CN109407115B - 一种基于激光雷达的路面提取***及其提取方法 - Google Patents
一种基于激光雷达的路面提取***及其提取方法 Download PDFInfo
- Publication number
- CN109407115B CN109407115B CN201811595059.4A CN201811595059A CN109407115B CN 109407115 B CN109407115 B CN 109407115B CN 201811595059 A CN201811595059 A CN 201811595059A CN 109407115 B CN109407115 B CN 109407115B
- Authority
- CN
- China
- Prior art keywords
- road surface
- data
- laser radar
- module
- point cloud
- 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.)
- Active
Links
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
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- 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
- G01S17/933—Lidar systems specially adapted for specific applications for anti-collision purposes of aircraft or spacecraft
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Optical Radar Systems And Details Thereof (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及***方法的技术领域,更具体地,涉及一种基于激光雷达的路面提取***及其提取方法。一种基于激光雷达的路面提取***,其中,包括数据采集模块、数据融合模块、特征检测模块、路面提取模块。本发明的激光雷达采用的是3D激光雷达和视觉传感器,以激光雷达获取到物体的三维信息,结合相机传感器色彩信息的辅助,能够实现精准的路面提取。本发明消耗更少的时间,可以更快,更精准的得到最终的结果。
Description
技术领域
本发明涉及***方法的技术领域,更具体地,涉及一种基于激光雷达的路面提取***及其提取方法。
背景技术
随着时代的发展,全视角的激光雷达开始被越来越多的投入使用。三维全视角激光雷达可以获取物体的三维信息,在无人驾驶中有着很大的作用。提取路面可以划定出无人驾驶的可行驶区域,对于自动导航非常重要。使用激光雷达提取路面是比较流行的一种方法。但是,由于激光雷达扫描到的路面点是离散点,在提取路面时候会有着一定的误差。可以使用视觉传感器来辅助激光雷达获取准确的路面信息。
发明内容
本发明为克服上述现有技术所述的至少一种缺陷,提供一种基于激光雷达的路面提取***及其提取方法,可以获取到物体的三维信息,结合相机传感器色彩信息的辅助,能够实现精准的路面提取。
本发明通过对于三维全视角激光雷达获取数据的处理,提取路面信息。该方法通过获取到物体的三维信息,结合相机传感器色彩信息的辅助,能够实现精准的路面提取。
本发明的技术方案是:一种基于激光雷达的路面提取***,其中,包括数据采集模块、数据融合模块、特征检测模块、路面提取模块;
数据采集模块:将使用机器人携带的激光雷达和相机传感器进行环境数据的采集;并将得到的基于激光雷达和相机传感器的数据一并传入数据融合模块和路面提取模块;
数据融合模块:将根据采集到的激光雷达和相机传感器数据进行多帧数据的融合,得到一帧数据;根据激光雷达和相机传感器的运行周期,结合实际的使用需求,将多帧数据融合到一帧数据,得到固定周期的激光点云数据帧和相机数据帧;并将得到的数据帧传入到特征检测模块;
特征检测模块:将传入的激光雷达数据帧和相机数据帧进行坐标同步处理,使激光雷达和相机数据帧处于同一坐标系下;对于激光雷达数据使用光照强度和Z轴的信息,提取候选路面特征;对于相机数据使用特征对应和像素提取等方法,提取出候选的路面特征;使用相机数据提取的路面特征最终确定激光雷达数据帧中的路面特征,并将检测出来的路面特征传入到路面提取模块;
路面提取模块:将根据传入的路面特征,根据3D SLAM方法,构建临近数据帧之间的姿态变换关系,结合数据采集模块中的原始数据信息,提取出原始数据中的路面区域,完成路面提取。
进一步的,所述的数据采集模块中,需要保证每一个机器人都含有一个激光雷达以及两组相机传感器。
进一步的,所述的激光雷达为全视角三维激光雷达,包含但不限于Velodyne 16线或32线或64线的激光雷达。
进一步的,所述的相机传感器为可以为单目相机或多目相机,搭载于车身左右两侧,能够获取车身两侧环境的视觉信息。
利用所述的基于激光雷达的路面提取***的提取方法,其中,包括以下步骤:
S1. 数据采集模块包括激光雷达,先测验其精准度,对于其可以测量的范围有一定的预估;
S2. 数据采集模块包括视觉传感器,先对相机数据标定,统一两组视觉传感器数据获取到的数据信息;
S3. 数据融合模块根据激光雷达和视觉传感器的运行周期,结合实际使用需求,设定数据周期;
S4. 数据融合模块根据数据周期把周期内的激光雷达点云和视觉传感器点云进行姿态变换和特征对应变换,分别融合为一帧激光点云数据帧和视觉数据帧,并传入到特征检测模块;
S5. 特征检测模块根据传入的激光点云数据帧和视觉数据帧进行坐标同步处理,确保两种传感器内的数据点处于同一坐标系下;
S6. 特征检测模块将对于激光点云数据帧使用基于光照强度和Z轴坐标的方法,提取出基于激光雷达的候选路面特征;
S7. 特征检测模块将对于视觉数据帧使用特征对应和像素提取的方法,提取出基于视觉的候选路面特征;
S8. 特征检测模块将根据基于视觉的候选路面特征,融合基于激光雷达的候选路面特征,得到路面区域的范围,在激光雷达点云帧中提取最终的路面特征,并传入到路面提取模块;
S9. 路面提取模块将根据传入的路面特征,使用3D SLAM的方法,得到路面特征点云地图;
S10. 路面提取模块将得到的路面特征点云地图结合数据采集模块传入的原始数据信息,提取出最终的路面信息,完成路面提取。
与现有技术相比,有益效果是:本发明的激光雷达采用的是3D激光雷达和视觉传感器,以激光雷达获取到物体的三维信息,结合相机传感器色彩信息的辅助,能够实现精准的路面提取。本发明消耗更少的时间,可以更快,更精准的得到最终的结果。
附图说明
图1是本发明***模块图。
图2是本发明方法的流程图。
图3是本发明激光雷达和视觉传感器布置侧视图。
图4是本发明激光雷达和视觉传感器布置正视图。
图5是本发明激光雷达和视觉传感器布置俯视图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明,不能理解为对本专利的限制。
如图1、2所示,包括数据采集模块,数据融合模块,特征检测模块,路面提取模块;数据采集模块将使用机器人携带的激光雷达和相机传感器进行环境数据的采集。并将得到的基于激光雷达和相机传感器的数据一并传入数据融合模块和路面提取模块;数据融合模块:将根据采集到的激光雷达和相机传感器数据进行多帧数据的融合,得到一帧数据。根据激光雷达和相机传感器的运行周期,结合实际的使用需求,将多帧数据融合到一帧数据,得到固定周期的激光点云数据帧和相机数据帧。并将得到的数据帧传入到特征检测模块;特征检测模块:将传入的激光雷达数据帧和相机数据帧进行坐标同步处理,使激光雷达和相机数据帧处于同一坐标系下。对于激光雷达数据使用光照强度和Z轴的信息,提取候选路面特征。对于相机数据使用特征对应和像素提取等方法,提取出候选的路面特征。使用相机数据提取的路面特征最终确定激光雷达数据帧中的路面特征,并将检测出来的路面特征传入到路面提取模块;路面提取模块:将根据传入的路面特征,根据3D SLAM方法,构建临近数据帧之间的姿态变换关系,结合数据采集模块中的原始数据信息,提取出原始数据中的路面区域,完成路面提取。
本方法的应用场景为路面与周围物体存在高度差的环境下,需要确保路面和周边的物体存在着高度差异,确保激光雷达可以获取到高度差异信息。
为了更好的说明本发明具体实施方案,下面将结合图2以及具体的实施方式对上述技术方案进行详细的说明:
步骤1、所述数据采集模块包括激光雷达,先测验其精准度,对于其可以测量的范围有一定的预估;
步骤2、所述数据采集模块包括视觉传感器,先对相机数据标定,统一两组视觉传感器数据获取到的数据信息;
步骤3、所述数据融合模块根据激光雷达和视觉传感器的运行周期,结合实际使用需求,设定数据周期。;
步骤4、所述数据融合模块根据数据周期把周期内的激光雷达点云和视觉传感器点云进行姿态变换和特征对应变换,分别融合为一帧激光点云数据帧和视觉数据帧,并传入到特征检测模块;
步骤5、所述特征检测模块根据传入的激光点云数据帧和视觉数据帧进行坐标同步处理,确保两种传感器内的数据点处于同一坐标系下;
步骤6、所述特征检测模块将对于激光点云数据帧使用基于光照强度和Z轴坐标的方法,提取出基于激光雷达的候选路面特征;
步骤7、所述特征检测模块将对于视觉数据帧使用特征对应和像素提取的方法,提取出基于视觉的候选路面特征;
步骤8、所述特征检测模块将根据基于视觉的候选路面特征,融合基于激光雷达的候选路面特征,得到路面区域的范围,在激光雷达点云帧中提取最终的路面特征,并传入到路面提取模块。
步骤9、所述路面提取模块将根据传入的路面特征,使用3D SLAM的方法,得到路面特征点云地图。
步骤10、所述路面提取模块将得到的路面特征点云地图结合数据采集模块传入的原始数据信息,提取出最终的路面信息,完成路面提取。
其中,所述数据采集模块需要保证每一个载体都含有一个激光雷达,且可以全方位的采集到环境信息。
其中,所述数据采集模块需要保证每一个载体的两侧都含有一组视觉传感器,可以获取到两侧的路面信息
其中,所述数据采集模块自启用该方法开始将不停地采集数据并对数据进行处理,并根据当前所处的阶段以及各个模块的需求将相应的处理信息及时反馈给数据融合模块以及路面提取模块,直至完成整个过程。
其中,所述数据融合模块需要根据激光雷达和视觉传感器的运行周期,设定本方法中的数据周期。
其中,所述数据融合模块需要融合设定周期内的所有激光点云数据和视觉数据,得到一帧激光点云数据帧和视觉数据帧。
其中,所述特征检测模块需要统一视觉数据帧和激光点云数据帧的坐标系。
其中,所述特征检测模块需要使用光照强度和Z轴信息,选取相同光照强度和处于特定Z值以下的点云,构建基于激光雷达的路面特征。
其中,所述特征检测模块需要使用特征对应和像素提取方法,根据像素差异,构建基于视觉的路面特征。
其中,所述路面提取模块使用3D SLAM的方法对传入的路面特征进行姿态转换,构建最终的路面信息三维地图。
其中,所述路面提取模块将得到的路面信息三维地图,结合数据采集模块传入的数据,最终确定路面信息,完成路面提取。
本发明所提供的一种基于激光雷达的路面提取方法包含模块有:数据采集模块将使用机器人携带的激光雷达和相机传感器进行环境数据的采集。并将得到的基于激光雷达和相机传感器的数据一并传入数据融合模块和路面提取模块;数据融合模块:将根据采集到的激光雷达和相机传感器数据进行多帧数据的融合,得到一帧数据。根据激光雷达和相机传感器的运行周期,结合实际的使用需求,将多帧数据融合到一帧数据,得到固定周期的激光点云数据帧和相机数据帧。并将得到的数据帧传入到特征检测模块;特征检测模块:将传入的激光雷达数据帧和相机数据帧进行坐标同步处理,使激光雷达和相机数据帧处于同一坐标系下。对于激光雷达数据使用光照强度和Z轴的信息,提取候选路面特征。对于相机数据使用特征对应和像素提取等方法,提取出候选的路面特征。使用相机数据提取的路面特征最终确定激光雷达数据帧中的路面特征,并将检测出来的路面特征传入到路面提取模块;路面提取模块:将根据传入的路面特征,根据3D SLAM方法,构建临近数据帧之间的姿态变换关系,结合数据采集模块中的原始数据信息,提取出原始数据中的路面区域,完成路面提取。
如图3-5显示了激光雷达和视觉传感器布置。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (5)
1.一种基于激光雷达的路面提取***,其特征在于,包括数据采集模块、数据融合模块、特征检测模块、路面提取模块;
数据采集模块:将使用机器人携带的激光雷达和相机传感器进行环境数据的采集;并将得到的基于激光雷达和相机传感器的数据一并传入数据融合模块和路面提取模块;
数据融合模块:数据融合模块根据数据周期把周期内的激光雷达点云和相机传感器点云进行姿态变换和特征对应变换,分别融合为一帧激光点云数据帧和视觉数据帧,并传入到特征检测模块;
特征检测模块:将传入的激光雷达数据帧和相机数据帧进行坐标同步处理,使激光雷达和相机数据帧处于同一坐标系下;对于激光雷达数据使用光照强度和Z轴的信息,提取候选路面特征;对于相机数据使用特征对应和像素提取方法,提取出候选的路面特征;使用相机数据提取的路面特征最终确定激光雷达数据帧中的路面特征,并将检测出来的路面特征传入到路面提取模块;
路面提取模块:将根据传入的路面特征,根据3D SLAM方法,构建临近数据帧之间的姿态变换关系,结合数据采集模块中的原始数据信息,提取出原始数据中的路面区域,完成路面提取。
2.根据权利要求1所述的一种基于激光雷达的路面提取***,其特征在于:所述的数据采集模块中,每一个机器人都含有一个激光雷达以及两组相机传感器。
3.根据权利要求2所述的一种基于激光雷达的路面提取***,其特征在于:所述的激光雷达为全视角三维激光雷达,包括Velodyne 16线或32线或64线的激光雷达。
4.根据权利要求2所述的一种基于激光雷达的路面提取***,其特征在于:所述的相机传感器为单目相机或多目相机,搭载于车身左右两侧,能够获取车身两侧环境的视觉信息。
5.利用权利要求1所述的基于激光雷达的路面提取***的提取方法,其特征在于,包括以下步骤:
S1.数据采集模块包括激光雷达,先测验其精准度,对于其可以测量的范围有一定的预估;
S2.数据采集模块包括视觉传感器,先对相机数据标定,统一两组视觉传感器数据获取到的数据信息;
S3.数据融合模块根据激光雷达和视觉传感器的运行周期,结合实际使用需求,设定数据周期;
S4.数据融合模块根据数据周期把周期内的激光雷达点云和视觉传感器点云进行姿态变换和特征对应变换,分别融合为一帧激光点云数据帧和视觉数据帧,并传入到特征检测模块;
S5.特征检测模块根据传入的激光点云数据帧和视觉数据帧进行坐标同步处理,确保两种传感器内的数据点处于同一坐标系下;
S6.特征检测模块将对于激光点云数据帧使用基于光照强度和Z轴坐标的方法,提取出基于激光雷达的候选路面特征;
S7.特征检测模块将对于视觉数据帧使用特征对应和像素提取的方法,提取出基于视觉的候选路面特征;
S8.特征检测模块将根据基于视觉的候选路面特征,融合基于激光雷达的候选路面特征,得到路面区域的范围,在激光雷达点云帧中提取最终的路面特征,并传入到路面提取模块;
S9.路面提取模块将根据传入的路面特征,使用3D SLAM的方法,得到路面特征点云地图;
S10.路面提取模块将得到的路面特征点云地图结合数据采集模块传入的原始数据信息,提取出最终的路面信息,完成路面提取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811595059.4A CN109407115B (zh) | 2018-12-25 | 2018-12-25 | 一种基于激光雷达的路面提取***及其提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811595059.4A CN109407115B (zh) | 2018-12-25 | 2018-12-25 | 一种基于激光雷达的路面提取***及其提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109407115A CN109407115A (zh) | 2019-03-01 |
CN109407115B true CN109407115B (zh) | 2022-12-27 |
Family
ID=65461670
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811595059.4A Active CN109407115B (zh) | 2018-12-25 | 2018-12-25 | 一种基于激光雷达的路面提取***及其提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109407115B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110807782B (zh) * | 2019-10-25 | 2021-08-20 | 中山大学 | 一种视觉机器人的地图表示***及其构建方法 |
CN111208533A (zh) * | 2020-01-09 | 2020-05-29 | 上海工程技术大学 | 一种基于激光雷达的实时地面检测方法 |
WO2022047744A1 (zh) * | 2020-09-04 | 2022-03-10 | 华为技术有限公司 | 一种用于地图的路面提取方法及装置 |
TWI790858B (zh) * | 2021-12-15 | 2023-01-21 | 財團法人工業技術研究院 | 路面資料萃取方法及系統與自駕車控制方法及系統 |
US11999352B2 (en) | 2021-12-15 | 2024-06-04 | Industrial Technology Research Institute | Method and system for extracting road data and method and system for controlling self-driving car |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103366250A (zh) * | 2013-07-12 | 2013-10-23 | 中国科学院深圳先进技术研究院 | 基于三维实景数据的市容环境检测方法及*** |
CN106443687A (zh) * | 2016-08-31 | 2017-02-22 | 欧思徕(北京)智能科技有限公司 | 一种基于激光雷达和全景相机的背负式移动测绘*** |
CN106570454A (zh) * | 2016-10-10 | 2017-04-19 | 同济大学 | 基于移动激光扫描的行人交通参数提取方法 |
CN106650640A (zh) * | 2016-12-05 | 2017-05-10 | 浙江大学 | 一种基于激光雷达点云局部结构特征的负障碍物检测方法 |
CN106709473A (zh) * | 2017-01-19 | 2017-05-24 | 辽宁工程技术大学 | 一种基于体元的机载lidar道路提取方法 |
CN106778810A (zh) * | 2016-11-23 | 2017-05-31 | 北京联合大学 | 基于rgb特征与深度特征的原始图像层融合方法及*** |
CN107301654A (zh) * | 2017-06-12 | 2017-10-27 | 西北工业大学 | 一种多传感器的高精度即时定位与建图方法 |
CN107491071A (zh) * | 2017-09-04 | 2017-12-19 | 中山大学 | 一种智能多机器人协同测图***及其方法 |
CN108089191A (zh) * | 2017-12-25 | 2018-05-29 | 中山大学 | 一种基于激光雷达的全局定位***及方法 |
CN108280866A (zh) * | 2016-12-30 | 2018-07-13 | 乐视汽车(北京)有限公司 | 道路点云数据处理方法及*** |
CN108519605A (zh) * | 2018-04-09 | 2018-09-11 | 重庆邮电大学 | 基于激光雷达和摄像机的路沿检测方法 |
CN108802760A (zh) * | 2017-04-27 | 2018-11-13 | 德尔福技术公司 | 用于自动化车辆的激光雷达和照相机数据融合 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101644370B1 (ko) * | 2014-10-23 | 2016-08-01 | 현대모비스 주식회사 | 물체 검출 장치 및 그 동작 방법 |
US9530062B2 (en) * | 2014-12-23 | 2016-12-27 | Volkswagen Ag | Fused raised pavement marker detection for autonomous driving using lidar and camera |
-
2018
- 2018-12-25 CN CN201811595059.4A patent/CN109407115B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103366250A (zh) * | 2013-07-12 | 2013-10-23 | 中国科学院深圳先进技术研究院 | 基于三维实景数据的市容环境检测方法及*** |
CN106443687A (zh) * | 2016-08-31 | 2017-02-22 | 欧思徕(北京)智能科技有限公司 | 一种基于激光雷达和全景相机的背负式移动测绘*** |
CN106570454A (zh) * | 2016-10-10 | 2017-04-19 | 同济大学 | 基于移动激光扫描的行人交通参数提取方法 |
CN106778810A (zh) * | 2016-11-23 | 2017-05-31 | 北京联合大学 | 基于rgb特征与深度特征的原始图像层融合方法及*** |
CN106650640A (zh) * | 2016-12-05 | 2017-05-10 | 浙江大学 | 一种基于激光雷达点云局部结构特征的负障碍物检测方法 |
CN108280866A (zh) * | 2016-12-30 | 2018-07-13 | 乐视汽车(北京)有限公司 | 道路点云数据处理方法及*** |
CN106709473A (zh) * | 2017-01-19 | 2017-05-24 | 辽宁工程技术大学 | 一种基于体元的机载lidar道路提取方法 |
CN108802760A (zh) * | 2017-04-27 | 2018-11-13 | 德尔福技术公司 | 用于自动化车辆的激光雷达和照相机数据融合 |
CN107301654A (zh) * | 2017-06-12 | 2017-10-27 | 西北工业大学 | 一种多传感器的高精度即时定位与建图方法 |
CN107491071A (zh) * | 2017-09-04 | 2017-12-19 | 中山大学 | 一种智能多机器人协同测图***及其方法 |
CN108089191A (zh) * | 2017-12-25 | 2018-05-29 | 中山大学 | 一种基于激光雷达的全局定位***及方法 |
CN108519605A (zh) * | 2018-04-09 | 2018-09-11 | 重庆邮电大学 | 基于激光雷达和摄像机的路沿检测方法 |
Non-Patent Citations (4)
Title |
---|
A cascaded framework for robust traversable region estimation using stereo vision;Yuechao Xie et al.;《2017 Chinese Automation Congress (CAC)》;20180101;第3075-3080页 * |
A Sensor-Fusion Drivable-Region and Lane-Detection System for Autonomous Vehicle Navigation in Challenging Road Scenarios;Qingquan Li et al.;《IEEE Transactions on Vehicular Technology》;20130909;第63卷(第2期);第540-555页 * |
利用先验点图模型的SLAM后端优化算法;吕瑞 等;《武汉大学学报(信息科学版)》;20140630;第39卷(第6期);第745-749页 * |
基于多层次数据融合的多场景路面检测技术;刘俊 等;《第六届中国智能交通年会暨第七届国际节能与新能源汽车创新发展论坛优秀论文集(上册)——智能交通》;20110906;第138-144页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109407115A (zh) | 2019-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109407115B (zh) | 一种基于激光雷达的路面提取***及其提取方法 | |
CN110942449B (zh) | 一种基于激光与视觉融合的车辆检测方法 | |
CA3027921C (en) | Integrated sensor calibration in natural scenes | |
CN113111887B (zh) | 一种基于相机和激光雷达信息融合的语义分割方法及*** | |
CN109993793B (zh) | 视觉定位方法及装置 | |
CN107491071B (zh) | 一种智能多机器人协同测图***及其方法 | |
CN112396650A (zh) | 一种基于图像和激光雷达融合的目标测距***及方法 | |
CN113362247B (zh) | 一种激光融合多目相机的语义实景三维重建方法及*** | |
CN111060924B (zh) | 一种slam与目标跟踪方法 | |
CN110879401A (zh) | 基于相机和激光雷达的无人驾驶平台实时目标3d检测方法 | |
CN109917419B (zh) | 一种基于激光雷达与图像的深度填充密集***及方法 | |
CN113706626B (zh) | 一种基于多传感器融合及二维码校正的定位与建图方法 | |
CN111812649A (zh) | 基于单目相机与毫米波雷达融合的障碍物识别与定位方法 | |
CN112734765A (zh) | 基于实例分割与多传感器融合的移动机器人定位方法、***及介质 | |
CN113743391A (zh) | 应用于低速自主驾驶机器人的三维障碍物检测***与方法 | |
CN108594244B (zh) | 基于立体视觉和激光雷达的障碍物识别迁移学习方法 | |
CN113160327A (zh) | 一种点云补全的实现方法和*** | |
CN112017248B (zh) | 一种基于点线特征的2d激光雷达相机多帧单步标定方法 | |
CN110517284B (zh) | 一种基于激光雷达和ptz摄像机的目标追踪方法 | |
CN113205604A (zh) | 一种基于摄像机和激光雷达的可行区域检测方法 | |
CN113643345A (zh) | 一种基于双光融合的多目道路智能识别方法 | |
CN114459467B (zh) | 一种未知救援环境中基于vi-slam的目标定位方法 | |
CN104182968A (zh) | 宽基线多阵列光学探测***模糊动目标分割方法 | |
CN112862881A (zh) | 基于众包多车摄像头数据的道路地图构建与融合的方法 | |
CN117111085A (zh) | 一种自动驾驶汽车车路云融合感知方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |