CN116434181A - 地面点检测方法、装置、电子设备和介质 - Google Patents
地面点检测方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN116434181A CN116434181A CN202211640797.2A CN202211640797A CN116434181A CN 116434181 A CN116434181 A CN 116434181A CN 202211640797 A CN202211640797 A CN 202211640797A CN 116434181 A CN116434181 A CN 116434181A
- Authority
- CN
- China
- Prior art keywords
- grid
- target
- ground
- point
- distance
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims description 54
- 238000002372 labelling Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 12
- 238000009499 grossing Methods 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 abstract description 10
- 238000012876 topography Methods 0.000 abstract description 4
- 230000011218 segmentation Effects 0.000 description 23
- 238000005516 engineering process Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 12
- 230000002159 abnormal effect Effects 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 7
- 230000000717 retained effect Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 241001464837 Viridiplantae Species 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本公开提供了一种地面点检测方法、装置、电子设备和介质,涉及自动驾驶、深度学习等领域。实现方案为:根据点云信息中的多个位置点中属于指定类别的第一位置点,构建目标地面,并将多个位置点投影至第一栅格图;根据投影至第一栅格图中的至少一个第一栅格的第二位置点与目标地面之间的距离,确定至少一个第一栅格对应的地面高度;根据多个位置点在雷达坐标系中设定坐标轴的取值与对应第一栅格的地面高度之间的差异,从多个位置点中确定地面点。由此,根据拟合的目标地面确定第一栅格图中每个栅格的地面高度,并根据每个栅格的地面高度,来针对性地检测对应栅格中的地面点,不仅可以提升地面点检测结果的准确性,还可以适用于地面地形复杂场景。
Description
技术领域
本公开涉及人工智能领域,具体涉及自动驾驶、深度学习等技术领域,尤其涉及地面点检测方法、装置、电子设备和介质。
背景技术
地面分割是将待测场景中的地面区域进行分割,或者将待测场景中的地面点进行检测的任务。地面分割的精度将直接影响障碍物检测、路径规划等任务的性能,因此,地面分割在自动驾驶领域中具有非常重要的作用。
相对于城市道路场景,地形复杂场景(比如矿山场景)中的地面道路较为复杂,不仅地面高度起伏变化强烈,而且地面道路上还可能存在各种土堆和坑洼等,如何实现在地形复杂场景中准确地检测出地面点,以提升地形复杂场景中的地面分割性能是非常重要的。
发明内容
本公开提供了一种用于地面点检测方法、装置、电子设备和介质。
根据本公开的一方面,提供了一种地面点检测方法,包括:
获取目标车辆的车载雷达采集的点云信息,并根据所述点云信息中的多个位置点中属于指定类别的第一位置点,构建目标地面;
将所述多个位置点投影至第一栅格图;其中,所述第一栅格图是对所述目标车辆对应的车辆坐标系进行栅格划分得到的;
根据投影至所述第一栅格图中的至少一个第一栅格的第二位置点与所述目标地面之间的距离,确定所述至少一个第一栅格对应的地面高度;
根据所述多个位置点在所述车载雷达的雷达坐标系中设定坐标轴的第一取值与对应投影至的第一栅格的地面高度之间的差异,从所述多个位置点中确定地面点。
根据本公开的另一方面,提供了一种地面点检测装置,包括:
获取模块,用于获取目标车辆的车载雷达采集的点云信息;
第一构建模块,用于根据所述点云信息中的多个位置点中属于指定类别的第一位置点,构建目标地面;
投影模块,用于将所述多个位置点投影至第一栅格图;其中,所述第一栅格图是对所述目标车辆对应的车辆坐标系进行栅格划分得到的;
第一确定模块,用于根据投影至所述第一栅格图中的至少一个第一栅格的第二位置点与所述目标地面之间的距离,确定所述至少一个第一栅格对应的地面高度;
第二确定模块,用于根据所述多个位置点在所述车载雷达的雷达坐标系中设定坐标轴的第一取值与对应投影至的第一栅格的地面高度之间的差异,从所述多个位置点中确定地面点。
根据本公开的又一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本公开上述一方面提出的地面点检测方法。
根据本公开的再一方面,提供了一种计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行本公开上述一方面提出的地面点检测方法。
根据本公开的还一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现本公开上述一方面提出的地面点检测方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1为本公开实施例一所提供的地面点检测方法的流程示意图;
图2为本公开实施例所提供的车辆坐标系示意图;
图3为本公开实施例二所提供的地面点检测方法的流程示意图;
图4为本公开实施例所提供的第二栅格图示意图;
图5为本公开实施例三所提供的地面点检测方法的流程示意图;
图6为本公开实施例四所提供的地面点检测方法的流程示意图;
图7为本公开实施例五所提供的地面点检测方法的流程示意图;
图8为本公开实施例六所提供的地面点检测方法的流程示意图;
图9为本公开实施例所提供的第一栅格图示意图;
图10为本公开实施例七所提供的地面点检测方法的流程示意图;
图11为本公开实施例八所提供的地面点检测装置的结构示意图;
图12示出了可以用来实施本公开的实施例的示例电子设备的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
目前,主流的地面分割方法主要包括以下两种:
第一种,基于相机的地面分割方法。
例如,可以采用单目相机或者双目相机采集图像数据,基于深度学习技术(例如语义分割网络模型等)根据图像数据中的纹理信息和颜色信息,完成地面分割任务。
第二种,基于激光雷达的地面分割方法。
例如,可以采用激光雷达采集点云数据,并使用诸如RANSAC(Random SampleConsensus,随机抽样一致)算法等根据点云数据,拟合平面或者分段拟合直线,来计算点云数据中的每个位置点的离地高度,从而根据每个位置点的离地高度,确定该位置点是否为地面点,即可完成地面点的检测。
然而,上述第一种基于图像数据来完成地面分割任务的方式,对光照条件和阴影较为敏感,在光照条件不佳的环境中,地面分割性能较差。
上述第二种基于点云数据完成地面分割任务的方式,较易受到异常点的影响,同时泛化性能较差,在地面高度起伏较大的场景中,地面分割性能较差。
针对上述存在的至少一项问题,本公开提出一种地面点检测方法、装置、电子设备和介质。
下面参考附图描述本公开实施例的地面点检测方法、装置、电子设备和介质。
图1为本公开实施例一所提供的地面点检测方法的流程示意图。
本公开实施例可以应用于服务端,或者也可以应用于任一电子设备中,以使该电子设备可以执行地面点检测功能。
其中,电子设备可以为任一具有计算能力的设备,例如可以为PC(PersonalComputer,个人电脑)、移动终端、服务器等,移动终端例如可以为车载设备、手机、平板电脑、个人数字助理、穿戴式设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。
如图1所示,该地面点检测方法可以包括以下步骤:
步骤101,获取目标车辆的车载雷达采集的点云信息,并根据点云信息中的多个位置点中属于指定类别的第一位置点,构建目标地面。
其中,指定类别为预先设定的类别,比如,指定类别可以为地面ground。
在示例实施例中,点云信息中可以包括至少一种类别的位置点,比如,点云信息中可以包括以下至少一种类别的位置点:空empty、地面ground、路沿curb、绿植vegetation、围栏fence、未知unknown、噪声noise等。
需要说明的是,上述各种类别仅是示例性说明,本公开并不限于此,实际应用时,还可以包括其他类别。
在示例实施例中,目标车辆可以为任意一个车辆,其中,对目标车辆的车辆类型不作限制。
在示例实施例中,可以通过目标车辆的车载雷达对目标车辆所处的待测场景进行探测,以得到点云信息(或称为点云数据),从而可以获取目标车辆的车载雷达采集的点云信息。并且,可以对点云信息中的多个位置点进行分类,得到多个位置点的类别,从而可以根据多个位置点的类别,从多个位置点中确定属于指定类别的第一位置点。
作为一种示例,可以采用深度学习技术,对点云信息中的多个位置点进行分类,得到多个位置点的类别。比如,可以采用点云语义分割模型(即基于语义分割的卷积神经网络模型,如CNN(Convolutional Neural Network,卷积神经网络)、CNNSeg(CNN-SegNet(一种语义分割网络))等)将点云信息中的多个位置点分割为多个分类标签(比如分割为空empty、地面ground、路沿curb、绿植vegetation、围栏fence、未知unknown、噪声noise这七类分类标签),从而可以根据多个位置点的分类标签,从多个位置点中挑选分类标签为ground的第一位置点。
在示例实施例中,可以根据点云信息中属于指定类别的第一位置点,构建待测场景对应的目标地面。比如,可以对各第一位置点进行平面或曲面拟合,以得到目标地面。
步骤102,将多个位置点投影至第一栅格图;其中,第一栅格图是对目标车辆对应的车辆坐标系进行栅格划分得到的。
在示例实施例中,车辆坐标系可以是根据目标车辆所处的位置和车身方向建立的。例如,车辆坐标系的原点为目标车辆所处的位置,车辆坐标系的横轴方向可以为目标车辆的横剖面上车尾指向车头的方向,车辆坐标系的纵轴位于目标车辆的横剖面上,且与横轴垂直。
作为一种示例,以目标车辆在某一时刻的位姿如图2所示进行示例,车辆坐标系的横轴(即x轴)和纵轴(即y轴)可以如图2所示。
在示例实施例中,第一栅格图可以是通过对车辆坐标系进行栅格划分得到的。
需要说明的是,当目标车辆所处的位置和/或姿态不同时,车辆坐标系是不同的,为了提升地面点检测结果的准确性和可靠性,在示例实施例中,可以获取点云信息的采集时刻(后续称为目标时刻),对根据目标车辆在目标时刻所处的位置和车身方向所建立的车辆坐标系进行栅格划分,得到第一栅格图。
在示例实施例中,可以将多个位置点投影至第一栅格图中。
作为一种示例,可以基于车载雷达对应的雷达坐标系与车辆坐标系之间的映射关系,将点云信息中的多个位置点投影至第一栅格图中。
步骤103,根据投影至第一栅格图中的至少一个第一栅格的第二位置点与目标地面之间的距离,确定至少一个第一栅格对应的地面高度。
在示例实施例中,针对第一栅格图中的任意一个栅格(本公开中记为第一栅格),可以计算投影至该第一栅格的位置点(本公开中记为第二位置点)与目标地面之间的距离,比如,可以根据第二位置点在雷达坐标系中的三维坐标,计算该第二位置点与根据三维空间中的第一位置点构建的目标地面之间的距离。从而可以根据该第一栅格中的第二位置点与目标地面之间的距离,确定该第一栅格对应的地面高度。
步骤104,根据多个位置点在车载雷达的雷达坐标系中设定坐标轴的第一取值与对应投影至的第一栅格的地面高度之间的差异,从多个位置点中确定地面点。
在示例实施例中,设定坐标轴可以为预先指定的坐标轴,比如,设定坐标轴可以为雷达坐标系的z轴。
在示例实施例中,针对多个位置点中的任意一个位置点,可以计算该位置点在雷达坐标系中设定坐标轴的第一取值,与该位置点投影至的第一栅格的地面高度之间的差异(比如差值、差值的绝对值),从而可以根据该位置点的差异,确定该位置点是否为地面点。比如,在该位置点的差异相对较小时,可以确定该位置点为地面点,而在该位置点的差异相对较大时,可以确定该位置点为非地面点。
本公开实施例的地面点检测方法,通过根据车载雷达采集的点云信息中的多个位置点中属于指定类别的第一位置点,构建目标地面,并将多个位置点投影至第一栅格图;其中,第一栅格图是对目标车辆对应的车辆坐标系进行栅格划分得到的;根据投影至第一栅格图中的至少一个第一栅格的第二位置点与目标地面之间的距离,确定至少一个第一栅格对应的地面高度;根据多个位置点在车载雷达的雷达坐标系中设定坐标轴的第一取值与对应投影至的第一栅格的地面高度之间的差异,从多个位置点中确定地面点。由此,根据点云信息中指定类别的位置点,拟合目标车辆所处场景的目标地面,该目标地面可为平面或曲面,相对于直线拟合方式,可以提升地面点检测结果的准确性。并且,根据拟合的目标地面确定第一栅格图中每个栅格的地面高度,并根据每个栅格的地面高度,来针对性地检测对应栅格中的地面点,不仅可以提升地面点检测结果的准确性,还可以适用于地面地形复杂场景(比如矿山场景),提升该方法的适用性。
需要说明的是,本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均在征得用户同意的前提下进行,并且均符合相关法律法规的规定,且不违背公序良俗。
为了清楚说明本公开任一实施例中是如何根据点云信息中的多个位置点中属于指定类别的第一位置点,构建目标地面的,本公开还提出一种地面点检测方法。
图3为本公开实施例二所提供的地面点检测方法的流程示意图。
如图3所示,该地面点检测方法可以包括以下步骤:
步骤301,获取目标车辆的车载雷达采集的点云信息。
步骤301的解释说明可以参见本公开任一实施例中的相关描述,在此不做赘述。
步骤302,将点云信息中属于指定类别的第一位置点投影至第二栅格图。
在示例实施例中,第二栅格图可以是通过对目标车辆对应的车辆坐标系进行栅格划分得到的。需要说明的是,当目标车辆所处的位置和/或姿态不同时,车辆坐标系是不同的,为了提升地面点检测结果的准确性和可靠性,在示例实施例中,可以对根据目标车辆在目标时刻所处的位置和车身方向所建立的车辆坐标系进行栅格划分,得到第二栅格图。
其中,第二栅格图中的第二栅格的形状与第一栅格的形状不同。
其中,前述实施例中对车辆坐标系的解释说明也适用于该实施例,在此不做赘述。
作为一种示例,以第二栅格的形状为矩形进行示例,第二栅格图又可以称为直角坐标栅格图。例如,第二栅格图可以如图4所示,其中,第二栅格图中第二栅格的尺寸为预先设置的。
在示例实施例中,可以将点云信息中属于指定类别的第一位置点投影至第二栅格图中。
作为一种示例,可以基于车载雷达对应的雷达坐标系与车辆坐标系之间的映射关系,将点云信息中的第一位置点投影至第二栅格图中。
步骤303,针对第二栅格图中的任一第二栅格,对投影至任一第二栅格中的第一位置点进行平面拟合,以得到任一第二栅格的局部平面。
在示例实施例中,针对第二栅格图中的任意一个第二栅格,可以对投影至该第二栅格中的第一位置点进行平面拟合,得到该第二栅格的局部平面。
作为一种示例,可以基于RANSAC算法对每个第二栅格中保留的第一位置点进行平面拟合,得到每个第二栅格的局部平面。
步骤304,根据第二栅格图中多个第二栅格的局部平面,构建目标地面。
在示例实施例中,可以根据第二栅格图中多个第二栅格的局部平面,构建目标地面。
作为一种示例,针对第二栅格图中的任意一个第二栅格,可以根据该第二栅格的邻域信息,对该第二栅格的局部平面进行平滑处理,以得到目标地面。
需要说明的是,实际应用时,可能存在某一个或某些第二栅格中未存在投影至的第一位置点的情况,此时,该第二栅格将不存在局部平面,因此,在示例实施例的一种可能的实现方式中,为了提升目标地面构建的有效性和准确性,针对上述空缺的第二栅格,可以采用临域插值方式,获得这些空缺的第二栅格的局部平面。
即在示例实施例中,可以判断第二栅格图中的多个第二栅格中是否存在空缺的第二栅格(本公开中记为第一目标栅格),其中,第一目标栅格中未存在投影至的第一位置点,在多个第二栅格中未存在第一目标栅格的情况下,可以对多个第二栅格的局部平面进行平滑处理,以得到目标地面。
而在多个第二栅格中存在第一目标栅格的情况下,可以根据第二栅格图中与第一目标栅格邻接的第二栅格(本公开中记为邻接栅格)的局部平面,生成第一目标栅格的局部平面。比如,可以根据邻接栅格的局部平面,采用插值方式,获取第一目标栅格的局部平面,从而可以得到每个第二栅格的局部平面,进而可以对多个第二栅格的局部平面进行平滑处理,以得到目标地面。
由此,在第二栅格图中存在空缺的第二栅格的情况下,采用邻域插值方式,获取这些空缺的第二栅格的局部平面,可以提升目标地面构建的有效性和准确性。
步骤305,将多个位置点投影至第一栅格图;其中,第一栅格图是对车辆坐标系进行栅格划分得到的。
步骤306,根据投影至第一栅格图中的至少一个第一栅格的第二位置点与目标地面之间的距离,确定至少一个第一栅格对应的地面高度。
步骤307,根据多个位置点在车载雷达的雷达坐标系中设定坐标轴的第一取值与对应投影至的第一栅格的地面高度之间的差异,从多个位置点中确定地面点。
步骤305至307的解释说明可以参见本公开任一实施例中的相关描述,在此不做赘述。
本公开实施例的地面点检测方法,可以实现通过对第二栅格进行平面拟合的方式,获取该第二栅格对应的局部平面,从而可以通过对多个第二栅格的局部平面进行平滑处理的方式,有效生成目标车辆所处场景的目标地面,提升目标地面生成的有效性和准确性。
为了清楚说明本公开任一实施例中是如何对投影至第二栅格中的第一位置点进行平面拟合,得到该第二栅格的局部平面的,本公开还提出一种地面点检测方法。
图5为本公开实施例三所提供的地面点检测方法的流程示意图。
如图5所示,该地面点检测方法可以包括以下步骤:
步骤501,获取目标车辆的车载雷达采集的点云信息。
步骤502,将点云信息中属于指定类别的第一位置点投影至第二栅格图,其中,第二栅格图是对车辆坐标系进行栅格划分得到的,第二栅格图中的第二栅格的形状与第一栅格的形状不同。
步骤501至502的解释说明可以参见本公开任一实施例中的相关描述,在此不做赘述。
步骤503,针对第二栅格图中的任一第二栅格,统计投影至任一第二栅格中的任一第一位置点与该任一第二栅格中除该任一第一位置点之外的其他位置点之间的第一距离。
其中,第一距离是根据该任一第一位置点和其他位置点在雷达坐标系中设定坐标轴的取值差异确定的。
在示例实施例中,可以依次遍历第二栅格图中每个第二栅格,针对当前遍历的第二栅格,可以遍历该第二栅格中的每个第一位置点,对于当前遍历的第一位置点,可以计算投影至该第二栅格中除该当前遍历的第一位置点之外的其他位置点与该当前遍历的第一位置点之间的距离(本公开中记为第一距离)。其中,第一距离是根据当前遍历的第一位置点和其他位置点在雷达坐标系中设定坐标轴的取值差异确定的。
作为一种示例,以设定坐标轴为z轴进行示例,假设第一位置点1在雷达坐标系中的坐标为(x1,y1,z1),第一位置点2在雷达坐标系中的坐标为(x2,y2,z2),则第一位置点1和第一位置点2之间的第一距离为:|z2-z1|。
步骤504,根据其他位置点与该任一第一位置点之间的第一距离,从其他位置点中确定目标位置点;其中,目标位置点与该任一第一位置点之间的第一距离大于设定的第一距离阈值。
其中,第一距离阈值为预先设定的距离阈值,比如,第一距离阈值可以为9cm(厘米)、10cm等等。
在示例实施例中,可以根据其他位置点与当前遍历的第一位置点之间的第一距离,从其他位置点中确定目标位置点,其中,目标位置点与当前遍历的第一位置点之间的第一距离大于第一距离阈值。
步骤505,在目标位置点的数量大于设定数量阈值的情况下,从该任一第二栅格中剔除该任一位置点。
其中,设定数量阈值为预先设定的数量阈值,比如,设定数量阈值可以为3个、4个、5个等等。
在示例实施例中,可以统计目标位置点的数量,在目标位置点的数量小于或者等于设定数量阈值的情况下,表明当前遍历的第一位置点与较多的位置点的距离相对较小,此时,该当前遍历的第一位置点不是异常点,可以继续遍历下一个第一位置点;而在目标位置点的数量大于设定数量阈值的情况下,表明当前遍历的第一位置点与较多的位置点的距离相对较大,此时,该当前遍历的第一位置点可能是异常点,即当前遍历的第一位置点不是地面点,因此,可以从当前遍历的第二栅格中,剔除该当前遍历的第一位置点。
步骤506,对该任一第二栅格中保留的各第一位置点进行平面拟合,以得到任一第二栅格的局部平面。
在示例实施例中,可以对当前遍历的第二栅格中保留的第一位置点进行平面拟合,以得到当前遍历的第二栅格的局部平面。
作为一种示例,可以基于RANSAC算法对当前遍历的第二栅格中保留的第一位置点进行平面拟合,得到该当前遍历的第二栅格的局部平面。
步骤507,根据第二栅格图中多个第二栅格的局部平面,构建目标地面。
步骤508,将多个位置点投影至第一栅格图;其中,第一栅格图是对目标车辆对应的车辆坐标系进行栅格划分得到的。
步骤509,根据投影至第一栅格图中的至少一个第一栅格的第二位置点与目标地面之间的距离,确定至少一个第一栅格对应的地面高度。
步骤510,根据多个位置点在车载雷达的雷达坐标系中设定坐标轴的第一取值与对应投影至的第一栅格的地面高度之间的差异,从多个位置点中确定地面点。
步骤507至510的解释说明可以参见本公开任一实施例中的相关描述,在此不做赘述。
本公开实施例的地面点检测方法,可以实现对每个第二栅格中异常的非地面点进行剔除,保留更为准确的地面点,从而基于更为准确的地面点,拟合局部地面信息,可以提升拟合结果的准确性和可靠性,进而提升后续地面点检测结果的准确性和可靠性。
为了清楚说明本公开任一实施例中是如何根据投影至第一栅格图中的至少一个第一栅格的第二位置点与目标地面之间的距离,确定至少一个第一栅格对应的地面高度的,本公开还提出一种地面点检测方法。
图6为本公开实施例四所提供的地面点检测方法的流程示意图。
如图6所示,该地面点检测方法可以包括以下步骤:
步骤601,获取目标车辆的车载雷达采集的点云信息,并根据点云信息中的多个位置点中属于指定类别的第一位置点,构建目标地面。
步骤602,将多个位置点投影至第一栅格图;其中,第一栅格图是对目标车辆对应的车辆坐标系进行栅格划分得到的。
步骤601至602的解释说明可以参见本公开任一实施例中的相关描述,在此不做赘述。
步骤603,根据投影至至少一个第一栅格中的各第二位置点与目标地面之间的距离,从至少一个第一栅格中确定第二目标栅格。
在示例实施例中,第二目标栅格为存在地面点的第一栅格。其中,第二目标栅格的个数可以为一个,或者也可以为多个,本公开对此并不做限制。
在示例实施例中,针对第一栅格图中的任意一个第一栅格,可以根据投影至该第一栅格中的第二位置点与目标地面之间的距离,来确定该第一栅格是否为第二目标栅格。
在示例实施例的一种可能的实现方式中,第二目标栅格的确定方式可以为:针对第一栅格图中的任意一个第一栅格,可以根据投影至该第一栅格中的各第二位置点在雷达坐标系中设定坐标轴的第二取值,从投影至该第一栅格中的各第二位置点中确定候选位置点,比如,候选位置点可以为第二取值最小的第二位置点。之后,可以计算候选位置点与目标地面之间的距离(本公开中记为第二距离),并判断第二距离是否小于设定的第二距离阈值,如果第二距离小于第二距离阈值,则表明该候选位置点可能为地面点,因此,可以将该第一栅格作为第二目标栅格,而如果第二距离大于或等于第二距离阈值,则表明该候选位置点为异常点,因此,可以不将该第二栅格作为第二目标栅格。
由此,可以实现根据各第一栅格中第二位置点与目标地面之间的距离,来从各第一栅格中准确地剔除存在异常点的第一栅格,以保留存在地面点的第二目标栅格,从而根据第二目标栅格中各第二位置点,确定第一栅格图中各第一栅格的地面高度,可以提升地面高度计算的准确性和可靠性。
步骤604,根据至少一个第二目标栅格中的第二位置点在雷达坐标系中设定坐标轴的第二取值,确定至少一个第一栅格的地面高度。
在示例实施例中,可以根据至少一个第二目标栅格中的第二位置点在雷达坐标系中设定坐标轴的第二取值,确定第一栅格图中各第一栅格的地面高度。
步骤605,根据多个位置点在车载雷达的雷达坐标系中设定坐标轴的第一取值与对应投影至的第一栅格的地面高度之间的差异,从多个位置点中确定地面点。
步骤605的解释说明可以参见本公开任一实施例中的相关描述,在此不做赘述。
在本公开的任意一个实施例之中,地面点的确定方式可以为:针对多个位置点中的任意一个位置点,可以计算该位置点在雷达坐标系中设定坐标轴的第一取值与该位置点投影至的第一栅格的地面高度之间的差异(比如差值、差值的绝对值等),其中,该差异还可以称为离地高度。之后,可以判断该位置点的差异是否小于设定差异阈值,其中,设定差异阈值为预先设定的取值较小的阈值。在该位置点的差异小于设定差异阈值的情况下,可以将该位置点作为地面点,而在该位置点的差异大于或等于设定差异阈值的情况下,可以将该位置点作为非地面点。
由此,可以实现基于位置点在雷达坐标系中设定坐标轴的取值与该位置点所在栅格的地面高度,来确定该位置点的离地高度,从而可以基于该位置点的离地高度,来确定该位置点是否为地面点,可以提升地面点检测结果的准确性。
本公开实施例的地面点检测方法,可以实现根据至少一个第一栅格中的各第二位置点与目标地面之间的距离,从至少一个第一栅格中剔除存在异常点的第一栅格,根据保留的各栅格中的第二位置点在雷达坐标系中设定坐标轴的第二取值,确定至少一个第一栅格的地面高度,可以避免异常点的影响,提升各第一栅格的地面高度计算结果的准确性和可靠性。
为了清楚说明本公开任一实施例中是如何根据至少一个第二目标栅格中的第二位置点在雷达坐标系中设定坐标轴的第二取值,确定至少一个第一栅格的地面高度的,本公开还提出一种地面点检测方法。
图7为本公开实施例五所提供的地面点检测方法的流程示意图。
如图7所示,该地面点检测方法可以包括以下步骤:
步骤701,获取目标车辆的车载雷达采集的点云信息,并根据点云信息中的多个位置点中属于指定类别的第一位置点,构建目标地面。
步骤702,将多个位置点投影至第一栅格图;其中,第一栅格图是对目标车辆对应的车辆坐标系进行栅格划分得到的。
步骤703,根据投影至至少一个第一栅格中的各第二位置点与目标地面之间的距离,从至少一个第一栅格中确定第二目标栅格,其中,第二目标栅格中存在与目标地面之间的距离小于设定的第二距离阈值的候选地面点。
步骤701至703的解释说明可以参见本公开任一实施例中的相关描述,在此不做赘述。
步骤704,确定至少一个第二目标栅格中的候选位置点与目标车辆之间的第三距离。
在示例实施例中,可以获取目标车辆在目标时刻(即点云信息的采集时刻)所处的位置,针对任意一个第二目标栅格,可以根据该第二目标栅格中候选位置点在雷达坐标系中的坐标位置和目标车辆在目标时刻所处的位置,计算该第二目标栅格中的候选位置点与目标车辆之间的距离(本公开中记为第三距离)。
步骤705,根据至少一个第二目标栅格中的候选位置点对应的第三距离及在雷达坐标系中设定坐标轴的第二取值,对高斯回归模型进行训练。
在示例实施例中,可以根据各第二目标栅格中的候选位置点的第三距离,以及各第二目标栅格中的候选位置点在雷达坐标系中设定坐标轴的第二取值,对高斯回归模型(或称为高斯过程模型)进行训练。
在示例实施例的一种可能的实现方式中,高斯回归模型的训练方式可以为:可以根据各第二目标栅格中的候选位置点对应的第三距离,生成第一训练样本,比如,第二目标栅格的个数为S个,第一训练样本标记为x1,则x1=[dis1,dist2,…,distS],其中,disti表示第i个第二目标栅格中的候选位置点对应的第三距离,i为不大于S的正整数。并且,可以根据各第二目标栅格中的候选位置点在雷达坐标系中设定坐标轴的第二取值,生成第一训练样本的第一标注信息(或称为标签值),比如,标记第一标注信息为y1,则y1=[z1,z2,…,zS],其中,zi表示第i个第二目标栅格中的候选位置点对应的第二取值,i为不大于S的正整数。
在示例实施例中,可以采用高斯回归模型根据第一训练样本,预测各第二目标栅格中的候选位置点在雷达坐标系中设定坐标轴的第三取值,以得到第一预测信息,比如,标记第一预测信息为y1’,则y1’=[z1’,z2’,…,zS’],其中,zi’表示高斯回归模型预测的第i个第二目标栅格中的候选位置点对应的第三取值。从而本示例中,可以根据第一预测信息和第一标注信息之间的差异,对高斯回归模型进行训练。
比如,可以根据第一预测信息和第一标注信息之间的差异,对高斯回归模型进行训练,以使上述差异最小化。
由此,根据目标车辆实际所处的场景中的候选位置点在雷达坐标系中设定坐标轴的取值,以及候选位置点与目标车辆之间的距离,对高斯回归模型进行训练,可以使得高斯回归模型的预测结果与目标车辆所处场景的实际路况匹配,提升第一栅格图中各栅格的地面高度的预测精度。
步骤706,采用经过训练的高斯回归模型根据至少一个第一栅格的中心点与目标车辆之间的第四距离,预测至少一个第一栅格的地面高度。
在示例实施例中,可以确定第一栅格图中各第一栅格的中心点与目标车辆之间的距离(本公开中记为第四距离)。比如,针对任意一个第一栅格,可以确定该第一栅格的中心点在车辆坐标系中的位置,根据该第一栅格的中心点在目标车辆的车辆坐标系中的位置,确定该第一栅格的中心点与目标车辆之间的第四距离。
在示例实施例中,可以采用经过训练的高斯回归模型根据第一栅格图中各第一栅格的中心点与目标车辆之间的第四距离,预测各第一栅格的地面高度。
作为一种示例,标记第一栅格的个数为L,可以采用经过训练的高斯回归模型根据[dis1’,dist2’,…,distL’],预测L个第一栅格的地面高度。例如,L个第一栅格的地面高度分别为[z1’,z2’,…,zL’]。
其中,distk’表示第k个第一栅格的中心点与目标车辆之间的第四距离,zk’表示第k个第一栅格的地面高度,k为不大于L的正整数。
步骤707,根据多个位置点在车载雷达的雷达坐标系中设定坐标轴的第一取值与对应投影至的第一栅格的地面高度之间的差异,从多个位置点中确定地面点。
步骤707的解释说明可以参见本公开任一实施例中的相关描述,在此不做赘述。
本公开实施例的地面点检测方法,基于机器学习技术,预测第一栅格图中各第一栅格的地面高度,可以提升预测结果的准确性。
为了清楚说明本公开任一实施例中是如何根据至少一个第二目标栅格中的候选位置点对应的第三距离及在雷达坐标系中设定坐标轴的第二取值,对高斯回归模型进行训练的,本公开还提出一种地面点检测方法。
图8为本公开实施例六所提供的地面点检测方法的流程示意图。
如图8所示,该地面点检测方法可以包括以下步骤:
步骤801,获取目标车辆的车载雷达采集的点云信息,并根据点云信息中的多个位置点中属于指定类别的第一位置点,构建目标地面。
步骤802,将多个位置点投影至第一栅格图;其中,第一栅格图是对目标车辆对应的车辆坐标系进行栅格划分得到的。
步骤801至802的解释说明可以参见本公开任一实施例中的相关描述,在此不做赘述。
在示例实施例的一种可能的实现方式中,第一栅格图中可以包括多个扇形区域,其中,每个扇形区域中可以包括多个栅格。
作为一种可能的实现方式,第一栅格图可以采用以下方式生成:以车辆坐标系的原点为圆心,并以设定长度为半径,构建目标圆形区域,其中,目标圆形区域可以位于目标车辆的横剖面上。之后,可以将目标圆形区域划分为第一数量的扇形区域,并将每个扇形区域划分为第二数量的第一栅格,从而可以将栅格划分后的目标圆形区域,作为第一栅格图(又称为极坐标栅格图)。
其中,第一数量和第二数量可以为根据经验值预先设定的,或者,第一数量和第二数量也可以根据点云信息中位置点的个数确定,其中,第一数量与位置点的个数呈正相关关系(即成正向关系),第二数量与位置点的个数也呈正相关关系(即成正向关系)。也就是说,位置点的个数越多,第二数量和第一数量的取值越大,反之,位置点的个数越少,第二数量和第一数量的取值越小。
作为一种示例,标记第一数量为M,第二数量为N,其中,M和N均为正整数,可以生成如图9所示的第一栅格图。例如,以目标车辆在目标时刻所处的位置为圆心,以给定的半径圈定一个圆形区域,随后,将圆形区域均分为M个扇形区域,之后,针对每个扇形区域,可以沿着半径方向以设定间隔对该扇形区域进行划分,得到N个栅格,最终,可以得到栅格数量为M*N的第一栅格图。
综上,第一栅格图中的第一栅格又可以为称为极坐标栅格,由于极坐标栅格具有以下优点:极坐标栅格与激光雷达物理模型更加契合;极坐标栅格不仅可以描述平坦地面,而且还可以很好地描述斜坡之类的地形,通过上述方式构建第一栅格图,可以提升后续地面点检测结果的准确性。
步骤803,根据投影至至少一个第一栅格中的各第二位置点与目标地面之间的距离,从至少一个第一栅格中确定第二目标栅格;其中,第二目标栅格中存在与目标地面之间的距离小于设定的第二距离阈值的候选地面点。
步骤804,确定至少一个第二目标栅格中的候选位置点与目标车辆之间的第三距离。
步骤803至804的解释说明可以参见本公开任一实施例中的相关描述,在此不做赘述。
步骤805,针对第一栅格图中的任一扇形区域,根据扇形区域中各第二目标栅格的候选位置点与目标车辆之间的第三距离,生成第二训练样本。
在示例实施例中,第一栅格图中的每个扇形区域对应有一个高斯回归模型,可以根据每个扇形区域中的候选位置点,对该扇形区域对应的高斯回归模型进行针对性训练。
首先,针对第一栅格图中的任意一个扇形区域,可以根据该扇形区域中各第二目标栅格的候选位置点与目标车辆之间的第三距离,生成第二训练样本。比如,标记该扇形区域中第二目标栅格的个数为R,第二训练样本为x2,则x2=[D1,D2,…,DR],其中,Dj表示该扇形区域中第j个第二目标栅格中的候选位置点对应的第三距离,j为不大于R的正整数。
步骤806,根据扇形区域中各第二目标栅格的候选位置点在雷达坐标系中设定坐标轴的第二取值,生成第二训练样本的第二标注信息。
在示例实施例中,可以根据该扇形区域中各第二目标栅格的候选位置点在雷达坐标系中设定坐标轴的第二取值,生成第二训练样本的第二标注信息。
比如,标记第二标注信息为y2,则y2=[Z1,Z2,…,ZR],其中,zj表示该扇形区域中第j个第二目标栅格中的候选位置点对应的第二取值,j为不大于R的正整数。
步骤807,采用扇形区域对应的高斯回归模型根据第二训练样本,预测扇形区域中各第二目标栅格的候选位置点在雷达坐标系中设定坐标轴的第四取值,以得到第二预测信息。
在示例实施例中,可以采用该扇形区域对应的高斯回归模型根据第二训练样本,预测该扇形区域中各第二目标栅格的候选位置点在雷达坐标系中设定坐标轴的第四取值,以得到第二预测信息。
比如,标记第二预测信息为y2’,则y2’=[Z1’,Z2’,…,ZR’],其中,Zj’表示高斯回归模型预测的该扇形区域中第j个第二目标栅格中的候选位置点对应的第四取值。
步骤808,根据第二预测信息和第二标注信息之间的差异,对扇形区域对应的高斯回归模型进行训练。
在示例实施例中,可以根据第二预测信息和第二标注信息之间的差异,对该扇形区域对应的高斯回归模型进行训练。
比如,可以根据第二预测信息和第二标注信息之间的差异,对该扇形区域对应的高斯回归模型进行训练,以使上述差异最小化。
步骤809,采用经过训练的高斯回归模型根据至少一个第一栅格的中心点与目标车辆之间的第四距离,预测至少一个第一栅格的地面高度。
在示例实施例的一种可能的实现方式中,可以采用每个扇形区域对应的高斯回归模型,对该扇形区域中的第一栅格的地面高度进行针对性预测。
作为一种示例,针对第一栅格图中的任意一个扇形区域,可以采用该扇形区域对应的经过训练的高斯回归模型根据该扇形区域中各第一栅格的中心点与目标车辆之间的第四距离,预测该扇形区域中各第一栅格的地面高度。
作为一种示例,标记该扇形区域中第一栅格的数量为T,可以采用该扇形区域对应的经过训练的高斯回归模型根据[D1’,D2’,…,DT’],预测该扇形区域中T个第一栅格的地面高度。例如,T个第一栅格的地面高度分别为[Z1’,Z2’,…,ZT’]。
其中,Dt’表示该扇形区域中第t个第一栅格的中心点与目标车辆之间的第四距离,Zt’表示该扇形区域中第t个第一栅格的地面高度,t为不大于T的正整数。
由此,可以实现基于每个扇形区域对应的高斯回归模型,对该扇形区域中的第一栅格的地面高度进行针对性预测,提升预测结果的准确性。
步骤810,根据多个位置点在车载雷达的雷达坐标系中设定坐标轴的第一取值与对应投影至的第一栅格的地面高度之间的差异,从多个位置点中确定地面点。
步骤810的解释说明可以参见本公开任一实施例中的相关描述,在此不做赘述。
本公开实施例的地面点检测方法,不仅可以实现通过训练一个通用的高斯回归模型预测所有栅格的地面高度,还可以实现针对每个扇形区域,针对性地训练一个高斯回归模型,来对该扇形区域中的各栅格的地面高度进行针对性的预测,一方面,可以提升预测结果的准确性,另一方面,可以提升该方法的灵活性和适用性。也就是说,考虑到路况复杂的场景中,不同区域的地面的平坦程度不同,因此,本公开中,对每个扇形区域对应的高斯回归模型进行针对性训练,可以提升预测结果的准确性。
在本公开的任意一个实施例之中,可以基于深度学习、点云分割和机器学习算法,对目标车辆所处的待测场景(比如地面地形复杂场景,如矿山场景)中的地面点进行准确检测,提升在地形复杂场景中的地面分割性能。
首先,可以使用深度学习技术,从激光雷达采集的点云信息中的各位置点中,确定候选的地面点(本公开中记为第一位置点),随后,可以使用RANSAC算法获得局部地面信息,根据局部地面信息,确定地面地形复杂场景对应的目标地面,并基于目标地面从点云信息中的大量位置点中筛选出正确的地面点,避免了异常点的影响,随后,可以使用筛选的地面点训练高斯回归模型,由高斯回归模型预测每个栅格的地面高度,进而根据每个栅格的地面高度对地面点进行分割。该地面分割方式具有较强的鲁棒性和泛化能力,能够准确地分割出不同场景中的地面点。
下面结合图10,对上述过程进行详细说明。
步骤1001,对点云信息中的所有位置点进行逐点分割。
可以采用点云语义分割模型(比如CNNSeg等)将点云信息中的各位置点分割为多个分类标签(比如空empty、地面ground、路沿curb、绿植vegetation、围栏fence、未知unknown、噪声noise这七类分类标签),并根据各位置点的分类标签,从各位置点中挑选分类标签为ground的候选的地面点(本公开中记为第一位置点)。
步骤1002,将各第一位置点投影至直角坐标栅格图(本公开中记为第二栅格图)中。
比如,如图4所示,可以以目标车辆为中心,构建直角坐标栅格图,并将步骤1001挑选的第一位置点投影至该直角坐标栅格图中。此时,第一位置点中仍然可能存在异常点(即非地面点),因此可以采用以下规则,对第一位置点进行筛选:
1)遍历直角坐标栅格图中的每个栅格;
2)对于当前遍历的栅格,遍历该栅格中的所有的第一位置点;
3)对于该栅格中的任意一个第一位置点,确定该栅格中与该第一位置点在雷达坐标系中Z轴的取值(后续简称为z值)之差大于第一距离阈值(比如10cm)的位置点,并统计满足上述条件的位置点的个数,如果个数小于或等于设定数量阈值(比如4个),则保留该第一位置点,否则,则从该栅格中剔除该第一位置点。原理为:一般情况下,地面点之间的z值之差较小,如果一个位置点与很多位置点的z值差距很大,则表明该位置点不是地面点。
步骤1003,根据每个栅格中保留的第一位置点进行平面拟合,得到局部地面(本公开中记为局部平面)。
经过筛选后,每个栅格中保留了更为准确的地面点,此时,可以使用RANSAC算法对每个栅格中保留的第一位置点进行平面拟合,得到一个局部平面或称为局部地面。为了提升拟合平面的准确性,此处没有使用所有的第一位置点拟合一个较大的目标地面,而是在每个小栅格中拟合一个局部目标地面。由于有些栅格中可能没有第一位置点落入其中,因此,可以采用临域插值方式,获得这些空缺栅格的局部平面。最后遍历每个栅格,使用临域信息进行平滑处理,得到待测场景的目标地面。
步骤1004,设置极坐标栅格图。
作为一种示例,可以设置如图9所示的极坐标栅格图。比如,以目标车辆所在位置为圆心,以给定的半径圈定一个圆形区域,随后,将圆形区域均分为M个扇形区域,之后,针对每个扇形区域,可以沿着半径方向划分N个栅格,最终可以得到栅格数量为M*N的极坐标栅格图。
步骤1005,将点云信息中的所有位置点投影至极坐标栅格图中。
对于极坐标栅格图中的其中一个栅格,如果有很多位置点落入至该栅格中,则仅保留这些位置点中z值最小的位置点(因为z值最小的位置点很有可能是地面点),之后,可以记录该保留的位置点距离车辆的距离dist以及z值。
步骤1006,对极坐标栅格图中每个栅格中保留的位置点进行筛选。
由于极坐标栅格图中的栅格中保留的位置点,仍然可能为异常点,因此,可以使用下述方式,对栅格中的位置点进行进一步筛选:
1)遍历极坐标栅格图中的每个栅格;
2)根据步骤1003中获得的目标地面,计算当前遍历的栅格中保留的位置点的离地高度;
3)如果该位置点的离地高度小于阈值(本公开中记为第二距离阈值),则保留该位置点,否则,则从当前遍历的栅格中剔除该位置点(删除后,当前遍历的栅格中不存在保留的位置点)。
步骤1007,高斯过程回归训练过程。
将各栅格中保留的位置点,作为高斯过程回归的训练点,在每个扇形区域计算一个高斯回归模型。其中,根据每个扇形区域中的各训练点,生成该扇形区域的训练样本x=[d1,d2,…,di,…],其中,di表示该扇形区域中第i个栅格中保留的位置点与目标车辆之间的距离(即第i个训练点与目标车辆之间的距离),训练样本的标签值为y=[z1,z2,…,zi,…],其中,zi表示该扇形区域中第i个栅格中保留的位置点的z值,可以将x和y输入高斯回归模型进行训练。
步骤1008,高斯过程回归预测过程。
可以创建测试数据集,例如,可以将扇形区域中每个栅格的中心与目标车辆之间的距离作为测试数据x*,即x*=[d1’,d2’,…,dj’,…],其中,distj’表示该扇形区域中第j个栅格的中心与目标车辆之间的距离。使用训练好的高斯回归模型预测y*=[z1’,z2’,…,zj’,…],其中,zj’代表第j个栅格的中心在雷达坐标系中的z值,随后,可以将该z值作为该栅格中所有地面点的z值(即地面高度)。
步骤1009,地面点分割。
遍历点云信息中的所有位置点,根据当前遍历的位置点的z值和该位置点所在栅格的z值,确定该位置点的离地高度height,如果height小于阈值(本公开中记为设定差异阈值),则认为该位置点为地面点,如果height大于或等于阈值,则认为该位置点是非地面点,此时地面分割完成。
综上,本公开所提供的地面点检测方法,可以应用于自动驾驶、移动机器人等领域,完成地面分割任务。相对于现有技术中采用分段直线拟合的方式获得每个位置点的地面高度,本公开中,使用深度学习技术获得候选的地面点,随后使用RANSAC算法拟合局部平面,使用该局部平面能够获得比直线拟合更加准确的地面点,极大地排除了异常点的影响,随后使用准确的地面点进行高斯过程回归,从而计算出每个位置点的离地高度,该方法具有很强的鲁棒性,能够适应矿山场景中复杂的地面环境。且,使用深度学习技术+RANSAC算法+阈值挑选出来的基本为正确的地面点,可以不用迭代,直接使用这些地面点来训练高斯回归模型,效率更高。
与上述图1至图10实施例提供的地面点检测方法相对应,本公开还提供一种地面点检测装置,由于本公开实施例提供的地面点检测装置与上述图1至图10实施例提供的地面点检测方法相对应,因此在地面点检测方法的实施方式也适用于本公开实施例提供的地面点检测装置,在本公开实施例中不再详细描述。
图11为本公开实施例八所提供的地面点检测装置的结构示意图。
如图11所示,该地面点检测装置1100可以包括:获取模块1101、第一构建模块1102、投影模块1103、第一确定模块1104以及第二确定模块1105。
其中,获取模块1101,用于获取目标车辆的车载雷达采集的点云信息。
第一构建模块1102,用于根据点云信息中的多个位置点中属于指定类别的第一位置点,构建目标地面。
投影模块1103,用于将多个位置点投影至第一栅格图;其中,第一栅格图是对目标车辆对应的车辆坐标系进行栅格划分得到的。
第一确定模块1104,用于根据投影至第一栅格图中的至少一个第一栅格的第二位置点与目标地面之间的距离,确定至少一个第一栅格对应的地面高度。
第二确定模块1105,用于根据多个位置点在车载雷达的雷达坐标系中设定坐标轴的第一取值与对应投影至的第一栅格的地面高度之间的差异,从多个位置点中确定地面点。
在本公开实施例的一种可能的实现方式中,第一构建模块1102,用于:将点云信息中属于指定类别的第一位置点投影至第二栅格图,其中,第二栅格图是对车辆坐标系进行栅格划分得到的,第二栅格图中的第二栅格的形状与第一栅格的形状不同;针对第二栅格图中的任一第二栅格,对投影至任一第二栅格中的第一位置点进行平面拟合,以得到任一第二栅格的局部平面;根据第二栅格图中多个第二栅格的局部平面,构建目标地面。
在本公开实施例的一种可能的实现方式中,第一构建模块1102,用于:针对第二栅格图中的任一第二栅格,统计投影至任一第二栅格中的任一第一位置点与任一第二栅格中除任一第一位置点之外的其他位置点之间的第一距离,其中,第一距离是根据任一第一位置点和其他位置点在雷达坐标系中设定坐标轴的取值差异确定的;根据其他位置点与任一第一位置点之间的第一距离,从其他位置点中确定目标位置点;其中,目标位置点与任一第一位置点之间的第一距离大于设定的第一距离阈值;在目标位置点的数量大于设定数量阈值的情况下,从任一第二栅格中剔除任一位置点;对任一第二栅格中保留的各第一位置点进行平面拟合,以得到任一第二栅格的局部平面。
在本公开实施例的一种可能的实现方式中,第一构建模块1102,用于:判断多个第二栅格中是否存在第一目标栅格,其中,第一目标栅格中未存在投影至的第一位置点;在多个第二栅格中存在第一目标栅格的情况下,根据第二栅格图中与第一目标栅格邻接的邻接栅格的局部平面,生成第一目标栅格的局部平面;对多个第二栅格的局部平面进行平滑处理,以得到目标地面。
在本公开实施例的一种可能的实现方式中,第一确定模块1104,用于:根据投影至至少一个第一栅格中的各第二位置点与目标地面之间的距离,从至少一个第一栅格中确定第二目标栅格;根据至少一个第二目标栅格中的第二位置点在雷达坐标系中设定坐标轴的第二取值,确定至少一个第一栅格的地面高度。
在本公开实施例的一种可能的实现方式中,第一确定模块1104,用于:针对第一栅格图中的任一第一栅格,根据投影至任一第一栅格中的各第二位置点在雷达坐标系中设定坐标轴的第二取值,从投影至任一第一栅格中的各第二位置点中确定候选位置点;确定候选位置点与目标地面之间的第二距离;在第二距离小于设定的第二距离阈值的情况下,将任一第一栅格作为第二目标栅格。
在本公开实施例的一种可能的实现方式中,第一确定模块1104,用于:确定至少一个第二目标栅格中的候选位置点与目标车辆之间的第三距离;根据至少一个第二目标栅格中的候选位置点对应的第三距离及在雷达坐标系中设定坐标轴的第二取值,对高斯回归模型进行训练;采用经过训练的高斯回归模型根据至少一个第一栅格的中心点与目标车辆之间的第四距离,预测至少一个第一栅格的地面高度。
在本公开实施例的一种可能的实现方式中,第一确定模块1104,用于:根据至少一个第二目标栅格中的候选位置点对应的第三距离,生成第一训练样本;根据至少一个第二目标栅格中的候选位置点在雷达坐标系中设定坐标轴的第二取值,生成第一训练样本的第一标注信息;采用高斯回归模型根据第一训练样本,预测至少一个第二目标栅格中的候选位置点在雷达坐标系中设定坐标轴的第三取值,以得到第一预测信息;根据第一预测信息和第一标注信息之间的差异,对高斯回归模型进行训练。
在本公开实施例的一种可能的实现方式中,第一栅格图可以采用以下模块生成:
第二构建模块,用于以车辆坐标系的原点为圆心,并以设定长度为半径,构建目标圆形区域。
第三确定模块,用于根据点云信息中位置点的个数,确定第一数量和第二数量。
第一划分模块,用于根据第一数量,将目标圆形区域划分为第一数量的扇形区域。
第二划分模块,用于针对任一扇形区域,根据第二数量,将扇形区域划分为第二数量的第一栅格。
处理模块,用于将栅格划分后的目标圆形区域,作为第一栅格图。
在本公开实施例的一种可能的实现方式中,第一确定模块1104,用于:针对第一栅格图中的任一扇形区域,根据扇形区域中各第二目标栅格的候选位置点与目标车辆之间的第三距离,生成第二训练样本;根据扇形区域中各第二目标栅格的候选位置点在雷达坐标系中设定坐标轴的第二取值,生成第二训练样本的第二标注信息;采用扇形区域对应的高斯回归模型根据第二训练样本,预测扇形区域中各第二目标栅格的候选位置点在雷达坐标系中设定坐标轴的第四取值,以得到第二预测信息;根据第二预测信息和第二标注信息之间的差异,对扇形区域对应的高斯回归模型进行训练。
在本公开实施例的一种可能的实现方式中,第一确定模块1104,用于:针对第一栅格图中的任一扇形区域,采用扇形区域对应的经过训练的高斯回归模型根据扇形区域中各第一栅格的中心点与目标车辆之间的第四距离,预测扇形区域中各第一栅格的地面高度。
在本公开实施例的一种可能的实现方式中,第二确定模块1105,用于:针对多个位置点中的任一位置点,确定任一位置点在雷达坐标系中设定坐标轴的第一取值与任一位置点投影至的第一栅格的地面高度之间的差异;在差异小于设定差异阈值的情况下,确定任一位置点为地面点;在差异大于或等于设定差异阈值的情况下,确定任一位置点不为地面点。
本公开实施例的地面点检测装置,通过根据车载雷达采集的点云信息中的多个位置点中属于指定类别的第一位置点,构建目标地面,并将多个位置点投影至第一栅格图;其中,第一栅格图是对目标车辆对应的车辆坐标系进行栅格划分得到的;根据投影至第一栅格图中的至少一个第一栅格的第二位置点与目标地面之间的距离,确定至少一个第一栅格对应的地面高度;根据多个位置点在车载雷达的雷达坐标系中设定坐标轴的第一取值与对应投影至的第一栅格的地面高度之间的差异,从多个位置点中确定地面点。由此,根据点云信息中指定类别的位置点,拟合目标车辆所处场景的目标地面,该目标地面可为平面或曲面,相对于直线拟合方式,可以提升地面点检测结果的准确性。并且,根据拟合的目标地面确定第一栅格图中每个栅格的地面高度,并根据每个栅格的地面高度,来针对性地检测对应栅格中的地面点,不仅可以提升地面点检测结果的准确性,还可以适用于地面地形复杂场景(比如矿山场景),提升该方法的适用性。
为了实现上述实施例,本公开还提供一种电子设备,该电子设备可以包括至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行本公开上述任一实施例提出的地面点检测方法。
为了实现上述实施例,本公开还提供一种存储有计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使计算机执行本公开上述任一实施例提出的地面点检测方法。
为了实现上述实施例,本公开还提供一种计算机程序产品,该计算机程序产品包括计算机程序,计算机程序在被处理器执行时实现本公开上述任一实施例提出的地面点检测方法。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图12示出了可以用来实施本公开的实施例的示例电子设备的示意性框图。其中,电子设备可以包括上述实施例中的服务端、客户端。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图12所示,电子设备1200包括计算单元1201,其可以根据存储在ROM(Read-OnlyMemory,只读存储器)1202中的计算机程序或者从存储单元1208加载到RAM(Random AccessMemory,随机访问/存取存储器)1203中的计算机程序,来执行各种适当的动作和处理。在RAM 1203中,还可存储电子设备1200操作所需的各种程序和数据。计算单元1201、ROM 1202以及RAM1203通过总线1204彼此相连。I/O(Input/Output,输入/输出)接口1205也连接至总线1204。
电子设备1200中的多个部件连接至I/O接口1205,包括:输入单元1206,例如键盘、鼠标等;输出单元1207,例如各种类型的显示器、扬声器等;存储单元1208,例如磁盘、光盘等;以及通信单元1209,例如网卡、调制解调器、无线通信收发机等。通信单元1209允许电子设备1200通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1201可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1201的一些示例包括但不限于CPU(Central Processing Unit,中央处理单元)、GPU(Graphic Processing Units,图形处理单元)、各种专用的AI(Artificial Intelligence,人工智能)计算芯片、各种运行机器学习模型算法的计算单元、DSP(Digital SignalProcessor,数字信号处理器)、以及任何适当的处理器、控制器、微控制器等。计算单元1201执行上文所描述的各个方法和处理,例如上述地面点检测方法。例如,在一些实施例中,上述地面点检测方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元1208。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1202和/或通信单元1209而被载入和/或安装到电子设备1200上。当计算机程序加载到RAM 1203并由计算单元1201执行时,可以执行上文描述的地面点检测方法的一个或多个步骤。备选地,在其他实施例中,计算单元1201可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行上述地面点检测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、FPGA(Field Programmable Gate Array,现场可编程门阵列)、ASIC(Application-Specific Integrated Circuit,专用集成电路)、ASSP(Application Specific StandardProduct,专用标准产品)、SOC(System On Chip,芯片上系统的系统)、CPLD(ComplexProgrammable Logic Device,复杂可编程逻辑设备)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、RAM、ROM、EPROM(Electrically Programmable Read-Only-Memory,可擦除可编程只读存储器)或快闪存储器、光纤、CD-ROM(Compact Disc Read-Only Memory,便捷式紧凑盘只读存储器)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(Cathode-Ray Tube,阴极射线管)或者LCD(Liquid Crystal Display,液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:LAN(LocalArea Network,局域网)、WAN(Wide Area Network,广域网)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务(VirtualPrivate Server,虚拟专用服务器)中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
其中,需要说明的是,人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
深度学习是机器学习领域中一个新的研究方向。它是学习样本数据的内在规律和表示层次,这些学习过程中获得的信息对诸如文字,图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力,能够识别文字、图像和声音等数据。
云计算(cloud computing),指的是通过网络接入弹性可扩展的共享物理或虚拟资源池,资源可以包括服务器、操作系统、网络、软件、应用和存储设备等,并可以以按需、自服务的方式对资源进行部署和管理的技术体系。通过云计算技术,可以为人工智能、区块链等技术应用、模型训练提供高效强大的数据处理能力。
根据本公开实施例的技术方案,通过根据车载雷达采集的点云信息中的多个位置点中属于指定类别的第一位置点,构建目标地面,并将多个位置点投影至第一栅格图;其中,第一栅格图是对目标车辆对应的车辆坐标系进行栅格划分得到的;根据投影至第一栅格图中的至少一个第一栅格的第二位置点与目标地面之间的距离,确定至少一个第一栅格对应的地面高度;根据多个位置点在车载雷达的雷达坐标系中设定坐标轴的第一取值与对应投影至的第一栅格的地面高度之间的差异,从多个位置点中确定地面点。由此,根据点云信息中指定类别的位置点,拟合目标车辆所处场景的目标地面,该目标地面可为平面或曲面,相对于直线拟合方式,可以提升地面点检测结果的准确性。并且,根据拟合的目标地面确定第一栅格图中每个栅格的地面高度,并根据每个栅格的地面高度,来针对性地检测对应栅格中的地面点,不仅可以提升地面点检测结果的准确性,还可以适用于地面地形复杂场景(比如矿山场景),提升该方法的适用性。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开提出的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (27)
1.一种地面点检测方法,所述方法包括:
获取目标车辆的车载雷达采集的点云信息,并根据所述点云信息中的多个位置点中属于指定类别的第一位置点,构建目标地面;
将所述多个位置点投影至第一栅格图;其中,所述第一栅格图是对所述目标车辆对应的车辆坐标系进行栅格划分得到的;
根据投影至所述第一栅格图中的至少一个第一栅格的第二位置点与所述目标地面之间的距离,确定所述至少一个第一栅格对应的地面高度;
根据所述多个位置点在所述车载雷达的雷达坐标系中设定坐标轴的第一取值与对应投影至的第一栅格的地面高度之间的差异,从所述多个位置点中确定地面点。
2.根据权利要求1所述的方法,其中,所述根据所述点云信息中的多个位置点中属于指定类别的第一位置点,构建目标地面,包括:
将所述点云信息中属于指定类别的第一位置点投影至第二栅格图,其中,所述第二栅格图是对所述车辆坐标系进行栅格划分得到的,所述第二栅格图中的第二栅格的形状与所述第一栅格的形状不同;
针对所述第二栅格图中的任一第二栅格,对投影至所述任一第二栅格中的第一位置点进行平面拟合,以得到所述任一第二栅格的局部平面;
根据所述第二栅格图中多个第二栅格的局部平面,构建所述目标地面。
3.根据权利要求2所述的方法,其中,所述针对所述第二栅格图中的任一第二栅格,对投影至所述任一第二栅格中的第一位置点进行平面拟合,以得到所述任一第二栅格的局部平面,包括:
针对所述第二栅格图中的任一第二栅格,统计投影至所述任一第二栅格中的任一第一位置点与所述任一第二栅格中除所述任一第一位置点之外的其他位置点之间的第一距离,其中,所述第一距离是根据所述任一第一位置点和所述其他位置点在雷达坐标系中设定坐标轴的取值差异确定的;
根据所述其他位置点与所述任一第一位置点之间的第一距离,从所述其他位置点中确定目标位置点;其中,所述目标位置点与所述任一第一位置点之间的第一距离大于设定的第一距离阈值;
在所述目标位置点的数量大于设定数量阈值的情况下,从所述任一第二栅格中剔除所述任一位置点;
对所述任一第二栅格中保留的各第一位置点进行平面拟合,以得到所述任一第二栅格的局部平面。
4.根据权利要求2所述的方法,其中,所述根据所述第二栅格图中多个第二栅格的局部平面,构建所述目标地面,包括:
判断所述多个第二栅格中是否存在第一目标栅格,其中,所述第一目标栅格中未存在投影至的第一位置点;
在所述多个第二栅格中存在所述第一目标栅格的情况下,根据所述第二栅格图中与所述第一目标栅格邻接的邻接栅格的局部平面,生成所述第一目标栅格的局部平面;
对所述多个第二栅格的局部平面进行平滑处理,以得到所述目标地面。
5.根据权利要求1所述的方法,其中,所述根据投影至所述第一栅格图中的至少一个第一栅格的第二位置点与所述目标地面之间的距离,确定所述至少一个第一栅格对应的地面高度,包括:
根据投影至所述至少一个第一栅格中的各第二位置点与所述目标地面之间的距离,从所述至少一个第一栅格中确定第二目标栅格;
根据至少一个所述第二目标栅格中的第二位置点在所述雷达坐标系中设定坐标轴的第二取值,确定所述至少一个第一栅格的地面高度。
6.根据权利要求5所述的方法,其中,所述根据投影至所述至少一个第一栅格中的各第二位置点与所述目标地面之间的距离,从所述至少一个第一栅格中确定第二目标栅格,包括:
针对所述第一栅格图中的任一第一栅格,根据投影至所述任一第一栅格中的各第二位置点在所述雷达坐标系中设定坐标轴的第二取值,从投影至所述任一第一栅格中的各第二位置点中确定候选位置点;
确定所述候选位置点与所述目标地面之间的第二距离;
在所述第二距离小于设定的第二距离阈值的情况下,将所述任一第一栅格作为所述第二目标栅格。
7.根据权利要求6所述的方法,其中,所述根据至少一个所述第二目标栅格中的第二位置点在所述雷达坐标系中设定坐标轴的第二取值,确定所述至少一个第一栅格的地面高度,包括:
确定至少一个所述第二目标栅格中的候选位置点与所述目标车辆之间的第三距离;
根据至少一个所述第二目标栅格中的候选位置点对应的第三距离及在所述雷达坐标系中设定坐标轴的第二取值,对高斯回归模型进行训练;
采用经过训练的所述高斯回归模型根据所述至少一个第一栅格的中心点与所述目标车辆之间的第四距离,预测所述至少一个第一栅格的地面高度。
8.根据权利要求7所述的方法,其中,所述根据至少一个所述第二目标栅格中的候选位置点对应的第三距离及在所述雷达坐标系中设定坐标轴的第二取值,对高斯回归模型进行训练,包括:
根据至少一个所述第二目标栅格中的候选位置点对应的第三距离,生成第一训练样本;
根据至少一个所述第二目标栅格中的候选位置点在所述雷达坐标系中设定坐标轴的第二取值,生成所述第一训练样本的第一标注信息;
采用高斯回归模型根据所述第一训练样本,预测至少一个所述第二目标栅格中的候选位置点在所述雷达坐标系中设定坐标轴的第三取值,以得到第一预测信息;
根据所述第一预测信息和所述第一标注信息之间的差异,对所述高斯回归模型进行训练。
9.根据权利要求7所述的方法,其中,所述第一栅格图采用以下步骤生成:
以所述车辆坐标系的原点为圆心,并以设定长度为半径,构建目标圆形区域;
根据所述点云信息中所述位置点的个数,确定第一数量和第二数量;
根据第一数量,将所述目标圆形区域划分为所述第一数量的扇形区域;
针对任一所述扇形区域,根据所述第二数量,将所述扇形区域划分为所述第二数量的第一栅格;
将栅格划分后的所述目标圆形区域,作为所述第一栅格图。
10.根据权利要求9所述的方法,其中,所述根据至少一个所述第二目标栅格中的候选位置点对应的第三距离及在所述雷达坐标系中设定坐标轴的第二取值,对高斯回归模型进行训练,包括:
针对所述第一栅格图中的任一所述扇形区域,根据所述扇形区域中各第二目标栅格的候选位置点与所述目标车辆之间的第三距离,生成第二训练样本;
根据所述扇形区域中各第二目标栅格的候选位置点在所述雷达坐标系中设定坐标轴的第二取值,生成所述第二训练样本的第二标注信息;
采用所述扇形区域对应的高斯回归模型根据所述第二训练样本,预测所述扇形区域中各第二目标栅格的候选位置点在所述雷达坐标系中设定坐标轴的第四取值,以得到第二预测信息;
根据所述第二预测信息和所述第二标注信息之间的差异,对所述扇形区域对应的高斯回归模型进行训练。
11.根据权利要求10所述的方法,其中,所述采用经过训练的所述高斯回归模型根据所述至少一个第一栅格的中心点与所述目标车辆之间的第四距离,预测所述至少一个第一栅格的地面高度,包括:
针对所述第一栅格图中的任一所述扇形区域,采用所述扇形区域对应的经过训练的高斯回归模型根据所述扇形区域中各所述第一栅格的中心点与所述目标车辆之间的第四距离,预测所述扇形区域中各所述第一栅格的地面高度。
12.根据权利要求1-11中任一项所述的方法,其中,所述根据所述多个位置点在所述车载雷达的雷达坐标系中设定坐标轴的第一取值与对应投影至的第一栅格的地面高度之间的差异,从所述多个位置点中确定地面点,包括:
针对所述多个位置点中的任一位置点,确定所述任一位置点在所述雷达坐标系中设定坐标轴的第一取值与所述任一位置点投影至的第一栅格的地面高度之间的差异;
在所述差异小于设定差异阈值的情况下,确定所述任一位置点为所述地面点;
在所述差异大于或等于所述设定差异阈值的情况下,确定所述任一位置点不为所述地面点。
13.一种地面点检测装置,所述装置包括:
获取模块,用于获取目标车辆的车载雷达采集的点云信息;
第一构建模块,用于根据所述点云信息中的多个位置点中属于指定类别的第一位置点,构建目标地面;
投影模块,用于将所述多个位置点投影至第一栅格图;其中,所述第一栅格图是对所述目标车辆对应的车辆坐标系进行栅格划分得到的;
第一确定模块,用于根据投影至所述第一栅格图中的至少一个第一栅格的第二位置点与所述目标地面之间的距离,确定所述至少一个第一栅格对应的地面高度;
第二确定模块,用于根据所述多个位置点在所述车载雷达的雷达坐标系中设定坐标轴的第一取值与对应投影至的第一栅格的地面高度之间的差异,从所述多个位置点中确定地面点。
14.根据权利要求13所述的装置,其中,所述第一构建模块,用于:
将所述点云信息中属于指定类别的第一位置点投影至第二栅格图,其中,所述第二栅格图是对所述车辆坐标系进行栅格划分得到的,所述第二栅格图中的第二栅格的形状与所述第一栅格的形状不同;
针对所述第二栅格图中的任一第二栅格,对投影至所述任一第二栅格中的第一位置点进行平面拟合,以得到所述任一第二栅格的局部平面;
根据所述第二栅格图中多个第二栅格的局部平面,构建所述目标地面。
15.根据权利要求14所述的装置,其中,所述第一构建模块,用于:
针对所述第二栅格图中的任一第二栅格,统计投影至所述任一第二栅格中的任一第一位置点与所述任一第二栅格中除所述任一第一位置点之外的其他位置点之间的第一距离,其中,所述第一距离是根据所述任一第一位置点和所述其他位置点在雷达坐标系中设定坐标轴的取值差异确定的;
根据所述其他位置点与所述任一第一位置点之间的第一距离,从所述其他位置点中确定目标位置点;其中,所述目标位置点与所述任一第一位置点之间的第一距离大于设定的第一距离阈值;
在所述目标位置点的数量大于设定数量阈值的情况下,从所述任一第二栅格中剔除所述任一位置点;
对所述任一第二栅格中保留的各第一位置点进行平面拟合,以得到所述任一第二栅格的局部平面。
16.根据权利要求14所述的装置,其中,所述第一构建模块,用于:
判断所述多个第二栅格中是否存在第一目标栅格,其中,所述第一目标栅格中未存在投影至的第一位置点;
在所述多个第二栅格中存在所述第一目标栅格的情况下,根据所述第二栅格图中与所述第一目标栅格邻接的邻接栅格的局部平面,生成所述第一目标栅格的局部平面;
对所述多个第二栅格的局部平面进行平滑处理,以得到所述目标地面。
17.根据权利要求13所述的装置,其中,所述第一确定模块,用于:
根据投影至所述至少一个第一栅格中的各第二位置点与所述目标地面之间的距离,从所述至少一个第一栅格中确定第二目标栅格;
根据至少一个所述第二目标栅格中的第二位置点在所述雷达坐标系中设定坐标轴的第二取值,确定所述至少一个第一栅格的地面高度。
18.根据权利要求17所述的装置,其中,所述第一确定模块,用于:
针对所述第一栅格图中的任一第一栅格,根据投影至所述任一第一栅格中的各第二位置点在所述雷达坐标系中设定坐标轴的第二取值,从投影至所述任一第一栅格中的各第二位置点中确定候选位置点;
确定所述候选位置点与所述目标地面之间的第二距离;
在所述第二距离小于设定的第二距离阈值的情况下,将所述任一第一栅格作为所述第二目标栅格。
19.根据权利要求18所述的装置,其中,所述第一确定模块,用于:
确定至少一个所述第二目标栅格中的候选位置点与所述目标车辆之间的第三距离;
根据至少一个所述第二目标栅格中的候选位置点对应的第三距离及在所述雷达坐标系中设定坐标轴的第二取值,对高斯回归模型进行训练;
采用经过训练的所述高斯回归模型根据所述至少一个第一栅格的中心点与所述目标车辆之间的第四距离,预测所述至少一个第一栅格的地面高度。
20.根据权利要求19所述的装置,其中,所述第一确定模块,用于:
根据至少一个所述第二目标栅格中的候选位置点对应的第三距离,生成第一训练样本;
根据至少一个所述第二目标栅格中的候选位置点在所述雷达坐标系中设定坐标轴的第二取值,生成所述第一训练样本的第一标注信息;
采用高斯回归模型根据所述第一训练样本,预测至少一个所述第二目标栅格中的候选位置点在所述雷达坐标系中设定坐标轴的第三取值,以得到第一预测信息;
根据所述第一预测信息和所述第一标注信息之间的差异,对所述高斯回归模型进行训练。
21.根据权利要求19所述的装置,其中,所述第一栅格图采用以下模块生成:
第二构建模块,用于以所述车辆坐标系的原点为圆心,并以设定长度为半径,构建目标圆形区域;
第三确定模块,用于根据所述点云信息中所述位置点的个数,确定第一数量和第二数量;
第一划分模块,用于根据第一数量,将所述目标圆形区域划分为所述第一数量的扇形区域;
第二划分模块,用于针对任一所述扇形区域,根据所述第二数量,将所述扇形区域划分为所述第二数量的第一栅格;
处理模块,用于将栅格划分后的所述目标圆形区域,作为所述第一栅格图。
22.根据权利要求21所述的装置,其中,所述第一确定模块,用于:
针对所述第一栅格图中的任一所述扇形区域,根据所述扇形区域中各第二目标栅格的候选位置点与所述目标车辆之间的第三距离,生成第二训练样本;
根据所述扇形区域中各第二目标栅格的候选位置点在所述雷达坐标系中设定坐标轴的第二取值,生成所述第二训练样本的第二标注信息;
采用所述扇形区域对应的高斯回归模型根据所述第二训练样本,预测所述扇形区域中各第二目标栅格的候选位置点在所述雷达坐标系中设定坐标轴的第四取值,以得到第二预测信息;
根据所述第二预测信息和所述第二标注信息之间的差异,对所述扇形区域对应的高斯回归模型进行训练。
23.根据权利要求22所述的装置,其中,所述第一确定模块,用于:
针对所述第一栅格图中的任一所述扇形区域,采用所述扇形区域对应的经过训练的高斯回归模型根据所述扇形区域中各所述第一栅格的中心点与所述目标车辆之间的第四距离,预测所述扇形区域中各所述第一栅格的地面高度。
24.根据权利要求13-23中任一项所述的装置,其中,所述第二确定模块,用于:
针对所述多个位置点中的任一位置点,确定所述任一位置点在所述雷达坐标系中设定坐标轴的第一取值与所述任一位置点投影至的第一栅格的地面高度之间的差异;
在所述差异小于设定差异阈值的情况下,确定所述任一位置点为所述地面点;
在所述差异大于或等于所述设定差异阈值的情况下,确定所述任一位置点不为所述地面点。
25.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-12中任一项所述的地面点检测方法。
26.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-12中任一项所述的地面点检测方法。
27.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-12中任一项所述地面点检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211640797.2A CN116434181A (zh) | 2022-12-16 | 2022-12-16 | 地面点检测方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211640797.2A CN116434181A (zh) | 2022-12-16 | 2022-12-16 | 地面点检测方法、装置、电子设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116434181A true CN116434181A (zh) | 2023-07-14 |
Family
ID=87084336
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211640797.2A Pending CN116434181A (zh) | 2022-12-16 | 2022-12-16 | 地面点检测方法、装置、电子设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116434181A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117629147A (zh) * | 2024-01-25 | 2024-03-01 | 北京易控智驾科技有限公司 | 一种障碍物的检测方法、云控平台及无人车 |
-
2022
- 2022-12-16 CN CN202211640797.2A patent/CN116434181A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117629147A (zh) * | 2024-01-25 | 2024-03-01 | 北京易控智驾科技有限公司 | 一种障碍物的检测方法、云控平台及无人车 |
CN117629147B (zh) * | 2024-01-25 | 2024-03-26 | 北京易控智驾科技有限公司 | 一种障碍物的检测方法、云控平台及无人车 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11709058B2 (en) | Path planning method and device and mobile device | |
US10885352B2 (en) | Method, apparatus, and device for determining lane line on road | |
CN110286387B (zh) | 应用于自动驾驶系统的障碍物检测方法、装置及存储介质 | |
CN111968229B (zh) | 高精度地图制图方法及装置 | |
CN108509820B (zh) | 障碍物分割方法及装置、计算机设备及可读介质 | |
CN113902897A (zh) | 目标检测模型的训练、目标检测方法、装置、设备和介质 | |
CN111695488A (zh) | 兴趣面识别方法、装置、设备以及存储介质 | |
CN113378760A (zh) | 训练目标检测模型和检测目标的方法及装置 | |
CN114488194A (zh) | 一种智能驾驶车辆结构化道路下目标检测识别方法 | |
CN114842450A (zh) | 一种可行驶区域检测方法、装置及设备 | |
CN113012176A (zh) | 样本图像的处理方法、装置、电子设备及存储介质 | |
CN114037966A (zh) | 高精地图特征提取方法、装置、介质及电子设备 | |
CN114186007A (zh) | 高精地图生成方法、装置、电子设备和存储介质 | |
CN115147809A (zh) | 一种障碍物检测方法、装置、设备以及存储介质 | |
CN113806464A (zh) | 路牙确定方法、装置、设备以及存储介质 | |
CN113298910A (zh) | 生成交通标志线地图的方法、设备和存储介质 | |
CN114443794A (zh) | 数据处理和地图更新方法、装置、设备以及存储介质 | |
CN115139303A (zh) | 一种栅格井盖检测方法、装置、设备及存储介质 | |
CN116434181A (zh) | 地面点检测方法、装置、电子设备和介质 | |
CN114387576A (zh) | 一种车道线识别方法、系统、介质、设备及信息处理终端 | |
CN113640810A (zh) | 空间车位检测方法、设备、存储介质和程序产品 | |
CN113742440A (zh) | 道路图像数据处理方法、装置、电子设备及云计算平台 | |
CN113591569A (zh) | 障碍物检测方法、装置、电子设备以及存储介质 | |
CN114581890B (zh) | 确定车道线的方法、装置、电子设备和存储介质 | |
CN113920273B (zh) | 图像处理方法、装置、电子设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |