述激光雷达所采集的当前帧激光点云所得到的,上述参考帧障碍物点云是根据上述激光雷达所采集的当前帧激光点云的前预设数目帧激光点云中用于表征上述目标障碍物的激光点云所得到的;第一计算单元,配置用于根据上述当前帧障碍物点云和上述参考帧障碍物点云,计算上述目标障碍物在M种第一位移观测量中每种第一位移观测量下的第一观测位移;第一确定单元,配置用于根据计算所得到的M种第一观测位移和上述激光雷达的采样周期,确定上述目标障碍物在上述M种第一位移观测量中每种第一位移观测量下的运动信息;第二确定单元,配置用于按照运动学规律或者统计学规律,根据所确定的M种运动信息和上述目标障碍物的历史运动信息,确定上述目标障碍物的观测运动信息;生成单元,配置用于以上述目标障碍物的运动信息为状态变量,以上述观测运动信息为观测量,采用预设滤波算法生成上述目标障碍物的当前运动信息。
在一些实施例中,上述装置还包括:第二确定单元,配置用于根据所确定的M种运动信息和上述目标障碍物的历史运动信息,确定所确定的M种运动信息是否存在歧义;以及上述第二确定单元进一步配置用于:响应于确定所确定的M种运动信息不存在歧义,按照运动学规律或者统计学规律,根据所确定的M种运动信息和上述目标障碍物的历史运动信息,确定上述目标障碍物的观测运动信息。
在一些实施例中,上述第二确定单元进一步配置用于:对于所确定的M种运动信息中的每种运动信息,确定该种运动信息与上述目标障碍物的上一周期运动信息的残差向量;将计算所得的M种残差向量中模最小的残差向量确定为第一最小残差向量;响应于上述第一最小残差向量的模小于第一预设模阈值,确定所确定的M种运动信息不存在歧义;响应于上述第一最小残差向量的模不小于上述第一预设模阈值,确定所确定的M种运动信息存在歧义。
在一些实施例中,上述第二确定单元进一步配置用于:对于所确定的M种运动信息中的每种运动信息,确定该种运动信息与上述目标障碍物的上一周期运动信息的残差向量;计算所确定的M种残差向量的平均向量;将所确定的M种残差向量中与计算所得的平均向量的向量差的模最小的残差向量,确定为第二最小残差向量;响应于上述第二最小残差向量的模小于第二预设模阈值,确定所确定的M种运动信息不存在歧义;响应于上述第二最小残差向量的模不小于上述第二预设模阈值,确定所确定的M种运动信息存在歧义。
在一些实施例中,上述第二确定单元进一步配置用于:对于所确定的M种运动信息中的每种运动信息,将该种运动信息与上述目标障碍物的上一周期运动信息的差向量确定为该种运动信息与上述目标障碍物的上一周期运动信息的残差向量。
在一些实施例中,上述第二确定单元进一步配置用于:对于所确定的M种运动信息中的每种运动信息,执行以下操作:以上述目标障碍物的运动信息为状态变量,以该种运动信息为观测量,采用上述预设滤波算法生成上述目标障碍物的运动估计信息;将所生成的运动估计信息与上述目标障碍物的上一周期运动信息的差向量确定为该种运动信息与上述目标障碍物的上一周期运动信息的残差向量。
在一些实施例中,上述装置还包括:第二计算单元,配置用于响应于确定所确定的M种运动信息存在歧义,根据上述当前帧障碍物点云和上述参考帧障碍物点云,计算上述目标障碍物在N种第二位移观测量中每种第二位移观测量下的第二观测位移,其中,上述N种第二位移观测量中每种第二位移观测量的计算量大于上述M种第一位移观测量中每种第一位移观测量的计算量;第三确定单元,配置用于根据计算所得到的N种第二观测位移和上述激光雷达的采样周期,确定上述目标障碍物在上述N种第二位移观测量中每种第二位移观测量下的运动信息;第四确定单元,配置用于按照运动学规律或者统计学规律,根据所确定的N种运动信息、所确定的M种运动信息和上述目标障碍物的历史运动信息,确定上述目标障碍物的观测运动信息。
在一些实施例中,上述装置还包括:第五确定单元,配置用于确定上述观测运动信息与上述目标障碍物的上一周期运动信息的残差向量的模是否大于第三预设模阈值;更新单元,配置用于响应于确定上述观测运动信息与上述目标障碍物的上一周期运动信息的残差向量的模大于第三预设模阈值,用上述观测运动信息乘以第一比值后所得到的运动信息更新上述观测运动信息,其中,上述第一比值是上述第三预设模阈值除以上述观测运动信息与上述目标障碍物的上一周期运动信息的残差向量的模所得到的比值。
在一些实施例中,上述生成单元包括:调整模块,配置用于根据上述当前帧障碍物点云和上述参考帧障碍物点云之间的相似度,调整上述预设滤波算法中的滤波参数;生成模块,配置用于以上述目标障碍物的运动信息为状态变量,以上述观测运动信息为观测量,采用调整滤波参数后的上述预设滤波算法生成上述目标障碍物的当前运动信息。
在一些实施例中,上述运动信息包括以下至少一项:速度信息和加速度信息。
在一些实施例中,上述M种第一位移观测量包括以下至少一项:中心点位移观测量、重心点位移观测量、边中心点位移观测量和角点位移观测量。
在一些实施例中,上述N种第二位移观测量包括:曲面位移观测量。
第三方面,本申请实施例提供了一种驾驶控制设备,该驾驶控制设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的用于无人驾驶车辆的障碍物运动信息生成方法和装置,通过获取对待生成运动信息的目标障碍物进行表征的当前帧障碍物点云和参考帧障碍物点云,其中,当前帧障碍物点云是根据激光雷达所采集的当前帧激光点云所得到的,参考帧障碍物点云是根据激光雷达所采集的当前帧激光点云的前预设数目帧激光点云中用于表征目标障碍物的激光点云所得到的,再根据当前帧障碍物点云和参考帧障碍物点云,计算目标障碍物在M种第一位移观测量中每种第一位移观测量下的第一观测位移,然后根据计算所得到的M种第一观测位移和激光雷达的采样周期,确定目标障碍物在M种第一位移观测量中每种第一位移观测量下的运动信息,接着按照运动学规律或者统计学规律,根据所确定的M种运动信息和目标障碍物的历史运动信息,确定目标障碍物的观测运动信息,最后以目标障碍物的运动信息为状态变量,以观测运动信息为观测量,采用预设滤波算法生成目标障碍物的当前运动信息。从而,可以实现在障碍物点云分割不准确的情况下,也能有效对障碍物进行运动估计。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请可以应用于其中的示例性系统架构图;
图2是根据本申请的用于无人驾驶车辆的障碍物运动信息生成方法的一个实施例的流程图;
图3是根据本申请的用于无人驾驶车辆的障碍物运动信息生成方法的又一个实施例的流程图;
图4是根据本申请的用于无人驾驶车辆的障碍物运动信息生成装置的一个实施例的结构示意图;
图5是适于用来实现本申请实施例的驾驶控制设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于无人驾驶车辆的障碍物运动信息生成方法或用于无人驾驶车辆的障碍物运动信息生成装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括无人驾驶车辆101。
无人驾驶车辆101中可以安装有驾驶控制设备1011、网络1012和激光雷达1013。网络1012用以在驾驶控制设备1011和激光雷达1013之间提供通信链路的介质。网络1012可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
驾驶控制设备(又称为车载大脑)1011负责无人驾驶车辆101的智能控制。驾驶控制设备1011可以是单独设置的控制器,例如可编程逻辑控制器(Programmable LogicController,PLC)、单片机、工业控制机等;也可以是由其他具有输入/输出端口,并具有运算控制功能的电子器件组成的设备;还可以是安装有车辆驾驶控制类应用的计算机设备。
需要说明的是,实践中无人驾驶车辆101中还可以安装有至少一个传感器,例如,摄像机、重力传感器、轮速传感器等。某些情况下,无人驾驶车辆101中还可以安装有GNSS(Global Navigation Satellite System,全球导航卫星系统)设备和SINS(Strap-downInertial Navigation System,捷联惯性导航系统)等等。
需要说明的是,本申请实施例所提供的用于无人驾驶车辆的障碍物运动信息生成方法一般由驾驶控制设备1011执行,相应地,用于无人驾驶车辆的障碍物运动信息生成装置一般设置于驾驶控制设备1011中。
应该理解,图1中的驾驶控制设备、网络和激光雷达的数目仅仅是示意性的。根据实现需要,可以具有任意数目的驾驶控制设备、网络和激光雷达。
继续参考图2,其示出了根据本申请的用于无人驾驶车辆的障碍物运动信息生成方法的一个实施例的流程200。该用于无人驾驶车辆的障碍物运动信息生成方法,包括以下步骤:
步骤201,获取对待生成运动信息的目标障碍物进行表征的当前帧障碍物点云和参考帧障碍物点云。
在无人驾驶车辆行驶过程中,无人驾驶车辆上安装的激光雷达可以实时采集外界环境信息,并生成激光点云传输给用于无人驾驶车辆的障碍物运动信息生成方法运行于其上的电子设备(例如,图1所示的驾驶控制设备)。上述电子设备可以对所接收的激光点云进行分析处理,以对车辆周围环境中的障碍物进行识别和跟踪,并通过预测障碍物的行进路线而进行车辆的路径规划和行驶控制。
为此,首先,上述电子设备可以对所接收的每帧激光点云进行障碍物检测,以区分出激光点云中哪些激光点数据用于描述障碍物,哪些激光点数据用于描述非障碍物(例如,可行驶区域),以及哪些激光点数据用于描述同一个障碍物。障碍物可以包括静态障碍物和动态障碍物。例如,静态障碍物可以是树木、遗撒物、警示牌、交通牌、隔离墩等等,动态障碍物可以是行人、动物、车辆等等。这里,障碍物点云可以是对一个障碍物进行表征的相关特征信息。作为示例,障碍物点云可以包括激光点云数据或者根据激光点云数据所提取的障碍物的特征信息,比如,特征信息可以是障碍物的包围盒的位置和长度信息、障碍物的长宽高信息、障碍物的体积等等。当然,还可以包括障碍物的其他各种特征信息。即,上述电子设备在接收到每帧激光点云后,需要对该帧激光点云进行障碍物检测,生成至少一个用于对障碍物进行表征的障碍物点云。
然后,上述电子设备可以建立每两帧相邻激光点云之间的障碍物点云之间的关联关系,即,如果相邻两帧激光点云所检测得到的障碍物点云中存在用于表征物理世界中的同一障碍物的两个障碍物点云,则建立该两个障碍物点云之间的关联关系。实践中,可以为每个障碍物点云对应有障碍物标识来实现障碍物点云之间的关联关系。
接着,为了使得无人驾驶车辆在行驶过程中对障碍物进行跟踪以进行行驶路径规划,需要对障碍物进行运动估计,即这种情况下,上述电子设备可以获取对待生成运动信息的目标障碍物进行表征的当前帧障碍物点云和参考帧障碍物点云。其中,当前帧障碍物点云是根据激光雷达所采集的当前帧激光点云所得到的,参考帧障碍物点云是根据激光雷达所采集的当前帧激光点云的前预设数目帧激光点云中用于表征目标障碍物的激光点云所得到的。即,当前帧障碍物点云是上述电子设备对于激光雷达所采集的当前帧激光点云进行障碍物检测后所得到的障碍物点云中对目标障碍物进行表征的障碍物点云,参考帧障碍物点云是上述电子设备根据激光雷达所采集的当前帧激光点云的前预设数目帧激光点云中用于表征目标障碍物的激光点云所得到的。作为示例,参考帧障碍物点云可以是对激光雷达所采集的当前帧激光点云的前一帧激光点云进行障碍物检测后所得到的障碍物点云中对目标障碍物进行表征的障碍物点云。作为示例,参考帧障碍物点云还可以是对激光雷达所采集的当前帧激光点云的前预设数目帧激光点云中每帧激光点云进行障碍物检测后所得到的各个障碍物点云中对目标障碍物进行表征的各个障碍物点云的平均值。这里,目标障碍物可以包括静态障碍物和动态障碍物。实践中,上述电子设备在对目标障碍物进行运动估计时,可以只选择对动态障碍物进行运动估计。
步骤202,根据当前帧障碍物点云和参考帧障碍物点云,计算目标障碍物在M种第一位移观测量中每种第一位移观测量下的第一观测位移。
在本实施例中,上述电子设备可以根据步骤201中所获取的当前帧障碍物点云和参考帧障碍物点云,计算目标障碍物在M种第一位移观测量中每种第一位移观测量下的第一观测位移。其中,M为正整数。
这里,第一位移可以是各种用于表征障碍物的空间位移的位移,本申请对此不做具体限定。
在本实施例的一些可选的实现方式中,M种第一位移观测量可以包括以下至少一项:中心点位移观测量、重心点位移观测量、边中心点位移观测量和角点位移观测量。
作为示例,根据当前帧障碍物点云和参考帧障碍物点云,计算目标障碍物在中心点位移观测量下的第一观测位移可以是:
首先,获取当前帧障碍物点云的中心点坐标和参考帧障碍物点云的中心点坐标。作为示例,当障碍物点云包括多个激光点数据时,其中,每个激光点数据包括三维或者二维坐标,障碍物点云的中心点坐标可以是障碍物点云的中心激光点数据的三维或者二维坐标,其中,障碍物点云的中心激光点数据是障碍物点云所包括的多个激光点数据中三维或者二维坐标与该障碍物点云所包括的多个激光点数据中除中心激光点数据外的其他各个激光点数据的距离和最小的激光点数据;当障碍物点云包括三维或者二维包围盒时,这里,障碍物点云的三维或者二维包围盒是障碍物点云所包括的多个激光点数据的三维坐标的最小外接长方体或者二维坐标的最小外接矩形,障碍物点云的中心点坐标可以是障碍物点云所包括的三维或者二维包围盒的几何中心点的坐标;当障碍物点云包括三维或者二维凸包时,这里,障碍物点云的三维或者二维凸包可以是障碍物点云所包括的各个激光点数据中的三维坐标或者二维坐标的凸包,障碍物点云的中心点坐标可以是障碍物点云所包括的凸包的几何中心点的坐标。
然后,计算当前帧障碍物点云的中心点坐标与参考帧障碍物点云的中心点坐标之间的第一位移。这里,第一位移既可以包括直线距离,也可以包括在三维空间中三个方向或者二维空间中两个方向上的位移。
作为示例,根据当前帧障碍物点云和参考帧障碍物点云,计算目标障碍物在重心点位移观测量下的第一观测位移可以是:
首先,获取当前帧障碍物点云的重心点坐标和参考帧障碍物点云的重心点坐标。作为示例,当障碍物点云包括多个激光点数据时,其中,每个激光点数据包括三维或者二维坐标,障碍物点云的重心点坐标可以是障碍物点云的重心点的三维或者二维坐标,其中,障碍物点云的重心点的三维或者二维坐标是障碍物点云所包括的多个激光点数据的三维或者二维坐标的平均值坐标;当障碍物点云包括三维或者二维包围盒时,这里,障碍物点云的三维或者二维包围盒是障碍物点云所包括的多个激光点数据的三维坐标的最小外接长方体或者二维坐标的最小外接矩形,障碍物点云的重心点坐标可以是障碍物点云所包括的三维或者二维包围盒的几何中心点的坐标;当障碍物点云包括三维或者二维凸包时,这里,障碍物点云的三维或者二维凸包可以是障碍物点云所包括的各个激光点数据中的三维坐标或者二维坐标的凸包,障碍物点云的重心点坐标可以是障碍物点云所包括的凸包的几何中心点的坐标。
然后,计算当前帧障碍物点云的重心点坐标与参考帧障碍物点云的重心点坐标之间的第一位移。这里,第一位移既可以包括直线距离,也可以包括在三维空间中三个方向或者二维空间中两个方向上的位移。
作为示例,根据当前帧障碍物点云和参考帧障碍物点云,计算目标障碍物在边中心点位移观测量下的第一观测位移可以是:
首先,获取当前帧障碍物点云的指定边中心点坐标和参考帧障碍物点云的指定边中心点坐标。作为示例,当障碍物点云包括三维或者二维包围盒时,这里,障碍物点云的三维或者二维包围盒是障碍物点云所包括的多个激光点数据的三维坐标的最小外接长方体或者二维坐标的最小外接矩形,障碍物点云的边中心点坐标可以是障碍物点云所包括的三维或者二维包围盒的指定边的中心点的坐标;当障碍物点云包括三维或者二维凸包时,这里,障碍物点云的三维或者二维凸包可以是障碍物点云所包括的各个激光点数据中的三维坐标或者二维坐标的凸包,障碍物点云的边中心点坐标可以是障碍物点云所包括的凸包的指定边的中心点的坐标。
然后,计算当前帧障碍物点云的边中心点坐标与参考帧障碍物点云的边中心点坐标之间的第一位移。这里,第一位移既可以包括直线距离,也可以包括在三维空间中三个方向或者二维空间中两个方向上的位移。
作为示例,根据当前帧障碍物点云和参考帧障碍物点云,计算目标障碍物在角点位移观测量下的第一观测位移可以是:
首先,获取当前帧障碍物点云的角点坐标和参考帧障碍物点云的角点坐标。作为示例,当障碍物点云包括三维或者二维包围盒时,这里,障碍物点云的三维或者二维包围盒是障碍物点云所包括的多个激光点数据的三维坐标的最小外接长方体或者二维坐标的最小外接矩形,障碍物点云的角点坐标可以是障碍物点云所包括的三维或者二维包围盒的指定顶点的顶点坐标;当障碍物点云包括三维或者二维凸包时,这里,障碍物点云的三维或者二维凸包可以是障碍物点云所包括的各个激光点数据中的三维坐标或者二维坐标的凸包,障碍物点云的角点坐标可以是障碍物点云所包括的凸包的指定顶点的顶点坐标。
然后,计算当前帧障碍物点云的角点坐标与参考帧障碍物点云的角点坐标之间的第一位移。这里,第一位移既可以包括直线距离,也可以包括在三维空间中三个方向或者二维空间中两个方向上的位移。
步骤203,根据计算所得到的M种第一观测位移和激光雷达的采样周期,确定目标障碍物在M种第一位移观测量中每种第一位移观测量下的运动信息。
在本实施例中,上述电子设备可以根据步骤202计算所得到的M种第一观测位移和激光雷达的采样周期,确定目标障碍物在M种第一位移观测量中每种第一位移观测量下的运动信息。其中,运动信息是用于对目标障碍物的运动状态进行表征的信息。
这里,由于已经由步骤202中得到了目标障碍物在M种第一位移观测量中每种第一位移观测量下的第一观测位移,继而可以对于M中第一位移观测量中每种第一位移观测量,首先获取目标障碍物在该种第一位移观测量下的第一观测位移,然后根据所获取的第一位移和激光雷达的采样周期,确定目标障碍物在该种第一位移观测量下的运动信息。这里,激光雷达的采样周期,即是激光雷达采集到当前帧激光点云的时间和激光雷达采集到当前帧激光点云的前一帧激光点云的时间之差,而步骤202中所计算得到的M种第一观测位移也是在这段时间发生的位移,由运动学规律可知,有了位移和时间可以确定运动信息。
在本实施例的一些可选的实现方式中,运动信息可以包括以下至少一项:速度信息和加速度信息。
下面举例说明:
如果步骤202中计算得到目标障碍物在中心点位移观测量、重心点位移观测量、边沿点位移观测量和角点位移观测量下的第一观测位移分别是:1米、1.2米、1.3米和1.5米,而激光雷达的采样周期为0.1秒,则可以确定目标障碍物在中心点位移观测量、重心点位移观测量、边沿点位移观测量和角点位移观测量下的速度信息分别是:10米/秒、12米/秒、13米/秒和15米/秒。
进而,如果上一周期对目标障碍物进行运动估计所得到的速度信息是9米/秒,即针对激光雷达采集的当前帧激光点云的前一帧激光点云进行运动估计所生成的目标障碍物的速度信息是9米/秒,那么这里,按照运动学知识,可以确定目标障碍物在中心点位移观测量、重心点位移观测量、边沿点位移观测量和角点位移观测量下的加速度信息分别是:10米/秒2、30米/秒2、40米/秒2和6米/秒2。
步骤204,按照运动学规律或者统计学规律,根据所确定的M种运动信息和目标障碍物的历史运动信息,确定目标障碍物的观测运动信息。
在本实施例中,上述电子设备可以按照运动学规律或者统计学规律,根据步骤203中所确定的M种运动信息和目标障碍物的历史运动信息,确定目标障碍物的观测运动信息。
这里,目标障碍物的历史运动信息是上述电子设备针对激光雷达在采集当前帧激光点云之前所采集的各帧历史激光点云,执行步骤201到步骤205的操作所得到的目标障碍物的运动信息,并且,上述的电子设备中存储了上述各个历史运动信息。目标障碍物的历史运动信息表征了目标障碍物的历史运动状态。
由于激光雷达所采集的激光点云存在信息量少、遮挡、远处稀疏等问题,因此,对每帧激光点云进行障碍物检测所得到的障碍物点云存在着过分割或者欠分割等问题。这时,如果只依赖一种位移观测量计算目标障碍物的运动信息,如果目标障碍物的当前帧障碍物点云或者参考帧障碍物点云分割不准确,按照一种位移观测量计算得到的目标障碍物的运动信息也会不准确。为此,步骤202中计算了M种第一观测位移,可能其中某些第一观测位移不准确,但可能还存在准确的第一观测位移,而且步骤203中确定了M种运动信息,由于目标障碍物的运动符合运动学规律或者统计学规律,这样,上述电子设备可以根据所确定的M种运动信息和目标障碍物的历史运动信息,按照运动学规律或者统计学规律确定观测运动信息。从而,可以避免只有一种位移观测量可能造成运动信息估计不准确的问题。
在本实施例的一些可选的实现方式中,上述电子设备可以按照运动学规律,根据步骤203中所确定的M种运动信息和目标障碍物的历史运动信息,确定目标障碍物的观测运动信息。作为示例,可以首先确定M种运动信息中每种运动信息与目标障碍物的上一周期运动信息的残差向量,并在M种运动信息中选取与目标障碍物的上一周期运动信息的残差向量的模最小的运动信息作为目标障碍物的观测运动信息。这里,目标障碍物的上一周期运动信息是上一周期对目标障碍物进行运动估计所得到的运动信息。而M种运动信息中每种运动信息与目标障碍物的上一周期运动信息的残差向量,可以是该种运动信息与目标障碍物的上一周期运动信息的向量差。M种运动信息中每种运动信息与目标障碍物的上一周期运动信息的残差向量,也可以是首先以目标障碍物的运动信息为状态变量,以该种运动信息作为观测量,采用预设滤波算法生成目标障碍物的运动估计信息,然后将所生成的运动估计信息与目标障碍物的上一周期运动信息的向量差确定为该种运动信息与目标障碍物的上一周期运动信息的残差向量。例如,如果步骤203所确定的目标障碍物在中心点位移观测量、重心点位移观测量、边中心点位移观测量和角点位移观测量下的速度信息分别为:10米/秒、12米/秒、13米/秒和15米/秒,而且在对激光雷达采集的当前帧激光点云的前一帧激光点云所生成的目标障碍物的速度信息是9米/秒,即上一周期对目标障碍物进行运动估计所得到的速度信息是9米/秒,那么这里,可以按照运动学规律,从上述四种速度信息:10米/秒、12米/秒、13米/秒和15米/秒中选择与上一周期对目标障碍物进行运动估计所得到的速度信息是9米/秒最接近的10米/秒作为目标障碍物的观测速度信息,并进而,如果激光雷达的采样周期为0.1秒,可以按照所确定的10米/秒的观测速度信息,确定目标障碍物的观测加速度信息为10米/秒2。
在本实施例的一些可选的实现方式中,上述电子设备还可以按照统计学规律根据步骤203中所确定的M种运动信息和目标障碍物的历史运动信息,确定目标障碍物的观测运动信息。
作为示例,上述电子设备可以将所确定的M种运动信息的平均值信息确定为目标障碍物的观测运动信息。
作为示例,上述电子设备还可以将所确定的M种运动信息进行排序,并根据排序结果进行预设分位数(例如,10分位)的分位数化操作,生成预设分位数个分位数结果,再将预设分位(例如,90%)的分位数结果确定为目标障碍物的观测运动信息。
作为示例,上述电子设备还可以首先计算所确定的M种运动信息的平均运动信息,然后,在M种运动信息中选取与计算得到的平均运动信息的向量差的模最小的运动信息,并将所选取的运动信息确定为目标障碍物的观测运动信息。当然,上述电子设备还可以首先利用统计学规律对所确定的M种运动信息进行去除噪声操作,并在去除噪声后得到的各个运动信息基础上,按照上述三种示例的实现方式,确定目标障碍物的观测运动信息。
步骤205,以目标障碍物的运动信息为状态变量,以观测运动信息作为观测量,采用预设滤波算法生成目标障碍物的当前运动信息。
在本实施例中,上述电子设备可以在步骤204中确定了目标障碍物的观测运动信息后,以目标障碍物的运动信息为状态变量,以步骤204中确定的目标障碍物的观测运动信息作为观测量,采用预设滤波算法生成目标障碍物的当前运动信息。从而,可以实现对目标障碍物的观测运动信息进行平滑,得到更加准确的目标障碍物的当前运动信息。这里,预设滤波算法可以是任何滤波算法,本申请对此不做具体限定。
在本实施例的一些可选的实现方式中,预设滤波算法可以是卡尔曼滤波(KalmanFilter),扩展卡尔曼滤波(Extended Kalman Filter)、无损卡尔曼滤波(UnscentedKalman Filter)或者高斯滤波(Gaussian Filter)。
这里,步骤205中的滤波操作既可以通过上述电子设备来执行,也可以是上述电子设备将目标障碍物的观测运动信息作为观测量传输给具有滤波功能的滤波器,由滤波器实现滤波操作后将结果返回给上述电子设备。
在本实施例的一些可选的实现方式中,步骤205可以如下进行:
首先,根据当前帧障碍物点云和参考帧障碍物点云之间的相似度,调整预设滤波算法中的滤波参数。
这里,由于上述电子设备将当前帧障碍物点云和参考帧障碍物点云关联为对同一个障碍物,即目标障碍物进行表征的障碍物点云,如果二者的相似度大于预设相似度阈值(例如,0.9),则表明二者用于表征同一个障碍物的可能性高,继而,根据当前帧障碍物点云和参考帧障碍物点云,从步骤202到步骤204所得到的目标障碍物的观测运动信息的可信度比较高,因此,可以通过调整预设滤波算法的滤波参数,以增加观测运动信息作为观测量在预设滤波算法中的可信度。例如,可以通过修改测量噪声相关的参数,以使得适当降低测量噪声在预设滤波算法中的可信度,继而提高观测运动信息作为观测量在预设滤波算法中的可信度。反之,如果二者的相似度小于等于上述预设相似度阈值(例如,0.9),则表明二者用于表征同一个障碍物的可能性较低,继而,根据当前帧障碍物点云和参考帧障碍物点云,从步骤202到步骤204所得到的目标障碍物的观测运动信息的可信度比较低,因此,可以通过调整预设滤波算法的滤波参数,以减少观测运动信息作为观测量在预设滤波算法中的可信度。例如,可以通过修改测量噪声相关的参数,以适当提高测量噪声在预设滤波算法中的可信度,继而降低观测运动信息作为观测量在预设滤波算法中的可信度。
需要说明的是,在根据当前帧障碍物点云和参考帧障碍物点云之间的相似度,调整预设滤波算法中的滤波参数的过程中,由于滤波算法的不同,所需调节的参数和将参数进行增加还是减少的调节,与具体滤波算法有关,而且具体的调节方式是本领域技术人员所熟知的,在此不再赘述。
然后,以目标障碍物的运动信息为状态变量,以观测运动信息为观测量,采用调整滤波参数后的预设滤波算法生成目标障碍物的当前运动信息。
这里,由于已经根据当前帧障碍物点云和参考帧障碍物点云之间的相似度,调整了预设滤波算法中的滤波参数,经过调整后的预设滤波算法可以根据当前帧障碍物点云和参考帧障碍物点云之间的相似度进行自适应,继而可以增加计算所得的目标障碍物的运动信息的准确度。
经过步骤205的操作后,上述电子设备生成了目标障碍物的当前运动信息,即实现了对目标障碍物的运动估计,这样,上述电子设备可以在对目标障碍物的运动估计基础上实现对目标障碍物的跟踪,即生成目标障碍物的运动轨迹。
本申请的上述实施例提供的方法,通过通过获取对待生成运动信息的目标障碍物进行表征的当前帧障碍物点云和参考帧障碍物点云,其中,当前帧障碍物点云是根据激光雷达所采集的当前帧激光点云所得到的,参考帧障碍物点云是根据激光雷达所采集的当前帧激光点云的前预设数目帧激光点云中用于表征目标障碍物的激光点云所得到的,再根据当前帧障碍物点云和参考帧障碍物点云,计算目标障碍物在M种第一位移观测量中每种第一位移观测量下的第一观测位移,然后根据计算所得到的M种第一观测位移和激光雷达的采样周期,确定目标障碍物在M种第一位移观测量中每种第一位移观测量下的运动信息,接着按照运动学规律或者统计学规律,根据所确定的M种运动信息和目标障碍物的历史运动信息,确定目标障碍物的观测运动信息,最后以目标障碍物的运动信息为状态变量,以观测运动信息为观测量,采用预设滤波算法生成目标障碍物的当前运动信息。从而,可以实现在障碍物点云分割不准确的情况下,也能有效对障碍物进行运动估计。
继续参见图3,其示出了根据本申请的用于无人驾驶车辆的障碍物运动信息生成方法的又一个实施例的流程300,该用于无人驾驶车辆的障碍物运动信息生成方法的流程300,包括以下步骤:
步骤301,获取对待生成运动信息的目标障碍物进行表征的当前帧障碍物点云和参考帧障碍物点云。
步骤302,根据当前帧障碍物点云和参考帧障碍物点云,计算目标障碍物在M种第一位移观测量中每种第一位移观测量下的第一观测位移。
步骤303,根据计算所得到的M种第一观测位移和激光雷达的采样周期,确定目标障碍物在M种第一位移观测量中每种第一位移观测量下的运动信息。
在本实施例中,步骤301、步骤302和步骤303的具体操作与图2所示的实施例中步骤201、步骤202和步骤203的操作基本相同,在此不再赘述。
步骤304,根据所确定的M种运动信息和目标障碍物的历史运动信息,确定所确定的M种运动信息是否存在歧义。
在本实施例中,用于无人驾驶车辆的障碍物运动信息生成方法运行于其上的电子设备(例如,图1所示的驾驶控制设备)可以在步骤303中确定了目标障碍物在M种第一位移观测量中每种第一位移观测量下的运动信息之后,采用各种实现方式,根据所确定的M种运动信息和目标障碍物的历史运动信息,确定所确定的M种运动信息是否存在歧义。这里,所谓M种运动信息存在歧义,是指不能通过M种运动信息确定目标障碍物的运动状态。比如,M种运动信息中一种运动信息表明目标障碍物在加速行驶,而另外一种运动信息显示目标障碍物在减速行驶,则这两种运动信息之间是矛盾的,继而,不能确定目标障碍物是在加速还是在减速,即M种运动信息存在歧义。
由于,步骤303中所确定的M种运动信息都是用于对目标障碍物的运动状态进行表征的信息,如果步骤303中所确定的M种运动信息存在歧义,则表明不能使用步骤303中所确定的M种运动信息来确定目标障碍物的观测运动信息,可以转到步骤305’。如果步骤303中所确定的M种运动信息不存在歧义,则表明可以使用步骤303中所确定的M种运动信息来确定目标障碍物的观测运动信息,可以转到步骤305。
在本实施例的一些可选的实现方式中,步骤304可以如下进行:
第一,对于所确定的M种运动信息中的每种运动信息,确定该种运动信息与目标障碍物的上一周期运动信息的残差向量。
这里,目标障碍物的上一周期运动信息是上述电子设备在对激光雷达采集的当前帧激光点云的前一帧激光点云所生成的目标障碍物的运动信息,即上一周期(即,激光雷达采样周期)对目标障碍物进行运动估计所得到的运动信息。
在一些实现方式中,上述电子设备可以对于所确定的M种运动信息中的每种运动信息,将该种运动信息与目标障碍物的上一周期运动信息的差向量确定为该种运动信息与目标障碍物的上一周期运动信息的残差向量。
在一些实现方式中,上述电子设备也可以对于所确定的M种运动信息中的每种运动信息,执行以下操作:首先,以目标障碍物的运动信息为状态变量,以该种运动信息为观测量,采用预设滤波算法生成目标障碍物的运动估计信息,然后将所生成的运动估计信息与目标障碍物的上一周期运动信息的差向量确定为该种运动信息与目标障碍物的上一周期运动信息的残差向量。
第二,将计算所得的M种残差向量中模最小的残差向量确定为第一最小残差向量。
第三,响应于第一最小残差向量的模小于第一预设模阈值,确定所确定的M种运动信息不存在歧义。
第四,响应于第一最小残差向量的模不小于第一预设模阈值,确定所确定的M种运动信息存在歧义。
在本实施例的一些可选的实现方式中,步骤304也可以如下进行:
第一,对于所确定的M种运动信息中的每种运动信息,确定该种运动信息与目标障碍物的上一周期运动信息的残差向量。
这里,可以采用上述步骤304的可选实现方式中所描述的类似方法实现对于所确定的M种运动信息中的每种运动信息,确定该种运动信息与目标障碍物的上一周期运动信息的残差向量。
第二,计算所确定的M种残差向量的平均向量。
第三,将所确定的M种残差向量中与计算所得的平均向量的向量差的模最小的残差向量,确定为第二最小残差向量。
第四,响应于第二最小残差向量的模小于第二预设模阈值,确定所确定的M种运动信息不存在歧义。
第五,响应于第二最小残差向量的模不小于第二预设模阈值,确定所确定的M种运动信息存在歧义。
步骤305,按照运动学规律或者统计学规律,根据所确定的M种运动信息和目标障碍物的历史运动信息,确定目标障碍物的观测运动信息。
在本实施例中,用于无人驾驶车辆的障碍物运动信息生成方法运行于其上的电子设备(例如,图1所示的驾驶控制设备)可以在步骤304中确定所确定的M种运动信息不存在歧义的情况下,按照运动学规律或者统计学规律,根据所确定的M种运动信息和目标障碍物的历史运动信息,确定目标障碍物的观测运动信息,并在执行完后步骤305后转到步骤306。
这里,步骤305的具体操作与图2所示的实施例中步骤204的操作基本相同,在此不再赘述。
步骤305’,根据当前帧障碍物点云和参考帧障碍物点云,计算目标障碍物在N种第二位移观测量中每种第二位移观测量下的第二观测位移。
在本实施例中,用于无人驾驶车辆的障碍物运动信息生成方法运行于其上的电子设备(例如,图1所示的驾驶控制设备)可以在步骤304中确定所确定的M种运动信息存在歧义的情况下,也就是说不能根据所确定的M种运动信息来对目标障碍物进行运动估计,为了还能实现对目标障碍物进行运动估计,需要根据当前帧障碍物点云和参考帧障碍物点云,计算目标障碍物在N种第二位移观测量中每种第二位移观测量下的第二观测位移。其中,N种第二位移观测量中每种第二位移观测量的计算量大于M种第一位移观测量中每种第一位移观测量的计算量。在执行完后步骤305’后转到步骤306’。即,在采用计算量较少的M种第一位移观测量中每种的第一观测位移所确定的M种运动信息存在歧义的情况下,不能使用上述M种运动信息来对目标障碍物进行运动估计,这时,可以采用计算量较大的第二位移观测量来实现对目标障碍物进行运动估计。
在本实施例的一些可选的实现方式中,第二位移观测量可以包括曲面位移观测量。
作为示例,根据当前帧障碍物点云和参考帧障碍物点云,计算目标障碍物在曲面位移观测量下的第二观测位移可以是:
首先,获取当前帧障碍物点云的至少一个曲面点坐标和参考帧障碍物点云的至少一个曲面点坐标。其中,障碍物点云的曲面点坐标是障碍物点云所表征的障碍物的表面上的点坐标,确定障碍物点云的曲面点坐标的方法是目前广泛研究和应用的现有技术,在此不再赘述。
然后,对于当前帧障碍物点云的至少一个曲面点坐标中的每个曲面点坐标,将该曲面点坐标与参考帧障碍物点云的各个曲面点坐标的距离中的最小距离确定为该曲面点坐标与参考帧障碍物点云的曲面点位移。
最后,将当前帧障碍物点云的至少一个曲面点坐标中的各个曲面点坐标与参考帧障碍物点云的曲面点位移的平均位移确定为目标障碍物在点云曲面位移观测量下的第二观测位移。
作为示例,根据当前帧障碍物点云和参考帧障碍物点云,计算目标障碍物在曲面位移观测量下的第二观测位移还可以采用ICP(Iterative Closest Point,最近点搜索)算法计算曲面间的位移。
步骤306’,根据计算所得到的N种第二观测位移和激光雷达的采样周期,确定目标障碍物在N种第二位移观测量中每种第二位移观测量下的运动信息。
这里,步骤306’的具体操作可以参考图2所示的实施例中步骤203的相关说明,在此不再赘述。
这里,可以在执行完后步骤306’后转到步骤307’。
步骤307’,按照运动学规律或者统计学规律,根据所确定的N种运动信息、所确定的M种运动信息和目标障碍物的历史运动信息,确定目标障碍物的观测运动信息。
这里,步骤307’的具体操作可以参考图2所示的实施例中步骤204的相关说明,在此不再赘述。
这里,可以在执行完后步骤307’后转到步骤306。
步骤306,以目标障碍物的运动信息为状态变量,以观测运动信息作为观测量,采用预设滤波算法生成目标障碍物的当前运动信息。
这里,步骤306的具体操作与图2所示的实施例中步骤205的操作基本相同,在此不再赘述。
在本实施例的一些可选的实现方式中,上述电子设备还可以在步骤306之前,执行以下操作:
首先,可以确定观测运动信息与目标障碍物的上一周期运动信息的残差向量的模是否大于第三预设模阈值。
也就是说,观测运动信息是否与目标障碍物的上一周期运动信息偏差较大。
其次,响应于确定观测运动信息与目标障碍物的上一周期运动信息的残差向量的模大于第三预设模阈值,用观测运动信息乘以第一比值后所得到的运动信息更新观测运动信息。
这里,第一比值是第三预设模阈值除以观测运动信息与目标障碍物的上一周期运动信息的残差向量的模所得到的比值。
经过上面对观测运动信息的更新操作,使得更新后的观测运动信息与目标障碍物的上一周期运动信息的残差向量的模小于等于第三预设模阈值,从而可以对观测运动信息进行修正,在使用更新后的观测运动信息对目标障碍物进行运动估计的过程中,可以实现更准确的运动估计。
从图3中可以看出,与图2对应的实施例相比,本实施例中的用于无人驾驶车辆的障碍物运动信息生成方法的流程300多出了在M种运动信息存在歧义的情况下再采用计算量大的N种第二观测位移量来对目标障碍物进行运动估计的步骤。由此,本实施例描述的方案可以实现更全面的障碍物运动估计。
进一步参考图4,作为对上述各图所示方法的实现,本申请提供了一种用于无人驾驶车辆的障碍物运动信息生成装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,本实施例的用于无人驾驶车辆的障碍物运动信息生成装置400包括:获取单元401、第一计算单元402、第一确定单元403、第二确定单元404和生成单元405。其中,获取单元401,配置用于获取对待生成运动信息的目标障碍物进行表征的当前帧障碍物点云和参考帧障碍物点云,其中,上述当前帧障碍物点云是根据激光雷达所采集的当前帧激光点云所得到的,上述参考帧障碍物点云是根据上述激光雷达所采集的当前帧激光点云的前预设数目帧激光点云中用于表征上述目标障碍物的激光点云所得到的;第一计算单元402,配置用于根据上述当前帧障碍物点云和上述参考帧障碍物点云,计算上述目标障碍物在M种第一位移观测量中每种第一位移观测量下的第一观测位移;第一确定单元403,配置用于根据计算所得到的M种第一观测位移和上述激光雷达的采样周期,确定上述目标障碍物在上述M种第一位移观测量中每种第一位移观测量下的运动信息;第二确定单元404,配置用于按照运动学规律或者统计学规律,根据所确定的M种运动信息和上述目标障碍物的历史运动信息,确定上述目标障碍物的观测运动信息;生成单元405,配置用于以上述目标障碍物的运动信息为状态变量,以上述观测运动信息为观测量,采用预设滤波算法生成上述目标障碍物的当前运动信息。
在本实施例中,用于无人驾驶车辆的障碍物运动信息生成装置400的获取单元401、第一计算单元402、第一确定单元403、第二确定单元404和生成单元405的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202、步骤203、步骤204和步骤205的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,上述装置400还可以包括:第三确定单元406,配置用于根据所确定的M种运动信息和上述目标障碍物的历史运动信息,确定所确定的M种运动信息是否存在歧义;以及上述第二确定单元404可以进一步配置用于:响应于确定所确定的M种运动信息不存在歧义,按照运动学规律或者统计学规律,根据所确定的M种运动信息和上述目标障碍物的历史运动信息,确定上述目标障碍物的观测运动信息。
在本实施例的一些可选的实现方式中,上述第三确定单元406可以进一步配置用于:对于所确定的M种运动信息中的每种运动信息,确定该种运动信息与上述目标障碍物的上一周期运动信息的残差向量;将计算所得的M种残差向量中模最小的残差向量确定为第一最小残差向量;响应于上述第一最小残差向量的模小于第一预设模阈值,确定所确定的M种运动信息不存在歧义;响应于上述第一最小残差向量的模不小于上述第一预设模阈值,确定所确定的M种运动信息存在歧义。
在本实施例的一些可选的实现方式中,上述第三确定单元406可以进一步配置用于:对于所确定的M种运动信息中的每种运动信息,确定该种运动信息与上述目标障碍物的上一周期运动信息的残差向量;计算所确定的M种残差向量的平均向量;将所确定的M种残差向量中与计算所得的平均向量的向量差的模最小的残差向量,确定为第二最小残差向量;响应于上述第二最小残差向量的模小于第二预设模阈值,确定所确定的M种运动信息不存在歧义;响应于上述第二最小残差向量的模不小于上述第二预设模阈值,确定所确定的M种运动信息存在歧义。
在本实施例的一些可选的实现方式中,上述第三确定单元406可以进一步配置用于:对于所确定的M种运动信息中的每种运动信息,将该种运动信息与上述目标障碍物的上一周期运动信息的差向量确定为该种运动信息与上述目标障碍物的上一周期运动信息的残差向量。
在本实施例的一些可选的实现方式中,上述第三确定单元406可以进一步配置用于:对于所确定的M种运动信息中的每种运动信息,执行以下操作:以上述目标障碍物的运动信息为状态变量,以该种运动信息为观测量,采用上述预设滤波算法生成上述目标障碍物的运动估计信息;将所生成的运动估计信息与上述目标障碍物的上一周期运动信息的差向量确定为该种运动信息与上述目标障碍物的上一周期运动信息的残差向量。
在本实施例的一些可选的实现方式中,上述装置400还可以包括:第二计算单元407,配置用于响应于确定所确定的M种运动信息存在歧义,根据上述当前帧障碍物点云和上述参考帧障碍物点云,计算上述目标障碍物在N种第二位移观测量中每种第二位移观测量下的第二观测位移,其中,上述N种第二位移观测量中每种第二位移观测量的计算量大于上述M种第一位移观测量中每种第一位移观测量的计算量;第四确定单元408,配置用于根据计算所得到的N种第二观测位移和上述激光雷达的采样周期,确定上述目标障碍物在上述N种第二位移观测量中每种第二位移观测量下的运动信息;第五确定单元409,配置用于按照运动学规律或者统计学规律,根据所确定的N种运动信息、所确定的M种运动信息和上述目标障碍物的历史运动信息,确定上述目标障碍物的观测运动信息。
在本实施例的一些可选的实现方式中,上述装置400还可以包括:第六确定单元410,配置用于确定上述观测运动信息与上述目标障碍物的上一周期运动信息的残差向量的模是否大于第三预设模阈值;更新单元411,配置用于响应于确定上述观测运动信息与上述目标障碍物的上一周期运动信息的残差向量的模大于第三预设模阈值,用上述观测运动信息乘以第一比值后所得到的运动信息更新上述观测运动信息,其中,上述第一比值是上述第三预设模阈值除以上述观测运动信息与上述目标障碍物的上一周期运动信息的残差向量的模所得到的比值。
在本实施例的一些可选的实现方式中,上述生成单元405可以包括:调整模块4051,配置用于根据上述当前帧障碍物点云和上述参考帧障碍物点云之间的相似度,调整上述预设滤波算法中的滤波参数;生成模块4052,配置用于以上述目标障碍物的运动信息为状态变量,以上述观测运动信息为观测量,采用调整滤波参数后的上述预设滤波算法生成上述目标障碍物的当前运动信息。
在本实施例的一些可选的实现方式中,上述运动信息可以包括以下至少一项:速度信息和加速度信息。
在本实施例的一些可选的实现方式中,上述M种第一位移观测量可以包括以下至少一项:中心点位移观测量、重心点位移观测量、边中心点位移观测量和角点位移观测量。
在本实施例的一些可选的实现方式中,上述N种第二位移观测量可以包括:曲面位移观测量。
需要说明的是,本申请实施例提供的用于无人驾驶车辆的障碍物运动信息生成装置中各单元的实现细节和技术效果可以参考图2所示的实施例中的相关说明,在此不再赘述。
下面参考图5,其示出了适于用来实现本申请实施例的驾驶控制设备的计算机系统500的结构示意图。图5示出的驾驶控制设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示,计算机系统500包括中央处理单元(CPU,Central Processing Unit)501,其可以根据存储在只读存储器(ROM,Read Only Memory)502中的程序或者从存储部分506加载到随机访问存储器(RAM,Random Access Memory)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有系统500操作所需的各种程序和数据。CPU 501、ROM502以及RAM 503通过总线504彼此相连。输入/输出(I/O,Input/Output)接口505也连接至总线504。
以下部件连接至I/O接口505:包括硬盘等的存储部分506;以及包括诸如LAN(局域网,Local Area Network)卡、调制解调器等的网络接口卡的通信部分507。通信部分507经由诸如因特网的网络执行通信处理。驱动器508也根据需要连接至I/O接口505。可拆卸介质509,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器508上,以便于从其上读出的计算机程序根据需要被安装入存储部分506。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分507从网络上被下载和安装,和/或从可拆卸介质509被安装。在该计算机程序被中央处理单元(CPU)501执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、第一计算单元、第一确定单元、第二确定单元和生成单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,生成单元还可以被描述为“生成目标障碍物当前运动信息的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该装置:获取对待生成运动信息的目标障碍物进行表征的当前帧障碍物点云和参考帧障碍物点云,其中,上述当前帧障碍物点云是根据上述激光雷达所采集的当前帧激光点云所得到的,上述参考帧障碍物点云是根据上述激光雷达所采集的当前帧激光点云的前预设数目帧激光点云中用于表征上述目标障碍物的激光点云所得到的;根据上述当前帧障碍物点云和上述参考帧障碍物点云,计算上述目标障碍物在M种第一位移观测量中每种第一位移观测量下的第一观测位移;根据计算所得到的M种第一观测位移和上述激光雷达的采样周期,确定上述目标障碍物在上述M种第一位移观测量中每种第一位移观测量下的运动信息;按照运动学规律或者统计学规律,根据所确定的M种运动信息和上述目标障碍物的历史运动信息,确定上述目标障碍物的观测运动信息;以上述目标障碍物的运动信息为状态变量,以上述观测运动信息为观测量,采用预设滤波算法生成上述目标障碍物的当前运动信息。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (26)
1.一种用于无人驾驶车辆的障碍物运动信息生成方法,其特征在于,所述无人驾驶车辆设置有激光雷达,所述方法包括:
获取对待生成运动信息的目标障碍物进行表征的当前帧障碍物点云和参考帧障碍物点云,其中,所述当前帧障碍物点云是根据所述激光雷达所采集的当前帧激光点云所得到的,所述参考帧障碍物点云是根据所述激光雷达所采集的当前帧激光点云的前预设数目帧激光点云中用于表征所述目标障碍物的激光点云所得到的;
根据所述当前帧障碍物点云和所述参考帧障碍物点云,计算所述目标障碍物在M种第一位移观测量中每种第一位移观测量下的第一观测位移;
根据计算所得到的M种第一观测位移和所述激光雷达的采样周期,确定所述目标障碍物在所述M种第一位移观测量中每种第一位移观测量下的运动信息;
按照运动学规律或者统计学规律,根据所确定的M种运动信息和所述目标障碍物的历史运动信息,确定所述目标障碍物的观测运动信息;
以所述目标障碍物的运动信息为状态变量,以所述观测运动信息为观测量,采用预设滤波算法生成所述目标障碍物的当前运动信息。
2.根据权利要求1所述的方法,其特征在于,所述按照运动学规律或者统计学规律,根据所确定的M种运动信息和所述目标障碍物的历史运动信息,确定观测运动信息之前,所述方法还包括:
根据所确定的M种运动信息和所述目标障碍物的历史运动信息,确定所确定的M种运动信息是否存在歧义;以及
所述按照运动学规律或者统计学规律,根据所确定的M种运动信息和所述目标障碍物的历史运动信息,确定所述目标障碍物的观测运动信息,包括:
响应于确定所确定的M种运动信息不存在歧义,按照运动学规律或者统计学规律,根据所确定的M种运动信息和所述目标障碍物的历史运动信息,确定所述目标障碍物的观测运动信息。
3.根据权利要求2所述的方法,其特征在于,所述根据所确定的M种运动信息和所述目标障碍物的历史运动信息,确定所确定的M种运动信息是否存在歧义,包括:
对于所确定的M种运动信息中的每种运动信息,确定该种运动信息与所述目标障碍物的上一周期运动信息的残差向量;
将计算所得的M种残差向量中模最小的残差向量确定为第一最小残差向量;
响应于所述第一最小残差向量的模小于第一预设模阈值,确定所确定的M种运动信息不存在歧义;
响应于所述第一最小残差向量的模不小于所述第一预设模阈值,确定所确定的M种运动信息存在歧义。
4.根据权利要求2所述的方法,其特征在于,所述根据所确定的M种运动信息和所述目标障碍物的历史运动信息,确定所确定的M种运动信息是否存在歧义,包括:
对于所确定的M种运动信息中的每种运动信息,确定该种运动信息与所述目标障碍物的上一周期运动信息的残差向量;
计算所确定的M种残差向量的平均向量;
将所确定的M种残差向量中与计算所得的平均向量的向量差的模最小的残差向量,确定为第二最小残差向量;
响应于所述第二最小残差向量的模小于第二预设模阈值,确定所确定的M种运动信息不存在歧义;
响应于所述第二最小残差向量的模不小于所述第二预设模阈值,确定所确定的M种运动信息存在歧义。
5.根据权利要求3或4所述的方法,其特征在于,所述对于所确定的M种运动信息中的每种运动信息,确定该种运动信息与所述目标障碍物的上一周期运动信息的残差向量,包括:
对于所确定的M种运动信息中的每种运动信息,将该种运动信息与所述目标障碍物的上一周期运动信息的差向量确定为该种运动信息与所述目标障碍物的上一周期运动信息的残差向量。
6.根据权利要求3或4所述的方法,其特征在于,所述对于所确定的M种运动信息中的每种运动信息,确定该种运动信息与所述目标障碍物的上一周期运动信息的残差向量,包括:
对于所确定的M种运动信息中的每种运动信息,执行以下操作:以所述目标障碍物的运动信息为状态变量,以该种运动信息为观测量,采用所述预设滤波算法生成所述目标障碍物的运动估计信息;将所生成的运动估计信息与所述目标障碍物的上一周期运动信息的差向量确定为该种运动信息与所述目标障碍物的上一周期运动信息的残差向量。
7.根据权利要求2-6中任一所述的方法,其特征在于,所述方法还包括:
响应于确定所确定的M种运动信息存在歧义,根据所述当前帧障碍物点云和所述参考帧障碍物点云,计算所述目标障碍物在N种第二位移观测量中每种第二位移观测量下的第二观测位移,其中,所述N种第二位移观测量中每种第二位移观测量的计算量大于所述M种第一位移观测量中每种第一位移观测量的计算量;
根据计算所得到的N种第二观测位移和所述激光雷达的采样周期,确定所述目标障碍物在所述N种第二位移观测量中每种第二位移观测量下的运动信息;
按照运动学规律或者统计学规律,根据所确定的N种运动信息、所确定的M种运动信息和所述目标障碍物的历史运动信息,确定所述目标障碍物的观测运动信息。
8.根据权利要求7所述的方法,其特征在于,所述以所述目标障碍物的运动信息为状态变量,以所述观测运动信息为观测量,采用预设滤波算法生成所述目标障碍物的当前运动信息之前,所述方法还包括:
确定所述观测运动信息与所述目标障碍物的上一周期运动信息的残差向量的模是否大于第三预设模阈值;
响应于确定所述观测运动信息与所述目标障碍物的上一周期运动信息的残差向量的模大于第三预设模阈值,用所述观测运动信息乘以第一比值后所得到的运动信息更新所述观测运动信息,其中,所述第一比值是所述第三预设模阈值除以所述观测运动信息与所述目标障碍物的上一周期运动信息的残差向量的模所得到的比值。
9.根据权利要求8所述的方法,其特征在于,所述以所述目标障碍物的运动信息为状态变量,以所述观测运动信息为观测量,采用预设滤波算法生成所述目标障碍物的当前运动信息,包括:
根据所述当前帧障碍物点云和所述参考帧障碍物点云之间的相似度,调整所述预设滤波算法中的滤波参数;
以所述目标障碍物的运动信息为状态变量,以所述观测运动信息为观测量,采用调整滤波参数后的所述预设滤波算法生成所述目标障碍物的当前运动信息。
10.根据权利要求9所述的方法,其特征在于,所述运动信息包括以下至少一项:速度信息和加速度信息。
11.根据权利要求10所述的方法,其特征在于,所述M种第一位移观测量包括以下至少一项:中心点位移观测量、重心点位移观测量、边中心点位移观测量和角点位移观测量。
12.根据权利要求11所述的方法,其特征在于,所述N种第二位移观测量包括:曲面位移观测量。
13.一种用于无人驾驶车辆的障碍物运动信息生成装置,其特征在于,所述无人驾驶车辆设置有激光雷达,所述装置包括:
获取单元,配置用于获取对待生成运动信息的目标障碍物进行表征的当前帧障碍物点云和参考帧障碍物点云,其中,所述当前帧障碍物点云是根据所述激光雷达所采集的当前帧激光点云所得到的,所述参考帧障碍物点云是根据所述激光雷达所采集的当前帧激光点云的前预设数目帧激光点云中用于表征所述目标障碍物的激光点云所得到的;
第一计算单元,配置用于根据所述当前帧障碍物点云和所述参考帧障碍物点云,计算所述目标障碍物在M种第一位移观测量中每种第一位移观测量下的第一观测位移;
第一确定单元,配置用于根据计算所得到的M种第一观测位移和所述激光雷达的采样周期,确定所述目标障碍物在所述M种第一位移观测量中每种第一位移观测量下的运动信息;
第二确定单元,配置用于按照运动学规律或者统计学规律,根据所确定的M种运动信息和所述目标障碍物的历史运动信息,确定所述目标障碍物的观测运动信息;
生成单元,配置用于以所述目标障碍物的运动信息为状态变量,以所述观测运动信息为观测量,采用预设滤波算法生成所述目标障碍物的当前运动信息。
14.根据权利要求13所述的装置,其特征在于,所述装置还包括:
第三确定单元,配置用于根据所确定的M种运动信息和所述目标障碍物的历史运动信息,确定所确定的M种运动信息是否存在歧义;以及
所述第二确定单元进一步配置用于:
响应于确定所确定的M种运动信息不存在歧义,按照运动学规律或者统计学规律,根据所确定的M种运动信息和所述目标障碍物的历史运动信息,确定所述目标障碍物的观测运动信息。
15.根据权利要求14所述的装置,其特征在于,所述第三确定单元进一步配置用于:
对于所确定的M种运动信息中的每种运动信息,确定该种运动信息与所述目标障碍物的上一周期运动信息的残差向量;
将计算所得的M种残差向量中模最小的残差向量确定为第一最小残差向量;
响应于所述第一最小残差向量的模小于第一预设模阈值,确定所确定的M种运动信息不存在歧义;
响应于所述第一最小残差向量的模不小于所述第一预设模阈值,确定所确定的M种运动信息存在歧义。
16.根据权利要求14所述的装置,其特征在于,所述第三确定单元进一步配置用于:
对于所确定的M种运动信息中的每种运动信息,确定该种运动信息与所述目标障碍物的上一周期运动信息的残差向量;
计算所确定的M种残差向量的平均向量;
将所确定的M种残差向量中与计算所得的平均向量的向量差的模最小的残差向量,确定为第二最小残差向量;
响应于所述第二最小残差向量的模小于第二预设模阈值,确定所确定的M种运动信息不存在歧义;
响应于所述第二最小残差向量的模不小于所述第二预设模阈值,确定所确定的M种运动信息存在歧义。
17.根据权利要求15或16所述的装置,其特征在于,所述第三确定单元进一步配置用于:
对于所确定的M种运动信息中的每种运动信息,将该种运动信息与所述目标障碍物的上一周期运动信息的差向量确定为该种运动信息与所述目标障碍物的上一周期运动信息的残差向量。
18.根据权利要求15或16所述的装置,其特征在于,所述第三确定单元进一步配置用于:
对于所确定的M种运动信息中的每种运动信息,执行以下操作:以所述目标障碍物的运动信息为状态变量,以该种运动信息为观测量,采用所述预设滤波算法生成所述目标障碍物的运动估计信息;将所生成的运动估计信息与所述目标障碍物的上一周期运动信息的差向量确定为该种运动信息与所述目标障碍物的上一周期运动信息的残差向量。
19.根据权利要求14-18中任一所述的装置,其特征在于,所述装置还包括:
第二计算单元,配置用于响应于确定所确定的M种运动信息存在歧义,根据所述当前帧障碍物点云和所述参考帧障碍物点云,计算所述目标障碍物在N种第二位移观测量中每种第二位移观测量下的第二观测位移,其中,所述N种第二位移观测量中每种第二位移观测量的计算量大于所述M种第一位移观测量中每种第一位移观测量的计算量;
第四确定单元,配置用于根据计算所得到的N种第二观测位移和所述激光雷达的采样周期,确定所述目标障碍物在所述N种第二位移观测量中每种第二位移观测量下的运动信息;
第五确定单元,配置用于按照运动学规律或者统计学规律,根据所确定的N种运动信息、所确定的M种运动信息和所述目标障碍物的历史运动信息,确定所述目标障碍物的观测运动信息。
20.根据权利要求19所述的装置,其特征在于,所述装置还包括:
第六确定单元,配置用于确定所述观测运动信息与所述目标障碍物的上一周期运动信息的残差向量的模是否大于第三预设模阈值;
更新单元,配置用于响应于确定所述观测运动信息与所述目标障碍物的上一周期运动信息的残差向量的模大于第三预设模阈值,用所述观测运动信息乘以第一比值后所得到的运动信息更新所述观测运动信息,其中,所述第一比值是所述第三预设模阈值除以所述观测运动信息与所述目标障碍物的上一周期运动信息的残差向量的模所得到的比值。
21.根据权利要求20所述的装置,其特征在于,所述生成单元包括:
调整模块,配置用于根据所述当前帧障碍物点云和所述参考帧障碍物点云之间的相似度,调整所述预设滤波算法中的滤波参数;
生成模块,配置用于以所述目标障碍物的运动信息为状态变量,以所述观测运动信息为观测量,采用调整滤波参数后的所述预设滤波算法生成所述目标障碍物的当前运动信息。
22.根据权利要求21所述的装置,其特征在于,所述运动信息包括以下至少一项:速度信息和加速度信息。
23.根据权利要求22所述的装置,其特征在于,所述M种第一位移观测量包括以下至少一项:中心点位移观测量、重心点位移观测量、边中心点位移观测量和角点位移观测量。
24.根据权利要求23所述的装置,其特征在于,所述N种第二位移观测量包括:曲面位移观测量。
25.一种驾驶控制设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-12中任一所述的方法。
26.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-12中任一所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710841330.7A CN109521756B (zh) | 2017-09-18 | 2017-09-18 | 用于无人驾驶车辆的障碍物运动信息生成方法和装置 |
US16/050,930 US20190086923A1 (en) | 2017-09-18 | 2018-07-31 | Method and apparatus for generating obstacle motion information for autonomous vehicle |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710841330.7A CN109521756B (zh) | 2017-09-18 | 2017-09-18 | 用于无人驾驶车辆的障碍物运动信息生成方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109521756A true CN109521756A (zh) | 2019-03-26 |
CN109521756B CN109521756B (zh) | 2022-03-08 |
Family
ID=65719299
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710841330.7A Active CN109521756B (zh) | 2017-09-18 | 2017-09-18 | 用于无人驾驶车辆的障碍物运动信息生成方法和装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20190086923A1 (zh) |
CN (1) | CN109521756B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110018489A (zh) * | 2019-04-25 | 2019-07-16 | 上海蔚来汽车有限公司 | 基于激光雷达的目标追踪方法、装置及控制器和存储介质 |
CN110654381A (zh) * | 2019-10-09 | 2020-01-07 | 北京百度网讯科技有限公司 | 用于控制车辆的方法和装置 |
CN110654380A (zh) * | 2019-10-09 | 2020-01-07 | 北京百度网讯科技有限公司 | 用于控制车辆的方法和装置 |
CN110979321A (zh) * | 2019-12-30 | 2020-04-10 | 北京深测科技有限公司 | 一种用于无人驾驶车辆的障碍物躲避方法 |
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 |
CN112116804A (zh) * | 2019-06-19 | 2020-12-22 | 北京地平线机器人技术研发有限公司 | 一种车辆状态量信息确定方法及装置 |
CN112883909A (zh) * | 2021-03-16 | 2021-06-01 | 东软睿驰汽车技术(沈阳)有限公司 | 基于包围盒的障碍物位置检测方法、装置和电子设备 |
WO2021120202A1 (en) * | 2019-12-20 | 2021-06-24 | Baidu.Com Times Technology (Beijing) Co., Ltd. | Implementation of dynamic cost function of self-driving vehicles |
CN113177980A (zh) * | 2021-04-29 | 2021-07-27 | 北京百度网讯科技有限公司 | 用于自动驾驶的目标对象速度确定方法、装置及电子设备 |
WO2021222279A1 (en) * | 2020-04-28 | 2021-11-04 | Raven Industries, Inc. | Object detection and tracking for automated operation of vehicles and machinery |
WO2022217819A1 (zh) * | 2021-04-12 | 2022-10-20 | 武汉智行者科技有限公司 | 目标速度估计方法、装置以及存储介质 |
US11734917B2 (en) | 2017-11-13 | 2023-08-22 | Raven Industries, Inc. | Safety system for autonomous operation of off-road and agricultural vehicles using machine learning for detection and identification of obstacles |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110515095B (zh) * | 2019-09-29 | 2021-09-10 | 北京智行者科技有限公司 | 基于多个激光雷达的数据处理方法及系统 |
KR20210061842A (ko) * | 2019-11-20 | 2021-05-28 | 삼성전자주식회사 | 이동 로봇 장치 및 이의 제어 방법 |
CN111046743B (zh) * | 2019-11-21 | 2023-05-05 | 新奇点智能科技集团有限公司 | 一种障碍物信息标注方法、装置、电子设备和存储介质 |
CN113192110A (zh) * | 2020-01-14 | 2021-07-30 | 中寰卫星导航通信有限公司 | 多目标跟踪方法、装置、设备及存储介质 |
CN114127778A (zh) * | 2020-03-26 | 2022-03-01 | 百度时代网络技术(北京)有限公司 | 基于点云特征的障碍物过滤系统 |
CN113534826B (zh) * | 2020-04-15 | 2024-02-23 | 苏州宝时得电动工具有限公司 | 自移动设备的姿态控制方法、装置及存储介质 |
US11180162B1 (en) * | 2020-05-07 | 2021-11-23 | Argo AI, LLC | Systems and methods for controlling vehicles using an amodal cuboid based algorithm |
CN111665522B (zh) * | 2020-05-19 | 2022-12-16 | 上海有个机器人有限公司 | 过滤激光扫描图中静止物体的方法、介质、终端和装置 |
CN112071119A (zh) * | 2020-08-31 | 2020-12-11 | 安徽中科美络信息技术有限公司 | 基于车联网的智能辅助出入库方法及系统 |
CN112329749B (zh) * | 2021-01-05 | 2021-04-27 | 新石器慧通(北京)科技有限公司 | 点云的标注方法及标注设备 |
US20230003886A1 (en) * | 2021-07-01 | 2023-01-05 | Argo AI, LLC | Systems and methods for temporal decorrelation of object detections for probabilistic filtering |
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 |
CN116563817B (zh) * | 2023-04-14 | 2024-02-20 | 禾多科技(北京)有限公司 | 障碍物信息生成方法、装置、电子设备和计算机可读介质 |
CN116309689B (zh) * | 2023-05-17 | 2023-07-28 | 上海木蚁机器人科技有限公司 | 障碍物轨迹预测方法、装置、设备和介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8886387B1 (en) * | 2014-01-07 | 2014-11-11 | Google Inc. | Estimating multi-vehicle motion characteristics by finding stable reference points |
US9043069B1 (en) * | 2012-11-07 | 2015-05-26 | Google Inc. | Methods and systems for scan matching approaches for vehicle heading estimation |
US20150363940A1 (en) * | 2014-06-08 | 2015-12-17 | The Board Of Trustees Of The Leland Stanford Junior University | Robust Anytime Tracking Combining 3D Shape, Color, and Motion with Annealed Dynamic Histograms |
CN105182358A (zh) * | 2014-04-25 | 2015-12-23 | 谷歌公司 | 用于使用激光点云进行物体检测的方法和系统 |
CN105910604A (zh) * | 2016-05-25 | 2016-08-31 | 武汉卓拔科技有限公司 | 一种基于多传感器的自主避障导航系统 |
CN106225790A (zh) * | 2016-07-13 | 2016-12-14 | 百度在线网络技术(北京)有限公司 | 一种无人车定位精度的确定方法及装置 |
CN106570454A (zh) * | 2016-10-10 | 2017-04-19 | 同济大学 | 基于移动激光扫描的行人交通参数提取方法 |
US20170186177A1 (en) * | 2015-12-29 | 2017-06-29 | Texas Instruments Incorporated | Method and System for Real Time Structure From Motion in a Computer Vision System |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9110163B2 (en) * | 2013-06-14 | 2015-08-18 | Microsoft Technology Licensing, Llc | Lidar-based classification of object movement |
US11054515B2 (en) * | 2018-06-26 | 2021-07-06 | Zoox, Inc. | Radar clustering and velocity disambiguation |
US11507092B2 (en) * | 2019-12-27 | 2022-11-22 | Woven Planet North America, Inc. | Sequential clustering |
-
2017
- 2017-09-18 CN CN201710841330.7A patent/CN109521756B/zh active Active
-
2018
- 2018-07-31 US US16/050,930 patent/US20190086923A1/en not_active Abandoned
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9043069B1 (en) * | 2012-11-07 | 2015-05-26 | Google Inc. | Methods and systems for scan matching approaches for vehicle heading estimation |
US8886387B1 (en) * | 2014-01-07 | 2014-11-11 | Google Inc. | Estimating multi-vehicle motion characteristics by finding stable reference points |
CN105182358A (zh) * | 2014-04-25 | 2015-12-23 | 谷歌公司 | 用于使用激光点云进行物体检测的方法和系统 |
US20150363940A1 (en) * | 2014-06-08 | 2015-12-17 | The Board Of Trustees Of The Leland Stanford Junior University | Robust Anytime Tracking Combining 3D Shape, Color, and Motion with Annealed Dynamic Histograms |
US20170186177A1 (en) * | 2015-12-29 | 2017-06-29 | Texas Instruments Incorporated | Method and System for Real Time Structure From Motion in a Computer Vision System |
CN105910604A (zh) * | 2016-05-25 | 2016-08-31 | 武汉卓拔科技有限公司 | 一种基于多传感器的自主避障导航系统 |
CN106225790A (zh) * | 2016-07-13 | 2016-12-14 | 百度在线网络技术(北京)有限公司 | 一种无人车定位精度的确定方法及装置 |
CN106570454A (zh) * | 2016-10-10 | 2017-04-19 | 同济大学 | 基于移动激光扫描的行人交通参数提取方法 |
Non-Patent Citations (3)
Title |
---|
KYUNGNAM KIM; MICHAEL CAO; SHANKAR RAO; JIEJUN XU; SWARUP MEDASA: "Multi-object detection and behavior recognition from motion 3D data", 《CVPR 2011 WORKSHOPS》 * |
TSUNETAKE KANATANI,HIDEYUKI KUME,TAKAFUMI TAKETOMI: "Detection of Moving Objects from Point Cloud Data Using Photometric Consistency and Prior Knowledge of Road Environment", 《SICE ANNUAL CONFERENCE 2014》 * |
刘健: "基于三维激光雷达的无人驾驶车辆环境建模关键技术研究", 《中国博士学位论文全文数据库·信息科技辑》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11734917B2 (en) | 2017-11-13 | 2023-08-22 | Raven Industries, Inc. | Safety system for autonomous operation of off-road and agricultural vehicles using machine learning for detection and identification of obstacles |
CN110018489A (zh) * | 2019-04-25 | 2019-07-16 | 上海蔚来汽车有限公司 | 基于激光雷达的目标追踪方法、装置及控制器和存储介质 |
CN110018489B (zh) * | 2019-04-25 | 2022-11-08 | 上海蔚来汽车有限公司 | 基于激光雷达的目标追踪方法、装置及控制器和存储介质 |
CN112116804A (zh) * | 2019-06-19 | 2020-12-22 | 北京地平线机器人技术研发有限公司 | 一种车辆状态量信息确定方法及装置 |
CN110654381A (zh) * | 2019-10-09 | 2020-01-07 | 北京百度网讯科技有限公司 | 用于控制车辆的方法和装置 |
CN110654380A (zh) * | 2019-10-09 | 2020-01-07 | 北京百度网讯科技有限公司 | 用于控制车辆的方法和装置 |
CN110654380B (zh) * | 2019-10-09 | 2023-12-15 | 北京百度网讯科技有限公司 | 用于控制车辆的方法和装置 |
US11648936B2 (en) | 2019-10-09 | 2023-05-16 | Apollo Intelligent Driving Technology (Beiiing) Co., Ltd. | Method and apparatus for controlling vehicle |
CN113366400A (zh) * | 2019-12-20 | 2021-09-07 | 百度时代网络技术(北京)有限公司 | 自动驾驶车辆的动态成本函数的实现方法 |
US11724717B2 (en) | 2019-12-20 | 2023-08-15 | Baidu Usa Llc | Implementation of dynamic cost function of self-driving vehicles |
WO2021120202A1 (en) * | 2019-12-20 | 2021-06-24 | Baidu.Com Times Technology (Beijing) Co., Ltd. | Implementation of dynamic cost function of self-driving vehicles |
CN113366400B (zh) * | 2019-12-20 | 2023-07-21 | 百度时代网络技术(北京)有限公司 | 自动驾驶车辆的动态成本函数的实现方法 |
CN110979321A (zh) * | 2019-12-30 | 2020-04-10 | 北京深测科技有限公司 | 一种用于无人驾驶车辆的障碍物躲避方法 |
CN110979321B (zh) * | 2019-12-30 | 2021-03-19 | 北京深测科技有限公司 | 一种用于无人驾驶车辆的障碍物躲避方法 |
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 |
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 |
AU2021262764B2 (en) * | 2020-04-28 | 2023-11-30 | Raven Industries, Inc. | Object detection and tracking for automated operation of vehicles and machinery |
WO2021222279A1 (en) * | 2020-04-28 | 2021-11-04 | Raven Industries, Inc. | Object detection and tracking for automated operation of vehicles and machinery |
CN112883909A (zh) * | 2021-03-16 | 2021-06-01 | 东软睿驰汽车技术(沈阳)有限公司 | 基于包围盒的障碍物位置检测方法、装置和电子设备 |
WO2022217819A1 (zh) * | 2021-04-12 | 2022-10-20 | 武汉智行者科技有限公司 | 目标速度估计方法、装置以及存储介质 |
CN113177980A (zh) * | 2021-04-29 | 2021-07-27 | 北京百度网讯科技有限公司 | 用于自动驾驶的目标对象速度确定方法、装置及电子设备 |
CN113177980B (zh) * | 2021-04-29 | 2023-12-26 | 北京百度网讯科技有限公司 | 用于自动驾驶的目标对象速度确定方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109521756B (zh) | 2022-03-08 |
US20190086923A1 (en) | 2019-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109521756A (zh) | 用于无人驾驶车辆的障碍物运动信息生成方法和装置 | |
US10281919B2 (en) | Attributed roadway trajectories for self-driving vehicles | |
WO2018221453A1 (ja) | 出力装置、制御方法、プログラム及び記憶媒体 | |
JP6608456B2 (ja) | 推定装置、制御方法、プログラム及び記憶媒体 | |
CN110674705B (zh) | 基于多线激光雷达的小型障碍物检测方法及装置 | |
JP5023186B2 (ja) | 3dワーピング手法と固有対象物運動(pom)の検出の組み合わせに基づく対象物の動き検出システム | |
CN109901567A (zh) | 用于输出障碍物信息的方法和装置 | |
CN110196044A (zh) | 一种基于gps闭环检测的变电站巡检机器人建图方法 | |
CN104677361B (zh) | 一种综合定位的方法 | |
JP2017072422A (ja) | 情報処理装置、制御方法、プログラム及び記憶媒体 | |
KR102238522B1 (ko) | 3차원 공간에 대응되는 맵을 생성하는 차량 및 방법 | |
CN109643116A (zh) | 用于定位移动物体的系统和方法 | |
WO2018221454A1 (ja) | 地図作成装置、制御方法、プログラム及び記憶媒体 | |
JP6994950B2 (ja) | 画像認識システムおよびニューラルネットワークの学習方法 | |
CN113835102B (zh) | 车道线生成方法和装置 | |
JP2023054314A (ja) | 情報処理装置、制御方法、プログラム及び記憶媒体 | |
CN110989619B (zh) | 用于定位对象的方法、装置、设备和存储介质 | |
JP2021120683A (ja) | 出力装置、制御方法、プログラム及び記憶媒体 | |
EP4148599A1 (en) | Systems and methods for providing and using confidence estimations for semantic labeling | |
CN113554705B (zh) | 一种变化场景下的激光雷达鲁棒定位方法 | |
KR102489865B1 (ko) | 다중 필터 및 센서 퓨전 기반의 차량의 위치 추정 방법 | |
CN114641701A (zh) | 使用表面穿透雷达和深度学习的改进的导航和定位 | |
CN114426030A (zh) | 一种行人穿行意图估计方法、装置、设备和汽车 | |
US20230025579A1 (en) | High-definition mapping | |
WO2022124115A1 (ja) | 情報処理装置、制御方法、プログラム及び記憶媒体 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20211009 Address after: 105 / F, building 1, No. 10, Shangdi 10th Street, Haidian District, Beijing 100085 Applicant after: Apollo Intelligent Technology (Beijing) Co., Ltd Address before: 100085 third floor, baidu building, No. 10, Shangdi 10th Street, Haidian District, Beijing Applicant before: Baidu Online Network Technology (Beijing) Co., Ltd |
|
GR01 | Patent grant | ||
GR01 | Patent grant |