CN114241447A - 一种基于车载设备的障碍物实时检测方法 - Google Patents
一种基于车载设备的障碍物实时检测方法 Download PDFInfo
- Publication number
- CN114241447A CN114241447A CN202111618616.1A CN202111618616A CN114241447A CN 114241447 A CN114241447 A CN 114241447A CN 202111618616 A CN202111618616 A CN 202111618616A CN 114241447 A CN114241447 A CN 114241447A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- vehicle
- map
- data
- real
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30261—Obstacle
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供了一种基于车载设备的障碍物实时检测方法,解决结构循环往复缺少特征的隧道内环境中障碍位置判断精度低的技术问题。本申请提供基于车载设备的障碍物实时检测方法包括:获取轨道行进区域的激光点云数据和摄像头图像数据;其中,摄像头图像数据为多帧约束;融合激光点云数据和摄像头图像数据,得到融合点云数据;根据融合点云数据,绘制点云地图;标记点云地图上的安全限界,安全限界为轨道行进区域中车辆安全行驶空间的轮廓;获取车辆的第一位置,第一位置为车辆的实时位置和姿态信息在点云地图中对应的位置坐标;在点云地图上,标记第一位置,得到目标地图;滤除目标地图中安全界限外的点云数据。
Description
技术领域
本申请涉及轨道交通检测技术领域,尤其涉及一种基于车载设备的障碍物实时检测方法。
背景技术
轨道车辆,尤其是地铁车辆的运行过程中的实时障碍物检测是现阶段的热门课题,也是一个有待完善的技术难题。此项技术是地铁实现自动驾驶,提高运营与调度效率,改善乘车体验,进而在未来更好地适应轨道车辆跨网调度,适应高铁、城际、城铁、地铁4网融合的技术基础。
目前,障碍物检测以视觉为主,通过装在车头的摄像头获取行车前方图像,通过图像分割与目标检测算法找到前方轨道区域,通过目标检测算法找到前方疑似异物与侵界,通过激光雷达的点云数据补充异物空间位置信息,进而判断是否有碰撞风险。
然而,结构循环往复缺少特征的隧道内环境中,以车为坐标参考系并且依靠图像分割来描绘轨道行进区域的方案,会导致位置判断精度很低,误差大;进而,对异物是否在行车区域,极易形成误判,造成误报和漏报。
发明内容
本申请提供了一种基于车载设备的障碍物实时检测方法,解决结构循环往复缺少特征的隧道内环境中障碍位置判断精度低的技术问题。
第一方面,本申请提供一种基于车载设备的障碍物实时检测方法,包括:获取轨道行进区域的激光点云数据和摄像头图像数据;其中,所述摄像头图像数据为多帧约束;融合所述激光点云数据和所述摄像头图像数据,得到融合点云数据;根据所述融合点云数据,绘制点云地图;标记所述点云地图上的安全限界,所述安全限界为所述轨道行进区域中车辆安全行驶空间的轮廓;获取车辆的第一位置,所述第一位置为所述车辆的实时位置和姿态信息在所述点云地图中对应的位置坐标;在所述点云地图上,标记所述第一位置,得到目标地图;滤除所述目标地图中所述安全界限外的点云数据。
在一些实施例中,所述获取车辆的第一位置,以及在所述点云地图上标记所述第一位置的步骤,包括:获取所述车辆的实时位置和姿态信息对应的点云数据,记作第一数据;根据所述点云地图,将所述第一数据进行坐标变换,得到第一坐标集;在所述点云地图上,累加所述第一坐标集中的坐标。
在一些实施例中,所述获取所述车辆的实时位置和姿态信息对应的点云数据,记作第一数据;根据所述点云地图,将所述第一数据进行坐标变换,得到第一坐标集;在所述点云地图上,累加所述第一坐标集中的坐标的步骤;包括:获取预设时间阈值内,所述车辆的实时位置和姿态信息对应的点云数据集合,根据所述点云地图,将所述点云数据集合进行坐标变换,得到第二坐标集;在所述点云地图上,累加所述第二坐标集中的坐标。
在一些实施例中,所述滤除所述目标地图中所述安全界限外的点云数据的步骤中,包括:根据聚类阈值,对点云进行聚类处理,得到聚集点云;剔除孤立离群噪点,保留所述聚集点云的点云簇,用以确定障碍侵界风险。
在一些实施例中,基于车载设备的障碍物实时检测方法还包括:对所述点云簇进行体积估算和侵界深度测量,得到第一风险因素;对所述点云簇对应的图像进行分类,得到第二风险因素;根据所述第一风险因素和所述第二风险因素,确认风险等级。
第二方面,本申请提供一种基于车载设备的障碍物实时检测系统,所述障碍物实时检测系统包括:激光雷达,图像传感器、运算处理单元;所述激光雷达被配置为:获取轨道行进区域的激光点云数据;获取车辆的第一位置,所述第一位置为所述车辆的实时位置和姿态信息在所述点云地图中对应的位置坐标;所述图像传感器被配置为:获取轨道行进区域摄像头图像数据;其中,所述摄像头图像数据为多帧约束;所述运算处理单元被配置为:融合所述激光点云数据和所述摄像头图像数据,得到融合点云数据;根据所述融合点云数据,绘制点云地图;标记所述点云地图上的安全限界,所述安全限界为所述轨道行进区域中车辆安全行驶空间的轮廓;在所述点云地图上,标记所述第一位置,得到目标地图;滤除所述目标地图中所述安全界限外的点云数据。
在一些实施例中,所述获取车辆的第一位置,以及在所述点云地图上标记所述第一位置的步骤,所述运算处理单元进一步被配置为:获取所述车辆的实时位置和姿态信息对应的点云数据,记作第一数据;根据所述点云地图,将所述第一数据进行坐标变换,得到第一坐标集;在所述点云地图上,累加所述第一坐标集中的坐标。
在一些实施例中,所述获取所述车辆的实时位置和姿态信息对应的点云数据,记作第一数据;根据所述点云地图,将所述第一数据进行坐标变换,得到第一坐标集;在所述点云地图上,累加所述第一坐标集中的坐标的步骤;所述运算处理单元进一步被配置为:获取预设时间阈值内,所述车辆的实时位置和姿态信息对应的点云数据集合,根据所述点云地图,将所述点云数据集合进行坐标变换,得到第二坐标集;在所述点云地图上,累加所述第二坐标集中的坐标。
在一些实施例中,所述滤除所述目标地图中所述安全界限外的点云数据的步骤中,所述运算处理单元进一步被配置为:根据聚类阈值,对点云进行聚类处理,得到聚集点云;剔除孤立离群噪点,保留所述聚集点云的点云簇,用以确定障碍侵界风险。在一些实施例中,所述运算处理单元进一步被配置为:对所述点云簇进行体积估算和侵界深度测量,得到第一风险因素;对所述点云簇对应的图像进行分类,得到第二风险因素;根据所述第一风险因素和所述第二风险因素,确认风险等级。
由以上实施例可知,本申请通过将激光雷达的点云数据变换坐标系后实时在隧道地图坐标系下进行累加,实现高精度建图与定位,实现检测到的有碰撞风险的障碍物可以被高精度地投影在地图上,与安全行驶限界的相对位置关系准确度高,漏报和误报少。进一步,通过将预设时间阈值内的点云数据在地图中保留,作为点云累积,进而提高点云数据的空间密度,这样,可以不遗漏远距离物体与小物体这一类的障碍物。在无GPS信号且结构循环往复缺少特征的隧道内环境中实现基于车载设备的障碍物实时检测。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,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为本申请实施例提供的一种基于车载设备的障碍物实时检测系统的结构示意图;
图2为本申请实施例提供的一种基于车载设备的障碍物实时检测方法的流程示意图一;
图3为本申请实施例提供的一种基于车载设备的障碍物实时检测方法的流程示意图二。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行完整、清楚的描述。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
需要说明的是,本申请中对于术语的简要说明,仅是为了方便理解接下来描述的实施方式,而不是意图限定本申请的实施方式。除非另有说明,这些术语应当按照其普通和通常的含义理解。
本申请中说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等是用于区别类似或同类的对象或实体,而不必然意味着限定特定的顺序或先后次序,除非另外注明。应该理解这样使用的用语在适当情况下可以互换。
术语“包括”和“具有”以及他们的任何变形,意图在于覆盖但不排他的包含,例如,包含了一系列组件的产品或设备不必限于清楚地列出的所有组件,而是可包括没有清楚地列出的或对于这些产品或设备固有的其它组件。
图1为本申请实施例提供的一种基于车载设备的障碍物实时检测系统的结构示意图。如图1所示,本申请提供一种基于车载设备的障碍物实时检测系统,其特征在于,障碍物实时检测系统包括:激光雷达,图像传感器、运算处理单元。
图2为本申请实施例提供的一种基于车载设备的障碍物实时检测方法的流程示意图一。如图2所示,激光雷达获取轨道行进区域的激光点云数据;图像传感器获取轨道行进区域摄像头图像数据;其中,摄像头图像数据为多帧约束;融合激光点云数据和摄像头图像数据,得到融合点云数据;根据融合点云数据,绘制点云地图;标记点云地图上的安全限界,安全限界为轨道行进区域中车辆安全行驶空间的轮廓。示例性的,以地铁线为例,将装有基于车载设备的障碍物实时检测系统的设备设置在地铁车辆上,在其需要进行障碍物实时检测检测的线路上行驶一次,激光雷达和图像传感器拍摄沿途数据,数据包括激光点云数据和摄像头图像数据,通过ORB-SLAM3算法,其中即时定位与地图构建(simultaneouslocalization and mapping,SLAM),(包含但不限于此算法)制作点云地图。基于ORB-SLAM3进行的实现,但是在特征抽取部分,不是单纯依赖视觉特征点而是将预配准的激光雷达3D点云数据加入了特征识别,使得反解的相机位姿的结果更为精准,并且实现的3D点云加密使得隧道地图内部特征更加稠密。基于GB50157-2013的车辆安全限界要求,在地图上标记行驶安全限界范围空间轮廓。可以理解的是,同一个轨道行进区域,例如同一地铁线路,可以使用同一个点云地图,只需要在该轨道行驶的车辆上设置本申请提供的障碍物实时检测系统,并预先将标记好的点云地图保存在障碍物实时检测系统即可。
在进行实时检测的过程中,车辆上设置有本申请提供的障碍物实时检测系统,障碍物实时检测系统在发车处会进行初始化,从而得到当前设备在地图中的位置。初始化的方法包括但不限于地面、墙体上的二维码定位标记等手段。激光雷达获取车辆的第一位置,第一位置为车辆的实时位置和姿态信息在点云地图中对应的位置坐标;运算处理单元:在点云地图上,标记第一位置,得到目标地图;滤除目标地图中安全界限外的点云数据。根据初始化结果,开启采用ORB-SLAM3方法的定位算法模块,实时输出车辆在点云地图坐标系中位置与姿态信息。随着列车运行前进实时图像与点云会与ATLAS实时抽取的关键帧进行运算,实现实时定位。通过SLAM计算出每一顿的相机位姿、提取关键帧,并将激光雷达的稀疏深度图和RGB图组合起来,发送给S2D;接收上述稀疏数据,进行稠密深度预测;对稠密深度图进行优化;融合各帧的稠密深度图,重建稠密点云三维模型。
由以上实施例可知,本申请通过将激光雷达的点云数据变换坐标系后实时在隧道地图坐标系下进行累加,实现高精度建图与定位,实现检测到的有碰撞风险的障碍物可以被高精度地投影在地图上,与安全行驶限界的相对位置关系准确度高,漏报和误报少。本申请能够实现500mm以上的障碍物实时检测。本申请通过预先将标记好的点云地图保存在障碍物实时检测系统,在无GPS信号且结构循环往复缺少特征的隧道内环境中实现基于车载设备的障碍物实时检测。
在一些实施例中,在建立点云地图与ORB词典的同时,还要在地图中识别轨道中线,建立对轨道中线分段描述,并基于轨道中线描述建立对安全行驶限界的描述,用于后续侵界检测。
在一些实施例中,激光雷达获取轨道行进区域的激光点云数据;图像传感器获取轨道行进区域摄像头图像数据;其中,摄像头图像数据为多帧约束;运算处理单元:融合激光点云数据和摄像头图像数据,得到融合点云数据;根据融合点云数据,绘制点云地图;标记点云地图上的安全限界,安全限界为轨道行进区域中车辆安全行驶空间的轮廓;激光雷达获取获取车辆的实时位置和姿态信息对应的点云数据,记作第一数据;根据点云地图,将第一数据进行坐标变换,得到第一坐标集;在点云地图上,累加第一坐标集中的坐标;滤除目标地图中安全界限外的点云数据。
在某一实现方式中,获取车辆的实时位置和姿态信息对应的点云数据,记作第一数据;根据点云地图,将第一数据进行坐标变换,得到第一坐标集;在点云地图上,累加第一坐标集中的坐标的步骤;运算处理单元进一步被配置为:获取预设时间阈值内,车辆的实时位置和姿态信息对应的点云数据集合,根据点云地图,将点云数据集合进行坐标变换,得到第二坐标集;在点云地图上,累加第二坐标集中的坐标。通过将预设时间阈值内的点云数据在地图中保留,作为点云累积,进而提高点云数据的空间密度。优选地,预设时间阈值为4s,将相对于当前时刻为基准过去4秒的点云数据在地图中保留,作为点云累积,进而提实现点云密度大于40倍的增密叠加,这样可以不遗漏远距离物体与小物体这一类的障碍物。在一种情境中,对于60~80km/h的地铁车辆来说,预设时间阈值可设置为5s。
进一步,通过将预设时间阈值内的点云数据在地图中保留,作为点云累积,进而提高点云数据的空间密度,这样,可以不遗漏远距离物体与小物体这一类的障碍物。
如图1所示,本申请提供一种基于车载设备的障碍物实时检测系统,还包括:显示器、扬声器以及报警发送单元。通过显示器、扬声器等设备向车辆驾驶员进行图画和声音预警;向列车ATP系统发送报警信息。
图3为本申请实施例提供的一种基于车载设备的障碍物实时检测方法的流程示意图二。如图3所示,在一些实施例中,激光雷达:获取轨道行进区域的激光点云数据;获取车辆的第一位置,第一位置为车辆的实时位置和姿态信息在点云地图中对应的位置坐标;图像传感器:获取轨道行进区域摄像头图像数据;其中,摄像头图像数据为多帧约束;运算处理单元:融合激光点云数据和摄像头图像数据,得到融合点云数据;根据融合点云数据,绘制点云地图;标记点云地图上的安全限界,安全限界为轨道行进区域中车辆安全行驶空间的轮廓;在点云地图上,标记第一位置,得到目标地图;滤除目标地图中安全界限外的点云数据。滤除目标地图中安全界限外的点云数据的步骤中,运算处理单元进一步被配置为:根据聚类阈值,对点云进行聚类处理,得到聚集点云;剔除孤立离群噪点,保留聚集点云的点云簇,用以确定障碍侵界风险。运算处理单元进一步被配置为:对点云簇进行体积估算和侵界深度测量,得到第一风险因素;对点云簇对应的图像进行分类,得到第二风险因素;根据第一风险因素和第二风险因素,确认风险等级。
示例性的,首先对安全限界内的点云簇进行体积估算与侵界深度测量,作为第一风险因素;然后对点云簇位置对应的图像进行智能分类,识别闯入人员、遗落金属工具等风险类别作为第二风险因素;对风险因素进行等级评估,重度-紧急刹车,中度-降速行驶,轻度-驾驶员关注等几个等级。
在一些实施例中,本申请通过激光雷达建图得出点云地图,行驶过程中通过激光雷达获取的点云信息与建图信息,与既有地图进行比对,得到更加精准的定位系信息,通过定位信息划分出空间栅格用来检测当前实时点云是否在碰撞风险栅格内有分布,确认有风险则报警。
在某一实现方式中,通过深度学习网络,对异物的点云及图像信息进行分析,识别异物类型,进一步指导规避动作。
以上显示和描述了本发明的基本原理和主要特征和以及本发明的优点,对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当合,形成本领域技术人员可以理解的其他实施方式。
本发明提供的实施例之间的相似部分相互参见即可,以上提供的具体实施方式只是本发明总的构思下的几个示例,并不构成本发明保护范围的限定。对于本领域的技术人员而言,在不付出创造性劳动的前提下依据本发明方案所扩展出的任何其他实施方式都属于本发明的保护范围。
Claims (10)
1.一种基于车载设备的障碍物实时检测方法,其特征在于,包括:
获取轨道行进区域的激光点云数据和摄像头图像数据;其中,所述摄像头图像数据为多帧约束;
融合所述激光点云数据和所述摄像头图像数据,得到融合点云数据;
根据所述融合点云数据,绘制点云地图;
标记所述点云地图上的安全限界,所述安全限界为所述轨道行进区域中车辆安全行驶空间的轮廓;
获取车辆的第一位置,所述第一位置为所述车辆的实时位置和姿态信息在所述点云地图中对应的位置坐标;
在所述点云地图上,标记所述第一位置,得到目标地图;
滤除所述目标地图中所述安全界限外的点云数据。
2.根据权利要求1所述的基于车载设备的障碍物实时检测方法,其特征在于,所述获取车辆的第一位置,以及在所述点云地图上标记所述第一位置的步骤,包括:
获取所述车辆的实时位置和姿态信息对应的点云数据,记作第一数据;
根据所述点云地图,将所述第一数据进行坐标变换,得到第一坐标集;
在所述点云地图上,累加所述第一坐标集中的坐标。
3.根据权利要求2所述的基于车载设备的障碍物实时检测方法,其特征在于,所述获取所述车辆的实时位置和姿态信息对应的点云数据,记作第一数据;根据所述点云地图,将所述第一数据进行坐标变换,得到第一坐标集;在所述点云地图上,累加所述第一坐标集中的坐标的步骤;包括:
获取预设时间阈值内,所述车辆的实时位置和姿态信息对应的点云数据集合,
根据所述点云地图,将所述点云数据集合进行坐标变换,得到第二坐标集;
在所述点云地图上,累加所述第二坐标集中的坐标。
4.根据权利要求1所述的基于车载设备的障碍物实时检测方法,其特征在于,所述滤除所述目标地图中所述安全界限外的点云数据的步骤中,包括:
根据聚类阈值,对点云进行聚类处理,得到聚集点云;
剔除孤立离群噪点,保留所述聚集点云的点云簇,用以确定障碍侵界风险。
5.根据权利要求4所述的基于车载设备的障碍物实时检测方法,其特征在于,还包括:
对所述点云簇进行体积估算和侵界深度测量,得到第一风险因素;
对所述点云簇对应的图像进行分类,得到第二风险因素;
根据所述第一风险因素和所述第二风险因素,确认风险等级。
6.一种基于车载设备的障碍物实时检测系统,其特征在于,所述障碍物实时检测系统包括:激光雷达,图像传感器、运算处理单元;
所述激光雷达被配置为:获取轨道行进区域的激光点云数据;获取车辆的第一位置,所述第一位置为所述车辆的实时位置和姿态信息在所述点云地图中对应的位置坐标;
所述图像传感器被配置为:获取轨道行进区域摄像头图像数据;其中,所述摄像头图像数据为多帧约束;
所述运算处理单元被配置为:
融合所述激光点云数据和所述摄像头图像数据,得到融合点云数据;
根据所述融合点云数据,绘制点云地图;
标记所述点云地图上的安全限界,所述安全限界为所述轨道行进区域中车辆安全行驶空间的轮廓;
在所述点云地图上,标记所述第一位置,得到目标地图;
滤除所述目标地图中所述安全界限外的点云数据。
7.根据权利要求6所述的基于车载设备的障碍物实时检测系统,其特征在于,所述获取车辆的第一位置,以及在所述点云地图上标记所述第一位置的步骤,所述运算处理单元进一步被配置为:
获取所述车辆的实时位置和姿态信息对应的点云数据,记作第一数据;
根据所述点云地图,将所述第一数据进行坐标变换,得到第一坐标集;
在所述点云地图上,累加所述第一坐标集中的坐标。
8.根据权利要求7所述的基于车载设备的障碍物实时检测系统,其特征在于,所述获取所述车辆的实时位置和姿态信息对应的点云数据,记作第一数据;根据所述点云地图,将所述第一数据进行坐标变换,得到第一坐标集;在所述点云地图上,累加所述第一坐标集中的坐标的步骤;所述运算处理单元进一步被配置为:
获取预设时间阈值内,所述车辆的实时位置和姿态信息对应的点云数据集合,
根据所述点云地图,将所述点云数据集合进行坐标变换,得到第二坐标集;
在所述点云地图上,累加所述第二坐标集中的坐标。
9.根据权利要求6所述的基于车载设备的障碍物实时检测系统,其特征在于,所述滤除所述目标地图中所述安全界限外的点云数据的步骤中,所述运算处理单元进一步被配置为:
根据聚类阈值,对点云进行聚类处理,得到聚集点云;
剔除孤立离群噪点,保留所述聚集点云的点云簇,用以确定障碍侵界风险。
10.根据权利要求9所述的基于车载设备的障碍物实时检测系统,其特征在于,所述运算处理单元进一步被配置为:
对所述点云簇进行体积估算和侵界深度测量,得到第一风险因素;
对所述点云簇对应的图像进行分类,得到第二风险因素;
根据所述第一风险因素和所述第二风险因素,确认风险等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111618616.1A CN114241447A (zh) | 2021-12-27 | 2021-12-27 | 一种基于车载设备的障碍物实时检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111618616.1A CN114241447A (zh) | 2021-12-27 | 2021-12-27 | 一种基于车载设备的障碍物实时检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114241447A true CN114241447A (zh) | 2022-03-25 |
Family
ID=80763710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111618616.1A Pending CN114241447A (zh) | 2021-12-27 | 2021-12-27 | 一种基于车载设备的障碍物实时检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114241447A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115598656A (zh) * | 2022-12-14 | 2023-01-13 | 成都运达科技股份有限公司(Cn) | 基于悬挂轨道的障碍物检测方法、装置及系统 |
-
2021
- 2021-12-27 CN CN202111618616.1A patent/CN114241447A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115598656A (zh) * | 2022-12-14 | 2023-01-13 | 成都运达科技股份有限公司(Cn) | 基于悬挂轨道的障碍物检测方法、装置及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP1361543B1 (en) | Determining object motion from optical flow analysis | |
CN111198371A (zh) | 前视障碍物检测系统 | |
CN112132896B (zh) | 一种轨旁设备状态检测方法及系统 | |
CN107563256A (zh) | 辅助驾驶信息产生方法及装置、辅助驾驶系统 | |
Pantilie et al. | Real-time obstacle detection in complex scenarios using dense stereo vision and optical flow | |
US11403947B2 (en) | Systems and methods for identifying available parking spaces using connected vehicles | |
CN105300403A (zh) | 一种基于双目视觉的车辆里程计算法 | |
KR20210052031A (ko) | 딥러닝 기반 교통 흐름 분석 방법 및 시스템 | |
CN108364476B (zh) | 获取车联网信息方法及其装置 | |
JP6815963B2 (ja) | 車両用外界認識装置 | |
CN114241447A (zh) | 一种基于车载设备的障碍物实时检测方法 | |
Kim et al. | Pseudoreal-time activity detection for railroad grade-crossing safety | |
US20240034372A1 (en) | Optical railway detection | |
CN115457486A (zh) | 基于二阶段的卡车检测方法、电子设备及存储介质 | |
CN116635919A (zh) | 物体跟踪装置以及物体跟踪方法 | |
Bota et al. | A framework for object detection, tracking and classification in urban traffic scenarios using stereovision | |
CN202885814U (zh) | 基于单目视觉的复杂道路环境下障碍实时检测装置 | |
Krajewski et al. | Drone-based Generation of Sensor Reference and Training Data for Highly Automated Vehicles | |
CN115879294B (zh) | 一种基于多车环境感知的全样车流轨迹生成方法及系统 | |
JP2019152976A (ja) | 画像認識制御装置、画像認識制御プログラム | |
US20230252675A1 (en) | Mobile object control device, mobile object control method, learning device, learning method, and storage medium | |
Lu et al. | Rail Track Area Environment Perception Based on Rader Target Gird | |
Lu | Visual Sensing for Comprehensive Granular Traffic Data Collection in Support of Intelligent Transportation Applications | |
Fukiya et al. | Detection of micro-mobility vehicle with thin frame by human-vehicle integrated deep-learning model | |
WO2020073272A1 (en) | Snapshot image to train an event detector |
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 |