CN115752434A - 一种定位方法、装置、电子设备和存储介质 - Google Patents
一种定位方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN115752434A CN115752434A CN202211380731.4A CN202211380731A CN115752434A CN 115752434 A CN115752434 A CN 115752434A CN 202211380731 A CN202211380731 A CN 202211380731A CN 115752434 A CN115752434 A CN 115752434A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- data
- determining
- vehicle
- pose
- 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
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000007613 environmental effect Effects 0.000 claims abstract description 86
- 238000012937 correction Methods 0.000 claims abstract description 52
- 238000006073 displacement reaction Methods 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 24
- 230000009466 transformation Effects 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 18
- 238000005259 measurement Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012795 verification Methods 0.000 claims description 15
- 239000002245 particle Substances 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000001914 filtration Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000002310 reflectometry Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000010426 asphalt Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种定位方法、装置、电子设备和存储介质。其中,定位方法包括:获取环境点云数据以及车辆位姿增量;根据所述车辆位姿增量对所述环境点云数据进行点云畸变校正;在所述环境点云数据中确定环境特征数据;按照所述环境特征数据在预设高精地图内确定车辆位置。本发明实施例,通过获取环境点云数据以及车辆位姿增量,根据车辆位姿增量对环境点云数据进行点云畸变矫正,根据点云数据的环境特征数据在预设高精地图内确定车辆位置,实现车辆位置的精准定位,提升用户的使用体验。
Description
技术领域
本发明涉及计算机应用技术领域,尤其涉及一种定位方法、装置、电子设备和存储介质。
背景技术
定位技术是自动驾驶等机器人应用技术的基础和核心技术之一,为机器人提供位置和姿态。目前多数自动驾驶车辆以摄像头作为主要定位传感器,通过卷积神经网络对视觉图像中的灯柱等信息进行提取,获得环境的视觉特征,再通过三维摄影几何的方式还原出视觉特征点的深度信息。
但由于视觉传感器容易受到光照的影响,并且单目视觉的深度恢复误差较大,所以在定位的鲁棒性和精度上难以得到大的提升。所以,一种能够在不受视觉影响且能够实现车辆在高精度地图上定位的方法成为了目前亟待解决的问题。
发明内容
本发明提供了一种定位方法、装置、电子设备和存储介质,以实现车辆在高精度地图上精准定位,提升用户的使用体验。
根据本发明的一方面,提供了一种定位方法,其中,该方法包括:
获取环境点云数据以及车辆位姿增量;
根据车辆位姿增量对环境点云数据进行点云畸变校正;
在环境点云数据中确定环境特征数据;
按照环境特征数据在预设高精地图内确定车辆位置。
根据本发明的另一方面,提供了一种定位装置,其中,该装置包括:
数据采集模块,用于获取环境点云数据以及车辆位姿增量;
畸变校正模块,用于根据车辆位姿增量对环境点云数据进行点云畸变校正;
特征提取模块,用于在环境点云数据中确定环境特征数据;
车辆定位模块,用于按照环境特征数据在预设高精地图内确定车辆位置。
根据本发明的另一方面,提供了一种电子设备,电子设备包括:
至少一个处理器;以及
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的计算机程序,计算机程序被至少一个处理器执行,以使至少一个处理器能够执行本发明任一实施例的一种定位方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,计算机指令用于使处理器执行时实现本发明任一实施例的一种定位方法。
本发明实施例的技术方案,通过获取环境点云数据以及车辆位姿增量,根据车辆位姿增量对环境点云数据进行点云畸变矫正,实现点云图像的准确性,根据在点云数据中确定环境特征数据,按照环境特征数据在预设高精地图内确定车辆位置,实现了车辆位置的精准定位,提高用户的使用体验。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种定位方法的流程图;
图2是根据本发明实施例二提供的一种定位方法的流程图;
图3是根据本发明实施例三提供的在环境点云数据中确定环境特征数据的流程图;
图4是根据本发明实施例四提供的一种定位方法的流程图;
图5是根据本发明实施例四提供的一种地面点云提取原理图;
图6是根据本发明实施例四提供的一种点云数据采集入射角示例图;
图7是根据本发明实施例五提供的一种定位装置的结构示意图;
图8是实现本发明实施例的一种定位方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明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发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1是根据本发明实施例一提供的一种定位方法的流程图,本实施例可适用于车辆定位情况,该方法可以由定位装置来执行,该定位装置可以采用硬件和/或软件的形式实现,该定位装置可配置于车辆中。如图1所示,该方法包括:
S110、获取环境点云数据以及车辆位姿增量。
其中,点云数据可以是指三维坐标系统的一组向量的集合,点云数据可以通过三维成像传感器、激光雷达传感器等传感器进行获取;车辆位姿增量可以是指车辆对前一个时刻的位移增量和角度增量,是车辆位移与姿态的变化量。
在本发明实施例中,可以使用传感器对环境点云数据和车辆位姿增量进行检测,检测点云数据的传感器可以包括激光雷达传感器或者三维激光扫描仪等。检测车辆位姿增量可以直接通过位姿传感器连续采集车辆位姿数据,根据位姿改变量确定位姿增量;又或者可以通过采集位移变化和角度变化的传感器获取车辆位移数据和行驶角度数据,进而确定位姿增量。在一实施例中,环境点云数据的检测可以包括使用激光雷达传感器进行检测,通过激光雷达传感器向环境中物体发送激光信号,物体可以反射激光信息,所反射的激光可以携带环境中物体的方位、距离等信息,激光雷达传感器可以按照某种轨迹进行扫描环境,从而获取环境点云数据;通过使用三维激光扫描仪获取环境点云数据时,可以扫描选定的环境中的目标物体,三维激光扫描仪能大面积高分辨率地快速获取被测对象表面的三维坐标数据,从而获取点云数据。
S120、根据车辆位姿增量对环境点云数据进行点云畸变校正。
其中,点云畸变校正可以是指将畸变的点云数据纠正的过程。由于一帧点云中的点不是在同一时刻采集的,在采集过程中,传感器随着车辆运动,由于传感器测量的是物体和传感器之间的距离,所以不同激光点所在的坐标系可能是不同的,需要将环境点云数据统一到同一坐标系下,使得点云数据对齐,提高定位的准确性。
在本发明实施例中,通过位姿增量确定位姿增量对应的时间内环境点云数据在坐标系内的变化情况,使得环境点云数据统一到同一个坐标系下,从而实现点云畸变校正。点云畸变矫正的方式可以有多种,可以包括基于位姿增量通过神经网络模型进行校正,或者通过变换矩阵进行校正。在一实施例中,当采用神经网络模型进行点云畸变矫正时,可以预先构建位姿增量与点云畸变校正对应关系的神经网络模型,通过输入车辆位姿增量对环境点云数据进行点云畸变矫正。当采用变换矩阵进行点云畸变矫正时,可以通过位姿增量确定变换矩阵,通过变换矩阵辅助进行点云畸变校正。示例性的,可以通过计算环境点云数据与变换矩阵的乘积,以实现点云畸变矫正。
S130、在环境点云数据中确定环境特征数据。
其中,环境特征数据可以是指环境中可供识别的特殊数据,环境特征数据可以包括地面特征数据、物体特征数据等。
在本发明实施例中,点云数据中可以存在多个位置点,任意两个位置点之间的位置关系可以包括水平关系和竖直关系。通过不同的位置关系可以确定不同的环境特征数据。在一实施例中,可以按照相邻或者随机筛选等方式提取点云数据中任意两个位置点,通过两个位置点在坐标系中的坐标确定两个位置点之间的位置关系,根据位置关系确定环境数据特征。在一实施例中,可以当位置关系为水平关系时,确定环境特征数据为地面特征数据;当位置关系为竖直关系时,确定环境特征数据为物体特征数据。
S140、按照环境特征数据在预设高精地图内确定车辆位置。
其中,预设高精地图可以是指服务于自动驾驶系统的地图,可以是预先建立存储在车辆中。高精度地图可以通过矢量信息的形式存储道路语义信息,道路语义信息可以包括但不限于路面的灯杆、路牌等路面信息以及车道线等路面标识信息。
在本发明实施例中,高精度地图中可以存储灯杆、路牌、车道线等属性信息,根据环境特征数据可以在高精度地图中匹配对应的位置,可以将匹配的位置确定为车辆位置。环境特征数据可以在高精度地图中匹配对应的位置的方式可以包括环境特征数据在该精度地图中一一匹配对应,或者可以预先设置粒子滤波处理规则,确定环境特征数据可以在高精度地图中匹配对应的位置。在一实施例中,可以将环境特征数据一一对应高精度地图中的环境特征,通过对应环境特征数据,确定车辆所在位置周围的环境,实现在预设高精度地图中确定车辆位置。又或者,可以预先设置粒子滤波处理规则,通过将环境特征数据带入粒子滤波,对应高精度地图中的环境,通过预设粒子滤波处理规则实现在高精度地图中确定车辆位置。
本发明实施例,通过获取环境点云数据以及车辆位姿增量,根据车辆位姿增量对环境点云数据进行点云畸变矫正,根据在点云数据中确定环境特征数据,按照环境特征数据在预设高精地图内确定车辆位置,实现了按照环境特征数据确定车辆位置,达到车辆位置的精准定位,提升用户的使用体验。
实施例二
图2是根据本发明实施例二提供的一种定位方法的流程图,本实施例是在上述实施例的基础上对一种定位方法的进一步细化。如图2所示,该方法包括:
S210、启动激光雷达传感器测取环境点云数据,并控制位姿传感器按照阈值时间间隔测取至少两个位姿数据。
其中,激光雷达传感器可以是用于发射激光信号,并根据反射的激光信号确定点云数据的传感器;位姿传感器可以是指测量车辆位置与行驶角度的传感器。阈值时间间隔可以指位姿传感器采集位姿数据的间隔时长,每隔阈值时间间隔,位姿传感器可以采集一次位姿数据。位姿数据可以是指车辆在当前采集时刻的车辆位置和行驶角度数据。
在本发明实施例中,车辆可以启动激光雷达传感器检测环境中的点云数据,激光雷达传感器可以向环境中发射激光信号,并可以接收经环境中反射回的激光信号,所反射的激光信号可以携带物体方位、距离等信息,通过获取大量数据信息从而获取环境点云数据。车辆还可以控制位姿传感器采集位姿数据,可以是按照阈值时间间隔测取位姿数据。其中,阈值时间间隔可以是车辆厂商根据经验设定的时间,示例性的,车辆中存储的阈值时间间隔可以为10毫秒、100毫秒、1秒等,阈值时间间隔还可以具体为一个时间范围。由于位姿传感器按照阈值时间间隔获取位姿数据,所获取的位姿数据可以为多个。
S220、确定各位姿数据与基准位姿数据的位移增量和角度增量作为车辆位姿增量,其中,基准位姿数据为各位姿数据内第一个采集的位姿数据。
其中,基准位置数据可以是在测量位移增量和角度增量中用作起始位置的数据。基准位置数据的确定方式可以是预先设置的,由于位姿传感器采集的位姿数据为多个,可以将各位姿数据内第一个采集的位姿数据作为基准位姿数据。位移增量可以是指车辆各位姿数据中位移量相对于基准位姿数据的增加量,可以表征车辆在直线距离的移动量;角度增量可以是指车辆各位姿数据中相对于基准位姿数据的角度的变化量,可以表征车辆运动方向的变化量。
在本发明实施例中,各位姿数据均可以与基准位姿数据进行比较计算,以判断各位姿数据相对于基准位姿数据的位移增量和角度增量。可以将基准位姿数据与各位姿数据分别提取拆分为位移数据和角度数据,将各位姿数据中的位移数据和角度数据分别与基准数据中的位移数据和角度数据进行对比计算,获得位移增量和角度增量,并将该位移增量和角度增量作为车辆的位移增量。
S230、按照车辆位姿增量确定校正变换矩阵,确定校正变换矩阵与环境点云数据的乘积。
其中,校正变换矩阵可以是指根据车辆位姿增量确定的变换矩阵,可以是辅助点云数据校正的变换矩阵。校正变换矩阵可以由位姿增量的关系式组成。
在本发明实施例中,由于车辆的位姿增量可以包括位移增量和角度增量,根据位移增量和角度增强量可以确定校正变换矩阵。可以提取环境点云数据的坐标信息,环境点云数据的坐标信息也可以作为一个矩阵,可以计算该环境点云坐标信息矩阵与校正变换矩阵的乘积。
S240、将乘积作为点云畸变校正后的环境点云数据。
在本发明实施例中,点云畸变矫正在图形中的变换可以包括平移、旋转、缩放等以及它们的组合形式,如果将点云数据提取每个位置点,则对应的每个位置点的校正变换实质就是对这个位置点乘以校正变换矩阵。也就是说,可以将校正变换矩阵与环境点云数据的乘积作为点云畸变校正后的环境点云数据。
S250、确定环境点云数据内两个位置点的位置关系,其中,两个位置点为相同水平测量角度的相邻激光线束上的两个点云数据。
其中,两个位置点可以是由激光雷达传感器在同一水平测量角度测量的相邻激光束上的两个点云数据,可以是具有不同水平角度的两个点,两个位置点的位置关系可以包括水平关系和竖直关系。
在本发明实施例中,环境点云数据内两个位置点的位置关系可以通过位置点的坐标进行确定。激光雷达传感器在同一水平测量角度测量可以获取多条激光线束的数据,可以提取相邻激光线束的两个点云数据,获取两个点云数据的坐标确定其位置关系。在一个实施例中,可以在三维坐标系下,确认所提取的两个位置点的坐标信息,连接两个位置点,当两个位置点之间的连线与水平面的夹角接近0或者等于0时,可以确定两个位置点的位置关系为水平关系,当两个位置点之间的连线与水平面的夹角大于阈值角度时,可以认为两个位置点的位置关系为竖直关系。其中,阈值角度可以是厂家根据经验设定的,示例性的,车辆中存储的阈值角度可以包括88度、89度、90度等。
S260、若位置关系为水平关系,则确定两个位置点为环境特征数据中的地面特征数据。
其中,地面特征数据可以是指在地面表层上具有识别特征的数据,地面特征数据可以包括车道线数据等。
在本发明实施例中,当确定两个位置点的位置关系为水平关系时,可以认为两个位置点位于同一水平面上,此时可以确定两个位置点对应为环境特征数据中的地面特征数据。
S270、若位置关系为竖直关系,则确定两个位置点为环境特征数据中的物体特征数据。
其中,物体特征数据可以是指具有识别特征的物体数据,物体特征数据可以包括柱子、栏杆、路牌等一切可能阻碍车辆行驶的物体的特征数据。
在本发明实施例中,当确定两个位置点的位置关系为竖直关系时,可以认为两个位置点并不是位于同一水平面上,而是在竖直方向存在一定的高度差,可以确定两个位置点对应为环境特征数据中的物体特征数据。
S280、采集当前时刻的车辆先验位姿,并按照车辆先验位姿在预设高精地图内确定初始局部地图。
其中,车辆先验位姿可以是指通过高频传感器预测的车辆位姿;初始局部地图可以是指预设高精度地图中起始的车辆所在的区域局部地图,局部地图可以通过车辆先验位姿进行匹配。
在本发明实施例中,可以通过高频传感器采集当前时刻的车辆先验位姿,获取车辆先验位姿的传感器可以包括惯性测量单元(Inertial Measurement Unit,IMU)或者轮速传感器等。由于高频传感器检测的结果是超前于激光雷达传感器采集的车辆位姿,所以车辆先验位姿可以理解为车辆位姿的预测值。按照车辆先验位姿可以在预设高精地图内确定车辆所在位置的初始局部地图。
S290、按照预设粒子滤波处理规则处理环境特征数据和初始局部地图以确定车辆位置。
其中,预设粒子滤波处理规则可以是通过粒子滤波在状态空间中传播的随机样本来近似的表示概率密度函数,用样本均值代替积分运算,进而获得系统状态的最小方差估计,即可获得当前状态的最优估计。
在本发明实施例中,可以在初始局部地图中初始化环境特征数据的点云数据,通过将环境特征数据带入粒子滤波,对应初始局部地图中的环境,通过预设粒子滤波处理规则实现在初始局部地图中确定车辆位置。
本发明实施例中,通过激光雷达传感器获取环境点云数据,位姿传感器获取车辆位姿数据,根据位姿数据与基准位姿数据的位移增量和角度增量作为车辆的位移增量,实现位移增量的确定。根据车辆位移增量确定矫正变换矩阵,将矫正变换矩阵与环境点云的乘积作为点云畸变校正后的环境点云数据,实现点云畸变校正的准确性。通过确定点云数据内任意两位置点的位置关系以确定地面特征数据和物体特征数据,区分环境特征数据的种类。采集当前时刻的车辆先验位姿并确定初始局部地图,按照预设粒子滤波处理规则处理环境特征数据和初始局部地图以确定车辆位置,实现车辆的精准定位,提升用户的使用体验。
实施例三
图3是根据本发明实施例三提供的在环境点云数据中确定环境特征数据的流程图。本实施例是在上述实施例的基础上对S130的进一步细化。
如图3所示,该方法包括:
S310、提取环境点云数据内两个位置点的坐标信息。
在本发明实施例中,由于环境点云数据三维坐标系统中的一组向量的集合,所以可以读取环境点云数据中任意位置点的坐标信息。可以获取激光雷达传感器测取的相同水平测量角度的相邻激光线束上的两个点云数据,并通过坐标系读取位置点的坐标信息。
S320、按照坐标信息确定两个位置点的连线与水平面的倾斜夹角。
在本发明实施例中,可以连接任意两个位置点,根据坐标信息确认两个位置点的连线与水平面的倾斜夹角。在实际的操作过程中,两个位置点的连线可以与水平面相交,若两个位置点不在同一水平面上时,可以存在一个未与水平面相交的位置点。可以在未与水平面相交的位置点向水平面做投影。由于两个位置点的坐标信息是已确定的,水平面的投影点坐标信息可以根据两个位置点确定。两个位置点与水平面的投影点可以组成直角三角形,通过三角函数可以确定两个位置点的连线与水平面的倾斜夹角。
S330、在倾斜夹角小于第一阈值角度的情况下,确定位置关系为水平关系。
其中,第一阈值角度可以是指判断位置关系为水平关系的最大角度,也就是说,当两个位置点的连线与水平面的倾斜夹角小于第一阈值角度时,可以认为两个位置点的位置关系为水平关系。
在本发明实施例中,可以将两个位置点的连线与水平面的倾斜夹角和第一阈值角度进行比较,当倾斜角度小于第一阈值角度时,可以认为两个位置点基本在同一水平面上,则可以确认两个位置点的位置关系为水平关系。其中,第一阈值角度可以是车辆厂商根据经验设定的角度,示例性的,车辆中存储的第一阈值角度可以为0度、1度、2度等,阈值时间间隔还可以具体为一个角度范围。在一个实施例中,当两个位置点的连线与水平面的倾斜夹角小于1度时,可以认为两个位置点位置关系为水平关系。
S340、在倾斜夹角大于第二阈值角度的情况下,确定位置关系为竖直关系。
其中第二阈值角度可以是指判断位置关系为竖直关系到最小夹角,也就是说,当两个位置点的连线与水平面的倾斜夹角大于第二阈值角度时,可以认为两个位置点的位置关系为竖直关系。
在本发明实施例中,可以将倾斜夹角和第二阈值角度进行比较,当倾斜角度大于第二阈值角度时,可以认为两个位置点不在同一水平面上,则可以确认两个位置点的位置关系为竖直关系。其中,第二阈值角度可以是车辆厂商根据经验设定的角度,示例性的,车辆中存储的第二阈值角度可以为88度、89度、90度等,阈值时间间隔还可以具体为一个角度范围。在一个实施例中,当倾斜夹角大于89度时,可以认为两个位置点位置关系为竖直关系。
S350、若位置关系为水平关系,则确定两个位置点为环境特征数据中的地面特征数据。
S360、若位置关系为竖直关系,则确定两个位置点为环境特征数据中的物体特征数据。
在一实施例中,在环境点云数据中确定环境特征数据,还包括:确定地面特征数据内各位置点的点云强度值;若点云强度值小于强度阈值,则确定位置点为路面特征数据;若点云强度值大于或等于强度阈值,则确定位置点为车道线特征数据。
其中,点云强度值可以是指根据环境中物体表面反射率记录返回信号的强度;强度阈值可以是区分判断路面特征数据和车道线特征数据点云强度值的临界值,通过强度阈值可以确定位置点对应的环境特征数据,强度阈值可以是厂商根据经验设定的数值。
在实施例中,由于路面和车道线的点云强度值有明显的区分,可以通过设置强度阈值确认路面特征数据和车道线线特征数据。各位置点的点云强度值可以通过提取点云信息进行获取,点云强度值可以在传感器采集点云信息时采集。车辆可以提取存储于本地的强度阈值,并将各位置点点云强度值与强度阈值进行比较,当点云强度值小于强度阈值时,则可以认为位置点为路面特征数据;当点云强度值大于或等于强度阈值,则可以认为位置点为车道线特征数据。
本发明实施例,通过在环境点云数据内提取任意两个位置点的坐标信息,按照坐标信息确定两个位置点的连线与水平面的倾斜夹角,根据两个位置点的连线与水平面的倾斜夹角确定两位置点的位置关系,进而确定环境特征数据中的地面特征数据和物体特征数据,实现了准确在环境点云数据中确定环境特征数据。
在一实施例中,强度阈值的确定包括:按照预设最大类间方差规则确定地面特征数据的强度阈值。
其中,预设最大类间方差规则是一种确定图像二值化分割阈值的算法,是可以自适应阈值确定的方法。在本发明实施例中,按照预设最大类间方差规则可以根据图像的灰度特性,将图像分为路面和车道线两个部分,当取最佳强度阈值时,两部分的差别应该是最大的,根据图像的灰度特性按照预设最大类间方差规则可以计算最佳的强度阈值。
在一实施例中,由于提取车道线时是基于点云反射强度的不同来完成的,而点云强度除了受到不同材料的影响,还受到入射角以及距离的影响。假设物体表面与激光束的入射角为α,对激光雷达的激光测量按照如下公式进行建模,可以将影响点云强度的值进行量化。
其中:I为激光雷达的强度值;Pe为发射激光束的功率;Pr为雷达强度的能量值;Dr为接收器的孔径;ηsys为系统发射因子;ηatm为大气发射因子;α为物体表面与激光束的入射角;ρ为物体材料的反射率;R为测量的距离。
在一实施例中,在环境点云数据中确定环境特征数据,还包括:对物体特征数据进行聚类操作,并获取至少一个聚类点云簇;生成各聚类点云簇的几何约束校验结果;按照几何约束校验结果将聚类点云簇分别确定为柱子特征数据、栏杆特征数据和路牌特征数据中至少之一。
其中,聚类操作可以是指按照特定的标准(例如距离等)将物体特征数据割成不同的类或簇,使得同一个簇内的数据对象的相似性更大,同时确定不在同一个簇中的数据对象的差异性大的操作过程;聚类点云簇可以是点云数据经过聚类操作得到的。几何约束校验结果可以是指对物体特征数据的各部分位置关系施加几何学的限制后及校验结果。
在本发明实施例中,可以将物体特征数据按分割成不同的聚类点云簇,并生成各聚类点云簇的几何约束校验结果。在一实施例中,几何约束校验结果可以根据对每个聚类点云簇通过主成分分析方法(Principal Component Analysis,PCA)分析得到其特征值,根据特征值可以确定物体为柱子、路牌、栏杆等。在一实施例中,当采用柱子的几何约束校验提取的点云簇可以确定为柱子特征数据;当采用路牌的几何约束校验提取的点云簇可以确定为路牌特征数据;当采用采用栏杆的几何约束校验提取的点云簇可以确定为栏杆特征数据。在一实施例中,路牌的提取还可以对平面点云簇进行点云强度校验和平面法向量计算,将平面法向量与车辆行进方向一致,并且点云强度值大于强度阈值的点云簇认为为路牌。
实施例四
图4是根据本发明实施例四提供的一种定位方法的流程图,本实施例是在上述实施例的基础上的一个具体实施例。如图4所示,该方法包括:
S4010、获取环境中点云数据。
S4020、获取车辆位姿增量。
在实施例中,可以通过车辆所携带的速度、加速度等传感器计算车辆每一个时刻的位姿增量。位姿增量可以包括位移和角度的增量。
S4030、根据车辆位姿增量对环境中点云数据进行点云畸变矫正。
在实施例中,激光雷达传感器作为一种飞行时间测距传感器,其测量是建立在车辆运动状态静止的假设之下的。而车辆在高速运动的状态下,静止假设将不再成立,导致激光雷达的在测量的过程中自身也发生了位姿改变,这种位姿改变会在测量得到的数据中有明显的体现。为了降低车辆运动给点云带来的测量畸变,可以依据激光雷达在一次测量期间车辆测量得到的位姿增量进行点云畸变矫正。
其原理如下公式所示,在当前第k帧激光雷达开始测量时得到时间tk以及车辆的位姿Tk,然后依据每一个雷达测量点的时间tk+i获取车辆相对于tk时刻的位姿增量△T,然后将当前测量点Pi根据该位姿增量转换到tk时刻。
P′i=ΔT×Pi
其中:P′i表示矫正畸变后的测量点;ΔT表示当前测量点相对于该次测量开始之后,激光雷达位姿的变化,可以是一个4x4的变换矩阵,Pi标识矫正畸变前的测量点。
S4040、提取地面点云数据。
图5是根据本发明实施例四提供的一种地面点云提取原理图,如图5所示,A点和B点是激光雷达传感器在同一旋转角度下测量得到的,它们是相邻的激光线束。C点是通过B点在水平面的投影点。通过三角函数计算倾斜角β,对于接近于0度的相邻点认定为地面点。
S4050、对地面点云数据进行点云强度值矫正。
图6是根据本发明实施例四提供的一种点云数据采集入射角示例图,由于提取车道线时时基于点云反射强度的不同来完成的,而点云强度除了受到不同材料的影响,还受到入射角以及距离的影响。如图6所示,α为点云的入射角,n为平面的法向量。
对激光雷达的激光测量按照如下公式进行建模,可以将影响点云强度的值进行量化。
其中:I为激光雷达的强度值;Pe为发射激光束的功率;Pr为雷达强度的能量值;Dr为接收器的孔径;ηsys为系统发射因子;ηatm为大气发射因子;α为物体表面与激光束的入射角;ρ为物体材料的反射率;R为测量的距离。
S4060、提取地面车道线。
在实施例中,经过强度矫正之后的地面点云包括车道线和沥青路面,根据实验发现路面和车道线在点云强度值中有着明显的区分,可以通过设定强度阈值提取车道线,当小于阈值时该点被判断为地面,大于阈值则被判定为车道线。由于不同的城市路面其磨损以及材料的差异,设置固定的分割阈值有时不具备普适性,为了实现自适应阈值设定,可以通过最大类间方差法(OTSU)算法自动计算阈值,OTSU算法可以通过计算车道线点云数据和路面点云数据的方差确定最大区分两类数据的阈值。
S4070、提取柱子、栏杆、路牌等物体点云特征数据。
在实施例中,通过计算相邻帧的点云与水平面的夹角计算柱子、栏杆、路牌等特征。由于这些特征均垂直与地面,因此可以保留那些夹角接近于90度的点云数据。由于城市路面还会有建筑物的干扰,因此还可以进一步对保留下来的潜在特征进行后处理。具体处理方式可以为,首先进行聚类操作,然后对每一个类进行几何约束校验。几何约束校验主要步骤可以包括,对每一个聚类点云簇进行PCA分析得到其特征值,从中提取出平面和柱子,对平面点云簇进行点云强度检验和平面法向量计算,那些平面法向量与车辆行进方向一致,并且点云强度值大于阈值的点云即认定为路牌。
S4080、建立高精度地图(HD Map)。
在实施例中,可以通过高精度定位设备和传感器采集道路信息,并建立高精度地图。高精度地图以矢量信息的形式存储道路语义信息。包括但不限于点、线、面等矢量信息,并存储路面的灯杆、路牌、路沿等路面信息,以及实线、虚线、文字等路面标识信息。
S4090、将地面车道线和柱子、栏杆、路牌等环境特征数据和高精度地图进行粒子滤波。
在实施例中,可以通过车辆自身位姿传感器获取车辆位姿先验,在高精度地图中加载出局部地图,然后使用前述观测得到的点云特征带入粒子滤波中实现在高精度地图中连续定位。通过粒子滤波在状态空间中传播的随机样本来近似的表示概率密度函数,用样本均值代替积分运算,进而获得系统状态的最小方差估计,即可获得当前状态的最优估计。
S4100、输出车辆位置。
实施例五
图7是根据本发明实施例五提供的一种定位装置的结构示意图。如图7所示,该装置包括:数据采集模块51,畸变校正模块52,特征提取模块53和车辆定位模块54。
其中,数据采集模块51,用于获取环境点云数据以及车辆位姿增量。
畸变校正模块52,用于根据车辆位姿增量对环境点云数据进行点云畸变校正。
特征提取模块53,用于在环境点云数据中确定环境特征数据。
车辆定位模块54,用于按照环境特征数据在预设高精地图内确定车辆位置。
本发明实施例,通过数据采集模块获取环境点云数据以及车辆位姿增量,畸变校正模块根据车辆位姿增量对环境点云数据进行点云畸变矫正,特征提取模块根据在点云数据中确定环境特征数据,车辆定位模块按照环境特征数据在预设高精地图内确定车辆位置,实现了按照环境特征数据确定车辆位置,达到车辆位置的精准定位,提升用户的使用体验。
在一实施例中,数据采集模块51包括:
位姿数据采集单元,用于启动激光雷达传感器测取环境点云数据,并控制位姿传感器按照阈值时间间隔测取至少两个位姿数据。
位姿增量获取单元,用于确定各位姿数据与基准位姿数据的位移增量和角度增量作为车辆位姿增量,其中,基准位姿数据为各位姿数据内第一个采集的位姿数据。
在一实施例中,畸变校正模块52包括:
乘积确认单元,用于按照车辆位姿增量确定校正变换矩阵,确定校正变换矩阵与环境点云数据的乘积。
畸变校正单元,用于将乘积作为点云畸变校正后的环境点云数据。
在一实施例中,特征提取模块53包括:
位置确定单元,用于确定环境点云数据内两个位置点的位置关系,其中,两个位置点为相同水平测量角度的相邻激光线束上的两个点云数据。
第一数据确定单元,用于若位置关系为水平关系,则确定两个位置点为环境特征数据中的地面特征数据。
第二数据确定单元,用于若位置关系为竖直关系,则确定两个位置点为环境特征数据中的物体特征数据。
在一实施例中,位置确定单元包括:
坐标信息提取单元,用于提取环境点云数据内两个位置点的坐标信息。
夹角确认单元,用于按照坐标信息确定两个位置点的连线与水平面的倾斜夹角。
第一位置关系确定单元,用于在倾斜夹角小于第一阈值角度的情况下,确定位置关系为水平关系。
第二位置关系确定单元,用于在倾斜夹角大于第二阈值角度的情况下,确定位置关系为竖直关系。
在一实施例中,特征提取模块53还包括:
强度值却单元,用于确定地面特征数据内各位置点的点云强度值。
第一强度值对比单元,用于若点云强度值小于强度阈值,则确定位置点为路面特征数据。
第二强度值对比单元,用于若点云强度值大于或等于强度阈值,则确定位置点为车道线特征数据。
在一实施例中,点云强度值的确定包括:按照预设最大类间方差规则确定地面特征数据的点云强度值。
在一实施例中,特征提取模块53还包括:
聚类点云获取单元,用于对物体特征数据进行聚类操作,并获取至少一个聚类点云簇。
结果校验单元,用于生成各聚类点云的几何约束校验结果。
特征数据确定单元,用于按照几何约束校验结果将聚类点云分别确定为柱子特征数据、栏杆特征数据和路牌特征数据中至少之一。
在一实施例中,车辆定位模块54包括:
初始地图确认单元,用于采集当前时刻的车辆先验位姿,并按照车辆先验位姿在预设高精地图内确定初始局部地图。
车辆位置确定单元,用于按照预设粒子滤波处理规则处理环境特征数据和初始局部地图以确定车辆位置。
本发明实施例所提供的一种定位装置可执行本发明任意实施例所提供的一种定位方法,具备执行方法相应的功能模块和有益效果。
实施例六
图8是实现本发明实施例的一种定位方法的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图8所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如一种定位方法。
在一些实施例中,一种定位方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的一种定位方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行一种定位方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (12)
1.一种定位方法,其特征在于,所述方法包括:
获取环境点云数据以及车辆位姿增量;
根据所述车辆位姿增量对所述环境点云数据进行点云畸变校正;
在所述环境点云数据中确定环境特征数据;
按照所述环境特征数据在预设高精地图内确定车辆位置。
2.根据权利要求1所述方法,其特征在于,所述获取环境点云数据以及车辆位姿增量包括:
启动激光雷达传感器测取所述环境点云数据,并控制位姿传感器按照阈值时间间隔测取至少两个位姿数据;
确定各所述位姿数据与基准位姿数据的位移增量和角度增量作为所述车辆位姿增量,其中,所述基准位姿数据为各所述位姿数据内第一个采集的所述位姿数据。
3.根据权利要求1所述方法,其特征在于,所述根据所述车辆位姿增量对所述环境点云数据进行点云畸变校正,包括:
按照所述车辆位姿增量确定校正变换矩阵,确定所述校正变换矩阵与所述环境点云数据的乘积;
将所述乘积作为所述点云畸变校正后的所述环境点云数据。
4.根据权利要求1所述方法,其特征在于,所述在所述环境点云数据中确定环境特征数据,包括:
确定所述环境点云数据内两个位置点的位置关系,其中,所述两个位置点为相同水平测量角度的相邻激光线束上的两个点云数据;
若所述位置关系为水平关系,则确定所述两个位置点为所述环境特征数据中的地面特征数据;
若所述位置关系为竖直关系,则确定所述两个位置点为所述环境特征数据中的物体特征数据。
5.根据权利要求4所述方法,其特征在于,所述确定所述环境点云数据内两个位置点的位置关系,包括:
提取所述环境点云数据内所述两个位置点的坐标信息;
按照所述坐标信息确定所述两个位置点的连线与水平面的倾斜夹角;
在所述倾斜夹角小于第一阈值角度的情况下,确定所述位置关系为所述水平关系;
在所述倾斜夹角大于第二阈值角度的情况下,确定所述位置关系为所述竖直关系。
6.根据权利要求4所述方法,其特征在于,还包括:
确定所述地面特征数据内各所述位置点的点云强度值;
若所述点云强度值小于强度阈值,则确定所述位置点为路面特征数据;
若所述点云强度值大于或等于所述强度阈值,则确定所述位置点为车道线特征数据。
7.根据权利要求6所述方法,其特征在于,所述强度阈值的确定包括:按照预设最大类间方差规则确定所述地面特征数据的所述强度阈值。
8.根据权利要求4所述方法,其特征在于,还包括:
对所述物体特征数据进行聚类操作,并获取至少一个聚类点云簇;
生成各所述聚类点云簇的几何约束校验结果;
按照所述几何约束校验结果将所述聚类点云簇分别确定为柱子特征数据、栏杆特征数据和路牌特征数据中至少之一。
9.根据权利要求1所述方法,其特征在于,所述按照所述环境特征数据在预设高精地图内确定车辆位置,包括:
采集当前时刻的车辆先验位姿,并按照所述车辆先验位姿在所述预设高精地图内确定初始局部地图;
按照预设粒子滤波处理规则处理所述环境特征数据和所述初始局部地图以确定所述车辆位置。
10.一种定位装置,其特征在于,所述装置包括:
数据采集模块,用于获取环境点云数据以及车辆位姿增量;
畸变校正模块,用于根据所述车辆位姿增量对所述环境点云数据进行点云畸变校正;
特征提取模块,用于在所述环境点云数据中确定环境特征数据;
车辆定位模块,用于按照所述环境特征数据在预设高精地图内确定车辆位置。
11.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-9中任一项所述的定位方法。
12.一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存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-9中任一项所述的定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211380731.4A CN115752434A (zh) | 2022-11-04 | 2022-11-04 | 一种定位方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211380731.4A CN115752434A (zh) | 2022-11-04 | 2022-11-04 | 一种定位方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115752434A true CN115752434A (zh) | 2023-03-07 |
Family
ID=85356695
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211380731.4A Pending CN115752434A (zh) | 2022-11-04 | 2022-11-04 | 一种定位方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115752434A (zh) |
-
2022
- 2022-11-04 CN CN202211380731.4A patent/CN115752434A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11320833B2 (en) | Data processing method, apparatus and terminal | |
EP3581890B1 (en) | Method and device for positioning | |
CN107272021B (zh) | 使用雷达和视觉定义的图像检测区域的对象检测 | |
EP3321887A1 (en) | Urban road recognition method, apparatus, storage medium and device based on laser point cloud | |
TW201816362A (zh) | 障礙物的檢測方法及相關裝置 | |
JP2001004368A (ja) | 物体認識装置 | |
CN113378760A (zh) | 训练目标检测模型和检测目标的方法及装置 | |
CN110674705A (zh) | 基于多线激光雷达的小型障碍物检测方法及装置 | |
CN113674287A (zh) | 高精地图的绘制方法、装置、设备以及存储介质 | |
CN112509126B (zh) | 三维物体检测的方法、装置、设备及存储介质 | |
CN115205391A (zh) | 一种三维激光雷达和视觉融合的目标预测方法 | |
CN112683228A (zh) | 单目相机测距方法及装置 | |
CN111612818A (zh) | 新型双目视觉多目标跟踪方法及系统 | |
CN115685249A (zh) | 一种障碍物检测方法、装置、电子设备和存储介质 | |
US20220126836A1 (en) | Travel road recognition device | |
CN114662600B (zh) | 一种车道线的检测方法、装置和存储介质 | |
CN111553342B (zh) | 一种视觉定位方法、装置、计算机设备和存储介质 | |
CN112733678A (zh) | 测距方法、装置、计算机设备和存储介质 | |
CN116434181A (zh) | 地面点检测方法、装置、电子设备和介质 | |
CN115752434A (zh) | 一种定位方法、装置、电子设备和存储介质 | |
CN116008938A (zh) | 基于雷达的目标检测方法、装置、设备以及介质 | |
KR102568111B1 (ko) | 도로 경계 추출 장치 및 방법 | |
WO2022214821A2 (en) | Monocular depth estimation | |
CN114581889A (zh) | 一种融合方法、装置、设备、介质及产品 | |
CN114858134A (zh) | 基于目标位置信息的单目摄像头测距方法及可读存储介质 |
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 |