CN110674705B - 基于多线激光雷达的小型障碍物检测方法及装置 - Google Patents
基于多线激光雷达的小型障碍物检测方法及装置 Download PDFInfo
- Publication number
- CN110674705B CN110674705B CN201910836883.2A CN201910836883A CN110674705B CN 110674705 B CN110674705 B CN 110674705B CN 201910836883 A CN201910836883 A CN 201910836883A CN 110674705 B CN110674705 B CN 110674705B
- Authority
- CN
- China
- Prior art keywords
- point clouds
- small
- point cloud
- obstacle
- 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 abstract description 55
- 230000009191 jumping Effects 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims description 58
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000007499 fusion processing Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 description 7
- 230000004888 barrier function Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000000523 sample Substances 0.000 description 4
- 230000001788 irregular Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241001417527 Pempheridae Species 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Optical Radar Systems And Details Thereof (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于多线激光雷达的小型障碍物检测方法，包括：获取当前帧中，多线激光雷达的点云信息；获取第一数量个地面点云中，径向梯度的绝对值大于预设的梯度阈值的地面点云，得到第二数量个小型障碍物边缘点云；从第一数量个地面点云中获取正向跳变点云和负向跳变点云之间的点云，得到第三数量个小型障碍物点云；正向跳变点云和负向跳变点云分别为第二数量个小型障碍物边缘点云中径向梯度为正的点云及径向梯度为负的点云；根据当前帧对应的第三数量个小型障碍物点云，以及当前之前的n帧小型障碍物点云，判断是否存在误检；当没有误检时，输出第三数量个小型障碍物点云。由此，实现了对小型障碍物的检测，提高了障碍物检测精度。
Description
技术领域
本发明涉及自动驾驶领域，尤其涉及基于多线激光雷达的小型障碍物检测方法及装置。
背景技术
近年来智能驾驶技术的飞速发展，环境感知是智能驾驶系统中的重要组成部分，障碍物检测功能是环境感知系统中的基本功能，障碍物类型不仅包括行人、车辆、自行车等常见的障碍物，还包括手推车、隔离桩、锥形桶等异形的障碍物，这类异形的障碍物同样会对自动驾驶车辆的安全性产生威胁。因此本发明的主要目的是实现一种对于异形障碍物的检测算法，尤其是小型的异形障碍物的检测算法。
目前已经有大量关于障碍物检测算法的研究成果，当前障碍物检测算法采用的传感器包括激光雷达、摄像头、深度摄像头、双目摄像头等等。这类检测算法主要是针对行人、车辆、自行车，这些障碍物的尺寸远远大于小型障碍物。而在自动驾驶车辆行驶过程中，锥形桶、隔离桩之类的小型障碍物也会对车辆安全行驶造成威胁。且这类小型障碍物没有明确的形状、外观和尺寸，因此很难通过监督学习的方法检测此类障碍物。
现有技术一采用一种图的形式表示激光雷达点云，并分割出点云中的地面点和障碍物点，这类方法利用了障碍物点云的曲率特性，将相邻曲率为凸的点云聚类为同一类障碍物，同时将表面法向量向上的点云标记为地面点。该方法能够稳定分割出大部分地面点，但是该方法适用于线束密集的激光雷达，线束密集的激光雷达，低线束的激光雷达由于点云比较稀疏，无法有效计算相邻点的法向量，因此该方法也无法有效检测小型障碍物。
现有技术二采用了一种快速点云分割的方法，将点云分割分为两步，局部地面点测量和快速地面标注。首先将点云投影到扇形栅格中，计算每个栅格中高度最低的点云作为栅格的高度，根据栅格的高度和直线拟合的方法，过滤掉起伏较大的点，从而计算出地面的高度，将高于地面的高度均作为障碍物点云，接近地面高度的点云作为地面点。该方法能够快速获取出地面点和障碍物点云，且算法不要求点云为结构化点云，因此适用范围较广，但是该方法无法有效获取小型障碍物的点，因为地面上高度较低的障碍物点云，高度与地面点云非常相似。
随着深度学习的快速发展，涌现出了许多基于深度学习的障碍物检测方法，现有技术三采用一种高效的全卷积网络，能够有效的获取出地面点云。该方法根据激光雷达点云的三维信息构建3种输入特征图，反射率、点云距离、点云高度，深度学习网络输入上述三维信息后，输出标记后的点云信息，标记处点云的类型为障碍物点云或者地面点云。该方法是一种简单有效的点云分割方法，但是生成网络输入的时候对点云横向角度进行了压缩，小型障碍物在压缩过程中很有可能会消失，因此无法有效检测出小型障碍物点。
发明内容
本发明实施例的目的是提供一种基于多线激光雷达的小型障碍物检测方法及装置，以解决现有技术中的无法有效检测小型障碍物的问题。
为解决上述问题，第一方面，本发明提供了一种基于多线激光雷达的小型障碍物检测方法，所述方法包括：
获取当前帧中，多线激光雷达的点云信息；
从所述点云信息中获取第一数量个地面点云；
获取第一数量个地面点云中，径向梯度的绝对值大于预设的梯度阈值的地面点云，得到第二数量个小型障碍物边缘点云；所述第一数量大于所述第二数量；
根据所述第二数量个小型障碍物边缘点云，从所述第一数量个地面点云中获取正向跳变点云和负向跳变点云之间的点云，得到第三数量个小型障碍物点云；所述正向跳变点云和负向跳变点云分别为第二数量个小型障碍物边缘点云中径向梯度为正的点云及径向梯度为负的点云；所述第一数量大于所述第三数量；
根据当前帧对应的第三数量个小型障碍物点云，以及当前之前的n帧小型障碍物点云，判断是否存在误检；n为不小于2的整数；
当没有误检时，输出当前帧对应的第三数量个小型障碍物点云。
在一种可能的实现方式中，所述从所述点云信息中获取第一数量个地面点云，具体包括：
根据KD树、点云的排序或者点云间的距离，确定当前点云的多个相邻点云；
计算当前点云与多个相邻点云的距离；
根据所述距离，计算当前点云的平滑度；
根据当前点云与多个相邻点云构成的平面，计算当前点云的法向量；
当所述平滑度大于预设的平滑度阈值，且法向量竖直向上时，确定当前点云为地面点云。
在一种可能的实现方式中，所述从所述点云信息中获取第一数量个地面点云，具体包括：
根据深度学习算法的点云分割方法，从点云信息中获取第一数量个地面点云。
在一种可能的实现方式中，根据公式
计算径向梯度；
其中，r为多线激光雷达中每一线激光雷达的ID，i为地面点云的顺序号，
为第r个激光雷达中第i个地面点云的径向梯度，
和
分别为点云三维空间坐标x和y分量，k＝{2，2，2，2，2，0，-2，-2，-2，-2，-2}。
在一种可能的实现方式中，所述根据所述第二数量个小型障碍物边缘点云，从所述第一数量个地面点云中获取正向跳变点云和负向跳变点云之间的点云，得到第三数量个小型障碍物点云之后，还包括：
根据所述第二数量个小型障碍物边缘点云和所述第三数量个小型障碍物点云，确定小型障碍物所在的第一区域；
计算所述第一区域的面积；
计算所述第三数量个小型障碍物点云的平均高度；
当所述第一区域的面积不大于预设的面积阈值，且所述平均高度大于预设的高度阈值时，确定所述第三数量个小型障碍物点云为小型障碍物内的点云。
在一种可能的实现方式中，所述计算所述第三数量个小型障碍物点云的平均高度之后，所述方法还包括：
根据所述第一区域，获取与所述第一区域相邻的第二区域；所述第二区域为非小型障碍物所在的区域；
计算所述第二区域内的点云的高度，并将所述第二区域内的点云的高度作为高度阈值。
在一种可能的实现方式中，所述根据当前帧对应的第三数量个小型障碍物点云，以及当前之前的n帧小型障碍物点云，判断是否存在误检，具体包括：
当当前之前的n帧中，存在小型障碍物点云的帧的数量大于预设的第一帧值时，判定不存在误检；或者，
当当前之前的n帧中，连续存在小型障碍物点云的帧的数量大于预设的第二帧值时，判定不存在误检。
在一种可能的实现方式中，所述方法之后还包括：
根据所述第三数量个小型障碍物点云，以及当前之前的n帧中的小型障碍物点云进行融合处理，得到目标小型障碍物点云。
第二方面，本发明提供了一种基于多线激光雷达的小型障碍物检测装置，所述装置包括：
获取单元，所述获取单元用于获取当前帧中，多线激光雷达的点云信息；
所述获取单元还用于，从所述点云信息中获取第一数量个地面点云；
所述获取单元还用于，获取第一数量个地面点云中，径向梯度的绝对值大于预设的梯度阈值的地面点云，得到第二数量个小型障碍物边缘点云；所述第一数量大于所述第二数量；
所述获取单元还用于，根据所述第二数量个小型障碍物边缘点云，从所述第一数量个地面点云中获取正向跳变点云和负向跳变点云之间的点云，得到第三数量个小型障碍物点云；所述正向跳变点云和负向跳变点云分别为第二数量个小型障碍物边缘点云中径向梯度为正的点云及径向梯度为负的点云；所述第一数量大于所述第三数量；
判断单元，所述判断单元用于根据当前帧对应的第三数量个小型障碍物点云，以及当前之前的n帧小型障碍物点云，判断是否存在误检；n为不小于2的整数；
输出单元，所述输出单元用于当没有误检时，输出当前帧对应的第三数量个小型障碍物点云。
第三方面，本发明提供了一种设备，包括存储器和处理器，所述存储器用于存储程序，所述处理器用于执行第一方面任一所述的方法。
第四方面，本发明提供了一种包含指令的计算机程序产品，当所述计算机程序产品在计算机上运行时，使得所述计算机执行如第一方面任一所述的方法。
第五方面，本发明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上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面任一所述的方法。
通过应用本发明实施例提供的基于多线激光雷达的小型障碍物检测方法及装置，可以实现以下技术效果：
(1)能够检测出路面点上会对车辆安全行驶产生威胁的障碍物，保证了自动驾驶系统的安全性；
(2)补充了传统障碍物检测算方法的检测范围，实现了对小型障碍物的检测，从而从整体上提高了障碍物的检测精度；
(3)能够扩充自动驾驶系统运行的环境，从封闭道路可以扩充到复杂场景。
附图说明
图1为本发明实施例一提供的基于多线激光雷达的小型障碍物检测方法流程图；
图2为本发明实施例一提供的多线激光雷达线束分布后视图；
图3为本发明实施例一提供的多线激光雷达投影到地面点俯视图；
图4A为本发明实施例一提供的多线激光雷达投影到小型障碍物的右视图；
图4B为本发明实施例一提供的多线激光雷达投影到小型障碍物的俯视图；
图5为本发明实施例二提供的基于多线激光雷达的小型障碍物检测装置结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请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申请。
图1为本发明实施例一提供的基于多线激光雷达的小型障碍物检测方法流程图，该方法可以应用在安装有多线激光雷达的无人驾驶车辆或者机器人中，下面以将该方法应用在无人驾驶车辆中为例进行说明。当将该方法应用在无人驾驶车辆中时，该方法的执行主体为车辆的处理器。如图1所示，该方法包括以下步骤：
步骤101，获取当前帧中，多线激光雷达的点云信息。
具体的，参见图2，多线激光雷达具有垂直排布的多个激光探头，激光探头之间在垂直方向上角度均匀分布，激光探头采用飞行时间(time of fly，ToF)技术测量距离信息,激光雷达在运行过程中绕垂直轴高速旋转，旋转时每个探头按照一定顺序高频测量环境信息。雷达旋转一圈，即可采集一圈周围的环境数据，周围的环境信息以离散稀疏的三维空间坐标的形式提供，称为激光点云信息。
如图3所示，多线激光雷达点云投射到平面上的点云，从俯视角度观察，理论上是一圈完整的圆。
在该步骤中，点云信息可以是基于激光坐标系的，也可以根据车辆与激光雷达的安装位置，得到车辆坐标系下的点云信息，还可以是经过一定的转换，转换为全球坐标系的点云信息，本申请对此并不限定。
步骤102，从点云信息中获取第一数量个地面点云。
具体的，由于小型障碍物本身存在的“小”的特定，因此，在现有技术中，大部分小障碍物点被误检为地面点。因此，需要提取出地面点，并对地面点进行进一步的处理，以便于后续检测出小型障碍物。
本申请中，可以通过多个方法获取到地面点云。
在一个示例中，首先，可以根据KD树、点云的排序或者点云间的距离，确定当前点云的多个相邻点云；然后，计算当前点云与多个相邻点云的距离；接着，根据距离，计算当前点云的平滑度；接着，根据当前点云与多个相邻点云构成的平面，计算当前点云的法向量；最后，当平滑度大于预设的平滑度阈值，说明比较平滑，且法向量竖直向上时，确定当前点云为地面点云。
其中，每线激光雷达的点云，都是按照顺序排列的，可以取前后两个相邻的点云，作为当前点云的相邻点云。
在另一个示例中，可以根据深度学习算法的点云分割方法，从点云信息中获取第一数量个地面点云。比如，可以根据点云分类/分割深度学习框架PointNet，提取地面点云，具体的处理步骤此处不再赘述。
步骤103，获取第一数量个地面点云中，径向梯度的绝对值大于预设的梯度阈值的地面点云，得到第二数量个小型障碍物边缘点云；第一数量大于第二数量。
具体的，参见图4A和图4B，可以计算多线激光雷达中，每线激光雷达上相邻两点云的径向距离跳变，即径向梯度，由小型障碍物的点云特征可以知道，小型障碍物边缘点的径向跳变较大，由此，可以根据计算出的径向梯度，得到小型障碍物边缘点云。
其中，可以根据公式
计算径向梯度；
其中，r为多线激光雷达中每一线激光雷达的ID，比如，当为16线激光雷达时，r＝{O，1，2，3，4，5，6，7，8，9，1O，11，12，13，14，15}。i为地面点云的顺序号，
为第r个激光雷达中第i个地面点云的径向梯度，
和
分别为点云三维空间坐标x和y分量，k＝{2，2，2，2，2，0，-2，-2，-2，-2，-2}。
步骤104，根据第二数量个小型障碍物边缘点云，从第一数量个地面点云中获取正向跳变点云和负向跳变点云之间的点云，得到第三数量个小型障碍物点云；正向跳变点云和负向跳变点云分别为第二数量个小型障碍物边缘点云中径向梯度为正的点云及径向梯度为负的点云；第一数量大于第三数量。
具体的，继续接上一步骤，搜索上一步中提取的径向跳变较大的点云，提取出正向跳变点云和负向跳变点云之间的点云，作为潜在的小型障碍物点云。
后续，可以计算提取出的潜在小型障碍物点云的平均高度和面积，如果平均高度大于附近的地面，且面积较小，则认为这些潜在小型障碍物点云为小型障碍物内的点云。
具体的，首先，根据第二数量个小型障碍物边缘点云和第三数量个小型障碍物点云，确定小型障碍物所在的第一区域；然后，计算第一区域的面积；接着，计算第三数量个小型障碍物点云的平均高度；最后，当第一区域的面积不大于预设的面积阈值，且平均高度大于预设的高度阈值时，确定第三数量个小型障碍物点云为小型障碍物内的点云。
其中，可以根据第一区域，获取与第一区域相邻的第二区域；第二区域为非小型障碍物所在的区域；计算第二区域内的点云的高度，并将第二区域内的点云的高度作为高度阈值。第二区域的面积可以与第一区域近似，本申请对此并不限定。
步骤105，根据当前帧对应的第三数量个小型障碍物点云，以及当前之前的n帧小型障碍物点云，判断是否存在误检；n为不小于2的整数。
具体的，示例而非限定，可以根据下述方法进行判断：
在一个示例中，当当前之前的n帧中，存在小型障碍物点云的帧的数量大于预设的第一帧值时，判定不存在误检。比如，n为5，当5帧中有3帧存在小型障碍物点云时，即可判定不存在误检，当5帧中，只有1帧或2帧存在小型障碍物点云时，即可判定误检。
在另一个示例中，当当前之前的n帧中，连续存在小型障碍物点云的帧的数量大于预设的第二帧值时，判定不存在误检。比如，n为6，当6帧中，连续4帧存在小型障碍物点云时，即可判定不存在误检，当6帧中，只有连续的2帧存在小型障碍物点云时，即可判定误检。
步骤106，当没有误检时，输出当前帧对应的第三数量个小型障碍物点云。
其中，当不存在误检时，即可输出当前帧对应的第三数量个小型障碍物点云，随后，无人驾驶车辆的处理器根据第三数量个小型障碍物点云，结合车辆的类型，进行决策。
比如，当为清扫车时，可以根据第三数量个小型障碍物点云，判断该小型障碍物是否是垃圾，当为垃圾时，进行清扫，当并非垃圾时，判断是绕行还是跨过该小型障碍物行走等。
当为物流车时，判断是绕行还是跨过该小型障碍物行走等。
进一步的，在步骤106之后还包括：根据第三数量个小型障碍物点云，以及当前之前的n帧中的小型障碍物点云进行融合处理，得到目标小型障碍物点云。
具体的，车辆的处理器可以在检测到小型障碍物时，将当前帧的第三数量个小型障碍物点云发送给服务器，服务器可以将当前之前的小型障碍物点云和当前帧的小型障碍物点云进行融合处理，以更精确的判断该障碍物的类别，比如，是固定的小型障碍物或者移动的小型障碍物等，从而便于后续的处理，比如，地图标定等工作。
通过应用本发明实施例一提供的基于多线激光雷达的小型障碍物检测方法，可以实现以下技术效果：
(1)能够检测出路面点上会对车辆安全行驶产生威胁的障碍物，保证了自动驾驶系统的安全性；
(2)补充了传统障碍物检测算方法的检测范围，实现了对小型障碍物的检测，从而从整体上提高了障碍物的检测精度；
(3)能够扩充自动驾驶系统运行的环境，从封闭道路可以扩充到复杂场景。
图5为本发明实施例二提供的基于多线激光雷达的小型障碍物检测装置结构示意图，该基于多线激光雷达的小型障碍物检测装置应用在实施例一中的基于多线激光雷达的小型障碍物检测方法中，如图5所示，该基于多线激光雷达的小型障碍物检测装置包括：获取单元501、判断单元502和输出单元503。
获取单元501用于获取当前帧中，多线激光雷达的点云信息。
获取单元501还用于，从点云信息中获取第一数量个地面点云。
获取单元501还用于，获取第一数量个地面点云中，径向梯度的绝对值大于预设的梯度阈值的地面点云，得到第二数量个小型障碍物边缘点云；第一数量大于第二数量。
获取单元501还用于，根据第二数量个小型障碍物边缘点云，从第一数量个地面点云中获取正向跳变点云和负向跳变点云之间的点云，得到第三数量个小型障碍物点云；正向跳变点云和负向跳变点云分别为第二数量个小型障碍物边缘点云中径向梯度为正的点云及径向梯度为负的点云；第一数量大于第三数量。
判断单元502用于根据当前帧对应的第三数量个小型障碍物点云，以及当前之前的n帧小型障碍物点云，判断是否存在误检；n为不小于2的整数。
输出单元503用于当没有误检时，输出当前帧对应的第三数量个小型障碍物点云。
每个单元的具体作用与上述实施例一中描述的类似，此处不再赘述。
本发明实施例三提供了一种设备，包括存储器和处理器，存储器用于存储程序，存储器可通过总线与处理器连接。存储器可以是非易失存储器，例如硬盘驱动器和闪存，存储器中存储有软件程序和设备驱动程序。软件程序能够执行本发明实施例提供的上述方法的各种功能；设备驱动程序可以是网络和接口驱动程序。处理器用于执行软件程序，该软件程序被执行时，能够实现本发明实施例一提供的方法。
本发明实施例四提供了一种包含指令的计算机程序产品，当计算机程序产品在计算机上运行时，使得计算机执行本发明实施例一提供的方法。
本发明实施例五提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现本发明实施例一提供的方法。
专业人员应该还可以进一步意识到，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、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于多线激光雷达的小型障碍物检测方法，其特征在于，所述方法包括：
获取当前帧中，多线激光雷达的点云信息；
从所述点云信息中获取第一数量个地面点云；
获取第一数量个地面点云中，径向梯度的绝对值大于预设的梯度阈值的地面点云，得到第二数量个小型障碍物边缘点云；所述第一数量大于所述第二数量；
根据所述第二数量个小型障碍物边缘点云，从所述第一数量个地面点云中获取正向跳变点云和负向跳变点云之间的点云，得到第三数量个小型障碍物点云；所述正向跳变点云和负向跳变点云分别为第二数量个小型障碍物边缘点云中径向梯度为正的点云及径向梯度为负的点云；所述第一数量大于所述第三数量；
根据当前帧对应的第三数量个小型障碍物点云，以及当前之前的n帧小型障碍物点云，判断是否存在误检；n为不小于2的整数；
当没有误检时，输出当前帧对应的第三数量个小型障碍物点云；
其中，所述根据所述第二数量个小型障碍物边缘点云，从所述第一数量个地面点云中获取正向跳变点云和负向跳变点云之间的点云，得到第三数量个小型障碍物点云之后，还包括：
根据所述第二数量个小型障碍物边缘点云和所述第三数量个小型障碍物点云，确定小型障碍物所在的第一区域；
计算所述第一区域的面积；
计算所述第三数量个小型障碍物点云的平均高度；
当所述第一区域的面积不大于预设的面积阈值，且所述平均高度大于预设的高度阈值时，确定所述第三数量个小型障碍物点云为小型障碍物内的点云。
2.根据权利要求1所述的方法，其特征在于，所述从所述点云信息中获取第一数量个地面点云，具体包括：
根据KD树、点云的排序或者点云间的距离，确定当前点云的多个相邻点云；
计算当前点云与多个相邻点云的距离；
根据所述距离，计算当前点云的平滑度；
根据当前点云与多个相邻点云构成的平面，计算当前点云的法向量；
当所述平滑度大于预设的平滑度阈值，且法向量竖直向上时，确定当前点云为地面点云。
3.根据权利要求1所述的方法，其特征在于，所述从所述点云信息中获取第一数量个地面点云，具体包括：
根据深度学习算法的点云分割方法，从点云信息中获取第一数量个地面点云。
4.根据权利要求1所述的方法，其特征在于，
根据公式
计算径向梯度；
其中，r为多线激光雷达中每一线激光雷达的ID，i为地面点云的顺序号，
为第r个激光雷达中第i个地面点云的径向梯度，
和
分别为点云三维空间坐标x和y分量，k＝{2,2,2,2,2,0,-2,-2,-2,-2,-2}。
5.根据权利要求1所述的方法，其特征在于，所述计算所述第三数量个小型障碍物点云的平均高度之后，所述方法还包括：
根据所述第一区域，获取与所述第一区域相邻的第二区域；所述第二区域为非小型障碍物所在的区域；
计算所述第二区域内的点云的高度，并将所述第二区域内的点云的高度作为高度阈值。
6.根据权利要求1所述的方法，其特征在于，所述根据当前帧对应的第三数量个小型障碍物点云，以及当前之前的n帧小型障碍物点云，判断是否存在误检，具体包括：
当当前之前的n帧中，存在小型障碍物点云的帧的数量大于预设的第一帧值时，判定不存在误检；或者，
当当前之前的n帧中，连续存在小型障碍物点云的帧的数量大于预设的第二帧值时，判定不存在误检。
7.根据权利要求1所述的方法，其特征在于，所述方法之后还包括：
根据所述第三数量个小型障碍物点云，以及当前之前的n帧中的小型障碍物点云进行融合处理，得到目标小型障碍物点云。
8.一种基于多线激光雷达的小型障碍物检测装置，其特征在于，所述装置包括：
获取单元，所述获取单元用于获取当前帧中，多线激光雷达的点云信息；
所述获取单元还用于，从所述点云信息中获取第一数量个地面点云；
所述获取单元还用于，获取第一数量个地面点云中，径向梯度的绝对值大于预设的梯度阈值的地面点云，得到第二数量个小型障碍物边缘点云；所述第一数量大于所述第二数量；
所述获取单元还用于，根据所述第二数量个小型障碍物边缘点云，从所述第一数量个地面点云中获取正向跳变点云和负向跳变点云之间的点云，得到第三数量个小型障碍物点云；所述正向跳变点云和负向跳变点云分别为第二数量个小型障碍物边缘点云中径向梯度为正的点云及径向梯度为负的点云；所述第一数量大于所述第三数量；
判断单元，所述判断单元用于根据当前帧对应的第三数量个小型障碍物点云，以及当前之前的n帧小型障碍物点云，判断是否存在误检；n为不小于2的整数；
输出单元，所述输出单元用于当没有误检时，输出当前帧对应的第三数量个小型障碍物点云。
9.一种设备，其特征在于，所述设备包括存储器和处理器，所述存储器用于存储程序，所述处理器用于执行权利要求1-7任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910836883.2A CN110674705B (zh) | 2019-09-05 | 2019-09-05 | 基于多线激光雷达的小型障碍物检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910836883.2A CN110674705B (zh) | 2019-09-05 | 2019-09-05 | 基于多线激光雷达的小型障碍物检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110674705A CN110674705A (zh) | 2020-01-10 |
| CN110674705B true CN110674705B (zh) | 2022-11-29 |
Family
ID=69076027
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910836883.2A Active CN110674705B (zh) | 2019-09-05 | 2019-09-05 | 基于多线激光雷达的小型障碍物检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110674705B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113109835B (zh) * | 2021-03-16 | 2023-08-18 | 联想(北京)有限公司 | 一种信息处理方法及电子设备 |
| CN113524193B (zh) * | 2021-08-05 | 2022-09-23 | 诺亚机器人科技(上海)有限公司 | 机器人运动空间标记方法、装置、机器人及可存储介质 |
| CN113640826B (zh) * | 2021-08-11 | 2023-10-20 | 山东大学 | 一种基于3d激光点云的障碍物识别方法及系统 |
| CN115728781A (zh) * | 2021-08-25 | 2023-03-03 | 中车株洲电力机车研究所有限公司 | 一种基于激光雷达点云的小障碍物检测方法及装置 |
| CN113706676B (zh) * | 2021-08-26 | 2024-01-16 | 京东鲲鹏(江苏)科技有限公司 | 用于点云数据的模型自监督训练方法和装置 |
| CN114445701B (zh) * | 2021-12-15 | 2023-07-04 | 深圳市速腾聚创科技有限公司 | 对站台障碍物的预警方法及装置、介质及电子设备 |
| CN114779794B (zh) * | 2022-06-21 | 2022-10-11 | 东风悦享科技有限公司 | 基于无人巡逻车系统的台风场景下的街道障碍识别方法 |
| CN115236696B (zh) * | 2022-09-22 | 2022-12-09 | 毫末智行科技有限公司 | 确定障碍物的方法、装置、电子设备及存储介质 |
| CN115356747B (zh) * | 2022-10-19 | 2023-01-24 | 成都朴为科技有限公司 | 一种多线激光雷达障碍物识别方法和装置 |
Family Cites Families (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101419667B (zh) * | 2008-12-15 | 2010-12-08 | 东软集团股份有限公司 | 识别图像中障碍物的方法和装置 |
| KR101762504B1 (ko) * | 2015-08-31 | 2017-07-28 | 고려대학교 산학협력단 | 레이저 거리 센서를 이용한 바닥 장애물 검출 방법 |
| CN105551016B (zh) * | 2015-12-02 | 2019-01-22 | 百度在线网络技术（北京）有限公司 | 一种基于激光点云的路沿识别方法及装置 |
| CN105574869B (zh) * | 2015-12-15 | 2018-08-14 | 中国北方车辆研究所 | 一种基于改进Laplacian边缘检测的线结构光条中心线提取方法 |
| CN106204705B (zh) * | 2016-07-05 | 2018-12-07 | 长安大学 | 一种基于多线激光雷达的3d点云分割方法 |
| CN106530380B (zh) * | 2016-09-20 | 2019-02-26 | 长安大学 | 一种基于三维激光雷达的地面点云分割方法 |
| CN106650640B (zh) * | 2016-12-05 | 2020-03-03 | 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 |
| CN106997049B (zh) * | 2017-03-14 | 2020-07-03 | 奇瑞汽车股份有限公司 | 一种基于激光点云数据的检测障碍物的方法和装置 |
| CN107169464B (zh) * | 2017-05-25 | 2019-04-09 | 中国农业科学院农业资源与农业区划研究所 | 一种基于激光点云的道路边界检测方法 |
| CN109506672B (zh) * | 2017-09-15 | 2023-05-12 | 阿里巴巴（中国）有限公司 | 一种路面标记激光点云的获取方法及装置 |
| TWI652449B (zh) * | 2017-12-11 | 2019-03-01 | 財團法人車輛研究測試中心 | 三維感測器之動態地面偵測方法 |
| CN108427124B (zh) * | 2018-02-02 | 2020-05-12 | 北京智行者科技有限公司 | 一种多线激光雷达地面点分离方法及装置、车辆 |
| CN109001756A (zh) * | 2018-05-04 | 2018-12-14 | 上海交通大学 | 基于嵌入式设备的多线激光雷达障碍物检测系统及方法 |
| CN109188448B (zh) * | 2018-09-07 | 2020-03-06 | 百度在线网络技术（北京）有限公司 | 点云非地面点过滤方法、装置及存储介质 |
| CN109271944B (zh) * | 2018-09-27 | 2021-03-12 | 百度在线网络技术（北京）有限公司 | 障碍物检测方法、装置、电子设备、车辆及存储介质 |
-
2019
- 2019-09-05 CN CN201910836883.2A patent/CN110674705B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110674705A (zh) | 2020-01-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110674705B (zh) | 基于多线激光雷达的小型障碍物检测方法及装置 | |
| 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 | |
| US11885910B2 (en) | Hybrid-view LIDAR-based object detection | |
| US11709058B2 (en) | Path planning method and device and mobile device | |
| Chen et al. | Gaussian-process-based real-time ground segmentation for autonomous land vehicles | |
| JP6664470B2 (ja) | 高精度地図データの処理方法、装置、記憶媒体及び機器 | |
| US9443309B2 (en) | System and method for image based mapping, localization, and pose correction of a vehicle with landmark transform estimation | |
| JP6166294B2 (ja) | 自動運転システム、自動運転の方法及びコンピューティング装置 | |
| CN109521757B (zh) | 静态障碍物识别方法和装置 | |
| EP3293669A1 (en) | Enhanced camera object detection for automated vehicles | |
| US20190310651A1 (en) | Object Detection and Determination of Motion Information Using Curve-Fitting in Autonomous Vehicle Applications | |
| JP5822255B2 (ja) | 対象物識別装置及びプログラム | |
| WO2022188663A1 (zh) | 一种目标检测方法及装置 | |
| KR101822373B1 (ko) | 물체 탐지 장치 및 방법 | |
| CN112781599B (zh) | 确定车辆的位置的方法 | |
| CN110705385B (zh) | 一种障碍物角度的检测方法、装置、设备及介质 | |
| CN112464812A (zh) | 一种基于车辆的凹陷类障碍物检测方法 | |
| Kellner et al. | Road curb detection based on different elevation mapping techniques | |
| Kühnl et al. | Visual ego-vehicle lane assignment using spatial ray features | |
| JP2019179495A (ja) | センサ処理システム、測距システム、移動体、センサ処理方法及びプログラム | |
| CN113189610B (zh) | 地图增强的自动驾驶多目标追踪方法和相关设备 | |
| CN117789160A (zh) | 一种基于聚类优化的多模态融合目标检测方法及系统 | |
| US11651508B1 (en) | Methods and apparatus for depth estimation using stereo cameras in a vehicle system | |
| US20220229186A1 (en) | Object shape detection apparatus and method | |
| CN115236672A (zh) | 障碍物信息生成方法、装置、设备及计算机可读存储介质 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: B4-006, maker Plaza, 338 East Street, Huilongguan town, Changping District, Beijing 100096 Applicant after: Beijing Idriverplus Technology Co.,Ltd. Address before: B4-006, maker Plaza, 338 East Street, Huilongguan town, Changping District, Beijing 100096 Applicant before: Beijing Idriverplus Technology Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |