CN109633686B - 一种基于激光雷达侦测地面障碍物的方法及系统 - Google Patents
一种基于激光雷达侦测地面障碍物的方法及系统 Download PDFInfo
- Publication number
- CN109633686B CN109633686B CN201811396239.XA CN201811396239A CN109633686B CN 109633686 B CN109633686 B CN 109633686B CN 201811396239 A CN201811396239 A CN 201811396239A CN 109633686 B CN109633686 B CN 109633686B
- Authority
- CN
- China
- Prior art keywords
- preset
- point cloud
- cloud data
- scanning range
- straight line
- 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.)
- Active
Links
Images
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
- G01S17/93—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
Abstract
本发明提供了一种基于激光雷达侦测地面障碍物的方法,用以解决现有技术中无人驾驶或者障碍物识别技术中针对障碍物和地面识别精度较低,算法复杂的问题,本方法包括步骤:S1:获取预设扫描范围内的点云数据;S2:通过预设识别算法,确认获取的点云数据中的预设路面点云数据;S3:判断预设路面点云法向方向的直线上的点云是否为预设均匀点云;S4:若是,则确定当前预设扫描范围内没有地面障碍物;若不是,则确定当前预设扫描范围内有地面障碍物。本方法,能够更加准确和快速的确定路面障碍物信息,无需根据历史数据进行计算,分析速度较快。
Description
技术领域
本发明涉及激光雷达识别技术领域,尤其涉及一种基于激光雷达侦测地面障碍物的系统。
背景技术
激光雷达通过扫描测距获取周围环境的点云信息,其精度高,距离远、速度快,不受光照影响等有点。在无人驾驶车辆和机器人领域有广泛的应用前景。
目前基于点云数据的障碍物检测方法多用于基于高精度UAN地图的检测方法和基于机器学习训练模型的检测方法。
其中基于高精度环境地图的检测方法是先通过对离线采集的点云数据进行拼接,获得高精度的环境地图,再以获得的环境地图为背景,对比在线点云数据与环境地图差异,获得动静态障碍物信息。但是该方法,需要激光雷达和离线数据进行结合计算,不适用于具有大量物体运动的环境,其计算数据量较大,处理较慢。
其中基于及其学习训练模型的检测方法是通过计算提取点云的关键点和特征,采用大量的训练样本,通过各种学习方法获取各类障碍物的模型,通过模型预测识别障碍物的类型,但是需要使用大量优质样本进行训练,对于训练集中未出现的障碍物类型无法检测。
发明内容
为了解决上述问题,本发明提供了一种无需结合离线环境地图以及无需使用大量优质样本进行训练的可快速处理地面障碍物识别的基于激光雷达侦测地面障碍物的方法及系统。
为了达到上述目的,本发明采用以下技术方案:
一种基于激光雷达侦测地面障碍物的方法,包括步骤:
S1:获取预设扫描范围内的点云数据;
S2:通过预设识别算法,确认获取的点云数据中的预设路面点云数据;
S3:判断预设路面点云法向方向的直线上的点云是否为预设均匀点云;
S4:若是,则确定当前预设扫描范围内没有地面障碍物;若不是,则确定当前预设扫描范围内有地面障碍物。
进一步地,步骤S1包括:
S11:通过激光雷达持续对预设扫描范围进行扫描;
S12:获取激光雷达对预设扫描范围扫描的点云数据。
进一步地,所述预设识别算法包括:预设K近邻算法、预设法向差分算法以及预设分析算法。
进一步地,步骤S2包括:
S21:通过预设K-近邻算法,获取点云数据的点云法向;
S22:通过预设法向差分算法,分析获取的点云数据的点云法向,确认获取的点云数据中的预设路面点云数据。
进一步地,步骤S21包括:
S211:确定点云数据中每个点的预设聚类点云;
S212:滤除没有预设聚类点云的点;
S213:将有预设聚类点云的点,按照预设K-近邻算法进行邻域分割;
S214:对分割后每个邻域的法向方向做直线。
进一步地,步骤S22包括:
S221:对分割后每个邻域的法向方向的直线进行预设法向差分算法分析;
S222:判断分割后的邻域法向方向的直线是否在预设路面法向直线范围内;
S223:若分割后的邻域法向方向的直线在预设路面法向直线范围内,则所述邻域内的点云数据为预设路面点云数据。
一种基于激光雷达侦测地面障碍物的系统,包括:
扫描系统,用于获取预设扫描范围内的点云数据;
控制系统,用于通过预设识别算法,确认获取的点云数据中的预设路面点云数据;并判断预设路面点云法向方向的直线上的点云是否为预设均匀点云;若是,则确定当前预设扫描范围内没有地面障碍物;若不是,则确定当前预设扫描范围内没有地面障碍物。
进一步地,扫描系统包括:
激光雷达,用于通过预设原点的激光雷达扫描预设扫描范围内的点云数据;
传输模块,用于将激光雷达扫描的预设扫描范围内的点云数据信息传输至控制系统。
进一步地,控制系统包括:
信息接收模块,用于接收扫描系统发送的点云数据信息;
数据分析模块,用于根据设预设识别算法,确认获取的点云数据中的预设路面点云数据;
障碍确认模块,用于判断预设路面点云法向方向的直线上的点云是否为预设均匀点云;若是,则确定当前预设扫描范围内没有地面障碍物;若不是,则确定当前预设扫描范围内没有地面障碍物。
本发明的有益效果为:
(1)通过激光雷达持续对预设扫描范围内进行扫描,获取预设扫描范围内的物体的点云数据信息,通过预设识别算法识别获取的点云数据信息中属于预设路面点云数据信息的点云,然后通过预设路面点云数据信息的点云法向方向的点云的分布状态,确认当前预设扫描范围内是否存在预设地面障碍物点云数据,识别预设扫描范围内的预设地面障碍物点云数据,数据计算精确,数据处理量减少,能够快速的识别预设范围内的地面障碍物。
(2)本发明能够通过激光雷达对预设扫描范围内进行物体扫描并获取物体轮廓对应的点云数据信息,对获取的点云数据信息进行分类,从而判断出点云数据信息对应的障碍物点云数据信息和地面点云数据信息,实现对地面障碍物目标的识别,能够适用于各种障碍物识别的场景,适用范围较广,识别精度较高。
附图说明
图1为本基于激光雷达侦测地面障碍物的方法流程图一;
图2为本基于激光雷达侦测地面障碍物的方法流程图二;
图3为激光雷达测距原理图;
图4为实施例一中较佳的激光雷达应用图;
图5为本基于激光雷达侦测地面障碍物的系统结构图一;
图6为本基于激光雷达侦测地面障碍物的系统结构图二。
具体实施方式
以下是本发明的具体实施例并结合附图,对本发明的技术方案作进一步的描述,但本发明并不限于这些实施例。
实施例一
本实施例提供了一种基于激光雷达侦测地面障碍物的方法,如图1至图4所示,本方法包括步骤:
一种基于激光雷达侦测地面障碍物的方法,包括步骤:
S1:获取预设扫描范围内的点云数据;
S2:通过预设识别算法,确认获取的点云数据中的预设路面点云数据;
S3:判断预设路面点云法向方向的直线上的点云是否为预设均匀点云;
S4:若是,则确定当前预设扫描范围内没有地面障碍物;若不是,则确定当前预设扫描范围内没有地面障碍物。
进一步地,步骤S1包括:
S11:通过激光雷达持续对预设扫描范围进行扫描;
S12:获取激光雷达对预设扫描范围扫描的点云数据。
其中激光雷达测试系统是通过发射激光束实现对预设扫描范围内的物体进行轮廓特征的获取。即通过激光雷达获取预设扫描范围内物体轮廓的点云数据,然后对获取的点云数据进行识别和分类,判断获取的点云数据中是否包含预设地面障碍物点云数据。若获取的点云数据中包含预设地面障碍物点云数据,则确定当前预设扫描范围内包含地面障碍物;若获取的点云数据中没有包含预设地面障碍物点云数据,则确定当前预设扫描范围内不包含地面障碍物。
较佳地,如图4,本实施例中提供了一种基于激光雷达侦测车身周围障碍物的方法,其中在车顶预设位置设置有激光雷达,通过车顶设置的激光雷达,获取车身周围预设扫描位置的物体轮廓点云,然后确认车身周围预设扫描位置的物体轮廓点云中的预设路面点云数据,根据预设路面点云数据确认路面上的障碍物。
将激光雷达放置在车顶上,能够提高对车身周围预设扫描范围内障碍物的识别概率,降低汽车因内轮差造成的事故的概率,减少公交车内轮差撞人或者自行车的事故,进一步地,提高了行车安全性。
进一步地,所述预设识别算法包括:预设K近邻算法、预设法向差分算法以及预设分析算法。
进一步地,步骤S2包括:
S21:通过预设K-近邻算法,获取点云数据的点云法向;
S22:通过预设法向差分算法,分析获取的点云数据的点云法向,确认获取的点云数据中的预设路面点云数据。
进一步地,步骤S21包括:
S211:确定点云数据中每个点的预设聚类点云;
S212:滤除没有预设聚类点云的点;
S213:将有预设聚类点云的点,按照预设K-近邻算法进行邻域分割;
S214:对分割后每个邻域的法向方向做直线。
在k近邻算法中,整个算法实际上是利用训练集把特征空间划分成多个子空间,训练集中的每个样本占据一部分空间。对最近邻而言,当测试样本落在某个训练样本的领域内,就把测试样本标记为这一类。
k近邻是一种常用的分类与回归算法,原理为:
输入:训练集T={(x1,y1),(x2,y2),…,(xn,yn)};待分类样本x′;设定好的最近邻个数k;
输出:x′的类别标签;
算法:搜索训练集训练集T,根据给定的距离度量(如欧式距离),找出与x′距离最近的k个点,并把涵盖这些点的领域记为Nk(x′)
其中获取的预设扫描范围内的点云,即输入的训练集T,其中通过预先设定好的待分类样本x′和设定好的预设最近邻个数K,即可获得点云数据中每个点的预设聚类点云,然后滤除没有预设聚类点云的点,然后对有预设聚类点云的点进行邻域划分,即Nk(x′),分割后的邻域包含有很多类别,有预设路面点云邻域,有预设障碍物点云邻域,因此需要首先确认预设路面点云邻域。其中每个邻域内的点云,利用三点形成一个平面,做每个邻域的法向方向的直线。
进一步地,步骤S22包括:
S221:对分割后每个邻域的法向方向的直线进行预设法向差分算法分析;
S222:判断分割后的邻域法向方向的直线是否在预设路面法向直线范围内;
S223:若分割后的邻域法向方向的直线在预设路面法向直线范围内,则所述邻域内的点云数据为预设路面点云数据。
其中每个邻域表示着预设扫描范围内物体的轮廓信息,将每个邻域的法向方向的直线,进行预设法向差分算法分析,其中预设路面法向方向的直线之间的相对角度是在预设范围内的,不会有较大的角度差别,即使有一个凸起路面,在进行差分计算的过程中,其凸起的弧度面的法向方向的直线的角度也不会超过预设角度范围,因此可以根据每个邻域法向方向的直线进行区分邻域是否为预设路面点云数据对应的邻域。
其中确认预设路面点云数据后,可以根据预设路面点云数据对应的邻域法向方向的直线上预设直线周围的点云是否为预设均匀点云,若不是,则预设直线周围的点云数据分布是呈梯度发生变化的。可以确定当前预设路面点云数据上方包含预设地面障碍物点云数据。
综上所述,本实施例提供的基于激光雷达侦测地面障碍物的方法,能够通过预设K近邻算法,预设法向差分算法获取预设扫描范围内的点云数据中的预设路面点云数据,然后根据预设路面点云数据法向方向上直线的预设直线周围范围内的点云分布状态,确定是否具有预设障碍物点云来判断预设扫描范围内是否包含障碍物。
其运算效率高,能够在较少的数据处理条件下,完成障碍物的识别,提高了对预设扫描范围内障碍物的识别率,并能改善由于视线盲角导致的障碍物识别不到的问题,提高了安全性。
实施例二
本实施例提供了一种基于激光雷达侦测地面障碍物的系统,如图5至图6所示,本系统包括:
扫描系统,用于获取预设扫描范围内的点云数据;
控制系统,用于通过预设识别算法,确认获取的点云数据中的预设路面点云数据;并判断预设路面点云法向方向的直线上的点云是否为预设均匀点云;若是,则确定当前预设扫描范围内没有地面障碍物;若不是,则确定当前预设扫描范围内没有地面障碍物。
进一步地,扫描系统包括:
激光雷达,用于通过预设原点的激光雷达扫描预设扫描范围内的点云数据;
传输模块,用于将激光雷达扫描的预设扫描范围内的点云数据信息传输至控制系统。
进一步地,控制系统包括:
信息接收模块,用于接收扫描系统发送的点云数据信息;
数据分析模块,用于根据设预设识别算法,确认获取的点云数据中的预设路面点云数据;
障碍确认模块,用于判断预设路面点云法向方向的直线上的点云是否为预设均匀点云;若是,则确定当前预设扫描范围内没有地面障碍物;若不是,则确定当前预设扫描范围内没有地面障碍物。
激光雷达主要是通过发射激光束实现对预设扫描范围内的物体进行轮廓特征的获取。
较佳的,本实施例中的激光雷达安装在汽车顶上,汽车在行驶过程中,置于车顶的激光雷达会向汽车周围的预设扫描范围内发射激光束,激光束在探测到预设扫描范围内的物体时会被反射回激光雷达,通过激光测距原理,可以计算出激光雷达到预设扫描范围内物体的距离信息。
其中激光雷达会持续对车身周围预设扫描范围内进行扫描,从而获取预设扫描范围内物体的轮廓信息,形成点云。获取车身周围目标物体的点云数据后,首先通过数据分析模块,判断获取的点云数据中是否包含预设地面障碍物点云数据,其中具体的方法为,通过数据分析模块,识别获取的点云数据中的预设路面点云数据,然后在预设路面的点云中通过三点形成一面做法线,并在法线方向的直线周围判断点云数据信息,当预设路面点云上没有障碍物时,预设路面点云法向方向的直线周围的点云数据分布较为均匀,当预设路面点云上有障碍物时,预设路面点云法向方向的直线周围的点云数据分布会呈梯度发生变化,因此可以确认当前预设扫描范围内,是否有障碍物。
识别精确,保证了侦测地面障碍物的识别效率,能够适用于多种场景的障碍物识别。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (6)
1.一种基于激光雷达侦测地面障碍物的方法,其特征在于,包括步骤:
S1:获取预设扫描范围内的点云数据;
S2:通过预设识别算法,判断获取的点云数据中是否包含预设地面障碍物点云数据;
步骤S2包括:
S21:通过预设K-近邻算法,获取点云数据的点云法向;
S22:通过预设法向差分算法,分析获取的点云数据的点云法向,确认获取的点云数据中的预设路面点云数据;
S23:对预设路面点云法向上的点云按照预设分析算法进行分析,获取预设路面点云法向上的点云是否为预设均匀点云,若不是,则确认获取的点云数据中包含预设地面障碍点云数据;
步骤S21包括:
S211:确定点云数据中每个点的预设聚类点云;
S212:滤除没有预设聚类点云的点;
S213:将有预设聚类点云的点,按照预设K-近邻算法进行邻域分割;
S214:对分割后每个邻域的法向方向做直线;
步骤S22包括:
S221:对分割后每个邻域的法向方向的直线进行预设法向差分算法分析;
S222:判断分割后的邻域法向方向的直线是否在预设路面法向直线范围内;
S223:若分割后的邻域法向方向的直线在预设路面法向直线范围内,则所述邻域内的点云数据为预设路面点云数据;
S3:若包含,则确定当前预设扫描范围内有地面障碍物;若不包含,则确定当前预设扫描范围内没有地面障碍物。
2.根据权利要求1所述的一种基于激光雷达侦测地面障碍物的方法,其特征在于,步骤S1包括:
S11:通过激光雷达持续对预设扫描范围进行扫描;
S12:获取激光雷达对预设扫描范围扫描的点云数据。
3.根据权利要求1所述的一种基于激光雷达侦测地面障碍物的方法,其特征在于,所述预设识别算法包括:预设K近邻算法、预设法向差分算法以及预设分析算法。
4.根据权利要求1所述的一种基于激光雷达侦测地面障碍物的方法,其特征在于,步骤S23包括:
S231:获取预设路面点云数据对应邻域法向方向的直线;
S232:判断预设路面点云数据对应邻域法向方向的直线上预设直线周围的点云是否为预设均匀点云;
S233:若是,则确认获取的邻域法向方向的直线上预设直线周围的点云不包含预设地面障碍点云数据;若不是,则确认获取的点云数据中包含预设地面障碍点云数据。
5.一种基于激光雷达侦测地面障碍物的系统,其特征在于,包括:
扫描系统,用于获取预设扫描范围内的点云数据;
控制系统,用于通过预设识别算法,判断获取的点云数据中是否包含预设地面障碍物点云数据,若包含,则确定当前预设扫描范围内有地面障碍物;若不包含,则确定当前预设扫描范围内没有地面障碍物;
控制系统包括:
信息接收模块,用于接收扫描系统发送的点云数据信息;
数据分析模块,用于根据设预设识别算法,识别分析接收的点云数据中是否包含预设地面障碍物点云数据;
障碍确认模块,用于当数据分析模块确认接收的点云数据中包含预设地面障碍物点云数据,则确认预设扫描范围内包含障碍物。
6.根据权利要求5所述的一种基于激光雷达侦测地面障碍物的系统,其特征在于,扫描系统包括:
激光雷达,用于通过预设原点的激光雷达扫描预设扫描范围内的点云数据;
传输模块,用于将激光雷达扫描的预设扫描范围内的点云数据信息传输至控制系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811396239.XA CN109633686B (zh) | 2018-11-22 | 2018-11-22 | 一种基于激光雷达侦测地面障碍物的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811396239.XA CN109633686B (zh) | 2018-11-22 | 2018-11-22 | 一种基于激光雷达侦测地面障碍物的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109633686A CN109633686A (zh) | 2019-04-16 |
CN109633686B true CN109633686B (zh) | 2021-01-19 |
Family
ID=66068714
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811396239.XA Active CN109633686B (zh) | 2018-11-22 | 2018-11-22 | 一种基于激光雷达侦测地面障碍物的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109633686B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110209160A (zh) * | 2019-04-29 | 2019-09-06 | 北京云迹科技有限公司 | 基于激光的障碍物提取方法及装置 |
JP2023016509A (ja) * | 2021-07-21 | 2023-02-02 | 京セラ株式会社 | 電子機器、電子機器の制御方法、及びプログラム |
CN115728781A (zh) * | 2021-08-25 | 2023-03-03 | 中车株洲电力机车研究所有限公司 | 一种基于激光雷达点云的小障碍物检测方法及装置 |
CN115542340B (zh) * | 2022-12-01 | 2023-05-05 | 广东工业大学 | 基于距离已知参照物的路侧双固态激光雷达点云融合方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101975951A (zh) * | 2010-06-09 | 2011-02-16 | 北京理工大学 | 一种融合距离和图像信息的野外环境障碍检测方法 |
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 |
CN107609520A (zh) * | 2017-09-15 | 2018-01-19 | 四川大学 | 障碍物识别方法、装置及电子设备 |
CN108052624A (zh) * | 2017-12-15 | 2018-05-18 | 深圳市易成自动驾驶技术有限公司 | 点云数据处理方法、装置及计算机可读存储介质 |
CN108828621A (zh) * | 2018-04-20 | 2018-11-16 | 武汉理工大学 | 基于三维激光雷达的障碍检测和路面分割算法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104931977B (zh) * | 2015-06-11 | 2017-08-25 | 同济大学 | 一种用于智能车辆的障碍物识别方法 |
CN107292276B (zh) * | 2017-06-28 | 2020-01-07 | 武汉大学 | 一种车载点云聚类方法及系统 |
-
2018
- 2018-11-22 CN CN201811396239.XA patent/CN109633686B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101975951A (zh) * | 2010-06-09 | 2011-02-16 | 北京理工大学 | 一种融合距离和图像信息的野外环境障碍检测方法 |
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 |
CN107609520A (zh) * | 2017-09-15 | 2018-01-19 | 四川大学 | 障碍物识别方法、装置及电子设备 |
CN108052624A (zh) * | 2017-12-15 | 2018-05-18 | 深圳市易成自动驾驶技术有限公司 | 点云数据处理方法、装置及计算机可读存储介质 |
CN108828621A (zh) * | 2018-04-20 | 2018-11-16 | 武汉理工大学 | 基于三维激光雷达的障碍检测和路面分割算法 |
Non-Patent Citations (1)
Title |
---|
"激光雷达点云特征分析与数据分割";李恒星;《中国优秀硕士学位论文全文数据库 信息科技辑》;20141115;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109633686A (zh) | 2019-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109633686B (zh) | 一种基于激光雷达侦测地面障碍物的方法及系统 | |
EP3430427B1 (en) | Processing method of a 3d point cloud | |
US11093799B2 (en) | Rare instance classifiers | |
CN110344621B (zh) | 一种面向智能车库的车轮点云检测方法 | |
CN110033457B (zh) | 一种目标点云分割方法 | |
US8818702B2 (en) | System and method for tracking objects | |
US11915427B2 (en) | Conflict resolver for a lidar data segmentation system of an autonomous vehicle | |
US10884411B1 (en) | Autonomous vehicle controlled based upon a lidar data segmentation system and an aligned heightmap | |
CN109633676A (zh) | 一种基于激光雷达侦测障碍物运动方向的方法及系统 | |
CN108280840B (zh) | 一种基于三维激光雷达的道路实时分割方法 | |
US11022693B1 (en) | Autonomous vehicle controlled based upon a lidar data segmentation system | |
CN109633685A (zh) | 一种基于激光雷达侦测障碍物状态的方法及系统 | |
Li et al. | An adaptive 3D grid-based clustering algorithm for automotive high resolution radar sensor | |
US11853061B2 (en) | Autonomous vehicle controlled based upon a lidar data segmentation system | |
US20220137634A1 (en) | Vehicle neural network enhancement | |
Zhang et al. | A framework for turning behavior classification at intersections using 3D LIDAR | |
CN112487905A (zh) | 一种车辆周边行人危险等级预测方法及系统 | |
KR20230026130A (ko) | 자율 주행을 위한 단일 계층 3차원 다중 객체 검출 장치 및 방법 | |
CN114359876B (zh) | 一种车辆目标识别方法及存储介质 | |
CN115923839A (zh) | 一种车辆路径规划方法 | |
KR102557620B1 (ko) | 객체를 분류하는 레이더 장치 및 방법 | |
US11449067B1 (en) | Conflict resolver for a lidar data segmentation system of an autonomous vehicle | |
JPH08315125A (ja) | 車両の走行路区分線などの認識装置 | |
CN113611008B (zh) | 一种车辆行驶场景采集方法、装置、设备及介质 | |
US20190041866A1 (en) | Method for operating a motor vehicle with a lidar sensor |
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 |