CN113744518B - 一种车辆可行驶区域的检测方法及装置 - Google Patents
一种车辆可行驶区域的检测方法及装置 Download PDFInfo
- Publication number
- CN113744518B CN113744518B CN202010480923.7A CN202010480923A CN113744518B CN 113744518 B CN113744518 B CN 113744518B CN 202010480923 A CN202010480923 A CN 202010480923A CN 113744518 B CN113744518 B CN 113744518B
- Authority
- CN
- China
- Prior art keywords
- detection result
- detection
- point
- mutation
- idi
- 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
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供一种车辆可行驶区域的检测方法及装置。其方法包括:根据第一检测信号确定第一检测结果,第一检测结果包括目标车辆前方道路可行驶区域的m个边缘点分别对应的第一信息(Li,IDi);根据第一检测结果和检测设备发送的至少一个第二检测信号确定第二检测结果,第二检测结果包括m个边缘点分别对应的第二信息(Li’,IDi),Li’与根据至少一个第二检测信号分别确定的至少一个Li相关;使用第二信息(Li’,IDi)纠正第一信息(Li,IDi),上述方式可以滤除错误检测,确定出异常突变点,并对异常突变点进行纠正,可以提高可行驶区域检测的稳定性和准确性。
Description
技术领域
本申请涉及自动驾驶技术领域,尤其涉及一种车辆可行驶区域的检测方法及装置。
背景技术
由于相机具有成本低、丰富的感知信息等出色的功能,因此基于相机的图像算法研究一直是学术及工业界的研究热点。随着深度学习技术的兴起,视觉感知算法的性能指标不断刷新,基于深度学习技术的视觉算法表现出了巨大的发展潜力,也成为高级辅助及自动驾驶的重要模块。因此,基于视觉的无人驾驶系统成为了近些年的研究热点。
在智能系统中,一套完整的感知方案包括目标检测、语义分割等功能,可行驶区域可以提供自动驾驶系统的场景理解功能,因此可行驶区域是自动驾驶系统重要的感知应用。现有的可行驶区域检测技术包括基于相机图像、基于毫米波雷达、基于激光雷达等方式的解决方案。然而,由于传感器的固有特性,观测信号难免受到干扰,这些因素导致的虚警和错误检测会极大影响可行驶区域的检测效果,给稳定的自动驾驶感知方案带来了极大地挑战。因此,如何提高感知的稳定性成为了安全的自动驾驶方案的首要任务。
发明内容
本申请提供一种车辆可行驶区域的检测方法及装置,用以提高可行驶区域检测的稳定性,滤除错误检测,保障可行驶区域检测的准确性。
第一方面,本申请提供一种车辆可行驶区域的检测方法,该方法可以由检测设备实现,或者由检测设备中的芯片执行,该方法包括:接收检测设备当前发送的第一检测信号,根据第一检测信号确定第一检测结果;其中,检测设备用于检测目标车辆前方的道路信息,第一检测结果包括目标车辆前方道路中可行驶区域的m个采样点分别对应的第一信息(Li,IDi),i取遍1到m中的任意正整数,Li表示第i个采样点的第一位置,IDi表示第i个采样点的标识;确定第二检测结果,第二检测结果是根据检测设备在第一检测信号之前发送的至少一个第二检测信号确定的;第二检测结果包括m个采样点分别对应的第二信息(Li’,IDi),Li’表示第i个采样点的第二位置,Li’与根据至少一个第二检测信号分别确定的至少一个Li相关;使用第二检测结果中的第二信息(Li’,IDi)纠正第一检测结果中的第一信息(Li,IDi)。
采用上述方法,可以通过第一检测信号之前的至少一个第二检测信号预测第一检测信号对应的第二检测结果,并根据第一检测信号的第一检测结果和第二检测结果确定m个采样点中的异常突变点,从而对异常突变点的信息进行纠正,滤除错误检测,可以提高可行驶区域检测的稳定性和准确性。
在一种可能的设计中,使用第二检测结果中的第二信息(Li’,IDi)纠正第一检测结果中的第一信息(Li,IDi),包括:根据第一检测结果和第二检测结果,确定第一检测结果中的m个边缘点中的位置突变点;位置突变的Li与Li’的差值不小于预设距离阈值;在位置突变点中确定异常突变点,异常突变点为在设定时长内异常突变点的标识对应的边缘点始终为位置突变点;将异常突变点的第一信息(Li,IDi)替换为第二信息(Li’,IDi),保持第一检查结果中除异常突变点之外的边缘点的第一信息(Li,IDi)不变。
采用上述方法,使用异常突变点的第二信息替换第一信息,以滤除错误检测,提高可行驶区域检测的稳定性和准确性。
在一种可能的设计中,在位置突变点中确定异常突变点,包括:根据位置突变点的标识,对至少一个第三检测结果中与位置突变点的标识对应的采样点进行监测,确定标识对应的采样点持续为位置突变点的持续时间;其中,至少一个第三检测结果为根据至少一个第三检测信号分别确定的,至少一个第三检测信号为检测设备在第一检测信号之后发送的;若持续时间小于设定时长阈值,则确定第一检测结果中标识对应的位置突变点为异常突变点。
采用上述方法,对位置突变点进行时域监测,进一步筛选正常突变点和异常突变点,以保留正常突变点,避免过滤掉真实值,可提高可行驶区域边缘点检测的准确性。
在一种可能的设计中,使用第二检测结果中的第二信息(Li’,IDi)纠正第一检测结果中的第一信息(Li,IDi),包括:根据第一检测结果和第二检测结果,确定第一检测结果中的位置突变点;位置突变点的Li与Li’的差值不小于预设距离阈值;对第一检测结果中的位置突变点进行聚类处理,得到至少一个突变点集,其中,同一个突变点集包含的采样点的标识是连续的;在至少一个突变点集中确定目标异常点集;目标异常点集包含的全部位置突变点在第一检测结果之后的设定时长内始终为位置突变点;将目标异常点集中的每个异常点的第一信息(Li,IDi)替换为第二信息(Li’,IDi),保持第一检查结果中除目标异常点集中包含的全部异常点之外的边缘点的第一信息(Li,IDi)不变。
采用上述方法,对位置突变点进行聚类,在对位置突变点进行时域监测时,可以以一个突变点集为单位进行时域监测,减少时域监测过程的计算量,缩短处理时延。
在一种可能的设计中,在至少一个突变点集中确定目标异常点集,包括:针对一个突变点集,循环执行下述处理,直到满足结束条件,若循环执行下述处理的总时间小于设定时长阈值,则确定突变点集为目标异常点集;其中,每次循环处理接收的第三检测信号是不同的:接收检测设备发送的第三检测信号,第三检测信号是检测设备在第一检测信号之后发送的;根据第三检测信号确定第三检测结果;第三检测结果包含突变点集包含的至少一个位置突变点的标识分别对应的边缘点的位置信息;确定第三检测结果中突变点集包含的至少一个位置突变点的标识分别对应的边缘点的位置信息的均值,得到第一位置均值;确定第四检测结果,第四检测结果是根据检测设备发送的至少一个第四检测信号确定的,至少一个第四检测信号是在第三检测信号之前发送的;第四检测结果包括突变点集包含的至少一个位置突变点的标识分别对应的边缘点的位置信息;确定第四检测结果中突变点集包含的至少一个位置突变点的标识分别对应的边缘点的位置信息的均值,得到第二位置均值;确定第一位置均值与第二位置均值的差值不小于预设距离阈值。
采用上述方法,对突变点集进行时域监测,进一步筛选出正常突变点集和异常突变点集,以保留正常突变点集,避免过滤掉真实值,可提高可行驶区域边缘点检测的准确性。
在一种可能的设计中,第二检测结果是根据检测设备发送的至少一个第二检测信号确定的,具体可以是第二检测结果是根据第一检测结果以及检测设备发送的至少一个第二检测信号确定的。
在一种可能的设计中,Li’可以为至少一个Li的平均值,或者为至少一个Li的加权平均值。
在一种可能的设计中,Li’可以为第一检测结果中IDi对应的采样点的Li和至少一个第二检测信号中IDi分别对应的采样点的Li的平均值;或者为第一检测结果中IDi对应的采样点的Li和至少一个第二检测信号中IDi分别对应的采样点的Li的加权平均值。
第二方面,本申请实施例提供一种检测设备,包括处理器和存储器,其中,存储器存储一个或多个计算机程序;当存储器存储的一个或多个计算机程序被处理器执行时,使得该检测设备能够实现上述任一方面的任意一种可能的设计的方法。
第三方面,还提供一种检测设备,包括:用于执行上述第一方面或第一方面的任意一种可能的设计的方法的模块/单元;这些模块/单元可以通过硬件实现,也可以通过硬件执行相应的软件实现。
第四方面,还提供一种芯片,所述芯片与上述第一方面所述的电子设备中的存储器耦合,使得所述芯片在运行时调用所述存储器中存储的程序指令,实现如上述第一方面或第一方面的任意一种可能的设计的方法。
第五方面,还提供一种计算机可读存储介质,所述计算机可读存储介质包括计算机程序,当计算机程序在电子设备上运行时,使得所述电子设备执行如上述第一方面或第一方面的任意一种可能的设计的方法。
第六方面,还提供一种计算机程序产品,包括指令,当所述指令在计算机上运行时,使得所述计算机执行如上述第一方面或第一方面的任意一种可能的设计的方法。
以上第二方面到第六方面的有益效果,请参考第一方面提出各个技术方案的有益效果,这里不再重复赘述。
附图说明
图1为本申请实施例提供的一帧图像的可行驶区域的边缘点的示意图;
图2为本申请实施例提供的另一帧图像的可行驶区域的边缘点的示意图;
图3为本申请实施例提供的一种检测装置的结构示意图;
图4为本申请实施例提供的一种车辆可行驶区域的检测方法对应的流程示意图;
图5为本申请实施例提供的一种可行驶区域检测模块对应的流程示意图;
图6为本申请实施例提供的一种可行驶区域预测模块的处理流程示意图;
图7为本申请实施例提供的一种空域滤波模块的处理流程示意图;
图8为本申请实施例提供的另一帧图像的可行驶区域的边缘点的示意图;
图9为本申请实施例提供的一种后处理模块的处理流程示意图;
图10为本申请实施例提供的另一种车辆可行驶区域的检测流程示意图;
图11为本申请实施例提供的当前帧的第一检测结果和第二检测结果的示意图;
图12为本申请实施例提供的当前帧的第三检测结果的示意图;
图13为本申请实施例提供的另一种检测装置的结构示意图;
图14为本申请实施例提供的另一种检测装置的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请作进一步地详细描述。方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。
目前,自动驾驶已成为未来交通方式的主要研究方向。自动驾驶技术包括环境感知、决策规划和车辆控制三大部分。其中,环境感知作为第一环节,处于自动驾驶车辆与外界环境信息交互的关键位置,其关键在于使自动驾驶车辆更好地模拟人类驾驶员的感知能力,从而理解自身和周边的驾驶态势。
具体的,环境感知系统基于感应装置采集的车辆前方的道路信息,给出前方道路可行驶区域,从仿生学角度来说,可行驶区域的定义即驾驶人目视可及范围内可供车辆安全行驶的无障碍区域,用于提供给车辆的决策规划系统进行路径规划。
目前,可用于自动驾驶环境感知的硬件设备有很多,主要包括相机、激光雷达、毫米波雷达、超声波雷达等。以感应装置是相机为例,提供本申请实施例的一种应用场景示意图,参见图1,为安装在自动驾驶车辆上的相机采集到的车辆前方道路的一帧图像,环境感知系统可以基于可行驶区域检测算法对采集到的图像进行可行驶区域检测,确定出车辆前方道路中可行驶区域的边缘点,参见图1中虚线,为确定出的当前道路中可行驶区域的边缘点。随后,决策规划系统根据环境感知系统输出的可行驶区域的边缘点进行路径规划。
综上,在自动驾驶场景中,可行驶区域检测的稳定表现是自动驾驶系统控制决策模块准确与否的重要保证。对于高速行驶的无人系统,错误的可行驶区域检测会导致致命的安全事故。目前,可行驶区域检测多基于单帧检测,单帧检测存在一定程度的随机性,容易受视频信号噪声以及样本难易影响,单帧检测的稳定程度会受到影响,即无法保证平顺稳定的检测输出。参见图2,为另一帧图像的检测结果示意图,如图2所示,在进行可行驶区域的边缘点检测时,未识别出喷涂在路面上的地标,错误地将该地标检测为障碍物,导致检测到的当前帧图像的可行驶区域也是不准确的。
鉴于此,本申请实施例提供了一种车辆可行驶区域的检测方法及装置,用以提高可行驶区域检测的稳定性,滤除错误检测,保障可行驶区域检测的准确性。
图3示例性示出了一种可行驶区域的检测系统的结构示意图,该检测系统100可以应用于车辆中。如图3所示,该检测系统100包括:检测信号输入模块101、可行驶区域检测模块102、存储模块103、可行驶区域预测模块104、空域滤波模块105、时域滤波模块106和后处理模块107。
检测信号输入模块101,可以包括但不限于摄像头、相机、视觉传感器、激光雷达、毫米波雷达、超声波雷达等传感设备。示例性地,检测信号输入模块101可以安装于自动驾驶车辆上,用于感应自动驾驶车辆的外部环境,从而获得检测信号。基于不同的传感设备,检测信号包括但不限于:激光点云、毫米波雷达信息或视觉图像。
可实施地,检测信号输入模块101可以基于设定采样频率周期性获取检测信号,每次获取的检测信号又可以称为一帧检测信号,即检测信号输入模块101可以逐帧采集检测信号。其中,感应信号也可以称为检测信号,或称为感知信息流,可以作为该检测装置的输入信号。
可行驶区域检测模块102,具有图形处理器(graphics processing unit,GPU)、可行驶区域检测算法的能力,可以是人工智能(artificial intelligence,AI)等芯片,也可以是由其中多种芯片构成的系统,本申请实施例对此并不多作限制。
具体的,可行驶区域检测模块102,用于接收检测信号输入模块101逐帧采集的检测信号。其中,输入到可行驶区域检测模块102的检测信号可以是检测信号输入模块101采集到的原始检测信号,也可以是对原始检测信号进行预处理后的信号。例如,检测信号为图像时,输入到可行驶区域检测模块102中的信号可以是经过裁剪和尺寸调整后的图像,本申请实施例对此不作限定。
可行驶区域检测模块102还用于对接收到的每一帧检测信号,确定每一帧检测信号的检测结果。示例性地,确定检测结果的过程可以包括:基于可行驶区域检测算法进行建模,得到该检测信号对应的二维图像,检测该二维图像中包含的障碍物的边界,并按照该二维图像的m个采样点的预设横坐标值进行采样,假设该m个采样点为可行驶区域的边缘点,则确定该m个预设横坐标值对应的可行驶区域的坐标点。其中,可行驶区域的坐标点为距离拍摄源最近的障碍物的下边缘点,也可以称为可行驶区域的边缘点。也即每帧检测信号的检测结果包括,基于该检测信号确定的该m个可行驶区域的边缘点的信息。
需要说明的是上述仅为举例,在不同的场景中,m个采样点还可以是其他点,本申请实施例对此不作限定,为了便于描述,下文中将以采样点为边缘点为例,描述本申请技术方案,后续不再重复说明。
可行驶区域检测模块102,还用于输出各帧检测信号的检测结果,该检测结果可以作为可行驶区域预测模块104的输入。
存储模块103,用于存储一个历史时间段内的检测结果,或者用于存储预设数量的检测结果。其中,存储模块103可以为一个单独的模块,也可以集成于该检测装置的任一模块中。例如,集成于可行驶区域预测模块104中,本申请实施例对此不作限定。
可行驶区域预测模块104,用于接收当前帧检测信号的检测结果(也可以简称为当前帧检测结果),并可以从存储模块103中获取部分历史帧的检测结果。示例性地,该当前帧检测结果可以直接从可行驶区域检测模块102获取。
具体的,可行驶区域预测模块104,还用于根据当前帧检测结果和部分历史帧的检测结果,预测当前帧的检测结果,该检测结果包含当前帧中该m个可行驶区域的边缘点的预测值。
为了便于描述,下文将可行驶区域检测模块102确定的当前帧检测结果称为第一检测结果,将可行驶区域预测模块104预测的部分历史帧的检测结果称为第二检测结果。应理解,第一检测结果为基于当前帧的实际检测信号确定的当前帧中可行驶区域的m个边缘点的值(记为检测值),而第二检测结果是基于历史检测信号推测出的可行驶区域的m个边缘点的值(记为预测值)。
空域滤波模块105,用于获取第一检测结果和第二检测结果,并根据第一检测结果和第二检测结果,筛选出当前帧中m个边缘点中的位置突变点(也可以称为空域抖动点,或候选异常点)。可以理解为,空域滤波模块105用于测量m个边缘点中的每个边缘点在振幅方向(Y轴)上的振幅跳跃高度,在空间尺度上设置一个空间阈值S,若该边缘点的检测值与预测值之差的绝对值大于该空间阈值S,则确定可行驶区域检测模块102输出的该边缘点为位置突变点,也即可以理解为位置突变点为Y轴振幅变化较大的点;否则,该边缘点为正常输出信号。其中,所有被列为位置突变点的对象都将进入下一步的时间域滤波模块106来进一步判断其是否为真的异常值,即该位置突变点为正常突变还是异常突变。
时域滤波模块106,用于对位置突变点进行追踪,以确定该位置突变点为正常突变还是异常突变。其中,正常突变可以理解为,真实障碍物导致的突变,例如突然进入感知范围的车辆等。异常突变可以理解为,检测信号受噪音干扰或复杂样本等原因导致的异常突变。
后处理模块107,用于对异常突变点进行处理,对第一检测结果和第二检测结果重构,确定当前帧的最终输出结果。示例性地,该输出结果可以用于决策规划系统进行路径规划。
基于图3所示的检测系统,提供本申请实施例的一种车辆可行驶区域的检测方法。参见图4,为本申请实施例提供的一种车辆可行驶区域的检测方法的流程示意图。
本申请实施例提供了一种车辆可行驶区域的检测方法,该方法可以由图3所示的检测系统中除检测信号输入模块101之外的各模块来执行,该方法包括:可行驶区域检测模块102接收检测信号输入模块101当前发送的第一检测信号,根据第一检测信号确定第一检测结果;该第一检测结果包括目标车辆前方道路中可行驶区域的m个采样点分别对应的第一信息(Li,IDi),Li表示第i个采样点的第一位置,IDi表示第i个采样点的标识;可行驶区域预测模块104确定第一检测信号对应的第二检测结果,该第二检测结果包括m个采样点分别对应的第二信息(Li’,IDi),Li’表示第i个采样点的第二位置,述Li’与根据至少一个第二检测信号分别确定的至少一个Li相关;使用第二检测结果中的第二信息(Li’,IDi)纠正所述第一检测结果中的第一信息(Li,IDi),例如:空域滤波模块105根据第一检测结果和第二检测结果确定出第一检测结果中m个采样点的位置突变点,并通过时域滤波模块106对该位置突变点进行时域监测以判断该位置突变点为正常突变点还是异常突变点,若确定为异常突变点,则处理模块107将该异常突变点的第一信息替换为第二信息。上述方式可以通过历史时间段内的多帧检测结果预测当前帧的第二检测结果,并根据当前帧的第一检测结果和第二检测结果对当前帧的m个采样点的信息进行纠正,滤除错误检测,提高可行驶区域检测的稳定性和准确性。
以下结合附图和应用场景,对本申请实施例提供的车辆可行驶区域的检测方法进行说明。
基于上述描述,下面结合实施例一至实施例二对本申请实施例提供的车辆可行驶区域的检测方法进行描述。
实施例一
在实施例一中,将以m个边缘点中的一个边缘点为例,对确定该一个边缘点的检测值、确定该一个边缘点的预测值,对该一个边缘点进行空域滤波的过程、在确定该一个边缘点为位置突变点时,对该一个位置突变点进行时域监测的过程,以及在确定该一个位置突变点为异常突变点时的后处理过程进行描述。
参见图4,图4为本申请实施例提供的一种车辆可行驶区域的检测方法所对应的流程示意图。该方法可以应用于图3所示的检测装置中,如图4所示,该方法包括:
步骤401:接收检测设备当前发送的第一检测信号,并根据该第一检测信号确定第一检测结果。
在车辆的驾驶过程中,安装在车辆上的检测设备(如图3中的检测信号输入模块101)逐帧采集检测信号,作为一种示例,任意相邻两帧的时间间隔可以相同,也可以不同,本申请这里不做限定。示例性地,检测设备为相机、摄像头等视觉传感器时,检测信号可以为视觉传感器逐帧采集的车辆前方道路的图像;检测设备为激光雷达时,检测信号可以为激光波雷达逐帧采集的点云数据。
其中,第一检测信号可以理解为检测设备发送的当前帧的检测信号。
检测装置基于当前帧的检测信号,对车辆前方道路的可行驶区域进行边缘点检测,得到当前帧的检测结果,该检测结果可以但不限于包括:车辆前方道路上可行驶区域的m个边缘点的信息,该m个边缘点为基于m个预设横坐标值进行采样确定的,其中,m为正整数。
下文以检测信号为图像为例,对可行驶区域检测模块102确定一帧图像的检测结果的流程进行举例说明。
如图5所示,可行驶区域检测模块102接收检测信号输入模块101当前发送的第一检测信号,可行驶区域检测模块102基于可行驶区域检测算法对感应设备采集到的当前帧的图像进行边缘点检测,识别出障碍物的边界,并基于预设原点和预设的m个边缘点的横坐标值确定可行驶区域的m个边缘点的坐标点。其中,预设原点可以是该图像的左下角顶点,可选的,该图像可以是检测设备采集到的原始图像,也可以是经过剪裁、尺寸调整后的图像,本申请实施例对此不作限定。
示例性地,该m个边缘点的预设横坐标值可以是等间距的,也可以是分散分布的,其中,m个边缘点可以具有标识,例如,按照距离原点由近即远的顺序,m个边缘点的标识为0,1,2…m-1,或者m个边缘点的标识为1,2…m,本申请实施例对此不作限定。具体的,边缘点的标识与预设横坐标值一一对应。例如,标识为1的边缘点对应的横坐标值为0,标识为2的边缘点对应的横坐标值为10,标识为3的边缘点对应的横坐标值为20,标识为4的边缘点对应的横坐标值为30,依次类推。或者,m个边缘点的预设横坐标值之间的间距不相等,例如标识为1的边缘点对应的横坐标值为5,标识为2的边缘点对应的横坐标值为10,标识为3的边缘点对应的横坐标值为12,标识为4的边缘点对应的横坐标值为15。
综上,第一检测结果包含m个边缘点的信息(Li,IDi),i取遍1到m中的任意正整数,其中,Li表示第i个边缘点的第一位置,IDi表示第i个边缘点的标识。举例来说,Li为第i个边缘点的坐标。示例性地,第一检测结果可以以二维点集形式输出,该二维点集包含m个边缘点的横坐标和纵坐标,或者该二维点集包含m个边缘点的标识和纵坐标,应理解,基于边缘点的标识与预设横坐标值的对应关系,可以根据该边缘点的标识确定该边缘点的横坐标。再示例性地,第一检测结果也可以以一维点集形式输出,该一维点集包含m个边缘点的纵坐标,并依据m个边缘点的标识按照从大到小或者从大到小的顺序,对m个边缘点的纵坐标进行排序,即假设IDi对应的边缘点的纵坐标为yi,则第一检测结果可以是一维点集(y1,y2,…,ym)。也就是,标识IDi对应的边缘点的Li为该边缘点的纵坐标,下文为方便描述,将以Li为边缘点的纵坐标为例进行描述。
应理解,上述为确定一帧图像的第一检测结果的介绍,对于检测设备采集的每一帧的检测信号均可以基于上述流程确定各帧检测信号对应的第一检测结果。
步骤402:确定当前帧检测信号的第二检测结果。
具体的,基于当前帧的第一检测结果和当前帧的部分历史帧的第一检测结果确定当前帧的第二检测结果。其中,历史帧检测结果可以从存储模块102获取。
其中,对于当前帧之前的帧可以称为历史帧。
举例来说,假设检测设备每一秒采集30帧,可以按照采集顺序对帧进行编号,例如帧编号可以是1,2,3…,若当前帧的编号为t,则t-1以及t-1之前的编号对应的帧均可以称为当前帧(编号为t)的历史帧。
参见图6,图6为以可行驶区域预测模块103为例,确定当前帧t的第二检测结果的流程示意图。为方便描述,将当前帧的第一检测结果记为Ft,假设该部分历史帧为当前帧t的前n帧,则该部分历史帧的第一检测结果可以分别记为Ft-1,Ft-2,…,Ft-n。应理解,Ft,Ft-1,Ft-2,…,Ft-n中均包含m个边缘点的检测值的第一信息,应理解,该相同标识的边缘点在不同帧中的位置可能不同。
如图6所示,可行驶区域预测模块103获取当前帧的第一检测结果Ft,以及当前帧的前N帧的第一检测结果,即Ft-1,Ft-2,…,Ft-n。
针对Ft中的任意一个标识IDi对应的边缘点,可行驶区域预测模块103分别执行下列操作确定当前帧中该边缘点的预测值(即Li’(Ft)):
1)确定Ft,Ft-1,Ft-2,…,Ft-n中该IDi对应的边缘点的纵坐标,即Li(Ft),Li(Ft-1),Li(Ft-2),…,Li(Ft-n);
2)确定该边缘点的Li’,示例性地,Li’满足于下列公式1:
Li’(Ft)=[Li(Ft)+Li(Ft-1)+Li(Ft-2)+…+Li(Ft-n)]/n 公式1;
举例来说:假设m=10,即一帧检测信号对应的检测结果包含10个边缘点,假设10个边缘点的标识分别为1至10,则各帧的检测结果包含标识为1至10的边缘点的第一信息,假设第一检测结果以一维点集的形式输出,例如,当前帧t的检测结果为 其中,是Ft中标识为1的边缘点的纵坐标,是Ft中标识为2的边缘点的纵坐标,是Ft中标识为3的边缘点的纵坐标,以此类推。假设Ft-1的检测结果为 Ft-2的检测结果为以此类推,Ft-n的检测结果为
基于公式1,当前帧Ft的m个边缘点中的任一个边缘点的预测值可以是,Ft,Ft-1,Ft-2,…,Ft-n中与该边缘点的标识相同的各边缘点的纵坐标的平均值,即:
需要说明的是,上述确定边缘点的预测值的方式(公式1)仅为举例,当前帧t的边缘点的预测值还可以是当前帧t以及当前帧t的前n帧中标识相同的边缘点的纵坐标值的加权运算结果(例如,加权平均值),另外,当前帧t的部分历史帧还可以是不连续的,本申请实施例对此不作限定。
步骤403:使用预测结果中的预测值(Li’,IDi)纠正所述检测结果中的检测值(Li,IDi)。
示例性,纠正过程可以包括:
1)空域滤波过程:根据当前帧的第一检测结果和第二检测结果,确定当前帧的第一检测结果中的空域抖动点。其中,空域抖动点是指同一标识的边缘点的预测值(Li’)与检测值(Li)的差值的绝对值大于预设阈值。
参见图7,为本申请实施例提供的基于空域滤波模块104确定位置突变点的流程示意图。
其中,第一检测结果为图5所示的可行驶区域检测模块102确定的当前帧t的第一检测结果,第二检测结果为图6所示的可行驶区域预测模块103确定的当前t的第二检测结果。
假设该第一检测结果为该第二检测结果为 举例来说,若大于预设距离阈值(空域阈值S),则当前帧中标识为1的边缘点为位置突变点;否则,当前帧中标识为1的边缘点不是位置突变点。通过上述方式依次确定第一检测结果中各边缘点是否为位置突变点,如图7所示,假设当前帧的第一检测结果中ID8对应的边缘点为位置突变点。
需要说明的是,该预设距离阈值可以是预设的固定值,也可以是动态变化的,例如,该预设距离阈值可以根据目标车辆的行驶速度而动态调整,本申请实施例对此不作限定。举例来说,目标车辆的行驶速度与预设距离阈值具有对应关系,该对应关系中,不同的行驶速度或行驶速度范围区间与不同的预设距离阈值相对应,在进行空域过滤时,可以获取该目标车辆的行驶速度,从而确定对应的预设距离阈值。
应理解,位置突变点可能是正常突变也可以是异常突变,参见图8,假设图8中区域1和区域2均包含位置突变点,则图8所示的区域1的位置突变点为进入检测设备感应范围内的真实障碍物导致的突变,该位置突变点为正常突变点,图8所示的区域2的位置突变点是由于错误检测(还可能是噪音干扰信号或未识别的复杂样本)导致的异常突变点。异常突变点影响自动驾驶的平稳性,对路径规划造成较大的干扰。
因此,在确定出位置突变点后,还需要对该位置突变点进行时域监测,以确定该位置突变点是否为异常突变点。接下来对时域监测过程进行详细介绍。
2)时域监测:针对任意一个位置突变点,根据该位置突变点的标识(记为目标标识),判断在设定时长内该标识对应的边缘点是否始终为位置突变点,示例性地,该判断过程可以包括:对于在当前帧之后的设定时长内检测信号输入模块101继续逐帧采集检测信号,并将采集到的检测信号顺序发送至可行驶区域检测模块102,可行驶区域检测模块102对于接收到的新的检测信号,确定该新的检测信号的第一检测结果,可行驶区域预测模块103基于上述方式确定该新的检测信号的第二检测结果,并根据该新的检测信号的第一检测结果和第二检测结果,判断该目标标识在第一检测结果中对应的边缘点是否为位置突变点。如果是,则继续执行上述判断流程;否则退出上述判断流程,或者在达到设定时长后退出上述判断流程。
通过上述流程确定该目标标识对应的边缘点始终为位置突变点的持续时间。示例性地,若该持续时间小于预设时间阈值,则确定该目标标识对应的位置突变点为异常突变点,否则,确定该目标标识对应的位置突变点为正常突变点。可以理解为,在当前帧之后的设定时长内,均检测到类似的位置的边缘点,意味着该边缘点可能是真实的障碍物。
接下来对确定位置突变点的持续时长的方式进行举例说明:
假设在当前帧之后的设定时长内,检测设备采集到的帧的编号为t+1,t+2,…t+m,则针对新采集到的各帧,通过上述步骤确定目标标识在新采集到的帧的检测结果中对应的边缘点始终为位置突变点的持续时间。
举例来说,假设空域滤波模块104确定出当前帧t中的空域抖动点的标识包含标识8,即目标标识为8。,则对目标标识8对应的边缘点的持续监测流程可以包括:
检测信号输入模块101确定帧t+1中标识为8的边缘点的检测值(第一检测结果中的值)和预测值(第二检测结果中的值),为方便描述,将标识为8的边缘点简称为边缘点8,其中,确定帧t+1中边缘点8的检测值的方式可以参见上述相关描述,此处不再赘述。
接下来对确定帧t+1中边缘点8的预测值的过程进行介绍:示例性地,基于帧t+1的历史帧(假设为帧t+1的前n帧,即帧t+1至帧t+1-n)中标识为8的边缘点的纵坐标值,计算帧t+1至帧t+1-n中标识为8的边缘点的纵坐标值的平均值,得到帧t+1中边缘点8的预测值。接下来,根据边缘点8的检测值和预测值,确定帧t+1中边缘点8是否为位置突变点。如果是,则通过上述步骤继续监测帧t+2,直到确定标识8对应的边缘点在新采集的帧中不是位置突变点,或者达到预设监测时间。
例如,假设帧t+1中边缘点8为位置突变点,则继续监测帧t+2中,边缘点8是否为位置突变点,若帧t+2中边缘点8为位置突变点,则继续监测帧t+3中,边缘点8是否为位置突变点,若帧t+3中边缘点为位置突变点,则继续监测下一帧;若帧t+3中边缘点不是位置突变点,则退出监测目标标识的流程,并根据帧t、帧t+1、帧t+2对应的总时间确定边缘点8始终为位置突变点的持续时长。
若持续时长不小于预设时间阈值,则确定当前帧t中的边缘点8为正常突变点;否则,确定当前帧t中的边缘点8为异常突变点,也即当前帧t中该边缘点8的检测值为异常值。
优选的,预设时间阈值等于预设监测时间。示例性地,该预设监测时间可以通过计时器(例如异步状态计时器)进行设置。需要说明的是,该预设监测时间可以是预设的固定值,也可以是动态变化的,例如,可以根据目标车辆的行驶速度、天气、路况等信息而动态调整该预设监测时间,本申请实施例对此不作限定。
如前所述,异常突变点会对路径规划造成较大的干扰,本申请实施例可以根据确定的异常突变点对第一检测结果和第二检测结果进行重构,以此确定当前t的最终检测结果(记为第三检测结果)。下面对确定重构过程进行详细介绍。
3)重构过程:根据异常突变点、当前帧t的第一检测结果和第二检测结果确定第三检测结果。
具体的,重构后的第三检测结果包括当前帧t中除异常突变点之外的所有边缘点的检测值和异常突变点的预测值。
举例来说,参见图9,为本申请实施例提供的以后处理模块107确定第三检测结果的流程示意图。如图9所示,后处理模块107可以根据异常突变点的标识对异常突变点进行处理,例如,使用该异常突变点的预测值替代该异常突变点的检测值,即使用第二检测结果中该异常突变点的标识对应的边缘点的值替代第一检测结果中该异常突变点的值。
优选地,该第三检测结果还可以进行后处理后的,例如,在后处理模块107输出第三检测结果之前,还可以重构的m个边缘点进行进一步处理,例如,使用卡尔曼滤波器对该第三检测结果包含的m个边缘点进一步滤波或平滑处理,以使重构后的边缘点更接近于真实值,经过后处理后的m个边缘点的坐标值即为对于当前帧t的可行驶区域的边缘点检测的最终输出,该第三检测结果可以用于后续进行路径规划。
实施例二
在实施例二中,将以对位置突变点进行聚类处理,得到突变点集,并对突变点集进行空域过滤和时域过滤的进行描述。
参见图10,图10为本申请实施例提供的另一种车辆可行驶区域的检测方法所对应的流程示意图。该方法可以应用于图3所示的检测装置中,如图10所示,该方法包括:
步骤1001:接收检测设备当前发送的第一检测信号,并根据该第一检测信号确定第一检测结果。
步骤1002:确定当前帧检测信号的第二检测结果。
对于步骤701和步骤702的具体执行步骤,请参见步骤401和步骤402的详细描述,此处不再赘述。
步骤1003:根据第一检测结果和第二检测结果,确定当前帧中的位置突变点;
步骤1004:对当前帧中的位置突变点进行聚类处理,得到至少一个突变点集。其中,一个突变点集包含一个或多个位置突变点,同一个突变点集中的位置突变点的标识是连续的,或者同一个突变点集中的位置突变点为同一区域内的。
其中,聚类处理可以通过机器学习算法完成的,示例性地的,机器学习算法包括但不限于:分类聚类算法,如朴素贝叶斯、决策树、神经网络、K-Means(聚类算法)、KNN((K-Nearest Neighbor,K最近邻算法)、DBSCAN(Density-Based Spatial Clustering ofApplications with Noise,具有噪声的基于密度的聚类算法)。
参见图11,如图11中界面1101为本申请实施例提供的一帧检测结果包含的边缘点示意图。其中,界面1101为当前帧的第一检测结果,界面1102为当前帧的第二检测结果,示例性地,界面1101为基于8所示的检测信号确定的。假设对界面1101所示的边缘点进行聚类处理后,得到两个突变点集,例如分别为突变点集1和突变点集2,其中突变点集1包含的位置突变点的标识为ID5,突变点集2包含的位置突变点的标识为ID8和ID9。步骤1005:对突变点集进行时域监测,以确定异常突变点集。
示例性地,在对突变点集进行时域监测时,可以以单点方式对突变点集中的任一点进行监测,也可以以突变点集为单位进行时域监测,若对突变点集进行逐点监测,则可以参见上述实施例一的具体流程,此处不再赘述。下面对以突变点集为单位进行时域监测的过程进行详细介绍。
具体的,以当前帧中的一个突变点集为例,对该突变点集进行时域监测的过程可以如下:
1)记录该突变点集内的位置突变点的标识,此处记为目标标识集合,该目标标识集合包含该突变点集内的所有位置突变点的标识。
2)针对目标标识点集,判断在设定时长内该目标标识点集对应的边缘点均为位置突变点的持续时间。
具体的,该判断过程可以包括:
对于在当前帧之后的设定时长内检测信号输入模块101继续逐帧采集检测信号,并将采集到的检测信号顺序发送至可行驶区域检测模块102,可行驶区域检测模块102对于接收到的新的检测信号,确定该新的检测信号的第一检测结果,可行驶区域预测模块103基于上述方式确定该新的检测信号的第二检测结果,并根据该新的检测信号的第一检测结果和第二检测结果,判断该目标标识点集在第一检测结果中对应的边缘点是否均为位置突变点。如果是,则继续执行上述判断流程;否则退出上述判断流程,或者在达到设定时长后退出上述判断流程。
示例性地,在判断目标标识点集在第一检测结果中对应的边缘点是否均为位置突变点时,可以采用上述实施例一中逐点监测的方式,也可以以突变点集为单位进行时域监测。在以突变点集为单位进行时域监测时,可以将突变点集看作一个位置突变点(称为表征位置突变点),该表征目标位置突变点的标识为该突变点集包含的所有位置突变点的标识,而该表征位置突变点的位置则可以是该突变点集包含的所有位置突变点的纵坐标的均值或加权平均值。则在对突变点集进行时域监测时,可以对该表征位置突变点来监测。即判断该目标标识点集在第一检测结果中对应的边缘点是否均为位置突变点时,可以判断该目标标识点集在第一检测结果中对应的表征位置突变点是否均为位置突变点。
举例来说:
假设在当前帧之后的设定时长内,检测设备采集到的帧的编号为t+1,t+2,…t+m,则针对新采集到的各帧,通过上述步骤确定目标标识在新采集到的帧的检测结果中对应的边缘点始终为位置突变点的持续时间。
举例来说,假设空域滤波模块104确定出当前帧t中的异常点集2包含的位置突变点的标识分别为8和9,即目标标识点集包括8和9,则判断该目标标识点集在帧t+1中对应的边缘点是否均为位置突变点的流程可以包括:
确定帧t+1的第一检测结果中边缘点8和边缘点9的纵坐标(检测值)均值,得到异常点集2在帧t+1中对应的表征位置突变点的第一位置均值。
确定帧t+1的第二检测结果中边缘点8和边缘点9的纵坐标(预测值)均值,得到异常点集2在帧t+1中对应的表征位置突变点的第二位置均值。
若第一位置均值与第二位置均值的差值的绝对值大于预设距离阈值,则确定目标标识点集在t+1帧中对应的边缘点均为位置突变点,并通过上述步骤继续目标标识点集在帧t+2中对应的边缘点是否均为位置突变点,直到确定目标标识点集对应的边缘点在新采集的帧中不均为位置突变点,或者达到预设监测时间。
以此确定异常点集中的边缘点始终为位置突变点的持续时间,若持续时长不小于预设时间阈值,则确定当前帧t中的该目标标识点集对应的异常点集为正常突变点集;否则,确定当前帧t中的该突变点集为异常突变点集,也即当前帧t中该异常突变点集中的边缘点的检测值为异常值。
步骤1006:对确定的异常突变点集进行处理,确定第三检测结果。
对于当前帧t的检测结果中的异常突变点集,针对该异常突变点集中的任意一个异常突变点,可以使用该异常突变点集中各边缘点的预测值替代该边缘点的检测值。也就是说,第三检测结果包含当前帧t中除异常突变点之外的边缘点的检测值和异常突变点的预测值。
假设图11所示的异常点集中,异常点集1(包含ID5边缘点)不是异常突变点集,异常点集2(包含ID8边缘点和ID9边缘点)为异常突变点集,则基于当前帧t的第一检测结果和第二检测结果对异常突变点集进行处理,将异常突变点集中的边缘点的预测值来替换该边缘点的检测值,得到的第三检测结果,示例性地,该第三检测可以参见图12所示。
需要说明的是,本申请实施例的所有附图均为举例,并非对本申请实施例的建模过程和检测结果的限定。
基于以上实施例,本申请实施例还提供了一种检测装置,所述装置可以应用于自动驾驶车辆中,用于实现以上实施例提供的车辆可行驶区域的检测方法。参阅图13所示,所述装置可以包括:
接收单元1301:用于接收检测设备当前发送的第一检测信号;
处理单元1302:用于根据第一检测信号确定第一检测结果;其中,检测设备用于检测目标车辆前方的道路信息,第一检测结果包括目标车辆前方道路中可行驶区域的m个采样点分别对应的第一信息(Li,IDi),i取遍1到m中的任意正整数,Li表示第i个采样点的第一位置,IDi表示第i个采样点的标识;确定第一检测信号的第二检测结果,第二检测结果是根据检测设备在第一检测信号之前发送的至少一个第二检测信号确定的;第二检测结果包括m个采样点分别对应的第二信息(Li’,IDi),Li’表示第i个采样点的第二位置,Li’与根据至少一个第二检测信号分别确定的至少一个Li相关;使用第二检测结果中的第二信息(Li’,IDi)纠正第一检测结果中的第一信息(Li,IDi)。
在一种可能的设计中,处理单元1302具体用于:根据第一检测结果和第二检测结果,确定第一检测结果中的m个边缘点中的位置突变点;位置突变的Li与Li’的差值不小于预设距离阈值;在位置突变点中确定异常突变点,异常突变点为在设定时长内异常突变点的标识对应的边缘点始终为位置突变点;将异常突变点的第一信息(Li,IDi)替换为第二信息(Li’,IDi),保持第一检查结果中除异常突变点之外的边缘点的第一信息(Li,IDi)不变。
在一种可能的设计中,处理单元1302具体用于:根据位置突变点的标识,对至少一个第三检测结果中与位置突变点的标识对应的采样点进行监测,确定标识对应的采样点持续为位置突变点的持续时间;其中,至少一个第三检测结果为根据至少一个第三检测信号分别确定的,至少一个第三检测信号为检测设备在第一检测信号之后发送的;若持续时间小于设定时长阈值,则确定第一检测结果中标识对应的位置突变点为异常突变点。
在一种可能的设计中,处理单元1302具体用于:根据第一检测结果和第二检测结果,确定第一检测结果中的位置突变点;位置突变点的Li与Li’的差值不小于预设距离阈值;对第一检测结果中的位置突变点进行聚类处理,得到至少一个突变点集,其中,同一个突变点集包含的采样点的标识是连续的;在至少一个突变点集中确定目标异常点集;目标异常点集包含的全部位置突变点在第一检测结果之后的设定时长内始终为位置突变点;将目标异常点集中的每个异常点的第一信息(Li,IDi)替换为第二信息(Li’,IDi),保持第一检查结果中除目标异常点集中包含的全部异常点之外的边缘点的第一信息(Li,IDi)不变。
在一种可能的设计中,处理单元1302具体用于:针对一个突变点集,循环执行下述处理,直到满足结束条件,若循环执行下述处理的总时间小于设定时长阈值,则确定突变点集为目标异常点集;其中,每次循环处理接收的第三检测信号是不同的:接收检测设备发送的第三检测信号,第三检测信号是检测设备在第一检测信号之后发送的;根据第三检测信号确定第三检测结果;第三检测结果包含突变点集包含的至少一个位置突变点的标识分别对应的边缘点的位置信息;确定第三检测结果中突变点集包含的至少一个位置突变点的标识分别对应的边缘点的位置信息的均值,得到第一位置均值;确定第四检测结果,第四检测结果是根据检测设备发送的至少一个第四检测信号确定的,至少一个第四检测信号是在第三检测信号之前发送的;第四检测结果包括突变点集包含的至少一个位置突变点的标识分别对应的边缘点的位置信息;确定第四检测结果中突变点集包含的至少一个位置突变点的标识分别对应的边缘点的位置信息的均值,得到第二位置均值;确定第一位置均值与第二位置均值的差值不小于预设距离阈值。
在一种可能的设计中,处理单元1302具体用于:确定第二检测结果,第二检测结果是根据第一检测结果以及检测设备发送的至少一个第二检测信号确定的。
在一种可能的设计中,Li’为至少一个Li的平均值,或者为至少一个Li的加权平均值。
在一种可能的设计中,Li’为第一检测结果中IDi对应的采样点的Li和至少一个第二检测信号中IDi分别对应的采样点的Li的平均值;或者为第一检测结果中IDi对应的采样点的Li和至少一个第二检测信号中IDi分别对应的采样点的Li的加权平均值。
需要说明的是,本申请实施例中对模块的划分是示意性的,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,另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
基于以上实施例本申请实施例还提供了一种检测装置,所述装置可以应用于自动驾驶车辆中,用于实现上述车辆可行驶区域的检测方法,且具有图3所示的装置的功能。参阅图14所示,所述装置1400中包括:通信模块1401、处理器1402,以及存储器1403。
所述通信模块1401和所述存储器1403与所述处理器1402之间相互连接。可选的,所述通信模块1401和所述存储器1403与所述处理器1402之间可以通过总线相互连接;所述总线可以是外设部件互连标准(peripheral component interconnect,PCI)总线或扩展工业标准结构(extended industry standard architecture,EISA)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图14中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
所述通信模块1401用于与其他设备通信。示例性的,所述通信模块1401中可以包含通信接口和无线通信模块。其中,所述通信接口用于与所述车辆中的其他部件通信。例如,所述车载设备可以通过所述通信接口从车载传感器、驾驶员输入装置等部件中获取各种数据。示例性的,所述无线通信模块可以包括:蓝牙模块、WiFi模块,RF电路等。
所述处理器1402用于实现如图4-图12所示的实施例提供的车辆可行驶区域的检测方法,具体可以参见上述实施例中的描述,此处不再赘述。可选的,所述处理器1402可以是中央处理器(central processing unit,CPU),或者其他硬件芯片。上述硬件芯片可以是专用集成电路(application-specific integrated circuit,ASIC),可编程逻辑器件(programmable logic device,PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(complex programmable logic device,CPLD),现场可编程逻辑门阵列(field-programmable gate array,FPGA),通用阵列逻辑(generic array logic,GAL)或其任意组合。所述处理器1402在实现上述功能时,可以通过硬件实现,当然也可以通过硬件执行相应的软件实现。所述处理器1402是所述检测装置1400的控制中心,利用各种接口和线路连接各个部件,通过运行或执行存储在所述存储器1403内的软件程序和/或模块,以及调用存储在所述存储器1403内的数据,执行所述终端设备100的各种功能和处理数据,从而实现基于所述检测装置1400的多种业务。
所述存储器1403用于存放程序指令和数据等。示例性的,在本申请实施例中,所述存储器1403中存储有传统地图组件和高精地图组件的程序指令和数据。具体地,程序指令可以包括程序代码,该程序代码包括计算机操作的指令。存储器1403可能包含随机存取存储器(random access memory,RAM),也可能还包括非易失性存储器(non-volatilememory),例如至少一个磁盘存储器。所述处理器1402执行所述存储器1403所存放的程序,并通过上述各个部件,实现上述功能,从而最终实现以上实施例提供的车辆可行驶区域的检测。
可以理解,本申请图14中的存储器1403可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(Synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM,DR RAM)。应注意,本文描述的系统和方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
基于以上实施例,本申请实施例还提供了一种计算机程序,当所述计算机程序在计算机上运行时,使得所述计算机执行以上实施例提供的车辆可行驶区域的检测。
基于以上实施例,本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,所述计算机程序被计算机执行时,使得计算机执行以上实施例提供的车辆可行驶区域的检测。
其中,存储介质可以是计算机能够存取的任何可用介质。以此为例但不限于:计算机可读介质可以包括RAM、ROM、EEPROM、CD-ROM或其他光盘存储、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质。
基于以上实施例,本申请实施例还提供了一种芯片,所述芯片用于读取存储器中存储的计算机程序,实现以上实施例提供的车辆可行驶区域的检测。
基于以上实施例,本申请实施例提供了一种芯片系统,该芯片系统包括处理器,用于支持计算机装置实现以上实施例中业务设备、转发设备或站点设备所涉及的功能。在一种可能的设计中,所述芯片系统还包括存储器,所述存储器用于保存该计算机装置必要的程序和数据。该芯片系统,可以由芯片构成,也可以包含芯片和其他分立器件。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的保护范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (11)
1.一种车辆可行驶区域的检测方法,其特征在于,包括:
接收检测设备当前发送的第一检测信号,根据所述第一检测信号确定第一检测结果;其中,所述检测设备用于检测目标车辆前方的道路信息,所述第一检测结果包括所述目标车辆前方道路中可行驶区域的m个采样点分别对应的第一信息(Li,IDi),i取遍1到m中的任意正整数,Li表示第i个采样点的第一位置,IDi表示第i个采样点的标识;
确定第二检测结果,所述第二检测结果是根据所述检测设备在所述第一检测信号之前发送的至少一个第二检测信号确定的;所述第二检测结果包括所述m个采样点分别对应的第二信息(Li’,IDi),Li’表示第i个采样点的第二位置,所述Li’与根据所述至少一个第二检测信号分别确定的至少一个Li相关;
使用所述第二检测结果中的第二信息(Li’,IDi)纠正所述第一检测结果中的第一信息(Li,IDi)。
2.如权利要求1所述的方法,其特征在于,所述使用所述第二检测结果中的第二信息(Li’,IDi)纠正所述第一检测结果中的第一信息(Li,IDi),包括:
根据所述第一检测结果和所述第二检测结果,确定所述第一检测结果中的m个边缘点中的位置突变点;所述位置突变的Li与Li’的差值不小于预设距离阈值;
在所述位置突变点中确定异常突变点,所述异常突变点为在设定时长内所述异常突变点的标识对应的边缘点始终为位置突变点;
将所述异常突变点的所述第一信息(Li,IDi)替换为所述第二信息(Li’,IDi),保持所述第一检测结果中除所述异常突变点之外的边缘点的第一信息(Li,IDi)不变。
3.如权利要求2所述的方法,其特征在于,所述在所述位置突变点中确定异常突变点,包括:
根据所述位置突变点的标识,对至少一个第三检测结果中与所述位置突变点的标识对应的采样点进行监测,确定所述标识对应的采样点持续为位置突变点的持续时间;其中,所述至少一个第三检测结果为根据至少一个第三检测信号分别确定的,所述至少一个第三检测信号为所述检测设备在所述第一检测信号之后发送的;
若所述持续时间小于设定时长阈值,则确定所述第一检测结果中所述标识对应的所述位置突变点为所述异常突变点。
4.如权利要求1所述的方法,其特征在于,所述使用所述第二检测结果中的第二信息(Li’,IDi)纠正所述第一检测结果中的第一信息(Li,IDi),包括:
根据所述第一检测结果和所述第二检测结果,确定所述第一检测结果中的位置突变点;所述位置突变点的Li与Li’的差值不小于预设距离阈值;
对所述第一检测结果中的所述位置突变点进行聚类处理,得到至少一个突变点集,其中,同一个所述突变点集包含的采样点的标识是连续的;
在所述至少一个突变点集中确定目标异常点集;所述目标异常点集包含的全部位置突变点在所述第一检测结果之后的设定时长内始终为位置突变点;
将所述目标异常点集中的每个异常点的所述第一信息(Li,IDi)替换为所述第二信息(Li’,IDi),保持所述第一检测结果中除所述目标异常点集中包含的全部异常点之外的边缘点的第一信息(Li,IDi)不变。
5.如权利要求4所述的方法,其特征在于,在所述至少一个突变点集中确定目标异常点集,包括:
针对一个所述突变点集,循环执行下述处理,直到满足结束条件,若循环执行下述处理的总时间小于设定时长阈值,则确定所述突变点集为所述目标异常点集;其中,每次循环处理接收的第三检测信号是不同的:
接收所述检测设备发送的第三检测信号,所述第三检测信号是所述检测设备在所述第一检测信号之后发送的;
根据所述第三检测信号确定第三检测结果;所述第三检测结果包含所述突变点集包含的至少一个位置突变点的标识分别对应的边缘点的位置信息;
确定所述第三检测结果中所述突变点集包含的至少一个位置突变点的标识分别对应的边缘点的位置信息的均值,得到第一位置均值;
确定第四检测结果,所述第四检测结果是根据所述检测设备发送的至少一个第四检测信号确定的,所述至少一个第四检测信号是在所述第三检测信号之前发送的;所述第四检测结果包括所述突变点集包含的至少一个位置突变点的标识分别对应的边缘点的位置信息;
确定所述第四检测结果中所述突变点集包含的至少一个位置突变点的标识分别对应的边缘点的位置信息的均值,得到第二位置均值;
确定所述第一位置均值与所述第二位置均值的差值不小于所述预设距离阈值。
6.如权利要求1-5任一项所述的方法,其特征在于,所述确定第二检测结果,所述第二检测结果是根据所述检测设备发送的至少一个第二检测信号确定的,包括:
确定所述第二检测结果,所述第二检测结果是根据所述第一检测结果以及所述检测设备发送的至少一个第二检测信号确定的。
7.如权利要求1-5任一项所述的方法,其特征在于,所述Li’为所述至少一个Li的平均值,或者为所述至少一个Li的加权平均值。
8.如权利要求6所述的方法,其特征在于,所述Li’为所述第一检测结果中所述IDi对应的采样点的Li和所述至少一个第二检测信号中所述IDi分别对应的采样点的Li的平均值;或者为所述第一检测结果中所述IDi对应的采样点的Li和所述至少一个第二检测信号中所述IDi分别对应的采样点的Li的加权平均值。
9.一种检测装置,其特征在于,包括用于执行如权利要求1至8中任一项所述的方法的各步骤的单元。
10.一种检测装置,其特征在于,所述装置包括处理器、存储器和通信接口;
所述存储器存储有计算机程序或指令;
所述处理器,用于执行存储器中的计算机程序或指令,通过通信接口执行如权利要求1-8任一项所述的方法。
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包括计算机程序,当所述计算机程序在电子设备上运行时,使得所述电子设备执行如权利要求1-7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010480923.7A CN113744518B (zh) | 2020-05-30 | 2020-05-30 | 一种车辆可行驶区域的检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010480923.7A CN113744518B (zh) | 2020-05-30 | 2020-05-30 | 一种车辆可行驶区域的检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113744518A CN113744518A (zh) | 2021-12-03 |
CN113744518B true CN113744518B (zh) | 2023-04-18 |
Family
ID=78727851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010480923.7A Active CN113744518B (zh) | 2020-05-30 | 2020-05-30 | 一种车辆可行驶区域的检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113744518B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115114494A (zh) * | 2022-06-20 | 2022-09-27 | 中国第一汽车股份有限公司 | 一种Freespace边缘点的处理方法以及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109657523A (zh) * | 2017-10-10 | 2019-04-19 | 北京京东尚科信息技术有限公司 | 一种可行驶区域检测方法和装置 |
CN109829386A (zh) * | 2019-01-04 | 2019-05-31 | 清华大学 | 基于多源信息融合的智能车辆可通行区域检测方法 |
CN110084086A (zh) * | 2018-12-11 | 2019-08-02 | 安徽江淮汽车集团股份有限公司 | 一种基于视觉传感器的自动驾驶车辆可行驶区域检测方法 |
JPWO2018123641A1 (ja) * | 2016-12-27 | 2019-10-31 | 日立オートモティブシステムズ株式会社 | 走行可能領域検出装置及び走行支援システム |
CN110633597A (zh) * | 2018-06-21 | 2019-12-31 | 北京京东尚科信息技术有限公司 | 一种可行驶区域检测方法和装置 |
KR102083482B1 (ko) * | 2018-12-13 | 2020-03-02 | 국민대학교산학협력단 | 라이다 기반의 차량주행 가능영역 검출장치 및 방법 |
-
2020
- 2020-05-30 CN CN202010480923.7A patent/CN113744518B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPWO2018123641A1 (ja) * | 2016-12-27 | 2019-10-31 | 日立オートモティブシステムズ株式会社 | 走行可能領域検出装置及び走行支援システム |
CN109657523A (zh) * | 2017-10-10 | 2019-04-19 | 北京京东尚科信息技术有限公司 | 一种可行驶区域检测方法和装置 |
CN110633597A (zh) * | 2018-06-21 | 2019-12-31 | 北京京东尚科信息技术有限公司 | 一种可行驶区域检测方法和装置 |
CN110084086A (zh) * | 2018-12-11 | 2019-08-02 | 安徽江淮汽车集团股份有限公司 | 一种基于视觉传感器的自动驾驶车辆可行驶区域检测方法 |
KR102083482B1 (ko) * | 2018-12-13 | 2020-03-02 | 국민대학교산학협력단 | 라이다 기반의 차량주행 가능영역 검출장치 및 방법 |
CN109829386A (zh) * | 2019-01-04 | 2019-05-31 | 清华大学 | 基于多源信息融合的智能车辆可通行区域检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113744518A (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829351B (zh) | 车道信息的检测方法、装置及计算机可读存储介质 | |
CN110458854B (zh) | 一种道路边缘检测方法和装置 | |
CN107341819B (zh) | 目标跟踪方法及存储介质 | |
US11164051B2 (en) | Image and LiDAR segmentation for LiDAR-camera calibration | |
CN110264495B (zh) | 一种目标跟踪方法及装置 | |
CN103781685A (zh) | 车辆用自主行驶控制系统 | |
CN115066708A (zh) | 点云数据运动分割方法、装置、计算机设备和存储介质 | |
US20220055660A1 (en) | Stationary object detection | |
JP2018147399A (ja) | 物標検出装置 | |
CN113744518B (zh) | 一种车辆可行驶区域的检测方法及装置 | |
WO2021102676A1 (zh) | 物体状态获取方法、可移动平台及存储介质 | |
CN112912894B (zh) | 道路边界识别方法和装置 | |
CN111652907B (zh) | 一种基于数据关联的多目标跟踪方法、装置及电子设备 | |
EP3859595A1 (en) | Target tracking method and device | |
CN116087909A (zh) | 一种雷达点云数据降采样处理方法及相关设备 | |
CN116311114A (zh) | 一种可行驶区域生成方法、装置、电子设备及存储介质 | |
CN116164763A (zh) | 目标航向角确定方法、装置及电子设备、存储介质 | |
KR102305673B1 (ko) | 카메라와 v2v를 이용한 주변차량 차선변경 의도 및 경로 예측 방법 | |
JP2020020690A (ja) | 自車位置推定装置 | |
CN108416305B (zh) | 连续型道路分割物的位姿估计方法、装置及终端 | |
CN110244710B (zh) | 自动寻迹方法、装置、存储介质及电子设备 | |
CN111326002A (zh) | 一种自动驾驶汽车环境感知的预测方法、装置及系统 | |
EP4131946A1 (en) | Object tracking device, object tracking method, and recording medium | |
CN116228820B (zh) | 一种障碍物检测方法、装置和电子设备、存储介质 | |
WO2023073987A1 (ja) | 電子制御装置、及び物体識別方法 |
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 |