一种面向复杂道路场景的时空域障碍物检测方法及系统技术方案

本发明专利技术公开了一种面向复杂道路场景的时空域障碍物检测方法及系统，包括采集点云数据和历史帧的检测结果，对所述点云数据进行预处理；将经过预处理后的点云数据采用深度学习方法进行检测获得已知类型目标信息，采用占据栅格方法进行检测得到未知类型目标信息；对已知类型目标和未知类型目标进行空间域关联融合以得出当前帧的检测结果；对历史帧的检测结果进行运动估计以得到历史帧的运动估计结果；基于当前帧的检测结果和历史帧的运动估计结果进行时间域融合以更新当前帧目标的检测结果；该方法能够更好地对道路上出现的各类已知类型及未知类型的障碍物进行检测，并且对被遮挡目标、小体积目标等的检测有更好的表现。小体积目标等的检测有更好的表现。小体积目标等的检测有更好的表现。

【技术实现步骤摘要】
一种面向复杂道路场景的时空域障碍物检测方法及系统


[0001]本专利技术涉及自动驾驶
，具体涉及一种面向复杂道路场景的时空域障碍物检测方法及系统。

技术介绍

[0002]自动驾驶的关键技术之一是车辆通过各种传感器对周围的环境进行信息获取及处理，从而使得车辆可以规划出一条最佳路径来达到目的地；近些年来，深度学习在自动驾驶感知领域得到了广泛的使用，并且逐渐表现出取代各种传统感知方法的趋势。
[0003]深度学习以数据为驱动，通过模型设计来替代传统方法中各类特征提取算法，并且表现出良好的泛化性能；在感知领域中最为普遍使用的深度学习方法为监督式方法，虽然这类方法已经十分成熟，然而也有一些不足之处，比如在遇到一些稀有样本、严重遮挡等情况，模型通常难以给出准确的结果，除此之外，监督式方法还存在对于给定样本类型以外的目标无法进行有效检测的问题；在复杂道路场景中，往往存在车辆之间互相遮挡的情况，这极大的增加了目标检测的难度。

技术实现思路

[0004]针对上述问题，本专利技术的一个目的是提供一种面向复杂道路场景的时空域障碍物检测方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向复杂道路场景的时空域障碍物检测方法，其特征在于，包括以下步骤：S100：采集点云数据和历史帧的检测结果，对所述点云数据进行预处理；S200：将预处理后的点云数据采用深度学习方法进行检测获得已知类型目标信息，采用占据栅格方法进行检测获得未知类型目标信息；S300：基于所述已知类型目标信息和所述未知类型目标信息对已知类型目标和未知类型目标进行空间域关联融合以得出当前帧的检测结果；S400：对所述历史帧的检测结果进行运动估计以得到历史帧的运动估计结果；基于所述当前帧的检测结果和所述历史帧的运动估计结果进行时间域融合以更新当前帧目标的检测结果。2.根据权利要求1所述的时空域障碍物检测方法，其特征在于，所述步骤S100中的预处理包括对点云数据进行降采样、噪点去除或/和区域过滤操作。3.根据权利要求1所述的时空域障碍物检测方法，其特征在于，所述步骤S200中的深度学习方法具体为：基于预先训练好的神经网络模型对预处理后的点云数据进行运算，得到点云数据中已知类型目标的位置和类别。4.根据权利要求1所述的时空域障碍物检测方法，其特征在于，所述步骤S200中的占据栅格方法具体为：对预处理后的点云数据进行地面点估计及地面点滤除；通过障碍物分割算法将滤除地面点后的点云数据划分为不同的栅格簇；对每个栅格簇进行最小包络面估计，计算包络面的中心位置，每个栅格簇为一个未知类型目标，所述包络面的中心位置作为所述未知类型目标的中心。5.根据权利要求1所述的时空域障碍物检测方法，其特征在于，所述步骤S300包括以下子步骤：S310：选取任意一个已知类型目标，依次遍历所有未知类型目标，计算所述已知类型目标和所述未知类型目标之间的关联分数；S320：基于所述关联分数对所述已知类型目标和所述未知类型目标进行关联匹配，以得到当前帧的检测结果。6.根据权利要求5所述的时空域障碍物检测方法，其特征在于，所述关联分数通过以下方式计算得到：(1)基于所述已知类型目标信息中已知类型目标的中心点坐标计算已知类型目标的前部中心点坐标和尾部中心点坐标；基于所述未知类型目标信息中未知类型目标的中心点坐标计算未知类型目标的前部中心点坐标和尾部中心点坐标；(2)分别计算所述已知类型目标和所述未知类型目标之间的中心点坐标距离、前部中心点坐标距离和尾部...

【专利技术属性】
技术研发人员：徐峣，崔迪潇，江頔，王通，
申请(专利权)人：苏州智加科技有限公司，
类型：发明
国别省市：