CN115984264B - 基于地图的静态障碍物过滤方法和地图过滤器 - Google Patents
基于地图的静态障碍物过滤方法和地图过滤器 Download PDFInfo
- Publication number
- CN115984264B CN115984264B CN202310250306.1A CN202310250306A CN115984264B CN 115984264 B CN115984264 B CN 115984264B CN 202310250306 A CN202310250306 A CN 202310250306A CN 115984264 B CN115984264 B CN 115984264B
- Authority
- CN
- China
- Prior art keywords
- map
- point cloud
- ground point
- area
- ground
- 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
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
Landscapes
- Processing Or Creating Images (AREA)
Abstract
本公开涉及地图技术领域,公开一种基于地图的静态障碍物过滤方法和地图过滤器,该方法包括:获取矿区的地图数据,并基于地图数据构建掩模图,掩模图包括标识可行驶区域的图层和标识不可行驶区域的图层;采集矿区的非地面数据,并对非地面数据进行初步分割,以获取非地面点云;将非地面点云投影到掩模图,如果非地面点云投影到不可行驶区域,则判定该非地面点云为静态障碍物,并将该点云直接滤除;如果非地面点云投影到可行驶区域,则判定该点云为动态障碍物,并将该非地面点云进行进一步处理。该方法可以在地图上规划行车路线时避免因巨型静态物拟合的包围盒侵入车道内而挤占正常行驶空间而导致阻塞;还减少系统运算负担并提高反馈速率。
Description
技术领域
本发明涉及地图技术领域,尤其涉及一种基于地图的静态障碍物过滤方法和地图过滤器。
背景技术
环境感知技术是无人驾驶车辆及自动驾驶领域中的重要环节,车载传感器及数据处理系统需要将行驶路线上的障碍物和可行驶区域区分出来,将可能产生碰撞风险的障碍物信息传递给规控模块进行应对处理以保障行车安全。
在采矿作业场景下,未硬化处理的临时土路长时间被重载运输车辆碾压导致路况十分恶劣,车道两边会有巨大的山体和绵长的挡墙存在,自动驾驶车辆的感知系统必然会采集到山体和挡墙这种大型目标物并进行识别处理。由于山体及挡墙巨大的体积因素会产生大量进行分割、聚类和追踪处理的障碍物数据(比如大量非地面点云),占据了大量运算处理时间,提高了硬件平台的算力成本,同时也降低了感知系统的反馈速率,对行车安全造成了不稳定因素。
除了对感知系统造成无效的大量计算以外,挡墙和山体甚至在部分特定路段上会影响车辆正常形式,例如:车辆1在矿区的道路2上行驶,在该道路2上会经常出现转弯半径很小的弯道,例如U形弯,如图1所示。非地面点云数据聚类并拟合成包围盒之后会使得该包围盒3侵入道路2,如图2所示。图3示出了现有技术中的BEV视角下矿区挡墙包围盒(如图3中的白色矩形框所示)的示意图。挡墙本身虽然算是静态物体,但是气候条件下雨水冲刷、风化、扬尘以及往来车辆、推土机等人工干预会让挡墙和道路交界自然生成浮土堆积成为伪障碍物,因为浮土层不是刚性物体哪怕堆积较高也不会对车辆产生碰撞伤害,人工驾驶载具会直接轧过的土层在无人驾驶车辆感知系统看来可能难以分辨其坚硬程度属性,因而容易出现误识别的问题。
发明内容
本公开的目的旨在解决现有技术中存在的上述问题和缺陷的至少一个方面。
根据本公开的一个方面,提供了一种基于地图的静态障碍物过滤方法,包括:
获取矿区的地图数据,并基于所述地图数据构建掩模图,所述掩模图包括用于标识可行驶区域的第一掩模图层和用于标识不可行驶区域的第二掩模图层;
采集所述矿区的非地面数据,并对所述非地面数据进行初步分割,以获取非地面点云;
将所述非地面点云投影到所述掩模图,如果所述非地面点云投影到不可行驶区域上,则判定该非地面点云为静态障碍物,并将该非地面点云直接滤除;如果所述非地面点云投影到可行驶区域上,则判定该非地面点云为动态障碍物,并将该非地面点云交由无人驾驶车辆的感知处理模块进行进一步处理。
根据本公开的一些示例性实施例,构建所述掩模图包括:
获取所述矿区的矢量地图数据,筛选出所述矿区内的可行驶区域的边界的节点信息并按顺序连接,以形成包含原始边界的栅格地图作为所述掩模图的底图;
将所述底图内的不可行驶区域的格栅灰度值设置为第一预定值, 并将所述底图内的可行驶区域的格栅灰度值设置为与第一预定值不同的第二预定值。
根据本公开的一些示例性实施例,所述第一预定值为0,所述第二预定值为255。
根据本公开的一些示例性实施例,将所述底图内的不可行驶区域的格栅灰度值设置为第一预定值包括:
将所述底图的外围边界基于原始外围边界的经纬度极值往外拓展一定距离;
在所扩展出的区域内选取一点作为起始种子点并利用种子填充算法对不可行驶区域进行染色填充。
根据本公开的一些示例性实施例,所述点为拓展后的所述底图的左上角顶点、右上角顶点、左下角顶点、右下角顶点。
根据本公开的一些示例性实施例,在染色填充时,将种子点的栅格灰度值设置为0,标记所述起始种子点周围八连通域的栅格为新种子点,然后以新种子点为基点再次进行迭代,直至填充完毕不再产生新种子点,如果新种子点为地图边界或可行驶区域的边界,则取消成为新种子点,否则将新种子点的栅格灰度值设置为0。
根据本公开的一些示例性实施例,选取所述可行驶区域内任意一点作为起始种子点并利用种子填充算法对所述可行驶区域进行染色填充,在染色填充时,将种子点的栅格灰度值设置为255,标记该起始种子点周围八连通域的栅格为新种子点,然后以新种子点为基点再次进行迭代,直至填充完毕不再产生新种子点,如果新种子点为可行驶区域的边界,则将新种子点的栅格灰度值设置为255。
根据本公开的一些示例性实施例,在所述掩模图构建完成后,保留建图的起始原点经纬度坐标和栅格尺寸,然后将所述无人驾驶车辆的感知采集模块采集的非地面数据进行初步分割后获得的非地面点云从车身坐标系按照下列公式映射到所述掩模图的地图坐标系:
Xm = Xv + cos(Yaw) × (Xf + Xo) + sin(Yaw)× (Yf + Yo);
Ym = Yv + cos(Yaw) ×(Yf + Yo) - sin(Yaw) ×(Xf + Xo);
其中,Xm和Ym为非地面点云在所述掩模图的地图坐标系中的x,y轴坐标;
Xv、Yv和Yaw分别为当前无人驾驶车辆在所述掩模图的地图坐标系中的x,y坐标及航向角;
Xo和Yo是利用雷达获得的非地面点云的x,y坐标;
Xf和Yf则是所述雷达到所述无人驾驶车辆的定位中心的x、y修正值。
根据本公开的一些示例性实施例,当将非地面点云映射到所述掩模图的地图坐标系中后,直接访问当前栅格点的灰度值,如返回值大于0,则判定该非地面点云在可行驶区域内,并将该非地面点云标记为动态障碍物;如返回值为0,则判定该非地面点云在不可行驶区域内,并将该非地面点云标记为静态障碍物。
根据本公开的一些示例性实施例,所述原始边界包括车道线的边界、装载区的边界和/或卸载区的边界。
根据本公开的另一方面,还提供了一种地图过滤器,包括:
掩模图构建模块,所述掩模图构建模块被配置成获取矿区的地图数据,并基于所述地图数据构建掩模图,所述掩模图包括用于标识可行驶区域的第一掩模图层和用于标识不可行驶区域的第二掩模图层;
无人驾驶车辆的感知采集模块,所述无人驾驶车辆的感知采集模块被配置成采集所述矿区的非地面数据,并对所述非地面数据进行初步分割,以获取非地面点云;
计算处理模块,所述计算处理模块被配置成将所述非地面点云投影到所述掩模图,如果所述非地面点云投影到不可行驶区域上,则判定该非地面点云为静态障碍物,并将该非地面点云直接滤除;如果所述非地面点云投影到可行驶区域上,则判定该非地面点云为动态障碍物,并将该非地面点云交由无人驾驶车辆的感知处理模块进行进一步处理。
根据本公开的一些示例性实施例,所述掩模图构建模块还被配置成:
获取所述矿区的矢量地图数据,筛选出所述矿区内的可行驶区域的边界的节点信息按顺序连接,以形成包含原始边界的栅格地图作为所述掩模图的底图;
将所述底图内的不可行驶区域的格栅灰度值设置为第一预定值, 并将所述底图内的可行驶区域的格栅灰度值设置为与第一预定值不同的第二预定值。
根据本公开的一些示例性实施例,所述第一预定值为0,所述第二预定值为255。
根据本公开的一些示例性实施例,所述掩模图构建模块还被配置成:
将所述底图的外围边界依据原始外围边界的经纬度极值往外拓展一定距离;
在所扩展出的区域内选取一点作为起始种子点并利用种子填充算法对不可行驶区域进行染色填充。
根据本公开的一些示例性实施例,所述掩模图构建模块还被配置成:在染色填充时,将种子点的栅格灰度值设置为0,标记所述起始种子点周围八连通域的栅格为新种子点,然后以新种子点为基点再次进行迭代,直至填充完毕不再产生新种子点,如果新种子点为地图边界或可行驶区域的边界,则取消成为新种子点,否则将新种子点的栅格灰度值设置为0。
根据本公开的一些示例性实施例,所述掩模图构建模块还被配置成:选取所述可行驶区域内任意一点作为起始种子点并利用种子填充算法对所述可行驶区域进行染色填充,在染色填充时,将种子点的栅格灰度值设置为255,标记该起始种子点周围八连通域的栅格为新种子点,然后以新种子点为基点再次进行迭代,直至填充完毕不再产生新种子点,如果新种子点为可行驶区域的边界,则将新种子点的栅格灰度值设置为255。
根据本公开的一些示例性实施例,所述掩模图构建模块被配置成在所述掩模图构建完成后,保留建图的起始原点经纬度坐标和栅格尺寸,所述计算处理模块被配置成将所述无人驾驶车辆的感知采集模块采集的非地面数据进行初步分割后获得的非地面点云从车身坐标系按照下列公式映射到所述掩模图的地图坐标系:
Xm = Xv + cos(Yaw) ×(Xf + Xo) + sin(Yaw) ×(Yf + Yo);
Ym = Yv + cos(Yaw) ×(Yf + Yo) - sin(Yaw) ×(Xf + Xo);
其中,Xm和Ym为非地面点云在所述掩模图的地图坐标系上的x,y轴坐标;
Xv、Yv和Yaw分别为当前无人驾驶车辆在所述掩模图的地图坐标系上的x,y坐标及航向角;
Xo和Yo是利用雷达获得的非地面点云的x,y坐标;
Xf和Yf则是所述雷达到所述无人驾驶车辆的定位中心的x、y修正值。
根据本公开的一些示例性实施例,所述计算处理模块还被配置成当将非地面点云映射到所述掩模图的地图坐标系下后,直接访问当前栅格点的灰度值,如返回值大于0,则判定该非地面点云在可行驶区域内,并将该非地面点云标记为动态障碍物;如返回值为0,则判定该非地面点云在不可行驶区域内,并将该非地面点云标记为静态障碍物。
根据本公开上述实施例所述的基于地图的静态障碍物过滤方法和地图过滤器,通过基于对应矿区的矢量地图构建掩模图作为过滤底图,该底图可以对矿区内的安全区间之外的挡土墙、山体和建筑等静态障碍物直接滤除,这样既不会影响车辆的行驶安全,同时可以在数字地图上规划行车路线时避免因巨型静态物体拟合的包围盒侵入车道内,挤占无人驾驶车辆正常行驶空间而导致异常阻塞,还可以避免了无人驾驶车辆感知系统对这些静态障碍物进行大量的运算处理而导致感知系统运算力浪费,提高了无人驾驶车辆感知系统的反馈速率,降低了硬件平台的运算力成本,此外还避免了静态障碍物误识别的问题。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开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
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是弯道行驶路线的示意图;
图2是包围盒侵入车道的示意图;
图3是现有技术中的BEV视角下矿区挡墙包围盒的示意图;
图4是根据本公开的一种示例性实施例的基于地图的静态障碍物过滤方法的流程图;
图5是根据本公开的一种示例性实施例的矢量地图的一部分的示意图;
图6是根据本公开的一种示例性实施例的对矢量地图的不可行驶区域进行染色填充后的示意图;
图7是根据本公开的一种示例性实施例的掩模图的示意图;
图8是根据本公开的一种示例性实施例的BEV视角下矿区挡墙包围盒的示意图;以及
图9示出了根据本公开的一种示例性实施例的矢量地图数据的格式。
具体实施方式
为更清楚地阐述本公开的目的、技术方案及优点,以下将结合附图对本公开的实施例进行详细的说明。应当理解,下文对于实施例的描述旨在对本公开的总体构思进行解释和说明,而不应当理解为是对本公开的限制。在说明书和附图中,相同或相似的附图标记指代相同或相似的部件或构件。为了清晰起见,附图不一定按比例绘制,并且附图中可能省略了一些公知部件和结构。
除非另外定义,本公开使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。措词“一”或“一个”不排除多个。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其它元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”“顶”或“底”等等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。当诸如层、膜、区域或衬底基板之类的元件被称作位于另一元件“上”或“下”时,该元件可以“直接”位于另一元件“上”或“下”,或者可以存在中间元件。
在矿区无人作业场景中,无人驾驶车辆的行驶路线会根据规控系统和调度平台上预先绘制的矢量地图执行。图5示出了一种示例性实施例中的矢量地图的一部分。在矢量地图中,除了指定无人驾驶车辆行驶方向和参考轨迹外还会以车道线的形式表征车辆的可行驶区域,挡墙、山体和其他大型静态障碍物云都被隔离在矢量地图车道线以外的不可行驶区域。据此,可以依据矢量地图构建一个地图过滤器对矿区挡墙及挡墙之后的山体进行屏蔽,以解决感知系统运算力浪费及静态障碍物误识别的问题,从而使无人驾驶车辆感知系统更专注于其目标任务:搜索并识别行驶路径上的动态障碍物。
如图4所示,根据本公开的一种基于地图的静态障碍物云过滤方法,包括:
S1:获取矿区的地图数据,并基于该地图数据构建掩模图,该掩模图包括用于标识可行驶区域的第一掩模图层和用于标识不可行驶区域的第二掩模图层;
S2:采集矿区的非地面数据,并对该非地面数据进行初步分割,以获取非地面点云;
S3:将非地面点云投影到所述掩模图,如果非地面点云投影到不可行驶区域上,则判定该非地面点云为静态障碍物,并将该非地面点云直接滤除;如果非地面点云投影到可行驶区域上,则判定该非地面点云为动态障碍物,并将该非地面点云交由无人驾驶车辆的感知处理模块进行进一步处理。
根据本公开示例性实施例的静态障碍物过滤方法通过基于对应矿区的矢量地图构建掩模图,然后将采集的非地面数据进行初步分割后获得的非地面点云投影到掩模图上,如果所述非地面点云投影到不可行驶区域上,则判定该非地面点云为静态障碍物,其不会和车辆行驶产生干涉,因此可以将该非地面点云直接滤除;如果非地面点云投影到可行驶区域上,则判定该非地面点云为动态障碍物,其有和车辆产生碰撞干涉的风险可能,因此将该非地面点云交由无人驾驶车辆的感知处理模块进行进一步处理。该方法利用掩模图可以对矿区内的安全区间之外的挡土墙、山体和建筑等静态障碍物直接滤除,这样既不会影响车辆的行驶安全,同时避免了无人驾驶车辆的感知系统对这些静态障碍物进行大量的运算处理而导致感知系统运算力浪费,提高了无人驾驶车辆感知系统的反馈速率,降低了硬件平台的运算力成本,此外还避免了静态障碍物误识别的问题。
在一种示例性实施例中,在步骤S1中,构建所述掩模图包括:
S11:获取矿区的矢量地图数据,筛选出矿区内的可行驶区域的边界的节点信息按顺序连接,以形成包含原始边界的栅格地图作为掩模图的底图;
S12:将底图内的不可行驶区域的格栅灰度值设置为第一预定值, 该第一预定值例如可以为0;
S13:将底图内的可行驶区域的格栅灰度值设置为与第一预定值不同的第二预定值,该第二预定值例如可以为255。
需要说明的是,在本公开的其他一些示例性实施例中,第一预定值和第二预定值也可以为其它数值,即可行驶区域和不可行驶区域的颜色可以是其他颜色。
根据本公开的一种示例性实施例的矢量地图数据的格式如图9所示。
图6示出了根据本公开的一种示例性实施例的对矢量地图内的不可行驶区域进行染色填充后的示意图。其中灰色为矢量地图内的边界,包括内部边界和外部边界,白色区为可行驶区域,黑色区为不可行驶区域。需要说明的是,矢量地图内的边界除了车道线的边界之外,还有可能包括装载区的边界和/或卸载区的边界等。
在一种示例性实施例中,将底图内的不可行驶区域的格栅灰度值设置为第一预定值包括:将底图的外围边界依据原始外围边界的经纬度极值往外拓展一定距离,例如10米,该距离也可以为其它数值,优选地2-10米。然后在所扩展出的区域内选取一点作为起始种子点并利用种子填充算法对不可行驶区域进行染色填充。
在一种示例性实施例中,所选取的点为拓展后的所述底图的左上角顶点、右上角顶点、左下角顶点、右下角顶点。当然,也可以在底图的所拓展出的区域内任意选取一点作为起始种子点。
在一种示例性实施例中,在染色填充时,将种子点的栅格灰度值设置为0,然后标记种子点周围八连通域的栅格为新种子点,然后以新种子点为基点再次进行迭代,直至填充完毕不再产生新种子点,如果新种子点为地图边界或可行驶区域的边界,则取消成为种子点,否则将新种子点的栅格灰度值也设置为0。
在一种示例性实施例中,选取所述可行驶区域内任意一点作为起始种子点并利用种子填充算法对所述可行驶区域进行染色填充,在填充时,将种子点的栅格灰度值设置为255,标记该起始种子点周围八连通域的栅格为新种子点,然后以新种子点为基点再次进行迭代,直至填充完毕不再产生新种子点,如果新种子点为可行驶区域的边界,则将新种子点的栅格灰度值设置为255,完成本次填充迭代后道路内部边线就会被清理完成,掩模图构建完成,如图7所示。
在一种示例性实施例中,在掩模图构建完成后,保留建图的起始原点经纬度坐标和栅格尺寸(地图局部坐标系和尺寸单位可以参照WGS84坐标系及UTM坐标系等),将非地面点云投影到掩模图包括将无人驾驶车辆的感知采集模块采集的非地面数据进行初步分割后获得的非地面点云从车身坐标系按照下列公式映射到掩模图的地图坐标系:
Xm = Xv + cos(Yaw) × (Xf + Xo) + sin(Yaw) ×(Yf + Yo);
Ym = Yv + cos(Yaw) ×(Yf + Yo) - sin(Yaw) ×(Xf + Xo);
其中,Xm和Ym为非地面点云在掩模图的地图坐标系中的x,y轴坐标;
Xv、Yv和Yaw分别为当前无人驾驶车辆在掩模图的地图坐标系中的x,y坐标及航向角;
Xo和Yo是利用雷达获得的非地面点云的x,y坐标;
Xf和Yf则是所述雷达到无人驾驶车辆的定位中心的x、y修正值。
需要说明的是,为了便于计算,根据本公开的掩模图以经纬度,即x,y坐标系为参照,暂不考虑海拔高度即三维坐标系z轴的影响。
在一种示例性实施例中,在步骤S3中,当将非地面点云映射到所述掩模图坐标系中后,直接访问当前栅格点的灰度值,如返回值大于0,则判定该非地面点云在可行驶区域内,并将该非地面点云标记为动态障碍物,正常推入后续感知处理流程;如返回值为0,则判定该非地面点云在可行驶区域以外,并标记为静态障碍物,并将其进行滤除处理。
根据本公开的另一方面,还提供了一种地图过滤器,其包括:掩模图构建模块、无人驾驶车辆的感知采集模块和计算处理模块。掩模图构建模块被配置成获取矿区的地图数据,并基于该地图数据构建掩模图,该掩模图包括用于标识可行驶区域的第一掩模图层和用于标识不可行驶区域的第二掩模图层。无人驾驶车辆的感知采集模块被配置成采集矿区的非地面数据,并对该非地面数据进行初步分割,以获取非地面点云。计算处理模块被配置成将非地面点云投影到掩模图,如果非地面点云投影到不可行驶区域上,则判定该非地面点云为静态障碍物,并将该非地面点云直接滤除;如果非地面点云投影到可行驶区域上,则判定该非地面点云为动态障碍物,并将该非地面点云交由无人驾驶车辆的感知处理模块进行进一步处理。
在一种示例性实施例中,掩模图构建模块还被配置成:获取矿区的矢量地图数据,筛选出矿区内的可行驶区域的边界的节点信息按顺序连接,以形成包含原始边界的栅格地图作为所述掩模图的底图;将底图内的不可行驶区域的格栅灰度值设置为第一预定值, 并将底图内的可行驶区域的格栅灰度值设置为与第一预定值不同的第二预定值。
在一种示例性实施例中,所述第一预定值为0,所述第二预定值为255。
在一种示例性实施例中,掩模图构建模块还被配置成:将底图的外围边界依据原始外围边界的经纬度极值往外拓展一定距离;在所扩展出的区域内选取一点作为起始种子点并利用种子填充算法对不可行驶区域进行染色填充。
在一种示例性实施例中,掩模图构建模块还被配置成:在染色填充时,将种子点的栅格灰度值设置为0,标记起始种子点周围八连通域的栅格为新种子点,然后以新种子点为基点再次进行迭代,直至填充完毕不再产生新种子点,如果新种子点为地图边界或可行驶区域的边界,则取消成为新种子点,否则将新种子点的栅格灰度值设置为0。
在一种示例性实施例中,掩模图构建模块还被配置成:选取可行驶区域内任意一点作为起始种子点并利用种子填充算法对所述可行驶区域进行染色填充,在染色填充时,将种子点的栅格灰度值设置为255,标记该起始种子点周围八连通域的栅格为新种子点,然后以新种子点为基点再次进行迭代,直至填充完毕不再产生新种子点,如果新种子点为可行驶区域的边界,则将新种子点的栅格灰度值设置为255。
在一种示例性实施例中,掩模图构建模块被配置成在掩模图构建完成后,保留建图的起始原点经纬度坐标和栅格尺寸,计算处理模块被配置成将无人驾驶车辆的感知采集模块采集的非地面数据进行初步分割后获得的非地面点云从车身坐标系按照下列公式映射到掩模图的地图坐标系:
Xm = Xv + cos(Yaw) × (Xf + Xo) + sin(Yaw) ×(Yf + Yo);
Ym = Yv + cos(Yaw) ×(Yf + Yo) - sin(Yaw) ×(Xf + Xo);
其中,Xm和Ym为非地面点云在掩模图的地图坐标系上的x,y轴坐标;
Xv、Yv和Yaw分别为当前无人驾驶车辆在掩模图的地图坐标系上的x,y坐标及航向角;
Xo和Yo是利用雷达获得的非地面点云的x,y坐标;
Xf和Yf则是所述雷达到无人驾驶车辆的定位中心的x、y修正值。
在一种示例性实施例中,所述计算处理模块还被配置成当将非地面点云映射到所述掩模图的地图坐标系中后,直接访问当前栅格点的灰度值,如返回值大于0,则判定该非地面点云在可行驶区域内,并将该非地面点云标记为动态障碍物;如返回值为0,则判定该非地面点云在不可行驶区域内,并将该非地面点云标记为静态障碍物。
根据本公开上述实施例的基于地图的静态障碍物过滤方法和地图过滤器可以在矿山无人驾驶车辆实践场地下运营,并成功实现了道路挡墙,山体和路侧建筑等静太障碍物的滤除效果,如图8所示,车载激光点云BEV视图下路边挡墙未被识别成动态障碍物,而道路中间行驶的车辆点云被识别为动态障碍物并标记上包围盒(如图8中的白色矩形框所示)进行跟踪。通过该方法对静态障碍物进行过滤之后,可以在数字地图上规划行车路线时避免因巨型静态物体拟合的包围盒侵入车道内,挤占无人驾驶车辆正常行驶空间而导致异常阻塞,还可以无人驾驶车辆的感知系统的整体算力负载显著降低,单帧数据(三雷达同步共计196608个三维点云)处理耗时从100毫秒下降到20-40毫秒,同时在弯道处固定误触发的停障刹车动作也得到了解决。
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,本发公开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,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
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,本发公开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,只要能够实现本公开公开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,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其它因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (14)
1.一种基于地图的静态障碍物过滤方法,包括:
获取矿区的地图数据,并基于所述地图数据构建掩模图,所述掩模图包括用于标识可行驶区域的第一掩模图层和用于标识不可行驶区域的第二掩模图层,其中,构建所述掩模图包括:获取所述矿区的矢量地图数据,筛选出所述矿区内的可行驶区域的边界的节点信息并按顺序连接,以形成包含原始边界的栅格地图作为所述掩模图的底图;以及将所述底图内的不可行驶区域的格栅灰度值设置为第一预定值, 并将所述底图内的可行驶区域的格栅灰度值设置为与第一预定值不同的第二预定值;
采集所述矿区的非地面数据,并对所述非地面数据进行初步分割,以获取非地面点云;
将所述非地面点云投影到所述掩模图;如果所述非地面点云投影到不可行驶区域上,则判定该非地面点云为静态障碍物,并将该非地面点云直接滤除;如果所述非地面点云投影到可行驶区域上,则判定该非地面点云为动态障碍物,并将该非地面点云交由无人驾驶车辆的感知处理模块进行进一步处理,
其中,在所述掩模图构建完成后,保留建图的起始原点经纬度坐标和栅格尺寸,然后将所述无人驾驶车辆的感知采集模块采集的非地面数据进行初步分割后获得的非地面点云从车身坐标系按照下列公式映射到所述掩模图的地图坐标系:
Xm = Xv + cos(Yaw) ×(Xf + Xo) + sin(Yaw) ×(Yf + Yo);
Ym = Yv + cos(Yaw) × (Yf + Yo) - sin(Yaw) × (Xf + Xo);
其中,Xm和Ym为非地面点云在所述掩模图的地图坐标系中的x,y轴坐标;
Xv、Yv和Yaw分别为当前无人驾驶车辆在所述掩模图的地图坐标系中的x,y坐标及航向角;
Xo和Yo是利用雷达获得的非地面点云的x,y坐标;
Xf和Yf则是所述雷达到所述无人驾驶车辆的定位中心的x、y修正值。
2.根据权利要求1所述的静态障碍物过滤方法,其中,所述第一预定值为0,所述第二预定值为255。
3.根据权利要求2所述的静态障碍物过滤方法,其中,将所述底图内的不可行驶区域的格栅灰度值设置为第一预定值包括:
将所述底图的外围边界基于原始外围边界的经纬度极值往外拓展一定距离;
在所扩展出的区域内选取一点作为起始种子点并利用种子填充算法对不可行驶区域进行染色填充。
4.根据权利要求3所述的静态障碍物过滤方法,其中,所述点为拓展后的所述底图的左上角顶点、右上角顶点、左下角顶点、右下角顶点。
5.根据权利要求3所述的静态障碍物过滤方法,其中,在染色填充时,将种子点的栅格灰度值设置为0,标记所述起始种子点周围八连通域的栅格为新种子点,然后以新种子点为基点再次进行迭代,直至填充完毕不再产生新种子点,如果新种子点为地图边界或可行驶区域的边界,则取消成为新种子点,否则将新种子点的栅格灰度值设置为0。
6.根据权利要求5所述的静态障碍物过滤方法,其中,选取所述可行驶区域内任意一点作为起始种子点并利用种子填充算法对所述可行驶区域进行染色填充,在染色填充时,将种子点的栅格灰度值设置为255,标记该起始种子点周围八连通域的栅格为新种子点,然后以新种子点为基点再次进行迭代,直至填充完毕不再产生新种子点,如果新种子点为可行驶区域的边界,则将新种子点的栅格灰度值设置为255。
7.根据权利要求1所述的静态障碍物过滤方法,其中,当将非地面点云映射到所述掩模图的地图坐标系中后,直接访问当前栅格点的灰度值,如返回值大于0,则判定该非地面点云在可行驶区域内,并将该非地面点云标记为动态障碍物;如返回值为0,则判定该非地面点云在不可行驶区域内,并将该非地面点云标记为静态障碍物。
8.根据权利要求1所述的静态障碍物过滤方法,其中,所述边界包括车道线的边界、装载区的边界和/或卸载区的边界。
9.一种地图过滤器,包括:
掩模图构建模块,所述掩模图构建模块被配置成获取矿区的地图数据,并基于所述地图数据构建掩模图,所述掩模图包括用于标识可行驶区域的第一掩模图层和用于标识不可行驶区域的第二掩模图层,所述掩模图构建模块还被配置成:获取所述矿区的矢量地图数据,筛选出所述矿区内的可行驶区域的边界的节点信息按顺序连接,以形成包含原始边界的栅格地图作为所述掩模图的底图;以及将所述底图内的不可行驶区域的格栅灰度值设置为第一预定值, 并将所述底图内的可行驶区域的格栅灰度值设置为与第一预定值不同的第二预定值;
无人驾驶车辆的感知采集模块,所述无人驾驶车辆的感知采集模块被配置成采集所述矿区的非地面数据,并对所述非地面数据进行初步分割,以获取非地面点云;
计算处理模块,所述计算处理模块被配置成将所述非地面点云投影到所述掩模图,如果所述非地面点云投影到不可行驶区域上,则判定该非地面点云为静态障碍物,并将该非地面点云直接滤除;如果所述非地面点云投影到可行驶区域上,则判定该非地面点云为动态障碍物,并将该非地面点云交由无人驾驶车辆的感知处理模块进行进一步处理,
其中,所述掩模图构建模块被配置成在所述掩模图构建完成后,保留建图的起始原点经纬度坐标和栅格尺寸,所述计算处理模块被配置成将所述无人驾驶车辆的感知采集模块采集的非地面数据进行初步分割后获得的非地面点云从车身坐标系按照下列公式映射到所述掩模图的地图坐标系:
Xm = Xv + cos(Yaw) ×(Xf + Xo) + sin(Yaw) ×(Yf + Yo);
Ym = Yv + cos(Yaw) ×(Yf + Yo) - sin(Yaw) ×(Xf + Xo);
其中,Xm和Ym为非地面点云在所述掩模图的地图坐标系上的x,y轴坐标;
Xv、Yv和Yaw分别为当前无人驾驶车辆在所述掩模图的地图坐标系上的x,y坐标及航向角;
Xo和Yo是利用雷达获得的非地面点云的x,y坐标;
Xf和Yf则是所述雷达到所述无人驾驶车辆的定位中心的x、y修正值。
10.根据权利要求9所述的地图过滤器,其中,所述第一预定值为0,所述第二预定值为255。
11.根据权利要求10所述的地图过滤器,其中,所述掩模图构建模块还被配置成:
将所述底图的外围边界依据原始外围边界的经纬度极值往外拓展一定距离;
在所扩展出的区域内选取一点作为起始种子点并利用种子填充算法对不可行驶区域进行染色填充。
12.根据权利要求11所述的地图过滤器,其中,所述掩模图构建模块还被配置成:在染色填充时,将种子点的栅格灰度值设置为0,标记所述起始种子点周围八连通域的栅格为新种子点,然后以新种子点为基点再次进行迭代,直至填充完毕不再产生新种子点,如果新种子点为地图边界或可行驶区域的边界,则取消成为新种子点,否则将新种子点的栅格灰度值设置为0。
13.根据权利要求12所述的地图过滤器,其中,所述掩模图构建模块还被配置成:选取所述可行驶区域内任意一点作为起始种子点并利用种子填充算法对所述可行驶区域进行染色填充,在染色填充时,将种子点的栅格灰度值设置为255,标记该起始种子点周围八连通域的栅格为新种子点,然后以新种子点为基点再次进行迭代,直至填充完毕不再产生新种子点,如果新种子点为可行驶区域的边界,则将新种子点的栅格灰度值设置为255。
14.根据权利要求9所述的地图过滤器,其中,所述计算处理模块还被配置成当将非地面点云映射到所述掩模图的地图坐标系下后,直接访问当前栅格点的灰度值,如返回值大于0,则判定该非地面点云在可行驶区域内,并将该非地面点云标记为动态障碍物;如返回值为0,则判定该非地面点云在不可行驶区域内,并将该非地面点云标记为静态障碍物。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310250306.1A CN115984264B (zh) | 2023-03-16 | 2023-03-16 | 基于地图的静态障碍物过滤方法和地图过滤器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310250306.1A CN115984264B (zh) | 2023-03-16 | 2023-03-16 | 基于地图的静态障碍物过滤方法和地图过滤器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115984264A CN115984264A (zh) | 2023-04-18 |
CN115984264B true CN115984264B (zh) | 2023-08-01 |
Family
ID=85965177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310250306.1A Active CN115984264B (zh) | 2023-03-16 | 2023-03-16 | 基于地图的静态障碍物过滤方法和地图过滤器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115984264B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112419494A (zh) * | 2020-10-09 | 2021-02-26 | 腾讯科技(深圳)有限公司 | 用于自动驾驶的障碍物检测、标记方法、设备及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019070839A1 (en) * | 2017-10-05 | 2019-04-11 | California Institute Of Technology | SIMULTANEOUS REPRESENTATION OF MOBILE AND STATIC OBSTACLES FOR AUTOMATICALLY CONTROLLED VEHICLES |
CN113705305A (zh) * | 2021-03-29 | 2021-11-26 | 腾讯科技(深圳)有限公司 | 导航信息展示方法、车道线追踪方法、装置及存储介质 |
CN113238692B (zh) * | 2021-06-08 | 2023-04-18 | 北京字跳网络技术有限公司 | 区域选择方法、地图划分方法、装置、及计算机设备 |
-
2023
- 2023-03-16 CN CN202310250306.1A patent/CN115984264B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112419494A (zh) * | 2020-10-09 | 2021-02-26 | 腾讯科技(深圳)有限公司 | 用于自动驾驶的障碍物检测、标记方法、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115984264A (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111551958B (zh) | 一种面向矿区无人驾驶的高精地图制作方法 | |
US11709058B2 (en) | Path planning method and device and mobile device | |
US10846874B2 (en) | Method and apparatus for processing point cloud data and storage medium | |
US11852729B2 (en) | Ground intensity LIDAR localizer | |
CN110118564B (zh) | 一种高精度地图的数据管理系统、管理方法、终端和存储介质 | |
CN108959321A (zh) | 停车场地图构建方法、系统、移动终端及存储介质 | |
US20220197301A1 (en) | Vehicle Localization Based on Radar Detections | |
CN105667518A (zh) | 车道检测的方法及装置 | |
CN106980657A (zh) | 一种基于信息融合的车道级电子地图构建方法 | |
CN113009453B (zh) | 矿山路沿检测及建图方法及装置 | |
Aldibaja et al. | LIDAR-data accumulation strategy to generate high definition maps for autonomous vehicles | |
CN111552756A (zh) | 一种铲窝及卸点自动动态更新的矿区高精地图制作方法 | |
CN110412615A (zh) | 定位技术 | |
Moras et al. | Drivable space characterization using automotive lidar and georeferenced map information | |
CN112418081B (zh) | 一种空地联合快速勘察交通事故的方法及系统 | |
CN110298311A (zh) | 路面积水检测方法及装置 | |
CN112945248A (zh) | 用于创建数字地图的方法、控制设备、计算机程序和机器可读的存储介质 | |
CN113917939B (zh) | 飞行器的定位导航方法、系统及计算设备 | |
Pradhan et al. | Laser scanning systems in highway and safety assessment | |
US20220269281A1 (en) | Method and system for generating a topological graph map | |
CN115984264B (zh) | 基于地图的静态障碍物过滤方法和地图过滤器 | |
CN113435227B (zh) | 地图生成及车辆定位方法、系统、设备及存储介质 | |
Raaijmakers et al. | In-vehicle roundabout perception supported by a priori map data | |
CN113282088A (zh) | 工程车的无人驾驶方法、装置、设备、存储介质及工程车 | |
EP4016129A1 (en) | Radar reference map generation |
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 |