CN111339996A - 静态障碍物的检测方法、装置、设备及存储介质 - Google Patents
静态障碍物的检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111339996A CN111339996A CN202010199812.9A CN202010199812A CN111339996A CN 111339996 A CN111339996 A CN 111339996A CN 202010199812 A CN202010199812 A CN 202010199812A CN 111339996 A CN111339996 A CN 111339996A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- grid
- frame
- frame number
- points
- 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
Links
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本申请公开了一种静态障碍物的检测方法、装置、设备及存储介质,涉及自动驾驶技术领域。该方案可以应用在汽车或者车载设备中,在车辆行进过程中,将扫描获取到的多个点云帧,根据定位信息映射在世界坐标中,在扫描到障碍物之后可以连续的获取到多个包括了障碍物的点的点云帧,基于此可以获取世界坐标中每个栅格中包含点的点云帧的帧数占比,当包含点的点云帧的帧数占比率大于预设值确定该栅格中存在静态障碍物,以此来检测静态障碍物。不需要大量的数据标注,不会因为对某一个类型的障碍物没有进行标注学习过而导致不能检测的问题,避免了由于没有标注学习导致障碍物检测时出现漏检,提高车辆行驶时的安全性。
Description
技术领域
本申请涉及自动驾驶技术领域,尤其涉及一种静态障碍物的检测方法、装置、设备及存储介质。
背景技术
障碍物的检测是自动驾驶***的一个重要组成部分。目前大多数的障碍物检测方式只关注常规类交通元素的检测,如行人、自行车、激动车等。但是在自动驾驶的实际测试过程中,除了常规类的交通元素,还经常会遇到一些非常规类的障碍物,如围栏、挡板、指示牌、路障等静态交通元素等,这些非常规类障碍物作为交通元素的补充,在自动驾驶过程中一旦有漏检,必然产生危险的交通事故。
现有技术中,自动驾驶领域常用的障碍物检测手段是基于深度学习进行的障碍物检测,基于深度学习的检测算法的效果严重依赖于数据标注,在该方法的具体实现中,需要预先获取大量的数据,并需要人工对其中要检测的障碍物进行标注,再根据标注后的数据进行机器学习,然后应用于障碍的检测过程。该方案只能检测到数据标注过的障碍,对于没有进行标注的障碍物并不能实现检测。
然而,在城市开放道路环境下,可能出现在道路中的障碍物有各种可能,特别是静态障碍物,如果采用上述基于学习的方法进行检测,则存在漏检的可能,在自动驾驶过程中一旦有漏检,必然产生危险的交通事故。
发明内容
本申请实施例提供一种静态障碍物的检测方法、装置、设备及存储介质,用于解决现有技术中基于学习的方法进行检测,则存在漏检的可能,在自动驾驶过程中一旦有漏检,必然产生危险的交通事故的问题。
第一方面,本申请提供一种静态障碍物的检测方法,包括:
将获取到的多个点云帧根据定位信息映射在世界坐标中;
针对所述世界坐标中的每个栅格,获取所述栅格中包括点的点云帧的帧数占比率,其中,所述帧数占比率用于表示包括点的点云帧的帧数在所述栅格中所占的比例;
若所述帧数占比率大于预设值,则确定所述栅格的位置存在静态障碍物。
在本实施例中,通过计算每个栅格中出现点的点云帧帧数的占比,可以确定每个栅格的位置是不是存在障碍物,不依赖于任何数据标注过程,避免出现新的障碍物被漏检,提高安全性。
在第一方面的一种可能设计中,所述获取所述栅格中包括点的点云帧的帧数占比率,包括:
获取所述栅格中包括点的点云帧的帧数,以及所述栅格中包括的所有点云帧的总帧数;
计算所述帧数与所述总帧数的比值,得到所述栅格中包括点的点云帧的所述帧数占比率。
可选的,所述获取所述栅格中包括点的点云帧的帧数占比率,包括:
获取所述栅格中包括点的点云帧的帧数,以及所述栅格中首次出现点的点云帧开始至当前帧的总帧数;
计算所述帧数与所述总帧数的比值,得到所述栅格中包括点的点云帧的所述帧数占比率。
可选的,所述获取所述栅格中包括点的点云帧的帧数占比率,包括:
获取所述栅格中包括点的点云帧的帧数,以及所述栅格中首次出现点的点云帧开始至所述栅格结束的点云帧的总帧数;
计算所述帧数与所述总帧数的比值,得到所述栅格中包括点的点云帧的所述帧数占比率。
在上述几种实施方式中,可以通过包括点的点云帧在栅格中所有帧的占比,或者在栅格中出现点之后或者到当前的帧中的占比,确定包括点的帧是不是达到一定数值,从而确定栅格中是否存在障碍物,避免漏检没有进行标注的障碍物。
在第一方面的一种可能设计中,所述方法还包括:
根据所述世界坐标中的每个栅格中包括点的点云帧的帧数占比率,获取静态障碍物的大小和/或位置信息。
在本实施方式中,栅格本身是在世界坐标中进行栅格化处理的,因此根据点云帧采集时候的定位信息,可以确定出障碍物的位置,进一步根据确定有障碍物的栅格的数量可以大致确定出障碍物的大小。
在第一方面的一种可能设计中,所述方法还包括:
在车辆行进过程中,通过激光雷达进行扫描,获取所述多个点云帧。
一般来说,可以通过激光扫描的方式,在车辆行进过程中,获取多个点云帧。
在第一方面的一种可能设计中,所述将获取到的多个点云帧根据定位信息映射在世界坐标中,包括:
在获取到一个点云帧时,根据所述点云帧的定位信息,将所述点云帧中的点云坐标信息转换为世界坐标中的世界坐标信息;
根据所述世界坐标信息,将所述点云帧映射在世界坐标中,所述世界坐标中的空间包括多个栅格。
本申请第二方面提供一种静态障碍物的检测装置,包括:
第一处理模块,用于将获取到的多个点云帧根据定位信息映射在世界坐标中;
第二处理模块,用于针对所述世界坐标中的每个栅格,获取所述栅格中包括点的点云帧的帧数占比率,其中,所述帧数占比率用于表示包括点的点云帧的帧数在所述栅格中所占的比例;
第二处理模块,用于若所述帧数占比率大于预设值,则确定所述栅格的位置存在静态障碍物。
在第二方面的一种可能设计中,所述第二处理模块具体用于:
获取所述栅格中包括点的点云帧的帧数,以及所述栅格中包括的所有点云帧的总帧数;
计算所述帧数与所述总帧数的比值,得到所述栅格中包括点的点云帧的所述帧数占比率。
可选的,所述第二处理模块具体用于:
获取所述栅格中包括点的点云帧的帧数,以及所述栅格中首次出现点的点云帧开始至当前帧的总帧数;
计算所述帧数与所述总帧数的比值,得到所述栅格中包括点的点云帧的所述帧数占比率。
可选的,所述第二处理模块具体用于:
获取所述栅格中包括点的点云帧的帧数,以及所述栅格中首次出现点的点云帧开始至所述栅格结束的点云帧的总帧数;
计算所述帧数与所述总帧数的比值,得到所述栅格中包括点的点云帧的所述帧数占比率。
可选的,所述装置还包括:
第四处理模块,用于根据所述世界坐标中的每个栅格中包括点的点云帧的帧数占比率,获取静态障碍物的大小和/或位置信息。
可选的,所述装置还包括:
激光雷达,用于在车辆行进过程中进行扫描,获取所述多个点云帧。
可选的,所述第一处理模块具体用于:
在获取到一个点云帧时,根据所述点云帧的定位信息,将所述点云帧中的点云坐标信息转换为世界坐标中的世界坐标信息;
根据所述世界坐标信息,将所述点云帧映射在世界坐标中,所述世界坐标中的空间包括多个栅格。
本申请第二方面提供的装置,可用于执行第一方面提供的方法,其实现原理和技术效果类似,在此不再赘述。
第三方面,本申请提供一种汽车,包括:
车体,激光雷达,至少一个处理器,以及与所述至少一个处理器通信连接的存储器;
其中,所述激光雷达用于进行激光扫描得到点云帧;
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行第一方面任一实现方式提供的静态障碍物的检测方法。
第四方面,本申请提供一种车载设备,包括:
激光雷达,至少一个处理器,以及与所述至少一个处理器通信的至少一个存储器;
其中,所述激光雷达用于进行激光扫描得到点云帧;
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行第一方面任一实现方式提供的静态障碍物的检测方法。
本申请提供一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行第一方面以及第一方面各可能设计所述的静态障碍物的检测方法。
第五方面,本申请提供一种静态障碍物的检测方法,包括:
将获取到的多个点云帧映射在世界坐标中;
针对所述世界坐标中的每个栅格,根据所述栅格中包括点的点云帧的帧数占比率确定所述栅格的位置是否存在静态障碍物。
上述申请中的一个实施例具有如下优点或有益效果:该方案可以应用在能够自动驾驶或者普通的汽车上或者还可以应用在车载设备中,在车辆行进过程中,将扫描获取到的多个点云帧,根据定位信息映射在世界坐标中的栅格中,根据障碍物是静止不动的,在扫描到障碍物之后可以连续的获取到多个包括了障碍物的点的点云帧,基于此可以获取世界坐标中每个栅格中包含点的点云帧的占比,当包含点的点云帧的帧数占比率大于预设值则确定该栅格中存在障碍物,以此来检测静态障碍物。该种方法中,相较于现有的机器学习方法,不需要大量的数据标注,不会因为对某一个类型的障碍物没有进行标注学习过而导致不能检测的问题,避免了由于没有标注学习导致障碍物检测时出现漏检,提高车辆行驶时的安全性。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是本申请提供的静态障碍物的检测方法的一种应用场景示意图;
图2是本申请静态障碍物的检测方法实施例一的流程示意图;
图3为本申请静态障碍物的检测方法实施例二的流程示意图;
图4为本申请静态障碍物的检测方法的应用示意图;
图5是本申请静态障碍物的检测装置实施例一的结构示意图;
图6是本申请静态障碍物的检测装置实施例二的结构示意图;
图7是本申请静态障碍物的检测装置实施例三的结构示意图;
图8是用来实现本申请实施例静态障碍物的检测方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在介绍本申请的技术方案之前,首先对本申请实施例中涉及到的术语进行解释:
点云:
点云是在同一空间参考系下表达目标空间分布和目标表面特性的海量点集合,在获取物体表面每个采样点的空间坐标后,得到的是点的集合,称之为“点云”(PointCloud)。
点云帧:
点云帧,也可以称为一帧的点云数据,是每一次通过激光或者雷达等扫描获取到的具有三维位置的点组成的集合,类似于每次获取到一帧的包括很多点的图像。具体实现中,根据激光测量原理得到的点云,包括三维坐标(XYZ)和激光反射强度(Intensity),强度信息与目标的表面材质、粗糙度、入射角方向,以及仪器的发射能量,激光波长有关。根据摄影测量原理得到的点云,包括三维坐标(XYZ)和颜色信息(RGB)。
图1是本申请提供的静态障碍物的检测方法的一种应用场景示意图,如图1所示,在车辆行驶过程中,道路边或者道路上,由于紧急情况或者其他的需求,可能设置了指示牌,围栏,挡板或者安全隔离的路障等障碍物,这种障碍物的类型多样,很多并不是预先设置的,有可能是临时设置的。在自动驾驶车辆的行驶过程中,需要对这种静态的障碍物进行检测。因此,本申请实施例提供的静态障碍物的检测方法可以直接应用在车辆中,例如可以在车辆上设置获取点云帧的结构,然后通过车辆的中控***进行处理分析,确定静态障碍物。在另一种实现中,该方法还可以应用在车载设备中,该车载设备专门用于检测静态障碍物,车载设备可以与车辆通过有线或者无线的方式进行数据交互。
可选的,实际上该方案还可以应用在其他的电子设备(例如,智能的自行车或者电动车,智能眼镜,或者其他可穿戴设备等)中,实现对进行过程中的静态障碍物的检测,保障用户在进行过程中的安全。对于该方案能应用的技术领域和设备类型,本方案不做限制。
下面,通过具体实施例对本申请的技术方案进行详细说明。需要说明的是,下面这几个具体的实施例可以相互结合或参考,对于相同或相似的概念或过程可能在某些实施例中不再赘述。
图2是本申请静态障碍物的检测方法实施例一的流程示意图。如图2所示,本实施例以执行主体为车辆或者车载设备为例进行说明,该静态障碍物的检测方法可以包括如下步骤:
S101、将获取到的多个点云帧根据定位信息映射在世界坐标中。
在本申请的实施例中,在车辆进行的过程中,通过激光扫描等方式可以获取到多个点云帧,这些点云帧相当于以扫描设备为球心得到的球面图像,得到的点云帧中包括定位信息,例如:三维的坐标信息,或者强度信息,颜色信息等等。
在该步骤之前,需要获取世界坐标,然后将获取到的多个点云帧的定位信息转换成世界坐标中的坐标信息,然后映射在世界坐标中。在世界坐标中的空间包括多个栅格,也就是说空间预先进行了栅格化,这些栅格可以是三维空间上的栅格,也可以是不考虑高度维度的二维空间上的栅格,对此本方案不做限制。
一般来说,在每个栅格中,都包括不断获取到的多个点云帧的一部分,这多个点云帧可以是连续的,也可以是具有一定间隙的点云帧,对此本方案不做限制。
S202、针对世界坐标中的每个栅格,获取栅格中包括点的点云帧的帧数占比率。
在该方案中,在将陆续获取的多个在世界坐标中进行映射后,世界坐标中的每个栅格中都包括多个点云帧,基于点云帧中没有障碍物的位置,可能没有出现点,或者密集的点,也有可能由于空中的颗粒物等导致在某次的点云帧上存在点,然而,对于有一定体积的静态障碍来说,会在连续的一段时间内获取的多个点云帧中存在点。基于此,考虑根据在一个栅格中,如果比较多的点云帧中都有点,则能确定该栅格所在的位置有障碍物,特别是连续的帧上出现较多的点。
该方案中,对于世界坐标中的每个栅格,需要获取栅格中有点的点云帧的帧数占比率,该帧数占比率用于表示包括点的点云帧的帧数在所述栅格中所占的比例。
S203、若帧数占比率大于预设值,则确定栅格的位置存在静态障碍物。
在本申请的实施例中,如果在一个栅格中,大多数的点云帧都包括点,或者连续的多个点云帧中都包括点的话,则可以确定这个栅格中存在静态障碍物。基于此,可以设置一个帧数占比率的预设值,该帧数占比率的预设值可以根据经验去设定,也可以根据实验数据确定,帧数占比率的值可以是一定的百分比,具体的值本申请不做限制。
该帧数占比率的获取包括多种方式,考虑到在方案的具体实现中,对于获取的点云帧可以当下就处理,也可以在获取到一定数量之后再进行处理,即稍微延迟处理的两种情况,因此至少可以通过以下几种方式获取上述帧数占比率:
第一种方式,获取有点的点云帧在栅格中所有的点云帧中的占比作为上述帧数占比率。
第二种方式,获取有点的点云帧在栅格中首次出现到栅格结束的点云帧中的占比作为上述帧数占比率。
第三种方式,计算所有有点的点云帧帧数与首次有点的到当前的帧数的比值作为上述帧数占比率,该方式中,当前的帧数不一定是栅格结束的帧,只是该栅格中获取到的最后一帧点云帧。
当确定出在一个栅格中,包括点的点云帧的帧数占比率大于了预设值,则可以确定该栅格中存在障碍物。
本实施例提供的静态障碍的检测方法,在车辆行进过程中,静态障碍物的绝对位置(世界坐标)不会发生变化,障碍物所在位置可以持续检测到激光点云,基于此可以统计栅格中检测到激光点的帧数的占比,具体的可将扫描获取到的多个点云帧,根据定位信息映射在世界坐标中的栅格中,在扫描到障碍物之后可以连续的获取到多个包括了障碍物的点的点云帧,基于此可以获取世界坐标中每个栅格中包含点的点云帧的占比,当包含点的点云帧的帧数占比率大于预设值确定该栅格中存在障碍物,以此来检测静态障碍物。相较于现有技术中机器学习的方法,本实施例提供的方案不需要大量的数据标注,不会因为对某一个类型的障碍物没有进行标注学习过而导致不能检测的问题,避免了由于没有标注学习导致障碍物检测时出现漏检,提高车辆行驶时的安全性。
示例性的,在上述实施例的基础上,图3为本申请静态障碍物的检测方法实施例二的流程示意图。本申请实施例主要用于该静态障碍物的检测过程的完整实现过程,包括如下步骤:
S201、在车辆行进过程中,通过激光雷达进行扫描,获取多个点云帧。
在本步骤中,该方案应用在自动驾驶的车辆,或者普通车辆,或者车载设备中时,随着车辆的行驶,通过设置的激光雷达对周围的障碍物或者路况进行扫描得到多个点云帧。扫描过程可以是连续的,也可以是按照一定的时间间隔进行扫描的。
S202、在获取到一个点云帧时,根据点云帧的定位信息,将所述点云帧中的点云坐标信息转换为世界坐标中的世界坐标信息。
在本方案中,需要首先获取世界坐标,对所述世界坐标进行空间栅格化处理,处理后的世界坐标中包括多个栅格,也可以描述为很多的栅格组成的空间,这里的栅格指的是世界坐标系中划分出来的单元格,即在空间上划分的最小单元。统计帧数占比率也是对每一个单元格进行操作的,也就是针对每个栅格进行的。
在将得到的点云帧根据定位信息进行转换,将其中的点云坐标信息(即点云的坐标信息)转成成为世界坐标中的直接坐标信息,以便能够投射在世界坐标中。
S203、根据世界坐标信息,将点云帧映射在世界坐标中,世界坐标中的空间包括多个栅格。
根据上述步骤获取到的每个点云帧中的点对应的世界坐标信息,将该点云帧映射到世界坐标中,在该世界坐标中,空间中包括多个栅格,这些栅格可以是三维空间上的栅格,也可以是不考虑高度维度的二维空间上的栅格,每个栅格中被投射多帧的点云帧。
S204、针对世界坐标中的每个栅格,获取栅格中包括点的点云帧的帧数占比率。
具体的,该方案中的帧数占比率用于表示包括点的点云帧的帧数在所述栅格中所占的比例。
在该方案的具体实现中,车辆或者车载设备等设备获取栅格中包括点的点云帧的帧数占比率的方式至少包括以下几种:
第一种方式,首先获取所述栅格中包括点的点云帧的帧数,以及所述栅格中包括的所有点云帧的总帧数;计算所述帧数与所述总帧数的比值,得到所述栅格中包括点的点云帧的所述帧数占比率。
在该方案中,通过包括点的点云帧在整个栅格中所有的点云帧中的占比,来确定该栅格中是不是存在静态障碍物。在计算过程中,只需要获取该栅格中包括点的点云帧的帧数,然后除以该栅格中所有帧的帧数,即可得到帧数占比率。例如:在一个栅格中总共投射100帧点云帧,在该栅格中出现包括点的点云帧60帧左右,那么上述帧数占比率则为60/100的值。
第二种方式,获取所述栅格中包括点的点云帧的帧数,以及所述栅格中首次出现点的点云帧开始至当前帧的总帧数;计算所述帧数与所述总帧数的比值,得到所述栅格中包括点的点云帧的所述帧数占比率。
在该方案中,通过栅格中包括点的点云帧在开始出现点的点云帧之后的所有的点云帧中的占比,来确定该栅格中是不是存在静态障碍物。在计算过程中,只需要获取该栅格中包括点的点云帧的帧数,然后除以该栅格中从第一次出现包括点的点云帧至栅格结束时的所有帧的帧数,即可得到帧数占比率。例如:在一个栅格中总共有100帧,第一次出现点的帧是第15帧,然后总共连续出现包括点的点云帧60帧左右,则通过第一次出现点的点云帧是第15帧可以确定,至该栅格结束总共有85帧,那么上述占比率帧数则为60/85的值。
第三种方式,获取所述栅格中包括点的点云帧的帧数,以及所述栅格中首次出现点的点云帧开始至所述栅格结束的点云帧的总帧数;计算所述帧数与所述总帧数的比值,得到所述栅格中包括点的点云帧的所述帧数占比率。
在该方案中,通过栅格中包括点的点云帧在开始出现点的点云帧之后至当前的所有的点云帧中的占比,来确定该栅格中是不是存在静态障碍物。在计算过程中,只需要获取该栅格中包括点的点云帧的帧数,然后除以该栅格中从第一次出现包括点的点云帧至当前的所有帧的帧数,即可得到帧数占比率。例如:在一个栅格中总共能够投射100帧,第一次出现点的帧是第15帧,然后总共连续出现包括点的点云帧60帧左右,目前投射的点云帧达到第95帧。则通过第一次出现点的点云帧是第15帧可以确定,至当前投射的点云帧总共有70帧,那么上述帧数占比率则为60/70的值。
S205、若帧数占比率大于预设值,则确定栅格的位置存在静态障碍物。
本方案中,如果在一个栅格中,大多数的点云帧都包括点,或者连续的多个点云帧中都包括点的话,则可以确定这个栅格中存在静态障碍物。基于此,可以设置一个帧数占比率的预设值,该帧数占比率的预设值可以根据经验去设定,也可以根据实验数据确定,帧数占比率的值可以是一定的百分比,具体的值本申请不做限制。
可选的,本方案还可以包括以下步骤。
S206、根据世界坐标中的每个栅格中包括点的点云帧的帧数占比率,获取静态障碍物的大小和/或位置信息。
在本申请的实施例中,对于体积较大的静态障碍物,点云帧投射至世界坐标中,其中包括点的部分可能占据多个栅格。即扫描的点不一定只投射在一个栅格中,对于一个静态障碍物来说,可能或出现连续的多个栅格中都出现点。根据这些栅格,可以确定出静态障碍物的大小。
可选的,基于每个栅格在世界坐标中的位置,还可以确定出静态障碍的位置信息。
基于得到的静态障碍物的大小和/或位置信息,控制车辆的行驶,可以有效避免安全事故,提高自动驾驶的安全性。
本实施例提供的静态障碍物的检测方法,通过计算每个栅格中出现点的点云帧的占比,可以确定每个栅格的位置是不是存在障碍物,不依赖于任何数据标注过程,避免出现新的障碍物被漏检,提高安全性。
下面结合一种具体的实现场景,对本申请提供的静态障碍的检测方法进行说明。
图4为本申请静态障碍物的检测方法的应用示意图,如图4所示,在车辆行驶的路口,或者道路上,存在路灯,红绿灯,其他的车辆等障碍物,对于这些固定的障碍物可以基于各种方式进行检测,例如,可以通过预先标定,进行深度学习的方式进行检测。
然而,对于车辆111行驶的方向上,前面可能临时设置了障碍物11,或者车辆113变道后发现前方临时这是的障碍物12。这种临时设置的障碍物的类型多样,围栏、挡板、指示牌、路障等静态交通元素等。则需要采用本申请提供的静态障碍物的检测方法进行检测,不依赖于数据标注和机器学习,可以行使过程中直接进行检测。
本申请提供的静态障碍物的检测方法,主要是一种基于静态点云检测算法。是基于规则算法,可以作为现有算法的补充。该方法主要针对道路环境中静态障碍物的检测,相比于深度学习算法,本算法不依赖于数据标注,可检测道路上出现的任意静止障碍物,如路障、指示牌、静止的车等。相比于以往的规则类算法,本方法不依赖于地面检测,通过对每个点的跟踪,抑制随机的噪点、虚拟点导致的误检。
在应用在自动驾驶技术中,由于自动驾驶中使用的激光雷达产生的激光点云是一种稀疏点云,如常见的多线激光雷达的点云为多个同心圆。当车辆开始行进时,点也会相应的跟着移动,所以地面上的点是不固定的,而高于地面的静态障碍物由于存在一定的高度差,在车辆靠近障碍物的过程中一直有点存在,基于该思路可跟踪空间中的有无的变化判断哪些点是静态障碍物的点。该方案具体包括以下步骤:
1、空间栅格化,对于空间进行栅格化处理,通过栅格可以大大降低算法的复杂度。
2、将当前帧的点云(即点云帧)根据定位信息转到世界坐标中并投影道栅格中,每个栅格主要记录两个信息,首次出有点的帧数(observed_frame_count),实际使用中可跟进具体使用加入其他的信息,从首次出现点到当前一共有多少帧的点云数据(cumulated_frame_count),也就是前述的方案中的点云帧。
3、可以通过observed_frame_count/cumulated_frame_count计算有点的帧数的帧数占比率,当帧数占比率大于设定阈值时,则可以确认该栅格中的点为静态障碍物的点云,也就是说该栅格中的位置存在静态障碍物。
该检测方法中,由于不依赖于地面检测,算法直接对原始点云的分布进行跟踪统计,可以避免将噪点尤其是激光雷达产生的随机噪点当做障碍物的可能,即不依赖于地面检测,有效抑制噪点。
上述介绍了本申请实施例提到的静态障碍物的检测方法的具体实现,下述为本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
图5是本申请静态障碍物的检测装置实施例一的结构示意图。该装置可以集成在车辆中或者车载设备中,也可以集成在其他的需要进行障碍物检测的电子设备或通过电子设备实现。如图5所示,在本实施例中,该静态障碍物的检测装置10可以包括:第一处理模块11,第二处理模块12以及第三处理模块13。
其中,第一处理模块11,用于将获取到的多个点云帧根据定位信息映射在世界坐标中;
第二处理模块12,用于针对所述世界坐标中的每个栅格,获取所述栅格中包括点的点云帧的帧数占比率,其中,所述帧数占比率用于表示包括点的点云帧的帧数在所述栅格中所占的比例;
第二处理模块13,用于若所述帧数占比率大于预设值,则确定所述栅格的位置存在静态障碍物。
可选的,在本申请的一种可能设计中,所述第二处理模块12具体用于:
获取所述栅格中包括点的点云帧的帧数,以及所述栅格中包括的所有点云帧的总帧数;
计算所述帧数与所述总帧数的比值,得到所述栅格中包括点的点云帧的所述帧数占比率。
可选的,在本申请的另一种可能设计中,所述第二处理模块12具体用于:
获取所述栅格中包括点的点云帧的帧数,以及所述栅格中首次出现点的点云帧开始至当前帧的总帧数;
计算所述帧数与所述总帧数的比值,得到所述栅格中包括点的点云帧的所述帧数占比率。
可选的,在本申请的再一种可能设计中,所述第二处理模块12具体用于:
获取所述栅格中包括点的点云帧的帧数,以及所述栅格中首次出现点的点云帧开始至所述栅格结束的点云帧的总帧数;
计算所述帧数与所述总帧数的比值,得到所述栅格中包括点的点云帧的所述帧数占比率。
本申请实施例提供的静态障碍物的检测装置,可用于执行前述任一方法实施例中的方法,其实现原理和技术效果类似,在此不再赘述。
图6是本申请静态障碍物的检测装置实施例二的结构示意图。在上述实施例一的基础上,如图6所示,该静态障碍物的检测装置10还包括:
第四处理模块14,用于根据所述世界坐标中的每个栅格中包括点的点云帧的帧数占比率,获取静态障碍物的大小和/或位置信息。
图7是本申请静态障碍物的检测装置实施例三的结构示意图。在上述实施例一或者实施例二的基础上,如图7所示,该静态障碍物的检测装置10还包括:
激光雷达15,用于在车辆行进过程中进行扫描,获取所述多个点云帧。
在上述任一实施例的基础上,可选的,所述第一处理模块11具体用于:
在获取到一个点云帧时,根据所述点云帧的定位信息,将所述点云帧中的点云坐标信息转换为世界坐标中的世界坐标信息;
根据所述世界坐标信息,将所述点云帧映射在世界坐标中,所述世界坐标中的空间包括多个栅格。
本申请实施例提供的静态障碍物的检测装置,可用于执行前述任一方法实施例中的方法,其实现原理和技术效果类似,在此不再赘述。
需要说明的是,应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现;也可以全部以硬件的形式实现;还可以部分模块通过处理元件调用软件的形式实现,部分模块通过硬件的形式实现。例如,处理模块可以为单独设立的处理元件,也可以集成在上述装置的某一个芯片中实现,此外,也可以以程序代码的形式存储于上述装置的存储器中,由上述装置的某一个处理元件调用并执行以上处理模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起,也可以独立实现。这里所述的处理元件可以是一种集成电路,具有信号的处理能力。在实现过程中,上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
进一步的,根据本申请的实施例,本申请还提供了一种汽车,一种车载设备以及一种计算机可读存储介质。
图8是用来实现本申请实施例静态障碍物的检测方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,该电子设备包括车辆,车辆上设置的车载设备、智能电话、可穿戴设备和其它类似电子设备等有需要检测障碍的设备。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图8所示,该电子设备110包括:激光雷达110,一个或多个处理器120、存储,130,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件之间可以通过不同的总线互相连接。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作。图8中以一个处理器120为例。
当图8所示的电子设备被实现为一种汽车或者车辆时,其中包括:车体,激光雷达,至少一个处理器,以及与所述至少一个处理器通信连接的存储器;其中,所述激光雷达用于进行激光扫描得到点云帧;
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行前述任一方法实施例提供的静态障碍物的检测方法。
当图8所示的电子设备被实现为一种车载设备,其中包括:激光雷达,至少一个处理器,以及与所述至少一个处理器通信的至少一个存储器;
其中,所述激光雷达用于进行激光扫描得到点云帧;
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行前述任一方法实施例提供的静态障碍物的检测方法。
此外,本申请提供一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行前述任一方法实施例提供的静态障碍物的检测方法。
存储器130即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的静态障碍物的检测方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的静态障碍物的检测方法。
存储器130作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的静态障碍的检测方法对应的程序指令/模块。处理器120通过运行存储在存储器130中的非瞬时软件程序、指令以及模块,从而执行上述方法实施例中的个静态障碍的检测方法。
存储器130可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储根据静态障碍检测方法的电子设备的使用所创建的数据等。此外,存储器130可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器130可选包括相对于处理器120远程设置的存储器,这些远程存储器可以通过网络连接至个性化推荐的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
此处描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
进一步的,本申请还提供一种静态障碍物的检测方法,包括:
将获取到的多个点云帧映射在世界坐标中;
针对所述世界坐标中的每个栅格,根据所述栅格中包括点的点云帧的帧数占比率确定所述栅格的位置是否存在静态障碍物。
根据本申请实施例的技术方案在车辆行进过程中,将扫描获取到的多个点云帧,根据定位信息映射在世界坐标中的栅格中,基于此可以获取世界坐标中每个栅格中包含点的点云帧的占比,以此来检测静态障碍物。不需要大量的数据标注,不会因为对某一个类型的障碍物没有进行标注学习过而导致不能检测的问题,避免了由于没有标注学习导致障碍物检测时出现漏检,提高车辆行驶时的安全性。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (18)
1.一种静态障碍物的检测方法,其特征在于,包括:
将获取到的多个点云帧根据定位信息映射在世界坐标中;
针对所述世界坐标中的每个栅格,获取所述栅格中包括点的点云帧的帧数占比率,其中,所述帧数占比率用于表示包括点的点云帧的帧数在所述栅格中所占的比例;
若所述帧数占比率大于预设值,则确定所述栅格的位置存在静态障碍物。
2.根据权利要求1所述的方法,其特征在于,所述获取所述栅格中包括点的点云帧的帧数占比率,包括:
获取所述栅格中包括点的点云帧的帧数,以及所述栅格中包括的所有点云帧的总帧数;
计算所述帧数与所述总帧数的比值,得到所述栅格中包括点的点云帧的所述帧数占比率。
3.根据权利要求1所述的方法,其特征在于,所述获取所述栅格中包括点的点云帧的帧数占比率,包括:
获取所述栅格中包括点的点云帧的帧数,以及所述栅格中首次出现点的点云帧开始至当前帧的总帧数;
计算所述帧数与所述总帧数的比值,得到所述栅格中包括点的点云帧的所述帧数占比率。
4.根据权利要求1所述的方法,其特征在于,所述获取所述栅格中包括点的点云帧的帧数占比率,包括:
获取所述栅格中包括点的点云帧的帧数,以及所述栅格中首次出现点的点云帧开始至所述栅格结束的点云帧的总帧数;
计算所述帧数与所述总帧数的比值,得到所述栅格中包括点的点云帧的所述帧数占比率。
5.根据权利要求1至4任一项所述的方法,其特征在于,所述方法还包括:
根据所述世界坐标中的每个栅格中包括点的点云帧的帧数占比率,获取静态障碍物的大小和/或位置信息。
6.根据权利要求1至4任一项所述的方法,其特征在于,所述方法还包括:
在车辆行进过程中,通过激光雷达进行扫描,获取所述多个点云帧。
7.根据权利要求1至4任一项所述的方法,其特征在于,所述将获取到的多个点云帧根据定位信息映射在世界坐标中,包括:
在获取到一个点云帧时,根据所述点云帧的定位信息,将所述点云帧中的点云坐标信息转换为世界坐标中的世界坐标信息;
根据所述世界坐标信息,将所述点云帧映射在世界坐标中,所述世界坐标中的空间包括多个栅格。
8.一种静态障碍物的检测装置,其特征在于,包括:
第一处理模块,用于将获取到的多个点云帧根据定位信息映射在世界坐标中;
第二处理模块,用于针对所述世界坐标中的每个栅格,获取所述栅格中包括点的点云帧的帧数占比率,其中,所述帧数占比率用于表示包括点的点云帧的帧数在所述栅格中所占的比例;
第二处理模块,用于若所述帧数占比率大于预设值,则确定所述栅格的位置存在静态障碍物。
9.根据权利要求8所述的装置,其特征在于,所述第二处理模块具体用于:
获取所述栅格中包括点的点云帧的帧数,以及所述栅格中包括的所有点云帧的总帧数;
计算所述帧数与所述总帧数的比值,得到所述栅格中包括点的点云帧的所述帧数占比率。
10.根据权利要求8所述的装置,其特征在于,所述第二处理模块具体用于:
获取所述栅格中包括点的点云帧的帧数,以及所述栅格中首次出现点的点云帧开始至当前帧的总帧数;
计算所述帧数与所述总帧数的比值,得到所述栅格中包括点的点云帧的所述帧数占比率。
11.根据权利要求8所述的装置,其特征在于,所述第二处理模块具体用于:
获取所述栅格中包括点的点云帧的帧数,以及所述栅格中首次出现点的点云帧开始至所述栅格结束的点云帧的总帧数;
计算所述帧数与所述总帧数的比值,得到所述栅格中包括点的点云帧的所述帧数占比率。
12.根据权利要求8至11任一项所述的装置,其特征在于,所述装置还包括:
第四处理模块,用于根据所述世界坐标中的每个栅格中包括点的点云帧的帧数占比率,获取静态障碍物的大小和/或位置信息。
13.根据权利要求8至11任一项所述的装置,其特征在于,所述装置还包括:
激光雷达,用于在车辆行进过程中进行扫描,获取所述多个点云帧。
14.根据权利要求8至11任一项所述的装置,其特征在于,所述第一处理模块具体用于:
在获取到一个点云帧时,根据所述点云帧的定位信息,将所述点云帧中的点云坐标信息转换为世界坐标中的世界坐标信息;
根据所述世界坐标信息,将所述点云帧映射在世界坐标中,所述世界坐标中的空间包括多个栅格。
15.一种汽车,其特征在于,包括:
车体,激光雷达,至少一个处理器,以及与所述至少一个处理器通信连接的存储器;
其中,所述激光雷达用于进行激光扫描得到点云帧;
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至7中任一项所述的静态障碍物的检测方法。
16.一种车载设备,其特征在于,包括:
激光雷达,至少一个处理器,以及与所述至少一个处理器通信的至少一个存储器;
其中,所述激光雷达用于进行激光扫描得到点云帧;
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至7中任一项所述的静态障碍物的检测方法。
17.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使计算机执行权利要求1至7任一项所述的静态障碍物的检测方法。
18.一种静态障碍物的检测方法,其特征在于,包括:
将获取到的多个点云帧映射在世界坐标中;
针对所述世界坐标中的每个栅格,根据所述栅格中包括点的点云帧的帧数占比率确定所述栅格的位置是否存在静态障碍物。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010199812.9A CN111339996B (zh) | 2020-03-20 | 2020-03-20 | 静态障碍物的检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010199812.9A CN111339996B (zh) | 2020-03-20 | 2020-03-20 | 静态障碍物的检测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111339996A true CN111339996A (zh) | 2020-06-26 |
CN111339996B CN111339996B (zh) | 2023-05-09 |
Family
ID=71184316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010199812.9A Active CN111339996B (zh) | 2020-03-20 | 2020-03-20 | 静态障碍物的检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111339996B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112581527A (zh) * | 2020-12-11 | 2021-03-30 | 北京百度网讯科技有限公司 | 障碍物检测的测评方法、装置、设备以及存储介质 |
CN112861595A (zh) * | 2020-07-31 | 2021-05-28 | 北京京东乾石科技有限公司 | 数据点的识别方法、装置和计算机可读存储介质 |
CN113298910A (zh) * | 2021-05-14 | 2021-08-24 | 阿波罗智能技术(北京)有限公司 | 生成交通标志线地图的方法、设备和存储介质 |
CN115527034A (zh) * | 2022-10-26 | 2022-12-27 | 北京亮道智能汽车技术有限公司 | 一种车端点云动静分割方法、装置及介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070007042A1 (en) * | 2005-07-11 | 2007-01-11 | The Charles Machine Works, Inc. | Electric horizontal directional drilling machine system |
CN103049749A (zh) * | 2012-12-30 | 2013-04-17 | 信帧电子技术(北京)有限公司 | 在栅格遮挡下的人体再识别方法 |
CN105652873A (zh) * | 2016-03-04 | 2016-06-08 | 中山大学 | 一种基于Kinect的移动机器人避障方法 |
US20160307052A1 (en) * | 2015-04-16 | 2016-10-20 | Electronics And Telecommunications Research Institute | Device and method for recognizing obstacle and parking slot to support unmanned autonomous parking function |
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 |
CN106896353A (zh) * | 2017-03-21 | 2017-06-27 | 同济大学 | 一种基于三维激光雷达的无人车路口检测方法 |
CN107146210A (zh) * | 2017-05-05 | 2017-09-08 | 南京大学 | 一种基于图像处理的检测去除阴影方法 |
CN107247920A (zh) * | 2017-05-05 | 2017-10-13 | 腾讯科技(深圳)有限公司 | 交互控制方法、装置和计算机可读存储介质 |
CN107277855A (zh) * | 2017-04-20 | 2017-10-20 | 西安电子科技大学 | 一种保障安全类业务的车联网媒体接入方法 |
CN108375771A (zh) * | 2018-01-23 | 2018-08-07 | 四川国软科技发展有限责任公司 | 一种二维激光雷达铁路障碍物检测***及其检测方法 |
CN109146938A (zh) * | 2018-08-30 | 2019-01-04 | 百度在线网络技术(北京)有限公司 | 动态障碍物的位置校准方法、装置、设备及存储介质 |
CN110084851A (zh) * | 2019-04-19 | 2019-08-02 | 湖北亿咖通科技有限公司 | 一种双目点云生成方法及*** |
CN110221603A (zh) * | 2019-05-13 | 2019-09-10 | 浙江大学 | 一种基于激光雷达多帧点云融合的远距离障碍物检测方法 |
CN110717918A (zh) * | 2019-10-11 | 2020-01-21 | 北京百度网讯科技有限公司 | 行人检测方法和装置 |
-
2020
- 2020-03-20 CN CN202010199812.9A patent/CN111339996B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070007042A1 (en) * | 2005-07-11 | 2007-01-11 | The Charles Machine Works, Inc. | Electric horizontal directional drilling machine system |
CN103049749A (zh) * | 2012-12-30 | 2013-04-17 | 信帧电子技术(北京)有限公司 | 在栅格遮挡下的人体再识别方法 |
US20160307052A1 (en) * | 2015-04-16 | 2016-10-20 | Electronics And Telecommunications Research Institute | Device and method for recognizing obstacle and parking slot to support unmanned autonomous parking function |
CN105652873A (zh) * | 2016-03-04 | 2016-06-08 | 中山大学 | 一种基于Kinect的移动机器人避障方法 |
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 |
CN106896353A (zh) * | 2017-03-21 | 2017-06-27 | 同济大学 | 一种基于三维激光雷达的无人车路口检测方法 |
CN107277855A (zh) * | 2017-04-20 | 2017-10-20 | 西安电子科技大学 | 一种保障安全类业务的车联网媒体接入方法 |
CN107146210A (zh) * | 2017-05-05 | 2017-09-08 | 南京大学 | 一种基于图像处理的检测去除阴影方法 |
CN107247920A (zh) * | 2017-05-05 | 2017-10-13 | 腾讯科技(深圳)有限公司 | 交互控制方法、装置和计算机可读存储介质 |
CN108375771A (zh) * | 2018-01-23 | 2018-08-07 | 四川国软科技发展有限责任公司 | 一种二维激光雷达铁路障碍物检测***及其检测方法 |
CN109146938A (zh) * | 2018-08-30 | 2019-01-04 | 百度在线网络技术(北京)有限公司 | 动态障碍物的位置校准方法、装置、设备及存储介质 |
CN110084851A (zh) * | 2019-04-19 | 2019-08-02 | 湖北亿咖通科技有限公司 | 一种双目点云生成方法及*** |
CN110221603A (zh) * | 2019-05-13 | 2019-09-10 | 浙江大学 | 一种基于激光雷达多帧点云融合的远距离障碍物检测方法 |
CN110717918A (zh) * | 2019-10-11 | 2020-01-21 | 北京百度网讯科技有限公司 | 行人检测方法和装置 |
Non-Patent Citations (4)
Title |
---|
李玺;查宇飞;张天柱;崔振;左旺孟;侯志强;卢湖川;王菡子;: "深度学习的目标跟踪算法综述" * |
王任栋;徐友春;齐尧;韩栋斌;李华;: "一种鲁棒的城市复杂动态场景点云配准方法" * |
邹斌;刘康;王科未;: "基于三维激光雷达的动态障碍物检测和追踪方法" * |
闵华松;杨杰;: "融合IMU的RGBD-SLAM算法改进研究" * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112861595A (zh) * | 2020-07-31 | 2021-05-28 | 北京京东乾石科技有限公司 | 数据点的识别方法、装置和计算机可读存储介质 |
WO2022022186A1 (zh) * | 2020-07-31 | 2022-02-03 | 北京京东乾石科技有限公司 | 数据点的识别方法、识别装置和计算机可读存储介质 |
CN112581527A (zh) * | 2020-12-11 | 2021-03-30 | 北京百度网讯科技有限公司 | 障碍物检测的测评方法、装置、设备以及存储介质 |
CN112581527B (zh) * | 2020-12-11 | 2024-02-27 | 北京百度网讯科技有限公司 | 障碍物检测的测评方法、装置、设备以及存储介质 |
CN113298910A (zh) * | 2021-05-14 | 2021-08-24 | 阿波罗智能技术(北京)有限公司 | 生成交通标志线地图的方法、设备和存储介质 |
CN115527034A (zh) * | 2022-10-26 | 2022-12-27 | 北京亮道智能汽车技术有限公司 | 一种车端点云动静分割方法、装置及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111339996B (zh) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Krajewski et al. | The round dataset: A drone dataset of road user trajectories at roundabouts in germany | |
CN112801124B (zh) | 用于运载工具的方法和*** | |
CN111339996B (zh) | 静态障碍物的检测方法、装置、设备及存储介质 | |
CN114282597B (zh) | 一种车辆可行驶区域检测方法、***以及采用该***的自动驾驶车辆 | |
US10853673B2 (en) | Brake light detection | |
CN111874006B (zh) | 路线规划处理方法和装置 | |
Negru et al. | Image based fog detection and visibility estimation for driving assistance systems | |
US9104919B2 (en) | Multi-cue object association | |
Mu et al. | Traffic light detection and recognition for autonomous vehicles | |
CN112581612B (zh) | 基于激光雷达和环视摄像头融合的车载栅格地图生成方法及*** | |
CN106934347B (zh) | 障碍物识别方法及装置、计算机设备及可读介质 | |
CN112258519B (zh) | 一种高精度地图制作中道路的让行线自动化提取方法及装置 | |
CN111477030A (zh) | 车辆协同避险方法、车端平台、云端平台及存储介质 | |
CN116071729A (zh) | 可行驶区域和路沿的检测方法、装置及相关设备 | |
Matsuda et al. | A system for real-time on-street parking detection and visualization on an edge device | |
CN112926476A (zh) | 车辆识别方法、装置及存储介质 | |
CN113841154A (zh) | 一种障碍物检测方法及装置 | |
Ryan et al. | Evaluation of small unmanned aerial system highway volume and speed‐sensing applications | |
CN115507873B (zh) | 基于公交车尾红绿灯的路径规划方法、装置、设备和介质 | |
CN117952978B (zh) | 路口检测方法、计算机可读存储介质及智能设备 | |
JP3222638U (ja) | 安全運転支援装置 | |
Jin et al. | The Development of a Smart Intersection Mobility Testbed (SIMT) | |
Raut et al. | Image Processing for Autonomous Vehicle Based | |
WO2020073272A1 (en) | Snapshot image to train an event detector | |
CN116872967A (zh) | 车辆轨迹的预测方法、电子设备及存储介质 |
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 |