CN114706070A - 一种基于4d毫米波雷达的自动泊车车位搜索方法和系统 - Google Patents
一种基于4d毫米波雷达的自动泊车车位搜索方法和系统 Download PDFInfo
- Publication number
- CN114706070A CN114706070A CN202210162635.6A CN202210162635A CN114706070A CN 114706070 A CN114706070 A CN 114706070A CN 202210162635 A CN202210162635 A CN 202210162635A CN 114706070 A CN114706070 A CN 114706070A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- radar
- point cloud
- millimeter wave
- wave radar
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000008447 perception Effects 0.000 claims abstract description 3
- 238000001914 filtration Methods 0.000 claims description 27
- 238000006073 displacement reaction Methods 0.000 claims description 17
- 238000001514 detection method Methods 0.000 claims description 10
- 230000007613 environmental effect Effects 0.000 claims description 8
- 238000009825 accumulation Methods 0.000 claims description 4
- 230000001360 synchronised effect Effects 0.000 claims description 4
- 238000013398 bayesian method Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 235000015243 ice cream Nutrition 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/06—Automatic manoeuvring for parking
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
-
- 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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Electromagnetism (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Networks & Wireless Communication (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于4D毫米波雷达的自动泊车车位搜索方法和系统,根据车载的4D毫米波雷达对自动泊车场景进行环境感知,主控制器通过接收毫米波雷达的4D点云数据,通过点云数据对环境的物体进行成像,本发明不仅借助了4D毫米波雷达的点云模式来实现四个维度的环境感知,还将4D毫米波雷达与车辆自身的轮速脉冲数据、车辆的方向盘转角信息、车速信息进行同步关联,也就是将4D毫米波雷达与实际的车辆位移信息相配合,从而形成与车速相适应的环境测绘,更加适应实际的泊车情况,减少了因车辆自身运动所导致的误检情况。
Description
技术领域
本发明涉及雷达点云目标识别的技术领域,更具体地说,是涉及一种基于4D毫米波雷达的自动泊车车位搜索方法和系统。
背景技术
在自动泊车系统中,车位搜索系统是自动驾驶车辆通过搭载的车用传感器对周围环境进行感知,主控制根据传感器回传的数据对环境空间的物体位置进行判断,根据物体间的空间位置,输出空车位的在实际场景中的位置信息。主控制器根据车位搜索的信息,进行泊车的路径规划,并实现车辆的自动泊入。车位搜索是自动泊车过程中的第一道工序,而且车位搜索输出的位置精度直接影响到后续路径规划以及车辆泊入的结果。
而市场中的泊车系统,通常采用超声波雷达的测距数据进行车位搜索。但是超声波雷达的数据无法获取方向信息,且每次传感器接收的数据量较少,通常需要在车辆上安装多个超声波传感器同时工作,以及在车速方面具有局限性,针对路沿以及灌木丛等,识别效果较差,易出现车位漏检问题。
发明内容
本发明的目的之一是针对现有的问题,提供一种基于4D毫米波雷达的自动泊车车位搜索方法,利用4D毫米波雷达对自动泊车场景进行环境感知,并将4D毫米波雷达与车辆自身的轮速脉冲数据、车辆的方向盘转角信息、车速信息进行同步关联,以提升测距精度。
本发明所要达到的技术效果通过以下技术方案来实现:
一种基于4D毫米波雷达的自动泊车车位搜索方法,步骤分为:
S1、使用滤波算法滤除雷达点云数据的地杂波和噪声点;
S2、使用DBSCAN算法对雷达点云数据进行点云聚类,表征出真实场景中的实际物体的大致形状;
S3、根据聚类结果对每类的物体采用最小外接矩形进行标记;
S4、对每个矩形框中的物体边缘进行拟合,得出物体的长度和宽度;
S5、在检测区域范围内,以检测到的环境物体的位置位作为参考,计算物体之间闲置空间范围,结合本车的车身尺寸大小,判断是否构成一个空车位的条件。
优选地,在进行车位搜索之前,需要获取雷达点云数据和车身数据,并将雷达点云数据和车身数据实时同步。
优选地,获取雷达点云数据和车身数据的具体方法为:
(1)4D毫米波雷达对环境实时发出电磁波信号,并根据环境感知的情况,通过车辆的主控制器接收毫米波雷达返回的雷达点云数据;
(2)利用车辆的非驱动轮的轮速计实时记录轮速脉冲数;
(3)利用车身的CAN总线返回轮速脉冲数据以及车辆的方向盘转角信息、车速信息;
(4)根据CAN总线实时接收的轮速脉冲数、方向盘转角以及车速信息,实时计算出车辆实时行驶的位移信息。
优选地,将雷达点云数据和车身数据实时同步的具体方法为:
(1)对毫米波雷达与车辆行驶的位移分别配置时间戳,根据时间戳信息,将毫米波雷达的每帧点云数据与车辆的行驶位移数据进行同步关联;
(2)数据同步关联后,将每个雷达点所携带的空间物体的位置信息,由基于雷达的球面坐标系转换成笛卡尔坐标系,并根据关联的车辆行驶位移数据,将雷达点的直角坐标信息转换到当前的车辆坐标系下。
优选地,使用滤波算法滤除雷达点云数据的地杂波、噪声点的具体方法为:
S1-1、针对毫米波雷达地杂波的特性,设定毫米波雷达点的RCS的阈值为T1,径向距离的阈值为T2以及高度阈值为T3,当雷达点的三个分量均在阈值以内,则判定该雷达点为地杂波并将该地杂波剔除掉;
S1-2、采用贝叶斯方法对雷达点云数据进行滤波,通过计算每个雷达点的置信度信息,置信度越高代表该区域的存在概率越高,雷达点信息越有效;置信度越低代表该区域的存在概率越低,极有可能是噪声点;以此标准将噪声点删除掉。
优选地,使用DBSCAN算法对雷达点云数据进行点云聚类的具体方法为:
S2-1、通过对点云滤波处理后的数据进行多帧数据累计;
S2-2、根据多帧数据的累计情况,采用DBSCAN聚类算法对点云进行聚类;
S2-3、将毫米波雷达对周围环境的感知情况进行区域划分,表征出真实场景中的实际物体的大致形状。
优选地,在步骤S3中,根据实时车速设定DBSCAN的邻域参数(ε,MinPts)。
除此之外,本发明的第二个目的在于,提供一种基于4D毫米波雷达的自动泊车车位搜索系统,所述系统包括:
接收模块,用于接收泊车搜车位请求;
点云数据获取模块,用于获取接收到所述泊车搜车位请求时周围环境的点云数据集,所述点云数据集由4D毫米波雷达监测采集得到;
车身数据获取模块,用于获取车辆的轮速脉冲数、方向盘转角以及车速信息,以此计算出车辆的实时位移信息;
数据同步模块,用于将雷达点的直角坐标信息转换到当前的车辆坐标系下;
滤波模块,采用半径滤波将毫米波雷达的地杂波剔除,并采用贝叶斯方法将毫米波雷达的噪声点删除;
聚类模块,采用DBSCAN聚类算法对点云进行聚类,将毫米波雷达对周围环境的感知情况进行区域划分,表征出真实场景中的实际物体的大致形状;
边缘拟合模块,用于对每个矩形框中的物体边缘进行拟合,得出物体的长度和宽度;
车位判断模块,用于在检测区域范围内,以检测到的环境物体的位置位参考,计算物体之间闲置空间范围,结合本车的尺寸大小,判断是否构成一个空车位的条件;
坐标储存模块,用于保存车位类型以及车位坐标,传输至车辆的主控制器。
优选地,所述毫米波雷达通过CAN总线与车辆的主控制器进行电性连接。
优选地,所述毫米波雷达为77GHz的角雷达。
与现有技术相比,本发明的有益效果:
与超声波雷达的车位搜索相比,毫米波雷达的车位搜索检测范围更大,测距精度高,车速范围更大,并携带物体的三维信息以及方向信息,误检率更低。
在本发明技术方案中,车辆根据车载的4D毫米波雷达对自动泊车场景进行环境感知,主控制器通过接收毫米波雷达的4D点云数据,通过点云数据对环境的物体进行成像,可检测出车辆、远距的路沿、墙体、绿化带以及地锁等物体。
更重要的是,本发明不仅借助了4D毫米波雷达的点云模式来实现四个维度的环境感知,还将4D毫米波雷达与车辆自身的轮速脉冲数据、车辆的方向盘转角信息、车速信息进行同步关联,也就是将4D毫米波雷达与实际的车辆位移信息相配合,从而形成与车速相适应的环境测绘,更加适应实际的泊车情况,减少了因车辆自身运动所导致的误检情况。
附图说明
为了更清楚地说明本发明实施例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简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明的工作流程图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是,对于这些实施方式的说明用于帮助理解本发明,但并不构成对本发明的限定。此外,下面所描述的本发明各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。
请参阅图1,本实施例提供了一种基于4D毫米波雷达的自动泊车车位搜索方法,步骤总体分为:
S1、使用滤波算法滤除雷达点云数据的地杂波和噪声点;
S2、使用DBSCAN算法对雷达点云数据进行点云聚类,表征出真实场景中的实际物体的大致形状;
S3、根据聚类结果对每类的物体采用最小外接矩形进行标记;
S4、对每个矩形框中的物体边缘进行拟合,得出物体的长度和宽度(进行真实场景的地图构建);
S5、在检测区域范围内,以检测到的环境物体的位置位作为参考,计算物体之间闲置空间范围,结合本车的车身尺寸大小,判断是否构成一个空车位的条件;如若构成空车位,结合参考物体的尺寸,二次判断该空间是垂直车位类别还是水平车位类别。
值得注意的是,本技术方案在进行车位搜索之前,需要获取雷达点云数据和车身数据,并将雷达点云数据和车身数据实时同步,使得雷达点云与实际的车辆位移情况相贴合。
当中,获取雷达点云数据和车身数据的具体方法为:
(1)4D毫米波雷达对环境实时发出电磁波信号,并根据环境感知的情况,通过车辆的主控制器接收毫米波雷达返回的雷达点云数据;
(2)利用车辆的非驱动轮的轮速计实时记录轮速脉冲数;
(3)利用车身的CAN总线返回轮速脉冲数据以及车辆的方向盘转角信息、车速信息;
(4)根据CAN总线实时接收的轮速脉冲数、方向盘转角以及车速信息,实时计算出车辆实时行驶的位移信息。
随后,将雷达点云数据和车身数据实时同步的具体方法为:
(1)对毫米波雷达与车辆行驶的位移分别配置时间戳,根据时间戳信息,将毫米波雷达的每帧点云数据与车辆的行驶位移数据进行同步关联;
(2)数据同步关联后,将每个雷达点所携带的空间物体的位置信息,由基于雷达的球面坐标系转换成笛卡尔坐标系,并根据关联的车辆行驶位移数据,将雷达点的直角坐标信息转换到当前的车辆坐标系下。
本实施例中,使用滤波算法滤除雷达点云数据的地杂波和噪声点,确切地说,是分别对雷达点云数据进行滤波预处理、滤波,当中,
点云数据滤波预处理是针对毫米波雷达地杂波特性,设定毫米波雷达点的RCS的阈值为T1,径向距离的阈值为T2以及高度阈值为T3,当雷达点的三个分量均在阈值以内,则判定该雷达点为地杂波,搜索系统将该地杂波剔除掉。
进行预处理后,采用贝叶斯方法来对雷达点云数据进行滤波,通过计算每个雷达点的置信度信息,置信度越高代表该区域的存在概率越高,雷达点信息有效;置信度越低代表该区域的存在概率越低,极有可能是噪声点;以此标准将噪声点删除掉。
对雷达点云数据进行滤波处理之后,需要对车辆周围环境进行检测感知。本发明通过对点云滤波处理后的数据进行多帧数据累计,根据多帧数据的累计情况,采用DBSCAN聚类算法对点云进行聚类,将毫米波雷达对周围环境的感知情况进行区域划分,表征出真实场景中的实际物体的大致形状。
由于车速会影响雷达点云的稀疏度,因此根据实时车速设定DBSCAN的邻域参数(ε,MinPts)。根据聚类结果,对每类的物体采用最小外接矩形法进行标记。
在一些实施方案中,还可以通过保存车位类型以及车位坐标,传输至车辆的主控制器,用于后续的路径规划与车辆控制。
除此之外,本实施例还提供了一种基于4D毫米波雷达的自动泊车车位搜索系统,所述系统包括:
接收模块,用于接收泊车搜车位请求;
点云数据获取模块,用于获取接收到所述泊车搜车位请求时周围环境的点云数据集,所述点云数据集由4D毫米波雷达监测采集得到;
车身数据获取模块,用于获取车辆的轮速脉冲数、方向盘转角以及车速信息,以此计算出车辆的实时位移信息;
数据同步模块,用于将雷达点的直角坐标信息转换到当前的车辆坐标系下;
滤波模块,采用半径滤波将毫米波雷达的地杂波剔除,并采用贝叶斯方法将毫米波雷达的噪声点删除;
聚类模块,采用DBSCAN聚类算法对点云进行聚类,将毫米波雷达对周围环境的感知情况进行区域划分,表征出真实场景中的实际物体的大致形状;
边缘拟合模块,用于对每个矩形框中的物体边缘进行拟合,得出物体的长度和宽度;
车位判断模块,用于在检测区域范围内,以检测到的环境物体的位置位参考,计算物体之间闲置空间范围,结合本车的尺寸大小,判断是否构成一个空车位的条件;
坐标储存模块,用于保存车位类型以及车位坐标,传输至车辆的主控制器。
本发明提供的自动泊车车位搜索系统在车辆内设有主控制器,所述4D毫米波雷达采用77GHz的高频高精度角雷达,安装在车辆右侧的B柱,通过CAN总线与主控制器相连接。
在上述的自动泊车车位搜索方法以及系统中,依据4D毫米波雷达的点云数据,可对泊车场景进行感知成像,并对环境中的物体进行聚类和空车位的检测和构造。针对于远距的高低路沿、灌木丛、墙体、雪糕筒、地锁、柱子、木箱、停靠车辆均能有效检测。
综上所述,所述自动泊车车位搜索方法以及系统的设计要点在于,通过4D毫米波雷达的点云数据,并结合车身的方向盘转角、车速以及轮速脉冲信号,进行环境的地图构建。根据地图中的目标物体的位置信息,判断空间的空车位的坐标位置,并将搜索到的空车位的信息传输给主控制器。
在本发明的描述中,需要理解的是,指示方位或位置关系的术语为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
虽然对本发明的描述是结合以上具体实施例进行的,但是,熟悉本技术领域的人员能够根据上述的内容进行许多替换、修改和变化、是显而易见的。因此,所有这样的替代、改进和变化都包括在附后的权利要求的精神和范围内。
Claims (10)
1.一种基于4D毫米波雷达的自动泊车车位搜索方法,其特征在于,步骤分为:
S1、使用滤波算法滤除雷达点云数据的地杂波和噪声点;
S2、使用DBSCAN算法对雷达点云数据进行点云聚类,表征出真实场景中的实际物体的大致形状;
S3、根据聚类结果对每类的物体采用最小外接矩形进行标记;
S4、对每个矩形框中的物体边缘进行拟合,得出物体的长度和宽度;
S5、在检测区域范围内,以检测到的环境物体的位置位作为参考,计算物体之间闲置空间范围,结合本车的车身尺寸大小,判断是否构成一个空车位的条件。
2.根据权利要求1所述的方法,其特征在于,在进行车位搜索之前,需要获取雷达点云数据和车身数据,并将雷达点云数据和车身数据实时同步。
3.根据权利要求2所述的方法,其特征在于,获取雷达点云数据和车身数据的具体方法为:
(1)4D毫米波雷达对环境实时发出电磁波信号,并根据环境感知的情况,通过车辆的主控制器接收毫米波雷达返回的雷达点云数据;
利用车辆的非驱动轮的轮速计实时记录轮速脉冲数;
利用车身的CAN总线返回轮速脉冲数据以及车辆的方向盘转角信息、车速信息;
根据CAN总线实时接收的轮速脉冲数、方向盘转角以及车速信息,实时计算出车辆实时行驶的位移信息。
4.根据权利要求3所述的方法,其特征在于,将雷达点云数据和车身数据实时同步的具体方法为:
对毫米波雷达与车辆行驶的位移分别配置时间戳,根据时间戳信息,将毫米波雷达的每帧点云数据与车辆的行驶位移数据进行同步关联;
数据同步关联后,将每个雷达点所携带的空间物体的位置信息,由基于雷达的球面坐标系转换成笛卡尔坐标系,并根据关联的车辆行驶位移数据,将雷达点的直角坐标信息转换到当前的车辆坐标系下。
5.根据权利要求1所述的方法,其特征在于,使用滤波算法滤除雷达点云数据的地杂波、噪声点的具体方法为:
S1-1、针对毫米波雷达地杂波的特性,设定毫米波雷达点的RCS的阈值为T1,径向距离的阈值为T2以及高度阈值为T3,当雷达点的三个分量均在阈值以内,则判定该雷达点为地杂波并将该地杂波剔除掉;
S1-2、采用贝叶斯方法对雷达点云数据进行滤波,通过计算每个雷达点的置信度信息,置信度越高代表该区域的存在概率越高,雷达点信息越有效;置信度越低代表该区域的存在概率越低,极有可能是噪声点;以此标准将噪声点删除掉。
6.根据权利要求1所述的方法,其特征在于,使用DBSCAN算法对雷达点云数据进行点云聚类的具体方法为:
S2-1、通过对点云滤波处理后的数据进行多帧数据累计;
S2-2、根据多帧数据的累计情况,采用DBSCAN聚类算法对点云进行聚类;
S2-3、将毫米波雷达对周围环境的感知情况进行区域划分,表征出真实场景中的实际物体的大致形状。
7.根据权利要求1所述的方法,其特征在于,在步骤S3中,根据实时车速设定DBSCAN的邻域参数(ε,MinPts)。
8.一种基于4D毫米波雷达的自动泊车车位搜索系统,其特征在于,所述系统包括:
接收模块,用于接收泊车搜车位请求;
点云数据获取模块,用于获取接收到所述泊车搜车位请求时周围环境的点云数据集,所述点云数据集由4D毫米波雷达监测采集得到;
车身数据获取模块,用于获取车辆的轮速脉冲数、方向盘转角以及车速信息,以此计算出车辆的实时位移信息;
数据同步模块,用于将雷达点的直角坐标信息转换到当前的车辆坐标系下;
滤波模块,采用半径滤波将毫米波雷达的地杂波剔除,并采用贝叶斯方法将毫米波雷达的噪声点删除;
聚类模块,采用DBSCAN聚类算法对点云进行聚类,将毫米波雷达对周围环境的感知情况进行区域划分,表征出真实场景中的实际物体的大致形状;
边缘拟合模块,用于对每个矩形框中的物体边缘进行拟合,得出物体的长度和宽度;
车位判断模块,用于在检测区域范围内,以检测到的环境物体的位置位参考,计算物体之间闲置空间范围,结合本车的尺寸大小,判断是否构成一个空车位的条件;
坐标储存模块,用于保存车位类型以及车位坐标,传输至车辆的主控制器。
9.根据权利要求8所述的系统,其特征在于,所述毫米波雷达通过CAN总线与车辆的主控制器进行电性连接。
10.根据权利要求8所述的系统,其特征在于,所述毫米波雷达为77GHz的角雷达。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210162635.6A CN114706070A (zh) | 2022-02-22 | 2022-02-22 | 一种基于4d毫米波雷达的自动泊车车位搜索方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210162635.6A CN114706070A (zh) | 2022-02-22 | 2022-02-22 | 一种基于4d毫米波雷达的自动泊车车位搜索方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114706070A true CN114706070A (zh) | 2022-07-05 |
Family
ID=82167360
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210162635.6A Pending CN114706070A (zh) | 2022-02-22 | 2022-02-22 | 一种基于4d毫米波雷达的自动泊车车位搜索方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114706070A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116859356A (zh) * | 2023-09-05 | 2023-10-10 | 上海几何伙伴智能驾驶有限公司 | 基于旋转矩阵优化求解的车载4d毫米波雷达自标定方法 |
CN117590371A (zh) * | 2024-01-18 | 2024-02-23 | 上海几何伙伴智能驾驶有限公司 | 基于4d毫米波成像雷达实现全局车位状态检测的方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104354656A (zh) * | 2014-10-20 | 2015-02-18 | 同济大学 | 智能泊车系统的障碍物检测与库位判别方法及实现系统 |
WO2018207782A1 (ja) * | 2017-05-09 | 2018-11-15 | 株式会社デンソー | 駐車空間検出装置 |
CN109031346A (zh) * | 2018-07-09 | 2018-12-18 | 江苏大学 | 一种基于3d激光雷达的周边泊车位辅助检测方法 |
JP2019038350A (ja) * | 2017-08-24 | 2019-03-14 | 三菱自動車工業株式会社 | 駐車支援装置 |
CN110497901A (zh) * | 2019-08-30 | 2019-11-26 | 的卢技术有限公司 | 一种基于机器人vslam技术的泊车位自动搜索方法和系统 |
CN111016885A (zh) * | 2019-12-03 | 2020-04-17 | 惠州市德赛西威智能交通技术研究院有限公司 | 自动泊车车位探测方法、电子雷达系统以及存储介质 |
CN112201078A (zh) * | 2020-09-30 | 2021-01-08 | 中国人民解放军军事科学院国防科技创新研究院 | 一种基于图神经网络的自动泊车停车位检测方法 |
CN112526513A (zh) * | 2021-02-10 | 2021-03-19 | 北方工业大学 | 基于聚类算法的毫米波雷达环境地图构建方法及装置 |
CN112585553A (zh) * | 2020-02-26 | 2021-03-30 | 深圳市大疆创新科技有限公司 | 用于可移动平台的控制方法、可移动平台、设备和存储介质 |
CN113177975A (zh) * | 2021-05-07 | 2021-07-27 | 中德(珠海)人工智能研究院有限公司 | 基于球幕相机及激光雷达的深度计算方法及三维建模方法 |
CN113479191A (zh) * | 2021-06-30 | 2021-10-08 | 重庆长安汽车股份有限公司 | 用于泊车的无车道线的车道边界检测系统、方法及车辆 |
-
2022
- 2022-02-22 CN CN202210162635.6A patent/CN114706070A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104354656A (zh) * | 2014-10-20 | 2015-02-18 | 同济大学 | 智能泊车系统的障碍物检测与库位判别方法及实现系统 |
WO2018207782A1 (ja) * | 2017-05-09 | 2018-11-15 | 株式会社デンソー | 駐車空間検出装置 |
JP2019038350A (ja) * | 2017-08-24 | 2019-03-14 | 三菱自動車工業株式会社 | 駐車支援装置 |
CN109031346A (zh) * | 2018-07-09 | 2018-12-18 | 江苏大学 | 一种基于3d激光雷达的周边泊车位辅助检测方法 |
CN110497901A (zh) * | 2019-08-30 | 2019-11-26 | 的卢技术有限公司 | 一种基于机器人vslam技术的泊车位自动搜索方法和系统 |
CN111016885A (zh) * | 2019-12-03 | 2020-04-17 | 惠州市德赛西威智能交通技术研究院有限公司 | 自动泊车车位探测方法、电子雷达系统以及存储介质 |
CN112585553A (zh) * | 2020-02-26 | 2021-03-30 | 深圳市大疆创新科技有限公司 | 用于可移动平台的控制方法、可移动平台、设备和存储介质 |
CN112201078A (zh) * | 2020-09-30 | 2021-01-08 | 中国人民解放军军事科学院国防科技创新研究院 | 一种基于图神经网络的自动泊车停车位检测方法 |
CN112526513A (zh) * | 2021-02-10 | 2021-03-19 | 北方工业大学 | 基于聚类算法的毫米波雷达环境地图构建方法及装置 |
CN113177975A (zh) * | 2021-05-07 | 2021-07-27 | 中德(珠海)人工智能研究院有限公司 | 基于球幕相机及激光雷达的深度计算方法及三维建模方法 |
CN113479191A (zh) * | 2021-06-30 | 2021-10-08 | 重庆长安汽车股份有限公司 | 用于泊车的无车道线的车道边界检测系统、方法及车辆 |
Non-Patent Citations (2)
Title |
---|
JIANG LIBIAO: ""DBSCAN Clustering Algorithm of Millimeter Wave Radar Based on Multi Frame Joint"", 《2020 IEEE 9TH JOINT INTERNATIONAL INFORMATION TECHNOLOGY AND ARTIFICIAL INTELLIGENCE CONFERENCE (ITAIC)》, 13 December 2020 (2020-12-13), pages 2329 - 2335 * |
魏德奎: ""自动泊车系统路径规划设计与跟踪控制方法研究"", 《 中国优秀硕士论文电子期刊》, no. 08, 15 August 2020 (2020-08-15), pages 1 - 73 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116859356A (zh) * | 2023-09-05 | 2023-10-10 | 上海几何伙伴智能驾驶有限公司 | 基于旋转矩阵优化求解的车载4d毫米波雷达自标定方法 |
CN116859356B (zh) * | 2023-09-05 | 2023-11-17 | 上海几何伙伴智能驾驶有限公司 | 基于旋转矩阵优化求解的车载4d毫米波雷达自标定方法 |
CN117590371A (zh) * | 2024-01-18 | 2024-02-23 | 上海几何伙伴智能驾驶有限公司 | 基于4d毫米波成像雷达实现全局车位状态检测的方法 |
CN117590371B (zh) * | 2024-01-18 | 2024-03-29 | 上海几何伙伴智能驾驶有限公司 | 基于4d毫米波成像雷达实现全局车位状态检测的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108226924B (zh) | 基于毫米波雷达的汽车行驶环境探测方法、装置及其应用 | |
US7365831B2 (en) | Method and device for video-based observation and measurement of the lateral environment of a vehicle | |
CN111458700B (zh) | 车辆映射和定位的方法和系统 | |
CN114706070A (zh) | 一种基于4d毫米波雷达的自动泊车车位搜索方法和系统 | |
CN109102702A (zh) | 基于视频车辆检测和雷达信号融合的车辆测速方法 | |
JP3822770B2 (ja) | 車両用前方監視装置 | |
CN110379178B (zh) | 基于毫米波雷达成像的无人驾驶汽车智能泊车方法 | |
WO2020133217A1 (zh) | 连续障碍物检测方法、设备、系统及存储介质 | |
JP2019168417A (ja) | 物体認識装置、及び物体認識方法 | |
EP3792660A1 (en) | Method, apparatus and system for measuring distance | |
CN110745140A (zh) | 一种基于连续图像约束位姿估计的车辆换道预警方法 | |
CN113253257B (zh) | 一种基于多毫米波雷达和视觉的露天矿障碍物检测方法 | |
CN114763997A (zh) | 车辆采集到的雷达点云数据的处理方法、装置及电子设备 | |
CN113537287A (zh) | 多传感器信息融合方法与装置、存储介质、自动驾驶系统 | |
CN114821526A (zh) | 基于4d毫米波雷达点云的障碍物三维边框检测方法 | |
CN115690713A (zh) | 一种基于双目相机的雷视融合事件检测方法 | |
US11879992B2 (en) | Method for identifying static radar targets using a radar sensor for motor vehicles | |
CN114550142A (zh) | 基于4d毫米波雷达和图像识别融合的车位检测方法 | |
CN111753901B (zh) | 一种数据融合方法、装置、系统及计算机设备 | |
CN115151836A (zh) | 用于探测车辆周围环境中的移动对象的方法和机动车辆 | |
Yang et al. | Towards high accuracy parking slot detection for automated valet parking system | |
CN115546595A (zh) | 基于激光雷达和摄像头融合感知的轨迹追踪方法及系统 | |
CN114779276A (zh) | 一种障碍物检测方法和装置 | |
CN115792891A (zh) | 基于多毫米波雷达与激光雷达融合的目标航迹跟踪方法 | |
CN112881991A (zh) | 毫米波雷达的道路场景测试设备及其方法 |
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 |