CN110609561A - 一种行人跟踪方法、装置、计算机可读存储介质及机器人 - Google Patents

一种行人跟踪方法、装置、计算机可读存储介质及机器人 Download PDF

Info

Publication number
CN110609561A
CN110609561A CN201911126501.3A CN201911126501A CN110609561A CN 110609561 A CN110609561 A CN 110609561A CN 201911126501 A CN201911126501 A CN 201911126501A CN 110609561 A CN110609561 A CN 110609561A
Authority
CN
China
Prior art keywords
tracker
list
laser
matching
pedestrian
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.)
Pending
Application number
CN201911126501.3A
Other languages
English (en)
Inventor
毕占甲
刘志超
张健
熊友军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ubtech Robotics Corp
Original Assignee
Ubtech Robotics Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ubtech Robotics Corp filed Critical Ubtech Robotics Corp
Priority to CN201911126501.3A priority Critical patent/CN110609561A/zh
Publication of CN110609561A publication Critical patent/CN110609561A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • 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
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • 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
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • 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
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • 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
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
    • G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • 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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • 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
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Optics & Photonics (AREA)
  • Electromagnetism (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Traffic Control Systems (AREA)
  • Optical Radar Systems And Details Thereof (AREA)

Abstract

本申请属于机器人技术领域，尤其涉及一种行人跟踪方法、装置、计算机可读存储介质及机器人。所述方法获取预设的激光雷达采集的激光数据；对所述激光数据进行检测，得到检测列表，所述检测列表中包括从所述激光数据中检测出的各个行人的当前位置；对预设的跟踪器列表中的各个跟踪器进行预测更新，得到预测更新后的跟踪器列表，其中，每个跟踪器均用于记录对应行人的历史位置；将所述检测列表与所述预测更新后的跟踪器列表进行匹配，根据匹配结果对各个跟踪器进行测量更新，得到各个行人的行走轨迹。相较于传统的机器学习方法，无需收集大量训练数据，避免了因数据不完备可能导致的过拟合问题，具有较高的稳定性。

Description

一种行人跟踪方法、装置、计算机可读存储介质及机器人
技术领域
本申请属于机器人技术领域，尤其涉及一种行人跟踪方法、装置、计算机可读存储介质及机器人。
背景技术
现有技术中在进行行人的检测和跟踪时，一般都是基于机器学习的方法，通过收集大量的正负样本数据，设计多个特征分类器，然后以adboost或者随机森林的方式训练一个二元强分类器来进行行人的检测和跟踪。这类方法的缺点是需要收集大量训练数据，数据无法做到完备，可能会出现过拟合的问题，稳定性较差。
发明内容
有鉴于此，本申请实施例提供了一种行人跟踪方法、装置、计算机可读存储介质及机器人，以解决现有的行人跟踪方法中存在的稳定性较差的问题。
本申请实施例的第一方面提供了一种行人跟踪方法，可以包括：
获取预设的激光雷达采集的激光数据；
对所述激光数据进行垂直边缘特征检测，得到特征向量，所述特征向量中包括从所述激光数据中检测出的各个垂直边缘特征；
使用预设的模式匹配模板在所述特征向量中进行搜索匹配，得到与所述模式匹配模板对应的第一激光聚簇；
对所述第一激光聚簇进行距离约束检查，得到满足预设的距离约束条件的第二激光聚簇；
根据所述第二激光聚簇计算各个行人的当前位置，并形成检测列表；
对预设的跟踪器列表中的各个跟踪器进行预测更新，得到预测更新后的跟踪器列表，其中，每个跟踪器均用于记录对应行人的历史位置；
将所述检测列表与所述预测更新后的跟踪器列表进行匹配，根据匹配结果对所述预测更新后的跟踪器列表中的各个跟踪器进行测量更新，得到各个行人的行走轨迹。
进一步地，所述对所述激光数据进行垂直边缘特征检测，得到特征向量包括：
从所述激光数据中提取距离向量，所述距离向量中包括各个激光数据点与所述激光雷达之间的距离值；
根据所述距离向量依次计算各组相邻激光数据点之间的距离差值；
根据所述距离差值进行垂直边缘特征检测，得到所述特征向量。
进一步地，所述使用预设的模式匹配模板在所述特征向量中进行搜索匹配，得到与所述模式匹配模板对应的第一激光聚簇包括：
使用预设的两腿站立模式匹配模板在所述特征向量中进行搜索匹配，得到与所述两腿站立模式匹配模板对应的第一激光聚簇；
使用预设的跨步行走模式匹配模板在所述特征向量中进行搜索匹配，得到与所述跨步行走模式匹配模板对应的第一激光聚簇；
使用预设的双腿并拢模式匹配模板在所述特征向量中进行搜索匹配，得到与所述双腿并拢模式匹配模板对应的第一激光聚簇。
进一步地，所述将所述检测列表与所述预测更新后的跟踪器列表进行匹配包括：
计算所述检测列表中的第p个行人的当前位置与所述预测更新后的跟踪器列表中的各个跟踪器之间的距离，1≤p≤PN，PN为所述检测列表中的行人总数；
在所述预测更新后的跟踪器列表中查找匹配跟踪器，所述匹配跟踪器为与第p个行人的当前位置的距离最近且小于预设的距离阈值的跟踪器。
进一步地，在对预设的跟踪器列表中的各个跟踪器进行预测更新之前，还包括：
获取所述激光数据的采集时刻以及各个跟踪器的测量更新时刻；
从所述跟踪器列表中删除失效跟踪器，其中，所述激光数据的采集时刻与所述失效跟踪器的测量更新时刻之间的时长大于预设的时长阈值。
本申请实施例的第二方面提供了一种行人跟踪装置，可以包括：
激光数据获取模块，用于获取预设的激光雷达采集的激光数据；
特征检测模块，用于对所述激光数据进行垂直边缘特征检测，得到特征向量，所述特征向量中包括从所述激光数据中检测出的各个垂直边缘特征；
模式匹配模块，用于使用预设的模式匹配模板在所述特征向量中进行搜索匹配，得到与所述模式匹配模板对应的第一激光聚簇；
约束检查模块，用于对所述第一激光聚簇进行距离约束检查，得到满足预设的距离约束条件的第二激光聚簇；
位置计算模块，用于根据所述第二激光聚簇计算各个行人的当前位置，并形成检测列表；
预测更新模块，用于对预设的跟踪器列表中的各个跟踪器进行预测更新，得到预测更新后的跟踪器列表，其中，每个跟踪器均用于记录对应行人的历史位置；
跟踪匹配模块，用于将所述检测列表与所述预测更新后的跟踪器列表进行匹配，根据匹配结果对所述预测更新后的跟踪器列表中的各个跟踪器进行测量更新，得到各个行人的行走轨迹。
进一步地，所述特征检测模块可以包括：
距离向量提取单元，用于从所述激光数据中提取距离向量，所述距离向量中包括各个激光数据点与所述激光雷达之间的距离值；
距离差值计算单元，用于根据所述距离向量依次计算各组相邻激光数据点之间的距离差值；
特征检测单元，用于根据所述距离差值进行垂直边缘特征检测，得到所述特征向量。
进一步地，所述模式匹配模块可以包括：
第一模式匹配单元，用于使用预设的两腿站立模式匹配模板在所述特征向量中进行搜索匹配，得到与所述两腿站立模式匹配模板对应的第一激光聚簇；
第二模式匹配单元，用于使用预设的跨步行走模式匹配模板在所述特征向量中进行搜索匹配，得到与所述跨步行走模式匹配模板对应的第一激光聚簇；
第三模式匹配单元，用于使用预设的双腿并拢模式匹配模板在所述特征向量中进行搜索匹配，得到与所述双腿并拢模式匹配模板对应的第一激光聚簇。
进一步地，所述跟踪匹配模块可以包括：
距离计算单元，用于计算所述检测列表中的第p个行人的当前位置与所述预测更新后的跟踪器列表中的各个跟踪器之间的距离，1≤p≤PN，PN为所述检测列表中的行人总数；
跟踪器匹配单元，用于在所述预测更新后的跟踪器列表中查找匹配跟踪器，所述匹配跟踪器为与第p个行人的当前位置的距离最近且小于预设的距离阈值的跟踪器。
进一步地，所述行人跟踪装置还可以包括：
测量更新模块，用于对所述预测更新后的跟踪器列表中的各个跟踪器进行测量更新，得到测量更新后的跟踪器列表。
进一步地，所述行人跟踪装置还可以包括：
时刻获取模块，用于获取所述激光数据的采集时刻以及各个跟踪器的测量更新时刻；
失效跟踪器删除模块，用于从所述跟踪器列表中删除失效跟踪器，其中，所述激光数据的采集时刻与所述失效跟踪器的测量更新时刻之间的时长大于预设的时长阈值。
本申请实施例的第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述任一种行人跟踪方法的步骤。
本申请实施例的第四方面提供了一种机器人，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一种行人跟踪方法的步骤。
本申请实施例的第五方面提供了一种计算机程序产品，当计算机程序产品在机器人上运行时，使得机器人执行上述任一种行人跟踪方法的步骤。
本申请实施例与现有技术相比存在的有益效果是：本申请实施例获取预设的激光雷达采集的激光数据；对所述激光数据进行检测，得到检测列表，所述检测列表中包括从所述激光数据中检测出的各个行人的当前位置；对预设的跟踪器列表中的各个跟踪器进行预测更新，得到预测更新后的跟踪器列表，其中，每个跟踪器均用于记录对应行人的历史位置；将所述检测列表与所述预测更新后的跟踪器列表进行匹配，根据匹配结果对所述预测更新后的跟踪器列表中的各个跟踪器进行测量更新，得到各个行人的行走轨迹。相较于传统的机器学习方法，无需收集大量训练数据，避免了因数据不完备可能导致的过拟合问题，具有较高的稳定性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本申请实施例中一种行人跟踪方法的一个实施例流程图；
图2为三种模式的示意图；
图3为LA模式的垂直边缘特征点之间的距离的示意图；
图4为SL模式的垂直边缘特征点之间的距离的示意图；
图5为FS模式的垂直边缘特征点之间的距离的示意图；
图6为本申请实施例中一种行人跟踪装置的一个实施例结构图；
图7为本申请实施例中一种机器人的示意框图。
具体实施方式
为使得本申请的发明目的、特征、优点能够更加的明显和易懂，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本申请一部分实施例，而非全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
请参阅图1，本申请实施例中一种行人跟踪方法的一个实施例可以包括：
步骤S101、获取预设的激光雷达采集的激光数据。
所述激光雷达是以发射激光束探测目标的位置、速度等特征量的雷达系统。其工作原理是向目标发射探测信号（激光束），然后将接收到的从目标反射回来的信号（目标回波）与发射信号进行比较，作适当处理后，就可获得目标的有关信息，如目标距离、方位、高度、速度、姿态、甚至形状等参数，从而对目标进行探测、跟踪和识别。
所述激光数据为一帧二维的激光数据，在本实施例中，可以使用距离向量和角度向量来表示所述激光数据。其中，所述距离向量记为：R={r1, r2 ...ri ..., rn}，所述角度向量记为：θ ={θ1, θ2 ... θi..., θn}，n为所述激光数据中的激光数据点的数目，i为所述激光数据中的各个激光数据点的序号，且1≤i≤n，ri为第i个激光数据点与所述激光雷达之间的距离值，θi为第i个激光数据点在预设的雷达坐标系下对应的角度值。对于第i个激光数据点而言，其在所述雷达坐标系下的笛卡尔坐标可以表示为：(ricosθi, risinθi)。
步骤S102、对所述激光数据进行垂直边缘特征检测，得到特征向量。
所述特征向量中包括从所述激光数据中检测出的各个垂直边缘特征。
具体地，首先从所述激光数据中提取出所述距离向量，然后根据所述距离向量依次计算各组相邻激光数据点之间的距离差值。即依次分别计算第1个激光数据点和第2个激光数据点之间的距离差值|r2 –r1|，第2个激光数据点和第3个激光数据点之间的距离差值|r3 –r2|，…，第i个激光数据点和第i+1个激光数据点之间的距离差值|ri+1 –ri|，…，第n-1个激光数据点和第n个激光数据点之间的距离差值|rn –rn-1|。
接着，根据所述距离差值进行垂直边缘特征检测，得到所述特征向量。
以第i个激光数据点和第i+1个激光数据点之间的距离差值为例，若该距离差值大于预设的差值阈值，即|ri+1 -ri| > T1，其中，T1即为所述差值阈值，则表示检测到一个垂直边缘特征，此处将垂直边缘特征用字符e进行表示，当ri+1 >ri时，说明该垂直边缘特征具体为左侧垂直边缘特征，此时e取值为L，当ri+1 <ri时，说明该垂直边缘特征具体为右侧垂直边缘特征，此时e取值为R。所述特征向量用E来表示，其初始状态为一个空向量，每当检测到一个垂直边缘特征e后，将 e 插入到所述特征向量的尾部，当遍历完各组相邻激光数据点之间的距离差值，便可得到最终的特征向量：E = {e1, e2...ei..., em}，其中，m 为在所述激光数据中检测到的垂直边缘特征的数量，ei为在所述激光数据中检测到第i个垂直边缘特征。
步骤S103、使用预设的模式匹配模板在所述特征向量中进行搜索匹配，得到与所述模式匹配模板对应的第一激光聚簇。
在本实施例中，可以将投射到人腿的激光聚簇分为如图2所示的三种模式，分别是两腿站立模式（Leg Apart, LA）, 跨步行走模式（Forward Stride，FS）和双腿并拢模式（Single Leg, SL）。
其中，每一种模式均有与之对应的模式匹配模板，LA对应的是两腿站立模式匹配模板，其特征字符串为LRLR，FS对应的是跨步行走模式匹配模板，其特征字符串为LLR或者LRR，SL对应的是双腿并拢模式匹配模板，其特征字符串为LR。
分别使用这三种模式匹配模板在所述特征向量中进行搜索匹配，分别得到与这三种模式匹配模板对应的激光聚簇（激光聚簇为激光数据点的集合），也即所述第一激光聚簇。
需要注意的是，由于LA模式和FS模式的特征字符串中均含有SL模式的特征字符串，因此与SL模式匹配模板对应的激光聚簇会与其他两种模式匹配模板对应的激光聚簇产生重叠，需要将重叠的部分从与SL模式匹配模板对应的激光聚簇中删除。
步骤S104、对所述第一激光聚簇进行距离约束检查，得到满足预设的距离约束条件的第二激光聚簇。
具体地，对所述第一激光聚簇中垂直边缘特征点之间的欧氏距离进行约束检查，不符合距离约束的将被剔除，最终得到的即为满足距离约束条件的第二激光聚簇。垂直边缘特征点之间的欧氏距离可通过步骤S101中提供的各激光数据点的笛卡尔坐标计算得到。LA模式（特征字符串为LRLR）的垂直边缘特征点之间的距离如图3所示，a1为其中第一个L和第一个R之间的距离，a2为其中第二个L和第二个R之间的距离，b为其中第一个R和第二个L之间的距离。SL模式（特征字符串为LR）的垂直边缘特征点之间的距离如图4所示，a3为其中的L和R之间的距离。FS模式（以特征字符串LRR为例）的垂直边缘特征点之间的距离如图5所示，a1为其中的L和第一个R之间的距离，a2为其中第二个R和第二个R之间的距离。定义LA模式和FS模式中的单腿最小宽度值为T2，单腿最大宽度值为T3；两腿间隔的最小宽度为T4，间隔最大宽度为T5；定义SL模式中单腿最小宽度为T6，最大宽度为T7。则LA模式和FS模式的距离约束可以统一表示为T2≤a1≤T3且 T2≤a2≤T3且 T4≤b≤T5，SL模式的距离约束可以表示为T6≤a3≤T7。
步骤S105、根据所述第二激光聚簇计算各个行人的当前位置，并形成检测列表。
对任意一个第二激光聚簇而言，将其中各个激光数据点的位置求均值，即可得到与该第二激光聚簇对应的行人的当前位置，遍历各个第二激光聚簇，即可得到各个行人的当前位置。优选地，对任一行人的当前位置而言，可以根据预设的占据栅格地图查询以该当前位置为圆心，以预设的距离阈值为半径的区域内是否都是自由空间，若是，则认为此检测有效，否则认为无效。将所有有效的行人的当前位置进行汇总，形成所述检测列表。
步骤S106、对预设的跟踪器列表中的各个跟踪器进行预测更新，得到预测更新后的跟踪器列表。
其中，每个跟踪器均用于记录对应行人的历史位置。
优选地，在步骤S106之前，可以首先获取所述激光数据的采集时刻以及各个跟踪器的测量更新时刻，然后从所述跟踪器列表中删除失效跟踪器。
其中，所述激光数据的采集时刻与所述失效跟踪器的测量更新时刻之间的时长大于预设的时长阈值，即：tmeas < tc - tobs_timeout，tmeas为所述失效跟踪器的测量更新时刻，tc为所述激光数据的采集时刻，tobs_timeout为所述时长阈值，也即系统设定的跟踪器的失效超时时长。当某一跟踪器满足上式时，则说明此跟踪器已经有一段时间没有与检测行人数据相关联，需要将其从所述跟踪器列表中删除。
在本实施例中，优选对各个跟踪器进行卡尔曼滤波预测更新，得到预测更新后的跟踪器列表，其中，预测的时刻点为tc，相应地，后续的测量更新也为卡尔曼滤波测量更新。
步骤S107、将所述检测列表与所述预测更新后的跟踪器列表进行匹配，根据匹配结果对所述预测更新后的跟踪器列表中的各个跟踪器进行测量更新，得到各个行人的行走轨迹。
以所述检测列表中的第p个行人为例，首先，计算所述检测列表中的第p个行人的当前位置与所述预测更新后的跟踪器列表中的各个跟踪器之间的距离，1≤p≤PN，PN为所述检测列表中的行人总数；然后，在所述预测更新后的跟踪器列表中查找匹配跟踪器，所述匹配跟踪器为与第p个行人的当前位置的距离最近且小于预设的距离阈值的跟踪器。
进一步地，还可以对所述预测更新后的跟踪器列表中的各个跟踪器进行测量更新，得到测量更新后的跟踪器列表，以便后续继续根据采集的下一帧激光数据进行持续的行人跟踪。
在步骤S107的具体实现中，可以遍历所述检测列表，对某一行人匹配对应的匹配跟踪器，若匹配到，则将匹配结果插入到预设的匹配列表中，否则根据该行人的当前位置新建一个对应的跟踪器，并插入到跟踪器列表中。所述匹配列表中的匹配结果是按照距离由小到大进行排序的。按顺序遍历已排序的匹配列表，若匹配列表不为空，则针对匹配列表中每一个匹配结果，若其对应的匹配跟踪器尚未被进行测量更新，则使用此行人的当前位置对这一匹配跟踪器进行卡尔曼滤波测量阶段的更新以及测量时间的更新，并在匹配列表中删除此匹配；若其对应的匹配跟踪器已被进行测量更新，则直接将此匹配结果从匹配列表中删除，并针对此行人查找在距离阈值约束内尚未被测量更新的最近的跟踪器，若查找到，则将此匹配结果按序插入到排序的匹配列表中，否则根据该行人的当前位置新建一个对应的跟踪器，并插入到跟踪器列表中。不断重复以上过程，直至匹配列表为空。通过遍历跟踪器列表，即可得到每个跟踪器当前的状态信息，包含对应行人的当前位置与速度，根据对应行人的历史位置和当前位置即可得到其行走轨迹。
需要注意的是，以上所述均为对采集的当前帧激光数据进行行人跟踪的过程，当采集到下一帧及后续各帧的激光数据时，可以重复以上过程，以实现持续的行人跟踪。
综上所述，本申请实施例获取预设的激光雷达采集的激光数据；对所述激光数据进行检测，得到检测列表，所述检测列表中包括从所述激光数据中检测出的各个行人的当前位置；对预设的跟踪器列表中的各个跟踪器进行预测更新，得到预测更新后的跟踪器列表，其中，每个跟踪器均用于记录对应行人的历史位置；将所述检测列表与所述预测更新后的跟踪器列表进行匹配，根据匹配结果对所述预测更新后的跟踪器列表中的各个跟踪器进行测量更新，得到各个行人的行走轨迹。相较于传统的机器学习方法，无需收集大量训练数据，避免了因数据不完备可能导致的过拟合问题，具有较高的稳定性。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的一种行人跟踪方法，图6示出了本申请实施例提供的一种行人跟踪装置的一个实施例结构图。
本实施例中，一种行人跟踪装置可以包括：
激光数据获取模块601，用于获取预设的激光雷达采集的激光数据；
特征检测模块602，用于对所述激光数据进行垂直边缘特征检测，得到特征向量，所述特征向量中包括从所述激光数据中检测出的各个垂直边缘特征；
模式匹配模块603，用于使用预设的模式匹配模板在所述特征向量中进行搜索匹配，得到与所述模式匹配模板对应的第一激光聚簇；
约束检查模块604，用于对所述第一激光聚簇进行距离约束检查，得到满足预设的距离约束条件的第二激光聚簇；
位置计算模块605，用于根据所述第二激光聚簇计算各个行人的当前位置，并形成检测列表；
预测更新模块606，用于对预设的跟踪器列表中的各个跟踪器进行预测更新，得到预测更新后的跟踪器列表，其中，每个跟踪器均用于记录对应行人的历史位置；
跟踪匹配模块607，用于将所述检测列表与所述预测更新后的跟踪器列表进行匹配，根据匹配结果对所述预测更新后的跟踪器列表中的各个跟踪器进行测量更新，得到各个行人的行走轨迹。
进一步地，所述特征检测模块可以包括：
距离向量提取单元，用于从所述激光数据中提取距离向量，所述距离向量中包括各个激光数据点与所述激光雷达之间的距离值；
距离差值计算单元，用于根据所述距离向量依次计算各组相邻激光数据点之间的距离差值；
特征检测单元，用于根据所述距离差值进行垂直边缘特征检测，得到所述特征向量。
进一步地，所述模式匹配模块可以包括：
第一模式匹配单元，用于使用预设的两腿站立模式匹配模板在所述特征向量中进行搜索匹配，得到与所述两腿站立模式匹配模板对应的第一激光聚簇；
第二模式匹配单元，用于使用预设的跨步行走模式匹配模板在所述特征向量中进行搜索匹配，得到与所述跨步行走模式匹配模板对应的第一激光聚簇；
第三模式匹配单元，用于使用预设的双腿并拢模式匹配模板在所述特征向量中进行搜索匹配，得到与所述双腿并拢模式匹配模板对应的第一激光聚簇。
进一步地，所述跟踪匹配模块可以包括：
距离计算单元，用于计算所述检测列表中的第p个行人的当前位置与所述预测更新后的跟踪器列表中的各个跟踪器之间的距离，1≤p≤PN，PN为所述检测列表中的行人总数；
跟踪器匹配单元，用于在所述预测更新后的跟踪器列表中查找匹配跟踪器，所述匹配跟踪器为与第p个行人的当前位置的距离最近且小于预设的距离阈值的跟踪器。
进一步地，所述行人跟踪装置还可以包括：
测量更新模块，用于对所述预测更新后的跟踪器列表中的各个跟踪器进行测量更新，得到测量更新后的跟踪器列表。
进一步地，所述行人跟踪装置还可以包括：
时刻获取模块，用于获取所述激光数据的采集时刻以及各个跟踪器的测量更新时刻；
失效跟踪器删除模块，用于从所述跟踪器列表中删除失效跟踪器，其中，所述激光数据的采集时刻与所述失效跟踪器的测量更新时刻之间的时长大于预设的时长阈值。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置，模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
图7示出了本申请实施例提供的一种机器人的示意框图，为了便于说明，仅示出了与本申请实施例相关的部分。
如图7所示，该实施例的机器人7包括：处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72。所述处理器70执行所述计算机程序72时实现上述各个行人跟踪方法实施例中的步骤，例如图1所示的步骤S101至步骤S107。或者，所述处理器70执行所述计算机程序72时实现上述各装置实施例中各模块/单元的功能，例如图6所示模块601至模块607的功能。
示例性的，所述计算机程序72可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器71中，并由所述处理器70执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序72在所述机器人7中的执行过程。
本领域技术人员可以理解，图7仅仅是机器人7的示例，并不构成对机器人7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述机器人7还可以包括输入输出设备、网络接入设备、总线等。
所述处理器70可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA) 或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器71可以是所述机器人7的内部存储单元，例如机器人7的硬盘或内存。所述存储器71也可以是所述机器人7的外部存储设备，例如所述机器人7上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）等。进一步地，所述存储器71还可以既包括所述机器人7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述机器人7所需的其它程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/机器人和方法，可以通过其它的方式实现。例如，以上所描述的装置/机器人实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种行人跟踪方法，其特征在于，包括：
获取预设的激光雷达采集的激光数据；
对所述激光数据进行垂直边缘特征检测，得到特征向量，所述特征向量中包括从所述激光数据中检测出的各个垂直边缘特征；
使用预设的模式匹配模板在所述特征向量中进行搜索匹配，得到与所述模式匹配模板对应的第一激光聚簇；
对所述第一激光聚簇进行距离约束检查，得到满足预设的距离约束条件的第二激光聚簇；
根据所述第二激光聚簇计算各个行人的当前位置，并形成检测列表；
对预设的跟踪器列表中的各个跟踪器进行预测更新，得到预测更新后的跟踪器列表，其中，每个跟踪器均用于记录对应行人的历史位置；
将所述检测列表与所述预测更新后的跟踪器列表进行匹配，根据匹配结果对所述预测更新后的跟踪器列表中的各个跟踪器进行测量更新，得到各个行人的行走轨迹。
2.根据权利要求1所述的行人跟踪方法，其特征在于，所述对所述激光数据进行垂直边缘特征检测，得到特征向量包括：
从所述激光数据中提取距离向量，所述距离向量中包括各个激光数据点与所述激光雷达之间的距离值；
根据所述距离向量依次计算各组相邻激光数据点之间的距离差值；
根据所述距离差值进行垂直边缘特征检测，得到所述特征向量。
3.根据权利要求1所述的行人跟踪方法，其特征在于，所述使用预设的模式匹配模板在所述特征向量中进行搜索匹配，得到与所述模式匹配模板对应的第一激光聚簇包括：
使用预设的两腿站立模式匹配模板在所述特征向量中进行搜索匹配，得到与所述两腿站立模式匹配模板对应的第一激光聚簇；
使用预设的跨步行走模式匹配模板在所述特征向量中进行搜索匹配，得到与所述跨步行走模式匹配模板对应的第一激光聚簇；
使用预设的双腿并拢模式匹配模板在所述特征向量中进行搜索匹配，得到与所述双腿并拢模式匹配模板对应的第一激光聚簇。
4.根据权利要求1所述的行人跟踪方法，其特征在于，所述将所述检测列表与所述预测更新后的跟踪器列表进行匹配包括：
计算所述检测列表中的第p个行人的当前位置与所述预测更新后的跟踪器列表中的各个跟踪器之间的距离，1≤p≤PN，PN为所述检测列表中的行人总数；
在所述预测更新后的跟踪器列表中查找匹配跟踪器，所述匹配跟踪器为与第p个行人的当前位置的距离最近且小于预设的距离阈值的跟踪器。
5.根据权利要求1至4中任一项所述的行人跟踪方法，其特征在于，在对预设的跟踪器列表中的各个跟踪器进行预测更新之前，还包括：
获取所述激光数据的采集时刻以及各个跟踪器的测量更新时刻；
从所述跟踪器列表中删除失效跟踪器，其中，所述激光数据的采集时刻与所述失效跟踪器的测量更新时刻之间的时长大于预设的时长阈值。
6.一种行人跟踪装置，其特征在于，包括：
激光数据获取模块，用于获取预设的激光雷达采集的激光数据；
特征检测模块，用于对所述激光数据进行垂直边缘特征检测，得到特征向量，所述特征向量中包括从所述激光数据中检测出的各个垂直边缘特征；
模式匹配模块，用于使用预设的模式匹配模板在所述特征向量中进行搜索匹配，得到与所述模式匹配模板对应的第一激光聚簇；
约束检查模块，用于对所述第一激光聚簇进行距离约束检查，得到满足预设的距离约束条件的第二激光聚簇；
位置计算模块，用于根据所述第二激光聚簇计算各个行人的当前位置，并形成检测列表；
预测更新模块，用于对预设的跟踪器列表中的各个跟踪器进行预测更新，得到预测更新后的跟踪器列表，其中，每个跟踪器均用于记录对应行人的历史位置；
跟踪匹配模块，用于将所述检测列表与所述预测更新后的跟踪器列表进行匹配，根据匹配结果对所述预测更新后的跟踪器列表中的各个跟踪器进行测量更新，得到各个行人的行走轨迹。
7.根据权利要求6所述的行人跟踪装置，其特征在于，所述特征检测模块包括：
距离向量提取单元，用于从所述激光数据中提取距离向量，所述距离向量中包括各个激光数据点与所述激光雷达之间的距离值；
距离差值计算单元，用于根据所述距离向量依次计算各组相邻激光数据点之间的距离差值；
特征检测单元，用于根据所述距离差值进行垂直边缘特征检测，得到所述特征向量。
8.根据权利要求6或7所述的行人跟踪装置，其特征在于，所述跟踪匹配模块包括：
距离计算单元，用于计算所述检测列表中的第p个行人的当前位置与所述预测更新后的跟踪器列表中的各个跟踪器之间的距离，1≤p≤PN，PN为所述检测列表中的行人总数；
跟踪器匹配单元，用于在所述预测更新后的跟踪器列表中查找匹配跟踪器，所述匹配跟踪器为与第p个行人的当前位置的距离最近且小于预设的距离阈值的跟踪器。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的行人跟踪方法的步骤。
10.一种机器人，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的行人跟踪方法的步骤。
CN201911126501.3A 2019-11-18 2019-11-18 一种行人跟踪方法、装置、计算机可读存储介质及机器人 Pending CN110609561A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911126501.3A CN110609561A (zh) 2019-11-18 2019-11-18 一种行人跟踪方法、装置、计算机可读存储介质及机器人

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911126501.3A CN110609561A (zh) 2019-11-18 2019-11-18 一种行人跟踪方法、装置、计算机可读存储介质及机器人

Publications (1)

Publication Number Publication Date
CN110609561A true CN110609561A (zh) 2019-12-24

Family

ID=68895837

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911126501.3A Pending CN110609561A (zh) 2019-11-18 2019-11-18 一种行人跟踪方法、装置、计算机可读存储介质及机器人

Country Status (1)

Country Link
CN (1) CN110609561A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112750305A (zh) * 2020-12-29 2021-05-04 江苏航天大为科技股份有限公司 一种基于雷达检测的车辆连续跟踪方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012073683A (ja) * 2010-09-27 2012-04-12 Fujitsu Ltd 人物検出装置、人物検出方法及びプログラム
CN104268598A (zh) * 2014-09-26 2015-01-07 东南大学 一种基于二维扫描激光的人腿检测方法
CN107272680A (zh) * 2017-06-16 2017-10-20 华南理工大学 一种基于ros机器人操作系统的机器人自动跟随方法
US20180136333A1 (en) * 2016-10-17 2018-05-17 Funai Electric Co., Ltd. Laser device
CN108345004A (zh) * 2018-02-09 2018-07-31 弗徕威智能机器人科技（上海）有限公司 一种移动机器人的人体跟随方法
CN108762309A (zh) * 2018-05-03 2018-11-06 浙江工业大学 一种基于假设卡尔曼滤波的人体目标跟随方法
CN109947119A (zh) * 2019-04-23 2019-06-28 东北大学 一种基于多传感器融合的移动机器人自主跟随系统及方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012073683A (ja) * 2010-09-27 2012-04-12 Fujitsu Ltd 人物検出装置、人物検出方法及びプログラム
CN104268598A (zh) * 2014-09-26 2015-01-07 东南大学 一种基于二维扫描激光的人腿检测方法
US20180136333A1 (en) * 2016-10-17 2018-05-17 Funai Electric Co., Ltd. Laser device
CN107272680A (zh) * 2017-06-16 2017-10-20 华南理工大学 一种基于ros机器人操作系统的机器人自动跟随方法
CN108345004A (zh) * 2018-02-09 2018-07-31 弗徕威智能机器人科技（上海）有限公司 一种移动机器人的人体跟随方法
CN108762309A (zh) * 2018-05-03 2018-11-06 浙江工业大学 一种基于假设卡尔曼滤波的人体目标跟随方法
CN109947119A (zh) * 2019-04-23 2019-06-28 东北大学 一种基于多传感器融合的移动机器人自主跟随系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
NICOLA BELLOTTO ET AL: "Multisensor-Based Human Detection and Tracking for Mobile Service Robots", 《IEEE TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS, PART B：CYBERNETICS》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112750305A (zh) * 2020-12-29 2021-05-04 江苏航天大为科技股份有限公司 一种基于雷达检测的车辆连续跟踪方法

Similar Documents

Publication Publication Date Title
EP3506158B1 (en) Method and apparatus for determining lane line on road
Ukhwah et al. Asphalt pavement pothole detection using deep learning method based on YOLO neural network
CN111612841B (zh) 目标定位方法及装置、移动机器人及可读存储介质
CN111113422B (zh) 机器人定位方法、装置、计算机可读存储介质及机器人
CN115063454B (zh) 多目标跟踪匹配方法、装置、终端及存储介质
CN104021289A (zh) 一种非高斯非稳态噪声建模方法
CN112200231A (zh) 一种危险品车辆识别方法、系统、装置及介质
CN112991389A (zh) 一种目标跟踪方法、装置及移动机器人
CN112487861A (zh) 车道线识别方法、装置、计算设备及计算机存储介质
CN111199198B (zh) 一种图像目标定位方法、图像目标定位装置及移动机器人
CN113902782A (zh) 一种挖掘机周边障碍物三维点云的快速配准方法及系统
CN115372995A (zh) 一种基于欧式聚类的激光雷达目标检测方法及系统
CN108693517B (zh) 车辆定位方法、装置和雷达
CN114296095A (zh) 自动驾驶车辆的有效目标提取方法、装置、车辆及介质
CN110609561A (zh) 一种行人跟踪方法、装置、计算机可读存储介质及机器人
CN112097772B (zh) 机器人及其地图构建方法和装置
CN111027601B (zh) 一种基于激光传感器的平面检测方法、装置
CN112212851B (zh) 一种位姿确定方法、装置、存储介质及移动机器人
CN116819561A (zh) 一种点云数据匹配方法、系统、电子设备及存储介质
CN111179218A (zh) 传送带物料检测方法、装置、存储介质及终端设备
CN109788431B (zh) 一种基于相邻节点组的蓝牙定位方法、装置、设备和系统
CN109831737B (zh) 一种基于置信度的蓝牙定位方法、装置、设备和系统
CN113589288A (zh) 基于毫米波雷达的目标筛选方法、装置、设备及存储介质
CN108917768B (zh) 无人机定位导航方法和系统
CN116664658B (zh) 一种障碍物检测方法、装置及终端设备

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20191224

RJ01 Rejection of invention patent application after publication