CN110632617A - 一种激光雷达点云数据处理的方法及装置 - Google Patents
一种激光雷达点云数据处理的方法及装置 Download PDFInfo
- Publication number
- CN110632617A CN110632617A CN201910936168.6A CN201910936168A CN110632617A CN 110632617 A CN110632617 A CN 110632617A CN 201910936168 A CN201910936168 A CN 201910936168A CN 110632617 A CN110632617 A CN 110632617A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- determining
- vehicle
- obstacles
- 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
- 238000003672 processing method Methods 0.000 title description 2
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 238000010586 diagram Methods 0.000 description 20
- 238000004590 computer program Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 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
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
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)
- Traffic Control Systems (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本公开实施例公开了一种激光雷达点云数据处理的方法及装置,所述激光雷达点云数据处理的方法包括获取车辆周围环境中的第一点云数据;从所述第一点云数据中确定ROI区域中的第二点云数据;基于所述第二点云数据,确定所述车辆周围环境中的障碍物的信息。该技术方案有效过滤了激光雷达采集的车辆周围环境中的冗余信息,实现了只需处理对车辆自动驾驶产生影响的点云数据,减少了点云数据的处理量,提高了点云数据的处理效率,从而能够快速识别并跟踪车辆周围环境中的障碍物,为车辆安全稳定的自动驾驶保驾护航。
Description
技术领域
本公开涉及自动驾驶技术领域,具体涉及一种激光雷达点云数据处理的方法及装置。
背景技术
随着自动驾驶技术的发展,一般采用激光雷达系统进行目标物体的检测,其中,激光雷达是利用激光波束的高度穿透性和指向性,实现远程目标物体的探测和定位,即激光雷达通过发射激光波束来探测目标物体的位置,实现对目标物体的距离、方位以及姿态等参量的估计,从而实现远程目标物体的探测、跟踪和识别。由于激光雷达扫描范围大,测距精度高,激光雷达系统目前在城市交通和自动驾驶环境中起到越来越重要的作用。道路上的激光雷达系统可以在大部分环境下进行物体的检测识别与跟踪,对激光雷达点云数据的有效处理能够对当前车辆周围环境和安全状态进行快速判断,从而保障车辆的正常和安全行驶。
激光雷达对于数据的获取可以达到32万点每秒,尤其是线束越多,数据量越大,128线激光雷达会产生几十M/s的数据量。由于激光雷达测程较远,安装在同一车辆的不同雷达之间具有大面积的检测范围重合,且同一障碍物可能被多个激光雷达扫描识别,并且每个雷达对此障碍物均做相同的数据处理,导致数据冗余情况非常严重。过大的冗余数据量增加了计算复杂度,不利于快速识别车身周围环境,无法满足自动驾驶的实时性要求。因此,如何实现激光雷达点云数据的高效处理成为亟待解决的问题。
发明内容
为了解决相关技术中的问题,本公开实施例提供一种激光雷达点云数据处理的方法及装置。
第一方面,本公开实施例中提供了一种激光雷达点云数据处理的方法。
具体地,所述激光雷达点云数据处理的方法,包括:
获取车辆周围环境中的第一点云数据;
从所述第一点云数据中确定ROI区域中的第二点云数据;
基于所述第二点云数据,确定所述车辆周围环境中的障碍物的信息。
可选地,所述从所述第一点云数据中确定ROI区域中的第二点云数据,包括:
确定所述车辆的所述ROI区域;
基于ear clipping算法,确定所述ROI区域中的所述第二点云数据。
可选地,所述基于ear clipping算法,确定所述ROI区域中的所述第二点云数据,包括:
将所述ROI区域划分为系列三角形;
将位于所述系列三角形中的所述第一点云数据确定为所述第二点云数据。
可选地,所述基于所述第二点云数据,确定所述车辆周围环境中的障碍物的信息,包括:
基于所述第二点云数据,确定所述车辆周围环境中的障碍物的所述轮廓信息;
确定所述车辆周围环境中的障碍物的所述方位信息。
可选地,所述基于所述第二点云数据,确定所述车辆周围环境中的障碍物的所述轮廓信息,包括:
基于所述第二点云数据,获取雷达波束的发射点与反射点之间的距离d;
将符合d<d0的所述第二点云数据确定为第三点云数据,其中,d0为无障碍物时所述雷达波束发射点与反射点之间的距离;
基于所述第三点云数据,利用聚类算法确定所述车辆周围环境中的障碍物的所述轮廓信息。
可选地,所述基于所述第三点云数据,利用聚类算法确定所述车辆周围环境中的障碍物的所述轮廓信息,包括:
A:基于所述第三点云数据确定k个数据簇,其中,k≥1;
B:针对所述k个数据簇中的每个数据簇,随机选择一个第三点云数据所在的点作为第i质心,其中,i为当前迭代次数,且1≤i≤T,T为最大迭代次数;
C:计算每个所述第三点云数据与每个所述第i质心的距离;
D:基于所述距离,将所述第三点云数据划分为k个集合;
E:计算所述k个集合的第i+1质心;
F:计算所述第i质心与所述第i+1质心的欧式距离D(i,i+1);
G:当所述欧式距离D(i,i+1)大于预设阈值时,且所述当前迭代次数i<T,令i=i+1,重复执行所述步骤C-F;
H:当所述欧式距离D(i,i+1)小于或等于预设阈值时,或者所述当前迭代次数i≥T时,停止迭代并确定所述车辆周围环境中的障碍物的所述轮廓信息。
可选地,确定所述车辆周围环境中的障碍物的所述方位信息,包括:
以所述车辆为原点建立坐标系;
确定所述第i+1质心在所述坐标系中的坐标;
将所述坐标确定为所述车辆周围环境中的障碍物的所述方位信息。
可选地,所述激光雷达点云数据处理的方法,还包括:
获取所述车辆的自身信息;
将所述车辆周围环境中的障碍物的信息以及所述车辆的自身信息上传至云端。
第二方面,本公开实施例中提供了一种激光雷达点云数据处理的装置。
具体地,所述激光雷达点云数据处理的装置,包括:
获取模块,被配置为获取车辆周围环境中的第一点云数据;
第一确定模块,被配置为从所述第一点云数据中确定ROI区域中的第二点云数据;
第二确定模块,被配置为基于所述第二点云数据,确定所述车辆周围环境中的障碍物的信息。
可选地,所述从所述第一点云数据中确定ROI区域中的第二点云数据,包括:
确定所述车辆的所述ROI区域;
基于ear clipping算法,确定所述ROI区域中的所述第二点云数据。
可选地,所述基于ear clipping算法,确定所述ROI区域中的所述第二点云数据,包括:
将所述ROI区域划分为系列三角形;
将位于所述系列三角形中的所述第一点云数据确定为所述第二点云数据。
可选地,所述基于所述第二点云数据,确定所述车辆周围环境中的障碍物的信息,包括:
基于所述第二点云数据,确定所述车辆周围环境中的障碍物的所述轮廓信息;
确定所述车辆周围环境中的障碍物的所述方位信息。
可选地,所述基于所述第二点云数据,确定所述车辆周围环境中的障碍物的所述轮廓信息,包括:
基于所述第二点云数据,获取雷达波束的发射点与反射点之间的距离d;
将符合d<d0的所述第二点云数据确定为第三点云数据,其中,d0为无障碍物时所述雷达波束发射点与反射点之间的距离;
基于所述第三点云数据,利用聚类算法确定所述车辆周围环境中的障碍物的所述轮廓信息。
可选地,所述基于所述第三点云数据,利用聚类算法确定所述车辆周围环境中的障碍物的所述轮廓信息,包括:
A:基于所述第三点云数据确定k个数据簇,其中,k≥1;
B:针对所述k个数据簇中的每个数据簇,随机选择一个第三点云数据所在的点作为第i质心,其中,i为当前迭代次数,且1≤i≤T,T为最大迭代次数;
C:计算每个所述第三点云数据与每个所述第i质心的距离;
D:基于所述距离,将所述第三点云数据划分为k个集合;
E:计算所述k个集合的第i+1质心;
F:计算所述第i质心与所述第i+1质心的欧式距离D(i,i+1);
G:当所述欧式距离D(i,i+1)大于预设阈值时,且所述当前迭代次数i<T,令i=i+1,重复执行所述步骤C-F;
H:当所述欧式距离D(i,i+1)小于或等于预设阈值时,或者所述当前迭代次数i≥T时,停止迭代并确定所述车辆周围环境中的障碍物的所述轮廓信息。
可选地,确定所述车辆周围环境中的障碍物的所述方位信息,包括:
以所述车辆为原点建立坐标系;
确定所述第i+1质心在所述坐标系中的坐标;
将所述坐标确定为所述车辆周围环境中的障碍物的所述方位信息。
可选地,所述激光雷达点云数据处理的装置,还包括:
第二获取模块,被配置为获取所述车辆的自身信息;
上传模块,被配置为将所述车辆周围环境中的障碍物的信息以及所述车辆的自身信息上传至云端。
第三方面,本公开实施例提供了一种电子设备,包括存储器和处理器,其中,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行以实现以下方法步骤:
获取车辆周围环境中的第一点云数据;
从所述第一点云数据中确定ROI区域中的第二点云数据;
基于所述第二点云数据,确定所述车辆周围环境中的障碍物的信息。
第四方面,本公开实施例中提供了一种可读存储介质,其上存储有计算机指令,该计算机指令被处理器执行时实现如第一方面任一项所述的方法。
根据本公开实施例提供的技术方案,通过获取车辆周围环境中的第一点云数据,并基于第一点云数据中确定ROI区域中的第二点云数据,且基于第二点云数据,确定了车辆周围环境中的障碍物的信息,有效过滤了激光雷达采集的车辆周围环境中的冗余信息,实现了只需处理对车辆自动驾驶产生影响的点云数据,减少了点云数据的处理量,提高了点云数据的处理效率,从而能够快速识别并跟踪车辆周围环境中的障碍物,为车辆安全稳定的自动驾驶保驾护航。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
结合附图,通过以下非限制性实施方式的详细描述,本公开的其它特征、目的和优点将变得更加明显。在附图中:
图1示出根据本公开的实施例的激光雷达点云数据处理的方法的流程图;
图2示出根据本公开的实施例的从所述第一点云数据中确定ROI区域中的第二点云数据的流程图;
图3示出根据本公开的实施例的基于ear clipping算法,确定所述ROI区域中的所述第二点云数据的流程图;
图4示出根据本公开的实施例的基于所述第二点云数据,确定所述车辆周围环境中的障碍物的信息的流程图;
图5示出根据本公开的实施例的基于所述第二点云数据,确定所述车辆周围环境中的障碍物的所述轮廓信息的流程图;
图6示出根据本公开的实施例的基于所述第三点云数据,利用聚类算法确定所述车辆周围环境中的障碍物的所述轮廓信息的流程图;
图7示出根据本公开的实施例的确定所述车辆周围环境中的障碍物的所述方位信息的流程图;
图8示出根据本公开的实施例的激光雷达点云数据处理的方法的流程图;
图9示出根据本公开的实施例的激光雷达点云数据处理的装置900的结构框图;
图10示出根据本公开的实施例的电子设备的结构框图;
图11示出适于用来实现根据本公开实施例的激光雷达点云数据处理的方法的计算机系统的结构示意图。
具体实施方式
下文中,将参考附图详细描述本公开的示例性实施例,以使本领域技术人员可容易地实现它们。此外,为了清楚起见,在附图中省略了与描述示例性实施例无关的部分。
在本公开中,应理解,诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在,并且不欲排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。
另外还需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出根据本公开的实施例的激光雷达点云数据处理的方法的流程图。如图1所示,所述激光雷达点云数据处理的方法包括以下步骤S101-S103:
在步骤S101中,获取车辆周围环境中的第一点云数据;
在步骤S102中,从所述第一点云数据中确定ROI区域中的第二点云数据;
在步骤S103中,基于所述第二点云数据,确定所述车辆周围环境中的障碍物的信息。
根据本公开的实施例,为了解车辆所处的环境,可以在车辆上安装信息采集设备,用于采集车辆周围环境信息。例如,信息采集设备可以包括激光雷达、毫米波雷达、摄像头和定位设备等,其中,激光雷达用于对各个方向进行扫描,以获取车辆周围环境的第一点云数据,周围环境包括但不限于道路范围、车道线、绿化带、人、车或障碍物。本公开对激光雷达的数量以及安装位置不做具体限定,可以根据实际需要进行确定。
根据本公开的实施例,为了减少无效数据的处理,可以为每个激光雷达划分ROI区域(感兴趣区域),即根据车辆所处位置,将对车辆的自动驾驶产生影响的区域确定为ROI区域。一部分第一点云数据位于ROI区域之内,另一部分第一点云数据位于ROI区域之外,可以将位于ROI区域中的第一点云数据确定为第二点云数据,即下一步需要处理的点云数据,同时过滤掉位于ROI区域之外的第一点云数据,从而减少了点云数据的处理量,提高了点云数据的处理效率。本公开对确定ROI区域的方法不做具体限定,可以根据实际需要进行选择。例如,可以将ROI区域确定为道路范围,从而有效过滤了道路范围之外的无效点云数据,即忽略了道路范围之外几乎不会对车辆自动驾驶产生影响的障碍物,使得自动驾驶系统只需处理道路范围之内的点云数据。
根据本公开的实施例,可以基于获取的第二点云数据,确定车辆周围环境中的障碍物信息,其中,障碍物包括但不限于人、车和绿化带等,障碍物信息包括但不限于障碍物的种类、大小、形状、位置以及运动数据。通过识别并跟踪车辆周围环境中的障碍物,可以使自动驾驶系统为车辆的自动驾驶做出更安全和可靠的决策。
根据本公开实施例提供的技术方案,通过获取车辆周围环境中的第一点云数据,并基于第一点云数据中确定ROI区域中的第二点云数据,且基于第二点云数据,确定了车辆周围环境中的障碍物的信息,有效过滤了激光雷达采集的车辆周围环境中的冗余信息,实现了只需处理对车辆自动驾驶产生影响的点云数据,减少了点云数据的处理量,提高了点云数据的处理效率,从而能够快速识别并跟踪车辆周围环境中的障碍物,为车辆安全稳定的自动驾驶保驾护航。
图2示出根据本公开的实施例的从所述第一点云数据中确定ROI区域中的第二点云数据的流程图。如图2所示,所述步骤S102,包括以下步骤S201-S202:
在步骤S201中,确定所述车辆的所述ROI区域;
在步骤S202中,基于ear clipping算法,确定所述ROI区域中的所述第二点云数据。
根据本公开的实施例,对车辆自动驾驶有影响的是车辆所处车道前后的障碍物,以及车辆所处车道左右两个车道的障碍物,因此,可以进一步在车道范围内划分ROI区域。可以以车辆所处位置为中心,划分预设范围的区域确定为ROI区域,本公开对ROI区域的形状以及大小不做具体限定。例如,ROI区域可以为规则图形等边六边形,由于常规车道宽度为3米,可以以行驶车辆为中心,将边长为3米的等边六边形确定为车辆的ROI区域。又例如,ROI区域可以为不规则图形九边形,可以以行驶车辆为中心,在车辆周围环境中确定九个点所组成的不规则九边形作为车辆的ROI区域。由于激光雷达获取的第一点云数据的数据量庞大,为了高效地处理点云数据,可以采用ear clipping算法提取ROI区域内的第二点云数据。
图3示出根据本公开的实施例的基于ear clipping算法,确定所述ROI区域中的所述第二点云数据的流程图。如图3所示,所述步骤S202,包括以下步骤S301-S302:
在步骤S301中,将所述ROI区域划分为系列三角形;
在步骤S302中,将位于所述系列三角形中的所述第一点云数据确定为所述第二点云数据。
根据本公开的实施例,Ear Clipping算法用于将一个普通多边形拆解为系列三角形,其中,系列三角形包括一个或多个三角形,且三角形的顶点均来源于原来的普通多边形。可以将ROI区域划分为系列三角形,具体操作方法如下:首先将ROI区域转化为一个或多个多边形,若ROI区域本身为多边形,则不用处理;若ROI区域不为多边形,比如为圆或者是椭圆,可以在圆或者是椭圆中任意选取N个顶点,依次连接上述N个顶点构成N边形,本公开对N的取值不做具体限定,可以根据实际需要进行限定。其次,针对ROI区域中的每一个多边形,多边形的一个顶点和它相邻的两个顶点可组成一个三角形,如果该三角形内部不存在这个多边形的其他顶点,就可以把由该顶点及两个相邻顶点组成的三角形当作一个ear,并沿着两个相邻顶点切下该ear,每切一次就能得到一个三角形和少了一个顶点的一个多边形。重复上述操作,直到该多边形只剩下3个顶点,此时多边形被划分为系列三角形。
根据本公开的实施例,将ROI区域划分为系列三角形之后,一部分第一点云数据位于系列三角形之内,另一部分第一点云数据位于系列三角形之外,可以将位于系列三角形中的第一点云数据确定为第二点云数据,同时过滤掉没有位于系列三角形中的第一点云数据。通过上述ear clipping算法,可以将遍历查找多边形中的点云数据转化成查找系列三角形中的点云数据,降低了遍历查找点云数据的复杂度,提高了提取点云数据的效率。
图4示出根据本公开的实施例的基于所述第二点云数据,确定所述车辆周围环境中的障碍物的信息的流程图。如图4所示,所述步骤S103,包括以下步骤S401-S402:
在步骤S401中,基于所述第二点云数据,确定所述车辆周围环境中的障碍物的所述轮廓信息;
在步骤S402中,确定所述车辆周围环境中的障碍物的所述方位信息。
根据本公开的实施例,当提取了ROI区域中的第二点云数据,即车辆周围环境中对车辆自动驾驶有影响的障碍物的点云数据,可以基于第二点云数据进一步确定车辆周围环境中的障碍物的种类以及位置信息,从而使自动驾驶系统可以规划车辆的自动驾驶路径。可以通过确定障碍物的轮廓信息来判断障碍物的种类,例如,人、车或绿化带等;通过确定障碍物的方位信息来判断障碍物的位置,例如,前方、后方、左方、右方、左上方、右上方、左下方或右下方等。
图5示出根据本公开的实施例的基于所述第二点云数据,确定所述车辆周围环境中的障碍物的所述轮廓信息的流程图。如图5所示,所述步骤S401,包括以下步骤S501-S503:
在步骤S501中,基于所述第二点云数据,获取雷达波束的发射点与反射点之间的距离d;
在步骤S502中,将符合d<d0的所述第二点云数据确定为第三点云数据,其中,d0为无障碍物时所述雷达波束发射点与反射点之间的距离;
在步骤S503中,基于所述第三点云数据,利用聚类算法确定所述车辆周围环境中的障碍物的所述轮廓信息。
根据本公开的实施例,为了有效提取对车辆自动驾驶有影响的障碍物信息,可以过滤掉不代表障碍物的一部分第二点云数据。当无障碍物时,假设激光雷达波束的发射点与反射点之间的距离为d0,测得第i线激光雷达波束的发射点与反射点之间的距离为d,若一部分第二点云数据符合d≥d0,表明第i线激光雷达波束不具有障碍物对激光雷达波束进行反射,可以过滤掉这部分的第二点云数据;若另一部分第二点云数据符合d<d0,表明第i线激光雷达波束具有障碍物对激光雷达波束进行反射,说明在第i线方位具有障碍物对激光雷达波束进行反射,可以将上述部分的点云数据确定为第三点云数据,并基于第三点云数据的密集信息,利用聚类算法确定车辆周围环境中的障碍物的轮廓信息。本实施例中,通过与无障碍物时激光雷达波束的反射距离进行比较,可以过滤掉障碍物距离之外的部分第二点云数据,大大减少了计算量,提高了计算效率,而且可以做到以数据量更少的第三点云数据为基础,进行车辆周围环境中的障碍物检测,从而实现高效的障碍物检测与追踪的技术效果。
图6示出根据本公开的实施例的基于所述第三点云数据,利用聚类算法确定所述车辆周围环境中的障碍物的所述轮廓信息的流程图。如图4所示,所述步骤S503,包括以下步骤S601-S608:
在步骤S601中,基于所述第三点云数据确定k个数据簇,其中,k≥1;
在步骤S602中,针对所述k个数据簇中的每个数据簇,随机选择一个第三点云数据所在的点作为第i质心,其中,i为当前迭代次数,且1≤i≤T,T为最大迭代次数;
在步骤S603中,计算每个所述第三点云数据与每个所述第i质心的距离;
在步骤S604中,基于所述距离,将所述第三点云数据划分为k个集合;
在步骤S605中,计算所述k个集合的第i+1质心;
在步骤S606中,计算所述第i质心与所述第i+1质心的欧式距离D(i,i+1);
在步骤S607中,当所述欧式距离D(i,i+1)大于预设阈值时,且所述当前迭代次数i<T,令i=i+1,重复执行所述步骤C-F;
在步骤S608中,当所述欧式距离D(i,i+1)小于或等于预设阈值时,或者所述当前迭代次数i≥T时,停止迭代并确定所述车辆周围环境中的障碍物的所述轮廓信息。
根据本公开的实施例,可以根据第三点云数据的密集信息,将所有第三点云数据划分为k个数据簇,其中,每个数据簇中包括两个或两个以上的第三点云数据,同一个数据簇中的第三点云数据的相似度较高,不同数据簇中的第三点云数据的差异性较大。本公开对确定k个数据簇的方法不做具体限定,可以根据实际情况进行确定。例如,可以基于第三点云数据之间的距离或者相似性(亲疏性),把越相似或者差异越小的第三点云数据聚成一个簇,从而将所有第三点云数据形成k个数据簇。
根据本公开的实施例,针对k个数据簇中的每个数据簇,由于每个数据簇中包括两个或两个以上的第三点云数据,可以随机选择一个第三点云数据所在的点作为第1质心(i=1),由于一共有k个数据簇,因此,一共有k个第1质心。分别计算每个第三点云数据与k个第1质心的欧式距离,基于上述欧式距离,可以找出最短的欧式距离,并将第三点云数据归于最短的欧式距离所对应的那个第1质心所代表的集合,采用上述同样的操作,可以将所有的第三点云数据重新划分为k个新的集合。例如,第三点云数据A距离k个第1质心的距离分为为:a1、a2、……、ak,其中,a1最小,则可以将第三点云数据A加入到第一个集合中;又例如,第三点云数据B距离k个第1质心的距离分为为:b1、b2、……、bk,其中,b3最小,则可以将第三点云数据B加入到第三个集合中。
根据本公开的实施例,计算上述形成的k个新的集合的质心,形成k个第2质心,并计算k个第1质心与k个第2质心的欧式距离D(1,2)。可以设定一个终止迭代的预设阈值D,所述预设阈值D用于表示前后两次获取的k个集合的质心的位置变化不大,即趋于稳定,本公开对预设阈值D的具体取值不做具体限定,可以根据实际需要进行限定。可以比较D(1,2)与预设阈值D的大小,若D(1,2)>D,表明k个集合的质心的位置还不稳定,将当前迭代次数i进行加1运算,并重复执行上述步骤S603-S606,只到D(i,i+1)小于或等于预设阈值D时,停止迭代,确定此时获取的k个集合以及每个集合中所包括的第三点云数据,并基于每个集合中的第三点云数据确定车辆周围环境中的障碍物的轮廓信息。
根据本公开的实施例,在迭代的过程中,可以设置最大迭代次数T,并比较当前迭代次数i与最大迭代次数T的大小,若当前迭代次数i<T,且欧式距离D(i,i+1)大于预设阈值D时,将当前迭代次数i进行加1运算,并重复执行上述步骤S603-S606,只到当前迭代次数i≥T,或者判断出k个第i质心与k个第i+1质心的欧式距离D(i,i+1)小于或等于预设阈值D,停止迭代,确定车辆周围环境中的障碍物的轮廓信息,并根据障碍物的轮廓信息判断障碍物的种类,例如:人、自行车、摩托车、电瓶车或者绿化带等。例如,最终确定的k个集合中,其中的两个集合为M集合和N集合,假设基于M集合中的第三点云数据可以确定该障碍物代表人,假设基于N集合中的第三点云数据可以确定该障碍物代表自行车。
图7示出根据本公开的实施例的确定所述车辆周围环境中的障碍物的所述方位信息的流程图。如图7所示,所述步骤S402,包括以下步骤S701-S703:
在步骤S701中,以所述车辆为原点建立坐标系;
在步骤S702中,确定所述第i+1质心在所述坐标系中的坐标;
在步骤S703中,将所述坐标确定为所述车辆周围环境中的障碍物的所述方位信息。
根据本公开的实施例,在确定出车辆周围环境中的障碍物的轮廓信息之后,可以进一步确定车辆周围环境中的障碍物的方位信息,具体操作如下:可以以车辆为原点建立坐标系,车辆所在车道的轴线方向为y轴,与车道轴线垂直的方向为x轴,然后基于上述步骤中确定的最终的k个集合的k个质心,分别确定每个质心在坐标系中的坐标,并将该坐标作为该质心所在集合所代表的障碍物的方位信息。如上文实例,假设确定M集合的质心m的坐标为(2,2),表示在车辆右上方处有一位行人,且行人的坐标为(2,2);假设确定N集合的质心n的坐标为(2,-2),表示在车辆右下方处有一辆自行车,且自动车的坐标为(2,-2)。
图8示出根据本公开的实施例的激光雷达点云数据处理的方法的流程图。如图8所示,所述激光雷达点云数据处理的方法包括以下步骤S801–S802:
在步骤S801中,获取所述车辆的自身信息;
在步骤S802中,将所述车辆周围环境中的障碍物的信息以及所述车辆的自身信息上传至云端;
根据本公开的实施例,除了获取车辆周围环境中的障碍物的信息,还可以通过控制器局域网络获取车辆的自身信息,其中,车辆的自身信息包括但不限于当前方向盘转向角、车辆行驶速度或加速度等信息。为了更全面的评估自动驾驶车辆的周围环境和路况信息,增强自动驾驶系统决策的准确度,可以将车辆周围环境中的障碍物的信息以及车辆的自身信息均上传至云端,形成车辆周围环境的全局信息,从而使自动驾驶系统对当前车辆周围环境和安全状态进行判断,保障车辆正常和安全行驶。
图9示出根据本公开的实施例的激光雷达点云数据处理的装置900的结构框图。其中,该装置可以通过软件、硬件或者两者的结合实现成为汽车的部分或者全部。如图9所示,所述激光雷达点云数据处理的装置900包括第一获取模块910、第一确定模块920和第二确定模块930,其中,
所述第一获取模块910,被配置为获取车辆周围环境中的第一点云数据;
所述第一确定模块920,被配置为从所述第一点云数据中确定ROI区域中的第二点云数据;
所述第二确定模块930,被配置为基于所述第二点云数据,确定所述车辆周围环境中的障碍物的信息。
根据本公开的实施例,所述从所述第一点云数据中确定ROI区域中的第二点云数据,包括:
确定所述车辆的所述ROI区域;
基于ear clipping算法,确定所述ROI区域中的所述第二点云数据。
根据本公开的实施例,所述基于ear clipping算法,确定所述ROI区域中的所述第二点云数据,包括:
将所述ROI区域划分为系列三角形;
将位于所述系列三角形中的所述第一点云数据确定为所述第二点云数据。
根据本公开的实施例,所述基于所述第二点云数据,确定所述车辆周围环境中的障碍物的信息,包括:
基于所述第二点云数据,确定所述车辆周围环境中的障碍物的所述轮廓信息;
确定所述车辆周围环境中的障碍物的所述方位信息。
根据本公开的实施例,所述基于所述第二点云数据,确定所述车辆周围环境中的障碍物的所述轮廓信息,包括:
基于所述第二点云数据,获取雷达波束的发射点与反射点之间的距离d;
将符合d<d0的所述第二点云数据确定为第三点云数据,其中,d0为无障碍物时所述雷达波束发射点与反射点之间的距离;
基于所述第三点云数据,利用聚类算法确定所述车辆周围环境中的障碍物的所述轮廓信息。
根据本公开的实施例,所述基于所述第三点云数据,利用聚类算法确定所述车辆周围环境中的障碍物的所述轮廓信息,包括:
A:基于所述第三点云数据确定k个数据簇,其中,k≥1;
B:针对所述k个数据簇中的每个数据簇,随机选择一个第三点云数据所在的点作为第i质心,其中,i为当前迭代次数,且1≤i≤T,T为最大迭代次数;
C:计算每个所述第三点云数据与每个所述第i质心的距离;
D:基于所述距离,将所述第三点云数据划分为k个集合;
E:计算所述k个集合的第i+1质心;
F:计算所述第i质心与所述第i+1质心的欧式距离D(i,i+1);
G:当所述欧式距离D(i,i+1)大于预设阈值时,且所述当前迭代次数i<T,令i=i+1,重复执行所述步骤C-F;
H:当所述欧式距离D(i,i+1)小于或等于预设阈值时,或者所述当前迭代次数i≥T时,停止迭代并确定所述车辆周围环境中的障碍物的所述轮廓信息。
根据本公开的实施例,确定所述车辆周围环境中的障碍物的所述方位信息,包括:
以所述车辆为原点建立坐标系;
确定所述第i+1质心在所述坐标系中的坐标;
将所述坐标确定为所述车辆周围环境中的障碍物的所述方位信息。
根据本公开的实施例,所述激光雷达点云数据处理的装置900,还包括:
第二获取模块940,被配置为获取所述车辆的自身信息;
上传模块950,被配置为将所述车辆周围环境中的障碍物的信息以及所述车辆的自身信息上传至云端。
本公开还公开了一种电子设备,图10示出根据本公开的实施例的电子设备的结构框图。
如图10所示,所述电子设备1000包括存储器1001和处理器1002;其中,
所述存储器1001用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器1002执行以实现以下方法步骤:
获取车辆周围环境中的第一点云数据;
从所述第一点云数据中确定ROI区域中的第二点云数据;
基于所述第二点云数据,确定所述车辆周围环境中的障碍物的信息。
图11示出适于用来实现根据本公开实施例的激光雷达点云数据处理的方法的计算机系统的结构示意图。
如图11所示,计算机系统1100包括中央处理单元(CPU)1101,其可以根据存储在只读存储器(ROM)1102中的程序或者从存储部分1108加载到随机访问存储器(RAM)1103中的程序而执行上述实施例中的各种处理。在RAM1103中,还存储有系统1100操作所需的各种程序和数据。CPU1101、ROM1102以及RAM1103通过总线1104彼此相连。输入/输出(I/O)接口1105也连接至总线1104。
以下部件连接至I/O接口1105:包括键盘、鼠标等的输入部分1106;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1107;包括硬盘等的存储部分1108;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1109。通信部分1109经由诸如因特网的网络执行通信处理。驱动器1110也根据可以连接至I/O接口1105。可拆卸介质1111,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据可以安装在驱动器1110上,以便于从其上读出的计算机程序根据可以被安装入存储部分1108。
特别地,根据本公开的实施例,上文描述的方法可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括有形地包含在机器可读介质上的计算机程序,所述计算机程序包含用于执行上述对象类别确定方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分1109从网络上被下载和安装,和/或从可拆卸介质1111被安装。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元或模块可以通过软件的方式实现,也可以通过可编程硬件的方式来实现。所描述的单元或模块也可以设置在处理器中,这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (9)
1.一种激光雷达点云数据处理的方法,其特征在于,包括:
获取车辆周围环境中的第一点云数据;
从所述第一点云数据中确定ROI区域中的第二点云数据;
基于所述第二点云数据,确定所述车辆周围环境中的障碍物的信息。
2.根据权利要求1所述的方法,其特征在于,所述从所述第一点云数据中确定ROI区域中的第二点云数据,包括:
确定所述车辆的所述ROI区域;
基于ear clipping算法,确定所述ROI区域中的所述第二点云数据。
3.根据权利要求2所述的方法,其特征在于,所述基于ear clipping算法,确定所述ROI区域中的所述第二点云数据,包括:
将所述ROI区域划分为系列三角形;
将位于所述系列三角形中的所述第一点云数据确定为所述第二点云数据。
4.根据权利要求1所述的方法,其特征在于,所述基于所述第二点云数据,确定所述车辆周围环境中的障碍物的信息,包括:
基于所述第二点云数据,确定所述车辆周围环境中的障碍物的所述轮廓信息;
确定所述车辆周围环境中的障碍物的所述方位信息。
5.根据权利要求4所述的方法,其特征在于,所述基于所述第二点云数据,确定所述车辆周围环境中的障碍物的所述轮廓信息,包括:
基于所述第二点云数据,获取雷达波束的发射点与反射点之间的距离d;
将符合d<d0的所述第二点云数据确定为第三点云数据,其中,d0为无障碍物时所述雷达波束发射点与反射点之间的距离;
基于所述第三点云数据,利用聚类算法确定所述车辆周围环境中的障碍物的所述轮廓信息。
6.根据权利要求5所述的方法,其特征在于,所述基于所述第三点云数据,利用聚类算法确定所述车辆周围环境中的障碍物的所述轮廓信息,包括:
A:基于所述第三点云数据确定k个数据簇,其中,k≥1;
B:针对所述k个数据簇中的每个数据簇,随机选择一个第三点云数据所在的点作为第i质心,其中,i为当前迭代次数,且1≤i≤T,T为最大迭代次数;
C:计算每个所述第三点云数据与每个所述第i质心的距离;
D:基于所述距离,将所述第三点云数据划分为k个集合;
E:计算所述k个集合的第i+1质心;
F:计算所述第i质心与所述第i+1质心的欧式距离D(i,i+1);
G:当所述欧式距离D(i,i+1)大于预设阈值时,且所述当前迭代次数i<T,令i=i+1,重复执行所述步骤C-F;
H:当所述欧式距离D(i,i+1)小于或等于预设阈值时,或者所述当前迭代次数i≥T时,停止迭代并确定所述车辆周围环境中的障碍物的所述轮廓信息。
7.根据权利要求6所述的方法,其特征在于,确定所述车辆周围环境中的障碍物的所述方位信息,包括:
以所述车辆为原点建立坐标系;
确定所述第i+1质心在所述坐标系中的坐标;
将所述坐标确定为所述车辆周围环境中的障碍物的所述方位信息。
8.根据权利要求7所述的方法,其特征在于,还包括:
获取所述车辆的自身信息;
将所述车辆周围环境中的障碍物的信息以及所述车辆的自身信息上传至云端。
9.一种激光雷达点云数据处理的装置,其特征在于,包括:
获取模块,被配置为获取车辆周围环境中的第一点云数据;
第一确定模块,被配置为从所述第一点云数据中确定ROI区域中的第二点云数据;
第二确定模块,被配置为基于所述第二点云数据,确定所述车辆周围环境中的障碍物的信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910936168.6A CN110632617B (zh) | 2019-09-29 | 2019-09-29 | 一种激光雷达点云数据处理的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910936168.6A CN110632617B (zh) | 2019-09-29 | 2019-09-29 | 一种激光雷达点云数据处理的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110632617A true CN110632617A (zh) | 2019-12-31 |
CN110632617B CN110632617B (zh) | 2021-11-02 |
Family
ID=68973581
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910936168.6A Active CN110632617B (zh) | 2019-09-29 | 2019-09-29 | 一种激光雷达点云数据处理的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110632617B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111289998A (zh) * | 2020-02-05 | 2020-06-16 | 北京汽车集团有限公司 | 障碍物检测方法、装置、存储介质以及车辆 |
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 |
CN112183381A (zh) * | 2020-09-30 | 2021-01-05 | 深兰人工智能(深圳)有限公司 | 车辆的可行驶区域检测方法和装置 |
CN113138594A (zh) * | 2020-01-20 | 2021-07-20 | 北京四维图新科技股份有限公司 | 自动驾驶方法及装置 |
CN113673423A (zh) * | 2021-08-19 | 2021-11-19 | 丽水学院 | 基于亲疏度矩阵的点云特征提取方法 |
CN113728324A (zh) * | 2020-03-26 | 2021-11-30 | 百度时代网络技术(北京)有限公司 | 基于点云的低高度障碍物检测系统 |
CN114002687A (zh) * | 2020-07-14 | 2022-02-01 | 北醒(北京)光子科技有限公司 | 一种基于激光雷达的探测方法 |
TWI769602B (zh) * | 2020-11-30 | 2022-07-01 | 群邁通訊股份有限公司 | 利用毫米波雷達的人體姿態識別方法及電腦可讀存儲介質 |
WO2023109541A1 (zh) * | 2021-12-15 | 2023-06-22 | 速感科技(北京)有限公司 | 自主移动设备及其控制方法和装置以及存储介质 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010093675A1 (en) * | 2009-02-13 | 2010-08-19 | Harris Corporation | Registration of 3d point cloud data to 2d electro-optical image data |
CN103033805A (zh) * | 2012-12-25 | 2013-04-10 | 西安煤航信息产业有限公司 | 一种机载激光雷达航带间冗余数据自动去除方法 |
US20150313555A1 (en) * | 2014-05-05 | 2015-11-05 | Pacesetter, Inc. | Method and System to Subdivide a Mapping Area for Mechanical Activation Analysis |
CN105469446A (zh) * | 2014-09-05 | 2016-04-06 | 富泰华工业(深圳)有限公司 | 点云网格简化系统及方法 |
CN106127113A (zh) * | 2016-06-15 | 2016-11-16 | 北京联合大学 | 一种基于三维激光雷达的道路车道线检测方法 |
CN106407947A (zh) * | 2016-09-29 | 2017-02-15 | 百度在线网络技术(北京)有限公司 | 用于无人驾驶车辆的目标物体识别方法和装置 |
CN107193011A (zh) * | 2016-03-15 | 2017-09-22 | 山东理工大学 | 一种用于快速计算无人驾驶车感兴趣区域内车辆速度的方法 |
CN107192994A (zh) * | 2016-03-15 | 2017-09-22 | 山东理工大学 | 多线激光雷达海量点云数据快速有效提取及车辆、车道线特征识别方法 |
EP3229041A1 (en) * | 2016-03-30 | 2017-10-11 | Delphi Technologies, Inc. | Object detection using radar and vision defined image detection zone |
CN206691107U (zh) * | 2017-03-08 | 2017-12-01 | 深圳市速腾聚创科技有限公司 | 无人驾驶汽车系统及汽车 |
CN108345008A (zh) * | 2017-01-23 | 2018-07-31 | 郑州宇通客车股份有限公司 | 一种目标物检测方法、点云数据提取方法及装置 |
CN108509972A (zh) * | 2018-01-16 | 2018-09-07 | 天津大学 | 一种基于毫米波和激光雷达的障碍物特征提取方法 |
CN109100741A (zh) * | 2018-06-11 | 2018-12-28 | 长安大学 | 一种基于3d激光雷达及图像数据的目标检测方法 |
CN109410264A (zh) * | 2018-09-29 | 2019-03-01 | 大连理工大学 | 一种基于激光点云与图像融合的前方车辆距离测量方法 |
CN109840448A (zh) * | 2017-11-24 | 2019-06-04 | 百度在线网络技术(北京)有限公司 | 用于无人驾驶车辆的信息输出方法和装置 |
CN112241661A (zh) * | 2019-07-17 | 2021-01-19 | 临沂大学 | 一种结合机载LiDAR点云数据和航空影像的城市地物精细化分类方法 |
-
2019
- 2019-09-29 CN CN201910936168.6A patent/CN110632617B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010093675A1 (en) * | 2009-02-13 | 2010-08-19 | Harris Corporation | Registration of 3d point cloud data to 2d electro-optical image data |
CN103033805A (zh) * | 2012-12-25 | 2013-04-10 | 西安煤航信息产业有限公司 | 一种机载激光雷达航带间冗余数据自动去除方法 |
US20150313555A1 (en) * | 2014-05-05 | 2015-11-05 | Pacesetter, Inc. | Method and System to Subdivide a Mapping Area for Mechanical Activation Analysis |
CN105469446A (zh) * | 2014-09-05 | 2016-04-06 | 富泰华工业(深圳)有限公司 | 点云网格简化系统及方法 |
CN107192994A (zh) * | 2016-03-15 | 2017-09-22 | 山东理工大学 | 多线激光雷达海量点云数据快速有效提取及车辆、车道线特征识别方法 |
CN107193011A (zh) * | 2016-03-15 | 2017-09-22 | 山东理工大学 | 一种用于快速计算无人驾驶车感兴趣区域内车辆速度的方法 |
EP3229041A1 (en) * | 2016-03-30 | 2017-10-11 | Delphi Technologies, Inc. | Object detection using radar and vision defined image detection zone |
CN106127113A (zh) * | 2016-06-15 | 2016-11-16 | 北京联合大学 | 一种基于三维激光雷达的道路车道线检测方法 |
CN106407947A (zh) * | 2016-09-29 | 2017-02-15 | 百度在线网络技术(北京)有限公司 | 用于无人驾驶车辆的目标物体识别方法和装置 |
CN108345008A (zh) * | 2017-01-23 | 2018-07-31 | 郑州宇通客车股份有限公司 | 一种目标物检测方法、点云数据提取方法及装置 |
CN206691107U (zh) * | 2017-03-08 | 2017-12-01 | 深圳市速腾聚创科技有限公司 | 无人驾驶汽车系统及汽车 |
CN109840448A (zh) * | 2017-11-24 | 2019-06-04 | 百度在线网络技术(北京)有限公司 | 用于无人驾驶车辆的信息输出方法和装置 |
CN108509972A (zh) * | 2018-01-16 | 2018-09-07 | 天津大学 | 一种基于毫米波和激光雷达的障碍物特征提取方法 |
CN109100741A (zh) * | 2018-06-11 | 2018-12-28 | 长安大学 | 一种基于3d激光雷达及图像数据的目标检测方法 |
CN109410264A (zh) * | 2018-09-29 | 2019-03-01 | 大连理工大学 | 一种基于激光点云与图像融合的前方车辆距离测量方法 |
CN112241661A (zh) * | 2019-07-17 | 2021-01-19 | 临沂大学 | 一种结合机载LiDAR点云数据和航空影像的城市地物精细化分类方法 |
Non-Patent Citations (12)
Title |
---|
COOPER, OD等: "Augmentation of sparsely populated point clouds using planar intersection", 《PROCEEDINGS OF THE FOURTH IASTED INTERNATIONAL CONFERENCE ON VISUALIZATION IMAGING AND IMAGE PROCESSING》 * |
YANG FEI等: "Real-time dynamic obstacle detection and tracking using 3D Lidar", 《JOURNAL OF ZHEJIANG UNIVERSITY. ENGINEERING SCIENCE》 * |
徐祯琦等: "基于Kinect的物体表面重建方法研究 ", 《中国体视学与图像分析》 * |
时培强: "机载LiDAR点云数据滤波及分类研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
王果: "不同平台激光点云数据面状信息自动提取研究", 《中国博士学位论文全文数据库基础科学辑 》 * |
王柯;等: "激光雷达数据格式解析与可视化", 《北京测绘》 * |
白鑫鹏: "激光雷达点云采集和三维重建软件系统实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
童春芽: "机载LiDAR数据辅助DOM提取建筑物关键技术研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
管海燕: "LiDAR与影像结合的地物分类及房屋重建研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
胡伟: "机载LiDAR数据三维建筑物模型重建方法研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
蔡怀宇 等: "基于优化DBSCAN 算法的激光雷达障碍物检测", 《光电工程》 * |
马一萌: "复杂路况的车道线检测与识别算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113138594A (zh) * | 2020-01-20 | 2021-07-20 | 北京四维图新科技股份有限公司 | 自动驾驶方法及装置 |
CN113138594B (zh) * | 2020-01-20 | 2024-04-19 | 北京四维图新科技股份有限公司 | 自动驾驶方法及装置 |
CN111289998A (zh) * | 2020-02-05 | 2020-06-16 | 北京汽车集团有限公司 | 障碍物检测方法、装置、存储介质以及车辆 |
CN113728324A (zh) * | 2020-03-26 | 2021-11-30 | 百度时代网络技术(北京)有限公司 | 基于点云的低高度障碍物检测系统 |
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 |
CN114002687A (zh) * | 2020-07-14 | 2022-02-01 | 北醒(北京)光子科技有限公司 | 一种基于激光雷达的探测方法 |
CN112183381A (zh) * | 2020-09-30 | 2021-01-05 | 深兰人工智能(深圳)有限公司 | 车辆的可行驶区域检测方法和装置 |
TWI769602B (zh) * | 2020-11-30 | 2022-07-01 | 群邁通訊股份有限公司 | 利用毫米波雷達的人體姿態識別方法及電腦可讀存儲介質 |
CN113673423A (zh) * | 2021-08-19 | 2021-11-19 | 丽水学院 | 基于亲疏度矩阵的点云特征提取方法 |
CN113673423B (zh) * | 2021-08-19 | 2024-07-26 | 丽水学院 | 基于亲疏度矩阵的点云特征提取方法 |
WO2023109541A1 (zh) * | 2021-12-15 | 2023-06-22 | 速感科技(北京)有限公司 | 自主移动设备及其控制方法和装置以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110632617B (zh) | 2021-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110632617B (zh) | 一种激光雷达点云数据处理的方法及装置 | |
CN109927719B (zh) | 一种基于障碍物轨迹预测的辅助驾驶方法和系统 | |
CN109521756B (zh) | 用于无人驾驶车辆的障碍物运动信息生成方法和装置 | |
EP3361278B1 (en) | Autonomous vehicle localization based on walsh kernel projection technique | |
US9563808B2 (en) | Target grouping techniques for object fusion | |
CN113715814B (zh) | 碰撞检测方法、装置、电子设备、介质及自动驾驶车辆 | |
US10229363B2 (en) | Probabilistic inference using weighted-integrals-and-sums-by-hashing for object tracking | |
US10035508B2 (en) | Device for signalling objects to a navigation module of a vehicle equipped with this device | |
JP6571545B2 (ja) | 物体検出装置および物体検出方法 | |
CN110796007B (zh) | 场景识别的方法与计算设备 | |
CN110001659B (zh) | 车辆中的驾驶干预 | |
CN113228040A (zh) | 多级对象行进方向估计 | |
CN108859952B (zh) | 车辆变道预警方法、装置和雷达 | |
CN112580571A (zh) | 车辆行驶的控制方法、装置及电子设备 | |
US11210952B2 (en) | Systems and methods for controlling vehicle traffic | |
CN114442101A (zh) | 基于成像毫米波雷达的车辆导航方法、装置、设备及介质 | |
CN113743171A (zh) | 目标检测方法及装置 | |
GB2556427A (en) | Vehicle with environmental context analysis | |
CN113538917A (zh) | 碰撞预警方法与碰撞预警装置 | |
CN115205803A (zh) | 自动驾驶环境感知方法、介质及车辆 | |
CN114419573A (zh) | 动态占据栅格估计方法及装置 | |
KR20200133122A (ko) | 차량 충돌 방지 장치 및 방법 | |
EP4206610A1 (en) | Map matching method and apparatus, and electronic device and storage medium | |
CN112639822A (zh) | 一种数据处理方法及装置 | |
US11315417B2 (en) | Method, device and system for wrong-way driver 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 |