一种空中飘浮物体检测方法、装置、设备和存储介质与流程

1.本技术涉及自动驾驶技术领域，尤其涉及一种空中飘浮物体检测方法、装置、设备和存储介质。


背景技术：

2.随着l4级别自动驾驶技术的发展，自动驾驶车辆会遇到更多的特殊场景，其中一类场景就是对各种飘浮物体或者飞行物体的处理，比如塑料袋、气球、鸟类等。由于类别繁多，难以穷尽，因此很难细化分类，现有技术通常以障碍物的形式进行传递，造成自动驾驶车辆会进行一系列不必要的反应，如急打方向或紧急刹车等，影响乘客体验，在极端情况下，容易导致车辆失控、追尾等安全事故。因此，为了避免自动驾驶车辆因空中飘浮物体产生不合理行为，进而导致安全事故的情况，提供一种空中飘浮物体检测方法，是本领域技术人员亟需解决的技术问题。


技术实现要素：

3.本技术提供了一种空中飘浮物体检测方法、装置、设备和存储介质，用于改善现有技术将空中飘浮物体当做障碍物进行处理，使得自动驾驶车辆容易产生不合理行为，进而导致安全事故的技术问题。
4.有鉴于此，本技术第一方面提供了一种空中飘浮物体检测方法，包括：
5.融合自动驾驶车辆采集的图像数据和点云数据，获取障碍物的属性信息，所述属性信息包括类别、运动轨迹、三维轮廓和运动状态信息；
6.根据所述属性信息对所述障碍物进行筛选，得到筛选后的待判断障碍物集合；
7.根据所述待判断障碍物集合中的目标障碍物的特征点信息判断所述目标障碍物是否为刚体，若否，则判定所述目标障碍物为空中飘浮物体，若是，则根据所述目标障碍物的运动轨迹获取所述目标障碍物的竖轴加速度，若所述目标障碍物的竖轴加速度小于基准重力加速度，且所述竖轴加速度与所述基准重力加速度的差值大于预置差值阈值，则判定所述目标障碍物为空中飘浮物体。
8.可选的，所述融合自动驾驶车辆采集的图像数据和点云数据，获取障碍物的属性信息，包括：
9.分别对自动驾驶车辆当前采集的图像数据和点云数据依次进行语义分割和分类，得到所述图像数据和所述点云数据的分类结果，所述分类结果包括障碍物的类别；
10.根据所述图像数据和所述点云数据的分类结果将所述图像数据投影到三维空间，得到伪点云数据，并对所述伪点云数据和所述点云数据依次进行匹配对齐和聚类，得到障碍物的点群信息，所述点群信息包括点数、三维中心坐标和三维轮廓；
11.根据所述障碍物的点群信息对所述障碍物进行追踪，得到所述障碍物的运动轨迹和运动状态信息，所述运动状态信息包括速度和加速度；
12.融合所述分类结果、所述障碍物的点群信息、所述运动轨迹和所述运动状态信息，
得到障碍物的属性信息。
13.可选的，所述根据所述属性信息对所述障碍物进行筛选，得到筛选后的待判断障碍物集合，包括：
14.根据所述属性信息中的类别、运行状态信息、三维轮廓、运动轨迹从所述障碍物中筛选掉已知类别障碍物、静态障碍物、地面障碍物、轨迹时间长度小于预置时间长度阈值的障碍物，得到初步筛选后的障碍物集合；
15.从所述初步筛选后的障碍物集合中筛选掉运动轨迹符合抛体运动轨迹的障碍物，得到筛选后的待判断障碍物集合；
16.或，根据所述运动轨迹从所述初步筛选后的障碍物集合中筛选掉未来预置时间段内与所述自动驾驶车辆规划的路径没有交互的障碍物以及运动轨迹符合抛体运动轨迹的障碍物，得到筛选后的待判断障碍物集合。
17.可选的，所述根据所述属性信息中的类别、运行状态信息、三维轮廓、运动轨迹从所述障碍物中筛选掉已知类别障碍物、静态障碍物、地面障碍物、轨迹时间长度小于预置时间长度阈值的障碍物，得到初步筛选后的障碍物集合，包括：
18.根据所述属性信息中的类别从所述障碍物中筛选掉已知类别障碍物，得到未知类别障碍物；
19.根据所述运行状态信息从所述未知类别障碍物中筛选掉静态障碍物，得到未知类别的动态障碍物；
20.根据所述三维轮廓中的下表面高度从所述未知类别的动态障碍物中筛选掉地面障碍物，得到未知类别的空中障碍物；
21.根据所述运动轨迹从所述未知类别的空中障碍物中筛选掉轨迹时间长度小于预置时间长度阈值的障碍物，得到初步筛选后的障碍物集合。
22.可选的，所述根据所述运动轨迹从所述初步筛选后的障碍物集合中筛选掉未来预置时间段内与所述自动驾驶车辆规划的路径没有交互的障碍物，包括：
23.根据所述初步筛选后的障碍物集合中的障碍物的运动轨迹预测该障碍物在未来预置时间段内的运动轨迹；
24.将所述初步筛选后的障碍物集合中的障碍物在未来预置时间段内的运动轨迹投影到地面，得到障碍物在未来预置时间段内的地面投影轨迹；
25.从所述初步筛选后的障碍物集合中筛选掉在未来预置时间段内的地面投影轨迹与所述自动驾驶车辆在该未来预置时间段内的规划路径没有交互的障碍物。
26.可选的，所述根据所述目标障碍物的运动轨迹获取所述目标障碍物的竖轴加速度，包括：
27.根据所述目标障碍物的运动轨迹获取所述目标障碍物的质心轨迹；
28.根据所述目标障碍物的质心轨迹获取所述目标障碍物的竖轴加速度。
29.可选的，所述根据所述目标障碍物的质心轨迹获取所述目标障碍物的竖轴加速度，包括：
30.对所述目标障碍物的质心轨迹进行曲线拟合，得到轨迹拟合曲线；
31.对所述轨迹拟合曲线在竖轴方向上进行二阶求导运算，得到所述目标障碍物的竖轴加速度。
32.可选的，所述基准重力加速度根据所述自动驾驶车辆当前所在位置的纬度和海拔确定。
33.本技术第二方面提供了一种空中飘浮物体检测装置，包括：
34.融合单元，用于融合自动驾驶车辆采集的图像数据和点云数据，获取障碍物的属性信息，所述属性信息包括类别、运动轨迹、三维轮廓和运动状态信息；
35.筛选单元，用于根据所述属性信息对所述障碍物进行筛选，得到筛选后的待判断障碍物集合；
36.判断单元，用于根据所述待判断障碍物集合中的目标障碍物的特征点信息判断所述目标障碍物是否为刚体，若否，则判定所述目标障碍物为空中飘浮物体，若是，则根据所述目标障碍物的运动轨迹获取所述目标障碍物的竖轴加速度，若所述目标障碍物的竖轴加速度小于基准重力加速度，且所述竖轴加速度与所述基准重力加速度的差值大于预置差值阈值，则判定所述目标障碍物为空中飘浮物体。
37.本技术第三方面提供了一种空中飘浮物体检测设备，所述设备包括处理器以及存储器；
38.所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
39.所述处理器用于根据所述程序代码中的指令执行第一方面任一种所述的空中飘浮物体检测方法。
40.本技术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用于存储程序代码，所述程序代码被处理器执行时实现第一方面任一种所述的空中飘浮物体检测方法。
41.从以上技术方案可以看出，本技术具有以下优点：
42.本技术提供了一种空中飘浮物体检测方法，包括：融合自动驾驶车辆采集的图像数据和点云数据，获取障碍物的属性信息，属性信息包括类别、运动轨迹、三维轮廓和运动状态信息；根据属性信息对障碍物进行筛选，得到筛选后的待判断障碍物集合；根据待判断障碍物集合中的目标障碍物的特征点信息判断目标障碍物是否为刚体，若否，则判定目标障碍物为空中飘浮物体，若是，则根据目标障碍物的运动轨迹获取目标障碍物的竖轴加速度，若目标障碍物的竖轴加速度小于基准重力加速度，且竖轴加速度与基准重力加速度的差值大于预置差值阈值，则判定目标障碍物为空中飘浮物体。
43.本技术中，通过融合自动驾驶车辆采集的图像数据和点云数据来获取车辆周围障碍物的属性信息，通过属性信息将明显不属于空中飘浮物体的障碍物筛选掉，得到待判断障碍物集合，进而根据待判断障碍物集合中的目标障碍物的特征点信息判断目标障碍物是否为刚体，对于非刚体的目标障碍物，给予其空中飘浮物体的检测结果，对于刚体的目标障碍物，通过其运动轨迹确定的竖轴加速度来确定其是否为空中飘浮物体，从而实现了空中飘浮物体的检测，有助于避免自动驾驶车辆因为将空中飘浮物体当做障碍物处理，导致一些不必要的急刹车和急打方向，改善了现有技术将空中飘浮物体当做障碍物进行处理，使得自动驾驶车辆容易产生不合理行为，进而导致安全事故的技术问题。
附图说明
44.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现
有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
45.图1为本技术实施例提供的一种空中飘浮物体检测方法的一个流程示意图；
46.图2为本技术实施例提供的一种空中飘浮物体检测装置的一个结构示意图。
具体实施方式
47.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
48.为了便于理解，请参阅图1，本技术实施例提供了一种空中飘浮物体检测方法，包括：
49.步骤101、融合自动驾驶车辆采集的图像数据和点云数据，获取障碍物的属性信息，属性信息包括类别、运动轨迹、三维轮廓和运动状态信息。
50.分别对自动驾驶车辆当前采集的图像数据和点云数据依次进行语义分割和分类，得到图像数据和点云数据的分类结果，分类结果包括障碍物的类别。对于一般的小障碍物检测场景，可以对自动驾驶车辆上激光雷达采集的点云数据以及摄像头采集的图像数据分别进行语义分割，再通过分类模型来识别每个像素或点云的类型，如行人、自行车、摩托车、卡车、路基等，对于一些未知类别的障碍物，如气球、鸟类、石头等，可以统一分类为未知类别障碍物，因此，最终得到的图像数据和点云数据的分类结果包括行人、自行车等已知类别障碍物和未知类别障碍物。
51.根据图像数据和点云数据的分类结果将图像数据投影到三维空间，得到伪点云数据，然后在三维空间中将伪点云数据和点云数据进行匹配对齐和聚类，得到障碍物的点群信息，点群信息包括但不限于点数、三维中心坐标和三维轮廓等，其中，三维轮廓包括上表面高度和下表面高度。
52.根据障碍物的点群信息对障碍物进行追踪，得到障碍物的运动轨迹和运动状态信息，运动状态信息可以包括速度和加速度。根据多帧图像数据和多帧点云数据对应的障碍物的点群信息对障碍物进行追踪，得到障碍物的运动轨迹和运动状态信息。由于飘浮物体的体积可能不大，而激光雷达的垂直分辨率较低，在一定范围外，障碍物可能刚好处于激光雷达纵向两束光线的中间而没有点云分割的结果，这个时候可以利用摄像头的纵向分辨率优势来追踪，可以对历史的障碍物的点群进行拼接，然后可以采用光流算法对障碍物进行追踪。
53.最终融合分类结果、障碍物的点群信息、运动轨迹和运动状态信息，得到障碍物的属性信息。
54.步骤102、根据属性信息对障碍物进行筛选，得到筛选后的待判断障碍物集合。
55.在获取到障碍物的属性信息后，可以根据属性信息对障碍物进行筛选，筛选掉明显不属于空中飘浮物体的障碍物，得到筛选后的待判断障碍物集合，可以缩小后续空中飘浮物体的检测数量，有助于减轻系统负担。
56.具体的，可以根据属性信息中的类别、运行状态信息、三维轮廓、运动轨迹从障碍物中筛选掉已知类别障碍物、静态障碍物、地面障碍物、轨迹时间长度小于预置时间长度阈值的障碍物，得到初步筛选后的障碍物集合。在大多数场景下，驾驶场景中的障碍物分为静态障碍物和动态障碍物，常见的静态障碍物有路障、雪糕筒、路沿、栏杆等，动态障碍物一般是动态的交通参与者，如车辆、行人等。目前的自动驾驶系统已经能以相当高的准确率对以上的交通对象进行检测、分类以及追踪，并且对应有成熟的系统来应对各种场景，因此，如果障碍物是自动驾驶系统已经能进行高置信度分类的已知障碍物，可以将其筛选掉，不需要再对其进行是否为空中飘浮物体的判断，即可以根据属性信息中的类别从障碍物中筛选掉已知类别障碍物，得到未知类别障碍物。
57.在筛选出来的未知类别障碍物中，根据空中飘浮物体的属性可知，空中飘浮物体应该为动态的，因此可以根据运行状态信息中的速度从未知类别障碍物中筛选掉静态障碍物，得到未知类别的动态障碍物；对于静态障碍物，可以直接交由自动驾驶系统自行处理，自动驾驶系统会在路径规划时考虑该静态障碍物是否在可行驶区域内，是否在当前自动驾驶车辆的轨迹上，进而对应做出减速或绕行处理等。
58.根据空中飘浮物体的属性可知，其应该是飘浮在空中的，因此，可以根据三维轮廓中的下表面高度来区分障碍物是空中障碍物还是地面障碍物，从而可以从未知类别的动态障碍物中筛选掉地面障碍物，得到未知类别的空中障碍物。在真实道路中，需要考虑一些特殊情况，可能障碍物的下表面高度较为贴近地面仍有飘浮的可能，例如，由于飘浮物体的动态规律是很难掌握的，实际的三维速度变化急促，如果速度向上，或者是弹跳的物体瞬间速度向上，都可能是飘浮的物体，例如有可能是被风吹起的塑料袋等。而另一方面，弹性足够的车轮、皮球，或者是跳起的小猫小狗甚至是奇怪着装的小朋友等，也会算作空中飘浮物体的范畴，会在后续空中飘浮物体判断过程中对这些障碍物进行处理。并且在进行空中飘浮物体检测时，是可以实时对自动驾驶车辆采集的每一帧数据都进行空中飘浮物体检测，在当前帧数据中某空中飘浮物体的下表面高度很贴近地面，但在下一帧数据中，由于空中飘浮物体的属性，其可能下表面高度变化，从而可以检测出其是否为空中飘浮物体。
59.在判断空中飘浮物体时，也可以根据物体的运动轨迹来进行判断。在只有一帧数据进行检测的时候，再加上不知道障碍物的类别，对于其是飘浮物体还是地面物体是很难分辨的。若有障碍物至少0.3秒的持续检测，并且已经能稳定追踪其速度、加速度、距离、大小等基础信息，以10hz的检测频率，可以有3帧的历史信息，此时可以获取比较可信的空中飘浮物体检测结果。因此，可以根据运动轨迹从未知类别的空中障碍物中筛选掉轨迹时间长度小于预置时间长度阈值的障碍物，以保证后续空中飘浮物体检测结果的准确性，从而得到初步筛选后的障碍物集合。
60.在一种实施例中，可以从初步筛选后的障碍物集合中筛选掉运动轨迹符合抛体运动轨迹的障碍物，得到筛选后的待判断障碍物集合。如果初步筛选后的障碍物集合中的障碍物的运动轨迹符合抛体运动轨迹，则可以判定其为非空中飘浮物体，可以将其筛选掉，得到筛选后的待判断障碍物集合。
61.在另一种实施例中，可以根据运动轨迹从初步筛选后的障碍物集合中筛选掉未来预置时间段内与自动驾驶车辆规划的路径没有交互的障碍物以及运动轨迹符合抛体运动轨迹的障碍物，得到筛选后的待判断障碍物集合。
62.对于大部分物体在空中是不能改变运动方向的，只有少数的可以主动或被动地大幅度改变运动方向的物体，如飞行中的鸟，或乱流中的塑料袋等，因此，可以根据初步筛选后的障碍物集合中的障碍物的运动轨迹预测该障碍物在未来预置时间段内的运动轨迹，可以采用曲线拟合的方式对初步筛选后的障碍物集合中的障碍物的运动轨迹进行拟合，通过拟合得到的曲线来预测该障碍物在未来预置时间段内(如未来8秒内)的运动轨迹，当然也可以采用其他的方式来预测轨迹，在此不做具体限定。再将初步筛选后的障碍物集合中的障碍物在未来预置时间段内的运动轨迹投影到地面，得到障碍物在未来预置时间段内的地面投影轨迹；通过障碍物在未来预置时间段内的地面投影轨迹和自动驾驶车辆在未来预置时间段内的规划轨迹可以确定这两条轨迹是否有交互，从而可以从初步筛选后的障碍物集合中筛选掉在未来预置时间段内的地面投影轨迹与自动驾驶车辆在该未来预置时间段内的规划路径没有交互的障碍物，对于与自动驾驶车辆在未来预置时间段内的规划路径没有交互的障碍物，即使该障碍物为空中飘浮物体，由于轨迹没有交互，该障碍物在未来预置时间段内并不会影响自动驾驶车辆的正常行驶，自动驾驶车辆是可以忽略该类障碍物的，也即不会做出去急刹车或打方向的行为，此时也就不需要判断该类障碍物是否为空中飘浮物体，通过筛选掉在未来预置时间段内的地面投影轨迹与自动驾驶车辆在该未来预置时间段内的规划路径没有交互的障碍物，可以减少后续处理过程的计算量，有助于减轻系统负担。
63.步骤103、根据待判断障碍物集合中的目标障碍物的特征点信息判断目标障碍物是否为刚体，若否，则判定目标障碍物为空中飘浮物体，若是，则根据目标障碍物的运动轨迹获取目标障碍物的竖轴加速度，若目标障碍物的竖轴加速度小于基准重力加速度，且竖轴加速度与基准重力加速度的差值大于预置差值阈值，则判定目标障碍物为空中飘浮物体。
64.如果待判断障碍物集合中的目标障碍物的运动轨迹杂乱无章，完全不能和抛体运动轨迹拟合，并且目标障碍物在光流算法中，目标障碍物的特征点之间不能保持相对距离，即使该目标障碍物有一定的体积，其质量大概率不会很大，是塑料袋、床单、衣服等轻质可变形物体，可以判定该类目标障碍物为空中飘浮物体，即可以通过判断待判断障碍物集合中的目标障碍物是否为刚体来判断目标障碍物是否空中飘浮物体。根据刚体属性可知，刚体物体在运动过程中，其大小和形状基本是保存不变的，内部各特征点之间的相对位置也基本是保存不变的。因此，可以根据目标障碍物的特征点信息判断目标障碍物是否为刚体，可以对相邻两帧数据中的目标障碍物进行特征点匹配，若相邻两帧数据中的目标障碍物的大部分特征点匹配不到，或特征点之间可以匹配到，但特征点之间的相对距离变化较大(即超过一定阈值)，则可以判定该目标障碍物为非刚体，若相邻两帧数据中的目标障碍物的特征点基本可以匹配到，并且两帧数据中的目标障碍物的特征点之间的相对距离基本保存不变或变化很小(在一定阈值范围内)，则可以判定该目标障碍物为刚体。
65.当目标障碍物具有一定的角速度，由于其形状可能比较奇怪，质地不一定均匀，导致可能是有一定密度的物体，但是其轨迹也难以拟合，这种场景是比较难判断其是否为飘浮物体的场景。但是，根据角动量守恒原理，任何不受外力驱动的旋转刚体，都是绕着其质心在转动，而检测的目标障碍物所在的场景，正好是符合该范围。因此，在跟踪目标障碍物的特征点，计算角速度时，同时也可以得到物体在那个时刻的质心位置。若目标障碍物为刚体，则可以根据目标障碍物的运动轨迹获取目标障碍物的质心轨迹；根据目标障碍物的质
心轨迹获取目标障碍物的竖轴加速度。
66.可以对目标障碍物的质心轨迹进行曲线拟合，得到轨迹拟合曲线；对轨迹拟合曲线在竖轴方向上进行二阶求导运算，得到目标障碍物的竖轴加速度。可以对多个时刻的质心位置进行曲线拟合，可以采用最小二乘法得到最小化笛卡尔坐标下2级距离的轨迹拟合曲线，再对轨迹拟合曲线在竖轴方向(即z 轴方向)进行二阶求导运算，得到目标障碍物的竖轴加速度。
67.可以根据自动驾驶车辆当前所在位置的维度和海拔计算出该位置的基准重力加速度，具体计算过程属于现有技术，在此不再进行赘述。考虑到运动中的空气阻力或空气流动造成的影响，可以允许该基准重力加速度有一定的浮动空间，具体浮动阈值的大小可以通过分析多个空中飘浮物体的竖轴加速度来确定。若竖轴加速度大于基准重力加速度，且竖轴加速度与基准重力加速度的差值大于预置差值阈值的目标障碍物，则判定该目标障碍物为非空中飘浮物体；对于非空中飘浮物体，可以计算其落点，在下游的规划中，在安全的情况下尽量绕行该非空中飘浮物体，若自动驾驶车辆在该非空中飘浮物体落地前交互，则在路径规划时不考虑该非空中飘浮物体，如果该非空中飘浮物体落地后弹起一定高度，则可以交由下一次的空中飘浮物体检测过程。若目标障碍物的竖轴加速度小于基准重力加速度，且竖轴加速度与基准重力加速度的差值大于预置差值阈值，则判定目标障碍物为空中飘浮物体，在下游的处理中，会更多的通过轻微纵向减速去通过，而非横向动作。
68.本技术实施例中，通过融合自动驾驶车辆采集的图像数据和点云数据来获取车辆周围障碍物的属性信息，通过属性信息将明显不属于空中飘浮物体的障碍物筛选掉，得到待判断障碍物集合，进而根据待判断障碍物集合中的目标障碍物的特征点信息判断目标障碍物是否为刚体，对于非刚体的目标障碍物，给予其空中飘浮物体的检测结果，对于刚体的目标障碍物，通过其运动轨迹确定的竖轴加速度来确定其是否为空中飘浮物体，从而实现了空中飘浮物体的检测，有助于避免自动驾驶车辆因为将空中飘浮物体当做障碍物处理，导致一些不必要的急刹车和急打方向，改善了现有技术将空中飘浮物体当做障碍物进行处理，使得自动驾驶车辆容易产生不合理行为，进而导致安全事故的技术问题。
69.以上为本技术提供的一种空中飘浮物体检测方法的一个实施例，以下为本技术提供的一种空中飘浮物体检测装置的一个实施例。
70.请参考图2，本技术实施例提供的一种空中飘浮物体检测装置，包括：
71.融合单元，用于融合自动驾驶车辆采集的图像数据和点云数据，获取障碍物的属性信息，属性信息包括类别、运动轨迹、三维轮廓和运动状态信息；
72.筛选单元，用于根据属性信息对障碍物进行筛选，得到筛选后的待判断障碍物集合；
73.判断单元，用于根据待判断障碍物集合中的目标障碍物的特征点信息判断目标障碍物是否为刚体，若否，则判定目标障碍物为空中飘浮物体，若是，则根据目标障碍物的运动轨迹获取目标障碍物的竖轴加速度，若目标障碍物的竖轴加速度小于基准重力加速度，且竖轴加速度与基准重力加速度的差值大于预置差值阈值，则判定目标障碍物为空中飘浮物体。
74.作为进一步地改进，融合单元具体用于：
75.分别对自动驾驶车辆当前采集的图像数据和点云数据依次进行语义分割和分类，
得到图像数据和点云数据的分类结果，分类结果包括障碍物的类别；
76.根据图像数据和点云数据的分类结果将图像数据投影到三维空间，得到伪点云数据，并对伪点云数据和点云数据依次进行匹配对齐和聚类，得到障碍物的点群信息，点群信息包括点数、三维中心坐标和三维轮廓；
77.根据障碍物的点群信息对障碍物进行追踪，得到障碍物的运动轨迹和运动状态信息，运动状态信息包括速度和加速度；
78.融合分类结果、障碍物的点群信息、运动轨迹和运动状态信息，得到障碍物的属性信息。
79.作为进一步地改进，筛选单元具体用于：
80.根据属性信息中的类别、运行状态信息、三维轮廓、运动轨迹从障碍物中筛选掉已知类别障碍物、静态障碍物、地面障碍物、轨迹时间长度小于预置时间长度阈值的障碍物，得到初步筛选后的障碍物集合；
81.从初步筛选后的障碍物集合中筛选掉运动轨迹符合抛体运动轨迹的障碍物，得到筛选后的待判断障碍物集合；
82.或，根据运动轨迹从初步筛选后的障碍物集合中筛选掉未来预置时间段内与自动驾驶车辆规划的路径没有交互的障碍物以及运动轨迹符合抛体运动轨迹的障碍物，得到筛选后的待判断障碍物集合。
83.本技术实施例中，通过融合自动驾驶车辆采集的图像数据和点云数据来获取车辆周围障碍物的属性信息，通过属性信息将明显不属于空中飘浮物体的障碍物筛选掉，得到待判断障碍物集合，进而根据待判断障碍物集合中的目标障碍物的特征点信息判断目标障碍物是否为刚体，对于非刚体的目标障碍物，给予其空中飘浮物体的检测结果，对于刚体的目标障碍物，通过其运动轨迹确定的竖轴加速度来确定其是否为空中飘浮物体，从而实现了空中飘浮物体的检测，有助于避免自动驾驶车辆因为将空中飘浮物体当做障碍物处理，导致一些不必要的急刹车和急打方向，改善了现有技术将空中飘浮物体当做障碍物进行处理，使得自动驾驶车辆容易产生不合理行为，进而导致安全事故的技术问题。
84.本技术实施例还提供了一种空中飘浮物体检测设备，设备包括处理器以及存储器；
85.存储器用于存储程序代码，并将程序代码传输给处理器；
86.处理器用于根据程序代码中的指令执行前述方法实施例中的空中飘浮物体检测方法。
87.本技术实施例还提供了一种计算机可读存储介质，计算机可读存储介质用于存储程序代码，程序代码被处理器执行时实现前述方法实施例中的空中飘浮物体检测方法。
88.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。
89.本技术的说明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，以便这里描述的本技术的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，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。
90.应当理解，在本技术中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：只存在a，只存在b以及同时存在a和b三种情况，其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或 c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
91.在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
92.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
93.另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
94.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，本技术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，包括若干指令用以通过一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术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(英文全称：read-onlymemory，英文缩写：rom)、随机存取存储器(英文全称：randomaccessmemory，英文缩写：ram)、磁碟或者光盘等各种可以存储程序代码的介质。
95.以上所述，以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，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技术各实施例技术方案的精神和范围。