CN115930946A - 室内外交变环境下动态障碍物多特征描述的方法 - Google Patents
室内外交变环境下动态障碍物多特征描述的方法 Download PDFInfo
- Publication number
- CN115930946A CN115930946A CN202211603609.9A CN202211603609A CN115930946A CN 115930946 A CN115930946 A CN 115930946A CN 202211603609 A CN202211603609 A CN 202211603609A CN 115930946 A CN115930946 A CN 115930946A
- Authority
- CN
- China
- Prior art keywords
- obstacle
- block
- barrier
- blocks
- value
- 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
-
- 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
Abstract
本发明公开了一种室内外交变环境下动态障碍物多特征描述的方法,机器人上设有三维激光雷达、深度相机、IMU和GNSS,机器人的处理器分别与三维激光雷达、深度相机、IMU和GNSS数据连接;本发明具有在室内室外运用不同的传感器及其融合方法,快速的检测并判断动态障碍物,为实现对动态障碍物的精确跟踪提供可靠数据基础的特点。
Description
技术领域
本发明涉及障碍物检测技术领域,尤其是涉及一种室内外交变环境下动态障碍物多特征描述的方法。
背景技术
随着机器人技术的不断进步,智能移动机器人的应用也越来越广泛,移动机器人工作环境较为复杂,为保证其工作安全,对移动机器人周围环境感知和动态避障的要求也越来越高。因此,对障碍物的快速检测、几何特征和运动特征的精确描述显得尤为重要。
例如,基于单一传感器的动态障碍物检测方法,对数据进行聚类并提取特征,但其无法获得充分的外部环境信息。基于不同传感器的传统障碍物检测方法,能够呈现运动物体的形状特征并将其作为物体的运动模型,但误检率较高且对快速移动的障碍物检测无能为力。
因此,传统的动态障碍物检测及其描述方法存在检测机制不明确、多传感器信号融合方式不具体等问题,不能满足智能移动机器人越来越高的需求。
发明内容
本发明的发明目的是为了克服现有技术中的动态障碍物检测及描述方法检测机制不明确、多传感器信号融合方式不具体的不足,提供了一种室内外交变环境下动态障碍物多特征描述的方法。
为了实现上述目的,本发明采用以下技术方案:
一种室内外交变环境下动态障碍物多特征描述的方法,机器人上设有三维激光雷达、深度相机、IMU和GNSS,机器人的处理器分别与三维激光雷达、深度相机、IMU和GNSS数据连接;
包括如下步骤:
步骤1,三维激光雷达、深度相机、IMU和GNSS检测机器人周围的环境数据信息,处理器使用激光SLAM方法建立室内外交变环境下的全局地图,处理器建立语义地图;
步骤2,若机器人接收到有效的GNSS数据,则处理器做出机器人处于室外环境下的判断;
步骤2-1,处理器对三维激光雷达输出的数据的点云进行预处理:使用Voxel GridFilter对原始点云进行降采样,将点云中的地面点非地面点分离;利用欧几里德聚类对预处理后的点云进行聚类,得到多个点云的合集,点云的合集为障碍物点云簇;
步骤2-2,处理器采用最大最小值法将各个障碍物点云簇投影到栅格地图中:设定阈值A,当任一个栅格i上的最大高度值和最小高度值的差的绝对值>A,处理器将栅格i标记为占用状态,否则为非占用状态;
投影到栅格地图中的一个障碍物点云簇对应一个障碍物块,处理器计算障碍物块中的障碍物栅格的占有率;
步骤2-3,处理器计算每个障碍物点云簇在二维栅格地图上的边沿,拟合出与障碍物点云簇对应的障碍物块的拐角与边沿特征;
步骤2-4,处理器对障碍物进行跟踪,区分静态障碍物及动态障碍物;
步骤2-4-1,对于动态障碍物,建立动态障碍物列表O:
2-4-2,对于有明显的边沿及拐角特征的障碍物,处理器采用方模型表示所述障碍物;
2-4-3,对于无明显的边沿及拐角特征的障碍物,处理器采用椭圆模型表示该障碍物;完成当前帧数据处理后,得到各个障碍物块;
步骤2-5,建立障碍物块之间的关联值,将当前帧和前一帧中关联值最大的障碍物匹配到一起,得到最终地图;
步骤2-6,处理器通过GNSS数据获取经纬度及航向角,将经纬度坐标高斯投影到最终地图的平面坐标上,获取连续帧间机器人的平面坐标及航向角度,计算动态障碍物与机器人的相对运动速度,根据卡尔曼滤波算法更新障碍物的速度、加速度、速度协方差和加速度协方差,利用各个障碍物块的方模型、椭圆模型及运动特征在语义地图中建立动态障碍物模型;
步骤3,若机器人未接收到有效的GNSS数据,则判断机器人处于室内:
重复步骤2-1,处理器对三维激光雷达所输出的数据进行处理,得到多个障碍物点云簇,重复步骤2-2至步骤2-4拟合出障碍物的拐角与边沿特征,用方模型和椭圆模型表示各个障碍物块;使用深度相机对各个室内的各个障碍物进行特征提取,重复步骤2-5,将障碍物图像像素点的RGB平均值加入相关值中,将当前帧的每个障碍物块与和前一帧的各个障碍物进行匹配;
深度相机对各个室内的各个障碍物进行跟着检测,处理器获得各个障碍物图像像素点的RGB平均值。
利用IMU获取机器人的线速度及角速度,计算动态障碍物与机器人的相对运动速度;利用匹配完成后的各个障碍物块形成最终的障碍物模型,将障碍物模型代入卡尔曼滤波器,预测出动态障碍物的运动状态,建立多特征融合动态障碍物模型。
本发明中智能移动的机器人集感知、决策、控制于一体,可检测到动态障碍物的形状大小、位置、速度大小及方向、加速度大小及方向、速度协方差和加速度协方差。
本发明在室内外交变环境下提取环境信息,通过多源传感器对周边环境的扫描,统计障碍物频次变化的数据及关联连续帧数据区分动态障碍物和静态障碍物。对动态障碍物运动状态进行拟合和跟踪,并在语义地图中建立动态障碍物模型并进行聚类分割。
本发明能够在室内外交变环境下实现对动态障碍物和静态障碍物的有效区分,能够精确的描述动态障碍物物理特征及运动特征。解决了动态障碍物检测时障碍物关键信息丢失的问题,与传统的方法相比,从多个维度描述动态障碍物特征,解决了躲避动态障碍物时由于对其描述不准确所造成的的安全问题。
本发明在多源信号中提取动态障碍物信息,提出室内、室外等不同区域快速检测并判断动态障碍物的方法,实现对动态障碍物的精确检测与跟踪,为后续的避障算法路径规划提供了数据支持。
作为优选,步骤2-4-2包括如下步骤:
设方模型的障碍物的长度和宽度分别为:2aobstacle和2bobstacle,处理器将障碍物边缘上的点(Xobstacle,Yobstacle)的方程表示为:
左边:Xobstaclecosθobstacle-Yobstaclesinθobstacle=-aobstacle;
右边:Xobstaclecosθobstacle-Yobstaclesinθobstacle=aobstacle;
上边:Xobstaclesinθobstacle+Yobstaclecosθobstacle=-bobstacle;
下边:Xobstaclesinθobstacle+Yobstaclecosθobstacle=bobstacle。
作为优选,步骤2-4-3包括如下步骤:
设椭圆模型的障碍物的长轴与短轴的长度分别为:aobstacle和bobstacle;处理器将点(Xobstacle,Yobstacle)的方程表示为:
其中,(xobstacle,yobstacle)表示障碍物中心位置的坐标。
作为优选,步骤2-5包括如下具体步骤:
建立障碍物块之间的关联值,方模型障碍物块的关联值为相邻帧间任意的两个障碍物块的长度的差值的绝对值,加上两个障碍物块宽度的差值的绝对值,加上两个障碍物块中心点坐标的距离,加上两个障碍物块中的障碍物栅格的占有率的差值的绝对值;
椭圆模型障碍物块的关联值为相邻帧间任意的两个障碍物块的长轴的差值的绝对值,加上两个障碍物块短轴的差值的绝对值,加上两个障碍物块中心点坐标的距离,加上两个障碍物块中的障碍物栅格的占有率的差值的绝对值;
当得到最新一次聚类结果后,将当前帧的每个障碍物块Q与前一帧储存的各个障碍物块逐个比较,得到障碍物块Q与前一帧的各个障碍物块的关联值,找到前一帧中的关联值最大的障碍物块B,障碍物块Q和障碍物块B的关联值为E最大,预先设定关联值最小值为C,当E最大≥C,则表示障碍物块Q和障碍物块B匹配成功;
将障碍物块Q的初始存在置信度设置为5;若障碍物块Q没有与前一帧中的各个障碍物块匹配成功,则使障碍物块Q的存在置信度减1;
若障碍物块Q与前一帧中的障碍物块匹配成功,则将障碍物块Q的存在置信度加1;
设置障碍物块Q的最大存在置信度N最大、最小存在置信度N最小和运动置信度G,当障碍物块Q的存在置信度<N最小时,将障碍物块Q从动态障碍物列表中删除;当障碍物块Q的存在置信度>N最大,使障碍物块Q的存在置信度=N最大;
当障碍物块Q的速度小于0.5m/s时,使障碍物块Q的运动置信度设为0,运动置信度为0的障碍物块视为静态障碍物,在动态障碍物列表之外的障碍物块均视为静态障碍物,对静态障碍物建立静态障碍物栅格地图,将静态障碍物栅格地图融合到动态障碍物栅格地图中,得到最终地图。
作为优选,机器人处于室内时,步骤2-5中的方模型障碍物块的关联值为相邻帧间任意的两个障碍物块的长度的差值的绝对值,加上两个障碍物块宽度的差值的绝对值,加上两个障碍物块中心点坐标的距离,加上两个障碍物块中的障碍物栅格的占有率的差值的绝对值,加上障碍物图像像素点的RGB平均值;
椭圆模型障碍物块的关联值为相邻帧间任意的两个障碍物块的长轴的差值的绝对值,加上两个障碍物块短轴的差值的绝对值,加上两个障碍物块中心点坐标的距离,加上两个障碍物块中的障碍物栅格的占有率的差值的绝对值,加上障碍物图像像素点的RGB平均值。
因此,本发明具有如下有益效果:
适用范围广,可获得充分的环境信息,提高了检测准确率,解决了由于环境复杂且信息获取不充分造成的误检率高的问题;
在室内室外运用不同的传感器及其融合方法,快速的检测并判断动态障碍物,为实现对动态障碍物的精确跟踪提供可靠数据基础。
附图说明
图1是本发明的一种流程图;
图2是本发明的机器人及障碍物模型的一种示意图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步的描述。
如图1、图2所示的实施例是一种室内外交变环境下动态障碍物多特征描述的方法,机器人上设有三维激光雷达、深度相机、IMU惯性测量单元和GNSS全球导航微型系统,机器人的处理器分别与三维激光雷达、深度相机、IMU和GNSS数据连接;
包括如下步骤:
步骤1,三维激光雷达、深度相机、IMU和GNSS检测机器人周围的环境数据信息,处理器使用激光SLAM方法建立室内外交变环境下的全局地图,处理器建立语义地图;
步骤2,若机器人接收到有效的GNSS数据,则处理器做出机器人处于室外环境下的判断;
步骤2-1,处理器对三维激光雷达输出的数据的点云进行预处理:使用Voxel GridFilter体素网格滤波器对原始点云进行降采样,将点云中的地面点非地面点分离;利用欧几里德聚类对预处理后的点云进行聚类,得到多个点云的合集,点云的合集为障碍物点云簇;
步骤2-2,处理器采用最大最小值法将各个障碍物点云簇投影到栅格地图中:设定阈值A,当任一个栅格i上的最大高度值和最小高度值的差的绝对值>A,处理器将栅格i标记为占用状态,否则为非占用状态;
投影到栅格地图中的一个障碍物点云簇对应一个障碍物块,处理器计算障碍物块中的障碍物栅格的占有率;
步骤2-3,处理器计算每个障碍物点云簇在二维栅格地图上的边沿,拟合出与障碍物点云簇对应的障碍物块的拐角与边沿特征;
步骤2-4,处理器对障碍物进行跟踪,区分静态障碍物及动态障碍物;
步骤2-4-1,对于动态障碍物,建立动态障碍物列表O:
2-4-2,对于有明显的边沿及拐角特征的障碍物,处理器采用方模型表示所述障碍物;
设方模型的障碍物的长度和宽度分别为:2aobstacle和2bobstacle,处理器将障碍物边缘上的点(Xobstacle,Yobstacle)的方程表示为:
左边:Xobstaclecosθobstacle-Yobstaclesinθobstacle=-aobstacle;
右边:Xobstaclecosθobstacle-Yobstaclesinθobstacle=aobstacle;
上边:Xobstaclesinθobstacle+Yobstaclecosθobstacle=-bobstacle;
下边:Xobstaclesinθobstacle+Yobstaclecosθobstacle=bobstacle。
2-4-3,对于无明显的边沿及拐角特征的障碍物,处理器采用椭圆模型表示该障碍物;完成当前帧数据处理后,得到各个障碍物块;
设椭圆模型的障碍物的长轴与短轴的长度分别为:aobstacle和bobstacle;处理器将点(Xobstacle,Yobstacle)的方程表示为:
其中,(xobstacle,yobstacle)表示障碍物中心位置的坐标。
步骤2-5,建立障碍物块之间的关联值,将当前帧和前一帧中关联值最大的障碍物匹配到一起;
建立障碍物块之间的关联值,方模型障碍物块的关联值为相邻帧间任意的两个障碍物块的长度的差值的绝对值,加上两个障碍物块宽度的差值的绝对值,加上两个障碍物块中心点坐标的距离,加上两个障碍物块中的障碍物栅格的占有率的差值的绝对值;
椭圆模型障碍物块的关联值为相邻帧间任意的两个障碍物块的长轴的差值的绝对值,加上两个障碍物块短轴的差值的绝对值,加上两个障碍物块中心点坐标的距离,加上两个障碍物块中的障碍物栅格的占有率的差值的绝对值;
当得到最新一次聚类结果后,将当前帧的每个障碍物块Q与前一帧储存的各个障碍物块逐个比较,得到障碍物块Q与前一帧的各个障碍物块的关联值,找到前一帧中的关联值最大的障碍物块B,障碍物块Q和障碍物块B的关联值为E最大,预先设定关联值最小值为C,当E最大≥C,则表示障碍物块Q和障碍物块B匹配成功;
将障碍物块Q的初始存在置信度设置为5;若障碍物块Q没有与前一帧中的各个障碍物块匹配成功,则使障碍物块Q的存在置信度减1;
若障碍物块Q与前一帧中的障碍物块匹配成功,则将障碍物块Q的存在置信度加1;
设置障碍物块Q的最大存在置信度N最大、最小存在置信度N最小和运动置信度G,当障碍物块Q的存在置信度<N最小时,将障碍物块Q从动态障碍物列表中删除;当障碍物块Q的存在置信度>N最大,使障碍物块Q的存在置信度=N最大;
当障碍物块Q的速度小于0.5m/s时,使障碍物块Q的运动置信度设为0,运动置信度为0的障碍物块视为静态障碍物,在动态障碍物列表之外的障碍物块均视为静态障碍物,对静态障碍物建立静态障碍物栅格地图,将静态障碍物栅格地图融合到动态障碍物栅格地图中,得到最终地图。
步骤2-6,处理器通过GNSS数据获取经纬度及航向角,将经纬度坐标高斯投影到最终地图的平面坐标上,获取连续帧间机器人的平面坐标及航向角度,计算动态障碍物与机器人的相对运动速度,根据卡尔曼滤波算法更新障碍物的速度、加速度、速度协方差和加速度协方差,利用各个障碍物块的方模型、椭圆模型及运动特征在语义地图中建立动态障碍物模型;
步骤3,若机器人未接收到有效的GNSS数据,则判断机器人处于室内:
重复步骤2-1,处理器对三维激光雷达所输出的数据进行处理,得到多个障碍物点云簇,重复步骤2-2至步骤2-4拟合出障碍物的拐角与边沿特征,用方模型和椭圆模型表示各个障碍物块;使用深度相机对各个室内的各个障碍物进行特征提取,重复步骤2-5,将障碍物图像像素点的RGB平均值加入相关值中,将当前帧的每个障碍物块与和前一帧的各个障碍物进行匹配;
利用IMU获取机器人的线速度及角速度,计算动态障碍物与机器人的相对运动速度;利用匹配完成后的各个障碍物块形成最终的障碍物模型,将障碍物模型代入卡尔曼滤波器,预测出动态障碍物的运动状态,建立多特征融合动态障碍物模型。
其中,机器人处于室内时,步骤2-5中的方模型障碍物块的关联值为相邻帧间任意的两个障碍物块的长度的差值的绝对值,加上两个障碍物块宽度的差值的绝对值,加上两个障碍物块中心点坐标的距离,加上两个障碍物块中的障碍物栅格的占有率的差值的绝对值,加上障碍物图像像素点的RGB平均值;
椭圆模型障碍物块的关联值为相邻帧间任意的两个障碍物块的长轴的差值的绝对值,加上两个障碍物块短轴的差值的绝对值,加上两个障碍物块中心点坐标的距离,加上两个障碍物块中的障碍物栅格的占有率的差值的绝对值,加上障碍物图像像素点的RGB平均值。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种室内外交变环境下动态障碍物多特征描述的方法,其特征是,机器人上设有三维激光雷达、深度相机、IMU和GNSS,机器人的处理器分别与三维激光雷达、深度相机、IMU和GNSS数据连接;
包括如下步骤:
步骤1,三维激光雷达、深度相机、IMU和GNSS检测机器人周围的环境数据信息,处理器使用激光SLAM方法建立室内外交变环境下的全局地图,处理器建立语义地图;
步骤2,若机器人接收到有效的GNSS数据,则处理器做出机器人处于室外环境下的判断;
步骤2-1,处理器对三维激光雷达输出的数据的点云进行预处理:使用Voxel GridFilter对原始点云进行降采样,将点云中的地面点非地面点分离;利用欧几里德聚类对预处理后的点云进行聚类,得到多个点云的合集,点云的合集为障碍物点云簇;
步骤2-2,处理器采用最大最小值法将各个障碍物点云簇投影到栅格地图中:设定阈值A,当任一个栅格i上的最大高度值和最小高度值的差的绝对值>A,处理器将栅格i标记为占用状态,否则为非占用状态;
投影到栅格地图中的一个障碍物点云簇对应一个障碍物块,处理器计算障碍物块中的障碍物栅格的占有率;
步骤2-3,处理器计算每个障碍物点云簇在二维栅格地图上的边沿,拟合出与障碍物点云簇对应的障碍物块的拐角与边沿特征;
步骤2-4,处理器对障碍物进行跟踪,区分静态障碍物及动态障碍物;
步骤2-4-1,对于动态障碍物,建立动态障碍物列表O:
2-4-2,对于有明显的边沿及拐角特征的障碍物,处理器采用方模型表示所述障碍物;
2-4-3,对于无明显的边沿及拐角特征的障碍物,处理器采用椭圆模型表示所述障碍物;完成当前帧数据处理后,得到各个障碍物块;
步骤2-5,建立障碍物块之间的关联值,将当前帧和前一帧中关联值最大的障碍物匹配到一起,得到最终地图;
步骤2-6,处理器通过GNSS数据获取经纬度及航向角,将经纬度坐标高斯投影到最终地图的平面坐标上,获取连续帧间机器人的平面坐标及航向角度,计算动态障碍物与机器人的相对运动速度,根据卡尔曼滤波算法更新障碍物的速度、加速度、速度协方差和加速度协方差,利用各个障碍物块的方模型、椭圆模型及运动特征在语义地图中建立动态障碍物模型;
步骤3,若机器人未接收到有效的GNSS数据,则判断机器人处于室内:
重复步骤2-1,处理器对三维激光雷达所输出的数据进行处理,得到多个障碍物点云簇,重复步骤2-2至步骤2-4拟合出障碍物的拐角与边沿特征,用方模型和椭圆模型表示各个障碍物块;使用深度相机对各个室内的各个障碍物进行特征提取,重复步骤2-5,将障碍物图像像素点的RGB平均值加入相关值中,将当前帧的每个障碍物块与和前一帧的各个障碍物进行匹配;
利用IMU获取机器人的线速度及角速度,计算动态障碍物与机器人的相对运动速度;利用匹配完成后的各个障碍物块形成最终的障碍物模型,将障碍物模型代入卡尔曼滤波器,预测出动态障碍物的运动状态,建立多特征融合动态障碍物模型。
2.根据权利要求1所述的室内外交变环境下动态障碍物多特征描述的方法,其特征是,步骤2-4-2包括如下步骤:
设方模型的障碍物的长度和宽度分别为:2aobstacle和2bobstacle,处理器将障碍物边缘上的点(Xobstacle,Yobstacle)的方程表示为:
左边:Xobstaclecosθobstacle-Yobstaclesinθobstacle=-aobstacle;
右边:Xobstaclecosθobstacle-Yobstaclesinθobstacle=aobstacle;
上边:Xobstaclesinθobstacle+Yobstaclecosθobstacle=-bobstacle;
下边:Xobstaclesinθobstacle+Yobstaclecosθobstacle=bobstacle。
4.根据权利要求1或2或3所述的室内外交变环境下动态障碍物多特征描述的方法,其特征是,
步骤2-5包括如下具体步骤:
建立障碍物块之间的关联值,方模型障碍物块的关联值为相邻帧间任意的两个障碍物块的长度的差值的绝对值,加上两个障碍物块宽度的差值的绝对值,加上两个障碍物块中心点坐标的距离,加上两个障碍物块中的障碍物栅格的占有率的差值的绝对值;
椭圆模型障碍物块的关联值为相邻帧间任意的两个障碍物块的长轴的差值的绝对值,加上两个障碍物块短轴的差值的绝对值,加上两个障碍物块中心点坐标的距离,加上两个障碍物块中的障碍物栅格的占有率的差值的绝对值;
当得到最新一次聚类结果后,将当前帧的每个障碍物块Q与前一帧储存的各个障碍物块逐个比较,得到障碍物块Q与前一帧的各个障碍物块的关联值,找到前一帧中的关联值最大的障碍物块B,障碍物块Q和障碍物块B的关联值为E最大,预先设定关联值最小值为C,当E最大≥C,则表示障碍物块Q和障碍物块B匹配成功;
将障碍物块Q的初始存在置信度设置为5;若障碍物块Q没有与前一帧中的各个障碍物块匹配成功,则使障碍物块Q的存在置信度减1;
若障碍物块Q与前一帧中的障碍物块匹配成功,则将障碍物块Q的存在置信度加1;
设置障碍物块Q的最大存在置信度N最大、最小存在置信度N最小和运动置信度G,当障碍物块Q的存在置信度<N最小时,将障碍物块Q从动态障碍物列表中删除;当障碍物块Q的存在置信度>N最大,使障碍物块Q的存在置信度=N最大;
当障碍物块Q的速度小于0.5m/s时,使障碍物块Q的运动置信度设为0,运动置信度为0的障碍物块视为静态障碍物,在动态障碍物列表之外的障碍物块均视为静态障碍物,对静态障碍物建立静态障碍物栅格地图,将静态障碍物栅格地图融合到动态障碍物栅格地图中,得到最终地图。
5.根据权利要求4所述的室内外交变环境下动态障碍物多特征描述的方法,其特征是,
机器人处于室内时,步骤2-5中的方模型障碍物块的关联值为相邻帧间任意的两个障碍物块的长度的差值的绝对值,加上两个障碍物块宽度的差值的绝对值,加上两个障碍物块中心点坐标的距离,加上两个障碍物块中的障碍物栅格的占有率的差值的绝对值,加上障碍物图像像素点的RGB平均值;
椭圆模型障碍物块的关联值为相邻帧间任意的两个障碍物块的长轴的差值的绝对值,加上两个障碍物块短轴的差值的绝对值,加上两个障碍物块中心点坐标的距离,加上两个障碍物块中的障碍物栅格的占有率的差值的绝对值,加上障碍物图像像素点的RGB平均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211603609.9A CN115930946A (zh) | 2022-12-13 | 2022-12-13 | 室内外交变环境下动态障碍物多特征描述的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211603609.9A CN115930946A (zh) | 2022-12-13 | 2022-12-13 | 室内外交变环境下动态障碍物多特征描述的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115930946A true CN115930946A (zh) | 2023-04-07 |
Family
ID=86698874
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211603609.9A Pending CN115930946A (zh) | 2022-12-13 | 2022-12-13 | 室内外交变环境下动态障碍物多特征描述的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115930946A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117492452A (zh) * | 2024-01-03 | 2024-02-02 | 安徽中科星驰自动驾驶技术有限公司 | 一种用于自动驾驶3d障碍物的多模态融合方法 |
-
2022
- 2022-12-13 CN CN202211603609.9A patent/CN115930946A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117492452A (zh) * | 2024-01-03 | 2024-02-02 | 安徽中科星驰自动驾驶技术有限公司 | 一种用于自动驾驶3d障碍物的多模态融合方法 |
CN117492452B (zh) * | 2024-01-03 | 2024-04-05 | 安徽中科星驰自动驾驶技术有限公司 | 一种用于自动驾驶3d障碍物的多模态融合方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110084272B (zh) | 一种聚类地图创建方法及基于聚类地图和位置描述子匹配的重定位方法 | |
EP3519770B1 (en) | Methods and systems for generating and using localisation reference data | |
CN108152831B (zh) | 一种激光雷达障碍物识别方法及系统 | |
CN107161141B (zh) | 无人驾驶汽车系统及汽车 | |
CN106997049B (zh) | 一种基于激光点云数据的检测障碍物的方法和装置 | |
CN105955258B (zh) | 基于Kinect传感器信息融合的机器人全局栅格地图构建方法 | |
CN110542908B (zh) | 应用于智能驾驶车辆上的激光雷达动态物体感知方法 | |
CN112346463B (zh) | 一种基于速度采样的无人车路径规划方法 | |
CN109282808B (zh) | 用于桥梁三维巡航检测的无人机与多传感器融合定位方法 | |
CN112066982B (zh) | 一种在高动态环境下的工业移动机器人定位方法 | |
WO2021108299A1 (en) | Updating map data | |
Konrad et al. | Localization in digital maps for road course estimation using grid maps | |
WO2022067647A1 (zh) | 一种路面要素确定方法及装置 | |
CN114325634A (zh) | 一种基于激光雷达的高鲁棒性野外环境下可通行区域提取方法 | |
CN112464812A (zh) | 一种基于车辆的凹陷类障碍物检测方法 | |
CN111717244A (zh) | 一种列车自动驾驶感知方法和系统 | |
CN115930946A (zh) | 室内外交变环境下动态障碍物多特征描述的方法 | |
CN113487631B (zh) | 基于lego-loam的可调式大角度探测感知及控制方法 | |
CN103744110B (zh) | 超声与单目视觉传感器结合的障碍物识别装置 | |
Wei et al. | Building a local floor map by use of ultrasonic and omni-directional vision sensors | |
CN111126363B (zh) | 自动驾驶车辆的物体识别方法及装置 | |
CN112486172A (zh) | 道路边缘检测方法及机器人 | |
CN112365592A (zh) | 一种基于双向高程模型的局部环境特征描述方法 | |
CN114170499A (zh) | 目标检测方法、跟踪方法、装置、视觉传感器和介质 | |
Na et al. | Drivable space expansion from the ground base for complex structured roads |
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 |