CN110286387B - 应用于自动驾驶系统的障碍物检测方法、装置及存储介质 - Google Patents
应用于自动驾驶系统的障碍物检测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN110286387B CN110286387B CN201910557074.8A CN201910557074A CN110286387B CN 110286387 B CN110286387 B CN 110286387B CN 201910557074 A CN201910557074 A CN 201910557074A CN 110286387 B CN110286387 B CN 110286387B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- dimensional
- cloud data
- grid
- dimensional point
- 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 description 53
- 238000012545 processing Methods 0.000 claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 39
- 230000004888 barrier function Effects 0.000 claims abstract description 12
- 230000000877 morphologic effect Effects 0.000 claims description 14
- 230000007797 corrosion Effects 0.000 claims description 9
- 238000005260 corrosion Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000000007 visual effect Effects 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
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
- G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
- Traffic Control Systems (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本申请提供一种应用于自动驾驶系统的障碍物检测方法、装置及存储介质，通过获取三维点云数据；检测三维点云数据中的位于路平面和两侧路肩上的三维点云数据；根据位于路平面的三维点云数据和两侧路肩上的三维点云数据，识别位于路平面之上且位于两侧路肩之间的三维点云数据，得到待处理的三维点云数据；确定待处理的三维点云数据中各点在水平面的投影点，得到由投影点构成的二维图像；在二维图像中检测障碍物。通过将大量的三维点云数据映射到二维空间，形成二维图像，利用二维点云数据来检测障碍物信息，数据处理量小于三维数据处理量，故此无需GPU的加速运行，可降低硬件成本。方法简便易于实现，能够实时的检测障碍物。
Description
技术领域
本公开涉及数据处理领域，尤其涉及一种应用于自动驾驶系统的障碍物检测方法、装置及存储介质。
背景技术
依赖于点云计算和处理技术的发展，能够基于点云对周围三维环境进行建模，进而执行相应的操作。例如，机器人道路路径规划，自动驾驶控制等。
在自动驾驶控制过程中，需要实时检测周围的障碍物。现有技术中自动驾驶系统的激光雷达点云检测障碍物的方法，由于原始点云数据量庞大，处理起来比较复杂，目前还没有较好的能够通过三维点云数据实时检测障碍物的方法。
发明内容
本申请实施例提供一种应用于自动驾驶系统的障碍物检测方法、装置及存储介质，用于解决现有技术中自动驾驶系统的激光雷达点云获取障碍物信息时，由于原始点云数据量庞大，处理起来比较复杂，目前还没有较好的能够通过三维点云数据实时检测障碍物的方法等问题。
本申请实施例的第一方面提供了一种用于自动驾驶系统的障碍物检测方法，所述方法包括：
获取三维点云数据；
检测所述三维点云数据中的位于路平面和两侧路肩上的三维点云数据；
根据位于路平面的三维点云数据和两侧路肩上的三维点云数据，识别位于路平面之上且位于两路肩之间的三维点云数据，得到待处理的三维点云数据；
确定待处理的三维点云数据中各点在水平面的投影点，得到由投影点构成的二维图像；
在所述二维图像中检测障碍物。
在一种可能的实施方式中，所述确定待处理的三维点云数据中各点在水平面的投影点，得到由投影点构成的二维图像，包括：
将所述待处理的三维点云数据中各点投影至水平面得到投影点；
对投影点进行栅格化，生成二维栅格地图，其中所述二维栅格地图中每个栅格的通道至少包括点云个数、点云最大高度和点云最低高度。
在一种可能的实施方式中，在所述二维图像中检测障碍物，包括：
对所述二维栅格地图进行二值化处理，得到二值化图片；
将所述二值化图片进行形态学处理，得到点云块；
剔除尺寸小于预设尺寸的所述点云块，得到作为障碍物的点云块。
在一种可能的实施方式中，针对每个栅格，若该栅格中包含的点云个数大于预设阈值时，将该栅格像素值设置为1；
该栅格中包含的的点云个数小于或等于预设阈值时，将该栅格像素值设置为0。
在一种可能的实施方式中，将所述二值化图片进行形态学处理，得到点云块，包括：
将所述二值化图片进行膨胀处理和腐蚀处理，得到至少一个连通域；
填充各连通域中的孔洞。
在一种可能的实施方式中，在所述二维图像中检测障碍物之后，所述方法还包括
获取障碍物对应的栅格集合对应的通道集合中的最大高度和最低高度；
剔除最大高度大于第一预设高度值和最低高度小于第二预设高度值的障碍物，得到最终检测的障碍物，其中，所述第一预设高度值大于所述第二预设高度值。
本申请实施例的第二方面提供了一种应用于自动驾驶系统的障碍物检测装置，所述装置括：
数据获取模块，用于获取三维点云数据；
数据检测模块，用于检测所述三维点云数据中的位于路平面和两侧路肩上的三维点云数据；
数据识别模块，用于根据位于所述路平面的三维点云数据和所述两侧路肩上的三维点云数据，识别位于路平面之上且位于两侧路肩之间的三维点云数据，得到待处理的三维点云数据；
二维图像生成模块，用于确定待处理的三维点云数据中各点在水平面的投影点，得到由投影点构成的二维图像；
障碍物检测模块，用于在所述二维图像中检测障碍物。
在一种可能的实施方式中，所述二维图像生成模块包括：
投影点获取单元，用于将所述待处理的三维点云数据中各点投影至水平面得到投影点；
二维栅格地图生成单元，用于对投影点进行栅格化，生成二维栅格地图，其中所述二维栅格地图中每个像素的通道至少包括点云个数、点云最大高度和点云最低高度。
在一种可能的实施方式中，所述障碍物检测模块包括：
二值化图片获取单元，用于对所述二维栅格地图进行二值化处理，得到二值化图片；
点云块获取单元，用于将所述二值化图片进行形态学处理，得到点云块；
障碍物点云块获取单元，用于剔除尺寸小于预设尺寸的所述点云块，得到作为障碍物的点云块。
在一种可能的实施方式中，所述二值化图片获取单元包括：
第一像素值设置子单元，用于针对每个栅格，若该栅格中包含的点云个数大于预设阈值时，将该栅格像素值设置为1；
第二像素值设置子单元，用于当该栅格中包含的点云个数小于或等于预设阈值时，将该栅格像素值设置为0。
在一种可能的实施方式中，所述点云块获取单元包括：
形态学处理子单元，用于将所述二值化图片进行膨胀处理和腐蚀处理，得到至少一个连通域；
填充孔洞子单元，用于填充各连通域中的孔洞。
在一种可能的实施方式中，所述装置还包括：
高度值获取模块，用于在所述障碍物检测模块在所述二维图像中检测障碍物之后，获取障碍物对应的栅格集合对应的通道集合中的最大高度值和最低高度值；
障碍物优化模块，用于剔除最大高度大于第一预设高度值和最低高度小于第二预设高度值的障碍物，得到最终检测的障碍物，其中，所述第一预设高度值大于所述第二预设高度值。
本申请实施例的第三方面提供了一种计算机可读介质，存储有计算机可执行指令，所述计算机可执行指令用于执行上述一种应用于自动驾驶系统的障碍物检测方法。
本申请实施例的第四方面提供了一种计算机装置，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述一种应用于自动驾驶系统的障碍物检测方法。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，显而易见地，下面所介绍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为本申请实施例中应用于自动驾驶系统障碍物检测方法的流程图；
图2为本申请实施例中以激光雷达为原点的三维坐标系；
图3为本申请实施例中应用于自动驾驶系统障碍物检测装置的结构框图；
图4为本申请实施例中计算机装置。
具体实施方式
为解决现有技术中自动驾驶系统的激光点云获取障碍物信息时，由于原始点云数据量庞大，处理起来比较复杂，目前还没有较好的能够通过三维点云数据实时检测障碍物的方法等问题。本申请实施例中提供了一种应用于自动驾驶系统的障碍物检测方法、装置及存储介质。为了更好的理解本申请实施提供的技术方案，这里对本申请实施例中涉及的一些名称进行解释。
点云：通过测量仪器得到的产品外观表面的点数据集合。在自动驾驶系统中，通过激光雷达测量得到周围物体表面的点数据集合。
这里对该方案的基本原理做一下简单说明。
为解决现有技术中自动驾驶系统的激光点云获取障碍物信息时，由于原始点云数据量庞大，处理起来比较复杂，目前还没有较好的能够通过三维点云数据实时检测障碍物的方法等问题。本申请实施例中提供了一种应用于自动驾驶系统的障碍物检测方法、装置及存储介质。在本方案中，可通过检测三维点云数据中位于路平面和路肩上的三维点云数据，识别出位于路面上和两侧路肩之内的三维点云数据，并将位于路平面上和两侧路肩之内的点云数据中的各点投影在水平面上，获得二维图像，进而可以在该二维图像中提取障碍物轮廓并检测障碍物信息。在本申请实施例中，通过将大量的三维点云数据映射到二维空间，形成二维图像，将大量的三维点云处理转变为采用传统的机器视觉处理方法来检测障碍物信息，二维信息的处理量小于三维数据处理量，故此无需GPU的加速运行，可降低硬件成本。且传统的机器视觉处理方法简便易于实现，能够实时的检测障碍物。
首先需要说的是本申请实施例中的自动驾驶系统可以独立的位于车载终端，也可以是由车载终端和与其通信的远端服务器构成。下面结合附图对本申请实施例提供的应用于自动驾驶系统的障碍物检测方法做进一步说明。如图1所述，为该方法的流程示意图，包括以下步骤：
步骤101，获取三维点云数据。
在一个实施例中，在自动驾驶机动车的场景中，自动驾驶系统中的激光雷达可向自动驾驶机动车的四周按照一定的轨迹扫描发射激光，用于探测机动车周围环境或行进方向上的物体。当发射激光照射到物体表面时，反射回来的不同方向的激光会携带物体不同部位的位置、距离等信息。由于激光雷达扫描发射极为精细，因此激光雷达能够接收到大量的反射物体表面各点的数据，这些数据用于构成激光点云。激光雷达获取到的点云是以激光雷达为原点的三维坐标系中的三维数值。如图2所示为以激光雷达为原点的三维坐标系。在图2的三维坐标系中，激光雷达为原点O，自动驾驶系统沿道路前行的方向为x轴正方向，面对正方向时驾驶员的左向为y轴正方向，垂直于x轴和y轴组成的水平面且向上方向为z轴正方向，则空间中点云数据中的a点在该三维坐标系中可以表示为(Xa,Ya,Za)。
在一个实施例中，可以通过激光雷达实时采集机动车周围的三维点云数据，并实时进行处理。其中，如前所述。
步骤102，检测三维点云数据中的位于路平面和两侧路肩上的三维点云数据。
步骤103，根据位于路平面的三维点云数据和两侧路肩上的三维点云数据，识别位于路平面之上且位于两侧路肩之间的三维点云数据，得到待处理的三维点云数据。
步骤104，确定待处理的三维点云数据中各点在水平面的投影点，得到由投影点构成的二维图像。
步骤105，在二维图像中检测障碍物。
在本实施例中，通过将大量的三维点云数据映射到二维空间，形成二维图像，在二维图像获取点云数据中各点在二维图像中的数据，通过计算点云的二维数据就可以获取到障碍物的信息。相比于通过进行三维点云数据训练，利用二维点云数据进行检测障碍物，大大减少了数据的计算量，无需GPU的加速运行，可降低硬件成本。该方法简便易于实现，能够实时的检测障碍物。
在一个实施例中，可以通过路平面检测模型和路肩检测模型识别路面上的三维点云数据以及路肩上的三维点云数据，具体的：
其中，激光雷达获取自动驾驶系统周围的点云数据时，包括了路平面点云数据、路平面以上的点云数据、路肩点云数据以及两侧路肩外的点云数据。由于自动驾驶系统通常是只需要探测沿行驶方向的路面上方是否有障碍物，因此只需要获取到沿行驶方向的路面上方物体的点云数据即可。为了减少对不必要的点云数据的计算处理，需要先将路平面点云数据、路肩点云数据以及两侧路肩外的点云数据进行剔除。有鉴于此，本申请实施例中可以将三维点云数据输入路平面检测模型和路肩检测模型，通过这两种模型识别出哪些点云属于路平面和路肩。
路平面检测模型和路肩检测模型可以是通过对神经网络模型进行训练获得，训练采用的样本为三维点云数据。也可以是通过路平面检测算法、直线检测算法获得，本申请对此不作限制。当然，具体实施时路平面检测模型和路肩检测模型也可以采用神经网络进行训练获得，本申请对此不作限定。
具体实施时，可以通过平面检测模型得到路平面模型为A3X+B3Y+C3Z+D＝0，其中，X，Y，Z表示点云数据中各点在以激光雷达为原点的三维坐标系中x轴、y轴和z轴的坐标值，A3、B3、C3、D为系数。通过路肩检测模型得到机动车行驶方向左侧路肩的直线模型为A1X+B1Y+C1＝0，右侧路肩的直线模型为A2X+B2Y+C2＝0，其中，X，Y表示点云数据中各点在以激光雷达为原点的三维坐标系中x轴、y轴坐标值，A1、B1、C1、A2、B2、C2为对应的系数。之后采用路平面模型和路肩的直线模型遍历获取的三维点云数据；计算点云数据中各点与路平面的距离d,如果d满足一定的距离阈值，，则该点云数据为路平面点云数据。可以根据路平面的实际情况对距离阈值进行设置，比如对于自动驾驶小汽车，可以将平整路平面的距离阈值设置为0.05米，但是如果路平面凹凸不平时，可以将路面距离阈值设置为0.08米，这样通过计算可以准确的获取整个路平面上的点云数据，便于后续准确剔除路平面的点云数据。
在一个实施例中，在使用路面检测模型和路肩检测模型识别出位于路平面和两侧路肩的三维点云数据，通过剔除无需处理的三维点云数据达到减少后续需要处理的点云数据的总量的目的，可以根据路平面的三维点云数据和两侧路肩上的三维点云数据，识别位于路平面之上且位于两侧路肩之间的三维点云数据，得到待处理的三维点云数据。
具体实施时，接续前述的例子，根据路平面模型和两侧路肩的直线模型，获得路平面的三维点云数据和两侧路肩的三维点云数据后，在获取的三维点云数据中剔除路平面的三维点云数据和两侧路肩的三维点云数据，获得剔除后的三维点云数据。根据两侧路肩的直线模型，遍历剔除后的三维点云数据，该遍历过程可实施为如果三维点云数据满足A1X+B1Y+C1<0且A2X+B2Y+C2>0，即确定点云数据在两侧路肩之间。通过剔除无需处理的三维点云数据，减少了后续进行数据处理的数据总量。
在一个实施例中，由于三维点云数据量依然庞大，为了提升后续计算单元处理数据的效率，在图2中以激光雷达为原点的三维坐标系下，可以将待处理的三维点云数据进行降维处理，也即得到二维图像后再检测障碍物。具体的，可以先选择一定范围内的三维点云数据进行处理。具体实施时，在步骤103获取到待处理的三维点云数据之后，步骤104投影待处理三维点云数据之前，需要先对待处理点云数据的范围进行选择。
前述的点云数据范围可以是以机动车为基准的前行方向的前后各50m，左右各20m，高度可以没有具体数据范围限制。对应到以激光雷达为原点的三维坐标系下，x轴方向是-50m-50m,在y轴方向是-20m-20m,高度可以没有具体的数据范围限制。将该范围内的三维点云数据中各点投影在水平面上，得到投影点，由投影点构成二维图像。比如图2中虚线构成的最大的矩形框构成前述选择的一定范围。其中B点为该矩形框的左上角的点，且在二维图像中B点为原点。假设三维坐标系中的a点投影至水平面上得到a’点，a’点在以激光雷达为原点水平面上的二维坐标值为(Xa,Ya)。因为二维图像中以B点为原点，而不是以激光雷达为原点，故此，需要将a’点在以激光雷达为原点水平面上的二维坐标值为(Xa,Ya)转化到二维图像的坐标系下。假设，B点在以激光雷达为原点的二维坐标系中的二维坐标值为(-50,20)，那么在以B点为原点的二维坐标系中a’点的二维坐标值为(Xa+50,-Ya+20)。
在前述介绍了可以选择一定范围的三维点云数据进行处理，并介绍了如何进行坐标系转换得到二维图像中的坐标表达之后，在一个实施例中，步骤104中确定待处理的三维点云数据中各点在水平面的投影点，得到由投影点构成的二维图像，具体可执行为：将处理后的三维点云数据中各点投影至水平面得到投影点；对投影点进行栅格化，生成二维栅格地图，其二维栅格地图中每个栅格的通道至少包括点云个数、点云最大高度和点云最低高度。
例如，首先确定每个栅格的像素范围为dL*dW，具体实施时可采用0.1m*0.1m。如果投影点组成的二维图像像素尺寸为L*W，也即前述步骤103与步骤104之间对点云数据选择的一定范围。那么栅格数量为L/dL*W/dW。二维栅格地图中每个栅格的通道至少包括点云个数，点云的最大高度和最低高度。其中，点云数据的最大高度就是该栅格中所有点云在三维坐标系中对应的最大高度，最低高度就是该栅格中所有点云在三维坐标系中对应的最低高度。通过将三维点云数据投影，并对投影点进行栅格化处理，可以降低后续处理的数据量。
获取到二维图像后，为了进一步降低处理的数据量，能够实现实时的检测出障碍物。本申请实施例中，执行步骤105时，具体可执行为步骤A1-步骤A3的操作，包括：
步骤A1，对二维栅格地图进行二值化处理，得到二值化图片。
针对二维栅格地图中的每个栅格，若该栅格中包含的点云个数大于预设阈值，则将该栅格像素值设为1，该栅格中包含的的点云个数小于或等于预设阈值时，将该栅格像素值设置为0，从而达到对二维栅格地图进行二值化处理的目的。预设阈值可以根据实际需要设置，例如将预设阈值设置为3，如果每个栅格中包含的点云个数大于3时，将该栅格像素值设置为1,1可以代表黑色；如果该栅格中包含的的点云个数小于或等于3时，将该栅格像素值设置为0,0可以代表白色。通过对二维栅格地图进行二值化处理，可以降低数据处理量。
步骤A2，将二值化图片进行形态学处理，得到点云块。
由于二值化过程可能导致障碍物上部分信息被过滤掉。因此，可以采用传统的视觉处理算法，即形态学处理来提高轮廓的可识别性。其中，对二值化图片进行形态学处理具体的可以是将二值化图片先进行膨胀处理再进行腐蚀处理，经过膨胀和腐蚀处理的二值化图像可能会得到至少一个连通域，每个连通域中有至少一个孔洞，可以通过将孔洞的像素设置为1，填充各连通域中的孔洞，最终可以得到多个点云块。每个点云块可以代表不同的障碍物。其中，可以根据实际需求对膨胀处理和腐蚀处理的先后顺序进行设置，也可以只进行膨胀处理或腐蚀处理其中之一，本申请对此不作限制。对二值化图片进行形态学处理后，能够优化障碍物的外部轮廓信息，提高对障碍物检测的准确性。
步骤A3：剔除尺寸小于预设尺寸的点云块，得到作为障碍物的点云块。
二值化图片进行形态学处理后获取到代表不同障碍物的点云块后，可以根据自动驾驶场景的需要把尺寸小于预设尺寸的点云块进行剔除，将剩余的点云块作为障碍物的点云块。例如，可以将点云块面积小于0.1m2的剔除，因为0.1m2对应的障碍物很小，对于机动车不足以造成障碍，阻止其正常行驶。通过剔除尺寸小于预设尺寸的点云块，可以减少检测障碍物时障碍物集合中障碍物的数量，提高对障碍物的检测准确性防止过度检测。
上述通过对二维栅格地图进行二值化处理，得到二值化图片；将二值化图片进行形态学处理，得到点云块；剔除尺寸小于预设尺寸的点云块，得到作为障碍物的点云块。由于通过二值化处理后，能够减少数据处理量，提高数据处理效率。总之，该方法中通过较小的数据量和较为简便易于实现的方式实现了对障碍物的检测。
在一个实施例中，在二维图像中检测障碍物之后，还可以进一步根据实际需求剔除不影响自动驾驶的障碍物，如可以：获取障碍物对应的栅格集合对应的通道集合中的最大高度和最低高度；剔除最大高度大于第一预设高度值和最低高度小于第二预设高度值的障碍物，得到最终检测的障碍物，其中，第一预设高度值大于第二预设高度值。
由于在步骤102中剔除三维点云数据时，对三维点云数据的高度值并没有做数值范围的限制，那么经过上述计算获得的障碍物是在路面上的任意高度。根据自动驾驶机动车自身的高度，需要排除掉过高的障碍物和过低的障碍物。由于二维栅格地图的每个通道值中包含有点云的最大高度和最低高度，因此，在二维图像中检测到障碍物后，获取障碍物对应的栅格集合对应的通道集合中的最大高度值和最低高度值，剔除掉大于第一预设高度值对应的障碍物和小于第二预设高度值对应的障碍物，可以根据自动驾驶机动车的高度去设置第一预设高度值和第二预设高度值，其中第一预设高度值要大于第二预设高度值。本申请对此不作限制。比如对于常见的自动驾驶的小轿车，可以将第一预设高度值设置为3米，高度值大于3米的点云对应的障碍物可以是伸入车道内的树枝或者路牌等，这些障碍物因位置远高于自动驾驶小轿车而不影响其正常行驶，因此可以剔除掉；将第二预设高度值设置为0.1米，高度值小于0.1米的点云对应的障碍物可以是路平面上很小的障碍物，也可以是在识别路平面点云数据时，未被识别出来的路面点云数据，还可以是激光雷达在路平面上反射或折射形成的噪声点云数据，这些点云数据对应的障碍物不会影响自动驾驶小轿车的行驶，因此可以进行剔除。高度大于3米的障碍物和高度小于0.1米的障碍物不足以影响自动驾驶小轿车的正常行驶，因此剔除掉，获得最终的障碍物。
通过剔除剔除最大高度大于第一预设高度值和最低高度小于第二预设高度值的障碍物，得到最终检测的障碍物，自动驾驶系统根据检测到的障碍物的尺寸及高度，控制自动驾驶系统的行驶。
基于与应用于自动驾驶系统的障碍物检测方法相同的发明构思，本申请实施例还提供了一种应用于自动驾驶系统的障碍物检测装置，如图3所示，该装置包括数据获取模块301、数据检测模块302、数据识别模块303、二维图像生成模块304和障碍物检测模块305，
数据获取模块301，用于获取三维点云数据；
数据检测模块302，用于检测三维点云数据中的位于路平面和两侧路肩上的三维点云数据；
数据识别模块303，用于根据位于路平面的三维点云数据和两侧路肩上的三维点云数据，识别位于路平面之上且位于两侧路肩之间的三维点云数据，得到待处理的三维点云数据；
二维图像生成模块304，用于确定待处理的三维点云数据中各点在水平面的投影点，得到由投影点构成的二维图像；
障碍物检测模块305，用于在二维图像中检测障碍物。
在一个实施例中，二维图像生成模块包括：
投影点获取单元，用于将待处理的三维点云数据中各点投影至水平面得到投影点；
二维栅格地图生成单元，用于对投影点进行栅格化，生成二维栅格地图，其中二维栅格地图中每个像素的通道至少包括点云个数、点云最大高度和点云最低高度。
在一个实施例中，障碍物检测模块包括：
二值化图片获取单元，用于对二维栅格地图进行二值化处理，得到二值化图片；
点云块获取单元，用于将二值化图片进行形态学处理，得到点云块；
障碍物点云块获取单元，用于剔除尺寸小于预设尺寸的点云块，得到作为障碍物的点云块。
在一个实施例中，二值化图片获取单元包括：
第一像素值设置子单元，用于针对每个栅格，若该栅格中包含的点云个数大于预设阈值时，将该栅格像素值设置为1；
第二像素值设置子单元，用于当该栅格中包含的点云个数小于或等于预设阈值时，将该栅格像素值设置为0。
在一个实施例中，点云块获取单元包括：
形态学处理子单元，用于将二值化图片进行膨胀处理和腐蚀处理，得到至少一个连通域；
填充孔洞子单元，用于填充各连通域中的孔洞。
在一个实施例中，装置还包括：
高度值获取模块，用于在所述障碍物检测模块在所述二维图像中检测障碍物之后，获取障碍物对应的栅格集合对应的通道集合中的最大高度值和最低高度值；
障碍物优化模块，用于剔除最大高度大于第一预设高度值和最低高度小于第二预设高度值的障碍物，得到最终检测的障碍物，其中，第一预设高度值大于第二预设高度值。
在本实施例中，通过二维图像生成模块将大量的三维点云数据映射到二维空间，形成二维图像，再通过障碍物检测模块，在二维图像获取点云数据中各点在二维图像中的数据，通过计算点云的二维数据就可以获取到障碍物的信息。相比于通过进行三维点云数据训练，利用二维点云数据进行检测障碍物，大大减少了数据的计算量，无需GPU的加速运行，可降低硬件成本。该方法简便易于实现，能够实时的检测障碍物。
在介绍了本申请示例性实施方式的应用于自动驾驶系统的障碍物检测方法及装置，接下来，介绍根据本申请的另一示例性实施方式的计算装置。
所属技术领域的技术人员能够理解，本申请的各个方面可以实现为系统、方法或程序产品。因此，本申请的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
在一些可能的实施方式中，根据本申请的实施例，计算装置可以至少包括至少一个处理器、以及至少一个存储器。其中，存储器存储有程序代码，当程序代码被处理器执行时，使得处理器执行本说明书上述描述的根据本申请各种示例性实施方式的应用于自动驾驶系统的障碍物检测方法中的步骤101-步骤105。
下面参照图4来描述根据本申请的这种实施方式的计算装置40。图4显示的计算装置40仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。该计算装置例如可以是手机、平板电脑等。
如图4所示，计算装置40以通用计算装置的形式表现。计算装置40的组件可以包括但不限于：上述至少一个处理器401、上述至少一个存储器402、连接不同系统组件(包括存储器402和处理器401)的总线403。
总线403表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。
存储器402可以包括易失性存储器形式的可读介质，例如随机存取存储器(RAM)4021和/或高速缓存存储器4022，还可以进一步包括只读存储器(ROM)4023。
存储器402还可以包括具有一组(至少一个)程序模块4024的程序/实用工具4025，这样的程序模块4024包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
计算装置40也可以与一个或多个外部设备404(例如指向设备等)通信，还可与一个或者多个使得用户能与计算装置40交互的设备通信，和/或与使得该计算装置40能与一个或多个其它计算装置进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口405进行。并且，计算装置40还可以通过网络适配器406与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器406通过总线403与用于计算装置40的其它模块通信。应当理解，尽管图中未示出，可以结合计算装置40使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
在一些可能的实施方式中，本申请提供的应用于自动驾驶系统的障碍物检测方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在计算机设备上运行时，程序代码用于使计算机设备执行本说明书上述描述的根据本申请各种示例性实施方式的应用于自动驾驶系统的障碍物检测方法中的步骤，执行如图1中所示的步骤101-105。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本申请实施方式的应用于自动驾驶系统的障碍物检测方法可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在计算装置上运行。然而，本申请的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算装置上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算装置上部分在远程计算装置上执行、或者完全在远程计算装置或服务器上执行。在涉及远程计算装置的情形中，远程计算装置可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算装置，或者，可以连接到外部计算装置(例如利用因特网服务提供商来通过因特网连接)。
应当注意，尽管在上文详细描述中提及了装置的若干单元或子单元，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之，上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外，尽管在附图中以顺序描述了本申请方法的操作，但是，这并非要求或者暗示必须按照该顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (14)
1.一种应用于自动驾驶系统的障碍物检测方法，其特征在于，所述方法包括：
获取三维点云数据；
检测所述三维点云数据中的位于路平面和两侧路肩上的三维点云数据；
根据位于所述路平面的三维点云数据和所述两侧路肩上的三维点云数据，识别位于路平面之上且位于两侧路肩之间的三维点云数据，得到待处理的三维点云数据，其中每个所述待处理的三维点云数据与路平面之间的距离满足预设距离阈值；
确定待处理的三维点云数据中各点在水平面的投影点，得到由投影点构成的二维图像；
在所述二维图像中检测障碍物。
2.根据权利要求1所述的方法，其特征在于，确定待处理的三维点云数据中各点在水平面的投影点，得到由投影点构成的二维图像，包括：
将所述待处理的三维点云数据中各点投影至水平面得到投影点；
对投影点进行栅格化，生成二维栅格地图，其中所述二维栅格地图中每个栅格的通道至少包括点云个数、点云最大高度和点云最低高度。
3.根据权利要求2所述的方法，其特征在于，在所述二维图像中检测障碍物，包括：
对所述二维栅格地图进行二值化处理，得到二值化图片；
将所述二值化图片进行形态学处理，得到点云块；
剔除尺寸小于预设尺寸的所述点云块，得到作为障碍物的点云块。
4.根据权利要求3所述的方法，其特征在于，对所述二维栅格地图进行二值化处理，得到二值化图片，包括：
针对每个栅格，若该栅格中包含的点云个数大于预设阈值时，将该栅格像素值设置为1；
该栅格中包含的点云个数小于或等于预设阈值时，将该栅格像素值设置为0。
5.根据权利要求3所述的方法，其特征在于，将所述二值化图片进行形态学处理，得到点云块，包括：
将所述二值化图片进行膨胀处理和腐蚀处理，得到至少一个连通域；
填充各连通域中的孔洞。
6.根据权利要求3所述的方法，其特征在于，在所述二维图像中检测障碍物之后，所述方法还包括
获取障碍物对应的栅格集合对应的通道集合中的最大高度值和最低高度值；
剔除最大高度大于第一预设高度值和最低高度小于第二预设高度值的障碍物，得到最终检测的障碍物，其中，所述第一预设高度值大于所述第二预设高度值。
7.一种应用于自动驾驶系统的障碍物检测装置，其特征在于，所述装置括：
数据获取模块，用于获取三维点云数据；
数据检测模块，用于检测所述三维点云数据中的位于路平面和两侧路肩上的三维点云数据；
数据识别模块，用于根据位于所述路平面的三维点云数据和所述两侧路肩上的三维点云数据，识别位于路平面之上且位于两侧路肩之间的三维点云数据，得到待处理的三维点云数据，其中每个所述待处理的三维点云数据与路平面之间的距离满足预设距离阈值；
二维图像生成模块，用于确定待处理的三维点云数据中各点在水平面的投影点，得到由投影点构成的二维图像；
障碍物检测模块，用于在所述二维图像中检测障碍物。
8.根据权利要求7所述的装置，其特征在于，所述二维图像生成模块包括：
投影点获取单元，用于将所述待处理的三维点云数据中各点投影至水平面得到投影点；
二维栅格地图生成单元，用于对投影点进行栅格化，生成二维栅格地图，其中所述二维栅格地图中每个像素的通道至少包括点云个数、点云最大高度和点云最低高度。
9.根据权利要求8所述的装置，其特征在于，所述障碍物检测模块包括：
二值化图片获取单元，用于对所述二维栅格地图进行二值化处理，得到二值化图片；
点云块获取单元，用于将所述二值化图片进行形态学处理，得到点云块；
障碍物点云块获取单元，用于剔除尺寸小于预设尺寸的所述点云块，得到作为障碍物的点云块。
10.根据权利要求9所述的装置，其特征在于，所述二值化图片获取单元包括：
第一像素值设置子单元，用于针对每个栅格，若该栅格中包含的点云个数大于预设阈值时，将该栅格像素值设置为1；
第二像素值设置子单元，用于当该栅格中包含的点云个数小于或等于预设阈值时，将该栅格像素值设置为0。
11.根据权利要求9所述的装置，其特征在于，所述点云块获取单元包括：
形态学处理子单元，用于将所述二值化图片进行膨胀处理和腐蚀处理，得到至少一个连通域；
填充孔洞子单元，用于填充各连通域中的孔洞。
12.根据权利要求9所述的装置，其特征在于，所述装置还包括：
高度值获取模块，用于在所述障碍物检测模块在所述二维图像中检测障碍物之后，获取障碍物对应的栅格集合对应的通道集合中的最大高度值和最低高度值；
障碍物优化模块，用于剔除最大高度大于第一预设高度值和最低高度小于第二预设高度值的障碍物，得到最终检测的障碍物，其中，所述第一预设高度值大于所述第二预设高度值。
13.一种计算机可读介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令用于执行如权利要求1-6中任一项权利要求所述的方法。
14.一种计算机装置，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1-6中任一权利要求所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910557074.8A CN110286387B (zh) | 2019-06-25 | 2019-06-25 | 应用于自动驾驶系统的障碍物检测方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910557074.8A CN110286387B (zh) | 2019-06-25 | 2019-06-25 | 应用于自动驾驶系统的障碍物检测方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110286387A CN110286387A (zh) | 2019-09-27 |
| CN110286387B true CN110286387B (zh) | 2021-09-24 |
Family
ID=68005946
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910557074.8A Active CN110286387B (zh) | 2019-06-25 | 2019-06-25 | 应用于自动驾驶系统的障碍物检测方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110286387B (zh) |
Families Citing this family (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11262759B2 (en) | 2019-10-16 | 2022-03-01 | Huawei Technologies Co., Ltd. | Method and system for localization of an autonomous vehicle in real time |
| WO2021077315A1 (en) * | 2019-10-23 | 2021-04-29 | Beijing Voyager Technology Co., Ltd. | Systems and methods for autonomous driving |
| CN110749457A (zh) * | 2019-10-31 | 2020-02-04 | 重庆长安汽车股份有限公司 | 智能驾驶汽车对路面坑洼拥包预警方法、系统及智能驾驶汽车 |
| 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 |
| CN111009011B (zh) * | 2019-11-28 | 2023-09-19 | 深圳市镭神智能系统有限公司 | 车辆方向角的预测方法、装置、系统以及存储介质 |
| WO2021114030A1 (zh) * | 2019-12-09 | 2021-06-17 | 深圳市大疆创新科技有限公司 | 点云孔洞填充方法、装置和存储介质 |
| CN113128248B (zh) * | 2019-12-26 | 2024-05-28 | 深圳一清创新科技有限公司 | 障碍物检测方法、装置、计算机设备和存储介质 |
| CN113383283B (zh) * | 2019-12-30 | 2024-06-18 | 深圳元戎启行科技有限公司 | 感知信息处理方法、装置、计算机设备和存储介质 |
| CN113177427A (zh) * | 2020-01-23 | 2021-07-27 | 宝马股份公司 | 道路预测的方法以及自主驾驶的方法、车辆及设备 |
| CN111310663A (zh) * | 2020-02-17 | 2020-06-19 | 北京三快在线科技有限公司 | 道路栅栏检测方法、装置、设备及存储介质 |
| CN111238370A (zh) * | 2020-02-20 | 2020-06-05 | 中国科学院声学研究所东海研究站 | 一种kit板的智能检测方法及装置 |
| CN111369610B (zh) * | 2020-03-05 | 2022-09-06 | 山东交通学院 | 基于可信度信息的点云数据粗差定位和剔除方法 |
| CN111402308B (zh) * | 2020-03-17 | 2023-08-04 | 阿波罗智能技术(北京)有限公司 | 障碍物速度的确定方法、装置、设备和介质 |
| CN113538671B (zh) * | 2020-04-21 | 2024-02-13 | 广东博智林机器人有限公司 | 地图生成方法、装置、存储介质及处理器 |
| CN111598034B (zh) * | 2020-05-22 | 2021-07-23 | 知行汽车科技（苏州）有限公司 | 障碍物检测方法、装置及存储介质 |
| CN111652113B (zh) | 2020-05-29 | 2023-07-25 | 阿波罗智联(北京)科技有限公司 | 障碍物检测方法、装置、设备以及存储介质 |
| CN111950420A (zh) * | 2020-08-04 | 2020-11-17 | 国以贤智能科技(上海)股份有限公司 | 一种避障方法、装置、设备和存储介质 |
| CN111881245B (zh) * | 2020-08-04 | 2023-08-08 | 深圳安途智行科技有限公司 | 能见度动态地图的产生方法、装置、设备及存储介质 |
| CN112232201A (zh) * | 2020-10-15 | 2021-01-15 | 广州富港万嘉智能科技有限公司 | 车辆避障路线规划方法、车辆避障方法、计算机可读存储介质及agv小车 |
| CN112630802B (zh) * | 2020-12-08 | 2023-06-20 | 中国联合网络通信集团有限公司 | 障碍物检测方法、装置和系统 |
| CN112700552A (zh) * | 2020-12-31 | 2021-04-23 | 华为技术有限公司 | 三维物体检测方法、装置、电子设备及介质 |
| CN112927338A (zh) * | 2021-03-30 | 2021-06-08 | 深圳裹动智驾科技有限公司 | 基于三维轮廓的仿真方法、存储介质及计算机设备 |
| CN113721611A (zh) * | 2021-08-20 | 2021-11-30 | 河南牧原智能科技有限公司 | 用于清粪机器人的覆盖式路径规划方法、装置和存储介质 |
| CN114488238B (zh) * | 2021-11-15 | 2022-11-18 | 北京凯芯微科技有限公司 | Rtk定位方法及相关设备 |
| CN114255252B (zh) * | 2022-02-28 | 2022-05-17 | 新石器慧通（北京）科技有限公司 | 障碍物轮廓获取方法、装置、设备及计算机可读存储介质 |
| CN114677588A (zh) * | 2022-03-18 | 2022-06-28 | 深圳市普渡科技有限公司 | 障碍物检测的方法、装置、机器人和存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107064955A (zh) * | 2017-04-19 | 2017-08-18 | 北京汽车集团有限公司 | 障碍物聚类方法及装置 |
| CN108564525A (zh) * | 2018-03-31 | 2018-09-21 | 上海大学 | 一种基于多线激光雷达的3d点云2d化数据处理方法 |
| CN108983248A (zh) * | 2018-06-26 | 2018-12-11 | 长安大学 | 一种基于3d激光雷达及v2x的网联车定位方法 |
| CN109085608A (zh) * | 2018-09-12 | 2018-12-25 | 奇瑞汽车股份有限公司 | 车辆周围障碍物检测方法及装置 |
| CN109238221A (zh) * | 2017-07-10 | 2019-01-18 | 上海汽车集团股份有限公司 | 一种车辆周围环境的检测方法及装置 |
| CN109740604A (zh) * | 2019-04-01 | 2019-05-10 | 深兰人工智能芯片研究院（江苏）有限公司 | 一种行驶区域检测的方法和设备 |
-
2019
- 2019-06-25 CN CN201910557074.8A patent/CN110286387B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107064955A (zh) * | 2017-04-19 | 2017-08-18 | 北京汽车集团有限公司 | 障碍物聚类方法及装置 |
| CN109238221A (zh) * | 2017-07-10 | 2019-01-18 | 上海汽车集团股份有限公司 | 一种车辆周围环境的检测方法及装置 |
| CN108564525A (zh) * | 2018-03-31 | 2018-09-21 | 上海大学 | 一种基于多线激光雷达的3d点云2d化数据处理方法 |
| CN108983248A (zh) * | 2018-06-26 | 2018-12-11 | 长安大学 | 一种基于3d激光雷达及v2x的网联车定位方法 |
| CN109085608A (zh) * | 2018-09-12 | 2018-12-25 | 奇瑞汽车股份有限公司 | 车辆周围障碍物检测方法及装置 |
| CN109740604A (zh) * | 2019-04-01 | 2019-05-10 | 深兰人工智能芯片研究院（江苏）有限公司 | 一种行驶区域检测的方法和设备 |
Non-Patent Citations (2)
| Title |
|---|
| The Analysis of Stereo Vision 3D Point Cloud Data of Autonomous vehicle Obstacle Recognition;LiPei等;《2015 7th International Conference on Intelligent Human-Machine Systems and Cybernetics》;20151123;第IV节、图2 * |
| 基于三维激光雷达的障碍物检测与跟踪研究;汪世财;《中国优秀硕士学位论文全文数据库工程科技II辑》;20190115(第01期);第三章~第四章 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110286387A (zh) | 2019-09-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110286387B (zh) | 应用于自动驾驶系统的障碍物检测方法、装置及存储介质 | |
| CN109284348B (zh) | 一种电子地图的更新方法、装置、设备和存储介质 | |
| US20190205665A1 (en) | Method, apparatus, and device for determining lane line on road | |
| CN108509820B (zh) | 障碍物分割方法及装置、计算机设备及可读介质 | |
| CN109509260B (zh) | 动态障碍物点云的标注方法、设备及可读介质 | |
| US11328429B2 (en) | Method and apparatus for detecting ground point cloud points | |
| CN106951847B (zh) | 障碍物检测方法、装置、设备及存储介质 | |
| CN111079619B (zh) | 用于检测图像中的目标对象的方法和装置 | |
| CN109407073B (zh) | 反射值地图构建方法和装置 | |
| EP3620823A1 (en) | Method and device for detecting precision of internal parameter of laser radar | |
| CN108470174B (zh) | 障碍物分割方法及装置、计算机设备及可读介质 | |
| CN106919908B (zh) | 障碍物识别方法及装置、计算机设备及可读介质 | |
| CN106934347B (zh) | 障碍物识别方法及装置、计算机设备及可读介质 | |
| CN106709475B (zh) | 障碍物识别方法及装置、计算机设备及可读存储介质 | |
| US11410388B1 (en) | Devices, systems, methods, and media for adaptive augmentation for a point cloud dataset used for training | |
| CN113674287A (zh) | 高精地图的绘制方法、装置、设备以及存储介质 | |
| CN113761999A (zh) | 一种目标检测方法、装置、电子设备和存储介质 | |
| CN113835102B (zh) | 车道线生成方法和装置 | |
| CN114842450A (zh) | 一种可行驶区域检测方法、装置及设备 | |
| CN115139303A (zh) | 一种栅格井盖检测方法、装置、设备及存储介质 | |
| CN114882316A (zh) | 目标检测模型训练方法、目标检测方法及装置 | |
| CN111337898B (zh) | 激光点云的处理方法、装置、设备及存储介质 | |
| CN114387576A (zh) | 一种车道线识别方法、系统、介质、设备及信息处理终端 | |
| CN110516564A (zh) | 路面检测方法和装置 | |
| CN110176000B (zh) | 道路质量检测方法及装置、存储介质、电子设备 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240508 Address after: Room 6227, No. 999, Changning District, Shanghai 200050 Patentee after: Shenlan robot (Shanghai) Co.,Ltd. Country or region after: China Address before: Unit 1001, 369 Weining Road, Changning District, Shanghai, 200336 (9th floor of actual floor) Patentee before: DEEPBLUE TECHNOLOGY (SHANGHAI) Co.,Ltd. Country or region before: China |