CN112833915A - 传感器校正方法、装置、可移动载体及存储介质 - Google Patents
传感器校正方法、装置、可移动载体及存储介质 Download PDFInfo
- Publication number
- CN112833915A CN112833915A CN202011645346.9A CN202011645346A CN112833915A CN 112833915 A CN112833915 A CN 112833915A CN 202011645346 A CN202011645346 A CN 202011645346A CN 112833915 A CN112833915 A CN 112833915A
- Authority
- CN
- China
- Prior art keywords
- target
- radar sensor
- target radar
- sensor
- starting 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/40—Means for monitoring or calibrating
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Manufacturing & Machinery (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种传感器校正方法、装置、可移动载体及存储介质,属于自动化技术领域。本发明通过获取目标可移动载体的型号信息,以及至少一个目标雷达传感器处于所述目标可移动载体上的位置信息,然后基于所述型号信息以及位置信息判断所述目标雷达传感器是否存在盲区,最后根据判断结果校正所述目标雷达传感器的目标分帧起点,由于会对目标雷达传感器的目标分帧起点进行校正,能够尽量避免同一对象在点云数据中被分割,能够提高自动驾驶的精确度。
Description
技术领域
本发明涉及自动化技术领域,尤其涉及一种传感器校正方法、装置、可移动载体及存储介质。
背景技术
随着目前自动化技术的进步,可移动载体(例如:汽车、具有运载能力的机器人,或飞行器等具有运载能力的设备)的自动驾驶也越来越普及,为了实现对可移动载体的自动驾驶控制,需要通过设置于可移动载体上的雷达传感器来采集点云数据。
对于所述点云数据而言,通常需要进行分帧处理,而雷达传感器通常是360度连续转动的,分帧起点设置在120度,假设雷达传感器在t时刻达到119.8度,此时会将其归为第n帧点云数据,并且在很短的时间dt后达到120.2度,由于经过了分帧起点,此时会开启新的一帧,即会将其归为第n+1帧点云数据,若某一对象正好在t时刻横跨雷达传感器的[118度,122度],那么这个对象的点云数据会被一分为二,分别位于前后相邻两帧中,导致同一对象在点云数据中被分割,不利于后续的数据分析处理,从而影响自动驾驶控制的精确度。
发明内容
本发明的主要目的在于提供一种传感器校正方法、装置、可移动载体及存储介质,旨在解决现有技术中同一对象在点云数据中被分割,从而影响自动驾驶控制的精确度的技术问题。
为实现上述目的,本发明提供一种传感器校正方法,所述传感器校正方法包括以下步骤:
获取目标可移动载体的型号信息,以及至少一个目标雷达传感器处于所述目标可移动载体上的位置信息;
基于所述型号信息以及位置信息判断所述目标雷达传感器是否存在盲区;
根据判断结果校正所述目标雷达传感器的目标分帧起点。
可选地,所述根据判断结果校正所述目标雷达传感器的目标分帧起点的步骤,具体包括:
在所述判断结果为所述目标雷达传感器具有盲区时,从所述盲区的角度范围中选取角度作为所述目标雷达传感器的目标分帧起点。
可选地,所述目标雷达传感器的数量为多个;
所述在所述判断结果为所述目标雷达传感器具有盲区时,从所述盲区的角度范围中选取角度作为所述目标雷达传感器的目标分帧起点的步骤,具体包括:
在所述判断结果为所述目标雷达传感器具有盲区时,将各目标雷达传感器的转动角度设为具有预设转动角度差,并且从各目标雷达传感器的盲区范围中分别选取角度作为各目标雷达传感器的目标分帧起点。
可选地,所述根据判断结果校正所述目标雷达传感器的目标分帧起点的步骤,具体包括:
在所述判断结果为所述目标雷达传感器不具有盲区时,预测所述目标雷达传感器设置不同分帧起点分别对应的对象分割概率;
基于各分帧起点分别对应的对象分割概率校正所述目标雷达传感器的目标分帧起点。
可选地,所述在所述判断结果为所述目标雷达传感器不具有盲区时,预测所述目标雷达传感器设置不同分帧起点分别对应的对象分割概率的步骤,具体包括:
在所述判断结果为所述目标雷达传感器不具有盲区时,查找与所述型号信息和位置信息对应的目标概率预测模型;
通过所述目标概率预测模型预测所述目标雷达传感器设置不同分帧起点分别对应的对象分割概率。
可选地,所述在所述判断结果为所述目标雷达传感器不具有盲区时,查找与所述型号信息和位置信息对应的目标概率预设模型的步骤之前,所述传感器校正方法还包括:
获取设于不同样本型号信息和不同样本位置信息的样本雷达传感器设置不同分帧起点分别采集的样本点云数据和样本图像数据;
对所述样本型号信息和样本位置信息进行遍历;
将遍历到的样本型号信息和样本位置信息作为当前样本型号信息和当前样本位置信息,并将设于所述当前样本型号信息和当前样本位置信息的当前样本雷达传感器设置不同分帧起点分别采集的样本点云数据和样本图像数据作为当前样本点云数据和当前样本图像数据;
基于所述当前样本图像数据对不同分帧起点分别对应的当前样本点云数据进行对象分割识别;
统计各分帧起点分别对应的对象分割次数,并根据对象分割次数计算各分帧起点分别对应的对象分割概率;
基于所述各分帧起点分别对应的对象分割概率对初始预测模型进行训练,以获得所述当前样本型号信息和当前样本位置信息对应的概率预测模型。
可选地,所述基于各分帧起点分别对应的对象分割概率校正所述目标雷达传感器的目标分帧起点的步骤,具体包括:
从各分帧起点分别对应的对象分割概率中查找最小值;
将最小值对应的分帧起点作为所述目标雷达传感器的目标分帧起点。
此外,为实现上述目的,本发明还提供一种传感器校正装置,所述传感器校正装置包括:
信息获取模块,用于获取目标可移动载体的型号信息,以及至少一个目标雷达传感器处于所述目标可移动载体上的位置信息;
盲区判断模块,用于基于所述型号信息以及位置信息判断所述目标雷达传感器是否存在盲区;
起点确定模块,用于根据判断结果校正所述目标雷达传感器的目标分帧起点。
此外,为实现上述目的,本发明还提供一种可移动载体,所述可移动载体包括: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传感器校正程序,所述传感器校正程序配置为实现如上所述的传感器校正方法的步骤。
此外,为实现上述目的,本发明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上存储有传感器校正程序,所述传感器校正程序被处理器执行时实现如上所述的传感器校正方法的步骤。
本发明通过获取目标可移动载体的型号信息,以及至少一个目标雷达传感器处于所述目标可移动载体上的位置信息,然后基于所述型号信息以及位置信息判断所述目标雷达传感器是否存在盲区,最后根据判断结果校正所述目标雷达传感器的目标分帧起点,由于会对目标雷达传感器的目标分帧起点进行校正,能够尽量避免同一对象在点云数据中被分割,能够提高自动驾驶的精确度。
附图说明
图1为本发明传感器校正方法第一实施例的流程示意图;
图2为本发明实施例中目标雷达传感器安装于目标可移动载体上的示意图;
图3为本发明实施例中目标雷达传感器设于目标可移动载体的顶部时的盲区示意图;
图4为本发明实施例中目标雷达传感器设于目标可移动载体的四角时的盲区示意图;
图5为本发明传感器校正方法第二实施例的流程示意图;
图6为本发明实施例中两个目标雷达传感器之间存在干扰的示意图;
图7为本发明传感器校正方法第三实施例的流程示意图;
图8为本发明传感器校正装置一实施例的结构框图;
图9是本发明实施例方案涉及的硬件运行环境的可移动载体结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明传感器校正方法第一实施例的流程示意图。
在第一实施例中,所述传感器校正方法包括以下步骤:
S10:获取目标可移动载体的型号信息,以及至少一个目标雷达传感器处于所述目标可移动载体上的位置信息。
需要说明的是,本实施例的执行主体为设于所述目标可移动载体上的处理器,可移动载体有多种表现形式,如汽车、机器人,飞行器等具有移动能力的载体,本实施例不进行具体的限制。
可理解的是,对于所述可移动载体而言,不同的型号信息通常代表了不同的外型,以可移动载体为汽车为例,不同型号信息对应的汽车通常会具有不同的外型,而设于不同外型的可移动载体上的雷达传感器,通常会由于可移动载体外型的影响,导致其盲区也会存在区别。
在具体实现中,雷达传感器根据其需要通常会设置在汽车的左前方、右前方、左后方、右后方和顶部的至少一处,也就是说,目标雷达传感器可以为一个或者多个,而雷达传感器设置于一既定外型的可移动载体的不同位置时,其盲区会存在区别,也就是说,对于目标可移动载体的型号信息和目标雷达传感器处于所述目标可移动载体上的位置信息均会影响目标雷达传感器的盲区。
S20:基于所述型号信息以及位置信息判断所述目标雷达传感器是否存在盲区。
需要说明的是,在所述型号信息以及位置信息确定后,即可确定目标雷达传感器是否存在盲区。
下面以一个具体的实例进行说明,但不限定本发明的保护范围。
假设目标可移动载体为汽车,并且其型号信息为一般的小汽车,若目标雷达传感器设于汽车的顶部,参考图2,为了让目标雷达传感器(即图中的“lidar”)能够稳定识别到近距离和远距离的行人,一般会让目标雷达传感器的水平线至少等于行人的标准身高,考虑到行人的标准身高为1.6~1.8m,所以目标雷达传感器的高度一般会设置在1.6~1.8m,当然,还可设置为其他高度,本实施例对此不加以限制。
对于图2中的目标雷达传感器而言,参照图3,图3中A即为目标雷达传感器的扫描范围,B即为目标雷达传感器的盲区,可以看出,目标雷达传感器的盲区主要分布在汽车的两侧,而在其行进方向上较少。
若汽车的型号信息为客车时,考虑到客车的车型,由于其是平顶,若目标雷达传感器放在客车的顶部,则会挡住大部分的角度,若对目标雷达传感器进行垫高,又会造成非常大的盲区,故而,对于客车而言,其通常会设置于客车的四角(即左前方、右前方、左后方和右后方),从而提供更大的角度,因此,若将目标雷达传感器设于客车的四角离地1.6~1.8m的位置,则可参照图4,图4中A’即为目标雷达传感器的扫描范围,B’即为目标雷达传感器的盲区,因此,在确定目标可移动载体的型号信息和目标雷达传感器处于所述目标可移动载体上的位置信息后,即可判断所述目标雷达传感器是否存在盲区。
S30:根据判断结果校正所述目标雷达传感器的目标分帧起点。
可理解的是,在判断所述目标雷达传感器是否存在盲区后,即可获得判断结果,由于判断结果的不同,会采用不同的处理方式来校正所述目标雷达传感器的目标分帧起点,故而,可根据判断结果校正所述目标雷达传感器的目标分帧起点。
本实施例通过获取目标可移动载体的型号信息,以及至少一个目标雷达传感器处于所述目标可移动载体上的位置信息,然后基于所述型号信息以及位置信息判断所述目标雷达传感器是否存在盲区,最后根据判断结果校正所述目标雷达传感器的目标分帧起点,由于会对目标雷达传感器的目标分帧起点进行校正,能够尽量避免同一对象在点云数据中被分割,能够提高自动驾驶的精确度。
如图5所示,基于第一实施例提出本发明传感器校正方法第二实施例,本实施例中,步骤S30,具体包括:
S31:在所述判断结果为所述目标雷达传感器具有盲区时,从所述盲区的角度范围中选取角度作为所述目标雷达传感器的目标分帧起点。
需要说明的是,在判断结果为所述目标雷达传感器具有盲区时,由于盲区内的点云数据通常来说,价值并不高,故而,可从所述盲区的角度范围中选取角度作为所述目标雷达传感器的目标分帧起点。
例如:盲区的角度范围对应的是[121度,140度],此时,即可从所述盲区的角度范围中选取130度作为所述目标雷达传感器的目标分帧起点,当然,还可选择其他角度作为所述目标雷达传感器的目标分帧起点。
可理解的是,对于所述目标雷达传感器的数量具有多个时,此时,各目标雷达传感器均具有各自对应的盲区,但各目标雷达传感器之间又可能会存在一定的干扰,参照图6,以目标雷达传感器具有两个为例,即左前雷达(对应图中的Front left)和右前雷达(对应图中的Front right),在可移动载体的实际行驶过程中,大部分的对象(对应图中的object)距离目标雷达传感器都比较远(例如50m),此时θl≈θr。由此可以看出,若左右两台目标雷达传感器转动情况一致(在同一时刻目标雷达传感器到达同一角度),那么目标雷达传感器之间相互干扰的情况就会很严重,故而,需要让两个目标雷达传感器之间的转动角度有一定偏差。
具体地,也就是说,在确定目标分帧起点时,除了需要考虑从各目标雷达传感器的盲区范围中分别选取角度以外,还需要将各目标雷达传感器的转动角度设为具有预设转动角度差,例如,在0s,左前雷达到达345度,右前雷达达到15度,则两个目标雷达传感器之间永远相差30度,从而避免相互干扰。
也就是说,步骤S31,可具体包括:在所述判断结果为所述目标雷达传感器具有盲区时,将各目标雷达传感器的转动角度设为具有预设转动角度差,并且从各目标雷达传感器的盲区范围中分别选取角度作为各目标雷达传感器的目标分帧起点。
本实施例在所述判断结果为所述目标雷达传感器具有盲区时,从所述盲区的角度范围中选取角度作为所述目标雷达传感器的目标分帧起点,能够非常简单、高效地避免同一对象在点云数据中被分割。
如图7所示,基于第一实施例提出本发明传感器校正方法第三实施例,本实施例中,步骤S30,具体包括:
S32:在所述判断结果为所述目标雷达传感器不具有盲区时,预测所述目标雷达传感器设置不同分帧起点分别对应的对象分割概率。
需要说明的是,在所述判断结果为所述目标雷达传感器不具有盲区时,此时,目标雷达传感器采集的点云数据均具有价值,若随意选择一个分帧起点,则采集的点云数据中非常容易造成对象分割的情况,故而,本实施例中,可预测所述目标雷达传感器设置不同分帧起点分别对应的对象分割概率,所述对象分割概率,即为将同一对象分割为两帧点云数据的概率。
可理解的是,为便于实现预测所述目标雷达传感器设置不同分帧起点分别对应的对象分割概率,本实施例中,可先在所述判断结果为所述目标雷达传感器不具有盲区时,查找与所述型号信息和位置信息对应的目标概率预测模型,然后通过所述目标概率预测模型预测所述目标雷达传感器设置不同分帧起点分别对应的对象分割概率。
在具体实现中,由于型号信息和位置信息同样会对对象分割概率的预测造成影响,因此,对于不同型号信息和位置信息可分别建立概率预测模型,以便于实现对象分割概率的准确预测,也就是说,可预先建立一个概率预测模型集合,在概率预测模型集合中包括各型号信息和位置信息分别对应的概率预测模型,也就是说,可在所述概率预测模型集合中查找与所述型号信息和位置信息对应的目标概率预测模型。
为便于建立所述概率预测模型集合,本实施例中,可在步骤S32之前,还包括:
S311:获取设于不同样本型号信息和不同样本位置信息的样本雷达传感器设置不同分帧起点分别采集的样本点云数据和样本图像数据。
需要说明的是,对于样本点云数据而言,其是通过样本雷达传感器所采集,而样本图像数据,通常是通过设置于与样本雷达传感器设于较为相近位置的摄像头获得,并且,由于摄像头通常会采用全景摄像头,因此,对于样本图像数据而言,不会涉及分帧的问题,也就是说,无论样本雷达传感器通过何种分帧方式,对于样本图像数据而言,不会具有任何变化。
S312:对所述样本型号信息和样本位置信息进行遍历。
在具体实现中,在对所述样本型号信息和样本位置信息进行遍历时,可理解为,对所述样本型号信息和样本位置信息的各种排列组合分别进行遍历。
S313:将遍历到的样本型号信息和样本位置信息作为当前样本型号信息和当前样本位置信息,并将设于所述当前样本型号信息和当前样本位置信息的当前样本雷达传感器设置不同分帧起点分别采集的样本点云数据和样本图像数据作为当前样本点云数据和当前样本图像数据。
S314:基于所述当前样本图像数据对不同分帧起点分别对应的当前样本点云数据进行对象分割识别。
可理解的是,对于所述样本图像数据而言,由于其通常与样本点云数据存在关联性,因此,可通过样本图像数据对所述样本点云数据进行对象分割识别,也就是说,可样本图像数据进行对象识别,然后基于样本点云数据与样本图像数据之间的关联性对不同分帧起点分别对应的当前样本点云数据进行对象分割识别。
在具体实现中,在对样本图像数据进行对象分割识别时,可先根据相邻像素之间的色差确定所述样本图像数据中各对象的轮廓,接着根据所述样本图像数据中各对象的轮廓对所述样本图像数据进行对象识别,以获得所述样本图像数据中各对象的对象位置,再根据样本图像数据中各对象的对象位置,以及所述样本图像数据与样本点云数据之间的关系对所述样本点云数据进行对象分割识别。
需要说明的是,对于判断是否分割的对象而言,可理解为对于自动驾驶具有参考价值的对象,例如:行人、汽车、电动车、摩托车、指示牌或红绿灯等对象,而对于一些对自动驾驶没有参考价值的对象而言,则不会作为判断是否分割的对象,例如:路边的树木、花草、建筑等,故而,对样本图像数据进行对象识别时,可对对象进行分类,即通过轮廓对对象进行类型划分,并确定具有参考价值类型的各对象的对象位置,再根据样本图像数据中各对象的对象位置,以及所述样本图像数据与样本点云数据之间的关系对所述样本点云数据进行对象分割识别。
在具体实现中,为便于通过轮廓对对象进行类型划分,本实施例中,可预先建立各对象类型的轮廓特征,因此,在需要通过对象的轮廓可以对样本图像数据进行对象划分时,可将对象的轮廓与各对象类型的轮廓特征进行匹配,将匹配成功的轮廓特征的对象类型作为类型划分结果。
S315:统计各分帧起点分别对应的对象分割次数,并根据对象分割次数计算各分帧起点分别对应的对象分割概率。
可理解的是,在基于所述当前样本图像数据对不同分帧起点分别对应的当前样本点云数据进行对象分割识别后,即可确定各分帧起点分别对应的对象分割次数,此时,可基于各分帧起点对应的总分帧次数以及各分帧起点分别对应的对象分割次数来计算各分帧起点分别对应的对象分割概率。
S316:基于所述各分帧起点分别对应的对象分割概率对初始预测模型进行训练,以获得所述当前样本型号信息和当前样本位置信息对应的概率预测模型。
需要说明的是,对于所述初始预测模型而言,可采用类似于神经网络模型,当然,也可采用其他可用于实现预测的模型,本实施例对此不加以限制。
S33:基于各分帧起点分别对应的对象分割概率校正所述目标雷达传感器的目标分帧起点。
在具体时间中,由于对象分割概率越高,说明越容易出现同一对象在点云数据中被分割,反之,则越不容易出现同一对象在点云数据中被分割,本实施例中,可从各分帧起点分别对应的对象分割概率中查找最小值,再将最小值对应的分帧起点作为所述目标雷达传感器的目标分帧起点。
本实施例在所述判断结果为所述目标雷达传感器不具有盲区时,预测所述目标雷达传感器设置不同分帧起点分别对应的对象分割概率,然后基于各分帧起点分别对应的对象分割概率校正所述目标雷达传感器的目标分帧起点,由于可基于各分帧起点分别预测的对象分割概率校正所述目标雷达传感器的目标分帧起点,故而,能够更加合理地设置目标分帧起点,从而尽量避免同一对象在点云数据中被分割。
此外,本发明实施例还提出一种传感器校正装置,参照图8,所述传感器校正装置包括:
信息获取模块10,用于获取目标可移动载体的型号信息,以及至少一个目标雷达传感器处于所述目标可移动载体上的位置信息;
盲区判断模块20,用于基于所述型号信息以及位置信息判断所述目标雷达传感器是否存在盲区;
起点确定模块30,用于根据判断结果校正所述目标雷达传感器的目标分帧起点。
本实施例通过上述方案,通过获取目标可移动载体的型号信息,以及至少一个目标雷达传感器处于所述目标可移动载体上的位置信息,然后基于所述型号信息以及位置信息判断所述目标雷达传感器是否存在盲区,最后根据判断结果校正所述目标雷达传感器的目标分帧起点,由于会对目标雷达传感器的目标分帧起点进行校正,能够尽量避免同一对象在点云数据中被分割,能够提高自动驾驶的精确度。
需要说明的是,上述装置中的各模块可用于实现上述方法中的各个步骤,同时达到相应的技术效果,本实施例在此不再赘述。
参照图9,图9为本发明实施例方案涉及的硬件运行环境的可移动载体的结构示意图。
如图9所示,该可移动载体可以包括:处理器1001,例如CPU,通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图9中示出的结构并不构成对可移动载体的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图9所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及传感器校正程序。
在图9所示的可移动载体中,网络接口1004主要用于与外部网络进行数据通信;用户接口1003主要用于接收用户的输入指令;所述可移动载体通过处理器1001调用存储器1005中存储的传感器校正程序,并执行以下操作:
获取目标可移动载体的型号信息,以及至少一个目标雷达传感器处于所述目标可移动载体上的位置信息;
基于所述型号信息以及位置信息判断所述目标雷达传感器是否存在盲区;
根据判断结果校正所述目标雷达传感器的目标分帧起点。
进一步地,处理器1001可以调用存储器1005中存储的传感器校正程序,还执行以下操作:
在所述判断结果为所述目标雷达传感器具有盲区时,从所述盲区的角度范围中选取角度作为所述目标雷达传感器的目标分帧起点。
进一步地,所述目标雷达传感器的数量为多个;处理器1001可以调用存储器1005中存储的传感器校正程序,还执行以下操作:
在所述判断结果为所述目标雷达传感器具有盲区时,将各目标雷达传感器的转动角度设为具有预设转动角度差,并且从各目标雷达传感器的盲区范围中分别选取角度作为各目标雷达传感器的目标分帧起点。
进一步地,处理器1001可以调用存储器1005中存储的传感器校正程序,还执行以下操作:
在所述判断结果为所述目标雷达传感器不具有盲区时,预测所述目标雷达传感器设置不同分帧起点分别对应的对象分割概率;
基于各分帧起点分别对应的对象分割概率校正所述目标雷达传感器的目标分帧起点。
进一步地,处理器1001可以调用存储器1005中存储的传感器校正程序,还执行以下操作:
在所述判断结果为所述目标雷达传感器不具有盲区时,查找与所述型号信息和位置信息对应的目标概率预测模型;
通过所述目标概率预测模型预测所述目标雷达传感器设置不同分帧起点分别对应的对象分割概率。
进一步地,处理器1001可以调用存储器1005中存储的传感器校正程序,还执行以下操作:
获取设于不同样本型号信息和不同样本位置信息的样本雷达传感器设置不同分帧起点分别采集的样本点云数据和样本图像数据;
对所述样本型号信息和样本位置信息进行遍历;
将遍历到的样本型号信息和样本位置信息作为当前样本型号信息和当前样本位置信息,并将设于所述当前样本型号信息和当前样本位置信息的当前样本雷达传感器设置不同分帧起点分别采集的样本点云数据和样本图像数据作为当前样本点云数据和当前样本图像数据;
基于所述当前样本图像数据对不同分帧起点分别对应的当前样本点云数据进行对象分割识别;
统计各分帧起点分别对应的对象分割次数,并根据对象分割次数计算各分帧起点分别对应的对象分割概率;
基于所述各分帧起点分别对应的对象分割概率对初始预测模型进行训练,以获得所述当前样本型号信息和当前样本位置信息对应的概率预测模型。
进一步地,处理器1001可以调用存储器1005中存储的传感器校正程序,还执行以下操作:
从各分帧起点分别对应的对象分割概率中查找最小值;
将最小值对应的分帧起点作为所述目标雷达传感器的目标分帧起点。
本实施例通过上述方案,通过获取目标可移动载体的型号信息,以及至少一个目标雷达传感器处于所述目标可移动载体上的位置信息,然后基于所述型号信息以及位置信息判断所述目标雷达传感器是否存在盲区,最后根据判断结果校正所述目标雷达传感器的目标分帧起点,由于会对目标雷达传感器的目标分帧起点进行校正,能够尽量避免同一对象在点云数据中被分割,能够提高自动驾驶的精确度。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
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上述实施例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如上所述的一个存储介质(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,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种传感器校正方法,其特征在于,所述传感器校正方法包括以下步骤:
获取目标可移动载体的型号信息,以及至少一个目标雷达传感器处于所述目标可移动载体上的位置信息;
基于所述型号信息以及位置信息判断所述目标雷达传感器是否存在盲区;
根据判断结果校正所述目标雷达传感器的目标分帧起点。
2.如权利要求1所述的传感器校正方法,其特征在于,所述根据判断结果校正所述目标雷达传感器的目标分帧起点的步骤,具体包括:
在所述判断结果为所述目标雷达传感器具有盲区时,从所述盲区的角度范围中选取角度作为所述目标雷达传感器的目标分帧起点。
3.如权利要求2所述的传感器校正方法,其特征在于,所述目标雷达传感器的数量为多个;
所述在所述判断结果为所述目标雷达传感器具有盲区时,从所述盲区的角度范围中选取角度作为所述目标雷达传感器的目标分帧起点的步骤,具体包括:
在所述判断结果为所述目标雷达传感器具有盲区时,将各目标雷达传感器的转动角度设为具有预设转动角度差,并且从各目标雷达传感器的盲区范围中分别选取角度作为各目标雷达传感器的目标分帧起点。
4.如权利要求1所述的传感器校正方法,其特征在于,所述根据判断结果校正所述目标雷达传感器的目标分帧起点的步骤,具体包括:
在所述判断结果为所述目标雷达传感器不具有盲区时,预测所述目标雷达传感器设置不同分帧起点分别对应的对象分割概率;
基于各分帧起点分别对应的对象分割概率校正所述目标雷达传感器的目标分帧起点。
5.如权利要求4所述的传感器校正方法,其特征在于,所述在所述判断结果为所述目标雷达传感器不具有盲区时,预测所述目标雷达传感器设置不同分帧起点分别对应的对象分割概率的步骤,具体包括:
在所述判断结果为所述目标雷达传感器不具有盲区时,查找与所述型号信息和位置信息对应的目标概率预测模型;
通过所述目标概率预测模型预测所述目标雷达传感器设置不同分帧起点分别对应的对象分割概率。
6.如权利要求5所述的传感器校正方法,其特征在于,所述在所述判断结果为所述目标雷达传感器不具有盲区时,查找与所述型号信息和位置信息对应的目标概率预设模型的步骤之前,所述传感器校正方法还包括:
获取设于不同样本型号信息和不同样本位置信息的样本雷达传感器设置不同分帧起点分别采集的样本点云数据和样本图像数据;
对所述样本型号信息和样本位置信息进行遍历;
将遍历到的样本型号信息和样本位置信息作为当前样本型号信息和当前样本位置信息,并将设于所述当前样本型号信息和当前样本位置信息的当前样本雷达传感器设置不同分帧起点分别采集的样本点云数据和样本图像数据作为当前样本点云数据和当前样本图像数据;
基于所述当前样本图像数据对不同分帧起点分别对应的当前样本点云数据进行对象分割识别;
统计各分帧起点分别对应的对象分割次数,并根据对象分割次数计算各分帧起点分别对应的对象分割概率;
基于所述各分帧起点分别对应的对象分割概率对初始预测模型进行训练,以获得所述当前样本型号信息和当前样本位置信息对应的概率预测模型。
7.如权利要求4~6中任一项所述的传感器校正方法,其特征在于,所述基于各分帧起点分别对应的对象分割概率校正所述目标雷达传感器的目标分帧起点的步骤,具体包括:
从各分帧起点分别对应的对象分割概率中查找最小值;
将最小值对应的分帧起点作为所述目标雷达传感器的目标分帧起点。
8.一种传感器校正装置,其特征在于,所述传感器校正装置包括:
信息获取模块,用于获取目标可移动载体的型号信息,以及至少一个目标雷达传感器处于所述目标可移动载体上的位置信息;
盲区判断模块,用于基于所述型号信息以及位置信息判断所述目标雷达传感器是否存在盲区;
起点确定模块,用于根据判断结果校正所述目标雷达传感器的目标分帧起点。
9.一种可移动载体,其特征在于,所述可移动载体包括: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传感器校正程序,所述传感器校正程序配置为实现如权利要求1至7中任一项所述的传感器校正方法的步骤。
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上存储有传感器校正程序,所述传感器校正程序被处理器执行时实现如权利要求1至7中任一项所述的传感器校正方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011645346.9A CN112833915B (zh) | 2020-12-31 | 2020-12-31 | 传感器校正方法、装置、可移动载体及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011645346.9A CN112833915B (zh) | 2020-12-31 | 2020-12-31 | 传感器校正方法、装置、可移动载体及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112833915A true CN112833915A (zh) | 2021-05-25 |
CN112833915B CN112833915B (zh) | 2022-01-04 |
Family
ID=75927258
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011645346.9A Active CN112833915B (zh) | 2020-12-31 | 2020-12-31 | 传感器校正方法、装置、可移动载体及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112833915B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150362587A1 (en) * | 2014-06-17 | 2015-12-17 | Microsoft Corporation | Lidar sensor calibration using surface pattern detection |
US20190056484A1 (en) * | 2017-08-17 | 2019-02-21 | Uber Technologies, Inc. | Calibration for an autonomous vehicle lidar module |
CN109633687A (zh) * | 2018-11-28 | 2019-04-16 | 浙江中车电车有限公司 | 一种补偿汽车激光雷达识别障碍物盲区的系统及方法 |
CN110221276A (zh) * | 2019-05-31 | 2019-09-10 | 文远知行有限公司 | 激光雷达的标定方法、装置、计算机设备和存储介质 |
CN111060904A (zh) * | 2019-12-25 | 2020-04-24 | 中国汽车技术研究中心有限公司 | 一种基于毫米波与视觉融合感知的盲区监测方法 |
CN111679256A (zh) * | 2020-07-23 | 2020-09-18 | 杭州智波科技有限公司 | 汽车毫米波雷达的角度校准方法、装置、系统及存储介质 |
CN211786118U (zh) * | 2019-12-31 | 2020-10-27 | 苏州风图智能科技有限公司 | 一种基于多颗半球形激光雷达的无盲区障碍物检测系统 |
-
2020
- 2020-12-31 CN CN202011645346.9A patent/CN112833915B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150362587A1 (en) * | 2014-06-17 | 2015-12-17 | Microsoft Corporation | Lidar sensor calibration using surface pattern detection |
US20190056484A1 (en) * | 2017-08-17 | 2019-02-21 | Uber Technologies, Inc. | Calibration for an autonomous vehicle lidar module |
CN109633687A (zh) * | 2018-11-28 | 2019-04-16 | 浙江中车电车有限公司 | 一种补偿汽车激光雷达识别障碍物盲区的系统及方法 |
CN110221276A (zh) * | 2019-05-31 | 2019-09-10 | 文远知行有限公司 | 激光雷达的标定方法、装置、计算机设备和存储介质 |
CN111060904A (zh) * | 2019-12-25 | 2020-04-24 | 中国汽车技术研究中心有限公司 | 一种基于毫米波与视觉融合感知的盲区监测方法 |
CN211786118U (zh) * | 2019-12-31 | 2020-10-27 | 苏州风图智能科技有限公司 | 一种基于多颗半球形激光雷达的无盲区障碍物检测系统 |
CN111679256A (zh) * | 2020-07-23 | 2020-09-18 | 杭州智波科技有限公司 | 汽车毫米波雷达的角度校准方法、装置、系统及存储介质 |
Non-Patent Citations (1)
Title |
---|
王新竹等: "基于三维激光雷达和深度图像的自动驾驶汽车障碍物检测方法", 《吉林大学学报(工学版)》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112833915B (zh) | 2022-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6444835B2 (ja) | 画像処理装置、画像処理プログラムおよび画像処理システム | |
CN112078571B (zh) | 自动泊车方法、设备、存储介质及装置 | |
CN113064135B (zh) | 在3d雷达点云连续帧数据中检测障碍物的方法及装置 | |
CN112200830A (zh) | 一种目标跟踪方法及设备 | |
JP6552448B2 (ja) | 車両位置検出装置、車両位置検出方法及び車両位置検出用コンピュータプログラム | |
CN114639085A (zh) | 交通信号灯识别方法、装置、计算机设备和存储介质 | |
CN113189989B (zh) | 车辆意图预测方法、装置、设备及存储介质 | |
CN113435237A (zh) | 物体状态识别装置、识别方法和识别用程序以及控制装置 | |
CN114091626B (zh) | 真值检测方法、装置、设备及存储介质 | |
CN115187940A (zh) | 一种用于车辆的图像检测方法和装置 | |
CN113071515B (zh) | 可移动载体控制方法、装置、可移动载体及存储介质 | |
CN112833915B (zh) | 传感器校正方法、装置、可移动载体及存储介质 | |
CN113762079A (zh) | 环境数据处理方法、装置、设备及存储介质 | |
CN114360056B (zh) | 开门预警方法、装置、设备及存储介质 | |
CN112784817B (zh) | 车辆所在车道检测方法、装置、设备及存储介质 | |
CN114360291A (zh) | 驾驶员危险预警方法、装置、设备及存储介质 | |
JP6753915B2 (ja) | 画像処理装置、画像処理方法、画像処理プログラムおよび画像処理システム | |
CN112884220A (zh) | 基于关联规则的碰撞预测方法、装置、设备及存储介质 | |
CN115294766B (zh) | 虚拟红绿灯构建方法、装置、设备及存储介质 | |
JP7323716B2 (ja) | 画像処理装置および画像処理方法 | |
CN113619600B (zh) | 障碍物数据诊断方法、装置、可移动载体及存储介质 | |
US11651583B2 (en) | Multi-channel object matching | |
CN112036285B (zh) | 视觉目标检测方法、装置、设备及存储介质 | |
CN112405532B (zh) | 移动控制方法、装置及机器人 | |
CN113942511B (zh) | 无人驾驶车超车控制方法、装置、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |