发明内容
本申请实施例提供一种物体动静属性的确定方法、装置、设备及存储介质,提高对物体动静属性的检测精度。
本申请实施例的第一方面提供一种物体动静属性的确定方法,包括:
获取当前时刻t激光雷达采集的目标物体的第一点云数据;
根据所述目标物体的第一点云数据,确定所述第一点云数据中每个点在t-a时刻的占据概率,所述占据概率用于指示所述每个点在t-a时刻的相同空间位置上存在物体的概率值,a为正有理数;
根据所述第一点云数据中每个点在t-a时刻的占据概率,确定所述目标物体的动静属性。
在本申请的一个实施例中,所述获取当前时刻t激光雷达采集的目标物体的第一点云数据,包括:
获取当前时刻t多个激光雷达采集的所述目标物体的点云数据;
将所述多个激光雷达采集的点云数据转换到同一坐标系,得到所述第一点云数据。
在本申请的一个实施例中,所述根据所述目标物体的第一点云数据,确定所述第一点云数据中每个点在t-a时刻的占据概率,包括:
获取t-a时刻激光雷达采集的第二点云数据;
针对所述第一点云数据中任意点p,从所述第二点云数据中确定多个相对点q,每个所述相对点q位于以所述点p的空间位置为中心的预设范围内;
针对每个所述相对点q,根据所述相对点q与所述点p的位置关系确定所述点p在所述相对点q条件下的占据概率Pq(p)的log-odds形式Lq(p);
根据每个所述点p在所述相对点q条件下的占据概率Pq(p)的log-odds形式Lq(p),确定所述点p在t-a时刻的占据概率Pt-a(p)。
在本申请的一个实施例中,所述根据所述相对点q与所述点p的位置关系确定所述点p在所述相对点q条件下的占据概率Pq(p)的log-odds形式Lq(p),包括:
获取所述相对点q与所述t-a时刻激光雷达中心ot-a的第一距离d(ot-a,q),以及所述点p的投影点r与所述激光雷达中心ot-a的第二距离d(ot-a,r),所述投影点r是所述点p在所述相对点q与所述激光雷达中心ot-a的连线上的投影点;
根据所述第一距离d(ot-a,q)与所述第二距离d(ot-a,r),确定所述投影点r在所述相对点q条件下的占据概率Pq(r);
根据所述投影点r在所述相对点q条件下的占据概率Pq(r)以及所述投影点r与所述点p的距离d(p,r),确定所述点p在所述相对点q条件下的占据概率Pq(p)的log-odds形式Lq(p)。
在本申请的一个实施例中,所述根据所述第一距离d(ot-a,q)与所述第二距离d(ot-a,r),确定所述投影点r在所述相对点q条件下的占据概率Pq(r),包括:
若|d(ot-a,q)-d(ot-a,r)|<δ,d(r,q)表示所述投影点r与所述相对点q的距离,k和δ为正有理数;或者
若d(ot-a,q)-d(ot-a,r)>δ,Pq(r)=0;或者
若d(ot-a,r)-d(ot-a,q)>δ,Pq(r)=0.5。
在本申请的一个实施例中,通过如下公式确定所述点p在所述相对点q条件下的占据概率Lq(p)的log-odds形式Lq(p):
式中,α为正有理数。
在本申请的一个实施例中,通过如下公式确定所述点p在t-a时刻的占据概率Pt-a(p):
式中,S表示由所述多个相对点q组成的集合。
在本申请的一个实施例中,所述根据所述第一点云数据中每个点在t-a时刻的占据概率,确定所述目标物体的动静属性,包括:
根据所述第一点云数据中每个点在t-a时刻的占据概率,确定所述每个点的动静属性;
根据所述每个点的动静属性,确定所述目标物体的动静属性。
在本申请的一个实施例中,根据所述第一点云数据中每个点在t-a时刻的占据概率,确定所述每个点的动静属性,包括:
针对所述第一点云数据中任意点p,若所述点p在t-a时刻的占据概率大于第一阈值,确定所述点p为静态点;或者,若所述点p在t-a时刻的占据概率小于第二阈值,确定所述点p为动态点。
在本申请的一个实施例中,所述根据所述每个点的动静属性,确定所述目标物体的动静属性,包括:
根据所述每个点的动静属性,确定静态点的占比,或者,动态点的占比;
若所述静态点的占比大于第一占比值,确定所述目标物体为静止物体;或者,若所述动态点的占比大于第二占比值,确定所述目标物体为动态物体。
在本申请的一个实施例中,所述方法还包括:
对所述第一点云数据进行降采样,得到降采样后的第一点云数据;
所述根据所述目标物体的第一点云数据,确定所述第一点云数据中每个点在t-a时刻的占据概率,包括:根据所述降采样后的第一点云数据,确定所述降采样后的第一点云数据中每个点在t-a时刻的占据概率;
所述根据所述第一点云数据中每个点在t-a时刻的占据概率,确定所述目标物体的动静属性,包括:根据所述降采样后的第一点云数据中每个点在t-a时刻的占据概率,确定所述目标物体的动静属性。
在本申请的一个实施例中,所述对所述第一点云数据进行降采样,得到降采样后的第一点云数据,包括:
将所述第一点云数据中每个点映射到当前时刻t的降采样单元格的其中一个;
针对每个所述当前时刻t的降采样单元格,根据映射到所述当前时刻t的降采样单元格的点与当前时刻t激光雷达中心的距离,确定所述当前时刻t的降采样单元格的代表点;
将各所述当前时刻t的降采样单元格的代表点作为降采样后的第一点云数据。
在本申请的一个实施例中,所述将所述第一点云数据中每个点映射到降采样单元格的其中一个,包括:
根据所述第一点云数据中每个点的俯仰角和偏航角,确定所述每个点对应的降采样单元格。
在本申请的一个实施例中,所述第一点云数据中任意点p的俯仰角为θp、偏航角为所述点p对应的降采样单元格的位置Cellp记为(wp,hp),所述降采样单元格包括w×h个单元格,w和h为正整数;
通过如下公式确定所述点p对应的降采样单元格:
其中,θp∈(-90°,90°),
在本申请的一个实施例中,所述根据映射到所述当前时刻t的降采样单元格的点与当前时刻t激光雷达中心的距离,确定所述当前时刻t的降采样单元格的代表点,包括:
将与所述当前时刻t激光雷达中心的距离最近的点作为所述当前时刻t的降采样单元格的代表点。
在本申请的一个实施例中,所述方法还包括:
将所述第一点云数据存储至缓存,所述缓存还包括所述t-a时刻激光雷达采集的第二点云数据。
本申请实施例的第二方面提供一种物体动静属性的确定装置,包括:
获取模块,用于获取当前时刻t激光雷达采集的目标物体的第一点云数据;
处理模块,用于根据所述目标物体的第一点云数据,确定所述第一点云数据中每个点在t-a时刻的占据概率,所述占据概率用于指示所述每个点在t-a时刻的相同空间位置上存在物体的概率值,a为正有理数;
根据所述第一点云数据中每个点在t-a时刻的占据概率,确定所述目标物体的动静属性。
本申请实施例的第三方面提供一种电子设备,包括:
存储器,处理器,以及计算机程序;
其中,所述计算机程序存储在所述存储器中,并被配置为由所述处理器执行以实现如第一方面中任一项所述的方法。
本申请实施例的第四方面提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行以实现如第一方面中任一项所述的方法。
本申请实施例的第五方面提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行以实现如第一方面中任一项所述的方法。
本申请实施例提供一种物体动静属性的确定方法、装置、设备及存储介质,其中,该方法包括:通过获取当前时刻激光雷达采集的目标物体的第一点云数据,根据目标物体的第一点云数据,确定第一点云数据中每个点在t-a时刻的占据概率,该占据概率用于指示每个点在t-a时刻的相同空间位置上存在物体的概率值,根据第一点云数据中每个点在t-a时刻的占据概率,确定目标物体的动静属性。上述方法通过分析目标物体对应的所有点云数据在t-a时刻的占据概率,确定该目标物体是静止还是运动的,该方法不依赖于建立好的高精度点云地图,有很好的环境适应能力,提高了对物体动静属性的检测精度。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例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。
应当理解,本文中使用的术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本实施例提供的物体动静属性的确定方法可应用于自动驾驶车辆、无人驾驶车辆、无人车等。车辆上可搭载多种传感器以感知周围环境及物体,进而采取前进、等待、绕行避让等不同策略。多线激光雷达作为一种主动探测感知系统,因其具有可准确获取目标的三维信息、分辨率高、抗干扰能力强,探测范围广,近全天候工作等优点,已经成为自动驾驶实现中必不可少的传感器。根据探测线数的不同,激光雷达可分为16线、32线、64线及128线。由于16线激光雷达的价格相对低廉,并且单个激光雷达存在着探测盲区,无人车会搭载多个16线激光雷达来探测环境。
图1为本申请实施例提供的物体动静属性的确定方法的场景示意图,如图1所示,车辆上安装有多个激光雷达,车辆顶部安装一个主雷达101,车辆左前方以及右前方分别安装一个补盲雷达102。主雷达101和两个补盲雷达102均为16线激光雷达,能够分别发射16条点云线感知周围环境及物体。
可以理解,车辆在运动过程中,无论是运动物体还是静止物体,激光雷达检测到的前后帧图像中物体的位置和大小都会发生变化。如果直接利用前后帧的物体位置来估计物体的速度,有可能将静止物体误判为运动物体。因此,亟需解决对检测物体动静属性的判断问题。
现有技术方案中,一种直接的方法是利用预先建立好的高精度点云地图进行比对,如果当前检测到的物体出现在点云地图中,则认为该物体为静止物体。另一种方法是估计出点云的场景流,如果物体对应的场景流的运动幅度较大,则认为该物体是运动的。
利用高精度点云地图判断物体的动静属性的方法,可以较好地检测出路边的树木、固定的栅栏,但受限于高精度地图更新的频率,对于新增的隔离带、新长出的枝叶、路边临时停靠的车辆等则无法检测。此外,这种检测方案需要匹配点云和点云地图,内存占用和时间消耗都比较大,很难满足自动驾驶实时性的要求。
场景流刻画了点云中每个点在前后帧的运动位置,但是目前还在实验室探索阶段,计算量巨大,准确度却不高,不能满足实际工程使用要求。此外,场景流往往要求点云是密集的,在16线雷达点云上的表现很差。
基于上述问题,本申请实施例提供一种物体动静属性的确定方法,利用激光雷达的点云数据快速判断物体的动静属性,该方法利用简单的物理原理建立一个类似点云地图的占据概率模型,并以此推理出目标物体的动静属性。该方法不依赖于预先建立好的高精度点云地图,有很好的环境适应能力。该方法对点云进行降采样处理,能够迅速处理多个激光雷达或者高精度激光雷达产生的稠密点云,满足自动驾驶的实时性要求。该方法不依赖于稠密点云,在单个16线激光雷达上有良好表现。
下面以具体地实施例对本申请的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
图2为本申请实施例提供的物体动静属性的确定方法的流程示意图。如图2所示,本实施例提供的物体动静属性的确定方法,包括如下步骤:
步骤201、获取当前时刻t激光雷达采集的目标物体的第一点云数据。
在本申请的一个实施例中,获取当前时刻t同一激光雷达采集的目标物体的第一点云数据。具体的,可以采用物体检测算法,对同一激光雷达采集的原始点云进行物体检测,得到检测物体的包围框。物体检测算法包括几何聚类方法、深度神经网络等。
在本申请的一个实施例中,获取当前时刻t多个激光雷达采集的目标物体的第一点云数据。可以理解,不同的激光雷达设置于车辆的不同部位,针对环境中同一目标物体,不同的激光雷达,探测角度不同。因此,需要对多个激光雷达采集的同一目标物体的点云数据进行坐标转换。
具体的,获取当前时刻t多个激光雷达采集的目标物体的点云数据,将多个激光雷达采集的点云数据转换到同一坐标系,得到第一点云数据。其中,将多个激光雷达采集的点云数据转换到一个坐标系,该坐标系的坐标原点即激光雷达中心。随着车辆的移动,激光雷达中心的位置是动态变化的。当前时刻t的坐标原点可表示为ot。
步骤202、根据目标物体的第一点云数据,确定第一点云数据中每个点在t-a时刻的占据概率。
其中,占据概率用于指示每个点在t-a时刻的相同空间位置上存在物体的概率值,a为正有理数。示例性的,a可以取参考值0.5,单位为秒。
步骤203、根据第一点云数据中每个点在t-a时刻的占据概率,确定目标物体的动静属性。
具体的,根据第一点云数据中每个点在t-a时刻的占据概率,确定每个点的动静属性,再根据每个点的动静属性,确定目标物体的动静属性。
下面以第一点云数据的点p为例进行说明,点p为第一点云数据的任意一个点。针对第一点云数据中点p,若点p在t-a时刻的占据概率大于第一阈值,确定点p为静态点。示例性的,第一阈值数值范围为(0.5,1),例如第一阈值设置为0.8。若点p在t-a时刻的占据概率小于第二阈值,确定点p为动态点。示例性的,第二阈值数值范围为(0,0.5),例如第二阈值设置为0.2。否则,无法确定点p的动静属性。
进一步的,在确定每个点的动静属性之后,再根据每个点的动静属性,确定目标物体的动静属性。具体的,根据每个点的动静属性,确定静态点的占比,或者,动态点的占比。若静态点的占比大于第一占比值,确定目标物体为静止物体。或者,若动态点的占比大于第二占比值,确定目标物体为动态物体。
示例性的,第一占比值可以设置为0.8,第二占比值可以设置为0.6。若第一点云数据中静态点的占比大于0.8,则确定目标物体为静止的;若第一点云数据中动态点的占比大于0.6,则确定目标物体为运动的。若上述两个条件都不满足,则无法确定目标物体的动静属性。
本实施例提供的物体动静属性的确定方法,通过获取当前时刻激光雷达采集的目标物体的第一点云数据,根据目标物体的第一点云数据,确定第一点云数据中每个点在t-a时刻的占据概率,该占据概率用于指示每个点在t-a时刻的相同空间位置上存在物体的概率值,根据第一点云数据中每个点在t-a时刻的占据概率,确定目标物体的动静属性。上述方法通过分析目标物体对应的所有点云数据在t-a时刻的占据概率,确定该目标物体是静止还是运动的,该方法不依赖于建立好的高精度点云地图,有很好的环境适应能力,提高了对物体动静属性的检测精度。
下面一个实施例公开的方法还涉及对目标物体的点云数据的降采样处理,能够提升对点云数据的数据处理速度,满足自动驾驶等场景的实时性要求。下面结合附图3至4,对本实施例提供的物体动静属性的确定方法进行详细说明。
图3为本申请实施例提供的物体动静属性的确定方法的流程示意图,如图3所示,本实施例提供的物体动静属性的确定方法,包括如下步骤:
步骤301、获取当前时刻t激光雷达采集的目标物体的第一点云数据。
本实施例的步骤301与上述实施例的步骤201相同,具体可参见上述实施例,此处不再赘述。
步骤302、对第一点云数据进行降采样,得到降采样后的第一点云数据。
降采样的目的是为了去除冗余点云,减少计算量。
具体的,将第一点云数据中每个点映射到当前时刻的降采样单元格的其中一个;针对每个当前时刻的降采样单元格,根据映射到当前时刻的降采样单元格的点与当前时刻激光雷达中心ot的距离,确定当前时刻的降采样单元格的代表点;将各当前时刻的降采样单元格的代表点作为降采样后的第一点云数据。
图4为本申请实施例提供的第一点云数据中任意点p的空间示意图,如图4所示,定义点p的俯仰角为θp,表示p到xoy平面的夹角(∠pop′),定义点p的偏航角为表示op在xoy平面的投影op′到x轴的夹角(∠xop′),其中,θp∈(-90°,90°),/>
定义任意时刻的降采样单元格由w×h个单元格组成,每个单元格按照偏航角和俯仰角存储对应的点。下面以第一点云数据中的任意一个点p为例,对降采样的处理过程进行详细说明:
a、初始化当前时刻的降采样单元格,记每个单元格的代表点为无穷远的一个点。
b、记录当前时刻激光雷达中心的位置ot。
c、对于第一点云数据中的点p,执行如下操作:
1)根据第一点云数据中点p的俯仰角θp和偏航角确定点p对应的当前时刻的降采样单元格,点p对应的当前时刻的降采样单元格的位置记为Cellp,位于第wp行第hp列。单元格的位置可通过公式一确定:
式中,w和h为正整数。w为大于16的正整数,h为大于100的正整数,示例性的,w取24,h取800。
2)若Cellp的代表点比点p距离当前时刻激光雷达中心ot更远,则将点p作为Cellp的代表点。
由上述执行过程可知,第一点云数据中俯仰角和/或偏航角相近的多个点可能对应当前时刻的同一降采样单元格,此时需要根据每个点与当前时刻激光雷达中心的距离,确定当前时刻的该同一降采样单元格的代表点。即将距离当前时刻激光雷达中心较近的点作为该同一降采样单元格的代表点。通过上述过程剔除第一点云数据中的一部分点云数据,实现对第一点云数据的降采样。
需要说明的是,可以通过上述过程实现对任意时刻激光雷达采集的点云数据进行降采样处理。
在一些实施例中,可以将经过降采样处理后的点云数据存储至缓存中,用于后续数据分析。可选的,缓存中可以存储当前时刻t的上述第一点云数据,还可以存储当前时刻之前的点云数据,例如下述实施例中t-a时刻的第二点云数据。
步骤303、根据降采样后的第一点云数据,确定降采样后的第一点云数据中每个点在t-a时刻的占据概率。
步骤304、根据降采样后的第一点云数据中每个点在t-a时刻的占据概率,确定目标物体的动静属性。
本实施例的步骤303和304,分别与上述实施例的步骤202和203类似,具体可参见上述实施例,此处不再赘述。
本实施例提供的物体动静属性的确定方法,通过获取当前时刻激光雷达采集的目标物体的第一点云数据,对第一点云数据进行降采样处理,得到降采样后的第一点云数据,然后根据降采样后的第一点云数据,确定降采样后的第一点云数据中每个点在t-a时刻的占据概率,再根据降采样后的第一点云数据中每个点在t-a时刻的占据概率,确定目标物体的动静属性。上述方法不依赖于建立好的高精度点云地图,有很好的环境适应能力,同时,由于对第一点云数据进行降采样处理,能够迅速处理多个激光雷达或高精度激光雷达产生的稠密点云,大大减小了数据计算量,满足自动驾驶的实时性要求。
下面一个实施例,针对如何确定第一点云数据或者降采样后的第一点云数据中每个点在t-a时刻的占据概率进行详细说明。
图5为本申请实施例提供的确定第一点云数据中任意点p在t-a时刻的占据概率的流程示意图,如图5所示,该流程包括如下几个步骤:
步骤401、获取t-a时刻激光雷达采集的第二点云数据。
在本申请的一个实施例中,从缓存中获取t-a时刻同一激光雷达采集的第二点云数据。
在本申请的一个实施例中,从缓存中获取t-a时刻多个激光雷达采集的点云数据,将多个激光雷达采集的点云数据转换到同一坐标系,得到第二点云数据。本实施例中,同一坐标系的坐标原点可表示为ot-a,又称为t-a时刻的激光雷达中心。
需要指出的是,本实施例的第二点云数据中可能包括目标物体,也可能不包括目标物体。
步骤402、从第二点云数据中确定多个相对点q。
其中,每个相对点q位于以点p的空间位置为中心的预设范围内。
具体的,如图6所示,可根据如下步骤确定点p的多个相对点q:
步骤4021、确定点p在t-a时刻的降采样单元格的第一位置。
可根据t-a时刻的激光雷达中心ot-a,利用上述公式一,确定点p映射到t-a时刻的降采样单元格的第一位置。
步骤4022、获取t-a时刻的各降采样单元格的代表点。
步骤4023、从t-a时刻的各降采样单元格的代表点中,提取第一位置以及与第一位置相邻的多个位置的降采样单元格的代表点,记为集合S。
步骤4024、将集合S中的多个代表点作为多个相对点q。
基于上述步骤,可知从第二点云数据中确定的多个相对点q是与第一点云数据中的点p在空间位置上相邻近的点。
步骤403、针对每个相对点q,根据相对点q与点p的位置关系确定点p在相对点q条件下的占据概率Pq(p)的log-odds形式Lq(p)。
Pq(p)可以理解为:在相对点q条件下推理得到的点p存在物体的概率值。
定义点p与点q之间的距离为d(p,q),为了便于融合数据,定义log-odds函数:log-odds函数是概率函数的等价表示,把概率函数的值域从[0,1]变成(-∞,+∞)。
具体的,如图7所示,可通过执行如下步骤确定任意点p在相对点q条件下的占据概率Pq(p)的log-odds形式Lq(p):
步骤4031、获取相对点q与t-a时刻激光雷达中心ot-a的第一距离d(ot-a,q),以及点p的投影点r与激光雷达中心ot-a的第二距离d(ot-a,r)。
其中,投影点r是点p在相对点q与激光雷达中心ot-a的连线上的投影点。具体可参见附图8。
步骤4032、根据第一距离d(ot-a,q)与第二距离d(ot-a,r),确定投影点r在相对点q条件下的占据概率Pq(r)。
Pq(r)可以理解为:在相对点q条件下推理得到的投影点r存在物体的概率值。
具体的,若|d(ot-a,q)-d(ot-a,r)|<δ,d(r,q)表示所述投影点r与所述相对点q的距离,k和δ为正有理数。示例性的,k可以取参考值0.1,δ表示测量噪声,可取参考值0.2。此时,投影点r在相对点q附近。
若d(ot-a,q)-d(ot-a,r)>δ,Pq(r)=0。此时,说明投影点r被射线ot-aq穿过,可以确定投影点r没有物体。
若d(ot-a,r)-d(ot-a,q)>δ,Pq(r)=0.5。此时,说明投影点r在相对点q之后,无法确定投影点r是否有物体。
步骤4033、根据投影点r在相对点q条件下的占据概率Pq(r)以及投影点r与点p的距离d(p,r),确定点p在相对点q条件下的占据概率Pq(p)的log-odds形式Lq(p)。
具体的,可通过公式二和公式三,确定Lq(p):
式中,Lq(r)是占据概率Pq(r)的log-odds形式,Lq(p)是占据概率Pq(p)的log-odds形式,α的参考取值为0.2。
步骤404、根据每个点p在相对点q条件下的占据概率Pq(p)的log-odds形式Lq(p),确定点p在t-a时刻的占据概率Pt-a(p)。
具体的,可通过公式四确定点p在t-a时刻的占据概率Pt-a(p):
式中,S表示由多个相对点q组成的集合。
本实施例示出了物体动静属性的确定方法的核心部分,即通过建立类似点云地图的占据概率模型的算法,基于该算法确定目标物体的第一点云数据中每个点在前一时刻,例如t-a时刻的占据概率,基于第一点云数据中每个点在前一时刻的占据概率,确定每个点的动静属性。通过统计目标物体的第一点云数据中动态点和/或静态点的占比,从而确定目标物体整体的动静属性。上述方法不依赖于预先建立好的高精度点云地图,有很好的环境适应能力,且通过降采样处理,提高了对点云数据的数据处理速度,可满足自动驾驶的实时性要求。
本申请实施例可以根据上述方法实施例对物体动静属性的确定装置进行功能模块的划分,例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以使用硬件的形式实现,也可以使用软件功能模块的形式实现。需要说明的是,本申请实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。下面以使用对应各个功能划分各个功能模块为例进行说明。
图9为本申请实施例提供的物体动静属性的确定装置的结构示意图。如图9所示,本实施例提供的物体动静属性的确定装置500,包括:
获取模块501,用于获取当前时刻t激光雷达采集的目标物体的第一点云数据;
处理模块502,用于根据所述目标物体的第一点云数据,确定所述第一点云数据中每个点在t-a时刻的占据概率,所述占据概率用于指示所述每个点在t-a时刻的相同空间位置上存在物体的概率值,a为正有理数;
根据所述第一点云数据中每个点在t-a时刻的占据概率,确定所述目标物体的动静属性。
在本申请的一个实施例中,获取模块501,具体用于:
获取当前时刻t多个激光雷达采集的所述目标物体的点云数据;
将所述多个激光雷达采集的点云数据转换到同一坐标系,得到所述第一点云数据。
在本申请的一个实施例中,获取模块501,还用于获取t-a时刻激光雷达采集的第二点云数据;
针对所述第一点云数据中任意点p,处理模块502,具体用于:
从所述第二点云数据中确定多个相对点q,每个所述相对点q位于以所述点p的空间位置为中心的预设范围内;
针对每个所述相对点q,根据所述相对点q与所述点p的位置关系确定所述点p在所述相对点q条件下的占据概率Pq(p)的log-odds形式Lq(p);
根据每个所述点p在所述相对点q条件下的占据概率Pq(p)的log-odds形式Lq(p),确定所述点p在t-a时刻的占据概率Pt-a(p)。
在本申请的一个实施例中,获取模块501,还用于:
获取所述相对点q与所述t-a时刻激光雷达中心ot-a的第一距离d(ot-a,q),以及所述点p的投影点r与所述激光雷达中心ot-a的第二距离d(ot-a,r),所述投影点r是所述点p在所述相对点q与所述激光雷达中心ot-a的连线上的投影点;
处理模块502,具体用于:根据所述第一距离d(ot-a,q)与所述第二距离d(ot-a,r),确定所述投影点r在所述相对点q条件下的占据概率Pq(r);
根据所述投影点r在所述相对点q条件下的占据概率Pq(r)以及所述投影点r与所述点p的距离d(p,r),确定所述点p在所述相对点q条件下的占据概率Pq(p)的log-odds形式Lq(p)。
在本申请的一个实施例中,处理模块502,具体用于:
若|d(ot-a,q)-d(ot-a,r)|<δ,d(r,q)表示所述投影点r与所述相对点q的距离,k和δ为正有理数;或者
若d(ot-a,q)-d(ot-a,r)>δ,Pq(r)=0;或者
若d(ot-a,r)-d(ot-a,q)>δ,Pq(r)=0.5。
在本申请的一个实施例中,处理模块502,具体用于通过如下公式确定所述点p在所述相对点q条件下的占据概率Pq(p)的log-odds形式Lq(p):
式中,α为正有理数。
在本申请的一个实施例中,处理模块502,具体用于通过如下公式确定所述点p在t-a时刻的占据概率Pt-a(p):
式中,S表示由所述多个相对点q组成的集合。
在本申请的一个实施例中,处理模块502,具体用于:
根据所述第一点云数据中每个点在t-a时刻的占据概率,确定所述每个点的动静属性;
根据所述每个点的动静属性,确定所述目标物体的动静属性。
在本申请的一个实施例中,针对所述第一点云数据中任意点p,处理模块502,具体用于:
若所述点p在t-a时刻的占据概率大于第一阈值,确定所述点p为静态点;或者,若所述点p在t-a时刻的占据概率小于第二阈值,确定所述点p为动态点。
在本申请的一个实施例中,处理模块502,具体用于:
根据所述每个点的动静属性,确定静态点的占比,或者,动态点的占比;
若所述静态点的占比大于第一占比值,确定所述目标物体为静止物体;或者,若所述动态点的占比大于第二占比值,确定所述目标物体为动态物体。
在本申请的一个实施例中,处理模块502,还用于:
对所述第一点云数据进行降采样,得到降采样后的第一点云数据;
根据所述降采样后的第一点云数据,确定所述降采样后的第一点云数据中每个点在t-a时刻的占据概率;
根据所述降采样后的第一点云数据中每个点在t-a时刻的占据概率,确定所述目标物体的动静属性。
在本申请的一个实施例中,处理模块502,具体用于:
将所述第一点云数据中每个点映射到当前时刻t的降采样单元格的其中一个;
针对每个所述当前时刻t的降采样单元格,根据映射到所述当前时刻t的降采样单元格的点与当前时刻t激光雷达中心的距离,确定所述当前时刻t的降采样单元格的代表点;
将各所述当前时刻t的降采样单元格的代表点作为降采样后的第一点云数据。
在本申请的一个实施例中,处理模块502,具体用于:
根据所述第一点云数据中每个点的俯仰角和偏航角,确定所述每个点对应的降采样单元格。
在本申请的一个实施例中,所述第一点云数据中任意点p的俯仰角为θp、偏航角为所述点p对应的降采样单元格的位置Cellp记为(wp,hp),所述降采样单元格包括w×h个单元格,w和h为正整数;
处理模块502,具体用于通过如下公式确定所述点p对应的降采样单元格:
其中,θp∈(-90°,90°),
在本申请的一个实施例中,处理模块502,具体用于:
将与所述当前时刻t激光雷达中心的距离最近的点作为所述当前时刻t的降采样单元格的代表点。
图10为本申请实施例提供的物体动静属性的确定装置的结构示意图二,在图9所示装置的基础上,如图10所示,本实施例提供的物体动静属性的确定装置,还包括:存储模块503。
存储模块503,用于将所述第一点云数据存储至缓存,所述缓存还包括所述t-a时刻激光雷达采集的第二点云数据。
本实施例提供的物体动静属性的确定装置,可以执行上述任一方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
图11为本申请实施例提供的电子设备的硬件结构图,如图11所示,本实施例提供的电子设备600,包括:
存储器601;
处理器602;以及
计算机程序;
其中,计算机程序存储在存储器601中,并被配置为由处理器602执行以实现上述任一方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
可选的,存储器601既可以是独立的,也可以跟处理器602集成在一起。当存储器601是独立于处理器602之外的器件时,电子设备600还包括:总线603,用于连接存储器601和处理器602。
本申请实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器602执行以实现如上任一方法实施例的各个步骤。
本申请实施例还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行以实现如上任一方法实施例的各个步骤。
本申请实施例还提供一种芯片,包括:存储器、处理器以及计算机程序,所述计算机程序存储在所述存储器中,所述处理器运行所述计算机程序执行上述方法实施例的技术方案。
应理解,上述处理器可以是中央处理单元(英文:Central Processing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:Digital Signal Processor,简称:DSP)、专用集成电路(英文:Application Specific Integrated Circuit,简称:ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器,还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
总线可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component,PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits,简称:ASIC)中。当然,处理器和存储介质也可以作为分立组件存在于电子设备中。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各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,或者对其中部分或者全部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的技术方案的范围。