CN112505724A - 道路负障碍检测方法及*** - Google Patents
道路负障碍检测方法及*** Download PDFInfo
- Publication number
- CN112505724A CN112505724A CN202011326235.1A CN202011326235A CN112505724A CN 112505724 A CN112505724 A CN 112505724A CN 202011326235 A CN202011326235 A CN 202011326235A CN 112505724 A CN112505724 A CN 112505724A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- point cloud
- cloud data
- negative
- frame
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 54
- 230000007613 environmental effect Effects 0.000 claims abstract description 40
- 230000004927 fusion Effects 0.000 claims description 20
- 238000003708 edge detection Methods 0.000 claims description 19
- 238000001914 filtration Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 17
- 238000000034 method Methods 0.000 claims description 17
- 230000009466 transformation Effects 0.000 claims description 11
- 230000004888 barrier function Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 239000000969 carrier Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008569 process Effects 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
- 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
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
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)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明提供了一种道路负障碍检测方法,包括:采集载车两侧面道路的单帧环境点云数据和载车运动信息;将单帧环境点云数据根据载车运动信息进行空间叠加,得到多帧融合后的点云数据;将多帧融合后的点云数据进行负边缘提取,获得负边缘曲线,进而判断负障碍及其具***置,完成对道路负障碍的检测。同时提供了一种道路负障碍检测***。本发明通过在载车侧面设置专用负障碍物检测补盲激光雷达,大幅提高堤坝、码头等无人驾驶车辆具有坠落风险,提高载车及断崖下方行人、船只等的安全性。
Description
技术领域
本发明涉及测绘技术领域,具体地,涉及一种道路负障碍检测方法及***。
背景技术
随着激光雷达性能的不断发展,其已经在无人驾驶车辆感知领域得到广泛应用。目前,在车辆行进方向上的以行人和环境车辆为代表的高于地面的正方向障碍物检测已经相对成熟。然而,传统车顶安装激光雷达的传感器布局在车辆两侧近端存在较大盲区,导致贴近车辆两侧的行人、非机动车辆等无法被有效识别。上述问题在以堤坝、码头边缘等负方向障碍物的情况下也尤其危险,此类断崖式负障碍如果无法被有效检测,则车辆存在坠落风险。
经过检索发现:
公开号为CN109633688A,发明名称为《一种激光雷达障碍物识别方法和装置》的中国发明专利申请,包括获取激光雷达扫描无人驾驶车辆周围的连续N+1帧的待识别障碍物的信息;判断在第N+1帧中所述待识别障碍物是否进入激光雷达盲区;根据所述待识别障碍物进入激光雷达盲区的长度对第N帧中的所述待识别障碍物激光点云进行截断;根据截断后的所述待识别障碍物激光点云与第N+1帧中的所述待识别障碍物激光点云进行匹配;对第N+1帧中的所述待识别障碍物激光点云进行补全;根据补全后的所述待识别障碍物激光点云,进行障碍物识别。可以对部分进入激光雷达盲区的障碍物进行识别,避免了错误识别其长度、距离造成碰撞的风险,有效地提高了无人驾驶车辆的行驶安全性。该方法所针对的对象为激光雷达盲区,是一种盲区内障碍补全的方法。在该方法中,由于具有盲区,仍然存在上述危险的可能,不能实现有效的安全防控。
综上所述,针对传统车顶安装激光雷达无法有效覆盖车辆两侧近端视野、尤其是不具备以断崖为代表的负障碍的问题,目前没有发现同本发明类似技术的说明或报道,也尚未收集到国内外类似的资料。
发明内容
本发明针对现有技术中存在的上述不足,提供了一种道路负障碍检测方法及***。
本发明是通过以下技术方案实现的。
根据本发明的一个方面,提供了一种道路负障碍检测方法,包括:
采集载车两侧面道路的单帧环境点云数据和载车运动信息;
将单帧环境点云数据根据载车运动信息进行空间叠加,得到多帧融合后的点云数据;
将多帧融合后的点云数据进行负边缘提取,获得负边缘曲线,进而判断负障碍及其具***置,完成对道路负障碍的检测。
优选地,所述载车两侧面道路的单帧环境点云数据,通过设置于载车两侧面的补盲激光雷达获取。
优选地,所述补盲激光雷达分别具有180°覆盖车辆侧面10米以内区域视野的下视能力。
优选地,所述补盲激光雷达分别设置于载车侧面上部边缘。
优选地,所述载车运动信息,通过设置于载车上的转角速度采集器获取。
优选地,所述转角速度采集器采用两个旋转编码器或惯性导航***。
优选地,所述转角速度采集器设置于载车的内部。
优选地,所述将单帧环境点云数据根据载车运动信息进行空间叠加,得到多帧融合后的点云数据,包括:
获取载车实时的多个连续单帧环境点云数据,根据帧间点云匹配推算载车位姿变换数据,获得载车实时位姿推算结果;
获取载车实时的载车运动信息,包括:舵机转角和速度信息;
将得到的载车实时位姿推算结果和载车实时的舵机转角和速度信息相融合,得到融合后的载车航位信息;
根据融合后的多个连续单帧载车航位信息,将对应的多个连续单帧环境点云数据,在空间中进行叠加,得到多帧融合后的点云数据。
优选地,所述将多帧融合后的点云数据进行负边缘提取,获得负边缘曲线,包括:
获取多帧融合后的点云数据;
对获取的多帧融合后的点云数据进行负边缘提取,得到负边缘检测结果点集;
对得到的负边缘检测结果点集进行外点滤除,得到外点滤除后的负边缘点集;
对负边缘点集进行曲线拟合,得到负边缘曲线。
根据本发明的另一个方面,提供了一种道路负障碍检测***,包括:
车载传感器模块,该车载传感器模块用于采集载车两侧面道路的单帧环境点云数据和载车运动信息;
数据融合模块,该数据融合模块用于将单帧环境点云数据根据载车运动信息进行空间叠加,得到多帧融合后的点云数据;
负障碍检测模块,该负障碍检测模块用于将多帧融合后的点云数据进行负边缘提取,获得负边缘曲线,进而判断负障碍及其具***置,完成对道路负障碍的检测。
优选地,所述车载传感器模块,包括设置于载车两侧面的补盲激光雷达和设置于载车上的转角速度采集器;其中:
所述设置于载车两侧面的补盲激光雷达用于采集载车两侧面道路的单帧环境点云数据;
所述设置于载车上的转角速度采集器用于采集载车运动信息。
优选地,所述补盲激光雷达分别设置于载车侧面上部边缘。
优选地,所述补盲激光雷达分别具有180°覆盖车辆侧面10米以内区域视野的下视能力。
优选地,所述转角速度采集器设置在载车内部。
优选地,所述转角速度采集器采用两个旋转编码器或惯性导航***。
优选地,所述数据融合模块,包括激光雷达里程计模块、航位推算模块、航位融合模块和点云叠加模块;其中:
所述激光雷达里程计模块,用于获取连续多个单帧环境点云数据,并根据帧间点云匹配推算载车位姿变换数据,获得载车实时位姿推算结果;
所述航位推算模块,用于获取载车实时的载车运动信息,包括:舵机转角和速度信息;
所述航位融合模块,用于将得到的载车实时位姿推算结果和载车实时的舵机转角和速度信息相融合,得到融合后的载车航位信息;
所述点云叠加模块,用于根据融合后的多个连续单帧载车航位信息,将对应的多个连续单帧环境点云数据,在空间中进行叠加,得到多帧融合后的点云数据。
优选地,所述负障碍检测模块,包括负边缘提取模块、外点滤除模块、曲线拟合模块和负障碍判断模块;其中:
所述负边缘提取模块,用于获取多帧融合后的点云数据,并对多帧融合后的点云数据进行负边缘检测,得到负边缘检测结果点集;
所述外点滤除模块,用于对负边缘检测结果点集进行外点滤除,得到外点滤除后的负边缘点集;
所述曲线拟合模块,用于对负边缘点集进行曲线拟合,得到负边缘曲线;
负障碍判断模块,根据得到的负边缘曲线,判断负障碍及其具***置。
由于采用了上述技术方案,本发明与现有技术相比,具有如下有益效果:
本发明提供的道路负障碍检测方法及***,通过在载车侧面设置专用负障碍物检测补盲激光雷达,大幅提高堤坝、码头等无人驾驶车辆具有坠落风险,提高载车及断崖下方行人、船只等的安全性。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明一实施例中道路负障碍检测方法的流程图。
图2为本发明一实施例中道路负障碍检测***的模块组成示意图。
图3为本发明一优选实施例中道路负障碍物检测***的模块组成示意图。
图4为本发明一优选实施例中车载传感器模块安装位置的俯视图与侧视图;其中,(a)为俯视图,(b)为侧视图。
图中,1为载车,2为补盲激光雷达,3为转角速度采集器。
具体实施方式
下面对本发明的实施例作详细说明:本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
本发明一实施例提供了一种道路负障碍检测方法,该方法不存在视野盲区,任何时刻负障碍均可被直接感知,通过在车辆侧面加装下视补盲激光雷达及设计相应的负障碍物检测方法,解决负障碍物检测的问题,保障车辆安全。
图1为本实施例提供的道路负障碍检测方法的流程图。
如图1所示,本实施例提供的道路负障碍检测方法,可以包括以下步骤:
S100,采集载车两侧面道路的单帧环境点云数据和载车运动信息;
S200,将单帧环境点云数据根据载车运动信息进行空间叠加,得到多帧融合后的点云数据;
S300,将多帧融合后的点云数据进行负边缘提取,获得负边缘曲线,进而判断负障碍及其具***置,完成对道路负障碍的检测。
作为一优选实施例,S100中,载车两侧面道路的单帧环境点云数据,通过设置于载车两侧面的补盲激光雷达获取。
作为一优选实施例,补盲激光雷达分别具有180°覆盖车辆侧面10米以内区域视野的下视能力。
作为一优选实施例,补盲激光雷达分别设置于载车侧面上部边缘。
作为一优选实施例,S100中,载车运动信息,通过设置于载车上的转角速度采集器获取。
作为一优选实施例,转角速度采集器采用两个旋转编码器或惯性导航***。
作为一优选实施例,转角速度采集器设置于载车的内部。
作为一优选实施例,S200中,将单帧环境点云数据根据载车运动信息进行空间叠加,得到多帧融合后的点云数据,包括:
S201,获取载车实时的多个连续单帧环境点云数据,根据帧间点云匹配推算载车位姿变换数据,获得载车实时位姿推算结果;
S202,获取载车实时的载车运动信息,包括:舵机转角和速度信息;
S203,将得到的载车实时位姿推算结果和载车实时的舵机转角和速度信息相融合,得到融合后的载车航位信息;
S204,根据融合后的多个连续单帧载车航位信息,将对应的多个连续单帧环境点云数据,在空间中进行叠加,得到多帧融合后的点云数据。
作为一优选实施例,S201中,根据帧间点云匹配推算载车位姿变换数据的方法,具体为:
根据各帧点云数据中各点与其近邻诸点所构成的空间几何结构,推算出各帧点云所覆盖环境区域内的棱角、平面等几何特征,然后通过匹配各帧点云数据推算出的上述棱角、平面几何特征使匹配误差最小化,从而推算出载车位姿变换数据。
作为一优选实施例,S203中,将得到的载车实时位姿推算结果和载车实时的舵机转角和速度信息相融合的方法,具体为:
对载车连续多帧中推算获得的空间位姿变换序列进行卡尔曼滤波,从而提高最新时刻更高精度的位姿变换推算结果;将上述位姿变换推算结果与实时舵机转角和速度信息推算出的载车实时位姿推算结果进行比较,如果两者误差小于预先设定的阈值,则以点云数据所推算出的空间位姿变换为准,否则则以载车实时的舵机转角和速度信息推算出的空间位姿变换为准,最终获得载车航位信息。
作为一优选实施例,在S204中,将融合后的多个连续单帧载车航位信息对应的多个连续单帧环境点云数据进行叠加,各帧载车航位信息仅负责提供各帧点云在同一空间坐标系中的坐标位置。
作为一优选实施例,S300中,将多帧融合后的点云数据进行负边缘提取,获得负边缘曲线,包括:
S301,获取多帧融合后的点云数据;
S302,对获取的多帧融合后的点云数据进行负边缘提取,得到负边缘检测结果点集;
S303,对得到的负边缘检测结果点集进行外点滤除,得到外点滤除后的负边缘点集;
S304,对负边缘点集进行曲线拟合,得到负边缘曲线。
作为一优选实施例,S302中,对获取的多帧融合后的点云数据进行负边缘提取,得到负边缘检测结果点集的方法,具体为:
根据车载侧面补盲激光雷达的安装高度,以融合点云中根据载车自身位置为中心以车辆行进方向的法向为方向,由近及远的检测融合后的点云数据中地面点的高度跳变,并将第一次检测到的负跳变(地面高度骤降)作为负边缘检测结果点,并最终获得检测结果点集。
作为一优选实施例,S303,对得到的负边缘检测结果点集进行外点滤除的方法,具体为:
根据S302中获得的检测结果点集,分别对两侧点集运用随机抽样一致(RANSAC)算法进行曲线拟合,并将随机抽样一致性最好的曲线作为外点滤除的依据,将欧式距离与上述曲线距离大于预设阈值的点作为外点滤出。
本发明另一实施例提供了一种道路负障碍检测***,图2给出了该实施例中道路负障碍检测***的模块组成示意图。
如图2所示,本实施例提供的道路负障碍检测***,可以包括如下模块:
车载传感器模块,用于采集载车两侧面道路的单帧环境点云数据和载车运动信息;
数据融合模块,用于将单帧环境点云数据根据载车运动信息进行空间叠加,得到多帧融合后的点云数据;
负障碍检测模块,用于将多帧融合后的点云数据进行负边缘提取,获得负边缘曲线,进而判断负障碍及其具***置,完成对道路负障碍的检测。
图3为本发明一优选实施例中道路负障碍检测***的模块组成示意图。
如图3所示,本优选实施例中道路负障碍检测***,还可以进一步包括如下模块。
作为一优选实施例,车载传感器模块,包括设置于载车两侧面的补盲激光雷达和设置于载车上的转角速度采集器;其中:
设置于载车两侧面的补盲激光雷达用于采集载车两侧面道路的单帧环境点云数据;
设置于载车上的转角速度采集器用于采集载车运动信息。
作为一优选实施例,补盲激光雷达分别设置于载车侧面上部边缘。
作为一优选实施例,补盲激光雷达分别具有180°覆盖车辆侧面10米以内区域视野的下视能力。
作为一优选实施例,转角速度采集器设置在载车内部。
作为一优选实施例,转角速度采集器采用两个旋转编码器或惯性导航***。
作为一优选实施例,数据融合模块,包括激光雷达里程计模块、航位推算模块、航位融合模块和点云叠加模块;其中:
激光雷达里程计模块,用于获取连续多个单帧环境点云数据,并根据帧间点云匹配推算载车位姿变换数据,获得载车实时位姿推算结果;
航位推算模块,用于获取载车实时的载车运动信息,包括:舵机转角和速度信息;
航位融合模块,用于将得到的载车实时位姿推算结果和载车实时的舵机转角和速度信息相融合,得到融合后的载车航位信息;
点云叠加模块,用于根据融合后的多个连续单帧载车航位信息,将对应的多个连续单帧环境点云数据,在空间中进行叠加,得到多帧融合后的点云数据。
作为一优选实施例,负障碍检测模块,包括负边缘提取模块、外点滤除模块、曲线拟合模块和负障碍判断模块;其中:
负边缘提取模块,用于获取多帧融合后的点云数据,并对多帧融合后的点云数据进行负边缘检测,得到负边缘检测结果点集;
外点滤除模块,用于对负边缘检测结果点集进行外点滤除,得到外点滤除后的负边缘点集;
曲线拟合模块,用于对负边缘点集进行曲线拟合,得到负边缘曲线;
负障碍判断模块,根据得到的负边缘曲线,判断负障碍及其具***置。
如图3所示,本优选实施例中:车载传感器模块与数据融合模块相连传输单帧环境点云数据和载车运动信息,数据融合模块与负障碍检测模块相连传输多帧融合后的点云数据,负障碍检测模块输出连续的负边缘曲线,获得负障碍位置。
如图4中(a)和(b)所示,本优选实施例中:车载传感器模块采集单帧环境点云数据和载车运动信息,包括:侧面补盲激光雷达2、转角速度采集器3,其中:侧面补盲激光雷达设置于载车侧面上部边缘,转角速度采集器设置在载车内部,侧面补盲激光雷达与数据融合模块相连传输单帧环境点云数据,转角速度采集器和数据融合模块相连传输载车运动信息。侧面补盲激光雷达包括车辆两侧各一个,两侧侧面补盲激光雷达分别具有180°覆盖车辆侧面10米以内区域视野的下视能力,并于数据融合模块连接传输单帧点云数据。
在本优选实施例中:载车可以为市场上购买的任意型号的普通中型客车,车速可以要求控制在每小时100公里内。
在本发明部分实施例中:
车载传感器模块与数据融合模块相连传输单帧环境点云数据和载车运动信息,数据融合模块与负障碍检测模块相连传输多帧融合后的点云数据,负障碍检测模块输出连续的负边缘曲线,获得负障碍位置。
侧面补盲激光雷达设置于载车侧面上部边缘,转角速度采集器设置在载车内部,侧面补盲激光雷达与数据融合模块相连传输单帧环境点云数据,转角速度采集器和数据融合模块相连传输载车运动信息。
激光雷达里程计模块与车载传感器模块相连传输载车实时的连续多个单帧环境点云并根据帧间点云匹配推算载车位姿变换,航位推算模块和车载传感器模块相连传输载车实时的舵机转角和速度信息,航位融合模块与激光雷达里程计模块相连传输激光雷达里程,航位融合模块与航位推算模块相连传输车体实时位姿推算结果,点云叠加模块与航位融合模块相连传输融合后的载车航位信息。
负边缘提取模块与数据融合模块相连传输多帧融合后的点云数据,外点滤除模块与负边缘提取模块相连传输负边缘检测结果点集,曲线拟合模块与外点滤除模块相连传输外点滤除后的负边缘点集,曲线拟合模块相合负边缘曲线输出。
本发明上述实施例提供的道路负障碍检测方法及***,通过在载车侧面设置专用负障碍物检测补盲激光雷达,大幅提高堤坝、码头等无人驾驶车辆具有坠落风险,提高载车及断崖下方行人、船只等的安全性;不存在视野盲区,任何时刻负障碍均可被直接感知,通过在车辆侧面加装下视补盲激光雷达及设计相应的负障碍物检测方法,解决负障碍物检测的问题,保障车辆安全。
需要说明的是,本发明提供的方法中的步骤,可以利用***中对应的模块、装置、单元等予以实现,本领域技术人员可以参照***的技术方案实现方法的步骤流程,即,***中的实施例可理解为实现方法的优选例,在此不予赘述。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的***及其各个装置以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的***及其各个装置以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以,本发明提供的***及其各项装置可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构;也可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改,这并不影响本发明的实质内容。
Claims (10)
1.一种道路负障碍检测方法,其特征在于,包括:
采集载车两侧面道路的单帧环境点云数据和载车运动信息;
将单帧环境点云数据根据载车运动信息进行空间叠加,得到多帧融合后的点云数据;
将多帧融合后的点云数据进行负边缘提取,获得负边缘曲线,进而判断负障碍及其具***置,完成对道路负障碍的检测。
2.根据权利要求1所述的道路负障碍检测方法,其特征在于,所述载车两侧面道路的单帧环境点云数据,通过设置于载车两侧面的补盲激光雷达获取;和/或
所述载车运动信息,通过设置于载车上的转角速度采集器获取。
3.根据权利要求2所述的道路负障碍检测方法,其特征在于,还包括如下任意一项或任意多项:
-所述补盲激光雷达分别设置于载车侧面上部边缘;
-所述补盲激光雷达分别具有180°覆盖车辆侧面10米以内区域视野的下视能力;
-所述转角速度采集器设置于载车的内部;
-所述转角速度采集器采用两个旋转编码器或惯性导航***。
4.根据权利要求1所述的道路负障碍检测方法,其特征在于,所述将单帧环境点云数据根据载车运动信息进行空间叠加,得到多帧融合后的点云数据,包括:
获取载车实时的多个连续单帧环境点云数据,根据帧间点云匹配推算载车位姿变换数据,获得载车实时位姿推算结果;
获取载车实时的载车运动信息,包括:舵机转角和速度信息;
将得到的载车实时位姿推算结果和载车实时的舵机转角和速度信息相融合,得到融合后的载车航位信息;
根据融合后的多个连续单帧载车航位信息,将对应的多个连续单帧环境点云数据,在空间中进行叠加,得到多帧融合后的点云数据。
5.根据权利要求1所述的道路负障碍检测方法,其特征在于,所述将多帧融合后的点云数据进行负边缘提取,获得负边缘曲线,包括:
获取多帧融合后的点云数据;
对获取的多帧融合后的点云数据进行负边缘提取,得到负边缘检测结果点集;
对得到的负边缘检测结果点集进行外点滤除,得到外点滤除后的负边缘点集;
对负边缘点集进行曲线拟合,得到负边缘曲线。
6.一种道路负障碍检测***,其特征在于,包括:
车载传感器模块,该车载传感器模块用于采集载车两侧面道路的单帧环境点云数据和载车运动信息;
数据融合模块,该数据融合模块用于将单帧环境点云数据根据载车运动信息进行空间叠加,得到多帧融合后的点云数据;
负障碍检测模块,该负障碍检测模块用于将多帧融合后的点云数据进行负边缘提取,获得负边缘曲线,进而判断负障碍及其具***置,完成对道路负障碍的检测。
7.根据权利要求6所述的道路负障碍检测***,其特征在于,所述车载传感器模块,包括设置于载车两侧面的补盲激光雷达和设置于载车上的转角速度采集器;其中:
所述设置于载车两侧面的补盲激光雷达用于采集载车两侧面道路的单帧环境点云数据;
所述设置于载车上的转角速度采集器用于采集载车运动信息。
8.根据权利要求7所述的道路负障碍检测***,其特征在于,还包括如下任意一项或任意多项:
-所述补盲激光雷达分别设置于载车侧面上部边缘;
-所述补盲激光雷达分别具有180°覆盖车辆侧面10米以内区域视野的下视能力;
-所述转角速度采集器设置在载车内部;
-所述转角速度采集器采用两个旋转编码器或惯性导航***。
9.根据权利要求6所述的道路负障碍检测***,其特征在于,所述数据融合模块,包括激光雷达里程计模块、航位推算模块、航位融合模块和点云叠加模块;其中:
所述激光雷达里程计模块,用于获取连续多个单帧环境点云数据,并根据帧间点云匹配推算载车位姿变换数据,获得载车实时位姿推算结果;
所述航位推算模块,用于获取载车实时的载车运动信息,包括:舵机转角和速度信息;
所述航位融合模块,用于将得到的载车实时位姿推算结果和载车实时的舵机转角和速度信息相融合,得到融合后的载车航位信息;
所述点云叠加模块,用于根据融合后的多个连续单帧载车航位信息,将对应的多个连续单帧环境点云数据,在空间中进行叠加,得到多帧融合后的点云数据。
10.根据权利要求6所述的道路负障碍检测***,其特征在于,所述负障碍检测模块,包括负边缘提取模块、外点滤除模块、曲线拟合模块和负障碍判断模块;其中:
所述负边缘提取模块,用于获取多帧融合后的点云数据,并对多帧融合后的点云数据进行负边缘检测,得到负边缘检测结果点集;
所述外点滤除模块,用于对负边缘检测结果点集进行外点滤除,得到外点滤除后的负边缘点集;
所述曲线拟合模块,用于对负边缘点集进行曲线拟合,得到负边缘曲线;
负障碍判断模块,根据得到的负边缘曲线,判断负障碍及其具***置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011326235.1A CN112505724A (zh) | 2020-11-24 | 2020-11-24 | 道路负障碍检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011326235.1A CN112505724A (zh) | 2020-11-24 | 2020-11-24 | 道路负障碍检测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112505724A true CN112505724A (zh) | 2021-03-16 |
Family
ID=74958176
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011326235.1A Pending CN112505724A (zh) | 2020-11-24 | 2020-11-24 | 道路负障碍检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112505724A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114529539A (zh) * | 2022-02-28 | 2022-05-24 | 广州赛特智能科技有限公司 | 无人设备路面障碍检测方法、装置、无人设备及存储介质 |
CN114779794A (zh) * | 2022-06-21 | 2022-07-22 | 东风悦享科技有限公司 | 基于无人巡逻车***的台风场景下的街道障碍识别方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102436644A (zh) * | 2011-11-02 | 2012-05-02 | 南京物联网研究院发展有限公司 | 基于自适应边缘配准的非结构化道路检测方法 |
CN104374376A (zh) * | 2014-11-05 | 2015-02-25 | 北京大学 | 一种车载三维测量***装置及其应用 |
CN106123890A (zh) * | 2016-06-14 | 2016-11-16 | 中国科学院合肥物质科学研究院 | 一种多传感器数据融合的机器人定位方法 |
CN107356933A (zh) * | 2017-06-23 | 2017-11-17 | 南京理工大学 | 一种基于四线激光雷达的非结构化道路检测方法 |
CN109375635A (zh) * | 2018-12-20 | 2019-02-22 | 安徽江淮汽车集团股份有限公司 | 一种自动驾驶汽车道路环境感知***及方法 |
CN109752701A (zh) * | 2019-01-18 | 2019-05-14 | 中南大学 | 一种基于激光点云的道路边沿检测方法 |
CN109814112A (zh) * | 2019-01-15 | 2019-05-28 | 北京百度网讯科技有限公司 | 一种超声波雷达与激光雷达信息融合方法和*** |
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 |
CN111381248A (zh) * | 2020-03-23 | 2020-07-07 | 湖南大学 | 一种考虑车辆颠簸的障碍物检测方法及*** |
CN111429520A (zh) * | 2020-03-02 | 2020-07-17 | 广州视源电子科技股份有限公司 | 负障碍物检测方法、装置、终端设备和存储介质 |
-
2020
- 2020-11-24 CN CN202011326235.1A patent/CN112505724A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102436644A (zh) * | 2011-11-02 | 2012-05-02 | 南京物联网研究院发展有限公司 | 基于自适应边缘配准的非结构化道路检测方法 |
CN104374376A (zh) * | 2014-11-05 | 2015-02-25 | 北京大学 | 一种车载三维测量***装置及其应用 |
CN106123890A (zh) * | 2016-06-14 | 2016-11-16 | 中国科学院合肥物质科学研究院 | 一种多传感器数据融合的机器人定位方法 |
CN107356933A (zh) * | 2017-06-23 | 2017-11-17 | 南京理工大学 | 一种基于四线激光雷达的非结构化道路检测方法 |
CN109375635A (zh) * | 2018-12-20 | 2019-02-22 | 安徽江淮汽车集团股份有限公司 | 一种自动驾驶汽车道路环境感知***及方法 |
CN109814112A (zh) * | 2019-01-15 | 2019-05-28 | 北京百度网讯科技有限公司 | 一种超声波雷达与激光雷达信息融合方法和*** |
CN109752701A (zh) * | 2019-01-18 | 2019-05-14 | 中南大学 | 一种基于激光点云的道路边沿检测方法 |
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 |
CN111429520A (zh) * | 2020-03-02 | 2020-07-17 | 广州视源电子科技股份有限公司 | 负障碍物检测方法、装置、终端设备和存储介质 |
CN111381248A (zh) * | 2020-03-23 | 2020-07-07 | 湖南大学 | 一种考虑车辆颠簸的障碍物检测方法及*** |
Non-Patent Citations (5)
Title |
---|
刘家银等: "基于多激光雷达与组合特征的非结构化环境负障碍物检测", 《机器人》 * |
张艳国等: "基于IMU-LiDAR的负障碍检测方法", 《电光与控制》 * |
张艳国等: "基于惯性测量单元的激光雷达点云融合方法", 《***仿真学报》 * |
王灿等: "基于三维激光雷达的道路边界提取和障碍物检测算法", 《模式识别与人工智能》 * |
纪嘉文等: "一种基于多传感融合的室内建图和定位算法", 《成都信息工程大学学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114529539A (zh) * | 2022-02-28 | 2022-05-24 | 广州赛特智能科技有限公司 | 无人设备路面障碍检测方法、装置、无人设备及存储介质 |
CN114779794A (zh) * | 2022-06-21 | 2022-07-22 | 东风悦享科技有限公司 | 基于无人巡逻车***的台风场景下的街道障碍识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dickmann et al. | Automotive radar the key technology for autonomous driving: From detection and ranging to environmental understanding | |
Tsugawa et al. | An architecture for cooperative driving of automated vehicles | |
US20200175720A1 (en) | Vehicle, vehicle positioning system, and vehicle positioning method | |
Kolski et al. | Autonomous driving in structured and unstructured environments | |
CN115552200A (zh) | 用于生成重要性占据栅格地图的方法和*** | |
CN109664916A (zh) | 以车载控制器为核心的列车运行控制*** | |
CN110060467A (zh) | 预测装置、预测方法及存储介质 | |
CN106969779A (zh) | 基于dsrc的智能车辆地图融合***及方法 | |
CN104354656A (zh) | 智能泊车***的障碍物检测与库位判别方法及实现*** | |
Kim et al. | Design of integrated risk management-based dynamic driving control of automated vehicles | |
CN113071518B (zh) | 一种自动无人驾驶方法、小巴、电子设备以及存储介质 | |
WO2018154579A1 (en) | Method of navigating an unmanned vehicle and system thereof | |
CN110091875A (zh) | 基于物联网的深度学习型智能驾驶环境感知*** | |
CN105159291A (zh) | 一种基于信息物理网的车队智能避障装置及避障方法 | |
CN112505724A (zh) | 道路负障碍检测方法及*** | |
CN110271547A (zh) | 车辆控制装置、车辆控制方法以及存储介质 | |
CN112734811B (zh) | 一种障碍物跟踪方法、障碍物跟踪装置和芯片 | |
CN113525410B (zh) | 移动体控制装置、移动体控制方法及存储介质 | |
CN107977004A (zh) | 一种多传感器融合全天候高速无人车探测避障*** | |
Moras et al. | Drivable space characterization using automotive lidar and georeferenced map information | |
CN109559540A (zh) | 周边监视装置、周边监视方法及存储介质 | |
CN112829762A (zh) | 一种车辆行驶速度生成方法以及相关设备 | |
CN113183943B (zh) | 一种农用装备的智能驾驶***及其作业方法 | |
Estrada et al. | AV in Action: A Development of Robust and Efficient Planning and Perception System for Autonomous Food Delivery Vehicle | |
CN116635919A (zh) | 物体跟踪装置以及物体跟踪方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210316 |
|
RJ01 | Rejection of invention patent application after publication |