CN115527034A - 一种车端点云动静分割方法、装置及介质 - Google Patents

一种车端点云动静分割方法、装置及介质 Download PDF

Info

Publication number
CN115527034A
CN115527034A CN202211315672.2A CN202211315672A CN115527034A CN 115527034 A CN115527034 A CN 115527034A CN 202211315672 A CN202211315672 A CN 202211315672A CN 115527034 A CN115527034 A CN 115527034A
Authority
CN
China
Prior art keywords
point cloud
voxel
cloud frame
dynamic
static
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
CN202211315672.2A
Other languages
English (en)
Other versions
CN115527034B (zh
Inventor
冯冠植
李晗
马嗣昆
罗川宇
李肖含
剧学铭
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 Liangdao Intelligent Vehicle Technology Co ltd
Original Assignee
Beijing Liangdao Intelligent Vehicle 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 Liangdao Intelligent Vehicle Technology Co ltd filed Critical Beijing Liangdao Intelligent Vehicle Technology Co ltd
Priority to CN202211315672.2A priority Critical patent/CN115527034B/zh
Publication of CN115527034A publication Critical patent/CN115527034A/zh
Application granted granted Critical
Publication of CN115527034B publication Critical patent/CN115527034B/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
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Optical Radar Systems And Details Thereof (AREA)

Abstract

本申请实施例提供了一种车端点云动静分割方法、装置及介质，本申请实施例的技术方案包括：获取安装在车辆的激光雷达采集的多个点云帧，再将每一点云帧内包括的各激光点分别映射到预设全局坐标系，得到每个激光点在所述预设全局坐标系中所属的体素。然后针对每一体素，根据每一点云帧内各激光点映射至该体素内的激光点的数量确定每一点云帧所对应的该体素的动静概率。之后根据获取的所有点云帧所对应的该体素的动静概率确定该体素的动静状态。从而实现点云动静分割。

Description

一种车端点云动静分割方法、装置及介质
技术领域
本申请涉及点云分割技术领域，特别是涉及一种车端点云动静分割方法、装置及介质。
背景技术
激光雷达采集的三维点云能够捕获周围复杂环境的几何信息，因此激光雷达广泛应用于自动驾驶、辅助驾驶和无人驾驶等车辆行驶领域，能够实现目标检测和自动避障等感知任务。根据反射激光的目标不同，激光雷达采集的三维点云通常包括静态点云和动态点云，其中静态点云可以是扫描地面和路缘石等静止物体得到的点云，动态点云可以是扫描行驶中的车辆和行走中的行人等动态物体得到的点云，在执行感知任务时，需要从三维点云中分割出静态点云和动态点云。
目前，在进行点云的动静分割时，需要预先对激光雷达所在场景进行建模，从而得到仅包含静态场景的地图，使得后续进行动静分割时，可以将采集的点云与该地图进行比较，从而分割出映射在静态场景上静态点云，并将其余的点云作为动态点云。但该方式需要预先对静态场景进行建模，从而建立仅包含静态场景的地图，使得该方式计算量较大，准确性不高。
发明内容
本申请实施例的目的在于提供一种车端点云动静分割方法、装置及介质，以实现降低点云动静分割的计算量。具体技术方案如下：
本申请实施例的第一方面，提供了一种车端点云动静分割方法，所述方法包括：
获取安装在车辆的激光雷达采集的多个点云帧；
将每一点云帧内包括的各激光点分别映射到预设全局坐标系，得到每个激光点在所述预设全局坐标系中所属的体素；
针对每一体素，根据每一点云帧内各激光点映射至该体素内的激光点的数量确定每一点云帧所对应的该体素的动静概率；
根据获取的所有点云帧所对应的该体素的动静概率确定该体素的动静状态。
可选的，所述将每一点云帧内包括的各激光点分别映射到预设全局坐标系，得到每个激光点在所述预设全局坐标系中所属的体素，包括：
确定预设全局坐标系，所述预设全局坐标系为指定时刻下所述激光雷达的坐标系；
针对所述激光雷达采集的每一点云帧，根据所述指定时刻与该点云帧采集时刻之间的时间段内所述车辆的行驶信息，确定该点云帧的坐标系与所述预设全局坐标系之间的坐标转换关系；
根据所述坐标转换关系，将该点云帧内包括的各激光点分别映射到所述预设全局坐标系，得到每个激光点在所述预设全局坐标系中所属的体素。
可选的，所述针对每一体素，根据每一点云帧内各激光点映射至该体素内的激光点的数量确定每一点云帧所对应的该体素的动静概率，包括：
针对每一体素，根据所述每一点云帧内各激光点映射至该体素内的激光点数量，以及对比点云帧内各激光点映射至该体素内的激光点数量，确定所述每一点云帧所对应的该体素的动静概率，所述对比点云帧为所述每一点云帧的前一点云帧。
可选的，所述根据获取的所有点云帧所对应的该体素的动静概率确定该体素的动静状态，包括：
针对每一体素，根据获取的所有点云帧所对应的该体素的动静概率确定该体素的静止概率；
若该体素的静止概率大于预设阈值，则确定该体素为静止状态；
若该体素的静止概率小于等于预设阈值，则确定该体素为运动状态。
可选的，所述针对每一体素，根据所述每一点云帧内各激光点映射至该体素内的激光点数量，以及对比点云帧内各激光点映射至该体素内的激光点数量，确定所述每一点云帧所对应的该体素的动静概率，包括：
针对每一体素，根据所述每一点云帧内各激光点映射至该体素内的激光点数量及预设超参数，确定所述每一点云帧所对应的该体素的第一饱和概率，其中，所述第一饱和概率表示在所述每一点云采集时刻该体素为静止状态的可能性；
根据所述对比点云帧内各激光点映射至该体素内的激光点数量及预设超参数，确定所述对比点云帧所对应的该体素的第二饱和概率；其中，所述第二饱和概率表示在所述对比点云帧采集时刻该体素为静止状态的可能性；
根据所述第一饱和概率和所述第二饱和概率，确定所述每一点云帧所对应的该体素的动静概率。
可选的，所述针对每一体素，根据所述每一点云帧内各激光点映射至该体素内的激光点数量及预设超参数，确定所述每一点所对应的该体素的第一饱和概率，包括：
若所述每一点云帧内各激光点映射至该体素内的激光点数量小于等于预设超参数，则将所述每一点云帧内各激光点映射至该体素内的激光点数量与所述预设超参数的比值，作为所述第一饱和概率；
若所述每一点云帧内各激光点映射至该体素内的激光点数量大于所述预设超参数，则确定所述第一饱和概率为1。
可选的，所述根据所述第一饱和概率和所述第二饱和概率，确定所述每一点云帧所对应的该体素的动静概率，包括：
基于所述第一饱和概率、所述第二饱和概率和预设对应关系，确定所述每一点云帧所对应的该体素的动静概率。
可选的，所述预设对应关系基于以下四个指定对应关系拟合得到：
在所述第一饱和概率为0，且所述第二饱和概率为0的情况下，该单个点云帧所对应的该体素的动静概率为0.5；
在所述第一饱和概率为0，且所述第二饱和概率为1的情况下，该单个点云帧所对应的该体素的动静概率为0；
在所述第一饱和概率为1，且所述第二饱和概率为0的情况下，该单个点云帧所对应的该体素的动静概率为0；
在所述第一饱和概率为1，且所述第二饱和概率为1的情况下，该单个点云帧所对应的该体素的动静概率为1。
本申请实施例的第二方面，提供了一种车端点云动静分割装置，所述装置包括：
获取模块，用于获取安装在车辆的激光雷达采集的多个点云帧；
映射模块，用于将所述获取模块获取的每一点云帧内包括的各激光点分别映射到预设全局坐标系，得到每个激光点在所述预设全局坐标系中所属的体素；
确定模块，用于针对每一体素，根据每一点云帧内各激光点映射至该体素内的激光点的数量确定每一点云帧所对应的该体素的动静概率；
所述确定模块，还用于根据获取的所有点云帧所对应的该体素的动静概率确定该体素的动静状态。
本申请实施例的第三方面，提供了一种车辆，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现第一方面任一项所述的车端点云动静分割方法步骤。
本申请实施例的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现第一方面任一项所述的车端点云动静分割方法步骤。
本申请实施例的第五方面，提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述第一方面任一项所述的车端点云动静分割方法。
本申请实施例有益效果：
本申请实施例提供的车端点云动静分割方法、装置及介质，可以获取安装在车辆的激光雷达采集的多个点云帧，并将每一点云帧内包括的各激光点分别映射到预设全局坐标系，得到每个激光点在预设全局坐标系中所属的体素。然后针对每一体素，根据每一点云帧内各激光点映射至该体素内的激光点的数量确定每一点云帧所对应的该体素的动静概率，再根据获取的所有点云帧所对应的该体素的动静概率确定该体素的动静状态。由于本申请实施例确定了体素的动静状态，使得在点云分割时，可以将点云帧内每个激光点所在的体素的动静状态，作为该激光点的动静状态，从而实现了对点云帧进行动静分割。而且本申请实施例在确定体素动静状态时，可以通过对比不同的点云投影到该体素内的激光点数量确定，该过程不需要对静态场景进行建模，也不需要预先建立仅包含静态场景的地图，因此降低了点云动静分割的计算量，且提高了点云动静分割的准确性。
当然，实施本申请的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的实施例。
图1为本申请实施例提供的车端点云分割方法的第一种流程图；
图2为本申请实施例提供的一种点云动静分割效果图；
图3为本申请实施例提供的车端点云分割方法的第二种流程图；
图4为本申请实施例提供的车端点云分割方法的第三种流程图；
图5为本申请实施例提供的车端点云分割方法的第四种流程图；
图6为本申请实施例提供的一种车端点云分割装置的结构示意图；
图7为本申请实施例提供的一种车辆的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员基于本申请所获得的所有其他实施例，都属于本申请保护的范围。
为了降低点云动静分割的计算量，提高点云动静分割的准确性，本申请实施例提供了一种点云分割方法，该方法应用于处理器，具体可以是集成于车辆的车端控制器，如图1所示，本申请实施例提供的车端点云分割方法包括如下步骤：
S101、获取安装在车辆的激光雷达采集的多个点云帧。
其中，激光雷达用于对车辆周围所处环境进行扫描，得到点云帧。
可以离线获取激光雷达采集的连续的多个点云帧，例如，每次获取激光雷达采集的最新的1000个点云帧。
S102、将每一点云帧内包括的各激光点分别映射到预设全局坐标系，得到每个激光点在预设全局坐标系中所属的体素。
类似于图像中的像素，可以将预定的空间范围划分为多个网格，三维空间中的每个立体网格被称为体素。激光雷达采集的点云帧是三维点云帧，点云帧内包括的每个激光点具有三维坐标，分别表示激光点对应的物理位置与激光雷达之间的水平距离、高度距离和深度距离。因此可以针对S101获取的每个点云帧，对该点云帧内包括的各激光点进行坐标转换，得到各激光点在预设全局坐标系中的坐标，从而得到每个激光点在预设全局坐标系中所属的体素。
可选的，单个体素的尺寸可以根据实际需求设置，例如，当点云动静分割的精确度要求较高时，可以设置单个体素的尺寸较小；反之，当点云动静分割的精确度要求较低时，可以设置单个体素的尺寸较大。
S103、针对每一体素，根据每一点云帧内各激光点映射至该体素内的激光点的数量确定每一点云帧所对应的该体素的动静概率。
可以理解的，针对同一个体素，不同点云帧内各激光点映射在该体素内的激光点数量变化情况，能够体现出不同时刻该体素对应的场景的物体运动情况。举例来说，假设不同点云帧内各激光点映射在该体素内的激光点数量差距越小，说明一段时间内，该体素所对应的空间内的目标基本保持静止，该体素为静止状态的可能性越大；反之，不同点云帧内各激光点映射在该体素内的激光点数量差距越大，该体素为静止状态的可能性越小。
其中，S103中的每一体素，是指S102中每个被任一激光点映射的体素。
S104、根据获取的所有点云帧所对应的该体素的动静概率确定该体素的动静状态。
其中，S104中的所有点云帧，指的是S101获取的多个点云帧。
可以理解的，针对每个体素，在获取的所有点云帧所对应的该体素的动静概率中，若大部分动静概率表示静止状态，则可以确定该体素为静止状态，反之若大部分动静概率表示运动状态，则可以确定该体素为运动状态。
本申请实施例提供的车端点云动静分割方法，可以获取安装在车辆的激光雷达采集的多个点云帧，并将每一点云帧内包括的各激光点分别映射到预设全局坐标系，得到每个激光点在预设全局坐标系中所属的体素。然后针对每一体素，根据每一点云帧内各激光点映射至该体素内的激光点的数量确定每一点云帧所对应的该体素的动静概率，再根据获取的所有点云帧所对应的该体素的动静概率确定该体素的动静状态。由于本申请实施例确定了体素的动静状态，使得在点云分割时，可以将点云帧内每个激光点所在的体素的动静状态，作为该激光点的动静状态，从而实现了对点云帧进行动静分割。而且本申请实施例在确定体素动静状态时，可以通过对比不同的点云投影到该体素内的激光点数量确定，该过程不需要对静态场景进行建模，也不需要预先建立仅包含静态场景的地图，因此降低了点云动静分割的计算量，且提高了点云动静分割的准确性。
本申请实施例中，在上述S104确定体素的动静状态之后，在进行点云动静分割时，可以针对S101获取的每个点云帧，将该点云帧内包括的每个激光点分别投影到预设全局坐标系。之后将每个激光点所在的体素的动静状态，作为该激光点的动静状态。然后将该点云帧分割为由运动状态的激光点组成的运动点云帧，以及由静止状态的激光点组成的静止点云帧。
可以理解的，若体素为静止状态，说明该体素对应的场景包含的是静止物体，因此投影到该体素的激光点是静止状态。反之，若体素为运动状态，说明该体素对应的场景包含的是运动物体，因此投影到该体素的激光点是运动状态。
示例性的，动静分割效果可参见图2，图2中白色点为静止激光点，白色双虚线方框内的灰色点为运动激光点。为满足专利的附图要求，图2中用白色双虚线方框更明显地标记运动激光点位置，而在实际应用中，可以设置运动激光点和静止激光点的颜色不同，从而区分出运动点云帧和静止点云帧。
以下对图1中确定体素的动静状态的方式进行具体说明：
本申请的一些实施例中，参见图3，上述S102中得到每一点云帧内包括的各激光点在预设全局坐标系中所属的体素的方式，包括以下步骤：
S1021、确定预设全局坐标系。
其中，预设全局坐标系为指定时刻下激光雷达的坐标系。
激光雷达采集的点云帧的坐标系为：该点云帧采集时刻下激光雷达的坐标系(也即是车辆坐标系)。因此预设全局坐标系可以是激光雷达采集的一个点云帧的坐标系，即预设全局坐标系可以是S101获取的多个点云帧中，其中一个点云帧的坐标系，也可以是大地坐标系。
例如，S101获取到1000个点云帧，确定这1000帧中的第一个点云帧的坐标系为预设全局坐标系。
S1022、针对激光雷达采集的每一点云帧，根据指定时刻与该点云帧采集时刻之间的时间段内车辆的行驶信息，确定该点云帧的坐标系与预设全局坐标系之间的坐标转换关系。
其中，车辆的行驶信息包括：速度、加速度和偏航(yaw)角等。通过指定时刻与该点云帧采集时刻之间的时间段内车辆的行驶信息，可以计算出与指定时刻的车辆位置相比，车辆在该点云帧采集时刻的相对位置、车辆相对朝向以及相对yaw角，从而得到该点云帧的坐标系与预设全局坐标系之间的坐标转换关系。
S1023、根据坐标转换关系，将该点云帧内包括的各激光点分别映射到预设全局坐标系，得到每个激光点在预设全局坐标系中所属的体素。
得到坐标转换关系后，即可将该点云帧内包括的各激光点的三维坐标与坐标转换关系相乘，得到各激光点在预设全局坐标系中的三维坐标，从而得到每个激光点在预设全局坐标系中所属的体素。
由于车辆处于移动状态，因此车辆安装的激光雷达采集每个点云帧时的位置不同，使得每个点云帧均处于不同的坐标系。本公开实施例将不同点云帧的坐标系统一到预设全局坐标系，实现了在相同的坐标系，确定体素的绝对动静状态，从而减少车辆移动对确定体素动静状态的影响，提高了确定体素动静状态的准确性。
本申请的一些实施例中，上述S103中确定每一点云帧所对应的该体素的动静概率的方式，可以实现为：针对每一体素，根据每一点云帧内各激光点映射至该体素内的激光点数量，以及对比点云帧内各激光点映射至该体素内的激光点数量，确定每一点云帧所对应的该体素的动静概率。
其中，对比点云帧可以为每一点云帧前一点云帧。即，S103是针对每一体素，以及每一点云帧，计算该点云帧所对应的该体素的动静状态。计算时针对的对比点云帧是该点云帧的前一点云帧。
由于车辆处于移动状态，因此每个点云帧对应的扫描环境范围具有一定的区别，在确定体素的动静概率时，针对每个点云帧，如果选择与该点云帧距离帧数较多的点云帧，作为该点云帧的对比点云帧，那么该点云帧与对比点云帧之间对应的扫描环境范围重合的区域较小，时间上的连续性不好，体素内点云的变化状态可能无法完全反映出来，使得确定的体素的动静概率的准确性较低。因此本申请实施例针对每一点云帧，选择该点云帧的前一点云帧，作为该点云帧的对比点云帧，能够提高对比点云帧与该点云帧对应的扫描环境的重合区域，提高确定体素的动静概率的准确性。
可以理解的，一般而言，一个点云帧内各激光点映射至一个体素内的激光点数量，与该点云帧的对比点云帧内各激光点映射至该体素内的激光点数量相差越大，说明该体素对应的场景内障碍物发生变化的可能性越大，该体素为静止状态的可能性越小，因此可以确定该点云帧所对应的该体素的动静概率越接近运动状态的概率。
反之，一个点云帧内各激光点映射至一个体素内的激光点数量，与该点云帧的对比点云帧内各激光点映射至该体素内的激光点数量相差越小，说明该体素对应的场景内障碍物发生变化的可能性越小，该体素为静止状态的可能性越大，因此可以确定该点云帧所对应的该体素的动静概率越接近静止状态的概率。
例如，动静概率处于[0,1]范围内，且动静概率为0表示运动状态，动静概率为1表示静止状态。一个点云帧内各激光点映射至该体素内的激光点数量，与该点云帧的对比点云帧内各激光点映射至该体素内的激光点数量相差越大，确定该点云帧所对应的该体素的动静概率越接近0；一个点云帧内各激光点映射至该体素内的激光点数量，与该点云帧的对比点云帧内各激光点映射至该体素内的激光点数量相差越小，确定该点云帧所对应的该体素的动静概率越接近1。
通过上述方法，本申请实施例可以通过对比不同点云帧投影到相同体素内的激光点数量变化情况，得到每一点云帧所对应的该体素的动静概率，即得到该体素在该点云采集时刻下的动静概率。
本申请的一些实施例中，参见图4，上述S103中确定每一点云帧所对应的该体素的动静概率的方式，具体可以包括以下步骤：
S1031、针对每一体素，根据每一点云帧内各激光点映射至该体素内的激光点数量及预设超参数，确定每一点云帧所对应的该体素的第一饱和概率。
需要说明的是，S1031-S1033是分别针对每一体素，以及每一点云帧，计算每一点云帧所对应的每一体素的动静概率。
本申请实施例用(x,y,z,s)表示单个体素，其中，(x,y,z)表示体素的索引(index)，且x、y和z的数型均为整型，即(x,y,z)表示体素在预设全局坐标系的三个坐标轴方向上，与坐标原点之间的距离。
s为单个点云帧所对应的单个体素的饱和概率，表示一个体素内被一个点云帧映射的激光点的分布密度，能够体现该体素在该点云帧采集时刻下障碍物的分布情况。例如，s取值越大，说明单个点云帧映射在该体素内的激光点较多，说明该体素在该点云帧采集时刻包括的障碍物越多；反之，s取值较小，说明单个点云帧映射在该体素内的激光点较少，说明该体素在该点云帧采集时刻包括的障碍物越少。
因此第一饱和概率表示在每一点云采集时刻该体素为静止状态的可能性。即，针对每一体素以及每一点云帧计算的第一饱和概率为：该点云采集时刻该体素为静止状态的可能性。
体素内的激光点的数量不能完全反映该体素为静止或动态的概率，因为激光点数不仅和反射目标相关，也和雷达自身的点云输出能力相关，不同类型的雷达由于点云的输出能力不同，对于同一目标物体，所产生的激光点的数量也不完全相同。基于此，本申请实施例中，引入预设超参数作为参考，本申请实施例中，若每一点云帧内各激光点映射至该体素内的激光点数量小于等于预设超参数，则可以将每一点云帧内各激光点映射至该体素内的激光点数量与预设超参数的比值，作为第一饱和概率。即可以通过公式(1)计算s：
Figure BDA0003909131120000091
其中，n表示单个点云帧内各激光点映射至单个体素内的激光点数量，M为预设超参数。0.0≤s≤1.0，s的数型为浮点型。预设超参数M的设置与激光雷达表征点云输出能力的参数相关。例如当激光雷达为机械扫描式时，M与激光雷达的线束数量正相关，因为在同样的探测条件下，每个体素内，128线雷达比32线雷达在单个体素内产生的激光点的数量多；同理可知，当雷达为Flash雷达时，M可以与每次探测循环中发射/接收到的光子数相关。
除此之外，预设超参数M还与探测时，激光雷达和体素的距离相关：由于激光雷达在近处和远处的探测能力不同，当目标与雷达距离越小时，产生的点云越密集，使得该体素达到饱和的激光点数越大，反之，当目标与雷达距离越远时，产生的点云越稀疏，使得该体素达到饱和的激光点数越小。因此，预设超参数M与激光雷达的与点云输出能力成正比，且和体素和雷达之间的距离成反比。也就是说，处于不同位置处的体素所对应的预设超参数不完全一致。
上述预设超参数M可以通过标定实验预先确定。
反之，若每一点云帧内各激光点映射至该体素内的激光点数量大于预设超参数，则可以确定第一饱和概率为1。在计算时，若一个点云帧内各激光点映射至一个体素内的激光点数量大于预设超参数，可以令n＝M，并将n带入公式(1)，从而得到s＝1。
S1032、根据对比点云帧内各激光点映射至该体素内的激光点数量及预设超参数，确定对比点云帧所对应的该体素的第二饱和概率。
需要说明的是，每次执行S1032时，针对的对比点云是S1031针对的点云帧的前一点云帧。
其中，第二饱和概率表示在对比点云帧采集时刻该体素为静止状态的可能性。第二饱和概率的确定方式与第一饱和概率的确定方式相同，可参考S1031的描述，此处不再赘述。
S1033、根据第一饱和概率和第二饱和概率，确定每一点云帧所对应的该体素的动静概率。
需要说明的是，每次执行S1033时，是针对S1031中的第一饱和概率和S1032中的第二饱和概率，确定S1031针对的点云帧所对应的该体素的动静概率。
本申请实施例中，针对每一点云帧，可以基于第一饱和概率、第二饱和概率和预设对应关系，确定每一点云帧所对应的该体素的动静概率。其中，预设对应关系为第一饱和概率、第二饱和概率和单个点云帧所对应的该体素的动静概率三者之间的对应关系。
通过上述方法，本申请实施例可以对比一个点云帧与该点云帧的前一点云帧投影到同一个体素的不同饱和概率，从而对比不同时刻下该体素对应的场景的障碍物分布情况，如果分布差异较大，说明该体素的静止概率较小，反之如果分布差异较小，说明该体素的静止概率较大。因此通过对比不同点云帧投影到相同体素的激光点数量，可以得到体素的动静情况，避免了对静态场景进行建模，降低了确定静态场景的计算量。
在确定每一点云帧所对应的每一体素的动静概率之前，还可以预先确定上述S1033中的预设对应关系。
本申请实施例中，可以获取多个指定对应关系，之后基于预设的神经网络，拟合多个指定对应关系所表示的预设对应关系。
其中，预设对应关系至少基于以下四个指定对应关系拟合得到：在单个点云帧所对应的单个体素的饱和概率(第一饱和概率)为0，且该单个点云帧的前一点云帧所对应的单个体素的饱和概率(第二饱和概率)为0的情况下，该单个点云帧所对应的该体素的动静概率为0.5；
在单个点云帧所对应的单个体素的饱和概率为0，且该单个点云帧的前一点云帧所对应的单个体素的饱和概率为1的情况下，该单个点云帧所对应的该体素的动静概率为0；
在单个点云帧所对应的单个体素的饱和概率为1，且该单个点云帧的前一点云帧所对应的单个体素的饱和概率为0的情况下，该单个点云帧所对应的该体素的动静概率为0；
在单个点云帧所对应的单个体素的饱和概率为1，且该单个点云帧的前一点云帧所对应的单个体素的饱和概率为1的情况下，该单个点云帧所对应的该体素的动静概率为1。
为方便描述，本申请实施例将第一饱和概率记为st，将第二饱和概率记为sr。当st或者sr为0时，说明一个点云帧映射到一个体素中的激光点数量为0。将该单个点云帧所对应的单个体素的动静概率记为pt。预设对应关系可以记为pt＝f(sr,st)。
各指定对应关系如表一所示：
表一
指定对应关系 s<sub>r</sub> s<sub>t</sub> p<sub>t</sub>
指定对应关系1 0 0 0.5
指定对应关系2 0 1 0
指定对应关系3 1 0 0
指定对应关系4 1 1 1
可以理解的，由于车辆处于移动状态，使得车辆安装的激光雷达扫描的每帧点云对应的扫描场景均存在差异，因此车辆移动过程中所经过的每个体素对应的场景均仅能被部分点云覆盖，因此任意两帧点云均可能由于激光雷达的扫描范围有限，而导致未扫描到预设全局坐标系内一些体素对应的场景。当两个点云帧投影至一个体素内的激光点数量均为0时，可能是未扫描到该体素对应的场景，因此无法确定该体素的动静情况，所以pt为0.5。
由于st、sr和pt均为浮点数，且st、sr和pt之间的关系可以表示为非线性函数，因此可以通过构建神经网络来拟合st、sr和pt之间的预设对应关系。
在拟合时，可以将每个指定对应关系中的st和sr作为一个训练样本，并将st和sr对应的pt作为训练样本的标签，从而利用训练样本和标签来训练神经网络。训练完成后得到的神经网络即为拟合的st、sr和pt之间的预设对应关系。
通过上述方法，本申请实施例可以通过神经网络来拟合st、sr和pt之间的预设对应关系，使得后续可以利用该预设对应关系，预测单个点云帧所对应的单个体素的动静概率，即，将确定体素动静状态时计算的st和sr输入神经网络，得到神经网络输出的pt。
本申请实施例中，在S103确定获取的各点云帧所对应的每个体素的动静概率之后，参见图5，上述S104中确定每个体素的动静状态的方式，包括以下步骤：
S1041、针对每一体素，根据获取的所有点云帧所对应的该体素的动静概率确定该体素的静止概率。
针对每一体素，可以将获取的所有点云帧所对应的该体素的动静概率的平均值，作为该体素的静止概率。即通过公式(2)确定每个体素的静止概率：
Figure BDA0003909131120000121
其中，P表示单个体素的静止概率，pi表示第i个点云帧所对应的单个体素的动静概率，N为S101获取的点云帧数量，N的具体取值可以根据实际需求设置。
或者还可以通过其他方式确定该体素的静止概率，本申请实施例对此不作具体限定。
S1042、判断该体素的静止概率是否大于预设阈值。若该体素的静止概率大于预设阈值，则执行S1043；若该体素的静止概率小于等于预设阈值，则执行S1044。
预设阈值可以记为P临界，P临界的取值范围为(0,1)，P临界可以根据实际情况设置。例如，可以根据激光雷达所处环境设置P临界。
S1043、确定该体素为静止状态。
当S1042计算的该体素的静止概率P>P临界，说明该体素对应的场景大概率包括静止物体，因此确定该体素为静止状态。
S1044、确定该体素为运动状态。
当S1042计算的该体素的静止概率P≤P临界，说明该体素对应的场景大概率包括运动物体，因此确定该体素为运动状态。
由于激光雷达扫描到静止物体和运动物体时，均能产生激光点，因此仅凭借单个点云帧内各激光点映射至每个体素内的激光点数量，不足以判断各体素的动静状态。而本申请实施例中，确定所有点云帧所对应的每个体素的动静概率，并根据每个体素的各动静概率确定该体素的静止概率，从而实现结合多个点云帧确定体素的动静状态，减少激光雷达扫描的场景中临时静止的物体对确定体素动静状态的影响，例如暂时停靠的车辆对确定体素动静状态的影响，从而提高了确定体素动静状态的准确率。
本申请实施例中，首次在车端实现对点云的动静分割，对后续在自动驾驶、辅助驾驶和无人驾驶等车辆行驶领域，利用动静分割后的点云进行目标识别和车辆控制决策和路径规划等感知任务具有重大意义。
基于相同的发明构思，对应于上述方法实施例，本申请实施例提供了一种车端点云动静分割装置，如图6所示，该装置包括：获取模块601、映射模块602和确定模块603；
获取模块601，用于获取安装在车辆的激光雷达采集的多个点云帧；
映射模块602，用于将获取模块601获取的每一点云帧内包括的各激光点分别映射到预设全局坐标系，得到每个激光点在预设全局坐标系中所属的体素；
确定模块603，用于针对每一体素，根据每一点云帧内各激光点映射至该体素内的激光点的数量确定每一点云帧所对应的该体素的动静概率；
确定模块603，还用于根据获取的所有点云帧所对应的该体素的动静概率确定该体素的动静状态。
可选的，映射模块602，具体用于：
确定预设全局坐标系，预设全局坐标系为指定时刻下激光雷达的坐标系；
针对激光雷达采集的每一点云帧，根据指定时刻与该点云帧采集时刻之间的时间段内车辆的行驶信息，确定该点云帧的坐标系与预设全局坐标系之间的坐标转换关系；
根据坐标转换关系，将该点云帧内包括的各激光点分别映射到预设全局坐标系，得到每个激光点在预设全局坐标系中所属的体素。
可选的，确定模块603，具体用于：
针对每一体素，根据每一点云帧内各激光点映射至该体素内的激光点数量，以及对比点云帧内各激光点映射至该体素内的激光点数量，确定每一点云帧所对应的该体素的动静概率，对比点云帧为每一点云帧的前一点云帧。
可选的，确定模块603，具体用于：
针对每一体素，根据获取的所有点云帧所对应的该体素的动静概率确定该体素的静止概率；
若该体素的静止概率大于预设阈值，则确定该体素为静止状态；
若该体素的静止概率小于等于预设阈值，则确定该体素为运动状态。
可选的，确定模块603，具体用于：
针对每一体素，根据每一点云帧内各激光点映射至该体素内的激光点数量及预设超参数，确定每一点云帧所对应的该体素的第一饱和概率，其中，第一饱和概率表示在每一点云采集时刻该体素为静止状态的可能性；
根据对比点云帧内各激光点映射至该体素内的激光点数量及预设超参数，确定对比点云帧所对应的该体素的第二饱和概率；其中，第二饱和概率表示在对比点云帧采集时刻该体素为静止状态的可能性；
根据第一饱和概率和第二饱和概率，确定每一点云帧所对应的该体素的动静概率。
可选的，确定模块603，具体用于：
若每一点云帧内各激光点映射至该体素内的激光点数量小于等于预设超参数，则将每一点云帧内各激光点映射至该体素内的激光点数量与预设超参数的比值，作为第一饱和概率；
若每一点云帧内各激光点映射至该体素内的激光点数量大于预设超参数，则确定第一饱和概率为1。
可选的，确定模块603，具体用于：
基于第一饱和概率、第二饱和概率和预设对应关系，确定每一点云帧所对应的该体素的动静概率。
可选的，预设对应关系基于以下四个指定对应关系拟合得到：
在第一饱和概率为0，且第二饱和概率为0的情况下，该单个点云帧所对应的该体素的动静概率为0.5；
在第一饱和概率为0，且第二饱和概率为1的情况下，该单个点云帧所对应的该体素的动静概率为0；
在第一饱和概率为1，且第二饱和概率为0的情况下，该单个点云帧所对应的该体素的动静概率为0；
在第一饱和概率为1，且第二饱和概率为1的情况下，该单个点云帧所对应的该体素的动静概率为1。
本申请实施例还提供了一种车辆，如图7所示，包括处理器701、通信接口702、存储器703和通信总线704，其中，处理器701，通信接口702，存储器703通过通信总线704完成相互间的通信，
存储器703，用于存放计算机程序；
处理器701，用于执行存储器703上所存放的程序时，实现上述方法实施例中的方法步骤。
上述车辆提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信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。
通信接口用于上述车辆与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本申请提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一车端点云动静分割方法的步骤。
在本申请提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一车端点云动静分割方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，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。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的较佳实施例，并非用于限定本申请的保护范围。凡在本申请的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本申请的保护范围内。

Claims (10)

1.一种车端点云动静分割方法，其特征在于，所述方法包括：
获取安装在车辆的激光雷达采集的多个点云帧；
将每一点云帧内包括的各激光点分别映射到预设全局坐标系，得到每个激光点在所述预设全局坐标系中所属的体素；
针对每一体素，根据每一点云帧内各激光点映射至该体素内的激光点的数量确定每一点云帧所对应的该体素的动静概率；
根据获取的所有点云帧所对应的该体素的动静概率确定该体素的动静状态。
2.根据权利要求1所述的方法，其特征在于，所述将每一点云帧内包括的各激光点分别映射到预设全局坐标系，得到每个激光点在所述预设全局坐标系中所属的体素，包括：
确定预设全局坐标系，所述预设全局坐标系为指定时刻下所述激光雷达的坐标系；
针对所述激光雷达采集的每一点云帧，根据所述指定时刻与该点云帧采集时刻之间的时间段内所述车辆的行驶信息，确定该点云帧的坐标系与所述预设全局坐标系之间的坐标转换关系；
根据所述坐标转换关系，将该点云帧内包括的各激光点分别映射到所述预设全局坐标系，得到每个激光点在所述预设全局坐标系中所属的体素。
3.根据权利要求1所述的方法，其特征在于，所述针对每一体素，根据每一点云帧内各激光点映射至该体素内的激光点的数量确定每一点云帧所对应的该体素的动静概率，包括：
针对每一体素，根据所述每一点云帧内各激光点映射至该体素内的激光点数量，以及对比点云帧内各激光点映射至该体素内的激光点数量，确定所述每一点云帧所对应的该体素的动静概率，所述对比点云帧包括所述每一点云帧的前一点云帧。
4.根据权利要求1所述的方法，其特征在于，所述根据获取的所有点云帧所对应的该体素的动静概率确定该体素的动静状态，包括：
针对每一体素，根据获取的所有点云帧所对应的该体素的动静概率确定该体素的静止概率；
若该体素的静止概率大于预设阈值，则确定该体素为静止状态；
若该体素的静止概率小于等于预设阈值，则确定该体素为运动状态。
5.根据权利要求3所述的方法，其特征在于，所述针对每一体素，根据所述每一点云帧内各激光点映射至该体素内的激光点数量，以及对比点云帧内各激光点映射至该体素内的激光点数量，确定所述每一点云帧所对应的该体素的动静概率，包括：
针对每一体素，根据所述每一点云帧内各激光点映射至该体素内的激光点数量及预设超参数，确定所述每一点云帧所对应的该体素的第一饱和概率，其中，所述第一饱和概率表示在点云采集时刻该体素为静止状态的可能性；
根据所述对比点云帧内各激光点映射至该体素内的激光点数量及所述预设超参数，确定所述对比点云帧所对应的该体素的第二饱和概率；其中，所述第二饱和概率表示在所述对比点云帧采集时刻该体素为静止状态的可能性；
根据所述第一饱和概率和所述第二饱和概率，确定所述每一点云帧所对应的该体素的动静概率。
6.根据权利要求5所述的方法，其特征在于，所述针对每一体素，根据所述每一点云帧内各激光点映射至该体素内的激光点数量及预设超参数，确定所述每一点云帧所对应的该体素的第一饱和概率，包括：
若所述每一点云帧内各激光点映射至该体素内的激光点数量小于等于所述预设超参数，则将所述每一点云帧内各激光点映射至该体素内的激光点数量与所述预设超参数的比值，作为所述第一饱和概率；
若所述每一点云帧内各激光点映射至该体素内的激光点数量大于所述预设超参数，则确定所述第一饱和概率为1。
7.根据权利要求5或6所述的方法，其特征在于，所述根据所述第一饱和概率和所述第二饱和概率，确定所述每一点云帧所对应的该体素的动静概率，包括：
基于所述第一饱和概率、所述第二饱和概率和预设对应关系，确定所述每一点云帧所对应的该体素的动静概率。
8.根据权利要求7所述的方法，其特征在于，其中，所述预设对应关系基于以下四个指定对应关系拟合得到：
在所述第一饱和概率为0，且所述第二饱和概率为0的情况下，该单个点云帧所对应的该体素的动静概率为0.5；
在所述第一饱和概率为0，且所述第二饱和概率为1的情况下，该单个点云帧所对应的该体素的动静概率为0；
在所述第一饱和概率为1，且所述第二饱和概率为0的情况下，该单个点云帧所对应的该体素的动静概率为0；
在所述第一饱和概率为1，且所述第二饱和概率为1的情况下，该单个点云帧所对应的该体素的动静概率为1。
9.一种车端点云动静分割装置，其特征在于，所述装置包括：
获取模块，用于获取安装在车辆的激光雷达采集的多个点云帧；
映射模块，用于将所述获取模块获取的每一点云帧内包括的各激光点分别映射到预设全局坐标系，得到每个激光点在所述预设全局坐标系中所属的体素；
确定模块，用于针对每一体素，根据每一点云帧内各激光点映射至该体素内的激光点的数量确定每一点云帧所对应的该体素的动静概率；
所述确定模块，还用于根据获取的所有点云帧所对应的该体素的动静概率确定该体素的动静状态。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-8任一项所述的方法步骤。
CN202211315672.2A 2022-10-26 2022-10-26 一种车端点云动静分割方法、装置及介质 Active CN115527034B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211315672.2A CN115527034B (zh) 2022-10-26 2022-10-26 一种车端点云动静分割方法、装置及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211315672.2A CN115527034B (zh) 2022-10-26 2022-10-26 一种车端点云动静分割方法、装置及介质

Publications (2)

Publication Number Publication Date
CN115527034A true CN115527034A (zh) 2022-12-27
CN115527034B CN115527034B (zh) 2023-08-01

Family

ID=84704031

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211315672.2A Active CN115527034B (zh) 2022-10-26 2022-10-26 一种车端点云动静分割方法、装置及介质

Country Status (1)

Country Link
CN (1) CN115527034B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7317456B1 (en) * 2002-12-02 2008-01-08 Ngrain (Canada) Corporation Method and apparatus for transforming point cloud data to volumetric data
CN106248003A (zh) * 2016-08-24 2016-12-21 电子科技大学 一种三维激光点云提取植被冠层聚集度指数的方法
US20190204423A1 (en) * 2016-05-18 2019-07-04 James Thomas O'Keeffe Vehicle-integrated lidar system
CN111210475A (zh) * 2020-04-21 2020-05-29 浙江欣奕华智能科技有限公司 一种地图更新方法及装置
CN111339996A (zh) * 2020-03-20 2020-06-26 北京百度网讯科技有限公司 静态障碍物的检测方法、装置、设备及存储介质
CN111736167A (zh) * 2019-03-25 2020-10-02 北京京东尚科信息技术有限公司 一种获取激光点云密度的方法和装置
CN112703368A (zh) * 2020-04-16 2021-04-23 华为技术有限公司 车辆定位的方法和装置、定位图层生成的方法和装置
CN112859859A (zh) * 2021-01-13 2021-05-28 中南大学 一种基于三维障碍物体素对象映射的动态栅格地图更新方法
CN113377748A (zh) * 2020-03-09 2021-09-10 北京京东乾石科技有限公司 激光雷达点云数据的静态点去除方法和装置
CN113902860A (zh) * 2021-10-10 2022-01-07 北京工业大学 一种基于多线激光雷达点云的多尺度静态地图构建方法
CN114488178A (zh) * 2020-11-13 2022-05-13 北京四维图新科技股份有限公司 定位方法及设备
CN114596331A (zh) * 2020-12-04 2022-06-07 中国移动通信有限公司研究院 一种点云背景生成方法、装置及通信设备

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7317456B1 (en) * 2002-12-02 2008-01-08 Ngrain (Canada) Corporation Method and apparatus for transforming point cloud data to volumetric data
US20190204423A1 (en) * 2016-05-18 2019-07-04 James Thomas O'Keeffe Vehicle-integrated lidar system
CN106248003A (zh) * 2016-08-24 2016-12-21 电子科技大学 一种三维激光点云提取植被冠层聚集度指数的方法
CN111736167A (zh) * 2019-03-25 2020-10-02 北京京东尚科信息技术有限公司 一种获取激光点云密度的方法和装置
CN113377748A (zh) * 2020-03-09 2021-09-10 北京京东乾石科技有限公司 激光雷达点云数据的静态点去除方法和装置
CN111339996A (zh) * 2020-03-20 2020-06-26 北京百度网讯科技有限公司 静态障碍物的检测方法、装置、设备及存储介质
CN112703368A (zh) * 2020-04-16 2021-04-23 华为技术有限公司 车辆定位的方法和装置、定位图层生成的方法和装置
CN111210475A (zh) * 2020-04-21 2020-05-29 浙江欣奕华智能科技有限公司 一种地图更新方法及装置
CN114488178A (zh) * 2020-11-13 2022-05-13 北京四维图新科技股份有限公司 定位方法及设备
CN114596331A (zh) * 2020-12-04 2022-06-07 中国移动通信有限公司研究院 一种点云背景生成方法、装置及通信设备
CN112859859A (zh) * 2021-01-13 2021-05-28 中南大学 一种基于三维障碍物体素对象映射的动态栅格地图更新方法
CN113902860A (zh) * 2021-10-10 2022-01-07 北京工业大学 一种基于多线激光雷达点云的多尺度静态地图构建方法

Also Published As

Publication number Publication date
CN115527034B (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
CN111563442B (zh) 基于激光雷达的点云和相机图像数据融合的slam方法及系统
CN109087510B (zh) 交通监测方法及装置
US20190065637A1 (en) Augmenting Real Sensor Recordings With Simulated Sensor Data
CN112513679B (zh) 一种目标识别的方法和装置
CN114022830A (zh) 一种目标确定方法以及目标确定装置
CN110599489A (zh) 一种目标空间定位方法
WO2022217630A1 (zh) 一种车速确定方法、装置、设备和介质
CN112581613A (zh) 一种栅格地图的生成方法、系统、电子设备及存储介质
CN115147333A (zh) 一种目标检测方法及装置
CN112991389A (zh) 一种目标跟踪方法、装置及移动机器人
CN115830265A (zh) 一种基于激光雷达的自动驾驶运动障碍物分割方法
CN114241448A (zh) 障碍物航向角的获取方法、装置、电子设备及车辆
JP7418476B2 (ja) 運転可能な領域情報を決定するための方法及び装置
CN117269952A (zh) 一种4d成像毫米波雷达动目标点云半自动标注方法及装置
JP2021032879A (ja) レーダーに基づく姿勢認識装置、方法及び電子機器
CN114662600B (zh) 一种车道线的检测方法、装置和存储介质
CN115527034A (zh) 一种车端点云动静分割方法、装置及介质
CN115965847A (zh) 交叉视角下多模态特征融合的三维目标检测方法和系统
CN115656991A (zh) 车辆外参标定方法、装置、设备以及存储介质
CN115236643A (zh) 一种传感器标定方法、系统、装置、电子设备及介质
CN114488026A (zh) 基于4d毫米波雷达的地下停车库可通行空间检测方法
CN116091507A (zh) 一种场端点云分割方法及装置
CN117590362B (zh) 一种多激光雷达外参标定方法、装置和设备
CN115147612B (zh) 一种基于累加点云对车辆尺寸进行实时估计的处理方法
Roman-Rivera et al. 3D Point Cloud Outliers and Noise Reduction Using Neural Networks

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