CN110221603A - 一种基于激光雷达多帧点云融合的远距离障碍物检测方法 - Google Patents
一种基于激光雷达多帧点云融合的远距离障碍物检测方法 Download PDFInfo
- Publication number
- CN110221603A CN110221603A CN201910391748.1A CN201910391748A CN110221603A CN 110221603 A CN110221603 A CN 110221603A CN 201910391748 A CN201910391748 A CN 201910391748A CN 110221603 A CN110221603 A CN 110221603A
- Authority
- CN
- China
- Prior art keywords
- point
- frame
- point cloud
- angle
- coordinate system
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- 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
- 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
- G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
Abstract
本发明公开了一种基于激光雷达多帧点云融合的远距离障碍物检测方法。建立局部坐标系和世界坐标系,根据局部坐标系下原始点云数据在激光雷达的环形扫描线上计算每个激光点的提取特征点,经过帧间特征点匹配以及地图特征点匹配得到当前位置相对于起始位置的全局位姿和世界坐标系下的去畸变点云;融合当前帧和之前帧的去畸变点云得到更致密的去畸变点云数据并统一到局部坐标系下,之后向二维栅格做投影,根据每个二维栅格的高度变化特征筛选出障碍物。本发明解决激光点云稀疏导致的远处障碍物检测率低的问题,能够有效检测出远距离障碍物,误检率和漏检率低,还可极大地降低系统成本。
Description
技术领域
本发明涉及机器人障碍检测方法,特别是涉及面向无人车导航的一种基于激光雷达多帧点云融合的远距离障碍物检测方法。
背景技术
在无人车自主导航领域,传统的用于障碍物检测的方法有基于立体视觉的、基于结构光的、基于毫米波雷达和激光雷达的检测方法。基于立体视觉的检测方法,在图像中利用障碍物的颜色、边缘、纹理特征进行特征提取,与先验模型进行对比,提取出障碍物,之后利用同一物体在不同相机之间的视差信息,获取障碍物的深度,从而确定障碍物的位置。这种方法的缺点是计算资源消耗大,容易受光照影响,并且由于图像像素到真实物理空间的转换误差随距离增加,检测出的远距离障碍物的位置准确度低。基于结构光的检测方法,通过主动向物体发射红外光并接受返回的光,测出物体与相机之间的距离,这种方法无需消耗大量资源计算视差,但是易受日光干扰,并且这种方法的测量范围小,同样无法检测远距离物体。毫米波雷达利用多普勒效应,可以直接得到环境中运动障碍物的速度和距离信息,其测量范围远且对环境的适应性强,在低速自动驾驶场景已有广泛应用。但是毫米波雷达的探测角度小,无法实现对周围环境的全方位感知。三维激光雷达使用机械旋转的方式获取周围环境的点云数据,其不受光照等环境条件的影响,在水平角度上可以获取周围环境的全方位信息,并且距离精度高。因此成为无人车障碍检测和环境感知最有前途的传感器之一。
目前已有的激光雷达检测方法,大多使用旋转一圈所得到的单次扫描数据检测障碍物。由于垂直扫描线之间的夹角固定,随着距离的变远,扫描线之间的物理间隔变得越来越大。因此这类单帧检测方法无法得到两个扫描线之间的障碍物分布情况,并且由于远处的激光点云稀疏,无法可靠检测远距离的障碍物,存在大面积的检测盲区。为提高激光雷达的远距离障碍物检测能力,可以在车辆运动的同时将当前和之前采集到的多帧点云进行融合,得到更高密度的点云后再进行障碍物检测。现有的融合多帧点云的方法,大多借助GPS、IMU或里程计等外部设备测量车辆自身运动。此类方法增加了成本,并且当外部运动测量设备提供的信息不准确时,会错误融合多帧点云,造成大面积误检。
发明内容
在自动驾驶车辆行驶过程中,需要感知周围环境存在的建筑物、车辆、行人等影响车辆自主通行的障碍物。为了解决这个问题,解决背景技术中存在的问题,本发明提供了一种不依赖外部运动测量设备的基于激光雷达多帧点云融合的远距离障碍物检测方法,通过在融合后的高密度点云上做障碍检测,可以增大障碍物的检测距离,误检率和漏检率低。
本发明方法可解决单帧激光激光点云稀疏导致的无法有效检测远距离障碍物的问题。
本发明所述的障碍物检测方法,先在原始点云中根据每个点的曲率提取特征点,之后经过前后帧特征点匹配以及地图特征点匹配两个步骤,得到精准融合好的多帧点云数据。将匹配好的多帧点云数据向二维栅格地图做投影,根据每个栅格的高度变化特征,筛选得到障碍物位置。
本发明采用的具体技术方案包括如下步骤:
1)以激光雷达当前位置为原点建立局部坐标系,以激光雷达起始位置为原点建立世界坐标系,根据局部坐标系下激光雷达实时每帧所采集的原始点云数据在激光雷达的环形扫描线上依次计算每个激光点的曲率并提取特征点,经过帧间特征点匹配以及地图特征点匹配两个步骤得到当前位置相对于起始位置的全局位姿以及世界坐标系下的去畸变点云;
2)在世界坐标系下,融合当前帧和之前帧的去畸变点云得到更致密的去畸变点云数据,作为多帧全局去畸变点云,将多帧全局去畸变点云统一到局部坐标系下,并向二维栅格做投影,根据每个二维栅格的高度变化特征筛选出障碍物。
所述步骤1)是为了获得激光雷达当前位置相对于起始位置的全局位姿,以及去畸变点云,具体采用以下方式处理:
1.1)在障碍物检测过程中,激光雷达被固定于车辆上并跟随车辆一起运动,以车辆起始位置的激光雷达中心为原点建立世界坐标系,以车辆当前位置的激光雷达中心为原点建立局部坐标系L;
激光雷达水平旋转一圈所采集的点云数据构成了一帧原始点云,这一帧原始点云分布在垂直角度不同的多条环形扫描线上,每条环形扫描线上的点云数据是由一圈激光点构成;
在每条环形扫描线上按水平角度递增的顺序依次计算每个激光点的曲率,并根据曲率大小从当前帧原始点云中提取出若干特征点,特征点分为角点和平滑点,其中曲率大于平滑阈值的激光点为角点,曲率小于等于平滑阈值的激光点为平滑点;
1.2)对于当前帧原始点云中的每个特征点,在前一帧的第一去畸变点云中找到相对应的角点和平滑点,计算前后帧对应特征点的距离之和,通过非线性优化的方式迭代计算得到帧间位姿,并根据该帧间位姿消除数据采集过程中由于车辆运动导致的原始点云畸变,得到当前帧的第一去畸变点云;
1.3)累积步骤1.2)中的帧间位姿,得到激光雷达当前在世界坐标系中的全局位姿,建立特征点地图,对于当前帧第一去畸变点云中的每个特征点,在特征点地图中重新寻找对应的角点和平滑点并计算距离,通过非线性优化的方式迭代计算得到更精确的全局位姿,得到当前帧的第二去畸变点云。
所述步骤1.1)具体为:
1.1.1)计算激光点曲率
在同一环形扫描件线上,针对每个激光点采用以下方式处理获得曲率:
以当前激光点为中心,前后各取与当前激光点相邻的N1个激光点,计算当前激光点的曲率:
其中,u、i均表示激光点在原始点云中的序号,xu、yu、zu表示第u个激光点在局部坐标系下的三维坐标分量;xi、yi、zi分别表示当前激光点在局部坐标系下的三维坐标分量,当前激光点为第i个激光点,N1表示激光点序数取值范围;
1.1.2)挑选特征点
一帧原始点云有多条环形扫描线,位于同一环形扫描线上的激光点依照水平角度不同划分为Nf个区域,对于一个区域中的激光点,进行以下判断:若其曲率大于平滑阈值Thscurv,则将其加入候选角点;若其曲率小于等于平滑阈值Thscurv,则将其加入候选平滑点;在一个区域的所有候选角点中挑选曲率最大的Nc个点作为该区域的角点,在一个区域的所有候选平滑点中挑选曲率最小的Ns个点作为该区域的平滑点;对于一帧原始点云中的所有区域重复上述角点和平滑点筛选过程获得各个区域的角点与平滑点,所有区域中的角点构成当前帧的角点集合所有区域中的平滑点构成当前帧的平滑点集合
1.1.3)角点与平滑点作为特征点并用表示,表示为第k帧第i个激光点在局部坐标系L下的点向量,其中si表示从开始时刻到第i个激光点的采集时刻之间所占据一帧扫描的时间比例;激光雷达以机械旋转的方式采集数据,采用以下公式计算获得时间比例si:
其中,tstart表示每一帧原始点云扫描的开始时刻,tend表示每一帧原始点云扫描的结束时刻,trecv表示第i个激光点的采集时刻。
所述步骤1.2)具体为:
1.2.1)初始化帧间位姿
采集一帧原始点云的时间较短,在短时间内激光雷达运动的速度恒定,角速度恒定。建立各帧的帧间位姿设置第一帧间位姿的元素均设置为零,设置上一次帧间位姿作为当前帧的帧间位姿的初始值,用向量的形式表示为:
其中,表示当前第k帧的帧间位姿,为局部坐标系下激光雷达中心的位置,为局部坐标系下激光雷达中心的三种姿态角,分别为翻滚角roll、俯仰角pitch和偏航角yaw,t表示矩阵转置;
各个姿态角用旋转矩阵表示为:
其中,表示以翻滚角构成的翻滚角旋转矩阵,表示以俯仰角构成的俯仰角旋转矩阵,表示以偏航角构成的偏航角旋转矩阵。
每帧的局部坐标系方向定义如下:x轴指向车辆前方,y轴指向车辆左方/右方,z轴垂直地面向上。
1.2.2)然后采用以下方式分别针对角点和平滑点进行匹配
1.2.2.a)角点匹配
以第一帧的原始点云作为第一帧的第一去畸变点云;对于第二帧开始的每一帧,以当前帧角点集合中的一个角点根据帧间位姿和时间比例si,将角点转换到上一帧第一去畸变点云的局部坐标系中:
在上一帧角点集合中,根据欧式距离寻找离角点的最近点j表示最近点在第一去畸变点云中的序数,最近点位于垂直角度上的第b根环形扫描线上,则在序号为[b-index,b)∪(b,b+index]的环形扫描线范围内寻找角点的次近点index为搜索范围,l表示次近点在去畸变点云中的序数;
最近点与次近点连接构成一条连线,计算角点到上述连线的局部点线距离
1.2.2.b)平滑点匹配
以第一帧的原始点云作为第一帧的第一去畸变点云;对于第二帧开始的每一帧,以当前帧平滑点集合中的一个平滑点根据帧间位姿和时间比例si,将平滑点转换到上一帧第一去畸变点云的局部坐标系中:
在上一帧平滑点集合中,根据欧式距离寻找离平滑点的最近点j表示最近点在去畸变点云中的序数,最近点位于垂直角度上的第b根环形扫描线上,则在第b根环形扫描线上寻找次近点index为搜索范围,l表示次近点在去畸变点云中的序数;
然后在序号为[b-index,b)∪(b,b+index]的环形扫描线范围内寻找第三近点m表示第三近点在去畸变点云中的序数;不在同一直线上的三点最近点次近点和第三近点确定一个平面,计算平滑点到平面的局部点面距离
1.2.3)更新帧间位姿
将上述步骤1.2.2)的两种特征点作坐标转换并计算到对应直线或者对应平面距离的过程合并视为一个第一距离函数f:dL表示角点到直线的距离和平滑点到平面的距离合并后的距离;对于当前第k帧原始点云中提取的所有n个特征点,得到如下第一距离函数:
…
其中,表示由帧间位姿计算的第n个特征点的第一距离函数,表示第n个特征点在局部坐标系L下的距离,n表示一帧点云中的特征点总数,n=(Nc+Ns)×Nf;
然后计算上述第一距离函数的雅克比行列式
再计算帧间位姿变化量
其中,分别为帧间位姿变化量中的三轴方向位置变化量,分别为帧间位姿变化量中的三种姿态角变化量;
然后在原有帧间位姿基础上加上帧间位姿变化量进行更新;
1.2.4)迭代计算
重复步骤1.2.2)~1.2.3)进行迭代处理直至达到第一最大迭代次数IteraCountL,或满足如下公式:
其中,deltaTL为帧间位置终止阈值,deltaRL为帧间姿态终止阈值;
1.2.5)运动畸变去除
一帧原始点云中,扫描开始时刻的局部坐标系作为帧头坐标系,扫描结束时刻的局部坐标系作为帧尾坐标系;对于当前帧原始点云,依据帧间位姿以及时间比例si将所有激光点坐标转换到以tstart时刻为准的帧头坐标系中,再将所有点转换到以tend时刻为准的帧尾坐标系,由此去除运动畸变得到当前帧的第一去畸变点云,并由其中去除运动畸变后的角点和平滑点分别构成了第一去畸变角点集合和第一去畸变平滑点集合实现去除运动畸变,供下一帧原始点云做特征点匹配使用。
所述步骤1.3),具体为:
1.3.1)对于第一帧的激光雷达的齐次坐标变换矩阵M1计算为:
对于第二帧以后的每一帧,根据前一帧的帧间位姿对当前帧的激光雷达位姿的齐次坐标变换矩阵Mk进行更新处理:
其中,Mk表示第k帧激光雷达位姿的齐次坐标变换矩阵,每一帧的激光雷达位姿的齐次坐标变换矩阵Mk是和当前帧激光雷达在世界坐标系中的全局位姿相一一对应,齐次坐标变换矩阵Mk表示从局部坐标到世界坐标的转化, 为世界坐标系下激光雷达中心的位置,为世界坐标系下激光雷达中心的三种姿态角;
1.3.2)特征点地图匹配
特征点地图分为角点地图和平滑点地图;
1.3.2.a)角点地图分配
建立长方体形的角点地图Mapc,以当前激光雷达中心为长方体的中心,角点地图的范围大小设定为长length、宽width和高height,将所有帧原始点云中落在角点地图Mapc之内的角点加入角点地图Mapc,将所有帧原始点云中未落在角点地图Mapc之内的角点不加入角点地图Mapc;
对于第一去畸变角点集合中的每一角点均按照如下处理:将角点转换到世界坐标系下得到去畸变角点在角点地图Mapc中,寻找距离去畸变角点最近的五个角点,计算五个角点之间的质心坐标为然后计算协方差分量并组成协方差矩阵A:
其中,axx表示x分量自相关系数,ayy表示y分量自相关系数,azz表示z分量自相关系数,axy表示xy分量互相关系数,axz表示xz分量互相关系数,ayz表示yz分量互相关系数;分别表示质心坐标在世界坐标系下的三维坐标;
采用以下公式计算获得协方差矩阵A的特征值和特征向量:
Av1=λ1v1Av2=λ2v2Av3=λ3v3
其中,v1、v2、v3表示第一、第二、第三特征向量,λ1、λ2、λ3表示第一、第二、第三特征值;且特征值按降序排列为λ1≥λ2≥λ3,λ1、λ2、λ3对应的特征向量分别为v1、v2、v3;
若满足λ1≥3λ2,则距离最近的五个点呈直线分布,再计算该直线的单位向量则用以下两个三维点表示该直线:
其中,ps为起始三维点,pe为结束三维点;
计算去畸变角点到两个三维点ps和pe所形成直线的全局点线距离
若不满足λ1≥3λ2,则针对该去畸变角点不计算距离。
1.3.2.b)平滑点地图匹配
建立长方体形的平滑点地图Maps,以当前激光雷达中心为长方体的中心,平滑点地图的范围大小设定为长length、宽width和高height,将所有帧原始点云中落在平滑点地图Mapc之内的平滑点加入平滑点地图Maps,将所有帧原始点云中未落在平滑点地图Mapc之内的平滑点不加入平滑点地图Maps;
对于第一去畸变平滑点集合中的每一平滑点均按照如下处理:将平滑点转换到世界坐标系下得到去畸变平滑点在平滑点地图Maps中,寻找距离去畸变平滑点最近的五个平滑点,由该五个平滑点拟合处理建立拟合平面,分别计算上述五个平滑点分别到拟合平面的五个距离,并进行以下判断:若五个距离均小于平面拟合阈值DisThs,则认为满足五个点的平面分布,计算去畸变平滑点到该拟合平面的全局点面距离若五个距离其中任一一个不小于平面拟合阈值DisThs,则该去畸变平滑点不计算距离;
1.3.3)更新世界位姿
角点以及平滑点特征匹配,均是根据当前估计的世界坐标计算特征点到拟合直线或拟合平面的距离。将上述步骤1.3.2)的两种特征点处理并计算到拟合直线或拟合平面的过程合并视为一个第二距离函数:
其中,表示由全局位姿计算的第二距离函数,dW表示在全局坐标系W下特征点到拟合直线或拟合平面的距离;
采用与帧间匹配中的过程相同方式,使用非线性优化的方式更新世界坐标系下位姿的估计值:
其中,h表示第二距离函数对全局位姿求导得到的雅克比矩阵;
再计算全局位姿变化量
其中,分别为全局位姿变化量中的三轴方向位置变化量,分别为全局位姿变化量中的三种姿态角变化量;
然后在原有全局位姿基础上加上全局位姿变化量进行更新;
1.3.4)迭代计算
重复步骤1.3.2)~1.3.3)进行迭代处理直至达到第二最大迭代次数IterCountW,或满足如下公式:
其中,deltaTW为全局位置终止阈值,deltaRW为全局姿态终止阈值;
1.3.5)根据求出的全局位姿对局部坐标系下的第一去畸变点云做转换,得到世界坐标系下的去畸变点云作为第二去畸变点云。
1.3.6)更新特征点地图
因为激光雷达一直在跟随车辆运动,局部坐标系的原点也在发生变化,所以需要更新特征点地图。在激光雷达随车辆运动过程中,
对于角点地图和平滑点地图中的特征点分别进行实时更新,将位于地图范围内的特征点保留,并将实时加入到地图范围内的特征点加入特征点地图,否则其余特征点均抛弃。
将实时的特征点地图划分为体素栅格,再做降采样,每个体素栅格是边长为VoxelSize的立方体,计算落在同一个体素栅格中所有角点和所有平滑点各自的质心,用质心代替同一个体素栅格中所有角点/所有平滑点,作为更新后的角点和平滑点分别对应新的特征点,一个体素栅格具有两个质心,两个质心分别为角点质心和平滑点质心,用该质心表示体素栅格内所有点的分布情况。
所述步骤2),具体为:
2.1)多帧激光点云融合
针对每一当前帧,如第k帧,由步骤1)获得当前帧的世界坐标系下的去畸变点云叠加融合上当前帧以前的Nfusion帧点云,得到多帧全局去畸变点云PW,这样能得到周围环境的更精确数据:
其中,Nfusion表示叠加的点云帧数量,q表示叠加的点云帧序数;
2.2)点云坐标系转换
在当前帧的局部坐标系下,构建栅格地图,对于多帧全局去畸变点云PW中的每个激光点v表示多帧全局去畸变点云PW中的激光点的序数, 分别表示第v个激光点在全局坐标系下的三维分量坐标,根据步骤1)中得到的全局位姿进行转换处理得到局部坐标系下的激光点 分别表示第v个激光点在局部坐标系下的三维坐标分量;
当局部坐标系下的激光点满足如下要求时,将其加入多帧局部点云集合PL:
其中,DistValid是有效距离阈值;
这样能消除在激光雷达数据采集过程中,部分激光点会照射到车辆上对障碍物检测造成的干扰,去除这部分点的影响。
2.3)点云数据栅格化
在局部坐标系的xy轴平面上建立划分二维栅格,以z轴方向作为高度值,使用二维栅格的方式描述激光雷达周围的障碍物分布情况,在x轴方向建立row行栅格,在y轴方向建立col列栅格,每个二维栅格是边长为gridSize的正方形,每个二维栅格记录落在二维栅格中所有激光点的最大高度值Hmax和最小高度值Hmin并作为高度分布特征;对于多帧局部点云集合PL做上述处理,得到二维栅格中的高度分布特征;
2.4)筛选障碍栅格
在所有row×col个二维栅格中,根据落入二维栅格中的激光点云的分布情况,将二维栅格属性按照以下方式判断为未知、可通行、障碍物三种:若二维栅格中没有激光点落入,则二维栅格属性值为未知;若二维栅格中至少有一个点落入,且满足Hmax-Hmin<Hths,Hths表示障碍物高度阈值,则二维栅格属性为可通行;若二维栅格中至少有一个点落入,且满足Hmax-Hmin≥Hths,则二维栅格属性为障碍物;所有被标记为障碍物的二维栅格所在位置,作为使用融合后的多帧局部点云检测出的障碍物所在位置。
与背景技术相比较,本发明具有的有益效果是:
1)使用三维激光雷达检测障碍物,不受光照等环境因素影响,可以准确检出障碍物所在位置,可实现水平角度全方位检测,范围广;
2)单帧激光点云在远处比较稀疏,多帧融合后的点云对于障碍物的检测距离更远,并且误检率和漏检率低;
3)通过多帧点云融合检测,可以利用低线数的激光雷达实现以往高线数的雷达才能达到的障碍物检测距离,降低了系统成本;
4)点云匹配过程不引入外部运动测量传感器,成本低。
综合来说,本发明可解决激光点云稀疏导致的远处障碍物检测率低的问题,能够有效检测出远距离障碍物,误检率和漏检率低,还可以仅仅利用低扫描线数的激光雷达实现以往需要高线数的雷达才能达到的远距离障碍物检测效果,极大地降低系统成本。
附图说明
图1展示了特征点提取过程,灰色的点是原始点云,黑色的点是特征点。
图2展示了点云融合过程,正上方是实际采集场景的图像,左下方是当前场景的单帧原始点云,右下方是多帧局部去畸变点云。在图像与点云图中,使用灰色矩形框标出了一辆汽车的位置。可以看出多帧局部去畸变点云更加密集,并且对于车辆这类障碍物体的细节描述更加丰富。
图3、图4、图5、图6是使用公开数据集KITTI展示的多个实际场景的障碍物处理结果图。每张图中正上方是实际场景图,下面两张是经过本障碍物检测方法处理后输出的栅格图。左下为单帧障碍检测结果,右下为多帧点云融合后的障碍检测结果。在实际场景图中以及障碍栅格图中,使用灰色矩形标出了远处一辆车的位置,在四个场景中均能看到,因为单帧点云较为稀疏,车辆被误检为可通行区域;而经过多帧融合后的点云可以正常将车辆检测为障碍物。
图7是使用自行采集数据验证的障碍物检测结果,左边为真实环境场景图片,右边为多帧点云融合后的障碍检测结果。
具体实施方式
下面结合附图和实例对本发明做进一步说明。
本发明使用了公开数据集KITTI提供的图片以及激光激光点云数据,作障碍物检测实施步骤以及效果说明。
步骤一:对单帧原始点云实施本发明之1.1),计算每个点的曲率并提取特征点,其中N1取值5,Thscurv取值0.1。得到的特征点如图1所示,其中较小的为原始点云,较大的为特征点。
步骤二:对单帧原始点云实施本发明之1.2),通过帧间特征点匹配求出帧间位姿,并对原始点云做运动畸变去除,得到帧尾坐标系下的第一去畸变点云。其中IterCountL取值25,deltaTL取值0.1,deltaRL取值0.1。
步骤三:对步骤二得到的第一去畸变点云实施本发明之1.3),在特征点地图中进行特征点匹配,得到全局位姿以及世界坐标系下的第二去畸变点云,更新特征点地图。其中IterCountW取值为10,deltaTW取值为0.05,deltaRW取值为0.05。
步骤四:对步骤三得到的世界坐标系下的第二去畸变点云实施本发明之2.1)~2.2),在世界坐标系下融合多帧全局去畸变点云,并将点云转换到当前局部坐标系下,得到多帧局部去畸变点云。其中Nfusion取值为10,DistValid取值为2.85。如图2右下所示为融合后的多帧局部去畸变点云。
步骤五:对步骤四得到的融合后的多帧局部去畸变点云数据实施本发明之2.3)~2.4),将点云数据做栅格化,并根据二维栅格高度特征,筛选出影响车辆通行的二维栅格。其中row取600,col取400,gridSize取20,Hths取值为30。图4右下角为最终检测得出的代表障碍物位置的栅格图。
图3、图4、图5、图6测试了KITTI数据集中四个典型场景的使用效果,每个子图中,上方为真实场景的图像,左下为单帧原始点云障碍物检测的结果,右下使用多帧局部去畸变点云检测的结果。在每个场景中,均使用灰色矩形框标出了远处车辆的位置,该车辆使用单帧原始点云数据无法被检测出,使用多帧局部去畸变点云可以被检测出。在表1中对各个场景的检测结果做了统计,其中总帧数f0为目标车辆出现在图像中,并且有激光点打到车辆上的数据帧;成功帧数f1为在栅格图中顺利检测出目标车辆的数据帧;误检帧数f2为在栅格图中出现了明显的将可通行区域标为了障碍的数据帧;漏检帧数f3为目标车辆所在栅格属性被标为可通行的数据帧。表中的首次检测距离为目标车辆第一次被检测出时,距离激光雷达中心的位置,成功率=f1/f0,误检率=f2/f0,漏检率=f3/f0。
图3、图4、图5、图6是使用64线激光雷达的障碍物检测结果,图7是使用32线雷达的障碍物检测结果,对比两者可以看出使用本发明方法的32线雷达在探测栅格数量以及障碍物检测距离上,可以达到64线雷达的效果。
表1
由上述实施可看出,本发明提出的方法,检测距离远,检测成功率高,误检率和漏检率低,通过使用低线数激光雷达就可以实现以往使用高线数激光雷达才能达到的障碍物检测效果,具有降低系统成本的优点。
Claims (6)
1.一种基于激光雷达多帧点云融合的远距离障碍物检测方法,其特征在于包括如下步骤:
1)以激光雷达当前位置为原点建立局部坐标系,以激光雷达起始位置为原点建立世界坐标系,根据局部坐标系下激光雷达实时每帧所采集的原始点云数据在激光雷达的环形扫描线上依次计算每个激光点的曲率并提取特征点,经过帧间特征点匹配以及地图特征点匹配两个步骤得到当前位置相对于起始位置的全局位姿以及世界坐标系下的去畸变点云;
2)在世界坐标系下,融合当前帧和之前帧的去畸变点云得到更致密的去畸变点云数据,作为多帧全局去畸变点云,将多帧全局去畸变点云统一到局部坐标系下,并向二维栅格做投影,根据每个二维栅格的高度变化特征筛选出障碍物。
2.根据权利要求1所述的一种基于激光雷达多帧点云融合的远距离障碍物检测方法,其特征在于:所述步骤1)具体采用以下方式处理:
1.1)在障碍物检测过程中,激光雷达被固定于车辆上并跟随车辆一起运动,以车辆起始位置的激光雷达中心为原点建立世界坐标系,以车辆当前位置的激光雷达中心为原点建立局部坐标系L;
激光雷达水平旋转一圈所采集的点云数据构成了一帧原始点云,这一帧原始点云分布在垂直角度不同的多条环形扫描线上;
在每条环形扫描线上按水平角度递增的顺序依次计算每个激光点的曲率,并根据曲率大小从当前帧原始点云中提取出若干特征点,特征点分为角点和平滑点,其中曲率大于平滑阈值的激光点为角点,曲率小于等于平滑阈值的激光点为平滑点;
1.2)对于当前帧原始点云中的每个特征点,在前一帧的第一去畸变点云中找到相对应的角点和平滑点,计算前后帧对应特征点的距离之和,通过非线性优化的方式迭代计算得到帧间位姿,并根据该帧间位姿消除数据采集过程中由于车辆运动导致的原始点云畸变,得到当前帧的第一去畸变点云;
1.3)累积步骤1.2)中的帧间位姿,得到激光雷达当前在世界坐标系中的全局位姿,建立特征点地图,对于当前帧第一去畸变点云中的每个特征点,在特征点地图中重新寻找对应的角点和平滑点并计算距离,通过非线性优化的方式迭代计算得到更精确的全局位姿,得到当前帧的第二去畸变点云。
3.根据权利要求2所述的一种基于激光雷达多帧点云融合的远距离障碍物检测方法,其特征在于:所述步骤1.1)具体为:
1.1.1)计算激光点曲率
在同一环形扫描件线上,针对每个激光点采用以下方式处理获得曲率:
以当前激光点为中心,前后各取与当前激光点相邻的N1个激光点,计算当前激光点的曲率:
其中,u、i均表示激光点在原始点云中的序号,xu、yu、zu表示第u个激光点在局部坐标系下的三维坐标分量;xi、yi、zi分别表示当前激光点在局部坐标系下的三维坐标分量,当前激光点为第i个激光点,N1表示激光点序数取值范围;
1.1.2)挑选特征点
一帧原始点云有多条环形扫描线,位于同一环形扫描线上的激光点依照水平角度不同划分为Nf个区域,对于一个区域中的激光点,进行以下判断:若其曲率大于平滑阈值Thscurv,则将其加入候选角点;若其曲率小于等于平滑阈值Thscurv,则将其加入候选平滑点;在一个区域的所有候选角点中挑选曲率最大的Nc个点作为该区域的角点,在一个区域的所有候选平滑点中挑选曲率最小的Ns个点作为该区域的平滑点;对于一帧原始点云中的所有区域重复上述角点和平滑点筛选过程获得各个区域的角点与平滑点,所有区域中的角点构成当前帧的角点集合所有区域中的平滑点构成当前帧的平滑点集合
1.1.3)角点与平滑点作为特征点并用表示,表示为第k帧第i个激光点在局部坐标系L下的点向量,其中si表示从开始时刻到第i个激光点的采集时刻之间所占据一帧扫描的时间比例;激光雷达以机械旋转的方式采集数据,采用以下公式计算获得时间比例si:
其中,tstart表示每一帧原始点云扫描的开始时刻,tend表示每一帧原始点云扫描的结束时刻,trecv表示第i个激光点的采集时刻。
4.对于权利要求2所述的一种基于激光雷达多帧点云融合的远距离障碍物检测方法,其特征在于:所述步骤1.2)具体为:
1.2.1)初始化帧间位姿
建立各帧的帧间位姿设置第一帧间位姿的元素均设置为零,设置上一次帧间位姿作为当前帧的帧间位姿的初始值表示为:
其中,表示当前第k帧的帧间位姿,为局部坐标系下激光雷达中心的位置,为局部坐标系下激光雷达中心的三种姿态角,分别为翻滚角roll、俯仰角pitch和偏航角yaw,t表示矩阵转置;
各个姿态角用旋转矩阵表示为:
其中,表示以翻滚角构成的翻滚角旋转矩阵,表示以俯仰角构成的俯仰角旋转矩阵,表示以偏航角构成的偏航角旋转矩阵;
1.2.2)然后采用以下方式分别针对角点和平滑点进行匹配
1.2.2.a)角点匹配
以第一帧的原始点云作为第一帧的第一去畸变点云;对于第二帧开始的每一帧,以当前帧角点集合中的一个角点根据帧间位姿和时间比例si,将角点转换到上一帧第一去畸变点云的局部坐标系中:
在上一帧角点集合中,根据欧式距离寻找离角点的最近点j表示最近点在第一去畸变点云中的序数,最近点位于第b根环形扫描线上,则在序号为[b-index,b)∪(b,b+index]的环形扫描线范围内寻找角点的次近点index为搜索范围,l表示次近点在去畸变点云中的序数;
最近点与次近点连接构成一条连线,计算角点到上述连线的局部点线距离
1.2.2.b)平滑点匹配
以第一帧的原始点云作为第一帧的第一去畸变点云;对于第二帧开始的每一帧,以当前帧平滑点集合中的一个平滑点根据帧间位姿和时间比例si,将平滑点转换到上一帧第一去畸变点云的局部坐标系中:
在上一帧平滑点集合中,根据欧式距离寻找离平滑点的最近点j表示最近点在去畸变点云中的序数,最近点位于第b根环形扫描线上,则在第b根环形扫描线上寻找次近点index为搜索范围,l表示次近点在去畸变点云中的序数;
然后在序号为[b-index,b)∪(b,b+index]的环形扫描线范围内寻找第三近点m表示第三近点在去畸变点云中的序数;不在同一直线上的三点最近点次近点和第三近点确定一个平面,计算平滑点到平面的局部点面距离
1.2.3)更新帧间位姿
将上述步骤1.2.2)的两种特征点作坐标转换并计算到对应直线或者对应平面距离的过程合并视为一个第一距离函数f:dL表示角点到直线的距离和平滑点到平面的距离合并后的距离;对于当前第k帧原始点云中提取的所有n个特征点,得到如下第一距离函数:
…
其中,表示由帧间位姿计算的第n个特征点的第一距离函数,表示第n个特征点在局部坐标系L下的距离,n表示一帧点云中的特征点总数,n=(Nc+Ns)×Nf;
然后计算上述第一距离函数的雅克比行列式
再计算帧间位姿变化量
其中,分别为帧间位姿变化量中的三轴方向位置变化量,分别为帧间位姿变化量中的三种姿态角变化量;
然后在原有帧间位姿基础上加上帧间位姿变化量进行更新;
1.2.4)迭代计算
重复步骤1.2.2)~1.2.3)进行迭代处理直至达到第一最大迭代次数IteraCountL,或满足如下公式:
其中,deltaTL为帧间位置终止阈值,deltaRL为帧间姿态终止阈值;
1.2.5)运动畸变去除
一帧原始点云中,扫描开始时刻的局部坐标系作为帧头坐标系,扫描结束时刻的局部坐标系作为帧尾坐标系;
对于当前帧原始点云,依据帧间位姿以及时间比例si将所有激光点坐标转换帧头坐标系中,再将所有点转换到以tend时刻为准的帧尾坐标系,由此去除运动畸变得到当前帧的第一去畸变点云,并由其中去除运动畸变后的角点和平滑点分别构成了第一去畸变角点集合和第一去畸变平滑点集合供下一帧原始点云做特征点匹配使用。
5.对于权利要求2所述的一种基于激光雷达多帧点云融合的远距离障碍物检测方法,其特征在于:所述步骤1.3),具体为:
1.3.1)对于第一帧的激光雷达的齐次坐标变换矩阵M1计算为:
对于第二帧以后的每一帧,根据前一帧的帧间位姿对当前帧的激光雷达位姿的齐次坐标变换矩阵Mk进行更新处理:
其中,Mk表示第k帧激光雷达位姿的齐次坐标变换矩阵,每一帧的激光雷达位姿的齐次坐标变换矩阵Mk是和当前帧激光雷达在世界坐标系中的全局位姿相一一对应, 为世界坐标系下激光雷达中心的位置,为世界坐标系下激光雷达中心的三种姿态角;
1.3.2)特征点地图匹配
特征点地图分为角点地图和平滑点地图;
1.3.2.a)角点地图分配
建立长方体形的角点地图Mapc,以当前激光雷达中心为长方体的中心,角点地图的范围大小设定为长length、宽width和高height,将所有帧原始点云中落在角点地图Mapc之内的角点加入角点地图Mapc;
对于第一去畸变角点集合中的每一角点均按照如下处理:
将角点转换到世界坐标系下得到去畸变角点在角点地图Mapc中,寻找距离去畸变角点最近的五个角点,计算五个角点之间的质心坐标为然后计算协方差分量并组成协方差矩阵A:
其中,axx表示x分量自相关系数,ayy表示y分量自相关系数,azz表示z分量自相关系数,axy表示xy分量互相关系数,axz表示xz分量互相关系数,ayz表示yz分量互相关系数;分别表示质心坐标在世界坐标系下的三维坐标;
采用以下公式计算获得协方差矩阵A的特征值和特征向量:
Av1=λ1v1 Av2=λ2v2 Av3=λ3v3
其中,v1、v2、v3表示第一、第二、第三特征向量,λ1、λ2、λ3表示第一、第二、第三特征值;且特征值按降序排列为λ1≥λ2≥λ3,λ1、λ2、λ3对应的特征向量分别为v1、v2、v3;
若满足λ1之3λ2,则距离最近的五个点呈直线分布,再计算该直线的单位向量则用以下两个三维点表示该直线:
其中,ps为起始三维点,pe为结束三维点;
计算去畸变角点到两个三维点ps和pe所形成直线的全局点线距离
1.3.2.b)平滑点地图匹配
建立长方体形的平滑点地图Maps,以当前激光雷达中心为长方体的中心,平滑点地图的范围大小设定为长length、宽width和高height,将所有帧原始点云中落在平滑点地图Mapc之内的平滑点加入平滑点地图Maps;对于第一去畸变平滑点集合中的每一平滑点均按照如下处理:将平滑点转换到世界坐标系下得到去畸变平滑点在平滑点地图Maps中,寻找距离去畸变平滑点最近的五个平滑点,由该五个平滑点拟合处理建立拟合平面,分别计算上述五个平滑点分别到拟合平面的五个距离,并进行以下判断:若五个距离均小于平面拟合阈值DisThs,则认为满足五个点的平面分布,计算去畸变平滑点到该拟合平面的全局点面距离
1.3.3)更新世界位姿
将上述步骤1.3.2)的两种特征点处理并计算到拟合直线或拟合平面的过程合并视为一个第二距离函数:
其中,表示由全局位姿计算的第二距离函数,dW表示在全局坐标系W下特征点到拟合直线或拟合平面的距离;
使用非线性优化的方式更新世界坐标系下位姿的估计值:
其中,h表示第二距离函数对全局位姿求导得到的雅克比矩阵;
再计算全局位姿变化量
其中,分别为全局位姿变化量中的三轴方向位置变化量,分别为全局位姿变化量中的三种姿态角变化量;
然后在原有全局位姿基础上加上全局位姿变化量进行更新;
1.3.4)迭代计算
重复步骤1.3.2)~1.3.3)进行迭代处理直至达到第二最大迭代次数IterCountW,或满足如下公式:
其中,deltaTW为全局位置终止阈值,deltaRW为全局姿态终止阈值;
1.3.5)根据求出的全局位姿对局部坐标系下的第一去畸变点云做转换,得到世界坐标系下的去畸变点云作为第二去畸变点云;
1.3.6)更新特征点地图
在激光雷达随车辆运动过程中,对于角点地图和平滑点地图中的特征点分别进行实时更新,将位于地图范围内的特征点保留,并将实时加入到地图范围内的特征点加入特征点地图,否则抛弃。
6.根据权利要求1所述的一种基于激光雷达多帧点云融合的远距离障碍物检测方法,其特征在于:所述步骤2),具体为:
2.1)多帧激光点云融合
针对每一当前帧,由步骤1)获得当前帧的世界坐标系下的去畸变点云叠加融合上当前帧以前的Nfusion帧点云,得到多帧全局去畸变点云PW:
其中,Nfusion表示叠加的点云帧数量,q表示叠加的点云帧序数;
2.2)点云坐标系转换
在当前帧的局部坐标系下,构建栅格地图,对于多帧全局去畸变点云PW中的每个激光点v表示多帧全局去畸变点云PW中的激光点的序数, 分别表示第v个激光点在全局坐标系下的三维分量坐标,根据步骤1)中得到的全局位姿进行转换处理得到局部坐标系下的激光点 分别表示第v个激光点在局部坐标系下的三维坐标分量;
当局部坐标系下的激光点满足如下要求时,将其加入多帧局部点云集合PL:
其中,DistValid是有效距离阈值;
2.3)点云数据栅格化
在局部坐标系的xy轴平面上建立划分二维栅格,以z轴方向作为高度值,在x轴方向建立row行栅格,在y轴方向建立col列栅格,每个二维栅格是边长为gridSize的正方形,每个二维栅格记录落在二维栅格中所有激光点的最大高度值Hmax和最小高度值Hmin并作为高度分布特征;对于多帧局部点云集合PL做上述处理,得到二维栅格中的高度分布特征;
2.4)筛选障碍栅格
在所有row×col个二维栅格中,根据落入二维栅格中的激光点云的分布情况,将二维栅格属性按照以下方式判断为未知、可通行、障碍物三种:
若二维栅格中没有激光点落入,则二维栅格属性值为未知;
若二维栅格中至少有一个点落入,且满足Hmax-Hmin<Hths,Hths表示障碍物高度阈值,则二维栅格属性为可通行;
若二维栅格中至少有一个点落入,且满足Hmax-Hmin≥Hths,则二维栅格属性为障碍物;
所有被标记为障碍物的二维栅格所在位置,作为使用融合后的多帧局部点云检测出的障碍物所在位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910391748.1A CN110221603B (zh) | 2019-05-13 | 2019-05-13 | 一种基于激光雷达多帧点云融合的远距离障碍物检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910391748.1A CN110221603B (zh) | 2019-05-13 | 2019-05-13 | 一种基于激光雷达多帧点云融合的远距离障碍物检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110221603A true CN110221603A (zh) | 2019-09-10 |
CN110221603B CN110221603B (zh) | 2020-08-14 |
Family
ID=67820812
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910391748.1A Active CN110221603B (zh) | 2019-05-13 | 2019-05-13 | 一种基于激光雷达多帧点云融合的远距离障碍物检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110221603B (zh) |
Cited By (85)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110703229A (zh) * | 2019-09-25 | 2020-01-17 | 禾多科技(北京)有限公司 | 点云去畸变方法及车载激光雷达到imu的外参标定方法 |
CN110888144A (zh) * | 2019-12-04 | 2020-03-17 | 吉林大学 | 一种基于滑动窗口的激光雷达数据合成方法 |
CN110888120A (zh) * | 2019-12-03 | 2020-03-17 | 华南农业大学 | 一种基于组合导航系统矫正激光雷达点云数据运动畸变的方法 |
CN110927743A (zh) * | 2019-12-05 | 2020-03-27 | 武汉理工大学 | 一种基于多线激光点云极化表征的智能车定位方法 |
CN110928301A (zh) * | 2019-11-19 | 2020-03-27 | 北京小米智能科技有限公司 | 一种检测微小障碍的方法、装置及介质 |
CN110988801A (zh) * | 2019-10-25 | 2020-04-10 | 东软睿驰汽车技术(沈阳)有限公司 | 一种雷达的安装角度调整方法和装置 |
CN111060923A (zh) * | 2019-11-26 | 2020-04-24 | 武汉乐庭软件技术有限公司 | 一种多激光雷达的汽车驾驶障碍物检测方法及系统 |
CN111090087A (zh) * | 2020-01-21 | 2020-05-01 | 广州赛特智能科技有限公司 | 一种智能导航机器、激光雷达盲区补偿方法及存储介质 |
CN111142116A (zh) * | 2019-09-27 | 2020-05-12 | 广东亿嘉和科技有限公司 | 一种基于三维激光的道路检测与建模方法 |
CN111210475A (zh) * | 2020-04-21 | 2020-05-29 | 浙江欣奕华智能科技有限公司 | 一种地图更新方法及装置 |
CN111207762A (zh) * | 2019-12-31 | 2020-05-29 | 深圳一清创新科技有限公司 | 地图生成方法、装置、计算机设备和存储介质 |
CN111239757A (zh) * | 2020-03-12 | 2020-06-05 | 湖南大学 | 一种路面特征参数自动提取方法及系统 |
CN111257882A (zh) * | 2020-03-19 | 2020-06-09 | 北京三快在线科技有限公司 | 数据融合方法、装置、无人驾驶设备和可读存储介质 |
CN111273316A (zh) * | 2020-02-18 | 2020-06-12 | 中国科学院合肥物质科学研究院 | 一种基于剖面展开融合的多激光雷达多视点对象检测方法 |
CN111273312A (zh) * | 2020-01-15 | 2020-06-12 | 吉林大学 | 一种智能车辆定位与回环检测方法 |
CN111339996A (zh) * | 2020-03-20 | 2020-06-26 | 北京百度网讯科技有限公司 | 静态障碍物的检测方法、装置、设备及存储介质 |
CN111340875A (zh) * | 2020-02-17 | 2020-06-26 | 南京航空航天大学 | 一种基于三维激光雷达的空间移动目标检测方法 |
CN111429514A (zh) * | 2020-03-11 | 2020-07-17 | 浙江大学 | 一种融合多帧时序点云的激光雷达3d实时目标检测方法 |
CN111429528A (zh) * | 2020-04-07 | 2020-07-17 | 高深智图(广州)科技有限公司 | 大型分布式高精地图数据处理系统 |
CN111508021A (zh) * | 2020-03-24 | 2020-08-07 | 广州视源电子科技股份有限公司 | 一种位姿确定方法、装置、存储介质及电子设备 |
CN111563450A (zh) * | 2020-04-30 | 2020-08-21 | 北京百度网讯科技有限公司 | 数据处理方法、装置、设备及存储介质 |
CN111678516A (zh) * | 2020-05-08 | 2020-09-18 | 中山大学 | 一种基于激光雷达的有界区域快速全局定位方法 |
CN111765882A (zh) * | 2020-06-18 | 2020-10-13 | 浙江大华技术股份有限公司 | 激光雷达定位方法及其相关装置 |
CN111798397A (zh) * | 2020-07-08 | 2020-10-20 | 上海振华重工电气有限公司 | 一种激光雷达数据的消抖与雨雾处理方法 |
CN111830534A (zh) * | 2020-06-08 | 2020-10-27 | 上海宇航系统工程研究所 | 一种应用激光雷达进行最佳着陆点选取方法 |
CN111881239A (zh) * | 2020-07-17 | 2020-11-03 | 上海高仙自动化科技发展有限公司 | 构建方法、构建装置、智能机器人及可读存储介质 |
CN111880195A (zh) * | 2020-07-10 | 2020-11-03 | 中科智云科技有限公司 | 基于激光雷达的塔吊防碰撞方法及其系统 |
CN111929699A (zh) * | 2020-07-21 | 2020-11-13 | 北京建筑大学 | 一种顾及动态障碍物的激光雷达惯导里程计与建图方法及系统 |
CN111932614A (zh) * | 2020-07-06 | 2020-11-13 | 清华大学 | 一种基于聚类中心特征的激光雷达即时定位与建图方法 |
CN112070770A (zh) * | 2020-07-16 | 2020-12-11 | 国网安徽省电力有限公司检修分公司 | 一种高精度三维地图与二维栅格地图同步构建方法 |
CN112285738A (zh) * | 2020-10-23 | 2021-01-29 | 中车株洲电力机车研究所有限公司 | 一种轨道交通车辆的定位方法及其装置 |
CN112294197A (zh) * | 2020-11-04 | 2021-02-02 | 深圳市普森斯科技有限公司 | 扫地机的清扫控制方法、电子装置及存储介质 |
CN112329749A (zh) * | 2021-01-05 | 2021-02-05 | 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 |
CN112348893A (zh) * | 2020-10-30 | 2021-02-09 | 珠海市一微半导体有限公司 | 一种局部点云地图构建方法及视觉机器人 |
CN112365592A (zh) * | 2020-11-10 | 2021-02-12 | 大连理工大学 | 一种基于双向高程模型的局部环境特征描述方法 |
CN112381026A (zh) * | 2020-11-23 | 2021-02-19 | 武汉理工大学 | 航道岸线检测方法、系统、装置和存储介质 |
CN112415518A (zh) * | 2020-11-20 | 2021-02-26 | 南京理工大学 | 基于车载毫米波雷达的可通行空间检测方法 |
CN112414415A (zh) * | 2020-09-22 | 2021-02-26 | 重庆智行者信息科技有限公司 | 高精度点云地图构建方法 |
CN112505724A (zh) * | 2020-11-24 | 2021-03-16 | 上海交通大学 | 道路负障碍检测方法及系统 |
CN112630798A (zh) * | 2019-09-24 | 2021-04-09 | 北京百度网讯科技有限公司 | 用于估计地面的方法和装置 |
CN112649815A (zh) * | 2019-10-10 | 2021-04-13 | 华为技术有限公司 | 处理数据的方法和装置 |
CN112669388A (zh) * | 2019-09-30 | 2021-04-16 | 上海禾赛科技股份有限公司 | 激光雷达与摄像装置的标定方法及装置、可读存储介质 |
CN112666535A (zh) * | 2021-01-12 | 2021-04-16 | 重庆长安汽车股份有限公司 | 一种基于多雷达数据融合的环境感知方法及系统 |
CN112764053A (zh) * | 2020-12-29 | 2021-05-07 | 深圳市普渡科技有限公司 | 一种融合定位方法、装置、设备和计算机可读存储介质 |
CN112762937A (zh) * | 2020-12-24 | 2021-05-07 | 哈尔滨工业大学芜湖机器人产业技术研究院 | 一种基于占据栅格的2d激光序列点云配准方法 |
CN112767456A (zh) * | 2021-01-18 | 2021-05-07 | 南京理工大学 | 一种三维激光点云快速重定位方法 |
CN112347999B (zh) * | 2021-01-07 | 2021-05-14 | 深圳市速腾聚创科技有限公司 | 障碍物识别模型训练方法、障碍物识别方法、装置及系统 |
WO2021134441A1 (zh) * | 2019-12-31 | 2021-07-08 | 深圳元戎启行科技有限公司 | 基于自动驾驶的车辆速度控制方法、装置和计算机设备 |
CN113096183A (zh) * | 2021-03-18 | 2021-07-09 | 武汉科技大学 | 一种基于激光雷达与单目相机的障碍物检测与测量方法 |
CN113093221A (zh) * | 2021-03-31 | 2021-07-09 | 东软睿驰汽车技术(沈阳)有限公司 | 占据栅格地图的生成方法及装置 |
CN113269837A (zh) * | 2021-04-27 | 2021-08-17 | 西安交通大学 | 一种适用于复杂三维环境的定位导航方法 |
CN113313765A (zh) * | 2021-05-28 | 2021-08-27 | 上海高仙自动化科技发展有限公司 | 定位方法、装置、电子设备和存储介质 |
CN113345009A (zh) * | 2021-05-31 | 2021-09-03 | 湖南大学 | 一种基于激光里程计的无人机动态障碍物检测方法 |
CN113340304A (zh) * | 2021-06-03 | 2021-09-03 | 青岛慧拓智能机器有限公司 | 坡度提取方法及装置 |
CN113345008A (zh) * | 2021-05-31 | 2021-09-03 | 湖南大学 | 一种考虑轮式机器人位姿估计的激光雷达动态障碍物检测方法 |
CN113359141A (zh) * | 2021-07-28 | 2021-09-07 | 东北林业大学 | 一种基于无人机多传感器数据融合的林火定位方法及系统 |
CN113406658A (zh) * | 2021-05-24 | 2021-09-17 | 西北工业大学 | 一种基于点线特征扫描匹配的移动机器人定位方法 |
CN113447949A (zh) * | 2021-06-11 | 2021-09-28 | 天津大学 | 一种基于激光雷达和先验地图的实时定位系统及方法 |
CN113447936A (zh) * | 2020-12-07 | 2021-09-28 | 兰剑智能科技股份有限公司 | Agv智能叉车及地堆库存区域站台状态的检测方法、装置 |
CN113447923A (zh) * | 2021-06-29 | 2021-09-28 | 上海高德威智能交通系统有限公司 | 目标检测方法、装置、系统、电子设备及存储介质 |
CN113466877A (zh) * | 2020-03-30 | 2021-10-01 | 北京轻舟智航智能技术有限公司 | 一种实时物体检测的方法、装置及电子设备 |
CN113551678A (zh) * | 2020-04-09 | 2021-10-26 | 阿里巴巴集团控股有限公司 | 构建地图的方法、构建高精度地图的方法及移动设备 |
CN113628256A (zh) * | 2021-08-20 | 2021-11-09 | 北京京东乾石科技有限公司 | 一种数据处理方法和装置 |
CN113721248A (zh) * | 2021-08-30 | 2021-11-30 | 浙江吉利控股集团有限公司 | 一种基于多源异构传感器的融合定位方法及系统 |
CN113781569A (zh) * | 2021-01-04 | 2021-12-10 | 北京京东乾石科技有限公司 | 一种回环检测方法和装置 |
CN113807239A (zh) * | 2021-09-15 | 2021-12-17 | 京东鲲鹏(江苏)科技有限公司 | 一种点云数据的处理方法、装置、存储介质及电子设备 |
CN113830083A (zh) * | 2021-07-26 | 2021-12-24 | 武汉理工大学 | 基于交通路锥识别的车辆安全引导方法 |
CN113838141A (zh) * | 2021-09-02 | 2021-12-24 | 中南大学 | 一种单线激光雷达与可见光相机的外参标定方法及系统 |
WO2022001322A1 (zh) * | 2020-06-30 | 2022-01-06 | 上海商汤智能科技有限公司 | 一种车辆控制方法、装置、电子设备及存储介质 |
CN114155423A (zh) * | 2021-11-30 | 2022-03-08 | 深圳亿嘉和科技研发有限公司 | 机器人局部环境可行驶区域感知方法及装置 |
WO2022061850A1 (zh) * | 2020-09-28 | 2022-03-31 | 深圳市大疆创新科技有限公司 | 点云运动畸变修正方法和装置 |
US11308656B1 (en) | 2020-11-16 | 2022-04-19 | International Business Machines Corporation | Power line extraction using reference data |
CN114474065A (zh) * | 2022-03-04 | 2022-05-13 | 美智纵横科技有限责任公司 | 机器人控制方法及其装置、机器人和存储介质 |
WO2022100353A1 (en) * | 2020-11-16 | 2022-05-19 | International Business Machines Corporation | Power line georectification |
CN114581481A (zh) * | 2022-03-07 | 2022-06-03 | 广州小鹏自动驾驶科技有限公司 | 一种目标物速度的估计方法及装置、车辆和存储介质 |
CN114842084A (zh) * | 2022-07-04 | 2022-08-02 | 矿冶科技集团有限公司 | 一种地图构建方法、装置及移动探测设备 |
WO2022160879A1 (zh) * | 2021-01-26 | 2022-08-04 | 华为技术有限公司 | 一种转换参数的确定方法和装置 |
CN114879153A (zh) * | 2022-06-08 | 2022-08-09 | 中国第一汽车股份有限公司 | 雷达参数的标定方法、装置和车辆 |
CN115220012A (zh) * | 2022-09-20 | 2022-10-21 | 成都睿芯行科技有限公司 | 一种基于反光板定位方法 |
CN115421125A (zh) * | 2022-11-07 | 2022-12-02 | 山东富锐光学科技有限公司 | 一种基于数据融合的雷达点云数据惯性校正方法 |
CN115719354A (zh) * | 2022-11-17 | 2023-02-28 | 同济大学 | 基于激光点云提取立杆的方法与装置 |
CN115965682A (zh) * | 2022-12-16 | 2023-04-14 | 镁佳(北京)科技有限公司 | 一种车辆可通行区域确定方法、装置及计算机设备 |
CN116148809A (zh) * | 2023-04-04 | 2023-05-23 | 中储粮成都储藏研究院有限公司 | 基于激光雷达扫描定位的粮车扦样点自动生成方法及系统 |
CN116434183A (zh) * | 2023-03-08 | 2023-07-14 | 之江实验室 | 一种基于多点云协同融合的道路静态环境描述方法 |
CN117549939A (zh) * | 2023-11-13 | 2024-02-13 | 沈阳奇辉机器人应用技术有限公司 | 有轨机器人与车厢共速的方法和设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050015201A1 (en) * | 2003-07-16 | 2005-01-20 | Sarnoff Corporation | Method and apparatus for detecting obstacles |
CN104933708A (zh) * | 2015-06-07 | 2015-09-23 | 浙江大学 | 一种基于多谱三维特征融合的植被环境中障碍物检测方法 |
CN106650640A (zh) * | 2016-12-05 | 2017-05-10 | 浙江大学 | 一种基于激光雷达点云局部结构特征的负障碍物检测方法 |
CN108152831A (zh) * | 2017-12-06 | 2018-06-12 | 中国农业大学 | 一种激光雷达障碍物识别方法及系统 |
CN109215135A (zh) * | 2018-09-07 | 2019-01-15 | 百度在线网络技术(北京)有限公司 | 一种基于统计的障碍物位置仿真方法、装置以及终端 |
CN109521757A (zh) * | 2017-09-18 | 2019-03-26 | 百度在线网络技术(北京)有限公司 | 静态障碍物识别方法和装置 |
-
2019
- 2019-05-13 CN CN201910391748.1A patent/CN110221603B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050015201A1 (en) * | 2003-07-16 | 2005-01-20 | Sarnoff Corporation | Method and apparatus for detecting obstacles |
CN104933708A (zh) * | 2015-06-07 | 2015-09-23 | 浙江大学 | 一种基于多谱三维特征融合的植被环境中障碍物检测方法 |
CN106650640A (zh) * | 2016-12-05 | 2017-05-10 | 浙江大学 | 一种基于激光雷达点云局部结构特征的负障碍物检测方法 |
CN109521757A (zh) * | 2017-09-18 | 2019-03-26 | 百度在线网络技术(北京)有限公司 | 静态障碍物识别方法和装置 |
CN108152831A (zh) * | 2017-12-06 | 2018-06-12 | 中国农业大学 | 一种激光雷达障碍物识别方法及系统 |
CN109215135A (zh) * | 2018-09-07 | 2019-01-15 | 百度在线网络技术(北京)有限公司 | 一种基于统计的障碍物位置仿真方法、装置以及终端 |
Non-Patent Citations (2)
Title |
---|
NAN ZOU 等: "Multi-spectrum Superpixel Based Obstacle Detection under Vegetation Environments", 《2017 IEEE INTELLIGENT VEHICLES SYMPOSIUM (IV)》 * |
孙宇 等: "未知室外环境下移动机器人的三维场景重建", 《浙江大学学报(工学版)》 * |
Cited By (131)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112630798B (zh) * | 2019-09-24 | 2022-11-29 | 北京百度网讯科技有限公司 | 用于估计地面的方法和装置 |
CN112630798A (zh) * | 2019-09-24 | 2021-04-09 | 北京百度网讯科技有限公司 | 用于估计地面的方法和装置 |
CN110703229A (zh) * | 2019-09-25 | 2020-01-17 | 禾多科技(北京)有限公司 | 点云去畸变方法及车载激光雷达到imu的外参标定方法 |
CN111142116A (zh) * | 2019-09-27 | 2020-05-12 | 广东亿嘉和科技有限公司 | 一种基于三维激光的道路检测与建模方法 |
CN111142116B (zh) * | 2019-09-27 | 2023-03-28 | 广东亿嘉和科技有限公司 | 一种基于三维激光的道路检测与建模方法 |
CN112669388A (zh) * | 2019-09-30 | 2021-04-16 | 上海禾赛科技股份有限公司 | 激光雷达与摄像装置的标定方法及装置、可读存储介质 |
CN112649815A (zh) * | 2019-10-10 | 2021-04-13 | 华为技术有限公司 | 处理数据的方法和装置 |
CN110988801A (zh) * | 2019-10-25 | 2020-04-10 | 东软睿驰汽车技术(沈阳)有限公司 | 一种雷达的安装角度调整方法和装置 |
CN110928301A (zh) * | 2019-11-19 | 2020-03-27 | 北京小米智能科技有限公司 | 一种检测微小障碍的方法、装置及介质 |
CN110928301B (zh) * | 2019-11-19 | 2023-06-30 | 北京小米智能科技有限公司 | 一种检测微小障碍的方法、装置及介质 |
CN111060923A (zh) * | 2019-11-26 | 2020-04-24 | 武汉乐庭软件技术有限公司 | 一种多激光雷达的汽车驾驶障碍物检测方法及系统 |
CN111060923B (zh) * | 2019-11-26 | 2022-05-13 | 武汉乐庭软件技术有限公司 | 一种多激光雷达的汽车驾驶障碍物检测方法及系统 |
CN110888120A (zh) * | 2019-12-03 | 2020-03-17 | 华南农业大学 | 一种基于组合导航系统矫正激光雷达点云数据运动畸变的方法 |
CN110888120B (zh) * | 2019-12-03 | 2023-04-07 | 华南农业大学 | 一种基于组合导航系统矫正激光雷达点云数据运动畸变的方法 |
CN110888144A (zh) * | 2019-12-04 | 2020-03-17 | 吉林大学 | 一种基于滑动窗口的激光雷达数据合成方法 |
CN110888144B (zh) * | 2019-12-04 | 2023-04-07 | 吉林大学 | 一种基于滑动窗口的激光雷达数据合成方法 |
CN110927743A (zh) * | 2019-12-05 | 2020-03-27 | 武汉理工大学 | 一种基于多线激光点云极化表征的智能车定位方法 |
CN111207762A (zh) * | 2019-12-31 | 2020-05-29 | 深圳一清创新科技有限公司 | 地图生成方法、装置、计算机设备和存储介质 |
CN111207762B (zh) * | 2019-12-31 | 2021-12-07 | 深圳一清创新科技有限公司 | 地图生成方法、装置、计算机设备和存储介质 |
WO2021134441A1 (zh) * | 2019-12-31 | 2021-07-08 | 深圳元戎启行科技有限公司 | 基于自动驾驶的车辆速度控制方法、装置和计算机设备 |
CN113424121A (zh) * | 2019-12-31 | 2021-09-21 | 深圳元戎启行科技有限公司 | 基于自动驾驶的车辆速度控制方法、装置和计算机设备 |
CN111273312A (zh) * | 2020-01-15 | 2020-06-12 | 吉林大学 | 一种智能车辆定位与回环检测方法 |
CN111273312B (zh) * | 2020-01-15 | 2023-04-07 | 吉林大学 | 一种智能车辆定位与回环检测方法 |
CN111090087A (zh) * | 2020-01-21 | 2020-05-01 | 广州赛特智能科技有限公司 | 一种智能导航机器、激光雷达盲区补偿方法及存储介质 |
CN111340875A (zh) * | 2020-02-17 | 2020-06-26 | 南京航空航天大学 | 一种基于三维激光雷达的空间移动目标检测方法 |
CN111340875B (zh) * | 2020-02-17 | 2023-04-07 | 南京航空航天大学 | 一种基于三维激光雷达的空间移动目标检测方法 |
CN111273316B (zh) * | 2020-02-18 | 2022-03-08 | 中国科学院合肥物质科学研究院 | 一种基于剖面展开融合的多激光雷达多视点对象检测方法 |
CN111273316A (zh) * | 2020-02-18 | 2020-06-12 | 中国科学院合肥物质科学研究院 | 一种基于剖面展开融合的多激光雷达多视点对象检测方法 |
CN111429514B (zh) * | 2020-03-11 | 2023-05-09 | 浙江大学 | 一种融合多帧时序点云的激光雷达3d实时目标检测方法 |
CN111429514A (zh) * | 2020-03-11 | 2020-07-17 | 浙江大学 | 一种融合多帧时序点云的激光雷达3d实时目标检测方法 |
CN111239757A (zh) * | 2020-03-12 | 2020-06-05 | 湖南大学 | 一种路面特征参数自动提取方法及系统 |
CN111239757B (zh) * | 2020-03-12 | 2022-04-19 | 湖南大学 | 一种路面特征参数自动提取方法及系统 |
CN111257882B (zh) * | 2020-03-19 | 2021-11-19 | 北京三快在线科技有限公司 | 数据融合方法、装置、无人驾驶设备和可读存储介质 |
CN111257882A (zh) * | 2020-03-19 | 2020-06-09 | 北京三快在线科技有限公司 | 数据融合方法、装置、无人驾驶设备和可读存储介质 |
CN111339996A (zh) * | 2020-03-20 | 2020-06-26 | 北京百度网讯科技有限公司 | 静态障碍物的检测方法、装置、设备及存储介质 |
CN111339996B (zh) * | 2020-03-20 | 2023-05-09 | 北京百度网讯科技有限公司 | 静态障碍物的检测方法、装置、设备及存储介质 |
CN111508021B (zh) * | 2020-03-24 | 2023-08-18 | 广州视源电子科技股份有限公司 | 一种位姿确定方法、装置、存储介质及电子设备 |
CN111508021A (zh) * | 2020-03-24 | 2020-08-07 | 广州视源电子科技股份有限公司 | 一种位姿确定方法、装置、存储介质及电子设备 |
CN113466877A (zh) * | 2020-03-30 | 2021-10-01 | 北京轻舟智航智能技术有限公司 | 一种实时物体检测的方法、装置及电子设备 |
CN113466877B (zh) * | 2020-03-30 | 2024-03-01 | 北京轻舟智航智能技术有限公司 | 一种实时物体检测的方法、装置及电子设备 |
CN111429528A (zh) * | 2020-04-07 | 2020-07-17 | 高深智图(广州)科技有限公司 | 大型分布式高精地图数据处理系统 |
CN113551678A (zh) * | 2020-04-09 | 2021-10-26 | 阿里巴巴集团控股有限公司 | 构建地图的方法、构建高精度地图的方法及移动设备 |
CN111210475A (zh) * | 2020-04-21 | 2020-05-29 | 浙江欣奕华智能科技有限公司 | 一种地图更新方法及装置 |
CN111563450A (zh) * | 2020-04-30 | 2020-08-21 | 北京百度网讯科技有限公司 | 数据处理方法、装置、设备及存储介质 |
CN111563450B (zh) * | 2020-04-30 | 2023-09-26 | 北京百度网讯科技有限公司 | 数据处理方法、装置、设备及存储介质 |
CN111678516A (zh) * | 2020-05-08 | 2020-09-18 | 中山大学 | 一种基于激光雷达的有界区域快速全局定位方法 |
CN111830534B (zh) * | 2020-06-08 | 2023-09-29 | 上海宇航系统工程研究所 | 一种应用激光雷达进行最佳着陆点选取方法 |
CN111830534A (zh) * | 2020-06-08 | 2020-10-27 | 上海宇航系统工程研究所 | 一种应用激光雷达进行最佳着陆点选取方法 |
CN111765882A (zh) * | 2020-06-18 | 2020-10-13 | 浙江大华技术股份有限公司 | 激光雷达定位方法及其相关装置 |
WO2022001322A1 (zh) * | 2020-06-30 | 2022-01-06 | 上海商汤智能科技有限公司 | 一种车辆控制方法、装置、电子设备及存储介质 |
CN111932614A (zh) * | 2020-07-06 | 2020-11-13 | 清华大学 | 一种基于聚类中心特征的激光雷达即时定位与建图方法 |
CN111932614B (zh) * | 2020-07-06 | 2022-10-14 | 清华大学 | 一种基于聚类中心特征的激光雷达即时定位与建图方法 |
CN111798397A (zh) * | 2020-07-08 | 2020-10-20 | 上海振华重工电气有限公司 | 一种激光雷达数据的消抖与雨雾处理方法 |
CN111880195A (zh) * | 2020-07-10 | 2020-11-03 | 中科智云科技有限公司 | 基于激光雷达的塔吊防碰撞方法及其系统 |
CN112070770B (zh) * | 2020-07-16 | 2022-11-01 | 国网安徽省电力有限公司超高压分公司 | 一种高精度三维地图与二维栅格地图同步构建方法 |
CN112070770A (zh) * | 2020-07-16 | 2020-12-11 | 国网安徽省电力有限公司检修分公司 | 一种高精度三维地图与二维栅格地图同步构建方法 |
CN111881239B (zh) * | 2020-07-17 | 2023-07-28 | 上海高仙自动化科技发展有限公司 | 构建方法、构建装置、智能机器人及可读存储介质 |
CN111881239A (zh) * | 2020-07-17 | 2020-11-03 | 上海高仙自动化科技发展有限公司 | 构建方法、构建装置、智能机器人及可读存储介质 |
CN111929699A (zh) * | 2020-07-21 | 2020-11-13 | 北京建筑大学 | 一种顾及动态障碍物的激光雷达惯导里程计与建图方法及系统 |
CN112414415A (zh) * | 2020-09-22 | 2021-02-26 | 重庆智行者信息科技有限公司 | 高精度点云地图构建方法 |
WO2022061850A1 (zh) * | 2020-09-28 | 2022-03-31 | 深圳市大疆创新科技有限公司 | 点云运动畸变修正方法和装置 |
CN112285738A (zh) * | 2020-10-23 | 2021-01-29 | 中车株洲电力机车研究所有限公司 | 一种轨道交通车辆的定位方法及其装置 |
CN112348893A (zh) * | 2020-10-30 | 2021-02-09 | 珠海市一微半导体有限公司 | 一种局部点云地图构建方法及视觉机器人 |
CN112294197A (zh) * | 2020-11-04 | 2021-02-02 | 深圳市普森斯科技有限公司 | 扫地机的清扫控制方法、电子装置及存储介质 |
CN112365592A (zh) * | 2020-11-10 | 2021-02-12 | 大连理工大学 | 一种基于双向高程模型的局部环境特征描述方法 |
US11594022B2 (en) | 2020-11-16 | 2023-02-28 | International Business Machines Corporation | Power line georectification |
US11308656B1 (en) | 2020-11-16 | 2022-04-19 | International Business Machines Corporation | Power line extraction using reference data |
WO2022100353A1 (en) * | 2020-11-16 | 2022-05-19 | International Business Machines Corporation | Power line georectification |
CN112415518B (zh) * | 2020-11-20 | 2023-09-26 | 南京理工大学 | 基于车载毫米波雷达的可通行空间检测方法 |
CN112415518A (zh) * | 2020-11-20 | 2021-02-26 | 南京理工大学 | 基于车载毫米波雷达的可通行空间检测方法 |
CN112381026A (zh) * | 2020-11-23 | 2021-02-19 | 武汉理工大学 | 航道岸线检测方法、系统、装置和存储介质 |
CN112505724A (zh) * | 2020-11-24 | 2021-03-16 | 上海交通大学 | 道路负障碍检测方法及系统 |
CN113447936A (zh) * | 2020-12-07 | 2021-09-28 | 兰剑智能科技股份有限公司 | Agv智能叉车及地堆库存区域站台状态的检测方法、装置 |
CN112762937A (zh) * | 2020-12-24 | 2021-05-07 | 哈尔滨工业大学芜湖机器人产业技术研究院 | 一种基于占据栅格的2d激光序列点云配准方法 |
CN112762937B (zh) * | 2020-12-24 | 2023-11-21 | 长三角哈特机器人产业技术研究院 | 一种基于占据栅格的2d激光序列点云配准方法 |
CN112764053B (zh) * | 2020-12-29 | 2022-07-15 | 深圳市普渡科技有限公司 | 一种融合定位方法、装置、设备和计算机可读存储介质 |
CN112764053A (zh) * | 2020-12-29 | 2021-05-07 | 深圳市普渡科技有限公司 | 一种融合定位方法、装置、设备和计算机可读存储介质 |
CN113781569B (zh) * | 2021-01-04 | 2024-04-05 | 北京京东乾石科技有限公司 | 一种回环检测方法和装置 |
CN113781569A (zh) * | 2021-01-04 | 2021-12-10 | 北京京东乾石科技有限公司 | 一种回环检测方法和装置 |
CN112329749A (zh) * | 2021-01-05 | 2021-02-05 | 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 |
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 |
CN112347999B (zh) * | 2021-01-07 | 2021-05-14 | 深圳市速腾聚创科技有限公司 | 障碍物识别模型训练方法、障碍物识别方法、装置及系统 |
CN112666535A (zh) * | 2021-01-12 | 2021-04-16 | 重庆长安汽车股份有限公司 | 一种基于多雷达数据融合的环境感知方法及系统 |
CN112767456A (zh) * | 2021-01-18 | 2021-05-07 | 南京理工大学 | 一种三维激光点云快速重定位方法 |
CN112767456B (zh) * | 2021-01-18 | 2022-10-18 | 南京理工大学 | 一种三维激光点云快速重定位方法 |
WO2022160879A1 (zh) * | 2021-01-26 | 2022-08-04 | 华为技术有限公司 | 一种转换参数的确定方法和装置 |
CN113096183B (zh) * | 2021-03-18 | 2023-05-16 | 武汉科技大学 | 一种基于激光雷达与单目相机的障碍物检测与测量方法 |
CN113096183A (zh) * | 2021-03-18 | 2021-07-09 | 武汉科技大学 | 一种基于激光雷达与单目相机的障碍物检测与测量方法 |
CN113093221A (zh) * | 2021-03-31 | 2021-07-09 | 东软睿驰汽车技术(沈阳)有限公司 | 占据栅格地图的生成方法及装置 |
CN113269837A (zh) * | 2021-04-27 | 2021-08-17 | 西安交通大学 | 一种适用于复杂三维环境的定位导航方法 |
CN113269837B (zh) * | 2021-04-27 | 2023-08-18 | 西安交通大学 | 一种适用于复杂三维环境的定位导航方法 |
CN113406658B (zh) * | 2021-05-24 | 2023-07-07 | 西北工业大学 | 一种基于点线特征扫描匹配的移动机器人定位方法 |
CN113406658A (zh) * | 2021-05-24 | 2021-09-17 | 西北工业大学 | 一种基于点线特征扫描匹配的移动机器人定位方法 |
CN113313765A (zh) * | 2021-05-28 | 2021-08-27 | 上海高仙自动化科技发展有限公司 | 定位方法、装置、电子设备和存储介质 |
CN113313765B (zh) * | 2021-05-28 | 2023-12-01 | 上海高仙自动化科技发展有限公司 | 定位方法、装置、电子设备和存储介质 |
CN113345008A (zh) * | 2021-05-31 | 2021-09-03 | 湖南大学 | 一种考虑轮式机器人位姿估计的激光雷达动态障碍物检测方法 |
CN113345009A (zh) * | 2021-05-31 | 2021-09-03 | 湖南大学 | 一种基于激光里程计的无人机动态障碍物检测方法 |
CN113340304A (zh) * | 2021-06-03 | 2021-09-03 | 青岛慧拓智能机器有限公司 | 坡度提取方法及装置 |
CN113447949B (zh) * | 2021-06-11 | 2022-12-09 | 天津大学 | 一种基于激光雷达和先验地图的实时定位系统及方法 |
CN113447949A (zh) * | 2021-06-11 | 2021-09-28 | 天津大学 | 一种基于激光雷达和先验地图的实时定位系统及方法 |
CN113447923A (zh) * | 2021-06-29 | 2021-09-28 | 上海高德威智能交通系统有限公司 | 目标检测方法、装置、系统、电子设备及存储介质 |
CN113830083B (zh) * | 2021-07-26 | 2024-02-23 | 武汉理工大学 | 基于交通路锥识别的车辆安全引导方法 |
CN113830083A (zh) * | 2021-07-26 | 2021-12-24 | 武汉理工大学 | 基于交通路锥识别的车辆安全引导方法 |
CN113359141B (zh) * | 2021-07-28 | 2021-12-17 | 东北林业大学 | 一种基于无人机多传感器数据融合的林火定位方法及系统 |
CN113359141A (zh) * | 2021-07-28 | 2021-09-07 | 东北林业大学 | 一种基于无人机多传感器数据融合的林火定位方法及系统 |
CN113628256A (zh) * | 2021-08-20 | 2021-11-09 | 北京京东乾石科技有限公司 | 一种数据处理方法和装置 |
CN113628256B (zh) * | 2021-08-20 | 2024-04-16 | 北京京东乾石科技有限公司 | 一种数据处理方法和装置 |
CN113721248A (zh) * | 2021-08-30 | 2021-11-30 | 浙江吉利控股集团有限公司 | 一种基于多源异构传感器的融合定位方法及系统 |
CN113838141A (zh) * | 2021-09-02 | 2021-12-24 | 中南大学 | 一种单线激光雷达与可见光相机的外参标定方法及系统 |
CN113838141B (zh) * | 2021-09-02 | 2023-07-25 | 中南大学 | 一种单线激光雷达与可见光相机的外参标定方法及系统 |
CN113807239A (zh) * | 2021-09-15 | 2021-12-17 | 京东鲲鹏(江苏)科技有限公司 | 一种点云数据的处理方法、装置、存储介质及电子设备 |
CN113807239B (zh) * | 2021-09-15 | 2023-12-08 | 京东鲲鹏(江苏)科技有限公司 | 一种点云数据的处理方法、装置、存储介质及电子设备 |
CN114155423A (zh) * | 2021-11-30 | 2022-03-08 | 深圳亿嘉和科技研发有限公司 | 机器人局部环境可行驶区域感知方法及装置 |
CN114155423B (zh) * | 2021-11-30 | 2024-03-22 | 深圳亿嘉和科技研发有限公司 | 机器人局部环境可行驶区域感知方法及装置 |
CN114474065A (zh) * | 2022-03-04 | 2022-05-13 | 美智纵横科技有限责任公司 | 机器人控制方法及其装置、机器人和存储介质 |
CN114581481A (zh) * | 2022-03-07 | 2022-06-03 | 广州小鹏自动驾驶科技有限公司 | 一种目标物速度的估计方法及装置、车辆和存储介质 |
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 |
CN114879153A (zh) * | 2022-06-08 | 2022-08-09 | 中国第一汽车股份有限公司 | 雷达参数的标定方法、装置和车辆 |
CN114842084A (zh) * | 2022-07-04 | 2022-08-02 | 矿冶科技集团有限公司 | 一种地图构建方法、装置及移动探测设备 |
CN115220012A (zh) * | 2022-09-20 | 2022-10-21 | 成都睿芯行科技有限公司 | 一种基于反光板定位方法 |
CN115421125A (zh) * | 2022-11-07 | 2022-12-02 | 山东富锐光学科技有限公司 | 一种基于数据融合的雷达点云数据惯性校正方法 |
CN115719354B (zh) * | 2022-11-17 | 2024-03-22 | 同济大学 | 基于激光点云提取立杆的方法与装置 |
CN115719354A (zh) * | 2022-11-17 | 2023-02-28 | 同济大学 | 基于激光点云提取立杆的方法与装置 |
CN115965682A (zh) * | 2022-12-16 | 2023-04-14 | 镁佳(北京)科技有限公司 | 一种车辆可通行区域确定方法、装置及计算机设备 |
CN115965682B (zh) * | 2022-12-16 | 2023-09-01 | 镁佳(北京)科技有限公司 | 一种车辆可通行区域确定方法、装置及计算机设备 |
CN116434183B (zh) * | 2023-03-08 | 2023-11-14 | 之江实验室 | 一种基于多点云协同融合的道路静态环境描述方法 |
CN116434183A (zh) * | 2023-03-08 | 2023-07-14 | 之江实验室 | 一种基于多点云协同融合的道路静态环境描述方法 |
CN116148809A (zh) * | 2023-04-04 | 2023-05-23 | 中储粮成都储藏研究院有限公司 | 基于激光雷达扫描定位的粮车扦样点自动生成方法及系统 |
CN116148809B (zh) * | 2023-04-04 | 2023-06-20 | 中储粮成都储藏研究院有限公司 | 基于激光雷达扫描定位的粮车扦样点自动生成方法及系统 |
CN117549939A (zh) * | 2023-11-13 | 2024-02-13 | 沈阳奇辉机器人应用技术有限公司 | 有轨机器人与车厢共速的方法和设备 |
CN117549939B (zh) * | 2023-11-13 | 2024-04-12 | 沈阳奇辉机器人应用技术有限公司 | 有轨机器人与车厢共速的方法和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110221603B (zh) | 2020-08-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110221603A (zh) | 一种基于激光雷达多帧点云融合的远距离障碍物检测方法 | |
CN110264567B (zh) | 一种基于标记点的实时三维建模方法 | |
CN106327573B (zh) | 一种针对城市建筑的实景三维建模方法 | |
Rottensteiner et al. | The ISPRS benchmark on urban object classification and 3D building reconstruction | |
CN108406731A (zh) | 一种基于深度视觉的定位装置、方法及机器人 | |
Manandhar et al. | Auto-extraction of urban features from vehicle-borne laser data | |
CN108647646A (zh) | 基于低线束雷达的低矮障碍物的优化检测方法及装置 | |
Abuhadrous et al. | Digitizing and 3D modeling of urban environments and roads using vehicle-borne laser scanner system | |
CN112987065B (zh) | 一种融合多传感器的手持式slam装置及其控制方法 | |
CN103413352A (zh) | 基于rgbd多传感器融合的场景三维重建方法 | |
CN110472553A (zh) | 图像和激光点云融合的目标追踪方法、计算装置和介质 | |
CN113781582A (zh) | 基于激光雷达和惯导联合标定的同步定位与地图创建方法 | |
CN109282808A (zh) | 用于桥梁三维巡航检测的无人机与多传感器融合定位方法 | |
CN108474658A (zh) | 地面形态检测方法及系统、无人机降落方法和无人机 | |
CN208323361U (zh) | 一种基于深度视觉的定位装置及机器人 | |
CN105938619A (zh) | 一种融合RGB和Depth信息的视觉里程计实现方法 | |
CN104567801B (zh) | 一种基于立体视觉的高精度激光测量方法 | |
CN114359744A (zh) | 一种基于激光雷达和事件相机融合的深度估计方法 | |
CN109146990B (zh) | 一种建筑轮廓的计算方法 | |
CN106709432B (zh) | 基于双目立体视觉的人头检测计数方法 | |
Rebelo et al. | Building 3D city models: Testing and comparing Laser scanning and low-cost UAV data using FOSS technologies | |
Yang et al. | Airborne LiDAR and photogrammetric point cloud fusion for extraction of urban tree metrics according to street network segmentation | |
Zhang et al. | Automatic terrain extraction using multiple image pair and back matching | |
Pfeiffer et al. | Ground truth evaluation of the Stixel representation using laser scanners | |
CN110136168A (zh) | 一种基于特征点匹配和光流法的多旋翼速度测量方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |