CN115792945A - 一种浮空障碍物检测方法、装置和电子设备、存储介质 - Google Patents
一种浮空障碍物检测方法、装置和电子设备、存储介质 Download PDFInfo
- Publication number
- CN115792945A CN115792945A CN202310044736.8A CN202310044736A CN115792945A CN 115792945 A CN115792945 A CN 115792945A CN 202310044736 A CN202310044736 A CN 202310044736A CN 115792945 A CN115792945 A CN 115792945A
- Authority
- CN
- China
- Prior art keywords
- detection target
- detection
- target
- floating
- obstacle
- 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.)
- Granted
Links
Images
Landscapes
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本申请公开了一种浮空障碍物检测方法、装置和电子设备、存储介质。所述方法包括:获取激光雷达点云的RB检测目标和AI检测目标,所述RB检测目标包括基于规则算法检测出的非地面障碍物,所述AI检测目标包括基于人工智能算法检测出的外观形态稳定的目标障碍物;利用预设跟踪算法对每个RB检测目标和每个的AI检测目标进行跟踪,获取每个RB检测目标的跟踪结果和每个AI检测目标的跟踪结果;对所述RB检测目标的跟踪结果和所述AI检测目标的跟踪结果进行目标匹配;根据目标匹配结果从所述RB检测目标中识别浮空障碍物。本申请的技术方案能够准确检测交通环境中的浮空障碍物,减少或消除障碍物误检。
Description
技术领域
本申请涉及自动驾驶技术领域,尤其涉及一种浮空障碍物检测方法、装置和电子设备、存储介质。
背景技术
激光雷达是目前自动驾驶中所用的主流传感器,它通过发射和接收激光脉冲并计算激光脉冲的飞行时间来感知前方障碍物的距离。所有感知到的障碍物表面点,在激光雷达数据里面形成了三维激光点云。因此,激光雷达能够感知到的如柳絮、树叶、灰尘、雾霾、悬空塑料袋等空中漂浮物,也能感知到侵入到车道上空的树枝。
诸如此类的空中漂浮物难以获得稳定的外形特征,导致传统的激光雷达感知算法无法区分空中漂浮物形成的点云和真实障碍物的点云,因此对障碍物的误报比较严重,影响自动驾驶决策。
发明内容
基于现有技术中存在的上述问题,本申请实施例提供了一种浮空障碍物检测方法、装置和电子设备、存储介质,以准确检测交通环境中的浮空障碍物,减少或消除障碍物误检。
本申请实施例采用下述技术方案:
第一方面,本申请实施例提供一种浮空障碍物检测方法,所述方法包括:
获取激光雷达点云的RB检测目标和AI检测目标,所述RB检测目标包括基于规则算法检测出的非地面障碍物,所述AI检测目标包括基于人工智能算法检测出的外观形态稳定的目标障碍物;
利用预设跟踪算法对每个RB检测目标和每个的AI检测目标进行跟踪,获取每个RB检测目标的跟踪结果和每个AI检测目标的跟踪结果;
对所述RB检测目标的跟踪结果和所述AI检测目标的跟踪结果进行目标匹配;
根据目标匹配结果从所述RB检测目标中识别浮空障碍物。
可选地,所述根据目标匹配结果从所述RB检测目标中识别浮空障碍物,包括:
将所述RB检测目标中没有成功匹配到AI检测目标的RB检测目标确定为浮空障碍物。
可选地,在获取激光雷达点云的RB检测目标和AI检测目标之后,所述方法还包括:
获取每个RB检测目标相距地面的高度;
根据每个RB检测目标相距地面的高度,获取每个RB检测目标的类型。
可选地,所述根据每个RB检测目标相距地面的高度,获取每个RB检测目标的类型,包括:
将每个RB检测目标相距地面的高度与设定浮空阈值比较;
若大于所述设定浮空阈值,则设置该RB检测目标为浮空类型;
若不大于所述设定浮空阈值,则设置该RB检测目标为非浮空类型。
可选地,所述根据目标匹配结果从所述RB检测目标中识别浮空障碍物,包括:
从所述RB检测目标中获取没有成功匹配到AI检测目标的候选RB检测目标;
将浮空类型的候选RB检测目标确定为浮空障碍物。
可选地,所述利用预设跟踪算法对每个RB检测目标和每个的AI检测目标进行跟踪,获取每个RB检测目标的跟踪结果和每个AI检测目标的跟踪结果,包括:
利用匈牙利匹配算法对每帧激光雷达点云中的每个RB检测目标和每个的AI检测目标进行跟踪,生成每个RB检测目标的RB***和每个AI检测目标的AI***,所述***基于卡尔曼滤波;
通过所述RB***获取相应RB检测目标的卡尔曼滤波结果,以及通过所述AI***获取相应AI检测目标的卡尔曼滤波结果。
可选地,所述RB检测目标的卡尔曼滤波结果包括3D轮廓框,所述AI检测目标的卡尔曼滤波结果包括3D包围框,所述对所述RB检测目标的跟踪结果和所述AI检测目标的跟踪结果进行目标匹配,包括:
获取与每个3D轮廓框具有重叠区域的3D包围框;
根据所述3D轮廓框与所述3D包围框之间的重叠区域,获得每个RB检测目标的匹配结果。
第二方面,本申请实施例还提供一种浮空障碍物检测装置,所述装置包括:
目标获取单元,用于获取激光雷达点云的RB检测目标和AI检测目标,所述RB检测目标包括基于规则算法检测出的非地面障碍物,所述AI检测目标包括基于人工智能算法检测出的外观形态稳定的目标障碍物;
帧间跟踪单元,用于利用预设跟踪算法对每个RB检测目标和每个的AI检测目标进行跟踪,获取每个RB检测目标的跟踪结果和每个AI检测目标的跟踪结果;
目标匹配单元,用于对所述RB检测目标的跟踪结果和所述AI检测目标的跟踪结果进行目标匹配;
障碍物识别单元,用于根据目标匹配结果从所述RB检测目标中识别浮空障碍物。
第三方面,本申请实施例还提供一种电子设备,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行浮空障碍物检测方法。
第四方面,本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行浮空障碍物检测方法。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:本申请实施例先获取激光雷达点云的RB检测目标和AI检测目标,然后对每个RB检测目标和每个的AI检测目标进行跟踪,接着对RB检测目标的跟踪结果与AI检测目标的跟踪结果进行目标匹配,最后根据目标匹配结果从RB检测目标中识别浮空障碍物。
本申请实施例一方面将AI检测目标作为筛选条件,对RB检测目标中的非浮空障碍物进行筛选,能够提高浮空障碍物的检测准确度,另一方面采用跟踪算法改善因目标遮挡或体积较小导致的目标漏检、误检问题,提高RB检测目标与AI检测目标间的匹配精度,以进一步提高浮空障碍物的检测准确度。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例中示出的一种浮空障碍物检测方法流程图;
图2为本申请实施例中示出的一种检测浮空障碍物的整体流程示意图;
图3为本申请实施例中示出的一种激光雷达点云中浮空障碍物的检测结果示意图;
图4为本申请实施例中示出的一种浮空障碍物检测装置的结构示意图;
图5为本申请实施例中一种电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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。
以下结合附图,详细说明本申请各实施例提供的技术方案。
本申请实施例提供的浮空障碍物检测方法的执行主体可以是路侧设备(例如路侧相机或路侧计算设备)、路侧服务器或者云控平台;也可以是感知(融合)***或集成该***的规划/控制***,如辅助驾驶***或自动驾驶***等。此外,本申请实施例的浮空障碍物检测方法的执行主体也可以是软件或硬件。
请参考图1,图1以执行主体是自动驾驶***为例,对本申请实施例提供的一种浮空障碍物检测方法进行介绍。如图1所示,本申请实施例提供的一种浮空障碍物检测方法可以包括以下步骤S110至步骤S140:
步骤S110,获取激光雷达点云的RB检测目标和AI检测目标,所述RB检测目标包括基于规则算法检测出的非地面障碍物,所述AI检测目标包括基于人工智能算法检测出的外观形态稳定的目标障碍物。
如前所述,空中漂浮物一般不具备稳定的外观形态,因此本申请实施例基于规则(Rule base,RB)算法对激光雷达点云进行检测,规则是与应用场景相关的,例如在自动驾驶场景下,可以从激光雷达点云中分割出可行驶道路点云和不可行驶道路点云,再从可行驶道路点云中分割出非地面点云,对非地面点云进行聚类,对聚类的点云进行外接轮廓检测,得到RB检测目标。
规则算法是针对目标环境中空中漂浮物的分布特征有针对性设计的算法模型,因此可以检测出空中漂浮物的点云,但基于规则算法对激光雷达点云检测时,由于遮挡或其他因素,难免会将非空中漂浮物的点云误识别为空中漂浮物的点云,因此本申请实施例还基于人工智能(Artificial Intelligence,AI)算法对激光雷达点云中具有稳定外观形态的目标障碍物进行检测。
人工智能算法是数据驱动型算法,人工智能算法的目标检测能力依赖于训练数据及标注,外观形态稳定的目标在各种角度下具有数量有限的外观形态,因此通过各种角度下的训练数据及其标注对人工智能算法进行训练,使其具有识别此类障碍物目标的能力。其中,常见的人智能算法模型包括深度神经网络(DNN)、循环神经网络(RNN)、卷积神经网络(CNN)等。本申请实施例可以采用合适的人工智能算法对激光雷达点云中的目标障碍物进行检测。
如此,可以根据AI检测目标筛选出RB检测目标中的非浮空障碍物,得到激光雷达点云中空中漂浮物对应的点云。需要说明的是,本申请实施例可以对车载激光雷达感知的激光雷达点云进行检测,也可以对路侧激光雷达感知的激光雷达点云进行检测。
步骤S120,利用预设跟踪算法对每个RB检测目标和每个的AI检测目标进行跟踪,获取每个RB检测目标的跟踪结果和每个AI检测目标的跟踪结果。
空中漂浮物的体积较小,采用跟踪算法可以改善因目标遮挡或体积较小导致的目标漏检、误检问题,恢复目标正确的检测框,从而让目标之间的结果更可靠。
步骤S130,对所述RB检测目标的跟踪结果和所述AI检测目标的跟踪结果进行目标匹配。
步骤S140,根据目标匹配结果从所述RB检测目标中识别浮空障碍物。
根据前述步骤可知,若某个RB检测目标与AI检测目标匹配成功,则说明该RB检测目标是外观形态较为稳定的非浮空障碍物目标;而没有匹配到的AI检测目标的RB检测目标则可能是浮空障碍物目标。因此可以将RB检测目标中没有成功匹配到AI检测目标的RB检测目标确定为浮空障碍物。
如图1所示的浮空障碍物检测方法可知,本实施例先获取激光雷达点云的RB检测目标和AI检测目标,然后对每个RB检测目标和每个的AI检测目标进行跟踪,接着对RB检测目标的跟踪结果与AI检测目标的跟踪结果进行目标匹配,最后根据目标匹配结果从RB检测目标中识别浮空障碍物。本实施例一方面将AI检测目标作为筛选条件,对RB检测目标中的非浮空障碍物进行筛选,能够提高浮空障碍物的检测准确度,另一方面采用跟踪算法改善因目标遮挡或体积较小导致的目标漏检、误检问题,提高RB检测目标与AI检测目标间的匹配精度,以进一步提高浮空障碍物的检测准确度。
空中漂浮物按照离地高度一般可以分为近地漂浮物和远离地面的漂浮物,一般情况下,远离地面的漂浮物会对自动驾驶的决策产生影响。基于此,图1中的方法还包括:
获取每个RB检测目标相距地面的高度;
根据每个RB检测目标相距地面的高度,获取每个RB检测目标的类型,所述类型包括浮空类型与非浮空类型。
例如,将每个RB检测目标相距地面的高度与设定浮空阈值比较,若大于所述设定浮空阈值,则设置该RB检测目标为浮空类型;若不大于所述设定浮空阈值,则设置该RB检测目标为非浮空类型。其中,设定浮空阈值可以通过经验设置,也可以经过多个测试场景进行统计试验得到。
相应的,步骤S140根据目标匹配结果从所述RB检测目标中识别浮空障碍物,包括:
从所述RB检测目标中获取没有成功匹配到AI检测目标的候选RB检测目标;
将浮空类型的候选RB检测目标确定为浮空障碍物。
本实施例将RB检测目标相距地面的高度作为另一筛选条件,对RB检测目标进行二次筛选,能够进一步提高浮空障碍物的检测准确度。
在本实施例的一些可能实现方案中,可以将RB检测目标的底边最低点的高度信息作为该RB检测目标相距地面的高度,也可以将RB检测目标的底边中心点的高度信息作为该RB检测目标相距地面的高度。例如,当RB检测目标的目标框为3D矩形框时,可以将底边中心点的高度信息作为该RB检测目标相距地面的高度,此时,可以将目标框中心点的高度Hc与二分之一目标框高度H/2的差值(Hc- H/2)作为底边中心点的高度,这里Hc为目标框中心点的高度,H为目标框的高度。当RB检测目标的目标框为不规则轮廓框时,将不规则轮廓框底边最低点的高度信息作为该RB检测目标相距地面的高度。当然,本领域技术人员也可以采用其他方法计算出RB检测目标相距地面的高度。
在本申请的一些实施例中,利用预设跟踪算法对每个RB检测目标和每个的AI检测目标进行跟踪,获取每个RB检测目标的跟踪结果和每个AI检测目标的跟踪结果,包括:
利用匈牙利匹配算法对每帧激光雷达点云中的每个RB检测目标和每个的AI检测目标进行跟踪,生成每个RB检测目标的RB***和每个AI检测目标的AI***,所述***基于卡尔曼滤波;
通过所述RB***获取相应RB检测目标的卡尔曼滤波结果,以及通过所述AI***获取相应AI检测目标的卡尔曼滤波结果。
以RB检测目标的跟踪为例,在开始目标跟踪时,先为第一帧激光雷达点云中的每个RB检测目标生成相应的RB***,然后基于匈牙利匹配算法对之后每一帧激光雷达点云中的RB检测目标进行RB***匹配,利用RB***缓存与其匹配的RB检测目标,若后续某帧激光雷达点云中的RB检测目标不存在匹配的RB***,则为这个新出现的RB检测目标生成相应的RB***,RB***可以采用卡尔曼滤波算法对其缓存的RB检测目标进行处理,输出卡尔曼滤波结果,卡尔曼滤波结果包括目标的包围框、方向、类型等信息。
当然,在实际应用中,也可以采用其他目标跟踪算法进行帧间目标跟踪,例如采用贪心算法,本实施例对此不予限定。此外,AI检测目标的跟踪方法与RB检测目标的跟踪方法类似,本实施例在此不再赘述。
本实施例的***可以对当前帧及下一帧的检测目标进行卡尔曼滤波处理,也可以将之前帧与当前帧的检测目标进行卡尔曼滤波处理。
上述RB检测目标的卡尔曼滤波结果包括3D轮廓框,AI检测目标的卡尔曼滤波结果包括3D包围框,在本申请的一些实施例中,对RB检测目标的跟踪结果和AI检测目标的跟踪结果进行目标匹配,包括:
获取与每个3D轮廓框具有重叠区域的3D包围框;
根据所述3D轮廓框与所述3D包围框之间的重叠区域,获得每个RB检测目标的匹配结果。
在本实施例的一些可能实现方案中,根据所述3D轮廓框与所述3D包围框之间的重叠区域,获得每个RB检测目标的匹配结果,包括:
将具有重叠关系的3D轮廓框内的点云和3D包围框内的点云投影到一个图像中,得到3D轮廓框内的点云对应的第一投影区域,3D包围框内的点云对应的第二投影区域;
本实施例示出了一种计算目标匹配的方法,本领域技术人员也可以采用其他方法,本实施例对此不予限定。
如图2所示,本申请实施例先获取激光雷达点云的RB检测目标和AI检测目标;接着基于RB检测目标相距地面的高度确定RB检测目标的类型,将高度大于设定浮空阈值的RB检测目标设置浮空标签,将高度不大于设定浮空阈值的RB检测目标设置非浮空标签;以及对RB检测目标和AI检测目标进行帧间跟踪,得到RB***和AI***;然后对RB***和AI***,对于匹配成功的RB***设置Ok标签,对于匹配不成功的RB***设置NOK标签,可选地,由于人工智能检测算法的精度高于规则算法,因此对匹配成功的RB***,可以将相应的AI***对应的目标特征,如目标尺寸、中心点、方向、类型等同步到RB***,以便于提供给相关应用;最后,将同时具有NOK标签和浮空标签的RB检测目标识别为浮空障碍物,将具有OK标签和/或非浮空标签的RB检测目标作为误识别目标。
其中,图3示出了采用浮空障碍物检测方法对车载激光雷达感知的激光雷达点云进行浮空障碍物检测的可视化效果,图3中长箭头指示的3D轮廓框即为浮空障碍物,可见,本申请实施例可以准确地检测出道路环境中的空中漂浮物。
本申请实施例还提供了一种浮空障碍物检测装置400,如图4所示,提供了本申请实施例中一种浮空障碍物检测装置的结构示意图,所述装置400包括:目标获取单元410、帧间跟踪单元420、目标匹配单元430和障碍物识别单元440,其中:
目标获取单元410,用于获取激光雷达点云的RB检测目标和AI检测目标,所述RB检测目标包括基于规则算法检测出的非地面障碍物,所述AI检测目标包括基于人工智能算法检测出的外观形态稳定的目标障碍物;
帧间跟踪单元420,用于利用预设跟踪算法对每个RB检测目标和每个的AI检测目标进行跟踪,获取每个RB检测目标的跟踪结果和每个AI检测目标的跟踪结果;
目标匹配单元430,用于对所述RB检测目标的跟踪结果和所述AI检测目标的跟踪结果进行目标匹配;
障碍物识别单元440,用于根据目标匹配结果从所述RB检测目标中识别浮空障碍物。
在本申请的一个实施例中,障碍物识别单元440,用于将所述RB检测目标中没有成功匹配到AI检测目标的RB检测目标确定为浮空障碍物。
在本申请的一个实施例中,所述装置400还包括:类型检测单元;
类型检测单元,用于获取每个RB检测目标相距地面的高度;根据每个RB检测目标相距地面的高度,获取每个RB检测目标的类型。
在本申请的一个实施例中,类型检测单元,用于将每个RB检测目标相距地面的高度与设定浮空阈值比较,若大于所述设定浮空阈值,则设置该RB检测目标为浮空类型;若不大于所述设定浮空阈值,则设置该RB检测目标为非浮空类型。
在本申请的一个实施例中,障碍物识别单元440,还用于从所述RB检测目标中获取没有成功匹配到AI检测目标的候选RB检测目标;将浮空类型的候选RB检测目标确定为浮空障碍物。
在本申请的一个实施例中,帧间跟踪单元420,用于利用匈牙利匹配算法对每帧激光雷达点云中的每个RB检测目标和每个的AI检测目标进行跟踪,生成每个RB检测目标的RB***和每个AI检测目标的AI***,所述***基于卡尔曼滤波;通过所述RB***获取相应RB检测目标的卡尔曼滤波结果,以及通过所述AI***获取相应AI检测目标的卡尔曼滤波结果。
在本申请的一个实施例中,所述RB检测目标的卡尔曼滤波结果包括3D轮廓框,所述AI检测目标的卡尔曼滤波结果包括3D包围框,目标匹配单元430,用于获取与每个3D轮廓框具有重叠区域的3D包围框;根据所述3D轮廓框与所述3D包围框之间的重叠区域,获得每个RB检测目标的匹配结果。
能够理解,上述浮空障碍物检测装置,能够实现前述实施例中提供的浮空障碍物检测方法的各个步骤,关于浮空障碍物检测方法的相关阐释均适用于浮空障碍物检测装置,此处不再赘述。
图5是本申请的一个实施例电子设备的结构示意图。请参考图5,在硬件层面,该电子设备包括处理器和存储器,可选地还包括内部总线、网络接口。其中,存储器可能包含内存,例如高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少1个磁盘存储器等。当然,该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接,该内部总线可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(PeripheralComponent Interconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
存储器,用于存放程序。具体地,程序可以包括程序代码,所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器,并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成浮空障碍物检测装置。处理器,执行存储器所存放的程序,并具体用于执行以下操作:
获取激光雷达点云的RB检测目标和AI检测目标,所述RB检测目标包括基于规则算法检测出的非地面障碍物,所述AI检测目标包括基于人工智能算法检测出的外观形态稳定的目标障碍物;
利用预设跟踪算法对每个RB检测目标和每个的AI检测目标进行跟踪,获取每个RB检测目标的跟踪结果和每个AI检测目标的跟踪结果;
对所述RB检测目标的跟踪结果和所述AI检测目标的跟踪结果进行目标匹配;
根据目标匹配结果从所述RB检测目标中识别浮空障碍物。
上述如本申请图1所示实施例揭示的浮空障碍物检测装置执行的方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述浮空障碍物检测方法的步骤。
该电子设备还可执行图1中浮空障碍物检测装置执行的方法,并实现浮空障碍物检测装置在图1所示实施例的功能,本申请实施例在此不再赘述。
本申请实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序包括指令,该指令当被包括多个应用程序的电子设备执行时,能够使该电子设备执行图1所示实施例中浮空障碍物检测装置执行的方法,本申请实施例在此不再赘述。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据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装置。
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装置的制造品,该指令装置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。
在一个典型的配置中,计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器 (RAM) 和/或非易失性内存等形式,如只读存储器 (ROM) 或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体 (transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、***或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种浮空障碍物检测方法,其特征在于,所述方法包括:
获取激光雷达点云的RB检测目标和AI检测目标,所述RB检测目标包括基于规则算法检测出的非地面障碍物,所述AI检测目标包括基于人工智能算法检测出的外观形态稳定的目标障碍物;
利用预设跟踪算法对每个RB检测目标和每个的AI检测目标进行跟踪,获取每个RB检测目标的跟踪结果和每个AI检测目标的跟踪结果;
对所述RB检测目标的跟踪结果和所述AI检测目标的跟踪结果进行目标匹配;
根据目标匹配结果从所述RB检测目标中识别浮空障碍物。
2.如权利要求1所述的浮空障碍物检测方法,其特征在于,所述根据目标匹配结果从所述RB检测目标中识别浮空障碍物,包括:
将所述RB检测目标中没有成功匹配到AI检测目标的RB检测目标确定为浮空障碍物。
3.如权利要求1所述的浮空障碍物检测方法,其特征在于,在获取激光雷达点云的RB检测目标和AI检测目标之后,所述方法还包括:
获取每个RB检测目标相距地面的高度;
根据每个RB检测目标相距地面的高度,获取每个RB检测目标的类型。
4.如权利要求3所述的浮空障碍物检测方法,其特征在于,所述根据每个RB检测目标相距地面的高度,获取每个RB检测目标的类型,包括:
将每个RB检测目标相距地面的高度与设定浮空阈值比较;
若大于所述设定浮空阈值,则设置该RB检测目标为浮空类型;
若不大于所述设定浮空阈值,则设置该RB检测目标为非浮空类型。
5.如权利要求4所述的浮空障碍物检测方法,其特征在于,所述根据目标匹配结果从所述RB检测目标中识别浮空障碍物,包括:
从所述RB检测目标中获取没有成功匹配到AI检测目标的候选RB检测目标;
将浮空类型的候选RB检测目标确定为浮空障碍物。
6.如权利要求1所述的浮空障碍物检测方法,其特征在于,所述利用预设跟踪算法对每个RB检测目标和每个的AI检测目标进行跟踪,获取每个RB检测目标的跟踪结果和每个AI检测目标的跟踪结果,包括:
利用匈牙利匹配算法对每帧激光雷达点云中的每个RB检测目标和每个的AI检测目标进行跟踪,生成每个RB检测目标的RB***和每个AI检测目标的AI***,所述***基于卡尔曼滤波;
通过所述RB***获取相应RB检测目标的卡尔曼滤波结果,以及通过所述AI***获取相应AI检测目标的卡尔曼滤波结果。
7.如权利要求6所述的浮空障碍物检测方法,其特征在于,所述RB检测目标的卡尔曼滤波结果包括3D轮廓框,所述AI检测目标的卡尔曼滤波结果包括3D包围框,所述对所述RB检测目标的跟踪结果和所述AI检测目标的跟踪结果进行目标匹配,包括:
获取与每个3D轮廓框具有重叠区域的3D包围框;
根据所述3D轮廓框与所述3D包围框之间的重叠区域,获得每个RB检测目标的匹配结果。
8.一种浮空障碍物检测装置,其特征在于,所述装置包括:
目标获取单元,用于获取激光雷达点云的RB检测目标和AI检测目标,所述RB检测目标包括基于规则算法检测出的非地面障碍物,所述AI检测目标包括基于人工智能算法检测出的外观形态稳定的目标障碍物;
帧间跟踪单元,用于利用预设跟踪算法对每个RB检测目标和每个的AI检测目标进行跟踪,获取每个RB检测目标的跟踪结果和每个AI检测目标的跟踪结果;
目标匹配单元,用于对所述RB检测目标的跟踪结果和所述AI检测目标的跟踪结果进行目标匹配;
障碍物识别单元,用于根据目标匹配结果从所述RB检测目标中识别浮空障碍物。
9.一种电子设备,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行如权利要求1~7任一项所述的浮空障碍物检测方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行权利要求1~7任一项所述的浮空障碍物检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310044736.8A CN115792945B (zh) | 2023-01-30 | 2023-01-30 | 一种浮空障碍物检测方法、装置和电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310044736.8A CN115792945B (zh) | 2023-01-30 | 2023-01-30 | 一种浮空障碍物检测方法、装置和电子设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115792945A true CN115792945A (zh) | 2023-03-14 |
CN115792945B CN115792945B (zh) | 2023-07-07 |
Family
ID=85429164
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310044736.8A Active CN115792945B (zh) | 2023-01-30 | 2023-01-30 | 一种浮空障碍物检测方法、装置和电子设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115792945B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116228820A (zh) * | 2023-05-05 | 2023-06-06 | 智道网联科技(北京)有限公司 | 一种障碍物检测方法、装置和电子设备、存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111273268A (zh) * | 2020-01-19 | 2020-06-12 | 北京百度网讯科技有限公司 | 障碍物类型的识别方法、装置及电子设备 |
US20200250803A1 (en) * | 2017-05-05 | 2020-08-06 | Boe Technology Group Co., Ltd. | Method for detecting and tracking target object, target object tracking apparatus, and computer-program product |
CN112329754A (zh) * | 2021-01-07 | 2021-02-05 | 深圳市速腾聚创科技有限公司 | 障碍物识别模型训练方法、障碍物识别方法、装置及*** |
CN112348000A (zh) * | 2021-01-07 | 2021-02-09 | 知行汽车科技(苏州)有限公司 | 障碍物识别方法、装置、***及存储介质 |
CN112731447A (zh) * | 2021-04-06 | 2021-04-30 | 北京三快在线科技有限公司 | 一种障碍物跟踪方法、装置、存储介质及电子设备 |
-
2023
- 2023-01-30 CN CN202310044736.8A patent/CN115792945B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200250803A1 (en) * | 2017-05-05 | 2020-08-06 | Boe Technology Group Co., Ltd. | Method for detecting and tracking target object, target object tracking apparatus, and computer-program product |
CN111273268A (zh) * | 2020-01-19 | 2020-06-12 | 北京百度网讯科技有限公司 | 障碍物类型的识别方法、装置及电子设备 |
CN112329754A (zh) * | 2021-01-07 | 2021-02-05 | 深圳市速腾聚创科技有限公司 | 障碍物识别模型训练方法、障碍物识别方法、装置及*** |
CN112348000A (zh) * | 2021-01-07 | 2021-02-09 | 知行汽车科技(苏州)有限公司 | 障碍物识别方法、装置、***及存储介质 |
CN112731447A (zh) * | 2021-04-06 | 2021-04-30 | 北京三快在线科技有限公司 | 一种障碍物跟踪方法、装置、存储介质及电子设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116228820A (zh) * | 2023-05-05 | 2023-06-06 | 智道网联科技(北京)有限公司 | 一种障碍物检测方法、装置和电子设备、存储介质 |
CN116228820B (zh) * | 2023-05-05 | 2023-09-08 | 智道网联科技(北京)有限公司 | 一种障碍物检测方法、装置和电子设备、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115792945B (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112417967B (zh) | 障碍物检测方法、装置、计算机设备和存储介质 | |
CN110785719A (zh) | 在自动驾驶车辆中用于经由交叉时态验证的即时物体标记的方法和*** | |
CN111611853B (zh) | 一种传感信息融合方法、装置及存储介质 | |
CN110869559A (zh) | 用于自动驾驶车辆中的集成的全局式与分布式学习的方法和*** | |
CN110753953A (zh) | 用于自动驾驶车辆中经由交叉模态验证的以物体为中心的立体视觉的方法和*** | |
CN113936198B (zh) | 低线束激光雷达与相机融合方法、存储介质及装置 | |
Barnes et al. | Exploiting 3D semantic scene priors for online traffic light interpretation | |
CN110674705A (zh) | 基于多线激光雷达的小型障碍物检测方法及装置 | |
WO2019198076A1 (en) | Real-time raw data- and sensor fusion | |
CN105608417A (zh) | 交通信号灯检测方法及装置 | |
CN111723724B (zh) | 一种路面障碍物识别方法和相关装置 | |
CN114705121B (zh) | 车辆位姿测量方法、装置及电子设备、存储介质 | |
CN112793567A (zh) | 一种基于路况检测的辅助驾驶方法及*** | |
CN115792945B (zh) | 一种浮空障碍物检测方法、装置和电子设备、存储介质 | |
CN115205803A (zh) | 自动驾驶环境感知方法、介质及车辆 | |
Qing et al. | A novel particle filter implementation for a multiple-vehicle detection and tracking system using tail light segmentation | |
CN112699711A (zh) | 车道线检测方法、装置、存储介质及电子设备 | |
CN112818968A (zh) | 一种目标物分类方法及装置 | |
CN113189610A (zh) | 地图增强的自动驾驶多目标追踪方法和相关设备 | |
CN115249407B (zh) | 指示灯状态识别方法、装置、电子设备、存储介质及产品 | |
Zhao et al. | Real-time intersection detection based on satellite image and 3d lidar point cloud | |
Wang et al. | A system of automated training sample generation for visual-based car detection | |
CN116228820B (zh) | 一种障碍物检测方法、装置和电子设备、存储介质 | |
CN115700397A (zh) | 雷达传感器的融合方法、装置、计算设备和存储介质 | |
CN115546752A (zh) | 高精地图的车道线标注方法和装置、电子设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |