CN110390252B - 基于先验地图信息的障碍物检测方法、装置和存储介质 - Google Patents
基于先验地图信息的障碍物检测方法、装置和存储介质 Download PDFInfo
- Publication number
- CN110390252B CN110390252B CN201910406795.9A CN201910406795A CN110390252B CN 110390252 B CN110390252 B CN 110390252B CN 201910406795 A CN201910406795 A CN 201910406795A CN 110390252 B CN110390252 B CN 110390252B
- Authority
- CN
- China
- Prior art keywords
- information
- target
- prior
- map picture
- pixel 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Abstract
本公开涉及一种基于先验地图信息的障碍物检测方法、装置和存储介质,该方法包括:获取目标道路的先验地图信息,其中,先验地图信息包括无人驾驶车辆于没有障碍物的目标道路上行驶时获取的多个先验位置信息和分别对应于先验位置信息的多个先验地图图片信息;在无人驾驶车辆于目标道路上行驶时,重复执行以下步骤:获取无人驾驶车辆位于目标道路上的当前位置信息,以及对应于当前位置信息的当前地图图片信息;于先验地图信息中获取与当前位置信息相同的目标先验位置信息;于先验地图信息中获取与目标先验位置信息所对应的目标先验地图图片信息;获取当前地图图片信息与目标先验地图图片信息的差值信息;基于差值信息得到障碍物的特征信息。
Description
技术领域
本公开属于图像处理技术领域,具体涉及一种基于先验地图信息的障碍物检测方法、装置和存储介质。
背景技术
近些年,无人驾驶技术受到各个领域学者的广泛关注,特斯拉是第一个将无人驾驶技术用于量产车上的公司,其采用相机和毫米波雷达去感知周围环境,但多起致人死亡事故证明相关解决方案在检测目标障碍物方面准确度不足。而激光雷达可以很好的解决这个问题,所以基于激光雷达的无人驾驶解决方案正受到越来越多的学者的青睐。
相关技术中,对于通过激光雷达获取的数据,大多都是对雷达获取的某一帧点云数据进行处理,以得到障碍物的相关特征信息,但是对于复杂场景,易出现障碍物漏检或误检等问题。
发明内容
有鉴于此,本公开的主要目的在于提供一种基于先验地图信息的障碍物检测方法、装置和存储介质,用于解决相关技术中,对于复杂场景,易出现障碍物漏检或误检的技术问题。
为达到上述目的,本公开实施例的第一方面,提供一种基于先验地图信息的障碍物检测方法,应用于无人驾驶车辆,所述方法包括:
获取目标道路的先验地图信息,其中,所述先验地图信息包括所述无人驾驶车辆于没有障碍物的目标道路上行驶时获取的多个先验位置信息和分别对应于所述先验位置信息的多个先验地图图片信息;
在所述无人驾驶车辆于所述目标道路上行驶时,重复执行以下步骤:
获取所述无人驾驶车辆位于所述目标道路上的当前位置信息,以及对应于所述当前位置信息的当前地图图片信息;
于所述先验地图信息中获取与所述当前位置信息相同的目标先验位置信息;
于所述先验地图信息中获取与所述目标先验位置信息所对应的目标先验地图图片信息;
获取所述当前地图图片信息与所述目标先验地图图片信息的差值信息;
基于所述差值信息得到障碍物的特征信息。
可选地,所述方法还包括:
遍历所述当前地图图片信息中的像素点;
判断所述像素点的像素点信息是否缺失;
若所述像素点的像素点信息缺失,于对应于所述当前地图图片信息的目标先验地图图片信息中获取对应于所述像素点的目标像素点的像素点信息;
将所述目标像素点的像素点信息复制至所述当前地图图片信息中缺失所述像素点信息的像素点处。
可选地,所述差值信息为基于激光雷达获得的点云数据,所述基于所述差值信息得到障碍物的特征信息,包括:
将所述点云数据转换为车体坐标系中的数据,其中,所述车体坐标系为以所述无人驾驶车辆中心为坐标原点的直角坐标系;
基于聚类算法分析所述车体坐标系中的数据,以得到多个簇,并从所述多个簇中找出满足预设条件的簇作为障碍物;
提取所述障碍物的轮廓,以获得所述障碍物的体积信息和位置信息,所述特征信息包括所述体积信息和所述位置信息。
可选地,所述将所述点云数据转换为车体坐标系中的数据,包括:
基于以下公式将将所述点云数据转换为车体坐标系中的数据:
其中,Pcar表示车体坐标系下的激光雷达探测目标的坐标数据,R表示激光雷达探测目标的距离,w表示激光雷达探测目标的仰角,α表示激光雷达探测目标的方位角,derX、derY和derZ分别表示车体坐标系的原点相对于点云数据所在的坐标系的原点分别在X,Y,Z方向上的位移量。
本公开实施例的第二方面,提供一种基于先验地图信息的障碍物检测装置,应用于无人驾驶车辆,所述装置包括:
获取模块,被配置为获取目标道路的先验地图信息,其中,所述先验地图信息包括所述无人驾驶车辆于没有障碍物的目标道路上行驶时获取的多个先验位置信息和分别对应于所述先验位置信息的多个先验地图图片信息;
重复执行模块,被配置为在所述无人驾驶车辆于所述目标道路上行驶时,重复执行以下步骤:
获取所述无人驾驶车辆位于所述目标道路上的当前位置信息,以及对应于所述当前位置信息的当前地图图片信息;
于所述先验地图信息中获取与所述当前位置信息相同的目标先验位置信息;
于所述先验地图信息中获取与所述目标先验位置信息所对应的目标先验地图图片信息;
获取所述当前地图图片信息与所述目标先验地图图片信息的差值信息;
基于所述差值信息得到障碍物的特征信息。
可选地,所述重复执行模块还用于:
遍历所述当前地图图片信息中的像素点;
判断所述像素点的像素点信息是否缺失;
若所述像素点的像素点信息缺失,于对应于所述当前地图图片信息的目标先验地图图片信息中获取对应于所述像素点的目标像素点的像素点信息;
将所述目标像素点的像素点信息复制至所述当前地图图片信息中缺失所述像素点信息的像素点处。
可选地,所述差值信息为基于激光雷达获得的点云数据,所述重复执行模块还用于:
将所述点云数据转换为车体坐标系中的数据,其中,所述车体坐标系为以所述无人驾驶车辆中心为坐标原点的直角坐标系;
基于聚类算法分析所述车体坐标系中的数据,以得到多个簇,并从所述多个簇中找出满足预设条件的簇作为障碍物;
提取所述障碍物的轮廓,以获得所述障碍物的体积信息和位置信息,所述特征信息包括所述体积信息和所述位置信息。
可选地,所述重复执行模块还用于:
基于以下公式将将所述点云数据转换为车体坐标系中的数据:
其中,Pcar表示车体坐标系下的激光雷达探测目标的坐标数据,R表示激光雷达探测目标的距离,w表示激光雷达探测目标的仰角,α表示激光雷达探测目标的方位角,derX、derY和derZ分别表示车体坐标系的原点相对于点云数据所在的坐标系的原点分别在X,Y,Z方向上的位移量。
本公开实施例的第三方面,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述第一方面中任一项所述方法的步骤。
本公开实施例的第四方面,提供一种基于先验地图信息的障碍物检测装置,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现上述第一方面中任一项所述方法的步骤。
通过上述技术方案,获取先验地图图片信息和对应的当前地图图片信息后,可以基于先验地图图片信息和对应的当前地图图片信息得到两者的差值信息,由于先验地图图片信息示出了目标道路上没有障碍物的情形,而当前地图图片信息可能示出了目标道路上有障碍物的情形,而两者的其他部分相同,进而两者的差值信息示出了障碍物的相关信息,进而可以基于差值信息得到障碍物的特征信息,如此相比于利用单个地图图片信息识别障碍物,极大降低了障碍物漏检及误检的几率,对障碍物的识别更加准确。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
图1根据一示例性实施例示出的一种无人驾驶车辆的结构示意图。
图2是根据一示例性实施例示出的一种基于先验地图信息的障碍物检测方法的流程图。
图3是根据一示例性实施例示出的一种基于先验地图信息的障碍物检测方法的另一流程图。
图4是根据一示例性实施例示出的一种激光雷达获取数据的参考图。
图5是根据一示例性实施例示出的一种基于先验地图信息的障碍物检测装置的框图。
图6是根据一示例性实施例示出的一种基于先验地图信息的障碍物检测装置的另一框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
图1是根据一示例性示出的一种无人驾驶车辆的结构示意图,该无人驾驶车辆200的前方设置有激光雷达300,可以检测车辆前方的区域,在一种可能的实施方式中,该激光雷达300为16线激光雷达。
图2是根据一示例性实施例示出的一种基于先验地图信息的障碍物检测方法的流程图,该方法可以应用于图1所示的无人驾驶车辆200,该方法包括:
S11,获取目标道路的先验地图信息,其中,所述先验地图信息包括所述无人驾驶车辆于没有障碍物的目标道路上行驶时获取的多个先验位置信息和分别对应于所述先验位置信息的多个先验地图图片信息;
S12,在所述无人驾驶车辆于所述目标道路上行驶时,重复执行以下步骤:
获取所述无人驾驶车辆位于所述目标道路上的当前位置信息,以及对应于所述当前位置信息的当前地图图片信息;
于所述先验地图信息中获取与所述当前位置信息相同的目标先验位置信息;
于所述先验地图信息中获取与所述目标先验位置信息所对应的目标先验地图图片信息;
获取所述当前地图图片信息与所述目标先验地图图片信息的差值信息;
基于所述差值信息得到障碍物的特征信息。
具体来讲,在步骤S11中,获取目标道路的先验地图信息。其中,先验地图信息包括无人驾驶车辆于没有障碍物的目标道路上行驶时获取的多个先验位置信息和分别对应于先验位置信息的多个先验地图图片信息。先验地图图片信息用于表征无人驾驶车辆于先验位置信息对应的位置的周围的环境特征。本公开中,目标道路可以为研究人员确定的一段路径确定的道路。障碍物包括可能影响无人驾驶车辆正常行驶的目标,例如在目标道路上的行人、动物或行驶的其它车辆,对于目标道路上的固定设施例如红绿灯、消防栓等,则不实为障碍物。先验地图信息可以在通过上述方式得到后存储在云端,然后通过通信组件获取,当然,也可以直接通过U盘等存储介质写入无人驾驶车辆中。
在一种可能的实施方式中,为了获得目标道路的上述先验地图信息,可以先将目标道路上的障碍物例如行人和其它车辆全部清空,保证目标道路上没有障碍物。然后使得无人驾驶车辆沿预定方向沿目标道路行驶,在无人驾驶车辆沿目标道路行驶的同时,以一定频率获得车辆于目标道路上的先验位置信息和分别对应于该先验位置信息的多个先验地图图片信息,其中,位置信息可以通过GPS获得,先验地图图片信息通过图1所示无人驾驶车辆的激光雷达获取。例如车辆在沿目标道路行驶时,每10ms获取一张激光雷达扫描得到的点云数据作为无人驾驶车辆于该点云数据获取位置的先验地图图片信息,并通过GPS获取该位置的经纬度作为该位置的先验位置信息。
获取先验地图信息之后,执行步骤S12,即车辆沿目标道路进行实际路况的行驶,该过程中目标道路上可能存在行人或其它车辆等障碍物。在目标道路上行驶时,获取无人驾驶车辆位于所述目标道路上的当前位置信息,以及对应于所述当前位置信息的当前地图图片信息,当前位置信息即无人驾驶车辆当前时刻位于目标道路上的位置,例如当前时刻通过GPS获取的经纬度。当前地图图片信息即当前时刻于当前位置信息对应的位置获取的用于表征无人驾驶车辆周围环境的信息,例如当前时刻通过激光雷达获取的点云数据。获取无人驾驶车辆位于所述目标道路上的当前位置信息,以及对应于所述当前位置信息的当前地图图片信息之后,于所述先验地图信息中获取与所述当前位置信息相同的目标先验位置信息,例如通过比对当前位置信息与先验位置信息的经纬度,将与当前位置信息的经纬度相同的先验位置信息作为目标先验位置信息,然后基于目标先验位置信息,于所述先验地图信息中获取与所述目标先验位置信息所对应的目标先验地图图片信息。之后,获取所述当前地图图片信息与所述目标先验地图图片信息的差值信息,例如可以将当前地图图片信息与目标先验地图图片信息做相减运算得到,由于该当前地图图片信息与目标先验地图图片信息于相同位置以相同方式获得,进而两者的区别仅在于是否有障碍物,进而可以基于所述差值信息得到障碍物的特征信息,例如在一种可能的实施方式中,该差值信息为基于激光雷达获得的点云数据,基于所述差值信息得到障碍物的特征信息,包括:
将所述点云数据转换为车体坐标系中的数据,其中,所述车体坐标系为以所述无人驾驶车辆中心为坐标原点的直角坐标系;
基于聚类算法分析所述车体坐标系中的数据,以得到多个簇,并从所述多个簇中找出满足预设条件的簇作为障碍物;
提取所述障碍物的轮廓,以获得所述障碍物的体积信息和位置信息,所述特征信息包括所述体积信息和所述位置信息。
具体来讲,当前地图图片信息与目标先验地图图片信息均为通过激光雷达获得的点云数据,进而基于两者获得的差值信息也为点云数据,在得到该点云数据后,将所述点云数据转换为车体坐标系中的数据,车体坐标系即以无人驾驶车辆中心为坐标原点的直角坐标系,例如y轴为车辆前进的水平方向,x轴为与y轴垂直的水平方向,z轴为与x轴与y轴均垂直的方向,无人驾驶车辆中心可以为无人驾驶车辆的几何中心。将点云数据转换为车体坐标系中的数据后,基于聚类算法分析所述车体坐标系中的数据,以得到多个簇,并从所述多个簇中找出满足预设条件的簇作为障碍物;聚类算法可以采用DBSCAN (Density-BasedSpatial Clustering of Applications with Noise)聚类算法,该算法将具有足够密度的区域划分为簇,并在具有噪声的空间数据中发现任意形状的簇,它将簇定义为密度相连的点的最大集合,可以对任意形状的稠密数据集进行聚类运算,适用性广。在通过聚类算法得到的多个簇中,可以将所有簇作为障碍物,也可以选取点数大于阈值的簇作为障碍物。然后,提取所述障碍物的轮廓,以获得所述障碍物的体积信息和位置信息,所述特征信息包括所述体积信息和所述位置信息;如此,车辆就可以获得当前时刻道路上障碍物的特征信息如体积信息和位置信息,进而方便车辆根据障碍物的体积和位置作出行驶调整。
通过上述技术方案,获取先验地图图片信息和对应的当前地图图片信息后,可以基于先验地图图片信息和对应的当前地图图片信息得到两者的差值信息,由于先验地图图片信息示出了目标道路上没有障碍物的情形,而当前地图图片信息可能示出了目标道路上有障碍物的情形,而两者的其他部分相同,进而两者的差值信息示出了障碍物的相关信息,进而可以基于差值信息得到障碍物的特征信息,如此相比于利用单个地图图片信息识别障碍物,极大降低了障碍物漏检及误检的几率,对障碍物的识别更加准确。
可选地,本公开中,将所述点云数据转换为车体坐标系中的数据,包括:
基于以下公式将将所述点云数据转换为车体坐标系中的数据:
其中,Pcar表示车体坐标系下的激光雷达探测目标的坐标数据,R表示激光雷达探测目标的距离,w表示激光雷达探测目标的仰角,α表示激光雷达探测目标的方位角,derX、derY和derZ分别表示车体坐标系的原点相对于点云数据所在的坐标系的原点分别在X,Y,Z方向上的位移量。
如图4所示,O为原点,P为激光雷达探测目标,进而OP线段为激光雷达探测目标的距离R,OB线段为OP线段在X-Y平面上的投影,激光雷达探测目标的仰角w即OP线段与OB线段的夹角,激光雷达探测目标的方位角α即OB线段与Y 轴之间的夹角。由于激光雷达获取的探测目标的初始数据为在以雷达为原点的极坐标数据,包括上述R,w和α,通过上述公式将该初始数据转换为以雷达为原点的直角坐标系下的坐标数据,然后通过derX、derY和derZ将该以雷达为原点的直角坐标系下的坐标数据转换为以车体中心为坐标原点的直角坐标系下的坐标数据,进而便于后续计算。
图3是根据一示例性实施例示出的一种基于先验地图信息的障碍物检测方法的另一流程图,该方法包括:
S21,获取目标道路的先验地图信息,其中,所述先验地图信息包括所述无人驾驶车辆于没有障碍物的目标道路上行驶时获取的多个先验位置信息和分别对应于所述先验位置信息的多个先验地图图片信息;
S22,在所述无人驾驶车辆于所述目标道路上行驶时,重复执行以下步骤:
获取所述无人驾驶车辆位于所述目标道路上的当前位置信息,以及对应于所述当前位置信息的当前地图图片信息;
于所述先验地图信息中获取与所述当前位置信息相同的目标先验位置信息;
于所述先验地图信息中获取与所述目标先验位置信息所对应的目标先验地图图片信息;
遍历所述当前地图图片信息中的像素点;
判断所述像素点的像素点信息是否缺失;
若所述像素点的像素点信息缺失,于对应于所述当前地图图片信息的目标先验地图图片信息中获取对应于所述像素点的目标像素点的像素点信息;
将所述目标像素点的像素点信息复制至所述当前地图图片信息中缺失所述像素点信息的像素点处;
获取所述当前地图图片信息与所述目标先验地图图片信息的差值信息;
基于所述差值信息得到障碍物的特征信息。
具体来讲,在得到当前地图图片信息以及与该当前地图图片信息对应相同位置的目标先验地图图片信息之后,遍历所述当前地图图片信息中的像素点,判断该像素点的像素点信息是否缺失,例如判断该像素点是否为空值,若该像素点的像素点信息缺失,于对应于所述当前地图图片信息的目标先验地图图片信息中获取对应于所述像素点的目标像素点的像素点信息;即在与该当前地图图片信息对应相同位置的目标先验地图图片信息,将该目标像素点的像素点信息复制至所述当前地图图片信息中缺失所述像素点信息的像素点处,使得缺失像素点信息的像素点得到信息补偿,若该目标先验地图图片信息中的目标像素点为空,则将该空值复制至当前地图图片信息中缺失所述像素点信息的像素点处,或者不对当前地图图片信息中缺失所述像素点信息的像素点做变动。
由于无人驾驶车辆在通过设置于车辆前方的激光雷达获取当前地图图片信息的过程中,雷达波传播至障碍物返回,进而由于障碍物的遮挡,可能使得障碍物后方的部分地图图片信息不能被获取,使得得到的当前地图图片信息中出现部分空缺的像素点,而通过上述方式对缺失的像素点进行补偿,可以恢复空缺的像素点的像素点信息,使得获得的差值信息更加准确,进而使得获得的障碍物的特征信息更加准确。
图5是根据一示例性实施例示出的一种基于先验地图信息的障碍物检测装置的框图,该装置100可以应用于如图1所示的无人驾驶车辆200,如图5所示,该装置100包括:
获取模块110,被配置为获取目标道路的先验地图信息,其中,所述先验地图信息包括所述无人驾驶车辆于没有障碍物的目标道路上行驶时获取的多个先验位置信息和分别对应于所述先验位置信息的多个先验地图图片信息;
重复执行模块120,被配置为在所述无人驾驶车辆于所述目标道路上行驶时,重复执行以下步骤:
获取所述无人驾驶车辆位于所述目标道路上的当前位置信息,以及对应于所述当前位置信息的当前地图图片信息;
于所述先验地图信息中获取与所述当前位置信息相同的目标先验位置信息;
于所述先验地图信息中获取与所述目标先验位置信息所对应的目标先验地图图片信息;
获取所述当前地图图片信息与所述目标先验地图图片信息的差值信息;
基于所述差值信息得到障碍物的特征信息。
可选地,该重复执行模块120还用于:
遍历所述当前地图图片信息中的像素点;
判断所述像素点的像素点信息是否缺失;
若所述像素点的像素点信息缺失,于对应于所述当前地图图片信息的目标先验地图图片信息中获取对应于所述像素点的目标像素点的像素点信息;
将所述目标像素点的像素点信息复制至所述当前地图图片信息中缺失所述像素点信息的像素点处。
可选地,所述差值信息为基于激光雷达获得的点云数据,该重复执行模块120 还用于:
将所述点云数据转换为车体坐标系中的数据,其中,所述车体坐标系为以所述无人驾驶车辆中心为坐标原点的直角坐标系;
基于聚类算法分析所述车体坐标系中的数据,以得到多个簇,并从所述多个簇中找出满足预设条件的簇作为障碍物;
提取所述障碍物的轮廓,以获得所述障碍物的体积信息和位置信息,所述特征信息包括所述体积信息和所述位置信息。
可选地,该重复执行模块120还用于:
基于以下公式将将所述点云数据转换为车体坐标系中的数据:
其中,Pcar表示车体坐标系下的激光雷达探测目标的坐标数据,R表示激光雷达探测目标的距离,w表示激光雷达探测目标的仰角,α表示激光雷达探测目标的方位角,derX、derY和derZ分别表示车体坐标系的原点相对于点云数据所在的坐标系的原点分别在X,Y,Z方向上的位移量。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图6是根据一示例性实施例示出的一种基于先验地图信息的障碍物检测装置的另一框图。如图6所示,该装置700可以包括:处理器701,存储器702。该装置700还可以包括多媒体组件703,输入/输出(I/O)接口704,以及通信组件705中的一者或多者。
其中,处理器701用于控制该装置700的整体操作,以完成上述的基于先验地图信息的障碍物检测方法中的全部或部分步骤。存储器702用于存储各种类型的数据以支持在该装置700的操作,这些数据例如可以包括用于在该装置 700上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如图片等。该存储器702可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static RandomAccess Memory,简称SRAM),电可擦除可编程只读存储器(Electrically ErasableProgrammable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(ErasableProgrammable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件703可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器702或通过通信组件705发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口704为处理器701和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件705用于该装置700与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near Field Communication,简称NFC),2G、3G、4G、NB-IOT、eMTC、或其他5G等等,或它们中的一种或几种的组合,在此不做限定。因此相应的该通信组件707可以包括:Wi-Fi模块,蓝牙模块,NFC模块等等。
在一示例性实施例中,装置700可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器 (DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的基于先验地图信息的障碍物检测方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的基于先验地图信息的障碍物检测方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器702,上述程序指令可由装置700的处理器701执行以完成上述的基于先验地图信息的障碍物检测方法。
本公开实施例的另一方面,还提供一种无人驾驶车辆,包括上述任意一种基于先验地图信息的障碍物检测装置100,700。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素,而且还包括没有明确列出的其它要素,或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (8)
1.一种基于先验地图信息的障碍物检测方法,其特征在于,应用于无人驾驶车辆,所述方法包括:
获取目标道路的先验地图信息,其中,所述先验地图信息包括所述无人驾驶车辆于没有障碍物的目标道路上行驶时获取的多个先验位置信息和分别对应于所述先验位置信息的多个先验地图图片信息;
在所述无人驾驶车辆于所述目标道路上行驶时,重复执行以下步骤:
获取所述无人驾驶车辆位于所述目标道路上的当前位置信息,以及对应于所述当前位置信息的当前地图图片信息;
于所述先验地图信息中获取与所述当前位置信息相同的目标先验位置信息;
于所述先验地图信息中获取与所述目标先验位置信息所对应的目标先验地图图片信息;
获取所述当前地图图片信息与所述目标先验地图图片信息的差值信息;
基于所述差值信息得到障碍物的特征信息;
遍历所述当前地图图片信息中的像素点;
判断所述像素点的像素点信息是否缺失;
若所述像素点的像素点信息缺失,于对应于所述当前地图图片信息的目标先验地图图片信息中获取对应于所述像素点的目标像素点的像素点信息;
将所述目标像素点的像素点信息复制至所述当前地图图片信息中缺失所述像素点信息的像素点处。
2.根据权利要求1所述的方法,其特征在于,所述差值信息为基于激光雷达获得的点云数据,所述基于所述差值信息得到障碍物的特征信息,包括:
将所述点云数据转换为车体坐标系中的数据,其中,所述车体坐标系为以所述无人驾驶车辆中心为坐标原点的直角坐标系;
基于聚类算法分析所述车体坐标系中的数据,以得到多个簇,并从所述多个簇中找出满足预设条件的簇作为障碍物;
提取所述障碍物的轮廓,以获得所述障碍物的体积信息和位置信息,所述特征信息包括所述体积信息和所述位置信息。
4.一种基于先验地图信息的障碍物检测装置,其特征在于,应用于无人驾驶车辆,所述装置包括:
获取模块,被配置为获取目标道路的先验地图信息,其中,所述先验地图信息包括所述无人驾驶车辆于没有障碍物的目标道路上行驶时获取的多个先验位置信息和分别对应于所述先验位置信息的多个先验地图图片信息;
重复执行模块,被配置为在所述无人驾驶车辆于所述目标道路上行驶时,重复执行以下步骤:
获取所述无人驾驶车辆位于所述目标道路上的当前位置信息,以及对应于所述当前位置信息的当前地图图片信息;
于所述先验地图信息中获取与所述当前位置信息相同的目标先验位置信息;
于所述先验地图信息中获取与所述目标先验位置信息所对应的目标先验地图图片信息;
获取所述当前地图图片信息与所述目标先验地图图片信息的差值信息;
基于所述差值信息得到障碍物的特征信息;
所述重复执行模块还用于:
遍历所述当前地图图片信息中的像素点;
判断所述像素点的像素点信息是否缺失;
若所述像素点的像素点信息缺失,于对应于所述当前地图图片信息的目标先验地图图片信息中获取对应于所述像素点的目标像素点的像素点信息;
将所述目标像素点的像素点信息复制至所述当前地图图片信息中缺失所述像素点信息的像素点处。
5.根据权利要求4所述的装置,其特征在于,所述差值信息为基于激光雷达获得的点云数据,所述重复执行模块还用于:
将所述点云数据转换为车体坐标系中的数据,其中,所述车体坐标系为以所述无人驾驶车辆中心为坐标原点的直角坐标系;
基于聚类算法分析所述车体坐标系中的数据,以得到多个簇,并从所述多个簇中找出满足预设条件的簇作为障碍物;
提取所述障碍物的轮廓,以获得所述障碍物的体积信息和位置信息,所述特征信息包括所述体积信息和所述位置信息。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1至3中任一项所述方法的步骤。
8.一种基于先验地图信息的障碍物检测装置,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1至3中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910406795.9A CN110390252B (zh) | 2019-05-16 | 2019-05-16 | 基于先验地图信息的障碍物检测方法、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910406795.9A CN110390252B (zh) | 2019-05-16 | 2019-05-16 | 基于先验地图信息的障碍物检测方法、装置和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110390252A CN110390252A (zh) | 2019-10-29 |
CN110390252B true CN110390252B (zh) | 2022-05-27 |
Family
ID=68285335
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910406795.9A Active CN110390252B (zh) | 2019-05-16 | 2019-05-16 | 基于先验地图信息的障碍物检测方法、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110390252B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112578406B (zh) * | 2021-02-25 | 2021-06-29 | 北京主线科技有限公司 | 一种车辆环境信息感知方法及装置 |
CN113610883B (zh) * | 2021-04-30 | 2022-04-08 | 新驱动重庆智能汽车有限公司 | 点云处理系统和方法、计算机设备和存储介质 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101549683B (zh) * | 2009-04-23 | 2011-09-28 | 上海交通大学 | 自动识别道路深坑与障碍物的车辆智能方法 |
CN103148804B (zh) * | 2013-03-04 | 2015-05-20 | 清华大学 | 一种基于激光扫描的室内未知结构识别方法 |
US10197413B2 (en) * | 2016-11-26 | 2019-02-05 | Thinkware Corporation | Image processing apparatus, image processing method, computer program and computer readable recording medium |
CN107063258A (zh) * | 2017-03-07 | 2017-08-18 | 重庆邮电大学 | 一种基于语义信息的移动机器人室内导航方法 |
CN107492107B (zh) * | 2017-08-10 | 2020-09-22 | 昆山伟宇慧创智能科技有限公司 | 基于平面与空间信息融合的物体识别与重建方法 |
CN109709945B (zh) * | 2017-10-26 | 2022-04-15 | 深圳市优必选科技有限公司 | 一种基于障碍物分类的路径规划方法、装置及机器人 |
CN108196260B (zh) * | 2017-12-13 | 2021-08-10 | 北京汽车集团有限公司 | 无人驾驶车辆多传感器融合系统的测试方法和装置 |
CN108460416A (zh) * | 2018-02-28 | 2018-08-28 | 武汉理工大学 | 一种基于三维激光雷达的结构化道路可行域提取方法 |
-
2019
- 2019-05-16 CN CN201910406795.9A patent/CN110390252B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110390252A (zh) | 2019-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3627180B1 (en) | Sensor calibration method and device, computer device, medium, and vehicle | |
US10437252B1 (en) | High-precision multi-layer visual and semantic map for autonomous driving | |
US10794710B1 (en) | High-precision multi-layer visual and semantic map by autonomous units | |
US8526677B1 (en) | Stereoscopic camera with haptic feedback for object and location detection | |
CN108509972A (zh) | 一种基于毫米波和激光雷达的障碍物特征提取方法 | |
CN110077402B (zh) | 目标物体的追踪方法、装置及存储介质 | |
WO2018119606A1 (en) | Method and apparatus for representing a map element and method and apparatus for locating vehicle/robot | |
US20100254595A1 (en) | Graphic recognition device, graphic recognition method, and graphic recognition program | |
WO2020154990A1 (zh) | 目标物体运动状态检测方法、设备及存储介质 | |
CN112258519B (zh) | 一种高精度地图制作中道路的让行线自动化提取方法及装置 | |
US20170263129A1 (en) | Object detecting device, object detecting method, and computer program product | |
WO2021213241A1 (zh) | 目标检测方法及装置、电子设备、存储介质及程序 | |
US11092690B1 (en) | Predicting lidar data using machine learning | |
WO2024012211A1 (zh) | 自动驾驶环境感知方法、介质及车辆 | |
CN110390252B (zh) | 基于先验地图信息的障碍物检测方法、装置和存储介质 | |
CN111674388B (zh) | 用于车辆弯道行驶的信息处理方法和装置 | |
JP2017181476A (ja) | 車両位置検出装置、車両位置検出方法及び車両位置検出用コンピュータプログラム | |
WO2023045224A1 (zh) | 地图生成 | |
US20200166346A1 (en) | Method and Apparatus for Constructing an Environment Model | |
CN113378605B (zh) | 多源信息融合方法及装置、电子设备和存储介质 | |
CN114323035A (zh) | 定位方法、装置和系统 | |
CN111986232A (zh) | 目标物体的检测方法、装置、机器人及存储介质 | |
CN111619556B (zh) | 汽车的避障控制方法、装置及存储介质 | |
Xu et al. | An efficient multi‐sensor fusion and tracking protocol in a vehicle‐road collaborative system | |
Perrollaz et al. | Proposition of generic validation criteria using stereo-vision for on-road obstacle detection |
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 |