CN112396051B - 可通行区域的确定方法及装置、存储介质、电子装置 - Google Patents

可通行区域的确定方法及装置、存储介质、电子装置 Download PDF

Info

Publication number
CN112396051B
CN112396051B CN201910755223.1A CN201910755223A CN112396051B CN 112396051 B CN112396051 B CN 112396051B CN 201910755223 A CN201910755223 A CN 201910755223A CN 112396051 B CN112396051 B CN 112396051B
Authority
CN
China
Prior art keywords
area
road
determining
passable
robot
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.)
Active
Application number
CN201910755223.1A
Other languages
English (en)
Other versions
CN112396051A (zh
Inventor
请求不公布姓名
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.)
Ninebot Beijing Technology Co Ltd
Original Assignee
Ninebot Beijing 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 Ninebot Beijing Technology Co Ltd filed Critical Ninebot Beijing Technology Co Ltd
Priority to CN201910755223.1A priority Critical patent/CN112396051B/zh
Publication of CN112396051A publication Critical patent/CN112396051A/zh
Application granted granted Critical
Publication of CN112396051B publication Critical patent/CN112396051B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • 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
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明提供了一种可通行区域的确定方法及装置、存储介质、电子装置，其中，上述方法包括：根据目标区域中的目标对象对所述目标区域的地面进行分类；根据分类后的结果确定所述目标区域中的道路区域，其中，分类后的结果包括：所述道路区域上的道路分界物和路面区域；确定出所述道路区域中机器人的可通行区域，采用上述技术方案，解决了相关技术中通过雷达和高精度地图来确定机器人的可通行区域的方案维护成本高，且准确率不高等问题。

Description

可通行区域的确定方法及装置、存储介质、电子装置
技术领域
本发明涉及通信领域，具体而言，涉及一种可通行区域的确定方法及装置、存储介质、电子装置。
背景技术
机器人在马路行驶过程中，需要确定出机器人的可通行区域的位置，相关技术中一般都是通过雷达定位来实现的，通过雷达获取到激光点云，在当前获取的激光点云在高精度地图中定位后，从而获取机器人当前的位置。
进而，利用激光雷达扫描出的线的曲率变化来确定马路上道路的边界点，然后通过多个线的确定结果确定马路边沿，可以看出，相关技术中完全依赖多线雷达以及高精度地图，对环境要求高，维护成本高，且对于较低较平缓的马路边沿，有可能出现漏检，马路边沿确定的准确率不高。
针对相关技术中，通过雷达和高精度地图来确定机器人的可通行区域的方案维护成本高，且准确率不高等问题，尚未提出有效的技术方案。
发明内容
本发明实施例提供了一种可通行区域的确定方法及装置、存储介质、电子装置，以至少解决相关技术中通过雷达和高精度地图来确定机器人的可通行区域的方案维护成本高，且准确率不高等问题。
根据本发明的一个实施例，提供了一种可通行区域的确定方法包括：根据目标区域中的目标对象对所述目标区域的地面进行分类；根据分类后的结果确定所述目标区域中的道路区域，其中，所述分类后的结果包括：所述道路区域上的道路分界物和路面区域；确定出所述道路区域中机器人的可通行区域。
在本发明实施例中，所述根据分类后的结果确定所述目标区域中的道路区域，包括：获取所述分类的结果中所指示的路面区域；在所述路面区域上，根据所述道路分界物的区分获取所述道路区域。
在本发明实施例中，所述确定出所述道路区域中所述机器人的可通行区域，包括：基于棒状像素stixel技术确定出所述道路区域中所述机器人的可通行区域，其中，所述stixel技术采用mobilenet作为主干网络，采用SCNN网络作为所述stixel技术的输出网络。
在本发明实施例中，所述确定出所述道路区域中所述机器人的可通行区域之后，所述方法还包括：将确定的所述可通行区域映射到激光雷达坐标空间，得到多个激光点；根据所述多个激光点确定地平面方程；根据所述地平面方程，所述道路区域和所述可通行区域确定所述目标区域上的车道线。
在本发明实施例中，根据所述地平面方程，所述道路区域和所述可通行区域确定所述目标区域上的车道线，包括：将所述道路区域和所述可通行区域映射到所述地平面方程对应的地平面上；将映射有所述道路区域和所述可通行区域的地平面叠加到障碍物地图上；在所述障碍物地图上确定所述车道线。
根据本发明的另一个实施例，还提供了一种可通行区域的确定装置，包括：分类模块，用于根据目标区域中的目标对象对所述目标区域的地面进行分类；第一确定模块，用于根据分类后的结果确定所述目标区域中的道路区域，其中，分类后的结果包括：所述道路区域上的道路分界物和路面区域；第二确定模块，用于确定出所述道路区域中机器人的可通行区域。
在本发明实施例中，所述第一确定模块，用于获取所述分类的结果中所指示的路面区域；在所述路面区域上，根据所述道路分界物的区分获取所述道路区域。
在本发明实施例中，所述第二确定模块，用于基于stixel技术确定出所述道路区域中所述机器人的可通行区域，其中，所述stixel技术采用mobilenet作为主干网络，采用SCNN网络作为所述stixel技术的输出网络。
根据本发明的又一个实施例，还提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明，根据目标区域中的目标对象对所述目标区域的地面进行分类；根据分类后的结果确定所述目标区域中的道路区域，进而确定道路区域中机器人的可通行区域，其中，分类后的结果包括：所述道路区域上的道路分界物，路面区域，即根据上述技术方案通过对目标区域的地面进行分类后，进而确定了机器人的可通行区域，采用上述技术方案，解决了相关技术中，通过雷达和高精度地图来确定机器人的可通行区域的方案维护成本高，且准确率不高等问题，进而降低了维护成本，提高了准确率。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明实施例的一种可通行区域的确定方法的机器人的硬件结构框图；
图2为根据本发明实施例的可通行区域的确定方法的流程图；
图3是根据本发明实施例的可通行区域的确定装置的结构框图；
图4是根据本发明实施例的可通行区域的确定装置的另一结构框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
本申请实施例所提供的方法实施例可以在机器人或者类似的运算装置中执行。以运行在机器人上为例，图1是本发明实施例的一种可通行区域的确定方法的机器人的硬件结构框图。如图1所示，机器人10可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104，可选地，上述机器人还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述机器人的结构造成限定。例如，机器人10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示等同功能或比图1所示功能更多的不同的配置。
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的可通行区域的确定方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至机器人10。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。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括机器人10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种运行于机器人的可通行区域的确定方法，图2为根据本发明实施例的可通行区域的确定方法的流程图，如图2所示，包括：
步骤S202，根据目标区域中的目标对象对所述目标区域的地面进行分类；
步骤S204，根据分类后的结果确定所述目标区域中的道路区域，其中，分类后的结果包括：所述道路区域上的道路分界物和路面区域；
可选地，目标区域包括道路区域，目标对象包括了目标区域中可能出现的对象，具体可以是人行道，道路分界物，车道线等等，车道线用来指示机器人行驶的路线，道路分界物用于在目标区域中区分出人行道和道路区域，机器人一般行驶在道路区域上。上述机器人可以是载人的或无人的智能可移动设备。
步骤S206，确定出所述道路区域中机器人的可通行区域。
通过上述技术方案，根据目标区域中的目标对象对所述目标区域的地面进行分类；根据分类后的结果确定所述目标区域中的道路区域，进而确定道路区域中机器人的可通行区域，其中，分类后的结果包括：所述道路区域上的道路分界物和路面区域；即根据上述技术方案通过对目标区域的地面进行分类后，进而确定了机器人的可通行区域，采用上述技术方案，解决了相关技术中，通过雷达和高精度地图来确定机器人的可通行区域的方案维护成本高，且准确率不高等问题，进而降低了维护成本，提高了准确率。
在一些示例中，上述分类后的结果还至少包括以下之一：人行道的情况下，即分类后的结果包括：路面区域，人行道，道路分界物，根据分类后的结果确定所述目标区域中的道路区域，即先获取所述分类的结果中所指示的路面区域；然后在所述路面区域上，所述道路分界物用于在路面区域中区分道路区域和人行道，根据道路分界物的区分就能够获取到道路区域，本发明实施例中的道路分界物可以是路沿石、围栏、路障等多种形式的分界物，只要能够起到区分人行道和道路区域的作用均在本发明实施例的保护范围内，可见，本发明实施例中通过对目标区域的地面划分为三类：路面区域，人行道，道路分界物，进而能够方便快速的确定道路区域。
可选地，上述步骤S206可以通过以下技术方案实现：基于stixel技术确定出所述道路区域中所述机器人的可通行区域，其中，所述stixel技术采用mobilenet作为主干网络；采用SCNN(Spatial Convolutional Nerual Network)网络作为所述stixel技术的输出网络，在本发明实施例中，采用mobilenet作为主干网络，可以提升检测速度；同时SCNN网络作为输出网络，增大stixel网络的感受野，提高了确定可通行区域的准确性。
为了提高本发明实施例上述技术方案的适用范围，确定出所述道路区域中所述机器人的可通行区域之后，所述方法还包括：将确定的所述可通行区域映射到激光雷达坐标空间，得到多个激光点；根据所述多个激光点确定地平面方程；根据所述地平面方程，所述道路区域和所述可通行区域确定所述目标区域上的车道线，进一步地，将所述道路区域和所述可通行区域映射到所述地平面方程上；将映射有所述道路区域和所述可通行区域的地平面方程叠加到障碍物地图上；在所述障碍物地图上确定所述车道线。
需要说明的是，本发明实施例的地平面方程可以理解为是机器人所在坐标系所对应的地平面方程。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例的方法。
在本实施例中还提供了一种可通行区域的确定装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图3是根据本发明实施例的可通行区域的确定装置的结构框图，如图3所示，该装置包括：
分类模块30，用于根据目标区域中的目标对象对所述目标区域的地面进行分类；
第一确定模块32，用于根据分类后的结果确定所述目标区域中的道路区域，其中，分类后的结果包括：所述道路区域上的道路分界物和路面区域；
可选地，目标区域包括道路区域，目标对象包括了目标区域中可能出现的对象，具体可以是人行道，道路分界物，车道线等等，车道线用来指示机器人行驶的路线，道路分界物用于在目标区域中区分出人行道和道路区域，机器人一般行驶在道路区域上。
第二确定模块34，用于确定出所述道路区域中机器人的可通行区域。
通过上述技术方案，根据目标区域中的目标对象对所述目标区域的地面进行分类；根据分类后的结果确定所述目标区域中的道路区域，进而确定道路区域中机器人的可通行区域，其中，分类后的结果包括：所述道路区域上的道路分界物和路面区域；即根据上述技术方案通过对目标区域的地面进行分类后，进而确定了机器人的可通行区域，采用上述技术方案，解决了相关技术中，通过雷达和高精度地图来确定机器人的可通行区域的方案维护成本高，且准确率不高等问题，进而降低了维护成本，提高了准确率。
在本发明实施例中，上述分类后的结果还至少包括以下之一：路面，人行道的情况下，即分类后的结果包括：路面区域，人行道，道路分界物，所述第一确定模块32，用于获取所述分类的结果中所指示的路面区域；然后在所述路面区域上，所述道路分界物用于在路面区域中区分道路区域和人行道，根据道路分界物的区分就能够获取到道路区域，本发明实施例中的道路分界物可以是路沿石、围栏、路障等多种形式的分界物，只要能够起到区分人行道和道路区域的作用均在本发明实施例的保护范围内，可见，本发明实施例中通过对目标区域的地面划分为三类：路面区域，人行道，道路分界物，进而能够方便快速的确定道路区域。
在本发明实施例中，所述第二确定模块34，用于基于stixel技术确定出所述道路区域中所述机器人的可通行区域，其中，所述stixel技术采用mobilenet作为主干网络，采用SCNN网络作为所述stixel技术的输出网络，采用mobilenet作为主干网络，可以提升了检测速度；同时SCNN(Spatial Convolutional Nerual Network)网络作为输出网络，增大stixel网络的感受野，提高了确定可通行区域的准确性。
为了提高本发明实施例上述技术方案的适用范围，如图4所示，上述装置还包括：获取模块36，用于将确定的所述可通行区域映射到激光雷达坐标空间，得到多个激光点；第三确定模块38，用于根据所述多个激光点确定地平面方程；根据所述地平面方程，所述道路区域和所述可通行区域确定所述目标区域上的车道线，其中，第三确定模块38，还用于将所述道路区域和所述可通行区域映射到所述地平面方程对应的地平面上；将映射有所述道路区域和所述可通行区域的地平面叠加到障碍物地图上；在所述障碍物地图上确定所述车道线。
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
以下结合一可选示例对上述可通行区域的确定流程进行解释说明，但不用于限定本发明实施例的技术方案，本发明可选示例的技术方案主要包括以下步骤：
步骤1，使用基于深度学习的语义分割，通过图像采集装置采集的图像中获取道路区域，其中，语义分割作为计算机视觉中的基础任务，可以实现对图片进行语义分割，例如，在图片中，将属于汽车的所有像素都涂成蓝色。
本发明可选示例中的语义分割技术所使用的网络可以是将mobilenet作为主干网络，通过将mobilenet作为主干网络，可以提升语义分割的检测速度；在上述语义分割过程中，需要将地面至少分为3类：路面，人行道，道路分界物(可以理解为是马路边沿的石头)，增加道路区域分割的准确性。
步骤2，使用基于stixel技术确定出道路区域中的可通行区域，即从图像获取可通行区域，其中，stixel技术是具体可以包括以下方案：计算棒状物的上下边缘和双目视差，构建一个stixel，可以快速的检测出障碍物，特别是行人。
可选地，stixel技术的使用过程中采用移动端神经网络mobilenet作为主干网络，可以提升了检测速度；同时SCNN(Spatial Convolutional Nerual Network)网络作为输出网络，具体地，将原有的stixel主干网络中的GoolgeLeNet，替换为用imagenet预训练后的mobilenet，这是mobile替换的方法；在上述使用mobilenet作为主干网络的基础上，删除原有网络的verticalPool层，增加SCNN中提到的SCNN_D层和SCNN_U层进行训练，基于本发明技术方案，由于将SCNN网络作为输出网络，能够增大stixel网络的感受野，提高了确定可通行区域的准确性。
基于上述步骤1-2的技术方案，在一些特定情况下，确定出的可通行区域准确率比较低，进一步地，还可以采用以下步骤3-4的方式确定可通行区域和车道线。
步骤3，利用步骤2中得到的stixel的分割结果获取激光雷达(light detectionand ranging，简称为Lidar)区域计算地平面方程，在本发明实施例中，stixel的分割结果是一条贯穿图像的分界线，线的上方是障碍物，下方是可通行区域。Lidar和相机之间的外参已经通过标定获得，所以雷达的数据点可以映射到图像上，进而上述stixel的分割结果也可以映射到雷达点上，把雷达点划分为可通行点和不可通行点，雷达的可通行点通常在同一的平面上(地面)，所以使用雷达的可通行点求随机抽样一致算法ransac，要比传统的直接用所有激光点云计算ransac获得的地面更稳定，更准确。
在本发明可选示例中，利用lidar雷达的设置位置和相机之间的相对位置，获取lidar点在图像中的位置，基于上述的stixel结果(步骤2中得到的结果)，标记lidar点是否位于可通行区域，进一步地，考虑到可通行的区域在一定范围内都是平面，可以利用ransac算法获得lidar空间的平面。
步骤4，将上述三种结果：基于语义分割确定的道路区域，可通行区域，lidar空间的平面获取的结果叠加到障碍物地图上，利用ransac算法拟合出车道线边缘方程，进而得到车道线。
具体地，可以以步骤3中获得的lidar空间的平面为基础，将步骤1-2中道路区域和可通行区域，投影到lidar空间的平面上，通过ransac算法获得车道线结果。
本发明的实施例还提供了一种存储介质，该存储介质包括存储的程序，其中，上述程序运行时执行上述任一项的方法。
可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的程序代码：
S1，根据目标区域中的目标对象对所述目标区域的地面进行分类；
S2，根据分类后的结果确定所述目标区域中的道路区域，其中，分类后的结果包括：所述道路区域上的道路分界物和路面区域；
S3，确定出所述道路区域中机器人的可通行区域。
可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S1，根据目标区域中的目标对象对所述目标区域的地面进行分类；
S2，根据分类后的结果确定所述目标区域中的道路区域，其中，分类后的结果包括：所述道路区域上的道路分界物和路面区域；
S3，确定出所述道路区域中机器人的可通行区域。
可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种可通行区域的确定方法，其特征在于，包括：
根据目标区域中的目标对象对所述目标区域的地面进行分类；
根据分类后的结果确定所述目标区域中的道路区域，其中，所述分类后的结果包括：所述道路区域上的道路分界物和路面区域；
确定出所述道路区域中机器人的可通行区域；
其中，所述根据分类后的结果确定所述目标区域中的道路区域，包括：
获取所述分类的结果中所指示的路面区域；
在所述路面区域上，根据所述道路分界物的区分获取所述道路区域；
其中，确定出所述道路区域中所述机器人的可通行区域之后，所述方法还包括：
将确定的所述可通行区域映射到激光雷达坐标空间，得到多个激光点；
根据所述多个激光点确定地平面方程；
根据所述地平面方程，所述道路区域和所述可通行区域确定所述目标区域上的车道线。
2.根据权利要求1所述的方法，其特征在于，所述确定出所述道路区域中所述机器人的可通行区域，包括：
基于stixel技术确定出所述道路区域中所述机器人的可通行区域，其中，所述stixel技术采用mobilenet作为主干网络，采用SCNN网络作为所述stixel技术的输出网络。
3.根据权利要求1所述的方法，其特征在于，根据所述地平面方程，所述道路区域和所述可通行区域确定所述目标区域上的车道线，包括：
将所述道路区域和所述可通行区域映射到所述地平面方程对应的地平面上；
将映射有所述道路区域和所述可通行区域的地平面叠加到障碍物地图上；
在所述障碍物地图上确定所述车道线。
4.一种可通行区域的确定装置，其特征在于，包括：
分类模块，用于根据目标区域中的目标对象对所述目标区域的地面进行分类；
第一确定模块，用于根据分类后的结果确定所述目标区域中的道路区域，其中，分类后的结果包括：所述道路区域上的道路分界物和路面区域；
第二确定模块，用于确定出所述道路区域中机器人的可通行区域；
其中，所述第一确定模块，还用于获取所述分类的结果中所指示的路面区域；在所述路面区域上，根据所述道路分界物的区分获取所述道路区域；
其中，所述装置还包括：获取模块，用于将确定的所述可通行区域映射到激光雷达坐标空间，得到多个激光点；
所述装置还包括：第三确定模块，用于根据所述多个激光点确定地平面方程；根据所述地平面方程，所述道路区域和所述可通行区域确定所述目标区域上的车道线。
5.根据权利要求4所述的装置，其特征在于，所述第二确定模块，用于基于stixel技术确定出所述道路区域中所述机器人的可通行区域，其中，所述stixel技术采用mobilenet作为主干网络，采用SCNN网络作为所述stixel技术的输出网络。
6.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至3任一项中所述的方法。
7.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至3任一项中所述的方法。
CN201910755223.1A 2019-08-15 2019-08-15 可通行区域的确定方法及装置、存储介质、电子装置 Active CN112396051B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910755223.1A CN112396051B (zh) 2019-08-15 2019-08-15 可通行区域的确定方法及装置、存储介质、电子装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910755223.1A CN112396051B (zh) 2019-08-15 2019-08-15 可通行区域的确定方法及装置、存储介质、电子装置

Publications (2)

Publication Number Publication Date
CN112396051A CN112396051A (zh) 2021-02-23
CN112396051B true CN112396051B (zh) 2024-05-03

Family

ID=74601718

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910755223.1A Active CN112396051B (zh) 2019-08-15 2019-08-15 可通行区域的确定方法及装置、存储介质、电子装置

Country Status (1)

Country Link
CN (1) CN112396051B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113418522B (zh) * 2021-08-25 2021-12-14 季华实验室 Agv路径规划方法、跟随方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105718870A (zh) * 2016-01-15 2016-06-29 武汉光庭科技有限公司 自动驾驶中基于前向摄像头的道路标线提取方法
CN106529417A (zh) * 2016-10-17 2017-03-22 北海益生源农贸有限责任公司 一种视觉激光数据融合的道路检测方法
CN106919915A (zh) * 2017-02-22 2017-07-04 武汉极目智能技术有限公司 基于adas系统的地图道路标记及道路质量采集装置及方法
CN109993060A (zh) * 2019-03-01 2019-07-09 长安大学 深度摄像头的车辆全向障碍物检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102012112104A1 (de) * 2012-12-11 2014-06-12 Conti Temic Microelectronic Gmbh Verfahren und vorrichtung zur befahrbarkeitsanalyse

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105718870A (zh) * 2016-01-15 2016-06-29 武汉光庭科技有限公司 自动驾驶中基于前向摄像头的道路标线提取方法
CN106529417A (zh) * 2016-10-17 2017-03-22 北海益生源农贸有限责任公司 一种视觉激光数据融合的道路检测方法
CN106919915A (zh) * 2017-02-22 2017-07-04 武汉极目智能技术有限公司 基于adas系统的地图道路标记及道路质量采集装置及方法
CN109993060A (zh) * 2019-03-01 2019-07-09 长安大学 深度摄像头的车辆全向障碍物检测方法

Also Published As

Publication number Publication date
CN112396051A (zh) 2021-02-23

Similar Documents

Publication Publication Date Title
CN110795819B (zh) 自动驾驶仿真场景的生成方法和装置、存储介质
CN110148144B (zh) 点云数据的分割方法和装置、存储介质、电子装置
CN111220993B (zh) 目标场景定位方法、装置、计算机设备和存储介质
CN108319655B (zh) 用于生成栅格地图的方法和装置
CN108303103B (zh) 目标车道的确定方法和装置
CN110019570B (zh) 用于构建地图的方法、装置及终端设备
Zhou et al. Mapping curbstones in airborne and mobile laser scanning data
CN116912793A (zh) 一种路面识别方法和装置
KR102103834B1 (ko) 고정밀 전자지도 갱신을 위한 객체 변화 탐지 시스템 및 방법
CN113848943B (zh) 栅格地图的修正方法及装置、存储介质及电子装置
CN109636842B (zh) 车道线修正方法、装置、设备及存储介质
CN113127583A (zh) 一种数据传输方法和装置
CN112740225B (zh) 一种路面要素确定方法及装置
CN115631356B (zh) 道路设施缺失识别方法、装置、存储介质及电子装置
CN111507973A (zh) 目标检测方法及装置、电子设备和存储介质
US20200279395A1 (en) Method and system for enhanced sensing capabilities for vehicles
CN111402301B (zh) 积水检测方法及装置、存储介质及电子装置
CN114943941A (zh) 一种目标检测方法及装置
CN111380515A (zh) 定位方法及装置、存储介质、电子装置
CN112396051B (zh) 可通行区域的确定方法及装置、存储介质、电子装置
CN112396630B (zh) 目标对象状态的确定方法、装置、存储介质及电子装置
CN116430404A (zh) 相对位置的确定方法和装置、存储介质及电子装置
Bayerl et al. Following Dirt Roads at Night Time: Sensors and Features for Lane Recognition and Tracking
CN111380529B (zh) 移动设备定位方法、装置、系统及移动设备
CN115471574A (zh) 外参的确定方法、装置、存储介质及电子装置

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
GR01 Patent grant