CN115616560B - 车辆避障方法、装置、电子设备和计算机可读介质 - Google Patents
车辆避障方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN115616560B CN115616560B CN202211535458.8A CN202211535458A CN115616560B CN 115616560 B CN115616560 B CN 115616560B CN 202211535458 A CN202211535458 A CN 202211535458A CN 115616560 B CN115616560 B CN 115616560B
- Authority
- CN
- China
- Prior art keywords
- obstacle
- information
- target
- radar
- matching
- 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 40
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000005070 sampling Methods 0.000 claims description 40
- 230000004927 fusion Effects 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 18
- 230000004044 response Effects 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 230000004888 barrier function Effects 0.000 claims 4
- 230000006870 function Effects 0.000 description 22
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 230000012447 hatching Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
- G01S13/867—Combination of radar systems with cameras
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开的实施例公开了车辆避障方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括:获取初始障碍物相机图像集和初始障碍物雷达点云信息集;对初始障碍物相机图像集和初始障碍物雷达点云信息集进行匹配,得到匹配障碍物信息集;对匹配障碍物信息集中的每个匹配障碍物信息进行预处理以生成目标匹配障碍物信息,得到目标匹配障碍物信息集;对目标匹配障碍物信息集中的每个匹配障碍物信息包括的目标障碍物相机图像和雷达障碍物信息进行融合以生成融合障碍物信息,得到融合障碍物信息集;将融合障碍物信息集发送至控制终端以控制目标车辆避障。该实施方式提高了车辆避障功能的准确度。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及车辆避障方法、装置、电子设备和计算机可读介质。
背景技术
在车辆驾驶过程中,需要对环境中的障碍物进行识别并准确避开障碍物。目前,在进行车辆避障的过程中,通常采用的方式为:只从单一的传感器上获取障碍物信息并对障碍物信息进行分析,或者通过D-S(Dempster-Shafer)证据理论算法对不同的传感器上获取的障碍物信息进行融合和分析,然后将分析后的障碍物信息发送至控制终端以控制车辆避障。
然而,发明人发现,当采用上述方式进行车辆避障时,经常会存在如下技术问题:
第一,只从单一的传感器上获取障碍物信息并对障碍物信息进行分析,导致分析得到的障碍物信息的准确度不足,从而导致车辆避障功能的准确度不足;
第二,通过D-S证据理论算法对不同的传感器上获取的障碍物信息进行融合和分析时,当不同传感器上获取的障碍物信息产生冲突时,会导致融合后的障碍物信息的准确度降低,从而导致车辆避障功能的准确度降低。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解,并因此,其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了车辆避障方法、装置、电子设备和计算机可读介质,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种车辆避障方法,该方法包括:获取初始障碍物相机图像集和初始障碍物雷达点云信息集;对上述初始障碍物相机图像集和上述初始障碍物雷达点云信息集进行匹配,得到匹配障碍物信息集,其中,上述匹配障碍物信息集中的每个匹配障碍物信息包括:匹配障碍物相机图像集和匹配障碍物雷达点云信息;对上述匹配障碍物信息集中的每个匹配障碍物信息进行预处理以生成目标匹配障碍物信息,得到目标匹配障碍物信息集,其中,上述目标匹配障碍物信息集中的每个目标匹配障碍物信息包括:目标障碍物相机图像和雷达障碍物信息;对上述目标匹配障碍物信息集中的每个目标匹配障碍物信息包括的目标障碍物相机图像和雷达障碍物信息进行融合以生成融合障碍物信息,得到融合障碍物信息集;将上述融合障碍物信息集发送至控制终端以控制目标车辆避障;其中,所述对所述匹配障碍物信息集中的每个匹配障碍物信息进行预处理以生成目标匹配障碍物信息,包括:对所述匹配障碍物信息包括的匹配障碍物相机图像集中各个匹配障碍物相机图像进行拼接,得到目标障碍物相机图像;对所述匹配障碍物信息包括的匹配障碍物雷达点云信息进行数据滤波处理,得到雷达障碍物信息;将所述目标障碍物相机图像和所述雷达障碍物信息融合为所述目标匹配障碍物信息。
第二方面,本公开的一些实施例提供了一种车辆避障装置,装置包括:获取单元,被配置成获取初始障碍物相机图像集和初始障碍物雷达点云信息集;匹配单元,被配置成对上述初始障碍物相机图像集和上述初始障碍物雷达点云信息集进行匹配,得到匹配障碍物信息集,其中,上述匹配障碍物信息集中的每个匹配障碍物信息包括:匹配障碍物相机图像集和匹配障碍物雷达点云信息;预处理单元,被配置成对上述匹配障碍物信息集中的每个匹配障碍物信息进行预处理以生成目标匹配障碍物信息,得到目标匹配障碍物信息集,其中,上述目标匹配障碍物信息集中的每个目标匹配障碍物信息包括:目标障碍物相机图像和雷达障碍物信息;融合单元,被配置成对上述目标匹配障碍物信息集中的每个目标匹配障碍物信息包括的目标障碍物相机图像和雷达障碍物信息进行融合以生成融合障碍物信息,得到融合障碍物信息集;发送单元,被配置成将上述融合障碍物信息集发送至控制终端以控制目标车辆避障;其中,上述对上述匹配障碍物信息集中的每个匹配障碍物信息进行预处理以生成目标匹配障碍物信息,包括:对上述匹配障碍物信息包括的匹配障碍物相机图像集中各个匹配障碍物相机图像进行拼接,得到目标障碍物相机图像;对上述匹配障碍物信息包括的匹配障碍物雷达点云信息进行数据滤波处理,得到雷达障碍物信息;将上述目标障碍物相机图像和上述雷达障碍物信息融合为上述目标匹配障碍物信息。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面中任一实现方式所描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面中任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的车辆避障方法,可以提高车辆避障功能的准确度。具体来说,造成车辆避障功能的准确度不足的原因在于:只从单一的传感器上获取障碍物信息并对障碍物信息进行分析,导致分析得到的障碍物信息的准确度不足。基于此,本公开的一些实施例的车辆避障方法,首先,获取初始障碍物相机图像集和初始障碍物雷达点云信息集。由此,可以从不同的传感器上获取有关障碍物的信息。其次,对上述初始障碍物相机图像集和上述初始障碍物雷达点云信息集进行匹配,得到匹配障碍物信息集,其中,上述匹配障碍物信息集中的每个匹配障碍物信息包括:匹配障碍物相机图像集和匹配障碍物雷达点云信息。由此,可以得到相匹配的初始障碍物相机图像和初始障碍物雷达点云信息,便于后续对匹配障碍物相机图像集和匹配障碍物雷达点云信息进行融合。然后,对上述匹配障碍物信息集中的每个匹配障碍物信息进行预处理以生成目标匹配障碍物信息,得到目标匹配障碍物信息集,其中,上述目标匹配障碍物信息集中的每个目标匹配障碍物信息包括:目标障碍物相机图像和雷达障碍物信息。由此,可以得到预处理后的匹配障碍物信息,可以去除匹配障碍物信息中的无关信息,以便后续融合障碍物信息的生成。再然后,对上述目标匹配障碍物信息集中的每个目标匹配障碍物信息包括的目标障碍物相机图像和雷达障碍物信息进行融合以生成融合障碍物信息,得到融合障碍物信息集。由此,可以得到融合后障碍物信息,从而相比于单一传感器获取后分析得到的障碍物信息,提高了障碍物信息的准确度。最后,将上述融合障碍物信息集发送至控制终端以控制目标车辆避障。由此,目标车辆可以依据较为准确的障碍物信息进行避障。因此,本公开的一些车辆避障方法,可以从不同的传感器上获取障碍物信息,并对障碍物信息进行融合处理,可以提高障碍物信息的准确度,从而,提高了车辆避障功能的准确度。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是根据本公开的车辆避障方法的一些实施例的流程图;
图2是根据本公开的车辆避障装置的一些实施例的结构示意图;
图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1示出了根据本公开的车辆避障方法的一些实施例的流程100。该车辆避障方法,包括以下步骤:
步骤101,获取初始障碍物相机图像集和初始障碍物雷达点云信息集。
在一些实施例中,车辆避障方法的执行主体可以通过有线连接或无线连接的方式从目标车辆的车载相机组件上获取上述初始障碍物相机图像集和从目标车辆的车载雷达上获取上述初始障碍物雷达点云信息集。其中,上述目标车辆可以是驾驶中的车辆。上述车载相机组件可以包括但不限于前视相机、环视相机和后视相机。上述车载雷达可以是毫米波雷达。上述初始障碍物相机图像集中的初始障碍物相机图像集中的障碍物可以是障碍物车辆。
步骤102,对初始障碍物相机图像集和初始障碍物雷达点云信息集进行匹配,得到匹配障碍物信息集。
在一些实施例中,上述执行主体可以对上述初始障碍物相机图像集和上述初始障碍物雷达点云信息集进行匹配,得到匹配障碍物信息集。其中,上述匹配障碍物信息集中的每个匹配障碍物信息包括:匹配障碍物相机图像集和匹配障碍物雷达点云信息。
在一些实施例的一些可选的实现方式中,上述执行主体对上述初始障碍物相机图像集和上述初始障碍物雷达点云信息集进行匹配,得到匹配障碍物信息集,可以包括以下步骤:
第一步,获取相机采样时刻集和雷达采样时刻集。其中,上述相机采样时刻集中的每个相机采样时刻与上述初始障碍物相机图像集中的至少一个初始障碍物相机图像对应,上述雷达采样时刻集中的每个雷达采样时刻与上述初始障碍物雷达点云信息集中的每个初始障碍物雷达点云信息对应。上述执行主体可以从目标车辆的车载相机组件上获取上述相机采样时刻集和从目标车辆的车载雷达上获取上述雷达采样时刻集。上述相机采样时刻可以表征从上述车载相机组件上获取上述初始障碍物相机图像的时刻。上述雷达采样时刻可以表征从上述车载雷达上获取上述初始障碍物雷达点云信息的时刻。
第二步,响应于确定上述相机采样时刻集中的相机采样时刻和上述雷达采样时刻集中的雷达采样时刻相等,将上述相机采样时刻集中的每个相机采样时刻对应的各个初始障碍物相机图像确定为匹配障碍物相机图像集,得到匹配障碍物相机图像集组。
第三步,响应于确定上述相机采样时刻集中的相机采样时刻和上述雷达采样时刻集中的雷达采样时刻相等,将上述雷达采样时刻集中的每个雷达采样时刻对应的初始障碍物雷达点云信息确定为匹配障碍物雷达点云信息,得到匹配障碍物雷达点云信息集。
第四步,将上述匹配障碍物相机图像集组中和上述匹配障碍物雷达点云信息集中匹配障碍物雷达点云信息对应的匹配障碍物相机图像集组合为匹配障碍物信息,得到上述匹配障碍物信息集。其中,上述将上述匹配障碍物相机图像集组中和上述匹配障碍物雷达点云信息集中匹配障碍物雷达点云信息对应的匹配障碍物相机图像集组合为匹配障碍物信息,可以是将上述匹配障碍物雷达点云信息和匹配障碍物相机图像集确定为上述匹配障碍物信息包括的匹配障碍物雷达点云信息和匹配障碍物相机图像集。
步骤103,对匹配障碍物信息集中的每个匹配障碍物信息进行预处理以生成目标匹配障碍物信息,得到目标匹配障碍物信息集。
在一些实施例中,上述执行主体可以对上述匹配障碍物信息集中的每个匹配障碍物信息进行预处理以生成目标匹配障碍物信息,得到目标匹配障碍物信息集。其中,上述目标匹配障碍物信息集中的每个目标匹配障碍物信息包括:目标障碍物相机图像和雷达障碍物信息
在一些实施例的一些可选的实现方式中,上述执行主体对上述匹配障碍物信息集中的每个匹配障碍物信息进行预处理以生成目标匹配障碍物信息,可以包括以下步骤:
步骤1031,对上述匹配障碍物相机图像集中各个匹配障碍物相机图像进行拼接,得到目标障碍物相机图像。
步骤1032,对上述匹配障碍物雷达点云信息进行数据滤波处理,得到雷达障碍物信息。其中,可以通过卡尔曼滤波器,对上述匹配障碍物雷达点云信息进行数据滤波处理。
步骤1033,将上述目标障碍物相机图像和上述雷达障碍物信息融合为上述目标匹配障碍物信息。其中,上述将上述目标障碍物相机图像和上述雷达障碍物信息融合为上述目标匹配障碍物信息可以是将上述目标障碍物相机图像和上述雷达障碍物信息确定为上述标匹配障碍物信息包括的目标障碍物相机图像和雷达障碍物信息。
在一些实施例的一些可选的实现方式中,上述执行主体对上述匹配障碍物相机图像集中各个匹配障碍物相机图像进行拼接,得到目标障碍物相机图像,可以包括以下步骤:
第一步,对上述匹配障碍物相机图像集中的各个匹配障碍物相机图像进行车道线识别处理以生成车道线特征信息,得到车道线特征信息集。其中,可以通过标准霍夫线变换(SHT,Standard Hough Transform)算法,对上述匹配障碍物相机图像集中的各个匹配障碍物相机图像进行车道线识别处理以生成车道线特征信息。上述车道线特征信息集中的车道线特征信息可以包括但不限于车道线方程。
第二步,基于上述车道线特征信息集,确定上述匹配障碍物相机图像集中各个匹配障碍物相机图像之间的配准关系信息。其中,基于上述车道线特征信息集,确定上述匹配障碍物相机图像集中各个匹配障碍物相机图像之间的配准关系信息,可以是通过对上述车道线特征信息集中各个车道线特征信息包括的车道线方程进行匹配,确定上述匹配障碍物相机图像集中各个匹配障碍物相机图像之间的配准关系信息。上述配准关系信息可以表征上述匹配障碍物相机图像集中各个匹配障碍物相机图像之间的变换关系。上述配准关系信息可以包括映射函数集。
第三步,基于上述配准关系信息,对上述匹配障碍物相机图像集中每个匹配障碍物相机图像进行图像变换处理以生成变换障碍物相机图像,得到变换障碍物相机图像集。其中,可以通过上述映射函数集,对上述匹配障碍物相机图像集中每个匹配障碍物相机图像进行图像变换处理以生成变换障碍物相机图像。
作为示例,上述图像变换处理可以包括但不限于:旋转、缩放和去畸变处理。
第四步,对上述变换障碍物相机图像集中各个变换障碍物相机图像进行融合,得到上述目标障碍物相机图像。其中,上述对上述变换障碍物相机图像集中各个变换障碍物相机图像进行融合,可以是将上述变换障碍物相机图像集中的一个变换障碍物相机图像确定为目标变换障碍物相机图像,并将上述变换障碍物相机图像中其余的各个变换障碍物相机图像投影至上述目标变换障碍物相机图像中。
步骤104,对目标匹配障碍物信息集中的每个目标匹配障碍物信息包括的目标障碍物相机图像和雷达障碍物信息进行融合以生成融合障碍物信息,得到融合障碍物信息集。
在一些实施例中,上述执行主体可以对上述目标匹配障碍物信息集中的每个目标匹配障碍物信息包括的目标障碍物相机图像和雷达障碍物信息进行融合以生成融合障碍物信息,得到融合障碍物信息集。
作为示例,上述融合障碍物信息集中的每个融合障碍物信息可以包括但不限于障碍物的尺寸信息、障碍物的颜色和障碍物距离目标车辆的距离值。
在一些实施例的一些可选的实现方式中,上述执行主体对上述目标匹配障碍物信息集中的每个目标匹配障碍物信息包括的目标障碍物相机图像和雷达障碍物信息进行融合以生成融合障碍物信息,可以包括以下步骤:
第一步,对上述目标障碍物相机图像进行特征提取,得到相机障碍物特征信息。其中,上述相机障碍物特征信息包括:障碍物阴影线信息集和相机障碍物特征坐标集。可以通过神经网络模型,对上述目标障碍物相机图像进行特征提取。上述相机障碍物特征信息可以包括但不限于障碍物的形状、颜色和与目标车辆的距离值。上述障碍物阴影线信息集中的障碍物阴影线信息可以表征障碍物车辆的投影在路面上的阴影的边缘线。上述障碍物轮廓线信息集中的障碍物轮廓线信息可以包括:障碍物轮廓线左端点坐标和障碍物轮廓线右端点坐标。上述相机障碍物特征坐标集中的相机障碍物特征坐标可以表征相机坐标系下障碍物的特征点的坐标。上述障碍物轮廓线左端点坐标和障碍物轮廓线右端点坐标可以是车身坐标系下的坐标。上述车身坐标系可以是目标车辆的车身坐标系。
作为示例,上述神经网络模型可以是但不限于残差神经网络或分组卷积神经网络。
第二步,对上述雷达障碍物信息进行特征提取,得到雷达障碍物特征信息。其中,上述雷达障碍物特征信息包括:障碍物轮廓线信息集和雷达障碍物特征坐标集。可以通过神经网络模型,对上述雷达障碍物信息进行特征提取。上述雷达障碍物特征信息可以包括但不限于障碍物特征点坐标。上述障碍物阴影线信息集中的障碍物阴影线信息可以包括:障碍物阴影线左端点坐标和障碍物阴影线右端点坐标。上述雷达障碍物特征坐标集中的雷达障碍物特征坐标可以表征雷达坐标系下障碍物的特征点的坐标。上述障碍物阴影线左端点坐标和障碍物阴影线右端点坐标可以是车身坐标系下的坐标。上述车身坐标系可以是目标车辆的车身坐标系。
作为示例,上述神经网络模型可以是但不限于pointNet(点网)神经网络或DG(Dynamic Graph,动态图)卷积神经网络。
第三步,响应于确定上述雷达障碍物特征信息满足第一预设条件,基于上述障碍物阴影线信息集与上述障碍物轮廓线信息集,生成障碍物关联度信息。其中,上述第一预设条件可以是上述雷达障碍物特征信息包括障碍物车辆信息。
第四步,响应于确定上述障碍物关联度信息满足第二预设条件,对上述雷达障碍物特征信息与上述相机障碍物特征信息进行特征融合,得到上述融合障碍物信息。其中,上述关联度信息可以包括关联度值集。上述关联度值集可以包括但不限于第一关联度值、第二关联度值、第三关联度值和第四关联度值。上述第二预设条件可以是上述障碍物关联度信息包括的第一关联度值小于第一目标值、上述第二关联度值小于第二目标值、第三关联度值大于第三目标值且第四关联度值大于第四目标值。
作为示例,上述第一目标值可以是30,上述第二目标值可以是25,上述第三目标值可以是0.5,上述第四目标值可以是0.5。
在一些实施例的一些可选的实现方式中,上述执行主体基于上述障碍物阴影线信息集与上述障碍物轮廓线信息集,生成障碍物关联度信息,可以包括以下步骤:
第一步,对于上述障碍物轮廓线信息集中的每个障碍物轮廓线信息,执行以下子步骤:
第一子步骤,将上述障碍物阴影线信息集中与上述障碍物轮廓线信息对应的障碍物阴影线信息确定为目标障碍物阴影线信息。其中,上述将上述障碍物阴影线信息集中与上述障碍物轮廓线信息对应的障碍物阴影线信息确定为目标障碍物阴影线信息,可以通过确定障碍物阴影线信息集中每个障碍物阴影线信息包括的障碍物阴影线左端点坐标的横坐标与上述障碍物轮廓线信息包括的障碍物轮廓线左端点坐标的横坐标的横向差值,得到横向差值集,然后将横向差值集中处于一定区间内的横向差值确定为目标横向差值。最后,将障碍物阴影线信息集中与上述目标横向差值对应的障碍物阴影线信息确定为上述目标障碍物阴影线信息。
作为示例,上述一定区间可以是(0,0.5)。
第二子步骤,将上述障碍物轮廓线信息包括的障碍物轮廓线左端点坐标的横坐标与上述目标障碍物阴影线信息包括的目标障碍物阴影线左端点坐标的横坐标的差值确定为第一关联度值。
第三子步骤,将上述障碍物轮廓线信息包括的障碍物轮廓线右端点坐标的横坐标与上述目标障碍物阴影线信息包括的目标障碍物阴影线右端点坐标的横坐标的差值确定为第二关联度值。
第四子步骤,基于上述障碍物轮廓线信息和上述目标障碍物阴影线信息,生成障碍物差异值、阴影线差异值和轮廓线差异值。
第五子步骤,将上述障碍物差异值与上述阴影线差异值的比值确定为第三关联度值。
第六子步骤,将上述障碍物差异值与上述轮廓线差异值的比值确定为第四关联度值。
第七子步骤,将上述第一关联度值、上述第二关联度值、上述第三关联度值和上述第四关联度值组合为关联度值集。
第二步,将组合后的各个关联度值集融合为上述障碍物关联度信息。其中,上述将组合后的各个关联度值集融合为上述障碍物关联度信息,可以是将上述组合后的各个关联度值集确定为上述障碍物关联度信息包括的关联度值集。
在一些实施例的一些可选的实现方式中,上述执行主体基于上述障碍物轮廓线信息和上述目标障碍物阴影线信息,生成障碍物差异值、阴影线差异值和轮廓线差异值,可以包括以下步骤:
第一步,将上述障碍物轮廓线信息包括的障碍物轮廓线左端点坐标的横坐标与上述目标障碍物阴影线信息包括的目标障碍物阴影线右端点坐标的横坐标的差值确定为上述障碍物差异值。
第二步,将上述障碍物轮廓线信息包括的障碍物轮廓线左端点坐标的横坐标与障碍物轮廓线右端点坐标的横坐标的差值确定为上述轮廓线差异值。
第三步,将上述目标障碍物阴影线信息包括的目标障碍物阴影线右端点坐标的横坐标与目标障碍物阴影线左端点坐标的横坐标的差值确定为上述阴影线差异值。
在一些实施例的一些可选的实现方式中,上述执行主体对上述雷达障碍物特征信息与上述相机障碍物特征信息进行特征融合,得到上述融合障碍物信息,可以包括以下步骤:
第一步,对上述相机障碍物特征坐标集中的每个相机障碍物特征坐标进行坐标转换以生成目标相机障碍物特征坐标,得到目标相机障碍物特征坐标集。其中,上述对上述相机障碍物特征坐标集中的每个相机障碍物特征坐标进行坐标转换以生成目标相机障碍物特征坐标,可以是将相机坐标系下的相机障碍物特征坐标集中的每个相机障碍物特征坐标转换成世界坐标系下的目标相机障碍物特征坐标。
第二步,对上述雷达障碍物特征坐标集中的每个雷达障碍物特征坐标进行坐标转换以生成目标雷达障碍物特征坐标,得到目标雷达障碍物特征坐标集。其中,上述对上述雷达障碍物特征坐标集中的每个雷达障碍物特征坐标进行坐标转换以生成目标雷达障碍物特征坐标,可以是将雷达坐标系下的雷达障碍物特征坐标集中的每个雷达障碍物特征坐标转换成世界坐标系下的目标雷达障碍物特征坐标。
第三步,对上述目标相机障碍物特征坐标集和上述目标雷达障碍物特征坐标集进行融合,得到上述融合障碍物信息。其中,可以通过神经网络模型,对上述目标相机障碍物特征坐标集和上述目标雷达障碍物特征坐标集进行融合。
作为示例,上述神经网络模型可以是但不限于RODNet(Radar Object DetectionNetwork,雷达目标检测网络)。
步骤104的相关内容作为本公开的实施例的一个发明点,解决了背景技术提及的技术问题二“车辆避障功能的准确度降低”。其中,导致了车辆避障功能的准确度降低的因素往往如下:通过D-S证据理论算法对不同的传感器上获取的障碍物信息进行融合和分析时,当不同传感器上获取的障碍物信息产生冲突时,会导致融合后的障碍物信息的准确度降低。如果解决了上述因素,就能达到提高车辆避障功能的准确度的效果。为了达到这一效果,本公开可以对包含同一障碍物信息的障碍物相机图像进行融合,以及对障碍物雷达信息进行数据滤波,然后对预处理后的障碍物相机图像和障碍物雷达信息进行特征提取,通过确定相机障碍物特征信息和雷达障碍物特征信息之间的关联度信息,以对上述雷达障碍物特征信息与上述相机障碍物特征信息进行融合。只需考虑上述雷达障碍物特征信息与上述相机障碍物特征信息之间的关联信息,而无需考虑上诉雷达障碍物特征信息与上述相机障碍物特征信息产生冲突时对融合障碍物信息的影响。从而可以提高融合后的障碍物信息的准确度,进而,可以提高车辆避障功能的准确度。
步骤105,将融合障碍物信息集发送至控制终端以控制目标车辆避障。
在一些实施例中,上述执行主体可以将上述融合障碍物信息集发送至控制终端以控制目标车辆避障。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的车辆避障方法,可以提高车辆避障功能的准确度。具体来说,造成车辆避障功能的准确度不足的原因在于:只从单一的传感器上获取障碍物信息并对障碍物信息进行分析,导致分析得到的障碍物信息的准确度不足。基于此,本公开的一些实施例的车辆避障方法,首先,获取初始障碍物相机图像集和初始障碍物雷达点云信息集。由此,可以从不同的传感器上获取有关障碍物的信息。其次,对上述初始障碍物相机图像集和上述初始障碍物雷达点云信息集进行匹配,得到匹配障碍物信息集,其中,上述匹配障碍物信息集中的每个匹配障碍物信息包括:匹配障碍物相机图像集和匹配障碍物雷达点云信息。由此,可以得到相匹配的初始障碍物相机图像和初始障碍物雷达点云信息,便于后续对匹配障碍物相机图像集和匹配障碍物雷达点云信息进行融合。然后,对上述匹配障碍物信息集中的每个匹配障碍物信息进行预处理以生成目标匹配障碍物信息,得到目标匹配障碍物信息集,其中,上述目标匹配障碍物信息集中的每个目标匹配障碍物信息包括:目标障碍物相机图像和雷达障碍物信息。由此,可以得到预处理后的匹配障碍物信息,可以去除匹配障碍物信息中的无关信息,以便后续融合障碍物信息的生成。再然后,对上述目标匹配障碍物信息集中的每个目标匹配障碍物信息包括的目标障碍物相机图像和雷达障碍物信息进行融合以生成融合障碍物信息,得到融合障碍物信息集。由此,可以得到融合后障碍物信息,从而相比于单一传感器获取后分析得到的障碍物信息,提高了障碍物信息的准确度。最后,将上述融合障碍物信息集发送至控制终端以控制目标车辆避障。由此,目标车辆可以依据较为准确的障碍物信息进行避障。因此,本公开的一些车辆避障方法,可以从不同的传感器上获取障碍物信息,并对障碍物信息进行融合处理,可以提高障碍物信息的准确度,从而,提高了车辆避障功能的准确度。
进一步参考图2,作为对上述各图所示方法的实现,本公开提供了一种车辆避障装置的一些实施例,这些装置实施例与图1所示的那些方法实施例相对应,该车辆避障装置具体可以应用于各种电子设备中。
如图2所示,一些实施例的车辆避障装置200包括:获取单元201、匹配单元202、预处理单元203、融合单元204和发送单元205。其中,获取单元201,被配置成获取初始障碍物相机图像集和初始障碍物雷达点云信息集;匹配单元202,被配置成对上述初始障碍物相机图像集和上述初始障碍物雷达点云信息集进行匹配,得到匹配障碍物信息集,其中,上述匹配障碍物信息集中的匹配障碍物信息包括:匹配障碍物相机图像集和匹配障碍物雷达点云信息;预处理单元203,被配置成对上述匹配障碍物信息集中的每个匹配障碍物信息进行预处理以生成目标匹配障碍物信息,得到目标匹配障碍物信息集,其中,上述目标匹配障碍物信息集中的每个目标匹配障碍物信息包括:目标障碍物相机图像和雷达障碍物信息;融合单元204,被配置成对上述目标匹配障碍物信息集中的每个目标匹配障碍物信息包括的目标障碍物相机图像和雷达障碍物信息进行融合以生成融合障碍物信息,得到融合障碍物信息集;发送单元205,被配置成将上述融合障碍物信息集发送至控制终端以控制目标车辆避障。
可以理解的是,该车辆避障装置200中记载的诸单元与参考图1描述的车辆避障方法中的各个步骤相对应。由此,上文针对车辆避障方法描述的操作、特征以及产生的有益效果同样适用于车辆避障装置200及其中包含的单元,在此不再赘述。
下面参考图3,其示出了适于用来实现本公开的一些实施例的电子设备300的结构示意图。本公开的一些实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图3示出的终端设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图3所示,电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301,其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中,还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常,以下装置可以连接至I/O接口305:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307;包括例如磁带、硬盘等的存储装置308;以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置309从网络上被下载和安装,或者从存储装置308被安装,或者从ROM 302被安装。在该计算机程序被处理装置301执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,adhoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取初始障碍物相机图像集和初始障碍物雷达点云信息集;对上述初始障碍物相机图像集和上述初始障碍物雷达点云信息集进行匹配,得到匹配障碍物信息集,其中,上述匹配障碍物信息集中的匹配障碍物信息包括:匹配障碍物相机图像集和匹配障碍物雷达点云信息;对上述匹配障碍物信息集中的每个匹配障碍物信息包括的匹配障碍物相机图像集和匹配障碍物雷达点云信息进行融合以生成融合障碍物信息,得到融合障碍物信息集;将上述融合障碍物信息集发送至控制终端以控制目标车辆避障;其中,上述对上述匹配障碍物信息集中的每个匹配障碍物信息进行预处理以生成目标匹配障碍物信息,包括:对上述匹配障碍物信息包括的匹配障碍物相机图像集中各个匹配障碍物相机图像进行拼接,得到目标障碍物相机图像;对上述匹配障碍物信息包括的匹配障碍物雷达点云信息进行数据滤波处理,得到雷达障碍物信息;将上述目标障碍物相机图像和上述雷达障碍物信息融合为上述目标匹配障碍物信息。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、匹配单元、预处理单元、融合单元和发送单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取初始障碍物相机图像集和初始障碍物雷达点云信息集的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (6)
1.一种车辆避障方法,包括:
获取初始障碍物相机图像集和初始障碍物雷达点云信息集;
对所述初始障碍物相机图像集和所述初始障碍物雷达点云信息集进行匹配,得到匹配障碍物信息集,其中,所述匹配障碍物信息集中的每个匹配障碍物信息包括:匹配障碍物相机图像集和匹配障碍物雷达点云信息;
对所述匹配障碍物信息集中的每个匹配障碍物信息进行预处理以生成目标匹配障碍物信息,得到目标匹配障碍物信息集,其中,所述目标匹配障碍物信息集中的每个目标匹配障碍物信息包括:目标障碍物相机图像和雷达障碍物信息;
对所述目标匹配障碍物信息集中的每个目标匹配障碍物信息包括的目标障碍物相机图像和雷达障碍物信息进行融合以生成融合障碍物信息,得到融合障碍物信息集;
将所述融合障碍物信息集发送至控制终端以控制目标车辆避障;
其中,所述对所述匹配障碍物信息集中的每个匹配障碍物信息进行预处理以生成目标匹配障碍物信息,包括:
对所述匹配障碍物信息包括的匹配障碍物相机图像集中各个匹配障碍物相机图像进行拼接,得到目标障碍物相机图像;
对所述匹配障碍物信息包括的匹配障碍物雷达点云信息进行数据滤波处理,得到雷达障碍物信息;
将所述目标障碍物相机图像和所述雷达障碍物信息融合为所述目标匹配障碍物信息;
其中,所述对所述目标匹配障碍物信息集中的每个目标匹配障碍物信息包括的目标障碍物相机图像和雷达障碍物信息进行融合以生成融合障碍物信息,包括:
对所述目标障碍物相机图像进行特征提取,得到相机障碍物特征信息,其中,所述相机障碍物特征信息包括:障碍物阴影线信息集;
对所述雷达障碍物信息进行特征提取,得到雷达障碍物特征信息,其中,所述雷达障碍物特征信息包括:障碍物轮廓线信息集;
响应于确定所述雷达障碍物特征信息满足第一预设条件,基于所述障碍物阴影线信息集与所述障碍物轮廓线信息集,生成障碍物关联度信息,其中,所述障碍物轮廓线信息集中的每个障碍物轮廓线信息包括:障碍物轮廓线左端点坐标和障碍物轮廓线右端点坐标,所述障碍物阴影线信息集中的每个障碍物阴影线信息包括:障碍物阴影线左端点坐标和障碍物阴影线右端点坐标;
响应于确定所述障碍物关联度信息满足第二预设条件,对所述雷达障碍物特征信息与所述相机障碍物特征信息进行特征融合,得到所述融合障碍物信息;
其中,所述基于所述障碍物阴影线信息集与所述障碍物轮廓线信息集,生成障碍物关联度信息,包括:
对于所述障碍物轮廓线信息集中的每个障碍物轮廓线信息,执行以下步骤:
将所述障碍物阴影线信息集中与所述障碍物轮廓线信息对应的障碍物阴影线信息确定为目标障碍物阴影线信息;
将所述障碍物轮廓线信息包括的障碍物轮廓线左端点坐标的横坐标与所述目标障碍物阴影线信息包括的目标障碍物阴影线左端点坐标的横坐标的差值确定为第一关联度值;
将所述障碍物轮廓线信息包括的障碍物轮廓线右端点坐标的横坐标与所述目标障碍物阴影线信息包括的目标障碍物阴影线右端点坐标的横坐标的差值确定为第二关联度值;
基于所述障碍物轮廓线信息和所述目标障碍物阴影线信息,生成障碍物差异值、阴影线差异值和轮廓线差异值;
将所述障碍物差异值与所述阴影线差异值的比值确定为第三关联度值;
将所述障碍物差异值与所述轮廓线差异值的比值确定为第四关联度值;
将所述第一关联度值、所述第二关联度值、所述第三关联度值和所述第四关联度值组合为关联度值集;
将组合后的各个关联度值集融合为所述障碍物关联度信息;
其中,所述基于所述障碍物轮廓线信息和所述目标障碍物阴影线信息,生成障碍物差异值、阴影线差异值和轮廓线差异值,包括:
将所述障碍物轮廓线信息包括的障碍物轮廓线左端点坐标的横坐标与所述目标障碍物阴影线信息包括的目标障碍物阴影线右端点坐标的横坐标的差值确定为所述障碍物差异值;
将所述障碍物轮廓线信息包括的障碍物轮廓线左端点坐标的横坐标与障碍物轮廓线右端点坐标的横坐标的差值确定为所述轮廓线差异值;
将所述目标障碍物阴影线信息包括的目标障碍物阴影线右端点坐标的横坐标与目标障碍物阴影线左端点坐标的横坐标的差值确定为所述阴影线差异值;
其中,所述第一预设条件是所述雷达障碍物特征信息包括障碍物车辆信息,所述第二预设条件是所述障碍物关联度信息包括的第一关联度值小于第一目标值、所述第二关联度值小于第二目标值、第三关联度值大于第三目标值且第四关联度值大于第四目标值。
2.根据权利要求1所述的方法,其中,所述对所述初始障碍物相机图像集和所述初始障碍物雷达点云信息集进行匹配,得到匹配障碍物信息集,包括:
获取相机采样时刻集和雷达采样时刻集,其中,所述相机采样时刻集中的每个相机采样时刻与所述初始障碍物相机图像集中的至少一个初始障碍物相机图像对应,所述雷达采样时刻集中的每个雷达采样时刻与所述初始障碍物雷达点云信息集中的每个初始障碍物雷达点云信息对应;
响应于确定所述相机采样时刻集中的相机采样时刻和所述雷达采样时刻集中的雷达采样时刻相等,将所述相机采样时刻集中的每个相机采样时刻对应的初始障碍物相机图像确定为匹配障碍物相机图像集,得到匹配障碍物相机图像集组;
响应于确定所述相机采样时刻集中的相机采样时刻和所述雷达采样时刻集中的雷达采样时刻相等,将所述雷达采样时刻集中的每个雷达采样时刻对应的初始障碍物雷达点云信息确定为匹配障碍物雷达点云信息,得到匹配障碍物雷达点云信息集;
将所述匹配障碍物相机图像集组中和所述匹配障碍物雷达点云信息集中匹配障碍物雷达点云信息对应的匹配障碍物相机图像集组合为匹配障碍物信息,得到所述匹配障碍物信息集。
3.根据权利要求1所述的方法,其中,所述对所述匹配障碍物信息包括的匹配障碍物相机图像集中各个匹配障碍物相机图像进行拼接,得到目标障碍物相机图像,包括:
对所述匹配障碍物相机图像集中的各个匹配障碍物相机图像进行车道线识别处理以生成车道线特征信息,得到车道线特征信息集;
基于所述车道线特征信息集,确定所述匹配障碍物相机图像集中各个匹配障碍物相机图像之间的配准关系信息;
基于所述配准关系信息,对所述匹配障碍物相机图像集中每个匹配障碍物相机图像进行图像变换处理以生成变换障碍物相机图像,得到变换障碍物相机图像集;
对所述变换障碍物相机图像集中各个变换障碍物相机图像进行融合,得到所述目标障碍物相机图像。
4.根据权利要求1所述的方法,其中,所述相机障碍物特征信息还包括:相机障碍物特征坐标集,所述雷达障碍物特征信息还包括:雷达障碍物特征坐标集;以及
所述对所述雷达障碍物特征信息与所述相机障碍物特征信息进行特征融合,得到所述融合障碍物信息,包括:
对所述相机障碍物特征坐标集中的每个相机障碍物特征坐标进行坐标转换以生成目标相机障碍物特征坐标,得到目标相机障碍物特征坐标集;
对所述雷达障碍物特征坐标集中的每个雷达障碍物特征坐标进行坐标转换以生成目标雷达障碍物特征坐标,得到目标雷达障碍物特征坐标集;
对所述目标相机障碍物特征坐标集和所述目标雷达障碍物特征坐标集进行融合,得到所述融合障碍物信息。
5.一种车辆避障装置,包括:
获取单元,被配置成获取初始障碍物相机图像集和初始障碍物雷达点云信息集;
匹配单元,被配置成对所述初始障碍物相机图像集和所述初始障碍物雷达点云信息集进行匹配,得到匹配障碍物信息集,其中,所述匹配障碍物信息集中的每个匹配障碍物信息包括:匹配障碍物相机图像集和匹配障碍物雷达点云信息;
预处理单元,被配置成对所述匹配障碍物信息集中的每个匹配障碍物信息进行预处理以生成目标匹配障碍物信息,得到目标匹配障碍物信息集,其中,所述目标匹配障碍物信息集中的每个目标匹配障碍物信息包括:目标障碍物相机图像和雷达障碍物信息;
融合单元,被配置成对所述目标匹配障碍物信息集中的每个目标匹配障碍物信息包括的目标障碍物相机图像和雷达障碍物信息进行融合以生成融合障碍物信息,得到融合障碍物信息集;
发送单元,被配置成将所述融合障碍物信息集发送至控制终端以控制目标车辆避障;
其中,所述对所述匹配障碍物信息集中的每个匹配障碍物信息进行预处理以生成目标匹配障碍物信息,包括:
对所述匹配障碍物信息包括的匹配障碍物相机图像集中各个匹配障碍物相机图像进行拼接,得到目标障碍物相机图像;
对所述匹配障碍物信息包括的匹配障碍物雷达点云信息进行数据滤波处理,得到雷达障碍物信息;
将所述目标障碍物相机图像和所述雷达障碍物信息融合为所述目标匹配障碍物信息;
其中,所述对所述目标匹配障碍物信息集中的每个目标匹配障碍物信息包括的目标障碍物相机图像和雷达障碍物信息进行融合以生成融合障碍物信息,包括:
对所述目标障碍物相机图像进行特征提取,得到相机障碍物特征信息,其中,所述相机障碍物特征信息包括:障碍物阴影线信息集;
对所述雷达障碍物信息进行特征提取,得到雷达障碍物特征信息,其中,所述雷达障碍物特征信息包括:障碍物轮廓线信息集;
响应于确定所述雷达障碍物特征信息满足第一预设条件,基于所述障碍物阴影线信息集与所述障碍物轮廓线信息集,生成障碍物关联度信息,其中,所述障碍物轮廓线信息集中的每个障碍物轮廓线信息包括:障碍物轮廓线左端点坐标和障碍物轮廓线右端点坐标,所述障碍物阴影线信息集中的每个障碍物阴影线信息包括:障碍物阴影线左端点坐标和障碍物阴影线右端点坐标;
响应于确定所述障碍物关联度信息满足第二预设条件,对所述雷达障碍物特征信息与所述相机障碍物特征信息进行特征融合,得到所述融合障碍物信息;
其中,所述基于所述障碍物阴影线信息集与所述障碍物轮廓线信息集,生成障碍物关联度信息,包括:
对于所述障碍物轮廓线信息集中的每个障碍物轮廓线信息,执行以下步骤:
将所述障碍物阴影线信息集中与所述障碍物轮廓线信息对应的障碍物阴影线信息确定为目标障碍物阴影线信息;
将所述障碍物轮廓线信息包括的障碍物轮廓线左端点坐标的横坐标与所述目标障碍物阴影线信息包括的目标障碍物阴影线左端点坐标的横坐标的差值确定为第一关联度值;
将所述障碍物轮廓线信息包括的障碍物轮廓线右端点坐标的横坐标与所述目标障碍物阴影线信息包括的目标障碍物阴影线右端点坐标的横坐标的差值确定为第二关联度值;
基于所述障碍物轮廓线信息和所述目标障碍物阴影线信息,生成障碍物差异值、阴影线差异值和轮廓线差异值;
将所述障碍物差异值与所述阴影线差异值的比值确定为第三关联度值;
将所述障碍物差异值与所述轮廓线差异值的比值确定为第四关联度值;
将所述第一关联度值、所述第二关联度值、所述第三关联度值和所述第四关联度值组合为关联度值集;
将组合后的各个关联度值集融合为所述障碍物关联度信息;
其中,所述基于所述障碍物轮廓线信息和所述目标障碍物阴影线信息,生成障碍物差异值、阴影线差异值和轮廓线差异值,包括:
将所述障碍物轮廓线信息包括的障碍物轮廓线左端点坐标的横坐标与所述目标障碍物阴影线信息包括的目标障碍物阴影线右端点坐标的横坐标的差值确定为所述障碍物差异值;
将所述障碍物轮廓线信息包括的障碍物轮廓线左端点坐标的横坐标与障碍物轮廓线右端点坐标的横坐标的差值确定为所述轮廓线差异值;
将所述目标障碍物阴影线信息包括的目标障碍物阴影线右端点坐标的横坐标与目标障碍物阴影线左端点坐标的横坐标的差值确定为所述阴影线差异值;
其中,所述第一预设条件是所述雷达障碍物特征信息包括障碍物车辆信息,所述第二预设条件是所述障碍物关联度信息包括的第一关联度值小于第一目标值、所述第二关联度值小于第二目标值、第三关联度值大于第三目标值且第四关联度值大于第四目标值。
6.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211535458.8A CN115616560B (zh) | 2022-12-02 | 2022-12-02 | 车辆避障方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211535458.8A CN115616560B (zh) | 2022-12-02 | 2022-12-02 | 车辆避障方法、装置、电子设备和计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115616560A CN115616560A (zh) | 2023-01-17 |
CN115616560B true CN115616560B (zh) | 2023-04-14 |
Family
ID=84880241
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211535458.8A Active CN115616560B (zh) | 2022-12-02 | 2022-12-02 | 车辆避障方法、装置、电子设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115616560B (zh) |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145680B (zh) * | 2017-06-16 | 2022-05-27 | 阿波罗智能技术(北京)有限公司 | 一种获取障碍物信息的方法、装置、设备和计算机存储介质 |
CN109298415B (zh) * | 2018-11-20 | 2020-09-22 | 中车株洲电力机车有限公司 | 一种轨道和道路障碍物检测方法 |
CN111191600B (zh) * | 2019-12-30 | 2023-06-23 | 深圳元戎启行科技有限公司 | 障碍物检测方法、装置、计算机设备和存储介质 |
CN113297881B (zh) * | 2020-02-24 | 2024-05-14 | 华为技术有限公司 | 一种目标检测方法及相关装置 |
CN111812649A (zh) * | 2020-07-15 | 2020-10-23 | 西北工业大学 | 基于单目相机与毫米波雷达融合的障碍物识别与定位方法 |
CN112101092A (zh) * | 2020-07-31 | 2020-12-18 | 北京智行者科技有限公司 | 自动驾驶环境感知方法及*** |
CN112861653B (zh) * | 2021-01-20 | 2024-01-23 | 上海西井科技股份有限公司 | 融合图像和点云信息的检测方法、***、设备及存储介质 |
CN113985405A (zh) * | 2021-09-16 | 2022-01-28 | 森思泰克河北科技有限公司 | 障碍物检测方法、应用于车辆的障碍物检测设备 |
CN114529886B (zh) * | 2022-04-24 | 2022-08-02 | 苏州挚途科技有限公司 | 障碍物的确定方法、装置和*** |
-
2022
- 2022-12-02 CN CN202211535458.8A patent/CN115616560B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115616560A (zh) | 2023-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112348029B (zh) | 局部地图调整方法、装置、设备和计算机可读介质 | |
CN115326099B (zh) | 局部路径规划方法、装置、电子设备和计算机可读介质 | |
CN113313064A (zh) | 字符识别方法、装置、可读介质及电子设备 | |
CN115817463B (zh) | 车辆避障方法、装置、电子设备和计算机可读介质 | |
CN113607185B (zh) | 车道线信息显示方法、装置、电子设备和计算机可读介质 | |
CN111784712B (zh) | 图像处理方法、装置、设备和计算机可读介质 | |
CN114993328B (zh) | 车辆定位评估方法、装置、设备和计算机可读介质 | |
CN114399588B (zh) | 三维车道线生成方法、装置、电子设备和计算机可读介质 | |
CN111967332B (zh) | 用于自动驾驶的能见度信息生成方法和装置 | |
CN114399589A (zh) | 三维车道线生成方法、装置、电子设备和计算机可读介质 | |
CN114894205A (zh) | 三维车道线信息生成方法、装置、设备和计算机可读介质 | |
CN115610415B (zh) | 车辆距离控制方法、装置、电子设备和计算机可读介质 | |
CN115808929B (zh) | 车辆仿真避障方法、装置、电子设备和计算机可读介质 | |
CN115565158B (zh) | 车位检测方法、装置、电子设备和计算机可读介质 | |
CN115616560B (zh) | 车辆避障方法、装置、电子设备和计算机可读介质 | |
CN114724116B (zh) | 车辆通行信息生成方法、装置、设备和计算机可读介质 | |
CN112597793B (zh) | 用于识别交通灯状态和计时器状态的方法、装置和设备 | |
CN112232451B (zh) | 多传感器数据融合方法、装置、电子设备和介质 | |
CN115408609A (zh) | 泊车路线推荐方法、装置、电子设备和计算机可读介质 | |
CN111340813B (zh) | 图像实例分割方法、装置、电子设备及存储介质 | |
CN114724115A (zh) | 障碍物定位信息生成方法、装置、设备和计算机可读介质 | |
CN112528970A (zh) | 路牌检测方法、装置、设备和计算机可读介质 | |
CN112488947A (zh) | 模型训练和图像处理方法、装置、设备和计算机可读介质 | |
CN112070034A (zh) | 图像识别方法、装置、电子设备和计算机可读介质 | |
CN114863025B (zh) | 三维车道线生成方法、装置、电子设备和计算机可读介质 |
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 |