CN113867370B - 一种基于时间同步的障碍物航向角计算方法及装置 - Google Patents
一种基于时间同步的障碍物航向角计算方法及装置 Download PDFInfo
- Publication number
- CN113867370B CN113867370B CN202111461891.7A CN202111461891A CN113867370B CN 113867370 B CN113867370 B CN 113867370B CN 202111461891 A CN202111461891 A CN 202111461891A CN 113867370 B CN113867370 B CN 113867370B
- Authority
- CN
- China
- Prior art keywords
- course angle
- angle calculation
- sensing
- obstacle
- calculation result
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 133
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 10
- 230000001360 synchronised effect Effects 0.000 claims abstract description 9
- 238000012795 verification Methods 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 abstract description 25
- 230000008447 perception Effects 0.000 abstract description 20
- 230000009897 systematic effect Effects 0.000 abstract description 9
- 230000004888 barrier function Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 239000004065 semiconductor Substances 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000001069 Raman spectroscopy Methods 0.000 description 2
- JNDMLEXHDPKVFC-UHFFFAOYSA-N aluminum;oxygen(2-);yttrium(3+) Chemical compound [O-2].[O-2].[O-2].[Al+3].[Y+3] JNDMLEXHDPKVFC-UHFFFAOYSA-N 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 229910019901 yttrium aluminum garnet Inorganic materials 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
Abstract
本发明公开了一种基于时间同步的障碍物航向角计算方法及装置。其中,该方法包括:获取航向角计算模型,其中,所述航向角计算模型通过航向角yaw值历史数据进行训练得到;通过感知设备对障碍物进行感知,得到航向角感知数据;根据所述航向角感知数据和所述航向角计算模型,生成第一航向角计算结果;对所述航向角计算结果进行同步时间戳的验证操作,得到第二航向角计算结果。本发明解决了现有技术的感知检测算法中,使用图像感知进行障碍物yaw角的计算难度较大,结果也很难准确;使用传统的点云聚类算法计算障碍物yaw角也不容易准确,稳定性也无法保证。其次,障碍物航向角的计算还涉及到自车惯导输出的自车航向角,惯导和感知传感器的标定结果,传感器的时间同步,是一个包含软硬件和算法的系统性问题的技术问题。
Description
技术领域
本发明涉及智慧驾驶领域,具体而言,涉及一种基于时间同步的障碍物航向角计算方法及装置。
背景技术
随着智能化科技的不断发展,人们的生活、工作、学习之中越来越多地用到了智能化设备,使用智能化科技手段,提高了人们生活的质量,增加了人们学习和工作的效率。
目前,在自动驾驶领域,采用多向感知的自动智慧驾驶是主流的驾驶设计理念,但是在现有技术的智慧驾驶领域,对于汽车行进中的航向角计算虽然是汽车自动驾驶行动力的重要计算参数,但在无人驾驶感知系统中,障碍物的航向角通常不够准确,这是个系统性的问题,不仅依赖传感器的精度,障碍物检测的精度,也依赖数据的后处理过程。另外,航向角的准确性也与传感器的空间和时间同步相关。例如,使用不同时间的定位数据和障碍物感知结果计算障碍物的航向角,会得到错误的结果。
首先,感知检测算法中,使用图像感知进行障碍物yaw角的计算难度较大,结果也很难准确;使用传统的点云聚类算法计算障碍物yaw角也不容易准确,稳定性也无法保证。其次,障碍物航向角的计算还涉及到自车惯导输出的自车航向角,惯导和感知传感器的标定结果,传感器的时间同步,是一个包含软硬件和算法的系统性问题。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种基于时间同步的障碍物航向角计算方法及装置,以至少解决现有技术的感知检测算法中,使用图像感知进行障碍物yaw角的计算难度较大,结果也很难准确;使用传统的点云聚类算法计算障碍物yaw角也不容易准确,稳定性也无法保证。其次,障碍物航向角的计算还涉及到自车惯导输出的自车航向角,惯导和感知传感器的标定结果,传感器的时间同步,是一个包含软硬件和算法的系统性问题的技术问题。
根据本发明实施例的一个方面,提供了一种基于时间同步的障碍物航向角计算方法,包括:获取航向角计算模型,其中,所述航向角计算模型通过航向角yaw值历史数据进行训练得到;通过感知设备对障碍物进行感知,得到航向角感知数据;根据所述航向角感知数据和所述航向角计算模型,生成第一航向角计算结果;对所述航向角计算结果进行同步时间戳的验证操作,得到第二航向角计算结果。
可选的,所述航向角计算模型采用双链层DNN网络模型。
可选的,所述感知设备包括:激光雷达设备。
可选的,当所述第二行航向角计算结果出现大于预设阈值的突变是,采用上一帧图像中航向角的计算结果作为所述第二航向角计算结果。
根据本发明实施例的另一方面,还提供了一种基于时间同步的障碍物航向角计算装置,包括:获取模块,用于获取航向角计算模型,其中,所述航向角计算模型通过航向角yaw值历史数据进行训练得到;感知模块,用于通过感知设备对障碍物进行感知,得到航向角感知数据;计算模块,用于根据所述航向角感知数据和所述航向角计算模型,生成第一航向角计算结果;同步模块,用于对所述航向角计算结果进行同步时间戳的验证操作,得到第二航向角计算结果。
可选的,所述航向角计算模型采用双链层DNN网络模型。
可选的,所述感知设备包括:激光雷达设备。
可选的,当所述第二行航向角计算结果出现大于预设阈值的突变是,采用上一帧图像中航向角的计算结果作为所述第二航向角计算结果。
根据本发明实施例的另一方面,还提供了一种非易失性存储介质,所述非易失性存储介质包括存储的程序,其中,所述程序运行时控制非易失性存储介质所在的设备执行一种基于时间同步的障碍物航向角计算方法。
根据本发明实施例的另一方面,还提供了一种电子装置,包含处理器和存储器;所述存储器中存储有计算机可读指令,所述处理器用于运行所述计算机可读指令,其中,所述计算机可读指令运行时执行一种基于时间同步的障碍物航向角计算方法。
在本发明实施例中,采用获取航向角计算模型,其中,所述航向角计算模型通过航向角yaw值历史数据进行训练得到;通过感知设备对障碍物进行感知,得到航向角感知数据;根据所述航向角感知数据和所述航向角计算模型,生成第一航向角计算结果;对所述航向角计算结果进行同步时间戳的验证操作,得到第二航向角计算结果的方式,解决了现有技术的感知检测算法中,使用图像感知进行障碍物yaw角的计算难度较大,结果也很难准确;使用传统的点云聚类算法计算障碍物yaw角也不容易准确,稳定性也无法保证。其次,障碍物航向角的计算还涉及到自车惯导输出的自车航向角,惯导和感知传感器的标定结果,传感器的时间同步,是一个包含软硬件和算法的系统性问题的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的障碍物感知示意图;
图2是根据本发明实施例的停车场示例图;
图3是根据本发明实施例的一种基于时间同步的障碍物航向角计算方法的流程图;
图4是根据本发明实施例的一种基于时间同步的障碍物航向角计算装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明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,以便这里描述的本发明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。
根据本发明实施例,提供了一种基于时间同步的障碍物航向角计算方法的方法实施例,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。
实施例一
图3是根据本发明实施例的一种基于时间同步的障碍物航向角计算方法的流程图,如图3所示,该方法包括如下步骤:
步骤S302,获取航向角计算模型,其中,所述航向角计算模型通过航向角yaw值历史数据进行训练得到。
可选的,所述航向角计算模型采用双链层DNN网络模型。
具体的,为了解决现有技术的感知检测算法中,使用图像感知进行障碍物yaw角的计算难度较大,结果也很难准确;使用传统的点云聚类算法计算障碍物yaw角也不容易准确,稳定性也无法保证。其次,障碍物航向角的计算还涉及到自车惯导输出的自车航向角,惯导和感知传感器的标定结果,传感器的时间同步,是一个包含软硬件和算法的系统性技术问题,本发明实施例在进行某车辆自动驾驶的时候,首选需要对航向角计算模型进行训练和获取,在进行航向角计算模型训练的时候,需要大量的航向角计算历史数据来作为输入特征向量进行填充,以满足成熟航向角计算模型的建模需求,那么在航向角特征向量输入参数的选择上,可以选择航向角yaw值的计算过程指征参数来作为完善该航向角向量操作的重要关键参数。
另外,本发明实施例中的航向角计算模型采用双链层DNN网络模型,神经网络的层数是这样计算的,输入层不算,从隐藏层开始一直到输出层,一共有几层就代表着这是一个几层的神经网络,其中,本发明实施例中的双链层的层与层之间是全连接的,也就是说,第i层的任意一个神经元一定与第i+1层的任意一个神经元相连。虽然DNN看起来很复杂,但是从小的局部模型来说,还是和感知机一样。
步骤S304,通过感知设备对障碍物进行感知,得到航向角感知数据。
可选的,所述感知设备包括:激光雷达设备。
具体的,如图1所示,图1是根据本发明实施例的障碍物感知示意图,在进行障碍物感知的时候,采用感知设备对障碍物的感知,方便了航向角感知数据的获取,其中,所述感知设备包括:激光雷达设备,此处采用激光雷达设备由于采用图像采集设备,用激光器作为发射光源,采用光电探测技术手段的主动遥感设备。激光雷达是激光技术与现代光电探测技术结合的先进探测方式。由发射系统、接收系统 、信息处理等部分组成。发射系统是各种形式的激光器,如二氧化碳激光器、掺钕钇铝石榴石激光器、半导体激光器及波长可调谐的固体激光器以及光学扩束单元等组成;接收系统采用望远镜和各种形式的光电探测器,如光电倍增管、半导体光电二极管、雪崩光电二极管、红外和可见光多元探测器件等组合。激光雷达采用脉冲或连续波2种工作方式,探测方法按照探测的原理不同可以分为米散射、瑞利散射、拉曼散射、布里渊散射、荧光、多普勒等激光雷达。
步骤S306,根据所述航向角感知数据和所述航向角计算模型,生成第一航向角计算结果。
具体的,在获取到了激光雷达和点云输入的感知数据之后,可以将感知数据作为航向角计算模型的输入特征向量数据进行输入,而在航向角计算模型的输出端子获取感知数据计算结果,即第一航向角计算结果。如图2所示,图2是根据本发明实施例的停车场示例图。
步骤S308,对所述航向角计算结果进行同步时间戳的验证操作,得到第二航向角计算结果。
具体的,为了实现同步硬件时间下的航向角计算,增加航向角计算的精准度,可以采用点云感知输出的障碍物航向角,激光雷达对障碍物位置和形状的检测准确性优于图像。另外,使用深度学习模型输出障碍物信息,保证感知数据的准确和稳定,并基于传感器时间硬件同步的基础上,对齐感知结果和定位信息的时间戳,计算航向角时使用同一时间的数据,得到正确的计算结果。
可选的,当所述第二行航向角计算结果出现大于预设阈值的突变是,采用上一帧图像中航向角的计算结果作为所述第二航向角计算结果。具体的,在航向角不稳定时,进行了一些特殊处理:检测结果突变90度时使用上一帧数据等。
通过上述实施例,解决了现有技术的感知检测算法中,使用图像感知进行障碍物yaw角的计算难度较大,结果也很难准确;使用传统的点云聚类算法计算障碍物yaw角也不容易准确,稳定性也无法保证。其次,障碍物航向角的计算还涉及到自车惯导输出的自车航向角,惯导和感知传感器的标定结果,传感器的时间同步,是一个包含软硬件和算法的系统性问题的技术问题。
实施例二
图4是根据本发明实施例的一种基于时间同步的障碍物航向角计算装置的结构框图,如图4所示,该方法包括如下步骤:
获取模块40,用于获取航向角计算模型,其中,所述航向角计算模型通过航向角yaw值历史数据进行训练得到。
可选的,所述航向角计算模型采用双链层DNN网络模型。
具体的,为了解决现有技术的感知检测算法中,使用图像感知进行障碍物yaw角的计算难度较大,结果也很难准确;使用传统的点云聚类算法计算障碍物yaw角也不容易准确,稳定性也无法保证。其次,障碍物航向角的计算还涉及到自车惯导输出的自车航向角,惯导和感知传感器的标定结果,传感器的时间同步,是一个包含软硬件和算法的系统性技术问题,本发明实施例在进行某车辆自动驾驶的时候,首选需要对航向角计算模型进行训练和获取,在进行航向角计算模型训练的时候,需要大量的航向角计算历史数据来作为输入特征向量进行填充,以满足成熟航向角计算模型的建模需求,那么在航向角特征向量输入参数的选择上,可以选择航向角yaw值的计算过程指征参数来作为完善该航向角向量操作的重要关键参数。
另外,本发明实施例中的航向角计算模型采用双链层DNN网络模型,神经网络的层数是这样计算的,输入层不算,从隐藏层开始一直到输出层,一共有几层就代表着这是一个几层的神经网络,其中,本发明实施例中的双链层的层与层之间是全连接的,也就是说,第i层的任意一个神经元一定与第i+1层的任意一个神经元相连。虽然DNN看起来很复杂,但是从小的局部模型来说,还是和感知机一样。
感知模块42,用于通过感知设备对障碍物进行感知,得到航向角感知数据。
可选的,所述感知设备包括:激光雷达设备。
具体的,如图1所示,图1是根据本发明实施例的障碍物感知示意图,在进行障碍物感知的时候,采用感知设备对障碍物的感知,方便了航向角感知数据的获取,其中,所述感知设备包括:激光雷达设备,此处采用激光雷达设备由于采用图像采集设备,用激光器作为发射光源,采用光电探测技术手段的主动遥感设备。激光雷达是激光技术与现代光电探测技术结合的先进探测方式。由发射系统、接收系统 、信息处理等部分组成。发射系统是各种形式的激光器,如二氧化碳激光器、掺钕钇铝石榴石激光器、半导体激光器及波长可调谐的固体激光器以及光学扩束单元等组成;接收系统采用望远镜和各种形式的光电探测器,如光电倍增管、半导体光电二极管、雪崩光电二极管、红外和可见光多元探测器件等组合。激光雷达采用脉冲或连续波2种工作方式,探测方法按照探测的原理不同可以分为米散射、瑞利散射、拉曼散射、布里渊散射、荧光、多普勒等激光雷达。
计算模块44,用于根据所述航向角感知数据和所述航向角计算模型,生成第一航向角计算结果。
具体的,在获取到了激光雷达和点云输入的感知数据之后,可以将感知数据作为航向角计算模型的输入特征向量数据进行输入,而在航向角计算模型的输出端子获取感知数据计算结果,即第一航向角计算结果。如图2所示,图2是根据本发明实施例的停车场示例图。
同步模块46,用于对所述航向角计算结果进行同步时间戳的验证操作,得到第二航向角计算结果。
具体的,为了实现同步硬件时间下的航向角计算,增加航向角计算的精准度,可以采用点云感知输出的障碍物航向角,激光雷达对障碍物位置和形状的检测准确性优于图像。另外,使用深度学习模型输出障碍物信息,保证感知数据的准确和稳定,并基于传感器时间硬件同步的基础上,对齐感知结果和定位信息的时间戳,计算航向角时使用同一时间的数据,得到正确的计算结果。
可选的,当所述第二行航向角计算结果出现大于预设阈值的突变是,采用上一帧图像中航向角的计算结果作为所述第二航向角计算结果。具体的,在航向角不稳定时,进行了一些特殊处理:检测结果突变90度时使用上一帧数据等。
根据本发明实施例的另一方面,还提供了一种非易失性存储介质,所述非易失性存储介质包括存储的程序,其中,所述程序运行时控制非易失性存储介质所在的设备执行一种基于时间同步的障碍物航向角计算方法。
具体的,上述方法包括:根据本发明实施例的一个方面,提供了一种基于时间同步的障碍物航向角计算方法,包括:获取航向角计算模型,其中,所述航向角计算模型通过航向角yaw值历史数据进行训练得到;通过感知设备对障碍物进行感知,得到航向角感知数据;根据所述航向角感知数据和所述航向角计算模型,生成第一航向角计算结果;对所述航向角计算结果进行同步时间戳的验证操作,得到第二航向角计算结果。可选的,所述航向角计算模型采用双链层DNN网络模型。可选的,所述感知设备包括:激光雷达设备。可选的,当所述第二行航向角计算结果出现大于预设阈值的突变是,采用上一帧图像中航向角的计算结果作为所述第二航向角计算结果。
根据本发明实施例的另一方面,还提供了一种电子装置,包含处理器和存储器;所述存储器中存储有计算机可读指令,所述处理器用于运行所述计算机可读指令,其中,所述计算机可读指令运行时执行一种基于时间同步的障碍物航向角计算方法。
具体的,上述方法包括:根据本发明实施例的一个方面,提供了一种基于时间同步的障碍物航向角计算方法,包括:获取航向角计算模型,其中,所述航向角计算模型通过航向角yaw值历史数据进行训练得到;通过感知设备对障碍物进行感知,得到航向角感知数据;根据所述航向角感知数据和所述航向角计算模型,生成第一航向角计算结果;对所述航向角计算结果进行同步时间戳的验证操作,得到第二航向角计算结果。可选的,所述航向角计算模型采用双链层DNN网络模型。可选的,所述感知设备包括:激光雷达设备。可选的,当所述第二行航向角计算结果出现大于预设阈值的突变是,采用上一帧图像中航向角的计算结果作为所述第二航向角计算结果。
通过上述实施例,解决了现有技术的感知检测算法中,使用图像感知进行障碍物yaw角的计算难度较大,结果也很难准确;使用传统的点云聚类算法计算障碍物yaw角也不容易准确,稳定性也无法保证。其次,障碍物航向角的计算还涉及到自车惯导输出的自车航向角,惯导和感知传感器的标定结果,传感器的时间同步,是一个包含软硬件和算法的系统性问题的技术问题。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,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,本发明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(可为个人计算机、服务器或者网络设备等)执行本发明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、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种基于时间同步的障碍物航向角计算方法,其特征在于,包括:
获取航向角计算模型,其中,所述航向角计算模型通过航向角yaw值历史数据进行训练得到,所述航向角yaw值历史数据包括航向角yaw值的计算过程指征参数;
通过感知设备对障碍物进行感知,得到航向角感知数据;
根据所述航向角感知数据和所述航向角计算模型,生成第一航向角计算结果;
对所述航向角计算结果进行同步时间戳的验证操作,得到第二航向角计算结果;当所述第二行航向角计算结果出现大于预设阈值的突变时,采用上一帧图像中航向角的计算结果作为所述第二航向角计算结果。
2.根据权利要求1所述的方法,其特征在于,所述航向角计算模型采用双链层DNN网络模型。
3.根据权利要求1所述的方法,其特征在于,所述感知设备包括:激光雷达设备。
4.一种基于时间同步的障碍物航向角计算装置,其特征在于,包括:
获取模块,用于获取航向角计算模型,其中,所述航向角计算模型通过航向角yaw值历史数据进行训练得到,所述航向角yaw值历史数据包括航向角yaw值的计算过程指征参数;
感知模块,用于通过感知设备对障碍物进行感知,得到航向角感知数据;
计算模块,用于根据所述航向角感知数据和所述航向角计算模型,生成第一航向角计算结果;
同步模块,用于对所述航向角计算结果进行同步时间戳的验证操作,得到第二航向角计算结果;当所述第二行航向角计算结果出现大于预设阈值的突变时,采用上一帧图像中航向角的计算结果作为所述第二航向角计算结果。
5.根据权利要求4所述的装置,其特征在于,所述航向角计算模型采用双链层DNN网络模型。
6.根据权利要求4所述的装置,其特征在于,所述感知设备包括:激光雷达设备。
7.一种非易失性存储介质,其特征在于,所述非易失性存储介质包括存储的程序,其中,所述程序运行时控制非易失性存储介质所在的设备执行权利要求1至3中任意一项所述的方法。
8.一种电子装置,其特征在于,包含处理器和存储器;所述存储器中存储有计算机可读指令,所述处理器用于运行所述计算机可读指令,其中,所述计算机可读指令运行时执行权利要求1至3中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111461891.7A CN113867370B (zh) | 2021-12-02 | 2021-12-02 | 一种基于时间同步的障碍物航向角计算方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111461891.7A CN113867370B (zh) | 2021-12-02 | 2021-12-02 | 一种基于时间同步的障碍物航向角计算方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113867370A CN113867370A (zh) | 2021-12-31 |
CN113867370B true CN113867370B (zh) | 2022-04-12 |
Family
ID=78985604
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111461891.7A Active CN113867370B (zh) | 2021-12-02 | 2021-12-02 | 一种基于时间同步的障碍物航向角计算方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113867370B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103344980A (zh) * | 2013-07-05 | 2013-10-09 | 鲍晓东 | 车载导航方法、系统及车载移动导航终端 |
CN113360795A (zh) * | 2021-08-11 | 2021-09-07 | 智道网联科技(北京)有限公司 | 车辆航向角的修正方法、装置及电子设备、存储介质 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4218599C2 (de) * | 1992-06-05 | 1996-06-27 | Bodenseewerk Geraetetech | Navigations- und Führungssystem für autonome, mobile Roboter |
CN101859105A (zh) * | 2010-06-21 | 2010-10-13 | 哈尔滨工程大学 | 船舶航向控制系统故障在线预报方法 |
JP6843241B2 (ja) * | 2017-05-26 | 2021-03-17 | ▲広▼州▲極飛▼科技有限公司Guangzhou Xaircraft Technology Co., Ltd. | 無人航空機のヘディング決定方法および無人航空機 |
CN110488815B (zh) * | 2019-08-01 | 2022-10-14 | 广州小鹏汽车科技有限公司 | 一种车辆的路径跟踪方法及路径跟踪系统 |
CN110987023B (zh) * | 2019-12-26 | 2021-09-21 | 成都路行通信息技术有限公司 | 一种惯性导航动态对准方法 |
CN111381249B (zh) * | 2020-03-30 | 2021-11-23 | 北京经纬恒润科技股份有限公司 | 一种障碍物航向角计算方法及装置 |
CN111578940B (zh) * | 2020-04-24 | 2021-05-11 | 哈尔滨工业大学 | 一种基于跨传感器迁移学习的室内单目导航方法及系统 |
CN111611869B (zh) * | 2020-04-25 | 2021-06-01 | 哈尔滨理工大学 | 一种基于串行深度神经网络的端到端单目视觉避障方法 |
CN112650237B (zh) * | 2020-12-21 | 2021-12-28 | 武汉理工大学 | 基于聚类处理和人工势场的船舶路径规划方法和装置 |
CN113109783B (zh) * | 2021-04-15 | 2022-08-26 | 森思泰克河北科技有限公司 | 航向角获取方法、装置、设备和存储介质 |
-
2021
- 2021-12-02 CN CN202111461891.7A patent/CN113867370B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103344980A (zh) * | 2013-07-05 | 2013-10-09 | 鲍晓东 | 车载导航方法、系统及车载移动导航终端 |
CN113360795A (zh) * | 2021-08-11 | 2021-09-07 | 智道网联科技(北京)有限公司 | 车辆航向角的修正方法、装置及电子设备、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113867370A (zh) | 2021-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11586213B2 (en) | Trajectory representation in behavior prediction systems | |
Rapp et al. | A few photons among many: Unmixing signal and noise for photon-efficient active imaging | |
US20180088228A1 (en) | Obstacle detection method and apparatus for vehicle-mounted radar system | |
CN110046640B (zh) | 用于关联来自多个车辆的观察的分布式表示学习 | |
EP3236699B1 (en) | Position acquisition method and apparatus | |
Chen et al. | Data processing approaches on SPAD-based d-TOF LiDAR systems: A review | |
EP3364213B1 (fr) | Procede et systeme de perception contextualisee de corps materiels | |
CN111123912B (zh) | 行车定位坐标的标定方法和装置 | |
CN111753757B (zh) | 一种图像识别处理方法及装置 | |
CN107333040A (zh) | 仿生视觉成像与处理装置 | |
CN113469300B (zh) | 设备状态检测方法及相关装置 | |
CN105738915B (zh) | 三维雷达测量方法及装置 | |
Peršić et al. | Online multi-sensor calibration based on moving object tracking | |
Kim et al. | Independent biaxial scanning light detection and ranging system based on coded laser pulses without idle listening time | |
CN111031278A (zh) | 一种基于结构光和tof的监控方法和系统 | |
CN113378693A (zh) | 生成目标检测系统和检测目标的方法及装置 | |
CN113867370B (zh) | 一种基于时间同步的障碍物航向角计算方法及装置 | |
US20230128756A1 (en) | Validating an sfm map using lidar point clouds | |
Vorapatratorn et al. | Fast obstacle detection system for the blind using depth image and machine learning. | |
CN116630937A (zh) | 一种多模态融合的3d目标检测方法 | |
US20230290153A1 (en) | End-to-end systems and methods for streaming 3d detection and forecasting from lidar point clouds | |
US20230057655A1 (en) | Three-dimensional ranging method and device | |
CN111090105B (zh) | 一种车载激光雷达点云信号地面点分离方法 | |
CN114384486A (zh) | 一种数据处理方法及装置 | |
Neto et al. | Real-time collision risk estimation based on Pearson's correlation coefficient |
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 |