WO2022226831A1 - 未定义类别障碍物的检测方法、装置和计算机设备 - Google Patents
未定义类别障碍物的检测方法、装置和计算机设备 Download PDFInfo
- Publication number
- WO2022226831A1 WO2022226831A1 PCT/CN2021/090519 CN2021090519W WO2022226831A1 WO 2022226831 A1 WO2022226831 A1 WO 2022226831A1 CN 2021090519 W CN2021090519 W CN 2021090519W WO 2022226831 A1 WO2022226831 A1 WO 2022226831A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- obstacle
- point cloud
- cloud data
- grid map
- data
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000001514 detection method Methods 0.000 claims abstract description 208
- 230000011218 segmentation Effects 0.000 claims abstract description 102
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
- G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Electromagnetism (AREA)
- Image Analysis (AREA)
Abstract
一种未定义类别障碍物的检测方法,包括:获取当前帧点云数据、历史障碍物检测数据和地图数据;所述当前帧点云数据中标注有未定义类别的障碍物区域(202);将所述当前帧点云数据进行栅格化处理,得到初始栅格地图(204);将所述初始栅格地图输入至检测模型中,输出目标检测结果以及所述未定义类别的障碍物区域对应的障碍物分割结果(206);对所述当前帧点云数据进行地面分割,确定地面点云数据(208);根据所述目标检测结果、所述障碍物分割结果、所述地面点云数据、所述历史障碍物检测数据、所述地图数据和所述初始栅格地图确定目标栅格地图(210);及对所述目标栅格地图进行聚类,得到未定义类别障碍物检测结果(212)。
Description
本申请涉及一种未定义类别障碍物的检测方法、装置、计算机设备、存储介质和交通工具。
在无人驾驶过程中,需要实时检测周围环境中的障碍物,标注出障碍物所在的区域,以更好地规划合理路线、躲避障碍物以及遵守交通规则,从而保证无人驾驶的安全性。现有的目标检测方法,如基于深度学习的目标检测方法需要根据标注的障碍物类别进行检测,因此需要预先定义确定性的类别,如行人、车辆等。而对于一些未定义的类别,如道路中不经常出现的三角架、栅栏等障碍物,基于深度学习的目标检测方法无法解决,导致无人驾驶的安全性较低。
发明内容
根据本申请公开的各种实施例,提供一种未定义类别障碍物的检测方法、装置、计算机设备、存储介质和交通工具。
一种未定义类别障碍物的检测方法,包括:
获取当前帧点云数据、历史障碍物检测数据和地图数据;所述当前帧点云数据中标注有未定义类别的障碍物区域;
将所述当前帧点云数据进行栅格化处理,得到初始栅格地图;
将所述初始栅格地图输入至检测模型中,输出目标检测结果以及所述未定义类别的障碍物区域对应的障碍物分割结果;
对所述当前帧点云数据进行地面分割,确定地面点云数据;
根据所述目标检测结果、所述障碍物分割结果、所述地面点云数据、所述历史障碍物检测数据、所述地图数据和所述初始栅格地图确定目标栅格地图;及
对所述目标栅格地图进行聚类,得到未定义类别障碍物检测结果。
一种未定义类别障碍物的检测装置,包括:
一种计算机设备,包括存储器和一个或多个处理器,所述存储器中储存有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述一个或多个处理器执行以下步骤:
获取当前帧点云数据、历史障碍物检测数据和地图数据;所述当前帧点云数据中标注有未定义类别的障碍物区域;
将所述当前帧点云数据进行栅格化处理,得到初始栅格地图;
将所述初始栅格地图输入至检测模型中,输出目标检测结果以及所述未定义类别的障碍物区域对应的障碍物分割结果;
对所述当前帧点云数据进行地面分割,确定地面点云数据;
根据所述目标检测结果、所述障碍物分割结果、所述地面点云数据、所述历史障碍物检测数据、所述地图数据和所述初始栅格地图确定目标栅格地图;及
对所述目标栅格地图进行聚类,得到未定义类别障碍物检测结果。
一个或多个存储有计算机可读指令的计算机存储介质,计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行以下步骤:
获取当前帧点云数据、历史障碍物检测数据和地图数据;所述当前帧点云数据中标注有未定义类别的障碍物区域;
将所述当前帧点云数据进行栅格化处理,得到初始栅格地图;
将所述初始栅格地图输入至检测模型中,输出目标检测结果以及所述未定义类别的障碍物区域对应的障碍物分割结果;
对所述当前帧点云数据进行地面分割,确定地面点云数据;
根据所述目标检测结果、所述障碍物分割结果、所述地面点云数据、所述历史障碍物检测数据、所述地图数据和所述初始栅格地图确定目标栅格地图;及
对所述目标栅格地图进行聚类,得到未定义类别障碍物检测结果。
一种交通工具,包括执行上述未定义类别障碍物的检测方法的步骤。
本申请的一个或多个实施例的细节在下面的附图和描述中提出。本申请的其它特征和优点将从说明书、附图以及权利要求书变得明显。
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为一个或多个实施例中未定义类别障碍物的检测方法的应用环境图。
图2为一个或多个实施例中未定义类别障碍物的检测方法的流程示意图。
图3为一个或多个实施例中将初始栅格地图输入至检测模型中,输出目标检测结果以及未定义类别的障碍物区域对应的障碍物分割结果步骤的流程示意图。
图4为一个或多个实施例中根据目标检测结果、障碍物分割结果、地面点云数据、历史障碍物检测数据、地图数据和初始栅格地图确定目标栅格地图步骤的流程示意图。
图5为一个或多个实施例中未定义类别障碍物的检测装置的框图。
图6为一个或多个实施例中计算机设备的框图。
为了使本申请的技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的未定义类别障碍物的检测方法,可以应用于如图1所示的应用环境中。车载传感器102与车载计算机设备104通过网络进行通信。车载传感器的数量可以为一个,也可以为多个。车载计算机设备可以简称为计算机设备。车载传感器102将采集到的点云数据发送至计算机设备104,计算机设备104可以帧为单位保存点云数据,当需要进行障碍物检测时,获取当前帧点云数据、历史障碍物检测数据和地图数据,当前帧点云数据中标注有未定义类别的障碍物区域,将当前帧点云数据进行栅格化处理,得到初始栅格地图,将初始栅格地图输入至检测模型中,输出目标检测结果以及未定义类别的障碍物区域对应的障碍物分割结果,从而对当前帧点云数据进行地面分割,确定地面点云数据,根据目标检测结果、障碍物分割结果、地面点云数据、历史障碍物检测数据和地图数据对初始栅格地图进行占据信息提取,得到目标栅格地图,进而对目标栅格地图进行聚类,得到未定义类别障碍物检测结果。车载传感器102可以但不限于是激光雷达、激光扫描仪。
在其中一个实施例中,如图2所示,提供了一种未定义类别障碍物的检测方法,以该方法应用于图1中的计算机设备为例进行说明,包括以下步骤:
步骤202,获取当前帧点云数据、历史障碍物检测数据和地图数据;当前帧点云数据中标注有未定义类别的障碍物区域。
点云数据是车载传感器将扫描到的周围环境信息以点云形式记录的数据。点云数据具体可以包括各点的三维坐标(x,y,z)、激光反射强度(Intensity)、颜色信息(RGB)等。三维坐标用于表示周围环境中障碍物表面的位置信息。例如,三维坐标可以是点在笛卡尔坐标系中的坐标,具体包括点在笛卡尔坐标系中的横轴坐标、纵轴坐标和竖轴坐标。笛卡尔坐 标系是以车载传感器为原点建立的三维空间坐标系,三维空间坐标系包括横轴(x轴)、纵轴(y轴)和竖轴(z轴)。以车载传感器为原点建立的三维空间坐标系满足右手定则。
车辆在无人驾驶过程中,可以通过安装在车辆上的车载传感器对周围环境进行扫描,得到相应的点云数据,并将采集到的点云数据传送至计算机设备。例如,车载传感器可以是激光雷达。计算机设备可以帧为单位保存点云数据,并记录每帧点云数据的数据采集时间等信息。计算机设备可以获取当前帧点云数据进行障碍物检测。当前帧点云数据中标注有未定义类别的障碍物区域。未定义类别的障碍物区域可以是人工标注得到的。未定义类别是指在障碍物类别标注中不作标注的其它类别,如无法定义类别的目标。未定义类别的障碍物区域是指当前帧点云数据中不作标注的其它类别的障碍物对应的点云区域,具体可以是当前帧点云数据中去除地面点云数据以及已定义类别障碍物的点云数据后,剩余的点云数据所形成的区域。
计算机设备中存储有历史障碍物检测数据和地图数据,当需要进行障碍物检测时,计算机设备获取存储的历史障碍物检测数据和地图数据。其中,历史障碍物检测数据是指根据历史帧点云数据检测得到的每个未定义类别障碍物所在的区域。地图数据是指离线生成的永久障碍物的信息,如高楼,栏杆等。永久障碍物是指位置区域不变的固定障碍物。
步骤204,将当前帧点云数据进行栅格化处理,得到初始栅格地图。
栅格化处理是指根据预设量化分辨率将当前帧点云数据对应的数据空间,进行俯视图视角下的量化,得到栅格图。俯视图视角下是指将当前帧点云数据对应的数据空间映射至水平面(xy平面),栅格图可以称为初始栅格图。栅格化处理不考虑当前帧点云数据的高度信息。例如,当预设量化分辨率为0.2,当前帧点云数据在俯视图视角下的平面空间为100m x 50m时,则将当前帧点云数据量化为500m x 250m的栅格图。初始栅格图中包括多个栅格,每个栅格中可以包括当前帧点云数据中的点。
步骤206,将初始栅格地图输入至检测模型中,输出目标检测结果以及未定义类别的障碍物区域对应的障碍物分割结果。
计算机设备中预先存储有已训练的检测模型,检测模型用于预测已定义类别的障碍物的类别和位置、及将未定义类别的障碍物分割出来。检测模型是通过大量的样本数据进行训练得到的。
由于当前帧点云数据中标注有未定义类别的障碍物区域,对当前帧点云数据进行栅格化处理后得到的初始栅格图中也包括未定义类别的障碍物区域,可以理解的是,初始栅格地图中的未定位类别的障碍物区域也是以栅格的形式体现的。
在得到初始栅格地图后,调用检测模型,将初始栅格地图输入至检测模型中,通过检测模型对初始栅格地图进行目标检测,以及对初始栅格地图中未定义类别的障碍物区域进行分割,得到初始栅格地图对应的目标检测结果和未定义类别的障碍物区域对应的障碍物分割区域。目标检测结果中包括已定义类别障碍物的类别以及所在的区域。已定义类别障碍物所在的区域是指已定义类别障碍物对应的区域框。障碍物分割结果中包括不同的未定义类别的障碍物对应的点云数据。
步骤208,对当前帧点云数据进行地面分割,确定地面点云数据。
地面分割是指将当前帧点云数据中的地面点云数据与非地面点云数据进行分割。
由于当前帧点云数据中包括大量的地面点云数据,且当前帧点云数据中包含的可用于完成障碍物检测的有用信息量较少,因此需要对当前帧点云数据进行地面分割,以便根据去除地面点云数据后的剩余点云数据来完成障碍物检测。
计算机设备可以根据采用传统的地面分割方法或者基于深度学习的地面分割算法对当前帧点云数据进行地面分割。例如,传统的地面分割方法可以包括水平面校准方法、栅格高度差方法、法向量方法、法向量方法、绝对高度方法、平均高度方法等。基于深度学习的地面分割算法可以是但不限于是基于逻辑回归模型(Logistic Regression,简称LR)、支持向量机模型(Support Vector Machine,简称SVM)或者卷积神经网络模型(Convolutional Neural Networks,简称CNN)的地面分割算法。上述LR模型是机器学习中的算法实现简单且高效的分类模型,应用场景非常广泛。上述SVM模型是在所有知名的数据挖掘算法中最健壮,最准确的方法之一,它属于二分类算法,可以支持线性和非线性的分类。上述CNN模型是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks),是深度学习(deep learning)的代表算法之一。卷积神经网络具有表征学习(representation learning)能力,能够按其阶层结构对输入信息进行平移不变分类。
步骤210,根据目标检测结果、障碍物分割结果、地面点云数据、历史障碍物检测数据和地图数据对初始栅格地图进行占据信息提取,得到目标栅格地图。
由于检测模型只能将初始栅格地图中不同的未定义类别的障碍物分割出来,障碍物分割结果是不够准确的,可以基于目标检测结果、地面点云数据以及地图数据提取初始栅格地图中的未定义类别障碍物的障碍物占据信息,障碍物占据信息是指每个栅格中是否存在未定位类别障碍物的概率,将障碍物分割结果与提取的障碍物占据信息、历史障碍物检测数据进行融合,从而得到目标栅格地图。目标栅格地图为通过多种信息源提取的障碍物占据信息的栅格地图。
步骤212,对目标栅格地图进行聚类,得到未定义类别障碍物检测结果。
目标栅格地图中的每个栅格中均有存在未定义类别障碍物的概率,该概率是通过融合多种信息源得到的。计算机设备在目标栅格地图中确定存在未定义类别障碍物的栅格对应的区域,将存在未定义类别障碍物的栅格对应的区域进行聚类,从而将栅格中属于同一未定义类别障碍物的点聚为一类,从而计算每个未定义类别障碍物对应的包围框,得到每个未定义类别障碍物对应的区域,得到未定义类别障碍物检测结果。聚类的方法可以是连通域聚类法、DBSCAN(Density-Based Spatial Clustering of Applications with Noise,密度聚类)算法等聚类算法中的任意一种。
在本实施例中,获取当前帧点云数据、历史障碍物检测数据和地图数据,当前帧点云数据中标注有未定义类别的障碍物区域,将当前帧点云数据进行栅格化处理,得到初始栅格地图,将初始栅格地图输入至检测模型中,输出目标检测结果以及未定义类别的障碍物区域对应的障碍物分割结果,从而对当前帧点云数据进行地面分割,确定地面点云数据,根据目标检测结果、障碍物分割结果、地面点云数据、历史障碍物检测数据、地图数据和初始栅格地图确定目标栅格地图,进而对目标栅格地图进行聚类,得到未定义类别障碍物检测结果。基于目标检测结果、地面点云数据以及地图数据可以提取初始栅格地图中的未定义类别障碍物的障碍物占据信息,并将该障碍物占据信息与障碍物分割结果、历史障碍物检测数据进行融合,根据目标栅格地图进行聚类,能够对未定义类别的障碍物进行准确检测,使得无人驾驶车辆能感知所有的障碍物目标,且目标栅格图是通过多种信息源融合得到的,能够稳定地检测未定义类别障碍物,提高了未定义类别障碍物检测的鲁棒性,从而提高无人驾驶的安全性。
在其中一个实施例中,如图3所示,将初始栅格地图输入至检测模型中,输出目标检测结果以及未定义类别的障碍物区域对应的障碍物分割结果的步骤包括:
步骤302,将初始栅格地图输入至检测模型中,检测模型包括并列的目标检测网络以及障碍物分割网络。
步骤304,通过目标检测网络对初始栅格图进行目标检测,输出目标检测结果。
步骤306,通过障碍物分割网络对初始栅格地图中未定义类别的障碍物区域进行分割,得到障碍物分割结果。
检测模型包括目标检测模型和障碍物分割网络两个并列的网络分支。例如,目标检测网络可以是卷积神经网络(Convolutional Neural Networks,简称CNN)、PointNet、PointPillar、PolarNet等目标检测网络中的任意一种。障碍物分割网络也可以是卷积神经网络、PointNet等。检测模型的检测过程是在线下进行的。计算机设备将初始栅格地图输入至检测模型后,由于初始栅格地图中包括未定义类别的障碍物区域,检测模型的目标检测网络和障碍物分割网络分别对初始栅格图进行目标检测和对未定义类别的障碍物区域进行分割。目标检测网络 可以对初始栅格地图进行特征提取,根据提取的特征图预测已定义类别障碍物对应的类别以及对应的区域框,输出目标检测结果。障碍物分割网络可以预测未定义类别的障碍物区域中未定义类别的障碍物对应的点云数据,输出障碍物分割结果。
在本实施例中,由于检测网络中包括目标检测网络和障碍物分割网络,目标检测网络用于预设已定义类别的障碍物,而障碍物分割网络用于对未定义类别障碍物区域的障碍物进行分割,能够在检测已定义类别障碍物的同时,对未定义类别障碍物进行分割。且该检测模型的检测过程是在线下进行的,能够快速分割得到线下状态的未定义类别障碍物。
在其中一个实施例中,对当前帧点云数据进行地面分割,确定地面点云数据包括:将当前帧点云数据对应的点云区域划分为多个栅格;根据预设平面方程计算各栅格对应的地面;将各栅格中与相应地面之间的距离值小于距离阈值的点确定为地面点云数据。
地面分割是指提取当前帧点云数据中的地面点云数据,以将地面点云数据与非地面点云数据进行分割。点云区域是指各帧点云数据所在的数据空间。
计算机设备可以将当前帧点云区域投影至水平面(xy平面),并将水平面划分为多个栅格。具体的,计算机设备可以根据预设参数将当前帧点云数据对应的点云区域进行栅格划分。预设参数可以是每个栅格的尺寸。例如,预设参数可以是长*宽,表明栅格划分后得到的每个栅格的长度和宽度。长和宽可以是相同的,也可以是不同的。预设参数还可以是均等划分。多个栅格的高度是相同的。计算机设备可以先根据预设参数分别对当前帧点云数据对应的点云区域进行x轴方向的划分,以及y轴方向的划分。
计算机设备获取预设平面方程,预设平面方程是指传统的用于根据点坐标计算平面的方程。根据预设平面方程并采用最小二乘法计算各栅格中的点云对应的地面,从而得到每个栅格对应的地面。每个栅格对应的地面可以表示为三元一次方程。计算机设备在地面对应的方程中遍历输入相应栅格中各点的点坐标,计算各点与相应的地面之间的距离值。计算机设备中预先存储有用于判断点类别的距离阈值。点类别可以包括地面点以及非地面点。计算机设备将距离值与距离阈值进行比较,当距离值小于距离阈值时,表明该点为地面点。当距离值大于等于距离阈值时,表明该点为非地面点。从而将距离值小于距离阈值的点组成地面点云数据。
在本实施例中,将当前帧点云数据对应的点云区域划分为多个栅格,从而计算各栅格中点云数据对应的地面,将各栅格中与相应地面之间的距离值小于阈值的点确定为地面点云数据。由于栅格划分只需要对点云数据对应的点云区域进行x轴方向以及y轴方向的划分,因此,能够在无人驾驶模式下,计算机设备的计算资源有限且实时性要求高时,快速进行地面分割处理。
进一步的,根据预设平面方程计算各栅格对应的地面包括:在各栅格对应的点中选取高度值最小的点;计算各栅格中各点与高度值最小的点之间的高度差值;提取高度差值小于高度差阈值的点,根据预设平面方程对选取的点进行平面拟合,得到各栅格对应的地面。
计算机设备在对当前帧帧点云数据对应的点云区域进行栅格划分,得到多个栅格,每个栅格中的点包括对应的高度值。在每个栅格对应的点中选取高度值最小的点,并计算相应栅格中各点与高度值最小的点之间的高度差值。计算机设备中预先存储有用于判断是否为平面拟合点的高度差阈值。当高度差值小于高度差阈值时,表明该高度差值对应的点为平面拟合点。计算机设备将高度差值与高度差阈值进行比较,选取高度差值小于高度差阈值的点,根据预设平面方程对选取的点进行平面拟合,得到各栅格对应的地面。
在本实施例中,计算机设备通过计算各栅格中各点与高度值最小的点之间的高度差值,将高度差值与高度差阈值进行比较,来选取平面拟合点,由于高度值最小的点是地面点的概率是最大的,通过计算各点与该高度值最小的点的高度差值,能够更为准确地确定平面拟合点,提高地面分割效率。
在其中一个实施例中,根据目标检测结果、障碍物分割结果、地面点云数据、历史障碍物检测数据、地图数据和初始栅格地图确定目标栅格地图的步骤包括:
步骤402,在初始栅格地图中去除目标检测结果中的已定义类别障碍物、地面点云数据以及地图数据中的固定障碍物,得到去除处理后的栅格地图。
步骤404,提取去除处理后的栅格地图中的障碍物占据信息。
步骤406,将障碍物占据信息、障碍物分割结果及历史障碍物检测数据进行融合,得到目标栅格地图。
目标检测结果中已定义类别障碍物的类别以及所在的区域。障碍物分割结果中包括不同的未定义类别的障碍物对应的点云数据。地面点云数据包括当前帧点云数据中的地面点。历史障碍物检测数据是指根据历史帧点云数据检测得到的每个未定义类别障碍物所在的区域。地图数据是指离线生成的永久障碍物的信息,如高楼,栏杆等。永久障碍物是指位置区域不变的固定障碍物。初始栅格地图是指将当前栅格地图在俯视图下进行量化后的栅格地图。
为了便于检测未定义类别的障碍物,需要将初始栅格地图中与未定义类别障碍物检测无关的数据进行去除,如已定义类别障碍物、地面点等。地图中的固定障碍物也可以视为是已定义的障碍物,也需要去除。具体的,计算机设备可以在线上状态下,去除始栅格地图中目标检测结果中的已定义类别障碍物,去除地面点云数据,并去除地图数据中的固定障碍物,实现去除与未定义类别障碍物检测无关的数据,得到去除处理后的栅格地图。
障碍物占据信息是指每个栅格对应的占据率,即每个栅格存在未定义类别障碍物(被占据)的概率。计算机设备可以对去除处理后的栅格地图进行障碍物占据信息的提取。从而将障碍物占据信息、障碍物分割结果及历史障碍物检测数据进行融合。由于障碍物占据信息、障碍物分割结果及历史障碍物检测数据均是通过栅格地图的方式体现的,对于栅格地图,每个栅格中均包括存在未定义类别障碍物的概率,故融合方式可以是将障碍物占据信息、障碍物分割结果及历史障碍物检测数据的概率进行累积。
进一步的,提取去除处理后的栅格地图中的障碍物占据信息包括:预测去除处理后的栅格地图中每个栅格存在障碍物的概率,根据概率得到障碍物占据信息。去除处理后的栅格地图中包括多个栅格,计算机设备可以通过光线追踪(Ray Tracing)算法确定去除处理后的栅格地图中每个栅格存在未定义类别障碍物的概率。当概率大于预设阈值时,表明该栅格存在未定义类别障碍物,将存在未定义类别障碍物的栅格状态可以定义为Occupied状态,不存在未定义类别障碍物的栅格状态可以定义为Free状态。进而计算机设备可以根据去除处理后的栅格地图中所有栅格存在障碍物的概率得到障碍物占据信息。
在本实施例中,在初始栅格地图中去除目标检测结果中的已定义类别障碍物、地面点云数据以及地图数据中的固定障碍物,实现去除与未定义类别障碍物检测无关的数据,有利于提取更为准确的障碍物占据信息。障碍物分割结果是在线下状态分割得到的障碍物,历史障碍物检测数据是根据历史帧点云数据检测得到的每个未定义类别障碍物所在的区域。通过将三者进行融合,实现融合多种信息源,有效提高了未定义类别障碍物的检测准确性。
在其中一个实施例中,对目标栅格地图进行聚类,得到未定义类别障碍物检测结果包括:确定目标栅格地图中的占据区域;对占据区域进行连通域检测,得到多个连通域和每个连通域对应的点集;根据每个连通域对应的点集计算相应未定义类别障碍物的包围框,得到未定义类别障碍物检测结果。
目标栅格地图是指融合有多种信息源的未定义类别障碍物信息的栅格地图。占据区域是指目标栅格地图中存在未定义类别障碍物的区域。
目标栅格地图中的每个栅格中均包括存在未定义类别障碍物的概率,且每个栅格均标记有Occupied状态或Free状态。Occupied状态或Free状态是通过将每个栅格存在未定义类别障碍物的概率与预设阈值进行比较得到的,概率大于预设阈值的栅格标记为Occupied状态,概率小于或者等于预设阈值的栅格标记为Free状态。Occupied状态表明该栅格存在未定义类别障碍物,Free状态表示不存在未定义类别障碍物。计算机设备可以将将目标栅格地图中标记有Occupied状态的栅格对应的区域确定为占据区域。通常属于一个障碍物的所有点是围绕在中心点附近分布,故需要对占据区域中的点进行相关性聚类,将同属于一个障碍物的点聚 集到一起。具体的,计算机设备可以通过对占据区域进行连通域检测,得到多个连通域和每个连通域对应的点集。每一个连通域对应一个未定义类别障碍物。每个连通域对应的点集是指对应的未定义类别障碍物对应的所有点。连通域检测可以是遍历占据区域中的障碍物栅格,找到第一个未经标记的障碍物栅格,进行初次标记,在该障碍物栅格的8邻域内寻找其他障碍物栅格进行同样的标记,记录所有障碍栅格的位置,将这些位置的点合并,得到连通域对应的点集,可以理解的是,计算机设备可以按照相同的方法得到其他连通域对应的点集。
在得到每个未定义类别障碍物的点集后,可以根据点集计算未定义类别障碍物的包围框,包括中心位置、大小、方向等,以此可以根据包围框确定每个未定义类别障碍物对应的区域。计算未定义类别障碍物的包围框的方式可以是L-shape拟合法、主成分分析法等中的任意一种。包围框中可以包括未定义类别障碍物的中心点坐标、大小、朝向等。通过识别未定义类别障碍物对应的包围框,能够准确区分不同的未定义类别障碍物。
在本实施例中,通过确定目标栅格地图中的占据区域;对占据区域进行连通域检测,得到多个连通域和每个连通域对应的点集;根据每个连通域对应的点集计算相应未定义类别障碍物的包围框,得到未定义类别障碍物检测结果。由此可以预测未定义类别障碍物所在的区域。
在其中一个实施例中,如图5所示,提供了一种未定义类别障碍物的检测装置,包括:数据获取模块502、栅格化处理模块504、检测模块506、地面分割模块508、确定模块510和聚类模块512,其中:
数据获取模块502,用于获取当前帧点云数据、历史障碍物检测数据和地图数据;当前帧点云数据中标注有未定义类别的障碍物区域。
栅格化处理模块504,用于将当前帧点云数据进行栅格化处理,得到初始栅格地图。
检测模块506,用于将初始栅格地图输入至检测模型中,输出目标检测结果以及未定义类别的障碍物区域对应的障碍物分割结果。
地面分割模块508,用于对当前帧点云数据进行地面分割,确定地面点云数据。
确定模块510,用于根据目标检测结果、障碍物分割结果、地面点云数据、历史障碍物检测数据、地图数据和初始栅格地图确定目标栅格地图。
聚类模块512,用于对目标栅格地图进行聚类,得到未定义类别障碍物检测结果。
在其中一个实施例中,检测模块506用于将初始栅格地图输入至检测模型中,检测模型包括并列的目标检测网络以及障碍物分割网络;通过目标检测网络对初始栅格图进行目标检测,输出目标检测结果;通过障碍物分割网络对初始栅格地图中未定义类别的障碍物区域进行分割,得到障碍物分割结果。
在其中一个实施例中,地面分割模块508还用于将当前帧点云数据对应的点云区域划分为多个栅格;根据预设平面方程计算各栅格对应的地面;将各栅格中与相应地面之间的距离值小于距离阈值的点确定为地面点云数据。
在其中一个实施例中,确定模块510还用于在初始栅格地图中去除目标检测结果中的已定义类别障碍物、地面点云数据以及地图数据中的固定障碍物,得到去除处理后的栅格地图;提取去除处理后的栅格地图中的障碍物占据信息;将障碍物占据信息、障碍物分割结果及历史障碍物检测数据进行融合,得到目标栅格地图。
在其中一个实施例中,确定模块510还用于预测去除处理后的栅格地图中每个栅格存在障碍物的概率,根据概率得到障碍物占据信息。
在其中一个实施例中,聚类模块512还用于确定目标栅格地图中的占据区域;对占据区域进行连通域检测,得到多个连通域和每个连通域对应的点集;根据每个连通域对应的点集计算相应未定义类别障碍物的包围框,得到未定义类别障碍物检测结果。
关于未定义类别障碍物的检测装置的具体限定可以参见上文中对于未定义类别障碍物的检测方法的限定,在此不再赘述。上述未定义类别障碍物的检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在其中一个实施例中,提供了一种计算机设备,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机可读指令和数据库。该内存储器为非易失性存储介质中的操作系统和计算机可读指令的运行提供环境。该计算机设备的数据库用于存储一种未定义类别障碍物的检测方法的数据。该计算机设备的通信接口用于与外部的终端连接通信。该计算机可读指令被处理器执行时以实现一种未定义类别障碍物的检测方法。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
一种计算机设备,包括存储器及一个或多个处理器,存储器中储存有计算机可读指令,计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行上述各个方法实施例中的步骤。
一个或多个存储有计算机可读指令的计算机存储介质,计算机可读指令被一个或多个处 理器执行时,使得一个或多个处理器执行上述各个方法实施例中的步骤。
其中,该计算机存储介质为可读存储介质,可读存储介质可以是非易失性,也可以是易失性的。
在其中一个实施例中,提供了一种交通工具,该交通工具具体可以包括自动驾驶车辆,交通工具包括上述计算机设备,可以执行上述未定义类别障碍物方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机可读指令来指令相关的硬件来完成,所述的计算机可读指令可存储于一非易失性计算机可读取存储介质中,该计算机可读指令在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (20)
- 一种未定义类别障碍物的检测方法,包括:获取当前帧点云数据、历史障碍物检测数据和地图数据;所述当前帧点云数据中标注有未定义类别的障碍物区域;将所述当前帧点云数据进行栅格化处理,得到初始栅格地图;将所述初始栅格地图输入至检测模型中,输出目标检测结果以及所述未定义类别的障碍物区域对应的障碍物分割结果;对所述当前帧点云数据进行地面分割,确定地面点云数据;根据所述目标检测结果、所述障碍物分割结果、所述地面点云数据、所述历史障碍物检测数据、所述地图数据和所述初始栅格地图确定目标栅格地图;及对所述目标栅格地图进行聚类,得到未定义类别障碍物检测结果。
- 根据权利要求1所述的方法,其特征在于,所述将所述初始栅格地图输入至检测模型中,输出目标检测结果以及所述未定义类别的障碍物区域对应的障碍物分割结果包括:将所述初始栅格地图输入至检测模型中,所述检测模型包括并列的目标检测网络以及障碍物分割网络;通过所述目标检测网络对所述初始栅格图进行目标检测,输出目标检测结果;及通过所述障碍物分割网络对所述初始栅格地图中未定义类别的障碍物区域进行分割,得到障碍物分割结果。
- 根据权利要求1所述的方法,其特征在于,所述对所述当前帧点云数据进行地面分割,确定地面点云数据包括:将所述当前帧点云数据对应的点云区域划分为多个栅格;根据预设平面方程计算各栅格对应的地面;及将各栅格中与相应地面之间的距离值小于距离阈值的点确定为地面点云数据。
- 根据权利要求1所述的方法,其特征在于,所述根据所述目标检测结果、所述障碍物分割结果、所述地面点云数据、所述历史障碍物检测数据、所述地图数据和所述初始栅格地图确定目标栅格地图包括:在所述初始栅格地图中去除所述目标检测结果中的已定义类别障碍物、所述地面点云数据以及所述地图数据中的固定障碍物,得到去除处理后的栅格地图;提取所述去除处理后的栅格地图中的障碍物占据信息;及将所述障碍物占据信息、所述障碍物分割结果及所述历史障碍物检测数据进行融合,得到目标栅格地图。
- 根据权利要求4所述的方法,其特征在于,所述提取所述去除处理后的栅格地图中的障碍物占据信息包括:预测所述去除处理后的栅格地图中每个栅格存在障碍物的概率,根据所述概率得到障碍物占据信息。
- 根据权利要求1所述的方法,其特征在于,所述对所述目标栅格地图进行聚类,得到未定义类别障碍物检测结果包括:确定所述目标栅格地图中的占据区域;对所述占据区域进行连通域检测,得到多个连通域和每个连通域对应的点集;及根据每个连通域对应的点集计算相应未定义类别障碍物的包围框,得到未定义类别障碍物检测结果。
- 一种未定义类别障碍物的检测装置,包括:数据获取模块,用于获取当前帧点云数据、历史障碍物检测数据和地图数据;所述当前帧点云数据中标注有未定义类别的障碍物区域;栅格化处理模块,用于将所述当前帧点云数据进行栅格化处理,得到初始栅格地图;检测模块,用于将所述初始栅格地图输入至检测模型中,输出目标检测结果以及所述未定义类别的障碍物区域对应的障碍物分割结果;地面分割模块,用于对所述当前帧点云数据进行地面分割,确定地面点云数据;确定模块,用于根据所述目标检测结果、所述障碍物分割结果、所述地面点云数据、所述历史障碍物检测数据、所述地图数据和所述初始栅格地图确定目标栅格地图;及聚类模块,用于对所述目标栅格地图进行聚类,得到未定义类别障碍物检测结果。
- 根据权利要求7所述的装置,其特征在于,所述检测模块用于将所述初始栅格地图输入至检测模型中,所述检测模型包括并列的目标检测网络以及障碍物分割网络;通过所述目标检测网络对所述初始栅格图进行目标检测,输出目标检测结果;及通过所述障碍物分割网络对所述初始栅格地图中未定义类别的障碍物区域进行分割,得到障碍物分割结果。
- 根据权利要求7所述的装置,其特征在于,所述地面分割模块还用于将所述当前帧点云数据对应的点云区域划分为多个栅格;根据预设平面方程计算各栅格对应的地面;及将各栅格中与相应地面之间的距离值小于距离阈值的点确定为地面点云数据。
- 根据权利要求7所述的装置,其特征在于,所述确定模块还用于在所述初始栅格地图中去除所述目标检测结果中的已定义类别障碍物、所述地面点云数据以及所述地图数据中的固定障碍物,得到去除处理后的栅格地图;提取所述去除处理后的栅格地图中的障碍物占据信息;及将所述障碍物占据信息、所述障碍物分割结果及所述历史障碍物检测数据进行融合,得到目标栅格地图。
- 一种计算机设备,包括存储器及一个或多个处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述一个或多个处理器执行时,使得所述一个或多个处理器执行以下步骤:获取当前帧点云数据、历史障碍物检测数据和地图数据;所述当前帧点云数据中标注有未定义类别的障碍物区域;将所述当前帧点云数据进行栅格化处理,得到初始栅格地图;将所述初始栅格地图输入至检测模型中,输出目标检测结果以及所述未定义类别的障碍物区域对应的障碍物分割结果;对所述当前帧点云数据进行地面分割,确定地面点云数据;根据所述目标检测结果、所述障碍物分割结果、所述地面点云数据、所述历史障碍物检测数据、所述地图数据和所述初始栅格地图确定目标栅格地图;及对所述目标栅格地图进行聚类,得到未定义类别障碍物检测结果。
- 根据权利要求11所述的计算机设备,其特征在于,所述处理器执行所述计算机可读指令时还执行以下步骤:将所述初始栅格地图输入至检测模型中,所述检测模型包括并列的目标检测网络以及障碍物分割网络;通过所述目标检测网络对所述初始栅格图进行目标检测,输出目标检测结果;及通过所述障碍物分割网络对所述初始栅格地图中未定义类别的障碍物区域进行分割,得到障碍物分割结果。
- 根据权利要求11所述的计算机设备,其特征在于,所述处理器执行所述计算机可读指令时还执行以下步骤:将所述当前帧点云数据对应的点云区域划分为多个栅格;根据预设平面方程计算各栅格对应的地面;及将各栅格中与相应地面之间的距离值小于距离阈值的点确定为地面点云数据。
- 根据权利要求11所述的计算机设备,其特征在于,所述处理器执行所述计算机可读指令时还执行以下步骤:在所述初始栅格地图中去除所述目标检测结果中的已定义类别障碍物、所述地面点云数据以及所述地图数据中的固定障碍物,得到去除处理后的栅格地图;提取所述去除处理后的栅格地图中的障碍物占据信息;及将所述障碍物占据信息、 所述障碍物分割结果及所述历史障碍物检测数据进行融合,得到目标栅格地图。
- 根据权利要求14所述的计算机设备,其特征在于,所述处理器执行所述计算机可读指令时还执行以下步骤:预测所述去除处理后的栅格地图中每个栅格存在障碍物的概率,根据所述概率得到障碍物占据信息。
- 一个或多个存储有计算机可读指令的计算机存储介质,所述计算机可读指令被一个或多个处理器执行时,使得所述一个或多个处理器执行以下步骤:获取当前帧点云数据、历史障碍物检测数据和地图数据;所述当前帧点云数据中标注有未定义类别的障碍物区域;将所述当前帧点云数据进行栅格化处理,得到初始栅格地图;将所述初始栅格地图输入至检测模型中,输出目标检测结果以及所述未定义类别的障碍物区域对应的障碍物分割结果;对所述当前帧点云数据进行地面分割,确定地面点云数据;根据所述目标检测结果、所述障碍物分割结果、所述地面点云数据、所述历史障碍物检测数据、所述地图数据和所述初始栅格地图确定目标栅格地图;及对所述目标栅格地图进行聚类,得到未定义类别障碍物检测结果。
- 根据权利要求16所述的存储介质,其特征在于,所述计算机可读指令被所述处理器执行时还执行以下步骤:将所述初始栅格地图输入至检测模型中,所述检测模型包括并列的目标检测网络以及障碍物分割网络;通过所述目标检测网络对所述初始栅格图进行目标检测,输出目标检测结果;及通过所述障碍物分割网络对所述初始栅格地图中未定义类别的障碍物区域进行分割,得到障碍物分割结果。
- 根据权利要求16所述的存储介质,其特征在于,所述计算机可读指令被所述处理器执行时还执行以下步骤:将所述当前帧点云数据对应的点云区域划分为多个栅格;根据预设平面方程计算各栅格对应的地面;及将各栅格中与相应地面之间的距离值小于距离阈值的点确定为地面点云数据。
- 根据权利要求16所述的存储介质,其特征在于,所述计算机可读指令被所述处理器执行时还执行以下步骤:在所述初始栅格地图中去除所述目标检测结果中的已定义类别障碍物、所述地面点云数据以及所述地图数据中的固定障碍物,得到去除处理后的栅格地图;提取所述去除处理后的栅格地图中的障碍物占据信息;及将所述障碍物占据信息、所述障碍物分割结果及所述历史障碍物检测数据进行融合,得到目标栅格地图。
- 一种交通工具,包括执行根据权利要求1-6中任一项所述的未定义类别障碍物的 检测方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202180050154.XA CN115917357A (zh) | 2021-04-28 | 2021-04-28 | 未定义类别障碍物的检测方法、装置和计算机设备 |
PCT/CN2021/090519 WO2022226831A1 (zh) | 2021-04-28 | 2021-04-28 | 未定义类别障碍物的检测方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2021/090519 WO2022226831A1 (zh) | 2021-04-28 | 2021-04-28 | 未定义类别障碍物的检测方法、装置和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2022226831A1 true WO2022226831A1 (zh) | 2022-11-03 |
Family
ID=83847667
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/CN2021/090519 WO2022226831A1 (zh) | 2021-04-28 | 2021-04-28 | 未定义类别障碍物的检测方法、装置和计算机设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115917357A (zh) |
WO (1) | WO2022226831A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116071694A (zh) * | 2023-03-07 | 2023-05-05 | 浙江华是科技股份有限公司 | 船舶检测方法、装置及计算机可读存储介质 |
CN117671648A (zh) * | 2024-02-02 | 2024-03-08 | 深圳市其域创新科技有限公司 | 障碍点的检测方法、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20180189599A1 (en) * | 2017-01-05 | 2018-07-05 | Kabushiki Kaisha Toshiba | Information processing apparatus, information processing method, and computer program product |
CN112711034A (zh) * | 2020-12-22 | 2021-04-27 | 中国第一汽车股份有限公司 | 物体检测方法、装置及设备 |
-
2021
- 2021-04-28 WO PCT/CN2021/090519 patent/WO2022226831A1/zh active Application Filing
- 2021-04-28 CN CN202180050154.XA patent/CN115917357A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20180189599A1 (en) * | 2017-01-05 | 2018-07-05 | Kabushiki Kaisha Toshiba | Information processing apparatus, information processing method, and computer program product |
CN112711034A (zh) * | 2020-12-22 | 2021-04-27 | 中国第一汽车股份有限公司 | 物体检测方法、装置及设备 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116071694A (zh) * | 2023-03-07 | 2023-05-05 | 浙江华是科技股份有限公司 | 船舶检测方法、装置及计算机可读存储介质 |
CN117671648A (zh) * | 2024-02-02 | 2024-03-08 | 深圳市其域创新科技有限公司 | 障碍点的检测方法、设备及存储介质 |
CN117671648B (zh) * | 2024-02-02 | 2024-04-26 | 深圳市其域创新科技有限公司 | 障碍点的检测方法、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115917357A (zh) | 2023-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111160302B (zh) | 基于自动驾驶环境的障碍物信息识别方法和装置 | |
CN110458854B (zh) | 一种道路边缘检测方法和装置 | |
WO2022099511A1 (zh) | 基于点云数据的地面分割方法、装置和计算机设备 | |
CN107817496B (zh) | 适用于自动车辆的对象检测系统 | |
WO2022099530A1 (zh) | 点云数据运动分割方法、装置、计算机设备和存储介质 | |
Alhussan et al. | Pothole and plain road classification using adaptive mutation dipper throated optimization and transfer learning for self driving cars | |
JP2021523443A (ja) | Lidarデータと画像データの関連付け | |
WO2022226831A1 (zh) | 未定义类别障碍物的检测方法、装置和计算机设备 | |
WO2022188663A1 (zh) | 一种目标检测方法及装置 | |
US11410388B1 (en) | Devices, systems, methods, and media for adaptive augmentation for a point cloud dataset used for training | |
JP7091686B2 (ja) | 立体物認識装置、撮像装置および車両 | |
CN112037521B (zh) | 一种车辆类型识别方法以及危化品车辆识别方法 | |
CN114051628B (zh) | 一种确定目标对象点云集的方法及装置 | |
CN114930401A (zh) | 基于点云的三维重建方法、装置和计算机设备 | |
WO2022133770A1 (zh) | 点云法向量的生成方法、装置、计算机设备和存储介质 | |
CN109633686B (zh) | 一种基于激光雷达侦测地面障碍物的方法及系统 | |
CN110796104A (zh) | 目标检测方法、装置、存储介质及无人机 | |
CN114882701B (zh) | 车位检测方法、装置、电子设备及机器可读存储介质 | |
CN113008296A (zh) | 用于通过在点云平面上融合传感器数据来检测汽车环境的方法和汽车控制单元 | |
CN114241448A (zh) | 障碍物航向角的获取方法、装置、电子设备及车辆 | |
US20220171975A1 (en) | Method for Determining a Semantic Free Space | |
CN113393442A (zh) | 列车零部件异常检测方法、系统、电子设备及存储介质 | |
CN116513171A (zh) | 一种基于车道信息的自动驾驶碰撞风险检测方法、系统及介质 | |
CN115049690A (zh) | 车挂偏航角的确定方法、装置、计算机设备和存储介质 | |
WO2022271750A1 (en) | Three-dimensional object detection with ground removal intelligence |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 21938316 Country of ref document: EP Kind code of ref document: A1 |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
122 | Ep: pct application non-entry in european phase |
Ref document number: 21938316 Country of ref document: EP Kind code of ref document: A1 |