CN112990151A - 障碍物检测模块的精度检测方法和电子设备 - Google Patents

障碍物检测模块的精度检测方法和电子设备 Download PDF

Info

Publication number
CN112990151A
CN112990151A CN202110503804.3A CN202110503804A CN112990151A CN 112990151 A CN112990151 A CN 112990151A CN 202110503804 A CN202110503804 A CN 202110503804A CN 112990151 A CN112990151 A CN 112990151A
Authority
CN
China
Prior art keywords
obstacle
information
point cloud
cloud data
outline
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
Application number
CN202110503804.3A
Other languages
English (en)
Other versions
CN112990151B (zh
Inventor
田玉珍
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.)
Ecarx Hubei Tech Co Ltd
Original Assignee
Hubei Ecarx Technology 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 Hubei Ecarx Technology Co Ltd filed Critical Hubei Ecarx Technology Co Ltd
Priority to CN202110503804.3A priority Critical patent/CN112990151B/zh
Publication of CN112990151A publication Critical patent/CN112990151A/zh
Application granted granted Critical
Publication of CN112990151B publication Critical patent/CN112990151B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G06T2207/30261—Obstacle

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Geometry (AREA)
  • Optical Radar Systems And Details Thereof (AREA)

Abstract

本发明实施例提供了一种障碍物检测模块的精度检测方法和电子设备，涉及自动化技术领域，可以包括：获得测试场点云数据，基于测试场点云数据，提取测试场中障碍物的障碍物的轮廓；获得障碍物分类标准；将障碍物的轮廓与障碍物分类标准进行匹配，得到障碍物的类别信息；根据障碍物的轮廓中的点云数据，计算障碍物的状态信息和位置信息；将类别信息、状态信息和位置信息组成障碍物的信息真值；获得障碍物的包括位置信息、状态信息和/或类别信息的信息测量值；基于障碍物的信息真值和障碍物的信息测量值之间的差异，对障碍物检测模块进行精度检测。能够实现障碍物检测模块精度检测的自动化，提高对障碍物检测模块性能检测的精度。

Description

障碍物检测模块的精度检测方法和电子设备
技术领域
本发明涉及自动化技术领域，特别是涉及障碍物检测模块的精度检测方法和电子设备。
背景技术
障碍物检测模块用于输出障碍物信息，例如，障碍物类别信息、障碍物距离、障碍物的方位角、位置信息和/或运动属性，等等。障碍物检测模块性能的好坏，也即障碍物检测模块输出的障碍物信息的精度，是障碍物检测过程中的一项重要指标。目前常采用手动测量的方式对障碍物检测模块的性能进行评价，而手动测量的方式存在手动测量误差大的问题，会导致对障碍物检测模块评价的精度较低。
发明内容
本发明实施例的目的在于提供一种障碍物检测模块的精度检测方法和电子设备，以实现障碍物检测模块精度检测的自动化，提高对障碍物检测模块性能检测的精度。具体技术方案如下：
本发明实施例提供了一种障碍物检测模块的精度检测方法，可以包括：
获得测试场点云数据，其中，所述测试场点云数据是基于测量场坐标系测试场下的点云数据，所述测试场为至少两个激光雷达所覆盖区域的重叠区域，所述至少两个激光雷达能够覆盖所需测量的区域，所述测量场坐标系为基于主激光雷达所在位置所构建的坐标系，所述主激光雷达为至少两个激光雷达中的一个激光雷达；
基于所述测试场点云数据，提取所述测试场中障碍物的轮廓；
获得障碍物分类标准，所述障碍物分类标准包括多个障碍物轮廓的类别信息；
将所述障碍物的轮廓与所述障碍物分类标准进行匹配，得到所述障碍物的类别信息，所述类别信息用于表示所述障碍物的类别属性；
根据所述障碍物的轮廓中的点云数据，计算所述障碍物的状态信息和位置信息；
将所述类别信息、所述状态信息和位置信息组成所述障碍物的信息真值；
获得障碍物的包括位置、状态和/或类别的信息测量值；
基于所述障碍物的信息真值和所述障碍物的信息测量值之间的差异，对所述障碍物检测模块进行精度检测。
可选的，所述获得测试场点云数据，包括：
获得所述主激光雷达在所述测试场中的第一点云数据，所述第一点云数据是基于所述测量场坐标系的点云数据；
获得其他激光雷达在所述测试场中的第二点云数据，所述第二点云数据是基于测量场坐标系的点云数据，所述其他激光雷达为所述至少两个激光雷达中除所述主激光雷达之外的激光雷达；
将所述第一点云数据和所述第二点云数据组成所述测试场点云数据。
可选的，所述获得其他激光雷达在所述测试场中的第二点云数据，包括：
获取其他激光雷达在所述测试场中的点云数据；
基于所述其他激光雷达与所述主激光雷达的位置关系，将所述其他激光雷达在所述测试场中的点云数据转换为基于所述测量场坐标系的第二点云数据。
可选的，所述基于所述测试场点云数据，提取所述测试场中障碍物的轮廓，包括：
获取所述障碍物检测模块所在车辆当前时刻的位姿信息；
获取所述障碍物检测模块所依据的传感器的视场范围，所述视场范围表示所述传感器能够检测到障碍物的区域；
利用所述位姿信息和所述视场范围，计算所述传感器在当前时刻的检测范围；
从所述测试场点云数据中提取所述检测范围内的点云数据；
从所述检测范围内的点云数据中，提取所述障碍物的轮廓。
可选的，所述获得障碍物分类标准，包括：
从测试场点云数据中提取可移动障碍物点云信息；
基于所述可移动障碍物点云信息，通过预设分类算法，对所述测试场中包括的可移动障碍物进行分类，得到可移动障碍物分类标准，所述可移动障碍物分类标准包括多个可移动障碍物的类别信息；
从所述测试场点云数据中提取位于固定区域内的所述测试场中固定障碍物的轮廓位置信息，并得到所述固定障碍物的类别信息。
可选的，所述将所述障碍物的轮廓与所述障碍物分类标准进行匹配，得到所述障碍物的类别信息，包括：
判断所述障碍物的轮廓所包括的点云数据是否落在所述障碍物分类标准中所包括的固定障碍物轮廓内，所述固定障碍物轮廓是预先确定的固定障碍物的轮廓位置信息所表示的轮廓；
如果是，确定所述障碍物的轮廓为固定障碍物轮廓，并将所述固定障碍物的类别信息作为所述障碍物的轮廓的类别信息；
如果否，则将所述障碍物的轮廓标记为移动障碍物轮廓；并将所述障碍物的轮廓与所述可移动障碍物分类标准进行匹配，得到所述障碍物的轮廓的类别信息。
可选的，所述获得障碍物的包括位置、状态和/或类别的信息测量值，包括：
获取所述障碍物检测模块输出的障碍物的类别信息和/或状态信息；
获取所述障碍物检测模块输出的障碍物的位置信息，所述障碍物检测模块输出的障碍物的位置信息是基于车辆坐标系下的障碍物的位置信息；
基于车辆坐标系与测量场坐标系之间的转换关系，将所述障碍物检测模块输出的障碍物的位置信息转换为基于所述测量场坐标系的障碍物的位置信息信息。
可选的，所述基于所述障碍物的信息真值和所述障碍物的信息测量值之间的差异，对所述障碍物检测模块进行精度检测，包括：
针对测试过程中的多个时刻，计算在所述时刻下所述障碍物的信息测量值相对于所述障碍物的信息真值的偏差；所述测试过程表示对所述障碍物检测模块进行精度检测的过程；
对各个时刻分别对应的所述偏差进行统计，得到统计结果，并基于所述统计值对所述障碍物检测模块进行精度检测。
可选的，所述偏差表示所述障碍物的信息测量值是否落在所述障碍物的信息真值的范围内；
所述对各个时刻分别对应的所述偏差进行统计，得到统计结果，包括：
计算多个所述偏差中表示所述障碍物的信息测量值落在所述障碍物的信息真值的范围内的比例。
本发明实施例还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述障碍物检测模块的精度检测方法的方法步骤。
本发明实施例有益效果：
本发明实施例提供的障碍物检测模块的精度检测方法和电子设备，通过获得测试场点云数据，基于测试场点云数据，提取测试场中障碍物的轮廓；获得障碍物分类标准，障碍物分类标准包括多个障碍物轮廓的类别信息；将障碍物的轮廓与障碍物分类标准进行匹配，得到障碍物的类别信息，类别信息用于表示障碍物的类别属性；根据障碍物的轮廓中的点云数据，计算障碍物的状态信息和位置信息；将类别信息、状态信息和位置信息组成障碍物的信息真值；获得障碍物的包括位置、状态和/或类别的信息测量值；基于障碍物的信息真值和障碍物的信息测量值之间的差异，对障碍物检测模块进行精度检测，如此，能够实现对障碍物检测模块精度检测的自动化，也可以理解为实现对障碍物检测模块评价的自动化。
且点云数据精度比较高，从根据障碍物的轮廓中的点云数据，计算障碍物的状态信息和位置信息；将障碍物的轮廓与障碍物分类标准进行匹配，得到障碍物的类别信息，类别信息用于表示障碍物的类别属性；并将类别信息、状态信息和位置信息组成障碍物的信息真值，如此能够得到精度较高的障碍物的信息真值，基于障碍物的信息真值和障碍物的信息测量值之间的差异，对障碍物检测模块进行精度检测，能够提高对障碍物检测模块性能检测的精度。
当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
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，还可以根据这些附图获得其他的实施例。
图1本发明实施例提供的障碍物检测模块的精度检测方法的流程图；
图2为本发明实施例中获得测试场点云数据的流程图；
图3为本发明实施例中提取障碍物的轮廓的流程图；
图4为本发明实施例中确定障碍物分类标准的流程图；
图5为本发明实施例中确定障碍物轮廓的流程图；
图6为本发明实施例中障碍物的信息真值的示意图；
图7为本发明实施例中基于障碍物的信息真值和障碍物的信息测量值之间的差异，对障碍物检测模块进行精度检测的流程图；
图8为本发明实施例提供的障碍物检测模块的精度检测方法的应用场景示意图；
图9为本发明实施例中确定障碍物分类标准的应用示意图；
图10为应用本发明实施例提供的障碍物检测模块的精度检测方法的应用示意图；
图11为本发明实施例提供的障碍物检测模块的精度检测装置的结构示意图；
图12为本发明实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员基于本申请所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供的障碍物检测模块的精度检测方法可以应用于无卫星导航定位信号（GNSS，Global Navigation Satellite System）环境下，具体可以为有限距离范围内的无GNSS环境，如室内环境等等。
本发明实施例提供的障碍物检测模块的精度检测方法的执行主体可以是电子设备，如终端、服务器等。
下面对本发明实施例提供的障碍物检测模块的精度检测方法进行详细说明。
本发明实施例提供了一种障碍物检测模块的精度检测方法，可以包括：
获得测试场点云数据，其中，测试场点云数据是基于测量场坐标系测试场下的点云数据，测试场为至少两个激光雷达所覆盖区域的重叠区域，测量场坐标系为基于主激光雷达所在位置所构建的坐标系，主激光雷达为至少两个激光雷达中的一个激光雷达；
基于测试场点云数据，提取测试场中障碍物的轮廓；
获得障碍物分类标准，障碍物分类标准包括多个障碍物轮廓的类别信息；
将障碍物的轮廓与障碍物分类标准进行匹配，得到障碍物的类别信息，类别信息用于表示障碍物的类别属性；
根据障碍物的轮廓中的点云数据，计算障碍物的状态信息和位置信息；
将类别信息、状态信息和位置信息组成障碍物的信息真值；
获得障碍物的包括位置、状态和/或类别的信息测量值；
基于障碍物的信息真值和障碍物的信息测量值之间的差异，对障碍物检测模块进行精度检测。
本发明实施例中，通过获得测试场点云数据，基于测试场点云数据，提取测试场中障碍物的轮廓；获得障碍物分类标准，障碍物分类标准包括多个障碍物轮廓的类别信息；将障碍物的轮廓与障碍物分类标准进行匹配，得到障碍物的类别信息，类别信息用于表示障碍物的类别属性；根据障碍物的轮廓中的点云数据，计算障碍物的状态信息和位置信息；将类别信息、状态信息和位置信息组成障碍物的信息真值；获得障碍物的包括位置、状态和/或类别的信息测量值；基于障碍物的信息真值和障碍物的信息测量值之间的差异，对障碍物检测模块进行精度检测，如此，能够实现对障碍物检测模块精度检测的自动化，也可以理解为实现对障碍物检测模块评价的自动化。
且点云数据精度比较高，从根据障碍物的轮廓中的点云数据，计算障碍物的状态信息和位置信息；将障碍物的轮廓与障碍物分类标准进行匹配，得到障碍物的类别信息，类别信息用于表示障碍物的类别属性；并将类别信息、状态信息和位置信息组成障碍物的信息真值，如此能够得到精度较高的障碍物的信息真值，基于障碍物的信息真值和障碍物的信息测量值之间的差异，对障碍物检测模块进行精度检测，能够提高对障碍物检测模块性能检测的精度。
图1为本发明实施例提供的障碍物检测模块的精度检测方法的流程图，参见图1，本发明实施例提供了一种障碍物检测模块的精度检测方法，可以包括：
S101，获得测试场点云数据。
其中，测试场点云数据是基于测量场坐标系测试场下的点云数据，测试场为至少两个激光雷达所覆盖区域的重叠区域，至少两个激光雷达能够覆盖所需测量的区域。
本发明实施例中激光雷达的个数至少为两个，且本发明实施例中不对激光雷达的具体个数以及激光雷达的位置、布局进行限制，只要至少两个激光雷达能够覆盖所需测量的区域即可。
激光雷达的个数由所需测量的区域来决定，以覆盖所需测量区域为所需最小数量激光雷达的判断依据。
所需测量的区域可以理解为对障碍物检测模块进行精度检测的区域。一种实施例中，可以使安装有该障碍物检测模块的车辆行驶在一区域，例如，地下停车场，该地下停车场所在区域即可以理解为所需测量的区域。
本发明实施例中激光雷达可以是多线激光雷达，可以根据多线激光雷达的覆盖范围与所需测量的区域的范围来确定所需激光雷达的个数。
例如，所需测量的区域为200米，通常16线激光雷达覆盖20米范围，32线激光雷达覆盖50米范围，64线激光雷达覆盖100米范围，若采用16线激光雷达，则激光雷达的个数为10个，若采用32线激光雷达，则激光雷达的个数为4个，若采用64线激光雷达，则激光雷达的个数为2个。
测量场坐标系为基于主激光雷达所在位置所构建的坐标系，主激光雷达为至少两个激光雷达中的一个激光雷达。
本发明实施例中可以采用至少两个激光雷达。以利用两个激光雷达（激光雷达1和激光雷达2）为例进行描述，激光雷达1覆盖区域和激光雷达2覆盖区域的重叠区域即为测试场。本发明实施例中所涉及的测试评价，即对障碍物检测模块的精度检测均在测试场内完成。
激光雷达简单理解是用激光器作为辐射源的雷达，有可能会因为存在遮挡区域等，导致无法透过待检测物体的一侧而辐射到待检测物体的另一侧，也可以理解为无法通过位于待检测物体的一侧的激光雷达而检测待待检测物体的另一侧。如通过一个激光雷达检测的过程中，针对待检测物体，如对障碍物检测的过程中，有可能仅会探测到障碍物的一侧，而无法检测到障碍物的另一侧，即仅能获取到障碍物一侧的点云数据，如此会使得针对待检测物体的检测范围有局限，获取的数据不完整。为了使得能够全面地检测待检测物体，获取完整的点云数据，本发明实施例中激光雷达1和激光雷达1的布局要保证激光雷达1和激光雷达2存在重叠区域，且激光雷达1和激光雷达2分别位于待检测物体的不同侧面，优选的两个激光雷达设置于待测物体不同侧面的对角线位置，保证能够从不同侧面探测到待测物体，避免存在遮挡区域导致无法完整、全面地探测待检测物体。
以激光雷达1作为主激光雷达，基于该主激光雷达构建测量场坐标系，例如，以激光雷达1坐标系xy轴二维平面作为测量场坐标系，该测量场坐标系为右手坐标系。
为了描述简单，本发明实施例中可以使得激光雷达2的坐标轴与激光雷达1的坐标轴平行，x轴夹角180°，且两个激光雷达处于同一水平面。激光雷达2在测量场坐标系下的位置为（xlidar2，ylidar2）。
本发明实施例中多激光雷达布局同理，布局位置影响雷达空间同步，但没有唯一性要求。本发明实施例中不对激光雷达1和激光雷达2的位置和布局进行限制，只要至少两个激光雷达能够覆盖所需测量的区域即可，如保证激光雷达1和激光雷达2的重叠区域覆盖所需测量的区域。
简单理解，选取主激光雷达是为了以该主激光雷达所在位置构建测量场坐标系，使得至少两个激光雷达获得的点云数据处于同一坐标系，实现至少两个激光雷达获得的点云数据的空间同步。本发明实施例中可以选取至少两个激光雷达中的任一个作为主激光雷达。
本发明实施例中，可以先分别获取各个激光雷达在其覆盖区域的所有点云数据，然后计算各个激光雷达对应的所有点云数据的交集，得到测试场点云数据。
也可以先对各个激光雷达的覆盖区域求取交集，得到所有激光雷达所覆盖区域的重叠区域，也即测试场，然后获取各个激光雷达在测试场中的点云数据，并将各个激光雷达在测试场中的点云数据组成测试场点云数据。
一种可选的实施例中，如图2所示，S101可以包括：
S1011，获得主激光雷达在测试场中的第一点云数据。
第一点云数据是基于测量场坐标系的点云数据。
基于主激光雷达所在位置构建坐标系，即构建测量场坐标系，获取主激光雷达的点云数据即第一点云数据，如测量场坐标系下主激光雷达采集的多点的x轴和y轴坐标值。
可以直接获取主激光雷达在测试场中的点云数据。也可以先获取主激光雷达在覆盖区域的所有点云数据，然后从所有点云数据中筛选出测试场中的点云数据。
S1012，获得其他激光雷达在测试场中的第二点云数据。
第二点云数据是基于测量场坐标系的点云数据。
其他激光雷达为至少两个激光雷达中除主激光雷达之外的激光雷达。
可以直接获取其他激光雷达在测试场中的点云数据。也可以先获取其他激光雷达在覆盖区域的所有点云数据，然后从所有点云数据中筛选出测试场中的点云数据。
一种可实现方式中，可以获取其他激光雷达在测试场中的点云数据；基于其他激光雷达与主激光雷达的位置关系，将其他激光雷达在测试场中的点云数据转换为基于测量场坐标系的第二点云数据。
获取其他激光雷达在基于该其他激光雷达所在位置所构建的坐标系下的点云数据，如该坐标系下其他激光雷达采集的多点的x轴和y轴坐标值。
根据其他激光雷达与主激光雷达的位置关系，将其他激光雷达的点云数据转换至测量场坐标系下，也可以理解为将多点在基于其他激光雷达所在位置所构建的坐标系下的坐标值转换为测量场坐标系下的坐标值。如此实现至少两个激光雷达点云数据的空间同步。
为了描述的简便，以本发明实施例中包括两个激光雷达：激光雷达1和激光雷达2为例进行说明，将激光雷达1作为主激光雷达，激光雷达2为其他激光雷达。
获取激光雷达1在测试场的点云数据即第一点云数据，获取激光雷达2在测试场的点云数据，并将激光雷达2在测试场的点云数据转换为基于测量场坐标系的第二点云数据，即将激光雷达2的点云数据转换至与激光雷达1的点云数据处于同一坐标系，实现点云数据的空间同步。
S1013，将第一点云数据和第二点云数据组成测试场点云数据。
测试场点云数据均为测量场坐标系下的坐标值。
S102，基于测试场点云数据，提取测试场中障碍物的轮廓。
测试场中有可能包括一个或者多个障碍物，对应地，可以提取一个或者多个障碍物的轮廓。
可以通过点云聚类方式、深度学习算法、点云目标检测等算法等提取测试场中障碍物的轮廓。
障碍物检测模块是依据传感器的障碍物检测模块，也可以理解为基于传感器实现该障碍物检测模块的检测功能。例如，基于相机的障碍物检测模块，则所涉及传感器为相机，即障碍物检测模块所依据的传感器为相机；基于超声波雷达/毫米波雷达的障碍物检测模块，所涉及传感器为超声波雷达或毫米波雷达，即障碍物检测模块所依据的传感器为超声波雷达或毫米波雷达；基于多传感器融合的障碍物检测模块，例如相机和超声波雷达，则所涉及传感器为相机和超声波雷达，即障碍物检测模块所依据的传感器为相机和超声波雷达。
传感器有着视场范围，也即传感器能够检测到障碍物的区域。为了使得计算更加简便，本发明实施例中可以从测试场点云数据中先提取该视场范围对应的点云数据，以从该视场范围对应的点云数据中提取障碍物的轮廓。
一种可选的实施例中，如图3所示，S102可以包括：
S1021，获取障碍物检测模块所在车辆当前时刻的位姿信息。
一种可实现方式中，可以通过车辆中安装的车辆里程计得到车辆的位姿信息。
另一种可实现方式中，可以通过从测试场点云数据中提取车辆轮廓点云数据；基于车辆轮廓点云数据，计算车辆轮廓，得到车辆轮廓的车辆轮廓点坐标值；根据车辆轮廓点坐标值，计算车辆的位姿信息。
具体地，可以根据车辆轮廓点云数据，计算车辆轮廓的外接矩形，得到外接矩形的四个顶点坐标；获取车辆的后轴中心到车身最前端距离与车长的比例；根据外接矩形的四个顶点坐标和比例，计算车辆相对于初始时刻的位置信息和车头朝向角，车头朝向角表示车辆中轴向车头方向。
S1022，获取障碍物检测模块所依据的传感器的视场范围。
视场范围表示传感器能够检测到障碍物的区域。
S1023，利用位姿信息和视场范围，计算传感器在当前时刻的检测范围。
S1024，从测试场点云数据中提取检测范围内的点云数据。
S1021至S1024即实现从测试场点云数据中提取当前时刻检测范围所对应的点云数据。
S1025，从检测范围内的点云数据中，提取障碍物的轮廓。
从检测范围内的点云数据中，提取障碍物的轮廓的方式，与基于测试场点云数据，提取测试场中障碍物的轮廓是相同的，区别在于所依据的数据范围不同，对提取障碍物的轮廓所依据的数据从测试场点云数据缩小为检测范围内的点云数据，能够使得计算更加简便。
S103，获得障碍物分类标准。
障碍物分类标准可以包括多个障碍物轮廓的类别信息。
类别信息用于表示障碍物轮廓所对应的障碍物的类别属性，如表示障碍物是人、柱子、车等等。简单理解，类别信息表示障碍物具体是哪种类型的障碍物。
本发明实施例中可以预先确定障碍物分类标准，待对障碍物检测模块进行精度检测时，可以获取预先确定的障碍物分类标准。
如图4所示，本发明实施例中预先确定障碍物分类标准，可以包括：
S401，从测试场点云数据中提取可移动障碍物点云信息。
S402，基于可移动障碍物点云信息，通过预设分类算法，对测试场中包括的可移动障碍物进行分类，得到可移动障碍物分类标准，可移动障碍物分类标准包括多个可移动障碍物的类别信息。
移动障碍物表示会移动的障碍物，例如，人、待评价的该障碍物检测模块坐在车辆之外的其他车辆，等等。
可以基于移动障碍物点云个数、外接矩形覆盖面积、障碍物的暖云密度等提取可移动障碍物点云信息。
或者，也可以利用测试场点云数据构建分类算法，例如基于SVM（support vectormachine，支持向量机）的分类算法；也可以利用深度学习算法对测试场点云数据中的点云进行分类。
S403，从测试场点云数据中提取位于固定区域内的测试场中固定障碍物的轮廓位置信息，并得到固定障碍物的类别信息。
固定障碍物是测试场内位于固定位置，不会发生变化，每次扫描到该位置的点云即可获知为固定障碍物。
固定障碍物表示不会移动的障碍物，例如环境中的柱子，等等。
因为固定障碍物不会移动，也即位置信息不会发生变化，本发明实施例中预先提取出测试场中固定障碍物的轮廓位置信息。在对障碍物检测模块的精度进行检测的过程中，将提取出的障碍物轮廓位置信息与该固定障碍物的轮廓位置信息进行比对，即可确定提取的障碍物轮廓位置信息所表示的是否是固定障碍物。
具体地可以通过点云聚类的方式等提取固定障碍物的轮廓位置信息。
S104，将障碍物的轮廓与障碍物分类标准进行匹配，得到障碍物的类别信息。
类别信息用于表示障碍物的类别属性。
如图5所示，S104可以包括：
S501，判断障碍物的轮廓所包括的点云数据是否落在障碍物分类标准中所包括的固定障碍物轮廓内。
固定障碍物轮廓是预先确定的固定障碍物的轮廓位置信息所表示的轮廓。
可以判断障碍物轮廓位置信息所表示的轮廓内的点云数据，是否落在固定障碍物轮廓内。
S502，如果是，确定障碍物的轮廓为固定障碍物轮廓，并将固定障碍物的类别信息作为障碍物的轮廓的类别信息。
S503，如果否，则将障碍物的轮廓标记为移动障碍物轮廓；并将障碍物的轮廓与可移动障碍物分类标准进行匹配，得到障碍物的轮廓的类别信息。
类别信息可以包括障碍物的具体类别，如属于人或者待评价的该障碍物检测模块所在车辆之外的其他车辆，等等。
S105，根据障碍物的轮廓中的点云数据，计算障碍物的状态信息和位置信息。
状态信息表示障碍物本身的状态。
状态信息可以包括障碍物距离、障碍物的方位角，等等。
S106，将类别信息、状态信息和位置信息组成障碍物的信息真值。
具体地，可以根据固定障碍物轮廓及移动障碍物轮廓，计算每个轮廓内障碍物的点云数据在测量场坐标系下的，方位角最大值a_max和最小值a_min，对应点云坐标值（x_min, y_min）和（x_max, y_max），以及到后轴中心的距离r_max，和r_min；计算该障碍物轮廓中的点云数据中距离后轴中心最近的点的方位角、距离和位置（a, r, x, y）。每个轮廓内障碍物的类别，可以标记为c。即可以得到障碍物的信息真值（a, r, x, y，c）。以及方位角、距离、和位置的范围：（a_min, a_max, r_min, r_max, x_min, x_max, y_min, y_max）。得到的障碍物的信息真值如图6所示。
另一种可实现方式中，除状态信息和类别信息之外，障碍物信息还可以包括障碍物的轮廓所对应的障碍物的运动属性。如移动障碍物、固定障碍物，等等。
在将障碍物的轮廓与障碍物分类标准进行匹配的过程中可以得到运动属性，即，将障碍物的轮廓与障碍物分类标准进行匹配，除了得到障碍物的类别信息，还可以得到运动属性。
具体地，可以判断障碍物的轮廓所包括的点云数据是否落在障碍物分类标准中所包括的固定障碍物轮廓内。如果是，在确定障碍物的轮廓为固定障碍物轮廓，并将固定障碍物的类别信息作为障碍物的轮廓的类别信息的同时，可以标记该障碍物的轮廓对应的障碍物的运动属性为固定障碍物。而如果否，在将障碍物的轮廓标记为移动障碍物轮廓的同时，可以标记该障碍物的轮廓对应的障碍物的运动属性为移动障碍物。
即障碍物的信息真值可以包括：障碍物类别信息、障碍物距离、障碍物的方位角、位置信息和运动属性。如可以得到障碍物的信息真值（a, r, x, y, c, m），其中m表示运动属性。
S107，获得障碍物的包括位置、状态和/或类别的信息测量值。
障碍物的信息测量值是障碍物检测模块输出的障碍物信息在测量场坐标系下的值。
可以包括：获取障碍物检测模块输出的障碍物的类别信息和/或状态信息，获取障碍物检测模块输出的障碍物的位置信息，障碍物检测模块输出的障碍物的位置信息是基于车辆坐标系的障碍物的位置信息。基于车辆坐标系与测量场坐标系之间的转换关系，将障碍物检测模块输出的障碍物的位置信息转换为基于测量场坐标系的障碍物的位置信息。
车辆坐标系，以车辆后轴中心为坐标系原点，车辆中轴所在车头方向为X轴正方向，车辆宽度的方向为y轴，车辆坐标系为右手坐标系。里程计坐标系：起始时刻的车辆坐标系。
例如，障碍物的信息测量值可以为（a_m, r_m, x_m, y_m, c_m, m_m），_m表示待评价信息，也即测量值。
S108，基于障碍物的信息真值和障碍物的信息测量值之间的差异，对障碍物检测模块进行精度检测。
具体地，可以将位置真值和位置测量值进行比较，将状态真值和状态测量值进行比较，和/或将类别真值和类别测量值进行比较，基于比较结果对障碍物检测模块进行精度检测，其中，位置真值为障碍物的信息真值包括的位置信息，位置测量值为障碍物的信息测量值包括的位置，状态真值为障碍物的信息真值包括的状态信息，状态测量值为障碍物的信息测量值包括的状态，类别真值为障碍物的信息真值包括的类别信息，类别测量值为障碍物的信息测量值包括的类别。
一种可实现方式中，获得的障碍物的信息测量值可以有一种，可以将这种信息测量值与该信息测量值对应的障碍物的信息真值进行比较，如信息测量值为类别信息，将类别真值和类别测量值进行比较；如信息测量值为状态信息，将状态真值和状态测量值进行比较；如信息测量值为位置信息，将位置真值和位置测量值进行比较。
获得的障碍物的信息测量值可以有多种，如信息测量值为类别信息和状态信息，则将类别真值和类别测量值进行比较，并将状态真值和状态测量值进行比较；如信息测量值为类别信息和位置信息，则将类别真值和类别测量值进行比较，并将位置真值和位置测量值进行比较；如信息测量值为状态信息和位置信息，则将状态真值和状态测量值进行比较，并将位置真值和位置测量值进行比较；如信息测量值为类别信息、状态信息和位置信息，则将类别真值和类别测量值进行比较，将状态真值和状态测量值进行比较，并位置真值和位置测量值进行比较。
可以理解，差异越小则表示障碍物检测模块的精度越高，即差异与精度成反比。
例如，可以计算障碍物的信息真值和障碍物的信息测量值之间的差异，如偏差（da_t, dr_t, dx_t, dy_t, dc_t, dm_t），d表示偏差，t表示t时刻，其中dc和dm为0表示障碍物的信息测量值与障碍物的信息真值不同，dc和dm为为1表示结果相同。
一种可选的实施例中，如图7所示，S108可以包括：
S1081，针对测试过程中的多个时刻，计算各个时刻下障碍物的信息测量值相对于障碍物的信息真值的偏差。
评价测试过程表示对障碍物检测模块进行精度检测的过程。
偏差可以表示障碍物的信息测量值是否落在障碍物的信息真值的范围内。
具体地，可以通过不同的偏差值表示不情况，通过偏差值1例如数字1，表示障碍物的信息测量值落在障碍物的信息真值的范围内；通过偏差值2例如数字0，表示障碍物的信息测量值未落在障碍物的信息真值的范围内。
可以分别计算障碍物的信息测量值中方位角、距离、位置，是否落在障碍物的信息真值中真值范围：（ba_t, br_t, bp_t），ba_t和br_t为0：t时刻没有落在真值范围内，ba_t和br_t为1表示落在真值范围内；bp_t为0，表示位置（x, y）至少有一个没有落在范围内，为1表示位置（x, y）全部落在了真值范围内。
S1082，对各个时刻分别对应的偏差进行统计，得到统计结果，并基于统计结果对障碍物检测模块进行精度检测。
统计结果可以为多个时刻对应的偏差统计得到的直方图、均值、方差和/或两倍方差，等等。
一种可实现方式中，可以将统计值与预设性能指标进行对比，通过对比结果对障碍物检测模块的精度进行评价。
预设性能指标可以根据实际需求或者经验值等确定，对比结果可以为统计值与预设性能指标之间的差异，统计值与预设性能指标的差异越小，则表示障碍物检测模块的精度越高，障碍物检测模块的性能越好。
本发明实施例中可以分别对方位、距离、位置的偏差分别计算统计结果。
可以计算多个偏差中表示障碍物的信息测量值落在障碍物的信息真值的范围内的比例。
例如，统计结果中通过数字1表示落在障碍物的信息真值的范围内，则可以计算数字1的比例，数字1的比例越高，则表示障碍物检测模块的精度越高。
本发明实施例能够实现对障碍物检测模块精度检测的自动化，也可以理解为实现对障碍物检测模块评价的自动化。且点云数据精度比较高，从根据障碍物的轮廓中的点云数据，计算障碍物的状态信息和位置信息；将障碍物的轮廓与障碍物分类标准进行匹配，得到障碍物的类别信息，类别信息用于表示障碍物的类别属性；并将类别信息、状态信息和位置信息组成障碍物的信息真值，如此能够得到精度较高的障碍物的信息真值，基于障碍物的信息真值和障碍物的信息测量值之间的差异，对障碍物检测模块进行精度检测，能够提高对障碍物检测模块性能检测的精度。另外，相比较于通过手动测量方式进行评价，本发明实施例可以提高测试效率，降低测试成本。
一种可选的实施例中，本发明实施例提供的障碍物检测模块的精度检测方法的可以于自动泊车系统或者代客泊车系统中，如对在自动泊车系统或者代客泊车系统中的障碍物检测模块进行评价。下面结合该具体应用场景对本发明实施例提供的障碍物检测模块的精度检测方法进行举例说明。
本发明实施例中可以预先采集测试场数据，对测试场数据进行分析，以得到障碍物分类标准。
图8为本发明实施例提供的障碍物检测模块的精度检测方法的应用场景示意图。图9为本发明实施例中确定障碍物分类标准的应用示意图。
参见图8和图9，获取激光雷达1在测试场中的点云数据，该点云数据是基于测量场坐标系的。获取激光雷达2在测试场中的点云数据，该点云数据是基于激光雷达2所构建的坐标系的，因此，需要对该激光雷达2在测试场中的点云数据进行坐标转换，基于激光雷达1和激光雷达2的位置关系，将激光雷达2在测试场中的点云数据转换为基于测量场坐标系的点云数据，实现点云数据的空间同步。基于图8所示激光雷达1和激光雷达2的位置关系，将所有x轴坐标值和y轴坐标值转换到测量坐标系可以包括，将激光雷达2数据坐标值绕z轴旋转180°，沿激光雷达1坐标系x和y轴分别向激光雷达平移（xlidar2，ylidar2），完成原始数据空间同步。如此，获得测量场原始数据，也即测试场点云数据。
基于该测试场点云数据，通过不同障碍物不同角度性形态、点云数据集，利用可移动障碍物点云个数、可移动障碍物外接矩形覆盖面积、可移动障碍物点云密度得到可移动障碍物分类标准；并从测试场点云数据中提取固定障碍物点云数据，得到测量场坐标系下固定障碍物轮廓的位置及类别信息，具体过程在图4所示实施例中进行详述，参照上述图4所示实施例。
如此，得到障碍物分类标准，使得后续对障碍物检测模块精度检测过程中可以使用障碍物分类标准。
图10为应用本发明实施例提供的障碍物检测模块的精度检测方法的应用示意图。
在图8所示应用场景下，得到测量场原始数据，也即测试场点云数据。具体地在待对障碍物检测模块进行精度检测时，参照上述图9所示获得测试场点云数据的过程，获得当前时刻对应的测试场点云数据。
基于测试场点云数据，通过自身车辆在测量场位姿以及待评价传感器障碍物检测范围，得到待评价传感器检测范围内障碍物的轮廓。待评价传感器障碍物检测模块所依据的传感器。
结合得到的该传感器检测范围内障碍物的轮廓以及预先确定的障碍物分类标准，得到传感器障碍物检测范围内固定障碍物、移动障碍物轮廓，并结合预先确定的障碍物分类标准，得到t时刻测量场坐标系下待评价传感器障碍物检测范围内障碍物的信息真值：位置、距离、方位角、类别、运动属性，也即障碍物类别信息、障碍物距离、障碍物的方位角、位置信息和运动属性。
获取待评价障碍物检测模块输出的自身车辆坐标系下障碍物信息：位置、距离、方位角、类别。并结合t时刻自身车辆在测量场位姿，得到t时刻测量场坐标系下障碍物信息，也即障碍物的信息测量值：位置、距离、方位角、类别、运动属性。
如此，基于得到的障碍物的信息真值和障碍物的信息测量值，对障碍物检测模块的精度进行检测，也可以理解为评价障碍物检测模块性能。具体地，可以对车载传感器障碍物检测模块的精度进行评价。
本发明实施例用于分析自动泊车系统或者代客泊车系统中障碍物检测模块的性能评价，能够提供测试场中高精度障碍物的信息真值，为自动泊车系统或者代客泊车系统障碍物检测功能提供参考，评价该功能的性能。障碍物的信息真值精度高，且自动化评价过程能够提高测试效率。
同时，对于评价或验收自动泊车系统或者代客泊车系统中功能的性能具有重要作用，可以作为生产工具应用到实际开发测试任务中。能够为自动自动泊车系统或者代客泊车系统中中障碍物检测功能开发制造方、系统需求验收方等提供便利的方法，具有积极的经济效益。
对应于上述实施例提供的障碍物检测模块的精度检测方法，本发明实施例提供了一种障碍物检测模块的精度检测装置，如图11所示，本发明实施例提供的障碍物检测模块的精度检测装置，可以包括：
第一获得模块1101，用于获得测试场点云数据，其中，测试场点云数据是基于测量场坐标系测试场下的点云数据，测试场为至少两个激光雷达所覆盖区域的重叠区域，测量场坐标系为基于主激光雷达所在位置所构建的坐标系，主激光雷达为至少两个激光雷达中的一个激光雷达；
提取模块1102，用于基于测试场点云数据，提取测试场中障碍物的轮廓；
第二获得模块1103，获得障碍物分类标准，障碍物分类标准包括多个障碍物轮廓的类别信息；
匹配模块1104，用于将障碍物的轮廓与障碍物分类标准进行匹配，得到障碍物的类别信息，类别信息用于表示障碍物的类别属性；
计算模块1105，用于根据障碍物的轮廓中的点云数据，计算障碍物的状态信息和位置信息；将类别信息、状态信息和位置信息组成障碍物的信息真值；
第三获得模块1106，用于获得障碍物的包括位置、状态和/或类别的信息测量值；
检测模块1107，用于基于障碍物的信息真值和障碍物的信息测量值之间的差异，对障碍物检测模块进行精度检测。
对应于上述实施例提供的障碍物检测模块的精度检测方法，本发明实施例还提供了一种电子设备，如图12所示，包括处理器1201、通信接口1202、存储器1203和通信总线1204，其中，处理器1201，通信接口1202，存储器1203通过通信总线1204完成相互间的通信，
存储器1203，用于存放计算机程序；
处理器1201，用于执行存储器1203上所存放的程序时，实现上述障碍物检测模块的精度检测方法的方法步骤。
上述电子设备提到的通信总线可以是外设部件互连标准（Peripheral ComponentInterconnect，PCI）总线或扩展工业标准结构（Extended Industry StandardArchitecture，EISA）总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器（Random Access Memory，RAM），也可以包括非易失性存储器（Non-Volatile Memory，NVM），例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）等；还可以是数字信号处理器（Digital SignalProcessor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述障碍物检测模块的精度检测方法的方法步骤。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述障碍物检测模块的精度检测方法的方法步骤。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如同轴电缆、光纤、数字用户线（DSL））或无线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质（例如固态硬盘Solid State Disk (SSD)）等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、计算机可读存储介质以及计算机程序产品实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.一种障碍物检测模块的精度检测方法，其特征在于，包括：
获得测试场点云数据，其中，所述测试场点云数据是基于测量场坐标系测试场下的点云数据，所述测试场为至少两个激光雷达所覆盖区域的重叠区域，所述测量场坐标系为基于主激光雷达所在位置所构建的坐标系，所述主激光雷达为至少两个激光雷达中的一个激光雷达；
基于所述测试场点云数据，提取所述测试场中障碍物的轮廓；
获得障碍物分类标准，所述障碍物分类标准包括多个障碍物轮廓的类别信息；
将所述障碍物的轮廓与所述障碍物分类标准进行匹配，得到所述障碍物的类别信息，所述类别信息用于表示所述障碍物的类别属性；
根据所述障碍物的轮廓中的点云数据，计算所述障碍物的状态信息和位置信息；
将所述类别信息、所述状态信息和位置信息组成所述障碍物的信息真值；
获得障碍物的包括位置、状态和/或类别的信息测量值；
基于所述障碍物的信息真值和所述障碍物的信息测量值之间的差异，对所述障碍物检测模块进行精度检测。
2.根据权利要求1所述的方法，其特征在于，所述获得测试场点云数据，包括：
获得所述主激光雷达在所述测试场中的第一点云数据，所述第一点云数据是基于所述测量场坐标系的点云数据；
获得其他激光雷达在所述测试场中的第二点云数据，所述第二点云数据是基于测量场坐标系的点云数据，所述其他激光雷达为所述至少两个激光雷达中除所述主激光雷达之外的激光雷达；
将所述第一点云数据和所述第二点云数据组成所述测试场点云数据。
3.根据权利要求2所述的方法，其特征在于，所述获得其他激光雷达在所述测试场中的第二点云数据，包括：
获取其他激光雷达在所述测试场中的点云数据；
基于所述其他激光雷达与所述主激光雷达的位置关系，将所述其他激光雷达在所述测试场中的点云数据转换为基于所述测量场坐标系的第二点云数据。
4.根据权利要求1所述的方法，其特征在于，所述基于所述测试场点云数据，提取所述测试场中障碍物的轮廓，包括：
获取所述障碍物检测模块所在车辆当前时刻的位姿信息；
获取所述障碍物检测模块所依据的传感器的视场范围，所述视场范围表示所述传感器能够检测到障碍物的区域；
利用所述位姿信息和所述视场范围，计算所述传感器在当前时刻的检测范围；
从所述测试场点云数据中提取所述检测范围内的点云数据；
从所述检测范围内的点云数据中，提取所述障碍物的轮廓。
5.根据权利要求1所述的方法，其特征在于，所述获得障碍物分类标准，包括：
从测试场点云数据中提取可移动障碍物点云信息；
基于所述可移动障碍物点云信息，通过预设分类算法，对所述测试场中包括的可移动障碍物进行分类，得到可移动障碍物分类标准，所述可移动障碍物分类标准包括多个可移动障碍物的类别信息；
从所述测试场点云数据中提取位于固定区域内的所述测试场中固定障碍物的轮廓位置信息，并得到所述固定障碍物的类别信息。
6.根据权利要求5所述的方法，其特征在于，所述将所述障碍物的轮廓与所述障碍物分类标准进行匹配，得到所述障碍物的类别信息，包括：
判断所述障碍物的轮廓所包括的点云数据是否落在所述障碍物分类标准中所包括的固定障碍物轮廓内，所述固定障碍物轮廓是预先确定的固定障碍物的轮廓位置信息所表示的轮廓；
如果是，确定所述障碍物的轮廓为固定障碍物轮廓，并将所述固定障碍物的类别信息作为所述障碍物的轮廓的类别信息；
如果否，则将所述障碍物的轮廓标记为移动障碍物轮廓；并将所述障碍物的轮廓与所述可移动障碍物分类标准进行匹配，得到所述障碍物的轮廓的类别信息。
7.根据权利要求1所述的方法，其特征在于，所述获得障碍物的包括位置、状态和/或类别的信息测量值，包括：
获取所述障碍物检测模块输出的障碍物的类别信息和/或状态信息；
获取所述障碍物检测模块输出的障碍物的位置信息，所述障碍物检测模块输出的障碍物的位置信息是车辆坐标系下的障碍物的位置信息；
基于车辆坐标系与测量场坐标系之间的转换关系，将所述障碍物检测模块输出的障碍物的位置信息转换为基于所述测量场坐标系的障碍物的位置信息。
8.根据权利要求1所述的方法，其特征在于，所述基于所述障碍物的信息真值和所述障碍物的信息测量值之间的差异，对所述障碍物检测模块进行精度检测，包括：
针对测试过程中的多个时刻，计算在各个所述时刻下所述障碍物的信息测量值相对于所述障碍物的信息真值的偏差；所述测试过程表示对所述障碍物检测模块进行精度检测的过程；
对各个时刻分别对应的所述偏差进行统计，得到统计结果，并基于所述统计结果对所述障碍物检测模块进行精度检测。
9.根据权利要求8所述的方法，其特征在于，所述偏差表示所述障碍物信息的测量值是否落在所述障碍物的信息真值的范围内；
所述对各个时刻分别对应的所述偏差进行统计，得到统计结果，包括：
计算多个所述偏差中表示所述障碍物的信息测量值落在所述障碍物的信息真值的范围内的比例。
10.一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1至9任一项所述的方法步骤。
CN202110503804.3A 2021-05-10 2021-05-10 障碍物检测模块的精度检测方法和电子设备 Active CN112990151B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110503804.3A CN112990151B (zh) 2021-05-10 2021-05-10 障碍物检测模块的精度检测方法和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110503804.3A CN112990151B (zh) 2021-05-10 2021-05-10 障碍物检测模块的精度检测方法和电子设备

Publications (2)

Publication Number Publication Date
CN112990151A true CN112990151A (zh) 2021-06-18
CN112990151B CN112990151B (zh) 2021-08-06

Family

ID=76337384

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110503804.3A Active CN112990151B (zh) 2021-05-10 2021-05-10 障碍物检测模块的精度检测方法和电子设备

Country Status (1)

Country Link
CN (1) CN112990151B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114475665A (zh) * 2022-03-17 2022-05-13 北京小马睿行科技有限公司 自动驾驶车辆的控制方法、控制装置及自动驾驶系统
CN114545947A (zh) * 2022-02-25 2022-05-27 北京捷象灵越科技有限公司 移动机器人互相避让方法、装置、电子设备及存储介质
CN115047442A (zh) * 2022-03-21 2022-09-13 珠海格力电器股份有限公司 点云数据的处理方法和装置、电子设备、存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103871269A (zh) * 2014-02-21 2014-06-18 西安祥泰软件设备系统有限责任公司 障碍物检测装置、车位引导系统及方法
US20160162742A1 (en) * 2013-06-14 2016-06-09 Uber Technologies, Inc. Lidar-based classification of object movement
CN106646504A (zh) * 2016-12-25 2017-05-10 湖南晖龙股份有限公司 激光雷达导航方法及装置
CN108152831A (zh) * 2017-12-06 2018-06-12 中国农业大学 一种激光雷达障碍物识别方法及系统
CN109941274A (zh) * 2019-03-01 2019-06-28 武汉光庭科技有限公司 基于雷达测距识别岸桥的停车方法及系统、服务器及介质
CN110126818A (zh) * 2019-05-09 2019-08-16 禾多科技（北京）有限公司 自动泊车三维定位方法
CN110316182A (zh) * 2018-03-29 2019-10-11 深圳市航盛电子股份有限公司 一种自动泊车系统及方法
CN111532260A (zh) * 2020-05-20 2020-08-14 湖北亿咖通科技有限公司 一种车位检测性能评价方法及电子设备

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160162742A1 (en) * 2013-06-14 2016-06-09 Uber Technologies, Inc. Lidar-based classification of object movement
CN103871269A (zh) * 2014-02-21 2014-06-18 西安祥泰软件设备系统有限责任公司 障碍物检测装置、车位引导系统及方法
CN106646504A (zh) * 2016-12-25 2017-05-10 湖南晖龙股份有限公司 激光雷达导航方法及装置
CN108152831A (zh) * 2017-12-06 2018-06-12 中国农业大学 一种激光雷达障碍物识别方法及系统
CN110316182A (zh) * 2018-03-29 2019-10-11 深圳市航盛电子股份有限公司 一种自动泊车系统及方法
CN109941274A (zh) * 2019-03-01 2019-06-28 武汉光庭科技有限公司 基于雷达测距识别岸桥的停车方法及系统、服务器及介质
CN110126818A (zh) * 2019-05-09 2019-08-16 禾多科技（北京）有限公司 自动泊车三维定位方法
CN111532260A (zh) * 2020-05-20 2020-08-14 湖北亿咖通科技有限公司 一种车位检测性能评价方法及电子设备

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114545947A (zh) * 2022-02-25 2022-05-27 北京捷象灵越科技有限公司 移动机器人互相避让方法、装置、电子设备及存储介质
CN114475665A (zh) * 2022-03-17 2022-05-13 北京小马睿行科技有限公司 自动驾驶车辆的控制方法、控制装置及自动驾驶系统
CN115047442A (zh) * 2022-03-21 2022-09-13 珠海格力电器股份有限公司 点云数据的处理方法和装置、电子设备、存储介质

Also Published As

Publication number Publication date
CN112990151B (zh) 2021-08-06

Similar Documents

Publication Publication Date Title
CN112990151B (zh) 障碍物检测模块的精度检测方法和电子设备
CN112985842B (zh) 泊车性能的检测方法、电子设备及可读存储介质
US11731762B2 (en) Crisscross boustrophedonic flight patterns for UAV scanning and imaging
JP5658372B2 (ja) 監視装置、監視システム及び監視方法
CN112379352B (zh) 一种激光雷达标定方法、装置、设备及存储介质
US11321953B2 (en) Method and apparatus for posture, dimension and shape measurements of objects in 3D scenes
Ullah et al. IoT-enabled computer vision-based parts inspection system for SME 4.0
Xu et al. Intelligent monitoring and residual analysis of tunnel point cloud data based on free-form approximation
Wang et al. A binocular vision method for precise hole recognition in satellite assembly systems
US11288554B2 (en) Determination method and determination device
CN117197245A (zh) 一种位姿修复方法及装置
CN114140608B (zh) 一种光伏板标记方法、装置、电子设备及存储介质
CN116386373A (zh) 车辆定位方法、装置、存储介质及电子设备
Liu et al. Outdoor camera calibration method for a GPS & camera based surveillance system
CN113702931B (zh) 一种车载雷达的外参标定方法、装置及存储介质
CN114814798A (zh) 一种外参标定方法及系统
CN114814810A (zh) 行人检测方法
CN114545377A (zh) 一种激光雷达标定方法及装置
CN111880182A (zh) 一种气象环境数据分析方法、系统、存储介质、雷达
CN117437602B (zh) 一种双图层数据标定方法、装置、设备及可读存储介质
CN110909569A (zh) 路况信息识别方法及终端设备
CN118518009B (zh) 标定参数确定方法、校正方法、介质及设备
Lacny et al. Computer vision-based geometry mapping and matching of building elements for construction robotic applications
Ohashi et al. Multisensor robust localization in various environment with correlation checking test
CN112985464A (zh) 车辆里程计的精度检测方法、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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20220316

Address after: 430051 No. b1336, chuanggu startup area, taizihu cultural Digital Creative Industry Park, No. 18, Shenlong Avenue, Wuhan Economic and Technological Development Zone, Hubei Province

Patentee after: Yikatong (Hubei) Technology Co.,Ltd.

Address before: 430056 building B (qdxx-f7b), No.7 building, qiedixiexin science and Technology Innovation Park, South taizihu innovation Valley, Wuhan Economic and Technological Development Zone, Hubei Province

Patentee before: HUBEI ECARX TECHNOLOGY Co.,Ltd.