CN110208819A - 一种多个障碍物三维激光雷达数据的处理方法 - Google Patents

一种多个障碍物三维激光雷达数据的处理方法 Download PDF

Info

Publication number
CN110208819A
CN110208819A CN201910398906.6A CN201910398906A CN110208819A CN 110208819 A CN110208819 A CN 110208819A CN 201910398906 A CN201910398906 A CN 201910398906A CN 110208819 A CN110208819 A CN 110208819A
Authority
CN
China
Prior art keywords
grid
point
data
barrier
laser radar
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910398906.6A
Other languages
English (en)
Inventor
江浩斌
羊杰
吕朝萍
钱进优
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University
Original Assignee
Jiangsu University
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 Jiangsu University filed Critical Jiangsu University
Priority to CN201910398906.6A priority Critical patent/CN110208819A/zh
Publication of CN110208819A publication Critical patent/CN110208819A/zh
Pending legal-status Critical Current

Links

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
    • G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种多个障碍物三维激光雷达数据的处理方法，包括建立栅格地图、栅格滤波、确定适应阈值和网格连通标记聚类四个步骤进行数据处理。有益效果：本发明提出的处理方法，实现了对噪声点和零散点的去噪和精简处理；能对不同的距离下栅格图进行聚类，远处障碍物离散的部分也能较好的聚类在一起，得到车辆前方比较完整的障碍物轮廓点和相对位置信息；为激光雷达和相机的数据融合做铺垫，从而为主动避撞***的自动避撞提供必要的依据。

Description

一种多个障碍物三维激光雷达数据的处理方法
技术领域
本发明涉及一种激光雷达数据的处理方法，特别涉及一种多个障碍物三维激光雷达数据的处理方法，属于空间信息数据处理领域。
背景技术
随着人工智能、传感器技术的不断发展，智能驾驶汽车取得了很大的进步。环境感知作为智能驾驶的基础，其性能的优劣直接关系到能否达到安全驾驶的需求。环境感知常用的传感器有视觉传感器、激光传感器、惯性导航、GPS 定位***等。激光雷达由于其精度高，受环境影响较小，在无人驾驶汽车中得到了广泛应用。
激光雷达扫描得到的三维点云数据可以对障碍物进行检测和识别，但由于点云的数据规模庞大，会给后续算法增加复杂度，所以需要先对点云数据进行处理。激光雷达数据聚类是其点云数据后续处理的基础，目前激光雷达的聚类方法有基于K均值的聚类、基于分层的聚类、基于密度的聚类、基于网格的聚类、最邻近聚类、基于神经网络的聚类、基于统计学的聚类和高维可视化数据聚类等。基于密度的聚类方法优点是能够发现任意形状的聚类；最邻近聚类的方法计算简单，但是很大程度依赖于第一个聚类中心的位置选择；基于网格的聚类方法虽然减少了计算量，提升了实时性，但距激光雷达较远的障碍物，由于其点云数据比较稀疏，降低了聚类精度。
中国专利号CN201810047754.0公开了一种基于多线激光雷达的障碍物聚类方法，采用网格滤波和自适应邻域参数，结合密度聚类算法DBSCAN，提高了障碍物聚类识别准确性和实时性，但该方法在数据密度不均匀、聚类间距差相差很大时，聚类质量较差。
中国专利号CN201710318029.8公开了一种图像提取分类区域的方法、物体识别及汽车，采用了网格连通区域标记的算法进行聚类，减少了计算量，提升了实时性，但是该方法对于远距离的数据聚类精度较低，易产生较多离散点。
发明内容
发明目的：针对现有技术中存在的不足，本发明提供了一种能够实现对噪声点和零散数据点进行去除和精简处理的多个障碍物三维激光雷达数据的处理方法。
技术方案：一种多个障碍物三维激光雷达数据的处理方法，包括以下步骤：
步骤1、建立栅格地图：以激光雷达前方和左右方向建立栅格坐标；选取激光雷达某一时刻下的一帧点云数据和同一时刻角度的相机图像；将上述点云数据投影到栅格坐标中，剔除路面点后，点云数据向栅格投影，统计每个栅格内是否包含点云投影；若栅格内存在点云投影则该栅格为占用状态，表示该栅格中存在障碍物；反之为非占用状态，表示此栅格不存在障碍物；占用状态的栅格形成构成原始栅格地图，用相机图像进行复核；
步骤2、栅格滤波：将环境感知环节中的悬空小障碍物排除；将激光雷达点云数据在同一栅格内最大高度值与最小高度值之间的差值与设定的高度阈值进行比较，差值小于高度阈值判定为小障碍物，该栅格标定为非占用状态；过滤后占用状态的栅格构成明显障碍物的栅格地图，用相机图像进行复核；
步骤3、确定适应阈值：选取与步骤1中同一个雷达和角度的另一帧点云数据和该时刻角度的相机图像，对于该帧数据投影到步骤1的栅格坐标中，并进行步骤2的滤波；利用该数据，进行自适应阈值聚类；通过对比试验，选择不同距离下的阈值进行聚类，将聚类结果与同一时刻的图像进行对比，获得不同阈值下聚类数目和障碍物实际数量最为相近或者相等的阈值即为适应阈值；
步骤4、网格连通标记聚类：对步骤2的栅格地图进行初步聚类；将连通区域进行扩展并且进行二次聚类；用相机图像进行复核。
进一步，根据实现雷达探测的精度和范围确定建立的栅格坐标的单元尺寸和栅格的数量，所述步骤1中栅格坐标是以激光雷达为原点，以水平面为坐标平面，建立尺寸相同的正方形栅格坐标，单个栅格的尺寸为数据处理的精度，栅格的尺寸和栅格的个数决定数据范围。
进一步，所述步骤2中根据实现精度要求设定高度阈值。根据激光雷达所安装的目的车辆的通过性能设定高度阈值，能够进一步过滤噪声数据达到精简数据的目的。
进一步，所述步骤3中所述的自适应阈值聚类采用最邻近聚类算法，将第一个数据点作为第一个物体边缘的初始点，作为第一类，从第二个数据点开始，依次将每个数据点与它前一个点进行比较，计算两点之间的距离；若两点间的距离小于等于步骤3中的适应阈值，则认为该点与前一点属于同一类，将该点加到当前类中；若两点间的距离大于步骤3中的适应阈值，则认为该点不属于当前类，创建一个新的类，并将该点作为这个新类的起点，对所有的数据点按此方法进行判断，将采集的该帧数据划分为若干个聚类点集。采用最邻近聚类算法能够快速确定适应阈值，为后面步骤中的区域扩展的提供依据。
进一步，为了进一步将远处障碍物离散的部分也能较好的聚类在一起，得到前方比较完整的障碍物轮廓和相对位置信息，所述步骤4中的初步聚类为八连通区域标记法；所述连通区域扩展是在八连通区域基本上，根据步骤3的适应阀值，通过公式换算得到栅格阈值，进而得到扩展后的连通区域；若障碍物栅格对应扩展区域范围存在其余离散的障碍物栅格点，则将离散点与该栅格聚类为同一个障碍物。
有益效果：本发明提出的处理方法，实现了对噪声点和零散点的去噪和精简处理；能对不同的距离下栅格图进行聚类，远处障碍物离散的部分也能较好的聚类在一起，得到车辆前方比较完整的障碍物轮廓点和相对位置信息；为激光雷达和相机的数据融合做铺垫，从而为主动避撞***的自动避撞提供必要的依据。
附图说明
图1为本发明的数据处理的流程图；
图2为本发明自适应的最邻近聚类算法流程图；
图3为本发明连通区域扩展的示意图。
具体实施方式
下面将参照附图详细地描述实施例。
图1所示，一种多个障碍物三维激光雷达数据的处理方法，包括以下步骤：
步骤1、建立栅格地图：以激光雷达前方和左右方向建立栅格坐标；选取激光雷达某一时刻下的一帧点云数据和同一时刻角度的相机图像；将上述点云数据投影到栅格坐标中，剔除路面点后，点云数据向栅格投影，统计每个栅格内是否包含点云投影；若栅格内存在点云投影则该栅格为占用状态，表示该栅格中存在障碍物；反之为非占用状态，表示此栅格不存在障碍物；占用状态的栅格形成构成原始栅格地图，用相机图像进行复核；
步骤2、栅格滤波：将环境感知环节中的悬空小障碍物排除；将激光雷达点云数据在同一栅格内最大高度值与最小高度值之间的差值与设定的高度阈值进行比较，差值小于高度阈值判定为小障碍物，该栅格标定为非占用状态；过滤后占用状态的栅格构成明显障碍物的栅格地图，用相机图像进行复核；
步骤3、确定适应阈值：选取与步骤1中同一个雷达和角度的另一帧点云数据和该时刻角度的相机图像，对于该帧数据投影到步骤1的栅格坐标中，并进行步骤2的滤波；利用该数据，进行自适应阈值聚类；通过对比试验，选择不同距离下的阈值进行聚类，将聚类结果与同一时刻的图像进行对比，获得不同阈值下聚类数目和障碍物实际数量最为相近或者相等的阈值即为适应阈值；
步骤4、网格连通标记聚类：对步骤2的栅格地图进行初步聚类；将连通区域进行扩展并且进行二次聚类；用相机图像进行复核。
本发明使用的语言环境为python语言。
本发明建立的栅格地图是以激光雷达为原点，以x方向为车辆前进方向，y方向为车辆左方，大小为400×400格，单个栅格大小为10cm×10cm，即包含车辆前方40m以内以及左右各20m以内的范围。
若栅格内包含点云投影，此栅格置为1，表示栅格中存在障碍物；若栅格内不包含点云投影，此栅格置为0，表示此栅格内不存 在障碍物。
算法流程为：if此栅格（pm，pn）存在点投影
GridMap=1
其中，GridMap表示栅格的值.
根据实现雷达探测的精度和范围确定建立的栅格坐标的单元尺寸和栅格的数量，所述步骤1中栅格坐标是以激光雷达为原点，以水平面为坐标平面，建立尺寸相同的正方形栅格坐标，单个栅格的尺寸为数据处理的精度，栅格的尺寸和栅格的个数决定数据范围。
栅格内的最大值和最小值是为激光雷达点云数据在此栅格内z坐标的最大值和最小值，将最大值与最小值的差与阈值进行比较，若小于阈值，则判断为悬空小障碍物，将该栅格置为0。
算法流程为：Max[pm,pn]-Min[pm,pn]＞D1
GridMap=1
else
（pm，pn）为悬空小障碍物，GridMap=0
其中，Max[pm,pn]，Min[pm,pn]分别为栅格（pm，pn）内的点云高度的最大值和最小值，D1表示阈值。
所述步骤2中根据实现精度要求设定高度阈值。根据激光雷达所安装的目的车辆的通过性能设定高度阈值，能够进一步过滤噪声数据达到精简数据的目的。
如图2所示，利用第二帧的点云数据，通过自适应的最邻近算法进行聚类，不断调整阈值D2，将聚类结果与同一时刻的图像进行对比，获得不同距离下聚类效果最好的适应阈值DT；
利用CCD工业相机获取与激光雷达数据同一帧的图像，利用自适应阈值算法对激光雷达点云数据进行聚类，将聚类结果与图像进行对比，不断调试以获得不同距离下点云数据的阈值倍增常量k,，从而获得点云数据的阈值DT和栅格地图的聚类阈值NT。
点云数据的阈值DT=k*R,R为数据点到激光雷达的距离，栅格地图的聚类阈值NT=DT/G。
其中，G为栅格尺寸大小。
其中，最邻近聚类算法是将第一个数据点作为第一个物体边缘的初始点，作为第一类，从第二个数据点开始，依次将每个数据点与它前一个点进行比较，计算两点之间的距离：
其中，分别表示两个邻近的点。
若两点间的距离小于等于阈值，即，则认为该点与前一点属于同一类，将 该点加到当前类中；若两点间的距离大于阈值，即，则认为该点不属于当前类，创建 一个新的类，并将该点作为这个新类的起点，对所有的数据点按此方法进行判断，将采集的 该帧数据划分为若干个聚类点集。
所述步骤3中所述的自适应阈值聚类采用最邻近聚类算法，将第一个数据点作为第一个物体边缘的初始点，作为第一类，从第二个数据点开始，依次将每个数据点与它前一个点进行比较，计算两点之间的距离；若两点间的距离小于等于步骤3中的适应阈值，则认为该点与前一点属于同一类，将该点加到当前类中；若两点间的距离大于步骤3中的适应阈值，则认为该点不属于当前类，创建一个新的类，并将该点作为这个新类的起点，对所有的数据点按此方法进行判断，将采集的该帧数据划分为若干个聚类点集。采用最邻近聚类算法能够快速确定适应阈值，为后面步骤中的区域扩展的提供依据。
计算第一帧栅格图不同距离下的栅格聚类阈值 , 其中为栅格尺寸。
在第一帧数据的八连通区域标记的基础上，遍历所有栅格值为1的栅格，将初步聚 类的八连通区域扩展至,将此障碍物栅格对应扩展区域范围内其余离 散的障碍物栅格点聚类为同一个障碍物，这样能有效的将离散的障碍物点归为同一类。
八连通区域标记，指对应位置的上、下、左、右、左上、右上、左下、右下，是紧邻的位置和斜向相邻的位置，共8个方向。如图3所示，八连通区域扩展为5×5区域：遍历所有值为1的栅格，若其5×5区域内，有其他离散栅格的值为1，那么将这些栅格归为一类。
为了进一步将远处障碍物离散的部分也能较好的聚类在一起，得到前方比较完整的障碍物轮廓和相对位置信息，所述步骤4中的初步聚类为八连通区域标记法；所述连通区域扩展是在八连通区域基本上，根据步骤3的适应阀值，通过公式换算得到栅格阈值，进而得到扩展后的连通区域；若障碍物栅格对应扩展区域范围存在其余离散的障碍物栅格点，则将离散点与该栅格聚类为同一个障碍物。

Claims (5)

1.一种多个障碍物三维激光雷达数据的处理方法，其特征在于，包括以下步骤：
步骤1、建立栅格地图：以激光雷达前方和左右方向建立栅格坐标；选取激光雷达某一时刻下的一帧点云数据和同一时刻角度的相机图像；将上述点云数据投影到栅格坐标中，剔除路面点后，点云数据向栅格投影，统计每个栅格内是否包含点云投影；若栅格内存在点云投影则该栅格为占用状态，表示该栅格中存在障碍物；反之为非占用状态，表示此栅格不存在障碍物；占用状态的栅格形成构成原始栅格地图，用相机图像进行复核；
步骤2、栅格滤波：将环境感知环节中的悬空小障碍物排除；将激光雷达点云数据在同一栅格内最大高度值与最小高度值之间的差值与设定的高度阈值进行比较，差值小于高度阈值判定为小障碍物，该栅格标定为非占用状态；过滤后占用状态的栅格构成明显障碍物的栅格地图，用相机图像进行复核；
步骤3、确定适应阈值：选取与步骤1中同一个雷达和角度的另一帧点云数据和该时刻角度的相机图像，对于该帧数据投影到步骤1的栅格坐标中，并进行步骤2的滤波；利用该数据，进行自适应阈值聚类；通过对比试验，选择不同距离下的阈值进行聚类，将聚类结果与同一时刻的图像进行对比，获得不同阈值下聚类数目和障碍物实际数量最为相近或者相等的阈值即为适应阈值；
步骤4、网格连通标记聚类：对步骤2的栅格地图进行初步聚类；将连通区域进行扩展并且进行二次聚类；用相机图像进行复核。
2.根据权利要求1所述的多个障碍物三维激光雷达数据的处理方法，其特征在于：所述步骤1中栅格坐标是以激光雷达为原点，以水平面为坐标平面，建立尺寸相同的正方形栅格坐标，单个栅格的尺寸为数据处理的精度，栅格的尺寸和栅格的个数决定数据范围。
3.根据权利要求1所述的多个障碍物三维激光雷达数据的处理方法，其特征在于：所述步骤2中根据实现精度要求设定高度阈值。
4.根据权利要求1所述的多个障碍物三维激光雷达数据的处理方法，其特征在于：所述步骤3中所述的自适应阈值聚类采用最邻近聚类算法，将第一个数据点作为第一个物体边缘的初始点，作为第一类，从第二个数据点开始，依次将每个数据点与它前一个点进行比较，计算两点之间的距离；若两点间的距离小于等于步骤3中的适应阈值，则认为该点与前一点属于同一类，将该点加到当前类中；若两点间的距离大于步骤3中的适应阈值，则认为该点不属于当前类，创建一个新的类，并将该点作为这个新类的起点，对所有的数据点按此方法进行判断，将采集的该帧数据划分为若干个聚类点集。
5.根据权利要求1所述的多个障碍物三维激光雷达数据的处理方法，其特征在于：所述步骤4中的初步聚类为八连通区域标记法；所述连通区域扩展是在八连通区域基本上，根据步骤3的适应阀值，通过公式换算得到栅格阈值，进而得到扩展后的连通区域；若障碍物栅格对应扩展区域范围存在其余离散的障碍物栅格点，则将离散点与该栅格聚类为同一个障碍物。
CN201910398906.6A 2019-05-14 2019-05-14 一种多个障碍物三维激光雷达数据的处理方法 Pending CN110208819A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910398906.6A CN110208819A (zh) 2019-05-14 2019-05-14 一种多个障碍物三维激光雷达数据的处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910398906.6A CN110208819A (zh) 2019-05-14 2019-05-14 一种多个障碍物三维激光雷达数据的处理方法

Publications (1)

Publication Number Publication Date
CN110208819A true CN110208819A (zh) 2019-09-06

Family

ID=67785922

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910398906.6A Pending CN110208819A (zh) 2019-05-14 2019-05-14 一种多个障碍物三维激光雷达数据的处理方法

Country Status (1)

Country Link
CN (1) CN110208819A (zh)

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110826512A (zh) * 2019-11-12 2020-02-21 深圳创维数字技术有限公司 地面障碍物检测方法、设备及计算机可读存储介质
CN110824495A (zh) * 2019-11-20 2020-02-21 中国人民解放军国防科技大学 基于激光雷达的果蝇视觉启发的三维运动目标检测方法
CN110889362A (zh) * 2019-11-21 2020-03-17 大连理工大学 一种利用栅格地图高度信息的障碍物检测方法
CN110989631A (zh) * 2019-12-30 2020-04-10 科沃斯机器人股份有限公司 自移动机器人控制方法、装置、自移动机器人和存储介质
CN111273316A (zh) * 2020-02-18 2020-06-12 中国科学院合肥物质科学研究院 一种基于剖面展开融合的多激光雷达多视点对象检测方法
CN112634487A (zh) * 2019-09-24 2021-04-09 北京百度网讯科技有限公司 用于输出信息的方法和装置
CN112666535A (zh) * 2021-01-12 2021-04-16 重庆长安汽车股份有限公司 一种基于多雷达数据融合的环境感知方法及***
CN112666946A (zh) * 2020-12-21 2021-04-16 杭州萤石软件有限公司 一种提高清洁效率的方法、以及清洁机器人
CN112740225A (zh) * 2020-09-30 2021-04-30 华为技术有限公司 一种路面要素确定方法及装置
CN112882058A (zh) * 2021-01-08 2021-06-01 中国石油大学(华东) 一种基于变尺寸栅格地图的船载激光雷达障碍物检测方法
CN113340314A (zh) * 2021-06-01 2021-09-03 苏州天准科技股份有限公司 局部代价地图的生成方法、存储介质和智能无人巡检车
WO2021217646A1 (zh) * 2020-04-30 2021-11-04 华为技术有限公司 检测车辆可通行区域的方法及装置
CN113657205A (zh) * 2021-07-29 2021-11-16 北京中科慧眼科技有限公司 基于运动栅格的障碍物检测方法、***和智能终端
CN113749585A (zh) * 2020-05-28 2021-12-07 宁波方太厨具有限公司 基于语义的扫地机器人自适应清扫方法
CN113805597A (zh) * 2021-09-28 2021-12-17 福州大学 基于粒子群算法的障碍物自我保护人工势场法局部路径规划方法
CN114384492A (zh) * 2022-03-24 2022-04-22 北京一径科技有限公司 用于激光雷达的点云处理方法及装置、存储介质
CN114387585A (zh) * 2022-03-22 2022-04-22 新石器慧通（北京）科技有限公司 障碍物检测方法、检测装置及行驶装置
CN116796210A (zh) * 2023-08-25 2023-09-22 山东莱恩光电科技股份有限公司 基于激光雷达的障碍物检测方法
CN117491983A (zh) * 2024-01-02 2024-02-02 上海几何伙伴智能驾驶有限公司 实现可通行区域边界获取及目标相对位置判别的方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070219720A1 (en) * 2006-03-16 2007-09-20 The Gray Insurance Company Navigation and control system for autonomous vehicles
CN107064955A (zh) * 2017-04-19 2017-08-18 北京汽车集团有限公司 障碍物聚类方法及装置
CN108256577A (zh) * 2018-01-18 2018-07-06 东南大学 一种基于多线激光雷达的障碍物聚类方法
CN108983248A (zh) * 2018-06-26 2018-12-11 长安大学 一种基于3d激光雷达及v2x的网联车定位方法
CN109031346A (zh) * 2018-07-09 2018-12-18 江苏大学 一种基于3d激光雷达的周边泊车位辅助检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070219720A1 (en) * 2006-03-16 2007-09-20 The Gray Insurance Company Navigation and control system for autonomous vehicles
CN107064955A (zh) * 2017-04-19 2017-08-18 北京汽车集团有限公司 障碍物聚类方法及装置
CN108256577A (zh) * 2018-01-18 2018-07-06 东南大学 一种基于多线激光雷达的障碍物聚类方法
CN108983248A (zh) * 2018-06-26 2018-12-11 长安大学 一种基于3d激光雷达及v2x的网联车定位方法
CN109031346A (zh) * 2018-07-09 2018-12-18 江苏大学 一种基于3d激光雷达的周边泊车位辅助检测方法

Cited By (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112634487A (zh) * 2019-09-24 2021-04-09 北京百度网讯科技有限公司 用于输出信息的方法和装置
CN110826512B (zh) * 2019-11-12 2022-03-08 深圳创维数字技术有限公司 地面障碍物检测方法、设备及计算机可读存储介质
CN110826512A (zh) * 2019-11-12 2020-02-21 深圳创维数字技术有限公司 地面障碍物检测方法、设备及计算机可读存储介质
CN110824495A (zh) * 2019-11-20 2020-02-21 中国人民解放军国防科技大学 基于激光雷达的果蝇视觉启发的三维运动目标检测方法
CN110889362A (zh) * 2019-11-21 2020-03-17 大连理工大学 一种利用栅格地图高度信息的障碍物检测方法
CN110989631A (zh) * 2019-12-30 2020-04-10 科沃斯机器人股份有限公司 自移动机器人控制方法、装置、自移动机器人和存储介质
CN110989631B (zh) * 2019-12-30 2022-07-12 科沃斯机器人股份有限公司 自移动机器人控制方法、装置、自移动机器人和存储介质
CN111273316A (zh) * 2020-02-18 2020-06-12 中国科学院合肥物质科学研究院 一种基于剖面展开融合的多激光雷达多视点对象检测方法
WO2021217646A1 (zh) * 2020-04-30 2021-11-04 华为技术有限公司 检测车辆可通行区域的方法及装置
CN113749585A (zh) * 2020-05-28 2021-12-07 宁波方太厨具有限公司 基于语义的扫地机器人自适应清扫方法
CN112740225A (zh) * 2020-09-30 2021-04-30 华为技术有限公司 一种路面要素确定方法及装置
CN112740225B (zh) * 2020-09-30 2022-05-13 华为技术有限公司 一种路面要素确定方法及装置
CN112666946B (zh) * 2020-12-21 2024-05-31 杭州萤石软件有限公司 一种提高清洁效率的方法、以及清洁机器人
CN112666946A (zh) * 2020-12-21 2021-04-16 杭州萤石软件有限公司 一种提高清洁效率的方法、以及清洁机器人
CN112882058B (zh) * 2021-01-08 2022-09-20 中国石油大学(华东) 一种基于变尺寸栅格地图的船载激光雷达障碍物检测方法
CN112882058A (zh) * 2021-01-08 2021-06-01 中国石油大学(华东) 一种基于变尺寸栅格地图的船载激光雷达障碍物检测方法
CN112666535A (zh) * 2021-01-12 2021-04-16 重庆长安汽车股份有限公司 一种基于多雷达数据融合的环境感知方法及***
CN113340314A (zh) * 2021-06-01 2021-09-03 苏州天准科技股份有限公司 局部代价地图的生成方法、存储介质和智能无人巡检车
CN113657205A (zh) * 2021-07-29 2021-11-16 北京中科慧眼科技有限公司 基于运动栅格的障碍物检测方法、***和智能终端
CN113657205B (zh) * 2021-07-29 2024-04-19 北京中科慧眼科技有限公司 基于运动栅格的障碍物检测方法、***和智能终端
CN113805597A (zh) * 2021-09-28 2021-12-17 福州大学 基于粒子群算法的障碍物自我保护人工势场法局部路径规划方法
CN114387585B (zh) * 2022-03-22 2022-07-05 新石器慧通（北京）科技有限公司 障碍物检测方法、检测装置及行驶装置
CN114387585A (zh) * 2022-03-22 2022-04-22 新石器慧通（北京）科技有限公司 障碍物检测方法、检测装置及行驶装置
CN114384492A (zh) * 2022-03-24 2022-04-22 北京一径科技有限公司 用于激光雷达的点云处理方法及装置、存储介质
CN116796210A (zh) * 2023-08-25 2023-09-22 山东莱恩光电科技股份有限公司 基于激光雷达的障碍物检测方法
CN116796210B (zh) * 2023-08-25 2023-11-28 山东莱恩光电科技股份有限公司 基于激光雷达的障碍物检测方法
CN117491983A (zh) * 2024-01-02 2024-02-02 上海几何伙伴智能驾驶有限公司 实现可通行区域边界获取及目标相对位置判别的方法
CN117491983B (zh) * 2024-01-02 2024-03-08 上海几何伙伴智能驾驶有限公司 实现可通行区域边界获取及目标相对位置判别的方法

Similar Documents

Publication Publication Date Title
CN110208819A (zh) 一种多个障碍物三维激光雷达数据的处理方法
CN109858460B (zh) 一种基于三维激光雷达的车道线检测方法
CN110780305B (zh) 一种基于多线激光雷达的赛道锥桶检测及目标点追踪方法
CN109541634B (zh) 一种路径规划方法、装置和移动设备
CN110084272B (zh) 一种聚类地图创建方法及基于聚类地图和位置描述子匹配的重定位方法
CN102930509B (zh) 一种机载激光点云数据的智能化滤波方法
CN111079611B (zh) 一种道路面及其标志线的自动提取方法
CN107356933B (zh) 一种基于四线激光雷达的非结构化道路检测方法
CN108256577B (zh) 一种基于多线激光雷达的障碍物聚类方法
CN108873013B (zh) 一种采用多线激光雷达的道路可通行区域获取方法
WO2022141911A1 (zh) 一种基于路侧感知单元的动态目标点云快速识别及点云分割方法
CN101852609B (zh) 一种基于机器人双目立体视觉的地面障碍物检测方法
CN102339019B (zh) 一种基于模糊神经网络的智能轮椅避障方法
CN110320504A (zh) 一种基于激光雷达点云统计几何模型的非结构化道路检测方法
CN103745436B (zh) 基于区域预测的LiDAR点云数据形态学滤波方法
CN111291708A (zh) 融合深度相机的变电站巡检机器人障碍物检测识别方法
CN106780524A (zh) 一种三维点云道路边界自动提取方法
CN104992072A (zh) 基于空间网格剖分的作业地块自动识别与面积统计方法
CN106204547A (zh) 从车载激光扫描点云中自动提取杆状地物空间位置的方法
CN103206957B (zh) 车辆自主导航的车道线检测与跟踪方法
CN108088445A (zh) 基于八叉树表示的三维栅格地图路径规划***及方法
CN105551082A (zh) 一种基于激光点云的路面识别方法及装置
CN109001757A (zh) 一种基于2d激光雷达的车位智能检测方法
CN102291724A (zh) 面向三维场景的无线传感器网络节点确定性部署方法
Li et al. Judgment and optimization of video image recognition in obstacle detection in intelligent vehicle

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190906