一种基于车路协同的制造技术

本发明专利技术公开了一种基于车路协同的

【技术实现步骤摘要】
一种基于车路协同的3D目标检测方法


[0001]本专利技术涉及一种基于车路协同的
3D
目标检测方法，属于无人驾驶领域
。

技术介绍

[0002]在自动驾驶发展过程中自动驾驶安全面临巨大挑战，单车智能存在驾驶盲区
、
中远距离感知不稳定等问题阻碍了自动驾驶的落地，车路协同技术的出现提供了一种全新的解决方案，通过车辆和路边设施之间的实时通信与协同，可以实现更准确
、
全面和实时的目标检测
。
[0003]为了解决上述问题，目前，一般采用在车载端加装大量的传感器方法解决单车智能存在的问题，然而加装大量的传感器导致车载端的计算量增大，不能满足实时性要求，也增加了车辆的成本，同时受车辆高度的限制，车载端的传感器视野也不够大，不能很好的解决单车智能存在的问题
。
[0004]有鉴于此，确有必要提出一种基于车路协同的
3D
目标检测方法，以解决上述问题
。

技术实现思路

[0005]本专利技术的目的是在于提供一种基于车路协同的
3D
目标检测方法，能够解决单车
3D
目标检测存在盲区
、
感知性能不稳定问题
。
[0006]为了实现上述目的，本专利技术提供了一种基于车路协同的
3D
目标检测方法，主要包括以下步骤：
[0007]步骤1：路端和车端的激光雷达点云和图像预处理；
[0008]步骤2：路端和车端分别对激光雷达数据和图像数据进行时间戳对齐和位置对齐；
[0009]步骤3：路端和车端分别采用深度学习的方法进行各自的
3D
目标检测；
[0010]步骤4：将路端和车端
3D
目标检测的结果在车端进行融合；
[0011]步骤5：将融合之后的目标供车端进行使用
。
[0012]可选的，步骤1中路端和车端对激光雷达点云预处理主要是去除掉非地面附近的激光雷达点以及对激光雷达点进行翻转
、
缩放
、
平移数据增强操作，对图像数据处理主要是进行图像噪声去除
、
缩放
、
翻转
、
裁剪数据增强操作
。
[0013]可选的，步骤2中路端和车端激光雷达数据和图像数据进行时间戳对齐主要是将相同时间下的激光雷达点投影到图像上，实现图像像素位置上和每一个激光雷达点位置对应
。
[0014]可选的，步骤3中路端和车端进行
3D
目标检测的框架采用
VoxelNet
架构进行激光雷达点云和图像多模态融合进行
3D
目标检测
。
[0015]可选的，步骤4中将路端和车端目标检测的结果在车端进行融合采用以下三种策略：
[0016](1)
车端和路端同时检测到相同的物体，最终
3D
目标检测结果的
3D
框输出车端和路端的检测到的
3D
框并集
。
[0017](2)
如果车端没有检测到而路端检测到物体，则把路端检测到的
3D
框给车端使用
。
[0018](3)
如果车端检测到而路端没有检测到物体，则车端正常使用自己检测到的物体
。
[0019]可选的，步骤5中融合之后的目标供车端使用，融合的策略按照步骤4所示
。
[0020]本专利技术的有益效果是：本专利技术能够很好的解决单车智能存在驾驶盲区
、
中远距离感知不稳定以及单车智能中传感器使用数量多，成本高，计算需求大的问题
。
附图说明
[0021]图1是本专利技术一种基于车路协同的
3D
目标检测方法流程图
。
[0022]图2是本专利技术路端和车端激光雷达点云和图像数据进行预处理流程图
。
[0023]图3是本专利技术路端和车端
3D
目标检测流程图
[0024]图4是本专利技术路端和车端
3D
目标检测融合流程图
具体实施方式
[0025]为了使本专利技术的目的
、
技术方案和优点更加清楚，下面结合附图和具体实施例对本专利技术进行详细描述
。
[0026]步骤1：路端和车端的激光雷达点云和图像预处理；
[0027]步骤2：路端和车端分别进行激光雷达数据和图像数据进行时间戳对齐和位置对齐；
[0028]步骤3：路端和车端分别采用深度学习的方法进行各自的
3D
目标检测；
[0029]步骤4：将路端和车端
3D
目标检测的结果在车端进行融合；
[0030]步骤5：将融合之后的目标供车端进行使用
。
[0031]以下将对步骤1到步骤5做具体说明
。
[0032]如图2所示，路端和车端对激光雷达点云预处理主要是去除掉非地面附近的激光雷达点以及对激光雷达点进行翻转
、
缩放
、
平移数据增强操作，对图像数据处理主要是进行图像噪声去除
、
缩放
、
翻转
、
裁剪数据增强操作
。
[0033]如图3所示，步骤3中路端和车端进行
3D
目标检测的框架采用
VoxelNet
架构进行激光雷达点云和图像多模态融合进行
3D
目标检测
。
[0034]如图4所示，步骤4中将路端和车端目标检测的结果在车端进行融合采用以下三种策略：
[0035](1)
车端和路端同时检测到相同的物体，最终
3D
目标检测结果的
3D
框输出车端和路端检测到
3D
框并集
。
[0036](2)
如果车端没有检测到而路端检测到物体，则把路端检测到的
3D
框给车端使用
。
[0037](3)
如果车端检测到而路端没有检测到物体，则车端正常使用自己检测到的物体
。
[0038]综上所述，本专利技术能够很好的解决单车智能存在驾驶盲区
、
中远距离感知不稳定以及单车智能中传感器使用数量多，成本高，计算需求大的问题
。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于车路协同的
3D
目标检测方法，其特征在于，主要包括以下步骤：步骤1：路端和车端的激光雷达点云和图像预处理；步骤2：路端和车端分别进行激光雷达数据和图像数据进行时间戳对齐和位置对齐；步骤3：路端和车端分别采用深度学习的方法进行各自的
3D
目标检测；步骤4：将路端和车端
3D
目标检测的结果在车端进行融合；步骤5：将融合之后的目标供车端进行使用
。2.
根据权利要求1所述的基于车路协同的
3D
目标检测方法，其特征在于：步骤1中路端和车端对激光雷达点云预处理主要是去除掉非地面附近的激光雷达点以及对激光雷达点进行翻转
、
缩放
、
平移数据增强操作，对图像数据处理主要是进行图像噪声去除
、
缩放
、
翻转
、
裁剪数据增强操作
。3.
根据权利要求1所述的基于车路协同的
3D
目标检测方法，其特征在于：步骤2中路端和车端激光雷达数据和图像数据进行时间戳对...

【专利技术属性】
技术研发人员：王玉海，张秀才，吕睿，何磊，周渊乐，
申请(专利权)人：吉林大学青岛汽车研究院，
类型：发明
国别省市：