CN117475395A - 基于激光雷达的灰尘检测方法、系统及介质 - Google Patents
基于激光雷达的灰尘检测方法、系统及介质 Download PDFInfo
- Publication number
- CN117475395A CN117475395A CN202311527317.6A CN202311527317A CN117475395A CN 117475395 A CN117475395 A CN 117475395A CN 202311527317 A CN202311527317 A CN 202311527317A CN 117475395 A CN117475395 A CN 117475395A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- grid
- cluster
- clusters
- ground
- 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
- 239000000428 dust Substances 0.000 title claims abstract description 127
- 238000001514 detection method Methods 0.000 title claims abstract description 45
- 239000011159 matrix material Substances 0.000 claims abstract description 59
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000013145 classification model Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 9
- 230000008447 perception Effects 0.000 abstract description 12
- 230000008569 process Effects 0.000 description 13
- 230000008859 change Effects 0.000 description 10
- 238000005065 mining Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 239000010419 fine particle Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/273—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 removing elements interfering with the pattern to be recognised
-
- 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
- G06V10/72—Data preparation, e.g. statistical preprocessing of image or video 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
Abstract
本申请提供一种基于激光雷达的灰尘检测方法、系统及介质。该方法包括:获取车载激光雷达扫描到的点云数据,并对点云数据进行预处理,以得到非地面点云栅格;确定非地面点云栅格的栅格特征值,并根据栅格特征值对非地面点云栅格进行聚类,以得到点云簇;计算点云簇的簇特征值,并对点云簇进行目标跟踪,以得到点云簇的时间序列矩阵,时间序列矩阵包括点云簇在不同时刻下的簇特征值;将点云簇的时间序列矩阵输入至训练好的分类模型中进行分类,以得到灰尘点云簇,并在点云数据中删除灰尘点云簇。本申请的方法,能够简单、准确地检测出灰尘点云,从而提高车辆自动驾驶感知的准确性。
Description
技术领域
本申请涉及自动驾驶技术领域,尤其涉及一种基于激光雷达的灰尘检测方法、系统及介质。
背景技术
随着自动驾驶技术的发展,自动驾驶车辆在港口、高速、矿区等场景落地运营,人们对自动驾驶车辆的要求也越来越高。
自动驾驶车辆在矿区等封闭园区驾驶时,需要以激光雷达获取点云数据进行环境感知,识别周围障碍物信息,以确定驾驶路线。但矿区环境下存在大量的灰尘粒子,这些细小的颗粒会散布在空气中并通过自然风吹散,最终落在地面上。由此产生的灰尘点云会影响激光雷达的点云数据采集质量,导致车辆自动驾驶系统出现明显的误差和偏差。因此,需要使用激光点云灰尘滤除算法对激光雷达收集到的点云数据进行处理,从而消除灰尘点云的干扰,并提高数据的质量和准确性。现有技术中检测灰尘点云的方式大致有三种:第一种是在车辆上增设毫米波雷达等设备,利用多模态的交叉验证进行灰尘点云的检测;第二种是利用投影深度图像的方式进行灰尘点云的检测;第三种是将激光雷达设置为多回波模式进行灰尘点云的检测。但是,这三种检测方式均存在缺点:利用多模态进行检测的方式,需要在车辆上增加设备,提高了成本,并且检测过程复杂;利用投影深度图像进行检测的方式,丢失了一部分空间维度的信息,模型效果上限较低,具有一定的局限性,检测准确性差;利用多回波模式进行检测的方式,尽管能够准确检测灰尘点云,但多回波模式反而对点云数据的采集带来了更多的干扰。
因此,需要一种能够简单、准确地检测出灰尘点云,从而提高车辆自动驾驶感知的准确性的基于激光雷达的灰尘检测方案。
发明内容
本申请提供一种基于激光雷达的灰尘检测方法、系统及介质,用以解决现有的灰尘检测方法复杂、准确性差,导致车辆自动驾驶感知的准确性差的技术问题。
第一方面,本申请提供一种基于激光雷达的灰尘检测方法,包括:
获取车载激光雷达扫描到的点云数据,并对所述点云数据进行预处理,以得到非地面点云栅格;
确定所述非地面点云栅格的栅格特征值,并根据所述栅格特征值对所述非地面点云栅格进行聚类,以得到点云簇;
计算所述点云簇的簇特征值,并对所述点云簇进行目标跟踪,以得到所述点云簇的时间序列矩阵,所述时间序列矩阵包括所述点云簇在不同时刻下的簇特征值;
将所述点云簇的时间序列矩阵输入至训练好的分类模型中进行分类,以得到灰尘点云簇,并在所述点云数据中删除所述灰尘点云簇。
在一种可能的实施方式中,所述对所述点云数据进行预处理,以得到非地面点云栅格,具体包括:
根据道路边界信息,确定所述点云数据中的感兴趣区域;
利用第一栅格尺寸,对所述感兴趣区域进行体素化处理,以得到多个栅格;
利用平面栅格算法,对每一栅格内的点云数据进行计算,以确定非地面点云栅格。
在一种可能的实施方式中,所述确定所述非地面点云栅格的栅格特征值,具体包括:
根据所述非地面点云栅格的点云数量、点云密度、点云密度方差以及点云位置方差,确定所述非地面点云栅格的栅格特征值。
在一种可能的实施方式中,所述根据所述非地面点云栅格的点云数量、点云密度、点云密度方差以及点云位置方差,确定所述非地面点云栅格的栅格特征值,具体包括:
当所述非地面点云栅格为非空栅格时,确定所述非地面点云栅格中的点云数量Nxyz,其中,所述xyz表示所述非地面点云栅格在激光雷达自身坐标系下的空间坐标位置;
根据所述第一栅格尺寸以及所述点云数量,确定所述非地面点云栅格的点云密度ρxyz=Nxyz/I3,其中,所述I表示所述第一栅格尺寸;
利用第二栅格尺寸,对所述非地面点云栅格进行划分,以得到多个子栅格,计算每一子栅格对应的点云密度ρi,并根据每一子栅格对应的点云密度计算得到所述非地面点云栅格的平均点云密度根据每一子栅格对应的点云密度以及所述平均点云密度,计算所述非地面点云栅格的点云密度方差/> 其中,所述第二栅格尺寸小于所述第一栅格尺寸,所述ρi表示第i个子栅格对应的点云密度,n表示子栅格的数量;
根据所述非地面点云栅格中每一点云的位置,计算所述非地面点云栅格的点云位置方差其中,所述aj表示所述非地面点云栅格中第j个点云的位置,所述/>表示所述非地面点云栅格的几何中心;
对所述非地面点云栅格的点云数量、点云密度、点云密度方差以及点云位置方差进行向量归一化处理,以得到所述非地面点云栅格的四维栅格特征向量。
在一种可能的实施方式中,所述计算所述点云簇的簇特征值,具体包括:
根据所述点云簇的栅格数量、簇体积、簇密度、簇空间均匀度、栅格位置方差、不同高度比例下的点云含量百分比以及不同体积包围内的点云含量百分比,计算得到所述点云簇的簇特征值。
在一种可能的实施方式中,所述根据所述点云簇的栅格数量、簇体积、簇密度、簇空间均匀度、栅格位置方差、不同高度比例下的点云含量百分比以及不同体积包围内的点云含量百分比,计算得到所述点云簇的簇特征值,具体包括:
根据所述点云簇中非空栅格的数量,确定所述点云簇的栅格数量MXYZ,其中,所述XYZ表示所述点云簇在激光雷达自身坐标系下的空间坐标位置;
根据所述栅格数量以及所述第一栅格尺寸,确定所述点云簇的簇体积VXYZ=MXYZ×I3;
根据所述点云簇中每一非空栅格中的点云数量以及所述簇体积,确定所述点云簇的簇密度其中,所述Nxyz,e表示第e个非空栅格中的点云数量;
根据所述点云簇中每一非空栅格的点云密度方差计算得到所述点云簇的平均点云密度方差并根据每一非空栅格的点云密度方差以及所述平均点云密度方差,确定所述点云簇的簇空间均匀度/> 其中,所述/>表示第e个非空栅格的点云密度方差;
根据所述点云簇中每一非空栅格的点云位置方差,计算所述点云簇的栅格位置方差其中,所述/>表示第e个非空栅格的点云位置方差,所述/>表示所述点云簇的几何中心;
确定所述点云簇在不同高度比例下的点云含量百分比,以及在不同体积包围内的点云含量百分比;
对所述点云簇的栅格数量、簇体积、簇密度、簇空间均匀度、栅格位置方差、不同高度比例下的点云含量百分比以及不同体积包围内的点云含量百分比进行向量归一化处理,以得到所述点云簇对应的七维簇特征向量。
在一种可能的实施方式中,所述将所述点云簇的时间序列矩阵输入至训练好的分类模型中进行分类,以得到灰尘点云簇,具体包括:
对于每一点云簇,
对所述点云簇的时间序列矩阵进行标准化处理,以得到标准化时间序列矩阵;
将所述标准化时间序列矩阵输入至训练好的分类模型中,以得到所述点云簇在每一预设类别的置信度分数,所述预设类别包括灰尘类别和非灰尘类别;
若所述点云簇在灰尘类别的置信度分数大于分数阈值,则所述点云簇为灰尘点云簇。
第二方面,本申请提供一种车辆控制系统,包括:
获取模块,用于获取车载激光雷达扫描到的点云数据;
处理模块,用于对所述点云数据进行预处理,以得到非地面点云栅格;确定所述非地面点云栅格的栅格特征值,并根据所述栅格特征值对所述非地面点云栅格进行聚类,以得到点云簇;计算所述点云簇的簇特征值,并对所述点云簇进行目标跟踪,以得到所述点云簇的时间序列矩阵,所述时间序列矩阵包括所述点云簇在不同时刻下的簇特征值;将所述点云簇的时间序列矩阵输入至训练好的分类模型中进行分类,以得到灰尘点云簇,并在所述点云数据中删除所述灰尘点云簇。
第三方面,本申请提供另一种车辆控制系统,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现上述的方法。
第四方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现上述的方法。
第五方面,本申请提供一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述的方法。
本申请提供的基于激光雷达的灰尘检测方法、系统及介质,可以获取车载激光雷达扫描到的点云数据,并对点云数据进行预处理,以得到非地面点云栅格;确定非地面点云栅格的栅格特征值,并根据栅格特征值对非地面点云栅格进行聚类,以得到点云簇;计算点云簇的簇特征值,并对点云簇进行目标跟踪,以得到点云簇的时间序列矩阵,时间序列矩阵包括点云簇在不同时刻下的簇特征值;将点云簇的时间序列矩阵输入至训练好的分类模型中进行分类,以得到灰尘点云簇,并在点云数据中删除灰尘点云簇。本申请的方法,由于灰尘漂浮在空中对道路点云数据的采集造成干扰,因此,在进行灰尘点云检测时首先需要确定非地面点云栅格。在得到非地面点云栅格之后,可以首先计算每个非地面点云栅格的特征值来表征不同类别点云分布的局部空间特征,并基于每个栅格的特征值进行聚类,将属于同一类特征的栅格聚类成簇,同时计算每个点云簇的簇特征值。之后对点云簇的簇特征值进行目标跟踪并记录得到表征时序变化特征的时间序列矩阵,将时间序列矩阵送入分类模型中进行分类即可得到灰尘点云簇。通过这样的设置,充分考虑了灰尘的空间分布特征和时序变化特征,从而准确识别出灰尘点云,操作简单鲁棒性好,也不需要额外增设其他设备或者将激光雷达设置为多回波模式,可有效减少灰尘点云导致的感知误检,提高自动驾驶车辆的感知稳定性和运行效率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为本申请一实施例的系统架构图;
图2为本申请一实施例的基于激光雷达的灰尘检测方法的流程图;
图3为本申请一实施例的车辆控制系统的结构示意图;
图4为本申请另一实施例的车辆控制系统的结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
需要说明的是,本申请的基于激光雷达的灰尘检测方法、系统及介质可用于自动驾驶技术领域,也可用于除自动驾驶技术领域之外的任意领域,例如数据处理领域等,本申请的基于激光雷达的灰尘检测方法、系统及介质的应用领域不做限定。
本申请实施例的基于激光雷达的灰尘检测方法、系统及介质,可应用于港口、高速、物流、矿山、口岸、封闭园区、或城市交通等场景,只要涉及车辆自动驾驶的场景,均可应用本申请的基于激光雷达的灰尘检测方法、系统及介质。
矿区自动驾驶技术是当前工业智能化的重要应用领域之一。自动驾驶车辆在矿区等封闭园区驾驶时,需要以激光雷达获取点云数据进行环境感知,识别周围障碍物信息,以确定驾驶路线。但矿区环境下存在大量的灰尘粒子,这些细小的颗粒会散布在空气中并通过自然风吹散,最终落在地面上。由此产生的灰尘点云会影响激光雷达的点云数据采集质量,导致车辆自动驾驶系统出现明显的误差和偏差。因此,需要使用激光点云灰尘滤除算法对激光雷达收集到的点云数据进行处理,从而消除灰尘点云的干扰,并提高数据的质量和准确性。通过采用合适的滤除算法,可以去掉噪声、识别有效信息,减少误差,从而提高了自动驾驶系统的准确性和安全性,为实现在矿区自动驾驶的工业应用提供坚实的基础。
现有技术中检测灰尘点云的方式大致有三种,但是,这三种检测方式均存在缺点:
(一)第一种是在车辆上增设毫米波雷达等设备,利用多模态的交叉验证进行灰尘点云的检测。例如,申请号为202010606196.4和202011307165.5的专利是通过多模态的手段即利用毫米波雷达的穿透性进行激光灰尘点云的交叉验证。申请号为02211572340.2的专利利用4D光场相机能够穿透灰尘障碍物的特点对可疑灰尘点云进行交叉判断。但是,这些方法都需要依赖另外一种模态的信息以及时空同步的设置,需要在车辆上增加额外设备,不仅会增加成本,并且检测过程复杂。
(二)第二种是利用投影深度图像的方式进行灰尘点云的检测。例如,申请号为202210243087.X的专利通过投影深度图像来克服点云密度受距离影响的难点,并且通过深度图的特征进行分类模型的识别,具有一定的效果。但是,投影深度图像的方式丢失了其他空间维度上的特征和信息,模型效果上限低,具有一定的局限性,灰尘点云检测的准确性差。
(三)第三种是将激光雷达设置为多回波模式进行灰尘点云的检测。例如,申请号为202110682800.6的专利通过前景和背景区分判断、是否为实心物体的穿透性分析、点云厚度分析以及法向量分析等多个特征综合判断灰尘点云,但是其需要将激光雷达设置为多回波模式,尽管能够准确检测灰尘点云,然而多回波模式反而对点云数据的采集和其他算法感知带来了更多的干扰。
基于该技术问题,本申请的发明构思在于:如何提供一种能够简单、准确地检测出灰尘点云,从而提高车辆自动驾驶感知的准确性的基于激光雷达的灰尘检测方法。
具体为,可以获取车载激光雷达扫描到的点云数据,并对点云数据进行预处理,以得到非地面点云栅格;确定非地面点云栅格的栅格特征值,并根据栅格特征值对非地面点云栅格进行聚类,以得到点云簇;计算点云簇的簇特征值,并对点云簇进行目标跟踪,以得到点云簇的时间序列矩阵,时间序列矩阵包括点云簇在不同时刻下的簇特征值;将点云簇的时间序列矩阵输入至训练好的分类模型中进行分类,以得到灰尘点云簇,并在点云数据中删除灰尘点云簇。本申请的方法,由于灰尘漂浮在空中对道路点云数据的采集造成干扰,因此,在进行灰尘点云检测时首先需要确定非地面点云栅格。在得到非地面点云栅格之后,可以首先计算每个非地面点云栅格的特征值来表征不同类别点云分布的局部空间特征,并基于每个栅格的特征值进行聚类,将属于同一类特征的栅格聚类成簇,同时计算每个点云簇的簇特征值。之后对点云簇的簇特征值进行目标跟踪并记录得到表征时序变化特征的时间序列矩阵,将时间序列矩阵送入分类模型中进行分类即可得到灰尘点云簇。通过这样的设置,充分考虑了灰尘的空间分布特征和时序变化特征,从而准确识别出灰尘点云,操作简单鲁棒性好,也不需要额外增设其他设备或者将激光雷达设置为多回波模式,可有效减少灰尘点云导致的感知误检,提高自动驾驶车辆的感知稳定性和运行效率。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
图1为本申请一实施例的系统架构图,如图1所示,1表示车载激光雷达,2表示车辆控制系统。在车辆行驶过程中,车载激光雷达1可以实时扫描获得点云数据,并将点云数据发送至车辆控制系统2。车辆控制系统2获取到车载激光雷达扫描到的点云数据之后,可以对点云数据进行预处理,以得到非地面点云栅格;确定非地面点云栅格的栅格特征值,并根据栅格特征值对非地面点云栅格进行聚类,以得到点云簇;计算点云簇的簇特征值,并对点云簇进行目标跟踪,以得到点云簇的时间序列矩阵;将点云簇的时间序列矩阵输入至训练好的分类模型中进行分类,以得到灰尘点云簇,并在点云数据中删除灰尘点云簇。
实施例一
图2为本申请一实施例的基于激光雷达的灰尘检测方法的流程图,本实施例以执行主体为车辆控制系统对该基于激光雷达的灰尘检测方法进行说明。如图2所示,该基于激光雷达的灰尘检测方法可以包括以下步骤:
S101:获取车载激光雷达扫描到的点云数据,并对点云数据进行预处理,以得到非地面点云栅格。
在本实施例中,车辆控制系统可以是自动驾驶车辆的域控制器,也可以是自动驾驶车辆的自动驾驶系统,或者自动驾驶系统的一部分。
在本实施例中,在车辆行驶过程中,车载激光雷达可以实时扫描获得点云数据,并将点云数据发送至车辆控制系统,车辆控制系统对接收到的点云数据进行相应的处理。
在本实施例中,由于灰尘一般漂浮在空中对道路点云数据的采集造成干扰,因此,只需要对非地面点云栅格中的点云数据进行灰尘检测。
在一个可能的实施方式中,上述步骤S101中的对点云数据进行预处理,以得到非地面点云栅格,可以包括:
S1031:根据道路边界信息,确定点云数据中的感兴趣区域。
S1032:利用第一栅格尺寸,对感兴趣区域进行体素化处理,以得到多个栅格。
S1033:利用平面栅格算法,对每一栅格内的点云数据进行计算,以确定非地面点云栅格。
在本实施方式中,第一栅格尺寸本领域技术人员可以根据实际灵活设置,在此不做任何限制。
在本实施方式中,平面栅格算法可以参照现有技术,在此不做赘述。其中,本实施例的地面栅格和非地面栅格的定义是通过平面栅格算法中的设定阈值来区分的,非地面栅格可以是不涉及地面的点云数据所组成的栅格。
在本实施方式中,车辆控制系统获取到激光雷达扫描到的点云数据之后,可以首先基于地图的先验信息(道路边界信息)确定出roi感兴趣区域,利用道路边界信息来把道路两边的挡墙或者土坡排除在roi感兴趣区域之外,保留待处理的道路相关区域,以便于后续的灰尘检测和道路识别与导航。由于灰尘漂浮在空中对道路点云数据的采集造成干扰,因此,在进行灰尘点云检测时首先需要确定非地面点云栅格,确定感兴趣区域之后,利用平面栅格算法即可简单而又准确地确定非地面点云栅格。
S102:确定非地面点云栅格的栅格特征值,并根据栅格特征值对非地面点云栅格进行聚类,以得到点云簇。
在本实施例中,确定各个非地面点云栅格的栅格特征值之后,即可根据栅格特征值对非地面点云栅格进行聚类,以得到点云簇。具体的聚类过程可以参照现有技术中的聚类算法,在此不做赘述。
在一个可能的实施方式中,上述步骤S102中的确定非地面点云栅格的栅格特征值,可以包括:根据非地面点云栅格的点云数量、点云密度、点云密度方差以及点云位置方差,确定非地面点云栅格的栅格特征值。
在本实施方式中,点云数量描述了栅格中点云数量的多少;点云密度描述了栅格中点云的分布情况;点云密度方差描述了栅格中点云的空间均匀度,密度方差越小,表示栅格内点云的空间均匀度越好,密度方差越大,说明点云的空间均匀度越差;点云位置方差描述了栅格内的每个点云与栅格几何中心的离散程度,位置方差越大,表示点云分布越离散,位置方差越小,表示点云分布越密集。利用点云数量、点云密度、点云密度方差以及点云位置方差,即可全面而又准确的表征栅格中点云的特征,以便后续根据栅格特征值进行聚类。
在一个可能的实施方式中,根据非地面点云栅格的点云数量、点云密度、点云密度方差以及点云位置方差,确定非地面点云栅格的栅格特征值,可以包括:
S11:当非地面点云栅格为非空栅格时,确定非地面点云栅格中的点云数量Nxyz,其中,xyz表示非地面点云栅格在激光雷达自身坐标系下的空间坐标位置。
S12:根据第一栅格尺寸以及点云数量,利用下述公式(1)确定非地面点云栅格的点云密度:
ρxyz=Nxyz/I3 (1)
其中,I表示第一栅格尺寸,ρxyz表示点云密度。
S13:利用第二栅格尺寸,对非地面点云栅格进行划分,以得到多个子栅格,计算每一子栅格对应的点云密度ρi,并根据每一子栅格对应的点云密度计算得到非地面点云栅格的平均点云密度根据每一子栅格对应的点云密度以及平均点云密度,利用下述公式(2)计算非地面点云栅格的点云密度方差:
其中,第二栅格尺寸小于第一栅格尺寸,ρi表示第i个子栅格对应的点云密度,n表示子栅格的数量,表示点云密度方差。
S14:根据非地面点云栅格中每一点云的位置,利用下述公式(3)计算非地面点云栅格的点云位置方差:
其中,aj表示非地面点云栅格中第j个点云的位置,表示非地面点云栅格的几何中心,/>表示点云位置方差。
S15:对非地面点云栅格的点云数量、点云密度、点云密度方差以及点云位置方差进行向量归一化处理,以得到非地面点云栅格的四维栅格特征向量。
在本实施方式中,当非地面点云栅格为非空栅格时,才会进行步骤S11-S15,若非地面点云栅格为空栅格,即没有点云数据,则不需要进行。
在本实施方式中,第二栅格尺寸本领域技术人员可以根据实际灵活设置,只要小于第一栅格尺寸即可,在此不做任何限制。
在本实施方式中,确定栅格中的点云数量之后,根据第一栅格尺寸以及点云数量,即可简单而又准确地确定点云密度。表示空间均匀度的点云密度方差可以通过在非地面点云栅格内设置尺寸更小的子栅格进行计算,计算每个子栅格内的点云密度以及平均点云密度之后,根据上述公式(2)即可简单而又准确地确定点云密度方差。确定非地面点云栅格中每一点云的位置之后,根据上述公式(3)即可简单而又准确地确定点云位置方差。得到点云数量、点云密度、点云密度方差以及点云位置方差之后,对其进行向量归一化处理,即可得到能够表征栅格中点云空间特征的四维栅格特征向量。
S103:计算点云簇的簇特征值,并对点云簇进行目标跟踪,以得到点云簇的时间序列矩阵,时间序列矩阵包括点云簇在不同时刻下的簇特征值。
在本实施例中,计算得到点云簇的簇特征值之后,即可对各个点云簇进行目标跟踪,从而得到同一个点云簇在不同时刻的簇特征值,最终根据各个点云簇在不同时刻的簇特征值,生成时间序列矩阵。目标跟踪的具体过程可以参照现有技术中的目标跟踪算法,在此不做赘述。
在本实施例中,点云簇的时间序列矩阵中的时间维度(即目标跟踪的时刻数目),本领域技术人员可以灵活设置,在此不做任何限制。
在一个可能的实施方式中,上述步骤S103中的计算点云簇的簇特征值,可以包括:根据点云簇的栅格数量、簇体积、簇密度、簇空间均匀度、栅格位置方差、不同高度比例下的点云含量百分比以及不同体积包围内的点云含量百分比,计算得到点云簇的簇特征值。
在本实施方式中,矿区中灰尘通常由风吹起地面尘土或者前方运输车辆碾压并黏带起地面尘土而产生,因此灰尘呈现上疏下密和外疏内密等空间分布特征,可以通过统计点云簇不同高度比例下的点云含量的百分比来表征上疏下密特征,通过逐渐去掉点云簇外围每一层栅格进而统计不同体积包围内的点云含量百分比来描述外疏内密特征。
在本实施方式中,栅格数量描述了点云簇中非空栅格数量的多少;簇体积描述了点云簇的大小;簇密度描述了点云簇中点云的分布情况;簇空间均匀度描述了点云簇中点云的空间均匀度,密度方差越小,表示点云簇内点云的空间均匀度越好,密度方差越大,说明点云簇内点云的空间均匀度越差;栅格位置方差描述了点云簇内的每个非空栅格的位置与点云簇几何中心的离散程度,位置方差越大,表示点云分布越离散,位置方差越小,表示点云分布越密集;不同高度比例下的点云含量百分比描述了点云簇中点云的竖直方向的分布情况;不同体积包围内的点云含量百分比描述了点云簇中点云的水平方向的分布情况。因此,利用栅格数量、簇体积、簇密度、簇空间均匀度、栅格位置方差、不同高度比例下的点云含量百分比以及不同体积包围内的点云含量百分比,即可全面而又准确的表征点云簇中点云的空间分布特征,以便后续根据簇特征值进行灰尘检测。
在一个可能的实施方式中,根据点云簇的栅格数量、簇体积、簇密度、簇空间均匀度、栅格位置方差、不同高度比例下的点云含量百分比以及不同体积包围内的点云含量百分比,计算得到点云簇的簇特征值,可以包括:
S21:根据点云簇中非空栅格的数量,确定点云簇的栅格数量MXYZ,其中,XYZ表示点云簇在激光雷达自身坐标系下的空间坐标位置。
S22:根据栅格数量以及第一栅格尺寸,利用下列公式(4)确定点云簇的簇体积:
VXYZ=MXYZ×I3 (4)
S23:根据点云簇中每一非空栅格中的点云数量以及簇体积,利用下列公式(5)确定点云簇的簇密度:
其中,Nxyz,e表示第e个非空栅格中的点云数量,ρXYZ表示簇密度。
S24:根据点云簇中每一非空栅格的点云密度方差计算得到点云簇的平均点云密度方差并根据每一非空栅格的点云密度方差以及平均点云密度方差,利用下列公式(6)确定点云簇的簇空间均匀度:
其中,表示第e个非空栅格的点云密度方差,/>表示簇空间均匀度。
S25:根据点云簇中每一非空栅格的点云位置方差,利用下列公式(7)计算点云簇的栅格位置方差:
其中,表示第e个非空栅格的点云位置方差,/>表示点云簇的几何中心,/>表示栅格位置方差。
S26:确定点云簇在不同高度比例下的点云含量百分比,以及在不同体积包围内的点云含量百分比。
S27:对点云簇的栅格数量、簇体积、簇密度、簇空间均匀度、栅格位置方差、不同高度比例下的点云含量百分比以及不同体积包围内的点云含量百分比进行向量归一化处理,以得到点云簇对应的七维簇特征向量。
需要说明的是,上述步骤S21-S27,均是基于非空栅格进行的,没有点云数据的空栅格不包括在内。
在本实施方式中,具体的高度比例和体积包围,本领域技术人员均可以根据实际灵活设置,在此不作任何限制。
在本实施方式中,点云簇是根据栅格特征值对非地面点云栅格进行聚类得到的,即一个点云簇中其栅格特征是类似的,因此,可以基于栅格特征值计算得到点云簇的簇特征值。具体的,根据点云簇中非空栅格的数量,确定点云簇的栅格数量之后,根据栅格数量以及第一栅格尺寸,即可简单而又准确地确定簇体积。根据点云簇中每一非空栅格中的点云数量以及簇体积,即可简单而又准确地确定簇密度。簇空间均匀度可以利用栅格的点云密度方差进行描述,在得到栅格的点云密度方差之后,利用上述公式(6)即可简单而又准确地确定点云簇的簇空间均匀度。同样的,栅格位置方差可以利用栅格的点云位置方差进行描述,在得到栅格的点云位置方差之后,利用上述公式(7)即可简单而又准确地确定点云簇的栅格位置方差。得到栅格数量、簇体积、簇密度、簇空间均匀度、栅格位置方差、不同高度比例下的点云含量百分比以及不同体积包围内的点云含量百分比之后,对其进行向量归一化处理,即可得到能够表征点云簇中点云空间特征的七维簇特征向量。
S104:将点云簇的时间序列矩阵输入至训练好的分类模型中进行分类,以得到灰尘点云簇,并在点云数据中删除灰尘点云簇。
在本实施例中,点云簇的时间序列矩阵中既包括点云簇的空间分布特征,也包括点云簇的时序变化特征,根据点云簇的时间序列矩阵进行分类,即可准确检测出灰尘点云簇。
在本实施例中,在点云数据中删除灰尘点云簇之后,即可将剩余的点云数据输入其他算法模块中,以便车辆控制系统根据剩余的点云数据进行障碍物识别以及驾驶路线规划。
在一个可能的实施方式中,上述步骤S104中的将点云簇的时间序列矩阵输入至训练好的分类模型中进行分类,以得到灰尘点云簇,可以包括:
S31:对于每一点云簇,对点云簇的时间序列矩阵进行标准化处理,以得到标准化时间序列矩阵。
S32:将标准化时间序列矩阵输入至训练好的分类模型中,以得到点云簇在每一预设类别的置信度分数,预设类别包括灰尘类别和非灰尘类别。
S33:若点云簇在灰尘类别的置信度分数大于分数阈值,则点云簇为灰尘点云簇。
在本实施方式中,分数阈值本领域技术人员可以灵活设置,例如,分数阈值可以为0.9,也可以为0.8,在此不做任何限制。
在本实施方式中,在得到点云簇的时间序列矩阵之后,可以首先对时间序列矩阵进行标准化处理,以消除量纲影响,进一步提高灰尘检测的准确性。进一步的,点云簇的时间序列矩阵中既包括点云簇的空间分布特征,也包括点云簇的时序变化特征,灰尘点云簇的点云空间分布与其他点云簇不同,其他点云簇一般为障碍物或者道路,这些点云簇一般为均匀分布,利用空间分布特征即可准确检测出灰尘点云簇;此外,灰尘点云簇的点云时间分布也与其他点云簇不同,其他点云簇的点云分布不会随着时间变化,而灰尘点云簇的点云分布会随着时间变化,利用时间分布特征也可准确检测出灰尘点云簇。因此,利用时间序列矩阵可以同时考虑灰尘的空间分布特征和时序变化特征,从而准确识别出灰尘点云,进一步提高灰尘检测的准确性。
在本实施例中,由于灰尘漂浮在空中对道路点云数据的采集造成干扰,因此,在进行灰尘点云检测时首先需要确定非地面点云栅格。在得到非地面点云栅格之后,可以首先计算每个非地面点云栅格的特征值来表征不同类别点云分布的局部空间特征,并基于每个栅格的特征值进行聚类,将属于同一类特征的栅格聚类成簇,同时计算每个点云簇的簇特征值。之后对点云簇的簇特征值进行目标跟踪并记录得到表征时序变化特征的时间序列矩阵,将时间序列矩阵送入分类模型中进行分类即可得到灰尘点云簇。通过这样的设置,充分考虑了灰尘的空间分布特征和时序变化特征,从而准确识别出灰尘点云,操作简单鲁棒性好,也不需要额外增设其他设备或者将激光雷达设置为多回波模式,可有效减少灰尘点云导致的感知误检,提高自动驾驶车辆的感知稳定性和运行效率。
下面以一个具体的实施例对本申请的基于激光雷达的灰尘检测方法进行阐述。
实施例二
在一个具体的实施例中,某矿区的自动驾驶矿车在行驶过程中,车辆控制系统会根据车载激光雷达扫描到的点云数据进行感知,进行驾驶路线的规划。车辆控制系统在接收到点云数据之后,首先需要进行灰尘点云的检测,以提高自动驾驶矿车的感知稳定性和准确性,具体的灰尘检测过程如下:
第一步,在车辆行驶过程中,车载激光雷达实时扫描获得点云数据,并将点云数据发送至车辆控制系统。
第二步,车辆控制系统获取到车载激光雷达扫描到的点云数据之后,根据道路边界信息,确定点云数据中的感兴趣区域;利用第一栅格尺寸,对感兴趣区域进行体素化处理,以得到多个栅格;利用平面栅格算法,对每一栅格内的点云数据进行计算,以确定非地面点云栅格。
第三步,车辆控制系统确定非地面点云栅格的栅格特征值,并根据栅格特征值对非地面点云栅格进行聚类,以得到点云簇。
第四步,车辆控制系统计算点云簇的簇特征值,并对点云簇进行目标跟踪,以得到点云簇的时间序列矩阵。
第五步,车辆控制系统对点云簇的时间序列矩阵进行标准化处理,以得到标准化时间序列矩阵;将标准化时间序列矩阵输入至训练好的分类模型中,以得到点云簇在每一预设类别的置信度分数;若点云簇在灰尘类别的置信度分数大于分数阈值,则点云簇为灰尘点云簇。
第六步,车辆控制系统在点云数据中删除灰尘点云簇,并将剩余的点云数据输入其他算法模块中,以根据剩余的点云数据进行障碍物识别以及驾驶路线规划。
图3为本申请一实施例的车辆控制系统的结构示意图,如图3所示,该车辆控制系统包括:获取模块31,用于获取车载激光雷达扫描到的点云数据;处理模块32,用于对点云数据进行预处理,以得到非地面点云栅格;确定非地面点云栅格的栅格特征值,并根据栅格特征值对非地面点云栅格进行聚类,以得到点云簇;计算点云簇的簇特征值,并对点云簇进行目标跟踪,以得到点云簇的时间序列矩阵,时间序列矩阵包括点云簇在不同时刻下的簇特征值;将点云簇的时间序列矩阵输入至训练好的分类模型中进行分类,以得到灰尘点云簇,并在点云数据中删除灰尘点云簇。一个实施方式中,车辆控制系统具体实现功能的描述可以参见实施例一中的步骤S101-S104,在此不做赘述。
图4为本申请另一实施例的车辆控制系统的结构示意图,如图4所示,该车辆控制系统包括:处理器101,以及与处理器101通信连接的存储器102;存储器102存储计算机执行指令;处理器101执行存储器102存储的计算机执行指令,实现上述各方法实施例中基于激光雷达的灰尘检测方法的步骤。
该车辆控制系统可以是独立的,也可以是车辆的自动驾驶系统的一部分,该处理器101和存储器102可以采用车辆的自动驾驶系统现有的硬件。
在上述车辆控制系统中,存储器102和处理器101之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可以通过一条或者多条通信总线或信号线实现电性连接,如可以通过总线连接。存储器102中存储有实现数据访问控制方法的计算机执行指令,包括至少一个可以软件或固件的形式存储于存储器102中的软件功能模块,处理器101通过运行存储在存储器102内的软件程序以及模块,从而执行各种功能应用以及数据处理。
存储器102可以是,但不限于,随机存取存储器(Random Access Memory,简称:RAM),只读存储器(Read Only Memory,简称:ROM),可编程只读存储器(ProgrammableRead-Only Memory,简称:PROM),可擦除只读存储器(Erasable Programmable Read-OnlyMemory,简称:EPROM),电可擦除只读存储器(Electric Erasable ProgrammableRead-Only Memory,简称:EEPROM)等。其中,存储器102用于存储程序,处理器101在接收到执行指令后,执行程序。进一步地,上述存储器102内的软件程序以及模块还可包括操作系统,其可包括各种用于管理系统任务(例如内存管理、存储设备控制、电源管理等)的软件组件和/或驱动,并可与各种硬件或软件组件相互通信,从而提供其他软件组件的运行环境。
处理器101可以是一种集成电路芯片,具有信号的处理能力。上述的处理器101可以是通用处理器,包括中央处理器(Central Processing Unit,简称:CPU)、网络处理器(Network Processor,简称:NP)等。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。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。
本申请的一实施例还提供了一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,计算机执行指令被处理器执行时用于实现本申请各方法实施例的步骤。
本申请的一实施例还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现本申请各方法实施例的步骤。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于可选实施例,所涉及的动作和模块并不一定是本申请所必须的。
进一步需要说明的是,虽然流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
应该理解,上述的装置实施例仅是示意性的,本申请的装置还可通过其它的方式实现。例如,上述实施例中单元/模块的划分,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、模块或组件可以结合,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。
另外,若无特别说明,在本申请各个实施例中的各功能单元/模块可以集成在一个单元/模块中,也可以是各个单元/模块单独物理存在,也可以两个或两个以上单元/模块集成在一起。上述集成的单元/模块既可以采用硬件的形式实现,也可以采用软件程序模块的形式实现。
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的部分,可以参见其他实施例的相关描述。上述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由所附的权利要求书指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (10)
1.一种基于激光雷达的灰尘检测方法,其特征在于,包括:
获取车载激光雷达扫描到的点云数据,并对所述点云数据进行预处理,以得到非地面点云栅格;
确定所述非地面点云栅格的栅格特征值,并根据所述栅格特征值对所述非地面点云栅格进行聚类,以得到点云簇;
计算所述点云簇的簇特征值,并对所述点云簇进行目标跟踪,以得到所述点云簇的时间序列矩阵,所述时间序列矩阵包括所述点云簇在不同时刻下的簇特征值;
将所述点云簇的时间序列矩阵输入至训练好的分类模型中进行分类,以得到灰尘点云簇,并在所述点云数据中删除所述灰尘点云簇。
2.根据权利要求1所述的方法,其特征在于,所述对所述点云数据进行预处理,以得到非地面点云栅格,具体包括:
根据道路边界信息,确定所述点云数据中的感兴趣区域;
利用第一栅格尺寸,对所述感兴趣区域进行体素化处理,以得到多个栅格;
利用平面栅格算法,对每一栅格内的点云数据进行计算,以确定非地面点云栅格。
3.根据权利要求2所述的方法,其特征在于,所述确定所述非地面点云栅格的栅格特征值,具体包括:
根据所述非地面点云栅格的点云数量、点云密度、点云密度方差以及点云位置方差,确定所述非地面点云栅格的栅格特征值。
4.根据权利要求3所述的方法,其特征在于,所述根据所述非地面点云栅格的点云数量、点云密度、点云密度方差以及点云位置方差,确定所述非地面点云栅格的栅格特征值,具体包括:
当所述非地面点云栅格为非空栅格时,确定所述非地面点云栅格中的点云数量Nxyz,其中,所述xyz表示所述非地面点云栅格在激光雷达自身坐标系下的空间坐标位置;
根据所述第一栅格尺寸以及所述点云数量,确定所述非地面点云栅格的点云密度ρxyz=Nxyz/I3,其中,所述I表示所述第一栅格尺寸;
利用第二栅格尺寸,对所述非地面点云栅格进行划分,以得到多个子栅格,计算每一子栅格对应的点云密度ρi,并根据每一子栅格对应的点云密度计算得到所述非地面点云栅格的平均点云密度根据每一子栅格对应的点云密度以及所述平均点云密度,计算所述非地面点云栅格的点云密度方差/> 其中,所述第二栅格尺寸小于所述第一栅格尺寸,所述ρi表示第i个子栅格对应的点云密度,n表示子栅格的数量;
根据所述非地面点云栅格中每一点云的位置,计算所述非地面点云栅格的点云位置方差其中,所述aj表示所述非地面点云栅格中第j个点云的位置,所述/>表示所述非地面点云栅格的几何中心;
对所述非地面点云栅格的点云数量、点云密度、点云密度方差以及点云位置方差进行向量归一化处理,以得到所述非地面点云栅格的四维栅格特征向量。
5.根据权利要求4所述的方法,其特征在于,所述计算所述点云簇的簇特征值,具体包括:
根据所述点云簇的栅格数量、簇体积、簇密度、簇空间均匀度、栅格位置方差、不同高度比例下的点云含量百分比以及不同体积包围内的点云含量百分比,计算得到所述点云簇的簇特征值。
6.根据权利要求5所述的方法,其特征在于,所述根据所述点云簇的栅格数量、簇体积、簇密度、簇空间均匀度、栅格位置方差、不同高度比例下的点云含量百分比以及不同体积包围内的点云含量百分比,计算得到所述点云簇的簇特征值,具体包括:
根据所述点云簇中非空栅格的数量,确定所述点云簇的栅格数量MXYZ,其中,所述XYZ表示所述点云簇在激光雷达自身坐标系下的空间坐标位置;
根据所述栅格数量以及所述第一栅格尺寸,确定所述点云簇的簇体积VXYZ=MXYZ×I3;
根据所述点云簇中每一非空栅格中的点云数量以及所述簇体积,确定所述点云簇的簇密度其中,所述Nxyz,e表示第e个非空栅格中的点云数量;
根据所述点云簇中每一非空栅格的点云密度方差计算得到所述点云簇的平均点云密度方差并根据每一非空栅格的点云密度方差以及所述平均点云密度方差,确定所述点云簇的簇空间均匀度/> 其中,所述/>表示第e个非空栅格的点云密度方差;
根据所述点云簇中每一非空栅格的点云位置方差,计算所述点云簇的栅格位置方差其中,所述/>表示第e个非空栅格的点云位置方差,所述/>表示所述点云簇的几何中心;
确定所述点云簇在不同高度比例下的点云含量百分比,以及在不同体积包围内的点云含量百分比;
对所述点云簇的栅格数量、簇体积、簇密度、簇空间均匀度、栅格位置方差、不同高度比例下的点云含量百分比以及不同体积包围内的点云含量百分比进行向量归一化处理,以得到所述点云簇对应的七维簇特征向量。
7.根据权利要求6所述的方法,其特征在于,所述将所述点云簇的时间序列矩阵输入至训练好的分类模型中进行分类,以得到灰尘点云簇,具体包括:
对于每一点云簇,
对所述点云簇的时间序列矩阵进行标准化处理,以得到标准化时间序列矩阵;
将所述标准化时间序列矩阵输入至训练好的分类模型中,以得到所述点云簇在每一预设类别的置信度分数,所述预设类别包括灰尘类别和非灰尘类别;
若所述点云簇在灰尘类别的置信度分数大于分数阈值,则所述点云簇为灰尘点云簇。
8.一种车辆控制系统,其特征在于,包括:
获取模块,用于获取车载激光雷达扫描到的点云数据;
处理模块,用于对所述点云数据进行预处理,以得到非地面点云栅格;确定所述非地面点云栅格的栅格特征值,并根据所述栅格特征值对所述非地面点云栅格进行聚类,以得到点云簇;计算所述点云簇的簇特征值,并对所述点云簇进行目标跟踪,以得到所述点云簇的时间序列矩阵,所述时间序列矩阵包括所述点云簇在不同时刻下的簇特征值;将所述点云簇的时间序列矩阵输入至训练好的分类模型中进行分类,以得到灰尘点云簇,并在所述点云数据中删除所述灰尘点云簇。
9.一种车辆控制系统,其特征在于,包括处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311527317.6A CN117475395A (zh) | 2023-11-15 | 2023-11-15 | 基于激光雷达的灰尘检测方法、系统及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311527317.6A CN117475395A (zh) | 2023-11-15 | 2023-11-15 | 基于激光雷达的灰尘检测方法、系统及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117475395A true CN117475395A (zh) | 2024-01-30 |
Family
ID=89631129
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311527317.6A Pending CN117475395A (zh) | 2023-11-15 | 2023-11-15 | 基于激光雷达的灰尘检测方法、系统及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117475395A (zh) |
-
2023
- 2023-11-15 CN CN202311527317.6A patent/CN117475395A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113468941B (zh) | 障碍物检测方法、装置、设备及计算机存储介质 | |
CN111427979B (zh) | 基于激光雷达的动态地图构建方法、系统及介质 | |
CN111932943B (zh) | 动态目标的检测方法、装置、存储介质及路基监测设备 | |
CN108509820B (zh) | 障碍物分割方法及装置、计算机设备及可读介质 | |
CN108470174B (zh) | 障碍物分割方法及装置、计算机设备及可读介质 | |
CN104866823A (zh) | 一种基于单目视觉的车辆检测与跟踪方法 | |
CN102997900A (zh) | 外界识别方法、装置以及车辆系统 | |
WO2014103433A1 (ja) | 車両周辺監視装置 | |
CN110658539B (zh) | 车辆定位方法、装置、车辆和计算机可读存储介质 | |
CN111611853A (zh) | 一种传感信息融合方法、装置及存储介质 | |
US10824881B2 (en) | Device and method for object recognition of an input image for a vehicle | |
CN111537994A (zh) | 一种无人矿卡障碍物检测方法 | |
CN115049700A (zh) | 一种目标检测方法及装置 | |
CN112613424A (zh) | 铁轨障碍物检测方法、装置、电子设备和存储介质 | |
CN108501954A (zh) | 一种手势识别方法、装置、汽车和存储介质 | |
CN115240149A (zh) | 三维点云检测识别方法、装置、电子设备及存储介质 | |
CN114454875A (zh) | 一种基于强化学习的城市道路自动泊车方法及系统 | |
CN113740874A (zh) | 一种道路边沿检测方法、电子设备及车辆 | |
CN116486130A (zh) | 障碍物识别的方法、装置、自移动设备及存储介质 | |
CN117475395A (zh) | 基于激光雷达的灰尘检测方法、系统及介质 | |
CN114463507B (zh) | 道路识别方法及装置 | |
CN114779276A (zh) | 一种障碍物检测方法和装置 | |
CN115421160A (zh) | 路沿检测方法、装置、设备、车辆及存储介质 | |
CN115792958A (zh) | 一种基于3d激光雷达的无人矿车障碍物检测方法 | |
CN112686136A (zh) | 一种对象检测方法、装置及系统 |
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 |