CN116129376A - 一种道路边缘检测方法和装置 - Google Patents
一种道路边缘检测方法和装置 Download PDFInfo
- Publication number
- CN116129376A CN116129376A CN202211290713.7A CN202211290713A CN116129376A CN 116129376 A CN116129376 A CN 116129376A CN 202211290713 A CN202211290713 A CN 202211290713A CN 116129376 A CN116129376 A CN 116129376A
- Authority
- CN
- China
- Prior art keywords
- road
- point
- road edge
- points
- vehicle
- 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
-
- 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
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
-
- 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
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
- G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- 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
- G01S7/4808—Evaluating distance, position or velocity data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30256—Lane; Road marking
Abstract
本申请公开了一种道路边缘检测方法和装置,以实现准确地检测道路边缘曲线。该方法包括:在车辆行驶过程中,车载道路边缘检测装置获取车载激光雷达扫描周围环境生成的点云数据;其中,点云数据中包括多个点的三维坐标值以及反射强度值;确定点云数据中每个点的局部几何特征,局部几何特征包括点的法向以及法向曲率;在点云数据中选择多个种子点,使用区域生长方法、根据种子点和各个点的局部几何特征,生成多个点簇;确定包括的点数最多的一个点簇为可行驶路面点簇,在可行驶路面点簇中确定多个道路边缘点;根据确定的多个道路边缘点拟合得到道路边缘曲线。
Description
技术领域
本发明涉及自动驾驶领域,特别涉及一种道路边缘检测方法和装置。
背景技术
自动驾驶车辆的导航技术是根据感知车辆的位置和运动情况,自动地控制车辆向目的地行驶的技术。自动驾驶车辆导航在人们出行、货物运输和服务提供方面有重要的应用。自动驾驶技术的一个组成部分就是道路边缘检测,该技术能够保证车辆和乘客以及附近的人和物的安全。
发明内容
鉴于上述问题,本申请提供一种道路边缘检测方法和装置,以实现准确地检测道路边缘曲线。
根据本申请的一个方面,提供了一种道路边缘检测方法,包括:
在车辆行驶过程中,车载道路边缘检测装置获取车载激光雷达扫描周围环境生成的点云数据;其中,点云数据中包括多个点的三维坐标值以及反射强度值;
确定点云数据中每个点的局部几何特征,局部几何特征包括点的法向以及法向曲率;
在点云数据中选择多个种子点,使用区域生长方法、根据种子点和各个点的局部几何特征,生成多个点簇;
确定包括的点数最多的一个点簇为可行驶路面点簇,在可行驶路面点簇中确定多个道路边缘点;
根据确定的多个道路边缘点拟合得到道路边缘曲线。
根据本申请的另一个方面,提供了一种道路边缘检测装置,包括一个处理器和至少一个存储器;至少一个存储器中存储有至少一条机器可执行指令,处理器执行至少一条机器可执行指令实现道路边缘检测处理,道路边缘检测处理包括:
在车辆行驶过程中,车载道路边缘检测装置获取车载激光雷达扫描周围环境生成的点云数据;其中,点云数据中包括多个点的三维坐标值以及反射强度值;
确定点云数据中每个点的局部几何特征,局部几何特征包括点的法向以及法向曲率;
在点云数据中选择多个种子点,使用区域生长方法、根据种子点和各个点的局部几何特征,生成多个点簇;
确定包括的点数最多的一个点簇为可行驶路面点簇,在可行使路面点簇中确定多个道路边缘点;
根据确定的多个道路边缘点拟合得到道路边缘曲线。
根据本申请的另一个方面,提供了一种非易失性存储装置,存储有至少一条机器可执行指令,处理器执行至少一条机器可执行指令实现道路边缘检测处理,道路边缘检测处理包括:
在车辆行驶过程中,车载道路边缘检测装置获取车载激光雷达扫描周围环境生成的点云数据;其中,点云数据中包括多个点的三维坐标值以及反射强度值;
确定点云数据中每个点的局部几何特征,局部几何特征包括点的法向以及法向曲率;
在点云数据中选择多个种子点,使用区域生长方法、根据种子点和各个点的局部几何特征,生成多个点簇;
确定包括的点数最多的一个点簇为可行驶路面点簇,在可行使路面点簇中确定多个道路边缘点;
根据确定的多个道路边缘点拟合得到道路边缘曲线。
根据本申请实施例提供的技术方案,根据点云数据中点的局部几何特征来确定得到可行驶路面点簇,通过可行驶路面点簇的边缘点确定得到道路边缘,相比于现有技术中直接通过点级别的特征来识别道路边缘,能够降低噪声、遮挡和路边物体的影响,提高检测的准确度。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
图1为本申请实施例提供的道路边缘检测处理的注释示意图;
图2为使用凹包算法和凸包算法确定道路边缘点的示意图;
图3为本申请实施例提供的道路边缘检测方法的处理流程图;
图4A为实施本申请实施例提供的道路边缘检测方法的示例结果的示意图;
图4B为实施本申请实施例提供的道路边缘检测方法的另一示例结果的示意图;
图5为实施本申请实施例提供的道路边缘检测装置的硬件平台的示意图。
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中的技术方案,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。
道路边缘用于表示道路一侧与人行道相交的边缘。换句话说,道路边缘通常表示了道路可行驶表面的边界。对于自动驾驶系统安全且合法地驱使车辆而言,准确且稳定的马路边缘检测是非常有用的。近年来在自动驾驶和远程感知的研究和实施中,基于激光雷达(LIDAR)的道路边缘检测是一个活跃的领域。例如,道路边缘检测对于自动驾驶卡车也是非常有用的。自动驾驶卡车通常行驶在高速公路上,从一个始发货物集散中心行驶到一个目的货物集散中心,但是在到达起点和终点的最后一公里中需要行驶过城市道路。
传统的道路边缘检测实施方式中使用单个的或者累积的点云帧作为输入,使用点级别的特征来检测道路边缘,例如高度差或者LIDAR环半径压缩。然而,这些传统方法都是直接检测道路边缘,从而很容易受到“疑似道路边缘(curb-like)”噪声的影响,例如道路上的车辆或者道路侧的矮树丛。
基于LIDAR的道路边缘检测方法面临很多挑战。例如,当道路边缘远离传感器时,大部分的道路边缘特征(例如高度差、环半径压缩、和法向变化)变弱从而更加难以识别。进一步,该方法还会受到与道路边缘具有类似特征的遮蔽或者路边物体的影响。道路边缘类别的多样性也需要通过费力地设置参数来调整传统的道路边缘检测方法,来实现有效检测。
本申请实施例提供了一种道路边缘检测方案,在该方案中确定点云数据中每个点的局部几何特征,并通过区域生长法根据点的局部几何特征生成多个点簇。基于先验知识点云数据的中心是LIDAR也即自动驾驶车辆的中心,确定在车辆周围包括点数最多的点簇代表可行驶路面区域。并进一步确定可行驶路面点簇的边缘点为道路边缘点,通过多个道路边缘点拟合得到道路边缘曲线。本申请实施例提供的技术方案根据点云数据中点的局部几何特征来确定得到可行驶路面点簇,通过可行驶路面点簇的边缘点确定得到道路边缘,相比于现有技术中直接通过点级别的特征来识别道路边缘,能够降低噪声、遮挡和路边物体的影响,提高检测的准确度。
图1中示出了本申请实施例提供的基于LIDAR的道路边缘检测处理100的示意图。该处理过程包括一个数据获取过程110,使用一个车载LIDAR扫描车辆周围的环境,生成该环境的点云数据。例如图1中的112示出了一个示例性的点云数据,在一些实施例中点云数据中包括多个点的数据,每个点的数据包括该点的三维坐标值以及激光反射强度值。
在一些实施例中,点云数据通常被存储为一个四维矩阵,其中的三维对应于被扫描的环境的三维坐标,还有一维对应于LIDAR感知到的激光反射强度。在另一些实施例中,还可以用一个多维矩阵来存储点云数据,其中的三维为三维空间坐标,其它的维度对应于多个传感器以及它们对应的激光反射强度。
处理过程100中还可以包括一个预处理过程(又称为数据累积处理)120,该预处理过程根据从全球定位系统(Global Position System,GPS)惯性测量单元(InertialMeasurement Unit)获取的运动信息,将一段时间内LIDAR生成的多个单帧点云数据分别标定到一个公共的坐标系中,得到累积的点云数据,如图1中的122所示。累积的点云数据中点的密度大于单帧的点云数据的密度。累积的点云数据相比单帧的点云数据包括更多的点,能够稀释和降低噪声的影响,能够更加有利于后续检测到可行驶路面点簇。
图1中的以下处理可以在数据获取处理110获得的单帧点云数据的基础上进行处理,也可以在预处理120获得的累积的点云数据的基础上进行处理。
在处理过程100中还包括一个道路边缘检测处理过程130,在该处理过程中,计算得到点云数据中的每个点的局部几何特征,包括每个点的法向和法向曲率。通过法向可以区别出点云数据中不同的点所属的不同平面,也即可以判断出一个点归属的类别,例如可行驶路面的点的法向是垂直于道路表面的,动态物体表面上的点的法向是垂直于该物体的表面的。通过法向曲率可以将相同类别的点归属到该类别中,例如道路表面的多个点的法向曲率处在一定的曲率范围内。
在检测过程130中,根据点的局部几何特征使用区域生长(region-growth)的方法得到多个点簇(clusters)。在使用区域生长方法时,在累积的点云数据中选择多个种子点,通过判断一个种子点和周围其他点是否满足预定的判断准则,将与种子点具有相类似局部几何特征的点聚类到同一个点簇中,从而能够得到代表不同物体表面的点簇。在本申请中使用一个先验知识LIDAR处于点云数据的中心,或者说LIDAR所处的车辆处于点云数据的中心,从而接近车辆的行驶路径且包含了点数最多的点簇即为可行驶路面点簇。从而,在通过区域生成方法得到多个点簇后,将包含点数最多的点簇确定为可行驶路面点簇。
进一步在可行驶路面点簇中确定得到代表路面边缘的多个道路边缘点,通过多个道路边缘点拟合得到道路边缘。在确定道路边缘点的过程中,为了确定得到更加准确的道路边缘点,使用凹包(concave hull)算法来确定得到道路边缘点,如图1中的132所示。进一步在拟合过程中,为了降低噪声干扰,采用随机抽样一致(Random Sample Consensus)算法来拟合二次曲线得到道路边缘,可以得到准确的道路边缘曲线。
图1中还包括一个后处理过程140,在后处理对拟合得到的道路边缘进行平滑处理,得到平滑的道路边缘曲线,如图1中142所示。
下面对本申请实施例提供的道路边缘检测方法进行详细说明。
图3中示出了本申请实施例提供的道路边缘检测方法300的处理流程图,包括:
步骤310、在车辆行驶过程中,车载道路边缘检测装置获取车载激光雷达扫描周围环境生成的点云数据;其中,点云数据中包括多个点的三维坐标值以及反射强度值。
通常LIDAR可以以多种扫描频率进行工作,例如以20Hz的扫描频率扫描周围环境。由于使用高频率、高波速进行感知,LIDAR不会受到车速的影响,可以在车速5mph(英里/小时)到70mph的情况下进行工作。LIDAR的工作参数还包括转速、分辨率和帧率等。本申请实施例不对LIDAR的工作参数做具体限定。
在一些实施例中,可以对LIDAR获取的单帧点云数据进行后续处理。
在一些实施例中,还可以对多帧点云数据进行预处理得到密度更高的点云数据,包括:获取在当前时间段内LIDAR生成的多帧点云数据,以及车载全球定位系统(GPS)测量的定位信息以及惯性测量单元(IMU)测量的姿态信息,将多帧点云数据标定到一个公共的坐标系中,得到一个累积的点云数据。坐标标定的方法可以是本申请之前的方法,也可以是本申请之后的方法。其中,多帧点云数据可以是连续的多帧数据,也可以是非连续的多帧数据。
步骤320、确定点云数据中每个点的局部几何特征,局部几何特征包括点的法向以及法向曲率;
在一些实施例中,该处理可以包括:
步骤321、对于点云数据中的一个点,通过该点及该点周围的多个相邻点的三维坐标,拟合得到一个平面,确定该点在拟合的平面上的法向。
其中,在搜索一个点的多个相邻点时,可通过多种方法搜索确定得到。例如,可以通过K维树的方法在点云数据中搜索得到一个点周围的多个相邻点。多个相邻点包括冯诺依曼相邻点,也即一个点周围的四个相接的相邻点,或者摩尔相邻点,也即一个点周围的八个相接的相邻点。本申请实施例还可以通过其它方法来搜索确定一个点的多个相邻点。
通过多个空间离散点拟合空间平面的处理,可以通过本申请之前的多种方法实现,例如平面拟合算法、随机抽样一致(RANSAC)算法或者迭代最近点(ICP)算法。也可以使用本申请之后的其它算法来实现。
步骤322、确定该点及该点周围的多个相邻点构成的协方差矩阵以及协方差矩阵的多个特征值,根据多个特征值确定得到该点的法向曲率。
在通过多个点构成协方差矩阵后,即可得到协方差矩阵的多个特征值。由于采用点云数据中点的三维坐标值来生成协方差矩阵,可以得到三个特征值,即λ0、λ1、λ2,且,λ0<λ1<λ2,从而确定λ0/(λ0+λ1+λ2)的值为该点的法向曲率。
步骤330、在点云数据中选择多个种子点,使用区域生长方法、根据种子点和各个点的局部几何特征,生成多个点簇;
在一些实施例中,该处理可以包括:
步骤331、在点云数据中选择预定数量的多个种子点;其中,种子点的数量可以是预先设定的,例如10000个;在进行选择时,可以是随机选择,也可以是在点云数据中进行均匀选择。
步骤332、迭代执行区域生长操作,得到多个点簇;
区域生长操作包括:对于每个种子点,判断该种子点周围的一个点是否满足预定的判断准则,在满足的情况下,确定将该点加入到该种子点所属的点簇;将该点簇的多个外围点确定为新的种子点。
其中,预定的判断准则包括:判断一个周围点与种子点在三维坐标中的高度差是否处于预定的高度差范围内、该周围点与种子点的法向差是否处在预定的法向差范围内、以及该周围点与种子点的法向曲率差是否处在预定的法向曲率差范围内。
可以在车辆行驶在某个场景之前预先选定预定的判断准则,不同的道路条件对应于不同的判断准则。在不同的场景中,有的道路表面中间高、边缘低,有的道路的表面高度差别不大,导致这两种道路上点的高度范围、法向范围和法向曲率范围不相同,不同物体平面对应的点簇具有的局部几何特征也不一样。从而可以通过经验数据来设定不同场景或道路条件对应的判断准则。
在迭代判断过程中,在判断在两个点簇的点之间满足预定的判断规则的情况下,将该两个点簇合并为一个点簇。例如,在一个点簇的种子点和另一个点簇的种子点互为周围点的情况下,根据判断准则判断这两个点之间的高度差是否在预定的高度差范围内、法向差是否在预定的法向差范围内、并且法向曲率差是否在预定的法向曲率差范围内。
在生成多个点簇的过程中,在点云数据中的点的数量小于预定的第一数量的情况下,停止生成多个点簇;和/或,在一个点簇中的点的数量大于预定的第二数量的情况下,停止生成该点簇。
步骤340、确定包括的点数最多的一个点簇为可行驶路面点簇,在可行驶路面点簇中确定多个道路边缘点;
在一些实施例中,在可行驶路面点簇中确定多个道路边缘点的处理包括:
步骤341、通过凹包算法确定得到可行驶路面点簇的多个边缘点;
步骤342、确定可行驶路面点簇的多个边缘点为多个道路边缘点。
通过凹包算法(concave hull)来确定可行驶路面点簇的多个边缘点可以确定得到较为准确的边缘点。相反地,如果采用凸包(convex hull)算法确定得到道路边缘点时,可能会将不可行驶的区域均确定为道路边缘,这样确定得到的道路边缘点的准确性较低。图2中的210为根据凸包算法确定得到的多个边缘点,220为根据凹包算法确定得到的多个边缘点。使用凸包算法时,将被认为是不可行驶区域确定为道路边缘,在210中将一个异常点和道路边缘205的两个顶点确定为道路边缘点,从而跳过了真正的道路边缘205上的点。在使用凹包算法时,虽然也会将异常点确定为道路边缘点,但是确定得到的道路边缘点220中不会跳过或漏掉真正的道路边缘205上的点。可见,通过凹包算法能够更为准确地识别出道路边缘上的点。
步骤350、根据确定的多个道路边缘点拟合得到道路边缘曲线。
在一些实施例中,可以通过随机抽样一致(RANSAC)方法根据道路边缘上的点来拟合得到道路边缘曲线。RANSAC方法能够从一组包含异常数据(outliers)的数据集中,通过迭代方法估计数学模型的参数。RANSAC方法的基本假设包括:a、数据由正常数据(inliers)组成,例如数据的分布可以用一些模型参数来解释;b、异常数据是不能适应模型的数据;c、除此以外的数据属于噪声。通过使用RANSAC方法,能够在确定的多个道路边缘点包括异常点(例如图2中的异常点)的情况下,拟合二次曲线得到较为准确的道路边缘曲线。
在图3的基础上,在步骤350之后,还可以对拟合得到的道路边缘曲线进行平滑处理,在一些实施例中,可以使用样条函数(spline function)来对拟合得到的道路边缘曲线进行平滑。
在有些场景中,当车辆的侧面在本次处理过程中被比车辆更大的动态物体例如大型卡车遮挡后,可能无法在本次处理过程中检测得到道路边缘,也即,上述步骤350的处理结果可能是无法拟合得到道路边缘曲线。在这种情况下,可以根据对同一路段在不同次处理中拟合的多个道路边缘曲线,确定得到该路段的道路边缘曲线。例如在A次处理过程中未检测到一个路段的道路边缘,在B次处理过程中检测到该路段的道路边缘,可以结合A次处理和B次处理的检测结果确定得到该路段的道路边缘。又例如,在A次处理过程中检测到一个路段的部分道路边缘,在B次处理过程中检测到该路段的另一部分道路边缘,可以将A次处理和B次处理检测到的道路边缘合并为该路段的道路边缘。在A次处理的结果和B次处理结果可以是同一个车辆检测得到的,也可以是不同的车辆检测得到的。下面具体进行具体说明。
图4A和图4B示出了通过图3所示的方法进行道路边缘检测的结果示意图。图4A和图4B中的403表示应用图3所示方法的自动驾驶车辆,又称为本车。在本车403上搭载有LIDAR 410,相邻车辆413为接近于本车403的车辆。
在图4A中,相邻车辆413相比于本车403更接近于道路边缘405。由于本车403的视角限制,车辆413被检测为一个L形,如图4A中符号“x”所示,道路边缘405的一部分被检测到,如图4A中符号“*”所示。
在一些实施例中,在拟合道路边缘的过程中,不考虑对应于相邻车辆413被检测到的部分(如图4A中符号“x”所示),根据检测到对应于道路边缘的点(如图4A中符号“*”所示)以及被相邻车辆413遮挡的部分(如图4A中道路边缘未被检测到的部分)来拟合道路边缘,以实现准确地检测道路边缘。
在另一些实施例中,由于图4A中道路边缘点(如图4A中符号“*”所示)之间的距离太大,使得道路边缘拟合算法可能无法根据图4A中检测到的道路边缘点进行准确的检测,也即无法通过如图4A中的道路边缘点拟合得到一条连续的道路边缘曲线,例如无法拟合得到道路边缘曲线、或者拟合得到断续的多段道路边缘曲线。在该场景中,可以根据多次检测的结果来实现最终准确的道路边缘检测。在一些实施例中,该处理可以包括:
步骤351’、在本次对一个路段确定得到的多个道路边缘点无法拟合得到一条连续的道路边缘曲线的情况下,获取其它次对该路段确定得到的道路边缘曲线。
在获取其它次对该路段确定得到的道路边缘曲线时,可以获取本车在其它次处理得到的道路边缘曲线,也可以获取其它车对该路段确定得到的道路边缘曲线。本车与其它车进行通信时,通信方式可以包括V2X通信、Wi-Fi通信、移动通信、等多种通信方式。本车与其它车的通信,可以是车与车之间的直接通信、车与车通过路侧设备的间接通信、车与车通过远程服务器或云端服务器等的间接通信。
步骤352’、根据其它次对该路段确定得到的道路边缘曲线、以及本次对该路段的前后相邻路段确定得到的道路边缘曲线,拟合得到该路段的道路边缘曲线。
该拟合处理包括:
步骤3521’、对其它次确定得到的该路段的道路边缘曲线、本次对该路段的前后相邻路段确定得到的道路边缘曲线进行抽样,得到按照空间位置分布的多个道路边缘点;
步骤3522’、根据抽样得到的多个道路边缘点拟合得到该路段和前后相邻路段的道路边缘曲线。其中,进行拟合的算法可以是样条函数(spline function)。
进一步,还可以通过多数投票算法(majority voting)、均值滤波(meanfiltering)和/或中间值滤波(median filtering)的方法来消除道路边缘检测的假阳性问题,实现最终准确的道路边缘检测。
在图4B中,本车403比相邻车辆413更接近道路边缘405,LIDAR410能够分辨出道路边缘以及其它车辆。在该场景中,如前所述,点云数据中对应于车辆413的点不满足预定的判断准则,在进行道路边缘拟合时不考虑这部分点。
如图4A和4B所示,应用本申请实施例提供的方法能够准确、有效且稳定地检测得到车辆检测到的道路边缘、或者被部分遮挡的道路边缘。
根据申请实施例提供的道路边缘检测方案,确定点云数据中每个点的局部几何特征,并通过区域生长法根据点的局部几何特征生成多个点簇。基于先验知识点云数据的中心是LIDAR也即自动驾驶车辆,确定在车辆周围包括点数最多的点簇代表可行驶路面区域。并进一步确定可行驶路面点簇的边缘点为道路边缘点,通过多个道路边缘点拟合得到道路边缘曲线。本申请实施例提供的技术方案根据点云数据中点的局部几何特征来确定得到可行驶路面点簇,通过可行驶路面点簇的边缘点确定得到道路边缘,相比于现有技术中直接通过点级别的特征来识别道路边缘,能够降低噪声、遮挡和路边物体的影响,提高检测的准确度。
基于相同的发明构思,本申请实施例还提供了一种道路边缘检测装置。如图5所示,包括一个处理器502和至少一个存储器504。该道路边缘检测装置可以位于一个硬件平台500中。
至少一个存储器504中存储有至少一条机器可执行指令,处理器502执行至少一条机器可执行指令实现如图3所示的道路边缘检测处理。道路边缘检测处理包括:在车辆行驶过程中,车载道路边缘检测装置获取车载激光雷达扫描周围环境生成的点云数据;其中,点云数据中包括多个点的三维坐标值以及反射强度值;确定点云数据中每个点的局部几何特征,局部几何特征包括点的法向以及法向曲率;在点云数据中选择多个种子点,使用区域生长方法、根据种子点和各个点的局部几何特征,生成多个点簇;确定包括的点数最多的一个点簇为可行驶路面点簇,在可行使路面点簇中确定多个道路边缘点;根据确定的多个道路边缘点拟合得到道路边缘曲线。
在一些实施例中,处理器502执行至少一条机器可执行指令实现获取车载激光雷达生成的点云数据,包括:获取激光雷达生成的多帧点云数据,以及车载全球定位系统GPS测量的定位信息和惯性测量单元IMU测量的姿态信息,将多帧点云数据标定到一个公共的坐标系中,得到一个累积的点云数据。
在一些实施例中,处理器502执行至少一条机器可执行指令实现确定点云数据中每个点的局部几何特征,包括:对于点云数据中的一个点,通过该点及该点周围的多个相邻点的三维坐标,拟合得到一个平面,确定该点在拟合的平面上的法向;确定该点及该点周围的多个相邻点构成的协方差矩阵以及协方差矩阵的多个特征值,根据多个特征值确定得到该点的法向曲率。
在一些实施例中,处理器502执行至少一条机器可执行指令还实现:通过K维树方法在点云数据中搜索确定得到一个点周围的多个相邻点;多个相邻点包括冯诺依曼相邻点,或者摩尔相邻点。
在一些实施例中,处理器502执行至少一条机器可执行指令根据多个特征值确定得到该点的法向曲率,包括:协方差矩阵的特征值包括λ0、λ1、λ2,确定λ0/(λ0+λ1+λ2)为该点的法向曲率。
在一些实施例中,处理器502执行至少一条机器可执行指令实现在点云数据中选择多个种子点,包括:在点云数据中随机选择预定数量的多个种子点;或者,在点云数据中均匀选择预定数量的多个种子点。
在一些实施例中,处理器502执行至少一条机器可执行指令实现使用区域生长方法、根据种子点和各个点的局部几何特征,生成多个点簇,包括:迭代执行区域生长操作,得到多个点簇,区域生长操作包括:对于每个种子点,判断该种子点周围的一个点是否满足预定的判断准则,在满足的情况下,确定将该点加入到该种子点所属的点簇;将该点簇的多个外围点确定为新的种子点;预定的判断准则包括:判断一个周围点与种子点在三维坐标中的高度差是否处于预定的高度差范围内、该周围点与种子点的法向差是否处于预定的法向差范围内、以及该周围点与种子点的法向曲率差是否处在预定的法向曲率差范围内。
在一些实施例中,不同的道路条件对应于不同的判断准则。
在一些实施例中,处理器502执行至少一条机器可执行指令实现生成多个点簇的过程中,在点云数据中的点的数量小于预定的第一数量的情况下,停止生成多个点簇;和/或,在一个点簇中的点的数量大于预定的第二数量的情况下,停止生成该点簇。
在一些实施例中,处理器502执行至少一条机器可执行指令实现在一个点簇的种子点和另一个点簇的种子点互为周围点的情况下,在这两个点满足预定的判断准则时,将该两个点簇合并为一个点簇。
在一些实施例中,处理器502执行至少一条机器可执行指令实现在可行驶路面点簇中确定多个道路边缘点,包括:通过凹包算法确定得到可行驶路面点簇的多个边缘点;确定可行驶路面点簇的多个边缘点为多个道路边缘点。
在一些实施例中,处理器502执行至少一条机器可执行指令实现根据确定的多个道路边缘点拟合得到道路边缘曲线,包括:使用随机抽样一致方法通过多个道路边缘点拟合得到道路边缘曲线。
在一些实施例中,处理器502执行至少一条机器可执行指令还实现:对拟合得到的道路边缘曲线进行平滑处理,得到平滑后的道路边缘曲线。
在一些实施例中,处理器502执行至一条机器可执行指令还包括:在本次对一个路段确定得到的多个道路边缘点无法拟合得到一条连续的道路边缘曲线的情况下,获取其它次对该路段确定得到的道路边缘曲线;根据其它次对该路段确定得到的道路边缘曲线、以及本次对该路段的前后相邻路段确定得到的道路边缘曲线,拟合得到该路段的道路边缘曲线。
在一些实施例中,处理器502执行至一条机器可执行指令实现根据其它次对该路段确定得到的道路边缘曲线、以及本次对该路段的前后相邻路段确定得到的道路边缘曲线,拟合得到该路段的道路边缘曲线,包括:对其它次确定得到的该路段的道路边缘曲线、本次对该路段的前后相邻路段确定得到的道路边缘曲线进行抽样,得到按照空间位置分布的多个道路边缘点;根据抽样得到的多个道路边缘点拟合得到该路段和前后相邻路段的道路边缘曲线。
进一步地,图5所示的硬件平台500还可以包括一个通信接口506,该通信接口506可以应用一种或多种通信协议(LTE、Wi-Fi以及其它协议)。
本申请实施例提供的技术方案根据点云数据中点的局部几何特征来确定得到可行驶路面点簇,通过可行驶路面点簇的边缘点确定得到道路边缘,相比于现有技术中直接通过点级别的特征来识别道路边缘,能够降低噪声、遮挡和路边物体的影响,提高检测的准确度。
基于相同的发明构思,本申请实施例还提供了一种非易失性存储介质。该存储介质中存储有至少一条机器可执行指令,处理器执行至少一条机器可执行指令实现如图3所示的道路边缘检测处理。
本申请实施例提供的技术方案根据点云数据中点的局部几何特征来确定得到可行驶路面点簇,通过可行驶路面点簇的边缘点确定得到道路边缘,相比于现有技术中直接通过点级别的特征来识别道路边缘,能够降低噪声、遮挡和路边物体的影响,提高检测的准确度。
本申请实施例的实质内容和功能性描述可以被实施为各种系统、数字电子电路、或者计算机软件、固件或者硬件,其中包括本申请实施例公开的结构、以及它们的等同结构、或者这些结构中一个或者多个的结合。本申请实施例的实质内容和功能性描述可以被实施为计算机程序产品,例如计算机程序指令的一个或者多个模块,且被存储在一个有形的、非易失性的计算机可读存储介质中,该计算机程序产品被数据处理装置执行后用于控制数据处理装置的操作。计算机可读存储介质可以是一个机器可读存储装置、机器可读存储基质、存储装置、影响机器可读传输信号的化合物、或者上述装置中一个或多个的组合。术语“数据处理单元”或者“数据处理装置”包括所有的装置、设备和用于处理数据的机器,示例性地包括可编程处理器、计算机、或者多个处理器或者多个计算机。该装置除了包括硬件外,还包括为计算机程序建立执行环境的代码、例如,组成处理器固件的代码、协议栈代码、数据库管理系统代码、操作系统、或者上述中一个或多个的组合。
计算机程序(也被称为程序、软件、软件应用、脚本、或者代码)可以以任何编程语言进行编写,包括汇编或者翻译语言,且可以被以任何形式进行部署,包括独立的程序、或者模块、构件、子程序、或者适用于计算环境的单元。计算机程序不必对应于一个文件系统中的一个文件。程序可以存储为一个文件中的一部分,该文件中还存储有其它的程序或者数据(例如一个标记语言文件中存储一个或者多个脚本),或者存储为单独的文件,或者存储在多个协调的文件中(例如用于存储一个或者多个模块、子程序或者代码部分的多个文件)。计算机程序可以在一个或者多个计算机上执行,一个或者多个电脑具有同一个地址、或者具有多个分布式的地址并通信网络互联。
本申请公开的处理或者逻辑过程,可以通过一个或多个可编程处理器根据输入数据执行一个或多个计算机程序来实现多个功能得到执行,并且生成输出。处理或者逻辑过程、以及装置也可以被专用逻辑电路执行,例如可编程逻辑门阵列(FPGA,Fieldprogrammable gate array)或者特定用途集成电路(ASIC,Application specificintegrated circuit)。
适用于执行计算机程序的处理器,示例性地包括通用或者专用微处理器,以及任何一个或者多个任何类型的数字计算机的处理器。通常,处理器可以从给一个只读存储器和/或随机接入存储器中存储指令和数据。计算机的基本单元包括一个执行指令的处理器和一个或多个存储指令和数据的存储装置。通常,计算机还可以包括或者操作性地连接到一个或多个大容量存储装置,来接收或者发送数据,包括磁盘、磁光盘、或者光盘。但是,一个计算机不必包括所有的这些装置。适于存储计算机程序指令和数据的计算机可读介质,包括所有形式的非易失性存储器、介质、存储器装置,示例性的包括半导体存储装置,例如,EPROM、EEPROM,以及闪存装置。处理器和存储器可以被单独或结合实施为特定用途逻辑电路。
虽然本申请说明书包括了多种实施例,但是这些实施例不能被解释为对本申请保护范围的限制,只被解释为特定实施例的特征描述。本申请不同实施例中描述的一些特征也可以在一个单独的实施例中得到实施。一个单独的实施例中描述的多个特征也可以被分散地或者结合地实施在多个实施例中。并且,上述以组合的方式描述了一些特征,但是组合的多个特征中也可以去掉其中的一个或者多个特征,从组合的特征也可以得到多个字组合的特征,或者子组合的组合。
相类似地,附图中以一定的顺序描述了多个操作,但是应该理解的是这样的多个操作可以以所示出的顺序得到执行,也可以以特定的顺序得到执行,以达到所需的效果。并且,本申请的多个实施例中描述了多个系统构件的分离设置,但是不能被理解为所有的实施例中都具有这样的分离设置。
本申请实施例中只描述了一些实施方式和实例,其它的实施例和改进以及变形也可以基于本申请描述的内容得到。
Claims (32)
1.一种道路边缘检测方法,其特征在于,包括:
在车辆行驶过程中,车载道路边缘检测装置获取车载激光雷达扫描周围环境生成的点云数据;其中,点云数据中包括多个点的三维坐标值以及反射强度值;
确定点云数据中每个点的局部几何特征,局部几何特征包括点的法向以及法向曲率;
在点云数据中选择多个种子点,使用区域生长方法、根据种子点和各个点的局部几何特征,生成多个点簇;
确定包括的点数最多的一个点簇为可行驶路面点簇,在可行驶路面点簇中确定多个道路边缘点;
根据确定的多个道路边缘点拟合得到道路边缘曲线;
在本次对一个路段确定得到的多个道路边缘点无法拟合得到一条连续的道路边缘曲线的情况下,获取其它次对该路段确定得到的道路边缘曲线;
根据其它次对该路段确定得到的道路边缘曲线、以及本次对该路段的前后相邻路段确定得到的道路边缘曲线,拟合得到该路段的道路边缘曲线;其中,所述本次对该路段的前后相邻路段确定得到道路边缘曲线是根据所述车辆上的所述车载道路边缘检测装置获取的所述点云数据。
2.根据权利要求1所述的方法,其特征在于,所述其它次对该路段确定得到的道路边缘曲线是根据所述车辆上的所述车载道路边缘检测装置所获取的所述点云数据。
3.根据权利要求1所述的方法,其特征在于,所述其它次对该路段确定得到的道路边缘曲线是根据所述车辆以外的其他车辆上的所述车载道路边缘检测装置获取的所述点云数据。
4.根据权利要求3所述的方法,其特征在于,所述车辆与所述其他车辆进行通信,所述通信包括V2X通信、Wi-Fi通信或移动通信。
5.根据权利要求1所述的方法,其特征在于,根据其它次对该路段确定得到的道路边缘曲线、以及本次对该路段的前后相邻路段确定得到的道路边缘曲线,拟合得到该路段的道路边缘曲线,包括:
对其它次确定得到的该路段的道路边缘曲线、本次对该路段的前后相邻路段确定得到的道路边缘曲线进行抽样,得到按照空间位置分布的多个道路边缘点;
根据抽样得到的多个道路边缘点拟合得到该路段和前后相邻路段的道路边缘曲线。
6.根据权利要求1所述的方法,其特征在于,所述预定数量的多个种子点是在所述点云数据中随机选择或均匀选择的。
7.根据权利要求1所述的方法,其特征在于,所述根据确定的多个道路边缘点拟合得到道路边缘曲线,包括:
当所述车辆之外的相邻车辆遮挡道路边缘的一部分时,根据检测到的所述多个道路边缘点及被所述相邻车辆遮挡的部分来拟合以得到所述道路边缘曲线,其中,所述相邻车辆被检测到的部分被忽略以拟合得到所述道路边缘曲线。
8.根据权利要求1所述的方法,其特征在于,获取车载激光雷达生成的点云数据,包括:
获取激光雷达生成的多帧点云数据,以及车载全球定位系统GPS测量的定位信息和惯性测量单元IMU测量的姿态信息,将多帧点云数据标定到一个公共的坐标系中,得到一个累积的点云数据。
9.根据权利要求1所述的方法,其特征在于,确定点云数据中每个点的局部几何特征包括:
对于点云数据中的一个点,通过该点及该点周围的多个相邻点的三维坐标,拟合得到一个平面,确定该点在拟合的平面上的法向;
确定该点及该点周围的多个相邻点构成的协方差矩阵以及协方差矩阵的多个特征值,根据多个特征值确定得到该点的法向曲率。
10.根据权利要求9所述的方法,其特征在于,所述方法还包括:通过K维树方法在点云数据中搜索确定得到一个点周围的多个相邻点;多个相邻点包括冯诺依曼相邻点,或者摩尔相邻点。
11.根据权利要求9所述的方法,其特征在于,根据多个特征值确定得到该点的法向曲率,包括:
协方差矩阵的特征值包括λ0、λ1、λ2,确定λ0/(λ0+λ1+λ2)为该点的法向曲率。
12.根据权利要求1所述的方法,其特征在于,在点云数据中选择多个种子点,包括:
在点云数据中随机选择预定数量的多个种子点;或者,
在点云数据中均匀选择预定数量的多个种子点。
13.根据权利要求1所述的方法,其特征在于,使用区域生长方法、根据种子点和各个点的局部几何特征,生成多个点簇,包括:迭代执行区域生长操作,得到多个点簇,区域生长操作包括:
对于每个种子点,判断该种子点周围的一个点是否满足预定的判断准则,在满足的情况下,确定将该点加入到该种子点所属的点簇;将该点簇的多个外围点确定为新的种子点;
预定的判断准则包括:判断一个周围点与种子点在三维坐标中的高度差是否处于预定的高度差范围内、该周围点与种子点的法向差是否处在预定的法向差范围内、以及该周围点与种子点的法向曲率差是否处在预定的法向曲率差范围内。
14.根据权利要求13所述的方法,其特征在于,在生成多个点簇的过程中,在点云数据中的点的数量小于预定的第一数量的情况下,停止生成多个点簇;和/或,
在一个点簇中的点的数量大于预定的第二数量的情况下,停止生成该点簇。
15.根据权利要求13所述的方法,其特征在于,在一个点簇的种子点和另一个点簇的种子点互为周围点的情况下,在这两个点满足预定的判断准则时,将该两个点簇合并为一个点簇。
16.根据权利要求1所述的方法,其特征在于,在可行驶路面点簇中确定多个道路边缘点,包括:
通过凹包算法确定得到可行驶路面点簇的多个边缘点;
确定可行驶路面点簇的多个边缘点为多个道路边缘点。
17.根据权利要求1所述的方法,其特征在于,根据确定的多个道路边缘点拟合得到道路边缘曲线,包括:
使用随机抽样一致方法通过多个道路边缘点拟合得到道路边缘曲线。
18.根据权利要求1所述的方法,其特征在于,所述方法还包括:
对拟合得到的道路边缘曲线进行平滑处理,得到平滑后的道路边缘曲线。
19.一种道路边缘检测装置,其特征在于,包括一个处理器和至少一个存储器;至少一个存储器中存储有至少一条机器可执行指令,处理器执行至少一条机器可执行指令实现道路边缘检测处理,道路边缘检测处理包括:
在车辆行驶过程中,车载道路边缘检测装置获取车载激光雷达扫描周围环境生成的点云数据;其中,点云数据中包括多个点的三维坐标值以及反射强度值;
确定点云数据中每个点的局部几何特征,局部几何特征包括点的法向以及法向曲率;
在点云数据中选择多个种子点,使用区域生长方法、根据种子点和各个点的局部几何特征,生成多个点簇;
确定包括的点数最多的一个点簇为可行驶路面点簇,在可行使路面点簇中确定多个道路边缘点;
根据确定的多个道路边缘点拟合得到道路边缘曲线;
在本次对一个路段确定得到的多个道路边缘点无法拟合得到一条连续的道路边缘曲线的情况下,获取其它次对该路段确定得到的道路边缘曲线;
根据其它次对该路段确定得到的道路边缘曲线、以及本次对该路段的前后相邻路段确定得到的道路边缘曲线,拟合得到该路段的道路边缘曲线;其中,所述本次对该路段的前后相邻路段确定得到道路边缘曲线是根据所述车辆上的所述车载道路边缘检测装置获取的所述点云数据。
20.根据权利要求19所述的装置,其特征在于,所述其它次对该路段确定得到的道路边缘曲线是根据所述车辆上的所述车载道路边缘检测装置所获取的所述点云数据。
21.根据权利要求19所述的装置,其特征在于,所述其它次对该路段确定得到的道路边缘曲线是根据所述车辆以外的其他车辆上的所述车载道路边缘检测装置获取的所述点云数据。
22.根据权利要求21所述的装置,其特征在于,所述车辆与所述其他车辆进行通信,所述通信包括V2X通信、Wi-Fi通信或移动通信。
23.根据权利要求19所述的装置,其特征在于,处理器执行至一条机器可执行指令实现根据其它次对该路段确定得到的道路边缘曲线、以及本次对该路段的前后相邻路段确定得到的道路边缘曲线,拟合得到该路段的道路边缘曲线,包括:
对其它次确定得到的该路段的道路边缘曲线、本次对该路段的前后相邻路段确定得到的道路边缘曲线进行抽样,得到按照空间位置分布的多个道路边缘点;
根据抽样得到的多个道路边缘点拟合得到该路段和前后相邻路段的道路边缘曲线。
24.根据权利要求19所述的装置,其特征在于,所述预定数量的多个种子点是在所述点云数据中随机选择或均匀选择的。
25.根据权利要求19所述的装置,其特征在于,所述根据确定的多个道路边缘点拟合得到道路边缘曲线,包括:
当所述车辆之外的相邻车辆遮挡道路边缘的一部分时,根据检测到的所述多个道路边缘点及被所述相邻车辆遮挡的部分来拟合以得到所述道路边缘曲线,其中,所述相邻车辆被检测到的部分被忽略以拟合得到所述道路边缘曲线。
26.一种非易失性存储介质,其特征在于,存储有至少一条机器可执行指令,处理器执行至少一条机器可执行指令实现道路边缘检测处理,道路边缘检测处理包括:
在车辆行驶过程中,车载道路边缘检测装置获取车载激光雷达扫描周围环境生成的点云数据;其中,点云数据中包括多个点的三维坐标值以及反射强度值;
确定点云数据中每个点的局部几何特征,局部几何特征包括点的法向以及法向曲率;
在点云数据中选择多个种子点,使用区域生长方法、根据种子点和各个点的局部几何特征,生成多个点簇;
确定包括的点数最多的一个点簇为可行驶路面点簇,在可行使路面点簇中确定多个道路边缘点;
根据确定的多个道路边缘点拟合得到道路边缘曲线;
在本次对一个路段确定得到的多个道路边缘点无法拟合得到一条连续的道路边缘曲线的情况下,获取其它次对该路段确定得到的道路边缘曲线;
根据其它次对该路段确定得到的道路边缘曲线、以及本次对该路段的前后相邻路段确定得到的道路边缘曲线,拟合得到该路段的道路边缘曲线;其中,所述本次对该路段的前后相邻路段确定得到道路边缘曲线是根据所述车辆上的所述车载道路边缘检测装置获取的所述点云数据。
27.根据权利要求26所述的非易失性存储介质,其特征在于,所述其它次对该路段确定得到的道路边缘曲线是根据所述车辆上的所述车载道路边缘检测装置所获取的所述点云数据。
28.根据权利要求26所述的非易失性存储介质,其特征在于,所述其它次对该路段确定得到的道路边缘曲线是根据所述车辆以外的其他车辆上的所述车载道路边缘检测装置获取的所述点云数据。
29.根据权利要求28所述的非易失性存储介质,其特征在于,所述车辆与所述其他车辆进行通信,所述通信包括V2X通信、Wi-Fi通信或移动通信。
30.根据权利要求26所述的非易失性存储介质,其特征在于,根据其它次对该路段确定得到的道路边缘曲线、以及本次对该路段的前后相邻路段确定得到的道路边缘曲线,拟合得到该路段的道路边缘曲线,包括:
对其它次确定得到的该路段的道路边缘曲线、本次对该路段的前后相邻路段确定得到的道路边缘曲线进行抽样,得到按照空间位置分布的多个道路边缘点;
根据抽样得到的多个道路边缘点拟合得到该路段和前后相邻路段的道路边缘曲线。
31.根据权利要求26所述的非易失性存储介质,其特征在于,所述预定数量的多个种子点是在所述点云数据中随机选择或均匀选择的。
32.根据权利要求26所述的非易失性存储介质,其特征在于,所述根据确定的多个道路边缘点拟合得到道路边缘曲线,包括:
当所述车辆之外的相邻车辆遮挡道路边缘的一部分时,根据检测到的所述多个道路边缘点及被所述相邻车辆遮挡的部分来拟合以得到所述道路边缘曲线,其中,所述相邻车辆被检测到的部分被忽略以拟合得到所述道路边缘曲线。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862665994P | 2018-05-02 | 2018-05-02 | |
US62/665,994 | 2018-05-02 | ||
CN201910337021.5A CN110458854B (zh) | 2018-05-02 | 2019-04-25 | 一种道路边缘检测方法和装置 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910337021.5A Division CN110458854B (zh) | 2018-05-02 | 2019-04-25 | 一种道路边缘检测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116129376A true CN116129376A (zh) | 2023-05-16 |
Family
ID=68385368
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910337021.5A Active CN110458854B (zh) | 2018-05-02 | 2019-04-25 | 一种道路边缘检测方法和装置 |
CN202211290713.7A Pending CN116129376A (zh) | 2018-05-02 | 2019-04-25 | 一种道路边缘检测方法和装置 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910337021.5A Active CN110458854B (zh) | 2018-05-02 | 2019-04-25 | 一种道路边缘检测方法和装置 |
Country Status (2)
Country | Link |
---|---|
US (2) | US11500101B2 (zh) |
CN (2) | CN110458854B (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11927457B2 (en) | 2019-07-10 | 2024-03-12 | Deka Products Limited Partnership | System and method for real time control of an autonomous device |
CN111126211B (zh) * | 2019-12-13 | 2023-08-29 | 北京四维图新科技股份有限公司 | 标牌识别方法和装置、电子设备 |
JP7310658B2 (ja) | 2020-03-06 | 2023-07-19 | 株式会社デンソー | 物体認識装置 |
WO2021189420A1 (zh) * | 2020-03-27 | 2021-09-30 | 华为技术有限公司 | 一种数据处理方法及装置 |
CN111580131B (zh) * | 2020-04-08 | 2023-07-07 | 西安邮电大学 | 三维激光雷达智能车在高速公路上识别车辆的方法 |
EP4141483A4 (en) * | 2020-04-30 | 2023-06-21 | Huawei Technologies Co., Ltd. | TARGET DETECTION METHOD AND APPARATUS |
CN111798700B (zh) * | 2020-06-30 | 2022-02-25 | 北京行易道科技有限公司 | 盲区监测报警方法和装置 |
WO2022047744A1 (zh) * | 2020-09-04 | 2022-03-10 | 华为技术有限公司 | 一种用于地图的路面提取方法及装置 |
CN112543859B (zh) * | 2020-10-28 | 2022-07-15 | 华为技术有限公司 | 定位方法、装置、电子设备和存储介质 |
WO2022164289A1 (ko) * | 2021-01-29 | 2022-08-04 | 주식회사 에스오에스랩 | 대상체의 기하학적 특성을 반영하여 확장된 표현 범위를 가지는 인텐시티 정보를 생성하는 방법 및 그러한 방법을 수행하는 라이다 장치 |
CN112837333A (zh) * | 2021-02-04 | 2021-05-25 | 南京抒微智能科技有限公司 | 一种室外无人清扫车贴边清洁方法及设备 |
CN112965077B (zh) * | 2021-02-09 | 2022-02-11 | 上海同陆云交通科技有限公司 | 一种基于车载激光雷达的道路巡检系统与方法 |
CN112595728B (zh) * | 2021-03-03 | 2021-05-25 | 腾讯科技(深圳)有限公司 | 一种道路问题确定方法和相关装置 |
CN112946603B (zh) * | 2021-03-08 | 2024-03-26 | 安徽乐道智能科技有限公司 | 一种基于激光雷达的道路养护检测系统及其检测方法 |
CN114425774B (zh) * | 2022-01-21 | 2023-11-03 | 深圳优地科技有限公司 | 机器人行走道路的识别方法、识别设备以及存储介质 |
CN114663397B (zh) * | 2022-03-22 | 2023-05-23 | 小米汽车科技有限公司 | 可行驶区域的检测方法、装置、设备及存储介质 |
CN115330819B (zh) * | 2022-10-12 | 2023-02-10 | 杭州蓝芯科技有限公司 | 一种软包分割定位方法、工控机和机器人抓取系统 |
CN115840227B (zh) * | 2023-02-27 | 2023-07-04 | 福思(杭州)智能科技有限公司 | 道路边缘的检测方法及装置 |
CN115984827B (zh) * | 2023-03-06 | 2024-02-02 | 安徽蔚来智驾科技有限公司 | 点云感知方法、计算机设备及计算机可读存储介质 |
CN116202874B (zh) * | 2023-05-05 | 2023-07-14 | 青岛宇通管业有限公司 | 一种排水管材柔韧性测试方法及系统 |
Family Cites Families (215)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE2608513A1 (de) | 1976-03-02 | 1977-09-08 | Standard Elektrik Lorenz Ag | Anordnung zur weichensteuerung fuer ein verkehrssystem |
AU642638B2 (en) | 1989-12-11 | 1993-10-28 | Caterpillar Inc. | Integrated vehicle positioning and navigation system, apparatus and method |
US6822563B2 (en) | 1997-09-22 | 2004-11-23 | Donnelly Corporation | Vehicle imaging system with accessory control |
US5877897A (en) | 1993-02-26 | 1999-03-02 | Donnelly Corporation | Automatic rearview mirror, vehicle lighting control and vehicle interior monitoring system using a photosensor array |
US7103460B1 (en) | 1994-05-09 | 2006-09-05 | Automotive Technologies International, Inc. | System and method for vehicle diagnostics |
US7783403B2 (en) | 1994-05-23 | 2010-08-24 | Automotive Technologies International, Inc. | System and method for preventing vehicular accidents |
US7655894B2 (en) | 1996-03-25 | 2010-02-02 | Donnelly Corporation | Vehicular image sensing system |
US6084870A (en) | 1996-07-22 | 2000-07-04 | Qualcomm Incorporated | Method and apparatus for the remote monitoring and configuration of electronic control systems |
US6263088B1 (en) | 1997-06-19 | 2001-07-17 | Ncr Corporation | System and method for tracking movement of objects in a scene |
JP3183501B2 (ja) | 1997-07-07 | 2001-07-09 | 本田技研工業株式会社 | 車両用走行制御装置 |
US6594821B1 (en) | 2000-03-30 | 2003-07-15 | Transmeta Corporation | Translation consistency checking for modified target instructions by comparing to original copy |
US8711217B2 (en) | 2000-10-24 | 2014-04-29 | Objectvideo, Inc. | Video surveillance system employing video primitives |
US7363149B2 (en) | 2001-12-13 | 2008-04-22 | Robert Bosch Gmbh | Autonomous in-vehicle navigation system and diagnostic system |
US7167519B2 (en) | 2001-12-20 | 2007-01-23 | Siemens Corporate Research, Inc. | Real-time video object generation for smart cameras |
ES2391556T3 (es) | 2002-05-03 | 2012-11-27 | Donnelly Corporation | Sistema de detección de objetos para vehículo |
US9007197B2 (en) | 2002-05-20 | 2015-04-14 | Intelligent Technologies International, Inc. | Vehicular anticipatory sensor system |
US6975923B2 (en) | 2002-10-01 | 2005-12-13 | Roke Manor Research Limited | Autonomous vehicle guidance on or near airports |
US6777904B1 (en) | 2003-02-25 | 2004-08-17 | Ford Global Technologies, Llc | Method and system for controlling a motor |
US8855405B2 (en) | 2003-04-30 | 2014-10-07 | Deere & Company | System and method for detecting and analyzing features in an agricultural field for vehicle guidance |
WO2005098751A1 (en) | 2004-04-08 | 2005-10-20 | Mobileye Technologies Limited | Crowd detection |
WO2005098739A1 (en) | 2004-04-08 | 2005-10-20 | Mobileye Technologies Limited | Pedestrian detection |
EP1741079B1 (en) | 2004-04-08 | 2008-05-21 | Mobileye Technologies Limited | Collision warning system |
US7526103B2 (en) | 2004-04-15 | 2009-04-28 | Donnelly Corporation | Imaging system for vehicle |
US8078338B2 (en) | 2004-10-22 | 2011-12-13 | Irobot Corporation | System and method for behavior based control of an autonomous vehicle |
DE112006000295T5 (de) | 2005-02-23 | 2008-04-17 | Matsushita Electric Works, Ltd., Kadoma | Autonomes Fahrzeug und Verfahren zur Erkennung von planaren Hindernissen |
KR100802511B1 (ko) | 2005-10-11 | 2008-02-13 | 주식회사 코리아 와이즈넛 | 토픽 기반의 검색 서비스 제공 시스템 및 그 방법 |
US7843448B2 (en) * | 2005-11-21 | 2010-11-30 | Leica Geosystems Ag | Identification of occluded edge regions from 3D point data |
US8553088B2 (en) | 2005-11-23 | 2013-10-08 | Mobileye Technologies Limited | Systems and methods for detecting obstructions in a camera field of view |
US8164628B2 (en) | 2006-01-04 | 2012-04-24 | Mobileye Technologies Ltd. | Estimating distance to an object using a sequence of images recorded by a monocular camera |
US8150155B2 (en) | 2006-02-07 | 2012-04-03 | Qualcomm Incorporated | Multi-mode region-of-interest video object segmentation |
US8265392B2 (en) | 2006-02-07 | 2012-09-11 | Qualcomm Incorporated | Inter-mode region-of-interest video object segmentation |
US7689559B2 (en) | 2006-02-08 | 2010-03-30 | Telenor Asa | Document similarity scoring and ranking method, device and computer program product |
US8050863B2 (en) | 2006-03-16 | 2011-11-01 | Gray & Company, Inc. | Navigation and control system for autonomous vehicles |
US8417060B2 (en) | 2006-03-20 | 2013-04-09 | Arizona Board Of Regents For And On Behalf Of Arizona State University | Methods for multi-point descriptors for image registrations |
US8108092B2 (en) | 2006-07-14 | 2012-01-31 | Irobot Corporation | Autonomous behaviors for a remote vehicle |
US7786898B2 (en) | 2006-05-31 | 2010-08-31 | Mobileye Technologies Ltd. | Fusion of far infrared and visible images in enhanced obstacle detection in automotive applications |
EP1930863B1 (en) | 2006-12-06 | 2011-08-03 | Mobileye Technologies Limited | Detecting and recognizing traffic signs |
US20080249667A1 (en) | 2007-04-09 | 2008-10-09 | Microsoft Corporation | Learning and reasoning to enhance energy efficiency in transportation systems |
US7839292B2 (en) | 2007-04-11 | 2010-11-23 | Nec Laboratories America, Inc. | Real-time driving danger level prediction |
US8229163B2 (en) | 2007-08-22 | 2012-07-24 | American Gnc Corporation | 4D GIS based virtual reality for moving target prediction |
US8041111B1 (en) | 2007-10-15 | 2011-10-18 | Adobe Systems Incorporated | Subjective and locatable color theme extraction for images |
US9176006B2 (en) | 2008-01-15 | 2015-11-03 | Mobileye Vision Technologies Ltd. | Detection and classification of light sources using a diffraction grating |
US9117133B2 (en) | 2008-06-18 | 2015-08-25 | Spectral Image, Inc. | Systems and methods for hyperspectral imaging |
US20100049397A1 (en) | 2008-08-22 | 2010-02-25 | Garmin Ltd. | Fuel efficient routing |
US8126642B2 (en) | 2008-10-24 | 2012-02-28 | Gray & Company, Inc. | Control and systems for autonomously driven vehicles |
US8345956B2 (en) | 2008-11-03 | 2013-01-01 | Microsoft Corporation | Converting 2D video into stereo video |
US9459515B2 (en) | 2008-12-05 | 2016-10-04 | Mobileye Vision Technologies Ltd. | Adjustable camera mount for a vehicle windshield |
US8175376B2 (en) | 2009-03-09 | 2012-05-08 | Xerox Corporation | Framework for image thumbnailing based on visual similarity |
WO2010109419A1 (en) | 2009-03-26 | 2010-09-30 | Koninklijke Philips Electronics N.V. | Method and apparatus for modifying an image by using a saliency map based on color frequency |
US8271871B2 (en) | 2009-04-30 | 2012-09-18 | Xerox Corporation | Automated method for alignment of document objects |
US8392117B2 (en) | 2009-05-22 | 2013-03-05 | Toyota Motor Engineering & Manufacturing North America, Inc. | Using topological structure for path planning in semi-structured environments |
US9683854B2 (en) | 2009-07-19 | 2017-06-20 | Aaron T. Emigh | Pricing by historical comparison |
DE102009046124A1 (de) | 2009-10-28 | 2011-05-05 | Ifm Electronic Gmbh | Verfahren und Vorrichtung zur Kalibrierung eines 3D-TOF-Kamerasystems |
TWI393074B (zh) | 2009-12-10 | 2013-04-11 | Ind Tech Res Inst | 移動物體偵測裝置與方法 |
JP2011176748A (ja) | 2010-02-25 | 2011-09-08 | Sony Corp | 画像処理装置および方法、並びにプログラム |
US8726305B2 (en) | 2010-04-02 | 2014-05-13 | Yahoo! Inc. | Methods and systems for application rendering and management on internet television enabled displays |
KR101145112B1 (ko) | 2010-05-11 | 2012-05-14 | 국방과학연구소 | 자율이동차량의 조향제어장치, 이를 구비하는 자율이동차량 및 자율이동차량의 조향제어방법 |
US9753128B2 (en) | 2010-07-23 | 2017-09-05 | Heptagon Micro Optics Pte. Ltd. | Multi-path compensation using multiple modulation frequencies in time of flight sensor |
US8412406B2 (en) | 2010-08-13 | 2013-04-02 | Deere & Company | Method and system for performing diagnostics or software maintenance for a vehicle |
US9280711B2 (en) | 2010-09-21 | 2016-03-08 | Mobileye Vision Technologies Ltd. | Barrier and guardrail detection using a single camera |
US9118816B2 (en) | 2011-12-06 | 2015-08-25 | Mobileye Vision Technologies Ltd. | Road vertical contour detection |
US8509982B2 (en) | 2010-10-05 | 2013-08-13 | Google Inc. | Zone driving |
EP3588939B1 (en) | 2010-10-31 | 2023-10-18 | Mobileye Vision Technologies Ltd. | Bundling night vision and other driver assistance systems (das) using near infra red (nir) illumination and a rolling shutter |
CN103210651B (zh) | 2010-11-15 | 2016-11-09 | 华为技术有限公司 | 用于视频概要的方法和系统 |
US9251708B2 (en) | 2010-12-07 | 2016-02-02 | Mobileye Vision Technologies Ltd. | Forward collision warning trap and pedestrian advanced warning system |
US9823339B2 (en) | 2010-12-21 | 2017-11-21 | Microsoft Technology Licensing, Llc | Plural anode time-of-flight sensor |
EP2663916A1 (en) | 2011-01-14 | 2013-11-20 | BAE Systems Plc. | Data transfer system and method thereof |
US9323250B2 (en) | 2011-01-28 | 2016-04-26 | Intouch Technologies, Inc. | Time-dependent navigation of telepresence robots |
RU2596246C2 (ru) | 2011-02-21 | 2016-09-10 | Стратек Системс Лимитед | Система наблюдения и способ обнаружения засорения или повреждения аэродрома посторонними предметами |
US8401292B2 (en) | 2011-04-26 | 2013-03-19 | Eastman Kodak Company | Identifying high saliency regions in digital images |
US9233659B2 (en) | 2011-04-27 | 2016-01-12 | Mobileye Vision Technologies Ltd. | Pedestrian collision warning system |
KR101777875B1 (ko) | 2011-04-28 | 2017-09-13 | 엘지디스플레이 주식회사 | 입체 영상 표시장치와 그 입체 영상 조절 방법 |
US20120314070A1 (en) | 2011-06-09 | 2012-12-13 | GM Global Technology Operations LLC | Lane sensing enhancement through object vehicle information for lane centering/keeping |
US9183447B1 (en) | 2011-06-09 | 2015-11-10 | Mobileye Vision Technologies Ltd. | Object detection using candidate object alignment |
GB2492848A (en) | 2011-07-15 | 2013-01-16 | Softkinetic Sensors Nv | Optical distance measurement |
WO2013015416A1 (ja) | 2011-07-28 | 2013-01-31 | 本田技研工業株式会社 | ワイヤレス送電方法 |
US8744123B2 (en) | 2011-08-29 | 2014-06-03 | International Business Machines Corporation | Modeling of temporarily static objects in surveillance video data |
DE102011083749B4 (de) | 2011-09-29 | 2015-06-11 | Aktiebolaget Skf | Rotorblatt einer Windkraftanlage mit einer Vorrichtung zum Erfassen eines Abstandswertes und Verfahren zum Erfassen eines Abstandswertes |
US8891820B2 (en) | 2011-09-29 | 2014-11-18 | The Boeing Company | Multi-modal sensor fusion |
US20140143839A1 (en) | 2011-11-16 | 2014-05-22 | Flextronics Ap, Llc. | On board vehicle remote control module |
CN104115197A (zh) | 2011-12-05 | 2014-10-22 | 布莱特瓦维森有限公司 | 智能交通标志系统与方法 |
US9297641B2 (en) | 2011-12-12 | 2016-03-29 | Mobileye Vision Technologies Ltd. | Detection of obstacles at night by analysis of shadows |
FR2984254B1 (fr) | 2011-12-16 | 2016-07-01 | Renault Sa | Controle de vehicules autonomes |
US8810666B2 (en) | 2012-01-16 | 2014-08-19 | Google Inc. | Methods and systems for processing a video for stabilization using dynamic crop |
US9317776B1 (en) | 2013-03-13 | 2016-04-19 | Hrl Laboratories, Llc | Robust static and moving object detection system via attentional mechanisms |
JP5605381B2 (ja) | 2012-02-13 | 2014-10-15 | 株式会社デンソー | クルーズ制御装置 |
US9042648B2 (en) | 2012-02-23 | 2015-05-26 | Microsoft Technology Licensing, Llc | Salient object segmentation |
US8457827B1 (en) | 2012-03-15 | 2013-06-04 | Google Inc. | Modifying behavior of autonomous vehicle based on predicted behavior of other vehicles |
US9476970B1 (en) | 2012-03-19 | 2016-10-25 | Google Inc. | Camera based localization |
US8737690B2 (en) | 2012-04-06 | 2014-05-27 | Xerox Corporation | Video-based method for parking angle violation detection |
US8718861B1 (en) | 2012-04-11 | 2014-05-06 | Google Inc. | Determining when to drive autonomously |
US9549158B2 (en) | 2012-04-18 | 2017-01-17 | Brightway Vision Ltd. | Controllable single pixel sensors |
US9088744B2 (en) | 2012-04-18 | 2015-07-21 | Brightway Vision Ltd. | Mulitple gated pixel per readout |
US9723233B2 (en) | 2012-04-18 | 2017-08-01 | Brightway Vision Ltd. | Controllable gated sensor |
EP2856207B1 (en) | 2012-05-29 | 2020-11-11 | Brightway Vision Ltd. | Gated imaging using an adaptive depth of field |
US9134402B2 (en) | 2012-08-13 | 2015-09-15 | Digital Signal Corporation | System and method for calibrating video and lidar subsystems |
WO2014030164A1 (en) | 2012-08-21 | 2014-02-27 | Brightway Vision Ltd. | Simultaneously illuminating traffic light signals at different ranges |
US9025880B2 (en) | 2012-08-29 | 2015-05-05 | Disney Enterprises, Inc. | Visual saliency estimation for images and video |
US9165190B2 (en) | 2012-09-12 | 2015-10-20 | Avigilon Fortress Corporation | 3D human pose and shape modeling |
US9120485B1 (en) | 2012-09-14 | 2015-09-01 | Google Inc. | Methods and systems for smooth trajectory generation for a self-driving vehicle |
US9383753B1 (en) * | 2012-09-26 | 2016-07-05 | Google Inc. | Wide-view LIDAR with areas of special attention |
US9488492B2 (en) | 2014-03-18 | 2016-11-08 | Sri International | Real-time system for multi-modal 3D geospatial mapping, object recognition, scene annotation and analytics |
US9111444B2 (en) | 2012-10-31 | 2015-08-18 | Raytheon Company | Video and lidar target detection and tracking system and method for segmenting moving targets |
WO2014088997A1 (en) | 2012-12-03 | 2014-06-12 | Abb Technology Ag | Teleoperation of machines having at least one actuated mechanism and one machine controller comprising a program code including instructions for transferring control of the machine from said controller to a remote control station |
US9625569B2 (en) | 2012-12-17 | 2017-04-18 | pmdtechnologies ag | Time-of-flight camera with motion detection |
US9602807B2 (en) | 2012-12-19 | 2017-03-21 | Microsoft Technology Licensing, Llc | Single frequency time of flight de-aliasing |
US9081385B1 (en) | 2012-12-21 | 2015-07-14 | Google Inc. | Lane boundary detection using images |
US9092430B2 (en) | 2013-01-02 | 2015-07-28 | International Business Machines Corporation | Assigning shared catalogs to cache structures in a cluster computing system |
US8788134B1 (en) | 2013-01-04 | 2014-07-22 | GM Global Technology Operations LLC | Autonomous driving merge management system |
WO2014111814A2 (en) | 2013-01-15 | 2014-07-24 | Mobileye Technologies Limited | Stereo assist with rolling shutters |
US9277132B2 (en) | 2013-02-21 | 2016-03-01 | Mobileye Vision Technologies Ltd. | Image distortion correction of a camera with a rolling shutter |
US9147255B1 (en) | 2013-03-14 | 2015-09-29 | Hrl Laboratories, Llc | Rapid object detection by combining structural information from image segmentation with bio-inspired attentional mechanisms |
US9652860B1 (en) | 2013-03-15 | 2017-05-16 | Puretech Systems, Inc. | System and method for autonomous PTZ tracking of aerial targets |
US9342074B2 (en) | 2013-04-05 | 2016-05-17 | Google Inc. | Systems and methods for transitioning control of an autonomous vehicle to a driver |
CN103198128A (zh) | 2013-04-11 | 2013-07-10 | 苏州阔地网络科技有限公司 | 一种云教育平台的数据搜索方法及系统 |
AU2013205548A1 (en) | 2013-04-30 | 2014-11-13 | Canon Kabushiki Kaisha | Method, system and apparatus for tracking objects of a scene |
US9438878B2 (en) | 2013-05-01 | 2016-09-06 | Legend3D, Inc. | Method of converting 2D video to 3D video using 3D object models |
US9025825B2 (en) | 2013-05-10 | 2015-05-05 | Palo Alto Research Center Incorporated | System and method for visual motion based object segmentation and tracking |
US9729860B2 (en) | 2013-05-24 | 2017-08-08 | Microsoft Technology Licensing, Llc | Indirect reflection suppression in depth imaging |
JP6484228B2 (ja) | 2013-06-13 | 2019-03-13 | モービルアイ ビジョン テクノロジーズ リミテッド | 視覚強化ナビゲーション |
IL227265A0 (en) | 2013-06-30 | 2013-12-31 | Brightway Vision Ltd | Smart flash for the camera |
KR102111784B1 (ko) | 2013-07-17 | 2020-05-15 | 현대모비스 주식회사 | 차량 위치 인식 장치 및 방법 |
US9315192B1 (en) | 2013-09-30 | 2016-04-19 | Google Inc. | Methods and systems for pedestrian avoidance using LIDAR |
US9122954B2 (en) | 2013-10-01 | 2015-09-01 | Mobileye Vision Technologies Ltd. | Performing a histogram using an array of addressable registers |
US9738280B2 (en) | 2013-10-03 | 2017-08-22 | Robert Bosch Gmbh | Adaptive cruise control with on-ramp detection |
US9299004B2 (en) | 2013-10-24 | 2016-03-29 | Adobe Systems Incorporated | Image foreground detection |
US9330334B2 (en) | 2013-10-24 | 2016-05-03 | Adobe Systems Incorporated | Iterative saliency map estimation |
US20150120244A1 (en) * | 2013-10-31 | 2015-04-30 | Here Global B.V. | Method and apparatus for road width estimation |
US9145116B2 (en) | 2013-12-04 | 2015-09-29 | Mobileye Vision Technologies Ltd. | Systems and methods for implementing a multi-segment braking profile for a vehicle |
EP2887311B1 (en) | 2013-12-20 | 2016-09-14 | Thomson Licensing | Method and apparatus for performing depth estimation |
US9285230B1 (en) * | 2013-12-20 | 2016-03-15 | Google Inc. | Methods and systems for detecting road curbs |
CA2935617C (en) | 2013-12-30 | 2023-09-12 | Craig Arnold Tieman | Connected vehicle system with infotainment interface for mobile devices |
EP3100206B1 (en) | 2014-01-30 | 2020-09-09 | Mobileye Vision Technologies Ltd. | Systems and methods for lane end recognition |
WO2015125022A2 (en) | 2014-02-20 | 2015-08-27 | Mobileye Vision Technologies Ltd. | Navigation based on radar-cued visual imaging |
CN103793925B (zh) | 2014-02-24 | 2016-05-18 | 北京工业大学 | 融合时空特征的视频图像视觉显著程度检测方法 |
US9981389B2 (en) | 2014-03-03 | 2018-05-29 | California Institute Of Technology | Robotics platforms incorporating manipulators having common joint designs |
DE102014205170A1 (de) | 2014-03-20 | 2015-11-26 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren und Vorrichtung zum Ermitteln einer Trajektorie für ein Fahrzeug |
US9739609B1 (en) | 2014-03-25 | 2017-08-22 | Amazon Technologies, Inc. | Time-of-flight sensor with configurable phase delay |
US9471889B2 (en) | 2014-04-24 | 2016-10-18 | Xerox Corporation | Video tracking based method for automatic sequencing of vehicles in drive-thru applications |
CN105100134A (zh) | 2014-04-28 | 2015-11-25 | 思科技术公司 | 屏幕共享缓存管理 |
WO2015177648A1 (en) | 2014-05-14 | 2015-11-26 | Ofer Springer | Systems and methods for curb detection and pedestrian hazard assessment |
US9720418B2 (en) | 2014-05-27 | 2017-08-01 | Here Global B.V. | Autonomous vehicle monitoring and control |
US10572744B2 (en) | 2014-06-03 | 2020-02-25 | Mobileye Vision Technologies Ltd. | Systems and methods for detecting an object |
US9457807B2 (en) | 2014-06-05 | 2016-10-04 | GM Global Technology Operations LLC | Unified motion planning algorithm for autonomous driving vehicle in obstacle avoidance maneuver |
IL233356A (en) | 2014-06-24 | 2015-10-29 | Brightway Vision Ltd | Sensor-based imaging system with minimum wait time between sensor exposures |
US9628565B2 (en) | 2014-07-23 | 2017-04-18 | Here Global B.V. | Highly assisted driving platform |
US9766625B2 (en) | 2014-07-25 | 2017-09-19 | Here Global B.V. | Personalized driving of autonomously driven vehicles |
US20160026787A1 (en) | 2014-07-25 | 2016-01-28 | GM Global Technology Operations LLC | Authenticating messages sent over a vehicle bus that include message authentication codes |
US9554030B2 (en) | 2014-09-29 | 2017-01-24 | Yahoo! Inc. | Mobile device image acquisition using objects of interest recognition |
US9248834B1 (en) | 2014-10-02 | 2016-02-02 | Google Inc. | Predicting trajectories of objects based on contextual information |
US9746550B2 (en) | 2014-10-08 | 2017-08-29 | Ford Global Technologies, Llc | Detecting low-speed close-range vehicle cut-in |
US9779276B2 (en) | 2014-10-10 | 2017-10-03 | Hand Held Products, Inc. | Depth sensor based auto-focus system for an indicia scanner |
US9773155B2 (en) | 2014-10-14 | 2017-09-26 | Microsoft Technology Licensing, Llc | Depth from time of flight camera |
US9959903B2 (en) | 2014-10-23 | 2018-05-01 | Qnap Systems, Inc. | Video playback method |
US9547985B2 (en) | 2014-11-05 | 2017-01-17 | Here Global B.V. | Method and apparatus for providing access to autonomous vehicles based on user context |
KR101664582B1 (ko) | 2014-11-12 | 2016-10-10 | 현대자동차주식회사 | 자율주행차량의 주행경로 생성장치 및 방법 |
US9494935B2 (en) | 2014-11-13 | 2016-11-15 | Toyota Motor Engineering & Manufacturing North America, Inc. | Remote operation of autonomous vehicle in unexpected environment |
KR102312273B1 (ko) | 2014-11-13 | 2021-10-12 | 삼성전자주식회사 | 거리영상 측정용 카메라 및 그 동작방법 |
EP3256815A1 (en) | 2014-12-05 | 2017-12-20 | Apple Inc. | Autonomous navigation system |
US9347779B1 (en) | 2014-12-10 | 2016-05-24 | Here Global B.V. | Method and apparatus for determining a position of a vehicle based on driving behavior |
CN104463872B (zh) * | 2014-12-10 | 2018-01-12 | 武汉大学 | 基于车载LiDAR点云数据的分类方法 |
US9805294B2 (en) | 2015-02-12 | 2017-10-31 | Mitsubishi Electric Research Laboratories, Inc. | Method for denoising time-of-flight range images |
US10115024B2 (en) | 2015-02-26 | 2018-10-30 | Mobileye Vision Technologies Ltd. | Road vertical contour detection using a stabilized coordinate frame |
JP6421684B2 (ja) | 2015-04-17 | 2018-11-14 | 井関農機株式会社 | 乗用草刈機 |
US9649999B1 (en) | 2015-04-28 | 2017-05-16 | Sprint Communications Company L.P. | Vehicle remote operations control |
US10635761B2 (en) | 2015-04-29 | 2020-04-28 | Energid Technologies Corporation | System and method for evaluation of object autonomy |
US9483839B1 (en) | 2015-05-06 | 2016-11-01 | The Boeing Company | Occlusion-robust visual object fingerprinting using fusion of multiple sub-region signatures |
CN104850834A (zh) * | 2015-05-11 | 2015-08-19 | 中国科学院合肥物质科学研究院 | 基于三维激光雷达的道路边界检测方法 |
US10345809B2 (en) | 2015-05-13 | 2019-07-09 | Uber Technologies, Inc. | Providing remote assistance to an autonomous vehicle |
US9613273B2 (en) | 2015-05-19 | 2017-04-04 | Toyota Motor Engineering & Manufacturing North America, Inc. | Apparatus and method for object tracking |
US9690290B2 (en) | 2015-06-04 | 2017-06-27 | Toyota Motor Engineering & Manufacturing North America, Inc. | Situation-based transfer of vehicle sensor data during remote operation of autonomous vehicles |
DE102015211926A1 (de) | 2015-06-26 | 2016-12-29 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Ermitteln bzw. Bewerten einer Soll-Trajektorie eines Kraftfahrzeugs |
US10505660B2 (en) | 2015-07-23 | 2019-12-10 | Nec Corporation | Route switching device, route switching system, and route switching method |
US9989965B2 (en) | 2015-08-20 | 2018-06-05 | Motionloft, Inc. | Object detection and analysis via unmanned aerial vehicle |
US10282591B2 (en) | 2015-08-24 | 2019-05-07 | Qualcomm Incorporated | Systems and methods for depth map sampling |
US9587952B1 (en) | 2015-09-09 | 2017-03-07 | Allstate Insurance Company | Altering autonomous or semi-autonomous vehicle operation based on route traversal values |
CN107209854A (zh) | 2015-09-15 | 2017-09-26 | 深圳市大疆创新科技有限公司 | 用于支持顺畅的目标跟随的系统和方法 |
CN105354829A (zh) * | 2015-10-08 | 2016-02-24 | 西北农林科技大学 | 一种自适应的点云数据分割方法 |
US9734455B2 (en) | 2015-11-04 | 2017-08-15 | Zoox, Inc. | Automated extraction of semantic information to enhance incremental mapping modifications for robotic vehicles |
WO2017079349A1 (en) | 2015-11-04 | 2017-05-11 | Zoox, Inc. | System for implementing an active safety system in an autonomous vehicle |
US9630619B1 (en) | 2015-11-04 | 2017-04-25 | Zoox, Inc. | Robotic vehicle active safety systems and methods |
US9754490B2 (en) | 2015-11-04 | 2017-09-05 | Zoox, Inc. | Software application to request and control an autonomous vehicle service |
US9507346B1 (en) | 2015-11-04 | 2016-11-29 | Zoox, Inc. | Teleoperation system and method for trajectory modification of autonomous vehicles |
US10127685B2 (en) | 2015-12-16 | 2018-11-13 | Objectvideo Labs, Llc | Profile matching of buildings and urban structures |
US10102434B2 (en) | 2015-12-22 | 2018-10-16 | Omnivision Technologies, Inc. | Lane detection system and method |
US9568915B1 (en) | 2016-02-11 | 2017-02-14 | Mitsubishi Electric Research Laboratories, Inc. | System and method for controlling autonomous or semi-autonomous vehicle |
US9760837B1 (en) | 2016-03-13 | 2017-09-12 | Microsoft Technology Licensing, Llc | Depth from time-of-flight using machine learning |
EP3433131B1 (en) | 2016-03-23 | 2023-07-12 | Netradyne, Inc. | Advanced path prediction |
US9535423B1 (en) | 2016-03-29 | 2017-01-03 | Adasworks Kft. | Autonomous vehicle with improved visual detection ability |
US9776638B1 (en) | 2016-04-20 | 2017-10-03 | GM Global Technology Operations LLC | Remote interrogation and override for automated driving system |
CN105957076B (zh) * | 2016-04-27 | 2018-09-21 | 深圳积木易搭科技技术有限公司 | 一种基于聚类的点云分割方法及系统 |
US10362429B2 (en) | 2016-04-28 | 2019-07-23 | California Institute Of Technology | Systems and methods for generating spatial sound information relevant to real-world environments |
US9672446B1 (en) | 2016-05-06 | 2017-06-06 | Uber Technologies, Inc. | Object detection for an autonomous vehicle |
CN106340197B (zh) | 2016-08-31 | 2021-05-14 | 北京万集科技股份有限公司 | 一种车路协同辅助驾驶系统及方法 |
US10261574B2 (en) | 2016-11-30 | 2019-04-16 | University Of Macau | Real-time detection system for parked vehicles |
US11295458B2 (en) | 2016-12-01 | 2022-04-05 | Skydio, Inc. | Object tracking by an unmanned aerial vehicle using visual sensors |
CN106781591A (zh) | 2016-12-19 | 2017-05-31 | 吉林大学 | 一种基于车路协同的城市车辆导航系统 |
CN106778749B (zh) * | 2017-01-11 | 2020-04-17 | 哈尔滨工业大学 | 基于聚集度和Delaunay三角重构的巡回作业区域边界提取方法 |
US9953236B1 (en) | 2017-03-10 | 2018-04-24 | TuSimple | System and method for semantic segmentation using dense upsampling convolution (DUC) |
US10147193B2 (en) | 2017-03-10 | 2018-12-04 | TuSimple | System and method for semantic segmentation using hybrid dilated convolution (HDC) |
US10209089B2 (en) | 2017-04-03 | 2019-02-19 | Robert Bosch Gmbh | Automated image labeling for vehicles based on maps |
US20180373980A1 (en) | 2017-06-27 | 2018-12-27 | drive.ai Inc. | Method for training and refining an artificial intelligence |
US10565457B2 (en) | 2017-08-23 | 2020-02-18 | Tusimple, Inc. | Feature matching and correspondence refinement and 3D submap position refinement system and method for centimeter precision localization using camera-based submap and LiDAR-based global map |
US10762673B2 (en) | 2017-08-23 | 2020-09-01 | Tusimple, Inc. | 3D submap reconstruction system and method for centimeter precision localization using camera-based submap and LiDAR-based global map |
US10223807B1 (en) | 2017-08-23 | 2019-03-05 | TuSimple | Feature extraction from 3D submap and global map system and method for centimeter precision localization using camera-based submap and lidar-based global map |
US10223806B1 (en) | 2017-08-23 | 2019-03-05 | TuSimple | System and method for centimeter precision localization using camera-based submap and LiDAR-based global map |
US10410055B2 (en) | 2017-10-05 | 2019-09-10 | TuSimple | System and method for aerial video traffic analysis |
US10666730B2 (en) | 2017-10-28 | 2020-05-26 | Tusimple, Inc. | Storage architecture for heterogeneous multimedia data |
US10812589B2 (en) | 2017-10-28 | 2020-10-20 | Tusimple, Inc. | Storage architecture for heterogeneous multimedia data |
CN108010360A (zh) | 2017-12-27 | 2018-05-08 | 中电海康集团有限公司 | 一种基于车路协同的自动驾驶环境感知系统 |
AU2019206509A1 (en) | 2018-01-09 | 2020-07-23 | Tusimple, Inc. | Real-time remote control of vehicles with high redundancy |
WO2019140277A2 (en) | 2018-01-11 | 2019-07-18 | TuSimple | Monitoring system for autonomous vehicle operation |
CN108182817A (zh) | 2018-01-11 | 2018-06-19 | 北京图森未来科技有限公司 | 自动驾驶辅助系统、路侧端辅助系统和车载端辅助系统 |
US10685244B2 (en) | 2018-02-27 | 2020-06-16 | Tusimple, Inc. | System and method for online real-time multi-object tracking |
CN109685821A (zh) * | 2018-12-26 | 2019-04-26 | 中国科学院大学 | 基于高质量体素的区域生长3d岩体点云平面提取方法 |
-
2019
- 2019-04-25 CN CN201910337021.5A patent/CN110458854B/zh active Active
- 2019-04-25 CN CN202211290713.7A patent/CN116129376A/zh active Pending
- 2019-05-02 US US16/401,772 patent/US11500101B2/en active Active
-
2022
- 2022-10-19 US US18/048,011 patent/US20230111722A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20190340447A1 (en) | 2019-11-07 |
CN110458854B (zh) | 2022-11-15 |
US20230111722A1 (en) | 2023-04-13 |
US11500101B2 (en) | 2022-11-15 |
CN110458854A (zh) | 2019-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110458854B (zh) | 一种道路边缘检测方法和装置 | |
US11709058B2 (en) | Path planning method and device and mobile device | |
CN112292711B (zh) | 关联lidar数据和图像数据 | |
US11042723B2 (en) | Systems and methods for depth map sampling | |
CN110988912B (zh) | 自动驾驶车辆的道路目标与距离检测方法、系统、装置 | |
CN107766405B (zh) | 自动车辆道路模型定义系统 | |
US10366310B2 (en) | Enhanced camera object detection for automated vehicles | |
US9443309B2 (en) | System and method for image based mapping, localization, and pose correction of a vehicle with landmark transform estimation | |
KR101843866B1 (ko) | 라이다 데이터를 이용하여 도로 영역과 차선을 검출하는 방법 및 그 시스템 | |
JP7069927B2 (ja) | 物体認識装置、及び物体認識方法 | |
CN110674705A (zh) | 基于多线激光雷达的小型障碍物检测方法及装置 | |
WO2022099530A1 (zh) | 点云数据运动分割方法、装置、计算机设备和存储介质 | |
US10748014B2 (en) | Processing device, object recognition apparatus, device control system, processing method, and computer-readable recording medium | |
WO2020127151A1 (en) | Method for improved object detection | |
US20220171975A1 (en) | Method for Determining a Semantic Free Space | |
CN113008296A (zh) | 用于通过在点云平面上融合传感器数据来检测汽车环境的方法和汽车控制单元 | |
CN114241448A (zh) | 障碍物航向角的获取方法、装置、电子设备及车辆 | |
CN114419573A (zh) | 动态占据栅格估计方法及装置 | |
CN113155143A (zh) | 用于评估自动驾驶用的地图的方法、设备和车辆 | |
CN112912894B (zh) | 道路边界识别方法和装置 | |
JP2019002839A (ja) | 情報処理装置、移動体、情報処理方法、およびプログラム | |
CN115527034B (zh) | 一种车端点云动静分割方法、装置及介质 | |
EP3944137A1 (en) | Positioning method and positioning apparatus | |
CN115249223A (zh) | 动态目标检测方法及装置、存储介质、终端 | |
CN116883973A (zh) | 点云目标检测方法、装置、电子设备 |
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 |