CN116358532B - 回环检测方法、装置、存储介质以及车辆 - Google Patents
回环检测方法、装置、存储介质以及车辆 Download PDFInfo
- Publication number
- CN116358532B CN116358532B CN202310637709.1A CN202310637709A CN116358532B CN 116358532 B CN116358532 B CN 116358532B CN 202310637709 A CN202310637709 A CN 202310637709A CN 116358532 B CN116358532 B CN 116358532B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- loop
- feature
- value
- point cloud
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000013507 mapping Methods 0.000 claims abstract description 20
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 abstract description 7
- 238000001914 filtration Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000012216 screening Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3807—Creation or updating of map data characterised by the type of data
- G01C21/383—Indoor data
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3833—Creation or updating of map data characterised by the source of data
- G01C21/3841—Data obtained from two or more sources, e.g. probe 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
- 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
- G01S17/87—Combinations of systems using electromagnetic waves other than radio waves
-
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas
Abstract
本公开涉及一种回环检测方法、装置、存储介质以及车辆,所述方法包括:获取车辆雷达对车辆周围环境采集得到的雷达点云;将雷达点云映射至车辆坐标系,车辆坐标系包括多个子区域;对于同一子区域,基于映射至所述子区域的雷达点云数据点的高度坐标值,将最大的高度坐标值作为所述子区域的特征值;根据多个子区域的特征值生成雷达点云的第一特征;从历史的雷达点云的特征中确定与第一特征相似度最高且相似度大于相似度阈值的特征,得到第二特征;将第一特征和第二特征作为回环对。上述方案能够快速地生成雷达点云的特征,并通过雷达点云的特征进行回环匹配。相对于基于深度学习进行回环匹配的方案,具有占用资源少、实时性高的优点。
Description
技术领域
本公开涉及自动驾驶技术领域,尤其涉及回环检测方法、装置、存储介质以及车辆。
背景技术
回环检测,又称闭环检测,是指机器识别曾到达某场景,使得地图闭环的能力。根据使用传感器的不同,回环检测分为基于激光雷达的回环检测和基于视觉的回环检测。相关场景中,这些回环检测方式对内存资源以及计算资源的消耗还较高,因而具有较高的使用成本。
发明内容
为克服相关技术中存在的问题,本公开提供一种回环检测方法、装置、存储介质以及车辆。
根据本公开实施例的第一方面,提供一种回环检测方法,包括:
获取车辆雷达对车辆周围环境采集得到的雷达点云;
将所述雷达点云映射至车辆坐标系,所述车辆坐标系包括多个子区域;
对于同一子区域,基于映射至所述子区域的雷达点云数据点的高度坐标值,将最大的高度坐标值作为所述子区域的特征值;
根据多个子区域的特征值生成所述雷达点云的第一特征;
从历史的雷达点云的特征中确定与所述第一特征相似度最高且相似度大于相似度阈值的特征,得到第二特征;
将所述第一特征和所述第二特征作为回环对。
可选地,所述从历史的雷达点云的特征中确定与所述第一特征相似度最高且相似度大于相似度阈值的特征,得到第二特征,包括:
获取采集所述第一特征所对应的雷达点云时,车辆的里程计的里程值,得到对应于所述第一特征的第一里程值;
计算所述第一里程值与里程阈值的差值,得到第二里程值;
从历史的雷达点云的特征中确定候选特征,所述候选特征所对应的里程值小于所述第二里程值;
基于第一特征与候选特征的相似度,从候选特征中确定相似度最高的特征,得到所述第二特征。
可选地,所述方法包括:
获取所述第一特征所对应的雷达点云的采集时刻,得到第一时刻;
获取所述第二特征所对应的雷达点云的采集时刻,得到第二时刻;
获取车辆在所述第一时刻的第一位姿以及所述车辆在所述第二时刻的第二位姿;
根据所述第一位姿和所述第二位姿,计算车辆的第一行驶距离值;
根据里程计确定所述第二时刻至所述第一时刻,车辆的第二行驶距离值;
在所述第一行驶距离值与所述第二行驶距离值的比值小于第一阈值或大于第二阈值时,删除所述回环对,所述第一阈值小于所述第二阈值。
可选地,所述方法包括:
获取所述第一特征所对应的雷达点云的采集时刻,得到第一时刻;
确定所述车辆在所述第一时刻的第一高度信息;
获取所述第二特征所对应的雷达点云的采集时刻,得到第二时刻;
确定所述车辆在所述第二时刻的第二高度信息;
根据所述第一高度信息和所述第二高度信息计算车辆的高度偏差值;
在所述高度偏差值大于第三阈值的情况下,删除所述回环对。
可选地,所述方法包括:
对已确定的回环对进行分类,并对各类回环对执行如下操作:
对同一类回环对中的各个回环对,获取该回环对中的第一个特征所对应的雷达点云的采集时刻,得到第三时刻,并获取所述回环对中的第二个特征所对应的雷达点云的采集时刻,得到第四时刻;
根据里程计获取所述第三时刻与所述第四时刻之间,车辆的第三行驶距离值;
根据该类回环对中的各个回环对的第三行驶距离值确定第三行驶距离值的参照值;
从该类回环对中删除目标回环对,所述目标回环对的第三行驶距离值与所述参照值的比值小于第四阈值或大于第五阈值,所述第四阈值小于所述第五阈值。
可选地,所述对已确定的回环对进行分类,包括:
基于回环对的确定时刻对已确定的回环对进行排序;
对排序相邻的两个回环对,根据里程计以及所述两个回环对的确定时刻确定所述两个回环对的距离差值;
在所述距离差值小于第六阈值的情况下,确定所述两个回环对为同一类回环对。
可选地,所述雷达点云包括车辆雷达对车辆周围的多个区域采集到的多帧雷达点云,所述将所述雷达点云映射至车辆坐标系,包括:
将所述多帧雷达点云映射至车辆坐标系;
从所述车辆坐标系中确定雷达点云的异常点;
删除所述车辆坐标系中的所述异常点。
可选地,从所述车辆坐标系中确定雷达点云的异常点包括,执行如下的一个或多个步骤:
从车辆坐标系中确定第一数据点,所述第一数据点与车辆之间的坐标距离大于第一距离阈值,所述异常点包括所述第一数据点;
从车辆坐标系中确定第二数据点,所述第二数据点与车辆之间的坐标距离小于第二距离阈值,所述异常点包括所述第二数据点,所述第二距离阈值小于所述第一距离阈值;
从车辆坐标系中确定高度坐标值低于高度阈值的第三数据点,所述异常点包括所述第三数据点。
可选地,所述方法还包括:
获取所述车辆在第一时刻的位姿,得到第一位姿,所述第一时刻为所述第一特征所对应的雷达点云的采集时刻;
获取所述车辆在第二时刻的位姿,得到第二位姿,所述第二时刻为所述第二特征所对应的雷达点云的采集时刻;
计算所述第一位姿和所述第二位姿的相对位姿;
根据所述相对位姿对所述第一时刻与第二时刻之间的车辆轨迹进行修正。
根据本公开实施例的第二方面,提供一种回环检测装置,包括:
第一获取模块,被配置为获取车辆雷达对车辆周围环境采集得到的雷达点云;
坐标映射模块,被配置为将所述雷达点云映射至车辆坐标系,所述车辆坐标系包括多个子区域;
特征值确定模块,被配置为对于同一子区域,基于映射至所述子区域的雷达点云数据点的高度坐标值,将最大的高度坐标值作为所述子区域的特征值;
特征生成模块,被配置为根据多个子区域的特征值生成所述雷达点云的第一特征;
确定模块,被配置为从历史的雷达点云的特征中确定与所述第一特征相似度最高且相似度大于相似度阈值的特征,得到第二特征;
第一执行模块,被配置为将所述第一特征和所述第二特征作为回环对。
可选地,所述确定模块,包括:
第一获取子单元,被配置为获取采集所述第一特征所对应的雷达点云时,车辆的里程计的里程值,得到对应于所述第一特征的第一里程值;
第一计算子单元,被配置为计算所述第一里程值与里程阈值的差值,得到第二里程值;
候选特征确定子单元,被配置为从历史的雷达点云的特征中确定候选特征,所述候选特征所对应的里程值小于所述第二里程值;
第二特征确定子单元,被配置为基于第一特征与候选特征的相似度,从候选特征中确定相似度最高的特征,得到所述第二特征。
可选地,回环检测装置包括:
第一时刻获取模块,被配置为获取所述第一特征所对应的雷达点云的采集时刻,得到第一时刻;
第二时刻获取模块,被配置为获取所述第二特征所对应的雷达点云的采集时刻,得到第二时刻;
位姿获取模块,被配置为获取车辆在所述第一时刻的第一位姿以及所述车辆在所述第二时刻的第二位姿;
第一行驶距离值计算模块,被配置为根据所述第一位姿和所述第二位姿,计算车辆的第一行驶距离值;
第二行驶距离值计算模块,被配置为根据里程计确定所述第二时刻至所述第一时刻,车辆的第二行驶距离值;
第一删除模块,被配置为在所述第一行驶距离值与所述第二行驶距离值的比值小于第一阈值或大于第二阈值时,删除所述回环对,所述第一阈值小于所述第二阈值。
可选地,回环检测装置包括:
第一时刻获取模块,被配置为获取所述第一特征所对应的雷达点云的采集时刻,得到第一时刻;
第一高度确定模块,被配置为确定所述车辆在所述第一时刻的第一高度信息;
第二时刻获取模块,被配置为获取所述第二特征所对应的雷达点云的采集时刻,得到第二时刻;
第二高度确定模块,被配置为确定所述车辆在所述第二时刻的第二高度信息;
高度偏差计算模块,被配置为根据所述第一高度信息和所述第二高度信息计算车辆的高度偏差值;
第二删除模块,被配置为在所述高度偏差值大于第三阈值的情况下,删除所述回环对。
可选地,回环检测装置包括:
第二执行模块,被配置为对已确定的回环对进行分类,并对各类回环对执行如下操作:
对同一类回环对中的各个回环对,获取该回环对中的第一个特征所对应的雷达点云的采集时刻,得到第三时刻,并获取所述回环对中的第二个特征所对应的雷达点云的采集时刻,得到第四时刻;
根据里程计获取所述第三时刻与所述第四时刻之间,车辆的第三行驶距离值;
根据该类回环对中的各个回环对的第三行驶距离值确定第三行驶距离值的参照值;
从该类回环对中删除目标回环对,所述目标回环对的第三行驶距离值与所述参照值的比值小于第四阈值或大于第五阈值,所述第四阈值小于所述第五阈值。
可选地,所述第二执行模块,包括:
排序子模块,被配置为基于回环对的确定时刻对已确定的回环对进行排序;
距离差值计算子模块,被配置为对排序相邻的两个回环对,根据里程计以及所述两个回环对的确定时刻确定所述两个回环对的距离差值;
分类子模块,被配置为在所述距离差值小于第六阈值的情况下,确定所述两个回环对为同一类回环对。
可选地,所述雷达点云包括车辆雷达对车辆周围的多个区域采集到的多帧雷达点云,所述坐标映射模块,包括:
映射子模块,被配置为将所述多帧雷达点云映射至车辆坐标系;
异常点确定子模块,被配置为从所述车辆坐标系中确定雷达点云的异常点;
异常点删除子模块,被配置为删除所述车辆坐标系中的所述异常点。
可选地,异常点确定子模块包括如下的一个或多个子单元:
第一子单元,被配置为从车辆坐标系中确定第一数据点,所述第一数据点与车辆之间的坐标距离大于第一距离阈值,所述异常点包括所述第一数据点;
第二子单元,被配置为从车辆坐标系中确定第二数据点,所述第二数据点与车辆之间的坐标距离小于第二距离阈值,所述异常点包括所述第二数据点,所述第二距离阈值小于所述第一距离阈值;
第三子单元,被配置为从车辆坐标系中确定高度坐标值低于高度阈值的第三数据点,所述异常点包括所述第三数据点。
可选地,回环检测装置还包括:
第一位姿获取模块,被配置为获取所述车辆在第一时刻的位姿,得到第一位姿,所述第一时刻为所述第一特征所对应的雷达点云的采集时刻;
第二位姿获取模块,被配置为获取所述车辆在第二时刻的位姿,得到第二位姿,所述第二时刻为所述第二特征所对应的雷达点云的采集时刻;
相对位姿计算模块,被配置为计算所述第一位姿和所述第二位姿的相对位姿;
轨迹修正模块,被配置为根据所述相对位姿对所述第一时刻与第二时刻之间的车辆轨迹进行修正。
根据本公开实施例的第三方面,提供一种回环检测装置,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行上述第一方面中任一项所述方法的步骤。
根据本公开实施例的第四方面,提供一种计算机可读存储介质,其上存储有计算机程序指令,该程序指令被处理器执行时实现上述第一方面中任一项所述方法的步骤。
根据本公开实施例的第五方面,提供一种车辆,包括上述第三方面中所述的回环检测装置。
上述技术方案中,可以获取车辆雷达对车辆周围环境采集得到的雷达点云;将所述雷达点云映射至车辆坐标系,所述车辆坐标系包括多个子区域;对于同一子区域,基于映射至所述子区域的雷达点云数据点的高度坐标值,将最大的高度坐标值作为所述子区域的特征值;根据多个子区域的特征值生成所述雷达点云的第一特征。这样,可以从历史的雷达点云的特征中确定与所述第一特征相似度最高且相似度大于相似度阈值的特征,得到第二特征,并将所述第一特征和所述第二特征作为回环对,从而完成回环匹配。
上述方案能够快速地生成雷达点云的特征,并通过雷达点云的特征进行回环匹配。相对于基于深度学习进行回环匹配的方案,上述方案具有占用资源少、性能要求低、实时性高的优点。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种回环检测方法的流程图。
图2是根据一示例性实施例示出的一种图1中的步骤S15的实施流程图。
图3是根据一示例性实施例示出的一种回环对的过滤流程图。
图4是根据一示例性实施例示出的一种回环对的过滤流程图。
图5是根据一示例性实施例示出的一种回环对过滤的效果图。
图6是根据一示例性实施例示出的一种回环对的筛选流程图。
图7是根据一示例性实施例示出的一种回环对筛选的效果图。
图8是根据一示例性实施例示出的一种回环检测装置的框图。
图9是根据一示例性实施例示出的一种用于回环检测的装置900的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
在介绍本公开的回环检测方法、装置、存储介质以及车辆之前,首先对本公开的应用场景进行介绍。
精确地记忆泊车需要依赖精确的停车场建图。但在建图时,长时间运行的定位模块可能产生漂移,导致构建的地图产生偏差。所以,需要回环检测来识别回环,并通过回环消除定位模块累积的误差。
例如在一些场景中,可以基于视觉系统进行回环检测。但是,对于停车场这种光照不足,视角变换大,结构单一且纹理较弱的场景,基于视觉系统的回环检测结果的误差率还较高。在一些场景中,可以基于深度学习技术进行回环检测,但这种方式对存储和计算资源要求较高,需要GPU(Graphics Processing Unit,图形处理器)的参与,因而难以适配一些计算能力较低的场景。并且,通过深度学习进行回环检测的方式的检测实时性也较低,同时深度学习网络的训练标注成本也较高。
为此,本公开提供一种回环检测方法。所述方法可以由计算装置执行,所述计算装置可以为与车辆相互独立设置的设备,所述计算装置也可以作为车辆的一部分。图1是本公开所示出的一种回环检测方法的流程图,参照图1,所述方法包括:
在步骤S11中,获取车辆雷达对车辆周围环境采集得到的雷达点云。
例如,车辆可以包括激光雷达,激光雷达可以周期性的或实时的对车辆周围环境进行探测,得到雷达点云。在一些实施方式中,激光雷达的视角范围可以为120°,因此可以通过设置三个激光雷达对车辆周围的环境进行探测,从而覆盖车辆周围的360°的空间。或者,也可以通过一个激光雷达对车辆周围环境进行扫描,从而覆盖车辆周围的360°的空间。
在一些实施方式中,可以在车辆启动后获取车辆雷达对车辆周围环境采集得到的雷达点云。
在一些实施方式中,可以响应于控制指令或用户的操作,开始获取车辆雷达对车辆周围环境采集得到的雷达点云。示例性的,可以响应于用户的用于指示开启“记忆泊车路线学习”的操作,开始获取车辆雷达对车辆周围环境采集得到的雷达点云。
需要说明的是,获取车辆雷达对车辆周围环境采集得到的雷达点云的步骤可以是周期性进行的,如每一时刻获取车辆雷达对车辆周围环境采集得到的雷达点云,或是按照设定的时间周期获取车辆雷达对车辆周围环境采集得到的雷达点云。
在步骤S12中,将雷达点云映射至车辆坐标系,车辆坐标系包括多个子区域。
例如,可以计算雷达点云坐标系和车辆坐标系之间的转换关系,从而通过所述转换关系将雷达点云映射至车辆坐标系。所述车辆坐标系可以包括多个子区域。示例性的,可以设定车辆坐标系中X轴朝右,Z轴朝上。则可以沿X轴绕Z轴旋转的方向,将旋转角度作为划分粒度(如将1°作为划分粒度)划分得到多个扇形子区域。其中,旋转的方向可以为顺时针或逆时针。在一些场景中,还可以沿Z轴的高度方向对所述多个扇形子区域进行进一步划分。
需要说明的是,基于对坐标系划分子区域的构思,本领域技术人员可以使用不同的子区域划分方式,得到不同的子区域,本公开对此不做限制。
在一种可能的实施方式中,还可以对雷达点云的映射结果进行过滤。例如,所述雷达点云包括车辆雷达对车辆周围的多个区域采集到的多帧雷达点云,所述将所述雷达点云映射至车辆坐标系,包括:
将所述多帧雷达点云映射至车辆坐标系,从所述车辆坐标系中确定雷达点云的异常点。
例如在一些实施方式中,可以从车辆坐标系中确定第一数据点,所述第一数据点与车辆之间的坐标距离大于第一距离阈值,所述异常点包括所述第一数据点。
在一些实施方式中,可以从车辆坐标系中确定第二数据点,所述第二数据点与车辆之间的坐标距离小于第二距离阈值,所述异常点包括所述第二数据点,所述第二距离阈值小于所述第一距离阈值。
在一些实施方式中,可以从车辆坐标系中确定高度坐标值低于高度阈值的第三数据点,所述异常点包括所述第三数据点。
在一些实施方式中,可以将坐标值异常的点作为异常点,如将坐标值为(N,N,N)的点作为异常点。
获得异常点之后,可以删除所述车辆坐标系中的所述异常点,从而提升数据点的准确度。
在步骤S13中,对于同一子区域,基于映射至子区域的雷达点云数据点的高度坐标值,将最大的高度坐标值作为子区域的特征值。
应当理解,雷达点云在转换至车辆坐标系之后,雷达点云中的各个数据点可以分布在相同或不同的子区域中。因此,对于每个子区域,可以基于映射至所述子区域的雷达点云数据点的高度坐标值,将最大的高度坐标值作为子区域的特征值。在雷达点云中,高度值坐标具有较强的结构化信息,能够用于区分物体的类别,如障碍物的高度值坐标较大,地面的高度值坐标较小。
在步骤S14中,根据多个子区域的特征值生成雷达点云的第一特征。
例如,车辆坐标系包括100个子区域,则可以根据100个子区域的特征值生成雷达点云的第一特征,第一特征例如可以以矩阵或其他可行的方式呈现。
在步骤S15中,从历史的雷达点云的特征中确定与第一特征相似度最高且相似度大于相似度阈值的特征,得到第二特征。
在一些实施方式中,可以根据雷达点云的获取时刻确定历史的雷达点云。
示例地,可以将第一特征所对应的雷达点云的获取时刻作为第一获取时刻,并将获取时刻在第一获取时刻之前的雷达点云作为所述历史的雷达点云。
也就是说,若所述第一特征所对应的雷达点云的获取时刻为t1,则可以将获取时刻在t1之前的各个雷达点云作为所述历史的雷达点云。
在一些实施方式中,考虑到较短时长内难以出现回环,因此还可以设定时长阈值,并根据所述时长阈值以及雷达点云的获取时刻确定历史的雷达点云。
示例地,可以将第一特征所对应的雷达点云的获取时刻作为第一获取时刻;计算所述第一获取时刻与所述时长阈值的差值,得到第二获取时刻;将获取时刻在第二获取时刻之前的雷达点云作为所述历史的雷达点云。
也就是说,若所述时长阈值为t2,第一获取时刻为t1,则可以确定第二获取时刻t1-t2,并将获取时刻在t1-t2之前的雷达点云作为所述历史的雷达点云。
参照步骤S15,在一种可能的实施方式中,可以获取历史所有的雷达点云的特征,并从历史的雷达点云的特征中确定与第一特征相似度最高且相似度大于相似度阈值的特征,得到第二特征。其中,特征的相似度例如可以通过欧氏距离等方式进行度量,本公开对此不做限制。
图2是本公开所示出的一种图1中的步骤S15的实施流程图,参照图2,步骤S15包括:
在步骤S151中,获取采集第一特征所对应的雷达点云时,车辆的里程计的里程值,得到对应于第一特征的第一里程值。
在步骤S152中,计算第一里程值与里程阈值的差值,得到第二里程值。
在步骤S153中,从历史的雷达点云的特征中确定候选特征,候选特征所对应的里程值小于第二里程值。
其中,里程阈值可以根据需求进行设置,作为一种示例,里程阈值可以为50米。示例性的,若第一里程值为A,则第二里程值可以为A-50。这样,可以从历史的雷达点云的特征中,确定特征所对应的里程值小于A-50的特征作为候选特征。
在步骤S154中,基于第一特征与候选特征的相似度,从候选特征中确定相似度最高的特征,得到第二特征。
需要说明的是,车辆在较短的行驶距离内难以形成回环。而上述方案能够从历史的雷达点云的特征中筛选用于进行回环匹配的候选特征,这种方式能够缩小匹配范围,并降低计算量。
参照图1,在步骤S16中,将第一特征和第二特征作为回环对。
上述方案能够快速地生成雷达点云的特征,并通过雷达点云的特征进行回环匹配。相对于基于深度学习进行回环匹配的方案,上述方案具有占用资源少、性能要求低、实时性高的优点。并且,经测试,上述方案的执行周期小于或等于25ms,因此检测频率能够达到40Hz或40Hz以上,具有较高的实时性。同时,上述方案也无需GPU的参与,具有较低的实施成本。
在一些实施方式中,在通过步骤S16确定回环对之后,还可以对回环对进行过滤,过滤步骤可以是在车辆行驶过程中,如记忆泊车的路线学习过程中同步进行的,以便于去除异常的回环对。
图3是本公开所示出的一种回环对的过滤流程图,参照图3,回环对的过滤流程,包括:
在步骤S31中,获取第一特征所对应的雷达点云的采集时刻,得到第一时刻。
在步骤S32中,获取第二特征所对应的雷达点云的采集时刻,得到第二时刻。
在步骤S33中,获取车辆在第一时刻的第一位姿以及车辆在第二时刻的第二位姿。
例如,可以在车辆雷达获取雷达点云的同时,记录车辆的位姿。这样,雷达点云和车辆位姿之间可以形成基于时刻的关联关系,即可以通过雷达点云查询所述雷达点云的采集时刻,并获取所述采集时刻车辆的位姿。
在步骤S34中,根据第一位姿和第二位姿,计算车辆的第一行驶距离值。
应当理解,车辆行驶过程中的各个时刻的位姿可以形成位姿图。因此,可以根据第一位姿与第二位姿之间的位姿图累积计算车辆的行驶距离值,得到第一行驶距离值。
在步骤S35中,根据里程计确定第二时刻至第一时刻,车辆的第二行驶距离值。
在步骤S36中,在第一行驶距离值与第二行驶距离值的比值小于第一阈值或大于第二阈值时,删除回环对,第一阈值小于第二阈值。
由于里程计可能出现漂移,因此可以为里程计设置精度区间。作为一种示例,里程计的精度可以为±0.3%,则里程计的精度区间为99.7%至100.3%。在这种情况下,可以将所述第一阈值设置为0.997,所述第二阈值可以设置为1.003。当所述第一行驶距离值与第二行驶距离值的比值小于第一阈值或大于第二阈值时,基于所述回环对的第一位姿和第二位姿计算得到的第一行驶距离值超出了里程计的精度区间。因此,所述回环对的误差较大,可以删除。
图4是本公开所示出的一种回环对的过滤流程图,参照图4,回环对的过滤流程,包括:
在步骤S41中,获取第一特征所对应的雷达点云的采集时刻,得到第一时刻。
在步骤S42中,确定车辆在第一时刻的第一高度信息。
在步骤S43中,获取第二特征所对应的雷达点云的采集时刻,得到第二时刻;
在步骤S44中,确定车辆在第二时刻的第二高度信息。
在步骤S45中,根据第一高度信息和第二高度信息计算车辆的高度偏差值。
例如,可以在车辆雷达获取雷达点云的同时,记录车辆的高度信息。高度信息可以为楼层、海拔高度等信息,或是它们的组合。这样,雷达点云和高度信息之间可以形成基于时刻的关联关系,即可以通过雷达点云查询所述雷达点云的采集时刻,并获取所述采集时刻车辆的高度信息。
在步骤S46中,在高度偏差值大于第三阈值的情况下,删除回环对。
例如,在高度信息为楼层的情况下,所述第三阈值可以设置为0。这样,可以根据第一高度信息和第二高度信息计算楼层差值的绝对值,得到所述高度偏差值。当高度偏差值大于第三阈值,则说明所述回环对所关联的两个雷达点云对应于不同的楼层,此时可以确定所述回环对为异常回环对,并可以删除所述回环对。
参照图5所示出的回环对过滤的效果图,通过回环对过滤,能够去除异常的回环对,进而保障用于进行轨迹优化的回环对的准确度。
在一种可能的实施方式中,在通过步骤S16确定回环对之后,还可以对回环对进行筛选,筛选的基础可以是初始的回环对也可以是经过图3和/或图4的过滤步骤得到的回环对。
例如在一些实施方式中,可以对已确定的回环对进行分类。分类过程可以包括:
基于回环对的确定时刻对已确定的回环对进行排序。例如在一些场景中,可以实时获取雷达点云,获取雷达点云的特征,并根据所述特征匹配确定回环对,最后将匹配到的回环对进行保存。因此,可以基于回环对的确定时刻的先后顺序对已确定的回环对进行排序。
对排序相邻的两个回环对,根据里程计以及所述两个回环对的确定时刻确定所述两个回环对的距离差值。例如,回环对1和回环对2为相邻的两个回环对,回环对1的确定时刻为10:01,回环对2的确定时刻为10:03,则可以通过里程计获取10:01至10:03车辆的行驶距离值,得到所述距离差值。
这样,在所述距离差值小于第六阈值(如50米)的情况下,确定所述两个回环对为同一类回环对。
图6是本公开所示出的一种回环对的筛选流程图,筛选过程可以在记忆泊车建图的后处理阶段执行。参照图6,对各类回环对:
在步骤S61中,对同一类回环对中的各个回环对,获取该回环对中的第一个特征所对应的雷达点云的采集时刻,得到第三时刻,并获取回环对中的第二个特征所对应的雷达点云的采集时刻,得到第四时刻。
在步骤S62中,根据里程计获取第三时刻与第四时刻之间,车辆的第三行驶距离值。
在步骤S63中,根据该类回环对中的各个回环对的第三行驶距离值确定第三行驶距离值的参照值。
例如,可以获取该类回环对中的各个回环对的第三行驶距离值的中位数,得到所述参照值。在一些实施方式中,也可以通过统计学方法获得所述参照值。在一些实施方式中,所述参照值也可以是设定的经验值。
在步骤S64中,从该类回环对中删除目标回环对,目标回环对的第三行驶距离值与参照值的比值小于第四阈值或大于第五阈值,第四阈值小于第五阈值。
例如,第四阈值可以为0.67,第五阈值可以为1.5。这样,如果目标回环对的第三行驶距离值与参照值的比值小于0.67或大于1.5,则可以确定所述目标回环对为存在突变的异常数据。因此,可以从该类回环对中删除目标回环对。
类似的,可以通过图6所示的步骤对每一类回环对进行筛选。参照图7所示出的回环对筛选的效果图(图中以图5的过滤结果为筛选的原始对象),通过回环对筛选,能够去除异常的回环对,进而保障用于进行轨迹优化的回环对的准确度。
这样,可以根据确定的回环对(如上述步骤筛选得到的回环对)对车辆轨迹进行优化。例如在一种可能的实施方式中,所述方法还包括:
获取所述车辆在第一时刻的位姿,得到第一位姿,所述第一时刻为所述第一特征所对应的雷达点云的采集时刻;
获取所述车辆在第二时刻的位姿,得到第二位姿,所述第二时刻为所述第二特征所对应的雷达点云的采集时刻;
计算所述第一位姿和所述第二位姿的相对位姿;
根据所述相对位姿对所述第一时刻与第二时刻之间的车辆轨迹进行修正。
例如,可以根据相对位姿计算第一时刻与第二时刻之间的车辆轨迹的误差,进而对累计误差进行消除。
基于同一发明构思,本公开还提供一种回环检测装置。图8是本公开所示出的一种回环检测装置的框图,如图8所示,所述回环检测装置,包括:
第一获取模块801,被配置为获取车辆雷达对车辆周围环境采集得到的雷达点云;
坐标映射模块802,被配置为将所述雷达点云映射至车辆坐标系,所述车辆坐标系包括多个子区域;
特征值确定模块803,被配置为对于同一子区域,基于映射至所述子区域的雷达点云数据点的高度坐标值,将最大的高度坐标值作为所述子区域的特征值;
特征生成模块804,被配置为根据多个子区域的特征值生成所述雷达点云的第一特征;
确定模块805,被配置为从历史的雷达点云的特征中确定与所述第一特征相似度最高且相似度大于相似度阈值的特征,得到第二特征;
第一执行模块806,被配置为将所述第一特征和所述第二特征作为回环对。
上述技术方案中,可以获取车辆雷达对车辆周围环境采集得到的雷达点云;将所述雷达点云映射至车辆坐标系,所述车辆坐标系包括多个子区域;对于同一子区域,基于映射至所述子区域的雷达点云数据点的高度坐标值,将最大的高度坐标值作为所述子区域的特征值;根据多个子区域的特征值生成所述雷达点云的第一特征。这样,可以从历史的雷达点云的特征中确定与所述第一特征相似度最高且相似度大于相似度阈值的特征,得到第二特征,并将所述第一特征和所述第二特征作为回环对,从而完成回环匹配。
上述方案能够快速地生成雷达点云的特征,并通过雷达点云的特征进行回环匹配。相对于基于深度学习进行回环匹配的方案,上述方案具有占用资源少、性能要求低、实时性高的优点。
可选地,确定模块805包括:
第一获取子单元,被配置为获取采集所述第一特征所对应的雷达点云时,车辆的里程计的里程值,得到对应于所述第一特征的第一里程值;
第一计算子单元,被配置为计算所述第一里程值与里程阈值的差值,得到第二里程值;
候选特征确定子单元,被配置为从历史的雷达点云的特征中确定候选特征,所述候选特征所对应的里程值小于所述第二里程值;
第二特征确定子单元,被配置为基于第一特征与候选特征的相似度,从候选特征中确定相似度最高的特征,得到所述第二特征。
可选地,回环检测装置包括:
第一时刻获取模块,被配置为获取所述第一特征所对应的雷达点云的采集时刻,得到第一时刻;
第二时刻获取模块,被配置为获取所述第二特征所对应的雷达点云的采集时刻,得到第二时刻;
位姿获取模块,被配置为获取车辆在所述第一时刻的第一位姿以及所述车辆在所述第二时刻的第二位姿;
第一行驶距离值计算模块,被配置为根据所述第一位姿和所述第二位姿,计算车辆的第一行驶距离值;
第二行驶距离值计算模块,被配置为根据里程计确定所述第二时刻至所述第一时刻,车辆的第二行驶距离值;
第一删除模块,被配置为在所述第一行驶距离值与所述第二行驶距离值的比值小于第一阈值或大于第二阈值时,删除所述回环对,所述第一阈值小于所述第二阈值。
可选地,回环检测装置包括:
第一时刻获取模块,被配置为获取所述第一特征所对应的雷达点云的采集时刻,得到第一时刻;
第一高度确定模块,被配置为确定所述车辆在所述第一时刻的第一高度信息;
第二时刻获取模块,被配置为获取所述第二特征所对应的雷达点云的采集时刻,得到第二时刻;
第二高度确定模块,被配置为确定所述车辆在所述第二时刻的第二高度信息;
高度偏差计算模块,被配置为根据所述第一高度信息和所述第二高度信息计算车辆的高度偏差值;
第二删除模块,被配置为在所述高度偏差值大于第三阈值的情况下,删除所述回环对。
可选地,回环检测装置包括:
第二执行模块,被配置为对已确定的回环对进行分类,并对各类回环对执行如下操作:
对同一类回环对中的各个回环对,获取该回环对中的第一个特征所对应的雷达点云的采集时刻,得到第三时刻,并获取所述回环对中的第二个特征所对应的雷达点云的采集时刻,得到第四时刻;
根据里程计获取所述第三时刻与所述第四时刻之间,车辆的第三行驶距离值;
根据该类回环对中的各个回环对的第三行驶距离值确定第三行驶距离值的参照值;
从该类回环对中删除目标回环对,所述目标回环对的第三行驶距离值与所述参照值的比值小于第四阈值或大于第五阈值,所述第四阈值小于所述第五阈值。
可选地,第二执行模块,包括:
排序子模块,被配置为基于回环对的确定时刻对已确定的回环对进行排序;
距离差值计算子模块,被配置为对排序相邻的两个回环对,根据里程计以及所述两个回环对的确定时刻确定所述两个回环对的距离差值;
分类子模块,被配置为在所述距离差值小于第六阈值的情况下,确定所述两个回环对为同一类回环对。
可选地,所述雷达点云包括车辆雷达对车辆周围的多个区域采集到的多帧雷达点云,所述坐标映射模块802,包括:
映射子模块,被配置为将所述多帧雷达点云映射至车辆坐标系;
异常点确定子模块,被配置为从所述车辆坐标系中确定雷达点云的异常点;
异常点删除子模块,被配置为删除所述车辆坐标系中的所述异常点。
可选地,异常点确定子模块包括如下的一个或多个子单元:
第一子单元,被配置为从车辆坐标系中确定第一数据点,所述第一数据点与车辆之间的坐标距离大于第一距离阈值,所述异常点包括所述第一数据点;
第二子单元,被配置为从车辆坐标系中确定第二数据点,所述第二数据点与车辆之间的坐标距离小于第二距离阈值,所述异常点包括所述第二数据点,所述第二距离阈值小于所述第一距离阈值;
第三子单元,被配置为从车辆坐标系中确定高度坐标值低于高度阈值的第三数据点,所述异常点包括所述第三数据点。
可选地,回环检测装置还包括:
第一位姿获取模块,被配置为获取所述车辆在第一时刻的位姿,得到第一位姿,所述第一时刻为所述第一特征所对应的雷达点云的采集时刻;
第二位姿获取模块,被配置为获取所述车辆在第二时刻的位姿,得到第二位姿,所述第二时刻为所述第二特征所对应的雷达点云的采集时刻;
相对位姿计算模块,被配置为计算所述第一位姿和所述第二位姿的相对位姿;
轨迹修正模块,被配置为根据所述相对位姿对所述第一时刻与第二时刻之间的车辆轨迹进行修正。
本公开还提供一种回环检测装置,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行本公开任意实施例中所述的回环检测方法的步骤。
本公开还提供一种计算机可读存储介质,其上存储有计算机程序指令,该程序指令被处理器执行时实现本公开任意实施例中所述的回环检测方法的步骤。
本公开还提供一种车辆,包括本公开任意实施例中所述的回环检测装置。
关于上述实施例中的回环检测装置,其中各个模块执行操作的具体方式已经在有关回环检测方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图9是根据一示例性实施例示出的一种用于回环检测的装置900的框图。例如,装置900可以是独立的或集成在车辆中的计算装置。
参照图9,装置900可以包括以下一个或多个组件:处理组件902,存储器904,电源组件906,多媒体组件908,音频组件910,输入/输出接口912,传感器组件914,以及通信组件916。
处理组件902通常控制装置900的整体操作,诸如与显示,数据通信,数据采集和记录相关联的操作。处理组件902可以包括一个或多个处理器920来执行指令,以完成上述的回环检测方法的全部或部分步骤。此外,处理组件902可以包括一个或多个模块,便于处理组件902和其他组件之间的交互。例如,处理组件902可以包括多媒体模块,以方便多媒体组件908和处理组件902之间的交互。
存储器904被配置为存储各种类型的数据以支持在装置900的操作。这些数据的示例包括用于在装置900上操作的任何应用程序或方法的指令,消息,图片,视频等。存储器904可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件906为装置900的各种组件提供电力。电源组件906可以包括电源管理系统,一个或多个电源,及其他与为装置900生成、管理和分配电力相关联的组件。
多媒体组件908包括在所述装置900和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。
音频组件910被配置为输出和/或输入音频信号。例如,音频组件910包括一个麦克风(MIC),当装置900处于操作模式,如记录模式或语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器904或经由通信组件916发送。在一些实施例中,音频组件910还包括一个扬声器,用于输出音频信号。
输入/输出接口912为处理组件902和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件914包括一个或多个传感器,用于为装置900提供各个方面的状态评估。例如,传感器组件914可以检测到装置900的打开/关闭状态,传感器组件914还可以检测装置900或装置900的组件的位置改变。传感器组件914可以包括雷达传感器,用于对车辆周围环境进行检测。
通信组件916被配置为便于装置900和其他设备之间有线或无线方式的通信。装置900可以接入基于通信标准的无线网络,如WiFi,4G或5G,或它们的组合。在一个示例性实施例中,通信组件916经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。
在示例性实施例中,装置900可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述回环检测方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器904,上述指令可由装置900的处理器920执行以完成上述回环检测方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述的回环检测方法的代码部分。
本领域技术人员在考虑说明书及实践本公开后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (12)
1.一种回环检测方法,其特征在于,包括:
获取车辆雷达对车辆周围环境采集得到的雷达点云;
将所述雷达点云映射至车辆坐标系,所述车辆坐标系包括多个子区域;
对于同一子区域,基于映射至所述子区域的雷达点云数据点的高度坐标值,将最大的高度坐标值作为所述子区域的特征值;
根据多个子区域的特征值生成所述雷达点云的第一特征;
从历史的雷达点云的特征中确定与所述第一特征相似度最高且相似度大于相似度阈值的特征,得到第二特征;
将所述第一特征和所述第二特征作为回环对;
对已确定的回环对进行分类,并对各类回环对执行如下操作:
对同一类回环对中的各个回环对,获取该回环对中的第一个特征所对应的雷达点云的采集时刻,得到第三时刻,并获取所述回环对中的第二个特征所对应的雷达点云的采集时刻,得到第四时刻;
根据里程计获取所述第三时刻与所述第四时刻之间,车辆的第三行驶距离值;
根据该类回环对中的各个回环对的第三行驶距离值确定第三行驶距离值的参照值;
从该类回环对中删除目标回环对,所述目标回环对的第三行驶距离值与所述参照值的比值小于第四阈值或大于第五阈值,所述第四阈值小于所述第五阈值。
2.根据权利要求1所述的方法,其特征在于,所述从历史的雷达点云的特征中确定与所述第一特征相似度最高且相似度大于相似度阈值的特征,得到第二特征,包括:
获取采集所述第一特征所对应的雷达点云时,车辆的里程计的里程值,得到对应于所述第一特征的第一里程值;
计算所述第一里程值与里程阈值的差值,得到第二里程值;
从历史的雷达点云的特征中确定候选特征,所述候选特征所对应的里程值小于所述第二里程值;
基于第一特征与候选特征的相似度,从候选特征中确定相似度最高的特征,得到所述第二特征。
3.根据权利要求1所述的方法,其特征在于,所述方法包括:
获取所述第一特征所对应的雷达点云的采集时刻,得到第一时刻;
获取所述第二特征所对应的雷达点云的采集时刻,得到第二时刻;
获取车辆在所述第一时刻的第一位姿以及所述车辆在所述第二时刻的第二位姿;
根据所述第一位姿和所述第二位姿,计算车辆的第一行驶距离值;
根据里程计确定所述第二时刻至所述第一时刻,车辆的第二行驶距离值;
在所述第一行驶距离值与所述第二行驶距离值的比值小于第一阈值或大于第二阈值时,删除所述回环对,所述第一阈值小于所述第二阈值。
4.根据权利要求1所述的方法,其特征在于,所述方法包括:
获取所述第一特征所对应的雷达点云的采集时刻,得到第一时刻;
确定所述车辆在所述第一时刻的第一高度信息;
获取所述第二特征所对应的雷达点云的采集时刻,得到第二时刻;
确定所述车辆在所述第二时刻的第二高度信息;
根据所述第一高度信息和所述第二高度信息计算车辆的高度偏差值;
在所述高度偏差值大于第三阈值的情况下,删除所述回环对。
5.根据权利要求1所述的方法,其特征在于,所述对已确定的回环对进行分类,包括:
基于回环对的确定时刻对已确定的回环对进行排序;
对排序相邻的两个回环对,根据里程计以及所述两个回环对的确定时刻确定所述两个回环对的距离差值;
在所述距离差值小于第六阈值的情况下,确定所述两个回环对为同一类回环对。
6.根据权利要求1至4中任一项所述的方法,其特征在于,所述雷达点云包括车辆雷达对车辆周围的多个区域采集到的多帧雷达点云,所述将所述雷达点云映射至车辆坐标系,包括:
将所述多帧雷达点云映射至车辆坐标系;
从所述车辆坐标系中确定雷达点云的异常点;
删除所述车辆坐标系中的所述异常点。
7.根据权利要求6所述的方法,其特征在于,从所述车辆坐标系中确定雷达点云的异常点包括,执行如下的一个或多个步骤:
从车辆坐标系中确定第一数据点,所述第一数据点与车辆之间的坐标距离大于第一距离阈值,所述异常点包括所述第一数据点;
从车辆坐标系中确定第二数据点,所述第二数据点与车辆之间的坐标距离小于第二距离阈值,所述异常点包括所述第二数据点,所述第二距离阈值小于所述第一距离阈值;
从车辆坐标系中确定高度坐标值低于高度阈值的第三数据点,所述异常点包括所述第三数据点。
8.根据权利要求1至4中任一项所述的方法,其特征在于,所述方法还包括:
获取所述车辆在第一时刻的位姿,得到第一位姿,所述第一时刻为所述第一特征所对应的雷达点云的采集时刻;
获取所述车辆在第二时刻的位姿,得到第二位姿,所述第二时刻为所述第二特征所对应的雷达点云的采集时刻;
计算所述第一位姿和所述第二位姿的相对位姿;
根据所述相对位姿对所述第一时刻与第二时刻之间的车辆轨迹进行修正。
9.一种回环检测装置,其特征在于,包括:
第一获取模块,被配置为获取车辆雷达对车辆周围环境采集得到的雷达点云;
坐标映射模块,被配置为将所述雷达点云映射至车辆坐标系,所述车辆坐标系包括多个子区域;
特征值确定模块,被配置为对于同一子区域,基于映射至所述子区域的雷达点云数据点的高度坐标值,将最大的高度坐标值作为所述子区域的特征值;
特征生成模块,被配置为根据多个子区域的特征值生成所述雷达点云的第一特征;
确定模块,被配置为从历史的雷达点云的特征中确定与所述第一特征相似度最高且相似度大于相似度阈值的特征,得到第二特征;
第一执行模块,被配置为将所述第一特征和所述第二特征作为回环对;
第二执行模块,被配置为对已确定的回环对进行分类,并对各类回环对执行如下操作:
对同一类回环对中的各个回环对,获取该回环对中的第一个特征所对应的雷达点云的采集时刻,得到第三时刻,并获取所述回环对中的第二个特征所对应的雷达点云的采集时刻,得到第四时刻;
根据里程计获取所述第三时刻与所述第四时刻之间,车辆的第三行驶距离值;
根据该类回环对中的各个回环对的第三行驶距离值确定第三行驶距离值的参照值;
从该类回环对中删除目标回环对,所述目标回环对的第三行驶距离值与所述参照值的比值小于第四阈值或大于第五阈值,所述第四阈值小于所述第五阈值。
10.一种回环检测装置,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行权利要求1至8中任一项所述方法的步骤。
11.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,该程序指令被处理器执行时实现权利要求1至8中任一项所述方法的步骤。
12.一种车辆,其特征在于,包括权利要求10所述的回环检测装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310637709.1A CN116358532B (zh) | 2023-05-31 | 2023-05-31 | 回环检测方法、装置、存储介质以及车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310637709.1A CN116358532B (zh) | 2023-05-31 | 2023-05-31 | 回环检测方法、装置、存储介质以及车辆 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116358532A CN116358532A (zh) | 2023-06-30 |
CN116358532B true CN116358532B (zh) | 2023-09-26 |
Family
ID=86909415
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310637709.1A Active CN116358532B (zh) | 2023-05-31 | 2023-05-31 | 回环检测方法、装置、存储介质以及车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116358532B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476305A (zh) * | 2020-04-10 | 2020-07-31 | 深圳前海达闼云端智能科技有限公司 | Slam闭环检测方法、装置、介质和设备 |
WO2022022256A1 (zh) * | 2020-07-31 | 2022-02-03 | 湖北亿咖通科技有限公司 | 回环检测方法及系统、可读存储介质、电子设备 |
CN114299386A (zh) * | 2021-12-17 | 2022-04-08 | 重庆大学 | 一种融合激光里程计和回环检测的激光slam方法 |
CN114332233A (zh) * | 2022-03-17 | 2022-04-12 | 北京理工大学 | 一种激光slam回环检测方法和系统 |
CN115047487A (zh) * | 2022-03-11 | 2022-09-13 | 武汉科技大学 | 基于点云强度与高度信息的回环检测方法及设备 |
CN115601434A (zh) * | 2022-12-12 | 2023-01-13 | 安徽蔚来智驾科技有限公司(Cn) | 回环检测方法、计算机设备、计算机可读存储介质及车辆 |
CN115880364A (zh) * | 2023-02-09 | 2023-03-31 | 广东技术师范大学 | 基于激光点云和视觉slam的机器人位姿估计方法 |
CN116086484A (zh) * | 2023-01-18 | 2023-05-09 | 中国科学院重庆绿色智能技术研究院 | 基于地平面约束和回环检测的激光雷达里程计算方法 |
-
2023
- 2023-05-31 CN CN202310637709.1A patent/CN116358532B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476305A (zh) * | 2020-04-10 | 2020-07-31 | 深圳前海达闼云端智能科技有限公司 | Slam闭环检测方法、装置、介质和设备 |
WO2022022256A1 (zh) * | 2020-07-31 | 2022-02-03 | 湖北亿咖通科技有限公司 | 回环检测方法及系统、可读存储介质、电子设备 |
CN114299386A (zh) * | 2021-12-17 | 2022-04-08 | 重庆大学 | 一种融合激光里程计和回环检测的激光slam方法 |
CN115047487A (zh) * | 2022-03-11 | 2022-09-13 | 武汉科技大学 | 基于点云强度与高度信息的回环检测方法及设备 |
CN114332233A (zh) * | 2022-03-17 | 2022-04-12 | 北京理工大学 | 一种激光slam回环检测方法和系统 |
CN115601434A (zh) * | 2022-12-12 | 2023-01-13 | 安徽蔚来智驾科技有限公司(Cn) | 回环检测方法、计算机设备、计算机可读存储介质及车辆 |
CN116086484A (zh) * | 2023-01-18 | 2023-05-09 | 中国科学院重庆绿色智能技术研究院 | 基于地平面约束和回环检测的激光雷达里程计算方法 |
CN115880364A (zh) * | 2023-02-09 | 2023-03-31 | 广东技术师范大学 | 基于激光点云和视觉slam的机器人位姿估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116358532A (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111709975A (zh) | 多目标跟踪方法、装置、电子设备及存储介质 | |
US20150104067A1 (en) | Method and apparatus for tracking object, and method for selecting tracking feature | |
US20210216906A1 (en) | Integrating simulated and real-world data to improve machine learning models | |
CN112949519B (zh) | 目标检测方法、装置、设备及存储介质 | |
CN116385529B (zh) | 确定减速带位置的方法、装置、存储介质以及车辆 | |
CN111192303B (zh) | 一种点云数据处理方法及装置 | |
CN113030990A (zh) | 车辆的融合测距方法、装置、测距设备及介质 | |
CN114972485A (zh) | 定位精度测试方法、设备、存储介质及程序产品 | |
CN111062970A (zh) | 一种基于热力图的轨迹生成方法及系统 | |
CN116358532B (zh) | 回环检测方法、装置、存储介质以及车辆 | |
CN116977671A (zh) | 基于图像空间定位的目标跟踪方法、装置、设备及存储介质 | |
CN116358573B (zh) | 地图建立方法、装置、存储介质以及车辆 | |
CN112734851B (zh) | 一种位姿确定的方法以及装置 | |
CN116358533B (zh) | 回环检测数据的处理方法、装置、存储介质以及车辆 | |
TWI719591B (zh) | 物件追蹤方法及其電腦系統 | |
US20210190502A1 (en) | Method and system for estimating the trajectory of an object on a map | |
CN116500565B (zh) | 自动驾驶感知检测能力的评测方法、装置及设备 | |
CN109583511B (zh) | 速度融合方法和装置 | |
CN113066100A (zh) | 目标跟踪方法、装置、设备及存储介质 | |
US20200184216A1 (en) | Machine continuous learning method of neural network object classifier and related monitoring camera apparatus | |
CN113048988A (zh) | 一种导航地图对应场景的变化元素检测方法及装置 | |
CN111881240B (zh) | 兴趣点采全率预测方法、装置、设备和可读存储介质 | |
CN116167252B (zh) | 雷达配置信息的确定方法、装置、设备及存储介质 | |
CN116067357A (zh) | 基于多源融合定位的高精度地图诊断与更新方法 | |
CN115168515A (zh) | 地图精度的控制方法、高精地图生成方法、装置及设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |