CN114397638A - 一种激光雷达数据中动态数据的过滤方法及*** - Google Patents

一种激光雷达数据中动态数据的过滤方法及*** Download PDF

Info

Publication number
CN114397638A
CN114397638A CN202210075526.0A CN202210075526A CN114397638A CN 114397638 A CN114397638 A CN 114397638A CN 202210075526 A CN202210075526 A CN 202210075526A CN 114397638 A CN114397638 A CN 114397638A
Authority
CN
China
Prior art keywords
data
coordinate system
laser radar
semantic
dynamic
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
Application number
CN202210075526.0A
Other languages
English (en)
Inventor
栾春雨
陈放
丁磊
柏晓乐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Smart Dynamics Co ltd
Original Assignee
Smart Dynamics Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Smart Dynamics Co ltd filed Critical Smart Dynamics Co ltd
Priority to CN202210075526.0A priority Critical patent/CN114397638A/zh
Publication of CN114397638A publication Critical patent/CN114397638A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Electromagnetism (AREA)
  • Traffic Control Systems (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本申请公开了一种激光雷达数据中动态数据的过滤方法及***，通过获得摄像头数据流、激光雷达数据；将所述摄像头数据流、所述激光雷达数据输入语义识别模型中，获得所述语义识别模型的第一输出结果，所述第一输出结果为语义识别数据；基于所述语义识别数据进行数据分类，确定动态语义数据；将所述动态语义数据在摄像头坐标系下的坐标转换到底盘坐标系下，获得底盘坐标系数据；将所述底盘坐标系数据输入激光雷达数据滤波模型中进行滤波处理，获得滤波后的雷达数据，所述滤波后的雷达数据为将动态障碍物的数据进行滤波后的雷达数据。解决了现有技术中动态障碍物出现在激光雷达检测视野中，引起建图路径规划以及避障过程出现异常的技术问题。

Description

一种激光雷达数据中动态数据的过滤方法及***
技术领域
本申请涉及激光雷达数据技术领域，尤其涉及一种激光雷达数据中动态数据的过滤方法及***。
背景技术
在通过激光雷达数据进行建图、路径规划及机器避障时，仅仅依赖激光雷达数据，无法判断检测范围中存在的动态障碍物，当存在动态障碍物时产生的激光数据会对整个采集的数据产生影响，若利用该数据进行建图、路径规划或机器避障处理时会引起：建图过程中出现异常的噪点，从而影响定位精度；costmap刷新过程中噪点残留导致路径规划异常；机器避障过程不流畅频繁卡顿。
发现上述技术至少存在如下技术问题：
现有技术中动态障碍物出现在激光雷达检测视野中，引起建图路径规划以及避障过程出现异常的技术问题。
发明内容
本申请的目的是提供一种激光雷达数据中动态数据的过滤方法及***，用以解决现有技术中动态障碍物出现在激光雷达检测视野中，引起建图路径规划以及避障过程出现异常的技术问题。达到了在激光雷达检测视野中将动态障碍物产生的激光点进行滤波处理，实现在检测范围内对动态障碍物进行可靠检测，避免动态障碍物产生的激光点造成在建图过程中出现异常的噪点而影响定位精度，在costmap刷新过程中噪点残留导致路径规划异常，在机器避障过程出现不流畅频繁卡顿的技术效果。
鉴于上述问题，本申请实施例提供了一种激光雷达数据中动态数据的过滤方法及***。
第一方面，本申请提供了一种激光雷达数据中动态数据的过滤方法，所述方法包括：获得摄像头数据流、激光雷达数据；将所述摄像头数据流、所述激光雷达数据输入语义识别模型中，获得所述语义识别模型的第一输出结果，所述第一输出结果为语义识别数据；基于所述语义识别数据进行数据分类，确定动态语义数据；将所述动态语义数据在摄像头坐标系下的坐标转换到底盘坐标系下，获得底盘坐标系数据；将所述底盘坐标系数据输入激光雷达数据滤波模型中进行滤波处理，获得滤波后的雷达数据，所述滤波后的雷达数据为将动态障碍物的数据进行滤波后的雷达数据。
另一方面，本申请还提供了一种激光雷达数据中动态数据的过滤***，用于执行如第一方面所述的一种激光雷达数据中动态数据的过滤方法，所述***包括：
第一获得单元，所述第一获得单元用于获得摄像头数据流、激光雷达数据；
第一执行单元，所述第一执行单元用于将所述摄像头数据流、所述激光雷达数据输入语义识别模型中，获得所述语义识别模型的第一输出结果，所述第一输出结果为语义识别数据；
第一确定单元，所述第一确定单元用于基于所述语义识别数据进行数据分类，确定动态语义数据；
第二获得单元，所述第二获得单元用于将所述动态语义数据在摄像头坐标系下的坐标转换到底盘坐标系下，获得底盘坐标系数据；
第一滤波单元，所述第一滤波单元用于将所述底盘坐标系数据输入激光雷达数据滤波模型中进行滤波处理，获得滤波后的雷达数据，所述滤波后的雷达数据为将动态障碍物的数据进行滤波后的雷达数据。
第三方面，本申请还提供了一种激光雷达数据中动态数据的过滤***，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，其中，所述处理器执行所述程序时实现上述第一方面所述方法的步骤。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
1.通过激光雷达数据滤波模型，将激光雷达数据中存在动态障碍物产生的激光点进行过滤，达到了将动态障碍物产生的激光点进行滤波处理，实现在检测范围内对动态障碍物进行可靠检测的技术效果。
2.通过基于所述滤波后的雷达数据进行第一操作，所述第一操作包括建图、定位、生成costmap，达到了利用过滤了动态障碍物产生的激光点的干扰，确保建图、定位、costmap的操作的可靠性，有效避免动态障碍物产生的激光点造成在建图过程中出现异常的噪点而影响定位精度，在costmap刷新过程中噪点残留导致路径规划异常情况发送的技术效果。
3.通过加入神经网络模型，有效提供了运算的准确性和运算速率，达到进行快速可靠的语义识别，为进行准确的滤波处理提供有力保障的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
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示例性的，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，还可以根据提供的附图获得其他的附图。
图1为本申请实施例的一种激光雷达数据中动态数据的过滤方法的流程示意图；
图2为本申请实施例中激光雷达数据滤波模型的流程示意图；
图3为本申请实施例中激光点在激光雷达坐标系的示意图；
图4为本申请实施例中所有激光雷达数据转换到激光雷达坐标系的示意图；
图5为本申请实施例一种激光雷达数据中动态数据的过滤***的结构示意图；
图6为本申请实施例示例性电子设备的结构示意图。
附图标记说明：第一获得单元11，第一执行单元12，第一确定单元13，第二获得单元14，第一滤波单元15，总线300，接收器301，处理器302，发送器303，存储器304，总线接口305。
具体实施方式
本申请实施例通过提供一种激光雷达数据中动态数据的过滤方法及***，解决了现有技术中动态障碍物出现在激光雷达检测视野中，引起建图路径规划以及避障过程出现异常的技术问题。
下面，将参考附图对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。基于本申请的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部。
本申请提供的技术方案总体思路如下：
获得摄像头数据流、激光雷达数据；将所述摄像头数据流、所述激光雷达数据输入语义识别模型中，获得所述语义识别模型的第一输出结果，所述第一输出结果为语义识别数据；基于所述语义识别数据进行数据分类，确定动态语义数据；将所述动态语义数据在摄像头坐标系下的坐标转换到底盘坐标系下，获得底盘坐标系数据；将所述底盘坐标系数据输入激光雷达数据滤波模型中进行滤波处理，获得滤波后的雷达数据，所述滤波后的雷达数据为将动态障碍物的数据进行滤波后的雷达数据，达到了将动态障碍物产生的激光点进行滤波处理，实现在检测范围内对动态障碍物进行可靠检测，避免动态障碍物产生的激光点造成在建图过程中出现异常的噪点而影响定位精度，在costmap刷新过程中噪点残留导致路径规划异常，在机器避障过程出现不流畅频繁卡顿的技术效果。
在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
请参阅附图1，本申请实施例提供了一种激光雷达数据中动态数据的过滤方法，所述方法包括：
步骤S100：获得摄像头数据流、激光雷达数据；
具体而言，输入数据为激光雷达数据、深度相机的RGB数据及其深度数据。RGB即是代表红、绿、蓝三个通道的颜色。
步骤S200：将所述摄像头数据流、所述激光雷达数据输入语义识别模型中，获得所述语义识别模型的第一输出结果，所述第一输出结果为语义识别数据；
进一步的，所述将所述摄像头数据流、所述激光雷达数据输入语义识别模型中，获得所述语义识别模型的第一输出结果，所述第一输出结果为语义识别数据，包括:获得训练数据集；通过所述训练数据集对神经网络模型进行训练，其中，训练数据集为多组数据组成，每组数据均包括摄像头数据流、激光雷达数据以及标识语义识别数据的标识信息，获得所述语义识别模型；将所述摄像头数据流、所述激光雷达数据作为输入数据，输入所述语义识别模型，获得所述第一输出结果。
具体而言，将摄像头数据流、激光雷达数据作为输入数据输入语义识别模型中进行语义识别，通过摄像头数据流、激光雷达数据进行数据特征的分析识别环境中的物体，进行输出。语义识别模型为AI模型，通过大量的数据构建训练集，通过训练数据集对神经网络模型进行训练，训练的过程是监督学习的过程，训练数据集中的每组数据均包括了摄像头数据流、激光雷达数据及其识别结果进行标记，通过大量学习摄像头数据流、激光雷达数据与识别结果之间的函数关系，对该函数关系不断的优化，从而对精神网络模型进行不断的优化和收敛得到语义识别模型，使得训练获得的语义识别模型能够实现通过输入摄像头数据流、激光雷达数据，则语义识别模型输出其语义识别结果。在学习监督的过程中，通过训练数据的标识信息对输出结果进行验证，当输入的训练数据的摄像头数据流、激光雷达数据通过语义识别模型输出识别结果，与训练数据对应的标识的语义识别结果若差距小或者相同，则该模型训练完成，若不相同或者差距较大，则通过损失函数进行计算后重新进行训练，直到输出的语义识别结果与标识的结果相同为止。这样语义识别模型即可以实现对输入数据的准确运算处理，得到对应的语义识别结果达到了准确性。
步骤S300：基于所述语义识别数据进行数据分类，确定动态语义数据；
具体而言，将语义识别模型输出的数据进行动态和静态分类，动态包括一起可移动的物体，其他均定义为静态物体。
步骤S400：将所述动态语义数据在摄像头坐标系下的坐标转换到底盘坐标系下，获得底盘坐标系数据；
进一步的，所述将所述动态语义数据在摄像头坐标系下的坐标转换到底盘坐标系下，获得底盘坐标系数据，包括：根据公式：
Figure BDA0003483798300000081
将所述动态语义数据在摄像头坐标系下的坐标转换到底盘坐标系下，获得底盘坐标系数据，其中，
Figure BDA0003483798300000082
表示语义数据在底盘坐标系的坐标值，TB->C表示摄像头坐标系到底盘坐标系的坐标变换，PC表示语义数据在摄像头坐标系的坐标值。
具体而言，将动态物体的语义数据通过公式将其由在camera坐标系下的坐标转换到base坐标系下，其中，camera坐标系即摄像头坐标系，base坐标系即底盘坐标系。转换后的数据应该是一个数据框，如图4所示，由于动态物体存在一定体积，所以不是点数据。基于该数据框从而确定动态障碍物的范围即下述动态障碍物范围。
步骤S500：将所述底盘坐标系数据输入激光雷达数据滤波模型中进行滤波处理，获得滤波后的雷达数据，所述滤波后的雷达数据为将动态障碍物的数据进行滤波后的雷达数据。
进一步的，将所述底盘坐标系数据输入激光雷达数据滤波模型中进行滤波处理，获得滤波后的雷达数据，包括：将所述底盘坐标系数据由底盘坐标系转换到激光雷达坐标系，确定动态障碍物范围；将激光雷达原始数据角度以幅值数据变换为激光雷达坐标系下的坐标值；判断所述激光雷达原始数据在激光雷达坐标系下的坐标值是否在所述动态障碍物范围内；若在所述动态障碍物范围内，则将对应激光点进行第一距离赋值，单帧所有激光雷达原始数据遍历完成判断是否在所述动态障碍物范围；将所有在所述动态障碍物范围内的激光点均进行所述第一距离赋值；基于所有处理后的激光雷达数据，获得所述激光雷达数据滤波模型的第二输出结果，所述第二输出结果包括所述滤波后的雷达数据。
进一步的，所述第一距离为最大距离值。
进一步的，所述将所述底盘坐标系数据由底盘坐标系转换到激光雷达坐标系，包括：根据公式：
Figure BDA0003483798300000091
将所述底盘坐标系数据由底盘坐标系转换到激光雷达坐标系，其中，
Figure BDA0003483798300000092
为语义数据在激光雷达坐标系的坐标值，
Figure BDA0003483798300000093
表示激光雷达坐标系到底盘坐标系直接的坐标变换，PC表示语义数据在摄像头坐标系的坐标值，TB->C表示摄像头坐标系到底盘坐标系的坐标变换。
进一步的，所述将激光雷达原始数据角度以幅值数据变换为激光雷达坐标系下的坐标值，包括：获得激光雷达原始数据；根据所述激光雷达原始数据，确定激光雷达原始数据在激光雷达坐标系下的幅值数据、角度数据；基于所述幅值数据、角度数据，根据公式：
Figure BDA0003483798300000094
将激光雷达原始数据角度以幅值数据变换为激光雷达坐标系下的坐标值，其中，x是转换到坐标系的x轴坐标值，y是y轴坐标值，θ是以x轴为0度，激光点与原点的连线和x轴之间的角度，Range是原点到激光点的距离值。
具体而言，将转换完坐标的数据作为输入通过激光雷达数据滤波模块进行滤波，具体流程请参考图2激光雷达数据滤波流程图。首先应了解激光点在激光雷达坐标系下的表现情况，请参考图3所示，将激光雷达数据输入的幅值、角度数据通过转换公式
Figure BDA0003483798300000101
Figure BDA0003483798300000102
转换为激光雷达坐标系下的坐标值，将所有激光雷达数据转换到激光雷达坐标系后的示意图如图4所示。判断激光点是否在动态障碍物的动态障碍物范围内即数据框中，如果激光点在数据库中则认为是动态障碍物产生的激光点，将此激光点的幅值进行最大距离值幅值，这样可以排除该激光点的干扰，避免动态障碍物出现在2D激光雷达检测视野中，影响建图、路径规划的可靠性，同样的对激光雷达原数据中的所有的激光雷达数据循环进行判断，其是否为动态障碍物生成的激光点，单帧训练判断所有的激光雷达数据，将其中动态障碍物产生的激光点进行过滤，从而确保了数据的可靠性，解决了现有技术中动态障碍物出现在激光雷达检测视野中，引起建图路径规划以及避障过程出现异常的技术问题。达到了在激光雷达检测视野中将动态障碍物产生的激光点进行滤波处理，实现在检测范围内对动态障碍物进行可靠检测，避免动态障碍物产生的激光点造成在建图过程中出现异常的噪点而影响定位精度，在costmap刷新过程中噪点残留导致路径规划异常，在机器避障过程出现不流畅频繁卡顿的技术效果。
进一步的，所述方法还包括：基于所述滤波后的雷达数据，进行第一操作，所述第一操作包括建图、定位、生成costmap。
具体而言，输入经过滤波后的激光雷达数据仅用于建图，定位以及costmap生成过程，而对于避障策略中仍然使用原始的激光雷达数据进行处理。应理解，costmap是机器人收集传感器信息建立和更新的二维或三维地图。
综上，本申请实施例具有如下技术效果：
1.通过激光雷达数据滤波模型，将激光雷达数据中存在动态障碍物产生的激光点进行过滤，达到了将动态障碍物产生的激光点进行滤波处理，实现在检测范围内对动态障碍物进行可靠检测的技术效果。
2.通过基于所述滤波后的雷达数据进行第一操作，所述第一操作包括建图、定位、生成costmap，达到了利用过滤了动态障碍物产生的激光点的干扰，确保建图、定位、costmap的操作的可靠性，有效避免动态障碍物产生的激光点造成在建图过程中出现异常的噪点而影响定位精度，在costmap刷新过程中噪点残留导致路径规划异常情况发送的技术效果。
3.通过加入神经网络模型，有效提供了运算的准确性和运算速率，达到进行快速可靠的语义识别，为进行准确的滤波处理提供有力保障的技术效果。
实施例二
基于与前述实施例中一种激光雷达数据中动态数据的过滤方法，同样发明构思，本发明还提供了一种激光雷达数据中动态数据的过滤***，请参阅附图5，所述***包括：
第一获得单元11，所述第一获得单元11用于获得摄像头数据流、激光雷达数据；
第一执行单元12，所述第一执行单元12用于将所述摄像头数据流、所述激光雷达数据输入语义识别模型中，获得所述语义识别模型的第一输出结果，所述第一输出结果为语义识别数据；
第一确定单元13，所述第一确定单元13用于基于所述语义识别数据进行数据分类，确定动态语义数据；
第二获得单元14，所述第二获得单元14用于将所述动态语义数据在摄像头坐标系下的坐标转换到底盘坐标系下，获得底盘坐标系数据；
第一滤波单元15，所述第一滤波单元15用于将所述底盘坐标系数据输入激光雷达数据滤波模型中进行滤波处理，获得滤波后的雷达数据，所述滤波后的雷达数据为将动态障碍物的数据进行滤波后的雷达数据。
进一步的，所述***还包括：
第二确定单元，所述第二确定单元用于将所述底盘坐标系数据由底盘坐标系转换到激光雷达坐标系，确定动态障碍物范围；
第二执行单元，所述第二执行单元用于将激光雷达原始数据角度以幅值数据变换为激光雷达坐标系下的坐标值；
第一判断单元，所述第一判断单元用于判断所述激光雷达原始数据在激光雷达坐标系下的坐标值是否在所述动态障碍物范围内；
第三执行单元，所述第三执行单元用于若在所述动态障碍物范围内，则将对应激光点进行第一距离赋值，单帧所有激光雷达原始数据遍历完成判断是否在所述动态障碍物范围；
第四执行单元，所述第四执行单元用于将所有在所述动态障碍物范围内的激光点均进行所述第一距离赋值；
第三获得单元，所述第三获得单元用于基于所有处理后的激光雷达数据，获得所述激光雷达数据滤波模型的第二输出结果，所述第二输出结果包括所述滤波后的雷达数据。
进一步的，所述第一距离为最大距离值。
进一步的，所述***还包括：
第五执行单元，所述第五执行单元用于基于所述滤波后的雷达数据，进行第一操作，所述第一操作包括建图、定位、生成costmap。
进一步的，所述***还包括：
第六执行单元，所述第六执行单元用于根据公式：
Figure BDA0003483798300000131
Figure BDA0003483798300000132
将所述动态语义数据在摄像头坐标系下的坐标转换到底盘坐标系下，获得底盘坐标系数据，其中，
Figure BDA0003483798300000133
表示语义数据在底盘坐标系的坐标值，TB->C表示摄像头坐标系到底盘坐标系的坐标变换，PC表示语义数据在摄像头坐标系的坐标值。
进一步的，所述***还包括：
第七执行单元，所述第七执行单元用于根据公式：
Figure BDA0003483798300000134
Figure BDA0003483798300000135
将所述底盘坐标系数据由底盘坐标系转换到激光雷达坐标系，其中，
Figure BDA0003483798300000136
为语义数据在激光雷达坐标系的坐标值，
Figure BDA0003483798300000137
表示激光雷达坐标系到底盘坐标系直接的坐标变换，PC表示语义数据在摄像头坐标系的坐标值，TB->C表示摄像头坐标系到底盘坐标系的坐标变换。
进一步的，所述***还包括：
第四获得单元，所述第四获得单元用于获得激光雷达原始数据；
第三确定单元，所述第三确定单元用于根据所述激光雷达原始数据，确定激光雷达原始数据在激光雷达坐标系下的幅值数据、角度数据；
第八执行单元，所述第八执行单元用于基于所述幅值数据、角度数据，根据公式：
Figure BDA0003483798300000141
将激光雷达原始数据角度以幅值数据变换为激光雷达坐标系下的坐标值，其中，x是转换到坐标系的x轴坐标值，y是y轴坐标值，θ是以x轴为0度，激光点与原点的连线和x轴之间的角度，Range是原点到激光点的距离值。
进一步的，所述***还包括：
第五获得单元，所述第五获得单元用于获得训练数据集；
第六获得单元，所述第六获得单元用于通过所述训练数据集对神经网络模型进行训练，其中，训练数据集为多组数据组成，每组数据均包括摄像头数据流、激光雷达数据以及标识语义识别数据的标识信息，获得所述语义识别模型；
第七获得单元，所述第七获得单元用于将所述摄像头数据流、所述激光雷达数据作为输入数据，输入所述语义识别模型，获得所述第一输出结果。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是预期他实施例的不同之处，前述图1实施例一中的一种激光雷达数据中动态数据的过滤方法和具体实例同样适用于本实施例的一种激光雷达数据中动态数据的过滤***，通过前述对一种激光雷达数据中动态数据的过滤方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种激光雷达数据中动态数据的过滤***，所以为了说明书的简洁，在此不再详述。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
示例性电子设备
下面参考图6来描述本申请实施例的电子设备。
图6图示了根据本申请实施例的电子设备的结构示意图。
基于与前述实施例中一种激光雷达数据中动态数据的过滤方法的发明构思，本发明还提供一种激光雷达数据中动态数据的过滤***，其上存储有计算机程序，该程序被处理器执行时实现前文所述一种激光雷达数据中动态数据的过滤方法的任一方法的步骤。
其中，在图6中，总线架构(用总线300来代表)，总线300可以包括任意数量的互联的总线和桥，总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如***设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口305在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。
处理器302负责管理总线300和通常的处理，而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
综上，本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请提供了一种激光雷达数据中动态数据的过滤方法及***，通过获得摄像头数据流、激光雷达数据；将所述摄像头数据流、所述激光雷达数据输入语义识别模型中，获得所述语义识别模型的第一输出结果，所述第一输出结果为语义识别数据；基于所述语义识别数据进行数据分类，确定动态语义数据；将所述动态语义数据在摄像头坐标系下的坐标转换到底盘坐标系下，获得底盘坐标系数据；将所述底盘坐标系数据输入激光雷达数据滤波模型中进行滤波处理，获得滤波后的雷达数据，所述滤波后的雷达数据为将动态障碍物的数据进行滤波后的雷达数据。达到了在激光雷达检测视野中将动态障碍物产生的激光点进行滤波处理，实现在检测范围内对动态障碍物进行可靠检测，避免动态障碍物产生的激光点造成在建图过程中出现异常的噪点而影响定位精度，在costmap刷新过程中噪点残留导致路径规划异常，在机器避障过程出现不流畅频繁卡顿的技术效果。从而解决了现有技术中动态障碍物出现在激光雷达检测视野中，引起建图路径规划以及避障过程出现异常的技术问题。
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、装置、或计算机程序产品。因此，本申请可采用完全软件实施例、完全硬件实施例、或结合软件和硬件方面实施例的形式。此外，本申请为可以在一个或多个包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。而所述的计算机可用存储介质包括但不限于：U盘、移动硬盘、只读存储器(Read-0nly Memory，简称ROM)、随机存取存储器(Random AccessMemory，简称RAM)、磁盘存储器、只读光盘(Compact Disc Read-Only Memory，简称CD-ROM)、光学存储器等各种可以存储程序代码的介质。
本发明是参照本发明实施例的方法、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、嵌入式处理机或其他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他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***。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令***的制造品，该指令***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。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他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，从而在计算机或其他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。尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种激光雷达数据中动态数据的过滤方法，其特征在于，所述方法包括：
获得摄像头数据流、激光雷达数据；
将所述摄像头数据流、所述激光雷达数据输入语义识别模型中，获得所述语义识别模型的第一输出结果，所述第一输出结果为语义识别数据；
基于所述语义识别数据进行数据分类，确定动态语义数据；
将所述动态语义数据在摄像头坐标系下的坐标转换到底盘坐标系下，获得底盘坐标系数据；
将所述底盘坐标系数据输入激光雷达数据滤波模型中进行滤波处理，获得滤波后的雷达数据，所述滤波后的雷达数据为将动态障碍物的数据进行滤波后的雷达数据。
2.如权利要求1所述的方法，其特征在于，将所述底盘坐标系数据输入激光雷达数据滤波模型中进行滤波处理，获得滤波后的雷达数据，包括：
将所述底盘坐标系数据由底盘坐标系转换到激光雷达坐标系，确定动态障碍物范围；
将激光雷达原始数据角度以幅值数据变换为激光雷达坐标系下的坐标值；
判断所述激光雷达原始数据在激光雷达坐标系下的坐标值是否在所述动态障碍物范围内；
若在所述动态障碍物范围内，则将对应激光点进行第一距离赋值，单帧所有激光雷达原始数据遍历完成判断是否在所述动态障碍物范围；
将所有在所述动态障碍物范围内的激光点均进行所述第一距离赋值；
基于所有处理后的激光雷达数据，获得所述激光雷达数据滤波模型的第二输出结果，所述第二输出结果包括所述滤波后的雷达数据。
3.如权利要求2所述的方法，其特征在于，所述第一距离为最大距离值。
4.如权利要求2所述的方法，其特征在于，所述方法还包括：
基于所述滤波后的雷达数据，进行第一操作，所述第一操作包括建图、定位、生成costmap。
5.如权利要求1所述的方法，其特征在于，所述将所述动态语义数据在摄像头坐标系下的坐标转换到底盘坐标系下，获得底盘坐标系数据，包括：
根据公式：
Figure FDA0003483798290000021
将所述动态语义数据在摄像头坐标系下的坐标转换到底盘坐标系下，获得底盘坐标系数据，其中，
Figure FDA0003483798290000022
表示语义数据在底盘坐标系的坐标值，TB->C表示摄像头坐标系到底盘坐标系的坐标变换，PC表示语义数据在摄像头坐标系的坐标值。
6.如权利要求2所述的方法，其特征在于，所述将所述底盘坐标系数据由底盘坐标系转换到激光雷达坐标系，包括：
根据公式：
Figure FDA0003483798290000023
将所述底盘坐标系数据由底盘坐标系转换到激光雷达坐标系，其中，
Figure FDA0003483798290000031
为语义数据在激光雷达坐标系的坐标值，
Figure FDA0003483798290000032
表示激光雷达坐标系到底盘坐标系直接的坐标变换，PC表示语义数据在摄像头坐标系的坐标值，TB->C表示摄像头坐标系到底盘坐标系的坐标变换。
7.如权利要求2所述的方法，其特征在于，所述将激光雷达原始数据角度以幅值数据变换为激光雷达坐标系下的坐标值，包括：
获得激光雷达原始数据；
根据所述激光雷达原始数据，确定激光雷达原始数据在激光雷达坐标系下的幅值数据、角度数据；
基于所述幅值数据、角度数据，根据公式：
Figure FDA0003483798290000033
Figure FDA0003483798290000034
将激光雷达原始数据角度以幅值数据变换为激光雷达坐标系下的坐标值，其中，x是转换到坐标系的x轴坐标值，y是y轴坐标值，θ是以x轴为0度，激光点与原点的连线和x轴之间的角度，Range是原点到激光点的距离值。
8.如权利要求1所述的方法，其特征在于，所述将所述摄像头数据流、所述激光雷达数据输入语义识别模型中，获得所述语义识别模型的第一输出结果，所述第一输出结果为语义识别数据，包括:
获得训练数据集；
通过所述训练数据集对神经网络模型进行训练，其中，训练数据集为多组数据组成，每组数据均包括摄像头数据流、激光雷达数据以及标识语义识别数据的标识信息，获得所述语义识别模型；
将所述摄像头数据流、所述激光雷达数据作为输入数据，输入所述语义识别模型，获得所述第一输出结果。
9.一种激光雷达数据中动态数据的过滤***，其特征在于，所述***包括：
第一获得单元，所述第一获得单元用于获得摄像头数据流、激光雷达数据；
第一执行单元，所述第一执行单元用于将所述摄像头数据流、所述激光雷达数据输入语义识别模型中，获得所述语义识别模型的第一输出结果，所述第一输出结果为语义识别数据；
第一确定单元，所述第一确定单元用于基于所述语义识别数据进行数据分类，确定动态语义数据；
第二获得单元，所述第二获得单元用于将所述动态语义数据在摄像头坐标系下的坐标转换到底盘坐标系下，获得底盘坐标系数据；
第一滤波单元，所述第一滤波单元用于将所述底盘坐标系数据输入激光雷达数据滤波模型中进行滤波处理，获得滤波后的雷达数据，所述滤波后的雷达数据为将动态障碍物的数据进行滤波后的雷达数据。
10.一种激光雷达数据中动态数据的过滤***，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，其特征在于，所述处理器执行所述程序时实现权利要求1-8任一项所述方法的步骤。
CN202210075526.0A 2022-01-22 2022-01-22 一种激光雷达数据中动态数据的过滤方法及*** Pending CN114397638A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210075526.0A CN114397638A (zh) 2022-01-22 2022-01-22 一种激光雷达数据中动态数据的过滤方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210075526.0A CN114397638A (zh) 2022-01-22 2022-01-22 一种激光雷达数据中动态数据的过滤方法及***

Publications (1)

Publication Number Publication Date
CN114397638A true CN114397638A (zh) 2022-04-26

Family

ID=81232402

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210075526.0A Pending CN114397638A (zh) 2022-01-22 2022-01-22 一种激光雷达数据中动态数据的过滤方法及***

Country Status (1)

Country Link
CN (1) CN114397638A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117935132A (zh) * 2024-03-22 2024-04-26 深圳市天兴诚科技有限公司 一种利用激光雷达识别堆叠货物的数据处理***

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110458112A (zh) * 2019-08-14 2019-11-15 上海眼控科技股份有限公司 车辆检测方法、装置、计算机设备和可读存储介质
CN111105495A (zh) * 2019-11-26 2020-05-05 四川阿泰因机器人智能装备有限公司 一种融合视觉语义信息的激光雷达建图方法及***
CN111652179A (zh) * 2020-06-15 2020-09-11 东风汽车股份有限公司 基于点线特征融合激光的语义高精地图构建与定位方法
CN111860425A (zh) * 2020-07-30 2020-10-30 清华大学 一种深度多模态跨层交叉融合方法、终端设备及存储介质
CN112859873A (zh) * 2021-01-25 2021-05-28 山东亚历山大智能科技有限公司 一种基于语义激光的移动机器人多级避障***及方法
CN113312983A (zh) * 2021-05-08 2021-08-27 华南理工大学 基于多模态数据融合的语义分割方法、***、装置及介质
CN113804182A (zh) * 2021-09-16 2021-12-17 重庆邮电大学 一种基于信息融合的栅格地图创建方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110458112A (zh) * 2019-08-14 2019-11-15 上海眼控科技股份有限公司 车辆检测方法、装置、计算机设备和可读存储介质
CN111105495A (zh) * 2019-11-26 2020-05-05 四川阿泰因机器人智能装备有限公司 一种融合视觉语义信息的激光雷达建图方法及***
CN111652179A (zh) * 2020-06-15 2020-09-11 东风汽车股份有限公司 基于点线特征融合激光的语义高精地图构建与定位方法
CN111860425A (zh) * 2020-07-30 2020-10-30 清华大学 一种深度多模态跨层交叉融合方法、终端设备及存储介质
CN112859873A (zh) * 2021-01-25 2021-05-28 山东亚历山大智能科技有限公司 一种基于语义激光的移动机器人多级避障***及方法
CN113312983A (zh) * 2021-05-08 2021-08-27 华南理工大学 基于多模态数据融合的语义分割方法、***、装置及介质
CN113804182A (zh) * 2021-09-16 2021-12-17 重庆邮电大学 一种基于信息融合的栅格地图创建方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117935132A (zh) * 2024-03-22 2024-04-26 深圳市天兴诚科技有限公司 一种利用激光雷达识别堆叠货物的数据处理***
CN117935132B (zh) * 2024-03-22 2024-06-04 深圳市天兴诚科技有限公司 一种利用激光雷达识别堆叠货物的数据处理***

Similar Documents

Publication Publication Date Title
WO2021208143A1 (zh) 人机共融环境中移动型机器人路径规划采样方法及***
EP3620964A1 (en) Lane line processing method and device
CN112837371A (zh) 基于3d匹配的物体抓取方法、装置及计算设备
US8385649B2 (en) Information processing apparatus and method for detecting object in image data
CN110751012B (zh) 目标检测评估方法、装置、电子设备及存储介质
CN111797829A (zh) 一种车牌检测方法、装置、电子设备和存储介质
CN112200884B (zh) 一种车道线的生成方法及装置
EP3620945A1 (en) Obstacle distribution simulation method, device and terminal based on multiple models
CN111259710B (zh) 采用停车位框线、端点的停车位结构检测模型训练方法
CN114397638A (zh) 一种激光雷达数据中动态数据的过滤方法及***
CN115100489A (zh) 一种图像处理方法、装置、设备及可读存储介质
US20200088536A1 (en) Method for trajectory planning of a movable object
CN114241448A (zh) 障碍物航向角的获取方法、装置、电子设备及车辆
CN112308917A (zh) 一种基于视觉的移动机器人定位方法
CN111968102A (zh) 一种目标设备检测方法、***、介质及电子终端
CN116664829A (zh) 一种rgb-t语义分割方法、***、装置及存储介质
CN104408720A (zh) 图像处理方法及图像处理装置
CN113065537B (zh) 一种基于模型优化的ocr文件格式转化方法及***
Sun et al. The study on intelligent vehicle collision-avoidance system with vision perception and fuzzy decision making
CN110705545B (zh) 障碍物识别方法、装置、存储介质及巡检机器人
CN112966565A (zh) 一种物体检测方法、装置、终端设备及存储介质
CN113191279A (zh) 数据标注方法、装置、设备、存储介质以及计算机程序产品
CN112734016A (zh) 用于钢筋表面的光滑程度检测的神经网络的训练方法
CN115236696B (zh) 确定障碍物的方法、装置、电子设备及存储介质
CN111598078A (zh) 一种基于序列优化的物体检测的方法及***

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