CN117876708A - 障碍物轮廓获取方法、智能设备及计算机可读存储介质 - Google Patents
障碍物轮廓获取方法、智能设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN117876708A CN117876708A CN202410063923.5A CN202410063923A CN117876708A CN 117876708 A CN117876708 A CN 117876708A CN 202410063923 A CN202410063923 A CN 202410063923A CN 117876708 A CN117876708 A CN 117876708A
- Authority
- CN
- China
- Prior art keywords
- grid
- bev
- obstacle
- acquiring
- dimensional
- 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
- 238000000034 method Methods 0.000 title claims abstract description 107
- 238000013507 mapping Methods 0.000 claims abstract description 55
- 230000008447 perception Effects 0.000 claims abstract description 51
- 230000033001 locomotion Effects 0.000 claims description 58
- 230000005484 gravity Effects 0.000 claims description 18
- 230000003068 static effect Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000004888 barrier function Effects 0.000 description 4
- 230000001788 irregular Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及自动驾驶技术领域,具体提供一种障碍物轮廓获取方法、计算机设备、存储介质及车辆,旨在解决准确获取障碍物轮廓的问题。为此目的,本申请提供的方法包括按照预设的感知任务对三维点云进行感知,以获取感知结果;根据三维点云与感知结果,获取BEV视角下各BEV栅格的栅格信息,栅格信息包括根据BEV栅格的映射点云得到的位置信息以及感知结果中与BEV栅格对应的感知结果信息,映射点云是在BEV视角下能够映射到BEV栅格的三维点云;根据栅格信息对BEV栅格进行聚类,形成至少一个栅格集合;根据各栅格集合分别获取各栅格集合所表示障碍物的轮廓。基于上述方式,无论障碍物的轮廓是否规整,都能够准确得到障碍物的轮廓。
Description
技术领域
本申请涉及自动驾驶技术领域,具体涉及一种障碍物轮廓获取方法、智能设备及计算机可读存储介质。
背景技术
在对车辆进行自动驾驶控制时需要准确检测车辆周围的障碍物,根据障碍物的类型和位置等信息进行车辆控制,从而保证车辆行驶的安全性和舒适性。目前常规的障碍物检测方法只能对机动车、非机动车和行人等轮廓规整的障碍物进行检测,无法实现对建筑物、护栏、水马、立柱、路沿和墙面等轮廓不规整的障碍物进行准确检测,导致车辆在自动驾驶过程中可能会与上述障碍物发生碰撞,威胁车辆的行驶安全。
相应地,本领域需要一种新的技术方案来解决上述问题。
发明内容
为了克服上述缺陷,提出了本申请,以提供解决至少能够准确检测轮廓不规整障碍物的技术问题的障碍物轮廓获取方法、智能设备及计算机可读存储介质。
在第一方面,提供一种障碍物轮廓获取方法,所述方法包括:按照预设的感知任务对三维点云进行感知,以获取感知结果;根据所述三维点云与所述感知结果,获取BEV视角下各BEV栅格的栅格信息,所述栅格信息包括根据BEV栅格的映射点云得到的位置信息以及所述感知结果中与BEV栅格对应的感知结果信息,所述映射点云是在BEV视角下能够映射到BEV栅格的三维点云;根据所述栅格信息对BEV栅格进行聚类,形成至少一个栅格集合;根据各栅格集合分别获取各栅格集合所表示障碍物的轮廓。
在上述障碍物轮廓获取方法的一个技术方案中,所述获取BEV视角下各BEV栅格的栅格信息,包括通过下列方式获取所述位置信息:针对各BEV栅格,获取BEV栅格在BEV视角下的二维坐标,并获取BEV栅格的映射点云的最小高度与最大高度;根据所述二维坐标、所述最小高度与所述最大高度,获取BEV栅格的位置信息。
在上述障碍物轮廓获取方法的一个技术方案中,所述根据所述栅格信息对BEV栅格进行聚类,包括:针对每两个BEV栅格,获取两个BEV栅格之间每种栅格信息的相似度,并对每种栅格信息的相似度进行加权和计算得到最终相似度;判断所述最终相似度是否大于预设的相似度阈值;若是,则将所述两个BEV栅格聚类到同一个栅格集合内;若是,则不将所述两个BEV栅格聚类到同一个栅格集合内。
在上述障碍物轮廓获取方法的一个技术方案中,所述根据各栅格集合分别获取各栅格集合所表示障碍物的轮廓,包括:根据各栅格集合内的BEV栅格,分别获取各栅格集合所表示障碍物的轮廓点;根据所述障碍物的轮廓点,获取所述障碍物的轮廓。
在上述障碍物轮廓获取方法的一个技术方案中,所述分别获取各栅格集合所表示障碍物的轮廓点,包括:分别获取栅格集合内各BEV栅格中相同类型目标点的三维位置;根据所述相同类型目标点的三维位置,获取所述栅格集合所表示障碍物的轮廓点;其中,目标点至少包括BEV栅格的中心点和/或重心点和/或边界点。
在上述障碍物轮廓获取方法的一个技术方案中,所述方法还包括通过下列方式获取BEV栅格的中心点的三维位置:根据BEV栅格在BEV视角下的二维坐标,获取BEV栅格的中心点的二维坐标;根据BEV栅格的映射点云的最小高度与最大高度,获取BEV栅格的中心点的高度;根据所述中心点的二维坐标与高度,获取所述中心点的三维位置。
在上述障碍物轮廓获取方法的一个技术方案中,所述方法还包括通过下列方式获取BEV栅格的重心点的三维位置:获取BEV栅格的映射点云的三维坐标平均值;根据所述三维坐标平均值,获取所述BEV栅格的重心点的三维位置。
在上述障碍物轮廓获取方法的一个技术方案中,还包括通过下列方式获取BEV栅格的边界点的三维位置:从BEV栅格的映射点云中,分别获取距离BEV栅格的各边界最近的最近映射点云;根据各最近映射点云的三维坐标,分别获取BEV栅格的各边界点的三维位置。
在上述障碍物轮廓获取方法的一个技术方案中,所述根据所述障碍物的轮廓点,获取所述障碍物的轮廓,包括:根据所述障碍物的轮廓点,获取所述障碍物的外接矩形框。
在上述障碍物轮廓获取方法的一个技术方案中,所述获取所述障碍物的外接矩形框,包括:根据栅格集合内各BEV栅格对应的感知结果信息,获取栅格集合所表示障碍物的运动状态;若所述运动状态是静态,则采用旋转卡尺算法并根据所述障碍物的轮廓点,获取所述障碍物的最小外接矩形框;若所述运动状态是动态,则根据所述感知结果信息获取所述障碍物的运动方向,以所述运动方向为外接矩形框的旋转方向并根据所述障碍物的轮廓点拟合得到所述障碍物的外接矩形框。
在上述障碍物轮廓获取方法的一个技术方案中,所述根据所述感知结果信息获取所述障碍物的运动方向,包括:根据所述感知结果信息获取栅格集合所表示障碍物的运动速度,所述运动速度为所述障碍物在X轴与Y轴方向上的速度形成的矢量速度;根据所述运动速度的矢量方向,获取所述障碍物的运动方向。
在上述障碍物轮廓获取方法的一个技术方案中,所述按照预设的感知任务对三维点云进行感知,以获取感知结果,包括:按照多种不同预设的感知任务分别对三维点云进行感知,以获取每种预设的感知任务的感知结果;其中,预设的感知任务包括对三维点云进行轮廓规整目标检测的感知任务和/或预设的感知任务包括在BEV视角下对三维点云进行语义分割和/或运动状态预测和/或运动速度预测和/或地面高度预测的感知任务。
在上述障碍物轮廓获取方法的一个技术方案中,所述方法还包括通过下列方式获取障碍物的第一属性:根据BEV栅格的映射点云的三维坐标,分别获取栅格集合所表示障碍物的重心点位置和/或最小高度和/或最大高度。
在上述障碍物轮廓获取方法的一个技术方案中,所述方法还包括通过下列方式获取障碍物的第一属性:根据BEV栅格的映射点云的时间戳平均值和/或点云数量,分别获取栅格集合所表示障碍物的时间戳和/或点云数量。
在上述障碍物轮廓获取方法的一个技术方案中,所述方法还包括通过下列方式获取障碍物的第二属性:根据栅格集合内各BEV栅格对应的感知结果信息,分别获取栅格集合所表示障碍物的语义类别和/或运动状态和/或运动速度;其中,所述运动状态包括动态和静态,所述运动速度为所述障碍物在X轴与Y轴方向上的速度形成的矢量速度。
在第二方面,提供一种智能设备,该智能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,所述存储器中存储有计算机程序,所述计算机程序被所述至少一个处理器执行时实现第一方面提供的任一项障碍物轮廓获取方法。
在第三方面,提供一种计算机可读存储介质,该计算机可读存储介质其中存储有多条程序代码,所述程序代码适于由处理器加载并运行以执行第一方面提供的任一项障碍物轮廓获取方法。
方案1.一种障碍物轮廓获取方法,其特征在于,所述方法包括:
按照预设的感知任务对三维点云进行感知,以获取感知结果;
根据所述三维点云与所述感知结果,获取BEV视角下各BEV栅格的栅格信息,所述栅格信息包括根据BEV栅格的映射点云得到的位置信息以及所述感知结果中与BEV栅格对应的感知结果信息,所述映射点云是在BEV视角下能够映射到BEV栅格的三维点云;
根据所述栅格信息对BEV栅格进行聚类,形成至少一个栅格集合;
根据各栅格集合分别获取各栅格集合所表示障碍物的轮廓。
方案2.根据方案1所述的方法,其特征在于,所述获取BEV视角下各BEV栅格的栅格信息,包括通过下列方式获取所述位置信息:
针对各BEV栅格,获取BEV栅格在BEV视角下的二维坐标,并获取BEV栅格的映射点云的最小高度与最大高度;
根据所述二维坐标、所述最小高度与所述最大高度,获取BEV栅格的位置信息。
方案3.根据方案1所述的方法,其特征在于,所述根据所述栅格信息对BEV栅格进行聚类,包括:
针对每两个BEV栅格,获取两个BEV栅格之间每种栅格信息的相似度,并对每种栅格信息的相似度进行加权和计算得到最终相似度;
判断所述最终相似度是否大于预设的相似度阈值;
若是,则将所述两个BEV栅格聚类到同一个栅格集合内;
若是,则不将所述两个BEV栅格聚类到同一个栅格集合内。
方案4.根据方案1所述的方法,其特征在于,所述根据各栅格集合分别获取各栅格集合所表示障碍物的轮廓,包括:
根据各栅格集合内的BEV栅格,分别获取各栅格集合所表示障碍物的轮廓点;
根据所述障碍物的轮廓点,获取所述障碍物的轮廓。
方案5.根据方案4所述的方法,其特征在于,所述分别获取各栅格集合所表示障碍物的轮廓点,包括:
分别获取栅格集合内各BEV栅格中相同类型目标点的三维位置;
根据所述相同类型目标点的三维位置,获取所述栅格集合所表示障碍物的轮廓点;
其中,目标点至少包括BEV栅格的中心点和/或重心点和/或边界点。
方案6.根据方案5所述的方法,其特征在于,所述方法还包括通过下列方式获取BEV栅格的中心点的三维位置:
根据BEV栅格在BEV视角下的二维坐标,获取BEV栅格的中心点的二维坐标;
根据BEV栅格的映射点云的最小高度与最大高度,获取BEV栅格的中心点的高度;
根据所述中心点的二维坐标与高度,获取所述中心点的三维位置。
方案7.根据方案5所述的方法,其特征在于,所述方法还包括通过下列方式获取BEV栅格的重心点的三维位置:
获取BEV栅格的映射点云的三维坐标平均值;
根据所述三维坐标平均值,获取所述BEV栅格的重心点的三维位置。
方案8.根据方案5所述的方法,其特征在于,所述方法还包括通过下列方式获取BEV栅格的边界点的三维位置:
从BEV栅格的映射点云中,分别获取距离BEV栅格的各边界最近的最近映射点云;
根据各最近映射点云的三维坐标,分别获取BEV栅格的各边界点的三维位置。
方案9.根据方案4所述的方法,其特征在于,所述根据所述障碍物的轮廓点,获取所述障碍物的轮廓,包括:
根据所述障碍物的轮廓点,获取所述障碍物的外接矩形框。
方案10.根据方案9所述的方法,其特征在于,所述获取所述障碍物的外接矩形框,包括:
根据栅格集合内各BEV栅格对应的感知结果信息,获取栅格集合所表示障碍物的运动状态;
若所述运动状态是静态,则采用旋转卡尺算法并根据所述障碍物的轮廓点,获取所述障碍物的最小外接矩形框;
若所述运动状态是动态,则根据所述感知结果信息获取所述障碍物的运动方向,以所述运动方向为外接矩形框的旋转方向并根据所述障碍物的轮廓点拟合得到所述障碍物的外接矩形框。
方案11.根据方案10所述的方法,其特征在于,所述根据所述感知结果信息获取所述障碍物的运动方向,包括:
根据所述感知结果信息获取栅格集合所表示障碍物的运动速度,所述运动速度为所述障碍物在X轴与Y轴方向上的速度形成的矢量速度;
根据所述运动速度的矢量方向,获取所述障碍物的运动方向。
方案12.根据方案1所述的方法,其特征在于,所述按照预设的感知任务对三维点云进行感知,以获取感知结果,包括:
按照多种不同预设的感知任务分别对三维点云进行感知,以获取每种预设的感知任务的感知结果;
其中,预设的感知任务包括对三维点云进行轮廓规整目标检测的感知任务和/或预设的感知任务包括在BEV视角下对三维点云进行语义分割和/或运动状态预测和/或运动速度预测和/或地面高度预测的感知任务。
方案13.根据方案1至12中任一项所述的方法,其特征在于,所述方法还包括通过下列方式获取障碍物的第一属性:
根据BEV栅格的映射点云的三维坐标,分别获取栅格集合所表示障碍物的重心点位置和/或最小高度和/或最大高度。
方案14.根据方案1至12中任一项所述的方法,其特征在于,所述方法还包括通过下列方式获取障碍物的第一属性:
根据BEV栅格的映射点云的时间戳平均值和/或点云数量,分别获取栅格集合所表示障碍物的时间戳和/或点云数量。
方案15.根据方案1至12中任一项所述的方法,其特征在于,所述方法还包括通过下列方式获取障碍物的第二属性:
根据栅格集合内各BEV栅格对应的感知结果信息,分别获取栅格集合所表示障碍物的语义类别和/或运动状态和/或运动速度;
其中,所述运动状态包括动态和静态,所述运动速度为所述障碍物在X轴与Y轴方向上的速度形成的矢量速度。
方案16.一种智能设备,其特征在于,包括:
至少一个处理器;
以及,与所述至少一个处理器通信连接的存储器;
其中,所述存储器中存储有计算机程序,所述计算机程序被所述至少一个处理器执行时实现方案1至15中任一项所述的障碍物轮廓获取方法。
方案17.一种计算机可读存储介质,其中存储有多条程序代码,其特征在于,所述程序代码适于由处理器加载并运行以执行方案1至15中任一项所述的障碍物轮廓获取方法。
本申请上述一个或多个技术方案,至少具有如下一种或多种有益效果:
在实施本申请提供的障碍物轮廓获取方法的技术方案中,可以按照预设的感知任务对三维点云进行感知以获取感知结果,进而同时根据三维点云与感知结果获取BEV视角下各BEV栅格的栅格信息,根据栅格信息对BEV栅格进行聚类形成至少一个栅格集合,每个栅格集合分别能够表示一个障碍物,根据各栅格集合分别获取各栅格集合所表示障碍物的轮廓。在上述方法中栅格信息包括根据BEV栅格的映射点云(在BEV视角下能够映射到BEV栅格的三维点云)得到的位置信息以及感知结果中与BEV栅格对应的感知结果信息。
基于映射点云得到的位置信息不仅能够包含BEV栅格在BEV视角下的二维坐标,还能够包含BEV栅格的高度信息,基于此能够从三个坐标维度描述BEV栅格的位置,使得在根据BEV栅格的位置信息进行聚类时可以准确地将表示同一障碍物的BEV栅格聚类到一起。进一步,再结合BEV栅格对应的感知结果信息进行聚类,能够更加准确地将表示同一障碍物的BEV栅格聚类到一起。通过上述方法,无论障碍物的轮廓是否规整,都能够将同一障碍物的BEV栅格聚类到一起,从而准确得到障碍物的轮廓,克服了现有技术无法实现对建筑物、护栏、水马、立柱、路沿和墙面等轮廓不规整的障碍物进行准确检测,导致车辆在自动驾驶过程中可能会与上述障碍物发生碰撞,威胁车辆的行驶安全的问题。
附图说明
参照附图,本申请的公开内容将变得更易理解。本领域技术人员容易理解的是:这些附图仅仅用于说明的目的,而并非意在对本申请的保护范围组成限制。其中:
图1是根据本申请的一个实施例的障碍物轮廓获取方法的主要步骤流程示意图;
图2是根据本申请的一个实施例的根据BEV栅格的映射点云获取位置信息的方法的主要步骤流程示意图;
图3是根据本申请的一个实施例的对BEV栅格进行聚类的方法的主要步骤流程示意图;
图4是根据本申请的一个实施例的根据栅格集合获取障碍物轮廓的方法的主要步骤流程示意图;
图5是根据本申请的一个实施例的障碍物轮廓的示意图;
图6是根据本申请的一个实施例的智能设备的主要结构示意图。
附图标记列表:
11:存储器;12:处理器。
具体实施方式
下面参照附图来描述本申请的一些实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本申请的技术原理,并非旨在限制本申请的保护范围。
在本申请的描述中,“处理器”可以包括硬件、软件或者两者的组合。处理器可以是中央处理器、微处理器、图像处理器、数字信号处理器或者其他任何合适的处理器。处理器具有数据和/或信号处理功能。处理器可以以软件方式实现、硬件方式实现或者二者结合方式实现。计算机可读存储介质包括任何合适的可存储程序代码的介质,比如磁碟、硬盘、光碟、闪存、只读存储器、随机存取存储器等等。术语“A和/或B”表示所有可能的A与B的组合,比如只是A、只是B或者A和B。
本申请各实施例中可能涉及的相关用户个人信息,均为严格按照法律法规的要求,遵循合法、正当、必要的原则,基于业务场景的合理目的,处理用户在使用产品/服务过程中主动提供或因使用产品/服务而产生的,以及经用户授权获取的个人信息。
本申请处理的用户个人信息会因具体产品/服务场景而有所不同,需以用户使用产品/服务的具体场景为准,可能会涉及用户的账号信息、设备信息、驾驶信息、车辆信息或其他相关信息。本申请会以高度的勤勉义务对待用户的个人信息及其处理。
本申请非常重视用户个人信息的安全,已采取符合业界标准、合理可行的安全防护措施保护用户的信息,防止个人信息遭到未经授权访问、公开披露、使用、修改、损坏或丢失。
下面对本申请提供的障碍物轮廓获取方法的实施例进行说明。
参阅附图1,图1是根据本申请的一个实施例的障碍物轮廓获取方法的主要步骤流程示意图。如图1所示,本申请实施例中的障碍物轮廓获取方法主要包括下列步骤S101至步骤S104。
步骤S101:按照预设的感知任务对三维点云进行感知,以获取感知结果。
三维点云可以是雷达采集到的点云数据,雷达包括但不限于毫米波雷达(Millimeter-wave Radar)和激光雷达(Laser Radar),在一个优选实施方式中雷达可以是激光雷达。
在本实施例中可以设置多个不同的感知任务,按照多种不同的感知任务分别对三维点云进行感知,以获取每种感知任务的感知结果。
感知任务可以包括对三维点云进行轮廓规整目标检测的感知任务,比如对三维点云进行机动车、非机动车和人检测。感知任务还可以包括在BEV(Bird's Eye View)视角下对三维点云进行语义分割和/或运动状态预测和/或运动速度预测和/或地面高度预测的感知任务。
在本申请实施例中可以采用点云感知技术领域中常规的感知方法来执行各感知任务,实现对三维点云进行感知。本申请实施例不对按照预设的感知任务对三维点云进行感知的方法作具体限定,只要能够执行完成感知任务获得感知结果即可。此外,本申请实施例也不对感知任务的类型作具体限定,只要能够获取到多种不同感知任务得到的感知结果即可。
步骤S102:根据三维点云与感知结果,获取BEV视角下各BEV栅格的栅格信息。栅格信息可以包括根据BEV栅格的映射点云得到的位置信息以及感知结果中与BEV栅格对应的感知结果信息,其中,映射点云是在BEV视角下能够映射到BEV栅格的三维点云。
三维点云的点云坐标系与BEV视角的BEV坐标系不同,获取BEV栅格的栅格信息之前需要将三维点云由点云坐标系映射到BEV坐标系,在映射之后会得到各BEV栅格的映射点云。
映射点云的坐标是三维的,因此根据映射点云获取到的BEV栅格的位置信息可以包含高度信息。
三维点云覆盖的场景范围通常比较大,在对三维点云进行点云感知之后不同区域的点云对应的感知结果可能不同,这就导致不同BEV栅格对应的感知结果也可能不同。因此,在通过步骤S101得到三维点云的感知结果之后,可以根据点云与BEV栅格的映射关系从感知结果中获取与BEV栅格对应的感知结果信息。
步骤S103:根据栅格信息对BEV栅格进行聚类,形成至少一个栅格集合。
一个栅格集合就可以表示一个障碍物。在判断是否需要将两个BEV栅格聚类到同一个栅格集合时,可以获取这两个BEV栅格的栅格信息的相似度,若相似度大于设定阈值则表明这两个BEV栅格表示同一个障碍物,因此可以聚类到同一个栅格集合;否则,表明这两个BEV栅格不表示同一个障碍物,也就不会聚类到同一个栅格集合中。
步骤S104:根据各栅格集合分别获取各栅格集合所表示障碍物的轮廓。具体地,可以利用栅格集合内栅格的位置信息和/或栅格的映射点云的位置信息进行轮廓拟合,得到栅格集合所表示障碍物的轮廓。
基于上述步骤S101至步骤S104所述的方法,无论障碍物的轮廓是否规整,可以准确地将表示同一个障碍物的BEV栅格聚类到一起,进而根据这些BEV栅格可以准确得到障碍物的轮廓,显著提高了障碍物检测的准确性,进而有利于提高基于障碍物检测进行自动驾驶控制的安全性。
下面对上述步骤S102至步骤S104作进一步说明。
一、对步骤S102进行说明。
在上述步骤S102的一些实施方式中,可以通过图2所示的下列步骤S1021至步骤S1022来获取BEV栅格的栅格信息中的位置信息。
步骤S1021:针对各BEV栅格,获取BEV栅格在BEV视角下的二维坐标,并获取BEV栅格的映射点云的最小高度与最大高度。
在BEV视角下的二维坐标也就是在BEV坐标系下的二维坐标,其包括BEV栅格在BEV坐标系中X轴和Y轴的坐标。
映射点云的高度是指映射点云在点云坐标系中Z轴的坐标,一个BEV栅格可能会包含多个映射点云,各映射点云的高度可能不同,因此,可以从这些映射点云的高度中筛选出最小高度和最大高度。若BEV栅格只包含一个映射点云或各映射点云的高度相同,那么最小高度和最大高度相同;若BEV栅格不包含映射点云,那么最小高度和最大高度可以为零。
步骤S1022:根据二维坐标、最小高度与最大高度,获取BEV栅格的位置信息。由于这个位置信息既包含X轴和Y轴的坐标,又包含Z轴的坐标,因此这个位置信息可以作为一个三维坐标。
在基于上述步骤S1021至步骤S1022所述的方法中,根据映射点云的最小与最大高度获取BEV栅格的位置信息,不仅可以使这个位置信息体现出BEV栅格内点云在高度方向(Z轴)的分布状态或形状,有利于提高根据这个位置信息进行BEV栅格聚类的准确性,还可以减少这个位置信息包含的信息的数量,有利于提高BEV栅格聚类的效率。
二、对步骤S103进行说明。
在上述步骤S103的一些实施方式中,可以通过图3所示的下列步骤S1031至步骤S1034,对BEV栅格进行聚类。
步骤S1031:针对每两个BEV栅格,获取两个BEV栅格之间每种栅格信息的相似度,并对每种栅格信息的相似度进行加权和计算得到最终相似度。根据前述步骤S102的描述可知,BEV栅格至少会包含两种栅格信息,即位置信息和一种感知任务的感知结果信息。若按照多种不同的感知任务对三维点云进行感知,那么BEV栅格会包含三种及以上多种栅格信息,即位置信息和至少两种感知任务的感知结果信息。
在本申请实施例中可以预先设置好不同类型栅格信息的权重,在进行加权和计算时直接调用设置好的权重,再进行加权和计算。本领域技术人员可以根据实际需求灵活地设置各类型栅格信息的权重大小,本申请实施例对此不作具体限定。
在一个例子中,假设BEV栅格的栅格信息包括位置信息、对车辆进行检测的车辆感知结果信息a2和进行地面高度预测的地面高度感知结果信息,且这三者的权重依次是w1、w2、w3。此外,假设两个BEV栅格之间位置信息的相似度是a1,车辆感知结果信息的相似度是a2,地面高度感知结果信息的相似度是a3。那么,可以得到这两个BEV栅格的最终相似度为w1×a1+w2×a2+w3×a3。
本领域技术人员可以采用数据处理技术领域中常规的相似度获取方法分别获取每种栅格信息的相似度,本申请实施例对此不作具体限定。
步骤S1032:判断最终相似度是否大于预设的相似度阈值。
若大于预设的相似度阈值,则表明两个BEV栅格之间的相似程度很高,很可能表示的是同一个障碍物,可以聚类到一起,因此转至步骤S1033;否则,表明相似程度较低,不太可能表示同一个障碍物,不需要聚类到一起,因此转至步骤S1034。
步骤S1033:将两个BEV栅格聚类到同一个栅格集合内。
步骤S1034:不将两个BEV栅格聚类到同一个栅格集合内。
基于上述步骤S1031至步骤S1034所述的方法,能够准确地获取到两个BEV栅格之间栅格信息的相似度,并利用该相似度准确地完成BEV栅格的聚类,从而提高根据聚类结果获取障碍物轮廓的准确性。
三、对步骤S104进行说明。
在上述步骤S104的一些实施方式中,可以通过图4所示的下列步骤S1041至步骤S1042,获取栅格集合所表示障碍物的轮廓。
步骤S1041:根据各栅格集合内的BEV栅格,分别获取各栅格集合所表示障碍物的轮廓点。
在此步骤中,可以根据BEV栅格的栅格信息中的位置信息进行轮廓点拟合得到障碍物的轮廓点,也可以根据BEV栅格的映射点云的位置信息进行轮廓点拟合得到障碍物的轮廓点。需要说明的是,本领域技术人员可以采用数据处理技术领域中常规的轮廓点拟合方法,根据栅格信息中的位置信息或映射点云的位置信息进行拟合,本申请实施例不对上述轮廓点拟合方法作具体限定。
步骤S1042:根据障碍物的轮廓点,获取障碍物的轮廓。
在得到障碍物的各轮廓点之后,可以按照预设的方向比如顺时针方向依次连接各轮廓点形成障碍物的轮廓。如图5所示,图5中示例性示出了6个障碍物,对各障碍物的轮廓点依次连接可以形成多边形轮廓。
基于上述步骤S1041至步骤S1042所述的方法,可以利用BEV栅格准确得到障碍物的轮廓点,进而提高了基于轮廓点获取轮廓的准确性。
下面对上述步骤S1041至步骤S1042作进一步说明。
(一)对步骤S1041进行说明。
在上述步骤S1041的一些实施方式中,可以分别获取栅格集合内各BEV栅格中相同类型目标点的三维位置,目标点至少包括BEV栅格的中心点和/或重心点和/或边界点,然后根据各相同类型目标点的三维位置,获取栅格集合所表示障碍物的轮廓点。同样,可以采用数据处理技术领域中常规的轮廓点拟合方法,根据目标点的三维位置进行拟合,得到障碍物的轮廓点。基于上述方式,可以任意选取中心点、重心点和边界点等目标点中的一种进行轮廓点拟合,提高了获取轮廓点的灵活性。
下面分别对中心点、重心点和边界点的三维位置获取方法进行说明。
1、中心点的三维位置获取方法
在本申请实施例中可以根据BEV栅格在BEV视角下的二维坐标获取BEV栅格的中心点的二维坐标,BEV栅格的二维坐标与前述步骤S1021中EV栅格的二维坐标含义相同,在此不再赘述。
此外,还可以根据BEV栅格的映射点云的最小高度与最大高度获取BEV栅格的中心点的高度,例如可以将最小高度与最大高度的平均值作为中心点的高度,也可以将最小高度与最大高度的差值作为中心点的高度等等。最后,根据中心点的二维坐标与高度获取中心点的三维位置。虽然,中心点的二维坐标是在BEV坐标系中X轴和Y轴的坐标,中心点的高度是在点云坐标系中Z轴的坐标,但是仍然可以将三者组合在一起形成一个三维位置,这个三维位置的坐标系由BEV坐标系的X轴和Y轴以及点云坐标系的Z组成。
基于上述方法可以准确得到BEV栅格中心点的三维位置。
2、重心点的三维位置获取方法
在本申请实施例中可以获取BEV栅格的映射点云的三维坐标平均值,这个三维坐标平均值可以表示BEV栅格的映射点云形成的点云簇的重心位置。进而,再根据这个三维坐标平均值获取BEV栅格的重心点的三维位置,如直接将三维坐标平均值作为重心点的三维位置。
基于上述方法可以准确得到BEV栅格的重心点三维位置。
3、边界点的三维位置获取方法
在本申请实施例中从BEV栅格的映射点云中,分别获取距离BEV栅格的各边界最近的最近映射点云,一个最近映射点云可以表示BEV栅格的一个边界点,这个边界点也可以理解成是BEV栅格的映射点云形成的点云簇的边界点。进而,再根据各最近映射点云的三维坐标,分别获取BEV栅格的各边界点的三维位置。BEV栅格通常包含四条边,因此可以获取四个最近映射点云,得到四个边界点的三维位置。
基于上述方法可以利用最近映射点云快速且准确获取到BEV栅格的边界点三维位置。
(二)对步骤S1042进行说明。
在上述步骤S1042的一些实施方式中,在得到障碍物的各轮廓点之后可以根据轮廓点进行外接矩形框拟合,得到障碍物的外接矩形框,将这个外接矩形框作为障碍物的轮廓。
需要说明的是,本领域技术人员可以采用数据处理技术领域中常规的外接矩形框拟合方法,根据轮廓点进行拟合得到障碍物的外接矩形框,本申请实施例不对上述外接矩形框的拟合方法作具体限定。
基于上述方式将外接矩形框作为障碍物的轮廓,可以将轮廓不规整的障碍物的轮廓都转换成规整的矩形框,这样有利于下游任务根据障碍物的轮廓作进一步处理。例如,在显示画面中标注出障碍物。
进一步,在一些优选实施方式中可以根据障碍物的动静态采取不同的方法获取外接矩形框。具体而言,先根据栅格集合内各BEV栅格对应的感知结果信息,获取栅格集合所表示障碍物的运动状态。若运动状态是静态,则采用旋转卡尺算法并根据障碍物的轮廓点,获取障碍物的最小外接矩形框。若运动状态是动态,则根据感知结果信息获取障碍物的运动方向,以运动方向为外接矩形框的旋转方向并根据障碍物的轮廓点拟合得到障碍物的外接矩形框。其中,旋转卡尺算法为数据处理技术领域中一种常规的凸包算法,本申请实施例不对采用旋转卡尺算法获取最小外接矩形框的过程进行赘述。
在根据感知结果信息获取障碍物的运动方向时,若感知结果信息就包含了运动方向,那么可以直接从感知结果信息中获取运动方向;若感知结果信息没有包含运动方向,而是包含障碍物在X轴与Y轴方向上的速度形成的矢量速度,即运动速度,那么可以从感知结果信息中获取这个运动速度并根据这个运动速度的矢量方向获取障碍物的运动方向。具体地,可以直接将矢量方向作为运动方向。
基于上述外接矩形框的获取方法,可以考虑到障碍物的运动状态,确保外接矩形框的准确性。
进一步,在根据本申请提供的障碍物轮廓获取方法的实施例中,除了可以通过前述方法实施例获取障碍物的轮廓,还可以通过下列方式获取障碍物的第一属性和/或第二属性,从而在输出障碍物轮廓的同时也可以输出障碍物的属性信息,实现对障碍物的全面感知。
在获取第一属性时,可以根据BEV栅格的映射点云的三维坐标,分别获取栅格集合所表示障碍物的重心点位置和/或最小高度和/或最大高度。具体地,可以获取映射点云的三维坐标的平均值,根据该平均值获取障碍物的中心点云位置;可以获取映射点云的最小高度作为障碍物的最小高度;可以获取映射点云的最大高度作为障碍物的最大高度。
此外,也可以根据BEV栅格的映射点云的时间戳平均值和/或点云数量,分别获取栅格集合所表示障碍物的时间戳和/或点云数量,即将映射点云的时间戳平均值作为障碍物的时间戳,将映射点云的点云数量作为障碍物的点云数量。
在获取第二属性时,可以根据栅格集合内各BEV栅格对应的感知结果信息,分别获取栅格集合所表示障碍物的语义类别和/或运动状态和/或运动速度,即将感知结果信息也作为障碍物的属性。其中,运动状态包括动态和静态,运动速度为障碍物在X轴与Y轴方向上的速度形成的矢量速度。
需要说明的是,在通过前述方法实施例获取障碍物的轮廓时可能会获取到第一属性和第二属性中的部分信息,对此在获取障碍物的属性时可以直接调取相应的信息,不需要再重复获取。
需要指出的是,尽管上述实施例中将各个步骤按照特定的先后顺序进行了描述,但是本领域技术人员可以理解,为了实现本申请的效果,不同的步骤之间并非必须按照这样的顺序执行,其可以同时(并行)执行或以其他顺序执行,这些调整之后的方案与本申请中描述的技术方案属于等同技术方案,因此也将落入本申请的保护范围之内。
本领域技术人员能够理解的是,本申请实现上述一实施例的方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括:能够携带所述计算机程序代码的任何实体或装置、介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读存储介质不包括电载波信号和电信信号。
进一步,本申请还提供了一种智能设备。
在根据本申请的一个智能设备的实施例中,智能设备可以包括至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,存储器中存储有计算机程序,计算机程序被至少一个处理器执行时实现上述任一实施例所述的方法。本申请所述的智能设备,可以包括驾驶设备、智能车、机器人等设备。参阅附图6,图6中示例性地示出了存储器11和处理器12通过总线通信连接。
在本申请的一些实施例中,智能设备还可以包括至少一个传感器,传感器用于感知信息。传感器与本申请提到的任何一种类型的处理器通信连接。可选地,智能设备还可以包括自动驾驶系统,自动驾驶系统用于引导智能设备自行行驶或辅助驾驶。处理器与传感器和/或自动驾驶系统通信,用于完成上述任一实施例所述的方法。
进一步,本申请还提供了一种计算机可读存储介质。
在根据本申请的一个计算机可读存储介质的实施例中,计算机可读存储介质可以被配置成存储执行上述方法实施例的障碍物轮廓获取方法的程序,该程序可以由处理器加载并运行以实现上述障碍物轮廓获取方法。为了便于说明,仅示出了与本申请实施例相关的部分,具体技术细节未揭示的,请参照本申请实施例方法部分。该计算机可读存储介质可以是包括各种电子设备形成的存储装置设备,可选的,本申请实施例中计算机可读存储介质是非暂时性的计算机可读存储介质。
进一步,本申请还提供了一种车辆。
在根据本申请的一个车辆的实施例中,车辆可以包括上述计算机设备实施例所述的计算机设备。在本实施例中车辆可以是自动驾驶车辆、无人车等车辆。此外,按照动力源类型划分,本实施例中车辆可以是燃油车、电动车、电能与燃油混合的混动车或使用其他新能源的车辆等。
至此,已经结合附图所示的一个实施方式描述了本申请的技术方案,但是,本领域技术人员容易理解的是,本申请的保护范围显然不局限于这些具体实施方式。在不偏离本申请的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本申请的保护范围之内。
Claims (10)
1.一种障碍物轮廓获取方法,其特征在于,所述方法包括:
按照预设的感知任务对三维点云进行感知,以获取感知结果;
根据所述三维点云与所述感知结果,获取BEV视角下各BEV栅格的栅格信息,所述栅格信息包括根据BEV栅格的映射点云得到的位置信息以及所述感知结果中与BEV栅格对应的感知结果信息,所述映射点云是在BEV视角下能够映射到BEV栅格的三维点云;
根据所述栅格信息对BEV栅格进行聚类,形成至少一个栅格集合;
根据各栅格集合分别获取各栅格集合所表示障碍物的轮廓。
2.根据权利要求1所述的方法,其特征在于,所述获取BEV视角下各BEV栅格的栅格信息,包括通过下列方式获取所述位置信息:
针对各BEV栅格,获取BEV栅格在BEV视角下的二维坐标,并获取BEV栅格的映射点云的最小高度与最大高度;
根据所述二维坐标、所述最小高度与所述最大高度,获取BEV栅格的位置信息。
3.根据权利要求1所述的方法,其特征在于,所述根据所述栅格信息对BEV栅格进行聚类,包括:
针对每两个BEV栅格,获取两个BEV栅格之间每种栅格信息的相似度,并对每种栅格信息的相似度进行加权和计算得到最终相似度;
判断所述最终相似度是否大于预设的相似度阈值;
若是,则将所述两个BEV栅格聚类到同一个栅格集合内;
若是,则不将所述两个BEV栅格聚类到同一个栅格集合内。
4.根据权利要求1所述的方法,其特征在于,所述根据各栅格集合分别获取各栅格集合所表示障碍物的轮廓,包括:
根据各栅格集合内的BEV栅格,分别获取各栅格集合所表示障碍物的轮廓点;
根据所述障碍物的轮廓点,获取所述障碍物的轮廓。
5.根据权利要求4所述的方法,其特征在于,所述分别获取各栅格集合所表示障碍物的轮廓点,包括:
分别获取栅格集合内各BEV栅格中相同类型目标点的三维位置;
根据所述相同类型目标点的三维位置,获取所述栅格集合所表示障碍物的轮廓点;
其中,目标点至少包括BEV栅格的中心点和/或重心点和/或边界点。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括通过下列方式获取BEV栅格的中心点的三维位置:
根据BEV栅格在BEV视角下的二维坐标,获取BEV栅格的中心点的二维坐标;
根据BEV栅格的映射点云的最小高度与最大高度,获取BEV栅格的中心点的高度;
根据所述中心点的二维坐标与高度,获取所述中心点的三维位置。
7.根据权利要求5所述的方法,其特征在于,所述方法还包括通过下列方式获取BEV栅格的重心点的三维位置:
获取BEV栅格的映射点云的三维坐标平均值;
根据所述三维坐标平均值,获取所述BEV栅格的重心点的三维位置。
8.根据权利要求5所述的方法,其特征在于,所述方法还包括通过下列方式获取BEV栅格的边界点的三维位置:
从BEV栅格的映射点云中,分别获取距离BEV栅格的各边界最近的最近映射点云;
根据各最近映射点云的三维坐标,分别获取BEV栅格的各边界点的三维位置。
9.根据权利要求4所述的方法,其特征在于,所述根据所述障碍物的轮廓点,获取所述障碍物的轮廓,包括:
根据所述障碍物的轮廓点,获取所述障碍物的外接矩形框。
10.根据权利要求9所述的方法,其特征在于,所述获取所述障碍物的外接矩形框,包括:
根据栅格集合内各BEV栅格对应的感知结果信息,获取栅格集合所表示障碍物的运动状态;
若所述运动状态是静态,则采用旋转卡尺算法并根据所述障碍物的轮廓点,获取所述障碍物的最小外接矩形框;
若所述运动状态是动态,则根据所述感知结果信息获取所述障碍物的运动方向,以所述运动方向为外接矩形框的旋转方向并根据所述障碍物的轮廓点拟合得到所述障碍物的外接矩形框。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410063923.5A CN117876708A (zh) | 2024-01-16 | 2024-01-16 | 障碍物轮廓获取方法、智能设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410063923.5A CN117876708A (zh) | 2024-01-16 | 2024-01-16 | 障碍物轮廓获取方法、智能设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117876708A true CN117876708A (zh) | 2024-04-12 |
Family
ID=90582758
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410063923.5A Pending CN117876708A (zh) | 2024-01-16 | 2024-01-16 | 障碍物轮廓获取方法、智能设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117876708A (zh) |
-
2024
- 2024-01-16 CN CN202410063923.5A patent/CN117876708A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106951847B (zh) | 障碍物检测方法、装置、设备及存储介质 | |
CN108509820B (zh) | 障碍物分割方法及装置、计算机设备及可读介质 | |
CN111932943B (zh) | 动态目标的检测方法、装置、存储介质及路基监测设备 | |
CN108470174B (zh) | 障碍物分割方法及装置、计算机设备及可读介质 | |
CN110799989A (zh) | 一种障碍物检测方法、设备、可移动平台及存储介质 | |
CN112789521B (zh) | 感知区域的确定方法、装置、存储介质及车辆 | |
CN110286389A (zh) | 一种用于障碍物识别的栅格管理方法 | |
CN114966651A (zh) | 可行驶区域检测方法、计算机设备、存储介质及车辆 | |
CN113112491B (zh) | 一种悬崖检测方法、装置、机器人及存储介质 | |
CN111257882B (zh) | 数据融合方法、装置、无人驾驶设备和可读存储介质 | |
CN115164919B (zh) | 基于双目相机的空间可行驶区域地图构建方法及装置 | |
CN112990049A (zh) | 用于车辆自动驾驶的aeb紧急制动方法、装置 | |
CN113859228B (zh) | 一种车辆控制方法、装置、电子设备及存储介质 | |
CN115406457A (zh) | 一种可行驶区域检测方法、系统、设备及存储介质 | |
CN109238281B (zh) | 基于图像螺旋线的视觉导航及避障方法 | |
CN117671013B (zh) | 点云定位方法、智能设备及计算机可读存储介质 | |
CN114241448A (zh) | 障碍物航向角的获取方法、装置、电子设备及车辆 | |
CN111340949B (zh) | 3d虚拟环境的建模方法、计算机设备及存储介质 | |
CN115683109B (zh) | 基于cuda和三维栅格地图的视觉动态障碍物检测方法 | |
CN117876708A (zh) | 障碍物轮廓获取方法、智能设备及计算机可读存储介质 | |
CN115861626A (zh) | 目标检测方法、装置、终端设备及计算机可读存储介质 | |
CN115236696B (zh) | 确定障碍物的方法、装置、电子设备及存储介质 | |
CN114549764A (zh) | 基于无人车的障碍物识别方法、装置、设备及存储介质 | |
CN111487956B (zh) | 一种机器人避障的方法及机器人 | |
CN117876999A (zh) | 通用障碍物检测方法、可读存储介质及智能设备 |
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 |