CN115546437A - 用于机械设备的斜坡检测方法、处理器和斜坡检测装置 - Google Patents

用于机械设备的斜坡检测方法、处理器和斜坡检测装置 Download PDF

Info

Publication number
CN115546437A
CN115546437A CN202211000716.2A CN202211000716A CN115546437A CN 115546437 A CN115546437 A CN 115546437A CN 202211000716 A CN202211000716 A CN 202211000716A CN 115546437 A CN115546437 A CN 115546437A
Authority
CN
China
Prior art keywords
point cloud
grid
elevation
slope
determining
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
Application number
CN202211000716.2A
Other languages
English (en)
Inventor
武鸿
付玲
谭智仁
胡敏
于晓颖
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.)
Zoomlion Heavy Industry Science and Technology Co Ltd
Original Assignee
Zoomlion Heavy Industry Science and 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 Zoomlion Heavy Industry Science and Technology Co Ltd filed Critical Zoomlion Heavy Industry Science and Technology Co Ltd
Priority to CN202211000716.2A priority Critical patent/CN115546437A/zh
Publication of CN115546437A publication Critical patent/CN115546437A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • G06T17/205—Re-meshing
    • 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)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Length Measuring Devices With Unspecified Measuring Means (AREA)

Abstract

本发明实施例提供一种用于机械设备的斜坡检测方法、处理器、机器可读存储介质、斜坡检测装置和机械设备，斜坡检测方法包括：获取机械设备的作业环境的第一三维点云数据；根据第一三维点云数据构建点云数字高程模型，点云数字高程模型包括多个第一网格以及与各个第一网格对应的高程值；根据第一三维点云数据确定高程分布特征；根据高程分布特征和高程值确定目标网格，目标网格为与斜坡关联的点云网格；根据与斜坡关联的点云网格中的点云，确定斜坡的检测结果，该斜坡检测方法能快速、准确地识别出机械设备作业环境中的斜坡，且方法简单，易于实现。

Description

用于机械设备的斜坡检测方法、处理器和斜坡检测装置
技术领域
本发明涉及机械设备技术领域，具体地涉及一种用于机械设备的斜坡检测方法、处理器、机器可读存储介质、斜坡检测装置和机械设备。
背景技术
机械设备(如挖掘机)的无人驾驶、智能作业是当前的行业技术热点，针对机械设备作业场景，要求机械设备具备环境感知能力(如斜坡感知)，对机械设备行走、作业过程中的各类目标(如障碍物、斜坡、沟壑等)进行检测及数字化分析。目前机械设备非实时环境感知主要基于GPS定位的3D引导作业系统实现，机械设备实时环境感知主要通过激光雷达、深度相机等传感器实现，采用深度相机对机械设备的斜坡环境进行感知时，需要先通过深度相机获取地面帧点云，将点云网格化及均值滤波处理，然后通过梯度阈值分割得到斜坡区域，但是该种方法主要针对非平整地面，单一的阈值处理无法准确识别斜坡点云；采用激光雷达对机械设备的斜坡环境进行感知时，是通过平面和线性拟合的方式实现斜坡检测，同样也是针对非平整地面及斜坡，难以实现准确的斜坡提取。
发明内容
本发明实施例的目的是提供一种用于机械设备的斜坡检测方法、处理器、机器可读存储介质、斜坡检测装置和机械设备，该用于机械设备的斜坡检测方法、处理器、机器可读存储介质、斜坡检测装置和机械设备能快速、准确地识别出机械设备作业环境中的斜坡，且方法简单，易于实现。
为了实现上述目的，本发明第一方面提供一种用于机械设备的斜坡检测方法，包括：
获取机械设备的作业环境的第一三维点云数据；
根据第一三维点云数据构建点云数字高程模型，点云数字高程模型包括多个第一网格以及与各个第一网格对应的高程值；
根据第一三维点云数据确定高程分布特征；
根据高程分布特征和高程值确定目标网格，目标网格为与斜坡关联的点云网格；
根据与斜坡关联的点云网格中的点云，确定斜坡的检测结果。
在本发明的实施例中，第一三维点云数据为机械设备的作业环境的原始三维点云数据，或对针对原始三维点云数据进行体素网格化处理后的三维点云数据。
在本发明的实施例中，根据第一三维点云数据构建点云数字高程模型包括：
根据第一三维点云数据构建第一网格；
根据第一三维点云数据的第一坐标值和第二坐标值将第一三维点云数据投射到第一网格中，以构建点云数字高程模型，其中，第一坐标值和第二坐标值是垂直于高程方向的平面上的坐标值。
在本发明的实施例中，根据第一三维点云数据构建第一网格包括：
确定第一三维点云数据的最大第一坐标值和最小第一坐标值；
根据最大第一坐标值和最小第一坐标值确定第一网格的列数；
确定第一三维点云数据的最大第二坐标值和最小第二坐标值；
根据最大第二坐标值和最小第二坐标值确定第一网格的行数；
根据列数和行数构建第一网格。
在本发明的实施例中，高程分布特征包括地面起伏度和高程离散度中的至少一项，其中，地面起伏度是第一网格中点云的高度值极差；高程离散度是第一网格中点云的高度值平均离差。
在本发明的实施例中，高程分布特征包括地面起伏度和高程离散度，根据高程分布特征和高程值确定目标网格包括：
对地面起伏度和高程离散度进行加权求和操作，以确定高程分布特征值；
根据高程分布特征值对点云数字高程模型中的第一网格进行划分，以确定第二网格；
根据高程值和第二网格确定目标网格。
在本发明的实施例中，根据高程分布特征值对点云数字高程模型中的第一网格进行划分，以确定第二网格包括：
获取预设高程分布分割阈值；
根据高程分布特征值和预设高程分布分割阈值将第一网格划分为地面点云网格和非地面点云网格；
确定非地面点云网格为第二网格。
在本发明的实施例中，根据高程值和第二网格确定目标网格包括：
根据第二网格中相邻网格的高程值确定坡度值；
获取预设坡度分割阈值；
根据坡度值和预设坡度分割阈值对第二网格进行划分，以确定目标网格。
在本发明的实施例中，根据与斜坡关联的点云网格中的点云，确定斜坡的检测结果包括：
基于聚类算法对目标网格中的各个点云进行聚类处理，以确定聚类处理后的点云集合；
根据聚类处理后的点云集合确定斜坡的轮廓和/或方位。
本发明第二方面提供一种处理器，被配置为执行上述的用于机械设备的方法。
本发明第三方面一种机器可读存储介质，机器可读存储介质上存储有指令，指令用于使得机器执行上述的用于机械设备的斜坡检测方法。
本发明第四方面提供一种用于机械设备的斜坡检测装置，包括：
数据获取模块，用于获取机械设备的作业环境的第一三维点云数据；
模型构建模块，用于根据第一三维点云数据构建点云数字高程模型，点云数字高程模型包括多个第一网格以及与各个第一网格对应的高程值；
特征确定模块，用于根据第一三维点云数据确定高程分布特征；
目标网格确定模块，用于根据高程分布特征和高程值确定目标网格，目标网格为与斜坡关联的点云网格；
斜坡检测模块，用于根据与斜坡关联的点云网格中的点云确定斜坡的检测结果。
本发明第五方面提供一种机械设备，该机械设备包括：
扫描设备，用于扫描机械设备的作业环境，以生成第一三维点云数据；以及
上述的处理器。
通过上述技术方案，获取机械设备的作业环境的第一三维点云数据，根据第一三维点云数据构建点云数字高程模型并确定高程分布特征，根据高程分布特征和点云数字高程模型中的高程值确定与斜坡关联的点云网格，最后再根据点云网格确定斜坡检测结果，该用于机械设备的斜坡检测方法能快速、准确地识别出机械设备作业环境中的斜坡，为机械设备的自动行驶和作业提供感知信息来源。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
图1是本发明实施例中用于机械设备的斜坡检测方法的第一流程示意图；
图2是本发明实施例中用于机械设备的斜坡检测方法的第二流程示意图；
图3是本发明实施例中斜坡检测装置的组成示意图。
附图标记说明
1 数据获取模块 2 模型构建模块
3 特征确定模块 4 目标网格确定模块
5 斜坡检测模块
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
本发明的实施例提供一种用于机械设备的斜坡检测方法，如图1所示，该斜坡检测方法包括如下步骤：
步骤S101：获取机械设备的作业环境的第一三维点云数据。
具体地，本实施例中的机械设备可以是挖掘机，该挖掘机包括扫描设备以及与扫描设备通信连接的处理器，进一步地，扫描设备可以为安装在挖掘机车身上的激光雷达传感器，能够实时扫描挖掘机的作业环境；处理器中包括有数据获取模块1，扫描设备在扫描完成以后将生成的扫描数据发送给处理器，以便处理器中的数据获取模块1获取到第一三维点云数据。
步骤S102：根据第一三维点云数据构建点云数字高程模型，点云数字高程模型包括多个第一网格以及与各个第一网格对应的高程值。
在本发明的一个实施例中，步骤S102：根据第一三维点云数据构建点云数字高程模型包括如下步骤：
根据第一三维点云数据构建第一网格；
根据第一三维点云数据的第一坐标值和第二坐标值将第一三维点云数据投射到第一网格中，以构建点云数字高程模型，其中，第一坐标值和第二坐标值是垂直于高程方向的平面上的坐标值。
在本发明的一个实施例中，第一三维点云数据为机械设备的作业环境的原始三维点云数据，或对针对原始三维点云数据进行体素网格化处理后的三维点云数据。
扫描设备扫描后直接获得的数据为机械设备的作业环境的原始三维点云数据，若上述原始三维点云数据传输到处理器中以后没有经过处理而直接发送给数据获取模块1，则数据获取模块1获得的第一三维点云数据就是机械设备的作业环境的原始三维点云数据；在本发明的另一个实施例中，处理器中还包括体素网格化处理模块，该体素网格化处理模块能对原始三维点云进行体素网格化处理，在该实施例中，扫描设备先将原始三维点云数据传送给体素网格化处理模块，体素网格化处理模块对原始三维点云数据进行体素网格化处理，体素网格化处理后得到的数据为第一三维点云数据，体素网格化处理模块再将上述第一三维点云数据发送给数据获取模块1，该种方式既不丢失机械设备作业环境的点云轮廓特征，又能降低点云数据的处理量，提升数据处理的效率。
具体地，体素网格处理模块基于体素网格的思想，对原始三维点云数据进行体素网格化处理，体素网格化处理后的原始三维点云数据转变成多个微小空间的三维立方体的集合(即体素网格集合)。进一步地，对原始三维点云数据进行体素网格化处理需要先设置固定的体素网格边长lo(本实施例中lo预先存储在处理器中，在需要时调取出来即可)，之后根据原始三维点云数据获取上述数据分别在x、y、z三个方向上的最大值和最小值，在获得lo和上述数据分别在x、y、z三个方向上的最大值、最小值后，根据以下公式确定体素网格集合整体的分辨率a*b*c：
Figure BDA0003807258990000071
Figure BDA0003807258990000072
Figure BDA0003807258990000073
其中，xmax为原始三维点云数据在x方向上的最大值，xmin为原始三维点云数据在x方向上的最小值，ymax为原始三维点云数据在y方向上的最大值，ymin为原始三维点云数据在y方向上的最小值，zmax为原始三维点云数据在z方向上的最大值，zmin为原始三维点云数据在z方向上的最小值。
在确定体素网格集合整体的分辨率a*b*c后即可获得体素网格集合，将原始三维点云数据投射到上述的体素网格集合中，之后即可获取体素网格集合中每个体素网格的点云数量np，其中，体素网格中点云的坐标值为(xi，yi，zi)。
根据以下公式确定体素网格化处理后的三维点云数据：
Figure BDA0003807258990000074
Figure BDA0003807258990000075
Figure BDA0003807258990000076
其中，Cx为体素网格中点云的x方向坐标值，Cy为体素网格中点云的y方向坐标值，Cz为体素网格中点云的z方向坐标值，np为体素网格中点云的数量，∑xi为体素网格中点云的xi值的累加和，∑yi为体素网格中点云的yi值的累加和，∑zi为体素网格中点云的zi值的累加和。根据上述公式进行体素网格化处理后得到的点云数据为第一三维点云数据。
在本发明的一个实施例中，根据第一三维点云数据构建第一网格又包括如下步骤：
确定第一三维点云数据的最大第一坐标值和最小第一坐标值；
根据最大第一坐标值和最小第一坐标值确定第一网格的列数；
确定第一三维点云数据的最大第二坐标值和最小第二坐标值；
根据最大第二坐标值和最小第二坐标值确定第一网格的行数；
根据列数和行数构建第一网格。
具体地，处理器中还包括模型构建模块2，数据获取模块1在获得第一三维点云数据后将其发送给模型构建模块2，以便模型构建模型根据第一三维点云数据构建点云数字高程模型。本实施例中的第一三维点云数据是原始三维点云数据体素网格化处理后得到的三维点云数据，根据公式(4)-公式(6)，模型构建模块2计算出体素网格集合中每个体素网格的点云(Cx，Cy，Cz)，本实施例中的第一网格为二维规则网格并在XOY坐标平面上，构建第一网格时要先设置第一网格的边长grid_size(本实施例中grid_size预先存储在处理器中，在需要时调取出来即可)，根据每个体素网格的点云(Cx，Cy，Cz)确定体素网格集合中的点云在x方向的最大值Cxmax、最小值Cxmin，在y方向的最大值Cymax、最小值Cymin，再根据以下公式计算出第一网格的行数和列数：
Figure BDA0003807258990000081
Figure BDA0003807258990000082
其中，row为第一网格的行数，col为第一网格的列数，Cxmax为体素网格集合中的点云在x方向的最大值，Cxmin为体素网格集合中的点云在x方向的最小值，Cymax为体素网格集合中的点云在y方向的最大值，Cymin为体素网格集合中的点云在y方向的最小值。
将每个体素网格的点云(Cx，Cy，Cz)的第一坐标值Cx、第二坐标值Cy都投射到构建完成的第一网格中，即可完成点云数字高程模型的构建。
步骤S103：根据第一三维点云数据确定高程分布特征。
在本发明的一个实施例中，高程分布特征包括地面起伏度和高程离散度中的至少一项，其中，地面起伏度是第一网格中点云的高度值极差；高程离散度是第一网格中点云的高度值平均离差；此外，本实施例中处理器还包括特征确定模块3，高程分布特征的确定在特征确定模块3中进行。
步骤S104：根据高程分布特征和高程值确定目标网格，目标网格为与斜坡关联的点云网格。
本实施例中的处理器还包括目标网格确定模块4，目标网格的确定在目标网格确定模块4中进行。
在本发明的一个实施例中，步骤S104：高程分布特征包括地面起伏度和高程离散度，根据高程分布特征和高程值确定目标网格又包括如下步骤：
对地面起伏度和高程离散度进行加权求和操作，以确定高程分布特征值；
根据高程分布特征值对点云数字高程模型中的第一网格进行划分，以确定第二网格；
根据高程值和第二网格确定目标网格。
具体地，针对挖掘机作业场景存在地面及斜坡不平整，现有技术对斜坡进行感知或检测时通过单一的坡度阈值分割提取斜坡，容易将部分非平整地面识别为斜坡，进而导致斜坡检测精度低的问题，而本实施例基于地面点云分布较均匀、离散程度低的特性，对第一三维点云数据的高度值进行统计分析，采用多个统计特征对点云数字高程模型中的第一网格进行划分，以便后续确定地面点云网格和非地面点云网格。进一步优选地，本实施例中的多个统计特征值包括地面起伏度和高程离散度，其中，地面起伏度以第一网格中点云的高度值极差表示，高程离散度以第一网格中点云的高度值平均离差表示，地面起伏度可通过公式(9)计算得出，高程离散度可通过公式(10)计算得出：
range＝Czmax-Czmin (9)
其中，range为地面起伏度，Czmax为第一网格中点云的高度值最大值，Czmin为第一网格中点云的高度值最小值。根据上述公式可计算出第一网格中每一个网格对应的地面起伏度。
Figure BDA0003807258990000101
其中，MD(mean deviation)为高程离散度，Czk为第一网格中每一个网格的第k个点云的高度值(即点云在z方向上的值)，Czmean为第一网格中每一个网格的所有点云的高度值的平均值，point_size为第一网格中每一个网格的点云的总数量。
根据上述公式计算出第一网格中每一个网格的高程离散度后，基于以下公式即可计算出地面起伏度权重和高程离散度权重：
Figure BDA0003807258990000102
其中，wr为地面起伏度权重。
Figure BDA0003807258990000103
其中，wmd为高程离散度权重。
上述的地面起伏度权重和高程离散度权重均为自适应权重，即上述两个权重值均不是定值，而是可以根据挖掘机所处的不同作业环境，以及扫描设备生成到的不同初始三维点云数据自适应地发生变化，有利于进一步提升后续步骤中地面点云与非地面点云分割准确度，进而提升斜坡检测结果的准确度。
计算出地面起伏度、高程离散度、地面起伏度权重和高程离散度权重以后，根据以下公式即可计算出高程分布特征值：
DS＝wr*range+wmd*MD (13)
其中，DS(distribution statistics)为高程分布特征值。
在本发明的一个实施例中，根据高程分布特征值对点云数字高程模型中的第一网格进行划分，以确定第二网格又包括如下步骤：
获取预设高程分布分割阈值；
根据高程分布特征值和预设高程分布分割阈值将第一网格划分为地面点云网格和非地面点云网格；
确定非地面点云网格为第二网格。
本实施例中的预设高程分布分割阈值TDS预先存储在处理器中，在需要时将其调取出来即可。
特征确定模块3计算出点云数字高程模型中第一网格中每个网格的高程分布特征值DS，再将上述高程分布特征值DS发送给目标网格确定模块4，目标网格确定模块4将上述每个网格的高程分布特征值DS与预设高程分布分割阈值TDS进行比较，若DS<TDS，则判定被比较的第一网格为地面点云网格；若DS>TDS，则判定被比较的第一网格为非地面点云网格。本实施例中基于高程分布特征值和预设高程分布分割阈值对第一网格进行地面点云网格和非地面点云网格进行划分，若挖掘机的作业场景中存在不平整地面，该种划分方式能滤除地面点云网格中地面点云对后续斜坡检测的干扰，提升了斜坡检测的整体准确度。
在本发明的一个实施例中，根据高程值和第二网格确定目标网格又包括如下步骤：
根据第二网格中相邻网格的高程值确定坡度值；
获取预设坡度分割阈值；
根据坡度值和预设坡度分割阈值对第二网格进行划分，以确定目标网格。
具体地，目标网格确定模块4先提取出第二网格所对应的三维点云数据，之后再确定第二网格中每个网格的点云总数量以及其中点云的第三坐标值总和(即第二网格中每个网格的点云的Cz的总和)，再根据以下公式计算第二网格中每网格的所有点云的平均高度，该平均高度即为第二网格中每个网格对应的高程值：
Figure BDA0003807258990000121
其中，height为第二网格中某个网格的高程值；∑Cz为第二网格中某个网格的点云的第三坐标值总和；point_size为第二网格中某个网格的点云总数量。
在计算出第二网格中某个网格的高程值以后，目标网格确定模块4可进一步根据高程值计算出坡度值，具体地，基于激光雷达传感器的正向坐标轴X指向的方向，根据公式(16)计算点云数字高程模型中第二网格中某个网格(如第二网格的第m个网格)的高程值与前一个网格(如第二网格的第m-1个网格)的高程值之间的差值，令该差值为第二网格中第m个网格的坡度值：
slope＝heightm-heightm-1 (15)
其中，slope为第二网格中第m个网格的坡度值，heightm为第二网格中第m个网格的高程值，heightm-1为第二网格中第m-1个网格的高程值。根据上述公式可计算出第二网格中每一个网格的坡度值。
本实施例中的预设坡度分割阈值Tslope预先存储在处理器中，在需要时将其调取出来即可。
目标网格确定模块4计算出第二网格中每个网格的坡度值slope，之后再依次将第二网格中每个网格的坡度值slope与预设坡度分割阈值Tslope进行比较，若slope>Tslope，则判定第二网格中被比较的网格属于目标网格；若slope<Tslope，则判定第二网格中被比较的网格不属于目标网格，第二网格中所有网格被一一比较完成以后即可确定目标网格，目标网格为与斜坡关联的点云网格。
步骤S105：根据与斜坡关联的点云网格中的点云，确定斜坡的检测结果。
本实施例中处理器还包括斜坡检测模块5，斜坡的检测结果的确定在斜坡检测模块5中进行。
在本发明的一个实施例中，步骤S105：根据与斜坡关联的点云网格中的点云，确定斜坡的检测结果又包括如下步骤：
基于聚类算法对目标网格中的各个点云进行聚类处理，以确定聚类处理后的点云集合；
根据聚类处理后的点云集合确定斜坡的轮廓和/或方位。
具体地，在获取目标网格以后，采用聚类算法(如K-means聚类算法、Mean-Shift聚类算法、DBSCAN聚类算法等)对目标网格中的点云进行聚类处理，聚类处理后可得到多个点云簇C，每个点云簇C中包含有不同数量的点云，斜坡检测模块5在聚类处理之后再将各个点云簇C中的点云数量与预设最小聚类点云数量阈值Tcluster_number(本实施例中的预设最小聚类点云数量阈值Tcluster_number预先存储在处理器中，在需要时将其调取出来即可)进行对比，若被比较的点云簇C中的点云数量超过预设最小聚类点云数量阈值Tcluster_number，则输出当前被比较的点云簇C，输出完成后再处理下一个点云簇C；若被比较的点云簇C中的点云数量不超过预设最小聚类点云数量阈值Tcluster_number，则无需输出当前被比较的点云簇C，直接对下一个点云簇C进行处理。本实施例中对目标网格中的各个点云进行聚类处理，能够实现初始斜坡点云中离散及数量较少干扰点云的滤除，有利于进一步提升斜坡检测的准确性。
斜坡检测模块5在获得聚类处理后的点云集合后，由于点云集合中的各个点云都具有三维坐标值，斜坡检测模块5根据点云集合中的各个点云的三维坐标值即可绘制出斜坡的轮廓；此外，又由于点云集合中的各个点云都带有方向信息，斜坡检测模块5根据上述方向信息即可确定斜坡所在方位。
在本发明的另一个实施例中，斜坡检测模块5以平面矩形包围框来表征斜坡的轮廓，以上述平面矩形包围框所在方位表征斜坡所在方位，具体地，斜坡检测模块5先获得斜坡点云集合中斜坡点云的最左上点云、最右下点云各自的三维坐标值，最左上点云的三维坐标值为(xtop_left，ytop_left，ztop_left)，最右下点云的三维坐标值为(xbottom_right，ybottom_right，zbottom_right)，获取上述两个点云的中间点，以中间点相对挖掘机所在方位作为斜坡的方位；将上述最左上点云、最右下点云投影到XOY平面上，并基于两者在XOY平面上的坐标绘制平面矩形包围框，以绘制后的平面矩形包围框作为斜坡的轮廓。
在本发明的另一个实施例中，处理器执行如图2所示的斜坡检测方法，具体地，先获取第一三维点云数据，其中，该第一三维点云数据为所述机械设备的作业环境的原始三维点云数据；之后对上述第一三维点云数据进行体素网格化处理，以减少点云数据的处理量；在体素网格化处理后，基于体素网格化处理后得到的点云数据构建二维规则网格，再在构建完成的二维规则网格的基础上进一步构建点云数字高程模型，该点云数字高程模型可用于进行高程值计算和坡度值计算，且点云数字高程模型中包括多个第一网格，此处的第一网格即为二维规则网格；在点云数字高程模型构建完成后，应该进行多尺度斜坡点云提取，该多尺度斜坡点云提取又包括：(1)根据多尺度自适应权重提取非地面点云网格，其中，多尺度自适应权重包括地面起伏度权重和高程离散度权重，非地面点云网格是根据多尺度自适应权重对二维规则网格进行分割提取而出；(2)根据预设坡度分割阈值提取目标网格，其中，预设坡度分割阈值预先存储在处理器中，使用时将其调取出即可；处理器根据预设坡度分割阈值对非地面点云网格进行分割提取即可获得目标网格，该目标网格即为与斜坡关联的点云网格；(3)根据预设最小聚类点云数量阈值滤除干扰点云，其中，预设最小聚类点云数量阈值预先存储在处理器中，使用时将其调取出即可；处理器根据预设最小聚类点云数量阈值对目标网格中的初始斜坡点云进行滤除，以去除初始斜坡点云中离散及数量较少干扰点云；最后，处理器根据滤除干扰点云后获得的斜坡点云来确定斜坡的检测结果并输出，其中，斜坡的检测结果至少包括斜坡所在方位和斜坡的轮廓。
本发明的另一个实施例提供一种处理器，被配置为执行上述的用于机械设备的斜坡检测方法。
本发明的另一个实施例提供一种机器可读存储介质，机器可读存储介质上存储有指令，指令用于使得机器执行上述的用于机械设备的斜坡检测方法。
如图3所示，本发明的另一个实施例提供一种用于机械设备的斜坡检测装置，包括：
数据获取模块1，用于获取机械设备的作业环境的第一三维点云数据；
模型构建模块2，用于根据第一三维点云数据构建点云数字高程模型，点云数字高程模型包括多个第一网格以及与各个第一网格对应的高程值；
特征确定模块3，用于根据第一三维点云数据确定高程分布特征；
目标网格确定模块4，用于根据高程分布特征和高程值确定目标网格，目标网格为与斜坡关联的点云网格；
斜坡检测模块5，用于根据与斜坡关联的点云网格中的点云确定斜坡的检测结果。
本发明的另一个实施例中，模型构建模块2还用于根据第一三维点云数据构建第一网格；根据第一三维点云数据的第一坐标值和第二坐标值将第一三维点云数据投射到第一网格中，以构建点云数字高程模型，其中，第一坐标值和第二坐标值是垂直于高程方向的平面上的坐标值。
本发明的另一个实施例中，模型构建模块2还用于确定第一三维点云数据的最大第一坐标值和最小第一坐标值；根据最大第一坐标值和最小第一坐标值确定第一网格的列数；确定第一三维点云数据的最大第二坐标值和最小第二坐标值；根据最大第二坐标值和最小第二坐标值确定第一网格的行数；根据列数和行数构建第一网格。
本发明的另一个实施例中，目标网格确定模块4还用于对地面起伏度和高程离散度进行加权求和操作，以确定高程分布特征值；根据高程分布特征值对点云数字高程模型中的第一网格进行划分，以确定第二网格；根据高程值和第二网格确定目标网格。
本发明的另一个实施例中，目标网格确定模块4还用于获取预设高程分布分割阈值；根据高程分布特征值和预设高程分布分割阈值将第一网格划分为地面点云网格和非地面点云网格；确定非地面点云网格为第二网格。
本发明的另一个实施例中，目标网格确定模块4还用于根据第二网格中相邻网格的高程值确定坡度值；获取预设坡度分割阈值；根据坡度值和预设坡度分割阈值对第二网格进行划分，以确定目标网格。
本发明的另一个实施例中，斜坡检测模块5还用于基于聚类算法对目标网格中的各个点云进行聚类处理，以确定聚类处理后的点云集合；根据聚类处理后的点云集合确定斜坡的轮廓和/或方位。
本发明的另一个实施例提供一种机械设备，该机械设备包括：
扫描设备，用于扫描机械设备的作业环境，以生成第一三维点云数据；以及上述实施例中的处理器。
本发明提供一种用于机械设备的斜坡检测方法、处理器、机器可读存储介质、斜坡检测装置和机械设备，通过获取机械设备的作业环境的第一三维点云数据，根据第一三维点云数据构建点云数字高程模型并确定高程分布特征，根据高程分布特征和点云数字高程模型中的高程值确定与斜坡关联的点云网格，最后再根据点云网格确定斜坡检测结果，该用于机械设备的斜坡检测方法能快速、准确地识别出机械设备作业环境中的斜坡，为机械设备的自动行驶和作业提供感知信息来源。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (13)

1.一种用于机械设备的斜坡检测方法，其特征在于，包括：
获取机械设备的作业环境的第一三维点云数据；
根据所述第一三维点云数据构建点云数字高程模型，所述点云数字高程模型包括多个第一网格以及与各个所述第一网格对应的高程值；
根据所述第一三维点云数据确定高程分布特征；
根据所述高程分布特征和所述高程值确定目标网格，所述目标网格为与斜坡关联的点云网格；
根据所述与斜坡关联的点云网格中的点云，确定斜坡的检测结果。
2.根据权利要求1所述的用于机械设备的斜坡检测方法，其特征在于，所述第一三维点云数据为所述机械设备的作业环境的原始三维点云数据，或对针对原始三维点云数据进行体素网格化处理后的三维点云数据。
3.根据权利要求1所述的用于机械设备的斜坡检测方法，其特征在于，所述根据所述第一三维点云数据构建点云数字高程模型包括：
根据所述第一三维点云数据构建所述第一网格；
根据所述第一三维点云数据的第一坐标值和第二坐标值将所述第一三维点云数据投射到所述第一网格中，以构建所述点云数字高程模型，其中，所述第一坐标值和所述第二坐标值是垂直于高程方向的平面上的坐标值。
4.根据权利要求3所述的用于机械设备的斜坡检测方法，其特征在于，所述根据所述第一三维点云数据构建第一网格包括：
确定所述第一三维点云数据的最大第一坐标值和最小第一坐标值；
根据所述最大第一坐标值和所述最小第一坐标值确定所述第一网格的列数；
确定所述第一三维点云数据的最大第二坐标值和最小第二坐标值；
根据所述最大第二坐标值和所述最小第二坐标值确定所述第一网格的行数；
根据所述列数和所述行数构建所述第一网格。
5.根据权利要求1所述的用于机械设备的斜坡检测方法，其特征在于，所述高程分布特征包括地面起伏度和高程离散度中的至少一项，其中，所述地面起伏度是所述第一网格中点云的高度值极差；所述高程离散度是所述第一网格中点云的高度值平均离差。
6.根据权利要求5所述的用于机械设备的斜坡检测方法，其特征在于，所述高程分布特征包括所述地面起伏度和所述高程离散度，所述根据所述高程分布特征和所述高程值确定目标网格包括：
对所述地面起伏度和所述高程离散度进行加权求和操作，以确定高程分布特征值；
根据所述高程分布特征值对所述点云数字高程模型中的第一网格进行划分，以确定第二网格；
根据所述高程值和所述第二网格确定目标网格。
7.根据权利要求6所述的用于机械设备的斜坡检测方法，其特征在于，所述根据所述高程分布特征值对所述点云数字高程模型中的第一网格进行划分，以确定第二网格包括：
获取预设高程分布分割阈值；
根据所述高程分布特征值和所述预设高程分布分割阈值将所述第一网格划分为地面点云网格和非地面点云网格；
确定所述非地面点云网格为所述第二网格。
8.根据权利要求7所述的用于机械设备的斜坡检测方法，其特征在于，所述根据所述高程值和所述第二网格确定目标网格包括：
根据所述第二网格中相邻网格的高程值确定坡度值；
获取预设坡度分割阈值；
根据所述坡度值和所述预设坡度分割阈值对所述第二网格进行划分，以确定所述目标网格。
9.根据权利要求1所述的用于机械设备的斜坡检测方法，其特征在于，所述根据所述与斜坡关联的点云网格中的点云，确定斜坡的检测结果包括：
基于聚类算法对所述目标网格中的各个点云进行聚类处理，以确定聚类处理后的点云集合；
根据所述聚类处理后的点云集合确定所述斜坡的轮廓和/或方位。
10.一种处理器，其特征在于，被配置为执行根据权利要求1至9中任意一项所述的用于机械设备的斜坡检测方法。
11.一种机器可读存储介质，所述机器可读存储介质上存储有指令，其特征在于，所述指令用于使得机器执行根据权利要求1至9任一项所述的用于机械设备的斜坡检测方法。
12.一种用于机械设备的斜坡检测装置，其特征在于，包括：
数据获取模块(1)，用于获取机械设备的作业环境的第一三维点云数据；
模型构建模块(2)，用于根据所述第一三维点云数据构建点云数字高程模型，所述点云数字高程模型包括多个第一网格以及与各个所述第一网格对应的高程值；
特征确定模块(3)，用于根据所述第一三维点云数据确定高程分布特征；
目标网格确定模块(4)，用于根据所述高程分布特征和所述高程值确定目标网格，所述目标网格为与斜坡关联的点云网格；
斜坡检测模块(5)，用于根据所述与斜坡关联的点云网格中的点云确定斜坡的检测结果。
13.一种机械设备，其特征在于，所述机械设备包括：
扫描设备，用于扫描机械设备的作业环境，以生成第一三维点云数据；以及
根据权利要求10所述的处理器。
CN202211000716.2A 2022-08-19 2022-08-19 用于机械设备的斜坡检测方法、处理器和斜坡检测装置 Pending CN115546437A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211000716.2A CN115546437A (zh) 2022-08-19 2022-08-19 用于机械设备的斜坡检测方法、处理器和斜坡检测装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211000716.2A CN115546437A (zh) 2022-08-19 2022-08-19 用于机械设备的斜坡检测方法、处理器和斜坡检测装置

Publications (1)

Publication Number Publication Date
CN115546437A true CN115546437A (zh) 2022-12-30

Family

ID=84726484

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211000716.2A Pending CN115546437A (zh) 2022-08-19 2022-08-19 用于机械设备的斜坡检测方法、处理器和斜坡检测装置

Country Status (1)

Country Link
CN (1) CN115546437A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116052109A (zh) * 2023-03-06 2023-05-02 安徽蔚来智驾科技有限公司 点云特征获取方法、目标检测方法、设备、介质及车辆

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116052109A (zh) * 2023-03-06 2023-05-02 安徽蔚来智驾科技有限公司 点云特征获取方法、目标检测方法、设备、介质及车辆

Similar Documents

Publication Publication Date Title
CN109977466B (zh) 一种三维扫描视点规划方法、装置及计算机可读存储介质
CN110349092B (zh) 一种点云滤波方法及设备
CN109255302A (zh) 目标物识别方法及终端、移动装置控制方法及终端
CN111553946B (zh) 用于去除地面点云的方法及装置、障碍物检测方法及装置
CN113470090A (zh) 基于sift-shot特征的多固态激光雷达外参标定方法
CN114419085A (zh) 建筑物轮廓线自动提取方法、装置、终端设备及存储介质
CN111028350A (zh) 一种利用双目立体相机构建栅格地图的方法
KR101549155B1 (ko) 라이다 자료를 활용한 구조물의 직선경계 추출방법
CN113012063B (zh) 一种动态点云修复方法、装置及计算机设备
CN108345823A (zh) 一种基于卡尔曼滤波的障碍物跟踪方法和装置
CN115546437A (zh) 用于机械设备的斜坡检测方法、处理器和斜坡检测装置
CN115761303A (zh) 基于机载激光雷达点云和遥感影像数据的地物分类方法
KR101092250B1 (ko) 레인지 영상으로부터의 객체 분할 장치 및 방법
CN114581464A (zh) 边界检测方法、装置、电子设备及计算机可读存储介质
KR101814023B1 (ko) 유한차분격자 자료 자동 보정 장치 및 방법
CN114359856A (zh) 特征融合方法和装置、服务器、计算机可读存储介质
CN115311574B (zh) 一种建筑物监测方法、设备及介质
CN116503282A (zh) 基于流形的挖掘机施工环境场点云去噪方法及系统
CN110910435A (zh) 建筑物点云提取方法、装置、计算机设备及可读存储介质
CN106874916B (zh) 一种复杂外板点云场景对比提取方法及装置
CN116052099A (zh) 一种面向非结构化道路的小目标检测方法
CN115511899A (zh) 浅层小型滑坡形态结构的提取方法及装置
CN112508970B (zh) 一种点云数据分割方法及装置
CN111598901B (zh) 基于深度图像的牙科修复制品的加工进度的估算方法
CN114241057A (zh) 相机和激光雷达的外参标定方法、系统及可读存储介质

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