CN115248447A - 一种基于激光点云的路沿识别方法及系统 - Google Patents

一种基于激光点云的路沿识别方法及系统 Download PDF

Info

Publication number
CN115248447A
CN115248447A CN202111155064.5A CN202111155064A CN115248447A CN 115248447 A CN115248447 A CN 115248447A CN 202111155064 A CN202111155064 A CN 202111155064A CN 115248447 A CN115248447 A CN 115248447A
Authority
CN
China
Prior art keywords
road edge
point cloud
point
points
line
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.)
Granted
Application number
CN202111155064.5A
Other languages
English (en)
Other versions
CN115248447B (zh
Inventor
黄超
叶玥
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.)
Shanghai Xiantu Intelligent Technology Co Ltd
Original Assignee
Shanghai Xiantu Intelligent Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Xiantu Intelligent Technology Co Ltd filed Critical Shanghai Xiantu Intelligent Technology Co Ltd
Priority to CN202111155064.5A priority Critical patent/CN115248447B/zh
Priority to US18/548,042 priority patent/US20240005674A1/en
Priority to DE112022000949.7T priority patent/DE112022000949T5/de
Priority to PCT/CN2022/070542 priority patent/WO2023050638A1/zh
Publication of CN115248447A publication Critical patent/CN115248447A/zh
Application granted granted Critical
Publication of CN115248447B publication Critical patent/CN115248447B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • 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
    • 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
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • 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
    • 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
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Electromagnetism (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Traffic Control Systems (AREA)
  • Optical Radar Systems And Details Thereof (AREA)

Abstract

本申请提供一种基于激光点云的路沿识别方法及系统，该方法包括：获取激光雷达采集的当前帧的点云数据，以及当前车辆对应的位姿信息；根据所述位姿信息，确定预先存储的离线路沿点集合中与当前帧对应的离线路沿点；对所述点云数据进行处理，提取地面点云集合；根据所述激光雷达的类型确定对应的提取算法，从所述地面点云集合中提取当前帧的候选路沿点；将候选路沿点与离线路沿点中距离车辆距离最近的路沿点作为目标路沿点。通过以上技术方案，一方面，通过实时在在线路沿检测，保证路沿识别的实时性；另一方面，通过将实时采集的点云数据确定出的候选路沿点，与预先存储的离线路沿点相结合，保证路沿识别的准确性。

Description

一种基于激光点云的路沿识别方法及系统
技术领域
本申请涉及激光雷达技术领域，尤其涉及一种基于激光点云的路沿识别方法及系统。
背景技术
随着激光雷达和无人驾驶技术的发展，出现了可以应用于各种场景的无人驾驶车辆。例如，搭载了激光雷达的无人驾驶清扫车，可以根据激光雷达的路沿检测结果实现沿着道路的自动清扫。但对于一般的城市道路或园区道路而言，大部分的垃圾都集中在道路边缘区域。因此，无人驾驶清扫车如果不能有效的实现贴边清扫，必然会影响清扫质量。另外，在保证高精度贴边清扫的同时，还需要保证无人驾驶清扫车的安全性和稳定性。
发明内容
有鉴于此，为解决上述问题，本申请提供一种基于激光点云的路沿识别方法及系统。
具体地，本申请是通过如下技术方案实现的：
第一方面，本申请提出一种基于激光点云的路沿识别方法，所述方法包括：
获取激光雷达采集的当前帧的点云数据，以及当前车辆对应的位姿信息；
根据所述位姿信息，确定预先存储的离线路沿点集合中与当前帧对应的离线路沿点；
对所述点云数据进行处理，提取地面点云集合；
根据所述激光雷达的类型确定对应的提取算法，从所述地面点云集合中提取当前帧的候选路沿点；
将候选路沿点与离线路沿点中距离车辆距离最近的路沿点作为目标路沿点。
可选的，所述车辆包括搭载了激光雷达和定位传感器的无人驾驶清扫车。
可选的，所述对所述点云数据进行处理，提取地面点云集合，包括：
选取预设数量的点云作为初始点云，基于随机抽样一致性算法对所述初始点云进行平面拟合；计算其他点云到所述拟合出的平面的距离，并判断所述距离是否小于阈值；如果是，将所述点云添加至所述地面点云集合。
可选的，在确定当前帧的候选路沿点之前，所述方法还包括：
根据选取的感兴趣区域过滤所述地面点云集合，确定位于所述感兴趣区域内的地面点云；其中，所述感兴趣区域包括所述离线路沿点两侧预设距离内的区域。
可选的，所述激光雷达的类型包括前向雷达和侧向雷达；
根据所述激光雷达的类型确定对应的提取算法，从所述地面点云集合中提取当前帧的候选路沿点，包括：
当所述激光雷达为前向雷达时，基于滑动窗口的方式对当前帧的每束激光扫描线上的扫描点进行检测，确定各扫描线上高度变化超过阈值的点作为所述候选路沿点；当所述激光雷达为侧向雷达时，采用体素梯度算法，确定车辆垂直方向上相邻的体素之间体素高度差超过阈值的点作为所述候选路沿点。
可选的，将所述当前帧的候选路沿点作为观测值，将上一帧的候选路沿点输入至运动学模型得到的结果作为预测值；对所述观测值和所述预测值采用卡尔曼滤波算法，得到滤波后的候选路沿点。
可选的，所述离线路沿点集合包括对高线束激光雷达采集的稠密点云数据进行处理后得到的路沿点。
可选的，所述稠密点云数据的处理过程，包括：
遍历每一帧的点云数据，对于前后多帧的点云数据进行合并；
基于随机抽样一致性算法，从所述合并后的点云数据中提取地面点云集合；
基于上述车辆附近地面点构成的平面的法向量特征确定离线路沿点。
可选的，基于所述目标路沿点进行拟合，构建出实际的道路路沿。
第二方面，本申请提出还一种基于激光点云的路沿识别系统，所述系统包括：
数据接收模块，用于获取激光雷达采集的当前帧的点云数据，以及当前车辆对应的位姿信息；
离线路沿点确定模块，用于根据所述位姿信息，确定预先存储的离线路沿点集合中与当前帧对应的离线路沿点；
地面点云提取模块，对所述点云数据进行处理，提取地面点云集合；
候选路沿点提取模块，根据所述激光雷达的类型确定对应的提取算法，从所述地面点云集合中提取当前帧的候选路沿点；
目标路沿点选取模块，将候选路沿点与离线路沿点中距离车辆距离最近的路沿点作为目标路沿点。
本申请的实施例提供的技术方案可以包括以下有益效果：
通过车辆的位姿信息确定与实时采集的当前数据对应的离线数据，并通过比较在线路沿点与离线路沿点与车辆的距离，选取最近的路沿点作为目标路沿点。一方面，通过实时在在线路沿检测，可以避免定位误差和道路变化导致的依靠离线路沿不准确的问题，保证路沿识别的实时性；另一方面，通过将实时采集的点云数据确定出的候选路沿点，与预先存储的离线路沿点相结合，从而利用高精度的离线路沿点，保证路沿识别的准确性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
图1是本申请一示例性实施例示出的一种基于激光点云的路沿识别方法的流程图；
图2是本申请一示例性实施例示出的一种稠密点云数据的处理过程的流程图；
图3是本申请一示例性实施例示出的一种基于激光点云的路沿识别系统的示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
需要说明的是：在其他实施方式中并不一定按照本申请书示出和描述的顺序来执行相应方法的步骤。在一些其他实施方式中，其方法所包括的步骤可以比本申请所描述的更多或更少。此外，本申请中所描述的单个步骤，在其他实施方式中可能被分解为多个步骤进行描述；而本申请中所描述的多个步骤，在其他实施方式中也可能被合并为单个步骤进行描述。
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，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
一般来说，无人驾驶清扫车可以根据搭载的定位传感器，例如GPS传感器，获取自身的定位，从而确定自身在道路中的位置，结合道路地图做贴边清扫。
然而，一旦定位出现偏差，或者定位信号受到影响，都会导致贴边清扫误差较大，甚至发生车辆撞向路沿的危险事件。
因此，出现了借助激光雷达进行在线的路沿检测，根据检测到的路沿生成道路边界的方法。然而，出于成本考虑，通常无人驾驶清扫车上搭载的是低线束的激光雷达，采集到的点云数据较为稀疏，导致在线路沿检测结果精度有限。另外，一旦在线检测出现错误或偏差，也会影响贴边清扫时的稳定和安全。
有鉴于此，本申请提出一种将实时采集的当前帧的点云数据确定出的候选路沿点，和基于预先采集点云数据确定出的离线路沿点相结合，从而确定目标路沿点的技术方案。
在实现时，可以先获取激光雷达采集的当前帧的点云数据，以及当前车辆对应的位姿信息。
然后，可以根据所述位姿信息，确定预先存储的离线路沿点集合中与当前帧对应的离线路沿点。
接着，可以对所述点云数据进行处理，提取地面点云集合。
再然后，可以根据所述激光雷达的类型确定对应的提取算法，从所述地面点云集合中提取当前帧的候选路沿点。
最后，可以将候选路沿点与离线路沿点中距离车辆距离最近的路沿点作为目标路沿点。
在以上技术方案中，通过车辆的位姿信息确定与实时采集的当前数据对应的离线数据，并通过比较在线路沿点与离线路沿点与车辆的距离，选取最近的路沿点作为目标路沿点。一方面，通过实时在在线路沿检测，可以避免定位误差和道路变化导致的依靠离线路沿不准确的问题，保证路沿识别的实时性；另一方面，通过将实时采集的点云数据确定出的候选路沿点，与预先存储的离线路沿点相结合，从而利用高精度的离线路沿点，保证路沿识别的准确性。
接下来对本申请实施例进行详细说明。
请参见图1，图1是本申请一示例性实施例示出的一种基于激光点云的路沿识别方法的流程图，如图1所示，包括以下步骤：
步骤101：获取激光雷达采集的当前帧的点云数据，以及当前车辆对应的位姿信息。
在示出的一种实施方式中，所述车辆包括搭载了激光雷达和定位传感器的无人驾驶清扫车。
而出于成本考虑，通常可以使用低线束激光雷达进行在线路沿的检测，采集到的点云数据较为稀疏。
例如，可以通过4线束激光雷达，采集当前帧的点云数据。
并且，还可以通过定位传感器采集的当前位置信息。例如，可以通过GPS传感器获取定位信息。
进一步的，每一帧的数据都包含了当前的定位信息和点云数据，在进行数据处理后，可以将车辆对应的定位信息转换为车辆对应的位姿信息，从而得到每一帧的点云数据和车辆对应的位姿信息。
例如，可以通过回环检测和图优化的方法，将GPS定位数据转换为墨卡托坐标，得到车辆在XY平面上的位姿信息。
需要说明的是，帧率，是指一秒钟内激光雷达电机旋转的圈数，也就是每秒钟完成一圈扫描的次数。一帧点云数据，也就是一幅点云图像，对应到激光雷达内部就是电机旋转一圈完成扫描后的点云。
步骤102：根据所述位姿信息，确定预先存储的离线路沿点集合中与当前帧对应的离线路沿点。
具体的，由于预先储存的离线路沿点集合中，包括离线采集时的点云数据和车辆位姿信息，因此，可以通过当前车辆的位姿信息，从离线路沿点集合中确定与当前帧对应的离线路沿点。
在示出的一种实施方式中，所述离线路沿点集合包括对高线束激光雷达采集的稠密点云数据进行处理后得到的路沿点
例如，可以在采集点云数据作为离线路沿点时，可以使用多线束(64/128线)的激光雷达采集稠密的点云数据，这样的点云数据包含的地面信息较多，道路和路沿结构都较为清晰，适合作为高精度地图使用。
同样的，在离线采集时，也会获取定位数据，并转换为墨卡托坐标下的车辆的位姿信息，使得每一帧的数据都包含有点云数据与车辆位姿信息。
在示出的一种实施方式中，所述稠密点云数据的处理过程，请参见图2，图2是本申请一示例性实施例示出的一种稠密点云数据的处理过程的流程图，如图2所示，包括以下步骤：
步骤201：遍历每一帧的点云数据，对于前后多帧的点云数据进行合并。
具体的，可以对每一帧的点云数据，结合前后多帧的点云数据进行合并。
例如，可以设定一个数值k，在遍历每一帧的点云数据时，对于第n帧的点云数据，将前后k帧的点云数据进行合并，最终得到第n帧的数据包括第n帧的车辆位姿信息，以及n-k帧～n+k帧的点云数据进行合并后的点云数据。可见，相比于单帧的点云数据，合并后的点云数据更为稠密，路沿特征更为明显。
步骤202：基于随机抽样一致性算法，从所述合并后的点云数据中提取地面点云集合。
具体的，在获取上述稠密的合并后的点云数据之后，可以基于随机抽样一致性算法，根据拟合出的平面确定地面点云集合。
例如，可以将上述合并后的点云数据，根据坐标划分为不同的分区。对于每一个分区，可以从当前分区内的点云数据中随机选取预设数量的点云数据作为初始的地面点云数据。再根据初始地面点云数据，使用RANSAC算法进行平面拟合，得到各个分区的地面描述模型。最后，分别计算各个分区内的点云到拟合出的平面的距离，若距离小于预设的阈值，则该点云可以划分为地面点，否则划分为障碍物点。
其中，上述选取点云的具体数量，以及阈值的数值，本申请对此不做限定，本领域技术人员可以根据需要进行设置。
也就是说，由于地面点，以及路沿点的高度有限，因此，可以根据拟合出的地面，基于高度特征，选取出地面点。
步骤203：基于车辆附近地面点构成的平面的法向量特征确定离线路沿点。
具体的，可以选取车辆附近预设距离内的地面点云，计算出构成的平面的法向量，根据法向量确定离线路沿点。
例如，可以选取车辆两侧预设距离内的地面点云数据，计算每个点附近范围内的点所构成的平面的法向量，作为该点的法向量特征。由于路沿是垂直于地面的，故稠密点云里的路沿点，其法向量都有和地面平行指向道路内侧的特征，因此经过上述计算可以确定出离线路沿点。
其中，车辆两侧的距离的取值，本申请对此不做限定，本领域技术人员可以根据需要进行设置。
进一步的，可以对上述离线路沿点使用滤波器进行离群点和噪声点的过滤，得到最终的路沿点集合。
在以上离线路沿点预处理过程中，由于离线路沿使用高线束激光雷达进行采集，并进行了多帧点云数据的合并使得每一帧的点云数据更加稠密，从而既保证了离线路沿点的高精度，又保证了离线路沿点的准确性。
接下来，继续对在线路沿点的提取进行说明。
步骤103：对所述点云数据进行处理，提取地面点云集合。
具体的，通过对激光雷达采集的当前帧的点云数据进行处理，可以确定出地面点云集合。
在示出的一种实施方式中，可以选取预设数量的点云作为初始点云，基于随机抽样一致性算法对所述初始点云进行平面拟合；计算其他点云到所述拟合出的平面的距离，并判断所述距离是否小于阈值；如果是，将所述点云添加至所述地面点云集合。
例如，可以随机选取预设数量的点云作为初始点云，基于随机抽样一致性算法对所述初始点云进行平面拟合；计算出其他点云到所述拟合出的平面的距离，并判断所述距离是否小于阈值；如果是，将所述点云添加至所述地面点云集合，如果否，则将该点云从点云数据中剔除。
其中，地面点云集合包含了路沿点，需要根据预设的提取算法，从地面点云集合中进一步确定路沿点。
在此之前，可以结合离线路沿点，对地面点云集合进行进一步的筛选，以降低需要处理的点云数据的大小。
在示出的一种实施方式中，可以根据选取的感兴趣区域过滤所述地面点云集合，确定位于所述感兴趣区域内的地面点云；其中，所述感兴趣区域包括所述离线路沿点两侧预设距离内的区域。
例如，在确定当前帧对应的离线路沿点之后，可以根据该离线路沿点作为参考，选取离线路沿点两侧预设距离内的区域，作为感兴趣区域。进一步的，可以使用感兴趣区域对激光雷达在线采集确定出的地面点云集合进行筛选，确定出位于感兴趣区域内的地面点云。
在上述步骤103中，需要进行预设的部分由本领域技术人员自行选取，本申请对此不做限定。
步骤104：根据所述激光雷达的类型确定对应的提取算法，从所述地面点云集合中提取当前帧的候选路沿点。
值得说明的是，激光雷达通常安装在车辆的车顶或者四周。其中，安装在车辆四周的激光雷达，其激光线束一般小于8，而安装在车顶的激光雷达，其线束一般不小于16。
在一个例子中，无人驾驶清扫车可以基于安装在车顶的多线束激光雷达采集稠密的点云数据，通过步骤201-203的处理得到离线路沿点。
在另一个例子中，无人驾驶清扫车可以基于安装在车辆前方和侧方的低线束激光雷达采集实时的点云数据，用于路沿的在线检测。
由于不同位置激光雷达采集的点云分布形态的差异，对于不同位置的激光雷达，可以采用不同的提取算法确定路沿点。
具体的，激光雷达的类型可以是激光雷达的安装位置，根据激光雷达的安装位置的不同，确定相应的提取算法，从地面点云集合中提取当前帧的候选路沿点。
在示出的一种实施方式中，所述激光雷达的类型包括前向雷达和侧向雷达。
具体的，当激光雷达为前向雷达时，基于滑动窗口的方式对当前帧的每束激光扫描线上的扫描点进行检测，确定各扫描线上高度变化超过阈值的点作为所述候选路沿点。
例如，假设某条扫描线上的扫描点从左到右依次为P1，P2,P3…,Pn，遍历上述扫描点，计算点Pk-a到点Pk+b的高度差，其中，a和b的取值可以根据经验值调整。若高度差超过预设的阈值，则对Pk-a到点Pk+b之间的点进行过滤，得到这条扫描线上的候选路沿点，并通过重复上述步骤完成对所有扫描线中候选路沿点的提取。
其中，在检测时可以以扫描线的扫描中心点为中心，将扫描线分为左右两侧，并对左右两侧分别执行上述检测操作。
具体的，当激光雷达为侧向雷达时，采用体素梯度算法，确定车辆垂直方向上相邻的体素之间体素高度差超过阈值的点作为所述候选路沿点。
例如，可以将车身侧面范围内的所有点分成k*k的体素，对于每个体素，计算体素内部点中高度的最小值作为该体素的高度；按照车身前进方向，依次从左向右遍历车辆垂直方向上相邻的体素，当相邻的体素之间的高度差超过预设阈值，则将该点作为候选路沿点。
其中，在可以将车身侧面分为左侧和右侧，分别进行上述体素梯度的处理。
另外，上述扫描线上的高度差，以及体素之间的高度差的阈值的具体数值，由本领域技术人员根据需要选取，本申请对此不做限定。
由于低线束激光雷达采集的点云数据较为稀疏，因此为保证实时路沿检测结果的稳定性，还可以对多帧的路沿结果进行跟踪。
在示出的一种实施方式中，可以将所述当前帧的候选路沿点作为观测值，将上一帧的候选路沿点输入至运动学模型得到的结果作为预测值；对所述观测值和所述预测值采用卡尔曼滤波算法，得到滤波后的候选路沿点。
例如，可以假设无人驾驶清扫车的运动学模型是恒定转弯率和速度模型，假定观测和估计噪声均满足高斯噪声，那么对于上一帧的候选路沿点，可以使用运动学模型做预测，得到上一帧候选路沿点移动到当前帧时的预测值，并且使用当前帧经过在线检测得到的候选路沿点作为观测值，在对观测值和预测值采用卡尔曼滤波后，得到滤波后的候选路沿点。
步骤105：将候选路沿点与离线路沿点中距离车辆距离最近的路沿点作为目标路沿点。
具体的，可以根据车辆当前在线检测出的候选路沿点，与该车辆的当前位姿对应的离线路沿点距离车辆的距离大小，确定出距离车辆距离最近的路沿点，并作为目标路沿点。
例如，为了保证尽可能的贴边清扫，可以将在线检测出的路沿点与预先存储的离线路沿点进行比较，选取距离车辆最近的点作为目标路沿点。
在示出的一种实施方式中，可以基于目标路沿点进行拟合，构建出实际的道路路沿。
具体的，可以基于预设的曲线拟合算法，对最终的目标路沿点进行拟合，构建出实际的道路路沿。
进一步的，在得到上述实际的道路路沿之后，可以动态规划算法，同时生成无人驾驶清扫车车中心的规划参考线和无人驾驶清扫车的清扫刷的规划参考线。然后采用基于优化的轨迹生成算法，输入包括静态障碍物以及道路边界，动态障碍物和地图限速等，定义的优化目标问题综合考虑了自车的车中心参考线、扫刷参考线、加速度变化量、离障碍物的距离、轨迹的曲率、车辆动力学的限制等多个约束条件，使用求解器，生成高精度贴边的轨迹。本申请对此不做限定。
在以上技术方案中，通过车辆的位姿信息确定与实时采集的当前数据对应的离线数据，并通过比较在线路沿点与离线路沿点与车辆的距离，选取最近的路沿点作为目标路沿点。一方面，通过实时在在线路沿检测，可以避免定位误差和道路变化导致的依靠离线路沿不准确的问题，保证路沿识别的实时性；另一方面，通过将实时采集的点云数据确定出的候选路沿点，与预先存储的离线路沿点相结合，从而利用高精度的离线路沿点，保证路沿识别的准确性。
与上述方法实施例相对应，本申请还提供了一种基于激光点云的路沿识别系统的实施例。请参见图3，图3是本申请一示例性实施例示出的一种基于激光点云的路沿识别系统的示意图，包括：
数据接收模块301，用于获取激光雷达采集的当前帧的点云数据，以及当前车辆对应的位姿信息；
离线路沿点确定模块302，用于根据所述位姿信息，确定预先存储的离线路沿点集合中与当前帧对应的离线路沿点；
地面点云提取模块303，对所述点云数据进行处理，提取地面点云集合；
候选路沿点提取模块304，根据所述激光雷达的类型确定对应的提取算法，从所述地面点云集合中提取当前帧的候选路沿点；
目标路沿点选取模块305，将候选路沿点与离线路沿点中距离车辆距离最近的路沿点作为目标路沿点。
在一实施例中，所述车辆包括搭载了激光雷达和定位传感器的无人驾驶清扫车。
在一实施例中，所述地面点云提取模块，进一步：
选取预设数量的点云作为初始点云，基于随机抽样一致性算法对所述初始点云进行平面拟合；
计算其他点云到所述拟合出的平面的距离，并判断所述距离是否小于阈值；
如果是，将所述点云添加至所述地面点云集合。
在一实施例中，所述系统还包括：
感兴趣区域过滤模块，用于根据选取的感兴趣区域过滤所述地面点云集合，确定位于所述感兴趣区域内的地面点云；其中，所述感兴趣区域包括所述离线路沿点两侧预设距离内的区域。
在一实施例中，所述激光雷达的类型包括前向雷达和侧向雷达；
所述候选路沿点提取模块，进一步：
当所述激光雷达为前向雷达时，基于滑动窗口的方式对当前帧的每束激光扫描线上的扫描点进行检测，确定各扫描线上高度变化超过阈值的点作为所述候选路沿点；
当所述激光雷达为侧向雷达时，采用体素梯度算法，确定车辆垂直方向上相邻的体素之间体素高度差超过阈值的点作为所述候选路沿点。
在一实施例中，所述系统还包括：
滤波模块，用于将所述当前帧的候选路沿点作为观测值，将上一帧的候选路沿点输入至运动学模型得到的结果作为预测值；对所述观测值和所述预测值采用卡尔曼滤波算法，得到滤波后的候选路沿点。
在一实施例中，所述离线路沿点集合包括对高线束激光雷达采集的稠密点云数据进行处理后得到的路沿点。
在一实施例中，所述稠密点云数据的处理过程，包括：
遍历每一帧的点云数据，对于前后多帧的点云数据进行合并；
基于随机抽样一致性算法，从所述合并后的点云数据中提取地面点云集合；
基于上述车辆附近地面点构成的平面的法向量特征确定离线路沿点。
在一实施例中，所述系统还包括：
构建模块，用于基于所述目标路沿点进行拟合，构建出实际的道路路沿。
本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同/相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
对于系统实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机，计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
与上述方法实施例相对应，本说明书还提供了一种电子设备的实施例。该电子设备包括：处理器以及用于存储机器可执行指令的存储器；其中，处理器和存储器通常通过内部总线相互连接。在其他可能的实现方式中，所述设备还可能包括外部接口，以能够与其他设备或者部件进行通信。
在本实施例中，通过读取并执行所述存储器存储的与用户身份验证逻辑对应的机器可执行指令，所述处理器被促使：
获取激光雷达采集的当前帧的点云数据，以及当前车辆对应的位姿信息；
根据所述位姿信息，确定预先存储的离线路沿点集合中与当前帧对应的离线路沿点；
对所述点云数据进行处理，提取地面点云集合；
根据所述激光雷达的类型确定对应的提取算法，从所述地面点云集合中提取当前帧的候选路沿点；
将候选路沿点与离线路沿点中距离车辆距离最近的路沿点作为目标路沿点。
与上述方法实施例相对应，本说明书的实施例还提供了一种计算机可读存储介质，该存储介质上存储有计算机程序，这些计算机程序在被处理器运行时，执行本说明书实施例中基于区块链的隐私数据映射方法的各个步骤。对上述基于区块链的隐私数据映射方法的各个步骤的详细描述请参见之前的内容，不再重复。
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。
内存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)。内存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。
本领域技术人员应明白，本说明书的实施方式可提供为方法、系统或计算机程序产品。因此，本说明书的实施方式可采用完全硬件实施方式、完全软件实施方式或结合软件和硬件方面的实施方式的形式。而且，本说明书的实施方式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。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。

Claims (10)

1.一种基于激光点云的路沿识别方法，所述方法包括：
获取激光雷达采集的当前帧的点云数据，以及当前车辆对应的位姿信息；
根据所述位姿信息，确定预先存储的离线路沿点集合中与当前帧对应的离线路沿点；
对所述点云数据进行处理，提取地面点云集合；
根据所述激光雷达的类型确定对应的提取算法，从所述地面点云集合中提取当前帧的候选路沿点；
将候选路沿点与离线路沿点中距离车辆距离最近的路沿点作为目标路沿点。
2.根据权利要求1所述的方法，所述车辆包括搭载了激光雷达和定位传感器的无人驾驶清扫车。
3.根据权利要求1所述的方法，所述对所述点云数据进行处理，提取地面点云集合，包括：
选取预设数量的点云作为初始点云，基于随机抽样一致性算法对所述初始点云进行平面拟合；
计算其他点云到所述拟合出的平面的距离，并判断所述距离是否小于阈值；
如果是，将所述点云添加至所述地面点云集合。
4.根据权利要求1所述的方法，在确定当前帧的候选路沿点之前，所述方法还包括：
根据选取的感兴趣区域过滤所述地面点云集合，确定位于所述感兴趣区域内的地面点云；其中，所述感兴趣区域包括所述离线路沿点两侧预设距离内的区域。
5.根据权利要求1所述的方法，所述激光雷达的类型包括前向雷达和侧向雷达；
根据所述激光雷达的类型确定对应的提取算法，从所述地面点云集合中提取当前帧的候选路沿点，包括：
当所述激光雷达为前向雷达时，基于滑动窗口的方式对当前帧的每束激光扫描线上的扫描点进行检测，确定各扫描线上高度变化超过阈值的点作为所述候选路沿点；
当所述激光雷达为侧向雷达时，采用体素梯度算法，确定车辆垂直方向上相邻的体素之间体素高度差超过阈值的点作为所述候选路沿点。
6.根据权利要求1所述的方法，所述方法还包括：
将所述当前帧的候选路沿点作为观测值，将上一帧的候选路沿点输入至运动学模型得到的结果作为预测值；
对所述观测值和所述预测值采用卡尔曼滤波算法，得到滤波后的候选路沿点。
7.根据权利要求1所述的方法，所述离线路沿点集合包括对高线束激光雷达采集的稠密点云数据进行处理后得到的路沿点。
8.根据权利要求7所述的方法，所述稠密点云数据的处理过程，包括：
遍历每一帧的点云数据，对于前后多帧的点云数据进行合并；
基于随机抽样一致性算法，从所述合并后的点云数据中提取地面点云集合；
基于上述车辆附近地面点构成的平面的法向量特征确定离线路沿点。
9.根据权利要求1所述的方法，所述方法还包括：
基于所述目标路沿点进行拟合，构建出实际的道路路沿。
10.一种基于激光点云的路沿识别系统，所述系统包括：
数据接收模块，用于获取激光雷达采集的当前帧的点云数据，以及当前车辆对应的位姿信息；
离线路沿点确定模块，用于根据所述位姿信息，确定预先存储的离线路沿点集合中与当前帧对应的离线路沿点；
地面点云提取模块，用于对所述点云数据进行处理，提取地面点云集合；
候选路沿点提取模块，用于根据所述激光雷达的类型确定对应的提取算法，从所述地面点云集合中提取当前帧的候选路沿点；
目标路沿点选取模块，用于将候选路沿点与离线路沿点中距离车辆距离最近的路沿点作为目标路沿点。
CN202111155064.5A 2021-09-29 2021-09-29 一种基于激光点云的路沿识别方法及系统 Active CN115248447B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202111155064.5A CN115248447B (zh) 2021-09-29 2021-09-29 一种基于激光点云的路沿识别方法及系统
US18/548,042 US20240005674A1 (en) 2021-09-29 2022-01-06 Road edge recognition based on laser point cloud
DE112022000949.7T DE112022000949T5 (de) 2021-09-29 2022-01-06 Laserpunktwolkenbasierte Straßenranderkennung
PCT/CN2022/070542 WO2023050638A1 (zh) 2021-09-29 2022-01-06 基于激光点云的路沿识别

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111155064.5A CN115248447B (zh) 2021-09-29 2021-09-29 一种基于激光点云的路沿识别方法及系统

Publications (2)

Publication Number Publication Date
CN115248447A true CN115248447A (zh) 2022-10-28
CN115248447B CN115248447B (zh) 2023-06-02

Family

ID=83697148

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111155064.5A Active CN115248447B (zh) 2021-09-29 2021-09-29 一种基于激光点云的路沿识别方法及系统

Country Status (4)

Country Link
US (1) US20240005674A1 (zh)
CN (1) CN115248447B (zh)
DE (1) DE112022000949T5 (zh)
WO (1) WO2023050638A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116518992B (zh) * 2023-04-14 2023-09-08 之江实验室 一种退化场景下的无人车定位方法和装置
CN116858195B (zh) * 2023-06-08 2024-04-02 中铁第四勘察设计院集团有限公司 一种基于无人机激光雷达技术的既有铁路测量方法
CN116449335B (zh) * 2023-06-14 2023-09-01 上海木蚁机器人科技有限公司 可行驶区域检测方法、装置、电子设备以及存储介质
CN116772894B (zh) * 2023-08-23 2023-11-14 小米汽车科技有限公司 定位初始化方法、装置、电子设备、车辆和存储介质
CN116977226B (zh) * 2023-09-22 2024-01-19 天津云圣智能科技有限责任公司 点云数据分层的处理方法、装置、电子设备及存储介质
CN117572451B (zh) * 2024-01-11 2024-04-05 广州市杜格科技有限公司 一种基于多线激光雷达的交通信息采集方法、设备及介质

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011048485A (ja) * 2009-08-25 2011-03-10 Kumamoto Univ 物標検出装置および物標検出方法
CN106004659A (zh) * 2016-08-03 2016-10-12 安徽工程大学 车辆周围环境感知系统及其控制方法
CN108589599A (zh) * 2018-04-28 2018-09-28 上海仙途智能科技有限公司 无人清扫系统
US20180357503A1 (en) * 2017-06-13 2018-12-13 TuSimple Sensor calibration and time system for ground truth static scene sparse flow generation
CN109738910A (zh) * 2019-01-28 2019-05-10 重庆邮电大学 一种基于三维激光雷达的路沿检测方法
CN109798903A (zh) * 2018-12-19 2019-05-24 广州文远知行科技有限公司 一种从地图数据中获取道路信息的方法及装置
CN109858460A (zh) * 2019-02-20 2019-06-07 重庆邮电大学 一种基于三维激光雷达的车道线检测方法
CN110349192A (zh) * 2019-06-10 2019-10-18 西安交通大学 一种基于三维激光点云的在线目标跟踪系统的跟踪方法
CN110376604A (zh) * 2019-08-09 2019-10-25 北京智行者科技有限公司 基于单线激光雷达的路沿检测方法
CN111401176A (zh) * 2020-03-09 2020-07-10 中振同辂(江苏)机器人有限公司 一种基于多线激光雷达的路沿检测方法
US20200408535A1 (en) * 2019-06-28 2020-12-31 Gm Cruise Holdings Llc Map change detection
CN112395956A (zh) * 2020-10-27 2021-02-23 湖南大学 一种面向复杂环境的可通行区域检测方法及系统
CN112597839A (zh) * 2020-12-14 2021-04-02 上海宏景智驾信息科技有限公司 基于车载毫米波雷达的道路边界检测方法
CN112650230A (zh) * 2020-12-15 2021-04-13 广东盈峰智能环卫科技有限公司 基于单线激光雷达的自适应贴边作业方法、装置及机器人
US20210124901A1 (en) * 2019-10-28 2021-04-29 The Chinese University Of Hong Kong Systems and methods for place recognition based on 3d point cloud

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9285230B1 (en) * 2013-12-20 2016-03-15 Google Inc. Methods and systems for detecting road curbs
CN107272019B (zh) * 2017-05-09 2020-06-05 深圳市速腾聚创科技有限公司 基于激光雷达扫描的路沿检测方法
CN108931786A (zh) * 2018-05-17 2018-12-04 北京智行者科技有限公司 路沿检测装置和方法
CN111104908A (zh) * 2019-12-20 2020-05-05 北京三快在线科技有限公司 一种道路边沿确定方法及装置
CN111985322B (zh) * 2020-07-14 2024-02-06 西安理工大学 一种基于激光雷达的道路环境要素感知方法
CN112037328A (zh) * 2020-09-02 2020-12-04 北京嘀嘀无限科技发展有限公司 生成地图中的道路边沿的方法、装置、设备和存储介质
CN112149572A (zh) * 2020-09-24 2020-12-29 知行汽车科技（苏州）有限公司 路沿检测方法、装置和存储介质
CN112964264B (zh) * 2021-02-07 2024-03-26 上海商汤临港智能科技有限公司 道路边沿检测方法、装置、高精度地图、车辆及存储介质

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011048485A (ja) * 2009-08-25 2011-03-10 Kumamoto Univ 物標検出装置および物標検出方法
CN106004659A (zh) * 2016-08-03 2016-10-12 安徽工程大学 车辆周围环境感知系统及其控制方法
US20180357503A1 (en) * 2017-06-13 2018-12-13 TuSimple Sensor calibration and time system for ground truth static scene sparse flow generation
CN108589599A (zh) * 2018-04-28 2018-09-28 上海仙途智能科技有限公司 无人清扫系统
CN109798903A (zh) * 2018-12-19 2019-05-24 广州文远知行科技有限公司 一种从地图数据中获取道路信息的方法及装置
CN109738910A (zh) * 2019-01-28 2019-05-10 重庆邮电大学 一种基于三维激光雷达的路沿检测方法
CN109858460A (zh) * 2019-02-20 2019-06-07 重庆邮电大学 一种基于三维激光雷达的车道线检测方法
CN110349192A (zh) * 2019-06-10 2019-10-18 西安交通大学 一种基于三维激光点云的在线目标跟踪系统的跟踪方法
US20200408535A1 (en) * 2019-06-28 2020-12-31 Gm Cruise Holdings Llc Map change detection
CN110376604A (zh) * 2019-08-09 2019-10-25 北京智行者科技有限公司 基于单线激光雷达的路沿检测方法
US20210124901A1 (en) * 2019-10-28 2021-04-29 The Chinese University Of Hong Kong Systems and methods for place recognition based on 3d point cloud
CN111401176A (zh) * 2020-03-09 2020-07-10 中振同辂(江苏)机器人有限公司 一种基于多线激光雷达的路沿检测方法
CN112395956A (zh) * 2020-10-27 2021-02-23 湖南大学 一种面向复杂环境的可通行区域检测方法及系统
CN112597839A (zh) * 2020-12-14 2021-04-02 上海宏景智驾信息科技有限公司 基于车载毫米波雷达的道路边界检测方法
CN112650230A (zh) * 2020-12-15 2021-04-13 广东盈峰智能环卫科技有限公司 基于单线激光雷达的自适应贴边作业方法、装置及机器人

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
常亮亮: "基于三维激光雷达的路沿检测算法", 重庆邮电大学学报( 自然科学版), vol. 32, no. 6 *
曹伟豪: "基于3D激光雷达的地面目标检测方法与应用", 中国优秀硕士学位论文全文数据库 信息科技辑 *
李雨生: "基于数据融合的无人驾驶技术道路检测与跟踪研究", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑 *
王吉: "低成本多线激光雷达光机系统研究" *
陆恒: "基于激光雷达的路沿检测与跟踪研究", 计算机光盘软件与应用 *
陈俊吉等: "基于几何特征与三维点云特征的道路边沿识别算法", vol. 40, no. 6, pages 338 - 339 *

Also Published As

Publication number Publication date
DE112022000949T5 (de) 2023-12-28
WO2023050638A1 (zh) 2023-04-06
US20240005674A1 (en) 2024-01-04
CN115248447B (zh) 2023-06-02

Similar Documents

Publication Publication Date Title
CN115248447B (zh) 一种基于激光点云的路沿识别方法及系统
Sun et al. A 3D LiDAR data-based dedicated road boundary detection algorithm for autonomous vehicles
US11709058B2 (en) Path planning method and device and mobile device
CN107341819B (zh) 目标跟踪方法及存储介质
CN111712731B (zh) 目标检测方法、系统及可移动平台
CN111222568B (zh) 一种车辆网联数据融合方法及装置
CN104035439B (zh) 用多个激光雷达传感器利用扫描点追踪物体的贝叶斯网络
CN104833370B (zh) 用于映射、定位和位姿校正的系统和方法
CN109521757B (zh) 静态障碍物识别方法和装置
WO2021072696A1 (zh) 目标检测与跟踪方法、系统、可移动平台、相机及介质
CN110674705B (zh) 基于多线激光雷达的小型障碍物检测方法及装置
CN112997187A (zh) 基于鸟瞰图点云的二维对象边界框信息估计
Pantilie et al. Real-time obstacle detection in complex scenarios using dense stereo vision and optical flow
CN110794406A (zh) 多源传感器数据融合系统和方法
US20220398856A1 (en) Method for reconstruction of a feature in an environmental scene of a road
CN113008296B (zh) 用于通过在点云平面上融合传感器数据来检测汽车环境的方法和汽车控制单元
CN114556442A (zh) 三维点云分割方法和装置、可移动平台
CN114371703A (zh) 一种无人车轨迹预测方法及装置
CN112313536B (zh) 物体状态获取方法、可移动平台及存储介质
CN114549286A (zh) 车道线生成方法及装置、计算机可读存储介质、终端
CN111428651A (zh) 一种车辆的障碍信息获取方法、系统及车辆
CN117572451B (zh) 一种基于多线激光雷达的交通信息采集方法、设备及介质
JP2021043146A (ja) 障害物検知システムおよび障害物検知方法
CN115151836A (zh) 用于探测车辆周围环境中的移动对象的方法和机动车辆
CN103714528B (zh) 物体分割装置和方法

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
GR01 Patent grant
GR01 Patent grant