本技术涉及智能驾驶,尤其涉及一种道路边沿检测方法、装置、设备及存储介质。
背景技术:
1、道路边沿检测是自动驾驶的重要组成部分。目前业内广泛使用相机、lidar获取道路的图像和点云信息,一种是使用图像检测对相机采集信号进行目标检测得到图像中的道路边沿,还有一种是使用点云分割筛选路面点云再使用复杂的后处理逻辑进行道路边沿的线条拟合,从而实现道路边沿检测。
2、然而,前者纯图像的检测方案,得到的道路边沿是图像坐标系中的结果,通常还需要转换到车辆自车坐标系或者鸟瞰图坐标下才能使用,又因深度信息缺失使得这种转换只能做近似转换,存在近似建模计算误差,导致检测结果不准确。此外,这种方案需要在每张图像上人工标注车道线,同一个场景难以复用标注结果,每次检测模型训练都需要标注海量图像数据,导致标注成本高昂。后者lidar点云的分割方案得到道路边沿需要大量后处理逻辑和规则设计才能拟合拼接出道路边沿线条,由于点云中标注道路区域和非道路区域是一件十分繁杂的工作,因而需要将所有点云准确标注,这种方案的标注数量虽没有纯图像方案中的标注数量高,但是每个场景所花费的标注时间远远超过单张图像标注时间,标注成本依然很高。
3、可见,现有的纯图像检测方案和lidar点云分割方案存在标注成本过高、检测结果不准确以及后处理逻辑复杂等缺陷。
技术实现思路
1、本技术提供一种道路边沿检测方法、装置、设备及存储介质,用于克服自动驾驶中现有的道路检测方案存在的标注成本过高、检测结果不准确以及后处理逻辑复杂等技术问题。
2、第一方面,本技术提供一种道路边沿检测方法,包括:
3、获取待测区域的多帧激光雷达点云数据,并根据所述多帧激光雷达点云数据生成所述待测区域的二维鸟瞰图;
4、根据所述二维鸟瞰图获取所述待测区域内道路边沿的二维点序列数据,并通过高度检测模型获取所述道路边沿的二维点序列数据对应的高度,以得到所述道路边沿的三维点序列数据;
5、通过坐标转换方式对所述道路边沿的三维点序列数据进行坐标转换,得到目标坐标系下所述道路边沿的坐标数据,所述目标坐标系与所述坐标转换方式具有对应关系。
6、在一种可能的设计中,所述根据所述多帧激光雷达点云数据生成所述待测区域的二维鸟瞰图,包括:
7、将所述多帧激光雷达点云数据投影至世界坐标系,得到点云中间数据;
8、输入所述点云中间数据至鸟瞰图生成模型,得到所述待测区域的所述二维鸟瞰图。
9、在一种可能的设计中,所述根据所述二维鸟瞰图获取所述待测区域内道路边沿的二维点序列数据,包括:
10、通过道路边沿识别模型识别所述二维鸟瞰图中的每一段道路边沿,得到所述待测区域内所述道路边沿的二维点序列数据;
11、其中,所述道路边沿识别模型是训练第一神经网络模型得到。
12、在一种可能的设计中,所述通过高度检测模型获取所述道路边沿的二维点序列数据对应的高度,包括:
13、通过所述高度检测模型将所述二维点序列数据投影至所述世界坐标系,得到所述道路边沿的二维点序列数据对应的高度,所述高度检测模型是训练第二神经网络模型得到。
14、在一种可能的设计中,所述目标坐标系包括车辆的传感器坐标系、车体坐标系、导航坐标系中的任意一种或多种,所述传感器坐标系包括相机坐标系、激光雷达坐标系、惯性测量单元坐标系以及轮速计坐标系中的一种或多种。
15、在一种可能的设计中,还包括:
16、根据所述道路边沿的坐标数据生成驾驶指令,响应所述驾驶指令控制所述车辆的自动驾驶行为。
17、在一种可能的设计中,所述第一神经网络和所述第二神经网络模型包括卷积神经网络。
18、第二方面,本技术提供一种道路边沿检测装置,包括:
19、第一处理模块,用于获取待测区域的多帧激光雷达点云数据,并根据所述多帧激光雷达点云数据生成所述待测区域的二维鸟瞰图;
20、第二处理模块,用于根据所述二维鸟瞰图获取所述待测区域内道路边沿的二维点序列数据,并通过高度检测模型获取所述道路边沿的二维点序列数据对应的高度,以得到所述道路边沿的三维点序列数据;
21、第三处理模块,用于通过坐标转换方式对所述道路边沿的三维点序列数据进行坐标转换,得到目标坐标系下所述道路边沿的坐标数据,所述目标坐标系与所述坐标转换方式具有对应关系。
22、在一种可能的设计中,所述第一处理模块,具体用于:
23、将所述多帧激光雷达点云数据投影至世界坐标系,得到点云中间数据;
24、输入所述点云中间数据至鸟瞰图生成模型,得到所述待测区域的所述二维鸟瞰图。
25、在一种可能的设计中,所述第二处理模块,具体用于:
26、通过道路边沿识别模型识别所述二维鸟瞰图中的每一段道路边沿,得到所述待测区域内所述道路边沿的二维点序列数据;
27、其中,所述道路边沿识别模型是训练第一神经网络模型得到。
28、在一种可能的设计中,所述第二处理模块,还用于:
29、通过所述高度检测模型将所述二维点序列数据投影至所述世界坐标系,得到所述道路边沿的二维点序列数据对应的高度,所述高度检测模型是训练第二神经网络模型得到。
30、在一种可能的设计中,所述目标坐标系包括车辆的传感器坐标系、车体坐标系、导航坐标系中的任意一种或多种,所述传感器坐标系包括相机坐标系、激光雷达坐标系、惯性测量单元坐标系以及轮速计坐标系中的一种或多种。
31、在一种可能的设计中,所述道路边沿检测装置,还包括:控制模块;所述控制模块,用于:
32、根据所述道路边沿的坐标数据生成驾驶指令,响应所述驾驶指令控制所述车辆的自动驾驶行为。
33、在一种可能的设计中,所述第一神经网络和所述第二神经网络模型包括卷积神经网络。
34、第三方面,本技术提供一种电子设备,包括:处理器,以及与所述处理器通信连接的存储器;
35、所述存储器存储计算机执行指令;
36、所述处理器执行所述存储器存储的计算机执行指令,以实现第一方面中所提供的任意一种可能的道路边沿检测方法。
37、第四方面,本技术提供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计算机执行指令,所述计算机执行指令被处理器执行时用于实现第一方面中所提供的任意一种可能的道路边沿检测方法。
38、第五方面,本技术提供一种计算机程序产品,包括计算机执行指令,该计算机执行指令被处理器执行时用于实现第一方面中所提供的任意一种可能的道路边沿检测方法。
39、本技术提供一种道路边沿检测方法、装置、设备及存储介质,首先获取待测区域的多帧激光雷达点云数据,并根据多帧激光雷达点云数据生成待测区域的二维鸟瞰图,然后根据二维鸟瞰图获取待测区域内道路边沿的二维点序列数据,并通过高度检测模型获取道路边沿的二维点序列数据对应的高度,得到道路边沿的三维点序列数据,再通过坐标转换方式对道路边沿的三维点序列数据进行坐标转换,得到目标坐标系下道路边沿的坐标数据。利用激光雷达点云数据生成二维鸟瞰图进而实现道路边沿检测,消除了图像坐标到鸟瞰图坐标的近似计算过程,避免近似建模计算误差提升了检测准确度,缩减了标注成本。另外,相比现有技术不需要复杂的后处理逻辑,并且基于道路边沿的三维点序列可以得到目标坐标系下道路边沿的坐标数据,便于应用至下游多传感器信息融合服务例如支持车辆自动驾驶。