CN112789521B - 感知区域的确定方法、装置、存储介质及车辆 - Google Patents
感知区域的确定方法、装置、存储介质及车辆 Download PDFInfo
- Publication number
- CN112789521B CN112789521B CN202080005490.8A CN202080005490A CN112789521B CN 112789521 B CN112789521 B CN 112789521B CN 202080005490 A CN202080005490 A CN 202080005490A CN 112789521 B CN112789521 B CN 112789521B
- Authority
- CN
- China
- Prior art keywords
- area
- drivable
- region
- point cloud
- vehicle
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000008447 perception Effects 0.000 title abstract description 5
- 238000005070 sampling Methods 0.000 claims abstract description 62
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
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
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
Landscapes
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
一种感知区域的确定方法、装置、存储介质及车辆,属于自动驾驶领域。方法包括:获取点云采集装置采集的点云(S201),根据点云构建可行驶区域(S202),根据可行驶区域的范围调整感知区域的范围(S203),感知区域的面积大于可行驶区域的面积,实现根据可行驶区域的大小自适应的调整感知区域的大小,便于对点云中的关键的采样点进行计算,减少环境感知的运算量。
Description
技术领域
本申请涉及自动驾驶领域,尤其涉及一种感知区域的确定方法、装置、存储介质及车辆。
背景技术
在自动驾驶领域,感知***是极其重要的部分,而自动驾驶车辆所面对的场景是多种多样的,例如:场景复杂的十字路口,包含各种行人和汽车;场景简单的高速公路,只包含高速运动的机动车。自动驾驶车辆对不同场景进行环境感知,以确定针对不同场景的自动驾驶策略,例如:紧急制动、自动加速或车道线居中等策略。在相关技术中,自动驾驶车辆使用预先设定的感知区域进行环境感知,感知区域的大小和激光雷达等设备的探测范围有关,存在灵活性差的问题。
发明内容
本申请实施例提供了的感知区域的调整、装置、存储介质及激光雷达,可以根据可行驶区域的范围自适应的调整感知区域的范围,便于将计算资源集中处理感知区域中的采样点,减少环境感知的运算量。所述技术方案如下:
第一方面,本申请实施例提供了一种感知区域的确定方法,所述方法包括:
获取点云采集装置采集的点云;
根据所述点云构建车辆的可行驶区域;
根据所述可行驶区域的范围调整所述车辆的感知区域的范围;其中,所述感知区域的面积大于所述可行驶区域的面积。
在一种可能的设计中,根据所述点云构建车辆的可行驶区域,包括:
根据所述点云中各个采样点的高度,结合随机采样一致性RANSAC算法对所述点云进行识别得到地面点和障碍物点;
根据所述地面点构建所述车辆的可行驶区域。
在一种可能的设计中,所述根据所述可行驶区域的范围调整所述车辆的感知区域的范围,包括:
确定所述可行驶区域的几何中心;
以所述几何中心确定所述可行驶区域的最小外接矩形,以及将所述最小外界矩形作为所述感知区域。
在一种可能的设计中,所述获取点云采集装置采集的点云,包括:
获取一个或多个点云采集装置在水平方向上进行360度扫描生成的点云。
在一种可能的设计中,还包括:
根据所述可行驶区域的面积、所述可行驶区域在行驶方向上的最大长度、以及所述可行驶区域在所述行驶方向的垂直方向上的最大长度计算所述可行驶区域的复杂度。
在一种可能的设计中,所述根据所述可行驶区域的面积、所述可行驶区域在行驶方向上的最大长度、以及所述可行驶区域在所述行驶方向的垂直方向上的最大长度计算所述可行驶区域的复杂度,包括:
根据以下公式计算所述可行驶区域的复杂度:
w1/S+w2/L+w3/W;
其中,S表示可行驶区域的面积,L表示可行驶区域在行驶方向上的最大长度,W表示可行驶区域在行驶方向的垂直方向上的最大长度,w1表示S的权重,w2表示L的权重,w3表示W的权重,w1、w2和w3为大于0的整数。
在一种可能的设计中,所述方法还包括:
根据车辆所在的场景调整w1、w2和w3的参数值。
例如:在所述可行驶区域的面积大于面积阈值时,w1为3个权重中的最大值;或
在所述可行驶区域在行驶方向上的最大长度大于预设长度时,w2的参数值为3个权重中的最大值;或
在所述可行驶区域在行驶方向的垂直方向上的最大长度小于预设长度时,w3的参数值为3个权重中的最大值;
第二方面,本申请实施例提供了一种感知区域的确定装置,所述确定装置包括:
获取单元,用于获取点云采集装置采集的点云;
构建单元,用于根据所述点云构建车辆的可行驶区域;
调整单元,用于根据所述可行驶区域的范围调整所述车辆的感知区域的范围;其中,所述感知区域的面积大于所述可行驶区域的面积。
第三方面,本申请实施例提供一种计算机存储介质,所述计算机存储介质存储有多条指令,所述指令适于由处理器加载并执行上述的方法步骤。
第四方面,本申请实施例提供一种多通道激光雷达的确定装置,可包括:处理器和存储器;其中,所述存储器存储有计算机程序,所述计算机程序适于由所述处理器加载并执行上述的方法步骤。
第五方面,本申请实施例提供了一种车辆,包括一个或多个点云采集装置和上述的感知区域的确定装置,点云装置可以是激光雷达、摄像头或其他采集点云的装置,一个或多个点云采集装置设置于车辆上。
本申请一些实施例提供的技术方案带来的有益效果至少包括:
获取点云采集装置采集的点云,根据点云构建可行驶区域,根据可行驶区域的范围调整感知区域的范围,感知区域的面积大于可行驶区域的面积,感知区域的面积和可行驶区域的面积呈正相关性,感知区域的面积随着可行驶区域的面积增大而增大,且随着可行驶区域的面积减小而减小。解决相关技术中车辆使用固定不变的感知区域进行环境感知带来的不灵活的问题,本申请实施例可以根据可行驶区域的大小自适应的调整感知区域的大小,便于对点云中的关键的采样点进行计算,减少环境感知的运算量。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述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他的附图。
图1是本申请实施例提供的点云的示意图;
图2是本申请实施例提供的感知区域的确定方法的流程示意图;
图3是本申请实施例提供的可行驶区域的示意图;
图4是本申请实施例提供的感知区域的示意图;
图5是本申请实施例提供的感知区域的示意图
图6是本申请提供的一种感知区域的确定装置的结构示意图;
图7是本申请提供的一种感知区域的确定装置的另一结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施例方式作进一步地详细描述。
图1示出了可以应用于本申请实施例提供的点云示意图,点云采集装置在位置10进行扫描得到图1所示的点云。点云为点云采集装置在同一空间坐标系采集的物体的空间分布和表面特性的采样点的集合,点云采集装置可以是雷达或摄像装置。在测量仪器为激光雷达时,点云即为激光点云,点云中的每个采样点的参数包括:三维坐标和激光反射强度,激光反射强度与物体的表面材质、粗糙度、入射角度、出射激光的发射能量、发射角度有关。在点云为设置装置时,点云中的每个采样点的参数包括:三维坐标和颜色信息。当然,点云也可以是激光雷达和摄像装置采集的采样点进行融合而成的,那么点云中的每个采样点的参数包括:三维坐标、激光反射强度和颜色信息,例如:颜色信息使用RGB来表示。
下面将结合附图2-附图4,对本申请实施例提供的感知区域的确定方法进行详细介绍。
请参见图2,为本申请实施例提供了一种感知区域的确定方法的流程示意图。如图2所示,本申请实施例的所述方法可以包括以下步骤:
S201、获取点云采集装置采集的点云。
其中,点云采集装置设置在车辆上,点云采集装置的数量可以是一个或多个。例如:点云采集装置可以为激光雷达,激光雷达发射出射激光,出射激光遇到物体(例如:其他车辆、行人、花坛等)进行发射后形成反射激光,激光雷达根据反射激光得到采样点,激光雷达在预设时长内多次发个多束出射激光得到物体的点云。激光雷达的数量为一个时,激光雷达设置在车辆的顶部,激光雷达可以在水平方向进行预设角度的扫描,垂直方向上进行预设角度的扫描;在激光雷达的数量为多个时,多个激光雷达可以分别设置在车辆的前方、后面、左边、右边和顶部,避免车辆周围出现扫描的盲区。点云采集装置可以周期性的采集点云,确定装置获取点云采集装置周期性采集的点云。
在一种可能的实施方式中,激光雷达设置在车辆的顶部,激光雷达的水平视场角为360度,垂直视场角为45度,该激光雷达周期性的扫描车辆周围的物体生成点云,通过激光雷达实现车辆四周的扫描,减少车辆周围的扫描盲区。
在一种可能的实施方式中,激光雷达的数量为5个,分别设置与车辆的顶部、前方、后方和两侧,设置于车辆顶部的激光雷达的水平视场角为360度,垂直视场角为45度;设置于车辆前方的激光雷达的水平视场角为180度,垂直视场角为45度;设置于车辆后方的激光雷达的水平视场角为180度,垂直视场角为45度;设置于车辆两侧的激光雷达的水平视场角为180度,垂直视场角为45度,5个激光雷达周期性的扫描车辆周围的物体生成点云,避免车辆周围存在扫描盲区。
S202、根据点云构建车辆的可行驶区域。
其中,由于车辆的四周可能存在障碍物,车辆在行驶过程中需要对障碍物进行规避,可行驶区域表示车辆能进行正常行驶的区域,可行驶区域一般为一个封闭的区域,可行驶区域中包括车辆,可行驶区域的边界上为距离车辆最近的障碍物的采样点形成的。可行驶区域对应的采样点为点云的子集,可行驶区域中的采样点可以是点云采集装置对地面进行采集得到的采样点,同时排除地面中障碍物对应的采样点。例如:图3位可行驶区域的示意图,本申请实施例的确定装置根据图1中的点云构建可行驶区域11,可行驶区域11为一个封闭的区域,可行驶区域11包含多个采样点,可行驶区域11的形状为不规则的,可行驶区域11的边界线为不规则的,边界线上的采样点为距离车辆最近的障碍物上的采样点。
在一种可能的实施方式中,根据点云构建车辆的可行驶区域包括:
根据所述点云中各个采样点的高度,结合随机采样一致性RANSAC算法对所述点云进行识别得到地面点和障碍物点;
根据所述地面点构建所述车辆的可行驶区域。
其中,根据点云中各个采样点的高度(Z值的大小),利用RANSAC(Random SampleConsesus,随机采样一致性)算法中的平面模型,即ax+by+cz+d=0,提取一个平面,点云中属于该平面内的采样点即是地面点,然后剔除点云中的地面点得到障碍物点。根据点云中各个采样点的(X,Y)坐标,建立一个极坐标系栅格,以车辆坐标系为原点,将XOY平面以预设角度的分辨率均分成多份,将障碍物点云分别放入多个栅格中,计算每个栅格内的障碍物点到车辆坐标系原点的距离r,提取出r最小的障碍物点云,将每个栅格提取出的r最小的障碍物点,投影到XOY平面,得出车辆的可行驶区域。
可选的,根据所述点云中各个采样点的高度,结合随机采样一致性RANSAC算法对所述点云进行识别得到地面点和障碍物点之前,还包括:获取点云采集装置的高度及点云采集装置的安装角度,根据点云采集装置的高度及点云采集装置的安装角度获取点云中各个采用点的高度值。
在另一些可选的实施方式中,根据所述点云中各个采样点的高度,结合随机采样一致性RANSAC算法对所述点云进行识别得到地面点和障碍物点之前,还包括:剔除点云中大于点云采集装置的高度的采样点。点云采集装置的高度表示点云采集装置距离地面的高度,剔除点云中点云采集装置上方一定高度以外的采样点。例如:点云采集装置的高度为3m,剔除点云中高度大于3m的采样点,可以进一步降低构建可行驶区域的运算量。例如,在一些高速公路场景主要关注前方地面附近的障碍物时,可以选取此方法进一步降低运算量。
在一种可能的实施方式中,根据点云构建车辆的可行驶区域包括:
从点云中随机选择至少三个采样点构成待识别平面;其中,所述至少三个采样点的高度均小于预设高度;
若所述待识别平面包含的采样点的数量大于预设数量,则所述待识别平面为可行驶区域。
其中,点云中包括多个采样点,采样点具有空间位置信息,例如:采样点的位置信息使用(x,y,z)来表示,x轴和y轴构成水平面,z轴垂直于水平面。由于车辆周围的障碍物相比道路来说,障碍物(例如:前方车辆、花坛、行人、道路中间的石块等)的高度要大于道路的高度,本实施例中采样点的高度可以使用z值的大小来表示,预设高度应该满足小于点云中采样点的最大高度。确定装置首先确定车辆当前行驶的道路的边界信息,根据道路的边界信息从点云中确定属于道路的采样点,确定装置首先从道路的采样点中中筛选出z值大于预设高度的采样点,然后从筛选的采样点中随机选择至少三个采样点,利用至少3个采样点构成待识别平面,然后统计待识别平面包含的采样点的数量,若待识别平面包含的采样点的数量大于预设数量,则将待识别平面作为可行驶区域;若待识别平面包含的采样点的数量小于或等于预设数量,则重新在上述筛选的采样点中选择至少三个采样点,重复上述操作,直到从点云中找到包含的采样点的数量大于预设数量的平面。
需要说明的是,预设数量S201中采集到的点云包含的采样点的数量有关,预设数量是点云的数量和预设比例值计算得到的,例如:预设比例值为30%,点云的数量为10000个,那么预设数量为30%×10000=3000个。
在一种可能的实施方式中,根据点云构建车辆的可行驶区域,包括:
利用地面点检测算法识别出所述点云中的地面点;
根据所述地面点确定可行驶区域。
其中,地面点表示点云中表示车辆行驶的地面所在的采样点,在本实施例中,可以根据地面点检测算法识别点云中的地面点,根据地面点构建可行驶区域。例如:利用聚类算法、卷积神经网络和线性拟合等过程识别出点云中的地面点,点云中地面点以外的采样点则对应障碍物,车辆在行驶时需要避开该障碍物。
在一种可能的实施方式中,确定装置评估可行驶区域的复杂度,根据不同的复杂度选择不同的环境感知算法进行环境感知。在可行驶区域的复杂度较高,选择计算复杂度高的环境感知算法进行环境感知,提高环境感知的准确性;在可行驶区域的负载度较低时,选择计算复杂度较低的环境感知算法进行环境感知,以减少环境感知的运算量。例如:车辆在城市道路行驶时,可行驶区域的复杂度会较高;车辆在高速公路行驶时,可行驶区域的复杂度会较低。
可选的,评估可行驶区域的复杂度的方法包括:
根据可行驶区域的面积、所述可行驶区域在行驶方向上的最大长度、以及所述可行驶区域在所述行驶方向的垂直方向上的最大长度计算所述可行驶区域的复杂度。
其中,可行驶区域的面积表示可行驶区域所占用的二维空间的大小,行驶方向表示车辆的前进方向,可行驶区域在行驶方向上的最大长度表示可行驶区域在行驶方向上的最大跨度,可行驶区域在行驶方向的垂直方向上的最大长度表示垂直于行驶方向在可行驶区域中的最大跨度。例如:参见图3所示,车辆的行驶方向为水平方向,可行驶区域11在水平方向上的最大长度为L,可行驶区域11在垂直方向上的最大长度为W。可行驶区域11的面积、可行驶区域11在行驶方向上的最大长度、以及可行驶区域11在行驶方向的垂直方向上的最大长度呈正相关性;即可行驶区域11的面积越大,可行驶区域11的复杂度越高;可行驶区域11的L越大,可行驶区域11的复杂度越高;可行驶区域11的W越大,可行驶区域11的复杂度越高。
进一步的,确定装置根据如下公式来评估可行驶区域的复杂度:
复杂度=w1/S+w2/L+w3/W。
其中,S表示可行驶区域的面积,L表示可行驶区域在行驶方向上的最大长度,W表示可行驶区域在行驶方向的垂直方向上的最大长度,w1表示S的权重,w2表示L的权重,w3表示W的权重,w1、w2和w3为大于0的整数,且w1+w2+w3=1。w1、w2和w3的大小可以根据实际需求来定,w1、w2和w3可以是固定值,也可以根据车辆所在的不同场景进行自适应调整本,例如:确定装置识别到车辆行驶在城市道路场景时,设置w1>w2>w3;识别到车辆行驶在高速公路时,设置w2>w3>w1;识别到车辆行驶在国道时,设置w3>w2>w1。
其中,感知区域的面积和可行驶面积之间的差值可以与车辆所在的场景有关;若场景为城市道路场景,则可感知区域为横向增大,w2的值较大,这样可以保证更好的对左右道路的变化进行预测;若场景为高速公路场景,则可感知区域为纵向增大,w3的值较大,可以更好的控制纵向速度快的风向。
其中,各个权重的值还与可行驶区域的场景复杂度有关,场景复杂度高时各个权重的值相对于场景复杂度低时各个权重的值较大。
S203、根据可行驶区域的范围调整车辆的感知区域的范围。
其中,感知区域是车辆进行环境感知的区域,以便根据环境感知结果执行不同的自动驾驶策略,例如:车辆根据感知区域中的环境感知结果执行紧急制动、自动泊车、自动加速、或车道线居中等策略。本实施例中,感知区域对应的采样点为点云的子集,感知区域的面积大小可行驶区域的面积,感知区域的面积和可行驶区域的面积呈正相关性,即可行驶区域的面积越大,感知区域的面积越大;可行驶区域的面积越小,感知区域的面积越小。
在一种可能的实施方式中,感知区域的形状为多边形,该多边形覆盖可行驶区域,多边形可以是四边形、五边形或六边形等,感知区域的面积和可行驶区域的面积的差值为预设值,预设值可以根据实际需求来定,本申请实施例不作限制。
例如:参见图4所示,确定装置根据可行驶区域11的范围确定感知区域12的范围,感知区域12的形状为四边形,感知区域12的面积大于可行驶区域11的面积,感知区域12覆盖可行驶区域11。
进一步的,感知区域的形状为矩形,矩形为可行驶区域的最小外接矩形,确定装置确定可行驶区域的几何中心,根据几何中心确定可行驶区域的最小外界矩形,将该最小外界矩形作为感知区域。
例如:参见图5所示,确定装置根据可行驶区域11的范围确定其最小外界矩形11,将最小外界矩形11作为感知区域。
实施本申请实施例,确定多个视场中各个视场之间的相对位置关系,根据相邻的两个视场之间的重叠区域分别在两个视场中的回波强度,定量的测量相邻的两个视场之间的回波强度的误差,然后根据多个视场中的基准视场以及相邻的两个视场之间的误差确定待校正视场的校正系数,基于校正系数对待校正视场的回波强度进行校正,以实现对探测到的物体的反射率的校正,这样解决相关技术中激光雷达的多个通道之间的硬件差异导致对同一物体探测到的反射率不同,从而无法准确识别物体的问题,本申请实施例通过对多个通道进行校正实现多个通道的一致性,这样激光雷达使用多通道探测物体时能准确的反映其轮廓,降低物体识别难度,提高探测准确性。
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。
请参见图6,其示出了本申请一个示例性实施例提供的感知区域的确定装置的结构示意图,以下简称确定装置6。该确定装置6可以通过软件、硬件或者两者的结合实现成为车辆的全部或一部分。确定装置6包括:获取单元601、构建单元602和调整单元603。
获取单元601,用于获取点云采集装置采集的点云;
构建单元602,用于根据所述点云构建车辆的可行驶区域;
调整单元603,用于根据所述可行驶区域的范围调整所述车辆的感知区域的范围;其中,所述感知区域的面积大于所述可行驶区域的面积。
在一种可能的实施方式中,构建单元602具体用于:
根据所述点云中各个采样点的高度,结合随机采样一致性RANSAC算法对所述点云进行识别得到地面点和障碍物点;
根据所述地面点构建所述车辆的可行驶区域。
在一种可能的实施方式中,调整单元603具体用于:
确定所述可行驶区域的几何中心;
以所述几何中心确定所述可行驶区域的最小外接矩形,以及将所述最小外界矩形作为所述感知区域。
在一种可能的实施方式中,获取单元601具体用于:
获取一个或多个点云采集装置在水平方向上进行360度扫描生成的点云。
在一种可能的实施方式中,确定装置6还包括:
计算单元,用于根据所述可行驶区域的面积、所述可行驶区域在行驶方向上的最大长度、以及所述可行驶区域在所述行驶方向的垂直方向上的最大长度计算所述可行驶区域的复杂度。
在一种可能的实施方式中,所述根据所述可行驶区域的面积、所述可行驶区域在行驶方向上的最大长度、以及所述可行驶区域在所述行驶方向的垂直方向上的最大长度计算所述可行驶区域的复杂度,包括:
根据以下公式计算所述可行驶区域的复杂度:
w1/S+w2/L+w3/W;
其中,S表示可行驶区域的面积,L表示可行驶区域在行驶方向上的最大长度,W表示可行驶区域在行驶方向的垂直方向上的最大长度,w1表示S的权重,w2表示L的权重,w3表示W的权重,w1、w2和w3为大于0的整数。
在一种可能的实施方式中,确定装置6还包括:
权重调整单元,用于根据车辆所在的场景调整w1、w2和w3的参数值。
需要说明的是,上述实施例提供的确定装置6在执行感知区域的确定方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的感知区域的确定装置与感知区域的确定方法实施例属于同一构思,其体现实现过程详见方法实施例,这里不再赘述。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
本申请实施例还提供了一种计算机存储介质,所述计算机存储介质可以存储有多条指令,所述指令适于由处理器加载并执行如上述图2-图5所示实施例的方法步骤,具体执行过程可以参见图2-图5所示实施例的具体说明,在此不进行赘述。
本申请还提供了一种计算机程序产品,该计算机程序产品存储有至少一条指令,所述至少一条指令由所述处理器加载并执行以实现如上各个实施例所述的感知区域的确定方法。
请参见图7,为本申请实施例提供了一种感知区域的确定装置的结构示意图,以下确定装置7。如图7所示,所述确定装置7可以包括:至少一个处理器701、存储器702和至少一个通信总线703。
其中,通信总线703用于实现这些组件之间的连接通信。
其中,处理器701可以包括一个或者多个处理核心。处理器701利用各种接口和线路连接整个确定装置7内的各个部分,通过运行或执行存储在存储器702内的指令、程序、代码集或指令集,以及调用存储在存储器702内的数据,执行确定装置7的各种功能和处理数据。可选的,处理器701可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(ProgrammableLogic Array,PLA)中的至少一种硬件形式来实现。处理器701可集成中央处理器(CentralProcessing Unit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作***、用户界面和应用程序等;GPU用于负责显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器701中,单独通过一块芯片进行实现。
其中,存储器702可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。可选的,该存储器702包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器702可用于存储指令、程序、代码、代码集或指令集。存储器702可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作***的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器702可选的还可以是至少一个位于远离前述处理器701的存储装置。
在图7所示的确定装置7中,处理器701可以用于调用存储器702中存储的计算机程序,并具体执行以下步骤步骤:
获取点云采集装置采集的点云;
根据所述点云构建车辆的可行驶区域;
根据所述可行驶区域的范围调整所述车辆的感知区域的范围;其中,所述感知区域的面积大于所述可行驶区域的面积。
在一种可能的实施方式中,处理器701执行所述根据所述点云构建车辆的可行驶区域,包括:
根据所述点云中各个采样点的高度,结合随机采样一致性RANSAC算法对所述点云进行识别得到地面点和障碍物点;
根据所述地面点构建所述车辆的可行驶区域。
在一种可能的实施方式中,处理器701执行所述根据所述可行驶区域的范围调整所述车辆的感知区域的范围,包括:
确定所述可行驶区域的几何中心;
以所述几何中心确定所述可行驶区域的最小外接矩形,以及将所述最小外界矩形作为所述感知区域。
在一种可能的实施方式中,处理器701执行所述获取点云采集装置采集的点云,包括:
获取一个或多个点云采集装置在水平方向上进行360度扫描生成的点云。
在一种可能的实施方式中,处理器701还用于执行:
根据所述可行驶区域的面积、所述可行驶区域在行驶方向上的最大长度、以及所述可行驶区域在所述行驶方向的垂直方向上的最大长度计算所述可行驶区域的复杂度。
在一种可能的实施方式中,处理器701执行所述根据所述可行驶区域的面积、所述可行驶区域在行驶方向上的最大长度、以及所述可行驶区域在所述行驶方向的垂直方向上的最大长度计算所述可行驶区域的复杂度,包括:
根据以下公式计算所述可行驶区域的复杂度:
w1/S+w2/L+w3/W;
其中,S表示可行驶区域的面积,L表示可行驶区域在行驶方向上的最大长度,W表示可行驶区域在行驶方向的垂直方向上的最大长度,w1表示S的权重,w2表示L的权重,w3表示W的权重,w1、w2和w3为大于0的整数。
在一种可能的实施方式中,处理器701还用于执行:
根据车辆所在的场景调整w1、w2和w3的参数值。
其中,图7的实施例和图2的方法实施例基于相同的构思,其带来的技术效果也相同,图7的具体实现过程可参照图2的描述,此处不再赘述。
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,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。
以上所揭露的仅为本申请较佳实施例而已,当然不能以此来限定本申请之权利范围,因此依本申请权利要求所作的等同变化,仍属本申请所涵盖的范围。
Claims (9)
1.一种感知区域的确定方法,其特征在于,所述方法包括:
获取点云采集装置采集的点云;
根据所述点云构建车辆的可行驶区域;
根据所述可行驶区域的范围调整所述车辆的感知区域的范围;其中,所述感知区域的面积大于所述可行驶区域的面积;
根据所述可行驶区域的面积、所述可行驶区域在行驶方向上的最大长度、以及所述可行驶区域在所述行驶方向的垂直方向上的最大长度计算所述可行驶区域的复杂度;根据以下公式计算所述可行驶区域的复杂度:w1/S+w2/L+w3/W;
其中,S表示可行驶区域的面积,L表示可行驶区域在行驶方向上的最大长度,W表示可行驶区域在行驶方向的垂直方向上的最大长度,w1表示S的权重,w2表示L的权重,w3表示W的权重,w1、w2和w3为大于0的整数;
根据不同的复杂度选择不同的环境感知算法进行环境感知,其中,所述感知区域是车辆进行环境感知的区域;可行驶区域的复杂度越高、选择计算复杂度高的环境感知算法,可行驶区域的复杂度越低、选择计算复杂度低的环境感知算法。
2.根据权利要求1所述的方法,其特征在于,所述根据所述点云构建车辆的可行驶区域,包括:
根据所述点云中各个采样点的高度,结合随机采样一致性RANSAC算法对所述点云进行识别得到地面点和障碍物点;
根据所述地面点构建所述车辆的可行驶区域。
3.根据权利要求1所述的方法,其特征在于,所述根据所述可行驶区域的范围调整所述车辆的感知区域的范围,包括:
确定所述可行驶区域的几何中心;
以所述几何中心确定所述可行驶区域的最小外接矩形,以及将所述最小外界矩形作为所述感知区域。
4.根据权利要求1所述的方法,其特征在于,所述获取点云采集装置采集的点云,包括:
获取一个或多个点云采集装置在水平方向上进行扫描生成的点云。
5.根据权利要求1所述的方法,其特征在于,还包括:
根据车辆所在的场景调整w1、w2和w3的参数值。
6.一种感知区域的确定装置,其特征在于,所述确定装置包括:
获取单元,用于获取点云采集装置采集的点云;
构建单元,用于根据所述点云构建车辆的可行驶区域;
调整单元,用于根据所述可行驶区域的范围调整所述车辆的感知区域的范围;其中,所述感知区域的面积大于所述可行驶区域的面积;
所述调整单元还用于,
根据所述可行驶区域的面积、所述可行驶区域在行驶方向上的最大长度、以及所述可行驶区域在所述行驶方向的垂直方向上的最大长度计算所述可行驶区域的复杂度;
根据以下公式计算所述可行驶区域的复杂度:w1/S+w2/L+w3/W;
其中,S表示可行驶区域的面积,L表示可行驶区域在行驶方向上的最大长度,W表示可行驶区域在行驶方向的垂直方向上的最大长度,w1表示S的权重,w2表示L的权重,w3表示W的权重,w1、w2和w3为大于0的整数;
根据不同的复杂度选择不同的环境感知算法进行环境感知,其中,所述感知区域是车辆进行环境感知的区域;可行驶区域的复杂度越高、选择计算复杂度高的环境感知算法,可行驶区域的复杂度越低、选择计算复杂度低的环境感知算法。
7.一种计算机存储介质,其特征在于,所述计算机存储介质存储有多条指令,所述指令适于由处理器加载并执行如权利要求1~5任意一项的方法步骤。
8.一种感知区域的确定装置,其特征在于,包括:处理器和存储器;其中,所述存储器存储有计算机程序,所述计算机程序适于由所述处理器加载并执行如权利要求1~5任意一项的方法步骤。
9.一种车辆,其特征在于,包括一个或多个点云采集装置和如权利要求6所述的确定装置。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2020/073693 WO2021051736A1 (zh) | 2020-01-22 | 2020-01-22 | 感知区域的确定方法、装置、存储介质及车辆 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112789521A CN112789521A (zh) | 2021-05-11 |
CN112789521B true CN112789521B (zh) | 2024-04-26 |
Family
ID=74883418
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080005490.8A Active CN112789521B (zh) | 2020-01-22 | 2020-01-22 | 感知区域的确定方法、装置、存储介质及车辆 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112789521B (zh) |
WO (1) | WO2021051736A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113552574B (zh) * | 2021-07-13 | 2023-01-06 | 上海欧菲智能车联科技有限公司 | 一种区域探测方法、装置、存储介质及电子设备 |
CN113625243A (zh) * | 2021-07-28 | 2021-11-09 | 山东浪潮科学研究院有限公司 | 恶劣天气下提高激光雷达图像信噪比的方法及装置 |
TWI786765B (zh) * | 2021-08-11 | 2022-12-11 | 中華電信股份有限公司 | 自適應配置雷達參數的雷達和方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108169729A (zh) * | 2018-01-17 | 2018-06-15 | 上海禾赛光电科技有限公司 | 激光雷达的视场的调整方法、介质、激光雷达*** |
CN108427124A (zh) * | 2018-02-02 | 2018-08-21 | 北京智行者科技有限公司 | 一种多线激光雷达地面点分离方法及装置、车辆 |
CN109061606A (zh) * | 2018-09-19 | 2018-12-21 | 深圳市速腾聚创科技有限公司 | 智能感知激光雷达***及智能感知激光雷达控制方法 |
CN110244321A (zh) * | 2019-04-22 | 2019-09-17 | 武汉理工大学 | 一种基于三维激光雷达的道路可通行区域检测方法 |
CN110275167A (zh) * | 2019-06-03 | 2019-09-24 | 浙江吉利控股集团有限公司 | 一种雷达探测的控制方法、控制器及终端 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3118834B1 (en) * | 2015-07-13 | 2019-07-03 | Volvo Car Corporation | Lane change control arrangement, a vehicle comprising such arrangement and a method for controlling lane changes |
US10620638B2 (en) * | 2017-08-18 | 2020-04-14 | Wipro Limited | Method, system, and device for guiding autonomous vehicles based on dynamic extraction of road region |
CN107632296A (zh) * | 2017-09-08 | 2018-01-26 | 深圳市速腾聚创科技有限公司 | 激光雷达控制方法及激光雷达 |
CN109840448A (zh) * | 2017-11-24 | 2019-06-04 | 百度在线网络技术(北京)有限公司 | 用于无人驾驶车辆的信息输出方法和装置 |
-
2020
- 2020-01-22 CN CN202080005490.8A patent/CN112789521B/zh active Active
- 2020-01-22 WO PCT/CN2020/073693 patent/WO2021051736A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108169729A (zh) * | 2018-01-17 | 2018-06-15 | 上海禾赛光电科技有限公司 | 激光雷达的视场的调整方法、介质、激光雷达*** |
CN108427124A (zh) * | 2018-02-02 | 2018-08-21 | 北京智行者科技有限公司 | 一种多线激光雷达地面点分离方法及装置、车辆 |
CN109061606A (zh) * | 2018-09-19 | 2018-12-21 | 深圳市速腾聚创科技有限公司 | 智能感知激光雷达***及智能感知激光雷达控制方法 |
CN110244321A (zh) * | 2019-04-22 | 2019-09-17 | 武汉理工大学 | 一种基于三维激光雷达的道路可通行区域检测方法 |
CN110275167A (zh) * | 2019-06-03 | 2019-09-24 | 浙江吉利控股集团有限公司 | 一种雷达探测的控制方法、控制器及终端 |
Also Published As
Publication number | Publication date |
---|---|
CN112789521A (zh) | 2021-05-11 |
WO2021051736A1 (zh) | 2021-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112789521B (zh) | 感知区域的确定方法、装置、存储介质及车辆 | |
CN102248947B (zh) | 使用3-d激光测距仪的目标和车辆检测及跟踪 | |
CN108509820B (zh) | 障碍物分割方法及装置、计算机设备及可读介质 | |
CN111932943B (zh) | 动态目标的检测方法、装置、存储介质及路基监测设备 | |
WO2021016751A1 (zh) | 一种点云特征点提取方法、点云传感***及可移动平台 | |
CN110879994A (zh) | 基于形状注意力机制的三维目测检测方法、***、装置 | |
US10872228B1 (en) | Three-dimensional object detection | |
CN110674705A (zh) | 基于多线激光雷达的小型障碍物检测方法及装置 | |
CN111257882B (zh) | 数据融合方法、装置、无人驾驶设备和可读存储介质 | |
CN113112491B (zh) | 一种悬崖检测方法、装置、机器人及存储介质 | |
CN114384491B (zh) | 用于激光雷达的点云处理方法及装置、存储介质 | |
CN115406457A (zh) | 一种可行驶区域检测方法、***、设备及存储介质 | |
CN115311646A (zh) | 一种障碍物检测的方法及装置 | |
CN115164919A (zh) | 基于双目相机的空间可行驶区域地图构建方法及装置 | |
CN114820657A (zh) | 地面点云分割方法、***、地面建模方法及介质 | |
CN113734176A (zh) | 智能驾驶车辆的环境感知***、方法、车辆及存储介质 | |
CN112990049A (zh) | 用于车辆自动驾驶的aeb紧急制动方法、装置 | |
US11747454B2 (en) | Granularity-flexible existence-based object detection | |
CN113763308B (zh) | 一种地面检测方法、装置、服务器及介质 | |
CN112651405B (zh) | 目标检测方法及装置 | |
CN114549764A (zh) | 基于无人车的障碍物识别方法、装置、设备及存储介质 | |
CN111414848B (zh) | 一种全类别3d障碍物检测方法、***和介质 | |
JP7131612B2 (ja) | 物体認識装置、物体認識システム、及びプログラム | |
CN117690133A (zh) | 点云数据标注方法、装置、电子设备、车辆及介质 | |
CN117876708A (zh) | 障碍物轮廓获取方法、智能设备及计算机可读存储介质 |
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 |