JP2018534647A - レーザ点群に基づく都市道路の認識方法、装置、記憶媒体及び機器 - Google Patents

レーザ点群に基づく都市道路の認識方法、装置、記憶媒体及び機器 Download PDF

Info

Publication number
JP2018534647A
JP2018534647A JP2018506153A JP2018506153A JP2018534647A JP 2018534647 A JP2018534647 A JP 2018534647A JP 2018506153 A JP2018506153 A JP 2018506153A JP 2018506153 A JP2018506153 A JP 2018506153A JP 2018534647 A JP2018534647 A JP 2018534647A
Authority
JP
Japan
Prior art keywords
point cloud
laser point
laser
road surface
roadside
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2018506153A
Other languages
English (en)
Other versions
JP6561199B2 (ja
Inventor
ユー ジャン
ユー ジャン
ヤン イェン
ヤン イェン
Original Assignee
バイドゥ オンライン ネットワーク テクノロジー（ペキン） カンパニー リミテッド
バイドゥ オンライン ネットワーク テクノロジー（ペキン） カンパニー リミテッド
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 バイドゥ オンライン ネットワーク テクノロジー（ペキン） カンパニー リミテッド, バイドゥ オンライン ネットワーク テクノロジー（ペキン） カンパニー リミテッド filed Critical バイドゥ オンライン ネットワーク テクノロジー（ペキン） カンパニー リミテッド
Publication of JP2018534647A publication Critical patent/JP2018534647A/ja
Application granted granted Critical
Publication of JP6561199B2 publication Critical patent/JP6561199B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/10—Geometric effects
    • G06T15/20—Perspective computation
    • G06T15/205—Image-based rendering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
    • G06V10/147—Details of sensors, e.g. sensor lenses
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
    • G06V20/38—Outdoor scenes
    • G06V20/39—Urban scenes
    • 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
    • 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

Abstract

本開示の実施形態はレーザ点群に基づく都市道路の認識方法及び装置を開示する。当該方法は、レーザセンサにより収集されたレーザ点群に基づいて対応する道沿いモデルを構築するステップと、前記レーザセンサが設置された移動キャリアの高さを決定し、前記高さとレーザ点群とに基づいて対応する路面モデルを構築するステップと、前記道沿いモデルと前記路面モデルとに基づいて、前記レーザ点群における路面点群及び道沿い点群を除去し、点群分割アルゴリズムによって残りのレーザ点群を分割し、分割結果に対応する物体を認識するステップと、を含む。レーザ点群に基づいて移動キャリアの高さを推定して、前記高さを用いてレーザ点群に対応する路面モデルを構築することによって、路面モデルの構築効率と正確性とを向上させ、これにより、対応する物体の認識効率と正確性とを向上させる。【選択図】図１

Description

優先権主張
本願は２０１５年８月４日に提出された、出願番号が２０１５１０４７２３７２．９で、出願人が百度オンラインネットワーク技術（北京）有限公司で、発明の名称が「レーザ点群に基づく都市道路の認識方法及び装置」である中国特許出願に基づく優先権を主張し、当該出願の全文を引用により本願に組み込む。
本開示の実施形態はインテリジェント交通の技術分野に属し、レーザ点群に基づく都市道路の認識方法、装置、記憶媒体及び装置に関する。
移動キャリア（例えば車両）に取り付けられるレーザセンサによって周囲環境を感知してセンサ情報を処理し、移動キャリアの位置する環境、例えば位置する車道、道路範囲、障害物位置等の情報を取得することは、レーザ点群技術である。
従来技術では、道路情報の抽出は主に以下のように実施され、即ち、レーザ点群に基づいて道沿いモデルを構築し、回帰アルゴリズムの初期入力閾値をランダムに設定することによってレーザ点群に対応する路面モデルを構築し、次に、レーザ点群に対応するレーザ点群クラスタを取得して、点群分割及び点群認識によってレーザ点群クラスタに対応する物体を取得する。
上記形態では、ランダムに設定された初期入力閾値を用いてレーザ点群に対応する路面モデルを構築することによって、路面モデルの構築効率が低く、誤差が大きいので、物体の認識効率が低く、誤差が大きくなることをもたらす。
本開示の実施形態はレーザ点群に基づく都市道路の認識方法、装置、記憶媒体及び装置を提供し、道路認識の効率と正確性とを向上させることを目的とする。
第１態様によれば、本開示の実施形態は、レーザ点群に基づく都市道路の認識方法を提供し、この方法は、
レーザセンサにより収集されたレーザ点群に基づいて対応する道沿いモデルを構築するステップと、
前記レーザセンサが設置された移動キャリアの高さを決定し、前記高さとレーザ点群とに基づいて対応する路面モデルを構築するステップと、
前記道沿いモデルと前記路面モデルとに基づいて、前記レーザ点群における路面点群及び道沿い点群を除去し、点群分割アルゴリズムによって残りのレーザ点群を分割し、分割結果に対応する物体を認識するステップと、を含む。
第２態様では、本開示の実施形態は、レーザ点群に基づく都市道路の認識装置を提供し、この装置は、
レーザセンサにより収集されたレーザ点群に基づいて対応する道沿いモデルを構築する道沿いモデルユニットと、
前記レーザセンサが設置された移動キャリアの高さを決定し、前記高さとレーザ点群にと基づいて対応する路面モデルを構築する路面モデルユニットと、
前記道沿いモデルと前記路面モデルとに基づいて、前記レーザ点群における路面点群及び道沿い点群を除去する点群除去ユニットと、
点群分割アルゴリズムによって残りのレーザ点群を分割する点群分割ユニットと、
前記点群分割ユニットの分割結果に対応する物体を認識する物体認識ユニットと、を備える。
第３態様では、本開示の実施形態は、コンピュータ実行可能命令を含む記憶媒体を提供し、前記コンピュータ実行可能命令がコンピュータプロセッサで実行される場合、レーザ点群に基づく都市道路の認識方法を実行し、当該方法は、
レーザセンサにより収集されたレーザ点群に基づいて対応する道沿いモデルを構築するステップと、
前記レーザセンサが設置された移動キャリアの高さを決定し、前記高さとレーザ点群とに基づいて対応する路面モデルを構築するステップと、
前記道沿いモデルと前記路面モデルとに基づいて、前記レーザ点群における路面点群及び道沿い点群を除去し、点群分割アルゴリズムによって残りのレーザ点群を分割し、分割結果に対応する物体を認識するステップと、を含む。
第４態様では、本開示の実施形態は、機器を提供し、この機器は
１つ又は複数のプロセッサと、
メモリと、
前記メモリに記憶される１つ又は複数のプログラムと、を備えており、
前記１つ又は複数のプログラムが、前記１つ又は複数のプロセッサで実行される場合、
レーザセンサにより収集されたレーザ点群に基づいて対応する道沿いモデルを構築し、
前記レーザセンサが設置された移動キャリアの高さを決定し、前記高さとレーザ点群とに基づいて対応する路面モデルを構築し、
前記道沿いモデルと前記路面モデルとに基づいて、前記レーザ点群における路面点群及び道沿い点群を除去し、点群分割アルゴリズムによって残りのレーザ点群を分割し、分割結果に対応する物体を認識する。
本開示の実施形態に係る技術案では、レーザ点群に基づいて移動キャリアの高さを推定し、前記高さで対応する路面モデルを構築することによって、路面モデルの構築効率と正確性とを向上させ、さらに、物体の認識効率と正確性とを向上させる。
本発明の実施例における技術案をより明確的に説明するために、以下、実施例の記述に使用される添付図面について簡単に紹介し、無論、下記の説明される添付図面は、ただ本発明のいくつかの実施例であり、当業者にとって、創造的労働なしに、これらの添付図面を修正したり、置き換えたりしてもよい。
本開示の第１実施例に係るレーザ点群に基づく都市道路の認識方法のフロー概略図である。 本開示の第２実施例に係るレーザ点群に基づく都市道路の認識方法のフロー概略図である。 本開示の第３実施例に係るレーザ点群に基づく都市道路の認識方法のフロー概略図である。 本開示の第４実施例に係るレーザ点群に基づく都市道路の認識装置の構造模式図である。 本開示の第６実施例に係るレーザ点群に基づく都市道路の認識方法を実行する機器のハードウェアの構造模式図である。
以下、図面と実施例を参照しながら、本発明における技術案を明らかで完全に説明する。明らかに、説明される実施例は、ただ本発明の一部の実施例であり、全部の実施例ではなく、ただ本発明の原理を解釈するためのものであり、本発明をこれらの一部の実施例に限定するためのものではない。本発明で開示されている実施例に基づいて、当業者にとっては、創造的労働なしに得られる全ての他の実施例が、本発明で保護される範囲に属する。
［第１実施例］
図１は、本開示の第１実施例に係るレーザ点群に基づく都市道路の認識方法のフロー概略図である。本実施例は、レーザ点群に基づいて都市道路に含まれる物体を認識する場合に適用することができる。図１に示されるように、本実施例に係るレーザ点群に基づく都市道路の認識方法は、具体的にＳ１１〜Ｓ１３を含む。
Ｓ１１：レーザセンサにより収集されたレーザ点群に基づいて対応する道沿いモデルを構築する。
本実施例では、レーザセンサは、移動キャリアに設置されるレーザレーダーであってもよく、移動キャリアは、通常、車両であってもよく、レーザ点群は、移動キャリアが位置する環境の特徴点セットであってもよく、各特徴点の座標と反射率とを含み、当該反射率は０〜２５５の整数であってもよい。
例示的に、レーザレーダーは、レーザ点群を収集して、ＧＰＳ（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ、全地球測位システム）／ＩＭＵ（Ｉｎｅｒｔｉａｌ ｍｅａｓｕｒｅｍｅｎｔ ｕｎｉｔ、慣性測定ユニット）によって、収集されたレーザ点群を世界座標系に変換して、世界座標系におけるレーザ点群をレジストレーションして密な点群にし、具体的に動的粒子ツリー（Ｓｉｍｕｌｔａｎｅｏｕｓ Ｌｏｃａｌｉｚａｔｉｏｎ Ａｎｄ Ｍａｐｐｉｎｇ、ＳＬＡＭ）アルゴリズムによって密な点群のレジストレーション精度を向上させることができ、それによって、世界座標系においてレジストレーションして取得した密な点群と、１フレームを単位とする疎な規則的な点群との二種類の点群分類用生データを取得する。
本実施例では、道沿いは道路の端を意味する。例示的に、密な点群とマルチフレームの疎な規則的な点群とを取得した後に、マルチフレームの疎な規則的な点群を処理して可能な道沿い点を取得して、可能な道沿い点に三次元スプライン（ｓｐｌｉｎｅ）曲線フィッティングを行って、マルチフレームの疎な規則的な点群に基づいてレーザ点群に対応する道沿いモデルを構築する。
Ｓ１２：前記レーザセンサが設置された移動キャリアの高さを決定し、前記高さとレーザ点群とに基づいて対応する路面モデルを構築する。
本実施例では、路面は車両が走行するための道路表面を意味する。例示的に、疎な規則的な点群に回帰処理を行って移動キャリアの高さを取得し、移動キャリアの高さを回帰アルゴリズムの初期入力閾値として、各フレームの疎な規則的な点群に回帰処理を行って各フレームの疎な規則的な点群に対応する候補路面点群を取得して、連続的なマルチフレームの疎な規則的な点群に対応する候補路面点群をマージし、移動キャリアの走行軌跡の垂直方向に沿って１次元スプライン曲線フィッティングを行い、フィッティングして取得されたスプライン方程式パラメータを記憶し、レーザ点群に対応する路面モデルを取得する。
Ｓ１３：前記道沿いモデルと前記路面モデルとに基づいて、前記レーザ点群における路面点群及び道沿い点群を除去し、点群分割アルゴリズムによって残りのレーザ点群を分割し、分割結果に対応する物体を認識する。
本実施例では、レーザ点群に対応する物体は、通行人、車両、木、建物等の障害物であってもよく、路標、地標等であってもよい。例示的に、道沿いモデルと路面モデルにと基づいて、Ｓ１１で取得された密な点群における道沿い点群と路面点群とを除去し、残りのレーザ点群をクラスタリングしてほとんど分離したレーザ点群クラスタを取得して、点群分割アルゴリズムによってレーザ点群クラスタをサブレーザ点群クラスタに分割する。分割後のサブレーザ点群クラスタを取得した後に、あらかじめトレーニングしたサポートベクタマシンによって各サブレーザ点群クラスタを認識し、さらにサブレーザ点群クラスタに対応する物体を認識する。
本実施例に係るレーザ点群に基づく都市道路の認識方法は、レーザ点群に基づいて移動キャリアの高さを推定し、前記高さを用いて対応する路面モデルを構築することによって、路面モデルの構築効率と正確性とを向上させ、これにより、レーザ点群に対応する物体の認識効率と正確性とを向上させる。
［第２実施例］
本実施例は、上記実施例を基礎として、道沿いモデル、路面モデルの構築方式を更に限定するレーザ点群に基づく新たな都市道路の認識方法を提供する。図２は、本開示の第２実施例に係るレーザ点群に基づく都市道路の認識方法のフロー概略図である。図２に示されるように、本実施例に係るレーザ点群に基づく都市道路の認識方法は、具体的にＳ２１〜Ｓ２３を含む。
Ｓ２１：レーザセンサにより収集されたレーザ点群に基づいて、対応する道沿いモデルを構築する。
オプションとして、レーザセンサにより収集されたレーザ点群に基づいて対応する道沿いモデルを構築するステップにおいては、具体的に、コーナー検出アルゴリズムによって前記レーザ点群を認識し、レーザ点群に対応する道沿い角点を取得するステップと、取得した道沿い角点に基づいて前記道沿いモデルを構築するステップと、を含む。
例示的に、各フレームの疎な規則的な点群を処理して候補道沿い点を取得する。具体的に、各フレームの疎な規則的な点群は、３２本の線を含んでもよく、各フレームの疎な規則的な点群に対して、当該フレームの各線のデータにスライディングウィンドウの処理を行い、レーザ点群の勾配、密度、反射率の３つの特性によって道沿いを含む可能性がある候補ウィンドウを検出し、さらにコーナー検出アルゴリズムによって候補ウィンドウから候補道沿い角点を取得して、車の高さ等の予備知識に基づいて誤った候補角点をフィルタリングし、当該フレームにおけるすべての線について取得された候補角点を移動キャリアの走行方向に垂直な軸に投影し、投影点をクラスタリングし、加重ガウス畳み込みの投票アルゴリズムによって当該フレームの疎な点群に対応する道沿い角点を取得する。上記操作を繰り返して各フレームの疎な点群に対応する道沿い角点を取得した後に、あらゆる疎な点群に対応する道沿い角点を世界座標系に変換して、マージした後に統計フィルタリング技術でノイズを除去し、点群間引き技術でデータ量を減少させ、移動車両走行軌跡に沿ってカルマンフィルタリング技術で道沿いを修復し、次に、不規則的な角点を三次元スプライン曲線にフィッティングしてレーザ点群に対応する道沿いモデルを取得する。
なお、レーザ点群に対応する道沿いを直接認識する従来技術に比べて、本実施例は、まずコーナー検出方法でレーザ点群に対応する角点を取得し、次に角点をフィッティングして道沿いモデルを構築することによって、道沿いモデルの正確性を向上させる。
Ｓ２２：前記レーザセンサが設置された移動キャリア近傍の前記レーザ点群に基づいて前記移動キャリアの高さを推定し、前記高さを予め設定された回帰アルゴリズムの初期入力閾値とし、前記レーザ点群に基づいて対応する路面モデルを構築する。
オプションとして、前記レーザセンサが設置された移動キャリア近傍の前記レーザ点群に基づいて前記移動キャリアの高さを推定するステップにおいては、具体的に、前記レーザ点群を前記レーザセンサの座標を原点とする極座標グリッドに投影するステップと、レーザセンサ近傍のレーザ点群に対応する投影グリッドにＲａｎｓａｃ（ランダムサンプルコンセンサス、Ｒａｎｄｏｍ Ｓａｍｐｌｅ Ｃｏｎｓｅｎｓｕｓ）回帰を行って前記レーザセンサの高さを推定するステップと、を含む。
例示的に、移動キャリア座標を原点とする極座標グリッド（Ｐｏｌａｒ Ｇｒｉｄ Ｍａｐ）を作成し、１フレームの疎な点群における各点を極座標グリッドに投影し、レーザセンサ近傍のレーザ点群に対応する投影グリッドにＲａｎｓａｃ回帰を行ってレーザセンサの高さを推定し、推定したレーザセンサの高さを移動キャリアの高さとする。
オプションとして、前記回帰アルゴリズムがガウス過程回帰である場合、前記高さを予め設定された回帰アルゴリズムの初期入力閾値とし、前記レーザ点群に基づいて対応する路面モデルを構築するステップにおいては、具体的に、前記初期入力閾値に基づいて各フレームの前記レーザ点群に対応する投影グリッドにガウス過程回帰を行い、対応する候補路面点群を取得するステップと、前記候補路面点群にマージ及びサンプル回帰処理を行って前記路面モデルを取得するステップと、を含む。
例示的に、移動キャリアの高さを予め設定された回帰アルゴリズムの初期入力閾値（即ち閾値選択シード）とし、各フレームの疎な規則的な点群に回帰処理を行って各フレームの疎な規則的な点群の候補路面点群を取得して、連続的なマルチフレームの疎な規則的な点群に対応する候補路面点群をマージし、移動キャリア走行軌跡の垂直方向に沿って１次元スプラインフィッティングを行い、フィッティングして取得されたサンプル方程式パラメータを記憶し、完全な近似路面モデルを取得する。
Ｓ２３：前記道沿いモデルと前記路面モデルとに基づいて、前記レーザ点群における路面点群及び道沿い点群を除去し、点群分割アルゴリズムによって残りのレーザ点群を分割し、分割結果に対応する物体を認識する。
本実施例に係るレーザ点群に基づく都市道路の認識方法は、移動キャリアの高さをガウス過程回帰の初期入力閾値として対応する路面モデルを構築することによって、路面モデルの構築効率と正確性とを向上させ、また、コーナー検出アルゴリズムによって道沿いモデルを構築することによって、道沿いモデルの正確性を向上させ、これにより、レーザ点群に対応する物体の認識効率と正確性とを向上させる。
［第３実施例］
本実施例は、上記実施例を基礎として、点群分割方式を更に限定する別のレーザ点群に基づく都市道路の認識方法を提供する。図３は、本開示の第３実施例に係るレーザ点群に基づく都市道路の認識方法のフロー概略図である。図３に示されるように、本実施例に係るレーザ点群に基づく都市道路の認識方法は、具体的にＳ３１〜Ｓ３５を含む。
Ｓ３１：レーザセンサにより収集されたレーザ点群に基づいて、対応する道沿いモデルを構築する。
Ｓ３２：前記レーザセンサが設置された移動キャリアの高さを決定し、前記高さとレーザ点群とに基づいて対応する路面モデルを構築する。
Ｓ３３、前記道沿いモデルと前記路面モデルとに基づいて、前記レーザ点群における路面点群及び道沿い点群を除去する。
例示的に、世界座標系における密な点群に対応する平均グリッドマップ（Ｍｅａｎ Ｇｒｉｄ Ｍａｐ）、最小グリッドマップ（Ｍｉｎ Ｇｒｉｄ Ｍａｐ）及び最大グリッドマップ（Ｍａｘ Ｇｒｉｄ Ｍａｐ）を作成し、閾値を選択して隣接グリッド間の勾配を特徴として無向グラフモデルを作成し、最大の２つの連通領域を取得し、最大の２つの連通領域を候補路面として候補路面近傍の路面グリッドを検索し、閾値を選択して路面グリッドにおける路面点群を取得して、これらの路面点群をフィルタリングし、即ち、密な点群における路面点群と道沿い点群とを除去する。
Ｓ３４：点群分割アルゴリズムによって残りのレーザ点群を分割する。
オプションとして、点群分割アルゴリズムによって残りのレーザ点群を分割するステップは、以下のＡ、Ｂ及びＣを含む。
Ａ：残りのレーザ点群をクラスタリングして対応するレーザ点群クラスタを取得する。
例示的に、残りのレーザ点群にオイラークラスタリングを行って、ほとんど分離した点群クラスタを取得する。
Ｂ：前記レーザ点群クラスタに対応するスーパーボクセル（supervoxel）を作成する。
オプションとして、前記レーザ点群クラスタに対応するスーパーボクセルを作成するステップにおいては、具体的に、前記レーザ点群クラスタに対応する空間座標と反射率とに基づいて前記レーザ点群クラスタに対応するスーパーボクセルを作成するステップを含む。例示的に、各レーザ点群クラスタに対して、当該レーザ点群クラスタの空間座標と反射率とに基づいて当該レーザ点群クラスタのスーパーボクセルを作成する。
Ｃ：前記スーパーボクセルを分割してサブレーザ点群クラスタを取得し、前記サブレーザ点群クラスタにマージ処理を行う。
レーザ点群クラスタを直接分割する従来技術の方法に比べて、本実施例は、レーザ点群クラスタに対応するスーパーボクセルを取得し、スーパーボクセルを分割してサブレーザ点群クラスタを取得することによって、点群分割の効率及び確率を向上させ、特に本実施例は、従来の点群分割方法のように移動キャリアが高速道路で走行している時に、路標がガードレールと密着する原因で点群分割効果が悪くなることを避ける。
オプションとして、前記サブレーザ点群クラスタにマージ処理を行うステップにおいては、主成分分析によって前記サブレーザ点群クラスタの形状特徴を取得するステップと、取得した形状特徴に基づいて前記サブレーザ点群クラスタにマージ処理を行うステップと、を含む。
例示的に、各スーパーボクセルにランダムウォーカー（Ｒａｎｄｏｍ Ｗａｌｋｅｒ）分割を行い、遷移分割したサブレーザ点群クラスタを取得して、各サブレーザ点群クラスタに主成分分析（Ｐｒｉｎｃｉｐａｌ Ｃｏｍｐｏｎｅｎｔ Ａｎａｌｙｓｉｓ、ＰＣＡ）を行ってサブレーザ点群クラスタの形状特徴を取得し、類似した形状特徴を有する隣接サブレーザ点群クラスタをマージして、最終的な点群分割結果を取得して、例えば、垂直方向において２つの形状が同じサブレーザ点群クラスタをマージする。本実施例は、サブレーザ点群クラスタにマージ処理を行うことによって、同じ物体が異なるサブレーザ点群クラスタに分割されることを避け、点群分割の合理性を向上させる。
Ｓ３５：分割結果に対応する物体を認識する。
例示的に、分割後の点群クラスタを取得した後に、あらかじめトレーニングしたサポートベクタマシンによって各点群クラスタを認識し、最終的にレーザ点群に対応する物体を取得する。
本開示の実施例に係るレーザ点群に基づく都市道路の認識方法は、レーザ点群に対応する道沿い方程式、路面点群を取得することができ、レーザ点群に対応する路標、道標、障害物等の都市道路での物体を認識することができ、これらの結果を用いて高精度マップを製作することで、高精度マップの製作速度と製作精度とを向上させる。
［第４実施例］
図４は、本開示の第４実施例に係るレーザ点群に基づく都市道路の認識装置の構造模式図である。本実施例は、レーザ点群に基づいて都市道路に含まれる物体を認識する場合に適用することができる。図４に示されるように、当該レーザ点群に基づく都市道路の認識装置は、具体的に、
レーザセンサにより収集されたレーザ点群に基づいて対応する道沿いモデルを構築する道沿いモデルユニット４１と、
前記レーザセンサが設置された移動キャリアの高さを決定し、前記高さとレーザ点群とに基づいて対応する路面モデルを構築する路面モデルユニット４２と、
前記道沿いモデルと前記路面モデルとに基づいて、前記レーザ点群における路面点群及び道沿い点群を除去する点群除去ユニット４３と、
点群分割アルゴリズムによって残りのレーザ点群を分割する点群分割ユニット４４と、
前記点群分割ユニットの分割結果に対応する物体を認識する物体認識ユニット４５と、を備える。
好ましくは、前記路面モデルユニット４２は、
前記レーザセンサが設置された移動キャリア近傍の前記レーザ点群に基づいて前記移動キャリアの高さを推定する高度推定サブユニットと、
前記高さを予め設定された回帰アルゴリズムの初期入力閾値とし、前記レーザ点群に基づいて対応する路面モデルを構築する路面構築サブユニットと、を備える。
好ましくは、前記高度推定サブユニットは、具体的に、
前記レーザ点群を前記レーザセンサの座標を原点とする極座標グリッドに投影し、
レーザセンサ近傍のレーザ点群に対応する投影グリッドにＲａｎｓａｃ回帰を行って、前記レーザセンサの高さを推定する。
オプションとして、回帰アルゴリズムがガウス過程回帰である場合、前記路面構築サブユニットは、具体的に、
前記初期入力閾値に基づいて各フレームの前記レーザ点群に対応する投影グリッドにガウス過程回帰を行い、対応する候補路面点群を取得し、
前記候補路面点群にマージ及びサンプル回帰処理を行って前記路面モデルを取得する。
オプションとして、前記道沿いモデルユニット４１は、
コーナー検出アルゴリズムによって前記レーザ点群を認識し、レーザ点群に対応する道沿い角点を取得する角点取得サブユニットと、
取得した道沿い角点に基づいて前記道沿いモデルを構築する道沿い構築サブユニットと、を備える。
オプションとして、点群分割ユニット４４は、
残りのレーザ点群をクラスタリングして対応するレーザ点群クラスタを取得する点群クラスタサブユニットと、
前記レーザ点群クラスタに対応するスーパーボクセルを作成するスーパーボクセルサブユニットと、
前記スーパーボクセルを分割してサブレーザ点群クラスタを取得するサブ点群クラスタサブユニットと、
前記サブレーザ点群クラスタにマージ処理を行うマージ処理サブユニットとを備える。
オプションとして、スーパーボクセルサブユニットは具体的に、前記レーザ点群クラスタに対応する空間座標と反射率とに基づいて前記レーザ点群クラスタに対応するスーパーボクセルを作成する。
オプションとして、マージ処理サブユニットは具体的に、
主成分分析によって前記サブレーザ点群クラスタの形状特徴を取得し、
取得した形状特徴に基づいて前記サブレーザ点群クラスタにマージ処理を行う。
上記製品は、本開示のいずれかの実施例に係るレーザ点群に基づく都市道路の認識方法を実行でき、実行方法に対応する機能モジュールと有益な効果を有する。本実施例において詳しく説明されていない技術的詳細は、本開示のいずれかの実施例に係るレーザ点群に基づく都市道路の認識方法を参照すればよい。
［第５実施例］
本開示の実施例は、コンピュータ実行可能命令を含む記憶媒体を提供し、前記コンピュータ実行可能命令がコンピュータプロセッサで実行される場合、レーザ点群に基づく都市道路の認識方法を実行し、当該方法は、
レーザセンサにより収集されたレーザ点群に基づいて対応する道沿いモデルを構築するステップと、
前記レーザセンサが設置された移動キャリアの高さを決定し、前記高さとレーザ点群とに基づいて対応する路面モデルを構築するステップと、
前記道沿いモデルと前記路面モデルとに基づいて、前記レーザ点群における路面点群及び道沿い点群を除去し、点群分割アルゴリズムによって残りのレーザ点群を分割し、分割結果に対応する物体を認識するステップと、を含む。
上記記憶媒体が前記方法を実行する時に、前記レーザセンサが設置された移動キャリアの高さを決定し、前記高さとレーザ点群とに基づいて対応する路面モデルを構築するステップにおいては、さらに具体的に、
前記レーザセンサが設置された移動キャリア近傍の前記レーザ点群に基づいて前記移動キャリアの高さを推定し、前記高さを予め設定された回帰アルゴリズムの初期入力閾値とし、前記レーザ点群に基づいて対応する路面モデルを構築するステップを含んでもよい。
上記記憶媒体が前記方法を実行する時に、前記レーザセンサが設置された移動キャリア近傍の前記レーザ点群に基づいて前記移動キャリアの高さを推定するステップにおいては、さらに具体的に、
前記レーザ点群を前記レーザセンサの座標を原点とする極座標グリッドに投影するステップと、
レーザセンサ近傍のレーザ点群に対応する投影グリッドにＲａｎｓａｃ回帰を行って、前記レーザセンサの高さを推定するステップと、を含んでもよい。
上記記憶媒体が前記方法を実行する時に、前記回帰アルゴリズムはガウス過程回帰であり、
前記高さを予め設定された回帰アルゴリズムの初期入力閾値とし、前記レーザ点群に基づいて対応する路面モデルを構築するステップにおいては、さらに具体的に、
前記初期入力閾値に基づいて各フレームの前記レーザ点群に対応する投影グリッドにガウス過程回帰を行い、対応する候補路面点群を取得するステップと、
前記候補路面点群にマージ及びサンプル回帰処理を行って前記路面モデルを取得するステップと、を含んでもよい。
上記記憶媒体が前記方法を実行する時に、レーザセンサにより収集されたレーザ点群に基づいて対応する道沿いモデルを構築するステップにおいては、さらに具体的に、
コーナー検出アルゴリズムによって前記レーザ点群を認識し、レーザ点群に対応する道沿い角点を取得するステップと、
取得した道沿い角点に基づいて前記道沿いモデルを構築するステップと、を含んでもよい。
上記記憶媒体が前記方法を実行する時に、点群分割アルゴリズムによって残りのレーザ点群を分割するステップにおいては、さらに具体的に、
残りのレーザ点群をクラスタリングして対応するレーザ点群クラスタを取得するステップと、
前記レーザ点群クラスタに対応するスーパーボクセルを作成するステップと、
前記スーパーボクセルを分割してサブレーザ点群クラスタを取得し、前記サブレーザ点群クラスタにマージ処理を行うステップと、を含んでもよい。
上記記憶媒体が前記方法を実行する時に、前記レーザ点群クラスタに対応するスーパーボクセルを作成するステップにおいては、さらに具体的に、
前記レーザ点群クラスタに対応する空間座標と反射率とに基づいて前記レーザ点群クラスタに対応するスーパーボクセルを作成するステップを含んでもよい。
上記記憶媒体が前記方法を実行する時に、前記サブレーザ点群クラスタにマージ処理を行うステップにおいては、さらに具体的に、
主成分分析によって前記サブレーザ点群クラスタの形状特徴を取得するステップと、
取得した形状特徴に基づいて前記サブレーザ点群クラスタにマージ処理を行うステップと、を含んでもよい。
［第６実施例］
図５は本開示の第６実施例に係るレーザ点群に基づく都市道路の認識方法を実行する機器のハードウェアの構造模式図である。図５に示されるように、当該機器は、
１つ又は複数のプロセッサ５１０（図５中、１つを例とする）と、
メモリ５２０と、
１つ又は複数のモジュールとを備える。
前記機器はさらに、入力装置５３０と出力装置５４０と、を備えてもよい。前記装置のプロセッサ５１０、メモリ５２０、入力装置５３０及び出力装置５４０はバス又はその他の方式によって接続されることができ、図５において、バス接続を例にする。
メモリ５２０はコンピュータ読み取り可能な記録媒体として、ソフトウェアプログラム、コンピュータ実行可能プログラム及びモジュール、例えば、本開示の実施例におけるレーザ点群に基づく都市道路の認識方法に対応するプログラム命令／モジュール（例えば、図４に示されるレーザ点群に基づく都市道路の認識装置の道沿いモデルユニット４１、路面モデルユニット４２、点群除去ユニット４３、点群分割ユニット４４及び物体認識ユニット４５）を記憶することに用いられてもよい。プロセッサ５１０は、メモリ５２０に記憶されるソフトウェアプログラム、コマンド及びモジュールを実行することによって、機器の各種の機能アプリケーション及びデータ処理を実行し、即ち、上記方法の実施例に係るレーザ点群に基づく都市道路の認識方法を実現する。
メモリ５２０は、オペレーティングシステム、少なくとも１つ機能に必要なアプリケーションプログラムを記憶可能なプログラム記憶領域と、端末装置の使用に応じて作成するデータ等を記憶可能なデータ記憶領域とを含んでもよい。この他、メモリ５２０は高速ランダム・アクセス・メモリを含んでもよく、さらに不揮発性メモリ、例えば少なくとも１つの磁気ディスク記憶デバイス、フラッシュメモリデバイスや、又はほかの不揮発性ソリッドステートメモリデバイスを含んでもよい。いくつかの実施例では、メモリ５２０は更に、プロセッサ５１０に対して遠隔に設置されたメモリを含んでもよく、これらリモートメモリは、ネットワークを介して端末装置に接続されてもよい。上記ネットワークの例は、インターネット、企業イントラネット、ローカルエリアネットワーク、移動体通信ネットワーク及びそれらの組合せを含むが、これらに限定されない。
入力装置５３０は、入力したデジタルまたは文字情報を受信し、及び端末のユーザ設定及び機能制御に関連するキー信号入力を生成することに用いられ取得する。出力装置５４０はディスプレイスクリーン等の表示装置を含んでもよい。
前記１つ又は複数のモジュールは前記メモリ５２０に記憶され、前記１つ又は複数のプロセッサ５１０で実行される場合、
レーザセンサにより収集されたレーザ点群に基づいて対応する道沿いモデルを構築する操作と、
前記レーザセンサが設置された移動キャリアの高さを決定し、前記高さとレーザ点群とに基づいて対応する路面モデルを構築する操作と、
前記道沿いモデルと前記路面モデルとに基づいて、前記レーザ点群における路面点群及び道沿い点群を除去し、点群分割アルゴリズムによって残りのレーザ点群を分割し、分割結果に対応する物体を認識する操作と、を実行する。
更に、前記レーザセンサが設置された移動キャリアの高さを決定し、前記高さとレーザ点群とに基づいて対応する路面モデルを構築するステップにおいては、
前記レーザセンサが設置された移動キャリア近傍の前記レーザ点群に基づいて前記移動キャリアの高さを推定し、前記高さを予め設定された回帰アルゴリズムの初期入力閾値とし、前記レーザ点群に基づいて対応する路面モデルを構築するステップを含んでもよい。
更に、前記レーザセンサが設置された移動キャリア近傍の前記レーザ点群に基づいて前記移動キャリアの高さを推定するステップにおいては、
前記レーザ点群を前記レーザセンサの座標を原点とする極座標グリッドに投影するステップと、
レーザセンサ近傍のレーザ点群に対応する投影グリッドに対してＲａｎｓａｃ回帰を行って前記レーザセンサの高さを推定するステップと、を含んでもよい。
更に、前記回帰アルゴリズムがガウス過程回帰である場合、
前記高さを予め設定された回帰アルゴリズムの初期入力閾値とし、前記レーザ点群に基づいて対応する路面モデルを構築するステップにおいては、
前記初期入力閾値に基づいて各フレームの前記レーザ点群に対応する投影グリッドにガウス過程回帰を行い、対応する候補路面点群を取得するステップと、
前記候補路面点群にマージ及びサンプル回帰処理を行って前記路面モデルを取得するステップと、を含んでもよい。
更に、レーザセンサにより収集されたレーザ点群に基づいて対応する道沿いモデルを構築するステップにおいては、
コーナー検出アルゴリズムによって前記レーザ点群を認識し、レーザ点群に対応する道沿い角点を取得するステップと、
取得した道沿い角点に基づいて前記道沿いモデルを構築するステップと、を含んでもよい。
更に、点群分割アルゴリズムによって残りのレーザ点群を分割するステップにおいては、
残りのレーザ点群をクラスタリングして対応するレーザ点群クラスタを取得するステップと、
前記レーザ点群クラスタに対応するスーパーボクセルを作成するステップと、
前記スーパーボクセルを分割してサブレーザ点群クラスタを取得し、前記サブレーザ点群クラスタにマージ処理を行うステップと、を含んでもよい。
更に、前記レーザ点群クラスタに対応するスーパーボクセルを作成するステップにおいては、具体的に、
前記レーザ点群クラスタに対応する空間座標と反射率とに基づいて前記レーザ点群クラスタに対応するスーパーボクセルを作成するステップを含んでもよい。
更に、前記サブレーザ点群クラスタにマージ処理を行うステップにおいては、
主成分分析によって前記サブレーザ点群クラスタの形状特徴を取得するステップと、
取得した形状特徴に基づいて前記サブレーザ点群クラスタにマージ処理を行うステップとを含んでもよい。
上記実施形態の説明によれば、当業者は、本発明がソフトウェア、および必要な汎用ハードウェアにより実現されてもよく、勿論ハードウェアにより実現されてもよいが、多くの場合、前者が好ましい実施形態であると理解すべきである。このような理解に基づいて、本発明の技術案は、実質的な部分、または従来技術を改良する部分をソフトウェア製品の形態で実現してもよい。当該コンピュータソフトウェア製品は、コンピュータ読み取り可能な記録媒体、例えばコンピュータのフロッピーディスク、光ディスク、読み出し専用メモリ（Ｒｅａｄ−Ｏｎｌｙ Ｍｅｍｏｒ、ＲＯＭ）、ランダムアクセスメモリ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ、ＲＡＭ）などに記憶されてもよく、且つコンピュータ機器（パソコン、サーバ、またはネットワーク機器などであってもよく）に本発明の各実施例に係る方法を実行させる複数の命令を含む。
注意すべきは、上記レーザ点群に基づく都市道路の認識装置の実施例中に含まれる各モジュールとサブモジュールとが、機能ロジックのみに応じて区画されるが、上記区画に限定されない。対応する機能を実現することができればよい。また、各機能ユニットの具体的な名称は、単に区別を容易にするためのものであり、本発明の保護範囲を限定するものではない。
以上で説明したのは、本発明の具体的な実施形態だけであり、本発明の保護範囲は、これらに限定されるものではない。いかなる当業者が本発明に開示された技術範囲内に容易に想到できる変更または置換の全ては、本発明の保護範囲内に入るべきである。従って、本発明の保護範囲は、添付される特許請求の範囲を基準としているものである。

Claims (18)

  1. レーザセンサにより収集されたレーザ点群に基づいて対応する道沿いモデルを構築するステップと、
    前記レーザセンサが設置された移動キャリアの高さを決定し、前記高さとレーザ点群とに基づいて対応する路面モデルを構築するステップと、
    前記道沿いモデルと前記路面モデルとに基づいて、前記レーザ点群における路面点群及び道沿い点群を除去し、点群分割アルゴリズムによって残りのレーザ点群を分割し、分割結果に対応する物体を認識するステップと、を含む
    ことを特徴とするレーザ点群に基づく都市道路の認識方法。
  2. 前記レーザセンサが設置された移動キャリアの高さを決定し、前記高さとレーザ点群とに基づいて対応する路面モデルを構築するステップにおいては、
    前記レーザセンサが設置された移動キャリア近傍の前記レーザ点群に基づいて、前記移動キャリアの高さを推定し、前記高さを予め設定された回帰アルゴリズムの初期入力閾値とし、前記レーザ点群に基づいて対応する路面モデルを構築するステップを含む
    ことを特徴とする請求項１に記載の方法。
  3. 前記レーザセンサが設置された移動キャリア近傍の前記レーザ点群に基づいて前記移動キャリアの高さを推定するステップにおいては、
    前記レーザ点群を、前記レーザセンサの座標を原点とする極座標グリッドに投影するステップと、
    レーザセンサ近傍のレーザ点群に対応する投影グリッドにＲａｎｓａｃ回帰を行って前記レーザセンサの高さを推定するステップと、を含む
    ことを特徴とする請求項２に記載の方法。
  4. 前記回帰アルゴリズムはガウス過程回帰であり、
    前記高さを予め設定された回帰アルゴリズムの初期入力閾値とし、前記レーザ点群に基づいて対応する路面モデルを構築するステップにおいては、
    前記初期入力閾値に基づいて各フレームの前記レーザ点群に対応する投影グリッドにガウス過程回帰を行って、対応する候補路面点群を取得するステップと、
    前記候補路面点群にマージ及びサンプル回帰処理を行って前記路面モデルを取得するステップと、を含む
    ことを特徴とする請求項２に記載の方法。
  5. レーザセンサにより収集されたレーザ点群に基づいて対応する道沿いモデルを構築するステップにおいては、
    コーナー検出アルゴリズムによって前記レーザ点群を認識し、レーザ点群に対応する道沿い角点を取得するステップと、
    取得した道沿い角点に基づいて前記道沿いモデルを構築するステップと、を含む
    ことを特徴とする請求項１に記載の方法。
  6. 点群分割アルゴリズムによって残りのレーザ点群を分割するステップにおいては、
    残りのレーザ点群をクラスタリングして対応するレーザ点群クラスタを取得するステップと、
    前記レーザ点群クラスタに対応するスーパーボクセルを作成するするステップと、
    前記スーパーボクセルを分割してサブレーザ点群クラスタを取得し、前記サブレーザ点群クラスタにマージ処理を行うステップと、を含む
    ことを特徴とする請求項１に記載の方法。
  7. 前記レーザ点群クラスタに対応するスーパーボクセルを作成するステップにおいては、具体的に、
    前記レーザ点群クラスタに対応する空間座標と反射率とに基づいて、前記レーザ点群クラスタに対応するスーパーボクセルを作成するステップを含む
    ことを特徴とする請求項６に記載の方法。
  8. 前記サブレーザ点群クラスタにマージ処理を行うステップにおいては、
    主成分分析によって前記サブレーザ点群クラスタの形状特徴を取得するステップと、
    取得した形状特徴に基づいて前記サブレーザ点群クラスタにマージ処理を行うステップと、を含む
    ことを特徴とする請求項６に記載の方法。
  9. レーザセンサにより収集されたレーザ点群に基づいて対応する道沿いモデルを構築する道沿いモデルユニットと、
    前記レーザセンサが設置された移動キャリアの高さを決定し、前記高さとレーザ点群とに基づいて対応する路面モデルを構築する路面モデルユニットと、
    前記道沿いモデルと前記路面モデルとに基づいて、前記レーザ点群における路面点群及び道沿い点群を除去する点群除去ユニットと、
    点群分割アルゴリズムによって残りのレーザ点群を分割する点群分割ユニットと、
    前記点群分割ユニットの分割結果に対応する物体を認識する物体認識ユニットと、を備える
    ことを特徴とするレーザ点群に基づく都市道路の認識装置。
  10. 前記路面モデルユニットは
    前記レーザセンサが設置された移動キャリア近傍の前記レーザ点群に基づいて前記移動キャリアの高さを推定する高度推定サブユニットと、
    前記高さを予め設定された回帰アルゴリズムの初期入力閾値とし、前記レーザ点群に基づいて対応する路面モデルを構築する路面構築サブユニットと、を備える
    ことを特徴とする請求項９に記載の装置。
  11. 前記高度推定サブユニットは、具体的に
    前記レーザ点群を、前記レーザセンサの座標を原点とする極座標グリッドに投影し、
    レーザセンサ近傍のレーザ点群に対応する投影グリッドにＲａｎｓａｃ回帰を行って前記レーザセンサの高さを推定する
    ことを特徴とする請求項１０に記載の装置。
  12. 回帰アルゴリズムがガウス過程回帰である場合、前記路面構築サブユニットは、具体的に、
    前記初期入力閾値に基づいて各フレームの前記レーザ点群に対応する投影グリッドにガウス過程回帰を行い、対応する候補路面点群を取得し、
    前記候補路面点群にマージ及びサンプル回帰処理を行って前記路面モデルを取得する
    ことを特徴とする請求項１０に記載の装置。
  13. 前記道沿いモデルユニットは、
    コーナー検出アルゴリズムによって前記レーザ点群を認識し、レーザ点群に対応する道沿い角点を取得する角点取得サブユニットと、
    取得した道沿い角点に基づいて前記道沿いモデルを構築する道沿い構築サブユニットと、を備える
    ことを特徴とする請求項９に記載の装置。
  14. 点群分割ユニットは、
    残りのレーザ点群をクラスタリングして対応するレーザ点群クラスタを取得する点群クラスタサブユニットと、
    前記レーザ点群クラスタに対応するスーパーボクセルを作成するスーパーボクセルサブユニットと、
    前記スーパーボクセルを分割してサブレーザ点群クラスタを取得するサブ点群クラスタサブユニットと、
    前記サブレーザ点群クラスタにマージ処理を行うマージ処理サブユニットと、を備える
    ことを特徴とする請求項９に記載の装置。
  15. スーパーボクセルサブユニットは、具体的に、
    前記レーザ点群クラスタに対応する空間座標と反射率とに基づいて、前記レーザ点群クラスタに対応するスーパーボクセルを作成する
    ことを特徴とする請求項１４に記載の装置。
  16. マージ処理サブユニットは、具体的に、
    主成分分析によって前記サブレーザ点群クラスタの形状特徴を取得し、
    取得した形状特徴に基づいて前記サブレーザ点群クラスタにマージ処理を行う
    ことを特徴とする請求項１４に記載の装置。
  17. コンピュータ実行可能命令を含む記憶媒体であって、前記コンピュータ実行可能命令がコンピュータプロセッサで実行される場合、レーザ点群に基づく都市道路の認識方法を実行し、当該方法は、
    レーザセンサにより収集されたレーザ点群に基づいて対応する道沿いモデルを構築するステップと、
    前記レーザセンサが設置された移動キャリアの高さを決定し、前記高さとレーザ点群とに基づいて対応する路面モデルを構築するステップと、
    前記道沿いモデルと前記路面モデルとに基づいて、前記レーザ点群における路面点群及び道沿い点群を除去し、点群分割アルゴリズムによって残りのレーザ点群を分割し、分割結果に対応する物体を認識するステップと、を含む
    ことを特徴とする記憶媒体。
  18. １つ又は複数のプロセッサと、
    メモリと、
    前記メモリに記憶される１つ又は複数のプログラムと、を備えており、
    前記１つ又は複数のプログラムが、前記１つ又は複数のプロセッサで実行される場合、
    レーザセンサにより収集されたレーザ点群に基づいて対応する道沿いモデルを構築し、
    前記レーザセンサが設置された移動キャリアの高さを決定し、前記高さとレーザ点群とに基づいて対応する路面モデルを構築し、
    前記道沿いモデルと前記路面モデルとに基づいて、前記レーザ点群における路面点群及び道沿い点群を除去し、点群分割アルゴリズムによって残りのレーザ点群を分割し、分割結果に対応する物体を認識する
    ことを特徴とする機器。
JP2018506153A 2015-08-04 2015-12-08 レーザ点群に基づく都市道路の認識方法、装置、記憶媒体及び機器 Active JP6561199B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN201510472372.9A CN105184852B (zh) 2015-08-04 2015-08-04 一种基于激光点云的城市道路识别方法及装置
CN201510472372.9 2015-08-04
PCT/CN2015/096621 WO2017020466A1 (zh) 2015-08-04 2015-12-08 基于激光点云的城市道路识别方法、装置、存储介质及设备

Publications (2)

Publication Number Publication Date
JP2018534647A true JP2018534647A (ja) 2018-11-22
JP6561199B2 JP6561199B2 (ja) 2019-08-14

Family

ID=54906902

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018506153A Active JP6561199B2 (ja) 2015-08-04 2015-12-08 レーザ点群に基づく都市道路の認識方法、装置、記憶媒体及び機器

Country Status (6)

Country Link
US (1) US10430659B2 (ja)
EP (1) EP3321887A4 (ja)
JP (1) JP6561199B2 (ja)
KR (1) KR102062680B1 (ja)
CN (1) CN105184852B (ja)
WO (1) WO2017020466A1 (ja)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020098188A (ja) * 2018-09-27 2020-06-25 バイドゥ オンライン ネットワーク テクノロジー （ベイジン） カンパニー リミテッド 障害物検出方法、障害物検出装置、電子機器、車両及び記憶媒体
JP2020198006A (ja) * 2019-06-05 2020-12-10 株式会社デンソー 物体認識装置および物体認識方法
JP2021051057A (ja) * 2019-09-24 2021-04-01 ベイジン バイドゥ ネットコム サイエンス アンド テクノロジー カンパニー リミテッド 地面点群ポイントを検出するための方法および装置
JP2021169947A (ja) * 2020-04-15 2021-10-28 株式会社日立製作所 物体認識装置及び物体認識方法

Families Citing this family (107)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105184852B (zh) * 2015-08-04 2018-01-30 百度在线网络技术（北京）有限公司 一种基于激光点云的城市道路识别方法及装置
CN105631459B (zh) * 2015-12-31 2019-11-26 百度在线网络技术（北京）有限公司 防护栏点云提取方法及装置
CN105701449B (zh) * 2015-12-31 2019-04-23 百度在线网络技术（北京）有限公司 路面上的车道线的检测方法和装置
CN107192994A (zh) * 2016-03-15 2017-09-22 山东理工大学 多线激光雷达海量点云数据快速有效提取及车辆、车道线特征识别方法
KR20170115778A (ko) * 2016-04-08 2017-10-18 팅크웨어(주) 도로면 생성 방법, 도로면 생성 장치, 포인트 클라우드 데이터 처리 방법, 포인트 클라우드 데이터 처리 장치, 컴퓨터 프로그램 및 컴퓨터 판독 가능한 기록 매체
CN105844995B (zh) * 2016-05-20 2018-11-09 中铁第一勘察设计院集团有限公司 基于车载LiDAR技术的铁路线路运营维护测量方法
CN106022381B (zh) * 2016-05-25 2020-05-22 厦门大学 基于车载激光扫描点云的路灯杆自动提取方法
CN106199558A (zh) * 2016-08-18 2016-12-07 宁波傲视智绘光电科技有限公司 障碍物快速检测方法
CN107742091B (zh) * 2016-08-22 2019-01-29 腾讯科技（深圳）有限公司 一种路肩提取的方法及装置
US10066946B2 (en) * 2016-08-26 2018-09-04 Here Global B.V. Automatic localization geometry detection
CN107818288B (zh) * 2016-09-13 2019-04-09 腾讯科技（深圳）有限公司 标志牌信息获取方法及装置
CN106530380B (zh) * 2016-09-20 2019-02-26 长安大学 一种基于三维激光雷达的地面点云分割方法
CN108021844B (zh) * 2016-10-31 2020-06-02 阿里巴巴（中国）有限公司 一种道路边沿识别方法及装置
CN106707293B (zh) 2016-12-01 2019-10-29 百度在线网络技术（北京）有限公司 用于车辆的障碍物识别方法和装置
CN106705962B (zh) * 2016-12-27 2019-05-07 首都师范大学 一种获取导航数据的方法及系统
CN108345822B (zh) * 2017-01-22 2022-02-01 腾讯科技（深圳）有限公司 一种点云数据处理方法及装置
CN108509820B (zh) * 2017-02-23 2021-12-24 百度在线网络技术（北京）有限公司 障碍物分割方法及装置、计算机设备及可读介质
CN107093210B (zh) * 2017-04-20 2021-07-16 北京图森智途科技有限公司 一种激光点云标注方法及装置
WO2018214084A1 (en) * 2017-05-25 2018-11-29 Bayerische Motoren Werke Aktiengesellschaft Method and apparatus for representing environmental elements, system, and vehicle/robot
CN109139893B (zh) * 2017-06-27 2020-06-16 广西大学 一种agv叉车颠簸路面识别方法
CN107679498A (zh) * 2017-10-11 2018-02-09 防灾科技学院 一种机载激光点云城区道路识别方法
US10528851B2 (en) * 2017-11-27 2020-01-07 TuSimple System and method for drivable road surface representation generation using multimodal sensor data
CN108171131B (zh) * 2017-12-15 2022-01-14 湖北大学 基于改进MeanShift的Lidar点云数据道路标识线提取方法
US11093759B2 (en) 2018-03-06 2021-08-17 Here Global B.V. Automatic identification of roadside objects for localization
CN108957432B (zh) * 2018-04-09 2021-01-12 深圳一清创新科技有限公司 路沿检测方法、装置、计算机设备和存储介质
CN110363847B (zh) * 2018-04-10 2023-06-23 北京京东尚科信息技术有限公司 一种基于点云数据的地图模型构建方法和装置
EP3807836A4 (en) * 2018-06-15 2022-01-26 Bayerische Motoren Werke Aktiengesellschaft INCREMENTAL POINT CLOUD SEGMENTATION
CN110618413A (zh) * 2018-06-19 2019-12-27 北京京东尚科信息技术有限公司 基于多线激光雷达的可通行区域检测方法和装置
CN108986162B (zh) * 2018-06-28 2022-02-22 杭州吉吉知识产权运营有限公司 基于惯性测量单元和视觉信息的菜品和背景分割方法
US11178373B2 (en) 2018-07-31 2021-11-16 Intel Corporation Adaptive resolution of point cloud and viewpoint prediction for video streaming in computing environments
US11212506B2 (en) 2018-07-31 2021-12-28 Intel Corporation Reduced rendering of six-degree of freedom video
US10887574B2 (en) 2018-07-31 2021-01-05 Intel Corporation Selective packing of patches for immersive video
US10893299B2 (en) 2018-07-31 2021-01-12 Intel Corporation Surface normal vector processing mechanism
US10685476B2 (en) * 2018-07-31 2020-06-16 Intel Corporation Voxels sparse representation
US10762394B2 (en) 2018-07-31 2020-09-01 Intel Corporation System and method for 3D blob classification and transmission
CN108717540B (zh) * 2018-08-03 2024-02-06 浙江梧斯源通信科技股份有限公司 基于2d激光雷达区分行人和车辆的方法及装置
CN109188459B (zh) * 2018-08-29 2022-04-15 东南大学 一种基于多线激光雷达的坡道小障碍物识别方法
CN109190573B (zh) * 2018-09-12 2021-11-12 阿波罗智能技术(北京)有限公司 应用于无人驾驶车辆的地面检测方法、电子设备、车辆
CN109212541A (zh) * 2018-09-20 2019-01-15 同济大学 基于车辆直角型特征和激光雷达的高精度车辆检测系统
CN109270543A (zh) * 2018-09-20 2019-01-25 同济大学 一种对目标车辆周围车辆位置信息检测的系统和方法
US11057631B2 (en) 2018-10-10 2021-07-06 Intel Corporation Point cloud coding standard conformance definition in computing environments
CN109359614B (zh) * 2018-10-30 2021-06-11 百度在线网络技术（北京）有限公司 一种激光点云的平面识别方法、装置、设备和介质
CN111175775A (zh) * 2018-11-09 2020-05-19 阿里巴巴集团控股有限公司 定位数据生成方法、装置以及电子设备
KR102242653B1 (ko) * 2018-11-16 2021-04-21 한국과학기술원 지상 로봇의 움직임을 고려한 강인한 레이저 스캐너 매칭 방법 및 그 장치
WO2020101424A1 (ko) * 2018-11-16 2020-05-22 한국과학기술원 지상 로봇의 움직임을 고려한 강인한 레이저 스캐너 매칭 방법 및 그 장치
CA3122868A1 (en) * 2018-12-13 2020-06-18 Continental Automotive Gmbh Method and system for generating an environment model for positioning
CN111353969B (zh) * 2018-12-20 2023-09-26 长沙智能驾驶研究院有限公司 道路可行驶区域的确定方法、装置及计算机设备
CN112020722B (zh) 2018-12-29 2024-01-09 北京嘀嘀无限科技发展有限公司 基于三维传感器数据识别路肩
CN109752701B (zh) * 2019-01-18 2023-08-04 中南大学 一种基于激光点云的道路边沿检测方法
CN109816682B (zh) * 2019-01-22 2022-12-06 西南交通大学 一种基于凹凸性的腕臂系统分割与参数检测方法
JP7127071B2 (ja) 2019-01-30 2022-08-29 バイドゥドットコム タイムズ テクノロジー （ベイジン） カンパニー リミテッド 自動運転車のための地図区画システム
CN111626288B (zh) * 2019-02-28 2023-12-01 深圳市速腾聚创科技有限公司 数据处理方法、装置、计算机设备和存储介质
CN111664845B (zh) * 2019-03-05 2023-06-16 千寻位置网络有限公司 交通标志定位、视觉地图制作方法及装置、定位系统
CN110009718B (zh) * 2019-03-07 2021-09-24 深兰科技（上海）有限公司 一种三维高精度地图生成方法及装置
CN111694903B (zh) * 2019-03-11 2023-09-12 北京地平线机器人技术研发有限公司 地图构建方法、装置、设备以及可读存储介质
CN109961440B (zh) * 2019-03-11 2021-06-18 重庆邮电大学 一种基于深度图的三维激光雷达点云目标分割方法
CN111695379B (zh) * 2019-03-13 2023-09-26 长沙智能驾驶研究院有限公司 基于立体视觉的地面分割方法、装置、车载设备及存储介质
CN109934868B (zh) * 2019-03-18 2021-04-06 北京理工大学 一种基于三维点云与卫星图匹配的车辆定位方法
WO2020186444A1 (zh) * 2019-03-19 2020-09-24 深圳市大疆创新科技有限公司 物体检测方法、电子设备与计算机存储介质
CN109993748B (zh) * 2019-03-30 2023-06-20 华南理工大学 一种基于点云处理网络的三维网格物体分割方法
CN110310298A (zh) * 2019-06-21 2019-10-08 西安电子科技大学 一种基于循环条件随机场的道路目标实时三维点云分割方法
CN111507982B (zh) * 2019-06-28 2022-04-26 浙江大学 一种基于深度学习的点云语义分割方法
CN110275153B (zh) * 2019-07-05 2021-04-27 上海大学 一种基于激光雷达的水面目标检测与跟踪方法
CN110544201B (zh) * 2019-08-30 2023-01-13 武汉中海庭数据技术有限公司 一种车载激光扫描点云的大范围拼接方法及装置
CN110782531A (zh) * 2019-09-16 2020-02-11 华为技术有限公司 处理三维点云数据的方法和计算设备
CN112578404B (zh) * 2019-09-27 2022-10-04 北京地平线机器人技术研发有限公司 一种行驶路径的确定方法及装置
WO2021062581A1 (zh) * 2019-09-30 2021-04-08 深圳市大疆创新科技有限公司 路面标识识别方法及装置
CN110866449A (zh) * 2019-10-21 2020-03-06 北京京东尚科信息技术有限公司 识别道路中目标对象的方法和装置
CN110807412B (zh) * 2019-10-30 2022-09-23 驭势科技（北京）有限公司 一种车辆激光定位的方法、车载设备和存储介质
CN110807439B (zh) * 2019-11-12 2022-11-25 银河水滴科技（北京）有限公司 检测障碍物的方法及装置
CN111080682B (zh) * 2019-12-05 2023-09-01 北京京东乾石科技有限公司 点云数据的配准方法及装置
WO2021118809A1 (en) * 2019-12-11 2021-06-17 Nvidia Corporation Surface profile estimation and bump detection for autonomous machine applications
KR102312892B1 (ko) * 2019-12-20 2021-10-15 재단법인대구경북과학기술원 도로 연석 검출 방법 및 장치
CN111210488B (zh) * 2019-12-31 2023-02-03 武汉中海庭数据技术有限公司 激光点云中道路立杆的高精度提取系统及方法
CN111260668B (zh) * 2020-01-20 2023-05-26 南方电网数字电网研究院有限公司 一种电力线提取方法、系统及终端
CN111815776A (zh) * 2020-02-04 2020-10-23 山东水利技师学院 综合机载和车载三维激光点云及街景影像的三维建筑物精细几何重建方法
US11957974B2 (en) 2020-02-10 2024-04-16 Intel Corporation System architecture for cloud gaming
CN111339876B (zh) * 2020-02-19 2023-09-01 北京百度网讯科技有限公司 用于识别场景中各区域类型的方法和装置
CN111524127B (zh) * 2020-04-29 2022-05-27 中国电子科技集团公司第五十四研究所 面向低空机载激光雷达数据的城市道路面提取方法
CN111724323B (zh) * 2020-06-19 2024-01-26 武汉海达数云技术有限公司 激光雷达点云阳光噪点去除方法及装置
JP7163342B2 (ja) 2020-06-29 2022-10-31 京セラ株式会社 電子機器、電子機器の制御方法、及びプログラム
CN113866779A (zh) * 2020-06-30 2021-12-31 上海商汤智能科技有限公司 点云数据的融合方法、装置、电子设备及存储介质
CN112034482A (zh) * 2020-08-24 2020-12-04 北京航天发射技术研究所 一种道路边界实时提取及测量方法和装置
CN112513876B (zh) * 2020-09-04 2022-01-11 华为技术有限公司 一种用于地图的路面提取方法及装置
CN112184736B (zh) * 2020-10-10 2022-11-11 南开大学 一种基于欧式聚类的多平面提取方法
CN112417965B (zh) * 2020-10-21 2021-09-14 湖北亿咖通科技有限公司 激光点云处理方法、电子装置和存储介质
CN112683262A (zh) * 2020-11-30 2021-04-20 浙江商汤科技开发有限公司 定位方法及装置、电子设备和存储介质
CN112508912A (zh) * 2020-12-07 2021-03-16 中联重科股份有限公司 地面点云数据滤除方法及装置、臂架防碰撞方法及系统
CN112802041A (zh) * 2021-02-05 2021-05-14 北京工业大学 一种基于改进的Alpha Shapes算法的地面激光点云建筑物轮廓线提取方法
CN113160143B (zh) * 2021-03-23 2022-05-24 中南大学 物料搅拌槽内物料液面高度测量方法及系统
CN112907746A (zh) * 2021-03-25 2021-06-04 上海商汤临港智能科技有限公司 电子地图的生成方法、装置、电子设备及存储介质
CN113218310B (zh) * 2021-04-16 2022-08-12 华中师范大学 基于三维激光点云的尾矿库干滩重要参数提取方法及系统
CN113139975B (zh) * 2021-04-19 2023-11-17 国交空间信息技术（北京）有限公司 一种基于道路特征的路面分割方法及装置
CN113076922A (zh) * 2021-04-21 2021-07-06 北京经纬恒润科技股份有限公司 一种物体检测方法及装置
CN113536957B (zh) * 2021-06-23 2023-04-07 达闼机器人股份有限公司 获取物体点云数据的系统
CN114397877A (zh) * 2021-06-25 2022-04-26 南京交通职业技术学院 一种智能汽车自动驾驶系统
CN113538383B (zh) * 2021-07-19 2023-07-07 长安大学 一种基于三维激光的同步碎石封层剥落识别方法
WO2023027419A1 (ko) * 2021-08-26 2023-03-02 (주)서울로보틱스 센싱 장치의 설치 이상을 감지하는 방법 및 이를 수행하는 센싱 장치
US11608084B1 (en) * 2021-08-27 2023-03-21 Motional Ad Llc Navigation with drivable area detection
CN114202684B (zh) * 2021-11-29 2023-06-16 哈尔滨工程大学 一种适用于水面环境的点云数据投影方法、系统及装置
CN114119998B (zh) * 2021-12-01 2023-04-18 成都理工大学 一种车载点云地面点提取方法及存储介质
CN114494609B (zh) * 2022-04-02 2022-09-06 中国科学技术大学 一种3d目标检测模型的构建方法、装置和电子设备
WO2023211097A1 (ko) * 2022-04-24 2023-11-02 엘지전자 주식회사 포인트 클라우드 데이터 송신 장치, 포인트 클라우드 데이터 송신 방법, 포인트 클라우드 데이터 수신 장치 및 포인트 클라우드 데이터 수신 방법
CN116543129B (zh) * 2023-05-06 2024-04-16 中交第二公路勘察设计研究院有限公司 一种基于激光点云的公路横断面地面线并行生成算法
CN116740156B (zh) * 2023-08-10 2023-11-03 西南交通大学 基于高斯球和主平面分布的任意位姿施工元件的配准方法
CN116740307A (zh) * 2023-08-15 2023-09-12 青岛星邦光电科技有限责任公司 智慧城市三维模型构建方法
CN117455927B (zh) * 2023-12-21 2024-03-15 万灵帮桥医疗器械(广州)有限责任公司 光斑阵列分割与光斑偏移量计算方法、装置、设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008099915A1 (ja) * 2007-02-16 2008-08-21 Mitsubishi Electric Corporation 道路地物計測装置、地物識別装置、道路地物計測方法、道路地物計測プログラム、計測装置、計測方法、計測プログラム、計測位置データ、計測端末装置、計測サーバ装置、作図装置、作図方法、作図プログラムおよび作図データ
JP2012083892A (ja) * 2010-10-08 2012-04-26 Mitsubishi Heavy Ind Ltd 自律走行制御装置及びそれを備えた自律走行車両

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4232167B1 (ja) * 2007-08-27 2009-03-04 三菱電機株式会社 対象特定装置、対象特定方法および対象特定プログラム
EP2320382A4 (en) * 2008-08-29 2014-07-09 Mitsubishi Electric Corp DEVICE, METHOD AND PROGRAM FOR IMAGE IMAGE TRAINING
US8605998B2 (en) * 2011-05-06 2013-12-10 Toyota Motor Engineering & Manufacturing North America, Inc. Real-time 3D point cloud obstacle discriminator apparatus and associated methodology for training a classifier via bootstrapping
JP6060682B2 (ja) * 2012-12-28 2017-01-18 朝日航洋株式会社 路面画像生成システム並びに影除去装置、方法及びプログラム
CN103390169B (zh) * 2013-07-19 2016-08-31 武汉大学 一种车载激光扫描点云数据的城市地物分类方法
DE102013114821B3 (de) * 2013-12-23 2014-10-23 Jenoptik Robot Gmbh Verfahren zur Ausrichtung eines Laserscanners zu einer Fahrbahn
CN103778429B (zh) * 2014-01-24 2017-03-08 青岛秀山移动测量有限公司 一种车载激光扫描点云中道路信息自动提取方法
CN104766058B (zh) * 2015-03-31 2018-04-27 百度在线网络技术（北京）有限公司 一种获取车道线的方法和装置
CN105184852B (zh) * 2015-08-04 2018-01-30 百度在线网络技术（北京）有限公司 一种基于激光点云的城市道路识别方法及装置
DE102016223556B4 (de) * 2015-12-09 2023-09-28 Ford Global Technologies, Llc Kraftfahrzeug mit Staubsensor und Verfahren zur Minderung von Staubaufwirbelung durch ein Kraftfahrzeug
KR20170115778A (ko) * 2016-04-08 2017-10-18 팅크웨어(주) 도로면 생성 방법, 도로면 생성 장치, 포인트 클라우드 데이터 처리 방법, 포인트 클라우드 데이터 처리 장치, 컴퓨터 프로그램 및 컴퓨터 판독 가능한 기록 매체
US10066946B2 (en) * 2016-08-26 2018-09-04 Here Global B.V. Automatic localization geometry detection
TWI652449B (zh) * 2017-12-11 2019-03-01 財團法人車輛研究測試中心 三維感測器之動態地面偵測方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008099915A1 (ja) * 2007-02-16 2008-08-21 Mitsubishi Electric Corporation 道路地物計測装置、地物識別装置、道路地物計測方法、道路地物計測プログラム、計測装置、計測方法、計測プログラム、計測位置データ、計測端末装置、計測サーバ装置、作図装置、作図方法、作図プログラムおよび作図データ
JP2012083892A (ja) * 2010-10-08 2012-04-26 Mitsubishi Heavy Ind Ltd 自律走行制御装置及びそれを備えた自律走行車両

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
AHMAD KAMAL AIJAZI, 外２名: ""Segmentation Based Classification of 3D Urban Point Clouds: A Super-Voxel Based Approach with Evalu", REMOTE SENSING, vol. 第５巻, 第４号, JPN6019010633, 28 March 2013 (2013-03-28), pages 1624 - 1650, XP055490813, ISSN: 0004003937, DOI: 10.3390/rs5041624 *
BISHENG YANG, 外３名: ""Hierarchical extraction of urban objects from mobile laser scanning data"", ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING, JPN6019010635, 20 November 2014 (2014-11-20), pages 45 - 57, XP055490773, ISSN: 0004003934, DOI: 10.1016/j.isprsjprs.2014.10.005 *
SHI PU, 外３名: ""Recognizing basic structures from mobile laser scanning data for road inventory studies"", ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING, JPN6019010639, 2 October 2011 (2011-10-02), pages 528 - 539, ISSN: 0004003938 *
TONGTONG CHEN, 外３名: ""Gaussian-process-based Real-time Ground Segmentation for Autonomous Land Vehicles"", JOURNAL OF INTELLIGENT AND ROBOTIC SYSTEMS, vol. 第７６巻, JPN6019010637, 27 September 2013 (2013-09-27), pages 563 - 582, ISSN: 0004003936 *
城殿清澄, 外３名: ""高解像度レーザデータによる歩行者識別"", 日本ロボット学会誌, vol. 第２９巻, 第１０号, JPN6019010630, 15 December 2011 (2011-12-15), JP, pages 97 - 104, ISSN: 0004003935 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020098188A (ja) * 2018-09-27 2020-06-25 バイドゥ オンライン ネットワーク テクノロジー （ベイジン） カンパニー リミテッド 障害物検出方法、障害物検出装置、電子機器、車両及び記憶媒体
US11393219B2 (en) 2018-09-27 2022-07-19 Apollo Intelligent Driving Technology (Beijing) Co., Ltd. Method and apparatus for detecting obstacle, electronic device, vehicle and storage medium
JP2020198006A (ja) * 2019-06-05 2020-12-10 株式会社デンソー 物体認識装置および物体認識方法
JP7251328B2 (ja) 2019-06-05 2023-04-04 株式会社デンソー 物体認識装置および物体認識方法
JP2021051057A (ja) * 2019-09-24 2021-04-01 ベイジン バイドゥ ネットコム サイエンス アンド テクノロジー カンパニー リミテッド 地面点群ポイントを検出するための方法および装置
US11328429B2 (en) 2019-09-24 2022-05-10 Apollo Intelligent Driving Technology (Beijing) Co., Ltd. Method and apparatus for detecting ground point cloud points
JP2021169947A (ja) * 2020-04-15 2021-10-28 株式会社日立製作所 物体認識装置及び物体認識方法
JP7407648B2 (ja) 2020-04-15 2024-01-04 株式会社日立製作所 物体認識装置及び物体認識方法

Also Published As

Publication number Publication date
US20180225515A1 (en) 2018-08-09
EP3321887A1 (en) 2018-05-16
KR20180036753A (ko) 2018-04-09
US10430659B2 (en) 2019-10-01
WO2017020466A1 (zh) 2017-02-09
CN105184852A (zh) 2015-12-23
JP6561199B2 (ja) 2019-08-14
CN105184852B (zh) 2018-01-30
EP3321887A4 (en) 2018-08-15
KR102062680B1 (ko) 2020-01-06

Similar Documents

Publication Publication Date Title
JP6561199B2 (ja) レーザ点群に基づく都市道路の認識方法、装置、記憶媒体及び機器
US11709058B2 (en) Path planning method and device and mobile device
JP6664470B2 (ja) 高精度地図データの処理方法、装置、記憶媒体及び機器
JP6595182B2 (ja) マッピング、位置特定、及び姿勢補正のためのシステム及び方法
JP7203769B2 (ja) ボクセルベースのグランド平面推定およびオブジェクト区分化
KR102198724B1 (ko) 포인트 클라우드 데이터를 처리하기 위한 방법 및 장치
WO2018068653A1 (zh) 点云数据处理方法、装置及存储介质
WO2018133851A1 (zh) 一种点云数据处理方法、装置及计算机存储介质
US10614324B2 (en) Method and apparatus for identifying static obstacle
WO2017041396A1 (zh) 一种车道线数据的处理方法、装置、存储介质及设备
CN110674705B (zh) 基于多线激光雷达的小型障碍物检测方法及装置
CN110749329B (zh) 一种基于结构化道路的车道级拓扑构建方法及装置
CN105701798A (zh) 柱状物体的点云提取方法及装置
JP2019512668A (ja) ルート逸脱認識方法、端末、および記憶媒体
CN110799982A (zh) 用于自动驾驶车辆中的以物体为中心的立体视觉的方法和系统
KR102238522B1 (ko) 3차원 공간에 대응되는 맵을 생성하는 차량 및 방법
KR20180059188A (ko) 딥 러닝을 이용한 동적 장애물이 없는 배경 위주의 3차원 지도 생성 방법
JP2019106034A (ja) 点群から対象を特定する対象識別装置、プログラム及び方法
CN113325389A (zh) 一种无人车激光雷达定位方法、系统及存储介质
CN114485698B (zh) 一种交叉路口引导线生成方法及系统
CN114155508B (zh) 一种道路变化检测方法、装置、设备以及存储介质
CN110737652B (zh) 露天矿山三维数字模型的数据清洗方法、系统及存储介质
CN117456489A (zh) 路沿标注方法、车载设备、存储介质及车辆
Wu et al. Real-Time Point Cloud Clustering Algorithm Based on Roadside LiDAR
CN117826816A (zh) 用以解决智能队列定位误差的安全冗余方法

Legal Events

Date Code Title Description
A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20190318

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20190326

RD02 Notification of acceptance of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7422

Effective date: 20190402

RD04 Notification of resignation of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7424

Effective date: 20190409

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20190625

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20190709

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20190722

R150 Certificate of patent or registration of utility model

Ref document number: 6561199

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250