障碍物检测方法和设备的生产技术
本公开涉及自动驾驶技术领域。本公开的实施例公开了障碍物检测方法和装置。该方法包
括：获取第一车载激光雷达采集到的第一点云数据和第二车载激光雷达采集到的第二点云数
据；其中，第一车载激光雷达和所述第二车载激光雷达装载在同一辆自动驾驶车辆上，所述
第一车载激光雷达距离地面的高度大于第二车载激光雷达距离地面的高度且所述第一车载激
光雷达的线束数大于所述第二车载激光雷达的线束数；基于所述第一点云数据进行地面估
计；根据所述第一点云数据的地面估计结果，滤除所述第二点云数据中的地面点；基于滤除
地面点之后的第二点云数据进行障碍物检测。该方法实现了更加全面、准确的障碍物检测。
权利要求书
1.一种障碍物检测方法，包括：
获取第一车载激光雷达采集到的第一点云数据和第二车载激光雷达采集到的第二点云数据；
其中，所述第一车载激光雷达和所述第二车载激光雷达装载在同一辆自动驾驶车辆上，所述
第一车载激光雷达距离地面的高度大于第二车载激光雷达距离地面的高度且所述第一车载激
光雷达的线束数大于所述第二车载激光雷达的线束数；基于所述第一点云数据进行地面估计；
根据所述第一点云数据的地面估计结果，滤除所述第二点云数据中的地面点；
基于滤除地面点之后的第二点云数据进行障碍物检测。
2.根据权利要求1所述的方法，其中，所述基于所述第一点云数据进行地面估计，包括：
将所述第一点云数据划分入预设的空间栅格，对每个栅格内的第一点云数据进行降采样，并
在该栅格内拟合出地面；
基于各栅格内的地面拟合结果之间的差异、以及各栅格内拟合得出的地面与所述第一点云数
据所在坐标系的坐标轴之间的夹角，修正地面拟合结果，得到所述第一点云数据的地面估计
结果。
3.根据权利要求1所述的方法，其中，所述根据所述第一点云数据的地面估计结果，滤除所
述第二点云数据中的地面点，包括：
计算所述第二点云数据中的数据点与基于第一点云数据估计出的地面之间的距离，将所述第
二点云数据中与基于第一点云数据估计出的地面之间的距离小于预设距离阈值的数据点确定
为地面点；
滤除所述第二点云数据中的地面点。
4.根据权利要求1所述的方法，其中，所述基于滤除地面点之后的第二点云数据进行障碍物
检测，包括：
将所述第一点云数据与滤除地面点之后的第二点云数据融合后进行障碍物检测。
5.根据权利要求1-4任一项所述的方法，其中，所述第二激光雷达为单线激光雷达。6.一种障碍物检测装置，包括：
获取单元，被配置为获取第一车载激光雷达采集到的第一点云数据和第二车载激光雷达采集
到的第二点云数据；其中，所述第一车载激光雷达和所述第二车载激光雷达装载在同一辆自
动驾驶车辆上，所述第一车载激光雷达距离地面的高度大于第二车载激光雷达距离地面的高
度且所述第一车载激光雷达的线束数大于所述第二车载激光雷达的线束数；
估计单元，被配置为基于所述第一点云数据进行地面估计；
滤除单元，被配置为根据所述第一点云数据的地面估计结果，滤除所述第二点云数据中的地
面点；
检测单元，被配置为基于滤除地面点之后的第二点云数据进行障碍物检测。
7.根据权利要求6所述的装置，其中，所述估计单元进一步被配置为基于第一点云数据按照
如下方式进行地面估计：
将所述第一点云数据划分入预设的空间栅格，对每个栅格内的第一点云数据进行降采样，并
在该栅格内拟合出地面；
基于各栅格内的地面拟合结果之间的差异、以及各栅格内拟合得出的地面与所述第一点云数
据所在坐标系的坐标轴之间的夹角，修正地面拟合结果，得到所述第一点云数据的地面估计
结果。
8.根据权利要求6所述的装置，其中，所述滤除单元进一步被配置为根据所述第一点云数据
的地面估计结果，按照如下方式滤除所述第二点云数据中的地面点：
计算所述第二点云数据中的数据点与基于第一点云数据估计出的地面之间的距离，将所述第
二点云数据中与基于第一点云数据估计出的地面之间的距离小于预设距离阈值的数据点确定
为地面点；滤除所述第二点云数据中的地面点。
9.根据权利要求6所述的装置，其中，所述检测单元进一步被配置为按照如下方式进行障碍
物检测：
将所述第一点云数据与滤除地面点之后的第二点云数据融合后进行障碍物检测。
10.根据权利要求6-9任一项所述的装置，其中，所述第二激光雷达为单线激光雷达。
11.一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权
利要求1-5中任一所述的方法。
12.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如
权利要求1-5中任一所述的方法。
技术说明书
障碍物检测方法和装置
技术领域本公开的实施例涉及计算机技术领域，具体涉及自动驾驶技术技术领域，尤其涉及障碍物检
测方法和装置。
背景技术
自动驾驶场景中，通常会采用激光雷达来感应道路上的障碍物。一般会在车身安装高线束激
光雷达用于障碍物探测。高线束激光雷达具有一定的安装高度，打出的激光线束与地面呈一
定夹角，这样在车辆周围一段距离内靠近地面的区域会形成检测盲区。
技术内容
本公开的实施例提出了障碍物检测方法和装置、电子设备和计算机可读介质。
第一方面，本公开的实施例提供了一种障碍物检测方法，包括：获取第一车载激光雷达采集
到的第一点云数据和第二车载激光雷达采集到的第二点云数据；其中，第一车载激光雷达和
第二车载激光雷达装载在同一辆自动驾驶车辆上，第一车载激光雷达距离地面的高度大于第
二车载激光雷达距离地面的高度且第一车载激光雷达的线束数大于第二车载激光雷达的线束
数；基于第一点云数据进行地面估计；根据第一点云数据的地面估计结果，滤除第二点云数
据中的地面点；基于滤除地面点之后的第二点云数据进行障碍物检测。
在一些实施例中，上述基于第一点云数据进行地面估计，包括：将第一点云数据划分入预设
的空间栅格，对每个栅格内的第一点云数据进行降采样，并在该栅格内拟合出地面；基于各
栅格内的地面拟合结果之间的差异、以及各栅格内拟合得出的地面与第一点云数据所在坐标
系的坐标轴之间的夹角，修正地面拟合结果，得到第一点云数据的地面估计结果。
在一些实施例中，上述根据第一点云数据的地面估计结果，滤除第二点云数据中的地面点，
包括：计算第二点云数据中的数据点与基于第一点云数据估计出的地面之间的距离，将第二
点云数据中与基于第一点云数据估计出的地面之间的距离小于预设距离阈值的数据点确定为
地面点；滤除第二点云数据中的地面点。在一些实施例中，上述基于滤除地面点之后的第二点云数据进行障碍物检测，包括：将第一
点云数据与滤除地面点之后的第二点云数据融合后进行障碍物检测。
在一些实施例中，上述第二激光雷达为单线激光雷达。
第二方面，本公开的实施例提供了一种障碍物检测装置，包括：获取单元，被配置为获取第
一车载激光雷达采集到的第一点云数据和第二车载激光雷达采集到的第二点云数据；其中，
第一车载激光雷达和第二车载激光雷达装载在同一辆自动驾驶车辆上，第一车载激光雷达距
离地面的高度大于第二车载激光雷达距离地面的高度且第一车载激光雷达的线束数大于第二
车载激光雷达的线束数；估计单元，被配置为基于第一点云数据进行地面估计；滤除单元，
被配置为根据第一点云数据的地面估计结果，滤除第二点云数据中的地面点；检测单元，被
配置为基于滤除地面点之后的第二点云数据进行障碍物检测。
在一些实施例中，上述估计单元进一步被配置为基于第一点云数据按照如下方式进行地面估
计：将第一点云数据划分入预设的空间栅格，对每个栅格内的第一点云数据进行降采样，并
在该栅格内拟合出地面；基于各栅格内的地面拟合结果之间的差异、以及各栅格内拟合得出
的地面与第一点云数据所在坐标系的坐标轴之间的夹角，修正地面拟合结果，得到第一
点云数据的地面估计结果。
在一些实施例中，上述滤除单元进一步被配置为根据第一点云数据的地面估计结果，按照如
下方式滤除第二点云数据中的地面点：计算第二点云数据中的数据点与基于第一点云数据估
计出的地面之间的距离，将第二点云数据中与基于第一点云数据估计出的地面之间的距离小
于预设距离阈值的数据点确定为地面点；滤除第二点云数据中的地面点。
在一些实施例中，上述检测单元进一步被配置为按照如下方式进行障碍物检测：将第一
点云数据与滤除地面点之后的第二点云数据融合后进行障碍物检测。
在一些实施例中，上述第二激光雷达为单线激光雷达。
第三方面，本公开的实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，用
于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面提供的障碍物检测方法。
第四方面，本公开的实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程
序被处理器执行时实现第一方面提供的障碍物检测方法。
本公开的上述实施例的障碍物检测方法和装置，通过获取第一车载激光雷达采集到的第一
点云数据和第二车载激光雷达采集到的第二点云数据，其中，第一车载激光雷达和第二车载
激光雷达装载在同一辆自动驾驶车辆上，第一车载激光雷达距离地面的高度大于第二车载激
光雷达距离地面的高度且第一车载激光雷达的线束数大于第二车载激光雷达的线束数，然后
基于第一点云数据进行地面估计，之后根据第一点云数据的地面估计结果，滤除第二点云数
据中的地面点，最后基于滤除地面点之后的第二点云数据进行障碍物检测，实现了高线束激
光雷达对低线束激光雷达的障碍物辅助感知，有助于减少由于车身震动或低线束激光雷达安
装精度造成的障碍物误检。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的
和优点将会变得更明显：
图1是本公开的实施例可以应用于其中的示例性系统架构图；
图2是根据本公开的障碍物检测方法的一个实施例的流程图；
图3是根据本公开的障碍物检测方法的一个应用场景的示意图；
图4是本公开的障碍物检测方法的另一个实施例的流程图；
图5是本公开的障碍物检测装置的一个实施例的结构示意图；
图6是适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。
无人船的障碍物动态识别
无人船的障碍物动态识别
无人船的障碍物动态识别
随着科技的不断进步和人们对自动化的需求增加，无人船的应用也越来越广泛。无人船在航行过程中会面临许多障碍物，如浮动物、其他船只、岸边障碍物等。为了确保无人船的航行安全，障碍物的动态识别是非常重要的。
障碍物的动态识别主要通过传感器和图像处理技术实现。一般而言，无人船会搭载多种传感器，包括相机、雷达、GPS 等。这些传感器可以提供航行环境的相关数据，如障碍物的位置、大小、速度等。
相机是实现障碍物动态识别的关键。相机通过捕捉周围环境的图像，然后将图像传给计算机进行处理。计算机会对图像进行分析，识别出其中的障碍物，并进一步分析其动态特征。
在图像处理方面，目标检测是一个常见的技术。目标检测的目的是在图像中定位和识别目标物体。一般来说，目标检测包括以下几个步骤：图像预处理、特征提取、目标识别和位置估计。
图像预处理主要是对图像进行去噪、增强等操作，以提高后续处理的效果。特征提取是指从图像中提取出具有区分性的特征，如边缘、纹理等。目标识别是将特征与预先训练好的模型进行匹配，从而确定图像中是否存在目标物体。位置估计是根据图像中目标物体的位置信息，计算出其在实际环境中的位置。
在无人船的障碍物动态识别中，还需要解决实时性和准确性的问题。实时性是指系统需要在短时间内完成图像处理和目标识别，以确保无人船在航行中及时做出反应。准确性则意味着系统应该能够准确地识别出障碍物，避免误判和漏判的情况。
为了提高实时性和准确性，可以采用一些优化方法。可以使用多线程和并行计算来加速图像处理的过程。还可以利用机器学习和深度学习等方法，提取更具有区分性的特征，并训练更准确的模型。
无人船的障碍物动态识别是实现自动化航行的关键技术之一。通过合理利用传感器和图像处理技术，可以实时准确地识别出障碍物，并做出相应的航行决策，以确保无人船的航行安全。未来随着科技的不断进步，相信障碍物动态识别技术会不断完善，为无人船的应用提供更多可能性。
轨道交通非接触式障碍物检测技术及前景方向探讨
技术协作信息2023渊10冤总第1491期
引言随着城市交通向智能化尧环保化发展袁轨道交通作为一种高效尧便捷的交通方式袁逐渐成为城市交通的重要组成部分遥同时袁由于轨道交通的特殊性质袁其运行安全和顺畅性与广大乘客的生命财产安全以及社会秩序的稳定密切相关遥在这种情况下袁障碍物检测技术成为保障轨道交通安全和顺畅运行的重要手段遥轨道交通的发展带来了更高的时速和更繁忙的运营袁同时也增加了轨道上的风险遥障碍物检测技术的重要性日益凸显袁通过使用先进的技术手段袁可以及时检测到轨道上的障碍物袁避免事故的发生袁保障乘客的安全出行遥目前袁障碍物检测手段在自动驾驶汽车领域中较为成熟袁在复杂的路况中袁障碍物被归类为野正障碍物冶和野负障碍物冶两类遥其中从地面野向上冶出现的物体被视为正障碍物袁反之在路面野向下冶出现的深坑甚至悬崖则被视为负障碍物袁负障碍物的检测比正障碍物要更加困难遥而在轨道交通中袁由于轨道的作用袁车辆的行驶条件相较于汽车更为简单袁更多的精力应当被施加于对正障碍物的检测中袁例如前方的非通信列车尧误入轨道的人或动物尧现场遗留的施工工具或者行李箱等袁根据探测方式不同而分为接触式和非接触式两种遥接触式障碍物检测采用纯机械结构和硬线通信结合的方式袁故障率极低袁其主要检测装置是一根安装在转向架前端的轻质铝合金探测横梁袁通过与轨道上的障碍物物理接触后袁吸能变形触发干接点信号[1]遥但这种检测方式受轨道条件及探测横梁距离的限制袁检测距离过短袁逐渐不适于平均设计速度高的轨道交通袁因此非接触式障碍物检测应运而生遥一尧非接触式障碍物检测传感器非接触式障碍物检测主要依赖于各种车载或轨旁的传感器袁对车辆行驶前方范围渊车载传感器冤或者固定轨行区内渊轨旁传感器冤的障碍物进行探测识别袁不同的传感器有不同的优缺点遥渊一冤计算机立体视觉计算机立体视觉是计算机视觉中最活跃的研究领域之一遥立体视觉测量方法具有效率高尧系统结构简单尧适用性强尧成本低尧精度高等优点遥计算机立体视觉始于20世纪70年代初遥具有双目视觉技术的计算机立体视觉与自动驾驶汽车或移动机器人一起用于收集数据和检测障碍物遥在车载传感器方面袁两台性能相同但相隔一段距离的相机拍摄同一个图像袁计算机将两个图像叠加在一起进行比较袁以找到匹配的部分遥偏移的量称为视差袁通过特征技术探讨与推广轨道交通非接触式障碍物检测技术及前景方向探讨霍然卡斯柯信号有限公司摘要院本文介绍了轨道交通非接触式障碍物检测技术及前景方向遥通过使用先进的技术手段袁可以及时检测到轨道上的障碍物袁避免事故的发生袁保障乘客的安全出行遥非接触式障碍物检测系统主要基于视频识别和雷达多传感器信息融合技术袁具有连续探测识别前方一定距离内障碍物的能力遥不同的传感器技术各有优缺点袁需要根据具体情况进行选择尧优化和结合遥新型的传感器和技术也将不断出现袁为轨道交通的安全性和效率提供更加可靠的支持遥关键词院轨道交通曰障碍物检测曰非接触式障碍物检测窑窑Copyright©博看网. All Rights Reserved. 技术协作信息2023渊10冤总第1491期点的视差袁以及已知的镜头间距尧焦距等参数袁就可以利用计算机算法得出特征点与镜头的距离遥而在实际场景中袁还需要对系统进行进一步的优化袁例如直接制作双目摄像机以降低间距的人为测量误差袁增加摄像头以提高冗余性能袁对采集到的RGB图像进行预处理及灰度转换以降低干扰与计算量袁通过优化算法提高算力袁通过计算机深度学习增加对特定的模型的灵敏度等遥王维等研究了一套基于视频图像识别技术的列车障碍物识别系统袁其传感器采用的是2台独立且相同的高清摄像机袁通过软件对数据处理袁实现对列车前方障碍物的检测[2]遥高晖设计了一套基于红外图像和可见光图像匹配并进行算法筛选袁从而检测轨道交通障碍物的系统[3]遥计算机立体视觉在轨旁传感器领域也有很多的应用遥由于轨道的存在袁轨道交通车辆的行驶条件较为简单袁背景较为固定袁因此可以利用在相同的位置连续拍摄的图片进行对比袁利用计算机识别其中的差异袁判断障碍物入侵的情况遥例如王先选等提出了一种基于机器视觉理论和仿射几何原理的异物入侵轨道交通线路检测方法袁可有效地识别列车轨道区域袁发现入侵的障碍物[4]遥渊二冤雷达传感器在众多的检测技术中袁雷达传感器以其独特的优势成为轨道交通障碍物探测的重要手段遥雷达传感器通过发射电磁波并接收反射回来的信号袁可以快速尧准确地检测到轨道上的障碍物袁如石头尧铁块尧动物等遥雷达传感器能够实时检测到障碍物袁并及时发出警报袁为快速排除障碍物提供依据袁确保轨道交通的安全和顺畅运行遥因此袁可以说雷达传感器在轨道交通障碍物探测中发挥着不可或缺的作用袁成为行业中的重要技术手段遥其中袁毫米波雷达和激光雷达是两种主要的类型遥表1是不同类型雷达的特性对比院表1不同类型雷达的特性对比1.毫米波雷达毫米波雷达传感器是21世纪障碍物检测的热门研究领域遥毫米波雷达技术应用于车辆防撞系统的研究始于20世纪60年代袁随着雷达技术的飞速发展袁76GHz毫米波雷达带来了传感器革命遥与早期的低频率毫米波雷达相比袁这些雷达的工作频率更高袁体积更小遥频率越高袁目标的分辨率就越高袁从而克服了大多数错误信息的问题遥与其他微波雷达相比袁毫米波雷达由于其短波长和高分辨率而成为更好的选择遥与其他类型的雷达渊超声波雷达尧红外雷达尧激光雷达冤相比袁毫米波雷达具有稳定的探测性能袁不受探测物体的形状和颜色的影响遥此外袁它具有良好的环境适应性遥它的探测精度不易受到雨雪尧雾天等恶劣天气的影响遥噪声和环境变化也不易影响其性能遥毫米波雷达探测一般有两种基本方法院脉冲雷达和调频连续波雷达遥脉冲雷达探测原理很简单袁雷达系统发出一定频率的脉冲电磁波并探测回波袁以发出及接收到雷达波的时间差来判断障碍物距离袁这种方法计算简单但是技术实现和应用困难遥在脉冲测距中袁雷达应在有限的时间间隔内发射大功率脉冲信号袁硬件结构复杂且昂贵遥此外袁回波具有60dB至100dB的衰减遥在分析回波信号之前袁需要在发送信号和回波信号之间进行严格隔离遥这个问题可能会增加雷达设施的成本遥调频连续波雷达则会发射连续的调频信号袁雷达的混频器收集回波并将其与发射信号混合遥混频器后的波形用于计算障碍物的距离和相对速度遥景亮等开发了一种结合毫米波雷达和计算机视觉的轨道交通障碍物自动检测平台袁证明了此系统的可靠性遥2.激光雷达激光雷达在轨道交通障碍物探测的历史可以追溯到20世纪90年代遥当时袁激光雷达技术已经开始在铁路领域得到应用遥随着技术的不断进步和发展袁激光雷达逐渐成为轨道交通障碍物探测的主要技术手段之一遥相较于毫米波雷达袁激光雷达的测量精度更高袁能够检测到更小的障碍物袁其有着更加精确的3D感知能力袁可以更好地对障碍物进行精准建模遥激光雷达的原理类似于脉冲型毫米波雷达袁基于回波时间差来判断障碍物距离袁数据量丰富袁但是相应技术探讨与推广窑窑Copyright©博看网. All Rights Reserved. 技术协作信息2023渊10冤总第1491期技术探讨与推广的计算量也会增大遥激光雷达可以利用SLAM技术同步定位和建图袁对轨行区的障碍物进行建模处理遥在轨旁传感器领域袁相较于计算机立体视觉袁雷达传感器在光照不足尧雨雾环境下更加稳定袁可以利用多条雷达波向轨行区实时扫描并利用算法三维立体成像袁例如同济大学沈拓等提出了一种基于激光雷达的区间障碍物检测算法袁实验表明其具有良好的检测性能遥二尧非接触式障碍物检测系统发展及前景当前袁轨道交通的非接触式障碍物检测系统主要基于视频识别和雷达多传感器信息融合技术袁如图1所示袁具有连续探测识别前方一定距离内障碍物的能力遥它能及时检测到轨行区异物的侵入并触发报警和制动袁同时通过通信接口袁将在车辆和调度中心工作站上显示的相关障碍物信息袁供相关工作人员确认遥调度中心可以随时调用实时的视频画面袁并在检测到障碍物时主动推送相关信息和视频画面遥此系统由运算主机尧雷达设备尧高清摄像机以及接口设备等组成遥图1车载障碍物检测系统架构图目前的检测系统已经可以实现包括障碍物探测尧障碍物报警尧实时图像监控等多种功能袁但如果要达到其障碍物探测能力完全优于人眼识别能力及安全距离袁运用在GOA4级别的全自动运行系统列车上袁将该系统与车辆制动系统结合袁则有以下几点需要发展完善院第一袁随着轨道交通列车时速的提高袁紧急制动距离增加袁对障碍物检测距离的要求进一步提升袁因为需要有更加精密灵敏的传感器设备和更完善的算法遥第二袁如果将障碍物检测系统接入车辆的制动系统袁则对障碍物检测系统的误报率有着较高的要求袁如果障碍物检测系统误报率高袁则会导致车辆频繁紧急制动袁影响乘客的出行体验遥在优化障碍物检测算法的基础上袁还可以考虑融合多种传感器袁增加冗余检测器的方法袁利用三取二等冗余措施提高准确性遥第三袁在某些关键轨行区增设轨旁检测系统遥相对于车载检测袁轨旁检测的算法更简单袁且有提前预测性袁能够在车辆距离障碍物很远时就发现入侵的障碍物遥然而考虑到成本问题袁目前无法做到全线防护袁但是可以在关键的轨行区增加轨旁检测系统袁例如弯道处等车载传感器检测不到的区域尧地铁从地下转换到地面的光线强弱变化处尧轻轨的某些开放区域等遥结束语随着轨道交通发展进程的不断加快袁全自动无人驾驶系统的市场占比增高袁轨道交通对障碍物检测系统的需求进一步提高袁既有的接触式传感器系统已经难以满足要求遥本文介绍了目前常用的几种非接触式障碍物检测传感器及其在车载和轨旁方面的应用袁并对非接触式障碍物检测系统前景方向进行了探讨遥总的来说袁非接触式障碍物检测技术为轨道交通的安全运行提供了重要保障遥不同的传感器技术各有优缺点袁需要根据具体情况进行选择尧优化和结合遥随着科技的发展袁新型的传感器和技术也将不断出现袁为轨道交通的安全性和效率提供更加可靠的支持遥参考文献院[1]张帆袁张从旺.基于无人驾驶平台的主被动障碍物检测分析对比[J].铁道车辆,2021,9(04)院1-8.[2]高晖.基于红外图像与SURF算法的轨道交通障碍物识别技术研究[J].信息系统工程,2023(01):80-82.[3]景亮,赵程,燕玲,等.基于毫米波雷达的城市轨道交通全自动运行设计与探索[J].智能城市,2021,7(16):4.[4]沈拓,钱沿佐,谢兰欣,等.考虑反射强度的全自动运行列车障碍物检测算法研究[J].同济大学学报:自然科学版,2022,50(01):7.作者简介院霍然渊1992.12原冤袁男袁汉族袁山西沁县人袁硕士袁工程师袁研究方向院交通工程遥窑窑Copyright©博看网. All Rights Reserved.
基于视觉传感器的障碍物识别技术研究
基于视觉传感器的障碍物识别技术研究
随着科技的进步和人类对智能化技术的需求增长，视觉传感器在人工智能、机器人、自动驾驶等领域中起着越来越重要的作用。其中，基于视觉传感器的障碍物识别技术是应用最为广泛的一种。本文将从定义、应用前景、技术原理、发展趋势等多个维度探讨基于视觉传感器的障碍物识别技术的深入研究。
一、定义
基于视觉传感器的障碍物识别技术是指利用视觉传感器采集到的图像信息，运用图像处理、计算机视觉等技术，对图像中的实体或区域进行分类、识别和跟踪，进而实现对移动机器人、无人车等在大环境中运动过程中遇到的障碍物进行快速、准确的监测、处理、控制的一种先进技术。
二、应用前景
目前，基于视觉传感器的障碍物识别技术在人工智能、机器人、自动驾驶等领域中应用广泛，其中最具代表性的应用领域是自动驾驶车辆。无人驾驶汽车在行驶过程中需要实时准确地识别周围环境，如道路、车辆、行人、建筑物、植被、交通标志、信号灯等，以便实现高效、安全、可靠的自动驾驶。基于视觉传感器的障碍物识别技术为实现这一目标提供了强有力的技术支持。此外，在工业自动化、智能家居、安防监控、航空航天等领域也有着广泛的应用。
三、技术原理
基于视觉传感器的障碍物识别技术的核心是图像处理技术和计算机视觉技术。这两种技术是实现机器视觉的基石，可分为以下几步进行介绍：
（1）采集图像：基于视觉传感器的障碍物识别技术首先需要采集图像，这里主要是通过激光雷达、照相机等传感器来采集数据，获取目标在三维空间中的位置信息。 （2）预处理图像：电脑需要读取准确数据，需要进行图像预处理，这里主要是通过数字信号处理技术来对数字图像进行预处理，提取出特征信息与对象形态。
（3）特征提取：特征提取是机器视觉技术中最重要的一步，这里主要是通过计算机算法来提取出图像中与目标相关的特征信息，可以采用直方图均衡化、边缘检测、角点检测等多种算法。
（4）特征匹配：特征匹配需要考虑图像中相同特征的对齐度，需要通过措施消除特征点误差，匹配不同图像之间的相应特征。
主动障碍物检测技术在城市轨道车辆中的应用
主动障碍物检测技术在城市轨道车辆中的应用
截止到2019年底，中国内地（不含港澳台），开通并运营城市轨道交通的城市共达到了36个，运行线路166条，运营里程（网线长度）5489.377公里[1]，其中，国内已经运营和在建的无人驾驶线路达到了20条，未来会有越来越多的城市再进行无人驾驶项目的规划，目前国内外城轨车无人驾驶技术的实现主要依托于信号系统，而该系统并不能完全取代司机对轨道内障碍物/人的瞭望、分析作用[2]，如何让无人驾驶车辆及时发现入侵到轨道车辆限界的异物，最大程度的保证列车安全，一直是车辆制造商研究的课题。
主动障碍物检测技术，是汽车无人驾驶的关键技术[3]，随着该技术在汽车行业越来越成熟的应用，也受到了轨道车辆行业的关注，并开始尝试在城轨车辆上应用，用以提高车辆的运行安全。
2.主动障碍物检测技术概述
目前在交通领域应用的主动障碍物检测方法主要包括如下几种[3]：
基于视觉图像的障碍物检测方法；
基于结构光的障碍物检测方法；
基于雷达的障碍物检测方法；
基于视觉图像和雷达融合的障碍物检测方法。
2.1.基于视觉图像的障碍物检测方法
基于视觉图像的障碍物检测方法，是利用视觉传感器（一般为单目、双目或多目摄像头）采集车辆前方图像，通过对图像的数字化处理，对障碍物的特征进行提取、识别。
此种障碍物检测方法又可分为基于先验知识的障碍物检测、基于立体视觉的障碍物检测和基于运动学的障碍物检等方法。而实际应用过程中，往往是多种算法共用，相辅相成，达到快速、准确识别障碍物的目的。
2.2.基于结构光的障碍物检测方法
结构光检测方法，可以看做一种立体视觉障碍物检测方法，该方法利用一个光源或多个光源来代替双目视觉一侧的CCD摄像机，将一个已知的光图案从一个确定的视角投射到目标物上，反射光图案相对投射图案会发生一定平移，利用另一摄像机收集平移后图案，通过计算从而获得目标物的三维信息。
工程施工物探检测
工程施工物探检测是指在工程建设过程中，利用地球物理勘探技术对地质条件、地下管线、地下障碍物等进行探测和分析的一种方法。物探检测技术在工程施工中具有重要作用，可以帮助施工人员了解地质状况，避免施工过程中出现意外情况，确保工程顺利进行。本文将简要介绍工程施工物探检测的方法、应用范围及重要性。
一、工程施工物探检测方法
1. 地震勘探：地震勘探是利用地震波在地下传播的原理，通过观测地震波的传播速度、反射、折射等特性来推断地下地质结构的一种方法。地震勘探在工程施工中可以用来探测地下断层、岩层分布等地质情况。
2. 电法勘探：电法勘探是利用地下岩石的电性差异来探测地下地质结构的一种方法。电法勘探包括直流电法、交流电法、电磁法等，可用于探测地下管线、地下洞室、地下水位等地质情况。
3. 磁法勘探：磁法勘探是利用地下岩石的磁性差异来探测地下地质结构的一种方法。磁法勘探可以用来探测地下磁性矿物分布、古磁场等地质情况。
4. 重力勘探：重力勘探是利用地下岩石的质量差异和地球重力场的关系来探测地下地质结构的一种方法。重力勘探可以用来推断地下岩层的密度、厚度等地质情况。
5. 钻探：钻探是利用钻机在地下进行钻孔，通过取芯、观察岩芯样品等方法来了解地下地质状况的一种直接勘探方法。钻探在工程施工中可以用来确定地下管线、地下洞室、地下水位等地质情况。
二、工程施工物探检测应用范围
1. 道路工程：在道路工程中，物探检测可以用来探测地下管线、地下洞室等障碍物，避免施工过程中损坏现有管线和设施，确保道路工程的顺利进行。
2. 桥梁工程：在桥梁工程中，物探检测可以用来探测地下地质结构，为桥梁基础设计和施工提供可靠的地质数据。
3. 隧道工程：在隧道工程中，物探检测可以用来探测地下断层、岩层分布等地质情况，为隧道设计和施工提供可靠的地质数据。
4. 水利工程：在水利工程中，物探检测可以用来探测地下管线、地下洞室等障碍物，避免施工过程中损坏现有管线和设施，确保水利工程的顺利进行。
基于深度学习的盲道障碍物检测与识别算法研究
基于深度学习的盲道障碍物检测与识别算法研究
基于深度学习的盲道障碍物检测与识别算法研究
摘要：随着社会的发展和人们对于残障人群的关注度提高，为盲人提供安全可靠的出行环境变得日益重要。盲道作为提供盲人行动和导航的重要工具，其畅通与否关乎盲人的安全出行。本文以基于深度学习的盲道障碍物检测与识别算法为研究对象，通过对盲道上的障碍物进行检测与识别，以提供盲人行动的参考和预警，从而增加盲人的出行安全性。
一、引言
随着城市的快速发展和人口的增加，盲人的生活和出行面临着愈加严峻的挑战。由于缺乏视觉能力，盲人在行动过程中难以准确感知周围的环境，尤其是在路面上遇到障碍物时，更容易引发事故。因此，为了保障盲人的出行安全，我们需要一种有效的盲道障碍物检测与识别算法。
二、相关研究
以往的盲道障碍物检测与识别算法主要基于图像处理技术，但是由于图像特征的复杂性和多样性，传统算法在复杂场景下表现不佳。近年来，深度学习技术的兴起为盲道障碍物的检测与识别提供了新的思路和方法。深度学习通过构建多层网络结构，能够从大规模数据中学习到更加抽象和高级的特征表示，相比传统方法在图像分类和目标检测等任务上具有明显的优势。
三、盲道障碍物检测与识别方法
1. 数据采集
在进行盲道障碍物检测与识别实验前，首先需要采集大量的盲道场景图像数据。通过使用专用摄像设备在不同时间、不同天气和不同地点的盲道上拍摄图像，并标注图像中的障碍物区域。 2. 数据预处理
将采集到的图像数据进行预处理，包括图像去噪、图像增强、图像裁剪等步骤，以提高算法的检测和识别效果。
3. 网络结构设计
基于深度学习的盲道障碍物检测与识别算法采用卷积神经网络（CNN）作为基本架构。对于CNN的网络结构，本研究采用了经典的卷积层、池化层和全连接层，并通过调整不同层数和节点数的组合，不断优化网络结构。
4. 训练与测试
基于双目立体视觉的障碍物检测方法
基于双目立体视觉的障碍物检测方法
摘 要：提出了一种基于双目视觉的V视差图障碍物检测算法。根据生成的视差图进一步生成V-视差图，提取V-视差图中的直线信息，通过这些直线信息可以锁定障碍物存在的大致区域，进而检测障碍物。该算法对于光照、阴影等干扰不敏感，可以检测具有面特征的障碍物，适用于复杂背景下的障碍物检测。
关键词：障碍物检测；双目视觉；立体视觉；V-视差
0 引言
目前基于计算机视觉的障碍物检测算法主要分为两个大方向：基于单目视觉的障碍物检测和基于双目立体视觉的障碍物检测。由于基于立体视觉的检测方法无需先验知识，对阴影、光照、反光等天气变化造成的背景变化不敏感，能给出障碍物的距离信息，可靠性高，并且在多个目
标发生部分遮挡时仍能正确区分各运动目标。基于立体视觉的检测方法有很大的应用前景。
基于双目立体视觉的障碍物检测算法主要有如下几种：①逆透视投影法（IPM）检测障碍物。在道路平面假设下，根据逆透视投影原理（IPM），通过计算两个俯视图的差分检测任何突起于路面的物体。②Disparity Space Image法检测障碍物。该算法假设车辆静止时的俯仰角（pitch）相对于水平面是零，而当车运动时，车会随着路面的起伏而震动，pitch角将不再是零了，这时所获图像，相对于车静止时的所获图像，会产生垂直方向上的差异。文献［3］给出了一种用来获取不同时刻的pitch角的方法，并利用立体视觉区域相关法检测障碍物。以上提到的方法对阴影、光照、反光等天气变化造成的背景变化很敏感；有些在分析中还要一些不切实际的假设，例如：假设路面保持水平、假设车型满足某种条件等。
本文引进了一种V-视差法检测障碍物。首先，对采集到的图片通过图像分割的方法来构建视差图。在视差图中，沿图像坐标系中的V坐标轴方向（纵坐标）由上至下逐行扫描，累加具有相同视差值的像素点的个数，由此建立了V方向上的视差图。通常，在V视差图中代表障碍物的直线一般是竖直的，因此可以通过从V方向视差图中提取出一些直线信息将障碍物从背景中提取出来。在整个算法中不需要路面水平的假设，同时V-视差法能够检测具有面特征的物体，对于小面积的局部干扰不敏感，也无需保证轮廓边缘的完整性。
障碍物探测系统原理及在轨道交通行业的应用
障碍物探测系统原理及在轨道交通行业的应用
发布时间：2023-02-24T05:22:50.584Z 来源：《中国科技信息》2022年10月19期 作者： 夏正宝 谢建新
[导读] 随着我国城市轨道交通的大发展。城市轨道交通作为载客量大
夏正宝 谢建新
中车浦镇阿尔斯通运输系统有限公司 安徽芜湖 241000
摘要：随着我国城市轨道交通的大发展。城市轨道交通作为载客量大、运营环境相对封闭的公共交通系统，在解决日益严重的城市交通拥堵问题时其运营安全也更加受到重视，轨道障碍物探测系统是保证车辆运行安全的重要措施。本文介绍了轨道交通行业种主动式与被动
式障碍物探测主要的工作原理。根据实例详细描述了APM、跨座式单轨以及地铁车辆中障碍物探测的设计方案。并对轨道交通这三种车型
的障碍物探测方案优缺点进行分析。
关键词：自动旅客捷运系统（APM） 列车控制管理系统（TCMS） Abstract: With the great development of urban rail transit in China. As a public transportation system with large passenger capacity and relativelyclosed operating environment, the operation safety of urban rail transit is also paid more attention when solving the increasingly serious problem ofurban traffic congestion. The track obstacle detection system is an important measure to ensure the safety of vehicle operation. This paper introducesthe main working principles of active and passive obstacle detection in rail transit industry. The design schemes of obstacle detection in APM, straddlemonorail and subway vehicles are described in detail. The advantages and disadvantages of obstacle detection schemes for these three types of railtransit are analyzed. Key words: Automatic Passenger Rapid Transit System (APM) Train Control Management System (TCMS)
城市轨道交通车辆主动障碍物检测系统技术要求
城市轨道交通车辆主动障碍物检测系统技术要求
城市轨道交通车辆主动障碍物检测系统的技术要求主要包括以下几方面：
1. 检测范围与精度：系统应能全面覆盖轨道区域，并能准确检测到障碍物的位置和大小。检测精度应满足相关标准要求。
2. 实时性：系统应能实时处理和传输检测数据，以便及时发现和应对障碍物。
3. 可靠性：系统应具有高可靠性，能够长时间稳定运行，并且能够抵御环境干扰和恶意攻击。
4. 安全性：系统应能提供安全保障，避免因检测失误或处理不当而引发安全事故。
5. 可维护性：系统应易于维护和升级，方便对系统进行故障排查和修复。
6. 兼容性：系统应能与其他轨道交通系统兼容，并能实现数据共享和交互。
7. 环境适应性：系统应能在不同气候和环境下正常运行，并能适应轨道的振动和电磁干扰。
8. 经济性：系统应具有合理的价格和较低的运行成本，以便在城市轨道交通中广泛应用。
这些技术要求是城市轨道交通车辆主动障碍物检测系统设计和实施的重要依据，也是保证系统性能和质量的关键因素。
基于三维激光雷达的动态障碍物检测和追踪方法
基于三维激光雷达的动态障碍物检测和追踪方法
三维激光雷达是自动驾驶车辆中重要的传感器之一，能够以高精度获取车辆周围环境信息。其中，动态障碍物检测和追踪是自动驾驶车辆安全行车的关键技术之一。本文基于三维激光雷达，介绍一种动态障碍物检测和追踪的方法。
一、数据获取
在获取三维激光雷达的数据时，需要调整雷达的扫描频率和分辨率以适应实际应用场景。在实际运行过程中，雷达将扫描周围的环境，并收集点云数据。这种点云数据是由三维坐标、强度值和反射率等参数组成，表示周围环境中的各种物体。
二、障碍物检测
将获取到的点云数据转换为三维场景，建立三维网格模型，并使用聚类方法将点云数据进行分类，以便识别出障碍物。一般情况下，聚类方法采用k-means算法，按照距离和密度进行分类。随后，使用欧几里得距离算法计算每个聚类的形心，并将形心节点作为障碍物的中心坐标。
三、障碍物追踪
在实际自动驾驶中，追踪运动的障碍物是至关重要的。为了实现这一任务，需要使用卡尔曼滤波器对障碍物的运动进行预测和估计。卡尔曼滤波器利用观测数据和动态模型对运动障碍物的未来动态进行预测，并根据预测结果进行对障碍物的追踪和控制。
最后，为了实现高效的目标检测和追踪，我们需要利用深度学习模型来提升模型的识别能力。目前，深度学习模型在图像和视频领域的应用已经成为主流，而在三维点云数据的应用方面还在探索中。通过综合利用传感器数据、卡尔曼滤波器和深度学习模型，可实现高效、准确的动态障碍物检测和追踪。
总之，基于三维激光雷达的动态障碍物检测和追踪的方法是自动驾驶车辆安全行驶的关键技术之一。在实际应用中，需要综合考虑传感器数据的获取和处理、障碍物的检测和追踪以及深度学习模型的运用，以构建出安全、可靠的自动驾驶系统。四、局部地图更新
在实现动态障碍物检测和追踪的过程中，需要对局部地图进行实时更新。随着车辆的移动，环境中的物体也在不断变化，需要使用局部地图来跟踪和识别障碍物。在实现局部地图更新时，可以使用SLAM（同步定位与地图构建）算法进行地图构建和路径规划。