CN115376365B - 车辆控制方法、装置、电子设备和计算机可读介质 - Google Patents

车辆控制方法、装置、电子设备和计算机可读介质 Download PDF

Info

Publication number
CN115376365B
CN115376365B CN202211290298.5A CN202211290298A CN115376365B CN 115376365 B CN115376365 B CN 115376365B CN 202211290298 A CN202211290298 A CN 202211290298A CN 115376365 B CN115376365 B CN 115376365B
Authority
CN
China
Prior art keywords
point cloud
cloud data
vehicle
road
data sequence
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
Application number
CN202211290298.5A
Other languages
English (en)
Other versions
CN115376365A (zh
Inventor
曹有龙
林哲
王清杰
李旭
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.)
Beijing Defeng Xinzheng Technology Co ltd
Original Assignee
Beijing Defeng New Journey 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 Beijing Defeng New Journey Technology Co ltd filed Critical Beijing Defeng New Journey Technology Co ltd
Priority to CN202211290298.5A priority Critical patent/CN115376365B/zh
Publication of CN115376365A publication Critical patent/CN115376365A/zh
Application granted granted Critical
Publication of CN115376365B publication Critical patent/CN115376365B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • 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
    • G06T2207/10028—Range image; Depth image; 3D point clouds

Abstract

本公开的实施例公开了车辆控制方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：获取主点云数据序列、盲区点云数据序列；对主点云数据子序列和盲区点云数据子序列进行融合，以生成融合点云数据序列；对融合点云数据序列进行地面分割，得到道路场景地面点云数据序列；确定当前场景下的车辆限制信息；对车辆模型数据与当前场景下的车辆限制信息进行对比，得到对比结果；响应于确定对比结果为大于或者等于，触发预警操作；响应于确定对比结果为小于，控制车辆在预设行驶路径上行驶。该实施方式可以高效的利用探路车装载的激光雷达采集的道路信息，提前规划好车辆的行驶路径，从而降低运输成本，缩短运输时间。

Description

车辆控制方法、装置、电子设备和计算机可读介质
技术领域
本公开的实施例涉及计算机技术领域，具体涉及车辆控制方法、装置、电子设备和计算机可读介质。
背景技术
在交通运输过程中，随着日益增加的运输车辆的种类，以及道路中对行驶车辆的限制，容易导致行驶车辆无法顺利通行，造成交通事故。对于控制车辆在规划路径上行驶，通常采用的方式为：在车辆上搭载一套防撞预警系统，及时发出警报信息，提醒驾驶员根据不同警报信息采取相对应的措施，避免与障碍物发生碰撞。
然而，发明人发现，当采用上述方式来控制车辆，经常会存在如下技术问题：
第一，在行驶过程中，只有行驶到道路限制区域才会发出警报信息，提醒驾驶员根据不同警报信息采取相对应的措施，从而导致提醒不及时，延长运输时间。
第二，在非平直地面上容易出现分割不足、过分分割，导致地面分割的效率和精确度较低。
第三，在车辆前内轮和后内轮均做匀速圆周运动的理想情况下，模拟车辆行驶轨迹，确定车辆的内轮差形成的面积区域，导致内存差模型与实际车辆转弯的运动轨迹的误差较大。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了车辆控制方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面，本公开的一些实施例提供了一种车辆控制方法，包括：获取主点云数据序列、盲区点云数据序列，其中，上述主点云数据序列是位于第一位置的第一激光雷达采集得到的点云数据序列，上述盲区点云数据序列是位于第二位置的第二激光雷达和位于第三位置的第三激光雷达采集得到的点云数据序列；对主点云数据子序列和盲区点云数据子序列进行融合，以生成融合点云数据序列，其中，上述主点云数据子序列为针对目标位置信息的、上述主点云数据序列中的子序列，上述盲区点云数据子序列为针对目标位置信息的、上述盲区点云数据序列中的子序列；对上述融合点云数据序列进行地面分割，得到道路场景地面点云数据序列；根据上述道路场景地面点云数据序列，确定当前场景下的车辆限制信息；将探路车中预先存储的车辆模型数据与上述当前场景下的车辆限制信息进行对比，得到对比结果，其中，上述车辆模型数据是不同型号的车辆的数据信息；响应于确定上述对比结果为上述车辆模型数据大于或者等于上述当前场景下的车辆限制信息，触发预警操作，以及更换行驶车辆型号或者更换行驶路径；响应于确定上述对比结果为上述车辆模型数据小于上述当前场景下的车辆限制信息，控制上述车辆模型数据对应的车辆在上述当前场景下的预设行驶路径上行驶，其中，上述预设行驶路径为上述当前场景下的行驶路径。
第二方面，本公开的一些实施例提供了一种车辆控制装置，包括：获取单元，被配置成获取主点云数据序列、盲区点云数据序列，其中，上述主点云数据序列是位于第一位置的第一激光雷达采集得到的点云数据序列，上述盲区点云数据序列是位于第二位置的第二激光雷达和位于第三位置的第三激光雷达采集得到的点云数据序列；融合单元，被配置成对主点云数据子序列和盲区点云数据子序列进行融合，以生成融合点云数据序列，其中，上述主点云数据子序列为针对目标位置信息的、上述主点云数据序列中的子序列，上述盲区点云数据子序列为针对目标位置信息的、上述盲区点云数据序列中的子序列；地面分割单元，被配置成对上述融合点云数据序列进行地面分割，得到道路场景地面点云数据序列；确定单元，被配置成根据上述道路场景地面点云数据序列，确定当前场景下的车辆限制信息；对比单元，被配置成将探路车中预先存储的车辆模型数据与上述当前场景下的车辆限制信息进行对比，得到对比结果，其中，上述车辆模型数据是不同型号的车辆的数据信息；触发单元，被配置成响应于确定上述对比结果为上述车辆模型数据大于或者等于上述当前场景下的车辆限制信息，触发预警操作，以及更换行驶车辆型号或者更换行驶路径；控制单元，被配置成响应于确定上述对比结果为上述车辆模型数据小于上述当前场景下的车辆限制信息，控制上述车辆模型数据对应的车辆在上述当前场景下的预设行驶路径上行驶，其中，上述预设行驶路径为上述当前场景下的行驶路径。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开的上述各个实施例中具有如下有益效果：本公开的一些实施例的车辆控制方法可以高效的利用探路车装载的激光雷达采集的道路信息，提前规划好车辆的行驶路径，选择合适的车辆在合适的路径上行驶，从而降低运输成本，缩短运输时间。具体来说，造成相关的提醒不及时，延长运输时间的原因在于：在行驶过程中，只有行驶到道路限制区域才会发出警报信息，提醒驾驶员根据不同警报信息采取相对应的措施，从而导致提醒不及时，延长运输时间。基于此，本公开的一些实施例的车辆控制方法可以首先，获取主点云数据序列、盲区点云数据序列，其中，上述主点云数据序列是位于第一位置的第一激光雷达采集得到的点云数据序列，上述盲区点云数据序列是位于第二位置的第二激光雷达和位于第三位置的第三激光雷达采集得到的点云数据序列。在这里，获取的主点云数据序列和盲区点云数据序列用于后续抽取某一位置信息的点云数据子序列。其次，对主点云数据子序列和盲区点云数据子序列进行融合，以生成融合点云数据序列，其中，上述主点云数据子序列为针对目标位置信息的、上述主点云数据序列中的子序列，上述盲区点云数据子序列为针对目标位置信息的、上述盲区点云数据序列中的子序列。在这里，对主点云数据子序列和盲区点云数据子序列进行融合，得到当前位置的融合点云数据序列，提高了点云数据的准确性，使得点云数据更准确的反应当前场景下的道路情况。再次，对上述融合点云数据序列进行地面分割，得到道路场景地面点云数据序列。在这里，对融合点云数据序列进行地面分割，可以更好的区分地面障碍物，减少错误识别障碍物的错误率。接着，根据上述道路场景地面点云数据序列，确定当前场景下的车辆限制信息。在这里，获取不同道路场景下的车辆限制信息，用于后续与车辆模型数据进行对比。随后，将探路车中预先存储的车辆模型数据与上述当前场景下的车辆限制信息进行对比，得到对比结果，其中，上述车辆模型数据是不同型号的车辆的数据信息。在这里，得到的对比结果用于后续确定车辆的不同行驶方案。然后，响应于确定上述对比结果为上述车辆模型数据大于或者等于上述当前场景下的车辆限制信息，触发预警操作，以及更换行驶车辆型号或者更换行驶路径。最后，响应于确定上述对比结果为上述车辆模型数据小于上述当前场景下的车辆限制信息，控制上述车辆模型数据对应的车辆在上述当前场景下的预设行驶路径上行驶，其中，上述预设行驶路径为上述当前场景下的行驶路径。在这里，通过探路车获取的行驶路径的道路信息，可以提前预测车辆是否可以在行驶路径上继续行驶，还是更换路径，避免驾驶人员由于不清楚道路情况绕路行驶，或者发生道路事故。由此可得，该车辆控制方法实现了通过装备探测道路信息智能设备的探路车在行驶路径上进行行驶，收集行驶路径的道路信息，并与车辆的尺寸信息进行对比，在车辆行驶之前已经规划好行驶路径，选择合适的车辆在合适的路径上进行行驶，该车辆控制方法可以高效的利用探路车装载的激光雷达采集的道路信息，提前规划好车辆的行驶路径，从而降低运输成本，缩短运输时间。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是根据本公开的车辆控制方法的一些实施例的流程图；
图2是根据本公开的车辆控制方法的一些实施例的第一场景示意图；
图3是根据本公开的车辆控制装置的一些实施例的结构示意图；
图4是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
参考图1，示出了根据本公开的车辆控制方法的一些实施例的流程100。该车辆控制方法，包括以下步骤：
步骤101，获取主点云数据序列、盲区点云数据序列。
在一些实施例中，上述车辆控制方法的执行主体可以通过有线连接方式或者无线连接方式来获取主点云数据序列、盲区点云数据序列。其中，上述主点云数据序列是位于第一位置的第一激光雷达采集得到的点云数据序列。上述盲区点云数据序列是位于第二位置的第二激光雷达和位于第三位置的第三激光雷达采集得到的点云数据序列。第一位置可以是位于探路车正前方保险杠位置或者位于探路车顶部。第二位置可以是位于探路车左前方保险杠位置。第三位置可以是位于探路车右前方保险杠位置。探路车可以是装载了探测道路信息的智能设备、采集行驶路径的道路信息的车辆。
步骤102，对主点云数据子序列和盲区点云数据子序列进行融合，以生成融合点云数据序列。
在一些实施例中，上述执行主体可以对主点云数据子序列和盲区点云数据子序列进行融合，以生成融合点云数据序列。其中，上述主点云数据子序列为针对目标位置信息的、上述主点云数据序列中的子序列，上述盲区点云数据子序列为针对目标位置信息的、上述盲区点云数据序列中的子序列。目标位置信息可以是行驶路径上出现的道路限制区域的位置信息。例如，道路限制区域可以是道路限速的区域。
作为示例，上述执行主体可以首先，利用主点云数据子序列和盲区点云数据子序列的点云数据信息拟合出同一障碍物的棱边直线方程。其次，相同的棱边对应两个激光雷达坐标系得到的两个直线方程，作为约束条件求解两个激光雷达坐标系的旋转平移矩阵，得到第一激光雷达和第二激光雷达之间的第一旋转平移矩阵、第一激光雷达和第三激光雷达之间的第二旋转平移矩阵。然后，利用第一旋转平移矩阵和第二旋转平移矩阵，将第二激光雷达和第三激光雷达采集的盲区点云数据子序列变换到第一激光雷达坐标系下。最后，利用融合算法，得到融合点云数据序列。
可选地，上述对主点云数据子序列和盲区点云数据子序列进行融合，以生成融合点云数据序列，可以包括以下步骤：
第一步，对上述第一激光雷达、上述第二激光雷达和上述第三激光雷达进行时间轴同步，得到同一时钟源下的上述主点云数据子序列和上述盲区点云数据子序列。
作为示例，上述执行主体可以使用同一个GPS（Global Positioning System，全球定位系统）输出的GPRMC和PPS（Pulse Per Second，秒脉冲）信息，接入第一激光雷达、第二激光雷达和第三激光雷达，完成三台激光雷达在时间轴上的同步。其中，第一激光雷达水平视场角为120°，第二激光雷达和第三激光雷达的水平视场角都为360°，保证了第二激光雷达和第三激光雷达与第一激光雷达具有一定的视野重叠区。
第二步，响应于确定车辆处于静止状态，获取第一主点云数据子序列和第一盲区点云数据子序列。其中，上述第一主点云数据子序列为针对车辆静止状态下、上述同一时钟源下的主点云数据子序列中的子序列。上述第一盲区点云数据子序列为针对车辆静止状态下、上述同一时钟源下的盲区点云数据子序列中的子序列。
第三步，获取同一时刻下的上述第一主点云数据子序列和上述第一盲区点云数据子序列，作为第二主点云数据子序列和第二盲区点云数据子序列。
第四步，根据上述第二主点云数据子序列和上述第二盲区点云数据子序列，生成针对上述第一激光雷达和上述第二激光雷达之间的第一旋转矩阵、第一平移变换矩阵，针对上述第一激光雷达和上述第三激光雷达之间的第二旋转矩阵、第二平移变换矩阵。
作为示例，上述执行主体可以从同步采集点云数据的第一激光雷达、第二激光雷达和第三激光雷达的第一主点云数据序列和第一盲区点云数据序列中抽取相同时刻的第一主点云数据子序列和第一盲区点云数据子序列，作为第二主点云数据子序列和第二盲区点云数据子序列。利用点云匹配算法，得到第一激光雷达和第二激光雷达之间的旋转矩阵、平移变换矩阵，第一激光雷达和第三激光雷达之间的旋转矩阵、平移变换矩阵。
第五步，将上述第二激光雷达和上述第三激光雷达的上述第二盲区点云数据子序列变换至第一激光雷达坐标系中，得到统一坐标系后的点云数据子序列。
作为示例，第二激光雷达采集的第二盲区点云子序列在统一坐标系后的点云数据子序列可以表示为
Figure 239483DEST_PATH_IMAGE001
。
其中，
Figure 687782DEST_PATH_IMAGE002
可以表示为第一旋转矩阵，
Figure 264257DEST_PATH_IMAGE003
可以表示为第一平移变换矩阵，
Figure 190624DEST_PATH_IMAGE004
可以表示为在第二激光雷达坐标系下的第二激光雷达采集的第二盲区点云数据子序列，
Figure 4997DEST_PATH_IMAGE005
可以表示为第二激光雷达采集的第二盲区点云子序列在统一坐标系后的点云数据子序列。
第三激光雷达采集的第二盲区点云子序列在统一坐标系后的点云数据子序列可以表示为
Figure 358618DEST_PATH_IMAGE006
。
其中，
Figure 360072DEST_PATH_IMAGE007
可以表示为第二旋转矩阵，
Figure 355710DEST_PATH_IMAGE008
可以表示为第二平移变换矩阵，
Figure 555747DEST_PATH_IMAGE009
可以表示为在第三激光雷达坐标系下的第三激光雷达采集的第二盲区点云数据子序列，
Figure 283531DEST_PATH_IMAGE010
可以表示为第三激光雷达采集的第二盲区点云子序列在统一坐标系后的点云数据子序列。
第六步，对上述统一坐标系后的点云数据子序列进行滤波处理，得到上述融合点云数据序列。
作为示例，上述执行主体可以利用卡尔曼滤波算法，对统一坐标系后的点云数据子序列进行滤波，得到融合点云数据序列。
步骤103，对融合点云数据序列进行地面分割，得到道路场景地面点云数据序列。
在一些实施例中，上述执行主体可以对融合点云数据序列进行地面分割，得到道路场景地面点云数据序列。
作为示例，首先，上述执行主体可以利用平面栅格法，建立预设尺寸的平面网格。然后，将融合点云数据序列投影到对应的网格中。最后，对每个网格中的融合点云数据序列进行特征提取，得到道路场景地面点云数据序列。
在一些实施例的一些可选的实现方式中，上述对融合点云数据序列进行地面分割，得到道路场景地面点云数据序列，可以包括以下步骤：
第一步，对融合点云数据序列进行感兴趣区域划分，得到感兴趣区域点云数据序列。其中，上述感兴趣区域可以是需要进行点云分割的区域。例如，感兴趣区域可以是以上述探路车为原点，以上述探路车行驶方向为前方，前方30m，后方30m，左侧15m，右侧15m，以距离地面3m为高度的感兴趣区域。
第二步，对上述感兴趣区域点云数据序列进行体素化，以生成滤除干扰点后的感兴趣区域点云数据序列，得到第一感兴趣区域点云数据序列。
作为示例，上述执行主体可以将感兴趣区域以预设阈值划分为一个个立体栅格，其中，上述预设阈值可以是0.1m，则感兴趣区域被划分成600×300×30个栅格的体素化区域。其次，计算每个点云数据在三维空间中三个方向上的最小值。然后，遍历所有点云数据，对含有点云数据的体素格栅进行滤除，得到滤除后感兴趣区域点云数据序列。其中，含有点云数据的体素栅格为“1”，不含点云数据的体素栅格为“0”。最后，将干扰点所在的体素格栅重置为“0”。
第三步，对上述第一感兴趣区域点云数据序列进行滤波处理，以生成滤除干扰点后的去除上述探路车点云数据后的感兴趣区域点云数据序列，得到第二感兴趣区域点云数据序列。
作为示例，通过点云库中的立方体滤波（CropBox）滤除探路车自身的点云数据，得到第二感兴趣区域点云数据序列。
第四步，对上述第二感兴趣区域点云数据序列进行初次地面分割，得到第一地面点云数据序列。
作为示例，通过激光雷达配置的先验知识，计算出预期的环间距离，对第二感兴趣区域点云数据序列进行初次地面点云分割，得到第一地面点云数据序列。其中，激光雷达配置的先验知识可以为激光雷达扫描线环间距。
第五步，对上述第一地面点云数据序列进行象限划分，以生成划分四个象限的第一地面点云数据子序列，得到四个第二地面点云数据序列。其中，四个象限分别代表上述探路车的前方、后方、左侧和右侧区域。
第六步，对于上述四个第二地面点云数据序列中的每个第二地面点云数据序列进行区域划分，以生成多区域的第二地面点云数据子序列，得到多个第三地面点云数据序列。
第七步，对于上述多个第三地面点云数据序列中的每个第三地面点云数据序列进行二次地面分割，得到道路场景地面点云数据序列。
作为示例，首先，利用RANSAC（Random Sample Consensus，随机采样一致）算法，估计第一区域的第一代表性平面。其次，利用RANSAC算法，估计第二区域的第二代表性平面。再次，确定第一代表平面与第二代表平面之间的高度差和角度差。然后，响应于高度差和角度差分别大于预设高度差和预设角度差，则将第一代表平面替换为第二代表平面。最后，确定每个区域中的点云数据到代表性平面的距离，若大于预设距离，确定为障碍物点。若小于等于预设距离，确定为地面点云数据。
上述技术方案及其相关内容作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题二“在非平直地面上容易出现分割不足、过分分割，导致地面分割的效率和精确度较低。”。导致非平直地面分割效率和精确度较低的因素往往如下：在非平直地面上容易出现分割不足、过分分割，导致地面分割的效率和精确度较低。如果解决了上述因素，就能达到提高在非平直地面的分割效率和精确度。为了达到这一效果，上述对融合点云数据序列进行地面分割，得到道路场景地面点云数据序列，可以包括以下步骤：首先，对融合点云数据序列进行感兴趣区域划分，得到感兴趣区域点云数据序列。在这里，通过感兴趣区域的划分，可以降低点云数据处理的计算量，提高实时性。其次，对上述感兴趣区域点云数据序列进行体素化，以生成滤除干扰点后的感兴趣区域点云数据序列，得到第一感兴趣区域点云数据序列。在这里，通过对感兴趣区域内点云信息的体素化，可以使用体素来代替点云进行计算，不仅方便后续对第一兴趣区域点云数据序列的检索，同时也降低计算量。再次，对上述第一感兴趣区域点云数据序列进行滤波处理，以生成滤除干扰点后的去除上述探路车点云数据后的感兴趣区域点云数据序列，得到第二感兴趣区域点云数据序列。在这里，去除探路车自身的点云数据，得到更加精确的感兴趣区域点数据序列。接着，对上述第二感兴趣区域点云数据序列进行初次地面分割，得到第一地面点云数据序列。在这里，去除了大多数用于平面估计的异常值，更有利于后续进行地面分割。随后，对上述第一地面点云数据序列进行象限划分，以生成划分四个象限的第一地面点云数据子序列，得到四个第二地面点云数据序列。然后，对于上述四个第二地面点云数据序列中的每个第二地面点云数据序列进行区域划分，以生成多区域的第二地面点云数据子序列，得到多个第三地面点云数据序列。最后，对于上述多个第三地面点云数据序列中的每个第三地面点云数据序列进行二次地面分割，得到道路场景地面点云数据序列。在这里，通过将点云划分为多个区域，可以是估算的平面更准确地表示复杂的地形，解决可能的倾斜地形。由此，完成在非平直地面对地面点云的分割，提高了在非平直地面的分割效率和精确度。
步骤104，根据道路场景地面点云数据序列，确定当前场景下的车辆限制信息。
在一些实施例中，上述执行主体可以根据道路场景地面点云数据序列，确定当前场景下的车辆限制信息。其中，上述车辆限制信息可以是当前场景下限制车辆通行的障碍物的数据信息。例如，车辆限制信息可以是道路限高场景下限制车辆通行的限高路标的高度，限高路标的高度可以是3m。
作为示例，上述执行主体可以通过道路场景地面点云数据序列，获取相关障碍物的数据信息，来确定当前场景下的车辆限制信息。
在一些实施例的一些可选的实现方式中，上述根据上述道路场景地面点云数据序列，确定当前场景下的车辆限制信息，可以包括以下步骤：
第一步，响应于确定上述道路场景地面点云数据序列为道路限宽场景下的道路场景地面点云数据序列，确定上述道路限宽场景下的障碍物集中的每个障碍物是否为静止物体。其中，上述障碍物为在上述道路限宽场景下的探路车行驶道路前方出现的物体。
第二步，响应于确定上述障碍物集中的第一障碍物为第三位置的目标静止物体，确定上述第一障碍物在车辆坐标系下的第一位置坐标。其中，上述第三位置的目标静止物体可以是位于道路左侧位置的左侧限宽墩。上述车辆坐标系可以是以车辆为坐标原点，以车辆的行驶方向为正方向的坐标系。
第三步，响应于确定上述障碍物集中的第二障碍物为第四位置的目标静止物体，确定上述第二障碍物在车辆坐标系下的第二位置坐标。其中，上述第四位置的目标静止物体可以是位于道路右侧位置的右侧限宽墩。
第四步，确定上述第一障碍物的第一位置坐标与上述第二障碍物的第二位置坐标之间的距离。其中，上述第一障碍物在水平方向上的位置与上述第二障碍物在水平方向上的位置相同，在垂直方向上位于道路两侧。
作为示例，通过道路限宽场景下的道路场景地面点云数据序列，获取第一障碍物在车辆坐标系下的位置坐标和第二障碍物在车辆坐标系下的位置坐标。利用两点间的距离公式，得到第一障碍物和第二障碍物之间的距离。
第五步，将上述距离确定为上述道路限宽场景下的车辆限制信息。
可选地，上述响应于确定上述道路场景地面点云数据序列为道路限宽场景下的道路场景地面点云数据序列，确定上述道路限宽场景下的障碍物集中的每个障碍物是否为静止物体，可以包括以下步骤：
第一步，获取位置信息序列。
作为示例，上述执行主体可以通过上述探路车装载的GPS（Global PositioningSystem，全球定位系统）传感器，获取位置信息序列。
第二步，对于上述障碍物集中的每个障碍物执行以下确定步骤：
子步骤1，根据针对第三位置信息的道路限宽场景信息，确定上述障碍物的第三位置坐标。
作为示例，上述执行主体可以首先，以探路车所在第一位置为原点，以探路车装载的激光雷达的射程为半径建立车辆坐标系。其次，通过激光雷达对障碍物进行扫描，得到障碍物与车辆位置的第一距离和车辆行驶方向的第一夹角角度。然后，利用三角函数关系，得到障碍物在针对第一位置信息的道路限宽场景信息的第三位置坐标。
子步骤2，根据针对第四位置信息的上述道路限宽场景信息，确定上述障碍物的第四位置坐标。
作为示例，实现方式与子步骤1的实现方式一样，在此不再赘述。
子步骤3，根据针对第五位置信息的上述道路限宽场景信息，确定上述障碍物的第五位置坐标。
作为示例，实现方式与子步骤1的实现方式一样，在此不再赘述。
子步骤4，根据上述第三位置坐标、上述第四位置坐标、上述第五位置坐标，确定上述障碍物是否为静止物体。
作为示例，上述执行主体可以首先获取车辆的平均行驶速度、车辆从第三位置行驶到第四位置所需要的第一时间和车辆从第四位置行驶到第五位置所需要的第二时间，若平均行驶速度与第一时间的乘积等于第三位置坐标的横坐标与第四位置坐标的横坐标的差的绝对值，平均行驶速度与第二时间的乘积等于第四位置坐标的横坐标与第五位置坐标的横坐标的差的绝对值，则确定障碍物为静止障碍物，否则为非静止障碍物。
可选地，上述根据上述道路场景地面点云数据序列，确定当前场景下的车辆限制信息，可以包括以下步骤：
第一步，响应于确定上述道路场景地面点云数据序列为车辆转弯场景下的道路场景地面点云数据序列，确定上述车辆的变换角度。
作为示例，上述执行主体可以利用车辆转弯测量仪，确定上述探路车的变换角度。
第二步，根据上述变换角度和预设变换角度，确定上述车辆是否进行转弯。其中，预设转弯角度可以是区分车辆转弯还是变道的临界值的转弯角度。预设转弯角度可以是10°。
作为示例，上述执行主体可以当转弯角度大于或者等于预设转弯角度，确定上述探路车发生转弯。当转弯角度小于预设转弯角度，确定上述探路车发生变道。
第三步，响应于确定转弯，根据转弯角度序列，确定上述车辆的通行防区。其中，上述转弯角度序列为表征上述车辆在转弯过程中的角度变换程度。例如，变换角度序列可以是（12°，15°，18°，21°，24°）。上述通行防区为上述车辆进行转弯时产生的内轮差面积和上述车辆的面积之和。
作为示例，上述执行主体可以通过确定方向盘的转动角度，确定车辆转弯角度，方向盘的转动角度一般是车辆转弯角度的25倍。转弯角度序列可以是每隔一定时间获取方向盘的转弯角度得到的车辆的转弯角度序列。
第四步，确定车辆转弯后的待行驶道路的第一道路宽度。
作为示例，上述执行主体可以通过探路车装载的激光雷达，获取转弯后的待行驶道路的第一道路宽度。
第五步，将上述通行防区、上述第一道路宽度分别确定为上述车辆转弯场景下的车辆限制信息。
可选地，上述响应于确定转弯，根据转弯角度序列，确定上述车辆的通行防区，包括以下步骤：
第一步，根据车辆转弯角度序列，确定上述车辆的转弯半径。
作为示例，上述场景可以参见图2。图2示出了当前车辆转弯时的场景，从A位置转弯C位置，中间经过B位置。首先，在转弯过程中获取第一位置A的坐标信息、第二位置B的坐标信息和第三位置C的坐标信息。其次，利用两点间的距离公式，确定第一位置和第二位置的第一距离AB、第一位置和第三位置的第二距离AC和第二位置和第三位置的第三距离BC。再次，利用三角形夹角公式，确定∠ABC的角度。然后，当前车辆以当前方向盘转角所行驶的弧线中点为O，AB两点的中点为D，BC两点的中点为E，确定三角形OBD为直角三角形，三角形OBE为直角三角形，得到∠OBD＋∠OBE＝∠ABC，并且∠OBD和∠OBE相等。最后，利用三角公式，得到转弯半径R。
第二步，响应于确定车辆为非拖挂车辆，获取上述非拖挂车辆的第一相关参数。其中，第一相关参数可以包括以下至少一项：非拖挂车辆的轴距、非拖挂车辆的后轮距、非拖挂车辆的前轮距。
第三步，根据上述第一相关参数和转弯半径，确定上述非拖挂车辆内侧后轮中心线的运动半径和非拖挂车辆内侧前轮中心线的运动半径。
作为示例，利用相关内轮差的计算公式，得到非拖挂车辆内侧后轮中心线的运动半径和非拖挂车辆内侧前轮中心线的运动半径。
第四步，根据上述非拖挂车辆内侧后轮中心线的运动半径和上述非拖挂车辆内侧前轮中心线的运动半径，确定上述非拖挂车辆的第一内轮差面积。
作为示例，利用圆弧的面积公式，确定上述非拖挂车辆的第一内轮差面积。
第五步，确定上述非拖挂车的第一通行防区。
第六步，响应于确定车辆为半挂车辆，获取上述半挂车辆的第二相关参数。其中，第二相关参数可以包括以下至少一项：半挂车辆左右外侧后轮中心线间距、半挂车辆的牵引销与牵引车后轴的距离、半挂车辆的牵引销至中间轴的轴距。假设半挂车辆的前半部分可以看成非拖挂车辆。
第七步，根据上述第二相关参数和转弯半径，确定上述半挂车辆内侧后轮中心线的运动半径和半挂车辆内侧前轮中心线的运动半径。
作为示例，利用相关内轮差的计算公式，确定半挂车辆内侧后轮中心线的运动半径和半挂车辆内侧前轮中心线的运动半径。
第八步，根据上述半挂车辆内侧后轮中心线的运动半径和半挂车辆内侧前轮中心线的运动半径，确定上述半挂车辆的第二内轮差面积。
作为示例，利用圆弧的面积公式，确定半挂车辆的第二内轮差面积。
第九步，确定半挂车辆的第二通行防区。
上述技术方案及其相关内容作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题三“在车辆前内轮和后内轮均做匀速圆周运动的理想情况下，模拟车辆行驶轨迹，确定车辆形成的内轮差区域，导致内存差模型与实际车辆转弯的运动轨迹的误差较大。”。导致内存差模型与实际车辆转弯的运动轨迹的误差较大的因素往往如下：在车辆前内轮和后内轮均做匀速圆周运动的理想情况下，模拟车辆行驶轨迹，确定车辆形成的内轮差区域，导致内存差模型与实际车辆转弯的运动轨迹的误差较大。如果解决了上述因素，就能达到实时确定车辆的内轮差区域。为了达到这一效果，上述响应于确定转弯，根据转弯角度序列，根据转弯角度序列，确定上述车辆的通行防区，包括以下步骤：首先，根据车辆转弯角度序列，确定上述车辆的转弯半径。在这里，根据转弯角度序列，有利于得到的实时转弯半径。其次，响应于确定车辆为非拖挂车辆，获取上述非拖挂车辆的第一相关参数。其中，第一相关参数可以包括以下至少一项：非拖挂车辆的轴距、非拖挂车辆的后轮距、非拖挂车辆的前轮距。再次，根据上述第一相关参数和转弯半径，确定上述非拖挂车辆内侧后轮中心线的运动半径和非拖挂车辆内侧前轮中心线的运动半径。接着，根据上述非拖挂车辆内侧后轮中心线的运动半径和上述非拖挂车辆内侧前轮中心线的运动半径，确定上述非拖挂车辆的第一内轮差面积。确定上述非拖挂车的第一通行防区。在这里，车辆转弯时前内轮和后内轮的运动轨迹并非理想条件下的匀速运动，得到非拖挂车辆的内轮差面积。随后，响应于确定车辆为半挂车辆，获取上述半挂车辆的第二相关参数。其中，第二相关参数可以包括以下至少一项：半挂车辆左右外侧后轮中心线间距、半挂车辆的牵引销与牵引车后轴的距离、半挂车辆的牵引销至中间轴的轴距。然后，根据上述第二相关参数和转弯半径，确定上述半挂车辆内侧后轮中心线的运动半径和半挂车辆内侧前轮中心线的运动半径。最后，根据上述半挂车辆内侧后轮中心线的运动半径和半挂车辆内侧前轮中心线的运动半径，确定上述半挂车辆的第二内轮差面积。确定半挂车辆的第二通行防区。在这里，车辆转弯时前内轮和后内轮的运动轨迹并非理想条件下的匀速运动，得到半挂车辆的内轮差面积。由此，将道路特性与车辆内轮差关联起来，在非理想状态下，通过实时获取的转弯半径，对车辆转弯轨迹进行模拟，使得得到的内轮差面积更加接近真实场景下的车辆转弯形成的内轮差面积。
可选地，上述根据上述道路场景地面点云数据序列，确定当前场景下的车辆限制信息，可以包括以下步骤：
第一步，响应于确定上述道路场景地面点云数据序列为道路限高场景下的道路场景地面点云数据序列，确定上述道路限高场景下的障碍物为道路限高物体。
作为示例，首先，利用K均值聚类算法，对道路限高场景下的地面点云数据序列进行障碍物检测。然后，利用支持向量机分类器对障碍物进行分类，识别出道路限高场景下的限高物体。
第二步，确定上述道路限高物体的高度。
作为示例，上述执行主体可以首先，以探路车所在当前位置为原点，以探路车装载的激光雷达的射程为半径建立车辆坐标系。其次，通过激光雷达对障碍物进行扫描，得到障碍物与车辆行驶方向的垂直夹角角度。然后，利用三角函数关系，得到道路限高物体的高度。
第三步，将上述高度确定为上述道路限高场景下的车辆限制信息。
可选地，上述根据上述道路场景地面点云数据序列，确定当前场景下的车辆限制信息，可以包括以下步骤：
第一步，响应于确定上述道路场景地面点云数据序列为直行场景下的道路场景地面点云数据序列，确定探路车行驶道路的前方道路的第二道路宽度。
作为示例，上述执行主体可以通过探路车装载的激光雷达，获取探路车待行驶道路的第二道路宽度。
第二步，将上述第二道路宽度确定为上述直行场景下的车辆限制信息。
步骤105，将探路车中预先存储的车辆模型数据与当前场景下的车辆限制信息进行对比，得到对比结果。
在一些实施例中，上述执行主体可以将探路车中预先存储的车辆模型数据与当前场景下的车辆限制信息进行对比，得到对比结果。其中，上述车辆模型数据是不同型号的车辆的数据信息。数据信息可以是车辆的车身参数。例如，25吨厢式货车的数据信息：长度为9.6m，宽度为2.3m，高度为2.7m，实际载货重量为25吨每60立方米。对比结果可以包括：表征上述车辆模型数据大于当前场景下的地面点云数据序列、表征上述车辆模型数据等于当前场景下的地面点云数据序列、表征上述车辆模型数据小于当前场景下的地面点云数据序列。上述预先存储的车辆模型数据可以是符合国家标准要求的满载转态车辆尺寸，同时也包含特殊运输车辆满载状态的模型数据。上述当前场景可以是探路车遇到的道路限制区域的场景信息。例如，道路限制区域的场景信息为道路限速区域的场景信息。
步骤106，响应于确定对比结果为车辆模型数据大于或者等于当前场景下的车辆限制信息，触发预警操作，以及更换行驶车辆型号或者更换行驶路径。
在一些实施例中，上述执行主体可以响应于确定对比结果为车辆模型数据大于或者等于当前场景下的车辆限制信息，触发预警操作，以及更换行驶车辆型号或者更换行驶路径。其中，除预警操作外还包括：利用探路车装载的摄像机进行本地录像、本地记录日志、将对比结果上传车载交互终端和云端管理平台。上述行驶路径可以是预先确定了起点和终点的多条行驶路径。
步骤107，响应于确定对比结果为车辆模型数据小于当前场景下的车辆限制信息，控制车辆模型数据对应的车辆在当前场景下的预设行驶路径上行驶。
在一些实施例中，上述执行主体可以响应于确定对比结果为车辆模型数据小于当前场景下的车辆限制信息，控制车辆模型数据对应的车辆在当前场景下的预设行驶路径上行驶。其中，上述预设行驶路径为上述当前场景下的行驶路径。
在一些实施例的一些可选的实现方式中，上述方法还可以包括：
将上述当前场景下的车辆限制信息和对比结果发送至信息存储单元，以供信息存储单元进行存储。
可选地，上述方法还可以包括：
将上述当前场景下的车辆限制信息和对比结果发送至车载交互单元，以供车载交互单元周期性的将车辆限制信和对比结果发送至前端应用单元，其中，前端应用单元可以是供目标用户查看道路情况的点云图像和车辆的位置信息。目标用户可以是查看道路信息的用户。
本公开的上述各个实施例中具有如下有益效果：本公开的一些实施例的车辆控制方法可以高效的利用探路车装载的激光雷达采集的道路信息，提前规划好车辆的行驶路径，选择合适的车辆在合适的路径上行驶，从而降低运输成本，缩短运输时间。具体来说，造成相关的提醒不及时，延长运输时间的原因在于：在行驶过程中，只有行驶到道路限制区域才会发出警报信息，提醒驾驶员根据不同警报信息采取相对应的措施，从而导致提醒不及时，延长运输时间。基于此，本公开的一些实施例的车辆控制方法可以首先，获取主点云数据序列、盲区点云数据序列，其中，上述主点云数据序列是位于第一位置的第一激光雷达采集得到的点云数据序列，上述盲区点云数据序列是位于第二位置的第二激光雷达和位于第三位置的第三激光雷达采集得到的点云数据序列。在这里，获取的主点云数据序列和盲区点云数据序列用于后续抽取某一位置信息的点云数据子序列。其次，对主点云数据子序列和盲区点云数据子序列进行融合，以生成融合点云数据序列，其中，上述主点云数据子序列为针对目标位置信息的、上述主点云数据序列中的子序列，上述盲区点云数据子序列为针对目标位置信息的、上述盲区点云数据序列中的子序列。在这里，对主点云数据子序列和盲区点云数据子序列进行融合，得到当前位置的融合点云数据序列，提高了点云数据的准确性，使得点云数据更准确的反应当前场景下的道路情况。再次，对上述融合点云数据序列进行地面分割，得到道路场景地面点云数据序列。在这里，对融合点云数据序列进行地面分割，可以更好的区分地面障碍物，减少错误识别障碍物的错误率。接着，根据上述道路场景地面点云数据序列，确定当前场景下的车辆限制信息。在这里，获取不同道路场景下的车辆限制信息，用于后续与车辆模型数据进行对比。随后，将探路车中预先存储的车辆模型数据与上述当前场景下的车辆限制信息进行对比，得到对比结果，其中，上述车辆模型数据是不同型号的车辆的数据信息。在这里，得到的对比结果用于后续确定车辆的不同行驶方案。然后，响应于确定上述对比结果为上述车辆模型数据大于或者等于上述当前场景下的车辆限制信息，触发预警操作，以及更换行驶车辆型号或者更换行驶路径。最后，响应于确定上述对比结果为上述车辆模型数据小于上述当前场景下的车辆限制信息，控制上述车辆模型数据对应的车辆在上述当前场景下的预设行驶路径上行驶，其中，上述预设行驶路径为上述当前场景下的行驶路径。在这里，通过探路车获取的行驶路径的道路信息，可以提前预测车辆是否可以在行驶路径上继续行驶，还是更换路径，避免驾驶人员由于不清楚道路情况绕路行驶，或者发生道路事故。由此可得，该车辆控制方法实现了通过装备探测道路信息智能设备的探路车在行驶路径上进行行驶，收集行驶路径的道路信息，并与车辆的尺寸信息进行对比，在车辆行驶之前已经规划好行驶路径，选择合适的车辆在合适的路径上进行行驶，该车辆控制方法可以高效的利用探路车装载的激光雷达采集的道路信息，提前规划好车辆的行驶路径，从而降低运输成本，缩短运输时间。
进一步参考图3，作为对上述各图所示方法的实现，本公开提供了一种车辆控制装置的一些实施例，这些装置实施例与图1所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图3所示，一种车辆控制装置300包括：获取单元301、融合单元302、地面分割单元303、确定单元304、对比单元305、触发单元306和控制单元307。其中，获取单元301被配置成：获取主点云数据序列、盲区点云数据序列，其中，上述主点云数据序列是位于第一位置的第一激光雷达采集得到的点云数据序列，上述盲区点云数据序列是位于第二位置的第二激光雷达和位于第三位置的第三激光雷达采集得到的点云数据序列。融合单元302被配置成：对主点云数据子序列和盲区点云数据子序列进行融合，以生成融合点云数据序列，其中，上述主点云数据子序列为针对目标位置信息的、上述主点云数据序列中的子序列，上述盲区点云数据子序列为针对目标位置信息的、上述盲区点云数据序列中的子序列。地面分割单元303被配置成：对上述融合点云数据序列进行地面分割，得到道路场景地面点云数据序列。确定单元304被配置成：根据上述道路场景地面点云数据序列，确定当前场景下的车辆限制信息。对比单元305被配置成：将探路车中预先存储的车辆模型数据与上述当前场景下的车辆限制信息进行对比，得到对比结果，其中，上述车辆模型数据是不同型号的车辆的数据信息。触发单元306被配置成：响应于确定上述对比结果为上述车辆模型数据大于或者等于上述当前场景下的车辆限制信息，触发预警操作，以及更换行驶车辆型号或者更换行驶路径。控制单元307被配置成：响应于确定上述对比结果为上述车辆模型数据小于上述当前场景下的车辆限制信息，控制上述车辆模型数据对应的车辆在上述当前场景下的预设行驶路径上行驶，其中，上述预设行驶路径为上述当前场景下的行驶路径。
可以理解的是，车辆控制装置300中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置300及其中包含的单元，在此不再赘述。
下面参考图4，其示出了适于用来实现本公开的一些实施例的电子设备（例如，电子设备）400的结构示意图。图4示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图4所示，电子设备400可以包括处理装置（例如中央处理器、图形处理器等）401，其可以根据存储在只读存储器（ROM）402中的程序或者从存储装置408加载到随机访问存储器（RAM）403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出（I/O）接口405也连接至总线404。
通常，以下装置可以连接至I/O接口405：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备400，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图4中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置408被安装，或者从ROM 402被安装。在该计算机程序被处理装置401执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP（Hyper Text TransferProtocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“LAN”），广域网（“WAN”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取主点云数据序列、盲区点云数据序列，其中，上述主点云数据序列是位于第一位置的第一激光雷达采集得到的点云数据序列，上述盲区点云数据序列是位于第二位置的第二激光雷达和位于第三位置的第三激光雷达采集得到的点云数据序列；对主点云数据子序列和盲区点云数据子序列进行融合，以生成融合点云数据序列，其中，上述主点云数据子序列为针对目标位置信息的、上述主点云数据序列中的子序列，上述盲区点云数据子序列为针对目标位置信息的、上述盲区点云数据序列中的子序列；对上述融合点云数据序列进行地面分割，得到道路场景地面点云数据序列；根据上述道路场景地面点云数据序列，确定当前场景下的车辆限制信息；将探路车中预先存储的车辆模型数据与上述当前场景下的车辆限制信息进行对比，得到对比结果，其中，上述车辆模型数据是不同型号的车辆的数据信息；响应于确定上述对比结果为上述车辆模型数据大于或者等于上述当前场景下的车辆限制信息，触发预警操作，以及更换行驶车辆型号或者更换行驶路径；响应于确定上述对比结果为上述车辆模型数据小于上述当前场景下的车辆限制信息，控制上述车辆模型数据对应的车辆在上述当前场景下的预设行驶路径上行驶，其中，上述预设行驶路径为上述当前场景下的行驶路径。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（LAN）或广域网（WAN）——连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、融合单元、地面分割单元、确定单元、对比单元、触发单元和控制单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取主点云数据序列、盲区点云数据序列的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种车辆控制方法，包括：
获取主点云数据序列、盲区点云数据序列，其中，所述主点云数据序列是位于第一位置的第一激光雷达采集得到的点云数据序列，所述盲区点云数据序列是位于第二位置的第二激光雷达和位于第三位置的第三激光雷达采集得到的点云数据序列；
对主点云数据子序列和盲区点云数据子序列进行融合，以生成融合点云数据序列，其中，所述主点云数据子序列为针对目标位置信息的、所述主点云数据序列中的子序列，所述盲区点云数据子序列为针对目标位置信息的、所述盲区点云数据序列中的子序列；
对所述融合点云数据序列进行感兴趣区域划分，得到感兴趣区域点云数据序列；
对所述感兴趣区域点云数据序列进行体素化，以生成滤除干扰点后的感兴趣区域点云数据序列，得到第一感兴趣区域点云数据序列；
对所述第一感兴趣区域点云数据序列进行滤波处理，以生成滤除干扰点后的去除探路车点云数据后的第一感兴趣区域点云数据序列，得到第二感兴趣区域点云数据序列；
对所述第二感兴趣区域点云数据序列进行初次地面分割，得到第一地面点云数据序列；
对所述第一地面点云数据序列进行象限划分，以生成划分四个象限的第一地面点云数据子序列，得到四个第二地面点云数据序列；
对于所述四个第二地面点云数据序列中的每个第二地面点云数据序列进行区域划分，以生成多区域的第二地面点云数据子序列，得到多个第三地面点云数据序列；
对于所述多个第三地面点云数据序列中的每个第三地面点云数据序列进行二次地面分割，得到道路场景地面点云数据序列；
根据所述道路场景地面点云数据序列，确定当前场景下的车辆限制信息；
将探路车中预先存储的车辆模型数据与所述当前场景下的车辆限制信息进行对比，得到对比结果，其中，所述车辆模型数据是不同型号的车辆的数据信息；
响应于确定所述对比结果为所述车辆模型数据大于或者等于所述当前场景下的车辆限制信息，触发预警操作，以及更换行驶车辆型号或者更换行驶路径；
响应于确定所述对比结果为所述车辆模型数据小于所述当前场景下的车辆限制信息，控制所述车辆模型数据对应的车辆在所述当前场景下的预设行驶路径上行驶，其中，所述预设行驶路径为所述当前场景下的行驶路径。
2.根据权利要求1所述的方法，其中，所述根据所述道路场景地面点云数据序列，确定当前场景下的车辆限制信息，包括：
响应于确定所述道路场景地面点云数据序列为道路限宽场景下的道路场景地面点云数据序列，确定所述道路限宽场景下的障碍物集中的每个障碍物是否为静止物体，其中，所述障碍物为在所述道路限宽场景下的探路车行驶道路前方出现的物体；
响应于确定所述障碍物集中的第一障碍物为第三位置的目标静止物体，确定所述第一障碍物在车辆坐标系下的第一位置坐标，其中，所述第三位置的目标静止物体是位于道路左侧位置的左侧限宽墩；
响应于确定所述障碍物集中的第二障碍物为第四位置的目标静止物体，确定所述第二障碍物在车辆坐标系下的第二位置坐标，其中，所述第四位置的目标静止物体是位于道路右侧位置的右侧限宽墩；
确定所述第一障碍物的第一位置坐标与所述第二障碍物的第二位置坐标之间的距离，其中，所述第一障碍物在水平方向上的位置与所述第二障碍物在水平方向上的位置相同，在垂直方向上位于道路两侧；
将所述距离确定为所述道路限宽场景下的车辆限制信息。
3.根据权利要求2所述的方法，其中，所述响应于确定所述道路场景地面点云数据序列为道路限宽场景下的道路场景地面点云数据序列，确定所述道路限宽场景下的障碍物集中的每个障碍物是否为静止物体，包括：
获取位置信息序列；
对于所述障碍物集中的每个障碍物执行以下确定步骤：
根据针对第六位置信息的道路限宽场景信息，确定所述障碍物的第六位置坐标，其中，所述第六位置坐标是所述障碍物在所述目标车辆位于第六位置信息时的位置坐标；
根据针对第七位置信息的所述道路限宽场景信息，确定所述障碍物的第七位置坐标，其中，所述第七位置信息是所述目标车辆从所述第六位置信息以平均行驶速度行驶，经过第一时间到达的位置信息，所述第七位置坐标是所述障碍物在所述目标车辆位于第七位置信息时的位置坐标；
根据针对第五位置信息的所述道路限宽场景信息，确定所述障碍物的第五位置坐标，其中，所述第五位置信息是所述目标车辆从第七位置信息以平均行驶速度行驶、经过第二时间到达的位置信息，所述第五位置坐标是所述障碍物在所述目标车辆位于第五位置信息时的位置坐标；
根据所述第六位置坐标、所述第七位置坐标、所述第五位置坐标，确定所述障碍物是否为静止物体。
4.根据权利要求1所述的方法，其中，所述根据所述道路场景地面点云数据序列，确定当前场景下的车辆限制信息，包括：
响应于确定所述道路场景地面点云数据序列为车辆转弯场景下的道路场景地面点云数据序列，确定所述车辆的变换角度；
根据所述变换角度和预设变换角度，确定所述车辆是否进行转弯；
响应于确定转弯，根据转弯角度序列，确定所述车辆的通行防区，其中，所述转弯角度序列为表征所述车辆在转弯过程中的角度变换程度，所述通行防区为所述车辆进行转弯时产生的内轮差面积和所述车辆的面积之和；
确定车辆转弯后的待行驶道路的第一道路宽度；
将所述通行防区、所述第一道路宽度分别确定为所述车辆转弯场景下的车辆限制信息。
5.根据权利要求1所述的方法，其中，所述根据所述道路场景地面点云数据序列，确定当前场景下的车辆限制信息，包括：
响应于确定所述道路场景地面点云数据序列为道路限高场景下的道路场景地面点云数据序列，确定所述道路限高场景下的障碍物为道路限高物体；
确定所述道路限高物体的高度；
将所述高度确定为所述道路限高场景下的车辆限制信息。
6.根据权利要求1所述的方法，其中，所述根据所述道路场景地面点云数据序列，确定当前场景下的车辆限制信息，包括：
响应于确定所述道路场景地面点云数据序列为直行场景下的道路场景地面点云数据序列，确定探路车行驶道路的前方道路的第二道路宽度；
将所述第二道路宽度确定为所述直行场景下的车辆限制信息。
7.根据权利要求1所述的方法，其中，所述对主点云数据子序列和盲区点云数据子序列进行融合，以生成融合点云数据序列，包括：
对所述第一激光雷达、所述第二激光雷达和所述第三激光雷达进行时间轴同步，得到同一时钟源下的所述主点云数据子序列和所述盲区点云数据子序列；
响应于确定车辆处于静止状态，获取第一主点云数据子序列和第一盲区点云数据子序列，其中，所述第一主点云数据子序列为针对车辆静止状态下、所述同一时钟源下的主点云数据子序列中的子序列，所述第一盲区点云数据子序列为针对车辆静止状态下、所述同一时钟源下的盲区点云数据子序列中的子序列；
获取同一时刻下的所述第一主点云数据子序列和所述第一盲区点云数据子序列，作为第二主点云数据子序列和第二盲区点云数据子序列；
根据所述第二主点云数据子序列和所述第二盲区点云数据子序列，生成针对所述第一激光雷达和所述第二激光雷达之间的第一旋转矩阵、第一平移变换矩阵，针对所述第一激光雷达和所述第三激光雷达之间的第二旋转矩阵、第二平移变换矩阵；
将所述第二激光雷达和所述第三激光雷达的所述第二盲区点云数据子序列变换至第一激光雷达坐标系中，得到统一坐标系后的点云数据子序列；
对所述统一坐标系后的点云数据子序列进行滤波处理，得到所述融合点云数据序列。
8.一种车辆控制装置，包括：
获取单元，被配置成获取主点云数据序列、盲区点云数据序列，其中，所述主点云数据序列是位于第一位置的第一激光雷达采集得到的点云数据序列，所述盲区点云数据序列是位于第二位置的第二激光雷达和位于第三位置的第三激光雷达采集得到的点云数据序列；
融合单元，被配置成对主点云数据子序列和盲区点云数据子序列进行融合，以生成融合点云数据序列，其中，所述主点云数据子序列为针对目标位置信息的、所述主点云数据序列中的子序列，所述盲区点云数据子序列为针对目标位置信息的、所述盲区点云数据序列中的子序列；
感兴趣区域划分单元，被配置成对所述融合点云数据序列进行感兴趣区域划分，得到感兴趣区域点云数据序列；
体素化单元，被配置成对所述感兴趣区域点云数据序列进行体素化，以生成滤除干扰点后的感兴趣区域点云数据序列，得到第一感兴趣区域点云数据序列；
滤波处理单元，被配置成对所述第一感兴趣区域点云数据序列进行滤波处理，以生成滤除干扰点后的去除探路车点云数据后的第一感兴趣区域点云数据序列，得到第二感兴趣区域点云数据序列；
初次地面分割单元，被配置成对所述第二感兴趣区域点云数据序列进行初次地面分割，得到第一地面点云数据序列；
象限划分单元，被配置成对所述第一地面点云数据序列进行象限划分，以生成划分四个象限的第一地面点云数据子序列，得到四个第二地面点云数据序列；
区域划分单元，被配置成对于所述四个第二地面点云数据序列中的每个第二地面点云数据序列进行区域划分，以生成多区域的第二地面点云数据子序列，得到多个第三地面点云数据序列；
二次地面分割单元，被配置成对于所述多个第三地面点云数据序列中的每个第三地面点云数据序列进行二次地面分割，得到道路场景地面点云数据序列；
确定单元，被配置成根据所述道路场景地面点云数据序列，确定当前场景下的车辆限制信息；
对比单元，被配置成将探路车中预先存储的车辆模型数据与所述当前场景下的车辆限制信息进行对比，得到对比结果，其中，所述车辆模型数据是不同型号的车辆的数据信息；
触发单元，被配置成响应于确定所述对比结果为所述车辆模型数据大于或者等于所述当前场景下的车辆限制信息，触发预警操作，以及更换行驶车辆型号或者更换行驶路径；
控制单元，被配置成响应于确定所述对比结果为所述车辆模型数据小于所述当前场景下的车辆限制信息，控制所述车辆模型数据对应的车辆在所述当前场景下的预设行驶路径上行驶，其中，所述预设行驶路径为所述当前场景下的行驶路径。
9.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
CN202211290298.5A 2022-10-21 2022-10-21 车辆控制方法、装置、电子设备和计算机可读介质 Active CN115376365B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211290298.5A CN115376365B (zh) 2022-10-21 2022-10-21 车辆控制方法、装置、电子设备和计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211290298.5A CN115376365B (zh) 2022-10-21 2022-10-21 车辆控制方法、装置、电子设备和计算机可读介质

Publications (2)

Publication Number Publication Date
CN115376365A CN115376365A (zh) 2022-11-22
CN115376365B true CN115376365B (zh) 2023-01-13

Family

ID=84074357

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211290298.5A Active CN115376365B (zh) 2022-10-21 2022-10-21 车辆控制方法、装置、电子设备和计算机可读介质

Country Status (1)

Country Link
CN (1) CN115376365B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105644423A (zh) * 2016-02-25 2016-06-08 福鼎市卡夫卡机械部件有限公司 轮差提醒方法和系统
CN109506667A (zh) * 2018-11-28 2019-03-22 上海智能交通有限公司 一种用于重载大型车辆的智能出行的信息交互方法
CN110781827A (zh) * 2019-10-25 2020-02-11 中山大学 一种基于激光雷达与扇状空间分割的路沿检测系统及其方法
WO2020216316A1 (zh) * 2019-04-26 2020-10-29 纵目科技（上海）股份有限公司 基于毫米波雷达的辅助驾驶系统、方法、终端和介质
WO2021168845A1 (zh) * 2020-02-28 2021-09-02 华为技术有限公司 导航方法及装置
CN114037969A (zh) * 2021-11-09 2022-02-11 荆州智达电动汽车有限公司 基于雷达点云和图像融合的自动驾驶车道信息检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110148144B (zh) * 2018-08-27 2024-02-13 腾讯大地通途（北京）科技有限公司 点云数据的分割方法和装置、存储介质、电子装置
US11244193B2 (en) * 2019-08-07 2022-02-08 Here Global B.V. Method, apparatus and computer program product for three dimensional feature extraction from a point cloud

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105644423A (zh) * 2016-02-25 2016-06-08 福鼎市卡夫卡机械部件有限公司 轮差提醒方法和系统
CN109506667A (zh) * 2018-11-28 2019-03-22 上海智能交通有限公司 一种用于重载大型车辆的智能出行的信息交互方法
WO2020216316A1 (zh) * 2019-04-26 2020-10-29 纵目科技（上海）股份有限公司 基于毫米波雷达的辅助驾驶系统、方法、终端和介质
CN110781827A (zh) * 2019-10-25 2020-02-11 中山大学 一种基于激光雷达与扇状空间分割的路沿检测系统及其方法
WO2021168845A1 (zh) * 2020-02-28 2021-09-02 华为技术有限公司 导航方法及装置
CN114037969A (zh) * 2021-11-09 2022-02-11 荆州智达电动汽车有限公司 基于雷达点云和图像融合的自动驾驶车道信息检测方法

Also Published As

Publication number Publication date
CN115376365A (zh) 2022-11-22

Similar Documents

Publication Publication Date Title
US11741627B2 (en) Determining road location of a target vehicle based on tracked trajectory
US20220397402A1 (en) Systems and methods for determining road safety
US11814079B2 (en) Systems and methods for identifying potential communication impediments
EP3972882B1 (en) Systems and methods for predicting blind spot incursions
US20230382422A1 (en) Systems and methods for vehicle navigation
US10558222B2 (en) Navigating a vehicle using a crowdsourced sparse map
US20220001872A1 (en) Semantic lane description
US10248124B2 (en) Localizing vehicle navigation using lane measurements
US20220082403A1 (en) Lane mapping and navigation
EP3843002A1 (en) Crowdsourcing and distributing a sparse map, and lane measurements for autonomous vehicle navigation
US20220027642A1 (en) Full image detection
US20230175852A1 (en) Navigation systems and methods for determining object dimensions
US11680801B2 (en) Navigation based on partially occluded pedestrians
US20210389133A1 (en) Systems and methods for deriving path-prior data using collected trajectories
US20220136853A1 (en) Reducing stored parameters for a navigation system
US20220371583A1 (en) Systems and Methods for Selectively Decelerating a Vehicle
WO2022149046A1 (en) Systems and methods for monitoring lane mark quality
US20230341239A1 (en) Systems and methods for road segment mapping
CN115376365B (zh) 车辆控制方法、装置、电子设备和计算机可读介质
CN114216469B (zh) 一种对高精地图进行更新的方法、智慧基站及存储介质
US20230195506A1 (en) Systems and methods for processing atomic commands
WO2024086778A1 (en) Graph neural networks for parsing roads
WO2023067385A2 (en) Radar-camera fusion for vehicle navigation

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
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: No.3-8-132, 1st floor, building 3, Fuqian street, Huairou District, Beijing

Patentee after: Beijing Defeng Xinzheng Technology Co.,Ltd.

Address before: No.3-8-132, 1st floor, building 3, Fuqian street, Huairou District, Beijing

Patentee before: Beijing Defeng new journey Technology Co.,Ltd.