CN112154455A - 数据处理方法、设备和可移动平台 - Google Patents

数据处理方法、设备和可移动平台 Download PDF

Info

Publication number
CN112154455A
CN112154455A CN201980033428.7A CN201980033428A CN112154455A CN 112154455 A CN112154455 A CN 112154455A CN 201980033428 A CN201980033428 A CN 201980033428A CN 112154455 A CN112154455 A CN 112154455A
Authority
CN
China
Prior art keywords
point cloud
state information
target object
cloud cluster
movable platform
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.)
Pending
Application number
CN201980033428.7A
Other languages
English (en)
Inventor
吴显亮
陈进
赖镇洲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SZ DJI Technology Co Ltd
Original Assignee
SZ DJI Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by SZ DJI Technology Co Ltd filed Critical SZ DJI Technology Co Ltd
Publication of CN112154455A publication Critical patent/CN112154455A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • 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

Abstract

一种数据处理方法、设备和可移动平台，该方法包括：获取目标传感器数据和融合数据(S301)。对点云数据进行路面物体点云聚类处理得到点云簇，并确定所述点云簇的状态信息(S302)。判断所述点云簇的状态信息与所述融合数据中目标物的状态信息是否符合一致性条件(S303)。若不符合，则根据所述传感器在所述可移动平台所处的环境中的可观测范围，确定发生对所述目标物的状态信息的错误检测的概率，所述概率用于指示所述可移动平台是否执行避障操作(S304)。因此判断一致性条件校验的准确率更高，并且获得的上述概率更加符合客观实际情况，以便更准确地指导可移动平台是否执行避障操作，以确保可移动平台的运动过程的安全性。

Description

数据处理方法、设备和可移动平台
技术领域
本申请实施例涉及自动驾驶技术领域，尤其涉及一种数据处理方法、设备和可移动平台。
背景技术
在自动驾驶车辆行驶的过程中，自动驾驶车辆对其所处环境中的动态物体或静态物体进行识别、跟踪、融合等方式来获得融合数据，融合数据中包括识别出的各物体的状态信息，并根据这些物体的状态信息进行导航规划，以及控制自动驾驶车辆的行驶。其中，物体的状态信息例如可以包括：物体属性、位置、速度、朝向、加速度等信息。例如自动驾驶车辆估计出前方有一个停止的车辆，则自动驾驶车辆可以执行减速操作，以保证行驶安全。在获得上述融合数据的过程中，或多或少有一定概率失效，从而导致物体的状态信息不够准确，进而影响自动驾驶车辆的行驶。
发明内容
本申请实施例提供一种数据处理方法、设备和可移动平台，用于判定融合数据中物体的状态信息的准确性，以便指导控制可移动平台的运动，保证可移动平台的运动安全性。
第一方面，本申请实施例提供一种数据处理方法，包括：
获取目标传感器数据和融合数据，其中，所述融合数据是根据多个传感器的数据融合得到的，所述传感器用于对可移动平台所处的环境进行数据采集，所述融合数据中包括所述环境中已检测出的目标物的状态信息，所述目标传感器数据包括点云数据；
对所述点云数据进行路面物体点云聚类处理得到点云簇，并确定所述点云簇的状态信息；
判断所述点云簇的状态信息与所述目标物的状态信息是否符合一致性条件；
若不符合，则根据所述传感器在所述可移动平台所处的环境中的可观测范围，确定发生对所述目标物的状态信息的错误检测的概率，所述概率用于指示所述可移动平台是否执行避障操作。
第二方面，本申请实施例提供一种数据处理设备，包括：多个传感器和处理器；
所述处理器，用于获取目标传感器数据和融合数据，其中，所述融合数据是根据所述多个传感器的数据融合得到的，所述传感器用于对可移动平台所处的环境进行数据采集，所述融合数据中包括所述环境中已检测出的目标物的状态信息，所述目标传感器数据包括点云数据；对所述点云数据进行路面物体点云聚类处理得到点云簇，并确定所述点云簇的状态信息；判断所述点云簇的状态信息与所述目标物的状态信息是否符合一致性条件；若不符合，则根据所述传感器在所述可移动平台所处的环境中的可观测范围，确定发生对所述目标物的状态信息的错误检测的概率，所述概率用于指示所述可移动平台是否执行避障操作。
第三方面，本申请实施例提供一种可移动平台，包括：可移动平台本体以及如第二方面本申请实施例所述的数据处理设备，其中，所述数据处理设备安装于所述可移动平台本体上。
第四方面，本申请实施例提供一种可读存储介质，所述可读存储介质上存储有计算机程序；所述计算机程序在被执行时，实现如第一方面本申请实施例所述的数据处理方法。
第五方面，本申请实施例提供一种程序产品，所述程序产品包括计算机程序，所述计算机程序存储在可读存储介质中，可移动平台的至少一个处理器可以从所述可读存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序使得可移动平台实施如第一方面本申请实施例所述的数据处理方法。
本申请实施例提供的数据处理方法、设备和可移动平台，获取目标传感器数据和融合数据，对所述目标传感器数据的点云数据进行路面物体点云聚类处理得到点云簇，并确定所述点云簇的状态信息，若所述点云簇的状态信息与融合数据中目标物的状态信息不符合一致性条件，则根据所述传感器在所述可移动平台所处的环境中的可观测范围，确定发生对所述目标物的状态信息的错误检测的概率，所述概率用于指示所述可移动平台是否执行避障操作。由于点云簇的状态信息是由点云数据获得，所以通过点云簇的状态信息来对融合数据中目标物的状态信息进行一致性校验的准确率更高，若一致性校验未通过，还通过传感器在所述可移动平台所处的环境中的可观测范围，获得目标物的状态信息的错误检测的概率，该概率更加符合客观实际情况，以便更准确地指导可移动平台是否执行避障操作，以确保可移动平台的运动过程的安全性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本申请的实施例的自动驾驶车辆的示意性架构图；
图2为本申请一实施例提供的应用场景示意图；
图3为本申请一实施例提供的数据处理方法的流程图；
图4为本申请一实施例提供的控制可移动平台减速运动的一种示意图；
图5为本申请一实施例提供的不同速度下建议的舒适动态物体保持距离distdynamic，机动静态物体保持距离diststatic，以及缓冲距离distmargin的对应关系图；
图6为本申请一实施例提供的数据处理设备的结构示意图；
图7为本申请一实施例提供的可移动平台的结构示意图；
图8为本申请另一实施例提供的可移动平台的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作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。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
本申请的实施例提供了数据处理方法、设备和可移动平台，其中，可移动平台可以是无人机、无人车、无人船、机器人或自动驾驶汽车等。
下面对本申请可移动平台的描述使用自动驾驶车辆作为示例。图1是根据本申请的实施例的自动驾驶车辆的示意性架构图。
自动驾驶车辆100可以包括感知系统110、控制系统120和机械系统130。
其中，感知系统110用于测量自动驾驶车辆100的状态信息，即自动驾驶车辆100的感知数据，感知数据可以表示自动驾驶车辆100的位置信息和/或状态信息，例如，位置、角度、速度、加速度和角速度等。感知系统110例如可以包括视觉传感器(例如包括多个单目或双目视觉装置)、激光雷达、毫米波雷达、惯性测量单元(Inertial Measurement Unit，IMU)、全球导航卫星系统、陀螺仪、超声传感器、电子罗盘、和气压计等传感器中的至少一种。例如，全球导航卫星系统可以是全球定位系统(Global Positioning System，GPS)。
感知系统110获取到感知数据后，可以将感知数据传输给控制系统120。其中，控制系统120用于根据感知数据做出用于控制自动驾驶车辆100如何行驶的决策，例如：以多少的速度行驶，或者，以多少的刹车加速度刹车，或者，是否变道行驶，或者，左/右转行驶等。控制系统120例如可以包括：计算平台，例如车载超级计算平台，或者中央处理器、分布式处理单元等具有处理功能器件的至少一种。控制系统120还可以包括车辆上各种数据传输的通信链路。
控制系统120可以根据确定的决策向机械系统130输出一个或多个控制指令。其中，机械系统130用于响应来自控制系统120的一个或多个控制指令对自动驾驶车辆100进行控制，以完成上述决策，例如：机械系统130可以驱动自动驾驶车辆100的车轮转动，从而为自动驾驶车辆100的行驶提供动力，其中，车轮的转动速度可以影响到自动驾驶车辆的速度。其中，机械系统130例如可以包括：机械的车身发动机/电动机、控制的线控系统等等中的至少一种。
应理解，上述对于无人驾驶车辆各组成部分的命名仅是出于标识的目的，并不应理解为对本申请的实施例的限制。
其中，图2为本申请一实施例提供的应用场景示意图，如图2所示，自动驾驶车辆可以在路面上行驶，并且自动驾驶车辆在当前环境中的路面行驶的过程中，可以(例如通过上述的感知系统110)采集感知数据，该感知数据(也可称为传感器数据)可以包括点云数据、图像数据和雷达数据等，然后根据感知数据，获得融合数据，获得融合数据后具体如何处理可以参见本申请下述各实施例所述。
本申请各实施例可以应用于可移动平台运动的动态场景中，对可移动平台所处环境中的动态物体或者静态物体进行识别、跟踪、融合等方式来获取这些物体的状态估计，从而引导相关的导航规划和控制任务；然而，这些物体的识别、跟踪以及融合等处理方式，都是具有一定的失效概率，即无法获取正确的状态估计信息，在这种情况下，可以采用本申请各实施例的方案来识别这些失效的模式，从而主动进行规避处理，提高可移动平台的安全性能。
相关技术中，针对物体状态的估计失效，可大致分为误检、漏检、状态估计不准确(例如，车辆的位置、速度、朝向、类别信息不准确等)、关联信息(例如物体在不同的时间序列上面是否是同一物体)不准确等几个方面。其中，针对误检和漏检，常常定义正类(Positive)和负类(Negative)，分别对应有无检测，错误的正类(False Positive)和错误的负类(False Negative)则分别对应误检和漏检。
通常来说，针对物体的状态估计，通常分为几个步骤：首先对原始传感器进行处理，得到物体状态估计的基础数据，这些处理手段可以包括图像的处理，以及点云的处理等等；接下来开始进行物体的检测，例如用深度神经网络来进行训练，得到较为准确的检测结果；接下来将检测的物体在时间序列上面进行数据关联，将同一个物体在不同时刻的检测结果关联在一起，这个关联的过程通常是结合跟踪算法来使用的，从而得到时序上较为平稳的检测结果，如果每个物体有多个观测，例如不同相机视角的重叠或者多个不同种类传感器采集数据，则需要将这些观测融合起来，得到一个最终的物体状态估计，这就涉及到多元信息融合的技术。
然而，以上所有的处理过程，都或多或少有一定概率导致失效，并且，每一个模块的失效累加起来，都会导致最终系统的失效率大大超出设计要求，因而，每个模块及时控制自己模块的失效率，也无法保证整个系统的失效率能够有较大的降低，所以，为了最终安全目标，系统应该能够自动的识别一些常见的失效模式并且主动规避，而不仅仅依赖每个模块内部的失效检测。
当前可移动平台(例如无人机和无人车)的系统搭建中，往往是将这些安全性的指标分配到每个模块中，每个模块来进行失效率的检测和规避，例如在物体检测模块中，有相关技术手段可以用来降低误检和漏检，比如，提高传感器精度，设置更加细致的采样规则等等。
在多元信息融合模块中，很多系统会把这个系统作为整个系统感知信息的最终输出，然而，相关技术中未能够提出有效的校验融合数据的方案
图3为本申请一实施例提供的数据处理方法的流程图，如图3所示，本实施例的方法可以包括：
S301、获取目标传感器数据和融合数据。
本实施例中，获取融合数据，其中，所述融合数据是根据可移动平台的多个传感器的数据融合得到的，所述传感器用于对可移动平台所处的环境进行数据采集，若传感器为图像传感器，则图像传感器采集的是可移动平台所处的环境的图像数据；若传感器为激光传感器，则图像传感器采集的是可移动平台所处的环境的点云数据。上述融合数据包括中包括所述环境中已检测出的目标物的状态信息，以可移动平台为自动驾驶车辆为例，当自动驾驶车辆在路面上行驶时，上述的融合数据可以包括所处环境中已检测出的其它车辆的状态信息。其中，如何根据多个传感器的数据融合得到融合数据可以参见相关技术中的描述，此处不再赘述。
另外，本实施例还获取目标传感器数据，该目标传感器例如可以上述多个传感器中的传感器，所述目标传感器数据包括点云数据，该目标传感器例如可以是激光传感器。
可选地，上述目标物的状态信息可以包括以下任一项或多项参数信息：物体属性、位置、朝向、速度、加速度。其中，速度可以包括以下至少一项：线速度、角速度。物体属性例如可以是车辆，或者，人等等。
S302、对点云数据进行路面物体点云聚类处理得到点云簇，并确定所述点云簇的状态信息。
本实施例中，对上述目标传感器数据中的点云数据进行路面物体点云聚类处理得到点云簇，并确定得到的各点云簇的状态信息。
可选地，点云簇的状态信息可以包括以下任一项或多项参数信息：物体属性、位置、朝向、速度、加速度。
S303、判断所述点云簇的状态信息与所述融合数据中目标物的状态信息是否符合一致性条件。
S304、若不符合，则根据所述传感器在所述可移动平台所处的环境中的可观测范围，确定发生对所述目标物的状态信息的错误检测的概率，所述概率用于指示所述可移动平台是否执行避障操作。
本实施例中，在获得点云簇的状态信息之后，判断获得的点云簇的状态信息与融合数据中目标物的状态信息是否符合一致性条件。如果点云簇的状态信息与融合数据中目标物的状态信息符合一致性条件，说明融合数据中的目标物的状态信息检测正确。如果点云簇的状态信息与融合数据中目标物的状态信息不符合一致性条件，说明融合数据中目标物的状态信息可能出现了错误检测。然后根据传感器在可移动平台所处的环境中的可观测范围，确定对融合数据中目标物的状态信息的错误检测的概率，概率用于指示该可移动平台是否执行避障操作。
本实施例中，获取目标传感器数据和融合数据，对所述目标传感器数据的点云数据进行路面物体点云聚类处理得到点云簇，并确定所述点云簇的状态信息，若所述点云簇的状态信息与融合数据中目标物的状态信息不符合一致性条件，则根据所述传感器在所述可移动平台所处的环境中的可观测范围，确定发生对所述目标物的状态信息的错误检测的概率，所述概率用于指示所述可移动平台是否执行避障操作。由于点云簇的状态信息是由点云数据获得，所以通过点云簇的状态信息来对融合数据中目标物的状态信息进行一致性校验的准确率更高，若一致性校验未通过，还通过传感器在所述可移动平台所处的环境中的可观测范围，获得目标物的状态信息的错误检测的概率，该概率更加符合客观实际情况，以便更准确地指导可移动平台是否执行避障操作，以确保可移动平台的运动过程的安全性。
在一些实施例中，还根据传感器在环境中的可观测范围划分环境为多个环境类别；例如可以是根据上述多个传感器的至少一个传感器在环境中的可观测范围划分环境为多个环境类别，又例如可以是根据上述目标传感器(比如激光传感器)在环境中的可观测范围划分环境为多个环境类别。多个环境类别比如是周边具有建筑物的城市道路、多山区的高速公路、平地的高速公路、具有隧道的高速公路等等，本实施例并不限于此。
相应地，上述S304的一种可能的实现方式可以包括S3041-S3043：
S3041、获取所述可移动平台所处的环境属于各个环境类别的环境概率信息。
S3042、获取所述传感器在所述环境类别中发生错误检测的先验概率信息。
S3043、根据所述环境概率信息和所述先验概率信息，确定发生对所述目标物的状态信息的错误检测的概率。
本实施例中，获取可移动平台当前所处的环境分别属于上述划分得到的多个环境类别中每个环境类别的环境概率信息。另外，还获取传感器在上述每个环境类别中发生错误检测的先验概率信息。然后根据可移动平台所处的环境属于上述每个环境类别的环境概率信息以及传感器(例如上述目标传感器)在上述每个环境类别中发生错误检测的先验概率信息，确定发生对融合数据中目标物的状态信息的错误检测的概率。
例如：根据传感器在环境中的可观测范围划分环境为N个环境类别，分别为第1环境类别、第2环境类别、…、第N环境类别。获取可移动平台所处的环境属于第1环境类别的环境概率信息为概率P(A1)、可移动平台所处的环境属于第2环境类别的环境概率信息为概率P(A2)、…、可移动平台所处的环境属于第N环境类别的环境概率信息为概率P(AN)；获取传感器在第1环境类别的环境中发生错误检测的先验概率信息为概率P(B1)、传感器在第2环境类别的环境中发生错误检测的先验概率信息为概率P(B2)、…、传感器在第N环境类别的环境中发生错误检测的先验概率信息为概率P(BN)；然后，确定发生对目标物的状态信息的错误检测的概率为：P(A1)*P(B1)+P(A2)*P(B2)+…+P(AN)*P(BN)。因此，据此获得的发生对融合数据中目标物的状态信息的错误检测的概率，可以更加精确地评估该目标物的状态信息的错误检测的可能性。
可选地，上述S3041的一种可能的实现方式为：根据所述点云数据中的点云分布密度，确定所述可移动平台所处的环境属于各个环境类别的环境概率信息。例如：若点云分布密度为较密集，则说明可移动平台所处的环境属于具有建筑物的城市道路的概率较大；若点云分布密度为较稀疏，则说明可移动平台平所处的环境属于平地的高速公路的概率较大。
由于点云数据是可靠性更高的数据，所以由此获得的可移动平台所处的环境属于各个环境类别的环境概率信息的准确性更高。
在一些实施例中，本实施例在执行上述S304之后，还判断S304确定的概率是否大于预设概率，若所述概率大于预设概率，则说明发生对所述目标物的状态信息的错误检测的可能性较大，则指示可移动平台需要执行避障操作，若所述概率小于等于预设概率，则说明发生对目标物的状态信息的错误检测的可能性较小，则指示可移动平台不需要执行避障操作。然后在所述点云数据中查找对应该目标物的点云簇，该点云簇的状态信息可以更加真实地反映出目标物的实际状态信息，再获取对应该目标物的点云簇的运动参数(例如速度、加速度、运动朝向等)，根据该目标物的点云簇的运动参数来控制该可移动平台执行避障操作，也可以将该目标物的点云簇的运动参数作为该目标物的运动参数。可选地，控制可移动平台执行避障操作例如可以是控制该可移动平台减速运动，或者，控制该可移动平台转向运动(例如变更朝向)，或者，控制该可移动平台减速运动和转向运动，以便通过这些操作使得可移动平台躲避该目标物，保证可移动平台的运动安全。
在一些实施例中，上述控制可移动平台减速运动的一种可能的实现方式可以为：计算所述可移动平台从当前所处位置运动至所述点云簇当前所处的第一位置时，所述可移动平台运动的第一距离；根据所述点云簇的运动参数和所述可移动平台的运动参数，预测所述可移动平台的运动轨迹与所述点云簇的运动轨迹相交第二位置；计算所述可移动平台运动至所述第二位置时，所述可移动平台运动的第二距离；若所述第二距离减去所述第一距离的距离差值为正数，控制所述可移动平台在所述距离差值的运动轨迹上执行减速运动。
参见图4所示，可移动平台当前所处位置为O，点云簇当前所处的位置称为第一位置(即为C)，假设点云簇对应的目标物是静止的，计算可移动平台运动至该点云簇的位置(即第一位置C)的距离为第一距离d1。然后根据点云簇的运动参数和可移动平台的运动参数，图4中示出点云簇和可移动平台沿同一方向直线运动为例，预测可移动平台的运动轨迹和点云簇的运动轨迹相交的位置称为第二位置(即为D)，也就是预测按照点云簇和可移动平台分别按照对应的运动参数继续运动，估算出点云簇对应的目标物与可移动平台发生碰撞的位置为第二位置D。再计算可移动平台从当前所处位置O运动至第二位置D时，可移动平台运动的第二距离d2。再将第二距离d2减去第一距离d1，获得距离差值Δd＝d2-d1，如果Δd大于0，控制可移动平台从当前位置开始后的距离为Δd的运动轨迹上执行减速运动，以确定可移动平台的运动安全性。
在一些实施例中，上述控制所述可移动平台在所述距离差值的运动轨迹上执行减速运动的一种可能的实现方式可以为：计算所述可移动平台从当前所处位置减速运动至所述第一位置，且在所述第一位置速度为零过程中的第一加速度；控制所述可移动平台在所述距离差值的运动轨迹上以第二加速度执行减速运动，所述第二加速度的绝对值小于所述第一加速度的绝对值。
参见图4，如果Δd大于0，则计算可移动平台从当前所处位置O减速运动至第一位置C，并且当可移动平台运动至第一位置C时速度减为0的过程中的加速度为第一加速度，然后控制可移动平台在Δd的运动轨迹上以绝对值小于第一加速度的第二加速度执行减速运动，这样可移动平台从当前所处处位置O以第二加速度减速运动至第一位置C时，可移动平台的速度大于0，即可移动平台从当前所处位置O运动至第一位置C的过程为较为缓慢的减速运动，这样既保证了可移动平台的运动安全性也避免快速减速给用户带来的不适感，提高了用户的体验。
可选地，在控制可移动平台以第二加速度减速运动至第一位置C后，还可以控制可移动平台以第三加速度减速度运动，其中，第三加速度的绝对值大于第二加速度的绝对值，该第三加速度例如可以等于第一加速度。
如果目标物也在继续运动，有可能可移动平台以第二加速度减速运动了Δd的运动轨迹，此时新的Δd仍然大于0，则可移动平台可以继续进行较缓慢的减速运动。
在一些例子中，例如针对漏检的情况，也不限于此种情况，一般来说，大概率可以被通过点云数据检测出来，作为点云的形式，缺少必要的状态信息，无法表达动态的情况，如果一个有速度估计的物体，它漏检所导致的结果，大概率是退化成点云的形式，没有速度，所以，在可移动平台(例如自动驾驶车辆)进行跟车或者变道预测的时候，需要考虑前车可能突然退化成点云的形式，采用如下的安全距离(dist)计算公式：
Figure BDA0002784634840000111
其中，vr和vf分别为相邻前后两车中后车(即可移动平台)和前车的即时速度，ar和af分别为后车和前车即时加速度，abrake为可以接收的后车刹车加速度，tresp为后车反应时间。其中，在跟车任务中，可以假设abrake＝0.1g～0.2g来规划舒适动态物体保持距离distdynamic(例如上述实施例中的第二距离)，但是考虑到退化成点云的情况，此时vf＝0，这样，然后利用abrake＝0.5g来规划静止障碍物的机动静态物体保持距离diststatic(例如上述实施例中的第一距离)，通常需要保证distdynamic＞diststatic，这样，得到一个缓冲距离distmargin＝distdynamic-diststatic(例如上述实施例中的距离差值)，这样即使前方车辆突然退化为点云，这样可以利用distmargin的区间采用0.1g～0.2g的舒适刹车加速度进行减速，如果超出来缓冲距离，则采取机动刹车加速度abrake＝0.2g～0.5g，如果确定该物体突然出现在紧急制动距离以内，并且该物体较大可能不是误检，则采取紧急制动abrake＞0.5g。例如如图5所示，不同速度下建议的舒适动态物体保持距离distdynamic，机动静态物体保持距离diststatic，以及缓冲距离distmargin的对应关系图。如果该退化成点云的动态物体一直向前行驶，则下一帧到实际物体的距离也就没有缩短，也就是一直不会超出缓冲距离distmargin，继而很大概率较少进行机动刹车，极少进入紧急刹车，只是在进行舒适刹车，这样既规避来动态物体退化成点云的危害同时又保证用户体验。也就是，当后车根据舒适动态物体保持距离distdynamic与前车保持距离的时候，前车的速度已知，如果某一时刻前车退化为无速度的点云或者速度低估，这个时候，会预测需要机动规避静态物体的机动静态物体保持距离diststatic，这时候往往distdynamic大于diststatic，这两个距离差就是缓冲距离distmargin，即本车可以先在缓冲距离distmargin进行舒适的加速度进行刹车，超出缓冲距离distmargin后，在进行机动刹车甚至紧急刹车，下一个时刻该动态物体已经往前移动，所以这个缓冲距离distmargin在下一个时刻又会更新变长，导致后车大概率不会超出缓冲距离，从而提升舒适度的同时保证安全。
在一些实施例中，上述各实施例中所述的一致性条件可以包括以下1)-3)项中的至少一项：
1)点云数据中存在对应目标物的点云簇。也就是，判断对所述点云数据进行路面物体点云聚类处理得到点云簇中是否存在对应该目标物的点云簇(即判断是否存在误检)，若存在，则确定该所述点云簇的状态信息与所述目标物的状态信息符合一致性条件(即不存在误检)，若不存在，则确定该所述点云簇的状态信息与所述目标物的状态信息不符合一致性条件(即存在误检)。
举例来说，针对误检，需要结合环境来区分该误检是否是“凭空产生的误检”；例如平旷的高速公路上，没有任何遮挡，该误检突然出现，则大概率下真的是误检，如果不是误检，那么意味着它在很长一段时间不可见是有原因的，如果附近有路口或者有其他遮挡，则这种突然出现可以归因于路口或其他视觉盲区突然出现，没有视觉盲区，则认为是由于之前漏检导致的，如果漏检可能性非常小的话，可以认为该误检大概率真的是误检。可以做如下事件定义：EFP为误检，ETP为真的检测，EOpen定义为该观测之前到现在的可能位置属于视觉可观测范围，EN定义为该检测之前一段时间并没有检测出来。则
Figure BDA0002784634840000131
Figure BDA0002784634840000132
其中，可以根据环境来评估P(EOpen)的大致范围，P(EFP|EN，EOpen)表示环境无盲区并且之前没有检测的条件下，该检测是误检的概率，应该设一个较大的值；
Figure BDA0002784634840000133
表示场景有盲区也没有检测出来的条件下该检测为误检的概率，应该为一个0.5左右的折中值，同理，P(ETP|EN，EOpen)＝1-P(EFP|EN，EOpen)应该较小，
Figure BDA0002784634840000134
折中，然后再根据以上的公式分别评估P(EFP|EN)和P(ETP|EN)的大致范围，来决定该物体是否是误检的概率。这样，如果确定P(EOpen)较大，这可以得到P(EFP|EN)＞＞P(ETP|EN)，可以大概率确定为误检。
2)在所述融合数据中存在对应任一所述点云簇的目标物的状态信息。也就是，判断融合数据中是否存在任一个点云簇的目标物的状态信息，如果融合数据中不存在对应至少一个点云簇的目标物的状态信息，则确定该所述点云簇的状态信息与所述目标物的状态信息不符合一致性条件(即存在漏检)，如果融合数据中存在对应任一个点云簇的目标物的状态信息，则确定该所述点云簇的状态信息与所述目标物的状态信息符合一致性条件(即不存在漏检)。
3)对应所述点云簇的所述目标物的参数信息与所述点云簇的参数信息一致。例如：判断每个点云簇的位置、朝向、速度、加速度中至少一项参数信息与融合数据中对应该点云簇的目标物的位置、朝向、速度、加速度中至少一项参数信息是否一致，若判断的所有参数信息均一致，则确定该所述点云簇的状态信息与所述目标物的状态信息符合一致性条件，若判断的所有参数信息中至少一项参数信息不一致，则确定该所述点云簇的状态信息与所述目标物的状态信息不符合一致性条件。
在一些实施例中，若所述点云簇的状态信息与所述目标物的状态信息不符合一致性条件，则采用对应所述目标物的点云簇的参数信息作为所述目标物的参数信息。
在一些实施例中，所述目标传感器数据还包括影像数据，该目标传感器还包括影像传感器，相应地，判断点云数据中是否存在对应目标物的点云簇的一种可能的实现方式可以为：根据所述影像数据中像素的强度，确定所述点云数据中是否存在对应所述目标物的点云簇。若不存在，则确定所述点云簇的状态信息与所述目标物的状态信息不符合所述一致性条件；若存在，则确定所述点云簇的状态信息与所述目标物的状态信息符合所述一致性条件。通过影像数据中像素的强度来辅助判断点云数据中是否存在对应所述目标物的点云簇，可以提高判断结果的准确性，尤其在点云数据中存在点云分布密度较稀疏的情况下，可以保证判断结果的准确性。例如，针对特定颜色的物体，例如黑色，该黑色物体对应的点云分布有可能较为稀疏，而影像数据中该黑色物体对应的像素的强度较大，则也可以以影像数据辅助以确定该点云数据中存在对应所述黑色物体的点云簇。
在一些实施例中，所述点云簇基于不符合平面或不符合目标曲面的激光点云点聚类，所述目标曲面为曲率低于预设曲率的曲面。这样保证获得的点云簇是对应路面以上的目标物体的点云簇，由于路面以上的目标物体可能对可移动平台造成安全隐患，所以关注的是路面以上的目标物体所对应的这些点云簇，这些点云簇点云数据是有用点云数据，而除此之外的点云数据就无需用来判断是否符合一致性条件，提高了处理效率。
在一些实施例中，融合数据中包括目标物的位置，通过评估目标物的位置来确定点云簇的状态信息与目标物的状态信息是否符合一致性条件，相应地，判断所述点云簇的状态信息与所述目标物的状态信息是否符合一致性条件的一种可能的实现方式可以为：判断融合数据中目标物的位置与对应该目标物的点云簇的位置是否一致，其中，点云簇的位置是由点云数据确定的，若一致，则说明融合数据中目标物的位置准确，确定点云簇的状态信息与所述目标物的状态信息符合一致性条件，若不一致，则说明融合数据中目标物的位置不准确，确定点云簇的状态信息与所述目标物的状态信息不符合一致性条件。本实施例中，点云簇当前的位置是由点云数据确定的，可以真实地反映出该点云簇的目标物当前的实际位置，所以提高了判断是否符合一致性条件的准确性。
在一些实施例中，融合数据中包括目标物的速度，通过评估目标物的速度来确定点云簇的状态信息与目标物的状态信息是否符合一致性条件。
可选地，判断所述点云簇的状态信息与所述目标物的状态信息是否符合一致性条件的一种可能的实现方式可以为：根据融合数据中对应该目标物的历史速度参数确定目标物当前的预测位置，再判断对应该目标物的点云簇当前的位置与该预测位置是否一致，其中，点云簇当前的位置可以根据当前的点云数据确定的，如果一致，则说明目标物的速度准确，确定点云簇的状态信息与所述目标物的状态信息符合一致性条件，若不一致，则说明融合数据中目标物的速度可能不准确，确定点云簇的状态信息与所述目标物的状态信息不符合一致性条件。本实施例中，点云簇当前的位置是由点云数据确定的，可以真实地反映出该点云簇的目标物当前的实际位置，所以提高了判断是否符合一致性条件的准确性。
可选地，判断所述点云簇的状态信息与所述目标物的状态信息是否符合一致性条件的另一种可能的实现方式可以为：获取对应该目标物的点云簇在第一帧的位置，和所述点云簇在第二帧的位置，其中，第二帧的时间晚于第一帧的时间，点云簇在第一帧的位置是根据第一帧的点云数据确定的，点云簇在第二帧的位置是根据第二帧的点云数据确定的，然后根据所述点云簇在第一帧的位置，和所述点云簇在第二帧的位置，确定该点云簇的预测速度，该预测速度是指点云簇在第一帧到第二帧的时间内从第一帧的位置到第二帧的位置的预测速度。再判断上述预测速度与融合数据中目标物的速度是否一致，如果一致，则说明目标物的速度准确，确定点云簇的状态信息与所述目标物的状态信息符合一致性条件，若不一致，则说明融合数据中目标物的速度可能不准确，确定点云簇的状态信息与所述目标物的状态信息不符合一致性条件。本实施例中，预测速度是根据点云簇在不同的第一帧和第二帧的位置确定的，可以真实地反映出该点云簇的目标物的实际速度，所以提高了判断是否符合一致性条件的准确性。
可选地，目标传感器数据还包括雷达数据，目标传感器还包括雷达，判断所述点云簇的状态信息与所述目标物的状态信息是否符合一致性条件的另一种可能的实现方式可以为：根据雷达数据，确定对应该目标物的点云簇的预测速度，该预测速度例如可以是对雷达数据进行一次差分处理获得的，再判断上述预测速度与融合数据中目标物的速度是否一致，如果一致，则说明目标物的速度准确，确定点云簇的状态信息与所述目标物的状态信息符合一致性条件，若不一致，则说明融合数据中目标物的速度可能不准确，确定点云簇的状态信息与所述目标物的状态信息不符合一致性条件。本实施例中，预测速度是根据雷达数据确定的，可以更加准确地反映出该点云簇的目标物的实际速度，所以进一下提高了判断是否符合一致性条件的准确性。其中，雷达数据例如为毫米波雷达数据，需要说明的是，用于获取速度的传感器数据不限于雷达数据，还可以是其它传感器数据。
在一些实施例中，融合数据中包括目标物的加速度，通过评估目标物的加速度来确定点云簇的状态信息与目标物的状态信息是否符合一致性条件。
可选地，判断所述点云簇的状态信息与所述目标物的状态信息是否符合一致性条件的另一种可能的实现方式可以为：根据点云数据，确定对应该目标物的点云簇的预测加速度，该预测加速度例如可以是对点云数据进行一次差分处理获得的，再判断上述预测加速度与融合数据中目标物的加速度是否一致，如果一致，则说明目标物的加速度准确，确定点云簇的状态信息与所述目标物的状态信息符合一致性条件，若不一致，则说明融合数据中目标物的加速度可能不准确，确定点云簇的状态信息与所述目标物的状态信息不符合一致性条件。本实施例中，预测加速度是根据点云数据确定的，可以更加准确地反映出该点云簇的目标物的实际速度，所以提高了判断是否符合一致性条件的准确性。
可选地，目标传感器数据还包括雷达数据，目标传感器还包括雷达，判断所述点云簇的状态信息与所述目标物的状态信息是否符合一致性条件的另一种可能的实现方式可以为：根据雷达数据，确定对应该目标物的点云簇的预测加速度，该预测加速度例如可以是对雷达数据进行二次差分处理获得的，再判断上述预测加速度与融合数据中目标物的速度是否一致，如果一致，则说明目标物的加速度准确，确定点云簇的状态信息与所述目标物的状态信息符合一致性条件，若不一致，则说明融合数据中目标物的加速度可能不准确，确定点云簇的状态信息与所述目标物的状态信息不符合一致性条件。
在一些实施例中，融合数据中包括目标物的朝向，通过评估目标物的朝向来确定点云簇的状态信息与目标物的状态信息是否符合一致性条件。
可选地，判断所述点云簇的状态信息与所述目标物的状态信息是否符合一致性条件的一种可能的实现方式可以为：判断融合数据中目标物的朝向与对应该目标物的点云簇的朝向是否一致，其中，点云簇的朝向是由该点云簇中点云的分布来确定的，若一致，则说明融合数据中目标物的朝向准确，确定点云簇的状态信息与所述目标物的状态信息符合一致性条件，若不一致，则说明融合数据中目标物的朝向可能不准确，确定点云簇的状态信息与所述目标物的状态信息不符合一致性条件。其中，点云簇的朝向是由点云数据来确定的，可以真实地反映对应该点云簇的目标物的实际朝向，所以提高了判断是否符合一致性条件的准确性。
可选地，判断所述点云簇的状态信息与所述目标物的状态信息是否符合一致性条件的一种可能的实现方式可以为：获取对应该目标物的点云簇的速度，点云簇的速度可以根据点云数据或雷达数据确定，根据点云簇的速度方向确定点云簇的朝向，然后判断融合数据中目标物的朝向与对应该目标物的点云簇的朝向是否一致，若一致，则说明融合数据中目标物的朝向准确，确定点云簇的状态信息与所述目标物的状态信息符合一致性条件，若不一致，则说明融合数据中目标物的朝向可能不准确，确定点云簇的状态信息与所述目标物的状态信息不符合一致性条件。点云簇的速度方向也可以真实地反映对应该点云簇的目标物的实际朝向，所以提高了判断是否符合一致性条件的准确性。
在一些实施例中，如果融合数据中目标物的状态信息中的物体属性与参数信息不相匹配，则可以确定发生对目标物的状态信息的错误检测，例如：目标物的物体属性为行人而该目标物的运动速度为120km/h，目标物的物体属性为车辆而该目标物的高度为5m。如果融合数据中目标物反投影到具有场景分割的影像数据中，与对应的像素label不一致，则可以确定发生对目标物的状态信息的错误检测。如果用于标识车辆的框框内入其它静态物体的内部，则可以确定发生对目标物的状态信息的错误检测。
在一些实施例中，还可以对时序关联是否符合一致性条件进行判断：如果针对单个物体的时候，基本等效于速度一致性的判断，但是针对多个物体的时候，需要考虑不同物体关联的相关性，即，某一个时刻的物体A和物体B全部都关联到了下一个时刻的物体A，这种情况下，单个匹配有可能都在关联阈值以内，无法看出异常，但是考虑全局相关性之后，即，下一个时刻物体B没有任何相关联，这个时候应该认为以上的关联是不可信的，则表示时序关联不符合一致性条件。
另外，针对点云簇的状态信息与目标物的状态信息不符合一致性条件，如果是目标物的位置检测错误，则实际上可以做的是利用点云取代该目标物(例如将目标物的状态信息作为该目标物的状态信息)，同时该目标物的速度作为这些点云的先验来进行预测，如果是目标物的速度检测错误，则可以将该目标物的速度作为0处理，这样，可以利用退化点云的处理方式来处理，即定义好刹车的缓冲距离，保守策略跟车，保证用户体验同时保证安全性。
如果目标物的朝向错误，这种情况下，如果有目标物的速度信息，则上述目标物的速度检测错误的处理方式一样，当成速度为零来处理。所有的位置、速度、朝向的检测错误，都会定义确定这些参数可能的位于的数据区间，然后考虑所有在这个可能区间里面的状态，是否会对本可移动平台造成潜在的碰撞危险或者规划上的困难，如果不存在潜在危险和困难，则可以认定该故障不予处理。继而，会对这些参数参与可移动控制平台的运动控制的权重进行调整。
当然，场景的引入也十分必要，可以用车道线以及静态护栏等障碍物来评估其他车辆是否能够对可移动平台(例如自动驾驶车辆)照成影响，例如护栏对面的车辆就可以不加以考虑，以及相隔3个车道线以外的车辆，可以认为影响较小。
值得说明的是，上述实施例仅为举例说明，未脱离本公开发明构思，还可以对方案做如下改进：
在一些实施方式中，在感知系统当中，本系统级别的故障检测模块(比如是用于实现本申请上述各方案中判断是否符合一致性条件(还可以是获取上述概率’)的模块)并不一定是以独立的模块来运行的，它也可以在可移动平台的某个功能模块的内部但是进行的是系统级别的故障诊断和检测，例如在融合模块(例如用于获得上述融合数据的模块)，同时接入原始的数据流或者其他类型的感知信息，来进行系统级别的一致性判别，区分系统级别(如全局范围内)或者模块级别(如单个模块)的故障检测主要看输入是否已经和本模块的功能实现没有很大关联，而是系统级别的去考虑如何判断是否符合一致性条件。
在一些实施例中虽然提出利用原始的激光或者毫米波雷达获得的数据作为是否符合一致性条件判定的参考信息，但是并不等同于图像信息无法作为参考信息，例如系统出现功能退化(激光毫米波雷达失效)，原始图像信息便可以作为所有信息中最为可靠的信息，这时候感知算法的物体的状态信息可以反投影到图像上，和图像进行一致性的判断来诊断系统中检测错误的故障类型；还可以和激光，毫米波等传感器得获得的数据一起进行判定，采用大数原则进行故障源判定；因而，原则上TOF，超声等获得的信息也可以作为潜在的原始感知数据进行是否符合一致性条件判定；
处理原始传感器数据以外，其他预处理甚至最终的感知结果，都可以相互之间做交叉验证以判定是否符合不一致性条件，只是每个输入由于不是原始输入，因而都会受到算法的一些影响，具有较低的可靠性，但是在实施过程中，如果相关的输入信息足够多，可以利用大数原则来进行故障来源的定位和故障类型的确定。
实际在处理这些故障的时候，往往会依据一些常识性先验原则，例如，车辆不可能横着走，车辆不可能在被遮挡物的地方可见，车辆不可能凭空出现或者凭空消失，等等；这些常识性原则，可以认为是结合了场景和具体需求来对故障进行进一步的定性并评估其潜在影响。
系统级别的故障检测模块，利用了可靠度较高的原始传感器(例如激光)数据和感知算法处理结果(比如上述融合数据)进行相互比对，从而检测感知算法结果和原始传感器数据冲突的情况，如果在某一个较高置信度来排除原始传感器的问题，那么就可以通过不一致性来评估感知算法结果所发生的故障类型，例如误检，漏检，参数信息检测错误，关联匹配错误等类型，同时，根据具体的系统需求来评估这些故障类型潜在的影响，从而作为后续决策的参考。通过故障诊断，虽然本身无法降低故障率，但是可以有效的将原来算法框架的故障率由未知状态转为大多数已知的状态，这样为后续后处理算法提供依据，从而在检测出故障类型的基础上运用后处理进一步降低故障率。
图6为本申请一实施例提供的数据处理设备的结构示意图，如图6所示，本实施例的数据处理设备600可以包括：多个传感器601和处理器602。
所述处理器602，用于获取多个传感器601中的目标传感器数据和融合数据，其中，所述融合数据是根据所述多个传感器601的数据融合得到的，所述传感器用于对可移动平台所处的环境进行数据采集，所述融合数据中包括所述环境中已检测出的目标物的状态信息，所述目标传感器数据包括点云数据；对所述点云数据进行路面物体点云聚类处理得到点云簇，并确定所述点云簇的状态信息；判断所述点云簇的状态信息与所述目标物的状态信息是否符合一致性条件；若不符合，则根据所述传感器601在所述可移动平台所处的环境中的可观测范围，确定发生对所述目标物的状态信息的错误检测的概率，所述概率用于指示所述可移动平台是否执行避障操作。
其中，目标传感器包括激光传感器，相应地，多个传感器601中包括激光传感器。
在一些实施例中，所述处理器602，还用于根据传感器601在环境中的可观测范围划分环境为多个环境类别；
所述处理器602在根据所述传感器601在所述环境中的可观测范围，确定发生对所述目标物的状态信息的错误检测的概率时，具体用于：
获取所述可移动平台所处的环境属于各个环境类别的环境概率信息；
获取所述传感器601在所述环境类别中发生错误检测的先验概率信息；
根据所述环境概率信息和所述先验概率信息，确定发生对所述目标物的状态信息的错误检测的概率。
在一些实施例中，所述处理器602，具体用于：
根据所述点云数据中的点云分布密度，确定所述可移动平台所处的环境属于各个环境类别的环境概率信息。
在一些实施例中，所述处理器602，还用于：
若所述概率大于预设概率，则在所述点云数据中查找对应所述目标物的点云簇；
获取对应所述目标物的所述点云簇的运动参数；
根据所述运动参数，控制所述可移动平台执行避障操作。
在一些实施例中，所述处理器602，具体用于：
控制所述可移动平台减速运动和/或转向运动。
在一些实施例中，所述处理器602，具体用于：
计算所述可移动平台从当前所处位置运动至所述点云簇当前所处的第一位置时，所述可移动平台运动的第一距离；
根据所述点云簇的运动参数和所述可移动平台的运动参数，预测所述可移动平台的运动轨迹与所述点云簇的运动轨迹相交第二位置；
计算所述可移动平台运动至所述第二位置时，所述可移动平台运动的第二距离；
若所述第二距离减去所述第一距离的距离差值为正数，控制所述可移动平台在所述距离差值的运动轨迹上执行减速运动。
在一些实施例中，所述处理器602，具体用于：
计算所述可移动平台从当前所处位置减速运动至所述第一位置，且在所述第一位置速度为零过程中的第一加速度；
控制所述可移动平台在所述距离差值的运动轨迹上以第二加速度执行减速运动，所述第二加速度的绝对值小于所述第一加速度的绝对值。
在一些实施例中，所述状态信息包括物体属性、位置、朝向、速度、加速度中的任意参数信息，所述一致性条件包括以下至少一项：
所述点云数据中存在对应所述目标物的点云簇；
在所述融合数据中存在对应任一所述点云簇的目标物的状态信息；
对应所述点云簇的所述目标物的参数信息与所述点云簇的参数信息一致。
在一些实施例中，所述处理器602，具体用于：
根据对应所述目标物的历史速度参数确定所述目标物当前的预测位置；
判断对应所述目标物的点云簇当前的位置与所述预测位置是否一致；
若不一致，则确定所述点云簇的状态信息与所述目标物的状态信息不符合所述一致性条件。
在一些实施例中，所述目标传感器数据还包括影像数据；目标传感器还包括影像传感器，上述多个传感器601中还包括影像传感器。
所述处理器602，具体用于：
根据所述影像数据中像素的强度，确定所述点云数据中是否存在对应所述目标物的点云簇；
若不存在，则确定所述点云簇的状态信息与所述目标物的状态信息不符合所述一致性条件。
在一些实施例中，所述点云簇基于不符合平面或不符合目标曲面的激光点云点聚类，所述目标曲面为曲率低于预设曲率的曲面。
在一些实施例中，所述处理器602，具体用于：
根据对应所述目标物的点云簇在第一帧的位置，和所述点云簇在第二帧的位置，确定所述点云簇的预测速度；
若所述预测速度与所述目标物的状态信息中的速度不一致，则所述点云簇的状态信息与所述目标物的状态信息不符合一致性条件。
在一些实施例中，所述目标传感器数据还包括雷达数据，目标传感器还包括雷达，上述多个传感器601中还包括雷达，该雷达例如为毫米波雷达。
所述处理器602，具体用于：
根据所述雷达数据，确定所述点云簇的预测速度；
若所述预测速度与所述目标物的状态信息中的速度不一致，则所述点云簇的状态信息与所述目标物的状态信息不符合一致性条件。
在一些实施例中，所述目标传感器数据还包括雷达数据，目标传感器还包括雷达，上述多个传感器601中还包括雷达，该雷达例如为毫米波雷达。
所述处理器602，具体用于：
根据所述雷达数据或点云数据，确定所述点云簇的预测加速度；
若所述预测加速度与所述目标物的状态信息中的加速度不一致，则所述点云簇的状态信息与所述目标物的状态信息不符合一致性条件。
在一些实施例中，所述处理器602，还用于：
若所述点云簇的状态信息与所述目标物的状态信息不符合一致性条件，则采用对应所述目标物的点云簇的参数信息作为所述目标物的参数信息。
可选地，本实施例的数据处理设备600还可以包括：用于存储程序代码的存储器(图中未示出)，存储器用于存储程序代码，当程序代码被执行时，所述数据处理设备600可以实现上述的技术方案。
本实施例的数据处理设备，可以用于执行图3及对应方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
图7为本申请一实施例提供的可移动平台的结构示意图，如图7所示，本实施例的可移动平台700可以包括：多个传感器701和处理器702。
所述处理器702，用于获取多个传感器701中的目标传感器数据和融合数据，其中，所述融合数据是根据所述多个传感器701的数据融合得到的，所述传感器用于对可移动平台700所处的环境进行数据采集，所述融合数据中包括所述环境中已检测出的目标物的状态信息，所述目标传感器数据包括点云数据；对所述点云数据进行路面物体点云聚类处理得到点云簇，并确定所述点云簇的状态信息；判断所述点云簇的状态信息与所述目标物的状态信息是否符合一致性条件；若不符合，则根据所述传感器701在所述可移动平台700所处的环境中的可观测范围，确定发生对所述目标物的状态信息的错误检测的概率，所述概率用于指示所述可移动平台700是否执行避障操作。
其中，目标传感器包括激光传感器，相应地，多个传感器701中包括激光传感器。
在一些实施例中，所述处理器702，还用于根据传感器701在环境中的可观测范围划分环境为多个环境类别。
所述处理器702在根据所述传感器701在所述环境中的可观测范围，确定发生对所述目标物的状态信息的错误检测的概率时，具体用于：
获取所述可移动平台700所处的环境属于各个环境类别的环境概率信息；
获取所述传感器701在所述环境类别中发生错误检测的先验概率信息；
根据所述环境概率信息和所述先验概率信息，确定发生对所述目标物的状态信息的错误检测的概率。
在一些实施例中，所述处理器702，具体用于：
根据所述点云数据中的点云分布密度，确定所述可移动平台700所处的环境属于各个环境类别的环境概率信息。
在一些实施例中，所述处理器702，还用于：
若所述概率大于预设概率，则在所述点云数据中查找对应所述目标物的点云簇；
获取对应所述目标物的所述点云簇的运动参数；
根据所述运动参数，控制所述可移动平台700执行避障操作。
在一些实施例中，所述处理器702，具体用于：
控制所述可移动平台700减速运动和/或转向运动。
在一些实施例中，所述处理器702，具体用于：
计算所述可移动平台700从当前所处位置运动至所述点云簇当前所处的第一位置时，所述可移动平台700运动的第一距离；
根据所述点云簇的运动参数和所述可移动平台700的运动参数，预测所述可移动平台700的运动轨迹与所述点云簇的运动轨迹相交第二位置；
计算所述可移动平台700运动至所述第二位置时，所述可移动平台700运动的第二距离；
若所述第二距离减去所述第一距离的距离差值为正数，控制所述可移动平台700在所述距离差值的运动轨迹上执行减速运动。
在一些实施例中，所述处理器702，具体用于：
计算所述可移动平台700从当前所处位置减速运动至所述第一位置，且在所述第一位置速度为零过程中的第一加速度；
控制所述可移动平台700在所述距离差值的运动轨迹上以第二加速度执行减速运动，所述第二加速度的绝对值小于所述第一加速度的绝对值。
在一些实施例中，所述状态信息包括物体属性、位置、朝向、速度、加速度中的任意参数信息，所述一致性条件包括以下至少一项：
所述点云数据中存在对应所述目标物的点云簇；
在所述融合数据中存在对应任一所述点云簇的目标物的状态信息；
对应所述点云簇的所述目标物的参数信息与所述点云簇的参数信息一致。
在一些实施例中，所述处理器702，具体用于：
根据对应所述目标物的历史速度参数确定所述目标物当前的预测位置；
判断对应所述目标物的点云簇当前的位置与所述预测位置是否一致；
若不一致，则确定所述点云簇的状态信息与所述目标物的状态信息不符合所述一致性条件。
在一些实施例中，所述目标传感器数据还包括影像数据；目标传感器还包括影像传感器，上述多个传感器701中还包括影像传感器。
所述处理器702，具体用于：
根据所述影像数据中像素的强度，确定所述点云数据中是否存在对应所述目标物的点云簇；
若不存在，则确定所述点云簇的状态信息与所述目标物的状态信息不符合所述一致性条件。
在一些实施例中，所述点云簇基于不符合平面或不符合目标曲面的激光点云点聚类，所述目标曲面为曲率低于预设曲率的曲面。
在一些实施例中，所述处理器702，具体用于：
根据对应所述目标物的点云簇在第一帧的位置，和所述点云簇在第二帧的位置，确定所述点云簇的预测速度；
若所述预测速度与所述目标物的状态信息中的速度不一致，则所述点云簇的状态信息与所述目标物的状态信息不符合一致性条件。
在一些实施例中，所述目标传感器数据还包括雷达数据，目标传感器还包括雷达，上述多个传感器701中还包括雷达，该雷达例如为毫米波雷达。
所述处理器702，具体用于：
根据所述雷达数据，确定所述点云簇的预测速度；
若所述预测速度与所述目标物的状态信息中的速度不一致，则所述点云簇的状态信息与所述目标物的状态信息不符合一致性条件。
在一些实施例中，所述目标传感器数据还包括雷达数据，目标传感器还包括雷达，上述多个传感器701中还包括雷达，该雷达例如为毫米波雷达。
所述处理器702，具体用于：
根据所述雷达数据或点云数据，确定所述点云簇的预测加速度；
若所述预测加速度与所述目标物的状态信息中的加速度不一致，则所述点云簇的状态信息与所述目标物的状态信息不符合一致性条件。
在一些实施例中，所述处理器702，还用于：
若所述点云簇的状态信息与所述目标物的状态信息不符合一致性条件，则采用对应所述目标物的点云簇的参数信息作为所述目标物的参数信息。
可选地，本实施例的可移动平台700还可以包括：用于存储程序代码的存储器(图中未示出)，存储器用于存储程序代码，当程序代码被执行时，所述可移动平台700可以实现上述的技术方案。
本实施例的可移动平台，可以用于执行图3及对应方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
图8为本申请另一实施例提供的可移动平台的结构示意图，如图8所示，本实施例的可移动平台800可以包括：可移动平台本体801以及数据处理设备802。
其中，所述数据处理设备802安装于所述可移动平台本体801上。数据处理设备802可以是独立于可移动平台本体801的设备。
其中，数据处理设备802可以采用图6所示装置实施例的结构，其对应地，可以执行图3及其对应方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：只读内存(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

Claims (33)

1.一种数据处理方法，其特征在于，所述方法包括：
获取目标传感器数据和融合数据，其中，所述融合数据是根据多个传感器的数据融合得到的，所述传感器用于对可移动平台所处的环境进行数据采集，所述融合数据中包括所述环境中已检测出的目标物的状态信息，所述目标传感器数据包括点云数据；
对所述点云数据进行路面物体点云聚类处理得到点云簇，并确定所述点云簇的状态信息；
判断所述点云簇的状态信息与所述目标物的状态信息是否符合一致性条件；
若不符合，则根据所述传感器在所述可移动平台所处的环境中的可观测范围，确定发生对所述目标物的状态信息的错误检测的概率，所述概率用于指示所述可移动平台是否执行避障操作。
2.根据权利要求1所述的方法，其特征在于，还包括：
根据传感器在环境中的可观测范围划分环境为多个环境类别；
所述根据所述传感器在所述环境中的可观测范围，确定发生对所述目标物的状态信息的错误检测的概率，包括：
获取所述可移动平台所处的环境属于各个环境类别的环境概率信息；
获取所述传感器在所述环境类别中发生错误检测的先验概率信息；
根据所述环境概率信息和所述先验概率信息，确定发生对所述目标物的状态信息的错误检测的概率。
3.根据权利要求2所述的方法，其特征在于，所述获取所述可移动平台所处的环境属于各个环境类别的环境概率信息，包括：
根据所述点云数据中的点云分布密度，确定所述可移动平台所处的环境属于各个环境类别的环境概率信息。
4.根据权利要求1-3任一项所述的方法，其特征在于，还包括：
若所述概率大于预设概率，则在所述点云数据中查找对应所述目标物的点云簇；
获取对应所述目标物的所述点云簇的运动参数；
根据所述运动参数，控制所述可移动平台执行避障操作。
5.根据权利要求4所述的方法，其特征在于，所述控制所述可移动平台执行避障操作，包括：
控制所述可移动平台减速运动和/或转向运动。
6.根据权利要求5所述的方法，其特征在于，所述控制所述可移动平台减速运动，包括：
计算所述可移动平台从当前所处位置运动至所述点云簇当前所处的第一位置时，所述可移动平台运动的第一距离；
根据所述点云簇的运动参数和所述可移动平台的运动参数，预测所述可移动平台的运动轨迹与所述点云簇的运动轨迹相交第二位置；
计算所述可移动平台运动至所述第二位置时，所述可移动平台运动的第二距离；
若所述第二距离减去所述第一距离的距离差值为正数，控制所述可移动平台在所述距离差值的运动轨迹上执行减速运动。
7.根据权利要求6所述的方法，其特征在于，所述控制所述可移动平台在所述距离差值的运动路径上执行减速运动，包括：
计算所述可移动平台从当前所处位置减速运动至所述第一位置，且在所述第一位置速度为零过程中的第一加速度；
控制所述可移动平台在所述距离差值的运动轨迹上以第二加速度执行减速运动，所述第二加速度的绝对值小于所述第一加速度的绝对值。
8.根据权利要求1-7任一项所述的方法，其特征在于，
所述状态信息包括物体属性、位置、朝向、速度、加速度中的任意参数信息，所述一致性条件包括以下至少一项：
所述点云数据中存在对应所述目标物的点云簇；
在所述融合数据中存在对应任一所述点云簇的目标物的状态信息；
对应所述点云簇的所述目标物的参数信息与所述点云簇的参数信息一致。
9.根据权利要求8所述的方法，其特征在于，所述判断所述点云簇的状态信息与所述目标物的状态信息是否符合一致性条件，包括：
根据对应所述目标物的历史速度参数确定所述目标物当前的预测位置；
判断对应所述目标物的点云簇当前的位置与所述预测位置是否一致；
若不一致，则确定所述点云簇的状态信息与所述目标物的状态信息不符合所述一致性条件。
10.根据权利要求8所述的方法，其特征在于，所述目标传感器数据还包括影像数据；
所述判断所述点云簇的状态信息与所述目标物的状态信息是否符合一致性条件，包括：
根据所述影像数据中像素的强度，确定所述点云数据中是否存在对应所述目标物的点云簇；
若不存在，则确定所述点云簇的状态信息与所述目标物的状态信息不符合所述一致性条件。
11.根据权利要求8所述的方法，其特征在于，所述点云簇基于不符合平面或不符合目标曲面的激光点云点聚类，所述目标曲面为曲率低于预设曲率的曲面。
12.根据权利要求8所述的方法，其特征在于，所述判断所述点云簇的状态信息与所述目标物的状态信息是否符合一致性条件，包括：
根据对应所述目标物的点云簇在第一帧的位置，和所述点云簇在第二帧的位置，确定所述点云簇的预测速度；
若所述预测速度与所述目标物的状态信息中的速度不一致，则所述点云簇的状态信息与所述目标物的状态信息不符合一致性条件。
13.根据权利要求8所述的方法，其特征在于，所述目标传感器数据还包括雷达数据，所述判断所述点云簇的状态信息与所述目标物的状态信息是否符合一致性条件，包括：
根据所述雷达数据，确定所述点云簇的预测速度；
若所述预测速度与所述目标物的状态信息中的速度不一致，则所述点云簇的状态信息与所述目标物的状态信息不符合一致性条件。
14.根据权利要求8所述的方法，其特征在于，所述目标传感器数据还包括雷达数据，所述判断所述点云簇的状态信息与所述目标物的状态信息是否符合一致性条件，包括：
根据所述雷达数据或点云数据，确定所述点云簇的预测加速度；
若所述预测加速度与所述目标物的状态信息中的加速度不一致，则所述点云簇的状态信息与所述目标物的状态信息不符合一致性条件。
15.根据权利要求8所述的方法，其特征在于，还包括：
若所述点云簇的状态信息与所述目标物的状态信息不符合一致性条件，则采用对应所述目标物的点云簇的参数信息作为所述目标物的参数信息。
16.一种数据处理设备，其特征在于，包括：多个传感器和处理器；
所述处理器，用于获取目标传感器数据和融合数据，其中，所述融合数据是根据所述多个传感器的数据融合得到的，所述传感器用于对可移动平台所处的环境进行数据采集，所述融合数据中包括所述环境中已检测出的目标物的状态信息，所述目标传感器数据包括点云数据；对所述点云数据进行路面物体点云聚类处理得到点云簇，并确定所述点云簇的状态信息；判断所述点云簇的状态信息与所述目标物的状态信息是否符合一致性条件；若不符合，则根据所述传感器在所述可移动平台所处的环境中的可观测范围，确定发生对所述目标物的状态信息的错误检测的概率，所述概率用于指示所述可移动平台是否执行避障操作。
17.根据权利要求16所述的设备，其特征在于，所述处理器，还用于根据传感器在环境中的可观测范围划分环境为多个环境类别；
所述处理器在根据所述传感器在所述环境中的可观测范围，确定发生对所述目标物的状态信息的错误检测的概率时，具体用于：
获取所述可移动平台所处的环境属于各个环境类别的环境概率信息；
获取所述传感器在所述环境类别中发生错误检测的先验概率信息；
根据所述环境概率信息和所述先验概率信息，确定发生对所述目标物的状态信息的错误检测的概率。
18.根据权利要求17所述的设备，其特征在于，所述处理器，具体用于：
根据所述点云数据中的点云分布密度，确定所述可移动平台所处的环境属于各个环境类别的环境概率信息。
19.根据权利要求16-18任一项所述的设备，其特征在于，所述处理器，还用于：
若所述概率大于预设概率，则在所述点云数据中查找对应所述目标物的点云簇；
获取对应所述目标物的所述点云簇的运动参数；
根据所述运动参数，控制所述可移动平台执行避障操作。
20.根据权利要求19所述的设备，其特征在于，所述处理器，具体用于：
控制所述可移动平台减速运动和/或转向运动。
21.根据权利要求20所述的设备，其特征在于，所述处理器，具体用于：
计算所述可移动平台从当前所处位置运动至所述点云簇当前所处的第一位置时，所述可移动平台运动的第一距离；
根据所述点云簇的运动参数和所述可移动平台的运动参数，预测所述可移动平台的运动轨迹与所述点云簇的运动轨迹相交第二位置；
计算所述可移动平台运动至所述第二位置时，所述可移动平台运动的第二距离；
若所述第二距离减去所述第一距离的距离差值为正数，控制所述可移动平台在所述距离差值的运动轨迹上执行减速运动。
22.根据权利要求21所述的设备，其特征在于，所述处理器，具体用于：
计算所述可移动平台从当前所处位置减速运动至所述第一位置，且在所述第一位置速度为零过程中的第一加速度；
控制所述可移动平台在所述距离差值的运动轨迹上以第二加速度执行减速运动，所述第二加速度的绝对值小于所述第一加速度的绝对值。
23.根据权利要求16-22任一项所述的设备，其特征在于，
所述状态信息包括物体属性、位置、朝向、速度、加速度中的任意参数信息，所述一致性条件包括以下至少一项：
所述点云数据中存在对应所述目标物的点云簇；
在所述融合数据中存在对应任一所述点云簇的目标物的状态信息；
对应所述点云簇的所述目标物的参数信息与所述点云簇的参数信息一致。
24.根据权利要求23所述的设备，其特征在于，所述处理器，具体用于：
根据对应所述目标物的历史速度参数确定所述目标物当前的预测位置；
判断对应所述目标物的点云簇当前的位置与所述预测位置是否一致；
若不一致，则确定所述点云簇的状态信息与所述目标物的状态信息不符合所述一致性条件。
25.根据权利要求23所述的设备，其特征在于，所述目标传感器数据还包括影像数据；
所述处理器，具体用于：
根据所述影像数据中像素的强度，确定所述点云数据中是否存在对应所述目标物的点云簇；
若不存在，则确定所述点云簇的状态信息与所述目标物的状态信息不符合所述一致性条件。
26.根据权利要求23所述的设备，其特征在于，所述点云簇基于不符合平面或不符合目标曲面的激光点云点聚类，所述目标曲面为曲率低于预设曲率的曲面。
27.根据权利要求23所述的设备，其特征在于，所述处理器，具体用于：
根据对应所述目标物的点云簇在第一帧的位置，和所述点云簇在第二帧的位置，确定所述点云簇的预测速度；
若所述预测速度与所述目标物的状态信息中的速度不一致，则所述点云簇的状态信息与所述目标物的状态信息不符合一致性条件。
28.根据权利要求23所述的设备，其特征在于，所述目标传感器数据还包括雷达数据，所述处理器，具体用于：
根据所述雷达数据，确定所述点云簇的预测速度；
若所述预测速度与所述目标物的状态信息中的速度不一致，则所述点云簇的状态信息与所述目标物的状态信息不符合一致性条件。
29.根据权利要求23所述的设备，其特征在于，所述目标传感器数据还包括雷达数据，所述处理器，具体用于：
根据所述雷达数据或点云数据，确定所述点云簇的预测加速度；
若所述预测加速度与所述目标物的状态信息中的加速度不一致，则所述点云簇的状态信息与所述目标物的状态信息不符合一致性条件。
30.根据权利要求23所述的设备，其特征在于，所述处理器，还用于：
若所述点云簇的状态信息与所述目标物的状态信息不符合一致性条件，则采用对应所述目标物的点云簇的参数信息作为所述目标物的参数信息。
31.一种可移动平台，其特征在于，包括：可移动平台本体以及如权利要求16-30任一项所述的数据处理设备，其中，所述数据处理设备安装于所述可移动平台本体上。
32.根据权利要求31所述的可移动平台，其特征在于，所述可移动平台包括无人机、无人车、无人船、机器人或自动驾驶汽车。
33.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序；所述计算机程序在被执行时，实现如权利要求1-15任一项所述的数据处理方法。
CN201980033428.7A 2019-09-29 2019-09-29 数据处理方法、设备和可移动平台 Pending CN112154455A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2019/108847 WO2021056499A1 (zh) 2019-09-29 2019-09-29 数据处理方法、设备和可移动平台

Publications (1)

Publication Number Publication Date
CN112154455A true CN112154455A (zh) 2020-12-29

Family

ID=73891969

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980033428.7A Pending CN112154455A (zh) 2019-09-29 2019-09-29 数据处理方法、设备和可移动平台

Country Status (2)

Country Link
CN (1) CN112154455A (zh)
WO (1) WO2021056499A1 (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115112360A (zh) * 2022-06-22 2022-09-27 南京智慧水运科技有限公司 一种基于信度更新与融合的船舵故障诊断方法
CN115600158A (zh) * 2022-12-08 2023-01-13 奥特贝睿（天津）科技有限公司（Cn） 一种无人车多传感器融合方法
CN115963851A (zh) * 2021-10-13 2023-04-14 北京三快在线科技有限公司 一种无人机的定位方法及装置
TWI805077B (zh) * 2021-11-16 2023-06-11 國立陽明交通大學 路徑規劃方法及其系統
WO2023123325A1 (zh) * 2021-12-31 2023-07-06 华为技术有限公司 一种状态估计方法和装置
CN115112360B (zh) * 2022-06-22 2024-04-16 南京智慧水运科技有限公司 一种基于信度更新与融合的船舵故障诊断方法

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113076922A (zh) * 2021-04-21 2021-07-06 北京经纬恒润科技股份有限公司 一种物体检测方法及装置
CN113391270B (zh) * 2021-06-11 2022-10-04 森思泰克河北科技有限公司 多雷达点云融合的虚假目标抑制方法、装置及终端设备
CN113851003A (zh) * 2021-09-26 2021-12-28 上汽通用五菱汽车股份有限公司 车辆控制系统、车辆控制方法、车辆控制设备及存储介质
CN114842455B (zh) * 2022-06-27 2022-09-09 小米汽车科技有限公司 障碍物检测方法、装置、设备、介质、芯片及车辆
CN116796210B (zh) * 2023-08-25 2023-11-28 山东莱恩光电科技股份有限公司 基于激光雷达的障碍物检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104574376A (zh) * 2014-12-24 2015-04-29 重庆大学 拥挤交通中基于双目视觉和激光雷达联合校验的防撞方法
US20170076616A1 (en) * 2015-09-11 2017-03-16 Qualcomm Incorporated Unmanned aerial vehicle obstacle detection and avoidance
CN108917752A (zh) * 2018-03-30 2018-11-30 深圳清创新科技有限公司 无人船导航方法、装置、计算机设备和存储介质
CN109444916A (zh) * 2018-10-17 2019-03-08 上海蔚来汽车有限公司 一种无人驾驶可行驶区域确定装置及方法
CN109490890A (zh) * 2018-11-29 2019-03-19 重庆邮电大学 一种面向智能车的毫米波雷达与单目相机信息融合方法
US20190186918A1 (en) * 2017-12-20 2019-06-20 National Chung Shan Institute Of Science And Technology Uav navigation obstacle avoidance system and method thereof

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104574376A (zh) * 2014-12-24 2015-04-29 重庆大学 拥挤交通中基于双目视觉和激光雷达联合校验的防撞方法
US20170076616A1 (en) * 2015-09-11 2017-03-16 Qualcomm Incorporated Unmanned aerial vehicle obstacle detection and avoidance
US20190186918A1 (en) * 2017-12-20 2019-06-20 National Chung Shan Institute Of Science And Technology Uav navigation obstacle avoidance system and method thereof
CN108917752A (zh) * 2018-03-30 2018-11-30 深圳清创新科技有限公司 无人船导航方法、装置、计算机设备和存储介质
CN109444916A (zh) * 2018-10-17 2019-03-08 上海蔚来汽车有限公司 一种无人驾驶可行驶区域确定装置及方法
CN109490890A (zh) * 2018-11-29 2019-03-19 重庆邮电大学 一种面向智能车的毫米波雷达与单目相机信息融合方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115963851A (zh) * 2021-10-13 2023-04-14 北京三快在线科技有限公司 一种无人机的定位方法及装置
TWI805077B (zh) * 2021-11-16 2023-06-11 國立陽明交通大學 路徑規劃方法及其系統
WO2023123325A1 (zh) * 2021-12-31 2023-07-06 华为技术有限公司 一种状态估计方法和装置
CN115112360A (zh) * 2022-06-22 2022-09-27 南京智慧水运科技有限公司 一种基于信度更新与融合的船舵故障诊断方法
CN115112360B (zh) * 2022-06-22 2024-04-16 南京智慧水运科技有限公司 一种基于信度更新与融合的船舵故障诊断方法
CN115600158A (zh) * 2022-12-08 2023-01-13 奥特贝睿（天津）科技有限公司（Cn） 一种无人车多传感器融合方法
CN115600158B (zh) * 2022-12-08 2023-04-18 奥特贝睿(天津)科技有限公司 一种无人车多传感器融合方法

Also Published As

Publication number Publication date
WO2021056499A1 (zh) 2021-04-01

Similar Documents

Publication Publication Date Title
CN112154455A (zh) 数据处理方法、设备和可移动平台
US11836623B2 (en) Object detection and property determination for autonomous vehicles
US11932284B2 (en) Trajectory setting device and trajectory setting method
CN111670468B (zh) 移动体行为预测装置以及移动体行为预测方法
JP7140922B2 (ja) マルチセンサデータ融合方法、及び装置
US10604156B2 (en) System and method for adjusting a road boundary
RU2767955C1 (ru) Способы и системы для определения компьютером наличия динамических объектов
Cosgun et al. Towards full automated drive in urban environments: A demonstration in gomentum station, california
US9495602B2 (en) Image and map-based detection of vehicles at intersections
US11498577B2 (en) Behavior prediction device
US10553117B1 (en) System and method for determining lane occupancy of surrounding vehicles
US20150197246A1 (en) Lateral maneuver planner for automated driving system
US20210197805A1 (en) Safety system for vehicle
GB2560618A (en) Object tracking by unsupervised learning
US11042160B2 (en) Autonomous driving trajectory determination device
Valldorf et al. Advanced Microsystems for Automotive Applications 2007
CN116872921A (zh) 一种车辆规避风险方法、系统、车辆及存储介质
Virdi Using deep learning to predict obstacle trajectories for collision avoidance in autonomous vehicles
US10845814B2 (en) Host vehicle position confidence degree calculation device
Tsogas et al. Using digital maps to enhance lane keeping support systems
BE1028777B1 (nl) Systeem en methode voor het detecteren van inconsistenties in de outputs van perceptiesystemen van autonome voertuigen
Polychronopoulos et al. Extended path prediction using camera and map data for lane keeping support
Yoon et al. High-definition map based motion planning, and control for urban autonomous driving
Guo et al. Toward human-like lane following behavior in urban environment with a learning-based behavior-induction potential map
Durand et al. 360 Multisensor object fusion and sensor-based erroneous data management for autonomous vehicles

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