CN112526513A - 基于聚类算法的毫米波雷达环境地图构建方法及装置 - Google Patents
基于聚类算法的毫米波雷达环境地图构建方法及装置 Download PDFInfo
- Publication number
- CN112526513A CN112526513A CN202110181211.XA CN202110181211A CN112526513A CN 112526513 A CN112526513 A CN 112526513A CN 202110181211 A CN202110181211 A CN 202110181211A CN 112526513 A CN112526513 A CN 112526513A
- Authority
- CN
- China
- Prior art keywords
- millimeter wave
- point cloud
- data
- wave radar
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 31
- 238000005259 measurement Methods 0.000 claims abstract description 88
- 239000013598 vector Substances 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 42
- 238000012216 screening Methods 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000004590 computer program Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 6
- 238000007476 Maximum Likelihood Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 4
- 238000013519 translation Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 235000018185 Betula X alpestris Nutrition 0.000 description 1
- 235000018212 Betula X uliginosa Nutrition 0.000 description 1
- 230000010391 action planning Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003897 fog Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000004304 visual acuity Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Electromagnetism (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于聚类算法的毫米波雷达环境地图构建方法及装置，方法包括：获得毫米波雷达的多帧移动采集数据和对应的位姿信息；根据位姿信息，对多帧移动采集数据的目标相对于雷达在笛卡尔坐标系中的坐标信息进行处理，得到组合点云数据，组合点云数据中包含多个样本向量；利用DBSCAN聚类算法，对组合点云数据进行杂点筛除处理，其中，DBSCAN聚类算法的输入参数根据组合点云数据的维度信息以及组合点云数据中各样本向量之间的马氏距离数据确定；利用杂点筛除处理后的组合点云数据，建立毫米波雷达测量精度模型；根据毫米波雷达测量精度模型，进行毫米波雷达环境地图构建。本发明可以有效提高毫米波雷达环境地图的准确性。
Description
技术领域
本发明涉及环境感知雷达点云处理技术领域，尤其涉及基于聚类算法的毫米波雷达环境地图构建方法及装置。
背景技术
环境地图构建在移动机器人和环境监测领域都具有重要地位。环境地图构建既是机器人下一步行动规划的必要前提，也是对未知或已知空间进行监测的重要步骤。环境地图的构建常用占据栅格地图算法。根据GPS等方式得到雷达的位姿信息后，结合每帧点云数据形成环境栅格地图。
毫米波雷达是一种发射毫米波波段的电磁波进行探测的雷达，它可以通过点云的形式将数据进行输出。毫米波雷达穿透雾、烟、灰尘的能力强，具有全天候全天时的优点。由于其出色的鲁棒性，目前毫米波雷达变得越来越流行。目前毫米波雷达主要输出2D点云，随着硬件技术的成熟未来也将向3D点云数据发展。毫米波雷达在自动驾驶，安全防范，交通监控，无人机等多个领域得到了广泛的应用。但是与激光雷达相比（激光雷达是传统的点云采集传感器，可采集2D和3D点云数据），毫米波雷达具有测量精度低和杂点多的数据特点。在毫米波雷达扫描范围内的不同位置处，其点云测量精度是不同的，这与毫米波雷达的硬件结构和采集环境是相关的。杂点是由于毫米波雷达接收了大量杂波引起的，它对于环境地图是严重的干扰，必须被筛除。
针对杂点筛除，聚类是一种常用的方法。聚类算法可以实现类内个体之间具有较大的相似性，类间个体间具有较大的相异性。在聚类算法中,选择合适的阈值就可以将目标点云分离。常见的聚类算法有k均值算法、BIRCH（Balanced Iterative Reducing andClustering Using Hierarchies）算法、基于概率分布的EM（Expectation-maximizationalgorithm）算法、还有基于密度的DBSCAN（Density-Based Spatial Clustering ofApplications with Noise）算法。与其他聚类方法相比，DBSCAN聚类算法将类定义为密度相连的点的最大集合，它不依据距离进行分类，克服了基于距离判别准则只能发现“类圆形”聚类的限制，能发现任意形状、大小的类。而且相比于其他聚类算法，DBSCAN聚类算法不仅不需要预先输入聚类的数目，并且能够自动识别杂点，并将它们统一放入一个类中。这对于未知环境中的点云杂点筛除是有益的。
但是，现有技术中利用聚类算法进行毫米波雷达环境地图构建存在准确性较低的问题，因此，亟需一种可以克服上述问题的基于聚类算法的毫米波雷达环境地图构建方案。
发明内容
本发明实施例提供一种基于聚类算法的毫米波雷达环境地图构建方法，用以构建毫米波雷达环境地图，提高毫米波雷达环境地图的准确性，该方法包括：
获得毫米波雷达的多帧移动采集数据和对应的位姿信息，所述移动采集数据包括：目标相对于雷达在笛卡尔坐标系中的坐标信息和速度信息，以及目标的雷达散射横截面积数据；
根据所述位姿信息，对所述多帧移动采集数据的目标相对于雷达在笛卡尔坐标系中的坐标信息进行处理，得到组合点云数据，所述组合点云数据中包含多个样本向量；
利用DBSCAN聚类算法，对所述组合点云数据进行杂点筛除处理，其中，DBSCAN聚类算法的输入参数根据组合点云数据的维度信息以及组合点云数据中各样本向量之间的马氏距离数据确定；
利用杂点筛除处理后的组合点云数据，建立毫米波雷达测量精度模型；
根据所述毫米波雷达测量精度模型，进行毫米波雷达环境地图构建。
本发明实施例提供一种基于聚类算法的毫米波雷达环境地图构建装置，用以构建毫米波雷达环境地图，提高毫米波雷达环境地图的准确性，该装置包括：
数据获得模块，用于获得毫米波雷达的多帧移动采集数据和对应的位姿信息，所述移动采集数据包括：目标相对于雷达在笛卡尔坐标系中的坐标信息和速度信息，以及目标的雷达散射横截面积数据；
数据处理模块，用于根据所述位姿信息，对所述多帧移动采集数据的目标相对于雷达在笛卡尔坐标系中的坐标信息进行处理，得到组合点云数据，所述组合点云数据中包含多个样本向量；
杂点筛除模块，用于利用DBSCAN聚类算法，对所述组合点云数据进行杂点筛除处理，其中，DBSCAN聚类算法的输入参数根据组合点云数据的维度信息以及组合点云数据中各样本向量之间的马氏距离数据确定；
模型建立模块，用于利用杂点筛除处理后的组合点云数据，建立毫米波雷达测量精度模型；
地图构建模块，用于根据所述毫米波雷达测量精度模型，进行毫米波雷达环境地图构建。
本发明实施例还提供一种计算机设备，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基于聚类算法的毫米波雷达环境地图构建方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述基于聚类算法的毫米波雷达环境地图构建方法的计算机程序。
本发明实施例通过获得毫米波雷达的多帧移动采集数据和对应的位姿信息，所述移动采集数据包括：目标相对于雷达在笛卡尔坐标系中的坐标信息和速度信息，以及目标的雷达散射横截面积数据；根据所述位姿信息，对所述多帧移动采集数据的目标相对于雷达在笛卡尔坐标系中的坐标信息进行处理，得到组合点云数据，所述组合点云数据中包含多个样本向量；利用DBSCAN聚类算法，对所述组合点云数据进行杂点筛除处理，其中，DBSCAN聚类算法的输入参数根据组合点云数据的维度信息以及组合点云数据中各样本向量之间的马氏距离数据确定；利用杂点筛除处理后的组合点云数据，建立毫米波雷达测量精度模型；根据所述毫米波雷达测量精度模型，进行毫米波雷达环境地图构建。本发明实施例利用DBSCAN聚类算法对组合点云数据进行杂点筛除处理，其中，DBSCAN聚类算法的输入参数无需进行人工确定，可以自动根据组合点云数据的维度信息以及组合点云数据中各样本向量之间的马氏距离数据确定。在构建毫米波雷达环境地图时，考虑到毫米波雷达测量精度低容易降低地图准确性，建立了毫米波雷达测量精度模型，为雷达感知范围内的不同目标赋予了差异性的占据概率，从而有效提高毫米波雷达环境地图的准确性。
附图说明
为了更清楚地说明本发明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简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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。在附图中：
图1为本发明实施例中基于聚类算法的毫米波雷达环境地图构建方法示意图；
图2为本发明实施例中DBSCAN聚类算法示意图；
图3为本发明实施例中杂点筛除比对结果图；
图4为本发明实施例中基于聚类算法的毫米波雷达环境地图构建装置结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
为了构建毫米波雷达环境地图，提高毫米波雷达环境地图的准确性，本发明实施例提供一种基于聚类算法的毫米波雷达环境地图构建方法，如图1所示，该方法可以包括：
步骤101、获得毫米波雷达的多帧移动采集数据和对应的位姿信息，所述移动采集数据包括：目标相对于雷达在笛卡尔坐标系中的坐标信息和速度信息，以及目标的雷达散射横截面积数据；
步骤102、根据所述位姿信息，对所述多帧移动采集数据的目标相对于雷达在笛卡尔坐标系中的坐标信息进行处理，得到组合点云数据，所述组合点云数据中包含多个样本向量；
步骤103、利用DBSCAN聚类算法，对所述组合点云数据进行杂点筛除处理，其中，DBSCAN聚类算法的输入参数根据组合点云数据的维度信息以及组合点云数据中各样本向量之间的马氏距离数据确定；
步骤104、利用杂点筛除处理后的组合点云数据，建立毫米波雷达测量精度模型；
步骤105、根据所述毫米波雷达测量精度模型，进行毫米波雷达环境地图构建。
由图1所示可以得知，本发明实施例通过获得毫米波雷达的多帧移动采集数据和对应的位姿信息，所述移动采集数据包括：目标相对于雷达在笛卡尔坐标系中的坐标信息和速度信息，以及目标的雷达散射横截面积数据；根据所述位姿信息，对所述多帧移动采集数据的目标相对于雷达在笛卡尔坐标系中的坐标信息进行处理，得到组合点云数据，所述组合点云数据中包含多个样本向量；利用DBSCAN聚类算法，对所述组合点云数据进行杂点筛除处理，其中，DBSCAN聚类算法的输入参数根据组合点云数据的维度信息以及组合点云数据中各样本向量之间的马氏距离数据确定；利用杂点筛除处理后的组合点云数据，建立毫米波雷达测量精度模型；根据所述毫米波雷达测量精度模型，进行毫米波雷达环境地图构建。本发明实施例利用DBSCAN聚类算法对组合点云数据进行杂点筛除处理，其中，DBSCAN聚类算法的输入参数无需进行人工确定，可以自动根据组合点云数据的维度信息以及组合点云数据中各样本向量之间的马氏距离数据确定。在构建毫米波雷达环境地图时，考虑到毫米波雷达测量精度低容易降低地图准确性，建立了毫米波雷达测量精度模型，为雷达感知范围内的不同目标赋予了差异性的占据概率，从而有效提高毫米波雷达环境地图的准确性。
在构建毫米波雷达环境地图前，需要先对毫米波雷达数据进行杂点筛除。在使用聚类方法筛除杂点时，采用DBSCAN聚类算法对毫米波雷达数据进行聚类，进而在聚类结果中选择出目标点云主体，实现杂点的筛除。然而在使用DBSCAN聚类算法对毫米波雷达数据进行聚类时，若只使用目标的二维笛卡尔位置特征，由于毫米波雷达数据密度的不均匀性，有时无法准确地识别出离群点。另外，在使用DBSCAN聚类算法时，有两个输入参数一般需要人工确定：邻域距离e和邻域最小样本个数MinPts，但是人工确定输入参数效率非常低并且也无法保证准确率。并且，发明人发现在构建环境栅格地图时，通常占据栅格地图算法将所有的目标赋予相同的占据概率，而没有考虑到测量精度的问题。这对于测量精度较低的毫米波雷达来说，将严重降低地图构建的准确性。
因此，本发明实施例针对毫米波雷达点云测量精度低和杂点多的问题，利用基于DBSCAN聚类的方法进行杂点筛除，同时改进了环境地图构建方法，实现了全天时全天候的环境感知。在使用DBSCAN聚类算法时，考虑雷达检测目标的多维度特征、计算点云之间的马氏距离及其均值，实现了DBSCAN聚类输入参数邻域距离e和邻域最小样本个数MinPts的自动确定方法，在构建毫米波雷达环境地图时，针对毫米波雷达测量精度低降低地图准确性的问题，建立毫米波雷达测量精度模型，为雷达感知范围内的不同目标赋予了差异性的占据概率，形成改进的占据栅格地图构建算法，以提高环境栅格地图构建的准确性。
实施例中，获得毫米波雷达的多帧移动采集数据和对应的位姿信息，所述移动采集数据包括：目标相对于雷达在笛卡尔坐标系中的坐标信息和速度信息，以及目标的雷达散射横截面积数据。
具体实施时，将毫米波雷达固定在稳定的移动载体平台上，如：无人机、移动轨道、机器人或汽车，控制载体在空间中移动，对周围环境进行数据采集，得到毫米波雷达的多帧移动采集数据。同时通过GPS、IMU、码盘或者其他定位手段实时获取毫米波雷达的位姿信息。
实施例中，根据所述位姿信息，对所述多帧移动采集数据的目标相对于雷达在笛卡尔坐标系中的坐标信息进行处理，得到组合点云数据，所述组合点云数据中包含多个样本向量。
本实施例中，根据所述位姿信息，对所述多帧移动采集数据的目标相对于雷达在笛卡尔坐标系中的坐标信息进行处理，包括：根据所述位姿信息，对所述多帧移动采集数据的目标相对于雷达在笛卡尔坐标系中的坐标信息进行旋转处理和平移处理。
具体实施时，按如下公式对所述多帧移动采集数据的目标相对于雷达在笛卡尔坐标系中的坐标信息进行旋转处理和平移处理：
S’ t = O t 
S t
其中，S’ t 为处理后的得到的组合点云数据，O t 为位姿信息，S t 为第t帧移动采集数据。
具体实施时，为了使用DBSCAN聚类算法有效地进行毫米波雷达数据的杂点筛除，适中的数据量是必要的。由于单帧雷达数据量远远不够，所以需要先组合连续的多帧数据，扩大数据量。需要说明的是，一帧移动采集数据S可以得到多个点云，即多个样本向量，组合点云数据中有多个S。
雷达开始工作后，对周围环境进行扫描。由于毫米波雷达的空间特性是二维的，它在高程上不具备分辨能力。定义雷达每帧检测到n个目标，第m个目标的测量值Z m 包含的五维特征为：
Z m =[r m x ,r m y , v m x ,v m y , rcs m ],1≤m≤n
其中，r m x 和r m y 是目标相对于雷达在笛卡尔坐标系中的坐标，v m x 和v m y 是目标相对于雷达在笛卡尔坐标系中的速度，rcs m 表示目标的雷达散射横截面。每一帧数据构成一个n 
5的矩阵。从雷达开始工作开始，第一帧数据记为S 0。
利用GPS、IMU、码盘或者其他辅助定位手段，获取雷达的实时位姿信息。以第t帧数据S t 为例，经过N帧后，直到S t+N ，根据辅助定位手段记录雷达每帧数据的位姿序列为[O t ,O t+1,…,O t+N ]。利用这些位姿信息，将雷达连续的N帧扫描数据，即[S t ,S t+1,…,S t+N ]，按如下公式进行旋转和平移：
S’ t = O t 
S t
将每帧数据中的r m x 和r m y 进行平移和旋转，而不影响v m x 、v m y 和rcs m 。转换后的雷达数据，也即组合点云数据[S’ t ,S’ t+1,…,S’ t+N ]，都在以O 0为原点的笛卡尔坐标系下，即实现了连续N帧雷达扫描数据的组合。
实施例中，利用DBSCAN聚类算法，对所述组合点云数据进行杂点筛除处理，其中，DBSCAN聚类算法的输入参数根据组合点云数据的维度信息以及组合点云数据中各样本向量之间的马氏距离数据确定。
本实施例中，所述DBSCAN聚类算法的输入参数包括：邻域距离和邻域最小样本个数；按如下方式确定DBSCAN聚类算法的邻域距离：计算组合点云数据中各样本向量之间的马氏距离数据，利用极大似然估计法对所述马氏距离数据进行参数估计，根据参数估计的结果确定DBSCAN聚类算法的邻域距离；按如下方式确定DBSCAN聚类算法的邻域最小样本个数：组合点云数据的维度信息，根据所述组合点云数据的维度信息确定DBSCAN聚类算法的邻域最小样本个数。
具体实施时，使用DBSCAN聚类算法对组合点云数据进行杂点筛除，需要计算组合点云数据之间的相似度。由于DBSCAN聚类算法通常只使用目标的二维笛卡尔位置特征，所以在计算相似度时，通常使用欧氏距离进行度量。但是由于毫米波雷达的数据特点，仅使用二维笛卡尔位置特征时，并不能将杂点进行准确的识别并筛除。所以本文使用了毫米波雷达数据的五维特征，即：
Z m =[r m x ,r m y , v m x ,v m y , rcs m ],1≤m≤n。
考虑到选取的特征维度较高，以及特征之间的相关性，使用马氏距离替代欧氏距离，进行组合点云数据之间的相似度度量。首先，使用转换后的雷达数据，也即组合点云数据[S’ t ,S’ t+1,…,S’ t+N ]构建样本向量。每一个S’中包含n个点云，即n个样本向量，每个样本向量包含X m =[r m x ,r m y , v m x ,v m y , rcs m ]五维特征。
使用马氏距离计算样本向量之间的距离。向量X i 与X j 之间的马氏距离定义为：
其中S为协方差矩阵。然后统计每个样本向量与其他所有样本的马氏距离，并按从小到大排序，分别统计每个样本与距离它最近的第K个样本的马氏距离，简称“K-距离”。记录所有样本的“K-距离”。
DBSCAN聚类算法有两个输入参数：邻域距离e和邻域最小样本个数MinPts。由于所有向量之间的“K-距离”在数轴上服从泊松分布，所以用极大似然估计法对整个“K-距离”的泊松分布进行参数估计，按如下公式得到的期望值即为e的取值：
其中， d表示“K-距离”。
为了确定参数e，需要先确定“K-距离”中的变量K。K与MinPts是相关的，如下式所示：
K=MinPts - 1
根据样本向量的维度，可以按如下公式确定参数MinPts：
MinPts = 2 
Dimension
其中，Dimension为组合点云数据的维度信息。由此，可以自动地确定了DBSCAN聚类算法的两个输入参数：邻域距离e和邻域最小样本个数MinPts。
本实施例中，利用DBSCAN聚类算法，对所述组合点云数据进行杂点筛除处理，包括：遍历所述组合点云数据中的样本向量，确定满足所述输入参数的核心对象集合；按如下方式对核心对象集合进行更新，直至所有核心对象都被遍历或移除：从集合中选择一个核心对象，找到所述核心对象密度可达的样本向量并生成对应的聚类簇；从集合中剩余的核心对象中移除找到的所述核心对象密度可达的样本向量；将移除后的核心对象集合作为新的集合进行下一次更新；将未生成聚类簇的样本向量标记为杂点；根据标记的结果，对所述组合点云数据进行杂点筛除处理。
具体实施时，如图2所示，DBSCAN聚类算法中包含几个概念：邻域、核心对象、密度直达、密度可达和密度相连。当MinPts=3时，虚线圆是e邻域，X1是核心对象，X2以X1密度直接连接，X3以X1密度可达，X3以X4密度连接。在确定参数e和MinPts之后执行：遍历所有雷达数据样本，找出所有满足邻域距离e的核心对象的集合；任意选择一个核心对象，找出其所有密度可达的样本并生成聚类簇；从剩余的核心对象中移除2中找到的密度可达的样本；从更新后的核心对象集合重复上述过程直到核心对象都被遍历或移除。将未被划分为聚类簇的雷达数据标记为杂点。将标记的杂点，在点云数据中筛除，保留其余点云。此时已经完成了毫米波雷达杂点的筛除，得到的杂点筛除比对结果图如图3所示。
实施例中，利用杂点筛除处理后的组合点云数据，建立毫米波雷达测量精度模型。
本实施例中，利用杂点筛除处理后的组合点云数据，建立毫米波雷达测量精度模型，包括：根据杂点筛除处理后的组合点云数据，计算测量目标角度数据和测量目标距离数据；根据所述测量目标距离数据和预设的距离缩放因子，建立距离测量概率模型；根据所述测量目标角度数据，预设的角度缩放因子和角度补偿因子，建立角度测量概率模型；根据所述距离测量概率模型和角度测量概率模型，建立毫米波雷达测量精度模型。
具体实施时，毫米波雷达在不同监测视野位置处，雷达的测距精度与测角精度是不同的。距离越靠近雷达、角度越靠近中心的目标，雷达的测量精度越高，即r m x 和r m y 越准确。其中，测量目标角度数据可以通过如下公式计算：
测量目标距离数据根据如下公式计算：
r =(r m y )2 + (r m x ) 2
进而，建立距离测量概率模型：
p r =exp(-r ps •r 2)
其中，r ps 表示距离放缩因子，并建立角度测量概率模型：
其中
表示角度放缩因子，
表示角度补偿因子。
进而，总的测量概率p sum ，也即毫米波雷达测量精度模型按如下公式建立：
实施例中，根据所述毫米波雷达测量精度模型，进行毫米波雷达环境地图构建。
本实施例中，根据所述毫米波雷达测量精度模型，进行毫米波雷达环境地图构建，包括：根据杂点筛除处理后的组合点云数据和对应的位姿信息，建立占据栅格地图；根据所述占据栅格地图和毫米波雷达测量精度模型，进行毫米波雷达环境地图构建。
具体实施时，首先构造栅格地图。将地图M划分为a 
b个栅格，每个栅格相互独立。M x,y 表示每个栅格是否被目标占据，空闲为0，占据为1。P(M x,y )表示栅格是否被占用的概率，其中P(M x,y (t)=1)表示在t时刻栅格被占据的概率，P(M x,y (t)=0)表示在t时刻栅格空闲的概率。
为所有栅格建立后验概率P(M x,y (t)|S 1:t ,O 1:t )，其中S 1:t 为时刻1到t内雷达的所有点云，O 1:t 为时刻1到t内雷达的所有位姿值。则地图M用如下公式表示：
为了避免概率接近0或1时引起的截断问题，使用概率比值的对数形式表示每个栅格被占用的概率表示为：
对公式进行变换，把栅格状态的更新变成了简单的加法，利于二元贝叶斯滤波的迭代更新，得到如下公式：
通过该公式来实时更新每个栅格的状态，进而可以得到全局地图的状态。其中L(M x,y (t-1))表示t-1时刻的概率比对数值，L(M x,y (0))表示t=0时刻的概率比对数值（每个栅格的先验概率是P(M x,y (t)=1)= P(M x,y (t)=0)=0.5，所以L(M x,y (0))=0）。其中p sum(x,y)(t)表示t时刻雷达观测到栅格内目标的测量概率。这一公式将根据步骤三中的测量概率p sum ，对不同测量精度的目标进行区分。也就是说，此公式增强了测量精度高的点云的占据概率，同时削弱了测量精度低的点云的占据概率。以上即完成了基于聚类的毫米波雷达环境地图构建。
基于同一发明构思，本发明实施例还提供了一种基于聚类算法的毫米波雷达环境地图构建装置，如下面的实施例所述。由于这些解决问题的原理与基于聚类算法的毫米波雷达环境地图构建方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
图4为本发明实施例中基于聚类算法的毫米波雷达环境地图构建装置的结构图，如图4所示，该装置包括：
数据获得模块401，用于获得毫米波雷达的多帧移动采集数据和对应的位姿信息，所述移动采集数据包括：目标相对于雷达在笛卡尔坐标系中的坐标信息和速度信息，以及目标的雷达散射横截面积数据；
数据处理模块402，用于根据所述位姿信息，对所述多帧移动采集数据的目标相对于雷达在笛卡尔坐标系中的坐标信息进行处理，得到组合点云数据，所述组合点云数据中包含多个样本向量；
杂点筛除模块403，用于利用DBSCAN聚类算法，对所述组合点云数据进行杂点筛除处理，其中，DBSCAN聚类算法的输入参数根据组合点云数据的维度信息以及组合点云数据中各样本向量之间的马氏距离数据确定；
模型建立模块404，用于利用杂点筛除处理后的组合点云数据，建立毫米波雷达测量精度模型；
地图构建模块405，用于根据所述毫米波雷达测量精度模型，进行毫米波雷达环境地图构建。
一个实施例中，所述DBSCAN聚类算法的输入参数包括：邻域距离和邻域最小样本个数；
按如下方式确定DBSCAN聚类算法的邻域距离：计算组合点云数据中各样本向量之间的马氏距离数据，利用极大似然估计法对所述马氏距离数据进行参数估计，根据参数估计的结果确定DBSCAN聚类算法的邻域距离；
按如下方式确定DBSCAN聚类算法的邻域最小样本个数：组合点云数据的维度信息，根据所述组合点云数据的维度信息确定DBSCAN聚类算法的邻域最小样本个数。
一个实施例中，所述模型建立模块进一步用于：
根据杂点筛除处理后的组合点云数据，计算测量目标角度数据和测量目标距离数据；
根据所述测量目标距离数据和预设的距离缩放因子，建立距离测量概率模型；
根据所述测量目标角度数据，预设的角度缩放因子和角度补偿因子，建立角度测量概率模型；
根据所述距离测量概率模型和角度测量概率模型，建立毫米波雷达测量精度模型。
综上所述，本发明实施例通过获得毫米波雷达的多帧移动采集数据和对应的位姿信息，所述移动采集数据包括：目标相对于雷达在笛卡尔坐标系中的坐标信息和速度信息，以及目标的雷达散射横截面积数据；根据所述位姿信息，对所述多帧移动采集数据的目标相对于雷达在笛卡尔坐标系中的坐标信息进行处理，得到组合点云数据，所述组合点云数据中包含多个样本向量；利用DBSCAN聚类算法，对所述组合点云数据进行杂点筛除处理，其中，DBSCAN聚类算法的输入参数根据组合点云数据的维度信息以及组合点云数据中各样本向量之间的马氏距离数据确定；利用杂点筛除处理后的组合点云数据，建立毫米波雷达测量精度模型；根据所述毫米波雷达测量精度模型，进行毫米波雷达环境地图构建。本发明实施例利用DBSCAN聚类算法对组合点云数据进行杂点筛除处理，其中，DBSCAN聚类算法的输入参数无需进行人工确定，可以自动根据组合点云数据的维度信息以及组合点云数据中各样本向量之间的马氏距离数据确定。在构建毫米波雷达环境地图时，考虑到毫米波雷达测量精度低容易降低地图准确性，建立了毫米波雷达测量精度模型，为雷达感知范围内的不同目标赋予了差异性的占据概率，从而有效提高毫米波雷达环境地图的准确性。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据本发明实施例的方法、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。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种基于聚类算法的毫米波雷达环境地图构建方法，其特征在于，包括：
获得毫米波雷达的多帧移动采集数据和对应的位姿信息，所述移动采集数据包括：目标相对于雷达在笛卡尔坐标系中的坐标信息和速度信息，以及目标的雷达散射横截面积数据；
根据所述位姿信息，对所述多帧移动采集数据的目标相对于雷达在笛卡尔坐标系中的坐标信息进行处理，得到组合点云数据，所述组合点云数据中包含多个样本向量；
利用DBSCAN聚类算法，对所述组合点云数据进行杂点筛除处理，其中，DBSCAN聚类算法的输入参数根据组合点云数据的维度信息以及组合点云数据中各样本向量之间的马氏距离数据确定；
利用杂点筛除处理后的组合点云数据，建立毫米波雷达测量精度模型；
根据所述毫米波雷达测量精度模型，进行毫米波雷达环境地图构建。
2.如权利要求1所述的基于聚类算法的毫米波雷达环境地图构建方法，其特征在于，所述DBSCAN聚类算法的输入参数包括：邻域距离和邻域最小样本个数；
按如下方式确定DBSCAN聚类算法的邻域距离：计算组合点云数据中各样本向量之间的马氏距离数据，利用极大似然估计法对所述马氏距离数据进行参数估计，根据参数估计的结果确定DBSCAN聚类算法的邻域距离；
按如下方式确定DBSCAN聚类算法的邻域最小样本个数：组合点云数据的维度信息，根据所述组合点云数据的维度信息确定DBSCAN聚类算法的邻域最小样本个数。
3.如权利要求1所述的基于聚类算法的毫米波雷达环境地图构建方法，其特征在于，利用DBSCAN聚类算法，对所述组合点云数据进行杂点筛除处理，包括：
遍历所述组合点云数据中的样本向量，确定满足所述输入参数的核心对象集合；
按如下方式对核心对象集合进行更新，直至所有核心对象都被遍历或移除：从集合中选择一个核心对象，找到所述核心对象密度可达的样本向量并生成对应的聚类簇；从集合中剩余的核心对象中移除找到的所述核心对象密度可达的样本向量；将移除后的核心对象集合作为新的集合进行下一次更新；
将未生成聚类簇的样本向量标记为杂点；
根据标记的结果，对所述组合点云数据进行杂点筛除处理。
4.如权利要求1所述的基于聚类算法的毫米波雷达环境地图构建方法，其特征在于，利用杂点筛除处理后的组合点云数据，建立毫米波雷达测量精度模型，包括：
根据杂点筛除处理后的组合点云数据，计算测量目标角度数据和测量目标距离数据；
根据所述测量目标距离数据和预设的距离缩放因子，建立距离测量概率模型；
根据所述测量目标角度数据，预设的角度缩放因子和角度补偿因子，建立角度测量概率模型；
根据所述距离测量概率模型和角度测量概率模型，建立毫米波雷达测量精度模型。
5.如权利要求1所述的基于聚类算法的毫米波雷达环境地图构建方法，其特征在于，根据所述毫米波雷达测量精度模型，进行毫米波雷达环境地图构建，包括：
根据杂点筛除处理后的组合点云数据和对应的位姿信息，建立占据栅格地图；
根据所述占据栅格地图和毫米波雷达测量精度模型，进行毫米波雷达环境地图构建。
6.一种基于聚类算法的毫米波雷达环境地图构建装置，其特征在于，包括：
数据获得模块，用于获得毫米波雷达的多帧移动采集数据和对应的位姿信息，所述移动采集数据包括：目标相对于雷达在笛卡尔坐标系中的坐标信息和速度信息，以及目标的雷达散射横截面积数据；
数据处理模块，用于根据所述位姿信息，对所述多帧移动采集数据的目标相对于雷达在笛卡尔坐标系中的坐标信息进行处理，得到组合点云数据，所述组合点云数据中包含多个样本向量；
杂点筛除模块，用于利用DBSCAN聚类算法，对所述组合点云数据进行杂点筛除处理，其中，DBSCAN聚类算法的输入参数根据组合点云数据的维度信息以及组合点云数据中各样本向量之间的马氏距离数据确定；
模型建立模块，用于利用杂点筛除处理后的组合点云数据，建立毫米波雷达测量精度模型；
地图构建模块，用于根据所述毫米波雷达测量精度模型，进行毫米波雷达环境地图构建。
7.如权利要求6所述的基于聚类算法的毫米波雷达环境地图构建装置，其特征在于，所述DBSCAN聚类算法的输入参数包括：邻域距离和邻域最小样本个数；
按如下方式确定DBSCAN聚类算法的邻域距离：计算组合点云数据中各样本向量之间的马氏距离数据，利用极大似然估计法对所述马氏距离数据进行参数估计，根据参数估计的结果确定DBSCAN聚类算法的邻域距离；
按如下方式确定DBSCAN聚类算法的邻域最小样本个数：组合点云数据的维度信息，根据所述组合点云数据的维度信息确定DBSCAN聚类算法的邻域最小样本个数。
8.如权利要求6所述的基于聚类算法的毫米波雷达环境地图构建装置，其特征在于，所述模型建立模块进一步用于：
根据杂点筛除处理后的组合点云数据，计算测量目标角度数据和测量目标距离数据；
根据所述测量目标距离数据和预设的距离缩放因子，建立距离测量概率模型；
根据所述测量目标角度数据，预设的角度缩放因子和角度补偿因子，建立角度测量概率模型；
根据所述距离测量概率模型和角度测量概率模型，建立毫米波雷达测量精度模型。
9.一种计算机设备，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权利要求1至5任一所述方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1至5任一所述方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110181211.XA CN112526513B (zh) | 2021-02-10 | 2021-02-10 | 基于聚类算法的毫米波雷达环境地图构建方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110181211.XA CN112526513B (zh) | 2021-02-10 | 2021-02-10 | 基于聚类算法的毫米波雷达环境地图构建方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112526513A true CN112526513A (zh) | 2021-03-19 |
| CN112526513B CN112526513B (zh) | 2021-05-25 |
Family
ID=74975646
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110181211.XA Active CN112526513B (zh) | 2021-02-10 | 2021-02-10 | 基于聚类算法的毫米波雷达环境地图构建方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112526513B (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113256990A (zh) * | 2021-07-13 | 2021-08-13 | 北京戍宁信息技术有限公司 | 基于聚类算法的雷达采集道路车辆信息的方法及系统 |
| CN113325383A (zh) * | 2021-06-17 | 2021-08-31 | 广东工业大学 | 基于网格和dbscan的自适应车载毫米波雷达聚类算法及装置 |
| CN113390406A (zh) * | 2021-06-16 | 2021-09-14 | 电子科技大学 | 基于被动多传感器系统的多目标数据关联与定位方法 |
| CN113537316A (zh) * | 2021-06-30 | 2021-10-22 | 南京理工大学 | 一种基于4d毫米波雷达点云的车辆检测方法 |
| CN113820682A (zh) * | 2021-09-26 | 2021-12-21 | 华南农业大学 | 一种基于毫米波雷达的目标检测方法及装置 |
| CN114545400A (zh) * | 2022-04-27 | 2022-05-27 | 陕西欧卡电子智能科技有限公司 | 基于毫米波雷达的水面机器人的全局重定位方法 |
| CN114706070A (zh) * | 2022-02-22 | 2022-07-05 | 惠州市德赛西威智能交通技术研究院有限公司 | 一种基于4d毫米波雷达的自动泊车车位搜索方法和系统 |
| CN114942434A (zh) * | 2022-04-25 | 2022-08-26 | 西南交通大学 | 一种基于毫米波雷达点云的跌倒姿态识别方法及系统 |
| CN115236627A (zh) * | 2022-09-21 | 2022-10-25 | 深圳安智杰科技有限公司 | 一种基于多帧多普勒速度扩维的毫米波雷达数据聚类方法 |
| CN115877373A (zh) * | 2023-02-20 | 2023-03-31 | 上海几何伙伴智能驾驶有限公司 | 结合激光雷达信息实现点云雷达聚类参数设计的方法 |
| US20230126749A1 (en) * | 2021-10-27 | 2023-04-27 | GM Global Technology Operations LLC | Filtering and aggregating detection points of a radar point cloud for an autonomous vehicle |
| US11965978B2 (en) | 2021-10-27 | 2024-04-23 | GM Global Technology Operations LLC | Calibration pipeline for estimating six degrees of freedom (6DoF) alignment parameters for an autonomous vehicle |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018142395A1 (en) * | 2017-01-31 | 2018-08-09 | Arbe Robotics Ltd | A radar-based system and method for real-time simultaneous localization and mapping |
| CN111310761A (zh) * | 2020-03-06 | 2020-06-19 | 西南交通大学 | 基于重构和分类卷积自编码网络的接触网绝缘子检测方法 |
-
2021
- 2021-02-10 CN CN202110181211.XA patent/CN112526513B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018142395A1 (en) * | 2017-01-31 | 2018-08-09 | Arbe Robotics Ltd | A radar-based system and method for real-time simultaneous localization and mapping |
| CN111310761A (zh) * | 2020-03-06 | 2020-06-19 | 西南交通大学 | 基于重构和分类卷积自编码网络的接触网绝缘子检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| YANG LI ET AL.: ""The Millimeter-Wave Radar SLAM Assisted by the RCS Feature of the Target and IMU"", 《SENSORS》 * |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113390406A (zh) * | 2021-06-16 | 2021-09-14 | 电子科技大学 | 基于被动多传感器系统的多目标数据关联与定位方法 |
| CN113390406B (zh) * | 2021-06-16 | 2022-05-24 | 电子科技大学 | 基于被动多传感器系统的多目标数据关联与定位方法 |
| CN113325383B (zh) * | 2021-06-17 | 2023-07-04 | 广东工业大学 | 基于网格和dbscan的自适应车载毫米波雷达聚类算法及装置 |
| CN113325383A (zh) * | 2021-06-17 | 2021-08-31 | 广东工业大学 | 基于网格和dbscan的自适应车载毫米波雷达聚类算法及装置 |
| CN113537316A (zh) * | 2021-06-30 | 2021-10-22 | 南京理工大学 | 一种基于4d毫米波雷达点云的车辆检测方法 |
| CN113537316B (zh) * | 2021-06-30 | 2024-04-09 | 南京理工大学 | 一种基于4d毫米波雷达点云的车辆检测方法 |
| CN113256990A (zh) * | 2021-07-13 | 2021-08-13 | 北京戍宁信息技术有限公司 | 基于聚类算法的雷达采集道路车辆信息的方法及系统 |
| CN113820682A (zh) * | 2021-09-26 | 2021-12-21 | 华南农业大学 | 一种基于毫米波雷达的目标检测方法及装置 |
| CN113820682B (zh) * | 2021-09-26 | 2023-08-18 | 华南农业大学 | 一种基于毫米波雷达的目标检测方法及装置 |
| US20230126749A1 (en) * | 2021-10-27 | 2023-04-27 | GM Global Technology Operations LLC | Filtering and aggregating detection points of a radar point cloud for an autonomous vehicle |
| US11977149B2 (en) * | 2021-10-27 | 2024-05-07 | GM Global Technology Operations LLC | Filtering and aggregating detection points of a radar point cloud for an autonomous vehicle |
| US11965978B2 (en) | 2021-10-27 | 2024-04-23 | GM Global Technology Operations LLC | Calibration pipeline for estimating six degrees of freedom (6DoF) alignment parameters for an autonomous vehicle |
| CN114706070A (zh) * | 2022-02-22 | 2022-07-05 | 惠州市德赛西威智能交通技术研究院有限公司 | 一种基于4d毫米波雷达的自动泊车车位搜索方法和系统 |
| CN114942434B (zh) * | 2022-04-25 | 2024-02-02 | 四川八维九章科技有限公司 | 一种基于毫米波雷达点云的跌倒姿态识别方法及系统 |
| CN114942434A (zh) * | 2022-04-25 | 2022-08-26 | 西南交通大学 | 一种基于毫米波雷达点云的跌倒姿态识别方法及系统 |
| CN114545400B (zh) * | 2022-04-27 | 2022-08-05 | 陕西欧卡电子智能科技有限公司 | 基于毫米波雷达的水面机器人的全局重定位方法 |
| CN114545400A (zh) * | 2022-04-27 | 2022-05-27 | 陕西欧卡电子智能科技有限公司 | 基于毫米波雷达的水面机器人的全局重定位方法 |
| CN115236627B (zh) * | 2022-09-21 | 2022-12-16 | 深圳安智杰科技有限公司 | 一种基于多帧多普勒速度扩维的毫米波雷达数据聚类方法 |
| CN115236627A (zh) * | 2022-09-21 | 2022-10-25 | 深圳安智杰科技有限公司 | 一种基于多帧多普勒速度扩维的毫米波雷达数据聚类方法 |
| CN115877373A (zh) * | 2023-02-20 | 2023-03-31 | 上海几何伙伴智能驾驶有限公司 | 结合激光雷达信息实现点云雷达聚类参数设计的方法 |
| CN115877373B (zh) * | 2023-02-20 | 2023-04-28 | 上海几何伙伴智能驾驶有限公司 | 结合激光雷达信息实现点云雷达聚类参数设计的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112526513B (zh) | 2021-05-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112526513B (zh) | 基于聚类算法的毫米波雷达环境地图构建方法及装置 | |
| CN111444767B (zh) | 一种基于激光雷达的行人检测和追踪方法 | |
| CN113412505B (zh) | 用于对通过探测和测距传感器获得的点云进行有序表示和特征提取的处理单元和方法 | |
| CN111563450B (zh) | 数据处理方法、装置、设备及存储介质 | |
| CN110599489A (zh) | 一种目标空间定位方法 | |
| CN112711034B (zh) | 物体检测方法、装置及设备 | |
| CN111402299A (zh) | 基于静止轨道凝视卫星的遥感图像目标跟踪方法和装置 | |
| CN111929653B (zh) | 一种基于无人船航海雷达的目标检测、跟踪方法及系统 | |
| CN110544268A (zh) | 一种基于结构光及SiamMask网络的多目标跟踪方法 | |
| CN115372995A (zh) | 一种基于欧式聚类的激光雷达目标检测方法及系统 | |
| CN115761534A (zh) | 一种空中背景下红外无人机小目标检测及跟踪方法 | |
| US11754704B2 (en) | Synthetic-aperture-radar image processing device and image processing method | |
| CA2785384C (en) | Method for classifying objects in an imaging surveillance system | |
| CN111738319A (zh) | 一种基于大规模样本的聚类结果评价方法及装置 | |
| CN113436223B (zh) | 点云数据的分割方法、装置、计算机设备和存储介质 | |
| CN114241448A (zh) | 障碍物航向角的获取方法、装置、电子设备及车辆 | |
| CN117288177A (zh) | 一种解决动态残影的激光slam方法 | |
| CN112580438A (zh) | 一种三维场景下的点云识别方法 | |
| CN114967751B (zh) | 飞行器航迹追踪方法、装置、设备及存储介质 | |
| KR102361816B1 (ko) | 표적 탐지 방법 및 기록 매체 | |
| CN116863325A (zh) | 一种用于多个目标检测的方法和相关产品 | |
| CN114973195A (zh) | 基于多信息融合的车辆追踪方法、装置及系统 | |
| CN111723797B (zh) | 一种确定三维目标的包围框的方法及系统 | |
| Sayed et al. | Point clouds reduction model based on 3D feature extraction | |
| EP3944137A1 (en) | Positioning method and positioning apparatus |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20210728 Address after: 100082, building 32, No. 3 North Main Street, Haidian District, Beijing, Xizhimen Patentee after: BEIJING GENERAL MUNICIPAL ENGINEERING DESIGN & RESEARCH INSTITUTE Co.,Ltd. Patentee after: North China University of Technology Address before: 100144 Beijing City, Shijingshan District Jin Yuan Zhuang Road No. 5 Patentee before: North China University of Technology |
|
| TR01 | Transfer of patent right |