CN114842166A - 应用于结构化道路的负障碍检测方法、系统、介质及设备 - Google Patents

应用于结构化道路的负障碍检测方法、系统、介质及设备 Download PDF

Info

Publication number
CN114842166A
CN114842166A CN202210210275.2A CN202210210275A CN114842166A CN 114842166 A CN114842166 A CN 114842166A CN 202210210275 A CN202210210275 A CN 202210210275A CN 114842166 A CN114842166 A CN 114842166A
Authority
CN
China
Prior art keywords
ground
point cloud
negative obstacle
height
information
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
Application number
CN202210210275.2A
Other languages
English (en)
Inventor
安向京
李思民
罗辉武
黄筠捷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changsha Xingshen Intelligent Technology Co Ltd
Original Assignee
Changsha Xingshen Intelligent Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changsha Xingshen Intelligent Technology Co Ltd filed Critical Changsha Xingshen Intelligent Technology Co Ltd
Priority to CN202210210275.2A priority Critical patent/CN114842166A/zh
Publication of CN114842166A publication Critical patent/CN114842166A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • 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
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
    • G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • 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
    • G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Graphics (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种应用于结构化道路的负障碍检测方法、系统、介质及设备，所述方法包括步骤：获取环境场景的原始点云信息；基于原始点云信息构建地面模型，通过地面模型提取地面信息；将提取的地面信息作为先验信息，逐线束对栅格化的邻近点云进行梯度特性分析和几何分布统计分析，将每条线束感知范围内的分析结果作为候选负障碍栅格；对所有线束的候选负障碍栅格进行汇总，并进行滤波，输出最终负障碍检测结果。本发明的系统、介质及设备均与方法相对应。本发明具有改善负障碍检测的稳定性和鲁棒性、提高检测精度等优点。

Description

应用于结构化道路的负障碍检测方法、系统、介质及设备
技术领域
本发明主要涉及无人驾驶技术领域，具体涉及一种应用于结构化道路的负障碍检测方法、系统、介质及设备。
背景技术
负障碍感知是无人驾驶车辆环境感知领域的研究重点和难点。车辆在结构化道路行驶中常会遇到诸如临时施工而在道路上深挖形成的壕沟等负障碍，若不对其进行有效检测，将有坠落的风险。
传统的用于负障碍物检测的方法有基于热红外图像、基于彩色图像和基于双目视觉的检测方法。其中基于热红外图像的检测方法是根据环境和负障碍的温度差检测环境中的负障碍，这种方法容易受到环境温度影响；基于彩色图像的检测方法是根据色彩模块和几何模型检测环境中的负障碍，这种容易受到环境中光照影响；基于双目视觉的检测方法同样容易受到环境光照和天气变化的影响。
为解决传统的图像检测容易受到光照和环境影响，在无人驾驶车辆中通常使用激光雷达进行负障碍检测，它能够通过点云数据精准的描述周围环境，具有探测范围广，精度高，不受光照条件影响等优点。
公开号为CN112505724A，发明名称为《道路负障碍检测方法及系统》的发明专利申请，将单帧环境点云数据根据载车运动信息进行空间叠加，得到多帧融合后的点云数据；将多帧融合后的点云数据进行负边缘提取，获得负边缘曲线，进而判断负障碍及其具体位置，完成对道路负障碍的检测。在该方法中通过多帧融合得到高密度局部地图，进而通过遮挡关系确定负障碍物位置。该发明需要通过安装在车辆两侧的补盲激光雷达来获取道路两侧面的环境信息，加上顶雷达获取激光点云数据，利用多帧融合的思想消除传统意义上的感知盲区，达到逻辑上无盲区的设计目标，以进行负障碍提取。上述发明一方面由于在车辆两侧使用了两个多线补盲雷达对感知进行增强，因而提高了整体硬件采购成本；另一方面由于雷达测量本身存在一定的误差，通过融合方法进行负障碍提取前需要进行数据预处理以将单帧数据进行位置对齐，而数据的整体对齐仍是融合的一大难题，所以该发明所提出的方案存在处理繁琐，适用性不强的弊端。
公开号为CN106650640A，发明名称为《一种基于激光雷达点云局部结构特征的负障碍物检测方法》的发明专利申请。在两侧采用两个垂直安装的雷达感知前方环境，将采集的点云数据逐线检测局部点云距离跳变、局部点云分布密集和局部点云高度下降三个结构特征，依据三个结构特征在单线激光点云中提取筛选获得可能属于负障碍物的候选点对；由各线激光的激光点云获得的所有候选点对，依据点对长度一致性和空间位置一致性进行聚类，得到负障碍物候选区域，再经过面积过滤、点对数量过滤得到负障碍物区域。该发明完全基于扫描线变化特征进行候选负障碍提取，再利用长度和宽度等空间连续性信息校验等手段进行后处理阶段的判定，在运动目标(尤其是低矮类的运动目标)存在较多的场景下会出现误检率过高的问题，稳定性没有保证。
发明内容
本发明要解决的技术问题就在于：针对现有技术存在的问题，本发明提供一种改善负障碍检测的稳定性和鲁棒性、提高检测准确度和精度的应用于结构化道路的负障碍检测方法、系统、介质及设备。
为解决上述技术问题，本发明提出的技术方案为：
一种应用于结构化道路的负障碍检测方法，包括步骤：
获取环境场景的原始点云信息；
基于原始点云信息构建地面模型，通过地面模型提取地面信息；
将提取的地面信息作为先验信息，逐线束对栅格化的邻近点云进行梯度特性分析和几何分布统计分析，将每条线束感知范围内的分析结果作为候选负障碍栅格；
对所有线束的候选负障碍栅格进行汇总，并进行滤波，输出最终负障碍检测结果。
作为上述技术方案的进一步改进：
通过地面模型提取地面信息的具体过程为：
将栅格化的地图点云转换到极坐标系统；
从雷达前方区域选择一部分区域，所选择区域内所有点云的高度满足一定高度值；
采用选择区域的点云高度均值作为启发式地面高度经验值，得到地面高度经验值后，以角度为处理次序，估计每个角度方向点云的地面高度。
估计每个角度方向点云的地面高度的过程为：
首先计算地面经验阈值，法则为按径向距离每2m增加10cm的松弛量，地面经验阈值加上松弛量得到目标扇区的地面高度阈值；
提取该扇区内的点云高度不超过扇区地面高度阈值的作为有效地面点云，获得该角度方向的所有有效地面点云，最后在该角度方向用RANSAC应用多项式曲线拟合，得到该扇区的地面高度；
最终获得所有扇区的地面高度。
候选负障碍栅格的得到过程为：根据划分的栅格，逐线束依次计算出栅格内的点云与地面模型的参考地面高度差，如果高度差大于一定值且点数大于n个，并且这些点云在以栅格为统计单位的高度变化度数大于一定度数，则标记为候选负障碍栅格。
利用空间近邻关系进行栅格空域滤波；其中栅格空域滤波是通过检测局部栅格距离跳变特征选取栅格邻近点间距局部极大值为判定结果。
梯度特性分析和几何分布统计分析包括对该栅格内的原始点云高度差、高度变化趋势、高度方差、点云平滑点和点云密度进行分析。
通过水平安装的雷达，对前方道路进行无死角探测以获取环境场景的原始点云信息。
本发明还公开了一种应用于结构化道路的负障碍检测系统，包括：
激光雷达点云获取模块，用于获取环境场景的原始点云信息；
地面信息提取模块，用于基于原始点云信息构建地面模型，通过地面模型提取地面信息；
候选负障碍提取模块，用于将提取的地面信息作为先验信息，逐线束对栅格化的邻近点云进行梯度特性分析和几何分布统计分析，将每条线束感知范围内的分析结果作为候选负障碍栅格；
负障碍区域鉴别及输出模块，用于对所有线束的候选负障碍栅格进行汇总，并进行滤波，输出最终负障碍检测结果。
本发明还公开了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在被处理器运行时执行如上所述方法的步骤。
本发明还公开了一种计算机设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述计算机程序在被处理器运行时执行如上所述方法的步骤。
与现有技术相比，本发明的优点在于：
(1)本发明的应用于结构化道路的负障碍检测方法，通过引入地面模型的地面信息，与通过直接扫描线特征或直接栅格划分统计的方法相比，通过提取地面高度作为先验知识，能够对抗地面非匀质材质的影响，消除点云局部耦合带来的统计跳变；地面中的负障碍一般拥有相对地平面向下陷的高度统计特性，故稳定的地面高度估计可以保证负障碍提取的稳定性和鲁棒性。
(2)本发明通过梯度特性分析和几何分布统计分析得到候选负障碍栅格，再通过空间近邻关系进行栅格空域滤波得到最终负障碍有效点，能够减少虚警，提高检测精度。
(3)本发明在遍历一次原数据即可实现地面信息提取和栅格统计信息的汇总，能够满足嵌入式计算设备的实时计算的需求，实现无人驾驶车辆在结构化道路中感知负障碍功能。
附图说明
图1为本发明的方法在实施例的流程图。
图2为本发明中的极坐标地面模型示意图。
图3为本发明中的多线激光雷达负障碍点云示意图(左下角空白处为负障碍)。
图4为本发明的系统在实施例的方框图。
具体实施方式
以下结合说明书附图和具体实施例对本发明作进一步描述。
如图1所示，本发明实施例的应用于结构化道路的负障碍检测方法，包括步骤：
获取环境场景的原始点云信息；
基于原始点云信息构建地面模型，通过地面模型提取地面信息；
将提取的地面信息作为先验信息，逐线束对栅格化的邻近点云进行梯度特性分析和几何分布统计分析，将每条线束感知范围内的分析结果作为候选负障碍栅格；
对所有线束的候选负障碍栅格进行汇总，并进行滤波，输出最终负障碍检测结果。
在一具体实施例中，通过地面模型提取地面信息过程为：将栅格化的地图点云转换到极坐标系统，其中，角度分辨率为2度，径向距离分辨率为50cm。从雷达前方区域选择一部分区域，所选择区域内所有点云的高度满足：高度的绝对值不高于30cm；采用选择区域的点云高度均值作为启发式地面高度经验值。得到地面高度经验值后，以角度为处理次序，对每个角度方向的点云作地面高度估计：首先计算地面经验阈值，法则为按径向距离每2m增加10cm的松弛量，地面经验阈值加上松弛量可得到目标扇区的地面高度阈值，提取该扇区内的点云高度不超过扇区地面高度阈值的作为有效地面点云，这样可获得该角度方向的所有有效地面点云；最后在该角度方向用RANSAC应用多项式曲线拟合，拟合系数为3次(或者更多次)；对每个角度方向都用该操作方法可获得所有扇区的地面高度。
与通过直接扫描线特征或直接栅格划分统计的方法相比，引入地面模型提取了地面高度作为先验知识，故能够对抗地面非匀质材质的影响，消除点云局部耦合带来的统计跳变。地面中的负障碍一般拥有相对地平面向下陷的高度统计特性，故稳定的地面高度估计可以保证负障碍提取的稳定性和鲁棒性。
在一具体实施例中，在进行候选负障碍栅格的判定后，进一步利用空间近邻关系进行栅格空域滤波；其中栅格空域滤波是通过检测局部栅格距离跳变特征选取栅格邻近点间距局部极大值为判定结果。具体地，由于负障碍在点云中存在距离跳变的情况，且跳变后的高度低于地面模型参考高度。故使用上述的栅格空域滤波一方面能够有效的去除噪点，另一方面也能够根据局部距离跳变的特性准确的找出负障碍区域。上述基于空间邻域关系滤波用于消除孤立虚警点，适用于具有一定规则几何形状的目标，并且在空间关系上保持连续性。
在一具体实施例中，梯度特性分析和几何分布统计分析包括对该栅格内的原始点云高度差、高度变化趋势、高度方差、点云平滑点和点云密度进行分析。具体地，高度差的计算方式为：计算点云与地面参考模型输出的高度的差值；高度变化率的计算方式为：计算该点在高度方向的斜率，转化为0-180度的角度值。其中负障碍边界与地面的阈值条件为：相邻栅格的角度大于或等于30度；点云平滑度的计算方式为：统计同属一个栅格的点云的方差；点云密度的计算方式为：统计同性一个栅格的点云的数目，并将点云数值转化为非常稀疏、稀疏、中等密度、高密度等四种等级进行统一化描述。
在一具体实施例中，地点信息包括地面方程及当前的地面高度信息(由于各种误差的累计，激光原始点云得到地面高度不是绝对的0，使用地面模型可以准确的找到该区域中的地面高度信息)。
在一具体实施例中，通过水平安装的雷达，对前方道路进行无死角探测以获取环境场景的原始点云信息。通过创新地将雷达安装方式改造为水平安装，实现车辆前方道路的无盲区感知。
本发明的应用于结构化道路的负障碍检测方法，通过引入地面模型的地面信息，与通过直接扫描线特征或直接栅格划分统计的方法相比，通过提取地面高度作为先验知识，能够对抗地面非匀质材质的影响，消除点云局部耦合带来的统计跳变；地面中的负障碍一般拥有相对地平面向下陷的高度统计特性，故稳定的地面高度估计可以保证负障碍提取的稳定性和鲁棒性。
本发明通过梯度特性分析和几何分布统计分析得到候选负障碍栅格，再通过空间近邻关系进行栅格空域滤波得到最终负障碍有效点，能够减少虚警，提高检测精度。
本发明在遍历一次原数据即可实现地面信息提取和栅格统计信息的汇总，能够满足嵌入式计算设备的实时计算的需求，实现无人驾驶车辆在结构化道路中感知负障碍功能。如图4所示，本发明实施例还公开了一种应用于结构化道路的负障碍检测系统，包括：
激光雷达点云获取模块，用于获取环境场景的原始点云信息；
地面信息提取模块，用于基于原始点云信息构建地面模型，通过地面模型提取地面信息；
候选负障碍提取模块，用于将提取的地面信息作为先验信息，逐线束对栅格化的邻近点云进行梯度特性分析和几何分布统计分析，将每条线束感知范围内的分析结果作为候选负障碍栅格；
负障碍区域鉴别及输出模块，用于对所有线束的候选负障碍栅格进行汇总，并进行滤波，输出最终负障碍检测结果。
本发明的系统与上述的方法相对应，同样具有如上方法所述的优点。
下面结合一完整的具体实施例来对本发明做进一步说明：
使用雷达扫描周围环境，获取周围场景的三维点云描述，如图3所示；其中点云数据由水平安装的激光雷达获得，该安装方式使得雷达可以对前方道路进行无死角探测；激光雷达为多线激光旋转扫描的工作方式，一根激光线束对应一段连续分布的点云；当然，也可以采用单线激光点云来代替多线激光点云；
基于地面模型算法生成地面描述，提取地面信息。其中地面模型是基于采集到的周围环境点云动态生成；地面信息包括地面方程及当前的地面高度信息；
具体地，地面模型提取地面信息的过程为：将栅格化的地图点云转换到极坐标系统，其中，角度分辨率为2度，径向距离分辨率为50cm。从雷达前方区域选择一部分区域，所选择区域内所有点云的高度满足：高度的绝对值不高于30cm；采用选择区域的点云高度均值作为启发式地面高度经验值。得到地面高度经验值后，以角度为处理次序，对每个角度方向的点云作地面高度估计：首先计算地面经验阈值，法则为按径向距离每2m增加10cm的松弛量，地面经验阈值加上松弛量可得到目标扇区的地面高度阈值，提取该扇区内的点云高度不超过扇区地面高度阈值的作为有效地面点云，这样可获得该角度方向的所有有效地面点云；最后在该角度方向用RANSAC应用多项式曲线拟合，拟合系数为3次(或者更多次)；对每个角度方向都用该操作方法可获得所有扇区的地面高度。其中地面模型的计算结果为地面高度及该角度方向的多项式拟合系数。
如图3所示，以车辆为原点，将图3所示的多线束点云数据按照图2所示的极坐标划分为不同的网格，计算得到各个栅格内地面模型得到地面信息；然后再将每条线束的点云栅格化聚类并以提取的地面信息作为先验信息进行分析，具体是逐线束对栅格化的邻近点云进行梯度特性分析和几何分布统计分析，将每条线束感知范围内的分析结果作为第一负障碍判定结果，输出为候选负障碍栅格；其中梯度特性分析指的是与参考地面的高度差以及变化率和曲率，具体为Z方向的一阶和二阶导数；几何分布统计分析指的统计方向的点云密度、高度方差；具体地，得到候选负障碍栅格的过程为：根据划分的栅格，逐线束依次计算出栅格内的点云和地面模型参考地面高度差，如果满足低于地面模型参考高度30cm的点数大于10个，并且这些点在以栅格为统计单位的高度变化度数大于30度，则标记为候选负障碍栅格。
进一步地，对所有线束的候选负障碍栅格汇总，并利用空间近邻关系进行栅格空域滤波，输出结果作为第二负障碍判定结果；其中栅格空域滤波是通过检测局部栅格距离跳变特征选取栅格邻近点间距局部极大值为判定结果。具体地，汇总邻近栅格内点云，检测邻近栅格距离跳变特征，如果距离跳变大于10cm且栅格存在候选负障碍点并附近5cm内能找到其他候选负障碍点则标志为有效负障碍点。负障碍区域输出模块汇总所有线束的第二负障碍判定结果作为最终负障碍输出。
本发明还公开了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在被处理器运行时执行如上所述方法的步骤。本发明进一步公开了一种计算机设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述计算机程序在被处理器运行时执行如上所述方法的步骤。
本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一个计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。存储器可用于存储计算机程序和/或模块，处理器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现各种功能。存储器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，例如硬盘、内存、插接式硬盘，智能存储卡(Smart MediaCard,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其它易失性固态存储器件等。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (10)

1.一种应用于结构化道路的负障碍检测方法，其特征在于，包括步骤：
获取环境场景的原始点云信息；
基于原始点云信息构建地面模型，通过地面模型提取地面信息；
将提取的地面信息作为先验信息，逐线束对栅格化的邻近点云进行梯度特性分析和几何分布统计分析，将每条线束感知范围内的分析结果作为候选负障碍栅格；
对所有线束的候选负障碍栅格进行汇总，并进行滤波，输出最终负障碍检测结果。
2.根据权利要求1所述的应用于结构化道路的负障碍检测方法，其特征在于，通过地面模型提取地面信息的具体过程为：
将栅格化的地图点云转换到极坐标系统；
从雷达前方区域选择一部分区域，所选择区域内所有点云的高度满足一定高度值；
采用选择区域的点云高度均值作为启发式地面高度经验值，得到地面高度经验值后，以角度为处理次序，估计每个角度方向点云的地面高度。
3.根据权利要求2所述的应用于结构化道路的负障碍检测方法，其特征在于，估计每个角度方向点云的地面高度的过程为：
首先计算地面经验阈值，法则为按径向距离每2m增加10cm的松弛量，地面经验阈值加上松弛量得到目标扇区的地面高度阈值；
提取该扇区内的点云高度不超过扇区地面高度阈值的作为有效地面点云，获得该角度方向的所有有效地面点云，最后在该角度方向用RANSAC应用多项式曲线拟合，得到该扇区的地面高度；
最终获得所有扇区的地面高度。
4.根据权利要求3所述的应用于结构化道路的负障碍检测方法，其特征在于，候选负障碍栅格的得到过程为：根据划分的栅格，逐线束依次计算出栅格内的点云与地面模型的参考地面高度差，如果高度差大于一定值且点数大于n个，并且这些点云在以栅格为统计单位的高度变化度数大于一定度数，则标记为候选负障碍栅格。
5.根据权利要求1～4中任意一项所述的应用于结构化道路的负障碍检测方法，其特征在于，利用空间近邻关系进行栅格空域滤波；其中栅格空域滤波是通过检测局部栅格距离跳变特征选取栅格邻近点间距局部极大值为判定结果。
6.根据权利要求1～4中任意一项所述的应用于结构化道路的负障碍检测方法，其特征在于，梯度特性分析和几何分布统计分析包括对该栅格内的原始点云高度差、高度变化趋势、高度方差、点云平滑点和点云密度进行分析。
7.根据权利要求1～4中任意一项所述的应用于结构化道路的负障碍检测方法，其特征在于，通过水平安装的雷达，对前方道路进行无死角探测以获取环境场景的原始点云信息。
8.一种应用于结构化道路的负障碍检测系统，其特征在于，包括：
激光雷达点云获取模块，用于获取环境场景的原始点云信息；
地面信息提取模块，用于基于原始点云信息构建地面模型，通过地面模型提取地面信息；
候选负障碍提取模块，用于将提取的地面信息作为先验信息，逐线束对栅格化的邻近点云进行梯度特性分析和几何分布统计分析，将每条线束感知范围内的分析结果作为候选负障碍栅格；
负障碍区域鉴别及输出模块，用于对所有线束的候选负障碍栅格进行汇总，并进行滤波，输出最终负障碍检测结果。
9.一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，所述计算机程序在被处理器运行时执行如权利要求1～7中任意一项所述方法的步骤。
10.一种计算机设备，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述计算机程序在被处理器运行时执行如权利要求1～7中任意一项所述方法的步骤。
CN202210210275.2A 2022-03-03 2022-03-03 应用于结构化道路的负障碍检测方法、系统、介质及设备 Pending CN114842166A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210210275.2A CN114842166A (zh) 2022-03-03 2022-03-03 应用于结构化道路的负障碍检测方法、系统、介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210210275.2A CN114842166A (zh) 2022-03-03 2022-03-03 应用于结构化道路的负障碍检测方法、系统、介质及设备

Publications (1)

Publication Number Publication Date
CN114842166A true CN114842166A (zh) 2022-08-02

Family

ID=82562950

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210210275.2A Pending CN114842166A (zh) 2022-03-03 2022-03-03 应用于结构化道路的负障碍检测方法、系统、介质及设备

Country Status (1)

Country Link
CN (1) CN114842166A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115356747A (zh) * 2022-10-19 2022-11-18 成都朴为科技有限公司 一种多线激光雷达障碍物识别方法和装置
CN116990832A (zh) * 2023-08-04 2023-11-03 长沙行深智能科技有限公司 危险道路边沿感知方法、装置、终端设备及存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115356747A (zh) * 2022-10-19 2022-11-18 成都朴为科技有限公司 一种多线激光雷达障碍物识别方法和装置
CN115356747B (zh) * 2022-10-19 2023-01-24 成都朴为科技有限公司 一种多线激光雷达障碍物识别方法和装置
CN116990832A (zh) * 2023-08-04 2023-11-03 长沙行深智能科技有限公司 危险道路边沿感知方法、装置、终端设备及存储介质

Similar Documents

Publication Publication Date Title
CN109684921B (zh) 一种基于三维激光雷达的道路边界检测与跟踪方法
JP5820774B2 (ja) 路面境界推定装置及びプログラム
CN111487641B (zh) 一种利用激光雷达检测物体的方法、装置、电子设备及存储介质
JP5822255B2 (ja) 対象物識別装置及びプログラム
CN109522804B (zh) 一种道路边沿识别方法及系统
CN109635816B (zh) 车道线生成方法、装置、设备以及存储介质
CN111325138B (zh) 一种基于点云局部凹凸特征的道路边界实时检测方法
CN110197173B (zh) 一种基于双目视觉的路沿检测方法
CN108280840B (zh) 一种基于三维激光雷达的道路实时分割方法
CN114842166A (zh) 应用于结构化道路的负障碍检测方法、系统、介质及设备
CN108074232B (zh) 一种基于体元分割的机载lidar建筑物检测方法
JP2013140515A (ja) 立体物検出装置及びプログラム
JP4102885B2 (ja) 駐車車両検知方法及び駐車車両検知システム
CN110110678B (zh) 道路边界的确定方法和装置、存储介质及电子装置
CN113673274A (zh) 道路边界检测方法、装置、计算机设备和存储介质
EP2677462B1 (en) Method and apparatus for segmenting object area
CN115327572A (zh) 一种车辆前方障碍物检测方法
Haghighatgou et al. A method for automatic identification of openings in buildings facades based on mobile LiDAR point clouds for assessing impacts of floodings
CN114676789A (zh) 一种点云融合方法、装置、计算机设备和存储介质
Nitsch et al. 3d ground point classification for automotive scenarios
CN113989765A (zh) 一种轨道障碍物的检测方法、检测装置及可读存储介质
Truong-Hong et al. Automatic detection of road edges from aerial laser scanning data
Iwasaki et al. Real-time robust vehicle detection through the same algorithm both day and night
KR101910256B1 (ko) 카메라 기반 도로 곡률 추정을 위한 차선 검출 방법 및 시스템
Oniga et al. A fast ransac based approach for computing the orientation of obstacles in traffic scenes

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