CN114549764A - 基于无人车的障碍物识别方法、装置、设备及存储介质 - Google Patents

Abstract

本申请公开了一种基于无人车的障碍物识别方法、装置、设备及存储介质，其中该方法包括：对无人车的车体区域进行三维栅格化，获得初始车体栅格；获取无人车的第一点云数据；将第一点云数据与所述初始车体栅格进行匹配，以确定落入初始车体栅格的目标点云数据；基于目标点云数据对所述初始车体栅格进行优化，生成目标车体栅格；获取所述无人车的第二点云数据；将所述第二点云数据与所述目标车体栅格进行匹配，以确定落入目标车体栅格的车体点云数据，以及，在所述目标车体栅格以外的车外点云数据；将所述车外点云数据作为障碍物点云数据。可以提升车体点云数据和车外点云数据的分离准确性、高效性、稳定性，进而提升障碍物识别的精度。

Description

基于无人车的障碍物识别方法、装置、设备及存储介质

技术领域

本申请涉及自动驾驶技术领域，尤其涉及一种基于无人车的障碍物识别方法、一种基于无人车的障碍物识别装置、一种电子设备、一种计算机可读存储介质以及一种计算机程序产品。

背景技术

随着信息技术的发展，无人驾驶技术在人工智能和汽车行业的飞速发展下日渐成熟。低速无人驾驶作为无人驾驶技术的一个细分方向，主要应用于园区或者半封闭的园区，由于速度低、成本低、安全性高、技术成熟，相对而言更容易落地。目前围绕低速无人驾驶场景的产品主要有无人驾驶清扫车、无人驾驶物流配送车、无人驾驶巡逻车等。

无人车能够通过传感器感知环境和本身状态并实现避障，以便于实现自动驾驶。激光雷达是无人车上广泛应用的一种传感器。通过激光雷达可获得周围环境的3D点云数据。在相关技术中，无人车为检测障碍物，需要做点云前处理，包括对点云数据进行去地面、去车身、分离地面以下、分离地面以上等分割步骤。

在分割车身部分的点云时，相关技术中采用如下两种方法去除车身部分的点云：

方法一，利用车身构建立体几何多边形区域、来去除车身部分点云的方法。但在车身几何形状不规则时，过滤点云存在多分割、少分割、误分割等问题。

方法二，利用三维栅格占用化的分割方法，但在激光雷达反光、拖尾、吸点等情况时，点云落在车体内部。而由于过滤车身部分的点云时的上述现象未发生，导致检测障碍物出现误检的问题。

发明内容

本申请提供一种基于无人车的障碍物识别方法、装置、设备及存储介质，以解决现有技术中分割车身部分的点云时出现的点云分割不准确、障碍物误检等问题。

第一方面，本申请实施例提供了一种基于无人车的障碍物识别方法，所述方法包括：

对无人车的车体区域进行三维栅格化，获得初始车体栅格；

获取所述无人车的第一点云数据；

将所述第一点云数据与所述初始车体栅格进行匹配，以确定落入所述初始车体栅格的目标点云数据；

基于所述目标点云数据对所述初始车体栅格进行优化，生成目标车体栅格；

获取所述无人车的第二点云数据；

将所述第二点云数据与所述目标车体栅格进行匹配，以确定落入所述目标车体栅格的车体点云数据，以及，在所述目标车体栅格以外的车外点云数据；

将所述车外点云数据作为障碍物点云数据。

第二方面，本申请实施例还提供了一种基于无人车的障碍物识别装置，所述装置包括：

初始车体栅格生成模块，用于对无人车的车体区域进行三维栅格化，获得初始车体栅格；

第一点云数据获取模块，用于获取所述无人车的第一点云数据；

目标点云数据确定模块，用于将所述第一点云数据与所述初始车体栅格进行匹配，以确定落入所述初始车体栅格的目标点云数据；

优化模块，用于基于所述目标点云数据对所述初始车体栅格进行优化，生成目标车体栅格；

第二点云数据获取模块，用于获取所述无人车的第二点云数据；

点云分割模块，用于将所述第二点云数据与所述目标车体栅格进行匹配，以确定落入所述目标车体栅格的车体点云数据，以及，在所述目标车体栅格以外的车外点云数据；

障碍物点云确定模块，用于将所述车外点云数据作为障碍物点云数据。

第三方面，本申请实施例还提供了一种电子设备，所述电子设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述第一方面的方法。

第四方面，本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一方面的方法。

本申请所提供的技术方案，具有如下有益效果：

在本实施例中，对无人车的几何车体区域进行三维栅格化获得初始车体栅格，结合无人车的点云数据，来对初始车体栅格进行优化调整，以使得新得到的目标车体栅格更准确地表述无人车的表面，从而采用目标车体栅格来对无人车的点云数据进行分离，可以得到较为准确的分离结果，提升车体点云数据和车外点云数据的分离准确性、高效性、稳定性，进而提升障碍物识别的精度。

附图说明

图1是本申请实施例一提供的一种基于无人车的障碍物识别方法实施例的流程图；

图2是本申请实施例一提供的一种第一点云数据与初始车体栅格匹配的示意图；

图3是本申请实施例一提供的一种目标点云数据集合示意图；

图4是本申请实施例一提供的一种对初始车体栅格进行填充后得到目标车体栅格的示意图；

图5是本申请实施例二提供的一种基于无人车的障碍物识别装置实施例的结构框图；

图6是本申请实施例三提供的一种电子设备的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。

实施例一

图1为本申请实施例一提供的一种基于无人车的障碍物识别方法实施例的流程图，本实施例可以应用于低速无人车的车身点云分割的场景。本实施例可以由无人车执行，例如由无人车的控制器执行。或者，本实施例还可以由服务器执行，服务器检测出障碍物后可以将障碍物的点云数据发送给无人车，以指导无人车进行避障处理。本实施例对执行主体不作限定。

如图1所示，本实施例可以包括如下步骤：

步骤110，对无人车的车体区域进行三维栅格化，获得初始车体栅格。

其中，三维栅格化的过程是将无人车的车体区域构建成立体的初始车体栅格的过程。示例性地，该三维栅格化进一步可以为三维立方体栅格化，则该初始车体栅格可以由多个栅格单元组成，其中，每个栅格单元可以为立方体栅格，每个栅格单元的边长是相等的。在一种实施例中，为了便于后续与点云数据的匹配，每个栅格单元的边长可以取值为小于预设的激光测距精度值。

在一种实施例中，步骤110进一步可以包括如下步骤：

步骤110-1，确定无人车的车体区域的尺寸。

在一种实现中，无人车会有默认的车体区域的尺寸，该尺寸可以记录在针对无人车预先配置的相关的配置数据中。因此可以从无人车的配置数据中读取其车体区域的尺寸。示例性地，该车体区域的尺寸可以包括：车体长度、车体宽度和车体高度。

具体的，在无人车的配置数据中，会包含其车体区域的尺寸，通过读取配置数据，可以从配置数据中查找车体区域的尺寸。例如，车体区域的尺寸可以表示为：L*W*H，其中，L为车体长度，W为车体宽度，H为车体高度。

在其他实施例中，还可以获取图像传感器采集的该无人车的图像，然后从该图像中识别出车体区域，并测量该车体区域的长、宽、高的长度，得到车体区域的尺寸。

步骤110-2，构建三维坐标系，并根据所述车体区域的尺寸在所述三维坐标系中构建所述车体区域的空间区域。

在一种实现中，可以将车体区域中的后轮轴中心点位置作为原点构建三维坐标系。其中，该车体区域中的后轮轴中心点位置也可以从配置数据中获取。

在其他实施例中，还可以从包含无人车的图像中识别出车体区域中的后轮轴中心点位置，本实施例对此不作限定。

其中，该三维坐标系可以为右手坐标系。

当构建三维坐标系以后，则可以在该三维坐标系中构建车体区域的空间区域，该空间区域可以用来表述无人车的几何区域。在一种实施例中，上述根据车体区域的尺寸在三维坐标系中构建所述车体区域的空间区域，进一步可以包括如下步骤：

步骤110-2-1，根据所述车体长度，在所述三维坐标系的x轴中确定与所述车体长度对应的长度最大位置以及长度最小位置。

在实现时，可以预先设定x轴上的长度最小位置，该长度最小位置可以为原点所在的位置，或者是距离原点一定长度的位置，本实施例对此不作限定。

当确定长度最小位置以后，则可以以该长度最小位置作为起点，该车体长度作为长度确定车体长度线段，然后将该车体长度线段的终点作为参考点，然后将该参考点后预设距离的位置作为长度最大位置。这样，由长度最小位置与长度最大位置确定的线段的长度会稍大于车体长度。

步骤110-2-2，根据所述车体宽度，在所述三维坐标系的y轴中确定与所述车体宽度对应的宽度最大位置以及宽度最小位置。

在实现时，可以预先设定y轴上的宽度最小位置，该宽度最小位置可以为原点所在的位置，或者是距离原点一定长度的位置，本实施例对此不作限定。

当确定宽度最小位置以后，则可以以该宽度最小位置作为起点，该车体宽度作为长度确定车体宽度线段，然后将该车体宽度线段的终点作为参考点，然后将该参考点后预设距离的位置作为宽度最大位置。这样，由宽度最小位置与宽度最大位置确定的线段的长度会稍大于车体宽度。

步骤110-2-3，根据所述车体高度，在所述三维坐标系的z轴中确定与所述车体高度对应的高度最大位置以及高度最小位置。

在实现时，可以预先设定z轴上的高度最小位置，该高度最小位置可以为原点所在的位置，或者是距离原点一定长度的位置，本实施例对此不作限定。

当确定高度最小位置以后，则可以以该高度最小位置作为起点，该车体高度作为长度确定车体高度线段，然后将该车体高度线段的终点作为参考点，然后将该参考点后预设距离的位置作为高度最大位置。这样，由高度最小位置与高度最大位置确定的线段的长度会稍大于车体高度。

步骤110-2-4，根据所述长度最大位置、所述长度最小位置、所述宽度最大位置、所述宽度最小位置、所述高度最大位置以及所述高度最小位置，构建车体区域的空间区域。

具体的，当确定三维坐标系中各个方向的最大位置和最小位置以后，则可以依据各个方向的最大位置和最小位置，构建车体区域的几何体区域，即空间区域。

步骤110-3，对所述空间区域进行栅格化处理，生成初始车体栅格。

其中，对空间区域栅格化后得到的初始车体栅格包括多个立方体栅格单元，每个栅格单元的边长是相等的，各栅格单元的边长小于预设的激光测距精度值。

步骤120，获取所述无人车的第一点云数据。

具体的，点云数据是指在一个三维坐标系中的一组向量的集合。这些向量通常以x、y、z三维坐标的形式表示，用来代表一个物体的外表面形状。在一种实施例中，该点云数据可以为激光雷达点云数据，由激光雷达对无人车进行扫描后得到的点云数据。因此，可以从激光雷达中获取无人车的点云数据。为了与后续的点云数据进行区分，此处将点云数据记作第一点云数据。

步骤130，将所述第一点云数据与所述初始车体栅格进行匹配，以确定落入所述初始车体栅格的目标点云数据。

在该步骤中，可以将第一点云数据匹配到初始车体栅格所在的三维坐标系中，然后判断各个第一点云数据所在的位置是否被栅格单元占用。如果某个第一点云数据所在的位置被栅格单元占用，则判定该第一点云数据为落入初始车体栅格的目标点云数据。否则，如果某个第一点云数据所在的位置没有被栅格单元占用，则判定该第一点云数据不为目标点云数据。其中落入初始车体栅格中包含落入初始车体栅格表面或者内部。

例如，如图2的第一点云数据与初始车体栅格匹配的示意图所示，其中，A框为初始车体栅格的俯视平面图，除了A框以外的部分为无人车的第一点云数据。将无人车的第一点云数据与初始车体栅格进行匹配，确定落入初始车体栅格A框内的第一点云数据为目标点云数据，该目标点云数据如图3所示。

步骤140，基于所述目标点云数据对所述初始车体栅格进行优化，生成目标车体栅格。

为了较为精准地分离出车身点云(即车体点云)与车身以外的点云，提升障碍物识别的准确率。本步骤在确定落入初始车体栅格的目标点云数据以后，则可以通过目标点云数据对初始车体栅格进行优化调整，得到目标车体栅格。目标车体栅格相比于原来的初始车体栅格，能够更精准地表达无人车的表面。

在一种实施例中，步骤140进一步可以包括如下步骤：

步骤140-1，分别将各所述目标点云数据向z轴投影，得到对应的投影线。

步骤140-2，分别对各所述投影线沿z轴平移至所述z轴的高度最小位置，并对各所述投影线在平移时产生的平面进行栅格填充，得到目标车体栅格。

具体的，假设目标点云数据组成的点云集合记为P1，对于P1中任一目标点云数据，将其向z轴投影，假设投影线记为a。然后对a沿z轴平移至z轴的高度最小位置Zmin，接着对平移线a平移过程中所覆盖的平面全部进行栅格填充。其中，栅格填充是指采用设定大小的栅格单元对上述产生的平面进行填充。

当P1中所有目标点云数据都处理完成以后，生成的目标车体栅格可以如图4所示。

需要说明的是，上述实施例是以z轴为基准进行投影和平移的，在实际处理中，还可以以x轴或者y轴进行投影和平移，投影和平移以及后续的栅格填充原理与z轴相似。本实施例对此不作限定。

通过投影和平移等方式对平移产生的平面进行栅格填充，能够扩大填充区域，进而得到更为准确的车体栅格。

步骤150，获取所述无人车的第二点云数据。

步骤160，将所述第二点云数据与所述目标车体栅格进行匹配，以确定落入所述目标车体栅格的车体点云数据，以及，在所述目标车体栅格以外的车外点云数据。

当得到目标车体栅格以后，则可以实时获取无人车的点云数据，记作第二点云数据。然后将第二点云数据与目标车体栅格在同一个三维坐标系中进行匹配，从而确定落入目标车体栅格的点云数据，作为车体点云数据。以及，确定在目标车体栅格以外的点云数据，作为车外点云数据。

在一种实现中，上述的匹配过程可以包括：判断各第二点云数据所在的位置是否有栅格单元占用；若是，则判定该第二点云数据为落入目标车体栅格的车体点云数据；若否，则判定该第二点云数据为在目标车体栅格以外的车外点云数据。

步骤170，将所述车外点云数据作为障碍物点云数据。

当分离出车体点云数据以及车外点云数据以后，则可以过滤掉车体点云数据，将车外点云数据作为障碍物点云数据。该障碍物点云数据用于指导无人车进行避障处理。

在本实施例中，对无人车的几何车体区域进行三维栅格化获得初始车体栅格，结合无人车的点云数据，来对初始车体栅格进行填充调整，以使得新得到的目标车体栅格更准确地表述无人车的表面，从而采用目标车体栅格来对无人车的点云数据进行分离，可以得到较为准确的分离结果，提升车体点云数据和车外点云数据的分离准确性、高效性、稳定性，进而提升障碍物识别的精度。

实施例二

图5为本申请实施例二提供的一种基于无人车的障碍物识别装置实施例的结构框图，可以包括如下模块：

初始车体栅格生成模块510，用于对无人车的车体区域进行三维栅格化，获得初始车体栅格；

第一点云数据获取模块520，用于获取所述无人车的第一点云数据；

目标点云数据确定模块530，用于将所述第一点云数据与所述初始车体栅格进行匹配，以确定落入所述初始车体栅格的目标点云数据；

优化模块540，用于基于所述目标点云数据对所述初始车体栅格进行优化，生成目标车体栅格；

第二点云数据获取模块550，用于获取所述无人车的第二点云数据；

点云分割模块560，用于将所述第二点云数据与所述目标车体栅格进行匹配，以确定落入所述目标车体栅格的车体点云数据，以及，在所述目标车体栅格以外的车外点云数据；

障碍物点云确定模块570，用于将所述车外点云数据作为障碍物点云数据。

在一种实施例中，所述初始车体栅格生成模块510进一步可以包括如下子模块：

车体尺寸确定子模块，用于确定无人车的车体区域的尺寸；

空间区域构建子模块，用于构建三维坐标系，并根据所述车体区域的尺寸在所述三维坐标系中构建所述车体区域的空间区域；

栅格化处理子模块，用于对所述空间区域进行栅格化处理，生成初始车体栅格，其中，所述初始车体栅格包括多个立方体栅格单元，每个栅格单元的边长是相等的，所述边长小于预设的激光测距精度值。

在一种实施例中，所述车体尺寸确定子模块具体用于：

从配置数据中读取所述车体区域的尺寸，其中，所述配置数据为针对所述无人车预先配置的数据。

在一种实施例中，所述空间区域构建子模块具体用于：

获取所述车体区域中的后轮轴中心点位置；

将所述后轮轴中心点位置作为原点构建三维坐标系。

在一种实施例中，所述车体区域的尺寸包括：车体长度、车体宽度和车体高度；

所述空间区域构建子模块还用于：

根据所述车体长度，在所述三维坐标系的x轴中确定与所述车体长度对应的长度最大位置以及长度最小位置；

根据所述车体宽度，在所述三维坐标系的y轴中确定与所述车体宽度对应的宽度最大位置以及宽度最小位置；

根据所述车体高度，在所述三维坐标系的z轴中确定与所述车体高度对应的高度最大位置以及高度最小位置；

根据所述长度最大位置、所述长度最小位置、所述宽度最大位置、所述宽度最小位置、所述高度最大位置以及所述高度最小位置，构建车体区域的空间区域。

在一种实施例中，所述优化模块540具体用于：

分别将各所述目标点云数据向z轴投影，得到对应的投影线；

分别对各所述投影线沿z轴平移至所述z轴的高度最小位置，并对各所述投影线在平移时产生的平面进行栅格填充，得到目标车体栅格。

在一种实施例中，点云分割模块560具体用于：

判断各第二点云数据所在的位置是否有栅格单元占用；

若是，则判定所述第二点云数据为落入所述目标车体栅格的车体点云数据；

若否，则判定所述第二点云数据为在所述目标车体栅格以外的车外点云数据。

本申请实施例所提供的一种基于无人车的障碍物识别装置可执行本申请实施例一中的一种基于无人车的障碍物识别方法，具备执行方法相应的功能模块和有益效果。

实施例三

图6为本申请实施例三提供的一种电子设备的结构示意图，如图6所示，该电子设备包括处理器610、存储器620、输入装置630和输出装置640；电子设备中处理器610的数量可以是一个或多个，图6中以一个处理器610为例；电子设备中的处理器610、存储器620、输入装置630和输出装置640可以通过总线或其他方式连接，图6中以通过总线连接为例。

存储器620作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本申请实施例中的上述实施例一对应的程序指令/模块。处理器610通过运行存储在存储器620中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述的方法实施例一中提到的方法。

存储器620可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器620可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器620可进一步包括相对于处理器610远程设置的存储器，这些远程存储器可以通过网络连接至设备/终端/服务器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置630可用于接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置640可包括显示屏等显示设备。

实施例四

本申请实施例四还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行上述方法实施例一的方法。

当然，本申请实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本申请任意实施例所提供的方法中的相关操作。

实施例五

本申请实施例五还提供一种计算机程序产品，该计算机程序产品包括计算机可执行指令，所述计算机可执行指令在由计算机处理器执行时用于执行上述方法实施例一的方法。

当然，本申请实施例所提供的一种计算机程序产品，其计算机可执行指令不限于如上所述的方法操作，还可以执行本申请任意实施例所提供的方法中的相关操作。

通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本申请可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的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，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台电子设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。

值得注意的是，上述装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。

注意，上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解，本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由所附的权利要求范围决定。

Claims (10)

1.一种基于无人车的障碍物识别方法，其特征在于，所述方法包括：

对无人车的车体区域进行三维栅格化，获得初始车体栅格；

获取所述无人车的第一点云数据；

将所述第一点云数据与所述初始车体栅格进行匹配，以确定落入所述初始车体栅格的目标点云数据；

基于所述目标点云数据对所述初始车体栅格进行优化，生成目标车体栅格；

获取所述无人车的第二点云数据；

将所述第二点云数据与所述目标车体栅格进行匹配，以确定落入所述目标车体栅格的车体点云数据，以及，在所述目标车体栅格以外的车外点云数据；

将所述车外点云数据作为障碍物点云数据。

2.根据权利要求1所述的方法，其特征在于，所述对无人车的车体区域进行三维栅格化，获得初始车体栅格，包括：

确定无人车的车体区域的尺寸；

构建三维坐标系，并根据所述车体区域的尺寸在所述三维坐标系中构建所述车体区域的空间区域；

对所述空间区域进行栅格化处理，生成初始车体栅格，其中，所述初始车体栅格包括多个立方体栅格单元，每个栅格单元的边长是相等的，所述边长小于预设的激光测距精度值。

3.根据权利要求2所述的方法，其特征在于，所述确定无人车的车体区域的尺寸，包括：

从配置数据中读取所述车体区域的尺寸，其中，所述配置数据为针对所述无人车预先配置的数据。

4.根据权利要求2所述的方法，其特征在于，所述构建三维坐标系，包括：

获取所述车体区域中的后轮轴中心点位置；

将所述后轮轴中心点位置作为原点构建三维坐标系。

5.根据权利要求2或3或4所述的方法，其特征在于，所述车体区域的尺寸包括：车体长度、车体宽度和车体高度；

所述根据所述车体区域的尺寸在所述三维坐标系中构建所述车体区域的空间区域，包括：

根据所述车体长度，在所述三维坐标系的x轴中确定与所述车体长度对应的长度最大位置以及长度最小位置；

根据所述车体宽度，在所述三维坐标系的y轴中确定与所述车体宽度对应的宽度最大位置以及宽度最小位置；

根据所述车体高度，在所述三维坐标系的z轴中确定与所述车体高度对应的高度最大位置以及高度最小位置；

根据所述长度最大位置、所述长度最小位置、所述宽度最大位置、所述宽度最小位置、所述高度最大位置以及所述高度最小位置，构建车体区域的空间区域。

6.根据权利要求5所述的方法，其特征在于，所述基于所述目标点云数据对所述初始车体栅格进行优化，生成目标车体栅格，包括：

分别将各所述目标点云数据向z轴投影，得到对应的投影线；

分别对各所述投影线沿z轴平移至所述z轴的高度最小位置，并对各所述投影线在平移时产生的平面进行栅格填充，得到目标车体栅格。

7.根据权利要求1-4任一项所述的方法，其特征在于，所述将所述第二点云数据与所述目标车体栅格进行匹配，以确定落入所述目标车体栅格的车体点云数据，以及，在所述目标车体栅格以外的车外点云数据，包括：

判断各第二点云数据所在的位置是否有栅格单元占用；

若是，则判定所述第二点云数据为落入所述目标车体栅格的车体点云数据；

若否，则判定所述第二点云数据为在所述目标车体栅格以外的车外点云数据。

8.一种基于无人车的障碍物识别装置，其特征在于，所述装置包括：

初始车体栅格生成模块，用于对无人车的车体区域进行三维栅格化，获得初始车体栅格；

第一点云数据获取模块，用于获取所述无人车的第一点云数据；

目标点云数据确定模块，用于将所述第一点云数据与所述初始车体栅格进行匹配，以确定落入所述初始车体栅格的目标点云数据；

优化模块，用于基于所述目标点云数据对所述初始车体栅格进行优化，生成目标车体栅格；

第二点云数据获取模块，用于获取所述无人车的第二点云数据；

点云分割模块，用于将所述第二点云数据与所述目标车体栅格进行匹配，以确定落入所述目标车体栅格的车体点云数据，以及，在所述目标车体栅格以外的车外点云数据；

障碍物点云确定模块，用于将所述车外点云数据作为障碍物点云数据。

9.一种电子设备，其特征在于，所述电子设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7任一项所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的方法。

Images