CN115063771B - 对障碍物的距离检测的纠错方法、系统、存储介质及设备 - Google Patents
对障碍物的距离检测的纠错方法、系统、存储介质及设备 Download PDFInfo
- Publication number
- CN115063771B CN115063771B CN202210160646.0A CN202210160646A CN115063771B CN 115063771 B CN115063771 B CN 115063771B CN 202210160646 A CN202210160646 A CN 202210160646A CN 115063771 B CN115063771 B CN 115063771B
- Authority
- CN
- China
- Prior art keywords
- obstacle
- point cloud
- cloud data
- model
- distance
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012937 correction Methods 0.000 title claims abstract description 31
- 230000001788 irregular Effects 0.000 claims abstract description 32
- 230000033001 locomotion Effects 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims description 18
- 230000001502 supplementing effect Effects 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000013499 data model Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 20
- 238000010586 diagram Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 3
- 239000013589 supplement Substances 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Optical Radar Systems And Details Thereof (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供对障碍物的距离检测的纠错方法、系统、存储介质及设备,适用于车载激光雷达感知系统,其方法包括以下步骤:通过激光雷达获取车辆前方障碍物的三维点云数据;基于所述点云数据的特征分布判断所述障碍物生成的是否为规则模型;在判断出所述障碍物为非规则模型时,按照预设的点云数据的调整策略将所述非规则模型转换为规则模型;获取所述规则模型对应的运动状态信息,以生成对应的驾驶策略。其技术方案的有益效果在于:不仅能够识别出形状规则的障碍物距离,更进一步的,能够识别出不规则的障碍物的特征,并基于不规则的障碍物的特征,自动修正距离偏差。
Description
技术领域
本发明涉及自动驾驶领域,尤其涉及一种在行驶中对障碍物的距离检测的纠错方法、存储介质及设备。
背景技术
自动驾驶汽车依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作,让电脑可以在没有任何人类主动的操作下,自动安全地操作机动车辆。
而激光雷达作为自动驾驶车辆的核心传感器,自动驾驶车辆在行驶过程中,如前方出现静止的障碍物时,激光雷达会扫描获取前方障碍物的点云信息,并通过自动驾驶系统的感知算法可获得障碍物的大小、位置、速度等一系列信息,以作为自动驾驶系统的路径规划模块和运动控制模块的输入。当前激光雷达对障碍物的距离检测主要基于对激光雷达扫描到的障碍物点云锚点进行判断。
现有公开的识别障碍物的方法包括以下几种:
中国发明专利申请“一种激光雷达障碍物识别方法及系统”(申请号:201711278667.8,公开日:2017.12.06)提供了一种克服或者部分克服激光雷达算法无法识别训练集中未出现的障碍物类型的方法,利用位置数据和姿态数据对原始点云数据进行融合得到融合点云数据,再将融合点云数据按时间划分成多个片段,并对每个片段内的点云进行配准,从配准后得到的叠加点云数据中识别动静态障碍物。
中国发明专利申请“基于激光雷达的目标检测方法、装置及电子设备”(申请号:202110934674.9,公开日:2021.08.16)公开了一种基于激光雷达的目标检测方法、装置及电子设备,激光雷达包括一个主激光雷达和一个辅激光雷达,主激光雷达对第一预设扫描区域进行扫描,辅激光雷达对第二预设扫描区域进行扫描,第一预设扫描区域和第二预设扫描区域具有相交扫描区域,该方法包括:按照预设发送频率向两个激光雷达发送控制信号,以使两个激光雷达进行同步扫描,预设发送频率不大于两个激光雷达的预设扫描频率;获取主激光雷达扫描的第一点云数据和辅激光雷达扫描的第二点云数据;将第一点云数据和第二点云数据合并,以根据合并后的点云数据进行目标检测。
中国发明专利申请“激光雷达数据处理方法、装置、设备及存储介质”(申请号:201911371426.7,公开日:2019.12.27)提供一种激光雷达数据处理方法、装置、设备及存储介质,通过激光雷达当前通道采集回波信号,判断所述回波信号是否处于目标检测窗口内;所述目标检测窗口为所述激光雷达的近端探测盲区对应的检测窗口;若所述回波信号处于目标检测窗口内,则根据预先获取的当前通道目标检测窗口内的干扰信号,对所述回波信号进行还原,得到真实信号。
中国发明专利申请“一种融合多帧时序点云的激光雷达3D实时目标检测方法”(申请号:202010165899.8,公开日:2020.03.11)公开了一种融合多帧时序点云的激光雷达3D实时目标检测方法,对较大遮挡目标标注不全的含连续帧点云的已知数据集,利用投影标注补全法补全;构建MADet网络结构;对多帧时序点云配准和体素化生成多帧鸟瞰图;将多帧鸟瞰图输入特征提取模块生成多帧初始特征图;对多帧初始特征图生成对应的特征描述,计算特征权重图并加权融合获得融合特征图;使用特征金字塔对融合特征图多尺度特征融合,在最终特征图上回归目标的位置、尺寸和朝向。
上述公开的通过激光雷达感知算法主要针对扫描得到的点云数据进行处理,采用深度学习算法提取点云数据的特征,从而检测和识别障碍物信息;也有的技术采用多个激光雷达补偿的方法,提高所扫描的点云数据的完备性,从而提高检测准确率。这几种对于规则的障碍物(此处的规则障碍物值得的是障碍物轮廓立体规则)而言,其能起到较好的识别效果,对于不规则的障碍物,如形状不规则的平板货车,在空载和装载状态下,货车的载货板车形状差异极大,点云数据的特征变化较大,只从检测算法和点云数量的角度难以提高对它的检测准确度。
采用现有的感知方法,当激光雷达检测前方的空载平板货车时,由于货车的板车较长,且空载时板车的高度明显低于车头,导致激光雷达扫描到的点云锚点位于车头部分的后平面位置,使得检测到的障碍物距离为激光雷达与货车车头的距离,而忽略了空载板车部分的长度,产生了距离检测偏差。这种情况下,自动驾驶系统做停车或避让规划时,收到的是错误的障碍物距离信息,从而导致安全隐患。
发明内容
针对现有技术中对不规则的障碍物识别距离存在的上述问题,现提供一种旨在行驶中对车辆前方不规则的障碍物识别出准确距离,从而使动驾驶系统做停车或避让规划时,收到的是准确的障碍物距离信息,减少安全隐患的方法,系统,存储介质及设备。
一种对障碍物的距离纠错方法,适用于车载激光雷达感知系统,主要用于车辆在行驶中对车辆前方的障碍物的感知及距离纠错,其中,包括以下步骤:
S1、通过激光雷达获取车辆前方障碍物的三维点云数据;
S2、基于所述点云数据的特征分布判断所述障碍物生成的是否为规则模型;
S3、在判断出所述障碍物为非规则模型时,按照预设的点云数据的调整策略将所述非规则模型转换为规则模型;
S4、获取所述规则模型对应的运动状态信息,以生成对应的驾驶策略。
优选的,在所述步骤S2中,包括:
S21、建立坐标系,将获取的所述障碍物的三维点云数据进行投影生成二维图像,并进一步获得表示所述障碍物的轮廓的障碍物信息;
S22、基于所述障碍物的航向角信息,经过轮廓比对,确定当前行驶状态下的所述障碍物的轮廓信息;
S23、进一步对获取的所述三维点云数据进行平面化,并于高度方向上判断上下点云数据之间是否存在高度差。
优选的,在所述步骤S3中,包括:
S31、在判断出所述障碍物为非规则模型时,执行步骤S32,否则执行步骤S34;
S32、于所述平面化的点云数据中以最低层的点云数据为起点,以最顶层的点云数据为终点,向上补充点云数据;
S33、在补充完点云数据后对所有所述点云数据进行重新建模处理,以生成对应的所述规则模型,执行步骤S4;
S34、执行步骤S4。
优选的,在所述步骤S4中,包括:
S41、基于所述规则模型获取与所述障碍物关联的障碍物的轮廓信息,并将所述障碍物的运动状态信息赋予生成的所述规则模型;
S42、基于所述障碍物及所述障碍物的运动状态信息生成对应的驾驶策略。
本发明的技术方案还包括一种在行驶中对障碍物的距离检测的纠错系统,适用于车载激光雷达感知系统,其中,包括:
点云数据获取模块,用以通过激光雷达获取车辆前方障碍物的三维点云数据;
模型特征分析及判断模块,用以基于所述点云数据的特征分布判断所述障碍物生成的是否为规则模型;
数据模型处理模块,用以在判断出所述障碍物为非规则模型时,按照预设的点云数据的调整策略将所述非规则模型转换为规则模型;
驾驶策略生成模块,用以获取所述规则模型对应的运动状态信息,以生成对应的驾驶策略。
优选的,所述模型特征分析及判断模块包括:
坐标系建立单元,用以建立坐标系;
图像转换单元,用以将获取的所述障碍物的三维点云数据进行投影生成二维图像,并进一步获得表示所述障碍物的轮廓的障碍物信息;
障碍物轮廓分析单元,用以基于当前的障碍物的航向角信息,经过轮廓比对,确定当前的障碍物的轮廓信息;
点云数据分析处理单元,用以进一步对获取的所述三维点云数据进行平面化,并于高度方向上判断上下点云数据之间是否存在高度差。
优选的,所述数据模型处理模块包括:
模型判断单元,用以基于所述点云数据于平面中的分布状态,判断模型是否规则;
点云数据补充单元,用以在所述平面化的点云数据中以最低层的点云数据为起点,以最顶层的点云数据为终点,向上补充点云数据;
模型生成单元,在补充完点云数据的基础上对所有所述点云数据进行重新建模处理,以生成对应的所述规则模型。
优选的,所述驾驶策略生成模块包括:
行驶状态更新单元,用以基于所述规则模型获取与所述障碍物关联的障碍物的轮廓信息,并将所述障碍物的运动状态信息赋予生成的所述规则模型;
路径规划单元,用以基于所述障碍物及所述障碍物的运动状态信息生成对应的驾驶策略。
本发明的技术方案还包括一种计算机可读存储介质,其中,其存储用于对障碍物的距离纠错的计算机程序,其中,所述计算机程序使得计算机执行如上述的对障碍物的距离纠错方法。
本发明的技术方案还包括一种电子设备,其中,包括:
一个或多个处理器;
存储器;以及
一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置成由一个或多个处理器执行,所述程序包括用以执行上述对障碍物的距离纠错方法。
上述技术方案具有如下优点或有益效果:
不仅能够识别出形状规则的障碍物,更进一步的,还能够识别出不规则的障碍物的特征,并基于不规则的障碍物的特征,自动修正距离偏差;
通过该距离纠错系统,不仅能够对处于行驶状态中的不规则障碍物(如处于空载转态的平板车,或处于空载的大小形的蓝卡)做出距离修正,同样适用于对处于静止状态下的不规则的障碍物的距离修正,其适用性更强;
通过点云补充使空载平板货车边缘规则化,修正前车距离,避免因制动距离判断错误而导致的不必要碰撞,从而提高车辆驾驶安全性。
附图说明
参考所附附图,以更加充分的描述本发明的实施例。然而,所附附图仅用于说明和阐述,并不构成对本发明范围的限制。
图1为本发明一种在行驶中对障碍物的距离检测的纠错方法的实施例的流程示意图;
图2为本发明一种在行驶中对障碍物的距离检测的纠错方法的实施例中,关于规则模型判断方法的流程示意图;
图3为本发明一种在行驶中对障碍物的距离检测的纠错方法的实施例中,关于非规则模型转换为规则模型的方法的流程示意图;
图4为本发明一种在行驶中对障碍物的距离检测的纠错方法的实施例中,关于生成驾驶策略方法的流程示意图;
图5为本发明一种在行驶中对障碍物的距离检测的纠错系统的实施例的原理结构示意图;
图6为本发明一种在行驶中对障碍物的距离检测的纠错系统的实施例中,关于的点云数据获取模块,模型特征分析及判断模块,数据模型处理模块及驾驶策略生成模块的结构示意图;
图7为本发明一种电子设备的结构示意图图;
图8为现有的感知系统对于空载状态的平板车,判断出的车辆与障碍的距离,和实际车辆与障碍物之间的距离。
图9为本发明一种在行驶中对障碍物的距离检测的纠错方法的实施例中,关于建立坐标系的示意图;
图10为本发明一种在行驶中对障碍物的距离检测的纠错方法的实施例中,关于补充点云数据前后的模型特征。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。
实施例一:
一种在行驶中对障碍物的距离检测的纠错方法的实施例,适用于车载激光雷达感知系统,其中,如图1所示,包括以下步骤:
S1、通过激光雷达获取车辆前方障碍物的三维点云数据;
S2、基于点云数据的特征分布判断障碍物生成的是否为规则模型;
S3、在判断出障碍物为非规则模型时,按照预设的点云数据的调整策略将非规则模型转换为规则模型;
S4、获取规则模型对应的运动状态信息,以生成对应的驾驶策略。
针对现有的基于激光雷达的自动驾驶系统对于车辆正前方障碍物检测依赖于大量优质样本训练所得的障碍物样本库,对于特殊的障碍物(例如空载平板货车、蓝卡等)的识别效果差的问题。具体而言,对于空载平板货车,激光雷达扫描获取到的点云形状呈不规则状,在样本库中难以匹配。
车辆实际距离与自动驾驶系统判定距离如图8所示:
A1表示,车辆与障碍物之间的实际距离;
A2表示,系统判断的障碍物与车辆之间的距离;
通过判断可知,由于感知算法获取障碍物位置信息时,会根据点云将障碍物锚点标记在货车车头位置,而会忽视平板部分,导致自车与障碍物距离出现偏差。
对于自动驾驶系统而言,车辆与障碍物之间的距离判断出现偏差,会存在巨大的安全风险,不可避免会出现碰撞,追尾等安全事故。
本技术方案,能有效解决自动驾驶车辆行驶过程中对前方空载平板货车车辆位置的判断失误,通过点云补充使空载平板货车边缘规则化,修正前车距离,避免因制动距离判断错误而导致的不必要碰撞,从而提高车辆驾驶安全性。
于上述技术方案基础上,进一步的,如图2所示,在步骤S2中,包括:
S21、建立坐标系,将获取的障碍物的三维点云数据进行投影生成二维图像,并进一步获得表示障碍物的轮廓的障碍物信息;
具体而言,如图9所示,建立向前为X轴正向,向左为Y轴正向,向上为Z轴正向,单位为米,以车辆后轴中心到地面投影点为原点的车身坐标系,和以地面为基准,车辆行进方向右侧为X轴正向,车辆行进反方向为Y轴正向,单位为像素的图像坐标系;从激光雷达获取点云信息,滤除地面上和半空中不影响车辆行驶的点;将剩下的点云投影到平行于地面的二维平面,得到一幅二维图像,从图像中提取障碍物的俯瞰轮廓;
S22、基于障碍物的航向角信息,经过轮廓比对,确定当前行驶状态下的障碍物的轮廓信息;
具体而言,为了准确识别出每个障碍物,通过对每个障碍物俯瞰轮廓与障碍物按照匹配方式进行匹配,对匹配上的障碍物轮廓进行跟踪,更新障碍物信息;障碍物信息包括:障碍物中心点、障碍物纵向相对速度、障碍物横向相对速度、障碍物纵向绝对速度、障碍物横向绝对速度、障碍物三维轮廓、跟踪帧数、丢失帧数;
对未匹配上的障碍物俯瞰轮廓和障碍物进行处理,作为新的障碍物加入障碍物列表;未匹配上的障碍物丢失帧数大于设定值,将障碍物从障碍物列表中删除;未匹配上的障碍物与别的障碍物合并为一个俯瞰轮廓时,将障碍物从障碍物列表中删除;
进一步的,根据当前车辆航向角,获取前方障碍物信息,对障碍物进行三维轮廓甄别,提取不规则的障碍物(如空载平板货车的)信息,具体包括:障碍物中心点、障碍物纵向相对速度、障碍物横向相对速度、障碍物纵向绝对速度、障碍物横向绝对速度、障碍物三维轮廓、跟踪帧数、丢失帧数等;
S23、进一步对获取的三维点云数据进行平面化,并于高度方向上判断上下点云数据之间是否存在高度差。
具体而言,高度差指点云数据相较于地面有高低梯度差,我们以平板车为例进行说明,对点云数据进行分析可知,处于空载的平板的点云数据的坐标低于车头处的点云数据坐标,更进一步的,高度差可根据具体的场景需求进行定义阈值,此处不做具体的限制。现有技术针对这一高度差,其感知算法会根据点云将障碍物锚点标记在货车车头位置,导致自车与障碍物距离出现偏差。
于上述技术方案基础上,进一步的,如图3所示,在步骤S3中,包括:
S31、在判断出障碍物为非规则模型时,执行步骤S32,否则执行步骤S34;
S32、于平面化的点云数据中以最低层的点云数据为起点,以最顶层的点云数据为终点,向上补充点云数据;
具体而言,获取较高层激光雷达点云平面的坐标数据,以及较低层激光雷达点云平面的坐标数据。保持障碍物横纵向形状不变,对较低层激光雷达点云平面向上补充点云数据,使较低层激光雷达点云平面与较高层激光雷达点云平面平齐;
S33、在补充完点云数据后对所有点云数据进行重新建模处理,以生成对应的规则模型,执行步骤S4;
具体而言,对完成补充算法后所得障碍物点云数据重新建模处理,获取障碍物中心点、障碍物轮廓,将与之对应的相对速度、绝对速度等信息赋予障碍物。
S34、执行步骤S4。
于上述技术方案基础上,进一步的,如图4所示,在步骤S4中,包括:
S41、基于规则模型获取与障碍物关联的障碍物的轮廓信息,并将障碍物的运动状态信息赋予生成的规则模型;
S42、基于障碍物及障碍物的运动状态信息生成对应的驾驶策略。
上述技术方案中,在补充点云数据时,其并不是任意添加,而是以整个障碍物的俯视和侧视轮廓为框架限制,即添加的点在该框架范围内,然后再根据底层和顶层的点云数据作为限制,使最终不规则的模型生成为规则模型。
如图10所示,以空载的平板车为示例,在未补充点云数据前,障碍物对应的模型如C1所示,在补充完点云数据后,障碍物对应的模型如C2所示。
实施例二
本发明的技术方案还包括一种在行驶中对障碍物的距离检测的纠错系统,适用于车载激光雷达感知系统,如图5所示,其中,包括:
点云数据获取模块1,用以通过激光雷达获取车辆前方障碍物的三维点云数据;
模型特征分析及判断模块2,用以基于点云数据的特征分布判断障碍物生成的是否为规则模型;
数据模型处理模块3,用以在判断出障碍物为非规则模型时,按照预设的点云数据的调整策略将非规则模型转换为规则模型;
驾驶策略生成模块4,用以获取规则模型对应的运动状态信息,以生成对应的驾驶策略。
于上述技术方案基础上,进一步的,如图6所示,模型特征分析及判断模块2包括:
坐标系建立单元21,用以建立坐标系;
图像转换单元22,用以将获取的障碍物的三维点云数据进行投影生成二维图像,并进一步获得表示障碍物的轮廓的障碍物信息;
障碍物轮廓分析单元23,用以基于当前的障碍物的航向角信息,经过轮廓比对,确定当前的障碍物的轮廓信息;
点云数据分析处理单元24,用以进一步对获取的三维点云数据进行平面化,并于高度方向上判断上下点云数据之间是否存在高度差。
于上述技术方案基础上,进一步的,数据模型处理模块3包括:
模型判断单元31,用以基于点云数据于平面中的分布状态,判断模型是否规则;
点云数据补充单元32,用以在平面化的点云数据中以最低层的点云数据为起点,以最顶层的点云数据为终点,向上补充点云数据;
模型生成单元33,在补充完点云数据的基础上对所有点云数据进行重新建模处理,以生成对应的规则模型。
于上述技术方案基础上,进一步的,驾驶策略生成模块4包括:
行驶状态更新单元41,用以基于规则模型获取与障碍物关联的障碍物的轮廓信息,并将障碍物的运动状态信息赋予生成的规则模型;
路径规划单元42,用以基于障碍物及障碍物的运动状态信息生成对应的驾驶策略。
需要说明的是,上述系统对障碍物的距离的纠错原理已在实施一中具体阐述,此处不再赘述。
实施例三
本发明的技术方案还包括一种计算机可读存储介质,其中,其存储用于对障碍物的距离纠错的计算机程序,其中,计算机程序使得计算机执行如上述的对障碍物的距离纠错方法。
实施例四
本发明的技术方案还包括一种电子设备,如图7所示,其中,包括:
一个或多个处理器A;
存储器B;以及
一个或多个程序,其中一个或多个程序被存储在存储器B中,并且被配置成由一个或多个处理器A执行,程序包括用以执行上述对障碍物的距离纠错方法。
以上所述仅为本发明较佳的实施例,并非因此限制本发明的实施方式及保护范围,对于本领域技术人员而言,应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案,均应当包含在本发明的保护范围内。
Claims (8)
1.一种对障碍物的距离检测的纠错方法,适用于车载激光雷达感知系统,其特征在于,包括以下步骤:
S1、通过激光雷达获取车辆前方障碍物的三维点云数据;
S2、基于所述点云数据的特征分布判断所述障碍物生成的是否为规则模型;
S3、在判断出所述障碍物为非规则模型时,按照预设的点云数据的调整策略将所述非规则模型转换为规则模型;
S4、获取所述规则模型对应的运动状态信息,以生成对应的驾驶策略;
其中,在所述步骤S3中,包括:
S31、在判断出所述障碍物为非规则模型时,执行步骤S32,否则执行步骤S34;
S32、于所述平面化的点云数据中以最低层的点云数据为起点,以最顶层的点云数据为终点,向上补充点云数据;
S33、在补充完点云数据后对所有所述点云数据进行重新建模处理,以生成对应的所述规则模型,执行步骤S4;
S34、执行步骤S4。
2.根据权利要求1所述的方法,其特征在于,在所述步骤S2中,包括:
S21、建立坐标系,将获取的所述障碍物的三维点云数据进行投影生成二维图像,并进一步获得表示所述障碍物的轮廓的障碍物信息;
S22、基于所述障碍物的航向角信息,经过轮廓比对,确定当前所述障碍物的轮廓信息;
S23、进一步对获取的所述三维点云数据进行平面化,并于高度方向上判断上下点云数据之间是否存在高度差。
3.根据权利要求2所述的方法,其特征在于,在所述步骤S4中,包括:
S41、基于所述规则模型获取与所述障碍物关联的障碍物的轮廓信息,并将所述障碍物的运动状态信息赋予生成的所述规则模型;
S42、基于所述障碍物及所述障碍物的运动状态信息生成对应的驾驶策略。
4.一种对障碍物的距离检测的纠错系统,适用于车载激光雷达感知系统,其特征在于,包括:
点云数据获取模块,用以通过激光雷达获取车辆前方障碍物的三维点云数据;
模型特征分析及判断模块,用以基于所述点云数据的特征分布判断所述障碍物生成的是否为规则模型;
数据模型处理模块,用以在判断出所述障碍物为非规则模型时,按照预设的点云数据的调整策略将所述非规则模型转换为规则模型;
驾驶策略生成模块,用以获取所述规则模型对应的运动状态信息,以生成对应的驾驶策略;
其中,所述数据模型处理模块包括:
模型判断单元,用以基于所述点云数据于平面中的分布状态,判断模型是否规则;
点云数据补充单元,用以在所述平面化的点云数据中以最低层的点云数据为起点,以最顶层的点云数据为终点,向上补充点云数据;
模型生成单元,在补充完点云数据的基础上对所有所述点云数据进行重新建模处理,以生成对应的所述规则模型。
5.根据权利要求4所述的系统,其特征在于,所述模型特征分析及判断模块包括:
坐标系建立单元,用以建立坐标系;
图像转换单元,用以将获取的所述障碍物的三维点云数据进行投影生成二维图像,并进一步获得表示所述障碍物的轮廓的障碍物信息;
障碍物轮廓分析单元,用以基于当前的障碍物的航向角信息,经过轮廓比对,确定当前的障碍物的轮廓信息;
点云数据分析处理单元,用以进一步对获取的所述三维点云数据进行平面化,并于高度方向上判断上下点云数据之间是否存在高度差。
6.根据权利要求5所述的系统,其特征在于,所述驾驶策略生成模块包括:
行驶状态更新单元,用以基于所述规则模型获取与所述障碍物关联的障碍物的轮廓信息,并将所述障碍物的运动状态信息赋予生成的所述规则模型;
路径规划单元,用以基于所述障碍物及所述障碍物的运动状态信息生成对应的驾驶策略。
7.一种计算机可读存储介质,其特征在于,其存储用于对障碍物的距离纠错的计算机程序,其中,所述计算机程序使得计算机执行如权利要求1-3任一项所述的对障碍物的距离纠错方法。
8.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器;以及
一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置成由一个或多个处理器执行,所述程序包括用以执行权利要求1-3任一项所述对障碍物的距离纠错方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210160646.0A CN115063771B (zh) | 2022-02-22 | 2022-02-22 | 对障碍物的距离检测的纠错方法、系统、存储介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210160646.0A CN115063771B (zh) | 2022-02-22 | 2022-02-22 | 对障碍物的距离检测的纠错方法、系统、存储介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115063771A CN115063771A (zh) | 2022-09-16 |
CN115063771B true CN115063771B (zh) | 2024-06-21 |
Family
ID=83197315
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210160646.0A Active CN115063771B (zh) | 2022-02-22 | 2022-02-22 | 对障碍物的距离检测的纠错方法、系统、存储介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115063771B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116434041B (zh) * | 2022-12-05 | 2024-06-21 | 北京百度网讯科技有限公司 | 错误感知数据的挖掘方法、装置、设备及自动驾驶车辆 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111007534A (zh) * | 2019-11-19 | 2020-04-14 | 武汉光庭科技有限公司 | 一种利用十六线激光雷达的障碍物检测方法及系统 |
CN112731334A (zh) * | 2020-12-10 | 2021-04-30 | 东风汽车集团有限公司 | 一种激光定位车辆的方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112782721A (zh) * | 2021-01-08 | 2021-05-11 | 深圳市镭神智能系统有限公司 | 一种可通行区域检测方法、装置、电子设备和存储介质 |
CN113920487A (zh) * | 2021-10-09 | 2022-01-11 | 广东汇天航空航天科技有限公司 | 障碍物探测处理方法、装置及系统 |
-
2022
- 2022-02-22 CN CN202210160646.0A patent/CN115063771B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111007534A (zh) * | 2019-11-19 | 2020-04-14 | 武汉光庭科技有限公司 | 一种利用十六线激光雷达的障碍物检测方法及系统 |
CN112731334A (zh) * | 2020-12-10 | 2021-04-30 | 东风汽车集团有限公司 | 一种激光定位车辆的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115063771A (zh) | 2022-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111553859B (zh) | 一种激光雷达点云反射强度补全方法及系统 | |
WO2021223368A1 (zh) | 基于视觉、激光雷达和毫米波雷达的目标检测方法 | |
US20210124013A1 (en) | Signal processing apparatus, signal processing method, and program | |
CN108572663B (zh) | 目标跟踪 | |
CN111448478B (zh) | 用于基于障碍物检测校正高清地图的系统和方法 | |
CN110979321B (zh) | 一种用于无人驾驶车辆的障碍物躲避方法 | |
CN110443225B (zh) | 一种基于特征像素统计的虚实车道线识别方法及其装置 | |
US11216673B2 (en) | Direct vehicle detection as 3D bounding boxes using neural network image processing | |
CN110163904A (zh) | 对象标注方法、移动控制方法、装置、设备及存储介质 | |
CN110588653A (zh) | 自主车辆的控制系统、控制方法以及控制器 | |
JP2021522592A (ja) | トレーラ牽引カプラの中心を求める装置および方法 | |
US11120280B2 (en) | Geometry-aware instance segmentation in stereo image capture processes | |
EP1674883A2 (en) | Apparatus and method for detecting vehicle | |
US10853963B2 (en) | Object detection device, device control system, and medium | |
US20230005278A1 (en) | Lane extraction method using projection transformation of three-dimensional point cloud map | |
CN110341621B (zh) | 一种障碍物检测方法及装置 | |
CN114118252A (zh) | 一种基于传感器多元信息融合的车辆检测方法及检测装置 | |
CN109583312A (zh) | 车道线识别方法、装置、设备及存储介质 | |
CN115063771B (zh) | 对障碍物的距离检测的纠错方法、系统、存储介质及设备 | |
CN107220632B (zh) | 一种基于法向特征的路面图像分割方法 | |
CN117576652A (zh) | 道路对象的识别方法、装置和存储介质及电子设备 | |
US20230215184A1 (en) | Systems and methods for mitigating mis-detections of tracked objects in the surrounding environment of a vehicle | |
US20230048222A1 (en) | Information processing apparatus, sensing apparatus, mobile object, method for processing information, and information processing system | |
CN114049542A (zh) | 一种动态场景下基于多传感器的融合定位方法 | |
CN112020722B (zh) | 基于三维传感器数据识别路肩 |
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 |