CN114821543A - 障碍物检测方法、装置、车辆和存储介质 - Google Patents
障碍物检测方法、装置、车辆和存储介质 Download PDFInfo
- Publication number
- CN114821543A CN114821543A CN202210747026.7A CN202210747026A CN114821543A CN 114821543 A CN114821543 A CN 114821543A CN 202210747026 A CN202210747026 A CN 202210747026A CN 114821543 A CN114821543 A CN 114821543A
- Authority
- CN
- China
- Prior art keywords
- cell
- obstacle
- state
- target
- generating
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 claims abstract description 28
- 210000004027 cell Anatomy 0.000 claims description 308
- 238000005070 sampling Methods 0.000 claims description 50
- 238000004891 communication Methods 0.000 claims description 15
- 230000004888 barrier function Effects 0.000 claims description 13
- 210000003888 boundary cell Anatomy 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 26
- 230000004044 response Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 7
- 238000004140 cleaning Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- DMSMPAJRVJJAGA-UHFFFAOYSA-N benzo[d]isothiazol-3-one Chemical compound C1=CC=C2C(=O)NSC2=C1 DMSMPAJRVJJAGA-UHFFFAOYSA-N 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开关于一种障碍物检测方法、装置、车辆和存储介质，属于自动驾驶技术领域。其中，该方法包括：获取对象的检测网格中每个单元格的状态，其中，所述单元格与三维空间存在对应关系，所述单元格的状态用于指示所述单元格对应的三维空间是否为障碍物；基于所述单元格的状态，生成所述对象的障碍物表示。由此，可基于单元格的状态，生成对象的障碍物表示，提高了障碍物表示的准确性和灵活性。
Description
技术领域
本公开涉及自动驾驶技术领域，尤其涉及一种障碍物检测方法、装置、车辆和存储介质。
背景技术
目前，障碍物检测在自动驾驶、智能家电、机器人等领域中得到了广泛应用。比如，自动驾驶场景中，可通过障碍物检测来识别道路上的障碍物，从而规划车辆的行驶路线来规避障碍物，智能清洁场景中，可通过障碍物检测来识别清洁范围内的物体是否为障碍物，以避免对障碍物进行清洁。然而，相关技术中的障碍物检测存在障碍物表示的准确性差、灵活性差的问题。
发明内容
本公开提供一种障碍物检测方法、装置、车辆、计算机可读存储介质，以至少解决相关技术中障碍物检测存在障碍物表示的准确性差、灵活性差的问题。本公开的技术方案如下：
根据本公开实施例的第一方面，提供一种障碍物检测方法，包括：获取对象的检测网格中每个单元格的状态，其中，所述单元格与三维空间存在对应关系，所述单元格的状态用于指示所述单元格对应的三维空间是否为障碍物；基于所述单元格的状态，生成所述对象的障碍物表示。
在本公开的一个实施例中，所述基于所述单元格的状态，生成所述对象的障碍物表示，包括：基于所述单元格的状态，从所述单元格中筛选出目标单元格，其中，所述目标单元格的状态用于指示所述目标单元格对应的三维空间为障碍物；基于所述目标单元格，生成所述障碍物表示。
在本公开的一个实施例中，所述障碍物表示包括障碍物的总位置集合，所述基于所述目标单元格，生成所述障碍物表示，包括：获取每个所述目标单元格的位置；基于每个所述目标单元格的位置，生成所述障碍物的总位置集合。
在本公开的一个实施例中，所述障碍物表示包括至少一个障碍物的子位置集合，所述基于所述目标单元格，生成所述障碍物表示，包括：获取每个所述目标单元格的位置；基于所述目标单元格的位置，从所述检测网格中确定至少一个连通区域，其中，所述连通区域由所述目标单元格组成；基于任一所述连通区域中每个所述目标单元格的位置，生成任一所述障碍物的子位置集合。
在本公开的一个实施例中，所述基于所述目标单元格的位置，从所述检测网格中确定至少一个连通区域，包括：基于所述目标单元格的位置，确定任意相邻的两个目标单元格；将所述任意相邻的两个目标单元格划分为一个所述连通区域。
在本公开的一个实施例中，所述障碍物表示包括至少一个障碍物的区域，所述基于所述目标单元格，生成所述障碍物表示，包括：将任一所述连通区域作为任一所述障碍物的区域。
在本公开的一个实施例中，所述障碍物表示包括至少一个障碍物的边界，所述基于所述目标单元格，生成所述障碍物表示，包括：将任一所述连通区域的边界作为任一所述障碍物的边界。
在本公开的一个实施例中，所述将任一所述连通区域的边界作为任一所述障碍物的边界，包括：确定任一所述连通区域中最外围的目标单元格，并将所述最外围的目标单元格作为边界单元格；基于任一所述连通区域中的每个所述边界单元格，生成任一所述障碍物的边界。
在本公开的一个实施例中，所述获取对象的检测网格中每个单元格的状态，包括：获取所述对象的点云数据；基于所述点云数据和所述检测网格，确定所述单元格的状态。
在本公开的一个实施例中，所述点云数据包括n个采样点的点云数据，其中，n为正整数，所述基于所述点云数据和所述检测网格，确定所述单元格的状态，包括：基于第j个采样点的点云数据，识别所述第j个采样点是否为障碍物，其中，j为正整数，1≤j≤n；获取所述第j个采样点在所述检测网格上的第j个投影点；识别所述单元格内是否存在目标投影点，其中，所述目标投影点对应的采样点为障碍物，并基于所述单元格的识别结果，确定所述单元格的状态。
根据本公开实施例的第二方面，提供一种障碍物检测装置，包括：获取模块，被配置为执行获取对象的检测网格中每个单元格的状态，其中，所述单元格与三维空间存在对应关系，所述单元格的状态用于指示所述单元格对应的三维空间是否为障碍物；生成模块，被配置为执行基于所述单元格的状态，生成所述对象的障碍物表示。
在本公开的一个实施例中，所述生成模块，还被配置为执行：基于所述单元格的状态，从所述单元格中筛选出目标单元格，其中，所述目标单元格的状态用于指示所述目标单元格对应的三维空间为障碍物；基于所述目标单元格，生成所述障碍物表示。
在本公开的一个实施例中，所述障碍物表示包括障碍物的总位置集合，所述生成模块，还被配置为执行：获取每个所述目标单元格的位置；基于每个所述目标单元格的位置，生成所述障碍物的总位置集合。
在本公开的一个实施例中，所述障碍物表示包括至少一个障碍物的子位置集合，所述生成模块，还被配置为执行：获取每个所述目标单元格的位置；基于所述目标单元格的位置，从所述检测网格中确定至少一个连通区域，其中，所述连通区域由所述目标单元格组成；基于任一所述连通区域中每个所述目标单元格的位置，生成任一所述障碍物的子位置集合。
在本公开的一个实施例中，所述生成模块，还被配置为执行：基于所述目标单元格的位置，确定任意相邻的两个目标单元格；将所述任意相邻的两个目标单元格划分为一个所述连通区域。
在本公开的一个实施例中，所述障碍物表示包括至少一个障碍物的区域，所述生成模块，还被配置为执行：将任一所述连通区域作为任一所述障碍物的区域。
在本公开的一个实施例中，所述障碍物表示包括至少一个障碍物的边界，所述生成模块，还被配置为执行：将任一所述连通区域的边界作为任一所述障碍物的边界。
在本公开的一个实施例中，所述生成模块，还被配置为执行：确定任一所述连通区域中最外围的目标单元格，并将所述最外围的目标单元格作为边界单元格；基于任一所述连通区域中的每个所述边界单元格，生成任一所述障碍物的边界。
在本公开的一个实施例中，所述获取模块，还被配置为执行：获取所述对象的点云数据；基于所述点云数据和所述检测网格，确定所述单元格的状态。
在本公开的一个实施例中，所述点云数据包括n个采样点的点云数据，其中，n为正整数，所述获取模块，还被配置为执行：基于第j个采样点的点云数据，识别所述第j个采样点是否为障碍物，其中，j为正整数，1≤j≤n；获取所述第j个采样点在所述检测网格上的第j个投影点；识别所述单元格内是否存在目标投影点，其中，所述目标投影点对应的采样点为障碍物，并基于所述单元格的识别结果，确定所述单元格的状态。
根据本公开实施例的第三方面，提供一种车辆，包括处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为实现本公开实施例第一方面所述方法的步骤。
根据本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本公开实施例第一方面所述方法的步骤。
本公开的实施例提供的技术方案至少带来以下有益效果：可获取对象的检测网格中每个单元格的状态，并基于单元格的状态，生成对象的障碍物表示。由此，可基于单元格的状态，生成对象的障碍物表示，提高了障碍物表示的准确性和灵活性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种障碍物检测方法的流程图。
图2是根据一示例性实施例示出的一种障碍物检测方法中基于单元格的状态，生成对象的障碍物表示的流程图。
图3是根据一示例性实施例示出的一种障碍物检测方法中基于目标单元格，生成障碍物表示的流程图。
图4是根据一示例性实施例示出的一种障碍物检测方法中检测网格的示意图。
图5是根据一示例性实施例示出的一种障碍物检测方法中获取单元格的状态的流程图。
图6是根据一示例性实施例示出的一种障碍物检测方法中基于点云数据和检测网格，确定单元格的状态的流程图。
图7是根据一示例性实施例示出的一种障碍物检测装置的框图。
图8是根据一示例性实施例示出的一种车辆的框图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种障碍物检测方法的流程图，如图1所示，本公开实施例的障碍物检测方法，包括以下步骤。
S101，获取对象的检测网格中每个单元格的状态，其中，单元格与三维空间存在对应关系，单元格的状态用于指示单元格对应的三维空间是否为障碍物。
需要说明的是，本公开实施例的障碍物检测方法的执行主体为电子设备，电子设备包括手机、笔记本、台式电脑、车载终端、智能家电等。本公开实施例的障碍物检测方法可以由本公开实施例的障碍物检测装置执行，本公开实施例的障碍物检测装置可以配置在任意电子设备中，以执行本公开实施例的障碍物检测方法。
需要说明的是，对对象、检测网格均不做过多限定，比如，对象包括但不限于行人、车辆、机器人等，其中，机器人可包括清洁机器人，检测网格包括但不限于矩形、圆形等。对检测网格的尺寸不做过多限定，比如，以对象为车辆，检测网格为矩形为例，检测网格的设定宽度和设定长度均为20米。检测网格所在的坐标系可包括世界坐标系，比如，二维世界坐标系。检测网格包括多个单元格。应说明的是，对单元格的数量、尺寸等均不做过多限定。
在一种实施方式中，可基于单元格的位置和三维空间的位置，获取单元格和三维空间之间的对应关系。比如，检测网格所在的坐标系为二维世界坐标系，三维空间所在的坐标系为三维世界坐标系，可基于候选单元格的位置，获取候选单元格在三维世界坐标系下的转换位置，基于转换位置和三维空间的位置，从三维空间中筛选出候选三维空间，其中，候选三维空间的位置与转换位置相同，建立候选单元格和候选三维空间之间的对应关系。
本公开的实施例中，单元格的状态用于指示单元格对应的三维空间是否为障碍物。对单元格的状态不做过多限定。可以理解的是，不同的单元格可对应不同的状态。
比如，单元格的状态可为第一状态或者第二状态，其中，第一状态用于指示单元格对应的三维空间为障碍物，第二状态用于指示单元格对应的三维空间非障碍物。
比如，单元格的状态可包括单元格处于第一状态的第一概率，和/或，单元格处于第二状态的第二概率。
比如，单元格的状态可包括第一状态值和/或第二状态值。其中，第一状态值与第一概率正相关，第二状态值与第二概率正相关。
在一种实施方式中，获取对象的检测网格中每个单元格的状态，可包括获取对象的图像数据和/或点云数据，基于图像数据和/或点云数据，以及检测网格，确定单元格的状态。应说明的是，对图像数据、点云数据均不做过多限定，比如，图像数据包括但不限于二维图像数据、三维图像数据等，点云数据包括但不限于位置、颜色、深度、灰度值等，其中，位置可包括三维坐标，颜色包括但不限于红色像素、绿色像素、蓝色像素。
在一种实施方式中，采集对象的图像数据，可包括通过摄像头采集对象的图像数据。应说明的是，对摄像头不做过多限定，比如，摄像头包括但不限于二维摄像头、三维摄像头等。
在一种实施方式中，采集对象的点云数据，可包括通过三维扫描设备采集对象的点云数据。应说明的是，对三维扫描设备不做过多限定，比如，三维扫描设备包括但不限于激光雷达、毫米波雷达、深度摄像头等。
在一种实施方式中，以执行主体为车载终端为例，可通过车辆上设置的摄像头采集车辆周围环境的图像数据，并通过车辆上设置的激光雷达采集车辆周围环境的点云数据。
S102，基于单元格的状态，生成对象的障碍物表示。
需要说明的是，对障碍物表示不做过多限定，比如，障碍物表示包括但不限于障碍物的位置、障碍物的边界、障碍物的区域等。
在一种实施方式中，基于单元格的状态，生成对象的障碍物表示，可包括从单元格的状态中提取出单元格的特征，基于单元格的特征，生成对象的障碍物表示。应说明的是，对单元格的特征不做过多限定，比如，单元格的特征可用向量来表示，对向量的维度不做过多限定，比如，单元格的特征可用2维向量来表示。
在一种实施方式中，从单元格的状态中提取出单元格的特征，可包括响应于单元格的状态为第一状态，确定单元格的特征为（1,0），响应于单元格的状态为第二状态，确定单元格的特征为（0,1）。
在一种实施方式中，基于单元格的特征，生成对象的障碍物表示，可包括将每个单元格的特征进行特征融合，生成融合特征，并将融合特征作为障碍物表示。应说明的是，对特征融合的方式不做过多限定，比如，特征融合包括但不限于拼接、求和、编码等。
本公开的实施例提供的障碍物检测方法，可获取对象的检测网格中每个单元格的状态，并基于单元格的状态，生成对象的障碍物表示。由此，可基于单元格的状态，生成对象的障碍物表示，提高了障碍物表示的准确性和灵活性。
在上述任一实施例的基础上，如图2所示，步骤S102中基于单元格的状态，生成对象的障碍物表示，可包括：
S201，基于单元格的状态，从单元格中筛选出目标单元格，其中，目标单元格的状态用于指示目标单元格对应的三维空间为障碍物。
在一种实施方式中，单元格的状态为第一状态或者第二状态，基于单元格的状态，从单元格中筛选出目标单元格，可包括将单元格的状态为第一状态的单元格确定为目标单元格。
在一种实施方式中，单元格的状态包括第一概率，基于单元格的状态，从单元格中筛选出目标单元格，可包括将第一概率大于或者等于第一设定阈值的单元格确定为目标单元格。应说明的是，对第一设定阈值不做过多限定，比如，第一设定阈值可为0.5。
在一种实施方式中，单元格的状态包括第二概率，基于单元格的状态，从单元格中筛选出目标单元格，可包括将第二概率小于第二设定阈值的单元格确定为目标单元格。应说明的是，对第二设定阈值不做过多限定，比如，第二设定阈值可为0.5。
需要说明的是，在单元格的状态包括第一状态值和/或第二状态值的情况下，基于单元格的状态，从单元格中筛选出目标单元格的相关内容，可参见上述实施例，这里不再赘述。
S202，基于目标单元格，生成障碍物表示。
在一种实施方式中，基于目标单元格，生成障碍物表示，可包括获取每个目标单元格的标识，基于每个目标单元格的标识，生成障碍物表示。应说明的是，对标识不做过多限定，比如，标识包括但不限于字符、编号等。比如，基于每个目标单元格的标识，生成障碍物表示，可包括将每个目标单元格的标识按序排列，生成障碍物表示。
在一种实施方式中，障碍物表示包括障碍物的总位置集合。应说明的是，障碍物的总位置集合用于表示所有障碍物的位置。基于目标单元格，生成障碍物表示，可包括获取每个目标单元格的位置，基于每个目标单元格的位置，生成障碍物的总位置集合。应说明的是，对单元格的位置不做过多限定，比如，单元格的位置包括但不限于单元格的所属行、单元格的所属列、单元格的中心点的位置等，单元格的中心点的位置包括但不限于二维坐标、经纬度等。由此，该方法中可基于每个目标单元格的位置，生成障碍物的总位置集合，以基于障碍物的总位置集合来表示障碍物。
在一种实施方式中，获取每个目标单元格的位置，可包括以目标单元格的标识为查询键值，在设定存储空间中查询，以获取目标单元格的位置。应说明的是，设定存储空间用于存储单元格的位置，对设定存储空间不做过多限定，比如，设定存储空间包括但不限于一维数组、二维数组等。
由此，该方法中可基于单元格的状态，从单元格中筛选出目标单元格，并基于目标单元格，生成障碍物表示，仅需根据目标单元格来生成障碍物表示，有助于节省计算资源，提升了障碍物表示的生成效率。
在上述任一实施例的基础上，障碍物的数量为至少一个，障碍物表示可包括至少一个障碍物的子位置集合。应说明的是，障碍物的子位置集合用于表示一个障碍物的位置。
如图3所示，步骤S202中基于目标单元格，生成障碍物表示，可包括：
S301，获取每个目标单元格的位置。
需要说明的是，步骤S301的相关内容，可参见上述实施例，这里不再赘述。
S302，基于目标单元格的位置，从检测网格中确定至少一个连通区域，其中，连通区域由目标单元格组成。
可以理解的是，连通区域与障碍物一一对应。
在一种实施方式中，基于目标单元格的位置，从检测网格中确定至少一个连通区域，可包括基于目标单元格的位置，确定任意相邻的两个目标单元格，将任意相邻的两个目标单元格划分为一个连通区域。
在一种实施方式中，单元格的位置包括单元格的所属行和所属列。基于目标单元格的位置，确定任意相邻的两个目标单元格，可包括响应于第一目标单元格的所属行与第二目标单元格的所属行相同，且第一目标单元格的所属列与第二目标单元格的所属列之间相差一列，确定第一目标单元格与第二目标单元格相邻，或者，响应于第一目标单元格的所属列与第二目标单元格的所属列相同，且第一目标单元格的所属行与第二目标单元格的所属行之间相差一行，确定第一目标单元格与第二目标单元格相邻。
在一种实施方式中，基于目标单元格的位置，从检测网格中确定至少一个连通区域，可包括将每个目标单元格的位置输入至设定算法，由设定算法遍历每个目标单元格，以从检测网格中确定至少一个连通区域。应说明的是，对设定算法不做过多限定。
S303，基于任一连通区域中每个目标单元格的位置，生成任一障碍物的子位置集合。
比如，检测网格包括目标单元格1至10，连通区域包括连通区域A、B，连通区域A、B分别对应障碍物C、D，连通区域A包括目标单元格1至4，连通区域B包括目标单元格5至10，可基于目标单元格1至4的位置，生成障碍物C的子位置集合，可基于目标单元格5至10的位置，生成障碍物D的子位置集合。
由此，该方法中可基于目标单元格的位置，从检测网格中确定至少一个连通区域，并基于任一连通区域中每个目标单元格的位置，生成任一障碍物的子位置集合，以基于障碍物的子位置集合来表示障碍物。
在上述任一实施例的基础上，障碍物表示包括至少一个障碍物的区域。应说明的是，障碍物的区域用于表示一个障碍物的位置。
在一种实施方式中，步骤S202中基于目标单元格，生成障碍物表示，可包括将任一连通区域作为任一障碍物的区域。
比如，连通区域包括连通区域A、B，连通区域A、B分别对应障碍物C、D，可将连通区域A作为障碍物C的区域，将连通区域B作为障碍物D的区域。
例如，以对象为车辆为例，如图4所示，检测网格包括一个连通区域，可将该连通区域作为障碍物的区域。
在一种实施方式中，可基于障碍物的编码颜色，对任一连通区域进行编码，将编码后的任一连通区域作为任一障碍物的区域。应说明的是，对编码颜色不做过多限定，比如，编码颜色包括但不限于红色、蓝色、黄色等。可以理解的是，不同类别的障碍物可对应不同的编码颜色。
在一种实施方式中，可对任一连通区域进行标注。比如，对任一连通区域添加“障碍物”的标注。
由此，该方法中可将任一连通区域作为任一障碍物的区域，以基于障碍物的区域来表示障碍物。
在上述任一实施例的基础上，障碍物表示包括至少一个障碍物的边界。应说明的是，障碍物的边界用于表示一个障碍物的位置。
在一种实施方式中，基于目标单元格，生成障碍物表示，可包括将任一连通区域的边界作为任一障碍物的边界。
比如，连通区域包括连通区域A、B，连通区域A、B分别对应障碍物C、D，可将连通区域A的边界作为障碍物C的边界，将连通区域B的边界作为障碍物D的边界。
例如，以对象为车辆为例，如图4所示，检测网格包括一个连通区域，可将该连通区域的边界作为障碍物的边界。
在一种实施方式中，将任一连通区域的边界作为任一障碍物的边界，可包括确定任一连通区域中最外围的目标单元格，并将最外围的目标单元格作为边界单元格，基于任一连通区域中的每个边界单元格，生成任一障碍物的边界。
在一种实施方式中，将任一连通区域的边界作为任一障碍物的边界，可包括确定任一连通区域的最小包围框，将任一连通区域的最小包围框作为任一障碍物的边界。
由此，该方法中可将任一连通区域的边界作为任一障碍物的边界，以基于障碍物的边界来表示障碍物。
在上述任一实施例的基础上，如图5所示，步骤S101中获取对象的检测网格中每个单元格的状态，可包括：
S501，获取对象的点云数据。
需要说明的是，步骤S501的相关内容，可参见上述实施例，这里不再赘述。
S502，基于点云数据和检测网格，确定单元格的状态。
在一种实施方式中，点云数据包括多个采样点的点云数据，基于点云数据和检测网格，确定单元格的状态，可包括基于采样点的点云数据，对采样点进行分类预测，获取采样点在每个类别下的预测概率，基于预测概率，确定单元格的状态。
在一种实施方式中，基于预测概率，确定单元格的状态，可包括获取采样点在检测网格上的投影点，针对任一单元格，基于任一单元格内的投影点对应的采样点的预测概率，确定任一单元格的状态。
在一种实施方式中，获取采样点在检测网格上的投影点，可包括基于采样点的位置，获取采样点在检测网格所在的坐标系下的投影位置，在投影位置处生成采样点对应的投影点。比如，采样点所在的坐标系为三维世界坐标系，检测网格所在的坐标系为二维世界坐标系，获取采样点在检测网格上的投影点，可包括基于采样点的位置，获取采样点在二维世界坐标系下的投影位置，在投影位置上生成采样点对应的投影点。比如，采样点的位置为（x,y,z），投影位置为（x,y）。
在一种实施方式中，基于任一单元格内的投影点对应的采样点的预测概率，确定任一单元格的状态，可包括响应于任一单元格内的任一投影点对应的采样点为障碍物的预测概率大于或者等于设定阈值，确定任一单元格的状态为第一状态，或者，响应于任一单元格内的每个投影点对应的采样点为障碍物的预测概率均小于设定阈值，确定任一单元格的状态为第二状态。应说明的是，对设定阈值不做过多限定，比如，设定阈值可为0.5。
由此，该方法中可基于对象的点云数据和检测网格，确定单元格的状态。
在上述任一实施例的基础上，点云数据包括n个采样点的点云数据，其中，n为正整数。
如图6所示，步骤S502中基于点云数据和检测网格，确定单元格的状态，可包括：
S601，基于第j个采样点的点云数据，识别第j个采样点是否为障碍物，其中，j为正整数，1≤j≤n。
在一种实施方式中，基于第j个采样点的点云数据，识别第j个采样点是否为障碍物，可包括基于第j个采样点的点云数据，对第j个采样点进行分类预测，获取第j个采样点为障碍物的预测概率，响应于第j个采样点为障碍物的预测概率大于或者等于设定阈值，确定第j个采样点为障碍物，或者，响应于第j个采样点为障碍物的预测概率小于设定阈值，确定第j个采样点非障碍物。应说明的是，设定阈值的相关内容，可参见上述实施例，这里不再赘述。
S602，获取第j个采样点在检测网格上的第j个投影点。
需要说明的是，步骤S602的相关内容，可参见上述实施例，这里不再赘述。
S603，识别单元格内是否存在目标投影点，其中，目标投影点对应的采样点为障碍物，并基于单元格的识别结果，确定单元格的状态。
本公开的实施例中，单元格的识别结果包括但不限于单元格内存在目标投影点、单元格内未存在目标投影点、单元格内目标投影点的数量等。
在一种实施方式中，基于单元格的识别结果，确定单元格的状态，可包括响应于单元格内存在目标投影点，确定单元格的状态为第一状态，或者，响应于单元格内未存在目标投影点，确定单元格的状态为第二状态。
在一种实施方式中，基于单元格的识别结果，确定单元格的状态，可包括响应于单元格内目标投影点的数量大于或者等于设定数量，确定单元格的状态为第一状态，或者，响应于单元格内目标投影点的数量小于设定数量，确定单元格的状态为第二状态。应说明的是，对设定数量不做过多限定，比如，设定数量可包括1、5等。
由此，该方法中可基于第j个采样点的点云数据，识别第j个采样点是否为障碍物，获取第j个采样点在检测网格上的第j个投影点，识别单元格内是否存在目标投影点，其中，目标投影点对应的采样点为障碍物，并基于单元格的识别结果，确定单元格的状态。
图7是根据一示例性实施例示出的一种障碍物检测装置的框图。参照图7，本公开实施例的障碍物检测装置100，包括：获取模块110和生成模块120。
获取模块110被配置为执行获取对象的检测网格中每个单元格的状态，其中，所述单元格与三维空间存在对应关系，所述单元格的状态用于指示所述单元格对应的三维空间是否为障碍物；
生成模块120被配置为执行基于所述单元格的状态，生成所述对象的障碍物表示。
在本公开的一个实施例中，所述生成模块120还被配置为执行：基于所述单元格的状态，从所述单元格中筛选出目标单元格，其中，所述目标单元格的状态用于指示所述目标单元格对应的三维空间为障碍物；基于所述目标单元格，生成所述障碍物表示。
在本公开的一个实施例中，所述障碍物表示包括障碍物的总位置集合，所述生成模块120还被配置为执行：获取每个所述目标单元格的位置；基于每个所述目标单元格的位置，生成所述障碍物的总位置集合。
在本公开的一个实施例中，所述障碍物表示包括至少一个障碍物的子位置集合，所述生成模块120还被配置为执行：获取每个所述目标单元格的位置；基于所述目标单元格的位置，从所述检测网格中确定至少一个连通区域，其中，所述连通区域由所述目标单元格组成；基于任一所述连通区域中每个所述目标单元格的位置，生成任一所述障碍物的子位置集合。
在本公开的一个实施例中，所述生成模块120还被配置为执行：基于所述目标单元格的位置，确定任意相邻的两个目标单元格；将所述任意相邻的两个目标单元格划分为一个所述连通区域。
在本公开的一个实施例中，所述障碍物表示包括至少一个障碍物的区域，所述生成模块120还被配置为执行：将任一所述连通区域作为任一所述障碍物的区域。
在本公开的一个实施例中，所述障碍物表示包括至少一个障碍物的边界，所述生成模块120还被配置为执行：将任一所述连通区域的边界作为任一所述障碍物的边界。
在本公开的一个实施例中，所述生成模块120还被配置为执行：确定任一所述连通区域中最外围的目标单元格，并将所述最外围的目标单元格作为边界单元格；基于任一所述连通区域中的每个所述边界单元格，生成任一所述障碍物的边界。
在本公开的一个实施例中，所述获取模块110还被配置为执行：获取所述对象的点云数据；基于所述点云数据和所述检测网格，确定所述单元格的状态。
在本公开的一个实施例中，所述点云数据包括n个采样点的点云数据，其中，n为正整数，所述获取模块110还被配置为执行：基于第j个采样点的点云数据，识别所述第j个采样点是否为障碍物，其中，j为正整数，1≤j≤n；获取所述第j个采样点在所述检测网格上的第j个投影点；识别所述单元格内是否存在目标投影点，其中，所述目标投影点对应的采样点为障碍物，并基于所述单元格的识别结果，确定所述单元格的状态。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本公开的实施例提供的障碍物检测装置，可获取对象的检测网格中每个单元格的状态，并基于单元格的状态，生成对象的障碍物表示。由此，可基于单元格的状态，生成对象的障碍物表示，提高了障碍物表示的准确性和灵活性。
图8是根据一示例性实施例示出的一种车辆200的框图。例如，车辆200可以是混合动力车辆，也可以是非混合动力车辆、电动车辆、燃料电池车辆或者其他类型的车辆。车辆200可以是自动驾驶车辆、半自动驾驶车辆或者非自动驾驶车辆。
参照图8，车辆200可包括各种子系统，例如，信息娱乐系统210、感知系统220、决策控制系统230、驱动系统240以及计算平台250。其中，车辆200还可以包括更多或更少的子系统，并且每个子系统都可包括多个部件。另外，车辆200的每个子系统之间和每个部件之间可以通过有线或者无线的方式实现互连。
在一些实施例中，信息娱乐系统210可以包括通信系统，娱乐系统以及导航系统等。
感知系统220可以包括若干种传感器，用于感测车辆200周边的环境的信息。例如，感知系统220可包括全球定位系统（全球定位系统可以是GPS系统，也可以是北斗系统或者其他定位系统）、惯性测量单元（inertial measurement unit，IMU）、激光雷达、毫米波雷达、超声雷达以及摄像装置。
决策控制系统230可以包括计算系统、整车控制器、转向系统、油门以及制动系统。
驱动系统240可以包括为车辆200提供动力运动的组件。在一个实施例中，驱动系统240可以包括引擎、能量源、传动系统和车轮。引擎可以是内燃机、电动机、空气压缩引擎中的一种或者多种的组合。引擎能够将能量源提供的能量转换成机械能量。
车辆200的部分或所有功能受计算平台250控制。计算平台250可包括至少一个处理器251和存储器252，处理器251可以执行存储在存储器252中的指令253。
处理器251可以是任何常规的处理器，诸如商业可获得的CPU。处理器还可以包括诸如图像处理器（Graphic Process Unit，GPU），现场可编程门阵列（Field ProgrammableGate Array，FPGA）、片上系统（System on Chip，SOC）、专用集成芯片（ApplicationSpecific Integrated Circuit，ASIC）或它们的组合。
存储器252可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（SRAM），电可擦除可编程只读存储器（EEPROM），可擦除可编程只读存储器（EPROM），可编程只读存储器（PROM），只读存储器（ROM），磁存储器，快闪存储器，磁盘或光盘。
除了指令253以外，存储器252还可存储数据，例如道路地图，路线信息，车辆的位置、方向、速度等数据。存储器252存储的数据可以被计算平台250使用。
在本公开实施例中，处理器251可以执行指令253，以实现本公开提供的障碍物检测方法的全部或部分步骤。
本公开实施例的车辆，可获取对象的检测网格中每个单元格的状态，并基于单元格的状态，生成对象的障碍物表示。由此，可基于单元格的状态，生成对象的障碍物表示，提高了障碍物表示的准确性和灵活性。
为了实现上述实施例，本公开还提出一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本公开提供的障碍物检测方法的步骤。
可选的，计算机可读存储介质可以是ROM、随机存取存储器（RAM）、CD-ROM、磁带、软盘和光数据存储设备等。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (13)
1.一种障碍物检测方法，其特征在于，包括：
获取对象的检测网格中每个单元格的状态，其中，所述单元格与三维空间存在对应关系，所述单元格的状态用于指示所述单元格对应的三维空间是否为障碍物；
基于所述单元格的状态，生成所述对象的障碍物表示。
2.根据权利要求1所述的方法，其特征在于，所述基于所述单元格的状态，生成所述对象的障碍物表示，包括：
基于所述单元格的状态，从所述单元格中筛选出目标单元格，其中，所述目标单元格的状态用于指示所述目标单元格对应的三维空间为障碍物；
基于所述目标单元格，生成所述障碍物表示。
3.根据权利要求2所述的方法，其特征在于，所述障碍物表示包括障碍物的总位置集合，所述基于所述目标单元格，生成所述障碍物表示，包括：
获取每个所述目标单元格的位置；
基于每个所述目标单元格的位置，生成所述障碍物的总位置集合。
4.根据权利要求2所述的方法，其特征在于，所述障碍物表示包括至少一个障碍物的子位置集合，所述基于所述目标单元格，生成所述障碍物表示，包括：
获取每个所述目标单元格的位置；
基于所述目标单元格的位置，从所述检测网格中确定至少一个连通区域，其中，所述连通区域由所述目标单元格组成；
基于任一所述连通区域中每个所述目标单元格的位置，生成任一所述障碍物的子位置集合。
5.根据权利要求4所述的方法，其特征在于，所述基于所述目标单元格的位置，从所述检测网格中确定至少一个连通区域，包括：
基于所述目标单元格的位置，确定任意相邻的两个目标单元格；
将所述任意相邻的两个目标单元格划分为一个所述连通区域。
6.根据权利要求4所述的方法，其特征在于，所述障碍物表示包括至少一个障碍物的区域，所述基于所述目标单元格，生成所述障碍物表示，包括：
将任一所述连通区域作为任一所述障碍物的区域。
7.根据权利要求4所述的方法，其特征在于，所述障碍物表示包括至少一个障碍物的边界，所述基于所述目标单元格，生成所述障碍物表示，包括：
将任一所述连通区域的边界作为任一所述障碍物的边界。
8.根据权利要求7所述的方法，其特征在于，所述将任一所述连通区域的边界作为任一所述障碍物的边界，包括：
确定任一所述连通区域中最外围的目标单元格，并将所述最外围的目标单元格作为边界单元格；
基于任一所述连通区域中的每个所述边界单元格，生成任一所述障碍物的边界。
9.根据权利要求1-8任一项所述的方法，其特征在于，所述获取对象的检测网格中每个单元格的状态，包括：
获取所述对象的点云数据；
基于所述点云数据和所述检测网格，确定所述单元格的状态。
10.根据权利要求9所述的方法，其特征在于，所述点云数据包括n个采样点的点云数据，其中，n为正整数，所述基于所述点云数据和所述检测网格，确定所述单元格的状态，包括：
基于第j个采样点的点云数据，识别所述第j个采样点是否为障碍物，其中，j为正整数，1≤j≤n；
获取所述第j个采样点在所述检测网格上的第j个投影点；
识别所述单元格内是否存在目标投影点，其中，所述目标投影点对应的采样点为障碍物，并基于所述单元格的识别结果，确定所述单元格的状态。
11.一种障碍物检测装置，其特征在于，包括：
获取模块，被配置为执行获取对象的检测网格中每个单元格的状态，其中，所述单元格与三维空间存在对应关系，所述单元格的状态用于指示所述单元格对应的三维空间是否为障碍物；
生成模块，被配置为执行基于所述单元格的状态，生成所述对象的障碍物表示。
12.一种车辆，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
实现权利要求1-10中任一项所述方法的步骤。
13.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，该程序指令被处理器执行时实现权利要求1-10中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210747026.7A CN114821543B (zh) | 2022-06-29 | 2022-06-29 | 障碍物检测方法、装置、车辆和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210747026.7A CN114821543B (zh) | 2022-06-29 | 2022-06-29 | 障碍物检测方法、装置、车辆和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114821543A true CN114821543A (zh) | 2022-07-29 |
| CN114821543B CN114821543B (zh) | 2022-10-18 |
Family
ID=82522642
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210747026.7A Active CN114821543B (zh) | 2022-06-29 | 2022-06-29 | 障碍物检测方法、装置、车辆和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114821543B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103576154A (zh) * | 2012-08-01 | 2014-02-12 | 通用汽车环球科技运作有限责任公司 | 使用雷达和摄像机的障碍物探测的融合 |
| CN105684039A (zh) * | 2013-10-31 | 2016-06-15 | 罗伯特·博世有限公司 | 用于驾驶员辅助系统的状况分析 |
| US20170357267A1 (en) * | 2016-06-10 | 2017-12-14 | Cnh Industrial America Llc | Autonomous work vehicle obstacle detection system |
| CN112859859A (zh) * | 2021-01-13 | 2021-05-28 | 中南大学 | 一种基于三维障碍物体素对象映射的动态栅格地图更新方法 |
-
2022
- 2022-06-29 CN CN202210747026.7A patent/CN114821543B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103576154A (zh) * | 2012-08-01 | 2014-02-12 | 通用汽车环球科技运作有限责任公司 | 使用雷达和摄像机的障碍物探测的融合 |
| CN105684039A (zh) * | 2013-10-31 | 2016-06-15 | 罗伯特·博世有限公司 | 用于驾驶员辅助系统的状况分析 |
| US20170357267A1 (en) * | 2016-06-10 | 2017-12-14 | Cnh Industrial America Llc | Autonomous work vehicle obstacle detection system |
| CN112859859A (zh) * | 2021-01-13 | 2021-05-28 | 中南大学 | 一种基于三维障碍物体素对象映射的动态栅格地图更新方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114821543B (zh) | 2022-10-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108319655B (zh) | 用于生成栅格地图的方法和装置 | |
| US10489686B2 (en) | Object detection for an autonomous vehicle | |
| CN112270306B (zh) | 一种基于拓扑路网的无人车轨迹预测与导航方法 | |
| CN111442776A (zh) | 顺序地面场景图像投影合成与复杂场景重构的方法及设备 | |
| EP3822852B1 (en) | Method, apparatus, computer storage medium and program for training a trajectory planning model | |
| CN109840448A (zh) | 用于无人驾驶车辆的信息输出方法和装置 | |
| JP2022513866A (ja) | 領域外コンテキストを用いたオブジェクト分類 | |
| US20170359561A1 (en) | Disparity mapping for an autonomous vehicle | |
| CN104411559A (zh) | 用于检测交通信号及其关联状态的鲁棒方法 | |
| CN112212874A (zh) | 车辆轨迹预测方法、装置、电子设备及计算机可读介质 | |
| CN111638536B (zh) | 用于情境感知众包稀疏高清晰度地图的方法和装置 | |
| CN111353453B (zh) | 用于车辆的障碍物检测方法和装置 | |
| US20240054895A1 (en) | Parking method and apparatus, storage medium, chip and vehicle | |
| CN112257668A (zh) | 主辅路判断方法、装置、电子设备及存储介质 | |
| CN111681172A (zh) | 协同构建点云地图的方法、设备和系统 | |
| CN114690769B (zh) | 路径规划方法、电子设备及存储介质、计算机程序产品 | |
| CN113038363B (zh) | 资源复用方法、终端和相关设备 | |
| CN115223015B (zh) | 模型训练方法、图像处理方法、装置和车辆 | |
| CN114821543B (zh) | 障碍物检测方法、装置、车辆和存储介质 | |
| CN112710316A (zh) | 专注于构造和本地化技术领域的动态地图生成 | |
| CN115205311B (zh) | 图像处理方法、装置、车辆、介质及芯片 | |
| CN115100630B (zh) | 障碍物检测方法、装置、车辆、介质及芯片 | |
| CN115718304A (zh) | 目标对象检测方法、装置、车辆及存储介质 | |
| CN114842458B (zh) | 障碍物检测方法、装置、车辆和存储介质 | |
| CN112747757A (zh) | 用于提供雷达数据的方法和设备、计算机程序和计算机可读存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |