CN112183381A - 车辆的可行驶区域检测方法和装置 - Google Patents

车辆的可行驶区域检测方法和装置 Download PDF

Info

Publication number
CN112183381A
CN112183381A CN202011056161.4A CN202011056161A CN112183381A CN 112183381 A CN112183381 A CN 112183381A CN 202011056161 A CN202011056161 A CN 202011056161A CN 112183381 A CN112183381 A CN 112183381A
Authority
CN
China
Prior art keywords
lane
vehicle
point cloud
area
grid
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
CN202011056161.4A
Other languages
English (en)
Inventor
陈海波
汪骥
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.)
Shenlan Artificial Intelligence Shenzhen Co Ltd
Original Assignee
Shenlan Artificial Intelligence Shenzhen 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 Shenlan Artificial Intelligence Shenzhen Co Ltd filed Critical Shenlan Artificial Intelligence Shenzhen Co Ltd
Priority to CN202011056161.4A priority Critical patent/CN112183381A/zh
Publication of CN112183381A publication Critical patent/CN112183381A/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Abstract

本发明提供了一种车辆的可行驶区域检测方法和装置，其中，该方法包括以下步骤：根据高清地图和车辆当前所处的位置信息获取所述车辆当前所处驾驶场景中车道的车道线，并根据所述车道的车道线获取车道内区域；获取所述车道内区域的点云数据；根据SVM二分类模型对所述车道内区域的点云数据进行处理，以获取所述车辆的可行驶区域。根据本发明的车辆的可行驶区域检测方法，不仅能够准确地区分出车道边界线，而且对可行驶区域进行检测的准确度较高，同时，能够大大节省了人力资源。

Description

车辆的可行驶区域检测方法和装置
技术领域
本发明涉及自动驾驶技术领域，具体涉及一种车辆的可行驶区域检测方法和一种车辆的可行驶区域检测装置。
背景技术
相关技术中，采用可行驶区域检测算法对车辆可行驶区域进行检测时，一般是先采用人工标注的方式标注出路面数据集，以学习出路面区域和非路面区域，然后再根据颜色、纹理、边缘等特征信息，分离出背景路面和前景物体。
然而，采用上述方式进行检测时，难以准确区分出车道边界线，并且对于前景和后景也无法进行准确地分割，从而导致可行驶区域检测的准确度较低，同时需要投入大量的人力资源。
发明内容
本发明为解决上述技术问题，提供了一种车辆的可行驶区域检测方法，不仅能够准确地区分出车道边界线，而且对可行驶区域进行检测的准确度较高，同时，能够大大节省了人力资源。
本发明采用的技术方案如下：
一种车辆的可行驶区域检测方法，包括以下步骤：根据高清地图和车辆当前所处的位置信息获取车辆当前所处驾驶场景中车道的车道线，并根据车道的车道线获取车道内区域；获取车道内区域的点云数据；根据SVM二分类模型对车道内区域的点云数据进行处理，以获取车辆的可行驶区域。
所述获取所述车道内区域的点云数据包括：获取所述车辆当前所处驾驶场景的点云数据；根据所述车辆当前所处驾驶场景的点云数据和所述车道的车道线获取所述车道内区域的点云数据。
在采用SVM二分类模型对所述车道内区域的点云数据进行处理之前，还包括：获取所述车道内区域的训练样本点云集；对所述训练样本点云集进行栅格化处理，以生成待训练栅格地图；提取所述待训练栅格地图中每个基础栅格的点云特征；根据所述基础栅格的点云特征对所述基础栅格进行状态分类，以获取所述基础栅格的类别信息；根据所述基础栅格以及所述基础栅格对应的类别信息对SVM进行训练，以生成所述SVM二分类模型。
所述根据所述基础栅格的点云特征对所述基础栅格进行状态分类，以获取所述基础栅格的类别信息，包括：判断所述基础栅格中是否存在障碍物；如果所述基础栅格中存在障碍物，则将所述基础栅格标记为1；如果所述基础栅格中不存在障碍物，则将所述基础栅格标记为0。
所述根据SVM二分类模型对所述车道内区域的点云数据进行处理，以获取所述车辆的可行驶区域，包括：对车道内区域的点云数据进行栅格化处理，以生成目标栅格地图；根据SVM二分类模型对所述目标栅格地图中每个基础栅格进行处理，以获取所述目标栅格地图中每个基础栅格的类别信息；根据所述目标栅格地图中每个基础栅格的类别信息获取所述车辆的可行驶区域。
一种车辆的可行驶区域检测装置，包括：第一获取模块，所述第一获取模块用于根据高清地图和车辆当前所处的位置信息获取所述车辆当前所处驾驶场景中车道的车道线，并根据所述车道的车道线获取车道内区域；第二获取模块，所述第二获取模块用于获取所述车道内区域的点云数据；处理模块，所述处理模块用于根据SVM二分类模型对所述车道内区域的点云数据进行处理，以获取所述车辆的可行驶区域。
一种计算机设备，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计算机程序时，实现上述的车辆的可行驶区域检测方法。
一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的车辆的可行驶区域检测方法。
一种计算机程序产品，当所述计算机程序产品中的指令由处理器执行时，执行上述的车辆的可行驶区域检测方法。
本发明的有益效果：
本发明不仅能够准确地区分出车道边界线，而且对可行驶区域进行检测的准确度较高，同时，能够大大节省了人力资源。
附图说明
图1为本发明实施例的车辆的可行驶区域检测方法的流程图；
图2为本发明一个具体实施例的车道线的分割示意图；
图3为本发明具体实施例的车道内前景和后景的分割示意图；
图4为本发明实施例的车辆的可行驶区域检测装置的方框示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
图1是根据本发明实施例的车辆的可行驶区域检测方法的流程图。
需要说明的是，本发明实施例中的车辆可为自动驾驶车辆。
如图1所示，本发明实施例的车辆的可行驶区域检测方法可包括以下步骤：
S1，根据高清地图和车辆当前所处的位置信息获取车辆当前所处驾驶场景中车道的车道线，并根据车道的车道线获取车道内区域。
具体而言，可先通过车载定位系统实时获取车辆当前所处的位置信息，其中，可借助RTK，Ins-D等传感器获取车辆实时的位置、速度、姿态等信息，并调取车载定位系统中存储的高清地图，以获取车辆实际驾驶场景信息，包括车道、红绿灯、站点、路口等地图信息，然后，再根据高清地图提供的车辆实际驾驶场景信息和实时获取到的车辆当前所处的位置信息获取车辆当前所处驾驶场景中车道的车道线，最后，根据车道线获取车道内区域，举例而言，车道线可包括左车道线和右车道线，左车道线和右车道线之间的区域即为车道内区域，如图2所示，当然，在实际场景中，车道也可为多车道，例如，可包括左车道和右车道，此时，车道内区域可为左车道的左车道线和右车道的右车道线之间的区域。
S2，获取车道内区域的点云数据。
根据本发明的一个实施例，获取车道内区域的点云数据包括：获取车辆当前所处驾驶场景的点云数据；根据车辆当前所处驾驶场景的点云数据和车道的车道线获取车道内区域的点云数据。
具体而言，车辆在当前驾驶场景行驶时，可通过车载激光雷达实时获取车辆当前所处驾驶场景的点云数据，由于车载激光雷达的点云数据是基于本车坐标系获取的，因此，可将本车定位信息(地球坐标系)和车道线信息(地图坐标系)转换至本车坐标系。
然后，再根据车辆当前所处驾驶场景的点云数据和车道的车道线获取车道内区域的点云数据。具体地，车道线可为多个离合点的集合，可将多个离合点按顺序连接得到多边形，采用射线法判断车载激光雷达获取到的车辆当前所处驾驶场景的点云数据是否在多边形内，其中，在多边形内的点云数据即为车道内区域的点云数据。
S3，根据SVM二分类模型对车道内区域的点云数据进行处理，以获取车辆的可行驶区域。
根据本发明的一个实施例，在采用SVM二分类模型对车道内区域的点云数据进行处理之前，还包括：获取车道内区域的训练样本点云集；对训练样本点云集进行栅格化处理，以生成待训练栅格地图；提取待训练栅格地图中每个基础栅格的点云特征；根据基础栅格的点云特征对基础栅格进行状态分类，以获取基础栅格的类别信息；根据基础栅格以及基础栅格对应的类别信息对SVM(Support Vector Machine，支持向量机)进行训练，以生成SVM二分类模型。
根据本发明的一个实施例，根据基础栅格的点云特征对基础栅格进行状态分类，以获取基础栅格的类别信息，包括：判断基础栅格中是否存在障碍物；如果基础栅格中存在障碍物，则将基础栅格标记为1；如果基础栅格中不存在障碍物，则将基础栅格标记为0。
可以理解的是，在根据SVM二分类模型对车道内区域的点云数据进行处理之前，需要先通过对车道内区域的训练样本点云集进行训练，以获取该SVM二分类模型。
具体而言，可预先获取车道内区域的训练样本点云集，并对训练样本点云集进行栅格化处理，即将车道内区域的训练样本点云集投影至栅格，以生成待训练栅格地图，其中，分辨率为0.1m。
进一步而言，可提取待训练栅格地图中每个基础栅格的点云特征，并根据点云特征判断待训练栅格中各基础栅格中是否存在障碍物，如果基础栅格中存在障碍物，则可将该存在障碍物的基础栅格标记为1，如果基础栅格中不存在障碍物，则可将该不存在障碍物的基础栅格标记为0。
然后，可将各标记有0或1的基础栅格输入待训练的SVM，以对该SVM进行训练，以生成SVM二分类模型。
根据本发明的一个实施例，根据SVM二分类模型对车道内区域的点云数据进行处理，以获取车辆的可行驶区域，包括：对车道内区域的点云数据进行栅格化处理，以生成目标栅格地图；根据SVM二分类模型对目标栅格地图中每个基础栅格进行处理，以获取目标栅格地图中每个基础栅格的类别信息；根据目标栅格地图中每个基础栅格的类别信息获取车辆的可行驶区域。
进一步而言，在通过上述实施例的方式获取到SVM二分类模型后，可先对车道内区域的点云数据进行栅格化处理，其中，可采用FPGA(Field-Programmable Gate Array，现场可编程逻辑门阵列)平台对车道内区域的点云进行栅格化处理，以生成目标栅格地图，并获取目标栅格地图中每个基础栅格的点云特征，以及将获取到的每个基础栅格的点云特征输入SVM二分类模型中，以通过SVM二分类模型对目标栅格地图中每个基础栅格进行处理，以获取目标栅格地图中每个基础栅格的类别信息，即获取目标栅格地图中每个基础栅格的标签，例如，存在障碍物的基础栅格的标签为1，不存在障碍物的基础栅格的标签为0。然后，将目标栅格地图投影回车道内区域的点云数据，并根据各基础栅格的标签获取车辆的可行驶区域的点云数据，其中，车道内场景中去除障碍物位置即可获取实际车辆的可行驶区域，从而可实现车道内前景(障碍物)和后景(路面)的分割，如图3所示(图3中不规则物体表示障碍物)。
由此，本发明提出一种稳定的车道线分割方法，不依赖于算法实时检测，从而有效避免了算法带来的误差率，并且，大大节省了人力资源，同时，并且，本发明基于激光雷达进行车辆的可行驶区域检测，准确性较高。
综上所述，根据本发明实施例的车辆的可行驶区域检测方法，根据高清地图和车辆当前所处的位置信息获取所述车辆当前所处驾驶场景中车道的车道线，并根据所述车道的车道线获取车道内区域，以及获取所述车道内区域的点云数据，并根据SVM二分类模型对所述车道内区域的点云数据进行处理，以获取所述车辆的可行驶区域。由此，不仅能够准确地区分出车道边界线，而且对可行驶区域进行检测的准确度较高，同时，能够大大节省了人力资源。
对应上述实施例的车辆的可行驶区域检测方法，本发明还提出一种车辆的可行驶区域检测装置。
如图4所示，本发明实施例的车辆的可行驶区域检测装置可包括：第一获取模块100、第二获取模块200和处理模块300。
其中，第一获取模块100用于根据高清地图和车辆当前所处的位置信息获取车辆当前所处驾驶场景中车道的车道线，并根据车道的车道线获取车道内区域；第二获取模块200用于获取车道内区域的点云数据；处理模块300用于根据SVM二分类模型对车道内区域的点云数据进行处理，以获取车辆的可行驶区域。
根据本发明的一个实施例，第二获取模块200具体用于：获取车辆当前所处驾驶场景的点云数据；根据车辆当前所处驾驶场景的点云数据和车道的车道线获取车道内区域的点云数据。
根据本发明的一个实施例，处理模块300在采用SVM二分类模型对车道内区域的点云数据进行处理之前，还用于：获取车道内区域的训练样本点云集；对训练样本点云集进行栅格化处理，以生成待训练栅格地图；提取待训练栅格地图中每个基础栅格的点云特征；根据基础栅格的点云特征对基础栅格进行状态分类，以获取基础栅格的类别信息；根据基础栅格以及基础栅格对应的类别信息对SVM进行训练，以生成SVM二分类模型。
根据本发明的一个实施例，处理模块300具体用于：判断基础栅格中是否存在障碍物；如果基础栅格中存在障碍物，则将基础栅格标记为1；如果基础栅格中不存在障碍物，则将基础栅格标记为0。
根据本发明的一个实施例，处理模块300具体还用于：对车道内区域的点云数据进行栅格化处理，以生成目标栅格地图；根据SVM二分类模型对目标栅格地图中每个基础栅格进行处理，以获取目标栅格地图中每个基础栅格的类别信息；根据目标栅格地图中每个基础栅格的类别信息获取车辆的可行驶区域。
根据本发明实施例的车辆的可行驶区域检测装置，通过第一获取模块根据高清地图和车辆当前所处的位置信息获取车辆当前所处驾驶场景中车道的车道线，并根据车道的车道线获取车道内区域，以及通过第二获取模块获取车道内区域的点云数据，并通过处理模块根据SVM二分类模型对车道内区域的点云数据进行处理，以获取车辆的可行驶区域。由此，不仅能够准确地区分出车道边界线，而且对可行驶区域进行检测的准确度较高，同时，能够大大节省了人力资源。
对应上述实施例，本发明还提出一种计算机设备。
本发明实施例的计算机设备包括存储器、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，处理器执行程序时，实现上述实施例的车辆的可行驶区域检测方法。
根据本发明实施例的计算机设备，不仅能够准确地区分出车道边界线，而且对可行驶区域进行检测的准确度较高，同时，能够大大节省了人力资源。
对应上述实施例，本发明还提出一种非临时性计算机可读存储介质。
本发明实施例的非临时性计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现上述的车辆的可行驶区域检测方法。
根据本发明实施例的非临时性计算机可读存储介质，不仅能够准确地区分出车道边界线，而且对可行驶区域进行检测的准确度较高，同时，能够大大节省了人力资源。
对应上述实施例，本发明还提出一种计算机程序产品。
当计算机程序产品中的指令由处理器执行时，可执行上述实施例的车辆的可行驶区域检测方法。
根据本发明实施例的计算机程序产品，不仅能够准确地区分出车道边界线，而且对可行驶区域进行检测的准确度较高，同时，能够大大节省了人力资源。
在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (9)

1.一种车辆的可行驶区域检测方法，其特征在于，包括以下步骤：
根据高清地图和车辆当前所处的位置信息获取所述车辆当前所处驾驶场景中车道的车道线，并根据所述车道的车道线获取车道内区域；
获取所述车道内区域的点云数据；
根据SVM二分类模型对所述车道内区域的点云数据进行处理，以获取所述车辆的可行驶区域。
2.根据权利要求1所述的可行驶区域检测方法，其特征在于，所述获取所述车道内区域的点云数据包括：
获取所述车辆当前所处驾驶场景的点云数据；
根据所述车辆当前所处驾驶场景的点云数据和所述车道的车道线获取所述车道内区域的点云数据。
3.根据权利要求1所述的可行驶区域检测方法，其特征在于，在采用SVM二分类模型对所述车道内区域的点云数据进行处理之前，还包括：
获取所述车道内区域的训练样本点云集；
对所述训练样本点云集进行栅格化处理，以生成待训练栅格地图；
提取所述待训练栅格地图中每个基础栅格的点云特征；
根据所述基础栅格的点云特征对所述基础栅格进行状态分类，以获取所述基础栅格的类别信息；
根据所述基础栅格以及所述基础栅格对应的类别信息对SVM进行训练，以生成所述SVM二分类模型。
4.根据权利要求3所述的可行驶区域检测方法，其特征在于，所述根据所述基础栅格的点云特征对所述基础栅格进行状态分类，以获取所述基础栅格的类别信息，包括：
判断所述基础栅格中是否存在障碍物；
如果所述基础栅格中存在障碍物，则将所述基础栅格标记为1；
如果所述基础栅格中不存在障碍物，则将所述基础栅格标记为0。
5.根据权利要求3或4中任一项所述的可行驶区域检测方法，其特征在于，所述根据SVM二分类模型对所述车道内区域的点云数据进行处理，以获取所述车辆的可行驶区域，包括：
对车道内区域的点云数据进行栅格化处理，以生成目标栅格地图；
根据SVM二分类模型对所述目标栅格地图中每个基础栅格进行处理，以获取所述目标栅格地图中每个基础栅格的类别信息；
根据所述目标栅格地图中每个基础栅格的类别信息获取所述车辆的可行驶区域。
6.一种车辆的可行驶区域检测装置，其特征在于，包括：
第一获取模块，所述第一获取模块用于根据高清地图和车辆当前所处的位置信息获取所述车辆当前所处驾驶场景中车道的车道线，并根据所述车道的车道线获取车道内区域；
第二获取模块，所述第二获取模块用于获取所述车道内区域的点云数据；
处理模块，所述处理模块用于根据SVM二分类模型对所述车道内区域的点云数据进行处理，以获取所述车辆的可行驶区域。
7.一种计算机设备，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计算机程序时，实现根据权利要求1-5中任一项所述的车辆的可行驶区域检测方法。
8.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现根据权利要求1-5中任一项所述的车辆的可行驶区域检测方法。
9.一种计算机程序产品，其特征在于，当所述计算机程序产品中的指令由处理器执行时，执行根据权利要求1-5中任一项所述的车辆的可行驶区域检测方法。
CN202011056161.4A 2020-09-30 2020-09-30 车辆的可行驶区域检测方法和装置 Pending CN112183381A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011056161.4A CN112183381A (zh) 2020-09-30 2020-09-30 车辆的可行驶区域检测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011056161.4A CN112183381A (zh) 2020-09-30 2020-09-30 车辆的可行驶区域检测方法和装置

Publications (1)

Publication Number Publication Date
CN112183381A true CN112183381A (zh) 2021-01-05

Family

ID=73946093

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011056161.4A Pending CN112183381A (zh) 2020-09-30 2020-09-30 车辆的可行驶区域检测方法和装置

Country Status (1)

Country Link
CN (1) CN112183381A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113178091A (zh) * 2021-05-12 2021-07-27 中移智行网络科技有限公司 安全行驶区域方法、装置和网络设备
CN115164910A (zh) * 2022-06-22 2022-10-11 小米汽车科技有限公司 行驶路径生成方法、装置、车辆、存储介质及芯片

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102270301A (zh) * 2011-06-07 2011-12-07 南京理工大学 一种svm与激光雷达结合检测非结构化道路边界的方法
CN104850834A (zh) * 2015-05-11 2015-08-19 中国科学院合肥物质科学研究院 基于三维激光雷达的道路边界检测方法
CN107247926A (zh) * 2017-05-19 2017-10-13 浙江大华技术股份有限公司 一种人体检测方法及装置
CN110045376A (zh) * 2019-04-28 2019-07-23 森思泰克河北科技有限公司 可行驶区域获取方法、计算机可读存储介质及终端设备
CN110632617A (zh) * 2019-09-29 2019-12-31 北京邮电大学 一种激光雷达点云数据处理的方法及装置
CN110764108A (zh) * 2019-11-05 2020-02-07 畅加风行(苏州)智能科技有限公司 一种用于港口自动驾驶场景的障碍物检测方法及装置
CN110927742A (zh) * 2019-11-19 2020-03-27 杭州飞步科技有限公司 障碍物跟踪方法、装置、设备及存储介质
CN111688714A (zh) * 2020-06-16 2020-09-22 东软睿驰汽车技术（沈阳）有限公司 车辆控制方法、装置及自动驾驶车辆

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102270301A (zh) * 2011-06-07 2011-12-07 南京理工大学 一种svm与激光雷达结合检测非结构化道路边界的方法
CN104850834A (zh) * 2015-05-11 2015-08-19 中国科学院合肥物质科学研究院 基于三维激光雷达的道路边界检测方法
CN107247926A (zh) * 2017-05-19 2017-10-13 浙江大华技术股份有限公司 一种人体检测方法及装置
CN110045376A (zh) * 2019-04-28 2019-07-23 森思泰克河北科技有限公司 可行驶区域获取方法、计算机可读存储介质及终端设备
CN110632617A (zh) * 2019-09-29 2019-12-31 北京邮电大学 一种激光雷达点云数据处理的方法及装置
CN110764108A (zh) * 2019-11-05 2020-02-07 畅加风行(苏州)智能科技有限公司 一种用于港口自动驾驶场景的障碍物检测方法及装置
CN110927742A (zh) * 2019-11-19 2020-03-27 杭州飞步科技有限公司 障碍物跟踪方法、装置、设备及存储介质
CN111688714A (zh) * 2020-06-16 2020-09-22 东软睿驰汽车技术（沈阳）有限公司 车辆控制方法、装置及自动驾驶车辆

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113178091A (zh) * 2021-05-12 2021-07-27 中移智行网络科技有限公司 安全行驶区域方法、装置和网络设备
CN115164910A (zh) * 2022-06-22 2022-10-11 小米汽车科技有限公司 行驶路径生成方法、装置、车辆、存储介质及芯片
CN115164910B (zh) * 2022-06-22 2023-02-21 小米汽车科技有限公司 行驶路径生成方法、装置、车辆、存储介质及芯片

Similar Documents

Publication Publication Date Title
CN109165549B (zh) 基于三维点云数据的道路标识获取方法、终端设备及装置
CN112417967B (zh) 障碍物检测方法、装置、计算机设备和存储介质
CN108564874B (zh) 地面标志提取的方法、模型训练的方法、设备及存储介质
CN112101092A (zh) 自动驾驶环境感知方法及系统
CN109543245B (zh) 无人车应对能力边界信息确定方法、装置和电子设备
CN110501018A (zh) 一种服务于高精度地图生产的交通标志牌信息采集方法
CN110673107B (zh) 基于多线激光雷达的路沿检测方法及装置
CN111179300A (zh) 障碍物检测的方法、装置、系统、设备以及存储介质
CN103770704A (zh) 用于识别车辆的停车位标志线的系统和方法
CN110674705A (zh) 基于多线激光雷达的小型障碍物检测方法及装置
CN110298311B (zh) 路面积水检测方法及装置
CN113907663B (zh) 障碍物地图构建方法、清洁机器人及存储介质
CN112183381A (zh) 车辆的可行驶区域检测方法和装置
CN115018879A (zh) 目标检测方法、计算机可读存储介质及驾驶设备
JP2023068010A (ja) 自己位置推定装置
CN115139303A (zh) 一种栅格井盖检测方法、装置、设备及存储介质
CN112784639A (zh) 路口检测、神经网络训练及智能行驶方法、装置和设备
CN112789521A (zh) 感知区域的确定方法、装置、存储介质及车辆
JP2020034321A (ja) 地図データ生成装置
CN111912418A (zh) 删除移动载体不可行驶区域内障碍物的方法、装置及介质
CN111881752A (zh) 一种护栏检测分类方法、装置、电子设备及存储介质
US20230182743A1 (en) Method and system for extracting road data and method and system for controlling self-driving car
CN115618602A (zh) 一种车道级场景仿真方法及系统
JP3726309B2 (ja) 車両認識装置及びそれを用いた車両接近報知装置
CN116968726B (zh) 记忆泊车方法和装置、车辆、计算机可读取存储介质

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