可左右滑动选省市

基于点云的车辆速度估计方法、装置、设备及存储介质

更新时间:2024-07-01
基于点云的车辆速度估计方法、装置、设备及存储介质 专利申请类型:发明专利;
地区:广东-广州;
源自:广州高价值专利检索信息库;

专利名称:基于点云的车辆速度估计方法、装置、设备及存储介质

专利类型:发明专利

专利申请号:CN202210109436.9

专利申请(专利权)人:广州文远知行科技有限公司
权利人地址:广东省广州市中新广州知识城九佛建设路333号自编687室

专利发明(设计)人:熊邦国,夏润,韩林,韩旭

专利摘要:本发明涉及自动驾驶控制领域,公开了一种基于点云的车辆速度估计方法、装置、设备及存储介质。该方法包括:获取点云中的车辆标注信息,并对车辆标注信息进行锚点匹配,基于匹配的结果,计算点云中车辆位姿的时序信息;根据时序信息,利用预置的带有轨迹限定条件的运动模型,评估车辆的运动状态;根据预置轨迹优化算法,通过运动模型对运动状态进行优化,得到车辆的最优运动状态;基于最优运动状态,计算车辆的速度。本发明实现了利用点云计算驾驶场景中车辆的速度,提升了驶场景中车辆速度计算的准确度。

主权利要求:
1.一种基于点云的车辆速度估计方法,其特征在于,所述基于点云的车辆速度估计方法包括:根据所述车辆标注信息,确定点云中车辆对应的多个标注框和各所述标注框对应的点云分布;根据所述点云分布,选取各所述标注框对应的锚点匹配策略,并采用选择的锚点匹配策略确定各所述标注框对应的锚点,基于匹配的结果,计算所述点云中车辆位姿的时序信息;
根据所述时序信息,利用预置的带有轨迹限定条件的运动模型,确定车辆中的转向轮和非转向轮;通过所述运动模型,对所述转向轮进行同轴独立的转向角度评估、以及对所述非转向轮进行车辆朝向角度评估,分别得到带有时序的第一评估结果和第二评估结果;基于所述第一评估结果和所述第二评估结果,确定时序中每个时间点对应的历史信息和未来信息;根据所述历史信息和所述未来信息,估计车辆的运动状态;
根据所述运动状态,确定所述车辆当前的运动参数,并根据预置轨迹优化算法,通过所述运动模型判断当前的运动参数是否符合预置软约束条件;若符合,则将所述运动状态作为所述车辆的最优运动状态条件;若不符合,则根据所述运动状态,通过所述运动模型重新评估车辆的新的运动状态,直到对应的运动参数符合所述软约束条件时停止,将符合软约束条件的运动参数对应的运动状态作为所述车辆的最优运动状态;
基于所述最优运动状态,计算所述车辆的速度。
2.根据权利要求1所述的基于点云的车辆速度估计方法,其特征在于,所述根据所述点云分布,选取各所述标注框对应的锚点匹配策略包括:根据所述点云分布,计算各所述标注框中点云的质心,以及提取各所述标注框对应的位置信息;
分别比较各所述质心的位置和各所述标注框对应的位置信息,并基于比较的结果,确定与各所述标注框相匹配的锚点匹配策略。
3.根据权利要求2所述的基于点云的车辆速度估计方法,其特征在于,所述采用选择的锚点匹配策略确定各所述标注框对应的锚点包括:根据选择的锚点匹配策略,确定各所述标注框上点云分布集中的框边;
若存在一条框边,则计算所述一条框边的中点,并作为对应标注框的锚点、或者计算所述一条框边中到所述质心的最短投影点,并将所述最短投影点作为对应标注框的锚点;
若存在两条框边,则将所述两条框边对应的交点作为对应标注框的锚点。
4.根据权利要求1‑3中任一项所述的基于点云的车辆速度估计方法,其特征在于,所述基于匹配的结果,计算所述点云中车辆位姿的时序信息包括:提取所述车辆标注信息中各个标注框对应的多时间点信息;
根据所述多时间点信息、以及各个标注框对应的锚点,确定各所述标注框对应的形状信息;
根据各所述标注框对应的形状信息,计算所述点云中车辆位姿对应的时序信息。
5.一种基于点云的车辆速度估计装置,其特征在于,所述基于点云的车辆速度估计装置包括:匹配模块,用于根据所述车辆标注信息,确定点云中车辆对应的多个标注框和各所述标注框对应的点云分布;根据所述点云分布,选取各所述标注框对应的锚点匹配策略,并采用选择的锚点匹配策略确定各所述标注框对应的锚点,基于匹配的结果,计算所述点云中车辆位姿的时序信息;
评估模块,用于根据所述时序信息,利用预置的带有轨迹限定条件的运动模型,确定车辆中的转向轮和非转向轮;通过所述运动模型,对所述转向轮进行同轴独立的转向角度评估、以及对所述非转向轮进行车辆朝向角度评估,分别得到带有时序的第一评估结果和第二评估结果;基于所述第一评估结果和所述第二评估结果,确定时序中每个时间点对应的历史信息和未来信息;根据所述历史信息和所述未来信息,估计车辆的运动状态;
优化模块,用于根据所述运动状态,确定所述车辆当前的运动参数,并根据预置轨迹优化算法,通过所述运动模型判断当前的运动参数是否符合预置软约束条件;若符合,则将所述运动状态作为所述车辆的最优运动状态条件;若不符合,则根据所述运动状态,通过所述运动模型重新评估车辆的新的运动状态,直到对应的运动参数符合所述软约束条件时停止,将符合软约束条件的运动参数对应的运动状态作为所述车辆的最优运动状态;
计算模块,用于基于所述最优运动状态,计算所述车辆的速度。
6.一种基于点云的车辆速度估计设备,其特征在于,所述基于点云的车辆速度估计设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于点云的车辆速度估计设备执行如权利要求1‑4中任意一项所述的基于点云的车辆速度估计方法的步骤。
7.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1‑4中任意一项所述基于点云的车辆速度估计方法的步骤。 说明书 : 基于点云的车辆速度估计方法、装置、设备及存储介质技术领域[0001] 本发明涉及自动驾驶控制领域,尤其涉及一种基于点云的车辆速度估计方法、装置、设备及存储介质。背景技术[0002] 获取高质量的环境车辆的真实运动数据,对于开发自动驾驶车辆的感知模块至关重要。获取的真实运动数据用于评估自动驾驶车辆的感知模块对周围环境中的物体运动的识别能力,保证在自动驾驶模型的持续迭代过程中,模型能力不会出现回退。[0003] 然而,现有的基于质点模型的估计算法,并不能有效的表征具有几何外形的车辆的运动状态,这种表征能力的缺失会带来不准确的速度估计;特别是在车辆运动轨迹发生弯曲时,可能出现大角度的方向估计错误。同时,基于激光雷达点云的人工标注框的速度估计算法,简单的利用标注框给出的各个时刻的质心位置,会导致对标注过程中的真实误差来源的忽略,从而带来具有偏差的运动状态估计。发明内容[0004] 本发明的主要目的在于解决现有自动驾驶技术中在采集真实运动数据时,存在对自动驾驶车辆的速度估计不够准确的技术问题。[0005] 本发明第一方面提供了一种基于点云的车辆速度估计方法,包括:获取点云中的车辆标注信息,并对所述车辆标注信息进行锚点匹配,基于匹配的结果,计算所述点云中车辆位姿的时序信息;根据所述时序信息,利用预置的带有轨迹限定条件的运动模型,评估车辆的运动状态;根据预置轨迹优化算法,通过所述运动模型对所述运动状态进行优化,得到所述车辆的最优运动状态;基于所述最优运动状态,计算所述车辆的速度。[0006] 可选的,在本发明第一方面的第一种实现方式中,所述对所述车辆标注信息进行锚点匹配包括:根据所述车辆标注信息,确定点云中车辆对应的多个标注框和各所述标注框对应的点云分布;根据所述点云分布,选取各所述标注框对应的锚点匹配策略,并采用选择的锚点匹配策略确定各所述标注框对应的锚点。[0007] 可选的,在本发明第一方面的第二种实现方式中,所述根据所述点云分布,选取各所述标注框对应的锚点匹配策略包括:根据所述点云分布,计算各所述标注库中点云的质心,以及提取各所述标注框对应的位置信息;分别比较各所述质心的位置和各所述标注库对应的位置信息,并基于比较的结果,确定与各所述标注框相匹配的锚点匹配策略。[0008] 可选的,在本发明第一方面的第三种实现方式中,所述采用选择的锚点匹配策略确定各所述标注框对应的锚点包括:根据选择的锚点匹配策略,确定各所述标注框上点云分布集中的框边;若存在一条框边,则计算所述一条框边的中点,并作为对应标注框的锚点、或者计算所述一条框边中到所述质心的最短投影点,并将所述最短投影点作为对应标注框的锚点;若存在两条框边,则将所述两条框边对应的交点作为对应标注框的锚点。[0009] 可选的,在本发明第一方面的第四种实现方式中,所述基于匹配的结果,计算所述点云中车辆位姿的时序信息包括:提取所述车辆标注信息中各个标注框对应的多时间点信息;根据所述多时间点信息、以及各个标注框对应的锚点,确定各所述标注框对应的形状信息;根据各所述标注框对应的形状信息,计算所述点云中车辆位姿对应的时序信息。[0010] 可选的,在本发明第一方面的第五种实现方式中,所述根据所述时序信息,利用预置的带有轨迹限定条件的运动模型,评估车辆的运动状态包括:根据所述时序信息,利用预置的带有轨迹限定条件的运动模型,确定车辆中的转向轮和非转向轮;通过所述运动模型,对所述转向轮进行同轴独立的转向角度评估、以及对所述非转向轮进行车辆朝向角度评估,分别得到带有时序的第一评估结果和第二评估结果;基于所述第一评估结果和所述第二评估结果,确定时序中每个时间点对应的历史信息和未来信息;根据所述历史信息和所述未来信息,估计车辆的运动状态。[0011] 可选的,在本发明第一方面的第六种实现方式中,所述根据预置轨迹优化算法,通过所述运动模型对所述运动状态进行优化,得到所述车辆的最优运动状态包括:根据所述运动状态,确定所述车辆当前的运动参数,并根据预置轨迹优化算法,通过所述运动模型判断当前的运动参数是否符合预置软约束条件;若符合,则将所述运动状态作为所述车辆的最优运动状态条件;若不符合,则根据所述运动状态,通过所述运动模型重新评估车辆的新的运动状态,直到对应的运动参数符合所述软约束条件条件时停止,将符合软约束条件的运动参数对应的运动状态作为所述车辆的最优运动状态。[0012] 本发明第二方面提供了一种基于点云的车辆速度估计装置,包括:匹配模块,用于获取点云中的车辆标注信息,并对所述车辆标注信息进行锚点匹配,基于匹配的结果,计算所述点云中车辆位姿的时序信息;评估模块,用于根据所述时序信息,利用预置的带有轨迹限定条件的运动模型,评估车辆的运动状态;优化模块,用于根据预置轨迹优化算法,通过所述运动模型对所述运动状态进行优化,得到所述车辆的最优运动状态;计算模块,用于基于所述最优运动状态,计算所述车辆的速度。[0013] 可选的,在本发明第二方面的第一种实现方式中,所述匹配模块包括:获取单元,用于获取点云中的车辆标注信息;匹配单元,用于根据所述车辆标注信息,确定点云中车辆对应的多个标注框和各所述标注框对应的点云分布;根据所述点云分布,选取各所述标注框对应的锚点匹配策略,并采用选择的锚点匹配策略确定各所述标注框对应的锚点;计算单元,用于基于匹配的结果,计算所述点云中车辆位姿的时序信息。[0014] 可选的,在本发明第二方面的第二种实现方式中,所述匹配单元还用于:根据所述点云分布,计算各所述标注库中点云的质心,以及提取各所述标注框对应的位置信息;分别比较各所述质心的位置和各所述标注库对应的位置信息,并基于比较的结果,确定与各所述标注框相匹配的锚点匹配策略。[0015] 可选的,在本发明第二方面的第三种实现方式中,所述匹配单元还用于:根据选择的锚点匹配策略,确定各所述标注框上点云分布集中的框边;若存在一条框边,则计算所述一条框边的中点,并作为对应标注框的锚点、或者计算所述一条框边中到所述质心的最短投影点,并将所述最短投影点作为对应标注框的锚点;若存在两条框边,则将所述两条框边对应的交点作为对应标注框的锚点。[0016] 可选的,在本发明第二方面的第四种实现方式中,所述计算单元还用于:提取所述车辆标注信息中各个标注框对应的多时间点信息;根据所述多时间点信息、以及各个标注框对应的锚点,确定各所述标注框对应的形状信息;根据各所述标注框对应的形状信息,计算所述点云中车辆位姿对应的时序信息。[0017] 可选的,在本发明第二方面的第五种实现方式中,所述评估模块包括:确定单元,用于根据所述时序信息,利用预置的带有轨迹限定条件的运动模型,确定车辆中的转向轮和非转向轮;评估单元,用于通过所述运动模型,对所述转向轮进行同轴独立的转向角度评估、以及对所述非转向轮进行车辆朝向角度评估,分别得到带有时序的第一评估结果和第二评估结果;选取单元,用于基于所述第一评估结果和所述第二评估结果,确定时序中每个时间点对应的历史信息和未来信息;估计单元,用于根据所述历史信息和所述未来信息,估计车辆的运动状态。[0018] 可选的,在本发明第二方面的第六种实现方式中,所述优化模块包括:判别单元,用于根据所述运动状态,确定所述车辆当前的运动参数,并根据预置轨迹优化算法,通过所述运动模型判断当前的运动参数是否符合预置软约束条件;循环单元,用于若符合,则将所述运动状态作为所述车辆的最优运动状态条件;若不符合,则根据所述运动状态,通过所述运动模型重新评估车辆的新的运动状态,直到对应的运动参数符合所述软约束条件条件时停止,将符合软约束条件的运动参数对应的运动状态作为所述车辆的最优运动状态。[0019] 本发明第三方面提供了一种基于点云的车辆速度估计设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于点云的车辆速度估计设备执行上述的基于点云的车辆速度估计方法。[0020] 本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的基于点云的车辆速度估计方法。[0021] 本发明提供的技术方案中,通过对点云中的车辆标注信息按照预置的锚点匹配策略来匹配标注框的锚点,来计算车辆位姿的时序信息,而非直接采用质点估计车辆位姿的时序信息,使得得到的时序信息更符合点云分布表征的车辆位姿,提升得到的车辆位姿时序信息的准确度;然后通过预先配置轨迹限定条件来限定车辆的运动轨迹,比如车辆转弯时轮胎转向,以优化运动模型,评估得到的车辆的运动状态更符合车辆运动的真实轨迹,最终通过轨迹优化算法,来对运动状态进行优化,使得最优运动状态更符合实际驾驶场景,此时计算得到车辆的速度更准确。附图说明[0022] 图1为本发明中基于点云的车辆速度估计方法的第一个实施例示意图;[0023] 图2为本发明中基于点云的车辆速度估计方法的第二个实施例示意图;[0024] 图3为本发明中车辆标注框的第一种点云分布示意图;[0025] 图4为本发明中车辆标注框中的第二种点云分布示意图;[0026] 图5为本发明中车辆标注框中的第三种点云分布示意图;[0027] 图6为本发明中车辆标注框中的点云质心分布区域划分示意图;[0028] 图7为本发明中车辆运动轨迹限定示意图;[0029] 图8为本发明中基于点云的车辆速度估计方法的第三个实施例示意图;[0030] 图9为本发明中基于点云的车辆速度估计装置的一个实施例示意图;[0031] 图10为本发明中基于点云的车辆速度估计装置的另一个实施例示意图;[0032] 图11为本发明中基于点云的车辆速度估计设备的一个实施例示意图。具体实施方式[0033] 本发明实施例提供了一种基于点云的车辆速度估计方法、装置、设备及存储介质,获取点云中的车辆标注信息,并对车辆标注信息进行锚点匹配,基于匹配的结果,计算点云中车辆位姿的时序信息;根据时序信息,利用预置的带有轨迹限定条件的运动模型,评估车辆的运动状态;根据预置轨迹优化算法,通过运动模型对运动状态进行优化,得到车辆的最优运动状态;基于最优运动状态,计算车辆的速度。本发明实现了利用点云计算驾驶场景中车辆的速度,提升了驶场景中车辆速度计算的准确度。[0034] 本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。[0035] 为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中基于点云的车辆速度估计方法的第一个实施例包括:[0036] 101、获取点云中的车辆标注信息,并对所述车辆标注信息进行锚点匹配,基于匹配的结果,计算所述点云中车辆位姿的时序信息;[0037] 可以理解的是,本发明的执行主体可以为基于点云的车辆速度估计装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。[0038] 本实施例中,通过激光雷达采集到驾驶车辆所在驾驶场景的点云,并以人工标注或者自动标注的方式标注驾驶场景的点云的车辆,即可得到车辆标注信息,同时存储备用。故此处可以直接获取点云的车辆标注信息,以确定驾驶场景对应点云中车辆所在的区域范围,即车辆对应的标注框。[0039] 本实施例中,在估计点云中车辆位姿时,需要先确定车辆所在标注框的一个基准点,然后通过该基准点来确定车辆位姿;相对于直接采用标注框的执行,来确定车辆位姿,此处通过寻找车辆标注框的锚点作为标注框的基准点,然后通过该锚点来进一步确定车辆位姿,以计算车辆位姿的时序信息。[0040] 另外,激光雷达是通过旋转采集多张图像,来组合形成驾驶场景的点云,故对于点云中车辆的多个标注框,根据采集的时间不同,还标记有对应的时间点,在确定锚点作为标注框的基准点的基础上,根据不同时间点,计算点云中各个标注框对应车辆位姿的时序信息。[0041] 需注意的是,此处通过标注框内车辆位姿的整体车辆几何外形来跟踪车辆的运动,以计算车辆的速度,相对于现有的以轴为原点,基于质点模型的速度计算算法,增加了整体车辆几何外形的表征,使得计算得到的速度更准确。[0042] 102、根据所述时序信息,利用预置的带有轨迹限定条件的运动模型,评估车辆的运动状态;[0043] 本实施例中,运动模型指的是控制车辆运动的数学建模,以描述车辆运动的运动状态,运动模型的建立准确度越高,车辆运动状态估计的准确度也越高,对车辆的跟踪控制和数据采集的效果越好。比如自行车模型(BicycleModel)的建模:1)车辆作二维平面上的运动;2)车辆左右侧轮胎在任意时刻都拥有相同的转向角度和转速;3)车辆行驶过程不考虑前后轴载荷的转移;4)车辆的车身和悬架系统都是刚性系统。5)车辆的运动和转向是由前轮驱动。[0044] 针对运动模型,加入了限制车辆运动的轨迹限定条件,再通过调整后的运动模型来评估车辆的运动状态,比如在车辆转弯时,不限定每个轮胎的转向角和转速相同,而是进行独立分析,允许每个轮胎的转向角和转速不同,在此基础上,对车辆的运动状态进行评估;也可以设置车辆同时具有的转向轮和非转向轮。[0045] 103、根据预置轨迹优化算法,通过所述运动模型对所述运动状态进行优化,得到所述车辆的最优运动状态;[0046] 本实施例中,通过预先设计的轨迹优化算法,来对运动模型进行调整,使得运动模型对车辆的运动状态进行不断地优化。在轨迹优化算法中设置限定车辆的轨迹的相关变量,比如车辆转向轮的转向角范围、转向变化、速度变化、加速度变化等,采用上述相关变量的至少一项构建轨迹优化算法。使得当当个运动模型对车辆估计得到的运动状态满足前述的轨迹优化算法对应的相关变量时,运动模型估计得到的车辆的运动状态更贴近实际驾驶场景中车辆的运动状态,此时将满足轨迹优化算法的运动状态作为车辆的最优运动状态。[0047] 104、基于所述最优运动状态,计算所述车辆的速度。[0048] 本实施例中,在表征车辆的整体几何形状的场景下,同时限制车辆轨迹对车辆的运动状态进行估计,再以预先设计好的轨迹优化算法来调整运动状态,得到车辆的最优运动状态。针对相同车辆不同时间点的各个标注框的最优运动状态,由于每个最优运动状态中包含有如车辆速度变化、车辆加速度变化的速度相关参数,故通过前述的速度相关参数,即可计算得到车辆的速度,具体计算过程此处不再赘述。[0049] 本发明实施例中,通过对点云中的车辆标注信息按照预置的锚点匹配策略来匹配标注框的锚点,来计算车辆位姿的时序信息,而非直接采用质点估计车辆位姿的时序信息,使得得到的时序信息更符合点云分布表征的车辆位姿,提升得到的车辆位姿时序信息的准确度;然后通过预先配置轨迹限定条件来限定车辆的运动轨迹,比如车辆转弯时轮胎转向,以优化运动模型,评估得到的车辆的运动状态更符合车辆运动的真实轨迹,最终通过轨迹优化算法,来对运动状态进行优化,使得最优运动状态更符合实际驾驶场景,此时计算得到车辆的速度更准确。[0050] 请参阅图2,本发明实施例中基于点云的车辆速度估计方法的第二个实施例包括:[0051] 201、获取点云中的车辆标注信息,并根据所述车辆标注信息,确定点云中车辆对应的多个标注框和各所述标注框对应的点云分布;[0052] 202、根据所述点云分布,选取各所述标注框对应的锚点匹配策略,并采用选择的锚点匹配策略确定各所述标注框对应的锚点;[0053] 本实施例中,车辆标注信息中至少包括点云中车辆的标注框,除此之外,还可以根据车辆标注信息中车辆的标注框的区域范围,来确定标注框的点云分布。其中,点云中车辆的标注框的数量为多个,可以为同一车辆在不同时间点对应的多个标注框。[0054] 本实施例中,基于标注框内的点云分布,提出多样的锚点选择策略,以适配车辆的整体几何特性。激光雷达在采集驾驶场景中其他车辆的点云数据时,一般只有面朝本数据采集车辆的一侧有较多点云,基于这个判断,预先配置好多种锚点匹配策略,根据每个标注框中的点云分布,来选取相对应的锚点匹配策略,以确定各个标注框的锚点,如图3‑图5所示,为三种标注框点云分布和对应锚点匹配策略的示例:[0055] 如图3所示的标注框及对应的点云分布,点云分布在标注框的短边和与短边邻接的长边一侧,则采用边角选择锚点的锚点匹配策略;[0056] 如图4所示标注框及对应的点云分布,点云分布主要在标注框的短边,则采用短边中点作为锚点的锚点匹配策略;[0057] 如图5所示标注框及对应的点云分布,点云分布主要在标注框的长边,则采用长边中点作为锚点的锚点匹配策略。[0058] 另外,可以通过我们提出通过比较点云的质心和标注框的位置,可以判断自动选取哪种锚点匹配策略。如图6所示为一种点云质心在标注框中的位置分布划分示意图,为点云的质心在标注框中的位置,其中,处于6‑1区域的点云质心,采用边角选择锚点的锚点匹配策略,处于6‑2区域的点云质心,采用短边中点作为锚点的锚点匹配策略,处于6‑3区域的点云质心,采用长边中点作为锚点的锚点匹配策略。[0059] 203、提取所述车辆标注信息中各个标注框对应的多时间点信息;[0060] 204、根据所述多时间点信息、以及各个标注框对应的锚点,确定各所述标注框对应的形状信息;[0061] 205、根据各所述标注框对应的形状信息,计算所述点云中车辆位姿对应的时序信息;[0062] 本实施例中,点云由激光雷达在多个时间点采集到的场景信息,故以相同车辆的标记为准,确定多个时间点采集到多个标注框,则多个标注框标注有对应采集的时间点,形成一个具有时间序列的车辆位姿分布。[0063] 具体的,可以从标注信息中提取出每个标注框对应的多时间点信息,然后利用多时间点信息,找到相同车辆在不同时间点的标注框,来确定车辆的形状信息,包括对应标注框的长边和短边的长度。[0064] 通过车身固定的形状信息,再结合标注框的锚点,将每个时间点标注框的自由度数目,从五个降到三个,来表征点云中车辆位姿的时序信息。五个自由度,指制定一个长方形框的五个自由度,可以包括:质心位置(2个),朝向(1个),两边长度(2个)。通过对多个时间点取平均值,可以固定后两个自由度,无需考虑两边长度,得到更准确的车辆位姿的时序信息。[0065] 206、根据所述时序信息,利用预置的带有轨迹限定条件的运动模型,确定车辆中的转向轮和非转向轮;[0066] 207、通过所述运动模型,对所述转向轮进行同轴独立的转向角度评估、以及对所述非转向轮进行车辆朝向角度评估,分别得到带有时序的第一评估结果和第二评估结果;[0067] 208、基于所述第一评估结果和所述第二评估结果,确定时序中每个时间点对应的历史信息和未来信息;[0068] 209、根据所述历史信息和所述未来信息,估计车辆的运动状态;[0069] 本实施例中,通过采用独立悬挂的运动模型,再添加预先设置的轨迹限制条件,限定车辆的运动轨迹。在设置轨迹限制条件时,可以采用OBJ多轴模型区分车辆中的转向轮和非转向轮。然后对车辆的转向轮和非转向轮分别进行独立评估。[0070] 具体的,如图7所示,对于非转向轮,其速度只能沿车辆朝向方向,即车轮不会发生漂移;在此基础上还可以做进一步改进,同轴的两个转向轮的转向角度,不需要锁定,可以独立转向并评估。通过轨迹限定条件,在处理车辆拐弯的驾驶场景时,更加符合实际情况的运动模式。故针对转向轮,则进行转向角度的评估,针对非转向轮,则进行车辆朝向角度的评估,其中,对同轴的转向轮无需锁定,独立对每个转向轮进行评估即可。[0071] 需注意的是,虽然图5展示的是两轴车辆,但仅是本实施例的一种示意,对于大于两轴,且有多个转向轮的车辆,本实施方法同样适用,对每个转向轮分类并独立评估即可,此处不作赘述。[0072] 210、根据预置轨迹优化算法,通过所述运动模型对所述运动状态进行优化,得到所述车辆的最优运动状态;[0073] 211、基于所述最优运动状态,计算所述车辆的速度。[0074] 请参阅图8,本发明实施例中基于点云的车辆速度估计方法的第三个实施例包括:[0075] 301、获取点云中的车辆标注信息,并根据所述车辆标注信息,确定点云中车辆对应的多个标注框和各所述标注框对应的点云分布;[0076] 302、根据所述点云分布,计算各所述标注库中点云的质心,以及提取各所述标注框对应的位置信息;[0077] 303、分别比较各所述质心的位置和各所述标注库对应的位置信息,并基于比较的结果,确定与各所述标注框相匹配的锚点匹配策略;[0078] 本实施例中,除了前面示例的三种锚点匹配策略选取固定位置的锚点之外,还可以采用灵活匹配的方式选择锚点;对前述的三种锚点匹配策略进行调整,在确定锚点位于长边、短边或者边角时,采用长短边上最靠近点云质心投影的点作为锚点,而非固定采用边角的点、长边/短边的中点作为锚点,以此作为对应的锚点匹配策略。[0079] 304、采用选择的锚点匹配策略确定各所述标注框对应的锚点,并基于匹配的结果,计算所述点云中车辆位姿的时序信息;[0080] 本实施例中,针对前述示例的三种锚点匹配策略,以及调整后的三种锚点匹配策略,在确定各标注框的锚点时,具体可以采用以下流程:[0081] 1)根据选择的锚点匹配策略,确定各所述标注框上点云分布集中的框边;[0082] 2)根若存在一条框边,则计算所述一条框边的中点,并作为对应标注框的锚点、或者计算所述一条框边中到所述质心的最短投影点,并将所述最短投影点作为对应标注框的锚点;[0083] 3)根若存在两条框边,则将所述两条框边对应的交点作为对应标注框的锚点、或者计算所述两条框边中到所述质心的最短投影点,并将所述最短投影点作为对应标注框的锚点。[0084] 305、根据所述时序信息,利用预置的带有轨迹限定条件的运动模型,评估车辆的运动状态;[0085] 306、根据所述运动状态,确定所述车辆当前的运动参数,并根据预置轨迹优化算法,通过所述运动模型判断当前的运动参数是否符合预置软约束条件;[0086] 307、若符合,则将所述运动状态作为所述车辆的最优运动状态条件;[0087] 308、若不符合,则根据所述运动状态,通过所述运动模型重新评估车辆的新的运动状态,直到对应的运动参数符合所述软约束条件条件时停止,将符合软约束条件的运动参数对应的运动状态作为所述车辆的最优运动状态;[0088] 本实施例中,将时序信息输入运动模型后,评估得到车辆的运动状态的相关信息可以包括:转向轮的转向角、速度、加速度等轨迹限定条件可以为一个损失函数,设计标准包括:转向轮的最大转角限制、尽量少的转向变化、尽量少的速度变化、尽量少的加速度变化、位姿与标注框的锚点和朝向尽量匹配。其中,转向轮可以设置最大转向角阈值来设计对应的软约束条件,其他的标准则可以通过一个函数表达来设计对应的软约束条件,具体如下所示:[0089][0090] 其中,α、v、a分别代表转向角度、速度、加速度。ra(ti)表示待优化的轨迹ra在时刻ti的锚点的位置坐标,rai表示标注框在时刻ti的位置坐标;h(ti)和hi分别表示在时刻ti,待优化的车辆朝向向量和标注框朝向向量,β1、β2、β3和λ1、λ2为模型调节参数。[0091] 在满足上述设计的软约束条件时,则确定得到的车辆的运动状态为最优运动状态,即可直接输出车辆的速度。[0092] 除此之外,在运动状态优化过程中,参数β1、β2、β3和λ1、λ2,可以根据该函数的拟合程度进行调节的。确定α、v、a以及锚点位置和车辆朝向向量达到优化条件,会根据损失函数的残差大小,同时配合可视化优化轨迹,达到一个可以接受的范围。[0093] 比如使用较大β1拟合得到的轨迹,倾向于车辆不轻易转向;较大的β2,倾向于不加减速;较大的β3,倾向于平稳驾驶;较大的λ1,倾向于锚点吻合度高;较大的λ2,倾向于车辆朝向吻合度高。这几个参数的比例,需要进行合适的搜索和调节,保证最终的损失函数的残差较小,并且可视化的轨迹是合理的。[0094] 309、基于所述最优运动状态,计算所述车辆的速度。[0095] 上面对本发明实施例中基于点云的车辆速度估计方法进行了描述,下面对本发明实施例中基于点云的车辆速度估计装置进行描述,请参阅图9,本发明实施例中基于点云的车辆速度估计装置一个实施例包括:[0096] 匹配模块401,用于获取点云中的车辆标注信息,并对所述车辆标注信息进行锚点匹配,基于匹配的结果,计算所述点云中车辆位姿的时序信息;[0097] 评估模块402,用于根据所述时序信息,利用预置的带有轨迹限定条件的运动模型,评估车辆的运动状态;[0098] 优化模块403,用于根据预置轨迹优化算法,通过所述运动模型对所述运动状态进行优化,得到所述车辆的最优运动状态;[0099] 计算模块404,用于基于所述最优运动状态,计算所述车辆的速度。[0100] 本发明实施例中,通过对点云中的车辆标注信息按照预置的锚点匹配策略来匹配标注框的锚点,来计算车辆位姿的时序信息,而非直接采用质点估计车辆位姿的时序信息,使得得到的时序信息更符合点云分布表征的车辆位姿,提升得到的车辆位姿时序信息的准确度;然后通过预先配置轨迹限定条件来限定车辆的运动轨迹,比如车辆转弯时轮胎转向,以优化运动模型,评估得到的车辆的运动状态更符合车辆运动的真实轨迹,最终通过轨迹优化算法,来对运动状态进行优化,使得最优运动状态更符合实际驾驶场景,此时计算得到车辆的速度更准确。[0101] 请参阅图10,本发明实施例中基于点云的车辆速度估计装置的另一个实施例包括:[0102] 匹配模块401,用于获取点云中的车辆标注信息,并对所述车辆标注信息进行锚点匹配,基于匹配的结果,计算所述点云中车辆位姿的时序信息;[0103] 评估模块402,用于根据所述时序信息,利用预置的带有轨迹限定条件的运动模型,评估车辆的运动状态;[0104] 优化模块403,用于根据预置轨迹优化算法,通过所述运动模型对所述运动状态进行优化,得到所述车辆的最优运动状态;[0105] 计算模块404,用于基于所述最优运动状态,计算所述车辆的速度。[0106] 具体的,所述匹配模块401包括:[0107] 获取单元4011,用于获取点云中的车辆标注信息;[0108] 匹配单元4012,用于根据所述车辆标注信息,确定点云中车辆对应的多个标注框和各所述标注框对应的点云分布;根据所述点云分布,选取各所述标注框对应的锚点匹配策略,并采用选择的锚点匹配策略确定各所述标注框对应的锚点;[0109] 计算单元4013,用于基于匹配的结果,计算所述点云中车辆位姿的时序信息。[0110] 具体的,所述匹配单元4012还用于:[0111] 根据所述点云分布,计算各所述标注库中点云的质心,以及提取各所述标注框对应的位置信息;[0112] 分别比较各所述质心的位置和各所述标注库对应的位置信息,并基于比较的结果,确定与各所述标注框相匹配的锚点匹配策略。[0113] 具体的,所述匹配单元4012还用于:[0114] 根据选择的锚点匹配策略,确定各所述标注框上点云分布集中的框边;[0115] 若存在一条框边,则计算所述一条框边的中点,并作为对应标注框的锚点、或者计算所述一条框边中到所述质心的最短投影点,并将所述最短投影点作为对应标注框的锚点;[0116] 若存在两条框边,则将所述两条框边对应的交点作为对应标注框的锚点。[0117] 具体的,所述计算单元4013还用于:[0118] 提取所述车辆标注信息中各个标注框对应的多时间点信息;[0119] 根据所述多时间点信息、以及各个标注框对应的锚点,确定各所述标注框对应的形状信息;[0120] 根据各所述标注框对应的形状信息,计算所述点云中车辆位姿对应的时序信息。[0121] 具体的,所述评估模块402包括:[0122] 确定单元4021,用于根据所述时序信息,利用预置的带有轨迹限定条件的运动模型,确定车辆中的转向轮和非转向轮;[0123] 评估单元4022,用于通过所述运动模型,对所述转向轮进行同轴独立的转向角度评估、以及对所述非转向轮进行车辆朝向角度评估,分别得到带有时序的第一评估结果和第二评估结果;[0124] 选取单元4023,用于基于所述第一评估结果和所述第二评估结果,确定时序中每个时间点对应的历史信息和未来信息;[0125] 估计单元4024,用于根据所述历史信息和所述未来信息,估计车辆的运动状态。[0126] 具体的,所述优化模块403包括:[0127] 判别单元4031,用于根据所述运动状态,确定所述车辆当前的运动参数,并根据预置轨迹优化算法,通过所述运动模型判断当前的运动参数是否符合预置软约束条件;[0128] 循环单元4032,用于若符合,则将所述运动状态作为所述车辆的最优运动状态条件;若不符合,则根据所述运动状态,通过所述运动模型重新评估车辆的新的运动状态,直到对应的运动参数符合所述软约束条件条件时停止,将符合软约束条件的运动参数对应的运动状态作为所述车辆的最优运动状态。[0129] 上面图9和图10从模块化功能实体的角度对本发明实施例中的基于点云的车辆速度估计装置进行详细描述,下面从硬件处理的角度对本发明实施例中基于点云的车辆速度估计设备进行详细描述。[0130] 图11是本发明实施例提供的一种基于点云的车辆速度估计设备的结构示意图,该基于点云的车辆速度估计设备600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(centralprocessingunits,CPU)610(例如,一个或一个以上处理器)和存储器620,一个或一个以上存储应用程序633或数据632的存储介质630(例如一个或一个以上海量存储设备)。其中,存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对基于点云的车辆速度估计设备600中的一系列指令操作。更进一步地,处理器610可以设置为与存储介质630通信,在基于点云的车辆速度估计设备600上执行存储介质630中的一系列指令操作。[0131] 基于点云的车辆速度估计设备600还可以包括一个或一个以上电源640,一个或一个以上有线或无线网络接口650,一个或一个以上输入输出接口660,和/或,一个或一个以上操作系统631,例如WindowsServe,MacOSX,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图11示出的基于点云的车辆速度估计设备结构并不构成对基于点云的车辆速度估计设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。[0132] 本发明还提供一种基于点云的车辆速度估计设备,所述计算机设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述基于点云的车辆速度估计方法的步骤。[0133] 本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述基于点云的车辆速度估计方法的步骤。[0134] 所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。[0135] 所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read‑onlymemory,ROM)、随机存取存储器(randomaccessmemory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。[0136] 以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

专利地区:广东

专利申请日期:2022-01-28

专利公开日期:2024-06-18

专利公告号:CN114612500B

电话咨询
读内容
搜本页
回顶部