CN116071729A - 可行驶区域和路沿的检测方法、装置及相关设备 - Google Patents
可行驶区域和路沿的检测方法、装置及相关设备 Download PDFInfo
- Publication number
- CN116071729A CN116071729A CN202310034523.7A CN202310034523A CN116071729A CN 116071729 A CN116071729 A CN 116071729A CN 202310034523 A CN202310034523 A CN 202310034523A CN 116071729 A CN116071729 A CN 116071729A
- Authority
- CN
- China
- Prior art keywords
- road edge
- points
- point
- cloud data
- point cloud
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000001914 filtration Methods 0.000 claims abstract description 25
- 230000004927 fusion Effects 0.000 claims abstract description 23
- 230000009466 transformation Effects 0.000 claims abstract description 19
- 238000012952 Resampling Methods 0.000 claims abstract description 16
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 2
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 238000004590 computer program Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000000295 complement effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 241001464837 Viridiplantae Species 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 241000276420 Lophius piscatorius Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- 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
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种可行驶区域和路沿的检测方法、装置及相关设备。该方法包括获取三维点云数据;对三维点云数据进行扇状栅格化,得到第一目标点云数据,并基于光束法,提取第一目标点云数据中的可行驶区域的边界点和路沿点;对边界点过滤噪声干扰点及对路沿点进行霍夫变换和滑窗聚类,拟合形成路沿曲线;对过滤后的边界点和路沿曲线进行分段拟合和融合,获得多项式曲线;对连续段的多项式曲线进行重采样形成均匀包络点迹,基于包络点迹确定目标可行驶区域。
Description
技术领域
本发明涉及自动驾驶感知技术领域,尤其涉及一种可行驶区域和路沿的检测方法、装置、电子设备和计算机存储介质。
背景技术
自动驾驶技术是一个复杂的工程体系,需要各个模块相互配合才能全方位保证驾驶的安全性。其中,可行驶区域(Free Space)检测技术是自动驾驶***的关键技术之一,可以为路径规划和行为决策等后端模块提供依据。目前相机图像和激光雷达点云是用来检测可行驶区域主要的数据输入源。基于图像来提取可行驶区域方法中,使用的颜色或纹理特征易受光照和天气的干扰,三维信息的缺失也限制了此类算法在不同场景的适应性。而激光雷达能够实时精准地提供丰富的道路环境数据,具有数据维度高、深度信息准确、响应频率快和检测精度高的优点。
目前相关技术中,基于激光点云检测可行驶区域和路沿的方法通常是先提取路沿或栅栏等特征点,通过拟合路沿曲线,再利用路沿约束和道路上的车辆等障碍物宽度来确定可行驶区域。但是该方法在交叉路口以及路边停有车辆的路段可行驶区域检测准确率低。因此如何更好地实现可行驶区域和路沿的检测成为亟待解决的问题。
发明内容
本发明的目的旨在至少在一定程度上解决上述的技术问题之一。
为此,本发明的第一个目的在于提出一种可行驶区域和路沿的检测方法,该方法可行驶区域与路沿相辅相成,可有效提取路沿点,利用有效路沿点可拟合出路沿曲线,且通过对过滤后的边界点和路沿曲线进行分段拟合和融合,可有效过滤掉偏离较大干扰点,同时避免了毛刺较多不平滑的问题。
为达到上述目的,本发明第一方面实施例提出的可行驶区域和路沿的检测方法,所述方法包括:获取三维点云数据;对所述三维点云数据进行扇状栅格化,得到第一目标点云数据,并基于光束法,提取所述第一目标点云数据中的可行驶区域的边界点和路沿点;对所述边界点过滤噪声干扰点及对所述路沿点进行霍夫变换和滑窗聚类,拟合形成路沿曲线;对过滤后的所述边界点和所述路沿曲线进行分段拟合和融合,获得多项式曲线;对连续段的所述多项式曲线进行重采样形成均匀包络点迹,基于所述包络点迹确定目标可行驶区域。
根据本发明实施例的可行驶区域和路沿的检测方法,获取三维点云数据,之后对三维点云数据进行扇状栅格化,得到第一目标点云数据,并基于光束法,提取第一目标点云数据中的可行驶区域的边界点和路沿点,然后对边界点过滤噪声干扰点及对路沿点进行霍夫变换和滑窗聚类,拟合形成路沿曲线,对过滤后的边界点和路沿曲线进行分段拟合和融合,获得多项式曲线,之后对连续段的多项式曲线进行重采样形成均匀包络点迹,基于包络点迹确定目标可行驶区域。该方法可行驶区域与路沿相辅相成,通过有效提取路沿点,利用有效路沿点可拟合出路沿曲线,且通过对过滤后的边界点和路沿曲线进行分段拟合和融合,可有效过滤掉偏离较大干扰点,同时避免了毛刺较多不平滑的问题。
根据本发明的一个实施例,所述对所述三维点云数据进行扇状栅格化,得到第一目标点云数据,并基于光束法,提取所述第一目标点云数据中的可行驶区域的边界点和路沿点,包括:以激光雷达的位置为坐标原点,将所述三维点云数据划分为不同的扇形区域,并对各扇形区域内的点按照距离原点的距离划分为不同栅格;对各扇形区域进行栅格遍历,基于栅格中包含的点的类型标签确定各扇形区域的所述边界点和所述路沿点。
根据本发明的一个实施例,所述对各扇形区域进行栅格遍历,基于栅格中包含的点的类型标签确定各扇形区域的所述边界点和所述路沿点,包括:基于预设角度开始,依次对各扇形区域进行栅格遍历;确定每个所述栅格满足截止条件时,遍历停止,以确定各扇形区域的所述边界点和所述路沿点。
根据本发明的一个实施例,所述截止条件包括:第一截止条件、第二截止条件和第三截止条件,其中,所述第一截止条件包括遇到第一障碍物;所述第二截止条件包括遇到第二障碍物;所述第三截止条件包括遇到第三障碍物或第四障碍物,且所述栅格内所述三维点云数据的数量大于第一个数阈值;其中,所述第一截止条件、所述第二截止条件和第三截止条件均包括所述栅格内所述三维点云数据的平均高度大于第一高度阈值,且所述栅格内所述三维点云数据的最大高度差大于第二高度阈值。
根据本发明的一个实施例,所述对所述路沿点进行霍夫变换,包括:对所述路沿点进行栅格化;遍历所述三维点云数据中的每个点,基于格子索引名称,将所述每个点加入至对应的格子,其中,每个点对应的所述格子索引名称根据所述点的坐标确定;确定所述格子设有所述三维点云数据时,获取单通道的BEV二值图,并对所述BEV二值图进行所述霍夫变换,以检测出多线段。
根据本发明的一个实施例,对所述路沿点进行滑窗聚类,拟合形成路沿曲线,包括:基于所述多线段,筛选和过滤重复线段,得到目标线段;根据所述目标线段,确定滑窗,并遍历所述滑窗的所有格子;确定多个滑窗,遍历多个所述滑窗的所有格子,并得到多个点集,其中,每个所述点集对应唯一路沿;确定多个点集中的相连点集,将所述相连点集存储至点集池中,基于所述相连点集获取两条路沿点集;对所述两条路沿点集进行最小二乘法拟合,形成左右两条路沿对应的路沿曲线。
根据本发明的一个实施例,所述对过滤后的所述边界点和所述路沿曲线进行分段拟合和融合,获得多项式曲线,包括:根据各边界点相对参考方向的角度顺序提取所述边界点,并根据所述各边界点间的距离与走向将所述各边界点划分为多个点簇,其中每个所述点簇拟合成对应曲线段;根据每个所述点簇中所述边界点的数量,利用最小二乘法将所述点簇拟合为边界路段;基于路沿曲线和所述边界路段进行分段拟合和融合,获得多项式曲线。
根据本发明的一个实施例,所述对连续段的所述多项式曲线进行重采样形成均匀包络点迹,基于所述包络点迹确定出目标可行驶区域,包括:按照首尾相连的原则,将拟合后的各个所述边界线段合成至少一条边界线。
为达到上述目的,本发明第二方面实施例提出的可行驶区域和路沿的检测装置,所述装置包括:获取模块,用于获取三维点云数据;提取模块,用于对所述三维点云数据进行扇状栅格化,得到第一目标点云数据,并基于光束法,提取所述第一目标点云数据中的可行驶区域的边界点和路沿点;执行模块,用于对所述边界点过滤噪声干扰点及对所述路沿点进行霍夫变换和滑窗聚类,拟合形成路沿曲线;拟合模块,用于对过滤后的所述边界点和所述路沿曲线进行分段拟合和融合,获得多项式曲线;确定模块,用于对连续段的所述多项式曲线进行重采样形成均匀包络点迹,基于所述包络点迹确定目标可行驶区域。
为达到上述目的,本发明第三方面实施例提出的电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现本发明第一方面实施例所述的可行驶区域和路沿的检测方法。
为达到上述目的,本发明第四方面实施例提出的计算机可读存储介质,所述计算机程序被处理器执行时实现本发明第一方面实施例所述的可行驶区域和路沿的检测方法。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1是根据本发明一个实施例的可行驶区域和路沿的检测方法的流程图;
图2是根据本发明一个具体实施例的可行驶区域和路沿的检测方法的流程图;
图3是根据本发明一个实施例的栅格划分的示意图;
图4是根据本发明一个实施例的可行驶区域和路沿的检测装置的示意图;
图5是根据本发明一个实施例的电子设备的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
具体地,下面参考附图描述本发明实施例的一种可行驶区域和路沿的检测方法、装置、电子设备及存储介质。
图1是根据本发明一个实施例的可行驶区域和路沿的检测方法的流程图。需要说明的是,本发明实施例的可行驶区域和路沿的检测方法可应用于本发明实施例的可行驶区域和路沿的检测装置,该装置可被配置于电子设备上,也可以被配置在服务器中。其中,电子设备可以是PC机或移动终端。本发明实施例对此不作限定。例如,该计算机可以为3D扫描设备,例如,激光雷达、立体摄像头等硬件设备。
如图1所示,可行驶区域和路沿的检测方法,包括:
S110,获取三维点云数据。
在本发明的实施例中,可通过安装在自动驾驶车辆上的激光雷达获取三维点云数据,其中三维点云数据包括三维点云中每个点以激光雷达为坐标原点的三维坐标x0,y0,z0以及反射强度,其中,x轴正方向为车体前进方向,y轴正方向为向车体左侧,z轴正方向为竖直向上。
其中,激光雷达可安装在自动驾驶车辆的车顶或车前端,本发明对激光雷达在自动驾驶车辆上的安装位置不做限定。
S120,对三维点云数据进行扇状栅格化,得到第一目标点云数据,并基于光束法,提取第一目标点云数据中的可行驶区域的边界点和路沿点。
在本发明的实施例中,以激光雷达的位置为坐标原点,将三维点云数据划分为不同的扇形区域,并对各扇形区域内的点按照距离原点的距离划分为不同栅格;对各扇形区域进行栅格遍历,基于栅格中包含的点的类型标签确定各扇形区域的边界点和路沿点。具体地实现过程可参考后续实施例。
S130,对边界点过滤噪声干扰点及对路沿点进行霍夫变换和滑窗聚类,拟合形成路沿曲线。
在本发明的实施例中,对路沿点进行霍夫变换和滑窗聚类时,可先对路沿点进行栅格化,进而通过遍历三维点云数据的每个点,以实现对路沿点霍夫变换和滑窗聚类,拟合形成路沿曲线。具体地实现过程可参考后续实施例。
在本发明的实施例中,拟合形成路沿曲线后,可根据路沿曲线,过滤掉在路沿之外的边界点,同时去掉因为语义分割精度不够在道路中间出现的误分割的路沿噪声点。
S140,对过滤后的边界点和路沿曲线进行分段拟合和融合,获得多项式曲线。
S150,对连续段的多项式曲线进行重采样形成均匀包络点迹,基于包络点迹确定目标可行驶区域。
根据本发明实施例的可行驶区域和路沿的检测方法,获取三维点云数据,之后对三维点云数据进行扇状栅格化,得到第一目标点云数据,并基于光束法,提取第一目标点云数据中的可行驶区域的边界点和路沿点,然后对边界点过滤噪声干扰点及对路沿点进行霍夫变换和滑窗聚类,拟合形成路沿曲线,对过滤后的边界点和路沿曲线进行分段拟合和融合,获得多项式曲线,之后对连续段的多项式曲线进行重采样形成均匀包络点迹,基于包络点迹确定目标可行驶区域。该方法可行驶区域与路沿相辅相成,可有效提取路沿点,利用有效路沿点可拟合出路沿曲线,且通过对过滤后的边界点和路沿曲线进行分段拟合和融合,可有效过滤掉偏离较大干扰点,同时避免了毛刺较多不平滑的问题。
为了本领域人员更容易理解本发明,图2是根据本发明一个具体实施例的可行驶区域和路沿的检测方法的流程图。如图2所示,可行驶区域和路沿的检测方法,包括:
S210,获取三维点云数据。
在本发明的实施例中,可通过安装在自动驾驶车辆上的激光雷达获取三维点云数据,其中三维点云数据包括三维点云中每个点以激光雷达为坐标原点的三维坐标x0,y0,z0以及反射强度,其中,x轴正方向为车体前进方向,y轴正方向为向车体左侧,z轴正方向为竖直向上。
需要说明的是,上述三维点云数据经过深度学习和语义分割网络推理可得到每个点的类型标签。其中,类型标签可根据实际需求进行划分,例如类型标签还可划分为地面、车道线,目标(车辆、行人),路沿、栅栏、绿植、噪声、建筑等多种类型。
在本发明的一个实施例中,得到每个点的类型标签后,可对上述三维点云数据进行预处理,上述预处理包括ROI(感兴趣区域)过滤、噪声过滤和下采样处理。
具体的,对语义分割后的三维点云数据进行感兴趣区域(ROI)过滤,同时滤除本车点云,ROI和本车点云过滤范围可根据实际需求以及激光雷达的安装位置确定,例如滤除距离激光雷达距离大于100米的点云;然后对过滤后的三维点云进行噪声过滤和下采样,其中,噪声滤除可采用计算每个点近邻点数量的方式剔除离群点,下采样可以采用基于VoxelGrid(网格栅格)的点云下采样算法。
S220,以激光雷达的位置为坐标原点,将三维点云数据划分为不同的扇形区域,并对各扇形区域内的点按照距离原点的距离划分为不同栅格。
图3为本发明实施例提供的一种栅格划分的示意图。举例而言,首先利用将三维点云数据按照角度划分为扇形,其中,angleidx为栅格的角度坐标,angleres为角度分辨率(单位:度);之后将每条扇形的数据经按照距离划分为扇环状栅格,radiusidx为栅格的角度坐标,radiusres为距离分辨率(单位:米)。
S230,对各扇形区域进行栅格遍历,基于栅格中包含的点的类型标签确定各扇形区域的边界点和路沿点。
在本发明的实施例中,可基于预设角度开始,依次对各扇形区域进行栅格遍历;确定每个栅格满足截止条件时,遍历停止,以确定各扇形区域的边界点和路沿点。通过结合可行驶区域搜索的方式,提取出有效路沿点,虽然舍弃了一部分路沿,但却避免了人行道大量的分割错误点的干扰。
其中,截止条件包括:第一截止条件、第二截止条件和第三截止条件,其中,第一截止条件包括遇到第一障碍物;第二截止条件包括遇到第二障碍物;第三截止条件包括遇到第三障碍物或第四障碍物,且栅格内三维点云数据的数量大于第一个数阈值;其中,第一截止条件、第二截止条件和第三截止条件均包括栅格内三维点云数据的平均高度大于第一高度阈值,且栅格内三维点云数据的最大高度差大于第二高度阈值。其中,最大高度差可理解为栅格内三维点云数据的最高点与最低点的距离差。
在本发明的一个实施例中,确定每个栅格满足遇到第一障碍物,且栅格内三维点云数据的平均高度大于第一高度阈值,且栅格内三维点云数据的最大高度差大于第二高度阈值时,遍历停止。
在本发明的另一个实施例中,确定每个栅格满足遇到第二障碍物,且栅格内三维点云数据的平均高度大于第一高度阈值,且栅格内三维点云数据的最大高度差大于第二高度阈值时,遍历停止。
在本发明的又一个实施例中,确定每个栅格满足遇到第三障碍物或第四障碍物,且所述栅格内所述三维点云数据的数量大于第一个数阈值,且栅格内三维点云数据的平均高度大于第一高度阈值,且栅格内三维点云数据的最大高度差大于第二高度阈值时,遍历停止。
例如,第一障碍物包括车、行人、二轮车、三轮车、建筑、其他障碍物等;第一障碍物包括路沿、交通栅栏、绿植等;第三障碍物包括无法识别出的障碍物;第四障碍物包括噪声等。
S240,对路沿点进行霍夫变换。
在本发明的实施例中,对路沿点进行栅格化;遍历三维点云数据中的每个点,基于格子索引名称,将每个点加入至对应的格子,其中,每个点对应的格子索引名称根据点的坐标确定;确定格子设有三维点云数据时,获取单通道的BEV二值图,并对BEV二值图进行霍夫变换,以检测出多线段。
举例而言,对路沿点进行栅格化,例如栅格的尺寸为M×N,M和N根据设定的最大范围和栅格大小得到,三维点云数据中的每个点,根据点的x和y坐标计算其所属格子的索引名称,然后将该点加入到对应的格子中。同时,确定每个格子有三维点云数据时,得到一幅单通道的BEV二值图,然后对BEV图像进行霍夫变换,检测出一系列线段。
S250,对路沿点进行滑窗聚类,拟合形成路沿曲线。
在本发明的实施例中,基于多线段,筛选和过滤重复线段,得到目标线段;根据目标线段,确定滑窗,并遍历滑窗的所有格子;确定多个滑窗,遍历多个滑窗的所有格子,并得到多个点集,其中,每个点集对应唯一路沿;确定多个点集中的相连点集,将相连点集存储至点集池中,基于相连点集获取两条路沿点集;对两条路沿点集进行最小二乘法拟合,形成左右两条路沿对应的路沿曲线。
举例而言,在滑窗之前根据多线段,基于预设规则进行筛选和过滤重复线段,得到目标线段,其中目标线段可为一条或多条,之后对目标线段进行滑窗。例如,确定目标线段为多条时,遍历每条线段,选择本车较近的作为起始点,以当前点作为滑窗的中心点,其中,当前点一开始为起始点,随着滑窗而变化当前点,滑窗大小为h×w,之后遍历该滑窗内的每个格子,如果格子内三维点云数据的数量大于0且没有被加入到任意一个聚类中,判断格子的方向和当前线段的方向之间的夹角小于预设阈值,则把该格子中的点云加入到聚类中,否则进入下一个格子继续上述判断;一个滑窗内的所有格子遍历完成后,判断此时当前点的方向和当前线段的方向之间的夹角小于夹角阈值时,则根据当前点的方向计算下一个滑窗的中心点,不小于夹角阈值时,则根据当前滑窗内线段的方向计算下个滑窗的中心点。所有线段遍历完成后,则会得到多个点集,每个点集对应了一条路沿;在得到多个点集后,判断其中点集是否有相连,若有相连,则放到同一个点集池中,然后根据预设规则点,保留置信度最高的左右两条路沿点集,之后对两条路沿点集做最小二乘法拟合,拟合出左右两条路沿曲线。
例如可基于预设角度和过滤重复线段实现筛选线段,例如,筛选角度为45°以内的线段,且过滤45°以内的线段中重复的线段。
例如可根据格子的状态参数,确定是否加入到聚类中,例如,格子对应的状态参数为1,确定加入至聚类中。
S260,对边界点过滤噪声干扰点。
在本发明的实施例中,拟合出左右两条路沿后,可根据左右两条路沿,过滤掉在路沿之外的边界点,同时去掉因为语义分割精度不够在道路中间出现的误分割的路沿噪声点。另外,当连续边界点出现较大的偏离,如果在后面一定数量内能找到较近的边界点,则去掉这个偏离很大的杂点。比如相邻点即点A和点B的下一个点(点C)相对于当前点在很远之外,通过搜寻该下一个点(点C)之后的一部分点,能找到的点与当前点距离少于预设距离时,比如5m,则去掉该下一个点(点C)。
需要说明的是,可行驶区域存在由于分割精度引起的路沿噪声点,通过已拟合的路沿曲线可以过滤掉,从而提高了可行驶区域精度。
S270,对过滤后的边界点和路沿曲线进行分段拟合和融合,获得多项式曲线。
在本发明的实施例中,根据各边界点相对参考方向的角度顺序提取边界点,并根据各边界点间的距离与走向将各边界点划分为多个点簇,其中每个点簇拟合成对应曲线段;根据每个点簇中边界点的数量,利用最小二乘法将点簇拟合为边界路段;基于路沿曲线和边界路段进行分段拟合和融合,获得多项式曲线。进而可有效地过滤掉偏离较大干扰点,使得可行驶区域更平滑。
需要说明的是,由于较近的点分布比较密集且可能存在毛刺点,但较远的点又比较稀疏,为了使轨迹规划等下游模块更方便使用可行驶区域信息,需要给出可行驶区域的均匀分布包络点。另外由于边界点形成的包络总长度很长,且存在较多折角,因此须做分段再平滑拟合,最后重采样得出点迹。
举例而言,分段方法包括:按角度顺序排列提取的边界点,例如角度顺序排列为扇状栅格的起始角度开始,逆时针顺序,对第二个点开始做逻辑判断,满足以下三个预设条件的任一个,则另起一个点簇,不满足预设条件时则继续判断下个点,一个点簇拟合成一条曲线段。其中,预设条件包括:1)相邻点之间的累加距离大于第一距离阈值;2)距离下个点的距离大于第二距离阈值;3)与下个点形成的向量和与上个点形成的向量的角度差记为第一角度,其中,第一角度在角度阈值范围内,且距离下个点距离或距离上个点距离大于第三距离阈值。
其中,点簇拟合成曲线段后,根据分段结果,对不同大小的点簇采用不同次数的多项式使用最小二乘法拟合,然后根据路沿分布,当分段与路沿匹配,则将路沿拟合多项式参数融合到此段拟合结果,从而使遇到连续路沿段都能保持平滑。
其中,分段拟合的过程中,采用y关于x的多项式拟合,当遇到y的跨度大于x,则表达式变为x关于y的多项式方程。
S280,对连续段的多项式曲线进行重采样形成均匀包络点迹,基于包络点迹确定出目标可行驶区域。
在本发明的实施例中,获得多项式曲线后,按照首尾相连的原则,将拟合后的各个边界线段合成至少一条边界线。其中,可选取0.1~0.5米作为间隔进行重采样。
与上述几种实施例提供的可行驶区域和路沿的检测方法相对应,本发明的一种实施例还提供一种可行驶区域和路沿的检测装置,由于本发明实施例提供的可行驶区域和路沿的检测装置与上述几种实施例提供的可行驶区域和路沿的检测方法相对应,因此在可行驶区域和路沿的检测方法的实施方式也适用于本实施例提供的可行驶区域和路沿的检测装置,在本实施例中不再详细描述。图4是根据本发明一个实施例的可行驶区域和路沿的检测装置的结构示意图。
如图4所示,该可行驶区域和路沿的检测装置400包括:获取模块410、提取模块420、执行模块430、拟合模块440和确定模块450,其中,
获取模块410,用于获取三维点云数据;
提取模块420,用于对所述三维点云数据进行扇状栅格化,得到第一目标点云数据,并基于光束法,提取所述第一目标点云数据中的可行驶区域的边界点和路沿点;
执行模块430,用于对所述边界点过滤噪声干扰点及对所述路沿点进行霍夫变换和滑窗聚类,拟合形成路沿曲线;
拟合模块440,用于对过滤后的所述边界点和所述路沿曲线进行分段拟合和融合,获得多项式曲线;
确定模块450,用于对连续段的所述多项式曲线进行重采样形成均匀包络点迹,基于所述包络点迹确定目标可行驶区域。
根据本发明实施例的可行驶区域和路沿的检测装置,获取三维点云数据,之后对三维点云数据进行扇状栅格化,得到第一目标点云数据,并基于光束法,提取第一目标点云数据中的可行驶区域的边界点和路沿点,然后对边界点过滤噪声干扰点及对路沿点进行霍夫变换和滑窗聚类,拟合形成路沿曲线,对过滤后的边界点和路沿曲线进行分段拟合和融合,获得多项式曲线,之后对连续段的多项式曲线进行重采样形成均匀包络点迹,基于包络点迹确定目标可行驶区域。由此可行驶区域与路沿相辅相成,通过有效提取路沿点,利用有效路沿点可拟合出路沿曲线,且通过对过滤后的边界点和路沿曲线进行分段拟合和融合,可有效过滤掉偏离较大干扰点,同时避免了毛刺较多不平滑的问题。
在本发明的一个实施例中,所述提取模块420,具体用于以激光雷达的位置为坐标原点,将所述三维点云数据划分为不同的扇形区域,并对各扇形区域内的点按照距离原点的距离划分为不同栅格;对各扇形区域进行栅格遍历,基于栅格中包含的点的类型标签确定各扇形区域的所述边界点和所述路沿点。
在本发明的一个实施例中,所述截止条件包括:第一截止条件、第二截止条件和第三截止条件,其中,所述第一截止条件包括遇到第一障碍物;所述第二截止条件包括遇到第二障碍物;所述第三截止条件包括遇到第三障碍物或第四障碍物,且所述栅格内所述三维点云数据的数量大于第一个数阈值;其中,所述第一截止条件、所述第二截止条件和第三截止条件均包括所述栅格内所述三维点云数据的平均高度大于第一高度阈值,且所述栅格内所述三维点云数据的最大高度差大于第二高度阈值。
在本发明的一个实施例中,所述执行模块430,具体用于对所述路沿点进行栅格化;遍历所述三维点云数据中的每个点,基于格子索引名称,将所述每个点加入至对应的格子,其中,每个点对应的所述格子索引名称根据所述点的坐标确定;确定所述格子设有所述三维点云数据时,获取单通道的BEV二值图,并对所述BEV二值图进行所述霍夫变换,以检测出多线段。
在本发明的一个实施例中,所述执行模块430,具体用于基于所述多线段,筛选和过滤重复线段,得到目标线段;根据所述目标线段,确定滑窗,并遍历所述滑窗的所有格子;确定多个滑窗,遍历多个所述滑窗的所有格子,并得到多个点集,其中,每个所述点集对应唯一路沿;确定多个点集中的相连点集,将所述相连点集存储至点集池中,基于所述相连点集获取两条路沿点集;对所述两条路沿点集进行最小二乘法拟合,形成左右两条路沿对应的路沿曲线。
在本发明的一个实施例中,所述拟合模块440,具体用于根据各边界点相对参考方向的角度顺序提取所述边界点,并根据所述各边界点间的距离与走向将所述各边界点划分为多个点簇,其中每个所述点簇拟合成对应曲线段;根据每个所述点簇中所述边界点的数量,利用最小二乘法将所述点簇拟合为边界路段;基于路沿曲线和所述边界路段进行分段拟合和融合,获得多项式曲线。
在本发明的一个实施例中,所述确定模块450,具体用于按照首尾相连的原则,将拟合后的各个所述边界线段合成至少一条边界线。
根据本发明实施例的装置,下面参考图5,其示出了适于用来实现本发明实施例的电子设备(例如图1中的终端设备或服务器)500的结构示意图。本发明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5示出的电子设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常,以下装置可以连接至I/O接口505: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506;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507;包括例如磁带、硬盘等的存储装置508;以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500,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。
特别地,根据本发明的实施例,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,本发明的实施例包括一种计算机程序产品,其包括承载在非暂态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。在这样的实施例中,该计算机程序可以通过通信装置509从网络上被下载和安装,或者从存储装置508被安装,或者从ROM502被安装。在该计算机程序被处理装置501执行时,执行本发明实施例的方法中限定的上述功能。
需要说明的是,本发明上述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。在本发明中,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。而在本发明中,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,ad hoc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:获取三维点云数据;对三维点云数据进行扇状栅格化,得到第一目标点云数据,并基于光束法,提取第一目标点云数据中的可行驶区域的边界点和路沿点;对边界点过滤噪声干扰点及对路沿点进行霍夫变换和滑窗聚类,拟合形成路沿曲线;对过滤后的边界点和路沿曲线进行分段拟合和融合,获得多项式曲线;对连续段的多项式曲线进行重采样形成均匀包络点迹,基于包络点迹确定目标可行驶区域。
或者,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:获取三维点云数据;对三维点云数据进行扇状栅格化,得到第一目标点云数据,并基于光束法,提取第一目标点云数据中的可行驶区域的边界点和路沿点;对边界点过滤噪声干扰点及对路沿点进行霍夫变换和滑窗聚类,拟合形成路沿曲线;对过滤后的边界点和路沿曲线进行分段拟合和融合,获得多项式曲线;对连续段的多项式曲线进行重采样形成均匀包络点迹,基于包络点迹确定目标可行驶区域。
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发明的操作的计算机程序代码,上述程序设计语言包括但不限于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,图示了按照本发明各种实施例的***、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。
描述于本发明实施例中所涉及到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。其中,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,第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
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。
在本发明的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
以上描述仅为本发明的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,本发明中所涉及的公开范围,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公开构思的情况下,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。例如上述特征与本发明中公开的(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。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本发明的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (11)
1.一种可行驶区域和路沿的检测方法,其特征在于,所述方法包括:
获取三维点云数据;
对所述三维点云数据进行扇状栅格化,得到第一目标点云数据,并基于光束法,提取所述第一目标点云数据中的可行驶区域的边界点和路沿点;
对所述边界点过滤噪声干扰点及对所述路沿点进行霍夫变换和滑窗聚类,拟合形成路沿曲线;
对过滤后的所述边界点和所述路沿曲线进行分段拟合和融合,获得多项式曲线;
对连续段的所述多项式曲线进行重采样形成均匀包络点迹,基于所述包络点迹确定目标可行驶区域。
2.根据权利要求1所述的可行驶区域和路沿的检测方法,其特征在于,所述对所述三维点云数据进行扇状栅格化,得到第一目标点云数据,并基于光束法,提取所述第一目标点云数据中的可行驶区域的边界点和路沿点,包括:
以激光雷达的位置为坐标原点,将所述三维点云数据划分为不同的扇形区域,并对各扇形区域内的点按照距离原点的距离划分为不同栅格;
对各扇形区域进行栅格遍历,基于栅格中包含的点的类型标签确定各扇形区域的所述边界点和所述路沿点。
3.根据权利要求2所述的可行驶区域和路沿的检测方法,其特征在于,所述对各扇形区域进行栅格遍历,基于栅格中包含的点的类型标签确定各扇形区域的所述边界点和所述路沿点,包括:
基于预设角度开始,依次对各扇形区域进行栅格遍历;
确定每个所述栅格满足截止条件时,遍历停止,以确定各扇形区域的所述边界点和所述路沿点。
4.根据权利要求3所述的可行驶区域和路沿的检测方法,其特征在于,所述截止条件包括:第一截止条件、第二截止条件和第三截止条件,其中,所述第一截止条件包括遇到第一障碍物;所述第二截止条件包括遇到第二障碍物;所述第三截止条件包括遇到第三障碍物或第四障碍物,且所述栅格内所述三维点云数据的数量大于第一个数阈值;其中,所述第一截止条件、所述第二截止条件和第三截止条件均包括所述栅格内所述三维点云数据的平均高度大于第一高度阈值,且所述栅格内所述三维点云数据的最大高度差大于第二高度阈值。
5.根据权利要求2所述的可行驶区域和路沿的检测方法,其特征在于,所述对所述路沿点进行霍夫变换,包括:
对所述路沿点进行栅格化;
遍历所述三维点云数据中的每个点,基于格子索引名称,将所述每个点加入至对应的格子,其中,每个点对应的所述格子索引名称根据所述点的坐标确定;
确定所述格子设有所述三维点云数据时,获取单通道的BEV二值图,并对所述BEV二值图进行所述霍夫变换,以检测出多线段。
6.根据权利要求5所述的可行驶区域和路沿的检测方法,其特征在于,对所述路沿点进行滑窗聚类,拟合形成路沿曲线,包括:
基于所述多线段,筛选和过滤重复线段,得到目标线段;
根据所述目标线段,确定滑窗,并遍历所述滑窗的所有格子;
确定多个滑窗,遍历多个所述滑窗的所有格子,并得到多个点集,其中,每个所述点集对应唯一路沿;
确定多个点集中的相连点集,将所述相连点集存储至点集池中,基于所述相连点集获取两条路沿点集;
对所述两条路沿点集进行最小二乘法拟合,形成左右两条路沿对应的路沿曲线。
7.根据权利要求6所述的可行驶区域和路沿的检测方法,其特征在于,所述对过滤后的所述边界点和所述路沿曲线进行分段拟合和融合,获得多项式曲线,包括:
根据各边界点相对参考方向的角度顺序提取所述边界点,并根据所述各边界点间的距离与走向将所述各边界点划分为多个点簇,其中每个所述点簇拟合成对应曲线段;
根据每个所述点簇中所述边界点的数量,利用最小二乘法将所述点簇拟合为边界路段;
基于路沿曲线和所述边界路段进行分段拟合和融合,获得多项式曲线。
8.根据权利要求7所述的可行驶区域和路沿的检测方法,其特征在于,所述对连续段的所述多项式曲线进行重采样形成均匀包络点迹,基于所述包络点迹确定出目标可行驶区域,包括:按照首尾相连的原则,将拟合后的各个所述边界线段合成至少一条边界线。
9.一种可行驶区域和路沿的检测装置,其特征在于,所述装置包括:
获取模块,用于获取三维点云数据;
提取模块,用于对所述三维点云数据进行扇状栅格化,得到第一目标点云数据,并基于光束法,提取所述第一目标点云数据中的可行驶区域的边界点和路沿点;
执行模块,用于对所述边界点过滤噪声干扰点及对所述路沿点进行霍夫变换和滑窗聚类,拟合形成路沿曲线;
拟合模块,用于对过滤后的所述边界点和所述路沿曲线进行分段拟合和融合,获得多项式曲线;
确定模块,用于对连续段的所述多项式曲线进行重采样形成均匀包络点迹,基于所述包络点迹确定目标可行驶区域。
10.一种电子设备,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1-8中任一项所述的可行驶区域和路沿的检测方法。
11.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的可行驶区域和路沿的检测方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310034523.7A CN116071729A (zh) | 2023-01-10 | 2023-01-10 | 可行驶区域和路沿的检测方法、装置及相关设备 |
PCT/CN2023/141994 WO2024149060A1 (zh) | 2023-01-10 | 2023-12-26 | 可行驶区域和路沿的检测方法、装置及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310034523.7A CN116071729A (zh) | 2023-01-10 | 2023-01-10 | 可行驶区域和路沿的检测方法、装置及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116071729A true CN116071729A (zh) | 2023-05-05 |
Family
ID=86178084
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310034523.7A Pending CN116071729A (zh) | 2023-01-10 | 2023-01-10 | 可行驶区域和路沿的检测方法、装置及相关设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN116071729A (zh) |
WO (1) | WO2024149060A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116524450A (zh) * | 2023-06-29 | 2023-08-01 | 广汽埃安新能源汽车股份有限公司 | 一种可行驶空间确定方法及装置 |
CN116533998A (zh) * | 2023-07-04 | 2023-08-04 | 深圳海星智驾科技有限公司 | 车辆的自动驾驶方法、装置、设备、存储介质及车辆 |
WO2024149060A1 (zh) * | 2023-01-10 | 2024-07-18 | 合众新能源汽车股份有限公司 | 可行驶区域和路沿的检测方法、装置及相关设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113570665A (zh) * | 2021-07-30 | 2021-10-29 | 苏州挚途科技有限公司 | 路沿提取的方法、装置及电子设备 |
CN114842450B (zh) * | 2022-05-11 | 2023-06-30 | 合众新能源汽车股份有限公司 | 一种可行驶区域检测方法、装置及设备 |
CN115346183A (zh) * | 2022-08-11 | 2022-11-15 | 合众新能源汽车有限公司 | 一种车道线检测方法、终端及存储介质 |
CN116071729A (zh) * | 2023-01-10 | 2023-05-05 | 合众新能源汽车股份有限公司 | 可行驶区域和路沿的检测方法、装置及相关设备 |
-
2023
- 2023-01-10 CN CN202310034523.7A patent/CN116071729A/zh active Pending
- 2023-12-26 WO PCT/CN2023/141994 patent/WO2024149060A1/zh unknown
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024149060A1 (zh) * | 2023-01-10 | 2024-07-18 | 合众新能源汽车股份有限公司 | 可行驶区域和路沿的检测方法、装置及相关设备 |
CN116524450A (zh) * | 2023-06-29 | 2023-08-01 | 广汽埃安新能源汽车股份有限公司 | 一种可行驶空间确定方法及装置 |
CN116524450B (zh) * | 2023-06-29 | 2023-09-22 | 广汽埃安新能源汽车股份有限公司 | 一种可行驶空间确定方法及装置 |
CN116533998A (zh) * | 2023-07-04 | 2023-08-04 | 深圳海星智驾科技有限公司 | 车辆的自动驾驶方法、装置、设备、存储介质及车辆 |
CN116533998B (zh) * | 2023-07-04 | 2023-09-29 | 深圳海星智驾科技有限公司 | 车辆的自动驾驶方法、装置、设备、存储介质及车辆 |
Also Published As
Publication number | Publication date |
---|---|
WO2024149060A1 (zh) | 2024-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111462275B (zh) | 一种基于激光点云的地图生产方法和装置 | |
WO2018068653A1 (zh) | 点云数据处理方法、装置及存储介质 | |
WO2021097618A1 (zh) | 点云分割方法、***及计算机存储介质 | |
US20210302585A1 (en) | Smart navigation method and system based on topological map | |
CN112562314B (zh) | 基于深度融合的路端感知方法、装置、路端设备和*** | |
CN116071729A (zh) | 可行驶区域和路沿的检测方法、装置及相关设备 | |
CN114842450B (zh) | 一种可行驶区域检测方法、装置及设备 | |
CN113421432B (zh) | 交通限行信息检测方法、装置、电子设备和存储介质 | |
US11295521B2 (en) | Ground map generation | |
CN112258519B (zh) | 一种高精度地图制作中道路的让行线自动化提取方法及装置 | |
CN115273039B (zh) | 一种基于摄像头的小障碍物探测方法 | |
CN112258568B (zh) | 一种高精度地图要素的提取方法及装置 | |
CN112014856A (zh) | 一种适于交叉路段的道路边沿提取方法及装置 | |
CN114972758A (zh) | 一种基于点云弱监督的实例分割方法 | |
CN115240154A (zh) | 停车场的点云特征提取方法、装置、设备及介质 | |
CN109683613B (zh) | 一种用于确定车辆的辅助控制信息的方法与设备 | |
Song et al. | Automatic detection and classification of road, car, and pedestrian using binocular cameras in traffic scenes with a common framework | |
CN114283343A (zh) | 基于遥感卫星图像的地图更新方法、训练方法和设备 | |
CN113377748A (zh) | 激光雷达点云数据的静态点去除方法和装置 | |
CN115331214A (zh) | 用于目标检测的感知方法及*** | |
CN114643984A (zh) | 驾驶避险方法、装置、设备、介质及产品 | |
CN114820931A (zh) | 基于虚拟现实的智慧城市cim可视化实时成像方法 | |
CN112069899A (zh) | 一种路肩检测方法、装置及存储介质 | |
CN116630553A (zh) | 点云数据处理方法、装置、设备和程序产品 | |
CN115985109B (zh) | 一种无人驾驶矿车环境感知方法和*** |
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 |