CN115164880A - 用于识别障碍物的方法、装置、控制器及可移动设备 - Google Patents
用于识别障碍物的方法、装置、控制器及可移动设备 Download PDFInfo
- Publication number
- CN115164880A CN115164880A CN202210781302.1A CN202210781302A CN115164880A CN 115164880 A CN115164880 A CN 115164880A CN 202210781302 A CN202210781302 A CN 202210781302A CN 115164880 A CN115164880 A CN 115164880A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- obstacle
- grid
- target
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000001514 detection method Methods 0.000 claims abstract description 123
- 230000011218 segmentation Effects 0.000 claims abstract description 21
- 239000013598 vector Substances 0.000 claims description 43
- 238000005259 measurement Methods 0.000 claims description 18
- 238000009826 distribution Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 19
- 230000004888 barrier function Effects 0.000 description 10
- 238000003860 storage Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 230000002829 reductive effect Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 102100040359 Angiomotin-like protein 2 Human genes 0.000 description 4
- 101000891151 Homo sapiens Angiomotin-like protein 2 Proteins 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
- G01C21/1652—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments with ranging devices, e.g. LIDAR or RADAR
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
-
- 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
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Abstract
本申请属于道路抢险救援领域,公开了一种用于识别障碍物的方法、装置、控制器及可移动设备。本申请通过获取检测区域的目标点云数据,通过点云分割算法检测目标点云数据,以确定候选区域以及候选区域中的障碍物的初始障碍物类型,其中检测区域包含候选区域。并且,对候选区域进行网格划分并确定网格点云信息,根据网格点云信息确定候选区域中的障碍物的目标检测结果。在目标检测结果指示障碍物的类型为初始障碍物类型的情况下,获取障碍物的位姿信息。本申请通过对获取数据的处理,能够准确地检测出行驶路径中的障碍物类型,有助于配合救援设备等可移动设备完成行驶任务,满足可移动设备的自主作业要求。
Description
技术领域
本申请涉及机械设备领域,具体地涉及一种用于识别障碍物的方法、装置、控制器及可移动设备。
背景技术
使用救援设备进行灾害救援,能快速、安全、高效地满足救援需求,并且很大程度上缓解救援人员的压力。对灾害现场的环境的自主感知信息在实现自主灾害救援方面发挥极其重要的作用,甚至对救援设备制定相应的自主救援策略有着决定性影响,这是保证救援安全、顺利展开及保证人身和财产安全的前提。目前,救援设备感知探测装置较为单一,产品功能较少,在路面情况复杂的情况下容易出现信息采集不全的现象,从而难以辅助完成救援任务。
发明内容
本申请实施例的目的是提供一种用于识别障碍物的方法、装置、控制器及可移动设备,用以解决现有技术在路面情况复杂的情况下容易出现信息采集不全的问题。
为了实现上述目的,本申请实施例第一方面提供一种用于识别障碍物的方法,应用于可移动设备,该方法包括:
获取检测区域的目标点云数据;
通过点云分割算法检测目标点云数据,以确定候选区域以及候选区域中的障碍物的初始障碍物类型,其中检测区域包含候选区域;
对候选区域进行网格划分并确定网格点云信息;
根据网格点云信息确定候选区域中的障碍物的目标检测结果;
在目标检测结果指示障碍物的类型为初始障碍物类型的情况下,获取障碍物的位姿信息。
在本申请的实施例中,可移动设备包括激光雷达以及惯性测量元件,获取检测区域的目标点云数据包括:
通过激光雷达获取检测区域的初始点云数据;
通过惯性测量元件获取可移动设备的姿态数据;
根据姿态数据修正初始点云数据,以确定目标点云数据。
在本申请的实施例中,通过点云分割算法检测目标点云数据,以确定候选区域以及候选区域中的障碍物的初始障碍物类型包括:
基于凹凸性通过点云分割算法分割检测区域,以得到多个面;根据目标点云数据判断是否存在连续三面的高度均低于第一设定高度;在确定存在连续三面的高度低于第一设定高度的情况下,判断连续三面中的相邻两面是否均为凹关系;在确定连续三面中的相邻两面的关系均为凹关系的情况下,将连续三面与地平面围成的区域确定为候选区域,并且确定障碍物的初始障碍物类型为沟壑;或者
获取检测区域的目标点云数据的每个点的法向量以及地平面的法向量;将法向量与地平面的法向量存在夹角并且小于90度的目标点云数据与地平面围成的区域确定为候选区域,并且确定障碍物的初始障碍物类型为斜坡;或者
基于凹凸性通过点云分割算法分割检测区域,以得到多个面;根据目标点云数据判断是否存在连续三面的高度均高于第二设定高度;在确定存在连续三面的高度高于第二设定高度的情况下,确定连续三面中的相邻两面的关系是否为一个凹关系和一个凸关系;在确定连续三面中的相邻两面的关系为一个凹关系和一个凸关系的情况下,将连续三面与地平面围成的区域确定为候选区域,并且确定障碍物的初始障碍物类型为垂直阶梯。
在本申请的实施例中,网格点云信息包括以下至少一项:
高程最大值、高程最小值、标准差与点云密度、点云趋势以及投影偏态分布情况。
在本申请的实施例中,根据网格点云信息确定候选区域中的障碍物的目标检测结果,包括:
在候选区域中选定元网格和对应的邻域网格,以得到元网格与邻域网格组成的网格组合;
将元网格与邻域网格进行交叉对比,得到目标检测结果,目标检测结果包括障碍物的类型为初始障碍物类型的置信度;
在置信度满足预设置信度条件的情况下,判定障碍物的类型为初始障碍物类型。
在本申请的实施例中,根据网格点云信息确定候选区域中的障碍物的目标检测结果,还包括:
在网格组合的置信度不满足预设置信度条件的情况下,增加邻域网格的数量,并返回执行将元网格与邻域网格进行交叉对比,得到目标检测结果的步骤,直至网格组合的置信度满足预设置信度条件;
其中,邻域网格的数量不超过预设数量。
在本申请的实施例中,根据网格点云信息确定候选区域中的障碍物的目标检测结果,还包括:
在邻域网格的数量达到预设数量且网格组合的置信度仍不满足预设置信度条件的情况下,判定网格组合的目标障碍物类型不为初始障碍物类型。
本申请实施例第二方面提供一种用于识别障碍物的装置,包括:
点云数据获取模块,被配置成获取检测区域的目标点云数据;
初始检测模块,被配置成通过点云分割算法检测目标点云数据,以确定候选区域以及与候选区域中的障碍物的初始障碍物类型,其中检测区域包含候选区域;
网格划分模块,被配置成对候选区域进行网格划分并确定网格点云信息;
目标检测模块,被配置成根据网格点云信息确定候选区域中的障碍物的目标检测结果;
位姿信息获取模块,被配置成在目标检测结果指示障碍物的类型为初始障碍物类型的情况下,获取障碍物的位姿信息。
本申请实施例第三方面提供一种控制器,包括:
存储器,被配置成存储指令;以及
处理器,被配置成从存储器调用指令以及在执行指令时能够实现根据上述的用于识别障碍物的方法。
本申请实施例第四方面提供一种可移动设备,包括:
数据采集装置,用于采集可移动设备的数据;以及
根据上述的控制器。
在本申请的实施例中,数据采集装置包括:
激光雷达,设置于可移动设备的前端,用于采集检测区域的点云数据;
惯性测量元件,设置于可移动设备内,用于采集可移动设备的姿态数据。
通过上述技术方案,获取检测区域的目标点云数据,通过点云分割算法检测目标点云数据,以确定候选区域以及候选区域中的障碍物的初始障碍物类型,其中检测区域包含候选区域。并且,对候选区域进行网格划分并确定网格点云信息,根据网格点云信息确定候选区域中的障碍物的目标检测结果。在目标检测结果指示障碍物的类型为初始障碍物类型的情况下,获取障碍物的位姿信息。本申请基于点云数据对障碍物的初始类型即所在候选区域进行确定,并基于对候选区域的网格划分等手段,进一步确定障碍物的类型,如此,提高了可移动设备在路况复杂的区域识别障碍物的全面性和准确性,有效避免对复杂路面信息采集不全的问题。
本申请实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本申请实施例,但并不构成对本申请实施例的限制。在附图中:
图1示意性示出了根据本申请实施例的提供的救援设备的部分结构图;
图2示意性示出了根据本申请实施例的一种用于识别障碍物的方法的流程图;
图3示意性示出了根据本申请实施例的一种对平面凹凸关系的判断图;
图4示意性示出了根据本申请实施例的一种沟壑的判断图;
图5示意性示出了根据本申请实施例的一种斜坡的判断图;
图6示意性示出了根据本申请实施例的一种垂直阶梯的判断图;
图7示意性示出了根据本申请实施例的一种控制器的结构框图。
附图标记说明
1 激光雷达
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解的是,此处所描述的具体实施方式仅用于说明和解释本申请实施例,并不用于限制本申请实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明,若本申请实施例中有涉及方向性指示(诸如上、下、左、右、前、后……),则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
另外,若本申请实施例中有涉及“第一”、“第二”等的描述,则该“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本申请要求的保护范围之内。
本申请实施例提供的用于识别障碍物的方法,可以应用于各类救援设备,或者,也可以应用于汽车或者可移动的机器人等其他类型的可移动设备中。为简化描述,以下将主要以方法应用于救援设备为例,对本文实施例进行说明。
图1示意性示出了根据本申请实施例的提供的一种救援设备的部分结构图。如图1所示,救援设备包括但不限于无人救援车、消防车、工程抢险车或者救援类工程机械车辆等。该救援设备可以包括数据采集装置和控制器(图中未示出)。其中,数据采集装置可以包括激光雷达1和惯性测量元件(图中未示出)。激光雷达1可以用于检测目标的位置、速度特征量。惯性测量元件可以用于测量救援设备三轴姿态角以及加速度。在一个示例中激光雷达1可以设置于救援设备前端。激光雷达1的中心点坐标的X轴与地平面保持平行,激光雷达1的中心点坐标的Z轴与救援设备前端的中心点坐标的Z轴保持平行,且救援设备对激光雷达1的激光信号发射部位无遮挡。这样,可以使得在激光雷达1采集数据时,不会被救援设备所遮挡,以更准确地采集数据。惯性测量元件可以设置于救援设备的重心处。
图2示意性示出了根据本申请实施例的一种用于识别障碍物的方法的流程图。如图2所示,本申请实施例提供一种用于识别障碍物的方法,该方法可以包括下列步骤。
步骤201、获取检测区域的目标点云数据;
步骤202、通过点云分割算法检测目标点云数据,以确定候选区域以及候选区域中的障碍物的初始障碍物类型,其中检测区域包含候选区域;
步骤203、对候选区域进行网格划分并确定网格点云信息;
步骤204、根据网格点云信息确定候选区域中的障碍物的目标检测结果。
步骤205、在目标检测结果指示障碍物的类型为初始障碍物类型的情况下,获取障碍物的位姿信息。
本申请实施例获取检测区域的目标点云数据,通过点云分割算法检测目标点云数据,以确定候选区域以及候选区域中的障碍物的初始障碍物类型,其中检测区域包含候选区域。并且,对候选区域进行网格划分并确定网格点云信息,根据网格点云信息确定候选区域中的障碍物的目标检测结果。在目标检测结果指示障碍物的类型为初始障碍物类型的情况下,获取障碍物的位姿信息。本申请基于点云数据对障碍物的初始类型即所在候选区域进行确定,并基于对候选区域的网格划分等手段,进一步确定障碍物的类型,如此,提高了可移动设备在路况复杂的区域识别障碍物的全面性和准确性,有效避免对复杂路面信息采集不全的问题。
以下结合一些具体的实施方式对本申请实施例的实现过程进行举例说明。处理器可以获取检测区域的目标点云数据。检测区域为可移动设备行驶路径中激光雷达获取点云数据的区域。可移动设备在行驶过程中,激光雷达从可移动设备向前发射一束激光信号,在激光信号经被测物体反射后由激光探测器接收,通过分析激光信号遇到被测物体后的折返时间,可以计算出被测物体的相对距离。利用该过程中收集的被测物体表面的点的三维坐标信息可以得到被测物体的三维模型。点云数据即激光雷达发射激光信号后收集的被测物体表面的点的三维坐标信息。此外,可以事先建立一个世界坐标系,在世界坐标系的基础上获取点云数据。在激光雷达获取检测区域的点云数据的同时,可以通过惯性测量元件获取可移动设备的姿态数据,并根据姿态数据修正激光雷达获取的点云数据,以得到目标点云数据。通过获取目标点云数据,可以减少因可移动设备的姿态改变而引起点云数据存在偏差的问题,提高识别障碍物的准确度。
在本申请实施例中,确定障碍物的类型时可以先初步确定候选区域以及候选区域中障碍物的初始障碍物类型。候选区域为检测区域中根据目标点云数据确定可能存在障碍物的区域。障碍物的类型包括但不限于沟壑、斜坡、垂直阶梯。处理器可以先通过点云分割算法初步确定障碍物的类型。点云分割算法即根据点云的空间、几何、纹理特征对点云进行划分,使得具有相似特征的点云可以被划分在同一区域的算法。在一个示例中,点云分割算法可以为局部凸连接打包一波带走(Locally Convex Connected Patches,LCCP)算法。LCCP算法包括两个部分:1、基于超体聚类的过分割;2、在超体聚类的基础上基于凹凸性进行再聚类。LCCP算法只使用空间信息和法线信息即可判断候选区域以及候选区域中的障碍物的初始障碍物的类型。障碍物的初始障碍物的类型包括沟壑、斜坡和垂直阶梯。通过点云分割算法可以确定候选区域以及候选区域中的障碍物的初始障碍物的类型。
在确定候选区域后,处理器可以对候选区域按预设初始网格大小进行网格划分。预设初始网格大小即预先设定一个网格大小的值。处理器可以按照预设的网格大小值将候选区域划分为多个初始网格。例如,初始网格大小可以设置为0.5米,候选区域按照0.5米的大小等距离地划分为多个初始网格。初始网格中包含目标点云数据。在对候选区域完成网格划分的情况下,根据网格内的目标点云数据,确定网格点云信息。网格点云信息包括但不限于高程最大值、高程最小值、标准差与点云密度、点云趋势以及投影偏态分布情况中至少一项。
在确定网格点云信息的情况下,处理器可以确定候选区域中的障碍物的目标检测结果。在一个示例中,处理器获取目标点云数据后,可以进行网格划分并确定网格点云信息。通过确定多个初始网格中的元网格和对应的邻域网格,元网格和邻域网格进行交叉比对,以得到目标检测结果。目标检测结果包括障碍物类型为初始障碍物类型的置信度。在目标检测结果指示障碍物的类型为初始障碍物类型的情况下,获取障碍物的位姿信息。位姿信息指的是障碍物的位置和姿态信息。通过二次确定障碍物类型,使得对障碍物的识别更加准确,减少误识别的情况。
通过上述技术方案,获取检测区域的目标点云数据,通过点云分割算法检测目标点云数据,以确定候选区域以及候选区域中的障碍物的初始障碍物类型,其中检测区域包含候选区域。并且,对候选区域进行网格划分并确定网格点云信息,根据网格点云信息确定候选区域中的障碍物的目标检测结果。在目标检测结果指示障碍物的类型为初始障碍物类型的情况下,获取障碍物的位姿信息。本申请降低了可移动设备识别障碍物的复杂度,提高了可移动设备在灾后路况复杂的区域识别障碍物的全面性和准确性。
在本申请实施例中,可移动设备包括激光雷达以及惯性测量元件,步骤201、获取检测区域的目标点云数据可以包括:
通过激光雷达获取检测区域的初始点云数据;
通过惯性测量元件获取可移动设备的姿态数据;
根据姿态数据修正初始点云数据,以确定目标点云数据。
具体地,处理器可以修正激光雷达获取的初始点云数据,减少因可移动设备的姿态改变而引起点云数据存在偏差的问题。在激光雷达获取检测区域的点云数据的同时,可以通过惯性测量元件获取可移动设备的姿态数据,并根据姿态数据修正激光雷达获取的点云数据,以得到目标点云数据。其中,姿态数据包括可移动设备的偏航角、俯仰角以及横滚角。通过获取目标点云数据,可以减少因可移动设备的姿态改变而引起点云数据存在偏差的问题,提高识别障碍物的准确度。处理器可以通过旋转平移矩阵对激光雷达采集的点云数据进行修正,以获取以世界坐标系为基础的目标点云数据。目标点云数据可通过公式(1)计算:
其中,RXYZ(γ,β,α)为总旋转变换矩阵,α为偏航角,β为俯仰角,γ为横滚角,Rz(α)为绕Z轴旋转α角的变换矩阵,RY(β)为绕Y轴旋转β角的变换矩阵,RX(γ)为绕X轴旋转γ角的变换矩阵。
处理器可以对目标点云数据进行处理,以减少点云数据的数量,提高后续算法的速度。在一个示例中,可以对目标点云数据预设一个离群点去除阈值对目标点云数据中的离群点进行滤波。离群点去除阈值可以通过对每一个点的邻域进行统计分析,计算它到所有临近点的平均距离。假设得到的结果是一个高斯分布,其形状是由均值和标准差决定,那么平均距离在标准范围之外的点,可以被定义为离群点并从目标点云数据中去除,该标准范围由全局的距离平均值和方差确定。进一步地,还可以对点云进行下采样以达到滤波的效果,在减少点的数量的同时保持点云的形状特征,以提高算法的速度。优选地,可以使用VoxelGrid滤波器对点云进行下采样。通过对目标点云数据进行处理,可以减少点云数据的数量,提高后续算法的速度。
在本申请实施例中,步骤202、通过点云分割算法检测目标点云数据,以确定候选区域以及候选区域中的障碍物的初始障碍物类型可以包括:
基于凹凸性通过点云分割算法分割检测区域,以得到多个面;根据目标点云数据判断是否存在连续三面的高度均低于第一设定高度;在确定存在连续三面的高度低于第一设定高度的情况下,判断连续三面中的相邻两面是否均为凹关系;在确定连续三面中的相邻两面的关系均为凹关系的情况下,将连续三面与地平面围成的区域确定为候选区域,并且确定障碍物的初始障碍物类型为沟壑;或者
获取检测区域的目标点云数据的每个点的法向量以及地平面的法向量;将法向量与地平面的法向量存在夹角并且小于90度的目标点云数据与地平面围成的区域确定为候选区域,并且确定障碍物的初始障碍物类型为斜坡;或者
基于凹凸性通过点云分割算法分割检测区域,以得到多个面;根据目标点云数据判断是否存在连续三面的高度均高于第二设定高度;在确定存在连续三面的高度高于第二设定高度的情况下,确定连续三面中的相邻两面的关系是否为一个凹关系和一个凸关系;在确定连续三面中的相邻两面的关系为一个凹关系和一个凸关系的情况下,将连续三面与地平面围成的区域确定为候选区域,并且确定障碍物的初始障碍物类型为垂直阶梯。
具体地,基于凹凸性可以通过点云分割算法分割检测区域,以得到多个面。在对点云完成超体聚类的情况下,对于过分割的点云需要计算不同面之间的凹凸关系。凹凸关系可以通过扩展凸性准则(Extended Convexity Criterion,CC)判据和健全性准则(SanityCriterion,SC)判据来进行判断。图3示意性示出了根据本申请实施例的一种对平面凹凸关系的判断示意图。如图3所示,假设存在两个相邻的平面,即平面1和平面2。设平面1与相邻平面中心线向量的夹角为α1,设平面2与相邻平面中心线向量的夹角为α2,在α1>α2的情况下,平面之间的关系为凹关系,在α1<α2的情况下,平面之间的关系为凸关系。在实际使用过程中可以设定限值,来滤除较小的凹凸误判,例如,可以设定限值为5度,那么α1-α2>5度时,才能确定平面之间的关系为凹关系。此外,如果两个平面的凹凸关系相同,那么两个平面的公共的相邻平面的凹凸关系与两个平面相同。在相邻两面中,如果存在相邻两面不连接的情况,CC判据对此无法准确进行判断,因此处理器可以通过SC判据确定相邻两面中是否存在单独面。如图3所示,θ为平面法向量的叉乘与相邻平面中心连线向量的夹角。在确定θ时,选取角度较小的夹角为θ。相邻两面中是否存在单独面与θ角有关,在θ角为0度的情况下,相邻两面中存在单独面。通过公式(2)可以确定平面法向量的叉乘,再根据平面法向量的叉乘与相邻平面中心连线向量的夹角确定θ:
通过公式(3)可以确定相邻平面中心线向量:
判断障碍物的初始障碍物类型为沟壑需要满足存在连续三个面中的相邻两面为凹关系的条件。图4示意性示出了根据本申请实施例的一种沟壑的判断图。如图4所示,在本申请实施例中,根据目标点云数据判断是否存在连续三面的高度均低于第一设定高度。由于第一设定高度用于判断障碍物是否为沟壑,因此,第一设定高度取一个负值。在存在连续三面的高度低于第一设定高度的情况下,将连续三面中的相邻两面结合比对,并通过LCCP算法判断相邻两面的凹凸关系。在检测到检测区域中存在连续三个面中的相邻两面为凹关系时,将连续三面与地平面围成的区域确定为候选区域,并确定候选区域中障碍物的初始障碍物类型为沟壑。其中,围成的区域的面积应大于预设面积,以此过滤小型沟壑。
判断障碍物的初始障碍物类型为斜坡需要满足目标点云数据每个点的法向量与地平面法向量之间的夹角大于0度且小于90度的条件。图5示意性示出了根据本申请实施例的一种斜坡的判断示意图。如图5所示,在本申请实施例中,处理器可以获取检测区域的目标点云数据的每个点的法向量与地平面的法向量。其中,处理器可以通过惯性测量元件确定地平面的法向量。由此,可以得到法向量与地平面的法向量之间的夹角β,在该夹角β大于0度且小于90度的情况下,将夹角β大于0度且小于90度的目标点云数据与地平面围成的区域确定候选区域,并且,确定候选区域中的障碍物的初始障碍物类型为斜坡。例如,在目标点云数据存在连续多个点的法向量与地平面法向量的夹角为45度的情况下,可以确定该障碍物的初始障碍物类型为斜坡。其中,围成的区域的面积应大于预设面积,以此过滤小型斜坡。
判断障碍物的初始障碍物类型为垂直阶梯需要满足存在连续三面中相邻两面呈现为一个凹关系、一个凸关系的条件。图6示意性示出了根据本申请实施例的一种垂直阶梯的判断示意图。如图6所示,在本申请实施例中,根据目标点云数据判断是否存在连续三面的高度均高于第二设定高度。由于第二设定高度用于判断障碍物是否为垂直阶梯,因此,第二设定高度取一个正值。在存在连续三面的高度均高于第二设定高度的情况下,确定连续三面中的相邻两面的关系是否为一个凹关系和一个凸关系。在确定连续三面中的相邻两面的关系为一个凹关系和一个凸关系的情况下,将连续三面与地平面围成的区域确定为候选区域,并且确定障碍物的初始障碍物类型为垂直阶梯。其中,围成的区域的面积应大于预设面积,以此过滤小型垂直阶梯。
本申请实施例先通过点云分割算法确定障碍物的初始障碍物类型,再进一步根据网格点云信息确定候选区域中障碍物的类型,能够准确判断障碍物的类型,降低可移动设备误判的可能性。
在本申请实施例中,网格点云信息可以包括以下至少一项:
高程最大值、高程最小值、标准差与点云密度、点云趋势以及投影偏态分布情况。
具体地,通过网格内的目标点云数据可以确定网格点云信息。处理器获取目标点云数据后,可以进行网格划分并确定网格点云信息。网格点云信息包括高程最大值、高程最小值、标准差、点云密度、点云趋势以及投影偏态分布情况中至少一项。高程是指一个点相对于基准面的高度。高程最大值是指目标点云数据的最高处相对于基准面的绝对高度。高程最小值是指目标点云数据的最低处相对于基准面的高度。其中,基准面可以选取地平面。标准差反映目标点云数据的离散程度。点云密度是数据分辨率的指标,在本申请实施例中反映目标点云数据的密集程度。
点云趋势可以通过趋势检验的方式判断。在一个示例中,可以通过Cox-Stuart检验判断点云趋势。Cox-Stuart检验的理论基础是符号检验,即直接考虑数据的变化趋势。若数据有上升趋势,那么排在后面的数据的值要比排在前面的数据的值显著的大,反之,若数据有下降趋势,那么排在后面的数据的值要比排在前面的数据的值显著的小。也就是说,可以利用目标点云数据中每个点的坐标的差值正负来判断目标点云数据总的变化趋势。投影偏态分布情况是指目标点云数据的投影的偏态分布情况。通过确定网格点云信息,可以便于后续进一步地判断候选区域中的障碍物的类型。
在本申请实施例中,步骤204、根据网格点云信息确定候选区域中的障碍物的目标检测结果,可以包括:
在候选区域中选定元网格和对应的邻域网格,以得到元网格与邻域网格组成的网格组合;
将元网格与邻域网格进行交叉对比,得到目标检测结果,目标检测结果包括障碍物的类型为初始障碍物类型的置信度;
在置信度满足预设置信度条件的情况下,判定障碍物的类型为初始障碍物类型。
具体地,处理器可以先对候选区域按预设初始网格大小进行网格划分。预设初始网格大小即预先设定一个网格大小的值。处理器可以按照预设的网格大小值将候选区域划分为多个网格。在完成网格划分的情况下,处理器可以在多个网格中选定元网格和与元网格对应的邻域网格,从而得到元网格与邻域网格组成的网格组合。元网格与邻域网格进行交叉对比,以得到目标检测结果。其中,目标检测结果包括障碍物的类型为初始障碍物类型的置信度。障碍物的类型为初始障碍物类型的置信度可以根据进行交叉对比的网格组合的网格点云信息确定。
在一个具体实施例中,处理器可以将候选区域划分为多个网格,从多个网格中选取相邻的两个网格,并且选取第一个网格作为元网格,另一个网格作为邻域网格。处理器可以通过两个网格内的目标点云数据确定网格点云信息。在确定网格点云信息的情况下,按照设定顺序交叉对比元网格与邻域网格的网格点云信息。处理器可以通过趋势检验的方式判断点云趋势。在完成点云趋势的判断后,根据对比规则函数确定此时的置信度,并进行下一步判断。例如,在点云趋势满足平面趋势或者急速下降趋势的条件时,可以根据平面趋势内网格内点云的最小值与标准差或者急速下降趋势内网格点云的最大值与投影偏态分布情况的判断是否满足预设条件。如果满足预设条件,则更新置信度的数值并再次选取网格作为网格组合,进行交叉对比。其中,再次选取网格作为网格组合时,置信度已经达到预设置信度条件的网格不会被选择为元网格。根据对比规则函数,组合判断网格组合的网格点云信息,可以得到障碍物的类型为初始障碍物类型的置信度。在置信度满足预设置信度条件的情况下,判定障碍物的类型为初始障碍物类型。通过根据网格点云信息以及网格点云信息的置信度二次判断障碍物的类型,可以提高识别障碍物的准确性。
在本申请实施例中,步骤204、根据网格点云信息确定候选区域中的障碍物的目标检测结果,还可以包括:
在网格组合的置信度不满足预设置信度条件的情况下,增加邻域网格的数量,并返回执行将元网格与邻域网格进行交叉对比,得到目标检测结果的步骤,直至网格组合的置信度满足预设置信度条件;
其中,邻域网格的数量不超过预设数量。
具体地,在网格组合的置信度不满足预设置信度条件的情况下,处理器可以增加邻域网格数量以进行迭代。增加邻域网格数量以进行迭代即增加邻域网格的数量,替代原来的网格组合中的邻域网格,与元网格进行交叉对比,直到置信度达到预设置信度条件或迭代的邻域网格的数量达到预设数量。通过增加邻域网格数量以对置信度未达到预设条件的网格组合进行迭代,可以进一步确定网格组合的网格点云信息,并更新置信度,从而降低判断障碍物类型过程中的误差。
在本申请实施例中,步骤204、根据网格点云信息确定候选区域中的障碍物的目标检测结果,还可以包括:
在邻域网格的数量达到预设数量且网格组合的置信度仍不满足预设置信度条件的情况下,判定网格组合的目标障碍物类型不为初始障碍物类型。
具体地,处理器可以预设一个邻域网格的数量。在网格组合的置信度不满足预设置信度条件的情况下,处理器可以增加邻域网格数量以进行迭代。增加邻域网格数量以进行迭代即增加邻域网格的数量,替代原来的网格组合中的邻域网格,与元网格进行交叉对比,直到置信度达到预设置信度条件或迭代的邻域网格的数量达到预设数量。在邻域网格的数量达到预设数量且网格组合的置信度仍不满足预设置信度条件的情况下,确定网格组合内的目标障碍物类型不为初始障碍物类型。通过确定邻域网格的预设数量,可以避免在置信度不满足预设置信度条件时无限制地对网格组合进行迭代的问题。
在一个具体实施例中,在检测障碍物的初始障碍物类型为斜坡的情况下,候选区域内点云数据每个点的法向量与地面法向量呈一定角度,锁定候选区域内有角度的法向量区域,利用线性扫描的高程差判断斜坡的存在。在扫描网格的均值存在高程差且两者平面拟合斜率差值在阈值内的情况下,确定存在斜坡。通过迭代可以得出斜坡位置,从而辅助可移动设备进行动力与行走策略规划。
在检测障碍物的初始障碍物类型为垂直可跨阶梯的情况下,通过扩展凸性准则判据和健全性准则判据,利用相邻网格中心连线与法向量夹角来判断两网格间呈现的凹凸关系。进一步地,可以增加邻域网格的数量对网格组合进行迭代融合,以网格点云信息中的高程最大值不断与记录的地面高度进行比对。在高程最大值与地面有一定高程差时,则判定障碍物为垂直阶梯,并记录垂直阶梯的高度。并且,可以结合使用可移动设备的特殊装置制定障碍跨越指令。
本申请实施例提供一种用于识别障碍物的装置,可以包括:
点云数据获取模块,被配置成获取检测区域的目标点云数据;
初始检测模块,被配置成通过点云分割算法检测目标点云数据,以确定候选区域以及与候选区域中的障碍物的初始障碍物类型,其中检测区域包含候选区域;
网格划分模块,被配置成对候选区域进行网格划分并确定网格点云信息;
目标检测模块,被配置成根据网格点云信息确定候选区域中的障碍物的目标检测结果;
位姿信息获取模块,被配置成在目标检测结果指示障碍物的类型为初始障碍物类型的情况下,获取障碍物的位姿信息。
具体地,点云数据获取模块可以获取检测区域的目标点云数据。在本申请实施例中,初始检测模块可以先初步确定候选区域中障碍物的初始障碍物类型。初始检测模块可以先通过点云分割算法初步确定障碍物的初始障碍物类型。网格划分模块可以先对候选区域按预设初始网格大小进行网格划分。预设初始网格大小即预先设定一个网格大小的值。处理器可以按照预设的网格大小值将候选区域划分为多个初始网格。初始网格中包含目标点云数据。在对候选区域完成网格划分的情况下,根据网格内的目标点云数据,确定网格点云信息。点云信息至少包括高程最大值、高程最小值、标准差与点云密度、点云趋势以及投影偏态分布情况中至少一项。在确定网格点云信息的情况下,目标检测模块可以确定候选区域中的障碍物的目标检测结果。在目标检测结果指示障碍物的类型为初始障碍物类型的情况下,位姿信息获取模块获取障碍物的位姿信息。
点云数据获取模块获取目标点云数据后,可以通过网格划分模块进行网格划分并确定网格点云信息。通过目标检测模块确定多个初始网格中的元网格和对应的邻域网格,元网格和邻域网格进行交叉比对,以得到目标检测结果。目标检测结果包括障碍物类型为初始障碍物类型的置信度。在目标检测结果指示障碍物的类型为初始障碍物类型的情况下,位姿信息获取模块获取障碍物的位姿信息。通过二次确定障碍物类型,使得对障碍物的识别更加准确,减少误识别的情况。
图7示意性示出了根据本申请实施例的一种控制器的结构框图。如图7所示,本申请实施例提供一种控制器,可以包括:
存储器710,被配置成存储指令;以及
处理器720,被配置成从存储器调用指令以及在执行指令时能够实现根据上述的用于识别障碍物的方法。
具体地,在本申请实施例中,处理器720可以被配置成:
获取检测区域的目标点云数据;
通过点云分割算法检测目标点云数据,以确定候选区域以及候选区域中的障碍物的初始障碍物类型,其中检测区域包含候选区域;
对候选区域进行网格划分并确定网格点云信息;
根据网格点云信息确定候选区域中的障碍物的目标检测结果;
在目标检测结果指示障碍物的类型为初始障碍物类型的情况下,获取障碍物的位姿信息。
进一步地,处理器720还可以被配置成:
通过激光雷达获取检测区域的初始点云数据;
通过惯性测量元件获取可移动设备的姿态数据;
根据姿态数据修正初始点云数据,以确定目标点云数据。
进一步地,处理器720还可以被配置成:
基于凹凸性通过点云分割算法分割检测区域,以得到多个面;根据目标点云数据判断是否存在连续三面的高度均低于第一设定高度;在确定存在连续三面的高度低于第一设定高度的情况下,判断连续三面中的相邻两面是否均为凹关系;在确定连续三面中的相邻两面的关系均为凹关系的情况下,将连续三面与地平面围成的区域确定为候选区域,并且确定障碍物的初始障碍物类型为沟壑;或者
获取检测区域的目标点云数据的每个点的法向量以及地平面的法向量;将法向量与地平面的法向量存在夹角并且小于90度的目标点云数据与地平面围成的区域确定为候选区域,并且确定障碍物的初始障碍物类型为斜坡;或者
基于凹凸性通过点云分割算法分割检测区域,以得到多个面;根据目标点云数据判断是否存在连续三面的高度均高于第二设定高度;在确定存在连续三面的高度高于第二设定高度的情况下,确定连续三面中的相邻两面的关系是否为一个凹关系和一个凸关系;在确定连续三面中的相邻两面的关系为一个凹关系和一个凸关系的情况下,将连续三面与地平面围成的区域确定为候选区域,并且确定障碍物的初始障碍物类型为垂直阶梯。
在本申请实施例中,网格点云信息还可以包括以下至少一项:
高程最大值、高程最小值、标准差与点云密度、点云趋势以及投影偏态分布情况。
进一步地,处理器720还可以被配置成:
在候选区域中选定元网格和对应的邻域网格,以得到元网格与邻域网格组成的网格组合;
将元网格与邻域网格进行交叉对比,得到目标检测结果,目标检测结果包括障碍物的类型为初始障碍物类型的置信度;
在置信度满足预设置信度条件的情况下,判定障碍物的类型为初始障碍物类型。
进一步地,处理器720还可以被配置成:
在网格组合的置信度不满足预设置信度条件的情况下,增加邻域网格的数量,并返回执行将元网格与邻域网格进行交叉对比,得到目标检测结果的步骤,直至网格组合的置信度满足预设置信度条件;
其中,邻域网格的数量不超过预设数量。
进一步地,处理器720还可以被配置成:
在邻域网格的数量达到预设数量且网格组合的置信度仍不满足预设置信度条件的情况下,判定网格组合的目标障碍物类型不为初始障碍物类型。
通过上述技术方案,获取检测区域的目标点云数据,通过点云分割算法检测目标点云数据,以确定候选区域以及候选区域中的障碍物的初始障碍物类型,其中检测区域包含候选区域。并且,对候选区域进行网格划分并确定网格点云信息,根据网格点云信息确定候选区域中的障碍物的目标检测结果。在目标检测结果指示障碍物的类型为初始障碍物类型的情况下,获取障碍物的位姿信息。本申请降低了可移动设备识别障碍物的复杂度,提高了可移动设备在灾后路况复杂的区域识别障碍物的全面性和准确性。
本申请实施例还提供一种可移动设备,可以包括:
数据采集装置,用于采集可移动设备的数据;以及
根据上述的控制器。
在本申请实施例中,数据采集装置可以包括:
激光雷达,设置于可移动设备的前端,用于采集检测区域的点云数据;
惯性测量元件,设置于可移动设备内,用于采集可移动设备的姿态数据。
具体地,如图1所示,以可移动设备为救援设备为例,救援设备可以包括数据采集装置和控制器(图中未示出)。其中,数据采集装置可以包括激光雷达1和惯性测量元件(图中未示出)。激光雷达1可以用于检测目标的位置、速度特征量。惯性测量元件用于测量救援设备三轴姿态角以及加速度。在一个示例中激光雷达1可以设置于救援设备前端。激光雷达1的中心点坐标的X轴与地平面保持平行,激光雷达1的中心点坐标的Z轴与救援设备前端的中心点坐标的Z轴保持平行,且救援设备对激光雷达1的激光信号发射部位无遮挡。惯性测量元件可以设置于救援设备的重心处。
本申请实施例中通过上述的设置数据采集装置的位置的方式,可以使得在激光雷达1采集数据时,不会被救援设备所遮挡,以更准确地采集数据。并且,能够提高惯性测量元件测量数据的可靠性。
本申请实施例还提供一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令用于使得机器执行上述的用于识别障碍物的方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (11)
1.一种用于识别障碍物的方法,其特征在于,应用于可移动设备,所述方法包括:
获取检测区域的目标点云数据;
通过点云分割算法检测所述目标点云数据,以确定候选区域以及所述候选区域中的障碍物的初始障碍物类型,其中所述检测区域包含所述候选区域;
对所述候选区域进行网格划分并确定网格点云信息;
根据所述网格点云信息确定所述候选区域中的障碍物的目标检测结果;
在所述目标检测结果指示所述障碍物的类型为所述初始障碍物类型的情况下,获取所述障碍物的位姿信息。
2.根据权利要求1所述的方法,其特征在于,所述可移动设备包括激光雷达以及惯性测量元件,所述获取检测区域的目标点云数据包括:
通过所述激光雷达获取检测区域的初始点云数据;
通过所述惯性测量元件获取所述可移动设备的姿态数据;
根据所述姿态数据修正所述初始点云数据,以确定所述目标点云数据。
3.根据权利要求1所述的方法,其特征在于,所述通过点云分割算法检测所述目标点云数据,以确定候选区域以及所述候选区域中的障碍物的初始障碍物类型包括:
基于凹凸性通过点云分割算法分割检测区域,以得到多个面;根据所述目标点云数据判断是否存在连续三面的高度均低于第一设定高度;在确定存在连续三面的高度低于所述第一设定高度的情况下,判断所述连续三面中的相邻两面是否均为凹关系;在确定所述连续三面中的相邻两面的关系均为凹关系的情况下,将所述连续三面与地平面围成的区域确定为候选区域,并且确定所述障碍物的初始障碍物类型为沟壑;或者
获取所述检测区域的目标点云数据的每个点的法向量以及地平面的法向量;将法向量与所述地平面的法向量存在夹角并且小于90度的目标点云数据与地平面围成的区域确定为候选区域,并且确定所述障碍物的初始障碍物类型为斜坡;或者
基于凹凸性通过点云分割算法分割检测区域,以得到多个面;根据所述目标点云数据判断是否存在连续三面的高度均高于第二设定高度;在确定存在连续三面的高度高于所述第二设定高度的情况下,确定所述连续三面中的相邻两面的关系是否为一个凹关系和一个凸关系;在确定所述连续三面中的相邻两面的关系为一个凹关系和一个凸关系的情况下,将所述连续三面与地平面围成的区域确定为候选区域,并且确定所述障碍物的初始障碍物类型为垂直阶梯。
4.根据权利要求1所述的方法,其特征在于,所述网格点云信息包括以下至少一项:
高程最大值、高程最小值、标准差与点云密度、点云趋势以及投影偏态分布情况。
5.根据权利要求1所述的方法,其特征在于,所述根据所述网格点云信息确定所述候选区域中的障碍物的目标检测结果,包括:
在所述候选区域中选定元网格和对应的邻域网格,以得到所述元网格与所述邻域网格组成的网格组合;
将所述元网格与所述邻域网格进行交叉对比,得到所述目标检测结果,所述目标检测结果包括所述障碍物的类型为初始障碍物类型的置信度;
在所述置信度满足预设置信度条件的情况下,判定所述障碍物的类型为所述初始障碍物类型。
6.根据权利要求5所述的方法,其特征在于,所述根据所述网格点云信息确定所述候选区域中的障碍物的目标检测结果,还包括:
在所述网格组合的置信度不满足所述预设置信度条件的情况下,增加所述邻域网格的数量,并返回执行所述将所述元网格与所述邻域网格进行交叉对比,得到所述目标检测结果的步骤,直至所述网格组合的置信度满足所述预设置信度条件;
其中,所述邻域网格的数量不超过预设数量。
7.根据权利要求6所述的方法,其特征在于,所述根据所述网格点云信息确定所述候选区域中的障碍物的目标检测结果,还包括:
在所述邻域网格的数量达到所述预设数量且所述网格组合的置信度仍不满足所述预设置信度条件的情况下,判定所述网格组合的目标障碍物类型不为所述初始障碍物类型。
8.一种用于识别障碍物的装置,其特征在于,包括:
点云数据获取模块,被配置成获取检测区域的目标点云数据;
初始检测模块,被配置成通过点云分割算法检测所述目标点云数据,以确定候选区域以及与所述候选区域中的障碍物的初始障碍物类型,其中所述检测区域包含所述候选区域;
网格划分模块,被配置成对所述候选区域进行网格划分并确定网格点云信息;
目标检测模块,被配置成根据所述网格点云信息确定所述候选区域中的障碍物的目标检测结果;
位姿信息获取模块,被配置成在所述目标检测结果指示所述障碍物的类型为所述初始障碍物类型的情况下,获取所述障碍物的位姿信息。
9.一种控制器,其特征在于,包括:
存储器,被配置成存储指令;以及
处理器,被配置成从所述存储器调用所述指令以及在执行所述指令时能够实现根据权利要求1至7中任一项所述的用于识别障碍物的方法。
10.一种可移动设备,其特征在于,包括:
数据采集装置,用于采集可移动设备的数据;以及
根据权利要求9所述的控制器。
11.根据权利要求10所述的可移动设备,其特征在于,所述数据采集装置包括:
激光雷达,设置于所述可移动设备的前端,用于采集检测区域的点云数据;
惯性测量元件,设置于所述可移动设备内,用于采集所述可移动设备的姿态数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210781302.1A CN115164880A (zh) | 2022-07-04 | 2022-07-04 | 用于识别障碍物的方法、装置、控制器及可移动设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210781302.1A CN115164880A (zh) | 2022-07-04 | 2022-07-04 | 用于识别障碍物的方法、装置、控制器及可移动设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115164880A true CN115164880A (zh) | 2022-10-11 |
Family
ID=83490548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210781302.1A Pending CN115164880A (zh) | 2022-07-04 | 2022-07-04 | 用于识别障碍物的方法、装置、控制器及可移动设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115164880A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116381698A (zh) * | 2023-06-05 | 2023-07-04 | 蘑菇车联信息科技有限公司 | 道路遗撒物的检测方法、装置及电子设备 |
-
2022
- 2022-07-04 CN CN202210781302.1A patent/CN115164880A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116381698A (zh) * | 2023-06-05 | 2023-07-04 | 蘑菇车联信息科技有限公司 | 道路遗撒物的检测方法、装置及电子设备 |
CN116381698B (zh) * | 2023-06-05 | 2024-03-12 | 蘑菇车联信息科技有限公司 | 道路遗撒物的检测方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kim et al. | UAV-assisted autonomous mobile robot navigation for as-is 3D data collection and registration in cluttered environments | |
US9251417B1 (en) | Fast open doorway detection for autonomous robot exploration | |
Atev et al. | A vision-based approach to collision prediction at traffic intersections | |
Cheng et al. | Modeling tower crane operator visibility to minimize the risk of limited situational awareness | |
CN111258320B (zh) | 一种机器人避障的方法及装置、机器人、可读存储介质 | |
CN111429520B (zh) | 负障碍物检测方法、装置、终端设备和存储介质 | |
Weon et al. | Object Recognition based interpolation with 3d lidar and vision for autonomous driving of an intelligent vehicle | |
CN112526993B (zh) | 栅格地图更新方法、装置、机器人及存储介质 | |
CN109960269B (zh) | 一种服务于无人机自主导航的简化环境建模方法 | |
CN112070870B (zh) | 点云地图评估方法、装置、计算机设备和存储介质 | |
Liu et al. | Point cloud segmentation based on Euclidean clustering and multi-plane extraction in rugged field | |
CN115702405A (zh) | 建模和感知地形的楼梯跟踪 | |
CN115164880A (zh) | 用于识别障碍物的方法、装置、控制器及可移动设备 | |
CN111797836A (zh) | 一种基于深度学习的地外天体巡视器障碍物分割方法 | |
CN110515390A (zh) | 飞行器自主降落方法及装置、电子设备、存储介质 | |
CN114994635A (zh) | 一种智能驾驶可行驶区域检测方法和装置 | |
CN114764885A (zh) | 障碍物的检测方法、装置、计算机可读存储介质和处理器 | |
CN114911221B (zh) | 机器人的控制方法、装置及机器人 | |
CN103714528B (zh) | 物体分割装置和方法 | |
CN112731337A (zh) | 地图构建方法、装置和设备 | |
KR20220069623A (ko) | 무인 비행장치 및 그의 동작 방법 | |
Gehrung et al. | A fast voxel-based indicator for change detection using low resolution octrees | |
Gao et al. | Design and implementation of autonomous mapping system for ugv based on lidar | |
García et al. | Fusion based safety application for pedestrian detection with danger estimation | |
CN117115263A (zh) | 一种基于点云数据处理的语义动态建模方法 |
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 |