CN111639682A - 基于点云数据的地面分割方法及装置 - Google Patents
基于点云数据的地面分割方法及装置 Download PDFInfo
- Publication number
- CN111639682A CN111639682A CN202010403858.8A CN202010403858A CN111639682A CN 111639682 A CN111639682 A CN 111639682A CN 202010403858 A CN202010403858 A CN 202010403858A CN 111639682 A CN111639682 A CN 111639682A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- area
- ground
- point
- cloud data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000011218 segmentation Effects 0.000 title claims abstract description 54
- 238000013145 classification model Methods 0.000 claims abstract description 59
- 238000012549 training Methods 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 description 39
- 238000010586 diagram Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 230000006872 improvement Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本说明书公开了基于点云数据的地面分割方法及装置,可获取点云数据,将点云数据输入预先训练的分类模型,得到分类模型输出的地面类型的点云点,拟合各地面类型的点云点可得到全局平面,并针对预先对点云数据划分的各区域,根据该区域内的各点云点的信息,可确定该区域对应的局部平面,根据全局平面以及各区域对应的局部平面,可选择若干个区域作为指定区域,根据指定区域对应的局部平面的信息,确定点云数据的地面分割结果。相对于现有技术,本说明书中的点云数据的地面分割结果的精确度更高。
Description
技术领域
本说明书涉及地面分割技术领域,尤其涉及基于点云数据的地面分割方法及装置。
背景技术
目前,在无人驾驶技术领域中,无人设备通常使用激光雷达采集点云数据,通过对点云数据进行地面分割、目标检测等处理,可确定无人设备周围的环境信息。
常见的对点云数据进行地面分割的方法,是将点云数据空间划分为若干个区域,针对每个区域,拟合该区域内的点云点,得到区域平面,并确定区域平面的法向量。在各区域中,根据预设的规则,选择指定区域作为地面区域,根据各区域对应的区域平面的法向量,将与地面区域的区域平面的法向量的夹角小于预设的夹角阈值的区域作为地面区域,根据各地面区域中的点云点,确定全局平面,根据全局平面,对点云数据进行地面分割。
由于现实场景的复杂性,使用上述方法得到的地面分割结果的精确度较低,无法达到预期的效果。因此,如何提高点云数据地面分割结果的精确度,成为亟需解决的问题。
发明内容
本说明书实施例提供基于点云数据的地面分割方法及装置,以部分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:
本说明书提供的基于点云数据的地面分割方法,所述方法包括:
获取点云数据;
将所述点云数据输入预先训练的分类模型,得到所述分类模型输出的地面类型的点云点;
拟合各地面类型的点云点,得到全局平面;并针对预先对所述点云数据划分的各区域,根据该区域内的各点云点的信息,确定该区域对应的局部平面;
根据所述全局平面的信息以及各区域对应的局部平面的信息,选择若干个区域作为指定区域;
根据所述指定区域对应的局部平面的信息,确定所述点云数据的地面分割结果。
可选地,预先训练分类模型,具体包括:
获取样本点云数据以及所述样本点云数据对应的标注;
对所述样本点云数据进行采样,得到训练样本;
将所述训练样本输入待训练分类模型,得到所述待训练分类模型确定的所述训练样本中各点云点的类型;
根据得到的所述训练样本中各点云点的类型以及所述标注,对所述待训练分类模型进行训练。
可选地,将所述点云数据输入预先训练的分类模型,具体包括:
对所述点云数据进行采样,将采样后的点云数据输入所述分类模型。
可选地,根据所述全局平面的信息以及各区域对应的局部平面的信息,选择若干个区域作为指定区域,具体包括:
针对每个区域,若该区域内的地面类型的点云点的数量大于预设的数量阈值,且,所述全局平面与该区域对应的局部平面的夹角小于预设的夹角阈值,则将该区域作为基准区域;
若该区域内的地面类型的点云点的数量不大于所述数量阈值,当该区域与已经确定出的基准区域或扩展区域相邻,且,所述全局平面与该区域对应的局部平面的夹角小于所述夹角阈值时,将该区域作为扩展区域;
将所述基准区域以及所述扩展区域作为所述指定区域。
可选地,当该区域内的地面类型的点云点的数量大于预设的数量阈值时,根据该区域内的各点云点的信息,确定该区域对应的局部平面,具体包括:
拟合该区域内各地面类型的点云点,得到该区域对应的局部平面。
可选地,当该区域内的地面类型的点云点的数量不大于所述数量阈值,且该区域与已经确定出的基准区域或扩展区域相邻时,根据该区域内的各点云点的信息,确定该区域对应的局部平面,具体包括:
将该区域相邻的基准区域或扩展区域内的各地面类型的点云点作为参考点;
拟合各参考点以及该区域内的各点云点,得到该区域对应的局部平面。
可选地,根据所述指定区域对应的局部平面的信息,确定所述点云数据的地面分割结果,具体包括:
针对所述指定区域中的各点云点,根据该点云点的信息以及所述指定区域对应的局部平面的信息,确定该点云点与所述指定区域对应的局部平面的距离,作为该点云点的离地高度;
根据所述指定区域中的各点云点的离地高度以及预设的离地高度阈值,确定所述点云数据的地面分割结果。
本说明书提供基于点云数据的地面分割装置,所述装置包括:
获取模块,用于获取点云数据;
输入模块,用于将所述点云数据输入预先训练的分类模型,得到所述分类模型输出的地面类型的点云点;
拟合模块,用于拟合各地面类型的点云点,得到全局平面;并针对预先对所述点云数据划分的各区域,根据该区域内的各点云点的信息,确定该区域对应的局部平面;
选择模块,用于根据所述全局平面的信息以及各区域对应的局部平面的信息,选择若干个区域作为指定区域;
确定模块,用于根据所述指定区域对应的局部平面的信息,确定所述点云数据的地面分割结果。
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基于点云数据的地面分割方法。
本说明书提供的一种电子设备,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基于点云数据的地面分割方法。
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:
本说明书首先可获取点云数据,将点云数据输入预先训练的分类模型,得到分类模型输出的地面类型的点云点,拟合各地面类型的点云点可得到全局平面,并且,针对预先对点云数据划分的各区域,根据该区域内的各点云点的信息,可确定该区域对应的局部平面,根据全局平面以及各区域对应的局部平面,可选择若干个区域作为指定区域,根据指定区域对应的局部平面的信息,确定点云数据的地面分割结果。本说明书在通过分类模型得到地面类型的点云点的基础上,分别拟合全局平面与各局部平面,确定指定区域,根据指定区域对应的局部平面的信息,确定点云数据的地面分割结果,相对于现有技术,本说明书中的点云数据的地面分割结果的精确度更高。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书实施例提供的基于点云数据的地面分割方法流程图;
图2为本说明书实施例提供的一种对点云数据划分的各区域的示意图;
图3为本说明书实施例提供的一种确定指定区域的方法流程图;
图4为本说明书提供的预先训练分类模型的方法流程图;
图5为本说明书实施例提供的基于点云数据的地面分割装置的结构示意图;
图6为本说明书实施例提供的对应于图1的电子设备示意图。
具体实施方式
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说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,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,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书实施例提供的基于点云数据的地面分割方法流程图,具体可包括以下步骤:
S100:获取点云数据。
在本说明书中,点云数据可通过激光雷达采集得到。在点云数据中,点云点的信息可包括空间位置信息、激光反射强度信息或者颜色信息等。当激光雷达放置在无人设备上时,通过对点云数据的处理,无人设备可确定无人设备周围环境中的信息,从而实现对无人设备的控制。其中,无人设备主要包括无人车、无人机等智能无人驾驶设备,主要用于代替人工配送物品,例如在大型货物仓储中心运输分拣后的货物,或将货物从某一地点运输到另一地点。对点云数据的处理可包括地面分割、目标检测等,通过对点云数据进行地面分割,无人设备可确定无人设备周围环境中的地面信息。当然,激光雷达也可以放置在普通车辆上进行点云数据的采集。
本说明书中,对点云数据进行地面分割的执行主体既可以是专门的处理设备,也可以是无人设备,还可以是其他可处理点云数据的设备,为便于描述,将对点云数据进行地面分割的执行主体统一称为数据处理设备。
数据处理设备可获取激光雷达实时采集的点云数据,也可获取历史上激光雷达采集得到的点云数据。本说明书对此不作限制。
S102:将所述点云数据输入预先训练的分类模型,得到所述分类模型输出的地面类型的点云点。
在获取到点云数据后,数据处理设备可将点云数据输入预先训练的分类模型,得到分类模型输出的各点云点的类型。其中,点云点的类型可根据实际需求设置,例如,地面类型、非地面类型,非地面类型还可包括悬浮子类型、其他子类型等子类型。其中,地面类型的点云点,顾名思义,指的是点云数据中表示地面的点云点,也即,激光雷达发射激光到地面,经过地面反射采集到的点云点,非地面类型的点云点指的是点云数据中不表示为地面的点云点,当然,这些点云点可能是激光雷达发射的激光经过车辆、行人等反射采集到的。
具体的,首先,数据处理设备可对点云数据进行采样,将采样后的点云数据输入分类模型。这是由于不同的点云数据包含的点云点的个数不同,为了便于分类模型对点云数据处理,可对点云数据进行随机采样,得到固定数量的点云点。当然,在预先对分类模型进行训练时,同样需要对训练样本采样,得到固定数量的点云点。其中,关于预先对分类模型进行训练的内容,将在下文中详细描述。
然后,数据处理设备可得到分类模型输出的采样后的点云数据中的各点云点的类型。在分类模型输出的结果中,数据处理设备可选择地面类型的点云点。
具体的,分类模型可输出采样后的点云数据中的各点云点所属类型的置信度,根据置信度,确定点云点的类型。当然,分类模型也可直接输出点云点的类型。
其中,分类模型可包括PointNet模型、PointNet++模型、VoxelNet模型,当然,分类模型也可以是其他可实现点云数据的地面分割的机器学习模型,当分类模型为其他机器学习模型时,可根据其他机器学习模型的模型参数等信息,无需对点云数据采样,可直接将获取的点云数据输入其他机器学习模型。
S104:拟合各地面类型的点云点,得到全局平面;并针对预先对所述点云数据划分的各区域,根据该区域内的各点云点的信息,确定该区域对应的局部平面。
S106:根据所述全局平面的信息以及各区域对应的局部平面的信息,选择若干个区域作为指定区域。
在得到采样后的点云数据中各地面类型的点云点后,数据处理设备可根据采样后的点云数据中各地面类型的点云点的信息,拟合采样后的点云数据中各地面类型的点云点,得到全局平面。其中,全局平面可看成是由点云数据中表示地面的点云点拟合得到的地面,当然,全局平面并不是本说明书中的点云数据的地面分割的最终结果,可以全局平面作为参考,得到点云数据的更精确的地面分割结果。
根据采样后的点云数据中各地面类型的点云点的信息,拟合各地面类型的点云点,得到全局平面的过程,可通过现有技术中的RANSAC(Random Sample Consensus)算法确定,也可以通过其他基于最小二乘法改进的算法确定,当然还可以通过其他拟合算法确定。这里对现有技术拟合点云点得到平面的过程不再赘述。
数据处理设备还可预先对点云数据划分的各区域。
具体的,由于点云数据中的点云点的信息可包括空间位置信息,也即,在三维坐标系中,可表示为(x,y,z),而本说明书主要是对点云数据进行地面分割处理,因此,可将点云数据所在的空间的俯视图中划分若干个子平面,也即,将(x,y)平面划分为若干个子平面,将点云数据所在的空间划分为若干个子空间,每一个子空间均为一个区域。针对各区域,根据点云点的空间位置信息与该区域的空间位置信息,将空间位置位于该区域的点云点作为该区域内的点云点。
在划分若干个区域后,数据处理设备可在各区域中,选择至少一个区域作为指定区域。
针对每个区域,若该区域内的地面类型的点云点的数量大于预设的数量阈值,且,全局平面与该区域对应的局部平面的夹角小于预设的夹角阈值,则将该区域作为基准区域。
具体的,针对每个区域,根据该区域内的各点云点的类型,判断该区域内的地面类型的点云点的数量是否大于预设的数量阈值,若大于,则可根据该区域内的各点云点的类型,拟合该区域内的各地面类型的点云点,得到该区域对应的局部平面,并判断全局平面与该区域对应的局部平面的夹角是否小于预设的夹角阈值,若判断结果为小于,则可将该区域作为基准区域。
其中,数据处理设备可拟合基准区域内各地面类型的点云点,得到基准区域对应的局部平面,拟合基准区域内各地面类型的点云点得到基准区域对应的局部平面的具体过程,可参考上述拟合采样后的点云数据中各地面类型的点云点得到全局平面的过程。
若该区域内的地面类型的点云点的数量不大于数量阈值,当该区域与已经确定出的基准区域或扩展区域相邻,且,全局平面与该区域对应的局部平面的夹角小于夹角阈值时,将该区域作为扩展区域。
具体的,当判断该区域内的地面类型的点云点的数量不大于预设的数量阈值时,可判断该区域的相邻区域是否为已经确定出的基准区域或扩展区域,若判断结果为是,则数据处理设备可将该区域相邻的基准区域或扩展区域内的各地面类型的点云点作为参考点,拟合各参考点以及该区域内的各点云点,得到该区域对应的局部平面。然后,判断全局平面与该区域对应的局部平面的夹角是否小于夹角阈值,若判断结果为小于,则可将该区域作为扩展区域。
最后,数据处理设备可将基准区域以及扩展区域作为指定区域。这是由于在确定一个区域为基准区域时,首先,确定该区域内的地面类型的点云点的数量足够多,然后,确定由该区域内的各地面类型的点云点拟合得到的该区域对应的局部平面与全局平面的夹角足够小,因此,可确定该区域的点云点表示为地面,也即,该区域为指定区域。在确定一个区域为扩展区域时,虽然该区域内的地面类型的点云点的数量较少,但是当该区域的相邻区域为已经确定出的基准区域或括扩展区域时,也即,该区域的相邻区域的点云点可表示为地面,则该区域中的点云点表示为地面的可能性较大,因此,可拟合该区域相邻的基准区域或者扩展区域的各地面类型的点云点以及该区域内的各点云点得到该区域对应的局部平面,并且,确定全局平面与该区域对应的局部平面的夹角足够小时,可将该区域作为扩展区域,并可确定该区域内的点云点表示为地面,也即,该区域为指定区域。
另外,在判断全局平面与该区域对应的局部平面的夹角是否小于夹角阈值之前,数据处理设备可确定全局平面与该区域对应的局部平面的夹角。具体的,数据处理设备可根据全局平面的信息,确定全局平面的法向量,并根据该区域对应的局部平面的信息,确定该区域对应的局部平面的法向量,可将全局平面的法向量与该区域对应的局部平面的法向量的法向量夹角作为全局平面与该区域对应的局部平面的夹角。
当然,数据处理设备还可通过其他方法确定全局平面与该区域对应的局部平面的夹角,例如,数据处理设备可确定全局平面与该区域对应的局部平面的交线,根据拟合得到全局平面的各地面类型的点云点以及拟合得到该区域对应的局部平面的各点云点,可确定全局平面与该区域对应的局部平面的夹角。
图2为本说明书实施例提供的一种对点云数据划分的各区域的示意图。在图2中,车辆A为放置激光雷达的车辆,车辆B、车辆C为其他车辆(相对于车辆A来说,车辆B、车辆C为障碍物),每一个方格为一个区域,圆形的点为分类模型输出的地面类型的点云点,三角形的点为分类模型输出的非地面类型的点云点,每一个方格内的各点云点为该区域内的点云点,填充灰色的方格为基准区域,填充网格的方格为扩展区域,无填充的方格不是指定区域。图2中未示出全局平面以及各区域对应的局部平面。
图3为本说明书实施例提供的一种确定指定区域的方法流程图,具体可包括以下步骤:
S300:选择地面类型的点云点的数量大于预设的数量阈值的区域,作为待定区域。
具体的,针对各区域,数据处理设备可根据该区域内的各点云点的类型,确定该区域内地面类型的点云点的数量,判断该区域内地面类型的点云点的数量是否大于数量阈值,若是,则将该区域作为待定确定,否则,该区域不是待定区域。
S302:拟合所述待定区域内各地面类型的点云点,得到所述待定区域对应的局部平面。
S304:判断所述全局平面与所述待定区域对应的局部平面的夹角是否小于预设的夹角阈值,若判断结果为是,则执行步骤S306,否则,执行步骤S308。
S306:确定所述待定区域为所述指定区域。
S308:确定所述待定区域不是所述指定区域。
具体的,当待定区域为指定区域时,也即,待定区域内的地面类型的点云点的数量大于数量阈值,并且,全局平面与待定区域对应的局部平面的夹角小于夹角阈值,则待定区域为上文中的基准区域,在图2中,待定区域表示为填充灰色的方格。
S310:将与所述指定区域相邻的区域,作为候选区域。
具体的,按照上述步骤S300-步骤S308,在各区域中,选择所有的指定区域后,数据处理设备可将与指定区域相邻的区域,作为候选区域。此时,候选区域可包括图2中的无填充的方格以及填充网格的方格。
S312:拟合所述指定区域的各地面类型的点云点与所述候选区域的点云点,得到所述候选区域对应的局部平面。
具体的,针对各候选区域,数据处理设备可拟合该候选区域相邻的指定区域的各地面类型的点云点以及该候选区域内的各点云点,得到该候选区域对应的局部平面。
S314:判断所述全局平面与所述候选区域对应的局部平面的夹角是否小于预设的夹角阈值,若判断结果为是,则执行步骤S316,否则,执行步骤S318。
S316:将所述候选区域作为所述指定区域。
S318:确定所述候选区域不是所述指定区域。
具体的,当该候选区域为指定区域时,也即,该候选区域内的地面类型的点云点的数量小于数量阈值,且,全局平面与该候选区域对应的局部平面的夹角小于夹角阈值,则该候选区域为上文中的扩展区域。此时,该候选区域为图2中填充网格的方格。
当该候选区域不是指定区域时,也即,该候选区域内的地面类型的点云点的数量小于数量阈值,但是,全局平面与该候选区域对应的局部平面的夹角不小于夹角阈值,此时,该候选区域为图2中无填充的方格。
数据处理设备将该候选区域作为指定区域后,可将该候选区域相邻的区域重新作为候选区域(不包括已经确定的待定区域、候选区域),并按照步骤S310至步骤S318执行,直到无法重新确定指定区域为止。
S108:根据所述指定区域对应的局部平面的信息,确定所述点云数据的地面分割结果。
在选择指定区域后,针对每个指定区域,数据处理设备可确定该指定区域中的点云数据的地面分割结果。
具体的,针对该指定区域中的各点云点,数据处理设备首先可根据该点云点的信息以及该指定区域对应的局部平面的信息,确定该点云点与该指定区域对应的局部平面的距离,作为该点云点的离地高度,然后,根据该指定区域中的各点云点的离地高度以及预设的离地高度阈值,确定该指定区域中的点云数据的地面分割结果。
针对获取的点云数据(也即,采样前的点云数据)在该指定区域内的点云点,数据处理设备可确定该点云点的离地高度,判断该点云点的离地高度是否小于离地高度阈值,若判断结果为小于,则可该点云点作为地面类型的点云点,若判断结果为不小于,则可该点云点作为非地面类型的点云点。
根据各指定区域中的地面类型的点云点的信息,数据处理设备可确定获取的点云数据的地面分割结果。
其中,确定点云点与指定区域对应的局部平面的距离的过程可通过现有技术确定,此处不再赘述。
在本说明书中,数据处理设备还可预先对分类模型进行训练,图4为本说明书提供的预先训练分类模型的方法流程图,具体可包括以下步骤:
S400:获取样本点云数据以及所述样本点云数据对应的标注。
具体的,数据处理设备可获取激光雷达在历史上采集的样本点云数据,根据现有技术提供的方法,得到样本点云数据的地面分割结果,也即,得到样本点云数据中各点云点的类型,由于现有技术得到的各点云点的类型不够精确,因此,在现有技术得到样本点云数据中各点云点的类型的基础上,通过人工筛选以及人工标注的方式,确定样本点云数据中各点云点的类型,也即,对样本点云数据进行打标,其中,标注包括点云点的类型等信息,点云点的类型可包括地面类型、非地面类型等。
S402:对所述样本点云数据进行采样,得到训练样本。
具体的,数据处理设备可对样本点云数据进行随机采样,将采样后的样本点云数据作为训练样本。
S404:将所述训练样本输入待训练分类模型,得到所述待训练分类模型确定的所述训练样本中各点云点的类型。
具体的,将训练样本输入待训练分类模型,可得到待训练分类模型输出的各点云点的类型,待训练分类模型可输出采样后的点云数据中的各点云点所属类型的置信度,根据置信度,确定点云点的类型。
S406:根据得到的所述训练样本中各点云点的类型以及所述标注,对所述待训练分类模型进行训练。
通过待训练分类模型得到各点云点的置信度以及类型后,可根据训练样本中各点云的类型以及标注,确定损失,以最小化损失为训练目标,对待训练分类模型进行训练。
其中,损失可为交叉熵损失或者焦点损失(Focal loss),当损失为Focal loss时,损失中的参数可通过实验确定。
本说明书提供的上述基于点云数据的地面分割方法,具体可应用于使用无人设备进行配送的领域,例如,使用无人设备进行快递、外卖等配送的场景。具体的,在上述的场景中,可使用多个无人设备所构成的无人驾驶车队进行配送。
基于图1所示的基于点云数据的地面分割方法,本说明书实施例还对应提供基于点云数据的地面分割装置的结构示意图,如图5所示。
图5为本说明书实施例提供的基于点云数据的地面分割装置的结构示意图,所述装置包括:
获取模块501,用于获取点云数据;
输入模块502,用于将所述点云数据输入预先训练的分类模型,得到所述分类模型输出的地面类型的点云点;
拟合模块503,用于拟合各地面类型的点云点,得到全局平面;并针对预先对所述点云数据划分的各区域,根据该区域内的各点云点的信息,确定该区域对应的局部平面;
选择模块504,用于根据所述全局平面的信息以及各区域对应的局部平面的信息,选择若干个区域作为指定区域;
确定模块505,用于根据所述指定区域对应的局部平面的信息,确定所述点云数据的地面分割结果。
可选地,所述装置还包括训练模块506;
所述训练模块506具体用于,获取样本点云数据以及所述样本点云数据对应的标注;对所述样本点云数据进行采样,得到训练样本;将所述训练样本输入待训练分类模型,得到所述待训练分类模型确定的所述训练样本中各点云点的类型;根据得到的所述训练样本中各点云点的类型以及所述标注,对所述待训练分类模型进行训练。
可选地,所述输入模块502具体用于,对所述点云数据进行采样,将采样后的点云数据输入所述分类模型。
可选地,所述选择模块504具体用于,针对每个区域,若该区域内的地面类型的点云点的数量大于预设的数量阈值,且,所述全局平面与该区域对应的局部平面的夹角小于预设的夹角阈值,则将该区域作为基准区域;若该区域内的地面类型的点云点的数量不大于所述数量阈值,当该区域与已经确定出的基准区域或扩展区域相邻,且,所述全局平面与该区域对应的局部平面的夹角小于所述夹角阈值时,将该区域作为扩展区域;将所述基准区域以及所述扩展区域作为所述指定区域。
可选地,当该区域内的地面类型的点云点的数量大于预设的数量阈值时,所述拟合模块503具体用于,拟合该区域内各地面类型的点云点,得到该区域对应的局部平面。
可选地,当该区域内的地面类型的点云点的数量不大于所述数量阈值,且该区域与已经确定出的基准区域或扩展区域相邻时,所述拟合模块503具体用于,将该区域相邻的基准区域或扩展区域内的各地面类型的点云点作为参考点;拟合各参考点以及该区域内的各点云点,得到该区域对应的局部平面。
可选地,所述确定模块505具体用于,针对所述指定区域中的各点云点,根据该点云点的信息以及所述指定区域对应的局部平面的信息,确定该点云点与所述指定区域对应的局部平面的距离,作为该点云点的离地高度;根据所述指定区域中的各点云点的离地高度以及预设的离地高度阈值,确定所述点云数据的地面分割结果。
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提供的基于点云数据的地面分割方法。
基于图1所示的基于点云数据的地面分割方法,本说明书实施例还提出了图6所示的电子设备的示意结构图。如图6,在硬件层面,该电子设备包括处理器、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所述的基于点云数据的地面分割方法。
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,在实施本说明书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,本说明书的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书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,本说明书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。
本说明书是参照根据本说明书实施例的方法、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,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书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,本说明书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。
本说明书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说明书,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。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (10)
1.基于点云数据的地面分割方法,其特征在于,所述方法包括:
获取点云数据;
将所述点云数据输入预先训练的分类模型,得到所述分类模型输出的地面类型的点云点;
拟合各地面类型的点云点,得到全局平面;并针对预先对所述点云数据划分的各区域,根据该区域内的各点云点的信息,确定该区域对应的局部平面;
根据所述全局平面的信息以及各区域对应的局部平面的信息,选择若干个区域作为指定区域;
根据所述指定区域对应的局部平面的信息,确定所述点云数据的地面分割结果。
2.如权利要求1所述的方法,其特征在于,预先训练分类模型,具体包括:
获取样本点云数据以及所述样本点云数据对应的标注;
对所述样本点云数据进行采样,得到训练样本;
将所述训练样本输入待训练分类模型,得到所述待训练分类模型确定的所述训练样本中各点云点的类型;
根据得到的所述训练样本中各点云点的类型以及所述标注,对所述待训练分类模型进行训练。
3.如权利要求1所述的方法,其特征在于,将所述点云数据输入预先训练的分类模型,具体包括:
对所述点云数据进行采样,将采样后的点云数据输入所述分类模型。
4.如权利要求1所述的方法,其特征在于,根据所述全局平面的信息以及各区域对应的局部平面的信息,选择若干个区域作为指定区域,具体包括:
针对每个区域,若该区域内的地面类型的点云点的数量大于预设的数量阈值,且,所述全局平面与该区域对应的局部平面的夹角小于预设的夹角阈值,则将该区域作为基准区域;
若该区域内的地面类型的点云点的数量不大于所述数量阈值,当该区域与已经确定出的基准区域或扩展区域相邻,且,所述全局平面与该区域对应的局部平面的夹角小于所述夹角阈值时,将该区域作为扩展区域;
将所述基准区域以及所述扩展区域作为所述指定区域。
5.如权利要求4所述的方法,其特征在于,当该区域内的地面类型的点云点的数量大于预设的数量阈值时,根据该区域内的各点云点的信息,确定该区域对应的局部平面,具体包括:
拟合该区域内各地面类型的点云点,得到该区域对应的局部平面。
6.如权利要求4所述的方法,其特征在于,当该区域内的地面类型的点云点的数量不大于所述数量阈值,且该区域与已经确定出的基准区域或扩展区域相邻时,根据该区域内的各点云点的信息,确定该区域对应的局部平面,具体包括:
将该区域相邻的基准区域或扩展区域内的各地面类型的点云点作为参考点;
拟合各参考点以及该区域内的各点云点,得到该区域对应的局部平面。
7.如权利要求1所述的方法,其特征在于,根据所述指定区域对应的局部平面的信息,确定所述点云数据的地面分割结果,具体包括:
针对所述指定区域中的各点云点,根据该点云点的信息以及所述指定区域对应的局部平面的信息,确定该点云点与所述指定区域对应的局部平面的距离,作为该点云点的离地高度;
根据所述指定区域中的各点云点的离地高度以及预设的离地高度阈值,确定所述点云数据的地面分割结果。
8.基于点云数据的地面分割装置,其特征在于,所述装置包括:
获取模块,用于获取点云数据;
输入模块,用于将所述点云数据输入预先训练的分类模型,得到所述分类模型输出的地面类型的点云点;
拟合模块,用于拟合各地面类型的点云点,得到全局平面;并针对预先对所述点云数据划分的各区域,根据该区域内的各点云点的信息,确定该区域对应的局部平面;
选择模块,用于根据所述全局平面的信息以及各区域对应的局部平面的信息,选择若干个区域作为指定区域;
确定模块,用于根据所述指定区域对应的局部平面的信息,确定所述点云数据的地面分割结果。
9.一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1-7任一所述的方法。
10.一种电子设备,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1-7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010403858.8A CN111639682B (zh) | 2020-05-13 | 基于点云数据的地面分割方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010403858.8A CN111639682B (zh) | 2020-05-13 | 基于点云数据的地面分割方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111639682A true CN111639682A (zh) | 2020-09-08 |
CN111639682B CN111639682B (zh) | 2024-06-21 |
Family
ID=
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112180343A (zh) * | 2020-09-30 | 2021-01-05 | 东软睿驰汽车技术(沈阳)有限公司 | 激光点云数据处理方法、装置、设备及无人驾驶系统 |
CN112365575A (zh) * | 2020-11-10 | 2021-02-12 | 广州极飞科技有限公司 | 地平面数据测量方法、装置、可移动设备和可读存储介质 |
CN112508970A (zh) * | 2020-12-16 | 2021-03-16 | 北京超星未来科技有限公司 | 一种点云数据分割方法及装置 |
CN114255325A (zh) * | 2021-12-31 | 2022-03-29 | 广州极飞科技股份有限公司 | 地面模型生成、障碍数据确定、作业控制方法及相关装置 |
CN114298581A (zh) * | 2021-12-30 | 2022-04-08 | 广州极飞科技股份有限公司 | 质量评估模型生成方法、质量评估方法、装置、电子设备和可读存储介质 |
WO2022099511A1 (zh) * | 2020-11-11 | 2022-05-19 | 深圳元戎启行科技有限公司 | 基于点云数据的地面分割方法、装置和计算机设备 |
WO2022141116A1 (zh) * | 2020-12-29 | 2022-07-07 | 深圳市大疆创新科技有限公司 | 三维点云分割方法和装置、可移动平台 |
WO2022237026A1 (zh) * | 2021-05-10 | 2022-11-17 | 青岛小鸟看看科技有限公司 | 平面信息检测方法及系统 |
US20220366582A1 (en) * | 2021-05-10 | 2022-11-17 | Qingdao Pico Technology Co., Ltd. | Method and System for Detecting Plane Information |
CN115661552A (zh) * | 2022-12-12 | 2023-01-31 | 高德软件有限公司 | 一种点云处理、点云异常检测方法、介质及计算设备 |
CN117496309A (zh) * | 2024-01-03 | 2024-02-02 | 华中科技大学 | 建筑场景点云分割不确定性评估方法、系统及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090310867A1 (en) * | 2008-06-12 | 2009-12-17 | Bogdan Calin Mihai Matei | Building segmentation for densely built urban regions using aerial lidar data |
CN107341804A (zh) * | 2016-04-29 | 2017-11-10 | 成都理想境界科技有限公司 | 点云数据中平面的确定方法及装置、图像叠加方法及设备 |
WO2018133851A1 (zh) * | 2017-01-22 | 2018-07-26 | 腾讯科技(深圳)有限公司 | 一种点云数据处理方法、装置及计算机存储介质 |
CN110197215A (zh) * | 2019-05-22 | 2019-09-03 | 深圳市牧月科技有限公司 | 一种自主驾驶的地面感知点云语义分割方法 |
CN110232329A (zh) * | 2019-05-23 | 2019-09-13 | 星际空间(天津)科技发展有限公司 | 基于深度学习的点云分类方法、装置、存储介质及设备 |
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090310867A1 (en) * | 2008-06-12 | 2009-12-17 | Bogdan Calin Mihai Matei | Building segmentation for densely built urban regions using aerial lidar data |
CN107341804A (zh) * | 2016-04-29 | 2017-11-10 | 成都理想境界科技有限公司 | 点云数据中平面的确定方法及装置、图像叠加方法及设备 |
WO2018133851A1 (zh) * | 2017-01-22 | 2018-07-26 | 腾讯科技(深圳)有限公司 | 一种点云数据处理方法、装置及计算机存储介质 |
CN110197215A (zh) * | 2019-05-22 | 2019-09-03 | 深圳市牧月科技有限公司 | 一种自主驾驶的地面感知点云语义分割方法 |
CN110232329A (zh) * | 2019-05-23 | 2019-09-13 | 星际空间(天津)科技发展有限公司 | 基于深度学习的点云分类方法、装置、存储介质及设备 |
Non-Patent Citations (1)
Title |
---|
PATIPHON NARKSRI等: "A Slope-robust Cascaded Ground Segmentation in 3D Point Cloud for Autonomous Vehicles", 《RESEARCHGATE》, pages 1 - 9 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112180343A (zh) * | 2020-09-30 | 2021-01-05 | 东软睿驰汽车技术(沈阳)有限公司 | 激光点云数据处理方法、装置、设备及无人驾驶系统 |
CN112365575A (zh) * | 2020-11-10 | 2021-02-12 | 广州极飞科技有限公司 | 地平面数据测量方法、装置、可移动设备和可读存储介质 |
CN112365575B (zh) * | 2020-11-10 | 2022-06-21 | 广州极飞科技股份有限公司 | 地平面数据测量方法、装置、可移动设备和可读存储介质 |
WO2022099511A1 (zh) * | 2020-11-11 | 2022-05-19 | 深圳元戎启行科技有限公司 | 基于点云数据的地面分割方法、装置和计算机设备 |
CN112508970A (zh) * | 2020-12-16 | 2021-03-16 | 北京超星未来科技有限公司 | 一种点云数据分割方法及装置 |
CN112508970B (zh) * | 2020-12-16 | 2023-08-25 | 北京超星未来科技有限公司 | 一种点云数据分割方法及装置 |
WO2022141116A1 (zh) * | 2020-12-29 | 2022-07-07 | 深圳市大疆创新科技有限公司 | 三维点云分割方法和装置、可移动平台 |
US20220366582A1 (en) * | 2021-05-10 | 2022-11-17 | Qingdao Pico Technology Co., Ltd. | Method and System for Detecting Plane Information |
WO2022237026A1 (zh) * | 2021-05-10 | 2022-11-17 | 青岛小鸟看看科技有限公司 | 平面信息检测方法及系统 |
US11741621B2 (en) | 2021-05-10 | 2023-08-29 | Qingdao Pico Technology Co., Ltd. | Method and system for detecting plane information |
CN114298581A (zh) * | 2021-12-30 | 2022-04-08 | 广州极飞科技股份有限公司 | 质量评估模型生成方法、质量评估方法、装置、电子设备和可读存储介质 |
CN114255325A (zh) * | 2021-12-31 | 2022-03-29 | 广州极飞科技股份有限公司 | 地面模型生成、障碍数据确定、作业控制方法及相关装置 |
CN115661552A (zh) * | 2022-12-12 | 2023-01-31 | 高德软件有限公司 | 一种点云处理、点云异常检测方法、介质及计算设备 |
CN117496309A (zh) * | 2024-01-03 | 2024-02-02 | 华中科技大学 | 建筑场景点云分割不确定性评估方法、系统及电子设备 |
CN117496309B (zh) * | 2024-01-03 | 2024-03-26 | 华中科技大学 | 建筑场景点云分割不确定性评估方法、系统及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108334892B (zh) | 一种基于卷积神经网络的车型识别方法、装置及设备 | |
CN111311709B (zh) | 一种生成高精地图的方法及装置 | |
CN111882611B (zh) | 一种地图构建方法及装置 | |
CN111238450B (zh) | 视觉定位方法及装置 | |
CN112036462A (zh) | 一种模型训练以及目标检测的方法及装置 | |
CN113642620B (zh) | 一种障碍物检测模型训练以及障碍物检测方法及装置 | |
CN111797711A (zh) | 一种模型训练的方法及装置 | |
CN111353417A (zh) | 一种目标检测的方法及装置 | |
CN112327864A (zh) | 一种无人驾驶设备的控制方法及控制装置 | |
CN114440903A (zh) | 一种高精地图构建方法、装置、存储介质及电子设备 | |
CN117197781B (zh) | 一种交通标志识别的方法、装置、存储介质及电子设备 | |
CN112861831A (zh) | 一种目标物的识别方法、装置、存储介质及电子设备 | |
CN111476729B (zh) | 一种目标识别的方法及装置 | |
CN112818968A (zh) | 一种目标物分类方法及装置 | |
CN112902987A (zh) | 一种位姿修正的方法及装置 | |
CN112699043A (zh) | 一种测试用例生成的方法及装置 | |
CN116805393A (zh) | 一种基于3DUnet光谱-空间信息融合的高光谱图像分类方法和系统 | |
CN111639682A (zh) | 基于点云数据的地面分割方法及装置 | |
CN113887351B (zh) | 一种用于无人驾驶的障碍物检测方法及障碍物检测装置 | |
CN113642616B (zh) | 一种基于环境数据的训练样本的生成方法及装置 | |
CN114187355A (zh) | 一种图像标定方法及装置 | |
CN111639682B (zh) | 基于点云数据的地面分割方法及装置 | |
CN114332189A (zh) | 一种高精地图构建方法、装置、存储介质及电子设备 | |
CN112329547A (zh) | 一种数据处理方法及装置 | |
CN114332201A (zh) | 一种模型训练、目标检测的方法以及装置 |
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 |