CN113111905B - 一种融合多线激光雷达与超声波数据的障碍物检测方法 - Google Patents
一种融合多线激光雷达与超声波数据的障碍物检测方法 Download PDFInfo
- Publication number
- CN113111905B CN113111905B CN202110209050.0A CN202110209050A CN113111905B CN 113111905 B CN113111905 B CN 113111905B CN 202110209050 A CN202110209050 A CN 202110209050A CN 113111905 B CN113111905 B CN 113111905B
- Authority
- CN
- China
- Prior art keywords
- ultrasonic
- obstacle
- data
- point cloud
- 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.)
- Active
Links
Images
Classifications
-
- 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
- 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
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种融合多线激光雷达与超声波数据的障碍物检测方法,其步骤包括对多线激光雷达获取的数据进行处理得到点云障碍物,以及对超声波数据进行处理得到点状超声波障碍物;对点状超声波障碍物进行邻域搜索,若邻域内存在点云障碍物,则使用点云障碍物作为最终障碍物检测结果;若邻域内不存在点云障碍物,则融合点状超声波障碍物和点云障碍物作为最终障碍物检测结果。本发明通过融合多线激光雷达与超声波数据进行障碍物检测,能够辅助智能驾驶车辆进行驾驶决策,为无人车安全运行及智驾系统提供了较大支持,不仅提高超声波数据的稳定性,还改善了激光雷达传感器带来的检测盲区问题,同时成本相对较低,利于量化生产。
Description
技术领域
本发明涉及障碍物检测技术领域,特别涉及一种融合多线激光雷达与超声波数据的障碍物检测方法。
背景技术
在智能驾驶领域,车辆在道路上行驶时,需要多种技术手段来检测障碍物来提高车辆的安全系数,以避免车辆行驶过程中出现危险碰撞的意外。一般情况下,智能驾驶车辆通过使用激光雷达传感器获取到的数据进行障碍物检测,但是激光雷达传感器存在盲区,需要通过其他传感器辅助来一同进行障碍物检测。
目前,现有的障碍物检测技术大多是通过RGB相机、毫米波雷达或添加激光雷达的方式进行对原激光雷达盲区的弥补。当使用RGB相机检测障碍物时,由于其要求算力较高,数据传输量大,并且长时间使用造成的相机发热问题比较明显,会增加智能驾驶系统的不稳定性;而添加毫米波雷达或者激光雷达的方法,虽然检测结果相对准确稳定,但其成本较高,不适合量化生产。
发明内容
为了克服现有技术存在的不足,本发明提供了一种融合多线激光雷达与超声波数据的障碍物检测方法,旨在实现低成本地进行车辆周身的障碍物检测工作,并且辅助智能驾驶系统进行驾驶决策,所述技术方案如下:
本发明提供一种融合多线激光雷达与超声波数据的障碍物检测方法,包括以下步骤:
S1、对多线激光雷达获取的数据进行处理得到点云障碍物,以及对超声波数据进行处理得到点状超声波障碍物;
S2、对所述点状超声波障碍物进行邻域搜索,若邻域内存在点云障碍物,则使用点云障碍物作为最终障碍物检测结果;若邻域内不存在点云障碍物,则融合点状超声波障碍物和点云障碍物作为最终障碍物检测结果;其中,
S1中所述对多线激光雷达获取的数据进行处理得到点云障碍物的步骤包括:
S111、获取激光雷达点云数据;
S112、将地面从所述点云数据中剔除;
S113、对剔除地面后的点云数据进行分割聚类,得到点云障碍物;
S1中所述对超声波数据进行处理得到点状超声波障碍物的步骤包括:
S121、将原始超声波数据构建成时序超声波数据列表;
S122、对所述时序超声波数据列表进行滤波处理,以剔除噪点和/或异常值;
S123、根据超声波内参、外参构建线状超声波障碍物;
S124、对所述线状超声波障碍物进行散点操作,得到点状超声波障碍物。
进一步地,步骤S112包括仅对Z值较低的点云数据进行平面拟合,得到地面参数并将其剔除;
步骤S113中使用欧几里得增长算法对剔除地面后的点云数据进行点云分割聚类。
进一步地,步骤S113还包括对使用过欧几里得增长算法后的点云数据,再使用体素化网格滤波算法,得到最终的点云障碍物。
进一步地,所述检测方法的步骤还包括根据所述超声波数据与所述点云障碍物的几何位姿关系,在结果层面进行数据融合,得到融合点云障碍物与超声波障碍物的最终结果。
进一步地,所述数据融合还包括判断每个超声波点状障碍物旁是否存在点云障碍物,若存在,直接以所述点云障碍物作为障碍物检测结果;若不存在,融合所述超声波障碍物和所述点云障碍物作为最终障碍物检测结果。
进一步地,步骤S121包括获取当前帧超声波原始数据,判断超声波数据有效性,以及判断时序超声波数据列表是否初始化,并根据判断结果进行清空时序超声波数据列表操作和/或将当前帧有效数据加入到时序超声波数据列表中。
进一步地,所述超声波数据有效性的判断依据为超声波可测量范围的最小距离min_d与最大距离max_d,若d∈[min_d,max_d],则所述超声波数据有效,否则所述超声波数据无效。
进一步地,所述清空时序超声波数据列表的依据为,将其时间戳Time_this与所述时序超声波数据列表中最新数据的时间戳Time_latest进行比较,若其差值大于等于设定的时间阈值,即fabs(Time_this-Time_latest)≥Time_threshold,则清空时序超声波数据列表。
进一步地,步骤S121还包括对无效计数invalid_count的判断,若所述无效计数小于设定阈值,即invalid_count<invalid_threshold,所述无效计数自增,进入下一帧数据;否则清空所述时序超声波数据列表,并将其状态设置为未初始化。
本发明提供的技术方案带来的有益效果如下:
a.通过融合多线激光雷达与超声波数据进行障碍物检测,能够辅助智能驾驶车辆进行驾驶决策,为无人车安全运行及智驾系统提供了较大支持;
b.提高了超声波数据的稳定性,同时改善了激光雷达传感器带来的检测盲区问题;
c.成本相对较低,利于量化生产。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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,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是本发明实施例提供的融合多线激光雷达与超声波数据的障碍物检测方法的流程图;
图2本发明实施例提供的处理多线激光雷达获取数据的流程图;
图3本发明实施例提供的建立时序超声波数据列表的流程图;
图4本发明实施例提供的处理时序超声波数据列表的流程图;
图5本发明实施例提供的线状超声波障碍物的示意图;
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,更清楚地了解本发明的目的、技术方案及其优点,以下结合具体实施例并参照附图对本发明实施例中的技术方案进行清楚、完整地描述。需要说明的是,附图中未绘示或描述的实现方式,为所属技术领域中普通技术人员所知的形式。另外,虽然本文可提供包含特定值的参数的示范,但应了解,参数无需确切等于相应的值,而是可在可接受的误差容限或设计约束内近似于相应的值。显然,所描述的实施例仅仅是本发明一部分的实施例,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在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。除此,本发明的说明书和权利要求书中的术语“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、装置、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。
在本发明的一个实施例中,提供了一种融合多线激光雷达与超声波数据的障碍物检测方法,如图1所示,包括以下步骤:
S1、对多线激光雷达获取的数据进行处理得到点云障碍物,以及对超声波数据进行处理得到点状超声波障碍物;
S2、对所述点状超声波障碍物进行邻域搜索,若邻域内存在点云障碍物,则使用点云障碍物作为最终障碍物检测结果;若邻域内不存在点云障碍物,则融合点状超声波障碍物和点云障碍物作为最终障碍物检测结果。
一方面,步骤S1中所述对多线激光雷达获取的数据进行处理得到点云障碍物具体包括:
S111、获取激光雷达点云数据;
S112、将地面从所述点云数据中剔除;
S113、对剔除地面后的点云数据进行分割聚类,得到点云障碍物;
如图2所示,首先由所述多线激光雷达获取相关激光雷达点云数据,然后将地面从所述点云数据中剔除,之后对剔除地面后的点云数据进行分割聚类,得到点云障碍物。
其中,进行地面提取时,仅对Z值较低的点云数据进行平面拟合得到地面参数并将其剔除,剔除地面后使用欧几里得增长算法对所述剔除地面后的点云数据进行点云分割聚类,之后使用体素化网格滤波算法对所述分割聚类后的点云数据进行处理以得到点云障碍物,具体过程如下:
首先,对于空间某点P,找到K个离P点最近的点,将这些点中距离小于设定阈值的聚类到集合Q中。如果所述集合Q中元素的数目不再增加,整个聚类过程便结束,否则须在所述集合Q中选取所述P点以外的点,重复上述过程,直到所述集合Q中元素的数目不再增加为止,至此使用欧式距离完成了点云的分割聚类。其次,使用体素化网格滤波算法,输入分割聚类后的点云数据,创建一个三维体素栅格即微小空间三位立方体的集合,然后在每个体素即三维立方体内用所述体素中的所有点的重心来近似显示所述体素中的其他点,这样一来,所述体素内的所有点就用一个重心点表示,减少点的数量即减少障碍物的点云数据量,同时保持障碍物形状的几何特征不变,最终得到点云障碍物。
另一方面,步骤S1中所述对超声波数据进行处理得到点状超声波障碍物具体包括:
S121、将原始超声波数据构建成时序超声波数据列表;
S122、对所述时序超声波数据列表进行滤波处理,以剔除噪点和/或异常值;
S123、根据超声波内参、外参构建线状超声波障碍物;
S124、对所述线状超声波障碍物进行散点操作,得到点状超声波障碍物。
具体地,对所述超声波数据进行处理时,主要有以下三步:
第一步,需要建立时序超声波数据列表,如图3所示,获取当前帧超声波原始数据即距离d,根据超声波可测量范围的最小距离min_d与最大距离max_d判断所述超声波数据的有效性,若d∈[min_d,max_d],则判定所述当前帧超声波原始数据有效,否则所述当前帧超声波原始数据无效。
第二步,根据所述当前帧超声波原始数据的有效性分别进行如下处理:
如果所述当前帧超声波原始数据有效,则将无效计数归零,即令invalid_count=0。之后判断所述时序超声波数据列表是否初始化,其过程如下:
若所述时序超声波数据列表未初始化,则将当前帧有效数据加入到所述时序超声波列表中;
若所述时序超声波数据列表已初始化,则将其时间戳Time_this与所述时序超声波数据列表中最新数据的时间戳Time_latest进行比较判断,其判断过程为:若Time_this与Time_latest差值大于或者等于设定的时间阈值,即fabs(Time_this-Time_latest)≥Time_threshold,则清空时序超声波数据列表,并将所述当前帧有效数据加入到所述时序超声波数据列表中;否则直接将所述当前帧有效数据加入到所述时序超声波数据列表中,之后进入下一帧数据的处理。
如果所述当前帧超声波原始数据无效,则对所述时序超声波数据列表初始化状态进行判断,其过程如下:
若所述时序超声波数据列表未进行初始化,则直接跳入下一帧数据的处理;
若所述时序超声波数据列表已初始化,则对无效计数invalid_count进行判断,其判断过程为:若所述无效计数invalid_count小于设定的阈值,即invalid_count<invalid_threshold,所述无效计数自增,进入下一帧数据的处理;否则清空所述时序超声波数据列表并将其状态设置为未初始化,然后进入下一帧数据的处理。这样一来,不仅有效剔除了在有效数据中出现的一两帧无效数据,还提高了超声波数据的稳定性。
第三步,对所述时序超声波数据列表进一步处理。如图4所示,首先,进行多权重滤波处理以剔除噪点和/或异常值,具体地,对所述时序超声波数据列表中的每个数据分配一定权重,然后根据下式计算出滤波后的距离值dfinal:
其中,dfinal为超声波距离值,d1为第一个超声波距离值,p1为给所述第一个超声波距离值d1分配的权重,d2为第二个超声波距离值,p2为给所述第二个超声波距离值d2分配的权重,dn为第n个超声波距离值,pn为给所述第n个超声波距离值dn分配的权重,n为所述时序超声波数据列表的长度,di为第i个超声波距离值,pi为给所述第i个超声波距离值di分配的权重且∑pi=1。
其次,以dfinal作为当前帧的超声波距离值,根据超声波内参和外参构建线状超声波障碍物。需要说明的是,所述超声波内参为水平竖直视场角θ,所述超声波外参为三位坐标系中的x,y,z,以及超声波探头与x正半轴的夹角roll、超声波探头与y正半轴的夹角pitch、超声波探头与z正半轴的夹yaw。一般情况下,多取roll=0,pitch=0,yaw=0°,±90°,180°。
在超声波探头坐标系中,所述线状超声波障碍物Z值与探头Z值保持一致,因此只关注障碍物XY信息,如图5所示,图中P1P2部分为所述线状超声波障碍物,所述线状超声波障碍物使用起点P1与终点P2表示,两者坐标为分别为P1(d,d·sinθ/2)和P2(d,d·-sinθ/2)。
然后,根据散点距离split_d将所述线状超声波障碍物进行散点处理。通过计算所述线状超声波障碍物方向向量v=(P2.x-P1.x,P2.y-P1·y),并对v单位化,之后将P2加入散点列表,得到完整的点状超声波障碍物。需要注意的是,散点数量split_num为|P1P2|/splitd向下取整,第i个散点的坐标可表示为:
SplitPti=P1+i*v
其中,SplitPti为第i个散点的坐标,P1为所述线状超声波障碍物的起点,v为所述线状超声波障碍物方向向量,i∈[0,split_num]。
最后,对所有点状超声波障碍物进行邻域搜索,判断每个点状超声波障碍物旁是否存在点云障碍物,具体过程如下:
如果邻域存在点云障碍物,则不融合所述线状超声波障碍物;
如果邻域不存在点云障碍物,则融合所述点云障碍物和所述点状超声波障碍物,并作为最终障碍物的检测结果。
本发明首先将地面从点云中剔除,之后对激光雷达点云数据进行分割聚类,得到点云障碍物;其次将原始超声波数据构建成时序超声波数据列表,进行滤波处理,剔除噪点与异常值,经过处理后得到稳定的超声波障碍物数据;最后根据超声波数据与点云障碍物的几何位姿关系,在结果层面进行数据融合,得到融合点云障碍物与超声波障碍物的最终结果,实现低成本下的无人驾驶车辆车身周围的障碍物检测,为无人车安全运行及智驾系统决策规划提供了较大的支持。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,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,均应包含在本发明的保护范围之内。
Claims (5)
1.一种融合多线激光雷达与超声波数据的障碍物检测方法,其特征在于,包括以下步骤:
S1、对多线激光雷达获取的数据进行处理得到点云障碍物,以及对超声波数据进行处理得到点状超声波障碍物;
S2、对所述点状超声波障碍物进行邻域搜索,若邻域内存在点云障碍物,则使用点云障碍物作为最终障碍物检测结果;若邻域内不存在点云障碍物,则根据所述超声波数据与所述点云障碍物的几何位姿关系,在结果层面进行数据融合,得到融合点云障碍物与超声波障碍物的最终结果,作为最终障碍物检测结果;其中,
S1中所述对多线激光雷达获取的数据进行处理得到点云障碍物的步骤包括:
S111、获取激光雷达点云数据;
S112、将地面从所述点云数据中剔除;
S113、对剔除地面后的点云数据进行分割聚类,得到点云障碍物;
S1中所述对超声波数据进行处理得到点状超声波障碍物的步骤包括:
S121、将原始超声波数据构建成时序超声波数据列表,包括:获取当前帧超声波原始数据,判断超声波数据有效性,以及判断时序超声波数据列表是否初始化,并根据判断结果进行清空时序超声波数据列表操作和/或将当前帧有效数据加入到时序超声波数据列表中,其中,所述清空时序超声波数据列表的依据为,将其时间戳Time_this与所述时序超声波数据列表中最新数据的时间戳Time_latest进行比较,若其差值大于等于设定的时间阈值,即fabs(Time_this-Time_latest)≥Time_threshold,则清空时序超声波数据列表;步骤S121还包括对无效计数invalid_count的判断,若所述无效计数小于设定阈值,即invalid_count<invalid_threshold,所述无效计数自增,进入下一帧数据;否则清空所述时序超声波数据列表,并将其状态设置为未初始化;
S122、对所述时序超声波数据列表进行多权重滤波处理,以剔除噪点和/或异常值;
S123、对所述时序超声波数据列表中的每个数据分配一定权重,计算出滤波后的距离值,即其中,dfinal为滤波后的超声波距离值,n为时序超声波数据列表的长度且∑pi=1,di为时序超声波数据列表中的第i个超声波距离值,pi为分配给第i个超声波距离值的权重值;以dfinal为当前帧的超声波距离值,根据超声波内参、外参构建线状超声波障碍物,其中,所述超声波内参为水平竖直视场角θ,所述外参为三位坐标系中的x,y,z,以及超声波探头与x正半轴的夹角roll、超声波探头与y正半轴的夹角pitch、超声波探头与z正半轴的夹yaw;
S124、根据散点距离splitd对所述线状超声波障碍物进行散点操作,得到点状超声波障碍物,包括:计算所述线状超声波障碍物方向向量v=(P2.x-P1.x,P2.y-P1.y),并对v单位化,之后将P2加入散点列表,得到完整的点状超声波障碍物;第i个散点的坐标可表示为:SplitPti=P1+i*v,其中,SplitPti为第i个散点的坐标,P1为所述线状超声波障碍物的起点,v为所述线状超声波障碍物方向向量,i∈[0,split_num],其中,split_num为散点数量且所述散点数量由|P1P2|/splitd向下取整。
2.根据权利要求1所述的障碍物检测方法,其特征在于,步骤S112包括仅对Z值较低的点云数据进行平面拟合,得到地面参数并将其剔除;
步骤S113中使用欧几里得增长算法对剔除地面后的点云数据进行点云分割聚类。
3.根据权利要求2所述的障碍物检测方法,其特征在于,步骤S113还包括对使用过欧几里得增长算法后的点云数据,再使用体素化网格滤波算法,得到最终的点云障碍物。
4.根据权利要求1所述的障碍物检测方法,其特征在于,所述数据融合还包括判断每个超声波点状障碍物旁是否存在点云障碍物,若存在,直接以所述点云障碍物作为障碍物检测结果;若不存在,融合所述超声波障碍物和所述点云障碍物作为最终障碍物检测结果。
5.根据权利要求1所述的障碍物检测方法,其特征在于,所述超声波数据有效性的判断依据为超声波可测量范围的最小距离min_d与最大距离max_d,若d∈[min_d,max_d],则所述超声波数据有效,否则所述超声波数据无效。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110209050.0A CN113111905B (zh) | 2021-02-25 | 2021-02-25 | 一种融合多线激光雷达与超声波数据的障碍物检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110209050.0A CN113111905B (zh) | 2021-02-25 | 2021-02-25 | 一种融合多线激光雷达与超声波数据的障碍物检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113111905A CN113111905A (zh) | 2021-07-13 |
CN113111905B true CN113111905B (zh) | 2022-12-16 |
Family
ID=76709599
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110209050.0A Active CN113111905B (zh) | 2021-02-25 | 2021-02-25 | 一种融合多线激光雷达与超声波数据的障碍物检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113111905B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116453087B (zh) * | 2023-03-30 | 2023-10-20 | 无锡物联网创新中心有限公司 | 一种数据闭环的自动驾驶障碍物检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678787A (zh) * | 2016-02-03 | 2016-06-15 | 西南交通大学 | 一种基于双目鱼眼摄像头的载重货车行驶障碍物检测及跟踪方法 |
CN111257892A (zh) * | 2020-01-09 | 2020-06-09 | 武汉理工大学 | 一种用于车辆自动驾驶的障碍物检测方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108037515A (zh) * | 2017-12-27 | 2018-05-15 | 清华大学苏州汽车研究院(吴江) | 一种激光雷达和超声波雷达信息融合系统及方法 |
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 |
CN109814112A (zh) * | 2019-01-15 | 2019-05-28 | 北京百度网讯科技有限公司 | 一种超声波雷达与激光雷达信息融合方法和系统 |
CN110441791B (zh) * | 2019-08-14 | 2023-07-04 | 深圳无境智能机器人有限公司 | 一种基于前倾2d激光雷达的地面障碍物检测方法 |
CN111272183A (zh) * | 2020-03-16 | 2020-06-12 | 达闼科技成都有限公司 | 一种地图创建方法、装置、电子设备及存储介质 |
CN112068155B (zh) * | 2020-08-13 | 2024-04-02 | 沃行科技(南京)有限公司 | 一种基于多个多线激光雷达分区障碍物检测方法 |
CN112330746A (zh) * | 2020-11-27 | 2021-02-05 | 苏州感测通信息科技有限公司 | 一种基于tx2的移动底盘障碍物检测方法 |
-
2021
- 2021-02-25 CN CN202110209050.0A patent/CN113111905B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678787A (zh) * | 2016-02-03 | 2016-06-15 | 西南交通大学 | 一种基于双目鱼眼摄像头的载重货车行驶障碍物检测及跟踪方法 |
CN111257892A (zh) * | 2020-01-09 | 2020-06-09 | 武汉理工大学 | 一种用于车辆自动驾驶的障碍物检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113111905A (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111337941B (zh) | 一种基于稀疏激光雷达数据的动态障碍物追踪方法 | |
CN111309013B (zh) | 一种碰撞距离确定方法及系统、车辆、存储介质 | |
CN109556615B (zh) | 基于自动驾驶的多传感器融合认知的驾驶地图生成方法 | |
CN108132675B (zh) | 一种工厂巡视无人机自主路径巡航以及智能避障方法 | |
CN111797741A (zh) | 车辆检测方法、装置、车辆和存储介质 | |
CN110674705B (zh) | 基于多线激光雷达的小型障碍物检测方法及装置 | |
WO2022188663A1 (zh) | 一种目标检测方法及装置 | |
JP6313081B2 (ja) | 車載用画像処理装置およびそれを用いた車両システム | |
CN111381248B (zh) | 一种考虑车辆颠簸的障碍物检测方法及系统 | |
Oniga et al. | Polynomial curb detection based on dense stereovision for driving assistance | |
CN110568861B (zh) | 一种人机运动障碍物监测方法、可读存储介质和无人机 | |
CN111368607A (zh) | 一种机器人、障碍物的检测方法及检测装置 | |
Sehestedt et al. | Robust lane detection in urban environments | |
CN105205805A (zh) | 基于视觉的智能车辆横向控制方法 | |
JP2008117073A (ja) | 割り込み車両検出装置 | |
CN113701780B (zh) | 基于a星算法的实时避障规划方法 | |
CN113111905B (zh) | 一种融合多线激光雷达与超声波数据的障碍物检测方法 | |
WO2023092870A1 (zh) | 一种适用于自动驾驶车辆的挡土墙检测方法及系统 | |
CN115861968A (zh) | 一种基于实时点云数据的动态障碍物剔除方法 | |
CN117250610B (zh) | 基于激光雷达的入侵人员预警方法及系统 | |
CN113432615A (zh) | 基于多传感器融合可驾驶区域的检测方法、系统和车辆 | |
CN114132305A (zh) | 用于垂直与斜列泊车路径规划方法、系统、存储介质及车辆 | |
WO2018210303A1 (zh) | 道路模型的构建 | |
CN110750100B (zh) | 基于流函数法的水下搜救机器人路径规划方法 | |
CN116242375A (zh) | 一种基于多传感器的高精度电子地图生成方法和系统 |
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 |