CN113221241A - 无人车的数据处理方法及相关设备 - Google Patents
无人车的数据处理方法及相关设备 Download PDFInfo
- Publication number
- CN113221241A CN113221241A CN202110481949.8A CN202110481949A CN113221241A CN 113221241 A CN113221241 A CN 113221241A CN 202110481949 A CN202110481949 A CN 202110481949A CN 113221241 A CN113221241 A CN 113221241A
- Authority
- CN
- China
- Prior art keywords
- points
- road route
- road
- unmanned vehicle
- reflection
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000012216 screening Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims description 25
- 238000007477 logistic regression Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 8
- 238000011960 computer-aided design Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Chemical & Material Sciences (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本公开的实施方式提供了无人车的数据处理方法及装置、计算机可读存储介质和电子设备,属于计算机和通信技术领域。所述方法包括:获取在无人车的行驶方向上的搜索区域;通过激光获取所述无人车行驶方向上的所述搜索区域内的多个反射点;根据所述多个反射点的反射强度获取道路线的多个候选点;根据所述道路线的多个候选点的高度筛除非道路线的点;根据筛除后的所述道路线的多个点获取所述道路线。本公开的方法可以实现道路线的准确快速获取。
Description
技术领域
本公开涉及计算机和通信技术领域,具体而言,涉及无人车的数据处理方法及装置、计算机可读存储介质和电子设备。
背景技术
激光点云中的道路线上的点有着较为明显的特点:反射强度高、分布在道路界限内。目前,国内外研究大多基于道路线点反射强度较高这一特点建立统计分析模型。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开实施例提供无人车的数据处理方法及装置、计算机可读存储介质和电子设备,能够实现无人车的数据处理。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的一个方面,提供一种无人车的数据处理方法,包括:
获取在无人车的行驶方向上的搜索区域;
通过激光获取所述无人车行驶方向上的所述搜索区域内的多个反射点;
根据所述多个反射点的反射强度获取道路线的多个候选点;
根据所述道路线的多个候选点的高度筛除非道路线的点;
根据筛除后的所述道路线的多个点获取所述道路线。
在一个实施例中,获取在无人车的行驶方向上的搜索区域包括:
获取以所述道路线的起点为底面圆心的圆柱形的立体搜索区域。
在一个实施例中,根据所述多个反射点的反射强度获取道路线的多个候选点包括:
根据逻辑回归模型通过所述多个反射点的反射强度获取所述道路线的多个候选点。
在一个实施例中,根据所述道路线的多个候选点的高度筛除非道路线的点包括:
在所述道路线的多个候选点中的一个候选点的高度高于第一高度时,则确认该一个候选点为非道路线的点进行筛除。
在一个实施例中,根据筛除后的所述道路线的多个点获取所述道路线包括:
使用最小二乘法对筛除后的所述道路线的多个点进行拟合,从而获取所述道路线。
在一个实施例中,根据筛除后的所述道路线的多个点获取所述道路线包括:
结合所述无人车的行驶方向或行驶轨迹,根据筛除后的所述道路线的多个点获取所述道路线。
在一个实施例中,根据筛除后的所述道路线的多个点获取所述道路线包括:
结合实际路况中的所述道路线的具体示例,根据筛除后的所述道路线的多个点获取所述道路线。
根据本公开的一个方面,提供一种无人车的数据处理装置,包括:
第一获取模块,配置为获取在无人车的行驶方向上的搜索区域;
第二获取模块,配置为通过激光获取所述无人车行驶方向上的搜索区域内的多个反射点;
第三获取模块,配置为根据所述多个反射点的反射强度获取道路线的多个候选点;
筛除模块,配置为根据所述道路线的多个候选点的高度筛除非道路线的点;
第四获取模块,配置为根据筛除后的所述道路线的多个点获取所述道路线。
根据本公开的一个方面,提供一种电子设备,包括:
一个或多个处理器;
存储装置,配置为存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上实施例中任一项所述的方法。
根据本公开的一个方面,提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上实施例中任一项所述的方法。
本申请基于反射强度指标使用逻辑回归模型进行道路线点分类,利用了行车轨迹及道路先验知识,并根据道路点与非道路点之间的高度(高程)差异筛除其他高反射强度的非道路线点(如护栏、车辆)等目标点。本申请的方法能准确、快速地从激光点云中获取道路上的道路线的CAD(计算机辅助设计)轮廓线。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
以下附图描述了本发明的某些说明性实施方式,其中相同的附图标记表示相同的元件。这些描述的实施方式将是本公开的示例性实施方式,而不是以任何方式进行限制。
图1示出了可以应用本公开实施方式的无人车的数据处理方法的示例性***架构的示意图;
图2示出了适于用来实现本公开实施方式的电子设备的计算机***的结构示意图。
图3示意性示出了根据本公开的一实施方式的无人车的数据处理方法的流程图;
图4为本发明一个实施例的基于激光点云的道路线提取方法流程示意图;
图5示意性示出了根据本公开的一实施方式的无人车的数据处理装置的框图;
图6示意性示出了根据本发明的另一个实施方式的无人车的数据处理装置的方框图;
图7示意性示出了根据本发明的另一个实施方式的无人车的数据处理装置的方框图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
图1示出了可以应用本公开实施方式的无人车的数据处理方法的示例性***架构100的示意图。
如图1所示,***架构100可以包括终端101、102、103中的一种或多种,网络104和服务器105。网络104是用以在终端101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
应该理解,图1中的终端、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端、网络和服务器。比如服务器105可以是多个服务器组成的服务器集群等。
无人车可以使用终端101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端101、102、103可以是具有显示屏的各种电子设备,包括但不限于智能手机、平板电脑、便携式计算机和台式计算机、数字电影放映机等等。
服务器105可以是提供各种服务的服务器。例如无人车通过终端103(也可以是终端101或102)向服务器发送无人车的数据处理请求时,服务器105获取在无人车的行驶方向上的搜索区域;通过激光获取所述无人车行驶方向上的所述搜索区域内的多个反射点;根据所述多个反射点的反射强度获取道路线的多个候选点;根据所述道路线的多个候选点的高度筛除非道路线的点;根据筛除后的所述道路线的多个点获取所述道路线。服务器105可以将无人车的数据处理结果显示于终端103或其他终端,进而无人车或其他人员可以基于终端上显示的内容查看无人车的数据处理的结果。
又如终端103(也可以是终端101或102)可以是智能电视、VR(Virtual Reality,虚拟现实)/AR(Augmented Reality,增强现实)头盔显示器、或者其上安装有导航、网约车、即时通讯、视频应用程序(application,APP)等的移动终端例如智能手机、平板电脑等,无人车可以通过该智能电视、VR/AR头盔显示器或者该导航、网约车、即时通讯、视频APP提出无人车的数据处理请求,服务器105可以在无人车的行驶方向上进行搜索区域。服务器105可以将获取的所述道路线返回给该或其他智能电视、VR/AR头盔显示器或者该导航、网约车、即时通讯、视频APP,进而通过该智能电视、VR/AR头盔显示器或者该导航、网约车、即时通讯、视频APP,将获取的所述道路线进行显示。
图2示出了适于用来实现本公开实施方式的电子设备的计算机***的结构示意图。
需要说明的是,图2示出的电子设备的计算机***200仅是一个示例,不应对本公开实施方式的功能和使用范围带来任何限制。
如图2所示,计算机***200包括中央处理单元(CPU,Central Processing Unit)201,其可以根据存储在只读存储器(ROM,Read-Only Memory)202中的程序或者从储存部分208加载到随机访问存储器(RAM,Random Access Memory)203中的程序而执行各种适当的动作和处理。在RAM 203中,还存储有***操作所需的各种程序和数据。CPU 201、ROM 202以及RAM 203通过总线204彼此相连。输入/输出(I/O)接口205也连接至总线204。
以下部件连接至I/O接口205:包括键盘、鼠标等的输入部分206;包括诸如阴极射线管(CRT,Cathode Ray Tube)、液晶显示器(LCD,Liquid Crystal Display)等以及扬声器等的输出部分207;包括硬盘等的储存部分208;以及包括诸如LAN(Local Area Network,局域网)卡、调制解调器等的网络接口卡的通信部分209。通信部分209经由诸如因特网的网络执行通信处理。驱动器210也根据需要连接至I/O接口205。可拆卸介质211,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器210上,以便于从其上读出的计算机程序根据需要被安装入储存部分208。
特别地,根据本公开的实施方式,下文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施方式包括一种计算机程序产品,其包括承载在计算机可读存储介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施方式中,该计算机程序可以通过通信部分209从网络上被下载和安装,和/或从可拆卸介质211被安装。在该计算机程序被中央处理单元(CPU)201执行时,执行本申请的方法和/或装置中限定的各种功能。
需要说明的是,本公开所示的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM(Erasable Programmable Read Only Memory,可擦除可编程只读存储器)或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读存储介质,该计算机可读存储介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF(RadioFrequency,射频)等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本公开各种实施方式的方法、装置和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所框选的功能也可以以不同于附图中所框选的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施方式中所涉及到的模块和/或单元和/或子单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的模块和/或单元和/或子单元也可以设置在处理器中。其中,这些模块和/或单元和/或子单元的名称在某种情况下并不构成对该模块和/或单元和/或子单元本身的限定。
作为另一方面,本申请还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施方式中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被一个该电子设备执行时,使得该电子设备实现如下述实施方式中所述的方法。例如,所述的电子设备可以实现如图3各个步骤。
相关技术中,例如可以采用机器学习方法、深度学习方法等进行无人车的数据处理,不同方法适用的范围不同。
图3示意性示出了根据本公开的一实施方式的无人车的数据处理方法的流程图。本公开实施方式的方法步骤可以由终端或服务器执行,或由终端和服务器交互执行,例如,可以由上述图1中的服务器105执行,但本公开并不限定于此。
在步骤S310中,获取在无人车的行驶方向上的搜索区域。
在该步骤中,服务器获取在无人车的行驶方向上的搜索区域。在一个实施例中,获取在无人车的行驶方向上的搜索区域包括:获取以所述道路线的起点为底面圆心的圆柱形的立体搜索区域。
本公开实施方式中,终端可以以各种形式来实施。例如,本公开中描述的终端可以包括诸如手机、平板电脑、笔记本电脑、掌上电脑、个人数字助理(personal digitalassistant,PDA)、便捷式媒体播放器(portable media player,PMP)、无人车的数据处理装置、可穿戴设备、智能手环、计步器、机器人、无人驾驶车等移动终端,以及诸如数字TV(television,电视机)、台式计算机等固定终端。
在步骤S320中,通过激光获取所述无人车行驶方向上的所述搜索区域内的多个反射点。
在该步骤中,服务器通过激光获取所述无人车行驶方向上的所述搜索区域内的多个反射点。在一个实施例中,无人车可以发射探测激光,激光的探测结果可以由无人车发送给服务器,服务器可以获取通过发射的激光而获取的所述无人车行驶方向上的所述搜索区域内的多个反射点。
在步骤S330中,根据所述多个反射点的反射强度获取道路线的多个候选点。
在该步骤中,服务器根据所述多个反射点的反射强度获取道路线的多个候选点。在一个实施例中,根据所述多个反射点的反射强度获取道路线的多个候选点包括:根据逻辑回归模型通过所述多个反射点的反射强度获取所述道路线的多个候选点。
在步骤S340中,根据所述道路线的多个候选点的高度筛除非道路线的点。
在该步骤中,服务器根据所述道路线的多个候选点的高度筛除非道路线的点。在一个实施例中,根据所述道路线的多个候选点的高度筛除非道路线的点包括:在所述道路线的多个候选点中的一个候选点的高度高于第一高度时,则确认该一个候选点为非道路线的点进行筛除。在一个实施例中,第一高度例如是根据实际路况中道路线的高度设置的高度,例如为15mm。
在步骤S350中,根据筛除后的所述道路线的多个点获取所述道路线。
在该步骤中,服务器根据筛除后的所述道路线的多个点获取所述道路线。在一个实施例中,根据筛除后的所述道路线的多个点获取所述道路线包括:使用最小二乘法对筛除后的所述道路线的多个点进行拟合,从而获取所述道路线。在一个实施例中,根据筛除后的所述道路线的多个点获取所述道路线包括:结合所述无人车的行驶方向或行驶轨迹,根据筛除后的所述道路线的多个点获取所述道路线。在一个实施例中,根据筛除后的所述道路线的多个点获取所述道路线包括:结合实际路况中的所述道路线的具体示例,根据筛除后的所述道路线的多个点获取所述道路线,例如可以对实际路况中的道路线的不清楚或缺失的情况建立道路线示例库,在对道路线进行识别时可以对示例库进行调用。
本申请基于反射强度指标使用逻辑(Logistic)回归模型进行道路线点分类,利用了行车轨迹及道路先验知识,并根据道路点与非道路点之间的高度(高程)差异筛除其他高反射强度的非道路线点(如护栏、车辆)等目标点。本申请的方法能准确、快速地从激光点云中获取道路上的道路线的CAD(计算机辅助设计)轮廓线。
基于激光点云的道路线提取方法的流程
图4为本发明一个实施例的基于激光点云的道路线提取方法流程示意图。该方法可以应用在无人驾驶物流配送车中,该方法的运算主体可以为无人车的计算平台,如图4所示,该方法可以包括下述步骤:
1.基于反射强度的道路线点判别模型。
其中,基于数据集的因变量和反射强度自变量建立Logistic回归模型,并与分位数法判别的结果进行对比分析,本申请最终选取Logistic回归模型作为道路上的道路线点判别模型。
2.道路线点判别方法。
道路线点判别方法中,一个是Logistic回归模型,另一个是分位数法。
Logistic回归模型:
通过反射强度判别道路线点及非道路线点可看作是因变量为分类变量(离散变量)的二分类问题,Logistic回归模型就是适用于这类问题的一种应用广泛的方法。从相关描述性统计可知,道路线点的反射强度普遍高于非道路线点,因此本申请以反射强度为自变量x建立Logistic回归模型。设扫描点被判别为道路上的道路线点的概率为p(即因变量等于1的概率),则Logistic回归模型的道路线点判别概率为1。
分位数法:
道路线点的反射强度普遍高于非道路线点,以X代表反射强度变量,定义道路线点占总样本量的百分比为θ。分位数法认为,将样本按照反射强度从大到小排序后,道路线点应是样本中反射强度位于θ前的点。求出反射强度的θ分位数Iθ(一个分数,例如四分之三),并将其作为判别道路线点的反射强度阈值,若样本反射强度大于Iθ即判别为道路线点,反之则判别为非道路线点,记P为判别概率函数。
3.道路线迭代式提取算法。
反射强度是道路线点识别的一个重要指标,但仍需加入更多判别条件以排除高反射强度的非道路线点(如路牌、护栏、车辆金属等)。另外,需要解决实际扫描过程中经常遇到道路线点不清晰甚至大面积缺失的情况(如道路线被树木或车辆等物体遮挡或者部分被擦除等特殊情况)。基于以上问题,本申请以道路线点判别模型为基础,利用行车轨迹和道路线之间的位置关系及道路的先验知识(已有的经验知识),设计一种定步长迭代式的道路线提取算法。
主要的有以下四个方面:
3.1行车轨迹与道路线形的关系:
3.2搜索区域的建立:
道路线点搜索算法通过迭代式地建立搜索区域,预先筛除无关点,从而提高搜索效率及准确率。搜索区域例如为圆柱体搜索区域,记圆柱体搜索区域的底面圆心点为C,搜索区域的具体建立过程如下:(1)初始圆柱体搜索区域的底面圆心C为用户在AutoCAD中选择的道路线起点O,后续搜索区域的底面圆心C为上一段道路线线段的末端端点;(2)按照本申请的方法,计算搜索区域位置处的道路线方向向量S;(3)以S作为搜索区域的中心轴方向向量,以用户指定的基点作为搜索区域的底面圆心,例如创建一个底面半径r为0.2m,高h为0.5m的圆柱体区域。
3.3筛除高反射强度的非道路线点:
除道路上的道路线点外,在创建的搜索区域内存在许多高反射强度的非道路线点(如车辆外壳及护栏等设施)。根据道路设计标准,其纵坡一般小于8%,道路上的道路线的高程(高度)变化也相对缓慢,据此可以筛除行驶的车辆、路侧护栏等反射强度较高而高程较大的点。
3.4道路线拟合算法:
将搜索区域内判别出的道路线点{Q1,Q2,Q3,…,Qn}进行空间直线的最小二乘法拟合,搜索区域内的候选道路线点数目n不应过小(试验发现以3作为数目阈值较合适),且拟合直线应该通过误差检验,即道路线点与拟合直线Lf的最大误差Δd小于阈值D(试验发现此阈值取道路线宽度的2/3比较合适,边实线宽度一般是20cm,虚线宽度一般是15cm)。将圆柱体底面圆心C视为道路线起点,截取0.5m,将其视作该位置的道路线段。
图5示意性示出了根据本公开的一实施方式的无人车的数据处理装置的框图。本公开实施方式提供的无人车的数据处理装置500可以设置在服务器端或终端上,或者部分设置在终端上,部分设置在服务器端上,例如,可以设置在图1中的服务器105,但本公开并不限定于此。
本公开实施方式提供的无人车的数据处理装置500可以包括第一获取模块510、第二获取模块520、第三获取模块530、筛除模块540和第四获取模块550。
其中,第一获取模块,配置为获取在无人车的行驶方向上的搜索区域;
第二获取模块,配置为通过激光获取所述无人车行驶方向上的搜索区域内的多个反射点;
第三获取模块,配置为根据所述多个反射点的反射强度获取道路线的多个候选点;
筛除模块,配置为根据所述道路线的多个候选点的高度筛除非道路线的点;
第四获取模块,配置为根据筛除后的所述道路线的多个点获取所述道路线。
根据本公开的实施方式,上述无人车的数据处理装置600可以根据道路点与非道路点之间的高度(高程)差异筛除其他高反射强度的非道路线点(如护栏、车辆)等目标点,从而能准确、快速地从激光点云中获取道路上的道路线的CAD(计算机辅助设计)轮廓线。
图6示意性示出了根据本发明的另一个实施方式的无人车的数据处理装置600的方框图。
如图6所示,除了图5实施方式描述的第一获取模块510、第二获取模块520、第三获取模块530、筛除模块540和第四获取模块550之外,该无人车的数据处理装置600还包括显示模块610。
具体地,显示模块610在第四获取模块550获取所述道路线后,向无人车或工作人员显示所述道路线。
在该无人车的数据处理装置600中,通过显示模块610可以显示搜索到的所述道路线。
图7示意性示出了根据本发明的另一个实施方式的无人车的数据处理装置700的方框图。
如图7所示,除了图5实施方式描述的第一获取模块510、第二获取模块520、第三获取模块530、筛除模块540和第四获取模块550之外,无人车的数据处理装置700还包括存储模块710。
具体地,存储模块710用于对无人车的数据处理过程中的数据进行存储,以方便后续调用和参考。
可以理解的是第一获取模块510、第二获取模块520、第三获取模块530、筛除模块540、第四获取模块550、显示模块610和存储模块710可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本发明的实施方式,第一获取模块510、第二获取模块520、第三获取模块530、筛除模块540、第四获取模块550、显示模块610和存储模块710的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上***、基板上的***、封装上的***、专用集成电路(ASIC),或可以以对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式的适当组合来实现。或者,第一获取模块510、第二获取模块520、第三获取模块530、筛除模块540、第四获取模块550、显示模块610和存储模块710的至少一个可以至少被部分地实现为计算机程序模块,当该程序被计算机运行时,可以执行相应模块的功能。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块、单元和子单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块、单元和子单元的特征和功能可以在一个模块、单元和子单元中具体化。反之,上文描述的一个模块、单元和子单元的特征和功能可以进一步划分为由多个模块、单元和子单元来具体化。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本公开实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施方式仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种无人车的数据处理方法,其特征在于,包括:
获取在无人车的行驶方向上的搜索区域;
通过激光获取所述无人车行驶方向上的所述搜索区域内的多个反射点;
根据所述多个反射点的反射强度获取道路线的多个候选点;
根据所述道路线的多个候选点的高度筛除非道路线的点;
根据筛除后的所述道路线的多个点获取所述道路线。
2.根据权利要求1所述的方法,其特征在于,获取在无人车的行驶方向上的搜索区域包括:
获取以所述道路线的起点为底面圆心的圆柱形的立体搜索区域。
3.根据权利要求1所述的方法,其特征在于,根据所述多个反射点的反射强度获取道路线的多个候选点包括:
根据逻辑回归模型通过所述多个反射点的反射强度获取所述道路线的多个候选点。
4.根据权利要求1所述的方法,其特征在于,根据所述道路线的多个候选点的高度筛除非道路线的点包括:
在所述道路线的多个候选点中的一个候选点的高度高于第一高度时,则确认该一个候选点为非道路线的点进行筛除。
5.根据权利要求1所述的方法,其特征在于,根据筛除后的所述道路线的多个点获取所述道路线包括:
使用最小二乘法对筛除后的所述道路线的多个点进行拟合,从而获取所述道路线。
6.根据权利要求1所述的方法,其特征在于,根据筛除后的所述道路线的多个点获取所述道路线包括:
结合所述无人车的行驶方向或行驶轨迹,根据筛除后的所述道路线的多个点获取所述道路线。
7.根据权利要求1所述的方法,其特征在于,根据筛除后的所述道路线的多个点获取所述道路线包括:
结合实际路况中的所述道路线的具体示例,根据筛除后的所述道路线的多个点获取所述道路线。
8.一种无人车的数据处理装置,其特征在于,包括:
第一获取模块,配置为获取在无人车的行驶方向上的搜索区域;
第二获取模块,配置为通过激光获取所述无人车行驶方向上的搜索区域内的多个反射点;
第三获取模块,配置为根据所述多个反射点的反射强度获取道路线的多个候选点;
筛除模块,配置为根据所述道路线的多个候选点的高度筛除非道路线的点;
第四获取模块,配置为根据筛除后的所述道路线的多个点获取所述道路线。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,配置为存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110481949.8A CN113221241A (zh) | 2021-04-30 | 2021-04-30 | 无人车的数据处理方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110481949.8A CN113221241A (zh) | 2021-04-30 | 2021-04-30 | 无人车的数据处理方法及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113221241A true CN113221241A (zh) | 2021-08-06 |
Family
ID=77090494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110481949.8A Pending CN113221241A (zh) | 2021-04-30 | 2021-04-30 | 无人车的数据处理方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113221241A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117193733A (zh) * | 2023-09-12 | 2023-12-08 | 上海澜码科技有限公司 | 示例库的构建、使用方法及生成的示例代码的评估方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127113A (zh) * | 2016-06-15 | 2016-11-16 | 北京联合大学 | 一种基于三维激光雷达的道路车道线检测方法 |
CN109017780A (zh) * | 2018-04-12 | 2018-12-18 | 深圳市布谷鸟科技有限公司 | 一种车辆智能驾驶控制方法 |
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 |
CN111862604A (zh) * | 2020-07-20 | 2020-10-30 | 北京京东乾石科技有限公司 | 无人车的控制方法及装置、计算机存储介质、电子设备 |
CN111965665A (zh) * | 2020-08-26 | 2020-11-20 | 北京小马慧行科技有限公司 | 确定自动驾驶车辆的行驶车道的方法及装置 |
CN112240772A (zh) * | 2020-12-16 | 2021-01-19 | 北京赛目科技有限公司 | 一种车道线生成方法及装置 |
-
2021
- 2021-04-30 CN CN202110481949.8A patent/CN113221241A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127113A (zh) * | 2016-06-15 | 2016-11-16 | 北京联合大学 | 一种基于三维激光雷达的道路车道线检测方法 |
CN109017780A (zh) * | 2018-04-12 | 2018-12-18 | 深圳市布谷鸟科技有限公司 | 一种车辆智能驾驶控制方法 |
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 |
CN111862604A (zh) * | 2020-07-20 | 2020-10-30 | 北京京东乾石科技有限公司 | 无人车的控制方法及装置、计算机存储介质、电子设备 |
CN111965665A (zh) * | 2020-08-26 | 2020-11-20 | 北京小马慧行科技有限公司 | 确定自动驾驶车辆的行驶车道的方法及装置 |
CN112240772A (zh) * | 2020-12-16 | 2021-01-19 | 北京赛目科技有限公司 | 一种车道线生成方法及装置 |
Non-Patent Citations (1)
Title |
---|
曹洁: "Spark大数据分析技术 Scala版", 31 January 2021, 北京航空航天大学出版社, pages: 186 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117193733A (zh) * | 2023-09-12 | 2023-12-08 | 上海澜码科技有限公司 | 示例库的构建、使用方法及生成的示例代码的评估方法 |
CN117193733B (zh) * | 2023-09-12 | 2024-03-19 | 上海澜码科技有限公司 | 示例库的构建、使用方法及生成的示例代码的评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110533055B (zh) | 一种点云数据的处理方法和装置 | |
US10731995B2 (en) | Generating a road network from location data | |
CN110632608B (zh) | 一种基于激光点云的目标检测方法和装置 | |
CN111178380A (zh) | 数据分类方法、装置及电子设备 | |
CN111950543A (zh) | 一种目标检测方法和装置 | |
CN111563398A (zh) | 用于确定目标物的信息的方法和装置 | |
CN109960959B (zh) | 用于处理图像的方法和装置 | |
CN111337898B (zh) | 激光点云的处理方法、装置、设备及存储介质 | |
CN112712036A (zh) | 交通标志识别方法、装置、电子设备及计算机存储介质 | |
CN110657813B (zh) | 优化地图中规划道路的方法和装置 | |
CN113221241A (zh) | 无人车的数据处理方法及相关设备 | |
CN114972758A (zh) | 一种基于点云弱监督的实例分割方法 | |
CN110674208B (zh) | 用于确定用户的职住地信息的方法和装置 | |
US20230306602A1 (en) | Information generation method and apparatus, electronic device, and computer readable medium | |
CN115409985A (zh) | 目标对象检测方法、装置、电子设备及可读存储介质 | |
CN113345101B (zh) | 三维点云标注方法、装置、设备及存储介质 | |
CN114998863A (zh) | 目标道路识别方法、装置、电子设备以及存储介质 | |
CN111784709B (zh) | 图像处理方法、装置、电子设备和计算机可读介质 | |
CN114724113A (zh) | 道路标牌识别方法、自动驾驶方法、装置和设备 | |
CN114692871A (zh) | 决策树训练方法、运单类型识别方法及装置、设备、介质 | |
CN110120075B (zh) | 用于处理信息的方法和装置 | |
CN112069899A (zh) | 一种路肩检测方法、装置及存储介质 | |
CN111046894A (zh) | 识别马甲账号的方法和装置 | |
CN110019627B (zh) | 识别交通导流线的方法及其***、计算机*** | |
CN115223113B (zh) | 训练样本集清洗方法、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 |