CN114966631A - 车载激光雷达的故障诊断及处理方法、装置、介质及车辆 - Google Patents

车载激光雷达的故障诊断及处理方法、装置、介质及车辆 Download PDF

Info

Publication number
CN114966631A
CN114966631A CN202210558000.8A CN202210558000A CN114966631A CN 114966631 A CN114966631 A CN 114966631A CN 202210558000 A CN202210558000 A CN 202210558000A CN 114966631 A CN114966631 A CN 114966631A
Authority
CN
China
Prior art keywords
vehicle
fault
real
laser radar
type
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
CN202210558000.8A
Other languages
English (en)
Inventor
周佳
刘国翌
佘晓丽
任少卿
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.)
Anhui Weilai Zhijia Technology Co Ltd
Original Assignee
Anhui Weilai Zhijia 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 Anhui Weilai Zhijia Technology Co Ltd filed Critical Anhui Weilai Zhijia Technology Co Ltd
Priority to CN202210558000.8A priority Critical patent/CN114966631A/zh
Publication of CN114966631A publication Critical patent/CN114966631A/zh
Priority to EP23174211.5A priority patent/EP4279950A1/en
Pending legal-status Critical Current

Links

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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
    • G01S7/497—Means for monitoring or calibrating
    • 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
    • G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
    • G01S17/06—Systems determining position data of a target
    • G01S17/42—Simultaneous measurement of distance and other co-ordinates
    • 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
    • G01S17/87—Combinations of systems using electromagnetic waves other than radio waves
    • 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
    • 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
    • G01S7/4808—Evaluating distance, position or velocity data
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Optical Radar Systems And Details Thereof (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及自动驾驶技术领域，具体提供一种车载激光雷达的故障诊断及处理方法、装置、介质及车辆，旨在解决如何即时准确地对车载激光雷达存在的故障进行诊断，并实时处理的问题。为此目的，本发明能够将车载激光雷达针对第一预设目标采集的实时点云数据与预存的第一预设目标的标准点云数据进行比较，根据比较结果判断车载激光雷达是否存在第一类型故障，并根据车辆所处的当前场景，判断是否对第一类型故障进行处理，结合车辆所处的当前场景判断是否对第一类型故障进行处理，能够实现对车载激光雷达及时准确地诊断，并进行有效处理，能够确保车载激光雷达的有效诊断和故障排查，进一步确保了自动驾驶的功能，提升用户体验。

Description

车载激光雷达的故障诊断及处理方法、装置、介质及车辆
技术领域
本发明涉及自动驾驶技术领域，具体提供一种车载激光雷达的故障诊断及处理方法、装置、介质及车辆。
背景技术
随着自动驾驶技术的不断发展，自动驾驶的相关功能和用户体验都得到了很大程度的提升。车载激光雷达作为自动驾驶技术中的核心部件，其能否即时准确地采集周围环境的信息对于自动驾驶功能是至关重要的。因而，需要对车载激光雷达进行有效地诊断和故障排查。
现有技术中，主要是使用仪器仪表来诊断车载激光雷达是否存在故障，并对故障进行修复。这种方法无法即时的反馈车载激光雷达的问题，并实时校准车载激光雷达的参数。
相应地，本领域需要一种新的车载激光雷达的故障诊断及处理方案来解决上述问题。
发明内容
为了克服上述缺陷，提出了本发明，以提供解决或至少部分地解决如何即时准确地对车载激光雷达存在的故障进行诊断，并实时处理的问题。
在第一方面，本发明提供一种车载激光雷达的故障诊断及处理方法，包括：
将所述车载激光雷达对第一预设目标采集的实时点云数据与预存的所述第一预设目标的标准点云数据进行比较；
根据比较结果判断所述车载激光雷达是否存在第一类型故障；
获取车辆所处的当前场景；
当存在所述第一类型故障时，根据所述车辆所处的当前场景，判断对所述第一类型故障是否进行处理。
在上述车载激光雷达的故障诊断及处理方法的一个技术方案中，所述将所述车载激光雷达对第一预设目标采集的实时点云数据与预存的所述第一预设目标的标准点云数据进行比较，包括：
比较所述实时点云数据和所述标准点云数据，获取所述实时点云数据和所述标准点云数据的相似度；
所述根据比较结果判断所述车载激光雷达是否存在第一类型故障，包括：
当所述相似度小于预设的相似度阈值时，判定所述车载激光雷达存在所述第一类型故障。
在上述车载激光雷达的故障诊断及处理方法的一个技术方案中，所述当存在所述第一类型故障时，根据所述车辆所处的当前场景，判断对所述第一类型故障是否进行处理，包括：
判断所述车辆所处的当前场景是否为预设场景，其中所述预设场景为因环境因素造成点云数据缺失的场景；
若判断所述车辆所处的当前场景不是预设场景，向车载设备发出故障报警信息；
若判断所述车辆所处的当前场景为预设场景，则不做进一步处理。
在上述车载激光雷达的故障诊断及处理方法的一个技术方案中，所述当存在所述第一类型故障时，根据所述车辆所处的当前场景，判断对所述第一类型故障是否进行处理，包括：
判断所述车辆所处的当前场景是否为预设场景，其中所述预设场景为因环境因素造成点云数据缺失的场景；
若判断所述车辆所处的当前场景不是预设场景，确定所述第一类型故障存在的故障时长；
若所述故障时长超过预设时长阈值时，向车载设备发出故障报警信息；
当所述故障时长未超过所述预设时长阈值时，则不做进一步处理；
若判断所述车辆所处的当前场景为预设场景，则不做进一步处理。
在上述车载激光雷达的故障诊断及处理方法的一个技术方案中，所述获取车辆所处的当前场景，包括：
将车辆的实时车端信号和车载相机采集的实时图像数据进行实时融合；
根据所述实时融合的结果获取所述车辆所处的当前场景。
在上述车载激光雷达的故障诊断及处理方法的一个技术方案中，所述实时车端信号包括车端CAN信号、RTK信号和IMU信号中的至少一种。
在上述车载激光雷达的故障诊断及处理方法的一个技术方案中，还包括：
获取所述车载激光雷达和车载相机分别对第二预设目标采集的实时点云数据和实时图像数据；
通过比较所述实时点云数据和所述实时图像数据，判断所述车载激光雷达是否存在第二类型故障；
若判断所述车载激光雷达存在所述第二类型故障，对所述第二类型故障进行修复。
在上述车载激光雷达的故障诊断及处理方法的一个技术方案中，所述通过比较所述实时点云数据和所述实时图像数据，判断所述车载激光雷达是否存在第二类型故障，包括：
根据所述实时点云数据获取所述第二预设目标的第一位置信息；
根据所述实时图像数据获取所述第二预设目标的第二位置信息；
根据所述车载激光雷达与所述车载相机之间的外参，将所述第一位置信息和所述第二位置信息进行比较，获取所述第一位置信息和所述第二位置信息之间的位置偏差；
若所述位置偏差大于预设的偏差阈值，则判定所述车载激光雷达存在所述第二类型故障。
在上述车载激光雷达的故障诊断及处理方法的一个技术方案中，所述若判断所述车载激光雷达存在所述第二类型故障，对所述第二类型故障进行修复，包括：
步骤S1：根据所述实时点云数据和所述实时图像数据，对所述车载激光雷达和所述车载相机之间的外参进行实时车端标定；
步骤S2：判断所述外参是否实时车端标定成功；若是，则跳转至步骤S3；若否，则跳转至步骤S4；
步骤S3：完成所述第二类型故障的修复；
步骤S4：判断所述实时车端标定的次数是否大于预设的次数阈值；若是，则跳转至步骤S5；若否，则跳转至步骤S1；
步骤S5：控制与所述车辆通信连接的云端服务器向所述车辆下发更新的标定文件，以完成所述第二类型故障的修复，其中，所述更新的标定文件包括所述车载激光雷达的准确内参以及所述车载激光雷达与所述车载相机之间的准确外参。
在第二方面，提供一种控制装置，该控制装置包括处理器和存储装置，所述存储装置适于存储多条程序代码，所述程序代码适于由所述处理器加载并运行以执行在上述车载激光雷达的故障诊断及处理方法的一个技术方案中任一项技术方案所述的车载激光雷达的故障诊断及处理方法。
在第三方面，提供一种计算机可读存储介质，该计算机可读存储介质其中存储有多条程序代码，所述程序代码适于由处理器加载并运行以执行上述车载激光雷达的故障诊断及处理方法的技术方案中任一项技术方案所述的车载激光雷达的故障诊断及处理方法。
在第四方面，提供一种车辆，所述车辆包括上述控制装置技术方案所述的控制装置。
本发明上述一个或多个技术方案，至少具有如下一种或多种有益效果：
在实施本发明的技术方案中，本发明能够将车载激光雷达针对第一预设目标采集的实时点云数据与预存的第一预设目标的标准点云数据进行比较，根据比较结果判断车载激光雷达是否存在第一类型故障，并根据车辆所处的当前场景，判断是否对第一类型故障进行处理。通过上述配置方式，本发明能够实时地对车载激光雷达是否存在第一类型故障进行诊断，并结合车辆所处的当前场景判断是否对第一类型故障进行处理，能够实现对车载激光雷达及时准确地诊断，并进行有效处理，能够确保车载激光雷达的有效诊断和故障排查，进一步确保了自动驾驶的功能，提升用户体验。
方案1.一种车载激光雷达的故障诊断及处理方法，其特征在于，包括：
将所述车载激光雷达对第一预设目标采集的实时点云数据与预存的所述第一预设目标的标准点云数据进行比较；
根据比较结果判断所述车载激光雷达是否存在第一类型故障；
获取车辆所处的当前场景；
当存在所述第一类型故障时，根据所述车辆所处的当前场景，判断对所述第一类型故障是否进行处理。
方案2.根据方案1所述的方法，其特征在于，
所述将所述车载激光雷达对第一预设目标采集的实时点云数据与预存的所述第一预设目标的标准点云数据进行比较，包括：
比较所述实时点云数据和所述标准点云数据，获取所述实时点云数据和所述标准点云数据的相似度；
所述根据比较结果判断所述车载激光雷达是否存在第一类型故障，包括：
当所述相似度小于预设的相似度阈值时，判定所述车载激光雷达存在所述第一类型故障。
方案3.根据方案1或2所述的方法，其特征在于，所述当存在所述第一类型故障时，根据所述车辆所处的当前场景，判断对所述第一类型故障是否进行处理，包括：
判断所述车辆所处的当前场景是否为预设场景，其中所述预设场景为因环境因素造成点云数据缺失的场景；
若判断所述车辆所处的当前场景不是预设场景，向车载设备发出故障报警信息；
若判断所述车辆所处的当前场景为预设场景，则不做进一步处理。
方案4.根据方案1或2所述的方法，其特征在于，所述当存在所述第一类型故障时，根据所述车辆所处的当前场景，判断对所述第一类型故障是否进行处理，包括：
判断所述车辆所处的当前场景是否为预设场景，其中所述预设场景为因环境因素造成点云数据缺失的场景；
若判断所述车辆所处的当前场景不是预设场景，确定所述第一类型故障存在的故障时长；
若所述故障时长超过预设时长阈值时，向车载设备发出故障报警信息；
当所述故障时长未超过所述预设时长阈值时，则不做进一步处理；
若判断所述车辆所处的当前场景为预设场景，则不做进一步处理。
方案5.根据方案1所述的方法，其特征在于，所述获取车辆所处的当前场景，包括：
将车辆的实时车端信号和车载相机采集的实时图像数据进行实时融合；
根据所述实时融合的结果获取所述车辆所处的当前场景。
方案6.根据方案5所述的方法，其特征在于，所述实时车端信号包括车端CAN信号、RTK信号和IMU信号中的至少一种。
方案7.根据方案1所述的方法，其特征在于，还包括：
获取所述车载激光雷达和车载相机分别对第二预设目标采集的实时点云数据和实时图像数据；
通过比较所述实时点云数据和所述实时图像数据，判断所述车载激光雷达是否存在第二类型故障；
若判断所述车载激光雷达存在所述第二类型故障，对所述第二类型故障进行修复。
方案8.根据方案7所述的方法，其特征在于，所述通过比较所述实时点云数据和所述实时图像数据，判断所述车载激光雷达是否存在第二类型故障，包括：
根据所述实时点云数据获取所述第二预设目标的第一位置信息；
根据所述实时图像数据获取所述第二预设目标的第二位置信息；
根据所述车载激光雷达与所述车载相机之间的外参，将所述第一位置信息和所述第二位置信息进行比较，获取所述第一位置信息和所述第二位置信息之间的位置偏差；
若所述位置偏差大于预设的偏差阈值，则判定所述车载激光雷达存在所述第二类型故障。
方案9.根据方案7所述的方法，其特征在于，所述若判断所述车载激光雷达存在所述第二类型故障，对所述第二类型故障进行修复，包括：
步骤S1：根据所述实时点云数据和所述实时图像数据，对所述车载激光雷达和所述车载相机之间的外参进行实时车端标定；
步骤S2：判断所述外参是否实时车端标定成功；若是，则跳转至步骤S3；若否，则跳转至步骤S4；
步骤S3：完成所述第二类型故障的修复；
步骤S4：判断所述实时车端标定的次数是否大于预设的次数阈值；若是，则跳转至步骤S5；若否，则跳转至步骤S1；
步骤S5：控制与所述车辆通信连接的云端服务器向所述车辆下发更新的标定文件，以完成所述第二类型故障的修复，其中，所述更新的标定文件包括所述车载激光雷达的准确内参以及所述车载激光雷达与所述车载相机之间的准确外参。
方案10.一种控制装置，包括处理器和存储装置，所述存储装置适于存储多条程序代码，其特征在于，所述程序代码适于由所述处理器加载并运行以执行方案1至9中任一项所述的车载激光雷达的故障诊断及处理方法。
方案11.一种计算机可读存储介质，其中存储有多条程序代码，其特征在于，所述程序代码适于由处理器加载并运行以执行方案1至9中任一项所述的车载激光雷达的故障诊断及处理方法。
方案12.一种车辆，其特征在于，所述车辆包括方案10所述的控制装置。
附图说明
参照附图，本发明的公开内容将变得更易理解。本领域技术人员容易理解的是：这些附图仅仅用于说明的目的，而并非意在对本发明的保护范围组成限制。此外，图中类似的数字用以表示类似的部件，其中：
图1是根据本发明的一个实施例的车载激光雷达的故障诊断及处理方法的主要步骤流程示意图；
图2是根据本发明实施例的一个实施方式的车载激光雷达的第二类型故障的诊断及处理方法主要步骤流程示意图
图3是根据本发明实施例的一个实施方式的车载激光雷达的故障诊断及处理方法的主要步骤流程示意图；
图4是根据本发明实施例的一个实施方式的实现车载激光雷达的故障诊断及处理方法的系统的主要系统结构框图。
具体实施方式
下面参照附图来描述本发明的一些实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。
在本发明的描述中，“模块”、“处理器”可以包括硬件、软件或者两者的组合。一个模块可以包括硬件电路，各种合适的感应器，通信端口，存储器，也可以包括软件部分，比如程序代码，也可以是软件和硬件的组合。处理器可以是中央处理器、微处理器、图像处理器、数字信号处理器或者其他任何合适的处理器。处理器具有数据和/或信号处理功能。处理器可以以软件方式实现、硬件方式实现或者二者结合方式实现。非暂时性的计算机可读存储介质包括任何合适的可存储程序代码的介质，比如磁碟、硬盘、光碟、闪存、只读存储器、随机存取存储器等等。术语“A和/或B”表示所有可能的A与B的组合，比如只是A、只是B或者A和B。术语“至少一个A或B”或者“A和B中的至少一个”含义与“A和/或B”类似，可以包括只是A、只是B或者A和B。单数形式的术语“一个”、“这个”也可以包含复数形式。
参阅附图1，图1是根据本发明的一个实施例的车载激光雷达的故障诊断及处理方法的主要步骤流程示意图。如图1所示，本发明实施例中的车载激光雷达的故障诊断及处理方法主要包括下列步骤S101-步骤S104。
步骤S101：将车载激光雷达对第一预设目标采集的实时点云数据与预存的第一预设目标的标准点云数据进行比较。
在本实施例中，可以设定一个第一预设目标，将车载激光雷达采集的第一预设目标的实时点云数据与车端预存的第一预设目标的标准点云数据进行比较。
一个实施方式中，第一预设目标可以为车辆行驶场景中较为常见的目标，如车型较为常见的车辆(如三厢五座轿车)等。
步骤S102：根据比较结果判断车载激光雷达是否存在第一类型故障。
在本实施例中，可以根据实时点云数据与标准点云数据的比较结果判断车载激光雷达是否存在第一类型故障。
一个实施方式中，第一类型故障可以为车载激光雷达存在遮挡或者车载激光雷达采集的实时点云数据存在噪点，导致车载激光雷达采集的实时点云数据不准确或不完整。
步骤S103：获取车辆所处的当前场景。
在本实施例中，可以进一步获取车辆所处的当前场景。
一个实施方式中，车辆所处的当前场景可以为按照天气区分的场景，如雨雪天气场景、雾天场景、晴天场景；也可以是按照时间区分的场景，如白天场景、黑夜场景；还可以是根据地点区分的场景，如隧道场景、地库场景、普通道路场景等。
步骤S104：当存在第一类型故障时，根据车辆所处的当前场景，判断对第一类型故障是否进行处理。
在本实施例中，当判断车载激光雷达存在第一类型故障时，可以根据车辆所处的当前场景，判断是否对第一类型故障进行处理。即，结合场景对第一类型故障进行综合判断，以决定是否对第一类型故障进行处理。
基于上述步骤S101-步骤S104，本发明实施例能够将车载激光雷达针对第一预设目标采集的实时点云数据与预存的第一预设目标的标准点云数据进行比较，根据比较结果判断车载激光雷达是否存在第一类型故障，并根据车辆所处的当前场景，判断是否对第一类型故障进行处理。通过上述配置方式，本发明实施例能够实时地对车载激光雷达是否存在第一类型故障进行诊断，并结合车辆所处的当前场景判断是否对第一类型故障进行处理，能够实现对车载激光雷达及时准确地诊断，并进行有效处理，能够确保车载激光雷达的有效诊断和故障排查，进一步确保了自动驾驶的功能，提升用户体验。
下面对步骤S101至步骤S104作进一步地说明。
在本发明实施例的一个实施方式中，步骤S101可以进一步包括以下步骤：
比较实时点云数据和标准点云数据，获取实时点云数据和标准点云数据的相似度。
在本实施方式中，可以将第一预设目标的实时点云数据和标准点云数据进行比较，获得实时点云数据和标准点云数据的相似度。
一个实施方式中，可以使用ICP(Iterative Closest Point，迭代最近邻点)算法来获取实时点云数据和标准点云数据的相似度。也可以使用NDT(Normal DistributionsTransform，正态分布变换)算法来获取实时点云数据和标准点云数据的相似度。
在本发明实施例的一个实施方式中，步骤S102可以进一步包括以下步骤：
当相似度小于预设的相似度阈值时，判定车载激光雷达存在第一类型故障。
在本实施方式中，可以将获取的实时点云数据和标准点云数据的相似度与预设的相似度阈值进行比较，当相似度小于相似度阈值时，则判定车载激光雷达存在第一类型故障。
具体地，由于车载激光雷达采集的实时点云数据与标准点云数据都是同一类型目标的点云数据，那么在车载激光雷达正常工作且车辆所处的当前场景的环境因素不会导致点云数据缺失的情况下，实时点云数据与标准点云数据应该具有较高的相似度；当实时点云数据与标准点云数据的相似度小于相似度阈值时，则可以认为车载激光雷达出现第一类型故障或者车辆所处的当前场景的环境因素会导致点云数据缺失。本领域技术人员可以根据实际应用的需要设置相似度阈值的取值。
在本发明实施例的一个实施方式中，步骤S103可以进一步包括以下步骤S1031和步骤S1032：
步骤S1031：将车辆的实时车端信号和车载相机采集的实时图像数据进行实时融合。
步骤S1032：根据实时融合的结果获取车辆所处的当前场景。
在本实施方式中，可以根据车辆的实时车端信号和车载相机采集的实时图像数据来进行实时融合，并根据实时融合的结果来获取车辆所处的当前场景。即，在获取车辆场景时仅使用实时车端信号和车载相机采集的实时图像数据来获取车辆所处的当前场景，在获取当前场景时不使用车载激光雷达采集的实时点云数据，以避免在车载激光雷达存在故障时，对车辆所处的当前场景的判断出错。
一个实施方式中，实时车端信号可以包括车端CAN(ControllerArea Network，控制器局域网络)信号、RTK(Real-time kinematic，实时动态)信号和IMU(InertialMeasurement Unit，惯性测量单元)信号中的至少一种。
一个实施方式中，可以使用基于卷积神经网络的模型进行特征提取进而使用区域候选网络和检测头来进行目标检测从而完成感知算法，最后将实时车端信号和车载相机采集的实时图像数据进行实时融合。
在本发明实施例的一个实施方式中，步骤S104可以进一步包括以下步骤S1041和步骤S1043：
步骤S1041：判断车辆所处的当前场景是否为预设场景，其中预设场景为因环境因素造成点云数据缺失的场景。
步骤S1042：若判断车辆所处的当前场景不是预设场景，向车载设备发出故障报警信息；
步骤S1043：若判断车辆所处的当前场景为预设场景，则不做进一步处理。
在本实施方式中，可以判断车辆所处的当前场景是否为预设场景，即，因环境因素造成点云数据缺失的场景，如雨雪天场景、雾天场景、黑夜场景、隧道场景、地库场景等。由于预设场景中本身就会存在遮挡物或光线不足等情况，会造成激光雷达采集的实时点云数据缺失或存在噪点等。当车辆所处的当前场景是预设场景时，那么可以认为车载激光雷达存在的第一类型故障是由于预设场景造成的，就不需要对第一类型故障做进一步地处理。当车辆所处的当前场景不是预设场景时，则认为车载激光雷达存在的第一类型故障时由于车载激光雷达自身设备原因导致，那么就需要向车载设备发出故障报警信息，如发出语音故障报警信息、将故障报警信息显示在车辆的仪表盘上或将故障报警信息上传至与车辆通信连接的云端服务器等，以提示驾驶员或相应的售后人员进行相应的处理，如进行车载激光雷达前方的异物清理，或进行车载激光雷达的修理等。
在本发明实施例的另一个实施方式中，步骤S104可以进一步包括以下步骤S1044和步骤S1048：
步骤S1044：判断车辆所处的当前场景是否为预设场景，其中预设场景为因环境因素造成点云数据缺失的场景；
步骤S1045：若判断车辆所处的当前场景不是预设场景，确定第一类型故障存在的故障时长；
步骤S1046：若故障时长超过预设时长阈值时，向车载设备发出故障报警信息；
步骤S1047：当故障时长未超过所述预设时长阈值时，则不做进一步处理；
步骤S1048：若判断车辆所处的当前场景为预设场景，则不做进一步处理。
在本实施方式中，当判断车载激光雷达存在第一类型故障后，根据车辆所处的当前场景和第一类型故障存在的故障时长综合判断是否对第一类型故障进行处理。
具体地，当车辆所处的当前场景不是预设场景且故障时长大于预设时长阈值时，可以向车载设备发出故障报警信息。当车辆所处的当前场景不是预设场景或者第一类型故障的故障时长小于预设时长阈值时，则不对第一类型故障进行处理。也就是说，当判断车载激光雷达存在第一类型故障后，会综合考虑当前场景和故障时长。如当前场景为雨雪天场景、雾天场景、黑夜场景、隧道场景、地库场景等场景时，则可以认为第一类型故障是预设场景造成的；或者当车载激光雷达前方存在一些临时性的遮挡物而造成第一类型故障时，并不马上对第一类型故障进行处理，而是等待预设时长阈值后，如果遮挡物还存在，则对第一类型故障进行进一步地处理。
在本发明实施例的一个实施方式中，参阅附图2，图2是根据本发明实施例的一个实施方式的车载激光雷达的第二类型故障的诊断及处理方法主要步骤流程示意图。
如图2所示，本发明除了可以包括上述步骤S101至步骤S104外，还可以包括以下步骤S105至步骤S107：
步骤S105：获取车载激光雷达和车载相机分别对第二预设目标采集的实时点云数据和实时图像数据。
在本实施方式中，可以获取车载激光雷达和车载相机针对同一个第二预设目标的实时点云数据和实时图像数据。其中，第二预设目标可以为车载激光雷达和车载相机的同一目标采集区域内同一目标。可以选择在同一目标采集区域中的形状轮廓较为明显的目标作为第二预设目标，如车辆的车牌，信号灯等。
步骤S106：通过比较实时点云数据和实时图像数据，判断车载激光雷达是否存在第二类型故障。
在本实施方式中，第二类型故障可以为车载激光雷达的内参和外参不准确，其中，内参是指激光发射器坐标系与车载激光雷达自身坐标系之间的转换关系；外参是指车载激光雷达自身坐标系与车载相机坐标系之间的转换关系。
一个实施方式中，步骤S106可以进一步包括以下步骤S1061至步骤S1064：
步骤S1061：根据实时点云数据获取第二预设目标的第一位置信息；
步骤S1062：根据实时图像数据获取第二预设目标的第二位置信息；
步骤S1063：根据车载激光雷达与车载相机之间的外参，将第一位置信息和第二位置信息进行比较，获取第一位置信息和第二位置信息之间的位置偏差；
步骤S1064：若位置偏差大于预设的偏差阈值，则判定车载激光雷达存在第二类型故障。
在本实施方式中，可以根据实时点云数据获取第二预设目标的在车载激光雷达自身坐标系中的位置坐标(第一位置信息)。可以根据实时图像数据获取第二预设目标在车载相机坐标系中的位置坐标(第二位置信息)。可以根据车载激光雷达与车载相机之间的外参，将第一位置信息转换到车载相机坐标系中，以获得第一位置信息在车载相机坐标系中位置坐标，将第一位置信息在车载相机坐标系中位置坐标与第二位置信息进行比较，即可以获得第一位置信息和第二位置信息之间的位置偏差，如果位置偏差大于预设的偏差阈值，则可以认为车载激光雷达存在第二类型故障，即车载激光雷达的内参和外参不准确。
步骤S107：若判断车载激光雷达存在第二类型故障，对第二类型故障进行修复。
在本实施方式中，步骤S107可以进一步包括以下步骤S1071至步骤S1075：
步骤S1071：根据实时点云数据和实时图像数据，对车载激光雷达和车载相机之间的外参进行实时车端标定；
步骤S1072：判断外参是否实时车端标定成功；若是，则跳转至步骤S1073；若否，则跳转至步骤S1074；
步骤S1073：完成第二类型故障的修复；
步骤S1074：判断实时车端标定的次数是否大于预设的次数阈值；若是，则跳转至步骤S1075；若否，则跳转至步骤S1071；
步骤S1075：控制与车辆通信连接的云端服务器向车辆下发更新的标定文件，以完成第二类型故障的修复，其中，更新的标定文件包括车载激光雷达的准确内参以及车载激光雷达与车载相机之间的准确外参。
在本实施方式中，当判定车载激光雷达存在第二类型故障时，可以先根据车载激光雷达采集的实时点云数据和车载相机采集实时图像数据对车载激光雷达的外参进行实时车端标定。当外参实时车端标定成功时，则完成第二类型故障的修复。当外参未实时车端标定成功时，可以判断实时车端标定的次数，如果小于等于预设的次数阈值，则可以继续尝试进行外参的实时车端标定；如果大于次数阈值，则可以由与车辆通信连接的云端服务器向车辆下发更新的标定文件，以完成第二类型故障的修复。也就是说，由于车辆与云端服务器之间的链路较长，且与云端服务器进行通信需要耗费流量费用，因而在检测到车载激光雷达存在第二类型故障时，可以先由车端尝试对车载激光雷达的外参进行实时车端标定，当尝试多次未成功后，则可以由云端服务器下发更新的标定文件，以更新车载激光雷达的内参和外参。本领域技术人员可以根据实际应用的需要设置次数阈值的取值。
一个实施方式中，可以通过预设的模型，利用车载激光雷达和车载相机针对同一目标采集区域内的同一目标采集获得的实时点云数据和实时图像数据实现实时车端标定。
一个实施方式中，如云端服务器下发更新的标定文件后，仍不能修复第二类型故障时，则通知驾驶员或相关人员进行车载激光雷达的线下维修。
一个实施方式中，可以参阅附图3和图4，图3是根据本发明实施例的一个实施方式的车载激光雷达的故障诊断及处理方法的主要步骤流程示意图，图4是根据本发明实施例的一个实施方式的实现车载激光雷达的故障诊断及处理方法的系统的主要系统结构框图。
如图3和图4所示，在本实施方式中，车载激光雷达的故障诊断及处理方法可以包括：
步骤S201：获取车载激光雷达采集的实时点云数据、车载相机采集的实时图像数据和实时车端信号。
步骤S202：车载激光雷达数据分析器根据车载激光雷达采集的实时点云数据、车载相机采集的实时图像数据和实时车端信号对车载激光雷达进行故障分析。
在本实施方式中，可以根据车载激光雷达采集的实时点云数据、车载相机采集的实时图像数据和实时车端信号对车载激光雷达进行故障分析，以获取车载激光雷达的故障类型，如第一类型故障、第二类型故障等。
步骤S203：将车载激光雷达数据分析器分析出的故障类型发送至智能网关，通过智能网关将故障类型发送至云端服务器。
步骤S204：云端服务器针对故障类型对故障进行清除或对故障进行修复。
在本实施方式中，云端服务器可以根据故障类型来对故障进行清除或修复。如故障类型为第一类型故障时，云端服务器可以发布故障报警信息，以通知相关人员进行车载激光雷达的修理。如故障类型为第二类型故障时，云端服务器可以下发更新的标定文件，以使车载激光雷达获取准确的内参和外参。
需要指出的是，尽管上述实施例中将各个步骤按照特定的先后顺序进行了描述，但是本领域技术人员可以理解，为了实现本发明的效果，不同的步骤之间并非必须按照这样的顺序执行，其可以同时(并行)执行或以其他顺序执行，这些变化都在本发明的保护范围之内。
本领域技术人员能够理解的是，本发明实现上述一实施例的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，所述的计算机程序可存储于一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，所述计算机程序包括计算机程序代码，所述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。所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读存储介质不包括电载波信号和电信信号。
进一步，本发明还提供了一种控制装置。在根据本发明的一个控制装置实施例中，控制装置包括处理器和存储装置，存储装置可以被配置成存储执行上述方法实施例的车载激光雷达的故障诊断及处理方法的程序，处理器可以被配置成用于执行存储装置中的程序，该程序包括但不限于执行上述方法实施例的车载激光雷达的故障诊断及处理方法的程序。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该控制装置可以是包括各种电子设备形成的控制装置设备。
进一步，本发明还提供了一种计算机可读存储介质。在根据本发明的一个计算机可读存储介质实施例中，计算机可读存储介质可以被配置成存储执行上述方法实施例的车载激光雷达的故障诊断及处理方法的程序，该程序可以由处理器加载并运行以实现上述车载激光雷达的故障诊断及处理方法。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该计算机可读存储介质可以是包括各种电子设备形成的存储装置设备，可选的，本发明实施例中计算机可读存储介质是非暂时性的计算机可读存储介质。
进一步，本发明还提供了一种车辆。在根据本发明的一个车辆实施例中，车辆可以包括上述控制装置实施例中的控制装置。
进一步，应该理解的是，由于各个模块的设定仅仅是为了说明本发明的装置的功能单元，这些模块对应的物理器件可以是处理器本身，或者处理器中软件的一部分，硬件的一部分，或者软件和硬件结合的一部分。因此，图中的各个模块的数量仅仅是示意性的。
本领域技术人员能够理解的是，可以对装置中的各个模块进行适应性地拆分或合并。对具体模块的这种拆分或合并并不会导致技术方案偏离本发明的原理，因此，拆分或合并之后的技术方案都将落入本发明的保护范围内。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (10)

1.一种车载激光雷达的故障诊断及处理方法，其特征在于，包括：
将所述车载激光雷达对第一预设目标采集的实时点云数据与预存的所述第一预设目标的标准点云数据进行比较；
根据比较结果判断所述车载激光雷达是否存在第一类型故障；
获取车辆所处的当前场景；
当存在所述第一类型故障时，根据所述车辆所处的当前场景，判断对所述第一类型故障是否进行处理。
2.根据权利要求1所述的方法，其特征在于，
所述将所述车载激光雷达对第一预设目标采集的实时点云数据与预存的所述第一预设目标的标准点云数据进行比较，包括：
比较所述实时点云数据和所述标准点云数据，获取所述实时点云数据和所述标准点云数据的相似度；
所述根据比较结果判断所述车载激光雷达是否存在第一类型故障，包括：
当所述相似度小于预设的相似度阈值时，判定所述车载激光雷达存在所述第一类型故障。
3.根据权利要求1或2所述的方法，其特征在于，所述当存在所述第一类型故障时，根据所述车辆所处的当前场景，判断对所述第一类型故障是否进行处理，包括：
判断所述车辆所处的当前场景是否为预设场景，其中所述预设场景为因环境因素造成点云数据缺失的场景；
若判断所述车辆所处的当前场景不是预设场景，向车载设备发出故障报警信息；
若判断所述车辆所处的当前场景为预设场景，则不做进一步处理。
4.根据权利要求1或2所述的方法，其特征在于，所述当存在所述第一类型故障时，根据所述车辆所处的当前场景，判断对所述第一类型故障是否进行处理，包括：
判断所述车辆所处的当前场景是否为预设场景，其中所述预设场景为因环境因素造成点云数据缺失的场景；
若判断所述车辆所处的当前场景不是预设场景，确定所述第一类型故障存在的故障时长；
若所述故障时长超过预设时长阈值时，向车载设备发出故障报警信息；
当所述故障时长未超过所述预设时长阈值时，则不做进一步处理；
若判断所述车辆所处的当前场景为预设场景，则不做进一步处理。
5.根据权利要求1所述的方法，其特征在于，所述获取车辆所处的当前场景，包括：
将车辆的实时车端信号和车载相机采集的实时图像数据进行实时融合；
根据所述实时融合的结果获取所述车辆所处的当前场景。
6.根据权利要求5所述的方法，其特征在于，所述实时车端信号包括车端CAN信号、RTK信号和IMU信号中的至少一种。
7.根据权利要求1所述的方法，其特征在于，还包括：
获取所述车载激光雷达和车载相机分别对第二预设目标采集的实时点云数据和实时图像数据；
通过比较所述实时点云数据和所述实时图像数据，判断所述车载激光雷达是否存在第二类型故障；
若判断所述车载激光雷达存在所述第二类型故障，对所述第二类型故障进行修复。
8.根据权利要求7所述的方法，其特征在于，所述通过比较所述实时点云数据和所述实时图像数据，判断所述车载激光雷达是否存在第二类型故障，包括：
根据所述实时点云数据获取所述第二预设目标的第一位置信息；
根据所述实时图像数据获取所述第二预设目标的第二位置信息；
根据所述车载激光雷达与所述车载相机之间的外参，将所述第一位置信息和所述第二位置信息进行比较，获取所述第一位置信息和所述第二位置信息之间的位置偏差；
若所述位置偏差大于预设的偏差阈值，则判定所述车载激光雷达存在所述第二类型故障。
9.根据权利要求7所述的方法，其特征在于，所述若判断所述车载激光雷达存在所述第二类型故障，对所述第二类型故障进行修复，包括：
步骤S1：根据所述实时点云数据和所述实时图像数据，对所述车载激光雷达和所述车载相机之间的外参进行实时车端标定；
步骤S2：判断所述外参是否实时车端标定成功；若是，则跳转至步骤S3；若否，则跳转至步骤S4；
步骤S3：完成所述第二类型故障的修复；
步骤S4：判断所述实时车端标定的次数是否大于预设的次数阈值；若是，则跳转至步骤S5；若否，则跳转至步骤S1；
步骤S5：控制与所述车辆通信连接的云端服务器向所述车辆下发更新的标定文件，以完成所述第二类型故障的修复，其中，所述更新的标定文件包括所述车载激光雷达的准确内参以及所述车载激光雷达与所述车载相机之间的准确外参。
10.一种控制装置，包括处理器和存储装置，所述存储装置适于存储多条程序代码，其特征在于，所述程序代码适于由所述处理器加载并运行以执行权利要求1至9中任一项所述的车载激光雷达的故障诊断及处理方法。
CN202210558000.8A 2022-05-19 2022-05-19 车载激光雷达的故障诊断及处理方法、装置、介质及车辆 Pending CN114966631A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210558000.8A CN114966631A (zh) 2022-05-19 2022-05-19 车载激光雷达的故障诊断及处理方法、装置、介质及车辆
EP23174211.5A EP4279950A1 (en) 2022-05-19 2023-05-19 Fault diagnosis and handling method for vehicle-mounted laser radar, apparatus, medium and vehicle

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210558000.8A CN114966631A (zh) 2022-05-19 2022-05-19 车载激光雷达的故障诊断及处理方法、装置、介质及车辆

Publications (1)

Publication Number Publication Date
CN114966631A true CN114966631A (zh) 2022-08-30

Family

ID=82985741

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210558000.8A Pending CN114966631A (zh) 2022-05-19 2022-05-19 车载激光雷达的故障诊断及处理方法、装置、介质及车辆

Country Status (2)

Country Link
EP (1) EP4279950A1 (zh)
CN (1) CN114966631A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117527546A (zh) * 2023-11-27 2024-02-06 无锡梁溪智慧环境发展有限公司 一种车载can网络故障监测方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190277962A1 (en) * 2018-03-09 2019-09-12 Waymo Llc Tailoring Sensor Emission Power to Map, Vehicle State, and Environment
CN111142075A (zh) * 2019-12-31 2020-05-12 苏州理工雷科传感技术有限公司 一种道面微小目标检测雷达杂波图自动更新方法
CN112101092A (zh) * 2020-07-31 2020-12-18 北京智行者科技有限公司 自动驾驶环境感知方法及系统
CN112184828A (zh) * 2020-08-21 2021-01-05 北京百度网讯科技有限公司 激光雷达与摄像头的外参标定方法、装置及自动驾驶车辆
CN113484843A (zh) * 2021-06-02 2021-10-08 福瑞泰克智能系统有限公司 一种激光雷达与组合导航间外参数的确定方法及装置
CN114079665A (zh) * 2022-01-19 2022-02-22 浙江吉利控股集团有限公司 数据采集方法、装置、设备及存储介质
CN114296044A (zh) * 2021-12-30 2022-04-08 北京经纬恒润科技股份有限公司 一种激光雷达故障诊断方法和装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6284741B2 (ja) * 2013-10-24 2018-02-28 日立建機株式会社 後退支援装置
US10203408B2 (en) * 2016-07-29 2019-02-12 Faraday & Future Inc. Method and apparatus for detection and ranging fault detection and recovery
EP3438777B1 (en) * 2017-08-04 2022-05-11 Bayerische Motoren Werke Aktiengesellschaft Method, apparatus and computer program for a vehicle
DE102019121340A1 (de) * 2019-08-07 2021-02-11 Infineon Technologies Ag Verfahren und vorrichtung zum bestimmen einer fehlfunktion und sensorsystem
CN114200480A (zh) * 2020-09-01 2022-03-18 珊口（深圳）智能科技有限公司 应用于移动机器人的传感器误差测量方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190277962A1 (en) * 2018-03-09 2019-09-12 Waymo Llc Tailoring Sensor Emission Power to Map, Vehicle State, and Environment
CN111142075A (zh) * 2019-12-31 2020-05-12 苏州理工雷科传感技术有限公司 一种道面微小目标检测雷达杂波图自动更新方法
CN112101092A (zh) * 2020-07-31 2020-12-18 北京智行者科技有限公司 自动驾驶环境感知方法及系统
WO2022022694A1 (zh) * 2020-07-31 2022-02-03 北京智行者科技有限公司 自动驾驶环境感知方法及系统
CN112184828A (zh) * 2020-08-21 2021-01-05 北京百度网讯科技有限公司 激光雷达与摄像头的外参标定方法、装置及自动驾驶车辆
CN113484843A (zh) * 2021-06-02 2021-10-08 福瑞泰克智能系统有限公司 一种激光雷达与组合导航间外参数的确定方法及装置
CN114296044A (zh) * 2021-12-30 2022-04-08 北京经纬恒润科技股份有限公司 一种激光雷达故障诊断方法和装置
CN114079665A (zh) * 2022-01-19 2022-02-22 浙江吉利控股集团有限公司 数据采集方法、装置、设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117527546A (zh) * 2023-11-27 2024-02-06 无锡梁溪智慧环境发展有限公司 一种车载can网络故障监测方法及系统
CN117527546B (zh) * 2023-11-27 2024-05-24 无锡梁溪智慧环境发展有限公司 一种车载can网络故障监测方法及系统

Also Published As

Publication number Publication date
EP4279950A1 (en) 2023-11-22

Similar Documents

Publication Publication Date Title
CN109508580B (zh) 交通信号灯识别方法和装置
KR102094341B1 (ko) 인공지능 기반의 도로 노면 불량 객체 정보 분석 시스템 및 방법
CN110888434A (zh) 自动驾驶方法、装置、计算机设备和计算机可读存储介质
CN112115927A (zh) 一种基于深度学习的机房设备智能识别方法及系统
CN112100039B (zh) 一种设备故障报警方法及系统
CN114966631A (zh) 车载激光雷达的故障诊断及处理方法、装置、介质及车辆
CN113129596A (zh) 行驶数据处理方法、装置、设备、存储介质及程序产品
CN114943952A (zh) 多相机重叠视域下障碍物融合方法、系统、设备和介质
CN116580271A (zh) 一种感知融合算法的测评方法、装置、设备及存储介质
CN109120916B (zh) 摄像机故障检测方法、装置及计算机设备
CN113408454A (zh) 一种交通目标检测方法、装置、电子设备及检测系统
CN112509321A (zh) 一种基于无人机的城市复杂交通情景的驾驶控制方法、系统及可读存储介质
CN110473396B (zh) 交通拥堵数据分析方法、装置、电子设备及存储介质
CN112183382A (zh) 无人驾驶交通灯检测分类方法和装置
US20220101509A1 (en) Deterioration diagnostic device, deterioration diagnostic system, deterioration diagnostic method, and recording medium
CN115311522A (zh) 用于自动驾驶的目标检测方法及装置、电子设备及介质
CN111462243A (zh) 车载流媒体后视镜标定方法、系统及装置
CN112729366B (zh) 自动驾驶场地测试的天气模拟设备测试评价方法及装置
CN115452400A (zh) 机器人检测方法、装置及机器人
CN113987751A (zh) 一种方案筛选方法、装置、电子设备及存储介质
CN114359233A (zh) 图像分割模型训练方法、装置、电子设备及可读存储介质
CN113643374A (zh) 基于道路特征的多目相机标定方法、装置、设备和介质
CN111914412A (zh) 一种基于错误注入器的自动驾驶性能局限测试系统及方法
CN116664582B (zh) 一种基于神经视觉网络的路面检测方法及装置
CN113740829A (zh) 环境感知设备的外参监控方法、装置、介质及行驶装置

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