TWI680898B - 近距離障礙物之光達偵測裝置及其方法 - Google Patents
近距離障礙物之光達偵測裝置及其方法 Download PDFInfo
- Publication number
- TWI680898B TWI680898B TW107141823A TW107141823A TWI680898B TW I680898 B TWI680898 B TW I680898B TW 107141823 A TW107141823 A TW 107141823A TW 107141823 A TW107141823 A TW 107141823A TW I680898 B TWI680898 B TW I680898B
- Authority
- TW
- Taiwan
- Prior art keywords
- obstacle
- vehicle
- point cloud
- distance
- cloud data
- Prior art date
Links
Images
Abstract
本發明係揭露一種近距離障礙物之光達偵測裝置及其方法 ，其係利用四二維光達掃描障礙物，以取得障礙物對應之原始點雲資料，其係包含障礙物相對車輛之相對距離、相對角度與相對速度。接著，將點雲資料分成對應障礙物之點雲群組，並依據點雲群組之輪廓取得障礙物之邊界長度。最後，利用卡爾曼濾波法與外插法預測並追蹤動態障礙物的移動路徑，且傳送對應動態障礙物的相對速度與邊界長度予自動駕駛控制裝置使用，又根據相對距離取得最接近車輛的動態障礙物之座標，以傳送座標予自動駕駛控制裝置使用，進而有效偵測障礙物。
Description
本發明係關於一種障礙物偵測技術，且特別關於一種近距離障礙物之光達偵測裝置及其方法。
自動駕駛車是一種智能車輛，其透過感測系統感測道路環境，並利用感測獲得的道路、車輛位置與障礙物訊息，控制車輛的行駛參數，進而使車輛能夠安全可靠地在道路上行駛並到達預定目的地。自動駕駛車應用了計算機、感測、通訊、訊息融合、人工智能與自動控制技術，已經成為世界各國的研究焦點。
環境感測器是自動駕駛車上不可或缺的元件，包含77千兆赫茲(G Hz)雷達、攝像機、24千兆赫茲(G Hz)雷達與三維光達(Lidar)、二維光達(Lidar)，每一種感測器都有其優缺點，並可依照不同輔助駕駛系統需求進行配置。舉例來說，77G Hz雷達負責遠距偵測，視野(Field Of View，FOV)為34度，2公尺內為盲區，可偵測距離77G Hz雷達100公尺的位置，但雜訊多，FOV有限，難以精準地建立障礙物之模型。攝像機負責遠距偵測，FOV為90度，10公尺內為盲區，可偵測距離攝像機80公尺的位置，但易受大雨、濃霧、強光與天氣影響。24G Hz雷達負責中距偵測，FOV為80度，可偵測距離24G Hz雷達40公尺的位置，但無法擷取車體之側邊(B柱)的障礙物，且偵測的障礙物的數量受限，資料誤差大等限制。三維光達負責中距偵測，FOV為360度，可偵測距離三維光達35公尺的位置，3公尺內為盲區。綜合上述所言，目前自駕車普遍採用雷達及攝像機，但由於其各自有雜訊多、易受環境因素影響、無法應用於近距偵測等缺點，故可靠度高的三維光達逐漸普及化，但三維光達的資料量龐大，需較高的效能平台進行處理對應的資料量，再者，目前一般皆會透過採用多種類的感測器來搭配，以相互補足使用上的限制，造成整體成本較為昂貴。
因此，本發明係在針對上述的困擾，提出一種近距離障礙物之光達偵測裝置及其方法 ，以解決習知所產生的問題。
本發明的主要目的，在於提供一種近距離障礙物之光達偵測裝置及其方法 ，其係利用卡爾曼(Kalman)濾波法與外插法預測並追蹤動態之障礙物的移動路徑，以減少運算資源，並快速補足二維光達當下未掃描到障礙物所產生的失誤。此外，提供動態之障礙物的邊界長度，相較僅提供障礙物之中心點的座標，更利於估算障礙物碰撞機率。
本發明的另一目的，在於提供一種近距離障礙物之光達偵測裝置及其方法 ，其係採用二維光達，二維光達具有資料精準、廣視野(FOV)與盲區小，藉此提升車輛之近距偵測能力。此外，二維光達設於車輛四個角落，並位於二不同高度，針對近距離盲區進行障礙物偵測，提升感測精準度。
為達上述目的，本發明提供一種近距離障礙物光達偵測裝置，其係設於一車輛中，車輛周圍有至少一障礙物，近距離障礙物光達偵測裝置包含四個二維光達(Lidar)、一雜訊濾波器與一處理器。二維光達之其中二者設於車輛之前端，其餘設於車輛之後端，所有二維光達掃描障礙物，以取得障礙物對應之原始點雲資料，原始點雲資料包含障礙物相對車輛之相對距離、相對角度與相對速度。雜訊濾波器電性連接所有二維光達，並接收原始點雲資料，以濾除原始點雲資料之雜訊，進而產生濾除點雲資料。處理器電性連接雜訊濾波器與設於車輛中之一自動駕駛控制裝置，並接收濾除點雲資料。處理器以一預設長度將濾除點雲資料分成對應障礙物之至少一點雲群組，並依據點雲群組之輪廓取得障礙物之邊界長度。在相對速度於一預設時段內變動時，處理器判斷障礙物為動態障礙物，處理器利用卡爾曼(Kalman)濾波法與外插法預測並追蹤動態障礙物的移動路徑，且傳送對應動態障礙物的相對速度與邊界長度給自動駕駛控制裝置，又處理器根據動態障礙物的相對距離取得最接近車輛的動態障礙物之座標，以傳送此座標予自動駕駛控制裝置。
在本發明之一實施例中，外插法為拉格朗日插值法(Lagrange polynomialinterpolation)與最小平方法(least squares)。
在本發明之一實施例中，相對速度於預設時段內固定時，處理器判斷障礙物為靜態障礙物，處理器傳送最接近車輛的靜態障礙物之相對距離予自動駕駛控制裝置。
在本發明之一實施例中，障礙物與車輛之距離小於20公尺且大於0.3公尺。
在本發明之一實施例中，車輛之前端的二維光達設置於不同高度，車輛之後端的二維光達設置於不同高度。
本發明亦提供一種近距離障礙物光達偵測方法，其係偵測一車輛周圍的至少一障礙物。首先，利用四個二維光達(Lidar)掃描障礙物，以取得障礙物對應之原始點雲資料，原始點雲資料包含障礙物相對車輛之相對距離、相對角度與相對速度。接著，接收原始點雲資料，以濾除原始點雲資料之雜訊，進而產生濾除點雲資料。再來，接收濾除點雲資料，且以一預設長度將濾除點雲資料分成對應障礙物之至少一點雲群組，並依據點雲群組之輪廓取得障礙物之邊界長度。最後，判斷相對速度於一預設時段內是否變動：若是，判斷障礙物為動態障礙物，並利用卡爾曼(Kalman)濾波法與外插法預測並追蹤動態障礙物的移動路徑，且傳送對應動態障礙物的相對速度與邊界長度給電性連接二維光達之自動駕駛控制裝置，又根據動態障礙物的相對距離取得最接近車輛的動態障礙物之
座標，以傳送此座標予自動駕駛控制裝置；以及若否，判斷障礙物為靜態障礙物，並傳送最接近車輛的靜態障礙物之相對距離予自動駕駛控制裝置。
茲為使 貴審查委員對本發明的結構特徵及所達成的功效更有進一步的瞭解與認識，謹佐以較佳的實施例圖及配合詳細的說明，說明如後：
本發明之實施例將藉由下文配合相關圖式進一步加以解說。盡可能的，於圖式與說明書中，相同標號係代表相同或相似構件。於圖式中，基於簡化與方便標示，形狀與厚度可能經過誇大表示。可以理解的是，未特別顯示於圖式中或描述於說明書中之元件，為所屬技術領域中具有通常技術者所知之形態。本領域之通常技術者可依據本發明之內容而進行多種之改變與修改。
以下請參閱第1圖、第2圖與第3圖。以下介紹本發明之近距離障礙物之光達偵測裝置10，其係設於一車輛12中，車輛12周圍有至少一障礙物，障礙物之數量以複數個為例。每一障礙物與車輛12之距離小於20公尺且大於0.3公尺。光達偵測裝置10包含至少四個二維光達(Lidar)14、一雜訊濾波器16與一處理器18，其中處理器18包含計算器與分類器，雜訊濾波器16可為線性濾波器或非線性濾波器，線性濾波器例如為高斯(Gussian)濾波器，非線性濾波器例如為中值(Median)濾波器，二維光達14之數量以四為例。二維光達14具有高資料精準度、廣視野(FOV)與盲區小，0.3公尺為盲區，FOV為270度，且可偵測距離二維光達14約20公尺的位置，藉此提升車輛之近距偵測能力。因此，二維光達能偵測到三維光達之盲區，並提供比雷達更可靠的資料。二維光達14之其中二者設於車輛12之前端，其餘設於車輛12之後端。為了避免當所有二維光達14皆設置在同一高度時，會出現偵測失誤，例如二維光達14掃描到其他車輛之輪胎之間的空間，使光達偵測裝置10以為周邊沒有障礙物。因此，車輛12之前端的二維光達14分別設置於不同高度，車輛12之後端的二維光達14亦分別設置於不同高度，以進行全域偵測。二維光達14設於車輛四個角落。舉例來說，車輛之前端的二維光達14分別設置於離地面75公分與25公分之位置，車輛之後端的二維光達14設置於離地面75公分與25公分之位置。所有二維光達14掃描所有障礙物，以取得所有障礙物對應之原始點雲資料OD，原始點雲資料OD包含所有障礙物相對車輛12之相對距離、相對角度與相對速度。雜訊濾波器16電性連接所有二維光達14，並接收原始點雲資料OD，以濾除原始點雲資料OD之雜訊，進而產生濾除點雲資料FD，以提高判斷出障礙物之正確率。處理器18接收濾除點雲資料FD，並以一預設長度將濾除點雲資料FD分成分別對應所有障礙物之複數點雲群組，例如第3圖中有五個點雲群組，其中預設長度係以50公分為例，X代表橫軸距離，Y代表縱軸距離。因為屬於同一個障礙物的濾除點雲資料FD之間的距離會相當接近，通常小於50公分，若屬於不同障礙物的濾除點雲資料FD之間的距離通常會大於50公分。換言之，五個點雲群組代表有五個障礙物在車輛12周圍。處理器18依據每一點雲群組之輪廓取得每一障礙物之邊界長度，藉此分辨所有障礙物之大小。在障礙物之相對速度於一預設時段內變動時，處理器18判斷此障礙物為動態障礙物，處理器18利用卡爾曼(Kalman)濾波法與外插法預測，並追蹤動態障礙物的移動路徑，且傳送對應動態障礙物的相對速度與邊界長度予自動駕駛控制裝置20使用。處理器18根據動態障礙物之相對距離取得最接近車輛12的動態障礙物之座標，以傳送此座標予自動駕駛控制裝置20使用，以避免車輛與障礙物發生碰撞。在障礙物之相對速度於預設時段內固定時，處理器18判斷此障礙物為靜態障礙物，處理器18傳送靜態障礙物最接近車輛12的相對距離給自動駕駛控制裝置20使用，以避免車輛與障礙物發生碰撞。
本發明利用卡爾曼濾波法與外插法，提前預測並追蹤動態之障礙物的移動路徑，以減少運算資源，並快速補足二維光達14當下未掃描到障礙物所產生的失誤。此外，假設障礙物之密度相同，則障礙物的體積與質量成正相關，又由於障礙物的體積與長度亦成正相關，故障礙物的質量與體積成正相關；根據牛頓第二運動定律，可得知障礙物的質量與加速度成正相關；由上述可知，障礙物的加速度與長度為相關的，因此障礙物的移動狀態與長度亦為相關的；換言之，由於大型障礙物與小型障礙物的加速度不一樣，此將使評估的障礙物之位置與實際位置不一樣；因此，提供動態障礙物的邊界長度與所在區間，相較於障礙物之中心點座標，更利於估算障礙物碰撞機率，以避免車輛12與障礙物發生碰撞。
以下介紹本發明之近距離障礙物之光達偵測裝置10之運作方法。首先，如步驟S10所示，利用四個二維光達14掃描所有障礙物，以取得所有障礙物對應之原始點雲資料OD，原始點雲資料OD包含所有障礙物相對車輛12之相對距離、相對角度與相對速度。接著，如步驟S12所示，雜訊濾波器16接收原始點雲資料OD，以濾除原始點雲資料OD之雜訊，進而產生濾除點雲資料FD。再來，如步驟S14所示，處理器18接收濾除點雲資料FD，並以預設長度將濾除點雲資料FD分成分別對應所有障礙物之複數點雲群組，且依據每一點雲群組之輪廓取得每一障礙物之邊界長度。然後，如步驟S16所示，處理器18判斷障礙物之相對速度於預設時段內是否變動，若是，進行步驟S18，若否，進行步驟S20。在步驟S18中，處理器18判斷障礙物為動態障礙物，並利用卡爾曼濾波法與外插法預測並追蹤動態障礙物的移動路徑，且傳送對應動態障礙物的相對速度與邊界長度予電性連接二維光達14之自動駕駛控制裝置20，又根據動態障礙物的相對距離取得最接近車輛12的動態障礙物之座標，以傳送此座標予自動駕駛控制裝置20。在步驟S20中，處理器18判斷障礙物為靜態障礙物，並傳送最接近車輛12的靜態障礙物之相對距離予自動駕駛控制裝置20。
以下說明本發明所使用的卡爾曼濾波法，其係以下列公式(1)、公式(2)、公式(3)、公式(4)與公式(5)實現。
X
k ｜ (k-1)＝AX
(k-1)+Bu
(k-1)(1)
P
k ｜ (k-1)＝AP
(k-1)A
T+Q (2)
K
k＝P
k ｜ (k-1)H
T(HP
k ｜ (k-1)H
T+R)
-1(3)
X
k＝X
k ｜ (k-1)+K
k(z
k-HX
k ｜ (k-1)) (4)
P
k＝(1-K
kH)P
k ｜ (k-1)(5)
k以大於或等於5的整數為例，公式(1)為狀態預測公式。第(k-1)時刻早於第k時刻，X
k ｜ (k-1)為利用第(k-1)時刻之障礙物的位置預估第k時刻之障礙物的位置，X
k為第k時刻之障礙物的位置，X
(k-1)為第(k-1)時刻之障礙物的位置，A為狀態轉移矩陣，A
T為狀態轉移矩陣之轉置(transpose)矩陣，B為控制矩陣，u
(k-1)為第(k-1)時刻之控制向量，P
k ｜ (k-1)為利用第(k-1)時刻之協方差矩陣預估第k時刻之協方差(covariance)矩陣，Q為系統雜訊，P
(k-1)為第(k-1)時刻之協方差矩陣，K
k為第k時刻之卡爾曼常數，H為觀測模型，H
T為觀測模型之轉置，R為觀測誤差矩陣，z
k為第k時刻之障礙物之速度，P
k為第k時刻之協方差矩陣，P
k ｜ (k-1)為利用第(k-1)時刻之協方差矩陣預估第k時刻之協方差矩陣。
本發明所使用的外插法例如為拉格朗日插值法(Lagrange polynomialinterpolation)與最小平方法(least squares)。以三階插值法為例，障礙物的位置f(t)如公式(6)所示：
f(t)=
×X
(k-2)+
×X
(k-1)+
×X
k(6)
t為時間，當t=0，f(0)=X
k。當t=1，f(1)為X
(k+1)。當t=2，f(2)為X
(k+2)。X
(k-2)為第(k-2)時刻之障礙物的位置，X
(k+1)為第(k+1)時刻之障礙物的位置，X
(k+2)為第(k+2)時刻之障礙物的位置。
以最小平方法為例。障礙物的真實位置F(t)如公式(7)所示：
F(t)=at
2+bt+c (7)
t為時間，誤差值||F(t)-X
t||={[F(t)-X
t]
2}
1/2。當t=k, (k-1), (k-2), (k-3)與(k-4)，且||F(t)-X
t| |之總和為最小值時，F(t)為最佳曲線。
因此，依序得到公式(8)、公式(9)與公式(10)。
由於X
k、X
(k-1)、X
(k-2)、X
(k-3)與X
(k-4)皆為已知，故根據公式(10)可得到a、b與c及F(t)。當t=(k+1)與(k+2)時，可得到障礙物之未來的位置。
綜上所述，本發明採用二維光達，二維光達具有高資料精準度、廣視野與盲區小，藉此提升車輛之近距偵測能力，同時利用位於不同高度之二維光達，達到全域偵測之目的。
以上所述者，僅為本發明一較佳實施例而已，並非用來限定本發明實施之範圍，故舉凡依本發明申請專利範圍所述之形狀、構造、特徵及精神所為之均等變化與修飾，均應包括於本發明之申請專利範圍內。
10‧‧‧光達偵測裝置
12‧‧‧車輛
14‧‧‧二維光達
16‧‧‧雜訊濾波器
18‧‧‧處理器
20‧‧‧自動駕駛控制裝置
第1圖為本發明之二維光達設於車輛之示意圖。
第2圖為本發明之光達偵測裝置之一實施例之裝置方塊圖。
第3圖為本發明之濾除點雲資料之分佈圖。
第4圖為本發明之光達偵測方法之一實施例之流程圖。
10‧‧‧光達偵測裝置
14‧‧‧二維光達
16‧‧‧雜訊濾波器
18‧‧‧處理器
20‧‧‧自動駕駛控制裝置
Claims (14)
- 一種近距離障礙物之光達偵測裝置，其係設於一車輛中，該車輛周圍有至少一障礙物，該近距離障礙物之光達偵測裝置包含：四個二維光達(Lidar)，其中二者設於該車輛之前端，其餘設於該車輛之後端，該些二維光達掃描該些障礙物，以取得該至少一障礙物對應之原始點雲資料，該原始點雲資料包含該至少一障礙物相對該車輛之相對距離、相對角度與相對速度；一雜訊濾波器，電性連接該些二維光達，並接收該原始點雲資料，以濾除該原始點雲資料之雜訊，進而產生濾除點雲資料；以及一處理器，電性連接該雜訊濾波器與設於該車輛中之一自動駕駛控制裝置，並接收該濾除點雲資料，該處理器以一預設長度將該濾除點雲資料分成對應該至少一障礙物之至少一點雲群組，並依據該至少一點雲群組之輪廓取得該至少一障礙物之邊界長度，在該相對速度於一預設時段內變動時，該處理器判斷該至少一障礙物為動態障礙物，該處理器利用卡爾曼(Kalman)濾波法與外插法預測並追蹤該動態障礙物的移動路徑，且傳送對應該動態障礙物的該相對速度與該邊界長度予該自動駕駛控制裝置，又該處理器根據該動態障礙物的該相對距離取得最接近該車輛的該動態障礙物之座標，以傳送該座標予該自動駕駛控制裝置。
- 如請求項1所述之近距離障礙物之光達偵測裝置，其中該雜訊濾波器為線性濾波器或非線性濾波器。
- 如請求項2所述之近距離障礙物之光達偵測裝置，其中該線性濾波器為高斯(Gussian)濾波器。
- 如請求項2所述之近距離障礙物之光達偵測裝置，其中該非線性濾波 器為中值(Median)濾波器。
- 如請求項1所述之近距離障礙物之光達偵測裝置，其中該相對速度於該預設時段內固定時，該處理器判斷該至少一障礙物為靜態障礙物，該處理器傳送最接近該車輛的該靜態障礙物之該相對距離予該自動駕駛控制裝置。
- 如請求項1所述之近距離障礙物之光達偵測裝置，其中該外插法為拉格朗日插值法(Lagrange polynomialinterpolation)與最小平方法(least squares)。
- 如請求項1所述之近距離障礙物之光達偵測裝置，其中該至少一障礙物與該車輛之距離小於20公尺且大於0.3公尺。
- 如請求項1所述之近距離障礙物之光達偵測裝置，其中該車輛之該前端的該些二維光達設置於不同高度，該車輛之該後端的該些二維光達設置於不同高度。
- 如請求項8所述之近距離障礙物之光達偵測裝置，其中該車輛之該前端的該些二維光達分別設置於離地面75公分與25公分之位置，該車輛之該後端的該些二維光達設置於離該地面75公分與25公分之位置。
- 如請求項1所述之近距離障礙物光達偵測裝置，其中該預設長度為50公分。
- 一種近距離障礙物之光達偵測方法，其係偵測一車輛周圍的至少一障礙物，該近距離障礙物之光達偵測方法包含下列步驟：利用四個二維光達(Lidar)掃描該至少一障礙物，以取得該至少一障礙物對應之原始點雲資料，該原始點雲資料包含該至少一障礙物相對該車輛之相對距離、相對角度與相對速度； 接收該原始點雲資料，以濾除該原始點雲資料之雜訊，進而產生濾除點雲資料；接收該濾除點雲資料，且以一預設長度將該濾除點雲資料分成對應該至少一障礙物之至少一點雲群組，並依據該至少一點雲群組之輪廓取得該至少一障礙物之邊界長度；判斷該相對速度於一預設時段內是否變動：若是，判斷變動之該至少一障礙物為動態障礙物，利用卡爾曼(Kalman)濾波法與外插法預測，並追蹤該動態障礙物的移動路徑，且傳送對應該動態障礙物的該相對速度與該邊界長度給電性連接該些二維光達之自動駕駛控制裝置，又根據該動態障礙物的該相對距離取得最接近該車輛的該動態障礙物之座標，以傳送該座標予該自動駕駛控制裝置；以及若否，判斷該至少一障礙物為靜態障礙物，並傳送最接近該車輛的該靜態障礙物之該相對距離予該自動駕駛控制裝置。
- 如請求項11所述之近距離障礙物之光達偵測方法，其中該外插法為拉格朗日插值法(Lagrange polynomialinterpolation)與最小平方法(least squares)。
- 如請求項11所述之近距離障礙物之光達偵測方法，其中該至少一障礙物與該車輛之距離小於20公尺且大於0.3公尺。
- 如請求項11所述之近距離障礙物之光達偵測方法，其中該預設長度為50公分。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW107141823A TWI680898B (zh) | 2018-11-23 | 2018-11-23 | 近距離障礙物之光達偵測裝置及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW107141823A TWI680898B (zh) | 2018-11-23 | 2018-11-23 | 近距離障礙物之光達偵測裝置及其方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI680898B true TWI680898B (zh) | 2020-01-01 |
| TW202019742A TW202019742A (zh) | 2020-06-01 |
Family
ID=69942989
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW107141823A TWI680898B (zh) | 2018-11-23 | 2018-11-23 | 近距離障礙物之光達偵測裝置及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI680898B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113296118A (zh) * | 2021-05-24 | 2021-08-24 | 福建盛海智能科技有限公司 | 一种基于激光雷达与gps的无人驾驶绕障方法与终端 |
| TWI815334B (zh) * | 2021-05-26 | 2023-09-11 | 為昇科科技股份有限公司 | 雷達校正系統及其方法 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI748678B (zh) * | 2020-10-06 | 2021-12-01 | 艾歐圖科技股份有限公司 | 基於地面資訊優化的車輛自主定位系統 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8494687B2 (en) * | 2010-03-12 | 2013-07-23 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Method for enhancing a three dimensional image from a plurality of frames of flash LIDAR data |
| US8855848B2 (en) * | 2007-06-05 | 2014-10-07 | GM Global Technology Operations LLC | Radar, lidar and camera enhanced methods for vehicle dynamics estimation |
| EP2820632B1 (en) * | 2012-03-02 | 2017-05-10 | Leddartech Inc. | System and method for multipurpose traffic detection and characterization |
| US20170307735A1 (en) * | 2016-04-22 | 2017-10-26 | Mohsen Rohani | Object detection using radar and machine learning |
| CN108226951A (zh) * | 2017-12-23 | 2018-06-29 | 天津国科嘉业医疗科技发展有限公司 | 一种基于激光传感器的快速运动障碍物实时跟踪方法 |
-
2018
- 2018-11-23 TW TW107141823A patent/TWI680898B/zh active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8855848B2 (en) * | 2007-06-05 | 2014-10-07 | GM Global Technology Operations LLC | Radar, lidar and camera enhanced methods for vehicle dynamics estimation |
| US8494687B2 (en) * | 2010-03-12 | 2013-07-23 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Method for enhancing a three dimensional image from a plurality of frames of flash LIDAR data |
| EP2820632B1 (en) * | 2012-03-02 | 2017-05-10 | Leddartech Inc. | System and method for multipurpose traffic detection and characterization |
| US20170307735A1 (en) * | 2016-04-22 | 2017-10-26 | Mohsen Rohani | Object detection using radar and machine learning |
| CN108226951A (zh) * | 2017-12-23 | 2018-06-29 | 天津国科嘉业医疗科技发展有限公司 | 一种基于激光传感器的快速运动障碍物实时跟踪方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113296118A (zh) * | 2021-05-24 | 2021-08-24 | 福建盛海智能科技有限公司 | 一种基于激光雷达与gps的无人驾驶绕障方法与终端 |
| TWI815334B (zh) * | 2021-05-26 | 2023-09-11 | 為昇科科技股份有限公司 | 雷達校正系統及其方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202019742A (zh) | 2020-06-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108572663B (zh) | 目标跟踪 | |
| US11270457B2 (en) | Device and method for detection and localization of vehicles | |
| KR102032070B1 (ko) | 깊이 맵 샘플링을 위한 시스템 및 방법 | |
| CN108226951B (zh) | 一种基于激光传感器的快速运动障碍物实时跟踪方法 | |
| CN108647646B (zh) | 基于低线束雷达的低矮障碍物的优化检测方法及装置 | |
| Wijesoma et al. | Road-boundary detection and tracking using ladar sensing | |
| JP4676373B2 (ja) | 周辺認識装置、周辺認識方法、プログラム | |
| Sato et al. | Multilayer lidar-based pedestrian tracking in urban environments | |
| CN108509972A (zh) | 一种基于毫米波和激光雷达的障碍物特征提取方法 | |
| CN104635233B (zh) | 基于车载毫米波雷达的前方物体运动状态估计及分类方法 | |
| WO2021046716A1 (zh) | 目标对象的检测方法、系统、设备及存储介质 | |
| WO2020146428A1 (en) | Resolution of elevation ambiguity in one-dimensional radar processing | |
| Rawashdeh et al. | Collaborative automated driving: A machine learning-based method to enhance the accuracy of shared information | |
| CN106569225B (zh) | 一种基于测距传感器的无人车实时避障方法 | |
| TWI680898B (zh) | 近距離障礙物之光達偵測裝置及其方法 | |
| Weon et al. | Object Recognition based interpolation with 3d lidar and vision for autonomous driving of an intelligent vehicle | |
| US10171796B2 (en) | Moving body system | |
| CN113850102B (zh) | 基于毫米波雷达辅助的车载视觉检测方法及系统 | |
| Kuramoto et al. | Mono-camera based 3D object tracking strategy for autonomous vehicles | |
| Lim et al. | Real-time forward collision warning system using nested Kalman filter for monocular camera | |
| CN109901193A (zh) | 近距离障碍物的光达侦测装置及其方法 | |
| CN114359714A (zh) | 基于事件相机的无人体避障方法、装置及智能无人体 | |
| US11460855B1 (en) | Systems and methods for sensor calibration | |
| Schütz et al. | Simultaneous tracking and shape estimation with laser scanners | |
| US11054245B2 (en) | Image processing apparatus, device control system, imaging apparatus, image processing method, and recording medium |