CN111104908A - 一种道路边沿确定方法及装置 - Google Patents
一种道路边沿确定方法及装置 Download PDFInfo
- Publication number
- CN111104908A CN111104908A CN201911326609.7A CN201911326609A CN111104908A CN 111104908 A CN111104908 A CN 111104908A CN 201911326609 A CN201911326609 A CN 201911326609A CN 111104908 A CN111104908 A CN 111104908A
- Authority
- CN
- China
- Prior art keywords
- ground
- point
- node
- window
- determining
- 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.)
- Withdrawn
Links
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
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
Abstract
本申请公开了一种道路边沿确定方法及装置，在本说明书实施例提供的道路边沿确定方法中，在点云数据的各点中分割出地面点之后，对各地面点进行特征提取，根据特征提的结果确定该地面点是否为道路边沿的候选点。由于本说明书中的方法将地面点的分割和地面点的特征提取相结合，使得本说明书中的方法确定出的道路边沿的精确程度，不依赖于对地面点的分割的精度，即使出现地面点的分割精度较低的情况，后续根据特征提取的结果确定出的道路边沿也能够具有较高的精度。并且，本说明书中的方法在确定地面点的空间特征时，以各地面点在图结构中对应的节点的相对位置关系为依据，能够使得确定出的空间特征更加精确，进而提高确定出的道路边沿的精确度。
Description
技术领域
本说明书涉及无人驾驶技术领域，尤其涉及一种道路边沿确定方法及装置。
背景技术
目前，车辆辅助驾驶以及无人车作为人工智能技术的重要组成部分，在社会生产、生活中的作用日益凸显，成为引导交通技术发展的主要方向之一。
现有技术中，在根据雷达采集的点云数据确定道路边沿时，通常做法是将对应于地面的地面点从点云数据的各点中分割出来，然后根据确定出的地面点生成道路边沿。此种确定道路边沿的方法对地面点的分割精度要求较高，若无法精确地从点云数据的各点中分割出地面点(例如，过分割或欠分割)，将会造成无人车对行驶环境的误判。
然而，实际的使用场景中，地面点的过分割和欠分割的现象是无法避免的。现有的根据雷达采集的点云数据确定道路边沿的方法无法满足实际的使用需求。
发明内容
本说明书实施例提供一种道路边沿确定方法及装置，以至少部分地解决现有技术存在的上述问题。
本说明书实施例采用下述技术方案：
本说明书提供的道路边沿确定方法，所述方法包括：
获取点云数据；
采用预设的建图规则，根据点云数据中各点的空间信息，确定图结构，使得所述点云数据中的每个点均对应于所述图结构中的一个节点，并且，根据所述各点的空间信息，对所述各点进行地面点分割，得到所述各点中的地面点，将所述各节点中对应于所述地面点的节点，作为地面节点；
针对每个地面节点，根据各地面节点在所述图结构中的位置，在各节点中，确定出该地面节点的各邻域节点；
根据该地面节点对应的地面点的空间信息，以及该地面节点的邻域节点的空间信息，对该地面节点对应的地面点进行特征提取，得到该地面点的空间特征；
根据各地面点的空间特征，在各地面点中，确定出道路边沿的候选点；
根据各候选点，确定道路边沿。
可选地，根据各地面节点在所述图结构中的位置，在各节点中，确定出该地面节点的各邻域节点，具体包括：
确定该地面节点的窗口；
将所属于所述窗口的各其他的地面节点，作为该地面节点的邻域节点。
可选地，根据该地面节点对应的地面点的空间信息，以及该地面节点的邻域节点的空间信息，对该地面节点对应的地面点进行特征提取，得到该地面点的空间特征，具体包括：
根据该地面节点所属的窗口中的各地面节点对应的地面点的高度，确定出该窗口中的最高点和最低点之间的高度差，和/或确定出对应于该窗口的各地面点的高度方差；
根据所述高度差和高度方差中的至少之一，确定所述地面点的空间特征。
可选地，根据该地面节点对应的地面点的空间信息，以及该地面节点的邻域节点的空间信息，对该地面节点对应的地面点进行特征提取，得到该地面点的空间特征，具体包括：
根据该地面节点在所述窗口中的位置，对所述窗口进行分割，得到第一窗口和第二窗口，其中，所述第一窗口和所述第二窗口均包含该地面节点；
针对所述第一窗口中的每个地面节点，确定该地面节点的自由向量，根据第一窗口的各自由向量，确定第一窗口的各自由向量之间的线性相关系数；并且，针对所述第二窗口中的每个地面节点，确定该地面节点的自由向量，根据第二窗口的各自由向量，确定第二窗口的各自由向量之间的线性相关系数；
根据所述第一窗口对应的线性相关系数、该地面节点对应的地面点的空间信息以及第一窗口中的地面节点的数量，确定该地面节点在所述第一窗口中的平滑度；并且，根据所述第二窗口对应的线性相关系数、该地面节点对应的地面点的空间信息以及第二窗口中的地面节点的数量，确定该地面节点在所述第二窗口中的平滑度；
根据所述第一平滑度和第二平滑度，确定所述地面点的空间特征。
可选地，根据该地面节点对应的地面点的空间信息，以及该地面节点的邻域节点的空间信息，对该地面节点对应的地面点进行特征提取，得到该地面点的空间特征，具体包括：
根据该地面节点在所述窗口中的位置，对所述窗口进行分割，得到第一窗口和第二窗口，其中，所述第一窗口和所述第二窗口均包含该地面节点；
确定由所述第一窗口中包含的各地面节点对应的地面点所构成的第一曲线，确定所述第一曲线在该地面节点对应的地面点处的第一向量，并且，确定由所述第二窗口中包含的各地面节点对应的地面点所构成的第二曲线，确定所述第二曲线在该地面节点对应的地面点处的第二向量，其中，所述第一向量和第二向量为切向量或法向量；
根据所述第一向量和第二向量的夹角，确定所述地面点的空间特征。
可选地，根据该地面节点对应的地面点的空间信息，以及该地面节点的邻域节点的空间信息，对该地面节点对应的地面点进行特征提取，得到该地面点的空间特征，具体包括：
根据该地面节点所属的窗口中的各地面节点对应的地面点的空间信息，确定各邻域节点距该地面节点的距离；
根据各邻域节点距该地面节点的距离，确定该地面节点对应的地面点的空间特征。
可选地，根据各地面点的空间特征，在各地面点中，确定出道路边沿的候选点，具体包括：
针对每个地面点，将该地面点的空间特征与该空间特征对应的阈值进行比较，根据所述比较的结果，确定该地面点是否为道路边沿的候选点。
可选地，当所述空间特征为所述高度差、高度方差、各邻域节点距该地面节点的距离中的至少一种时，所述空间特征对应的阈值与该地面点距采集所述点云数据的传感器的距离负相关。
可选地，根据各候选点，确定道路边沿，具体包括：
根据各候选点的空间信息，对各候选点进行聚类，确定出各候选点簇；
针对每个候选点簇，根据该候选点簇与采集所述点云数据的传感器的相对位置关系，对该候选点簇中的各候选点进行距离滤波，得到距离滤波后的各候选点；
根据距离滤波后的各候选点，确定道路边沿。
可选地，根据距离滤波后的各候选点，确定道路边沿，具体包括：
对距离滤波后的各候选点进行RANSAC滤波；
对RANSAC滤波后的各候选点进行拟合，得到道路边沿。
本说明书提供的一种道路边沿确定装置，所述装置包括：
点云数据确定模块，用于获取点云数据；
地面节点确定模块，用于采用预设的建图规则，根据所述点云数据中各点的空间信息，确定图结构，使得所述点云数据中的每个点均对应于所述图结构中的至少一个节点，并且，根据所述各点的空间信息，对所述各点进行地面点分割，得到所述各点中的地面点，将所述各节点中对应于所述地面点的节点，作为地面节点；
邻域节点确定模块，用于针对每个地面节点，根据各地面节点在所述图结构中的位置，在各节点中，确定出该地面节点的各邻域节点；
空间特征确定模块，用于根据该地面节点对应的地面点的空间信息，以及该地面节点的邻域节点的空间信息，对该地面节点对应的地面点进行特征提取，得到该地面点的空间特征；
候选点确定模块，用于根据各地面点的空间特征，在各地面点中，确定出道路边沿的候选点；
道路边沿确定模块，用于根据各候选点，确定道路边沿。
本说明书提供的一种计算机可读存储介质，所述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的一种道路边沿确定方法。
本说明书提供的一种无人驾驶设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述一种道路边沿确定方法。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：
本说明书中的道路边沿确定方法，在点云数据的各点中分割出地面点之后，对各地面点进行特征提取，根据特征提的结果确定该地面点是否为道路边沿的候选点。由于本说明书中的方法将地面点的分割和地面点的特征提取相结合，使得本说明书中的方法确定出的道路边沿的精确程度，不依赖于对地面点的分割的精度，即使出现地面点的分割精度较低的情况，后续根据特征提取的结果确定出的道路边沿也能够具有较高的精度。并且，本说明书中的方法在确定地面点的空间特征时，以各地面点在图结构中对应的节点的相对位置关系为依据，能够使得确定出的空间特征更加精确，进而提高确定出的道路边沿的精确度。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本说明书实施例提供的一种道路边沿确定过程；
图2为本说明书实施例提供的一种道路边沿确定装置的结构示意图；
图3为本说明书实施例提供的一种道路边沿确定装置的空间特征确定模块的结构示意图；
图4为本说明书实施例提供的对应于图1的无人驾驶设备的部分结构示意图。
具体实施方式
在实际应用场景中，在确定道路边沿时，往往需要先验知识(例如，预设的环境三维模型，该环境三维模型中包括了道路、建筑物等静态物体，以便于在确定道路边沿时作为参考)的辅助，才能够分割出地面点，然后再根据地面点进行拟合，以获得道路边沿。
即便如此，分割地面点的过程仍然会受到障碍物(例如，在道路上行驶的车辆)、采集点云数据的传感器的运动状态的影响，不可避免的出现对地面点的过分割、欠分割的现象。对地面点的分割的精度不足，导致现有的方法在确定道路边沿时并不鲁棒。况且，针对每条道路均预先的确定出先验知识的难度也较大，限制了现有的确定道路边沿的方法的使用场景。
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于说明书中的实施例，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他实施例，都属于本申请保护的范围。
以下结合附图，详细说明本申请各实施例提供的技术方案。
图1为本说明书实施例提供的一种道路边沿确定的过程，具体可包括以下步骤：
S100：获取点云数据。
本说明书中的道路边沿确定方法涉及的点云数据，可以通过传感器(例如，具有激光器的雷达)对周围环境(包括传感器周围的静态物体，例如道路、建筑物。也可以包括传感器周围的动态物体，例如行人)进行扫描的方式获得。若传感器为雷达，雷达的激光器的数量可以为多个，多个激光器按照预设的位置规则设置，例如32线雷达包括32个激光器，各激光器沿竖直方向依次排列。
可选地，该用于采集点云数据的传感器可以设置在无人车上。
S102：采用预设的建图规则，根据点云数据中各点的空间信息，确定图结构，使得所述点云数据中的每个点均对应于所述图结构中的至少一个节点。
在确定图结构时，可以根据点云数据中的各点的空间信息、采集该点的传感器的属性(例如，该传感器的俯仰角)、该传感器采集该点时的扫描角度(即，旋转角度)中的至少一项，采用预设的图结构生成规则，将该点映射到预设的平面或空间内，以获得图结构。
此外，本说明书实施例中的方法对图结构的法向量方向、图结构的维度不做限制。例如，图结构可以为鸟瞰图、Range Image、Graph中的任一种。当图结构为二维图时，节点可以与该图结构中的像素点一一对应。
S104：根据所述各点的空间信息，对所述各点进行地面点分割，得到所述各点中的地面点，将所述各节点中对应于所述地面点的节点，作为地面节点。
在本说明书中，从点云数据的各点中分割出地面点的过程可以与现有的地面点分割相同。本说明书中的方法对地面点的分割精度要求不高，则，本说明书中的方法在进行地面点分割时，可以省略先验知识的辅助。并且，本说明书中的方法允许在分割地面点时出现一定程度的过分割和欠分割的现象。
步骤S102和S104的执行顺序不分先后，可以根据实际的使用场景进行调整。则步骤S102中的确定图结构，可以针对点云数据中的所有点，也可以仅针对步骤S104分割后获得各地面点。
S106：针对每个地面节点，根据各地面节点在所述图结构中的位置，在各节点中，确定出该地面节点的各邻域节点。
可以根据各地面节点在述图结构中的位置，在图结构中为每个地面节点确定出与该地面节点满足一定位置关系(例如，在图结构中相邻)的地面节点，作为该地面节点的邻域节点。各地面节点各自的邻域节点的数量可以不同。
具体地，可以根据预设的窗口建立规则(该窗口建立规则至少可以用于确定窗口的尺寸)，确定该地面节点的窗口，将所属于所述窗口的各其他的地面节点，作为该地面节点的邻域节点。
各邻域节点对应的点云数据中的点，能够在确定该地面节点对应的点云数据中的点的空间特征时，提供参照。
S108：根据该地面节点对应的地面点的空间信息，以及该地面节点的邻域节点的空间信息，对该地面节点对应的地面点进行特征提取，得到该地面点的空间特征。
本说明书中的方法，在确定地面点的空间特征时，不仅仅依据该地面点的空间信息，而是通过与该地面点满足一定的邻域关系(由图结构确定)各地面点的空间信息，对该地面点的空间特征进行表征，则能够将该点的空间信息结合到该点所处的空间环境中，使得针对该点的确定空间特征能够反映出该点所处的环境的特征。
并且，本说明书中的方法在确定地面点的空间特征时，以各地面点在图结构中对应的节点的相对位置关系为依据，能够使得确定出的空间特征更加精确，进而提高确定出的道路边沿的精确度。
S110：根据各地面点的空间特征，在各地面点中，确定出道路边沿的候选点。
由于步骤S102中对点云数据中的各点进行的地面点分割后获得的地面点中，包括对应于道路中间部位的各点和对应于道路边沿的各点，还可能包括对应于环境中的障碍物的点(由欠分割引起的)，则在本步骤中，需要将对应于道路边沿的候选点从地面中筛选出来。
可以针对每个地面点，比较该地面点的空间特征与该空间特征对应的阈值的关系，根据比较的结果，确定出该地面点是否为道路边沿的候选点。
S112：根据各候选点，确定道路边沿。
本说明书中的方法，可以针对各候选点进行滤波，以进一步对点进行筛选，并对滤波后获得的各点进行拟合，确定出道路边沿。
本说明书中的道路边沿确定方法，在各点中分割出地面点之后，对各地面点进行特征提取，根据特征提的结果确定该地面点是否为道路边沿的候选点，并以候选点为依据确定出道路边沿。可见，本说明书中的方法将地面点的分割和地面点的特征提取相结合，使得本说明书中的方法确定出的道路边沿的精确程度，不依赖于对地面点的分割的精度，即使出现地面点的分割精度较低的情况，后续根据特征提取的结果确定出的道路边沿也能够具有较高的精度。
进一步的，该地面点的空间特征，可以根据地面点空间信息，以不同的方式分别地确定，进而能够从不同的角度分别地对该地面点的空间特征进行表征。
在本说明书一个可选的使用场景中，为使得该地面点的空间特征至少能够表征环境(在窗口中，则体现为窗口内的各地面点对应的环境)在该地面点的位置所体现出的在高度方向的特征，则可以根据该地面节点所属的窗口中的各地面节点对应的地面点的高度，确定出该窗口中的最高点和最低点之间的高度差，和/或确定出对应于该窗口的各地面点的高度方差，然后根据所述高度差和高度方差中的至少之一，确定该地面点的空间特征。
具体地，可根据公式(1)确定高度差，可根据公式(2)和公式(3)确定高度方差。
T1≤zmax-zmin≤T2 公式(1)
其中，n是该窗口内的地面点的数量；zi是该窗口内的第i个地面点的高度，i≤n；T1和T2是高度差对应的阈值，T1≤T2；T3是高度方差对应的阈值。
并且，为使得该地面点的空间特征至少能够表征环境在该地面点的位置所体现出的物体表面平滑度，则可以根据该地面节点在所述窗口中的位置，对所述窗口进行分割，得到第一窗口和第二窗口(可选地，第一窗口和第二窗口在该窗口所属的平面内分别地位于该地面节点的两侧)，其中，所述第一窗口和所述第二窗口均包含该地面节点。
然后，确定由所述第一窗口中包含的各地面节点构成的各自由向量之间的线性相关系数。线性相关系数可以用于表征各地面节点构成的自由向量之间的线性相关性。
线性相关系数的确定方式可以为多种。在本说明书一个可选的实施例中，该线性相关系数的确定方式可以为：针对第一窗口中的每个地面节点，根据该地面节点的空间信息，确定该地面节点对应的自由向量(可选地，自由向量的起点可以为该第一窗口的几何中心)。将确定出的各自由向量两两做差，确定出各自由向量之间的差值向量。针对确定出的每个差值向量，确定该差值向量的模。将各差值向量的模求和，作为第一窗口对应的线性相关系数。
可以以同样的方法确定第二窗口对应的线性相关系数。
在确定出第一窗口对应的线性相关系数之后，可根据第一窗口对应的线性相关系数、该地面节点对应的地面点的空间信息以及第一窗口中的地面节点的数量，确定该地面节点在所述第一窗口中的平滑度。具体地，可以用该线性相关系数除以该地面节点对应的自由向量的模以及该第一窗口内的地面节点的数量，得出的结果即可以作为该地面节点在所述第一窗口中的平滑度。
该地面节点在所述第一窗口中的平滑度可通过公式(4)确定。
其中，mf是该第一窗口内的地面节点的数量；rf是第一窗口中包含的各地面节点构成的自由向量之间的线性相关系数；||Pi||是该第一窗口中的第i个地面节点对应的自由向量的模；
是在第一窗口中该第i个地面节点的平滑度。
同理，第二窗口对应的线性相关系数和该地面节点在所述第二窗口中的平滑度的确定过程，可以与在第一窗口对应的过程相同。则该地面节点在所述第一窗口中的平滑度可通过公式(5)确定。
其中，ms是该第二窗口内的地面节点的数量；rs是第二窗口中包含的各地面节点构成的自由向量之间的线性相关系数；||Pi||是该第二窗口中的第i个地面节点对应的自由向量的模；
是在第二窗口中该第i个地面节点的平滑度。
在确定出该地面节点分别在第一窗口和第二窗口中的平滑度之后，即可根据所述第一平滑度和第二平滑度，确定所述地面点的空间特征。
可见，若该地面点的第一平滑度和第二平滑度差异较大，则表明该窗口在位于该地面点的位置较为崎岖，该地面点为道路边沿的候选点的概率较大(道路边沿可以为马路牙子，道路边沿的候选点应当凸出于地面)；反之，则表明该窗口在位于该地面点的位置较为平整，该地面点为道路边沿的候选点的概率较小。
进一步地，该地面点的空间特征至少能够表征环境在该地面点的位置所体现出的物体的轮廓，可以根据第一曲线和第二曲线分别在该地面点处的切向量(或者法向量)之间的夹角确定。具体地，确定所述第一曲线在该地面节点对应的地面点处的第一向量，确定所述第二曲线在该地面节点对应的地面点处的第二向量，根据所述第一向量和第二向量的夹角，确定所述地面点的空间特征，其中，所述第一向量和第二向量为切向量或法向量。
以第一向量和第二向量均为切向量为例，若第一向量和第二向量之间的夹角较大，则表明该窗口在位于该地面点的位置为道路边沿的可能性较大(道路边沿的位置的棱角，较道路的中间位置更加明显)，该地面点为道路边沿的候选点的概率较大；反之，则表明该地面点为道路边沿的候选点的概率较小。
此外，为使得该地面点的空间特征至少能够表征环境中的物体，在该地面点的位置所体现出的物体的边沿的特征，可以根据该地面节点所属的窗口中的各地面节点对应的地面点的空间信息，确定各邻域节点距该地面节点的距离(此时，图结构可以为鸟瞰图，各邻域节点距该地面节点的距离可以为各邻域节点在鸟瞰图中与该地面节点之间欧氏距离)；根据各邻域节点距该地面节点的距离，确定该地面节点对应的地面点的空间特征。
例如，针对窗口中每个地面节点，确定出该地面节点至距其最近的邻域节点的距离，将该距离作为该地面节点对应的地面点的空间特征。具体地，若窗口中的一地面节点和与之相邻的地面节点之间的水平距离大于预设的水平距离特征阈值，则该点为道路边沿的候选点的可能性较大。
在判断一地面点是否为道路边沿的候选点时，可以根据上述的地面点的空间特征中的一种或者几种进行判断。在判断过程中采用的阈值，可以根据该地面点空间信息确定。
以根据高度确定的空间特征，确定道路边沿的候选点为例进行说明。首先根据该地面点空间信息确定高度的阈值，该高度的阈值与该地面点距采集所述点云数据的传感器的距离负相关。
若该地面点距传感器的距离越小，对该地面点设置的高度的阈值越大，对该地面点是否为道路边沿的候选点的判断条件越苛刻，使得针对距传感器较近的位置确定出的道路边沿的候选点的精确度更高；若该地面点距传感器的距离越大，对该地面点设置的高度的阈值越小，对该地面点是否为道路边沿的候选点的判断条件越宽松。由于传感器的采集范围受到距离的影响，针对距传感器较远的位置采集到的点往往较少，采用本说明书中的方法，能够较大程度的保留确定远处的道路边沿所需的数据，提高远处道路边沿的确定效果。
此外，在根据距离确定的空间特征确定道路边沿的候选点时，也可根据该地面点的空间信息确定与该空间特征相应距离的阈值，该距离的阈值与该地面点距采集所述点云数据的传感器的距离负相关。
在根据各道路边沿的候选点确定道路边沿时，可首先对各根据各候选点的空间信息，对各候选点进行聚类。然后，对聚类后获得的点簇进行滤波，以筛选掉候选点中对道路边沿的表征能力较弱的点。针对点簇进行的滤波可以包括距离滤波和RANSAC滤波。距离滤波和RANSAC滤波的执行顺序不分先后。
可选地，在进行距离滤波时，可针对每个点簇，确定该点簇中的各候选点距所述传感器的距离，选取该点簇中距所述传感器的距离小于相应的阈值的各点，作为拟合道路边沿的依据。
在实际的应用场景中，建筑物多位于道路的两侧。相较于道路边沿，建筑物距所述传感器的距离更远。则在该点簇中的各候选点中，去除距所述传感器距离较远的点，能够降低位于道路两侧的建筑物对确定道路边沿的影响。
然后，为进一步精确地确定出道路边沿，可在距离滤波之后对候选点进行RANSAC滤波。可知，距离滤波能够较大程度的在候选点中去除道路所限定的范围之外的建筑物等物体形成的点，但距离滤波对位于道路上的物体形成的点的处理能力具有局限性。则在本说明书中，通过RANSAC算法对距离滤波后获得的候选点进行进一步的滤波，能够较大程度的去除候选点中由道路上行驶的车辆、道路上的行人等动态物体形成的点，以进一步提高道路边沿的拟合精度。
可见，通过本说明书实施例中的方法，即使在地面点分割的步骤中无法精确的分割出地面点，通过后续的特征提取步骤、滤波步骤也能够从地面点中筛选出点云数据的各点中对应于道路边沿的候选点，使得根据候选点确定的道路边沿具有较高的精度。
基于同样的思路，本说明书实施例还提供了相应的道路边沿确定装置的结构示意图如图2。
图2为本说明书实施例提供的一种道路边沿确定装置的结构示意图，该装置包括：
点云数据确定模块200，用于获取点云数据；
地面节点确定模块202，用于采用预设的建图规则，根据点云数据中各点的空间信息，确定图结构，使得所述点云数据中的每个点均对应于所述图结构中的至少一个节点，并且，根据所述各点的空间信息，对所述各点进行地面点分割，得到所述各点中的地面点，将所述各节点中对应于所述地面点的节点，作为地面节点；
邻域节点确定模块204，用于针对每个地面节点，根据各地面节点在所述图结构中的位置，在各节点中，确定出该地面节点的各邻域节点；
空间特征确定模块206，如图2和图3所示，用于根据该地面节点对应的地面点的空间信息，以及该地面节点的邻域节点的空间信息，对该地面节点对应的地面点进行特征提取，得到该地面点的空间特征；
候选点确定模块208，用于根据各地面点的空间特征，在各地面点中，确定出道路边沿的候选点；
道路边沿确定模块210，用于根据各候选点，确定道路边沿。
其中，点云数据确定模块200、地面节点确定模块202、邻域节点确定模块204、空间特征确定模块206、候选点确定模块208和道路边沿确定模块210依次电连接，并且，点云数据确定模块200与空间特征确定模块206电连接。
可选地，邻域节点确定模块204包括电连接的窗口确定子模块和邻域节点确定子模块。
窗口确定子模块，用于确定该地面节点的窗口。
邻域节点确定子模块，用于将所属于所述窗口的各其他的地面节点，作为该地面节点的邻域节点。
可选地，空间特征确定模块206包括并联的高度特征子模块2060、平滑度特征子模块2062、向量特征子模块2064和距离特征子模块2066。
可选地，高度特征子模块2060，用于根据该地面节点所属的窗口中的各地面节点对应的地面点的高度，确定出该窗口中的最高点和最低点之间的高度差，和/或确定出对应于该窗口的各地面点的高度方差；根据所述高度差和高度方差中的至少之一，确定所述地面点的空间特征。
可选地，平滑度特征子模块2062，用于针对所述第一窗口中的每个地面节点，确定该地面节点的自由向量，根据第一窗口的各自由向量，确定第一窗口的各自由向量之间的线性相关系数；并且，针对所述第二窗口中的每个地面节点，确定该地面节点的自由向量，根据第二窗口的各自由向量，确定第二窗口的各自由向量之间的线性相关系数。根据所述第一窗口对应的线性相关系数、该地面节点对应的地面点的空间信息以及第一窗口中的地面节点的数量，确定该地面节点在所述第一窗口中的平滑度；并且，根据所述第二窗口对应的线性相关系数、该地面节点对应的地面点的空间信息以及第二窗口中的地面节点的数量，确定该地面节点在所述第二窗口中的平滑度。根据所述第一平滑度和第二平滑度，确定所述地面点的空间特征。
可选地，向量特征子模块2064，用于根据该地面节点在所述窗口中的位置，对所述窗口进行分割，得到第一窗口和第二窗口，其中，所述第一窗口和所述第二窗口均包含该地面节点；确定由所述第一窗口中包含的各地面节点对应的地面点所构成的第一曲线，确定所述第一曲线在该地面节点对应的地面点处的第一向量，并且，确定由所述第二窗口中包含的各地面节点对应的地面点所构成的第二曲线，确定所述第二曲线在该地面节点对应的地面点处的第二向量，其中，所述第一向量和第二向量为切向量/法向量；根据所述第一向量和第二向量的夹角，确定所述地面点的空间特征。
可选地，距离特征子模块2066，用于根据该地面节点所属的窗口中的各地面节点对应的地面点的空间信息，确定各邻域节点距该地面节点的距离；
根据各邻域节点距该地面节点的距离，确定该地面节点对应的地面点的空间特征。
可选地，候选点确定模块208包括电连接的阈值确定子模块和候选点筛选子模块。
阈值确定子模块，用于针对每个地面点，根据该地面点的空间信息，确定该地面点的各阈值。可选地，阈值与该地面点距采集所述点云数据的传感器的距离负相关。
候选点筛选子模块，用于根据该地面点的空间特征以及该空间特征对应的阈值，确定该地面点是否为道路边沿的候选点。
可选地，道路边沿确定模块210包括依次连接的聚类子模块、距离滤波子模块、RANSAC滤波子模块和道路边沿确定子模块。
聚类子模块，用于根据各候选点的空间信息，对各候选点进行聚类，确定出各候选点簇。
距离滤波子模块，用于针对每个候选点簇，根据该候选点簇与采集所述点云数据的传感器的相对位置关系，对该候选点簇中的各候选点进行距离滤波，得到距离滤波后的各候选点。
RANSAC滤波子模块，用于对距离滤波后的各候选点进行RANSAC滤波；
道路边沿确定子模块，用于根据距离滤波后的各候选点进行拟合，或者根据RANSAC滤波后的各候选点进行拟合，得到道路边沿。
可选地，可以对采集的每一帧点云数据分别地实施上述步骤，以确定出每一帧中的道路边沿。此外，还可以在获得当前帧点云数据之后，根据前一帧点云数据和/或后一帧点云数据，确定采集该点云数据的传感器的位姿，根据确定出的位姿，对该当前帧点云数据进行处理，以去除当前帧点云数据中的运动畸变，将处理后的当前帧点云数据，作为上述步骤中的确定道路边沿的依据。
本说明书提供的上述方法可以应用于无人车。该无人车可以应用于使用无人车进行配送的领域，如，使用无人车进行快递、外卖等配送的场景。具体的，在上述的场景中，可使用多个无人车所构成的自动驾驶车队进行配送。
本说明书实施例还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1提供的信息展示的过程。
本说明书实施例还提出了图4所示的无人驾驶设备的部分示意结构图。如图4，在硬件层面，该无人驾驶设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所述的信息展示的过程。当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
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。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (13)
1.一种道路边沿确定方法，其特征在于，所述方法包括：
获取点云数据；
采用预设的建图规则，根据所述点云数据中各点的空间信息，确定图结构，使得所述点云数据中的每个点均对应于所述图结构中的至少一个节点，并且，根据所述各点的空间信息，对所述各点进行地面点分割，得到所述各点中的地面点，将所述各节点中对应于所述地面点的节点，作为地面节点；
针对每个地面节点，根据各地面节点在所述图结构中的位置，在各节点中，确定出该地面节点的各邻域节点；
根据该地面节点对应的地面点的空间信息，以及该地面节点的邻域节点的空间信息，对该地面节点对应的地面点进行特征提取，得到该地面点的空间特征；
根据各地面点的空间特征，在各地面点中，确定出道路边沿的候选点；
根据各候选点，确定道路边沿。
2.如权利要求1所述的方法，其特征在于，根据各地面节点在所述图结构中的位置，在各节点中，确定出该地面节点的各邻域节点，具体包括：
确定该地面节点的窗口；
将所属于所述窗口的各其他的地面节点，作为该地面节点的邻域节点。
3.如权利要求2所述的方法，其特征在于，根据该地面节点对应的地面点的空间信息，以及该地面节点的邻域节点的空间信息，对该地面节点对应的地面点进行特征提取，得到该地面点的空间特征，具体包括：
根据该地面节点所属的窗口中的各地面节点对应的地面点的高度，确定出该窗口中的最高点和最低点之间的高度差，和/或确定出对应于该窗口的各地面点的高度方差；
根据所述高度差和高度方差中的至少之一，确定所述地面点的空间特征。
4.如权利要求2所述的方法，其特征在于，根据该地面节点对应的地面点的空间信息，以及该地面节点的邻域节点的空间信息，对该地面节点对应的地面点进行特征提取，得到该地面点的空间特征，具体包括：
根据该地面节点在所述窗口中的位置，对所述窗口进行分割，得到第一窗口和第二窗口，其中，所述第一窗口和所述第二窗口均包含该地面节点；
针对所述第一窗口中的每个地面节点，确定该地面节点的自由向量，根据第一窗口的各自由向量，确定第一窗口的各自由向量之间的线性相关系数；并且，针对所述第二窗口中的每个地面节点，确定该地面节点的自由向量，根据第二窗口的各自由向量，确定第二窗口的各自由向量之间的线性相关系数；
根据所述第一窗口对应的线性相关系数、该地面节点对应的地面点的空间信息以及第一窗口中的地面节点的数量，确定该地面节点在所述第一窗口中的平滑度；并且，根据所述第二窗口对应的线性相关系数、该地面节点对应的地面点的空间信息以及第二窗口中的地面节点的数量，确定该地面节点在所述第二窗口中的平滑度；
根据所述第一平滑度和第二平滑度，确定所述地面点的空间特征。
5.如权利要求2所述的方法，其特征在于，根据该地面节点对应的地面点的空间信息，以及该地面节点的邻域节点的空间信息，对该地面节点对应的地面点进行特征提取，得到该地面点的空间特征，具体包括：
根据该地面节点在所述窗口中的位置，对所述窗口进行分割，得到第一窗口和第二窗口，其中，所述第一窗口和所述第二窗口均包含该地面节点；
确定由所述第一窗口中包含的各地面节点对应的地面点所构成的第一曲线，确定所述第一曲线在该地面节点对应的地面点处的第一向量，并且，确定由所述第二窗口中包含的各地面节点对应的地面点所构成的第二曲线，确定所述第二曲线在该地面节点对应的地面点处的第二向量，其中，所述第一向量和第二向量为切向量或法向量；
根据所述第一向量和第二向量的夹角，确定所述地面点的空间特征。
6.如权利要求2所述的方法，其特征在于，根据该地面节点对应的地面点的空间信息，以及该地面节点的邻域节点的空间信息，对该地面节点对应的地面点进行特征提取，得到该地面点的空间特征，具体包括：
根据该地面节点所属的窗口中的各地面节点对应的地面点的空间信息，确定各邻域节点距该地面节点的距离；
根据各邻域节点距该地面节点的距离，确定该地面节点对应的地面点的空间特征。
7.如权利要求3-6任一项所述的方法，其特征在于，根据各地面点的空间特征，在各地面点中，确定出道路边沿的候选点，具体包括：
针对每个地面点，将该地面点的空间特征与该空间特征对应的阈值进行比较，根据所述比较的结果，确定该地面点是否为道路边沿的候选点。
8.如权利要求7所述的方法，其特征在于，当所述空间特征为所述高度差、高度方差、各邻域节点距该地面节点的距离中的至少一种时，所述空间特征对应的阈值与该地面点距采集所述点云数据的传感器的距离负相关。
9.如权利要求1所述的方法，其特征在于，根据各候选点，确定道路边沿，具体包括：
根据各候选点的空间信息，对各候选点进行聚类，确定出各候选点簇；
针对每个候选点簇，根据该候选点簇与采集所述点云数据的传感器的相对位置关系，对该候选点簇中的各候选点进行距离滤波，得到距离滤波后的各候选点；
根据距离滤波后的各候选点，确定道路边沿。
10.如权利要求9所述的方法，其特征在于，根据距离滤波后的各候选点，确定道路边沿，具体包括：
对距离滤波后的各候选点进行RANSAC滤波；
对RANSAC滤波后的各候选点进行拟合，得到道路边沿。
11.一种道路边沿确定装置，其特征在于，所述装置包括：
点云数据确定模块，用于获取点云数据；
地面节点确定模块，用于采用预设的建图规则，根据所述点云数据中各点的空间信息，确定图结构，使得所述点云数据中的每个点均对应于所述图结构中的至少一个节点，并且，根据所述各点的空间信息，对所述各点进行地面点分割，得到所述各点中的地面点，将所述各节点中对应于所述地面点的节点，作为地面节点；
邻域节点确定模块，用于针对每个地面节点，根据各地面节点在所述图结构中的位置，在各节点中，确定出该地面节点的各邻域节点；
空间特征确定模块，用于根据该地面节点对应的地面点的空间信息，以及该地面节点的邻域节点的空间信息，对该地面节点对应的地面点进行特征提取，得到该地面点的空间特征；
候选点确定模块，用于根据各地面点的空间特征，在各地面点中，确定出道路边沿的候选点；
道路边沿确定模块，用于根据各候选点，确定道路边沿。
12.一种计算机可读存储介质，其特征在于，所述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权利要求1-10任一所述的方法。
13.一种无人驾驶设备，包括存储器、处理器及存储在存储器上并可在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程序时实现上述权利要求1-10任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911326609.7A CN111104908A (zh) | 2019-12-20 | 2019-12-20 | 一种道路边沿确定方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911326609.7A CN111104908A (zh) | 2019-12-20 | 2019-12-20 | 一种道路边沿确定方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111104908A true CN111104908A (zh) | 2020-05-05 |
Family
ID=70422657
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911326609.7A Withdrawn CN111104908A (zh) | 2019-12-20 | 2019-12-20 | 一种道路边沿确定方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111104908A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023050638A1 (zh) * | 2021-09-29 | 2023-04-06 | 上海仙途智能科技有限公司 | 基于激光点云的路沿识别 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011138244A (ja) * | 2009-12-28 | 2011-07-14 | Hitachi Automotive Systems Ltd | 路肩検出装置及び路肩検出装置を用いた車両 |
| CN104050654A (zh) * | 2013-03-11 | 2014-09-17 | 株式会社理光 | 道路边缘检测方法和装置 |
| CN106843212A (zh) * | 2017-02-08 | 2017-06-13 | 重庆长安汽车股份有限公司 | 自动驾驶基于偏航角修正的车辆应急辅助定向系统及方法 |
| CN107272019A (zh) * | 2017-05-09 | 2017-10-20 | 深圳市速腾聚创科技有限公司 | 基于激光雷达扫描的路沿检测方法 |
| US20170356994A1 (en) * | 2016-06-14 | 2017-12-14 | Magna Electronics Inc. | Vehicle sensing system with 360 degree near range sensing |
| CN107958255A (zh) * | 2017-11-21 | 2018-04-24 | 中国科学院微电子研究所 | 一种基于图像的目标检测方法及装置 |
| CN107977608A (zh) * | 2017-11-20 | 2018-05-01 | 陕西土豆数据科技有限公司 | 一种应用于公路视频图像道路区域提取的方法 |
| CN108931786A (zh) * | 2018-05-17 | 2018-12-04 | 北京智行者科技有限公司 | 路沿检测装置和方法 |
| CN109738910A (zh) * | 2019-01-28 | 2019-05-10 | 重庆邮电大学 | 一种基于三维激光雷达的路沿检测方法 |
-
2019
- 2019-12-20 CN CN201911326609.7A patent/CN111104908A/zh not_active Withdrawn
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011138244A (ja) * | 2009-12-28 | 2011-07-14 | Hitachi Automotive Systems Ltd | 路肩検出装置及び路肩検出装置を用いた車両 |
| CN104050654A (zh) * | 2013-03-11 | 2014-09-17 | 株式会社理光 | 道路边缘检测方法和装置 |
| US20170356994A1 (en) * | 2016-06-14 | 2017-12-14 | Magna Electronics Inc. | Vehicle sensing system with 360 degree near range sensing |
| CN106843212A (zh) * | 2017-02-08 | 2017-06-13 | 重庆长安汽车股份有限公司 | 自动驾驶基于偏航角修正的车辆应急辅助定向系统及方法 |
| CN107272019A (zh) * | 2017-05-09 | 2017-10-20 | 深圳市速腾聚创科技有限公司 | 基于激光雷达扫描的路沿检测方法 |
| CN107977608A (zh) * | 2017-11-20 | 2018-05-01 | 陕西土豆数据科技有限公司 | 一种应用于公路视频图像道路区域提取的方法 |
| CN107958255A (zh) * | 2017-11-21 | 2018-04-24 | 中国科学院微电子研究所 | 一种基于图像的目标检测方法及装置 |
| CN108931786A (zh) * | 2018-05-17 | 2018-12-04 | 北京智行者科技有限公司 | 路沿检测装置和方法 |
| CN109738910A (zh) * | 2019-01-28 | 2019-05-10 | 重庆邮电大学 | 一种基于三维激光雷达的路沿检测方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023050638A1 (zh) * | 2021-09-29 | 2023-04-06 | 上海仙途智能科技有限公司 | 基于激光点云的路沿识别 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111311709B (zh) | 一种生成高精地图的方法及装置 | |
| CN111508258B (zh) | 一种定位方法及装置 | |
| CN111091091A (zh) | 目标对象重识别特征的提取方法、装置、设备及存储介质 | |
| CN111797711A (zh) | 一种模型训练的方法及装置 | |
| CN115493612A (zh) | 一种基于视觉slam的车辆定位方法及装置 | |
| CN114332808A (zh) | 一种预测转向意图的方法及装置 | |
| CN112818968A (zh) | 一种目标物分类方法及装置 | |
| CN111104908A (zh) | 一种道路边沿确定方法及装置 | |
| CN112990099A (zh) | 一种车道线检测的方法以及装置 | |
| CN112365513A (zh) | 一种模型训练的方法及装置 | |
| CN111414818A (zh) | 一种基于环境图像的定位方法及装置 | |
| CN116129386A (zh) | 可行驶区域检测方法、系统及计算机可读介质 | |
| CN114549579A (zh) | 一种目标物跟踪方法及装置 | |
| CN112734810B (zh) | 一种障碍物追踪方法及装置 | |
| CN112184901B (zh) | 一种深度图确定方法及装置 | |
| CN114283148A (zh) | 一种道路元素提取方法、装置、存储介质及电子设备 | |
| CN114623824A (zh) | 一种确定障碍物速度的方法及装置 | |
| CN114440903A (zh) | 一种高精地图构建方法、装置、存储介质及电子设备 | |
| CN114332189A (zh) | 一种高精地图构建方法、装置、存储介质及电子设备 | |
| CN114332201A (zh) | 一种模型训练、目标检测的方法以及装置 | |
| CN112561961A (zh) | 一种实例追踪的方法及装置 | |
| CN113888611B (zh) | 一种确定图像深度的方法、装置及存储介质 | |
| CN112329547A (zh) | 一种数据处理方法及装置 | |
| CN117197781B (zh) | 一种交通标志识别的方法、装置、存储介质及电子设备 | |
| CN116740197B (zh) | 一种外参的标定方法、装置、存储介质及电子设备 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200505 |