CN113807184A - 障碍物检测方法、装置、电子设备及自动驾驶车辆 - Google Patents
障碍物检测方法、装置、电子设备及自动驾驶车辆 Download PDFInfo
- Publication number
- CN113807184A CN113807184A CN202110945486.6A CN202110945486A CN113807184A CN 113807184 A CN113807184 A CN 113807184A CN 202110945486 A CN202110945486 A CN 202110945486A CN 113807184 A CN113807184 A CN 113807184A
- Authority
- CN
- China
- Prior art keywords
- obstacle
- point cloud
- features
- feature
- data
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 125
- 238000012545 processing Methods 0.000 claims abstract description 185
- 238000000605 extraction Methods 0.000 claims abstract description 110
- 238000000034 method Methods 0.000 claims abstract description 79
- 230000008569 process Effects 0.000 claims abstract description 44
- 238000005070 sampling Methods 0.000 claims description 51
- 230000007246 mechanism Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 11
- 238000005315 distribution function Methods 0.000 claims description 10
- 230000004888 barrier function Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 18
- 238000012549 training Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
-
- 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
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- 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
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
- G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- 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
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- 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
- G01S7/4972—Alignment of sensor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
- B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
- B60W2420/408—Radar; Laser, e.g. lidar
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/50—Barriers
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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
- G06T2207/30261—Obstacle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Electromagnetism (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Automation & Control Theory (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了一种障碍物检测方法、装置、电子设备及自动驾驶车辆,涉及人工智能领域,尤其涉及自动驾驶领域。具体实现方案为:获取激光雷达传感器在检测障碍物过程中采集到的点云数据;将上述点云数据转化为障碍物特征图,其中,上述障碍物特征图中包含待检测图像特征,上述待检测图像特征中包含障碍物特征;对上述障碍物特征图中的待检测图像特征进行特征提取处理,得到障碍物特征,其中,上述特征提取处理过程中,提高上述障碍物特征在上述障碍物特征图中的权重值,以及基于上述点云数据对应的点云分布数据生成的监督数据,对特征提取处理进行监督处理;依据上述障碍物特征确定目标障碍物。
Description
技术领域
本公开涉及自动驾驶技术领域,尤其涉及障碍物检测方法、装置、电子设备及自动驾驶车辆。
背景技术
在自动驾驶技术领域,障碍物检测的性能对自动驾驶技术的可靠性有直接影响,激光雷达障碍物检测技术具有高精度、高分辨率的特征,以及精确的测距能力和较大的探测范围,是目前自动驾驶障碍物检测的主要方式。现有技术中,基于激光雷达障碍物检测的技术方案主要有三种,即基于点云分割的障碍物检测方法、基于点的障碍物检测方法以及基于栅格分布的障碍物检测方法。
其中,基于点云分割的障碍物检测方法,无法直接得到具体障碍物的检测结果;基于点的障碍物检测方法消耗资源过多;基于栅格分布的障碍物检测方法可能导致障碍物漏检情况。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本公开提供了一种用于障碍物检测方法、装置、电子设备及自动驾驶车辆。
根据本公开的一方面,提供了一种障碍物检测方法,包括:获取激光雷达传感器在检测障碍物过程中采集到的点云数据;将上述点云数据转化为障碍物特征图,其中,上述障碍物特征图中包含待检测图像特征,上述待检测图像特征中包含障碍物特征;对上述障碍物特征图中的待检测图像特征进行特征提取处理,得到障碍物特征,其中,上述特征提取处理过程中,提高上述障碍物特征在上述障碍物特征图中的权重值,以及基于上述点云数据对应的点云分布数据生成的监督数据,对特征提取处理进行监督处理;依据上述障碍物特征确定目标障碍物。
可选地,上述对上述障碍物特征图中的待检测图像特征进行特征提取处理,得到障碍物特征,包括:将对上述待检测图像特征进行特征提取处理的处理过程划分为编码处理阶段和解码处理阶段;在上述编码处理阶段基于注意力机制对上述待检测图像特征进行第一提取处理,得到中间图像特征;在上述解码处理阶段在上述监督数据的监督下对上述中间图像特征进行第二提取处理,得到上述障碍物特征。
可选地,在上述编码处理阶段基于上述注意力机制对上述待检测图像特征进行第一提取处理,得到中间图像特征,包括:基于预先确定的障碍物的尺寸大小,确定不同分辨率的采样结构,其中,上述采样结构为正三角结构;在上述编码处理阶段,基于上述采样结构对上述待检测图像特征进行降采样处理,从上述待检测图像特征中提取得到上述中间图像特征。
可选地,上述在上述解码处理阶段,在上述监督数据的监督下对上述中间图像特征进行第二提取处理,得到上述障碍物特征,包括:在上述解码处理阶段,采用上述监督数据基于监督学习方式将点云分布数据加入上述障碍物特征图中,并对不同分辨率的上述障碍物特征图进行升采样处理,得到处理后障碍物特征图;对上述处理后障碍物特征图中的上述中间图像特征进行第二提取处理,得到上述障碍物特征。
可选地,上述方法还包括:依据上述点云数据中的障碍物分布信息确定上述点云分布数据;在上述点云数据不为空值的情况下,判断上述点云数据是否存在对应的障碍物;若上述点云数据存在对应的障碍物,则基于高斯分布函数和上述点云分布数据生成上述监督数据。
可选地,上述依据上述障碍物特征确定目标障碍物,包括:将上述障碍物特征作为障碍物检测模型的输入数据,并接收上述障碍物检测模型的输出结果;基于上述输出结果确定上述障碍物特征对应的物体是否为上述目标障碍物。
根据本公开的另一方面,提供了一种障碍物检测装置,包括:获取模块,用于获取激光雷达传感器在检测障碍物过程中采集到的点云数据;转化模块,用于将上述点云数据转化为障碍物特征图,其中,上述障碍物特征图中包含待检测图像特征,上述待检测图像特征中包含障碍物特征;提取模块,用于对上述障碍物特征图中的待检测图像特征进行特征提取处理,得到障碍物特征,其中,上述特征提取处理过程中,提高上述障碍物特征在上述障碍物特征图中的权重值,以及基于上述点云数据对应的点云分布数据生成的监督数据,对特征提取处理进行监督处理;确定模块,用于依据上述障碍物特征确定目标障碍物。
可选地,上述提取模块,包括:划分模块,用于将对上述待检测图像特征进行特征提取处理的处理过程划分为编码处理阶段和解码处理阶段;第一提取子模块,用于在上述编码处理阶段基于注意力机制对上述待检测图像特征进行第一提取处理,得到中间图像特征;第二提取子模块,用于在上述解码处理阶段在上述监督数据的监督下对上述中间图像特征进行第二提取处理,得到上述障碍物特征。
可选地,上述第一提取子模块,包括:第一确定子模块,用于基于预先确定的障碍物的尺寸大小,确定不同分辨率的采样结构,其中,上述采样结构为正三角结构;第三提取子模块,用于在上述编码处理阶段,基于上述采样结构对上述待检测图像特征进行降采样处理,从上述待检测图像特征中提取得到上述中间图像特征。
可选地,上述第二提取子模块,包括:升采样处理模块,用于在上述解码处理阶段,采用上述监督数据基于监督学习方式将点云分布数据加入上述障碍物特征图中,并对不同分辨率的上述障碍物特征图进行升采样处理,得到处理后障碍物特征图;第四提取子模块,用于对上述处理后障碍物特征图中的上述中间图像特征进行第二提取处理,得到上述障碍物特征。
可选地,上述障碍物检测装置还包括:第二确定子模块,用于依据上述点云数据中的障碍物分布信息确定上述点云分布数据;判断模块,用于在上述点云数据不为空值的情况下,判断上述点云数据是否存在对应的障碍物;生成模块,用于若上述点云数据存在对应的障碍物,则基于高斯分布函数和上述点云分布数据生成上述监督数据。
可选地,上述装置还包括:接收模块,用于将上述障碍物特征作为障碍物检测模型的输入数据,并接收上述障碍物检测模型的输出结果;第三确定子模块,用于基于上述输出结果,确定上述障碍物特征对应的物体是否为上述目标障碍物。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器;以及与上述至少一个处理器通信连接的存储器;其中,上述存储器存储有可被上述至少一个处理器执行的指令,上述指令被上述至少一个处理器执行,以使上述至少一个处理器能够执行任一项上述的障碍物检测方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,上述计算机指令用于使上述计算机执行任一项上述的障碍物检测方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,上述计算机程序在被处理器执行任一项上述的障碍物检测方法。
根据本公开的另一方面,提供了一种自动驾驶车辆,其中上述自动驾驶车辆包括电子设备。
在本公开实施例中,通过获取激光雷达传感器在检测障碍物过程中采集到的点云数据;将上述点云数据转化为障碍物特征图,其中,上述障碍物特征图中包含待检测图像特征,上述待检测图像特征中包含障碍物特征;对上述障碍物特征图中的待检测图像特征进行特征提取处理,得到障碍物特征,其中,上述特征提取处理过程中,提高上述障碍物特征在上述障碍物特征图中的权重值,以及基于上述点云数据对应的点云分布数据生成的监督数据,对特征提取处理进行监督处理;依据上述障碍物特征确定目标障碍物,达到了提高障碍物图像特征提取效率的目的,从而实现了提高障碍物检测精度和检测效率,降低资源损耗以及障碍物检测技术在自动驾驶系统中的可靠性的技术效果,进而解决了激光雷达在检测障碍物过程中,由于点云数据量过大导致的计算量庞大、资源消耗过多、障碍物漏检和/或误检的技术问题。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开第一实施例的障碍物检测方法的步骤流程示意图;
图2是根据本公开第一实施例的一种可选的障碍物检测方法的步骤流程示意图;
图3是根据本公开第一实施例的一种可选的障碍物检测模型训练的步骤流程示意图;
图4是根据本公开第一实施例的另一种可选的障碍物检测方法的步骤流程示意图;
图5是根据本公开第二实施例的障碍物检测装置的结构示意图;
图6是根据本公开第二实施例的一种可选的障碍物检测装置的结构示意图;
图7是根据本公开第二实施例的另一种可选的障碍物检测装置的结构示意图;
图8是用来实现本公开实施例的障碍物检测的方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先,为方便理解本公开实施例,下面将对本公开中所涉及的部分术语或名词进行解释说明:
激光雷达障碍物检测技术:指在自动驾驶场景中利用激光雷达传感器采集的点云数据进行3D障碍物检测的技术。
点云数据:指在一个三维坐标系统中的一组向量的集合。
实施例1
根据本公开实施例,提供了一种障碍物检测方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本公开第一实施例的障碍物检测方法的步骤流程示意图,如图1所示,该方法包括如下步骤:
步骤S102,获取激光雷达传感器在检测障碍物过程中采集到的点云数据;
步骤S104,将上述点云数据转化为障碍物特征图,其中,上述障碍物特征图中包含待检测图像特征,上述待检测图像特征中包含障碍物特征;
步骤S106,对上述障碍物特征图中的待检测图像特征进行特征提取处理,得到障碍物特征,其中,上述特征提取处理过程中,提高上述障碍物特征在上述障碍物特征图中的权重值,以及基于上述点云数据对应的点云分布数据生成的监督数据,对特征提取处理进行监督处理;
步骤S108,依据上述障碍物特征确定目标障碍物。
可选地,在本公开实施例中,激光雷达传感器在检测障碍物过程中采集点云数据,在将上述点云数据转化为障碍物特征图中的待检测图像特征之前,可以按照距离信息将点云数据划分为多个栅格,依据上述点云数据在栅格中的分布位置,确定上述点云数据所属的点云范围,以有效降低模型的计算量,提升障碍物检测速度。
可选地,在本公开实施例中,可以基于点云数据的障碍物检测方法,直接对点云数据进行检测,输出目标障碍物对应的规则框,但在点云数据比较庞大的情况下,模型的计算量较大,消耗资源过多,因此,本公开实施例中,还可以利用神经网络结构将上述点云数据转化为障碍物特征图,通过对激光雷达采集到的点云数据按照像素进行分割,然后通过聚类等后处理方式得到多个障碍物特征。
需要说明的是,特征提取处理过程分为编码处理阶段和解码处理阶段,在上述编码处理阶段提高上述障碍物特征在上述障碍物特征图中的权重值,以提高障碍物特征的辨识度;在上述解码处理阶段基于上述点云数据对应的点云分布数据生成的监督数据,对特征提取处理进行监督处理,进一步对障碍物特征进行监督和检测,以提高障碍物检测精度,减少障碍物漏检和/或误检情况的发生。
在本公开实施例中,通过获取激光雷达传感器在检测障碍物过程中采集到的点云数据;将上述点云数据转化为障碍物特征图,其中,上述障碍物特征图中包含待检测图像特征,上述待检测图像特征中包含障碍物特征;对上述障碍物特征图中的待检测图像特征进行特征提取处理,得到障碍物特征,其中,上述特征提取处理过程中,提高上述障碍物特征在上述障碍物特征图中的权重值,以及基于上述点云数据对应的点云分布数据生成的监督数据,对特征提取处理进行监督处理;依据上述障碍物特征确定目标障碍物,达到了提高障碍物图像特征提取效率的目的,从而实现了提高障碍物检测精度和检测效率,降低资源损耗以及障碍物检测技术在自动驾驶系统中的可靠性的技术效果,进而解决了激光雷达在检测障碍物过程中,由于点云数据量过大导致的计算量庞大、资源消耗过多、障碍物漏检和/或误检的技术问题。
作为一种可选的实施例,图2是根据本公开第一实施例的一种可选的障碍物检测方法的步骤流程示意图,如图2所示,上述对上述障碍物特征图中的待检测图像特征进行特征提取处理,得到障碍物特征,包括:
步骤S202,将对上述待检测图像特征进行特征提取处理的处理过程划分为编码处理阶段和解码处理阶段;
步骤S204,在上述编码处理阶段基于注意力机制对上述待检测图像特征进行第一提取处理,得到中间图像特征;
步骤S206,在上述解码处理阶段在上述监督数据的监督下对上述中间图像特征进行第二提取处理,得到上述障碍物特征。
需要说明的是,尽管激光雷达可以采集到高质量的点云数据,并且有准确的距离信息。但是由于遮挡或距离因素部分障碍物可能点云数量较少,所以在进行障碍物检测时需要避免障碍物特征不明显造成的漏检和误检。本公开实施例中,将上述待检测图像特征进行特征提取处理的处理过程划分为编码处理阶段和解码处理阶段,在编码处理阶段采用注意力机制提高障碍物在图像特征中的权重,基于预先确定的障碍物的尺寸大小,确定不同分辨率的采样结构,并基于上述采样结构对上述待检测图像特征进行降采样处理,提取有效的障碍物特征。在解码处理阶段,采用上述监督数据基于监督学习方式将点云分布数据加入上述障碍物特征图中,将不同分辨率的上述障碍物特征图进行升采样处理,得到相同分辨率的障碍物特征图,并对上述相同分辨率的障碍物特征图进行拼接处理。
可选地,依据上述点云数据中的障碍物分布信息确定上述点云分布数据;在上述点云数据不为空值的情况下,判断上述点云数据是否存在对应的障碍物;若上述点云数据存在对应的障碍物,则基于高斯分布函数和上述点云分布数据生成上述监督数据。
在本公开实施例中,通过将对上述待检测图像特征进行特征提取处理的处理过程划分为编码处理阶段和解码处理阶段;在上述编码处理阶段基于上述注意力机制对上述待检测图像特征进行第一提取处理,得到中间图像特征;在上述解码处理阶段在上述监督数据的监督下对上述中间图像特征进行第二提取处理,得到上述障碍物特征,达到了提高障碍物在特征图中的权重和提高障碍物检测精度的目的,实现了提高障碍物特征的辨识度,减少障碍物漏检和/或误检情况的发生的技术效果。
在一种可选的实施例中,在上述编码处理阶段基于上述注意力机制对上述待检测图像特征进行第一提取处理,得到中间图像特征,包括:
步骤S302,基于预先确定的障碍物的尺寸大小,确定不同分辨率的采样结构,其中,上述采样结构为正三角结构;
步骤S304,在上述编码处理阶段,基于上述采样结构对上述待检测图像特征进行降采样处理,从上述待检测图像特征中提取得到上述中间图像特征。
可选地,在上述编码处理阶段基于上述注意力机制对上述待检测图像特征进行第一提取处理,得到中间图像特征,其中,上述注意力机制用于提高障碍物在特征图中的权重,用公式可以表示为T*(x)=(1+M(x))*T(x),其中,M(x)表示上述待检测图像特征的注意力模块的输出图像特征,T(x)表示上述待检测图像特征的主干模块的输出图像特征,T*(x)表示提高权重后的输出图像特征。基于预先确定的障碍物的尺寸大小,确定不同分辨率的采样结构,基于上述采样结构对提高权重后的输出图像特征进行降采样处理,从上述提高权重后的输出图像特征中提取得到上述中间图像特征。
在本实施例中,通过在上述编码处理阶段基于上述注意力机制对上述待检测图像特征进行第一提取处理,得到中间图像特征,包括:基于预先确定的障碍物的尺寸大小,确定不同分辨率的采样结构,其中,上述采样结构为正三角结构;在上述编码处理阶段,基于上述采样结构对上述待检测图像特征进行降采样处理,从上述待检测图像特征中提取得到上述中间图像特征,达到提高障碍物在特征图中的权重的目的,进而实现提高障碍物特征的辨识度的技术效果。
作为一种可选的实施例,图3是根据本公开第一实施例的一种可选的障碍物检测模型训练的步骤流程示意图,如图3所示,针对编码阶段(Conv),三种不同分辨率的障碍物特征图(对应图中2×2、4×4、8×8的卷积核,其中,W为宽,H为高)同时添加了注意力机制,障碍物检测模型在训练过程不断进行卷积和装置卷积变换处理,仍如图3所示,在上述解码处理Deconv阶段,将上述三种不同分辨率的障碍物特征图均变换至2×2的卷积核,通过不断训练学习确定障碍物所在区域的权重,提高障碍物特征的在障碍物特征图中的辨识度。
在一种可选的实施例中,上述在上述解码处理阶段,在上述监督数据的监督下对上述中间图像特征进行第二提取处理,得到上述障碍物特征,包括:
步骤S402,在上述解码处理阶段,采用上述监督数据基于监督学习方式将点云分布数据加入上述障碍物特征图中,并对不同分辨率的上述障碍物特征图进行升采样处理,得到处理后障碍物特征图;
步骤S404,对上述处理后障碍物特征图中的上述中间图像特征进行第二提取处理,得到上述障碍物特征。
可选地,仍如图3所示,在上述解码处理阶段(Deconv),对不同分辨率的上述障碍物特征图进行升采样处理,即将不同分辨率的特征图升采样到相同分辨率,并对上述相同分辨率的特征图进行拼接处理(Concat),作为进一步障碍物检测阶段的输入。
需要说明的是,由于障碍物检测模型经过多层训练以及降采样,一些点云数据比较稀疏的障碍物或者比较小的障碍物可能被忽略,这也是导致模型出现漏检的一个重要原因。因此,本公开实施例充分考虑障碍物在障碍物特征图中的分布情况,即:在障碍物特征图输入到检测模块时,既保证障碍物特征图中障碍物信息的完整性,同时保证障碍物在特征图中有着比较大的权重分布。其中,保证障碍物特征图中障碍物信息的完整性的关键在于:在不破坏网络结构的基础上,将障碍物信息在障碍物特征图上进行有效的编码。通过基于原始点云数据的监督数据对输入监测模块之前的特征图进行额外的监督,使用监督学习的方式将障碍物分布信息放入障碍物特征图中,并对不同分辨率的上述障碍物特征图进行升采样处理,得到处理后障碍物特征图,进一步提取上述处理后障碍物特征图中的上述中间图像特征,得到上述障碍物特征,达到了在保护网络结构的基础上,将障碍物信息在障碍物特征图上进行有效的编码,得到有效的障碍物特征的目的。
作为一种可选的实施例,图4是根据本公开第一实施例的另一种可选的障碍物检测方法的步骤流程示意图,如图4所示,上述方法还包括:
步骤S502,依据上述点云数据中的障碍物分布信息确定上述点云分布数据;
步骤S504,在上述点云数据不为空值的情况下,判断上述点云数据是否存在对应的障碍物;
步骤S506,若上述点云数据存在对应的障碍物,则基于高斯分布函数和上述点云分布数据生成上述监督数据。
可选地,基于高斯分布函数和上述点云分布数据生成上述监督数据,具体公式为:
其中,Y为监督数据,x、y分别为各障碍物点云坐标在x轴和y轴上的分量,px、py分别为各障碍物点云坐标在x轴和y轴上的分量的平均值,σ2为各障碍物点云坐标的标准差。
在本实施例中,监督数据是基于原始点云分布中的障碍物分布生成的,在获取监督数据时,首先找得到点云数据不为空值的点,判断该点是否属于障碍物,若是则基于高斯分布生成相应的监督数据,进而生成基于原始点云数据的监督数据对输入监测模块之前的特征图进行额外的监督,在保护网络结构的基础上,将障碍物信息在障碍物特征图上进行有效的编码,以提高障碍物检测精度,减少障碍物漏检和/或误检情况的发生。
可选地,当两个或多个障碍物点之间的距离小于预设值,和/或障碍物点之间存在交叉时,选取两个或多个障碍物点中监督数据最大值作为上述两个或多个障碍物点所在区域的监督数据。
在一种可选的实施例中,上述依据上述障碍物特征确定目标障碍物,包括:
步骤S602,将上述障碍物特征作为障碍物检测模型的输入数据,并接收上述障碍物检测模型的输出结果;
步骤S604,基于上述输出结果,确定上述障碍物特征对应的物体是否为上述目标障碍物。
可选地,通过将上述障碍物特征作为障碍物检测模型的输入,并接收将上述障碍物检测模型的输出结果,基于上述输出结果确定上述障碍物特征对应的物体是否为上述目标障碍物,即在本公开实施例中可以采用该障碍物检测模型检测该障碍物特征对应的物体是否为上述目标障碍物。
需要说明的是,本公开实施例中的障碍物检测方法适用于自动驾驶车辆,上述障碍物检测模型的输出结果可作为自动驾驶车辆形式状态的决策依据。其中,上述自动驾驶车辆的类型包括但不限于私家车、公共汽车、轨道运营列车(例如火车、地铁、高铁等)。上述无人驾驶车辆可以但不限于包括无人监管运行、有人监管运行等运行状态。
仍需说明的是,本实施例的可选或优选实施方式可以参见上述车辆的信息提示方法实施例中的相关描述,此处不再赘述。本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
实施例2
根据本公开实施例,还提供了一种用于实施上述障碍物检测方法的装置实施例,图5是根据本公开第二实施例的障碍物检测装置的结构示意图,如图5所示,上述障碍物检测装置,包括:获取模块700、转化模块702、提取模块704、确定模块706,其中:
上述获取模块700,用于获取激光雷达传感器在检测障碍物过程中采集到的点云数据;上述转化模块702,用于将上述点云数据转化为障碍物特征图,其中,上述障碍物特征图中包含待检测图像特征,上述待检测图像特征中包括上述障碍物特征;上述提取模块704,用于对上述障碍物特征图中的待检测图像特征进行特征提取处理,得到障碍物特征,其中,上述特征提取处理过程中,提高上述障碍物特征在上述障碍物特征图中的权重值,以及基于上述点云数据对应的点云分布数据生成的监督数据,对特征提取处理进行监督处理;上述确定模块706,用于依据上述障碍物特征确定目标障碍物。
可选地,在本公开实施例中,激光雷达传感器在检测障碍物过程中采集点云数据,在将上述点云数据转化为障碍物特征图中的待检测图像特征之前,可以按照距离信息将点云数据划分为多个栅格,依据上述点云数据在栅格中的分布位置,确定上述点云数据所属的点云范围,以有效降低模型的计算量,提升障碍物检测速度。
可选地,在本公开实施例中,可以基于点云数据的障碍物检测方法,直接对点云数据进行检测,输出目标障碍物对应的规则框,但在点云数据比较庞大的情况下,模型的计算量较大,消耗资源过多,因此,本公开实施例中,还可以利用神经网络结构将上述点云数据转化为障碍物特征图,通过对激光雷达采集到的点云数据按照像素进行分割,然后通过聚类等后处理方式得到多个障碍物特征。
需要说明的是,特征提取处理过程分为编码处理阶段和解码处理阶段,在上述编码处理阶段提高上述障碍物特征在上述障碍物特征图中的权重值,以提高障碍物特征的辨识度;在上述解码处理阶段基于上述点云数据对应的点云分布数据生成的监督数据,对特征提取处理进行监督处理,进一步对障碍物特征进行监督和检测,以提高障碍物检测精度,减少障碍物漏检和/或误检情况的发生。
在本公开实施例中,通过获取模块700,用于获取激光雷达传感器在检测障碍物过程中采集到的点云数据;转化模块702,用于将上述点云数据转化为障碍物特征图,其中,上述障碍物特征图中包含待检测图像特征,上述待检测图像特征中包括上述障碍物特征;提取模块704,用于对上述障碍物特征图中的待检测图像特征进行特征提取处理,得到障碍物特征,其中,上述特征提取处理过程中,提高上述障碍物特征在上述障碍物特征图中的权重值,以及基于上述点云数据对应的点云分布数据生成的监督数据,对特征提取处理进行监督处理;确定模块706,用于依据上述障碍物特征确定目标障碍物,达到了提高障碍物图像特征提取效率的目的,从而实现了提高障碍物检测精度和检测效率,降低资源损耗以及障碍物检测技术在自动驾驶系统中的可靠性的技术效果,进而解决了激光雷达在检测障碍物过程中,由于点云数据量过大导致的计算量庞大、资源消耗过多、障碍物漏检和/或误检的技术问题。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,例如,对于后者,可以通过以下方式实现:上述各个模块可以位于同一处理器中;或者,上述各个模块以任意组合的方式位于不同的处理器中。
此处需要说明的是,上述获取模块700、转化模块702、提取模块704、确定模块706对应于实施例1中的步骤S102至步骤S108,上述模块与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在计算机终端中。
作为一种可选的实施例,图6是根据本公开第二实施例的一种可选的障碍物检测装置的结构示意图,如图6所示,上述提取模块704,包括:划分模块710、第一提取子模块712、第二提取子模块714,其中,
上述划分模块710,用于将对上述待检测图像特征进行特征提取处理的处理过程划分为编码处理阶段和解码处理阶段;上述第一提取子模块712,用于在上述编码处理阶段基于注意力机制对上述待检测图像特征进行第一提取处理,得到中间图像特征;上述第二提取子模块714,用于在上述解码处理阶段在上述监督数据的监督下对上述中间图像特征进行第二提取处理,得到上述障碍物特征。
需要说明的是,尽管激光雷达可以采集到高质量的点云数据,并且有准确的距离信息。但是由于遮挡或距离因素部分障碍物可能点云数量较少,所以在进行障碍物检测时需要避免障碍物特征不明显造成的漏检和误检。本公开实施例中,将上述待检测图像特征进行特征提取处理的处理过程划分为编码处理阶段和解码处理阶段,在编码处理阶段采用注意力机制提高障碍物在图像特征中的权重,基于预先确定的障碍物的尺寸大小,确定不同分辨率的采样结构,并基于上述采样结构对上述待检测图像特征进行降采样处理,提取有效的障碍物特征。在解码处理阶段,采用上述监督数据基于监督学习方式将点云分布数据加入上述障碍物特征图中,将不同分辨率的上述障碍物特征图进行升采样处理,得到相同分辨率的障碍物特征图,并对上述相同分辨率的障碍物特征图进行拼接处理。
可选地,依据上述点云数据中的障碍物分布信息确定上述点云分布数据;在上述点云数据不为空值的情况下,判断上述点云数据是否存在对应的障碍物;若上述点云数据存在对应的障碍物,则基于高斯分布函数和上述点云分布数据生成上述监督数据。
在本公开实施例中,通过划分模块710,用于将对上述待检测图像特征进行特征提取处理的处理过程划分为编码处理阶段和解码处理阶段;第一提取子模块712,用于在上述编码处理阶段基于上述注意力机制对上述待检测图像特征进行第一提取处理,得到中间图像特征;第二提取子模块714,用于在上述解码处理阶段在上述监督数据的监督下对上述中间图像特征进行第二提取处理,得到上述障碍物特征,达到了提高障碍物在特征图中的权重和提高障碍物检测精度的目的,实现了提高障碍物特征的辨识度,减少障碍物漏检和/或误检情况的发生的技术效果。
在一种可选的实施例中,上述第一提取子模块712,包括第一确定子模块720、第三提取子模块722,其中,
上述第一确定子模块720,用于基于预先确定的障碍物的尺寸大小,确定不同分辨率的采样结构,其中,上述采样结构为正三角结构;上述第三提取子模块722,用于在上述编码处理阶段,基于上述采样结构对上述待检测图像特征进行降采样处理,从上述待检测图像特征中提取得到上述中间图像特征。
可选地,在上述编码处理阶段基于上述注意力机制对上述待检测图像特征进行第一提取处理,得到中间图像特征,其中,上述注意力机制用于提高障碍物在特征图中的权重,用公式可以表示为T*(x)=(1+M(x))*T(x),其中,M(x)表示上述待检测图像特征的注意力模块的输出图像特征,T(x)表示上述待检测图像特征的主干模块的输出图像特征,T*(x)表示提高权重后的输出图像特征。基于预先确定的障碍物的尺寸大小,确定不同分辨率的采样结构,基于上述采样结构对提高权重后的输出图像特征进行降采样处理,从上述提高权重后的输出图像特征中提取得到上述中间图像特征。
在本实施例中,通过第一确定子模块720,用于基于预先确定的障碍物的尺寸大小,确定不同分辨率的采样结构,其中,上述采样结构为正三角结构;第三提取子模块722,用于在上述编码处理阶段,基于上述采样结构对上述待检测图像特征进行降采样处理,从上述待检测图像特征中提取得到上述中间图像特征,达到提高障碍物在特征图中的权重的目的,进而实现提高障碍物特征的辨识度的技术效果。
作为一种可选的实施例,如图3所示的一种可选的障碍物检测模型训练流程,针对编码阶段(Conv),三种不同分辨率的障碍物特征图(对应图中2×2、4×4、8×8的卷积核,其中,W为宽,H为高)同时添加了注意力机制,障碍物检测模型在训练过程不断进行卷积和装置卷积变换处理,仍如图3所示,在上述解码处理Deconv阶段,将上述三种不同分辨率的障碍物特征图均变换至2×2的卷积核,通过不断训练学习确定障碍物所在区域的权重,提高障碍物特征的在障碍物特征图中的辨识度。
在一种可选的实施例中,上述第二提取子模块712,包括:升采样处理模块730、第四提取子模块732,其中,
上述升采样处理模块730,用于在上述解码处理阶段,采用上述监督数据基于监督学习方式将点云分布数据加入上述障碍物特征图中,并对不同分辨率的上述障碍物特征图进行升采样处理,得到处理后障碍物特征图;上述第四提取子模块732,用于对上述处理后障碍物特征图中的上述中间图像特征进行第二提取处理,得到上述障碍物特征。
可选地,仍如图3所示,在上述解码处理阶段(Deconv),对不同分辨率的上述障碍物特征图进行升采样处理,即将不同分辨率的特征图升采样到相同分辨率,并对上述相同分辨率的特征图进行拼接处理(Concat),作为进一步障碍物检测阶段的输入。
需要说明的是,由于障碍物检测模型经过多层训练以及降采样,一些点云数据比较稀疏的障碍物或者比较小的障碍物可能被忽略,这也是导致模型出现漏检的一个重要原因。因此,本公开实施例充分考虑障碍物在障碍物特征图中的分布情况,即:在障碍物特征图输入到检测模块时,既保证障碍物特征图中障碍物信息的完整性,同时保证障碍物在特征图中有着比较大的权重分布。其中,保证障碍物特征图中障碍物信息的完整性的关键在于:在不破坏网络结构的基础上,将障碍物信息在障碍物特征图上进行有效的编码。通过基于原始点云数据的监督数据对输入监测模块之前的特征图进行额外的监督,使用监督学习的方式将障碍物分布信息放入障碍物特征图中,并对不同分辨率的上述障碍物特征图进行升采样处理,得到处理后障碍物特征图,进一步提取上述处理后障碍物特征图中的上述中间图像特征,得到上述障碍物特征,达到了在保护网络结构的基础上,将障碍物信息在障碍物特征图上进行有效的编码,得到有效的障碍物特征的目的。
作为一种可选的实施例,图7是根据本公开第二实施例的另一种可选的障碍物检测装置的结构示意图,如图7所示,上述障碍物检测装置还包括:第二确定子模块740、判断模块742、生成模块744,其中,
上述第二确定子模块740,用于依据上述点云数据中的障碍物分布信息确定上述点云分布数据;上述判断模块742,用于在上述点云数据不为空值的情况下,判断上述点云数据是否存在对应的障碍物;上述生成模块744,用于若上述点云数据存在对应的障碍物,则基于高斯分布函数和上述点云分布数据生成上述监督数据。
可选地,基于高斯分布函数和上述点云分布数据生成上述监督数据,具体公式为:
其中,Y为监督数据,x、y分别为各障碍物点云坐标在x轴和y轴上的分量,px、py分别为各障碍物点云坐标在x轴和y轴上的分量的平均值,σ2为各障碍物点云坐标的标准差。
在本实施例中,监督数据是基于原始点云分布中的障碍物分布生成的,在获取监督数据时,首先找得到点云数据不为空值的点,判断该点是否属于障碍物,若是则基于高斯分布生成相应的监督数据,进而生成基于原始点云数据的监督数据对输入监测模块之前的特征图进行额外的监督,在保护网络结构的基础上,将障碍物信息在障碍物特征图上进行有效的编码,以提高障碍物检测精度,减少障碍物漏检和/或误检情况的发生。
可选地,当两个或多个障碍物点之间的距离小于预设值,和/或障碍物点之间存在交叉时,选取两个或多个障碍物点中监督数据最大值作为上述两个或多个障碍物点所在区域的监督数据。
在一种可选的实施例中,上述障碍物检测装置还包括:接收模块750、第三确定子模块752,其中,
上述接收模块750,用于将上述障碍物特征作为障碍物检测模型的输入数据,并接收上述障碍物检测模型的输出结果;上述第三确定子模块752,用于基于上述输出结果,确定上述障碍物特征对应的物体是否为上述目标障碍物。
可选地,通过将上述障碍物特征作为障碍物检测模型的输入,并接收将上述障碍物检测模型的输出结果,基于上述输出结果确定上述障碍物特征对应的物体是否为上述目标障碍物,即在本公开实施例中可以采用该障碍物检测模型检测该障碍物特征对应的物体是否为上述目标障碍物。
需要说明的是,本公开实施例中的障碍物检测方法适用于自动驾驶车辆,上述障碍物检测模型的输出结果可作为自动驾驶车辆形式状态的决策依据。其中,上述自动驾驶车辆的类型包括但不限于私家车、公共汽车、轨道运营列车(例如火车、地铁、高铁等)。上述无人驾驶车辆可以但不限于包括无人监管运行、有人监管运行等运行状态。
上述的车辆的信息提示装置还可以包括处理器和存储器,上述获取模块700、转化模块702、提取模块704、确定模块706等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元,上述内核可以设置一个或以上。存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
仍需说明的是,本实施例的可选或优选实施方式可以参见实施例1中的相关描述,此处不再赘述。本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
实施例三
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示,设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM 803中,还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理,例如方法获取激光雷达传感器在检测障碍物过程中采集到的点云数据。例如,在一些实施例中,方法获取激光雷达传感器在检测障碍物过程中采集到的点云数据可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时,可以执行上文描述的方法获取激光雷达传感器在检测障碍物过程中采集到的点云数据的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法获取激光雷达传感器在检测障碍物过程中采集到的点云数据。
根据本公开的实施例,本公开还提供了一种自动驾驶车辆,其中,上述自动驾驶车辆包括电子设备。
可选地,上述自动驾驶车辆的类型包括但不限于私家车、公共汽车、轨道运营列车(例如火车、地铁、高铁等)。上述无人驾驶车辆可以但不限于包括无人监管运行、有人监管运行等运行状态。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (16)
1.一种障碍物检测方法,包括:
获取激光雷达传感器在检测障碍物过程中采集到的点云数据;
将所述点云数据转化为障碍物特征图,其中,所述障碍物特征图中包含待检测图像特征,所述待检测图像特征中包含障碍物特征;
对所述障碍物特征图中的待检测图像特征进行特征提取处理,得到所述障碍物特征,其中,所述特征提取处理过程中,提高所述障碍物特征在所述障碍物特征图中的权重值,以及基于所述点云数据对应的点云分布数据生成的监督数据,对特征提取处理进行监督处理;
依据所述障碍物特征确定目标障碍物。
2.根据权利要求1所述的方法,其中,所述对所述障碍物特征图中的待检测图像特征进行特征提取处理,得到障碍物特征,包括:
将对所述待检测图像特征进行特征提取处理的处理过程划分为编码处理阶段和解码处理阶段;
在所述编码处理阶段基于注意力机制对所述待检测图像特征进行第一提取处理,得到中间图像特征;
在所述解码处理阶段在所述监督数据的监督下对所述中间图像特征进行第二提取处理,得到所述障碍物特征。
3.根据权利要求2所述的方法,其中,在所述编码处理阶段基于所述注意力机制对所述待检测图像特征进行第一提取处理,得到中间图像特征,包括:
基于预先确定的障碍物的尺寸大小,确定不同分辨率的采样结构,其中,所述采样结构为正三角结构;
在所述编码处理阶段,基于所述采样结构对所述待检测图像特征进行降采样处理,从所述待检测图像特征中提取得到所述中间图像特征。
4.根据权利要求2所述的方法,其中,所述在所述解码处理阶段,在所述监督数据的监督下对所述中间图像特征进行第二提取处理,得到所述障碍物特征,包括:
在所述解码处理阶段,采用所述监督数据基于监督学习方式将点云分布数据加入所述障碍物特征图中,并对不同分辨率的所述障碍物特征图进行升采样处理,得到处理后障碍物特征图;
对所述处理后障碍物特征图中的所述中间图像特征进行第二提取处理,得到所述障碍物特征。
5.根据权利要求1所述的方法,其中,所述方法还包括:
依据所述点云数据中的障碍物分布信息确定所述点云分布数据;
在所述点云数据不为空值的情况下,判断所述点云数据是否存在对应的障碍物;
若所述点云数据存在对应的障碍物,则基于高斯分布函数和所述点云分布数据生成所述监督数据。
6.根据权利要求1至5中任意一项所述的方法,其中,所述依据所述障碍物特征确定目标障碍物,包括:
将所述障碍物特征作为障碍物检测模型的输入数据,并接收所述障碍物检测模型的输出结果;
基于所述输出结果,确定所述障碍物特征对应的物体是否为所述目标障碍物。
7.一种障碍物检测装置,包括:
获取模块,用于获取激光雷达传感器在检测障碍物过程中采集到的点云数据;
转化模块,用于将所述点云数据转化为障碍物特征图,其中,所述障碍物特征图中包含待检测图像特征,所述待检测图像特征中包含障碍物特征;
提取模块,用于对所述障碍物特征图中的待检测图像特征进行特征提取处理,得到所述障碍物特征,其中,所述特征提取处理过程中,提高所述障碍物特征在所述障碍物特征图中的权重值,以及基于所述点云数据对应的点云分布数据生成的监督数据,对特征提取处理进行监督处理;
确定模块,用于依据所述障碍物特征确定目标障碍物。
8.根据权利要求7所述的装置,其特征在于,所述提取模块,包括:
划分模块,用于将对所述待检测图像特征进行特征提取处理的处理过程划分为编码处理阶段和解码处理阶段;
第一提取子模块,用于在所述编码处理阶段基于注意力机制对所述待检测图像特征进行第一提取处理,得到中间图像特征;
第二提取子模块,用于在所述解码处理阶段在所述监督数据的监督下对所述中间图像特征进行第二提取处理,得到所述障碍物特征。
9.根据权利要求8所述的装置,其特征在于,所述第一提取子模块,包括:
第一确定子模块,用于基于预先确定的障碍物的尺寸大小,确定不同分辨率的采样结构,其中,所述采样结构为正三角结构;
第三提取子模块,用于在所述编码处理阶段,基于所述采样结构对所述待检测图像特征进行降采样处理,从所述待检测图像特征中提取得到所述中间图像特征。
10.根据权利要求8所述的装置,其特征在于,所述第二提取子模块,包括:
升采样处理模块,用于在所述解码处理阶段,采用所述监督数据基于监督学习方式将点云分布数据加入所述障碍物特征图中,并对不同分辨率的所述障碍物特征图进行升采样处理,得到处理后障碍物特征图;
第四提取子模块,用于对所述处理后障碍物特征图中的所述中间图像特征进行第二提取处理,得到所述障碍物特征。
11.根据权利要求7所述的装置,其特征在于,所述障碍物检测装置还包括:
第二确定子模块,用于依据所述点云数据中的障碍物分布信息确定所述点云分布数据;
判断模块,用于在所述点云数据不为空值的情况下,判断所述点云数据是否存在对应的障碍物;
生成模块,用于若所述点云数据存在对应的障碍物,则基于高斯分布函数和所述点云分布数据生成所述监督数据。
12.根据权利要求7至11中任一项所述的装置,其特征在于,所述装置还包括:
接收模块,用于将所述障碍物特征作为障碍物检测模型的输入数据,并接收所述障碍物检测模型的输出结果;
第三确定子模块,用于基于所述输出结果,确定所述障碍物特征对应的物体是否为所述目标障碍物。
13.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的障碍物检测方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的障碍物检测方法。
15.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的障碍物检测方法。
16.一种自动驾驶车辆,包括如权利要求13所述的电子设备。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110945486.6A CN113807184B (zh) | 2021-08-17 | 2021-08-17 | 障碍物检测方法、装置、电子设备及自动驾驶车辆 |
US17/889,091 US20230056784A1 (en) | 2021-08-17 | 2022-08-16 | Method for Detecting Obstacle, Electronic Device, and Storage Medium |
EP22190839.5A EP4138049A1 (en) | 2021-08-17 | 2022-08-17 | Method and apparatus for detecting obstacle, electronic device, and autonomous vehicle |
KR1020220102649A KR20230026962A (ko) | 2021-08-17 | 2022-08-17 | 장애물 검출 방법, 장치, 전자 기기 및 자율주행 차량 |
JP2022130061A JP2023027778A (ja) | 2021-08-17 | 2022-08-17 | 障害物検知方法、装置、電子機器及び自動運転車両 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110945486.6A CN113807184B (zh) | 2021-08-17 | 2021-08-17 | 障碍物检测方法、装置、电子设备及自动驾驶车辆 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113807184A true CN113807184A (zh) | 2021-12-17 |
CN113807184B CN113807184B (zh) | 2024-06-21 |
Family
ID=78893781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110945486.6A Active CN113807184B (zh) | 2021-08-17 | 2021-08-17 | 障碍物检测方法、装置、电子设备及自动驾驶车辆 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20230056784A1 (zh) |
EP (1) | EP4138049A1 (zh) |
JP (1) | JP2023027778A (zh) |
KR (1) | KR20230026962A (zh) |
CN (1) | CN113807184B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114915646A (zh) * | 2022-06-16 | 2022-08-16 | 上海伯镭智能科技有限公司 | 一种无人驾驶矿车的数据分级上传方法和装置 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116206281B (zh) * | 2023-04-27 | 2023-07-18 | 北京惠朗时代科技有限公司 | 一种视线检测方法、装置、电子设备和存储介质 |
Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101899549B1 (ko) * | 2017-12-27 | 2018-09-17 | 재단법인 경북아이티융합 산업기술원 | 카메라 및 라이다 센서를 이용한 장애물 인식 장치 및 그 방법 |
CN108985171A (zh) * | 2018-06-15 | 2018-12-11 | 上海仙途智能科技有限公司 | 运动状态估计方法和运动状态估计装置 |
CN109145677A (zh) * | 2017-06-15 | 2019-01-04 | 百度在线网络技术(北京)有限公司 | 障碍物检测方法、装置、设备及存储介质 |
CN109141364A (zh) * | 2018-08-01 | 2019-01-04 | 北京进化者机器人科技有限公司 | 障碍物检测方法、系统及机器人 |
CN109145680A (zh) * | 2017-06-16 | 2019-01-04 | 百度在线网络技术(北京)有限公司 | 一种获取障碍物信息的方法、装置、设备和计算机存储介质 |
US20190236381A1 (en) * | 2018-01-30 | 2019-08-01 | Wipro Limited. | Method and system for detecting obstacles by autonomous vehicles in real-time |
CN110197215A (zh) * | 2019-05-22 | 2019-09-03 | 深圳市牧月科技有限公司 | 一种自主驾驶的地面感知点云语义分割方法 |
CN110728210A (zh) * | 2019-09-25 | 2020-01-24 | 上海交通大学 | 一种三维点云数据的半监督目标标注方法和系统 |
CN110879994A (zh) * | 2019-12-02 | 2020-03-13 | 中国科学院自动化研究所 | 基于形状注意力机制的三维目测检测方法、系统、装置 |
CN111160302A (zh) * | 2019-12-31 | 2020-05-15 | 深圳一清创新科技有限公司 | 基于自动驾驶环境的障碍物信息识别方法和装置 |
CN111160214A (zh) * | 2019-12-25 | 2020-05-15 | 电子科技大学 | 一种基于数据融合的3d目标检测方法 |
CN111626314A (zh) * | 2019-02-28 | 2020-09-04 | 深圳市速腾聚创科技有限公司 | 点云数据的分类方法、装置、计算机设备和存储介质 |
CN111783838A (zh) * | 2020-06-05 | 2020-10-16 | 东南大学 | 一种用于激光slam的点云特征空间表征方法 |
CN112419494A (zh) * | 2020-10-09 | 2021-02-26 | 腾讯科技(深圳)有限公司 | 用于自动驾驶的障碍物检测、标记方法、设备及存储介质 |
CN112444784A (zh) * | 2019-08-29 | 2021-03-05 | 北京市商汤科技开发有限公司 | 三维目标检测及神经网络的训练方法、装置及设备 |
CN112528979A (zh) * | 2021-02-10 | 2021-03-19 | 成都信息工程大学 | 变电站巡检机器人障碍物判别方法及系统 |
CN112560774A (zh) * | 2020-12-25 | 2021-03-26 | 广州文远知行科技有限公司 | 一种障碍物位置检测方法、装置、设备和存储介质 |
CN112598615A (zh) * | 2020-11-02 | 2021-04-02 | 禾多科技(北京)有限公司 | 障碍物检测方法、装置、电子设备和计算机可读介质 |
CN112698301A (zh) * | 2020-12-11 | 2021-04-23 | 中国科学院微电子研究所 | 基于距离强度关联的激光雷达目标识别方法、装置及设备 |
CN112699806A (zh) * | 2020-12-31 | 2021-04-23 | 罗普特科技集团股份有限公司 | 一种基于三维热图的三维点云目标检测方法和装置 |
CN112734810A (zh) * | 2021-04-06 | 2021-04-30 | 北京三快在线科技有限公司 | 一种障碍物追踪方法及装置 |
CN112802199A (zh) * | 2021-01-25 | 2021-05-14 | 夏永霞 | 基于人工智能的高精度测绘点云数据处理方法与系统 |
CN113159151A (zh) * | 2021-04-12 | 2021-07-23 | 中国科学技术大学 | 面向自动驾驶的多传感器深度融合3d目标检测方法 |
CN113205119A (zh) * | 2021-04-20 | 2021-08-03 | 北京百度网讯科技有限公司 | 数据标注方法、装置、电子设备及可读存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11244193B2 (en) * | 2019-08-07 | 2022-02-08 | Here Global B.V. | Method, apparatus and computer program product for three dimensional feature extraction from a point cloud |
CN113052109A (zh) * | 2021-04-01 | 2021-06-29 | 西安建筑科技大学 | 一种3d目标检测系统及其3d目标检测方法 |
-
2021
- 2021-08-17 CN CN202110945486.6A patent/CN113807184B/zh active Active
-
2022
- 2022-08-16 US US17/889,091 patent/US20230056784A1/en active Pending
- 2022-08-17 JP JP2022130061A patent/JP2023027778A/ja active Pending
- 2022-08-17 KR KR1020220102649A patent/KR20230026962A/ko unknown
- 2022-08-17 EP EP22190839.5A patent/EP4138049A1/en not_active Withdrawn
Patent Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145677A (zh) * | 2017-06-15 | 2019-01-04 | 百度在线网络技术(北京)有限公司 | 障碍物检测方法、装置、设备及存储介质 |
CN109145680A (zh) * | 2017-06-16 | 2019-01-04 | 百度在线网络技术(北京)有限公司 | 一种获取障碍物信息的方法、装置、设备和计算机存储介质 |
KR101899549B1 (ko) * | 2017-12-27 | 2018-09-17 | 재단법인 경북아이티융합 산업기술원 | 카메라 및 라이다 센서를 이용한 장애물 인식 장치 및 그 방법 |
US20190236381A1 (en) * | 2018-01-30 | 2019-08-01 | Wipro Limited. | Method and system for detecting obstacles by autonomous vehicles in real-time |
CN108985171A (zh) * | 2018-06-15 | 2018-12-11 | 上海仙途智能科技有限公司 | 运动状态估计方法和运动状态估计装置 |
CN109141364A (zh) * | 2018-08-01 | 2019-01-04 | 北京进化者机器人科技有限公司 | 障碍物检测方法、系统及机器人 |
CN111626314A (zh) * | 2019-02-28 | 2020-09-04 | 深圳市速腾聚创科技有限公司 | 点云数据的分类方法、装置、计算机设备和存储介质 |
CN110197215A (zh) * | 2019-05-22 | 2019-09-03 | 深圳市牧月科技有限公司 | 一种自主驾驶的地面感知点云语义分割方法 |
CN112444784A (zh) * | 2019-08-29 | 2021-03-05 | 北京市商汤科技开发有限公司 | 三维目标检测及神经网络的训练方法、装置及设备 |
CN110728210A (zh) * | 2019-09-25 | 2020-01-24 | 上海交通大学 | 一种三维点云数据的半监督目标标注方法和系统 |
CN110879994A (zh) * | 2019-12-02 | 2020-03-13 | 中国科学院自动化研究所 | 基于形状注意力机制的三维目测检测方法、系统、装置 |
CN111160214A (zh) * | 2019-12-25 | 2020-05-15 | 电子科技大学 | 一种基于数据融合的3d目标检测方法 |
CN111160302A (zh) * | 2019-12-31 | 2020-05-15 | 深圳一清创新科技有限公司 | 基于自动驾驶环境的障碍物信息识别方法和装置 |
CN111783838A (zh) * | 2020-06-05 | 2020-10-16 | 东南大学 | 一种用于激光slam的点云特征空间表征方法 |
CN112419494A (zh) * | 2020-10-09 | 2021-02-26 | 腾讯科技(深圳)有限公司 | 用于自动驾驶的障碍物检测、标记方法、设备及存储介质 |
CN112598615A (zh) * | 2020-11-02 | 2021-04-02 | 禾多科技(北京)有限公司 | 障碍物检测方法、装置、电子设备和计算机可读介质 |
CN112698301A (zh) * | 2020-12-11 | 2021-04-23 | 中国科学院微电子研究所 | 基于距离强度关联的激光雷达目标识别方法、装置及设备 |
CN112560774A (zh) * | 2020-12-25 | 2021-03-26 | 广州文远知行科技有限公司 | 一种障碍物位置检测方法、装置、设备和存储介质 |
CN112699806A (zh) * | 2020-12-31 | 2021-04-23 | 罗普特科技集团股份有限公司 | 一种基于三维热图的三维点云目标检测方法和装置 |
CN112802199A (zh) * | 2021-01-25 | 2021-05-14 | 夏永霞 | 基于人工智能的高精度测绘点云数据处理方法与系统 |
CN112528979A (zh) * | 2021-02-10 | 2021-03-19 | 成都信息工程大学 | 变电站巡检机器人障碍物判别方法及系统 |
CN112734810A (zh) * | 2021-04-06 | 2021-04-30 | 北京三快在线科技有限公司 | 一种障碍物追踪方法及装置 |
CN113159151A (zh) * | 2021-04-12 | 2021-07-23 | 中国科学技术大学 | 面向自动驾驶的多传感器深度融合3d目标检测方法 |
CN113205119A (zh) * | 2021-04-20 | 2021-08-03 | 北京百度网讯科技有限公司 | 数据标注方法、装置、电子设备及可读存储介质 |
Non-Patent Citations (4)
Title |
---|
ALIREZA ASVADI等: "3D Lidar-based static and moving obstacle detection in driving environments: An approach based on voxels and multi-region ground planes", 《ROBOTICS AND AUTONOMOUS SYSTEMS》, vol. 83, pages 299 - 311, XP029674186, DOI: 10.1016/j.robot.2016.06.007 * |
YUTIAN WU等: "Deep 3D Object Detection Networks Using LiDAR Data: A Review", 《IEEE SENSORS JOURNAL》, vol. 21, no. 2, pages 1152 - 1171, XP011826761, DOI: 10.1109/JSEN.2020.3020626 * |
吕侠: "基于深度学习的道路车辆目标检测方法研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》, vol. 2020, no. 7, pages 034 - 554 * |
钟泽宇: "基于激光雷达点云的自动驾驶场景语义理解方法", 《中国优秀硕士学位论文全文数据库 工程科技II辑》, vol. 2021, no. 1, pages 035 - 362 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114915646A (zh) * | 2022-06-16 | 2022-08-16 | 上海伯镭智能科技有限公司 | 一种无人驾驶矿车的数据分级上传方法和装置 |
CN114915646B (zh) * | 2022-06-16 | 2024-04-12 | 上海伯镭智能科技有限公司 | 一种无人驾驶矿车的数据分级上传方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113807184B (zh) | 2024-06-21 |
US20230056784A1 (en) | 2023-02-23 |
EP4138049A1 (en) | 2023-02-22 |
KR20230026962A (ko) | 2023-02-27 |
JP2023027778A (ja) | 2023-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113657390B (zh) | 文本检测模型的训练方法和检测文本方法、装置和设备 | |
CN113902897B (zh) | 目标检测模型的训练、目标检测方法、装置、设备和介质 | |
EP4138049A1 (en) | Method and apparatus for detecting obstacle, electronic device, and autonomous vehicle | |
EP3937077B1 (en) | Lane marking detecting method, apparatus, electronic device, storage medium, and vehicle | |
US11741726B2 (en) | Lane line detection method, electronic device, and computer storage medium | |
CN114429637B (zh) | 一种文档分类方法、装置、设备及存储介质 | |
CN113052048A (zh) | 交通事件检测方法、装置、路侧设备以及云控平台 | |
CN114283343B (zh) | 基于遥感卫星图像的地图更新方法、训练方法和设备 | |
CN115139303A (zh) | 一种栅格井盖检测方法、装置、设备及存储介质 | |
CN115147809A (zh) | 一种障碍物检测方法、装置、设备以及存储介质 | |
CN114022865A (zh) | 基于车道线识别模型的图像处理方法、装置、设备和介质 | |
EP4174789A1 (en) | Method and apparatus of processing image, and storage medium | |
CN114549961B (zh) | 目标对象的检测方法、装置、设备以及存储介质 | |
CN114429631A (zh) | 三维对象检测方法、装置、设备以及存储介质 | |
CN113989300A (zh) | 车道线分割的方法、装置、电子设备和存储介质 | |
CN114445802A (zh) | 点云处理方法、装置及车辆 | |
CN113963322B (zh) | 一种检测模型训练方法、装置及电子设备 | |
CN113963300B (zh) | 目标检测方法、装置、电子设备和存储介质 | |
CN114842465A (zh) | 车牌检测方法、装置、电子设备、介质及智能交通设备 | |
CN117746386A (zh) | 目标对象的位置感知方法、装置及计算机程序产品 | |
CN118279392A (zh) | 索道钢丝绳位置状态的确定方法及装置、介质、终端 | |
CN116597213A (zh) | 目标检测方法、训练方法、装置、电子设备以及存储介质 | |
CN115239764A (zh) | 目标跟踪方法、装置、电子设备和存储介质 | |
CN114359495A (zh) | 三维障碍物数据增强方法、装置、介质及边缘计算设备 | |
CN115147814A (zh) | 交通指示对象的识别方法和目标检测模型的训练方法 |
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 |