CN116299474A - 一体化雷达装置和车辆避障方法 - Google Patents
一体化雷达装置和车辆避障方法 Download PDFInfo
- Publication number
- CN116299474A CN116299474A CN202310582895.3A CN202310582895A CN116299474A CN 116299474 A CN116299474 A CN 116299474A CN 202310582895 A CN202310582895 A CN 202310582895A CN 116299474 A CN116299474 A CN 116299474A
- Authority
- CN
- China
- Prior art keywords
- obstacle
- radar
- obstacle point
- sample
- information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000004891 communication Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 41
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 230000009467 reduction Effects 0.000 claims description 11
- 230000004044 response Effects 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 4
- 239000000463 material Substances 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000004888 barrier function Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011897 real-time detection Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003064 k means clustering 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
- G01S13/88—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
- 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
- G01S13/87—Combinations of radar systems, e.g. primary radar and secondary radar
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
- H04L67/125—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks involving control of end-device applications over a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q9/00—Arrangements in telecontrol or telemetry systems for selectively calling a substation from a main station, in which substation desired apparatus is selected for applying a control signal thereto or for obtaining measured values therefrom
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Signal Processing (AREA)
- Traffic Control Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本公开的实施例公开了一体化雷达装置和车辆避障方法。该装置的一具体实施方式包括:以太网关、域控制器和雷达传感器组件,其中:雷达传感器组件中的雷达传感器包括:雷达以太网收发器;域控制器包括:域控以太网收发器;雷达传感器组件中每个雷达传感器包括的雷达以太网收发器和域控以太网收发器通讯连接;域控制器和以太网关通过域控以太网收发器通讯连接;在工作状态下,雷达以太网收发器用于将雷达数据发送至域控以太网收发器,域控以太网收发器用于接收雷达传感器组件中各个雷达传感器生成的雷达数据、以及用于将域控数据发送至以太网关。该实施方式可以及时控制车辆避障。
Description
技术领域
本公开的实施例涉及雷达领域,具体涉及一体化雷达装置和车辆避障方法。
背景技术
车辆导航和避障过程中,需要使用雷达进行实时探测和数据处理。目前,在使用雷达进行实时探测和数据处理时,通常采用的方式为:使用多个雷达传感器(例如,三维毫米波雷达或四维毫米波雷达)采集信号,然后,通过各个雷达触感器内部的雷达处理器对信号进行数据处理以得到障碍物信息,最后,将障碍物信息发送至控制终端,或者将障碍物信息发送至用于数据融合的域控制器,通过RPN(Region Proposal Network,区域候选网络)算法得到融合障碍物信息,并将融合障碍物信息发送至控制终端。
然而,发明人发现,当采用上述雷达进行实时探测和数据处理时,经常会存在如下技术问题:
第一,雷达传感器向控制终端发送信息时,需要对雷达传感器的参数进行实时标定,以及对雷达传感器的数据进行转换后才能发送,导致了障碍物信息的时效性降低,从而,导致了控制终端难以及时控制车辆避障;
第二,使用雷达传感器内部的雷达处理器生成障碍物信息时,若要提高障碍物信息的准确度,需要提高雷达处理器的性能,导致雷达处理器的物料成本增加,从而,导致了雷达传感器的物料成本的增加;
第三,雷达内部的雷达处理器数据处理能力较差,难以使用深度学习算法,导致得到的障碍物信息的准确度降低,从而,导致车辆避障的准确度降低;
第四,RPN算法需要提前获取相机图像,由于相机图像的获取频率比雷达数据的获取频率低,且相机图像处理速度较慢,导致识别障碍物的速度降低,从而导致障碍物信息的实时性降低,进而,导致难以及时控制车辆避障。
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一体化雷达装置和车辆避障方法,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一体化雷达装置,该一体化雷达装置包括:以太网关、域控制器和雷达传感器组件,其中:上述雷达传感器组件中的雷达传感器包括:雷达以太网收发器;上述域控制器包括:域控以太网收发器;上述雷达传感器组件中每个雷达传感器包括的雷达以太网收发器和上述域控以太网收发器通讯连接;上述域控制器和上述以太网关通过上述域控以太网收发器通讯连接;在工作状态下,上述雷达以太网收发器用于将雷达数据发送至上述域控以太网收发器,上述域控以太网收发器用于接收上述雷达传感器组件中各个雷达传感器生成的雷达数据、以及用于将域控数据发送至上述以太网关。
可选地,上述雷达传感器组件中的雷达传感器还包括:雷达信号收发器、雷达处理器、模数转换器和移动处理器接口;上述雷达传感器组件中雷达传感器包括的雷达信号收发器和模数转换器电路连接;上述雷达传感器组件中雷达传感器包括的模数转换器和雷达处理器通过移动处理器接口电路连接;上述雷达传感器组件中雷达传感器包括的雷达处理器和雷达以太网收发器电路连接。
可选地,上述域控制器还包括:域控处理器;上述域控以太网收发器和上述域控处理器电路连接。
可选地,上述雷达传感器组件中的雷达传感器还包括:雷达电源,上述雷达传感器组件中的雷达传感器包括的雷达电源用于为上述雷达传感器供电;上述域控制器还包括:域控电源,上述域控电源用于为上述域控制器供电。
第二方面,本公开的一些实施例提供了一种车辆避障方法,该车辆避障方法包括:获取障碍点雷达数据组集;基于上述障碍点雷达数据组集,生成目标障碍点信息集;对上述目标障碍点信息集中的各个目标障碍点信息进行降噪处理,得到过滤障碍点信息集;对上述过滤障碍点信息集进行聚类处理,得到障碍点信息簇集和障碍点簇中心信息集;对上述障碍点簇中心信息集中的每个障碍点簇中心信息进行轨迹预测处理以生成障碍物轨迹信息,得到障碍物轨迹信息集;将上述障碍点信息簇集中的每个障碍点信息输入至预先训练的障碍物识别模型以生成障碍物识别信息,得到障碍物识别信息集;将上述障碍物轨迹信息集和上述障碍物识别信息集通过以太网关发送至控制终端以供控制车辆避障。
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一体化雷达装置,包括以太网关、域控制器和雷达传感器组件。其中,上述雷达传感器组件中的雷达传感器包括:雷达以太网收发器。上述域控制器包括:域控以太网收发器。上述雷达传感器组件中每个雷达传感器包括的雷达以太网收发器和上述域控以太网收发器通讯连接。上述域控制器和上述以太网关通过上述域控以太网收发器通讯连接。在工作状态下,上述雷达以太网收发器用于将雷达数据发送至上述域控以太网收发器,上述域控以太网收发器用于接收上述雷达传感器组件中各个雷达传感器生成的雷达数据、以及用于将域控数据发送至上述以太网关。因此,上述一体化雷达装置可以将雷达传感器与域控制器分离。通过设置的以太网收发器,可以将各个雷达传感器生成的雷达数据实时传输至域控制器。以及,域控制器可以将生成的障碍物信息通过上述以太网关实时传输至控制终端。由此,避免了雷达标定和雷达数据转换的步骤,可以提高障碍物信息的时效性,从而,控制终端可以及时控制车辆避障。
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是根据本公开的一体化雷达装置的一些实施例的结构示意图;
图2是根据本公开的一体化雷达装置的雷达传感器的结构示意图;
图3是根据本公开的车辆避障方法的一些实施例的流程图。
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设备、模块或单元进行区分,并非用于限定这些设备、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设备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。
首先,请参见图1,图1示出了根据本公开的一体化雷达装置的一些实施例的结构示意图。如图1所示,上述一体化雷达装置包括:以太网关1、域控制器2和雷达传感器组件3。其中,上述以太网关1可以是用于域控制器和外部设备进行通信的中央网关。上述域控制器2可以用于根据雷达数据,生成障碍物信息。上述雷达传感器组件3可以包括但不限于以下至少一项:雷达传感器31、雷达传感器32和雷达传感器33。这里,上述雷达传感器31、雷达传感器32和雷达传感器33可以是结构相同的雷达传感器。
作为示例,上述雷达传感器31可以是毫米波雷达。
在一些实施例中,上述雷达传感器组件1中的雷达传感器31包括:雷达以太网收发器311。其中,上述雷达以太网收发器311可以是用于将雷达数据发送至上述域控制器2的以太网收发器。上述雷达传感器32可以包括:雷达以太网收发器321。上述雷达传感器33可以包括:雷达以太网收发器331。
接下来结合图2和图1对上述雷达传感器进行说明。图2是根据本公开的一体化雷达装置的雷达传感器的结构示意图。如图2所示,上述雷达传感器组件3中的雷达传感器31还包括:雷达信号收发器312、雷达处理器313、模数转换器314和移动处理器接口315。上述雷达传感器组件3中雷达传感器31包括的雷达信号收发器312和模数转换器314电路连接。上述雷达传感器组件3中雷达传感器31包括的模数转换器314和雷达处理器313通过移动处理器接口315电路连接。上述雷达传感器组件3中雷达传感器31包括的雷达处理器313和雷达以太网收发器311电路连接。其中,上述雷达信号收发器312可以包括但不限于以下至少一项:射频天线。上述射频天线可以用于发送和接收毫米波信号,并将接收到的毫米波信号作为雷达传感器31采集的雷达信号。上述模数转换器314可以是ADC(analog-to-digitalconverter,模数转换器)。上述模数转换器314可以用于对上述雷达信号进行信号转换。上述雷达处理器313可以是用于处理雷达数据的数据处理器。上述移动处理器接口315(MIPI-CS2)可以用于将转换后的雷达数据从上述模数转换器314传输至上述雷达处理器313。
实践中,上述雷达传感器31可以被配置成执行以下步骤:
第一步,响应于接收到采集请求信息,采集障碍点雷达信号组。其中,上述采集请求信息可以是上述域控制器2通过上述雷达以太网收发器311发送的信息。上述采集请求信息可以表征上述域控制器2想要采集雷达信号。
第二步,对上述障碍点雷达信号组中的各个障碍点雷达信号进行信号转换处理,得到障碍点雷达数据组。其中,上述模数转换器314可以对上述障碍点雷达信号组中的各个障碍点雷达信号进行信号转换处理。
第三步,对上述障碍点雷达数据组进行筛选处理,得到上述障碍点雷达数据组。其中,上述雷达处理器313可以对上述障碍点雷达数据组进行筛选处理。
上述雷达传感器组件作为本公开的实施例的一个发明点,解决了背景技术提出的技术问题二“雷达传感器的物料成本的增加”。导致雷达传感器的物料成本的增加的因素往往如下:使用雷达传感器内部的雷达处理器生成障碍物信息时,若要提高障碍物信息的准确度,需要提高雷达处理器的性能,导致雷达处理器的物料成本增加。如果解决了上述因素,就可以降低雷达传感器的物料成本。为了达到这一效果,本公开可以使雷达触感器组件中的雷达传感器除采集雷达信号外,雷达传感器包括的雷达处理器仅需对采集到的雷达信号进行数据清洗处理。然后将数据清洗后的雷达数据发送至域控制器,从而,可以由域控制器对雷达传感器组件发送的各个雷达数据进行数据处理。由此,降低了对雷达传感器包括的雷达处理器的性能要求,从而可以降低雷达处理器的物料成本,进而,可以降低雷达传感器的物料成本。
上述域控制器2包括:域控以太网收发器21。其中,上述域控以太网收发器21可以是用于接收上述雷达传感器组件3发送的雷达数据,以及将障碍物信息发送至上述以太网关1的的以太网收发器。
可选地,域控制器2还包括:域控处理器22。上述域控以太网收发器21和上述域控处理器22电路连接。其中,上述域控处理器22可以是用于对通过上述域控以太网收发器21接收的雷达数据进行数据处理的MCU(Micro controller Unit,微控制单元)。
实践中,上述域控制器2可以被配置成执行以下步骤:
第一步,获取障碍点雷达数据组集。其中,可以从上述雷达传感器组件3上获取上述障碍点雷达数据组集。
第二步,基于上述障碍点雷达数据组集,生成目标障碍点信息集。其中,可以通过预设的数据转换算法,生成上述目标障碍点信息集。
作为示例,上述预设的数据转换算法可以是FFT(Fast Fourier Transformation,快速傅里叶变换)算法。
第三步,对上述目标障碍点信息集中的各个目标障碍点信息进行降噪处理,得到过滤障碍点信息集。其中,可以通过预设的降噪算法,得到上述过滤障碍点信息集。
作为示例,上述预设的降噪算法可以是CFAR(Constant False Alarm Rate,恒虚警率)算法。
第四步,对上述过滤障碍点信息集进行聚类处理,得到障碍点信息簇集和障碍点簇中心信息集。其中,可以通过预设的聚类算法,得到障碍点信息簇集和障碍点簇中心信息集。
作为示例,上述预设的聚类算法可以是但不限于以下至少一项:k-means(k均值)聚类算法或蚁群算法。
第五步,对上述障碍点簇中心信息集中的每个障碍点簇中心信息进行轨迹预测处理以生成障碍物轨迹信息,得到障碍物轨迹信息集。其中,可以通过预设的轨迹预测算法,得到上述障碍物轨迹信息集。
作为示例,上述预设的轨迹预测算法可以是卡尔曼滤波算法。
第六步,将上述障碍点信息簇集中的每个障碍点信息输入至预先训练的障碍物识别模型以生成障碍物识别信息,得到障碍物识别信息集。其中,上述预先训练的障碍物识别模型可以是以障碍点信息为输入,以障碍物识别信息为输出的神经网络模型。上述障碍物识别信息可以包括但不限于以下至少一项:障碍物识别框。这里,上述障碍物识别框可以表征障碍物的位置。
第七步,将上述障碍物轨迹信息集和上述障碍物识别信息集通过以太网关发送至控制终端以供控制车辆避障。
上述车辆避障方法作为本公开的实施例的一个发明点,解决了背景技术提出的技术问题三“车辆避障的准确度降低”。导致车辆避障的准确度降低的因素往往如下:雷达内部的雷达处理器数据处理能力较差,难以使用深度学习算法,导致得到的障碍物信息的准确度降低。如果解决了上述因素,就可以提高车辆避障的准确度。为了达到这一效果,本公开包括的域控制器可以首先,获取障碍点雷达数据组集。由此,可以从雷达传感器组件上获取上述障碍点雷达数据组集。其次,基于上述障碍点雷达数据组集,生成目标障碍点信息集。由此,可以得到初步转换后的障碍点雷达信息集。接着,对上述目标障碍点信息集中的各个目标障碍点信息进行降噪处理,得到过滤障碍点信息集。由此,可以对转换后的障碍点信息集进行第一次过滤,可以去除障碍点信息集中的噪声信息。紧接着,对上述过滤障碍点信息集进行聚类处理,得到障碍点信息簇集和障碍点簇中心信息集。由此,可以对上述障碍点信息集进行第二次过滤,可以去除上述障碍点信息集中的异常数据。然后,对上述障碍点簇中心信息集中的每个障碍点簇中心信息进行轨迹预测处理以生成障碍物轨迹信息,得到障碍物轨迹信息集。由此,可以得到障碍物的轨迹,以供控制车辆进行避障。再然后,将上述障碍点信息簇集中的每个障碍点信息输入至预先训练的障碍物识别模型以生成障碍物识别信息,得到障碍物识别信息集。由此,可以通过使用深度学习神经网络算法,识别出障碍物信息。最后,将上述障碍物轨迹信息集和上述障碍物识别信息集通过以太网关发送至控制终端以供控制车辆避障。由此,控制终端可以控制车辆避障。因此,上述一体化雷达装置可以通过数据处理能力较高的域控制器,对雷达传感器组件发送的雷达数据进行两次筛选过滤,提高了障碍点信息的准确度,然后可以将准确度较高的障碍点信息输入至预先训练的深度学习神经网络模型中,进一步提高了识别得到的障碍物信息的准确度,从而,可以车辆避障的准确度。
可选地,上述雷达传感器组件3中的雷达传感器31还包括:雷达电源316,上述雷达传感器组件3中的雷达传感器31包括的雷达电源316用于为上述雷达传感器31供电。上述域控制器2还包括:域控电源23,上述域控电源23用于为上述域控制器2供电。
上述雷达传感器组件3中每个雷达传感器包括的雷达以太网收发器和上述域控以太网收发器21通讯连接。其中,上述雷达以太网收发器和上述域控以太网收发器21可以通过1000base-T(千兆以太网)通讯连接。由此,上述雷达传感器组件3包括的雷达传感器31、雷达传感器32和雷达传感器33可以将雷达数据发送至上述域控制器2。
上述域控制器2和上述以太网关1通过上述域控以太网收发器21通讯连接。其中,上述以太网关1和上述域控以太网收发器21可以通过上述1000base-T通讯连接。由此,上述域控制器2可以将障碍物信息发送至上述以太网关1,然后可以通过上述以太网关1将上述障碍物信息发送至外部设备。
作为示例,上述外部设备可以是但不限于以下至少一项:控制终端或显示终端。这里,上述控制终端可以是控制车辆避障的终端。上述显示终端可以是车载显示器。
在工作状态下,上述雷达以太网收发器用于将雷达数据发送至上述域控以太网收发器,上述域控以太网收发器用于接收上述雷达传感器组件中各个雷达传感器生成的雷达数据、以及用于将域控数据发送至上述以太网关。
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一体化雷达装置,包括以太网关、域控制器和雷达传感器组件。其中,上述雷达传感器组件中的雷达传感器包括:雷达以太网收发器。上述域控制器包括:域控以太网收发器。上述雷达传感器组件中每个雷达传感器包括的雷达以太网收发器和上述域控以太网收发器通讯连接。上述域控制器和上述以太网关通过上述域控以太网收发器通讯连接。在工作状态下,上述雷达以太网收发器用于将雷达数据发送至上述域控以太网收发器,上述域控以太网收发器用于接收上述雷达传感器组件中各个雷达传感器生成的雷达数据、以及用于将域控数据发送至上述以太网关。因此,上述一体化雷达装置可以将雷达传感器与域控制器分离。通过设置的以太网收发器,可以将各个雷达传感器生成的雷达属于实时传输至域控制器。以及,域控制器也可以将生成的障碍物信息通过上述以太网关实时传输至控制终端。由此,避免了雷达标定和雷达数据转换的步骤,提高了障碍物信息的时效性,从而,控制终端可以及时控制车辆避障。
本公开还提供一种用于上述各实施例的一体化雷达装置的车辆避障方法,如图3所示,其示出了本公开的车辆避障方法的一些实施例的流程图。该方法可以包括以下步骤:
步骤301,获取障碍点雷达数据组集。
在一些实施例中,域控制器可以从雷达传感器组件上获取上述障碍点雷达数据组集。
可选地,上述障碍点雷达数据组集中的障碍点雷达数据组可以是通过以下步骤生成的:
第一步,雷达传感器响应于接收到采集请求信息,采集障碍点雷达信号组。其中,可以通过上述雷达传感器包括的雷达信号收发器采集上述障碍点雷达信号组。上述采集请求信息可以是上述域控制器通过雷达以太网收发器发送的信息。上述采集请求信息可以表征上述域控制器想要采集雷达信号。上述障碍点雷达信号组中的障碍点雷达信号可以是毫米波信号。上述障碍点雷达信号组中的一个障碍点雷达信号可以对应一个空间点。
第二步,上述雷达传感器对上述障碍点雷达信号组中的各个障碍点雷达信号进行信号转换处理,得到障碍点雷达数据组。其中,可以通过上述雷达传感器包括的模数转换器对上述障碍点雷达信号组中的各个障碍点雷达信号进行信号转换处理。
第三步,上述雷达传感器对上述障碍点雷达数据组进行筛选处理,得到上述障碍点雷达数据组。其中,首先,上述雷达传感器包括的雷达处理器可以通过预设的数据清洗算法,对上述障碍点雷达数据组进行筛选处理。
作为示例,上述预设的数据清洗算法可以是但不限于以下至少一项:均值填补法、热卡填补法或分箱法。
步骤302,基于障碍点雷达数据组集,生成目标障碍点信息集。
在一些实施例中,上述域控制器可以基于上述障碍点雷达数据组集,生成目标障碍点信息集。其中,可以通过预设的数据转换算法,生成上述目标障碍点信息集。上述目标障碍点信息集中的目标障碍点信息可以包括但不限于以下至少一项:障碍点雷达坐标、障碍点距离值、障碍点速度值、障碍点方位角信息和障碍点俯仰角信息。这里,上述障碍点雷达坐标可以是与上述目标障碍点信息对应的空间点在雷达坐标系下的坐标。上述障碍点距离值可以是上述空间点与上述雷达传感器的距离值。上述障碍点速度值可以是上述空间点的速度值。上述障碍点方位角信息可以表征上述空间点的方位角度值。上述障碍点俯仰角信息可以表征上述空间点的俯仰角度值。
作为示例,上述预设的数据转换算法可以是FFT(Fast Fourier Transformation,快速傅里叶变换)算法。
步骤303,对目标障碍点信息集中的各个目标障碍点信息进行降噪处理,得到过滤障碍点信息集。
在一些实施例中,上述域控制器可以对上述目标障碍点信息集中的各个目标障碍点信息进行降噪处理,得到过滤障碍点信息集。其中,可以通过预设的降噪算法,得到上述过滤障碍点信息集。
作为示例,上述预设的降噪算法可以是CFAR(Constant False Alarm Rate,恒虚警率)算法。
步骤304,对过滤障碍点信息集进行聚类处理,得到障碍点信息簇集和障碍点簇中心信息集。
在一些实施例中,上述域控制器可以对上述过滤障碍点信息集进行聚类处理,得到障碍点信息簇集和障碍点簇中心信息集。
可选地,上述域控制器对上述过滤障碍点信息集进行聚类处理,得到障碍点信息簇集和障碍点簇中心信息集,可以包括以下步骤:
第一步,对于上述目标障碍点信息集中的每个目标障碍点信息,执行以下确定子步骤:
第一子步骤,响应于确定上述目标障碍点信息满足第一预设条件,将上述目标障碍点信息确定为核心障碍点信息。其中,上述第一预设条件可以是上述目标障碍点信息集中满足预设距离条件的目标障碍点信息的数量大于第一目标数量。上述预设距离条件可以是与上述目标障碍点信息的距离值小于目标距离值。这里,可以通过对上述目标障碍点信息集中的各个目标障碍点信息进行向量化处理,得到目标障碍点向量集,然后,将上述目标障碍点向量集中各个目标障碍点向量之间的距离确定为上述目标障碍点信息集中各个目标障碍点信息之间的距离值。具体的,可以通过预设的距离公式,确定上述目标障碍点向量集中各个目标障碍点向量之间的距离。
作为示例,上述目标距离值可以是0.5。上述第一目标数量可以是50。上述预设的距离公式可以是欧式距离公式。
第二子步骤,响应于确定上述目标障碍点信息满足第二预设条件,将上述目标障碍点信息确定为噪声障碍点信息。其中,上述第二预设条件可以是上述目标障碍点信息集中满足上述预设距离条件的目标障碍点信息的数量小于第二目标数量。
作为示例,上述第二目标数量可以是1。
第二步,将所确定的各个噪声障碍点信息从上述目标障碍点信息集中删除,得到筛选障碍点信息集。
第三步,将所确定的各个核心障碍点信息确定为上述障碍点簇中心信息集。
第四步,对于上述障碍点簇中心信息集中的每个障碍点簇中心信息,将上述筛选障碍点信息集中与上述障碍点簇中心信息满足预设距离条件的各个筛选障碍点信息确定为障碍点信息簇。其中,上述预设距离条件可以是与上述障碍点簇中心信息的距离值小于上述目标距离值。
第五步,将所确定的各个障碍点信息簇确定为上述障碍点信息簇集。
其中,上述聚类处理,可以通过确定一定范围内的信息的数量大于上述第一目标数量,确定上述一定范围内的信息为一个信息聚类簇,以及,可以将在一定范围内的信息的数量小于上述第二目标数量确定为噪声点信息并删除,由此,上述车辆避障方法,不仅可以筛除雷达传感器采集的雷达信号中物理存在的噪声信号,还可以筛选出障碍物信息中的离群数据,从而,可以提高上述障碍点信息簇集的准确度,以进一步提高识别出的障碍物的准确度。
步骤305,对障碍点簇中心信息集中的每个障碍点簇中心信息进行轨迹预测处理以生成障碍物轨迹信息,得到障碍物轨迹信息集。
在一些实施例中,上述域控制器可以对上述障碍点簇中心信息集中的每个障碍点簇中心信息进行轨迹预测处理以生成障碍物轨迹信息,得到障碍物轨迹信息集。其中,可以通过预设的轨迹预测算法,得到上述障碍物轨迹信息集。
作为示例,上述预设的轨迹预测算法可以是卡尔曼滤波算法。
步骤306,将障碍点信息簇集中的每个障碍点信息输入至预先训练的障碍物识别模型以生成障碍物识别信息,得到障碍物识别信息集。
在一些实施例中,上述域控制器可以将上述障碍点信息簇集中的每个障碍点信息输入至预先训练的障碍物识别模型以生成障碍物识别信息,得到障碍物识别信息集。其中,上述预先训练的障碍物识别模型可以是以障碍点信息为输入,以障碍物识别信息为输出的神经网络模型。上述障碍物识别信息可以包括但不限于以下至少一项:障碍物识别框。这里,上述障碍物识别框可以表征障碍物的位置。
可选地,上述障碍物识别模型可以是通过以下步骤训练得到的:
第一步,获取样本障碍点信息集和初始障碍物识别模型,其中,上述样本障碍点信息集中的样本障碍点信息包括:初始样本障碍点信息和目标样本识别信息,上述初始障碍物识别模型包括:锚框生成模型和障碍物检测模型。其中,上述初始样本障碍点信息可以包括但不限于以下至少一项:样本障碍点雷达坐标和样本障碍物距离值。上述样本障碍点雷达坐标可以是上述样本障碍点信息对应的空间点在雷达坐标系下的坐标。上述样本障碍物距离值可以是上述样本障碍点信息对应的空间点、与采集上述样本障碍点信息的雷达传感器的距离值。上述目标样本识别信息可以包括但不限于以下至少一项:目标障碍物识别框。这里,上述目标障碍物识别框可以是预先生成的与上述初始样本障碍点信息对应的锚框。上述锚框生成模型可以是以初始样本障碍点信息为输入,以目标样本障碍点锚框集为输出的未经训练的自定义模型。预定义模型可以分为三层:
第一层可以是输入层,可以用于将上述初始样本障碍点信息包括的初始样本障碍点雷达坐标从雷达坐标系转换至图像坐标系,得到样本障碍点图像坐标,以及将上述样本障碍点图像坐标和上述初始样本障碍点信息传递给第二层。
第二层可以是隐藏层,包括第一缩放参数和第二缩放参数。可以用于,首先,生成与上述样本障碍点图像坐标对应的初始样本障碍点锚框集。然后,基于上述隐藏层包括的第一缩放参数和第二缩放参数和上述样本障碍点信息包括的样本障碍点距离值,生成样本锚框缩放因子。这里,可以通过以下公式生成上述样本锚框缩放因子:
第三层可以是输出层,可以基于上述样本锚框缩放因子,通过预设的更新算法,对上述初始样本障碍点锚框集进行更新处理,得到目标样本障碍点锚框集,以及将上述目标样本障碍点锚框集作为上述锚框生成模型的输出。
作为示例,上述预设的更新算法可以是Bounding Box Regression(边框回归)算法。
上述障碍物检测模型可以是以目标样本障碍点锚框集为输入,以初始障碍物识别信息为输出的未经训练的目标检测神经网络模型。这里,上述初始障碍物识别信息可以包括但不限于以下至少一项:初始障碍物识别框。
作为示例,上述目标检测神经网络模型可以是但不限于以下至少一项:RCNN(Region-Convolutional Neural Networks,区域卷积神经网络)模型或Faster RCNN(Faster Region-Convolutional Neural Networks,快速区域卷积神经网络)模型。
第二步,从上述样本障碍点信息集中选取样本障碍点信息,执行以下训练子步骤:
第一子步骤,将样本障碍点信息包括的初始样本障碍点信息输入至初始障碍物识别模型包括的锚框生成模型中,得到目标样本障碍点锚框集。
第二子步骤,将目标样本障碍点锚框集输入至初始障碍物识别模型包括的障碍物检测模型中,得到初始障碍物识别信息。
第三子步骤,基于预设的损失函数,确定样本障碍点信息包括的目标样本识别信息和初始障碍物识别信息的识别差异值。其中,上述预设的损失函数可以包括但不限于以下至少一项:Softmax Cross Entropy Loss(最大化交叉熵损失)函数和Regression Loss(回归损失)函数。
第三步,响应于确定识别差异值小于目标值,将初始障碍物识别模型确定为障碍物识别模型。
作为示例,上述目标值可以是0.01。
可选地,上述域控制器还可以响应于确定上述识别差异值大于等于上述目标值,调整上述初始障碍物识别模型中的相关参数,将调整后的初始障碍物识别模型作为初始障碍物识别模型,以及从上述样本障碍点信息集中选取样本障碍点信息,以供再次执行上述训练步骤。其中,可以通过预设的调整算法,调整上述初始障碍物识别模型中的相关参数。上述初始障碍物识别模型中的相关参数可以包括但不限于以下至少一项:上述第一缩放参数和上述第二缩放参数。
作为示例,上述预设的调整算法可以是但不限于以下至少一项:反向传播算法或随机梯度下降算法。
在一些实施例的一些可选的实现方式中,上述域控制器将样本障碍点信息包括的初始样本障碍点信息输入至初始障碍物识别模型包括的锚框生成模型中,得到目标样本障碍点锚框集,可以包括以下步骤:
第一步,对上述初始样本障碍点信息包括的样本障碍点雷达坐标进行坐标转换处理,得到样本障碍点图像坐标。其中,可以将上述样本障碍点信息包括的样本障碍点雷达坐标输入至上述锚框生成模型包括的第一层,得到上述样本障碍点图像坐标。
第二步,生成与上述样本障碍点图像坐标对应的初始样本障碍点锚框集。其中,可以将上述样本障碍点图像坐标输入至上述锚框生成模型包括的第二层,得到上述初始样本障碍点锚框集。
第三步,基于上述样本障碍点信息包括的样本障碍点距离值,生成样本锚框缩放因子。其中,可以将上述样本障碍点信息包括的样本障碍点距离值输入至上述锚框生成模型包括的第二层,得到上述样本锚框缩放因子。
第四步,基于上述样本锚框缩放因子,对上述初始样本障碍点锚框集进行更新处理,得到目标样本障碍点锚框。其中,可以将上述初始样本障碍点锚框集进输入至上述锚框生成模型包括的第三层,得到上述目标样本障碍点锚框。
上述步骤305的相关内容作为本公开的实施例的一个发明点,解决了技术问题四“难以及时控制车辆避障”。导致难以及时控制车辆避障的因素往往如下:RPN算法需要提前获取相机图像,由于相机图像的获取频率比雷达数据的获取频率低,且相机图像处理速度较慢,导致识别障碍物的速度降低,从而导致障碍物信息的实时性降低。如果解决了上述因素,就可以及时控制车辆避障。为了达到这一效果,本公开可以通过训练后的障碍物识别模型,对障碍点信息包括的雷达坐标进行坐标转换,接着,根据训练好的模型参数,对与每个障碍点信息对应的各个锚框进行缩放,然后,对缩放后的各个锚框进行整合,得到最终的障碍物识别框。由此,可以仅需采集雷达数据,无需获取相机图像,可以仅通过雷达数据识别出障碍物信息,减少了对相机图像进行卷积的步骤,可以提高识别障碍物的速度,从而可以提高障碍物信息的实时性,进而,可以及时控制车辆避障。
步骤307,将障碍物轨迹信息集和所障碍物识别信息集通过以太网关发送至控制终端以供控制车辆避障。
在一些实施例中,上述域控制器可以将上述障碍物轨迹信息集和上述障碍物识别信息集通过以太网关发送至控制终端以供控制车辆避障。
上述车辆避障方法作为本公开的实施例的一个发明点,解决了背景技术提出的技术问题三“车辆避障的准确度降低”。导致车辆避障的准确度降低的因素往往如下:雷达内部的雷达处理器数据处理能力较差,难以使用深度学习算法,导致得到的障碍物信息的准确度降低。如果解决了上述因素,就可以提高车辆避障的准确度。为了达到这一效果,本公开包括的域控制器可以首先,获取障碍点雷达数据组集。由此,可以从雷达传感器组件上获取上述障碍点雷达数据组集。其次,基于上述障碍点雷达数据组集,生成目标障碍点信息集。由此,可以将获取的各个雷达数据转换为障碍点信息集。接着,对上述目标障碍点信息集中的各个目标障碍点信息进行降噪处理,得到过滤障碍点信息集。由此,可以对转换后的障碍点信息集进行第一次过滤,可以去除障碍点信息集中的噪声信息。紧接着,对上述过滤障碍点信息集进行聚类处理,得到障碍点信息簇集和障碍点簇中心信息集。由此,可以对上述障碍点信息集进行第二次过滤,可以去除上述障碍点信息集中的异常数据。然后,对上述障碍点簇中心信息集中的每个障碍点簇中心信息进行轨迹预测处理以生成障碍物轨迹信息,得到障碍物轨迹信息集。由此,可以得到障碍物的轨迹,以供控制车辆进行避障。再然后,将上述障碍点信息簇集中的每个障碍点信息输入至预先训练的障碍物识别模型以生成障碍物识别信息,得到障碍物识别信息集。由此,可以通过使用深度学习神经网络算法,识别出障碍物信息。最后,将上述障碍物轨迹信息集和上述障碍物识别信息集通过以太网关发送至控制终端以供控制车辆避障。由此,控制终端可以控制车辆避障。因此,上述一体化雷达装置可以通过数据处理能力较高的域控制器,对雷达传感器组件发送的雷达数据进行两次筛选过滤,提高了障碍点信息的准确度,然后可以将准确度较高的障碍点信息输入至预先训练的深度学习神经网络模型中,进一步提高了识别得到的障碍物信息的准确度,从而,可以车辆避障的准确度。
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 (9)
1.一种一体化雷达装置,其特征在于,包括以太网关、域控制器和雷达传感器组件,其中:
所述雷达传感器组件中的雷达传感器包括:雷达以太网收发器;
所述域控制器包括:域控以太网收发器;
所述雷达传感器组件中每个雷达传感器包括的雷达以太网收发器和所述域控以太网收发器通讯连接;
所述域控制器和所述以太网关通过所述域控以太网收发器通讯连接;
在工作状态下,所述雷达以太网收发器用于将雷达数据发送至所述域控以太网收发器,所述域控以太网收发器用于接收所述雷达传感器组件中各个雷达传感器生成的雷达数据、以及用于将域控数据发送至所述以太网关。
2.根据权利要求1所述的一体化雷达装置,其特征在于,所述雷达传感器组件中的雷达传感器还包括:雷达信号收发器、雷达处理器、模数转换器和移动处理器接口;
所述雷达传感器组件中雷达传感器包括的雷达信号收发器和模数转换器电路连接;
所述雷达传感器组件中雷达传感器包括的模数转换器和雷达处理器通过移动处理器接口电路连接;
所述雷达传感器组件中雷达传感器包括的雷达处理器和雷达以太网收发器电路连接。
3.根据权利要求1所述的一体化雷达装置,其特征在于,所述域控制器还包括:域控处理器;
所述域控以太网收发器和所述域控处理器电路连接。
4.根据权利要求1所述的一体化雷达装置,其特征在于,所述雷达传感器组件中的雷达传感器还包括:雷达电源,所述雷达传感器组件中的雷达传感器包括的雷达电源用于为所述雷达传感器供电;
所述域控制器还包括:域控电源,所述域控电源用于为所述域控制器供电。
5.一种安装了如权利要求1-4任一所述的一体化雷达装置的车辆避障方法,包括:
获取障碍点雷达数据组集;
基于所述障碍点雷达数据组集,生成目标障碍点信息集;
对所述目标障碍点信息集中的各个目标障碍点信息进行降噪处理,得到过滤障碍点信息集;
对所述过滤障碍点信息集进行聚类处理,得到障碍点信息簇集和障碍点簇中心信息集;
对所述障碍点簇中心信息集中的每个障碍点簇中心信息进行轨迹预测处理以生成障碍物轨迹信息,得到障碍物轨迹信息集;
将所述障碍点信息簇集中的每个障碍点信息输入至预先训练的障碍物识别模型以生成障碍物识别信息,得到障碍物识别信息集;
将所述障碍物轨迹信息集和所述障碍物识别信息集通过以太网关发送至控制终端以供控制车辆避障。
6.根据权利要求5所述的方法,其中,所述障碍点雷达数据组集中的障碍点雷达数据组是通过以下步骤生成的:
雷达传感器响应于接收到采集请求信息,采集障碍点雷达信号组;
所述雷达传感器对所述障碍点雷达信号组中的各个障碍点雷达信号进行信号转换处理,得到障碍点雷达数据组;
所述雷达传感器对所述障碍点雷达数据组进行筛选处理,得到所述障碍点雷达数据组。
7.根据权利要求5所述的方法,其中,所述障碍物识别模型是通过以下步骤训练得到的:
获取样本障碍点信息集和初始障碍物识别模型,其中,所述样本障碍点信息集中的样本障碍点信息包括:初始样本障碍点信息和目标样本识别信息,所述初始障碍物识别模型包括:锚框生成模型和障碍物检测模型;
从所述样本障碍点信息集中选取样本障碍点信息,执行以下训练步骤:
将样本障碍点信息包括的初始样本障碍点信息输入至初始障碍物识别模型包括的锚框生成模型中,得到目标样本障碍点锚框集;
将目标样本障碍点锚框集输入至初始障碍物识别模型包括的障碍物检测模型中,得到初始障碍物识别信息;
基于预设的损失函数,确定样本障碍点信息包括的目标样本识别信息和初始障碍物识别信息的识别差异值;
响应于确定识别差异值小于目标值,将初始障碍物识别模型确定为障碍物识别模型。
8.根据权利要求7所述的方法,其中,所述方法还包括:
响应于确定所述识别差异值大于等于所述目标值,调整所述初始障碍物识别模型中的相关参数,将调整后的初始障碍物识别模型作为初始障碍物识别模型,以及从所述样本障碍点信息集中选取样本障碍点信息,以供再次执行所述训练步骤。
9.根据权利要求7所述的方法,其中,所述初始样本障碍点信息包括:样本障碍点雷达坐标和样本障碍点距离值;以及
所述将样本障碍点信息包括的初始样本障碍点信息输入至初始障碍物识别模型包括的锚框生成模型中,得到目标样本障碍点锚框集,包括:
对所述初始样本障碍点信息包括的样本障碍点雷达坐标进行坐标转换处理,得到样本障碍点图像坐标;
生成与所述样本障碍点图像坐标对应的初始样本障碍点锚框集;
基于所述样本障碍点信息包括的样本障碍点距离值,生成样本锚框缩放因子;
基于所述样本锚框缩放因子,对所述初始样本障碍点锚框集进行更新处理,得到目标样本障碍点锚框集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310582895.3A CN116299474B (zh) | 2023-05-23 | 2023-05-23 | 一体化雷达装置和车辆避障方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310582895.3A CN116299474B (zh) | 2023-05-23 | 2023-05-23 | 一体化雷达装置和车辆避障方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116299474A true CN116299474A (zh) | 2023-06-23 |
CN116299474B CN116299474B (zh) | 2023-09-12 |
Family
ID=86834494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310582895.3A Active CN116299474B (zh) | 2023-05-23 | 2023-05-23 | 一体化雷达装置和车辆避障方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116299474B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116643280A (zh) * | 2023-07-27 | 2023-08-25 | 禾昆科技(北京)有限公司 | 雷达控制装置和雷达控制方法 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110550029A (zh) * | 2019-08-12 | 2019-12-10 | 华为技术有限公司 | 障碍物避让方法及装置 |
US20190378356A1 (en) * | 2018-06-08 | 2019-12-12 | Metawave Corporation | Beacon system in an autonomous vehicle radar for vehicle identification |
CN111337941A (zh) * | 2020-03-18 | 2020-06-26 | 中国科学技术大学 | 一种基于稀疏激光雷达数据的动态障碍物追踪方法 |
US20210261154A1 (en) * | 2018-12-28 | 2021-08-26 | SZ DJI Technology Co., Ltd. | Continuous obstacle detection method, device, and system, and storage medium |
CN113853532A (zh) * | 2019-06-14 | 2021-12-28 | Kpit技术有限责任公司 | 基于激光雷达和雷达的跟踪和映射***及其方法 |
EP3968054A1 (en) * | 2019-06-20 | 2022-03-16 | Huawei Technologies Co., Ltd. | Radar system |
US20220229179A1 (en) * | 2021-01-19 | 2022-07-21 | Faurecia Clarion Electronics Co., Ltd. | Obstacle detection device and obstacle detection method |
CN115033026A (zh) * | 2022-08-10 | 2022-09-09 | 长沙莫之比智能科技有限公司 | 搭载云台的斜侧装无人机毫米波雷达避障和定高方法 |
CN115221970A (zh) * | 2022-07-28 | 2022-10-21 | 重庆长安汽车股份有限公司 | 目标轨迹预测方法、***、设备及介质 |
US20230008816A1 (en) * | 2021-07-08 | 2023-01-12 | Robert Bosch Gmbh | Radar system for motor vehicles |
CN115620261A (zh) * | 2022-10-11 | 2023-01-17 | 佛山仙湖实验室 | 基于多传感器的车辆环境感知方法、***、设备及介质 |
US20230026761A1 (en) * | 2021-07-22 | 2023-01-26 | Aptiv Technologies Limited | Enhanced mmic with h264/h265 encoding for efficient adas radar |
CN115657684A (zh) * | 2022-12-08 | 2023-01-31 | 禾多科技(北京)有限公司 | 车辆路径信息生成方法、装置、设备和计算机可读介质 |
WO2023048714A1 (en) * | 2021-09-23 | 2023-03-30 | Intel Corporation | Radar apparatus, system, and method |
CN116088537A (zh) * | 2023-04-06 | 2023-05-09 | 禾多科技(北京)有限公司 | 车辆避障方法、装置、电子设备和计算机可读介质 |
CN116087988A (zh) * | 2022-12-11 | 2023-05-09 | 合肥极目行远科技有限公司 | 一种多线激光雷达障碍物检测方法 |
-
2023
- 2023-05-23 CN CN202310582895.3A patent/CN116299474B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190378356A1 (en) * | 2018-06-08 | 2019-12-12 | Metawave Corporation | Beacon system in an autonomous vehicle radar for vehicle identification |
US20210261154A1 (en) * | 2018-12-28 | 2021-08-26 | SZ DJI Technology Co., Ltd. | Continuous obstacle detection method, device, and system, and storage medium |
CN113853532A (zh) * | 2019-06-14 | 2021-12-28 | Kpit技术有限责任公司 | 基于激光雷达和雷达的跟踪和映射***及其方法 |
EP3968054A1 (en) * | 2019-06-20 | 2022-03-16 | Huawei Technologies Co., Ltd. | Radar system |
US20220107390A1 (en) * | 2019-06-20 | 2022-04-07 | Huawei Technologies Co., Ltd. | Radar System |
CN110550029A (zh) * | 2019-08-12 | 2019-12-10 | 华为技术有限公司 | 障碍物避让方法及装置 |
CN111337941A (zh) * | 2020-03-18 | 2020-06-26 | 中国科学技术大学 | 一种基于稀疏激光雷达数据的动态障碍物追踪方法 |
US20220229179A1 (en) * | 2021-01-19 | 2022-07-21 | Faurecia Clarion Electronics Co., Ltd. | Obstacle detection device and obstacle detection method |
US20230008816A1 (en) * | 2021-07-08 | 2023-01-12 | Robert Bosch Gmbh | Radar system for motor vehicles |
US20230026761A1 (en) * | 2021-07-22 | 2023-01-26 | Aptiv Technologies Limited | Enhanced mmic with h264/h265 encoding for efficient adas radar |
WO2023048714A1 (en) * | 2021-09-23 | 2023-03-30 | Intel Corporation | Radar apparatus, system, and method |
CN115221970A (zh) * | 2022-07-28 | 2022-10-21 | 重庆长安汽车股份有限公司 | 目标轨迹预测方法、***、设备及介质 |
CN115033026A (zh) * | 2022-08-10 | 2022-09-09 | 长沙莫之比智能科技有限公司 | 搭载云台的斜侧装无人机毫米波雷达避障和定高方法 |
CN115620261A (zh) * | 2022-10-11 | 2023-01-17 | 佛山仙湖实验室 | 基于多传感器的车辆环境感知方法、***、设备及介质 |
CN115657684A (zh) * | 2022-12-08 | 2023-01-31 | 禾多科技(北京)有限公司 | 车辆路径信息生成方法、装置、设备和计算机可读介质 |
CN116087988A (zh) * | 2022-12-11 | 2023-05-09 | 合肥极目行远科技有限公司 | 一种多线激光雷达障碍物检测方法 |
CN116088537A (zh) * | 2023-04-06 | 2023-05-09 | 禾多科技(北京)有限公司 | 车辆避障方法、装置、电子设备和计算机可读介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116643280A (zh) * | 2023-07-27 | 2023-08-25 | 禾昆科技(北京)有限公司 | 雷达控制装置和雷达控制方法 |
CN116643280B (zh) * | 2023-07-27 | 2023-10-13 | 禾昆科技(北京)有限公司 | 雷达控制装置和雷达控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116299474B (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110765974B (zh) | 基于毫米波雷达和卷积神经网络的微动手势识别方法 | |
CN116299474B (zh) | 一体化雷达装置和车辆避障方法 | |
CN110705501B (zh) | 一种提升fmcw雷达手势识别精度的干扰抑制方法 | |
JP2021506149A (ja) | 無線信号の特性の機械学習に基づく動き検出 | |
CN111045443A (zh) | 移动控制方法、装置、设备及存储介质 | |
CN111602139A (zh) | 图像处理方法、装置、控制终端及可移动设备 | |
CN109327252B (zh) | 一种基于联系上下文的在线学习波束选择方法 | |
CN107343258B (zh) | 一种基于多信道信号强度检测的车内定位方法及*** | |
WO2020052441A1 (zh) | 目标分类方法和相关设备 | |
US20210239828A1 (en) | System, method and computer program product for improved radar-based object recognition | |
CN113311857A (zh) | 一种基于无人机的环境感知与避障***及方法 | |
EP4197216A1 (en) | Multi-band wi-fi fusion for wlan sensing field | |
CN114545326A (zh) | 定位方法、装置、设备、存储介质及*** | |
CN112687107A (zh) | 感知数据获取方法和装置 | |
Yu et al. | An intelligent implementation of multi-sensing data fusion with neuromorphic computing for human activity recognition | |
US20230036450A1 (en) | Improving angular resolution of radars using an artificial neural network | |
CN115908547A (zh) | 一种基于深度学习的无线定位方法 | |
CN115131756A (zh) | 一种目标检测方法及装置 | |
CN113514796B (zh) | 一种无源定位方法、***和介质 | |
CN114724245A (zh) | 基于csi的增量学习人体动作识别方法 | |
WO2022190721A1 (en) | Multi-band wi-fi fusion for wlan sensing field | |
CN113822372A (zh) | 基于YOLOv5神经网络的无人机检测方法 | |
CN113701759B (zh) | 基于可重构超材料的室内同步定位与地图构建方法与*** | |
CN114740970B (zh) | 一种基于联邦学习的毫米波手势识别方法及*** | |
CN113938365B (zh) | THz通信探测一体化***的能限检测方法以及装置 |
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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: 201, 202, 301, No. 56-4 Fenghuang South Road, Huadu District, Guangzhou City, Guangdong Province, 510806 Patentee after: Heduo Technology (Guangzhou) Co.,Ltd. Address before: 100099 101-15, 3rd floor, building 9, yard 55, zique Road, Haidian District, Beijing Patentee before: HOLOMATIC TECHNOLOGY (BEIJING) Co.,Ltd. |