CN113256595A - 地图创建方法、装置、设备及计算机存储介质 - Google Patents
地图创建方法、装置、设备及计算机存储介质 Download PDFInfo
- Publication number
- CN113256595A CN113256595A CN202110632595.2A CN202110632595A CN113256595A CN 113256595 A CN113256595 A CN 113256595A CN 202110632595 A CN202110632595 A CN 202110632595A CN 113256595 A CN113256595 A CN 113256595A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- target
- map
- target object
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Processing Or Creating Images (AREA)
Abstract
本申请公开了一种地图创建方法、装置、设备及计算机存储介质。该地图创建方法包括:获取动态场景下的点云数据,动态场景包括多个对象;基于点云3D检测模型对点云数据进行目标检测,确定多个对象中具有运动能力的目标对象;基于预设滤波算法和目标对象对应的点云数据,确定目标对象中的运动对象;去除动态场景下的点云数据中运动对象对应的点云数据,得到目标点云数据;基于目标点云数据创建动态场景下的点云地图。根据本申请实施例,能够解决如何在高度动态的场景下提升点云地图的质量的问题。
Description
技术领域
本申请属于自动驾驶领域,尤其涉及一种地图创建方法、装置、设备及计算机存储介质。
背景技术
目前,道路上车辆越来越多,道路运输系统变得越来越繁忙。为了使交通和运输更加智能化和高效,自动驾驶汽车被认为是有前途的解决方案。实际应用中,自动驾驶车辆在上路之前,需要提前创建好点云地图,在自动驾驶过程中利用点云地图进行定位。
相关技术中,在地图创建过程中,属于动态物体的点云由于其固有的移动性会造成点云配准不准确,从而影响点云地图的精度和质量。而现实世界是高度动态的,具有车辆、行人等许多运动的物体,因此创建得到的点云地图的质量不高。
发明内容
本申请实施例提供一种地图创建方法、装置、设备及计算机存储介质,能够解决如何在高度动态的场景下提升点云地图的质量的问题。
第一方面,本申请实施例提供一种地图创建方法,该方法包括:获取动态场景下的点云数据,动态场景包括多个对象;基于点云3D检测模型对点云数据进行目标检测,确定多个对象中具有运动能力的目标对象;基于预设滤波算法和目标对象对应的点云数据,确定目标对象中的运动对象;去除动态场景下的点云数据中运动对象对应的点云数据,得到目标点云数据;基于目标点云数据创建动态场景下的点云地图。
在第一方面的一些可实现方式中,点云数据包括多帧点云数据,预设滤波算法包括卡尔曼滤波算法,基于预设滤波算法和目标对象对应的点云数据,确定目标对象中的运动对象,包括:基于卡尔曼滤波算法和目标对象对应的第一点云数据,确定目标对象的第一位置,第一点云数据包括目标对象对应的至少两帧点云数据;基于目标对象对应的第二点云数据,确定目标对象的第二位置,第二点云数据为至少两帧点云数据的下一帧点云数据;在第一位置与第二位置的距离大于预设距离阈值的情况下,确定对象为运动对象。
在第一方面的一些可实现方式中,点云3D检测模型包括PointPillars模型,基于点云3D检测模型对点云数据进行目标检测,确定多个对象中具有运动能力的目标对象,包括:基于PointPillars模型对点云数据进行目标检测,得到多个对象中每个对象的类别;基于每个对象的类别确定多个对象中具有运动能力的目标对象。
在第一方面的一些可实现方式中,目标点云数据包括多帧点云数据,基于目标点云数据创建动态场景下的点云地图,包括:计算目标点云数据中每帧点云数据对应的位姿信息;基于每帧点云数据和每帧点云数据对应的位姿信息创建点云地图。
在第一方面的一些可实现方式中,计算目标点云数据中每帧点云数据对应的位姿信息,包括:利用体素滤波算法对目标点云数据进行稀疏化处理;基于同步定位与建图SLAM和稀疏化处理后的目标点云数据,计算每帧点云数据对应的位姿信息。
在第一方面的一些可实现方式中,在基于目标点云数据创建动态场景下的点云地图之后,方法还包括:去除点云地图中,所有目标对象对应的点云数据。
在第一方面的一些可实现方式中,点云地图包括语义信息。
在第一方面的一些可实现方式中,该方法还包括:在不同的线程中执行目标检测和点云地图的创建。
第二方面,本申请实施例提供一种地图创建装置,该装置包括:获取模块,用于获取动态场景下的点云数据,动态场景包括多个对象;检测模块,用于基于点云3D检测模型对点云数据进行目标检测,确定多个对象中具有运动能力的目标对象;确定模块,用于基于预设滤波算法和目标对象对应的点云数据,确定目标对象中的运动对象;去除模块,用于去除动态场景下的点云数据中运动对象对应的点云数据,得到目标点云数据;创建模块,用于基于目标点云数据创建动态场景下的点云地图。
在第二方面的一些可实现方式中,点云数据包括多帧点云数据,预设滤波算法包括卡尔曼滤波算法,确定模块具体用于:基于卡尔曼滤波算法和目标对象对应的第一点云数据,确定目标对象的第一位置,第一点云数据包括目标对象对应的至少两帧点云数据;基于目标对象对应的第二点云数据,确定目标对象的第二位置,第二点云数据为至少两帧点云数据的下一帧点云数据;在第一位置与第二位置的距离大于预设距离阈值的情况下,确定对象为运动对象。
在第二方面的一些可实现方式中,点云3D检测模型包括PointPillars模型,检测模块包括:确定单元,用于基于PointPillars模型对点云数据进行目标检测,得到多个对象中每个对象的类别;确定单元,还用于基于每个对象的类别确定多个对象中具有运动能力的目标对象。
在第二方面的一些可实现方式中,目标点云数据包括多帧点云数据,创建模块包括:计算单元,用于计算目标点云数据中每帧点云数据对应的位姿信息;创建单元,用于基于每帧点云数据和每帧点云数据对应的位姿信息创建点云地图。
在第二方面的一些可实现方式中,计算单元包括:稀疏化处理子单元,用于利用体素滤波算法对目标点云数据进行稀疏化处理;计算子单元,用于基于同步定位与建图SLAM和稀疏化处理后的目标点云数据,计算每帧点云数据对应的位姿信息。
在第二方面的一些可实现方式中,去除模块,还用于在基于目标点云数据创建动态场景下的点云地图之后,去除点云地图中,所有目标对象对应的点云数据。
在第二方面的一些可实现方式中,点云地图包括语义信息。
在第二方面的一些可实现方式中,该装置还包括:执行模块,用于在不同的线程中执行目标检测和点云地图的创建。
第三方面,本申请提供一种地图创建设备,该设备包括:处理器以及存储有计算机程序指令的存储器;处理器执行计算机程序指令时实现第一方面或者第一方面任一可实现方式中的地图创建方法。
第四方面,本申请提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序指令,计算机程序指令被处理器执行时实现第一方面或者第一方面任一可实现方式中的地图创建方法。
本申请实施例提供了一种地图创建方法,在获取动态场景下的点云数据之后,基于点云3D检测模型对点云数据进行目标检测,从动态场景下的多个对象中确定出具有运动能力的目标对象。在此基础上,可以基于预设滤波算法和目标对象对应的点云数据,确定目标对象中的运动对象,从而准确确定出动态场景下的动态物体。这样,可以直接去除动态场景下的点云数据中运动对象对应的点云数据,得到目标点云数据。由于目标点云数据中未包含动态物体的点云数据,因此基于目标点云数据创建点云地图,能够避免动态物体影响点云配准准确性的现象,提升动态场景下点云地图的精度和质量。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单的介绍,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是本申请实施例提供的一种地图创建方法的流程示意图;
图2是本申请实施例提供的另一种地图创建方法的流程示意图;
图3是本申请实施例提供的一种地图创建装置的结构示意图;
图4是本申请实施例提供的一种地图创建设备的硬件结构示意图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例,为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本申请进行进一步详细描述。应理解,此处所描述的具体实施例仅意在解释本申请,而不是限定本申请。对于本领域技术人员来说,本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
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……”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。
首先,对本申请实施例所提供技术方案所涉及的技术术语进行介绍:
点云,在逆向工程中通过测量仪器得到的产品外观表面的点数据集合。
点云数据(point cloud data),是指在一个三维坐标系统中的一组向量的集合。
同步定位与建图(Simultaneous Localization and Mapping,SLAM)是创建点云地图的技术。
目前,道路上车辆越来越多,道路运输系统变得越来越繁忙。为了使交通和移动更加智能化和高效,自动驾驶汽车被认为是有前途的解决方案。实际应用中,自动驾驶车辆在上路之前,需要提前创建好点云地图,在自动驾驶过程中利用点云地图进行定位。
相关技术中,在地图创建过程中,属于动态物体的点云由于其固有的移动性会造成点云配准不准确,从而影响点云地图的精度和质量。而现实世界是高度动态的,具有车辆、行人等许多运动的物体,因此创建得到的点云地图的质量不高。
为了解决相关技术中的问题,本申请实施例提供了一种地图创建方法,在获取动态场景下的点云数据之后,基于点云3D检测模型对点云数据进行目标检测,从动态场景下的多个对象中确定出具有运动能力的目标对象。在此基础上,可以基于预设滤波算法和目标对象对应的点云数据,确定目标对象中的运动对象,从而准确确定出动态场景下的动态物体。这样,可以直接去除动态场景下的点云数据中运动对象对应的点云数据,得到目标点云数据。由于目标点云数据中未包含动态物体的点云数据,因此基于目标点云数据创建点云地图,能够避免动态物体影响点云配准准确性的现象,提升动态场景下点云地图的精度和质量,解决了如何在高度动态的场景下提升点云地图的质量的问题。
下面结合附图,通过具体的实施例及其应用场景对本申请实施例提供的地图创建方法进行详细地说明。
图1是本申请实施例提供的一种地图创建方法的流程示意图,其中,该地图创建方法的执行主体可以是地图创建设备。需要说明的是,上述执行主体并不构成对本申请的限定。
如图1所示,该地图创建方法可以包括S110-S150。
S110,获取动态场景下的点云数据,动态场景包括多个对象。
示例性地,该多个对象可以包括但不限于:行人、车辆、道路标识、建筑物、路灯、动物,该动态场景即为包含多个上述对象的场景,例如马路场景、商场场景等。
在本申请的一些实施例中,地图创建设备可以包括3D扫描仪,因此可以通过3D扫描仪获取动态场景下的点云数据。
在上述实施例中,3D扫描仪根据激光测量原理得到的点云数据,可以包括三维坐标(XYZ)和激光反射强度(Intensity);根据摄影测量原理得到的点云数据,可以包括三维坐标和颜色信息(RGB);结合激光测量和摄影测量原理得到的点云数据,可以包括三维坐标、激光反射强度和颜色信息。
示例性地,地图创建设备可以通过激光雷达获取点云数据,该点云数据可以包括空间点(或者采样点)的三维坐标,以及动态场景中对象(或者物体)的反射强度。
在本申请的一些实施例中,在获取物体表面每个采样点的三维坐标后,得到的是一个点的集合,称之为“点云”。
S120,基于点云3D检测模型对点云数据进行目标检测,确定多个对象中具有运动能力的目标对象。
示例性地,上述点云3D检测模型可以为端到端多视图融合(Multi-View Fusion,MVF)模型、LaserNet模型、BirdNet模型、单级深层卷积神经网络LMNet、PointRCNN模型、PointPillars模型等。
在本申请的一些实施例中,点云3D检测模型可以包括PointPillars模型,S120具体可以包括下述步骤:基于PointPillars模型对点云数据进行目标检测,得到多个对象中每个对象的类别;基于每个对象的类别确定多个对象中具有运动能力的目标对象。
示例性地,动态场景为马路场景,该马路场景下包括对象A、对象B、对象C,在通过激光雷达获取到马路场景下的点云数据之后,基于PointPillars模型对点云数据进行目标检测,得到对象A的类别“车辆”、对象B的类别“行人”和对象C的类别“建筑物”。由于“车辆”和“行人”均具有运动能力,因此确定对象A和对象B为目标对象。
如此,由于深度学习方法在精度和鲁棒性方面有明显优势,因此基于深度学习的PointPillars模型在精度和速度上可以实现很好地平衡,从而有效提升目标检测的速度,以及检测结果的准确度。
在上述实施例中,虽然可以通过S120确定出具有运动能力的目标对象,但无法确定该目标对象在一段时间内处于运动状态还是静止状态,例如停在路边的车,它在当前时刻静止,但在未来的某个时刻可能会运动,因此需要判别目标对象是否为处于运动状态的运动对象。
S130,基于预设滤波算法和目标对象对应的点云数据,确定目标对象中的运动对象。
在本申请的一些实施例中,该预设滤波算法可以根据用户需求进行设置,基于不同的动态场景,可以选择不同的滤波算法。
示例性地,该预设滤波算法可以为卡尔曼滤波算法、粒子滤波算法等。
在本申请的一些实施例中,静态物体在地图中的位置是不变的,动态物体在地图中会存在多个位置,因此可以以此为判断依据,在多帧点云中跟踪目标对象的位置,以判别目标对象是否为处于运动状态的运动对象。
在本申请的一些实施例中,点云数据可以包括多帧点云数据,预设滤波算法可以包括卡尔曼滤波算法,图2是本申请实施例提供的另一种地图创建方法的流程示意图,其中,该地图创建方法的执行主体可以是地图创建设备。需要说明的是,上述执行主体并不构成对本申请的限定。
如图2所示,S130具体可以包括下述步骤:
S131,基于卡尔曼滤波算法和目标对象对应的第一点云数据,确定目标对象的第一位置。
其中,该第一点云数据可以包括目标对象对应的至少两帧点云数据。
在本申请的一些实施例中,地图创建设备可以基于上述卡尔曼滤波算法和目标对象的至少两帧点云数据,预测目标对象在下一帧点云数据中的位置,预测得到的位置即为第一位置。
S132,基于目标对象对应的第二点云数据,确定目标对象的第二位置。
其中,该第二点云数据可以为至少两帧点云数据的下一帧点云数据。
在本申请的一些实施例中,由于点云数据中包括三维坐标,因此可以基于点云数据确定目标对象的位置。
S133,在第一位置与第二位置的距离大于预设距离阈值的情况下,确定对象为运动对象。
其中,该预设距离阈值可以根据具体需求进行设置,本申请在此不做具体限定。
在本申请的一些实施例中,在第一位置与第二位置的距离大于预设距离阈值的情况下,说明目标对象的预测位置与实际位置存在较大的距离,该目标对象处于运动状态;反之,若第一位置与第二位置的距离小于预设距离阈值,说明目标对象的预测位置与实际位置之间的距离较小,则可以认为该目标对象处于静止状态。
S140,去除动态场景下的点云数据中运动对象对应的点云数据,得到目标点云数据。
S150,基于目标点云数据创建动态场景下的点云地图。
在本申请的一些实施例中,目标点云数据可以包括多帧点云数据,S150具体可以包括下述步骤:计算目标点云数据中每帧点云数据对应的位姿信息;基于每帧点云数据和每帧点云数据对应的位姿信息创建点云地图。
在本申请的一些实施例中,由于位姿信息的计算量非常大,耗时较长,因此为了提升计算速度,计算目标点云数据中每帧点云数据对应的位姿信息,可以包括以下步骤:
步骤1,利用体素滤波算法对目标点云数据进行稀疏化处理。
如此,体素滤波算法对目标点云数据进行稀疏化处理,能够加速位姿计算,提升计算速度,减少耗时。
步骤2,基于同步定位与建图SLAM和稀疏化处理后的目标点云数据,计算每帧点云数据对应的位姿信息。
在本申请的一些实施例中,S150可以具体包括:向SLAM输入目标点云数据,输出动态场景下的点云地图。
在上述实施例中,SLAM具有外界环境是静态的假设,动态物体的存在会使点云之间无法完美的匹配,尤其是在存在大量动态物体时,甚至无法完成匹配,导致降低地图的精度和质量,例如地图与真实场景不一致,动态物体存在重影。相反,静态物体能提供稳定的几何信息,有助于精确计算点云之间的位姿变换。因此将剔除运动对象的点云数据之后的目标点云数据输入给SLAM,SLAM可以精确计算点云之间的位姿变换,有效提升输出的点云地图的精度和质量。
本申请实施例提供了的地图创建方法,在获取动态场景下的点云数据之后,基于点云3D检测模型对点云数据进行目标检测,从动态场景下的多个对象中确定出具有运动能力的目标对象。在此基础上,可以基于预设滤波算法和目标对象对应的点云数据,确定目标对象中的运动对象,从而准确确定出动态场景下的动态物体。这样,可以直接去除动态场景下的点云数据中运动对象对应的点云数据,得到目标点云数据。由于目标点云数据中未包含动态物体的点云数据,因此基于目标点云数据创建点云地图,能够避免动态物体影响点云配准准确性的现象,提升动态场景下点云地图的精度和质量,解决了如何在高度动态的场景下提升点云地图的质量的问题。
在本申请的一些实施例中,为了提高定位精度,在S150基于目标点云数据创建动态场景下的点云地图之后,该方法还可以包括:去除点云地图中,所有目标对象对应的点云数据。
在本申请的一些实施例中,点云地图可以包括语义信息。
如此,可以使创建的点云地图更好地表达动态场景的实际环境,从而为自动驾驶汽车的定位、感知和决策提供有效辅助。
在本申请的一些实施例中,目标检测与点云地图创建的处理效率是不同的,基于此,为了提升点云地图的创建效率,该方法还可以包括:在不同的线程中执行目标检测和点云地图的创建。
作为一个示例,地图创建设备的目标检测可以为一个线程,基于目标点云数据创建点云地图可以为另一个线程,两个线程可以并行,并维护一个共享数据的缓冲区。
如此,目标检测与地图创建可以并行执行,不需要必须等待得到剔除所有运动对象的点云后,才能创建点云地图,而是可以同时运行,有效提升点云地图的创建效率。
在本申请的另一些实施例中,在不同的线程中执行目标检测和点云地图的创建,可以具体包括:在第一线程执行目标检测和跟踪,在第二线程执行点云地图的创建。
需要说明的是,本申请实施例提供的地图创建方法,执行主体可以为地图创建装置,或者该地图创建装置中的用于执行地图创建方法的控制模块。本申请实施例中以地图创建装置执行地图创建方法为例,说明本申请实施例提供的地图创建装置。下面对地图创建装置进行详细介绍。
图3是本申请实施例提供的一种地图创建装置的结构示意图,如图3所示,该地图创建装置200可以包括:获取模块210、检测模块220、确定模块230、去除模块240、创建模块250。
其中,获取模块210,用于获取动态场景下的点云数据,动态场景包括多个对象;检测模块220,用于基于点云3D检测模型对点云数据进行目标检测,确定多个对象中具有运动能力的目标对象;确定模块230,用于基于预设滤波算法和目标对象对应的点云数据,确定目标对象中的运动对象;去除模块240,用于去除动态场景下的点云数据中运动对象对应的点云数据,得到目标点云数据;创建模块250,用于基于目标点云数据创建动态场景下的点云地图。
在本申请的一些实施例中,点云数据包括多帧点云数据,预设滤波算法包括卡尔曼滤波算法,确定模块230具体用于:基于卡尔曼滤波算法和目标对象对应的第一点云数据,确定目标对象的第一位置,第一点云数据包括目标对象对应的至少两帧点云数据;基于目标对象对应的第二点云数据,确定目标对象的第二位置,第二点云数据为至少两帧点云数据的下一帧点云数据;在第一位置与第二位置的距离大于预设距离阈值的情况下,确定对象为运动对象。
在本申请的一些实施例中,点云3D检测模型包括PointPillars模型,检测模块220包括:确定单元,用于基于PointPillars模型对点云数据进行目标检测,得到多个对象中每个对象的类别;确定单元,还用于基于每个对象的类别确定多个对象中具有运动能力的目标对象。
在本申请的一些实施例中,目标点云数据包括多帧点云数据,创建模块250包括:计算单元,用于计算目标点云数据中每帧点云数据对应的位姿信息;创建单元,用于基于每帧点云数据和每帧点云数据对应的位姿信息创建点云地图。
在本申请的一些实施例中,计算单元包括:稀疏化处理子单元,用于利用体素滤波算法对目标点云数据进行稀疏化处理;计算子单元,用于基于同步定位与建图SLAM和稀疏化处理后的目标点云数据,计算每帧点云数据对应的位姿信息。
在本申请的一些实施例中,去除模块240,还用于在基于目标点云数据创建动态场景下的点云地图之后,去除点云地图中,所有目标对象对应的点云数据。
在本申请的一些实施例中,点云地图包括语义信息。
在本申请的一些实施例中,该装置还包括:执行模块,用于在不同的线程中执行目标检测和点云地图的创建。
可以理解的是,图3所示信息处理装置200中的各个模块/单元具有实现本申请实施例提供的地图创建方法中的各个步骤的功能,并能达到其相应的技术效果,为了简洁,在此不再赘述。
本申请实施例的地图创建装置,在获取动态场景下的点云数据之后,基于点云3D检测模型对点云数据进行目标检测,从动态场景下的多个对象中确定出具有运动能力的目标对象。在此基础上,可以基于预设滤波算法和目标对象对应的点云数据,确定目标对象中的运动对象,从而准确确定出动态场景下的动态物体。这样,可以直接去除动态场景下的点云数据中运动对象对应的点云数据,得到目标点云数据。由于目标点云数据中未包含动态物体的点云数据,因此基于目标点云数据创建点云地图,能够避免动态物体影响点云配准准确性的现象,提升动态场景下点云地图的精度和质量。
图4是本申请实施例提供的一种地图创建设备的硬件结构示意图。
如图4所示,本实施例中的地图创建设备300可以包括处理器301以及存储有计算机程序指令的存储器302。
具体地,上述处理器301可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器302可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器302可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器302可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器302可在综合网关容灾设备的内部或外部。在特定实施例中,存储器302是非易失性固态存储器。存储器可包括只读存储器(Read-Only Memory,ROM),随机存取存储器(RandomAccess Memory,RAM),磁盘存储介质设备,光存储介质设备,闪存设备,电气、光学或其他物理/有形的存储器存储设备。因此,通常,存储器包括一个或多个编码有包括计算机可执行指令的软件的有形(非暂态)计算机可读存储介质(例如,存储器设备),并且当该软件被执行(例如,由一个或多个处理器)时,其可操作来执行参考根据本公开的一方面的方法所描述的操作。
处理器301通过读取并执行存储器302中存储的计算机程序指令,以实现上述实施例中的任意一种地图创建方法。
在一个示例中,地图创建设备300还可以包括通信接口303和总线310。其中,如图4所示,处理器301、存储器302、通信接口303通过总线310连接并完成相互间的通信。
通信接口303,主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。
总线310包括硬件、软件或两者,将在线数据流量计费设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线310可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
该地图创建设备可以执行本申请实施例中的地图创建方法,从而实现结合图1-图3描述的地图创建方法和装置。
另外,结合上述实施例中的地图创建方法,本申请实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种地图创建方法。
需要明确的是,本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本申请的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本申请的精神后,做出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本申请中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本申请不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
上面参考根据本公开的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解,流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器,以产生一种机器,使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解,框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合,也可以由执行指定的功能或动作的专用硬件来实现,或可由专用硬件和计算机指令的组合来实现。
以上所述,仅为本申请的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。
Claims (11)
1.一种地图创建方法,其特征在于,包括:
获取动态场景下的点云数据,所述动态场景包括多个对象;
基于点云3D检测模型对所述点云数据进行目标检测,确定所述多个对象中具有运动能力的目标对象;
基于预设滤波算法和所述目标对象对应的点云数据,确定所述目标对象中的运动对象;
去除所述动态场景下的点云数据中所述运动对象对应的点云数据,得到目标点云数据;
基于所述目标点云数据创建所述动态场景下的点云地图。
2.根据权利要求1所述的方法,其特征在于,所述点云数据包括多帧点云数据,所述预设滤波算法包括卡尔曼滤波算法,所述基于预设滤波算法和所述目标对象对应的点云数据,确定所述目标对象中的运动对象,包括:
基于所述卡尔曼滤波算法和所述目标对象对应的第一点云数据,确定所述目标对象的第一位置,所述第一点云数据包括所述目标对象对应的至少两帧点云数据;
基于所述目标对象对应的第二点云数据,确定所述目标对象的第二位置,所述第二点云数据为所述至少两帧点云数据的下一帧点云数据;
在所述第一位置与所述第二位置的距离大于预设距离阈值的情况下,确定所述对象为所述运动对象。
3.根据权利要求1或2所述的方法,其特征在于,所述点云3D检测模型包括PointPillars模型,所述基于点云3D检测模型对所述点云数据进行目标检测,确定所述多个对象中具有运动能力的目标对象,包括:
基于所述PointPillars模型对所述点云数据进行目标检测,得到所述多个对象中每个对象的类别;
基于所述每个对象的类别确定所述多个对象中具有运动能力的目标对象。
4.根据权利要求1所述的方法,其特征在于,所述目标点云数据包括多帧点云数据,所述基于所述目标点云数据创建所述动态场景下的点云地图,包括:
计算所述目标点云数据中每帧点云数据对应的位姿信息;
基于所述每帧点云数据和所述每帧点云数据对应的位姿信息创建所述点云地图。
5.根据权利要求4所述的方法,其特征在于,所述计算所述目标点云数据中每帧点云数据对应的位姿信息,包括:
利用体素滤波算法对所述目标点云数据进行稀疏化处理;
基于同步定位与建图SLAM和所述稀疏化处理后的目标点云数据,计算所述每帧点云数据对应的位姿信息。
6.根据权利要求1所述的方法,其特征在于,在所述基于所述目标点云数据创建所述动态场景下的点云地图之后,所述方法还包括:
去除所述点云地图中,所有目标对象对应的点云数据。
7.根据权利要求1所述的方法,其特征在于,所述点云地图包括语义信息。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在不同的线程中执行所述目标检测和所述点云地图的创建。
9.一种地图创建装置,其特征在于,包括:
获取模块,用于获取动态场景下的点云数据,所述动态场景包括多个对象;
检测模块,用于基于点云3D检测模型对所述点云数据进行目标检测,确定所述多个对象中具有运动能力的目标对象;
确定模块,用于基于预设滤波算法和所述目标对象对应的点云数据,确定所述目标对象中的运动对象;
去除模块,用于去除所述动态场景下的点云数据中所述运动对象对应的点云数据,得到目标点云数据;
创建模块,用于基于所述目标点云数据创建所述动态场景下的点云地图。
10.一种地图创建设备,其特征在于,所述设备包括:处理器以及存储有计算机程序指令的存储器;所述处理器执行所述计算机程序指令时实现如权利要求1-8任意一项所述的地图创建方法。
11.一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计算机程序指令,所述计算机程序指令被处理器执行时实现如权利要求1-8任意一项所述的地图创建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110632595.2A CN113256595A (zh) | 2021-06-07 | 2021-06-07 | 地图创建方法、装置、设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110632595.2A CN113256595A (zh) | 2021-06-07 | 2021-06-07 | 地图创建方法、装置、设备及计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113256595A true CN113256595A (zh) | 2021-08-13 |
Family
ID=77186853
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110632595.2A Pending CN113256595A (zh) | 2021-06-07 | 2021-06-07 | 地图创建方法、装置、设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113256595A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114646936A (zh) * | 2022-03-30 | 2022-06-21 | 北京洛必德科技有限公司 | 一种点云地图构建方法、装置以及电子设备 |
WO2023062862A1 (ja) * | 2021-10-13 | 2023-04-20 | パナソニックIpマネジメント株式会社 | データ処理装置およびデータ処理方法 |
-
2021
- 2021-06-07 CN CN202110632595.2A patent/CN113256595A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023062862A1 (ja) * | 2021-10-13 | 2023-04-20 | パナソニックIpマネジメント株式会社 | データ処理装置およびデータ処理方法 |
CN114646936A (zh) * | 2022-03-30 | 2022-06-21 | 北京洛必德科技有限公司 | 一种点云地图构建方法、装置以及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109840880B (zh) | 一种路面识别方法和装置 | |
CN109521756B (zh) | 用于无人驾驶车辆的障碍物运动信息生成方法和装置 | |
Negru et al. | Image based fog detection and visibility estimation for driving assistance systems | |
WO2018058356A1 (zh) | 基于双目立体视觉的汽车防碰撞预警方法和系统 | |
EP3350746A1 (en) | Systems and methods for non-obstacle area detection | |
KR101628155B1 (ko) | Ccl을 이용한 실시간 미확인 다중 동적물체 탐지 및 추적 방법 | |
CN111209770A (zh) | 一种车道线识别方法及装置 | |
CN113256595A (zh) | 地图创建方法、装置、设备及计算机存储介质 | |
CN113378760A (zh) | 训练目标检测模型和检测目标的方法及装置 | |
CN111860227A (zh) | 训练轨迹规划模型的方法、装置和计算机存储介质 | |
CN113378693B (zh) | 生成目标检测系统和检测目标的方法及装置 | |
US20200279395A1 (en) | Method and system for enhanced sensing capabilities for vehicles | |
CN114495064A (zh) | 一种基于单目深度估计的车辆周围障碍物预警方法 | |
WO2024012211A1 (zh) | 自动驾驶环境感知方法、介质及车辆 | |
CN112258519A (zh) | 一种高精度地图制作中道路的让行线自动化提取方法及装置 | |
CN112149713B (zh) | 基于绝缘子图像检测模型检测绝缘子图像的方法及装置 | |
CN112733678A (zh) | 测距方法、装置、计算机设备和存储介质 | |
Nadav et al. | Off-road path and obstacle detection using monocular camera | |
Bougharriou et al. | Vehicles distance estimation using detection of vanishing point | |
CN109839645B (zh) | 速度检测方法、系统、电子设备和计算机可读介质 | |
CN115861959A (zh) | 一种车道线识别方法、装置、电子设备及存储介质 | |
CN116469073A (zh) | 目标识别方法、装置、电子设备、介质及自动驾驶车辆 | |
Ballinas-Hernández et al. | Marked and unmarked speed bump detection for autonomous vehicles using stereo vision | |
US11544899B2 (en) | System and method for generating terrain maps | |
US20210110172A1 (en) | Identifying a curb based on 3-d sensor data |
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 |