CN115661395B - 车位建图方法、车辆及存储介质 - Google Patents
车位建图方法、车辆及存储介质 Download PDFInfo
- Publication number
- CN115661395B CN115661395B CN202211679850.XA CN202211679850A CN115661395B CN 115661395 B CN115661395 B CN 115661395B CN 202211679850 A CN202211679850 A CN 202211679850A CN 115661395 B CN115661395 B CN 115661395B
- Authority
- CN
- China
- Prior art keywords
- parking space
- point
- point cloud
- data
- cloud set
- 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
Links
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明涉及自动驾驶技术领域,具体提供一种车位建图方法、车辆及存储介质,旨在解决现有的车位建图方法对应的车位建图精度较差的技术问题。为此目的,本发明的车位建图方法包括:基于车辆定位数据、激光雷达数据和环视相机检测数据确定每个车位角点对应的地面参数信息;基于车辆定位数据和每个车位角点对应的地面参数信息确定每个车位角点的三维位置信息;对所有车位角点的三维位置信息进行融合,得到车位建图结果。如此,提高了车位建图精度。
Description
技术领域
本发明涉及自动驾驶技术领域,具体提供一种车位建图方法、车辆及存储介质。
背景技术
目前,在高精度地图产线中,停车位作图所占的人工成本较高,车位自动化建图是提高高精地图生产效率的关键技术。
环视相机由多个相机组成,经IPM变换到俯视图并拼接后,适合于停车位的自动检测工作。然而,IPM过程本身基于对地面是平面,以及各相机相对于地面的横滚角和俯仰角固定的假设。在一些起伏不平的路面,以及车身因过减速带等因素产生晃动时,前述两种假设与实际不符,容易造成建图精度的退化。通过激光雷达与相机融合还原相机检测的深度可以有效提升视觉检测的几何精度,但是对于装载有前向激光雷达的自动驾驶车辆,激光雷达与侧向、后向相机没有视野重叠,很难直接还原深度,导致车位建图精度较差。
相应地,本领域需要一种新的车位建图方案来解决上述问题。
发明内容
为了克服上述缺陷,提出了本发明,以提供解决或至少部分地解决上述的技术问题。本发明提供了一种车位建图方法、车辆及存储介质。
在第一方面,本发明提供一种车位建图方法,所述方法包括:基于车辆定位数据、激光雷达数据和环视相机检测数据确定每个车位角点对应的地面参数信息;基于所述车辆定位数据和所述每个车位角点对应的地面参数信息确定每个车位角点的三维位置信息;对所有车位角点的三维位置信息进行融合,得到车位建图结果。
在一个实施方式中,所述激光雷达数据为前向激光雷达数据;所述基于车辆定位数据、激光雷达数据和环视相机检测数据确定每个车位角点对应的地面参数信息,包括:获取每个车位角点对应的第一点云集合,其中基于所述车辆定位数据、激光雷达数据和环视相机检测数据获得所述第一点云集合,或通过图像三维重建方法获得所述第一点云集合;基于所述第一点云集合进行平面拟合,得到拟合平面;基于所述拟合平面确定所述每个车位角点对应的地面参数信息。
在一个实施方式中,当所述获取每个车位角点对应的第一点云集合是基于所述车辆定位数据、激光雷达数据和环视相机检测数据获得时,所述基于所述第一点云集合进行平面拟合,得到拟合平面,包括:在基于所述车辆定位数据、激光雷达数据和环视相机检测数据获得的第一点云集合进行平面拟合失败的情况下,再次执行“基于所述车辆定位数据、激光雷达数据和环视相机检测数据获得的第一点云集合”的步骤重新获取新的所述第一点云集合,或通过图像三维重建方法重新获取新的所述第一点云集合;并以重新获取的新的所述第一点云集合进行平面拟合。
在一个实施方式中,所述基于所述第一点云集合进行平面拟合,得到拟合平面还包括:在通过图像三维重建方法重新获取的新的所述第一点云集合进行平面拟合失败的情况下,再次执行“基于所述车辆定位数据、激光雷达数据和环视相机检测数据获得的第一点云集合”的步骤重新获取新的所述第一点云集合。
在一个实施方式中,所述基于所述车辆定位数据、激光雷达数据和环视相机检测数据获得所述第一点云集合,包括:根据所述车辆定位数据对多帧所述前向激光雷达数据进行拼接,得到局部点云地图;根据所述车辆定位数据将所述局部点云地图投影到相机坐标系,得到所述局部点云地图中的所有点云在相机拍摄的原始图像中的位置;基于所述环视相机检测数据和所述所有点云在原始图像中的位置从所述局部点云地图中确定每个车位角点对应的第一点云集合;或
所述通过图像三维重建方法获得所述第一点云集合,包括:获取当前帧原始图像以及历史帧原始图像;从所述原始图像中提取所述每个车位角点对应的特征点;对所述特征点进行跟踪和三维重建,得到所述每个车位角点对应的第一点云集合。
在一个实施方式中,所述基于所述环视相机检测数据和所述所有点云在原始图像中的位置从所述局部点云地图中确定每个车位角点对应的第一点云集合,包括:对于每个所述车位角点,在与所述车位角点对应的原始图像中获取预设数量的点云;基于所述预设数量的点云和预设半径确定预设区域;从所述局部点云地图中筛选出位于所述预设区域内的所有三维点云,得到与所述每个车位角点相关的所述第一点云集合。
在一个实施方式中,所述再次执行“基于所述车辆定位数据、激光雷达数据和环视相机检测数据获得的第一点云集合”的步骤包括:对于每个所述车位角点,以更大的预设半径执行所述“基于所述预设数量的点云和预设半径确定预设区域”步骤。
在一个实施方式中,所述基于所述车辆定位数据和所述每个车位角点对应的地面参数信息确定每个车位角点的三维位置信息,包括:基于所述车辆定位数据确定所述每个车位角点在原始图像上的位置和所述每个车位角点对应相机的相机光心的位置;基于所述每个车位角点在原始图像上的位置和每个所述车位角点对应相机的相机光心的位置确定每个车位角点对应的射线;基于所述每个车位角点对应的射线与所述每个车位角点对应的地面参数信息,确定所述每个车位角点的三维位置信息。
在第二方面,提供一种车辆,该车辆包括至少一个处理器和至少一个存储装置,所述存储装置适于存储多条程序代码,所述程序代码适于由所述处理器加载并运行以执行前述任一项所述的车位建图方法。
在第三方面,提供一种计算机可读存储介质,该计算机可读存储介质其中存储有多条程序代码,所述程序代码适于由处理器加载并运行以执行前述任一项所述的车位建图方法。
本发明上述一个或多个技术方案,至少具有如下一种或多种有益效果:
本发明中的车位建图方法,首先基于车辆定位数据、激光雷达数据和环视相机检测数据确定每个车位角点对应的地面参数信息;之后基于车辆定位数据和每个车位角点对应的地面参数信息确定每个车位角点的三维位置信息;对所有车位角点的三维位置信息进行融合,得到车位建图结果。如此,通过环视相机和激光雷达检测数据相结合获得了准确度较高的地面参数信息,进一步提高了车位建图的精度。
附图说明
参照附图,本发明的公开内容将变得更易理解。本领域技术人员容易理解的是:这些附图仅仅用于说明的目的,而并非意在对本发明的保护范围组成限制。此外,图中类似的数字用以表示类似的部件,其中:
图1是根据本发明的一个实施例的车位建图方法的主要步骤流程示意图;
图2是一个实施例将局部点云地图投影到相机坐标系的点云示意图;
图3是一个实施例中基于车位角点在原始图像上的位置和相机光心确定车位角点三维位置信息的示意图;
图4是根据本发明的一个实施例的车位建图方法的完整流程示意图;
图5是一个实施例中车辆的结构示意图。
具体实施方式
下面参照附图来描述本发明的一些实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非旨在限制本发明的保护范围。
在本发明的描述中,“模块”、“处理器”可以包括硬件、软件或者两者的组合。一个模块可以包括硬件电路,各种合适的感应器,通信端口,存储器,也可以包括软件部分,比如程序代码,也可以是软件和硬件的组合。处理器可以是中央处理器、微处理器、图像处理器、数字信号处理器或者其他任何合适的处理器。处理器具有数据和/或信号处理功能。处理器可以以软件方式实现、硬件方式实现或者二者结合方式实现。非暂时性的计算机可读存储介质包括任何合适的可存储程序代码的介质,比如磁碟、硬盘、光碟、闪存、只读存储器、随机存取存储器等等。术语“A和/或B”表示所有可能的A与B的组合,比如只是A、只是B或者A和B。术语“至少一个A或B”或者“A和B中的至少一个”含义与“A和/或B”类似,可以包括只是A、只是B或者A和B。单数形式的术语“一个”、“这个”也可以包含复数形式。
目前环视相机由多个相机组成,经IPM变换到俯视图并拼接后,适合于停车位的自动检测工作。然而,IPM过程本身基于对地面是平面,以及各相机相对于地面的横滚角和俯仰角固定的假设。在一些起伏不平的路面,以及车身因过减速带等因素产生晃动时,前述两种假设与实际不符,容易造成建图精度的退化。通过激光雷达与相机融合还原相机检测的深度可以有效提升视觉检测的几何精度,但是对于装载有前向激光雷达的自动驾驶车辆,激光雷达与侧向、后向相机没有视野重叠,很难直接还原深度,导致车位建图精度较差。
为此,本申请提出了一种车位建图方法、车辆及存储介质,首先基于车辆定位数据、激光雷达数据和环视相机检测数据确定每个车位角点对应的地面参数信息;之后基于车辆定位数据和每个车位角点对应的地面参数信息确定每个车位角点的三维位置信息;对所有车位角点的三维位置信息进行融合,得到车位建图结果。如此,通过环视相机和激光雷达检测数据相结合获得了准确度较高的地面参数信息,进一步提高了车位建图的精度。
参阅附图1,图1是根据本发明的一个实施例的车位建图方法的主要步骤流程示意图。
如图1所示,本发明实施例中的车位建图方法主要包括下列步骤S101-步骤S103。
步骤S101:基于车辆定位数据、激光雷达数据和环视相机检测数据确定每个车位角点对应的地面参数信息。
在一个具体实施方式中,所述激光雷达数据为前向激光雷达数据;所述基于车辆定位数据、激光雷达数据和环视相机检测数据确定每个车位角点对应的地面参数信息,包括:获取每个车位角点对应的第一点云集合,其中基于所述车辆定位数据、激光雷达数据和环视相机检测数据获得所述第一点云集合,或通过图像三维重建方法获得所述第一点云集合;基于所述第一点云集合进行平面拟合,得到拟合平面;基于所述拟合平面确定所述每个车位角点对应的地面参数信息。
具体地,环视相机检测数据中包括多个车位角点的检测信息,例如每个车位角点的位置信息。具体在确定每个车位角点对应的地面参数信息的过程中,可以首先获取每个车位角点对应的第一点云集合。
在一个具体实施方式中,可以基于车辆定位数据、激光雷达数据和环视相机检测数据获得所述第一点云集合,具体包括:根据所述车辆定位数据对多帧所述前向激光雷达数据进行拼接,得到局部点云地图。其中,车辆定位数据是高精度的自车位置数据。在该步骤中主要是按照自车位置数据对获取的多帧前向激光雷达数据进行拼接,得到局部点云地图。
根据所述车辆定位数据将所述局部点云地图投影到相机坐标系,得到所述局部点云地图中的所有点云在相机拍摄的原始图像中的位置。在该步骤中,由于局部点云地图是世界坐标系下的点云数据,可以先根据车辆定位数据将局部点云地图投影到车体坐标系,进一步根据相机标定投影参数将其投影到相机坐标系,从而得到局部点云地图中的所有点云在各个相机拍摄的原始图像中的位置。
基于所述环视相机检测数据和所述所有点云在原始图像中的位置从所述局部点云地图中确定每个车位角点对应的第一点云集合。在一个具体实施方式中,所述基于所述环视相机检测数据和所述所有点云在原始图像中的位置从所述局部点云地图中确定每个车位角点对应的第一点云集合,包括:对于每个所述车位角点,在与所述车位角点对应的原始图像中获取预设数量的点云;基于所述预设数量的点云和预设半径确定预设区域;从所述局部点云地图中筛选出位于所述第一预设区域内的所有三维点云,得到与所述每个车位角点相关的所述第一点云集合。
示例性的,具体如图2所示,图中白点是局部点云地图中的点云在某一相机原始图像上的投影,将Px作为在相机拍摄的原始图像上车位角点的一个示例,对确定每个车位角点对应的第一点云集合进行详细说明,但不限于于此。在一个实施例中,搜索距离Px最近邻的预设数量的点云,例如3个点云P0、P1、P2。以所述三个点云P0、P1、P2的中心为中心,以预设半径作为半径确定预设区域,在局部点云地图中删选出位于所述预设区域内的所有三维点云,得到所述车位角点Px对应的第一点云集合。
在一个具体实施方式中,还可以通过图像三维重建方法获得所述第一点云集合,具体包括:获取当前帧原始图像以及历史帧原始图像;从所述原始图像中提取所述每个车位角点对应的特征点;对所述特征点进行跟踪和三维重建,得到所述每个车位角点对应的第一点云集合。
将Px作为在相机拍摄的原始图像上车位角点的一个示例,但不限于此。具体来说,首先获取当前帧和历史帧的原始图像,并从所述原始图像中提取位于所述车位角点Px附近的多个像素点作为特征点,并对所述特征点进行跟踪和三维重建,得到所述车位角点Px对应的第一点云集合。
在获得每个车位角点对应的第一点云集合后,采用RANSAC算法或最小二乘估计方法等进行平面的拟合,得到每个车位角点对应的拟合平面。并以车位角点到拟合平面的距离作为指标评估拟合平面的质量。如果平面拟合质量较高,判定地面参数估计成功,将所述拟合平面的地面参数信息作为车位角点对应的局部平面参数。
在一个具体实施方式中,当所述获取每个车位角点对应的第一点云集合是基于所述车辆定位数据、激光雷达数据和环视相机检测数据获得时,所述基于所述第一点云集合进行平面拟合,得到拟合平面,包括:在基于所述车辆定位数据、激光雷达数据和环视相机检测数据获得的第一点云集合进行平面拟合失败的情况下,再次执行“基于所述车辆定位数据、激光雷达数据和环视相机检测数据获得的第一点云集合”的步骤重新获取新的所述第一点云集合,或通过图像三维重建方法重新获取新的所述第一点云集合;并以重新获取的新的所述第一点云集合进行平面拟合。
具体来说,在一个实施例中,首先对基于车辆定位数据、激光雷达数据和环视相机检测数据获得的第一点云集合进行平面拟合,在平面拟合失败的情况下,再次执行“基于所述车辆定位数据、激光雷达数据和环视相机检测数据获得的第一点云集合”的步骤重新获取新的所述第一点云集合,或者通过图像三维重建方法重新获取新的所述第一点云集合。并对新的所述第一点云集合进行平面拟合。
在一个具体实施方式中,所述基于所述第一点云集合进行平面拟合,得到拟合平面还包括:在通过图像三维重建方法重新获取的新的所述第一点云集合进行平面拟合失败的情况下,再次执行“基于所述车辆定位数据、激光雷达数据和环视相机检测数据获得的第一点云集合”的步骤重新获取新的所述第一点云集合。
在一个具体实施方式中,所述再次执行“基于所述车辆定位数据、激光雷达数据和环视相机检测数据获得的第一点云集合”的步骤包括:对于每个所述车位角点,以更大的预设半径执行所述“基于所述预设数量的点云和预设半径确定预设区域”步骤。
具体来说,在一个实施例中,在基于所述车辆定位数据、激光雷达数据和环视相机检测数据获得的第一点云集合进行平面拟合失败的情况下,进一步通过图像三维重建方法重新获取的新的所述第一点云集合进行平面拟合,以及在平面拟合失败的情况下,以更大的预设半径确定预设区域,在局部点云地图中删选出位于所述预设区域内的所有三维点云,得到某一车位角点对应的第一点云集合,并基于该第一点云集合重新进行平面拟合,并将拟合平面的参数信息作为该车位角点对应的地面参数信息。
步骤S102:基于所述车辆定位数据和所述每个车位角点对应的地面参数信息确定每个车位角点的三维位置信息。
具体地,基于所述车辆定位数据和所述每个车位角点对应的地面参数信息确定每个车位角点的三维位置信息可通过下述步骤S1021至步骤S1023实现。
步骤S1021:基于所述车辆定位数据确定所述每个车位角点在原始图像上的位置和所述每个车位角点对应相机的相机光心的位置。
具体来说,车辆定位数据包括自车在世界坐标系下的位置数据。通过车辆定位数据能够进一步确定相机在曝光时刻的车辆位姿和相机在世界坐标系下的位姿,进而根据车辆位姿确定每个车位角点在原始图像上的位置,以及基于相机位姿确定相机光心在世界坐标系下的位置。具体来说,在一个实施例中,如图3所示,以某一车位角点Px在原始图像上的坐标位置为c点作为示例进行举例说明。其中O为相机光心的位置,可以求解c点以及相机光心O在世界坐标系下的位置。
步骤S1022:基于所述每个车位角点在原始图像上的位置和每个所述车位角点对应相机的相机光心的位置确定每个车位角点对应的射线。
示例性地,以相机光心为起始点,连接相机光心O和c点得到车位角点Px对应的射线l。
步骤S1023:基于所述每个车位角点对应的射线与所述每个车位角点对应的地面参数信息,确定所述每个车位角点的三维位置信息。
得到车位角点Px对应的射线l后,求解射线l与所述地面参数信息对应的地平面的交点x,即得到车位角点检测点Px在世界坐标系下的三维位置。基于上述方法,能够得到每个车位角点在世界坐标系下的三维位置信息。如此,也可以得到单帧检测车位的车位角点在世界坐标系下的三维位置。
步骤S103:对所有车位角点的三维位置信息进行融合,得到车位建图结果。
具体来说,得到单帧车位检测的车位角点在世界坐标系下的三维位置后,采用目标状态估计方法,对多帧检测车位的车位角点进行跟踪和角点状态的融合估计,即可得到最终的车位建图结果。
基于上述步骤S101-步骤S103,首先基于车辆定位数据、激光雷达数据和环视相机检测数据确定每个车位角点对应的地面参数信息;之后基于车辆定位数据和每个车位角点对应的地面参数信息确定每个车位角点的三维位置信息;对所有车位角点的三维位置信息进行融合,得到车位建图结果。如此,通过环视相机和激光雷达检测数据相结合获得了准确度较高的地面参数信息,进一步提高了车位建图的精度。
在一个实施例中,具体如图4所示,通过高频车辆定位数据和前向激光雷达数据确定局部点云地图,并将局部点云地图中的所有点云投影在各个相机的原始图像上,进而结合环视相机检测的车位角点信息确定每个车位角点对应的第一点云集合,进而对所述第一点云集合进行平面拟合,以得到每个车位角点的地面参数信息。
需要指出的是,尽管上述实施例中将各个步骤按照特定的先后顺序进行了描述,但是本领域技术人员可以理解,为了实现本发明的效果,不同的步骤之间并非必须按照这样的顺序执行,其可以同时(并行)执行或以其他顺序执行,这些变化都在本发明的保护范围之内。
本领域技术人员能够理解的是,本发明实现上述一实施例的方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括:能够携带所述计算机程序代码的任何实体或装置、介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读存储介质不包括电载波信号和电信信号。
进一步,本发明还提供了一种车辆。在根据本发明的一个车辆实施例中,具体如图5所示,车辆包括至少一个处理器51和至少一个存储装置52,存储装置可以被配置成存储执行上述方法实施例的车位建图方法的程序,处理器可以被配置成用于执行存储装置中的程序,该程序包括但不限于执行上述方法实施例的车位建图方法的程序。为了便于说明,仅示出了与本发明实施例相关的部分,具体技术细节未揭示的,请参照本发明实施例方法部分。
在本发明实施例中车辆可以是包括各种设备形成的控制装置设备。在一些可能的实施方式中,车辆可以包括多个存储装置和多个处理器。而执行上述方法实施例的车位建图方法的程序可以被分割成多段子程序,每段子程序分别可以由处理器加载并运行以执行上述方法实施例的车位建图方法的不同步骤。具体地,每段子程序可以分别存储在不同的存储装置中,每个处理器可以被配置成用于执行一个或多个存储装置中的程序,以共同实现上述方法实施例的车位建图方法,即每个处理器分别执行上述方法实施例的车位建图方法的不同步骤,来共同实现上述方法实施例的车位建图方法。
上述多个处理器可以是部署于同一个设备上的处理器,例如上述车辆可以是由多个处理器组成的高性能设备,上述多个处理器可以是该高性能设备上配置的处理器。此外,上述多个处理器也可以是部署于不同设备上的处理器,例如上述车辆可以是服务器集群,上述多个处理器可以是服务器集群中不同服务器上的处理器。
进一步,本发明还提供了一种计算机可读存储介质。在根据本发明的一个计算机可读存储介质实施例中,计算机可读存储介质可以被配置成存储执行上述方法实施例的车位建图方法的程序,该程序可以由处理器加载并运行以实现上述车位建图方法。为了便于说明,仅示出了与本发明实施例相关的部分,具体技术细节未揭示的,请参照本发明实施例方法部分。该计算机可读存储介质可以是包括各种电子设备形成的存储装置设备,可选的,本发明实施例中计算机可读存储介质是非暂时性的计算机可读存储介质。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (8)
1.一种车位建图方法,其特征在于,所述方法包括:
基于车辆定位数据、激光雷达数据和环视相机检测数据获得每个车位角点对应的第一点云集合;
所述基于车辆定位数据、激光雷达数据和环视相机检测数据获得每个车位角点对应的第一点云集合,包括:
根据所述车辆定位数据对多帧所述激光雷达数据进行拼接,得到局部点云地图;
根据所述车辆定位数据将所述局部点云地图投影到相机坐标系,得到所述局部点云地图中的所有点云在相机拍摄的原始图像中的位置;
基于所述环视相机检测数据和所述所有点云在原始图像中的位置从所述局部点云地图中确定每个车位角点对应的第一点云集合;
基于所述第一点云集合确定每个车位角点对应的地面参数信息;
基于所述车辆定位数据和所述每个车位角点对应的地面参数信息确定每个车位角点的三维位置信息;
所述基于所述车辆定位数据和所述每个车位角点对应的地面参数信息确定每个车位角点的三维位置信息,包括:
基于所述车辆定位数据确定所述每个车位角点在原始图像上的位置和所述每个车位角点对应相机的相机光心的位置;
基于所述每个车位角点在原始图像上的位置和每个所述车位角点对应相机的相机光心的位置确定每个车位角点对应的射线;
基于所述每个车位角点对应的射线与所述每个车位角点对应的地面参数信息,确定所述每个车位角点的三维位置信息;
对所有车位角点的三维位置信息进行融合,得到车位建图结果。
2.根据权利要求1所述的车位建图方法,其特征在于,所述激光雷达数据为前向激光雷达数据;所述基于所述第一点云集合确定每个车位角点对应的地面参数信息,包括:
基于所述第一点云集合进行平面拟合,得到拟合平面;
基于所述拟合平面确定所述每个车位角点对应的地面参数信息。
3.根据权利要求2所述的车位建图方法,其特征在于,当所述获得每个车位角点对应的第一点云集合是基于所述车辆定位数据、激光雷达数据和环视相机检测数据获得时,所述基于所述第一点云集合进行平面拟合,得到拟合平面,包括:
在基于所述车辆定位数据、激光雷达数据和环视相机检测数据获得的第一点云集合进行平面拟合失败的情况下,再次执行“基于所述车辆定位数据、激光雷达数据和环视相机检测数据获得的第一点云集合”的步骤重新获取新的所述第一点云集合,或通过图像三维重建方法重新获取新的所述第一点云集合;并以重新获取的新的所述第一点云集合进行平面拟合。
4.根据权利要求3所述的车位建图方法,其特征在于,所述基于所述第一点云集合进行平面拟合,得到拟合平面还包括:
在通过图像三维重建方法重新获取的新的所述第一点云集合进行平面拟合失败的情况下,再次执行“基于所述车辆定位数据、激光雷达数据和环视相机检测数据获得的第一点云集合”的步骤重新获取新的所述第一点云集合。
5.根据权利要求4所述的车位建图方法,其特征在于,所述基于所述环视相机检测数据和所述所有点云在原始图像中的位置从所述局部点云地图中确定每个车位角点对应的第一点云集合,包括:
对于每个所述车位角点,在与所述车位角点对应的原始图像中获取预设数量的点云;
基于所述预设数量的点云和预设半径确定预设区域;
从所述局部点云地图中筛选出位于所述预设区域内的所有三维点云,得到与所述每个车位角点相关的所述第一点云集合。
6.根据权利要求5所述的车位建图方法,其特征在于,所述再次执行“基于所述车辆定位数据、激光雷达数据和环视相机检测数据获得的第一点云集合”的步骤包括:
对于每个所述车位角点,以更大的预设半径执行所述“基于所述预设数量的点云和预设半径确定预设区域”步骤。
7.一种车辆,包括至少一个处理器和至少一个存储装置,所述存储装置适于存储多条程序代码,其特征在于,所述程序代码适于由所述处理器加载并运行以执行权利要求1至6中任一项所述的车位建图方法。
8.一种计算机可读存储介质,其中存储有多条程序代码,其特征在于,所述程序代码适于由处理器加载并运行以执行权利要求1至6中任一项所述的车位建图方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211679850.XA CN115661395B (zh) | 2022-12-27 | 2022-12-27 | 车位建图方法、车辆及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211679850.XA CN115661395B (zh) | 2022-12-27 | 2022-12-27 | 车位建图方法、车辆及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115661395A CN115661395A (zh) | 2023-01-31 |
CN115661395B true CN115661395B (zh) | 2023-04-11 |
Family
ID=85022725
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211679850.XA Active CN115661395B (zh) | 2022-12-27 | 2022-12-27 | 车位建图方法、车辆及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115661395B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114283391A (zh) * | 2021-11-17 | 2022-04-05 | 上海智能网联汽车技术中心有限公司 | 一种融合环视图像与激光雷达的自动泊车感知方法 |
CN114842438A (zh) * | 2022-05-26 | 2022-08-02 | 重庆长安汽车股份有限公司 | 用于自动驾驶汽车的地形检测方法、系统及可读存储介质 |
CN115187737A (zh) * | 2022-06-27 | 2022-10-14 | 东南大学 | 一种基于激光与视觉融合的语义地图构建方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11494937B2 (en) * | 2018-11-16 | 2022-11-08 | Uatc, Llc | Multi-task multi-sensor fusion for three-dimensional object detection |
CN111045017B (zh) * | 2019-12-20 | 2023-03-31 | 成都理工大学 | 一种激光和视觉融合的巡检机器人变电站地图构建方法 |
CN111337947B (zh) * | 2020-05-18 | 2020-09-22 | 深圳市智绘科技有限公司 | 即时建图与定位方法、装置、系统及存储介质 |
CN111899554A (zh) * | 2020-06-27 | 2020-11-06 | 武汉中海庭数据技术有限公司 | 一种关联停车位与车道方法、装置、电子设备及存储介质 |
CN111833717B (zh) * | 2020-07-20 | 2022-04-15 | 阿波罗智联(北京)科技有限公司 | 用于定位交通工具的方法、装置、设备和存储介质 |
CN112507899B (zh) * | 2020-12-15 | 2024-05-28 | 上海有个机器人有限公司 | 一种三维激光雷达图像识别方法以及设备 |
CN114494629A (zh) * | 2022-01-27 | 2022-05-13 | 广东电网有限责任公司 | 一种三维地图的构建方法、装置、设备及存储介质 |
CN115407355B (zh) * | 2022-11-01 | 2023-01-10 | 小米汽车科技有限公司 | 库位地图的验证方法、装置及终端设备 |
-
2022
- 2022-12-27 CN CN202211679850.XA patent/CN115661395B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114283391A (zh) * | 2021-11-17 | 2022-04-05 | 上海智能网联汽车技术中心有限公司 | 一种融合环视图像与激光雷达的自动泊车感知方法 |
CN114842438A (zh) * | 2022-05-26 | 2022-08-02 | 重庆长安汽车股份有限公司 | 用于自动驾驶汽车的地形检测方法、系统及可读存储介质 |
CN115187737A (zh) * | 2022-06-27 | 2022-10-14 | 东南大学 | 一种基于激光与视觉融合的语义地图构建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115661395A (zh) | 2023-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2806396B1 (en) | Sparse light field representation | |
KR20210006511A (ko) | 차선 결정 방법, 디바이스 및 저장 매체 | |
WO2018120040A1 (zh) | 一种障碍物检测方法及装置 | |
US20120177284A1 (en) | Forming 3d models using multiple images | |
CN110119679B (zh) | 物体三维信息估计方法及装置、计算机设备、存储介质 | |
CN113409382A (zh) | 车辆损伤区域的测量方法和装置 | |
CN111932627B (zh) | 一种标识物绘制方法及系统 | |
CN111295667A (zh) | 图像立体匹配的方法和辅助驾驶装置 | |
EP3918570B1 (en) | Localization of elements in the space | |
CN115661395B (zh) | 车位建图方法、车辆及存储介质 | |
CN114120254A (zh) | 道路信息识别方法、装置及存储介质 | |
CN111383264A (zh) | 一种定位方法、装置、终端及计算机存储介质 | |
CN111553944B (zh) | 确定相机布局位置的方法、装置、终端设备及存储介质 | |
CN109034214B (zh) | 用于生成标记的方法和装置 | |
CN116228535A (zh) | 图像处理方法、装置、电子设备及车辆 | |
CN114359384A (zh) | 一种车辆定位方法、装置、车辆系统和存储介质 | |
CN113591720A (zh) | 车道偏离检测方法、装置及计算机存储介质 | |
CN111179210A (zh) | 一种人脸的纹理贴图生成方法、系统及电子设备 | |
CN116152783B (zh) | 目标元素标注数据的获取方法、计算机设备及存储介质 | |
CN114170326B (zh) | 获取相机坐标系原点的方法及装置 | |
CN113487746B (zh) | 一种车载点云着色中最优关联影像选择方法及系统 | |
CN111462309B (zh) | 三维人头的建模方法、装置、终端设备及存储介质 | |
CN116704151A (zh) | 三维重建方法、装置以及基于其的车辆、设备和介质 | |
CN116524202A (zh) | 车辆特征获取方法、车辆跨镜追踪方法、设备及存储介质 | |
CN117911558A (zh) | 机动车记忆泊车建图方法、装置及可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |