CN114035202A - 基于激光雷达的障碍物检测方法及装置 - Google Patents

基于激光雷达的障碍物检测方法及装置 Download PDF

Info

Publication number
CN114035202A
CN114035202A CN202111276343.7A CN202111276343A CN114035202A CN 114035202 A CN114035202 A CN 114035202A CN 202111276343 A CN202111276343 A CN 202111276343A CN 114035202 A CN114035202 A CN 114035202A
Authority
CN
China
Prior art keywords
voxel
point cloud
cloud data
obstacle detection
clustering
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111276343.7A
Other languages
English (en)
Inventor
韩泽熙
乔峰
程新景
杨睿刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
International Network Technology Shanghai Co Ltd
Original Assignee
International Network Technology Shanghai Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by International Network Technology Shanghai Co Ltd filed Critical International Network Technology Shanghai Co Ltd
Priority to CN202111276343.7A priority Critical patent/CN114035202A/zh
Publication of CN114035202A publication Critical patent/CN114035202A/zh
Pending legal-status Critical Current

Links

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
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于激光雷达的障碍物检测方法及装置，方法包括：利用空域哈希对获取的点云数据进行柱状体素化，得到多个体素方格；根据所述多个体素方格，得到对应各所述体素方格的目标特征；对所述目标特征进行二重聚类，得到障碍物检测结果。本发明通过柱状体素进行二重聚类，得到障碍物检测，以提高聚类效率，并提高障碍物检测的精度；通过空域哈希对获取的点云数据进行柱状体素化，以快速得到体素方格并确保各体素方格大小相同，从而便于后续进行二重聚类，另外，还可以减少点云数据的空间，便于快速查找点云数据。

Description

基于激光雷达的障碍物检测方法及装置
技术领域
本发明涉及自动驾驶技术领域，尤其涉及一种基于激光雷达的障碍物检测方法及装置。
背景技术
自动驾驶汽车(Autonomous vehicles；Self-piloting automobile)又称无人驾驶汽车，是一种通过计算机设备控制车辆在道路上实现自动行驶的技术，自动驾驶的实现依赖于人工智能、视觉计算、雷达以及定位组件的协同合作。由于实际道路情况复杂，存在大量行人和车辆等障碍物，因此如何实现障碍物识别，进而规划出规避障碍物的行驶路线成为自动驾驶的关键。
目前，大多基于激光雷达的通用障碍物检测算法实现对障碍物的识别，通用障碍物检测算法主要是先在原始点云数据上基于随机一致性采样(RANSAC)拟合地面方程，再在地面垂直方向加以阈值区分地面点和非地面点，然后对非底面点进行识别，以得到障碍物信息。
由于通用障碍物检测算法是直接对点云以点为单位进行处理，算法的效率依赖于点的个数，而现在激光雷达正由高成本的机械式转向低成本可量产的固态式，固态式激光雷达相比机械式激光雷达，产生的点云更加密集，点数更多，从而增加通用障碍物检测的时间效率。
发明内容
本发明提供一种基于激光雷达的障碍物检测方法及装置，用以解决现有技术中由于点云较为密以致障碍物检测效率较低的缺陷，实现
本发明提供一种基于激光雷达的障碍物检测方法，包括：利用空域哈希对获取的点云数据进行柱状体素化，得到多个体素方格；根据所述多个体素方格，得到对应各所述体素方格的目标特征；对所述目标特征进行二重聚类，得到障碍物检测结果。
根据本发明提供的一种基于激光雷达的障碍物检测方法，所述对所述目标特征进行二重聚类，包括：以所述体素方格为单位，基于所述目标特征进行第一聚类，得到聚类结果；根据所述聚类结果，得到障碍物体素簇；基于位置坐标对所述障碍物体素簇内的各障碍物体素进行第二聚类，得到障碍物检测结果。
根据本发明提供的一种基于激光雷达的障碍物检测方法，在所述对所述目标特征进行二重聚类之后，还包括：根据所述障碍物检测结果，得到每簇内各体素方格对应包含的点云坐标；根据每簇内各体素方格对应包含的点云坐标，得到障碍物实例信息。
根据本发明提供的一种基于激光雷达的障碍物检测方法，在所述对所述目标特征进行二重聚类之前，还包括：基于预设阈值，对所述目标特征进行筛选，筛除所述目标特征中对应非障碍物的目标特征。
根据本发明提供的一种基于激光雷达的障碍物检测方法，所述根据所述多个体素方格，得到对应各所述体素方格的目标特征，包括：根据所述多个体素方格是否包含点云数据，对所述多个体素方格进行筛选，得到包括点云数据的体素方格；根据所述包括点云数据的体素方格，得到对应各所述包括点云数据的体素方格的目标特征，所述目标特征包括所述包括点云数据的体素方格对应的高程差、平均高程、高程方差、三维表面曲率和平均反射率中的至少一项。
根据本发明提供的一种基于激光雷达的障碍物检测方法，在所述利用空域哈希对获取的点云数据进行柱状体素化之前，还包括：获取激光雷达点云数据；基于感兴趣区域对所述点云数据进行范围滤波。
本发明还提供一种基于激光雷达的障碍物检测装置，包括：数据处理模块，利用空域哈希对获取的点云数据进行柱状体素化，得到多个体素方格；特征获取模块，根据所述多个体素方格，得到对应各所述体素方格的目标特征；障碍物检测模块，对所述目标特征进行二重聚类，得到障碍物检测结果。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于激光雷达的障碍物检测方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于激光雷达的障碍物检测方法的步骤。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于激光雷达的障碍物检测方法的步骤。
本发明提供的基于激光雷达的障碍物检测方法及装置，通过柱状体素进行二重聚类，得到障碍物检测，以提高聚类效率，并提高障碍物检测的精度；通过空域哈希对获取的点云数据进行柱状体素化，以快速得到体素方格并确保各体素方格大小相同，从而便于后续进行二重聚类，另外，还可以减少点云数据的空间，便于快速查找点云数据。
附图说明
为了更清楚地说明本发明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是本发明提供的基于激光雷达的障碍物检测方法的流程示意图；
图2是本发明提供的基于激光雷达的障碍物检测装置的结构示意图；
图3是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1示出了本发明的一种基于激光雷达的障碍物检测方法的流程示意图，方法包括：
S01，利用空域哈希对获取的点云数据进行柱状体素化，得到多个体素方格；
S02，根据多个体素方格，得到对应各体素方格的目标特征；
S03，对目标特征进行二重聚类，得到障碍物检测结果。
需要说明的是，本说明书中的S0N不代表基于激光雷达的障碍物检测方法的先后顺序，下面具体描述本发明的基于激光雷达的障碍物检测方法。
步骤S01，利用空域哈希对获取的点云数据进行柱状体素化，得到多个体素方格。
在本实施例中，通过空域哈希将获取的点云数据进行柱状体素化，包括：定义检测空间；基于检测空间，利用空域哈希对获取的点云数据进行柱状体素化，得到多个体素方格。具体而言：
首先，定义检测空间，即以设定长宽的地表平面为底、设定高度的立方体作为检测空间。需要说明的是，由于在实际自动驾驶相关领域中，高度方向内需要关注通用障碍物，通用障碍物可以为任一可能出现在封闭道路路面上对驾驶需要做出制动或避让行为的障碍物，不仅包括机动/非机动车辆、行人，同时还包括路障、三脚架警示牌、轮胎、车散落部件等，因此，设定高度可以根据实际需求设置，此处不作进一步限定。另外，检测空间的长宽可根据激光雷达的参数和实际道路情况设置，此处不作进一步地限定。
举例而言，若检测空间的设定高度参考值为2米，根据当前车辆以及当前车辆上设置的激光雷达的数据采集特征，检测空间的长宽两边之一应当经过当前车辆所在位置。
其次，基于检测空间，利用空域哈希对获取的点云数据进行柱状体素化，得到多个体素方格。换言之，利用空域哈希对检测空间进行分割，得到多个体素方格。应当说明的是，为了避免各个体素方格在地表平面的投影相互重叠，可以将体素方格的高度设置为与检测空间相同的高度。另外，通过空域哈希对检测空间的长宽进行分割，以将点云数据转换成多个长宽固定的体素方格。
在本实施例中，体素方格是体积元素(volumepixel)的简称，是数字三维空间上分割出的最小单位。
在一个可选实施例中，在利用空域哈希对获取的点云数据进行柱状体素化之前，还包括：获取激光雷达点云数据。需要说明的是是，激光雷达点云数据有安装在车辆上的激光雷达探测得到。点云数据(point cloud data)是指以点形式记录扫描信息的数据，由激光雷达扫描得到的每个点云数据都包含一个三维坐标(X,Y,Z)和一个激光反射强度信息(Intensity)。
在一个可选实施例中，为了减少点云数据的数据量以便于提高后续进行障碍物检测的效率，可以在获取激光雷达点云数据之后，基于感兴趣区域roi对点云数据进行范围滤波。需要说明的是，设定感兴趣区域为车辆前向车道可能出现影响驾驶的障碍物的长方体范围[xmin，ymin，znin,xmax,ymax,zmax]，以过滤出感兴趣区域roi的点云数据，从而便于后续对感兴趣区域roi区域的点云数据进行柱状体素化，减少数据量，提高障碍物的检测速度。前向车道可以为单车道、双向车道
在一个可选实施例中，为了进一步提高障碍物检测结果的准确度，在基于感兴趣区域roi对点云数据进行范围滤波之后，还可以对激光雷达点云数据进行预处理，以有效滤除单个雷达点的杂波干扰。具体的，采用中值滤波对激光雷达点云数据进行平滑处理，去除孤立的噪点，其中，孤立的噪点包括由于无法探测到回波而显示距离为0的点。
步骤S02，根据多个体素方格，得到对应各体素方格的目标特征。
需要说明的是，通过获得各个体素方格对应的目标特征，以便于后续根据目标特征对各体素方格进行二重聚类。
在一个可选实施例中，为了提高二重聚类效率，在根据多个体素方格，得到对应各体素方格的目标特征时，包括：根据多个体素方格是否包含点云数据，对多个体素方格进行筛选，得到包括点云数据的体素方格；根据包括点云数据的体素方格，得到对应各包括点云数据的体素方格的目标特征，目标特征包括上述包括点云数据的体素方格对应的高程差、平均高程、高程方差、三维表面曲率和平均反射率中的至少一项。应当注意，通过对体素方格进行筛选，以便于去除不包含点云数据的体素方格，进而减少需要进行二重聚类的体素方格数量，以进一步提高二重聚类的效率。另外，包括点云数据的体素方格可以理解为非空体素方格。可根据实际计算需求选择相应的特征构成目标特征，此处不作进一步地限定。
具体而言，高程差，表示为：
Figure BDA0003330043450000061
其中，
Figure BDA0003330043450000071
表示第i个非空体素方格内包含的点的高程差，
Figure BDA0003330043450000072
表示最大高程，
Figure BDA0003330043450000073
表示最小高程。
平均高程，表示为：
Figure BDA0003330043450000074
其中，
Figure BDA0003330043450000075
表示平均高程，k表示非空体素方格内点的数量，
Figure BDA0003330043450000076
表示第i个非空体素方格包含的第j个点的高程值。
高程方差，表示为：
Figure BDA0003330043450000077
其中，
Figure BDA0003330043450000078
表示高程方差，k表示第i个非空体素方格内点的数量，
Figure BDA0003330043450000079
表示第i个非空体素方格内第j个点的高程值，
Figure BDA00033300434500000710
表示平均高程。
所述三维表面曲率σ满足：
Figure BDA00033300434500000711
式中，λ0、λ1、λ2为协方差矩阵C的三个特征向量，且λ0<λ1<λ2；协方差矩阵C满足：
Figure BDA00033300434500000712
式中，k为所述体素方格内检测点云数据的数量；pi为所述体素方格内第i个检测点云数据的坐标；
Figure BDA00033300434500000713
为所述体素方格内检测点云数据坐标的均值。
平均反射率，表示为：
Figure BDA00033300434500000714
其中，
Figure BDA0003330043450000081
表示平均反射率，k表示第i个非空体素方格内点的数量，
Figure BDA0003330043450000082
表示第i个非空体素方格包含的第j个点的反射率。
步骤S03，对目标特征进行二重聚类，得到障碍物检测结果。
需要说明的是，对目标特征进行二重聚类，包括：以体素方格为单位，基于目标特征进行第一聚类，得到聚类结果；根据聚类结果，得到障碍物体素簇；基于位置坐标对障碍物体素簇内的各障碍物体素进行第二聚类，得到障碍物检测结果。
在本实施例中，首先，以体素方格为单位，基于目标特征进行第一聚类，得到聚类结果。更进一步的说，以体素方格为单位，基于目标特征进行第一聚类，包括：基于距离函数对目标特征进行相似度计算，得到聚类结果。需要说明的是，聚类结果包括地面体素簇和障碍物体素簇，且各簇分别包括多个相似的目标特征。在进行相似度计算时，可利用欧式距离或余弦相似度等相似度计算方式，以实现聚类，从而检测非空体素方格中的障碍物体素方格，并将其聚为一簇，以便于后续针对障碍物体素簇进行进一步检测，减少待检测的数据量，提高检测速度和精度。
其次，根据聚类结果，得到障碍物体素簇。需要说明的是，在以所述体素方格为单位，基于所述目标特征进行第一聚类时，得到的聚类结果包括地面体素簇和障碍物体素簇，因此，在根据聚类结果，得到障碍物体素簇时，预先设置阈值，并将目标特征大于阈值的体素簇从聚类结果中提取出来，得到障碍物体素簇，以便于后续对障碍物体素簇进行障碍物识别，节省障碍物检测的算力，提高障碍物检测的准确度。
最后，基于位置坐标对障碍物体素簇内的各障碍物体素进行第二聚类，得到障碍物检测结果。需要说明的是，再基于位置坐标对障碍物体素簇内的各障碍物体素进行第二聚类之后，得到的障碍物检测结果包括多簇体素方格，且每一簇体素方格均表示一种障碍物，从而便于后续根据每一簇体素方格，获取对应障碍物的实例信息。
在一个可选实施例中，为了提高第一聚类的聚类效率，在对目标特征进行二重聚类之前，还包括：基于预设阈值，对目标特征进行筛选，筛除目标特征中对应非障碍物的目标特征。需要说明的是，根据通用障碍物的特点，设置相应的阈值，以便于将通用障碍物以外的非障碍物点云数据剔除，从而减少聚类的运算量，提高聚类的效率和准确率。
在一个可选实施例中，在对目标特征进行二重聚类之后，还包括：根据障碍物检测结果，得到每簇内各体素方格对应包含的点云坐标；根据每簇内各体素方格对应包含的点云坐标，得到障碍物实例信息。需要说明的是，障碍物实例信息包括障碍物实例的3D位置和大小信息。
其中，障碍物实例的3D位置表示为(xcenter,ycenter,zcenter)，其中：
Figure BDA0003330043450000091
Figure BDA0003330043450000092
Figure BDA0003330043450000093
Figure BDA0003330043450000094
表示第i簇体素方格对应的障碍物实例的3D位置，
Figure BDA0003330043450000095
表示第i簇体素方格中的点云数据中最大x轴坐标，
Figure BDA0003330043450000096
表示第i簇体素方格中的点云数据中最小x轴坐标，
Figure BDA0003330043450000097
表示第i簇体素方格中的点云数据中最大y轴坐标，
Figure BDA0003330043450000098
表示第i簇体素方格中的点云数据中最小y轴坐标，
Figure BDA0003330043450000099
表示第i簇体素方格中的点云数据中最大z轴坐标，
Figure BDA00033300434500000910
表示第i簇体素方格中的点云数据中最小z轴坐标。应当说明的是，需要预先3D车体坐标系，在本实施例中，可以以车体前行方向作为x轴正方向，在地表平面与x轴垂直且车体左向为y轴正方向，垂直地表平面向上的方向为z轴正方向。
综上所述，本发明实施例通过柱状体素进行二重聚类，得到障碍物检测，以提高聚类效率，并提高障碍物检测的精度；通过空域哈希对获取的点云数据进行柱状体素化，以快速得到体素方格并确保各体素方格大小相同，从而便于后续进行二重聚类，另外，还可以减少点云数据的空间，便于快速查找点云数据。
下面对本发明提供的基于激光雷达的障碍物检测装置进行描述，下文描述的基于激光雷达的障碍物检测装置与上文描述的基于激光雷达的障碍物检测方法可相互对应参照。
图2示出了一种基于激光雷达的障碍物检测装置的结构示意图，该装置，包括：
数据处理模块21，利用空域哈希对获取的点云数据进行柱状体素化，得到多个体素方格；
特征获取模块22，根据多个体素方格，得到对应各体素方格的目标特征；
障碍物检测模块23，对目标特征进行二重聚类，得到障碍物检测结果。
在本实施例中，数据处理模块21，包括：设置单元，定义检测空间；分割单元，基于检测空间，利用空域哈希对获取的点云数据进行柱状体素化，得到多个体素方格。
需要说明的是，在设置单元定义检测空间时，以设定长宽的地表平面为底、设定高度的立方体作为检测空间。由于在实际自动驾驶相关领域中，高度方向内需要关注通用障碍物，通用障碍物可以为任一可能出现在封闭道路路面上对驾驶需要做出制动或避让行为的障碍物，不仅包括机动/非机动车辆、行人，同时还包括路障、三脚架警示牌、轮胎、车散落部件等，因此，设定高度可以根据实际需求设置，此处不作进一步限定。另外，检测空间的长宽可根据激光雷达的参数和实际道路情况设置，此处不作进一步地限定。
此外，在分割单元切割检测空间，以得到多个体素方格时，为了避免各个体素方格在地表平面的投影相互重叠，可以将体素方格的高度设置为与检测空间相同的高度。另外，通过空域哈希对检测空间的长宽进行分割，以将点云数据转换成多个长宽固定的体素方格。
在一个可选实施例中，为了便于获取点云数据，该装置还包括数据处理模块，获取激光雷达点云数据。需要说明的是是，激光雷达点云数据有安装在车辆上的激光雷达探测得到。点云数据(point clouddata)是指以点形式记录扫描信息的数据，由激光雷达扫描得到的每个点云数据都包含一个三维坐标(X，Y，Z)和一个激光反射强度信息(Intensity)。
在一个可选实施例中，为了减少点云数据的数据量以便于提高后续进行障碍物检测的效率，该装置还包括：滤波模块，基于感兴趣区域roi对点云数据进行范围滤波。在实际处理过程中，在数据处理模块获取激光雷达点云数据之后，滤波模块基于感兴趣区域roi对点云数据进行范围滤波。
需要说明的是，设定感兴趣区域为车辆前向扯到可能出现影响驾驶的障碍物的长方体范围[xmin，ymin，zmin，xmax，ymax，zmax]，以过滤出感兴趣区域roi的点云数据，从而便于后续对感兴趣区域roi区域的点云数据进行柱状体素化，减少数据量，提高障碍物的检测速度。
在一个可选实施例中，为了进一步提高障碍物检测结果的准确度，该装置还包括数据预处理模块，对激光雷达点云数据进行预处理，以有效滤除单个雷达点的杂波干扰。具体的，数据预处理模块包括：平滑处理单元，采用中值滤波对激光雷达点云数据进行平滑处理，去除孤立的噪点，其中，孤立的噪点包括由于无法探测到回波而显示距离为0的点。在实际处理过程中，在滤波模块基于感兴趣区域roi对点云数据进行范围滤波之后，利用数据预处理模块对激光雷达点云数据进行预处理，以有效滤除单个雷达点的杂波干扰。
特征获取模块22，包括：筛选单元，根据多个体素方格是否包含点云数据，对多个体素方格进行筛选，得到包括点云数据的体素方格；特征获取单元，根据包括点云数据的体素方格，得到对应各包括点云数据的体素方格的目标特征，目标特征包括上述包括点云数据的体素方格对应的高程差、平均高程、高程方差、三维表面曲率和平均反射率中的至少一项。应当注意，通过筛选单元对体素方格进行筛选，以便于去除不包含点云数据的体素方格，进而减少需要进行二重聚类的体素方格数量，以进一步提高二重聚类的效率。另外，包括点云数据的体素方格可以理解为非空体素方格。可根据实际计算需求选择相应的特征构成目标特征，此处不作进一步地限定。
障碍物检测模块23，包括：第一聚类单元，以体素方格为单位，基于目标特征进行第一聚类，得到聚类结果；障碍物体素获取单元，根据聚类结果，得到障碍物体素簇；第二聚类单元，基于位置坐标对障碍物体素簇内的各障碍物体素进行第二聚类，得到障碍物检测结果。需要说明的是，得到的障碍物检测结果包括多簇体素方格，且每一簇体素方格均表示一种障碍物，从而便于后续根据每一簇体素方格，获取对应障碍物的实例信息。
具体而言，第一聚类单元，包括：相似度计算子单元，基于距离函数对目标特征进行相似度计算，得到聚类结果。需要说明的是，聚类结果包括地面体素簇和障碍物体素簇，且各簇分别包括多个相似的目标特征。在进行相似度计算时，可利用欧式距离或余弦相似度等相似度计算方式，以实现聚类，从而检测非空体素方格中的障碍物体素方格，并将其聚为一簇，以便于后续针对障碍物体素簇进行进一步检测，减少待检测的数据量，提高检测速度和精度。
障碍物体素获取单元，包括：阈值设置子单元，预先设置阈值；数据提取子单元，将目标特征大于阈值的体素簇从聚类结果中提取出来，得到障碍物体素簇，以便于后续对障碍物体素簇进行障碍物识别，节省障碍物检测的算力，提高障碍物检测的准确度。
在一个可选实施例中，为了提高第一聚类的聚类效率，该装置还包括筛选模块，基于预设阈值，对目标特征进行筛选，筛除目标特征中对应非障碍物的目标特征。在实际使用过程中，在障碍物检测模块23对目标特征进行二重聚类之前，对目标特征进行筛选，以便于将通用障碍物以外的非障碍物点云数据剔除，从而减少聚类的运算量，提高聚类的效率和准确率。
在一个可选实施例中，该装置，还包括：障碍物实例信息确定模块，具体包括：点云坐标获取单元，根据障碍物检测结果，得到每簇内各体素方格对应包含的点云坐标；信息计算单元，根据每簇内各体素方格对应包含的点云坐标，得到障碍物实例信息。需要说明的是，障碍物实例信息包括障碍物实例的3D位置和大小信息。
图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)31、通信接口(Communications Interface)32、存储器(memory)33和通信总线34，其中，处理器31，通信接口32，存储器33通过通信总线34完成相互间的通信。处理器31可以调用存储器33中的逻辑指令，以执行基于激光雷达的障碍物检测方法，该方法包括：利用空域哈希对获取的点云数据进行柱状体素化，得到多个体素方格；根据多个体素方格，得到对应各体素方格的目标特征；对目标特征进行二重聚类，得到障碍物检测结果。
此外，上述的存储器33中的逻辑指令可以通过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)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、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的基于激光雷达的障碍物检测方法，该方法包括：利用空域哈希对获取的点云数据进行柱状体素化，得到多个体素方格；根据多个体素方格，得到对应各体素方格的目标特征；对目标特征进行二重聚类，得到障碍物检测结果。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的基于激光雷达的障碍物检测方法，该方法包括：利用空域哈希对获取的点云数据进行柱状体素化，得到多个体素方格；根据多个体素方格，得到对应各体素方格的目标特征；对目标特征进行二重聚类，得到障碍物检测结果。
以上所描述的装置实施例仅仅是示意性的，其中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网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于激光雷达的障碍物检测方法，其特征在于，包括：
利用空域哈希对获取的点云数据进行柱状体素化，得到多个体素方格；
根据所述多个体素方格，得到对应各所述体素方格的目标特征；
对所述目标特征进行二重聚类，得到障碍物检测结果。
2.根据权利要求1所述的基于激光雷达的障碍物检测方法，其特征在于，所述对所述目标特征进行二重聚类，包括：
以所述体素方格为单位，基于所述目标特征进行第一聚类，得到聚类结果；
根据所述聚类结果，得到障碍物体素簇；
基于位置坐标对所述障碍物体素簇内的各障碍物体素进行第二聚类，得到障碍物检测结果。
3.根据权利要求1所述的基于激光雷达的障碍物检测方法，其特征在于，在所述对所述目标特征进行二重聚类之后，还包括：
根据所述障碍物检测结果，得到每簇内各体素方格对应包含的点云坐标；
根据每簇内各体素方格对应包含的点云坐标，得到障碍物实例信息。
4.根据权利要求1所述的基于激光雷达的障碍物检测方法，其特征在于，在所述对所述目标特征进行二重聚类之前，还包括：
基于预设阈值，对所述目标特征进行筛选，筛除所述目标特征中对应非障碍物的目标特征。
5.根据权利要求1所述的基于激光雷达的障碍物检测方法，其特征在于，所述根据所述多个体素方格，得到对应各所述体素方格的目标特征，包括：
根据所述多个体素方格是否包含点云数据，对所述多个体素方格进行筛选，得到包括点云数据的体素方格；
根据所述包括点云数据的体素方格，得到对应各所述包括点云数据的体素方格的目标特征，所述目标特征包括所述包括点云数据的体素方格对应的高程差、平均高程、高程方差、三维表面曲率和平均反射率中的至少一项。
6.根据权利要求1所述的基于激光雷达的障碍物检测方法，其特征在于，在所述利用空域哈希对获取的点云数据进行柱状体素化之前，还包括：
获取激光雷达点云数据；
基于感兴趣区域对所述点云数据进行范围滤波。
7.一种基于激光雷达的障碍物检测装置，其特征在于，包括：
数据处理模块，利用空域哈希对获取的点云数据进行柱状体素化，得到多个体素方格；
特征获取模块，根据所述多个体素方格，得到对应各所述体素方格的目标特征；
障碍物检测模块，对所述目标特征进行二重聚类，得到障碍物检测结果。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述基于激光雷达的障碍物检测方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于激光雷达的障碍物检测方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于激光雷达的障碍物检测方法的步骤。
CN202111276343.7A 2021-10-29 2021-10-29 基于激光雷达的障碍物检测方法及装置 Pending CN114035202A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111276343.7A CN114035202A (zh) 2021-10-29 2021-10-29 基于激光雷达的障碍物检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111276343.7A CN114035202A (zh) 2021-10-29 2021-10-29 基于激光雷达的障碍物检测方法及装置

Publications (1)

Publication Number Publication Date
CN114035202A true CN114035202A (zh) 2022-02-11

Family

ID=80136022

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111276343.7A Pending CN114035202A (zh) 2021-10-29 2021-10-29 基于激光雷达的障碍物检测方法及装置

Country Status (1)

Country Link
CN (1) CN114035202A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115508844A (zh) * 2022-11-23 2022-12-23 江苏新宁供应链管理有限公司 基于激光雷达的物流输送机跑偏智能检测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115508844A (zh) * 2022-11-23 2022-12-23 江苏新宁供应链管理有限公司 基于激光雷达的物流输送机跑偏智能检测方法

Similar Documents

Publication Publication Date Title
CN109858460B (zh) 一种基于三维激光雷达的车道线检测方法
US10915779B2 (en) Method for extracting uniform features from point cloud and system therefor
WO2021012254A1 (zh) 目标检测方法、系统及可移动平台
Wang et al. Real-time vehicle detection algorithm based on vision and lidar point cloud fusion
CN109584294B (zh) 一种基于激光点云的路面点云提取方法和装置
CN113192091B (zh) 一种基于激光雷达与相机融合的远距离目标感知方法
WO2021021672A2 (en) System and method for free space estimation
WO2023000221A1 (zh) 可行驶区域生成方法、可移动平台及存储介质
CN112200171A (zh) 一种基于扫描线的道路点云的提取方法
CN113917487A (zh) 基于激光雷达的封闭道路路沿和可行驶区域检测方法
CN114359876A (zh) 一种车辆目标识别方法及存储介质
CN116030289A (zh) 基于激光雷达的铁路危情监测方法
CN114035202A (zh) 基于激光雷达的障碍物检测方法及装置
CN113900101A (zh) 障碍物检测方法、装置及电子设备
CN112733678A (zh) 测距方法、装置、计算机设备和存储介质
CN112614174A (zh) 点云补全和点云分割方法、装置、电子设备及存储介质
Qing et al. Localization and tracking of same color vehicle under occlusion problem
Schomerus et al. Camera-based lane border detection in arbitrarily structured environments
CN113866743B (zh) 一种用于车路协同感知的路侧激光点云精简方法和系统
CN112906519B (zh) 一种车辆类型识别方法及装置
Borgmann et al. Detection Of Persons In Mls Point Clouds
CN114549764A (zh) 基于无人车的障碍物识别方法、装置、设备及存储介质
CN115375956A (zh) 一种车道线的检测方法及相关装置
Zhang et al. Obstacle Detection and Tracking of Unmanned Mine Car Based on 3D Lidar
Likhita et al. Obstacle detection in autonomous vehicles using 3D lidar point cloud data

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