CN112560800A - 路沿检测方法、装置及存储介质 - Google Patents
路沿检测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112560800A CN112560800A CN202110034012.6A CN202110034012A CN112560800A CN 112560800 A CN112560800 A CN 112560800A CN 202110034012 A CN202110034012 A CN 202110034012A CN 112560800 A CN112560800 A CN 112560800A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- candidate
- road edge
- determining
- 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
- 238000003708 edge detection Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013507 mapping Methods 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 5
- 230000002093 peripheral effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
- 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
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
- G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
- Image Processing (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本申请涉及一种路沿检测方法、装置及存储介质，属于自动驾驶技术领域，该方法包括：将激光雷达采集到点云数据映射至基于当前车辆所在位置建立的公共坐标系中，得到映射后的点云数据；公共坐标系以与地面平行、且指向当前车辆的车头的方向为y轴；在y轴方向上将映射后的点云数据划分为至少两个点云集合；确定每个点云集合对应的平面方程；按照每个点云集合中每个点的法向量与对应的平面法向量之间的夹角，确定该点云集合中的第一候选点；按照第一候选点的高度数据确定第一候选点中的第二候选点；按照第二候选点拟合出道路边沿曲线；可以解决现有的路沿检测算法确定路沿点的方式不准确的问题；提高确定路沿点的准确性。
Description
技术领域
本申请涉及一种路沿检测方法、装置及存储介质，属于自动驾驶技术领域。
背景技术
汽车智能辅助驾驶系统是指车载计算机通过道路环境感知系统检测周围交通环境信息，经过处理后为驾驶员提出驾驶建议或辅助驾驶员进行驾驶操作，以减少交通事故的发生率。其中，检测内容包括对道路前方路沿的检测。
一种典型的路沿检测方法包括：当前车辆通过激光雷达采集的当前道路环境的点云数据；利用随机采样一致性获得该道路所在平面的平面方程，并基于该平面方程进行栅格投影；利用栅格内各个点集的高度差筛选出路沿点；最后，使用筛选出的路沿点拟合路沿曲线。
然而，点云栅格化需要基于平面方程进行投影，之前的方法是采用随机采样一致性通过多次迭代观测数据拟合出一个平面方程。但是，实际道路一般是中间突起，两边略低的曲面。在上述方法得到的平面方程上做栅格投影无法准确得到网格内点集到地面的高度信息，从而误筛选出路沿点。
另外，路沿点和地面点一般高度相差较小，根据单一的高度信息设置阈值较难区分出路沿和地面，筛选路沿点的准确率较低。
发明内容
本申请提供了一种路沿检测方法、装置及存储介质，可以解决现有的路沿检测算法确定路沿点的方式不准确，导致道路边沿的检测结果不准确的问题。本申请提供如下技术方案：
第一方面，提供一种路沿检测方法，所述方法包括：
获取激光雷达采集到点云数据，所述激光雷达用于对当前车辆所处道路环境进行扫描；
将所述点云数据映射至基于所述当前车辆所在位置建立的公共坐标系中，得到映射后的点云数据；所述公共坐标系以所述当前车辆的中轴线上的预设位置为原点，以与地面平行、且指向所述当前车辆的车头的方向为y轴，以与地面平行、且与y轴垂直的方向为x轴，以与地面垂直的方向为z轴；
在所述y轴方向上，将所述映射后的点云数据划分为至少两个点云集合；
分别确定所述至少两个点云集合对应的平面方程；
对于每个点云集合，按照所述点云集合中每个点的法向量与对应的平面法向量之间的夹角，确定所述点云集合中的第一候选点；所述平面法向量是基于所述点云集合对应的平面方程确定的；
对每个点云集合中的第一候选点，按照所述第一候选点的高度数据确定第一候选点中的第二候选点；
按照所述第二候选点拟合出道路边沿曲线。
可选地，所述在所述y轴方向上，将所述映射后的点云数据划分为至少两个点云集合，包括：
以所述原点为中心，将分布在所述y轴正方向上的点作为第一点云集合、将分布在所述y轴负方向上的点作为第二点云集合。
可选地，所述对于每个点云集合，按照所述点云集合中每个点的法向量与对应的平面法向量之间的夹角，确定所述点云集合中的第一候选点，包括：
对于每个点云集合中的每个点，基于所述点与相邻范围内其它点拟合平面，并计算拟合平面的法向量，得到所述点的法向量；
计算所述点的法向量与所述点云集合对应的平面法向量之间的夹角；
在所述夹角小于或等于角度阈值时，将所述点确定为所述点云集合中的第一候选点；
在所述夹角大于角度阈值时，删除所述点。
可选地，所述对每个点云集合中的第一候选点，按照所述第一候选点的高度数据确定第一候选点中的第二候选点，包括：
对于每个点云集合中的第一候选点，根据所述点云集合对应的平面方程进行栅格化投影；
计算每个栅格内第一候选点的高度差；
在所述高度差在预设高度范围内时，将所述栅格内的第一候选点确定为所述第二候选点；
在所述高度差不属于预设高度范围内时，删除所述栅格内的第一候选点。
可选地，所述预设高度范围包括最小高度阈值和最大高度阈值。
可选地，所述按照所述第二候选点拟合出道路边沿曲线，包括：
对于每个点云集合中的第二候选点，分别做随机采样一致性拟合出所述道路边沿曲线。
可选地，所述在所述y轴方向上，将所述映射后的点云数据划分为至少两个点云集合之前，还包括：
对所述映射后的点云数据进行过滤，以剔除无效数据和噪声点；
从过滤后的点云数据中确定预设检测范围内的点云，得到目标点云数据，所述目标点云数据为用于划分所述至少两个点云集合的点云数据。
第二方面，提供一种路沿检测装置，所述装置包括：
数据获取模块，用于获取激光雷达采集到点云数据，所述激光雷达用于对当前车辆所处道路环境进行扫描；
数据处理模块，用于将所述点云数据映射至基于所述当前车辆所在位置建立的公共坐标系中，得到映射后的点云数据；所述公共坐标系以所述当前车辆的中轴线上的预设位置为原点，以与地面平行、且指向所述当前车辆的车头的方向为y轴，以与地面平行、且与y轴垂直的方向为x轴，以与地面垂直的方向为z轴；
数据划分模块，用于在所述y轴方向上，将所述映射后的点云数据划分为至少两个点云集合；
平面确定模块，用于分别确定所述至少两个点云集合对应的平面方程；
第一筛选模块，用于对于每个点云集合，按照所述点云集合中每个点的法向量与对应的平面法向量之间的夹角，确定所述点云集合中的第一候选点；所述平面法向量是基于所述点云集合对应的平面方程确定的；
第二筛选模块，用于对每个点云集合中的第一候选点，按照所述第一候选点的高度数据确定第一候选点中的第二候选点；
路沿拟合模块，用于按照所述第二候选点拟合出道路边沿曲线。
第三方面，提供一种路沿检测装置，所述装置包括处理器和存储器；所述存储器中存储有程序，所述程序由所述处理器加载并执行以实现第一方面提供的路沿检测方法。
第四方面，提供一种计算机可读存储介质，所述存储介质中存储有程序，所述程序被处理器执行时用于实现第一方面提供的路沿检测方法。
本申请的有益效果至少包括：通过获取激光雷达采集到点云数据；将点云数据映射至基于当前车辆所在位置建立的公共坐标系中，得到映射后的点云数据；公共坐标系以当前车辆的中轴线上的预设位置为原点，以与地面平行、且指向当前车辆的车头的方向为y轴，以与地面平行、且与y轴垂直的方向为x轴，以与地面垂直的方向为z轴；在y轴方向上，将映射后的点云数据划分为至少两个点云集合；分别确定至少两个点云集合对应的平面方程；对于每个点云集合，按照点云集合中每个点的法向量与对应的平面法向量之间的夹角，确定点云集合中的第一候选点；平面法向量是基于点云集合对应的平面方程确定的；对每个点云集合中的第一候选点，按照第一候选点的高度数据确定第一候选点中的第二候选点；按照第二候选点拟合出道路边沿曲线；可以解决现有的路沿检测算法确定路沿点的方式不准确，导致道路边沿的检测结果不准确的问题；由于实际道路呈现中间凸起两边凹下的线，将道路按中间划分成至少两个区域，分别在各自区域内计算平面方程，能够在很大程度上减少道路左边或右边的点投影到平面方程上高度误差大的问题；同时将点云法向量特征和栅格高度差特征结合求取路沿点，即解决了仅高度差特征阈值过滤误差大的问题，又解决了仅法向量特征会将护栏行人等障碍物作为路沿点的问题，可以提高确定路沿点的准确性。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，并可依照说明书的内容予以实施，以下以本申请的较佳实施例并配合附图详细说明如后。
【附图说明】
图1是本申请一个实施例提供的路面和平面方程的示意图；
图2是本申请一个实施例提供的路沿检测方法的流程图；
图3是本申请一个实施例提供的检测区域的示意图；
图4是本申请一个实施例提供的点云数据划分的示意图；
图5是本申请一个实施例提供的角度筛选点的示意图；
图6是本申请一个实施例提供的高度筛选点的示意图；
图7是本申请一个实施例提供的路沿检测装置的框图；
图8是本申请又一个实施例提供的路沿检测装置的框图。
【具体实施方式】
下面结合附图和实施例，对本申请的具体实施方式作进一步详细描述。以下实施例用于说明本申请，但不用来限制本申请的范围。
点云栅格化需要基于平面方程进行投影。在确定平面方程时，传统的方式是采用随机采样一致性通过多次迭代观测数据拟合出一个平面方程。但是，由于真实地面不是一个理想平面，通常是中间凸起的曲面形状，如果在整个检测区域内采用随机采样一致性算法拟合平面方程可能出现图1的情况，平面方程11倾向于一边导致另一侧的地面真实点云误差放大。
基于上述问题，本申请提供一种路沿检测的技术方案，该技术方案通过将地面上指向路沿方向上的点云划分为至少两个区域，分别确定每个区域的平面方程，从而可以适应曲面路面，提高使用平面方程进行点云筛选时的准确性。
下面，对本申请提供的路沿检测方法进行介绍。可选地，本申请中各个实施例提供的路沿检测方法可以用于车载计算机或者用户终端等电子设备中，用户终端可以是手机、计算机、平板电脑等可移动设备，电子设备具有数据处理功能，且该电子设备与当前车辆上安装的激光雷达通信相连，本实施例不对电子设备的实现方式作限定。
其中，激光雷达用于对当前车辆所在道路环境进行扫描，从而得到该道路环境的点云数据。可选地，激光雷达可以为线激光雷达或者是点激光雷达；激光雷达的数量可以为一个或多个，本申请不对激光雷达的类型和数量作限定。
图2是本申请一个实施例提供的路沿检测方法的流程图。该方法至少包括以下几个步骤：
步骤201，获取激光雷达采集到点云数据。
其中，激光雷达用于对当前车辆所处道路环境进行扫描。
可选地，电子设备在启动路沿检测功能后，控制激光雷达工作，以使激光雷达采集点云数据；之后，接收激光雷达采集到的点云数据。
其中，电子设备启动路沿检测功能的方式包括但不限于：在当前车辆开始工作时自动启动；或者，在接收到用户输入的开启操作时启动；或者，在接收到到达指定道路环境（如具有路沿的道路环境）时启动。
步骤202，将点云数据映射至基于当前车辆所在位置建立的公共坐标系中，得到映射后的点云数据；公共坐标系以当前车辆的中轴线上的预设位置为原点，以与地面平行、且指向当前车辆的车头的方向为y轴，以与地面平行、且与y轴垂直的方向为x轴，以与地面垂直的方向为z轴。
各个激光雷达与公共坐标系之间的转换矩阵预先标定得到，且存储在电子设备中。这样，对于每个激光雷达采集到的点云数据，经过转换矩阵转换后可以映射至公共坐标系中。
可选地，公共坐标系的原点可以为当前车辆车身后轴的中心位置。车身后轴通常为车辆的重心。
步骤203，在y轴方向上，将映射后的点云数据划分为至少两个点云集合。
由于激光雷达通常是基于飞行时间（Time of flight，TOF）的方式主动触发式采样，发射信号可能由于打到天空或者玻璃等物质造成穿透接受不到反射信息，故采集到的点云数据可能存在无效数据和噪声点。基于此，在本步骤之前，需要对收到的一帧点云数据剔除无效点、离散群点；并根据预先设定好的检测范围剔除感兴趣区域以外的点云。此时，在y轴方向上，将映射后的点云数据划分为至少两个点云集合之前，即步骤203之前，还包括：对映射后的点云数据进行过滤，以剔除无效数据和噪声点；从过滤后的点云数据中确定预设检测范围内的点云，得到目标点云数据，目标点云数据为用于划分至少两个点云集合的点云数据。
其中，预设检测范围预先设定在电子设备中。参考图3所示，图3左边为检测区域的俯视图，图3右边是检测区域的截面图，x轴正方向朝前设定检测范围0到40米，y轴正方向朝左设定检测范围-20米到20米，z轴正方向朝上设定检测范围-1至3米。在实际实现时，检测范围也可以与图3不同，本实施例不对检测范围的设置方式作限定。
在一个示例中，由于路面通常为中间凸起的曲面形状，基于此，参考图4，在y轴方向上，将映射后的点云数据划分为至少两个点云集合，包括：以原点为中心，将分布在y轴正方向上的点作为第一点云集合A、将分布在y轴负方向上的点作为第二点云集合B。
在其它实施方式中，电子设备也可以在y轴方向上，等间隔地将点云数据划分为三个或三个以上的点云集合，本实施例不对点云数据的划分方式作限定。
步骤204，分别确定至少两个点云集合对应的平面方程。
对于每个点云集合，使用随机采样一致性算法得到该点云集合对应的平面方程。比如：对于图4所示的两个点云集合，分别得到第一点云集合A对应的平面方程2和第二点云集合B对应的平面方程1。
其中，随机采样一致性（Random Sample Consensus，RANSAC）是一种通过使用观测到的数据点来估计数学模型参数的迭代方法。
具体地，假设任意一个点云集合对应的平面的表达式为ax+by+cz =d，其中a2 +b2+c2=1，d>0，（a，b，c）为空间直线的方向向量，d为到平面的距离，a、b、c和d这四个参数可以确定一个平面。RANSAC算法用迭代的方式，从含有噪声的点云数据中挑选出包含在距离阈值内点数最多的平面模型，估算出地平面参数，得到平面方程。
步骤205，对于每个点云集合，按照点云集合中每个点的法向量与对应的平面法向量之间的夹角，确定点云集合中的第一候选点；该平面法向量是基于点云集合对应的平面方程确定的。
平面法向量垂直于平面方程对应的平面。
可选地，对于每个点云集合，按照点云集合中每个点的法向量与对应的平面法向量之间的夹角，确定点云集合中的第一候选点，包括：对于每个点云集合中的每个点，基于点与相邻范围内其它点拟合平面，并计算拟合平面的法向量，得到点的法向量；计算点的法向量与点云集合对应的平面法向量之间的夹角；在夹角小于或等于角度阈值时，将点确定为点云集合中的第一候选点；在夹角大于角度阈值时，删除该点。
参考图5，假设平面方程51是第二点云集合B中点云数据拟合出来的平面方程，法向量1是平面方程51的法向量，法向量2是道路边上某点云的法向量，法向量3是路沿上某点云的法向量，根据图5可知，法向量1和法向量2的夹角小于角度阈值TH，故删除该点。法向量1和法向量3的夹角大于角度阈值TH，故保留，作为第一候选点。
步骤206，对每个点云集合中的第一候选点，按照第一候选点的高度数据确定第一候选点中的第二候选点。
可选地，对每个点云集合中的第一候选点，按照第一候选点的高度数据确定第一候选点中的第二候选点，包括：对于每个点云集合中的第一候选点，根据点云集合对应的平面方程进行栅格化投影；计算每个栅格内第一候选点的高度差；在高度差在预设高度范围内时，将栅格内的第一候选点确定为第二候选点；在高度差不属于预设高度范围内时，删除栅格内的第一候选点。
可选地，预设高度范围包括最小高度阈值和最大高度阈值。其中，最小高度阈值大于或等于0。预设高度范围中的每个高度值基于路沿与地面之间的高度确定。
假设将某个点云集合按照对应的平面方程进行栅格化投影后，计算每个网格中第一候选点的高度差，得到的结果参考图6。若路沿通常高度在0.2米左右，则预设高度范围基于0.2米确定，预设高度范围包括最小高度阈值和最大高度阈值。如果各个网格内高度差在两个阈值之间，则为第二候选点，如果不在则删除该点。
步骤207，按照第二候选点拟合出道路边沿曲线。
对于每个点云集合中的第二候选点，分别做随机采样一致性拟合出道路边沿曲线。
综上所述，本实施例提供的路沿检测方法，通过获取激光雷达采集到点云数据；将点云数据映射至基于当前车辆所在位置建立的公共坐标系中，得到映射后的点云数据；公共坐标系以当前车辆的中轴线上的预设位置为原点，以与地面平行、且指向当前车辆的车头的方向为y轴，以与地面平行、且与y轴垂直的方向为x轴，以与地面垂直的方向为z轴；在y轴方向上，将映射后的点云数据划分为至少两个点云集合；分别确定至少两个点云集合对应的平面方程；对于每个点云集合，按照点云集合中每个点的法向量与对应的平面法向量之间的夹角，确定点云集合中的第一候选点；平面法向量是基于点云集合对应的平面方程确定的；对每个点云集合中的第一候选点，按照第一候选点的高度数据确定第一候选点中的第二候选点；按照第二候选点拟合出道路边沿曲线；可以解决现有的路沿检测算法确定路沿点的方式不准确，导致道路边沿的检测结果不准确的问题；由于实际道路呈现中间凸起两边凹下的线，将道路按中间划分成至少两个区域，分别在各自区域内计算平面方程，能够在很大程度上减少道路左边或右边的点投影到平面方程上高度误差大的问题；同时将点云法向量特征和栅格高度差特征结合求取路沿点，即解决了仅高度差特征阈值过滤误差大的问题，又解决了仅法向量特征会将护栏行人等障碍物作为路沿点的问题，可以提高确定路沿点的准确性。
图7是本申请一个实施例提供的路沿检测装置的框图。该装置至少包括以下几个模块：数据获取模块710、数据处理模块720、数据划分模块730、平面确定模块740、第一筛选模块750、第二筛选模块760和路沿拟合模块770。
数据获取模块710，用于获取激光雷达采集到点云数据，所述激光雷达用于对当前车辆所处道路环境进行扫描；
数据处理模块720，用于将所述点云数据映射至基于所述当前车辆所在位置建立的公共坐标系中，得到映射后的点云数据；所述公共坐标系以所述当前车辆的中轴线上的预设位置为原点，以与地面平行、且指向所述当前车辆的车头的方向为y轴，以与地面平行、且与y轴垂直的方向为x轴，以与地面垂直的方向为z轴；
数据划分模块730，用于在所述y轴方向上，将所述映射后的点云数据划分为至少两个点云集合；
平面确定模块740，用于分别确定所述至少两个点云集合对应的平面方程；
第一筛选模块750，用于对于每个点云集合，按照所述点云集合中每个点的法向量与对应的平面法向量之间的夹角，确定所述点云集合中的第一候选点；所述平面法向量是基于所述点云集合对应的平面方程确定的；
第二筛选模块760，用于对每个点云集合中的第一候选点，按照所述第一候选点的高度数据确定第一候选点中的第二候选点；
路沿拟合模块770，用于按照所述第二候选点拟合出道路边沿曲线。
相关细节参考上述方法实施例。
相关细节参考上述方法实施例。
需要说明的是：上述实施例中提供的路沿检测装置在进行路沿检测时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将路沿检测装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的路沿检测装置与路沿检测方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
图8是本申请一个实施例提供的路沿检测装置的框图。该装置至少包括处理器801和存储器802。
处理器801可以包括一个或多个处理核心，比如：4核心处理器、8核心处理器等。处理器801可以采用DSP（Digital Signal Processing，数字信号处理）、FPGA（Field－Programmable Gate Array，现场可编程门阵列）、PLA（Programmable Logic Array，可编程逻辑阵列）中的至少一种硬件形式来实现。处理器801也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU（Central ProcessingUnit，中央处理器）；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器801可以在集成有GPU（Graphics Processing Unit，图像处理器），GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器801还可以包括AI（Artificial Intelligence，人工智能）处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器802可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器802还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器802中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器801所执行以实现本申请中方法实施例提供的路沿检测方法。
在一些实施例中，路沿检测装置还可选包括有：外围设备接口和至少一个外围设备。处理器801、存储器802和外围设备接口之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口相连。示意性地，外围设备包括但不限于：射频电路、触摸显示屏、音频电路、和电源等。
当然，路沿检测装置还可以包括更少或更多的组件，本实施例对此不作限定。
可选地，本申请还提供有一种计算机可读存储介质，所述计算机可读存储介质中存储有程序，所述程序由处理器加载并执行以实现上述方法实施例的路沿检测方法。
可选地，本申请还提供有一种计算机产品，该计算机产品包括计算机可读存储介质，所述计算机可读存储介质中存储有程序，所述程序由处理器加载并执行以实现上述方法实施例的路沿检测方法。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种路沿检测方法，其特征在于，所述方法包括：
获取激光雷达采集到点云数据，所述激光雷达用于对当前车辆所处道路环境进行扫描；
将所述点云数据映射至基于所述当前车辆所在位置建立的公共坐标系中，得到映射后的点云数据；所述公共坐标系以所述当前车辆的中轴线上的预设位置为原点，以与地面平行、且指向所述当前车辆的车头的方向为y轴，以与地面平行、且与y轴垂直的方向为x轴，以与地面垂直的方向为z轴；
在所述y轴方向上，将所述映射后的点云数据划分为至少两个点云集合；
分别确定所述至少两个点云集合对应的平面方程；
对于每个点云集合，按照所述点云集合中每个点的法向量与对应的平面法向量之间的夹角，确定所述点云集合中的第一候选点；所述平面法向量是基于所述点云集合对应的平面方程确定的；
对每个点云集合中的第一候选点，按照所述第一候选点的高度数据确定第一候选点中的第二候选点；
按照所述第二候选点拟合出道路边沿曲线。
2.根据权利要求1所述的方法，其特征在于，所述在所述y轴方向上，将所述映射后的点云数据划分为至少两个点云集合，包括：
以所述原点为中心，将分布在所述y轴正方向上的点作为第一点云集合、将分布在所述y轴负方向上的点作为第二点云集合。
3.根据权利要求1所述的方法，其特征在于，所述对于每个点云集合，按照所述点云集合中每个点的法向量与对应的平面法向量之间的夹角，确定所述点云集合中的第一候选点，包括：
对于每个点云集合中的每个点，基于所述点与相邻范围内其它点拟合平面，并计算拟合平面的法向量，得到所述点的法向量；
计算所述点的法向量与所述点云集合对应的平面法向量之间的夹角；
在所述夹角小于或等于角度阈值时，将所述点确定为所述点云集合中的第一候选点；
在所述夹角大于角度阈值时，删除所述点。
4.根据权利要求1所述的方法，其特征在于，所述对每个点云集合中的第一候选点，按照所述第一候选点的高度数据确定第一候选点中的第二候选点，包括：
对于每个点云集合中的第一候选点，根据所述点云集合对应的平面方程进行栅格化投影；
计算每个栅格内第一候选点的高度差；
在所述高度差在预设高度范围内时，将所述栅格内的第一候选点确定为所述第二候选点；
在所述高度差不属于预设高度范围内时，删除所述栅格内的第一候选点。
5.根据权利要求4所述的方法，其特征在于，所述预设高度范围包括最小高度阈值和最大高度阈值。
6.根据权利要求1所述的方法，其特征在于，所述按照所述第二候选点拟合出道路边沿曲线，包括：
对于每个点云集合中的第二候选点，分别做随机采样一致性拟合出所述道路边沿曲线。
7.根据权利要求1至6任一所述的方法，其特征在于，所述在所述y轴方向上，将所述映射后的点云数据划分为至少两个点云集合之前，还包括：
对所述映射后的点云数据进行过滤，以剔除无效数据和噪声点；
从过滤后的点云数据中确定预设检测范围内的点云，得到目标点云数据，所述目标点云数据为用于划分所述至少两个点云集合的点云数据。
8.一种路沿检测装置，其特征在于，所述装置包括：
数据获取模块，用于获取激光雷达采集到点云数据，所述激光雷达用于对当前车辆所处道路环境进行扫描；
数据处理模块，用于将所述点云数据映射至基于所述当前车辆所在位置建立的公共坐标系中，得到映射后的点云数据；所述公共坐标系以所述当前车辆的中轴线上的预设位置为原点，以与地面平行、且指向所述当前车辆的车头的方向为y轴，以与地面平行、且与y轴垂直的方向为x轴，以与地面垂直的方向为z轴；
数据划分模块，用于在所述y轴方向上，将所述映射后的点云数据划分为至少两个点云集合；
平面确定模块，用于分别确定所述至少两个点云集合对应的平面方程；
第一筛选模块，用于对于每个点云集合，按照所述点云集合中每个点的法向量与对应的平面法向量之间的夹角，确定所述点云集合中的第一候选点；所述平面法向量是基于所述点云集合对应的平面方程确定的；
第二筛选模块，用于对每个点云集合中的第一候选点，按照所述第一候选点的高度数据确定第一候选点中的第二候选点；
路沿拟合模块，用于按照所述第二候选点拟合出道路边沿曲线。
9.一种路沿检测装置，其特征在于，所述装置包括处理器和存储器；所述存储器中存储有程序，所述程序由所述处理器加载并执行以实现如权利要求1至7任一项所述的路沿检测方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质中存储有程序，所述程序被处理器执行时用于实现如权利要求1至7任一项所述的路沿检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110034012.6A CN112560800B (zh) | 2021-01-12 | 2021-01-12 | 路沿检测方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110034012.6A CN112560800B (zh) | 2021-01-12 | 2021-01-12 | 路沿检测方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112560800A true CN112560800A (zh) | 2021-03-26 |
| CN112560800B CN112560800B (zh) | 2024-05-28 |
Family
ID=75035456
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110034012.6A Active CN112560800B (zh) | 2021-01-12 | 2021-01-12 | 路沿检测方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112560800B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113064135A (zh) * | 2021-06-01 | 2021-07-02 | 北京海天瑞声科技股份有限公司 | 在3d雷达点云连续帧数据中检测障碍物的方法及装置 |
| CN113610883A (zh) * | 2021-04-30 | 2021-11-05 | 新驱动重庆智能汽车有限公司 | 点云处理系统和方法、计算机设备和存储介质 |
| CN113963061A (zh) * | 2021-10-29 | 2022-01-21 | 广州文远知行科技有限公司 | 路沿分布信息获取方法、装置、电子设备和存储介质 |
| CN115469292A (zh) * | 2022-11-01 | 2022-12-13 | 天津卡尔狗科技有限公司 | 环境感知方法、装置、电子设备和存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105404844A (zh) * | 2014-09-12 | 2016-03-16 | 广州汽车集团股份有限公司 | 一种基于多线激光雷达的道路边界检测方法 |
| CN106127113A (zh) * | 2016-06-15 | 2016-11-16 | 北京联合大学 | 一种基于三维激光雷达的道路车道线检测方法 |
| US20180067494A1 (en) * | 2016-09-02 | 2018-03-08 | Delphi Technologies, Inc. | Automated-vehicle 3d road-model and lane-marking definition system |
| CN109375195A (zh) * | 2018-11-22 | 2019-02-22 | 中国人民解放军军事科学院国防科技创新研究院 | 一种基于正交法向量的多线激光雷达外参数快速标定方法 |
| CN109522804A (zh) * | 2018-10-18 | 2019-03-26 | 汽-大众汽车有限公司 | 一种道路边沿识别方法及系统 |
| CN109684921A (zh) * | 2018-11-20 | 2019-04-26 | 吉林大学 | 一种基于三维激光雷达的道路边界检测与跟踪方法 |
| US20190219700A1 (en) * | 2017-11-17 | 2019-07-18 | DeepMap Inc. | Iterative closest point process based on lidar with integrated motion estimation for high definition maps |
| CN110344621A (zh) * | 2019-06-13 | 2019-10-18 | 武汉大学 | 一种面向智能车库的车轮点云检测方法 |
-
2021
- 2021-01-12 CN CN202110034012.6A patent/CN112560800B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105404844A (zh) * | 2014-09-12 | 2016-03-16 | 广州汽车集团股份有限公司 | 一种基于多线激光雷达的道路边界检测方法 |
| CN106127113A (zh) * | 2016-06-15 | 2016-11-16 | 北京联合大学 | 一种基于三维激光雷达的道路车道线检测方法 |
| US20180067494A1 (en) * | 2016-09-02 | 2018-03-08 | Delphi Technologies, Inc. | Automated-vehicle 3d road-model and lane-marking definition system |
| US20190219700A1 (en) * | 2017-11-17 | 2019-07-18 | DeepMap Inc. | Iterative closest point process based on lidar with integrated motion estimation for high definition maps |
| CN109522804A (zh) * | 2018-10-18 | 2019-03-26 | 汽-大众汽车有限公司 | 一种道路边沿识别方法及系统 |
| CN109684921A (zh) * | 2018-11-20 | 2019-04-26 | 吉林大学 | 一种基于三维激光雷达的道路边界检测与跟踪方法 |
| CN109375195A (zh) * | 2018-11-22 | 2019-02-22 | 中国人民解放军军事科学院国防科技创新研究院 | 一种基于正交法向量的多线激光雷达外参数快速标定方法 |
| CN110344621A (zh) * | 2019-06-13 | 2019-10-18 | 武汉大学 | 一种面向智能车库的车轮点云检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| CHENGLU WEN ET AL.: "A deep learning framework for road marking extraction, classification and completion from mobile laser scanning point clouds", 《 ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》, 31 January 2019 (2019-01-31) * |
| 王晓原;孔栋;孙亮;王建强;王方;: "基于32线激光雷达的道路边界识别算法", 科技通报, no. 09, 30 September 2018 (2018-09-30) * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113610883A (zh) * | 2021-04-30 | 2021-11-05 | 新驱动重庆智能汽车有限公司 | 点云处理系统和方法、计算机设备和存储介质 |
| CN113610883B (zh) * | 2021-04-30 | 2022-04-08 | 新驱动重庆智能汽车有限公司 | 点云处理系统和方法、计算机设备和存储介质 |
| CN113064135A (zh) * | 2021-06-01 | 2021-07-02 | 北京海天瑞声科技股份有限公司 | 在3d雷达点云连续帧数据中检测障碍物的方法及装置 |
| CN113064135B (zh) * | 2021-06-01 | 2022-02-18 | 北京海天瑞声科技股份有限公司 | 在3d雷达点云连续帧数据中检测障碍物的方法及装置 |
| CN113963061A (zh) * | 2021-10-29 | 2022-01-21 | 广州文远知行科技有限公司 | 路沿分布信息获取方法、装置、电子设备和存储介质 |
| CN115469292A (zh) * | 2022-11-01 | 2022-12-13 | 天津卡尔狗科技有限公司 | 环境感知方法、装置、电子设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112560800B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112560800B (zh) | 路沿检测方法、装置及存储介质 | |
| CN110045376B (zh) | 可行驶区域获取方法、计算机可读存储介质及终端设备 | |
| US10621450B2 (en) | Road shoulder extraction | |
| US20210333108A1 (en) | Path Planning Method And Device And Mobile Device | |
| CN112733812B (zh) | 三维车道线检测方法、装置及存储介质 | |
| WO2022142628A1 (zh) | 一种点云数据处理方法及装置 | |
| CN112100298B (zh) | 一种建图方法、装置、计算机可读存储介质及机器人 | |
| CN109849930B (zh) | 自动驾驶汽车的相邻车辆的速度计算方法和装置 | |
| CN110795978B (zh) | 路面点云数据提取方法、装置、存储介质及电子设备 | |
| CN112799091A (zh) | 算法评估方法、装置及存储介质 | |
| WO2023179718A1 (zh) | 用于激光雷达的点云处理方法、装置、设备及存储介质 | |
| US20240071099A1 (en) | Method and device for estimating position of networked vehicle based on independent non-uniform increment sampling | |
| CN111650626B (zh) | 道路信息获取方法、装置及存储介质 | |
| CN115406457A (zh) | 一种可行驶区域检测方法、系统、设备及存储介质 | |
| CN114047487A (zh) | 雷达和车体的外参标定方法、装置、电子设备和存储介质 | |
| WO2022078342A1 (zh) | 动态占据栅格估计方法及装置 | |
| CN112505652B (zh) | 目标检测方法、装置及存储介质 | |
| CN114170596A (zh) | 姿态识别方法、装置、电子设备、工程机械和存储介质 | |
| CN113734176A (zh) | 智能驾驶车辆的环境感知系统、方法、车辆及存储介质 | |
| CN113945219A (zh) | 动态地图生成方法、系统、可读存储介质及终端设备 | |
| CN113052892A (zh) | 一种车辆货物体积计算方法、装置及存储介质 | |
| CN113436336B (zh) | 地面点云分割方法和装置及自动驾驶车辆 | |
| CN113763308B (zh) | 一种地面检测方法、装置、服务器及介质 | |
| CN111210297B (zh) | 一种上车点的划分方法及装置 | |
| US20220219679A1 (en) | Spatial parking place detection method and device, storage medium, and program product |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 215123 g2-1901 / 1902 / 2002, No. 88, Jinjihu Avenue, Suzhou Industrial Park, Suzhou City, Jiangsu Province Applicant after: Zhixing Automotive Technology (Suzhou) Co.,Ltd. Address before: 215123 g2-1901 / 1902 / 2002, No. 88, Jinjihu Avenue, Suzhou Industrial Park, Suzhou City, Jiangsu Province Applicant before: IMOTION AUTOMOTIVE TECHNOLOGY (SUZHOU) Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |