CN110114692B - 一种地面环境的检测方法和装置 - Google Patents
一种地面环境的检测方法和装置 Download PDFInfo
- Publication number
- CN110114692B CN110114692B CN201680091952.6A CN201680091952A CN110114692B CN 110114692 B CN110114692 B CN 110114692B CN 201680091952 A CN201680091952 A CN 201680091952A CN 110114692 B CN110114692 B CN 110114692B
- Authority
- CN
- China
- Prior art keywords
- ground environment
- laser
- scanning point
- sub
- scanning
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 claims abstract description 58
- 238000002310 reflectometry Methods 0.000 claims description 41
- 230000011218 segmentation Effects 0.000 claims description 35
- 238000013528 artificial neural network Methods 0.000 claims description 29
- 238000013499 data model Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 25
- 230000004927 fusion Effects 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 11
- 238000009434 installation Methods 0.000 claims description 10
- 230000001131 transforming effect Effects 0.000 claims description 10
- 230000000694 effects Effects 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000008447 perception Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- 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
- 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
- G01S7/491—Details of non-pulse systems
- G01S7/4912—Receivers
- G01S7/4913—Circuits for detection, sampling, integration or read-out
-
- 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
- G01S17/06—Systems determining position data of a target
- G01S17/42—Simultaneous measurement of distance and other co-ordinates
-
- 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
- G01S17/87—Combinations of systems using electromagnetic waves other than radio waves
-
- 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
-
- 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
- G01S7/4808—Evaluating distance, position or velocity data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/60—Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/803—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Data Mining & Analysis (AREA)
- Electromagnetism (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Optical Radar Systems And Details Thereof (AREA)
- Optics & Photonics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
Abstract
一种地面环境检测的方法和装置,方法包括:采用不同工作波长激光探测信号扫描地面环境,接收地面环境反射回来的反射信号,根据反射信号确定地面环境的每个扫描点的扫描点信息,根据每个扫描点信息确定每个扫描点的空间坐标信息和激光反射特征,将地面环境分割成具有不同激光反射特征的子区域,确定各子区域的地面环境类型。由于利用了不同工作波长的激光雷达扫描地面,并依据地面环境在不同波长激光下的反射强度判断地面环境类型,提高了对复杂地面环境的感知效果,更好地确定可通行路面。
Description
技术领域
本发明实施例涉及自动驾驶领域,尤其涉及地面环境检测的方法和装置。
背景技术
自动驾驶汽车也称无人驾驶汽车,是一种通过计算机系统或者终端设备实现无人驾驶的智能汽车。实现自动驾驶的重要前提之一就是对地面环境的检测,通过对地面环境的检测,确定路面状况、车辆可通行的区域等,从而服务于后续自动驾驶的规划、决策与控制。
现有的技术往往采用基于单一工作波长的激光雷达扫描或者图像识别的方式,依据路面的空间信息或者图像特征确定可通行的路面,然而这些方式仅对简单地面环境(如平整的高速公路的路面)或图像特征明显的地面环境(如有清晰的车道线的路面)有较好的效果,难以正确检测复杂的道路环境,如无法检测路面不平整,或者路面有草丛、积水的道路,或在道路标线不全、路面有阴影或者夜间时检测效果非常差。
发明内容
有鉴于此,本发明实施例提供了一种基于多波长激光雷达检测地面环境的方法和装置,该方法通过采用基于不同工作波长的激光雷达扫描地面,依据地面环境在不同波长激光下的反射强度特征判断地面环境类型,提高对复杂地面环境的感知效果,更好地确定可通行路面。
第一方面,本申请提供了一种地面环境检测的方法,包括:采用不同工作波长激光探测信号扫描地面环境,接收地面环境针对探测信号反射回来的反射信号;根据反射信号确定地面环境的每个扫描点的扫描点信息,扫描点信息包含扫描点相对于激光雷达的方向角、距离以及激光反射强度;根据每个扫描点信息确定每个扫描点的空间坐标信息和激光反射特征,将地面环境分割成具有不同激光反射特征的子区域,激光反射特征包括对不同波长激光的反射率;确定各子区域的地面环境类型。
可以理解的是,可以采用多个具有不同工作波长的激光雷达分别发射自身工作波长的激光探测信号扫描周围地面环境,也可以采用具有多个工作波长的激光雷达分别发射不同波长的激光探测信号。
采用上述的方法,用不同波长的激光探测信号扫描周围地面环境,确定每个扫描点对不同波长激光的反射率,将地面环境分割成具有不同激光反射特征的子区域,确定各子区域的地面环境类型。依据地面环境在不同波长下的反射强度判断地面环境类型,提高了对复杂地面环境的感知效果,更好地确定可通行路面。
在一种可能的实现中,根据每种类型地面环境的激光反射特征,确定各子区域的地面环境类型。
在一种可能的实现中,将各子区域的激光反射特征输入神经网络,获取神经网络输出的各子区域的地面环境类型。这里采用的神经网络通过采用不同地面环境类型对不同波长激光的反射率数据作为输入,地面环境类型作为输出的一组数据作为样本数据集进行训练,得到用于区分不同地面环境类型的数据模型。通过神经网络根据训练得到的数据模型来针对各子区域的激光反射特征确定各子区域的地面环境类型,提升了地面环境类型识别的准确率。
在一种可能的实现中,依据每个扫描点的扫描点信息和各激光雷达的安装位置,将各扫描点的位置信息变换到同一坐标系,对通过各激光雷达获取的各扫描点的扫描点信息进行融合,确定每个扫描点的空间坐标信息和激光反射特征;根据每个扫描点的空间坐标信息和激光反射特征进行区域分割,将地面环境分割成具有不同激光反射特征的子区域。即首先依据扫描点位置信息将多个激光雷达的扫描数据进行融合,然后再将融合后的数据依据不同波长的反射率信息进行聚类,将地面环境分割成具有不同激光反射特征的子区域。
在一种可能的实现中,将各激光雷达获取的扫描点根据扫描点信息分别进行区域分割,生成每个激光雷达具有不同激光反射强度的聚类后子区域;将每个激光雷达的聚类后子区域的位置信息变换到同一坐标系,对各激光雷达聚类后子区域内的各扫描点的扫描点信息按照变换后子区域的位置信息进行融合,将地面环境分割成具有不同激光反射特征的子区域。即首先将各激光雷达的扫描数据分别聚类进行区域分割,然后将不同激光雷达的区域分割后的数据依据位置信息进行融合,将地面环境分割成具有不同激光反射特征的子区域。
在一种可能的实现中,采用区域生长方式或者K-means方式进行区域分割。
进一步的,通过多个摄像头采集地面环境的图像数据,对摄像头采集到的图像数据进行处理,识别地面环境类型,与通过多波长激光雷达确定的各子区域的地面环境类型进行融合,增加了地面环境检测系统的鲁棒性。
第二方面,本发明实施例提供了一种地面环境检测设备,包括:激光扫描单元,用于采用不同工作波长激光探测信号扫描地面环境,接收地面环境针对探测信号反射回来的反射信号;数据采集单元,用于根据反射信号确定地面环境的每个扫描点的扫描点信息,该扫描点信息包含扫描点相对于激光雷达的方向角、距离以及激光反射强度;扫描数据处理单元,用于根据每个扫描点信息确定每个扫描点的空间坐标信息和激光反射特征,将地面环境分割成具有不同激光反射特征的子区域,该激光反射特征包括对不同波长激光的反射率;地面环境确定单元,用于确定各子区域的地面环境类型。
在一种可能的实现方式中,激光扫描单元为机械旋转式激光雷达或固态激光雷达。
上述的地面环境检测设备采用不同波长的激光探测信号扫描周围地面环境,并根据地面环境反射的反射信号,确定每个扫描点对不同波长激光的反射率,将地面环境分割成具有不同激光反射特征的子区域,确定各子区域的地面环境类型。依据地面环境在不同激光波长下的反射强度判断地面环境类型,提高了对复杂地面环境的感知效果,更好地确定可通行路面。
在一种可能的实现方式中,地面环境确定单元用于根据每种类型地面环境的激光反射特征,确定各子区域的地面环境类型。
在另一种可能的实现方式中,地面环境确定单元用于将各子区域的激光反射特征输入神经网络,获取该神经网络输出的各子区域的地面环境类型;其中,该神经网络用于区分不同地面环境类型的数据模型通过采用不同地面环境类型对不同波长激光的反射率数据作为输入,地面环境类型作为输出的一组数据作为样本数据集进行训练得到。
在一种可能的实现方式中,扫描数据处理单元包括:融合子单元,用于依据每个扫描点的扫描点信息和各激光雷达的安装位置,将各扫描点的位置信息变换到同一坐标系,对通过各激光雷达获取的各扫描点的扫描点信息进行融合,确定每个扫描点的空间坐标信息和激光反射特征;区域分割子单元,用于根据每个扫描点的空间坐标信息和激光反射特征进行区域分割,将地面环境分割成具有不同激光反射特征的子区域。即,融合子单元用于首先依据扫描点位置信息将多个激光雷达的扫描数据进行融合,然后区域分割子单元用于将融合后的数据依据不同波长的反射率信息进行聚类,将地面环境分割成具有不同激光反射特征的子区域。
在另一种可能的实现方式中,扫描数据处理单元,包括:区域分割子单元用于将各激光雷达获取的扫描点根据扫描点信息分别进行区域分割,生成每个激光雷达具有不同激光反射强度的聚类后子区域;融合子单元,用于将每个激光雷达的聚类后子区域的位置信息变换到同一坐标系,对各激光雷达聚类后子区域内的各扫描点的扫描点信息按照变换后子区域的位置信息进行融合,将地面环境分割成具有不同激光反射特征的子区域。即,区域分割子单元用于首先将各激光雷达的扫描数据分别聚类进行区域分割,然后融合子单元用于将不同激光雷达的区域分割后的数据依据位置信息进行融合,将地面环境分割成具有不同激光反射特征的子区域。
在一种可能的实现方式中,区域分割子单元采用区域生长方式或者K-means方式进行区域分割。
第三方面,本发明实施例提供了一种地面环境检测设备,包括:激光扫描单元,用于采用不同工作波长激光探测信号扫描地面环境,接收地面环境针对探测信号反射回来的反射信号;数据处理单元,包括处理器和存储器,存储器用于存储计算机执行指令,处理器执行计算机执行指令,用于根据反射信号确定地面环境的每个扫描点的扫描点信息,根据每个扫描点信息确定每个扫描点的空间坐标信息和激光反射特征,将地面环境分割成具有不同激光反射特征的子区域,确定各子区域的地面环境类型;其中,扫描点信息包含扫描点相对于激光雷达的方向角、距离以及激光反射强度,激光反射特征包括对不同波长激光的反射率。
在一种可能的实现方式中,激光扫描单元为机械旋转式激光雷达或固态激光雷达。
上述的地面环境检测设备采用不同波长的激光探测信号扫描周围地面环境,并根据地面环境反射的反射信号,确定每个扫描点对不同波长激光的反射率,将地面环境分割成具有不同激光反射特征的子区域,确定各子区域的地面环境类型。依据地面环境在不同波长下的反射强度判断地面环境类型,提高了对复杂地面环境的感知效果,更好地确定可通行路面。
在一种可能的实现方式中,该处理器用于根据每种类型地面环境的激光反射特征,确定各子区域的地面环境类型。
在另一种可能的实现方式中,该处理器用于将各子区域的激光反射特征输入神经网络,获取神经网络输出的各子区域的地面环境类型;其中,该神经网络用于区分不同地面环境类型的数据模型通过采用不同地面环境类型对不同波长激光的反射率数据作为输入,地面环境类型作为输出的一组数据作为样本数据集进行训练得到。
在一种可能的实现方式中,该处理器用于依据每个扫描点的扫描点信息和各激光雷达的安装位置,将各扫描点的位置信息变换到同一坐标系,对通过各激光雷达获取的各扫描点的扫描点信息进行融合,确定每个扫描点的空间坐标信息和激光反射特征,根据每个扫描点的空间坐标信息和激光反射特征进行区域分割,将地面环境分割成具有不同激光反射特征的子区域。即,处理器用于首先依据扫描点位置信息将多个激光雷达的扫描数据进行融合,然后将融合后的数据依据不同波长的反射率信息进行聚类,将地面环境分割成具有不同激光反射特征的子区域。
在另一种可能的实现方式中,该处理器用于将各激光雷达获取的扫描点根据扫描点信息分别进行区域分割,生成每个激光雷达具有不同激光反射强度的聚类后子区域;将每个激光雷达的聚类后子区域的位置信息变换到同一坐标系,对各激光雷达聚类后子区域内的各扫描点的扫描点信息按照变换后子区域的位置信息进行融合,将地面环境分割成具有不同激光反射特征的子区域。即,处理器用于首先将各激光雷达的扫描数据分别聚类进行区域分割,然后将不同激光雷达的区域分割后的数据依据位置信息进行融合,将地面环境分割成具有不同激光反射特征的子区域。
在一种可能的实现方式中,该处理器采用区域生长方式或者K-means方式进行区域分割。
通过上述技术方案,本发明实施例提供的地面环境检测方法和装置,采用不同波长的激光探测信号扫描周围地面环境,并根据每个扫描点对不同波长激光的反射率,将地面环境分割成具有不同激光反射特征的子区域,确定各子区域的地面环境类型。由于利用了不同波长的激光扫描地面,并依据地面环境在不同波长激光下的反射强度特征判断地面环境类型,提高了对复杂地面环境的感知效果,更好地确定可通行路面。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例应用的地面环境检测场景示意图;
图2为一种地面环境检测方法流程图;
图3a为一种分割子区域的方法示意图;
图3b为另一种分割子区域的方法示意图;
图4为一种地面环境检测设备的结构示意图;
图5为另一种地面环境检测设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行描述。
图1是一个本发明实施例所应用的地面环境检测场景示意图。整个地面环境检测系统包括安装在自动驾驶汽车上的激光雷达以及扫描数据处理单元组成。
其中的激光雷达可以采用机械旋转式激光雷达,也可以采用固态激光雷达,用于向路面发射激光信号进行周边环境扫描,每个激光雷达将接收地面反射回的激光信号,返回一系列的扫描点信息。现有激光雷达主要采用950nm工作波长,而采用该单一工作波长的激光雷达往往难以识别复杂路面环境,本发明实施例的技术方案中采用了多波长激光雷达,即采用不同工作波长的激光雷达扫描地面。图1中示出了自动驾驶车辆上安装了3个激光雷达,实际应用时可根据需求和成本等因素考虑,灵活选择所安装激光雷达的数量,本发明对此不做限制。
扫描数据处理单元通过汇总地面各激光雷达接收的所有扫描点的信息,通过激光信号发射--接收的时间差及信号信息,确定返回地面的各扫描点的距离及反射强度等,从而提取出路面的三维空间结构和反射强度,判断是否为可通行的路面。而本发明实施例中,因为采用了不同波长的激光进行地面扫描,扫描数据数据处理单元进一步的可以根据不同波长激光雷达的原始数据,将地面划分成具有不同激光反射特征的子区域,即对于不同波长激光的反射率不同的子区域,最终确定各子区域的地面环境类型。
结合图1所示的地面环境检测应用场景示意图,本发明实施例提供了一种地面环境的检测方法,如图2所示,具体的过程包括:
步骤201,采用不同工作波长激光探测信号扫描地面环境。由具有不同工作波长的激光雷达发射激光探测信号扫描周围地面环境,可选的,可采用多个激光雷达分别发射不同波长的激光探测信号进行扫描,可以采用多个具有不同工作波长的激光雷达分别发射自身工作波长的激光探测信号,也可以采用具有多个工作波长的激光雷达分别发射不同工作波长的激光探测信号。
步骤202,接收所述地面环境针对所述探测信号反射回来的反射信号。激光雷达发射出的激光探测信号遇到周围地面环境中的目标(也称作扫描点),会进行反射,激光雷达会接收到的从目标反射回来的反射信号。
步骤203,根据接收到的反射信号确定扫描点的扫描点信息,这里的扫描点信息包含扫描点相对于激光雷达的方向角、距离以及激光反射强度。各雷达接收到的反射信号信息可被传送给扫描数据处理单元,这里的传送方式,可以采用无线传输方式(例如蓝牙)、线缆连接传输方式(如信号线直接相连)等。扫描数据处理单元根据各激光雷达接收的各扫描点返回的发射信号,如激光探测信号发射到接收的时间差以及发射和接收的信号强度信息等,确定各扫描点的方向角、距离及激光反射强度等信息。这里通过接收反射信号计算出扫描点的扫描点信息的方法,可以采用现有激光雷达探测中的常用方法,本发明对此不做详细说明,不对本发明的适用范围造成影响。
步骤204,根据每个扫描点信息确定每个扫描点的空间坐标信息和激光反射特征,将地面环境分割成具有不同激光反射特征的子区域。这里的激光反射特征包括对不同波长激光的反射率。
扫描数据处理单元结合所有扫描点的扫描点信息,即根据所有扫描点的方向角、距离以及激光反射强度,将不同工作波长的激光雷达返回的扫描点数据进行融合,生成相对于同一坐标系的扫描点信息,将所有扫描点中具有相近空间坐标和相似激光反射特征的点进行聚类,聚类后将地面环境分割成具有不同激光反射特征的子区域。
步骤205,确定各子区域的地面环境类型。
可选的,根据每种类型地面环境的激光反射特征,即对不同波长激光的反射率,确定各子区域的地面环境类型。在本实施例中,以3个具有不同工作波长的激光雷达为例,设工作波长分别为λ1、λ2、λ3。假设待判断的地面环境有3种类型,A、B、C,(例如分别表示道路、积水、植被),q表示反射率,每种类型地面对不同波长激光的激光反射特征满足如下关系:
类型A:q(λ1)≈q(λ2)≈q(λ3),对于三个波长的激光的反射率基本相同;
类型B:q(λ1)≠0,q(λ2)≈0,q(λ3)≈0,对于波长为λ1的激光的反射率不为0,对于波长为λ2、λ3的激光的反射率接近0;
类型C:q(λ1)>q(λ2)>q(λ3),对于波长为λ1、λ2、λ3的激光的反射率依次降低。
根据上述在不同波长下激光的反射率关系判断各子区域的类型,确定可通行路面。即通过如上所示的预定义的每种类型地面环境的激光反射特征的公式,确定子区域为哪种地面。
可选的,在实际应用中,对于具有复杂不同波长的激光的反射率关系的情形,除了可以采取如上所示的通过预定义的公式进行判断外,还可以采用基于机器学习的方法,提取每个子区域的激光反射特征进行判断。采用不同地面环境类型对不同波长的激光的反射率数据作为输入、对应的地面环境类型作为输出的一组数据作为样本数据集,对神经网络进行训练得到该神经网络用于区分不同地面环境类型的数据模型。在具体应用时,将各子区域的激光反射特征输入神经网络,就可以获取神经网络根据数据模型输出的各子区域的地面环境类型。例如,用向量Q=[q1,q2,...,qN]代表一组某种地面环境类型对N个不同波长的激光的反射率数据,作为神经网络的输入,T∈{T1,T2,...,TM}代表地面环境类型(包含M个分类),作为神经网络的输出。利用一系列Q、T一一对应的数据作为样本数据集训练神经网络,得到神经网络用于区分地面环境类型的数据模型。这样,将一组各子区域的激光反射特征数据,即个子区域对不同波长激光的反射率数据输入该神经网络,神经网络就可以根据训练得到的数据模型输出各子区域对应的地面环境类型。
图2所示的本发明实施例提供的地面环境检测方法,采用不同波长的激光探测信号扫描周围地面环境,并根据地面环境反射的反射信号,确定每个扫描点对不同波长激光的反射率,将地面环境分割成具有不同激光反射特征的子区域,确定各子区域的地面环境类型。由于利用了不同波长的激光扫描地面,并依据地面环境在不同波长激光下的反射强度判断地面环境类型,提高了对复杂地面环境的感知效果,更好地确定可通行路面。
进一步的,对于前面实施例中的步骤204中,根据每个扫描点信息确定每个扫描点的空间坐标信息和激光反射特征,将地面环境分割成具有不同激光反射特征的子区域,可以通过如下方式:依据每个扫描点的扫描点信息和各激光雷达的安装位置,将各扫描点的位置信息变换到同一坐标系,对通过各激光雷达获取的各扫描点的扫描点信息进行融合,确定每个扫描点的空间坐标信息和激光反射特征,根据每个扫描点的空间坐标信息和激光反射特征进行区域分割,将地面环境分割成具有不同激光反射特征的子区域。即在接收到来自多个激光雷达的扫描点信息后,首先依据扫描点位置信息将多个激光雷达的扫描数据进行融合,然后再将融合后的数据依据不同波长的反射率信息进行聚类。
具体的,在接收多个激光雷达的扫描点信息后,首先依据扫描点的位置信息(包括方向角和距离)将多个激光雷达的扫描数据融合,即将各激光雷达扫描到的扫描点的扫描点信息按照扫描点进行合并。如果多个激光雷达的安装位置不同,需要首先将各激光雷达获取的扫描点的位置变换到同一坐标系中,如车辆坐标系。完成坐标变换后,如果各个激光雷达获取的扫描点位置信息并非一一对应而是有错位的情况,需要新构造一个新的扫描点集合存放不同激光雷达的扫描信息,该扫描点集合中每个扫描点的位置可以根据各个激光雷达的扫描点位置信息取值,也可以是事先定义好的取值。该扫描点集合中每个点的不同激光雷达的反射强度信息(即针对不同波长激光的反射率信息)根据各个激光雷达的扫描点反射强度确定,可以采用就近匹配或者插值的方式,最终输出每个扫描点的位置和针对不同波长激光雷达的反射强度,即,最终得到每个扫描点的位置信息和该扫描点针对不同波长激光的反射率信息。例如,假设三个激光雷达均扫描了N个扫描点,当然也可能不同的激光雷达扫描出不同的扫描点数量,为描述方便,此处假设各激光雷达扫描到的扫描点数量相同,并不对本发明实施例的适用范围和保护范围造成影响。假设,第一个激光雷达的扫描波长为λ1,扫描的扫描点集A为{P1,P2,...,PN},第二个激光雷达的扫描波长为λ2,扫描的扫描点集B为{Q1,Q2,...,QN},第三个激光雷达的扫描波长为λ3,扫描的扫描点集C为{L1,L2,...,LN},为进行融合而新构造的扫描点集合D为{Z1,Z2,...,ZN},且位置为事先定义好的{(x1,y1,z1),(x2,y2,z2),...,(xN,yN,zN)},其中的1,2,...,N表示各扫描点集中的扫描点,x,y,z表示扫描点的三维坐标。则Z1点的对应第一个激光雷达的反射强度q(λ1)可以取{P1,P2,...,PN}中最邻近位置点的扫描点的反射强度取值,对应第二个激光雷达的反射强度q(λ2)可以取{Q1,Q2,...,QN}中最邻近位置点的扫描点的反射强度取值,对应第三个激光雷达的反射强度q(λ3)可以取{L1,L2,...,LN}中最邻近位置点的扫描点的反射强度取值。其他扫描点类似,完成新构造的扫描点集合D中所有扫描点的融合。融合完成后,根据融合后的扫描点集D中每个扫描点对不同波长激光的反射强度信息的特征(如前面实施例中提到的3种地面环境类型对不同波长激光的激光反射特征)进行区域分割,即按照扫描点对不同波长激光的反射率进行聚类。可选的,可以采用连通域区域生长的方式,或者K均值(K-means)方式等进行区域分割,这里以连通域区域生长的方式为例进行说明,并不对本发明实施例的适用范围和保护范围造成限制。首先取一个扫描点作为起始点,然后计算临近扫描点的不同波长的反射强度信息的特征与该扫描点的相似度,如果小于设定的阈值则视为连通,归为一类,否则视为不连通,再继续计算其他相邻扫描点,以此类推,直到完成所有扫描点的区域分割,生成具有不同激光反射强度特征的子区域。整个处理过程如图3a所示,先将各激光雷达扫描得到的扫描点按照位置信息进行融合,再根据每个融合后的扫描点的位置信息和对不同波长激光的反射强度信息进行区域分割,获得具有不同激光反射特征的子区域。
在传统的激光雷达数据处理过程中,往往利用各个位置点的距离信息等进行分割,在本发明实施例中,除了可以根据每个位置点的不同波长的反射强度信息的特征进行区域分割外,可选的,还可以结合传统方法中的其他信息一起进行区域分割,例如结合距离信息。例如,将每个扫描点的位置以距离和扫描角度表示,首先选取一个扫描点作为起始点,分别计算相邻扫描角度的扫描点的距离与该扫描点的差值以及该临近扫描角度的扫描点的不同波长的反射强度信息的特征与该扫描点的相似度,如果差值和相似度都小于阈值则归为一类。
可选的,对于前面实施例中的步骤204的实施方式,除了采用前面如图3a所示的实施方式外,还可以采用如下的实施方式:将各激光雷达获取的扫描点根据扫描点信息分别进行区域分割,生成每个激光雷达具有不同激光反射强度的聚类后子区域,在将每个激光雷达的聚类后子区域的位置信息变换到同一坐标系,对各激光雷达聚类后子区域内的各扫描点的扫描点信息按照变换后子区域的位置信息进行融合,将地面环境分割成具有不同激光反射特征的子区域。即在接收到来自多个激光雷达的扫描点信息后,首先将各激光雷达的扫描数据分别聚类进行区域分割,然后将不同激光雷达的区域分割后的数据依据位置信息进行融合。
具体的,首先将多个激光雷达的扫描数据依据反射强度信息分别进行聚类,即按照扫描点对不同波长激光的反射率进行聚类,生成多个具有相似反射强度特征的子区域。与前面实施例中所述的方法一样,可以采用连通域区域生长的方式,或者K-means方式等进行聚类(区域分割),同样以采用连通域区域生长的方式为例,首先取一扫描点作为起始点,然后计算临近扫描点的反射强度信息与该扫描点的反射强度信息的相似度,如果小于设定的阈值则视为连通,归为一类,否则视为不连通,再继续计算其他相邻扫描点,以此类推,得到每个激光雷达针对自身波长具有不同反射率的子区域。同样的,与前面实施例中所述方法一样,除了可以根据每个位置点的不同波长的反射强度信息的特征进行区域分割外,还可以结合传统方法中的其他信息(如距离信息)一起进行区域分割,分割的方法和细节描述与前面实施例基本相同,这里不再赘述。接下来,将不同激光雷达聚类后得到的分割的子区域按照子区域的位置信息进行融合。与前面实施方法类似,为保证融合的准确性,首先需要将不同激光雷达聚类后生成的子区域的位置信息进行融合,将子区域的位置信息变换到同一坐标系中。对各激光雷达聚类后子区域内的各扫描点的扫描点信息按照变换后子区域的位置信息进行融合,将地面环境分割成具有不同激光反射特征的子区域。首先在新的坐标系中根据所有激光雷达聚类后的子区域边界划分出一系列新的子区域,然后根据每个激光雷达聚类后子区域的反射强度信息确定新生成的各子区域对不同波长激光的反射率信息。与前面实施例一样,这里也假设三个激光雷达均扫描了N个扫描点,第一个激光雷达的扫描波长为λ1,扫描的扫描点集A为{P1,P2,...,PN},第二个激光雷达的扫描波长为λ2,扫描的扫描点集B为{Q1,Q2,...,QN},第三个激光雷达的扫描波长为λ3,扫描的扫描点集C为{L1,L2,...,LN}。如图3b所示,第一个激光雷达的扫描点集A聚类后生成了A1、A2两个子区域,第二个激光雷达的扫描点集B聚类后生成B1、B2、B3三个子区域,第三个激光雷达的扫描点集C聚类后生成C1、C2两个子区域。最终,根据A1、A2、B1、B2、B3、C1、C2所有子区域进行融合,首先将每个激光雷达聚类后的子区域的位置信息变换到同一坐标系,并根据所有子区域的边界划分出X、Y、Z三个子区域,根据每个子区域对应的激光雷达的波长信息融合确定每个子区域对不同波长的反射强度信息,将地面环境分割成具有不同激光反射特征的子区域X、Y、Z。
进一步的,本发明实施例中所涉及的地面环境的检测方法与采用传统方法的结合。比如,可以通过多个摄像头采集周围地面环境的图像数据,在对多波长的各激光雷达扫描得到的数据融合外,还增加对摄像头采集到的图像数据的处理和融合,例如,对摄像头采集到的图像数据进行处理,识别地面环境类型,与通过多波长激光雷达确定的各子区域的地面环境类型进行对比,进一步确认地面环境类型,增加了地面环境检测系统的鲁棒性。
上文结合图1、图2、图3a、图3b,对本发明实施例提供的地面环境检测方法进行了详细的介绍。图4示出了本申请所涉及的地面环境检测设备的一种可能的结构示意图。该检测设备可以实现上述图2中方法实施例中地面环境检测设备的功能,本实施例中未定义的术语及实现细节可以参考上述图2的方法实施例。如图4所示,该地面环境检测设备40包括激光扫描单元41,数据采集单元42,扫描数据处理单元43和地面环境确定单元44。其中,激光扫描单元41用于采用不同工作波长激光探测信号扫描周围地面环境,接收地面环境针对探测信号反射回来的反射信号;数据采集单元42用于根据激光扫描单元41接收的反射信号确定地面环境的每个扫描点的扫描点信息,这里的扫描点信息包含扫描点相对于激光雷达的方向角、距离以及激光反射强度;扫描数据处理单元43用于根据每个扫描点信息确定每个扫描点的空间坐标信息和激光反射特征,将地面环境分割成具有不同激光反射特征的子区域,这里的激光反射特征包括对不同波长激光的反射率;地面环境确定单元44用于确定各子区域的地面环境类型。
可选的,激光扫描单元41可以是机械旋转式激光雷达,也可以是固态激光雷达。可以是具有不同工作波长的多个激光雷达,也可以是具有多个工作波长的激光雷达。
本实施例提供的地面环境检测设备,采用不同波长的激光探测信号扫描周围地面环境,并根据地面环境反射的反射信号,确定每个扫描点对不同波长激光的反射率,将地面环境分割成具有不同激光反射特征的子区域,确定各子区域的地面环境类型。由于利用了不同波长的激光扫描地面,并依据地面环境在不同波长激光下的激光反射强度判断地面环境类型,提高了对复杂地面环境的感知效果,更好地确定可通行路面。
可选的,地面环境确定单元44具体用于根据每种类型地面环境的激光反射特征,确定各子区域的地面环境类型。这里的每种类型地面环境的激光反射特征可以通过预定义的公式进行表示。
可选的,地面环境确定单元44具体用于将各子区域的激光反射特征输入神经网络,获取神经网络输出的各子区域的地面环境类型。这里所采用的神经网络通过采用不同地面环境类型对不同波长激光的反射率数据作为输入,地面环境类型作为输出的一组数据作为样本数据集进行训练,得到用于区分不同地面环境类型的数据模型,该神经网络通过该数据模型,对于地面环境确定单元44输入的各子区域的激光反射特征,输出的各子区域的地面环境类型。
进一步的,如图4所示,扫描数据处理单元43包括融合子单元431和区域分割子单元432。其中,融合子单431用于依据每个扫描点的扫描点信息和各激光雷达的安装位置,将各扫描点的位置信息变换到同一坐标系,对通过各激光雷达获取的各扫描点的扫描点信息进行融合,确定每个扫描点的空间坐标信息和激光反射特征;区域分割子单元432用于根据每个扫描点的空间坐标信息和激光反射特征进行区域分割,将地面环境分割成具有不同激光反射特征的子区域。即,融合子单元431先将各激光雷达扫描得到的扫描点按照位置信息进行融合,区域分割子单元再根据每个融合后的扫描点的位置信息和对不同波长激光的反射强度信息进行区域分割,获得具有不同激光反射特征的子区域。相关将各激光雷达扫描得到的扫描点按照位置信息进行融合以及根据将融合后的扫描点进行区域分割的方法和细节描述与前面方法实施例中对于步骤204采用图3a所示的实施方式的说明基本相同,这里不再赘述。
可选的,扫描数据处理单元43包括融合子单元431和区域分割子单元432。其中,区域分割子单元432用于将各激光雷达获取的扫描点根据扫描点信息分别进行区域分割,生成每个激光雷达具有不同激光反射强度的聚类后子区域;融合子单元431用于将每个激光雷达的聚类后子区域的位置信息变换到同一坐标系,对各激光雷达聚类后子区域内的各扫描点的扫描点信息按照变换后子区域的位置信息进行融合,将地面环境分割成具有不同激光反射特征的子区域。即,在接收到来自多个激光雷达的扫描点信息后,区域分割子单元432首先将各激光雷达的扫描数据分别聚类进行分割,然后融合子单元431对不同激光雷达的分割后的子区域的数据依据位置信息进行融合,将地面环境分割成具有不同激光反射特征的子区域。相关将各激光雷达的扫描数据分别聚类分割成子区域以及对分割后的子区域的数据依据位置信息进行融合的方法和细节描述与前面方法实施例中对于步骤204采用图3b所示的实施方式的说明基本相同,这里不再赘述。
可选的,区域分割子单元432采用区域生长方式或者K-means方式进行区域分割。
图5示意性地示出了本发明实施例另一地面环境检测设备50。如图5所示,地面环境检测设备50包括激光扫描单元51和数据处理单元52。其中,激光扫描单元51用于采用不同工作波长激光探测信号扫描周围地面环境,接收所述地面环境针对所述探测信号反射回来的反射信号;数据处理单元52包括处理器521和存储器522。存储器522用于存储计算机执行指令,处理器521执行存储器522中存储的计算机执行指令,用于根据反射信号确定地面环境的每个扫描点的扫描点信息,根据每个扫描点信息确定每个扫描点的空间坐标信息和激光反射特征,将地面环境分割成具有不同激光反射特征的子区域,确定各子区域的地面环境类型。这里的扫描点信息包含扫描点相对于激光雷达的方向角、距离以及激光反射强度,激光反射特征包括对不同波长激光的反射率。
处理器521可以采用通用的中央处理器(Central Processing Unit,CPU),微处理器,应用专用集成电路(Application Specific Integrated Circuit,ASIC),或者一个或多个集成电路,用于执行相关程序,以实现本发明实施例所提供的技术方案。
存储器522可以是只读存储器(Read Only Memory,ROM),静态存储设备,动态存储设备或者随机存取存储器(Random Access Memory,RAM)。在通过软件或者固件来实现本发明实施例提供的技术方案时,用于实现本发明实施例提供的技术方案的程序代码保存在存储器522中,并由处理器521来执行。
具体地,存储器522可以用于存储计算机执行指令,也可以用于存储各种信息,例如,每种类型地面环境的激光反射特征公式。处理器521可以读取该存储器522存储的信息,或者将收集的信息存储至存储器522。
可选的,处理器521用于根据每种类型地面环境的激光反射特征,确定各子区域的地面环境类型。
可选的,处理器521用于将各子区域的激光反射特征输入神经网络,获取神经网络输出的各所述子区域的地面环境类型,这里的神经网络用于区分不同地面环境类型的数据模型通过采用不同地面环境类型对不同波长激光的反射率数据作为输入,地面环境类型作为输出的一组数据作为样本数据集进行训练得到。
可选的,处理器521用于依据每个扫描点的扫描点信息和各激光雷达的安装位置,将各扫描点的位置信息变换到同一坐标系,对通过各激光雷达获取的各扫描点的扫描点信息进行融合,确定每个扫描点的空间坐标信息和激光反射特征,根据每个扫描点的空间坐标信息和激光反射特征进行区域分割,将地面环境分割成具有不同激光反射特征的子区域。
可选的,处理器521用于将各激光雷达获取的扫描点根据扫描点信息分别进行区域分割,生成每个激光雷达具有不同激光反射强度的聚类后子区域,将每个激光雷达的聚类后子区域的位置信息变换到同一坐标系,对各激光雷达聚类后子区域内的各扫描点的扫描点信息按照变换后子区域的位置信息进行融合,将地面环境分割成具有不同激光反射特征的子区域。
当然的,处理器521同样可以采用区域生长方式或者K-means方式进行区域分割。
尽管图5所示的数据处理单元仅仅示出了处理器521、存储器522,但是在具体实现过程中,本领域的技术人员应当明白,还包含实现正常运行所必须的其他器件。如通信接口和总线,其中的通信接口可以采用例如但不限于收发器一类的收发装置,用于实现数据处理单元52与激光扫描单元51之间的通信。总线可包括一个通路,在处理器521和存储器522之间传送信息。总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,同时,根据具体需要,本领域的技术人员应当明白,图5所示的地面环境检测设备50还可包含实现其他附加功能的硬件器件。
本领域普通技术人员可以意识到,结合本文中所公开的实施例中描述的各方法步骤和单元,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各实施例的步骤及组成。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。本领域普通技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元/模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中或作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是计算机能够存取的任何可用介质。以此为例但不限于:计算机可读介质可以包括RAM、ROM、EEPROM、CD-ROM或其他光盘存储、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质。此外。任何连接可以适当的成为计算机可读介质。例如,如果软件是使用同轴电缆、光纤光缆、双绞线、数字用户线(DSL)或者诸如红外线、无线电和微波之类的无线技术从网站、服务器或者其他远程源传输的,那么同轴电缆、光纤光缆、双绞线、DSL或者诸如红外线、无线和微波之类的无线技术包括在所属介质的定义中。如本发明所使用的,盘(Disk)和碟(disc)包括压缩光碟(CD)、激光碟、光碟、数字通用光碟(DVD)、软盘和蓝光光碟,其中盘通常磁性的复制数据,而碟则用激光来光学的复制数据。上面的组合也应当包括在计算机可读介质的保护范围之内。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的保护范围。
Claims (12)
1.一种地面环境检测的方法,包括:
采用不同工作波长激光探测信号扫描地面环境;
接收所述地面环境针对所述探测信号反射回来的反射信号;
根据所述反射信号确定所述地面环境的每个扫描点的扫描点信息,所述扫描点信息包含所述扫描点相对于激光雷达的方向角、距离以及激光反射强度;
根据每个扫描点信息确定每个扫描点的空间坐标信息和激光反射特征,将所述地面环境分割成具有不同激光反射特征的子区域,所述激光反射特征包括对不同波长激光的反射率;
确定各所述子区域的地面环境类型;
其中,根据每个扫描点信息确定每个扫描点的空间坐标信息和激光反射特征,将所述地面环境分割成具有不同激光反射特征的子区域,包括:
依据每个扫描点的扫描点信息和各激光雷达的安装位置,将各扫描点的位置信息变换到同一坐标系,对通过各激光雷达获取的各扫描点的扫描点信息进行融合,确定每个扫描点的空间坐标信息和激光反射特征;根据每个扫描点的空间坐标信息和激光反射特征进行区域分割,将所述地面环境分割成具有不同激光反射特征的子区域;
或者,将各激光雷达获取的扫描点根据扫描点信息分别进行区域分割,生成每个激光雷达具有不同激光反射强度的聚类后子区域;将每个激光雷达的聚类后子区域的位置信息变换到同一坐标系,对各激光雷达聚类后子区域内的各扫描点的扫描点信息按照变换后子区域的位置信息进行融合,将所述地面环境分割成具有不同激光反射特征的子区域。
2.根据权利要求1所述的方法,其特征在于,所述确定各所述子区域的地面环境类型,包括:
根据每种类型地面环境的激光反射特征,确定各所述子区域的地面环境类型。
3.根据权利要求1所述的方法,其特征在于,所述确定各所述子区域的地面环境类型,包括:
将所述各子区域的激光反射特征输入神经网络,获取所述神经网络输出的所述各子区域的地面环境类型;
其中,所述神经网络用于区分不同地面环境类型的数据模型通过采用不同地面环境类型对不同波长激光的反射率数据作为输入,地面环境类型作为输出的一组数据作为样本数据集进行训练得到。
4.根据权利要求1所述的方法,其特征在于,采用区域生长方式或者K-means方式进行区域分割。
5.一种地面环境检测设备,包括:
激光扫描单元,用于采用不同工作波长激光探测信号扫描地面环境,接收所述地面环境针对所述探测信号反射回来的反射信号;
数据采集单元,用于根据所述反射信号确定所述地面环境的每个扫描点的扫描点信息,所述扫描点信息包含所述扫描点相对于激光雷达的方向角、距离以及激光反射强度;
扫描数据处理单元,用于根据每个扫描点信息确定每个扫描点的空间坐标信息和激光反射特征,将所述地面环境分割成具有不同激光反射特征的子区域,所述激光反射特征包括对不同波长激光的反射率;
地面环境确定单元,用于确定各所述子区域的地面环境类型;
其中,所述扫描数据处理单元,包括:
融合子单元,用于依据每个扫描点的扫描点信息和各激光雷达的安装位置,将各扫描点的位置信息变换到同一坐标系,对通过各激光雷达获取的各扫描点的扫描点信息进行融合,确定每个扫描点的空间坐标信息和激光反射特征;区域分割子单元,用于根据每个扫描点的空间坐标信息和激光反射特征进行区域分割,将所述地面环境分割成具有不同激光反射特征的子区域;
或者,区域分割子单元,用于将各激光雷达获取的扫描点根据扫描点信息分别进行区域分割,生成每个激光雷达具有不同激光反射强度的聚类后子区域;融合子单元,用于将每个激光雷达的聚类后子区域的位置信息变换到同一坐标系,对各激光雷达聚类后子区域内的各扫描点的扫描点信息按照变换后子区域的位置信息进行融合,将所述地面环境分割成具有不同激光反射特征的子区域。
6.根据权利要求5所述的检测设备,其特征在于,所述地面环境确定单元,用于:
根据每种类型地面环境的激光反射特征,确定各所述子区域的地面环境类型。
7.根据权利要求5所述的检测设备,其特征在于,所述地面环境确定单元,用于:
将所述各子区域的激光反射特征输入神经网络,获取所述神经网络输出的所述各子区域的地面环境类型;
其中,所述神经网络用于区分不同地面环境类型的数据模型通过采用不同地面环境类型对不同波长激光的反射率数据作为输入,地面环境类型作为输出的一组数据作为样本数据集进行训练得到。
8.根据权利要求5所述的检测设备,其特征在于,所述区域分割子单元采用区域生长方式或者K-means方式进行区域分割。
9.一种地面环境检测设备,包括:
激光扫描单元,用于采用不同工作波长激光探测信号扫描地面环境,接收所述地面环境针对所述探测信号反射回来的反射信号;
数据处理单元,包括处理器和存储器,所述存储器用于存储计算机执行指令,所述处理器执行所述计算机执行指令,用于根据所述反射信号确定所述地面环境的每个扫描点的扫描点信息,根据每个扫描点信息确定每个扫描点的空间坐标信息和激光反射特征,将所述地面环境分割成具有不同激光反射特征的子区域,确定各所述子区域的地面环境类型;所述扫描点信息包含所述扫描点相对于激光雷达的方向角、距离以及激光反射强度,所述激光反射特征包括对不同波长激光的反射率;
其中,所述处理器用于:
依据每个扫描点的扫描点信息和各激光雷达的安装位置,将各扫描点的位置信息变换到同一坐标系,对通过各激光雷达获取的各扫描点的扫描点信息进行融合,确定每个扫描点的空间坐标信息和激光反射特征;根据每个扫描点的空间坐标信息和激光反射特征进行区域分割,将所述地面环境分割成具有不同激光反射特征的子区域;
或者,将各激光雷达获取的扫描点根据扫描点信息分别进行区域分割,生成每个激光雷达具有不同激光反射强度的聚类后子区域;将每个激光雷达的聚类后子区域的位置信息变换到同一坐标系,对各激光雷达聚类后子区域内的各扫描点的扫描点信息按照变换后子区域的位置信息进行融合,将所述地面环境分割成具有不同激光反射特征的子区域。
10.根据权利要求9所述的检测设备,其特征在于,所述处理器用于:
根据每种类型地面环境的激光反射特征,确定各所述子区域的地面环境类型。
11.根据权利要求9所述的检测设备,其特征在于,所述处理器用于:
将所述各子区域的激光反射特征输入神经网络,获取所述神经网络输出的所述各子区域的地面环境类型;
其中,所述神经网络用于区分不同地面环境类型的数据模型通过采用不同地面环境类型对不同波长激光的反射率数据作为输入,地面环境类型作为输出的一组数据作为样本数据集进行训练得到。
12.根据权利要求9所述的检测设备,其特征在于,所述处理器采用区域生长方式或者K-means方式进行区域分割。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2016/113089 WO2018119902A1 (zh) | 2016-12-29 | 2016-12-29 | 一种地面环境的检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110114692A CN110114692A (zh) | 2019-08-09 |
CN110114692B true CN110114692B (zh) | 2021-09-17 |
Family
ID=62710144
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680091952.6A Active CN110114692B (zh) | 2016-12-29 | 2016-12-29 | 一种地面环境的检测方法和装置 |
Country Status (6)
Country | Link |
---|---|
US (1) | US11455511B2 (zh) |
EP (1) | EP3553566B1 (zh) |
JP (1) | JP6798032B2 (zh) |
KR (1) | KR102243118B1 (zh) |
CN (1) | CN110114692B (zh) |
WO (1) | WO2018119902A1 (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11592566B2 (en) | 2019-08-15 | 2023-02-28 | Volvo Car Corporation | Vehicle systems and methods utilizing LIDAR data for road condition estimation |
US11124193B2 (en) | 2018-05-03 | 2021-09-21 | Volvo Car Corporation | System and method for providing vehicle safety distance and speed alerts under slippery road conditions |
WO2020142879A1 (zh) * | 2019-01-07 | 2020-07-16 | 深圳市大疆创新科技有限公司 | 数据处理方法、探测装置、数据处理装置、可移动平台 |
CN110441269A (zh) * | 2019-08-13 | 2019-11-12 | 江苏东交工程检测股份有限公司 | 标线反光检测方法、装置、设备及存储介质 |
CN110674292B (zh) * | 2019-08-27 | 2023-04-18 | 腾讯科技(深圳)有限公司 | 一种人机交互方法、装置、设备及介质 |
US10852158B1 (en) | 2019-09-27 | 2020-12-01 | Kitty Hawk Corporation | Distance sensor test system |
CN113040645B (zh) * | 2019-12-26 | 2022-08-02 | 江苏美的清洁电器股份有限公司 | 清洁设备、清洁设备控制方法及装置 |
CN111123278B (zh) * | 2019-12-30 | 2022-07-12 | 科沃斯机器人股份有限公司 | 分区方法、设备及存储介质 |
CN115188183A (zh) * | 2020-02-25 | 2022-10-14 | 华为技术有限公司 | 特殊路况的识别方法、装置、电子设备和存储介质 |
CN111724485B (zh) * | 2020-06-11 | 2024-06-07 | 浙江商汤科技开发有限公司 | 实现虚实融合的方法、装置、电子设备及存储介质 |
CN111948669B (zh) * | 2020-08-11 | 2023-01-10 | 锐驰智光(苏州)科技有限公司 | 一种基于激光雷达的高光谱数据信息获取系统 |
JP7338607B2 (ja) | 2020-10-29 | 2023-09-05 | トヨタ自動車株式会社 | 車両位置推定装置 |
CN112598690A (zh) * | 2020-12-11 | 2021-04-02 | 浙江大华技术股份有限公司 | 一种包裹切分方法、装置、设备及介质 |
CN114812529B (zh) * | 2021-01-18 | 2023-12-08 | 上海理工大学 | 一种洁净室测点装置及洁净室的测点方法 |
CN115248428B (zh) * | 2021-04-28 | 2023-12-22 | 北京航迹科技有限公司 | 激光雷达的标定、扫描方法、装置、电子设备及存储介质 |
CN113436258B (zh) * | 2021-06-17 | 2023-09-12 | 中国船舶重工集团公司第七0七研究所九江分部 | 基于视觉与激光雷达融合的海上浮码头检测方法及系统 |
CN113670277A (zh) * | 2021-08-25 | 2021-11-19 | 广东博智林机器人有限公司 | 地面装饰安装测绘方法、装置和测绘小车 |
CN117872354B (zh) * | 2024-03-11 | 2024-05-31 | 陕西欧卡电子智能科技有限公司 | 一种多毫米波雷达点云的融合方法、装置、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1569007A2 (en) * | 2004-02-26 | 2005-08-31 | Rosemount Aerospace Inc. | A system and method of identifying an object in a laser beam illuminated scene based on material types |
CN104463217A (zh) * | 2014-12-15 | 2015-03-25 | 长春理工大学 | 基于激光雷达的路面类型识别方法及装置 |
CN104656101A (zh) * | 2015-01-30 | 2015-05-27 | 福州华鹰重工机械有限公司 | 一种障碍物检测方法 |
CN105510897A (zh) * | 2015-12-01 | 2016-04-20 | 中国科学院上海技术物理研究所 | 基于地物类型卫星激光雷达出射激光波长反射率估算方法 |
CN105793677A (zh) * | 2013-12-06 | 2016-07-20 | 霍尼韦尔国际公司 | 具有多个波形的自适应雷达系统 |
Family Cites Families (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA1235773A (en) * | 1983-12-23 | 1988-04-26 | Shigeto Nakayama | Device for detecting road surface condition |
US7630806B2 (en) * | 1994-05-23 | 2009-12-08 | Automotive Technologies International, Inc. | System and method for detecting and protecting pedestrians |
US7840342B1 (en) * | 1997-10-22 | 2010-11-23 | Intelligent Technologies International, Inc. | Road physical condition monitoring techniques |
NL1009364C2 (nl) * | 1998-06-10 | 1999-12-13 | Road Ware B V | Inrichting voor het bepalen van een profiel van een wegdek. |
JP2002156452A (ja) * | 2000-11-20 | 2002-05-31 | Hioki Ee Corp | レーザレーダシステム |
JP2005090974A (ja) * | 2003-09-12 | 2005-04-07 | Daihatsu Motor Co Ltd | 先行車認識装置 |
JP3955616B2 (ja) * | 2005-09-01 | 2007-08-08 | 松下電器産業株式会社 | 画像処理方法、画像処理装置及び画像処理プログラム |
JP2007240314A (ja) * | 2006-03-08 | 2007-09-20 | Omron Corp | 物体検出装置 |
US8077034B2 (en) | 2006-09-28 | 2011-12-13 | Bea Sa | Sensor for presence detection |
CN101806579B (zh) * | 2009-02-16 | 2012-11-21 | 华为技术有限公司 | 反射镜位置采样、标定方法及装置和激光器 |
US8812274B2 (en) * | 2009-04-24 | 2014-08-19 | Hermant Virkar | Methods for mapping data into lower dimensions |
CN102142892B (zh) * | 2010-06-30 | 2014-12-17 | 华为技术有限公司 | 一种探测脉冲的产生方法和相干光时域反射仪 |
JP2012189535A (ja) * | 2011-03-14 | 2012-10-04 | Ihi Corp | 植生検出装置及び植生検出方法 |
US9155675B2 (en) * | 2011-10-12 | 2015-10-13 | Board Of Trustees Of The University Of Arkansas | Portable robotic device |
JP2013181968A (ja) * | 2012-03-05 | 2013-09-12 | Ricoh Co Ltd | 光学装置 |
US9110196B2 (en) | 2012-09-20 | 2015-08-18 | Google, Inc. | Detecting road weather conditions |
DE102013002333A1 (de) * | 2013-02-12 | 2014-08-14 | Continental Teves Ag & Co. Ohg | Verfahren und Strahlensensormodul zur vorausschauenden Straßenzustandsbestimmung in einem Fahrzeug |
US9128190B1 (en) * | 2013-03-06 | 2015-09-08 | Google Inc. | Light steering device with an array of oscillating reflective slats |
CN103198302B (zh) * | 2013-04-10 | 2015-12-02 | 浙江大学 | 一种基于双模态数据融合的道路检测方法 |
JP2015014514A (ja) * | 2013-07-04 | 2015-01-22 | パイオニア株式会社 | 識別装置 |
CN103776318A (zh) * | 2014-01-03 | 2014-05-07 | 中国人民解放军陆军军官学院 | 光电检测环境模拟系统 |
CN104408443B (zh) | 2014-12-15 | 2017-07-18 | 长春理工大学 | 多传感器辅助的基于激光雷达的路面类型识别方法及装置 |
US9453941B2 (en) * | 2014-12-22 | 2016-09-27 | GM Global Technology Operations LLC | Road surface reflectivity detection by lidar sensor |
CN104850834A (zh) | 2015-05-11 | 2015-08-19 | 中国科学院合肥物质科学研究院 | 基于三维激光雷达的道路边界检测方法 |
JP2016223795A (ja) * | 2015-05-27 | 2016-12-28 | 国立大学法人名古屋大学 | 床面状態検出装置および床面状態検出方法 |
CN105094143A (zh) * | 2015-08-27 | 2015-11-25 | 泉州装备制造研究所 | 基于无人机的地图显示方法和装置 |
US10832426B2 (en) * | 2015-09-24 | 2020-11-10 | Apple Inc. | Systems and methods for surface monitoring |
KR20170096723A (ko) * | 2016-02-17 | 2017-08-25 | 한국전자통신연구원 | 라이다 시스템 및 이의 다중 검출 신호 처리 방법 |
US10761195B2 (en) * | 2016-04-22 | 2020-09-01 | OPSYS Tech Ltd. | Multi-wavelength LIDAR system |
-
2016
- 2016-12-29 EP EP16925037.0A patent/EP3553566B1/en active Active
- 2016-12-29 WO PCT/CN2016/113089 patent/WO2018119902A1/zh unknown
- 2016-12-29 CN CN201680091952.6A patent/CN110114692B/zh active Active
- 2016-12-29 JP JP2019535919A patent/JP6798032B2/ja active Active
- 2016-12-29 KR KR1020197021867A patent/KR102243118B1/ko active IP Right Grant
-
2019
- 2019-06-28 US US16/456,057 patent/US11455511B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1569007A2 (en) * | 2004-02-26 | 2005-08-31 | Rosemount Aerospace Inc. | A system and method of identifying an object in a laser beam illuminated scene based on material types |
CN105793677A (zh) * | 2013-12-06 | 2016-07-20 | 霍尼韦尔国际公司 | 具有多个波形的自适应雷达系统 |
CN104463217A (zh) * | 2014-12-15 | 2015-03-25 | 长春理工大学 | 基于激光雷达的路面类型识别方法及装置 |
CN104656101A (zh) * | 2015-01-30 | 2015-05-27 | 福州华鹰重工机械有限公司 | 一种障碍物检测方法 |
CN105510897A (zh) * | 2015-12-01 | 2016-04-20 | 中国科学院上海技术物理研究所 | 基于地物类型卫星激光雷达出射激光波长反射率估算方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2018119902A1 (zh) | 2018-07-05 |
EP3553566B1 (en) | 2022-06-22 |
KR102243118B1 (ko) | 2021-04-21 |
US11455511B2 (en) | 2022-09-27 |
JP6798032B2 (ja) | 2020-12-09 |
EP3553566A4 (en) | 2020-01-08 |
EP3553566A1 (en) | 2019-10-16 |
JP2020504827A (ja) | 2020-02-13 |
CN110114692A (zh) | 2019-08-09 |
US20190317218A1 (en) | 2019-10-17 |
KR20190098238A (ko) | 2019-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110114692B (zh) | 一种地面环境的检测方法和装置 | |
US10366310B2 (en) | Enhanced camera object detection for automated vehicles | |
Nissimov et al. | Obstacle detection in a greenhouse environment using the Kinect sensor | |
CN107817496B (zh) | 适用于自动车辆的对象检测系统 | |
CN109993192B (zh) | 目标对象识别方法及装置、电子设备、存储介质 | |
US11774554B2 (en) | Electronic device, system and method for augmenting image data of a passive optical sensor | |
CN111814752B (zh) | 室内定位实现方法、服务器、智能移动设备、存储介质 | |
CN110471086B (zh) | 一种雷达测障系统及方法 | |
WO2020127151A1 (en) | Method for improved object detection | |
CN110579215A (zh) | 基于环境特征描述的定位方法、移动机器人和存储介质 | |
CN110470308A (zh) | 一种避障系统及方法 | |
CN110954912B (zh) | 用于光学距离测量的方法和设备 | |
CN114495045A (zh) | 感知方法、感知装置、感知系统及相关设备 | |
CN112639811A (zh) | 用于分析处理具有扩展对象识别的传感器数据的方法 | |
US11861914B2 (en) | Object recognition method and object recognition device | |
WO2021059967A1 (ja) | 物体認識装置及び物体認識プログラム | |
WO2020103043A1 (zh) | 线状物识别方法及装置、系统和计算机存储介质 | |
JP2022512604A (ja) | 支持構造の深さを決定するための方法、システムおよび装置 | |
WO2024042607A1 (ja) | 外界認識装置及び外界認識方法 | |
TWI843116B (zh) | 移動物體檢測方法、裝置、電子設備及存儲介質 | |
CN114937079A (zh) | 一种障碍物检测方法、装置及一种机器人 | |
CN117908526A (zh) | 移动体的控制方法和装置、存储介质及电子装置 | |
CN114332807A (zh) | 基于场端的障碍物分类识别方法、装置、设备及存储介质 | |
CN112070122A (zh) | 一种slam地图的分类方法、装置及存储介质 | |
CN115932889A (zh) | 激光雷达定位方法及装置 |
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 |