CN113487479A - 车端实时检测识别高精度地图边界方法和系统 - Google Patents
车端实时检测识别高精度地图边界方法和系统 Download PDFInfo
- Publication number
- CN113487479A CN113487479A CN202110743590.7A CN202110743590A CN113487479A CN 113487479 A CN113487479 A CN 113487479A CN 202110743590 A CN202110743590 A CN 202110743590A CN 113487479 A CN113487479 A CN 113487479A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- vehicle
- ground
- data
- boundary
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013507 mapping Methods 0.000 claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000011897 real-time detection Methods 0.000 claims abstract description 19
- 230000008859 change Effects 0.000 claims abstract description 15
- 230000011218 segmentation Effects 0.000 claims description 68
- 238000000605 extraction Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 17
- 238000001514 detection method Methods 0.000 abstract description 8
- 230000010365 information processing Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 239000002689 soil Substances 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000009412 basement excavation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4007—Interpolation-based scaling, e.g. bilinear interpolation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/521—Depth or shape recovery from laser ranging, e.g. using interferometry; from the projection of structured light
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
Abstract
本发明提供一种车端实时检测识别高精度地图边界方法、系统、存储介质和电子设备，涉及信息处理技术领域。本发明根据车载传感器采集LiDAR数据，完成点云建图并优化建图质量，针对点云盲区进行插值处理，并分割地面点云和非地面点云，最终识别提取地面边界和坡面停车线。本发明开创性的提出了应用于露天矿山无人驾驶的车端实时检测识别高精度地图边界算法；基于矿山无人驾驶业务和数据特征，分解高精度地图边界变化检测识别的数据处理流程，优化过程数据及算法，保证边界更新的准确性，有效提升矿山无人驾驶作业安全性；充分考虑了高精度地图更新效率需求和车端算力水平，优化车端数据采集和处理过程，极大提升了地图更新的效率。
Description
技术领域
本发明涉及信息处理技术领域，具体涉及一种车端实时检测识别高精度地图边界方法、系统、存储介质和电子设备。
背景技术
露天矿山因其相对封闭的作业环境是自动驾驶技术落地的最佳场景之一，自动驾驶的关键技术涉及到环境感知、高精定位、决策规划、执行控制等，其中高精度地图因其高精度、高粒度、实时性等特点，在自动驾驶中起到高精度定位，辅助感知、规划和决策等功能，保证了高效精准的路径规划和安全驾驶。
露天采掘场和排土场因为采掘、排土频繁，地图边界变化极快，而无人驾驶作业必须保证矿卡每趟装载和卸载都精确停靠在地图边缘，因此矿区作业的安全和效率依赖于地图边界更新的准确性和实时性，需要基于无人驾驶采场作业条件和传感器数据特性设计开发一套高效率、高精度的地图边界实时检测识别算法。
但是，现有地图边界实时检测识别技术多应用于乘用车检测城市道路的高精度地图更新，难以适用于更新频率达到分钟级甚至秒级的矿区采掘场和排土场；且已有技术方案对多数基于视觉传感器，对于激光雷达、毫米波雷达等传感器数据开发利用效率有限，识别精度不高；尤其是车端实时边界检测识别技术的精度和效率均有待提高。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种车端实时检测识别高精度地图边界方法、系统、存储介质和电子设备，解决了车端实时边界检测识别技术的精度和效率低的技术问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
第一方面，本发明提供一种车端实时检测识别高精度地图边界方法，包括：
作业完成后，通过车载传感器采集LiDAR数据；
根据所述LiDAR数据，完成点云建图并优化建图质量；
根据建图得到的点云数据，针对点云盲区进行插值处理；
根据插值后的点云数据，获取地面分割点云和非地面分割点云；
根据所述地面分割点云和非地面分割点云，识别提取地面边界和坡面停车线。
优选的，所述根据所述LiDAR数据，完成点云建图并优化建图质量具体包括：
根据所述LiDAR数据，计算每一帧点云数据在传感器坐标系下的投影坐标；将所述每一帧点云数据对应的投影坐标转换到统一的车辆坐标系下融合配准，采用单源数据帧间配准及多源数据联合配准算法优化建图质量；根据优化后的点云数据，基于车辆轨迹精确裁剪变化区域内点云。
优选的，所述根据建图得到的点云数据，针对点云盲区进行插值处理具体包括：
根据建图得到的点云数据，基于车辆轨迹插值点云盲区，获取点云凸包，格栅化所述点云凸包范围，针对无点云栅格通过邻近点搜索方式对栅格点进行反距离权重插值，获取完整的凸包内点云数据。
优选的，根据所述插值后的点云数据，采用RANSAC算法获取所述地面分割点云和非地面分割点云。
优选的，根据所述地面分割点云，采用AlphaShape算法识别提取所述地面边界。
优选的，根据所述非地面分割点云和地面边界，选择高程为车轮半径2/3高度的坡面点拟合计算获取所述坡面停车线。
第二方面，本发明提供一种车端实时检测识别高精度地图边界系统，包括：
采集模块，用于作业完成后，通过车载传感器采集LiDAR数据；
建图模块，用于根据所述LiDAR数据，完成点云建图并优化建图质量；
插值模块，用于根据建图得到的点云数据，针对点云盲区进行插值处理；
分割模块，用于根据插值后的点云数据，获取地面分割点云和非地面分割点云；
提取模块，用于根据所述地面分割点云和非地面分割点云，识别提取地面边界和坡面停车线。
优选的，所述建图模块具体用于：
根据所述LiDAR数据，计算每一帧点云数据在传感器坐标系下的投影坐标；将所述每一帧点云数据对应的投影坐标转换到统一的车辆坐标系下融合配准，采用单源数据帧间配准及多源数据联合配准算法优化建图质量；根据优化后的点云数据，基于车辆轨迹精确裁剪变化区域内点云。
优选的，所述插值模块具体用于：
根据建图得到的点云数据，基于车辆轨迹插值点云盲区，获取点云凸包，格栅化所述点云凸包范围，针对无点云栅格通过邻近点搜索方式对栅格点进行反距离权重插值，获取完整的凸包内点云数据。
优选的，所述分割模块用于根据所述插值后的点云数据，采用RANSAC算法获取所述地面分割点云和非地面分割点云。
优选的，所述提取模块用于根据所述地面分割点云，采用AlphaShape算法识别提取所述地面边界。
优选的，所述提取模块用于根据所述非地面分割点云和地面边界，选择高程为车轮半径2/3高度的坡面点拟合计算获取所述坡面停车线。
第三方面，本发明提供一种存储介质，其存储有用于车端实时检测识别高精度地图边界的计算机程序，其中，所述计算机程序使得计算机执行如上所述的车端实时检测识别高精度地图边界方法。
第四方面，本发明提供一种电子设备，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如上所述的车端实时检测识别高精度地图边界方法。
(三)有益效果
本发明提供了一种车端实时检测识别高精度地图边界方法、系统、存储介质和电子设备。与现有技术相比，具备以下有益效果：
本发明根据车载传感器采集LiDAR数据，完成点云建图并优化建图质量，针对点云盲区进行插值处理，并分割地面点云和非地面点云，最终识别提取地面边界和坡面停车线。本发明开创性的提出了应用于露天矿山无人驾驶的车端实时检测识别高精度地图边界算法；基于矿山无人驾驶业务和数据特征，分解高精度地图边界变化检测识别的数据处理流程，优化过程数据及算法，保证边界更新的准确性，有效提升矿山无人驾驶作业安全性；充分考虑了高精度地图更新效率需求和车端算力水平，优化车端数据采集和处理过程，极大提升了地图更新的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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车端实时检测识别高精度地图边界方法的流程示意图；
图2为本发明实施例提供的一种点云盲区进行插值处理的示意图；
图3为本发明实施例提供的一种地面点云分割示意图；
图4为本发明实施例提供的一种坡面停车线识别示意图；
图5为本发明实施例提供的一种车端实时检测识别高精度地图边界系统的结构框图。
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，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。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。
本申请实施例通过提供一种车端实时检测识别高精度地图边界方法、系统、存储介质和电子设备，解决了车端实时边界检测识别技术的精度和效率低的技术问题，保证了矿卡每趟装载和卸载都能精确停靠在地图边缘。
本申请实施例中的技术方案为解决上述技术问题，总体思路如下：
本发明实施例根据车载传感器采集LiDAR数据，完成点云建图并优化建图质量，针对点云盲区进行插值处理，并分割地面点云和非地面点云，最终识别提取地面边界和坡面停车线。本发明实施例开创性的提出了应用于露天矿山无人驾驶的车端实时检测识别高精度地图边界算法；基于矿山无人驾驶业务和数据特征，分解高精度地图边界变化检测识别的数据处理流程，优化过程数据及算法，保证边界更新的准确性，有效提升矿山无人驾驶作业安全性；充分考虑了高精度地图更新效率需求和车端算力水平，优化车端数据采集和处理过程，极大提升了地图更新的效率。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
本发明实施例提供了一种车端实时检测识别高精度地图边界方法，具体包括：
S1、作业完成后，通过车载传感器采集LiDAR数据；
S2、根据所述LiDAR数据，完成点云建图并优化建图质量；
S3、根据建图得到的点云数据，针对点云盲区进行插值处理；
S4、根据插值后的点云数据，获取地面分割点云和非地面分割点云；
S5、根据所述地面分割点云和非地面分割点云，识别提取地面边界和坡面停车线。
本发明实施例开创性的提出了应用于露天矿山无人驾驶的车端实时检测识别高精度地图边界算法；基于矿山无人驾驶业务和数据特征，分解高精度地图边界变化检测识别的数据处理流程，优化过程数据及算法，保证边界更新的准确性，有效提升矿山无人驾驶作业安全性；充分考虑了高精度地图更新效率需求和车端算力水平，优化车端数据采集和处理过程，极大提升了地图更新的效率。
实施例1：
如图1所示，本发明实施例提供了一种车端实时检测识别高精度地图边界方法，具体包括：
S1、作业完成后，通过车载传感器采集LiDAR数据。
本步骤中的作业可以为导致地形发生变化的各种社会活动，包括但不限于：道路施工(对于地面的平坦度等产生影响)、放置物体至特定区域(会增加部分区域的高度)、由特定区域移除物体(减少部分区域的高度)、活动时引起路面地形变化(部分区域凹陷或者凸出)。
作业区域可以处于封闭式空间、开放式空间、或者是未开辟道路的空间环境。其中封闭式空间例如可以是露天矿区环境，露天矿山土方作业主要包括装载区的土石方装载、道路运输和排土场的土石方卸载等。
对于地形变化频繁的装载区和排土场尤其需要对地图进行实时更新。在完成装载位装载或排土位卸载作业后，控制车辆在驶离过程中利用车载LiDAR(激光雷达)传感器，尤其是车后方LiDAR传感器采集变化区域点云数据以提供检测识别和地图更新，采集距离一般限制在6～8米。
S2、根据所述LiDAR数据，完成点云建图并优化建图质量。
本步骤根据步骤S1中采集的LiDAR数据，例如飞行距离、扫描角度、点云强度等数据，结合各传感器的标定参数进行解析建图。
首先计算每一帧点云数据在传感器坐标系下的xyz投影坐标；然后将所述每一帧点云数据对应的xyz投影坐标转换到统一的车辆坐标系下融合配准，采用单源数据帧间配准及多源数据联合配准算法优化建图质量；最后根据优化后的点云数据，基于车辆轨迹精确裁剪变化区域内点云，以实现精简数据提升效率的目的。
S3、根据建图得到的点云数据，针对点云盲区进行插值处理。
由于车载传感器数量及安装位置的限制，以及扫描轨迹较短、露天矿区地形遮挡等原因，步骤S2中建图得到的点云数据总是存在一些盲区，尤其是车底盲区和扫描阴影区域，在做进一步地面点云分割处理前对需要对点云盲区进行插值处理。
图2表示点云数据盲区插值示意图。本步骤根据步骤S2中建图得到的点云数据，如图2所示，首先基于车辆轨迹插值点云盲区，然后计算点云凸包，格栅化所述点云凸包范围，针对无点云栅格通过邻近点搜索方式对栅格点进行反距离权重插值，最终获取完整的凸包内点云数据。
此外，为保证后续步骤S5中的地面边界识别结果的精确性，优选0.1米的栅格分辨率进行点云盲区插值。
S4、根据插值后的点云数据，获取地面分割点云和非地面分割点云。
在获取凸包插值后的点云数据后，需要将地面点云从所有散乱点云集中分离出来，以进行后续步骤S5中地面边界和坡面停车线的识别提取。而地面点云分割算法的作用即是将点云集中的地面点云和非地面点云分离处理，原理是基于地面点云的几何特征如高程相对较低、整体较为平整和密集等，完成分离工作。
本步骤根据步骤S3中插值后的点云数据，采取RANSAC(随机抽样一致性采样)算法取地面分割点云和非地面分割点云。算法概要介绍如下：首选对点云建立八叉树，然后基于邻近点搜索计算所有点的法向量，基于地面点云的平面方程假设，设定法向量阈值、法向量偏差阈值、点与面距离阈值、聚类点数阈值等参数，基于八叉树加速随机采样过程，迭代评估最终得到最优平面方程并分离出地面点云。图3表示地面点云分割示意图。如图3所示，本步骤将所有点云数据分割为地面点云(黑色)和非地面点云(非黑色)。
S5、根据所述地面分割点云和非地面分割点云，识别提取地面边界和坡面停车线。
本步骤根据步骤S4获取的地面分割点云，采用AlphaShape算法识别提取地面外轮廓，即所述地面边界。算法概要介绍如下：基于点云密度设置alpha半径为0.3米，对地面点云构建德洛尼三角网，滤除有边长大于0.6米的三角形，假设有一个半径为0.3米的圆在三角网上滚动，且圆仅接触三角形两个点而保证第三个点不落入圆内，否则删除该三角形，最后得到整个三角网的外轮廓点集，即得到地面(地图)边界。
此外，露天矿山作业时，矿卡后车轮要轧到挡墙的一定高度以保证装载时挖机顺利装土或排土举斗时车厢内土被排到挡墙外，因此需要计算可供车辆精准停靠的坡面停车线。
因此，如图4所示，本步骤还根据步骤S4获取的非地面分割点云和上述地面边界，选择高程为车轮半径2/3高度(通常为0.4米)的坡面点拟合计算获取所述坡面停车线。
实施例2：
如图5所示，本发明实施例提供了一种车端实时检测识别高精度地图边界系统，具体包括：
采集模块，用于作业完成后，通过车载传感器采集LiDAR数据。
所述作业可以为导致地形发生变化的各种社会活动，包括但不限于：道路施工(对于地面的平坦度等产生影响)、放置物体至特定区域(会增加部分区域的高度)、由特定区域移除物体(减少部分区域的高度)、活动时引起路面地形变化(部分区域凹陷或者凸出)。
作业区域可以处于封闭式空间、开放式空间、或者是未开辟道路的空间环境。其中封闭式空间例如可以是露天矿区环境，露天矿山土方作业主要包括装载区的土石方装载、道路运输和排土场的土石方卸载等。
对于地形变化频繁的装载区和排土场尤其需要对地图进行实时更新。在完成装载位装载或排土位卸载作业后，控制车辆在驶离过程中利用车载LiDAR(激光雷达)传感器，尤其是车后方LiDAR传感器采集变化区域点云数据以提供检测识别和地图更新，采集距离一般限制在6～8米。
建图模块，用于根据所述LiDAR数据，完成点云建图并优化建图质量。
建图模块用于根据采集模块采集的LiDAR数据，例如飞行距离、扫描角度、点云强度等数据，结合各传感器的标定参数进行解析建图。
所述建图模块具体用于根据所述LiDAR数据，计算每一帧点云数据在传感器坐标系下的投影坐标；将所述每一帧点云数据对应的投影坐标转换到统一的车辆坐标系下融合配准，采用单源数据帧间配准及多源数据联合配准算法优化建图质量；用于根据优化后的点云数据，基于车辆轨迹精确裁剪变化区域内点云。
插值模块，用于根据建图得到的点云数据，针对点云盲区进行插值处理。
由于车载传感器数量及安装位置的限制，以及扫描轨迹较短、露天矿区地形遮挡等原因，建图模块建图得到的点云数据总是存在一些盲区，尤其是车底盲区和扫描阴影区域，在做进一步地面点云分割处理前对需要对点云盲区进行插值处理。
图2表示点云数据盲区插值示意图。插值模块用于根据建图模块建图得到的点云数据，如图2所示，首先基于车辆轨迹插值点云盲区，然后计算点云凸包，格栅化所述点云凸包范围，针对无点云栅格通过邻近点搜索方式对栅格点进行反距离权重插值，最终获取完整的凸包内点云数据。
此外，为保证后续提取模块的地面边界识别结果的精确性，优选0.1米的栅格分辨率进行点云盲区插值。
分割模块，用于根据插值后的点云数据，获取地面分割点云和非地面分割点云。
在获取凸包插值后的点云数据后，需要将地面点云从所有散乱点云集中分离出来，以进行后续提取模块的地面边界和坡面停车线的识别提取。而地面点云分割算法的作用即是将点云集中的地面点云和非地面点云分离处理，原理是基于地面点云的几何特征如高程相对较低、整体较为平整和密集等，完成分离工作。
所述分割模块用于根据插值模块插值后的点云数据，采取RANSAC(随机抽样一致性采样)算法取地面分割点云和非地面分割点云。算法概要介绍如下：首选对点云建立八叉树，然后基于邻近点搜索计算所有点的法向量，基于地面点云的平面方程假设，设定法向量阈值、法向量偏差阈值、点与面距离阈值、聚类点数阈值等参数，基于八叉树加速随机采样过程，迭代评估最终得到最优平面方程并分离出地面点云。图3表示地面点云分割示意图。如图3所示，分割模块用于将所有点云数据分割为地面点云(黑色)和非地面点云(非黑色)。
提取模块，用于根据所述地面分割点云和非地面分割点云，识别提取地面边界和坡面停车线。
所述提取模块用于根据分割模块获取的地面分割点云，采用AlphaShape算法识别提取地面外轮廓，即所述地面边界。算法概要介绍如下：基于点云密度设置alpha半径为0.3米，对地面点云构建德洛尼三角网，滤除有边长大于0.6米的三角形，假设有一个半径为0.3米的圆在三角网上滚动，且圆仅接触三角形两个点而保证第三个点不落入圆内，否则删除该三角形，最后得到整个三角网的外轮廓点集，即得到地面(地图)边界。
此外，露天矿山作业时，矿卡后车轮要轧到挡墙的一定高度以保证装载时挖机顺利装土或排土举斗时车厢内土被排到挡墙外，因此需要计算可供车辆精准停靠的坡面停车线。
因此，如图4所示，所述提取模块还用于根据分割模块获取的非地面分割点云和上述地面边界，选择高程为车轮半径2/3高度(通常为0.4米)的坡面点拟合计算获取所述坡面停车线。
实施例3：
本发明实施例提供一种存储介质，其存储有用于车端实时检测识别高精度地图边界的计算机程序，其中，所述计算机程序使得计算机执行如实施例1所述的车端实时检测识别高精度地图边界方法。
实施例4：
本发明实施例提供一种电子设备，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如实施例1所述的车端实时检测识别高精度地图边界方法。
可理解的是，本发明实施例提供的存储介质、电子设备与上述车端实时检测识别高精度地图边界方法相对应，其有关内容的解释、举例、有益效果等部分可以参考车端实时检测识别高精度地图边界方法中的相应内容，此处不再赘述。
综上所述，与现有技术相比，具备以下有益效果：
1、本发明实施例开创性的提出了应用于露天矿山无人驾驶的车端实时检测识别高精度地图边界算法。
2、本发明实施例基于矿山无人驾驶业务和数据特征，分解高精度地图边界变化检测识别的数据处理流程，优化过程数据及算法，保证边界更新的准确性，有效提升矿山无人驾驶作业安全性。
3、本发明实施例充分考虑了高精度地图更新效率需求和车端算力水平，优化车端数据采集和处理过程，极大提升了地图更新的效率。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案，而非对其限制；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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种车端实时检测识别高精度地图边界方法，其特征在于，包括：
作业完成后，通过车载传感器采集LiDAR数据；
根据所述LiDAR数据，完成点云建图并优化建图质量；
根据建图得到的点云数据，针对点云盲区进行插值处理；
根据插值后的点云数据，获取地面分割点云和非地面分割点云；
根据所述地面分割点云和非地面分割点云，识别提取地面边界和坡面停车线。
2.如权利要求1所述的车端实时检测识别高精度地图边界方法，其特征在于，所述根据所述LiDAR数据，完成点云建图并优化建图质量具体包括：
根据所述LiDAR数据，计算每一帧点云数据在传感器坐标系下的投影坐标；将所述每一帧点云数据对应的投影坐标转换到统一的车辆坐标系下融合配准，采用单源数据帧间配准及多源数据联合配准算法优化建图质量；根据优化后的点云数据，基于车辆轨迹精确裁剪变化区域内点云。
3.如权利要求1所述的车端实时检测识别高精度地图边界方法，其特征在于，所述根据建图得到的点云数据，针对点云盲区进行插值处理具体包括：
根据建图得到的点云数据，基于车辆轨迹插值点云盲区，获取点云凸包，格栅化所述点云凸包范围，针对无点云栅格通过邻近点搜索方式对栅格点进行反距离权重插值，获取完整的凸包内点云数据。
4.如权利要求1～3任一项所述的车端实时检测识别高精度地图边界方法，其特征在于，
根据所述插值后的点云数据，采用RANSAC算法获取所述地面分割点云和非地面分割点云；和/或
根据所述地面分割点云，采用AlphaShape算法识别提取所述地面边界；和/或
根据所述非地面分割点云和地面边界，选择高程为车轮半径2/3高度的坡面点拟合计算获取所述坡面停车线。
5.一种车端实时检测识别高精度地图边界系统，其特征在于，包括：
采集模块，用于作业完成后，通过车载传感器采集LiDAR数据；
建图模块，用于根据所述LiDAR数据，完成点云建图并优化建图质量；
插值模块，用于根据建图得到的点云数据，针对点云盲区进行插值处理；
分割模块，用于根据插值后的点云数据，获取地面分割点云和非地面分割点云；
提取模块，用于根据所述地面分割点云和非地面分割点云，识别提取地面边界和坡面停车线。
6.如权利要求5所述的车端实时检测识别高精度地图边界系统，其特征在于，所述建图模块具体用于：
根据所述LiDAR数据，计算每一帧点云数据在传感器坐标系下的投影坐标；将所述每一帧点云数据对应的投影坐标转换到统一的车辆坐标系下融合配准，采用单源数据帧间配准及多源数据联合配准算法优化建图质量；根据优化后的点云数据，基于车辆轨迹精确裁剪变化区域内点云。
7.如权利要求5所述的车端实时检测识别高精度地图边界系统，其特征在于，所述插值模块具体用于：
根据建图得到的点云数据，基于车辆轨迹插值点云盲区，获取点云凸包，格栅化所述点云凸包范围，针对无点云栅格通过邻近点搜索方式对栅格点进行反距离权重插值，获取完整的凸包内点云数据。
8.如权利要求5～7任一项所述的车端实时检测识别高精度地图边界系统，其特征在于，
所述分割模块用于根据所述插值后的点云数据，采用RANSAC算法获取所述地面分割点云和非地面分割点云；和/或
所述提取模块用于根据所述地面分割点云，采用AlphaShape算法识别提取所述地面边界；和/或
所述提取模块用于根据所述非地面分割点云和地面边界，选择高程为车轮半径2/3高度的坡面点拟合计算获取所述坡面停车线。
9.一种存储介质，其特征在于，其存储有用于车端实时检测识别高精度地图边界的计算机程序，其中，所述计算机程序使得计算机执行如权利要求1～4任一项所述的车端实时检测识别高精度地图边界方法。
10.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如权利要求1～4任一项所述的车端实时检测识别高精度地图边界方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110743590.7A CN113487479A (zh) | 2021-06-30 | 2021-06-30 | 车端实时检测识别高精度地图边界方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110743590.7A CN113487479A (zh) | 2021-06-30 | 2021-06-30 | 车端实时检测识别高精度地图边界方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113487479A true CN113487479A (zh) | 2021-10-08 |
Family
ID=77937114
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110743590.7A Pending CN113487479A (zh) | 2021-06-30 | 2021-06-30 | 车端实时检测识别高精度地图边界方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113487479A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113902864A (zh) * | 2021-10-18 | 2022-01-07 | 奥特酷智能科技(南京)有限公司 | 用于矿场的矢量地图生成方法、系统及计算机系统 |
| CN115032618A (zh) * | 2022-08-12 | 2022-09-09 | 深圳市欢创科技有限公司 | 应用于激光雷达的盲区修复方法、装置及激光雷达 |
| CN115239648A (zh) * | 2022-07-08 | 2022-10-25 | 厦门微图软件科技有限公司 | R角突起点云的提取方法、装置、设备及存储介质 |
| CN115235525A (zh) * | 2021-12-07 | 2022-10-25 | 上海仙途智能科技有限公司 | 传感器检测方法、装置、电子设备及可读储存介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103489218A (zh) * | 2013-09-17 | 2014-01-01 | 中国科学院深圳先进技术研究院 | 点云数据质量自动优化方法及系统 |
| WO2018133851A1 (zh) * | 2017-01-22 | 2018-07-26 | 腾讯科技（深圳）有限公司 | 一种点云数据处理方法、装置及计算机存储介质 |
| CN110705458A (zh) * | 2019-09-29 | 2020-01-17 | 北京智行者科技有限公司 | 边界检测方法及装置 |
| CN111780768A (zh) * | 2020-07-20 | 2020-10-16 | 北京易控智驾科技有限公司 | 应用于露天矿山自动驾驶的装载位区域地图更新方法 |
| CN112013831A (zh) * | 2020-09-09 | 2020-12-01 | 北京易控智驾科技有限公司 | 一种基于地形分析的地图边界自动提取方法及装置 |
| CN112801022A (zh) * | 2021-02-09 | 2021-05-14 | 青岛慧拓智能机器有限公司 | 一种无人驾驶矿卡作业区道路边界快速检测更新的方法 |
-
2021
- 2021-06-30 CN CN202110743590.7A patent/CN113487479A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103489218A (zh) * | 2013-09-17 | 2014-01-01 | 中国科学院深圳先进技术研究院 | 点云数据质量自动优化方法及系统 |
| WO2018133851A1 (zh) * | 2017-01-22 | 2018-07-26 | 腾讯科技（深圳）有限公司 | 一种点云数据处理方法、装置及计算机存储介质 |
| CN110705458A (zh) * | 2019-09-29 | 2020-01-17 | 北京智行者科技有限公司 | 边界检测方法及装置 |
| CN111780768A (zh) * | 2020-07-20 | 2020-10-16 | 北京易控智驾科技有限公司 | 应用于露天矿山自动驾驶的装载位区域地图更新方法 |
| CN112013831A (zh) * | 2020-09-09 | 2020-12-01 | 北京易控智驾科技有限公司 | 一种基于地形分析的地图边界自动提取方法及装置 |
| CN112801022A (zh) * | 2021-02-09 | 2021-05-14 | 青岛慧拓智能机器有限公司 | 一种无人驾驶矿卡作业区道路边界快速检测更新的方法 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113902864A (zh) * | 2021-10-18 | 2022-01-07 | 奥特酷智能科技(南京)有限公司 | 用于矿场的矢量地图生成方法、系统及计算机系统 |
| CN115235525A (zh) * | 2021-12-07 | 2022-10-25 | 上海仙途智能科技有限公司 | 传感器检测方法、装置、电子设备及可读储存介质 |
| CN115239648A (zh) * | 2022-07-08 | 2022-10-25 | 厦门微图软件科技有限公司 | R角突起点云的提取方法、装置、设备及存储介质 |
| CN115239648B (zh) * | 2022-07-08 | 2023-06-02 | 厦门微图软件科技有限公司 | R角突起点云的提取方法、装置、设备及存储介质 |
| CN115032618A (zh) * | 2022-08-12 | 2022-09-09 | 深圳市欢创科技有限公司 | 应用于激光雷达的盲区修复方法、装置及激光雷达 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113487479A (zh) | 车端实时检测识别高精度地图边界方法和系统 | |
| CN111337941B (zh) | 一种基于稀疏激光雷达数据的动态障碍物追踪方法 | |
| US11709058B2 (en) | Path planning method and device and mobile device | |
| Weidner et al. | Classification methods for point clouds in rock slope monitoring: A novel machine learning approach and comparative analysis | |
| CN112801022A (zh) | 一种无人驾驶矿卡作业区道路边界快速检测更新的方法 | |
| Shackelford et al. | Automated 2-D building footprint extraction from high-resolution satellite multispectral imagery | |
| CN105761271A (zh) | 核安全壳表面缺陷自动检测方法及系统 | |
| CN105404844A (zh) | 一种基于多线激光雷达的道路边界检测方法 | |
| Yao et al. | Automatic vehicle extraction from airborne LiDAR data of urban areas aided by geodesic morphology | |
| Wang et al. | Automatic road extraction from mobile laser scanning data | |
| CN113129262A (zh) | 排土位自动化检测补充方法、装置、存储介质和电子设备 | |
| Sun et al. | Roads and intersections extraction from high-resolution remote sensing imagery based on tensor voting under big data environment | |
| CN113569915A (zh) | 一种基于激光雷达的多策略轨道交通障碍物识别方法 | |
| Tejenaki et al. | A new hierarchical method for automatic road centerline extraction in urban areas using LIDAR data | |
| CN106886988B (zh) | 一种基于无人机遥感的线性目标检测方法及系统 | |
| CN112669333A (zh) | 一种单木信息提取方法 | |
| CN111652241A (zh) | 融合影像特征与密集匹配点云特征的建筑物轮廓提取方法 | |
| CN114895302A (zh) | 城市道路路基病害快速探测的方法及装置 | |
| CN114022760B (zh) | 铁路隧道障碍物监测预警方法、系统、设备及存储介质 | |
| Quackenbush et al. | Road extraction: A review of LiDAR-focused studies | |
| Kurdi et al. | Full series algorithm of automatic building extraction and modelling from LiDAR data | |
| Truong-Hong et al. | Automatic detection of road edges from aerial laser scanning data | |
| Cserép et al. | Effective railroad fragmentation and infrastructure recognition based on dense lidar point clouds | |
| CN116245996A (zh) | 一种矿区非结构化道路的点云渲染方法及系统 | |
| CN115980783A (zh) | 一种基于激光雷达点云的高架边墙提取方法 |
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 |