CN114137524A - 基于毫米波雷达的驾驶障碍物状态估计方法和系统 - Google Patents
基于毫米波雷达的驾驶障碍物状态估计方法和系统 Download PDFInfo
- Publication number
- CN114137524A CN114137524A CN202111276324.4A CN202111276324A CN114137524A CN 114137524 A CN114137524 A CN 114137524A CN 202111276324 A CN202111276324 A CN 202111276324A CN 114137524 A CN114137524 A CN 114137524A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- driving obstacle
- frame
- state estimation
- rotating
- 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
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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及目标检测技术领域,提供一种基于毫米波雷达的驾驶障碍物状态估计方法和系统。其中方法包括基于毫米波雷达获取点云数据;聚类点云数据,得到至少一个驾驶障碍物点云集合;根据驾驶障碍物点云集合确定驾驶障碍物的状态估计结果;状态估计结果包括驾驶障碍物的边界框;边界框是拟合代价最小的旋转框;旋转框是旋转基准框得到的;基准框是设定类型的几何图形,且基准框是基准角度下,驾驶障碍物点云集合的最小外接框;拟合代价是根据驾驶障碍物点云集合和旋转框计算得到的。本发明能够使得边界框具有更高的信息密度,同时能够反应障碍物的角度朝向,进而为后续自动驾驶决策过程的计算资源需求降低提供了基础。
Description
技术领域
本发明涉及目标检测技术领域,尤其涉及一种基于毫米波雷达的驾驶障碍物状态估计方法和系统。
背景技术
自动驾驶,又称无人驾驶、电脑驾驶或轮式移动机器人,是依靠计算机与人工智能技术在没有人为操纵的情况下,完成完整、安全、有效的驾驶的一项前沿科技。
在21世纪,由于汽车用户的不断增加,公路交通面临的拥堵、安全事故等问题越发严重。自动驾驶技术在车联网技术和人工智能技术的支持下,能够协调出行路线与规划时间,从而大程度提高出行效率,并在一定程度上减少能源消耗。自动驾驶同时还能帮助避免醉驾,疲劳驾驶等安全隐患,减少驾驶员失误,提升安全性。自动驾驶也因此成为各国近年的一项研发重点。
作为自动化载具,自动驾驶汽车不需要人类操作即能感测其环境及导航。作为一种可行的自动驾驶环境感知硬件,车载毫米波雷达能够采集驾驶过程中的障碍物点云数据,进一步地,基于点云数据可以对障碍物的状态进行分析。
现有技术中,通常采用带有速度、方向和其他信息的bounding box(边界框)来表示车载毫米波雷达采集到的障碍物信息,由于毫米波雷达点云相对其他传感器更加稀疏,且穿透性有限,故现有技术往往直接使用雷达点云的外接矩形作为bounding box。
但实践中发现,利用上述现有技术方法得到的bounding box信息密度较低,无法准确的反应障碍物信息(如障碍物朝向等),进而导致后续基于障碍物信息的驾驶决策过程所需计算资源剧增,不利于高性能自动驾驶的实现。
因此,如何更为准确的估计障碍物状态成为了业内亟需解决的技术问题。
发明内容
本发明提供一种基于毫米波雷达的驾驶障碍物状态估计方法和系统,用以解决现有技术中bounding box信息密度较低的缺陷,实现更为准确的障碍物状态估计。
本发明提供一种基于毫米波雷达的驾驶障碍物状态估计方法,包括:
基于毫米波雷达获取点云数据;
聚类所述点云数据,得到至少一个驾驶障碍物点云集合;
根据所述驾驶障碍物点云集合确定所述驾驶障碍物的状态估计结果;
所述状态估计结果包括所述驾驶障碍物的边界框;所述边界框是拟合代价最小的旋转框;所述旋转框是旋转基准框得到的;所述基准框是设定类型的几何图形,且所述基准框是基准角度下,所述驾驶障碍物点云集合的最小外接框;所述拟合代价是根据所述驾驶障碍物点云集合和所述旋转框计算得到的。
根据本发明提供的一种基于毫米波雷达的驾驶障碍物状态估计方法,所述旋转框是旋转基准框后,所述驾驶障碍物点云集合的最小外接框。
根据本发明提供的一种基于毫米波雷达的驾驶障碍物状态估计方法,所述旋转框是旋转基准框后,所述驾驶障碍物点云集合排除离群点后的最小外接框;
所述离群点是排除前后所述驾驶障碍物点云集合的拟合代价差值大于设定阈值的点。
根据本发明提供的一种基于毫米波雷达的驾驶障碍物状态估计方法,所述拟合代价是指所述驾驶障碍物点云集合中点到所述旋转框的距离之和;
所述距离是指点到所述旋转框最近边所在直线的距离。
根据本发明提供的一种基于毫米波雷达的驾驶障碍物状态估计方法,所述边界框是旋转框集合中拟合代价最小的旋转框;
所述旋转框集合包括以旋转角度范围内的设定角度旋转矩形基准框得到的旋转框;所述旋转角度范围是指0度至180度,或者-90度至90度。
根据本发明提供的一种基于毫米波雷达的驾驶障碍物状态估计方法,所述聚类所述点云数据,得到至少一个驾驶障碍物点云集合的步骤包括:
通过DBSCAN聚类所述点云数据,基于密度得到至少一个点云簇作为驾驶障碍物点云集合。
本发明还提供一种基于毫米波雷达的驾驶障碍物状态估计系统,包括:
获取模块,用于基于毫米波雷达获取点云数据;
聚类模块,用于聚类所述点云数据,得到至少一个驾驶障碍物点云集合;
估计模块,用于根据所述驾驶障碍物点云集合确定所述驾驶障碍物的状态估计结果;
所述状态估计结果包括所述驾驶障碍物的边界框;所述边界框是拟合代价最小的旋转框;所述旋转框是旋转基准框得到的;所述基准框是设定类型的几何图形,且所述基准框是基准角度下,所述驾驶障碍物点云集合的最小外接框;所述拟合代价是根据所述驾驶障碍物点云集合和所述旋转框计算得到的。
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毫米波雷达的驾驶障碍物状态估计方法的步骤。
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毫米波雷达的驾驶障碍物状态估计方法的步骤。
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毫米波雷达的驾驶障碍物状态估计方法的步骤。
本发明提供的基于毫米波雷达的驾驶障碍物状态估计方法和系统,通过引入拟合代价,选定合适角度的边界框,使得边界框具有更高的信息密度,同时能够反应障碍物的角度朝向,进而为后续自动驾驶决策过程的计算资源需求降低提供了基础。
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毫米波雷达的驾驶障碍物状态估计方法的流程示意图;
图2是本发明提供的基于毫米波雷达的驾驶障碍物状态估计系统的结构示意图;
图3是本发明提供的电子设备的结构示意图;
图4是本发明实施例中旋转框的构造示例示意图。
附图标记:
1:获取模块; 2:聚类模块; 3:估计模块;
310:处理器; 320:通信接口; 330:存储器;
340:通信总线。
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。
下面结合图1描述本发明的基于毫米波雷达的驾驶障碍物状态估计方法。
如图1所示,本发明实施例提供一种基于毫米波雷达的驾驶障碍物状态估计方法,包括:
步骤101,基于毫米波雷达获取点云数据;
步骤103,聚类所述点云数据,得到至少一个驾驶障碍物点云集合;
步骤105,根据所述驾驶障碍物点云集合确定所述驾驶障碍物的状态估计结果;
所述状态估计结果包括所述驾驶障碍物的边界框;所述边界框是拟合代价最小的旋转框;所述旋转框是旋转基准框得到的;所述基准框是设定类型的几何图形,且所述基准框是基准角度下,所述驾驶障碍物点云集合的最小外接框;所述拟合代价是根据所述驾驶障碍物点云集合和所述旋转框计算得到的。
本实施例中,所述基准角度是设定的几何图形角度。
举例来说,对于二维椭圆的基准框、旋转框、边界框,可以选用椭圆长轴所在直线上的设定判断向量作为角度判定标准,定义判断向量与设定笛卡尔坐标系的y轴正向同向的椭圆为基准角度下的椭圆,即定义指向y轴正向的判断向量为基准向量,所述判断向量与所述基准向量的夹角即为旋转框(或边界框)相对于基准框的旋转角度。
进一步地,对于确定类型的几何图形,可能存在着旋转框旋转角度不同,但几何图形全同的情况。在上述二维椭圆的例子中,所述判断向量与所述基准向量的夹角为x度和(180+x)度时,二维椭圆即为全等图形,因此这种情况下,旋转框的旋转范围可以设定为0至180度,以进一步节省计算资源。
在一个优选的实施方式中:
步骤101获取的点云数据为预处理后的毫米波雷达原始采集数据;
或者,步骤101获取的点云数据为毫米波雷达原始采集数据,步骤103聚类预处理后的所述点云数据,得到至少一个驾驶障碍物点云集合;
所述预处理可以是排除杂波、排除多次反射点云、排除可行驶区域外点云、排除多路径点云中的任一者或任多者组合。
本实施例中,步骤105得到的状态估计结果中,边界框既可以是二维的几何图形,如矩形框(此时边界框是点云数据在某一设定平面,如地面投影点的最小外接框);也可以是三维的几何图形,如立方体框(此时边界框是点云数据在三维空间内的最小外接框)。
所述基准框、旋转框、边界框的几何图形类型在某一特定的障碍物估计任务中一致,例如,设定类型的几何图形为矩形,则所述基准框、旋转框、边界框均为矩形框,但旋转框、边界框的矩形框大小和旋转姿态可能与基准框不同。
本实施例的有益效果在于:
通过引入拟合代价,选定合适角度的边界框,使得边界框具有更高的信息密度,同时能够反应障碍物的角度朝向,进而为后续自动驾驶决策过程的计算资源需求降低提供了基础。
根据上述实施例,在本实施例中:
所述旋转框是旋转基准框后,所述驾驶障碍物点云集合的最小外接框。
也就是说,在上述实施例的基础上,本实施例对基准框旋转后,将大小调整为所述驾驶障碍物点云集合的最小外接框形成旋转框,这一操作有利于进一步提升旋转框和边界框的信息密度;
图4中,选用二维矩形框作为基准框、旋转框、边界框的几何图形类型,示出了本实施例的旋转框构造例。
如图4左侧,基准框是基准角度下(即选用矩形长边所在直线上的设定向量作为判断向量,并以判断向量竖直向上的方向为基准向量),点云的最小外接矩形;
图4中部示出了旋转后的基准框和点云位置关系,在此基础上,进一步在不改变判断向量角度的前提下,调整矩形框的大小,得到旋转后的最小外接矩形作为旋转框(图4右侧),并在该旋转框的基础上计算拟合代价。
进一步地,在一个优选的实施方式中,所述旋转框是旋转基准框后,所述驾驶障碍物点云集合排除离群点后的最小外接框;
所述离群点是排除前后所述驾驶障碍物点云集合的拟合代价差值大于设定阈值的点。
本实施例的有益效果在于:
通过对旋转框大小进行限制(即使得旋转框的大小为所述驾驶障碍物点云集合的最小外接框),提升了最终得到的边界框中的信息密度;
通过排除离群点,进一步避免了预处理未排除的采集误差对障碍物状态的影响。
根据上述任一实施例,在本实施例中:
所述拟合代价是指所述驾驶障碍物点云集合中点到所述旋转框的距离之和;
所述距离是指点到所述旋转框最近边所在直线的距离。
所述边界框是旋转框集合中拟合代价最小的旋转框;
所述旋转框集合包括以旋转角度范围内的设定角度旋转矩形基准框得到的旋转框;所述旋转角度范围是指0度至180度,或者-90度至90度。
值得说明的是,若基准框、旋转框、边界框为正方形框,则所述旋转角度范围是指0度至90度,或者-90度至0度。
所述聚类所述点云数据,得到至少一个驾驶障碍物点云集合的步骤包括:
通过DBSCAN聚类所述点云数据,基于密度得到至少一个点云簇作为驾驶障碍物点云集合。
本实施例的有益效果在于:
本实施例进一步针对最为常见的矩形基准框、旋转框以及边界框提供了拟合代价的可行计算方法,此外还提供了旋转框的旋转角度范围和基于DBSCAN的聚类步骤,通过本实施例的附加限定,能够在现有技术的框架内,更为准确高效的估计驾驶障碍物状态。
根据上述任一实施例,下面将从动态流程的角度,提供一个完整的基于毫米波雷达的驾驶障碍物状态估计方法的步骤说明:
步骤101,基于毫米波雷达获取点云数据;
步骤103,基于DBSCAN聚类所述点云数据,得到至少一个驾驶障碍物点云集合;
步骤1051,根据所述驾驶障碍物点云集合确定基准框;
步骤1052,在旋转角度范围内,以设定的角度旋转所述基准框;
步骤1053,调整旋转后的基准框的大小,得到该角度下所述驾驶障碍物点云集合的最小外接框作为旋转框;
步骤1054,针对疑似离群点,计算排除前后旋转框(即该角度下,排除疑似离群点前后的最小外接框)的拟合代价,并将排除前后拟合代价的差值大于设定阈值的疑似离群点确定为离群点;
所述疑似离群点是指相对旋转框距离小于设定判断阈值的点;
步骤1055,排除步骤1054中确定的离群点后,确定该角度下的旋转框并计算拟合代价;
步骤1056,重复步骤1052至步骤1055,直至遍历指定数量的旋转角度。
步骤1057,将拟合代价最小的旋转框作为基准框,并添加至所述驾驶障碍物的状态估计结果;
本实施例的有益效果在于:
通过引入拟合代价,选定合适角度的边界框,使得边界框具有更高的信息密度,同时能够反应障碍物的角度朝向,进而为后续自动驾驶决策过程的计算资源需求降低提供了基础。
下面对本发明提供的基于毫米波雷达的驾驶障碍物状态估计装置进行描述,下文描述的基于毫米波雷达的驾驶障碍物状态估计装置与上文描述的基于毫米波雷达的驾驶障碍物状态估计方法可相互对应参照。
如图2所示,本发明实施例还提供一种基于毫米波雷达的驾驶障碍物状态估计系统,包括:
获取模块1,用于基于毫米波雷达获取点云数据;
聚类模块2,用于聚类所述点云数据,得到至少一个驾驶障碍物点云集合;
估计模块3,用于根据所述驾驶障碍物点云集合确定所述驾驶障碍物的状态估计结果;
所述状态估计结果包括所述驾驶障碍物的边界框;所述边界框是拟合代价最小的旋转框;所述旋转框是旋转基准框得到的;所述基准框是设定类型的几何图形,且所述基准框是基准角度下,所述驾驶障碍物点云集合的最小外接框;所述拟合代价是根据所述驾驶障碍物点云集合和所述旋转框计算得到的。
所述聚类模块2进一步包括:
DBSCAN单元,用于通过DBSCAN聚类所述点云数据,基于密度得到至少一个点云簇作为驾驶障碍物点云集合。
本实施例的有益效果在于:
通过引入拟合代价,选定合适角度的边界框,使得边界框具有更高的信息密度,同时能够反应障碍物的角度朝向,进而为后续自动驾驶决策过程的计算资源需求降低提供了基础。
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)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340,其中,处理器310,通信接口320,存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令,以执行基于毫米波雷达的驾驶障碍物状态估计方法,该方法包括:基于毫米波雷达获取点云数据;聚类所述点云数据,得到至少一个驾驶障碍物点云集合;根据所述驾驶障碍物点云集合确定所述驾驶障碍物的状态估计结果;所述状态估计结果包括所述驾驶障碍物的边界框;所述边界框是拟合代价最小的旋转框;所述旋转框是旋转基准框得到的;所述基准框是设定类型的几何图形,且所述基准框是基准角度下,所述驾驶障碍物点云集合的最小外接框;所述拟合代价是根据所述驾驶障碍物点云集合和所述旋转框计算得到的。
此外,上述的存储器330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毫米波雷达的驾驶障碍物状态估计方法,该方法包括:基于毫米波雷达获取点云数据;聚类所述点云数据,得到至少一个驾驶障碍物点云集合;根据所述驾驶障碍物点云集合确定所述驾驶障碍物的状态估计结果;所述状态估计结果包括所述驾驶障碍物的边界框;所述边界框是拟合代价最小的旋转框;所述旋转框是旋转基准框得到的;所述基准框是设定类型的几何图形,且所述基准框是基准角度下,所述驾驶障碍物点云集合的最小外接框;所述拟合代价是根据所述驾驶障碍物点云集合和所述旋转框计算得到的。
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毫米波雷达的驾驶障碍物状态估计方法,该方法包括:基于毫米波雷达获取点云数据;聚类所述点云数据,得到至少一个驾驶障碍物点云集合;根据所述驾驶障碍物点云集合确定所述驾驶障碍物的状态估计结果;所述状态估计结果包括所述驾驶障碍物的边界框;所述边界框是拟合代价最小的旋转框;所述旋转框是旋转基准框得到的;所述基准框是设定类型的几何图形,且所述基准框是基准角度下,所述驾驶障碍物点云集合的最小外接框;所述拟合代价是根据所述驾驶障碍物点云集合和所述旋转框计算得到的。
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)
1.一种基于毫米波雷达的驾驶障碍物状态估计方法,其特征在于,包括:
基于毫米波雷达获取点云数据;
聚类所述点云数据,得到至少一个驾驶障碍物点云集合;
根据所述驾驶障碍物点云集合确定所述驾驶障碍物的状态估计结果;
所述状态估计结果包括所述驾驶障碍物的边界框;所述边界框是拟合代价最小的旋转框;所述旋转框是旋转基准框得到的;所述基准框是设定类型的几何图形,且所述基准框是基准角度下,所述驾驶障碍物点云集合的最小外接框;所述拟合代价是根据所述驾驶障碍物点云集合和所述旋转框计算得到的。
2.根据权利要求1所述的基于毫米波雷达的驾驶障碍物状态估计方法,其特征在于,所述旋转框是旋转基准框后,所述驾驶障碍物点云集合的最小外接框。
3.根据权利要求2所述的基于毫米波雷达的驾驶障碍物状态估计方法,其特征在于,所述旋转框是旋转基准框后,所述驾驶障碍物点云集合排除离群点后的最小外接框;
所述离群点是排除前后所述驾驶障碍物点云集合的拟合代价差值大于设定阈值的点。
4.根据权利要求1至3中任一项所述的基于毫米波雷达的驾驶障碍物状态估计方法,其特征在于,所述拟合代价是指所述驾驶障碍物点云集合中点到所述旋转框的距离之和;
所述距离是指点到所述旋转框最近边所在直线的距离。
5.根据权利要求1至3中任一项所述的基于毫米波雷达的驾驶障碍物状态估计方法,其特征在于,所述边界框是旋转框集合中拟合代价最小的旋转框;
所述旋转框集合包括以旋转角度范围内的设定角度旋转矩形基准框得到的旋转框;所述旋转角度范围是指0度至180度,或者-90度至90度。
6.根据权利要求1至3中任一项所述的基于毫米波雷达的驾驶障碍物状态估计方法,其特征在于,所述聚类所述点云数据,得到至少一个驾驶障碍物点云集合的步骤包括:
通过DBSCAN聚类所述点云数据,基于密度得到至少一个点云簇作为驾驶障碍物点云集合。
7.一种基于毫米波雷达的驾驶障碍物状态估计系统,其特征在于,包括:
获取模块,用于基于毫米波雷达获取点云数据;
聚类模块,用于聚类所述点云数据,得到至少一个驾驶障碍物点云集合;
估计模块,用于根据所述驾驶障碍物点云集合确定所述驾驶障碍物的状态估计结果;
所述状态估计结果包括所述驾驶障碍物的边界框;所述边界框是拟合代价最小的旋转框;所述旋转框是旋转基准框得到的;所述基准框是设定类型的几何图形,且所述基准框是基准角度下,所述驾驶障碍物点云集合的最小外接框;所述拟合代价是根据所述驾驶障碍物点云集合和所述旋转框计算得到的。
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任一项所述基于毫米波雷达的驾驶障碍物状态估计方法的步骤。
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任一项所述基于毫米波雷达的驾驶障碍物状态估计方法的步骤。
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任一项所述基于毫米波雷达的驾驶障碍物状态估计方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111276324.4A CN114137524A (zh) | 2021-10-29 | 2021-10-29 | 基于毫米波雷达的驾驶障碍物状态估计方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111276324.4A CN114137524A (zh) | 2021-10-29 | 2021-10-29 | 基于毫米波雷达的驾驶障碍物状态估计方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114137524A true CN114137524A (zh) | 2022-03-04 |
Family
ID=80396276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111276324.4A Pending CN114137524A (zh) | 2021-10-29 | 2021-10-29 | 基于毫米波雷达的驾驶障碍物状态估计方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114137524A (zh) |
-
2021
- 2021-10-29 CN CN202111276324.4A patent/CN114137524A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109143207B (zh) | 激光雷达内参精度验证方法、装置、设备及介质 | |
CN108509820B (zh) | 障碍物分割方法及装置、计算机设备及可读介质 | |
CN110045376A (zh) | 可行驶区域获取方法、计算机可读存储介质及终端设备 | |
Weon et al. | Object Recognition based interpolation with 3d lidar and vision for autonomous driving of an intelligent vehicle | |
CN110632617B (zh) | 一种激光雷达点云数据处理的方法及装置 | |
EP4296713A1 (en) | Target detection method, storage medium, electronic device, and vehicle | |
CN110794406B (zh) | 多源传感器数据融合系统和方法 | |
CN110674705A (zh) | 基于多线激光雷达的小型障碍物检测方法及装置 | |
CN109948635B (zh) | 一种基于激光扫描的目标识别方法及装置 | |
CN110867132A (zh) | 环境感知的方法、装置、电子设备和计算机可读存储介质 | |
CN111308500B (zh) | 基于单线激光雷达的障碍物感知方法、装置和计算机终端 | |
CN111257882B (zh) | 数据融合方法、装置、无人驾驶设备和可读存储介质 | |
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 | |
CN112116809A (zh) | 基于v2x技术的非视距车辆防碰撞方法及装置 | |
CN112036274A (zh) | 一种可行驶区域检测方法、装置、电子设备及存储介质 | |
WO2022078342A1 (zh) | 动态占据栅格估计方法及装置 | |
CN114972941A (zh) | 被遮挡车辆三维检测的决策融合方法、装置及电子设备 | |
CN114241448A (zh) | 障碍物航向角的获取方法、装置、电子设备及车辆 | |
EP3844670A1 (en) | Object localization using machine learning | |
CN114137524A (zh) | 基于毫米波雷达的驾驶障碍物状态估计方法和系统 | |
Oniga et al. | A fast ransac based approach for computing the orientation of obstacles in traffic scenes | |
CN115359332A (zh) | 基于车路协同的数据融合方法、装置、电子设备及系统 | |
CN115432007A (zh) | 用于车辆自动驾驶系统的碰撞检测方法、装置、电子设备 | |
CN114581869A (zh) | 确定目标对象位置的方法、装置、电子设备和存储介质 | |
CN115375956A (zh) | 一种车道线的检测方法及相关装置 |
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 |