CN116664658A - 一种障碍物检测方法、装置及终端设备 - Google Patents
一种障碍物检测方法、装置及终端设备 Download PDFInfo
- Publication number
- CN116664658A CN116664658A CN202310917141.9A CN202310917141A CN116664658A CN 116664658 A CN116664658 A CN 116664658A CN 202310917141 A CN202310917141 A CN 202310917141A CN 116664658 A CN116664658 A CN 116664658A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- data
- neural network
- network model
- training data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 156
- 238000003062 neural network model Methods 0.000 claims abstract description 104
- 238000000034 method Methods 0.000 claims abstract description 54
- 238000012549 training Methods 0.000 claims description 141
- 238000004590 computer program Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 abstract description 33
- 230000008569 process Effects 0.000 abstract description 13
- 238000004364 calculation method Methods 0.000 abstract description 6
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 238000004088 simulation Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000003672 processing method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000004888 barrier function Effects 0.000 description 3
- 238000007621 cluster analysis Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06V10/77—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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30261—Obstacle
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请适用于神经网络技术领域,提供了一种障碍物检测方法、装置及终端设备,方法包括:获取目标检测场景的目标点云数据,确定与目标点云数据对应的局部点云地图,将目标点云数据和局部点云地图输入至已训练基于差分的神经网络模型,得到已训练基于差分的神经网络模型输出的目标点云数据的障碍物检测结果。本申请基于已训练基于差分的神经网络模型对目标点云数据和局部点云地图进行差分处理,得到基于点云数据的高精度的障碍物检测结果,计算过程简单,提高了检测距离及障碍物识别的稳定性。
Description
技术领域
本申请属于神经网络技术领域,尤其涉及一种障碍物检测方法、装置及终端设备。
背景技术
随着智能驾驶技术的快速发展及日益增长的交通安全需求,交通行业内针对障碍物检测的要求越来越高,尤其是在轨道交通领域,因为其安全要求高,列车速度快,障碍物的检测距离和稳定性很难满足行业要求。
相关的障碍物检测方法通常以激光雷达为主传感器,利用激光点云数据不易受环境光照影响的特点,通常采用基于点云聚类分析的方法来识别车辆行驶轨道上的障碍物。
基于聚类分析的障碍物识别方法是指通过分析车辆行驶轨道面的拓扑结构,对背景激光点云进行过滤,对行驶轨道内的激光点云进行聚类分析,得到最终的障碍物检测结果。然而,上述方法依赖于稠密的激光点云数据,由于激光点云的密度随着距离的增加迅速下降,使得该算法的检测距离较短,难以满足高速行驶车辆对所在轨道内的障碍物识别要求。
发明内容
本申请实施例提供了一种障碍物检测方法、装置及终端设备,可以解决相关障碍物检测方法具有检测距离较短、无法准确识别障碍物的问题。
第一方面,本申请实施例提供了一种障碍物检测方法,包括:
获取目标检测场景的目标点云数据;
确定与所述目标点云数据对应的局部点云地图;
将所述目标点云数据和所述局部点云地图输入至已训练基于差分的神经网络模型,得到所述已训练基于差分的神经网络模型输出的障碍物检测结果;
其中,所述已训练差分的神经网络模型的训练方法包括:
获取样本检测场景的样本全局点云地图;
根据所述样本全局点云地图构建多个训练数据;其中,所述训练数据包括点云训练数据、与所述点云训练数据对应的局部点云训练数据以及与所述点云训练数据对应的标签信息;所述标签信息包括所述点云训练数据中的障碍物检测结果;
基于所述点云训练数据和所述局部点云训练数据对基于差分的神经网络模型进行训练,得到已训练基于差分的神经网络模型。
在一个实施例中,所述确定与所述目标点云数据对应的局部点云地图,包括:
确定所述目标点云数据的定位信息;
根据所述定位信息和预设区域范围确定与所述目标点云数据对应的局部点云地图。
在一个实施例中,所述根据所述样本全局点云地图构建多个训练数据,包括:
从所述样本全局点云地图中确定出待处理点云训练数据,以及与所述待处理点云训练数据对应的局部点云训练数据;
在所述待处理点云训练数据中仿真生成样本障碍物,并添加对应的标签信息,得到所述点云训练数据。
在一个实施例中,所述将所述目标点云数据和所述局部点云地图输入至已训练基于差分的神经网络模型,得到所述已训练基于差分的神经网络模型输出的障碍物检测结果之后,包括:
将所述障碍物检测结果与预设阈值进行比较,确定大于或等于所述预设阈值的障碍物检测结果为目标障碍物检测结果;其中,障碍物检测结果为所述目标点云数据为障碍物的概率。
在一个实施例中,基于差分的神经网络模型包括基于差分的孪生神经网络模型;所述将所述目标点云数据和所述局部点云地图输入至已训练基于差分的神经网络模型,得到所述已训练基于差分的神经网络模型输出的障碍物检测结果之前,还包括:
分别将所述目标点云数据和所述局部点云地图分别转换至激光雷达坐标系中,得到转换后的目标点云数据和转换后的局部点云地图;
对应的,所述将所述目标点云数据和所述局部点云地图输入至已训练基于差分的神经网络模型,得到所述已训练基于差分的神经网络模型输出的障碍物检测结果,包括:
将转换后的目标点云数据和转换后的局部点云地图分别输入至已训练基于差分的神经网络模型的两个输入端,得到所述已训练基于差分的神经网络模型输出的目标点云数据的障碍物检测结果。
本申请实施例通过获取目标检测场景的目标点云数据,确定与目标点云数据对应的局部点云地图,将目标点云数据和局部点云地图输入至已训练基于差分的神经网络模型,得到已训练基于差分的神经网络模型输出的障碍物检测结果。基于已训练基于差分的神经网络模型对目标点云数据和局部点云地图进行差分处理,得到基于点云数据的高精度的障碍物检测结果,计算过程简单,提高了检测距离及障碍物识别的稳定性。
第二方面,本申请实施例提供了一种障碍物检测装置,包括:
数据获取模块,用于获取目标检测场景的目标点云数据;
地图确定模块,用于确定与所述目标点云数据对应的局部点云地图;
障碍物检测结果确定模块,用于将所述目标点云数据和所述局部点云地图输入至已训练基于差分的神经网络模型,得到所述已训练基于差分的神经网络模型输出的障碍物检测结果;
其中,所述已训练差分的神经网络模型的训练方法包括:
获取样本检测场景的样本全局点云地图;
根据所述样本全局点云地图构建多个训练数据;其中,所述训练数据包括点云训练数据、与所述点云训练数据对应的局部点云训练数据以及与所述点云训练数据对应的标签信息;所述标签信息包括所述点云训练数据中的障碍物检测结果;
基于所述点云训练数据和所述局部点云训练数据对基于差分的神经网络模型进行训练,得到已训练基于差分的神经网络模型。
在一个实施例中,所述地图确定模块,包括:
信息确定单元,用于确定所述目标点云数据的定位信息;
地图确定单元,用于根据所述定位信息和预设区域范围确定与所述目标点云数据对应的局部点云地图。
在一个实施例中,所述训练数据构建模块,包括:
数据选取单元,用于从所述样本全局点云地图中确定出待处理点云训练数据,以及与所述待处理点云训练数据对应的局部点云训练数据;
仿真处理单元,用于在所述待处理点云训练数据中仿真生成样本障碍物,并添加对应的标签信息,得到所述点云训练数据。
在一个实施例中,所述装置还包括:
障碍物位置确定模块,用于将所述障碍物检测结果与预设阈值进行比较,确定大于或等于所述预设阈值的障碍物检测结果为目标障碍物检测结果;其中,障碍物检测结果为所述目标点云数据为障碍物的概率。
在一个实施例中,基于差分的神经网络模型包括基于差分的孪生神经网络模型;所述装置,还包括:
坐标转换模块,用于分别将所述目标点云数据和所述局部点云地图分别转换至激光雷达坐标系中,得到转换后的目标点云数据和转换后的局部点云地图;
对应的,所述障碍物检测结果确定模块具体用于将转换后的目标点云数据和转换后的局部点云地图分别输入至已训练基于差分的神经网络模型的两个输入端,得到所述已训练基于差分的神经网络模型输出的目标点云数据的障碍物检测结果。
第三方面,本申请实施例提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面任一所述的障碍物检测方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述第一方面任一所述的障碍物检测方法。
第五方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行上述第一方面中任一所述的障碍物检测方法。
可以理解的是,上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的障碍物检测方法的流程示意图;
图2是本申请实施例提供的障碍物检测方法步骤S102的流程示意图;
图3是本申请实施例提供的障碍物检测方法步骤S202的流程示意图;
图4是本申请实施例提供的障碍物检测装置的结构示意图;
图5是本申请实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
本申请实施例提供的障碍物检测方法可以应用于手机、平板电脑、车载设备、笔记本电脑等终端设备上,本申请实施例对终端设备的具体类型不作任何限制。
近年来,虽然智能驾驶技术已经实现了一定的发展,但是相关的障碍物检测方法存在过分依赖于稠密的激光点云数据,使得检测距离较短,难以满足高速行驶车辆对所在轨道内的障碍物识别要求等问题,在一定程度上导致了检测距离较短情况下无法准确实现障碍物识别。
为解决这一问题,本申请提出了一种障碍物检测方法、障碍物检测装置、终端设备及计算机可读存储介质,可在车辆高速行驶过程中,通过获取目标检测场景的目标点云数据,确定对应的局部点云地图,并输入至已训练基于差分的神经网络模型输入端中进行处理,得到利用已训练基于差分的神经网络模型输出的目标点云数据的障碍物检测结果,实现针对目标检测场景的高精度的障碍物检测操作,计算过程简单,提高了检测距离及障碍物识别的稳定性。
图1示出了本申请提供的障碍物检测方法的示意性流程图,作为示例而非限定,该方法可以应用于笔记本电脑中。
S101、获取目标检测场景的目标点云数据。
具体地,目标点云数据为需要执行障碍物检测处理的帧点云数据。预先在目标检测场景设置激光雷达,通过预先设置的激光雷达采集目标检测场景内的点云数据,确定其中需要执行障碍物检测处理的帧点云数据为目标点云数据。
例如,在自动驾驶领域,自动驾驶车辆需要实时对周围环境进行障碍物检测处理。相对应的,应以当前时刻下的当前帧点云数据为目标点云数据。
S102、确定与所述目标点云数据对应的局部点云地图。
具体地,为了准确对目标检测场景进行障碍物检测,需要预先采集目标检测场景内的连续的点云数据,以预先构建与目标检测场景对应的全局点云地图。以基于全局点云地图和目标点云数据的定位信息来确定与目标点云数据对应的局部点云地图。
需要说明的是,为了将目标点云帧和对应的局部点云地图适当对齐,设定从全局点云地图中选取与目标点云数据对应的局部点云地图。对应的,需要在采集到目标点云数据时,对目标点云数据进行定位处理,得到目标点云数据的定位信息,从而根据目标点云数据的定位信息,在全局点云地图中确定与目标点云数据对应的局部点云地图。
在一个实施例中,预先在目标检测场景设置视觉传感装置、车辆内部的定位传感装置等多种传感装置采集的传感数据,结合上述多种类型的传感数据及激光雷达采集的激光点云数据,通过即时定位与地图构建(Simultaneous Localization And Mapping,SLAM)算法,构建目标检测场景对应的全局点云地图。
S103、将所述目标点云数据和所述局部点云地图输入至已训练基于差分的神经网络模型,得到所述已训练基于差分的神经网络模型输出的障碍物检测结果。
具体地,基于差分的神经网络模型可采用常见的孪生神经网络模型结构、伪孪生神经网络结构或者单输入端的基于差分的神经网络模型中。孪生神经网络模型结构和伪孪生神经网络结构包括两个输入端,通过差分算法对两个输入端的数据进行差分处理,在局部点云地图中找出与目标点云数据不一样的数据,从而得到输出的目标点云数据在局部点云地图中的障碍物检测结果,并通过网络回归处理方法对障碍物检测结果进行回归处理,在局部点云地图中标识障碍物位置。
具体地,将目标点云数据输入到已训练基于差分的神经网络模型的第一输入端,将局部点云地图中的每个点云数据作为参考帧点云数据输入至已训练基于差分的神经网络模型的第二输入端,通过编码解码的语义分割结构对目标点云数据和局部点云地图进行分割处理,为提高分割精度,设定分别通过第一输入端对目标点云数据进行卷积处理,得到第一处理结果,通过第二输入端对局部点云地图进行卷积处理,得到第二处理结果,对第一处理结果和第二处理结果进行特征融合处理。再对语义分割结果进行差分处理,得到已训练基于差分的神经网络模型输出的目标点云数据的障碍物检测结果。
具体地,单输入端的基于差分的神经网络模型由于仅包括单个输入端,需要预先将两种输入数据进行叠加处理,将叠加处理后的输入数据直接输入至单输入端的基于差分的神经网络模型中进行处理,得到输出目标点云数据的障碍物检测结果。
通过预先构建的目标检测场景的全局点云地图,选取与目标点云数据对应的局部点云地图,减小了数据处理量,提高了针对目标点云数据进行障碍物检测的效率。
在一个实施例中,所述已训练差分的神经网络模型的训练方法包括:
S201、获取样本检测场景的样本全局点云地图;
S202、根据所述样本全局点云地图构建多个训练数据;其中,所述训练数据包括点云训练数据、与所述点云训练数据对应的局部点云训练数据以及与所述点云训练数据对应的标签信息;所述标签信息包括所述点云训练数据中的障碍物检测结果;
S203、基于所述点云训练数据和所述局部点云训练数据对基于差分的神经网络模型进行训练,得到已训练基于差分的神经网络模型。
具体地,通过采集样本检测场景的所有点云数据构建对应的样本全局点云地图,随机选取一个以上的帧点云数据作为待处理点云训练数据,在样本全局点云地图中得到与上述待处理点云训练数据对应的定位信息从而确定与每个点云训练数据对应的局部点云地图,并确定与每个待处理点云训练数据对应的局部点云地图中包含的所有点云数据,作为与待处理点云训练数据对应的局部点云训练数据,同时对每个待处理点云训练数据添加障碍物标签信息(障碍物标签信息包括待处理点云训练数据中的障碍物检测结果),得到对应的多个训练数据。分别将每个点云训练数据及与每个点云训练数据对应的局部点云训练数据输入至孪生差分网络模型中的两个输入端,对基于差分的神经网络模型进行训练,得到已训练基于差分的神经网络模型。
作为示例而非限定,为提高针对基于差分的神经网络模型的训练效率,可针对多个不同样本检测场景进行全局点云数据采集操作,对应构建多个样本全局点云地图;或者,通过对同一样本检测场景进行多次的全局点云数据采集操作,对应构建多个样本全局点云地图, 从而得到大量的训练数据,对应实现多次的基于差分的神经网络模型的训练任务。
通过采集样本检测场景的点云数据并对应构建多个点云训练数据和对应的局部点云训练数据,基于障碍物仿真生成处理方法对点云训练数据进行处理并确定与点云训练数据确定对应的障碍物标签信息,从而增加训练数据的数量和障碍物类型,对基于差分的神经网络模型进行多次训练,提高训练后的基于差分的神经网络模型的障碍物检测结果的稳定性。
现有的基于点云配准及差分网络的障碍物识别方法是指对目标点云数据与点云地图进行点云配准操作,得到行驶轨道的三维图像,通过网格化方法将当前帧和局部点云地图进行差分处理,得到障碍物点云,从而确定障碍物检测结果。该方法的识别精度易受到点云标定、地图构建及点云配准过程中的误差影响。而障碍物检测方法直接通过已训练基于差分的神经网络模型对目标点云数据和局部点云地图进行处理,可以避开多激光融合标定误差、地图构建的累计误差和点云配准计算误差的影响,提高了障碍物检测结果的稳定性。
在一个实施例中,基于差分的神经网络模型包括基于差分的孪生神经网络模型;在将所述目标点云数据和所述局部点云地图输入至已训练基于差分的神经网络模型,得到所述已训练基于差分的神经网络模型输出的障碍物检测结果之前,还包括:
分别将所述目标点云数据和所述局部点云地图分别转换至激光雷达坐标系中,得到转换后的目标点云数据和转换后的局部点云地图;
对应的,所述将所述目标点云数据和所述局部点云地图输入至已训练基于差分的神经网络模型,得到所述已训练基于差分的神经网络模型输出的障碍物检测结果,包括:
将转换后的目标点云数据和转换后的局部点云地图分别输入至已训练基于差分的神经网络模型的两个输入端,得到所述已训练基于差分的神经网络模型输出的目标点云数据的障碍物检测结果。
具体地,为提高障碍物检测效率,设定将目标点云数据与局部点云地图转换到统一坐标系下(具体设定为激光雷达坐标系)得到在统一的激光雷达坐标系下转换后的目标点云数据和转换后的局部点云地图,对应的,将转换后的目标点云数据输入到已训练基于差分的神经网络模型的第一输入端,将转换后的局部点云地图中的每个点云数据作为参考帧点云数据输入至已训练基于差分的神经网络模型的第二输入端,从而得到已训练基于差分的神经网络模型输出的目标点云数据的障碍物检测结果。
如图2所示,在一个实施例中,所述确定与所述目标点云数据对应的局部点云地图的步骤S102,包括:
S1021、确定所述目标点云数据的定位信息;
S1022、根据所述定位信息和预设区域范围确定与所述目标点云数据对应的局部点云地图。
具体地,预设区域范围可根据实际情况进行具体设定,例如,设定预设区域范围为形状为圆形的局部点云地图的半径;或者,设定预设区域范围为形状为矩形的局部点云地图的边长;还或者,设定预设区域范围为包含目标点云数据的特定区域。通过即时定位与地图构建算法对目标点云数据进行定位,得到目标点云数据的定位信息。在目标检测场景的全局点云地图中,确定包含目标点云数据的与预设区域范围对应的区域点云地图,作为与目标点云数据对应的局部点云地图。
在一个实施例中,在通过根据所述样本全局点云地图构建多个训练数据之后,还包括:
分别对点云训练数据和局部点云训练数据进行旋转平移处理,将旋转平移处理后的点云训练数据和旋转平移处理后的局部点云训练数据,并分别输入至基于差分的神经网络模型中的两个输入端进行训练,得到已训练基于差分的神经网络模型,使得已训练基于差分的神经网络模型降低点云数据定位精度的要求,从而在检测距离较短的情况下,保证障碍物检测结果的稳定性。
如图3所示,在一个实施例中,所述根据所述样本全局点云地图构建多个训练数据的步骤S202,包括:
S2021、从所述样本全局点云地图中确定出待处理点云训练数据,以及与所述待处理点云训练数据对应的局部点云训练数据;
S2022、在所述待处理点云训练数据中仿真生成样本障碍物,并添加对应的标签信息,得到所述点云训练数据。
具体地,随机选取一个以上的帧点云数据作为待处理点云训练数据,针对每个待处理点云训练数据,在样本全局点云地图中与待处理点云训练数据进行匹配,得到与上述待处理点云训练数据对应的定位信息,分别根据每个待处理点云训练数据和预设区域范围来确定,与每个待处理点云训练数据对应的局部点云训练数据。针对每个待处理点云训练数据进行样本的障碍物仿真生成处理,并添加对应的标签信息,对应得到一个以上的点云训练数据,以及与每个点云训练数据对应的局部点云训练数据。
例如,针对待处理点云训练数据通过障碍物仿真生成处理方法构建类型为“岩石”的障碍物模型,对应将该待处理点云训练数据设置为“1”,未通过障碍物仿真生成处理方法处理的样本全局点云地图中其它点云数据设置为“0”,得到点云训练数据。
通过障碍物仿真生成处理方法创建障碍物点云数据,并添加对应的标签,能够快速大量生成对应的训练数据,无需依赖于人工操作,提高了模型训练操作的效率和稳定性。
在一个实施例中,所述将所述目标点云数据和所述局部点云地图输入至已训练基于差分的神经网络模型,得到所述已训练基于差分的神经网络模型输出的障碍物检测结果之后,包括:
将所述障碍物检测结果与预设阈值进行比较,确定大于或等于所述预设阈值的障碍物检测结果为目标障碍物检测结果;其中,障碍物检测结果为所述目标点云数据为障碍物的概率。
具体地,将障碍物检测结果与预先设定的预设阈值进行比较,确定小于预设阈值的障碍物检测结果所对应的目标点云数据为非障碍物点云数据(即上述目标点云数据为轨道内的点云数据,如车辆点云数据或轨道地面点云数据)。将大于或等于预设阈值的障碍物检测结果确定为目标障碍物检测结果,确定与目标障碍物检测结果所对应的目标点云数据为障碍物点云数据,根据障碍物点云数据的定位信息,在目标检测场景的全局点云地图中标识对应的障碍物位置。其中,预设阈值为用于衡量点云数据是否为障碍物点云数据的标准值,其可根据实际需求进行具体设定,在本实施例中不做具体限定。
本实施例通过获取目标检测场景的目标点云数据,确定与目标点云数据对应的局部点云地图,将目标点云数据和局部点云地图输入至已训练基于差分的神经网络模型,得到已训练基于差分的神经网络模型输出的障碍物检测结果。基于已训练基于差分的神经网络模型对目标点云数据和局部点云地图进行差分处理,得到基于点云数据的高精度的障碍物检测结果,计算过程简单,提高了检测距离及障碍物识别的稳定性。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的障碍物检测方法,图4示出了本申请实施例提供的障碍物检测装置的结构框图,为了便于说明,仅示出了与本申请实施例相关的部分。
参照图4,该障碍物检测装置100包括:
数据获取模块101,用于获取目标检测场景的目标点云数据;
地图确定模块102,用于确定与所述目标点云数据对应的局部点云地图;
障碍物检测结果确定模块103,用于将所述目标点云数据和所述局部点云地图输入至已训练基于差分的神经网络模型,得到所述已训练基于差分的神经网络模型输出的障碍物检测结果;
其中,所述已训练差分的神经网络模型的训练方法包括:
获取样本检测场景的样本全局点云地图;
根据所述样本全局点云地图构建多个训练数据;其中,所述训练数据包括点云训练数据、与所述点云训练数据对应的局部点云训练数据以及与所述点云训练数据对应的标签信息;所述标签信息包括所述点云训练数据中的障碍物检测结果;
基于所述点云训练数据和所述局部点云训练数据对基于差分的神经网络模型进行训练,得到已训练基于差分的神经网络模型。
在一个实施例中,所述地图确定模块,包括:
信息确定单元,用于确定所述目标点云数据的定位信息;
地图确定单元,用于根据所述定位信息和预设区域范围确定与所述目标点云数据对应的局部点云地图。
在一个实施例中,所述训练数据构建模块,包括:
数据选取单元,用于从所述样本全局点云地图中确定出待处理点云训练数据,以及与所述待处理点云训练数据对应的局部点云训练数据;
仿真处理单元,用于在所述待处理点云训练数据中仿真生成样本障碍物,并添加对应的标签信息,得到所述点云训练数据。
在一个实施例中,所述装置还包括:
障碍物位置确定模块,用于将所述障碍物检测结果与预设阈值进行比较,确定大于或等于所述预设阈值的障碍物检测结果为目标障碍物检测结果;其中,障碍物检测结果为所述目标点云数据为障碍物的概率。
在一个实施例中,基于差分的神经网络模型包括基于差分的孪生神经网络模型;所述装置,还包括:
坐标转换模块,用于分别将所述目标点云数据和所述局部点云地图分别转换至激光雷达坐标系中,得到转换后的目标点云数据和转换后的局部点云地图;
对应的,所述障碍物检测结果确定模块具体用于将转换后的目标点云数据和转换后的局部点云地图分别输入至已训练基于差分的神经网络模型的两个输入端,得到所述已训练基于差分的神经网络模型输出的目标点云数据的障碍物检测结果。
本实施例通过获取目标检测场景的目标点云数据,确定与目标点云数据对应的局部点云地图,将目标点云数据和局部点云地图输入至已训练基于差分的神经网络模型,得到已训练基于差分的神经网络模型输出的障碍物检测结果。基于已训练基于差分的神经网络模型对目标点云数据和局部点云地图进行差分处理,得到基于点云数据的高精度的障碍物检测结果,计算过程简单,提高了检测距离及障碍物识别的稳定性。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
图5为本实施例提供的终端设备的结构示意图。如图5所示,该实施例的终端设备5包括:至少一个处理器50(图5中仅示出一个)、存储器51以及存储在所述存储器51中并可在所述至少一个处理器50上运行的计算机程序52,所述处理器50执行所述计算机程序52时实现上述任意各个障碍物检测方法实施例中的步骤。
所述终端设备5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括,但不仅限于,处理器50、存储器51。本领域技术人员可以理解,图5仅仅是终端设备5的举例,并不构成对终端设备5的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备等。
所称处理器50可以是中央处理单元(Central Processing Unit,CPU),该处理器50还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路 (Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器51在一些实施例中可以是所述终端设备5的内部存储单元,例如终端设备5的硬盘或内存。所述存储器51在另一些实施例中也可以是所述终端设备5的外部存储设备,例如所述终端设备5上配备的插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器51还可以既包括所述终端设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在移动终端上运行时,使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/网络设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/网络设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (9)
1.一种障碍物检测方法,其特征在于,包括:
获取目标检测场景的目标点云数据;
确定与所述目标点云数据对应的局部点云地图;
将所述目标点云数据和所述局部点云地图输入至已训练基于差分的神经网络模型,得到所述已训练基于差分的神经网络模型输出的障碍物检测结果;
其中,所述已训练差分的神经网络模型的训练方法包括:
获取样本检测场景的样本全局点云地图;
根据所述样本全局点云地图构建多个训练数据;其中,所述训练数据包括点云训练数据、与所述点云训练数据对应的局部点云训练数据以及与所述点云训练数据对应的标签信息;所述标签信息包括所述点云训练数据中的障碍物检测结果;
基于所述点云训练数据和所述局部点云训练数据对基于差分的神经网络模型进行训练,得到已训练基于差分的神经网络模型。
2.如权利要求1所述的障碍物检测方法,其特征在于,所述确定与所述目标点云数据对应的局部点云地图,包括:
确定所述目标点云数据的定位信息;
根据所述定位信息和预设区域范围确定与所述目标点云数据对应的局部点云地图。
3.如权利要求1所述的障碍物检测方法,其特征在于,所述根据所述样本全局点云地图构建多个训练数据,包括:
从所述样本全局点云地图中确定出待处理点云训练数据,以及与所述待处理点云训练数据对应的局部点云训练数据;
在所述待处理点云训练数据中仿真生成样本障碍物,并添加对应的标签信息,得到所述点云训练数据。
4.如权利要求3所述的障碍物检测方法,其特征在于,所述将所述目标点云数据和所述局部点云地图输入至已训练基于差分的神经网络模型,得到所述已训练基于差分的神经网络模型输出的障碍物检测结果之后,包括:
将所述障碍物检测结果与预设阈值进行比较,确定大于或等于所述预设阈值的障碍物检测结果为目标障碍物检测结果;其中,障碍物检测结果为所述目标点云数据为障碍物的概率。
5.如权利要求1至4任一项所述的障碍物检测方法,其特征在于,基于差分的神经网络模型包括基于差分的孪生神经网络模型;所述将所述目标点云数据和所述局部点云地图输入至已训练基于差分的神经网络模型,得到所述已训练基于差分的神经网络模型输出的障碍物检测结果之前,还包括:
分别将所述目标点云数据和所述局部点云地图分别转换至激光雷达坐标系中,得到转换后的目标点云数据和转换后的局部点云地图;
对应的,所述将所述目标点云数据和所述局部点云地图输入至已训练基于差分的神经网络模型,得到所述已训练基于差分的神经网络模型输出的障碍物检测结果,包括:
将转换后的目标点云数据和转换后的局部点云地图分别输入至已训练基于差分的神经网络模型的两个输入端,得到所述已训练基于差分的神经网络模型输出的目标点云数据的障碍物检测结果。
6.一种障碍物检测装置,其特征在于,包括:
数据获取模块,用于获取目标检测场景的目标点云数据;
地图确定模块,用于确定与所述目标点云数据对应的局部点云地图;
障碍物检测结果确定模块,用于将所述目标点云数据和所述局部点云地图输入至已训练基于差分的神经网络模型,得到所述已训练基于差分的神经网络模型输出的障碍物检测结果;
其中,所述已训练差分的神经网络模型的训练方法包括:
获取样本检测场景的样本全局点云地图;
根据所述样本全局点云地图构建多个训练数据;其中,所述训练数据包括点云训练数据、与所述点云训练数据对应的局部点云训练数据以及与所述点云训练数据对应的标签信息;所述标签信息包括所述点云训练数据中的障碍物检测结果;
基于所述点云训练数据和所述局部点云训练数据对基于差分的神经网络模型进行训练,得到已训练基于差分的神经网络模型。
7.如权利要求6所述的障碍物检测装置,其特征在于,所述地图确定模块,包括:
信息确定单元,用于确定所述目标点云数据的定位信息;
地图确定单元,用于根据所述定位信息和预设区域范围确定与所述目标点云数据对应的局部点云地图。
8.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的方法。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310917141.9A CN116664658B (zh) | 2023-07-25 | 2023-07-25 | 一种障碍物检测方法、装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310917141.9A CN116664658B (zh) | 2023-07-25 | 2023-07-25 | 一种障碍物检测方法、装置及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116664658A true CN116664658A (zh) | 2023-08-29 |
CN116664658B CN116664658B (zh) | 2024-01-05 |
Family
ID=87715601
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310917141.9A Active CN116664658B (zh) | 2023-07-25 | 2023-07-25 | 一种障碍物检测方法、装置及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116664658B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112949366A (zh) * | 2020-04-01 | 2021-06-11 | 北京京东乾石科技有限公司 | 障碍物识别方法和装置 |
CN113468941A (zh) * | 2021-03-11 | 2021-10-01 | 长沙智能驾驶研究院有限公司 | 障碍物检测方法、装置、设备及计算机存储介质 |
CN113496163A (zh) * | 2020-04-01 | 2021-10-12 | 北京京东乾石科技有限公司 | 障碍物识别方法和装置 |
US20220277470A1 (en) * | 2021-02-26 | 2022-09-01 | Beijing Smarter Eye Technology Co. Ltd. | Method and system for detecting long-distance target through binocular camera, and intelligent terminal |
-
2023
- 2023-07-25 CN CN202310917141.9A patent/CN116664658B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112949366A (zh) * | 2020-04-01 | 2021-06-11 | 北京京东乾石科技有限公司 | 障碍物识别方法和装置 |
CN113496163A (zh) * | 2020-04-01 | 2021-10-12 | 北京京东乾石科技有限公司 | 障碍物识别方法和装置 |
US20220277470A1 (en) * | 2021-02-26 | 2022-09-01 | Beijing Smarter Eye Technology Co. Ltd. | Method and system for detecting long-distance target through binocular camera, and intelligent terminal |
CN113468941A (zh) * | 2021-03-11 | 2021-10-01 | 长沙智能驾驶研究院有限公司 | 障碍物检测方法、装置、设备及计算机存储介质 |
Non-Patent Citations (1)
Title |
---|
何松;孙静;郭乐江;陈梁;: "基于激光SLAM和深度学习的语义地图构建", 计算机技术与发展, no. 09 * |
Also Published As
Publication number | Publication date |
---|---|
CN116664658B (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109188438B (zh) | 偏航角确定方法、装置、设备和介质 | |
CN113466822B (zh) | 用于检测障碍物的方法和装置 | |
CN112287566A (zh) | 一种自动化驾驶场景库生成方法、系统及电子设备 | |
CN110377682B (zh) | 轨迹类型确定方法、装置、计算设备和存储介质 | |
CN109635868B (zh) | 障碍物类别的确定方法、装置、电子设备及存储介质 | |
KC | Enhanced pothole detection system using YOLOX algorithm | |
CN115205803A (zh) | 自动驾驶环境感知方法、介质及车辆 | |
CN114970705A (zh) | 基于多传感数据的行驶状态分析方法、装置、设备及介质 | |
Gargoum et al. | A voxel-based method for automated detection and mapping of light poles on rural highways using lidar data | |
CN114820749A (zh) | 无人车井下定位方法、系统、设备及介质 | |
Gressenbuch et al. | Mona: The munich motion dataset of natural driving | |
CN114782914A (zh) | 自动驾驶车辆定位方法及装置、电子设备、存储介质 | |
CN108693517B (zh) | 车辆定位方法、装置和雷达 | |
CN116413740B (zh) | 一种激光雷达点云地面检测方法及装置 | |
CN116664658B (zh) | 一种障碍物检测方法、装置及终端设备 | |
CN115482672B (zh) | 车辆逆行检测的方法、装置、终端设备及存储介质 | |
CN115406452A (zh) | 一种实时定位及建图方法、装置及终端设备 | |
CN114895274A (zh) | 一种护栏识别方法 | |
CN111338336B (zh) | 一种自动驾驶方法及装置 | |
CN116022198A (zh) | 一种地铁隧道内的列车定位方法、装置、设备及存储介质 | |
CN110006440B (zh) | 一种地图关系的表达方法、装置、电子设备及存储介质 | |
CN112906519A (zh) | 一种车辆类型识别方法及装置 | |
CN111143423A (zh) | 动态场景标注数据挖掘方法、装置以及终端 | |
CN116503695B (zh) | 目标检测模型的训练方法、目标检测方法及设备 | |
CN117437792B (zh) | 基于边缘计算的实时道路交通状态监测方法、设备及系统 |
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 |