CN113640779A - 雷达失效判定方法及装置、存储介质 - Google Patents
雷达失效判定方法及装置、存储介质 Download PDFInfo
- Publication number
- CN113640779A CN113640779A CN202111200922.3A CN202111200922A CN113640779A CN 113640779 A CN113640779 A CN 113640779A CN 202111200922 A CN202111200922 A CN 202111200922A CN 113640779 A CN113640779 A CN 113640779A
- Authority
- CN
- China
- Prior art keywords
- radar
- point cloud
- determining
- weighted
- abnormal points
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 230000002159 abnormal effect Effects 0.000 claims abstract description 92
- 239000011159 matrix material Substances 0.000 claims abstract description 32
- 238000009826 distribution Methods 0.000 claims description 32
- 238000001514 detection method Methods 0.000 claims description 28
- 238000009434 installation Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 239000007787 solid Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 239000012528 membrane Substances 0.000 description 2
- 238000007639 printing Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013095 identification testing Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Images
Classifications
-
- 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
- G01S7/497—Means for monitoring or calibrating
-
- 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
- G01S7/497—Means for monitoring or calibrating
- G01S2007/4975—Means for monitoring or calibrating of sensor obstruction by, e.g. dirt- or ice-coating, e.g. by reflection measurement on front-screen
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请公开了一种雷达失效判定方法及装置、存储介质,所述方法包括:根据雷达的点云的属性信息为点云配置权重系数矩阵;检测扫描帧内的异常点,基于所述异常点的权重系数矩阵计算异常点的加权总数;基于所述加权总数确定所述雷达是否失效。本申请对异常点的失效判断更为准确,大大提升了雷达失效的判断准确率。
Description
技术领域
本申请实施例涉及激光雷达技术,尤其涉及一种雷达失效判定方法及装置、存储介质。
背景技术
近年来,激光雷达(Light Detection And Ranging,简称LIDAR)在自动驾驶领域得到了广泛应用。在自动驾驶车辆展开大规模路测上路应用时,会遭遇不良天气和泥泞路况而导致激光雷达的光学外罩被脏污的情况,当脏污较重时,会有大量点位的回波信号减弱甚至消失。另一方面,设备光学部件、扫描部件以及接收模块的老化和故障也可能造成点云的大量缺失,这都会导致激光雷达的障碍物识别能力受到严重影响,威胁自动驾驶状态的行车安全。
目前针对点云失效方式的检测手段尚不成熟。
发明内容
有鉴于此,本申请提供了一种雷达失效判定方法及装置、存储介质。
根据本申请实施例的第一方面,提供一种雷达失效判定方法,包括:
根据雷达的点云的属性信息为点云配置权重系数矩阵;
检测扫描帧内的异常点,基于所述异常点的权重系数矩阵计算异常点的加权总数;
基于所述加权总数确定所述雷达是否失效。
在一个实施例中,所述基于所述加权总数确定所述雷达是否失效,包括:
确定所述加权总数大于第一阈值时,所述雷达失效。
在一个实施例中,所述方法还包括:
确定所述异常点的最大局域加权密度;
所述基于所述加权总数确定所述雷达是否失效,包括:
确定所述加权总数小于第一阈值而大于第二阈值时,将所述最大局域加权密度与第三阈值进行比较;所述最大局域加权密度大于所述第三阈值时,确定所述雷达失效。
在一个实施例中,所述根据雷达的点云的属性信息为点云配置权重系数矩阵,包括:
根据雷达的点云的分布区域,为不同区域的点云配置不同的第一类权重值;和/或,根据雷达的点云距安装对象的距离,为不同距离的点云配置不同的第二类权重值;和/或,根据雷达的点云的分布密度,为不同分布密度的点云配置不同的第三类权重值;
将每个点云的权重值按点云位置分布信息构成权重系数矩阵;其中,为点云所配置的权重值的类别为两类以上时,将两类以上的权重值的乘积作为点云的权重值。
在一个实施例中,所述确定所述异常点的最大局域加权密度,包括:
根据探测目标的尺寸确定所述探测目标对应点云的旋转角度和/或俯仰角度,基于所述旋转角度和/或俯仰角度确定所述雷达的立体扫描窗口,遍历整个点云,在每一遍历位置计算所述立体扫描窗口中所有异常点的加权总数,将所加权总数最大的所述立体扫描窗口对应的加权总数确定为所述异常点的最大局域加权密度。
在一个实施例中,所述确定所述异常点的最大局域加权密度,包括:
将所有点云中的异常点使用密度聚类方式划分为多个簇,将所述多个簇中的异常点的加权总数最大值的簇对应的加权总数确定为所述异常点的最大局域加权密度。
在一个实施例中,所述检测扫描帧内的异常点,包括:
检测扫描帧中点云对应的回波信号的能量,在连续设定数量扫描帧中点云的回波信号的能量均低于第四阈值时,确定点云为异常点。
根据本申请实施例的第二方面,提供一种雷达失效判定装置,包括:
配置单元,用于根据雷达的点云的属性信息为点云配置权重系数矩阵;
检测单元,用于检测扫描帧内的异常点;
计算单元,用于基于所述异常点的权重系数矩阵计算异常点的加权总数;
确定单元,用于基于所述加权总数确定所述雷达是否失效。
在一个实施例中,所述确定单元,还用于:
确定所述加权总数大于第一阈值时,所述雷达失效。
在一个实施例中,所述确定单元,还用于:确定所述异常点的最大局域加权密度;
确定所述加权总数小于第一阈值而大于第二阈值时,将所述最大局域加权密度与第三阈值进行比较;所述最大局域加权密度大于所述第三阈值时,确定所述雷达失效。
在一个实施例中,所述配置单元,还用于:
根据雷达的点云的分布区域,为不同区域的点云配置不同的第一类权重值;和/或,根据雷达的点云距安装对象的距离,为不同距离的点云配置不同的第二类权重值;和/或,根据雷达的点云的分布密度,为不同分布密度的点云配置不同的第三类权重值;
将每个点云的权重值按点云位置分布信息构成权重系数矩阵;其中,为点云所配置的权重值的类别为两类以上时,将两类以上的权重值的乘积作为点云的权重值。
在一个实施例中,所述确定单元,还用于:
根据探测目标的尺寸确定所述探测目标对应点云的旋转角度和/或俯仰角度,基于所述旋转角度和/或俯仰角度确定所述雷达的立体扫描窗口,遍历整个点云,在每一遍历位置计算所述立体扫描窗口中所有异常点的加权总数,将所加权总数最大的所述立体扫描窗口对应的加权总数确定为所述异常点的最大局域加权密度。
在一个实施例中,所述确定单元,还用于:
将所有点云中的异常点使用密度聚类方式划分为多个簇,将所述多个簇中的异常点的加权总数最大值的簇对应的加权总数确定为所述异常点的最大局域加权密度。
在一个实施例中,所述检测单元,还用于:
检测扫描帧中点云对应的回波信号的能量,在连续设定数量扫描帧中点云的回波信号的能量均低于第四阈值时,确定点云为异常点。
根据本申请实施例的第三方面,提供一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现所述的雷达失效判定方法的步骤。
本申请实施例的雷达失效判定方法及装置、存储介质,为扫描帧中的点云数据分配相应权重,当确定扫描帧中出现异常点时,根据异常点对应的权重确定出异常点的加权总数,从而确定异常点是否会影响激光雷达正常工作。本申请实施例对激光雷达失效的判断更为准确。
附图说明
为了更清楚地说明本申请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一简单地介绍。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为本申请实施例的雷达失效判定方法的流程示意图;
图2为本申请实施例的雷达失效判定方法的流程示意图
图3为本申请实施例的雷达失效判定装置的组成结构示意图;
图4示出了本发明实施例的电子设备的结构图。
具体实施方式
以下结合附图,详细阐明本申请实施例技术方案的实质。
图1为本申请实施例的雷达失效判定方法的流程示意图,如图1所示,本申请实施例的雷达失效判定方法包括:
步骤101,根据雷达的点云的属性信息为点云配置权重系数矩阵。
在本实施例中,点云的属性信息包括点云的位置信息,如点云位于边缘区域还是中心区域等。点云的属性信息还包括点云的分布疏密信息如点云密度等信息。
具体地,可以根据雷达的点云的分布区域,为不同区域的点云配置不同的第一类权重值;和/或,根据雷达的点云距安装对象的距离,为不同距离的点云配置不同的第二类权重值;和/或,根据雷达的点云的分布密度,为不同分布密度的点云配置不同的第三类权重值;
将每个点云的权重值按点云位置分布信息构成权重系数矩阵;其中,为点云所配置的权重值的类别为两类以上时,将两类以上的权重值的乘积作为点云的权重值。这里,为运算上的便利,根据激光雷达中每个点云的位置分布情况,为激光雷达的点云设置权重系数矩阵,即为每一行每一列的点云分别设置对应的权重系数矩阵,使每个点云按其位置与权重系数矩阵中的对应位置处的权重系数对应,这样,当在激光雷达的点云数据中确定异常点云时,即可在对应的权重系数矩阵中的对应位置处获知该点云的权重系数,更方便点云中权重系数的获知和相应运算。
步骤102,检测扫描帧内的异常点,基于所述异常点的权重系数矩阵计算异常点的加权总数。
本实施例中,可以检测扫描帧中点云对应的回波信号的能量,在连续设定数量扫描帧中点云的回波信号的能量均低于第四阈值时,确定点云为异常点。这里的第四阈值是根据经验设定的,或根据相关实验而确定。
步骤103,基于所述加权总数确定所述雷达是否失效。
本申请实施例中,当确定扫描帧内的异常点的加权总数超出第一阈值时,确定点云数据异常,所述雷达失效。
在本申请实施例中,当确定激光雷达失效不能正常工作时,还可以进一步输出报警信息提示用户进行相应维护或修理。
本申请实施例中,为了使雷达是否失效的判断结果更准确,还可以结合异常点的最大局域加权密度来进一步确定激光雷达是否失效。具体地,当确定所述加权总数小于第一阈值而大于第二阈值时,将所述最大局域加权密度与第三阈值进行比较;所述最大局域加权密度大于所述第三阈值时,确定所述雷达失效。
本申请实施例中,确定所述异常点的最大局域加权密度,包括:根据探测目标的尺寸确定所述探测目标对应点云的旋转角度和/或俯仰角度,基于所述旋转角度和/或俯仰角度确定所述雷达的立体扫描窗口,遍历整个点云,在每一遍历位置计算所述立体扫描窗口中所有异常点的加权总数,将所加权总数最大的所述立体扫描窗口对应的加权总数确定为所述异常点的最大局域加权密度。或者,将所有点云中的异常点使用密度聚类方式划分为多个簇,将所述多个簇中的异常点的加权总数最大值的簇对应的加权总数确定为所述异常点的最大局域加权密度。
本申请实施例的技术方案,可用于自动驾驶系统中激光雷达的点云异常情况实时判定,为激光雷达的脏污自动清洗、故障自动排查或者提示人工干预而提供准确的参考依据,提升自动驾驶系统的功能安全性。
以下详细说明本申请实施例的技术方案作进一步详细阐述。
在实际应用中,需要实时检测每一帧点云中的异常点,一般来说,会根据实际情况设定某一回波能量阈值Eth,在某一点连续多帧的能量都低于Eth时,则该点被认为是异常点。对于某一帧中检测出来的所有异常点,将它们在权重矩阵中所对应的权重值相加,即为这一帧的异常点加权总数。
为激光雷达的扫描帧中的点云配置权重系数矩阵。具体的配置手段包括:
本申请实施例之所以为点云配置权重系数矩阵,是因为在实际应用中,点云中的每个点在点云数据分析中的作用是不同的,若由于某种原因发生异常,对于点云整体的探测能力影响有大有小。按照当前常用方法以异常点总数判定点云是否失效,相当于认为所有点的权重相同,这显然与实际情况不符。因此,本申请实施例需要结合实际应用情况衡量每一点的重要性并为其配置相应的权重系数,点云的权重系数构成权重系数矩阵。
作为示例,可以按以下方式为点云配置权重系数:
1)根据雷达的点云的分布区域,为不同区域的点云配置不同的第一类权重值a。
在激光雷达安装到应用对象如自动驾驶车辆后,根据激光雷达的安装位置和角度,激光雷达的点云覆盖区域也会不同。这样,在具体的应用场景中对不同区域点云的关注也不同。由于点云边缘区域往往激光脉冲飞行距离较远导致回波较弱,在多数情况下,探测不到相应的回波信号,这对于点云探测能力的影响很小。作为示例,边缘区域的权重系数a应配置较小值,甚至配为0,相应地,内部区域点a值配为1,甚至更大。另外,激光雷达实际应用时经常会发生某一区域在场景中具有特殊重要性的情况,需要额外关注,例如安装在车辆正前方的激光雷达,显然正前方的点云比两侧要配置更高的权重,此时a可以配置为大于1的数值。
2)根据雷达的点云距安装对象的距离,为不同距离的点云配置不同的第二类权重值b。
大多数激光雷达在安装到车辆上时,会有部分点云斜下方向照射在地面上,由于车身较近的区域容易发生障碍物漏检,对自动驾驶安全性的威胁比远处发生漏检更大,因此,b值应按照点云对应激光束射在地面上的位置与车身距离成反比的方法配置。
3)根据雷达的点云的分布密度,为不同分布密度的点云配置不同的第三类权重值c
本申请实施例中,当点云密度大的区域出现异常点后,仍然可能有足够的正常点云支撑障碍物的识别。这里,点云密度的计算需要考虑激光发射角度的影响,因为骑行者、行人等重要障碍物的最大受光面是与地面垂直的,在激光发射角度与最大受光面垂直时才可以获得最多的障碍物点。因此,作为示例,配置权重系数c的有效的方法是,在点云视场的目标区域中放置一块固定大小的与地面垂直的反射板,记录反射板上的点数n,则该区域的权重值c配置为与n成反比;另一种配置方式是,计算在反射板上每一点与相邻点的平均距离l,配置权重值c与l成正比。这里,根据不同的点云分布方式具体定义相邻点的选择方法和数量,例如,长方格子状分布的点云,可以取每点的上下左右四个点作为相邻点。
在考虑了以上三种权重系数的配置方式后,点云的权重值为可以为a、b、c中的任一者、或者任两者的乘积、或者三者的乘积,所有点云的权重系数计算完成后按照在点云中的位置一一对应录入点云权重矩阵,记录在激光雷达的存储介质中,作为点云的权重系数矩阵。需要注意的是,本申请实施例的权重系数矩阵是可变的,随着自动驾驶场景的变化,可通过点云实时监测当前场景特点即时调配。例如,车辆进入较空旷场景,其点云边缘处长时间无回波的点数增加,则可以将权重系数a对应的边缘区域适当扩大其权重值。在更长的应用周期内,可以将权重矩阵的配置为最优化值,在基于以上三条原则的基础上建立算法模型,以点云失效判定发生误判和漏判的数量作为惩罚函数,通过大量的上路测试数据可以解出更为准确的权重矩阵取值。
本申请实施例中,还可以包括计算最大局域加权密度的步骤。
另外,异常点的最大局域加权密度,是在点云中所有某种定义下的局部区域中,异常点权重之和的最大值。局部区域的定义方法与点云特性和对障碍物的检测能力要求相关。使用最大局域加权密度进行点云失效的判定,是因为异常点即使总数相当,若分布不同,仍然会对点云是否失效产生不同的影响。作为一种示例:假设有半数点云异常,但有以下两种情况,一是异常点均匀分布,二是异常点都聚在某个区域,显然前者点云的识别能力受影响不大,而后者点云会发生严重失效。因此,本申请实施例还对所有局部区域中异常点的出现密度进行单独考察,并以其中的最大值来判定点云是否会失效,是可以避免这一情形的。
本申请实施例中,确定所述异常点的最大局域加权密度,包括以下两种方式:
方式一、根据探测目标的尺寸确定所述探测目标对应点云的旋转角度和/或俯仰角度,基于所述旋转角度和/或俯仰角度确定所述雷达的立体扫描窗口,遍历整个点云,在每一遍历位置计算所述立体扫描窗口中所有异常点的加权总数,将所加权总数最大的所述立体扫描窗口对应的加权总数确定为所述异常点的最大局域加权密度。
常用的局部区域的定义是使用旋转角度A和俯仰角度B确定立体角范围,并确定该立体角范围内的所有点云,参数A和B通常可由激光雷达主要探测目标的最小尺寸来确定。例如常见的激光雷达的障碍物是车辆和行人,其中幼童往往是最小尺寸的障碍物,那么根据雷达安装后的点云分布,找出不同局域中幼童于激光发射方向所张的立体角,以选择旋转角度A和俯仰角度B刚好可以覆盖为准。在计算异常点的最大局域加权密度时,使用该立体角窗口遍历整个点云,在每一个位置计算选取窗中所有异常点的加权总数,找出所有选取窗中得到的结果最大值即可。
方式二、
将所有点云中的异常点使用密度聚类方式划分为多个簇,将所述多个簇中的异常点的加权总数最大值的簇对应的加权总数确定为所述异常点的最大局域加权密度。
具体地,对所有点云中的异常点,使用密度聚类(DBSCAN)方法将所有点云划分为多个簇,这里簇即相当于局部区域,所有簇中的异常点权重之和最大值则是在这种定义下的最大局域加权密度。在DBSCAN算法中,两个点云之间距离的度量使用该两点云激光发射方向的夹角,可以通过两点的球坐标方向角计算得到。而其中密度聚类模型的参数:邻域半径ε和邻域最小样本数量MinPts可以通过激光雷达的探测需求来决定,关注的障碍物尺寸越小,ε则相应的取较小值,MinPts的取值则随着ε的大小进行增减,同时MinPts和激光雷达的点云密度相关,密度高的点云对于障碍物识别有更多冗余资源,因此MinPts可适当取较大值。
图2为本申请实施例的雷达失效判定方法的流程示意图,如图2所示,本申请实施例的雷达失效判定方法包括以下处理步骤:
对于任一扫描帧中的点云,首先计算其异常点加权总数N,在N超过第一阈值N1时,直接判定点云失效,即当前状况会影响基于点云的距离测定等实际应用。若N<N1时,则比较N与第二阈值N2的大小,若N<N2则判定点云并未失效。若N超过N2,则计算点云异常点的最大局域加权密度M,与第三阈值M1进行比较,M大于M1时,判定点云失效,否者认为点云仍处于有效状态,影响基于点云的距离测定等实际应用。
本申请实施例中,阈值N1、N2、M1的选取方法可以搭建模拟实验场景进行测算。具体方法如下:
实验场地选择常见的公路路面。
量化分类点云异常状况:量化模拟可能发生的不同种类异常情况。例如泥污遮挡雷达透光罩的情况,可使用防水膜按照不同半径和不同间隔分别打圆孔,并在实验中一一覆盖于透光罩表面,使用污泥覆盖后再揭掉防水膜,即可量化模拟不同半径的泥点在不同的喷溅密度下产生的遮挡情况。另外,例如模拟APD损坏的情况,可以根据APD在光学路径上对应的接收端透光罩位置使用不同大小的遮光胶布覆盖,即可模拟不同损坏面积的APD故障。
在不同异常情况下考察点云的障碍物识别有效性。具体地,根据实际应用中会遇到的常见障碍物种类设置,并结合实际应用中的需要设置不同种类障碍物的识别标准,例如可以设定为需要检测出障碍物且正确进行分类才判定识别成功,或者只需检测出障碍物即可等等。实验过程中应尽量使障碍物出现在点云的所有局部区域,并统计所有出现位置时的识别结果,计算识别成功的占比p。实际操作中,例如以行人作为障碍物,则可设计行人以蛇形路线遍历点云笼罩范围,对整个过程中的每一帧点云做识别结果统计,就能计算出对应p值。
由测试结果确定对应的失效判定阈值:根据实际应用中对探测对象和识别能力的要求,可以设定完全满足要求时所需要的最低识别率p1,以及完全达不到要求时的最高识别率p2(p1>p2)。在点云识别测试中找出p值大于p1的所有异常状态,计算所有状态下的异常点加权总数,取平均值即可作为阈值N2,同样地,找出所有p值小于p2的状态,使用其异常点加权总数的均值作为阈值N1。另外,需要将测试中的所有情况下的点云数据逐帧按照有效和失效的情况分类,分类后的点云数据作为训练集,然后根据所使用的局域加权密度算法模型对训练集数据进行最大局域加权密度计算,对比计算结果和分类情况,确定M1的取值。在使用DBSCAN算法时,两种分类下的最大局域加权密度值容易产生大小重叠的分布区域,难以确定M1的取值,在实用中需要根据雷达使用场景特点和训练集数据表现灵活调整参数ε和MinPts的取值。若训练集过大,可使用最优化算法模型寻找参数ε和MinPts和M1值的最佳搭配,使得计算结果可以和训练集分类情况达到最佳匹配。
图3为本申请实施例的雷达失效判定装置的组成结构示意图,如图3所示,本申请实施例的雷达失效判定装置包括:
配置单元30,用于根据雷达的点云的属性信息为点云配置权重系数矩阵;
检测单元31,用于检测扫描帧内的异常点;
计算单元32,用于基于所述异常点的权重系数矩阵计算异常点的加权总数;
确定单元33,用于基于所述加权总数确定所述雷达是否失效。
在一个实施例中,所述确定单元33,还用于:
确定所述加权总数大于第一阈值时,所述雷达失效。
在一个实施例中,所述确定单元33,还用于:确定所述异常点的最大局域加权密度;
确定所述加权总数小于第一阈值而大于第二阈值时,将所述最大局域加权密度与第三阈值进行比较;所述最大局域加权密度大于所述第三阈值时,确定所述雷达失效。
在一个实施例中,所述配置单元30,还用于:
根据雷达的点云的分布区域,为不同区域的点云配置不同的第一类权重值;和/或,根据雷达的点云距安装对象的距离,为不同距离的点云配置不同的第二类权重值;和/或,根据雷达的点云的分布密度,为不同分布密度的点云配置不同的第三类权重值;
将每个点云的权重值按点云位置分布信息构成权重系数矩阵;其中,为点云所配置的权重值的类别为两类以上时,将两类以上的权重值的乘积作为点云的权重值。
在一个实施例中,所述确定单元33,还用于:
根据探测目标的尺寸确定所述探测目标对应点云的旋转角度和/或俯仰角度,基于所述旋转角度和/或俯仰角度确定所述雷达的立体扫描窗口,遍历整个点云,在每一遍历位置计算所述立体扫描窗口中所有异常点的加权总数,将所加权总数最大的所述立体扫描窗口对应的加权总数确定为所述异常点的最大局域加权密度。
在一个实施例中,所述确定单元33,还用于:
将所有点云中的异常点使用密度聚类方式划分为多个簇,将所述多个簇中的异常点的加权总数最大值的簇对应的加权总数确定为所述异常点的最大局域加权密度。
在一个实施例中,所述检测单元31,还用于:
检测扫描帧中点云对应的回波信号的能量,在连续设定数量扫描帧中点云的回波信号的能量均低于第四阈值时,确定点云为异常点。
在示例性实施例中,配置单元30、检测单元31、计算单元32、确定单元33等可以被一个或多个中央处理器(CPU,Central Processing Unit)、图形处理器(GPU,GraphicsProcessing Unit)、基带处理器(BP,Base Processor)、应用专用集成电路(ASIC,Application Specific Integrated Circuit)、数字信号处理器(Digital SignalProcessor,DSP)、可编程逻辑器件(PLD,Programmable Logic Device)、复杂可编程逻辑器件(CPLD,Complex Programmable Logic Device)、现场可编程门阵列(FPGA,Field-Programmable Gate Array)、通用处理器、控制器、微控制器(MCU,Micro ControllerUnit)、微处理器(Microprocessor)、或其他电子元件实现,用于执行前述实施例的基于教育信息的雷达失效判定方法的步骤。
在本公开实施例中,图3示出的雷达失效判定装置中各个单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
如图4所示,电子设备11包括一个或多个处理器111和存储器112。
处理器111可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备11中的其他组件以执行期望的功能。
存储器112可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器111可以运行所述程序指令,以实现上文所述的本申请的各个实施例的雷达失效判定方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。
在一个示例中,电子设备11还可以包括:输入装置113和输出装置114,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入设备113可以包括例如键盘、鼠标等等。
该输出装置114可以向外部输出各种信息,包括确定出的距离信息、方向信息等。该输出设备114可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图4中仅示出了电子设备11中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备11还可以包括任何其他适当的组件。
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的方法中的步骤。
应理解,说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在实施例中”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解,在本发明的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
需要说明的是,在本文中,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、物品或者装置不仅包括那些要素,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、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不存在。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
以上所述,仅为本发明的实施方式,但本发明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发明揭露的技术范围内,可轻易想到变化或替换,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以所述权利要求的保护范围为准。
Claims (15)
1.一种激光雷达失效判定方法,其特征在于,所述方法包括:
根据激光雷达的点云的属性信息为点云配置权重系数矩阵;
检测扫描帧内的异常点,基于所述异常点的权重系数矩阵计算异常点的加权总数;
基于所述加权总数确定所述雷达是否失效。
2.根据权利要求1所述的方法,其特征在于,所述基于所述加权总数确定所述雷达是否失效,包括:
确定所述加权总数大于第一阈值时,所述雷达失效。
3.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:
确定所述异常点的最大局域加权密度;
所述基于所述加权总数确定所述雷达是否失效,包括:
确定所述加权总数小于第一阈值而大于第二阈值时,将所述最大局域加权密度与第三阈值进行比较;所述最大局域加权密度大于所述第三阈值时,确定所述雷达失效。
4.根据权利要求1或2所述的方法,其特征在于,所述根据雷达的点云的属性信息为点云配置权重系数矩阵,包括:
根据雷达的点云的分布区域,为不同区域的点云配置不同的第一类权重值;和/或,根据雷达的点云距安装对象的距离,为不同距离的点云配置不同的第二类权重值;和/或,根据雷达的点云的分布密度,为不同分布密度的点云配置不同的第三类权重值;
将每个点云的权重值按点云位置分布信息构成权重系数矩阵;其中,为点云所配置的权重值的类别为两类以上时,将两类以上的权重值的乘积作为点云的权重值。
5.根据权利要求3所述的方法,其特征在于,所述确定所述异常点的最大局域加权密度,包括:
根据探测目标的尺寸确定所述探测目标对应点云的旋转角度和/或俯仰角度,基于所述旋转角度和/或俯仰角度确定所述雷达的立体扫描窗口,遍历整个点云,在每一遍历位置计算所述立体扫描窗口中所有异常点的加权总数,将所加权总数最大的所述立体扫描窗口对应的加权总数确定为所述异常点的最大局域加权密度。
6.根据权利要求3所述的方法,其特征在于,所述确定所述异常点的最大局域加权密度,包括:
将所有点云中的异常点使用密度聚类方式划分为多个簇,将所述多个簇中的异常点的加权总数最大值的簇对应的加权总数确定为所述异常点的最大局域加权密度。
7.根据权利要求1或2所述的方法,其特征在于,所述检测扫描帧内的异常点,包括:
检测扫描帧中点云对应的回波信号的能量,在连续设定数量扫描帧中点云的回波信号的能量均低于第四阈值时,确定点云为异常点。
8.一种雷达失效判定装置,其特征在于,所述装置包括:
配置单元,用于根据雷达的点云的属性信息为点云配置权重系数矩阵;
检测单元,用于检测扫描帧内的异常点;
计算单元,用于基于所述异常点的权重系数矩阵计算异常点的加权总数;
确定单元,用于基于所述加权总数确定所述雷达是否失效。
9.根据权利要求8所述的装置,其特征在于,所述确定单元,还用于:
确定所述加权总数大于第一阈值时,所述雷达失效。
10.根据权利要求8或9所述的装置,其特征在于,所述确定单元,还用于:确定所述异常点的最大局域加权密度;
确定所述加权总数小于第一阈值而大于第二阈值时,将所述最大局域加权密度与第三阈值进行比较;所述最大局域加权密度大于所述第三阈值时,确定所述雷达失效。
11.根据权利要求10所述的装置,其特征在于,所述配置单元,还用于:
根据雷达的点云的分布区域,为不同区域的点云配置不同的第一类权重值;和/或,根据雷达的点云距安装对象的距离,为不同距离的点云配置不同的第二类权重值;和/或,根据雷达的点云的分布密度,为不同分布密度的点云配置不同的第三类权重值;
将每个点云的权重值按点云位置分布信息构成权重系数矩阵;其中,为点云所配置的权重值的类别为两类以上时,将两类以上的权重值的乘积作为点云的权重值。
12.根据权利要求10所述的装置,其特征在于,所述确定单元,还用于:
根据探测目标的尺寸确定所述探测目标对应点云的旋转角度和/或俯仰角度,基于所述旋转角度和/或俯仰角度确定所述雷达的立体扫描窗口,遍历整个点云,在每一遍历位置计算所述立体扫描窗口中所有异常点的加权总数,将所加权总数最大的所述立体扫描窗口对应的加权总数确定为所述异常点的最大局域加权密度。
13.根据权利要求10所述的装置,其特征在于,所述确定单元,还用于:
将所有点云中的异常点使用密度聚类方式划分为多个簇,将所述多个簇中的异常点的加权总数最大值的簇对应的加权总数确定为所述异常点的最大局域加权密度。
14.根据权利要求8或9所述的装置,其特征在于,所述检测单元,还用于:
检测扫描帧中点云对应的回波信号的能量,在连续设定数量扫描帧中点云的回波信号的能量均低于第四阈值时,确定点云为异常点。
15.一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内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1至7任一项所述的雷达失效判定方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111200922.3A CN113640779B (zh) | 2021-10-15 | 2021-10-15 | 雷达失效判定方法及装置、存储介质 |
PCT/CN2022/125376 WO2023061481A1 (zh) | 2021-10-15 | 2022-10-14 | 雷达失效判定方法及装置、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111200922.3A CN113640779B (zh) | 2021-10-15 | 2021-10-15 | 雷达失效判定方法及装置、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113640779A true CN113640779A (zh) | 2021-11-12 |
CN113640779B CN113640779B (zh) | 2022-05-03 |
Family
ID=78427037
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111200922.3A Active CN113640779B (zh) | 2021-10-15 | 2021-10-15 | 雷达失效判定方法及装置、存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113640779B (zh) |
WO (1) | WO2023061481A1 (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113805159A (zh) * | 2021-11-19 | 2021-12-17 | 北京一径科技有限公司 | 信号接收组件的失效检测方法、装置、设备及存储介质 |
CN114384492A (zh) * | 2022-03-24 | 2022-04-22 | 北京一径科技有限公司 | 用于激光雷达的点云处理方法及装置、存储介质 |
CN114755642A (zh) * | 2022-03-23 | 2022-07-15 | 广州文远知行科技有限公司 | 一种雷达线路检测方法、装置、交通工具及存储介质 |
CN114879184A (zh) * | 2021-11-29 | 2022-08-09 | 比业电子(北京)有限公司 | 雷达、扶梯的失效检测方法、装置、电子设备和存储介质 |
CN114910888A (zh) * | 2022-04-21 | 2022-08-16 | 北京一径科技有限公司 | 扫描器异常检测方法及装置、激光雷达及存储介质 |
WO2023061481A1 (zh) * | 2021-10-15 | 2023-04-20 | 北京一径科技有限公司 | 雷达失效判定方法及装置、存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160103208A1 (en) * | 2014-10-14 | 2016-04-14 | Hyundai Motor Company | System for filtering lidar data in vehicle and method thereof |
CN106596754A (zh) * | 2016-11-22 | 2017-04-26 | 华北电力大学 | 油色谱传感器有效性的评估方法及装置 |
CN109471075A (zh) * | 2018-10-19 | 2019-03-15 | 芜湖易来达雷达科技有限公司 | 一种雷达失效自动检测方法 |
CN110031823A (zh) * | 2019-04-22 | 2019-07-19 | 上海禾赛光电科技有限公司 | 可用于激光雷达的噪点识别方法以及激光雷达系统 |
CN111638528A (zh) * | 2020-05-26 | 2020-09-08 | 北京百度网讯科技有限公司 | 定位方法、装置、电子设备和存储介质 |
CN111650564A (zh) * | 2020-02-26 | 2020-09-11 | 惠州市德赛西威智能交通技术研究院有限公司 | 一种cfar后峰值点统计的车载雷达失效检测方法 |
CN112270251A (zh) * | 2020-10-26 | 2021-01-26 | 清华大学 | 一种基于互信息的自适应多传感器数据融合方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109785247B (zh) * | 2018-12-18 | 2023-03-31 | 歌尔科技有限公司 | 激光雷达异常点云数据的修正方法、装置及存储介质 |
CN113219446A (zh) * | 2021-04-30 | 2021-08-06 | 森思泰克河北科技有限公司 | 车内雷达占位识别方法、装置及车载雷达 |
CN113640779B (zh) * | 2021-10-15 | 2022-05-03 | 北京一径科技有限公司 | 雷达失效判定方法及装置、存储介质 |
-
2021
- 2021-10-15 CN CN202111200922.3A patent/CN113640779B/zh active Active
-
2022
- 2022-10-14 WO PCT/CN2022/125376 patent/WO2023061481A1/zh unknown
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160103208A1 (en) * | 2014-10-14 | 2016-04-14 | Hyundai Motor Company | System for filtering lidar data in vehicle and method thereof |
CN106596754A (zh) * | 2016-11-22 | 2017-04-26 | 华北电力大学 | 油色谱传感器有效性的评估方法及装置 |
CN109471075A (zh) * | 2018-10-19 | 2019-03-15 | 芜湖易来达雷达科技有限公司 | 一种雷达失效自动检测方法 |
CN110031823A (zh) * | 2019-04-22 | 2019-07-19 | 上海禾赛光电科技有限公司 | 可用于激光雷达的噪点识别方法以及激光雷达系统 |
CN111650564A (zh) * | 2020-02-26 | 2020-09-11 | 惠州市德赛西威智能交通技术研究院有限公司 | 一种cfar后峰值点统计的车载雷达失效检测方法 |
CN111638528A (zh) * | 2020-05-26 | 2020-09-08 | 北京百度网讯科技有限公司 | 定位方法、装置、电子设备和存储介质 |
CN112270251A (zh) * | 2020-10-26 | 2021-01-26 | 清华大学 | 一种基于互信息的自适应多传感器数据融合方法及系统 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023061481A1 (zh) * | 2021-10-15 | 2023-04-20 | 北京一径科技有限公司 | 雷达失效判定方法及装置、存储介质 |
CN113805159A (zh) * | 2021-11-19 | 2021-12-17 | 北京一径科技有限公司 | 信号接收组件的失效检测方法、装置、设备及存储介质 |
CN114879184A (zh) * | 2021-11-29 | 2022-08-09 | 比业电子(北京)有限公司 | 雷达、扶梯的失效检测方法、装置、电子设备和存储介质 |
CN114755642A (zh) * | 2022-03-23 | 2022-07-15 | 广州文远知行科技有限公司 | 一种雷达线路检测方法、装置、交通工具及存储介质 |
CN114755642B (zh) * | 2022-03-23 | 2023-03-10 | 广州文远知行科技有限公司 | 一种雷达线路检测方法、装置、交通工具及存储介质 |
CN114384492A (zh) * | 2022-03-24 | 2022-04-22 | 北京一径科技有限公司 | 用于激光雷达的点云处理方法及装置、存储介质 |
CN114910888A (zh) * | 2022-04-21 | 2022-08-16 | 北京一径科技有限公司 | 扫描器异常检测方法及装置、激光雷达及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113640779B (zh) | 2022-05-03 |
WO2023061481A1 (zh) | 2023-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113640779B (zh) | 雷达失效判定方法及装置、存储介质 | |
CN108909624B (zh) | 一种基于单目视觉的实时障碍物检测和定位方法 | |
CN110764108A (zh) | 一种用于港口自动驾驶场景的障碍物检测方法及装置 | |
CN105404844A (zh) | 一种基于多线激光雷达的道路边界检测方法 | |
CN107985189B (zh) | 面向高速驾驶环境下的驾驶员变道深度预警方法 | |
US11514343B2 (en) | Simulating degraded sensor data | |
CN112116031A (zh) | 基于路侧设备的目标融合方法、系统、车辆及存储介质 | |
CN106428003B (zh) | 不良天气下高速公路车辆偏离车道的预警装置及方法 | |
CN110307995A (zh) | 一种用于自动驾驶汽车边缘测试的测试方法 | |
CN112339758A (zh) | 一种多工况自适应的预警制动系统 | |
CN112666553A (zh) | 一种基于毫米波雷达的道路积水识别方法及设备 | |
CN114879192A (zh) | 基于路侧毫米波雷达的决策树车型分类方法、电子设备 | |
CN115205796A (zh) | 轨道线路异物侵限监测与风险预警方法及系统 | |
Song et al. | Identifying critical test scenarios for lane keeping assistance system using analytic hierarchy process and hierarchical clustering | |
Yu et al. | SOTIF risk mitigation based on unified ODD monitoring for autonomous vehicles | |
KR102384254B1 (ko) | 가변 요소 모델링 방법 및 장치 | |
DE102021104662A1 (de) | Verfahren zur Bestimmung einer fusionierten Sensor-Detektionsbedingung | |
CN112085101A (zh) | 一种高性能高可靠的环境融合感知方法及系统 | |
CN111175852B (zh) | 一种基于长短时记忆算法的机场大雾预报预警方法 | |
Pao et al. | Wind-driven rain effects on automotive camera and LiDAR performances | |
CN113610143B (zh) | 一种点云噪点的分类方法、装置、设备及存储介质 | |
CN115805865A (zh) | 重型汽车盲区预警方法、装置、设备及存储介质 | |
CN116194803A (zh) | 用于融合环境相关参数的方法 | |
CN114529539A (zh) | 无人设备路面障碍检测方法、装置、无人设备及存储介质 | |
CN113781783A (zh) | 一种路网层次的车辆超载识别及应急预警方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |