CN110554409A - 一种凹障碍物检测方法及系统 - Google Patents
一种凹障碍物检测方法及系统 Download PDFInfo
- Publication number
- CN110554409A CN110554409A CN201910811778.3A CN201910811778A CN110554409A CN 110554409 A CN110554409 A CN 110554409A CN 201910811778 A CN201910811778 A CN 201910811778A CN 110554409 A CN110554409 A CN 110554409A
- Authority
- CN
- China
- Prior art keywords
- laser beam
- laser
- concave
- data
- laser beams
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种凹障碍物检测方法及系统,采用多波束凹障碍物特征提取的传统激光雷达激光技术,并结合深度学习技术,将激光雷达数据转换成鸟瞰图,通过对二维的鸟瞰图进行不断训练,得到凹障碍物的预测模型。两种方法结合,提高了凹障碍物识别的准确性,并且可以通过不断自我学习、自我适应来完善预测模型。
Description
技术领域
本发明属于智能驾驶技术领域,具体涉及一种凹障碍物检测方法及系统。
背景技术
在矿山环境下,普遍存在路面不平整、凹凸障碍物居多的情况,这也就对无人矿用卡车的行驶造成极大的威胁。因此,正确检测障碍物对于无人矿用卡车的避障决策至关重要。
目前对于障碍物的检测多采用基于激光雷达的传统障碍物检测技术,该技术可以有效地检测凸障碍物,但是对于凹障碍物的检测效果要逊色很多,尤其对于矿山凹障碍物居多的路面,由于凹处只能部分被激光雷达波束扫描到、路面复杂、存在噪声干扰问题,容易出现“错检”、“漏检”的情况,这对于无人矿用卡车来说是无法容忍的。
因此,采用一种针对凹障碍物的检测方法很有必要。
现有技术存在以下缺陷:(1)中国专利201611101791.2,采用单一传感器检测技术,由于凹障碍物结构特征不明显,容易出现凹障碍物漏检,存在着可靠性差等问题。尤其当激光雷达安装高度较高时,漏检的可能性将更大。(2)中国专利201611194622.8,图像处理采用了OSTU阈值分割传统视觉处理方法,对凹障碍物识别的准确性、稳定性性能一般。而且受光照因素的影响较大,夜间检测效果较差。
发明内容
目的:为了克服现有技术中存在的不足,本发明提供一种凹障碍物检测方法及系统,可以提高凹障碍物的检测准确度。
技术方案:为解决上述技术问题,本发明采用的技术方案为:
一种凹障碍物检测方法,包括:
获取至少三条激光波束与路面的三条相交线段的实际坐标数据,所述激光波束为从同一发射点以至少三个固定角度向车辆前方路面发射的至少三条激光波束,其中,第二激光波束位于第一激光波束与第三激光波束之间;
从三条相交线段中分别提取对应于三条激光波束的交点,判断所述第一激光波束和第三激光波束所对应的交点的高度是否均处于第一预设高度范围内;
响应于判断得到所述第一激光波束和第三激光波束所对应的交点的高度均处于第一预设高度范围内,将所述第二激光波束所对应的交点与第一激光波束和第三激光波束所对应的在同一径向上的交点进行比较,根据比较结果确定是否存在凹障碍物。
进一步的,所述的凹障碍物检测方法,将所述第二激光波束所对应的交点与第一激光波束和第三激光波束所对应的在同一径向上的交点进行比较,根据比较结果确定是否存在凹障碍物,包括:
计算所述第二激光波束所对应的交点的理论坐标数据,所述理论坐标数据表征水平路面不存在凹障碍物时的坐标数据,判断所述第二激光波束所对应的交点的理论坐标数据与实际坐标数据的偏差是否处于第一偏差范围内;
响应于判断得到所述第二激光波束所对应的交点的理论坐标数据与实际坐标数据的偏差处于第一偏差范围内,则将所述第二激光波束所对应的交点与第一激光波束和第三激光波束所对应的在同一径向上的交点进行比较,根据比较结果确定是否存在凹障碍物。
进一步的,所述的凹障碍物检测方法,所述三条激光波束与路面的三条相交线段的确定方法包括:
步骤a、从车辆上同一发射点以m个固定角度向车辆前方路面发射m条激光波束,其中m为不小于3的整数;
步骤b、从m条激光波束中选取相邻的n条激光波束,并从n条激光波束中选取三条激光波束,其中n为不小于3的整数;
步骤c、确定所选取的三条激光波束与路面的三条相交线段。
进一步的,所述三条相交线段的实际坐标数据确定方法,包括:
将所选取的三条激光波束与路面的三条相交线段分别沿交线延伸方向按照预设数量k进行划分,得到k个相交线段子集,其中,各个相交线段子集中包含对应于三条激光波束的三条相交线段,其中k为正整数;
对于各个相交线段子集,分别确定该相交线段子集中三条相交线段所对应的三个交点的实际坐标数据。
进一步的,所述的凹障碍物检测方法,所述方法还包括:
根据所述三条激光波束与路面的三条相交线段,得到对应于这三条交线的k*3的交点矩阵;
根据所述k*3的交点矩阵确定所述三条激光波束与路面的三条相交线段的检测区域是否存在凹障碍物。
进一步的,所述的凹障碍物检测方法,在所述步骤b中,包括:从m条激光波束中遍历地选取相邻的n条激光波束,并从n条激光波束中遍历地选取三条激光波束。
根据本发明的一个优选实施例,所述的凹障碍物检测方法,还包括:
获取检测区域的三维激光雷达数据,将获取到的三维激光雷达数据转换到二维平面,对应得到鸟瞰图数据;
利用鸟瞰图数据,通过预设神经网络训练获取模型参数,得到凹障碍物的预测模型,利用此模型确定是否存在凹障碍物;
根据所述比较结果确定出的是否存在凹障碍物以及模型确定出的是否存在凹障碍物两个结果,综合判定是否存在凹障碍物。
进一步的,所述的凹障碍物检测方法,在对应得到鸟瞰图数据中,根据所述三维激光雷达数据中像素点的Z轴坐标确定所述鸟瞰图数据中对应像素点的像素值。
进一步的,所述凹障碍物的预测模型的构建方法包括:
获取不同天气、不同路况下采集到的三维道路激光雷达数据;
根据预设高度差对所述三维道路激光雷达数据进行滤波,得到感兴趣区域的三维激光雷达数据;
将所述感兴趣区域的三维激光雷达数据转换到二维平面,得到感兴趣区域的鸟瞰图数据;
对鸟瞰图进行信息标注,并利用含有标注信息的鸟瞰图作为训练的数据集;
通过预设神经网络训练获取模型参数,得到凹障碍物的预测模型。
进一步的,所述的凹障碍物检测方法,对所述三维道路激光雷达数据进行滤波,包括:
将所述三维道路激光雷达数据进行栅格划分;
判断各个栅格中三维道路激光雷达数据的Z轴高度差是否处于预设高度差阈值范围内,将处于所述预设高度差阈值范围内的栅格滤除。
根据本发明的另一方面,一种凹障碍物检测系统,包括:
激光数据获取模块,用于:获取至少三条激光波束与路面的三条相交线段的实际坐标数据,所述激光波束为从同一发射点以至少三个固定角度向车辆前方路面发射的至少三条激光波束,其中,第二激光波束位于第一激光波束与第三激光波束之间;
提取判断模块,用于:从三条相交线段中分别提取对应于三条激光波束的交点,判断所述第一激光波束和第三激光波束所对应的交点的高度是否均处于第一预设高度范围内;
比较确定模块,用于:响应于判断得到所述第一激光波束和第三激光波束所对应的交点的高度均处于第一预设高度范围内,将所述第二激光波束所对应的交点与第一激光波束和第三激光波束所对应的在同一径向上的交点进行比较,根据比较结果确定是否存在凹障碍物。
进一步的,所述的凹障碍物检测系统,所述比较确定模块,还包括:
计算所述第二激光波束所对应的交点的理论坐标数据,所述理论坐标数据表征水平路面不存在凹障碍物时的坐标数据,判断所述第二激光波束所对应的交点的理论坐标数据与实际坐标数据的偏差是否处于第一偏差范围内;
响应于判断得到所述第二激光波束所对应的交点的理论坐标数据与实际坐标数据的偏差处于第一偏差范围内,则将所述第二激光波束所对应的交点与第一激光波束和第三激光波束所对应的在同一径向上的交点进行比较,根据比较结果确定是否存在凹障碍物。
进一步的,所述的凹障碍物检测系统,所述激光数据获取模块,包括:
步骤a、从车辆上同一发射点以m个固定角度向车辆前方路面发射m条激光波束,其中m为不小于3的整数;
步骤b、从m条激光波束中选取相邻的n条激光波束,并从n条激光波束中选取三条激光波束,其中n为不小于3的整数;
步骤c、确定所选取的三条激光波束与路面的三条相交线段。
进一步的,所述的凹障碍物检测系统,还包括:
数据转换模块,用于获取检测区域的三维激光雷达数据,将获取到的三维激光雷达数据转换到二维平面,对应得到鸟瞰图数据;
模型训练模块,利用鸟瞰图数据,通过预设神经网络训练获取模型参数,得到凹障碍物的预测模型,利用此模型确定是否存在凹障碍物;
综合判定模块,根据所述比较结果确定出的是否存在凹障碍物以及模型确定出的是否存在凹障碍物两个结果,综合判定是否存在凹障碍物。
进一步的,所述的凹障碍物检测系统,所述凹障碍物的预测模型的构建方法包括:
获取不同天气、不同路况下采集到的三维道路激光雷达数据;
根据预设高度差对所述三维道路激光雷达数据进行滤波,得到感兴趣区域的三维激光雷达数据;
将所述感兴趣区域的三维激光雷达数据转换到二维平面,得到感兴趣区域的鸟瞰图数据;
对鸟瞰图进行信息标注,并利用含有标注信息的鸟瞰图作为训练的数据集;
通过预设神经网络训练获取模型参数,得到凹障碍物的预测模型。
所述的凹障碍物检测系统,还包括激光雷达,所述激光波束由激光雷达发射,并获取进行处理后得到所述实际坐标数据。
根据本发明的另一方面,还提供一种矿用卡车,包括上述的凹障碍物检测系统。
有益效果:本发明提供的凹障碍物检测方法及系统,采用多波束凹障碍物特征提取的传统激光雷达激光技术,并结合深度学习技术,将激光雷达数据转换成鸟瞰图,通过对二维的鸟瞰图进行不断训练,得到凹障碍物的预测模型。两种方法结合,提高了凹障碍物识别的准确性,并且可以通过不断自我学习、自我适应来完善预测模型。具有以下优点:
采用了激光雷达检测技术与深度学习相结合的方式来实现对凹障碍物的识别检测。相较于现有的采用单一方式进行检测的方法,本方法通过多种方式结合检测来提高了凹障碍物识别率和准确率。
同时,本方法在基于深度学习方式进行凹障碍物检测时,通过在训练集中加入不同反射强度下的数据,增加了凹障碍物检测的可靠性。此外,基于深度学习方式进行凹障碍物检测的方式能够具有自我学习、自我适应的特性,这样也就可以使得预测模型能够不断优化,从而进一步提高检测结果的准确度。
附图说明
图1是根据本发明一个实施例的凹障碍物检测方法的实现流程示意图;
图2是根据本发明一个实施例的检测原理示意图;
图3和图4是根据本发明一个实施例的选取三条激光波束的实现流程示意图;
图5是根据本发明另一个实施例的凹障碍物检测方法的实现流程示意图。
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式,借此对本发明如何应用技术手段来解决技术问题,并达成技术效果的实现过程能充分理解并据以实施。需要说明的是,只要不构成冲突,本发明中的各个实施例以及各实施例中的各个特征可以相互结合,所形成的技术方案均在本发明的保护范围之内。
同时,在以下说明中,出于解释的目的而阐述了许多具体细节,以提供对本发明实施例的彻底理解。然而,对本领域的技术人员来说显而易见的是,本发明可以不用这里的具体细节或者所描述的特定方式来实施。
另外,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
对于凹障碍物的检测很有必要的,为此本发明提供了一种新的检测凹障碍物检测方法。为了更加清楚地阐述本发明所提供的凹障碍物检测方法的实现原理、实现过程以及优点,以下分别结合不同的实施例来对该方法作进一步的说明。
实施例1
图1示出了本实施例所提供的凹障碍物检测方法的实现流程示意图。
如图1所示,本实施例所提供的凹障碍物检测方法,首先会在步骤S101中从车辆上同一发射点以至少三个固定角度向车辆前方路面发射至少三条激光波束,测量得到三条激光波束与路面的三条相交线段的实际坐标数据。其中,第二激光波束位于第一激光波束与第三激光波束之间。
在步骤S101中,该方法还会从上述三条相交线段中提取对应于三条激光波束的交点,这样也就可以得到同一径向上的三个交点。
具体地,如图2所示,本实施例中,该方法在步骤S101中优选地从距离地面高度为H的车辆的某一位置处(即A点)向车辆以三个固定角度向车辆前方路面发射三条激光波束。这样三条激光波束AB、AC以及AD也就会照射到车辆前方的路面上,从而与路面形成三个交点B、C和D。其中,第二激光波束AC位于第一激光波束AB与第三激光波束AD之间。
本实施例中,激光波束由激光雷达发射,并获取进行处理后得到所述实际坐标数据。由于各条激光波束的发射角度是固定的、已知的,因此结合所测量得到的长度也就可以得到三个交点B、C和D各自的坐标数据(x1,y1,z1)、(x2,y2,z2)和(x3,y3,z3)。具体地,本实施例中,X轴表示车径方向(即车辆行驶方向),Z轴表示垂直于地平面方向。
如图1所示,本实施例中,在得到三个交点的实际坐标数据后,该方法会在步骤S102中判断第一激光波束和第三激光波束的交点的高度是否均处于第一预设高度范围内。
具体地,本实施例中,该方法优选地会分别计算第一激光波束的交点B的高度与发射点A的高度差是否小于预设高度差值。其中,如果小于,那么也就表示第一激光波束的交点B的高度处于第一预设高度范围内。
基于相同过程,该方法还可以判断第三波束的交点D是否处于第一预设高度范围内。需要指出的是,在本发明的不同实施例中,上述第一预设高度范围的取值可以根据实际需要配置为不同的合理值,本发明并不对此进行限定。
结合图2所示,本实施例中,如果第一激光波束和第三激光波束的交点的高度均处于第一预设高度范围内,那么也就表示第一激光波束的交点B和第三激光波束的交点D均位于路面上,其Z轴坐标数据相等或基本相等(即为-H)。
本实施例中,如果第一激光波束和第三激光波束的交点的高度均处于第一预设高度范围内,那么该方法则会在步骤S103中将第二激光波束所对应的交点与第一激光波束和第三激光波束所对应的在同一径向上的交点进行比较,并在步骤S104中根据比较结果来确定是否存在凹障碍物。
具体地,本实施例中,该方法在步骤S103中优选地通过比较第二激光波束所对应的交点与第一激光波束和第三激光波束所对应的在同一径向上的交点在Z轴上的坐标差值来确定第二激光波束所对应的交点出是否存在凹障碍物。
例如图2所示,本实施例中,该方法在步骤S103中优选地会判断C点的实际Z轴坐标与B点以及D点的实际Z轴坐标的差值是否超过预设差值范围。其中,如果超过了预设差值范围,那么该方法也就可以在步骤S104中判定C点处于凹障碍物内。
需要指出的是,在本发明的其他实施例中,根据实际情况,该方法还可以采用其他合理方式来将第二激光波束所对应的交点与第一激光波束和第三激光波束所对应的在同一径向上的交点进行比较,以确定是否存在凹障碍物。
例如,在本发明的一个实施例中,该方法在将第二激光波束所对应的交点与第一激光波束和第三激光波束所对应的在同一径向上的交点进行比较前,还会先判断第二激光波束所对应的交点的理论坐标数据与实际坐标数据的偏差是否处于第一偏差范围内。只有在第二激光波束所对应的交点的理论坐标数据与实际坐标数据的偏差处于第一偏差范围内时,该方法才会进一步将第二激光波束所对应的交点与第一激光波束和第三激光波束所对应的在同一径向上的交点进行比较。
参照图2所示,该方法优选地可以根据发射点的高度H以及第二激光波束的角度确定出第二激光波束所对应的交点C的理论坐标数据。其中,该理论坐标数据即表征不存在凹障碍物时的坐标数据。
该方法优选地会分别计算交点C的理论坐标数据与实际坐标数据在X轴和Z轴上的差值,对应得到X轴坐标差值数据Δx和Z轴坐标差值数据Δz。其中,X轴表示车径方向,Z轴表示垂直于地平面方向;
随后,该方法会判断X轴坐标差值数据Δx是否小于第一预设差值数据,同时,还会判断Z轴坐标差值数据Δz是否小于第二预设差值数据。如果均小于,该方法则会进一步将第二激光波束所对应的交点与第一激光波束和第三激光波束所对应的在同一径向上的交点进行比较。
当然,在本发明的不同实施例中,上述第一预设差值数据和第二预设差值数据的具体取值可以根据实际需要配置为不同的合理值,本发明并不对此进行限定,这两组数据的取值将会影响到检测的灵敏度。
需要指出的是,本实施例中,为了保证最终得到的检测结果的准确性和可靠性,上述步骤S101中所使用的三条激光波束优选地是依据特定条件来选取的。具体地,如图3所示,本实施例中,该方法优选地会在步骤S301中从车辆上同一发射点以m个固定角度向车辆前方路面发射m条激光波束,这样也就可以与路面形成m条相交线段。
随后,该方法会在步骤S302中从上述m条激光波束中选取相邻的n条激光波束,并在步骤S303中从n条激光波束中选取三条激光波束,进而也就可以在步骤S304中确定所选取的三条激光波束与路面的三条相交线段。
需要指出的是,在本发明的不同实施例中,上述m以及n的具体取值可以根据实际需要配置为不同的合理值,本发明并不对上述m以及n的具体取值进行限定。
例如,如图4所示,从车辆401的发射点处以16个固定角度向车辆前方路面发射了16条激光波束,这16条激光波束也就可以与路面所形成16条相交线段(例如,第1相交线段402_1、第2相交线段402_2、…)。该方法可以从这16条激光波束中选取5条激光波束,这5条激光波束与路面形成的相交线段分别为第1相交线段402_1、第2相交线段402_2、…、第5相交线段402_5。本实施例中,该方法会从这5条激光波束中选取3条激光波束,从而确定出所选取的三条激光波束与路面的三条相交线段(例如第1相交线段402_1、第2相交线段402_2和第3相交线段402_3)。
本实施例中,各条相交线段均为一定长度的弧线,为了使得最终得到的检测结果更加准确和精确,如图4所示,该方法会将各条弧线划分为若干区域(例如k个区域)并从各个区域中所包含的数据中提取出一个坐标数据来作为该区域所对应的交点坐标数据。
具体地,本实施例中,对于某一区域,该方法优选地会将根据该区域所包含的所有检测点的Z轴坐标的取值按照大小顺序(例如从小到大)对所有检测点进行排序,并从排序数列中前部选取特定数量的(例如1/4数量等)检测点,再根据这些检测点来确定出一个虚拟点来作为该区域所对一个的交点。例如,该方法可以通过计算所选取出的检测点的坐标均值来确定上述交点。当然,在本发明的其他实施例中,该方法还可以采用其他合理方式来根据所选取出的检测点来确定该区域所对应的交点。
本实施例中,对于所选取出的三条激光波束,通过将各条弧线沿交线延伸方向按照预设数量k进行区域划分,也就可以得到k个相交线段子集。其中,各个相交线段子集中包含对应于这三条激光波束的三条相交线段为k个区域。对于各个相交线段子集,该方法可以分别确定出该相交线段子集中三条相交线段所对应的三个交点的实际坐标数据,这样也就从三条相交线段中提取出了如图2所示的三个交点。
通过前述内容,该方法也就可以确定出某一相交线段子集所对应的路面是否存在凹障碍物。
利用相同原理,本实施例中,该方法也可以根据所选取出的三条激光波束与路面的三条交线,得到对应于这三条交线的k*3的交点矩阵(每条交线包含k个区域,也就包含k个虚拟交点)。根据上述k*3的交点矩阵,该方法也就可以确定给出这三条激光波束与路面的三条交线的检测区域是否存在障碍物。
由于凹障碍物可能存在不同的大小,这样也就导致如图2所示的3个交点中有两个或是更多个处于凹障碍物中,这样也就导致无法正常通过比较三个交点的坐标来确定是否存在凹障碍物。
针对该问题,本实施例中,该方法优选地会从所选取出的n条激光波束中遍历地选取三条激光波束,并分别基于所选取出的激光波束采用上述方法来确定是否存在凹障碍物。
例如,对于图4所示的激光波束,该方法可以首先从m条激光波束中选取出相邻的五条激光波束(即第一激光波束至第五激光波束),这样也就相当于选取出了第1相交线段402_1、第2相交线段402_2、…以及第5相交线段402_5。随后,该方法会遍历地从第1相交线段402_1至第5相交线段402_5中选取三条相交线段,并采用上述方法进行凹障碍物的检测。这样也就可以避免由于三个交点中不只一个交点落在凹障碍物内而导致无法正常检测的问题。
为了使得最终的检测结果更加可靠,本实施例中,该方法优选地会从m条激光波束中遍历的选取相邻的n条激光波束来采用上述方法进行检测。例如,在某一次检测过程中,该方法所选取的是m条激光波束中的第1条至第n条激光波束,那么在下一次检测过程中,该方法所选取的则会使第2条至第n+1条激光波束,直至遍历至第m-n+1条至第m条激光波束。其后续过程与在上述内容中已经阐述过,因此在此不再对该部分内容进行赘述。
实施例2
图5示出了本实施例所提供的凹障碍物检测方法的实现流程示意图。
本实施例所提供的凹障碍物检测方法通过将激光雷达检测技术与深度学习检测技术相结合,来进一步提高凹障碍物检测结果的准确性。
具体地,如图5所示,该方法首先会在步骤S501至步骤S504中利用激光雷达检测技术来确定车辆前方是否存在凹障碍物。其中,上述步骤S501至步骤S504的具体实现原理以及实现过程与上述实施例一中步骤S101至步骤S104所公开的内容类似,故在此不再对步骤S501至步骤S504的具体内容进行赘述。
本实施例中,该方法还会在步骤S505中将获取到的三维激光雷达数据转换到二维平面,对应得到鸟瞰图数据。其中,上述三维激光雷达数据即为步骤S501至S504所检测的区域相对应的区域的激光雷达数据。在鸟瞰图数据中,根据三维激光雷达数据中像素点的Z轴坐标来确定鸟瞰图数据中对应像素点的像素值。
具体地,本实施例中,该方法优选地通过三维激光雷达数据中像素点的Z轴坐标、预设强度值和点密度的加权求和来确定鸟瞰图数据中对应像素点的像素值。所得到的像素点的像素值的取值范围优选地包括[0,255]。
例如,该方法可以基于三维激光雷达数据中像素点的Z轴坐标(即高度数据)来将三维激光雷达数据转换为灰度数据,从而得到对应的鸟瞰图数据。
需要指出的是,本实施例中,在对三维激光雷达数据进行二维转换前,该方法优选地还会根据预设高度差对所获取到的三维道路激光雷达数据进行滤波。
具体地,该方法首选会将获取到的三维道路激光雷达数据进行栅格划分,随后再判断各个栅格中三维道路激光雷达数据的Z轴高度差是否处于预设高度差阈值范围内,并将处于预设高度差阈值范围内的栅格滤除。例如,上述预设高度差阈值范围可以配置为[0.2m,0.5m]。当然,在本发明的不同实施例中,上述预设高度差阈值范围的具体取值还可以配合为其他合理阈值,本发明并不对此进行限定。
如图5所示,本实施例中,在得到鸟瞰图数据后,该方法会在步骤S506中利用预设神经网络,来根据上述鸟瞰图数据确定是否存在凹障碍物。
本实施例中,上述预设神经网络是预先训练好的。在本发明的不同实施例中,上述预设神经网络可以采用不同形式的神经网络。
在对神经网络进行训练时,该方法优选地首先会获取不同天气、不同路况下采集到的三维道路激光雷达数据。例如,上述三维道路激光雷达数据可以是由熟练的矿用卡车司机在不同天气、不同路况条件、不同反射强度等工况下,驾驶矿用卡车在矿山道路上行驶,同时开启激光雷达,对矿山路况信息进行采集而得到的。
随后,该方法会根据预设高度差对三维道路激光雷达数据进行滤波,从而得到感兴趣区域的三维激光雷达数据。该过程与前述内容类似,故在此不再对该部分内容进行赘述。
在得到感兴趣的三维激光雷达数据后,该方法会将上述感兴趣区域的三维激光雷达数据转换到二维平面,得到感兴趣区域的鸟瞰图数据。本实施例中,鸟瞰图(BEV)是由高度、强度、密度信息对三维点云信息进行编码所形成3通道的图像。
随后,该方法会对鸟瞰图进行信息标注,并利用含有标注信息的鸟瞰图对预设神经网络进行训练。本实施例中,鸟瞰图的标注信息优选地包括凹障碍物大小级别。例如,凹障碍物按照大小优选地可以分为0、1、2、3四个级别,0表示没有检测到凹障碍物,1表示凹障碍物较小,2表示凹障碍物大小适中,3表示凹障碍物较大。
本实施例中,以上述带有标注信息的鸟瞰图数据作为神经网络的输入对网络进行训练,也就可以得到最终需要的模型参数。例如,设置为GPU训练,设置迭代次数为10000,基础学习率为0.01,启动训练程序,得到训练模型,并在测试集上验证其准确率。通过对神经网络不断的训练和优化,得到满足预测精度的网络参数。
在利用激光雷达检测技术确定出车辆前方是否存在凹障碍物以及利用神经网络确定出车辆前方是否存在凹障碍物后,该方法优选地会在根据步骤S504所得到的结果以及步骤S506所得到的结果综合判定是否为凹障碍物。
本实施例中,当步骤S504和步骤S506同时判定出车辆前方对应位置处存在障碍物时,该方法才会判定此时车辆前方是存在凹障碍物的,进而在需要的情况下发出障碍物指示信息。
需要指出的是,在本发明的其他实施例中,该方法还可以采用其他合理方式来根据步骤S504所得到的结果以及步骤S506所得到的结果综合判定是否为凹障碍物。例如,在本发明的一个实施例中,对于步骤S504所得到的结果以及步骤S506所得到的结果,该方法还可以在其中一种结果为车辆前方对应位置处存在障碍物时就会判定此时车辆前方是存在凹障碍物的。
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特定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。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (15)
1.一种凹障碍物检测方法,其特征在于,包括:
获取至少三条激光波束与路面的三条相交线段的实际坐标数据,所述激光波束为从同一发射点以至少三个固定角度向车辆前方路面发射的至少三条激光波束,其中,第二激光波束位于第一激光波束与第三激光波束之间;
从三条相交线段中分别提取对应于三条激光波束的交点,判断所述第一激光波束和第三激光波束所对应的交点的高度是否均处于第一预设高度范围内;
响应于判断得到所述第一激光波束和第三激光波束所对应的交点的高度均处于第一预设高度范围内,将所述第二激光波束所对应的交点与第一激光波束和第三激光波束所对应的在同一径向上的交点进行比较,根据比较结果确定是否存在凹障碍物。
2.根据权利要求1所述的凹障碍物检测方法,其特征在于,将所述第二激光波束所对应的交点与第一激光波束和第三激光波束所对应的在同一径向上的交点进行比较,根据比较结果确定是否存在凹障碍物,包括:
计算所述第二激光波束所对应的交点的理论坐标数据,所述理论坐标数据表征水平路面不存在凹障碍物时的坐标数据,判断所述第二激光波束所对应的交点的理论坐标数据与实际坐标数据的偏差是否处于第一偏差范围内;
响应于判断得到所述第二激光波束所对应的交点的理论坐标数据与实际坐标数据的偏差处于第一偏差范围内,则将所述第二激光波束所对应的交点与第一激光波束和第三激光波束所对应的在同一径向上的交点进行比较,根据比较结果确定是否存在凹障碍物。
3.根据权利要求1或2所述的凹障碍物检测方法,其特征在于,所述三条激光波束与路面的三条相交线段的确定方法包括:
步骤a、从车辆上同一发射点以m个固定角度向车辆前方路面发射m条激光波束,其中m为不小于3的整数;
步骤b、从m条激光波束中选取相邻的n条激光波束,并从n条激光波束中选取三条激光波束,其中n为不小于3的整数;
步骤c、确定所选取的三条激光波束与路面的三条相交线段。
4.根据权利要求3所述的凹障碍物检测方法,其特征在于,所述三条相交线段的实际坐标数据确定方法包括:
将所选取的三条激光波束与路面的三条相交线段分别沿交线延伸方向按照预设数量k进行划分,得到k个相交线段子集,其中,各个相交线段子集中包含对应于三条激光波束的三条相交线段,其中k为正整数;
对于各个相交线段子集,分别确定该相交线段子集中三条相交线段所对应的三个交点的实际坐标数据。
5.根据权利要求4所述的凹障碍物检测方法,其特征在于,所述方法还包括:
根据所述三条激光波束与路面的三条相交线段,得到对应于这三条交线的k*3的交点矩阵;
根据所述k*3的交点矩阵确定所述三条激光波束与路面的三条相交线段的检测区域是否存在凹障碍物。
6.根据权利要求3所述的凹障碍物检测方法,其特征在于,在所述步骤b中,包括:从m条激光波束中遍历地选取相邻的n条激光波束,并从n条激光波束中遍历地选取三条激光波束。
7.根据权利要求1所述的凹障碍物检测方法,其特征在于,还包括:
获取检测区域的三维激光雷达数据,将获取到的三维激光雷达数据转换到二维平面,对应得到鸟瞰图数据;
利用鸟瞰图数据,通过预设神经网络训练获取模型参数,得到凹障碍物的预测模型,利用此模型确定是否存在凹障碍物;
根据所述比较结果确定出的是否存在凹障碍物以及模型确定出的是否存在凹障碍物两个结果,综合判定是否存在凹障碍物。
8.根据权利要求7所述的凹障碍物检测方法,其特征在于,在对应得到鸟瞰图数据中,根据所述三维激光雷达数据中像素点的Z轴坐标确定所述鸟瞰图数据中对应像素点的像素值。
9.根据权利要求7或8所述的凹障碍物检测方法,其特征在于,所述凹障碍物的预测模型的构建方法包括:
获取不同天气、不同路况下采集到的三维道路激光雷达数据;
根据预设高度差对所述三维道路激光雷达数据进行滤波,得到感兴趣区域的三维激光雷达数据;
将所述感兴趣区域的三维激光雷达数据转换到二维平面,得到感兴趣区域的鸟瞰图数据;
对鸟瞰图进行信息标注,并利用含有标注信息的鸟瞰图作为训练的数据集;
通过预设神经网络训练获取模型参数,得到凹障碍物的预测模型。
10.根据权利要求9所述的凹障碍物检测方法,其特征在于,对所述三维道路激光雷达数据进行滤波,包括:
将所述三维道路激光雷达数据进行栅格划分;
判断各个栅格中三维道路激光雷达数据的Z轴高度差是否处于预设高度差阈值范围内,将处于所述预设高度差阈值范围内的栅格滤除。
11.一种凹障碍物检测系统,其特征在于,包括:
激光数据获取模块,用于:获取至少三条激光波束与路面的三条相交线段的实际坐标数据,所述激光波束为从同一发射点以至少三个固定角度向车辆前方路面发射的至少三条激光波束,其中,第二激光波束位于第一激光波束与第三激光波束之间;
提取判断模块,用于:从三条相交线段中分别提取对应于三条激光波束的交点,判断所述第一激光波束和第三激光波束所对应的交点的高度是否均处于第一预设高度范围内;
比较确定模块,用于:响应于判断得到所述第一激光波束和第三激光波束所对应的交点的高度均处于第一预设高度范围内,将所述第二激光波束所对应的交点与第一激光波束和第三激光波束所对应的在同一径向上的交点进行比较,根据比较结果确定是否存在凹障碍物。
12.根据权利要求11所述的凹障碍物检测系统,其特征在于,所述比较确定模块,还包括:
计算所述第二激光波束所对应的交点的理论坐标数据,所述理论坐标数据表征水平路面不存在凹障碍物时的坐标数据,判断所述第二激光波束所对应的交点的理论坐标数据与实际坐标数据的偏差是否处于第一偏差范围内;
响应于判断得到所述第二激光波束所对应的交点的理论坐标数据与实际坐标数据的偏差处于第一偏差范围内,则将所述第二激光波束所对应的交点与第一激光波束和第三激光波束所对应的在同一径向上的交点进行比较,根据比较结果确定是否存在凹障碍物。
13.根据权利要求11所述的凹障碍物检测系统,其特征在于,还包括:
数据转换模块,用于获取检测区域的三维激光雷达数据,将获取到的三维激光雷达数据转换到二维平面,对应得到鸟瞰图数据;
模型训练模块,利用鸟瞰图数据,通过预设神经网络训练获取模型参数,得到凹障碍物的预测模型,利用此模型确定是否存在凹障碍物;
综合判定模块,根据所述比较结果确定出的是否存在凹障碍物以及模型确定出的是否存在凹障碍物两个结果,综合判定是否存在凹障碍物。
14.根据权利要求11所述的凹障碍物检测系统,其特征在于,还包括激光雷达,所述激光波束由激光雷达发射,并获取进行处理后得到所述实际坐标数据。
15.一种矿用卡车,其特征在于,包括如权利要求11~14任一项所述的凹障碍物检测系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910811778.3A CN110554409B (zh) | 2019-08-30 | 2019-08-30 | 一种凹障碍物检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910811778.3A CN110554409B (zh) | 2019-08-30 | 2019-08-30 | 一种凹障碍物检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110554409A true CN110554409A (zh) | 2019-12-10 |
CN110554409B CN110554409B (zh) | 2021-06-04 |
Family
ID=68738447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910811778.3A Active CN110554409B (zh) | 2019-08-30 | 2019-08-30 | 一种凹障碍物检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110554409B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112287859A (zh) * | 2020-11-03 | 2021-01-29 | 北京京东乾石科技有限公司 | 物体识别方法、装置和系统,计算机可读存储介质 |
CN112528979A (zh) * | 2021-02-10 | 2021-03-19 | 成都信息工程大学 | 变电站巡检机器人障碍物判别方法及系统 |
WO2022062519A1 (zh) * | 2020-09-22 | 2022-03-31 | 上海钛米机器人股份有限公司 | 地面检测方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106646474A (zh) * | 2016-12-22 | 2017-05-10 | 中国兵器装备集团自动化研究所 | 一种非结构化道路凹凸障碍物检测装置 |
US20180128920A1 (en) * | 2016-09-20 | 2018-05-10 | Innoviz Technologies Ltd. | Detector-array based scanning lidar |
JP2018155694A (ja) * | 2017-03-21 | 2018-10-04 | 株式会社Ihiエアロスペース | 凹型障害物検出装置と方法 |
CN109471130A (zh) * | 2018-11-22 | 2019-03-15 | 中国人民解放军军事科学院国防科技创新研究院 | 一种用于野外环境无人驾驶的正负障碍物检测方法 |
-
2019
- 2019-08-30 CN CN201910811778.3A patent/CN110554409B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180128920A1 (en) * | 2016-09-20 | 2018-05-10 | Innoviz Technologies Ltd. | Detector-array based scanning lidar |
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 |
CN106646474A (zh) * | 2016-12-22 | 2017-05-10 | 中国兵器装备集团自动化研究所 | 一种非结构化道路凹凸障碍物检测装置 |
JP2018155694A (ja) * | 2017-03-21 | 2018-10-04 | 株式会社Ihiエアロスペース | 凹型障害物検出装置と方法 |
CN109471130A (zh) * | 2018-11-22 | 2019-03-15 | 中国人民解放军军事科学院国防科技创新研究院 | 一种用于野外环境无人驾驶的正负障碍物检测方法 |
Non-Patent Citations (2)
Title |
---|
ERKE SHANG ET AL.: "A Novel Setup Method of 3D LIDAR for Negative Obstacle Detection in Field Environment", 《2014 IEEE 17TH INTERNATIONAL CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS (ITSC)》 * |
张艳国等: "基于IMU-LiDAR的负障碍检测方法", 《电光与控制》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022062519A1 (zh) * | 2020-09-22 | 2022-03-31 | 上海钛米机器人股份有限公司 | 地面检测方法、装置、设备及存储介质 |
CN112287859A (zh) * | 2020-11-03 | 2021-01-29 | 北京京东乾石科技有限公司 | 物体识别方法、装置和系统,计算机可读存储介质 |
CN112528979A (zh) * | 2021-02-10 | 2021-03-19 | 成都信息工程大学 | 变电站巡检机器人障碍物判别方法及系统 |
CN112528979B (zh) * | 2021-02-10 | 2021-05-11 | 成都信息工程大学 | 变电站巡检机器人障碍物判别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110554409B (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110554409B (zh) | 一种凹障碍物检测方法及系统 | |
CN106530380B (zh) | 一种基于三维激光雷达的地面点云分割方法 | |
CN110781891B (zh) | 一种基于激光雷达传感器的识别车辆可行驶区域的方法 | |
CN108873013B (zh) | 一种采用多线激光雷达的道路可通行区域获取方法 | |
CN106647776B (zh) | 车辆变道趋势的判断方法、判断装置和计算机存储介质 | |
US9099005B2 (en) | Environment recognition device and environment recognition method | |
CN105785370B (zh) | 物体检测装置和物体检测方法 | |
CN110531376A (zh) | 用于港口无人驾驶车辆的障碍物检测和跟踪方法 | |
CN101303735A (zh) | 探测车辆盲点区域内运动物体的方法及盲点探测装置 | |
US20120288191A1 (en) | Environment recognition device and environment recognition method | |
CN110674705A (zh) | 基于多线激光雷达的小型障碍物检测方法及装置 | |
CN110298311B (zh) | 路面积水检测方法及装置 | |
Musleh et al. | Uv disparity analysis in urban environments | |
CN109633686B (zh) | 一种基于激光雷达侦测地面障碍物的方法及系统 | |
CN104157160A (zh) | 车辆行驶控制方法、装置及车辆 | |
CN111222441A (zh) | 基于车路协同的点云目标检测和盲区目标检测方法及系统 | |
WO2021168854A1 (zh) | 可行驶区域检测的方法和装置 | |
CN114692734A (zh) | 一种基于点云的矿区灰尘滤除方法、装置、设备及介质 | |
CN112789521B (zh) | 感知区域的确定方法、装置、存储介质及车辆 | |
CN114155720B (zh) | 一种路侧激光雷达的车辆检测和轨迹预测方法 | |
CN113740874A (zh) | 一种道路边沿检测方法、电子设备及车辆 | |
CN114537447A (zh) | 安全通行方法、装置、电子设备和存储介质 | |
CN114842166A (zh) | 应用于结构化道路的负障碍检测方法、系统、介质及设备 | |
CN113763263A (zh) | 基于点云尾气过滤技术的水雾尾气噪声处理方法 | |
KR102087046B1 (ko) | 자율 주행 차량에서 ldm을 이용하여 차선 기반으로 사각 지대에 대한 정보를 제공하는 방법 및 장치 |
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 |