CN113376643B - 距离检测方法、装置及电子设备 - Google Patents
距离检测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113376643B CN113376643B CN202110509676.3A CN202110509676A CN113376643B CN 113376643 B CN113376643 B CN 113376643B CN 202110509676 A CN202110509676 A CN 202110509676A CN 113376643 B CN113376643 B CN 113376643B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- target
- data
- coordinate
- coordinate system
- 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 49
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims description 27
- 238000012417 linear regression Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 13
- 239000003550 marker Substances 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 5
- 238000005096 rolling process Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000002211 ultraviolet spectrum Methods 0.000 description 1
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
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/06—Systems determining position data of a target
- G01S17/08—Systems determining position data of a target for measuring distance only
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Optical Radar Systems And Details Thereof (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本申请公开了一种距离检测方法、装置及电子设备，所述方法应用于车辆，包括：获取点云图像；检测点云图像，在检测到点云图像中的点云分布满足预设条件时，从点云图像的目标区域中，提取多个目标点在第一坐标系下的第一坐标数据；根据各第一坐标数据，确定指示各第一坐标数据中横坐标和竖坐标定量关系的第一参数，以及指示各第一坐标数据中纵坐标和竖坐标定量关系的第二参数；根据第一参数和第二参数，获取车辆在第二坐标系下与点云图像中目标物的距离。
Description
技术领域
本申请涉及自动驾驶技术领域，特别涉及一种距离检测方法、装置及电子设备。
背景技术
自动驾驶汽车在运行时需要执行避障任务，而为了规避目标物，自动驾驶汽车需要先区分地表和目标物，然后再确定其与目标物的距离。通常的，自动驾驶汽车是通过激光雷达获取当前路面的所有点云，然后根据汽车的位姿数据，可以将所有点云转换到地图坐标系中，使来自激光雷达的点云和来自地图的点云具有相同的坐标系，从而区分目标物和地标，进而确定其与目标物的距离，实现避障。
这种检测与目标物距离的方式，需要预先知道汽车的当前位姿。但是为了获取的当前位姿，需要先执行自定位算法，然后再根据自定位算法得到的当前位姿去确定与目标物的距离。而确定与目标物的距离以及时避开目标物的优先级要远高于自定位，等待自定位算法的结果再进行与目标物的距离检测，会存在较大的安全隐患。
发明内容
本申请的目的在于至少解决现有技术中存在的技术问题之一，提供一种距离检测方法、装置以及电子设备，无需等待自定位算法的结果即可实现汽车与目标物的距离检测。
第一方面，提供一种距离检测方法，所述方法应用于车辆，包括：
获取点云图像；
检测所述点云图像，在检测到所述点云图像中的点云分布满足预设条件时，从所述点云图像的目标区域中，提取多个目标点在第一坐标系下的第一坐标数据；
根据各所述第一坐标数据，确定指示各第一坐标数据中横坐标和竖坐标定量关系的第一参数，以及指示各所述第一坐标数据中纵坐标和竖坐标定量关系的第二参数；
根据所述第一参数和所述第二参数，获取所述车辆在第二坐标系下与所述点云图像中目标物的距离。
通过从获取的点云图像中提取多个目标点在第一坐标系下的第一坐标数据，根据各第一坐标数据分别确定指示各第一坐标数据中横坐标和竖坐标定量关系的第一参数，以及指示各第一坐标数据中纵坐标和竖坐标定量关系的第二参数，根据第一参数和第二参数获取车辆在第二坐标系下与点云图像中目标物的距离，使得车辆无需执行自定位算法来获取当前位姿后再检测车辆与目标物的距离，能够快速检测车辆与目标物的距离，进而高效地实现避障，提高车辆安全性。
第二方面，提供了一种距离检测装置，所述装置应用于车辆，包括：
图像获取模块，用于获取点云图像；
数据获取模块，用于检测所述点云图像，在检测到所述点云图像中的点云分布满足预设条件时，从所述点云图像的目标区域中，提取多个目标点在第一坐标系下的第一坐标数据；
参数确定模块，用于根据各所述第一坐标数据，确定指示各第一坐标数据中横坐标和竖坐标定量关系的第一参数，以及指示各所述第一坐标数据中纵坐标和竖坐标定量关系的第二参数；
距离检测模块，用于根据所述第一参数和所述第二参数，获取所述车辆在第二坐标系下与所述点云图像中目标物的距离。
第三方面，本申请实施例提供一种电子设备，应用于车辆，包括：存储器、处理器及存储在存储器上并可在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程序时实现如上述实施例所述的方法。
第四方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序适于由处理器加载并执行，以使得具有所述处理器的计算机设备执行如上述实施例所述的方法。
第五方面，本申请实施例提供一种车辆，包括如上述实施例所述的电子设备。
附图说明
下面结合附图和实施例对本申请进一步地说明；
图1为一个实施例中距离检测方法的流程示意图；
图2为一个实施例中车辆前倾示意图；
图3为一个实施例中车辆侧倾示意图；
图4为一个实施例中获取的点云图像的示意图；
图5为一个实施例中点云图像的目标区域与非目标区域的示意图；
图6为一个实施例中提取第一坐标数据的流程图；
图7为一个实施例中网格化点云图像后的示意图；
图8为一个实施例中从点云网格提取第一坐标数据的流程图；
图9为一个实施例中确定第一参数和第二参数的流程图；
图10为一个实施例中通过线性回归处理获取第一参数的流程图；
图11为一个实施例中距离检测装置的结构示意图；
图12为一个实施例中计算机设备的结构框图；
图13为一个实施例中实现距离检测方法的车辆的示意图。
具体实施方式
本部分将详细描述本申请的具体实施例，本申请之较佳实施例在附图中示出，附图的作用在于用图形补充说明书文字部分的描述，使人能够直观地、形象地理解本申请的每个技术特征和整体技术方案，但其不能理解为对本申请保护范围的限制。
自动驾驶汽车在运行时需要执行避障任务，而为了规避目标物，自动驾驶汽车需要先区分地表和目标物，然后再确定其与目标物的距离。通常的，自动驾驶汽车是通过激光雷达获取当前路面的所有点云，然后根据汽车的位姿数据，可以将所有点云转换到地图坐标系中，使来自激光雷达的点云和来自地图的点云具有相同的坐标系，从而区分目标物和地标，进而确定其与目标物的距离，实现避障。
这种检测与目标物距离的方式，需要预先知道汽车的当前位姿。如汽车出现俯仰或侧倾时，汽车上用于检测目标物距离的传感器会出现倾斜，此时为能够准确地检测汽车与目标物的距离，需预先知道汽车的当前位姿。但是为了获取的当前位姿，需要先执行自定位算法，然后再根据自定位算法得到的当前位姿去确定与目标物的距离。而确定与目标物的距离以及时避开目标物的优先级要远高于自定位，因此等待自定位算法的结果再进行与目标物的距离检测，会存在较大的安全隐患。
为了更好地理解方案，对本发明实施例涉及的专业术语进行解释。
激光雷达(LiDAR，LightLaser Detection and Ranging)是激光探测及测距系统的简称，是激光技术与雷达技术相结合的产物。激光雷达采用激光器作为辐射源的雷达，通常由发射机、天线、接收机、跟踪架以及信息处理等部分组成。发射机是各种形式的激光器；天线是光学望远镜；接收机采用各种形式的光点探测器；激光雷达采用脉冲或者连续波两种工作方式，探测方法分为直接探测与外差探测。LIDAR系统包括一个单束窄带激光器和一个接收系统。激光器产生并发射一束光脉冲，打在物体上并反射回来，最终被接收器所接收。接收器准确地测量光脉冲从发射到被反射回的传播时间。因为光脉冲以光速传播，所以接收器总会在下一个脉冲发出之前收到前一个被反射回的脉冲。鉴于光速是已知的，传播时间即可被转换为对距离的测量。结合激光器的高度，激光扫描角度，从GPS得到的激光器的位置和从INS得到的激光发射方向，就可以准确地计算出每一个地面光斑的坐标X，Y，Z。激光束发射的频率可以从每秒几个脉冲到每秒几万个脉冲。举例而言，一个频率为每秒一万次脉冲的系统，接收器将会在一分钟内记录六十万个点。一般而言，LIDAR系统的地面光斑间距在2-4m不等。激光雷达是一种工作在从红外到紫外光谱段的雷达系统，其原理和构造与激光测距仪极为相似。激光雷达的作用是能精确测量目标位置(距离和角度)、运动状态(速度、振动和姿态)和形状，探测、识别、分辨和跟踪目标。
点云是在同一空间参考系下表达目标空间分布和目标表面特性的海量点集合，在获取物体表面每个采样点的空间坐标后，得到的是点的集合，称之为“点云”(PointCloud)。主要是通过三维激光扫描仪进行数据采集来获取点云数据，而LiDAR，即激光雷达，获取的数据就是点云数据，同时也对点云数据进行处理加工及应用。
下面，将通过几个具体的实施例对本申请实施例提供的距离检测方法进行详细介绍和说明。
为了解决上述技术问题，如图1所示，在一个实施例中，提供了一种距离检测方法。本实施例主要以该方法应用于车辆来举例说明。该计算机设备具体可以是图13中的车辆。
参照图1，该距离检测方法具体包括如下步骤：
S11、获取点云图像。
在本实施例中，点云图像为包含有点云中的完整信息量的三维图像。在车辆中，点云图像的获取可以通过车辆中的激光雷达来进行获取。
S12、检测点云图像，在检测到点云图像中的点云分布满足预设条件时，从点云图像的目标区域中，提取多个目标点在第一坐标系下的第一坐标数据。
在一实施例中，如图2和图3所示，在车辆发生前倾或者侧倾时，第一坐标系Bw会产生变化，导致其与第二坐标系Pw不匹配，此时无法直接采用第一坐标系的坐标数据进行测距。因此为减少测距时的运算量，通过检测获取到的点云图像中点云的分布是否满足预设条件，即通过检测点云图像中的点云分布来判断第一坐标系是否与第二坐标系相同，若在检测到点云图像中的点云分布满足预设条件时，则从点云图像的目标区域中提取多个目标点在第一坐标系下的第一坐标数据。其中目标区域可为完整的点云图像，或从点云图像中划分出的任意区域，其具体大小可根据实际需求自行设定。
对于第一坐标系是否与第二坐标系相同，可以通过获取的点云图像来进行判断，例如，如图4所示为获取的点云图像，该图像下方有多个同心圆，其中最中间的圆为获取点云图像的车辆的位置，图像中的线条为激光雷达的扫描线，此时可以判断图像中的扫描线是否对称，当图像中的扫描线对称时，表示传感器没有倾斜，即第一坐标系与第二坐标系相同，当图像中的扫描线不对称时，表示传感器发生了倾斜，即第一坐标系与第二坐标系不同。
当点云图像中的点云分布满足预设条件时，车辆从目标区域中提取多个目标点在第一坐标系下的第一坐标数据，其中，目标点为从点云中选定的采样点或者是各采样点集合，第一坐标数据为目标点的三维数据，第一坐标系为车辆中激光雷达的当前朝向形成的传感器坐标系，或为根据导航地图如HDmap形成的导航地图坐标系。对于第一坐标数据，即目标点的三维数据，可以表示为<X，Y，Z>，X为目标点的横坐标，Y为目标点的纵坐标，Z为目标点的竖坐标。
在一实施例中，点云图像中包含有各个点的第一坐标数据，具体可以通过用于提取目标点第一坐标系下的第一坐标数据的车辆设备或部件，通过网络连接向获取点云图像的车辆设备或部件发送请求，接收点云图像后对点云图像中目标点的第一坐标数据进行提取。另外，对于确定点云图像中的目标点，可以通过设定相关条件，如设定需提取的目标点的颜色信息、反射强度信息中的一种，来对点云图像中的各个点进行筛选，以得到目标点。
通过设置预设条件，并在检测到点云图像中的点云分布满足预设条件时，从点云图像中提取多个目标点在第一坐标系下的第一坐标数据，通过是否满足预设条件来判断是否获取多个目标点的相关数据，能够在提升距离检测的整体过程的效果，并且能够有效地减少距离检测过程中的不必要的操作。
在根据点云图像中点云分布判断到第一坐标系未发生倾斜时，第一坐标系与第二坐标系相同，因此为提高检测目标物距离的效率，在一个实施例中，在检测点云图像之后，还包括：在检测到点云图像中的点云分布未满足预设条件时，根据目标物在点云图像中的第二坐标数据，获取车辆在第一坐标系下与目标物的距离。其中，车辆在检测到点云图像中的点云分布未满足预设条件时，表明车辆与路面并未倾斜，即第一坐标系与第二坐标系相同，此时车辆获取目标物在点云图像中的第二坐标数据，也就是目标物在第二坐标系下的三维坐标等数据，进而根据第二坐标系下的三维坐标等数据计算得到第一坐标系下车辆与目标物之间的距离。
通过在检测到点云图像中的点云分布未满足预设条件时，根据目标物在点云图像中的第二坐标数据来获取车辆在第一坐标系下与目标物的距离，能够在不满足预设条件时直接根据目标物的第二坐标数据来获取车辆在第一坐标系下与目标物的距离，从而快速实现车辆与目标物之间的距离检测，能够有效地提升行车安全。
S13、根据各第一坐标数据，确定指示各第一坐标数据中横坐标和竖坐标定量关系的第一参数，以及指示各第一坐标数据中纵坐标和竖坐标定量关系的第二参数。
在本实施例中，车辆根据第一坐标数据中的横坐标和竖坐标，确定上述两个坐标之间相互依赖的定量关系，而指示该定量关系的参数即为第一参数，例如，横坐标和竖坐标之间存在线性相关关系，那么根据横坐标和竖坐标，则能够确定第一参数；同理，车辆根据第一坐标数据中的纵坐标和竖坐标，确定上述两个坐标之间相互依赖的定量关系，而指示该定量关系的参数即为第二参数，例如，纵坐标和竖坐标之间存在线性相关关系，那么根据纵坐标和竖坐标，则能够确定第二参数。那么，第一参数为横坐标和竖坐标之间的线性相关系数，第二参数为纵坐标和竖坐标之间的线性相关系数。
对于第一参数确定方法，可以采用样本线性相关系数来进行确定，即简单随机抽样第一坐标数据中的横坐标和竖坐标，求取样本均值，进而求取样本方差和样本协方差，再将样本方差和样本协方差输入到样本线性相关系数的计算公式中，得到样本线性相关系数，用该样本线性相关来估计总体线性相关系数，该总体线性相关系数即为第一参数。同理，对于第二参数确定方法，也可以采用样本线性相关系数来进行确定，即简单随机抽样第一坐标数据中的纵坐标和竖坐标，求取样本均值，进而求取样本方差和样本协方差，再将样本方差和样本协方差输入到样本线性相关系数的计算公式中，得到样本线性相关系数，用该样本线性相关来估计总体线性相关系数，该总体线性相关系数即为第二参数。
S14、根据第一参数和第二参数，获取车辆在第二坐标系下与点云图像中目标物的距离。
在本实施例中，车辆根据得到的第一参数和第二参数，可以采用矩阵变换将车辆在第一坐标系下与点云图像中目标物的距离转移为车辆在第二坐标系下与点云图像中目标物的距离。
其中，第二坐标系为基于路面形成的路面坐标系。
在本实施例中，在将车辆在第一坐标系下与点云图像中目标物的距离转移为车辆在第二坐标系下与点云图像中目标物的距离所采用的矩阵变换中，包含有第一坐标系与第二坐标系之间的倾斜度，而对于倾斜度的计算，需要获取车辆的俯仰角和滚动角。因此，对于提取了第一坐标系下的第一坐标数据的目标点，车辆将各目标点的第一坐标数据中的横坐标和竖坐标来用于俯仰角计算，得到车辆的第一参数，即车辆的俯仰值。将各目标点的第一坐标数据中的纵坐标和竖坐标来用于滚动角计算，得到车辆的第二参数，即车辆的滚动值。将获取到的俯仰值、滚动值以及车辆的偏航角形成变换矩阵进行转换，从而将第一坐标系下的坐标点转换为第二坐标系下的坐标点，进而可根据转换后的坐标点确定确定车辆在第二坐标系下与点云图像中目标物的距离。
作为本实施例的一个举例，通过俯仰值、滚动值以及车辆的偏航角形成的变换矩阵可为
R(α,β,γ)＝Rz(α)Ry(β)Rx(γ)＝
cosαcosβcosαsinβsinγ-sinαcosγcosαsinβcosγ+sinαsinγ
(sinαcosβsinαsinβsinγ+cosαcosγcosαsinβcosγ-cosαsinγ)
-sinβcosβsinγcosβcosγ
其中，α为俯仰值，β为滚动值，γ为偏航角。偏航角可以根据车内其他传感器如惯性传感器计算出的车辆的偏航角度，如方向盘角度、转向速度中的至少一种。
在本实施例中，从获取的点云图像中提取多个目标点在第一坐标系下的第一坐标数据，根据各第一坐标数据分别确定指示各第一坐标数据中横坐标和竖坐标定量关系的第一参数，以及指示各第一坐标数据中纵坐标和竖坐标定量关系的第二参数，根据第一参数和第二参数获取车辆在第二坐标系下与点云图像中目标物的距离，使得车辆无需执行自定位算法来获取当前位姿后再检测车辆与目标物的距离，能够快速检测车辆与目标物的距离，进而高效地实现避障，提高车辆安全性。
为使目标区域的设置更为合理，避免遗漏点云图像中部分可用的区域，同时不用对点云图像进行完整的遍历，在一个实施例中，在检测到点云图像中的点云分布满足预设条件之后，还包括：根据点云图像中各点数据的图像标签，从点云图像中获取目标区域，图像标签用于指示各点数据所代表的物体。
在本实施例中，车辆可以对点云图像中的各点数据设置相应的图像标签，例如，对点云图像中的固定物对应的点数据如建筑物、栅栏、植被等设置为灰色的图像标签；对点云图像中移动物体对应的点数据如汽车、行人等设置红色标签；对点云图像中可行驶路段对应的点数据如路面、人行道等设置蓝色标签。车辆根据所需要的目标点数据对应的图像标签，从点云图像中获取目标区域。
其中，在获取目标区域时，当目标点数据对应的图像标签不为预设的标签时，则将这些目标点数据对应的区域作为非目标区域去掉。示例性的，如图5所示，若预设目标区域的标签为路面，则将图像标签为汽车的目标点数据形成的区域标为非目标区域并去除，以从点云图像中筛选出目标区域。
在本实施例中，根据点云图像中用于指示各点数据所代表物体的图像标签来从点云图像中获取目标区域，进而从目标区域中提取多个目标点在第一坐标系下的第一坐标数据，使得提取目标点在第一坐标系下的第一坐标数据时所依据的目标区域能够考虑到各点数据所代表物体，从而保证获取的目标点的第一坐标数据在限定区域中，减小数据偏差，进一步提高最终检测得到的距离的准确性。
通常情况下点云图像中点云分布情况较为复杂，而从其中准确地确定目标点也存在一定的困难，不利于相关坐标数据的获取，因此，在又一个实施例中，如图6所示，从点云图像的目标区域中，提取多个目标点在第一坐标系下的第一坐标数据，包括：
S21、网格化点云图像的目标区域，获取多个点云网格，点云网格包括多个单位网格，各单位网格中包括标记网格。
S22、根据点云网格中各标记网格的位置，将多个点云网格中表示各标记网格形成的网格区域的中心点作为目标点。
S23、从多个点云网格中一一提取各目标点在第一坐标系下的第一坐标数据。
在本实施例中，车辆在获取点云图像后，将点云图像的目标区域进行网格化，得到多个点云网格，车辆根据点云网格获取感兴趣区域，即选取一个或多个点云网格。其中，各点云网格中包括多个单位网格，各单位网格中包括标记网格，即对各点云网格平均划分为多个单位网格，并对部分单位网格进行标记，得到单位网格中的标记网格，标记方式可以为采用特定颜色或者标志来实现。例如如图7所示，将点云图像进行网格化，得到多个30cm×30cm的网格，30cm×30cm的网格为单元网格，而感兴趣区域则是为2.4m×2.4m的网格，即图中黑色粗线框住的含有64个单元网格的大网格。图中的单元网格中有星型标记的即为标记网格。
车辆在获取感兴趣区域后，根据点云网格中各标记网格的位置，将多个点云网格中表示各标记网格形成的网格区域的中心点作为目标点，这是由于采用标记网格区域的中心点作为目标点，能够更好地表示标记网格在感兴趣区域乃至于点云图像中的数据。然后车辆从多个点云网格中一一提取各目标点在第一坐标系下的第一坐标数据。
通过对点云图像进行网格化，得到包括多个单位网格的多个点云网格，并且单位网格中包括标记网格，将标记网格形成的网格区域的中心点作为目标点，来提取各目标点在第一坐标系下的第一坐标数据，能够限定点云图像中所要提取第一坐标数据的各目标点的位置，能够最大限度地保证各提取的各目标点在第一坐标系下的第一坐标数据的准确性。
在一个实施例中，各点云网格的单位网格数量相同。
在本实施例中，将点云网格进一步划分为单位网格时，限定各点云网格的单位网格数量相同。
在本实施例中，限定各点云网格中均包含相同数量的单位网格，保证了各点云网格的划分方式相同，使得在采用单位网格中的标记网格的中心点作为目标点来提取各目标点在第一坐标系下的第一坐标数据时，各目标点的单位长度均相同，能够令数据之间关联性更强，进一步提高最终检测得到的距离的准确性。
标记网格相较于其他单元网格并没有明显的区域，如果采用普通遍历方式，难以准确获取到标记网格，因此，在一个实施例中，网格化点云图像的目标区域，获取多个点云网格之后，还包括：
根据预设的参数信息遍历各单位网格，从各单位网格中获取标记网格，参数信息包括颜色信息和强度信息中的至少一种。
在本实施例中，车辆可以通过遍历的方式来从点云网格中获取标记网格，具体可以通过划分时采用特定颜色信息或者强度信息对单位网格中需要被标记的网格进行标记，得到标记网格，然后根据特定的颜色信息或者强度信息来遍历检索单位网格中的标记网格。
在本实施例中，根据预设参数信息，采用遍历方式从各单位网格中获取标记网格，能够快速准确地获取标记网格，进而得到目标点，能够提升距离检测过程的效率。
在一个实施例中，在根据点云网格中各标记网格的位置，将多个点云网格中表示各标记网格形成的网格区域的中心点作为目标点之前，还包括：
将标记网格的中心点，标记为标记网格在点云网格中的位置。
在本实施例中，通过将标记网格中心点作为标记网格在点云网格中的位置，即采用标记网格的中心点的单个数据/信息来替代标记网格在点云网格中的多个数据/信息。
在本实施例中，通过采用标记网络的中心点作为标记网格在点云网络中的位置，能够在保证目标点的相关数据的准确度的同时，简化目标点获取以及提取各目标点在第一坐标系下的第一坐标数据的过程，提升距离检测过程的效率。
由于第一坐标系可以是传感器坐标系或导航地图坐标系，而当第一坐标系为导航地图坐标系时，在一个实施例中，第一坐标数据由车辆当前时刻的预估位姿确定，预估位姿由多个目标参数进行位姿预估后获取，其中，多个目标参数包括车辆的历史位姿，车辆的预估速度以及历史位姿的获取时间。
在一实施例中，车辆调取多个目标参数，具体可以从服务器或者云服务器或者车载终端中进行调取。所述目标参数包括车辆的历史位姿，车辆的预估速度以及历史位姿的获取时间，其中，车辆的预估速度指的是车辆在某个历史位姿下对应的该时刻的速度。调取完目标参数后，根据车辆的历史位姿，对当前时刻的车辆的位姿进行预估，具体预估方式可以为：当前时刻的预估位姿＝车辆的历史位姿+车辆的预估速度×时间间隔，所述时间间隔为车辆当前时刻与车辆的历史位姿的获取时间之间的时间间隔。通过车辆的预估位姿，可确定车辆当前的位姿数据。进而根据车辆的当前的位姿数据，在导航地图坐标系中确定第一坐标数据。
当第一坐标系为导航地图坐标系时，为提高获取到的第一坐标数据的准确性，在一实施例中，如图8所示，从多个点云网格中一一提取各目标点在第一坐标系下的第一坐标数据，包括：
步骤S41、从点云网格中提取目标点在第一坐标系下的二维坐标数据，二维坐标数据包括目标点的横坐标和纵坐标。
在一实施例中，由于导航地图通常为二维地图，因此当第一坐标系为导航地图坐标系时，可直接从导航地图中获取各目标点在第一坐标系下的二维坐标数据。
步骤S42、根据各目标点的二维坐标数据和车辆的偏航角，获取各目标点的第一坐标数据。
在一实施例中，在车辆获取各目标点的二维坐标数据<x，y>后，结合车辆的偏航角，可得到各目标点在导航地图坐标系的Z轴上对应的高度，如：
Z[i-3]对应二维坐标数据为(x-1.5*cos(θ),y-1.5*sin(θ))的目标点的高度，Z[i-2]对应二维坐标数据为(x-1.0*cos(θ),y-1.0*sin(θ))的目标点的高度，Z[i-1]对应二维坐标数据为(x-0.5*cos(θ),y-0.5*sin(θ))的目标点的高度，Z[i]对应二维坐标数据为(x,y)的目标点的高度。其中，x和y为目标点的二维坐标，θ为车辆偏航角。
而当获取到的点云图像为顶视图时，该结合车辆的偏航角，可得到各目标点在导航地图中的高度，从而确定其在导航地图坐标系的Z轴上对应的坐标，如：
Z[k-3]对应二维坐标数据为(x-1.5*cos(θ+90),y-1.5*sin(θ+90))的目标点的高度，Z[k-2]对应二维坐标数据为(x-1.0*cos(θ+90),y-1.0*sin(θ+90))的目标点的高度，Z[k-1]对应二维坐标数据为(x-0.5*cos(θ+90),y-0.5*sin(θ+90))的目标点的高度，Z[k]对应二维坐标数据为(x,y)的目标点的高度。在确定各目标点在导航地图坐标系的Z轴上对应的坐标后，即可获取各目标点的第一坐标数据。
通过从点云网格中提取多个目标点在第一坐标系下包括横坐标和纵坐标的二维坐标数据，根据各目标点的二维坐标数据和车辆偏航角获取各目标点的第一坐标数据，能够在依据预估的当前时刻车辆的位姿的情况下，结合各目标点第一坐标系下的二维坐标和车辆偏航角来获取第一坐标数据中的竖坐标，使得在导航地图坐标系中能够准确地获取各目标点的第一坐标数据，从而有效地实现距离检测。
对于确定两个数据之间的定量关系，采用线性回归处理能够快速且有效地实现，因此，在一个实施例中，如图9所示，根据第一坐标数据，确定指示各第一坐标数据中横坐标和竖坐标定量关系的第一参数，以及指示各第一坐标数据中纵坐标和竖坐标定量关系的第二参数，包括：
S51、根据第一坐标数据，获取第一数据组和第二数据组，第一数据组由第一坐标数据的横坐标和竖坐标组成，第二数据组由第一坐标数据的纵坐标和竖坐标组成。
S52、对各第一数据组进行线性回归处理，获取第一参数，以及，
对各第二数据组进行线性回归处理，获取第二参数。
在本实施例中，车辆根据获取的各目标点的第一坐标数据，即第一坐标系下的三维数据，将其中的目标点的横坐标和竖坐标作为该目标点的第一数据组，将目标点的纵坐标和竖坐标作为该目标点的第二数据组。第一数据组可以表示为<X，Z>，X为目标点的横坐标，Z为目标点的竖坐标；第二数据组可以表示为<Y，Z>，Y为目标点的纵坐标，Z为目标点的竖坐标。
在本实施例中，对第一数据组和第二数据组分别进行线性回归处理，分别得到第一参数和第二参数，其中，第一参数可为车辆的俯仰角，第二参数可为车辆的滚动角。例如对第一数据组(或第二数据组)＜1，1＞，＜2，1＞，＜3，1.1＞，＜4，1.2＞来进行线性处理，来计算传感器坐标系与路面坐标系之间的斜率，其斜率为(4＊11.1–10＊4.3)/4＊30–10＊10＝0.07。
其中，横坐标(或纵坐标)总值为10，竖坐标总值为4.3，横坐标(或纵坐标)线性系数为30，竖坐标线性系数为11.1，其中，横坐标(或纵坐标)线性系数和竖坐标线性系数可以设定得到。由于斜率表示切线，θ(俯仰或滚动)可以是ATAN(0.07)＝69.8mrad＝4.004度。计算得到的斜率为汽车位姿的俯仰值(或滚动值)，即汽车前后与路面倾斜的角度。
在本实施例中，根据获取的各目标点的第一坐标数据来获取第一数据组和第二数据组，分别对各第一数据组和各第二数据组进行线性回归处理，获取第一参数和第二参数，能够更好地确定各第一数据组内的数据的定量关系以及各第二数据组内的数据的定量关系，提升距离检测的准确度。
在确定第一参数的过程中，第一数据组中可能存在较多无效数据，即无法用于获取准确的第一参数进而进行距离检测，因此，在一个实施例中，如图10所示，对各第一数据组进行线性回归处理，获取第一参数，包括：
S61、将各所述第二数据组标记为目标数据集。
S62、多次执行对当前目标数据集的线性回归处理，每次执行均在获取处理结果后，从当前目标数据集中删除与处理结果的关联度满足预设关联条件的第一数据组，以更新当前目标数据集，直至当前目标数据集为期望数据集。
S63、将期望数据集的线性回归处理结果作为第一参数。
在一实施例中，在得到各第一数据组<x0，z0>，<x1，z1>，<x2，z2>，...，<xn-1，zn-1>后，将各第一数据组<x0，z0>，<x1，z1>，<x2，z2>，...，<xn-1，zn-1>标记为目标数据集，并对当前的目标数据集进行线性回归处理，得到初始线性回归结果后，根据初始线性回归结果，从目标数据集中选出噪声最大的第一数据组，如在二维坐标系下，从每个第一数据组对应的坐标点中，选取到由目标直线的距离最大的坐标点，其中，目标直线由初始线性归回结果生成，从而确定噪声最大的第一数据组。然后通过判断噪声最大的第一数据组对应的坐标点，到目标直线的距离是否大于预设距离，从而确定该噪声最大的第一数据组与初始线性归回结果的关联度是否满足预设关联条件，其中预设距离可根据实际情况进行调整。当噪声最大的第一数据组到目标直线的距离大于预设距离时，则满足预设关联条件，此时，删除该噪声最大的第一数据组，更新当前的目标数据集，并重复上述步骤，直至更新后的目标数据集中不存在满足预设关联条件的第一数据组时，将更新后的目标数据集对应的线性回归处理结果作为第一参数。
在本实施例中，通过对各第一数据组进行线性回归处理后，将噪声最大的第一数据组进行排除，进而对剩下的多个第一数据组进行现行回归处理来获取第一参数，能够排除通过线性回归处理不能很好指示组内数据的定量关系的第一数据组，使得最终获取的第一参数能够更好地体现对应的第一数据组内数据的定量关系，最终有效地提升距离检测的准确度。
同理，在确定第二参数的过程中，第二数据组中可能存在较多无效数据，即无法用于获取准确的第二参数进而进行距离检测，可通过上述处理各第一数据组的方式对各第二数据组进行筛选，以得到第二参数。
在一个实施例中，如图11所示，提供了一种距离检测装置，所述装置应用于车辆，包括：
图像获取模块101，用于获取点云图像。
数据获取模块102，用于检测点云图像，在检测到点云图像中的点云分布满足预设条件时，从点云图像的目标区域中，提取多个目标点在第一坐标系下的第一坐标数据。
参数确定模块103，用于根据各第一坐标数据，确定指示各第一坐标数据中横坐标和竖坐标定量关系的第一参数，以及指示各第一坐标数据中纵坐标和竖坐标定量关系的第二参数。
距离检测模块104，用于根据第一参数和第二参数，获取车辆在第二坐标系下与点云图像中目标物的距离。
在一个实施例中，距离检测模块104，还用于：
在检测到点云图像中的点云分布未满足预设条件时，根据目标物在点云图像中的第二坐标数据，获取车辆在第一坐标系下与目标物的距离。
在一个实施例中，数据获取模块102，还用于：
在检测到所述点云图像中的点云分布满足预设条件之后，还包括：
根据所述点云图像中各点数据的图像标签，从所述点云图像中获取所述目标区域，所述图像标签用于指示各所述点数据所代表的物体。
在一个实施例中，数据获取模块102，还用于：
网格化所述点云图像的目标区域，获取多个点云网格，所述点云网格包括多个单位网格，各所述单位网格中包括标记网格；根据所述点云网格中各标记网格的位置，将多个所述点云网格中表示各所述标记网格形成的网格区域的中心点作为所述目标点；从多个所述点云网格中一一提取各所述目标点在第一坐标系下的第一坐标数据。
在一个实施例中，各点云网格的单位网格数量相同。
在一个实施例中，数据获取模块102，还用于：
在网格化点云图像的目标区域，获取多个点云网格之后，根据预设的参数信息遍历各单位网格，从各单位网格中获取标记网格，参数信息包括颜色信息和强度信息中的至少一种。
在一个实施例中，数据获取模块102，还用于：
在根据点云网格中各标记网格的位置，将多个点云网格中表示各标记网格形成的网格区域的中心点作为目标点之前，将标记网格的中心点，标记为标记网格在点云网格中的位置。
在一实施例中，第一坐标数据根据车辆当前时刻的预估位姿确定，预估位姿由多个目标参数进行位姿预估后获取，其中，多个目标参数包括车辆的历史位姿，车辆的预估速度以及历史位姿的获取时间。其中，数据获取模块102还用于从所述点云网格中提取所述目标点在所述第一坐标系下的二维坐标数据，所述二维坐标数据包括所述目标点的横坐标和纵坐标；根据各所述目标点的所述二维坐标数据和所述车辆的偏航角，获取各所述目标点的所述第一坐标数据。
在一个实施例中，参数确定模块103，还用于：
根据第一坐标数据，获取第一数据组和第二数据组，第一数据组由第一坐标数据的横坐标和竖坐标组成，第二数据组由第一坐标数据的纵坐标和竖坐标组成；
对各第一数据组进行线性回归处理，获取第一参数，以及，
对各第二数据组进行线性回归处理，获取第二参数。
在一个实施例中，参数确定模块103，具体用于：
将各第二数据组标记为目标数据集；
多次执行对当前目标数据集的线性回归处理，每次执行均在获取处理结果后，从当前目标数据集中删除与处理结果的关联度满足预设关联条件的第一数据组，以更新当前目标数据集，直至当前目标数据集为期望数据集；
将期望数据集的线性回归处理结果作为第一参数。
在一个实施例中，提供了一种计算机设备，如图12所示，该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现距离检测方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行距离检测方法。本领域技术人员可以理解，图12中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，本申请提供的距离检测装置可以实现为一种计算机程序的形式，计算机程序可在如图12所示的计算机设备上运行。计算机设备的存储器中可存储组成该距离检测装置的各个程序模块。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的距离检测方法中的步骤。
在一个实施例中，本申请实施例提供一种电子设备，应用于车辆，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例所述的方法。
在一个实施例中，本申请实施例提供一种如图13所示的车辆，包括如上述实施例所述的电子设备。在该车辆中包括激光雷达以及车载处理器。在本实施例中，激光雷达可以用于从点云图像中提取多个目标点在第一坐标系下的第一坐标数据；车载处理器可以用于根据各第一坐标数据，确定指示各第一坐标数据中横坐标和竖坐标定量关系的第一参数，以及指示各第一坐标数据中纵坐标和竖坐标定量关系的第二参数；并且可以用于根据第一参数和第二参数，获取车辆在第二坐标系下与点云图像中目标物的距离。
在一个实施例中，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序适于由处理器加载并执行，以使得具有所述处理器的计算机设备执行如上述实施例所述的方法。
以上所述是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本申请的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
Claims (15)
1.一种距离检测方法，其特征在于，包括：
获取点云图像；
检测所述点云图像，在检测到所述点云图像中的点云分布满足预设条件时，从所述点云图像的目标区域中，提取多个目标点在第一坐标系下的第一坐标数据，所述预设条件为第一坐标系和第二坐标系相同，所述预设条件满足时，车辆相对于路面不倾斜，所述第一坐标系为传感器坐标系，所述第二坐标系为基于路面形成的路面坐标系；
根据各所述第一坐标数据确定第一参数以及第二参数，所述第一参数为第一坐标数据中横坐标和竖坐标之间相互依赖的定量关系，所述第二参数为第一坐标数据中纵坐标和竖坐标之间相互依赖的定量关系；
根据所述第一参数和所述第二参数，获取所述车辆在第二坐标系下与所述点云图像中目标物的距离。
2.根据权利要求1所述的距离检测方法，其特征在于，在检测所述点云图像之后，还包括：
在检测到所述点云图像中的点云分布未满足所述预设条件时，根据所述目标物在所述点云图像中的第二坐标数据，获取所述车辆在所述第一坐标系下与所述目标物的距离。
3.根据权利要求1所述的距离检测方法，其特征在于，在检测到所述点云图像中的点云分布满足预设条件之后，还包括：
根据所述点云图像中各点数据的图像标签，从所述点云图像中获取所述目标区域，所述图像标签用于指示各所述点云数据所代表的物体。
4.根据权利要求1所述的距离检测方法，其特征在于，从所述点云图像的目标区域中，提取多个目标点在第一坐标系下的第一坐标数据，包括：
网格化所述点云图像的目标区域，获取多个点云网格，所述点云网格包括多个单位网格，各所述单位网格中包括标记网格；
根据所述点云网格中各标记网格的位置，将多个所述点云网格中表示各所述标记网格形成的网格区域的中心点作为所述目标点；
从多个所述点云网格中一一提取各所述目标点在第一坐标系下的第一坐标数据。
5.根据权利要求4所述的距离检测方法，其特征在于，各所述点云网格的所述单位网格数量相同。
6.根据权利要求4所述的距离检测方法，其特征在于，网格化所述点云图像的目标区域，获取多个点云网格之后，还包括：
根据预设的参数信息遍历各所述单位网格，从各所述单位网格中获取所述标记网格，所述参数信息包括颜色信息和强度信息中的至少一种。
7.根据权利要求4所述的距离检测方法，其特征在于，在根据所述点云网格中各标记网格的位置，将多个所述点云网格中表示各所述标记网格形成的网格区域的中心点作为所述目标点之前，还包括：
将所述标记网格的中心点，标记为所述标记网格在所述点云网格中的位置。
8.根据权利要求4所述的距离检测方法，其特征在于，所述第一坐标数据根据所述车辆当前时刻的预估位姿确定，所述预估位姿由多个目标参数进行位姿预估后获取，其中，多个所述目标参数包括所述车辆的历史位姿，所述车辆的预估速度以及所述历史位姿的获取时间。
9.根据权利要求8所述的距离检测方法，其特征在于，从多个所述点云网格中一一提取各所述目标点在第一坐标系下的第一坐标数据，包括：
从所述点云网格中提取所述目标点在所述第一坐标系下的二维坐标数据，所述二维坐标数据包括所述目标点的横坐标和纵坐标；
根据各所述目标点的所述二维坐标数据和所述车辆的偏航角，获取各所述目标点的所述第一坐标数据。
10.根据权利要求1所述的距离检测方法，其特征在于，根据所述第一坐标数据，确定指示各第一坐标数据中横坐标和竖坐标定量关系的第一参数，以及指示各所述第一坐标数据中纵坐标和竖坐标定量关系的第二参数，包括：
根据所述第一坐标数据，获取第一数据组和第二数据组，所述第一数据组由所述第一坐标数据的横坐标和竖坐标组成，所述第二数据组由所述第一坐标数据的纵坐标和竖坐标组成；
对各所述第一数据组进行线性回归处理，获取所述第一参数，以及，
对各所述第二数据组进行线性回归处理，获取所述第二参数。
11.根据权利要求10所述的距离检测方法，其特征在于，对各所述第一数据组进行线性回归处理，获取所述第一参数，包括：
将各所述第二数据组标记为目标数据集；
多次执行对当前所述目标数据集的线性回归处理，每次执行均在获取处理结果后，从当前所述目标数据集中删除与所述处理结果的关联度满足预设关联条件的所述第一数据组，以更新当前所述目标数据集，直至当前所述目标数据集为期望数据集；
将所述期望数据集的线性回归处理结果作为所述第一参数。
12.一种距离检测装置，其特征在于，应用于车辆，包括：
图像获取模块，用于获取点云图像；
数据获取模块，用于检测所述点云图像，在检测到所述点云图像中的点云分布满足预设条件时，从所述点云图像的目标区域中，提取多个目标点在第一坐标系下的第一坐标数据，所述预设条件为第一坐标系与第二坐标系相同，所述预设条件满足时，车辆相对于路面不倾斜，所述第一坐标系为传感器坐标系，所述第二坐标系为基于路面形成的路面坐标系；
参数确定模块，用于根据各所述第一坐标数据确定第一参数以及第二参数，所述第一参数为第一坐标数据中横坐标和竖坐标之间相互依赖的定量关系，所述第二参数为第一坐标数据中纵坐标和竖坐标之间相互依赖的定量关系；
距离检测模块，用于根据所述第一参数和所述第二参数，获取所述车辆在第二坐标系下与所述点云图像中目标物的距离。
13.一种电子设备，其特征在于，应用于车辆，包括：存储器、处理器及存储在存储器上并可在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程序时实现如权利要求1-11中任一项所述的方法。
14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序适于由处理器加载并执行，以使得具有所述处理器的计算机设备执行权利要求1-11中任一项所述的方法。
15.一种车辆，其特征在于，包括如权利要求13所述的电子设备。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110509676.3A CN113376643B (zh) | 2021-05-10 | 2021-05-10 | 距离检测方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110509676.3A CN113376643B (zh) | 2021-05-10 | 2021-05-10 | 距离检测方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113376643A CN113376643A (zh) | 2021-09-10 |
| CN113376643B true CN113376643B (zh) | 2024-07-16 |
Family
ID=77572415
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110509676.3A Active CN113376643B (zh) | 2021-05-10 | 2021-05-10 | 距离检测方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113376643B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114719768B (zh) * | 2022-03-31 | 2023-12-29 | 东风汽车集团股份有限公司 | 一种车辆最小离地间隙测量方法 |
| CN115880643B (zh) * | 2023-01-06 | 2023-06-27 | 之江实验室 | 一种基于目标检测算法的社交距离监测方法和装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109115150A (zh) * | 2018-08-14 | 2019-01-01 | 中车唐山机车车辆有限公司 | 一种基于车体的数据处理方法和装置 |
| CN110068814A (zh) * | 2019-03-27 | 2019-07-30 | 东软睿驰汽车技术（沈阳）有限公司 | 一种测量障碍物距离的方法及装置 |
| CN112219225A (zh) * | 2019-09-26 | 2021-01-12 | 深圳市大疆创新科技有限公司 | 定位方法、系统及可移动平台 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10671862B2 (en) * | 2018-01-30 | 2020-06-02 | Wipro Limited | Method and system for detecting obstacles by autonomous vehicles in real-time |
| CN113781534A (zh) * | 2018-03-05 | 2021-12-10 | 华为技术有限公司 | 一种测距方法及装置 |
| CN110927762B (zh) * | 2018-09-20 | 2023-09-01 | 上海汽车集团股份有限公司 | 一种定位修正方法、装置及系统 |
| CN110068826B (zh) * | 2019-03-27 | 2021-05-07 | 东软睿驰汽车技术（沈阳）有限公司 | 一种测距的方法及装置 |
| CN110853037A (zh) * | 2019-09-26 | 2020-02-28 | 西安交通大学 | 一种基于球面投影的轻量化彩色点云分割方法 |
| CN110988912B (zh) * | 2019-12-06 | 2022-12-02 | 青岛慧拓智能机器有限公司 | 自动驾驶车辆的道路目标与距离检测方法、系统、装置 |
| CN112037280A (zh) * | 2020-08-17 | 2020-12-04 | 北京声智科技有限公司 | 物体距离测量方法及装置 |
| CN111912419B (zh) * | 2020-08-28 | 2024-10-01 | 清华大学苏州汽车研究院（吴江） | 基于激光雷达的高精度语义导航地图构建方法和装置 |
-
2021
- 2021-05-10 CN CN202110509676.3A patent/CN113376643B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109115150A (zh) * | 2018-08-14 | 2019-01-01 | 中车唐山机车车辆有限公司 | 一种基于车体的数据处理方法和装置 |
| CN110068814A (zh) * | 2019-03-27 | 2019-07-30 | 东软睿驰汽车技术（沈阳）有限公司 | 一种测量障碍物距离的方法及装置 |
| CN112219225A (zh) * | 2019-09-26 | 2021-01-12 | 深圳市大疆创新科技有限公司 | 定位方法、系统及可移动平台 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113376643A (zh) | 2021-09-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109791052B (zh) | 使用数字地图对点云的数据点进行分类的方法和系统 | |
| CN110531376B (zh) | 用于港口无人驾驶车辆的障碍物检测和跟踪方法 | |
| JP3645177B2 (ja) | 車両周辺監視装置 | |
| CN104793202B (zh) | 多雷达成像传感器的对象融合系统 | |
| US20150336575A1 (en) | Collision avoidance with static targets in narrow spaces | |
| CN112781599B (zh) | 确定车辆的位置的方法 | |
| CN113376643B (zh) | 距离检测方法、装置及电子设备 | |
| WO2019180442A1 (en) | Object detection system and method | |
| CN114442101A (zh) | 基于成像毫米波雷达的车辆导航方法、装置、设备及介质 | |
| CN115273039B (zh) | 一种基于摄像头的小障碍物探测方法 | |
| US20190187253A1 (en) | Systems and methods for improving lidar output | |
| JP2023121809A (ja) | 劣化地物特定装置、劣化地物特定システム、劣化地物特定方法、劣化地物特定プログラム及び劣化地物特定プログラムを記録したコンピュータ読み取り可能な記録媒体 | |
| CN115151954A (zh) | 可行驶区域检测的方法和装置 | |
| JP2023118751A (ja) | 自己位置推定装置 | |
| CN112823353A (zh) | 使用机器学习进行对象定位 | |
| CN110618413A (zh) | 基于多线激光雷达的可通行区域检测方法和装置 | |
| CN113888463A (zh) | 车轮转角的检测方法、装置、电子设备及存储介质 | |
| JP3954053B2 (ja) | 車両周辺監視装置 | |
| JP2023164502A (ja) | 静止物データ生成装置、制御方法、プログラム及び記憶媒体 | |
| CN116129553A (zh) | 一种基于多源车载设备的融合感知方法及系统 | |
| Zhong et al. | Dynamic obstacle detection and tracking based on 3D lidar | |
| Huang et al. | An efficient multi-threshold selection method for lane detection based on lidar | |
| CN115079198A (zh) | 利用lidar传感器跟踪物体的方法和装置以及存储执行该方法的程序的记录介质 | |
| CN115824237B (zh) | 轨道路面识别方法及装置 | |
| WO2020045210A1 (ja) | 地図データ構造 |
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 |