CN114882461B - 设备环境识别方法、装置、电子设备和自动驾驶车辆 - Google Patents

设备环境识别方法、装置、电子设备和自动驾驶车辆 Download PDF

Info

Publication number
CN114882461B
CN114882461B CN202210579962.1A CN202210579962A CN114882461B CN 114882461 B CN114882461 B CN 114882461B CN 202210579962 A CN202210579962 A CN 202210579962A CN 114882461 B CN114882461 B CN 114882461B
Authority
CN
China
Prior art keywords
data
data points
preset
characteristic information
environment
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
Application number
CN202210579962.1A
Other languages
English (en)
Other versions
CN114882461A (zh
Inventor
王希同
胡旷
梁锦平
林明
王康
陈晓颖
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.)
Apollo Intelligent Technology Beijing Co Ltd
Original Assignee
Apollo Intelligent Technology Beijing 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 Apollo Intelligent Technology Beijing Co Ltd filed Critical Apollo Intelligent Technology Beijing Co Ltd
Priority to CN202210579962.1A priority Critical patent/CN114882461B/zh
Publication of CN114882461A publication Critical patent/CN114882461A/zh
Priority to US18/148,836 priority patent/US20230142243A1/en
Application granted granted Critical
Publication of CN114882461B publication Critical patent/CN114882461B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • 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
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 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
    • 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
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/40—Means for monitoring or calibrating
    • 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
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/40—Means for monitoring or calibrating
    • G01S7/4004—Means for monitoring or calibrating of parts of a radar system
    • G01S7/4026—Antenna boresight
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • 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
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30244—Camera pose
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本公开提供了一种设备环境识别方法、装置、电子设备和自动驾驶车辆，涉及人工智能技术领域，尤其涉及自动驾驶、传感器技术等技术领域。具体实现方案为：获取传感器对设备所处的环境采集的采集数据，所述传感器为所述设备中的传感器；提取所述采集数据的特征信息；基于所述特征信息，生成所述环境的识别结果，所述识别结果用于表示所述环境与所述传感器标定的对应关系。本公开可以提高环境识别效率。

Description

设备环境识别方法、装置、电子设备和自动驾驶车辆
技术领域
本公开涉及自动驾驶、传感器技术等人工智能技术领域，尤其涉及一种设备环境识别方法、装置、电子设备和自动驾驶车辆。
背景技术
目前很多设备上设置了传感器，以提高设备的性能，例如：自动驾驶车辆、机器人设备上设置了很多传感器。为了保证传感器数据的准确性，往往需要对传感器进行标定，目前是通过安排专业人员识别环境与传感器标定的对应关系，如通过安排专业人员判断环境是否满足传感器标定的要求。
发明内容
本公开提供了一种设备环境识别方法、装置、电子设备和自动驾驶车辆。
根据本公开的一方面，提供了一种设备环境识别方法，包括：
获取传感器对设备所处的环境采集的采集数据，所述传感器为所述设备中的传感器；
提取所述采集数据的特征信息；
基于所述特征信息，生成所述环境的识别结果，所述识别结果用于表示所述环境与所述传感器标定的对应关系。
根据本公开的另一方面，提供了一种设备环境识别装置，包括：
获取模块，用于获取传感器对设备所处的环境采集的采集数据，所述传感器为所述设备中的传感器；
提取模块，用于提取所述采集数据的特征信息；
生成模块，基于所述特征信息，生成所述环境的识别结果，所述识别结果用于表示所述环境与所述传感器标定的对应关系。
根据本公开的另一方面，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，
所述存储器存储有可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本公开提供的方法。
根据本公开的另一方面，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本公开提供的方法。
根据本公开的另一方面，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本公开提供的方法。
本公开中，由于基于传感器采集的采集数据的特征信息，生成环境的识别结果，从而实现对环境进行智能化识别，以提高环境识别效率。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开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，不构成对本公开的限定。其中：
图1是本公开提供的一种设备环境识别方法的流程图；
图2是本公开提供的一种设备环境识别方法的示意图；
图3是本公开提供的另一种设备环境识别方法的示意图；
图4是本公开提供的一种设备环境识别装置的示意图；
图5是本公开提供的另一种设备环境识别装置的示意图；
图6是本公开提供的另一种设备环境识别装置的示意图；
图7是用来实现本公开实施例的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
请参见图1，图1是本公开提供的一种设备环境识别方法的流程图，如图1所示，包括以下步骤：
步骤S101、获取传感器对设备所处的环境采集的采集数据，所述传感器为所述设备中的传感器。
上述设备可以是车辆、机器人设备等设置有传感器的设备，车辆可以是自动驾驶车辆或者非自动驾驶车辆。
上述传感器可以是安装在上述设备中的雷达传感器或者图像传感器等。
上述设备所处的环境是指上述设备当前所在的环境，如设备当前所在马路、广场等环境。
上述获取传感器对设备所处的环境采集的采集数据可以是，获取传感器对设备所处的环境实时采集的采集数据，或者获取传感器对设备所处的环境预先采集的采集数据。
上述采集数据也可以称作传感器数据，即传感器采集的数据。
步骤S102、提取所述采集数据的特征信息。
上述特征信息可以是曲率信息、法向量信息、特征直方图信息等特征信息。且上述提取所述采集数据的特征信息可以是，提取采集数据的全部或者部分数据的特征信息。
步骤S103、基于所述特征信息，生成所述环境的识别结果，所述识别结果用于表示所述环境与所述传感器标定的对应关系。
上述基于所述特征信息，生成所述环境的识别结果可以是，将上述特征信息与预先设定的传感器标定的环境特征信息进行匹配，再基于匹配结果生成识别结果。如特征信息与预先设定的传感器标定的环境特征信息匹配，则生成的识别结果用于表示环境满足传感器标定的对应关系，如特征信息与预先设定的传感器标定的环境特征信息不匹配，则生成的识别结果用于表示环境不满足传感器标定的对应关系。
或者，上述基于所述特征信息，生成所述环境的识别结果可以是，在上述特征信息表示上述环境中存在目标对象(如建筑物或者障碍物体或者行人)的情况下，生成识别结果，该识别结果用于表示环境满足传感器标定的对应关系，在上述特征信息表示上述环境中不存在目标对象(如建筑物或者障碍物体或者行人)的情况下，生成识别结果，该识别结果用于表示环境不满足传感器标定的对应关系。
需要说明的是，在一些实施方式中，上述对应关系可以表示上述环境中适合上述传感器标定的位置区域，或者表示上述环境中不适合上述传感器标定的位置区域。
本公开中，通过上述步骤可以实现基于传感器采集的采集数据的特征信息，生成环境的识别结果，从而可以对环境进行智能化识别，以提高环境识别效率，因为不需要安排专业人员对环境进行识别。
另外，本公开还可以降低人力，因为，不需要专业人员识别环境。
需要说明的是，上述方法可以由上述设备执行，如由自动驾驶车辆或者机器人设备执行上述方法中的所有步骤，这样可以提高自动驾驶车辆或者机器人设备的环境识别功能。另外，在一些实施方式中，上述方法也可以由与上述设备存在通信连接的电子设备执行，如连接自动驾驶车辆的服务器或者手机执行上述方法。
在一个实施例中，所述方法还包括：
对所述采集数据进行滤波处理，得到滤波数据；
图1所示的实施例中的步骤S102包括：
提取所述滤波数据的特征信息。
上述对所述采集数据进行滤波处理可以是，去除上述采集数据中对环境识别影响较低的数据，如去除有效性较低的数据，或者去除与传感器标定无关的数据。
该实施例中，由于对采集数据进行滤波处理，从而可以降低后续步骤的计算量，节约计算资源开销。
在一个实施例中，所述采集数据包括点云数据，所述点云数据包括数据点集合中数据点的位置坐标信息，上述实施例中的对所述采集数据进行滤波处理，得到滤波数据，包括：
依据所述位置坐标信息，对所述数据点集合进行滤波处理，得到滤波数据。
其中，上述数据点集合为上述采集数据中包括的多个数据点的集合，另外，上述点云数据还可以包括上述数据点集合中数据点的强度值，如反射率。另外，上述位置坐标信息可以是三维坐标信息。
上述依据所述位置坐标信息，对所述数据点集合进行滤波处理可以是，基于位置坐标信息确定数据点的位置，再基于数据点的位置进行滤波处理。
该实施例中，由于依据所述位置坐标信息，对所述数据点集合进行滤波处理，这样可以提高滤波效果。
在该实施例中，上述滤波处理，可以包括如下至少一项：
直通滤波处理，所述直通滤波处理包括：删除所述数据点集合中距离大于或者等于第一预设阈值的数据点，所述距离为数据点的位置坐标信息表示的位置与所述传感器之间的距离；
离群点滤波处理，所述离群点滤波处理包括：删除所述数据点集合中的离群数据点，所述离群数据点对应的平均距离大于或者等于第二预设阈值，所述离群数据点对应的平均距离为：所述离群数据点对应的预设范围内的数据点到所述离群数据点之间的平均距离；
高度滤波处理，所述高度滤波处理包括：删除所述数据点集合中高度坐标值小于或者等于第三预设阈值的数据点，所述高度坐标值为所述位置坐标信息包括的高度坐标值。
上述第一预设阈值可以是预先根据经验值设定的，或者上述第一预设阈值可以是根据上述传感器的参数信息设定的，例如：在一些实施方式中，上述方法还包括：
获取所述传感器的参数信息；
其中，所述第一预设阈值与所述参数信息匹配。
其中，上述获取所述传感器的参数信息可以是读取上述设备的配置信息，以得到上述传感器的参数信息。
上述第一预设阈值与所述参数信息匹配可以是，上述第一预设阈值为用于过滤掉上述参数信息对应的有效性低的数据，或者，用于过滤掉上述参数信息对应的无效数据。例如：在上述传感器为雷达传感器的情况下，上述参数信息可以是雷达线束，如针对线束数较低的16线束的雷达传感器，距离稍远时点云非常稀疏，数据有效性低，故可以将直通滤波的范围设置为第一预设阈值，如20或者19m，以过滤掉有效性低的数据，而针对更高线束(如24或32线束)的雷达，则设定的第一预设阈值可以为25或者30m等值。
这样由于第一预设阈值与所述参数信息匹配，从而进一步提高滤波效果。
该实施例中，由于采用直通滤波处理，从而可以过滤掉距离较远的数据，这样在降低后续步骤计算量的同时，还可以提高识别结果的准确性。
上述第二预设阈值和预设范围可以是预先设定的，如预先根据经验值设定的，或者预先根据传感器的参数、类型设定的。
上述离群点滤波处理可以是，对于每个数据点进行的邻域统计分析，即计算该数据点到的所有临近点的平均距离，从而确定离群数据点，并删除这些数据点。假设上述采集数据呈一个高斯分布，其形状由每个数据点的平均距离和上述第二预设阈值决定，平均距离大于或者等于第二预设阈值的数据点被定义为离群数据点，并从数据集合中除掉。
该实施例中，由于采用离群点滤波处理，从而可以过滤掉一些离群数据点，这样可以降低后续步骤的计算量。
上述第三预设阈值可以是预先设定的，如预先根据经验值设定的，或者预先根据传感器的参数、类型设定的。
通过上述高度滤波处理可以过滤掉高度较低的数据点，例如：过滤掉草坪上的数据点，或者过滤掉地面的数据点，因为，这些数据点对于传感器标定往往不起作用的。
该实施例中，由于采用高度滤波处理，从而可以过滤掉距离较远的数据，这样在降低后续步骤计算量的同时，还可以提高识别结果的准确性。
需要说明的是，上述三种滤波处理中两种或者三种滤波处理都执行的情况下，这些滤波处理的执行顺序不作限定，例如：可以是先后执行，也可以是并行同时执行。
还需要说明的是，本公开中，并不限定采集数据包括点云数据，例如：对于图像传感器来说，采集图像可以不包括位置坐标信息，仅包括图像特征数据，基于图像特征数据中的特征信息生成识别结果，例如：图像特征数据中的特征信息表示上述环境存在建筑物、障碍物体的情况下，生成的识别结果用于表示环境满足传感器标定的对应关系，如图像特征数据中的特征信息表示上述环境不存在建筑物、障碍物体的情况下，生成的识别结果用于表示环境不满足传感器标定的对应关系。
在一个实施例中，图1所示的实施例中的步骤S104，包括：
基于所述特征信息识别所述采集数据包括的几何特征；
根据所述采集数据包括的几何特征，生成所述环境的识别结果；
其中，在所述采集数据包括的几何特征满足预设传感器标定条件的情况下，所述识别结果表示的所述对应关系为所述环境满足所述传感器标定的要求，在所述采集数据包括的几何特征不满足预设传感器标定条件的情况下，所述识别结果表示的所述对应关系为所述环境不满足所述传感器标定的要求。
上述基于所述特征信息识别所述采集数据包括的几何特征可以是，基于特征信息识别采集数据包括的几何特征的数量，或者，基于特征信息识别采集数据包括的几何特征在采集数据中的占比。
需要说明的是，在该实施例中与上述滤波处理实施例结合的情况下，上述基于所述特征信息识别所述采集数据包括的几何特征可以是，基于所述特征信息识别上述滤波数据包括的几何特征。
上述预设传感器标定条件可以是，几何特征的数量条件，或者可以是几何特征的占比条件，例如：上述采集数据包括的几何特征的数量超过预设阈值，则满足预设传感器标定条件，反之不满足；或者上述采集数据包括的几何特征在采集数据中的占比超过预设比值，则满足预设传感器标定条件，反之不满足。
该实施例中，可以实现基于几何特征判断环境是否满足所述传感器标定的要求，而几何特征有利于传感器标定，这样可以提高环境识别的准确性。
在一些实施方式中，所述采集数据包括多个数据区域，每个数据区域包括多个数据点，所述特征信息包括所述多个数据区域内多个数据点的特征信息，所述基于所述特征信息识别所述采集数据包括的几何特征，包括：
基于所述多个数据区域内的数据点的特征信息，识别所述采集数据包括的几何特征；
其中，对于每个数据区域：在所述数据区域内多个数据点的特征信息的相似特征满足预设相似条件的情况下，所述数据区域存在几何特征，在所述数据区域内多个数据点的特征信息的相似特征不满足所述预设相似条件的情况下，所述数据区域不存在几何特征。
上述数据区域可以随机划分，也可以是基于预设规则进行划分的，且不同区域的大小可以相同或者不同。
上述预设相似条件可以是预设相似度，或者相似数据点的预设数量阈值。
该实施方式中，通过上述预设相似条件可以准确是识别数据区域内是否存在几何特征，进而提高识别环境的准确性。
在一些实施方式中，所述数据区域内多个数据点的特征信息的相似特征满足预设相似条件，包括：
所述数据区域内多个数据点的特征信息的相似度高于或者等于第一预设相似度阈值；或者，所述数据区域内第一数据点的数量大于或者等于第一预设数量阈值，所述第一数据点与所述数据区域内其他一个或者多个数据点的特征信息相似度高于或者等于第二预设相似阈值；
所述数据区域内多个数据点的特征信息的相似特征不满足所述预设相似条件，包括：
所述数据区域内多个数据点的特征信息的相似度低于或者等于第三预设相似度阈值；或者，所述数据区域内第二数据点的数量大于或者等于第二预设数量阈值，所述第二数据点与所述数据区域内其他一个或者多个数据点的特征信息相似度低于或者等于第四预设相似阈值。
上述多个数据点的特征信息的相似度可以是，多个数据点的特征信息的平均相似度，或者多个数据点的特征信息的相似度的中位值。
上述第一预设相似度阈值、第一预设数量阈值、第二预设相似阈值、第三预设相似度阈值、第二预设数量阈值和第四预设相似阈值可以是预先根据经验值或者传感器参数设定的阈值。其中，第一预设相似度阈值与上述第二预设数量阈值可以相同或者不同，例如：第一预设相似度阈值低于上述第二预设数量阈值；第一预设相似度阈值与上述第三预设数量阈值可以相同或者不同，例如：第一预设相似度阈值高于上述第二预设数量阈值；第三预设相似度阈值与上述第四预设数量阈值可以相同或者不同，例如：第三预设相似度阈值低于上述第四预设数量阈值。
上述多个数据点的特征信息的相似度高于或者等于第一预设相似度阈值可以理解为，这个多个数据点的特征信息为相似的特征信息。
上述多个数据点的特征信息的相似度低于或者等于第三预设相似度阈值可以理解为，这个多个数据点的特征信息为不相似的特征信息。
上述第一数据点与所述数据区域内其他一个或者多个数据点的特征信息相似度高于或者等于第二预设相似阈值可以理解为，第一数据点与其他一个或者多个数据点为相似的数据点。
上述第二数据点与所述数据区域内其他一个或者多个数据点的特征信息相似度低于或者等于第四预设相似阈值可以理解为，第一数据点与其他一个或者多个数据点的相似度较低，如完全没有关联的数据点。
该实施方式中，通过上述第一预设相似度阈值、第一预设数量阈值、第二预设相似阈值、第三预设相似度阈值、第二预设数量阈值和第四预设相似阈值可以提高几何特征识别的准确性。
在一个实施例中，上述方法还包括如下至少一项：
在所述识别结果表示的所述对应关系为所述环境满足所述传感器标定的要求的情况下，对上述传感器进行标定操作；
在所述识别结果表示的所述对应关系为所述环境不满足所述传感器标定的要求的情况下，控制上述设备离开上述环境。
上述对上述传感器进行标定操作可以是，对上述传感器进行自标定操作，即上述设备自行完全对上述传感器的标定，不需要借助其他设备。例如：基于上述设备中的定位传感器和视觉传感器对雷达传感器进行标定。
上述控制上述设备离开上述环境可以是，控制上述设备从上述环境移动至其他环境。
在一些实施方式中，在所述识别结果表示的所述对应关系为所述环境不满足所述传感器标定的要求的情况下，也可以结束流程。
下面以设备为自动驾驶车辆，参考图2对本公开提供的方法进行举例说明：
如图2所示，车辆上的传感器采对环境进行数据提取201，即采集环境的数据，之后对提取的数据进行直通滤波202和离群点滤波203，其中，直通滤波可以提取车辆配置，以获取到传感器参数信息，进而基于传感器的参数信息执行直通滤波。之后，提取滤波后的数据的环境特征，并基于环境特征进行判断204，并输出环境判断结果，即上述实施例中描述的识别结果，该结果可以表示环境与标定传感器的对应关系，如满足或者不满足传感器标定的要求。
在该实施例中，具体的实现过程可以参见图3，如图3所示，包括如下步骤：
步骤S301、选择车辆配置，并启动传感器；
步骤S302、启动环境检测功能；
步骤S303、传感器数据提取，即采集环境的数据；
步骤S304、传感器数据过滤，如上述实施例中的直通滤波和离群点滤波；
步骤S305、环境特征提取与统计，如上述实施例中的特征信息提取，以及几何特征的识别；
步骤S306、判断环境是否满足要求，如上述实施例中的生成识别结果。
该实施例中，只需要用户启动车辆，车辆即可自行完成环境识别，且识别过程中不需要用户移动车辆，操作十分简便。
本公开中，由于基于传感器采集的采集数据的特征信息，生成所述环境的识别结果，从而可以对环境进行智能化识别，以提高环境识别效率。
请参见图4，图4是本公开提供的一种设备环境识别装置，如图4所示，设备环境识别装置400包括：
获取模块401，用于获取传感器对设备所处的环境采集的采集数据，所述传感器为所述设备中的传感器；
提取模块402，用于提取所述采集数据的特征信息；
生成模块403，基于所述特征信息，生成所述环境的识别结果，所述识别结果用于表示所述环境与所述传感器标定的对应关系。
可选的，如图5所示，设备环境识别装置500包括：
获取模块501，用于获取传感器对设备所处的环境采集的采集数据，所述传感器为所述设备中的传感器；
滤波模块504，用于对所述采集数据进行滤波处理，得到滤波数据；
提取模块502，用于提取所述滤波数据的特征信息；
生成模块503，基于所述特征信息，生成所述环境的识别结果，所述识别结果用于表示所述环境与所述传感器标定的对应关系。
可选的，所述采集数据包括点云数据，所述点云数据包括数据点集合中数据点的位置坐标信息，所述滤波模块504用于依据所述位置坐标信息，对所述数据点集合进行滤波处理，得到滤波数据。
可选的，所述滤波处理，包括如下至少一项：
直通滤波处理，所述直通滤波处理包括：删除所述数据点集合中距离大于或者等于第一预设阈值的数据点，所述距离为数据点的位置坐标信息表示的位置与所述传感器之间的距离；
离群点滤波处理，所述离群点滤波处理包括：删除所述数据点集合中的离群数据点，所述离群数据点对应的平均距离大于或者等于第二预设阈值，所述离群数据点对应的平均距离为：所述离群数据点对应的预设范围内的数据点到所述离群数据点之间的平均距离；
高度滤波处理，所述高度滤波处理包括：删除所述数据点集合中高度坐标值小于或者等于第三预设阈值的数据点，所述高度坐标值为所述位置坐标信息包括的高度坐标值。
可选的，如图6所示，设备环境识别装置600包括：
获取模块601，用于获取传感器对设备所处的环境采集的采集数据，所述传感器为所述设备中的传感器；
提取模块602，用于提取所述采集数据的特征信息；
生成模块603，包括：
识别单元6031，用于基于所述特征信息识别所述采集数据包括的几何特征；
生成单元6032，用于根据所述采集数据包括的几何特征，生成所述环境的识别结果；
其中，在所述采集数据包括的几何特征满足预设传感器标定条件的情况下，所述识别结果表示的所述对应关系为所述环境满足所述传感器标定的要求，在所述采集数据包括的几何特征不满足预设传感器标定条件的情况下，所述识别结果表示的所述对应关系为所述环境不满足所述传感器标定的要求。
可选的，所述采集数据包括多个数据区域，每个数据区域包括多个数据点，所述特征信息包括所述多个数据区域内多个数据点的特征信息，所述识别单元6031用于：基于所述多个数据区域内的数据点的特征信息，识别所述采集数据包括的几何特征；
其中，对于每个数据区域：在所述数据区域内多个数据点的特征信息的相似特征满足预设相似条件的情况下，所述数据区域存在几何特征，在所述数据区域内多个数据点的特征信息的相似特征不满足所述预设相似条件的情况下，所述数据区域不存在几何特征。
可选的，所述数据区域内多个数据点的特征信息的相似特征满足预设相似条件，包括：
所述数据区域内多个数据点的特征信息的相似度高于或者等于第一预设相似度阈值；或者，所述数据区域内第一数据点的数量大于或者等于第一预设数量阈值，所述第一数据点与所述数据区域内其他一个或者多个数据点的特征信息相似度高于或者等于第二预设相似阈值；
所述数据区域内多个数据点的特征信息的相似特征不满足所述预设相似条件，包括：
所述数据区域内多个数据点的特征信息的相似度低于或者等于第三预设相似度阈值；或者，所述数据区域内第二数据点的数量大于或者等于第二预设数量阈值，所述第二数据点与所述数据区域内其他一个或者多个数据点的特征信息相似度低于或者等于第四预设相似阈值。
可选的，所述设备包括：
自动驾驶车辆或者机器人设备。
本公开提供的设备环境识别装置能够实现本公开提供的设备环境识别方法实现的各个过程，并达到相同的技术效果，为避免重复，这里不再赘述。
根据本公开的实施例，本公开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。
其中，上述电子设备，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，所述存储器存储有可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本公开提供的设备环境识别方法。
上述可读存储介质存储有计算机指令，其中，所述计算机指令用于使所述计算机执行本公开提供的设备环境识别方法。
上述计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本公开提供的设备环境识别方法。
本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的实施例，本公开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。
图7示出了可以用来实施本公开的实施例的示例电子设备700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/或者要求的本公开的实现。
如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700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701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701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701执行上文所描述的各个方法和处理，例如设备环境识别方法。例如，在一些实施例中，设备环境识别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708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的设备环境识别方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行设备环境识别方法。
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。
用于实施本公开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。
在本公开的上下文中，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。服务器可以是云服务器，也可以为分布式***的服务器，或者是结合了区块链的服务器。
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，只要能够实现本公开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，并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (15)

1.一种设备环境识别方法，包括：
获取传感器对设备所处的环境采集的采集数据，所述传感器为所述设备中的传感器；
提取所述采集数据的特征信息；
基于所述特征信息，生成所述环境的识别结果，所述识别结果用于表示所述环境与所述传感器标定的对应关系；
其中，所述基于所述特征信息，生成所述环境的识别结果，包括：
基于所述特征信息识别所述采集数据包括的几何特征；
根据所述采集数据包括的几何特征，生成所述环境的识别结果；
其中，在所述采集数据包括的几何特征满足预设传感器标定条件的情况下，所述识别结果表示的所述对应关系为所述环境满足所述传感器标定的要求，在所述采集数据包括的几何特征不满足所述预设传感器标定条件的情况下，所述识别结果表示的所述对应关系为所述环境不满足所述传感器标定的要求，所述预设传感器标定条件包括几何特征的数量条件或者几何特征的占比条件；
所述采集数据包括多个数据区域，每个数据区域包括多个数据点，所述特征信息包括所述多个数据区域内多个数据点的特征信息，所述基于所述特征信息识别所述采集数据包括的几何特征，包括：
基于所述多个数据区域内的数据点的特征信息，识别所述采集数据包括的几何特征；
其中，对于每个数据区域：在所述数据区域内多个数据点的特征信息的相似特征满足预设相似条件的情况下，所述数据区域存在几何特征，在所述数据区域内多个数据点的特征信息的相似特征不满足所述预设相似条件的情况下，所述数据区域不存在几何特征。
2.根据权利要求1所述的方法，还包括：
对所述采集数据进行滤波处理，得到滤波数据；
所述提取所述采集数据的特征信息，包括：
提取所述滤波数据的特征信息。
3.根据权利要求2所述的方法，其中，所述采集数据包括点云数据，所述点云数据包括数据点集合中数据点的位置坐标信息，所述对所述采集数据进行滤波处理，得到滤波数据，包括：
依据所述位置坐标信息，对所述数据点集合进行滤波处理，得到滤波数据。
4.根据权利要求3所述的方法，其中，所述滤波处理，包括如下至少一项：
直通滤波处理，所述直通滤波处理包括：删除所述数据点集合中距离大于或者等于第一预设阈值的数据点，所述距离为数据点的位置坐标信息表示的位置与所述传感器之间的距离；
离群点滤波处理，所述离群点滤波处理包括：删除所述数据点集合中的离群数据点，所述离群数据点对应的平均距离大于或者等于第二预设阈值，所述离群数据点对应的平均距离为：所述离群数据点对应的预设范围内的数据点到所述离群数据点之间的平均距离；
高度滤波处理，所述高度滤波处理包括：删除所述数据点集合中高度坐标值小于或者等于第三预设阈值的数据点，所述高度坐标值为所述位置坐标信息包括的高度坐标值。
5.根据权利要求1所述的方法，其中，所述数据区域内多个数据点的特征信息的相似特征满足预设相似条件，包括：
所述数据区域内多个数据点的特征信息的相似度高于或者等于第一预设相似度阈值；或者，所述数据区域内第一数据点的数量大于或者等于第一预设数量阈值，所述第一数据点与所述数据区域内其他一个或者多个数据点的特征信息相似度高于或者等于第二预设相似阈值；
所述数据区域内多个数据点的特征信息的相似特征不满足所述预设相似条件，包括：
所述数据区域内多个数据点的特征信息的相似度低于或者等于第三预设相似度阈值；或者，所述数据区域内第二数据点的数量大于或者等于第二预设数量阈值，所述第二数据点与所述数据区域内其他一个或者多个数据点的特征信息相似度低于或者等于第四预设相似阈值。
6.根据权利要求1至4中任一项所述的方法，其中，所述设备包括：
自动驾驶车辆或者机器人设备。
7.一种设备环境识别装置，包括：
获取模块，用于获取传感器对设备所处的环境采集的采集数据，所述传感器为所述设备中的传感器；
提取模块，用于提取所述采集数据的特征信息；
生成模块，基于所述特征信息，生成所述环境的识别结果，所述识别结果用于表示所述环境与所述传感器标定的对应关系；
其中，所述生成模块，包括：
识别单元，用于基于所述特征信息识别所述采集数据包括的几何特征；
生成单元，用于根据所述采集数据包括的几何特征，生成所述环境的识别结果；
其中，在所述采集数据包括的几何特征满足预设传感器标定条件的情况下，所述识别结果表示的所述对应关系为所述环境满足所述传感器标定的要求，在所述采集数据包括的几何特征不满足预设传感器标定条件的情况下，所述识别结果表示的所述对应关系为所述环境不满足所述传感器标定的要求，所述预设传感器标定条件包括几何特征的数量条件或者几何特征的占比条件；
所述采集数据包括多个数据区域，每个数据区域包括多个数据点，所述特征信息包括所述多个数据区域内多个数据点的特征信息，所述识别单元用于：
基于所述多个数据区域内的数据点的特征信息，识别所述采集数据包括的几何特征；
其中，对于每个数据区域：在所述数据区域内多个数据点的特征信息的相似特征满足预设相似条件的情况下，所述数据区域存在几何特征，在所述数据区域内多个数据点的特征信息的相似特征不满足所述预设相似条件的情况下，所述数据区域不存在几何特征。
8.根据权利要求7所述的装置，还包括：
滤波模块，用于对所述采集数据进行滤波处理，得到滤波数据；
所述提取模块用于提取所述滤波数据的特征信息。
9.根据权利要求8所述的装置，其中，所述采集数据包括点云数据，所述点云数据包括数据点集合中数据点的位置坐标信息，所述滤波模块用于依据所述位置坐标信息，对所述数据点集合进行滤波处理，得到滤波数据。
10.根据权利要求9所述的装置，其中，所述滤波处理，包括如下至少一项：
直通滤波处理，所述直通滤波处理包括：删除所述数据点集合中距离大于或者等于第一预设阈值的数据点，所述距离为数据点的位置坐标信息表示的位置与所述传感器之间的距离；
离群点滤波处理，所述离群点滤波处理包括：删除所述数据点集合中的离群数据点，所述离群数据点对应的平均距离大于或者等于第二预设阈值，所述离群数据点对应的平均距离为：所述离群数据点对应的预设范围内的数据点到所述离群数据点之间的平均距离；
高度滤波处理，所述高度滤波处理包括：删除所述数据点集合中高度坐标值小于或者等于第三预设阈值的数据点，所述高度坐标值为所述位置坐标信息包括的高度坐标值。
11.根据权利要求7所述的装置，其中，所述数据区域内多个数据点的特征信息的相似特征满足预设相似条件，包括：
所述数据区域内多个数据点的特征信息的相似度高于或者等于第一预设相似度阈值；或者，所述数据区域内第一数据点的数量大于或者等于第一预设数量阈值，所述第一数据点与所述数据区域内其他一个或者多个数据点的特征信息相似度高于或者等于第二预设相似阈值；
所述数据区域内多个数据点的特征信息的相似特征不满足所述预设相似条件，包括：
所述数据区域内多个数据点的特征信息的相似度低于或者等于第三预设相似度阈值；或者，所述数据区域内第二数据点的数量大于或者等于第二预设数量阈值，所述第二数据点与所述数据区域内其他一个或者多个数据点的特征信息相似度低于或者等于第四预设相似阈值。
12.根据权利要求7至11中任一项所述的装置，其中，所述设备包括：
自动驾驶车辆或者机器人设备。
13. 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，
所述存储器存储有可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1-6中任一项所述的方法。
14.一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1-6中任一项所述的方法。
15.一种自动驾驶车辆，包括如权利要求13所述的电子设备。
CN202210579962.1A 2022-05-25 2022-05-25 设备环境识别方法、装置、电子设备和自动驾驶车辆 Active CN114882461B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210579962.1A CN114882461B (zh) 2022-05-25 2022-05-25 设备环境识别方法、装置、电子设备和自动驾驶车辆
US18/148,836 US20230142243A1 (en) 2022-05-25 2022-12-30 Device environment identification method and apparatus, electronic device, and autonomous vehicle

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210579962.1A CN114882461B (zh) 2022-05-25 2022-05-25 设备环境识别方法、装置、电子设备和自动驾驶车辆

Publications (2)

Publication Number Publication Date
CN114882461A CN114882461A (zh) 2022-08-09
CN114882461B true CN114882461B (zh) 2023-09-29

Family

ID=82678108

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210579962.1A Active CN114882461B (zh) 2022-05-25 2022-05-25 设备环境识别方法、装置、电子设备和自动驾驶车辆

Country Status (2)

Country Link
US (1) US20230142243A1 (zh)
CN (1) CN114882461B (zh)

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11351996A (ja) * 1998-06-10 1999-12-24 Nippon Telegr & Teleph Corp <Ntt> センサキャリブレーション方法及び装置及びセンサキャリブレーションプログラムを記録した記録媒体
JP2003242509A (ja) * 2001-12-13 2003-08-29 Toshiba Corp パターン認識装置及びその方法
US6922700B1 (en) * 2000-05-16 2005-07-26 International Business Machines Corporation System and method for similarity indexing and searching in high dimensional space
JP2005309658A (ja) * 2004-04-20 2005-11-04 Nippon Telegr & Teleph Corp <Ntt> 画像判別方法、画像判別装置、画像判別プログラム、及びその記録媒体
AT502516A4 (de) * 2005-10-05 2007-04-15 Advanced Comp Vision Gmbh Acv Verfahren zur verfolgung von objekten
WO2012029376A1 (ja) * 2010-09-01 2012-03-08 ボッシュ株式会社 超音波検知装置の校正処理装置及び校正処理方法並びに車載用障害物検知装置
JP2014119349A (ja) * 2012-12-17 2014-06-30 Ihi Aerospace Co Ltd 移動ロボットの走行領域判別装置及び走行領域判別方法
US9529857B1 (en) * 2014-02-03 2016-12-27 Google Inc. Disambiguation of place geometry
JP6209717B1 (ja) * 2016-06-02 2017-10-11 サインポスト株式会社 情報処理システム、情報処理方法、及びプログラム
JP2019021100A (ja) * 2017-07-19 2019-02-07 東芝テック株式会社 画像探索装置、商品認識装置および画像探索プログラム
JP2020107308A (ja) * 2018-12-27 2020-07-09 財團法人工業技術研究院Ｉｎｄｕｓｔｒｉａｌ Ｔｅｃｈｎｏｌｏｇｙ Ｒｅｓｅａｒｃｈ Ｉｎｓｔｉｔｕｔｅ 駐車スポット検出システム
CN113074955A (zh) * 2021-03-26 2021-07-06 北京百度网讯科技有限公司 控制数据采集的方法、装置、电子设备和介质
CN113340334A (zh) * 2021-07-29 2021-09-03 新石器慧通（北京）科技有限公司 用于无人车的传感器标定方法、装置及电子设备
CN113370911A (zh) * 2019-10-31 2021-09-10 北京百度网讯科技有限公司 车载传感器的位姿调整方法、装置、设备和介质
WO2022031232A1 (en) * 2020-08-04 2022-02-10 Nanyang Technological University Method and device for point cloud based object recognition
DE112020002888T5 (de) * 2019-07-10 2022-03-31 Hitachi Astemo, Ltd. Abtastleistungsbewertungs- und -diagnosesystem undabtastleistungsbewertungs- und -diagnoseverfahren für sensor zur erkennung der äusseren umgebung

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9916703B2 (en) * 2015-11-04 2018-03-13 Zoox, Inc. Calibration for autonomous vehicle operation
US11415683B2 (en) * 2017-12-28 2022-08-16 Lyft, Inc. Mobile sensor calibration
US11119478B2 (en) * 2018-07-13 2021-09-14 Waymo Llc Vehicle sensor verification and calibration
CN109271944B (zh) * 2018-09-27 2021-03-12 百度在线网络技术（北京）有限公司 障碍物检测方法、装置、电子设备、车辆及存储介质
IL294243A (en) * 2019-12-30 2022-08-01 Waymo Llc Identification of proxy calibration targets for a fleet of vehicles
KR20220026422A (ko) * 2020-08-25 2022-03-04 삼성전자주식회사 카메라 캘리브레이션 장치 및 이의 동작 방법

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11351996A (ja) * 1998-06-10 1999-12-24 Nippon Telegr & Teleph Corp <Ntt> センサキャリブレーション方法及び装置及びセンサキャリブレーションプログラムを記録した記録媒体
US6922700B1 (en) * 2000-05-16 2005-07-26 International Business Machines Corporation System and method for similarity indexing and searching in high dimensional space
JP2003242509A (ja) * 2001-12-13 2003-08-29 Toshiba Corp パターン認識装置及びその方法
JP2005309658A (ja) * 2004-04-20 2005-11-04 Nippon Telegr & Teleph Corp <Ntt> 画像判別方法、画像判別装置、画像判別プログラム、及びその記録媒体
AT502516A4 (de) * 2005-10-05 2007-04-15 Advanced Comp Vision Gmbh Acv Verfahren zur verfolgung von objekten
WO2012029376A1 (ja) * 2010-09-01 2012-03-08 ボッシュ株式会社 超音波検知装置の校正処理装置及び校正処理方法並びに車載用障害物検知装置
JP2014119349A (ja) * 2012-12-17 2014-06-30 Ihi Aerospace Co Ltd 移動ロボットの走行領域判別装置及び走行領域判別方法
US9529857B1 (en) * 2014-02-03 2016-12-27 Google Inc. Disambiguation of place geometry
JP6209717B1 (ja) * 2016-06-02 2017-10-11 サインポスト株式会社 情報処理システム、情報処理方法、及びプログラム
JP2019021100A (ja) * 2017-07-19 2019-02-07 東芝テック株式会社 画像探索装置、商品認識装置および画像探索プログラム
JP2020107308A (ja) * 2018-12-27 2020-07-09 財團法人工業技術研究院Ｉｎｄｕｓｔｒｉａｌ Ｔｅｃｈｎｏｌｏｇｙ Ｒｅｓｅａｒｃｈ Ｉｎｓｔｉｔｕｔｅ 駐車スポット検出システム
DE112020002888T5 (de) * 2019-07-10 2022-03-31 Hitachi Astemo, Ltd. Abtastleistungsbewertungs- und -diagnosesystem undabtastleistungsbewertungs- und -diagnoseverfahren für sensor zur erkennung der äusseren umgebung
CN113370911A (zh) * 2019-10-31 2021-09-10 北京百度网讯科技有限公司 车载传感器的位姿调整方法、装置、设备和介质
WO2022031232A1 (en) * 2020-08-04 2022-02-10 Nanyang Technological University Method and device for point cloud based object recognition
CN113074955A (zh) * 2021-03-26 2021-07-06 北京百度网讯科技有限公司 控制数据采集的方法、装置、电子设备和介质
CN113340334A (zh) * 2021-07-29 2021-09-03 新石器慧通（北京）科技有限公司 用于无人车的传感器标定方法、装置及电子设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Muhammed Enes Atik et.al.Machine Learning-Based Supervised Classification of Point Clouds Using Multiscale Geometric Features.《ISPRS Geospatial Artificial Intelligence 》.2021,1-23. *
三维点云数据的几何特性估算与特征识别;安毅;《中国博士学位论文全文数据库 信息科技辑》;79-89 *
陈传志.《 航天器冗余机械臂避障路径规划与环境感知》.哈尔滨工程大学出版社,2019,54-56. *

Also Published As

Publication number Publication date
CN114882461A (zh) 2022-08-09
US20230142243A1 (en) 2023-05-11

Similar Documents

Publication Publication Date Title
US20210063577A1 (en) Robot relocalization method and apparatus and robot using the same
CN112966599B (zh) 关键点识别模型的训练方法、关键点识别方法及装置
CN111402161B (zh) 点云障碍物的去噪方法、装置、设备和存储介质
CN113392794B (zh) 车辆跨线识别方法、装置、电子设备和存储介质
CN112763993A (zh) 标定雷达参数的方法和装置、电子设备、存储介质
EP4020387A2 (en) Target tracking method and device, and electronic apparatus
CN113688730A (zh) 障碍物测距方法、装置、电子设备、存储介质及程序产品
CN114332487A (zh) 基于图像的积水预警方法、装置、设备、存储介质及产品
CN114005095A (zh) 车辆属性识别方法、装置、电子设备和介质
CN114882461B (zh) 设备环境识别方法、装置、电子设备和自动驾驶车辆
CN116469073A (zh) 目标识别方法、装置、电子设备、介质及自动驾驶车辆
CN112541464A (zh) 关联道路对象的确定方法、装置、路侧设备和云控平台
CN113920273B (zh) 图像处理方法、装置、电子设备和存储介质
CN114419564B (zh) 车辆位姿检测方法、装置、设备、介质及自动驾驶车辆
CN115937950A (zh) 一种多角度人脸数据采集方法、装置、设备及存储介质
CN114708498A (zh) 图像处理方法、装置、电子设备以及存储介质
CN115222939A (zh) 一种图像识别方法、装置、设备以及存储介质
CN114445802A (zh) 点云处理方法、装置及车辆
CN113902898A (zh) 目标检测模型的训练、目标检测方法、装置、设备和介质
CN114694138B (zh) 一种应用于智能驾驶的路面检测方法、装置及设备
CN113360688B (zh) 信息库的构建方法、装置及***
CN114155508B (zh) 一种道路变化检测方法、装置、设备以及存储介质
CN114581890B (zh) 确定车道线的方法、装置、电子设备和存储介质
CN114581746B (zh) 物体检测方法、装置、设备及介质
CN118134856A (zh) 数据评估的方法、装置、设备及介质

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
GR01 Patent grant
GR01 Patent grant