CN117441197A - 一种基于行车安全风险场的激光雷达点云动态分割及融合方法 - Google Patents

一种基于行车安全风险场的激光雷达点云动态分割及融合方法 Download PDF

Info

Publication number
CN117441197A
CN117441197A CN202280026657.8A CN202280026657A CN117441197A CN 117441197 A CN117441197 A CN 117441197A CN 202280026657 A CN202280026657 A CN 202280026657A CN 117441197 A CN117441197 A CN 117441197A
Authority
CN
China
Prior art keywords
point cloud
data
field
risk
target vehicle
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
Application number
CN202280026657.8A
Other languages
English (en)
Inventor
赵聪
请求不公布姓名
倪澜涛
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.)
Ma Ruzheng
Original Assignee
Ma Ruzheng
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 Ma Ruzheng filed Critical Ma Ruzheng
Publication of CN117441197A publication Critical patent/CN117441197A/zh
Pending legal-status Critical Current

Links

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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/40—Means for monitoring or calibrating
    • 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
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • 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
    • G01S17/87—Combinations of systems using electromagnetic waves other than radio waves
    • 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
    • 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
    • G01S17/931—Lidar 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/003—Transmission of data between radar, sonar or lidar systems and remote stations
    • 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
    • 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
    • G01S7/497—Means for monitoring or calibrating
    • G01S7/4972—Alignment of sensor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/048—Detecting movement of traffic to be counted or controlled with provision for compensation of environmental or other condition, e.g. snow, vehicle stopped at detector
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/164—Centralised systems, e.g. external to vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/451—Execution arrangements for user interfaces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Theoretical Computer Science (AREA)
  • Electromagnetism (AREA)
  • Data Mining & Analysis (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Traffic Control Systems (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Optical Radar Systems And Details Thereof (AREA)

Abstract

本发明提供一种基于行车安全风险场的车路激光雷达点云动态分割及融合方法，包括如下步骤：1、提出一种行车安全风险场计算机制，量化分析交通环境中的各类静止物体(路侧停车、路障、交通标识等)或移动物体(行驶车辆、非机动车、行人等)对于某一特定位置的风险大小；2、利用上述计算方法，以路侧感知单元的激光雷达点云数据为数据源，针对扫描范围内某一目标车辆(自动驾驶车辆)，计算其他各类物体对目标车辆造成的风险大小，建立以目标车辆为核心的统一化的行车安全风险场分布；3、利用阈值筛选出对于上述目标车辆风险较大的区域，将点云数据从原始数据中分割出来，作为提供给自动驾驶车辆的补充感知信息；4、将路侧感知单元激光雷达获取的点云级信息经过上述步骤处理后，与车端激光雷达获取的点云级信息进行融合，并给出了融合方法的参考评价体系。

Description

一种基于行车安全风险场的激光雷达点云动态分割及融合方法 技术领域
本发明涉及一种车辆自动驾驶感知辅助技术，特别涉及一种基于行车安全风险场的车路激光雷达点云动态分割及融合方法，主要面向于车路协同环境下通过基础设施数据采集、行车安全风险场计算、数据分割、数据发布和数据融合来增强自动驾驶车辆的危险感知能力。
背景技术
自动驾驶技术是交通领域中我国乃至于全世界均在加大投入的一项新兴技术，各国都在尝试开辟并建立一套安全、高效的自动驾驶技术路线，其中我国正大力支持的一种技术方案是车路协同模式。所谓车路协同模式即不仅依靠单车智能手段，而是将智慧体系拓宽至整个交通环境，意图利用车-车通讯、车-路通讯的多维数据渠道来弥补单车感知的局限性和数据处理能力，从而提升整个交通***整体的运行安全和效率。
在自动驾驶安全领域，对驾驶安全辅助***的研究由来已久。自20世纪90年代以来，汽车公司已经提出了许多驾驶安全辅助算法。对于纵向安全，主要采用安全距离模型。当跟随距离小于安全距离时，辅助***将发出警报并自动制动。许多安全距离模型通过实时分析前后车辆相对运动的安全距离来确定车辆的安全状态。对于横向安全性，驾驶员安全辅助算法主要基于汽车的当前位置(CCP)、车道交叉时间(TLC)和可变隆声带(VRBS)。现有的安全模型大多基于车辆运动学和动力学，并且它们对车辆驾驶安全性的描述通常基于关于车辆状态的信息，例如位置、速度、加速度和偏航速度，以及关于车辆相对运动的信息，包括相对速度和相对距离。然而，这些模型存在以下问题：难以反映所有类型的交通因素对驾驶安全的影响；难以描述驾驶员行为特征、车辆状态和道路环境之间的相互作用；难以为车辆控制提供准确的判断依据。
基于此，场论成为了自动驾驶安全领域的新兴方向，原用于解决车辆和机器人导航。一个明显优势是，它允许车辆仅使用其位置和本地传感器测量来自主导航。车辆的障碍物被建模为排斥势场(风险场)。车辆可以使用其所在位置的场强梯度来产生控制动作，以在避开障碍物的同时导航。然而，场论主要应用于自主车辆的运动规划和特定交通场景下的驾驶员行为建模，如跟车等。现有模型的主要问题在于没有充分考虑风险因素，如驾驶员的个性、心理和生理特征、复杂的路况等，以及对驾驶员-车辆-道路相互作用的描述不充分。因此，这些模型的实际应用是有限的。
对于环境的感知是实现自动驾驶决策规划的前提，环境感知手段有许多种，包括高清摄像头、红外传感、激光雷达、毫米波雷达等，不同感知手段各具优势和不足之处。在3D感知领域，激光雷达技术(LiDAR)是一种使用广泛且效果较好的技术手段，其具有扫描范围广、结果直观和不受环境自然光影响的优势，非常适合自动驾驶的感知领域。激光雷达输出的结果为点云格式，具有相对底层的数据特征，扫描资料以点的形式记录，每一个点包含有三维坐标，有些可能含有颜色信息(RGB)或反射强度信息(Intensity)。类似于图像处理技术的蓬勃发展，激光雷达点云数据的处理方法也在逐步增多，涉及目标检测、目标追踪、语义分割等多个方向。
语义分割是计算机视觉中的基本任务，语义分割可以对图像有更细粒度的了解，在自动驾驶领域是非常重要的。关于点云语义分割，则是由计算机视觉中的图像语义分割延申而来。面向原始点云数据，感知场景中的目标类型、数量等特征，并将同类目标的点渲染成同一颜色。三维点云分割既需要了解全局几何结构，又需要了解每个点的细粒度细节。根据分割粒度的不同，三维点云分割方法可以分为三类:语义分割、实例分割和部分分割。
点云分割的效果与点云数据质量有很大关系。显然，在车路协同的融合感知场景中，路侧设备提供不加处理的点云数据可以最大化检测效果，但这会导致数据传输量过大的问题。最新 V2V研究表明，发送由车载传感器检测到的所有道路对象的信息仍然可能导致传输网络高负载。那么，对于道路对象需要一种动态筛选机制，筛选出更有代表性，且仅丢失少量或者不丢失特征信息的“骨架”点云。具体实施过程为：根据理论推导，制定点云价值判断标准；将点云数据中的每一个点设定一个价值；根据价值大小判断是否要输入传输网络中。基于真实道路交通的仿真研究表明，价值预测的V2V通信能够显著提高网络负载下的协作感知性能。推广到路侧感知设备与车端感知设备的融合感知，制定一个动态的点云筛选机制，可以把路段检测到的道路对象按照某种标准有选择地传输给车端，从而提升车端对于场景全语义的感知能力，对于提高自动驾驶的安全性也具有重要意义。
现有技术
CN105892471A；
CN108932462A；
CN110850431A；
CN111985322A；
CN108639059A；
US10281920 B2
WO2015008380A1
发明内容
为了解决上述问题，本发明提供一种基于行车安全风险场的车路激光雷达点云动态分割及融合方法，借鉴Jianqiang Wang等人的论文《The Driving Safety Field Based on Driver–Vehicle–Road Interactions》中推导的风险场计算理论思路和具体点云数据，提出一种可用于实际计算且涵盖绝大部分道路安全影响物体的行车安全风险计算机制，并基于计算结果，分割出对自动驾驶车辆有较大风险的物体的点云作为最终传输结果；然后与目标车辆激光雷达采集的点云进行数据融合，并(可选地)进行方法评价。包括如下步骤：
A.数据采集
在自动驾驶的交通场景中，通过激光雷达扫描，获取交通场景的点云，该数据是后续所有环节的数据源，数据采集模块流程图如图2所示。
在数据采集模块中，有两种备选方案：
A 1:第一种是仅由路侧感知单元中的路侧激光雷达进行激光雷达扫描，以此来构建场景点云，那么后续环节中安全风险场的构建以及数值计算都仅使用了路侧激光雷达的点云；
A 2:第二种是由路侧感知单元中的路侧激光雷达和场景中预设的标定车辆上装载的激光雷达，进行激光雷达扫描，以此来构建场景点云，那么后续环节中安全风险场的构建以及数值计算都使用了路侧激光雷达的点云和标定车辆上装载的激光雷达的点云，起到互相验证、校对的作用。
B.行车安全风险场计算
包括目标检测子模块B 1、场景获取子模块B 2和安全场计算子模块B 3，流程图如图3所示。
B 1:目标检测子模块。在目标检测子模块中，将(1)中得到的场景点云进行深度学习3d目标检测，算法为PV-RCNN。即输入场景点云数据，得到目标检测结果。由于数据来源是激光雷达点云数据，所以激光雷达的布设位置决定了场景点云数据的大小、特征等，边界框为场景中每一个目标的边界框，属性为位置、长度、高度、宽度、偏转角等，如图4所示。
B 2:场景获取子模块。场景获取子模块是为了在目标检测子模块之前，提前获取场景中的一些特征与信息，便于更好的进行目标检测以及后续的安全场计算，该子模块存在多种备选方案如下：
B 21：通过在路侧感知单元中加入相机传感器，利用相机传感器采集到的场景的RGB信息，以及对应的水平、竖直边界来判断物体的类型，来辅助辨别静态物体的类型。
B 22：在目标检测子模块的自动化处理之前，加入人工的判断过程，由经过相关专业培训的工作人员对交通场景中的静态物体进行标定工作，达到辨别静态物体的目的。
B 23：通过已有的高精度地图，根据坐标系定位到场景所在位置，利用高精度地图中的车道级信息来辨别静态物体的类型。
B 3:安全场计算子模块。该子模块的输入为静态物体的类型和目标检测边界框。借鉴物理学中重力场、磁力场等场论方法，将交通环境中可能造成风险的事物均视为危险发生源，以其为中心向周围扩散，风险场的场强可理解为距危险发生源一定距离处的风险系数大小。距离危险中心越近则发生事故的可能性越大，距离越远则事故发生几率越低，当距离趋近于0时可认为目标车辆与危险发生源之间产生接触碰撞，即交通事故已经发生。
行车安全风险场模型包括静态风险场和动态风险场。即行车安全风险场＝静态风险场+动态风险场。
E S＝E R+E V
其中，E S为行车安全风险场的场强矢量，E R为静态风险场的场强矢量，E V为动态风险场的场强矢量，行车安全风险场模型可以表示为实际场景中交通因素引起的潜在驾驶风险。风险是通过事故的可能性和事故的严重性来衡量的。
行车安全风险场依产生源的不同，即静态风险场源和动态风险场源，分为两类：
1)静态风险场：场源为交通环境中处于相对静止的物体，主要为车道分割线等路面标志标线，还包括中央分隔带等硬性分隔设施。该类物体有两个特征：①不考虑道路施工的情况下，该类物体相对于目标车辆处于静止状态；②除部分硬性分隔设施外，该类物体基于法律效应使得驾驶员有意远离其所在位置，但即使驾驶员实际发生了跨越车道线的行为，也不一定即刻会发生交通事故。对于该类物体，根据上述分析，假定静态风险场源a在(x a，y a)形成的势场对于目标车辆j在(x j，y j)的场强矢量E R为：
其中，LT a是静态风险场源a的风险系数；R a是大于0的常数，表示(x a，y a)处的路况影响因素；f d为静态风险场源a距离影响因子；r aj是静态风险场源a和目标车辆j之间的距离矢量，该情况下(x j，y j)为目标车辆j的形心，(x a，y a)则表示(x j，y j)做垂线与静态风险场源a相交的一点；r aj/|r aj|表示场强的方向，d为目标车辆j的宽度。E R值越大，静态风险场源a对目标车辆j造成的风险越高，静态风险场源包括但不限于车道标志等。
2)动态风险场：场源为交通环境中处于相对移动的物体，主要为车辆、行人、路障设施等。该类物体同样有两个特征：①以移动的目标车辆为参考系，具备相对速度。②该类物体均严格禁止碰撞，否则将必然造成严重的交通事故。对于该类物体，根据上述分析，假定动态风险场源b在(x b，y b)形成的势场对于目标车辆j在(x j，y j)的场强矢量E V为：
r bj＝(x j-x b,y j-y b)
其中x轴位于道路线上，y轴垂直于道路线。r bj为动态风险场源b与目标车辆j的距离向量；k 2、k 3和G均为大于0的常数；R b含义与R a相同；T bj为动态风险场源b和目标车辆j之间的类型修正系数；v bj是动态风险场源b与目标车辆j之间的相对速度，θ是v bj和r bj方向之间的角度，顺时针方向为正。E V值越大，动态风险场源b对目标车辆j造成的风险越高。
基于上述行车安全风险计算方法，可以分析道路中的各类物体对某一目标车辆的风险大小。鉴于数据采集范围的全面性和在目标定位方面的优势，本发明选择路侧激光雷达获取的点云数据为数据源，以路侧无遮挡的点云扫描结果为计算载体。
对于场中的某一目标车辆，各类物体的风险大小计算流程如下：
1)通过前期数据采集，构建点云扫描结果的静态场景数据。通过人工方式，分离出静态场景中的静态风险场源，包括车道分隔线、中央分隔带、路沿区域等，通过随机采样并拟合出各静态风险场源的平面线性方程。
2)选定某一帧数据为计算时刻，并提取前一帧数据作为物体移动速度参考。利用基于点云数据的3D目标检测与追踪算法，分别标识出计算帧和前一帧数据中的参与安全场计算过程的各类物体(一般为车辆、行人等)，并建立前后两帧同一个物体间的对应关系。利用同一个物体的标注框和激光雷达的扫描帧率计算该物体的移动速度。对于无前帧数据用以计算速度的新增物体，视其速度为标准速度。
3)将目标车辆和除它之外的其他各个物体的相对位置、类型等属性，以及第1)步中静态风险场源相对目标车辆的距离等参数，还包括路况等交通环境因素代入行车安全风险场计算机制中，相对速度中目标车辆的速度设置为未知参数，将计算过程向后延，那么相对速度则是带有未知参数的表达式。得到扫描范围中每一个对象对于计算目标的安全风险，从而形成以目标车辆为核心的行车安全风险分布。
C.数据分割
数据分割模块流程图如图8所示。首先要将场景点云分为边界框内点云、边界框外点云。根据输入的场景点云、边界框数据，设计算法检测点云是否在边界框内，从而将点云分为边界框内点云、边界框外点云两种。
在安全风险场研究之前，有采样、分割两种方法进行数据分割。引入安全风险场后，基于安全风险场计算结果，设置安全风险场阈值，利用阈值筛选法，筛选出对目标车辆风险较高的物体。那么存在四种数据分割备选方案：
C 1：采样方案；将数据采集子模块得到的场景点云数据P 1；行车安全风险场计算模块得到的目标检测边界框X 1、安全风险场数据S 1作为子模块输入，首先经过条件判断，判断场景点云数据P 1中的点是否在边界框X 1内，得到边界框内点云数据P 11、边界框外点云数据P 12。然后设置超参数f 1、f 2，对边界框内、外点云数据P 11、P 12，按f 1、f 2随机采样，得到数据分割后的点云数据P 2。
C 2：分割方案；将数据采集子模块得到的场景点云数据P 1；行车安全风险场计算模块得到的目标检测边界框X 1、安全风险场数据S 1作为子模块输入，首先经过条件判断，判断场景点云数据P 1中的点是否在边界框X 1内，得到边界框内点云数据P 11、边界框外点云数据P 12。然后选择边界框内点云数据P 11，剔除边界框外点云数据P 12，得到数据分割后的点云数据P 2。
C 3：基于安全风险场采样方案；将数据采集子模块得到的场景点云数据P 1；行车安全风险场计算模块得到的目标检测边界框X 1、安全风险场数据S 1作为子模块输入，首先经过条件判断，判断场景点云数据P 1中的点是否在边界框X 1内，得到边界框内点云数据P 11、边界框外点 云数据P 12。然后设置安全风险场数值阈值f 3，根据阈值采样边界框内、外点云数据P 11、P 12，得到数据分割后的点云数据P 2。
C 4：基于安全风险场分割方案。将数据采集子模块得到的场景点云数据P 1；行车安全风险场计算模块得到的目标检测边界框X 1、安全风险场数据S 1作为子模块输入，首先经过条件判断，判断场景点云数据P 1中的点是否在边界框X 1内，得到边界框内点云数据P 11、边界框外点云数据P 12。然后设置安全风险场数值阈值f 3根据阈值分割边界框内、外点云数据P 11、P 12，得到数据分割后的点云数据P 2。
危险范围提取具体方法为：若危险目标为静态风险场源，则以该风险场源所在的平面为中心，左右各截取宽度为d/2的区域为危险范围，d是危险目标的宽度；若危险目标为动态风险场源，则以危险目标形心为中心，截取宽为1.5d、长为(0.5l+0.5l×k)的矩形区域为危险范围，其中d是危险目标的宽度，l是危险目标的长度，k为不小于1的速度修正系数；按危险源的危险系数大小依次提取危险范围，危险范围重合的区域仅提取一次。最终提取的总危险范围结果可作为目标车辆的感知辅助数据提供给目标车辆。
D.数据发布(可选)
数据发布模块流程图如图9所示。基于数据分割的结果，通过路侧感知单元压缩数据，再建立路侧感知单元和目标车辆的数据传输通道，目标车辆应满足以下特征：时间戳上某一时刻，场景中处于某个位置的某编号车辆。再判断目标车辆是否移动，那么存在两种备选方案：
D 1：若目标车辆静止，则可以直接发布数据分割后的点云、静态风险场、动态风险场矢量和即安全风险场矢量和，模为数值；
D 2：若目标车辆移动，则发布数据分割后点云、静态风险场、半成品风险场数据，再代入目标车辆的速度，即得到其安全风险场矢量和，模为数值。
E.数据融合(可选)
将数据分割后得到的安全场风险数值高的物体周边一定区域的点云和目标车辆激光雷达扫描的点云进行融合，即设计点云坐标转换矩阵进行车端与路侧高风险数据点云配准，并对融合后的点云进行数据压缩，得到压缩点云数据。
F.方法评价(可选)
对于不同的数据分割方法进行试验，V代表不加处理的车端原始点云；
I代表不加处理的路侧感知单元获取的原始点云；
I 1代表路侧感知单元使用数据分割方法中的分割对原始点云进行分割得到的点云；
I 2代表路侧感知单元使用数据分割方法中的采样对原始点云进行分割得到的点云；
I 1S代表路侧感知单元使用数据分割方法中的基于安全场的分割对原始点云进行分割得到的点云；
I 2S代表路侧感知单元使用数据分割方法中的基于安全场的采样对原始点云进行分割得到的点云；
最后得到不同的数据分割方法的检测结果，并给出评价。
以上所有符号及相关含义归纳如下表：
符号 含义
E R 某静态风险场源a在(x a，y a)对于目标车辆j在(x j，y j)的场强矢量
LT a 静态风险场源不同类型的风险系数
R a 静态风险场计算常数，(x a，y a)处的路况影响因素
D 车道宽度
D 目标车辆j的宽度
r aj 静态风险场源a和目标车辆j之间的距离矢量
x j 目标车辆j的形心的横坐标
y j 目标车辆j的形心的纵坐标
x a 目标车辆j形心做垂线与静态风险场源a相交点的横坐标
y a 目标车辆j形心做垂线与静态风险场源a相交点的纵坐标
k 1 静态风险场计算常数，表示距离的放大系数
E V 动态风险场源b在(x b，y b)对于目标车辆j在(x j，y j)的场强矢量
r bj 动态风险场源b与目标车辆j的距离向量
R b 动态风险场计算的常数，(x b，y b)处的路况影响因素
T bj 动态风险场源b和物体目标车辆j之间的类型修正系数
v bj 动态风险场源b与目标车辆j之间的相对速度
θ v bj和r bj方向之间的角度
k 2 动态风险场计算常数
k 3 动态风险场计算常数
G 动态风险场计算常数
K 危险目标提取的速度修正系数
术语解释
行车安全风险场：在场景中的静态、动态物体对行驶车辆的行车安全风险大小分布情况，在本发明中，无特殊说明时，与安全风险场同义。
激光雷达(Lidar)：用激光器作为发射光源，采用光电探测技术手段的主动遥感设备。
点云：点云是坐标系下的点的数据集。
点云数据：包括三维坐标X，Y，Z、颜色、强度值、时间等，即结构化矩阵。
目标车辆车端激光雷达L 1：目标车辆上装载的激光雷达。
路侧激光雷达L 2：路侧安装的激光雷达。
车端激光雷达点云：代表车端激光雷达获取的点云。
路侧激光雷达点云：代表路侧激光雷达获取的点云。
场景点云：交通场景的点云。
V2V：移动中的车辆提供端到端的无线通信，即通过V2V通信技术，车辆终端彼此交换无线信息，无需通过基站转发。
卷积：两个变量在某范围内相乘后求和的结果。
卷积神经网络(CNN)：一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法。
体素：体积元素的简称，包含体素的立体可以通过立体渲染或者提取给定阈值轮廓的多边形等值面表现出来。是数字数据于三维空间分割上的最小单位。
MLP：多层感知机，也称为人工神经网络，除了输入输出层，中间可有多个隐层，最简单的MLP只含一个隐层，即三层的结构。
V2X：vehicle to everything，即车对外界的信息交换。
RSU：Road Side Unit，即路侧单元，安装在路侧，与车载单元进行通讯。
OBU：On board Unit，即车载单元。
骨架点：三维点云模型的关键节点。
安全风险阈值：根据实际应用场景，人工设定大小的数值。
危险目标：在安全风险计算中，对于目标车辆的安全风险数值大于设定阈值的目标。
场源：在行车安全风险计算中的参与计算过程的各类物体。
点云配准：对于不同坐标系下的点云数据，通过配准求出变换矩阵，即旋转矩阵R和平移矩阵T，并计算误差，来比较匹配结果。
数据采集模块A：功能为数据采集，输入为交通场景，输出为场景点云数据P 1。
行车安全风险场计算模块B：功能为行车安全风险场计算，包括目标检测子模块B 1、场景获取子模块B 2、安全场计算子模块B 3，输入为场景点云数据P 1，输出为目标检测边界框X 1、安全风险场数值S 1/半成品S 2。
边界框：点云目标检测结果，属性为位置、长度、高度、宽度、偏转角等，如目标检测边界框X 1。
安全风险场数值S 1：场景中所有风险源对于某个对象的安全风险场矢量和的模。
半成品风险场S 2：即在动态风险场计算时，将目标车辆的速度设置为未知参数，将带有未知参数且向后传递的表达式称为半成品。
数据分割模块C：功能为数据分割，输入为场景点云数据P 1、目标检测边界框X 1、安全风险场数值S 1/半成品风险场S 2，输出为数据分割后的点云数据P 2。
数据发布模块D：功能为数据发布，即路侧感知单元向场景内的目标车辆发布数据，发布的数据为数据分割后点云数据P 2、安全风险场/半成品风险场数据S 1/S 2。
数据融合模块E：功能为将数据分割后点云数据P 2和目标车辆的点云数据P 3融合，得到融合后的点云数据P 4，经过数据压缩得到压缩点云数据P 5。
方法评价模块F：对压缩点云数据P 5，通过PV-RCNN深度学习目标检测算法得到目标检测结果R 1，对于目标检测结果R 1，给出评价，选取最佳数据分割方案。
路侧感知单元：包括但不限于路侧激光雷达、相机等传感器。
目标车辆：行车安全风险场中各个风险源产生风险的对象，也是数据传输中路测感知单元传输数据的对象，即ego car。
目标车辆：即安全风险场计算过程中的目标车辆。
目标车辆激光雷达L 3：目标车辆上装载的激光雷达。
分割：数据分割的方法，将检测目标与非检测目标的点云分割开来，这里与数据分割含义不同。
采样：数据分割的方法，将检测目标与非检测目标的点云按照权重随机采样，参数默认为0.8和0.2。
数据流符号说明：
附图说明
图1方法流程图
图2数据采集模块流程图
图3行车安全风险场计算模块流程图
图4目标检测结果边界框示意图
图5两种安全风险场的场强分布示意图
(a)静止风险场分布
(b)移动风险场分布
(c)静止风险场r aj计算说明
图6安全风险场分布示意图
图7安全风险场xoy平面投影示意图
图8数据分割模块流程图
图9数据发布模块流程图
图10数据融合模块流程图
图11方法评价模块流程图
图12方法评价参考体系示意图
图13方案变种流程图(A、B、C)
图14方案变种流程图(A、B、C、D)
图15方案变种流程图(A、B、C、D、E)
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述。
一种基于安全风险场机制的路侧激光雷达点云分割方法，其流程图如图1所示，即六个模块：数据采集模块A、行车安全风险场计算模块B、数据分割模块C、数据发布模块D、数据融合模块E、方法评价模块F。
具体实施方式介绍两种样例，A 1、B、C 1；A 2、B、C 3、D 2、E、F
包括如下步骤：
1.A 1、B、C 1
流程图如图13所示
A.数据采集
A 1:在自动驾驶的交通场景中，仅由路侧感知单元中的路侧激光雷达进行激光雷达扫描，获取交通场景的点云数据P 1，该数据是后续所有环节的数据源。
B.行车安全风险场计算
行车安全风险场计算模块包括目标检测子模块和安全场计算子模块，流程图如图3所示。
B 1:目标检测子模块。在目标检测子模块中，将A中得到的场景点云进行深度学习3d目标检测，算法为PV-RCNN。即输入场景点云数据，得到目标检测结果。由于数据来源是激光雷达点云数据，所以激光雷达的布设位置决定了场景点云数据的大小、特征等，边界框为场景中每一个目标的边界框X 1，属性为位置、长度、高度、宽度、偏转角等，如图4所示。
B 2:场景获取子模块。场景获取子模块是为了在目标检测子模块之前，提前获取场景中的一些特征与信息，便于更好的进行目标检测以及后续的安全场计算，该子模块存在多种备选方案 如下：
B 21：通过在路侧感知单元中加入相机传感器，利用相机采集到的场景的RGB信息，以及对应的水平、竖直边界来判断物体的类型，来辅助辨别静态物体的类型。
B 22：在目标检测子模块的自动化处理之前，加入人工的判断过程，由经过相关专业培训的工作人员对交通场景中的静态物体进行标定工作，达到辨别静态物体的目的。
B 23：通过已有的高精度地图，根据坐标系定位到场景所在位置，利用高精度地图中的车道级信息来辨别静态物体的类型。
B 3:安全场计算子模块。该子模块的输入为静态物体的类型和目标检测边界框。借鉴物理学中重力场、磁力场等场论方法，将交通环境中可能造成风险的事物均视为危险发生源，以其为中心向周围扩散，风险场的场强可理解为距危险发生源一定距离处的风险系数大小。距离危险中心越近则发生事故的可能性越大，距离越远则事故发生几率越低，当距离趋近于0时可认为目标车辆与危险发生源之间产生接触碰撞，即交通事故已经发生。
行车安全风险场模型包括静态风险场和动态风险场。即行车安全风险场＝静态风险场+动态风险场。
E S＝E R+E V
其中，E S为行车安全风险场的场强矢量，E R为静态风险场的场强矢量，E V为动态风险场的场强矢量，行车安全风险场模型可以表示为实际场景中交通因素引起的潜在驾驶风险。风险是通过事故的可能性和事故的严重性来衡量的。
行车安全风险场依产生源的不同，即静态风险场源和动态风险场源，分为两类：
1)静态风险场：场源为交通环境中处于相对静止的物体，主要为车道分割线等路面标志标线，还包括中央分隔带等硬性分隔设施。比如交通法规规定车辆不得在实线车道上行驶或者穿越。然而，如果驾驶员无意识地离开当前车道，会察觉到违反车道标志约束的风险，驾驶员将会把车辆驶回车道中心。同时，车辆离车道标志越近，风险就越大。驾驶风险也与路况有关，路况不佳可能导致高风险。此外，相对静止物体的驾驶风险主要受能见度的影响，能见度越低，驾驶风险越高。
该类物体有两个特征：①不考虑道路施工的情况下，该类物体相对于目标车辆处于静止状态，因其实际含义表现为危险边界，不具备速度属性；②除部分硬性分隔设施外，该类物体基于法律效应使得驾驶员有意远离其所在位置，但即使驾驶员实际发生了跨越车道线的行为，也不一定即刻会发生交通事故。
对于该类物体，根据上述分析，假定静态风险场源a在(x a，y a)形成的势场对于目标车辆j在(x j，y j)的场强矢量E R为：
其中：
LT a是不同静态风险场源a类型的风险系数，由交通法规决定，一般硬性分隔设施>不可跨越车道分隔线>可跨越车道分隔线。常见的设施及车道线的参数取值为：护栏式或绿化带式中 央分隔带：20～25；人行道路沿石：18～20；黄色实线或虚线：15～18；白色实线：10～15；白色虚线：0～5。
R a是大于0的常数，表示(x a，y a)处的路况影响因素，由物体a附近区域的道路附着系数、道路坡度、道路曲率和能见度等交通环境因素决定，实际使用过程中一般对于一段道路选取一个固定值。一般采用的数据区间为[0.5，1.5]。
f d为不同类型静态风险场源a距离影响因子，它由物体类型，物体宽度，车道宽度等决定。目前有车道分割线、硬性分隔带两种。
D是车道宽度，d为目标车辆j的宽度，d一般取目标车辆j边界框的宽度即可。
r aj是静态风险场源a和目标车辆j之间的距离矢量，该情况下(x j，y j)为目标车辆j的形心，(x a，y a)则表示(x j，y j)做垂线与静态风险场源a相交的一点。
k 1是大于0的常数，表示距离的放大系数，因为通常情况下碰撞风险与两物体间距并非呈线性变化。一般k 1的取值范围为0.5～1.5。
r aj/|r aj|表示场强的方向，但一般实际应用中，即使两安全风险场源对某一点的场强方向相对，也不能认为该点的风险大小因此减小，故通常仍按标量进行叠加。
E R值越大，静态风险场源a对目标车辆j造成的风险越高，静态风险场源包括但不限于车道标志等。场强分布结果如图5(a)所示。
2)动态风险场：场源为交通环境中处于相对动态的物体，其场强矢量的大小和方向由运动物体的属性和状态以及道路条件决定。这里的动态物体是指实际上可以与车辆碰撞并造成重大损失的动态物体，主要为车辆、行人、路障设施等。
该类物体同样有两个特征：①虽然上述物体可能相对于路面处于静止，如路侧停车、路障设施等，但以动态的目标车辆为参考系，则其仍具备相对速度。②该类物体均严格禁止碰撞，否则将必然造成严重的交通事故。
显然，相对动态物体的风险不会随着距离的减小而线性增加，随着距离减小，风险增加的速度变得更快。因此，本发明假设驾驶风险的幂函数形式是车辆-目标距离的函数。
对于该类物体，根据上述分析，假定动态风险场源b在(x b，y b)形成的势场对于目标车辆j在(x j，y j)的场强矢量E V为：
r bj＝(x j-x b,y j-y b)
其中x轴位于道路线上，y轴垂直于道路线。
r bj为动态风险场源b与目标车辆j的距离向量。
k 2、k 3和G均为大于0的常数，k 2的含义与上述k 1相同，k 3为不同速度的危险修正，G类比于静电力常量，用于描述单位距离下两单位质量的物体之间的风险系数大小。一般k 2的取值范围为0.5～1.5，k 3的取值范围为0.05～0.2，G通常取为0.001。
R b含义与R a相同，采用的数据区间同样为[0.5，1.5]。
T bj为动态风险场源b和目标车辆j之间的类型修正系数，如车-车碰撞、车-人碰撞的危险系数是不同的。常见的类型修正参数取值为：车-车正面碰撞：2.5～3；车-车追尾碰撞：1～1.5；人-车碰撞：2～2.5；车-路障碰撞：1.5～2。
v bj是动态风险场源b与目标车辆j之间的相对速度，即场源b的速度v b与目标车辆j速度v j的向量差。θ是v bj和r bj方向之间的角度，以顺时针方向为正。
相对速度的半成品为：
v bj＝v b-v j
若目标车辆j静止，即v j＝0，那么v bj＝v b；若目标车辆j移动，v bj＝v b-v j。
E V值越大，动态风险场源b对目标车辆j造成的风险越高。场强分布结果如图5(b)所示。
基于上述行车安全风险计算方法，可以分析道路中的各类物体对某一目标车辆的风险大小。鉴于数据采集范围的全面性和在目标定位方面的优势，本发明选择激光雷达点云数据为数据源，以路侧无遮挡的点云扫描结果为计算载体。
对于场中的某一目标车辆，各物体的风险大小计算流程如下：
1)通过前期数据采集，构建点云扫描结果的静态场景数据，具体方法为：
a、采集多帧点云数据，将每帧点云数据划分为n个统计空间，依据激光雷达的扫描范围不同，n的取值范围可为50～100；
b、从初始帧开始，依次叠加下一帧点云数据，叠加时需人工剔除其中的动态物体，应尽量保障点云数据中不存在被遮挡的黑域；
c、每次叠加时，检测每个统计空间的点云密度，若其大于阈值α(与点云密度有关，一般取值为1000)，则对该空间内的点云进行随机采样以保持其密度，最终得到较为理想的全域静态点云背景。
通过人工方式，分离出静态场景中的静态风险场源，包括车道分隔线、中央分隔带、路沿区域等，通过随机采样并拟合出各静态风险场源的平面线性方程。一般要求沿目测线形方向均匀采集100点以上，采集的点位不应偏离目标过远。
2)选定某一帧数据为计算时刻，如图7所示，并提取前一帧数据作为物体移动速度参考。利用基于点云数据的3D目标检测与追踪算法，分别标识出计算帧和前一帧数据中的参与安全场计算过程的各类物体(一般为车辆、行人等)，并建立前后两帧同一个物体间的对应关系。该步骤所采取的3D目标检测和追踪方法非发明内容，不做描述。理论上这里的算法选择不受限制，但考虑到实际使用环境下的时效性，一般要求目标检测与追踪的运算效率应尽量不小于1.25f，f为激光雷达点云扫描频率。
利用同一个物体的边界框，计算目标车辆的近似形心，再计算前后两帧同一物体形心的位移，最后利用激光雷达的扫描帧率计算该物体的移动速度。对于无前帧数据用以计算速度的新增物体，视其速度为标准速度。标准速度为历史统计条件下，点云扫描路段内的平均车速大小，方向与目标所处的行车道一致。
3)将目标车辆和除它之外的其他各个物体的相对位置、相对速度、类型等属性，以及第1)步中静态风险场源相对目标车辆的距离等参数，还包括路况等交通环境因素依次代入上述行车安全风险场计算机制中，得到扫描范围中每一个对象对于计算目标的风险大小，从而形成以目标车辆为核心的行车安全风险分布，如图5、图6所示。
C.数据分割
数据分割模块流程图如图8所示。首先要将场景点云分为边界框内点云、边界框外点云。根据输入的场景点云、边界框数据，设计算法检测点云是否在边界框内，从而将点云分为边界框内点云、边界框外点云两种。
C 1：采样方案；将数据采集子模块得到的场景点云数据P 1；行车安全风险场计算模块得到的目标检测边界框X 1、安全风险场数据S 1作为子模块输入，首先经过条件判断，判断场景点云数据P 1中的点是否在边界框X 1内，得到边界框内点云数据P 11、边界框外点云数据P 12。然后设置超参数f 1、f 2，对边界框内、外点云数据P 11、P 12，按f 1、f 2随机采样，得到数据分割后的点云数据P 2。以筛选出的对象为中心，结合采样或者分割提取其周边一定区域的点云作为危险 范围，危险范围提取具体方法为：
若危险目标为静态风险场源，则以该风险场源所在的平面为中心，左右各截取宽度为d/2的区域为危险范围，d是目标车辆的宽度。
若危险目标为动态风险场源，则以危险目标形心为中心，截取宽为1.5d、长为(0.5l+0.5l×k)的矩形区域为危险范围，其中0.5l部分为远离目标车辆的半侧边长，0.5l×k为靠近目标车辆的半侧边长。d是危险目标的宽度，l是危险目标的长度。k为不小于1的速度修正系数，取决于危险目标的速度大小，取值区间为：v∈(0，30)km/h，k＝2；v∈(30，70)km/h，k＝3；v>70km/h，k＝5。
按危险源的危险系数大小依次提取危险范围，危险范围重合的区域仅提取一次。最终提取的总危险范围结果可作为目标车辆的感知辅助数据提供给目标车辆。
2.A 2、B、C 3、D 2、E、F
流程图如图1所示
A.数据采集
A 2:在自动驾驶的交通场景中，由路侧感知单元中的路侧激光雷达和场景中预设的标定车辆上装载的激光雷达，进行激光雷达扫描，获取交通场景的点云数据P 1，该数据是后续所有环节的数据源。
B.行车安全风险场计算
行车安全风险场计算模块包括目标检测子模块和安全场计算子模块，流程图如图3所示。
B 1:目标检测子模块。在目标检测子模块中，将A中得到的场景点云进行深度学习3d目标检测，算法为PV-RCNN。即输入场景点云数据，得到目标检测结果。由于数据来源是激光雷达点云数据，所以激光雷达的布设位置决定了场景点云数据的大小、特征等，边界框为场景中每一个目标的边界框X 1，属性为位置、长度、高度、宽度、偏转角等，如图4所示。
B 2:场景获取子模块。场景获取子模块是为了在目标检测子模块之前，提前获取场景中的一些特征与信息，便于更好的进行目标检测以及后续的安全场计算，该子模块存在多种备选方案如下：
B 21：通过在路侧感知单元中加入相机传感器，利用相机采集到的场景的RGB信息，以及对应的水平、竖直边界来判断物体的类型，来辅助辨别静态物体的类型。
B 22：在目标检测子模块的自动化处理之前，加入人工的判断过程，由经过相关专业培训的工作人员对交通场景中的静态物体进行标定工作，达到辨别静态物体的目的。
B 23：通过已有的高精度地图，根据坐标系定位到场景所在位置，利用高精度地图中的车道级信息来辨别静态物体的类型。
B 3:安全场计算子模块。该子模块的输入为静态物体的类型和目标检测边界框。借鉴物理学中重力场、磁力场等场论方法，将交通环境中可能造成风险的事物均视为危险发生源，以其为中心向周围扩散，风险场的场强可理解为距危险发生源一定距离处的风险系数大小。距离危险中心越近则发生事故的可能性越大，距离越远则事故发生几率越低，当距离趋近于0时可认为目标车辆与危险发生源之间产生接触碰撞，即交通事故已经发生。
行车安全风险场模型包括静态风险场和动态风险场。即行车安全风险场＝静态风险场+动态风险场。
E S＝E R+E V
其中，E S为行车安全风险场的场强矢量，E R为静态风险场的场强矢量，E V为动态风险场的场强矢量，行车安全风险场模型可以表示为实际场景中交通因素引起的潜在驾驶风险。风险是通过事故的可能性和事故的严重性来衡量的。
行车安全风险场依产生源的不同，即静态风险场源和动态风险场源，分为两类：
1)静态风险场：场源为交通环境中处于相对静止的物体，主要为车道分割线等路面标志标线，还包括中央分隔带等硬性分隔设施。比如交通法规规定车辆不得在实线车道上行驶或者穿越。然而，如果驾驶员无意识地离开当前车道，会察觉到违反车道标志约束的风险，驾驶员将会把车辆驶回车道中心。同时，车辆离车道标志越近，风险就越大。驾驶风险也与路况有关，路况不佳可能导致高风险。此外，相对静止物体的驾驶风险主要受能见度的影响，能见度越低，驾驶风险越高。
该类物体有两个特征：①不考虑道路施工的情况下，该类物体相对于目标车辆处于静止状态，因其实际含义表现为危险边界，不具备速度属性；②除部分硬性分隔设施外，该类物体基于法律效应使得驾驶员有意远离其所在位置，但即使驾驶员实际发生了跨越车道线的行为，也不一定即刻会发生交通事故。
对于该类物体，根据上述分析，假定静态风险场源a在(x a，y a)形成的势场对于目标车辆j在(x j，y j)的场强矢量E R为：
其中：
LT a是不同静态风险场源a类型的风险系数，由交通法规决定，一般硬性分隔设施>不可跨越车道分隔线>可跨越车道分隔线。常见的设施及车道线的参数取值为：护栏式或绿化带式中央分隔带：20～25；人行道路沿石：18～20；黄色实线或虚线：15～18；白色实线：10～15；白色虚线：0～5。
R a是大于0的常数，表示(x a，y a)处的路况影响因素，由物体a附近区域的道路附着系数、道路坡度、道路曲率和能见度等交通环境因素决定，实际使用过程中一般对于一段道路选取一个固定值。一般采用的数据区间为[0.5，1.5]。
f d为不同类型静态风险场源a距离影响因子，它由物体类型，物体宽度，车道宽度等决定。目前有车道分割线、硬性分隔带两种。
D是车道宽度，d为目标车辆j的宽度，d一般取目标车辆j边界框的宽度即可。
r aj是静态风险场源a和目标车辆j之间的距离矢量，该情况下(x j，y j)为目标车辆j的形心，(x a，y a)则表示(x j，y j)做垂线与静态风险场源a相交的一点。
k 1是大于0的常数，表示距离的放大系数，因为通常情况下碰撞风险与两物体间距并非呈线性变化。一般k 1的取值范围为0.5～1.5。
r aj/|r aj|表示场强的方向，但一般实际应用中，即使两安全风险场源对某一点的场强方向相对，也不能认为该点的风险大小因此减小，故通常仍按标量进行叠加。
E R值越大，静态风险场源a对目标车辆j造成的风险越高，静态风险场源包括但不限于车道 标志等。场强分布结果如图5(a)所示。
2)动态风险场：场源为交通环境中处于相对动态的物体，其场强矢量的大小和方向由运动物体的属性和状态以及道路条件决定。这里的动态物体是指实际上可以与车辆碰撞并造成重大损失的动态物体，主要为车辆、行人、路障设施等。
该类物体同样有两个特征：①虽然上述物体可能相对于路面处于静止，如路侧停车、路障设施等，但以动态的目标车辆为参考系，则其仍具备相对速度。②该类物体均严格禁止碰撞，否则将必然造成严重的交通事故。
显然，相对动态物体的风险不会随着距离的减小而线性增加，随着距离减小，风险增加的速度变得更快。因此，本发明假设驾驶风险的幂函数形式是车辆-目标距离的函数。
对于该类物体，根据上述分析，假定动态风险场源b在(x b，y b)形成的势场对于目标车辆j在(x j，y j)的场强矢量E V为：
r bj＝(x j-x b,y j-y b)
其中x轴位于道路线上，y轴垂直于道路线。
r bj为动态风险场源b与目标车辆j的距离向量。
k 2、k 3和G均为大于0的常数，k 2的含义与上述k 1相同，k 3为不同速度的危险修正，G类比于静电力常量，用于描述单位距离下两单位质量的物体之间的风险系数大小。一般k 2的取值范围为0.5～1.5，k 3的取值范围为0.05～0.2，G通常取为0.001。
R b含义与R a相同，采用的数据区间同样为[0.5，1.5]。
T bj为动态风险场源b和目标车辆j之间的类型修正系数，如车-车碰撞、车-人碰撞的危险系数是不同的。常见的类型修正参数取值为：车-车正面碰撞：2.5～3；车-车追尾碰撞：1～1.5；人-车碰撞：2～2.5；车-路障碰撞：1.5～2。
v bj是动态风险场源b与目标车辆j之间的相对速度，即场源b的速度v b与物体j速度v j的向量差。θ是v bj和r bj方向之间的角度，以顺时针方向为正。
相对速度的半成品为：
v bj＝v b-v j
若目标车辆j静止，即v j＝0，那么v bj＝v b；若目标车辆j移动，v bj＝v b-v j。
E V值越大，动态风险场源b对目标车辆j造成的风险越高。场强分布结果如图5(b)所示。
基于上述行车安全风险计算方法，可以分析道路中的各类物体对某一具体对象的风险大小。鉴于数据采集范围的全面性和在目标定位方面的优势，本发明选择激光雷达点云数据为数据源，以路侧无遮挡的点云扫描结果为计算载体。
对于场中的某一目标车辆，各物体的风险大小计算流程如下：
1)通过前期数据采集，构建点云扫描结果的静态场景数据，具体方法为：
a、采集多帧点云数据，将每帧点云数据划分为n个统计空间，依据激光雷达的扫描范围不同，n的取值范围可为50～100；
b、从初始帧开始，依次叠加下一帧点云数据，叠加时需人工剔除其中的动态物体，应尽量保障点云数据中不存在被遮挡的黑域；
c、每次叠加时，检测每个统计空间的点云密度，若其大于阈值α(与点云密度有关，一般取值为1000)，则对该空间内的点云进行随机采样以保持其密度，最终得到较为理想的全域静态点云背景。
通过人工方式，分离出静态场景中的静态风险场源，包括车道分隔线、中央分隔带、路沿 区域等，通过随机采样并拟合出各静态风险场源的平面线性方程。一般要求沿目测线形方向均匀采集100点以上，采集的点位不应偏离目标过远。
2)选定某一帧数据为计算时刻，如图7所示，并提取前一帧数据作为物体移动速度参考。利用基于点云数据的3D目标检测与追踪算法，分别标识出计算帧和前一帧数据中的参与安全场计算过程的各类物体(一般为车辆、行人等)，并建立前后两帧同一个物体间的对应关系。该步骤所采取的3D目标检测和追踪方法非发明内容，不做描述。理论上这里的算法选择不受限制，但考虑到实际使用环境下的时效性，一般要求目标检测与追踪的运算效率应尽量不小于1.25f，f为激光雷达点云扫描频率。
利用同一个物体的边界框，计算目标车辆的近似形心，再计算前后两帧同一物体形心的位移，最后利用激光雷达的扫描帧率计算该物体的移动速度。对于无前帧数据用以计算速度的新增物体，视其速度为标准速度。标准速度为历史统计条件下，点云扫描路段内的平均车速大小，方向与目标所处的行车道一致。
3)将目标车辆和除它之外的其他各个物体的相对位置、相对速度、类型等属性，以及第1)步中静态风险场源相对目标车辆的距离等参数，还包括路况等交通环境因素依次代入上述行车安全风险场计算机制中，得到扫描范围中每一个对象对于计算目标的风险大小，从而形成以目标车辆为核心的行车安全风险分布，如图5、图6所示。
4)
C.数据分割
数据分割模块流程图如图8所示。首先要将场景点云分为边界框内点云、边界框外点云。根据输入的场景点云、边界框数据，设计算法检测点云是否在边界框内，从而将点云分为边界框内点云、边界框外点云两种。
C 3：基于安全风险场采样方案；将数据采集子模块得到的场景点云数据P 1；行车安全风险场计算模块得到的目标检测边界框X 1、安全风险场数据S 1作为子模块输入，首先经过条件判断，判断场景点云数据P 1中的点是否在边界框X 1内，得到边界框内点云数据P 11、边界框外点云数据P 12。然后设置安全风险场数值阈值f 3，根据阈值采样边界框内、外点云数据P 11、P 12，得到数据分割后的点云数据P 2。
若危险目标为静态风险场源，则以该风险场源所在的平面为中心，左右各截取宽度为d/2的区域为危险范围，d是目标车辆的宽度。
若危险目标为动态风险场源，则以危险目标形心为中心，截取宽为1.5d、长为(0.5l+0.5l×k)的矩形区域为危险范围，其中0.5l部分为远离目标车辆的半侧边长，0.5l×k为靠近目标车辆的半侧边长。d是危险目标的宽度，l是危险目标的长度。k为不小于1的速度修正系数，取决于危险目标的速度大小，取值区间为：v∈(0，30)km/h，k＝2；v∈(30，70)km/h，k＝3；v>70km/h，k＝5。
按危险源的危险系数大小依次提取危险范围，危险范围重合的区域仅提取一次。最终提取的总危险范围结果可作为目标车辆的感知辅助数据提供给目标车辆。
D.数据发布
数据发布模块流程图如图9所示。基于数据分割的结果，通过路侧感知单元压缩数据，再建立路侧感知单元和目标车辆的数据传输通道，目标车辆应满足以下特征：时间戳上某一时刻，场景中处于某个位置的某编号车辆。再判断目标车辆是否移动：
D 2：发布数据分割后点云数据P 2、半成品风险场数据S 2，由半成品风险场数据S 2，代入目标车辆车速，得到安全风险场数据S 1。
E.数据融合
数据融合模块流程图如图10所示。将数据分割后的点云数据P 2和目标车辆激光雷达扫描的目标车辆点云数据P 3融合，即设计点云坐标转换矩阵进行车端与路侧高风险数据点云配准， 得到融合后的点云数据P 4，对融合后的点云数据P 4进行数据压缩得到压缩点云数据P 5。
F.方法评价
方法评价模块流程图如图11所示，属于可选子模块，下面对于方法评价子模块进行参考性描述。对压缩点云数据P 5通过PV-RCNN深度学习目标检测算法得到目标检测结果R 1
对于目标检测结果R 1进行评价。参考体系如图12所示。
V代表不加处理的车端原始点云；
I代表不加处理的路侧感知单元获取的原始点云；
I 1代表路侧感知单元使用数据分割方法中的分割对原始点云进行分割得到的点云；
I 2代表路侧感知单元使用数据分割方法中的采样对原始点云进行分割得到的点云；
I 1S代表路侧感知单元使用数据分割方法中的基于安全场的分割对原始点云进行分割得到的点云；
I 2S代表路侧感知单元使用数据分割方法中的基于安全场的采样对原始点云进行分割得到的点云；
最后得到不同的数据分割方法的检测结果，并给出评价。

Claims (11)

  1. 一种基于行车安全风险场的激光雷达点云动态分割及融合方法，包括如下步骤：
    (1)数据采集
    布设路侧激光雷达，通过路侧激光雷达扫描获取交通场景的点云数据(P 1)，所述点云数据(P 1)是后续步骤的数据源；
    (2)行车安全风险场计算
    行车安全风险场包括静态风险场和动态风险场；
    行车安全风险场的场强矢量E S＝E R+E V
    其中，E S为行车安全风险场的场强矢量，E R为静态风险场的场强矢量，E V为动态风险场的场强矢量；所述安全风险场的场强矢量代表道路中各类物体对目标车辆的风险大小；
    通过点云数据(P 1)计算得到目标检测边界框(X 1)、安全风险场数值(S 1)和半成品安全风险场(S 2)；
    (3)数据分割
    根据步骤(1)采集的所述点云数据(P 1)以及所述的目标检测边界框(X 1)，设计算法检测所述点云数据(P 1)是否在所述目标检测边界框(X 1)内，将所述点云数据(P 1)分为边界框内点云数据(P 11)、边界框外点云数据(P 12)两种；
    基于步骤(2)安全风险场数值(S 1)，设置安全风险场阈值(f 3)，利用阈值筛选法，筛选出安全风险场数值大于安全风险场阈值(f 3)的物体，作为危险目标；以筛选出的危险目标为中心，结合采样或者分割提取危险目标周边一定区域的点云数据(P 2)作为危险范围。
  2. 如权利要求1所述的方法，其特征在于，所述方法还包括如下步骤中至少一个：
    (4)数据发布
    将数据分割得到点云数据(P 2)，通过路侧激光雷达进行压缩；
    建立路侧激光雷达和目标车辆的数据传输通道；目标车辆应满足以下特征：时间戳上某一时刻，自动驾驶的交通场景中处于某个位置的某编号车辆；
    判断目标车辆是否移动，若目标车辆静止，则可以直接发布数据分割后的点云数据(P 2)、静态风险场、动态风险场矢量和，即安全风险场场强矢量(E S)；若目标车辆移动，则发布数据分割后点云数据(P 2)、静态风险场(E R)、半成品风险场数据(S 2))，再代入目标车辆的速度，即得到其安全风险场矢量和，模为数值；
    (5)数据融合
    将数据分割后得到点云数据(P 2)和目标车辆激光雷达扫描的点云数据(P 3)进行融合，即设计点云坐标转换矩阵进行车端与路侧高风险数据点云配准，得到融合后的点云数据(P 4)；并对融合后的点云数据(P 4)进行压缩，得到压缩点云数据(P 5)。
    (6)方法评价
    对于不同的数据分割方法进行试验，
    V代表不加处理的车端原始点云；
    I代表不加处理的路侧激光雷达获取的原始点云；
    I 1代表路侧激光雷达使用数据分割方法中的分割对原始点云进行分割得到的点云；
    I 2代表路侧激光雷达使用数据分割方法中的采样对原始点云进行分割得到的点云；
    I 1S代表路侧激光雷达使用数据分割方法中的基于安全场的分割对原始点云进行分割得到的点云；
    I 2S代表路侧激光雷达使用数据分割方法中的基于安全场的采样对原始点云进行分割得到的点云；
    最后得到不同的数据分割方法的检测结果，并给出评价。
  3. 如权利要求1或2所述的方法，其特征在于，所述静态风险场的场源为交通环境中处于相对静止的物体，包括车道分割线以及其他路面标志标线，还包括中央分隔带这种硬性分隔设施；
    所述静态风险场的场强矢量计算方法为：
    场强矢量E R代表静态风险场源a在(x a，y a)形成的势场对于目标物体j在(x j，y j)的场强矢量；
    其中，
    LT a是静态风险场源a类型的风险系数；
    R a是大于0的常数，表示(x a，y a)处的路况影响因素；
    f d为静态风险场源a距离影响因子；
    r aj是静态风险场源a和目标车辆j之间的距离矢量，该情况下(x j，y j)为目标车辆j的形心，(x a，y a)则表示(x j，y j)做垂线与车道标志a 1相交的一点；
    r aj/|r aj|表示场强的方向；
    E R值越大，静态风险场源a对目标车辆j造成的风险越高，静态风险场源包括但不限于车道标志。
  4. 如权利要求3所述的方法，其特征在于，当静态风险场源a为车道分割线时，
  5. 如权利要求3所述的方法，其特征在于，当静态风险场源a为硬性分割带时，
  6. 如权利要求1或2所述的方法，其特征在于，所述动态风险场的场源为交通环境中处于相对移动的物体，包括车辆、行人、路障设施；
    所述动态风险场的场强矢量计算方法为：
    场强矢量E V代表动态风险场源b在(x b，y b)形成的势场对于目标物体j在(x j，y j)的场强矢量；
    r bj＝(x j-x b,y j-y b)
    其中x轴位于道路线上，y轴垂直于道路线；
    r bj为动态风险场源b与目标车辆j的距离向量；
    k 2、k 3和G均为大于0的常数；
    R b含义与R a相同，表示(x b，y b)处的路况影响因素；
    T bj为动态风险场源b和目标车辆j之间的类型修正系数；
    v bj是动态风险场源b与目标车辆j之间的相对速度；
    θ是v bj和r bj方向之间的角度，顺时针方向为正；
    E V值越大，动态风险场源b对目标车辆j造成的风险越高。
  7. 如权利要求1或2所述的方法，其特征在于，对于行车安全风险场中的某一目标车辆，各类物体的风险大小计算流程如下：
    1)通过前期数据采集，构建点云扫描结果的静态场景数据；通过人工方式，分离出静态场景中的静态风险场源，包括车道分隔线、中央分隔带、路沿区域，通过随机采样并拟合出各静态风险场源的平面线性方程；
    2)选定某一帧数据为计算时刻，并提取前一帧数据作为物体移动速度参考；利用基于点云数据的3D目标检测与追踪算法，分别标识出计算帧和前一帧数据中的参与安全场计算过程的各类物体，一般为车辆、行人，并建立前后两帧同一个物体间的对应关系；利用同一个物体的标注框和激光雷达的扫描帧率计算该物体的移动速度；对于无前帧数据用以计算速度的新增物体，根据物体的不同类型，设置默认速度为该物体速度；
    3)将目标车辆和除它之外的其他各个物体的相对位置、类型的属性，以及第4.1)步中静态风险场源相对目标车辆的距离等参数，还包括路况交通环境因素代入行车安全风险场场强矢量计算方法，相对速度v bj中目标车辆的速度设置为未知参数，将计算过程向后延，那么相对速度则是带有未知参数的表达式；得到整个交通场景中每一个物体对于目标车辆的安全风险，从而形成以计算目标为核心的行车安全风险大小分布。
  8. 如权利要求1或2所述的方法，其特征在于，所述危险范围的筛选方法为：
    5.1)若所述危险目标为静态风险场源，则以该风险场源所在的平面为中心，左右各截取宽度为d/2的区域为危险范围，d是危险目标的宽度；
    5.2)若所述危险目标为动态风险场源，则以危险目标形心为中心，截取宽为1.5d、长为0.5l+0.5l×k的矩形区域为危险范围，其中d是危险目标的宽度，l是危险目标的长度，k为不小于1的速度修正系数；
    5.3)按所述危险目标的危险系数大小依次提取危险范围，危险范围重合的区域仅提取一次；
    5.4)对于行车安全风险场中的某一目标车辆，最终提取的总危险范围结果作为所述目标车辆的感知辅助数据提供给所述目标车辆。
  9. 如权利要求1或2所述的方法，其特征在于，所述行车安全风险场的计算包含以下模块：
    6.1)目标检测子模块；
    6.2)场景获取子模块；
    6.3)安全场计算子模块。
  10. 如权利要求9所述的方法，其特征在于，所述场景获取子模块采用如下方案之一：
    6.2.1)通过在路侧激光雷达中加入相机传感器，利用相机传感器采集到的场景RGB信息，以及对应的水平、竖直边界来判断物体的类型，来辅助辨别静态物体的类型；
    6.2.2)在目标检测子模块进行目标检测之前，加入人工的判断过程，由经过相关专业培训的工作人员对交通场景中的静态物体进行标定工作，达到辨别静态物体的目的；
    6.2.3)通过已有的高精度地图，根据坐标系定位到场景所在位置，利用高精度地图中的车道级信息来辨别静态物体的类型。
  11. 如权利要求1或2所述的方法，其特征在于，所述危险范围的提取采用如下方式：
    设置边界框内采样权重(f 1)、边界框外采样权重(f 2)，对边界框内点云数据(P 11)、边界框外点云数据(P 12)随机采样，然后选择边界框内点云数据(P 11)，剔除边界框外点云数据(P 12)，得到数据分割后的点云数据(P 2)。
CN202280026657.8A 2021-01-01 2022-04-01 一种基于行车安全风险场的激光雷达点云动态分割及融合方法 Pending CN117441197A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
CN202110000327 2021-01-01
CN202110228419 2021-03-01
PCT/CN2021/085146 WO2022141910A1 (zh) 2021-01-01 2021-04-01 一种基于行车安全风险场的车路激光雷达点云动态分割及融合方法
CNPCT/CN2021/085146 2021-04-01
PCT/CN2022/084738 WO2022206942A1 (zh) 2021-01-01 2022-04-01 一种基于行车安全风险场的激光雷达点云动态分割及融合方法

Publications (1)

Publication Number Publication Date
CN117441197A true CN117441197A (zh) 2024-01-23

Family

ID=82260124

Family Applications (5)

Application Number Title Priority Date Filing Date
CN202180011148.3A Pending CN116685873A (zh) 2021-01-01 2021-04-01 一种面向车路协同的感知信息融合表征及目标检测方法
CN202280026658.2A Pending CN117441113A (zh) 2021-01-01 2022-04-01 一种面向车路协同的感知信息融合表征及目标检测方法
CN202280026657.8A Pending CN117441197A (zh) 2021-01-01 2022-04-01 一种基于行车安全风险场的激光雷达点云动态分割及融合方法
CN202280026656.3A Pending CN117836667A (zh) 2021-01-01 2022-04-01 一种基于路侧感知单元的静态和非静态物体点云识别方法
CN202280026659.7A Pending CN117836653A (zh) 2021-01-01 2022-04-01 一种基于车载定位装置的路侧毫米波雷达校准方法

Family Applications Before (2)

Application Number Title Priority Date Filing Date
CN202180011148.3A Pending CN116685873A (zh) 2021-01-01 2021-04-01 一种面向车路协同的感知信息融合表征及目标检测方法
CN202280026658.2A Pending CN117441113A (zh) 2021-01-01 2022-04-01 一种面向车路协同的感知信息融合表征及目标检测方法

Family Applications After (2)

Application Number Title Priority Date Filing Date
CN202280026656.3A Pending CN117836667A (zh) 2021-01-01 2022-04-01 一种基于路侧感知单元的静态和非静态物体点云识别方法
CN202280026659.7A Pending CN117836653A (zh) 2021-01-01 2022-04-01 一种基于车载定位装置的路侧毫米波雷达校准方法

Country Status (3)

Country Link
CN (5) CN116685873A (zh)
GB (2) GB2620877A (zh)
WO (9) WO2022141912A1 (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114724362B (zh) * 2022-03-23 2022-12-27 中交信息技术国家工程实验室有限公司 一种车辆轨迹数据处理方法
CN115358530A (zh) * 2022-07-26 2022-11-18 上海交通大学 一种车路协同感知路侧测试数据质量评价方法
CN115236628B (zh) * 2022-07-26 2024-05-31 中国矿业大学 一种基于激光雷达检测车厢残留货物的方法
CN115113157B (zh) * 2022-08-29 2022-11-22 成都瑞达物联科技有限公司 一种基于车路协同雷达的波束指向校准方法
CN115166721B (zh) * 2022-09-05 2023-04-07 湖南众天云科技有限公司 路侧感知设备中雷达与gnss信息标定融合方法及装置
CN115480243B (zh) * 2022-09-05 2024-02-09 江苏中科西北星信息科技有限公司 多毫米波雷达端边云融合计算集成及其使用方法
CN115272493B (zh) * 2022-09-20 2022-12-27 之江实验室 一种基于连续时序点云叠加的异常目标检测方法及装置
CN115235478B (zh) * 2022-09-23 2023-04-07 武汉理工大学 基于视觉标签和激光slam的智能汽车定位方法及***
CN115830860B (zh) * 2022-11-17 2023-12-15 西部科学城智能网联汽车创新中心(重庆)有限公司 交通事故预测方法及装置
CN115966084B (zh) * 2023-03-17 2023-06-09 江西昂然信息技术有限公司 全息路口毫米波雷达数据处理方法、装置及计算机设备
CN116189116B (zh) * 2023-04-24 2024-02-23 江西方兴科技股份有限公司 一种交通状态感知方法及***
CN117452392B (zh) * 2023-12-26 2024-03-08 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种用于车载辅助驾驶***的雷达数据处理***和方法
CN117471461B (zh) * 2023-12-26 2024-03-08 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种用于车载辅助驾驶***的路侧雷达服务装置和方法
CN117961915B (zh) * 2024-03-28 2024-06-04 太原理工大学 煤矿掘进机器人的智能辅助决策方法

Family Cites Families (47)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6661370B2 (en) * 2001-12-11 2003-12-09 Fujitsu Ten Limited Radar data processing apparatus and data processing method
EP2923174A2 (en) * 2012-11-22 2015-09-30 GeoSim Systems Ltd. Point-cloud fusion
KR101655606B1 (ko) * 2014-12-11 2016-09-07 현대자동차주식회사 라이다를 이용한 멀티 오브젝트 추적 장치 및 그 방법
TWI597513B (zh) * 2016-06-02 2017-09-01 財團法人工業技術研究院 定位系統、車載定位裝置及其定位方法
CN105892471B (zh) * 2016-07-01 2019-01-29 北京智行者科技有限公司 汽车自动驾驶方法和装置
WO2018126248A1 (en) * 2017-01-02 2018-07-05 Okeeffe James Micromirror array for feedback-based image resolution enhancement
KR102056147B1 (ko) * 2016-12-09 2019-12-17 (주)엠아이테크 자율주행차량을 위한 거리 데이터와 3차원 스캔 데이터의 정합 방법 및 그 장치
CN106846494A (zh) * 2017-01-16 2017-06-13 青岛海大新星软件咨询有限公司 倾斜摄影三维建筑物模型自动单体化算法
US10281920B2 (en) * 2017-03-07 2019-05-07 nuTonomy Inc. Planning for unknown objects by an autonomous vehicle
CN108629231B (zh) * 2017-03-16 2021-01-22 百度在线网络技术（北京）有限公司 障碍物检测方法、装置、设备及存储介质
CN107133966B (zh) * 2017-03-30 2020-04-14 浙江大学 一种基于采样一致性算法的三维声纳图像背景分割方法
CN108932462B (zh) * 2017-05-27 2021-07-16 华为技术有限公司 驾驶意图确定方法及装置
FR3067495B1 (fr) * 2017-06-08 2019-07-05 Renault S.A.S Procede et systeme d'identification d'au moins un objet en deplacement
CN109509260B (zh) * 2017-09-14 2023-05-26 阿波罗智能技术(北京)有限公司 动态障碍物点云的标注方法、设备及可读介质
CN107609522B (zh) * 2017-09-19 2021-04-13 东华大学 一种基于激光雷达和机器视觉的信息融合车辆检测***
CN108152831B (zh) * 2017-12-06 2020-02-07 中国农业大学 一种激光雷达障碍物识别方法及***
CN108010360A (zh) * 2017-12-27 2018-05-08 中电海康集团有限公司 一种基于车路协同的自动驾驶环境感知***
CN108639059B (zh) * 2018-05-08 2019-02-19 清华大学 基于最小作用量原理的驾驶人操控行为量化方法及装置
CN109188379B (zh) * 2018-06-11 2023-10-13 深圳市保途者科技有限公司 驾驶辅助雷达工作角度的自动校准方法
CN112368598A (zh) * 2018-07-02 2021-02-12 索尼半导体解决方案公司 信息处理设备、信息处理方法、计算机程序和移动设备
US10839530B1 (en) * 2018-09-04 2020-11-17 Apple Inc. Moving point detection
CN109297510B (zh) * 2018-09-27 2021-01-01 百度在线网络技术（北京）有限公司 相对位姿标定方法、装置、设备及介质
CN111429739A (zh) * 2018-12-20 2020-07-17 阿里巴巴集团控股有限公司 一种辅助驾驶方法和***
JP7217577B2 (ja) * 2019-03-20 2023-02-03 フォルシアクラリオン・エレクトロニクス株式会社 キャリブレーション装置、キャリブレーション方法
CN110296713B (zh) * 2019-06-17 2024-06-04 广州卡尔动力科技有限公司 路侧自动驾驶车辆定位导航***及单个、多个车辆定位导航方法
CN110220529B (zh) * 2019-06-17 2023-05-23 深圳数翔科技有限公司 一种路侧自动驾驶车辆的定位方法
CN110532896B (zh) * 2019-08-06 2022-04-08 北京航空航天大学 一种基于路侧毫米波雷达和机器视觉融合的道路车辆检测方法
CN110443978B (zh) * 2019-08-08 2021-06-18 南京联舜科技有限公司 一种摔倒报警设备及方法
CN110458112B (zh) * 2019-08-14 2020-11-20 上海眼控科技股份有限公司 车辆检测方法、装置、计算机设备和可读存储介质
CN110850378B (zh) * 2019-11-22 2021-11-19 深圳成谷科技有限公司 一种路侧雷达设备自动校准方法和装置
CN110850431A (zh) * 2019-11-25 2020-02-28 盟识(上海)科技有限公司 一种拖车偏转角的测量***和方法
CN110906939A (zh) * 2019-11-28 2020-03-24 安徽江淮汽车集团股份有限公司 自动驾驶定位方法、装置、电子设备、存储介质及汽车
CN111121849B (zh) * 2020-01-02 2021-08-20 大陆投资(中国)有限公司 传感器的方位参数的自动校准方法、边缘计算单元和路侧传感***
CN111999741B (zh) * 2020-01-17 2023-03-14 青岛慧拓智能机器有限公司 路侧激光雷达目标检测方法及装置
CN111157965B (zh) * 2020-02-18 2021-11-23 北京理工大学重庆创新中心 车载毫米波雷达安装角度自校准方法、装置及存储介质
CN111476822B (zh) * 2020-04-08 2023-04-18 浙江大学 一种基于场景流的激光雷达目标检测与运动跟踪方法
CN111554088B (zh) * 2020-04-13 2022-03-22 重庆邮电大学 一种多功能v2x智能路侧基站***
CN111192295B (zh) * 2020-04-14 2020-07-03 中智行科技有限公司 目标检测与跟踪方法、设备和计算机可读存储介质
CN111537966B (zh) * 2020-04-28 2022-06-10 东南大学 一种适用于毫米波车载雷达领域的阵列天线误差校正方法
CN111766608A (zh) * 2020-06-12 2020-10-13 苏州泛像汽车技术有限公司 一种基于激光雷达的环境感知***
CN111880191B (zh) * 2020-06-16 2023-03-28 北京大学 基于多智能体激光雷达和视觉信息融合的地图生成方法
CN111880174A (zh) * 2020-07-03 2020-11-03 芜湖雄狮汽车科技有限公司 一种用于支持自动驾驶控制决策的路侧服务***及其控制方法
CN111914664A (zh) * 2020-07-06 2020-11-10 同济大学 基于重识别的车辆多目标检测和轨迹跟踪方法
CN111985322B (zh) * 2020-07-14 2024-02-06 西安理工大学 一种基于激光雷达的道路环境要素感知方法
CN111862157B (zh) * 2020-07-20 2023-10-10 重庆大学 一种机器视觉与毫米波雷达融合的多车辆目标跟踪方法
CN112019997A (zh) * 2020-08-05 2020-12-01 锐捷网络股份有限公司 一种车辆定位方法及装置
CN112509333A (zh) * 2020-10-20 2021-03-16 智慧互通科技股份有限公司 一种基于多传感器感知的路侧停车车辆轨迹识别方法及***

Also Published As

Publication number Publication date
WO2022141912A1 (zh) 2022-07-07
CN117836667A (zh) 2024-04-05
WO2022141911A1 (zh) 2022-07-07
WO2022206974A1 (zh) 2022-10-06
GB202313215D0 (en) 2023-10-11
CN117836653A (zh) 2024-04-05
WO2022206978A1 (zh) 2022-10-06
CN117441113A (zh) 2024-01-23
WO2022206942A1 (zh) 2022-10-06
WO2022141910A1 (zh) 2022-07-07
GB2618936A (en) 2023-11-22
CN116685873A (zh) 2023-09-01
WO2022141913A1 (zh) 2022-07-07
GB202316625D0 (en) 2023-12-13
WO2022141914A1 (zh) 2022-07-07
WO2022206977A1 (zh) 2022-10-06
GB2620877A (en) 2024-01-24

Similar Documents

Publication Publication Date Title
CN117441197A (zh) 一种基于行车安全风险场的激光雷达点云动态分割及融合方法
Han et al. Research on road environmental sense method of intelligent vehicle based on tracking check
CN108345822B (zh) 一种点云数据处理方法及装置
CN111874006B (zh) 路线规划处理方法和装置
GB2621048A (en) Vehicle-road laser radar point cloud dynamic segmentation and fusion method based on driving safety risk field
WO2018020954A1 (ja) 機械学習用データベース作成システム
CN114970321A (zh) 一种基于动态轨迹流的场景流数字孪生方法及***
CN110414418B (zh) 一种图像-激光雷达图像数据多尺度融合的道路检测方法
CN113705636B (zh) 一种自动驾驶车辆轨迹预测方法、装置及电子设备
CN113359709B (zh) 一种基于数字孪生的无人驾驶运动规划方法
US11628850B2 (en) System for generating generalized simulation scenarios
CN107808524B (zh) 一种基于无人机的道路交叉口车辆检测方法
CN114821507A (zh) 一种用于自动驾驶的多传感器融合车路协同感知方法
US20220146277A1 (en) Architecture for map change detection in autonomous vehicles
DE112021006101T5 (de) Systeme und Verfahren zur Objektdetektion mit LiDAR-Dekorrelation
DE112021005607T5 (de) Systeme und Verfahren für kamera-LiDAR-fusionierte Objektdetektion
CN117015792A (zh) 有凹图像放大用于自动驾驶生成物体检测标签的***和方法
CN116052124A (zh) 多相机生成局部地图模板理解加强目标检测方法及***
Tarko et al. Tscan: Stationary lidar for traffic and safety studies—object detection and tracking
CN114882182A (zh) 一种基于车路协同感知***的语义地图构建方法
Wang et al. Lane detection algorithm based on temporal–spatial information matching and fusion
CN113298781A (zh) 一种基于图像和点云融合的火星表面三维地形检测方法
Liu et al. Research on security of key algorithms in intelligent driving system
CN117115690A (zh) 一种基于深度学习和浅层特征增强的无人机交通目标检测方法及***
CN116311113A (zh) 一种基于车载单目摄像头的驾驶环境感知方法

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