CN117746384A - 障碍物误检处理方法、装置、设备以及存储介质 - Google Patents
障碍物误检处理方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN117746384A CN117746384A CN202311733710.0A CN202311733710A CN117746384A CN 117746384 A CN117746384 A CN 117746384A CN 202311733710 A CN202311733710 A CN 202311733710A CN 117746384 A CN117746384 A CN 117746384A
- Authority
- CN
- China
- Prior art keywords
- grid
- obstacle
- false detection
- vehicle
- current
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 231
- 238000003672 processing method Methods 0.000 title description 16
- 238000000034 method Methods 0.000 claims abstract description 60
- 238000012545 processing Methods 0.000 claims abstract description 25
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 claims abstract description 9
- 238000004590 computer program Methods 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 230000003068 static effect Effects 0.000 description 14
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 206010016322 Feeling abnormal Diseases 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000003595 mist Substances 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- 240000004050 Pentaglottis sempervirens Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本公开提供了一种障碍物误检处理方法、装置、设备以及存储介质,涉及人工智能领域,尤其涉及无人驾驶技术领域。实现方案为:获取栅格地图中的疑似误检栅格,栅格地图在鸟瞰视角BEV下采用多个栅格分别标识车辆和影响车辆行驶的障碍物,疑似误检栅格为检出目标障碍物但疑似误检的栅格;获取疑似误检栅格中检出的目标障碍物和车辆之间的当前距离;若当前距离小于车辆的刹车距离,则确定疑似误检栅格中的点云高度是否小于高度阈值,及疑似误检栅格在历史时段内检出目标障碍物的检出频率是否大于零且小于频率阈值;若点云高度小于高度阈值,检出频率大于零且小于频率阈值,则确定疑似误检栅格为非障碍物栅格,非障碍物栅格为不存在目标障碍物的栅格。
Description
技术领域
本公开涉及人工智能领域,具体涉及无人驾驶技术领域,尤其涉及一种障碍物误检处理方法、装置、设备以及存储介质。
背景技术
自动驾驶技术的广泛应用,使得车辆能够更加智能化地感知周围环境,并做出相应的驾驶决策。
然而,在实际工程落地中,由于传感器精度限制和算法能力等因素,常常出现对低矮障碍物的误检(例如将地面上不影响车辆行驶的塑料袋误报为需要避让的低矮障碍物),导致车辆非必要或过度刹车,给乘客带来不安定感并影响车辆乘坐的舒适性。
发明内容
本公开提供了一种障碍物误检处理方法、装置、设备以及存储介质。
根据本公开的第一方面,提供了一种障碍物误检处理方法,所述方法包括:
获取栅格地图中的疑似误检栅格,其中,所述栅格地图用于在鸟瞰视角BEV下,采用多个栅格分别标识车辆和影响车辆行驶的障碍物,所述疑似误检栅格为检出目标障碍物但疑似误检的栅格;
获取所述疑似误检栅格中检出的目标障碍物和所述车辆之间的当前距离;
若所述当前距离小于所述车辆的刹车距离,则确定所述疑似误检栅格中的点云高度是否小于高度阈值,以及所述疑似误检栅格在历史时段内检出所述目标障碍物的检出频率是否大于零且小于频率阈值;
若所述点云高度小于所述高度阈值,所述检出频率大于零且小于所述频率阈值,则确定所述疑似误检栅格为非障碍物栅格,其中,所述非障碍物栅格为不存在所述目标障碍物的栅格。
进一步地,获取栅格地图中的疑似误检栅格,包括:
遍历所述栅格地图中的每个栅格,以确定遍历到的当前栅格中是否检出所述目标障碍物;
若所述当前栅格中检出所述目标障碍物,则获取所述当前栅格检出所述目标障碍物的当前累计次数,以及检出的所述目标障碍物和所述车辆之间的最远距离;
根据所述当前累计次数和所述最远距离,确定所述当前栅格是否为所述疑似误检栅格。
进一步地,根据所述当前累计次数和所述最远距离,确定所述当前栅格是否为所述疑似误检栅格,包括:
若确定所述当前累计次数大于次数阈值,且所述最远距离大于零,则确定所述当前栅格为所述疑似误检栅格。
进一步地,所述方法还包括:
若所述当前栅格中未检出所述目标障碍物,则确定所述当前栅格为所述非障碍物栅格;
确定所述非障碍物栅格在历史时段内检出所述目标障碍物的检出频率是否大于零且小于所述频率阈值;
若所述检出频率大于零且小于所述频率阈值,则将所述目标障碍物和所述车辆之间的最远距离置为零。
进一步地,获取所述疑似误检栅格中检出的目标障碍物和所述车辆之间的当前距离,包括:
获取所述车辆的激光雷达中心点,与所述目标障碍物在所述疑似误检栅格中的点云坐标均值之间的距离;
根据所述激光雷达中心点与所述点云坐标均值之间的距离,确定所述目标障碍物和所述车辆之间的当前距离。
进一步地,所述方法还包括:
控制所述车辆继续行驶,并将所述非障碍物栅格检出所述目标障碍物的当前累计次数减1。
进一步地,在获取栅格地图中的疑似误检栅格之前,所述方法还包括:
以所述车辆为中心,在所述BEV视角下构建得到所述栅格地图,所述栅格地图中的每个栅格采用类别标签标识栅格中占据的所述车辆或障碍物。
根据本公开的第二方面,提供了一种障碍物误检处理装置,所述装置包括:
第一获取单元,用于获取栅格地图中的疑似误检栅格,其中,所述栅格地图用于在鸟瞰视角BEV下,采用多个栅格分别标识车辆和影响车辆行驶的障碍物,所述疑似误检栅格为检出目标障碍物但疑似误检的栅格;
第二获取单元,用于获取所述疑似误检栅格中检出的目标障碍物和所述车辆之间的当前距离;
第一确定单元,用于若所述当前距离小于所述车辆的刹车距离,则确定所述疑似误检栅格中的点云高度是否小于高度阈值,以及所述疑似误检栅格在历史时段内检出所述目标障碍物的检出频率是否大于零且小于频率阈值;
第二确定单元,用于若所述点云高度小于所述高度阈值,所述检出频率大于零且小于所述频率阈值,则确定所述疑似误检栅格为非障碍物栅格,其中,所述非障碍物栅格为不存在所述目标障碍物的栅格。
进一步地,所述第一获取单元,包括:
第一确定子单元,用于遍历所述栅格地图中的每个栅格,以确定遍历到的当前栅格中是否检出所述目标障碍物;
获取子单元,用于若所述当前栅格中检出所述目标障碍物,则获取所述当前栅格检出所述目标障碍物的当前累计次数,以及检出的所述目标障碍物和所述车辆之间的最远距离;
第二确定子单元,用于根据所述当前累计次数和所述最远距离,确定所述当前栅格是否为所述疑似误检栅格。
进一步地,所述第二确定子单元,具体用于:
若确定所述当前累计次数大于次数阈值,且所述最远距离大于零,则确定所述当前栅格为所述疑似误检栅格。
进一步地,所述装置还包括:
第三确定单元,用于若所述当前栅格中未检出所述目标障碍物,则确定所述当前栅格为所述非障碍物栅格;
第四确定单元,用于确定所述非障碍物栅格在历史时段内检出所述目标障碍物的检出频率是否大于零且小于所述频率阈值;
重置单元,用于若所述检出频率大于零且小于所述频率阈值,则将所述目标障碍物和所述车辆之间的最远距离置为零。
进一步地,所述第二获取单元,包括:
第二获取子单元,用于获取所述车辆的激光雷达中心点,与所述目标障碍物在所述疑似误检栅格中的点云坐标均值之间的距离;
第三确定子单元,用于根据所述激光雷达中心点与所述点云坐标均值之间的距离,确定所述目标障碍物和所述车辆之间的当前距离。
进一步地,所述装置还包括:
控制单元,用于控制所述车辆继续行驶,并将所述非障碍物栅格检出所述目标障碍物的当前累计次数减1。
进一步地,所述装置还包括:
构建单元,用于以所述车辆为中心,在所述BEV视角下构建得到所述栅格地图,所述栅格地图中的每个栅格采用类别标签标识栅格中占据的所述车辆或障碍物。
根据本公开的第三方面,提供了一种电子设备,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,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行任一项所述的方法。
根据本公开的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据中任一项所述的方法。
根据本公开的第五方面,提供了一种计算机程序产品,所述计算机程序产品包括:计算机程序,所述计算机程序存储在可读存储介质中,电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序,所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面所述的方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开的实施例所提供的一种障碍物误检处理方法的流程图;
图2是可以实现本公开实施例的一种可选的二维栅格地图的示意图;
图3是根据本公开实施例所提供的一种可选的障碍物误检处理方法的流程图;
图4是根据本公开实施例所提供的一种可选的障碍物误检处理方法的流程图;
图5是根据本公开实施例所提供的一种可选的障碍物误检处理方法的流程图;
图6是根据本公开实施例所提供的一种可选的障碍物误检处理方法的整体流程实现示意图;
图7是根据本公开实施例所提供的一种障碍物误检处理装置的框架示意图;
图8是用来实现本公开实施例的一种障碍物误检处理方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
自动驾驶技术的广泛应用,使得车辆能够更加智能化地感知周围环境,并做出相应的驾驶决策。然而,在实际工程落地中,由于传感器精度限制和算法能力等因素,常常出现对低矮障碍物的误检(例如将地面上不影响车辆行驶的塑料袋误报为需要避让的低矮障碍物),导致车辆非必要或过度刹车,给乘客带来不安定感并影响车辆乘坐的舒适性。
现有的技术实现方案主要包括以下几种:
1.传感器优化:优化传感器的配置和参数,提高对低矮障碍物的感知能力。例如,采用更高分辨率的激光雷达或摄像头,或者调整传感器的灵敏度等。
2.数据预处理:对传感器数据进行预处理,如滤波、去噪等,以减少误检的可能性。可以采用各种算法,如卡尔曼滤波、均值滤波等。
3.深度学习:利用深度学习技术,对传感器数据进行特征提取和分类,以准确识别低矮障碍物和其他物体。这种方法可以通过训练大量的数据来提高模型的准确性。
上述方法分别有以下缺点:
1.传感器优化:高分辨率的传感器可能带来更高的成本和更多的计算资源需求,使产品难以完成商业化落地。此外,传感器的性能受到环境条件(如光照、天气等)的影响,可能影响其对低矮障碍物的感知能力。
2.数据预处理:预处理算法的性能受到数据质量的影响,如果数据存在噪声或干扰,可能会导致障碍物误检或漏检。此外,预处理算法可能需要针对不同的传感器进行参数调整和优化,更换传感器时的调试难度较大。
3.深度学习:深度学习需要大量的标注数据进行训练,才能达到理想的检测效果。然而,低矮障碍物在无人驾驶车辆行驶的过程中,出现频率往往极低。这就导致了大规模收集低矮障碍物误检数据的难度非常大,而小规模的标注数据又很难训练出理想的深度学习模型。
为解决上述问题,本公开提供了一种障碍物误检处理方法、装置、设备以及存储介质,应用于人工智能领域,尤其涉及无人驾驶技术领域,旨在解决自动驾驶车辆在行驶过程中,因低矮障碍物误检而导致的不必要急刹车的问题,以达到减少对低矮障碍物的误检,提升车辆行驶的平顺性和安全性的目的。
图1是根据本公开的实施例所提供的一种障碍物误检处理方法的流程图,如图1所示,本公开提供的一种障碍物误检处理方法,包括如下方法步骤:
S101,获取栅格地图中的疑似误检栅格,其中,上述栅格地图用于在鸟瞰视角BEV下,采用多个栅格分别标识车辆和影响车辆行驶的障碍物,上述疑似误检栅格为检出目标障碍物但疑似误检的栅格;
S102,获取上述疑似误检栅格中检出的目标障碍物和上述车辆之间的当前距离;
S103,若上述当前距离小于上述车辆的刹车距离,则确定上述疑似误检栅格中的点云高度是否小于高度阈值,以及上述疑似误检栅格在历史时段内检出上述目标障碍物的检出频率是否大于零且小于频率阈值;
S104,若上述点云高度小于上述高度阈值,上述检出频率大于零且小于上述频率阈值,则确定上述疑似误检栅格为非障碍物栅格,其中,上述非障碍物栅格为不存在上述目标障碍物的栅格。
本公开所提供的障碍物误检处理方法,旨在解决自动驾驶车辆在行驶过程中,因低矮障碍物误检而导致的不必要急刹车的问题,提升车辆行驶的平顺性和安全性。本公开示例通过对栅格地图中标记为疑似误检栅格进行再次检测和确认,可以减少对低矮障碍物的误检,从而减少车辆行驶过程中不必要的急刹。
本公开示例所提供的障碍物误检处理方法对自动驾驶领域的重要性,在于其能够直接解决自动驾驶技术在应用中存在的实际问题,提高车辆的智能化水平和用户乘坐车辆的体验,满足无人驾驶汽车商业化运营的实际需求。
可选的,本公开示例中的车辆可以为任意类型或采用任意能耗的汽车,例如,自动驾驶汽车,无人驾驶汽车。
可选的,本公开示例中,目标障碍物是指为低矮类型的障碍物,例如三角牌、锥桶等静态低矮障碍物。
本公开示例,可以适用于无人驾驶汽车,例如,采用无人驾驶汽车的感知模块实现该方法,主要用于优化例如三角牌、锥桶等静态低矮障碍物的检测链路,减少低矮障碍物误检导致的车辆莫名急刹问题,提高障碍物报出的稳定性。
根据本公开的技术,获取栅格地图中的疑似误检栅格,栅格地图在鸟瞰视角BEV下采用多个栅格分别标识车辆和影响车辆行驶的障碍物,疑似误检栅格为检出目标障碍物但疑似误检的栅格;获取疑似误检栅格中检出的目标障碍物和车辆之间的当前距离;若当前距离小于车辆的刹车距离,则确定疑似误检栅格中的点云高度是否小于高度阈值,及疑似误检栅格在历史时段内检出目标障碍物的检出频率是否大于零且小于频率阈值;若点云高度小于高度阈值,检出频率大于零且小于频率阈值,则确定疑似误检栅格为非障碍物栅格,非障碍物栅格为不存在目标障碍物的栅格。
通过对栅格地图中标记为疑似误检栅格进行再次检测和确认,如果车辆所在栅格到疑似误检栅格的当前距离小于车辆的刹车距离,则表明该疑似误检栅格报出低矮障碍物后,可能引发车辆的急刹风险。进而检测疑似误检栅格中的点云高度是否小于高度阈值,及疑似误检栅格在历史时段内检出目标障碍物的检出频率是否大于零且小于频率阈值,如果上述两个条件都满足,则确定疑似误检栅格为非障碍物栅格,可以减少对低矮障碍物的误检,从而减少车辆行驶过程中不必要的急刹。
本公开示例中,车辆(主车)使用基于鸟瞰视角BEV(Birds-eye view)的栅格地图进行车辆行驶环境和障碍物的表达。
可选的,本公开一种示例中,在获取栅格地图中的疑似误检栅格之前,上述方法还包括:
以上述车辆为中心,在上述BEV视角下构建得到上述栅格地图,上述栅格地图中的每个栅格采用类别标签标识栅格中占据的上述车辆或障碍物。
可选的,本公开示例中,上述栅格地图可以为二维栅格地图、三维栅格地图。
如图2所示的一种可选的二维栅格地图,该二维栅格地图是以车辆为中心,在BEV视角下构建得到的。一种示例中,如图2所示的车辆周围的三角牌和锥桶即是低矮障碍物。
可选的,该栅格地图的栅格分辨率可以为40cm*40cm,该栅格地图的长、宽可以分别为120m。但需要说明的是,上述栅格地图的栅格分辨率、栅格地图的长、宽,均可以为上述示意值的近似值,或者还可以直接为其他经验值、设定值等,本公开示例上述示意并不具体限定。
可选的,栅格地图中的每个栅格具有类别标签(例如路面、障碍物等)来表示栅格中占据的实际物体。
一种示例中,车辆的静态低矮障碍物检测链路的目的是,检测出可能影响车辆行驶的低矮障碍物,并将三角牌、锥筒等低矮障碍物所处物理位置对应的BEV栅格标记为“障碍物”属性。需要注意的是,本公开示例中的检测任务只关注静止的低矮障碍物,将其作为目标障碍物,不包括栅栏等较为高大的静态障碍物(通常被标记为“硬隔离”障碍物)。行人、环境车辆等交通参与者也不在本公开示例的讨论或关注范围内。
本公开方案,适用于静态低矮障碍物检测链路的后处理阶段,即对已有的静态低矮障碍物检测结果,即疑似误检栅格进行二次处理,过滤疑似误检栅格中可能被误检为存在目标障碍物的栅格;本方案可灵活适用于不同的静态低矮障碍物检测模块,例如,多传感器融合的静态低矮障碍物检测等,将该检测的检测结果为已经标记“存在目标障碍物”标签的疑似误检栅格,作为障碍物误检处理方案的输入数据,以结合障碍物检测的时序稳定性、检测距离等信息,对可能引发自动驾驶车辆急刹的误检障碍物进行过滤。
作为一种可选的实施例,为了准确地描述本公开的技术实现方案,可以预先定义如下变量:
1.车辆的当前车速:v,单位为m/s。
2.当前栅格i累计检出为存在目标障碍物的当前累计次数F(i)report、次数阈值Fthr。
3.当前栅格i检出存在目标障碍物的最远距离:D(i)max,单位m,初始值为0。
4.车辆距离当前栅格i中的目标障碍物的当前距离:D(i),单位m。
具体来说,可以只是当前栅格i中存在目标障碍物时才会使用该当前距离,例如,可以计算目标障碍物在当前栅格i中的点云坐标均值,与当前车辆的激光雷达中心点之间的距离,得到上述当前距离。
5.车辆的刹车距离:Deb,单位m,指主车在当前车速下,从踩下刹车到车辆静止所需要的制动距离,通常使用公式Deb=v2/2a计算,其中,a为主车刹车带来的加速度,单位m/s2,通常取值为1.5m/s2,根据车辆自身性能有所调整。
6.当前栅格i中的点云高度H(i)、高度阈值Hthr,一般情况下,低矮障碍物的高度阈值可以为30cm,但并不具体限定。
7.历史时段(过去T帧)内检出上述目标障碍物的检出频率Rate(i),T可以取值10,但并不具体限定。
8.当前栅格i是否存在目标障碍物Report(i),布尔变量。
在获取栅格地图中的疑似误检栅格后,需要对疑似误检栅格再次检测,以进一步排除不连续的多次误检导致的误刹问题。如果车辆所在栅格到疑似误检栅格的当前距离D(i)小于车辆的刹车距离Deb,则表明该疑似误检栅格报出低矮障碍物后,可能引发车辆的急刹风险。
因此,本公开示例中,先疑似误检栅格中的点云高度,再确定疑似误检栅格中的点云高度H(i)是否小于高度阈值Hthr,以筛选出潜在的地面标识线反射的电源噪声、洒水车贴地喷水的水雾噪声导致的误检。由于噪声导致的误检通常在时序上是不稳定的,所以需要同时判断历史时段内(过去T帧)低矮障碍物的检出频率Rate(i)是否小于频率阈值(该频率阈值可根据情况调整,例如,0.5)。
如果同时满足上述两个条件,认为该疑似误检栅格大概率是出现了障碍物误检,将该疑似误检栅格i的报出状态Report(i)设置为false,即确定上述疑似误检栅格为非障碍物栅格,该非障碍物栅格为不存在上述目标障碍物的栅格。
作为一种可选的示例,图3是根据本公开实施例所提供的一种可选的障碍物误检处理方法的流程图,如图3所示,上述方法还包括:
S105,控制上述车辆继续行驶,并将上述非障碍物栅格检出上述目标障碍物的当前累计次数减1。
在确定上述疑似误检栅格为非障碍物栅格之后,控制上述车辆继续行驶,并同时减少一次当前栅格i累计检出为障碍物的当前累计检出次数F(i)report。
进一步地,为了确保无人驾驶汽车的安全性,被过滤掉的栅格位置的图像会被预警给安全员,由人类安全员监控风险,作为安全冗余的保障。
一种可选的示例,获取上述疑似误检栅格中检出的目标障碍物和上述车辆之间的当前距离,包括:获取上述车辆的激光雷达中心点,与上述目标障碍物在上述疑似误检栅格中的点云坐标均值之间的距离;根据上述激光雷达中心点与上述点云坐标均值之间的距离,确定上述目标障碍物和上述车辆之间的当前距离。
可选的,上述激光雷达中心点即为车辆所在栅格的中心点。
本公开示例中,由于一个栅格中观测到的点云数量、点云位置都是不固定的,栅格地图是有比例尺的(每个栅格40cm*40cm),其中观测到的所有点云坐标取均值,可以转换成实际距离。
本公开示例中,1个障碍物可能占据多个栅格,采用栅格距离来表示的是在疑似误检栅格中的点云所构成的目标障碍物的一部分(但它并不是一个完整障碍物)。如果一个目标障碍物(倒地栅栏)占据了5个栅格,实际车辆和目标障碍物之间的距离则无法定义,因为整个处理过程中,所有障碍物都是被切分到各个部分所在栅格的,并没有完整障碍物的概念,一个目标障碍物是多个栅格形成的集合。
因此,可以先获取上述车辆的激光雷达中心点,与目标障碍物在上述疑似误检栅格中的点云坐标均值之间的距离;根据上述激光雷达中心点与上述点云坐标均值之间的距离,确定上述目标障碍物和上述车辆之间的当前距离。
这样,由于本公开示例中,点云坐标都是实际距离,因此计算出来的点云坐标均值也是实际距离。上述激光雷达中心点也采用真实世界坐标系的坐标来表示,因此可以确定实际车辆和目标障碍物之间的当前距离。
本公开,一种示例中,图4是根据本公开实施例所提供的一种可选的障碍物误检处理方法的流程图,如图4所示,获取栅格地图中的疑似误检栅格,包括:
S401,遍历上述栅格地图中的每个栅格,以确定遍历到的当前栅格中是否检出上述目标障碍物;
S402,若上述当前栅格中检出上述目标障碍物,则获取上述当前栅格检出上述目标障碍物的当前累计次数,以及检出的上述目标障碍物和上述车辆之间的最远距离;
S403,根据上述当前累计次数和上述最远距离,确定上述当前栅格是否为上述疑似误检栅格。
可选的,上述最远距离为历史时段内检出的目标障碍物与车辆之间的最远距离,可以描述为最远距离D(i)_max=max(D(i_0),D(i_1),...,D(i_t-1),D(i_t))。
另一示例中,仍如图4所示,根据上述当前累计次数和上述最远距离,确定上述当前栅格是否为上述疑似误检栅格,包括:
S4031,若确定上述当前累计次数大于次数阈值,且上述最远距离大于零,则确定上述当前栅格为上述疑似误检栅格。
上述公开示例中,首先,遍历栅格地图上的所有BEV栅格,对于任意栅格i,如果当前栅格i被检测为存在静态低矮障碍物,则先累加当前栅格i累计检出为障碍物的次数,得到当前栅格检出目标障碍物的当前累计次数F(i)report,并判断其是否大于次数阈值Fthr。
如果该当前累计次数小于次数阈值,则上述检出存在低矮障碍物则可能是误检,暂不作处理,继续检测直到当前累计次数大于次数阈值。
如果当前累计次数大于次数阈值,则说明该当前栅格已多次检测出低矮障碍物,因此该当前栅格对应的物理位置可能是存在一个真实障碍物,但需进行后续流程以进一步排除误检风险。接着,更新当前栅格i在历史时段内检出的低矮障碍物与车辆之间的最远距离D(i)max。如果D(i)max>0,说明该当前栅格已经多次检出过低矮障碍物,可以将当前栅格i是否为低矮障碍物的状态量Report(i)置为true,即将当前栅格确定为疑似误检栅格。
采用上述示例,通过遍历栅格地图中的每个栅格,可以确定具体哪些栅格是疑似误检栅格,进而可以将该疑似栅格作为障碍物误检方法的输入数据再次进行检测和确认,以避免由于误检障碍物导致车辆不必要的误刹。
一种示例中,如果该当前栅格从未检出过低矮障碍物,将该当前栅格对应的最远距离D(i)max的初始值为0。
作为一种可选的示例,图5是根据本公开实施例所提供的一种可选的障碍物误检处理方法的流程图,如图5所示,上述方法还包括:
S501,若上述当前栅格中未检出上述目标障碍物,则确定上述当前栅格为上述非障碍物栅格;
S502,确定上述非障碍物栅格在历史时段内检出上述目标障碍物的检出频率是否大于零且小于上述频率阈值;
S503,若上述检出频率大于零且小于上述频率阈值,则将上述目标障碍物和上述车辆之间的最远距离置为零。
上述示例中,如果当前栅格i中未检测出静态低矮障碍物,则先初始化其报出状态Report(i)=false(表示该当前栅格中不存在静态低矮障碍物);此时判断当前栅格i在过去的历史时段中是否稳定检测出低矮障碍物。
由于使用激光雷达作为主传感器的智能车辆,通常根据雷达触发频率进行计时(一般为1秒触发10帧),因此,本公开方案统计过去T帧障碍物的检出频率Rate(i)是否小于频率阈值(该阈值可根据情况调整,例如可以为0.5),如果Rate(i)=0说明该栅格位置从未检出过低矮障碍物,如果Rate(i)<0.5,说明该栅格位置上检出低矮障碍物不稳定,可能是噪声等原因导致的障碍物误检,则重置最远D(i)max为0,避免将误检信息传给下游模块。
采用上述示例,通过遍历栅格地图中的每个栅格,可以确定具体哪些栅格是非障碍物栅格,并且如果该非障碍物栅格在历史时段内检出低矮障碍物的检出频率大于零且小于频率阈值;进而可以将该非障碍物栅格所标记的低矮障碍物和车辆之间的最远距离置为零,这样记录可以便于下次检测该栅格。
图6是根据本公开实施例所提供的一种可选的障碍物误检处理方法的整体流程实现示意图,如下通过一种如图6所示的可选的实施流程,对本公开提供的障碍物误检处理方法进行解释说明,该障碍物误检处理方法包括:
首先,遍历栅格地图上的所有BEV栅格,对于任意栅格i,执行如下步骤:
1.状态更新:
a)如果当前栅格i被检测为存在静态低矮障碍物,则先累加当前栅格i累计检出为障碍物的次数,得到当前栅格检出目标障碍物的当前累计次数F(i)report,并判断其是否大于次数阈值Fthr。如果该当前累计次数小于次数阈值,则上述检出存在低矮障碍物则可能是误检,暂不作处理,继续检测直到当前累计次数大于次数阈值。
如果当前累计次数大于次数阈值,则说明该当前栅格已多次检测出低矮障碍物,因此该当前栅格对应的物理位置可能是存在一个真实障碍物,但需进行后续流程以进一步排除误检风险。接着,更新当前栅格i在历史时段内检出的目标障碍物与车辆之间的最远距离D(i)max。对于从未检出过目标障碍物的当前栅格,将该当前栅格对应的最远距离D(i)max的初始值为0。
b)如果当前栅格i中未检测出静态低矮障碍物,则先初始化其报出状态Report(i)=false(表示该当前栅格中不存在静态低矮障碍物);此时判断当前栅格i在过去的历史时段中是否稳定检测出低矮障碍物。由于使用激光雷达作为主传感器的智能车辆,通常根据雷达触发频率进行计时(一般为1秒触发10帧),所以本方案统计过去T帧障碍物的检出频率Rate(i)是否小于频率阈值(该阈值可根据情况调整,例如可以为0.5),如果Rate(i)=0说明该栅格位置从未检出过低矮障碍物,如果Rate(i)<0.5,说明该栅格位置上检出低矮障碍物不稳定,可能是噪声等原因导致的障碍物误检,则重置最远D(i)max为0,避免将误检信息传给下游模块。
2.障碍物报出:如果D(i)max>0,说明该当前栅格已经多次检出过低矮障碍物,可以将当前栅格i是否为低矮障碍物的状态量Report(i)置为true,即将当前栅格确定为疑似误检栅格。
3.误检过滤:经过上述步骤的处理得到疑似误检栅格后,仍然需要对疑似误检栅格再次检测,以进一步排除不连续的多次误检导致的误刹问题。如果车辆所在栅格到疑似误检栅格的当前距离D(i)小于车辆的刹车距离Deb,则说明该疑似误检栅格报出低矮障碍物后,可能引发车辆的急刹风险。
因此,首先判断疑似误检栅格中的点云高度H(i)是否小于高度阈值Hthr,以筛选出潜在的地面标识线反射的电源噪声、洒水车贴地喷水的水雾噪声导致的误检。由于噪声导致的误检通常在时序上是不稳定的,所以需要同时判断历史时段内(过去T帧)低矮障碍物的检出频率Rate(i)是否小于频率阈值(该频率阈值可根据情况调整,例如,0.5)。
如果同时满足上述两个条件,认为该疑似误检栅格大概率是出现了障碍物误检,将该疑似误检栅格i的报出状态Report(i)设置为false,同时减少一次当前栅格i累计检出为障碍物的当前累计检出次数F(i)report;为了确保无人驾驶汽车的安全性,被过滤掉的栅格位置的图像会被预警给安全员,由人类安全员监控风险,作为安全冗余的保障。
本公开示例使用较为简明的障碍物误检处理方法,降低了低矮障碍物误检导致车辆莫名急刹的安全风险;相较于依赖深度神经网络进行噪声检测或误检过滤的方案,极大降低了计算量,减少了车端的计算成本。相较于传感器优化或传感器数据预处理的方式,更具有普适性,在流程上可以灵活地添加到不同的单帧障碍物检测模块之后,进一步改善误检导致车辆莫名急刹的问题。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,图7是根据本公开实施例所提供的一种障碍物误检处理装置的框架示意图,如图7所示,本公开还提供了一种障碍物误检处理装置,该障碍物误检处理装置700,包括:
第一获取单元701,用于获取栅格地图中的疑似误检栅格,其中,上述栅格地图用于在鸟瞰视角BEV下,采用多个栅格分别标识车辆和影响车辆行驶的障碍物,上述疑似误检栅格为检出目标障碍物但疑似误检的栅格;
第二获取单元702,用于获取上述疑似误检栅格中检出的目标障碍物和上述车辆之间的当前距离;
第一确定单元703,用于若上述当前距离小于上述车辆的刹车距离,则确定上述疑似误检栅格中的点云高度是否小于高度阈值,以及上述疑似误检栅格在历史时段内检出上述目标障碍物的检出频率是否大于零且小于频率阈值;
第二确定单元704,用于若上述点云高度小于上述高度阈值,上述检出频率大于零且小于上述频率阈值,则确定上述疑似误检栅格为非障碍物栅格,其中,上述非障碍物栅格为不存在上述目标障碍物的栅格。
根据本公开的一个或多个可选的实施例,上述第一获取单元,包括:
第一确定子单元,用于遍历上述栅格地图中的每个栅格,以确定遍历到的当前栅格中是否检出上述目标障碍物;
获取子单元,用于若上述当前栅格中检出上述目标障碍物,则获取上述当前栅格检出上述目标障碍物的当前累计次数,以及检出的上述目标障碍物和上述车辆之间的最远距离;
第二确定子单元,用于根据上述当前累计次数和上述最远距离,确定上述当前栅格是否为上述疑似误检栅格。
根据本公开的一个或多个可选的实施例,上述第二确定子单元,具体用于:
若确定上述当前累计次数大于次数阈值,且上述最远距离大于零,则确定上述当前栅格为上述疑似误检栅格。
根据本公开的一个或多个可选的实施例,上述装置还包括:
第三确定单元,用于若上述当前栅格中未检出上述目标障碍物,则确定上述当前栅格为上述非障碍物栅格;
第四确定单元,用于确定上述非障碍物栅格在历史时段内检出上述目标障碍物的检出频率是否大于零且小于上述频率阈值;
重置单元,用于若上述检出频率大于零且小于上述频率阈值,则将上述目标障碍物和上述车辆之间的最远距离置为零。
根据本公开的一个或多个可选的实施例,上述第二获取单元,包括:
第二获取子单元,用于获取上述车辆的激光雷达中心点,与上述目标障碍物在上述疑似误检栅格中的点云坐标均值之间的距离;
第三确定子单元,用于根据上述激光雷达中心点与上述点云坐标均值之间的距离,确定上述目标障碍物和上述车辆之间的当前距离。
根据本公开的一个或多个可选的实施例,上述装置还包括:
控制单元,用于控制上述车辆继续行驶,并将上述非障碍物栅格检出上述目标障碍物的当前累计次数减1。
根据本公开的一个或多个可选的实施例,上述装置还包括:
构建单元,用于以上述车辆为中心,在上述BEV视角下构建得到上述栅格地图,上述栅格地图中的每个栅格采用类别标签标识栅格中占据的上述车辆或障碍物。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
根据本公开的实施例,本公开提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,上述计算机指令用于使上述计算机执行根据中任一项上述的方法。
根据本公开的实施例,本公开提供了一种计算机程序产品,计算机程序产品包括:计算机程序,计算机程序存储在可读存储介质中,电子设备的至少一个处理器可以从可读存储介质读取计算机程序,至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
根据本公开的实施例,本公开还提供了一种电子设备,图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示,设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM 803中,还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理,例如XX方法。例如,在一些实施例中,XX方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM803并由计算单元801执行时,可以执行上文描述的XX方法的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行XX方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (17)
1.一种障碍物误检处理方法,所述方法包括:
获取栅格地图中的疑似误检栅格,其中,所述栅格地图用于在鸟瞰视角BEV下,采用多个栅格分别标识车辆和影响车辆行驶的障碍物,所述疑似误检栅格为检出目标障碍物但疑似误检的栅格;
获取所述疑似误检栅格中检出的目标障碍物和所述车辆之间的当前距离;
若所述当前距离小于所述车辆的刹车距离,则确定所述疑似误检栅格中的点云高度是否小于高度阈值,以及所述疑似误检栅格在历史时段内检出所述目标障碍物的检出频率是否大于零且小于频率阈值;
若所述点云高度小于所述高度阈值,所述检出频率大于零且小于所述频率阈值,则确定所述疑似误检栅格为非障碍物栅格,其中,所述非障碍物栅格为不存在所述目标障碍物的栅格。
2.根据权利要求1所述的方法,其中,获取栅格地图中的疑似误检栅格,包括:
遍历所述栅格地图中的每个栅格,以确定遍历到的当前栅格中是否检出所述目标障碍物;
若所述当前栅格中检出所述目标障碍物,则获取所述当前栅格检出所述目标障碍物的当前累计次数,以及检出的所述目标障碍物和所述车辆之间的最远距离;
根据所述当前累计次数和所述最远距离,确定所述当前栅格是否为所述疑似误检栅格。
3.根据权利要求2所述的方法,其中,根据所述当前累计次数和所述最远距离,确定所述当前栅格是否为所述疑似误检栅格,包括:
若确定所述当前累计次数大于次数阈值,且所述最远距离大于零,则确定所述当前栅格为所述疑似误检栅格。
4.根据权利要求2所述的方法,其中,所述方法还包括:
若所述当前栅格中未检出所述目标障碍物,则确定所述当前栅格为所述非障碍物栅格;
确定所述非障碍物栅格在历史时段内检出所述目标障碍物的检出频率是否大于零且小于所述频率阈值;
若所述检出频率大于零且小于所述频率阈值,则将所述目标障碍物和所述车辆之间的最远距离置为零。
5.根据权利要求1至4中任意一项所述的方法,其中,获取所述疑似误检栅格中检出的目标障碍物和所述车辆之间的当前距离,包括:
获取所述车辆的激光雷达中心点,与所述目标障碍物在所述疑似误检栅格中的点云坐标均值之间的距离;
根据所述激光雷达中心点与所述点云坐标均值之间的距离,确定所述目标障碍物和所述车辆之间的当前距离。
6.根据权利要求1至4中任意一项所述的方法,其中,所述方法还包括:
控制所述车辆继续行驶,并将所述非障碍物栅格检出所述目标障碍物的当前累计次数减1。
7.根据权利要求1至4中任意一项所述的方法,其中,在获取栅格地图中的疑似误检栅格之前,所述方法还包括:
以所述车辆为中心,在所述BEV视角下构建得到所述栅格地图,所述栅格地图中的每个栅格采用类别标签标识栅格中占据的车辆或障碍物。
8.一种障碍物误检处理装置,所述装置包括:
第一获取单元,用于获取栅格地图中的疑似误检栅格,其中,所述栅格地图用于在鸟瞰视角BEV下,采用多个栅格分别标识车辆和影响车辆行驶的障碍物,所述疑似误检栅格为检出目标障碍物但疑似误检的栅格;
第二获取单元,用于获取所述疑似误检栅格中检出的目标障碍物和所述车辆之间的当前距离;
第一确定单元,用于若所述当前距离小于所述车辆的刹车距离,则确定所述疑似误检栅格中的点云高度是否小于高度阈值,以及所述疑似误检栅格在历史时段内检出所述目标障碍物的检出频率是否大于零且小于频率阈值;
第二确定单元,用于若所述点云高度小于所述高度阈值,所述检出频率大于零且小于所述频率阈值,则确定所述疑似误检栅格为非障碍物栅格,其中,所述非障碍物栅格为不存在所述目标障碍物的栅格。
9.根据权利要求8所述的方法,其中,所述第一获取单元,包括:
第一确定子单元,用于遍历所述栅格地图中的每个栅格,以确定遍历到的当前栅格中是否检出所述目标障碍物;
第一获取子单元,用于若所述当前栅格中检出所述目标障碍物,则获取所述当前栅格检出所述目标障碍物的当前累计次数,以及检出的所述目标障碍物和所述车辆之间的最远距离;
第二确定子单元,用于根据所述当前累计次数和所述最远距离,确定所述当前栅格是否为所述疑似误检栅格。
10.根据权利要求9所述的装置,其中,所述第二确定子单元,具体用于:
若确定所述当前累计次数大于次数阈值,且所述最远距离大于零,则确定所述当前栅格为所述疑似误检栅格。
11.根据权利要求9所述的装置,其中,所述装置还包括:
第三确定单元,用于若所述当前栅格中未检出所述目标障碍物,则确定所述当前栅格为所述非障碍物栅格;
第四确定单元,用于确定所述非障碍物栅格在历史时段内检出所述目标障碍物的检出频率是否大于零且小于所述频率阈值;
重置单元,用于若所述检出频率大于零且小于所述频率阈值,则将所述目标障碍物和所述车辆之间的最远距离置为零。
12.根据权利要求8至12中任意一项所述的装置,其中,所述第二获取单元,包括:
第二获取子单元,用于获取所述车辆的激光雷达中心点,与所述目标障碍物在所述疑似误检栅格中的点云坐标均值之间的距离;
第三确定子单元,用于根据所述激光雷达中心点与所述点云坐标均值之间的距离,确定所述目标障碍物和所述车辆之间的当前距离。
13.根据权利要求8至12中任意一项所述的装置,其中,所述装置还包括:
控制单元,用于控制所述车辆继续行驶,并将所述非障碍物栅格检出所述目标障碍物的当前累计次数减1。
14.根据权利要求8至12中任意一项所述的装置,其中,所述装置还包括:
构建单元,用于以所述车辆为中心,在所述BEV视角下构建得到所述栅格地图,所述栅格地图中的每个栅格采用类别标签标识栅格中占据的所述车辆或障碍物。
15.一种电子设备,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,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。
17.一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311733710.0A CN117746384A (zh) | 2023-12-15 | 2023-12-15 | 障碍物误检处理方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311733710.0A CN117746384A (zh) | 2023-12-15 | 2023-12-15 | 障碍物误检处理方法、装置、设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117746384A true CN117746384A (zh) | 2024-03-22 |
Family
ID=90260282
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311733710.0A Pending CN117746384A (zh) | 2023-12-15 | 2023-12-15 | 障碍物误检处理方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117746384A (zh) |
-
2023
- 2023-12-15 CN CN202311733710.0A patent/CN117746384A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3944213A2 (en) | Method and apparatus of controlling traffic, roadside device and cloud control platform | |
CA3077523A1 (en) | Method, device, and equipment for obstacle or ground recognition and flight control, and storage medium | |
CN112764013B (zh) | 自动驾驶车辆感知系统测试方法、装置、设备及存储介质 | |
CN112541475B (zh) | 感知数据检测方法及装置 | |
CN115879060B (zh) | 基于多模态的自动驾驶感知方法、装置、设备和介质 | |
CN112330915A (zh) | 无人机森林防火预警方法、系统、电子设备和存储介质 | |
CN115471805A (zh) | 点云处理和深度学习模型训练方法、装置及自动驾驶车辆 | |
CN113052047A (zh) | 交通事件的检测方法、路侧设备、云控平台及系统 | |
CN117746384A (zh) | 障碍物误检处理方法、装置、设备以及存储介质 | |
CN113920273B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN116087987A (zh) | 确定目标对象高度的方法、装置、电子设备及存储介质 | |
CN111598009B (zh) | 监控急刹车辆的方法、装置、电子设备和存储介质 | |
CN114708498A (zh) | 图像处理方法、装置、电子设备以及存储介质 | |
CN114379547A (zh) | 制动控制方法、装置、车辆、电子设备及存储介质 | |
CN112507964A (zh) | 用于车道级事件的检测方法和装置、路侧设备和云控平台 | |
CN114581615B (zh) | 一种数据处理方法、装置、设备和存储介质 | |
CN114882461B (zh) | 设备环境识别方法、装置、电子设备和自动驾驶车辆 | |
CN115147809B (zh) | 一种障碍物检测方法、装置、设备以及存储介质 | |
EP4024084A2 (en) | Spatial parking place detection method and device, storage medium, and program product | |
CN115876210A (zh) | 地图数据生成方法、装置、电子设备及存储介质 | |
CN114550131A (zh) | 电子地图的处理方法、装置、电子设备及存储介质 | |
CN115346194A (zh) | 一种三维检测方法、装置、电子设备及存储介质 | |
CN115951356A (zh) | 障碍物的移动状态的确定方法、装置、设备以及存储介质 | |
CN118068831A (zh) | 一种定位方法、装置、设备及存储介质 | |
CN117671643A (zh) | 障碍物检测方法和装置 |
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 |