CN117491983B - 实现可通行区域边界获取及目标相对位置判别的方法 - Google Patents

实现可通行区域边界获取及目标相对位置判别的方法 Download PDF

Info

Publication number
CN117491983B
CN117491983B CN202410001152.7A CN202410001152A CN117491983B CN 117491983 B CN117491983 B CN 117491983B CN 202410001152 A CN202410001152 A CN 202410001152A CN 117491983 B CN117491983 B CN 117491983B
Authority
CN
China
Prior art keywords
grids
grid
boundary
target
point cloud
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.)
Active
Application number
CN202410001152.7A
Other languages
English (en)
Other versions
CN117491983A (zh
Inventor
戚英丽
陆新飞
潘松
刘倩芸
薛旦
史颂华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Geometry Partner Intelligent Driving Co ltd
Original Assignee
Shanghai Geometry Partner Intelligent Driving Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Geometry Partner Intelligent Driving Co ltd filed Critical Shanghai Geometry Partner Intelligent Driving Co ltd
Priority to CN202410001152.7A priority Critical patent/CN117491983B/zh
Publication of CN117491983A publication Critical patent/CN117491983A/zh
Application granted granted Critical
Publication of CN117491983B publication Critical patent/CN117491983B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/06—Systems determining position data of a target
    • 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
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/66—Radar-tracking systems; Analogous systems
    • 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
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • 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
    • 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
    • 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
    • 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
    • G06T2207/30256—Lane; Road marking
    • 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

Abstract

本发明涉及一种基于4D毫米波雷达实现可通行区域边界获取及目标相对位置判别的方法，其中，该方法包括获取车辆的自车状态信息及当前帧所有原始点云数据；对计算出的点云信息进行筛选；将选用的所有点云填入栅格并统计栅格信息；初步过滤栅格，依据统计信息减少噪点；在已标记的栅格中查找车辆横纵两侧的边界线；进行二次过滤，同时进行标签分组；对栅格按角度排序；对雷达追踪目标相对可通行边界位置进行判断；对追踪目标的最终相对位置进行滤波，并统计判定次数及分数，根据分数确定车辆最终边界内外标志。本发明还涉及一种相应的装置、处理器及其存储介质。采用了本发明的该方法、装置、处理器及其存储介质，能够有效的提升智能驾驶的安全性。

Description

实现可通行区域边界获取及目标相对位置判别的方法
技术领域
本发明涉及毫米波雷达技术领域，尤其涉及可通行区域边界检测技术领域，具体是指一种基于4D毫米波雷达实现可通行区域边界获取及目标相对位置判别的方法、装置、处理器及其计算机可读存储介质。
背景技术
毫米波雷达因其受天气、周围环境影响小，抗干扰能力强，穿透能力强，价格优势明显等优点，已逐渐成为智能驾驶领域的必备传感器。毫米波雷达在智能驾驶领域的常见应用通常是通过感知目标障碍物的相对位置、速度等计算出二者的碰撞概率及目标障碍物的危险等级，报告给驾驶员及车载控制器做出反应，由此可知障碍物危险等级的计算尤为重要，因此准确感知本车可通行区域边界及障碍物是否处于可通行区域内是必需的。
根据现有技术公开的记载可得，当点云数据较大时，使用传统聚类方法及记忆至少两帧点云数据对内存空间耗费巨大，计算复杂，且以自车为中心，步进角度划分扇区辐射，依据半径越长扇区覆盖区域弧长越大的规律，只取扇区中指定数量的点，远处数据信息会大量丢失，因此，不具有实用性。
发明内容
本发明的目的是克服了上述现有技术的缺点，提供了一种具有低复杂度、简洁快速的基于4D毫米波雷达实现可通行区域边界获取及目标相对位置判别的方法、装置、处理器及其计算机可读存储介质。
为了实现上述目的，本发明的基于4D毫米波雷达实现可通行区域边界获取及目标相对位置判别的方法、装置、处理器及其计算机可读存储介质如下：
该基于4D毫米波雷达实现可通行区域边界获取及目标相对位置判别的方法，其主要特点是，所述的方法包括以下步骤：
（1）获取车辆的自车状态信息及当前帧所有原始点云数据，并以此计算出各个点的动静态、对地速度和高度信息；
（2）对原始点云数据根据预设条件进行筛选，剔除不符合要求的数据；
（3）建立具有设定范围大小及分辨率大小的栅格地图，并将筛选出的符合预设条件的点云数据投射到栅格中进行统计；
（4）对所述的栅格进行初步过滤，并对栅格内点云密度进行阈值比较和标记处理；
（5）在已标记的栅格中查找车辆横纵两侧的边界线，并将对应的栅格标记为可能边界；
（6）进行栅格二次过滤，对标记为可能边界的栅格使用连接组件标记算法进行标签分组；
（7）对最终保留的所有边界组内栅格按角度进行排序；
（8）对所有雷达追踪目标相对可通行边界位置进行判断，获取当前帧的相对位置；
（9）对追踪目标的最终相对位置进行滤波，并统计判定次数及分数，根据分数确定车辆最终边界内外标志。
较佳地，所述的步骤（3）具体包括以下步骤：
（3.1）在车辆笛卡尔坐标系下，将设定区域范围设置在xoy平面进行栅格化，每个栅格为矩形，各个矩形平行于x轴与y轴，面积为grid_length×grid_width，其中，grid_length为每个栅格的长度，grid_width为每个栅格的宽度，z向不设限；
（3.2）将筛选出的符合预设条件的点云数据投射到栅格中，记录每个栅格中点云数据的统计信息，包括点云个数、平均高度、最大高度、最小高度、角度，具体方式如下：
；
；
其中，n为栅格总数，i为正整数，为点云平均高度，/>为第i个点云的z坐标值，/>为第i个点云的x坐标值，/>为第i个点云的y坐标值，/>为第i个点云的极坐标角度值。
较佳地，所述的步骤（4）具体为：
对所述的栅格进行初步过滤，将栅格内点云密度满足预设阈值的栅格标记为不可通行，并对特殊异常数据栅格取消标记，其中，所述的特殊异常数据栅格包括和已有动态目标位置重合栅格，排除噪点及处于低速运动状态目标反射点以及高度范围不满足预设阈值的高空挂起物的反射点，并按照以下方式计算栅格高度：
；
其中，high为栅格高度，z_max为栅格内点云z坐标最大值，z_min为栅格内点云z坐标最小值。
较佳地，所述的步骤（5）具体为：
以车辆为中心，呈十字搜索的方式，分别在以车辆为原点的笛卡尔坐标系中以X轴和Y轴线为中心线平行向横纵两侧搜索，设置步进距离dist为栅格长度或宽度的n倍，分别找到两重边界线，将对应栅格标记为可能边界，所述的步进距离dist按照以下方式设置：
；
其中，dist为栅格搜索步进距离，为每个栅格的长度，/>为每个栅格的宽度。
较佳地，所述的步骤（6）具体为：
对于标记为可能边界的栅格，所述的连接组件标记算法中的连通域根据点云密度进行选择，点云的稀疏则按照位置排列依次增加连通件个数，并选用不同的路况及参数进行调试对比，最终使得调试参数达到栅格分组结果与实际道路边界分段情况对应的效果；并对所述的标签分组中栅格总数量小于阈值的孤立栅格全部取消边界标记，消除离群点；对所有分组后的栅格进行遮挡过滤，若有分组后的边界线被其他距离原点径向距离更短的边界线在角度上遮挡，则取消遮挡部分栅格标记，其余保留，剩余所有即为最终判定可通行区域边界栅格，栅格位置即为边界位置。
较佳地，所述的步骤（8）具体包括以下步骤：
（8.1）遍历所有边界栅格组的栅格，并采用向量叉乘积的方向分别判断追踪目标与车辆坐标原点的连线以及各两两相邻索引位置栅格连线是否存在交点；
（8.2）若找到交点则退出流程，判定当前帧目标位于可通行区域边界外，不在同一行驶区域；
（8.3）若遍历所有边界栅格组的栅格，均无交点，则判定当前帧目标位于可通行区域内，并与当前该车位于同一行驶区域，步骤（8）至此结束。
较佳地，所述的步骤（9）为按照以下方式计算分数：
；
其中，表示目标位于边界外的概率，取值0-1；/>为截止目前目标生命周期内判定在边界外的帧数；/>为截止目前目标生命周期存在的总帧数。
该基于4D毫米波雷达实现可通行区域边界获取及目标相对位置判别的装置，其主要特点是，所述的装置包括：
处理器，被配置成执行计算机可执行指令；
存储器，存储一个或多个计算机可执行指令，所述的计算机可执行指令被所述的处理器执行时，实现上述所述的基于4D毫米波雷达实现可通行区域边界获取及目标相对位置判别的方法的步骤。
该基于4D毫米波雷达实现可通行区域边界获取及目标相对位置判别的处理器，其主要特点是，所述的处理器被配置成执行计算机可执行指令，所述的计算机可执行指令被所述的处理器执行时，实现上述所述的基于4D毫米波雷达实现可通行区域边界获取及目标相对位置判别的方法的步骤。
该计算机可读存储介质，其主要特点是，其上存储有计算机程序，所述的计算机程序可被处理器执行以实现上述所述的基于4D毫米波雷达实现可通行区域边界获取及目标相对位置判别的方法的步骤。
采用了本发明的该基于4D毫米波雷达实现可通行区域边界获取及目标相对位置判别的方法、装置、处理器及其计算机可读存储介质，其计算复杂度低、不需要累加记忆点云数据，不需要曲线拟合等复杂运算，只需单帧即可简洁快速可得到判定结果，还能够对每帧判定结果进行统计滤波，最终输出判定依赖多帧统计的分数机制保证平稳输出不突变，本技术方案可以准确有效地判定雷达追踪目标是否在本车所在通行区域内，和目标碰撞时间等参数结合判断目标障碍物的危险程度，大大提高了智能驾驶的安全性。
附图说明
图1为本发明的基于4D毫米波雷达实现可通行区域边界获取及目标相对位置判别的方法的流程图。
图2为采用向量叉乘积的方向进行交点判断的示意图。
具体实施方式
为了能够更清楚地描述本发明的技术内容，下面结合具体实施例来进行进一步的描述。
在详细说明根据本发明的实施例前，应该注意到的是，在下文中，术语“包括”、“包含”或任何其他变体旨在涵盖非排他性的包含，由此使得包括一系列要素的过程、方法、物品或者设备不仅包含这些要素，而且还包含没有明确列出的其他要素，或者为这种过程、方法、物品或者设备所固有的要素。
请参阅图1所示，该基于4D毫米波雷达实现可通行区域边界获取及目标相对位置判别的方法，其中，所述的方法包括以下步骤：
（1）获取车辆的自车状态信息及当前帧所有原始点云数据，并以此计算出各个点的动静态、对地速度和高度信息；
（2）对原始点云数据根据预设条件进行筛选，剔除不符合要求的数据；
（3）建立具有设定范围大小及分辨率大小的栅格地图，并将筛选出的符合预设条件的点云数据投射到栅格中进行统计；
（4）对所述的栅格进行初步过滤，并对栅格内点云密度进行阈值比较和标记处理；
（5）在已标记的栅格中查找车辆横纵两侧的边界线，并将对应的栅格标记为可能边界；
（6）进行栅格二次过滤，对标记为可能边界的栅格使用连接组件标记算法进行标签分组；
（7）对最终保留的所有边界组内栅格按角度进行排序；
（8）对所有雷达追踪目标相对可通行边界位置进行判断，获取当前帧的相对位置；
（9）对追踪目标的最终相对位置进行滤波，并统计判定次数及分数，根据分数确定车辆最终边界内外标志。
作为本发明的优选实施方式，所述的步骤（2）具体：
利用步骤（1）计算信息过滤掉不满足条件（条件包括但不限于静态，高度）的点云，例如动态点云、高度超过设定值点云等不符合条件，此处只选择相对大地坐标系为静态，即对地速度接近于0、不属于高空物及地面反射的点云。
作为本发明的优选实施方式，所述的步骤（3）具体包括以下步骤：
因4D毫米波雷达点云丰富，数据量较大，故进行降采样，若为3D雷达或点云数量较少，则可忽略此步骤。
（3.1）在车辆笛卡尔坐标系下，将设定区域范围设置在xoy平面进行栅格化，每个栅格为矩形，各个矩形平行于x轴与y轴，面积为grid_length×grid_width，其中，grid_length为每个栅格的长度，grid_width为每个栅格的宽度，z向不设限；
（3.2）将筛选出的符合预设条件的点云数据投射到栅格中，记录每个栅格中点云数据的统计信息，包括点云个数、平均高度、最大高度、最小高度、角度，具体方式如下：
；
；
其中，n为栅格总数，i为正整数，为点云平均高度，/>为第i个点云的z坐标值，/>为第i个点云的x坐标值，/>为第i个点云的y坐标值，/>为第i个点云的极坐标角度值。
作为本发明的优选实施方式，所述的步骤（4）具体为：
对栅格内点云密度（即数量）满足阈值的栅格标记为不可通行，另对特殊异常数据栅格取消标记，包括和已有动态目标位置重合栅格，排除噪点及处于低速运动状态目标反射点，以及高度范围不满足阈值的高空挂起物的反射点，如广告牌、指示牌、限高架等物体。
对所述的栅格进行初步过滤，将栅格内点云密度满足预设阈值的栅格标记为不可通行，并对特殊异常数据栅格取消标记，其中，所述的特殊异常数据栅格包括和已有动态目标位置重合栅格，排除噪点及处于低速运动状态目标反射点以及高度范围不满足预设阈值的高空挂起物的反射点，并按照以下方式计算栅格高度：
；
其中，high为栅格高度，z_max为栅格内点云z坐标最大值，z_min为栅格内点云z坐标最小值。
作为本发明的优选实施方式，所述的步骤（5）具体为：
依据步骤（4）标记为不可通行的栅格，查找自车可通行区域的边界，为兼容弯道、T字路口和十字路口等不规则道路形状，且避免相同角度半径越大辐射面积弧长越大的问题，采取以自车为中心，呈十字搜索的方式，分别在以自车为原点的笛卡尔坐标系中以X轴和Y轴线为中心线平行向横纵两侧搜索，步进距离dist为栅格长度或宽度的n（n为正整数）倍，如纵向搜索，选取同一横向距离中纵向距离最短的栅格、横向搜索同理，分别找到两重边界线，将对应栅格标记为可能边界。
具体为以车辆为中心，呈十字搜索的方式，分别在以车辆为原点的笛卡尔坐标系中以X轴和Y轴线为中心线平行向横纵两侧搜索，设置步进距离dist为栅格长度或宽度的n倍，分别找到两重边界线，将对应栅格标记为可能边界，所述的步进距离dist按照以下方式设置：
；
其中，dist为栅格搜索步进距离，为每个栅格的长度，/>为每个栅格的宽度。
作为本发明的优选实施方式，所述的步骤（6）具体为：
对于标记为可能边界的栅格，所述的连接组件标记算法中的连通域根据点云密度进行选择，点云的稀疏则按照位置排列依次增加连通件个数，并选用不同的路况及参数进行调试对比，最终使得调试参数达到栅格分组结果与实际道路边界分段情况对应的效果；并对所述的标签分组中栅格总数量小于阈值的孤立栅格全部取消边界标记，消除离群点；对所有分组后的栅格进行遮挡过滤，若有分组后的边界线被其他距离原点径向距离更短的边界线在角度上遮挡，则取消遮挡部分栅格标记，其余保留，剩余所有即为最终判定可通行区域边界栅格，栅格位置即为边界位置。
在实际应用当中，进行栅格二次过滤，对标记为可能边界的栅格使用连接组件标记算法进行标签分组，以下两个搜索方向所得栅格分开进行，连通域根据点云密度选择，例如点云丰富选择算法参数connectivity =8（connectivity为连接组件标记算法中的连通件个数，选择方式：根据点云密集程度选择，算法调试根据雷达自身性能表现选择合适参数），稀疏则按照位置排列依次增加connectivity到12，14，18等，选用不同的路况及参数进行调试对比，最终调试参数达到栅格分组结果与实际道路边界分段情况对应的效果。对标签分组中栅格总数量小于阈值的孤立栅格全部取消边界标记，消除离群点；对所有分组后的栅格进行遮挡过滤，若有分组后的边界线被其他距原点径向距离更短的边界线在角度上遮挡则取消遮挡部分栅格标记，其余保留，剩余所有即为最终判定可通行区域边界栅格，栅格位置即为边界位置。
作为本发明的优选实施方式，所述的步骤（8）具体包括以下步骤：
（8.1）遍历所有边界栅格组的栅格，并采用向量叉乘积的方向分别判断追踪目标与车辆坐标原点的连线以及各两两相邻索引位置栅格连线是否存在交点，如图2所示，图中点O为圆心，A、B为相邻两边界点，C为目标物体所在位置，判断向量与/>符号是否相同、/>与/>符号是否相同。
（8.2）若找到交点则退出流程，判定当前帧目标位于可通行区域边界外，不在同一行驶区域；
（8.3）若遍历所有边界栅格组的栅格，均无交点，则判定当前帧目标位于可通行区域内，并与当前该车位于同一行驶区域，步骤（8）至此结束。
作为本发明的优选实施方式，所述的步骤（9）为按照以下方式计算分数：
；
其中，表示目标位于边界外的概率，取值0-1；/>为截止目前目标生命周期内判定在边界外的帧数；/>为截止目前目标生命周期存在的总帧数。
针对上式，对此公式也可进行系数加权，根据侧重方面设置系数，然后进行滤波，滤波方式不限于一阶滤波、卡尔曼滤波等。系数设置例如较为相信目标航迹起始的前20帧，则可设置前20帧分数占比重80%，后续每20帧占比重20%进行叠加，每次计算进行均一化。
下面将结合一具体实施例，进一步说明本技术方案的实施步骤：
步骤1：获取自车的车速、横摆角速度等信息和原始点云数据，判断的动静态、对地速度、高度等信息。
步骤2：依据步骤1计算出的点云信息进行筛选，本实例中要求点云状态为静止，高度阈值设定z_min=0m, z_max=6m；若有一点云状态为静止，高度为7m，则舍弃。
步骤3：将选用的所有点云填入栅格并统计栅格信息，本实例中选用栅格范围为X:0~300m，Y:-60m~60m, 栅格大小为1m×1m, 一栅格内点数n=3，点云坐标(x,y)分别为（1，1）、(1.1，1.1)／(1.2，1.2)，单位m，则
；
；
；
步骤4：初步过滤栅格，依据统计信息减少噪点，本实例选择栅格内点数阈值为3，则步骤3所列栅格满足需求。
步骤5：本实例选择横向、纵向搜索的步进宽度、长度均为1m,尽可能保留较多的边界栅格，并标记。
步骤6：对边界栅格进行二次过滤，同时分组，为第7步形成边界线段做准备，本实例选择连通栅格数为connectivity=14，分组数量group_num=4，group中栅格数量分别为200，260，4，5，明显4，5为离群group栅格，将这两个group中所有栅格标记为非边界。
步骤7：进行group组内按角度排序，本实例中角度范围为[0°,180°)，排列顺序为从小到大，为下一步判断准备。
步骤8：遍历所有group，查询目标本帧位置是否位于边界外，本实施中有一目标位于图2 点C位置，其中第一个group中有两栅格位置为点A、点B，则如图2所示，显然目标位于边界外。
步骤9：本实例中点C本帧判断结果为边界外，此前连续5帧判断结果均为边界外，最终输出目标相对位置为边界外。
该基于4D毫米波雷达实现可通行区域边界获取及目标相对位置判别的装置，其中，所述的装置包括：
处理器，被配置成执行计算机可执行指令；
存储器，存储一个或多个计算机可执行指令，所述的计算机可执行指令被所述的处理器执行时，实现上述所述的基于4D毫米波雷达实现可通行区域边界获取及目标相对位置判别的方法的步骤。
该基于4D毫米波雷达实现可通行区域边界获取及目标相对位置判别的处理器，其中，所述的处理器被配置成执行计算机可执行指令，所述的计算机可执行指令被所述的处理器执行时，实现上述所述的基于4D毫米波雷达实现可通行区域边界获取及目标相对位置判别的方法的步骤。
该计算机可读存储介质，其中，其上存储有计算机程序，所述的计算机程序可被处理器执行以实现上述所述的基于4D毫米波雷达实现可通行区域边界获取及目标相对位置判别的方法的步骤。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行装置执行的软件或固件来实现。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成的，程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一实施例”、“一些实施例”、“示例”、“具体示例”、或“实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
采用了本发明的该基于4D毫米波雷达实现可通行区域边界获取及目标相对位置判别的方法、装置、处理器及其计算机可读存储介质，其计算复杂度低、不需要累加记忆点云数据，不需要曲线拟合等复杂运算，只需单帧即可简洁快速可得到判定结果，还能够对每帧判定结果进行统计滤波，最终输出判定依赖多帧统计的分数机制保证平稳输出不突变，本技术方案可以准确有效地判定雷达追踪目标是否在本车所在通行区域内，和目标碰撞时间等参数结合判断目标障碍物的危险程度，大大提高了智能驾驶的安全性。
在此说明书中，本发明已参照其特定的实施例作了描述。但是，很显然仍可以作出各种修改和变换而不背离本发明的精神和范围。因此，说明书和附图应被认为是说明性的而非限制性的。

Claims (10)

1.一种基于4D毫米波雷达实现可通行区域边界获取及目标相对位置判别的方法，其特征在于，所述的方法包括以下步骤：
（1）获取车辆的自车状态信息及当前帧所有原始点云数据，并以此计算出各个点的动静态、对地速度和高度信息；
（2）对原始点云数据根据预设条件进行筛选，剔除不符合要求的数据；
（3）建立具有设定范围大小及分辨率大小的栅格地图，并将筛选出的符合预设条件的点云数据投射到栅格中进行统计；
（4）对所述的栅格进行初步过滤，并对栅格内点云密度进行阈值比较和标记处理；
（5）在已标记的栅格中查找车辆横纵两侧的边界线，并将对应的栅格标记为可能边界；
（6）进行栅格二次过滤，对标记为可能边界的栅格使用连接组件标记算法进行标签分组；
（7）对最终保留的所有边界组内栅格按角度进行排序；
（8）对所有雷达追踪目标相对可通行边界位置进行判断，获取当前帧的相对位置；
（9）对追踪目标的最终相对位置进行滤波，并统计判定次数及分数，根据分数确定车辆最终边界内外标志。
2.根据权利要求1所述的基于4D毫米波雷达实现可通行区域边界获取及目标相对位置判别的方法，其特征在于，所述的步骤（3）具体包括以下步骤：
（3.1）在车辆笛卡尔坐标系下，将设定区域范围设置在xoy平面进行栅格化，每个栅格为矩形，各个矩形平行于x轴与y轴，面积为grid_length×grid_width，其中，grid_length为每个栅格的长度，grid_width为每个栅格的宽度，z向不设限；
（3.2）将筛选出的符合预设条件的点云数据投射到栅格中，记录每个栅格中点云数据的统计信息，包括点云个数、平均高度、最大高度、最小高度、角度，具体方式如下：
；
；
其中，n为栅格总数，i为正整数，为点云平均高度，/>为第i个点云的z坐标值，/>为第i个点云的x坐标值，/>为第i个点云的y坐标值，/>为第i个点云的极坐标角度值。
3.根据权利要求1所述的基于4D毫米波雷达实现可通行区域边界获取及目标相对位置判别的方法，其特征在于，所述的步骤（4）具体为：
对所述的栅格进行初步过滤，将栅格内点云密度满足预设阈值的栅格标记为不可通行，并对特殊异常数据栅格取消标记，其中，所述的特殊异常数据栅格包括和已有动态目标位置重合栅格，排除噪点及处于低速运动状态目标反射点以及高度范围不满足预设阈值的高空挂起物的反射点，并按照以下方式计算栅格高度：
；
其中，high为栅格高度，z_max为栅格内点云z坐标最大值，z_min为栅格内点云z坐标最小值。
4.根据权利要求3所述的基于4D毫米波雷达实现可通行区域边界获取及目标相对位置判别的方法，其特征在于，所述的步骤（5）具体为：
以车辆为中心，呈十字搜索的方式，分别在以车辆为原点的笛卡尔坐标系中以X轴和Y轴线为中心线平行向横纵两侧搜索，设置步进距离dist为栅格长度或宽度的n倍，分别找到两重边界线，将对应栅格标记为可能边界，所述的步进距离dist按照以下方式设置：
；
其中，dist为栅格搜索步进距离，为每个栅格的长度，/>为每个栅格的宽度。
5.根据权利要求4所述的基于4D毫米波雷达实现可通行区域边界获取及目标相对位置判别的方法，其特征在于，所述的步骤（6）具体为：
对于标记为可能边界的栅格，所述的连接组件标记算法中的连通域根据点云密度进行选择，点云的稀疏则按照位置排列依次增加连通件个数，并选用不同的路况及参数进行调试对比，最终使得调试参数达到栅格分组结果与实际道路边界分段情况对应的效果；并对所述的标签分组中栅格总数量小于阈值的孤立栅格全部取消边界标记，消除离群点；对所有分组后的栅格进行遮挡过滤，若有分组后的边界线被其他距离原点径向距离更短的边界线在角度上遮挡，则取消遮挡部分栅格标记，其余保留，剩余所有即为最终判定可通行区域边界栅格，栅格位置即为边界位置。
6.根据权利要求5所述的基于4D毫米波雷达实现可通行区域边界获取及目标相对位置判别的方法，其特征在于，所述的步骤（8）具体包括以下步骤：
（8.1）遍历所有边界栅格组的栅格，并采用向量叉乘积的方向分别判断追踪目标与车辆坐标原点的连线以及各两两相邻索引位置栅格连线是否存在交点；
（8.2）若找到交点则退出流程，判定当前帧目标位于可通行区域边界外，不在同一行驶区域；
（8.3）若遍历所有边界栅格组的栅格，均无交点，则判定当前帧目标位于可通行区域内，并与当前该车位于同一行驶区域，步骤（8）至此结束。
7.根据权利要求6所述的基于4D毫米波雷达实现可通行区域边界获取及目标相对位置判别的方法，其特征在于，所述的步骤（9）为按照以下方式计算分数：；
其中，表示目标位于边界外的概率，取值0-1；/>为截止目前目标生命周期内判定在边界外的帧数；/>为截止目前目标生命周期存在的总帧数。
8.一种基于4D毫米波雷达实现可通行区域边界获取及目标相对位置判别的装置，其特征在于，所述的装置包括：
处理器，被配置成执行计算机可执行指令；
存储器，存储一个或多个计算机可执行指令，所述的计算机可执行指令被所述的处理器执行时，实现权利要求1～7中任一项所述的基于4D毫米波雷达实现可通行区域边界获取及目标相对位置判别的方法的步骤。
9.一种基于4D毫米波雷达实现可通行区域边界获取及目标相对位置判别的处理器，其特征在于，所述的处理器被配置成执行计算机可执行指令，所述的计算机可执行指令被所述的处理器执行时，实现权利要求1～7中任一项所述的基于4D毫米波雷达实现可通行区域边界获取及目标相对位置判别的方法的步骤。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述的计算机程序可被处理器执行以实现权利要求1～7中任一项所述的基于4D毫米波雷达实现可通行区域边界获取及目标相对位置判别的方法的步骤。
CN202410001152.7A 2024-01-02 2024-01-02 实现可通行区域边界获取及目标相对位置判别的方法 Active CN117491983B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410001152.7A CN117491983B (zh) 2024-01-02 2024-01-02 实现可通行区域边界获取及目标相对位置判别的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410001152.7A CN117491983B (zh) 2024-01-02 2024-01-02 实现可通行区域边界获取及目标相对位置判别的方法

Publications (2)

Publication Number Publication Date
CN117491983A CN117491983A (zh) 2024-02-02
CN117491983B true CN117491983B (zh) 2024-03-08

Family

ID=89685445

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410001152.7A Active CN117491983B (zh) 2024-01-02 2024-01-02 实现可通行区域边界获取及目标相对位置判别的方法

Country Status (1)

Country Link
CN (1) CN117491983B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011118890A (ja) * 2009-11-04 2011-06-16 Valeo Schalter & Sensoren Gmbh 車線境界全般を検出する方法およびシステム
CN110208819A (zh) * 2019-05-14 2019-09-06 江苏大学 一种多个障碍物三维激光雷达数据的处理方法
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
CN114694106A (zh) * 2020-12-29 2022-07-01 北京万集科技股份有限公司 道路检测区域的提取方法、装置、计算机设备和存储介质
CN116299313A (zh) * 2023-03-09 2023-06-23 江苏理工学院 一种基于激光雷达的智能车辆可通行区域检测方法
WO2023124231A1 (zh) * 2021-12-31 2023-07-06 中国第一汽车股份有限公司 基于激光雷达的道路边界检测方法和装置
WO2023216470A1 (zh) * 2022-05-11 2023-11-16 合众新能源汽车股份有限公司 一种可行驶区域检测方法、装置及设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011118890A (ja) * 2009-11-04 2011-06-16 Valeo Schalter & Sensoren Gmbh 車線境界全般を検出する方法およびシステム
CN110208819A (zh) * 2019-05-14 2019-09-06 江苏大学 一种多个障碍物三维激光雷达数据的处理方法
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
CN114694106A (zh) * 2020-12-29 2022-07-01 北京万集科技股份有限公司 道路检测区域的提取方法、装置、计算机设备和存储介质
WO2023124231A1 (zh) * 2021-12-31 2023-07-06 中国第一汽车股份有限公司 基于激光雷达的道路边界检测方法和装置
WO2023216470A1 (zh) * 2022-05-11 2023-11-16 合众新能源汽车股份有限公司 一种可行驶区域检测方法、装置及设备
CN116299313A (zh) * 2023-03-09 2023-06-23 江苏理工学院 一种基于激光雷达的智能车辆可通行区域检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"Delineating Individual Trees from Lidar Data: A Comparison of Vector- and Raster-based Segmentation Approaches";Marek K. Jakubowski 等;《remote sensing》;20130826;4163-4186 *
"基于三维激光雷达的 道路边界提取和障碍物检测算法";王灿等;《模式识别与人工智能》;20200430;第33卷(第4期);353-362 *
"基于点云数据构建树木骨架的方法";周广宇等;《测绘与空间地理信息》;20150930;第38卷(第9期);174-176 *

Also Published As

Publication number Publication date
CN117491983A (zh) 2024-02-02

Similar Documents

Publication Publication Date Title
US11709058B2 (en) Path planning method and device and mobile device
JP7140922B2 (ja) マルチセンサデータ融合方法、及び装置
CN109085829B (zh) 一种动静态目标识别方法
CN113421432B (zh) 交通限行信息检测方法、装置、电子设备和存储介质
CN110764108A (zh) 一种用于港口自动驾驶场景的障碍物检测方法及装置
KR101822373B1 (ko) 물체 탐지 장치 및 방법
CN111797734A (zh) 车辆点云数据处理方法、装置、设备和存储介质
Wang et al. Automatic road extraction from mobile laser scanning data
CN110674705A (zh) 基于多线激光雷达的小型障碍物检测方法及装置
CN112347999A (zh) 障碍物识别模型训练方法、障碍物识别方法、装置及系统
CN115018879A (zh) 目标检测方法、计算机可读存储介质及驾驶设备
Raj et al. Improved and optimal DBSCAN for embedded applications using high-resolution automotive radar
JP2012242935A (ja) 車両用道路形状認識方法及び装置、記録媒体
CN113740874A (zh) 一种道路边沿检测方法、电子设备及车辆
JP7418476B2 (ja) 運転可能な領域情報を決定するための方法及び装置
CN113432615A (zh) 基于多传感器融合可驾驶区域的检测方法、系统和车辆
CN117491983B (zh) 实现可通行区域边界获取及目标相对位置判别的方法
CN111881752A (zh) 一种护栏检测分类方法、装置、电子设备及存储介质
CN111781606A (zh) 一种新型激光雷达和超声波雷达融合的小型化实现方法
CN109917418B (zh) 一种激光雷达无反射区域的测量方法
CN111353481A (zh) 基于激光点云与视频图像的道路障碍物识别方法
CN115359332A (zh) 基于车路协同的数据融合方法、装置、电子设备及系统
CN115755021A (zh) 一种毫米雷达目标跟踪方法、装置、设备及存储介质
CN113496199B (zh) 对目标对象的基于直方图的l形检测
CN114488026A (zh) 基于4d毫米波雷达的地下停车库可通行空间检测方法

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