[發明專利]目標障礙物識別方法、裝置及運載工具

在審

• 申請號: 202010787342.8
• 申請日: 2020-08-06
• 公開（公告）號: CN111950428A
• 公開（公告）日: 2020-11-17
• 發明（設計）人: 蘇英菲
• 申請（專利權）人: 東軟睿馳汽車技術(沈陽)有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06T7/80
• 代理公司: 北京超成律師事務所 11646
• 代理人: 孔默

本發明提供一種目標障礙物識別方法、裝置及運載工具，涉及自動駕駛領域。該方法包括確定目標障礙物點云；基于目標障礙物點云建立目標障礙物坐標系；目標障礙物坐標系為世界坐標系；對目標障礙物點云中的目標點進行重新賦值得到目標點在目標障礙物坐標系下的新坐標；將目標點的新坐標輸入訓練好的網絡模型中得到目標障礙物的尺寸和形狀。該方法通過建立新的障礙物坐標系，并將原來障礙物點云中點的坐標轉換到新的障礙物坐標系下，這樣點云的新坐標即可表征點云相對位置，將點云的新坐標傳輸給網絡模型，更有利于網絡模型的快速收斂和精準學習，從而使得模型的準確性得到提高。

技術領域

本發明涉及自動駕駛技術領域，尤其是涉及一種目標障礙物識別方法、裝置及運載工具。

背景技術

隨著無人駕駛技術的發展，自動駕駛車輛得到了人們的廣泛關注。

自動駕駛車輛是一種通過電腦系統實現無人駕駛的智能車輛。并且，自動駕駛車輛依靠人工智能、攝像頭、雷達及全球定位系統協同合作，使車輛可以在沒有任何人類主動干預下自動駕駛，障礙物的識別是實現自動駕駛的重點內容，以實現避障，確保自動駕駛車輛的安全。

目前，現有技術中主要是通過激光雷達掃描周圍環境得到雷達點云，并將大量的雷達點云輸入到網絡模型中來實現自動駕駛車輛對障礙物的識別。

然而，上述現有技術中由于將雷達點云輸入網絡模型進行學習，不利于網絡模型的快速收斂和精準學習，導致網絡模型的準確度較低。

發明內容

為了解決上述問題，本發明的目的在于提供一種目標障礙物識別方法、裝置及運載工具。

第一方面，本發明實施例提供一種目標障礙物識別方法，所述方法包括：

確定目標障礙物點云；

基于所述目標障礙物點云建立目標障礙物坐標系；其中所述目標障礙物坐標系為世界坐標系；

基于所述目標障礙物坐標系對所述目標障礙物點云中的目標點進行重新賦值，得到所述目標點在所述目標障礙物坐標系下的新坐標；其中所述目標點在所述目標障礙物坐標系下的新坐標用于確定目標點之間的相對位置；

將所述目標點在所述目標障礙物坐標系下的新坐標輸入訓練好的網絡模型中，得到目標障礙物的識別信息；其中所述識別信息包括所述目標障礙物的尺寸和形狀。

結合第一方面，本發明實施例提供了第一方面的第一種可能的實施方式，其中，所述確定目標障礙物點云的步驟，包括：

獲取目標區域的激光雷達點云數據；其中所述目標障礙物位于所述目標區域內；

對目標區域內的所述激光雷達點云數據進行分析，得到所述目標障礙物點云；其中所述目標障礙物點云是指所述目標障礙物在激光雷達坐標下的點云數據。

結合第一方面，本發明實施例提供了第一方面的第二種可能的實施方式，其中，所述確定目標障礙物點云的步驟，包括：

獲取雙目攝像頭拍攝的目標圖片；其中所述目標圖片為包括目標障礙物的圖片；

對所述目標圖片進行深度計算得到深度圖；

對所述深度圖進行坐標轉換得到所述目標圖片在相機坐標系下的點云數據；

對所述目標圖片在相機坐標系下的點云數據進行分析，得到目標障礙物點云；其中所述目標障礙物點云是指所述目標障礙物在相機坐標下的點云數據。

結合第一方面的第二種可能的實施方式，本發明實施例提供了第一方面的第三種可能的實施方式，其中，所述目標障礙物點云還包括RGB數據；其中所述RGB數據是基于所述目標圖片得到的。

結合第一方面，本發明實施例提供了第一方面的第四種可能的實施方式，其中，所述目標點為所述目標障礙物點云中的所有點。