CN113156451A - 非结构化道路边界检测方法、装置、存储介质和电子设备 - Google Patents
非结构化道路边界检测方法、装置、存储介质和电子设备 Download PDFInfo
- Publication number
- CN113156451A CN113156451A CN202110309395.3A CN202110309395A CN113156451A CN 113156451 A CN113156451 A CN 113156451A CN 202110309395 A CN202110309395 A CN 202110309395A CN 113156451 A CN113156451 A CN 113156451A
- Authority
- CN
- China
- Prior art keywords
- boundary
- points
- point
- angle
- ground
- 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
- 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
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- 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
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Electromagnetism (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种非结构化道路边界检测方法、装置、存储介质和电子设备,涉及车辆环境感知技术领域。本发明通过获取多线雷达单帧扫描数据并进行预处理;基于预处理后的多线雷达单帧扫描数据获取非地面点;将所述非地面点投影到栅格图中;基于所述栅格图和扫描法获取多个视场角潜在边界点;对多个视场角潜在边界点进行合并,得到边界点集合。本发明基于多视场角的边界检测,可以更准确的提取非结构化道路凹陷区域以及单一视场角下被遮挡区域的边界点,提高道路边界识别的准确度。
Description
技术领域
本发明涉及车辆环境感知技术领域,具体涉及一种非结构化道路边界检测方法、装置、存储介质和电子设备。
背景技术
无人驾驶中,道路的边界位置决定了无人车辆能够行驶的范围,因此,准确定位出道路的边界线是无人自动驾驶中一项很重要的任务,只有把道路的边界准确的识别出来,才能保证无人车辆不会走到不可行驶的边界线之外。现有技术中,一般通过图像进行边界识别或基于激光雷达进行边界检测。
现有的基于多线激光雷达的边界检测方法,多是基于单帧激光雷达扫描数据,将提取的离散边界点进行拟合和滤波,得到道路边界。
然而,现有的基于多线激光雷达的边界检测方法对于拐弯处激光雷达无法扫描到的被遮挡的道路边界无法有效提取边界点,即现有的非结构化道路边界检测方法存在盲区,道路边界识别的准确度较低。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种非结构化道路边界检测方法、装置、存储介质和电子设备,解决了现有的非结构化道路边界检测方法存在盲区的技术问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
第一方面,本发明提供一种非结构化道路边界检测方法,该方法包括:
获取多线雷达单帧扫描数据并进行预处理;
基于预处理后的多线雷达单帧扫描数据获取非地面点;
将所述非地面点投影到栅格图中;
基于所述栅格图和扫描法获取多个视场角潜在边界点;
对多个视场角潜在边界点进行合并,得到边界点集合。
优选的,所述方法获取多个多线雷达单帧扫描数据。
优选的,所述基于预处理后的多线雷达单帧扫描数据获取非地面点,包括:
提取高程夹角Δθ大于预设阈值θthre的多线雷达单帧扫描数据以及三点平面法向量与Z轴夹角β大于预设阈值βthre的多线雷达单帧扫描数据作为非地面点。
优选的,所述将所述非地面点投影到栅格图中,包括:
将记录的局部统一坐标系下的非地面点集合组A中的全部点转换到当前车辆坐标系下;
将当前车辆坐标系下的非地面点集合A中的点投影到栅格图中,所述栅格图是为以当前车辆坐标系原点为中心的正方形,每个栅格点保留如下信息:非地面点个数、非地面点平均高度;所述栅格中心点在车辆坐标系下的位置信息x、y;如果栅格中没有非地面点,则该栅格非地面点个数以及位置信息等均设为0。
优选的,所述基于所述栅格图和扫描法获取多个视场角潜在边界点,包括:
基于记录的车辆的GPS位置姿态信息集合B={G1、G2、、、、、、Gk},选取j个视场角,基于所述扫描法获取每个视场角下的边界点,具体为:
选取Gt中的位置作为第a个视场角,其中t=floor(a*k/j),k为集合B所包含的元素个数,1≤a≤j;
对于第a个视场角,以该视场角GPS所在位置为中心,旋转一周建立w条射线,求取每条射线在栅格图中打到的最近的非地面栅格,并将该栅格点中包含的所在栅格位置m1行、n1列以及该栅格所包含的位置以和高度信息x、y、z以及对应的该视场角下的所在的旋转角Φ作为潜在边界点信息存入到集合Ci中,即Ci={m1、n1、x、y、z、Φ},其中Φ=θmin*k,(k=1,2、、、n);旋转角相邻射线间隔角度θmin=360°/n。
优选的,所述对多个视场角潜在边界点进行合并,得到边界点集合,包括:
S501、选取第一视场角的边界点集合C1作为基础点,计算任意两个相邻边界点Pi与Pi+1之间的距离差D与角度差θ;
S502、对于距离差大于阈值Dthre,并且角度差小于阈值θthre的相邻点Pi与Pi+1依次在不同视场角度下进行插值,计算第1视场角下的边界点Pi与Pi+1在第2个视场角下对应的旋转角θi与θi+1,如果第2个视场角存在旋转角介于θi与θi+1之间的边界点P,则将第2个视场角下的边界点P按顺序***在点Pi与Pi+1之间;将新的边界点集合C2作为新的基础点,计算任意两个相邻边界点的距离以及夹角;
S503、在新的视场角下重复步骤S502操作,直至遍历所有视场角,得到最终的边界点集合Cm。
优选的,所述方法还包括:
对合并后的边界点进行去噪处理,具体为:
对于边界点集合Cm中任意相邻的3个的边界点Pi+1、Pi、Pi-1,分别计任意两个点之间的距离Di+1,i、Di+1,i-1、Di-1,i,满足下式所示下条件,则将第i个边界点作为噪点滤除;
Di+1,i-1<Di+1,i
Di+1,i-1<Di-1,i。
第二方面,本发明提供一种非结构化道路边界检测装置,该装置包括:
扫描数据获取模块,用于获取多线雷达单帧扫描数据并进行预处理;
非地面点获取模块,用于基于预处理后的多线雷达单帧扫描数据获取非地面点;
投影模块,用于将所述非地面点投影到栅格图中;
边界点获取模块,用于基于所述栅格图和扫描法获取多个视场角潜在边界点;
合并模块,用于对多个视场角潜在边界点进行合并,得到边界点集合。
第三方面,本发明提供一种计算机可读存储介质,其存储用于非结构化道路边界检测的计算机程序,其中,所述计算机程序使得计算机执行如上述所述的非结构化道路边界检测方法。
第四方面,一种电子设备,包括:
一个或多个处理器;
存储器;以及
一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,所述程序包括用于执行如上述所述的非结构化道路边界检测方法。
(三)有益效果
本发明提供了一种非结构化道路边界检测方法、装置、存储介质和电子设备。与现有技术相比,具备以下有益效果:
本发明通过获取多线雷达单帧扫描数据并进行预处理;基于预处理后的多线雷达单帧扫描数据获取非地面点;将所述非地面点投影到栅格图中;基于所述栅格图和扫描法获取多个视场角潜在边界点;对多个视场角潜在边界点进行合并,得到边界点集合。本发明基于多视场角的边界检测,可以更准确的提取非结构化道路凹陷区域以及单一视场角下被遮挡区域的边界点,提高道路边界识别的准确度。
附图说明
为了更清楚地说明本发明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发明的一些实施例,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为为实施例1中一种非结构化道路边界检测方法的流程框图;
图2为为实施例1中雷达坐标系定义的示意图;
图3为为实施例1中多线激光雷达数据格式定义的示意图;
图4为为实施例1中车辆、激光雷达、基站坐标系示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请实施例通过提供一种非结构化道路边界检测方法、装置、存储介质和电子设备,解决了现有的非结构化道路边界检测方法存在盲区的技术问题,实现提高道路边界识别的准确度。
本申请实施例中的技术方案为解决上述技术问题,总体思路如下:
作为自动驾驶的关键技术之一,环境感知的准确输出决定着自动驾驶功能的实现与否。在当前自动驾驶行业中,道路边界检测是无人驾驶环境感知中的重要研究内容。道路边界识别可以为无人驾驶车辆决策提供重要的依据,辅助无人驾驶车辆有效区分周边环境的可行驶区域与非可行驶区域,已有技术方案中,基于图像的边界识别容易受到光照、水汽等环境因素的干扰,同时对算法鲁棒性要求较高;已有的基于多线激光雷达的边界检测方法,多是基于单帧激光雷达扫描数据,将提取的离散边界点进行拟合和滤波,对于拐弯处激光雷达无法扫描到的被遮挡的道路边界无法有效提取边界点,对存在凹陷凸起较多的非结构化道路边界仅依靠滤波算法无法有效提取精确的边界点。同时,由于激光雷达存在近端点密集远端点稀疏的特点,现有的多线激光雷达边界检测方法,由于远端道路边界扫描点较少,容易造成远端边界识别存在较大偏差。针对上述问题,本发明实施例提供了一种非结构化道路边界检测方法、装置、存储介质和电子设备。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
实施例1:
如图1所示,本发明提供了一种非结构化道路边界检测方法,如图1所示,该方法由计算机执行,该方法包括:
S1、获取多线雷达单帧扫描数据并进行预处理;
S2、基于预处理后的多线雷达单帧扫描数据获取非地面点;
S3、将非地面点投影到栅格图中;
S4、基于栅格图和扫描法获取多个视场角潜在边界点;
S5、对多个视场角潜在边界点进行合并,得到边界点集合。
本发明实施例基于多视场角的边界检测,可以更准确的提取非结构化道路凹陷区域以及单一视场角下被遮挡区域的边界点,提高道路边界识别的准确度。
下面对本发明实施例的实现过程进行详细说明:
在步骤S1中,获取多线雷达单帧扫描数据并进行预处理。具体实施过程如下:
获取多线雷达单帧扫描数据。
预处理的过程包括:
将多线雷达单帧扫描数据解析至雷达坐标系,如图2所示,雷达坐标系定义前方为y,右侧为x,向上为z。
如图3所示,将获取的多线雷达单帧扫描数据(在本发明实施例中,选用的雷达为机械旋转式多线激光雷达,当然,应用固态雷达以及半固态雷达可达到相同效果)按其工作方式具体定义线束个数为N,线束由下至上依此为0~N,每条线扫描点数为M,则每帧数据存储为N*M的数组,每个数组中包含位置信息X、Y、Z,返回距离Distance与反射强度Intensity,以及其他扫描点相关信息。存储多线雷达单帧扫描数据时按线束编号由小到大有序排列。对多线雷达单帧扫描数据进行进一步处理,当数据满足以下至少一个条件时,将该多线雷达单帧扫描数据作为噪点,将其距离Distance设置为零。
条件1、返回距离Distance小于阈值Dmin;
条件2、反射强度Intensity小于阈值Imin;
条件3、Z绝对值大于阈值Hmax。
在本发明实施例中,在本发明实施例中Dmin设置为0.1m,Imin设置为5,Hmax设置为10m。
在步骤S2中,基于预处理后的多线雷达单帧扫描数据获取非地面点。具体实施过程如下:
对近端的多线雷达单帧扫描数据,提取高程夹角Δθ大于阈值θthre的点非地面点;
对远端的多线雷达单帧扫描数据,提取三点平面法向量与Z轴夹角β大于阈值βthre的点作为非地面点。
在本发明实施例中,距离雷达安装点径向距离30m以内的点,为近端。
其中,高程夹角、三点平面法向量与Z轴夹角这两个夹角的计算方法如下:
基于相邻扫描线相同位置扫描点求取高程夹角,具体为:
计算第i(i>0)条扫描线第m个扫描点距离雷达安装点的径向距离dm,i,以及第i-1条扫描线第m个扫描点距离雷达安装点的径向距离dm,i-1,其计算公式为:
计算这两个扫描点的径向距离差值,公式为
Δd=dm,i-dm,i-1
计算这两个点之间的高程夹角,计算公式为
因梯度法不能很好的提取远端的非地面点,为了解决远端敏感的问题,本发明实施例基于相邻扫描线的三个点求取法向量,并计算该法向量与雷达坐标系中Z轴的夹角,具体为:
计算第i(i>0)条扫描线第m个扫描点,第i(i>0)条扫描线第m+n个扫描点和第i-1条扫描线第m个扫描点的拟合平面:z=a*x+b*y+c,其中a、b、c计算公式如下:
a=(zm,i-1-zm,i)*(ym+n,i-ym,i)-(zm+n,i-zm,i)*(ym,i-1-ym,i)
b=(zm+n,i-zm,i)*(xm,i-1-xm,i)-(xm+n,i-xm,i)*(zm,i-1-zm,i)
c=(xm+n,i-xm,i)*(ym,i-1-ym,i)-(xm,i-1-xm,i)*(ym+n,i-ym,i)
计算拟合平面与激光雷达坐标下Z轴的夹角β:
s1=[a,b,c]
s2=[0,0,1]
s3=s1×s2
β=abs(atan((s3×s4)/(s1×s2)))。
需要说明的是,本发明实施例中将阈值θthre和βthre均设置为30度。
在具体实施过程中,为了减少计算量,还可以对非地面点集合进行抽稀处理。具有为:
将提取的非地面点集合P0={p1、p2、、、、、、pm}进行抽稀处理,在OXY平面内如果点pi与点pj在OXY面内距离小于dthre(本发明实施例中距离阈值dthre设置为0.2m),则仅保留z值较高的点,进而得到新的非地面点集合Pk={p1、p2、、、、、、pn}(n<=m)。
为了方便计算,将非地面点集Pk转换到统一的坐标系下,在本发明实施例中,将非地面点集Pk转换到基站坐标系下(在具体实施过程中,将点转换到任意局部统一坐标系下均可达到相同的效益)。
将非地面点集Pk转换到基站坐标系下,存储到记录的非地面点集合组A中:A={P1、P2、、、、、、Pk}。
将当前帧车辆的位置信息与姿态角信息存储到Gk中,并将Gk存储到集合B中。其中Gk与集合B,如下式所示:
Gk={xk、yk、zk、αk、βk、γk}
B={G1、G2、、、、、、Gk}
如果k大于阈值kmax(kmax设置为20),则将集合A与集合B中第一个元素删除,之后执行步骤S3;否则,则继续执行步骤S1与步骤S2。即多帧扫描数据积累,得到更丰富的周围环境信息,极大的提高了远端道路边界的识别准确度。
在步骤S3中,将非地面点投影到栅格图中。具体实施过程如下:
将记录的基站坐标系下的非地面点集合组A中的全部点转换到当前车辆坐标系下,如图4所示,其中激光雷达坐标系为O1X1Y1Z1,车辆坐标系为O2X2Y2Z2,车辆坐标系以后轴中心为坐标原点,基站坐标系为O3X3Y3Z3(各坐标系均符合右手螺旋定则)。将当前车辆坐标系下的非地面点集合A中的点投影到栅格图中,该栅格图是为以当前车辆坐标系原点为中心的正方形。每个栅格点保留如下信息:非地面点个数、非地面点平均高度(车辆坐标系下)、该栅格中心点在车辆坐标系下的位置信息x、y。如果栅格中没有非地面点,则该栅格非地面点个数以及位置信息等均设为0。
在步骤S4中,基于栅格图和扫描法获取多个视场角潜在边界点,具体实施过程如下:
基于记录的车辆的GPS位置姿态信息集合B,选取j个视场角,并基于扫描法获取每个视场角下的边界点,具体为:
S401、选取Gt中的位置作为第a个视场角,其中t=floor(a*k/j),k为集合B所包含的元素个数,1≤a≤j。
S402、对于第a(1<a<j)个视场角,以该视场角GPS所在位置为中心,旋转一周建立w条射线,求取每条射线在栅格图中打到的最近的非地面栅格,并将该栅格点中包含的所在栅格位置m1行、n1列以及该栅格所包含的位置以和高度信息x、y、z以及对应的该视场角下的所在的旋转角Φ作为潜在边界点信息存入到集合Ci中,即Ci={m1、n1、x、y、z、Φ}。其中Φ=θmin*k,(k=1,2、、、n);旋转角相邻射线间隔角度θmin=360°/n。
需要说明的是,本发明在扫描法中应用w条射线的方法,除此之外,应用w个扇形求取扇形与非地面栅格图交点作为边界点,可达到相同效果。本发明实施例选取的多视场是基于车辆行驶过程中的GPS位置获取的,任意选取若干具有一定间距的位置作为多视场角,也可以达到相同效果。
在步骤S5中,对多个视场角潜在边界点进行合并。具体实施过程如下:
将不同视场角下的潜在边界点按照如下步骤进行合并:
S501、选取第一视场角的边界点集合C1作为基础点,计算任意两个相邻边界点Pi与Pi+1之间的距离差D与角度差θ;
S502、对于距离差大于阈值dthre,并且角度差小于阈值θthre的相邻点Pi与Pi+1依次在不同视场角度下进行插值,计算第1视场角下的边界点Pi与Pi+1在第2个视场角下对应的旋转角θi与θi+1,如果第2个视场角存在旋转角介于θi与θi+1之间的边界点P,则将第2个视场角下的边界点P按顺序***在点Pi与Pi+1之间。将新的边界点集合C2作为新的基础点,计算任意两个相邻边界点的距离以及夹角;
S503、在新的视场角下重复步骤S502操作,直至遍历所有视场角,得到最终的边界点集合Cm。
在具体实施过程中,为了进一步提高边界识别的准确度,还包括S6,对合并后的边界点进行去噪处理。具体为:
对于边界点集合Cm中任意相邻的3个的边界点Pi+1、Pi、Pi-1,分别计任意两个点之间的距离Di+1,i、Di+1,i-1、Di-1,i,满足下式所示下条件,则将第i个边界点作为噪点滤除。
Di+1,i-1<Di+1,i
Di+1,i-1<Di-1,i。
实施例2:
一种非结构化道路边界检测装置,该装置包括:
扫描数据获取模块,用于获取多线雷达单帧扫描数据并进行预处理;
非地面点获取模块,用于基于预处理后的多线雷达单帧扫描数据获取非地面点;
投影模块,用于将所述非地面点投影到栅格图中;
边界点获取模块,用于基于所述栅格图和扫描法获取多个视场角潜在边界点;
合并模块,用于对多个视场角潜在边界点进行合并,得到边界点集合。
可理解的是,本发明实施例提供的非结构化道路边界检测装置与上述实施例1中非结构化道路边界检测方法相对应,其有关内容的解释、举例、有益效果等部分可以参考非结构化道路边界检测方法中的相应内容,此处不再赘述。
实施例3:
一种计算机可读存储介质,其存储用于非结构化道路边界检测的计算机程序,其中,所述计算机程序使得计算机执行上述实施例1中非结构化道路边界检测方法。
实施例4:
一种电子设备,包括:
一个或多个处理器;
存储器;以及
一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,所述程序包括用于执行实施例1中非结构化道路边界检测方法。
综上所述,与现有技术相比,本发明具备以下有益效果:
1、本发明实施例基于多视场角的边界检测,可以更准确的提取非结构化道路凹陷区域以及单一视场角下被遮挡区域的边界点,提高道路边界识别的准确度。
2、通过激光雷达多帧扫描数据积累,可以得到更丰富的周围环境信息,极大的提高了远端道路边界的识别准确度。
3、在复杂的非结构化道路环境,尤其是矿区非结构化道路,本发明提出的道路边界识别方法具有非常强的适应性。
需要说明的是,通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种非结构化道路边界检测方法,其特征在于,该方法包括:
获取多线雷达单帧扫描数据并进行预处理;
基于预处理后的多线雷达单帧扫描数据获取非地面点;
将所述非地面点投影到栅格图中;
基于所述栅格图和扫描法获取多个视场角潜在边界点;
对多个视场角潜在边界点进行合并,得到边界点集合。
2.如权利要求1所述的非结构化道路边界检测方法,其特征在于,所述方法获取多个多线雷达单帧扫描数据。
3.如权利要求1所述的非结构化道路边界检测方法,其特征在于,所述基于预处理后的多线雷达单帧扫描数据获取非地面点,包括:
提取高程夹角Δθ大于预设阈值θthre的多线雷达单帧扫描数据以及三点平面法向量与Z轴夹角β大于预设阈值βthre的多线雷达单帧扫描数据作为非地面点。
4.如权利要求1所述的非结构化道路边界检测方法,其特征在于,所述将所述非地面点投影到栅格图中,包括:
将记录的局部统一坐标系下的非地面点集合组A中的全部点转换到当前车辆坐标系下;
将当前车辆坐标系下的非地面点集合A中的点投影到栅格图中,所述栅格图是为以当前车辆坐标系原点为中心的正方形,每个栅格点保留如下信息:非地面点个数、非地面点平均高度;所述栅格中心点在车辆坐标系下的位置信息x、y;如果栅格中没有非地面点,则该栅格非地面点个数以及位置信息等均设为0。
5.如权利要求1~4任一所述的非结构化道路边界检测方法,其特征在于,所述基于所述栅格图和扫描法获取多个视场角潜在边界点,包括:
基于记录的车辆的GPS位置姿态信息集合B={G1、G2、、、、、、Gk},选取j个视场角,基于所述扫描法获取每个视场角下的边界点,具体为:
选取Gt中的位置作为第a个视场角,其中t=floor(a*k/j),k为集合B所包含的元素个数,1≤a≤j;
对于第a个视场角,以该视场角GPS所在位置为中心,旋转一周建立w条射线,求取每条射线在栅格图中打到的最近的非地面栅格,并将该栅格点中包含的所在栅格位置m1行、n1列以及该栅格所包含的位置以和高度信息x、y、z以及对应的该视场角下的所在的旋转角Φ作为潜在边界点信息存入到集合Ci中,即Ci={m1、n1、x、y、z、Φ},其中Φ=θmin*k,(k=1,2、、、n);旋转角相邻射线间隔角度θmin=360°/n。
6.如权利要求1~4任一所述的非结构化道路边界检测方法,其特征在于,所述对多个视场角潜在边界点进行合并,得到边界点集合,包括:
S501、选取第一视场角的边界点集合C1作为基础点,计算任意两个相邻边界点Pi与Pi+1之间的距离差D与角度差θ;
S502、对于距离差大于阈值Dthre,并且角度差小于阈值θthre的相邻点Pi与Pi+1依次在不同视场角度下进行插值,计算第1视场角下的边界点Pi与Pi+1在第2个视场角下对应的旋转角θi与θi+1,如果第2个视场角存在旋转角介于θi与θi+1之间的边界点P,则将第2个视场角下的边界点P按顺序***在点Pi与Pi+1之间;将新的边界点集合C2作为新的基础点,计算任意两个相邻边界点的距离以及夹角;
S503、在新的视场角下重复步骤S502操作,直至遍历所有视场角,得到最终的边界点集合Cm。
7.如权利要求6所述的非结构化道路边界检测方法,其特征在于,所述方法还包括:
对合并后的边界点进行去噪处理,具体为:
对于边界点集合Cm中任意相邻的3个的边界点Pi+1、Pi、Pi-1,分别计任意两个点之间的距离Di+1,i、Di+1,i-1、Di-1,i,满足下式所示下条件,则将第i个边界点作为噪点滤除;
Di+1,i-1<Di+1,i
Di+1,i-1<Di-1,i。
8.一种非结构化道路边界检测装置,其特征在于,该装置包括:
扫描数据获取模块,用于获取多线雷达单帧扫描数据并进行预处理;
非地面点获取模块,用于基于预处理后的多线雷达单帧扫描数据获取非地面点;
投影模块,用于将所述非地面点投影到栅格图中;
边界点获取模块,用于基于所述栅格图和扫描法获取多个视场角潜在边界点;
合并模块,用于对多个视场角潜在边界点进行合并,得到边界点集合。
9.一种计算机可读存储介质,其特征在于,其存储用于非结构化道路边界检测的计算机程序,其中,所述计算机程序使得计算机执行如权利要求1~7任一项所述的非结构化道路边界检测方法。
10.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器;以及
一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,所述程序包括用于执行如权利要求1~7任一项所述的非结构化道路边界检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110309395.3A CN113156451B (zh) | 2021-03-23 | 2021-03-23 | 非结构化道路边界检测方法、装置、存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110309395.3A CN113156451B (zh) | 2021-03-23 | 2021-03-23 | 非结构化道路边界检测方法、装置、存储介质和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113156451A true CN113156451A (zh) | 2021-07-23 |
CN113156451B CN113156451B (zh) | 2023-04-18 |
Family
ID=76888295
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110309395.3A Active CN113156451B (zh) | 2021-03-23 | 2021-03-23 | 非结构化道路边界检测方法、装置、存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113156451B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105404844A (zh) * | 2014-09-12 | 2016-03-16 | 广州汽车集团股份有限公司 | 一种基于多线激光雷达的道路边界检测方法 |
CN107272019A (zh) * | 2017-05-09 | 2017-10-20 | 深圳市速腾聚创科技有限公司 | 基于激光雷达扫描的路沿检测方法 |
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 |
WO2018205119A1 (zh) * | 2017-05-09 | 2018-11-15 | 深圳市速腾聚创科技有限公司 | 基于激光雷达扫描的路沿检测方法和*** |
CN109684921A (zh) * | 2018-11-20 | 2019-04-26 | 吉林大学 | 一种基于三维激光雷达的道路边界检测与跟踪方法 |
CN109858460A (zh) * | 2019-02-20 | 2019-06-07 | 重庆邮电大学 | 一种基于三维激光雷达的车道线检测方法 |
US20190178989A1 (en) * | 2017-12-11 | 2019-06-13 | Automotive Research & Testing Center | Dynamic road surface detecting method based on three-dimensional sensor |
WO2019140950A1 (zh) * | 2018-01-16 | 2019-07-25 | 华为技术有限公司 | 一种车辆定位的方法以及车辆定位装置 |
CN110163871A (zh) * | 2019-05-07 | 2019-08-23 | 北京易控智驾科技有限公司 | 一种多线激光雷达的地面分割方法 |
CN110781827A (zh) * | 2019-10-25 | 2020-02-11 | 中山大学 | 一种基于激光雷达与扇状空间分割的路沿检测***及其方法 |
CN111273305A (zh) * | 2020-02-18 | 2020-06-12 | 中国科学院合肥物质科学研究院 | 基于全局与局部栅格图多传感器融合道路提取与索引方法 |
CN111443360A (zh) * | 2020-04-20 | 2020-07-24 | 北京易控智驾科技有限公司 | 矿区无人驾驶***道路边界自动采集装置和识别方法 |
CN111985322A (zh) * | 2020-07-14 | 2020-11-24 | 西安理工大学 | 一种基于激光雷达的道路环境要素感知方法 |
-
2021
- 2021-03-23 CN CN202110309395.3A patent/CN113156451B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105404844A (zh) * | 2014-09-12 | 2016-03-16 | 广州汽车集团股份有限公司 | 一种基于多线激光雷达的道路边界检测方法 |
CN107272019A (zh) * | 2017-05-09 | 2017-10-20 | 深圳市速腾聚创科技有限公司 | 基于激光雷达扫描的路沿检测方法 |
WO2018205119A1 (zh) * | 2017-05-09 | 2018-11-15 | 深圳市速腾聚创科技有限公司 | 基于激光雷达扫描的路沿检测方法和*** |
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 |
US20190178989A1 (en) * | 2017-12-11 | 2019-06-13 | Automotive Research & Testing Center | Dynamic road surface detecting method based on three-dimensional sensor |
WO2019140950A1 (zh) * | 2018-01-16 | 2019-07-25 | 华为技术有限公司 | 一种车辆定位的方法以及车辆定位装置 |
CN109684921A (zh) * | 2018-11-20 | 2019-04-26 | 吉林大学 | 一种基于三维激光雷达的道路边界检测与跟踪方法 |
CN109858460A (zh) * | 2019-02-20 | 2019-06-07 | 重庆邮电大学 | 一种基于三维激光雷达的车道线检测方法 |
CN110163871A (zh) * | 2019-05-07 | 2019-08-23 | 北京易控智驾科技有限公司 | 一种多线激光雷达的地面分割方法 |
CN110781827A (zh) * | 2019-10-25 | 2020-02-11 | 中山大学 | 一种基于激光雷达与扇状空间分割的路沿检测***及其方法 |
CN111273305A (zh) * | 2020-02-18 | 2020-06-12 | 中国科学院合肥物质科学研究院 | 基于全局与局部栅格图多传感器融合道路提取与索引方法 |
CN111443360A (zh) * | 2020-04-20 | 2020-07-24 | 北京易控智驾科技有限公司 | 矿区无人驾驶***道路边界自动采集装置和识别方法 |
CN111985322A (zh) * | 2020-07-14 | 2020-11-24 | 西安理工大学 | 一种基于激光雷达的道路环境要素感知方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113156451B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021223368A1 (zh) | 基于视觉、激光雷达和毫米波雷达的目标检测方法 | |
CN107045629B (zh) | 一种多车道线检测方法 | |
CN110569704B (zh) | 一种基于立体视觉的多策略自适应车道线检测方法 | |
CN111046776B (zh) | 基于深度相机的移动机器人行进路径障碍物检测的方法 | |
Kang et al. | Automatic targetless camera–lidar calibration by aligning edge with gaussian mixture model | |
US8290265B2 (en) | Method and apparatus for segmenting an object region of interest from an image | |
US9454692B2 (en) | Method for identifying and positioning building using outline region restraint of mountain | |
JP5820774B2 (ja) | 路面境界推定装置及びプログラム | |
CN109598794B (zh) | 三维gis动态模型的构建方法 | |
CN112836633A (zh) | 停车位检测方法以及停车位检测*** | |
CN112883820B (zh) | 基于激光雷达点云的道路目标3d检测方法及*** | |
CN110197173B (zh) | 一种基于双目视觉的路沿检测方法 | |
WO2021179983A1 (zh) | 基于三维激光的集卡防吊起检测方法、装置和计算机设备 | |
CN110826512B (zh) | 地面障碍物检测方法、设备及计算机可读存储介质 | |
CN112597846B (zh) | 车道线检测方法、装置、计算机设备和存储介质 | |
CN110533036B (zh) | 一种票据扫描图像快速倾斜校正方法和*** | |
EP2677462B1 (en) | Method and apparatus for segmenting object area | |
JP2006012178A (ja) | 駐車車両検知方法及び駐車車両検知システム | |
CN110147748A (zh) | 一种基于道路边缘检测的移动机器人障碍物识别方法 | |
CN112767358A (zh) | 基于图像特征配准的铁路电力机车故障检测方法 | |
EP3800575B1 (en) | Visual camera-based method for identifying edge of self-shadowing object, device, and vehicle | |
CN115908539A (zh) | 一种目标体积自动测量方法和装置、存储介质 | |
CN114719873A (zh) | 一种低成本精细地图自动生成方法、装置及可读介质 | |
CN114842166A (zh) | 应用于结构化道路的负障碍检测方法、***、介质及设备 | |
CN112733855B (zh) | 表格结构化方法、表格恢复设备及具有存储功能的装置 |
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 |