CN113468941B - 障碍物检测方法、装置、设备及计算机存储介质 - Google Patents
障碍物检测方法、装置、设备及计算机存储介质 Download PDFInfo
- Publication number
- CN113468941B CN113468941B CN202110264605.1A CN202110264605A CN113468941B CN 113468941 B CN113468941 B CN 113468941B CN 202110264605 A CN202110264605 A CN 202110264605A CN 113468941 B CN113468941 B CN 113468941B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- obstacle
- data
- target
- 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 abstract description 60
- 238000000034 method Methods 0.000 claims abstract description 62
- 239000003550 marker Substances 0.000 claims description 19
- 230000033001 locomotion Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000004888 barrier function Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 9
- 230000008569 process Effects 0.000 description 20
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000002372 labelling Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 235000012054 meals Nutrition 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241001417527 Pempheridae Species 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010420 art technique Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
- Navigation (AREA)
Abstract
本申请公开了一种障碍物检测方法、装置、设备及计算机存储介质,其中,障碍物检测方法,包括:获取可移动设备上的目标传感器对目标场景采集的第一点云数据;从预先构建的点云地图中获取与第一点云数据对应的第二点云数据;通过比对第一点云数据与第二点云数据,检测目标场景中的障碍物。本申请实施例可以有效减少目标场景中正常存在的物体对障碍物检测结果的影响,有助于实现对障碍物的点云的有效获取,提高障碍物的检测效果。
Description
技术领域
本申请属于信息处理技术领域,尤其涉及一种障碍物检测方法、装置、设备及计算机存储介质。
背景技术
通常来说,可移动设备在移动过程中可能需要对障碍物进行检测。例如车辆在行驶过程中,需要对行驶路线上的障碍物进行检测,以进一步保证车辆行驶的安全性。通过雷达进行障碍物的检测,已经比较广泛地应用到各类行车场景中。
现有技术中,通常是基于雷达探测得到的点云进行聚类与特征识别,从而达到障碍物检测的目的。然而,在一些应用场景中,存在的各类物体对应的点云的特征可能不够明显,难以对障碍物进行可靠识别,导致障碍物检测效果较差。
发明内容
本申请实施例提供一种障碍物检测方法、装置、设备及计算机存储介质,以解决现有技术在物体对应的点云的特征不够明显时,难以对障碍物进行有效识别,导致障碍物检测效果较差的问题。
第一方面,本申请实施例提供一种障碍物检测方法,方法包括:
获取可移动设备上的目标传感器对目标场景采集的第一点云数据;
从预先构建的点云地图中获取与第一点云数据对应的第二点云数据;
通过比对第一点云数据与第二点云数据,检测目标场景中的障碍物。
第二方面,本申请实施例提供了一种障碍物检测装置,装置包括:
第一获取模块,用于获取可移动设备上的目标传感器对目标场景采集的第一点云数据;
第二获取模块,用于从预先构建的点云地图中获取与第一点云数据对应的第二点云数据;
检测模块,用于通过比对第一点云数据与第二点云数据,检测目标场景中的障碍物。
第三方面,本申请实施例提供了一种电子设备,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上述的障碍物检测方法。
第四方面,本申请实施例提供了一种计算机存储介质,计算机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上述的障碍物检测方法。
本申请实施例提供的障碍物检测方法,获取可移动设备上的目标传感器对目标场景采集的第一点云数据,从预先构建的点云地图中获取与第一点云数据对应的第二点云数据,并通过比对第一点云数据与第二点云数据检测目标场景中的障碍物。本申请实施例可以有效减少目标场景中正常存在的物体对障碍物检测结果的影响,有助于实现对障碍物的点云的有效获取,提高障碍物的检测效果。与此同时,本申请实施例可以无需对目标场景中全部物体进行分类识别,也减少了分类识别计算所带来的计算资源的消耗。
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障碍物检测方法的流程示意图;
图2是本申请实施例提供的障碍物检测方法在一个具体应用场景中的流程图;
图3是本申请实施例提供的障碍物检测装置的结构示意图;
图4是本申请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,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
为了解决现有技术问题,本申请实施例提供了一种障碍物检测方法、装置、设备及计算机存储介质。下面首先对本申请实施例所提供的障碍物检测方法进行介绍。
图1示出了本申请一个实施例提供的障碍物检测方法的流程示意图。如图1所示,该方法包括:
步骤101,获取可移动设备上的目标传感器对目标场景采集的第一点云数据;
步骤102,从预先构建的点云地图中获取与第一点云数据对应的第二点云数据;
步骤103,通过比对第一点云数据与第二点云数据,检测目标场景中的障碍物。
本实施例中,可移动设备可以是指例如地铁、火车或者有轨公交等类型的交通运输工具,也可以是指在特定场合下运行的设备,例如酒店客房的自动送餐车,或者矿井中的矿车等等。总的来说,可移动设备在其移动范围中,可以具有相对比较稳定的周边环境,以便于对这些周边环境预先构建比较可靠的点云地图。
比如,以可移动设备为地铁为例,地铁往往在比较单一的行驶路线上行驶;正常情况下,地铁行驶路线的周边环境中,可能存在位置比较固定的轨道、站台以及电线杆等;行驶路线中较少存在人员或者杂物的变化,在这种情况下,针对地铁的行驶路线构建的点云地图通常会比较可靠。
类似地,对于酒店客房送餐车,其运行的环境中,房门位置或者装饰件的位置相对也比较固定,相应构建的点云地图也会比较可靠。
当然,针对不同环境构建的点云地图的可靠程度是相对的,比如,在一些环境较为简单的区域按照一定路线运行的清扫车,其周边环境的点云地图也是可以比较可靠地构建的。
可移动设备所运行的环境对点云地图的可靠程度存在一定影响,而点云地图的可靠程度对障碍物的检测的准确度存在一定的影响,但总的来说,基于构建的点云地图能够实现障碍物的检测即可(具体在下文中描述)。因此,本申请实施例中,可移动设备的具体类型,并不限于以上提及的几种;可以根据实际的运行环境,来选择性地在相应的可移动设备中应用本申请实施例提供的障碍物检测方法。
而为了简化说明,在下文实施例中,将主要以可移动设备为地铁为例进行说明。
在地铁上可以安装有能够用于采集点云数据的目标传感器,例如,目标传感器可以是激光雷达传感器或者毫米波雷达传感器等类型的雷达传感器,或者还可以是可提供深度信息的深度相机,例如基于飞行时间(Time of flight,TOF)的相机等。
相应地,在步骤101中,可以通过地铁上安装的目标传感器来采集地铁周边场景的点云数据。具体来说,在地铁运行中,目标传感器可以是实时对地铁所处的场景的点云数据进行采集的,上述的目标场景,可以是目标传感器采集的某一帧点云数据所对应的场景,比如,地铁在行驶过程中的实时场景等。为便于说明,可以将目标传感器直接采集得到的点云数据称为第一点云数据。
在步骤102中,可以从预先构建的点云地图中获取与第一点云数据对应的第二点云数据。
对于点云地图,如上文所示的,可以是预先构建的,具体的构建过程可以通过现有技术来实现。
举例来说,可以是使用激光雷达测程和建图(Lidar Odometry and Mapping inReal-time,LOAM)算法来构建点云地图的。为了获取更好的点云地图效果,可以选择性地加入回环检测和/或后端优化等算法;这些算法的具体处理过程可以是属于现有技术,此处不做赘述。
值得强调的是,这里仅仅是对点云地图的构建方式的一种举例说明,而具体的构建方式此处不做限定,例如,还可以是通过LeGO-LOAM,A-LOAM,VLOAM等算法构建点云地图,可以根据需要进行选择。
一般来说,点云地图中可以具有点云数据,且点云数据在地图坐标系(或者大地坐标系等)中具有相应的坐标位置;当采集第一点云数据时,地铁在地图坐标系(或者大地坐标系等)中所处的实时位置是可知的情况下,可以直接根据地铁的实时位置,从点云地图上获取与第一点云数据对应的第二点云数据。
而在实时位置未知时,可以根据地铁的初始位置与运动参数,推测地铁的实时位置。
进一步地,还可以直接通过点云匹配的方式,从点云地图中确定出与第一点云数据特征符合度较高的第二点云数据。
当然,以上仅仅是对步骤102中获取第二点云数据的一些举例说明,实际应用中,可以根据需要选择第二点云数据的获取方式。
在步骤103中,通过比对第一点云数据与第二点云数据,可以检测目标场景中的障碍物。
结合一个应用场景,点云地图可以认为是在无影响地铁正常行驶的障碍物(以下简称障碍物)的情况下构建的;如果在某一目标场景下,通过比对采集的第一点云数据中与对应的第二点云数据,确定两类点云数据之间存在不匹配的情况,则有可能是目标场景中存在障碍物;相反地,若比对发现第一点云数据与第二点云数据相同或高度相似,则可以说明目标场景中不存在障碍物。
容易理解的是,第一点云数据与第二点云数据之间的比对,可以是对点云数据中点云的数量、密度、坐标位置分布以及几何中心位置(例如基于点云的平均坐标确定的中心位置)等参数中的一项或多项的比对,此处不做具体限定,可以根据实际需要进行确定。
结合地铁的应用场景可见,基于第一点云数据与第二点云数据,实际上可以检测出目标场景中的障碍物。而地铁运行环境中一些正常存在的物体,例如轨道与电线杆等,相关的点云数据已经位于点云地图中;当第一点云数据中包括这些正常存在的物体的点云时,基于与点云地图的第二点云数据的比对,可以排除这部分正常存在的物体的点云,从而无需或较少对正常物体的点云进行特征提取与分类识别。同时,从另一个角度来说,可以有效获取因障碍物的存在带来的第一点云数据与第二点云数据之间的差异,提高对障碍物的检测准确性。
本申请实施例提供的障碍物检测方法,获取可移动设备上的目标传感器对目标场景采集的第一点云数据,从预先构建的点云地图中获取与第一点云数据对应的第二点云数据,并通过比对第一点云数据与第二点云数据检测目标场景中的障碍物。本申请实施例可以有效减少目标场景中正常存在的物体对障碍物检测结果的影响,有助于实现对障碍物的点云的有效获取,提高障碍物的检测效果。与此同时,本申请实施例可以无需对目标场景中全部物体进行分类识别,也减少了分类识别计算所带来的计算资源的消耗。
可选地,上述步骤101,获取可移动设备上的目标传感器对目标场景采集的第一点云数据,可以包括:
获取目标传感器对目标场景采集的第一点云数据,以及采集第一点云数据时可移动设备的实时位置信息;
从预先构建的点云地图中获取与第一点云数据对应的第二点云数据,包括:
根据实时位置信息,从点云地图中确定目标地图区域;
根据点云地图在目标地图区域中的点云数据,对第一点云数据进行匹配,得到第二点云数据。
目标传感器对目标场景进行点云数据的采集时,可以对应有采集位置的信息,该采集位置的信息可以是描述为可移动设备的实时位置信息。由于目标传感器与可移动设备可以是位置相对固定的,采集位置的信息可以是指目标传感器的实时位置信息。
在一个示例中,实时位置信息,可以是通过安装在可移动设备上的定位装置进行获取的,例如基于全球卫星导航系统(Global Navigation Satellite System,GNSS)的定位设备等。
相应地,上述获取可移动设备的实时位置信息的步骤可以包括:
基于可移动设备上的定位设备获取采集第一点云数据时可移动设备的实时位置信息。
在另一个示例中,考虑到地铁等可移动设备在行驶过程中,可能存在定位信号强度较弱,而难以通过定位设备进行定位的情况,上述实时位置信息,也可以是基于预设初始位置的位置信息以及地铁的历史运动数据来进行获取的。
具体来说,上述获取可移动设备的实时位置信息的步骤可以包括:
获取初始位置信息,以及可移动设备从预设的初始位置行驶至实时位置的历史运动数据;依据初始位置信息与历史运动数据获取采集第一点云数据时可移动设备的实时位置信息。
例如,初始位置可以是地铁的始发点,在该始发点可以具有一预设的位置信息,并可以作为上述的初始位置信息;再例如,初始位置信息可以是上一个能够以预设信号强度阈值接收到定位信号的位置,相应获得的位置信息即可以作为初始位置信息。
相应地,地铁从初始位置行驶至实时位置的过程中的历史运动数据也是可以获取的,例如,地铁行驶的速度与时间等。结合一些具体的应用场景,地铁行驶的速度可以是通过安装在地铁上的毫米波雷达或者速度传感器等进行获取的。
由于地铁的行驶路线通常是固定的,基于速度与时间这些参数,可以得到地铁行驶的路程,并可以进一步推出地铁实时位置,即获取到地铁的实时位置信息。
可见,本示例可以在地铁定位信号较弱或者无定位信号的情况下,依然可以较为准确地获取到地铁的实时位置信息。
当然,在实际应用中,还可以通过其他方式来获取地铁的实时位置信息,例如,可以综合上文两个示例中的实时位置信息的获取方式,来得到地铁的实时位置信息。
在获取到地铁的实时位置信息的情况下,可以在点云地图中确定目标地图区域,该目标地图区域的在特定坐标系(例如地图坐标系或者大地坐标系)中的位置,可以是与地铁的实时位置信息相匹配的。具体来说,此次的匹配关系,可以是指目标地图区域包括或者大致包括了上述目标场景所在区域,而目标场景与实时位置信息是相关联的,即目标场景可以是目标传感器在实时位置能够探测的场景。
容易理解的是,点云地图在目标地图区域中可以具有相应的点云数据(以下记为候选点云数据),而根据这些候选点云数据可以对第一点云数据进行匹配,得到第二点云数据。
其中,点云数据的匹配,可以是采用例如迭代最近点(Iterative Closest Point,ICP)或者正态分布变换(Normal Distributions Transform,NDT)等类型的匹配算法实现的,此处不做具体限定。
通常来说,由于地铁在行驶过程中的航向角可以是变化的,因此,第一点云数据相对于对应的第二点云数据,可能存在一定的旋转角度,基于匹配的处理方式,则可以在存在旋转角度的情况下,依然能够实现第一点云数据与第二点云数据的对应关系的确定,也有助于从点云数据的角度对地铁在点云地图中的位置(或者是后续检测到的障碍物在点云地图中的位置)进行进一步的确定。
而从另一个方面来说,本实施例中,先从点云地图中确定目标地图区域,得到上述的候选点云数据,可以缩小点云地图中用于对第一点云数据进行匹配的点云数据的范围,提高第二点云数据获取的精度与效率。
结合上文实施例中可移动设备为地铁的应用场景,地铁在运行过程中可能存在定位信号强度较弱的情况,而这种情况同样可能出现在点云地图的构建过程中。在信号强度的影响下,可能会出现在相同场景(例如场景中物体的类型、数量以及位置分布均相同)中,对应得到的第一点云数据与第二点云数据之间存在一定偏差的情况。
假设点云地图中的点云数据是可靠的(即假设第一点云数据存在误差),则为了克服第一点云数据中存在的误差,比较准确地获取到第一点云数据对应的第二点云数据,在一个可选的实施例中,上述步骤102,从预先构建的点云地图中获取与第一点云数据对应的第二点云数据,可以包括:
根据预设划分规则对第一点云数据进行划分,得到L个第三点云数据,L为正整数;
从点云地图中获取与L个第三点云数据一一对应的L个第四点云数据;
根据L个第四点云数据,得到第二点云数据。
举例来说,目标传感器获取的第一点云数据可以包括点云以及点云位于传感器坐标系中的坐标;假设在传感器坐标系中,x轴沿地铁的前进方向,y轴沿地铁的左右方向。则在对第一点云数据进行划分时,可以沿x轴将第一点云数据划分成L段。当然,这里仅仅是对第一点云数据的划分方式的举例说明,实际应用中,也可以是同时沿x轴与y轴对第一点云数据进行划分等等。
针对每一第三点云数据,可以分别从点云地图中获取对应的第四点云数据。这里,获取与第三点云数据对应的第四点云数据的过程,实际上与上文实施例中直接获取与第一点云数据对应的第二点云数据的过程类似,此处不再赘述。
而针对L个第三点云数据,获取到L个第四点云数据的情况下,实际上可以认为获取到了第二点云数据,例如,第二点云数据可以包括这L个第四点云数据。当然,也可以是基于L个第四点云数据进一步处理得到第二点云数据;比如,可以将L个第四点云数据进行拼接,对可能存在的重复的点云点进行去重等。
为便于进一步理解基于本实施例的实施能够获得的效果,以下结合一个场景来对本实施例的实现过程进行说明。
假设第一点云数据表征为地铁前方50m的目标场景对应的点云数据,而在点云地图中,这50m的目标场景,可能实际上只对应了长度为49m的第二点云数据。即第一点云数据对应的长度,与假定的实际长度之间存在1m的误差。
如果直接将50m的第一点云数据在点云地图上进行匹配,由于存在1m的误差,可能较难获取到与该第一点云数据对应的第二点云数据。
而如果将50m的第一点云数据分割成10段,得到10个第三点云数据,则每一第三点云数据的长度为5m,与点云地图中的第四点云数据的误差可能仅有0.1m;在这种情况下,可以比较准确地获取到与第三点云数据对应的第四点云数据。
而后续对10个第四点云数据进行拼接的处理过程,可以认为是一种复原性质的拼接,得到的可能是点云地图中某一区域中已有的点云数据(对应第二点云数据);由于点云地图中的点云数据可以认为是可靠的,该拼接过程所产生的误差可以忽略不计。
可选地,上述步骤102,从预先构建的点云地图中获取与第一点云数据对应的第二点云数据,包括:
对点云地图与第一点云数据进行匹配,得到第一点云数据在点云地图中的第一位姿信息,以及与第一点云数据对应的第二点云数据;
相应地,上述步骤103,通过比对第一点云数据与第二点云数据,检测目标场景中的障碍物,包括:
根据第一位姿信息对第一点云数据进行坐标转换,得到第五点云数据;
通过比对第五点云数据与第二点云数据,检测目标场景中的障碍物。
结合上文实施例,对点云地图与第一点云数据进行匹配,可以是采用ICP或者NDT等类型的匹配算法等,此处不做具体限定。
一般来说,在对点云地图与第一点云数据进行匹配时,可以有效处理地铁航向角变化带来的第一点云数据与第二点云数据的差异;换而言之,基于匹配的处理过程,不仅可以得到第一点云数据对应的第二点云数据,还可以获取到第一点云数据在点云地图中的第一位姿信息。
若第一点云数据记为X,第一位姿信息可以包括X在点云地图中的朝向(或者说地铁在地图坐标系中的航向角,记为Q),以及X在点云地图中的坐标(记为T),则第一位姿信息可以记为(Q,T);X转换至点云地图后得到的点云数据记为Y;则可以存在如下关系:
Y=X*Q+T (1)
公式(1)实际上也可以用于表示根据第一位姿信息对第一点云数据进行坐标转换,得到第五点云数据的过程,其中,第五点云数据对应了该公式中的参数Y。
经过公式(1)处理得到的第五点云数据,实际上与第二点云数据属于同一坐标系中的点云数据,两者之间可以进行直接的比对。当第五点云数据与第二点云数据之间存在较大的区别时,可能是因为在目标场景中出现了障碍物;基于该原理,可以检测目标场景中的障碍物。
本实施例中通过第一点云数据在点云地图中的第一位姿信息,基于第一位姿信息对第一点云数据转换得到第五点云数据,并依据第五点云数据与第二点云数据检测目标场景中的障碍物,可以有效提高障碍物的检测精度与效率。
当前,在一些可行的实施方式中,也可以是根据第一位姿信息,将第二点云数据转换至目标传感器的传感器坐标系中,再与第一点云数据进行比对,来实现对目标场景中的障碍物的检测。
在一个示例中,结合上文实施例中对第一点云数据划分为L个第三点云数据的应用场景,可以是针对各个第三点云数据(记为Xi,其中i的小于或等于L的正整数)分别与点云地图进行匹配,得到第三点云数据在点云地图中的第二位姿信息(记为(Qi,Ti)),再根据第二位姿信息将第三点云数据转换至点云地图中,得到对应的点云数据Yi,则有:
Yi=Xi*Qi+Ti (2)
相应地,第五点云数据Y可以通过如下公式得到:
当然,在一些可行的实施方式中,也可以直接基于Yi与对应的第四点云数据,来检测各个目标场景的分段中的障碍物,此时,也可以省略对L个第四点云数据进行拼接,以及上述公式(3)对应的处理步骤。
可选地,上述通过比对第五点云数据与第二点云数据,检测目标场景中的障碍物,包括:
将第五点云数据映射至K个体素网格中,得到K个第一网格数据;将第二点云数据映射至K个体素网格中,得到K个第二网格数据,K个第一网格数据与K个第二网格数据一一对应,K为大于1的整数;
从K个第一网格数据中确定出目标网格数据,目标网格数据为与对应的第二网格数据之间的差异满足预设差异条件的第一网格数据;
对目标网格数据中的点云进行聚类,得到目标场景中障碍物。
如上文所示的,第五点云数据与第二点云数据可以是在同一个坐标系(记为目标坐标系)中的点云数据,例如地图坐标系或者大地坐标系等;相应地,各点云数据可以包括点云以及点云在该坐标系中的坐标。
类似地,在目标坐标系中,可以建立K个体素网格,其中,体素又可以称为立体像素(voxel),是体积像素(volume pixel)的简称,通常为数字数据于三维空间分区上的最小单位。每个体素网格在目标坐标系中可以占有一定的空间,第二点云数据中的点云可以根据坐标映射至对应的体素网格中。
比如,假设在目标坐标系中确定整体长为A,宽为B,高为C的空间,该空间大小可以是预设的,每一体素网格的大小为a*b*c,则可以存在如下关系:
K=([A/a]+1)*([B/c]+1)*([C/c]+1) (4)
其中,[]表示向下取整运算;每一体素网格在目标坐标系中可以占用对用的坐标空间。
基于第二点云数据中点云的坐标,可以将这些点云映射至对应的体素网格中,得到K个第一网格数据,第一网格数据记为Vx;类似地,基于第五点云数据中点云的坐标,也可以将点云映射至对应的体素网格中,得到K个第二网格数据,第二网格数据记为Vm。
一般来说,由于在同一目标坐标系中,各个体素网格均已对齐,因此,Vm与Vx可以根据在目标坐标系中坐标位置一一对应。为了便于说明,以下在讨论Vm与Vx时,可以认为讨论的是目标坐标系的同一位置的数据。
Vm与Vx之间的差异,可以体现在不同的方面,例如,可以是其中所包括的点云数量的差异,或者是其中点云的几何中心的位置的差异等等。这里的点云的几何中心的位置,在一个举例中,可以通过对一个网格数据中所有点云的坐标求取平均值得到。
相应地,预设差异条件可以是指Vm与Vx中点云数量的差值大于一定值,或者是Vm与Vx中点云的几何中心的距离大于一定值等等,可以根据实际需要进行设定。
基于以上设定,可以K个第一网格数据中确定出目标网格数据,目标网格数据的数量可以是一个或者多个,在不存在障碍物的情况下,目标网格数据的数量也可以为0。
通常来说,目标网格数据中的点云可能为障碍物,可以进行保留;否则可以认为是地图数据,或者说地图中正常存在的物体的点云数据,可以进行去除。
针对保留下来的点云可以进行聚类,例如,可以采用K均值聚类,或者具有噪声的基于密度的聚类方法(Density-Based Spatial Clustering of Applications withNoise,DBSCAN)等方法进行聚类,从而可以得到障碍物的点云,进而实现对目标场景中障碍物的检测。当然,具体的聚类算法也可以根据实际需要进行选用。
本实施例中,可以认为是通过体素滤波的方式,来对第五点云数据进行处理,得到障碍物对应的点云;如此,实际上可以无需考虑目标场景中不可靠的点云进行拟合,例如无需对地面以及轨道等物体的点云进行拟合,从而有效排除不可靠点云对障碍物检测过程的影响,提高障碍物检测的准确性。
在一些示例中,上述的预设差异条件可以包括以下至少一项:
第一网格数据中的点云的数量与对应的第二网格数据中的点云的数量之间的差值大于差值阈值;
第一网格数据中的点云的几何中心与对应的第二网格数据中的点云的几何中心之间的距离大于距离阈值。
举例来说,第一网格数据中的点云的数量可以记为Nx,第二网格数据中的点云的数量可以记为Nm;则预设差异条件可以通过下式进行表示:
Nx>3*Nm (5)
再例如,第一网格数据中的点云的几何中心记为Px,第二网格数据中的点云的几何中心记为Pm;则预设差异条件可以通过下式进行表示:
Distance[Pm,Px]>2*σ (6)
其中,Distance[Pm,Px]可以表示Px与Pm之间的欧氏距离,σ表示预设的距离阈值,可以根据体素网格的尺寸,或者是预设的可检测障碍物的尺寸等因素进行确定。
当然,此处公式涉及的各个参数值仅仅是一种举例;在实际应用中,上述各个参数值可以根据实际需要进行调整。此外,预设差异条件所采用的参数类型也可以根据实际需要进行选取,例如,参数类型还可以是点云密度等等,此处不做一一举例说明。
可选地,通过比对第五点云数据与第二点云数据,检测目标场景中的障碍物,可以包括:
通过比对第五点云数据与第二点云数据,从目标场景中确定出候选障碍物;
从点云地图所包括的多个预设标注物中确定出目标标注物,其中,目标标注物与目标场景相匹配;
在候选障碍物与目标标注物之间的相对位置满足预设位置条件时,将候选障碍物确定为目标障碍物;目标障碍物为位于可移动设备的行驶区域中的障碍物。
通过比对第五点云数据与第二点云数据确定目标场景中的障碍物的方式已在上文实施例中进行了说明,可以是根据两个点云数据之间的差异,或者是将点云映射至体素网格中再确定差异的方式来确定障碍物,此处不再详细说明。
而本实施例中,基于比对第五点云数据与第二点云数据能够直接得到的障碍物可以认为是候选障碍物,比如,这些候选障碍物可能是位于地铁轨道上且会对地铁行驶造成影响的障碍物,也可能是是位于地铁轨道之外,并不会对地铁行驶造成影响的障碍物。
基于以上情况,本实施例中,可以从点云地图中多个预设标注物确定出目标标注物,根据目标标注物来确定各个候选障碍物中可能对地铁行驶造成影响的目标障碍物。
具体来说,上述的预设标注物可以是在构建点云地图时标注得到的,该标注过程可以是在地图点云的基础上,通过人工标注,或者基于深度学习算法等方式自动标注进行的。其中,预设标注物可以是比较固定的一些物体,例如站台或者电线杆等等。这些固定的物体与地铁轨道之间的距离通常也是固定的,并且与地铁轨道之间的相对位置关系也可以进行预先存储。
每一预设标志物可以具有对应的位置信息,而如上文所示的,目标场景往往也可以对应有位置信息(即采集目标场景对应的第一点云数据的位置);基于各位置信息,可以选取存在于该目标场景中的目标标注物,或者是距离该目标场景最近的目标标注物等。而通过这些方式选取的目标标注物,可以认为是与目标场景匹配的标注物。
一般来说,候选障碍物和目标标注物在点云地图中的位置是可知的,而目标标注物与地铁轨道之间的相对位置也是可知的;因此,候选障碍物和目标标注物之间的相对位置关系,也可以进一步转换为候选障碍物与地铁轨道之间的相对位置关系。
简单来说,根据候选障碍物与目标标注物之间的相对位置,可以判断出候选障碍物是否位于地铁轨道中,而判断的依据则可以是上述的预设位置条件。
比如,对于一个预设标注物,可以对应设置有一预设的距离与角度范围,当候选障碍物位于该预设标注物的距离与角度范围内时,说明候选障碍物位于地铁轨道中。
若候选障碍物位于可移动设备的行驶区域中,例如上述的地铁轨道范围中时,可以将候选障碍物确定为目标障碍物;在一些实际应用场景中,可以针对检测到的目标障碍物进行报警,或者对目标障碍物的位置进行记录,或者将目标障碍物的位置发送至服务器等等,此处不做具体限定。
可见,本实施例中,通过预设标注物来实现对目标障碍物的确定,可以无需将轨道点云从地面点云中进行识别区分,减少了对不确定点云的分类,提升了对可能对地铁等类型可移动设备的运动带来影响的目标障碍物的识别精度与效率。
参见图2,以下结合一个具体应用场景,来对本申请实施例提供的障碍物检测方法进行说明。该应用场景中,可移动设备可以是地铁,障碍物检测方法可以包括:
步骤201,构建场景地图;
即构建地铁行驶场景对应的点云地图;
该步骤对地铁运行线路进行点云地图的构建,以保证地铁运行时能够有效地进行对比分析。该步骤可以使用LOAM算法,为了更好的地图效果可以选择性加入回环检测与后端优化等方法。同时在该步骤中可以进行地图内显著物体的标注,比如电线杆,站台等,为后续障碍物位置判断提供位置信息。
步骤202,地铁在地图中实时定位;
尽管可以多次进行激光雷达点云数据的采集,并使用毫米波雷达进行地铁测速和运动补偿,但由于地铁场景GNSS可能无信号或信号较弱,缺少定位信号,点云地图中的点云数据可能与真实世界难以完全相符,构建点云地图时仍会存在偏差。
针对该情况可以进行分段匹配定位的方法,该方法可以在地图构建存在偏差的情况下仍然进行良好的相对定位。
具体来说,激光雷达可以安装在车辆正前方。激光雷达坐标系为z轴垂直水平地面向上,x轴沿地铁前方为正向,y轴沿地铁左方为正向。首先将已知的地图数据设为M,运行时地铁采集的一帧点云数据设为X,X沿x轴可分为若干段,设为L段,则每一段的点云数据为X1,X2…XL。构建地图时产生的误差随着距离变长,累积的值就越大,但在短距离内误差仍在可控范围。所以此处分别将Xi与M进行匹配得到每一段的位姿(Qi,Ti),Qi表示朝向,Ti表示坐标。这里的匹配可以使用ICP或者NDT算法,匹配算法的目的是在已知M姿态的情况下通过优化M和Xi中的对应点集变换(ICP)或者二者分布形态相似的概率(NDT),得到Xi相对于M的变换矩阵。则经过变换得到每一段的点云为
Yi=Xi*Qi+Ti
地铁启动时的初始位置是可以知道的,所以在ICP和NDT中的初始位置可以是已知的,而之后的每一帧匹配的初始位置可以从上一帧中的匹配结果与地铁行驶的速度计算得到。该计算过程可以简单记为:
(Q′,T′)=(Q,T)+v*t
其中,(Q′,T′)在上一帧点云数据在点云地图中对应的位姿,(Q,T)为当前帧点云数据在点云地图中对应的位姿,v为毫米波雷达测得的地铁行驶速度,t为激光雷达两帧之间的时间间隔。则匹配之后的点云为
由于短距离内累计的误差较小,所以整帧中的点云并不会出现明显的断层,以上分段方式的整体应用,在一定程度上可以相当于对每一段的分隔处进行了微小的误差调整。这样分段匹配可以保证在地图点云和实时采集的点云均存在偏差时仍能得到较好的相对位置。为了提高效率,在匹配时可以并不使用整幅地图,而是选取实时点云附近的局部地图,随着地铁的运动,局部地图也在不断更新。
步骤203,检测障碍物;
在步骤202中已经通过分段定位的方法得到了地铁的实时位置,在本步骤中将通过体素匹配的方式检测障碍物。
由于已知的地图是稠密图,将其看作真实的环境地图,其中并不存在障碍物,所以只需将定位后的实时点云与其进行对比分析,得到地图中不存在的点云就可能为障碍物。设地图数据为M,长A,宽B,高C,将地图划分为a*b*c大小的体素,则共有([A/a]+1)*([B/c]+1)*([C/c]+1)个体素。其中,这里的符号[]表示向下取整运算。
实时数据也采用同样的方法划分,由于在同一坐标系下,所以体素网格均已经对齐。设相同位置处的地图体素为Vm,实时数据体素为Vx,分别计算体素中所包含点云的数量N和几何中心P。如果:
Nx>3*Nm
或者,
Distance[Pm,Px]>2*σ
则认为该体素中的实时点云可能为障碍物,进行保留,否则为地图数据,应去除。将保留下来的点云进行聚类(可选用不同聚类算法,比如K均值聚类,DBSCAN基于密度的聚类等),得到障碍物物体点云。
其中σ为距离阈值,可根据可检测障碍物大小的最小边设定,例如,可以根据经验,判断各类地铁(或者是其他类型的可移动设备)行驶环境中可能存在的障碍物的尺寸,并根据该经验值确定σ;Distance[Pm,Px]表示Px与Pm之间的欧氏距离。
步骤204,判断障碍物是否为有效障碍物,若是,执行步骤205,若否,则结束对当前帧中的障碍物的检测过程;
在步骤203中已经得到障碍物聚类,但轨道之外的物体其实无需关注,需要鉴别障碍物所在的位置是否在轨道之内。此时需要利用地图中已有的标注物体,这些标注物体既可以帮助列车更好的定位,也可以提供真实的距离数据。由于标志物和轨道的相对位置已知,通过计算障碍物聚类和这些标志物的距离,可以判断障碍物是否在所关注的轨道区域内。
步骤205,输出报警信号;
如果判定障碍物在轨道区域内,则可以发出警报,使得司机可以及时制动,避免发生危险事故。
基于以上应用场景的举例可见,本申请实施例提供的障碍物检测方法,使用分段匹配的定位方法确定车辆在点云地图中的相对位置,可以无需其他路侧设备的辅助;使用体素滤波的方式检测障碍物,无需拟合地铁中并不可靠的地面点云;可以通过标志物判定障碍物相对于铁轨的位置,而无需以不确定的分类方式分类点云再拟合铁轨;从而可以有效提高对障碍物的检测准确度与效率。
如图3所示,本申请实施例还提供了一种障碍物检测装置,该装置包括:
第一获取模块301,用于获取可移动设备上的目标传感器对目标场景采集的第一点云数据;
第二获取模块302,用于从预先构建的点云地图中获取与第一点云数据对应的第二点云数据;
检测模块303,用于通过比对第一点云数据与第二点云数据,检测目标场景中的障碍物。
可选地,第一获取模块301,可以包括:
第一获取单元,用于获取目标传感器对目标场景采集的第一点云数据,以及采集第一点云数据时可移动设备的实时位置信息;
相应地,第二获取模块302,可以包括:
第一确定单元,用于根据实时位置信息,从点云地图中确定目标地图区域;
第一匹配单元,用于根据点云地图在目标地图区域中的点云数据,对第一点云数据进行匹配,得到第二点云数据。
可选地,第一获取单元包括以下至少一项:
第一获取子单元,用于基于可移动设备上的定位设备获取采集第一点云数据时可移动设备的实时位置信息;
第二获取子单元,用于获取初始位置信息,以及可移动设备从预设的初始位置行驶至实时位置的历史运动数据;依据初始位置信息与历史运动数据获取采集第一点云数据时可移动设备的实时位置信息。
可选地,第二获取模块302,可以包括:
划分单元,用于根据预设划分规则对第一点云数据进行划分,得到L个第三点云数据,L为正整数;
第二获取单元,用于从点云地图中获取与L个第三点云数据一一对应的L个第四点云数据;
第三获取单元,用于根据L个第四点云数据,得到第二点云数据。
可选地,第二获取模块302,可以包括:
第二匹配单元,用于对点云地图与第一点云数据进行匹配,得到第一点云数据在点云地图中的第一位姿信息,以及与第一点云数据对应的第二点云数据;
相应地,检测模块303,可以包括:
转换单元,用于根据第一位姿信息对第一点云数据进行坐标转换,得到第五点云数据;
检测单元,用于通过比对第五点云数据与第二点云数据,检测目标场景中的障碍物。
可选地,检测单元,可以包括:
映射子单元,用于将第五点云数据映射至K个体素网格中,得到K个第一网格数据;将第二点云数据映射至K个体素网格中,得到K个第二网格数据,K个第一网格数据与K个第二网格数据一一对应,K为大于1的整数;
第一确定子单元,用于从K个第一网格数据中确定出目标网格数据,目标网格数据为与对应的第二网格数据之间的差异满足预设差异条件的第一网格数据;
聚类子单元,用于对目标网格数据中的点云进行聚类,得到目标场景中障碍物。
可选地,预设差异条件可以包括以下至少一项:
第一网格数据中的点云的数量与对应的第二网格数据中的点云的数量之间的差值大于差值阈值;
第一网格数据中的点云的几何中心与对应的第二网格数据中的点云的几何中心之间的距离大于距离阈值。
可选地,检测单元,可以包括:
第一确定子单元,用于通过比对第五点云数据与第二点云数据,从目标场景中确定出候选障碍物;
第二确定子单元,用于从点云地图所包括的多个预设标注物中确定出目标标注物,其中,目标标注物与目标场景相匹配;
第三确定子单元,用于在候选障碍物与目标标注物之间的相对位置满足预设位置条件时,将候选障碍物确定为目标障碍物;目标障碍物为位于可移动设备的行驶区域中的障碍物。
需要说明的是,该障碍物检测装置是与上述障碍物检测方法对应的装置,上述方法实施例中所有实现方式均适用于该装置的实施例中,也能达到相同的技术效果。
图4示出了本申请实施例提供的电子设备的硬件结构示意图。
在电子设备可以包括处理器401以及存储有计算机程序指令的存储器402。
具体地,上述处理器401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402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402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402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402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402是非易失性固态存储器。
存储器可包括只读存储器(ROM),随机存取存储器(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方法所描述的操作。
处理器401通过读取并执行存储器402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障碍物检测方法。
在一个示例中,电子设备还可包括通信接口403和总线404。其中,如图4所示,处理器401、存储器402、通信接口403通过总线404连接并完成相互间的通信。
通信接口403,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404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404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。
另外,结合上述实施例中的障碍物检测方法,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障碍物检测方法。
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,作出各种改变、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(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 (10)
1.一种障碍物检测方法,其特征在于,包括:
获取可移动设备上的目标传感器对目标场景采集的第一点云数据;
从预先构建的点云地图中获取与所述第一点云数据对应的第二点云数据;
通过比对所述第一点云数据与所述第二点云数据,检测所述目标场景中的障碍物;
所述从预先构建的点云地图中获取与所述第一点云数据对应的第二点云数据,包括:
根据预设划分规则对所述第一点云数据进行划分,得到L个第三点云数据,L为正整数,所述预设划分规则为沿所述可移动设备的前进方向进行划分,或者沿所述可移动设备的前进方向和左右方向进行划分;
从所述点云地图中获取与所述L个第三点云数据一一对应的L个第四点云数据;
根据所述L个第四点云数据,得到所述第二点云数据;
所述通过比对所述第一点云数据与所述第二点云数据,检测所述目标场景中的障碍物,包括:
对所述第一点云数据与所述第二点云数据的数量、密度、坐标位置分布以及几何中心位置中的至少一项进行比对,检测所述目标场景中的障碍物。
2.根据权利要求1所述的方法,其特征在于,所述获取可移动设备上的目标传感器对目标场景采集的第一点云数据,包括:
获取目标传感器对目标场景采集的第一点云数据,以及采集所述第一点云数据时所述可移动设备的实时位置信息;
所述从预先构建的点云地图中获取与所述第一点云数据对应的第二点云数据,包括:
根据所述实时位置信息,从所述点云地图中确定目标地图区域;
根据所述点云地图在所述目标地图区域中的点云数据,对所述第一点云数据进行匹配,得到所述第二点云数据。
3.根据权利要求2所述的方法,其特征在于,获取所述可移动设备的实时位置信息包括以下至少一项:
基于所述可移动设备上的定位设备获取采集所述第一点云数据时所述可移动设备的实时位置信息;
获取初始位置信息,以及所述可移动设备从预设的初始位置行驶至实时位置的历史运动数据;依据所述初始位置信息与所述历史运动数据获取采集所述第一点云数据时所述可移动设备的实时位置信息。
4.根据权利要求1至3中任一项所述的方法,其特征在于,所述从预先构建的点云地图中获取与所述第一点云数据对应的第二点云数据,包括:
对所述点云地图与所述第一点云数据进行匹配,得到所述第一点云数据在所述点云地图中的第一位姿信息,以及与所述第一点云数据对应的第二点云数据;
所述通过比对所述第一点云数据与所述第二点云数据,检测所述目标场景中的障碍物,包括:
根据所述第一位姿信息对所述第一点云数据进行坐标转换,得到第五点云数据;
通过比对所述第五点云数据与所述第二点云数据,检测所述目标场景中的障碍物。
5.根据权利要求4所述的方法,其特征在于,所述通过比对所述第五点云数据与所述第二点云数据,检测所述目标场景中的障碍物,包括:
将所述第五点云数据映射至K个体素网格中,得到K个第一网格数据;将所述第二点云数据映射至所述K个体素网格中,得到K个第二网格数据,所述K个第一网格数据与所述K个第二网格数据一一对应,K为大于1的整数;
从所述K个第一网格数据中确定出目标网格数据,所述目标网格数据为与对应的第二网格数据之间的差异满足预设差异条件的第一网格数据;
对所述目标网格数据中的点云进行聚类,得到所述目标场景中障碍物。
6.根据权利要求5所述的方法,其特征在于,所述预设差异条件包括以下至少一项:
所述第一网格数据中的点云的数量与对应的第二网格数据中的点云的数量之间的差值大于差值阈值;
所述第一网格数据中的点云的几何中心与对应的第二网格数据中的点云的几何中心之间的距离大于距离阈值。
7.根据权利要求4所述的方法,其特征在于,所述通过比对所述第五点云数据与所述第二点云数据,检测所述目标场景中的障碍物,包括:
通过比对所述第五点云数据与所述第二点云数据,从所述目标场景中确定出候选障碍物;
从所述点云地图所包括的多个预设标注物中确定出目标标注物,其中,所述目标标注物与所述目标场景相匹配;
在所述候选障碍物与所述目标标注物之间的相对位置满足预设位置条件时,将所述候选障碍物确定为目标障碍物;所述目标障碍物为位于所述可移动设备的行驶区域中的障碍物。
8.一种障碍物检测装置,其特征在于,所述装置包括:
第一获取模块,用于获取可移动设备上的目标传感器对目标场景采集的第一点云数据;
第二获取模块,用于从预先构建的点云地图中获取与所述第一点云数据对应的第二点云数据;
检测模块,用于通过比对所述第一点云数据与所述第二点云数据,检测所述目标场景中的障碍物;
所述第二获取模块,包括:
划分单元,用于根据预设划分规则对所述第一点云数据进行划分,得到L个第三点云数据,L为正整数,所述预设划分规则为沿所述可移动设备的前进方向进行划分,或者沿所述可移动设备的前进方向和左右方向进行划分;
第二获取单元,用于从所述点云地图中获取与所述L个第三点云数据一一对应的L个第四点云数据;
第三获取单元,用于根据所述L个第四点云数据,得到所述第二点云数据;
所述检测模块还用于:
对所述第一点云数据与所述第二点云数据的数量、密度、坐标位置分布以及几何中心位置中的至少一项进行比对,检测所述目标场景中的障碍物。
9.一种电子设备,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1-7任意一项所述的障碍物检测方法。
10.一种计算机存储介质,其特征在于,所述计算机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1-7任意一项所述的障碍物检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110264605.1A CN113468941B (zh) | 2021-03-11 | 2021-03-11 | 障碍物检测方法、装置、设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110264605.1A CN113468941B (zh) | 2021-03-11 | 2021-03-11 | 障碍物检测方法、装置、设备及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113468941A CN113468941A (zh) | 2021-10-01 |
CN113468941B true CN113468941B (zh) | 2023-07-18 |
Family
ID=77868298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110264605.1A Active CN113468941B (zh) | 2021-03-11 | 2021-03-11 | 障碍物检测方法、装置、设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113468941B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118019958A (zh) * | 2021-10-11 | 2024-05-10 | 深圳市大疆创新科技有限公司 | 地图数据处理、地图数据构建方法、装置、车辆及计算机可读存储介质 |
US12026923B2 (en) * | 2021-12-15 | 2024-07-02 | Hewlett-Packard Development Company, L.P. | Object model encodings |
CN114332818B (zh) * | 2021-12-28 | 2024-04-09 | 阿波罗智联(北京)科技有限公司 | 障碍物的检测方法、装置和电子设备 |
CN114036255B (zh) * | 2022-01-07 | 2022-03-25 | 北京四维图新科技股份有限公司 | 一种高精地图数据检验方法、装置和设备 |
CN114371485B (zh) * | 2022-03-21 | 2022-06-10 | 中汽研(天津)汽车工程研究院有限公司 | 一种基于icp与多特征数据关联的障碍物预测与跟踪方法 |
CN114814826B (zh) * | 2022-04-08 | 2023-06-16 | 苏州大学 | 一种基于目标网格的雷达轨行区环境感知方法 |
CN114596555B (zh) * | 2022-05-09 | 2022-08-30 | 新石器慧通(北京)科技有限公司 | 障碍物点云数据筛选方法、装置、电子设备及存储介质 |
CN114967687A (zh) * | 2022-05-23 | 2022-08-30 | 纯米科技(上海)股份有限公司 | 障碍物检测方法、系统、电子装置及计算机可读存储介质 |
CN116243270A (zh) * | 2022-09-09 | 2023-06-09 | 深圳市速腾聚创科技有限公司 | 目标对象的检测方法及装置、介质及电子设备 |
CN116664658B (zh) * | 2023-07-25 | 2024-01-05 | 长沙智能驾驶研究院有限公司 | 一种障碍物检测方法、装置及终端设备 |
CN117671648B (zh) * | 2024-02-02 | 2024-04-26 | 深圳市其域创新科技有限公司 | 障碍点的检测方法、设备及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3506162A1 (en) * | 2017-12-29 | 2019-07-03 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for determining matching relationship between point cloud data |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101645170B (zh) * | 2009-09-03 | 2011-07-20 | 北京信息科技大学 | 多视点云精确配准方法 |
CN109509260B (zh) * | 2017-09-14 | 2023-05-26 | 阿波罗智能技术(北京)有限公司 | 动态障碍物点云的标注方法、设备及可读介质 |
CN109767464B (zh) * | 2019-01-11 | 2023-03-28 | 西南交通大学 | 一种低重叠率的点云配准方法 |
CN109828592B (zh) * | 2019-04-22 | 2019-07-26 | 深兰人工智能芯片研究院(江苏)有限公司 | 一种障碍物检测的方法及设备 |
CN110542908B (zh) * | 2019-09-09 | 2023-04-25 | 深圳市海梁科技有限公司 | 应用于智能驾驶车辆上的激光雷达动态物体感知方法 |
CN110705458B (zh) * | 2019-09-29 | 2022-06-28 | 北京智行者科技有限公司 | 边界检测方法及装置 |
CN111220993B (zh) * | 2020-01-14 | 2020-07-28 | 长沙智能驾驶研究院有限公司 | 目标场景定位方法、装置、计算机设备和存储介质 |
CN111311650B (zh) * | 2020-01-20 | 2023-05-05 | 南方电网数字电网研究院有限公司 | 一种点云数据的配准方法、装置及存储介质 |
CN111338361A (zh) * | 2020-05-22 | 2020-06-26 | 浙江远传信息技术股份有限公司 | 低速无人车避障方法、装置、设备及介质 |
-
2021
- 2021-03-11 CN CN202110264605.1A patent/CN113468941B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3506162A1 (en) * | 2017-12-29 | 2019-07-03 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for determining matching relationship between point cloud data |
Non-Patent Citations (3)
Title |
---|
Obstacle Prediction for Automated Guided Vehicles Based on Point Clouds Measured by a Tilted LIDAR Sensor;Zoltan Rozsa et al.;IEEE Transactions on Intelligent Transportation Systems;全文 * |
倾斜摄影与激光扫描技术结合的3D森林景观建模;曹明兰 等;中南林业科技大学学报;全文 * |
结合全景影像的车载街景点云数据增强方法;刘亚文;张颖;陈泉;;武汉大学学报(信息科学版)(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113468941A (zh) | 2021-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113468941B (zh) | 障碍物检测方法、装置、设备及计算机存储介质 | |
CN113536883B (zh) | 障碍物检测方法、车辆、设备及计算机存储介质 | |
CN109284348B (zh) | 一种电子地图的更新方法、装置、设备和存储介质 | |
CN111551958B (zh) | 一种面向矿区无人驾驶的高精地图制作方法 | |
CN106997688B (zh) | 基于多传感器信息融合的停车场停车位检测方法 | |
US20190086923A1 (en) | Method and apparatus for generating obstacle motion information for autonomous vehicle | |
US9846812B2 (en) | Image recognition system for a vehicle and corresponding method | |
US9292750B2 (en) | Method and apparatus for detecting traffic monitoring video | |
Ma et al. | Generation of horizontally curved driving lines in HD maps using mobile laser scanning point clouds | |
JP2022106924A (ja) | 自律的な自己位置推定のためのデバイス及び方法 | |
Hautière et al. | Real-time disparity contrast combination for onboard estimation of the visibility distance | |
Zhangyu et al. | A camera and LiDAR data fusion method for railway object detection | |
JP2019527832A (ja) | 正確な位置特定およびマッピングのためのシステムおよび方法 | |
CN113189975B (zh) | 确定车辆的位置数据和/或运动数据的方法 | |
CN113885046B (zh) | 针对低纹理车库的智能网联汽车激光雷达定位系统及方法 | |
JP2016057750A (ja) | 自車走行レーン推定装置及びプログラム | |
Daoust et al. | Light at the end of the tunnel: High-speed lidar-based train localization in challenging underground environments | |
US20230085455A1 (en) | Vehicle condition estimation method, vehicle condition estimation device, and vehicle condition estimation program | |
JP6815963B2 (ja) | 車両用外界認識装置 | |
Musleh et al. | Uv disparity analysis in urban environments | |
Revilloud et al. | An improved approach for robust road marking detection and tracking applied to multi-lane estimation | |
CN111717244A (zh) | 一种列车自动驾驶感知方法和系统 | |
CN112613424A (zh) | 铁轨障碍物检测方法、装置、电子设备和存储介质 | |
CN112781599A (zh) | 确定车辆的位置的方法 | |
CN113316706A (zh) | 路标位置估计设备和方法以及存储被编程为执行该方法的计算机程序的计算机可读记录介质 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40052390 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |