CN115236696B - 确定障碍物的方法、装置、电子设备及存储介质 - Google Patents
确定障碍物的方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115236696B CN115236696B CN202211158850.5A CN202211158850A CN115236696B CN 115236696 B CN115236696 B CN 115236696B CN 202211158850 A CN202211158850 A CN 202211158850A CN 115236696 B CN115236696 B CN 115236696B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- grid
- point
- determining
- 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
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
- 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
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明提供了一种确定障碍物的方法、装置、电子设备及存储介质,涉及机器视觉技术领域,所述方法包括:接收来自于多个激光雷达的点云数据;对多个激光雷达的点云数据进行对应帧的拼接,得到当前时刻下完整点云数据;对当前时刻下完整点云数据进行区域提取和干扰点滤除,得到优化点云数据;对优化点云数据进行地面点过滤,得到过滤点云数据;对过滤点云数据进行聚类,得到点云簇;基于点云簇,确定障碍物。本发明的确定障碍物的方法,采用多个低线束激光雷达,降低了车辆的成本,同时还很好的解决了精准确定障碍物的问题,具有较高的实用性。
Description
技术领域
本发明涉及机器视觉技术领域,特别是一种确定障碍物的方法、装置、电子设备及存储介质。
背景技术
目前汽车智能化作为时代发展的大趋势,一直是互联网、车企等诸多行业关注的焦点。环境感知作为智能驾驶领域的核心技术之一,是汽车实现智能化的必经之路。
目前智能化汽车,例如智能物流车等类型的车辆,其获取外部环境信息的一类方式是采用相机等传感器,相机等传感器虽然造价便宜,但存在对于障碍物距离的测算精度低和障碍物三维信息的感知能力弱等问题。另一类较优的方式是采用至少一个高线束激光雷达获取外部环境信息。
然而,高线束激光雷达虽然可以克服相机等传感器的不足,但是成本较高,还需要顶置,无疑提高了智能化汽车的整体造价和整体车型设计的要求。另外还有采用低线束激光雷达获取外部环境信息的,但由于低线束激光雷达的采样精度相对较低,导致对于障碍物的识别不够精准。因此,如何既能满足智能化汽车获取外部环境信息的感知需求,精准确定障碍物,同时还降低成本,是一个亟需解决的问题。
发明内容
鉴于上述问题,提出了本发明以便提供克服上述问题或者至少部分地解决上述问题的一种确定障碍物的方法、装置及车辆。
第一方面,提供了一种确定障碍物的方法,所述确定障碍物的方法包括:
接收来自于多个激光雷达的点云数据,所述多个激光雷达分别布置于车辆的四周;
对多个激光雷达的点云数据进行对应帧的拼接,得到当前时刻下完整点云数据;
对所述当前时刻下完整点云数据进行区域提取和干扰点滤除,得到优化点云数据;
对所述优化点云数据进行地面点过滤,得到过滤点云数据;
对所述过滤点云数据进行聚类,得到点云簇;
基于所述点云簇,确定所述障碍物。
可选地,接收来自于多个激光雷达的点云数据之前,所述方法还包括:
标定所述多个激光雷达彼此之间的位置关系;
标定基准激光雷达与地面的位置参数,所述基准激光雷达为所述多个激光雷达中的任一激光雷达;
根据所述位置关系和所述位置参数,确定每个激光雷达的标定参数;
其中,所述标定参数表征激光雷达的第一坐标信息,与激光雷达的第二坐标信息之间的对应关系,所述激光雷达的第一坐标信息为激光雷达在其自身坐标系下的三维坐标,所述激光雷达的第二坐标信息为激光雷达在车辆坐标系下的三维坐标。
可选地,对多个激光雷达的点云数据进行对应帧的拼接,得到当前时刻下完整点云数据,包括:
根据每帧的点云数据,确定所述每帧的点云数据中每个点的第一坐标信息;
根据所述每帧的点云数据各自对应的激光雷达的标定参数,将所述每帧的点云数据中每个点的第一坐标信息,转换为第二坐标信息;
基于所述每帧的点云数据中每个点的第二坐标信息,对每个点进行拼接,得到所述当前时刻下完整点云数据。
可选地,对所述当前时刻下完整点云数据进行区域提取和干扰点滤除,得到优化点云数据,包括:
根据范围阈值,在所述完整点云数据中确定优化范围;
根据所述优化范围和预设地图,过滤所述干扰点,得到所述优化点云数据。
可选地,对所述优化点云数据进行地面点过滤,得到过滤点云数据,包括:
建立极坐标系,所述极坐标系以车辆后轴中心为原点,以进行地面过滤的距离为半径;
基于所述极坐标系建立第一栅格,所述第一栅格以所述车辆后轴中心为原点;
将所述优化点云数据中的每个点划分至所述第一栅格中;
根据所述第一栅格中每个栅格被划分的点,确定每个栅格中的初始地面点;
对所有初始地面点进行地面点过滤,地面点过滤后剩余的所有点构成所述过滤点云数据。
可选地,将所述优化点云数据中的每个点划分至所述第一栅格中,包括:
将所述优化点云数据中的每个点基于各自的第二坐标信息,利用所述极坐标系,划分至所述第一栅格中各自对应的栅格中。
可选地,根据所述第一栅格中每个栅格被划分的点,确定每个栅格中的初始地面点,包括:
将位于所述第一栅格中,每个栅格的最高点阈值和最低点阈值之间的点,确定为每个栅格中的初始地面点。
可选地,对所述过滤点云数据进行聚类,得到点云簇,包括:
基于所述优化范围,以第一预设大小进行划分,得到第二栅格;
将所述过滤点云数据中每个点投影至所述第二栅格中;
以第二预设大小的栅格,对所述第二栅格中被投影的点,进行聚类运算,得到所述点云簇;
其中,所述第二预设大小的值小于所述第一预设大小的值。
可选地,基于所述点云簇,确定所述障碍物,包括:
基于所述点云簇,利用3D矩形框进行包围,得到所述3D矩形框的中心点和长宽高,进而得到所述障碍物的第二坐标信息,确定所述障碍物。
第二方面,提供了一种确定障碍物的装置,所述确定障碍物的装置包括:
接收数据模块,用于接收来自于多个激光雷达的点云数据,所述多个激光雷达分别布置于车辆的四周;
拼接模块,用于对多个激光雷达的点云数据进行对应帧的拼接,得到当前时刻下完整点云数据;
提取滤除模块,用于对所述当前时刻下完整点云数据进行区域提取,得到优化点云数据;
地面点过滤模块,用于对所述优化点云数据进行地面点过滤,得到过滤点云数据;
聚类模块,用于对所述过滤点云数据进行聚类,得到点云簇;
确定模块,用于基于所述点云簇,确定所述障碍物。
可选地,所述确定障碍物的装置还包括:
第一标定模块,用于标定所述多个激光雷达彼此之间的位置关系;
第二标定模块,用于标定基准激光雷达与地面的位置参数,所述基准激光雷达为所述多个激光雷达中的任一激光雷达;
确定标定参数模块,用于根据所述位置关系和所述位置参数,确定每个激光雷达的标定参数;
其中,所述标定参数表征激光雷达的第一坐标信息,与激光雷达的第二坐标信息之间的对应关系,所述激光雷达的第一坐标信息为激光雷达在其自身坐标系下的三维坐标,所述激光雷达的第二坐标信息为激光雷达在车辆坐标系下的三维坐标。
可选地,所述拼接模块包括:
确定第一坐标信息单元,用于根据每帧的点云数据,确定所述每帧的点云数据中每个点的第一坐标信息;
转换单元,用于根据所述每帧的点云数据各自对应的激光雷达的标定参数,将所述每帧的点云数据中每个点的第一坐标信息,转换为第二坐标信息;
拼接单元,用于基于所述每帧的点云数据中每个点的第二坐标信息,对每个点进行拼接,得到所述当前时刻下完整点云数据。
可选地,所述提取滤除模块包括:
确定优化范围单元,用于根据范围阈值,在所述完整点云数据中确定优化范围;
过滤单元,用于根据所述优化范围和预设地图,过滤所述干扰点,得到所述优化点云数据。
可选地,所述地面点过滤模块包括:
第一建立单元,用于建立极坐标系,所述极坐标系以车辆后轴中心为原点,以进行地面过滤的距离为半径;
第二建立单元,用于基于所述极坐标系建立第一栅格,所述第一栅格以所述车辆后轴中心为原点;
划分单元,用于将所述优化点云数据中的每个点划分至所述第一栅格中;
确定初始点单元,用于根据所述第一栅格中每个栅格被划分的点,确定每个栅格中的初始地面点;
过滤点云单元,用于对所有初始地面点进行地面点过滤,地面点过滤后剩余的所有点构成所述过滤点云数据。
可选地,所述划分单元具体用于:
将所述优化点云数据中的每个点基于各自的第二坐标信息,利用所述极坐标系,划分至所述第一栅格中各自对应的栅格中。
可选地,所述确定初始点单元具体用于:
将位于所述第一栅格中,每个栅格的最高点阈值和最低点阈值之间的点,确定为每个栅格中的初始地面点。
可选地,所述聚类模块包括:
划分第二栅格单元,用于基于所述优化范围,以第一预设大小进行划分,得到第二栅格;
投影单元,用于将所述过滤点云数据中每个点投影至所述第二栅格中;
运算单元,用于根据所述第二栅格中被投影的点,运算得到所述点云簇。
可选地,所述运算单元具有用于:
以第二预设大小的栅格,对所述第二栅格中被投影的点,进行聚类运算,得到所述点云簇;
其中,所述第二预设大小的值小于所述第一预设大小的值。
可选地,所述确定模块具体用于:
基于所述点云簇,利用3D矩形框进行包围,得到所述3D矩形框的中心点和长宽高,进而得到所述障碍物的第二坐标信息,确定所述障碍物。第三方面,本发明还公开了一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行以上第一方面任一所述的确定障碍物的方法。
第四方面,本发明还公开了一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现上述第一方面任一所述的确定障碍物的方法。
第五方面,提供了一种车辆,所述车辆包括:多个激光雷达和控制器,所述多个激光雷达分别布置于车辆的四周;
所述多个激光雷达均与所述控制器进行数据交互,所述控制器用于执行第一方面任一所述的确定障碍物的方法。
本发明具有以下优点:
在本发明中,可以采用多个低线束激光雷达获取外部环境信息,无需采用高线束激光雷达,降低了智能化汽车的整体成本。
多个激光雷达分别布置于车辆的四周,可以采集并发送点云数据。由于每个激光雷达仅需获取对应范围内的点云数据,因此其精度较高,为后面精准的确定障碍物提供了较好的基础。
由于每个激光雷达均采集并发送点云数据,因此需要对接收到的所有点云数据进行拼接,得到完整点云数据。为了祛除干扰因素,进一步提高运算效率,不需要对距离车辆过远处的点云数据,以及干扰物对应的点云数据进行运算,所以对完整点云数据进行区域提取,得到优化点云数据。
另外地面对应的点云数据也需要祛除,因此对优化点云数据进行地面点过滤,得到过滤点云数据。过滤点云数据中的点对应障碍物,并且点是相对聚集的,所以还需对过滤点云数据进行聚类,得到点云簇。最后基于点云簇,即可精准确定障碍物。
本发明的确定障碍物的方法,可以采用多个低线束激光雷达,降低了车辆的成本,同时还很好的解决了精准确定障碍物的问题,具有较高的实用性。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1是本发明实施例一种确定障碍物的方法的流程图;
图2是本发明实施例中示出的第一栅格的示意图;
图3是本发明实施例一种确定障碍物的装置的框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。应当理解,此处所描述的具体实施例仅用以解释本发明,仅仅是本发明一部分实施例,而不是全部的实施例,并不用于限定本发明。
参照图1,示出了本发明实施例一种确定障碍物的方法的流程图,该方法包括:
步骤101:接收来自于多个激光雷达的点云数据,多个激光雷达分别布置于车辆的四周。
本发明实施例中,可以摒弃目前采用至少一个高线束激光雷达获取外部环境信息的架构,而是采用多个低线束激光雷达获取外部环境信息,降低了智能化汽车的整体成本。
多个激光雷达分别布置于车辆的四周,这样每个激光雷达仅需获取对应范围内的点云数据,因此其精度较高,为后面精准的确定障碍物提供了较好的基础。
在具体的布置中,一种较优的布置方式为:在车辆的前、后、左、右各安装一个激光雷达,前、后两个激光雷达分别布置于车辆的前后端轴心位置;左、右两侧激光雷达分别置于车辆的两侧靠前位置。需要说明的是,激光雷达的安装高度可以根据实际需求决定,一般情况下,安装高度越高,则激光雷达的探测范围越大,安装高度越低,则激光雷达的探测范围越小。
每个激光雷达均需要采集并发送点云数据,一般情况下,智能化汽车均会配置控制器,该控制器具有运算功能,可以处理点云数据。当然,激光雷达也可以将点云数据发送至云平台,云平台具有比控制器更加强大的运算能力,可以进一步提高确定障碍物的精准度。本发明实施例对于点云数据的处理设备不做具体限定。
另外,由于激光雷达是安装在不同位置的,其采集的点云数据也是基于自身坐标系下采集的,而确定障碍物是需要基于车辆坐标系来实现的,为了解决这个问题,在接收来自于多个激光雷达的点云数据之前,首先需要标定每个激光雷达的标定参数,具体的步骤包括:
步骤S1:标定多个激光雷达彼此之间的位置关系。
由于有多个激光雷达,因此首先需要标定多个激光雷达彼此之间的位置关系。
步骤S2:标定基准激光雷达与地面的位置参数,基准激光雷达为多个激光雷达中的任一激光雷达。
步骤S3:根据位置关系和位置参数,确定每个激光雷达的标定参数;其中,标定参数表征激光雷达的第一坐标信息与激光雷达的第二坐标信息之间的对应关系,激光雷达的第一坐标信息为激光雷达在其自身坐标系下的三维坐标,激光雷达的第二坐标信息为激光雷达在车辆坐标系下的三维坐标。
在多个激光雷达中选取任一激光雷达作为基准激光雷达,首先标定基准激光雷达与地面的位置参数,之后即可结合其它激光雷达与基准激光雷达的位置关系,确定每个激光雷达的标定参数。
具体例如:四个激光雷达在车辆上对称安装,即前后对称或左右对称。首先,用位置算法,比如:NDT算法等,标定四个激光雷达之间的位置关系;其次,选取其中一个激光雷达为基准激光雷达,标定该基准激光雷达与地面的roll(横滚角)、pitch(俯仰角)、z(高度),要求地面与车身平行,这样标定基准激光雷达与地面的位置参数;最后,通过激光雷达左右对称,或前后对称的安装位置关系,求出四个激光雷达分别与车身后轴中心(即车辆坐标系的原点)的x, y, yaw(航向角),从而确定四个激光雷达的标定参数。这样就为后续将激光雷达采集的原始点云数据的拼接和坐标转换打好了基础。
步骤102:对多个激光雷达的点云数据进行对应帧的拼接,得到当前时刻下完整点云数据。
本发明实施例中,接收到每个激光雷达的点云数据后,由于点云数据是按帧得到,因此需要对所有点云数据进行对应帧的拼接,得到当前时刻下完整点云数据。此步需要首先进行坐标转换。具体方法包括如下步骤:
步骤T1:根据每帧的点云数据,确定每帧的点云数据中每个点的第一坐标信息。
步骤T2:根据每帧的点云数据各自对应的激光雷达的标定参数,将每帧的点云数据中每个点的第一坐标信息,转换为第二坐标信息。
对于每帧的点云数据,可以根据每帧的点云数据,确定每帧的点云数据中每个点的第一坐标信息。即每帧的点云数据中,对应发送该点云数据的激光雷达在其自身坐标系下,每个点的三维坐标。由于该激光雷达的标定参数已经知晓,因此每个点的第一坐标信息结合其标定参数,即可转换得到车辆坐标系下的三维坐标。
步骤T3:基于每帧的点云数据中每个点的第二坐标信息,对每个点进行拼接,得到当前时刻下完整点云数据。
所有激光雷达发送的点云数据均按照这个方法转换,得到每帧的点云数据中每个点的第二坐标信息,最后基于每帧的点云数据中每个点的第二坐标信息,对每个点进行拼接,即可得到当前时刻下,所有点在车辆坐标系下的三维坐标,该所有基于车辆坐标系下三维坐标的所有点,构成当前时刻下完整点云数据。也即是对当前时刻下各个激光雷达每帧采集到的点云数据进行坐标转换后进行的拼接,得到当前时刻下完整点云数据。
步骤103:对当前时刻下完整点云数据进行区域提取和干扰点滤除,得到优化点云数据。
由于激光雷达的采集范围较大,距离车辆越远的位置,采集的点云数据精准度越低,同时也会采集到行驶道路内部或者外部干扰物的点云数据。为了祛除干扰因素,进一步提高运算效率,不需要对距离车辆过远处的点云数据,以及干扰物对应的点云数据进行运算,所以需要对完整点云数据进行区域提取,得到优化点云数据。所谓行驶道路内部或者外部干扰物可以包括:固定建筑物、隔离路障、行人、骑行者、树木等。需要说明的是,优化点云数据以及后续基于优化电源数据得到的过滤点云数据、点云簇等,实际上都是当前时刻下对应的数据,下文不再强调。
具体的区域提取方法为:根据范围阈值,在当前时刻下完整点云数据中确定优化范围;根据优化范围和预设地图,过滤干扰点,得到优化点云数据。
由于不需要对距离车辆过远处的点云数据进行处理,因此可以设定一个范围阈值,根据该范围阈值,在当前时刻下完整点云数据中确定优化范围。例如:范围阈值为:车辆前、后范围分别为40m、左、右分别为范围20m,那么在当前时刻下完整点云数据中,确定车辆前、后范围40m、左、右范围20m的优化范围,超过该范围的点云数据可以不进行处理,或者直接丢弃。
确定优化范围后,需要结合预设地图,确定干扰物对应的干扰点,该干扰点是点云,将其从优化范围内的点云数据中过滤掉,避免干扰点对后续确定障碍物的影响,过滤掉干扰点得到优化点云数据。
步骤104:对优化点云数据进行地面点过滤,得到过滤点云数据。
干扰点过滤后,还需要对地面点过滤,地面点是表征地面的点,因为地面点不是障碍物,同样需要祛除,以免影响障碍物的精准确定。其具体方法包括:
步骤V1:建立极坐标系,极坐标系以车辆后轴中心为原点,以进行地面过滤的距离为半径;
步骤V2:基于极坐标系建立第一栅格;
步骤V3:将优化点云数据中的每个点划分至第一栅格中。
首先建立极坐标系,该极坐标系以车辆后轴中心为原点,以进行地面过滤的距离为半径,地面过滤的距离要求大于以车辆后轴中心为原点的车辆整体覆盖范围。同时基于极坐标系建立第一栅格,该第一栅格以车辆后轴中心为原点。另外,为了进一步提高运算效率,可以对第一栅格进行排序,每个栅格具有唯一的索引,这样形成索引操作,可以提高运算效率。具体的划分,可以将优化点云数据中的每个点基于各自的第二坐标信息,利用极坐标系,划分至第一栅格中各自对应的栅格中。参照图2,示例性的示出第一栅格的示意图,其中o表示车辆后轴中心为原点,1-8分别表示8个栅格,每个栅格的索引为数字1、2……8,这样做的原因是索引操作,计算速度快,提高运算效率。
步骤V4:根据第一栅格中每个栅格被划分的点,确定每个栅格中的初始地面点;
步骤V5:对所有初始地面点进行地面点过滤,地面点过滤后剩余的所有点构成过滤点云数据。
优化点云数据中的每个点被划分到各自对应的栅格后,即可根据第一栅格中每个栅格被划分的点,确定每个栅格中的初始地面点。具体的方法为:在每个栅格中设置一个最高点阈值和一个最低点阈值(最高点阈值和最低点阈值均是基于极坐标系下的z坐标),将位于第一栅格中,每个栅格的最高点阈值和最低点阈值之间的点,确定为每个栅格中的初始地面点。对所有初始地面点进行地面点过滤(即删除),该地面点过滤可以通过高斯平滑、毗邻栅格比较、中值滤波等方式实现。经过地面点过滤后剩余的所有点构成过滤点云数据。
步骤105:对过滤点云数据进行聚类,得到点云簇。
得到过滤点云数据后,该过滤点云数据是对应于障碍物的点,利用聚类算法对过滤点云数据进行聚类,得到点云簇,该点云簇可能为一个,也可能为多个。聚类时,由于不同障碍物对应的点较为集中,因此需要将障碍物对应的点进行聚类,以得到不同的障碍物。该聚类以不同于地面点过滤方法中第一栅格建立的方式,建立第二栅格,进而实现聚类。具体的步骤包括:
步骤Y1:基于优化范围,以第一预设大小进行划分,得到第二栅格。
基于优化范围,此时点云数据中仅有障碍物对应的点,因此以第一预设大小进行划分,得到第二栅格。例如:第一预设大小的值为:800*800,则以800*800进行划分,得到第二栅格。
步骤Y2:将过滤点云数据中每个点投影至第二栅格中;
步骤Y3:根据第二栅格中被投影的点,运算得到点云簇。
得到第二栅格后,将过滤点云数据中每个点,即点云数据中仅有障碍物对应的点投影至第二栅格中,对点云数据进行栅格化处理采用现有技术即可。一般分为二维栅格化和三维栅格化,二维其实就是将三维点云进行一个投影,不考虑z值的变化。二维栅格化的处理,这部分在机器人中经常使用,具有较多的文档,比如Gmapping, Cartographer等二维激光雷达算法就是使用的是二维栅格地图的方法。
最后根据第二栅格中被投影的点,运算得到点云簇。具体运算过程为:以第二预设大小的栅格,对第二栅格中被投影的点,进行聚类运算,得到点云簇。例如:聚类运算具体为最小生成树算法,第二预设大小的值为:3*3。则以3*3的栅格对第二栅格中被投影的点以最小生成树算法进行运算,得到点云簇。
需要说明的是,第二预设大小的值小于第一预设大小的值,第二预设大小的值越小,聚类的结果越精准,确定障碍物的精度越高,反之,第二预设大小的值越大,聚类的结果越粗略,确定障碍物的精度越低。当然,第二预设大小的值越小,聚类运算的效率就越低,第二预设大小的值越大,聚类运算的效率就越高。具体取值由实际需求决定。
步骤106:基于点云簇,确定障碍物。
得到一个或者多个点云簇后,即可确定一个或者多个障碍物。一种较优的方法为:基于点云簇,利用3D矩形框(boundingbox)进行包围,得到3D矩形框的中心点和长宽高,进而得到障碍物的第二坐标信息,确定障碍物。
例如:以点云簇作为最小包围多边形拟合的输入,首先,使用Andrew’s MonotoneChain(二位凸包算法)方法绘制最小凸包;其次,在最小凸包的基础上,确定最大、最小的朝向点进而确定障碍物的朝向;最后,再计算最小凸包中所有点的中心坐标x、y作为聚类点的中心,也即最小凸包的几何中心,最后根据点云簇中的最高点和最低点确定z值,从而获得障碍物在车辆坐标系下的三维坐标(x、y、z),达到精准确定障碍物的目标。
基于上述确定障碍物的方法,本发明实施例还提供一种确定障碍物的装置,参照图3,示出了本发明实施例一种确定障碍物的装置的框图,所述装置包括:
接收数据模块210,用于接收来自于多个激光雷达的点云数据,所述多个激光雷达分别布置于车辆的四周;
拼接模块220,用于对多个激光雷达的点云数据进行对应帧的拼接,得到当前时刻下完整点云数据;
提取滤除模块230,用于对所述当前时刻下完整点云数据进行区域提取和干扰点滤除,得到优化点云数据;
地面点过滤模块240,用于对所述优化点云数据进行地面点过滤,得到过滤点云数据;
聚类模块250,用于对所述过滤点云数据进行聚类,得到点云簇;
确定模块260,用于基于所述点云簇,确定所述障碍物。
可选地,所述装置还包括:
第一标定模块,用于标定所述多个激光雷达彼此之间的位置关系;
第二标定模块,用于标定基准激光雷达的标定参数,所述基准激光雷达为所述多个激光雷达中的任一激光雷达;
确定标定参数模块,用于根据所述位置关系和所述标定基准激光雷达的标定参数,确定每个激光雷达的标定参数;
其中,所述标定参数表征激光雷达的第一坐标信息,与激光雷达的第二坐标信息之间的对应关系,所述激光雷达的第一坐标信息为激光雷达自身坐标系下的三维坐标,所述激光雷达的第二坐标信息为车辆坐标下的三维坐标。
可选地,所述拼接模块210包括:
确定第一坐标信息单元,用于根据每帧的点云数据,确定所述每帧的点云数据中每个点的第一坐标信息;
转换单元,用于根据所述每帧的点云数据各自对应的激光雷达的标定参数,将所述每帧的点云数据中每个点的第一坐标信息,转换为第二坐标信息;
拼接单元,用于基于所述每帧的点云数据中每个点的第二坐标信息,对每个点进行拼接,得到所述当前时刻下完整点云数据。
可选地,所述提取滤除模块230包括:
确定优化范围单元,用于根据范围阈值,在所述完整点云数据中确定优化范围;
过滤单元,用于根据所述优化范围和预设地图,过滤所述干扰点,得到所述优化点云数据。
可选地,所述地面点过滤模块240包括:
第一建立单元,用于建立极坐标系,所述极坐标系以车辆后轴中心为原点,以进行地面过滤的距离为半径;
第二建立单元,用于基于所述极坐标系建立第一栅格,所述第一栅格以所述车辆后轴中心为原点;
划分单元,用于将所述优化点云数据中的每个点划分至所述第一栅格中;
确定初始点单元,用于根据所述第一栅格中每个栅格被划分的点,确定每个栅格中的初始地面点;
过滤点云单元,用于对所有初始地面点进行地面点过滤,地面点过滤后剩余的所有点构成所述过滤点云数据。
可选地,所述划分单元具体用于:
将所述优化点云数据中的每个点基于各自的第二坐标信息,利用所述极坐标系,划分至所述第一栅格中各自对应的栅格中。
可选地,所述确定初始点单元具体用于:
将位于所述第一栅格中,每个栅格的最高点阈值和最低点阈值之间的点,确定为每个栅格中的初始地面点。
可选地,所述聚类模块250包括:
划分第二栅格单元,用于基于所述优化范围,以第一预设大小进行划分,得到第二栅格;
投影单元,用于将所述过滤点云数据中每个点投影至所述第二栅格中;
运算单元,用于根据所述第二栅格中被投影的点,运算得到所述点云簇。
可选地,所述运算单元具有用于:
以第二预设大小的栅格,对所述第二栅格中被投影的点,进行聚类运算,得到所述点云簇;
其中,所述第二预设大小的值小于所述第一预设大小的值。
可选地,所述确定模块260具体用于:
基于所述点云簇,利用3D矩形框进行包围,得到所述3D矩形框的中心点和长宽高,进而得到所述障碍物的第二坐标信息,确定所述障碍物.
基于上述确定障碍物的方法,本发明实施例还提供一种车辆,所述车辆包括:多个激光雷达和控制器,所述多个激光雷达分别布置于车辆的四周;所述多个激光雷达均与所述控制器进行数据交互,所述控制器用于执行步骤101~步骤106任一所述的方法。
本发明的再一个实施方式涉及一种电子设备,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明的一个实施方式所述的确定障碍物的方法。
其中,存储器和处理器采用总线方式连接,总线可以包括任意数量的互联的总线和桥,总线将一个或多个处理器和存储器的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件,也可以是多个元件,比如多个接收器和发送器,提供用于在传输介质上与各种其他装置通信的单元。经处理器处理的数据可以有线介质进行传输或者通过天线在无线介质上进行传输,进一步,天线还接收数据并将数据传送给处理器。
处理器负责管理总线和通常的处理,还可以提供各种功能,包括定时,外围接口,电压调节、电源管理以及其他控制功能。而存储器可以被用于存储处理器在执行操作时所使用的数据。
本发明的再一个实施方式涉及一种计算机可读存储介质,存储有计算机程序。计算机程序被处理器执行时实现上述方法实施例。
即,本领域技术人员可以理解,实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是,本发明实施例是参照根据本发明实施例的方法、终端设备(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终端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终端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终端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终端设备上,使得在计算机或其他可编程终端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终端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。
通过上述实施例,本发明可以采用多个低线束激光雷达获取外部环境信息,无需采用高线束激光雷达,降低了智能化汽车的整体成本。多个低线束激光雷达分别布置于车辆的四周,可以采集并发送点云数据。由于每个低线束激光雷达仅需获取对应范围内的点云数据,因此其精度较高,为后面精准的确定障碍物提供了很好的基础。
由于每个低线束激光雷达均采集并发送点云数据,因此需要对接收到的所有点云数据进行对应帧的拼接,得到当前时刻下完整点云数据。为了祛除干扰因素,进一步提高运算效率,不需要对距离车辆过远处的点云数据,以及干扰物对应的点云数据进行运算,所以对完整点云数据进行区域提取,得到优化点云数据。对优化点云数据进行地面点过滤,得到过滤点云数据。过滤点云数据中的点对应障碍物,并且点是相对聚集的,所以对过滤点云数据进行聚类,得到点云簇。最后基于点云簇,即可精准确定障碍物。
本发明的确定障碍物的方法,可以采用多个低线束激光雷达,降低了车辆的成本,同时还很好的解决了精准确定障碍物的问题,具有较高的实用性。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者终端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、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明实施例所提供的技术方案,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种确定障碍物的方法,其特征在于,所述确定障碍物的方法包括:
接收来自于多个激光雷达的点云数据,所述多个激光雷达分别布置于车辆的四周;
对多个激光雷达的点云数据进行对应帧的拼接,得到当前时刻下完整点云数据;
根据范围阈值,在所述完整点云数据中确定优化范围;
根据所述优化范围和预设地图,过滤干扰点,得到优化点云数据;
建立极坐标系,所述极坐标系以车辆后轴中心为原点,以进行地面过滤的距离为半径;
基于所述极坐标系建立第一栅格,所述第一栅格以所述车辆后轴中心为原点;
将所述优化点云数据中的每个点划分至所述第一栅格中;
根据所述第一栅格中每个栅格被划分的点,确定每个栅格中的初始地面点;
对所有初始地面点进行地面点过滤,地面点过滤后剩余的所有点构成过滤点云数据;
基于所述优化范围,以第一预设大小进行划分,得到第二栅格;
将所述过滤点云数据中每个点投影至所述第二栅格中;
以第二预设大小的栅格,对所述第二栅格中被投影的点,进行聚类运算,得到点云簇,其中,所述第二预设大小的值小于所述第一预设大小的值;
基于所述点云簇,确定所述障碍物。
2.根据权利要求1所述的确定障碍物的方法,其特征在于,接收来自于多个激光雷达的点云数据之前,所述方法还包括:
标定所述多个激光雷达彼此之间的位置关系;
标定基准激光雷达与地面的位置参数,所述基准激光雷达为所述多个激光雷达中的任一激光雷达;
根据所述位置关系和所述位置参数,确定每个激光雷达的标定参数;
其中,所述标定参数表征激光雷达的第一坐标信息,与激光雷达的第二坐标信息之间的对应关系,所述激光雷达的第一坐标信息为激光雷达在其自身坐标系下的三维坐标,所述激光雷达的第二坐标信息为激光雷达在车辆坐标系下的三维坐标。
3.根据权利要求2所述的确定障碍物的方法,其特征在于,对多个激光雷达的点云数据进行对应帧的拼接,得到当前时刻下完整点云数据,包括:
根据每帧的点云数据,确定所述每帧的点云数据中每个点的第一坐标信息;
根据所述每帧的点云数据各自对应的激光雷达的标定参数,将所述每帧的点云数据中每个点的第一坐标信息,转换为第二坐标信息;
基于所述每帧的点云数据中每个点的第二坐标信息,对每个点进行拼接,得到所述当前时刻下完整点云数据。
4.根据权利要求1所述的确定障碍物的方法,其特征在于,将所述优化点云数据中的每个点划分至所述第一栅格中,包括:
将所述优化点云数据中的每个点基于各自的第二坐标信息,利用所述极坐标系,划分至所述第一栅格中各自对应的栅格中。
5.根据权利要求1所述的确定障碍物的方法,其特征在于,根据所述第一栅格中每个栅格被划分的点,确定每个栅格中的初始地面点,包括:
将位于所述第一栅格中,每个栅格的最高点阈值和最低点阈值之间的点,确定为每个栅格中的初始地面点。
6.一种确定障碍物的装置,其特征在于,所述确定障碍物的装置包括:
接收数据模块,用于接收来自于多个激光雷达的点云数据,所述多个激光雷达分别布置于车辆的四周;
拼接模块,用于对多个激光雷达的点云数据进行对应帧的拼接,得到当前时刻下完整点云数据;
提取滤除模块,其包括:
确定优化范围单元,用于根据范围阈值,在所述完整点云数据中确定优化范围;
过滤单元,用于根据所述优化范围和预设地图,过滤干扰点,得到优化点云数据;
地面点过滤模块,其包括:
第一建立单元,用于建立极坐标系,所述极坐标系以车辆后轴中心为原点,以进行地面过滤的距离为半径;
第二建立单元,用于基于所述极坐标系建立第一栅格,所述第一栅格以所述车辆后轴中心为原点;
划分单元,用于将所述优化点云数据中的每个点划分至所述第一栅格中;
确定初始点单元,用于根据所述第一栅格中每个栅格被划分的点,确定每个栅格中的初始地面点;
过滤点云单元,用于对所有初始地面点进行地面点过滤,地面点过滤后剩余的所有点构成过滤点云数据;
聚类模块,其包括:
划分第二栅格单元,用于基于所述优化范围,以第一预设大小进行划分,得到第二栅格;
投影单元,用于将所述过滤点云数据中每个点投影至所述第二栅格中;
运算单元,用于以第二预设大小的栅格,对所述第二栅格中被投影的点,进行聚类运算,得到点云簇,其中,所述第二预设大小的值小于所述第一预设大小的值;
确定模块,用于基于所述点云簇,确定所述障碍物。
7.一种电子设备,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至5中任意一项所述的确定障碍物的方法。
8.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的确定障碍物的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211158850.5A CN115236696B (zh) | 2022-09-22 | 2022-09-22 | 确定障碍物的方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211158850.5A CN115236696B (zh) | 2022-09-22 | 2022-09-22 | 确定障碍物的方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115236696A CN115236696A (zh) | 2022-10-25 |
CN115236696B true CN115236696B (zh) | 2022-12-09 |
Family
ID=83667551
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211158850.5A Active CN115236696B (zh) | 2022-09-22 | 2022-09-22 | 确定障碍物的方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115236696B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108983248A (zh) * | 2018-06-26 | 2018-12-11 | 长安大学 | 一种基于3d激光雷达及v2x的网联车定位方法 |
CN110244321A (zh) * | 2019-04-22 | 2019-09-17 | 武汉理工大学 | 一种基于三维激光雷达的道路可通行区域检测方法 |
CN113935946A (zh) * | 2021-09-08 | 2022-01-14 | 广东工业大学 | 实时检测地下障碍物的方法及装置 |
CN114387585A (zh) * | 2022-03-22 | 2022-04-22 | 新石器慧通(北京)科技有限公司 | 障碍物检测方法、检测装置及行驶装置 |
CN114966742A (zh) * | 2022-05-17 | 2022-08-30 | 山东大学 | 面向酿造环境的天车三维障碍物检测方法及系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109212510B (zh) * | 2017-07-04 | 2021-04-23 | 百度在线网络技术(北京)有限公司 | 用于测量多线激光雷达的角分辨率的方法和装置 |
US10634793B1 (en) * | 2018-12-24 | 2020-04-28 | Automotive Research & Testing Center | Lidar detection device of detecting close-distance obstacle and method thereof |
CN110674705B (zh) * | 2019-09-05 | 2022-11-29 | 北京智行者科技股份有限公司 | 基于多线激光雷达的小型障碍物检测方法及装置 |
CN112731338A (zh) * | 2020-12-30 | 2021-04-30 | 潍柴动力股份有限公司 | 仓储物流agv小车障碍物检测方法、装置、设备及介质 |
CN112965047B (zh) * | 2021-02-01 | 2023-03-14 | 中国重汽集团济南动力有限公司 | 一种车辆多激光雷达标定方法、系统、终端及存储介质 |
CN113658256A (zh) * | 2021-08-16 | 2021-11-16 | 智道网联科技(北京)有限公司 | 基于激光雷达的目标检测方法、装置及电子设备 |
-
2022
- 2022-09-22 CN CN202211158850.5A patent/CN115236696B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108983248A (zh) * | 2018-06-26 | 2018-12-11 | 长安大学 | 一种基于3d激光雷达及v2x的网联车定位方法 |
CN110244321A (zh) * | 2019-04-22 | 2019-09-17 | 武汉理工大学 | 一种基于三维激光雷达的道路可通行区域检测方法 |
CN113935946A (zh) * | 2021-09-08 | 2022-01-14 | 广东工业大学 | 实时检测地下障碍物的方法及装置 |
CN114387585A (zh) * | 2022-03-22 | 2022-04-22 | 新石器慧通(北京)科技有限公司 | 障碍物检测方法、检测装置及行驶装置 |
CN114966742A (zh) * | 2022-05-17 | 2022-08-30 | 山东大学 | 面向酿造环境的天车三维障碍物检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115236696A (zh) | 2022-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11552778B2 (en) | Method of multi-sensor data fusion | |
CN111582054B (zh) | 点云数据处理方法及装置、障碍物检测方法及装置 | |
CN109636842B (zh) | 车道线修正方法、装置、设备及存储介质 | |
CN111860493A (zh) | 一种基于点云数据的目标检测方法及装置 | |
CN112733812A (zh) | 三维车道线检测方法、装置及存储介质 | |
CN114051628B (zh) | 一种确定目标对象点云集的方法及装置 | |
CN111553946B (zh) | 用于去除地面点云的方法及装置、障碍物检测方法及装置 | |
CN112097732A (zh) | 一种基于双目相机的三维测距方法、系统、设备及可读存储介质 | |
WO2024012211A1 (zh) | 自动驾驶环境感知方法、介质及车辆 | |
CN114930401A (zh) | 基于点云的三维重建方法、装置和计算机设备 | |
CN111174722A (zh) | 一种三维轮廓重建方法及装置 | |
CN104700657A (zh) | 一种基于人工神经网络的周边车辆行为预判系统 | |
CN113985405A (zh) | 障碍物检测方法、应用于车辆的障碍物检测设备 | |
CN113989766A (zh) | 道路边缘检测方法、应用于车辆的道路边缘检测设备 | |
CN114550116A (zh) | 一种对象识别方法和装置 | |
CN115236696B (zh) | 确定障碍物的方法、装置、电子设备及存储介质 | |
US11555928B2 (en) | Three-dimensional object detection with ground removal intelligence | |
CN112085843A (zh) | 一种隧道类目标特征实时提取及测量方法和装置 | |
CN112946603B (zh) | 一种基于激光雷达的道路养护检测系统及其检测方法 | |
CN112433193B (zh) | 一种基于多传感器的模位置定位方法及系统 | |
CN115164919A (zh) | 基于双目相机的空间可行驶区域地图构建方法及装置 | |
CN112364693B (zh) | 基于双目视觉的障碍识别方法、装置、设备及存储介质 | |
CN114549764A (zh) | 基于无人车的障碍物识别方法、装置、设备及存储介质 | |
CN114638848A (zh) | 车道边缘线变化的检测方法、装置、设备及存储介质 | |
CN112966565A (zh) | 一种物体检测方法、装置、终端设备及存储介质 |
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 |