CN113139607B - 障碍物检测方法和装置 - Google Patents
障碍物检测方法和装置 Download PDFInfo
- Publication number
- CN113139607B CN113139607B CN202110463644.4A CN202110463644A CN113139607B CN 113139607 B CN113139607 B CN 113139607B CN 202110463644 A CN202110463644 A CN 202110463644A CN 113139607 B CN113139607 B CN 113139607B
- Authority
- CN
- China
- Prior art keywords
- obstacle
- cluster
- data
- current
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims description 31
- 238000000034 method Methods 0.000 claims abstract description 43
- 230000004888 barrier function Effects 0.000 claims abstract description 42
- 230000004927 fusion Effects 0.000 claims description 81
- 230000002776 aggregation Effects 0.000 claims description 2
- 238000004220 aggregation Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- AYFVYJQAPQTCCC-GBXIJSLDSA-N L-threonine Chemical compound C[C@@H](O)[C@H](N)C(O)=O AYFVYJQAPQTCCC-GBXIJSLDSA-N 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- 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
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- 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
- 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
- G01S7/36—Means for anti-jamming, e.g. ECCM, i.e. electronic counter-counter measures
-
- 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
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/495—Counter-measures or counter-counter-measures using electronic or electro-optical means
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Electromagnetism (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种障碍物检测方法和装置,获取毫米波雷达采集的与障碍物有关的第一数据和激光雷达采集的第二数据;采用第一聚类规则对第一数据包含的障碍物进行聚类,得到至少一个第一聚类簇;针对每个第一聚类簇,确定第一聚类簇对应的聚类障碍物的属性信息;采用第二聚类规则对第二数据包含的障碍物进行聚类,得到至少一个第二聚类簇;针对每个第二聚类簇,确定第二聚类簇对应的聚类障碍物的属性信息;基于第一聚类簇对应的聚类障碍物的属性信息和第二聚类簇对应的聚类障碍物的属性信息,确定最终的障碍物的属性信息。该方式针对不同的雷达传感器采用不同的聚类方式,有效合并了分裂的障碍物和消除了虚假障碍物,提高了障碍物跟踪和检测精度。
Description
技术领域
本发明涉及自动驾驶技术领域,尤其是涉及一种障碍物检测方法和装置。
背景技术
L4(全自动驾驶)场景的自动驾驶系统对车辆感知性能提出了更为严苛的要求,单一传感器已无法满足城市道路场景下复杂的环境信息感知需求。多传感器数据融合是自动驾驶感知的必然趋势,也是目前主流的方向。目前,主流的传感器包括激光雷达、毫米波雷达和摄像头以及超声波雷达。其中,激光雷达具有探测精度准、分辨率高、响应速度快、抗干扰力强等优点,能够准确得到障碍物的位置和外形轮廓,是高等级自动驾驶不可或缺的传感器。毫米波雷达分辨率高,抗干扰能力强,基于多普勒原理能够准确测得障碍物的径向速度。往往用于自适应巡航和自动紧急避险等自动驾驶功能应用中。摄像头信息量丰富,在视野范围内可同时实现道路检测、车辆检测、行人检测、交通标志检测、交通信号灯检测等,常常用于车道保持,主动跟车等自动驾驶功能中。
相关技术中,激光雷达和毫米波雷达对障碍物检测时,根据得到的障碍物的点云确定该障碍物的位置和朝向等。但是对于大型障碍物,激光雷达的障碍物点云可能不是连续的,往往会分裂成多个障碍物;毫米波雷达由于点云数量稀疏以及自身的探测原理和硬件问题导致其往往会产生大量虚警,同时,障碍物也会产生较多的分裂。同时障碍物的分类会造成对障碍物的测距不准确,且分裂的障碍物也会影响数据融合的关联和跟踪效果,甚至造成错误的数据关联从而导致障碍物丢失。
发明内容
本发明的目的在于提供一种障碍物检测方法和装置,以有效合并分裂的障碍物和消除虚假障碍物,提高障碍物跟踪精度。
第一方面,本发明提供了一种障碍物检测方法,该方法包括:获取毫米波雷达采集的与障碍物有关的第一数据,以及激光雷达采集的与障碍物有关的第二数据;采用预设的第一聚类规则,对第一数据所包含的障碍物进行聚类,得到至少一个第一聚类簇;针对每个第一聚类簇,确定第一聚类簇对应的聚类障碍物的属性信息;采用预设的第二聚类规则,对第二数据所包含的障碍物进行聚类,得到至少一个第二聚类簇;针对每个第二聚类簇,确定第二聚类簇对应的聚类障碍物的属性信息;基于每个第一聚类簇对应的聚类障碍物的属性信息和每个第二聚类簇对应的聚类障碍物的属性信息,确定最终的障碍物的属性信息。
在可选的实施方式中,上述采用预设的第一聚类规则,对第一数据所包含的障碍物进行聚类,得到至少一个第一聚类簇的步骤,包括:将第一数据中的第一个障碍物作为当前障碍物,判断第一数据中是否存在与当前障碍物属于同一聚类簇的障碍物;如果存在,将属于同一聚类簇的障碍物的索引和当前障碍物的索引加入到当前障碍物对应的第一聚类簇中;判断第一数据中除当前障碍物对应的第一聚类簇所包含的障碍物之外的障碍物中,是否存在与当前障碍物对应的第一聚类簇所包含的障碍物属于同一聚类簇的障碍物;如果存在,将存在的障碍物的索引加入到当前障碍物对应的第一聚类簇中;将除去当前障碍物对应的第一聚类簇中的障碍物的第一数据作为新的第一数据,继续执行将第一数据中的第一个障碍物作为当前障碍物,判断第一数据中是否存在与当前障碍物属于同一聚类簇的障碍物的步骤,直到确定出第一数据中的每个障碍物对应的第一聚类簇。
在可选的实施方式中,上述第一数据中包括:第一数据所包含的障碍物的位置、尺寸和朝向;上述将第一数据中的第一个障碍物作为当前障碍物的步骤之前,该方法还包括:针对第一数据所包含的每个障碍物,根据障碍物的位置、尺寸和朝向,确定障碍物的矩形边界框。
在可选的实施方式中,上述第一数据中还包括每个障碍物的速度;上述判断第一数据中是否存在与当前障碍物属于同一聚类簇的障碍物的步骤,包括:针对第一数据中除当前障碍物外的每个障碍物执行下述操作:判断第一数据中的目标障碍物的矩形边界框与当前障碍物的矩形边界框是否重叠;如果重叠,确定目标障碍物与当前障碍物属于同一聚类簇;如果不重叠,判断目标障碍物与当前障碍物之间的纵向距离是否小于预设的距离阈值;如果小于,确定目标障碍物与当前障碍物属于同一聚类簇。
在可选的实施方式中,上述判断第一数据中的目标障碍物的矩形边界框与当前障碍物的矩形边界框是否重叠的步骤,包括:根据目标障碍物与当前障碍物的位置,从目标障碍物和当前障碍物中,确定与指定车辆距离最近的第一障碍物和与指定车辆距离最远的第二障碍物;根据第一障碍物的位置、朝向和尺寸,确定第一障碍物的横向坐标范围;判断第二障碍物的矩形边界框的角点的横向坐标或中心点的横向坐标是否在横向坐标范围内;如果在,确定第一障碍物和第二障碍物的矩形边界框重叠。
在可选的实施方式中,上述根据第一障碍物的位置、朝向和尺寸,确定第一障碍物的横向坐标范围的步骤,包括:通过下述算式计算第一障碍物的横向坐标范围:
其中,Xmin表示横向坐标范围的最小值,Xmax表示横向坐标范围的最大值;x表示第一障碍物的中心点的横坐标值,y表示第一障碍物的中心点的纵坐标值,W表示第一障碍物的宽度,θ表示第一障碍物的朝向角。
在可选的实施方式中,上述属性信息包括速度、朝向、长度、宽度和中心位置;上述针对每个第一聚类簇,确定第一聚类簇对应的聚类障碍物的属性信息的步骤,包括:针对每个第一聚类簇执行下述操作:从第一聚类簇所包含的障碍物中,将距离指定车辆最近的障碍物的速度和朝向,确定为第一聚类簇对应的聚类障碍物的速度和朝向;根据第一聚类簇所包含的每个障碍物的尺寸和中心位置,确定第一聚类簇对应的聚类障碍物的长度、宽度和中心位置。
在可选的实施方式中,上述采用预设的第二聚类规则,对第二数据所包含的障碍物进行聚类,得到至少一个第二聚类簇的步骤,包括:根据激光雷达历史时刻采集的障碍物数据、毫米波雷达在当前时刻的上一时刻采集的障碍物数据和预设的尺寸阈值,确定融合障碍物在当前时刻的上一时刻的尺寸和位置;其中,该障碍物数据包括障碍物的尺寸、位置和速度;根据融合障碍物在当前时刻的上一时刻的尺寸、位置和速度,确定融合障碍物在当前时刻的矩形边界框;针对每个融合障碍物执行下述操作:从第二数据所包含的障碍物中,确定未加入到第二聚类簇中的参考障碍物;判断当前融合障碍物与参考障碍物的矩形边界框是否重叠,如果重叠,判断参考障碍物与融合障碍物之间的横向距离差和纵向距离差是否均小于设定的横向阈值和纵向阈值;如果小于,将参考障碍物的索引加入到当前融合障碍物对应的第二聚类簇中,继续执行从第二数据所包含的障碍物中,确定未加入到第二聚类簇中的参考障碍物的步骤;如果不小于,继续执行从第二数据所包含的障碍物中,确定未加入到第二聚类簇中的参考障碍物的步骤,直到第二数据所包含的障碍物均被遍历。
在可选的实施方式中,上述参考障碍物与融合障碍物的横向距离差和纵向距离差,通过下述算式确定:
其中,xfusion为融合障碍物的中心点的横坐标,xobject为参考障碍物的中心点的横坐标;yfusion为融合障碍物的中心点的纵坐标,yobject为参考障碍物的中心点的纵坐标;θ为融合障碍物的朝向角,Y为纵向距离差,X为横向距离差。
第二方面,本发明提供了一种障碍物检测装置,该装置包括:数据获取模块,用于获取毫米波雷达采集的与障碍物有关的第一数据,以及激光雷达采集的与障碍物有关的第二数据;第一聚类模块,用于采用预设的第一聚类规则,对第一数据所包含的障碍物进行聚类,得到至少一个第一聚类簇;针对每个第一聚类簇,确定第一聚类簇对应的聚类障碍物的属性信息;第二聚类模块,用于采用预设的第二聚类规则,对第二数据所包含的障碍物进行聚类,得到至少一个第二聚类簇;针对每个第二聚类簇,确定第二聚类簇对应的聚类障碍物的属性信息;信息融合模块,用于基于每个第一聚类簇对应的聚类障碍物的属性信息和每个第二聚类簇对应的聚类障碍物的属性信息,确定最终的障碍物的属性信息。
本发明实施例带来了以下有益效果:
本发明提供的一种障碍物检测方法和装置,首先获取毫米波雷达采集的与障碍物有关的第一数据和激光雷达采集的与障碍物有关的第二数据;进而采用预设的第一聚类规则,对第一数据所包含的障碍物进行聚类,得到至少一个第一聚类簇;针对每个第一聚类簇,确定第一聚类簇对应的聚类障碍物的属性信息;然后采用预设的第二聚类规则,对第二数据所包含的障碍物进行聚类,得到至少一个第二聚类簇;针对每个第二聚类簇,确定第二聚类簇对应的聚类障碍物的属性信息;再基于每个第一聚类簇对应的聚类障碍物的属性信息和每个第二聚类簇对应的聚类障碍物的属性信息,确定最终的障碍物的属性信息。该方式针对不同的雷达传感器采用不同的聚类方式,有效合并了分裂的障碍物和消除了虚假障碍物,提高了障碍物跟踪和检测精度;同时,该方式耗时低,通用性强。
本发明的其他特征和优点将在随后的说明书中阐述,或者,部分特征和优点可以从说明书推知或毫无疑义地确定,或者通过实施本发明的上述技术即可得知。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施方式,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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为本发明实施例提供的一种障碍物检测方法的流程图;
图2为本发明实施例提供的另一种障碍物检测方法的流程图;
图3为本发明实施例提供的一种障碍物的矩形边界框的示意图;
图4为本发明实施例提供的聚类障碍物的尺寸和位置的示意图;
图5为本发明实施例提供的另一种障碍物检测方法的流程图;
图6为本发明实施例提供的一种障碍物检测装置的结构示意图;
图7为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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,都属于本发明保护的范围。
相关技术中,通常通过激光雷达和毫米波雷达对障碍物进行检测。激光雷达对于障碍物的检测常分为基于深度学习和基于传统聚类算法的点云分割,得到分割后的点云簇后,求得障碍物的最小包围框;通常静止障碍物的朝向可根据点云的分布情况计算,运动障碍物的朝向为速度方向。基于朝向计算点云簇的最小外接矩形,进而能够得到障碍物的中心位置和尺寸。毫米波雷达也能得到障碍物的点云,可以采用聚类算法得到障碍物位置;障碍物的速度根据多普勒原理得到。对于大型障碍物,激光雷达的障碍物点云可能不是连续的,往往会分裂成多个障碍物。毫米波雷达由于点云数量稀疏以及自身的探测原理和硬件问题导致其往往会产生大量虚警,同时,障碍物也会产生较多的分裂。视觉传感器信息量丰富,障碍物分裂的情况较少,但是受限于测距和测速原理,得到的障碍物三维尺寸和位置精度较低。
卡车和挂车等大型障碍物是高速场景下的主要交通参与者,但是目前受限于单传感器的检测算法。对于大型障碍物的检测效果不佳,常常会出现一个障碍物会分裂成多个的情况,给下游模块造成一些影响。而且,障碍物的分类会造成对障碍物的测距不准确,且分裂的障碍物也会影响数据融合的关联和跟踪效果,甚至造成错误的数据关联从而导致障碍物丢失。
基于上述问题,本发明实施例提供了一种障碍物检测方法和装置;该技术可以应用于自动驾驶场景中。为便于对本实施例进行理解,首先对本发明实施例所公开的一种障碍物检测方法进行详细介绍,如图1所示,该方法包括如下步骤:
步骤S102,获取毫米波雷达采集的与障碍物有关的第一数据,以及激光雷达采集的与障碍物有关的第二数据。
在具体实现时,自动驾驶车辆上通常安装有毫米波雷达和激光雷达,该毫米波雷达采集的第一数据中包括:第一数据所包含的障碍物的位置、尺寸和朝向;该第一数据所包含的障碍物中可以包含有一个实际障碍物被分裂成的多个障碍物,也可以包含有多个实际障碍物。上述尺寸通常是三维尺寸,也即是包含有长度、宽度和高度;上述朝向通常是运动障碍物的运动方向,静止障碍物的朝向与自动驾驶车辆(相当于本车)的运动方向一致。
同样地,上述激光雷达采集的第二数据中包括:该第二数据所包含的障碍物的位置、尺寸和朝向。在具体实现时,可以通过上述自动驾驶车辆中设置的毫米波雷达处理模块,获取毫米波雷达采集的第一数据;通过预设的激光雷达处理模块,获取激光雷达采集的第二数据。
步骤S104,采用预设的第一聚类规则,对第一数据所包含的障碍物进行聚类,得到至少一个第一聚类簇;针对每个第一聚类簇,确定第一聚类簇对应的聚类障碍物的属性信息。
毫米波雷达由于电磁波的折射和反射干扰等影响,往往会产生大量的虚假障碍物;同时,受限于毫米波雷达硬件以及自身聚类算法的短板,一个障碍物往往会分裂产生多个。因而,本发明设计了第一聚类规则,来对毫米波雷达采集的第一数据所包含的障碍物进行聚类。上述属性信息包括尺寸、位置、速度和朝向等信息。
在具体实现时,上述第一聚类规则主要基于以下思想:属于同一个实际障碍物的两个障碍物之间的纵向距离会小于一个碰撞的安全阈值。如果两个障碍物的矩形边界框重叠或者两个障碍物之间的纵向距离小于安全碰撞阈值,则该障碍物必然产生了分裂,则将这两个障碍物聚类到一个聚类簇中。通常一个聚类簇对应一个聚类障碍物(相当于实际障碍物)。上述矩形边界框可以是根据障碍物的位置、尺寸和朝向计算得到的。
步骤S106,采用预设的第二聚类规则,对第二数据所包含的障碍物进行聚类,得到至少一个第二聚类簇;针对每个第二聚类簇,确定第二聚类簇对应的聚类障碍物的属性信息。
由于激光雷达对于大型障碍物得到的点云往往不连续,分裂后的各个障碍物的矩形边界框和速度都不准确,因而使用与毫米波雷达相同的聚类规则可能得不到较好的结果。由于激光雷达能准确的测量障碍物的位置和外形轮廓,因此上述第二聚类规则可以是首先对障碍物做尺寸跟踪,根据跟踪后的尺寸计算障碍物的矩形边界框,然后判断激光雷达探测到的障碍物(相当于第二数据所包含的障碍物)的边界框是否与融合障碍物(相当于多个传感器融合之后得到的障碍物)的边界框重叠;如果重叠,则为同一簇障碍物,也即是属于同一个第二聚类簇。
步骤S108,基于每个第一聚类簇对应的聚类障碍物的属性信息和每个第二聚类簇对应的聚类障碍物的属性信息,确定最终的障碍物的属性信息。
在具体实现时,可以将第一聚类簇对应的聚类障碍物的属性信息和第二聚类簇对应的聚类障碍物的属性信息保存在预设的数据存储单元中;当收到定时器触发的融合指令后,根据定时器的时间戳从数据存储单元中找到最接近该时间戳的第一聚类簇对应的聚类障碍物的属性信息和第二聚类簇对应的聚类障碍物的属性信息,然后对查找到的信息按照时间先后进行排序,对排序好的信息逐帧融合,得到最终的障碍物的属性信息。
上述障碍物检测方法,首先获取毫米波雷达采集的与障碍物有关的第一数据和激光雷达采集的与障碍物有关的第二数据;进而采用预设的第一聚类规则,对第一数据所包含的障碍物进行聚类,得到至少一个第一聚类簇;针对每个第一聚类簇,确定第一聚类簇对应的聚类障碍物的属性信息;然后采用预设的第二聚类规则,对第二数据所包含的障碍物进行聚类,得到至少一个第二聚类簇;针对每个第二聚类簇,确定第二聚类簇对应的聚类障碍物的属性信息;再基于每个第一聚类簇对应的聚类障碍物的属性信息和每个第二聚类簇对应的聚类障碍物的属性信息,确定最终的障碍物的属性信息。该方式针对不同的雷达传感器采用不同的聚类方式,有效合并了分裂的障碍物和消除了虚假障碍物,提高了障碍物跟踪和检测精度;同时,该方式耗时低,通用性强。
本发明实施例还提供了另一种障碍物检测方法,该方法在上述实施例方法的基础上实现;该方法重点描述采用预设的第一聚类规则,对第一数据所包含的障碍物进行聚类,得到至少一个第一聚类簇;针对每个第一聚类簇,确定第一聚类簇对应的聚类障碍物的属性信息的具体过程(通过下述步骤S204-S218实现);如图2所示,该方法包括如下具体步骤:
步骤S202,获取毫米波雷达采集的与障碍物有关的第一数据,以及激光雷达采集的与障碍物有关的第二数据。
步骤S204,将第一数据中的第一个障碍物作为当前障碍物。
在具体实现时,可以设置一个用于判断当前索引到的障碍物是否已经加入到聚类簇的标志量,该标志量的长度与第一数据所包含的障碍物的个数相同,该标志量的每一位初始化为false,当障碍物加入到某一聚类簇后,将该标志量更新为true。为了得到第一数据所包含的每个障碍物对应的第一聚类簇,首先将第一数据中的第一障碍物作为当前障碍物。
在实际应用中,上述第一数据中包括:第一数据所包含的障碍物的位置、尺寸和朝向等信息;在执行步骤S204之前,需要针对第一数据所包含的每个障碍物,根据障碍物的位置、尺寸和朝向,确定障碍物的矩形边界框。如图3所示为障碍物的矩形边界框的示意图,该矩形边界框中包含有四个角点1、2、3和4,θ为障碍物的朝向角,箭头方向为障碍物的朝向。
步骤S206,判断第一数据中是否存在与当前障碍物属于同一聚类簇的障碍物;如果存在,执行步骤S208;否则,执行步骤S210。
逐个遍历第一数据中除当前障碍物之外的每个障碍物,确定遍历到的障碍物是否与当前障碍物属于同一聚类簇,如果属于,将该障碍物将入到当前障碍物对应的第一聚类簇中。
在具体实现时,可以通过下述步骤10-12,判断第一数据中是否存在与当前障碍物属于同一聚类簇的障碍物。也即是针对第一数据中除当前障碍物外的每个障碍物执行下述步骤10-12:
步骤10,判断第一数据中的目标障碍物的矩形边界框与当前障碍物的矩形边界框是否重叠;如果重叠,执行步骤11;否则,执行步骤12。
确定目标障碍物与当前障碍物是否重叠的方式为:根据目标障碍物与当前障碍物的位置,从目标障碍物和当前障碍物中,确定与指定车辆距离最近的第一障碍物和与指定车辆距离最远的第二障碍物;根据第一障碍物的位置、朝向和尺寸,确定第一障碍物的横向坐标范围;判断第二障碍物的矩形边界框的角点的横向坐标或中心点的横向坐标是否在横向坐标范围内;如果在,确定第一障碍物和第二障碍物的矩形边界框重叠。
具体地,通过下述算式计算第一障碍物的横向坐标范围:
其中,Xmin表示横向坐标范围的最小值,Xmax表示横向坐标范围的最大值;x表示第一障碍物的中心点的横坐标值,y表示第一障碍物的中心点的纵坐标值,W表示第一障碍物的宽度,θ表示第一障碍物的朝向角。
步骤11,确定目标障碍物与当前障碍物属于同一聚类簇。
步骤12,判断目标障碍物与当前障碍物之间的纵向距离是否小于预设的距离阈值;如果小于,执行步骤11;否则,结束。
在具体实现时,目标障碍物与当前障碍物之间的纵向距离可以是目标障碍物与当前障碍物的边界框的四个角点的纵向坐标的差值的最小值。上述第一数据中还包括每个障碍物的速度;上述距离阈值Sthre可以通过下述算式确定:
Sthre=vminTttc
其中,vmin为第一障碍物和第二障碍物之间的速度最小值,Tttc为碰撞的反应时间,该反应时间为经验值,可以设置为0.5s或者0.6s等。在一些实施例中,还可以对Sthre的值进行了最大限制,例如,将Sthre的值限定为最大不超过6m。
步骤S208,将属于同一聚类簇的障碍物的索引和当前障碍物的索引加入到当前障碍物对应的第一聚类簇中;执行步骤S210。
上述索引可以理解为障碍物对应的标号。
步骤S210,判断第一数据中除当前障碍物对应的第一聚类簇所包含的障碍物之外的障碍物中,是否存在与当前障碍物对应的第一聚类簇所包含的障碍物属于同一聚类簇的障碍物;如果存在,执行步骤S212;否则,执行步骤S214。
在具体实现时,可以将当前障碍物对应的第一聚类簇所包含的每个障碍物的标志量设置为true。然后针对第一聚类簇所包含的每个障碍物执行下述操作:将第一聚类簇中当前的障碍物称为成员障碍物,进而逐个遍历第一数据中除当前障碍物对应的第一聚类簇所包含的障碍物之外的障碍物(也即是第一数据中标志量为false的障碍物)中的每个障碍物,确定遍历到的障碍物是否与成员障碍物属于同一聚类簇;如果是,将遍历到的障碍物的索引添加到成员障碍物对应的第一聚类簇中,并将遍历到的障碍物的标志量设置为true。
步骤S212,将存在的障碍物的索引加入到当前障碍物对应的第一聚类簇中;执行步骤S214。
步骤S214,判断是否确定出第一数据中的每个障碍物对应的第一聚类簇;如果不是,执行步骤S216;否则,执行步骤S218。
步骤S216,将除去当前障碍物对应的第一聚类簇中的障碍物的第一数据作为新的第一数据,继续执行步骤S204。
在具体实现时,将除去当前障碍物对应的第一聚类簇中的障碍物的第一数据作为新的第一数据,然后将新的第一数据中的第一个障碍物作为当前障碍物,继续执行步骤S206-S216,直到确定出第一数据中的每个障碍物对应的第一聚类簇。
步骤S218,针对每个第一聚类簇执行下述操作:从第一聚类簇所包含的障碍物中,将距离指定车辆最近的障碍物的速度和朝向,确定为第一聚类簇对应的聚类障碍物的速度和朝向;根据第一聚类簇所包含的每个障碍物的尺寸和中心位置,确定第一聚类簇对应的聚类障碍物的长度、宽度和中心位置。
在具体实现时,在得到第一数据对应的第一聚类簇后,针对每个第一聚类簇需要计算该聚类簇对应的聚类障碍物的属性信息,该属性信息包括速度、朝向、长度、宽度和中心位置。上述指定车辆也即是自动驾驶车辆,也可以理解为本车,在计算属性信息时,可以先确定距离本车最近的一个障碍物,记为基准障碍物,然后将聚类障碍物的速度和朝向使用基准障碍物的速度和朝向;再将第一聚类簇所包含的障碍物的矩形边界框的四个角点合在一起成为一个点集,求出障碍物朝向角方向的横坐标和纵坐标的最大值和最小值,纵坐标的最大值和最小值之差为聚类障碍物的长度,横坐标的最大值和最小值之差为聚类障碍物的宽度,进一步得到聚类障碍物的中心位置。
在一些实施例中,还需要对聚类障碍物进行最大长度限制,当聚类障碍物的长度超过设定阈值后,聚类障碍物的长度等于设定阈值,此时需要重新计算聚类障碍物的中心位置坐标。计算方式为:
其中,x为聚类障碍物的横坐标,y为聚类障碍物的纵坐标,Lthre为障碍物最大长度限制的设定阈值,可以根据用户需求设置,例如设置为20m或者25m等,L表示聚类障碍物的长度;X0表示更新后的中心位置的横坐标,Y0表示更新后的中心位置的纵坐标。
如图4所示,为聚类障碍物的尺寸和位置的示意图,图4中聚类后的中心点相当于上述更新后的中心位置。
步骤S220,采用预设的第二聚类规则,对第二数据所包含的障碍物进行聚类,得到至少一个第二聚类簇;针对每个第二聚类簇,确定第二聚类簇对应的聚类障碍物的属性信息。
步骤S222,基于每个第一聚类簇对应的聚类障碍物的属性信息和每个第二聚类簇对应的聚类障碍物的属性信息,确定最终的障碍物的属性信息。
上述障碍物检测方法,本发明结合多传感器数据,利用了视觉检测类型准确,毫米波雷达测速准确,激光雷达测量位置准确的特性,设计了关于毫米波雷达和激光雷达目标级障碍物的不同聚类算法;在毫米波雷达和激光雷达给出目聚类障碍物后,在纵向对分裂的障碍物进行合并,能有效避免错误聚类到旁车道障碍物的情况。同时,本发明通用性高,对于装有激光雷达、毫米波雷达和摄像头等多传感器的感知系统都适用。
本发明实施例还提供了另一种障碍物检测方法,该方法在上述实施例方法的基础上实现;该方法重点描述采用预设的第二聚类规则,对第二数据所包含的障碍物进行聚类,得到至少一个第二聚类簇;针对每个第二聚类簇,确定第二聚类簇对应的聚类障碍物的属性信息的具体过程(通过下述步骤S506-S522实现);如图5所示,该方法包括如下具体步骤:
步骤S502,获取毫米波雷达采集的与障碍物有关的第一数据,以及激光雷达采集的与障碍物有关的第二数据。
步骤S504,采用预设的第一聚类规则,对第一数据所包含的障碍物进行聚类,得到至少一个第一聚类簇;针对每个第一聚类簇,确定第一聚类簇对应的聚类障碍物的属性信息。
步骤S506,根据激光雷达历史时刻采集的障碍物数据、毫米波雷达在当前时刻的上一时刻采集的障碍物数据和预设的尺寸阈值,确定融合障碍物在当前时刻的上一时刻的尺寸和位置;其中,该障碍物数据包括障碍物的尺寸、位置和速度。
在具体实现时,在预设存储位置中保存有激光雷达在历史时刻和当前时刻采集到的障碍物数据,还保存有毫米波雷达在历史时刻和当前时刻采集到的障碍物数据。具体地,在融合障碍物距离本车在预设范围内,融合障碍物的长度为毫米波雷达、激光雷达和视觉障碍物的长度的实时测量值中的最大值;超过预设范围时,融合障碍物的长度为毫米波雷达、激光雷达和视觉障碍物的长度的历史测量值中的最大值;融合障碍物的宽度为传感器实时的测量值。具体的计算方法为:如果融合障碍物匹配上激光雷达,则使用激光雷达的宽度,如果未匹配上激光雷达而匹配上了毫米波雷达,则使用毫米波雷达障碍物的宽度,否则使用视觉障碍物的宽度。融合障碍物的高度计算方法与长度计算方法相同。
然后根据障碍物类型对融合障碍物的尺寸进行长度、宽度和高度的阈值限制,具体的,根据障碍物类型设置三维尺寸的最小值和最大值,当障碍物尺寸小于最小阈值或者大于最大阈值时,尺寸限制为相应的最小或最大阈值。
在一些实施例中,还需要矫正障碍物的类型。如果障碍物的长度连续六帧大于设定阈值,则认为障碍物为大车。如果障碍物运动速度连续六帧大于一定阈值,则认为障碍物为汽车。
步骤S508,根据融合障碍物在当前时刻的上一时刻的尺寸、位置和速度,确定融合障碍物在当前时刻的矩形边界框。
在具体实现时,可以根据上一时刻融合障碍物的距离边界框(包含有尺寸)和中心位置,可以得到当前时刻的融合障碍物的中心位置,具体算式为:
xk=xk-1+vx-1(tk-tk-1)
yk=yk-1+vy-1(tk-tk-1)
其中,xk-1,yk-1为在上一时刻融合障碍物的横坐标和纵坐标。vx-1,vy-1为在上一时刻融合障碍物的横向速度和纵向速度,tk为当前时刻的时间戳,tk-1为上一时刻的时间戳。
进一步地,根据融合障碍物的尺寸和中心位置,可以得到融合障碍物在当前时刻的矩形边界框。
步骤S510,针对每个融合障碍物依次确定为当前融合障碍物。
步骤S512,从第二数据所包含的障碍物中,确定未加入到第二聚类簇中的参考障碍物。
在具体实现时,可以设置一个用于判断当前索引到的障碍物是否已经加入到聚类簇的标志量,该标志量的长度与第二数据所包含的障碍物的个数相同,该标志量的每一位初始化为false,当障碍物加入到某一聚类簇后,将该标志量更新为true。
逐个遍历第二数据所包含的每个障碍物,确定遍历到的障碍物是否加入到某一聚类簇中,通常加入到聚类簇中的障碍物的标志量为true。
步骤S514,判断当前融合障碍物与参考障碍物的矩形边界框是否重叠;如果重叠,执行步骤S516;否则,执行步骤S520。
步骤S516,判断参考障碍物与融合障碍物之间的横向距离差和纵向距离差是否均小于设定的横向阈值和纵向阈值;如果小于,执行步骤S518;否则执行步骤S512。
在具体实现时,上述纵向阈值和横向阈值对应的具体数值可以根据用户需求设定。具体地,上述参考障碍物与融合障碍物的横向距离差和纵向距离差,可以通过下述算式确定:
其中,xfusion为融合障碍物的中心点的横坐标,xobject为参考障碍物的中心点的横坐标;yfusion为融合障碍物的中心点的纵坐标,yobject为参考障碍物的中心点的纵坐标;θ为融合障碍物的朝向角,Y为纵向距离差,X为横向距离差。
步骤S518,将参考障碍物的索引加入到当前融合障碍物对应的第二聚类簇中;执行步骤S520;
步骤S520,判断第二数据所包含的障碍物是否均被遍历;如果是,执行步骤S522;否则,执行步骤S512。
步骤S522,针对每个第二聚类簇执行下述操作:从第二聚类簇所包含的障碍物中,将距离指定车辆最近的障碍物的速度和朝向,确定为第二聚类簇对应的聚类障碍物的速度和朝向;根据第二聚类簇所包含的每个障碍物的尺寸和中心位置,确定第二聚类簇对应的聚类障碍物的长度、宽度和中心位置。
在具体实现时,上述步骤S522的具体实现方式,可以参考上述步骤S218,在此不再赘述。
步骤S524,基于每个第一聚类簇对应的聚类障碍物的属性信息和每个第二聚类簇对应的聚类障碍物的属性信息,确定最终的障碍物的属性信息。
上述障碍物检测方法,该方式通过对障碍物进行聚类,能够有效解决自动驾驶场景中对卡车、挂车等障碍物的检测出现分裂的问题;同时,该方式,根据不同传感器的特性设计了对应的障碍物聚类算法,能有效解决大型障碍物分裂和跟踪不稳定的问题。使用纵向搜索的目标级聚类算法,有效避免了错误聚类到旁车道障碍物的情况,对障碍物的尺寸跟踪,避免了障碍物尺寸突变的情况对下游模块的影响。
针对于上述障碍物检测方法的实施例,本发明实施例提供了一种障碍物检测装置,如图6所示,该装置包括:
数据获取模块60,用于获取毫米波雷达采集的与障碍物有关的第一数据,以及激光雷达采集的与障碍物有关的第二数据。
第一聚类模块61,用于采用预设的第一聚类规则,对第一数据所包含的障碍物进行聚类,得到至少一个第一聚类簇;针对每个第一聚类簇,确定第一聚类簇对应的聚类障碍物的属性信息。
第二聚类模块62,用于采用预设的第二聚类规则,对第二数据所包含的障碍物进行聚类,得到至少一个第二聚类簇;针对每个第二聚类簇,确定第二聚类簇对应的聚类障碍物的属性信息。
信息融合模块63,用于基于每个第一聚类簇对应的聚类障碍物的属性信息和每个第二聚类簇对应的聚类障碍物的属性信息,确定最终的障碍物的属性信息。
上述障碍物检测装置,首先获取毫米波雷达采集的与障碍物有关的第一数据和激光雷达采集的与障碍物有关的第二数据;进而采用预设的第一聚类规则,对第一数据所包含的障碍物进行聚类,得到至少一个第一聚类簇;针对每个第一聚类簇,确定第一聚类簇对应的聚类障碍物的属性信息;然后采用预设的第二聚类规则,对第二数据所包含的障碍物进行聚类,得到至少一个第二聚类簇;针对每个第二聚类簇,确定第二聚类簇对应的聚类障碍物的属性信息;再基于每个第一聚类簇对应的聚类障碍物的属性信息和每个第二聚类簇对应的聚类障碍物的属性信息,确定最终的障碍物的属性信息。该方式针对不同的雷达传感器采用不同的聚类方式,有效合并了分裂的障碍物和消除了虚假障碍物,提高了障碍物跟踪和检测精度;同时,该方式耗时低,通用性强。
进一步地,上述第一聚类模块61,用于:将第一数据中的第一个障碍物作为当前障碍物,判断第一数据中是否存在与当前障碍物属于同一聚类簇的障碍物;如果存在,将属于同一聚类簇的障碍物的索引和当前障碍物的索引加入到当前障碍物对应的第一聚类簇中;判断第一数据中除当前障碍物对应的第一聚类簇所包含的障碍物之外的障碍物中,是否存在与当前障碍物对应的第一聚类簇所包含的障碍物属于同一聚类簇的障碍物;如果存在,将存在的障碍物的索引加入到当前障碍物对应的第一聚类簇中;将除去当前障碍物对应的第一聚类簇中的障碍物的第一数据作为新的第一数据,继续执行将第一数据中的第一个障碍物作为当前障碍物,判断第一数据中是否存在与述当前障碍物属于同一聚类簇的障碍物的步骤,直到确定出第一数据中的每个障碍物对应的第一聚类簇。
在具体实现时,上述第一数据中包括:第一数据所包含的障碍物的位置、尺寸和朝向;上述装置还包括边框确定模块,用于:对第一数据所包含的每个障碍物,根据障碍物的位置、尺寸和朝向,确定障碍物的矩形边界框。
具体地,上述第一数据中还包括每个障碍物的速度;上述第一聚类模块61,还用于:针对第一数据中除当前障碍物外的每个障碍物执行下述操作:判断第一数据中的目标障碍物的矩形边界框与当前障碍物的矩形边界框是否重叠;如果重叠,确定目标障碍物与当前障碍物属于同一聚类簇;如果不重叠,判断目标障碍物与当前障碍物之间的纵向距离是否小于预设的距离阈值;如果小于,确定目标障碍物与当前障碍物属于同一聚类簇。
进一步地,上述第一聚类模块61,还用于:根据目标障碍物与当前障碍物的位置,从目标障碍物和当前障碍物中,确定与指定车辆距离最近的第一障碍物和与指定车辆距离最远的第二障碍物;根据第一障碍物的位置、朝向和尺寸,确定第一障碍物的横向坐标范围;判断第二障碍物的矩形边界框的角点的横向坐标或中心点的横向坐标是否在横向坐标范围内;如果在,确定第一障碍物和所述第二障碍物的矩形边界框重叠。
在一些实施例中,可以通过下述算式计算第一障碍物的横向坐标范围:
其中,Xmin表示横向坐标范围的最小值,Xmax表示横向坐标范围的最大值;x表示第一障碍物的中心点的横坐标值,y表示第一障碍物的中心点的纵坐标值,W表示第一障碍物的宽度,θ表示第一障碍物的朝向角。
在具体实现时,上述属性信息包括速度、朝向、长度、宽度和中心位置;上述第一聚类模块61,用于:针对每个第一聚类簇执行下述操作:从第一聚类簇所包含的障碍物中,将距离指定车辆最近的障碍物的速度和朝向,确定为第一聚类簇对应的聚类障碍物的速度和朝向;根据第一聚类簇所包含的每个障碍物的尺寸和中心位置,确定第一聚类簇对应的聚类障碍物的长度、宽度和中心位置。
进一步地,上述第二聚类模块62,用于:根据激光雷达历史时刻采集的障碍物数据、毫米波雷达在当前时刻的上一时刻采集的障碍物数据和预设的尺寸阈值,确定融合障碍物在所述当前时刻的上一时刻的尺寸和位置;其中,该障碍物数据包括障碍物的尺寸、位置和速度;根据融合障碍物在所述当前时刻的上一时刻的尺寸、位置和速度,确定融合障碍物在所述当前时刻的矩形边界框;针对每个融合障碍物执行下述操作:从第二数据所包含的障碍物中,确定未加入到第二聚类簇中的参考障碍物;判断当前融合障碍物与参考障碍物的矩形边界框是否重叠,如果重叠,判断参考障碍物与融合障碍物之间的横向距离差和纵向距离差是否均小于设定的横向阈值和纵向阈值;如果小于,将参考障碍物的索引加入到当前融合障碍物对应的第二聚类簇中,继续执行从第二数据所包含的障碍物中,确定未加入到第二聚类簇中的参考障碍物的步骤;如果不小于,继续执行从第二数据所包含的障碍物中,确定未加入到第二聚类簇中的参考障碍物的步骤,直到第二数据所包含的障碍物均被遍历。
在具体实现时,上述参考障碍物与融合障碍物的横向距离差和纵向距离差,通过下述算式确定:
其中,xfusion为融合障碍物的中心点的横坐标,xobject为参考障碍物的中心点的横坐标;yfusion为融合障碍物的中心点的纵坐标,yobject为参考障碍物的中心点的纵坐标;θ为融合障碍物的朝向角,Y为纵向距离差,X为横向距离差。
本发明实施例所提供的障碍物检测装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
本发明实施例还提供了一种电子设备,如图7所示,该电子设备包括处理器101和存储器100,该存储器100存储有能够被处理器101执行的机器可执行指令,该处理器101执行机器可执行指令以实现上述障碍物检测方法。
进一步地,图7所示的电子设备还包括总线102和通信接口103,处理器101、通信接口103和存储器100通过总线102连接。
其中,存储器100可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口103(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。总线102可以是ISA总线、PCI总线或EISA总线等。所述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7中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
处理器101可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器101中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器101可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DigitalSignal Processing,简称DSP)、专用集成电路(Application Specific IntegratedCircuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。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。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器100,处理器101读取存储器100中的信息,结合其硬件完成前述实施例的方法的步骤。
本发明实施例还提供了一种机器可读存储介质,该机器可读存储介质存储有机器可执行指令,该机器可执行指令在被处理器调用和执行时,该机器可执行指令促使处理器实现上述障碍物检测方法,具体实现可参见方法实施例,在此不再赘述。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案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一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (8)
1.一种障碍物检测方法,其特征在于,所述方法包括:
获取毫米波雷达采集的与障碍物有关的第一数据,以及激光雷达采集的与所述障碍物有关的第二数据;
将所述第一数据中的第一个障碍物作为当前障碍物,判断所述第一数据中是否存在与所述当前障碍物属于同一聚类簇的障碍物;
如果存在,将属于同一聚类簇的障碍物的索引和所述当前障碍物的索引加入到所述当前障碍物对应的第一聚类簇中;
判断所述第一数据中除所述当前障碍物对应的第一聚类簇所包含的障碍物之外的障碍物中,是否存在与所述当前障碍物对应的第一聚类簇所包含的障碍物属于同一聚类簇的障碍物;如果存在,将存在的所述障碍物的索引加入到所述当前障碍物对应的第一聚类簇中;
将除去所述当前障碍物对应的第一聚类簇中的障碍物的第一数据作为新的第一数据,继续执行将所述第一数据中的第一个障碍物作为当前障碍物,判断所述第一数据中是否存在与所述当前障碍物属于同一聚类簇的障碍物的步骤,直到确定出所述第一数据中的每个障碍物对应的第一聚类簇;针对每个所述第一聚类簇,确定所述第一聚类簇对应的聚类障碍物的属性信息;
根据所述激光雷达历史时刻采集的障碍物数据、所述毫米波雷达在当前时刻的上一时刻采集的障碍物数据和预设的尺寸阈值,确定融合障碍物在所述当前时刻的上一时刻的尺寸和位置;其中,所述障碍物数据包括障碍物的尺寸、位置和速度;
根据所述融合障碍物在所述当前时刻的上一时刻的尺寸、位置和速度,确定所述融合障碍物在所述当前时刻的矩形边界框;
针对每个所述融合障碍物执行下述操作:
从所述第二数据所包含的障碍物中,确定未加入到第二聚类簇中的参考障碍物;
判断当前融合障碍物与所述参考障碍物的矩形边界框是否重叠,如果重叠,判断所述参考障碍物与融合障碍物之间的横向距离差和纵向距离差是否均小于设定的横向阈值和纵向阈值;
如果小于,将所述参考障碍物的索引加入到所述当前融合障碍物对应的第二聚类簇中,继续执行从所述第二数据所包含的障碍物中,确定未加入到第二聚类簇中的参考障碍物的步骤;
如果不小于,继续执行从所述第二数据所包含的障碍物中,确定未加入到第二聚类簇中的参考障碍物的步骤,直到所述第二数据所包含的障碍物均被遍历;针对每个所述第二聚类簇,确定所述第二聚类簇对应的聚类障碍物的属性信息;
基于每个所述第一聚类簇对应的聚类障碍物的属性信息和每个所述第二聚类簇对应的聚类障碍物的属性信息,确定最终的障碍物的属性信息。
2.根据权利要求1所述的方法,其特征在于,所述第一数据中包括:所述第一数据所包含的障碍物的位置、尺寸和朝向;
所述将所述第一数据中的第一个障碍物作为当前障碍物的步骤之前,所述方法还包括:
针对所述第一数据所包含的每个障碍物,根据所述障碍物的位置、尺寸和朝向,确定所述障碍物的矩形边界框。
3.根据权利要求2所述的方法,其特征在于,所述第一数据中还包括每个障碍物的速度;所述判断所述第一数据中是否存在与所述当前障碍物属于同一聚类簇的障碍物的步骤,包括:
针对所述第一数据中除所述当前障碍物外的每个障碍物执行下述操作:
判断所述第一数据中的目标障碍物的矩形边界框与所述当前障碍物的矩形边界框是否重叠;如果重叠,确定所述目标障碍物与所述当前障碍物属于同一聚类簇;
如果不重叠,判断所述目标障碍物与所述当前障碍物之间的纵向距离是否小于预设的距离阈值;如果小于,确定所述目标障碍物与所述当前障碍物属于同一聚类簇。
4.根据权利要求3所述的方法,其特征在于,所述判断所述第一数据中的目标障碍物的矩形边界框与所述当前障碍物的矩形边界框是否重叠的步骤,包括:
根据所述目标障碍物与所述当前障碍物的位置,从所述目标障碍物和所述当前障碍物中,确定与指定车辆距离最近的第一障碍物和与所述指定车辆距离最远的第二障碍物;
根据所述第一障碍物的位置、朝向和尺寸,确定所述第一障碍物的横向坐标范围;
判断所述第二障碍物的矩形边界框的角点的横向坐标或中心点的横向坐标是否在所述横向坐标范围内;如果在,确定所述第一障碍物和所述第二障碍物的矩形边界框重叠。
5.根据权利要求4所述的方法,其特征在于,所述根据所述第一障碍物的位置、朝向和尺寸,确定所述第一障碍物的横向坐标范围的步骤,包括:
通过下述算式计算所述第一障碍物的横向坐标范围:
其中,Xmin表示所述横向坐标范围的最小值,Xmax表示所述横向坐标范围的最大值;x表示所述第一障碍物的中心点的横坐标值,y表示所述第一障碍物的中心点的纵坐标值,W表示所述第一障碍物的宽度,θ表示所述第一障碍物的朝向角。
6.根据权利要求1所述的方法,其特征在于,所述属性信息包括速度、朝向、长度、宽度和中心位置;所述针对每个所述第一聚类簇,确定所述第一聚类簇对应的聚类障碍物的属性信息的步骤,包括:
针对每个所述第一聚类簇执行下述操作:
从所述第一聚类簇所包含的障碍物中,将距离指定车辆最近的障碍物的速度和朝向,确定为所述第一聚类簇对应的聚类障碍物的速度和朝向;
根据所述第一聚类簇所包含的每个障碍物的尺寸和中心位置,确定所述第一聚类簇对应的聚类障碍物的长度、宽度和中心位置。
7.根据权利要求1所述的方法,其特征在于,所述参考障碍物与所述融合障碍物的横向距离差和纵向距离差,通过下述算式确定:
其中,xfusion为所述融合障碍物的中心点的横坐标,xobject为所述参考障碍物的中心点的横坐标;yfusion为所述融合障碍物的中心点的纵坐标,yobject为参考障碍物的中心点的纵坐标;θ为所述融合障碍物的朝向角,Y为所述纵向距离差,X为所述横向距离差。
8.一种障碍物检测装置,其特征在于,所述装置包括:
数据获取模块,用于获取毫米波雷达采集的与障碍物有关的第一数据,以及激光雷达采集的与所述障碍物有关的第二数据;
第一聚类模块,用于将所述第一数据中的第一个障碍物作为当前障碍物,判断所述第一数据中是否存在与所述当前障碍物属于同一聚类簇的障碍物;如果存在,将属于同一聚类簇的障碍物的索引和所述当前障碍物的索引加入到所述当前障碍物对应的第一聚类簇中;判断所述第一数据中除所述当前障碍物对应的第一聚类簇所包含的障碍物之外的障碍物中,是否存在与所述当前障碍物对应的第一聚类簇所包含的障碍物属于同一聚类簇的障碍物;如果存在,将存在的所述障碍物的索引加入到所述当前障碍物对应的第一聚类簇中;将除去所述当前障碍物对应的第一聚类簇中的障碍物的第一数据作为新的第一数据,继续执行将所述第一数据中的第一个障碍物作为当前障碍物,判断所述第一数据中是否存在与所述当前障碍物属于同一聚类簇的障碍物的步骤,直到确定出所述第一数据中的每个障碍物对应的第一聚类簇;针对每个所述第一聚类簇,确定所述第一聚类簇对应的聚类障碍物的属性信息;
第二聚类模块,用于根据所述激光雷达历史时刻采集的障碍物数据、所述毫米波雷达在当前时刻的上一时刻采集的障碍物数据和预设的尺寸阈值,确定融合障碍物在所述当前时刻的上一时刻的尺寸和位置;其中,所述障碍物数据包括障碍物的尺寸、位置和速度;根据所述融合障碍物在所述当前时刻的上一时刻的尺寸、位置和速度,确定所述融合障碍物在所述当前时刻的矩形边界框;针对每个所述融合障碍物执行下述操作:从所述第二数据所包含的障碍物中,确定未加入到第二聚类簇中的参考障碍物;判断当前融合障碍物与所述参考障碍物的矩形边界框是否重叠,如果重叠,判断所述参考障碍物与融合障碍物之间的横向距离差和纵向距离差是否均小于设定的横向阈值和纵向阈值;如果小于,将所述参考障碍物的索引加入到所述当前融合障碍物对应的第二聚类簇中,继续执行从所述第二数据所包含的障碍物中,确定未加入到第二聚类簇中的参考障碍物的步骤;如果不小于,继续执行从所述第二数据所包含的障碍物中,确定未加入到第二聚类簇中的参考障碍物的步骤,直到所述第二数据所包含的障碍物均被遍历针对每个所述第二聚类簇,确定所述第二聚类簇对应的聚类障碍物的属性信息;
信息融合模块,用于基于每个所述第一聚类簇对应的聚类障碍物的属性信息和每个所述第二聚类簇对应的聚类障碍物的属性信息,确定最终的障碍物的属性信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110463644.4A CN113139607B (zh) | 2021-04-27 | 2021-04-27 | 障碍物检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110463644.4A CN113139607B (zh) | 2021-04-27 | 2021-04-27 | 障碍物检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113139607A CN113139607A (zh) | 2021-07-20 |
CN113139607B true CN113139607B (zh) | 2023-12-19 |
Family
ID=76816215
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110463644.4A Active CN113139607B (zh) | 2021-04-27 | 2021-04-27 | 障碍物检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113139607B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230109909A1 (en) * | 2021-10-07 | 2023-04-13 | Motional Ad Llc | Object detection using radar and lidar fusion |
CN114003036A (zh) * | 2021-10-28 | 2022-02-01 | 广州赛特智能科技有限公司 | 机器人避障控制方法、装置、设备和介质 |
CN114442101B (zh) * | 2022-01-28 | 2023-11-14 | 南京慧尔视智能科技有限公司 | 基于成像毫米波雷达的车辆导航方法、装置、设备及介质 |
CN114545385A (zh) * | 2022-02-18 | 2022-05-27 | 华域汽车系统股份有限公司 | 一种基于车载前视摄像头和前向毫米波雷达的融合目标探测方法 |
CN116148809B (zh) * | 2023-04-04 | 2023-06-20 | 中储粮成都储藏研究院有限公司 | 基于激光雷达扫描定位的粮车扦样点自动生成方法及系统 |
CN116499488B (zh) * | 2023-06-29 | 2023-11-03 | 小米汽车科技有限公司 | 目标融合方法、装置、车辆及存储介质 |
CN117111053B (zh) * | 2023-10-23 | 2024-02-27 | 武汉未来幻影科技有限公司 | 一种毫米波雷达跟踪结果的处理方法、装置以及处理设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111537994A (zh) * | 2020-03-24 | 2020-08-14 | 江苏徐工工程机械研究院有限公司 | 一种无人矿卡障碍物检测方法 |
CN111832410A (zh) * | 2020-06-09 | 2020-10-27 | 北京航空航天大学 | 一种基于视觉与激光雷达融合的前向列车检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101795432B1 (ko) * | 2016-02-26 | 2017-11-10 | 현대자동차주식회사 | 차량 및 차량의 제어방법 |
-
2021
- 2021-04-27 CN CN202110463644.4A patent/CN113139607B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111537994A (zh) * | 2020-03-24 | 2020-08-14 | 江苏徐工工程机械研究院有限公司 | 一种无人矿卡障碍物检测方法 |
CN111832410A (zh) * | 2020-06-09 | 2020-10-27 | 北京航空航天大学 | 一种基于视觉与激光雷达融合的前向列车检测方法 |
Non-Patent Citations (1)
Title |
---|
基于改进JP算法的激光雷达可行驶区域检测;段建民;冉旭辉;李帅印;管越;;应用激光(03);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113139607A (zh) | 2021-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113139607B (zh) | 障碍物检测方法和装置 | |
JP6747269B2 (ja) | 物体認識装置 | |
CN106255899B (zh) | 用于将对象用信号通知给配备有此装置的车辆的导航模块的装置 | |
US11498577B2 (en) | Behavior prediction device | |
JP5938569B2 (ja) | 方位情報を考慮する高度運転者支援システム、及びその動作方法 | |
JP6450294B2 (ja) | 物体検出装置、物体検出方法、及びプログラム | |
JP2012089114A (ja) | 障害物認識装置 | |
US11042160B2 (en) | Autonomous driving trajectory determination device | |
CN111798698A (zh) | 一种前方目标车辆的确定方法、装置及车辆 | |
WO2023066156A1 (zh) | 一种视觉雷达感知融合方法及终端设备 | |
JP2018147399A (ja) | 物標検出装置 | |
WO2023072135A1 (zh) | 车辆安全行驶的评估方法、装置、车辆及存储介质 | |
CN113253257A (zh) | 一种基于多毫米波雷达和视觉的露天矿障碍物检测方法 | |
Alpar et al. | Intelligent collision warning using license plate segmentation | |
US11087147B2 (en) | Vehicle lane mapping | |
US20200191907A1 (en) | Odm information reliability determination system and method and vehicle using the same | |
CN113253299B (zh) | 障碍物检测方法、装置及存储介质 | |
CN115223131A (zh) | 一种自适应巡航的跟随目标车辆检测方法、装置及汽车 | |
CN113879312B (zh) | 基于多传感器融合的前向目标选择方法、装置和存储介质 | |
CN111959515A (zh) | 一种基于视觉检测的前向目标选择方法、装置及系统 | |
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 | |
CN116299280A (zh) | 一种车辆状态识别方法、系统、设备以及介质 | |
CN115359332A (zh) | 基于车路协同的数据融合方法、装置、电子设备及系统 | |
CN112835063B (zh) | 物体动静属性的确定方法、装置、设备及存储介质 | |
Lai et al. | Sensor fusion of camera and MMW radar based on machine learning for vehicles |
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 |