CN112528778A - 障碍物检测方法、装置、电子设备及存储介质 - Google Patents

障碍物检测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN112528778A
CN112528778A CN202011364519.XA CN202011364519A CN112528778A CN 112528778 A CN112528778 A CN 112528778A CN 202011364519 A CN202011364519 A CN 202011364519A CN 112528778 A CN112528778 A CN 112528778A
Authority
CN
China
Prior art keywords
point cloud
cloud data
vehicle body
line
line point
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
CN202011364519.XA
Other languages
English (en)
Inventor
陈海波
许皓
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.)
Deep Blue Technology Shanghai Co Ltd
Original Assignee
Deep Blue Technology Shanghai 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 Deep Blue Technology Shanghai Co Ltd filed Critical Deep Blue Technology Shanghai Co Ltd
Priority to CN202011364519.XA priority Critical patent/CN112528778A/zh
Publication of CN112528778A publication Critical patent/CN112528778A/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
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Traffic Control Systems (AREA)
  • Optical Radar Systems And Details Thereof (AREA)

Abstract

本申请实施例涉及数据处理技术领域，提供了一种障碍物检测方法、装置、电子设备及存储介质。障碍物检测方法包括：确定多线激光雷达采集所得的多线点云数据，以及单线激光雷达采集所得的单线点云数据；所述单线激光雷达的设置位置是基于所述多线激光雷达的检测盲区确定的；融合所述多线点云数据和所述单线点云数据，基于融合所得的点云数据进行障碍物检测。本申请实施例提供的一种障碍物检测方法、装置、电子设备及存储介质，基于多线激光雷达的检测盲区设置单线激光雷达，使得采集所得的单线点云数据能够弥补多线点云数据对于低矮区域点云数据的遗漏，保证点云数据采集的全面性，从而保证障碍物检测的全面性，有效避免低矮障碍物的检测遗漏。

Description

障碍物检测方法、装置、电子设备及存储介质
技术领域
本申请涉及数据处理技术领域，尤其涉及一种障碍物检测方法、装置、电子设备及存储介质。
背景技术
激光雷达是自动驾驶技术中的重要组成部分，其扫描获取的点云数据可用于障碍物感知。
目前，车辆周边的障碍物检测通常通过多线激光雷达采集所得的点云数据实现。然而，多线激光雷达会随着安装高度的不同，产生大小不同的检测盲区，检测盲区的存在导致自动驾驶系统无法感知临近车辆的低矮障碍物，影响自动驾驶的安全性。
发明内容
本申请提供一种障碍物检测方法、装置、电子设备及存储介质，用以提供一种障碍物检测方案，以弥补多线激光雷达检测盲区，实现全面可靠的障碍物检测。
本申请提供一种障碍物检测方法，包括：
确定多线激光雷达采集所得的多线点云数据，以及单线激光雷达采集所得的单线点云数据；所述单线激光雷达的设置位置是基于所述多线激光雷达的检测盲区确定的；
融合所述多线点云数据和所述单线点云数据，基于融合所得的点云数据进行障碍物检测。
根据本申请提供一种的障碍物检测方法，所述融合所述多线点云数据和所述单线点云数据，包括：
将所述多线点云数据和所述单线点云数据分别映射至车体坐标系下，得到车体多线点云数据和车体单线点云数据；
融合所述车体多线点云数据和所述车体单线点云数据。
根据本申请提供一种的障碍物检测方法，所述将所述多线点云数据和所述单线点云数据分别映射至车体坐标系下，得到车体多线点云数据和车体单线点云数据，包括：
基于多线激光雷达坐标系与车体坐标系之间的转换矩阵，将所述多线点云数据映射至所述车体坐标系下，得到所述车体多线点云数据；
基于单线激光雷达坐标系与车体坐标系之间的转换矩阵，将所述单线点云数据映射至所述车体坐标系下，得到所述车体单线点云数据。
根据本申请提供一种的障碍物检测方法，所述融合所述车体多线点云数据和所述车体单线点云数据，之前还包括：
对所述车体多线点云数据进行地面检测，删除所述车体多线点云数据中属于地面部分的点云数据。
根据本申请提供一种的障碍物检测方法，所述融合所述车体多线点云数据和所述车体单线点云数据，之前还包括：
删除所述车体单线点云数据中距离车体超过预设距离阈值的点。
根据本申请提供一种的障碍物检测方法，所述融合所述多线点云数据和所述单线点云数据，之前还包括：
删除所述单线点云数据中空间方位角在有效数据方位区间以外的点；
所述有效数据方位区间是基于所述单线激光雷达的设置方位确定的。
根据本申请提供一种的障碍物检测方法，所述基于融合所得的点云数据进行障碍物检测，包括：
基于聚类算法，对融合所得的点云数据进行障碍物检测，得到点云障碍物的位置信息和检出框信息。
根据本申请提供一种的障碍物检测方法，所述多线激光雷达设置于车体顶部，所述单线激光雷达设置于车体头部。
本申请还提供一种障碍物检测装置，包括：
数据采集单元，用于确定多线激光雷达采集所得的多线点云数据，以及单线激光雷达采集所得的单线点云数据；所述单线激光雷达的设置位置是基于所述多线激光雷达的检测盲区确定的；
融合检测单元，用于融合所述多线点云数据和所述单线点云数据，基于融合所得的点云数据进行障碍物检测。
根据本申请提供一种的障碍物检测装置，所述融合单元包括：
转换子单元，用于将所述多线点云数据和所述单线点云数据分别映射至车体坐标系下，得到车体多线点云数据和车体单线点云数据；
融合子单元，用于融合所述车体多线点云数据和所述车体单线点云数据。
根据本申请提供一种的障碍物检测装置，所述融合子单元用于：
基于多线激光雷达坐标系与车体坐标系之间的转换矩阵，将所述多线点云数据映射至所述车体坐标系下，得到所述车体多线点云数据；
基于单线激光雷达坐标系与车体坐标系之间的转换矩阵，将所述单线点云数据映射至所述车体坐标系下，得到所述车体单线点云数据。
根据本申请提供一种的障碍物检测装置，还包括预处理单元，所述预处理单元用于：
删除所述单线点云数据中空间方位角在有效数据方位区间以外的点；
所述有效数据方位区间是基于所述单线激光雷达的设置方位确定的。
根据本申请提供一种的障碍物检测装置，所述多线激光雷达设置于车体顶部，所述单线激光雷达设置于车体头部。
本申请还提供一种电子设备，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程序时实现如上述任一种所述障碍物检测方法的步骤。
本申请还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述障碍物检测方法的步骤。
本申请提供的一种障碍物检测方法、装置、电子设备及存储介质，基于多线激光雷达的检测盲区设置单线激光雷达，从而使得采集所得的单线点云数据能够弥补多线点云数据对于低矮区域点云数据的遗漏，保证点云数据采集的全面性，从而保证障碍物检测的全面性，有效避免低矮障碍物的检测遗漏。
附图说明
为了更清楚地说明本申请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是本申请提供的障碍物检测方法的流程示意图之一；
图2是本申请提供的激光雷达布设侧视图；
图3是本申请提供的车体坐标系示意图；
图4是本申请提供的数据融合方法的流程示意图之一；
图5是本申请提供的数据融合方法的流程示意图之二；
图6是本申请提供的数据融合方法的流程示意图之三；
图7是本申请提供的数据融合方法的流程示意图之四；
图8是本申请提供的障碍物检测方法的流程示意图之二；
图9是本申请提供的障碍物检测方法的流程示意图之三；
图10是本申请提供的障碍物检测装置的结构示意图之一；
图11是本申请提供的障碍物检测装置中融合单元的结构示意图；
图12是本申请提供的障碍物检测装置的结构示意图之二；
图13是本申请提供的电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请中的附图，对本申请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。
图1是本申请提供的障碍物检测方法的流程示意图之一，如图1所示，该方法包括：
步骤110，确定多线激光雷达采集所得的多线点云数据，以及单线激光雷达采集所得的单线点云数据；单线激光雷达的设置位置是基于所述多线激光雷达的检测盲区确定的。
具体地，考虑到多线激光雷达自身结构所导致的固有的检测盲区的存在，本申请实施例在对车体周围进行障碍物检测时，采用单线激光雷达对多线激光雷达进行视觉补盲，基于单线激光雷达采集所得的单线点云数据弥补多线激光雷达采集所得的多线点云数据在检测盲区的采集遗漏。
为了弥补多线激光雷达的检测盲区，可以根据检测盲区确定单线激光雷达的设置位置，从而使得装设好的单线激光雷达的有效采集区域可以覆盖多线激光雷达的检测盲区。考虑到多线激光雷达的检测盲区在相较于多线激光雷达更加低矮的区域，相对应地单线激光雷达的设置位置通常低于多线激光雷达的设置位置。此处，用于对多线激光雷达的检测盲区进行补盲的单线激光雷达的数量可以是一个或者多个，本申请实施例不对此作具体限定。
例如。图2是本申请提供的激光雷达布设侧视图，图2中多线激光雷达设置于车体顶部，图2中的多线激光雷达有效区即多线激光雷达的有效采集区域。如图2所示，受到车体顶部的遮挡，多线激光雷达有效区无法覆盖车头前部较为低矮的区域，导致多线激光雷达仅能够采集到偏高障碍物的点云数据，而无法采集到低矮障碍物的点云数据。图2中多线激光雷达盲区即多线激光雷达的检测盲区，受到车体顶部的遮挡，多线激光雷达无法采集自身检测盲区的点云数据，于是在车头位置设置了单线激光雷达，单线激光雷达有效区即单线激光雷达的有效采集区域，单线激光雷达有效区能够覆盖多线激光雷达盲区，通过单线激光雷达采集所得的单线点云数据能够弥补多线点云数据中遗漏的部分。
步骤120，融合多线点云数据和单线点云数据。
步骤130，基于融合所得的点云数据进行障碍物检测。
具体地，在得到多线点云数据和单线点云数据之后，可以对两者进行融合，从而使得单线点云数据能够弥补多线点云数据中遗漏的检测盲区的点云数据。由此得到的融合后的点云数据，不仅包含了较高区域的点云数据，也包含了低矮区域的点云数据，保证了点云数据采集区域的全面性。基于融合所得的点云数据进行障碍物检测，能够保证障碍物检测的全面性，有效避免低矮障碍物的检测遗漏。
本申请实施例提供的方法，基于多线激光雷达的检测盲区设置单线激光雷达，从而使得采集所得的单线点云数据能够弥补多线点云数据对于低矮区域点云数据的遗漏，保证点云数据采集的全面性，从而保证障碍物检测的全面性，有效避免低矮障碍物的检测遗漏。
基于上述实施例，图4是本申请提供的数据融合方法的流程示意图之一，如图4所示，步骤120包括：
步骤121，将多线点云数据和单线点云数据分别映射至车体坐标系下，得到车体多线点云数据和车体单线点云数据；
步骤122，融合车体多线点云数据和车体单线点云数据。
具体地，通过多线激光雷达采集所得的多线点云数据是以多线激光雷达本身为参照的，而通过单线激光雷达采集所得的单线点云数据是以单线激光雷达本身为参照的，即多线点云数据和单线点云数据处于不同的坐标系下，无法直接进行融合。对此，本申请实施例中分别将多线点云数据和单线点云数据分别映射至车体坐标系，从而使得映射后的车体多线点云数据和车体单线点云数据均处在相同的坐标系下，车体多线点云数据和车体单线点云数据可以直接融合。此处，车体多线点云数据和车体单线点云数据的融合，即两种在相同坐标系下的数据的直接合并。
此处，车体坐标系可以是预先设定以车体本身为原点的坐标系，例如图3是本申请提供的车体坐标系示意图，如图3所示，在车体俯视图中，车体坐标系的原点O设置在车体的中后段，车体坐标系的X轴与车辆行驶方向一致，车体坐标系的Y轴设置在水平面上并垂直于车辆行驶方向。此外，还可以设置车体坐标系的Z轴，Z轴可以是竖直方向。
多线点云数据至车体坐标系的映射过程，可以根据预先计算的多线激光雷达坐标系与车体坐标系之间的转换矩阵实现。相同地，单线点云数据至车体坐标系的映射过程，可以根据预先计算的单线激光雷达坐标系与车体坐标系之间的转换矩阵实现，此处不再赘述。
基于上述任一实施例，图5是本申请提供的数据融合方法的流程示意图之二，如图5所示，步骤121包括：
步骤1211，基于多线激光雷达坐标系与车体坐标系之间的转换矩阵，将多线点云数据映射至车体坐标系下，得到车体多线点云数据；
步骤1212，基于单线激光雷达坐标系与车体坐标系之间的转换矩阵，将单线点云数据映射至车体坐标系下，得到车体单线点云数据。
具体地，坐标系之间的变换可以通过坐标系之间的转换矩阵实现。例如当需要将多线点云数据映射至车体坐标系时，可以应用多线点云数据所处的多线激光雷达坐标系与车体坐标系之间的转换矩阵，将多线点云数据与转换矩阵相乘，从而得到车体坐标系下的车体多线点云数据。此处，多线激光雷达坐标系与车体坐标系之间的转换矩阵可以是预先标定得到的，转换矩阵在此处表示的是从多线激光雷达坐标系转换到车体坐标系所需要执行的平移和/或旋转操作。
同样地，当需要将单线点云数据映射至车体坐标系时，可以应用单线点云数据所处的单线激光雷达坐标系与车体坐标系之间的转换矩阵，将单线点云数据与转换矩阵相乘，从而得到车体坐标系下的车体单线点云数据。此处，单线激光雷达坐标系与车体坐标系之间的转换矩阵可以是预先标定得到的，转换矩阵在此处表示的是从单线激光雷达坐标系转换到车体坐标系所需要执行的平移和/或旋转操作。
此外，需要说明的是，本申请实施例不对步骤1211和步骤1212的执行顺序作具体限定，步骤1211可以在步骤1212之前或者之后执行，也可以与步骤1212同步执行。
基于上述任一实施例，图6是本申请提供的数据融合方法的流程示意图之三，如图6所示，步骤122之前还包括：
步骤121-1，对车体多线点云数据进行地面检测，删除车体多线点云数据中属于地面部分的点云数据。
具体地，在执行点云数据的融合之前，还可以对车体多线点云数据执行融合前的预处理操作。考虑到多线激光雷达采集到的点云数据中不仅包含有车体周围障碍物的点云数据，还可能存在车体周围地面的点云数据，而地面的点云数据不仅对于障碍物检测本身无意义，而且有可能对于障碍物检测引入干扰，因此可以预先对车体多线点云数据进行地面检测，从而将车体多线点云数据划分开地面部分的点云数据和非地面部分的点云数据。在此基础上，删除对于障碍物检测无意义且可能引入干扰的地面部分的点云数据，保留非地面部分的点云数据作为后续进行融合的车体多线点云数据。
基于上述任一实施例，图7是本申请提供的数据融合方法的流程示意图之四，如图7所示，步骤122之前还包括：
步骤121-2，删除车体单线点云数据中距离车体超过预设距离阈值的点。
具体地，在执行点云数据的融合之前，还可以对车体单线点云数据执行融合前的预处理操作。考虑到单线点云数据的采集目的主要是为了弥补多线激光雷达的检测盲区，而距离过远的点云数据一则可能已经包含在多线点云数据中，对于补全点云无意义，二则不在障碍物检测的距离范围内，因此可以删除车体单线点云数据中距离车体超过预设距离阈值的点，也就是与车体坐标系的原点之间的距离超过预设距离阈值的点，从而在保证点云补全的前提下，缩减点云数据规模，降低后续障碍物检测的计算量。
基于上述任一实施例，图8是本申请提供的障碍物检测方法的流程示意图之二，如图8所示，步骤120之前还包括：
步骤110-1，删除单线点云数据中空间方位角在有效数据方位区间以外的点；有效数据方位区间是基于单线激光雷达的设置方位确定的。
具体地，由于单线激光雷达通常设置在较多线激光雷达的设置位置更加低矮的车体位置，例如车头处。而单线激光雷达的设置位置决定了单线激光雷达不一定能够实现360°全方位的有效扫描，例如扫描时空间方位角指向贴近车体一侧时，只能够得到车体的点云数据，而这部分点云数据与障碍物检测并不相关。
因此，可以预先确定单线激光雷达的设置方位，即单线激光雷达相对于车体设置的方位。在此基础上，根据单线激光雷达的设置方位，确定有效数据方位区间，此处的有效数据方位区间即单线激光雷达采集所得的单线点云数据中属于非车体部分的点云数据对应的空间方位角区间。在采集得到单线点云数据中，可以确定单线点云数据中各点的空间方位角，删除空间方位角在有效数据方位区间以外的点，即删除车体部分的点云数据，保留非车体部分的点云数据。
例如单相激光雷达设置在车头处，向车辆行驶方向设置，单相激光雷达坐标系以单相激光雷达为原点，以水平面上平行于车头方向为X轴，车辆行驶方向为Y轴，由此得到有效数据方位区间为[0,180°]。在采集得到单线点云数据之后，可以保留其中空间方位角在[0,180°]之内的点，删除空间方位角在(180°,360°)的点。
基于上述任一实施例，步骤122包括：
基于聚类算法，对融合所得的点云数据进行障碍物检测，得到点云障碍物的位置信息和检出框信息。
具体地，用于障碍物检测的聚类算法可以是DBSCAN(Density-Based SpatialClustering of Applications with Noise)聚类算法、K-means聚类算法、欧式聚类算法等，通过上述聚类算法即可对融合所得的点云数据进行障碍物检测，从而得到点云数据中包含的各个点云障碍物的位置信息和检出框信息。其中，点云障碍物的位置信息可以是点云障碍物在车体坐标系下的位置，检出框信息可以是点云障碍物检出框的大小尺寸等信息。
基于上述任一实施例，图9是本申请提供的障碍物检测方法的流程示意图之三，如图9所示，该方法包括：
首先，分别接入多线激光雷达采集所得的多线点云数据和单线激光雷达采集所得的单线点云数据。此处，单线激光雷达的设置位置是基于所述多线激光雷达的检测盲区确定的，单线激光雷达采集所得的单线点云数据能够覆盖多线激光雷达的检测盲区。
其次，分别对多线点云数据和单线点云数据进行处理：
针对多线点云数据，首先将多线点云数据映射至车体坐标系下，得到车体多线点云数据，随后可以通过地面检测算法提取车体多线点云数据中的地面部分的点云数据和非地面部分的点云数据，删除对于障碍物检测无意义且可能引入干扰的地面部分的点云数据，保留非地面部分的点云数据作为后续进行融合的车体多线点云数据。此处的地面检测可以通过Ray地面检测算法实现。
针对单线点云数据，可以删除空间方位角在有效数据方位区间以外的点，即删除车体部分的点云数据，保留非车体部分的点云数据。随后，将单线点云数据映射至车体坐标系下，得到车体单线点云数据。随后，删除车体单线点云数据中距离车体超过预设距离阈值的点。
接着，融合均处于车体坐标系下的车体多线点云数据和车体单线点云数据，具体可以将两种点云数据放置在一个数据容器中，从而得到融合后的点云数据。
此后，可以基于欧式聚类的障碍物检测算法，对融合所得的点云数据进行障碍物检测，得到点云障碍物的位置信息和检出框信息作为障碍物检测结果。
最后，输出障碍物检测结果。
本申请实施例提供的方法，基于多线激光雷达的检测盲区设置单线激光雷达，从而使得采集所得的单线点云数据能够弥补多线点云数据对于低矮区域点云数据的遗漏，保证点云数据采集的全面性，从而保证障碍物检测的全面性，有效避免低矮障碍物的检测遗漏。
下面对本申请提供的障碍物检测装置进行描述，下文描述的障碍物检测装置与上文描述的障碍物检测方法可相互对应参照，其具体实现方式与方法实施例中记载的实施方式一致。
图10是本申请提供的障碍物检测装置的结构示意图之一，如图10所示，障碍物检测装置包括数据采集单元1010、融合单元1020和检测单元1030；
数据采集单元1010用于确定多线激光雷达采集所得的多线点云数据，以及单线激光雷达采集所得的单线点云数据；所述单线激光雷达的设置位置是基于所述多线激光雷达的检测盲区确定的；
融合单元1020用于融合所述多线点云数据和所述单线点云数据；
检测单元1030用于基于融合所得的点云数据进行障碍物检测。
本申请实施例提供的装置，基于多线激光雷达的检测盲区设置单线激光雷达，从而使得采集所得的单线点云数据能够弥补多线点云数据对于低矮区域点云数据的遗漏，保证点云数据采集的全面性，从而保证障碍物检测的全面性，有效避免低矮障碍物的检测遗漏。
基于上述任一实施例，图11是本申请提供的障碍物检测装置中融合单元的结构示意图，如图11所示，融合单元1020包括：
转换子单元1021，用于将所述多线点云数据和所述单线点云数据分别映射至车体坐标系下，得到车体多线点云数据和车体单线点云数据；
融合子单元1022，用于融合所述车体多线点云数据和所述车体单线点云数据。
基于上述任一实施例，转换子单元1021用于：
基于多线激光雷达坐标系与车体坐标系之间的转换矩阵，将所述多线点云数据映射至所述车体坐标系下，得到所述车体多线点云数据；
基于单线激光雷达坐标系与车体坐标系之间的转换矩阵，将所述单线点云数据映射至所述车体坐标系下，得到所述车体单线点云数据。
基于上述任一实施例，融合单元1020还用于：
对所述车体多线点云数据进行地面检测，删除所述车体多线点云数据中属于地面部分的点云数据。
基于上述任一实施例，融合单元1020还用于：
删除所述车体单线点云数据中距离车体超过预设距离阈值的点。
基于上述任一实施例，图12是本申请提供的障碍物检测装置的结构示意图之二，如图12所示，该装置还包括预处理单元1040，预处理单元1040用于：
删除所述单线点云数据中空间方位角在有效数据方位区间以外的点；
所述有效数据方位区间是基于所述单线激光雷达的设置方位确定的。
基于上述任一实施例，检测单元1030用于：
基于聚类算法，对融合所得的点云数据进行障碍物检测，得到点云障碍物的位置信息和检出框信息。
基于上述任一实施例，所述多线激光雷达设置于车体顶部，所述单线激光雷达设置于车体头部。
下面对本申请提供的电子设备进行描述，下文描述的电子设备与上文描述的障碍物检测方法可相互对应参照，其具体实现方式与方法实施例中记载的实施方式一致。
图13示例了一种电子设备的实体结构示意图，如图13所示，该电子设备可以包括：处理器(processor)1310、通信接口(Communications Interface)1320、存储器(memory)1330和通信总线1340，其中，处理器1310，通信接口1320，存储器1330通过通信总线1340完成相互间的通信。处理器1310可以调用存储器1330中的逻辑指令，以执行障碍物检测方法，该方法包括：确定多线激光雷达采集所得的多线点云数据，以及单线激光雷达采集所得的单线点云数据；所述单线激光雷达的设置位置是基于所述多线激光雷达的检测盲区确定的；融合所述多线点云数据和所述单线点云数据，基于融合所得的点云数据进行障碍物检测。
此外，上述的存储器1330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
下面对本申请提供的计算机程序产品进行描述，下文描述的计算机程序产品与上文描述的障碍物检测方法可相互对应参照，其具体实现方式与方法实施例中记载的实施方式一致。
本申请还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的障碍物检测方法，该方法包括：确定多线激光雷达采集所得的多线点云数据，以及单线激光雷达采集所得的单线点云数据；所述单线激光雷达的设置位置是基于所述多线激光雷达的检测盲区确定的；融合所述多线点云数据和所述单线点云数据，基于融合所得的点云数据进行障碍物检测。
下面对本申请提供的非暂态计算机可读存储介质进行描述，下文描述的非暂态计算机可读存储介质与上文描述的障碍物检测方法可相互对应参照，其具体实现方式与方法实施例中记载的实施方式一致。
本申请还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的障碍物检测方法，该方法包括：确定多线激光雷达采集所得的多线点云数据，以及单线激光雷达采集所得的单线点云数据；所述单线激光雷达的设置位置是基于所述多线激光雷达的检测盲区确定的；融合所述多线点云数据和所述单线点云数据，基于融合所得的点云数据进行障碍物检测。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
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各实施方式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。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上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精神和范围。

Claims (15)

1.一种障碍物检测方法，其特征在于，包括：
确定多线激光雷达采集所得的多线点云数据，以及单线激光雷达采集所得的单线点云数据；所述单线激光雷达的设置位置是基于所述多线激光雷达的检测盲区确定的；
融合所述多线点云数据和所述单线点云数据；
基于融合所得的点云数据进行障碍物检测。
2.根据权利要求1所述的障碍物检测方法，其特征在于，所述融合所述多线点云数据和所述单线点云数据，包括：
将所述多线点云数据和所述单线点云数据分别映射至车体坐标系下，得到车体多线点云数据和车体单线点云数据；
融合所述车体多线点云数据和所述车体单线点云数据。
3.根据权利要求2所述的障碍物检测方法，其特征在于，所述将所述多线点云数据和所述单线点云数据分别映射至车体坐标系下，得到车体多线点云数据和车体单线点云数据，包括：
基于多线激光雷达坐标系与车体坐标系之间的转换矩阵，将所述多线点云数据映射至所述车体坐标系下，得到所述车体多线点云数据；
基于单线激光雷达坐标系与车体坐标系之间的转换矩阵，将所述单线点云数据映射至所述车体坐标系下，得到所述车体单线点云数据。
4.根据权利要求2所述的障碍物检测方法，其特征在于，所述融合所述车体多线点云数据和所述车体单线点云数据，之前还包括：
对所述车体多线点云数据进行地面检测，删除所述车体多线点云数据中属于地面部分的点云数据。
5.根据权利要求2所述的障碍物检测方法，其特征在于，所述融合所述车体多线点云数据和所述车体单线点云数据，之前还包括：
删除所述车体单线点云数据中距离车体超过预设距离阈值的点。
6.根据权利要求1所述的障碍物检测方法，其特征在于，所述融合所述多线点云数据和所述单线点云数据，之前还包括：
删除所述单线点云数据中空间方位角在有效数据方位区间以外的点；
所述有效数据方位区间是基于所述单线激光雷达的设置方位确定的。
7.根据权利要求1所述的障碍物检测方法，其特征在于，所述基于融合所得的点云数据进行障碍物检测，包括：
基于聚类算法，对融合所得的点云数据进行障碍物检测，得到点云障碍物的位置信息和检出框信息。
8.根据权利要求1至7任一项所述的障碍物检测方法，其特征在于，所述多线激光雷达设置于车体顶部，所述单线激光雷达设置于车体头部。
9.一种障碍物检测装置，其特征在于，包括：
数据采集单元，用于确定多线激光雷达采集所得的多线点云数据，以及单线激光雷达采集所得的单线点云数据；所述单线激光雷达的设置位置是基于所述多线激光雷达的检测盲区确定的；
融合单元，用于融合所述多线点云数据和所述单线点云数据；
检测单元，用于基于融合所得的点云数据进行障碍物检测。
10.根据权利要求9所述的障碍物检测装置，其特征在于，所述融合单元包括：
转换子单元，用于将所述多线点云数据和所述单线点云数据分别映射至车体坐标系下，得到车体多线点云数据和车体单线点云数据；
融合子单元，用于融合所述车体多线点云数据和所述车体单线点云数据。
11.根据权利要求10所述的障碍物检测装置，其特征在于，所述融合子单元用于：
基于多线激光雷达坐标系与车体坐标系之间的转换矩阵，将所述多线点云数据映射至所述车体坐标系下，得到所述车体多线点云数据；
基于单线激光雷达坐标系与车体坐标系之间的转换矩阵，将所述单线点云数据映射至所述车体坐标系下，得到所述车体单线点云数据。
12.根据权利要求9所述的障碍物检测装置，其特征在于，还包括预处理单元，所述预处理单元用于：
删除所述单线点云数据中空间方位角在有效数据方位区间以外的点；
所述有效数据方位区间是基于所述单线激光雷达的设置方位确定的。
13.根据权利要求9至12任一项所述的障碍物检测装置，其特征在于，所述多线激光雷达设置于车体顶部，所述单线激光雷达设置于车体头部。
14.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述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程序时实现如权利要求1至8任一项所述障碍物检测方法的步骤。
15.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述障碍物检测方法的步骤。
CN202011364519.XA 2020-11-27 2020-11-27 障碍物检测方法、装置、电子设备及存储介质 Pending CN112528778A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011364519.XA CN112528778A (zh) 2020-11-27 2020-11-27 障碍物检测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011364519.XA CN112528778A (zh) 2020-11-27 2020-11-27 障碍物检测方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN112528778A true CN112528778A (zh) 2021-03-19

Family

ID=74994667

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011364519.XA Pending CN112528778A (zh) 2020-11-27 2020-11-27 障碍物检测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN112528778A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113568003A (zh) * 2021-07-26 2021-10-29 奥特酷智能科技(南京)有限公司 一种用于机场地勤车的防撞预警系统及方法
CN114098529A (zh) * 2021-11-26 2022-03-01 深圳乐生机器人智能科技有限公司 清洁机器人系统的清扫方法、清洁机器人系统及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106599129A (zh) * 2016-12-02 2017-04-26 山东科技大学 一种顾及地形特点的多波束点云数据去噪方法
CN108226951A (zh) * 2017-12-23 2018-06-29 天津国科嘉业医疗科技发展有限公司 一种基于激光传感器的快速运动障碍物实时跟踪方法
CN108564525A (zh) * 2018-03-31 2018-09-21 上海大学 一种基于多线激光雷达的3d点云2d化数据处理方法
CN110687549A (zh) * 2019-10-25 2020-01-14 北京百度网讯科技有限公司 障碍物检测方法和装置
CN111103576A (zh) * 2019-12-31 2020-05-05 三一重工股份有限公司 单线激光雷达与多线激光雷达的标定方法和装置
CN111308491A (zh) * 2020-03-09 2020-06-19 中振同辂(江苏)机器人有限公司 一种基于多传感器组合的障碍物感知方法
CN111308499A (zh) * 2020-03-09 2020-06-19 中振同辂(江苏)机器人有限公司 一种基于多线激光雷达的障碍物检测方法
CN111578932A (zh) * 2020-05-28 2020-08-25 长沙中联重科环境产业有限公司 一种基于多线激光雷达的建图方法、装置、介质及设备

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106599129A (zh) * 2016-12-02 2017-04-26 山东科技大学 一种顾及地形特点的多波束点云数据去噪方法
CN108226951A (zh) * 2017-12-23 2018-06-29 天津国科嘉业医疗科技发展有限公司 一种基于激光传感器的快速运动障碍物实时跟踪方法
CN108564525A (zh) * 2018-03-31 2018-09-21 上海大学 一种基于多线激光雷达的3d点云2d化数据处理方法
CN110687549A (zh) * 2019-10-25 2020-01-14 北京百度网讯科技有限公司 障碍物检测方法和装置
CN111103576A (zh) * 2019-12-31 2020-05-05 三一重工股份有限公司 单线激光雷达与多线激光雷达的标定方法和装置
CN111308491A (zh) * 2020-03-09 2020-06-19 中振同辂(江苏)机器人有限公司 一种基于多传感器组合的障碍物感知方法
CN111308499A (zh) * 2020-03-09 2020-06-19 中振同辂(江苏)机器人有限公司 一种基于多线激光雷达的障碍物检测方法
CN111578932A (zh) * 2020-05-28 2020-08-25 长沙中联重科环境产业有限公司 一种基于多线激光雷达的建图方法、装置、介质及设备

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JINGYUN LIU ET AL: "TOF Lidar Development in Autonomous Vehicle", 《2018 THE 3RD OPTOELECTRONICS GLOBAL CONFERENCE》, 31 December 2018 (2018-12-31), pages 185 - 190 *
李永强 等: "车载激光扫描数据处理技术", 测绘出版社, pages: 64 - 65 *
石庭敏: "基于双多线激光雷达的道路环境感知算法研究与实现", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *
石庭敏: "基于双多线激光雷达的道路环境感知算法研究与实现", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, vol. 2017, no. 7, 15 July 2017 (2017-07-15), pages 035 - 72 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113568003A (zh) * 2021-07-26 2021-10-29 奥特酷智能科技(南京)有限公司 一种用于机场地勤车的防撞预警系统及方法
CN114098529A (zh) * 2021-11-26 2022-03-01 深圳乐生机器人智能科技有限公司 清洁机器人系统的清扫方法、清洁机器人系统及存储介质
CN114098529B (zh) * 2021-11-26 2023-02-14 深圳乐生机器人智能科技有限公司 清洁机器人系统的清扫方法、清洁机器人系统及存储介质

Similar Documents

Publication Publication Date Title
US11709058B2 (en) Path planning method and device and mobile device
EP3528209A1 (en) Method and device for determining external parameter of stereoscopic camera
US11506769B2 (en) Method and device for detecting precision of internal parameter of laser radar
CN112528778A (zh) 障碍物检测方法、装置、电子设备及存储介质
CN110163930A (zh) 车道线生成方法、装置、设备、系统及可读存储介质
CN109146898B (zh) 一种仿真数据量增强方法、装置以及终端
CN112651359A (zh) 障碍物检测方法、装置、电子设备和存储介质
CN112414403B (zh) 一种机器人的定位定姿方法、设备及存储介质
CN110751836A (zh) 车辆行驶预警方法及系统
US20240051527A1 (en) Automated parking method, apparatus, and system
CN112561941A (zh) 一种悬崖检测方法、装置和机器人
CN113432533A (zh) 一种机器人定位方法、装置、机器人及存储介质
CN111752275A (zh) 一种用于机器人的自动巡航方法、装置和存储介质
CN112036274A (zh) 一种可行驶区域检测方法、装置、电子设备及存储介质
CN112560800A (zh) 路沿检测方法、装置及存储介质
CN110705526B (zh) 一种基于无人机的树障清除方法、装置及系统
CN109598199B (zh) 车道线生成方法和装置
CN112529011A (zh) 目标检测方法及相关装置
US20230367319A1 (en) Intelligent obstacle avoidance method and apparatus based on binocular vision, and non-transitory computer-readable storage medium
CN115457506A (zh) 一种目标检测方法、装置及存储介质
CN116692690A (zh) 一种吊车防撞预警方法、装置、设备及介质
CN110471056B (zh) 一种虚警信息判断方法、装置及终端设备
CN113393423A (zh) 一种基于点云的悬崖检测方法、装置及移动机器人
CN106250885A (zh) 一种虹膜识别方法、装置及终端
CN117372988B (zh) 道路边界检测方法、装置、电子设备及存储介质

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