CN115840227B - 道路边缘的检测方法及装置 - Google Patents

道路边缘的检测方法及装置 Download PDF

Info

Publication number
CN115840227B
CN115840227B CN202310167567.7A CN202310167567A CN115840227B CN 115840227 B CN115840227 B CN 115840227B CN 202310167567 A CN202310167567 A CN 202310167567A CN 115840227 B CN115840227 B CN 115840227B
Authority
CN
China
Prior art keywords
point cloud
road edge
vehicle
target
determining
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
CN202310167567.7A
Other languages
English (en)
Other versions
CN115840227A (zh
Inventor
李勇
王宏伟
王明辉
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.)
Foss Hangzhou Intelligent Technology Co Ltd
Original Assignee
Foss Hangzhou Intelligent Technology 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 Foss Hangzhou Intelligent Technology Co Ltd filed Critical Foss Hangzhou Intelligent Technology Co Ltd
Priority to CN202310167567.7A priority Critical patent/CN115840227B/zh
Publication of CN115840227A publication Critical patent/CN115840227A/zh
Application granted granted Critical
Publication of CN115840227B publication Critical patent/CN115840227B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种道路边缘的检测方法及装置。其中，该方法包括：获取车载雷达采集到的车载点云集合，其中，车载点云集合用于表征车载雷达所处道路的点云集合；基于车载点云集合中车载点云的位置梯度，确定车载点云集合中的目标点云集合，其中，目标点云集合用于表征道路的道路边缘的点云集合；对车载雷达的检测区域进行划分，得到多个扇形栅格；基于目标点云集合中静止点云的位置信息，确定多个扇形栅格对应的目标道路边缘位置集合，其中，目标道路边缘位置集合用于表征不同扇形栅格内道路边缘的目标检测结果。本发明解决了现有技术中通过雷达对道路边缘进行检测的检测准确率低的技术问题。

Description

道路边缘的检测方法及装置
技术领域
本发明涉及雷达技术领域，具体而言，涉及一种道路边缘的检测方法及装置。
背景技术
道路边缘检测是智能驾驶***环境感知的重要一环，该技术能够辅助自动驾驶车载实现定位，路径预测和路径规划等功能。用于道路边缘检测的传感器主要有摄像头、激光雷达和毫米波雷达等，因此道路边缘检测方法主要分为基于图像的道路边缘检测方法和基于信号特征的道路边缘检测方法。
基于信号特征的道路边缘检测方法通常应用于激光雷达或者毫米波雷达，主要是利用雷达信号处理后的点云进行道路边缘检测，现有技术中通常是利用点云的位置、速度以及角度等信息进行聚类，得到若干个点云聚类簇，再根据点云聚类簇的特征综合判断道路边缘信息。但当雷达点云稀疏或者数量较少时，无法准确有效的检测道路边缘，并且聚类算法的收敛速度直接决定了算法的运行时间。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种道路边缘的检测方法及装置，以至少解决现有技术中通过雷达对道路边缘进行检测的检测准确率低的技术问题。
根据本发明实施例的一个方面，提供了一种道路边缘的检测方法，包括：获取车载雷达采集到的车载点云集合，其中，车载点云集合用于表征车载雷达所处道路的点云集合；基于车载点云集合中车载点云的位置梯度，确定车载点云集合中的目标点云集合，其中，目标点云集合用于表征道路的道路边缘的点云集合；对车载雷达的检测区域进行划分，得到多个扇形栅格；基于目标点云集合中静止点云的位置信息，确定多个扇形栅格对应的目标道路边缘位置集合，其中，目标道路边缘位置集合用于表征不同扇形栅格内道路边缘的目标检测结果。
可选地，基于车载点云集合中车载点云的位置梯度，确定车载点云集合中的目标点云集合，包括：基于车载的车速信息和车载点云集合中车载点云的速度信息，确定车载点云集合中的静止点云集合，其中，静止点云集合用于表征相对于车辆为静止状态的点云集合；基于静止点云集合中静止点云的横向位置梯度，确定静止点云集合中的道路边缘检测点云集合，其中，横向位置梯度用于表征相邻两个静止点云的横向坐标位置的差距；基于道路边缘检测点云集合中道路边缘检测点云的纵向位置梯度，确定道路边缘检测点云集合中的目标点云集合，其中，纵向位置梯度用于表征相邻两个道路边缘检测点云的纵向坐标位置的差距。
可选地，基于车载的车速信息和车载点云集合中车载点云的速度信息，确定车载点云集合中的静止点云集合，包括：获取车载点云对应的角度信息；基于角度信息、车速信息和速度信息，确定车载点云相对于车辆的相对速度；响应于相对速度小于预设速度，将车载点云存储至静止点云集合。
可选地，基于静止点云集合中静止点云的横向位置梯度，确定静止点云集合中的道路边缘检测点云集合，包括：按照静止点云的横向坐标位置从小到大的顺序，对静止点云集合进行排序，得到第一点云集合；基于第一点云集合中相邻两个第一点云的横向坐标位置，生成横向位置梯度集合；响应于横向位置梯度集合中的至少一个横向位置梯度满足第一预设条件，将至少一个横向位置梯度对应的第一点云存储至道路边缘检测点云集合。
可选地，基于道路边缘检测点云集合中道路边缘检测点云的纵向位置梯度，确定道路边缘检测点云集合中的目标点云集合，包括：按照道路边缘检测点云的纵向坐标位置从小到大的顺序，对道路边缘检测点云集合进行排序，得到第二点云集合；基于第二点云集合中相邻两个第二点云的纵向坐标位置，生成纵向位置梯度集合；响应于纵向位置梯度集合中的至少一个纵向位置梯度满足第二预设条件，将至少一个纵向位置梯度对应的第二点云存储至目标点云集合。
可选地，基于目标点云集合中静止点云的位置信息，确定多个扇形栅格对应的目标道路边缘位置集合，包括：获取多个扇形栅格对应的历史道路边缘位置集合，其中，历史道路边缘位置集合用于表征在历史时刻道路边缘的历史检测结果；基于历史道路边缘位置集合，确定预测道路边缘位置集合，其中，预测道路边缘位置集合用于表征在当前时刻道路边缘的预测检测结果；基于静止点云集合中静止点云的位置信息，确定多个扇形栅格中与静止点云相对应的第一扇形栅格；基于第一扇形栅格对应的第一静止点云集合的位置信息，对预测道路边缘位置集合中第一扇形栅格对应的目标预测检测结果进行更新，得到目标道路边缘位置集合。
可选地，基于历史道路边缘位置集合，确定预测道路边缘位置集合，包括：对历史道路边缘位置集合进行坐标转换，得到第一转换位置集合；确定车载在历史时刻至当前时刻之间的运动信息；基于运动信息和第一转换位置集合，确定第二转换位置集合；对第二转换位置集合进行坐标转换，得到预测道路边缘位置集合。
可选地，基于第一扇形栅格对应的第一静止点云集合的位置信息，对预测道路边缘位置集合中第一扇形栅格对应的目标预测检测结果进行更新，得到目标道路边缘位置集合，包括：响应于预测道路边缘位置集合中存在目标预测检测结果，基于第一静止点云集合的位置信息和目标预测检测结果，确定第一静止点云集合中的第二静止点云，其中，第二静止点云与目标预测检测结果的距离小于第一静止点云集合中其他静止点云与目标预测检测结果的距离；响应于获取到第二静止点云，基于第二静止点云的位置信息，对第一扇形栅格进行更新，得到目标道路边缘位置集合中第一扇形栅格对应的目标检测结果；响应于未获取到第二静止点云，确定第一扇形栅格对应的目标检测结果为目标预测检测结果。
可选地，响应于未获取到第二静止点云，方法还包括：响应于连续多个时刻未获取到第二静止点云，确定第一扇形栅格对应的目标检测结果为预设检测结果。
可选地，响应于预测道路边缘位置集合中不存在目标预测检测结果，方法还包括：基于第一静止点云集合的位置信息和车载雷达的预设位置，确定第一静止点云集合中的第三静止点云，其中，第三静止点云与预设位置的距离小于第一静止点云集合中其他静止点云与预设位置的距离；基于第三静止点云的位置信息，确定目标道路边缘位置集合中第一扇形栅格对应的目标检测结果。
可选地，该方法还包括：基于目标道路边缘位置集合，确定多个扇形栅格中的第二扇形栅格，其中，目标道路边缘位置集合中存在第二扇形栅格对应的目标检测结果；确定相邻两个第二扇形栅格的间距；响应于间距小于预设阈值，对目标道路边缘位置集合中第三扇形栅格对应的目标检测结果进行平滑滤波，其中，第三扇形栅格为多个扇形栅格中位于相邻两个第二扇形栅格之间的扇形栅格。
根据本发明实施例的另一方面，还提供了一种道路边缘的检测装置，包括：获取模块，用于获取车载雷达采集到的车载点云集合，其中，车载点云集合用于表征车载雷达所处道路的点云集合；第一确定模块，用于基于车载点云集合中车载点云的位置梯度，确定车载点云集合中的目标点云集合，其中，目标点云集合用于表征道路的道路边缘的点云集合；划分模块，用于对车载雷达的检测区域进行划分，得到多个扇形栅格；第二确定模块，用于基于目标点云集合中静止点云的位置信息，确定多个扇形栅格对应的目标道路边缘位置集合，其中，目标道路边缘位置集合用于表征不同扇形栅格内道路边缘的目标检测结果。
根据本发明实施例的另一方面，还提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序；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执行上述任意一项的道路边缘的检测方法。
根据本发明实施例的另一方面，还提供了一种非易失性存储介质，非易失性存储介质包括存储的程序，其中，在程序运行时控制所在设备的处理器中执行上述任意一项的道路边缘的检测方法。
在本发明实施例中，采用获取车载雷达采集到的车载点云集合，其中，车载点云集合用于表征车载雷达所处道路的点云集合；基于车载点云集合中车载点云的位置梯度，确定车载点云集合中的目标点云集合，其中，目标点云集合用于表征道路的道路边缘的点云集合；对车载雷达的检测区域进行划分，得到多个扇形栅格；基于目标点云集合中静止点云的位置信息，确定多个扇形栅格对应的目标道路边缘位置集合，其中，目标道路边缘位置集合用于表征不同扇形栅格内道路边缘的目标检测结果的方式。容易注意到的是，目标点云集合是通过车载点云集合中车载点云的位置梯度得到的，达到了能够实时准确的确定目标点云的技术效果，同时对车载雷达到的检测区域进行划分得到多个扇形栅格，达到了可以对道路边缘准确进行检测的技术效果，进一步地，基于目标点云集合中静止点云的位置信息确定多个扇形栅格对应的目标道路边缘位置集合，达到了能够准确得到扇形栅格内目标道路边缘的检测结果的目的，从而实现了提高对道路边缘进行检测的检测准确率的技术效果，进而解决了现有技术中通过雷达对道路边缘进行检测的检测准确率低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种道路边缘的检测方法的流程图；
图2是根据本发明实施例的一种可选的雷达点云预处理的方法流程图；
图3是根据本发明实施例的一种可选的多个扇形栅格的示意图；
图4是根据本发明实施例的一种可选的道路边缘扇形栅格跟踪流程图；
图5a是根据本发明实施例的一种可选的扇形栅格滤波前的示意图；
图5b是根据本发明实施例的一种可选的扇形栅格后向滤波的示意图；
图6是根据本发明实施例的一种可选的基于毫米波雷达的道路边缘检测方法的流程图；
图7是根据本发明实施例的一种道路边缘的检测装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例，提供了一种道路边缘的检测方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种道路边缘的检测方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，获取车载雷达采集到的车载点云集合，其中，车载点云集合用于表征车载雷达所处道路的点云集合。
上述的车载雷达可以是任意一种安装在车辆上用于检测并采集信号的雷达，例如，可以是激光雷达、毫米波雷达等，但不仅限于此，在本实施例中对车载雷达的类型不做具体限定。上述的车载点云集合可以是车载雷达所采集到的车辆所行驶道路上的点云，例如，可以是包含车辆所行驶道路上的其他车辆与道路边缘的点云集合，但不仅限于此。
在一种可选的实施例中，当车辆在道路上行驶时，为了确保车辆能够安全的行驶在道路上，可以获取车载雷达实时采集的车辆所行驶道路上的点云，可以得到车载点云集合。
步骤S104，基于车载点云集合中车载点云的位置梯度，确定车载点云集合中的目标点云集合，其中，目标点云集合用于表征道路的道路边缘的点云集合。
上述的位置梯度可以是用户提前设置的用于筛选车载点云集合中的目标点云的梯度，其中，位置梯度可以包括但不限于：横向位置梯度、纵向位置梯度。上述的目标点云集合可以是车载点云集合中的道路边缘的点云集合。
在一种可选的实施例中，当获取到车载点云集合后，可以基于车载点云集合中的位置梯度，确定车载点云集合中的目标点云集合。
可选地，基于车载点云集合中车载点云的位置梯度，确定车载点云集合中的目标点云集合，包括：基于车辆的车速信息和车载点云集合中车载点云的速度信息，确定车载点云集合中的静止点云集合，其中，静止点云集合用于表征相对于车辆为静止状态的点云集合；基于静止点云集合中静止点云的横向位置梯度，确定静止点云集合中的道路边缘检测点云集合，其中，横向位置梯度用于表征相邻两个静止点云的横向坐标位置的差距；基于道路边缘检测点云集合中道路边缘检测点云的纵向位置梯度，确定道路边缘检测点云集合中的目标点云集合，其中，纵向位置梯度用于表征相邻两个道路边缘检测点云的纵向坐标位置的差距。
上述的车速信息可以是
Figure SMS_1
，上述的车载点云的速度信息可以是径向多普勒速度
Figure SMS_2
。上述的横向位置梯度可以是用户提前设置的用于得到相邻两个静止点云的横向坐标位置的差距的梯度。上述的道路边缘检测点云集合/>
Figure SMS_3
可以是静止点云集合中用于表征道路边缘的点云集合。上述的纵向位置梯度可以是用户提前设置的用于确定相邻两个道路边缘检测点云的纵向坐标位置的差距的梯度。
在一种可选的实施例中，首先可以基于车速的车速信息
Figure SMS_4
和车载点云集合中车载点云的速度信息/>
Figure SMS_5
，确定车载点云集合中的静止点云集合，其次可以基于静止点云集合中静止点云的横向位置梯度，确定静止点云集合中的道路边缘检测点云集合，然后可以基于道路边缘检测点云集合中道路边缘检测点云的纵向位置梯度，确定道路边缘检测点云集合中的目标点云集合。
可选地，基于车载的车速信息和车载点云集合中车载点云的速度信息，确定车载点云集合中的静止点云集合，包括：获取车载点云对应的角度信息；基于角度信息、车速信息和速度信息，确定车载点云相对于车辆的相对速度；响应于相对速度小于预设速度，将车载点云存储至静止点云集合。
上述的车载点云对应的角度信息可以是车载点云与车辆坐标系的纵轴正方向的夹角
Figure SMS_6
。上述的预设阈值可以是用户提前设置的用于确定静止点云的值，可以是速度误差门限/>
Figure SMS_7
，具体数值用户可根据实际检测需求自行设定，在本实施例中不做限定。上述的静止点云集合可以是/>
Figure SMS_8
，其中，/>
Figure SMS_9
表示第n个静止点云，m表示静止点云集合中点云的个数。
在一种可选的实施例中，首先可以获取车载点云对应的角度信息
Figure SMS_10
，其次可以基于角度信息/>
Figure SMS_11
、车速信息/>
Figure SMS_12
和速度信息/>
Figure SMS_13
，得到车载点云相对于车辆的相对速度
Figure SMS_14
，最后响应于相对速度小于预设阈值，可以确定该车载点云为静止点云，将该车载点云存储至静止点云集合/>
Figure SMS_15
中。
在另一种可选的实施例中，可以通过以下公式确定车载点云集合中的静止点云集合：
Figure SMS_16
在又一种可选的实施例中，输入车载毫米波雷达的点云集合，并结合雷达车运动信息判断并记录静止点云数据，得到静止点云集合
Figure SMS_17
，其中/>
Figure SMS_18
表示第n个静止点云，m表示静止点云集合中点云的个数。
可选地，基于静止点云集合中静止点云的横向位置梯度，确定静止点云集合中的道路边缘检测点云集合，包括：按照静止点云的横向坐标位置从小到大的顺序，对静止点云集合进行排序，得到第一点云集合；基于第一点云集合中相邻两个第一点云的横向坐标位置，生成横向位置梯度集合；响应于横向位置梯度集合中的至少一个横向位置梯度满足第一预设条件，将至少一个横向位置梯度对应的第一点云存储至道路边缘检测点云集合。上述的横向坐标位置可以是静止点云在车辆坐标系的横轴的位置。上述的第一点云集合可以是对静止点云的横向坐标位置进行排序后的点云集合，可以表示为
Figure SMS_19
，其中，
Figure SMS_20
表示第一点云集合/>
Figure SMS_21
中的第n个静止点云，m表示第一点云集合点云的个数。上述的第一单点云可以是第一点云集合中的点云。上述的横向位置梯度集合可以是依次获取第一点云集合中相邻两个第一点云的横向坐标位置差值后得到的集合，可以表示为
Figure SMS_22
，其中，/>
Figure SMS_23
表示第n个静止点云的横向位置梯度，m-1表示横向位置梯度集合点云的个数。上述的第一预设条件可以是用户提前设置的用于获取道路边缘检测点云集合的条件。
在一种可选的实施例中，首先可以将静止点云的横向坐标位置按照从大到小的顺序对静止点云集合进行排序，得到第一点云集合。
在另一种可选的实施例中，可以通过以下公式得到横向位置梯度集合：
Figure SMS_24
其中，
Figure SMS_25
和/>
Figure SMS_26
分别表示第n个和第n+1个静止点云的横向坐标位置。
在另一种可选的实施例中，可以通过以下公式（即第一预设条件）得到道路边缘检测点云集合：
Figure SMS_27
,
Figure SMS_28
,
其中，
Figure SMS_29
和/>
Figure SMS_30
分别表示第n个和第n+j个静止点云的横向位置梯度门限, />
Figure SMS_31
表示道路边缘横向最大偏移距离门限。
在另一种可选的实施例中，可以通过以下公式得到
Figure SMS_32
：
Figure SMS_33
,
其中，
Figure SMS_34
表示距离系数，/>
Figure SMS_35
表示第n个静止点云的径向距离，/>
Figure SMS_36
表示固定距离门限。
在另一种可选的实施例中，响应于横向位置梯度集合中的至少一个横向位置梯度满足第一预设条件，将至少一个横向位置梯度对应的第一点云存储至道路边缘检测点云集合。
在另一种可选的实施例中，依次计算静止点云集合
Figure SMS_38
中各个点云在雷达车坐标系的横坐标和纵坐标位置，即/>
Figure SMS_39
，其中/>
Figure SMS_40
表示第n个静止点云的横坐标，/>
Figure SMS_41
表示第n个静止点云的纵坐标。将静止点云集合/>
Figure SMS_42
中的点云按照横坐标由小到大依次排列，得到排序后静止点云集合/>
Figure SMS_43
，其中，/>
Figure SMS_44
表示静止点云集合
Figure SMS_37
中的第n个静止点云。
在另一种可选的实施例中，依次计算静止点云集合
Figure SMS_45
中各个点云的横向位置梯度，可以得到横向位置梯度集合/>
Figure SMS_46
。
在另一种可选的实施例中，可以依次搜索静止点云的横向位置梯度集合
Figure SMS_47
，若第n个静止点云的横向位置梯度满足公式/>
Figure SMS_48
，则将第/>
Figure SMS_49
个静止点云作为道路边缘检测点云集合/>
Figure SMS_50
的起始点云，然后继续搜索横向位置梯度集合
Figure SMS_51
，将满足公式/>
Figure SMS_52
的静止点云归类为同一个道路边缘检测点云集合/>
Figure SMS_53
。
在另一种可选的实施例中，重复上一步骤，直到搜索完横向位置梯度集合
Figure SMS_54
，得到M个道路边缘检测点云集合/>
Figure SMS_55
，其中/>
Figure SMS_56
表示第/>
Figure SMS_57
个道路边缘检测点云集合。
可选地，基于道路边缘检测点云集合中道路边缘检测点云的纵向位置梯度，确定道路边缘检测点云集合中的目标点云集合，包括：按照道路边缘检测点云的纵向坐标位置从小到大的顺序，对道路边缘检测点云集合进行排序，得到第二点云集合；基于第二点云集合中相邻两个第二点云的纵向坐标位置，生成纵向位置梯度集合；响应于纵向位置梯度集合中的至少一个纵向位置梯度满足第二预设条件，将至少一个纵向位置梯度对应的第二点云存储至目标点云集合。
上述的纵向坐标位置可以是静止点云在车辆坐标系的纵轴的位置。上述第二点云集合可以是对道路边缘检测点云集合中的道路边缘检测点云按照纵向坐标位置由大到小的顺序排序后得到的点云集合，可以表示为
Figure SMS_60
，其中/>
Figure SMS_61
示第二点云集合中第x个点云，/>
Figure SMS_63
表示第二点云集合中静止点云的个数。上述的纵向位置梯度集合可以是依次获取第二点云集合中相邻两个第二点云的纵向坐标位置差值后得到的集合，可以表示为
Figure SMS_64
，其中，/>
Figure SMS_65
表示第/>
Figure SMS_66
个静止点云的纵向位置梯度，/>
Figure SMS_67
用于表示纵向位置梯度集合点云的个数。上述的目标点云集合可以是第二点云集合中纵向位置梯度满足第二预设条件的集合，可以表示为/>
Figure SMS_58
，其中，/>
Figure SMS_59
表示用于目标点云集合的静止点云，/>
Figure SMS_62
表示用于目标点云集合的静止点云个数。
在一种可选的实施例中，首先可以将道路边缘检测点云集合的纵向坐标位置按照从小到大的顺序进行排序，得到第二点云集合。
在另一种可选的实施例中，可以通过以下公式得到纵向位置梯度集合：
Figure SMS_68
,
其中，
Figure SMS_69
和/>
Figure SMS_70
分别表示第i个和第i+1个静止点云的纵坐标位置。
在另一种可选的实施例中，可以通过以下公式（即第二预设条件）得到目标点云集合：
Figure SMS_71
,
Figure SMS_72
,
其中，
Figure SMS_73
和/>
Figure SMS_74
分别表示第i个和第i+j个静止点云的纵向位置梯度门限，/>
Figure SMS_75
表示相邻两个静止点云的横坐标位置距离最大门限。
在另一种可选的实施例中，依次搜索M个道路边缘检测点云集合
Figure SMS_81
，统计同一个道路边缘检测点云集合/>
Figure SMS_85
中静止点云的个数/>
Figure SMS_86
，若静止点云的个数/>
Figure SMS_88
大于最小道路边缘检测点云个数阈值/>
Figure SMS_89
，则将点云集合/>
Figure SMS_90
中的静止点云按照纵坐标位置由小到大依次排列,得到排序后的静止点云集合/>
Figure SMS_91
，并根据计算静止点云集合/>
Figure SMS_76
中各个点云的纵向位置梯度，得到点云纵向位置梯度集合/>
Figure SMS_77
，再执行依次搜索静止点云的纵向位置梯度集合/>
Figure SMS_78
；若静止点云的个数/>
Figure SMS_80
小于阈值/>
Figure SMS_82
，则返回搜索M个道路边缘检测点云集合/>
Figure SMS_83
，统计同一个道路边缘检测点云集合/>
Figure SMS_84
中静止点云的个数/>
Figure SMS_87
，直到搜索完M个道路边缘检测点云集合/>
Figure SMS_79
。
在另一种可选的实施例中，依次搜索静止点云的纵向位置梯度集合
Figure SMS_92
，若第i个静止点云的纵向位置梯度满足公式/>
Figure SMS_95
,则将第i个静止点云作为道路边缘检测点云集合/>
Figure SMS_97
的起始点云，然后继续搜索纵向位置梯度集合
Figure SMS_99
，将满足公式/>
Figure SMS_100
的静止点云归类为同一个道路边缘检测点云集合/>
Figure SMS_101
。若静止点云集合/>
Figure SMS_102
中的静止点云个数大于最小道路边缘点云个数阈值/>
Figure SMS_93
，则将静止点云集合/>
Figure SMS_94
中标记为用于道路边缘检测的点云，重复依次搜索M个道路边缘检测点云集合/>
Figure SMS_96
，直到搜索完纵向位置梯度集合/>
Figure SMS_98
。
在又一种可选的实施例中，返回依次搜索M个道路边缘检测点云集合
Figure SMS_103
以及依次搜索静止点云的纵向位置梯度集合/>
Figure SMS_104
，直到搜索完M个道路边缘检测点云集合/>
Figure SMS_105
，将标记为道路边缘检测点云的静止点云归入静止点云集合/>
Figure SMS_106
，用于对当前道路边界进行检测,其中/>
Figure SMS_107
表示用于道路边缘检测的静止点云，/>
Figure SMS_108
表示用于道路边缘检测的静止点云个数。
图2是根据本发明实施例的一种可选的雷达点云预处理的方法流程图，如图2所示，该方法包括以下步骤：
步骤S201，对雷达静止点云分类；
步骤S202，对静止点云横向位置排序；
步骤S203，排序后的静止点云横向位置梯度计算；
步骤S204，遍历静止点云，将符合条件的点云划分为同一个道路边缘点云集合；
步骤S205，判断每一个道路边缘点云集合个数是否满足预设阈值，若是，进入步骤S206，若否，返回步骤S204；
步骤S206，遍历同一个道路边缘点云集合中的静止点云，将符合条件的点云标记为用于道路边缘判断的点云；
步骤S207，对排序后的同一个道路边缘点云集合中的静止点云纵向位置梯度计算；
步骤S208，同一个道路边缘点云集合中静止点云纵向位置排序，得到目标静止点云；
步骤S209，结束流程。
需要说明的是，雷达点云预处理的主要目的是提取用于道路边缘检测的静止点云集合，同时去除干扰静止点云。
步骤S106，对车载雷达的检测区域进行划分，得到多个扇形栅格。
上述的多个扇形栅格可以是用户提前对车载雷达的监测区域等距离划分后得到的扇形栅格。图3是根据本发明实施例的一种可选的多个扇形栅格的示意图，如图3所示，通过对雷达检测区域等距离划分后可以得到多个扇形栅格。
在一种可选的实施例中，为了提高对道路边缘检测的监测准确率，可以提前对车载雷达的检测区域进行等距离划分，得到多个扇形栅格。需要说明的是，对检测区域进行划分不仅限于等距离划分，用户可根据实际检测需求自行确定划分规则，在本实施例中，以等距离划分为例进行说明。
在又一种可选的实施例中，设置扇形栅格，建立道路边缘模型。将毫米波雷达检测范围分成N个等角度的扇形栅格，并设置扇形栅格的最大半径为
Figure SMS_109
，初始化扇形栅格边缘位置为/>
Figure SMS_110
，其中，/>
Figure SMS_111
表示第n个扇形栅格边缘位置的雷达角度。
步骤S108，基于目标点云集合中静止点云的位置信息，确定多个扇形栅格对应的目标道路边缘位置集合，其中，目标道路边缘位置集合用于表征不同扇形栅格内道路边缘的目标检测结果。
可选地，基于目标点云集合中静止点云的位置信息，确定多个扇形栅格对应的目标道路边缘位置集合，包括：获取多个扇形栅格对应的历史道路边缘位置集合，其中，历史道路边缘位置集合用于表征在历史时刻道路边缘的历史检测结果；基于历史道路边缘位置集合，确定预测道路边缘位置集合，其中，预测道路边缘位置集合用于表征在当前时刻道路边缘的预测检测结果；基于静止点云集合中静止点云的位置信息，确定多个扇形栅格中与静止点云相对应的第一扇形栅格；基于第一扇形栅格对应的第一静止点云集合的位置信息，对预测道路边缘位置集合中第一扇形栅格对应的目标预测检测结果进行更新，得到目标道路边缘位置集合。
上述的位置信息可以是能够表明静止点云距离道路边缘的信息。上述的历史道路边缘集合可以是
Figure SMS_112
，其中，/>
Figure SMS_113
和/>
Figure SMS_114
分别表示目标静止点云集合中静止点云的径向距离和角度。上述的历史检测结果可以是历史检测到道路边缘位置，还可以是历史未检测到道路边缘位置。上述的预测道路边缘结果可以是检测到道路边缘位置，还可以是未检测到道路边缘位置。上述的目标预测检测结果可以是预测检测到道路边缘位置。
在一种可选的实施例中，首先可以获取多个扇形栅格对应的历史道路边缘位置集合，其次可以基于历史道路边缘位置集合，得到预测道路边缘位置集合，然后可以基于静止点云集合中静止点云的位置信息确定多个扇形栅格中与第一静止点云集合相对应的第一扇形栅格，最后可以基于第一扇形栅格对应的第一静止点云集合的位置信息，对预测道路边缘位置集合中第一扇形栅格对应的目标预测检测结果进行更新，得到目标道路边缘位置集合。
在又一种可选的实施例中，本发明利用静止点云集合
Figure SMS_115
中静止点云的位置信息建立各个扇形栅格的实际边缘位置，得到道路边缘位置模型/>
Figure SMS_116
，其中
Figure SMS_117
和/>
Figure SMS_118
分别表示静止点云的径向距离和角度，然后对建立的道路边缘位置模型进行跟踪，具体流程如下：
Figure SMS_119
,
其中
Figure SMS_120
表示雷达检测区域角度值，n表示扇形栅格的序列号。
可选地，基于历史道路边缘位置集合，确定预测道路边缘位置集合，包括：对历史道路边缘位置集合进行坐标转换，得到第一转换位置集合；确定车辆在历史时刻至当前时刻之间的运动信息；基于运动信息和第一转换位置集合，确定第二转换位置集合；对第二转换位置集合进行坐标转换，得到预测道路边缘位置集合。
上述的历史道路边缘位置集合可以是
Figure SMS_123
，/>
Figure SMS_125
和/>
Figure SMS_127
分别表示历史道路边缘位置集合中静止点云的径向距离和角度，上述的第一转换位置集合可以是直角坐标系中的道路边缘位置集合，可以表示为/>
Figure SMS_129
，其中，/>
Figure SMS_130
和/>
Figure SMS_131
分别表示上一时刻第n个道路边缘位置的纵坐标和横坐标。上述的第二位置转换集合可以是直角坐标系中的预测道路边缘集合，可以表示为/>
Figure SMS_132
，其中，/>
Figure SMS_121
和/>
Figure SMS_122
分别表示当前时刻第n个道路边缘位置预测的纵坐标和横坐标。上述的预测道路边缘位置集合可以是极坐标系下的预测道路边缘集合，可以表示为/>
Figure SMS_124
，其中，/>
Figure SMS_126
和/>
Figure SMS_128
分别表示预测道路边缘位置集合中静止点云的径向距离和角度。
在一种可选的实施例中，可以通过以下公式对历史道路边缘位置集合进行转换，得到第一转换位置集合
Figure SMS_133
：
Figure SMS_134
，
Figure SMS_135
，
其中，
Figure SMS_136
和/>
Figure SMS_137
分别表示雷达的横向和纵向的安装位置，/>
Figure SMS_138
表示道路边缘位置相对于自车坐标系纵轴正方向的夹角。
在另一种可选的实施例中，可以通过以下公式得到第二位置转换集合
Figure SMS_139
：
Figure SMS_140
，
Figure SMS_141
，
其中，
Figure SMS_142
表示自车运动的偏移角，/>
Figure SMS_143
表示自车在相邻两帧的自车运动纵向距离，可以通过以下公式得到/>
Figure SMS_144
与/>
Figure SMS_145
：
Figure SMS_146
，
Figure SMS_147
，
其中，
Figure SMS_148
表示相邻两个雷达帧的间隔时间，/>
Figure SMS_149
表示偏移角的速度，/>
Figure SMS_150
表示自车运动的相对偏移角。
在又一种可选的实施例中可以通过以下公式得到预测道路边缘位置集合：
Figure SMS_151
，
Figure SMS_152
，，
Figure SMS_153
，
Figure SMS_154
，
在又一种可选的实施例中，将上一时刻建立的道路边缘位置集合
Figure SMS_156
映射到雷达车的直角坐标系下，得到直角坐标系下道路边缘位置集合/>
Figure SMS_157
，其中，/>
Figure SMS_159
和/>
Figure SMS_161
分别表示上一时刻第n个道路边缘位置的纵坐标和横坐标，然后利用自车运动信息，将上一时刻道路边缘位置集合/>
Figure SMS_162
预测到当前时刻，得到预测的道路边缘位置集合/>
Figure SMS_163
，其中，/>
Figure SMS_164
和/>
Figure SMS_155
分别表示当前时刻第n个道路边缘位置预测的纵坐标和横坐标，再将预测的道路边缘位置集合/>
Figure SMS_158
转化为极坐标系位置集合/>
Figure SMS_160
，最后根据预测后的道路边缘角度重新计算对应道路边缘位置所在的扇形栅格的序列号。
可选地，基于第一扇形栅格对应的第一静止点云集合的位置信息，对预测道路边缘位置集合中第一扇形栅格对应的目标预测检测结果进行更新，得到目标道路边缘位置集合，包括：响应于预测道路边缘位置集合中存在目标预测检测结果，基于第一静止点云集合的位置信息和目标预测检测结果，确定第一静止点云集合中的第二静止点云，其中，第二静止点云与目标预测检测结果的距离小于第一静止点云集合中其他静止点云与目标预测检测结果的距离；响应于获取到第二静止点云，基于第二静止点云的位置信息，对第一扇形栅格进行更新，得到目标道路边缘位置集合中第一扇形栅格对应的目标检测结果；响应于未获取到第二静止点云，确定第一扇形栅格对应的目标检测结果为目标预测检测结果。
上述的目标预测检测结果可以是预测检测到道路边缘位置。
在一种可选的实施例中，当预测道路边缘位置集合中存在目标预测检测结果，首先可以基于第一静止点云集合的位置信息和目标预测检测结果确定第一静止点云集合中的第二静止点云，其中，第二静止点云与目标预测检测结果的距离小于第一静止点云集合中其他静止点云与目标预测检测结果的距离；响应于获取到第二静止点云，其次可以基于第二静止点云的位置信息，对第一扇形栅格进行更新，得到目标道路边缘位置集合中第一扇形栅格对应的目标检测结果。
在另一种可选的实施例中，响应于获取到第二静止点云，可以通过以下公式基于第二静止点云的位置信息对第一扇形栅格进行更新，得到目标道路边缘位置集合中第一扇形栅格对应的目标检测结果：
Figure SMS_165
，
Figure SMS_166
，
Figure SMS_167
，
Figure SMS_168
，
Figure SMS_169
，
Figure SMS_170
。
其中，
Figure SMS_171
表示距离系数，/>
Figure SMS_172
表示固定距离门限。
在另一种可选的实施例中，响应于未获取到第二静止点云，可以确定第一扇形栅格对应的目标检测结果为目标预测检测结果。
在另一种可选的实施例中，将当前时刻静止点云集合
Figure SMS_173
中的静止点云根据角度信息匹配到对应的扇形栅格中，依次搜索道路边缘位置集合/>
Figure SMS_174
中被占用的扇形栅格，然后寻找扇形栅格中离边缘位置最近的静止点云作为对应道路边缘关联的点云，并记录各个被占用扇形栅格关联点云的信息。
在又一种可选的实施例中，依次搜索道路边缘位置集合
Figure SMS_175
中被占用的扇形栅格，判断各个扇形栅格关联点云的情况。若扇形栅格未关联静止点云，则利用预测的边缘位置作为被占用扇形栅格估计的位置；若扇形栅格关联到静止点云，则利用关联的静止点云对关联的扇形栅格边缘位置进行滤波更新，最后根据滤波后的道路边缘角度重新计算对应道路边缘位置所在的扇形栅格的序列号，得到滤波后的道路边缘位置集合
Figure SMS_176
。
可选地，响应于未获取到第二静止点云，方法还包括：响应于连续多个时刻未获取到第二静止点云，确定第一扇形栅格对应的目标检测结果为预设检测结果。
上述的预测检测结果可以是对第一扇形栅格对应的目标检测结果进行初始化后的检测结果。
在一种可选的实施例中，响应于连续多个时刻未获取到第二静止点云，可以确定第一扇形栅格对应的目标检测结果为预设检测结果。
在另一种可选的实施例中，依次遍历道路边缘位置集合
Figure SMS_177
中被占用的扇形栅格，判断扇形栅格关联点云的情况。若被占用的扇形栅格连续4帧未关联点云，则将对应的扇形栅格边缘位置设置成初始化状态/>
Figure SMS_178
。
可选地，响应于预测道路边缘位置集合中不存在目标预测检测结果，方法还包括：基于第一静止点云集合的位置信息和车载雷达的预设位置，确定第一静止点云集合中的第三静止点云，其中，第三静止点云与预设位置的距离小于第一静止点云集合中其他静止点云与预设位置的距离；基于第三静止点云的位置信息，确定目标道路边缘位置集合中第一扇形栅格对应的目标检测结果。
上述的预设距离可以是用户提前设置的目标点云集合中距离车载雷达的径向距离最短的距离，具体数值在本实施中不做具体限定，用户可根据实际检测需求自行设定。
在一种可选的实施例中，响应于预测道路边缘位置集合中不存在目标预测检测结果，首先可以基于第一静止点云集合的位置信息和车载雷达的预设位置，确定第一静止点云集合中的第三静止点云，其中，第三静止点云与预设位置的距离小于第一静止点云集合中其他静止点云与预设位置的距离，最后可以基于第三静止点云的位置信息确定目标道路边缘位置集合中第一扇形栅格对应的目标检测结果。
在另一种可选的实施例中，依次遍历道路边缘位置集合
Figure SMS_179
中未被占用的扇形栅格，寻找各个未被占用扇形栅格中属于点云集合/>
Figure SMS_180
并且离雷达径向距离最短的静止点云，并利用该静止点云初始化未被占用子扇形栅格的边缘位置。
可选地，该方法还包括：基于目标道路边缘位置集合，确定多个扇形栅格中的第二扇形栅格，其中，目标道路边缘位置集合中存在第二扇形栅格对应的目标检测结果；确定相邻两个第二扇形栅格的间距；响应于间距小于预设阈值，对目标道路边缘位置集合中第三扇形栅格对应的目标检测结果进行平滑滤波，其中，第三扇形栅格为多个扇形栅格中位于相邻两个第二扇形栅格之间的扇形栅格。
上述的预设阈值可以是用户提前设置的能够确定第三扇形栅格的距离值，具体数值在本实施例中不做限定，用户可根据实际检测需求自行设定，在本实施例中，以相邻两个第二扇形栅格之间的最小间距为例进行说明，但不仅限于此。上述的第三扇形栅格可以是用户提前设置的多个扇形栅格中位于相邻两个第二扇形栅格之间的栅格。
在一种可选的实施例中，基于目标道路边缘位置集合，确定多个扇形栅格中的第二扇形栅格，其中，目标道路边缘位置集合中存在第二扇形栅格对应的目标检测结果，其次可以确定相邻两个第二扇形栅格的间距，响应于间距小于预设阈值，可以对目标道路边缘位置集合中第三扇形栅格对应的目标检测结果进行平滑滤波。
在另一种可选的实施例中，判断相邻被占用扇形栅格边缘位置
Figure SMS_181
和
Figure SMS_182
的间距是否小于最小间隔阈值，若间距小于最小间隔阈值，则将这两个相邻被占用扇形栅格之间的未被占用扇形栅格进行平滑滤波，得到滤波后的扇形栅格边缘位置
Figure SMS_183
，并将该栅格标记为被占用栅格，具体形式如下：/>
Figure SMS_184
，
Figure SMS_185
，
其中i和j分别表示相邻被占用扇形栅格的序列号，n表示第i个和第j个被占用扇形栅格之间未占用的扇形栅格序列号，
Figure SMS_186
和/>
Figure SMS_187
分别表示第n个扇形栅格滤波后的径向距离和角度。经过滤波，最终得到当前帧道路边缘位置集合/>
Figure SMS_188
。
图4是根据本发明实施例的一种可选的道路边缘扇形栅格跟踪流程图，如图4所示，该方法包括以下步骤：
步骤S401，上一扇形栅格预测到当前帧；
步骤S402，利用预测的扇形栅格边缘位置关联当前帧雷达云；
步骤S403，利用扇形栅格关联的点云更新扇形栅格边缘位置；
步骤S404，根据各个扇形栅格未关联点迹的次数，删除无效扇形栅格；
步骤S405，预处理静止点云输入；
步骤S406，在未占用的扇形栅格区域寻找径向距离最短点云初始化扇形栅格；
步骤S407，依据相邻被占用栅格位置，对未占用栅格进行平滑滤波；
步骤S408，结束流程。
图5a是根据本发明实施例的一种可选的扇形栅格滤波前的示意图，如图5a所示，黑色框表示车载雷达，突出的多边形和虚线组成的区域表示多个扇形栅格，带箭头的虚线表示静止点云至车载雷达的径向距离，黑色粗实线表示实际的道路边缘，由图5a可知，未滤波前相邻被占用扇形栅格1和4中还存在未被占用扇形栅格2和3，表示相邻两个扇形栅格的道路边缘中间不存在道路边缘，导致对道路边缘的预测不准确。图5b是根据本发明实施例的一种可选的扇形栅格后向滤波的示意图，如图5b所示，黑色框表示车载雷达，突出的多边形和虚线组成的表示多个扇形栅格，黑色粗实线表示实际的滤波后的道路边缘，由图5b可知，可对相邻两个扇形栅格1和4的道路边缘中间未检测的道路边缘进行平滑滤波，得到连续的道路边缘位置，如图5中的黑色粗实线，进而可以提高对道路边缘的检测准确性。
为了解决现有技术存在运行时间长，实时性差的问题，本发明首先利用位置梯度的方法筛选出用于道路边缘检测的静止点云集合；然后采用扇形栅格的方法利用筛选出的静止点云获得道路边缘位置信息，该方法简单直观，易于实现，运行时间短，能够保证算法的实时性。
同时，为了解决现有技术存在稳定性和鲁棒性较差的问题，本发明对已建立的扇形栅格道路边缘模型进行跟踪处理，提高了道路边缘检测的稳定性和鲁棒性。
为了解决上述现有技术存在缺陷和不足，本发明旨在提供一种基于毫米波雷达的道路边缘检测方法，能够在道路边缘点云稀疏且不使用聚类方法的情况下有效检测道路边缘。图6是根据本发明实施例的一种可选的基于毫米波雷达的道路边缘检测方法的流程图，如图6所示，该方法包括以下步骤：
步骤S601，雷达点云预处理；
步骤S602，扇形栅格跟踪和管理；
步骤S603，扇形栅格后处理；
步骤S604，结束流程。
本发明采用位置梯度的方法筛选出用于道路边缘检测的静止点云集合，同时排除了干扰的静止点云，位置梯度的方法相比于传统的聚类方法，减少了运行时间，提高了道路边缘点云获取的准确性。
本发明采用了扇形栅格方法表征道路边缘信息，该方法简单直观，易于实现，运行时间短，能够保证算法的实时性。
本发明对已建立的扇形栅格道路边缘模型进行跟踪处理，提高了道路边缘检测的稳定性和鲁棒性。
实施例2
根据本发明实施例，还提供了一种道路边缘的检测装置，该装置可以执行上述实施例中的道路边缘的检测方法，具体实现方式和优选应用场景与上述实施例相同，在此不做赘述。
图7是根据本发明实施例的一种道路边缘的检测装置的示意图，如图7所示，该装置包括：获取模块72，用于获取车载雷达采集到的车载点云集合，其中，车载点云集合用于表征车载雷达所处道路的点云集合；第一确定模块74，用于基于车载点云集合中车载点云的位置梯度，确定车载点云集合中的目标点云集合，其中，目标点云集合用于表征道路的道路边缘的点云集合；划分模块76，用于对车载雷达的检测区域进行划分，得到多个扇形栅格；第二确定模块78，用于基于目标点云集合中静止点云的位置信息，确定多个扇形栅格对应的目标道路边缘位置集合，其中，目标道路边缘位置集合用于表征不同扇形栅格内道路边缘的目标检测结果。
可选地，第一确定模块包括：第一确定单元，用于基于车辆的车速信息和车载点云集合中车载点云的速度信息，确定车载点云集合中的静止点云集合，其中，静止点云集合用于表征相对于车辆为静止状态的点云集合；第二确定单元，用于基于静止点云集合中静止点云的横向位置梯度，确定静止点云集合中的道路边缘检测点云集合，其中，横向位置梯度用于表征相邻两个静止点云的横向坐标位置的差距；第三确定单元，用于基于道路边缘检测点云集合中道路边缘检测点云的纵向位置梯度，确定道路边缘检测点云集合中的目标点云集合，其中，纵向位置梯度用于表征相邻两个道路边缘检测点云的纵向坐标位置的差距。
可选地，第一确定单元包括：获取子单元，用于获取车载点云对应的角度信息；第一确定子单元，用于基于角度信息、车速信息和速度信息，确定车载点云相对于车辆的相对速度；第一存储子单元，用于响应于相对速度小于预设速度，将车载点云存储至静止点云集合。
可选地，第二确定单元包括：第一排序子单元，用于按照静止点云的横向坐标位置从小到大的顺序，对静止点云集合进行排序，得到第一点云集合；第一生成子单元，用于基于第一点云集合中相邻两个第一点云的横向坐标位置，生成横向位置梯度集合；第二存储子单元，用于响应于横向位置梯度集合中的至少一个横向位置梯度满足第一预设条件，将至少一个横向位置梯度对应的第一点云存储至道路边缘检测点云集合。
可选地，第三确定单元包括：第二排序子单元，用于按照道路边缘检测点云的纵向坐标位置从小到大的顺序，对道路边缘检测点云集合进行排序，得到第二点云集合；第二生成子单元，用于基于第二点云集合中相邻两个第二点云的纵向坐标位置，生成纵向位置梯度集合；第三存储子单元，用于响应于纵向位置梯度集合中的至少一个纵向位置梯度满足第二预设条件，将至少一个纵向位置梯度对应的第二点云存储至目标点云集合。
可选地，第二确定模块包括：获取单元，用于获取多个扇形栅格对应的历史道路边缘位置集合，其中，历史道路边缘位置集合用于表征在历史时刻道路边缘的历史检测结果；第四确定单元，用于基于历史道路边缘位置集合，确定预测道路边缘位置集合，其中，预测道路边缘位置集合用于表征在当前时刻道路边缘的预测检测结果；第五确定单元，用于基于静止点云集合中静止点云的位置信息，确定多个扇形栅格中与静止点云相对应的第一扇形栅格；更新单元，用于基于第一扇形栅格对应的第一静止点云集合的位置信息，对预测道路边缘位置集合中第一扇形栅格对应的目标预测检测结果进行更新，得到目标道路边缘位置集合。
可选地，第四确定单元包括：第一转换子单元，用于对历史道路边缘位置集合进行坐标转换，得到第一转换位置集合；第一确定子单元，用于确定车辆在历史时刻至当前时刻之间的运动信息；第二确定子单元，用于基于运动信息和第一转换位置集合，确定第二转换位置集合；第二转换子单元，用于对第二转换位置集合进行坐标转换，得到预测道路边缘位置集合。
可选地，更新单元包括：第三确定子单元，用于响应于预测道路边缘位置集合中存在目标预测检测结果，基于第一静止点云集合的位置信息和目标预测检测结果，确定第一静止点云集合中的第二静止点云，其中，第二静止点云与目标预测检测结果的距离小于第一静止点云集合中其他静止点云与目标预测检测结果的距离；更新子单元，用于响应于获取到第二静止点云，基于第二静止点云的位置信息，对第一扇形栅格进行更新，得到目标道路边缘位置集合中第一扇形栅格对应的目标检测结果；第四确定子单元，用于响应于未获取到第二静止点云，确定第一扇形栅格对应的目标检测结果为目标预测检测结果。
可选地，更新子单元还用于：响应于连续多个时刻未获取到第二静止点云，确定第一扇形栅格对应的目标检测结果为预设检测结果。
可选地，第三确定子单元还用于：基于第一静止点云集合的位置信息和车载雷达的预设位置，确定第一静止点云集合中的第三静止点云，其中，第三静止点云与预设位置的距离小于第一静止点云集合中其他静止点云与预设位置的距离；基于第三静止点云的位置信息，确定目标道路边缘位置集合中第一扇形栅格对应的目标检测结果。
可选地，更新单元还包括：第五确定子单元，用于基于目标道路边缘位置集合，确定多个扇形栅格中的第二扇形栅格，其中，目标道路边缘位置集合中存在第二扇形栅格对应的目标检测结果；第六确定子单元，用于确定相邻两个第二扇形栅格的间距；滤波子单元，用于响应于间距小于预设阈值，对目标道路边缘位置集合中第三扇形栅格对应的目标检测结果进行平滑滤波，其中，第三扇形栅格为多个扇形栅格中位于相邻两个第二扇形栅格之间的扇形栅格。
实施例3
根据本发明实施例的另一方面，还提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序；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执行上述任意一项的道路边缘的检测方法。
实施例4
根据本发明实施例的另一方面，还提供了一种非易失性存储介质，非易失性存储介质包括存储的程序，其中，在程序运行时控制所在设备的处理器中执行上述任意一项的道路边缘的检测方法。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (12)

1.一种道路边缘的检测方法，其特征在于，包括：
获取车载雷达采集到的车载点云集合，其中，所述车载点云集合用于表征所述车载雷达所处道路的点云集合；
基于所述车载点云集合中车载点云的位置梯度，确定所述车载点云集合中的目标点云集合，其中，所述目标点云集合用于表征所述道路的道路边缘的点云集合；
对所述车载雷达的检测区域进行划分，得到多个扇形栅格；
获取所述多个扇形栅格对应的历史道路边缘位置集合，其中，所述历史道路边缘位置集合用于表征在历史时刻所述道路边缘的历史检测结果；
对历史道路边缘位置集合进行坐标转换，得到第一转换位置集合；
确定车辆在所述历史时刻至当前时刻之间的运动信息；
基于所述运动信息和所述第一转换位置集合，确定第二转换位置集合；
对所述第二转换位置集合进行坐标转换，得到预测道路边缘位置集合，其中，所述预测道路边缘位置集合用于表征在所述当前时刻，所述道路边缘的预测检测结果；
基于所述目标点云集合中静止点云的位置信息，以及所述预测道路边缘位置集合，确定所述多个扇形栅格对应的目标道路边缘位置集合，其中，所述目标道路边缘位置集合用于表征不同扇形栅格内所述道路边缘的目标检测结果。
2.根据权利要求1所述的方法，其特征在于，基于所述车载点云集合中车载点云的位置梯度，确定所述车载点云集合中的目标点云集合，包括：
基于车辆的车速信息和所述车载点云集合中车载点云的速度信息，确定所述车载点云集合中的静止点云集合，其中，所述静止点云集合用于表征相对于所述车辆为静止状态的点云集合；
基于所述静止点云集合中静止点云的横向位置梯度，确定所述静止点云集合中的道路边缘检测点云集合，其中，所述横向位置梯度用于表征相邻两个静止点云的横向坐标位置的差距；
基于所述道路边缘检测点云集合中道路边缘检测点云的纵向位置梯度，确定所述道路边缘检测点云集合中的目标点云集合，其中，所述纵向位置梯度用于表征相邻两个道路边缘检测点云的纵向坐标位置的差距。
3.根据权利要求2所述的方法，其特征在于，基于车辆的车速信息和所述车载点云集合中车载点云的速度信息，确定所述车载点云集合中的静止点云集合，包括：
获取所述车载点云对应的角度信息；
基于所述角度信息、所述车速信息和所述速度信息，确定所述车载点云相对于所述车辆的相对速度；
响应于所述相对速度小于预设速度，将所述车载点云存储至所述静止点云集合。
4.根据权利要求2所述的方法，其特征在于，基于所述静止点云集合中静止点云的横向位置梯度，确定所述静止点云集合中的道路边缘检测点云集合，包括：
按照所述静止点云的横向坐标位置从小到大的顺序，对所述静止点云集合进行排序，得到第一点云集合；
基于所述第一点云集合中相邻两个第一点云的横向坐标位置，生成横向位置梯度集合；
响应于所述横向位置梯度集合中的至少一个横向位置梯度满足第一预设条件，将所述至少一个横向位置梯度对应的第一点云存储至所述道路边缘检测点云集合。
5.根据权利要求2所述的方法，其特征在于，基于所述道路边缘检测点云集合中道路边缘检测点云的纵向位置梯度，确定所述道路边缘检测点云集合中的目标点云集合，包括：
按照所述道路边缘检测点云的纵向坐标位置从小到大的顺序，对所述道路边缘检测点云集合进行排序，得到第二点云集合；
基于所述第二点云集合中相邻两个第二点云的纵向坐标位置，生成纵向位置梯度集合；
响应于所述纵向位置梯度集合中的至少一个纵向位置梯度满足第二预设条件，将所述至少一个纵向位置梯度对应的第二点云存储至所述目标点云集合。
6.根据权利要求1所述的方法，其特征在于，基于所述目标点云集合中静止点云的位置信息，以及所述预测道路边缘位置集合，确定所述多个扇形栅格对应的目标道路边缘位置集合，包括：
基于所述静止点云集合中静止点云的位置信息，确定所述多个扇形栅格中与所述静止点云相对应的第一扇形栅格；
基于所述第一扇形栅格对应的第一静止点云集合的位置信息，对所述预测道路边缘位置集合中所述第一扇形栅格对应的目标预测检测结果进行更新，得到所述目标道路边缘位置集合。
7.根据权利要求6所述的方法，其特征在于，基于所述第一扇形栅格对应的第一静止点云集合的位置信息，对所述预测道路边缘位置集合中所述第一扇形栅格对应的目标预测检测结果进行更新，得到所述目标道路边缘位置集合，包括：
响应于所述预测道路边缘位置集合中存在所述目标预测检测结果，基于所述第一静止点云集合的位置信息和所述目标预测检测结果，确定所述第一静止点云集合中的第二静止点云，其中，所述第二静止点云与所述目标预测检测结果的距离小于所述第一静止点云集合中其他静止点云与所述目标预测检测结果的距离；
响应于获取到所述第二静止点云，基于所述第二静止点云的位置信息，对所述第一扇形栅格进行更新，得到所述目标道路边缘位置集合中所述第一扇形栅格对应的目标检测结果；
响应于未获取到所述第二静止点云，确定所述第一扇形栅格对应的目标检测结果为所述目标预测检测结果。
8.根据权利要求7所述的方法，其特征在于，响应于未获取到所述第二静止点云，所述方法还包括：
响应于连续多个时刻未获取到所述第二静止点云，确定所述第一扇形栅格对应的目标检测结果为预设检测结果。
9.根据权利要求7所述的方法，其特征在于，响应于所述预测道路边缘位置集合中不存在所述目标预测检测结果，所述方法还包括：
基于所述第一静止点云集合的位置信息和车载雷达的预设位置，确定所述第一静止点云集合中的第三静止点云，其中，所述第三静止点云与所述预设位置的距离小于所述第一静止点云集合中其他静止点云与所述预设位置的距离；
基于所述第三静止点云的位置信息，确定所述目标道路边缘位置集合中所述第一扇形栅格对应的目标检测结果。
10.根据权利要求7所述的方法，其特征在于，所述方法还包括：
基于所述目标道路边缘位置集合，确定所述多个扇形栅格中的第二扇形栅格，其中，所述目标道路边缘位置集合中存在所述第二扇形栅格对应的目标检测结果；
确定相邻两个所述第二扇形栅格的间距；
响应于所述间距小于预设阈值，对所述目标道路边缘位置集合中第三扇形栅格对应的目标检测结果进行平滑滤波，其中，所述第三扇形栅格为所述多个扇形栅格中位于相邻两个所述第二扇形栅格之间的扇形栅格。
11.一种道路边缘的检测装置，其特征在于，包括：
获取模块，用于获取车载雷达采集到的车载点云集合，其中，所述车载点云集合用于表征所述车载雷达所处道路的点云集合；
第一确定模块，用于基于所述车载点云集合中车载点云的位置梯度，确定所述车载点云集合中的目标点云集合，其中，所述目标点云集合用于表征所述道路的道路边缘的点云集合；
划分模块，用于对所述车载雷达的检测区域进行划分，得到多个扇形栅格；
第二确定模块，用于基于所述目标点云集合中静止点云的位置信息，以及预测道路边缘位置集合，确定所述多个扇形栅格对应的目标道路边缘位置集合，其中，所述目标道路边缘位置集合用于表征不同扇形栅格内所述道路边缘的目标检测结果；
其中，所述装置还用于：
获取所述多个扇形栅格对应的历史道路边缘位置集合，其中，所述历史道路边缘位置集合用于表征在历史时刻所述道路边缘的历史检测结果；
对历史道路边缘位置集合进行坐标转换，得到第一转换位置集合；
确定车辆在所述历史时刻至当前时刻之间的运动信息；
基于所述运动信息和所述第一转换位置集合，确定第二转换位置集合；
对所述第二转换位置集合进行坐标转换，得到所述预测道路边缘位置集合，其中，所述预测道路边缘位置集合用于表征在当前时刻所述道路边缘的预测检测结果。
12.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
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执行权利要求1-10中任意一项所述的道路边缘的检测方法。
CN202310167567.7A 2023-02-27 2023-02-27 道路边缘的检测方法及装置 Active CN115840227B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310167567.7A CN115840227B (zh) 2023-02-27 2023-02-27 道路边缘的检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310167567.7A CN115840227B (zh) 2023-02-27 2023-02-27 道路边缘的检测方法及装置

Publications (2)

Publication Number Publication Date
CN115840227A CN115840227A (zh) 2023-03-24
CN115840227B true CN115840227B (zh) 2023-07-04

Family

ID=85580199

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310167567.7A Active CN115840227B (zh) 2023-02-27 2023-02-27 道路边缘的检测方法及装置

Country Status (1)

Country Link
CN (1) CN115840227B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106842231A (zh) * 2016-11-08 2017-06-13 长安大学 一种道路边界检测及跟踪方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105512665B (zh) * 2015-12-11 2018-10-30 中国测绘科学研究院 一种机载激光雷达点云数据边缘提取方法
CN116129376A (zh) * 2018-05-02 2023-05-16 北京图森未来科技有限公司 一种道路边缘检测方法和装置
US11834065B2 (en) * 2020-12-21 2023-12-05 Argo AI System, method, and computer program product for detecting road marking points from LiDAR data
CN113989766A (zh) * 2021-09-16 2022-01-28 森思泰克河北科技有限公司 道路边缘检测方法、应用于车辆的道路边缘检测设备
CN114359866A (zh) * 2021-12-31 2022-04-15 中国第一汽车股份有限公司 基于激光雷达的道路边界检测方法和装置
CN114779235A (zh) * 2022-01-21 2022-07-22 江苏涵润汽车电子有限公司 基于车载毫米波雷达的道路边界检测方法和***
CN114821526A (zh) * 2022-04-14 2022-07-29 重庆长安汽车股份有限公司 基于4d毫米波雷达点云的障碍物三维边框检测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106842231A (zh) * 2016-11-08 2017-06-13 长安大学 一种道路边界检测及跟踪方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于点云密度的结构化道路边界增强检测方法;苏致远;徐友春;彭永胜;王任栋;;汽车工程(07);全文 *

Also Published As

Publication number Publication date
CN115840227A (zh) 2023-03-24

Similar Documents

Publication Publication Date Title
CN107341819B (zh) 目标跟踪方法及存储介质
CN109087510B (zh) 交通监测方法及装置
US11313950B2 (en) Machine learning based highway radar vehicle classification across multiple lanes and speeds
CN110415277B (zh) 基于光流和卡尔曼滤波的多目标追踪方法、***、装置
CN110187334B (zh) 一种目标监控方法、装置及计算机可读存储介质
KR20200122987A (ko) 궤적 분류 모델의 트레이닝 방법 및 장치, 및 전가 기기
CN111445694A (zh) 一种基于交通流量预测的节假日交通调度方法及装置
CN113256990B (zh) 基于聚类算法的雷达采集道路车辆信息的方法及***
CN110659545A (zh) 车辆识别模型的训练方法、车辆识别方法、装置和车辆
CN111812636B (zh) 一种基于权重融合选择的粒子滤波检测前跟踪方法
CN114137526A (zh) 基于标签的车载毫米波雷达多目标检测方法和***
CN112085778A (zh) 基于超像素和形态学的倾斜摄影违法建筑检测方法及***
CN114662600A (zh) 一种车道线的检测方法、装置和存储介质
CN111832343A (zh) 目跟踪方法和装置、存储介质
CN113960587A (zh) 基于类别信息反馈的毫米波雷达多目标跟踪方法
CN115840227B (zh) 道路边缘的检测方法及装置
US20230350019A1 (en) Advanced adaptive clustering technique for portable radars
KR20210076412A (ko) 차량 센서 성능 평가 장치 및 그의 성능 평가 방법
CN115792890A (zh) 基于凝聚量测自适应互联的雷达多目标跟踪方法及***
CN112183204A (zh) 一种停车事件的检测方法和装置
CN115994934B (zh) 数据时间对齐方法、装置以及域控制器
CN113963027B (zh) 不确定性检测模型的训练、不确定性的检测方法及装置
CN114814778B (zh) 一种基于毫米波雷达的载体速度解算方法
CN115171378B (zh) 一种基于路侧雷达长距离多车辆高精度检测追踪方法
CN117456407B (zh) 一种多目标图像跟踪方法及装置

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