CN116859406A - 一种基于激光雷达的车速的计算方法和装置 - Google Patents
一种基于激光雷达的车速的计算方法和装置 Download PDFInfo
- Publication number
- CN116859406A CN116859406A CN202311135993.9A CN202311135993A CN116859406A CN 116859406 A CN116859406 A CN 116859406A CN 202311135993 A CN202311135993 A CN 202311135993A CN 116859406 A CN116859406 A CN 116859406A
- Authority
- CN
- China
- Prior art keywords
- class
- point
- target
- vehicle
- points
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 38
- 230000000877 morphologic effect Effects 0.000 claims abstract description 12
- 238000012216 screening Methods 0.000 claims abstract description 8
- 230000003068 static effect Effects 0.000 claims abstract description 6
- 230000015654 memory Effects 0.000 claims description 28
- 238000005192 partition Methods 0.000 claims description 26
- 230000008859 change Effects 0.000 claims description 11
- 238000012935 Averaging Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000013500 data storage Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 101001093748 Homo sapiens Phosphatidylinositol N-acetylglucosaminyltransferase subunit P Proteins 0.000 description 2
- 238000010224 classification analysis Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000026676 system process Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/50—Systems of measurement based on relative movement of target
- G01S17/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Electromagnetism (AREA)
- Evolutionary Computation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Geometry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及激光雷达技术领域，提供了一种基于激光雷达的车速的计算方法和装置。其中所述方法包括：对各点进行聚类得到点集合，以包含点数量最多的点集合作为静止物；分析一帧包含的点距离激光雷达的相对距离，以相应相对距离差距小的多个点归类为同一个形态类；以静止物筛选多个形态类，得到同时为静止物的目标形态类；计算当前帧各个目标形态类与前一帧中相匹配目标形态类的横摆距离，进而计算得到车辆的横摆角速度。本发明通过两次筛选，筛选掉激光雷达所检测的同一空间位置点的对象，避免由于在前后帧之间出现对象临界轮廓的切换对车辆的横摆角速度的计算产生影响，从而使计算得到的横摆角速度更精准，解决激光雷达计算出横摆角速度的问题。
Description
技术领域
本发明涉及激光雷达技术领域，特别是涉及一种基于激光雷达的车速的计算方法和装置。
背景技术
激光雷达在使用过程中通常需要接入车身信息辅助目标跟踪，车身信息包括行进速度和横摆角速度，所述车辆的行进速度和横摆角速度也被合称为车速。在后装市场有的车辆无法提供车身信息，此时需要激光雷达自己通过算法来推算车辆的行进速度和横摆角速度。
鉴于此，克服该现有技术所存在的缺陷是本技术领域亟待解决的问题。
发明内容
本发明要解决的技术问题是现有技术中多采用接入车身信息，即通过第三方接口直接获取行进速度和横摆角速度，而在后装市场有的车辆无法提供车身信息，因此，如何通过激光雷达计算出行进速度和横摆角速度便成了急需解决的技术问题。
本发明采用如下技术方案：
第一方面，本发明提供了一种基于激光雷达的车速的计算方法，包括：
获取激光雷达采集到的每一帧的点数据；
根据一帧中所包含的点的相对速度，对各点进行聚类，得到各个点集合，以其中包含点数量最多的点集合作为相应帧的静止物；
分析一帧包含的点距离激光雷达的相对距离，并以相应相对距离差距小于第一预设阈值的多个点归类为同一个形态类；
以作为静止物的点集合作为条件，筛选已有的一个或者多个形态类，得到同时为静止物的目标形态类；
计算当前帧各个目标形态类与前一帧中相匹配目标形态类的横摆距离，并结合激光雷达帧与帧之间的时间间隙得到横摆角速度，根据各个目标形态类的横摆角速度，使用预设计算规则计算得到车辆的横摆角速度。
优选的，所述点数据获取具体为：
通过比对当前帧包含的点距离激光雷达的相对距离，以及前一帧包含的点距离激光雷达的相对距离，两者之间的距离差得到相对变化距离；
获取激光雷达帧与帧之间的时间间隙，根据所述相对变化距离与所述时间间隙的除法运算计算得到当前帧包含的各点的相对速度。
优选的，所述计算当前帧各个目标形态类与前一帧中相匹配目标形态类的横摆距离，具体包括：
根据当前帧目标形态类的轮廓信息与前一帧中各个目标形态类进行轮廓匹配，其中，相似度大于第二预设阈值的认为成功匹配；
分别获取当前帧目标形态类的几何中心与匹配上的前一帧中目标形态类的几何中心的偏差距离作为所述横摆距离。
优选的，相应目标形态类的几何中心的获取具体为：
以相应点与目标形态类的在第一方向的轮廓点之间的距离作为第一距离，以相应点与目标形态类的在第二方向的轮廓点之间的距离作为第二距离；
找到在每两个相对的第一方向和第二方向的组合下，满足每一组合下第一距离与第二距离之间的差值小于第一预设差值的点，以该点为目标形态类的几何中心；
或，以所有满足每一组合下第一距离与第二距离之间的差值小于第一预设差值的点的所在区域作为目标形态类的几何中心。
优选的，所述根据各个目标形态类的横摆角速度，使用预设计算规则计算得到车辆的横摆角速度，具体包括：
将各个目标形态类的横摆角速度求均值得到车辆的横摆角速度；
或，按照各个目标形态类中所包含的点的数量，确定各目标形态类的权重，根据所述各目标形态类的权重，对各个目标形态类的横摆角速度进行加权求和得到车辆的横摆角速度。
优选的，所述根据一帧中所包含的点的相对速度，对各点进行聚类，得到各个点集合，具体包括：
当相应点的相对速度与相应点集合的相对速度之间的差值小于第二预设差值时，则将该点加入到该点集合中，否则，根据该点建立新的点集合；其中，相应点集合的相对速度为该点集合中所有点的相对速度的平均值。
优选的，所述方法还包括：
对相应点的相对速度进行分解，得到目标形态类中各点相对激光雷达在行进方向上的行进速度；
根据各目标形态类中各点的行进速度，计算得到车辆的行进速度。
优选的，所述根据各目标形态类中各点的行进速度，计算得到车辆的行进速度，具体包括：
将各个目标形态类中各点的行进速度求均值得到车辆的行进速度；
或，以相应目标形态类的几何中心的行进速度作为目标形态类的行进速度，
按照各个目标形态类中所包含的点的数量，确定各目标形态类的权重，根据所述各目标形态类的权重，对各个目标形态类的行进速度进行加权求和得到车辆的行进速度；
或，基于相应目标形态类中各点相对目标形态类的几何中心的距离，为目标形态类划分多个分区，每个分区对应相应的分区权重，对各分区中所包含的点的行进速度求均值得到分区的行进速度，使用各分区权重和各分区的行进速度进行加权求和得到相应目标形态类的行进速度；再按照各目标形态类的行进速度进行加权求和的形式得到车辆的行进速度。
优选的，所述点数据包括相应帧中各点距离激光雷达的相对距离、各点的相对速度、各点与激光雷达之间的方位夹角中的一项或者多项。
第三方面，本发明还提供了一种基于激光雷达的车速的计算装置，用于实现第一方面所述的基于激光雷达的车速的计算方法，所述装置包括：
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，所述指令被所述处理器执行，用于执行第一方面所述的基于激光雷达的车速的计算方法。
第四方面，本发明还提供了一种非易失性计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行，用于完成第一方面所述的基于激光雷达的车速的计算方法。
本发明通过相对距离和相对速度进行两次筛选，得到同时为静止物的目标形态类，从而筛选掉激光雷达所检测的同一空间位置点的对象，避免由于在前后帧之间出现对象临界轮廓的切换导致在该前后帧所计算出的该点的相对速度会发生阶跃变化的形态类对车辆的横摆角速度的计算产生影响，从而使计算得到的横摆角速度更精准，解决激光雷达计算出横摆角速度的问题。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地，下面所描述的附图仅仅是本发明的一些实施例，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是本发明实施例提供的一种基于激光雷达的车辆结构示意图；
图2是本发明实施例提供的一种基于激光雷达的车辆结构俯视图；
图3是本发明实施例提供的一种基于激光雷达的车速的计算方法流程示意图；
图4是本发明实施例提供的雷达和第p点的位置关系示意图；
图5是本发明实施例提供的一种基于激光雷达的车速的计算方法流程示意图；
图6是本发明实施例提供的一种基于激光雷达的车速的计算方法流程示意图；
图7是本发明实施例提供的一种基于激光雷达的车速的计算方法中几何中心的示意图；
图8是本发明实施例提供的另一种基于激光雷达和第p点的位置关系示意图；
图9是本发明实施例提供的一种基于激光雷达的车速的计算方法的示意图；
图10是本发明实施例提供的一种基于激光雷达的车速的计算装置的架构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明中术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本发明中还会涉及以名称对象结合字符的方式进行一类对象中的个体表述，其目的更多的是为了上下文清楚地阐述针对该个体的方法逻辑线，而并非说相应的字符具有特殊的限定意义，例如第p点迹，其自设只是诸多点迹中的一员，并非说其字符p具有特殊的含义；类似的，点集合c中的字符c也仅仅是为了阐述一条逻辑线做服务使用，为的就是在客观存在多个点集合的大环境下，能够有一个较为清晰的方法内容承载体，而不至于出现一个点集合和多个点集合之间来回横跳的不清楚问题。在本发明各实施例中，相关的字符参数一旦都是自然数，若要从0开始计数，则可认定为包含0在内的正整数（例如k，c，i，M，N等等）。
在本申请中，除非另有明确的规定和限定，术语“连接”应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或成一体；可以是直接相连，也可以通过中间媒介间接相连。此外，术语“耦接”可以是实现信号传输的电性连接的方式。
本发明实施例中所使用术语“模块”是指单独或呈任何组合的任何硬件、软件、固件、电子控制部件、处理逻辑和/或处理器装置，包括但不限于：专用集成电路(ApplicationSpecific Integrated Circuit，简写为：ASIC)、现场可编程门阵列(Field ProgrammableGate Array，简写为：FPGA)、电子电路、处理器(共享、专用或成组)以及执行一个或多个软件或固件程序的存储器、组合逻辑电路和/或提供所述功能性的其他合适部件。
本发明实施例中可以依据功能和/或逻辑块部件和各个处理步骤来描述。应当明白的是，这些块部件可以由被配置为执行指定功能的任何数量的硬件、软件和/或固件部件来实现。例如，本发明实施例可以采用各种集成电路部件(例如，存储器元件、数字信号处理元件、逻辑元件、查找表等，其可以在一个或多个微处理器或其他控制装置的控制下执行多种功能)。
为了简明起见，本发明实施例可以不详细描述与信号处理、数字传输、信令、控制、机器学习模型、激光雷达、图像分析以及该系统(和该系统的单独操作部件)的其他功能方面有关的常规技术。另外，本发明实施例所包括的各个图示中所示的连接线旨在表示各个元件之间的示例功能关系和/或物理联接。应当注意的是，在本发明实施例中可以存在许多替代或附加的功能关系或物理连接。
图1和图2描绘了包括激光雷达(光检测和测距)系统200的示例性车辆201。图1呈现了示例性车辆201的侧视图，而图2呈现示例性车辆201的俯视图。示例性激光雷达系统200安装在示例性车辆201的表面(例如，车顶表面)上，还可以是在车内的挡风玻璃顶部，还可以是位于前胎附近的车辆的两侧。示例性激光雷达系统200包括旋转(例如，在逆时针方向上)并发射多个光束202的传感器。示例性激光雷达系统200测量光束返回到车辆201的时间量，以测量相距车辆201周围的物体的距离。
如图1中所描绘，车辆车辆201通常包括底盘11、车身13、前轮14以及后轮15。车身13被布置在底盘11上并且大致包围车辆201的部件。车身13和底盘11可以共同形成框架。车轮14和车轮15各自在车身13的相应拐角附近旋转地联接到底盘11。
在各种实施例中，车辆201是自主车辆。自主车辆201例如是被自动控制以将乘客从一个位置运送到另一个位置的车辆。但是应当明白的是，车辆201也可以使用包括摩托车、卡车、运动型多用途车辆(Sport Utility Vehicle，简写为：SUV)、休闲车辆(Recreation Vehicle，简写为：RV)、船舶、飞行器等任何其他交通工具。
在示例性实施例中，自主车辆201对应于汽车工程师协会(Society ofAutomotive Engineers，简写为：SAE)“J3016”标准分类的自动驾驶等级下的四级或五级自动化系统。使用该术语，四级系统指示“高度自动化”，其指代自动驾驶系统执行动态驾驶任务的所有方面的驾驶模式，即使人类驾驶员对干预请求没有做出适当响应。另一方面，五级系统指示“全自动化”，其指代自动驾驶系统在可由人类驾驶员管理的所有道路和环境状况下在动态驾驶任务的所有方面的全面性能的驾驶模式。然而，应当明白的是，根据本主题的实施例不限于自动化类别的任何特定的分类学或标题。另外，根据本实施例的系统可以与实施本主题的任何车辆结合使用，而不管该车辆的自主权等级为何。
如图1所示，自主车辆201通常包括推进系统20、变速器系统21、转向系统22、制动系统23、传感器系统24、致动器系统25、至少一个数据存储装置26、至少一个控制器27以及通信系统28。推进系统20在各种实施例中可以包括内燃机、诸如牵引电动机等电机和/或燃料电池推进系统。变速器系统21被配置为根据可选速比将来自推进系统20的动力传输到车轮14和车轮15。根据各种实施例，变速器系统21可以包括分级传动比自动变速器、无级变速器或其他适当的变速器。
制动系统23被配置为向车轮14和车轮15提供制动转矩。在各种实施例中，制动系统23可以包括摩擦制动器、线控制动器、诸如电机等再生制动系统，和/或其他适当的制动系统。
转向系统22影响车轮14和/或15的位置。虽然为了说明目的而被描绘为包括方向盘29，但是在本发明预期的一些实施例中，转向系统22可以不包括方向盘。
传感器系统24包括感测自主车辆201的外部环境和/或内部环境的可观察状况(诸如一个或多个乘员的状态)并生成与该状况有关的传感器数据的一个或多个感测装置240a到240n。感测装置240a-240n可以包括但不限于雷达(例如，远程、中程-短程)、激光雷达、全球定位系统、光学相机(例如，前视、360度、后视、侧视、立体等)、热相机(例如，红外相机)、超声波传感器、测距传感器(例如，编码器)和/或可以结合根据本主题的系统和方法利用的其他传感器。
致动器系统25包括一个或多个致动器250a到250n，其控制一个或多个车辆特征，诸如但不限于推进系统20、变速器系统21、转向系统22以及制动系统23。在各种实施例中，自主车辆201还可以包括图1中未说明的内部和/或外部车辆特征，诸如各种车门、行李箱以及诸如无线电、音乐、照明、触摸屏显示部件(诸如与导航系统连接中所使用的部件)等驾驶室特征。
数据存储装置26存储用于自动控制自主车辆201的数据。在各种实施例中，数据存储装置26存储限定的可导航环境地图。在各种实施例中，限定地图可以由远程系统预定义并且从远程系统获取。例如，限定地图可以由远程系统组装并且(以无线方式和/或以有线方式)传送到自主车辆201并存储在数据存储装置26中。路线信息也可以被存储在数据存储装置26内，一组路段(在地理上与一个或多个限定地图相关联)，一起限定了用户可以从起始位置(例如，用户的当前位置)行驶到目标位置所采取的路线。如将明白的是，数据存储装置26可以为控制器27的一部分，与控制器27分开，或作为控制器27的一部分以及单独系统的一部分。
控制器27包括至少一个处理器270和计算机可读存储装置或介质271。处理器270可以为任何定制的或商业上可用的处理器、中央处理单元(Central Processing Unit，简写为：CPU)、图形处理单元(Graphics Processing Unit，简写为：GPU)、专用集成电路(Application Specific Integrated Circuit，简写为：ASIC)(例如，实施神经网络的定制ASIC)、现场可编程门阵列(Field Programmable Gate Array，简写为：FPGA)、与控制器27相关联的若干处理器中的辅助处理器、基于半导体的微处理器(呈微芯片或芯片集的形式)、它们的任何组合或通常用于执行指令的任何装置。计算机可读存储装置或介质271可以包括例如只读存储器(Read-Only Memory，简写为：ROM)、随机存取存储器(RandomAccess Memory，简写为：RAM)和保活存储器(Keep Alive Memory，简写为：KAM)中的易失性和非易失性存储装置。KAM是一种持久或非易失性存储器，其可以在处理器270断电时用于存储各种操作变量。计算机可读存储装置或介质271可以使用诸如可编程只读存储器(Programmable read-only memory，简写为：PROM)、电动程控只读存储器(ElectricalProgrammable Read Only Memory，简写为：EPROM)、电可擦可编程只读存储器(Electrically Erasable Programmable read only memory，简写为EEPROM)、闪速存储器或能够存储数据的任何其他电动、磁性、光学或组合存储器装置的许多已知存储器中的任何一种来实施，其中的一些数据表示由控制器27用于控制自主车辆201的可执行指令。
指令可以包括一个或多个单独的程序，每个程序包括用于实施逻辑功能的可执行指令的有序列表。指令在由处理器270执行时接收并处理来自传感器系统24的信号(例如，传感器数据)，执行用于自动控制自主车辆201的部件的逻辑、计算、方法和/或算法，并且生成控制信号，其被传输到致动器系统25以基于逻辑、计算、方法和/或算法来自动地控制自主车辆201的部件。虽然图1中仅示出了一个控制器27，但是自主车辆201的实施例可以包括通过任何合适的通信介质或通信介质的组合进行通信并且协作以处理传感器信号、执行逻辑、计算、方法和/或算法并且生成控制信号以自动控制自主车辆201的特征的任意数量的控制器27。
通信系统28被配置为向其他实体203无线地传送信息或从其接收信息，该实体203诸如但不限于其他车辆(“V2V”通信)、基础设施(“V2I”通信)、网络(“V2N”通信)、行人(“V2P”通信)、远程运输系统和/或用户装置。其中，V2V（Vehicle-to-Vehicle，车对车），V2I（Vehicle to Infrastructure，车对基础设施），V2N（Vehicle-to-Network，车辆对网络），V2P（Vehicle to People，车辆对行人）。在示例性实施例中，通信系统28是被配置为经由使用IEEE802.11标准的无线局域网(Wireless Local Area Networks，简写为：WLAN)或通过使用蜂窝数据通信来进行通信的无线通信系统。然而，诸如专用短程通信(DedicatedShort Range Communication，简写为：DSRC)信道等附加或替代通信方法也被认为在本公开的范围内。DSRC信道是指专门为汽车使用以及对应的一组协议和标准而设计的单向或双向短程到中程无线通信信道。
根据各种实施例，控制器27利用合适软件和/或硬件部件(例如，处理器270和计算机可读存储装置271)来提供与车辆201结合使用的自主驾驶系统。在各种实施例中，自主驾驶系统的指令可以由功能或系统组织。例如，如自主驾驶系统可以包括感知系统、定位系统、路径规划系统以及车辆控制系统。如可以明白的是，在各种实施例中，由于本公开不限于本示例，所以可以将指令组织(例如，组合、进一步划分等)为任何数量的系统。
在各种实施例中，感知系统合成并处理所获取的传感器数据并且预测物体的存在、位置、分类和/或路径以及车辆201的环境的特征。在各种实施例中，感知系统可以包含来自多个传感器(例如，传感器系统24)(包括但不限于相机、雷达、激光雷达、和/或任何数量的其他类型的传感器)的信息。
定位系统处理传感器数据以及其他数据以确定车辆201相对于环境的位置(例如，相对于地图的本地位置、相对于道路车道的确切位置、车辆航向等)。如可以明白的是，可以采用各种技术来实现这种定位，包括例如同时定位和映射(Simultaneous Localizationand Mapping，简写为：SLAM)、粒子滤波器、卡尔曼滤波器、贝叶斯滤波器等。
路径规划系统处理传感器数据以及其他数据以确定车辆201遵循的路径。车辆控制系统根据所确定的路径生成用于控制车辆201的控制信号。
在各种实施例中，控制器27实施机器学习技术以辅助控制器27的功能，诸如特征检测/分类、障碍减少、路线穿越、映射、传感器集成、地面实况确定等。
此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例1:
现有技术中多采用接入车身信息，即通过第三方接口直接获取车辆的行进速度和横摆角速度，而在后装市场有的车辆无法提供车身信息，因此，如何通过激光雷达计算出车辆的行进速度和横摆角速度便成了急需解决的技术问题。为了解决该问题，本发明实施例1提供了一种基于激光雷达的车速的计算方法，如图3所示，包括：
在步骤201中，获取激光雷达采集到的每一帧的点数据。在此需要说明的是，所述车辆的行进速度为车辆在行进方向上的速度，所述横摆角速度为车辆在进行转弯或方向变换时的角速度，出于描述的简洁性，本实施例和后续实施例将车辆的行进速度和车辆的横摆角速度整体统称为车速。
其中，点数据由一帧所包含的所有点的相关信息构成，其中，所述点数据包括相应帧中各点距离激光雷达的相对距离、各点的相对速度、各点与激光雷达之间的方位夹角中的一项或者多项。参考图4所示的激光雷达和相应帧的点数据中的第p点之间的位置关系，上述第p点的点数据具体可表征为{dis(p)，v(p)，angle(p)}，其中，第p点距离激光雷达的相对距离dis(p)、第p点的相对速度v(p)、第p点与激光雷达方向的方位夹角angle(p)。
而每一帧的点数据，则是由一轮激光雷达探测信号所能捕捉的探测结果内容构成，而用“帧”的描述方式，正如相机拍摄过程中，每一次镜头有效内容采集就被描述为一帧，而在本发明车载激光雷达领域，则是将一个探测周期内所采集到的信息称为一帧，而相应采集到的信息的表现形式就是所述点数据。
在步骤202中，根据一帧中所包含的点的相对速度，对各点进行聚类，得到各个点集合，以其中包含点数量最多的点集合作为相应帧的静止物。
在具体的实施场景下，所述根据一帧中所包含的点的相对速度，对各点进行聚类，得到各个点集合，具体包括：当相应点的相对速度与相应点集合的相对速度之间的差值小于第二预设差值时，则将该点加入到该点集合中，否则，根据该点建立新的点集合；其中，相应点集合的相对速度为该点集合中所有点的相对速度的平均值。所述第二预设差值由本领域技术人员根据经验分析得到。
此处第二预设差值为一经验值，并且，根据场景的不同相应的第二预设差值也可以设定的不同。例如，在城市主干道，考虑到主要对象都是车流，此时第二预设差值可以设置的值大一些，例如10 Km/h -15Km/h；在闹市区，考虑到要人流和非机动车的影响，那么第二预设差值可以设置为3Km/h-5Km/h便能够将一般人流归类为一类点集合。之所以要调整第二预设差值，也是为了能够将除静止物以外的对象尽量划分为几大类，从而能够简化各个点的分析过程。须知，在相应的点集合的分类越多情况下，所涉及的计算量相对也会增加。而作为本发明的优选方案而言，在针对每一个点的归类分析，按照已经存在的各个点集合所包含的点的数量多少进行排序，其中，包含点的数量更多的点集合被以更高优先级参与点的归类分析。这也是考虑到了在一种场景之中，越是包含的点数越多的点集合，越高概率会是当前所分析的点的归类结果所指向的地方。
作为本发明实施例而言，最为高效的第二预设差值设定，可以将点集合简单划分为两类：运动类点集合和静止类点集合（即步骤202中的静止物，此时的点集合应当被理解为是静止类点集合）。然而，实际操作过程中，可能需要实现更细分的操作，从而为本发明可能遇到的应用场景提供技术支撑，并且，不同点集合（例如点集合a、点集合b、...、点集合n等等）可能对应的门限值也会有所差异，这也是为了上述细分出不同点集合而服务，并且，各个点集合对应其各自的区间值，此处先不做详尽展开阐述，在后面具体涉及到扩展实现方案时，再进行详尽描述。
由于车辆运行时，往往周边相对静止物较多，故激光雷达视场中检测到的绝对静止物的数量最多，故所含点数量最大的类可代表绝对静止物。
在步骤203中，分析一帧包含的点距离激光雷达的相对距离，并以相应相对距离差距小于第一预设阈值的多个点归类为同一个形态类。
此处，是为了简化计算复杂度，才描述的分析一帧包含的点距离激光雷达的相对距离；在实际实现过程中，若为了提高形态类的分类精度，还可以将相应的点的相对速度也纳入进来，归类为同一个形态类的各个点的相对速度相差也会被限缩在某一个值内。其中，第一预设阈值在本发明实施例中多为经验值，可以设置为0.3-3m不等，也可以仿照上面方案，根据本发明实施例所获取的车辆速度来动态推测场景可能的变化，来调整所述第一预设阈值，在此就不做具体展开了。
在步骤204中，以作为静止物的点集合作为条件，筛选已有的一个或者多个形态类，得到同时为静止物的目标形态类。
此处的过程是本扩展实现方案的核心所在，即利用了上述步骤202计算出的点数据中各点的相对速度，配以本发明实施例步骤203得到静止物的点集合之后，再反过来筛选此处生成的形态类，得到最终用于计算横摆角速度用的所述目标形态类。
由于在计算横摆角速度时，考虑到激光雷达所检测的同一空间位置点的对象，可能在前后帧之间出现对象临界轮廓的切换，这样带来的结果就是在该前后帧所计算出的该点的相对速度会发生阶跃变化，这也会为后面计算横摆角速度带来较大的影响，故本实施例通过步骤204的筛选，使真正会对计算横摆角速度产生影响的对象轮廓点，在得到静止物过程中被筛选掉了，因此，以静止物的点集合作为与形态类做逻辑与的操作之后，便能够剩下可以有效计算横摆角速度的目标形态类，这也是此处扩展方案的巧妙之处。
此处更深层次的含义实际是将激光雷达所扫描到的对象的轮廓点发生上述前后帧切换，从而出现相对速度或者相对距离阶跃跳动的形态类，直接在上述筛选过程中就被淘汰掉了，而遗留下的就是轮廓未出现上述前后帧切换，点迹数据准确可信的目标形态类了。
在步骤205中，计算当前帧各个目标形态类与前一帧中相匹配目标形态类的横摆距离，并结合激光雷达帧与帧之间的时间间隙得到横摆角速度。
此处涉及的就是最为简单的作除法运算了，利用横摆距离除以激光雷达帧与帧之间的时间间隙，就得到了所述横摆角速度。
在步骤206中，根据各个目标形态类的横摆角速度，使用预设计算规则计算得到车辆的横摆角速度。
本实施例通过相对距离和相对速度进行两次筛选，得到同时为静止物的目标形态类，从而筛选掉激光雷达所检测的同一空间位置点的对象，避免由于在前后帧之间出现对象临界轮廓的切换导致在该前后帧所计算出的该点的相对速度会发生阶跃变化的形态类对车辆的横摆角速度的计算产生影响，从而使计算得到的横摆角速度更精准。
其中，所述根据各个目标形态类的横摆角速度，使用预设计算规则计算得到车辆的横摆角速度，具体包括：将各个目标形态类的横摆角速度求均值得到车辆的横摆角速度；或，按照各个目标形态类中所包含的点的数量，确定各目标形态类的权重，根据所述各目标形态类的权重，对各个目标形态类的横摆角速度进行加权求和得到车辆的横摆角速度。
在具体的应用场景下，如图5所示，所述点数据获取具体为：
在步骤301中，通过比对当前帧包含的点距离激光雷达的相对距离，以及前一帧包含的点距离激光雷达的相对距离，两者之间的距离差得到相对变化距离。
在步骤302中，获取激光雷达帧与帧之间的时间间隙，根据所述相对变化距离与所述时间间隙的除法运算计算得到当前帧包含的各点的相对速度。各点的相对速度可能是由相应点所对应的对象运动而带来的，也可能是由于车辆自身运动所带来的。
针对步骤206中所描述的计算当前帧各个目标形态类与前一帧中相匹配目标形态类的横摆距离，在本发明实施例中还提供了一种具体实现方式，如图6所示，包括：
在步骤401中，根据当前帧目标形态类的轮廓信息与前一帧中各个目标形态类进行轮廓匹配，其中，相似度大于第二预设阈值的认为成功匹配。
之所以会涉及相似度的匹配，是因为车辆在行径过程中，对象相对激光雷达的扫描区域而言，对象自身呈现的内容就存在变化，不管这是源自对象自身的主动变化，还是源自车辆行驶过程中相对被动产生的变化。此处的相似度匹配可以借用已有的成熟算法，相似度算法并非本发明所要改进和原始提出的技术点，在此不做具体展开描述。而配套的，第二预设阈值也可以根据实际情况进行预先设定或者动态调整，在动态调整场景，则可以又回到计算得到的车辆相对速度上来，其中，车辆相对速度越大，相应的第二预设阈值要调低一些，而车辆相对速度越小，相应的第二预设阈值要调高一些；原因就在于，车辆的相对速度越大，其行驶的越快，对象相较车辆的形变速度越快。
在步骤402中，分别获取当前帧目标形态类的几何中心与匹配上的前一帧中目标形态类的几何中心的偏差距离作为所述横摆距离。
此处，引出了几何中心的概念，就是为了进一步降低轮廓的影响；相应目标形态类的几何中心的获取具体为：
以相应点与目标形态类的在第一方向的轮廓点之间的距离作为第一距离，以相应点与目标形态类的在第二方向的轮廓点之间的距离作为第二距离；找到在每两个相对的第一方向和第二方向的组合下，满足每一组合下第一距离与第二距离之间的差值小于第一预设差值的点，以该点为目标形态类的几何中心。
或，以所有满足每一组合下第一距离与第二距离之间的差值小于第一预设差值的点的所在区域作为目标形态类的几何中心。所述第一预设差值由本领域技术人员根据经验分析得到，在实际使用中，该第一预设差值还可根据激光雷达的点采集密集程度，以及所需几何中心的区域大小分析得到。
如图7所示，a与b为一对相对的第一方向和第二方向的组合，p1点在该组合下满足第一距离与第二距离之间的差值小于第一预设差值，a’与b’为一对相对的第一方向和第二方向的组合，p1点在该组合下同样满足第一距离与第二距离之间的差值小于第一预设差值，依次类推，可由本领域技术人员预先设定多个组合，得到满足该多个组合下第一距离与第二距离之间的差值小于第一预设差值的点或区域作为几何中心。
而实际操作过程中，所述几何中心也不建议采用取单一点的方式，而是以几何中心向外拓宽一小片区域（该区域仍然处于目标形态类所包含的点构成的区域内），例如：所述一小片区域可以是圆形、方形，还可以是和目标形态类图案相似的缩小版（如将第一预设差值适当放大，从而得到与目标形态图形类似的缩小版），或者形似的梯形、多边形等等。
在实际使用中，还需计算得到车辆的行进速度，即所述方法还包括：对相应点的相对速度进行分解，得到目标形态类中各点相对激光雷达在行进方向上的行进速度，如图8所示，当车辆沿y轴方向行进时，车辆的行进速度为v1(p)；根据各目标形态类中各点的行进速度，计算得到车辆的行进速度。
其中，所述根据各目标形态类中各点的行进速度，计算得到车辆的行进速度，具体包括：
将各个目标形态类中各点的行进速度求均值得到车辆的行进速度；或，以相应目标形态类的几何中心的行进速度作为目标形态类的行进速度，按照各个目标形态类中所包含的点的数量，确定各目标形态类的权重，根据所述各目标形态类的权重，对各个目标形态类的行进速度进行加权求和得到车辆的行进速度。
或，基于相应目标形态类中各点相对目标形态类的几何中心的距离，为目标形态类划分多个分区（即以几何中心依次向目标形态类的轮廓方向，依次划分得到多个近似环形的区域），每个分区对应相应的分区权重，每个分区的分区权重由该分区距离几何中心的距离得到，距离越远，分区权重越小，如图9所示，几何中心的分区权重为W1，外圈的权重为W2，再外圈的权重为W3，最外圈权重为W4，W1>W2>W3>W4且W1+W2+W3+W4=1。
对各分区中所包含的点的行进速度求均值得到分区的行进速度，使用各分区权重和各分区的行进速度进行加权求和得到相应目标形态类的行进速度；再按照各目标形态类的行进速度进行加权求和的形式得到车辆的行进速度。
实施例2:
如图10所示，是本发明实施例的基于激光雷达的车速的计算装置的架构示意图。本实施例的基于激光雷达的车速的计算装置包括一个或多个处理器31以及存储器32。其中，图10中以一个处理器31为例。
处理器31和存储器32可以通过总线或者其他方式连接，图10中以通过总线连接为例。
存储器32作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序和非易失性计算机可执行程序，如实施例1中的基于激光雷达的车速的计算方法。处理器31通过运行存储在存储器32中的非易失性软件程序和指令，从而执行基于激光雷达的车速的计算方法。
存储器32可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器32可选包括相对于处理器31远程设置的存储器，这些远程存储器可以通过网络连接至处理器31。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述程序指令/模块存储在所述存储器32中，当被所述一个或者多个处理器31执行时，执行上述实施例1中的基于激光雷达的车速的计算方法。
值得说明的是，上述装置和系统内的模块、单元之间的信息交互、执行过程等内容，由于与本发明的处理方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
本领域普通技术人员可以理解实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器（ROM，Read Only Memory）、随机存取存储器（RAM，Random AccessMemory）、磁盘或光盘等。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于激光雷达的车速的计算方法，其特征在于，包括：
获取激光雷达采集到的每一帧的点数据；
根据一帧中所包含的点的相对速度，对各点进行聚类，得到各个点集合，以其中包含点数量最多的点集合作为相应帧的静止物；
分析一帧包含的点距离激光雷达的相对距离，并以相应相对距离差距小于第一预设阈值的多个点归类为同一个形态类；
以作为静止物的点集合作为条件，筛选已有的一个或者多个形态类，得到同时为静止物的目标形态类；
计算当前帧各个目标形态类与前一帧中相匹配目标形态类的横摆距离，并结合激光雷达帧与帧之间的时间间隙得到横摆角速度，根据各个目标形态类的横摆角速度，使用预设计算规则计算得到车辆的横摆角速度。
2.根据权利要求1所述的基于激光雷达的车速的计算方法，其特征在于，所述点数据获取具体为：
通过比对当前帧包含的点距离激光雷达的相对距离，以及前一帧包含的点距离激光雷达的相对距离，两者之间的距离差得到相对变化距离；
获取激光雷达帧与帧之间的时间间隙，根据所述相对变化距离与所述时间间隙的除法运算计算得到当前帧包含的各点的相对速度。
3.根据权利要求1所述的基于激光雷达的车速的计算方法，其特征在于，所述计算当前帧各个目标形态类与前一帧中相匹配目标形态类的横摆距离，具体包括：
根据当前帧目标形态类的轮廓信息与前一帧中各个目标形态类进行轮廓匹配，其中，相似度大于第二预设阈值的认为成功匹配；
分别获取当前帧目标形态类的几何中心与匹配上的前一帧中目标形态类的几何中心的偏差距离作为所述横摆距离。
4.根据权利要求3所述的基于激光雷达的车速的计算方法，其特征在于，相应目标形态类的几何中心的获取具体为：
以相应点与目标形态类的在第一方向的轮廓点之间的距离作为第一距离，以相应点与目标形态类的在第二方向的轮廓点之间的距离作为第二距离；
找到在每两个相对的第一方向和第二方向的组合下，满足每一组合下第一距离与第二距离之间的差值小于第一预设差值的点，以该点为目标形态类的几何中心；
或，以所有满足每一组合下第一距离与第二距离之间的差值小于第一预设差值的点的所在区域作为目标形态类的几何中心。
5.根据权利要求1所述的基于激光雷达的车速的计算方法，其特征在于，所述根据各个目标形态类的横摆角速度，使用预设计算规则计算得到车辆的横摆角速度，具体包括：
将各个目标形态类的横摆角速度求均值得到车辆的横摆角速度；
或，按照各个目标形态类中所包含的点的数量，确定各目标形态类的权重，根据所述各目标形态类的权重，对各个目标形态类的横摆角速度进行加权求和得到车辆的横摆角速度。
6.根据权利要求1所述的基于激光雷达的车速的计算方法，其特征在于，所述根据一帧中所包含的点的相对速度，对各点进行聚类，得到各个点集合，具体包括：
当相应点的相对速度与相应点集合的相对速度之间的差值小于第二预设差值时，则将该点加入到该点集合中，否则，根据该点建立新的点集合；其中，相应点集合的相对速度为该点集合中所有点的相对速度的平均值。
7.根据权利要求1所述的基于激光雷达的车速的计算方法，其特征在于，所述方法还包括：
对相应点的相对速度进行分解，得到目标形态类中各点相对激光雷达在行进方向上的行进速度；
根据各目标形态类中各点的行进速度，计算得到车辆的行进速度。
8.根据权利要求7所述的基于激光雷达的车速的计算方法，其特征在于，所述根据各目标形态类中各点的行进速度，计算得到车辆的行进速度，具体包括：
将各个目标形态类中各点的行进速度求均值得到车辆的行进速度；
或，以相应目标形态类的几何中心的行进速度作为目标形态类的行进速度，
按照各个目标形态类中所包含的点的数量，确定各目标形态类的权重，根据所述各目标形态类的权重，对各个目标形态类的行进速度进行加权求和得到车辆的行进速度；
或，基于相应目标形态类中各点相对目标形态类的几何中心的距离，为目标形态类划分多个分区，每个分区对应相应的分区权重，对各分区中所包含的点的行进速度求均值得到分区的行进速度，使用各分区权重和各分区的行进速度进行加权求和得到相应目标形态类的行进速度；再按照各目标形态类的行进速度进行加权求和的形式得到车辆的行进速度。
9.根据权利要求1所述的基于激光雷达的车速的计算方法，其特征在于，所述点数据包括相应帧中各点距离激光雷达的相对距离、各点的相对速度、各点与激光雷达之间的方位夹角中的一项或者多项。
10.一种基于激光雷达的车速的计算装置，其特征在于，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，所述指令被所述处理器执行，用于执行权利要求1-9任一所述的基于激光雷达的车速的计算方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311135993.9A CN116859406B (zh) | 2023-09-05 | 2023-09-05 | 一种基于激光雷达的车速的计算方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311135993.9A CN116859406B (zh) | 2023-09-05 | 2023-09-05 | 一种基于激光雷达的车速的计算方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116859406A true CN116859406A (zh) | 2023-10-10 |
| CN116859406B CN116859406B (zh) | 2023-11-28 |
Family
ID=88219484
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311135993.9A Active CN116859406B (zh) | 2023-09-05 | 2023-09-05 | 一种基于激光雷达的车速的计算方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116859406B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018048949A (ja) * | 2016-09-23 | 2018-03-29 | トヨタ自動車株式会社 | 物体識別装置 |
| US20180203109A1 (en) * | 2017-01-17 | 2018-07-19 | Denso Ten Limited | Radar device and vehicle velocity correction method |
| CN110658531A (zh) * | 2019-08-23 | 2020-01-07 | 畅加风行(苏州)智能科技有限公司 | 一种用于港口自动驾驶车辆的动态目标追踪方法 |
| US20210096220A1 (en) * | 2019-09-27 | 2021-04-01 | Wipro Limited | Method and system for determining correctness of lidar sensor data used for localizing autonomous vehicle |
| CN114217308A (zh) * | 2021-12-07 | 2022-03-22 | 德心智能科技(常州)有限公司 | 一种基于毫米波雷达的室内人员跌倒检测方法 |
| CN114609609A (zh) * | 2022-03-15 | 2022-06-10 | 浙江大学 | Fmcw激光雷达随机采样提取静止点云的速度估计方法 |
| CN114859337A (zh) * | 2021-01-20 | 2022-08-05 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置、电子设备、计算机存储介质 |
| CN114895274A (zh) * | 2022-05-06 | 2022-08-12 | 上海金脉电子科技有限公司 | 一种护栏识别方法 |
| JP2022133623A (ja) * | 2021-03-02 | 2022-09-14 | 日産自動車株式会社 | 物体検出方法及び物体検出装置 |
| CN115508836A (zh) * | 2021-06-23 | 2022-12-23 | 华为技术有限公司 | 一种运动状态确定方法及装置 |
| CN115856908A (zh) * | 2022-09-28 | 2023-03-28 | 北京北醒智能设备有限公司 | 一种基于三维激光雷达的车辆测速方法及系统 |
| WO2023087202A1 (zh) * | 2021-11-18 | 2023-05-25 | 华为技术有限公司 | 运动状态估计方法及装置 |
| CN116299280A (zh) * | 2023-02-24 | 2023-06-23 | 合肥保航汽车科技有限公司 | 一种车辆状态识别方法、系统、设备以及介质 |
| CN116577787A (zh) * | 2023-05-30 | 2023-08-11 | 浙江飞碟汽车制造有限公司 | 一种基于车载毫米波雷达的自车运动状态参数估计方法 |
-
2023
- 2023-09-05 CN CN202311135993.9A patent/CN116859406B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018048949A (ja) * | 2016-09-23 | 2018-03-29 | トヨタ自動車株式会社 | 物体識別装置 |
| US20180203109A1 (en) * | 2017-01-17 | 2018-07-19 | Denso Ten Limited | Radar device and vehicle velocity correction method |
| CN110658531A (zh) * | 2019-08-23 | 2020-01-07 | 畅加风行(苏州)智能科技有限公司 | 一种用于港口自动驾驶车辆的动态目标追踪方法 |
| US20210096220A1 (en) * | 2019-09-27 | 2021-04-01 | Wipro Limited | Method and system for determining correctness of lidar sensor data used for localizing autonomous vehicle |
| CN114859337A (zh) * | 2021-01-20 | 2022-08-05 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置、电子设备、计算机存储介质 |
| JP2022133623A (ja) * | 2021-03-02 | 2022-09-14 | 日産自動車株式会社 | 物体検出方法及び物体検出装置 |
| CN115508836A (zh) * | 2021-06-23 | 2022-12-23 | 华为技术有限公司 | 一种运动状态确定方法及装置 |
| WO2023087202A1 (zh) * | 2021-11-18 | 2023-05-25 | 华为技术有限公司 | 运动状态估计方法及装置 |
| CN114217308A (zh) * | 2021-12-07 | 2022-03-22 | 德心智能科技(常州)有限公司 | 一种基于毫米波雷达的室内人员跌倒检测方法 |
| CN114609609A (zh) * | 2022-03-15 | 2022-06-10 | 浙江大学 | Fmcw激光雷达随机采样提取静止点云的速度估计方法 |
| CN114895274A (zh) * | 2022-05-06 | 2022-08-12 | 上海金脉电子科技有限公司 | 一种护栏识别方法 |
| CN115856908A (zh) * | 2022-09-28 | 2023-03-28 | 北京北醒智能设备有限公司 | 一种基于三维激光雷达的车辆测速方法及系统 |
| CN116299280A (zh) * | 2023-02-24 | 2023-06-23 | 合肥保航汽车科技有限公司 | 一种车辆状态识别方法、系统、设备以及介质 |
| CN116577787A (zh) * | 2023-05-30 | 2023-08-11 | 浙江飞碟汽车制造有限公司 | 一种基于车载毫米波雷达的自车运动状态参数估计方法 |
Non-Patent Citations (2)
| Title |
|---|
| EUGEN SCHUBERT等: ""Clustering of High Resolution Automotive Radar Detections and Subsequent Feature Extraction for Classification of Road Users"", 《2015 16TH INTERNATIONAL RADAR SYMPOSIUM》, pages 174 - 179 * |
| 张钰等: ""基于毫米波雷达的静态目标识别与跟踪"", 《2021 中国汽车工程学会年会论文集》, pages 92 - 98 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116859406B (zh) | 2023-11-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109426806B (zh) | 用于车辆信号灯检测的系统和方法 | |
| CN109814544B (zh) | 用于在自主车辆中操纵绕过障碍物的系统和方法 | |
| CN112498349B (zh) | 用于紧急车道改变的操纵计划 | |
| US12037015B2 (en) | Vehicle control device and vehicle control method | |
| US11195033B2 (en) | Multi-modal, multi-technique vehicle signal detection | |
| US10528057B2 (en) | Systems and methods for radar localization in autonomous vehicles | |
| US10935652B2 (en) | Systems and methods for using road understanding to constrain radar tracks | |
| US11433888B2 (en) | Driving support system | |
| CN110103962A (zh) | 车辆控制装置、车辆控制方法及存储介质 | |
| US11853069B2 (en) | Continuing lane driving prediction | |
| US10977503B2 (en) | Fault isolation for perception systems in autonomous/active safety vehicles | |
| US11663860B2 (en) | Dynamic and variable learning by determining and using most-trustworthy inputs | |
| US20210362727A1 (en) | Shared vehicle management device and management method for shared vehicle | |
| CN111391830A (zh) | 自动驾驶车辆的纵向决策系统及纵向决策确定方法 | |
| KR20210095757A (ko) | 복수의 센서들을 이용하여 자율 주행을 수행하는 차량 및 그의 동작 방법 | |
| US20230406359A1 (en) | Collision imminent detection | |
| US20200387161A1 (en) | Systems and methods for training an autonomous vehicle | |
| CN116859406B (zh) | 一种基于激光雷达的车速的计算方法和装置 | |
| US20230278562A1 (en) | Method to arbitrate multiple automatic lane change requests in proximity to route splits | |
| US11932242B1 (en) | Fleet dashcam system for autonomous vehicle operation | |
| KR20210090329A (ko) | 카메라를 이용하여 자율 주행을 수행하는 차량 및 그의 동작 방법 | |
| CN114599567A (zh) | 车载集群跟踪系统 | |
| CN117055019A (zh) | 一种基于车载雷达的车速的计算方法以及相应的装置和模块 | |
| US20230406293A1 (en) | Secondary fallback software stack for autonomous vehicle | |
| US20230132421A1 (en) | Method of recognizing stop line of autonomous vehicle |
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 |