-
公开(公告)号：CN115258959B
公开(公告)日：2023-01-03
申请号：CN202211133740.3
申请日：2022-09-19
申请人： 杭州飞步科技有限公司 , 宁波梅东集装箱码头有限公司
摘要： 本申请提供一种吊具控制方法、设备及存储介质，应用于计算机领域，吊具控制设备获得目标箱位与目标船舶的船尾之间的距离，以及在激光雷达从目标船舶的船尾后侧移动至船尾前侧的过程中连续采集的多帧雷达点云数据及激光雷达采集各帧雷达点云数据时所处的位置数据，根据各帧雷达点云数据及其对应的位置数据，计算目标船舶的船尾位置，结合船尾位置和目标箱位相对船尾的距离，确定吊具的目标位置，并控制吊具移动到目标位置，以使吊具控制设备利用一个激光雷达从多角度、多距离采集的点云数据中确定船尾位置，不仅降低数据采集成本，还增加数据采集的多样性，提高基于多帧点云数据确定的船尾位置的准确度，以提高控制吊具与目标箱位对齐的准确度。
-
公开(公告)号：CN115223140A
公开(公告)日：2022-10-21
申请号：CN202210663206.7
申请日：2022-06-13
申请人： 杭州飞步科技有限公司
IPC分类号： G06V20/58 , G06V10/44 , G06V10/764 , G06N20/00
摘要： 本申请提供一种静态障碍物检测方法、装置、设备及计算机存储介质。该方法包括：获取当前时刻的点云数据，将点云数据映射到第一栅格地图，获取第一栅格地图中每个第一栅格的栅格信息；在根据每个第一栅格的栅格信息，确定第一目标栅格中存在障碍物后，确定第一目标栅格的特征向量；在第二栅格地图中获取与第一目标栅格对应的第二目标栅格；获取第二目标栅格在不同时刻的特征向量，并根据第二目标栅格在不同时刻的特征向量，确定障碍物是否为静态障碍物。本实施例与现有技术相比，在深度学习模型外添加了基于前后帧来判断障碍物是否为静态障碍物的方式，从而显著提高了对训练数据类别外障碍物的检测性能。
-
公开(公告)号：CN112200303B
公开(公告)日：2022-10-21
申请号：CN202011040602.1
申请日：2020-09-28
申请人： 杭州飞步科技有限公司
摘要： 本发明公开了一种基于上下文相关编码器的激光雷达点云3D目标检测方法。激光雷达采集点云数据，将点云数据经点云3d检测模型处理检测3D目标；在点云3d检测模型处理过程中，输出伪图像的像素后连接设置上下文相关编码器，将伪图像的每个像素经由一个上下文相关编码器PointCSE处理获得伪图像像素特征；上下文相关编码器包括上下文相关点云采样网络和深层特征提取网络，通过上下文相关点云采样网络采样伪图像的像素中局部附近的信息点，然后用深层特征提取网络对信息点进行特征学习提取获得伪图像像素特征。本发明能够适用于激光雷达3D场景下的目标检测问题，解决了当下3D目标检测器无法能够同时实现快速运行和高精度的技术问题。
-
公开(公告)号：CN114926651A
公开(公告)日：2022-08-19
申请号：CN202210516009.2
申请日：2022-05-12
申请人： 杭州飞步科技有限公司
IPC分类号： G06V10/44 , G06V10/74 , G06V10/764 , G01S17/88
摘要： 本申请实施例提供一种卡车检测方法、装置、电子设备及计算机可读存储介质，其中，所述方法包括：获取待预测任务的3D点云；基于特征提取网络提取所述3D点云的二维特征图；基于检测头网络检测所述二维特征图的3D预测框及对应的分类置信度；基于所述3D预测框及对应的分类置信度获取卡车类的整车检测框、与所述整车检测框匹配的车头检测框及车身检测框；以及，基于卡车类的整车检测框、与所述整车检测框匹配的车头检测框及车身检测框预测相应卡车的车头和车身之间的分离状态。本申请通过获取卡车的车头检测框和车身检测框，预测卡车的车头和车身的分离情况，以便于准确获知卡车的行驶方向，达到了提高卡车检测的准确性以及保障道路安全的技术效果。
-
公开(公告)号：CN110765894B
公开(公告)日：2022-07-08
申请号：CN201910945928.X
申请日：2019-09-30
申请人： 杭州飞步科技有限公司
摘要： 本发明提供一种目标检测方法、装置、设备及计算机可读存储介质，方法包括：获取激光雷达采集的点云数据与图像采集装置采集的图像数据；分别获取点云数据对应的点云特征信息以及图像数据对应的图像特征信息；对点云特征信息与图像特征信息进行特征融合操作，获得目标特征信息；根据目标特征信息进行目标检测，获得目标物体信息；根据目标物体信息控制遥控可移动平台运行。由于点云数据包含目标物体的3d信息和距离信息，但较为稀疏；而图像数据包含稠密的纹理、颜色等信息。二者进行融合能够相互弥补，从而获得更为丰富的信息特征，提高目标物体检测的精准度。从而根据该目标特征信息能够更加精准地实现对遥控可移动平台的控制。
-
公开(公告)号：CN112200303A
公开(公告)日：2021-01-08
申请号：CN202011040602.1
申请日：2020-09-28
申请人： 杭州飞步科技有限公司
摘要： 本发明公开了一种基于上下文相关编码器的激光雷达点云3D目标检测方法。激光雷达采集点云数据，将点云数据经点云3d检测模型处理检测3D目标；在点云3d检测模型处理过程中，输出伪图像的像素后连接设置上下文相关编码器，将伪图像的每个像素经由一个上下文相关编码器PointCSE处理获得伪图像像素特征；上下文相关编码器包括上下文相关点云采样网络和深层特征提取网络，通过上下文相关点云采样网络采样伪图像的像素中局部附近的信息点，然后用深层特征提取网络对信息点进行特征学习提取获得伪图像像素特征。本发明能够适用于激光雷达3D场景下的目标检测问题，解决了当下3D目标检测器无法能够同时实现快速运行和高精度的技术问题。
-
公开(公告)号：CN116500641A
公开(公告)日：2023-07-28
申请号：CN202310353848.1
申请日：2023-04-04
申请人： 杭州飞步科技有限公司
IPC分类号： G01S17/89 , G01S17/931 , G01C21/00 , G06V20/58 , G06T7/136
摘要： 本申请提供一种障碍物检测方法、装置、电子设备及存储介质，包括：获取一帧点云数据以及点云库，其中点云库来源于局部建图模型，点云库包括历史点云数据；通过地面分割算法，得到每个点云数据的初始点云类型和初始障碍物栅格分割结果；通过3D障碍物检测模型，得到障碍物检测框；根据一帧点云数据、每个点云数据的初始点云类型、障碍物检测框以及点云库，确定每个点云数据更新后的更新点云类型；根据更新点云类型对初始障碍物栅格分割结果进行更新处理，得到目标障碍物栅格分割结果。以上方案，通过初始点云类型和障碍物检测框进行局部建图，以检测环境噪声点，对确定的初始障碍物栅格分割结果进行更新，从而提升障碍物检测的准确度。
-
公开(公告)号：CN116203545A
公开(公告)日：2023-06-02
申请号：CN202310194747.4
申请日：2023-02-24
申请人： 杭州飞步科技有限公司
IPC分类号： G01S7/497 , G01S7/48 , G01S17/931
摘要： 本申请提供一种目标物的检测方法、装置及设备。该目标物的检测方法包括：当获取目标物反射的实测激光点云数据时，根据实测激光点云数据生成目标车辆的车头检测框，以及根据目标物的先验数据在车头检测框上生成目标物的先验检测框，所述先验数据至少包括目标物的长度、高度和宽度，目标物的几何中心点距离地面的高度信息、目标物的几何中心点距离车头的几何中心点的偏移量信息；根据目标物反射的实测激光点云数据生成校准数据，根据校准数据调整所述先验检测框，得到目标物的检测框。本申请可以解决如何对车辆其他附件(例如后视镜)进行检测，从而提高集装箱卡车行驶过程中对目标车辆检测的准确性，提高集装箱卡车行驶的安全系数的问题。
-
公开(公告)号：CN115457486A
公开(公告)日：2022-12-09
申请号：CN202210920776.X
申请日：2022-08-02
申请人： 杭州飞步科技有限公司
IPC分类号： G06V20/54 , G06V20/64 , G06V10/25 , G06V10/764 , G06V10/77 , G06V10/82 , G06N3/04 , G06N3/08
摘要： 本申请提供一种基于二阶段的卡车检测方法、电子设备及存储介质，包括：获取待预测任务的3D点云；基于3D主干网络提取所述3D点云的第一特征图，并将第一特征图输入至2D主干网络中进行特征训练，得到第二特征图；基于第一检测头网络获取第二特征图的卡车类的整车检测框；将卡车类的整车检测框及对应的第三特征图输入至第二检测头网络进行特征训练，得到卡车类的整车检测框对应的车头检测框和车身检测框；基于车头检测框及所述车身检测框确定对应卡车的车头和车身之间的分离状态。本申请利用二阶段网络获取卡车的车头检测框和车身检测框，高效预测卡车的车头和车身的分离情况，达到了提高卡车检测的准确性的技术效果。
-
公开(公告)号：CN115100627A
公开(公告)日：2022-09-23
申请号：CN202210689407.4
申请日：2022-06-17
申请人： 杭州飞步科技有限公司
IPC分类号： G06V20/58 , G06V10/44 , G06V10/74 , G06V10/764 , G01S17/89
摘要： 本申请提供一种点云分类模型的训练方法、点云分类方法及装置，涉及智能驾驶技术领域，包括：获取多个训练样本，对每个训练样本的点云进行特征提取，获得每个点云的特征向量；根据每个点云的特征向量，获取每个点云的相似度信息，根据每个点云的特征向量和相似度信息以及点云的类别，对点云分类模型进行训练，得到训练完成的点云分类模型。通过训练好的点云分类模型对点云进行分类，可以提升分类的准确性，同时，由于在训练过程中结合的点云的相似度信息，该训练好的点云分类模型具有更好的泛化能力。
-
-
-
-
-
-
-
-
-
搜索结果
17 条记录 (耗时 0.031 秒)
