CN115494504A - 车辆的停车位检测方法、装置、车辆及存储介质 - Google Patents
车辆的停车位检测方法、装置、车辆及存储介质 Download PDFInfo
- Publication number
- CN115494504A CN115494504A CN202211045372.7A CN202211045372A CN115494504A CN 115494504 A CN115494504 A CN 115494504A CN 202211045372 A CN202211045372 A CN 202211045372A CN 115494504 A CN115494504 A CN 115494504A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- clustered
- parking space
- point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/931—Radar or analogous 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
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/28—Details of pulse systems
- G01S7/285—Receivers
- G01S7/292—Extracting wanted echo-signals
-
- 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
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/415—Identification of targets based on measurements of movement associated with the target
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Electromagnetism (AREA)
- Multimedia (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请涉及一种车辆的停车位检测方法、装置、车辆及存储介质,其中,方法包括:采集车辆的4D毫米波雷达点云数据;将4D毫米波雷达点云数据在预设三维空间上进行聚类,得到聚类点云数据,并基于聚类点云数据生成栅格地图;在栅格地图中,确定车道两侧的至少一个停车位。本申请实施例可以基于聚类算法过滤环境中的杂点,并利用4D毫米波雷达点云数据,从而提高检测精度,降低环境对检测结果的影响,可靠性高且计算量小,便于推广应用。
Description
技术领域
本申请涉及车辆行驶中的障碍物检测技术领域,特别涉及一种车辆的停车位检测方法、装置、车辆及存储介质。
背景技术
智能三电(电池、电机、电控)、智能座舱、自动驾驶已代表未来汽车的发展趋势,无人驾驶的软件系统一般会被定义为六大模块:感知、预测、高精度地图、定位、决策规划、控制,而感知模块功能通常指的是障碍物和交通灯识别。
相关技术中,可以通过摄像头、激光雷达、超声波雷达等作为主传感器,实现环境感知,其中,摄像头成本低廉,具备目标检测和分类优势,被广泛应用于ADAS(AdvancedDriver Assistance System,高级辅助驾驶系统)自动驾驶系统,但由于其对光线的变化敏感,并且依赖于深度学习网络模型和训练数据集,存在失效的可能;激光雷达做为主动传感器,具有精度高,三维感知能力强等优点,但其成本高昂,易受到天气的影响;超声波为传感器探测车位,具有探测距离近,精度差,容易受环境温度湿度的影响等问题,不利于准确获取车位信息。
综上所述,相关技术存在成本与检测精度难以平衡,且受环境影响较大的问题,有待改进。
发明内容
本申请提供一种车辆的停车位检测方法、装置、车辆及存储介质,以解决相关技术中,成本与检测精度难以平衡,且受环境影响较大的技术问题。
本申请第一方面实施例提供一种车辆的停车位检测方法,包括以下步骤:采集车辆的4D毫米波雷达点云数据;将所述4D毫米波雷达点云数据在预设三维空间上进行聚类,得到聚类点云数据,并基于所述聚类点云数据生成栅格地图;以及在所述栅格地图中,确定车道两侧的至少一个停车位。
根据上述技术手段,本申请实施例可以基于聚类算法过滤环境中的杂点,并利用4D毫米波雷达点云数据,从而提高检测精度,降低环境对检测结果的影响,可靠性高且计算量小,便于推广应用。
可选地,在本申请的一个实施例中,所述将所述4D毫米波雷达点云数据在预设三维空间上进行聚类,得到聚类点云数据,包括:将所述4D毫米波雷达点云数据存储至预设对象容器中;基于所述预设对象容器中点云数据,设置聚类参数,对所述点云数据中的每一个点进行遍历访问,生成聚类成功的至少一个点云簇;计算每个点云簇的平均Z坐标,得到所述聚类点云数据。
根据上述技术手段,本申请实施例可以将4D毫米波雷达点云数据在预设三维空间上进行聚类,得到聚类点云数据,以便后续经过聚类算法区分障碍物反射电晕和杂点,从而提高检测精度。
可选地,在本申请的一个实施例中,在得到所述聚类点云数据之后,还包括:对所述聚类点云数据进行后处理,删除未聚类成功的点和高度值小于预设高度值的点,得到最终的聚类点云数据。
根据上述技术手段,本申请实施例可以对聚类点云数据进行后处理,从而有效过滤环境中的杂点。
可选地,在本申请的一个实施例中,所述基于所述聚类点云数据生成栅格地图,包括:将所述聚类点云数据降维投影至XY坐标平面的栅格地图;基于所述栅格地图的预设分辨参数,遍历点云数据,计算每个点坐标位于所述栅格地图的下标,确定每个栅格的坐标值,得到所述栅格地图。
根据上述技术手段,本申请实施例可以基于聚类点云数据生成栅格地图,降低环境对检测结果的影响,从而提高检测精度。
可选地,在本申请的一个实施例中,所述确定车道两侧的至少一个停车位,包括:根据车道线或预测的自车行进轨迹划分左侧停车区域和右侧停车区域;沿着车道线方向,每隔一预设距离取所述车道线上的至少一点;在所述栅格地图中,计算距离所述车道线上的所述至少一点距离最近的占据栅格,并将所述占据栅格的坐标点按顺序存入数组中;遍历所述数组,分别计算相邻两点之间的斜率,其中,所述斜率小于第一预设阈值的点标记为下降沿,所述斜率大于第二预设阈值的点标记为上升沿,以基于所述下降沿和所述上升沿之间的区域确定潜在停车位;计算所述下降沿和所述上升沿之间的距离,其中,如果所述距离大于预设车位宽度阈值,则所述潜在停车位检测成功,输出所述潜在停车位的两个角点参数。
根据上述技术手段,本申请实施例可以基于栅格地图,计算确定车道两侧的停车位,鲁棒性较高,且计算量娇小。
本申请第二方面实施例提供一种车辆的停车位检测装置,包括:采集模块,用于采集车辆的4D毫米波雷达点云数据;生成模块,用于将所述4D毫米波雷达点云数据在预设三维空间上进行聚类,得到聚类点云数据,并基于所述聚类点云数据生成栅格地图;以及检测模块,用于在所述栅格地图中,确定车道两侧的至少一个停车位。
可选地,在本申请的一个实施例中,所述生成模块包括:存储单元,用于将所述4D毫米波雷达点云数据存储至预设对象容器中;生成单元,用于基于所述预设对象容器中点云数据,设置聚类参数,对所述点云数据中的每一个点进行遍历访问,生成聚类成功的至少一个点云簇;第一计算单元,用于计算每个点云簇的平均Z坐标,得到所述聚类点云数据。
可选地,在本申请的一个实施例中,还包括:处理模块,用于对所述聚类点云数据进行后处理,删除未聚类成功的点和高度值小于预设高度值的点,得到最终的聚类点云数据。
可选地,在本申请的一个实施例中,所述生成模块包括:投影单元,用于将所述聚类点云数据降维投影至XY坐标平面的栅格地图;第二计算单元,用于基于所述栅格地图的预设分辨参数,遍历点云数据,计算每个点坐标位于所述栅格地图的下标,确定每个栅格的坐标值,得到所述栅格地图。
可选地,在本申请的一个实施例中,所述检测模块包括:划分单元,用于根据车道线或预测的自车行进轨迹划分左侧停车区域和右侧停车区域;取点单元,用于沿着车道线方向,每隔一预设距离取所述车道线上的至少一点;第三计算单元,用于在所述栅格地图中,计算距离所述车道线上的所述至少一点距离最近的占据栅格,并将所述占据栅格的坐标点按顺序存入数组中;第四计算单元,用于遍历所述数组,分别计算相邻两点之间的斜率,其中,所述斜率小于第一预设阈值的点标记为下降沿,所述斜率大于第二预设阈值的点标记为上升沿,以基于所述下降沿和所述上升沿之间的区域确定潜在停车位;第五计算单元,用于计算所述下降沿和所述上升沿之间的距离,其中,如果所述距离大于预设车位宽度阈值,则所述潜在停车位检测成功,输出所述潜在停车位的两个角点参数。
本申请第三方面实施例提供一种车辆,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序,以实现如上述实施例所述的车辆的停车位检测方法。
本申请第四方面实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储计算机程序,该程序被处理器执行时实现如上的车辆的停车位检测方法。
本申请实施例的有益效果:
(1)本申请实施例可以通过聚类算法,检测出物体,并计算其高度,将障碍物反射的点云和杂点区分出来,从而删除掉杂点和虚假点,能有效过滤环境中的杂点;
(2)本申请实施例可以充分利用4D毫米波雷达点云数据,从而提高检测精度和障碍物边界点云的覆盖率;
(3)本申请实施例鲁棒性高,可靠性高,计算量较小,便于推广应用。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本申请实施例提供的一种车辆的停车位检测方法的流程图;
图2为根据本申请一个实施例的车辆的停车位检测方法的流程图;
图3为根据本申请实施例提供的一种车辆的停车位检测装置的结构示意图;
图4为根据本申请实施例提供的车辆的结构示意图。
其中,10-车辆的停车位检测装置;100-采集模块、200-生成模块、300-检测模块。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终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。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的车辆的停车位检测方法、装置、车辆及存储介质。针对上述背景技术中心提到的相关技术中,成本与检测精度难以平衡,且受环境影响较大的技术问题,本申请提供了一种车辆的停车位检测方法,在该方法中,可以基于车辆的4D毫米波雷达点云数据,在预设三维空间上进行聚类,得到聚类点云数据,并生成栅格地图,进而确定车道两侧的至少一个停车位,可以基于聚类算法过滤环境中的杂点,并利用4D毫米波雷达点云数据,从而提高检测精度,降低环境对检测结果的影响,可靠性高且计算量小,便于推广应用。由此,解决了相关技术中,成本与检测精度难以平衡,且受环境影响较大的技术问题。
具体而言,图1为本申请实施例所提供的一种车辆的停车位检测方法的流程示意图。
如图1所示,该车辆的停车位检测方法包括以下步骤:
在步骤S101中,采集车辆的4D毫米波雷达点云数据。
在实际执行过程中,本申请实施例可以通过以太网获取4D毫米波雷达点云数据,以为后续聚类算法的实施奠定数据基础。
其中,在对雷达点云的相关处理时,本申请实施例可以根据内设的处理程序要求,先对4D毫米波雷达获取的一帧数据进行物理值转换,根据车辆坐标系定义和三角函数关系,把距离、方位角和俯仰角值转换为X、Y、Z坐标,然后再把坐标值转换到车辆坐标系下,存储在全局变量中。
在步骤S102中,将4D毫米波雷达点云数据在预设三维空间上进行聚类,得到聚类点云数据,并基于聚类点云数据生成栅格地图。
作为一种可能实现的方式,本申请实施例可以先对采集的4D毫米波雷达点云数据进行预处理,根据信噪比和高度值滤除杂点,以提高点云质量,从而将预处理后的点云数据在预设三维空间上进行聚类,得到聚类点云数据,以从点云数据中识别出障碍物,并基于聚类后点云栅格化处理算法生成栅格地图。
可选地,在本申请的一个实施例中,将4D毫米波雷达点云数据在预设三维空间上进行聚类,得到聚类点云数据,包括:将4D毫米波雷达点云数据存储至预设对象容器中;基于预设对象容器中点云数据,设置聚类参数,对点云数据中的每一个点进行遍历访问,生成聚类成功的至少一个点云簇;计算每个点云簇的平均Z坐标,得到聚类点云数据。
具体而言,本申请实施例在获得聚类点云数据时,可以包括以下步骤:
1)本申请实施例可以初始化一个点的对象容器,并将点云数据存储到该容器中,其中,点的对象可以包含以下成员变量:坐标X/Y/Z、编号ID、是否已访问标志Visited、簇ClusterID、是否核心点标志IsKey、邻域点列表。
2)本申请实施例可以设置聚类参数,包括邻域半径R、邻域最小数据个数MinPts和数据维度Dimension三个参数。
3)本申请实施例可以从点云数据中任意选取一个点,将该点Visited属性标记为已访问,计算该点的邻域半径R内点的个数PtsNum,如果点的个数PtsNum大于设置的阈值MinPts,则将该点的IsKey属性标记为核心点,并且分配一个簇ClusterID;同时遍历该点邻域半径R内所有点进行以下操作,将点Visited属性标记为已访问,分配同样的簇ClusterID,并且对这些点重复进行步骤2)、3)的操作,直到遍历访问点云数据中所有的点之后结束。
4)本申请实施例可以对于聚类成功的点云簇,计算出每个点云簇的平均Z坐标,并存储到变量ClassZInfo中。
可选地,在本申请的一个实施例中,在得到聚类点云数据之后,还包括:对聚类点云数据进行后处理,删除未聚类成功的点和高度值小于预设高度值的点,得到最终的聚类点云数据。
在实际执行过程中,本申请实施例可以在得到聚类点云数据后,对聚类点云数据进行后处理,从点云数据中删除未聚类成功的杂点和高度值小于预设高度值的点,从而得到最终的将障碍物反射的点云和杂点区分出来,删除掉杂点和虚假点,有效过滤环境中杂点的聚类点云数据。
需要注意的是,预设高度值可以由本领域技术人员根据实际情况进行相应设置,在此不做具体限制。
可选地,在本申请的一个实施例中,基于聚类点云数据生成栅格地图,包括:将聚类点云数据降维投影至XY坐标平面的栅格地图;基于栅格地图的预设分辨参数,遍历点云数据,计算每个点坐标位于栅格地图的下标,确定每个栅格的坐标值,得到栅格地图。
在一些实施例中,本申请实施例可以基于聚类后点云栅格化处理算法,生成栅格地图,包括如下步骤:
1)本申请实施例可以将聚类后的三维点云降维投影到XY坐标平面的栅格地图。
2)本申请实施例可以设置栅格地图分辨率参数ResolutionXY=0.02m。
3)本申请实施例可以遍历点云数据,计算每个点坐标位于栅格地图的下标Index。
4)本申请实施例可以每个栅格中如果含有不止一个点,则计算多个点的坐标均值来代表该栅格的坐标值。
5)本申请实施例可以标记栅格地图中每个栅格的占据状态为Occupy或Free,如果栅格中存在一个以上的点,则标记为占据Occupy,否则标记为空闲Free。
在步骤S103中,在栅格地图中,确定车道两侧的至少一个停车位。
作为一种可能实现的方式,本申请实施例可以在生成的栅格地图中,基于栅格的占用状态,确定车道两侧的停车位,以实现车辆停车位的检测。
可选地,在本申请的一个实施例中,确定车道两侧的至少一个停车位,包括:根据车道线或预测的自车行进轨迹划分左侧停车区域和右侧停车区域;沿着车道线方向,每隔一预设距离取车道线上的至少一点;在栅格地图中,计算距离车道线上的至少一点距离最近的占据栅格,并将占据栅格的坐标点按顺序存入数组中;遍历数组,分别计算相邻两点之间的斜率,其中,斜率小于第一预设阈值的点标记为下降沿,斜率大于第二预设阈值的点标记为上升沿,以基于下降沿和上升沿之间的区域确定潜在停车位;计算下降沿和上升沿之间的距离,其中,如果距离大于预设车位宽度阈值,则潜在停车位检测成功,输出潜在停车位的两个角点参数。
具体而言,本申请实施例基于占据栅格地图的车位检测算法,确定车道两侧的至少一个停车位,可以包括如下步骤:
1)本申请实施例可以根据车道线或预测的自车行进轨迹划分左右两侧停车区域Left_Parking_Lot和Right_Parking_Lot。
2)本申请实施例可以沿着车道线方向,每隔一定距离步长Interval=0.02m,取车道线上的点为A1(X1,Y1)、A2(X2,Y2)等。
3)本申请实施例可以在栅格地图中,计算距离车道线上的A点距离最近的占据栅格,并将该栅格坐标点按顺序存入数组PointArray中。
4)本申请实施例可以遍历数组PointArray,分别计算相邻两点之间的斜率,斜率小于阈值K1_Th=-10的点标记为下降沿Dn_Point,斜率大于阈值K2_Th=10的点标记为上升沿Up_Point。下降沿Dn_Point和上升沿Up_Point之间的区域则为潜在停车位。
5)本申请实施例可以计算下降沿Dn_Point和上升沿Up_Point之间的距离Dis,如果该距离Dis大于车位宽度阈值SlotLengthTh=2.7m,则该车位检测成功,输出该车位两个角点参数Dn_Point和Up_Point。
综上所述,本申请实施例可以通过聚类算法,检测出物体,并计算其高度,将障碍物反射的点云和杂点区分出来,从而删除掉杂点和虚假点,从而有效过滤环境中大部分的杂点,从而准确识别出物体表面轮廓所反射的点云,为寻找和计算车位提供准确的数据。
结合图2所示,以一个实施例对本申请实施例的车辆的停车位检测方法的工作原理进行详细阐述。
如图2所示,本申请实施例可以包括以下步骤:
步骤S201:获取4D毫米波雷达点云数据。本申请实施例可以通过以太网获取4D毫米波雷达点云数据,其中,在对雷达点云的相关处理时,根据内设的处理程序要求,本申请实施例可以先对4D毫米波雷达获取的一帧数据进行物理值转换,根据车辆坐标系定义和三角函数关系,把距离、方位角和俯仰角值转换为X、Y、Z坐标,然后再把坐标值转换到车辆坐标系下,存储在全局变量中。
步骤S202:点云数据预处理。本申请实施例可以根据信噪比和高度值滤除杂点,以提高点云的质量。
步骤S203:点云数据三维空间聚类。本申请实施例可以对点云数据在三维空间上进行聚类,从点云数据中识别出障碍物,具体过程可以包括以下步骤:
1)本申请实施例可以初始化一个点的对象容器,并将点云数据存储到该容器中,其中,点的对象可以包含以下成员变量:坐标X/Y/Z、编号ID、是否已访问标志Visited、簇ClusterID、是否核心点标志IsKey、邻域点列表。
2)本申请实施例可以设置聚类参数,包括邻域半径R、邻域最小数据个数MinPts和数据维度Dimension三个参数。
3)本申请实施例可以从点云数据中任意选取一个点,将该点Visited属性标记为已访问,计算该点的邻域半径R内点的个数PtsNum,如果点的个数PtsNum大于设置的阈值MinPts,则将该点的IsKey属性标记为核心点,并且分配一个簇ClusterID;同时遍历该点邻域半径R内所有点进行以下操作,将点Visited属性标记为已访问,分配同样的簇ClusterID,并且对这些点重复进行步骤2)、3)的操作,直到遍历访问点云数据中所有的点之后结束。
4)本申请实施例可以对于聚类成功的点云簇,计算出每个点云簇的平均Z坐标,并存储到变量ClassZInfo中。
步骤S204:聚类后点云数据后处理。本申请实施例可以从点云数据中删除未聚类成功的杂点和高度值不满足阈值的聚类点。
步骤S205:点云栅格化处理,生成栅格地图。本申请实施例可以基于聚类后点云栅格化处理算法,具体过程可以包括以下步骤:
1)本申请实施例可以将聚类后的三维点云降维投影到XY坐标平面的栅格地图。
2)本申请实施例可以设置栅格地图分辨率参数ResolutionXY=0.02m。
3)本申请实施例可以遍历点云数据,计算每个点坐标位于栅格地图的下标Index。
4)本申请实施例可以每个栅格中如果含有不止一个点,则计算多个点的坐标均值来代表该栅格的坐标值。
5)本申请实施例可以标记栅格地图中每个栅格的占据状态为Occupy或Free,如果栅格中存在一个以上的点,则标记为占据Occupy,否则标记为空闲Free。
步骤S206:斜率突变法检测停车位。本申请实施例可以基于占据栅格地图的车位检测算法,进行停车位检测,具体过程可以包括以下步骤:
1)本申请实施例可以根据车道线或预测的自车行进轨迹划分左右两侧停车区域Left_Parking_Lot和Right_Parking_Lot。
2)本申请实施例可以沿着车道线方向,每隔一定距离步长Interval=0.02m,取车道线上的点为A1(X1,Y1)、A2(X2,Y2)等。
3)本申请实施例可以在栅格地图中,计算距离车道线上的A点距离最近的占据栅格,并将该栅格坐标点按顺序存入数组PointArray中。
4)本申请实施例可以遍历数组PointArray,分别计算相邻两点之间的斜率,斜率小于阈值K1_Th=-10的点标记为下降沿Dn_Point,斜率大于阈值K2_Th=10的点标记为上升沿Up_Point。下降沿Dn_Point和上升沿Up_Point之间的区域则为潜在停车位。
5)本申请实施例可以计算下降沿Dn_Point和上升沿Up_Point之间的距离Dis,如果该距离Dis大于车位宽度阈值SlotLengthTh=2.7m,则该车位检测成功,输出该车位两个角点参数Dn_Point和Up_Point。
根据本申请实施例提出的车辆的停车位检测方法,可以基于车辆的4D毫米波雷达点云数据,在预设三维空间上进行聚类,得到聚类点云数据,并生成栅格地图,进而确定车道两侧的至少一个停车位,可以基于聚类算法过滤环境中的杂点,并利用4D毫米波雷达点云数据,从而提高检测精度,降低环境对检测结果的影响,可靠性高且计算量小,便于推广应用。由此,解决了相关技术中,成本与检测精度难以平衡,且受环境影响较大的技术问题。
其次参照附图描述根据本申请实施例提出的车辆的停车位检测装置。
图3是本申请实施例的车辆的停车位检测装置的方框示意图。
如图3所示,该车辆的停车位检测装置10包括:采集模块100、生成模块200和检测模块300。
具体地,采集模块100,用于采集车辆的4D毫米波雷达点云数据。
生成模块200,用于将4D毫米波雷达点云数据在预设三维空间上进行聚类,得到聚类点云数据,并基于聚类点云数据生成栅格地图。
检测模块300,用于在栅格地图中,确定车道两侧的至少一个停车位。
可选地,在本申请的一个实施例中,生成模块200包括:存储单元、生成单元和第一计算单元。
其中,存储单元,用于将4D毫米波雷达点云数据存储至预设对象容器中。
生成单元,用于基于预设对象容器中点云数据,设置聚类参数,对点云数据中的每一个点进行遍历访问,生成聚类成功的至少一个点云簇。
第一计算单元,用于计算每个点云簇的平均Z坐标,得到聚类点云数据。
可选地,在本申请的一个实施例中,车辆的停车位检测装置10还包括:处理模块。
其中,处理模块,用于对聚类点云数据进行后处理,删除未聚类成功的点和高度值小于预设高度值的点,得到最终的聚类点云数据。
可选地,在本申请的一个实施例中,生成模块200包括:投影单元和第二计算单元。
其中,投影单元,用于将聚类点云数据降维投影至XY坐标平面的栅格地图。
第二计算单元,用于基于栅格地图的预设分辨参数,遍历点云数据,计算每个点坐标位于栅格地图的下标,确定每个栅格的坐标值,得到栅格地图。
可选地,在本申请的一个实施例中,检测模块300包括:划分单元、取点单元、第三计算单元、第四计算单元和第五计算单元。
气质,划分单元,用于根据车道线或预测的自车行进轨迹划分左侧停车区域和右侧停车区域。
取点单元,用于沿着车道线方向,每隔一预设距离取车道线上的至少一点。
第三计算单元,用于在栅格地图中,计算距离车道线上的至少一点距离最近的占据栅格,并将占据栅格的坐标点按顺序存入数组中。
第四计算单元,用于遍历数组,分别计算相邻两点之间的斜率,其中,斜率小于第一预设阈值的点标记为下降沿,斜率大于第二预设阈值的点标记为上升沿,以基于下降沿和上升沿之间的区域确定潜在停车位。
第五计算单元,用于计算下降沿和上升沿之间的距离,其中,如果距离大于预设车位宽度阈值,则潜在停车位检测成功,输出潜在停车位的两个角点参数。
需要说明的是,前述对车辆的停车位检测方法实施例的解释说明也适用于该实施例的车辆的停车位检测装置,此处不再赘述。
根据本申请实施例提出的车辆的停车位检测装置,可以基于车辆的4D毫米波雷达点云数据,在预设三维空间上进行聚类,得到聚类点云数据,并生成栅格地图,进而确定车道两侧的至少一个停车位,可以基于聚类算法过滤环境中的杂点,并利用4D毫米波雷达点云数据,从而提高检测精度,降低环境对检测结果的影响,可靠性高且计算量小,便于推广应用。由此,解决了相关技术中,成本与检测精度难以平衡,且受环境影响较大的技术问题。
图4为本申请实施例提供的车辆的结构示意图。该车辆可以包括:
存储器401、处理器402及存储在存储器401上并可在处理器402上运行的计算机程序。
处理器402执行程序时实现上述实施例中提供的车辆的停车位检测方法。
进一步地,车辆还包括:
通信接口403,用于存储器401和处理器402之间的通信。
存储器401,用于存放可在处理器402上运行的计算机程序。
存储器401可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
如果存储器401、处理器402和通信接口403独立实现,则通信接口403、存储器401和处理器402可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture,简称为ISA)总线、外部设备互连(PeripheralComponent,简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture,简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
可选地,在具体实现上,如果存储器401、处理器402及通信接口403,集成在一块芯片上实现,则存储器401、处理器402及通信接口403可以通过内部接口完成相互间的通信。
处理器402可能是一个中央处理器(Central Processing Unit,简称为CPU),或者是特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者是被配置成实施本申请实施例的一个或多个集成电路。
本实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上的车辆的停车位检测方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“N个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或N个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种车辆的停车位检测方法,其特征在于,包括以下步骤:
采集车辆的4D毫米波雷达点云数据;
将所述4D毫米波雷达点云数据在预设三维空间上进行聚类,得到聚类点云数据,并基于所述聚类点云数据生成栅格地图;以及
在所述栅格地图中,确定车道两侧的至少一个停车位。
2.根据权利要求1所述的方法,其特征在于,所述将所述4D毫米波雷达点云数据在预设三维空间上进行聚类,得到聚类点云数据,包括:
将所述4D毫米波雷达点云数据存储至预设对象容器中;
基于所述预设对象容器中点云数据,设置聚类参数,对所述点云数据中的每一个点进行遍历访问,生成聚类成功的至少一个点云簇;
计算每个点云簇的平均Z坐标,得到所述聚类点云数据。
3.根据权利要求2所述的方法,其特征在于,在得到所述聚类点云数据之后,还包括:
对所述聚类点云数据进行后处理,删除未聚类成功的点和高度值小于预设高度值的点,得到最终的聚类点云数据。
4.根据权利要求1所述的方法,其特征在于,所述基于所述聚类点云数据生成栅格地图,包括:
将所述聚类点云数据降维投影至XY坐标平面的栅格地图;
基于所述栅格地图的预设分辨参数,遍历点云数据,计算每个点坐标位于所述栅格地图的下标,确定每个栅格的坐标值,得到所述栅格地图。
5.根据权利要求1所述的方法,其特征在于,所述确定车道两侧的至少一个停车位,包括:
根据车道线或预测的自车行进轨迹划分左侧停车区域和右侧停车区域;
沿着车道线方向,每隔一预设距离取所述车道线上的至少一点;
在所述栅格地图中,计算距离所述车道线上的所述至少一点距离最近的占据栅格,并将所述占据栅格的坐标点按顺序存入数组中;
遍历所述数组,分别计算相邻两点之间的斜率,其中,所述斜率小于第一预设阈值的点标记为下降沿,所述斜率大于第二预设阈值的点标记为上升沿,以基于所述下降沿和所述上升沿之间的区域确定潜在停车位;
计算所述下降沿和所述上升沿之间的距离,其中,如果所述距离大于预设车位宽度阈值,则所述潜在停车位检测成功,输出所述潜在停车位的两个角点参数。
6.一种车辆的停车位检测装置,其特征在于,包括:
采集模块,用于采集车辆的4D毫米波雷达点云数据;
生成模块,用于将所述4D毫米波雷达点云数据在预设三维空间上进行聚类,得到聚类点云数据,并基于所述聚类点云数据生成栅格地图;以及
检测模块,用于在所述栅格地图中,确定车道两侧的至少一个停车位。
7.根据权利要求6所述的装置,其特征在于,所述生成模块包括:
存储单元,用于将所述4D毫米波雷达点云数据存储至预设对象容器中;
生成单元,用于基于所述预设对象容器中点云数据,设置聚类参数,对所述点云数据中的每一个点进行遍历访问,生成聚类成功的至少一个点云簇;
计算单元,用于计算每个点云簇的平均Z坐标,得到所述聚类点云数据。
8.根据权利要求7所述的装置,其特征在于,还包括:
处理模块,用于对所述聚类点云数据进行后处理,删除未聚类成功的点和高度值小于预设高度值的点,得到最终的聚类点云数据。
9.一种车辆,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序,以实现如权利要求1-5任一项所述的车辆的停车位检测方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行,以用于实现如权利要求1-5任一项所述的车辆的停车位检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211045372.7A CN115494504A (zh) | 2022-08-30 | 2022-08-30 | 车辆的停车位检测方法、装置、车辆及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211045372.7A CN115494504A (zh) | 2022-08-30 | 2022-08-30 | 车辆的停车位检测方法、装置、车辆及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115494504A true CN115494504A (zh) | 2022-12-20 |
Family
ID=84467136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211045372.7A Pending CN115494504A (zh) | 2022-08-30 | 2022-08-30 | 车辆的停车位检测方法、装置、车辆及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115494504A (zh) |
-
2022
- 2022-08-30 CN CN202211045372.7A patent/CN115494504A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109284348B (zh) | 一种电子地图的更新方法、装置、设备和存储介质 | |
CN109143207B (zh) | 激光雷达内参精度验证方法、装置、设备及介质 | |
CN109470254B (zh) | 地图车道线的生成方法、装置、系统及存储介质 | |
CN102248947B (zh) | 使用3-d激光测距仪的目标和车辆检测及跟踪 | |
CN110246183B (zh) | 车轮接地点检测方法、装置及存储介质 | |
CN110867132B (zh) | 环境感知的方法、装置、电子设备和计算机可读存储介质 | |
US20100164701A1 (en) | Method of analyzing the surroundings of a vehicle | |
CN105404844A (zh) | 一种基于多线激光雷达的道路边界检测方法 | |
CN112539749B (zh) | 机器人导航方法、机器人、终端设备及存储介质 | |
US11092692B2 (en) | Apparatus and method for recognizing location in autonomous vehicle | |
CN114821526A (zh) | 基于4d毫米波雷达点云的障碍物三维边框检测方法 | |
CN114724110A (zh) | 目标检测方法及设备 | |
CN114442101A (zh) | 基于成像毫米波雷达的车辆导航方法、装置、设备及介质 | |
CN111483464B (zh) | 基于路侧单元的动态自动驾驶换道方法、设备、存储介质 | |
CN115205803A (zh) | 自动驾驶环境感知方法、介质及车辆 | |
CN111325187B (zh) | 一种车道位置的识别方法及装置 | |
CN115523935A (zh) | 点云地面检测方法、装置、车辆及存储介质 | |
CN114419601A (zh) | 障碍物信息确定方法、装置、电子设备以及存储介质 | |
CN114241448A (zh) | 障碍物航向角的获取方法、装置、电子设备及车辆 | |
US20230258813A1 (en) | LiDAR Free Space Data Generator and LiDAR Signal Processing Method Using Multi-Modal Noise Filtering Scheme | |
CN114419573A (zh) | 动态占据栅格估计方法及装置 | |
CN110174115B (zh) | 一种基于感知数据自动生成高精度定位地图的方法及装置 | |
CN116206286A (zh) | 高速路况下的障碍物检测方法、装置、设备和介质 | |
CN115494504A (zh) | 车辆的停车位检测方法、装置、车辆及存储介质 | |
Yang et al. | Towards high accuracy parking slot detection for automated valet parking system |
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 |