Nothing Special   »   [go: up one dir, main page]

CN111289998A - 障碍物检测方法、装置、存储介质以及车辆 - Google Patents

障碍物检测方法、装置、存储介质以及车辆 Download PDF

Info

Publication number
CN111289998A
CN111289998A CN202010080855.5A CN202010080855A CN111289998A CN 111289998 A CN111289998 A CN 111289998A CN 202010080855 A CN202010080855 A CN 202010080855A CN 111289998 A CN111289998 A CN 111289998A
Authority
CN
China
Prior art keywords
point cloud
cloud data
vehicle
cluster
distance
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
CN202010080855.5A
Other languages
English (en)
Inventor
翟苗苗
陈新
郭丽丽
王化英
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.)
Beijing Automotive Group Co Ltd
Beijing Automotive Research Institute Co Ltd
Original Assignee
Beijing Automotive Group Co Ltd
Beijing Automotive Research Institute Co Ltd
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 Beijing Automotive Group Co Ltd, Beijing Automotive Research Institute Co Ltd filed Critical Beijing Automotive Group Co Ltd
Priority to CN202010080855.5A priority Critical patent/CN111289998A/zh
Publication of CN111289998A publication Critical patent/CN111289998A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本公开涉及一种障碍物检测方法、装置、存储介质以及车辆，该方法包括：获取在车体坐标系下的第一点云数据集；根据第一点云数据集中每个点云数据与车体坐标系中坐标原点的距离，获取该点云数据对应的距离阈值，并计算该点云数据与待分类点云数据的第一欧式距离；根据每个点云数据对应的距离阈值和第一欧式距离，对第一点云数据集中的点云数据进行聚类处理，得到目标聚类簇；根据目标聚类簇识别障碍物，提高了车辆周围障碍物的检测精度。

Description

障碍物检测方法、装置、存储介质以及车辆
技术领域
本公开涉及障碍物检测技术领域，具体地，涉及一种障碍物检测方法、装置、存储介质以及车辆。
背景技术
目前，基于三维激光雷达检测障碍物的方法通常采用欧氏聚类算法。欧式聚类算法是将车载三维激光雷达所采集到的点云数据按照固定的距离阈值进行聚类，得到聚类簇，再对聚类簇进行识别处理，得到障碍物。而车载三维激光雷达所采集到的绝大多数点云数据是密度不均匀的，对根据固定的距离阈值得到的聚类进行识别，使得障碍物检测精度较低。
发明内容
本公开的目的是提供一种障碍物检测方法、装置、存储介质以及电子设备，以解决采用现有的欧式聚类算法在处理车载三维激光雷达采集到的点云数据时，障碍物检测精度较低的问题。
为了实现上述目的，本公开第一方面提供一种障碍物检测方法，应用于车辆，包括：
获取在车体坐标系下的第一点云数据集；
根据所述第一点云数据集中每个点云数据与所述车体坐标系中坐标原点的距离，获取该点云数据对应的距离阈值，并计算该点云数据与待分类点云数据的第一欧式距离，所述待分类点云数据包括所述第一点云数据集中除该点云数据外的其他点云数据中，未聚类的点云数据；
根据每个所述点云数据对应的距离阈值和所述第一欧式距离，对所述第一点云数据集中的点云数据进行聚类处理，得到目标聚类簇；
根据所述目标聚类簇识别障碍物。
可选地，所述获取在车体坐标系下的第一点云数据集包括：
获取所述车辆周围预设位置范围内的待定点云数据；
根据预设筛选条件从所述待定点云数据中确定冗余点云数据；
将所述待定点云数据中除所述冗余点云数据外的点云数据的集合，作为所述第一点云数据集。
可选地，所述预设筛选条件包括：
将所述待定点云数据中纵坐标在预设阈值范围内的点云数据作为所述冗余点云数据；和/或，
将所述待定点云数据中所述车辆对应的点云数据作为所述冗余点云数据。
可选地，所述根据每个所述点云数据对应的距离阈值和所述第一欧式距离，对所述第一点云数据集中的点云数据进行聚类处理，得到目标聚类簇包括：
针对每个所述点云数据，将第一欧式距离小于或者等于所述距离阈值的待分类点云数据，与该点云数据聚类为同一个聚类簇；
计算每个所述点云数据对应的聚类簇之间的第二欧式距离；
将第二欧式距离小于或等于所述距离阈值的聚类簇合并，得到所述目标聚类簇。
本公开第二方面提供一种障碍物检测装置，应用于车辆，包括：
第一点云数据集获取模块，用于获取在车体坐标系下的第一点云数据集；
第一欧式距离计算模块，用于根据所述第一点云数据集中每个点云数据与所述车体坐标系中坐标原点的距离，获取该点云数据对应的距离阈值，并计算该点云数据与待分类点云数据的第一欧式距离，所述待分类点云数据包括所述第一点云数据集中除该点云数据外的其他点云数据中，未聚类的点云数据；
目标聚类簇获取模块，用于根据每个所述点云数据对应的距离阈值和所述第一欧式距离，对所述第一点云数据集中的点云数据进行聚类处理，得到目标聚类簇；
障碍物识别模块，用于根据所述目标聚类簇识别障碍物。
可选地，所述第一点云数据集获取模块用于：
获取所述车辆周围预设位置范围内的待定点云数据；
根据预设筛选条件从所述待定点云数据中确定冗余点云数据；
将所述待定点云数据中除所述冗余点云数据外的点云数据的集合，作为所述第一点云数据集。
可选地，所述预设筛选条件包括：
将所述待定点云数据中纵坐标在预设阈值范围内的点云数据作为所述冗余点云数据；和/或，
将所述待定点云数据中所述车辆对应的点云数据作为所述冗余点云数据。
可选地，所述目标聚类簇获取模块用于：
针对每个所述点云数据，将第一欧式距离小于或者等于所述距离阈值的待分类点云数据，与该点云数据聚类为同一个聚类簇；
计算每个所述点云数据对应的聚类簇之间的第二欧式距离；
将第二欧式距离小于或等于所述距离阈值的聚类簇合并，得到所述目标聚类簇。
本公开第三方面公开一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面中任一项所述方法的步骤。
本公开第四方面公开一种车辆，包括第二方面中任一项所述的障碍物检测装置。
通过上述技术方案，能够获取在车体坐标系下的第一点云数据集；根据该第一点云数据集中每个点云数据与该车体坐标系中坐标原点的距离，获取该点云数据对应的距离阈值，并计算该点云数据与待分类点云数据的第一欧式距离，该待分类点云数据包括该第一点云数据集中除该点云数据外的其他点云数据中，未聚类的点云数据；根据每个该点云数据对应的距离阈值和该第一欧式距离，对该第一点云数据集中的点云数据进行聚类处理，得到目标聚类簇；根据该目标聚类簇识别障碍物，可以根据每个点云数据与该车体坐标系中坐标原点的距离确定该点云数据对应的距离阈值，再根据该距离阈值得到聚类簇，避免雷达所采集的点云数据密度不均匀时，根据固定的距离阈值得到聚类簇，再对该聚类簇进行识别处理，使得障碍物检测精度较低的问题，提高了车辆周围障碍物的检测精度。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
图1是根据一示例性实施例示出的一种障碍物检测系统的结构示意图；
图2是根据一示例性实施例示出的一种障碍物检测方法的流程图；
图3是根据一示例性实施例示出的另一种障碍物检测方法的流程图；
图4是根据一示例性实施例示出的一种障碍物检测装置的框图；
图5是根据一示例性实施例示出的一种车身控制器的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
图1是根据一示例性实施例示出的一种障碍物检测系统的结构示意图，该系统应用于车辆。如图1所示，该系统包括：
雷达101以及车身控制器102。其中该雷达101可以为车载三维激光雷达，该雷达101设置在车辆的车身外，用于获取车辆周围的点云数据，再将该点云数据发送给车身控制器102。
进一步地，该车身控制器102接收到该点云数据后，根据聚类算法对该点云数据进行聚类，得到聚类簇，再对该聚类簇进行识别处理，得到障碍物。
现有技术中，通常采用欧式聚类算法对该点云数据进行聚类。欧式聚类算法的过程为：计算每个点云数据与除该点云数据外的其他点云数据的欧式距离，再将该点云数据和与该点云数据的欧式距离小于或者等于固定的距离阈值的其他点云数据进行聚类，得到聚类簇，再对该聚类簇进行识别处理，得到障碍物。
但是，雷达所采集到的绝大多数点云数据是密度不均匀的，而根据固定的距离阈值得到聚类簇，再对该聚类簇进行识别处理，使得障碍物检测精度较低。
发明人注意到这一问题，提出一种障碍物检测方法，具体如下：
图2是根据一示例性实施例提供的一种障碍物检测方法的流程图，该方法应用于车辆。如图2所示，该方法包括：
S201、获取在车体坐标系下的第一点云数据集。
在本实施例中，通过车辆上设置的雷达获取车辆预设范围内的车体坐标系下的待定点云数据，该雷达可以为车载三维激光雷达。再从该待定点云数据中筛选除冗余点云数据外的点云数据的集合，作为该第一点云数据集。示例性地，该冗余点云数据为该车辆对应的点云数据和/或地面对应的点云数据。
S202、根据该第一点云数据集中每个点云数据与该车体坐标系中坐标原点的距离，获取该点云数据对应的距离阈值，并计算该点云数据与待分类点云数据的第一欧式距离，该待分类点云数据包括该第一点云数据集中除该点云数据外的其他点云数据中，未聚类的点云数据。
在本步骤中，先计算该第一点云数据集Q中每个点云数据Qi与该车辆坐标系坐标原点的距离，再根据该点云数据Qi与该车辆坐标系坐标原点的距离得到该点云数据Qi对应的距离阈值d。其中，距离阈值
Figure BDA0002380265440000061
式中，Xi、Yi和Zi分别为该点云数据Qi在车辆坐标系下的横坐标、竖坐标和纵坐标，γ为调节参数，γ的取值范围为0.01—0.15。
再根据该第一点云数据集建立KD-tree数据结构，并采用KD-tree邻域法对该第一点云数据集Q进行邻域搜索。KD-tree是一种二叉树的多维结构形式，可以将一个空间划分成多个不相交的子空间，空间中每一个结点都属于根据该空间划分的两个子空间。再将每个子空间持续进行划分，直至该子空间中所包含的结点数的数量小于预设数量，不再将该子空间进行划分。
同样地，在本实施例中，采用KD-tree邻域法对该第一点云数据集Q进行邻域搜索时，将该第一点云数据集Q划分成多个不相交的子点云数据集，该第一点云数据集Q中的每一个点云数据Qi属于根据该第一点云数据集Q划分的两个子点云数据集，再将每个子点云数据集进行划分，直至该子点云数据集中所包含的点云数据的数量小于预设数量，不再将该子点云数据集进行划分。
在本实施中，采用KD-tree邻域法对该第一点云数据集Q进行邻域搜索的过程为：
建立一个空的聚类簇列表D和一个待处理队列L，将第一点云数据集Q中的每一个点云数据Qi加入到队列L中。对于每个点云数据Qi∈L，采用KD-tree对其进行邻域搜索，将搜索到的除该点云数据外的其他点云数据中，未聚类的点云数据存入
Figure BDA0002380265440000071
中。对于
Figure BDA0002380265440000072
中的每一个点云数据，计算它们与点云数据Qi的第一欧氏距离。示例性地，采用KD-tree对点云数据Qi进行邻域搜索时，将点云数据Qi对应的两个子点云数据集中未聚类的点云数据存入
Figure BDA0002380265440000073
中。
S203、根据每个该点云数据对应的距离阈值和该第一欧式距离，对该第一点云数据集中的点云数据进行聚类处理，得到目标聚类簇。
示例性地，计算得到
Figure BDA0002380265440000074
中的每一个点云数据与点云数据Qi的第一欧氏距离后，将该第一欧氏距离小于或者等于距离阈值d的点云数据与Qi聚类为同一个聚类簇，并将与点云数据Qi的第一欧氏距离小于或者等于距离阈值d的点云数据存入D中，得到目标聚类簇，该目标聚类簇中的所有点云数据即为D中的所有点云数据。
S204、根据该目标聚类簇识别障碍物。
示例性地，得到目标聚类簇后，对该目标聚类簇进行识别处理，得到障碍物。对该目标聚类簇进行识别处理的方法可以为采用现有的图像识别处理的方法，本实施例此处不再赘述。
采用上述方案，能够获取在车体坐标系下的第一点云数据集；根据该第一点云数据集中每个点云数据与该车体坐标系中坐标原点的距离，获取该点云数据对应的距离阈值，并计算该点云数据与待分类点云数据的第一欧式距离，该待分类点云数据包括该第一点云数据集中除该点云数据外的其他点云数据中，未聚类的点云数据；根据每个该点云数据对应的距离阈值和该第一欧式距离，对该第一点云数据集中的点云数据进行聚类处理，得到目标聚类簇；根据该目标聚类簇识别障碍物，可以根据每个点云数据与该车体坐标系中坐标原点的距离确定该点云数据对应的距离阈值，再根据该距离阈值得到聚类簇，避免雷达所采集的点云数据密度不均匀时，根据固定的距离阈值得到聚类簇，再对该聚类簇进行识别处理，使得障碍物检测精度较低的问题，提高了车辆周围障碍物的检测精度。
下面结合图3实施例，对本公开提供的障碍物检测方法做进一步详细说明。图3是根据一示例性实施例示出的另一种障碍物检测方法的流程图，该方法应用于车辆。如图3所示，该方法包括：
S301、获取该车辆周围预设位置范围内的待定点云数据。
在本实施例中，通过车辆上设置的雷达获取车辆预设范围内的待定点云数据，该雷达可以为车载三维激光雷达，再将获取的待定点云数据的坐标进行变换，将待定点云数据的坐标变换到该车辆的车体坐标系中。通过将待定点云数据的坐标变换到该车辆的车体坐标系中，可以解决待定点云数据畸变的问题。
S302、根据预设筛选条件从该待定点云数据中确定冗余点云数据。
在本实施例中，该预设筛选条件包括：将该待定点云数据中纵坐标在预设阈值范围内的点云数据作为该冗余点云数据。
示例性地，可以将待定点云数据中纵坐标在-h附近σ邻域内的点云数据作为冗余点云数据。其中，h为车载三维激光雷达安装高度，σ与车辆行驶的路面不平度以及车载三维激光的检测距离有关，通常选为0.02m-0.08m，并随车载三维激光检测的距离增大而减小。纵坐标在-h附近σ邻域内的点云数据对应的物体相对车辆车身的高度较低，在车辆的车身以下，不会对车辆的正常驾驶产生影响，因此待定点云数据中纵坐标Z在-h附近σ邻域内的点云数据作为地面对应的点云数据，并将地面对应的点云数据作为冗余点云数据，不进行聚类运算以及识别处理，能够减少点云数据的运算处理量，提高运算效率。
在本实施例中，该预设筛选条件还包括：将该待定点云数据中该车辆对应的点云数据作为该冗余点云数据。
示例性地，还可以将待定点云数据中坐标为该车辆的车体坐标的点云数据作为冗余点云数据。该待定点云数据中坐标为该车辆的车体坐标的点云数据即为该车辆对应的点云数据，并将车辆对应的点云数据作为冗余点云数据，不进行聚类运算以及识别处理，参加聚类运算以及识别处理的点云数据即为除车辆外的车辆周围的障碍物对应的点云数据，而对除车辆外的车辆周围的障碍物对应的点云数据进行聚类运算以及识别处理得到的只有车辆外的车辆周围的障碍物，不包含车辆本身，能够在减少点云数据的运算处理量，提高运算效率的同时，提高障碍物的检测准确度。
S303、将该待定点云数据中除该冗余点云数据外的点云数据的集合，作为第一点云数据集。
在本实施例中，将该待定点云数据除去地面对应的点云数据和/或该车辆对应的点云数据外的点云数据的集合，作为第一点云数据集。通过除去该待定点云数据除去地面对应的点云数据和/或该车辆对应的点云数据，能够减少点云数据的运算处理量，提高运算效率。
S304、根据该第一点云数据集中每个点云数据与该车体坐标系中坐标原点的距离，获取该点云数据对应的距离阈值，并计算该点云数据与待分类点云数据的第一欧式距离，该待分类点云数据包括该第一点云数据集中除该点云数据外的其他点云数据中，未聚类的点云数据。
本实施例提供的S304与图2实施例提供的S202类似，本实施例此处不再赘述。
S305、针对每个该点云数据，将第一欧式距离小于或者等于该距离阈值的待分类点云数据，与该点云数据聚类为同一个聚类簇。
示例性地，针对每个点云数据Qi，将与Qi的第一欧氏距离小于或者等于距离阈值d的待分类点云数据与Qi聚类为同一个聚类簇。其中，待分类点云数据为除Qi外的其他点云数据中，未聚类的点云数据。
S306、计算每个该点云数据对应的聚类簇之间的第二欧式距离。
此处以点云数据Qi和点云数据Qj为例进行说明。其中，Qi对应的聚类簇为Si，Qj对应的聚类簇为Sj。聚类簇Si与聚类簇Sj之间的第二欧氏距离
Figure BDA0002380265440000101
Figure BDA0002380265440000102
其中，点云数据Qi的坐标为(Xi1，Yi1，Zi1)、(Xi2，Yi2，Zi2)…(Xin，Yin，Zin)，并且Xi1、Xi2…Xin为点云数据Qi在车体坐标系下的横坐标，Yi1、Yi2…Yin为点云数据Qi在车体坐标系下的竖坐标，Zi1、Zi2…Zin为点云数据Qi在车体坐标系下的纵坐标。
其中，点云数据Qj的坐标为(Xj1，Yj1，Zj1)、(Xj2，Yj2，Zj2)...(Xjn，Yjn，Yjn)。并且Xj1、Xj2…Xjn为点云数据Qj在车体坐标系下的横坐标，Yj1、Yj2…Yjn为点云数据Qj在车体坐标系下的竖坐标，Zj1、Zj2…Zjn为点云数据Qj在车体坐标系下的纵坐标。
S307、将第二欧式距离小于或等于该距离阈值的聚类簇合并，得到该目标聚类簇。
示例性地，若聚类簇Si与聚类簇Sj之间的第二欧氏距离dij小于或者等于该距离阈值，则将聚类簇Si与聚类簇Sj合并，得到目标聚类簇。
S308、根据该目标聚类簇识别障碍物。
示例性地，得到该目标聚类簇后，确定该目标聚类簇的尺寸大小。示例性地，可以通过计算该目标聚类簇的面积确定该目标聚类簇的尺寸。若该目标聚类簇的面积小于或者等于预设面积阈值，则表明该目标聚类簇所对应的障碍物尺寸较小，不会对该车辆的正常行驶产生影响，将该目标聚类簇删除，减少数据的运算处理量，提高运算效率。
示例性地，还可以确定该目标聚类簇中包含的点云数据的数量。若该目标聚类簇中包含的点云数据的数量大于或者等于预设数量阈值，将该目标聚类簇删除。
示例性地，若该目标聚类簇的面积大于预设面积阈值且该目标聚类簇中包含的点云数据的数量小于预设数量阈值，对该目标聚类簇进行识别处理，得到障碍物。对该目标聚类簇进行识别处理的方法可以为采用现有的图像识别处理的方法，本实施例此处不再赘述。
采用上述方案，能够在获取该车辆周围预设位置范围内的待定点云数据，根据预设筛选条件从该待定点云数据中确定冗余点云数据，并将该待定点云数据中除该冗余点云数据外的点云数据的集合，作为第一点云数据集，减少了点云数据的运算处理量，能够提高运算效率。再根据该第一点云数据集和该点云数据对应的距离阈值得到目标聚类簇，避免雷达所采集的点云数据密度不均匀时，根据固定的距离阈值得到聚类簇，再对该聚类簇进行识别处理，使得障碍物检测精度较低的问题，提高了车辆周围障碍物的检测精度。
图4是根据一示例性实施例示出的一种障碍物检测装置，应用于车辆。如图4所示，该装置40包括：
第一点云数据集获取模块401，用于获取在车体坐标系下的第一点云数据集；
第一欧式距离计算模块402，用于根据该第一点云数据集中每个点云数据与该车体坐标系中坐标原点的距离，获取该点云数据对应的距离阈值，并计算该点云数据与待分类点云数据的第一欧式距离，该待分类点云数据包括该第一点云数据集中除该点云数据外的其他点云数据中，未聚类的点云数据；
目标聚类簇获取模块403，用于根据每个该点云数据对应的距离阈值和该第一欧式距离，对该第一点云数据集中的点云数据进行聚类处理，得到目标聚类簇；
障碍物识别模块404，用于根据该目标聚类簇识别障碍物。
可选地，该第一点云数据集获取模块401用于：
获取该车辆周围预设位置范围内的待定点云数据；
根据预设筛选条件从该待定点云数据中确定冗余点云数据；
将该待定点云数据中除该冗余点云数据外的点云数据的集合，作为该第一点云数据集。
可选地，该预设筛选条件包括：
将该待定点云数据中纵坐标在预设阈值范围内的点云数据作为该冗余点云数据；和/或，
将该待定点云数据中该车辆对应的点云数据作为该冗余点云数据。
可选地，该目标聚类簇获取模块403用于：
针对每个该点云数据，将第一欧式距离小于或者等于该距离阈值的待分类点云数据，与该点云数据聚类为同一个聚类簇；
计算每个该点云数据对应的聚类簇之间的第二欧式距离；
将第二欧式距离小于或等于该距离阈值的聚类簇合并，得到该目标聚类簇。
采用上述装置，能够获取在车体坐标系下的第一点云数据集；根据该第一点云数据集中每个点云数据与该车体坐标系中坐标原点的距离，获取该点云数据对应的距离阈值，并计算该点云数据与待分类点云数据的第一欧式距离，该待分类点云数据包括该第一点云数据集中除该点云数据外的其他点云数据中，未聚类的点云数据；根据每个该点云数据对应的距离阈值和该第一欧式距离，对该第一点云数据集中的点云数据进行聚类处理，得到目标聚类簇；根据该目标聚类簇识别障碍物，可以根据每个点云数据与该车体坐标系中坐标原点的距离确定该点云数据对应的距离阈值，再根据该距离阈值得到聚类簇，避免雷达所采集的点云数据密度不均匀时，根据固定的距离阈值得到聚类簇，再对该聚类簇进行识别处理，使得障碍物检测精度较低的问题，提高了车辆周围障碍物的检测精度。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
在一实施例中，本公开提供一种车辆，该车辆包括图4实施例提供的障碍物检测装置。
在另一实施例中，本公开提供一种车辆，该车辆包括图1实施例所示的雷达和车身控制器。
图5是根据一示例性实施例示出的一种车身控制器500的框图。如图5所示，该车身控制器500可以包括：处理器501，存储器502。该车身控制器500还可以包括多媒体组件503，输入/输出(I/O)接口504，以及通信组件505中的一者或多者。
其中，处理器501用于控制该车身控制器500的整体操作，以完成上述的障碍物检测方法中的全部或部分步骤。存储器502用于存储各种类型的数据以支持在该车身控制器500的操作，这些数据例如可以包括用于在该车身控制器500上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器502可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件503可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器502或通过通信组件505发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口504为处理器501和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件505用于该车身控制器500与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G、4G、NB-IOT、eMTC、或其他5G等等，或它们中的一种或几种的组合，在此不做限定。因此相应的该通信组件505可以包括：Wi-Fi模块，蓝牙模块，NFC模块等等。
在一示例性实施例中，车身控制器500可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的障碍物检测方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的障碍物检测方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器502，上述程序指令可由车身控制器500的处理器501执行以完成上述的障碍物检测方法。
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。

Claims (10)

1.一种障碍物检测方法，其特征在于，应用于车辆，包括：
获取在车体坐标系下的第一点云数据集；
根据所述第一点云数据集中每个点云数据与所述车体坐标系中坐标原点的距离，获取该点云数据对应的距离阈值，并计算该点云数据与待分类点云数据的第一欧式距离，所述待分类点云数据包括所述第一点云数据集中除该点云数据外的其他点云数据中，未聚类的点云数据；
根据每个所述点云数据对应的距离阈值和所述第一欧式距离，对所述第一点云数据集中的点云数据进行聚类处理，得到目标聚类簇；
根据所述目标聚类簇识别障碍物。
2.根据权利要求1所述的方法，其特征在于，所述获取在车体坐标系下的第一点云数据集包括：
获取所述车辆周围预设位置范围内的待定点云数据；
根据预设筛选条件从所述待定点云数据中确定冗余点云数据；
将所述待定点云数据中除所述冗余点云数据外的点云数据的集合，作为所述第一点云数据集。
3.根据权利要求2所述的方法，其特征在于，所述预设筛选条件包括：
将所述待定点云数据中纵坐标在预设阈值范围内的点云数据作为所述冗余点云数据；和/或，
将所述待定点云数据中所述车辆对应的点云数据作为所述冗余点云数据。
4.根据权利要求1所述的方法，其特征在于，所述根据每个所述点云数据对应的距离阈值和所述第一欧式距离，对所述第一点云数据集中的点云数据进行聚类处理，得到目标聚类簇包括：
针对每个所述点云数据，将第一欧式距离小于或者等于所述距离阈值的待分类点云数据，与该点云数据聚类为同一个聚类簇；
计算每个所述点云数据对应的聚类簇之间的第二欧式距离；
将第二欧式距离小于或等于所述距离阈值的聚类簇合并，得到所述目标聚类簇。
5.一种障碍物检测装置，其特征在于，应用于车辆，包括：
第一点云数据集获取模块，用于获取在车体坐标系下的第一点云数据集；
第一欧式距离计算模块，用于根据所述第一点云数据集中每个点云数据与所述车体坐标系中坐标原点的距离，获取该点云数据对应的距离阈值，并计算该点云数据与待分类点云数据的第一欧式距离，所述待分类点云数据包括所述第一点云数据集中除该点云数据外的其他点云数据中，未聚类的点云数据；
目标聚类簇获取模块，用于根据每个所述点云数据对应的距离阈值和所述第一欧式距离，对所述第一点云数据集中的点云数据进行聚类处理，得到目标聚类簇；
障碍物识别模块，用于根据所述目标聚类簇识别障碍物。
6.根据权利要求5所述的装置，其特征在于，所述第一点云数据集获取模块用于：
获取所述车辆周围预设位置范围内的待定点云数据；
根据预设筛选条件从所述待定点云数据中确定冗余点云数据；
将所述待定点云数据中除所述冗余点云数据外的点云数据的集合，作为所述第一点云数据集。
7.根据权利要求6所述的装置，其特征在于，所述预设筛选条件包括：
将所述待定点云数据中纵坐标在预设阈值范围内的点云数据作为所述冗余点云数据；和/或，
将所述待定点云数据中所述车辆对应的点云数据作为所述冗余点云数据。
8.根据权利要求5所述的装置，其特征在于，所述目标聚类簇获取模块用于：
针对每个所述点云数据，将第一欧式距离小于或者等于所述距离阈值的待分类点云数据，与该点云数据聚类为同一个聚类簇；
计算每个所述点云数据对应的聚类簇之间的第二欧式距离；
将第二欧式距离小于或等于所述距离阈值的聚类簇合并，得到所述目标聚类簇。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-4中任一项所述方法的步骤。
10.一种车辆，其特征在于，包括权利要求5-8中任一项所述的障碍物检测装置。
CN202010080855.5A 2020-02-05 2020-02-05 障碍物检测方法、装置、存储介质以及车辆 Pending CN111289998A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010080855.5A CN111289998A (zh) 2020-02-05 2020-02-05 障碍物检测方法、装置、存储介质以及车辆

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010080855.5A CN111289998A (zh) 2020-02-05 2020-02-05 障碍物检测方法、装置、存储介质以及车辆

Publications (1)

Publication Number Publication Date
CN111289998A true CN111289998A (zh) 2020-06-16

Family

ID=71017004

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010080855.5A Pending CN111289998A (zh) 2020-02-05 2020-02-05 障碍物检测方法、装置、存储介质以及车辆

Country Status (1)

Country Link
CN (1) CN111289998A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112396804A (zh) * 2020-11-11 2021-02-23 湖南时变通讯科技有限公司 基于点云的数据处理方法、装置、设备及介质
CN112784799A (zh) * 2021-02-01 2021-05-11 三一机器人科技有限公司 Agv后向栈板及障碍物识别方法、装置及agv
CN112816959A (zh) * 2021-01-14 2021-05-18 森思泰克河北科技有限公司 用于车辆的聚类方法、装置、设备和存储介质
CN113076922A (zh) * 2021-04-21 2021-07-06 北京经纬恒润科技股份有限公司 一种物体检测方法及装置
CN113447928A (zh) * 2021-08-30 2021-09-28 广东电网有限责任公司湛江供电局 一种基于合成孔径雷达的降虚警率目标识别方法和系统
CN114051628A (zh) * 2020-10-30 2022-02-15 华为技术有限公司 一种确定目标对象点云集的方法及装置
CN114693855A (zh) * 2022-05-31 2022-07-01 中汽创智科技有限公司 一种点云数据的处理方法和装置
CN116071694A (zh) * 2023-03-07 2023-05-05 浙江华是科技股份有限公司 船舶检测方法、装置及计算机可读存储介质
WO2023142816A1 (zh) * 2022-01-26 2023-08-03 中国第一汽车股份有限公司 障碍物信息确定方法、装置、电子设备以及存储介质
CN117687408A (zh) * 2023-11-03 2024-03-12 广州发展燃料港口有限公司 一种装船机智能控制方法、系统、装置与存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107064955A (zh) * 2017-04-19 2017-08-18 北京汽车集团有限公司 障碍物聚类方法及装置
CN109190704A (zh) * 2018-09-06 2019-01-11 中国科学院深圳先进技术研究院 障碍物检测的方法及机器人
CN109657698A (zh) * 2018-11-20 2019-04-19 同济大学 一种基于点云的磁悬浮轨道障碍物检测方法
CN110632617A (zh) * 2019-09-29 2019-12-31 北京邮电大学 一种激光雷达点云数据处理的方法及装置
CN110647835A (zh) * 2019-09-18 2020-01-03 合肥中科智驰科技有限公司 基于3d点云数据的目标检测与分类方法和系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107064955A (zh) * 2017-04-19 2017-08-18 北京汽车集团有限公司 障碍物聚类方法及装置
CN109190704A (zh) * 2018-09-06 2019-01-11 中国科学院深圳先进技术研究院 障碍物检测的方法及机器人
CN109657698A (zh) * 2018-11-20 2019-04-19 同济大学 一种基于点云的磁悬浮轨道障碍物检测方法
CN110647835A (zh) * 2019-09-18 2020-01-03 合肥中科智驰科技有限公司 基于3d点云数据的目标检测与分类方法和系统
CN110632617A (zh) * 2019-09-29 2019-12-31 北京邮电大学 一种激光雷达点云数据处理的方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
周俊静: "基于激光雷达的智能车辆目标识别与跟踪关键技术研究", 《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114051628A (zh) * 2020-10-30 2022-02-15 华为技术有限公司 一种确定目标对象点云集的方法及装置
CN112396804A (zh) * 2020-11-11 2021-02-23 湖南时变通讯科技有限公司 基于点云的数据处理方法、装置、设备及介质
CN112816959A (zh) * 2021-01-14 2021-05-18 森思泰克河北科技有限公司 用于车辆的聚类方法、装置、设备和存储介质
CN112784799A (zh) * 2021-02-01 2021-05-11 三一机器人科技有限公司 Agv后向栈板及障碍物识别方法、装置及agv
CN113076922A (zh) * 2021-04-21 2021-07-06 北京经纬恒润科技股份有限公司 一种物体检测方法及装置
CN113076922B (zh) * 2021-04-21 2024-05-10 北京经纬恒润科技股份有限公司 一种物体检测方法及装置
CN113447928A (zh) * 2021-08-30 2021-09-28 广东电网有限责任公司湛江供电局 一种基于合成孔径雷达的降虚警率目标识别方法和系统
WO2023142816A1 (zh) * 2022-01-26 2023-08-03 中国第一汽车股份有限公司 障碍物信息确定方法、装置、电子设备以及存储介质
CN114693855A (zh) * 2022-05-31 2022-07-01 中汽创智科技有限公司 一种点云数据的处理方法和装置
CN114693855B (zh) * 2022-05-31 2022-09-06 中汽创智科技有限公司 一种点云数据的处理方法和装置
CN116071694B (zh) * 2023-03-07 2023-06-23 浙江华是科技股份有限公司 船舶检测方法、装置及计算机可读存储介质
CN116071694A (zh) * 2023-03-07 2023-05-05 浙江华是科技股份有限公司 船舶检测方法、装置及计算机可读存储介质
CN117687408A (zh) * 2023-11-03 2024-03-12 广州发展燃料港口有限公司 一种装船机智能控制方法、系统、装置与存储介质

Similar Documents

Publication Publication Date Title
CN111289998A (zh) 障碍物检测方法、装置、存储介质以及车辆
CN108846826B (zh) 物体检测方法、装置、图像处理设备及存储介质
WO2021232229A1 (zh) 虚拟场景生成方法、装置、计算机设备和存储介质
CN110226186B (zh) 表示地图元素的方法和装置以及定位的方法和装置
US20140193077A1 (en) Image retrieval apparatus, image retrieval method, query image providing apparatus, query image providing method, and program
CN105701478A (zh) 杆状地物提取的方法和装置
CN112526513A (zh) 基于聚类算法的毫米波雷达环境地图构建方法及装置
JP2021056608A (ja) 占有グリッドマップ生成装置、占有グリッドマップ生成システム、占有グリッドマップ生成方法、およびプログラム
US20200118277A1 (en) Point cluster refinement processing of image data for lidar-based vehicle tracking system and method
CN114051628A (zh) 一种确定目标对象点云集的方法及装置
CN110795978B (zh) 路面点云数据提取方法、装置、存储介质及电子设备
WO2024197815A1 (zh) 一种工程机械的建图、方法、设备、及可读存储介质
CN108710828B (zh) 识别目标物的方法、装置和存储介质以及车辆
CN110390252B (zh) 基于先验地图信息的障碍物检测方法、装置和存储介质
CN115617217A (zh) 一种车辆状态的显示方法、装置、设备及可读存储介质
CN110135428B (zh) 图像分割处理方法和装置
CN115372995A (zh) 一种基于欧式聚类的激光雷达目标检测方法及系统
CN113205510B (zh) 铁路侵限异物检测方法、装置及终端
CN112884801B (zh) 高空抛物检测方法、装置、设备和存储介质
CN110967674B (zh) 一种车载雷达阵列天线失效检测方法、装置和车载雷达
CN116630978A (zh) 长尾数据获取方法、装置、系统、设备和存储介质
CN115527187A (zh) 一种障碍物的分类方法以及装置
CN109657556A (zh) 道路及其周边地物的分类方法及系统
CN114863300A (zh) 一种最短路径生成方法及装置
CN114675274A (zh) 障碍物检测方法、装置、存储介质及电子设备

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200616

RJ01 Rejection of invention patent application after publication