CN111753768A - 表示障碍物形状的方法、装置、电子设备和存储介质 - Google Patents
表示障碍物形状的方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN111753768A CN111753768A CN202010604896.XA CN202010604896A CN111753768A CN 111753768 A CN111753768 A CN 111753768A CN 202010604896 A CN202010604896 A CN 202010604896A CN 111753768 A CN111753768 A CN 111753768A
- Authority
- CN
- China
- Prior art keywords
- obstacle
- shape
- point cloud
- information
- category
- 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
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
- G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
- Time Recorders, Dirve Recorders, Access Control (AREA)
Abstract
本申请公开了一种表示障碍物形状的方法、装置、电子设备和存储介质,涉及自动驾驶领域。具体实现方案为:获取传感器采集到的初始数据;根据该初始数据确定第一障碍物的信息,第一障碍物的信息包括第一障碍物的点云集合;利用第一障碍物的点云集合,采用凹包算法表示第一障碍物的形状。根据本申请的技术方案,采用凹包算法来表示障碍物的形状,可以更紧致地表示障碍物的外包络,以提供障碍物更准确的位置信息,增加自动驾驶车辆的可通行性。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及自动驾驶技术领域。
背景技术
无人车感知系统在将感知到的障碍物信息输出给下游系统时,需要对障碍物的形状和位置进行描述,为之后的路径规划提供有效信息。
发明内容
本申请提供了一种表示障碍物形状的方法、装置、电子设备以及存储介质。
根据本申请的一方面,提供了一种表示障碍物形状的方法,包括:获取传感器采集到的初始数据;根据该初始数据确定第一障碍物的信息,第一障碍物的信息包括第一障碍物的点云集合;利用第一障碍物的点云集合,采用凹包算法表示第一障碍物的形状。
根据本申请的另一方面,提供了一种表示障碍物形状的装置,包括:获取模块,用于获取传感器采集到的初始数据;第一信息确定模块,用于根据初始数据确定第一障碍物的信息,第一障碍物的信息包括第一障碍物的点云集合;第一形状表示模块,用于利用第一障碍物的点云集合,采用凹包算法表示第一障碍物的形状。
根据本申请的又一方面,提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行上述表示障碍物形状的方法。
根据本申请的再一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使计算机执行上述表示障碍物形状的方法。
根据本申请的技术方案,采用凹包算法来表示障碍物的形状,可以更紧致地表示障碍物的外包络,以提供障碍物更准确的位置信息,增加自动驾驶车辆的可通行性。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是根据本申请实施例一种实施方式的表示障碍物形状的方法的示意图;
图2是根据本申请实施例的凹包算法和凸包算法表示马路牙子障碍物形状的示意图;
图3-1是根据本申请实施例另一种实施方式的表示障碍物形状的方法的示意图;
图3-2是根据本申请实施例又一种实施方式的表示障碍物形状的方法的示意图;
图4-1和图4-2是本申请实施例一个应用场景的示意图;
图5是本申请实施例一个应用示例的示意图;
图6-1、图6-2和图6-3是本申请实施例另一个应用场景的示意图;
图7是根据本申请实施例一种实施方式的表示障碍物形状的装置的示意图;
图8是根据本申请实施例另一种实施方式的表示障碍物形状的装置的示意图;
图9是用来实现本申请实施例的表示障碍物形状的方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1示出根据本申请实施例的表示障碍物形状的方法的示意图。如图1所示,该方法包括:
步骤S101、获取传感器采集到的初始数据。
其中,传感器包括但不限于激光雷达(Lidar)、照相机(camera)、雷达(radar)。传感器用于采集外部世界的初始数据,如图像、点云集合等。
步骤S102、根据初始数据确定第一障碍物的信息,第一障碍物的信息包括该第一障碍物的点云集合。
根据传感器采集到的初始数据可以确定出第一障碍物的信息,如第一障碍物的点云集合、第一障碍物的类别等。
在一种实施方式中,在步骤S102中可以包括:预处理上述的初始数据,并将预处理后的数据输入机器学习模型,得到第一障碍物的信息。
例如:自动驾驶车辆的感知系统在获取到传感器采集的初始数据后,可以对初始数据进行预处理,如降噪、向量表示等,然后将预处理的初始数据输入机器学习模型。机器学习模型可以基于大量的训练样本数据训练后得到,其可以根据输入数据直接输出障碍物的信息,如每个障碍物的位置、大小、点云、类别等信息,从而提高障碍物形状表示的效率。
步骤S103、利用第一障碍物的点云集合,采用凹包算法表示该第一障碍物的形状。
利用第一障碍物的点云集合采用凹包算法可以得到第一障碍物的外接凹多边形点集,该凹多边形点集是将第一障碍物的宽度作为凹多边形的收缩半径所确定出的。采用凹包算法得到的点集可以更紧致地表示障碍物外包络,以提供障碍物更准确的位置信息,增加自动驾驶车辆的可通行性。
本实施例中,凹包算法可以为阿尔法-形状(alpha-shape)算法,也可以为外包络(boundary)算法。在一个示例中,第一障碍物为马路牙子,如图2所示,采用alpha-shape凹包算法得到的点集可以更紧致地包络马路牙子的点云集合,从而可以更准确地表示马路牙子的形状。
在一种实施方式中,在步骤S103中可以包括:将第一障碍物的三维点云集合投影至二维平面,得到第一障碍物的二维点云集合;根据第一障碍物的二维点云集合求取对应的凹包点集;采用凹包点集表示第一障碍物的形状。
例如,可以将第一障碍物的lidar三维点云集合向XY二维平面进行投影,得到相应的二维点云集合;然后,基于该二维点云集合求取二维坐标下的alpha-shape点集,并用此点集表示该第一障碍物的形状。进一步地,可以用凹包点集和障碍物在Z轴上的高度信息表示该第一障碍物在空间中的形状。
在一种实施方式中,障碍物的信息可以包括障碍物的类别。自动驾驶车辆的感知系统可以识别出很多已知的规则形状的障碍物,这些障碍物的类别为已知类别,如行人、机动车、非机动车等障碍物。但在现实世界中,还有很多感知系统暂时无法识别的障碍物,例如形态各异的栅栏、马路牙子、异形车(挖掘机、道路施工车等)等未知类别的障碍物。
进一步地,如图3-1所示,在步骤S103中可以包括:步骤S301、在第一障碍物的类别为未知类别的情况下,利用该第一障碍物的点云集合,采用凹包算法表示该第一障碍物的形状。
在一个示例中,如果第一障碍物的类别为未知类别(如感知系统未成功识别障碍物的类别,输出的类别为未知类别),例如长度和弧度不定的马路牙子、栅栏、广告牌、水马、潮汐带、挖掘机等,则采用凹包算法表示第一障碍物的形状。进一步地,如果第一障碍物的类别为已知类别,则可以采用凸包算法或矩形框算法。本示例中,凹包算法的具体实现方式可参见上述关于凹包算法的描述,在此不再赘述。
在一种实施方式中,第一障碍物的类别为未知类别,如图3-2所示,本实施例的方法还可以包括:步骤S302、根据初始数据确定第二障碍物的信息,第二障碍物的信息包括第二障碍物的点云集合以及第二障碍物的类别,第二障碍物的类别为已知类别;步骤S303、利用该第二障碍物的点云集合,采用矩形框算法或凸包算法表示该第二障碍物的形状。
矩形框算法即用矩形框来表示第二障碍物的形状。根据第二障碍物的点云集合可以得到第二障碍物的中心位置以及和长(l)宽(w)高(h)信息,以第二障碍物的中心位置作为矩形框的中心点,基于中心点向四周各扩展h/2,l/2,w/2,从而得到的矩形框来表示第二障碍物在空间中的形状。例如:图4-1中,A表示自动驾驶车辆,B表示机动车障碍物,C表示该机动车障碍物的形状。
凸包算法即用第二障碍物的凸多边形(Convex Polygon,多边形内部所有的两点连线都在多边形内部)表示第二障碍物的形状。例如,根据第二障碍物的点云集合得到该第二障碍物的最小外接凸多边形来表示第二障碍物的形状,进一步地,加上该第二障碍物高度信息可以表示第二障碍物在空间中的形状。例如:图4-2中,D表示机动车障碍物B的形状。
对于规则形状的障碍物,感知系统在大量训练数据的调校下能够准确识别障碍物的类别,并根据模板库中预存储的尺寸准确地给出障碍物的形状信息。这些形状信息都是基于障碍物的点云集合采用矩形框算法或凸包算法来表示障碍物形状的。因此,对于已知类别的第二障碍物,采用矩形框算法或凸包算法可以更快速更便利地得到第二障碍物的形状表示。
在一种实施方式中,在步骤S302中可以包括:预处理上述的初始数据,并将预处理后的数据输入机器学习模型,得到第二障碍物的信息。
在一个示例中,如图5所示,自动驾驶车辆的感知系统获取传感器Lidar、camera、radar采集到的初始数据,并基于这些初始数据得到第一障碍物的信息和第二障碍物的信息,包括第二障碍物和第二障碍物的点云集合以及第一障碍物和第二障碍物的类别。其中,第一障碍物为已知类别,如行人、机动车、非机动车等障碍物,采用规则形状(矩形框或凸包)表示第一障碍物的形状;第二障碍物为未知类别,如栅栏、马路牙子、异型车等障碍物,采用凹包(如alpha-shape)表示第二障碍物的形状。进一步地,将第一障碍物和第二障碍物的形状表示输出给自动驾驶车辆的下游控制系统。
在一个示例中,如图6-1、图6-2、图6-3所示,第一障碍物为道路边缘的马路牙子,其类别为未知类别,A表示自动驾驶车辆,E表示马路牙子的点云集合,F为用矩形框表示的马路牙子的形状,G为用凸包算法表示的马路牙子的形状。由此看出,用矩形框或凸包算法表示马路牙子的形状将比马路牙子的实际尺寸要大很多,因此,会使自动驾驶车辆A做出误判,认为自动驾驶车辆A无法通过。如图2所示,采用alpha-shape凹包算法表示马路牙子的形状,能够更好地对弧形马路牙子进行包裹,自动驾驶车辆在进行路径规划时,不会误认为此处有超大障碍物,无法通行。
在本实施例中,当障碍物的类别为已知类别时,感知系统可以根据模板库中预存储的尺寸准确地给出障碍物的形状信息,这些形状信息都是基于障碍物的点云集合采用矩形框算法或凸包算法来表示障碍物形状的,因此,对于已知类别的障碍物,采用矩形框算法或凸包算法可以更快速更便利地得到障碍物的形状表示;而当障碍物的类别为未知类别时,用凹包算法可以更紧致地表示障碍物的形状,以提供障碍物更准确的位置信息,增加自动驾驶车辆的可通行性。因此,根据障碍物的类别分别采用不用的算法来表示障碍物的形状,可以兼顾效率和准确率,并能够有效缓解出现未知类别的障碍物而导致的自动驾驶车辆无法通行的问题。
图7示出根据本申请实施例的表示障碍物形状的装置的示意图。如图7所示,该装置包括:
获取模块701,用于获取传感器采集到的初始数据;
第一信息确定模块702,用于根据初始数据确定第一障碍物的信息,第一障碍物的信息包括第一障碍物的点云集合;
第一形状表示模块703,用于利用第一障碍物的点云集合,采用凹包算法表示第一障碍物的形状。
在一种实施方式中,第一障碍物的信息还包括第一障碍物的类别,第一形状表示模块703还用于在第一障碍物的类别为未知类别的情况下,利用第一障碍物的点云集合,采用凹包算法表示第一障碍物的形状。
在一种实施方式中,第一障碍物的信息还包括第一障碍物的类别,第一障碍物的类别为未知类别,如图8所示,该装置还包括:
第二信息确定模块801,用于根据初始数据确定第二障碍物的信息,第二障碍物的信息包括第二障碍物的点云集合以及第二障碍物的类别,第二障碍物的类别为已知类别;
第二形状表示模块802,用于利用第二障碍物的点云集合,采用矩形框算法或凸包算法表示第二障碍物的形状。
在一种实施方式中,第一形状表示模块703包括:
投影单元,用于将第一障碍物的三维点云集合投影至二维平面,得到第一障碍物的二维点云集合;
凹包点集求取单元,用于根据第一障碍物的二维点云集合求取对应的凹包点集;
形状表示单元,用于采用凹包点集表示第一障碍物的形状。
在一种实施方式中,第一信息确定模块702还用于预处理初始数据,并将预处理后的数据输入机器学习模型,得到第一障碍物的信息。
本申请实施例装置中的各模块和单元的功能可以参见上述方法中的对应描述,在此不再赘述。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图9所示,是根据本申请实施例的表示障碍物形状的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图9所示,该电子设备包括:一个或多个处理器901、存储器902,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图9中以一个处理器901为例。
存储器902即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的表示障碍物形状的方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的表示障碍物形状的方法。
存储器902作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的表示障碍物形状的方法对应的程序指令/模块(例如,附图7所示的信息确定模块701和第一形状表示模块702)。处理器901通过运行存储在存储器Y02中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的表示障碍物形状的方法。
存储器902可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据表示障碍物形状的电子设备的使用所创建的数据等。此外,存储器902可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器902可选包括相对于处理器901远程设置的存储器,这些远程存储器可以通过网络连接至表示障碍物形状的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
表示障碍物形状的方法的电子设备还可以包括:输入装置903和输出装置904。处理器901、存储器902、输入装置903和输出装置904可以通过总线或者其他方式连接,图9中以通过总线连接为例。
输入装置903可接收输入的数字或字符信息,以及产生与表示障碍物形状的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置Y04可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与虚拟专用服务器(VPS)服务中,存在的管理难度大,业务扩展性弱的缺陷。
根据本申请实施例的技术方案,采用凹包算法来表示障碍物的形状,可以更紧致地表示障碍物的外包络,以提供障碍物更准确的位置信息,增加自动驾驶车辆的可通行性。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (12)
1.一种表示障碍物形状的方法,包括:
获取传感器采集到的初始数据;
根据所述初始数据确定第一障碍物的信息,所述第一障碍物的信息包括所述第一障碍物的点云集合;
利用所述第一障碍物的点云集合,采用凹包算法表示所述第一障碍物的形状。
2.根据权利要求1所述的方法,其中,所述第一障碍物的信息还包括所述第一障碍物的类别,所述利用所述第一障碍物的点云集合,采用凹包算法表示所述第一障碍物的形状,包括:
在所述第一障碍物的类别为未知类别的情况下,利用所述第一障碍物的点云集合,采用所述凹包算法表示所述第一障碍物的形状。
3.根据权利要求1所述的方法,其中,所述第一障碍物的信息还包括所述第一障碍物的类别,所述第一障碍物的类别为未知类别,所述方法还包括:
根据所述初始数据确定第二障碍物的信息,所述第二障碍物的信息包括所述第二障碍物的点云集合以及所述第二障碍物的类别,所述第二障碍物的类别为已知类别;
利用所述第二障碍物的点云集合,采用矩形框算法或凸包算法表示所述第二障碍物的形状。
4.根据权利要求1至3任一项所述的方法,其中,所述利用所述第一障碍物的点云集合,采用凹包算法表示所述第一障碍物的形状,包括:
将所述第一障碍物的三维点云集合投影至二维平面,得到所述第一障碍物的二维点云集合;
根据所述第一障碍物的二维点云集合求取对应的凹包点集;
采用所述凹包点集表示所述第一障碍物的形状。
5.根据权利要求1所述的方法,其中,所述根据所述初始数据确定第一障碍物的信息,包括:
预处理所述初始数据,并将预处理后的数据输入机器学习模型,得到所述第一障碍物的信息。
6.一种表示障碍物形状的装置,包括:
获取模块,用于获取传感器采集到的初始数据;
第一信息确定模块,用于根据所述初始数据确定第一障碍物的信息,所述第一障碍物的信息包括所述第一障碍物的点云集合;
第一形状表示模块,用于利用所述第一障碍物的点云集合,采用凹包算法表示所述第一障碍物的形状。
7.根据权利要求6所述的装置,所述第一障碍物的信息还包括所述第一障碍物的类别,所述第一形状表示模块还用于在所述第一障碍物的类别为未知类别的情况下,利用所述第一障碍物的点云集合,采用所述凹包算法表示所述第一障碍物的形状。
8.根据权利要求6所述的装置,所述第一障碍物的信息还包括所述第一障碍物的类别,所述第一障碍物的类别为未知类别,所述装置还包括:
第二信息确定模块,用于根据所述初始数据确定第二障碍物的信息,所述第二障碍物的信息包括所述第二障碍物的点云集合以及所述第二障碍物的类别;
第二形状表示模块,用于在所述第二障碍物的类别为已知类别的情况下,利用所述第二障碍物的点云集合,采用矩形框算法或凸包算法表示所述第二障碍物的形状。
9.根据权利要求6至8任一项所述的装置,其中,所述第一形状表示模块包括:
投影单元,用于将所述第一障碍物的三维点云集合投影至二维平面,得到所述第一障碍物的二维点云集合;
凹包点集求取单元,用于根据所述第一障碍物的二维点云集合求取对应的凹包点集;
形状表示单元,用于采用所述凹包点集表示所述第一障碍物的形状。
10.根据权利要求6所述的装置,所述第一信息确定模块还用于预处理所述初始数据,并将预处理后的数据输入机器学习模型,得到所述第一障碍物的信息。
11.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010604896.XA CN111753768B (zh) | 2020-06-29 | 2020-06-29 | 表示障碍物形状的方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010604896.XA CN111753768B (zh) | 2020-06-29 | 2020-06-29 | 表示障碍物形状的方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111753768A true CN111753768A (zh) | 2020-10-09 |
CN111753768B CN111753768B (zh) | 2023-07-28 |
Family
ID=72677868
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010604896.XA Active CN111753768B (zh) | 2020-06-29 | 2020-06-29 | 表示障碍物形状的方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111753768B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115861976A (zh) * | 2023-03-01 | 2023-03-28 | 小米汽车科技有限公司 | 车辆的控制方法、装置和车辆 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170282036A1 (en) * | 2016-03-10 | 2017-10-05 | Ryan Ramnarine | Roll Battle and Method Thereof |
CN109062482A (zh) * | 2018-07-26 | 2018-12-21 | 百度在线网络技术(北京)有限公司 | 人机交互控制方法、装置、服务设备及存储介质 |
CN109697729A (zh) * | 2018-12-26 | 2019-04-30 | 中国科学院大学 | 基于平面多边形匹配的3d岩体点云配准方法 |
CN109744945A (zh) * | 2017-11-08 | 2019-05-14 | 杭州萤石网络有限公司 | 一种区域属性确定方法、装置、系统及电子设备 |
DE102017127901A1 (de) * | 2017-11-27 | 2019-05-29 | Miele & Cie. Kg | Verfahren zur Erstellung einer Umgebungskarte von und/oder für einen selbstfahrenden Roboter, selbstfahrender Roboter und elektrisches Gerät |
CN110562249A (zh) * | 2019-09-26 | 2019-12-13 | 上汽通用汽车有限公司 | 自动泊车辅助方法、可读存储介质和电子设备 |
WO2020024234A1 (zh) * | 2018-08-02 | 2020-02-06 | 深圳前海达闼云端智能科技有限公司 | 路径导航方法、相关装置及计算机可读存储介质 |
-
2020
- 2020-06-29 CN CN202010604896.XA patent/CN111753768B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170282036A1 (en) * | 2016-03-10 | 2017-10-05 | Ryan Ramnarine | Roll Battle and Method Thereof |
CN109744945A (zh) * | 2017-11-08 | 2019-05-14 | 杭州萤石网络有限公司 | 一种区域属性确定方法、装置、系统及电子设备 |
DE102017127901A1 (de) * | 2017-11-27 | 2019-05-29 | Miele & Cie. Kg | Verfahren zur Erstellung einer Umgebungskarte von und/oder für einen selbstfahrenden Roboter, selbstfahrender Roboter und elektrisches Gerät |
CN109062482A (zh) * | 2018-07-26 | 2018-12-21 | 百度在线网络技术(北京)有限公司 | 人机交互控制方法、装置、服务设备及存储介质 |
WO2020024234A1 (zh) * | 2018-08-02 | 2020-02-06 | 深圳前海达闼云端智能科技有限公司 | 路径导航方法、相关装置及计算机可读存储介质 |
CN109697729A (zh) * | 2018-12-26 | 2019-04-30 | 中国科学院大学 | 基于平面多边形匹配的3d岩体点云配准方法 |
CN110562249A (zh) * | 2019-09-26 | 2019-12-13 | 上汽通用汽车有限公司 | 自动泊车辅助方法、可读存储介质和电子设备 |
Non-Patent Citations (3)
Title |
---|
彭守镇;陈威夷;邬俊杰;: "滚球手机游戏的研究与实现", 信息与电脑(理论版), no. 21 * |
胡云卿;冯江华;龙腾;潘文波;袁希文;林军;黄瑞鹏;侯志超;: "智轨电车多源环境感知系统", 控制与信息技术, no. 01 * |
陆南昌;叶婉玲;: "基于密度聚类和凹包算法的5G网络重点场景规划研究", 中国新通信, no. 09 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115861976A (zh) * | 2023-03-01 | 2023-03-28 | 小米汽车科技有限公司 | 车辆的控制方法、装置和车辆 |
CN115861976B (zh) * | 2023-03-01 | 2023-11-21 | 小米汽车科技有限公司 | 车辆的控制方法、装置和车辆 |
Also Published As
Publication number | Publication date |
---|---|
CN111753768B (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109116374B (zh) | 确定障碍物距离的方法、装置、设备及存储介质 | |
JP6744679B2 (ja) | ヒューマンマシンハイブリッド意思決定方法および装置 | |
CN111797187A (zh) | 地图数据的更新方法、装置、电子设备和存储介质 | |
JP2021119507A (ja) | 車線の決定方法、車線測位精度の評価方法、車線の決定装置、車線測位精度の評価装置、電子デバイス、コンピュータ可読記憶媒体、及びプログラム | |
EP3968266B1 (en) | Obstacle three-dimensional position acquisition method and apparatus for roadside computing device | |
US20220058818A1 (en) | Object-centric three-dimensional auto labeling of point cloud data | |
CN110675635B (zh) | 相机外参的获取方法、装置、电子设备及存储介质 | |
CN111324945B (zh) | 传感器方案确定方法、装置、设备及存储介质 | |
CN110794844B (zh) | 自动驾驶方法、装置、电子设备及可读存储介质 | |
EP3951741B1 (en) | Method for acquiring traffic state, relevant apparatus, roadside device and cloud control platform | |
CN111666876B (zh) | 用于检测障碍物的方法、装置、电子设备和路侧设备 | |
US10945888B2 (en) | Intelligent blind guide method and apparatus | |
CN111402326B (zh) | 障碍物的检测方法、装置、无人车及存储介质 | |
CN111553319A (zh) | 用于获取信息的方法和装置 | |
CN113844463B (zh) | 基于自动驾驶系统的车辆控制方法、装置及车辆 | |
CN112668428A (zh) | 车辆变道的检测方法、路侧设备、云控平台和程序产品 | |
CN111337898B (zh) | 激光点云的处理方法、装置、设备及存储介质 | |
EP4145408A1 (en) | Obstacle detection method and apparatus, autonomous vehicle, device and storage medium | |
CN114037966A (zh) | 高精地图特征提取方法、装置、介质及电子设备 | |
CN111767843A (zh) | 三维位置预测方法、装置、设备以及存储介质 | |
CN113011298B (zh) | 截断物体样本生成、目标检测方法、路侧设备和云控平台 | |
CN110866504A (zh) | 标注数据的获取方法、装置和设备 | |
CN116778458B (zh) | 车位检测模型构建方法、车位检测方法、设备及存储介质 | |
CN114186007A (zh) | 高精地图生成方法、装置、电子设备和存储介质 | |
CN111753768B (zh) | 表示障碍物形状的方法、装置、电子设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |