CN115359121A - 一种激光雷达遮挡判断与清洗方法及装置 - Google Patents
一种激光雷达遮挡判断与清洗方法及装置 Download PDFInfo
- Publication number
- CN115359121A CN115359121A CN202210984537.0A CN202210984537A CN115359121A CN 115359121 A CN115359121 A CN 115359121A CN 202210984537 A CN202210984537 A CN 202210984537A CN 115359121 A CN115359121 A CN 115359121A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- laser radar
- cleaning
- depth map
- maximum
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B08—CLEANING
- B08B—CLEANING IN GENERAL; PREVENTION OF FOULING IN GENERAL
- B08B3/00—Cleaning by methods involving the use or presence of liquid or steam
- B08B3/02—Cleaning by the force of jets or sprays
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/507—Depth or shape recovery from shading
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明公开了一种激光雷达遮挡判断与清洗方法及装置,该方法包括:通过激光雷达采集带有点云坐标和信号强度的每帧原始点云数据;将每帧原始点云数据转换为深度图;深度图中的点的参数信息包括:偏角α、偏角β和信号强度;当深度图中阴影面积超过阈值时,判断为异常,并输出阴影区域的最大和最小的水平偏角;根据最大和最小的水平偏角确定清洗范围,对激光雷达表面进行清洗。本发明中,通过将激光雷达采集的每帧原始点云数据转换为深度图,以深度图的阴影部分确定激光雷达表面需要清洗的位置,控制相应喷头进行清洗,能够针对性清洁雷达,保证激光雷达的正常工作和遮挡物的及时高效清洗。
Description
技术领域
本发明涉及自动驾驶技术领域,特别是关于一种激光雷达遮挡判断与清洗方法及装置。
背景技术
自动驾驶关键技术主要有三部分:环境感知、决策规划、控制执行。做好环境感知关乎自动驾驶后续技术的延续。环境感知使用的传感器主要有毫米波雷达、摄像头、激光雷达。其中激光雷达具有角分辨率和距离分辨率较高、抗干扰能力强和能获得目标多种图像信息(深度、反射率等)等优点。
随着自动驾驶技术逐步的成熟,对于安全行驶的需要越发的强烈。环境感知作为自动驾驶的眼睛,确保激光雷达等的正常工作十分关键。
但是,激光雷达会存在被障碍物覆盖而产生遮挡的情况,这种情况对安全行驶带来了严重的威胁。如何确保激光雷达正常工作是当前急需解决的一个问题。
专利CN111429400A提供一种激光雷达视窗污物的检测方法、装置、系统及介质。该方案对于遮挡物的确定需要根据障碍物位于激光雷达视窗位置的预设距离进行判断,过程较为复杂,且当无法确定障碍物与激光雷达视窗位置之间的距离时,无法检测和清洗障碍物。
发明内容
本发明的目的在于提供一种激光雷达遮挡判断与清洗方法及装置,来克服或至少减轻现有技术的上述缺陷中的至少一个。
为实现上述目的,本发明提供一种激光雷达遮挡判断与清洗方法,包括:
通过激光雷达采集带有点云坐标和信号强度的每帧原始点云数据;
将每帧原始点云数据转换为深度图,包括:以激光雷达为中心建立坐标系,对于每帧原始点云数据中的每一点云,根据点云在水平面的x坐标与y坐标得到点云在水平面相对原点的偏角α,根据点云在竖直面的z坐标和点云投影在水平面相对原点的距离得到点云在竖直方向相对原点的偏角β,根据偏角α和偏角β确定点云在深度图中的位置;深度图中的点的参数信息包括:偏角α、偏角β和信号强度;
当深度图中阴影面积超过阈值时,判断为异常,并输出阴影区域的最大和最小的水平偏角;
根据最大和最小的水平偏角确定清洗范围,对激光雷达表面进行清洗。
优选的,通过下述方式确定阴影区域:
判断深度图中是否存在点云缺失;
当存在点云缺失时,以点云缺失部分为阴影区域,利用阴影区域周边点确定阴影区域的最大和最小的水平偏角。
优选的,该方法还包括:
判断深度图中是否存在信号强度低于预设值的区域,若存在,判定信号强度低于预设值的区域为阴影区域。
优选的,该方法还包括:输出阴影区域的最大和最小的竖直偏角;
根据最大和最小的水平偏角确定清洗范围包括:根据最大和最小的水平偏角,并结合最大和最小的竖直偏角,确定清洗范围。
优选的,确定清洗范围包括:
确定清洗角度范围;或者
确定激光雷达表面与最大和最小的水平偏角以及竖直偏角对应的区域,作为清洗区域。
本发明实施例还提供一种激光雷达遮挡判断与清洗装置,包括:
激光雷达,用于采集带有点云坐标和信号强度的每帧原始点云数据;
处理器,用于将每帧原始点云数据转换为深度图,包括:以激光雷达为中心建立坐标系,对于每帧原始点云数据中的每一点云,根据点云在水平面的x坐标与y坐标得到点云在水平面相对原点的偏角α,根据点云在竖直面的z坐标和点云投影在水平面相对原点的距离得到点云在竖直方向相对原点的偏角β,根据偏角α和偏角β确定点云在深度图中的位置;深度图中的点的参数信息包括:偏角α、偏角β和信号强度;当深度图中阴影面积超过阈值时,判断为异常,并输出阴影区域的最大和最小的水平偏角;
清洁设备,用于根据最大和最小的水平偏角确定清洗范围,对激光雷达表面进行清洗。
优选的,处理器通过下述方式确定阴影区域:
判断深度图中是否存在点云缺失;
当存在点云缺失时,以点云缺失部分为阴影区域,利用阴影区域周边点确定阴影区域的最大和最小的水平偏角。
优选的,处理器还用于:
判断深度图中是否存在信号强度低于预设值的区域,若存在,判定信号强度低于预设值的区域为阴影区域。
优选的,处理器还用于:
输出阴影区域的最大和最小的竖直偏角;
根据最大和最小的水平偏角,并结合最大和最小的竖直偏角,确定清洗范围。
优选的,处理器还用于:
确定清洗角度范围;或者
确定激光雷达表面与最大和最小的水平偏角以及竖直偏角对应的区域,作为清洗区域。
本发明由于采取以上技术方案,其具有以下优点:。
通过将激光雷达采集的每帧原始点云数据转换为深度图,以深度图的阴影部分确定激光雷达表面需要清洗的位置,控制相应喷头进行清洗,能够针对性清洁雷达,保证激光雷达的正常工作和遮挡物的及时高效清洗。
附图说明
图1为本发明实施例提供的激光雷达遮挡判断与清洗方法的流程示意图。
图2为本发明示例中将激光雷达采集的原始点云数据转换为深度图的示意图。
图3为本发明示例中清洁设备的结构示意图。
图4为本发明实施例提供的激光雷达遮挡判断与清洗装置的结构示意框图。
具体实施方式
在附图中,使用相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面结合附图对本发明的实施例进行详细说明。
在本发明的描述中,术语“中心”、“纵向”、“横向”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明保护范围的限制。
在不冲突的情况下,本发明各实施例及各实施方式中的技术特征可以相互组合,并不局限于该技术特征所在的实施例或实施方式中。
下面结合附图以及具体实施例对本发明做进一步的说明,需要指出的是,下面仅以一种最优化的技术方案对本发明的技术方案以及设计原理进行详细阐述,但本发明的保护范围并不仅限于此。
本文涉及下列术语,为便于理解,对其含义说明如下。本领域技术人员应当理解,下列术语也可能有其它名称,但在不脱离其含义的情形下,其它任何名称都应当被认为与本文所列术语一致。
本发明实施例提供一种激光雷达遮挡判断与清洗方法,如图1所示,包括:
步骤10,通过激光雷达采集带有点云坐标和信号强度的每帧原始点云数据。
步骤20,将每帧原始点云数据转换为深度图,包括:以激光雷达为中心建立坐标系,对于每帧原始点云数据中的每一点云,根据点云在水平面的x坐标与y坐标得到点云在水平面相对原点的偏角α,根据点云在竖直面的z坐标和点云投影在水平面相对原点的距离得到点云在竖直方向相对原点的偏角β,根据偏角α和偏角β确定点云在深度图中的位置;深度图中的点的参数信息包括:偏角α、偏角β和信号强度。
步骤30,当深度图中阴影面积超过阈值时,判断为异常,并输出阴影区域的最大和最小的水平偏角。
步骤40,根据最大和最小的水平偏角确定清洗范围,对激光雷达表面进行清洗。
其中,通过下述方式确定阴影区域包括:
判断深度图中是否存在点云缺失;
当存在点云缺失时,以点云缺失部分为阴影区域,利用阴影区域周边点确定阴影区域的最大和最小的水平偏角。
其中,还可以包括:判断深度图中是否存在信号强度低于预设值的区域,若存在,判定信号强度低于预设值的区域为阴影区域。即,不仅仅以点云缺失部分为阴影区域,信号强度低于预设值的区域也属于阴影区域,进而利用阴影区域周边点确定阴影区域的最大和最小的水平偏角。
该周边点的选择方式可以遇险设定。例如,以距离阴影区域最近的不属于阴影区域的点作为周边点。
其中,该方法还包括:
输出阴影区域的最大和最小的竖直偏角;
根据最大和最小的水平偏角确定清洗范围包括:根据最大和最小的水平偏角,并结合最大和最小的竖直偏角,确定清洗范围。
其中,确定清洗范围包括:
确定清洗角度范围;或者
确定激光雷达表面与最大和最小的水平偏角以及竖直偏角对应的区域,作为清洗区域。
下面通过一具体示例介绍本发明提供的激光雷达遮挡判断与清洗方法,包括:将激光雷达采集的带有点云坐标、强度的每帧原始点云数据首先转换为深度图;目标分类检测模型对深度图进行检测,检测结果包括正常和异常。正常情况下,不需要进行清洁处理,异常情况下,确定需要进行清洁处理并输出需要清洁的位置,利用清洁设备进行清洁。
其中,目标分类检测模型为预训练好的深度学习分类模型,类别主要包含对深度图的两种判断,分别为正常和异常。正常情况下,不需要进行清洁处理,异常情况下,确定需要进行清洁处理并输出需要清洁的位置。
其中,如图2所示,设激光雷达相机水平面的右侧为x轴正方向,前方为y轴正方向,竖直向上为z轴正方向;通过比较同一个点云的x与y坐标可以得到该点云在水平面相对原点的偏角α;比较点云的z轴坐标和点云投影在水平面相对原点的距离得到点云在竖直方向相对原点的偏角β。最后将生成的带有两个偏角(α,β)和强度信息的点按照两个偏角组成深度图,深度图具有的信息主要为点的两个偏角和强度信息。
本示例中,当遮挡导致的深度图中的阴影面积超过一定的阈值时,判断为异常情况,否则为正常情况。该阈值为预设值,可以根据实际需要灵活调整。对于小部分的遮挡认为不具有较大的影响,这里的阈值主要由特定任务进行设置。
其中,对于阴影面积的识别主要通过判断深度图中部分区域是否存在点云缺失。当存在点云缺失时,确定阴影区域周边点,利用周边点寻找该区域的最大和最小的水平以及竖直偏角,以水平以及竖直偏角确定阴影的位置。阴影的位置与激光雷达表面的位置之间具有数学对应关系,可以根据阴影的位置确定对应激光雷达表面的位置,将此信息输出到清洗控制模块中,对应的喷头进行工作。
其中,在确定阴影的位置时,可以仅确定阴影对应的水平偏角的范围,由清洗控制模块控制喷头在该偏角范围内自上而下进行清洗,就无需确定竖直偏角范围。
本示例中的深度学习分类模型,在预训练时可以利用人工标注数据集进行训练,直至最终使用该模型的检测结果满足预设条件,例如误差范围满足预设值,或者收敛在一定范围内,满足实际应用需求。
本发明提供的方法,尤其适用于不透光遮挡物。通过较长的实践观察,发现实际场景中干扰激光雷达效果的主要元素为泥巴类的遮挡,此类遮挡反映在深度图中的效果为产生对应阴影面积,因此根据最终的深度图效果进行判断激光雷达是否正常。
本发明不限定具体的目标分类检测判断方法,只要能够实现本发明的检测效果均可应用,本文对此不作限制。
本示例中,接收到需要清洁的位置后,清洁设备控制喷头等进行清洁:
清洁设备根据深度图中阴影位置判断需要哪个喷头工作以及工作的时间。在本示例中,清洁设备主要包含接受遮挡信息对清洗工作进行决策并输出清洗指令驱动特定喷头工作两部分内容。
当目标分类检测模型判断当前激光雷达无遮挡时,输出为正常,清洁设备将关闭喷头,激光雷达正常工作。
当目标分类检测模型判断当前激光雷达有遮挡时,清洁设备将结合目标分类检测模型发送的遮挡位置信息进行喷头开闭的决策。此决策依据主要为喷头与激光雷达表面的对应关系。收到异常指令后清洁设备将根据对遮挡判断的位置控制相应的喷头等进行工作,使得激光雷达未遮挡区域能够继续正常工作,达到节能的目的。
清洁设备的输出指令内容主要包含工作喷头的编号、开闭、以及工作时间等信息。
本示例中,具体喷头工作持续时间、以及喷头角度、喷头数量可以根据实际需要灵活调整,本文不过多赘述。
图3示出清洁设备的结构示意图。如图3所示,清洁设备可以包括:固定支架31、连接孔32、喷头33、喷管34和激光雷达35。固定支架31主要起连接作用,将车体、激光雷达35、喷头33等连接到一起;连接孔32主要将支架31固定在车体上;喷管34连接喷头33和清洗液存储箱;喷头33由固定支架31以一定的角度固定,进而将喷管34也进行固定,其中喷头的数量可以根据实际需要灵活设置,调节喷头的角度即可调节清洗激光雷达的位置;冲洗面为喷头33清洗激光雷达35的表面位置,调节支架固定喷头的角度和位置可以在不同的冲洗面之间选择;激光雷达35固定在固定支架31的底座上。
图3仅为清洁设备的示例,容易理解,清洁设备也可以采用其它构造,本文对此不作限制。
本发明实施例还提供一种激光雷达遮挡判断与清洗装置,如图4所示,包括:
激光雷达41,用于采集带有点云坐标和信号强度的每帧原始点云数据;
处理器42,用于将每帧原始点云数据转换为深度图,包括:以激光雷达为中心建立坐标系,对于每帧原始点云数据中的每一点云,根据点云在水平面的x坐标与y坐标得到点云在水平面相对原点的偏角α,根据点云在竖直面的z坐标和点云投影在水平面相对原点的距离得到点云在竖直方向相对原点的偏角β,根据偏角α和偏角β确定点云在深度图中的位置;深度图中的点的参数信息包括:偏角α、偏角β和信号强度;当深度图中阴影面积超过阈值时,判断为异常,并输出阴影区域的最大和最小的水平偏角;
清洁设备43,用于根据最大和最小的水平偏角确定清洗范围,对激光雷达表面进行清洗。
其中,处理器42通过下述方式确定阴影区域:
判断深度图中是否存在点云缺失;
当存在点云缺失时,以点云缺失部分为阴影区域,利用阴影区域周边点确定阴影区域的最大和最小的水平偏角。
其中,处理器42还可以用于:判断深度图中是否存在信号强度低于预设值的区域,若存在,判定信号强度低于预设值的区域为阴影区域。
其中,处理器42还可以用于:
输出阴影区域的最大和最小的竖直偏角;
根据最大和最小的水平偏角,并结合最大和最小的竖直偏角,确定清洗范围。
其中,处理器42还可以用于:
确定清洗角度范围;或者
确定激光雷达表面与最大和最小的水平偏角以及竖直偏角对应的区域,作为清洗区域。
本发明中,通过将激光雷达采集的每帧原始点云数据转换为深度图,以深度图的阴影部分确定激光雷达表面需要清洗的位置,控制相应喷头进行清洗,能够针对性清洁雷达,保证激光雷达的正常工作和遮挡物的及时高效清洗。
最后需要指出的是:以上实施例仅用以说明本发明的技术方案,而非对其限制。本领域的普通技术人员应当理解:可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种激光雷达遮挡判断与清洗方法,其特征在于,包括:
通过激光雷达采集带有点云坐标和信号强度的每帧原始点云数据;
将每帧原始点云数据转换为深度图,包括:以激光雷达为中心建立坐标系,对于每帧原始点云数据中的每一点云,根据点云在水平面的x坐标与y坐标得到点云在水平面相对原点的偏角α,根据点云在竖直面的z坐标和点云投影在水平面相对原点的距离得到点云在竖直方向相对原点的偏角β,根据偏角α和偏角β确定点云在深度图中的位置;深度图中的点的参数信息包括:偏角α、偏角β和信号强度;
当深度图中阴影面积超过阈值时,判断为异常,并输出阴影区域的最大和最小的水平偏角;
根据最大和最小的水平偏角确定清洗范围,对激光雷达表面进行清洗。
2.根据权利要求1所述的方法,其特征在于,通过下述方式确定阴影区域:
判断深度图中是否存在点云缺失;
当存在点云缺失时,以点云缺失部分为阴影区域,利用阴影区域周边点确定阴影区域的最大和最小的水平偏角。
3.根据权利要求2所述的方法,其特征在于,还包括:
判断深度图中是否存在信号强度低于预设值的区域,若存在,判定信号强度低于预设值的区域为阴影区域。
4.根据权利要求1所述的方法,其特征在于,还包括:输出阴影区域的最大和最小的竖直偏角;
根据最大和最小的水平偏角确定清洗范围包括:根据最大和最小的水平偏角,并结合最大和最小的竖直偏角,确定清洗范围。
5.根据权利要求4所述的方法,其特征在于,确定清洗范围包括:
确定清洗角度范围;或者
确定激光雷达表面与最大和最小的水平偏角以及竖直偏角对应的区域,作为清洗区域。
6.一种激光雷达遮挡判断与清洗装置,其特征在于,包括:
激光雷达,用于采集带有点云坐标和信号强度的每帧原始点云数据;
处理器,用于将每帧原始点云数据转换为深度图,包括:以激光雷达为中心建立坐标系,对于每帧原始点云数据中的每一点云,根据点云在水平面的x坐标与y坐标得到点云在水平面相对原点的偏角α,根据点云在竖直面的z坐标和点云投影在水平面相对原点的距离得到点云在竖直方向相对原点的偏角β,根据偏角α和偏角β确定点云在深度图中的位置;深度图中的点的参数信息包括:偏角α、偏角β和信号强度;当深度图中阴影面积超过阈值时,判断为异常,并输出阴影区域的最大和最小的水平偏角;
清洁设备,用于根据最大和最小的水平偏角确定清洗范围,对激光雷达表面进行清洗。
7.根据权利要求6所述的装置,其特征在于,处理器通过下述方式确定阴影区域:
判断深度图中是否存在点云缺失;
当存在点云缺失时,以点云缺失部分为阴影区域,利用阴影区域周边点确定阴影区域的最大和最小的水平偏角。
8.根据权利要求7所述的装置,其特征在于,处理器还用于:
判断深度图中是否存在信号强度低于预设值的区域,若存在,判定信号强度低于预设值的区域为阴影区域。
9.根据权利要求6所述的装置,其特征在于,处理器还用于:
输出阴影区域的最大和最小的竖直偏角;
根据最大和最小的水平偏角,并结合最大和最小的竖直偏角,确定清洗范围。
10.根据权利要求9所述的装置,其特征在于,处理器还用于:
确定清洗角度范围;或者
确定激光雷达表面与最大和最小的水平偏角以及竖直偏角对应的区域,作为清洗区域。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210984537.0A CN115359121B (zh) | 2022-08-17 | 2022-08-17 | 一种激光雷达遮挡判断与清洗方法及装置 |
PCT/CN2023/099181 WO2024037144A1 (zh) | 2022-08-17 | 2023-06-08 | 一种激光雷达遮挡判断与清洗方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210984537.0A CN115359121B (zh) | 2022-08-17 | 2022-08-17 | 一种激光雷达遮挡判断与清洗方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115359121A true CN115359121A (zh) | 2022-11-18 |
CN115359121B CN115359121B (zh) | 2023-05-12 |
Family
ID=84002771
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210984537.0A Active CN115359121B (zh) | 2022-08-17 | 2022-08-17 | 一种激光雷达遮挡判断与清洗方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115359121B (zh) |
WO (1) | WO2024037144A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116047540A (zh) * | 2023-02-07 | 2023-05-02 | 湖南大学无锡智能控制研究院 | 基于点云强度信息的激光雷达自遮挡判断的方法及装置 |
WO2024037144A1 (zh) * | 2022-08-17 | 2024-02-22 | 湖南大学无锡智能控制研究院 | 一种激光雷达遮挡判断与清洗方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110586578A (zh) * | 2019-10-22 | 2019-12-20 | 北京易控智驾科技有限公司 | 激光雷达的清洁防护一体化装置、清洁控制方法及系统 |
US20200020072A1 (en) * | 2018-07-10 | 2020-01-16 | Raytheon Company | Multi-source image fusion |
CN111429400A (zh) * | 2020-02-21 | 2020-07-17 | 深圳市镭神智能系统有限公司 | 一种激光雷达视窗污物的检测方法、装置、系统及介质 |
US10803324B1 (en) * | 2017-01-03 | 2020-10-13 | Waylens, Inc. | Adaptive, self-evolving learning and testing platform for self-driving and real-time map construction |
CN112132929A (zh) * | 2020-09-01 | 2020-12-25 | 北京布科思科技有限公司 | 一种基于深度视觉和单线激光雷达的栅格地图标记方法 |
CN113246916A (zh) * | 2021-07-02 | 2021-08-13 | 上汽通用汽车有限公司 | 一种车辆清洗控制方法、装置、系统及存储介质 |
CN114324382A (zh) * | 2020-09-30 | 2022-04-12 | 北京小米移动软件有限公司 | 面板端子清洁度检测方法及面板端子清洁度检测装置 |
CN114632755A (zh) * | 2022-04-08 | 2022-06-17 | 阿波罗智能技术(北京)有限公司 | 一种雷达清洗装置、雷达系统及雷达清洗装置的控制方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3915742B2 (ja) * | 2003-06-20 | 2007-05-16 | 株式会社デンソー | 車両用物体認識装置 |
CN114488073A (zh) * | 2022-02-14 | 2022-05-13 | 中国第一汽车股份有限公司 | 激光雷达采集到的点云数据的处理方法 |
CN115359121B (zh) * | 2022-08-17 | 2023-05-12 | 湖南大学无锡智能控制研究院 | 一种激光雷达遮挡判断与清洗方法及装置 |
-
2022
- 2022-08-17 CN CN202210984537.0A patent/CN115359121B/zh active Active
-
2023
- 2023-06-08 WO PCT/CN2023/099181 patent/WO2024037144A1/zh unknown
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10803324B1 (en) * | 2017-01-03 | 2020-10-13 | Waylens, Inc. | Adaptive, self-evolving learning and testing platform for self-driving and real-time map construction |
US20200020072A1 (en) * | 2018-07-10 | 2020-01-16 | Raytheon Company | Multi-source image fusion |
CN110586578A (zh) * | 2019-10-22 | 2019-12-20 | 北京易控智驾科技有限公司 | 激光雷达的清洁防护一体化装置、清洁控制方法及系统 |
CN111429400A (zh) * | 2020-02-21 | 2020-07-17 | 深圳市镭神智能系统有限公司 | 一种激光雷达视窗污物的检测方法、装置、系统及介质 |
CN112132929A (zh) * | 2020-09-01 | 2020-12-25 | 北京布科思科技有限公司 | 一种基于深度视觉和单线激光雷达的栅格地图标记方法 |
CN114324382A (zh) * | 2020-09-30 | 2022-04-12 | 北京小米移动软件有限公司 | 面板端子清洁度检测方法及面板端子清洁度检测装置 |
CN113246916A (zh) * | 2021-07-02 | 2021-08-13 | 上汽通用汽车有限公司 | 一种车辆清洗控制方法、装置、系统及存储介质 |
CN114632755A (zh) * | 2022-04-08 | 2022-06-17 | 阿波罗智能技术(北京)有限公司 | 一种雷达清洗装置、雷达系统及雷达清洗装置的控制方法 |
Non-Patent Citations (2)
Title |
---|
MING ZHANG ET AL.: "Synthetic aperture radar image despeckling with a residual learning of convolutional neural network", 《OPTIK》 * |
廖家才等: "基于视觉的护栏清洗车偏离预警系统", 《汽车安全与节能学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024037144A1 (zh) * | 2022-08-17 | 2024-02-22 | 湖南大学无锡智能控制研究院 | 一种激光雷达遮挡判断与清洗方法及装置 |
CN116047540A (zh) * | 2023-02-07 | 2023-05-02 | 湖南大学无锡智能控制研究院 | 基于点云强度信息的激光雷达自遮挡判断的方法及装置 |
CN116047540B (zh) * | 2023-02-07 | 2024-03-22 | 湖南大学无锡智能控制研究院 | 基于点云强度信息的激光雷达自遮挡判断的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2024037144A1 (zh) | 2024-02-22 |
CN115359121B (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115359121A (zh) | 一种激光雷达遮挡判断与清洗方法及装置 | |
CN104077773A (zh) | 图像边缘检测方法、图像目标识别方法及装置 | |
CN112098326A (zh) | 针对桥梁病害的自动检测方法和系统 | |
CN105564379A (zh) | 一种汽车雨刷器自动启动系统和方法 | |
CN110491170A (zh) | 停车位管理系统和停车位管理方法 | |
CN110082783B (zh) | 一种悬崖检测的方法及装置 | |
CN112171675B (zh) | 一种移动机器人的避障方法、装置、机器人及存储介质 | |
CN106705842A (zh) | 用于洗车的车身位置检测装置 | |
CN116047540B (zh) | 基于点云强度信息的激光雷达自遮挡判断的方法及装置 | |
CN107962015A (zh) | 一种全过程自动冲洗变电站设备带电水冲洗机器人及方法 | |
CN113589829A (zh) | 一种移动机器人的多传感器区域避障方法 | |
US20230219532A1 (en) | Vehicle control device, vehicle control method, and computer program product | |
CN112965083A (zh) | 一种智能汽车的多传感信息融合系统 | |
CN117008622A (zh) | 视觉机器人水下目标识别追踪方法及其水下视觉机器人 | |
CN111854697B (zh) | 基于视觉传感器的识别定位定姿系统 | |
CN219951788U (zh) | 一种冲洗环卫车 | |
CN111646349B (zh) | 一种基于tof图像的电梯保护方法及装置 | |
CN114545925A (zh) | 一种复合机器人控制方法及复合机器人 | |
CN210166498U (zh) | 一种3d可视化雷达系统 | |
CN112633097A (zh) | 一种基于人工智能的清洁机器人卡死风险评估方法及系统 | |
CN218360899U (zh) | 一种激光雷达污染物检测及清洗装置 | |
CN108749708A (zh) | 一种低能见度下自动开启车辆雾灯的装置及方法 | |
US20230278528A1 (en) | Cleaning apparatus, roof module and method for cleaning a viewing area of a motor vehicle | |
CN118182775A (zh) | 抽水蓄能电站库盆渗漏修复辅助作业系统 | |
JP4012651B2 (ja) | 洗車機の装着品推論方法及び装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |