CN116524029B - 轨道交通工具的障碍物检测方法、装置、设备及存储介质 - Google Patents
轨道交通工具的障碍物检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116524029B CN116524029B CN202310787664.6A CN202310787664A CN116524029B CN 116524029 B CN116524029 B CN 116524029B CN 202310787664 A CN202310787664 A CN 202310787664A CN 116524029 B CN116524029 B CN 116524029B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- real
- time point
- determining
- characteristic points
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000001914 filtration Methods 0.000 claims abstract description 15
- 239000013598 vector Substances 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 19
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- PCTMTFRHKVHKIS-BMFZQQSSSA-N (1s,3r,4e,6e,8e,10e,12e,14e,16e,18s,19r,20r,21s,25r,27r,30r,31r,33s,35r,37s,38r)-3-[(2r,3s,4s,5s,6r)-4-amino-3,5-dihydroxy-6-methyloxan-2-yl]oxy-19,25,27,30,31,33,35,37-octahydroxy-18,20,21-trimethyl-23-oxo-22,39-dioxabicyclo[33.3.1]nonatriaconta-4,6,8,10 Chemical group C1C=C2C[C@@H](OS(O)(=O)=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2.O[C@H]1[C@@H](N)[C@H](O)[C@@H](C)O[C@H]1O[C@H]1/C=C/C=C/C=C/C=C/C=C/C=C/C=C/[C@H](C)[C@@H](O)[C@@H](C)[C@H](C)OC(=O)C[C@H](O)C[C@H](O)CC[C@@H](O)[C@H](O)C[C@H](O)C[C@](O)(C[C@H](O)[C@H]2C(O)=O)O[C@H]2C1 PCTMTFRHKVHKIS-BMFZQQSSSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4808—Evaluating distance, position or velocity data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Electromagnetism (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及交通领域,提出了一种轨道交通工具的障碍物检测方法、装置、设备及存储介质,该方法包括:获取轨道交通工具运行时的实时点云;确定实时点云和预设点云中的特征点所属的目标形状,根据特征点所属的目标形状的一致性,确定实时点云中的有效特征点,根据有效特征点的查找率确定实时点云与点云序列的匹配结果,根据匹配结果确定轨道交通工具的定位信息;根据定位信息确定所述实时点云中的限界区;根据限界区进行障碍物的预警检测。本申请通过匹配的地图帧快速进行精确定位,并通过匹配的地图帧确定限界区,通过限界区进行点云过滤,从而能够更为准确的进行障碍物检测,减少轨道交通工具发生碰撞的几率,提高乘车人员的安全性。
Description
技术领域
本申请涉及交通领域,尤其涉及轨道交通工具的障碍物检测方法、装置、设备及存储介质。
背景技术
常见的轨道交通工具包括传统火车、地铁、高铁、轻轨和有轨电车等。轨道交通作为城市交通的重要工具,具有载客人数多、行驶速度快、时效准确度高等优点,为城市出行带来了极大的便利性。
由于轨道交通工具的载客人数多,使得轨道交通工具的体积较大,再加上行驶速度快,轨道交通工具的制动距离较长。如果轨道交通工具的定位准确度不高,可能会导致障碍物检测精度不高,轨道交通工具容易与障碍物发生碰撞,造成车辆损坏,危害乘车人员的生命安全。
发明内容
有鉴于此,本申请实施例提供了一种轨道交通工具的障碍物检测方法、装置、设备及存储介质,以解决现有技术中轨道交通工具的障碍物检测精度不高,轨道交通工具容易与障碍物发生碰撞,造成车辆损坏,危害乘车人员的生命安全的问题。
本申请实施例的第一方面提供了一种轨道交通工具的障碍物检测方法,所述方法包括:
获取所述轨道交通工具运行时的实时点云;
确定所述实时点云和预设点云中的特征点所属的目标形状,根据所述特征点所属的目标形状的一致性,确定所述实时点云中的有效特征点,根据所述有效特征点的查找率确定所述实时点云与点云序列的匹配结果,根据所述匹配结果确定所述轨道交通工具的定位信息;
根据所述定位信息确定所述实时点云中的限界区;
根据所述限界区对所述实时点云进行过滤,根据过滤后的点云进行障碍物的预警检测。
结合第一方面,在第一方面的第一种可能实现方式中,在根据所述定位信息确定所述实时点云中的限界区之前,所述方法还包括:
根据所述轨道交通工具的行驶线路采集地图帧,根据所述地图帧生成帧序列;
根据点云采集设备的标定位姿,确定所述轨道交通工具在所述地图帧的点云中的车轮轨迹;
根据所述车轮轨迹和预设的高度,确定所述地图帧对应的限界区。
结合第一方面的第一种可能实现方式,在第一方面的第二种可能实现方式中,根据所述车轮轨迹和预设的高度,确定所述地图帧对应的限界区,包括:
根据所述车轮轨迹确定所述限界区的宽度向量;
根据所述车轮轨迹中车轮的位姿,拟合得到车轮所在的平面;
确定所述平面的法向量,根据所述法向量和预设的长度确定所述限界区的高度向量,根据所述限界区宽度和所述限界区高度确定的矩形框为所述限界区。
结合第一方面的第二种可能实现方式,在第一方面的第三种可能实现方式中,根据所述定位信息确定所述实时点云中的限界区,包括:
根据所述轨道交通工具的定位信息,确定所述实时点云中的限界区位姿;
根据所述实时点云中的点与所述限界区的距离,确定与所述实时点云对应的限界区;
根据所述限界区对所述实时点云进行过滤,包括:
确定所述实时点云中的点投影至对应的限界区所在平面的投影位置;
过滤掉实时点云中,投影位置位于所述限界区外的点。
结合第一方面,在第一方面的第四种可能实现方式中,根据所述有效特征点的查找率确定所述实时点云与点云序列的匹配结果,根据所述匹配结果确定所述轨道交通工具的定位信息,包括:
确定所述实时点云与所述点云序列中的地图帧的相似度得分;
根据所述实时点云与所述点云序列中的地图帧的相似度得分和所述有效特征点的查找率,确定所述实时点云匹配的地图帧;
根据所述匹配的地图帧确定所述轨道交通工具的定位信息。
结合第一方面的第四种可能实现方式,在第一方面的第五种可能实现方式中,根据所述实时点云与所述点云序列中的地图帧的相似度得分和所述有效特征点的查找率,确定所述实时点云匹配的地图帧,包括:
根据所述实时点云与所述点云序列中的地图帧的相似度得分,所述有效特征点的查找率,结合预设的第一权重系数和第二权重系数,确定所述实时点云匹配的地图帧。
结合第一方面的第五种可能实现方式,在第一方面的第六种可能实现方式中,确定所述实时点云和预设点云中的特征点所属的目标形状,根据所述特征点所属的目标形状的一致性,确定所述实时点云中的有效特征点,包括:
确定所述实时点云的特征点和所述地图帧的特征点所属的目标形状;
如果所述实时点云中的特征点所属的目标形状与地图帧中的特征点所属的目标形状为同一目标形状,则确定所述实时点云中属于同一目标形状的特征点为有效特征点;
根据所述有效特征点在特征点总数中的占比,确定有效特征点的查找率。
本申请实施例的第二方面提供了一种轨道交通工具的障碍物检测装置,所述装置包括:
实时点云获取单元,用于获取所述轨道交通工具运行时的实时点云;
匹配定位单元,用于确定所述实时点云和预设点云中的特征点所属的目标形状,根据所述特征点所属的目标形状的一致性,确定所述实时点云中的有效特征点,根据所述有效特征点的查找率确定所述实时点云与点云序列的匹配结果,根据所述匹配结果确定所述轨道交通工具的定位信息;
限界区确定单元,用于根据所述定位信息确定所述实时点云中的限界区;
过滤单元,用于根据所述限界区对所述实时点云进行过滤,根据过滤后的点云进行障碍物的预警检测。
本申请实施例的第三方面提供了轨道交通工具的障碍物检测设备,包括存储器、处理器以及存储在所述存储器中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如第一方面任一项所述方法的步骤。
本申请实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面任一项所述方法的步骤。
本申请实施例与现有技术相比存在的有益效果是:本申请实施例通过将轨道交通工具运行的实时点云,与预先设定的点云序列,通过其中的特征点所属的目标形状的一致性来确定实时点云中的有效特征点,根据有效特征点的查找率确定实时点云与点云序列的匹配结果,从而能够准确快速的得到轨道交通工具的定位信息。基于匹配的结果确定轨道交通工具的定位信息,根据高精度的定位信息确定实时点云的限界区,通过限界区对实时点云中的点进行过滤,从而能够根据过滤后的点云进行更为准确的障碍物预警检测,减少轨道交通工具发生碰撞的几率,提高乘车人员的安全性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种轨道交通工具的障碍物检测方法的实现流程示意图;
图2是本申请实施例提供的一种确定轨道交通工具的定位信息方法的实现流程示意图;
图3是本申请实施例提供的一种确定实时点云匹配的地图帧方法的实现流程示意图;
图4是本申请实施例提供的一种确定地图帧对应的限界区方法的实现流程示意图;
图5是本申请实施例提供的一种确定限界区的实现流程的示意图;
图6是本申请实施例提供的一种地图帧的限界区的示意图;
图7是本申请实施例提供的一种轨道交通工具的障碍物检测装置的示意图;
图8是本申请实施例提供的轨道交通工具的障碍物检测设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
为了说明本申请所述的技术方案,下面通过具体实施例来进行说明。
在轨道交通工具(包括如火车、地铁、高铁、轻轨或有轨电车等)的运行过程中,在列车行驶方向上可能会出现障碍物。如果不能准确的检测到行驶方向上的障碍物,轨道交通工具可能会与障碍物发生碰撞,造成轨道交通工具损坏,并且会危害乘车人员的安全。
为了解决上述问题,本申请实施例提出了一种轨道交通工具的障碍物检测方法,如图1所示,该方法的实现流程包括:
在S101中,获取所述轨道交通工具运行时的实时点云。
本申请实施例中的轨道交通工具,是指按照预定的轨道行驶的交通工具,包括如高铁、地铁、轻轨、火车和有轨电车等。由于有轨交通工具按照预定的轨道行驶,因此,有轨交通工具的行驶路线固定。比如,地铁会按照所设定的线路,往返于线路的两个端点。
在轨道交通工具运行过程中,为了能够准确有效的对当前场景下的障碍物进行检测,可以在轨道交通工具运行时获取实时点云。该实时点云为轨道交通工具运行时,通过点云采集设备所采集的点云。此处的实时点云是指轨道交通工具运行时所采集的点云。可以按照预定的采集频率,获得轨道交通工具运行时,包括轨道交通工具行驶方向的环境信息的实时点云。其中,点云采集设备可以包括如激光雷达、深度相机等。
在S102中,确定所述实时点云和预设点云中的特征点所属的目标形状,根据所述特征点所属的目标形状的一致性,确定所述实时点云中的有效特征点,根据所述有效特征点的查找率确定所述实时点云与点云序列的匹配结果,根据所述匹配结果确定所述轨道交通工具的定位信息。
在将实时点云与点云序列进行匹配之前,本申请还可以包括点云序列的设定步骤。该点云序列包括轨道交通工具所行驶的线路对应的多帧点云,通过多帧点云构成的序列。比如,可以按照轨道交通工具的行驶线路,按照预定的距离间隔,通过点云采集设备采集多帧点云,生成轨道交通工具的线路对应的点云序列。该行驶线路可以包括往返线路。比如,轨道交通工具在位置A和位置B之间行驶,则行驶线路可以包括由位置A行驶至位置B的线路,以及由位置B行驶至位置A的线路。
将实时点云与点云序列中的点云进行匹配时,可以包括如ICP(英文全称为Iterative Closest Point,中文全称为迭代最近点算法)匹配方法、NDT(英文全称为Normal Distribution Transform,中文全称为正态分布变换)匹配方法,或者还可以包括如基于神经网络的匹配方法,或者基于特征匹配的方法等。通过点云的相似度确定轨道交通工具的定位信息,从而能够减少构建高精地图所需的数据计算量,不需要依赖GNSS(中文全称为全球导航卫星***,英文全称为Global Navigation Satellite System)信号的使用,有利于提高轨道交通工具使用的灵活性。
其中,通过点云匹配,确定轨道交通工具的定位信息的流程可以如图2所示,包括:
在S201中,确定所述实时点云与所述点云序列中的地图帧的相似度得分。
点云序列中包括多个地图帧。每个地图帧的点云会存在区别。可以通过预先训练完成的神经网络计算的方式,计算点云序列中的各个地图帧与实时点云的相似度得分。
为了提升匹配效率,可以通过残差计算的方式,确定点云序列中的各个地图帧与实时点云的相似度得分。
比如,可以根据实时点云和点云序列中的地图帧中的点对应的曲率。比如,可以待计算点为中心,选择预定范围内的点,或者以待计算点为中心,选择预定数量的点,计算该待计算点的曲率。根据所计算的点的曲率的大小,将曲率大于预定阈值的点确定边缘点,将曲率小于预定阈值的点确定为平面点。根据实时点云中的边缘点到点云序列的地图帧中的边缘线的距离,以及实时点云中的平面点到点云序列的地图帧中的平面的距离,确定实时点云与地图帧之间的残差,根据残差表征实时点云与地图帧的相似度得分。
在S202中,根据所述实时点云与所述点云序列中的地图帧的相似度得分,结合实时点云中的有效特征点的查找率,确定所述实时点云匹配的地图帧。
在将实时点云与点云序列进行匹配时,可以计算实时点云与点云序列中的点云的匹配得分,选择匹配得分最高的帧,作为该实时点云匹配的点云帧。
在确定所述实时点云匹配的地图帧之前,还可以进一步确定实时点云与点云序列中的地图帧的有效特征点的查找率,可以如图3所示,包括:
在S301中,确定所述实时点云的特征点和所述地图帧的特征点所属的目标形状。
其中,目标形状可以包括如线点和平面点。可以根据点云中的特征点的平滑度,将特征点划分为线点和平面点。比如,可以将三维空间中处于平滑平面上的点,划分为平面点。将三维空间中处于尖锐边缘上的点划分为线点。
在S302中,如果所述实时点云中的特征点所属的目标形状与地图帧中的特征点所属的目标形状为同一目标形状,则确定所述实时点云中属于同一目标形状的特征点为有效特征点。
单帧点云中的特征点所属的目标形状,可以包括一个或者两个以上的线,或者包括一个或者两个以上的平面。可以根据点的位置,确定点云中的特征点所属的线,或者所属的平面。属于线的特征点,可以称为线点,属于平面的特征点,可以称为平面点。
将实时点云中的特征点与点云序列中的地图帧的特征点进行匹配时,可以将特征点所属的目标形状与地图帧的特征点所属的目标形状进行比较,判断二者的特征点中的线点是否属于同一条线,判断二者的特征点中的平面点是否属于同一个平面。
如果实时点云中的特征点与地图帧中的待比较点云中的特征点属于同一条线,或者属于同一个平面,实时点云中的该特征点为有效特征点。如果地图帧中不存在与实时点云相同的线或平面,则实时点云中该线或平面上的特征点为无效特征点。其中,判断实时点云与地图帧中的目标形状是否为相同的目标形状,可以根据目标形状的相对位置关系,确定是否属于同一目标形状。比如,可以根据线与其它线和其它平面的位置关系,确定实时点云和地图帧中的线是否属于同一条线。或者根据平面与其它平面和线的相对位置关系,确定实时点云和地图帧中的平面是否属于同一平面。
在S303中,根据所述有效特征点在特征点总数中的占比,确定有效特征点的查找率。
在确定了实时点云中的有效特征点的数量后,可以根据有效特征点的数量与实时点云中的总特征点数量,计算得到有效特征点的查找率。比如,有效特征点的查找率可以表示为:有效特征点的查找率=有效特征点数量/总特征点数量。
在S203中,根据所述匹配的地图帧确定所述轨道交通工具的定位信息。
可以根据步骤S201得到的相似度得分,结合S303所得到的有效特征点的查找率,确定实时点云所匹配的地图帧。
比如,可以预先设定权重系数(包括有效特征点的查找率对应的第一权重系数,以及相似度得分对应的第二权重系数),分别为β1和β2,可以计算匹配得分为:有效特征点的查找率*β1+相似度得分*β2。根据计算的匹配得分,查找匹配得分最高的地图帧,作为实时点云匹配的地图帧。
在设定点云序列时,预定标定有点云序列中的每个地图帧与轨道交通工具的位置信息的对应关系。在得到了实时点云所匹配的地图帧后,根据预先设定的地图帧与定位信息的对应关系,即可确定轨道交通工具在当前时刻对应的定位信息。
在S103中,根据所述定位信息确定所述实时点云中的限界区。
在确定实时点云中的限界区之前,本申请还可以包括设定点云序列的地图帧中的限界区的流程,如图4所示,该流程可以包括:
在S401中,根据所述轨道交通工具的行驶线路采集地图帧,根据所述地图帧生成帧序列。
由于轨道交通工具按照预定的行台线路进行行驶。因此,可以根据预定的行驶线路,按照设定的采集频率,采集该线路的地图帧。比如,可以根据距离间隔,或者按照预定的速度,采用预定的时间间隔来采集地图帧。
根据所采集的地图帧,按照地图帧的先后顺序,或者按照地图帧的位置顺序,得到轨道交通工具的行驶线路对应的帧序列。帧序列即为包括多个与行驶线路相关的地图帧。
在S402中,根据点云采集设备的标定位姿,确定所述轨道交通工具在所述地图帧的点云中的车轮轨迹。
在确定了轨道交通工具的行驶线路对应的帧序列后,可以根据轨道交通工具在行驶时的位姿,确定帧序列中的每个地图帧的点云中的车轮轨迹。
在确定轨道交通工具的车轮轨迹时,需要确定点云采集设备的标定位姿。该标定位姿可以包括点云采集设备相对于轨道交通工具的车身的位姿,以及点云采集设备相对于轨道交通工具的车轮的位姿。
根据点云采集设备的标定位姿,可以确定车轮在地图帧中的位姿。根据预定的行驶线路,结合车轮在地图帧中的位姿,可以确定轨道交通工具的车轮在地图帧中的位姿。结合轨道交通工具的行驶线路,可以确定轨道交通工具在地图帧中的车轮轨迹,即预测车轮在地图帧中的位姿。
在S403中,根据所述车轮轨迹和预设的高度,确定所述地图帧对应的限界区。
根据车轮轨迹可以确定轨道交通工具行驶时的车身位置,根据预设的高度可以确定轨道交通工具在行驶的车身高度,从而确定轨道交通工具在地图帧中的限界区。限界区即为轨道交通工具的限界所形成的行驶区域。如果在限界区存在障碍物,则会与行驶的轨道交通工具发生碰撞。
确定地图帧对应的限界区的实现流程可以如图5所示,包括:
在S501中,根据所述车轮轨迹确定所述限界区的宽度向量。
可以根据轨道交通工具的车轮轨迹,确定左右车轮在地图帧中的位置。可以在左车轮的位置处向左扩展预定距离,在右车轮的位置处向右扩展预定距离,根据扩展后的位置确定限界区的宽度向量。
在S502中,根据所述车轮轨迹中车轮的位姿,拟合得到车轮所在的平面。
限界区通常可以采用矩形框的形式来表示。在确定了限界区的宽度向量后,还需要进一步确定限界区的高度向量,以得到限界区对应的矩形框在地图帧中的位姿。
为了使得限界区与车身对应,可以根据车轮轨迹中的左右车轮的位姿,拟合得到车轮所在的平面,从而便于准确的确定轨道交通工具的车身位姿。
在S503中,确定所述平面的法向量,根据所述法向量和预设的长度确定所述限界区的高度向量,根据所述限界区宽度和所述限界区高度确定的矩形框为所述限界区。
根据所确定的车轮所在的平面,以该平面确定法向量。在该平面上,延着法向量的方向延伸预定长度,得到限界区的高度向量。根据所确定的限界区的宽度向量和高度向量,可以得到限界区的矩形框在地图帧中的位姿。
其中,单个地图帧中可以包括一个或者两个以上的限界区,该限界区可以通过矩形框的形式表示在地图帧中。比如,图6所示为地图帧中的限界区的示意图。在该地图帧中,按照预定的距离间隔设置有三个限界区61,即图中通过虚线表示的矩形框。该限界区61位于轨道62的上方。当有障碍物位于该矩形框内时,则可能会与行驶的轨道交通工具发生碰撞。如果障碍物位于该矩形框外,该障碍物不会与行驶的轨道交通工具发生碰撞。
在S104中,根据所述限界区对所述实时点云进行过滤,根据过滤后的点云进行障碍物的预警检测。
在确定了实时点云所匹配的点云序列中的地图帧后,可以根据地图帧中的限界区的位姿,确定地图帧在实时点云中的位姿。比如,可以通过矩阵变换,将地图帧变换为与实时点云相同坐标系的点云图像,根据变换后的地图帧中的界限区的位姿,确定界限区在实时点云中的位姿。根据实时点云中的界限区的位姿,可以对实时点云进行过滤,确定实时点云中可能会与轨道交通工具发生碰撞的点。
在对实时点云进行过滤时,可以先确定实时点云中的点最近的限界区。可以由实时点云中的点向限界区所在的平面作垂线,确定点到界限区所在平面的距离。选择距离最小时对应的限界区,作为该点最近的限界区。对于实时点云中的任意点,可以向最近的限界区投影,确定该点对应的投影位置。判断投影位置是否处于限界区内,即可确定该点是否可能与行驶的轨道交通工具发生碰撞。
在确定投影位置是否处于限界区的矩形框内时,可以根据叉乘的方向性来进行检测。可以根据投影位置与矩形框的顶点的连线与矩形框的边的夹角小于180度,来确定投影位置位于矩形框内。比如,矩形框为ABCD,投影位置为M,如果向量满足:AB×AM>0,BC×BM>0,CD×CM>0,DA×DM>0(其中,AB、BC、CD、DA、AM、BM、CM、DM均表示向量,向量的乘积表示两个向量的模长相乘,再将两个向量的模长的乘积与向量之间的夹角的余弦值相乘,如果向量之间的夹角大于90度且小于270度,则向量的乘积小于0,如果平角小于90度且大于负90度,则向量的乘积大于0),则表明投影位置位于矩形框ABCD内,可能会影响轨道交通工具的通行。如果任意条件不满足,则表明投影位置位于矩形框外,不会影响轨道交通工具的行驶,可以过滤掉该点。
过滤后保留下来的点,可以进行有效性评估。比如,可以通过三维点云的聚类处理。根据聚类后的点云中包括的点的数量,以及聚类的点云之间的距离,确定是否为噪点。比如,对于聚类后属于同一聚类的点云的数量小于预定数量,且该聚类点云与其它聚类点云之间的距离大于预定的距离阈值,则该聚类点云为噪点。
对于非噪点的聚类点云,可以根据非噪点的聚类点云的尺寸、与轨道交通工具的距离,生成相应的报警信号。
另外,即使本申请在定位时出现一定偏移,由于正确的地图帧与错误地图帧的相似性,使得限界区也相似,通过相似的限界区进行点云过滤,仍可以有效的使障碍物的检测结果与正确结果一致,从而确保有效报警。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
图7为本申请实施例提供的一种轨道交通工具的障碍物检测装置的示意图,如图7所示,该装置包括:
实时点云获取单元701,用于获取所述轨道交通工具运行时的实时点云。
匹配定位单元702,用于确定所述实时点云和预设点云中的特征点所属的目标形状,根据所述特征点所属的目标形状的一致性,确定所述实时点云中的有效特征点,根据所述有效特征点的查找率确定所述实时点云与点云序列的匹配结果,根据所述匹配结果确定所述轨道交通工具的定位信息。
限界区确定单元703,用于根据所述定位信息确定所述实时点云中的限界区。
过滤单元704,用于根据所述限界区对所述实时点云进行过滤,根据过滤后的点云进行障碍物的预警检测。
图7所示的轨道交通工具的障碍物检测装置,与图1所示的轨道交通工具的障碍物检测方法对应。
图8是本申请一实施例提供的轨道交通工具的障碍物检测设备的示意图。如图8所示,该实施例的轨道交通工具的障碍物检测设备8包括:处理器80、存储器81以及存储在所述存储器81中并可在所述处理器80上运行的计算机程序82,例如轨道交通工具的障碍物检测程序。所述处理器80执行所述计算机程序82时实现上述各个轨道交通工具的障碍物检测方法实施例中的步骤。或者,所述处理器80执行所述计算机程序82时实现上述各装置实施例中各模块/单元的功能。
示例性的,所述计算机程序82可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器81中,并由所述处理器80执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序82在所述轨道交通工具的障碍物检测设备8中的执行过程。
所述轨道交通工具的障碍物检测设备可包括,但不仅限于,处理器80、存储器81。本领域技术人员可以理解,图8仅仅是轨道交通工具的障碍物检测设备8的示例,并不构成对轨道交通工具的障碍物检测设备8的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述轨道交通工具的障碍物检测设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器80可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,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、分立硬件组件等。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。
所述存储器81可以是所述轨道交通工具的障碍物检测设备8的内部存储单元,例如轨道交通工具的障碍物检测设备8的硬盘或内存。所述存储器81也可以是所述轨道交通工具的障碍物检测设备8的外部存储设备,例如所述轨道交通工具的障碍物检测设备8上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器81还可以既包括所述轨道交通工具的障碍物检测设备8的内部存储单元也包括外部存储设备。所述存储器81用于存储所述计算机程序以及所述轨道交通工具的障碍物检测设备所需的其他程序和数据。所述存储器81还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅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讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
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网络单元上。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,在本申请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。
所述集成的模块/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,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (9)
1.一种轨道交通工具的障碍物检测方法,其特征在于,所述方法包括:
获取所述轨道交通工具运行时的实时点云;
确定所述实时点云和预设点云序列中的地图帧中的特征点所属的目标形状,根据所述特征点所属的目标形状的一致性,将实时点云中的特征点与点云序列中的地图帧的特征点进行匹配,如果实时点云中的特征点与地图帧中的待比较点云中的特征点属于同一条线,或者属于同一个平面,则确定所述实时点云中的特征点为有效特征点,所述预设点云序列中包括多个地图帧,所述预设点云序列包括轨道交通工具所行驶的线路对应的多帧点云,所述目标形状包括线和平面,属于线的特征点为线点,属于平面的特征点为面点,所述线点和所述平面点根据所述特征点的平滑度划分得到;
根据所述有效特征点的查找率确定所述实时点云与点云序列的匹配结果,根据所述匹配结果确定所述轨道交通工具的定位信息,所述查找率为有效特征点数量在所述实时点云中的总特征点数量的占比;
根据所述定位信息确定所述实时点云中的限界区;
根据所述限界区对所述实时点云进行过滤,根据过滤后的点云进行障碍物的预警检测。
2.根据权利要求1所述的方法,其特征在于,在根据所述定位信息确定所述实时点云中的限界区之前,所述方法还包括:
根据所述轨道交通工具的行驶线路采集地图帧,根据所述地图帧生成帧序列;
根据点云采集设备的标定位姿,确定所述轨道交通工具在所述地图帧的点云中的车轮轨迹;
根据所述车轮轨迹和预设的高度,确定所述地图帧对应的限界区。
3.根据权利要求2所述的方法,其特征在于,根据所述车轮轨迹和预设的高度,确定所述地图帧对应的限界区,包括:
根据所述车轮轨迹确定所述限界区的宽度向量;
根据所述车轮轨迹中车轮的位姿,拟合得到车轮所在的平面;
确定所述平面的法向量,根据所述法向量和预设的长度确定所述限界区的高度向量,根据所述限界区宽度和所述限界区高度确定的矩形框为所述限界区。
4.根据权利要求3所述的方法,其特征在于,根据所述定位信息确定所述实时点云中的限界区,包括:
根据所述轨道交通工具的定位信息,确定所述实时点云中的限界区位姿;
根据所述实时点云中的点与所述限界区的距离,确定与所述实时点云对应的限界区;
根据所述限界区对所述实时点云进行过滤,包括:
确定所述实时点云中的点投影至对应的限界区所在平面的投影位置;
过滤掉实时点云中,投影位置位于所述限界区外的点。
5.根据权利要求1所述的方法,其特征在于,确定所述实时点云与点云序列的匹配结果,根据所述匹配结果确定所述轨道交通工具的定位信息,包括:
确定所述实时点云与所述点云序列中的地图帧的相似度得分;
根据所述实时点云与所述点云序列中的地图帧的相似度得分和所述有效特征点的查找率,确定所述实时点云匹配的地图帧;
根据所述匹配的地图帧确定所述轨道交通工具的定位信息。
6.根据权利要求5所述的方法,其特征在于,根据所述实时点云与所述点云序列中的地图帧的相似度得分和所述有效特征点的查找率,确定所述实时点云匹配的地图帧,包括:
根据所述实时点云与所述点云序列中的地图帧的相似度得分,所述有效特征点的查找率,结合预设的第一权重系数和第二权重系数,确定所述实时点云匹配的地图帧。
7.一种轨道交通工具的障碍物检测装置,其特征在于,所述装置包括:
实时点云获取单元,用于获取所述轨道交通工具运行时的实时点云;
匹配定位单元,用于确定所述实时点云和预设点云序列中的地图帧中的特征点所属的目标形状,根据所述特征点所属的目标形状的一致性,将实时点云中的特征点与点云序列中的地图帧的特征点进行匹配,如果实时点云中的特征点与地图帧中的待比较点云中的特征点属于同一条线,或者属于同一个平面,则确定所述实时点云中的特征点为有效特征点,所述预设点云序列中包括多个地图帧,所述预设点云序列包括轨道交通工具所行驶的线路对应的多帧点云,所述目标形状包括线和平面,属于线的特征点为线点,属于平面的特征点为面点,所述线点和所述平面点根据所述特征点的平滑度划分得到;
根据所述有效特征点的查找率确定所述实时点云与点云序列的匹配结果,根据所述匹配结果确定所述轨道交通工具的定位信息,所述查找率为有效特征点数量在所述实时点云中的总特征点数量的占比;
限界区确定单元,用于根据所述定位信息确定所述实时点云中的限界区;
过滤单元,用于根据所述限界区对所述实时点云进行过滤,根据过滤后的点云进行障碍物的预警检测。
8.一种轨道交通工具的障碍物检测设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述方法的步骤。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310787664.6A CN116524029B (zh) | 2023-06-30 | 2023-06-30 | 轨道交通工具的障碍物检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310787664.6A CN116524029B (zh) | 2023-06-30 | 2023-06-30 | 轨道交通工具的障碍物检测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116524029A CN116524029A (zh) | 2023-08-01 |
CN116524029B true CN116524029B (zh) | 2023-12-01 |
Family
ID=87394415
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310787664.6A Active CN116524029B (zh) | 2023-06-30 | 2023-06-30 | 轨道交通工具的障碍物检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116524029B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021128777A1 (en) * | 2019-12-23 | 2021-07-01 | Suzhou Zhijia Science & Technologies Co., Ltd. | Method, apparatus, device, and storage medium for detecting travelable region |
CN113424079A (zh) * | 2019-12-30 | 2021-09-21 | 深圳元戎启行科技有限公司 | 障碍物检测方法、装置、计算机设备和存储介质 |
CN115082716A (zh) * | 2022-05-10 | 2022-09-20 | 中国人民解放军战略支援部队航天工程大学 | 一种面向道路精细重建的多源点云粗匹配算法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10422639B2 (en) * | 2016-12-30 | 2019-09-24 | DeepMap Inc. | Enrichment of point cloud data for high-definition maps for autonomous vehicles |
US11941827B2 (en) * | 2021-10-19 | 2024-03-26 | Datalogic Ip Tech S.R.L. | System and method of 3D point cloud registration with multiple 2D images |
-
2023
- 2023-06-30 CN CN202310787664.6A patent/CN116524029B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021128777A1 (en) * | 2019-12-23 | 2021-07-01 | Suzhou Zhijia Science & Technologies Co., Ltd. | Method, apparatus, device, and storage medium for detecting travelable region |
CN113424079A (zh) * | 2019-12-30 | 2021-09-21 | 深圳元戎启行科技有限公司 | 障碍物检测方法、装置、计算机设备和存储介质 |
CN115082716A (zh) * | 2022-05-10 | 2022-09-20 | 中国人民解放军战略支援部队航天工程大学 | 一种面向道路精细重建的多源点云粗匹配算法 |
Non-Patent Citations (3)
Title |
---|
A semi-automatic registration protocol to match ex-vivo high-field 7T MR images and histological slices in surgical samples from patients with drug-resistant epilepsy;Domenico Aquino等;Journal of Neuroscience Methods;第367卷;1-4 * |
三维激光扫描在大型游乐场竣工核算中的应用;余翠等;测绘技术装备;第21卷(第03期);70-73 * |
基于线特征的城区激光点云与影像自动配准;何培培;万幼川;杨威;秦家鑫;;光学学报;第35卷(第05期);360-368 * |
Also Published As
Publication number | Publication date |
---|---|
CN116524029A (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113536883B (zh) | 障碍物检测方法、车辆、设备及计算机存储介质 | |
CN108345822B (zh) | 一种点云数据处理方法及装置 | |
CN113468941B (zh) | 障碍物检测方法、装置、设备及计算机存储介质 | |
US20090121899A1 (en) | Parking assistance device | |
CN104833370A (zh) | 用于映射、定位和位姿校正的***和方法 | |
CN110632617B (zh) | 一种激光雷达点云数据处理的方法及装置 | |
CN112132896B (zh) | 一种轨旁设备状态检测方法及*** | |
CN110794406B (zh) | 多源传感器数据融合***和方法 | |
EP3637308A1 (en) | Method and device for positioning vehicle, device, and computer readable storage medium | |
US11703344B2 (en) | Landmark location estimation apparatus and method, and computer-readable recording medium storing computer program programmed to perform method | |
CN107328423B (zh) | 基于地图数据的弯道识别方法及其*** | |
CN110008891B (zh) | 一种行人检测定位方法、装置、车载计算设备及存储介质 | |
CN110850859B (zh) | 一种机器人及其避障方法和避障*** | |
EP3945336A1 (en) | Method and apparatus for positioning movable device, and movable device | |
Huang | Real-time multi-vehicle detection and sub-feature based tracking for traffic surveillance systems | |
CN116524029B (zh) | 轨道交通工具的障碍物检测方法、装置、设备及存储介质 | |
EP4009228A1 (en) | Method for determining a semantic free space | |
CN115995163B (zh) | 一种车辆碰撞预警方法及*** | |
CN117423089A (zh) | 基于图像分割与雷达点云的可行驶区域拟合方法及设备 | |
Oniga et al. | A fast ransac based approach for computing the orientation of obstacles in traffic scenes | |
CN112380927B (zh) | 一种轨道识别方法及其装置 | |
CN118393471A (zh) | 列车定位校准方法、装置和电子设备 | |
CN115675472B (zh) | 一种匝道口的确定方法、装置、电子设备和存储介质 | |
KR101561382B1 (ko) | 도로 기하 모델 기반 차선 추적 장치 및 방법 | |
CN117741673A (zh) | 一种基于激光点云的车辆辅助定位方法及相关设备 |
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 |