CN117111491A - 一种自动驾驶仿真中物体最近点确定方法、装置及设备 - Google Patents
一种自动驾驶仿真中物体最近点确定方法、装置及设备 Download PDFInfo
- Publication number
- CN117111491A CN117111491A CN202311385466.3A CN202311385466A CN117111491A CN 117111491 A CN117111491 A CN 117111491A CN 202311385466 A CN202311385466 A CN 202311385466A CN 117111491 A CN117111491 A CN 117111491A
- Authority
- CN
- China
- Prior art keywords
- point
- target
- angle
- sensor
- adjacent
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 49
- 239000013598 vector Substances 0.000 claims abstract description 76
- 230000001154 acute effect Effects 0.000 claims description 38
- 238000012360 testing method Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 9
- 239000002245 particle Substances 0.000 claims description 9
- 206010034701 Peroneal nerve palsy Diseases 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 19
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种自动驾驶仿真中物体最近点确定方法、装置及设备,涉及自动驾驶技术领域,该方法包括:在自动驾驶仿真中,针对传感器探测到的目标物体,获取目标物体上每个特征点的特征点信息;根据位置向量,从目标物体的多个特征点中选取与传感器距离最近的特征点作为目标特征点;针对目标特征点的每个相邻点,构建以目标特征点为顶点、目标特征点分别与该相邻点及传感器的连线为两条边的夹角,并确定该夹角的角类型;根据不同相邻点对应的多个夹角的角类型,确定目标物体相对于传感器的物体最近点。通过采用上述自动驾驶仿真中物体最近点确定方法、装置及设备,解决了在确定物体最近点时,运算成本高及计算精度低的问题。
Description
技术领域
本申请涉及自动驾驶技术领域,具体而言,涉及一种自动驾驶仿真中物体最近点确定方法、装置及设备。
背景技术
在自动驾驶仿真测试中需要对传感器功能进行模拟,以利用模拟传感器获取用于自动驾驶控制算法测试的环境信息。理想传感器(真值传感器)是一种基础的模拟传感器,以理想传感器的检测目标为车辆为例,它是将目标车辆的后轴中心点输出为目标物与传感器之间的最近点,以根据最近点来控制主车进行减速或者转向。但是,在泊车、切入等与环境车有近距离交互的自动驾驶仿真场景中,将车辆的后轴中心点视为最近点是不准确的。现有技术种,通常采用以下两种方法来获取目标物的最近点:一种是,通过物理级传感器来还原目标物的详细位置信息,通过详细位置信息确定最近点,另一种是在仿真端将目标物视为矩形包围盒,利用矩形包围盒获取最近点。
然而,采用上述第一种方法时,需要在渲染端利用光追算法来获取详细位置信息,运算成本巨大;采用第二种方法时,则由于矩形包围盒不能准确反映目标物轮廓,导致计算精度低的问题。
发明内容
有鉴于此,本申请的目的在于提供一种自动驾驶仿真中物体最近点确定方法、装置及设备,以解决在确定物体最近点时,运算成本高及计算精度低的问题。
第一方面,本申请实施例提供了一种自动驾驶仿真中物体最近点确定方法,包括:
在自动驾驶仿真中,针对传感器探测到的目标物体,获取目标物体上每个特征点的特征点信息,每个特征点是根据目标物体的外轮廓设置的,特征点信息包括位置向量及相邻点信息,位置向量为目标物体的质点到该特征点的向量,相邻点信息为与该特征点相邻的特征点的信息;
根据位置向量,从目标物体的多个特征点中选取与传感器距离最近的特征点作为目标特征点;
针对目标特征点的每个相邻点,构建以目标特征点为顶点、目标特征点分别与该相邻点及传感器的连线为两条边的夹角,并确定该夹角的角类型;
根据不同相邻点对应的多个夹角的角类型,确定目标物体相对于传感器的物体最近点。
可选地,根据位置向量,从目标物体的多个特征点中选取与传感器距离最近的特征点作为目标特征点,包括:针对目标物体的每个特征点,确定该特征点在传感器坐标系下的特征点坐标;根据特征点坐标,确定该特征点与传感器之间的距离;从多个特征点中选取距离最短的特征点作为目标特征点。
可选地,确定该特征点在传感器坐标系下的特征点坐标,包括:获取目标物体的姿态角对应的旋转矩阵及目标物体在传感器坐标系下的物体位置坐标;将旋转矩阵与该特征点的位置向量的乘积作为偏移向量;将偏移向量与物体位置坐标之和作为该特征点在传感器坐标系下的特征点坐标。
可选地,根据不同相邻点对应的多个夹角的角类型,确定目标物体相对于传感器的物体最近点,包括:若每个相邻点对应的夹角均为钝角,则将目标特征点作为物体最近点;若多个相邻点中仅有一个相邻点对应的夹角为锐角或者直角,则将夹角为锐角或者直角的相邻点与目标特征点的连线作为目标棱,将传感器到目标棱的垂足作为物体最近点;若多个相邻点中有至少两个相邻点对应的夹角为锐角或者直角,则将夹角为锐角或者直角的两个目标相邻点与目标特征点所在的平面作为目标平面,将传感器到目标平面的垂足作为物体最近点。
可选地,在将传感器到目标平面的垂足作为物体最近点之后,还包括:确定物体最近点是否处于目标平行四边形内,目标平行四边形为夹角为锐角或者直角的两个目标相邻点与目标特征点对应的平行四边形;若物体最近点不处于目标平行四边形内,则从两个锐角中选取角度最小的锐角对应的目标相邻点作为优选相邻点;由传感器向目标连线作垂线,将目标连线上的垂足作为最终的物体最近点,目标连线为优选相邻点与目标特征点之间的连线。
可选地,并确定该夹角的角类型,包括:获取该夹角的两条边各自对应的边向量,确定两个边向量的点积,边向量为该夹角的一条边上的两个特征点对应的向量;若两个边向量的点积大于0,则确定该夹角为锐角;若两个边向量的点积小于0,则确定该夹角为钝角;若两个边向量的点积等于0,则确定该夹角为直角。
可选地,将夹角为锐角或者直角的两个目标相邻点与目标特征点所在的平面作为目标平面,包括:从夹角为锐角或者直角的多个相邻点中选取角度最小的前两个夹角对应的相邻点作为目标相邻点;将目标相邻点与目标特征点所在的平面作为目标平面。
可选地,在针对传感器探测到的目标物体,获取目标物体上每个特征点的特征点信息之前,还包括:根据自动驾驶仿真测试的精度要求,为目标物体设置表征目标物体外轮廓的多个特征点。
第二方面,本申请实施例还提供了一种自动驾驶仿真中物体最近点确定装置,所述装置包括:
信息获取模块,用于在自动驾驶仿真中,针对传感器探测到的目标物体,获取目标物体上每个特征点的特征点信息,每个特征点是根据目标物体的外轮廓设置的,特征点信息包括位置向量及相邻点信息,位置向量为目标物体的质点到该特征点的向量,相邻点信息为与该特征点相邻的特征点的信息;
特征点选取模块,用于根据位置向量,从目标物体的多个特征点中选取与传感器距离最近的特征点作为目标特征点;
角类型确定模块,用于针对目标特征点的每个相邻点,构建以目标特征点为顶点、目标特征点分别与该相邻点及传感器的连线为两条边的夹角,并确定该夹角的角类型;
最近点确定模块,用于根据不同相邻点对应的多个夹角的角类型,确定目标物体相对于传感器的物体最近点。
第三方面,本申请实施例还提供一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如上述的自动驾驶仿真中物体最近点确定方法的步骤。
本申请实施例带来了以下有益效果:
本申请实施例提供的一种自动驾驶仿真中物体最近点确定方法、装置及设备,根据特征点的位置向量选取目标物体上的目标特征点,将目标特征点作为各个夹角的顶点,以根据各个夹角的角类型确定最近点,本申请能够直接利用夹角的角类型来确定目标物体的最近点,降低了运算成本,同时,设置的特征点能够表征目标物体的外轮廓特征,提高了最近点的计算精度,与现有技术中的自动驾驶仿真中物体最近点确定方法相比,解决了在确定物体最近点时,运算成本高及计算精度低的问题。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1示出了本申请实施例所提供的自动驾驶仿真中物体最近点确定方法的流程图;
图2示出了本申请实施例所提供的目标物体上部分特征点的位置示意图;
图3a示出了本申请实施例所提供的一种二维情况下物体最近点的位置示意图;
图3b示出了本申请实施例所提供的另一种二维情况下物体最近点的位置示意图;
图4a示出了本申请实施例所提供的一种物体最近点特殊位置的示意图;
图4b示出了本申请实施例所提供的另一种物体最近点特殊位置的示意图;
图5示出了本申请实施例所提供的自动驾驶仿真中物体最近点确定装置的结构示意图;
图6示出了本申请实施例所提供的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例,都属于本申请保护的范围。
值得注意的是,在本申请提出之前,在自动驾驶仿真测试中,需要对传感器功能进行模拟,以获取用于自动驾驶控制算法测试的环境信息。理想传感器(真值传感器)是最为基础的一种模拟传感器,它可以获取自动驾驶仿真环境中车辆、行人等交通参与物的位置信息。在自动驾驶仿真中,OpenSCENARIO标准下的车辆控制其实是把车辆视为一个点,这个点是车辆的后轴中心,通过控制这个点的位置和姿态,在仿真端模拟车辆行驶,还可以根据该点的位置和距离来控制主车减速或者转向,以避免碰撞。理想传感器可以对目标车辆进行检测,输出目标车辆的后轴中心点的坐标,以利用该坐标验证主车的不同自动驾驶算法。将车辆视为质点,可以满足部分自动驾驶算法的测试要求,但是在泊车、切入等与环境车有近距离交互的场景中,不能将车辆视为一个质点。现有技术中,通常采用以下两种方法来获取目标车辆的最近点:一种是,通过物理级传感器来更逼真地还原目标车辆的详细位置信息,另一种是,将目标车辆视为矩形包围盒,根据详细位置信息或者矩形包围盒确定最近点。然而,采用第一种方法时,需要在渲染端利用光追算法来获取详细位置信息,运算成本巨大;采用第二种方法时,由于包围盒不能准确地反映出车辆的轮廓,导致最近点计算精度低的问题。
基于此,本申请实施例提供了一种自动驾驶仿真中物体最近点确定方法,以提高最近点的计算精度,降低运算成本。
请参阅图1,图1为本申请实施例所提供的一种自动驾驶仿真中物体最近点确定方法的流程图。如图1所示,本申请实施例提供的自动驾驶仿真中物体最近点确定方法,包括:
步骤S101,在自动驾驶仿真中,针对传感器探测到的目标物体,获取目标物体上每个特征点的特征点信息。
该步骤中,每个特征点是根据目标物体的外轮廓设置的,以目标物体为车辆为例,在计算精度要求较高时,车辆的外轮廓以矩形包围盒来表示是不准确的,例如:突出于车辆主体外的保险杠、车角等。本申请可为车辆设置多个特征点,这些特征点能够更准确地反映出车辆的外轮廓,更准确地表征车辆的结构信息。
特征点信息包括位置向量及相邻点信息。其中,位置向量为目标物体的质点到该特征点的向量,例如:车辆的后轴中心点到特征点的向量;相邻点信息为与该特征点相邻的特征点的信息。
在本申请实施例中,在进行自动驾驶仿真测试之前,事先已经为自动驾驶仿真场景中的每个物体设置了特征点,例如:为车辆、行人、交通标识、障碍物等均设置了各自的特征点。在进行自动驾驶仿真测试时,主车上设置的传感器会不断地对周围环境进行探测,以获取主车周围出现的物体。
以探测到的物体为车辆为例,传感器是以一帧一帧的方式进行探测的,当传感器在当前时刻(当前帧)下探测到车辆时,将该车辆作为目标物体,并获取目标物体的类型标识,例如:某品牌下某型号车辆的类型标识为1001,从数据库中获取该类型标识对应的特征点信息,目标物体上设置有多个特征点,每个特征点对应一个特征点信息。需要说明的是,后续计算均是针对当前时刻下的数据进行的计算,计算的结果也是当前时刻下目标物体的物体最近点。
下面参照图2来介绍特征点。
图2示出了本申请实施例所提供的目标物体上部分特征点的位置示意图。
如图2所示,目标物体上的部分特征点为特征点A、特征点B、特征点C及特征点D,特征点A的相邻点为特征点B、特征点C及特征点D。其中,点O为传感器所在位置,点P为点O向特征点A、特征点C及特征点所在平面作垂线得到的垂足。
传感器在当前时刻(当前帧)下探测到目标物体后,获取目标物体的类型标识对应的全部特征点的特征点信息,全部特征点包括特征点A、特征点B、特征点C、特征点D及其他特征点。以特征点A为例,特征点A的特征点信息包括目标物体的质点到特征点A的向量及相邻点信息,相邻点信息包括多个相邻点的编号,即特征点B的编号、特征点C的编号、特征点D的编号。在具体存储目标物体的特征点时,每个特征点对应一条存储记录,每条存储记录上存储了该特征点的位置向量及该特征点的多个相邻点的编号。
在一可选实施例中,在步骤S101之前,还包括:步骤a1。
步骤a1,根据自动驾驶仿真测试的精度要求,为目标物体设置表征目标物体外轮廓的多个特征点。
对于同一目标物体来说,可根据不同的精度要求设置不同数量的特征点,当自动驾驶仿真测试的精度要求较高时,可为目标物体设置较多的特征点;当自动驾驶仿真测试的精度要求较低时,可为目标物体设置少量的特征点,以适应不同的精度要求。
另外,除了可根据自动驾驶仿真测试的精度要求确定特征点的数量之外,还可以根据进行自动驾驶仿真测试的设备的算力能力及自动驾驶仿真场景的复杂度来综合确定特征点的数量。
这里,将特征点设置密度分为三个等级,三个等级按照密度由高到低依次为第一等级、第二等级及第三等级。在满足设备的算力能力的前提下,当自动驾驶仿真测试的精度要求高于第一精度阈值且自动驾驶仿真场景的复杂度低于第一复杂度阈值时,按照第一等级的密度设置特征点;在满足设备的算力能力的前提下,当自动驾驶仿真测试的精度要求低于第二精度阈值且自动驾驶仿真场景的复杂度高于第二复杂度阈值时,按照第三等级的密度设置特征点;在满足设备的算力能力的前提下,当自动驾驶仿真测试的精度要求介于第一精度阈值与第二精度阈值之间且自动驾驶仿真场景的复杂度介于第一复杂度阈值与第二复杂度阈值之间时,按照第二等级的密度设置特征点。
步骤S102,根据位置向量,从目标物体的多个特征点中选取与传感器距离最近的特征点作为目标特征点。
该步骤中,物体最近点不一定是目标物体上的特征点,但是由于目标物体的外轮廓是通过特征点来表征的,因此目标物体与传感器之间的物体最近点,必然在与传感器距离最近的特征点与其他特征点的连线上,或者在与传感器距离最近的特征点与其他特征点构成的平面上,于是可先确定与传感器距离最近的目标特征点,再通过目标特征点确定物体最近点。
针对每个特征点,根据该特征点的位置向量确定该特征点的坐标,利用坐标确定该特征点的与传感器之间的距离。根据不同特征点与传感器之间的距离选取目标特征点。
在一可选实施例中,步骤S102,包括:步骤b1、步骤b2、步骤b3。
步骤b1,针对目标物体的每个特征点,确定该特征点在传感器坐标系下的特征点坐标。
在传感器坐标系下,计算每个特征点的特征点坐标,第i个特征点的特征点坐标记作:。其中,传感器坐标系是以传感器中心为原点建立的三维坐标系。
步骤b2,根据特征点坐标,确定该特征点与传感器之间的距离。
当前时刻下传感器的坐标是已知的,可以根据该特征点的特征点坐标及传感器的坐标,计算出当前时刻下该特征点与传感器之间的距离。
步骤b3,从多个特征点中选取距离最短的特征点作为目标特征点。
按照距离从小到大的顺序对多个特征点进行排序,选取排在第一位的特征点作为目标特征点,该目标特征点就是与传感器距离最近的特征点。
在一可选实施例中,步骤b1,包括:步骤b11、步骤b12及步骤b13。
步骤b11,获取目标物体的姿态角对应的旋转矩阵及目标物体在传感器坐标系下的物体位置坐标。
目标物体在自动驾驶仿真场景中的位置坐标是已知的,可将目标物体在自动驾驶仿真场景中的位置坐标转换为传感器坐标下的物体位置坐标,物体位置坐标记作:Position。同时,目标物体的姿态角对应的旋转矩阵也是已知的,可直接获取姿态角对应的旋转矩阵,旋转矩阵记作:。
步骤b12,将旋转矩阵与该特征点的位置向量的乘积作为偏移向量。
这里,假设该特征点为第i个特征点,第i个特征点的位置向量记作:,则第i个特征点对应的偏移向量为/>。
步骤b13,将偏移向量与物体位置坐标之和作为该特征点在传感器坐标系下的特征点坐标。
在传感器坐标系下,第i个特征点的特征点坐标为。
步骤S103,针对目标特征点的每个相邻点,构建以目标特征点为顶点、目标特征点分别与该相邻点及传感器的连线为两条边的夹角,并确定该夹角的角类型。
该步骤中,以图2为例,假设目标特征点为特征点A,传感器所在位置为点O,特征点A的相邻点分别为特征点B、特征点C及特征点D。
针对特征点B,构建顶点为特征点A,边为BA及AO的夹角,该夹角为∠OAB;边为AB及AO的夹角,该夹角为∠OAB;针对特征点C,构建顶点为特征点A,边为AC及AO的夹角,该夹角为∠OAC;针对特征点D,构建顶点为特征点A,边为AD及AO的夹角,该夹角为∠OAD。然后,根据每个夹角对应的特征点的位置向量,确定每个夹角的角类型。
在一可选实施例中,步骤S103中,并确定该夹角的角类型,包括:步骤c1、步骤c2、步骤c3、步骤c4。
步骤c1,获取该夹角的两条边各自对应的边向量,确定两个边向量的点积。
边向量为该夹角的一条边上的两个特征点对应的向量,以∠OAB为例,该夹角的一条为AB,另一条为AO,则边向量分别表示为、/>。其中,一个边向量是由该条边上的两个特征点的位置向量之差计算得到的,例如:计算特征点B的位置向量与特征点A的位置向量之差,得到边向量/>。然后,计算两个边向量的点积,即/>;同样地,针对∠OAC,计算;针对∠OAD,计算/>。边向量是由目标特征点指向该条边上的另一个特征点的向量。
步骤c2,若两个边向量的点积大于0,则确定该夹角为锐角。
若,则∠OAB为锐角;若/>,则∠OAC为锐角;若,则∠OAD为锐角。
步骤c3,若两个边向量的点积小于0,则确定该夹角为钝角。
若,则∠OAB为钝角;若/>,则∠OAC为钝角;若,则∠OAD为钝角。
步骤c4,若两个边向量的点积等于0,则确定该夹角为直角。
若,则∠OAB为直角;若/>,则∠OAC为直角;若,则∠OAD为直角。
步骤S104,根据不同相邻点对应的多个夹角的角类型,确定目标物体相对于传感器的物体最近点。
该步骤中,角类型由角度大小决定,角类型包括:锐角、钝角、直角。
物体最近点是传感器探测到的目标物体上与传感器距离最近的点。
在本申请实施例中,物体最近点是目标物体上与传感器距离最近的点,该物体最近点的位置存在三种情况:第一种情况是,物体最近点就是某个特征点;第二种情况是,物体最近点在与某个特征点相邻的一条棱上;第三种情况是,物体最近点在与某个特征点相邻的一个面上。
为了便于说明,下面参照图3a及图3b来说明二维情况下物体最近点的计算原理。
图3a示出了本申请实施例所提供的一种二维情况下物体最近点的位置示意图。图3b示出了本申请实施例所提供的另一种二维情况下物体最近点的位置示意图。
如图3a及图3b所示,特征点A、特征点B、特征点C及传感器对应的点O均处于同一平面内,首先遍历目标物体上所有的特征点,寻找到距离传感器最近的特征点A,此时会出现上图3a及图3b中的两种情况(三维情况下会是三种,原理类似)。可通过判断点O与特征点A对应的边OA以及特征点A与相邻点B或者特征点C构成的夹角的角度来确定物体最近点的位置。如图3a所示,∠OAC<90°,根据三角形的性质可指,必然存在直角边OP,使得OP的长度小于OA的长度,因此,点O到AC边上的垂足即为物体最近点。如图3b所示,∠OAC>90°且∠OAB>90°,不存在小于90°的夹角,此时不存在直角边,因此,物体最近点就是特征点A本身。
同理,在三维情况下也可以根据夹角的角度与90°之间的大小关系来确定物体最近点的位置,即根据夹角的角类型确定物体最近点的位置。
在一可选实施例中,步骤S104,包括:步骤d1、步骤d2、步骤d3。
步骤d1,若每个相邻点对应的夹角均为钝角,则将目标特征点作为物体最近点。
由于三维是包括二维情况的,因此,对于多个相邻点与目标特征点在同一平面的二维情况及多个相邻点与目标特征点不在同一平面的三维情况均有步骤d1的结果。
下面以图2中的三维情况为例,对物体最近点的位置确定过程进行说明,特征点A为目标特征点,特征点A有三个相邻点,当满足,/>,/>,即点O及特征点A分别与三个相邻点形成的三个夹角均为钝角时,直接将特征点A作为物体最近点。需要说明的是,通常情况下每个特征点均有三个相邻点。
步骤d2,若多个相邻点中仅有一个相邻点对应的夹角为锐角或者直角,则将夹角为锐角或者直角的相邻点与目标特征点的连线作为目标棱,将传感器到目标棱的垂足作为物体最近点。
针对特征点A来说,当满足,/>,/>0时,将∠OAC的边AC作为目标棱,由传感器对应的点O向边AC作垂线,将边AC上的垂足作为物体最近点。物理最近点的位置坐标可表示为:
。
当满足,/>,/>0时,将∠OAB的边AB作为目标棱,由传感器对应的点O向边AB作垂线,将边AB上的垂足作为物体最近点。物理最近点的位置坐标可表示为:
。
当满足,/>,/>0时,将∠OAD的边AD作为目标棱,由传感器对应的点O向边AD作垂线,将边AD上的垂足作为物体最近点。物理最近点的位置坐标可表示为:
。
其中,与/>的方向相反的两个向量。
步骤d3,若多个相邻点中至少有两个相邻点对应的夹角为锐角或者直角,则将夹角为锐角或者直角的两个目标相邻点与目标特征点所在的平面作为目标平面,将传感器到目标平面的垂足作为物体最近点。
针对特征点A来说,当满足,/>,/>0时,将∠OAC的边AC及∠OAB的边AB所在的平面作为目标平面,由传感器对应的点O向目标平面作垂线,将目标平面上的垂足作为物体最近点。物理最近点的位置坐标可表示为:
。
当满足,/>,/>0时,将∠OAC的边AC及∠OAD的边AD所在的平面作为目标平面,由传感器对应的点O向目标平面作垂线,将目标平面上的垂足作为物体最近点。物理最近点的位置坐标可表示为:
。
当满足,/>,/>0时,将∠OAB的边AB及∠OAD的边AD所在的平面作为目标平面,由传感器对应的点O向目标平面作垂线,将目标平面上的垂足作为物体最近点。物理最近点的位置坐标可表示为:
。
在一可选实施例中,步骤d3中,将夹角为锐角或者直角的两个目标相邻点与目标特征点所在的平面作为目标平面,包括:步骤d31。
步骤d31,从夹角为锐角或者直角的多个相邻点中选取角度最小的前两个夹角对应的相邻点作为目标相邻点;将目标相邻点与目标特征点所在的平面作为目标平面。
以目标特征点为特征点A为例,当特征点A对应的多个相邻点大于3个时,按照每个相邻点对应的夹角的角度由小到大的顺序进行排列,选取排名前两位的夹角对应的相邻点作为目标相邻点,将两个目标相邻点与特征点A所在的平面作为目标平面。
在一可选实施例中,在步骤d3之后,还包括:步骤d4、步骤d5及步骤d6。
步骤d4,确定物体最近点是否处于目标平行四边形内。
这里,需要对特殊情况进行处理,当至少有两个相邻点对应的夹角为锐角或者直角时,可能因为夹角∠CAB较小或者特征点是凹点,出现物体最近点在两条边构成的平行四边形外的情况。下面参照图4a及图4b来说明上述两种特征情况。
图4a示出了本申请实施例所提供的一种物体最近点特殊位置的示意图。图4b示出了本申请实施例所提供的另一种物体最近点特殊位置的示意图。
如图4a所示,当目标特征点A对应的两个夹角∠OAB及∠OAC均为锐角时,∠CAB是很小的,此时如果将物体最近点确定为特征点A、特征点B、特征点C所在目标平面的垂足是不合理的,导致确定的物体最近点不在目标物体上。因此,需要在确定物体最近点后,对物体最近点的位置进行验证。
如图4b所示,目标特征点A是∠CAB的凹点,同样地,此时如果将物体最近点确定为特征点A、特征点B、特征点C所在目标平面的垂足,也会导致确定的物体最近点不在目标物体上。
在对物体最近点位置进行验证时,首先确定物体最近点是否处于目标平行四边形内。其中,目标平行四边形为夹角为锐角或者直角的两个目标相邻点与目标特征点对应的平行四边形,即相邻点B、相邻点C及目标特征点A对应的平行四边形。
步骤d5,若物体最近点不处于目标平行四边形内,则从两个锐角中选取角度最小的锐角对应的目标相邻点作为优选相邻点。
若物体最近点处于目标平行四边形内,则直接将目标平面上的垂足作为最终的物体最近点,若物体最近点不处于目标平行四边形内,说明需要重新确定物体最近点的位置,于是从两个锐角中选取角度最小的锐角对应的相邻点作为目标相邻点,例如:以图4a为例,假设∠OAB为60°,∠OAC为40°,则选取∠OAC上的特征点C作为优选相邻点,目标连线为优选相邻点与目标特征点之间的连线,AC即为目标连线或者叫目标棱。
步骤d6,由传感器向目标连线作垂线,将目标连线上的垂足作为最终的物体最近点P。
由点O向AC作垂线,将AC上的垂足作为最终的物体最近点P。
与现有技术中自动驾驶仿真中物体最近点确定方法相比,本申请根据特征点的位置向量选取目标物体上的目标特征点,将目标特征点作为各个夹角的顶点,以根据各个夹角的角类型确定最近点,本申请能够直接利用夹角的角类型来确定目标物体的最近点,降低了运算成本,同时,设置的特征点能够表征目标物体的外轮廓特征,提高了最近点的计算精度,解决了在确定物体最近点时,运算成本高及计算精度低的问题。
基于同一发明构思,本申请实施例中还提供了与自动驾驶仿真中物体最近点确定方法对应的自动驾驶仿真中物体最近点确定装置,由于本申请实施例中的装置解决问题的原理与本申请实施例上述自动驾驶仿真中物体最近点确定方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。
请参阅图5,图5为本申请实施例所提供的一种自动驾驶仿真中物体最近点确定装置的结构示意图。如图5中所示,所述自动驾驶仿真中物体最近点确定装置200包括:
信息获取模块201,用于在自动驾驶仿真中,针对传感器探测到的目标物体,获取目标物体上每个特征点的特征点信息,每个特征点是根据目标物体的外轮廓设置的,特征点信息包括位置向量及相邻点信息,位置向量为目标物体的质点到该特征点的向量,相邻点信息为与该特征点相邻的特征点的信息;
特征点选取模块202,用于根据位置向量,从目标物体的多个特征点中选取与传感器距离最近的特征点作为目标特征点;
角类型确定模块203,用于针对目标特征点的每个相邻点,构建以目标特征点为顶点、目标特征点分别与该相邻点及传感器的连线为两条边的夹角,并确定该夹角的角类型;
最近点确定模块204,用于根据不同相邻点对应的多个夹角的角类型,确定目标物体相对于传感器的物体最近点。
请参阅图6,图6为本申请实施例所提供的一种电子设备的结构示意图。如图6中所示,所述电子设备300包括处理器310、存储器320和总线330。
所述存储器320存储有所述处理器310可执行的机器可读指令,当电子设备300运行时,所述处理器310与所述存储器320之间通过总线330通信,所述机器可读指令被所述处理器310执行时,可以执行如上述图1所示方法实施例中的自动驾驶仿真中物体最近点确定方法的步骤,具体实现方式可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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,又例如,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信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,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。
另外,在本申请各个实施例中的各功能单元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。
所述功能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,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,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:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种自动驾驶仿真中物体最近点确定方法,其特征在于,包括:
在自动驾驶仿真中,针对传感器探测到的目标物体,获取所述目标物体上每个特征点的特征点信息,所述每个特征点是根据目标物体的外轮廓设置的,所述特征点信息包括位置向量及相邻点信息,所述位置向量为所述目标物体的质点到该特征点的向量,所述相邻点信息为与该特征点相邻的特征点的信息;
根据所述位置向量,从所述目标物体的多个特征点中选取与所述传感器距离最近的特征点作为目标特征点;
针对所述目标特征点的每个相邻点,构建以所述目标特征点为顶点、所述目标特征点分别与该相邻点及所述传感器的连线为两条边的夹角,并确定该夹角的角类型;
根据不同相邻点对应的多个夹角的角类型,确定所述目标物体相对于所述传感器的物体最近点。
2.根据权利要求1所述的方法,其特征在于,所述根据所述位置向量,从所述目标物体的多个特征点中选取与所述传感器距离最近的特征点作为目标特征点,包括:
针对所述目标物体的每个特征点,确定该特征点在传感器坐标系下的特征点坐标;
根据所述特征点坐标,确定该特征点与所述传感器之间的距离;
从多个特征点中选取距离最短的特征点作为目标特征点。
3.根据权利要求2所述的方法,其特征在于,所述确定该特征点在传感器坐标系下的特征点坐标,包括:
获取所述目标物体的姿态角对应的旋转矩阵及所述目标物体在传感器坐标系下的物体位置坐标;
将所述旋转矩阵与该特征点的位置向量的乘积作为偏移向量;
将所述偏移向量与所述物体位置坐标之和作为该特征点在传感器坐标系下的特征点坐标。
4.根据权利要求1所述的方法,其特征在于,所述根据不同相邻点对应的多个夹角的角类型,确定所述目标物体相对于所述传感器的物体最近点,包括:
若每个相邻点对应的夹角均为钝角,则将所述目标特征点作为物体最近点;
若多个相邻点中仅有一个相邻点对应的夹角为锐角或者直角,则将夹角为锐角或者直角的相邻点与所述目标特征点的连线作为目标棱,将所述传感器到所述目标棱的垂足作为物体最近点;
若多个相邻点中有至少两个相邻点对应的夹角为锐角或者直角,则将夹角为锐角或者直角的两个目标相邻点与所述目标特征点所在的平面作为目标平面,将所述传感器到所述目标平面的垂足作为物体最近点。
5.根据权利要求4所述的方法,其特征在于,在所述将所述传感器到所述目标平面的垂足作为物体最近点之后,还包括:
确定所述物体最近点是否处于目标平行四边形内,所述目标平行四边形为夹角为锐角或者直角的两个目标相邻点与所述目标特征点对应的平行四边形;
若所述物体最近点不处于所述目标平行四边形内,则从两个锐角中选取角度最小的锐角对应的目标相邻点作为优选相邻点;
由所述传感器向目标连线作垂线,将所述目标连线上的垂足作为最终的物体最近点,所述目标连线为所述优选相邻点与所述目标特征点之间的连线。
6.根据权利要求1所述的方法,其特征在于,所述并确定该夹角的角类型,包括:
获取该夹角的两条边各自对应的边向量,确定两个边向量的点积,所述边向量为该夹角的一条边上的两个特征点对应的向量;
若两个边向量的点积大于0,则确定该夹角为锐角;
若两个边向量的点积小于0,则确定该夹角为钝角;
若两个边向量的点积等于0,则确定该夹角为直角。
7.根据权利要求4所述的方法,其特征在于,所述将夹角为锐角或者直角的两个目标相邻点与所述目标特征点所在的平面作为目标平面,包括:
从夹角为锐角或者直角的多个相邻点中选取角度最小的前两个夹角对应的相邻点作为目标相邻点;
将所述目标相邻点与所述目标特征点所在的平面作为目标平面。
8.根据权利要求1所述的方法,其特征在于,在所述针对传感器探测到的目标物体,获取所述目标物体上每个特征点的特征点信息之前,还包括:
根据自动驾驶仿真测试的精度要求,为所述目标物体设置表征目标物体外轮廓的多个特征点。
9.一种自动驾驶仿真中物体最近点确定装置,其特征在于,包括:
信息获取模块,用于在自动驾驶仿真中,针对传感器探测到的目标物体,获取所述目标物体上每个特征点的特征点信息,所述每个特征点是根据目标物体的外轮廓设置的,所述特征点信息包括位置向量及相邻点信息,所述位置向量为所述目标物体的质点到该特征点的向量,所述相邻点信息为与该特征点相邻的特征点的信息;
特征点选取模块,用于根据所述位置向量,从所述目标物体的多个特征点中选取与所述传感器距离最近的特征点作为目标特征点;
角类型确定模块,用于针对所述目标特征点的每个相邻点,构建以所述目标特征点为顶点、所述目标特征点分别与该相邻点及所述传感器的连线为两条边的夹角,并确定该夹角的角类型;
最近点确定模块,用于根据不同相邻点对应的多个夹角的角类型,确定所述目标物体相对于所述传感器的物体最近点。
10.一种电子设备,其特征在于,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行如权利要求1至8中任一项所述的自动驾驶仿真中物体最近点确定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311385466.3A CN117111491B (zh) | 2023-10-25 | 2023-10-25 | 一种自动驾驶仿真中物体最近点确定方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311385466.3A CN117111491B (zh) | 2023-10-25 | 2023-10-25 | 一种自动驾驶仿真中物体最近点确定方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117111491A true CN117111491A (zh) | 2023-11-24 |
CN117111491B CN117111491B (zh) | 2024-01-19 |
Family
ID=88806056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311385466.3A Active CN117111491B (zh) | 2023-10-25 | 2023-10-25 | 一种自动驾驶仿真中物体最近点确定方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117111491B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001194128A (ja) * | 2000-01-06 | 2001-07-19 | Natl Inst Of Advanced Industrial Science & Technology Meti | 焦点光源付ステレオカメラによる3次元面形状推定方法 |
CN111539278A (zh) * | 2020-04-14 | 2020-08-14 | 浙江吉利汽车研究院有限公司 | 一种用于目标车辆的检测方法及系统 |
CN112016568A (zh) * | 2019-05-31 | 2020-12-01 | 北京初速度科技有限公司 | 一种目标对象的图像特征点的跟踪方法及装置 |
CN113628263A (zh) * | 2021-09-06 | 2021-11-09 | 西安热工研究院有限公司 | 一种基于局部曲率及其近邻特征的点云配准方法 |
US20210365695A1 (en) * | 2018-09-30 | 2021-11-25 | Great Wall Motor Company Limited | Method and apparatus used for extracting feature point of environmental target |
CN113763419A (zh) * | 2021-04-29 | 2021-12-07 | 腾讯科技(深圳)有限公司 | 一种目标跟踪方法、设备及计算机可读存储介质 |
-
2023
- 2023-10-25 CN CN202311385466.3A patent/CN117111491B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001194128A (ja) * | 2000-01-06 | 2001-07-19 | Natl Inst Of Advanced Industrial Science & Technology Meti | 焦点光源付ステレオカメラによる3次元面形状推定方法 |
US20210365695A1 (en) * | 2018-09-30 | 2021-11-25 | Great Wall Motor Company Limited | Method and apparatus used for extracting feature point of environmental target |
CN112016568A (zh) * | 2019-05-31 | 2020-12-01 | 北京初速度科技有限公司 | 一种目标对象的图像特征点的跟踪方法及装置 |
CN111539278A (zh) * | 2020-04-14 | 2020-08-14 | 浙江吉利汽车研究院有限公司 | 一种用于目标车辆的检测方法及系统 |
CN113763419A (zh) * | 2021-04-29 | 2021-12-07 | 腾讯科技(深圳)有限公司 | 一种目标跟踪方法、设备及计算机可读存储介质 |
CN113628263A (zh) * | 2021-09-06 | 2021-11-09 | 西安热工研究院有限公司 | 一种基于局部曲率及其近邻特征的点云配准方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117111491B (zh) | 2024-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109214980B (zh) | 一种三维姿态估计方法、装置、设备和计算机存储介质 | |
CN108629231B (zh) | 障碍物检测方法、装置、设备及存储介质 | |
JP7101255B2 (ja) | 目標対象の運動の向きを予測するための方法、車両制御方法及び装置 | |
CN108734058B (zh) | 障碍物类型识别方法、装置、设备及存储介质 | |
EP3624055B1 (en) | Ground detection method, apparatus, electronic device, vehicle and storage medium | |
CN110390306B (zh) | 直角车位的检测方法、车辆和计算机可读存储介质 | |
US11077756B2 (en) | Area occupancy determining device | |
WO2021056516A1 (zh) | 目标检测方法、设备及可移动平台 | |
Danescu et al. | Particle grid tracking system stereovision based obstacle perception in driving environments | |
CN112166458A (zh) | 目标检测与跟踪方法、系统、设备及存储介质 | |
EP3918514A1 (en) | Object detection apparatus, system and method | |
CN114255252B (zh) | 障碍物轮廓获取方法、装置、设备及计算机可读存储介质 | |
CN115326051A (zh) | 一种基于动态场景的定位方法、装置、机器人及介质 | |
CN117671013B (zh) | 点云定位方法、智能设备及计算机可读存储介质 | |
CN114663529A (zh) | 一种外参确定方法、装置、电子设备及存储介质 | |
CN116339347B (zh) | 一种无人车运行路径规划方法、装置及设备 | |
CN116342704B (zh) | 一种扫描点类别确定方法、装置、计算机设备及存储介质 | |
CN112639822B (zh) | 一种数据处理方法及装置 | |
CN117111491B (zh) | 一种自动驾驶仿真中物体最近点确定方法、装置及设备 | |
CN112597946A (zh) | 障碍物表示方法、装置、电子设备及可读存储介质 | |
JP7375149B2 (ja) | 測位方法、測位装置、ビジュアルマップの生成方法およびその装置 | |
CN110827337B (zh) | 确定车载相机的姿态的方法、装置和电子设备 | |
Cho et al. | Real-time 3D reconstruction method using massive multi-sensor data analysis and fusion | |
Kitsukawa et al. | Robustness Evaluation of Vehicle Localization in 3D Map Using Convergence of Scan Matching | |
CN113619606A (zh) | 障碍物确定方法、装置、设备以及存储介质 |
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 |