障碍物检测方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了障碍物检测方法、装置、设备及存储介质，其中方法包括：获取无人驾驶车辆行驶过程中所采集的3D点云；将3D点云投影到二维网格上，分别获取各网格的特征信息；将各网格的特征信息输入预先训练得到的预测模型，分别获取各网格的障碍物预测参数；根据各网格的障碍物预测参数进行网格聚类，得到障碍物检测结果。应用本发明专利技术所述方案，能够提高检测结果的准确性等。

【技术实现步骤摘要】
障碍物检测方法、装置、设备及存储介质
本专利技术涉及无人驾驶车辆技术，特别涉及障碍物检测方法、装置、设备及存储介质。
技术介绍
无人驾驶车辆，是指通过各种传感器来感知车辆周围环境，并根据感知所获得的道路、车辆位置和障碍物信息等，控制车辆的转向和速度，从而使车辆能够安全、可靠地在道路上行驶。激光雷达是无人驾驶车辆用于感知三维环境的重要传感器，激光雷达扫描一圈场景，返回场景三维空间的点云，即3D点云，包括每个点的三维坐标以及激光的反射强度等。基于采集到3D点云，可进行障碍物的检测(分割)等，并反馈给规划控制系统，以便进行避障操作等。可见，障碍物检测直接关系到无人驾驶车辆的行车安全，具有非常重要的意义。障碍物可包括出现在道路上的行人、机动车、自行车等。现有技术中，主要采用基于规则的算法来进行障碍物的检测，如基于局部区域生成算法，即根据局部距离利用一个或多个阈值通过“连接”操作进行生长。但这种方式仅仅依靠局部的空间信息，检测结果的准确性较低。
技术实现思路
有鉴于此，本专利技术提供了障碍物检测方法、装置、设备及存储介质，能够提高检测结果的准确性。具体技术方案如下：一种障碍物检测方法，包括：获取无人驾驶车辆行驶过程中所采集的3D点云；将所述3D点云投影到二维网格上，分别获取各网格的特征信息；将各网格的特征信息输入预先训练得到的预测模型，分别获取各网格的障碍物预测参数；根据各网格的障碍物预测参数进行网格聚类，得到障碍物检测结果。一种障碍物检测装置，包括：获取单元以及检测单元；所述获取单元，用于获取无人驾驶车辆行驶过程中所采集的3D点云，并发送给所述检测单元；所述检测单元，用于将所述3D点云投影到二维网格上，分别获取各网格的特征信息；将各网格的特征信息输入预先训练得到的预测模型，分别获取各网格的障碍物预测参数；根据各网格的障碍物预测参数进行网格聚类，得到障碍物检测结果。一种计算机设备，包括存储器、处理器及存储在所述存储器上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程序时实现如以上所述的方法。一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如以上所述的方法。基于上述介绍可以看出，采用本专利技术所述方案，可将获取到的3D点云投影到二维网格上，并分别获取各网格的特征信息，将各网格的特征信息输入到预测模型中，从而分别获取到各网格的障碍物预测参数，进而可根据各网格的障碍物预测参数进行网格聚类，从而得到障碍物检测结果，相比于现有技术，本专利技术所述方案不再仅仅依靠局部的空间信息，从而提高了检测结果的准确性。【附图说明】图1为本专利技术所述障碍物检测方法实施例的流程图。图2为基于本专利技术所述障碍物检测方法得到的障碍物示意图。图3为本专利技术所述障碍物检测装置实施例的组成结构示意图。图4示出了适于用来实现本专利技术实施方式的示例性计算机系统/服务器12的框图。【具体实施方式】为了使本专利技术的技术方案更加清楚、明白，以下参照附图并举实施例，对本专利技术所述方案作进一步地详细说明。图1为本专利技术所述障碍物检测方法实施例的流程图，如图1所示，包括以下具体实现方式：在101中，获取无人驾驶车辆行驶过程中所采集的3D点云；在102中，将获取到的3D点云投影到二维网格上，分别获取各网格的特征信息；在103中，将各网格的特征信息输入预先训练得到的预测模型，分别获取各网格的障碍物预测参数；在104中，根据各网格的障碍物预测参数进行网格聚类，得到障碍物检测结果。在无人驾驶车辆的行驶过程中，激光雷达会不断地进行数据采集，当每次获取到激光雷达返回的3D点云之后，即可按上述102-104所述方式进行处理，即进行障碍物的检测。以下分别对上述各部分的具体实现进行详细说明。一)投影及特征提取投影及特征提取过程可称为预处理过程。针对获取到的3D点云，可将其投影到birdview视图(俯视图)上，即对3D点云进行二维的网格化处理，投影到二维网格上，网格的具体数量可根据实际需要而定，比如，可将60米范围内的3D点云投影到长640和宽640的平面网格上，这样，可分别得到属于每个网格的点云集合，不同网格的点云集合中的点数可能相同，也可能不同。之后，可针对每个网格分别进行特征统计，从而分别获取每个网格的特征信息。具体对哪些特征进行统计可根据实际需要而定，比如，可针对每个网格，分别统计该网格内的点数、该网格内的点的最大高度、平均高度等。假设共存在640*640个网格，每个网格分别统计出8个特征，那么共可得到640*640*8个特征。二)预测模型及预测参数可预先训练得到预测模型，较佳地，所述预测模型可为卷积神经网络模型。为此，需要先得到一批训练样本。比如，在每获取到一次3D点云之后，即可生成一个训练样本，具体地，可按照一)中所述方式得到各网格的特征信息，作为该训练样本中的输入，并且，可通过人工标注获得的障碍物三维框来得到该训练样本的输出，包括：每个网格属于障碍物的概率，以及，每个网格指向所属障碍物的中心位置的偏移量。当获取到足够数量的训练样本之后，即可根据这些训练样本来对卷积神经网络的参数进行训练，以获得最优的卷积神经网络参数，即得到所需的卷积神经网络模型。在实际的检测过程中，当每获取到一次3D点云，并将该3D点云投影到二维网格上，分别获取到各网格的特征信息之后，即可将各网格的特征信息一并输入到所述卷积神经网络模型中，从而分别得到每个网格的障碍物预测参数。所述障碍物预测参数可包括第一参数以及第二参数，针对每个网格，所述第一参数可为：该网格属于障碍物的概率，所述第二参数可为：该网格指向所属障碍物的中心位置的偏移量。所述概率可位于[0，1]的范围内。三)聚类在分别得到各网格的障碍物预测参数之后，即可根据各网格的障碍物预测参数进行网格聚类，从而得到障碍物检测结果。具体地，首先，可分别将各网格的第一参数与预先设定的第一阈值进行比较，从而筛选出第一参数大于第一阈值的网格。之后，可根据各网格的第二参数确定出所有可能的障碍物的中心位置，由于第二参数为网格指向所属障碍物的中心位置的偏移量，因此可根据各网格的所述偏移量确定出所有可能的障碍物的中心位置，并且，可进一步筛选出置信度大于预先设定的第二阈值的中心位置，比如，可通过非极大值抑制方式筛选出置信度大于第二阈值的中心位置。之后，可根据筛选出的中心位置，对各筛选出的网格进行聚类，将得到的类作为障碍物检测结果。即可将各筛选出的中心位置作为聚类中心，根据各筛选出的网格指向所属障碍物的中心位置的偏移量，对各筛选出的网格进行聚类，从而获得初始的障碍物实例，具体实现为现有技术。在此基础上，还可进一步按照以下方式之一或全部进行处理：1)根据障碍物之间的邻近关系进行障碍物合并；比如，可以将邻近关系符合合并要求的障碍物进行合并，从而消除掉零碎的障碍物，以避免出现过分割的现象，所述合并要求的具体内容可根据实际需要而定；2)将未被筛选出的网格中符合填充要求的网格填充到所属障碍物中的对应位置；比如，对于一个障碍物来说，可根据组成该障碍物的网格中的中心网格与边缘网格的对比度关系，确定出是否需要填充网格，通常来说，大多数情况下，组成一个障碍物的各网格间的对比度应该是逐渐变化的，如果出现跳变，则可以考虑是否需要填充网格，即从之前未被筛选出的网格中进行选本文档来自技高网...

【技术保护点】
一种障碍物检测方法，其特征在于，包括：获取无人驾驶车辆行驶过程中所采集的3D点云；将所述3D点云投影到二维网格上，分别获取各网格的特征信息；将各网格的特征信息输入预先训练得到的预测模型，分别获取各网格的障碍物预测参数；根据各网格的障碍物预测参数进行网格聚类，得到障碍物检测结果。

【技术特征摘要】
1.一种障碍物检测方法，其特征在于，包括：获取无人驾驶车辆行驶过程中所采集的3D点云；将所述3D点云投影到二维网格上，分别获取各网格的特征信息；将各网格的特征信息输入预先训练得到的预测模型，分别获取各网格的障碍物预测参数；根据各网格的障碍物预测参数进行网格聚类，得到障碍物检测结果。2.根据权利要求1所述的方法，其特征在于，所述预测模型包括：卷积神经网络模型。3.根据权利要求1所述的方法，其特征在于，每个网格的障碍物预测参数包括：第一参数和第二参数；所述第一参数包括：所述网格属于障碍物的概率；所述第二参数包括：所述网格指向所属障碍物的中心位置的偏移量。4.根据权利要求3所述的方法，其特征在于，所述根据各网格的障碍物预测参数进行网格聚类，得到障碍物检测结果包括：分别将各网格的第一参数与预先设定的第一阈值进行比较，筛选出第一参数大于所述第一阈值的网格；根据各网格的第二参数确定出所有可能的障碍物的中心位置，并筛选出置信度大于预先设定的第二阈值的中心位置；根据筛选出的中心位置，对各筛选出的网格进行聚类，将得到的类作为障碍物检测结果。5.根据权利要求4所述的方法，其特征在于，所述将得到的类作为障碍物检测结果之后，进一步包括：根据障碍物之间的邻近关系进行障碍物合并。6.根据权利要求4所述的方法，其特征在于，所述将得到的类作为障碍物检测结果之后，进一步包括：将未被筛选出的网格中符合填充要求的网格填充到所属障碍物中的对应位置。7.根据权利要求4所述的方法，其特征在于，所述将得到的类作为障碍物检测结果之后，进一步包括：将得到的每个类分别反投影到3D点云上；针对反投影后的每个类，分别进行以下处理：估算出地面高度，在所述地面高度之上，若出现断层，则切开，将位于所述地面高度之上以及所述断层之下的部分作为障碍物。8.根据权利要求4所述的方法，其特征在于，所述将得到的类作为障碍物检测结果之后，进一步包括：将得到的每个类分别反投影到3D点云上；针对反投影后的每个类，分别进行以下处理：将所述类中的各点按高度顺序进行排序，若两个相邻点之间的高度差大于预先设定的第三阈值，则切开，找出点数最多的片段，根据所述片段中的点确定出一个障碍物。9.一种障碍物检测装置，其特征在于，包括：获取单元以及检测单元；所述获取单元，用于获取无人驾驶车辆行驶过程中所采集的3D点云，并发送给所述检测单元；所述检测单元，用于将所述3D点云投影到二维网格上，分别获取各网格的特征信息；将各网格的特征信息输入预先训练得到的预测模型，分别获取各网格的障碍物预测参数；根据各网格的障碍物预测参数进行...

【专利技术属性】
技术研发人员：邹晓艺，陈东明，王昊，万吉，夏添，王亮，陈世熹，
申请(专利权)人：百度在线网络技术北京有限公司，
类型：发明
国别省市：北京,11