CN116047537A - 基于激光雷达的道路信息生成方法及系统 - Google Patents

基于激光雷达的道路信息生成方法及系统 Download PDF

Info

Publication number
CN116047537A
CN116047537A CN202211549950.0A CN202211549950A CN116047537A CN 116047537 A CN116047537 A CN 116047537A CN 202211549950 A CN202211549950 A CN 202211549950A CN 116047537 A CN116047537 A CN 116047537A
Authority
CN
China
Prior art keywords
data
grid
laser radar
basic data
lane line
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.)
Granted
Application number
CN202211549950.0A
Other languages
English (en)
Other versions
CN116047537B (zh
Inventor
陈辉
王亚东
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.)
Beijing Zhongke Dongxin Technology Co ltd
Original Assignee
Beijing Zhongke Dongxin 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 Beijing Zhongke Dongxin Technology Co ltd filed Critical Beijing Zhongke Dongxin Technology Co ltd
Priority to CN202211549950.0A priority Critical patent/CN116047537B/zh
Publication of CN116047537A publication Critical patent/CN116047537A/zh
Application granted granted Critical
Publication of CN116047537B publication Critical patent/CN116047537B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
    • G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Electromagnetism (AREA)
  • Traffic Control Systems (AREA)
  • Optical Radar Systems And Details Thereof (AREA)

Abstract

本发明涉及数据识别技术领域，更具体地，涉及基于激光雷达的道路信息生成方法及系统。该方案包括启动激光雷达进行主动探测，获得路面的基础数据；对所述基础数据进行格网化处理，形成格网化后的基础数据；根据格网化后的基础数据进行统计分析，获得格网标记数据；将所述格网标记数据对应的区块设置为可能区块；根据所述可能区块设置ROI区域；根据所述ROI区域进行学习回归确定车道线并展示。该方案在道路固定位置部署的激光雷达或移动载体搭载的激光雷达，主动探测并获取覆盖区域的回波数据，接收数据后，经过预设的参数和算法将采集数据“翻译”为道路相关信息。

Description

基于激光雷达的道路信息生成方法及系统
技术领域
本发明涉及数据识别技术领域，更具体地，涉及基于激光雷达的道路信息生成方法及系统。
背景技术
随着电力电子技术的发展越来越多的传感器设备能够接入到道路信息分析过程中，现有的技术主要基于摄像头探测车道线等信息进行车道线位置、车道宽度等的在线采集和分析。
在本发明技术之前，现有技术，受限于常用摄像头为被动光学仪器，无主动光源，且面临实时环境变化大的情况，导致相同车道线探测数据差距较大，在夜晚或某些光源不足或光源过强造成过曝等情况下造成无法探测、无法精确测距、探测的车道线存在损毁或污染、数据存在误差导致精度不足等问题同时考虑到自动驾驶、V2X及更多智能驾驶相关或特殊情况场景，对于车道、灯杆、车站等需求更高的科技设备，可以补充以辅助实现更高精度的定位或完成其它特殊任务等。
发明内容
鉴于上述问题，本发明提出了基于激光雷达的道路信息生成方法及系统，在道路固定位置部署的激光雷达或移动载体搭载的激光雷达，主动探测并获取覆盖区域的回波数据，接收数据后，经过预设的参数和算法将采集数据“翻译”为道路相关信息。
根据本发明实施例第一方面，提供基于激光雷达的道路信息生成方法。
在一个或多个实施例中，优选地，所述基于激光雷达的道路信息生成方法包括：
启动激光雷达进行主动探测，获得路面的基础数据；
对所述基础数据进行格网化处理，形成格网化后的基础数据；
根据格网化后的基础数据进行统计分析，获得格网标记数据；
将所述格网标记数据对应的区块设置为可能区块；
根据所述可能区块设置ROI区域；
根据所述ROI区域进行学习回归确定车道线并展示。
在一个或多个实施例中，优选地，所述启动激光雷达进行主动探测，获得路面的基础数据，具体包括：
启动激光雷达进行主动探测路面；
获取反射回来的回波并记录反射物体坐标、回波强度、收到回波的时间、扫描角度和回波次数，作为目标路面信息；
根据设定状态判断静态还是动态工作模式；
当采集设备不为静态时，将所述目标路面信息传递校正模块进行运动补偿后再进行强度补偿；
当采集设备为静态时，将所述目标路面信息传递校正模块进行强度补偿；
保持强度补偿后的数据为基础数据。
在一个或多个实施例中，优选地，所述对所述基础数据进行格网化处理，形成格网化后的基础数据，具体包括：
将路面划分为格网区域，并基于设定的坐标系原点构建格网坐标系；
将所述基础数据依次划分到对应的格网中，并赋予每个格网一个ID号，形成所述格网化后的基础数据。
在一个或多个实施例中，优选地，所述根据格网化后的基础数据进行统计分析，获得格网标记数据，具体包括：
对所述格网化后的基础数据利用第一计算公式进行判断；
当不满足第一计算公式时，则将对应数据滤除，更新所述格网化后的基础数据；
当满足第一计算公式时，继续利用第二计算公式判断是否高于预设的高度阈值，将格网内高于预设的所述高度阈值的数据滤除，更新所述格网化后的基础数据；
根据更新后的格网化后的基础数据，进行每个格网的高度方差和强度方差计算；
根据每个格网的高度方差和强度方差仅标记满足第三计算公式和第四计算公式的数据，作为格网标记数据；
所述第一计算公式为：
I1≥C1
其中，I1为进过格网化处理后每一个格网的统计强度，C1为已设定好的强度阈值；
所述第二计算公式为：
Z>C2
其中，Z为进过格网化处理后每一个格网的统计高度，C2为高度阈值；
所述第三计算公式为：
Istd<C3
其中，Istd为强度方差，C3为强度方差阈值；
所述第四计算公式为：
Zstd<C4
其中，Zstd为高度方差，C4为高度方差阈值。
在一个或多个实施例中，优选地，所述将所述格网标记数据对应的区块设置为可能区块，具体包括：
将所述格网标记数据对应的区块设置为车道线区块；
将所述车道线区块作为所述可能区块。
在一个或多个实施例中，优选地，所述根据所述可能区块设置ROI区域，具体包括：
提取所述车道线区块相邻的区块，作为可能探测区域；
根据经验和预设规则在所述可能探测区域内的ROI区域。
在一个或多个实施例中，优选地，所述根据所述ROI区域进行学习回归确定车道线并展示，具体包括：
获取所述ROI区域后，将所述ROI区域内的数据记录并转化为张量形式的数据；
提取所述张量形式的数据中的空间信息和强度信息；
利用经过训练的3D卷积网络进行边界点计算，获得车道线宽度、车道中心线位置、车道线总长度和车辆到该车道线的距离；
将所述边界点作为车道线信息转化到车辆自身坐标系，并标记车道线位置。
根据本发明实施例第二方面，提供基于激光雷达的道路信息生成系统。
在一个或多个实施例中，优选地，所述基于激光雷达的道路信息生成系统包括：
采集与校正模块，用于启动激光雷达进行主动探测，获得路面的基础数据；
格网化处理模块，用于对所述基础数据进行格网化处理，形成格网化后的基础数据；
统计分析模块，用于根据格网化后的基础数据进行统计分析，获得格网标记数据；
可能区块分析模块，用于将所述格网标记数据对应的区块设置为可能区块；
标记区块分析模块，用于根据所述可能区块设置ROI区域；
学习回归模块，用于根据所述ROI区域进行学习回归确定车道线并展示。
根据本发明实施例第三方面，提供一种计算机可读存储介质，其上存储计算机程序指令，所述计算机程序指令在被处理器执行时实现如本发明实施例第一方面中任一项所述的方法。
根据本发明实施例第四方面，提供一种电子设备，包括存储器和处理器，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现本发明实施例第一方面中任一项所述的方法。
本发明的实施例提供的技术方案可以包括以下有益效果：
本发明方案中，利用强度数据快速定位和高精度分析边界，而不是主要使用空间信息，经过预设的参数和算法将采集数据“翻译”为道路相关信息。
本发明方案中，基于激光雷达而不是传统的摄像头，实现具体距离信息的获取。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
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是本发明一个实施例的基于激光雷达的道路信息生成方法的流程图。
图2是本发明一个实施例的基于激光雷达的道路信息生成方法中的启动激光雷达进行主动探测，获得路面的基础数据的流程图。
图3是本发明一个实施例的基于激光雷达的道路信息生成方法中的对所述基础数据进行格网化处理，形成格网化后的基础数据的流程图。
图4是本发明一个实施例的基于激光雷达的道路信息生成方法中的根据格网化后的基础数据进行统计分析，获得格网标记数据的流程图。
图5是本发明一个实施例的基于激光雷达的道路信息生成方法中的将所述格网标记数据对应的区块设置为可能区块的流程图。
图6是本发明一个实施例的基于激光雷达的道路信息生成方法中的根据所述可能区块设置ROI区域的流程图。
图7是本发明一个实施例的基于激光雷达的道路信息生成方法中的根据所述ROI区域进行学习回归确定车道线并展示的流程图。
图8是本发明一个实施例的基于激光雷达的道路信息生成系统的结构图。
图9是本发明一个实施例中一种电子设备的结构图。
具体实施方式
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
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，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
随着电力电子技术的发展越来越多的传感器设备能够接入到道路信息分析过程中，现有的技术主要基于摄像头探测车道线等信息进行车道线位置、车道宽度等的在线采集和分析。
在本发明技术之前，现有技术，受限于常用摄像头为被动光学仪器，无主动光源，且面临实时环境变化大的情况，导致相同车道线探测数据差距较大，在夜晚或某些光源不足或光源过强造成过曝等情况下造成无法探测、无法精确测距、探测的车道线存在损毁或污染、数据存在误差导致精度不足等问题同时考虑到自动驾驶、V2X及更多智能驾驶相关或特殊情况场景，对于车道、灯杆、车站等需求更高的科技设备，可以补充以辅助实现更高精度的定位或完成其它特殊任务等。
本发明实施例中，提供了基于激光雷达的道路信息生成方法及系统。该方案在道路固定位置部署的激光雷达或移动载体搭载的激光雷达，主动探测并获取覆盖区域的回波数据，接收数据后，经过预设的参数和算法将采集数据“翻译”为道路相关信息。
根据本发明实施例第一方面，提供基于激光雷达的道路信息生成方法。
图1是本发明一个实施例的基于激光雷达的道路信息生成方法的流程图。
在一个或多个实施例中，优选地，所述基于激光雷达的道路信息生成方法包括：
S101、启动激光雷达进行主动探测，获得路面的基础数据；
S102、对所述基础数据进行格网化处理，形成格网化后的基础数据；
S103、根据格网化后的基础数据进行统计分析，获得格网标记数据；
S104、将所述格网标记数据对应的区块设置为可能区块；
S105、根据所述可能区块设置ROI区域；
S106、根据所述ROI区域进行学习回归确定车道线并展示。
在本发明实施例中，基于激光雷达的主动探测，确保激光雷达可以扫射到目标路面。车辆运行中，打开激光雷达并扫描探测区域，获取反射回来的回波并记录反射物体坐标、回波强度、收到回波的时间、扫描角度和回波次数，作为目标路面信息，分析其物理特性并通过深度学习算法将物理信息处理为可应用于智能汽车、自动驾驶和车路协同等领域的道路信息。在道路固定位置部署的激光雷达或移动载体搭载的激光雷达，主动探测并获取覆盖区域的回波数据，接收数据后，经过预设的参数和算法将采集数据“翻译”为道路相关信息，包括车道线位置、车道宽度等。
图2是本发明一个实施例的基于激光雷达的道路信息生成方法中的启动激光雷达进行主动探测，获得路面的基础数据的流程图。
如图2所示，在一个或多个实施例中，优选地，所述启动激光雷达进行主动探测，获得路面的基础数据，具体包括：
S201、启动激光雷达进行主动探测路面；
S202、获取反射回来的回波并记录反射物体坐标、回波强度、收到回波的时间、扫描角度和回波次数，作为目标路面信息；
S203、根据设定状态判断静态还是动态工作模式；其中，一般情况下，是否为静态是选择人为设置或选择的。举例说明，静态为1动态0，需要根据设定状态的状态参数决定静态还是动态工作模式；
S204、当采集设备不为静态时，将所述目标路面信息传递校正模块进行运动补偿后再进行强度补偿；
S205、当采集设备为静态时，将所述目标路面信息传递校正模块进行强度补偿；
S206、保持强度补偿后的数据为基础数据。
在本发明实施例中，数据传递到校正模块，对运动补偿进行举例说明，如载体为车辆，则需此步骤。获取回波后，基于车辆的实时信息：如速度、加速度、探测的坡度等信息，基于运动校正算法完成运动学补偿，弥补车辆或其它载体移动造成的误差，并将处理后的数据按照指定格式传送到强度校正模块。对强度补偿进行举例说明，根据激光雷达记录的发射角度、时间、基本强度、探测的距离等信息，基于实验室中标定好的数据结果，校正回波强度数值，标准化数据到实验室测定情况，从而控制变量，可以正确分析物理性质，之后将数据传送到滤波模块。
图3是本发明一个实施例的基于激光雷达的道路信息生成方法中的对所述基础数据进行格网化处理，形成格网化后的基础数据的流程图。
如图3所示，在一个或多个实施例中，优选地，所述对所述基础数据进行格网化处理，形成格网化后的基础数据，具体包括：
S301、将路面划分为格网区域，并基于设定的坐标系原点构建格网坐标系；其中，坐标系原点一般选择是传感器质心位置；
S302、将所述基础数据依次划分到对应的格网中，并赋予每个格网一个ID号，形成所述格网化后的基础数据。
在本发明实施例中，数据首先进入格网算法，根据设定的格网长宽，将数据根据空间坐标向下投影到指定的坐标块，并赋予ID，完成鸟瞰视野转换。
图4是本发明一个实施例的基于激光雷达的道路信息生成方法中的根据格网化后的基础数据进行统计分析，获得格网标记数据的流程图。
如图4所示，在一个或多个实施例中，优选地，所述根据格网化后的基础数据进行统计分析，获得格网标记数据，具体包括：
S401、对所述格网化后的基础数据利用第一计算公式进行判断；
S402、当不满足第一计算公式时，则将对应数据滤除，更新所述格网化后的基础数据；
S403、当满足第一计算公式时，继续利用第二计算公式判断是否高于预设的高度阈值，将格网内高于预设的所述高度阈值的数据滤除，更新所述格网化后的基础数据；
S404、根据更新后的格网化后的基础数据，进行每个格网的高度方差和强度方差计算；
S405、根据每个格网的高度方差和强度方差仅标记满足第三计算公式和第四计算公式的数据，作为格网标记数据；
所述第一计算公式为：
I1≥C1
其中，I1为进过格网化处理后每一个格网的统计强度，C1为已设定好的强度阈值；
所述第二计算公式为：
Z>C2
其中，Z为进过格网化处理后每一个格网的统计高度，C2为高度阈值；
所述第三计算公式为：
Istd<C3
其中，Istd为强度方差，C3为强度方差阈值；
所述第四计算公式为：
Zstd<C4
其中，Zstd为高度方差，C4为高度方差阈值；
在本发明实施例中，强度判断目的是寻找特殊强度区块。如通过设置材料的物理特性，确保车道线获取的强度数值是周围其它路面或井盖、掉落物、车辆等的几倍或有较大对比度，如车道线强度为1500，区域内方差为10，而其它物体的强度为1000，方差较大，寻找区块内强度值>1500，且数量满足测试阈值，找出可能是车道线的格网，并记录I D。寻找特殊强度区块，规则最好是固定的，高度判断的目的是选出指定I D的块后，根据发射角和高度信息，将格网内高于地面的点云滤除，进而将不满足的既定方差阈值的数据过滤。
图5是本发明一个实施例的基于激光雷达的道路信息生成方法中的将所述格网标记数据对应的区块设置为可能区块的流程图。
如图5所示，在一个或多个实施例中，优选地，所述将所述格网标记数据对应的区块设置为可能区块，具体包括：
S501、将所述格网标记数据对应的区块设置为车道线区块；
S502、将所述车道线区块作为所述可能区块。
在本发明实施例中，由于发射的激光存在发散角，当照射到真实物体表面时，会表现为光圈的情况(光圈大小受到距离、发散角影响较大，也会受到气溶胶等影响，但传输距离近一般考虑较少)，并不是打到一个精确的点，所以是多对一的情况，代表了一个小区域的性质，而且激光雷达公司的检测回波与定位算法一般不同且非公开，所以需要完成光学校正和测试，这一情况在边界区域时可能出现误判，所以标记为可能区块，再结合后面的区块分析算法和深度学习算法，共同分析最优拟合情况。
图6是本发明一个实施例的基于激光雷达的道路信息生成方法中的根据所述可能区块设置ROI区域的流程图。
如图6所示，在一个或多个实施例中，优选地，所述根据所述可能区块设置ROI区域，具体包括：
S601、提取所述车道线区块相邻的区块，作为可能探测区域；
S602、根据经验和预设规则在所述可能探测区域内的ROI区域。
在本发明实施例中，考虑到车道线具有连续性，以及激光雷达分辨率不足的问题，选择可能区块周边的区块，加入到可能探测区域，这部分区块会额外标记，并完成滤波模块中流程，其中，ROI区域，英文全写为Region of Interest区域，在图像处理过程中，可能会对图像的某一个特定区域感兴趣，该区域被称为感兴趣区域，会根据经验设定等调整。举例自动驾驶识别交通参与者算法，可能会检测并识别到30个目标，但是最影响自身驾驶的目标只有6个，为了节省资源和加速处理，就把这6个设置为ROI区域，重点关注。
图7是本发明一个实施例的基于激光雷达的道路信息生成方法中的根据所述ROI区域进行学习回归确定车道线并展示的流程图。
如图7所示，在一个或多个实施例中，优选地，所述根据所述ROI区域进行学习回归确定车道线并展示，具体包括：
S701、获取所述ROI区域后，将所述ROI区域内的数据记录并转化为张量形式的数据；
S702、提取所述张量形式的数据中的空间信息和强度信息；
S703、利用经过训练的3D卷积网络进行边界点计算，获得车道线宽度、车道中心线位置、车道线总长度和车辆到该车道线的距离；
S704、将所述边界点作为车道线信息转化到车辆自身坐标系，并标记车道线位置。
在本发明实施例中，向量是有大小有方向的一组量。张量概念是向量概念在高维度的推广，张量其实就是广义的向量，也同时具有大小和方向。向量可以理解为是1阶张量(矩阵是2阶张量)，张量可以按照具体维度情况定义。本发明技术方案中，深度学习中图片信息为N*C*H*W的四维张量，存储了数据的批量、通道、高、宽信息。
根据本发明实施例第二方面，提供基于激光雷达的道路信息生成系统。
图8是本发明一个实施例的基于激光雷达的道路信息生成系统的结构图。
在一个或多个实施例中，优选地，所述基于激光雷达的道路信息生成系统包括：
采集与校正模块801，用于启动激光雷达进行主动探测，获得路面的基础数据；
格网化处理模块802，用于对所述基础数据进行格网化处理，形成格网化后的基础数据；
统计分析模块803，用于根据格网化后的基础数据进行统计分析，获得格网标记数据；
可能区块分析模块804，用于将所述格网标记数据对应的区块设置为可能区块；
标记区块分析模块805，用于根据所述可能区块设置ROI区域；
学习回归模块806，用于根据所述ROI区域进行学习回归确定车道线并展示。
在本发明实施例中，通过一系列的模块化设计，实现一个适用于不同结构下的系统，该系统能够通过采集、分析和控制，实现闭环的、可靠的、高效的执行。
根据本发明实施例第三方面，提供一种计算机可读存储介质，其上存储计算机程序指令，所述计算机程序指令在被处理器执行时实现如本发明实施例第一方面中任一项所述的方法。
根据本发明实施例第四方面，提供一种电子设备。图9是本发明一个实施例中一种电子设备的结构图。图9所示的电子设备为通用基于激光雷达的道路信息生成装置。参照图9，所述电子设备可以是智能手机、平板电脑等设备。电子设备900包括处理器901和存储器902。其中，处理器901与存储器902电性连接。
处理器901是电子设备900的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或调用存储在存储器902内的计算机程序，以及调用存储在存储器902内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。
在本实施例中，电子设备900中的处理器901会按照如下的步骤，将一个或一个以上的计算机程序的进程对应的指令加载到存储器902中，并由处理器901来运行存储在存储器902中的计算机程序，从而实现各种功能，例如：启动激光雷达进行主动探测，获得路面的基础数据；对所述基础数据进行格网化处理，形成格网化后的基础数据；根据格网化后的基础数据进行统计分析，获得格网标记数据；将所述格网标记数据对应的区块设置为可能区块；根据所述可能区块设置ROI区域；根据所述ROI区域进行学习回归确定车道线并展示。
在某些实施方式中，电子设备900还可以包括：显示器903、射频电路904、音频电路905、无线保真模块906以及电源907。其中，其中，显示器903、射频电路904、音频电路905、无线保真模块906以及电源907分别与处理器901电性连接。
所述显示器903可以用于显示由用户输入的信息或提供给用户的信息以及各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示器903可以包括显示面板，在某些实施方式中，可以采用液晶显示器(LCD，Liquid CrystalDisplay)、或者有机发光二极管(OLED，Organic Light-Emitting Diode)等形式来配置显示面板。
所述射频电路904可以用于收发射频信号，以通过无线通信与网络设备或其他电子设备建立无线通讯，与网络设备或其他电子设备之间收发信号。
所述音频电路905可以用于通过扬声器、传声器提供用户与电子设备之间的音频接口。
所述无线保真模块906可以用于短距离无线传输，可以帮助用户收发电子邮件、浏览网站和访问流式媒体等，它为用户提供了无线的宽带互联网访问。
所述电源907可以用于给电子设备900的各个部件供电。在一些实施例中，电源907可以通过电源管理系统与处理器901逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
尽管图9中未示出，电子设备900还可以包括摄像头、蓝牙模块等，在此不再赘述。
本发明的实施例提供的技术方案可以包括以下有益效果：
本发明方案中，利用强度数据快速定位和高精度分析边界，而不是主要使用空间信息，经过预设的参数和算法将采集数据“翻译”为道路相关信息。
本发明方案中，基于激光雷达而不是传统的摄像头，实现具体距离信息的获取。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、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。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.基于激光雷达的道路信息生成方法，其特征在于，该方法包括：
启动激光雷达进行主动探测，获得路面的基础数据；
对所述基础数据进行格网化处理，形成格网化后的基础数据；
根据格网化后的基础数据进行统计分析，获得格网标记数据；
将所述格网标记数据对应的区块设置为可能区块；
根据所述可能区块设置ROI区域；
根据所述ROI区域进行学习回归确定车道线并展示。
2.如权利要求1所述的基于激光雷达的道路信息生成方法，其特征在于，所述启动激光雷达进行主动探测，获得路面的基础数据，具体包括：
启动激光雷达进行主动探测路面；
获取反射回来的回波并记录反射物体坐标、回波强度、收到回波的时间、扫描角度和回波次数，作为目标路面信息；
根据设定状态判断静态还是动态工作模式；
当采集设备不为静态时，将所述目标路面信息传递校正模块进行运动补偿后再进行强度补偿；
当采集设备为静态时，将所述目标路面信息传递校正模块进行强度补偿；
保持强度补偿后的数据为基础数据。
3.如权利要求1所述的基于激光雷达的道路信息生成方法，其特征在于，所述对所述基础数据进行格网化处理，形成格网化后的基础数据，具体包括：
将路面划分为格网区域，并基于设定的坐标系原点构建格网坐标系；
将所述基础数据依次划分到对应的格网中，并赋予每个格网一个ID号，形成所述格网化后的基础数据。
4.如权利要求1所述的基于激光雷达的道路信息生成方法，其特征在于，所述根据格网化后的基础数据进行统计分析，获得格网标记数据，具体包括：
对所述格网化后的基础数据利用第一计算公式进行判断；
当不满足第一计算公式时，则将对应数据滤除，更新所述格网化后的基础数据；
当满足第一计算公式时，继续利用第二计算公式判断是否高于预设的高度阈值，将格网内高于预设的所述高度阈值的数据滤除，更新所述格网化后的基础数据；
根据更新后的格网化后的基础数据，进行每个格网的高度方差和强度方差计算；
根据每个格网的高度方差和强度方差仅标记满足第三计算公式和第四计算公式的数据，作为格网标记数据；
所述第一计算公式为：
I1≥C1
其中，I1为进过格网化处理后每一个格网的统计强度，C1为已设定好的强度阈值；
所述第二计算公式为：
Z>C2
其中，Z为进过格网化处理后每一个格网的统计高度，C2为高度阈值；
所述第三计算公式为：
Istd<C3
其中，Istd为强度方差，C3为强度方差阈值；
所述第四计算公式为：
Zstd<C4
其中，Zstd为高度方差，C4为高度方差阈值。
5.如权利要求1所述的基于激光雷达的道路信息生成方法，其特征在于，所述将所述格网标记数据对应的区块设置为可能区块，具体包括：
将所述格网标记数据对应的区块设置为车道线区块；
将所述车道线区块作为所述可能区块。
6.如权利要求5所述的基于激光雷达的道路信息生成方法，其特征在于，所述根据所述可能区块设置ROI区域，具体包括：
提取所述车道线区块相邻的区块，作为可能探测区域；
根据经验和预设规则在所述可能探测区域内的ROI区域。
7.如权利要求1所述的基于激光雷达的道路信息生成方法，其特征在于，所述根据所述ROI区域进行学习回归确定车道线并展示，具体包括：
获取所述ROI区域后，将所述ROI区域内的数据记录并转化为张量形式的数据；
提取所述张量形式的数据中的空间信息和强度信息；
利用经过训练的3D卷积网络进行边界点计算，获得车道线宽度、车道中心线位置、车道线总长度和车辆到该车道线的距离；
将所述边界点作为车道线信息转化到车辆自身坐标系，并标记车道线位置。
8.基于激光雷达的道路信息生成系统，其特征在于，该系统用于实施如权利要求1-7中任一项所述的方法，该系统包括：
采集与校正模块，用于启动激光雷达进行主动探测，获得路面的基础数据；
格网化处理模块，用于对所述基础数据进行格网化处理，形成格网化后的基础数据；
统计分析模块，用于根据格网化后的基础数据进行统计分析，获得格网标记数据；
可能区块分析模块，用于将所述格网标记数据对应的区块设置为可能区块；
标记区块分析模块，用于根据所述可能区块设置ROI区域；
学习回归模块，用于根据所述ROI区域进行学习回归确定车道线并展示。
9.一种计算机可读存储介质，其上存储计算机程序指令，其特征在于，所述计算机程序指令在被处理器执行时实现如权利要求1-7中任一项所述的方法。
10.一种电子设备，包括存储器和处理器，其特征在于，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求1-7任一项所述的方法。
CN202211549950.0A 2022-12-05 2022-12-05 基于激光雷达的道路信息生成方法及系统 Active CN116047537B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211549950.0A CN116047537B (zh) 2022-12-05 2022-12-05 基于激光雷达的道路信息生成方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211549950.0A CN116047537B (zh) 2022-12-05 2022-12-05 基于激光雷达的道路信息生成方法及系统

Publications (2)

Publication Number Publication Date
CN116047537A true CN116047537A (zh) 2023-05-02
CN116047537B CN116047537B (zh) 2023-12-26

Family

ID=86118945

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211549950.0A Active CN116047537B (zh) 2022-12-05 2022-12-05 基于激光雷达的道路信息生成方法及系统

Country Status (1)

Country Link
CN (1) CN116047537B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127113A (zh) * 2016-06-15 2016-11-16 北京联合大学 一种基于三维激光雷达的道路车道线检测方法
CN106803061A (zh) * 2016-12-14 2017-06-06 广州大学 一种基于动态感兴趣区域的简易快速车道线检测方法
CN109858460A (zh) * 2019-02-20 2019-06-07 重庆邮电大学 一种基于三维激光雷达的车道线检测方法
EP3506158A1 (en) * 2017-12-29 2019-07-03 Baidu Online Network Technology (Beijing) Co., Ltd. Method, apparatus, and device for determining lane line on road
CN110363054A (zh) * 2018-11-16 2019-10-22 北京京东尚科信息技术有限公司 道路标识线识别方法、装置和系统
CN111273305A (zh) * 2020-02-18 2020-06-12 中国科学院合肥物质科学研究院 基于全局与局部栅格图多传感器融合道路提取与索引方法
WO2020147485A1 (zh) * 2019-01-15 2020-07-23 北京百度网讯科技有限公司 一种信息处理方法、系统、设备和计算机存储介质
CN112446227A (zh) * 2019-08-12 2021-03-05 阿里巴巴集团控股有限公司 物体检测方法、装置及设备
CN112749594A (zh) * 2019-10-31 2021-05-04 浙江商汤科技开发有限公司 信息补全方法、车道线识别方法、智能行驶方法及相关产品
CN113920217A (zh) * 2021-10-15 2022-01-11 北京百度网讯科技有限公司 用于生成高精地图车道线的方法、装置、设备和产品
CN114359866A (zh) * 2021-12-31 2022-04-15 中国第一汽车股份有限公司 基于激光雷达的道路边界检测方法和装置
KR102398084B1 (ko) * 2021-02-19 2022-05-16 (주)오토노머스에이투지 도로 상황에 따라 조정된 가중치를 이용한 정밀지도 기반의 맵 매칭을 통해 이동체를 측위하는 방법 및 이를 이용한 이동체 위치 측정 장치
CN115082881A (zh) * 2022-05-30 2022-09-20 安徽蔚来智驾科技有限公司 目标检测方法、存储介质、电子设备及车辆

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127113A (zh) * 2016-06-15 2016-11-16 北京联合大学 一种基于三维激光雷达的道路车道线检测方法
CN106803061A (zh) * 2016-12-14 2017-06-06 广州大学 一种基于动态感兴趣区域的简易快速车道线检测方法
EP3506158A1 (en) * 2017-12-29 2019-07-03 Baidu Online Network Technology (Beijing) Co., Ltd. Method, apparatus, and device for determining lane line on road
CN110363054A (zh) * 2018-11-16 2019-10-22 北京京东尚科信息技术有限公司 道路标识线识别方法、装置和系统
WO2020147485A1 (zh) * 2019-01-15 2020-07-23 北京百度网讯科技有限公司 一种信息处理方法、系统、设备和计算机存储介质
CN109858460A (zh) * 2019-02-20 2019-06-07 重庆邮电大学 一种基于三维激光雷达的车道线检测方法
CN112446227A (zh) * 2019-08-12 2021-03-05 阿里巴巴集团控股有限公司 物体检测方法、装置及设备
CN112749594A (zh) * 2019-10-31 2021-05-04 浙江商汤科技开发有限公司 信息补全方法、车道线识别方法、智能行驶方法及相关产品
CN111273305A (zh) * 2020-02-18 2020-06-12 中国科学院合肥物质科学研究院 基于全局与局部栅格图多传感器融合道路提取与索引方法
KR102398084B1 (ko) * 2021-02-19 2022-05-16 (주)오토노머스에이투지 도로 상황에 따라 조정된 가중치를 이용한 정밀지도 기반의 맵 매칭을 통해 이동체를 측위하는 방법 및 이를 이용한 이동체 위치 측정 장치
CN113920217A (zh) * 2021-10-15 2022-01-11 北京百度网讯科技有限公司 用于生成高精地图车道线的方法、装置、设备和产品
CN114359866A (zh) * 2021-12-31 2022-04-15 中国第一汽车股份有限公司 基于激光雷达的道路边界检测方法和装置
CN115082881A (zh) * 2022-05-30 2022-09-20 安徽蔚来智驾科技有限公司 目标检测方法、存储介质、电子设备及车辆

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
NGUYEN X T等: "Roi-based lidar sampling algorithm in on-road environment for autonomous driving", 《IEEE ACCESS》, vol. 7 *
闫岩: "基于深度学习的点云三维目标检测算法研究", 《中国优秀硕士学位论文全文数据库（信息科技辑）》 *
陈健华;: "基于机载LiDAR点云的道路提取算法研究", 测绘工程, no. 03, pages 51 - 55 *

Also Published As

Publication number Publication date
CN116047537B (zh) 2023-12-26

Similar Documents

Publication Publication Date Title
CN108920584B (zh) 一种语义栅格地图生成方法及其装置
US11783568B2 (en) Object classification using extra-regional context
US10769809B1 (en) Neural networks for object detection
US20210333108A1 (en) Path Planning Method And Device And Mobile Device
CN111563450B (zh) 数据处理方法、装置、设备及存储介质
US11693415B2 (en) Predicting cut-in probabilities of surrounding agents
US11755917B2 (en) Generating depth from camera images and known depth data using neural networks
CN111339876B (zh) 用于识别场景中各区域类型的方法和装置
US20220343758A1 (en) Data Transmission Method and Apparatus
CN110956137A (zh) 点云数据的目标检测方法、系统及介质
US20210312177A1 (en) Behavior prediction of surrounding agents
US20210364637A1 (en) Object localization using machine learning
JPWO2018180081A1 (ja) 劣化地物特定装置、劣化地物特定方法、劣化地物特定プログラム及び劣化地物特定プログラムを記録したコンピュータ読み取り可能な記録媒体
Lee et al. Object Detection of Road Facilities Using YOLOv3 for High-definition Map Updates.
US11950166B2 (en) Predicting occupancy probabilities of surrounding agents
CN116047537B (zh) 基于激光雷达的道路信息生成方法及系统
CN113469045B (zh) 无人集卡的视觉定位方法、系统、电子设备和存储介质
CN114565906A (zh) 障碍物检测方法、装置、电子设备及存储介质
CN116013018B (zh) 一种基于无人机探测的森林防火预警分析方法及系统
TWI843116B (zh) 移動物體檢測方法、裝置、電子設備及存儲介質
US20230391372A1 (en) Method of detecting moving objects, device, electronic device, and storage medium
CN116309552B (zh) 既有线老旧挡墙的健康状态评估方法、装置、设备及介质
CN114675274A (zh) 障碍物检测方法、装置、存储介质及电子设备
EP3792719A1 (en) Deduction system, deduction device, deduction method, and computer program
Wu et al. Development of a Roadside LiDAR-Based Situational Awareness System for Work Zone Safety: Proof-of-Concept Study

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