(71)申请人蘑菇车联信息科技有限公司地址100029北京市东城区北三环东路36号1号楼6层B603

　　本申请公开了一种道路遗撒物的检测方法、装置及电子设备,该方法包括,获取路侧激光雷达在当前路段采集的激光点云数据,利用预设障碍物检测策略对激光点云数据进行检测,得到第一障碍物检测结果,预设障碍物检测策略用于检测道路中各种障碍物,利用目标检测模型对激光点云数据进行检测,得到第二障碍物检测结果,预设目标检测模型用于检测道路中已知类别的障碍物,根据前述障碍物检测结果确定候选道路遗撒物并利用预设验证策略验证,得到最终道路遗撒物。本申请通过预设障碍物检测策略和目标检测模型的相互补充,覆盖了大多数道路场景遗撒物检测的需求,解决了单纯依赖障碍物检测模型无法识别遗撒物的问题,为后续车辆提前避让提供了可靠依据。

　　利用预设障碍物检测策略对所述激光点云数据进行障碍物检测,得到第一障碍物检测结果,所述预设障碍物检测策略用于检测道路中的已知类别的道路障碍物和未知类别的道路障碍物,

　　利用预设目标检测模型对所述激光点云数据进行障碍物检测,得到第二障碍物检测结果,所述预设目标检测模型用于检测道路中的已知类别的道路障碍物,

　　利用预设验证策略对所述候选道路遗撒物进行验证,得到当前路段的最终道路遗撒物。

　　2.如权利要求1所述方法,其中,所述获取路侧激光雷达在当前路段采集的激光点云数据包括,

　　根据路侧激光雷达与高精地图的变换关系,将高精地图中的道路区域投影至所述激光点云数据中,得到道路区域的激光点云数据。

　　3.如权利要求1所述方法,其中,所述利用预设障碍物检测策略对所述激光点云数据进行障碍物检测,得到第一障碍物检测结果包括,

　　利用预设平面拟合算法对所述激光点云数据进行道路平面拟合,得到道路平面拟合方程,

　　将所述激光点云数据中的点与所述道路平面拟合方程进行距离计算,得到所述激光点云数据中的点到道路平面的距离,

　　根据所述激光点云数据中的点到道路平面的距离和预设距离阈值对所述激光点云数据中的点进行过滤,得到非道路平面对应的激光点云数据,

　　利用预设点云聚类算法对所述非道路平面对应的激光点云数据进行聚类,得到所述第一障碍物检测结果。

　　4.如权利要求1所述方法,其中,所述第一障碍物检测结果包括已知类别的道路障碍物和未知类别的道路障碍物,所述第二障碍物检测结果包括已知类别的道路障碍物,所述根据所述第一障碍物检测结果和所述第二障碍物检测结果确定候选道路遗撒物包括,

　　根据比对结果确定所述第一障碍物检测结果中的未知类别的道路障碍物,作为所述候选道路遗撒物。

　　5.如权利要求1所述方法,其中,所述利用预设验证策略对所述候选道路遗撒物进行验证,得到当前路段的最终道路遗撒物包括,

　　确定所述候选道路遗撒物在预设帧数内的静止状态,并根据所述候选道路遗撒物在预设帧数内的静止状态确定所述最终道路遗撒物,和/或,

　　对所述候选道路遗撒物对应的周围车辆进行车辆避让行为的检测,并根据车辆避让行为的检测结果确定所述最终道路遗撒物。

　　6.如权利要求5所述方法,其中,所述确定所述候选道路遗撒物在预设帧数内的静止状态包括,

　　球速体育

　　在预设帧数内对所述候选道路遗撒物进行跟踪检测,得到预设帧数的候选道路遗撒物的检测结果,

　　利用预设匹配策略对预设帧数的候选道路遗撒物的检测结果进行匹配,所述预设匹配策略包括预设匹配维度,所述预设匹配维度包括候选道路遗撒物的大小和位置,

　　7.如权利要求5所述方法,其中,所述第二障碍物检测结果包括当前路段的车辆检测结果,所述对所述候选道路遗撒物对应的周围车辆进行车辆避让行为的检测包括,

　　根据所述车辆检测结果对当前路段的车辆进行跟踪,得到当前路段的车辆跟踪检测结果,所述车辆跟踪检测结果包括跟踪车辆的位置和航向角,

　　根据所述跟踪车辆的位置和候选道路遗撒物的位置确定所述跟踪车辆是否即将到达所述候选道路遗撒物的位置,

　　在所述跟踪车辆即将到达所述候选道路遗撒物的位置的情况下,将所述跟踪车辆作为所述候选道路遗撒物对应的周围车辆并确定所述周围车辆的航向角与所述周围车辆所在车道的航向角的偏差,

　　在所述周围车辆的航向角与所述周围车辆所在车道的航向角的偏差大于预设偏差阈值的情况下,确定所述周围车辆在所述候选道路遗撒物的位置存在避让行为,

　　8.如权利要求5所述方法,其中,所述根据车辆避让行为的检测结果确定所述最终道路遗撒物包括,

　　根据车辆避让行为的检测结果确定在所述候选道路遗撒物的位置存在避让行为的周围车辆数量,

　　根据在所述候选道路遗撒物的位置存在避让行为的周围车辆数量和预设数量阈值,确定所述最终道路遗撒物。

　　第一障碍物检测单元,用于利用预设障碍物检测策略对所述激光点云数据进行障碍物检测,得到第一障碍物检测结果,所述预设障碍物检测策略用于检测道路中的已知类别的道路障碍物和未知类别的道路障碍物,

　　第二障碍物检测单元,用于利用预设目标检测模型对所述激光点云数据进行障碍物检测,得到第二障碍物检测结果,所述预设目标检测模型用于检测道路中的已知类别的道路障碍物,

　　确定单元,用于根据所述第一障碍物检测结果和所述第二障碍物检测结果确定候选道路遗撒物,

　　验证单元,用于利用预设验证策略对所述候选道路遗撒物进行验证,得到当前路段的最终道路遗撒物。

　　被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行所述权利要求1~8之任一所述方法。

　　[0001 ] 本申请涉及障碍物检测技术领域,尤其涉及一种道路遗撒物的检测方法、装置及电子设备。

　　[0002] 道路中经常会出现一些遗撒物如车辆上掉落的物体、道路两侧的树木折断的树枝以及落石等,如果是高度较高、体积较大的物体,通常通过人眼或者自动驾驶车辆的感知设备即可容易识别,但是相对低矮的遗撒物在短时间内车辆容易躲避不及,甚至为了躲避而发生车祸。

　　[0003] 道路遗撒物可以看作是道路障碍物的一种形式,目前的障碍物检测方法主要是基于深度学习训练特定的障碍物检测模型,利用训练好的障碍物检测模型进行障碍物检测。

　　[0004] 然而,上述障碍物检测模型仅仅是针对数据集中标注的特定的障碍物类别进行识别,实际标注数据集时,很难覆盖到所有可能出现在道路中的障碍物类别,尤其是对于突然或者临时出现在道路中的遗撒物,现有的障碍物检测模型往往无法直接进行识别。

　　[0005] 本申请实施例提供了一种道路遗撒物的检测方法、装置及电子设备,以对道路中可能出现的各种遗撒物进行检测。

　　[0007] 第一方面,本申请实施例提供一种道路遗撒物的检测方法,其中,所述方法包括,

　　[0009] 利用预设障碍物检测策略对所述激光点云数据进行障碍物检测,得到第一障碍物检测结果,所述预设障碍物检测策略用于检测道路中的已知类别的道路障碍物和未知类别的道路障碍物,

　　[0010] 利用预设目标检测模型对所述激光点云数据进行障碍物检测,得到第二障碍物检测结果,所述预设目标检测模型用于检测道路中的已知类别的道路障碍物,

　　[001 1 ] 根据所述第一障碍物检测结果和所述第二障碍物检测结果确定候选道路遗撒物,

　　[0012] 利用预设验证策略对所述候选道路遗撒物进行验证,得到当前路段的最终道路遗撒物。

　　[0013] 可选地,所述获取路侧激光雷达在当前路段采集的激光点云数据包括,

　　[0014] 获取路侧激光雷达在预设采集条件下在当前路段采集的激光点云数据,

　　[0015] 根据路侧激光雷达与高精地图的变换关系,将高精地图中的道路区域投影至所述激光点云数据中,得到道路区域的激光点云数据。

　　[0016] 可选地,所述利用预设障碍物检测策略对所述激光点云数据进行障碍物检测,得到第一障碍物检测结果包括,

　　[0017] 利用预设平面拟合算法对所述激光点云数据进行道路平面拟合,得到道路平面拟

　　[0018] 将所述激光点云数据中的点与所述道路平面拟合方程进行距离计算,得到所述激光点云数据中的点到道路平面的距离,

　　[0019] 根据所述激光点云数据中的点到道路平面的距离和预设距离阈值对所述激光点云数据中的点进行过滤,得到非道路平面对应的激光点云数据,

　　[0020] 利用预设点云聚类算法对所述非道路平面对应的激光点云数据进行聚类,得到所述第一障碍物检测结果。

　　[0021 ] 可选地,所述第一障碍物检测结果包括已知类别的道路障碍物和未知类别的道路障碍物,所述第二障碍物检测结果包括已知类别的道路障碍物,所述根据所述第一障碍物检测结果和所述第二障碍物检测结果确定候选道路遗撒物包括,

　　[0022] 将所述第一障碍物检测结果与所述第二障碍物检测结果进行比较,

　　[0023] 根据比对结果确定所述第一障碍物检测结果中的未知类别的道路障碍物,作为所述候选道路遗撒物。

　　[0024] 可选地,所述利用预设验证策略对所述候选道路遗撒物进行验证,得到当前路段的最终道路遗撒物包括,

　　[0025] 确定所述候选道路遗撒物在预设帧数内的静止状态,并根据所述候选道路遗撒物在预设帧数内的静止状态确定所述最终道路遗撒物,和/或,

　　[0026] 对所述候选道路遗撒物对应的周围车辆进行车辆避让行为的检测,并根据车辆避让行为的检测结果确定所述最终道路遗撒物。

　　[0027] 可选地,所述确定所述候选道路遗撒物在预设帧数内的静止状态包括,

　　[0028] 在预设帧数内对所述候选道路遗撒物进行跟踪检测,得到预设帧数的候选道路遗撒物的检测结果,

　　[0029] 利用预设匹配策略对预设帧数的候选道路遗撒物的检测结果进行匹配,所述预设匹配策略包括预设匹配维度,所述预设匹配维度包括候选道路遗撒物的大小和位置,

　　[0030] 根据匹配结果确定所述候选道路遗撒物在预设帧数内的静止状态。

　　[0031 ] 可选地,所述第二障碍物检测结果包括当前路段的车辆检测结果,所述对所述候选道路遗撒物对应的周围车辆进行车辆避让行为的检测包括,

　　[0032] 根据所述车辆检测结果对当前路段的车辆进行跟踪,得到当前路段的车辆跟踪检测结果,所述车辆跟踪检测结果包括跟踪车辆的位置和航向角,

　　[0033] 根据所述跟踪车辆的位置和候选道路遗撒物的位置确定所述跟踪车辆是否即将到达所述候选道路遗撒物的位置,

　　[0034] 在所述跟踪车辆即将到达所述候选道路遗撒物的位置的情况下,将所述跟踪车辆作为所述候选道路遗撒物对应的周围车辆并确定所述周围车辆的航向角与所述周围车辆所在车道的航向角的偏差,

　　[0035] 在所述周围车辆的航向角与所述周围车辆所在车道的航向角的偏差大于预设偏差阈值的情况下,确定所述周围车辆在所述候选道路遗撒物的位置存在避让行为,

　　[0036] 否则,确定所述周围车辆在所述候选道路遗撒物的位置不存在避让行为。

　　[0037] 可选地,所述根据车辆避让行为的检测结果确定所述最终道路遗撒物包括,

　　[0038] 根据车辆避让行为的检测结果确定在所述候选道路遗撒物的位置存在避让行为

　　[0039] 根据在所述候选道路遗撒物的位置存在避让行为的周围车辆数量和预设数量阈值,确定所述最终道路遗撒物。

　　[0040] 第二方面,本申请实施例还提供一种道路遗撒物的检测装置,其中,所述装置包括,

　　[0041 ] 获取单元,用于获取路侧激光雷达在当前路段采集的激光点云数据,

　　[0042] 第一障碍物检测单元,用于利用预设障碍物检测策略对所述激光点云数据进行障碍物检测,得到第一障碍物检测结果,所述预设障碍物检测策略用于检测道路中的已知类别的道路障碍物和未知类别的道路障碍物,

　　[0043] 第二障碍物检测单元,用于利用预设目标检测模型对所述激光点云数据进行障碍物检测,得到第二障碍物检测结果,所述预设目标检测模型用于检测道路中的已知类别的道路障碍物,

　　[0044] 确定单元,用于根据所述第一障碍物检测结果和所述第二障碍物检测结果确定候选道路遗撒物,

　　[0045] 验证单元,用于利用预设验证策略对所述候选道路遗撒物进行验证,得到当前路段的最终道路遗撒物。

　　[0048] 被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行前述之任一所述方法。

　　[0049] 第四方面,本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行前述之任一所述方法。

　　[0050] 本申请实施例采用的上述至少一个技术方案能够达到以下有益效果,本申请实施例的道路遗撒物的检测方法,先获取路侧激光雷达在当前路段采集的激光点云数据,然后利用预设障碍物检测策略对激光点云数据进行障碍物检测,得到第一障碍物检测结果,预设障碍物检测策略用于检测道路中的已知类别的道路障碍物和未知类别的道路障碍物,之后利用预设目标检测模型对激光点云数据进行障碍物检测,得到第二障碍物检测结果,预设目标检测模型用于检测道路中的已知类别的道路障碍物,再根据第一障碍物检测结果和第二障碍物检测结果确定候选道路遗撒物,最后利用预设验证策略对候选道路遗撒物进行验证,得到当前路段的最终道路遗撒物。本申请实施例的道路遗撒物的检测方法能够基于激光点云数据对道路中可能出现的各种遗撒物进行检测,解决了现有的障碍物检测模型无法针对突然或者临时出现的道路遗撒物进行识别的问题,且能够保证检测结果的准确性,为后续即将行驶到该位置的车辆的提前避让提供了可靠的依据。

　　[0051 ] 此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中,

　　[0052] 图1为本申请实施例中一种道路遗撒物的检测方法的流程示意图,

　　[0054] 图3为本申请实施例中一种道路遗撒物的检测装置的结构示意图,

　　[0056] 为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。

　　[0058] 本申请实施例提供了一种道路遗撒物的检测方法,如图1所示,提供了本申请实施例中一种道路遗撒物的检测方法的流程示意图,所述方法至少包括如下的步骤S110至步骤

　　[0059] 步骤S110,获取路侧激光雷达在当前路段采集的激光点云数据。

　　[0060] 本申请实施例的道路遗撒物的检测方法可以由路侧设备来执行,在对道路中的遗撒物进行检测时,需要先获取路侧激光雷达在当前路段也即其感知范围内的道路采集的激光点云数据。

　　[0061 ] 步骤S120,利用预设障碍物检测策略对所述激光点云数据进行障碍物检测,得到第一障碍物检测结果,所述预设障碍物检测策略用于检测道路中的已知类别的道路障碍物和未知类别的道路障碍物。

　　[0062] 利用本申请实施例定义的预设障碍物检测策略对激光点云数据中的障碍物进行检测,这里的预设障碍物检测策略是指对当前路段中的各种障碍物进行检测的策略,包括车辆、行人、车辆上掉落的物体、道路两侧的树木折断的树枝以及落石等等,相对于事先训练好的障碍物检测模型而言,预设障碍物检测策略检测得到的障碍物可以分为已知类别和未知类别的道路障碍物,对于能够被障碍物检测模型识别的障碍物类别即为已知类别的障碍物如车辆、行人等,对于不能够被障碍物检测模型识别的障碍物类别即为未知类别的障碍物如车辆上突然掉落的未知物体以及道路两侧的树木折断的树枝等。

　　[0063] 步骤S130,利用预设目标检测模型对所述激光点云数据进行障碍物检测,得到第二障碍物检测结果,所述预设目标检测模型用于检测道路中的已知类别的道路障碍物。

　　[0064] 如前所述,本申请实施例定义的预设障碍物检测策略能够对道路中可能存在的各种障碍物进行检测,而事先基于深度学习训练好的障碍物检测模型则能够准确检测出已标注类别的障碍物,这些已标注类别的障碍物通常是道路中形态固定且经常出现的障碍物如车辆、行人、路障标识等,往往并非是道路遗撒物,因此可以将预设目标检测模型得到的障碍物检测结果作为后续过滤非道路遗撒物的基础。

　　[0065] 需要说明的是,上述步骤S120和步骤S130没有严格的先后顺序之分,可以并行执行。

　　球速体育

　　[0066] 步骤S140,根据所述第一障碍物检测结果和所述第二障碍物检测结果确定候选道路遗撒物。

　　[0067] 将前述步骤S120检测到的障碍物与前述步骤S130检测得到的障碍物进行比较,可

　　以初步确定出哪些障碍物是无法被事先基于深度学习训练好的障碍物检测模型所检测出的障碍物,这些障碍物就有可能是道路中突然或者临时出现的遗撒物,因此可以作为候选道路遗撒物。

　　[0068] 步骤S150,利用预设验证策略对所述候选道路遗撒物进行验证,得到当前路段的最终道路遗撒物。

　　[0069] 前述步骤得到的候选道路遗撒物仅仅是疑似的道路遗撒物,为了进一步提高道路遗撒物检测的准确性,本申请实施例可以进一步采取一定的验证策略对候选道路遗撒物进行验证,从而从候选道路遗撒物中确定出最终的道路遗撒物。这里的验证策略可以根据实际需求灵活设置,例如可以通过判断候选道路遗撒物是否在连续帧中处于静止状态来判断,或者也可以根据道路中车辆的避让行为来判断,具体如何验证,本领域技术人员可以根据实际需求灵活设置,在此不作具体限定。

　　[0070] 本申请实施例的道路遗撒物的检测方法通过预设障碍物检测策略和预设目标检测模型的相互补充,能够覆盖大多数道路场景的遗撒物检测的需求,解决了单纯依赖障碍物检测模型无法针对突然或者临时出现的道路遗撒物进行识别的问题,且能够保证检测结果的准确性,为后续即将行驶到该位置的车辆的提前避让提供了可靠的依据。

　　[0071 ] 在本申请的一些实施例中,所述获取路侧激光雷达在当前路段采集的激光点云数据包括,获取路侧激光雷达在预设采集条件下在当前路段采集的激光点云数据,根据路侧激光雷达与高精地图的变换关系,将高精地图中的道路区域投影至所述激光点云数据中,得到道路区域的激光点云数据。

　　[0072] 为了提高道路遗撒物检测的准确性,在采集激光点云数据时,可以限定在一定的采集条件下完成,例如如果路侧设置有气象传感器,则可以根据气象传感器选择在当前路侧设备的周围天气良好时采集激光点云数据,如果没有气象传感器,可以选择凌晨时间,通过路侧激光雷达对道路中的车辆或行人进行检测,通过连续帧多次检测判断当前道路无车辆及行人,则采集当前帧的激光点云数据。通常上述采集条件的约束,可以降低天气情况或者道路中的非道路遗撒物的障碍物的干扰,提高道路遗撒物检测的准确性。

　　[0073] 当然,需要说明的是,上述采集条件的设置主要用于非实时检测的场景,对于道路中持续存在一定时间的遗撒物具有较好的检测效果,对于实时检测的场景,也可以不受上述采集条件的限制,

　　[0074] 由于路侧激光雷达能够对其感知范围内的所有物体进行感知,既可能包含道路区域的物体,也可能包含非道路区域的物体如道路两侧的标志牌、周边建筑等等,因此本申请实施例在得到上述激光点云数据后,可以通过高精地图中提供的道路区域信息过滤掉道路区域以外的激光点云数据,从而得到道路区域内的激光点云数据,避免无用的激光点云数据的干扰。

　　[0075] 在本申请的一些实施例中,所述利用预设障碍物检测策略对所述激光点云数据进行障碍物检测,得到第一障碍物检测结果包括,利用预设平面拟合算法对所述激光点云数据进行道路平面拟合,得到道路平面拟合方程,将所述激光点云数据中的点与所述道路平面拟合方程进行距离计算,得到所述激光点云数据中的点到道路平面的距离,根据所述激光点云数据中的点到道路平面的距离和预设距离阈值对所述激光点云数据中的点进行过滤,得到非道路平面对应的激光点云数据,利用预设点云聚类算法对所述非道路平面对应

　　[0076] 由于原始的激光点云数据也会包含道路平面的点云数据,因此本申请实施例可以先利用预设平面拟合算法对激光点云数据进行道路平面拟合,以进一步将道路平面对应的激光点云数据过滤掉。

　　[0077] 上述预设平面拟合算法例如可以采用常规算法如RANSAC,RANdom SAmple Consensus,随机采样一致性,对激光点云数据进行处理建立平面方程Ax+By+Cz+D=0,RANSAC会随机选择道路区域的点云中的点带入平面方程x、y、z,当随机采样的次数足够多,就可以解析出平面方程中的系数A、B、C、D,从而得到表示道路平面的方程。

　　[0078] 在得到道路平面方程后,可以计算激光点云数据中的各个点到道路平面的距离,如果点到道路平面的距离小于预设距离阈值,说明该点与道路平面十分接近,即很有可能是道路平面的点,反之可以认为是非道路平面的点。通过此种方式即可将激光点云数据中属于道路平面的点过滤掉,得到非道路平面的激光点云数据。

　　[0079] 对于非道路平面的激光点云数据,可以进一步采取一定的点云聚类算法如DBSCAN ,Density—Based Spatial Clustering of Application with Noise,基于密度的聚类算法,等对非道路平面的激光点云数据进行聚类,得到多团点云,每团点云都可以看作是道路中存在的一个障碍物,并可以根据聚类后结果确定每团点云的位置,基于激光雷达与世界坐标系的变换关系,可以将该位置转换到世界坐标系下,得到障碍物的位置。

　　[0080] 需要说明的是,具体采用何种平面拟合算法和聚类算法,本领域技术人员可以结合现有技术灵活选择,在此不作具体限定。

　　[0081 ] 在本申请的一些实施例中,所述第一障碍物检测结果包括已知类别的道路障碍物和未知类别的道路障碍物,所述第二障碍物检测结果包括已知类别的道路障碍物,所述根据所述第一障碍物检测结果和所述第二障碍物检测结果确定候选道路遗撒物包括,将所述第一障碍物检测结果与所述第二障碍物检测结果进行比较,根据比对结果确定所述第一障碍物检测结果中的未知类别的道路障碍物,作为所述候选道路遗撒物。

　　[0082] 本申请实施例的第一障碍物检测结果可以包括道路中可能存在的各种障碍物的位置包括已知类别和未知类别的障碍物,第二障碍物检测结果可以包括已知类别的障碍物的位置,因此通过将第一障碍物检测结果中的各种障碍物的位置与第二障碍物检测结果中的已知类别的障碍物的位置进行匹配,可以在第一障碍物检测结果中确定出无法与第二障碍物检测结果匹配成功的障碍物,也即未知类别的障碍物,这些障碍物通常是无法被障碍物检测模型检测到的道路遗撒物。