CN114494075A - 基于三维点云的障碍物识别方法、电子设备和存储介质 - Google Patents
基于三维点云的障碍物识别方法、电子设备和存储介质 Download PDFInfo
- Publication number
- CN114494075A CN114494075A CN202210131180.1A CN202210131180A CN114494075A CN 114494075 A CN114494075 A CN 114494075A CN 202210131180 A CN202210131180 A CN 202210131180A CN 114494075 A CN114494075 A CN 114494075A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- obstacle
- image
- dimensional point
- scanning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000003384 imaging method Methods 0.000 claims abstract description 104
- 238000000926 separation method Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 14
- 239000000126 substance Substances 0.000 claims description 2
- 239000000428 dust Substances 0.000 description 22
- 239000000779 smoke Substances 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 239000002245 particle Substances 0.000 description 8
- 230000000875 corresponding effect Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 239000004576 sand Substances 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000001788 irregular Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000005054 agglomeration Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明提供了一种基于三维点云的障碍物识别方法、电子设备和存储介质。该基于三维点云的障碍物识别方法包括:获取现场环境的三维点云图像;生成所述三维点云图像的成像点的置信度的初始值;通过计算所述三维点云图像中各个相邻的成像点之间的空间间距及成像目标的尺寸来区分所述三维点云图像中的障碍物图像区域和伪障碍物图像区域;以及调整所述障碍物图像区域和伪障碍物图像区域中至少一者中的成像点的置信度的值并根据调整后的置信度的值来从所述三维点云图像中去除伪障碍物的点云。
Description
技术领域
本发明涉及基于三维点云的障碍物识别。更具体地,本发明提供了一种基于三维点云的障碍物识别方法、电子设备和存储介质及计算机程序产品。
背景技术
激光雷达具有不受光照影响和直接获得准确三维信息的特点,因此常被用于弥补摄像头传感器的不足。激光雷达广泛应用于汽车、机器人等领域的传感设备,能够主动向目标发射红外光,接收到目标反射回波后通过TOF或激光三角测距原理来计算目标方位、形状等三维信息。在户外应用场景中,气候条件变化会导致扬尘、烟雾、雨水等影响视觉传感器的自然因素出现。根据激光雷达的成像原理,雷达发射的光束路径上有雨滴、灰尘颗粒等就会直接被反射回来造成误识别。激光雷达采集到的三维数据通常被称为点云。由于三维点云数据是空间位置坐标信息,不包含色彩、明暗度等常规视觉信息,因此激光雷达等三维传感器看到的烟尘、雨水和浓雾等伪障碍物目标后缺乏额外信息参考判定其是否属于真正的障碍物目标。在现有技术中,往往通过增大光束面积、提高所使用的红外光的波长等方式来降低这些自然因素对于障碍物识别的影响。
发明内容
本发明的实施例提供了一种基于三维点云的障碍物识别方法,包括:
获取现场环境的三维点云图像;
生成所述三维点云图像的成像点的置信度的初始值;
通过计算所述三维点云图像中各个相邻的成像点之间的空间间距及成像目标的尺寸来区分所述三维点云图像中的障碍物图像区域和伪障碍物图像区域;以及
调整所述障碍物图像区域和伪障碍物图像区域中至少一者中的成像点的置信度的值并根据调整后的置信度的值来从所述三维点云图像中去除伪障碍物的点云。
在一些实施例中,所述通过计算所述三维点云图像中各个相邻的成像点之间的空间间距及成像目标的尺寸来区分所述三维点云图像中的障碍物图像区域和伪障碍物图像区域包括:
计算所述三维点云图像中各个相邻的成像点之间的空间间距;以及
将所述空间间距与间距阈值进行比较,在所述空间间距大于间距阈值的情况下将相应的成像点划入伪障碍物图像区域。
在一些实施例中,所述通过计算所述三维点云图像中各个相邻的成像点之间的空间间距及成像目标的尺寸来区分所述三维点云图像中的障碍物图像区域和伪障碍物图像区域还包括:
在所述空间间距小于间距阈值的情况下计算成像目标的尺寸;以及
在所述成像目标的尺寸大于尺寸阈值的情况下将成像目标划入障碍物图像区域。
在一些实施例中,所述通过计算所述三维点云图像中各个相邻的成像点之间的空间间距及成像目标的尺寸来区分所述三维点云图像中的障碍物图像区域和伪障碍物图像区域包括:
对所述三维点云图像进行逐行和/或逐列扫描来计算所述三维点云图像中各个相邻的成像点之间的空间间距及成像目标的尺寸。
在一些实施例中,所述对所述三维点云图像进行逐行和/或逐列扫描来计算所述三维点云图像中各个相邻的成像点之间的空间间距及成像目标的尺寸包括步骤:
(a)选定所述三维点云图像中要扫描的行或列,将计数器置零并设置i=0;
(b)计算所述三维点云图像中的所述行或列中的第i个扫描点的中心距;
(c)在第i个扫描点的中心距不为零的情况下计算第i+1个扫描点的中心距而在该第i个扫描点的中心距为零的情况下将计数器置零、将i累加1并返回步骤(b);
(d)在第i+1个扫描点的中心距不为零的情况下计算第i+1个扫描点和第i个扫描点之间的空间间距而在i+1个扫描点的中心距为零的情况下将计数器置零、将i累加2并返回步骤(b);以及
(e)在第i+1个扫描点和第i个扫描点之间的空间间距大于间距阈值的情况下将计数器置零、将i累加1并返回步骤(b),否则将计数器累加1、将i累加1并返回步骤(b),
其中在准备将计数器置零之前,先将计数器的值与尺寸阈值进行比较,在计数器的值大于该尺寸阈值的情况下判定从第i个扫描点至第i-C个扫描点属于障碍物图像区域,其中C为该计数器的值。
在一些实施例中,所述调整所述障碍物图像区域和伪障碍物图像区域中至少一者中的成像点的置信度的值并根据调整后的置信度的值来从所述三维点云图像中识别障碍物包括:
(g)在判定从第i个扫描点至第i-C个扫描点属于障碍物图像区域的情况下增加第i个扫描点至第i-C个扫描点的置信度的值。
在一些实施例中,所述调整所述障碍物图像区域和伪障碍物图像区域中至少一者中的成像点的置信度的值并根据调整后的置信度的值来从所述三维点云图像中去除伪障碍物的点云还包括:
将所述三维点云图像中各个成像点的置信度的值与置信度阈值进行比较并将置信度的值低于置信度阈值的成像点视为伪障碍物以将该伪障碍物从三维点云图像中去除。
在一些实施例中,所述方法用于在户外非硬化道路上识别障碍物,所述方法还包括:
在生成所述三维点云图像的成像点的置信度的初始值之前去除所述三维点云图像中的地面点云。
本发明的实施例还提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有能够被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述任一实施例所述的方法。
本发明的实施例还提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行上述任一实施例所述的方法。
本发明的实施例还提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现上述任一实施例所述的方法。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本发明的限定。其中:
图1示出了利用激光雷达生成三维点云来识别障碍物的工作场景示意图;
图2A是根据本发明的一个实施例的基于三维点云的障碍物识别方法的示意性流程图;
图2B是如图2A所示的基于三维点云的障碍物识别方法中的步骤S30的具体示例的示意性流程图;
图3是根据本发明的另一个实施例的基于三维点云的障碍物识别方法中的对所述三维点云图像进行逐行和/或逐列扫描的示意性流程图;
图4A是由激光雷达生成的原始三维点云图像的示意图;
图4B是经过根据本发明的实施例的方法处理后得到的三维点云图像的示意图;
图5是根据本发明的一个实施例的用于实现基于三维点云的障碍物识别方法的电子设备的框图;
图6A是二维形式的三维点云图像的像素布置示意图;以及
图6B是激光雷达扫描到的三维点云空间的俯视图。
具体实施方式
为更清楚地阐述本发明的目的、技术方案及优点,以下将结合附图对本发明的实施例进行详细的说明。应当理解,下文对于实施例的描述旨在对本发明的总体构思进行解释和说明,而不应当理解为是对本发明的限制。在说明书和附图中,相同或相似的附图标记指代相同或相似的部件或构件。为了清晰起见,附图不一定按比例绘制,并且附图中可能省略了一些公知部件和结构。
除非另外定义,本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。措词“一”或“一个”不排除多个。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”“顶”或“底”等等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
三维点云图像(例如可以由激光雷达或深度传感器生成)可以用于表示空间中的各个物体或要素的位置关系,进而可以帮助使用者对周围环境中的目标进行识别。例如,激光雷达可设置于机动车辆上对车辆的周围环境进行扫描以获取三维点云图像,根据该三维点云图像来辨别车辆周围环境(例如道路环境)中的各种目标。图1中示出了一个示例。在图1中,激光雷达10设置在车辆11上,可以发射出激光束12对一定视角范围内(例如车辆前方或侧方、后方等)的现场环境进行成像,从而辨别现场环境中的目标物20。
在本文中,“现场环境”可以泛指道路、矿山、野外等各种所需的工作环境。在实际的现场场景中,车辆的周围环境中的目标物20可能是比较复杂的。例如,其可能包括一些实体的障碍物,例如岩石、汽车、工程设施等等车辆所需要规避的障碍物,还可能包括扬沙、雨雾、烟尘等等实际上并不阻碍车辆行进的伪障碍物。因此,期望能够基于三维点云图像来迅速准确地识别出该障碍物,从而确保行车安全。在此,“伪障碍物”指的是在三维点云图像中的实际上并不对于人员、车辆等的行进构成实质障碍(例如具有碰撞风险)的目标。本发明的目的也正在于提供一种能够从三维点云图像中去除扬沙、雨雾、烟尘等等伪障碍物的影响以正确地识别障碍物的方法。
雨雾烟尘这几种现象在激光雷达的三维点云成像中的视觉特征较为接近,在此以户外非硬化道路上的扬尘(沙尘)为例进行说明。
扬尘具有灰尘颗粒间距较大的物理特征,因此被光束照射后就会呈现出部分反射和部分穿透的半透明视觉特征,从而导致扬尘表面反射光线被雷达捕获成像后表现出稀疏的三维点云密度这一特点,与常规障碍物表面三维点云成像有明显区别,本发明的基本原理即是根据上述以扬尘为代表的伪障碍物点云的特点来区分实体障碍物点云和扬尘伪障碍物点云。
图4A示出了由激光雷达生成的原始三维点云图像的一个示例。在该三维点云图像中包括扬尘点云41、障碍车体点云42和地面点云43。在该示例中,可以清楚地看到扬尘点云中的相邻的成像点之间的空间间距较大且分布比较分散。
本发明提供了一种基于三维点云的障碍物识别方法。在一些实施例中,如图2A所述,该基于三维点云的障碍物识别方法包括:
步骤S10:获取现场环境的三维点云图像;
步骤S20:生成所述三维点云图像的成像点的置信度的初始值;
步骤S30:通过计算所述三维点云图像中各个相邻的成像点之间的空间间距及成像目标的尺寸来区分所述三维点云图像中的障碍物图像区域和伪障碍物图像区域;以及
步骤S40:调整所述障碍物图像区域和伪障碍物图像区域中至少一者中的成像点的置信度的值并根据调整后的置信度的值来从所述三维点云图像中去除伪障碍物的点云。
在本发明的实施例中,三维点云图像为二维图像,但在三维点云图像中的每个像素点都对应于三维空间坐标点。普通的照相机图像的每个像素点记录的信息是点目标的RGB色彩信息及明暗灰度信息,而三维点云图像中的每个像素点记录的是该点目标的三维空间坐标信息。或者说,二维图像形式的三维点云图像中的每个像素点与三维空间中某个点存在对应关系。例如,图6A示出了二维图像形式的三维点云图像中的某行像素中的一个像素PA,该像素PA与三维空间中的点SA(参见图6B)相对应,即在***中,SA的空间坐标(xSA,ySA,zSA)与像素PA被设置成具有映射关系。同样地,图6A中所示的二维图像中的像素PB与图6B中所示的三维空间中的点SB也具有映射关系。在本文中所述的成像点(或扫描点)之间的空间间距指的是在三维空间中的点之间的距离,例如图6B中的点SA和SB之间的空间距离。在实际的激光雷达扫描中,往往采用多线式激光雷达。这种多线式雷达包括多组发射器和接收器,每组发射器发射的激光束称为“线”。三维点云图像中的一行像素表示一条激光束(“线”)扫描得到的像。不同的线通常对应于不同的俯仰角范围。三维点云图像的像素的行数通常与激光雷达的线数一致。作为示例,激光雷达可以是360度环扫雷达,也可以是固定方向的雷达。为了更好地看出激光雷达的雷达中心与点云的空间位置关系,图6B采用了俯视图的形式。在图6B所示的示例中,x轴和y轴位于俯视图的纸面内,z轴垂直于纸面。为了表示方便起见,可以将雷达中心O定位成空间坐标原点。在仅考虑单线扫描的情况下,假定竖直方向(z方向)上占据的俯仰角范围较小,则图6B中的空间点SA至雷达中心O的距离(可称为“中心距”)可以被近似定义成
上述“三维点云图像中各个相邻的成像点之间的空间间距”并不是相邻成像点在二维图像中的间距,而是这些成像点在三维空间中的对应的点之间的空间间距。
需要说明的是,在上述示例中,出于简化算法的目的,假定成SA点与雷达中心O处于同一平面。但本发明的实施例不限于此,例如,SA点SB点可以与雷达中心O不位于同一平面。
这里所说的“置信度”是一个衡量成像点为期望的成像点的可信度的参数。例如,在上述方法中,实现的目的在于从三维点云图像中找出真实的障碍物点云,而排除伪障碍物的点云。那么,置信度就可以用于衡量其所对应的成像点属于真实的障碍物点云的可信度。比如,置信度可以被定义成:置信度的数值越高,其对应的成像点属于真实的障碍物点云的可信度就越大。于是,在计算和判断三维点云图像中的障碍物点云时,可以以置信度作为一个指标,当某一成像点的置信度大于某一置信度阈值时,则可认为该成像点属于真实的障碍物点云。在本发明的实施例中,对于置信度的取值范围和取值类型不作限制,只要能够表示该成像点属于真实的障碍物点云的可信度即可。三维点云图像的成像点与上文所述的三维点云图像的像素点不同。以图4A为例,可以看到,图4A所示的三维点云图像中并不是所有的像素点都形成了点云(点云在图4A中用黑色点或线表示)。因此,在此,三维点云图像的成像点是指三维点云图像的点云中的成像点。而对于没有形成点云的像素点,在排除伪障碍物点云的过程中是不需要进一步考虑的,也不需要考虑没有形成点云的像素点的置信度。
在步骤S10中,三维点云图像例如可以由雷达、深度传感器等装置(例如可设置在车辆上)来生成。在步骤S20中,三维点云图像的各个成像点的置信度的初始值可以看成是对例如由激光雷达提供的该三维点云图像中的成像点的可信程度的预估。作为示例,置信度的初始值可以根据该成像点成像过程中的来自目标的反射光强确定。例如,置信度的初始值可以被定义成与反射光强正相关(例如成正比),在这种情况下,还可以将置信度的初始值很低的成像点当作干扰信号直接移除,而在初始的三维点云图像中没有形成点云的像素点也可以看成是置信度的初始值非常低以致在判断是否为真实障碍物点云时不予考虑。相应地,在后续处理中,置信度的值与成像点属于真实障碍物的点云的可信度也成正相关关系。
如前文所述,扬尘、烟雾等伪障碍物呈现成像点云非常离散的现象,这是因为这类伪障碍物由松散的颗粒聚团形成。当雷达扫描光束照射到这类伪障碍物上时,一部分光束可以穿过该伪障碍物而另一部分光束则可能被反射回来。这类伪障碍物的三维点云具体表现为相邻点的间距较大且不规则。从物理原因上解释是,扬尘、烟雾等伪障碍物表面浓度不会完全均匀,有的地方颗粒密度大,激光反射较强,点云成像位置靠近表面;有的地方颗粒密度稀疏一点,激光反射偏弱,则点云成像位置离表面较远,而本身扬尘、烟雾等伪障碍物表面形状就不规则更是加大了成像点云的离散性和不规则性。相比之下,真实障碍物(例如车辆、岩石等)的表面则由于其致密性导致点云成像连续,哪怕是在粗糙、坑洼、凹凸的障碍物表面点云成像有所起伏,但也是连续的,点间距较小的。这个间距指的是点云图像中相邻的成像点之间的空间间距而不是尘埃颗粒的空间间距。上述伪障碍物的成像点空间间距大且不规则是由其离散、不稳定的分布造成的。在一些实施例中,激光雷达并不需要对于扬尘、烟雾的每个尘埃颗粒进行成像,而只需要对颗粒聚团成像即可。
由上述分析可知,上述伪障碍物的点云分布分散且空间间距大,而真正的障碍物点云分布连续且空间间距小。由此,步骤S30中,可以通过计算所述三维点云图像中各个相邻的成像点之间的空间间距及成像目标的尺寸来区分所述三维点云图像中的障碍物图像区域和伪障碍物图像区域。例如,对于相邻的成像点之间的空间间距小且目标尺寸大的点云将归入障碍物图像区域,而其他点云将归入伪障碍物图像区域。
为了从三维点云图像中去除伪障碍物的点云,可以对障碍物图像区域和伪障碍物图像区域的置信度值进行差异化的调整。比如,在置信度的初始值被定义成与反射光强正相关的情况下,可以增大障碍物图像区域中的成像点的置信度值或减小伪障碍物图像区域中的成像点的置信度值并最终将置信度小于一定阈值的成像点从三维点云图像中去除以移除伪障碍物。在上述步骤S40中,可以对障碍物图像区域中的成像点的置信度的值进行调整,也可以对伪障碍物图像区域中的成像点的置信度的值进行调整,或者还可以对障碍物图像区域和伪障碍物图像区域两者中的成像点的置信度的值进行上述差异化的调整,从而从所述三维点云图像中去除伪障碍物的点云,以便正确地识别真实的障碍物。
在一些实施例中,如图2B所示,上述步骤S30可以包括:
步骤S31:计算所述三维点云图像中各个相邻的成像点之间的空间间距;以及
步骤S32:将所述空间间距与间距阈值进行比较,在所述空间间距大于间距阈值的情况下将相应的成像点划入伪障碍物图像区域。
间距阈值例如可以用Dt表示,其实衡量的是目标点云定位的稳定程度。间距阈值可以根据具体的现场环境中的伪障碍物的情形来确定,在此不做限定。
作为示例,步骤30还可以包括:
步骤S33:在所述空间间距小于间距阈值的情况下计算成像目标的尺寸;以及
步骤S34:在所述成像目标的尺寸大于尺寸阈值的情况下将成像目标划入障碍物图像区域。
在这里,成像目标的尺寸例如可以用该目标的点云所包含的连续的成像点的个数来衡量。例如,可以在计算相邻的成像点的空间间距小于间距阈值的情况下考察接下来的成像点的空间间距是否仍然满足小于间距阈值的条件。如果存在连续的多个成像点且其中所有相邻的成像点之间的空间间距均小于间距阈值,则这些成像点个数的总和可以看成是该成像目标的尺寸。尺寸阈值可以根据实际情况(例如成像远近、环境中的景物类型等)来设定,本发明的实施例不作限制。
如前所述,在本发明中所述的三维点云图像是二维图像。该二维图像可以由N×M的像素点阵构成,即其包括N(例如N为64)行、M(例如M为1024)列像素(例如可对应于N线、M分辨率的激光雷达)。该二维图像中的每个像素点对应着一个成像点的三维坐标值。也就是说,三维点云数据是以二维图像结构保存的,二维图像像素点的邻接空间关系和三维点云的邻接空间关系具有强相关性。
在一些实施例中,可以通过对所述三维点云图像进行逐行和/或逐列扫描来计算所述三维点云图像中各个相邻的成像点之间的空间间距及成像目标的尺寸。即步骤S30可以包括:
步骤S35:对所述三维点云图像进行逐行和/或逐列扫描来计算所述三维点云图像中各个相邻的成像点之间的空间间距及成像目标的尺寸。
图3给出了步骤S35中对于某一行或某一列进行扫描计算的一个示例。在该示例中,步骤S35包括:
步骤S35a:选定所述三维点云图像中要扫描的行或列,将计数器置零并设置i=0;
步骤S35b:计算所述三维点云图像中的所述行或列中的第i个扫描点的中心距;
步骤S35c:在第i个扫描点的中心距不为零的情况下计算第i+1个扫描点的中心距而在该第i个扫描点的中心距为零的情况下将计数器置零、将i累加1并返回步骤S35b;
步骤S35d:在第i+1个扫描点的中心距不为零的情况下计算第i+1个扫描点和第i个扫描点之间的空间间距而在i+1个扫描点的中心距为零的情况下将计数器置零、将i累加2并返回步骤S35b;以及
步骤S35e:在第i+1个扫描点和第i个扫描点之间的空间间距大于间距阈值的情况下将计数器置零、将i累加1并返回步骤S35b,否则将计数器累加1、将i累加1并返回步骤S35b;
其中在准备将计数器置零之前(可参见图3中用“×”表示的位置),先将计数器的值与尺寸阈值进行比较,在计数器的值大于该尺寸阈值的情况下判定从第i个扫描点至第i-C个扫描点属于障碍物图像区域,其中C为该计数器的值。
在上述步骤S35b中,第i个扫描点的中心距是指该扫描点至雷达中心的距离。例如,为计算方便,对于在二维图像形式的三维点云图像中处于同一行或同一列的扫描点,可以近似看成在映射于三维空间中之后大体处于同一平面,可以将雷达中心定义成坐标原点,则第i个扫描点的中心距可以定义成
其中,xi和yi分别是第i个扫描点的x坐标和y坐标。当第i个扫描点的中心距不为0时则计算第i+1个扫描点的中心距,而当第i个扫描点或第i+1个扫描点为0时则跳过该点直接将i累加处理后续的扫描点。在第i个扫描点和第i+1个扫描点均不为0的情况下,可计算第i个扫描点和第i+1个扫描点之间的间距。例如,第i个扫描点和第i+1个扫描点之间的空间间距可定义成
其中,xi+1和yi+1分别是第i+1个扫描点的x坐标和y坐标。当第i个扫描点和第i+1个扫描点之间的空间间距Di_i+1大于某个间距阈值Dth时,则可以将这第i个扫描点排除在障碍物图像区域之外。而当第i个扫描点和第i+1个扫描点之间的空间间距Di_i+1小于(或等于)某个间距阈值Dth时,则需要考虑后续的C个连续的扫描点与其前一个相邻的扫描点之间的空间间距是否也满足上述间距阈值的要求。如果这C个连续的扫描点与同其相邻的扫描点之间的间距能够满足该要求且C大于尺寸阈值Cth,则这些连续的扫描点(第i个扫描点至第i-C个扫描点)将均被归入障碍物图像区域。在此,计数器的值C表征的是目标的尺寸。
应当理解,在上述关于空间间距和中心距的计算中,均是将扫描点置于三维点云空间中来进行计算,而不是在二维图像中进行计算。当某个扫描点的中心距为零时,意味着其位于雷达中心,这样的点显然不会构成真正的障碍物,因此需要去除。
在确定归入障碍物图像区域中的点云之后,可以对这些点云的置信度进行调整。在一些实施例中,上述步骤S40还可以包括:
步骤S41:在判定从第i个扫描点至第i-C个扫描点属于障碍物图像区域的情况下增加第i个扫描点至第i-C个扫描点的置信度的值。
经过该步骤S35b之后,上述障碍物图像区域中的点云将获得更高的置信度的值,从而便于与障碍物图像区域之外的点云相区分以实现根据置信度的值来去除伪障碍物的目的。上述扫描点即表示被扫描的行或列中的成像点。
在一些实施例中,可以在进行逐行扫描之后再进行逐列扫描,或者在进行逐列扫描之后再进行逐行扫描。分别在两个方向上进行扫描之后障碍物图像区域中的点云的置信度会比其他区域更大,对于障碍物图像区域的划定也会更加准确。而上述间距阈值和尺寸阈值对于逐行扫描和逐列扫描可能需要分别设置不同的值。而间距阈值和尺寸阈值的设定本身也与激光雷达的扫描分辨率、扫描目标距离雷达远近等因素有关。例如,可以将尺寸阈值定义成对应于30厘米的尺度。而尺寸阈值跨过多少个扫描点,则要依赖于扫描的分辨率(二维图像中的一行中的相邻像素对应的长度或角度)。作为示例,激光雷达的横轴分辨率可以在1024以上,角分辨率可以在0.35度以上。
为了从三维点云图像中去除伪障碍物,可以通过设定置信度阈值CONth来区分伪障碍物和障碍物的点云。在一些实施例中,上述步骤S40还可以包括:
步骤S42:将所述三维点云图像中各个成像点的置信度的值与置信度阈值进行比较并将置信度的值低于置信度阈值的成像点视为伪障碍物以将该伪障碍物从三维点云图像中去除。
例如,可以将三维点云图像中各个成像点的置信度的值与置信度阈值进行逐一比较,在成像点的置信度的值小于(或等于)置信度阈值时,将该成像点从三维点云图像中去除。
在实际的三维点云图像中,除去上述讨论的扬沙、烟尘等伪障碍物之外,还可能包括地面点云。在一些实施例中,还希望将地面点云也从三维点云图像中去除掉。例如,如图2A中的虚线框所示,根据本发明的一些实施例的障碍物识别方法,还可以包括步骤S50:
在生成所述三维点云图像的成像点的置信度的初始值之前去除所述三维点云图像中的地面点云。
作为示例,地面点云可以被当作背景去除。从图4A中可以看出,地面点云的形状非常规则,因此可以利用对于地面点云的形状(例如为均匀的平条纹)的先验知识,从三维点云图像中找出与之匹配的点云(即地面点云)而将其去除。例如,可以采用随机一致性采样分割法(RANSAC)等方法对地面点云进行去除。
根据本发明的实施例的基于三维点云的障碍物识别方法可以用于去除各种场景下的扬尘、烟雾等伪障碍物对于真正的障碍物识别的影响,尤其适用于在户外非硬化道路上识别障碍物。
图4B示出了经过根据本发明的实施例的方法处理后得到的三维点云图像的示意图。通过对比图4A和图4B,可以看出,扬尘、烟雾等伪障碍物已经被去除,留下的是作为真实障碍物的车体(即图中的障碍车体点云42)。
在本发明的实施例中,是对于成像点的空间间距进行计算,且为各个成像点设置独立的置信度值,这样,去除伪障碍物的操作实际上可以基于成像点来进行而不是基于由多个成像点构成的点云簇来进行。这对于在实际场景中扬尘、烟雾与真实障碍物贴合在一起的情形尤其有利,其可以避免由于将一部分真实障碍物的成像点与伪障碍物的成像点划为同一点云簇而导致对于真实障碍物的成像点的误删除。
另外,根据本发明的实施例的方法充分利用了二维形式的三维点云图像与三维空间数据的映射关系来进行计算,与直接对三维空间数据进行计算相比,可以大大提高处理效率。
根据本发明的实施例,本发明还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。在一些实施例中,该电子设备包括至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有能够被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行根据上述任一实施例所述的基于三维点云的障碍物识别方法。在一些实施例中,该可读存储介质可以是一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据上述任一实施例所述的基于三维点云的障碍物识别方法。在一些实施例中,该计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据上述任一实施例所述的基于三维点云的障碍物识别方法。
图5示出了可以用来实施本发明的实施例的示例电子设备1100的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示,电子设备1100包括计算单元1101,其可以根据存储在只读存储器(ROM)1102中的计算机程序或者从存储单元1108加载到随机访问存储器(RAM)1103中的计算机程序,来执行各种适当的动作和处理。在RAM 1103中,还可存储设备1100操作所需的各种程序和数据。计算单元1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出(I/O)接口1105也连接至总线1104。
设备1100中的多个部件连接至I/O接口1105,包括:输入单元1106,例如键盘、鼠标等;输出单元1107,例如各种类型的显示器、扬声器等;存储单元1108,例如磁盘、光盘等;以及通信单元1109,例如网卡、调制解调器、无线通信收发机等。通信单元1109允许设备1100通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1101可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1101的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1101执行上文所描述的各个方法和处理,例如预测交通流量的方法。例如,在一些实施例中,预测交通流量的方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元1108。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1102和/或通信单元1109而被载入和/或安装到设备1100上。当计算机程序加载到RAM 1103并由计算单元1101执行时,可以执行上文描述的预测交通流量的方法的一个或多个步骤。备选地,在其他实施例中,计算单元1101可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行预测交通流量的方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (11)
1.一种基于三维点云的障碍物识别方法,包括:
获取现场环境的三维点云图像;
生成所述三维点云图像的成像点的置信度的初始值;
通过计算所述三维点云图像中各个相邻的成像点之间的空间间距及成像目标的尺寸来区分所述三维点云图像中的障碍物图像区域和伪障碍物图像区域;以及
调整所述障碍物图像区域和伪障碍物图像区域中至少一者中的成像点的置信度的值并根据调整后的置信度的值来从所述三维点云图像中去除伪障碍物的点云。
2.根据权利要求1所述的方法,其中,所述通过计算所述三维点云图像中各个相邻的成像点之间的空间间距及成像目标的尺寸来区分所述三维点云图像中的障碍物图像区域和伪障碍物图像区域包括:
计算所述三维点云图像中各个相邻的成像点之间的空间间距;以及
将所述空间间距与间距阈值进行比较,在所述空间间距大于间距阈值的情况下将相应的成像点划入伪障碍物图像区域。
3.根据权利要求2所述的方法,其中,所述通过计算所述三维点云图像中各个相邻的成像点之间的空间间距及成像目标的尺寸来区分所述三维点云图像中的障碍物图像区域和伪障碍物图像区域还包括:
在所述空间间距小于间距阈值的情况下计算成像目标的尺寸;以及
在所述成像目标的尺寸大于尺寸阈值的情况下将成像目标划入障碍物图像区域。
4.根据权利要求1所述的方法,其中,所述通过计算所述三维点云图像中各个相邻的成像点之间的空间间距及成像目标的尺寸来区分所述三维点云图像中的障碍物图像区域和伪障碍物图像区域包括:
对所述三维点云图像进行逐行和/或逐列扫描来计算所述三维点云图像中各个相邻的成像点之间的空间间距及成像目标的尺寸。
5.根据权利要求4所述的方法,其中,所述对所述三维点云图像进行逐行和/或逐列扫描来计算所述三维点云图像中各个相邻的成像点之间的空间间距及成像目标的尺寸包括步骤:
(a)选定所述三维点云图像中要扫描的行或列,将计数器置零并设置i=0;
(b)计算所述三维点云图像中的所述行或列中的第i个扫描点的中心距;
(c)在第i个扫描点的中心距不为零的情况下计算第i+1个扫描点的中心距而在该第i个扫描点的中心距为零的情况下将计数器置零、将i累加1并返回步骤(b);
(d)在第i+1个扫描点的中心距不为零的情况下计算第i+1个扫描点和第i个扫描点之间的空间间距而在i+1个扫描点的中心距为零的情况下将计数器置零、将i累加2并返回步骤(b);以及
(e)在第i+1个扫描点和第i个扫描点之间的空间间距大于间距阈值的情况下将计数器置零、将i累加1并返回步骤(b),否则将计数器累加1、将i累加1并返回步骤(b),
其中在准备将计数器置零之前,先将计数器的值与尺寸阈值进行比较,在计数器的值大于该尺寸阈值的情况下判定从第i个扫描点至第i-C个扫描点属于障碍物图像区域,其中C为该计数器的值。
6.根据权利要求5所述的方法,其中,所述调整所述障碍物图像区域和伪障碍物图像区域中至少一者中的成像点的置信度的值并根据调整后的置信度的值来从所述三维点云图像中识别障碍物包括:
(g)在判定从第i个扫描点至第i-C个扫描点属于障碍物图像区域的情况下增加第i个扫描点至第i-C个扫描点的置信度的值。
7.根据权利要求1至6中任一项所述的方法,其中,所述调整所述障碍物图像区域和伪障碍物图像区域中至少一者中的成像点的置信度的值并根据调整后的置信度的值来从所述三维点云图像中去除伪障碍物的点云还包括:
将所述三维点云图像中各个成像点的置信度的值与置信度阈值进行比较并将置信度的值低于置信度阈值的成像点视为伪障碍物以将该伪障碍物从三维点云图像中去除。
8.根据权利要求1至6中任一项所述的方法,其中,所述方法用于在户外非硬化道路上识别障碍物,所述方法还包括:
在生成所述三维点云图像的成像点的置信度的初始值之前去除所述三维点云图像中的地面点云。
9.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有能够被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的方法。
11.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210131180.1A CN114494075A (zh) | 2022-02-14 | 2022-02-14 | 基于三维点云的障碍物识别方法、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210131180.1A CN114494075A (zh) | 2022-02-14 | 2022-02-14 | 基于三维点云的障碍物识别方法、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114494075A true CN114494075A (zh) | 2022-05-13 |
Family
ID=81480090
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210131180.1A Pending CN114494075A (zh) | 2022-02-14 | 2022-02-14 | 基于三维点云的障碍物识别方法、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114494075A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115100628A (zh) * | 2022-06-22 | 2022-09-23 | 合众新能源汽车有限公司 | 一种自动驾驶车辆的障碍物识别方法及装置 |
CN115984803A (zh) * | 2023-03-10 | 2023-04-18 | 安徽蔚来智驾科技有限公司 | 数据处理方法、设备、驾驶设备和介质 |
CN116605212A (zh) * | 2023-07-11 | 2023-08-18 | 北京集度科技有限公司 | 车辆控制方法、装置、计算机设备以及存储介质 |
WO2023244929A1 (en) * | 2022-06-14 | 2023-12-21 | Kodiak Robotics, Inc. | Systems and methods for lidar atmospheric filtering background |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110031822A (zh) * | 2019-04-22 | 2019-07-19 | 上海禾赛光电科技有限公司 | 可用于激光雷达的噪点识别方法以及激光雷达*** |
CN112233039A (zh) * | 2020-10-29 | 2021-01-15 | 中电建路桥集团有限公司 | 基于领域点空间特征的三维激光点云去噪方法 |
CN112327308A (zh) * | 2019-07-19 | 2021-02-05 | 阿里巴巴集团控股有限公司 | 物体检测方法、装置、***及设备 |
CN112967283A (zh) * | 2021-04-22 | 2021-06-15 | 上海西井信息科技有限公司 | 基于双目摄像头的目标识别方法、***、设备及存储介质 |
WO2021128297A1 (zh) * | 2019-12-27 | 2021-07-01 | 深圳市大疆创新科技有限公司 | 三维点云地图构建方法、***和设备 |
WO2021189347A1 (en) * | 2020-03-26 | 2021-09-30 | Baidu.Com Times Technology (Beijing) Co., Ltd. | Neighbor-based point cloud filter system |
CN113610143A (zh) * | 2021-08-02 | 2021-11-05 | 广州文远知行科技有限公司 | 一种点云噪点的分类方法、装置、设备及存储介质 |
-
2022
- 2022-02-14 CN CN202210131180.1A patent/CN114494075A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110031822A (zh) * | 2019-04-22 | 2019-07-19 | 上海禾赛光电科技有限公司 | 可用于激光雷达的噪点识别方法以及激光雷达*** |
CN112327308A (zh) * | 2019-07-19 | 2021-02-05 | 阿里巴巴集团控股有限公司 | 物体检测方法、装置、***及设备 |
WO2021128297A1 (zh) * | 2019-12-27 | 2021-07-01 | 深圳市大疆创新科技有限公司 | 三维点云地图构建方法、***和设备 |
WO2021189347A1 (en) * | 2020-03-26 | 2021-09-30 | Baidu.Com Times Technology (Beijing) Co., Ltd. | Neighbor-based point cloud filter system |
CN113811793A (zh) * | 2020-03-26 | 2021-12-17 | 百度时代网络技术(北京)有限公司 | 基于近邻的点云过滤*** |
CN112233039A (zh) * | 2020-10-29 | 2021-01-15 | 中电建路桥集团有限公司 | 基于领域点空间特征的三维激光点云去噪方法 |
CN112967283A (zh) * | 2021-04-22 | 2021-06-15 | 上海西井信息科技有限公司 | 基于双目摄像头的目标识别方法、***、设备及存储介质 |
CN113610143A (zh) * | 2021-08-02 | 2021-11-05 | 广州文远知行科技有限公司 | 一种点云噪点的分类方法、装置、设备及存储介质 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023244929A1 (en) * | 2022-06-14 | 2023-12-21 | Kodiak Robotics, Inc. | Systems and methods for lidar atmospheric filtering background |
CN115100628A (zh) * | 2022-06-22 | 2022-09-23 | 合众新能源汽车有限公司 | 一种自动驾驶车辆的障碍物识别方法及装置 |
CN115984803A (zh) * | 2023-03-10 | 2023-04-18 | 安徽蔚来智驾科技有限公司 | 数据处理方法、设备、驾驶设备和介质 |
CN115984803B (zh) * | 2023-03-10 | 2023-12-12 | 安徽蔚来智驾科技有限公司 | 数据处理方法、设备、驾驶设备和介质 |
CN116605212A (zh) * | 2023-07-11 | 2023-08-18 | 北京集度科技有限公司 | 车辆控制方法、装置、计算机设备以及存储介质 |
CN116605212B (zh) * | 2023-07-11 | 2023-10-20 | 北京集度科技有限公司 | 车辆控制方法、装置、计算机设备以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114494075A (zh) | 基于三维点云的障碍物识别方法、电子设备和存储介质 | |
CN110443786B (zh) | 激光雷达点云滤波方法、装置、计算机设备和存储介质 | |
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 | |
CN111712731A (zh) | 目标检测方法、***及可移动平台 | |
EP4130798A1 (en) | Target identification method and device | |
CN111563450B (zh) | 数据处理方法、装置、设备及存储介质 | |
CN108109139B (zh) | 基于灰度体元模型的机载lidar三维建筑物检测方法 | |
CN113378760A (zh) | 训练目标检测模型和检测目标的方法及装置 | |
CN109946703B (zh) | 一种传感器姿态调整方法及装置 | |
US10748257B2 (en) | Point cloud colorization with occlusion detection | |
CN110471086B (zh) | 一种雷达测障***及方法 | |
CN108074232B (zh) | 一种基于体元分割的机载lidar建筑物检测方法 | |
WO2022217988A1 (zh) | 传感器配置方案确定方法、装置、计算机设备、存储介质及程序 | |
US20150198735A1 (en) | Method of Processing 3D Sensor Data to Provide Terrain Segmentation | |
WO2023179718A1 (zh) | 用于激光雷达的点云处理方法、装置、设备及存储介质 | |
CN117269940B (zh) | 点云数据生成方法、激光雷达的感知能力验证方法 | |
WO2023179717A1 (zh) | 用于激光雷达的点云处理方法、装置、设备及存储介质 | |
US11933884B2 (en) | Radar image processing device, radar image processing method, and storage medium | |
CN111553342B (zh) | 一种视觉定位方法、装置、计算机设备和存储介质 | |
CN107765257A (zh) | 一种基于反射强度辅助外部校准的激光探测与测量方法 | |
CN117095038A (zh) | 用于激光扫描仪的点云滤波方法及*** | |
CN113763308B (zh) | 一种地面检测方法、装置、服务器及介质 | |
WO2022214821A2 (en) | Monocular depth estimation | |
KR20220128787A (ko) | 라이다 센서를 이용한 객체 추적 방법 및 장치와, 이 방법을 실행하기 위한 프로그램을 기록한 기록 매체 | |
CN112509126B (zh) | 三维物体检测的方法、装置、设备及存储介质 |
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 |