CN113298950B - 一种物体属性的确定方法、装置、电子设备和存储介质 - Google Patents
一种物体属性的确定方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113298950B CN113298950B CN202110522607.6A CN202110522607A CN113298950B CN 113298950 B CN113298950 B CN 113298950B CN 202110522607 A CN202110522607 A CN 202110522607A CN 113298950 B CN113298950 B CN 113298950B
- Authority
- CN
- China
- Prior art keywords
- point
- point cloud
- determining
- dynamic
- static properties
- 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 68
- 230000003068 static effect Effects 0.000 claims abstract description 122
- 238000009825 accumulation Methods 0.000 claims description 56
- 238000004590 computer program Methods 0.000 claims description 15
- 239000013598 vector Substances 0.000 description 27
- 238000010586 diagram Methods 0.000 description 13
- 238000001514 detection method Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 3
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 3
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例提出了一种物体属性的确定方法、装置、电子设备和计算机存储介质,该方法包括:获取物体的点云数据,根据所述点云数据确定所述物体的基本信息;所述物体的基本信息包括所述物体中设定部分的朝向和/或所述物体的预估速度方向;所述点云数据表示与所述物体点云中每个点相关的数据;根据所述物体的基本信息,确定所述物体点云中每个点的权重;确定所述物体点云中每个点的动静属性;根据所述物体点云中每个点的动静属性和权重,确定所述物体的动静属性。
Description
技术领域
本申请涉及目标检测技术领域,尤其涉及一种物体属性的确定方法、装置、电子设备和计算机存储介质。
背景技术
目前,通过在自动驾驶车辆上搭载多种传感器以感知周围环境及物体,使得自动驾驶车辆可以采取前进、等待、绕行避让等不同策略。其中,多线激光雷达作为一种主动探测感知***,因其具有可准确获取目标的三维信息、分辨率高、抗干扰能力强,探测范围广,近全天候工作等优点,已经成为自动驾驶实现中必不可少的传感器。
相关技术中,可以通过多种方法从激光雷达的点云数据中检测出物体,比如几何聚类方法,或者深度神经网络等等。然而,这些方法仅检测单帧点云,即,检测结果仅能给出当前帧中物体的大小和位置,却无法确定物体的速度。为此,这些检测结果无法被无人车直接使用,而是需要利用***把多帧的检测结果进行融合,进一步给出物体的速度。由于车辆是运动的,再加上测量噪声的影响,即便是同一个静止的物体,***可能会把静止物体错误估计成为运动物体,进而,降低确定物体动静属性的准确性。因而,需要提供一种能够准确判定物体动静属性的方法。
发明内容
本申请提供一种物体属性的确定方法、装置、电子设备和计算机存储介质;可以解决相关技术中利用***确定物体动静属性时准确性低的问题。
本申请的技术方案是这样实现的:
本申请实施例提供了一种物体属性的确定方法,所述方法包括:
获取物体的点云数据,根据所述点云数据确定所述物体的基本信息;所述物体的基本信息包括所述物体中设定部分的朝向和/或所述物体的预估速度方向;所述点云数据表示与所述物体点云中每个点相关的数据;
根据所述物体的基本信息,确定所述物体点云中每个点的权重;
确定所述物体点云中每个点的动静属性;根据所述每个点的动静属性和权重,确定所述物体的动静属性。
在一些实施例中,所述根据所述物体的基本信息,确定所述物体点云中每个点的权重,包括:
根据所述物体的基本信息,确定所述物体的参考方向与从所述物体的中心点到所述每个点的连线之间的每个夹角;
根据所述每个夹角,确定所述物体点云中每个点的权重。
在一些实施例中,所述根据所述每个夹角,确定所述物体点云中每个点的权重,包括:
在确定所述夹角余弦值的绝对值小于设定阈值时,确定所述物体点云中对应的点的权重为零;
在确定所述夹角余弦值的绝对值大于或等于所述设定阈值时,确定所述物体点云中对应的点的权重为所述夹角余弦值的绝对值。
在一些实施例中,所述根据所述物体点云中每个点的动静属性和权重,确定所述物体的动静属性,包括:
根据所述物体点云中每个点的动静属性,将所述物体点云中的点划分为运动点、静止点以及不确定点;所述不确定点表示所述动静属性不确定的点;
对所述物体点云中的运动点的权重进行累加,得到第一累加结果;对所述物体点云中的静止点的权重进行累加,得到第二累加结果;对所述物体点云中的不确定点的权重进行累加,得到第三累加结果;
根据所述第一累加结果、所述第二累加结果和所述第三累加结果,确定所述物体的动静属性。
在一些实施例中,所述根据所述第一累加结果、所述第二累加结果和所述第三累加结果,确定所述物体的动静属性,包括:
在确定所述第一累加结果大于所述第二累加结果和所述第三累加结果的加权求和值时,确定所述物体的属性是运动的;
在确定所述第二累加结果大于所述第一累加结果和所述第三累加结果的加权求和值时,确定所述物体的属性是静止的。
在一些实施例中,所述物体的基本信息还包括位置和形状;所述方法还包括:
根据所述物体的位置和形状,确定所述物体的中心点。
本申请实施例还提出了一种物体属性的确定装置,所述装置包括获取模块、第一确定模块和第二确定模块,其中,
获取模块,用于获取物体的点云数据,根据所述点云数据确定所述物体的基本信息;所述物体的基本信息包括所述物体中设定部分的朝向和/或所述物体的预估速度方向;所述点云数据表示与所述物体点云中每个点相关的数据;
第一确定模块,用于根据所述物体的基本信息,确定所述物体点云中每个点的权重;
第二确定模块,用于确定所述物体点云中每个点的动静属性;根据所述每个点的动静属性和权重,确定所述物体的动静属性。
本申请实施例提供一种电子设备,所述设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现前述一个或多个技术方案提供的物体属性的确定方法。
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计算机程序;所述计算机程序被执行后能够实现前述一个或多个技术方案提供的物体属性的确定方法。
本申请实施例提出了一种物体属性的确定方法、装置、电子设备和计算机存储介质,该方法包括:获取物体的点云数据,根据所述点云数据确定所述物体的基本信息;所述物体的基本信息包括所述物体中设定部分的朝向和/或所述物体的预估速度方向;所述点云数据表示与所述物体点云中每个点相关的数据;根据所述物体的基本信息,确定所述物体点云中每个点的权重;确定所述物体点云中每个点的动静属性;根据所述每个点的动静属性和权重,确定所述物体的动静属性。
可以看出,本申请实施例通过物体的点云数据,确定物体点云中每个点的动静属性和权重,进一步确定物体的动静属性;相比于相关技术中仅通过物体点云中每个点的动静属性确定整个物体的动静属性,本申请实施例中通过结合物体点云中每个点的动静属性和权重这两部分信息,共同确定整个物体的动静属性;可以更加精准地确定物体的动静属性;在自动驾驶领域,精准地确定物体(例如,障碍物车辆)的动静属性可以有效提高自动驾驶车辆的安全性。
附图说明
图1a为相关技术中利用占据概率方法确定物体动静属性的效果示意图;
图1b为相关技术中使用投票规则确定巴士动静属性的效果示意图;
图2a是本申请实施例中的一种物体属性的确定方法的流程示意图;
图2b为本申请实施例中的另一种物体属性的确定方法的流程示意图;
图2c为本申请实施例中确定物体点云中每个点的权重的示意图;
图3为本申请实施例的物体属性的确定装置的组成结构示意图;
图4为本申请实施例的电子设备的结构示意图。
具体实施方式
以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所提供的实施例仅仅用以解释本申请,并不用于限定本申请。另外,以下所提供的实施例是用于实施本申请的部分实施例,而非提供实施本申请的全部实施例,在不冲突的情况下,本申请实施例记载的技术方案可以任意组合的方式实施。
需要说明的是,在本申请实施例中,术语“包括”、“包含”或者其任何其它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方法或者装置不仅包括所明确记载的要素,而且还包括没有明确列出的其它要素,或者是还包括为实施方法或者装置所固有的要素。在没有更多限定的情况下,由语句“包括一个......”限定的要素,并不排除在包括该要素的方法或者装置中还存在另外的相关要素(例如方法中的步骤或者装置中的单元,例如的单元可以是部分电路、部分处理器、部分程序或软件等等)。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,I和/或J,可以表示:单独存在I,同时存在I和J,单独存在J这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括I、J、R中的至少一种,可以表示包括从I、J和R构成的集合中选择的任意一个或多个元素。
例如,本申请实施例提供的物体属性的确定方法包含了一系列的步骤,但是本申请实施例提供的物体属性的确定方法不限于所记载的步骤,同样地,本申请实施例提供的物体属性的确定装置包括了一系列模块,但是本申请实施例提供的物体属性的确定装置不限于包括所明确记载的模块,还可以包括为获取相关时序数据、或基于时序数据进行处理时所需要设置的模块。
本申请实施例可以应用于车载终端中,车载终端与车辆上各传感器连接,用于获取物体的点云数据;这里,车载终端可以在由计算机***执行的计算机***可执行指令(诸如程序模块)的一般语境下描述。通常,程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等,它们执行特定的任务或者实现特定的抽象数据类型。计算机***/服务器可以在分布式云计算环境中实施,分布式云计算环境中,任务是由通过通信网络连接的远程处理设备执行的。在分布式云计算环境中,程序模块可以位于包括存储设备的本地或远程计算***存储介质上。
相关技术中,对于确定物体动静属性的方式,可以分为以下三类:
1)利用预先建立的高精度点云地图进行比对,如果当前检测到的物体点云中的大部分点也出现在点云地图中,则认为物体为静止。
2)估计出物体点云的场景流,场景流描述了物体点云中每一个点的三维运动方向和幅度。如果检测物体点云包括的点所对应的场景流的运动幅度较大,则认为物体是运动的。
3)利用历史物体点云计算当前时刻物体点云中每个点在前一时刻的占据概率,通过比对占据概率,可以判断当前时刻物体点云的动静状态。如果当前时刻某点在前一时刻的占据概率接近1,则认为该点是静止的;如果当前时刻某点在前一时刻的占据概率接近0,则认为该点是运动的。如果该点的占据概率接近0.5,则认为无法判断该点的动静属性。如果检测物体点云包括的点大部分为运动点云,则认为物体是运动的,否则认为物体是静止的。
图1a为相关技术中利用占据概率方法确定物体动静属性的效果示意图,参见图1a,假设雷达静止不动,物体一直向右移动,其中实线框表示物体在t-1时刻的位置,实线框上的圆圈表示在t-1时刻的物体点云,虚线框表示物体在t时刻的位置,虚线框上的圆圈表示在t时刻的物体点云。点a、点b和点c均为在t时刻物体点云中的点。由于t-1时刻在点a附近有其它点的存在,所以点a在t-1时刻的占据概率接近1,点a被判断为静止点。类似的,虚线框上所有内部为交叉线的圆圈均被判断为静止点。由于t-1时刻在点b附近没有点,并且以雷达为中心向外观测在t-1时刻有点穿过了点b,所以点b被判断为运动点。类似的,虚线框上所有内部为平行线的圆圈被判断为运动点。由于t-1时刻在点c附近没有点,并且没有其它额外信息可以参考,点c被判断为无法确定动静属性的点。
这里,利用高精度点云地图确定物体动静属性的方法,可以较好地检测出路边的树木、固定的栅栏,但受限于高精度点云地图更新的频率,对于新增的隔离带、新长出的枝叶、路边临时停靠的车辆等则无法检测。此外,这种检测方法需要匹配物体点云和点云地图,内存占用和时间消耗都比较大,很难满足自动驾驶实时性的要求。而利用场景流/占据概率的方法,通过近期的物体点云来计算当前时刻物体点云的动静属性,比起利用高精度点云地图的方法更具灵活性和实时性。无论是使用场景流,还是使用占据概率,所推算的都是物体点云中单个点的动静属性。但对于***而言,关心的是整个检测物体的动静属性,为此需要利用物体点云中单个点的动静属性推断物体的动静属性。对此,一种简单直接的方法是,统计物体点云中每个点的动静属性个数,然后使用简单的投票规则进行推算:
如果物体点云中运动点的个数远大于静止点的个数,则认为物体是运动的;
如果物体点云静止点的个数远大于运动点的个数,则认为物体是静止的;
如果上述两个条件均不满足,则认为无法判断物体的动静属性。
然而,上述方法的缺点在于:雷达在获取物体点云时不可避免地存在着视野盲区,再加上算法自身的局限性,无论是场景流还是占据概率的方法,都无法准确推算出物体点云所有点的动静属性。特别是对于较大的物体,比如,运动中的巴士,上述这两种方法都容易出现误检测,比如把巴士点云在侧面上的点误判为静止点。如果使用简单的投票规则,容易把运动中的巴士误判为静止。图1b为相关技术中使用投票规则确定巴士动静属性的效果示意图,参见图1b,当巴士向右运动的时候,巴士在侧面一直有较多点,通过上述占据概率方法容易把巴士侧面的点判断成为静止点,一旦使用上述简单规则对巴士动静属性进行确定,会把运动中的巴士误判为静止,导致错误规划进而引发交通事故。
针对上述技术问题,提出以下实施例。
在本申请的一些实施例中,物体属性的确定方法可以利用物体属性的确定装置中的处理器实现,上述处理器可以为特定用途集成电路(Application Specific IntegratedCircuit,ASIC)、数字信号处理器(Digital Signal Processor,DSP)、数字信号处理装置(Digital Signal Processing Device,DSPD)、可编程逻辑装置(Programmable LogicDevice,PLD)、现场可编程逻辑门阵列(Field Programmable Gate Array,FPGA)、中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器中的至少一种。
图2a是本申请实施例中的一种物体属性的确定方法的流程示意图,如图2a所示,该方法包括如下步骤:
步骤200:获取物体的点云数据,根据点云数据确定物体的基本信息;物体的基本信息包括物体中设定部分的朝向和/或物体的预估速度方向;点云数据表示与物体点云中每个点相关的数据。
在一种实施方式中,可以通过设置在驾驶车辆上的至少一种传感器获取物体的点云数据;这里,对于传感器的类型本申请实施例不作限制,例如,可以是激光雷达,也可以是其它类型的传感器;驾驶车辆的类型可以为:全自动驾驶车辆,半自动驾驶车辆或非自动驾驶车辆。
示例性地,物体点云可以表示通过上述传感器得到的物体外观表面的点的集合;其中,物体的点云数据可以包括与该集合中每个点相关的坐标值等数据。
示例性地,物体可以表示除上述驾驶车辆以外的任意类型的障碍物;例如,可以是其它车辆、自行车、行人、隔离带等。
本申请实施例中,在获取到物体的点云数据后,可以根据该点云数据确定物体中设定部分的朝向和物体的预估速度方向;这里,物体中设定部分的朝向可以作为物体的朝向。
示例性地,在物体为其它车辆的情况下,设定部分可以为车头部分、也可以为车辆的其它部分;本申请实施例对此不作限制。
在一种实施方式中,若设定部分为车头部分,则物体中设定部分的朝向为车头部分的朝向;假设车头部分的朝向为东面,则对应车辆的朝向便为东面。
示例性地,确定物体的预估速度方向的实现方式可以为:在获取到物体在上一帧以及当前帧的点云数据后,通过几何聚类或者深度神经网络等算法对物体前后两帧的点云数据进行处理,可以得到物体在前后两帧的形状和位置;再利用***将前后两帧的物体的形状和位置进行融合,可以得到物体的预估速度;其中,预估速度包括预估速度大小以及预估速度方向。
步骤201:根据物体的基本信息,确定物体点云中每个点的权重。
本申请实施例中,在根据上述步骤确定物体的朝向和预估速度方向后,可以进一步根据物体的朝向和预估速度方向确定物体点云中每个点的权重。
在一些实施例中,根据物体的基本信息,确定物体点云中每个点的权重,可以包括:根据物体的基本信息,确定物体的参考方向与从物体的中心点到每个点的连线之间的每个夹角;根据每个夹角,确定物体点云中每个点的权重。
本申请实施例中,可以根据物体的基本信息确定物体的参考方向;在一种实施例中,若根据物体的基本信息确定物体的预估速度大小为零,则说明物体处于静止状态,此时,可以将物体的朝向作为该物体的参考方向;例如,物体的朝向为东面,则物体的参考方向也为东面。在另一种实施例中,若根据物体的基本信息确定物体的预估速度大小不为零,则说明物体处于运动状态,此时,可以将物体的预估速度方向作为该物体的参考方向;例如,物体的预估速度方向为东面,则物体的参考方向也为东面。
在一些实施例中,物体的基本信息还可以包括位置和形状;在确定物体的参考方向后,上述方法还可以包括:根据物体的位置和形状,确定物体的中心点。对于确定物体的位置和形状的方式已经在前述记载的内容作出说明,这里不再赘述。
本申请实施例中,在确定物体的中心点后,继续确定从物体的中心点到物体点云中每个点的连线;即,每个点均对应一个连线;结合上述确定物体的参考方向,可以进一步确定该参考方向与每个点对应的连线之间的每个夹角。
示例性地,物体的参考方向可以利用一个过物体的中心点且方向为参考方向的向量进行表示,该向量简称参考向量。另外,从物体的中心点到物体点云中每个点的连线也可以利用向量进行表示,并将物体点云中每个点对应的向量的集合简称向量集合;该向量集合中的每个向量与物体点云中的每个点是一一对应的。
在一种实施方式中,可以在得到参考向量和向量集合后,可以计算参考向量与向量集合中每个向量之间的每个夹角余弦值;也可以在每得到向量集合中的一个向量时,便计算参考向量与该向量之间的夹角余弦值,直至得到与向量集合中每个向量对应的每个夹角余弦值;在得到每个夹角余弦值后,继续确定物体点云中每个点的权重;这里,每个夹角余弦值与物体点云中的每个点是一一对应的。
在一些实施例中,根据每个夹角,确定物体点云中每个点的权重,可以包括:在确定夹角余弦值的绝对值小于设定阈值时,确定物体点云中对应的点的权重为零;在确定夹角余弦值的绝对值大于或等于设定阈值时,确定物体点云中对应的点的权重为夹角余弦值的绝对值。
本申请实施例中,在得到每个夹角余弦值后,确定每个夹角余弦值的绝对值,继续判断每个夹角余弦值的绝对值是否小于设定阈值,若判断结果表明某一个夹角余弦值的绝对值小于设定阈值,则确定与该夹角余弦值对应的物体点云中的点的权重为零;反之,若判断结果表明某一个夹角余弦值的绝对值大于或等于设定阈值,则确定与该夹角余弦值对应的物体点云中的点的权重为夹角余弦值的绝对值。
示例性地,对于设定阈值的取值可以根据实际情况进行设置,本申请实施例对此不作限制;例如,可以取值为0.8、0.9等。
在一种实施方式中,假设与物体点云中的点L对应的夹角余弦值的绝对值为0.8;若设定阈值的取值为0.8,则将该夹角余弦值的绝对值为0.8作为物体点云中点L的权重;若设定阈值的取值为0.9,则确定物体点云中点L的权重为零。
步骤202:确定物体点云中每个点的动静属性;根据每个点的动静属性和权重,确定物体的动静属性。
这里,对于确定物体点云中每个点的动静属性的方式,本申请实施例不作限定;例如,可以在获取到当前时刻的物体点云后,利用预先建立好的高精度点云地图进行比对,如果当前时刻的物体点云的点出现在点云地图中,则认为该点为静止点,反之,则为运动点;还可以估计出物体点云的场景流,进而,根据物体点云中每个点对应的场景流的运动幅度大小,确定物体点云中每个点的动静属性;也可以利用历史时刻的物体点云,计算当前时刻的物体点云中每个点在前一时刻的占据概率,通过比对占据概率,可以确定当前时刻的物体点云中每个点的动静属性。
本申请实施例中,在确定物体点云中每个点的动静属性后,通过将每个点的动静属性和上述步骤确定的每个点的权重进行结合,共同确定整个物体的动静属性。
在一些实施例中,根据物体点云中每个点的动静属性和权重,确定物体的动静属性,可以包括:根据物体点云中每个点的动静属性,将物体点云中的点划分为运动点、静止点以及不确定点;不确定点表示动静属性不确定的点;对物体点云中的运动点的权重进行累加,得到第一累加结果;对物体点云中的静止点的权重进行累加,得到第二累加结果;对物体点云中的不确定点的权重进行累加,得到第三累加结果;根据第一累加结果、第二累加结果和第三累加结果,确定物体的动静属性。
示例性地,在根据上述步骤确定物体点云中每个点的动静属性后,可以根据每个点的动静属性将物体点云中的点划分为运动点、静止点以及不确定点;这里,不确定点表示物体点云中动静属性不确定的点,即,可能是运动点,也可能是静止点。接着,对物体点云中的运动点的权重进行累加,可以得到第一累加结果;对物体点云中的静止点的权重进行累加,可以得到第二累加结果;对物体点云中的不确定点的权重进行累加,可以得到第三累加结果;在得到上述三个累加结果后,可以根据这三个累加结果,确定物体的动静属性。
在一些实施例中,根据第一累加结果、第二累加结果和第三累加结果,确定物体的动静属性,可以包括:在确定第一累加结果大于或等于第二累加结果和第三累加结果的加权求和值时,确定物体的属性是运动的;在确定第二累加结果大于或等于第一累加结果和第三累加结果的加权求和值时,确定物体的属性是静止的。
在一种实施方式中,可以预先设置两个参考系数α和β,用于对第二累加结果和第三累加结果的加权求和值以及第一累加结果和第三累加结果的加权求和值进行确定。
示例性地,若确定第一累加结果≥α*第二累加结果+β*第三累加结果,则认为物体是运动的;若确定第二累加结果≥α*第一累加结果+β*第三累加结果,则认为物体是运动的。
这里,对于这两个参考系数α和β的取值可以根据实际情况进行设置,本申请实施例上对此不作限制;例如,α的参考取值可以为1.5,β的参考取值可以为1.0。
示例性地,在参考系数α和β的取值均为1的情况下,假设第一累加结果为3,第二累加结果为1.5,第三累加结果为0.5,由于第一累加结果3大于第二累加结果和第三累加结果的加权求和值2,因而,确定物体是运动的;假设第一累加结果为1.5,第二累加结果为3,第三累加结果为0.5,由于第二累加结果3大于第一累加结果和第三累加结果的加权求和值2,因而,确定物体是静止的。
可见,本申请实施例中,将物体点云中权重不为零的点均作为代表点,通过这些代表点的权重以及动静属性,共同确定整个物体的动静属性;相比于相关技术中仅通过物体点云中单个点的动静属性确定整个物体的动静属性,该方法可以提高确定物体动静属性的准确性。
本申请实施例提出了一种物体属性的确定方法、装置、电子设备和计算机存储介质,该方法包括:获取物体的点云数据,根据点云数据确定物体的基本信息;物体的基本信息包括物体中设定部分的朝向和/或物体的预估速度方向;点云数据表示与物体点云中每个点相关的数据;根据物体的基本信息,确定物体点云中每个点的权重;确定物体点云中每个点的动静属性;根据每个点的动静属性和权重,确定物体的动静属性。可以看出,本申请实施例通过物体的点云数据,确定物体点云中每个点的动静属性和权重,进一步确定物体的动静属性;相比于相关技术中仅通过物体点云中每个点的动静属性的确定整个物体的动静属性,本申请实施例中通过结合物体点云中每个点的动静属性和权重这两部分信息,共同确定整个物体的动静属性;可以更加精准地确定物体的动静属性;在自动驾驶领域,精准地确定物体(例如,障碍物车辆)的动静属性可以有效提高自动驾驶车辆的安全性。
为了能够更加体现本申请的目的,在本申请上述实施例的基础上,进行进一步的举例说明。图2b为本申请实施例中的另一种物体属性的确定方法的流程示意图;如图2b所示,该流程包括如下步骤:
步骤A1:获取物体点云。
在一种实施方式中,可以通过激光雷达获取t-1时刻以及t时刻的物体点云。
步骤A2:确定物体点云中每一个点的动静属性。
在一种实施方式中,可以使用场景流或占据概率方法,确定物体点云中单个点的动静属性。
步骤A3:确定物体基本信息。
在一种实施方式中,可以通过检测器确定物体点云在t-1时刻以及t时刻的形状和位置;再利用***将t-1时刻以及t时刻的物体的形状和位置进行融合,可以得到物体的预估速度;物体基本信息可以包括物体中设定部分的朝向和物体的预估速度方向;这里,步骤A2和步骤A3的执行顺序不分先后。
步骤A4:根据基本信息确定代表点。
在一种实施方式中,根据物体基本信息,可以确定物体的参考方向;根据从物体中心点到物体点云中每个点的向量,以及物体参考方向确定的向量,得到与物体点云中每个点对应的每个夹角余弦值;根据每个夹角余弦值的绝对值,确定物体点云中每个点的权重,将物体点云中权重不为零的点确定为物体点云中的代表点。
步骤A5:根据代表点的动静属性和权重,确定物体的动静属性。
在一种实施方式中,在得到物体点云中每个代表点的权重后,结合步骤A2确定的每个代表点的动静属性,可以确定物体的动静属性。
下面结合一个具体的场景对申请实施例作进一步的说明。
在自动驾驶场景下,由于物体一般在平面运行,在高度方向(z方向)的变化很小,所以在下列操作中可以忽视高度信息,仅考虑俯视图包含的信息(仅考虑x、y方向)。对于t时刻获取到的物体的点云数据,可以按照下列步骤选取该物体的代表点:
若该物体的预估速度大小为零,则选取该物体的朝向作为该物体的参考方向;否则,选取预估速度方向作为该物体的参考方向。示例性地,可以使用二维单位向量d记录物体的参考方向;其中,二维单位向量d表示过物体中心点且方向为参考方向的单位向量。
对于物体点云中任意一个点pi,执行如下操作:计算从物体中心点c到点点pi的向量,并执行归一化操作,得到二维单位向量qi,如公式(1)所示。
fi=pi-c,qi=fi/|fi| (1)
计算qi与d的点乘的绝对值,记为e;e表示qi与d的夹角的余弦值的绝对值,如果e小于设定阈值,令点pi的权重wi=0,否则,令点pi的权重wi=e。这里,将物体点云中权重不为零的点确定为物体点云中的代表点。
本申请实施例中,根据从物体中心点到物体点云中每个点的向量,以及物体参考方向确定的向量,确定与物体点云中每个点对应的夹角余弦值;通过设定阈值将夹角余弦值的绝对值较小的点进行过滤,可以避免这些点对后续判断整个物体的动静属性造成干扰,提高结果的准确性。
图2c为本申请实施例中确定物体点云中每个点的权重的示意图,如图2c所示,虚线框表示物体在当前时刻的位置,箭头方向表示物体的参考方向,虚线框上的圆圈表示物体点云中的每个点,带有灰色的圆圈表示权重不为零的点,即,物体点云中的代表点;不带灰色的圆圈则表示权重为零的点;不同的灰色代表不同的权重,颜色越深代表权重越大。可见,与物体的参考方向越接近的点的权重越大。
在通过上述步骤选出物体点云中的代表点后,结合每个点的动静属性,按照下列步骤确定物体的运动属性:
首先,定义运动分数Smoving、静止分数Sstill和不确定分数Sunceratin,且这三个分数的初始值均相同,例如,初始值可以为零,也可以为其它固定值。
然后,对于物体点云中任意一个点pi,执行如下操作更新上面三个分数:如果点pi被判断为运动点云且权重wi>0,则Smoving=Smoving+wi。如果点pi被判断为静止点云且权重wi>0,则Sstill=Sstill+wi。如果点pi被判断为不确定点且权重wi>0,则Sunceratin=Sunceratin+wi。在执行上述操作后,可以得到更新后的运动分数Smoving、静止分数Sstill和不确定分数Sunceratin。这里,更新后的运动分数Smoving对应上述第一累加结果,更新后的静止分数Sstill对应上述第二累加结果,更新后的不确定分数Sunceratin对应上述第三累加结果。
进一步地,根据两个参考系数α和β,以及更新后的运动分数Smoving、静止分数Sstill与不确定分数Sunceratin,确定物体的动静属性:
若确定Smoving≥α*Sstill+β*Sunceratin,则认为物体是运动的;若确定Sstill≥α*Smoving+β*Sunceratin,则认为物体是静止的,即,可以确定当前时刻物体是运动的还是静止的。反之,若确定Smoving<α*Sstill+β*Sunceratin,或Sstill<α*Smoving+β*Sunceratin,则认为无法确定该物体的动静属性,即,无法确定当前时刻物体是运动的还是静止的。
可见,相比于相关技术中基于物体点云中每个点的动静属性确定物体的动静属性;本申请实施例中,通过选出物体点云中的代表点,并基于代表点的动静属性和权重确定物体的动静属性,可以有效提高确定物体动静属性的准确性。
图3为本申请实施例的物体属性的确定装置的组成结构示意图,如图3所示,该装置包括:获取模块300、第一确定模块301和第二确定模块302,其中:
获取模块300,用于获取物体的点云数据,根据点云数据确定物体的基本信息;物体的基本信息包括物体中设定部分的朝向和/或物体的预估速度方向;点云数据表示与物体点云中每个点相关的数据;
第一确定模块301,用于根据物体的基本信息,确定物体点云中每个点的权重;
第二确定模块302,用于确定物体点云中每个点的动静属性;根据每个点的动静属性和权重,确定物体的动静属性。
在一些实施例中,第一确定模块301,用于根据物体的基本信息,确定物体点云中每个点的权重,包括:
根据物体的基本信息,确定物体的参考方向与从物体的中心点到每个点的连线之间的每个夹角;
根据每个夹角,确定物体点云中每个点的权重。
在一些实施例中,第一确定模块301,用于根据每个夹角,确定物体点云中每个点的权重,包括:
在确定夹角余弦值的绝对值小于设定阈值时,确定物体点云中对应的点的权重为零;
在确定夹角余弦值的绝对值大于或等于设定阈值时,确定物体点云中对应的点的权重为夹角余弦值的绝对值。
在一些实施例中,第二确定模块302,用于根据物体点云中每个点的动静属性和权重,确定物体的动静属性,包括:
根据物体点云中每个点的动静属性,将物体点云中的点划分为运动点、静止点以及不确定点;不确定点表示动静属性不确定的点;
对物体点云中的运动点的权重进行累加,得到第一累加结果;对物体点云中的静止点的权重进行累加,得到第二累加结果;对物体点云中的不确定点的权重进行累加,得到第三累加结果;
根据第一累加结果、第二累加结果和第三累加结果,确定物体的动静属性。
在一些实施例中,第二确定模块302,用于根据第一累加结果、第二累加结果和第三累加结果,确定物体的动静属性,包括:
在确定第一累加结果大于第二累加结果和第三累加结果的加权求和值时,确定物体的属性是运动的;
在确定第二累加结果大于第一累加结果和第三累加结果的加权求和值时,确定物体的属性是静止的。
在一些实施例中,物体的基本信息还包括位置和形状;第一确定模块301,用于还包括:
根据物体的位置和形状,确定物体的中心点。
在实际应用中,上述获取模块300、第一确定模块301和第二确定模块302均可以由位于电子设备中的处理器实现,该处理器可以为ASIC、DSP、DSPD、PLD、FPGA、CPU、控制器、微控制器、微处理器中的至少一种。
另外,在本实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
集成的单元如果以软件功能模块的形式实现并非作为独立的产品进行销售或使用时,可以存储在一个计算机可读取存储介质中,基于这样的理解,本实施例的技术方案本质上或者说对相关技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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)或processor(处理器)执行本实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等多种可以存储程序代码的介质。
具体来讲,本实施例中的一种物体属性的确定方法对应的计算机程序指令可以被存储在光盘、硬盘、U盘等存储介质上,当存储介质中的与一种物体属性的确定方法对应的计算机程序指令被一电子设备读取或被执行时,实现前述实施例的任意一种物体属性的确定方法。
基于前述实施例相同的技术构思,参见图4,其示出了本申请提供的电子设备400,可以包括:存储器401和处理器402;其中,
存储器401,用于存储计算机程序和数据;
处理器402,用于执行存储器中存储的计算机程序,以实现前述实施例的任意一种物体属性的确定方法。
在实际应用中,上述存储器401可以是易失性存储器(volatile memory),例如RAM;或者非易失性存储器(non-volatile memory),例如ROM、快闪存储器(flash memory)、硬盘(Hard Disk Drive,HDD)或固态硬盘(Solid-State Drive,SSD);或者上述种类的存储器的组合,并向处理器402提供指令和数据。
上述处理器402可以为ASIC、DSP、DSPD、PLD、FPGA、CPU、控制器、微控制器、微处理器中的至少一种。可以理解地,对于不同的物体属性确定设备,用于实现上述处理器功能的电子器件还可以为其它,本申请实施例不作具体限定。
在一些实施例中,本申请实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
上文对各个实施例的描述倾向于强调各个实施例之间的不同之处,其相同或相似之处可以互相参考,为了简洁,本文不再赘述。
本申请所提供的各方法实施例中所揭露的方法,在不冲突的情况下可以任意组合,得到新的方法实施例。
本申请所提供的各产品实施例中所揭露的特征,在不冲突的情况下可以任意组合,得到新的产品实施例。
本申请所提供的各方法或设备实施例中所揭露的特征,在不冲突的情况下可以任意组合,得到新的方法实施例或设备实施例。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其它可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其它可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可装载到计算机或其它可编程数据处理设备上,使得在计算机或其它可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其它可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上,仅为本申请的较佳实施例而已,并非用于限定本申请的保护范围。
Claims (6)
1.一种物体属性的确定方法,其特征在于,所述方法包括:
获取物体的点云数据,根据所述点云数据确定所述物体的基本信息;所述物体的基本信息包括所述物体中设定部分的朝向和/或所述物体的预估速度方向;所述点云数据表示与所述物体点云中每个点相关的数据;所述设定部分表征所述物体的其中一个部分;
根据所述物体的基本信息,确定所述物体的参考方向与从所述物体的中心点到所述每个点的连线之间的每个夹角;所述参考方向为所述物体的朝向或预估速度方向;
根据所述每个夹角,确定所述物体点云中每个点的权重;所述根据所述每个夹角,确定所述物体点云中每个点的权重,包括:在确定所述夹角余弦值的绝对值小于设定阈值时,确定所述物体点云中对应的点的权重为零;在确定所述夹角余弦值的绝对值大于或等于所述设定阈值时,确定所述物体点云中对应的点的权重为所述夹角余弦值的绝对值;
确定所述物体点云中每个点的动静属性;根据所述物体点云中每个点的动静属性和权重,确定所述物体的动静属性;所述根据所述物体点云中每个点的动静属性和权重,确定所述物体的动静属性,包括:根据所述物体点云中每个点的动静属性,将所述物体点云中的点划分为运动点、静止点以及不确定点;所述不确定点表示所述动静属性不确定的点;对所述物体点云中的运动点的权重进行累加,得到第一累加结果;对所述物体点云中的静止点的权重进行累加,得到第二累加结果;对所述物体点云中的不确定点的权重进行累加,得到第三累加结果;根据所述第一累加结果、所述第二累加结果和所述第三累加结果,确定所述物体的动静属性。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一累加结果、所述第二累加结果和所述第三累加结果,确定所述物体的动静属性,包括:
在确定所述第一累加结果大于或等于所述第二累加结果和所述第三累加结果的加权求和值时,确定所述物体的属性是运动的;
在确定所述第二累加结果大于或等于所述第一累加结果和所述第三累加结果的加权求和值时,确定所述物体的属性是静止的。
3.根据权利要求1所述的方法,其特征在于,所述物体的基本信息还包括位置和形状;所述方法还包括:
根据所述物体的位置和形状,确定所述物体的中心点。
4.一种物体属性的确定装置,其特征在于,所述装置包括:
获取模块,用于获取物体的点云数据,根据所述点云数据确定所述物体的基本信息;所述物体的基本信息包括所述物体中设定部分的朝向和/或所述物体的预估速度方向;所述点云数据表示与所述物体点云中每个点相关的数据;所述设定部分表征所述物体的其中一个部分;
第一确定模块,用于根据所述物体的基本信息,确定所述物体的参考方向与从所述物体的中心点到所述每个点的连线之间的每个夹角;所述参考方向为所述物体的朝向或预估速度方向;根据所述每个夹角,确定所述物体点云中每个点的权重;所述根据所述每个夹角,确定所述物体点云中每个点的权重,包括:在确定所述夹角余弦值的绝对值小于设定阈值时,确定所述物体点云中对应的点的权重为零;在确定所述夹角余弦值的绝对值大于或等于所述设定阈值时,确定所述物体点云中对应的点的权重为所述夹角余弦值的绝对值;
第二确定模块,用于确定所述物体点云中每个点的动静属性;根据所述物体点云中每个点的动静属性和权重,确定所述物体的动静属性;所述根据所述物体点云中每个点的动静属性和权重,确定所述物体的动静属性,包括:根据所述物体点云中每个点的动静属性,将所述物体点云中的点划分为运动点、静止点以及不确定点;所述不确定点表示所述动静属性不确定的点;对所述物体点云中的运动点的权重进行累加,得到第一累加结果;对所述物体点云中的静止点的权重进行累加,得到第二累加结果;对所述物体点云中的不确定点的权重进行累加,得到第三累加结果;根据所述第一累加结果、所述第二累加结果和所述第三累加结果,确定所述物体的动静属性。
5.一种电子设备,其特征在于,所述设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现权利要求1至3任一项所述的方法。
6.一种计算机存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至3任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110522607.6A CN113298950B (zh) | 2021-05-13 | 2021-05-13 | 一种物体属性的确定方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110522607.6A CN113298950B (zh) | 2021-05-13 | 2021-05-13 | 一种物体属性的确定方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113298950A CN113298950A (zh) | 2021-08-24 |
CN113298950B true CN113298950B (zh) | 2024-04-19 |
Family
ID=77321902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110522607.6A Active CN113298950B (zh) | 2021-05-13 | 2021-05-13 | 一种物体属性的确定方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113298950B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108664841A (zh) * | 2017-03-27 | 2018-10-16 | 郑州宇通客车股份有限公司 | 一种基于激光点云的动静态目标物识别方法及装置 |
CN110018489A (zh) * | 2019-04-25 | 2019-07-16 | 上海蔚来汽车有限公司 | 基于激光雷达的目标追踪方法、装置及控制器和存储介质 |
CN110533055A (zh) * | 2018-05-25 | 2019-12-03 | 北京京东尚科信息技术有限公司 | 一种点云数据的处理方法和装置 |
CN111753623A (zh) * | 2020-03-12 | 2020-10-09 | 北京京东乾石科技有限公司 | 一种运动物体的检测方法、装置、设备及存储介质 |
CN112385222A (zh) * | 2019-06-12 | 2021-02-19 | 浙江大学 | 点云处理的方法与装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107958482B (zh) * | 2016-10-17 | 2021-06-18 | 杭州海康威视数字技术股份有限公司 | 一种三维场景模型构建方法及装置 |
-
2021
- 2021-05-13 CN CN202110522607.6A patent/CN113298950B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108664841A (zh) * | 2017-03-27 | 2018-10-16 | 郑州宇通客车股份有限公司 | 一种基于激光点云的动静态目标物识别方法及装置 |
CN110533055A (zh) * | 2018-05-25 | 2019-12-03 | 北京京东尚科信息技术有限公司 | 一种点云数据的处理方法和装置 |
CN110018489A (zh) * | 2019-04-25 | 2019-07-16 | 上海蔚来汽车有限公司 | 基于激光雷达的目标追踪方法、装置及控制器和存储介质 |
CN112385222A (zh) * | 2019-06-12 | 2021-02-19 | 浙江大学 | 点云处理的方法与装置 |
CN111753623A (zh) * | 2020-03-12 | 2020-10-09 | 北京京东乾石科技有限公司 | 一种运动物体的检测方法、装置、设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
John F. Kinkel etal."Estimation of Vehicle Dynamic and Static Parameters from Magnetometer Data".《 Journal of Guidance, Control, and Dynamics》.2012,第1卷(第1期),111-116. * |
林金表.动力学***的仿真模型建立.交通与计算机.1995,(第05期),1-5. * |
林金表等."汽车安全带测试***应用研究".《电工技术》.2002,第1卷(第1期),1. * |
Also Published As
Publication number | Publication date |
---|---|
CN113298950A (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107341819B (zh) | 目标跟踪方法及存储介质 | |
US8626398B2 (en) | Collision avoidance system and method for a road vehicle and respective computer program product | |
Sparbert et al. | Lane detection and street type classification using laser range images | |
CN107103275B (zh) | 使用雷达和视觉基于车轮进行的车辆检测和追踪 | |
CN110674705B (zh) | 基于多线激光雷达的小型障碍物检测方法及装置 | |
US11585895B2 (en) | Detection of parking slot configuration based on repetitive patterns | |
US20200057160A1 (en) | Multi-object tracking based on lidar point cloud | |
CN113189975B (zh) | 确定车辆的位置数据和/或运动数据的方法 | |
CN112781599B (zh) | 确定车辆的位置的方法 | |
US20240045052A1 (en) | Method, apparatus and radar system for tracking objects | |
CN110940979A (zh) | 障碍物检测方法、装置、设备以及存储介质 | |
CN114518574A (zh) | 用于传感器融合***的基于峰度的修剪 | |
WO2021102676A1 (zh) | 物体状态获取方法、可移动平台及存储介质 | |
CN111391752A (zh) | 一种用于识别障碍物的报警方法、装置、电子设备及存储介质 | |
CN114241448A (zh) | 障碍物航向角的获取方法、装置、电子设备及车辆 | |
Lee et al. | An obstacle classification method using multi-feature comparison based on 2D LIDAR database | |
CN113298950B (zh) | 一种物体属性的确定方法、装置、电子设备和存储介质 | |
CN110736981B (zh) | 基于雷达的对慢速移动对象的跟踪 | |
CN115512542B (zh) | 一种基于路侧激光雷达的考虑遮挡的轨迹复原方法及*** | |
CN116736243A (zh) | 使用多种假设的稳定的雷达跟踪速度初始化 | |
CN116209920A (zh) | 借助激光雷达传感器的测量和计算设备来估计车辆自身运动的方法 | |
CN115471521A (zh) | 目标跟踪方法、装置、电子设备和存储介质 | |
KR20230127667A (ko) | 레이더를 이용한 속도 추정 방법 및 장치 | |
CN117789171A (zh) | 机器人障碍物感知方法、装置、机器人及存储介质 | |
CN117075062A (zh) | 针对车载4d毫米波雷达实现俯仰安装角估计处理的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |