障碍物检测方法、车辆、设备及计算机存储介质与流程

1.本技术属于信息处理技术领域，尤其涉及一种障碍物检测方法、车辆、设备及计算机存储介质。


背景技术：

2.众所周知，轨道交通通常具有运载量大，运行速度较快的特点，属于交通运输中重要的组成部分。为了保证轨道交通中的列车的安全行驶，往往需要对轨道中可能存在的障碍物进行检测。
3.现有技术在使用雷达传感器进行障碍物检测时，通常是先基于点云数据对轨道所在地面进行拟合，再根据位于轨道范围内的点云相对拟合地面的高度进行障碍物的判定。然而，由于轨道内部的环境比较复杂，例如可能存在枕木与碎石等，得到拟合地面的误差往往较大，进而导致障碍物检测精度较低。


技术实现要素：

4.本技术实施例提供一种在障碍物检测方法、车辆、设备及计算机存储介质，以解决现有技术中基于对轨道所在地面的拟合进行障碍物检测，导致检测精度较低的问题。
5.第一方面，本技术实施例提供一种障碍物检测方法，应用于车辆，方法包括：
6.获取对目标轨道采集得到的k个初始点云数据与l张初始图像，k与l均为正整数；
7.分别基于每一初始图像，从k个初始点云数据中确定出第一点云，第一点云为归属于目标轨道中的路轨的点云；
8.以第一点云为基准点云，根据k个初始点云数据，检测目标轨道中的目标障碍物，其中，目标障碍物在k个初始点云数据中关联有第二点云，第二点云与第一点云之间满足预设位置关系。
9.第二方面，本技术实施例提供了一种车辆，包括：
10.获取模块，用于获取对目标轨道采集得到的k个初始点云数据与l张初始图像，k与l均为正整数；
11.第一确定模块，用于分别基于每一初始图像，从k个初始点云数据中确定出第一点云，第一点云为归属于目标轨道中的路轨的点云；
12.检测模块，用于以第一点云为基准点云，基于k个初始点云数据，检测目标轨道中的目标障碍物，其中，目标障碍物在k个初始点云数据中关联有第二点云，第二点云与第一点云之间满足预设位置关系。
13.第三方面，本技术实施例提供了一种电子设备，设备包括：处理器以及存储有计算机程序指令的存储器；
14.处理器执行计算机程序指令时实现上述的障碍物检测方法。
15.第四方面，本技术实施例提供了一种计算机存储介质，计算机存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现上述的障碍物检测方法。
16.本技术实施例提供的障碍物检测方法，获取对目标轨道采集得到的k个初始点云数据与l张初始图像，分别基于每一初始图像，从k个初始点云数据中确定出归属于目标轨道的路轨的第一点云，进而可以检测出关联的第二点云与第一点云之间满足预设位置关系的目标障碍物。本技术实施例中，结合初始图像与初始点云数据，可以比较准确地获取到归属于目标轨道的路轨的第一点云，同时，路轨通常可以作为比较稳定的参照物，基于归属于路轨的第一点云检测目标轨道中的目标障碍物，可以有效提高障碍物检测精度。
附图说明
17.为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例中所需要使用的附图作简单的介绍，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
18.图1是本技术实施例提供的障碍物检测方法的流程示意图；
19.图2是本技术实施例中针对初始路轨像素点进行像素区间划分的示例图；
20.图3是本技术实施例中目标轨道在弯道出存在物体遮挡路轨的示例图；
21.图4是本技术实施例中将第三点云投影至目标平面中得到的第一投影点集的示例图；
22.图5是本技术实施例提供的障碍物检测方法在一个应用例中的流程示意图；
23.图6是本技术实施例提供的车辆的结构示意图；
24.图7是本技术实施例提供的电子设备的结构示意图。
具体实施方式
25.下面将详细描述本技术的各个方面的特征和示例性实施例，为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本技术进行进一步详细描述。应理解，此处所描述的具体实施例仅意在解释本技术，而不是限定本技术。对于本领域技术人员来说，本技术可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本技术的示例来提供对本技术更好的理解。
26.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括
……”
限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
27.为了解决现有技术问题，本技术实施例提供了一种障碍物检测方法、装置、设备及计算机存储介质。下面首先对本技术实施例所提供的障碍物检测方法进行介绍。
28.图1示出了本技术一个实施例提供的障碍物检测方法的流程示意图。
29.如图1所示，该方法包括：
30.步骤101，获取对目标轨道采集得到的k个初始点云数据与l张初始图像，k与l均为正整数；
31.步骤102，分别基于每一初始图像，从k个初始点云数据中确定出第一点云，第一点云为归属于目标轨道中的路轨的点云；
32.步骤103，以第一点云为基准点云，基于k个初始点云数据，检测目标轨道中的目标障碍物，其中，目标障碍物在k个初始点云数据中关联有第二点云，第二点云与第一点云之间满足预设位置关系。
33.本实施例提供的障碍物检测方法可以应用在常规意义上轨道交通车辆中，例如，火车、地铁、轻轨或者有轨电车等；当然，该方法也可以应用到其他类型的有轨车辆中，例如，具有矿车，或者厂区的有轨运输车等等。为了简化说明，以上可应用障碍物检测方法的车辆，均可以称为轨道交通车辆。
34.容易理解的是，上述车辆的运行环境中，通常会存在轨道；通过传感器的设置，可以采集到包括轨道相关的信息。比如，通过设置相机，可以采集到包括有轨道图像的初始图像；再比如，通过设置激光雷达，可以采集到包括轨道点云的初始点云数据。
35.一般情况下，这些传感器可以是安装在车辆本体上的，至少可以采集车辆行进方向上的环境信息。也就是说，上述的传感器，可以采集到车辆所处轨道的相关信息；上述的目标轨道可以是指车辆当前所处轨道。
36.当然，在实际应用中，目标轨道也可以是与车辆当前所处轨道临近或者交叉的轨道等，以便考虑车辆可能存在的变道的情况。为了简化描述，以下主要以目标轨道为车辆当前所处轨道为例，对本技术实施例提供的障碍物检测方法进行说明。
37.一般来说，在目标轨道会存在路轨、枕木以及碎石等物体，其中，路轨通常为钢轨(或者说铁轨)等，其形态，例如宽度、表面平整度等会比较固定。
38.安装在车辆上的各类传感器的数量组成，可以是根据实际需要进行设定的。例如，车辆上可以安装有一个相机，而出于冗余布置，或者是出于清楚采集不同距离段的轨道图像的考虑，也可以在车辆上安装多个相机。类似地，对于激光雷达来说，具体的安装数量也可以是一个或者多个。
39.至于步骤101中采集k个初始点云数据与l张初始图像的过程，可以结合一个应用场景的举例进行说明：车辆在行驶过程中，安装在车辆上的各相机可以对车辆前方的目标轨道进行拍摄，得到至少一张初始图像；安装在车辆上的各激光雷达可以对车辆前方的目标轨道进行扫描，得到至少一个初始点云数据。以上相机对目标轨道进行拍摄的过程，以及激光雷达进行扫描的过程，均可以认为是对目标轨道的采集过程。
40.一般情况下，在初始图像中，除了包括目标轨道的图像外，还可能具有其他物体的图像，例如电线杆或者周边的植被等；同理，在初始点云数据中，除了具有目标轨道的点云外，还可能具有其他物体的点云。
41.本实施例中，可以结合初始图像与上述的初始点云，来将归属于目标轨道的路轨的点云从其他物体的点云中区分出来。
42.具体来说，在步骤102中，可以基于图像与点云融合的处理方式，来从确定出归属于目标轨道的路轨的第一点云。以下主要以基于某一张初始图像来从k个初始点云数据确定出第一点云的过程为例，对图像与点云的融合处理进行说明。
43.举例来说，基于深度学习模型，可以识别出初始图像中的目标轨道的路轨进行识别，基于像素分割可以得到路轨在初始图像中的像素点，而各个像素点在图像坐标系中的
坐标位置也可以进行获取。
44.对于车辆上的各个传感器，相对位置关系以及安装的角度等信息可以是已知的，因此，各个传感器关联的坐标系之间的转换关系可以是预先确定的。比如说，对于某一激光雷达采集的初始点云数据，可以包括多个点云以及各个点云在雷达坐标系中的坐标，该激光雷达与某一相机在车辆上的相对位置可以是固定的(即可以通过车身坐标系关联)，而相机的相机坐标系与图像坐标系一般也是已知的。因此，初始点云数据中的点云，可以通过雷达坐标系—车身坐标系—相机坐标系—图像坐标系的对应关系，映射至图像坐标系中。
45.因此，上述k个初始点云数据可以映射至图像坐标系中，而落入到路轨的像素点的位置范围的点云，在一定程度上可以认为是归属于上述路轨的第一点云。
46.而在一些可选的实施方式中，也可以进一步对落入到路轨的像素点的位置范围的点云进行过滤等，来进一步得到归属于路轨的第一点云。
47.当然，在实际应用中，路轨在图像坐标系中位置，可以是通过拟合方程的形式进行体现，在k个初始点云数据映射至图像坐标系中后，可以根据与拟合方程之间的距离关系，来确定出归属于路轨的第一点云。
48.此外，在另一个举例中，路轨在初始图像中的位置，也可以是通过其他方式进行获取的，例如拉东变换等，此处不做一一举例。
49.一般情况下，路轨的位置、走势或者形状等均比较固定，因此在归属于路轨的第一点云得到确定的情况下，可以以第一点云为基准点云，比较准确地检测目标轨道中的目标障碍物。
50.值得强调的是，这里的提到的目标轨道中，可以是指轨道交通常见场景下的两条路轨之间的区域，也可以是路轨的某一宽度范围内的区域等等，此处不作具体限定。总的来说，目标轨道中的目标障碍物，可以认为是位于轨道交通车辆行驶区域中，可能对车辆行驶带来影响的障碍物。
51.容易理解的是，目标障碍物可以被激光雷达探测到，并反映到上述的k个初始点云数据，从另一个角度来说，目标障碍物在k个初始点云数据中会存在关联的点云，即上述的第二点云，而这些第二点云通常会与第一点云之间满足预设位置关系。
52.比如，结合实际的场景，当某一障碍物位于两条路轨之间，且明显高于路轨时，则可以认为是可能对车辆行驶带来影响的障碍物。而障碍物位于两条路轨之间，且高于路轨这些判定条件，通常可以反映到第一点云与第二点云之间的预设位置关系中。
53.当然，以上仅仅是检测目标障碍物所需设定的预设位置条件的一种举例说明，实际应用中，预设位置条件可以根据需要进行确定。比如，在单轨的轨道交通应用场景中，目标障碍物可以是位于单路轨两侧的预设距离范围内的等等。
54.结合以上说明，上述步骤103中，可以根据确定的第一点云，以及预设位置关系，从k个初始点云数据中确定出目标障碍物关联的第二点云。
55.本技术实施例提供的障碍物检测方法，获取对目标轨道采集得到的k个初始点云数据与l张初始图像，分别基于每一初始图像，从k个初始点云数据中确定出归属于目标轨道的路轨的第一点云，进而可以检测出关联的第二点云与第一点云之间满足预设位置关系的目标障碍物。本技术实施例中，结合初始图像与初始点云数据，可以比较准确地获取到归属于目标轨道的路轨的第一点云，同时，路轨通常可以作为比较稳定的参照物，基于归属于
路轨的第一点云检测目标轨道中的目标障碍物，可以有效提高障碍物检测精度。
56.在一个示例中，上述的k个初始点云数据，可以是通过多个激光雷达采集得到的多个初始点云数据；也就是说，这里的k可以具体是大于1的整数。
57.结合一个具体应用场景，在一些行驶速度较快的轨道交通车辆中(例如火车、地铁等)，单个激光雷达获得的目标轨道的点云可能比较稀疏。在这种情况下，获取多个初始点云数据，可以有效提高目标轨道的点云密集程度，增加归属于路轨的第一点云中点的数量，进而也有助于提升对目标障碍物的检测效果。
58.此外，通过设置多个激光雷达，也有助于对单个激光雷达的盲区进行补充探测。比如，可以将一个激光雷达作为主雷达，而将其余的激光雷达作为补盲雷达等等。
59.当然，容易理解的是，本示例仅仅是对k个初始点云数据的获取方式的一种举例说明。在实际应用中，这k个初始点云数据，也可以是单个激光雷达采集的单个初始点云数据；或者，还可以是从多个激光雷达采集的多个候选点云数据中，依据预设的质量评价指标(例如点云密度等)筛选得到的一个或多个点云数据等等。
60.在一个示例中，上述的l张初始图像，也可以是通过多个相机采集得到的多张初始图像；也就是说，这里的l可以具体是大于1的整数。
61.举例来说，在初始图像中，目标轨道的实际延伸长度可能较长，在相机的焦距固定的情况下，单个相机采集的初始图像中，不同距离处的目标轨道的图像的质量可能存在较大差异。
62.本示例中，这多个相机中，可以是至少两个相机之间的焦距存在不同。比如，车辆上可能存在相机a与相机b；相机a焦距较短，可以比较清晰地获取到1～100m距离处的目标轨道的初始图像a；相机b焦距较长，可以比较清晰地获取到100～500m距离处的目标轨道的初始图像b。
63.如此，基于初始图像a与k个初始点云数据，可以比较精确地检测到1～100m距离处的目标障碍物；而基于初始图像b与k个初始点云数据，则可以比较精确地检测到100～500m距离处的目标障碍物；进而提高对目标障碍物的检测效果。
64.此外，与多个激光雷达的设置类似地，设置多个相机，也可以分别用于主相机与补盲相机，以便对单个相机的盲区进行拍摄。
65.当然，在实际应用中，l张初始图像也可以是单个相机采集的单张初始图像；或者，也可以是从多个焦距相同的相机获取的多张候选图像中确定的质量最高的一张初始图像等等，此处不做一一举例说明。
66.可选地，上述步骤102，分别基于每一初始图像，从k个初始点云数据中确定出第一点云，包括：
67.拟合第一初始图像中的路轨在图像坐标系中的路轨拟合方程，第一初始图像为l张初始图像中的任一张初始图像；
68.将k个初始点云数据映射至图像坐标系中，依据路轨拟合方程对k个初始点云数据进行筛选，得到第一点云。
69.本实施例，对于l张初始图像，可以分别结合k个初始点云数据进行目标障碍物的检测；因此，以下可以主要以某一张初始图像为基础，来描述目标障碍物的检测过程；而该某一张初始图像，可以定义为第一初始图像。
70.如上文所示的，可以通过深度学习算法等方式，可以对第一初始图像中的路轨进行识别，得到路轨在初始图像中的像素点，或者是路轨在图像坐标系中的拟合方程。
71.本实施例中，通过对路轨的识别，可以得到的是路轨在图像坐标系中的路轨拟合方程。该路轨拟合方程可以是直线方程，也可以是二次、三次或者更高次的曲线方程，此处不作具体限定。
72.如上文所示的，对于车辆上的各个传感器，相对位置关系以及安装的角度等信息可以是已知的，因此，各个传感器关联的坐标系之间的转换关系可以是预先确定的。
73.换而言之，各个传感器的内参与外参等都可以是预先标定好的。基于内外参的标定，各个数据(例如点云数据、图像等)可以在不同的坐标系之间进行转换，具体的转换过程，例如在各个坐标系中的映射过程也是可以实现的。因此，下文的一些实施例中，为了简化说明，可以省略坐标系转换的具体实现过程。
74.通常来说，初始点云数据为三维点云，映射至图像坐标系中后，得到对应的二维点集；而这些二维点集中，落在路轨拟合方程上的点，或者距离路轨拟合方程小于某一距离阈值的点，往往可以考虑为属于路轨的第一点云映射到图像坐标系中后得到的点。由于三维点云与二维点集之间存在映射关系，针对在图像坐标系确定的属于路轨的点，可以根据该映射关系查找到三维点云中属于路轨的点。
75.换而言之，基于以上的映射处理，结合路轨拟合方程，可以对k个初始点云数据进行筛选，从而得到属于路轨的点云，也就是上述的第一点云。
76.本实施例中，通过路轨拟合方程来对第一初始图像中的路轨进行表征，有助于通过k个初始点云数据在图像坐标系中的映射点到路轨拟合方程之间的距离，实现对k个初始点云数据的筛选，提高对归属于路轨的第一点云的筛选准确度。
77.在一个示例中，上述将k个初始点云数据映射至图像坐标系中，依据路轨拟合方程对k个初始点云数据进行筛选，得到第一点云，包括：
78.将k个初始点云数据映射至图像坐标系中，得到映射点集；
79.从映射点集中确定与路轨拟合方程之间距离小于第二距离阈值的目标映射点；
80.依据目标映射点，从k个初始点云数据中确定出第一点云。
81.本实施例中，考虑路轨一般具有一定的宽度，可以通过确定第二距离阈值，将初始点云数据中投影位于路轨拟合方程附近的点云，确定为归属于路轨第一点云，有助于提高得到的第一点云的合理性。
82.具体来说，可以按照初始点云数据关联的坐标系与图像坐标系之间的转换关系，将初始点云数据映射至图像坐标系中，得到映射点集。
83.映射点集中的各个映射点在图像坐标系中具有相应的坐标，根据这些坐标与路轨拟合方程，可以确定各映射点到路轨拟合方程的距离，当某一映射点到路轨拟合方程的距离小于第二距离阈值时，可以认为该映射点为上述第一点云映射至图像坐标系中得到的。
84.可选地，拟合第一初始图像中的路轨在图像坐标系中的路轨拟合方程，包括：
85.基于预先训练得到的深度学习模型对第一初始图像进行像素分割，得到归属于第一初始图像中的路轨的初始路轨像素点；
86.在图像坐标系中，拟合初始路轨像素点，得到路轨拟合方程。
87.本实施例中，可以是使用深度学习模型对第一初始图像进行识别的。该深度学习
模型可以是预先基于训练样本进行训练得到的。
88.举例来说，训练样本可以是标注有路轨的样本图像，这些样本图像可以是通过设置轨道交通车辆上的相机拍摄得到的；相应地，标注的路轨，可以是这些轨道交通车辆当前所处的轨道中的路轨。基于这样的样本图像训练得到的深度学习模型，可以对初始图像中的车辆当前所处的轨道(即目标轨道)的路轨进行识别，而排除其他并行的轨道的路轨；进而在后续的障碍物的检测过程中，可以聚焦对目标轨道中的目标障碍物进行检测，提高目标障碍物检测效率。
89.本实施例中，基于深度学习模型，可以从第一初始图像中得到路轨关联的像素点。比如，结合一个具体应用场景，深度学习模型可以对路轨对应的像素进行分割得到二值图像；在二值图像中，可以包括与路轨对应的前景数据；对这些前景数据进行聚类或者连通区域查找，可以得到若干个区域；而这里每一个区域，可以分别对应了一条路轨。
90.对于归属于路轨的像素点来说，可以是第一初始图像中部分的像素点，也可以是上述二值图像中的部分的像素点，此处不做限定。但总的来说，路轨关联有相应的像素点，这些像素点在图像坐标系中具有相应的坐标。
91.基于此，在图像坐标系中，可以对归属于路轨的像素点进行拟合，得到路轨拟合方程。
92.可选地，在目标轨道中的路轨的数量为n，n为大于1的整数的情况下，在图像坐标系中，拟合初始路轨像素点，得到路轨拟合方程，包括：
93.在图像坐标系中，从初始路轨像素点中筛选位于预设图像高度区间中的候选路轨像素点；
94.沿预设方向将归属于每一路轨的候选路轨像素点分别划分至m个像素区间，m为大于1的整数；
95.获取每一像素区间的像素中心点，分别拟合每一路轨对应的m个像素中心点，得到与n条路轨对应的n条第一拟合直线；
96.根据n条第一拟合直线，确定透视变换矩阵，依据透视变换矩阵将n条第一拟合直线以及候选路轨像素点映射至鸟瞰图中，分别得到n条第二拟合直线以及候选映射像素点；
97.滤除候选映射像素点中的第一映射像素点，得到第二映射像素点，第一映射像素点为候选映射像素点中，与任一第二拟合直线之间的距离均大于第一距离阈值的像素点；
98.分别拟合归属于每一路轨的目标路轨像素点，得到与n条路轨对应的n条路轨拟合方程；其中，目标路轨像素点为与第二映射像素点对应的候选路轨像素点。
99.容易理解的是，在轨道交通车辆中，可以分为单轨车辆与双轨车辆；而在实际的轨道运行环境中，也可能存在轨道并道，或者轨道分叉的情况。也就是说，在轨道运行环境中，可能存在车辆当前行驶的路线上，包括多条目标轨道的情况。
100.本实施例中，对于双轨车辆，可以基于鸟瞰图的应用，更加准确地对路轨拟合方程进行获取。为了简化描述，以下主要以目标轨道包括第一路轨与第二路轨为例进行说明。
101.第一路轨与第二路轨均可以为车辆当前行驶路上的目标轨道的路轨；一般的双轨运行环境下，第一路轨与第二路轨构成了双轨；而在上述的轨道并道、轨道分叉或者特殊的三轨等环境下，第一路轨与第二路轨可以是最外侧的两条路轨。
102.一般来说，随着路轨的长度的增加，路轨出现弯曲，或者图像质量变差的可能性越
大，因此，本实施例中，可以先在初始路轨像素点中筛选位于预设图像高度区间中的候选路轨像素点；例如，候选路轨像素点可以是初始图像底部一定高度的像素点，保证在下一步骤中能够比较高质量地完成直线拟合。
103.参见图2，图2示出了针对初始路轨像素点进行像素区间划分的示例图，在该图中，可以沿图像高度方向(对应了上述的预设方向)，将归属于各路轨的候选路轨像素点分别划分至m个像素区间中。一般来说，在每个像素区间中可以存在多个像素点，以及各个像素点在图像坐标系中的坐标；因此，在一个像素区间中，基于位于其中的像素点的坐标值，可以确定出该像素区间的像素中心点。
104.如此，可以针对上述的第一路轨与第二路轨分别确定出对应的m个像素中心点；对第一路轨对应的m个像素中心点进行直线拟合，可以得到对应的第一拟合直线，记为l1；类似地，对第二路轨对应的m个像素中心点进行直线拟合，可以得到对应的第一拟合直线，记为l2。
105.在图像坐标系中，目标轨道通常是在透视图中进行呈现的，也就是说，虽然第一路轨与第二路轨在实际场景中是平行的，但l1与l2之间则可能是非平行的；参见图2，两条第一拟合直线在图像高度方向上逐渐靠拢。
106.本实施例中，可以将l1与l2映射至鸟瞰图中，两条第一拟合直线分别映射至鸟瞰图中后，可以得到两条第二拟合直线，而这两条第二拟合直线之间可以相互平行。
107.结合图2，以下对将l1与l2映射至鸟瞰图的方式进行举例说明。可以从l1上选取两个点，记为a和d，这两点可以是直接基于l1的方程确定的两点，也可以是用于拟合的两个像素中心点，此处不做具体限定。类似地，可以从l2上选取两个点，记为b和c。
108.一般情况下，可以按照预设的平移规则，对a和b两点进行平移，直至ad连线与bc连线平行。基于a和b的平移结果，可以得到一变换矩阵，也就是上述的透视变换矩阵。根据透视变换矩阵，则可以进一步将l1与l2分别映射至鸟瞰图中，得到的两条第二拟合直线分别记为l3与l4。
109.容易理解的是，受到相机焦距的影响，或者是受到行驶环境条件的影响(例如雨天、雾天)，得到的路轨像素点中可能会出现噪声。一般来说，距离相机越远的轨道，对对应的像素点的分割结果越不稳定，产生噪声的可能也越大。
110.为了过滤上述的噪声，本实施例中，可以同样将候选路轨像素点映射至鸟瞰图中，设将这些映射后的像素点定义为候选映射像素点，对于某一个候选映射像素点，如果与l3之间的距离，以及与l4之间的距离，均大于第一距离阈值时，可以确定该候选映射像素点在第一初始图像(或者上述的二值图像)中对应的像素点为噪声，可以进行滤除。
111.因此，对于映射至鸟瞰图中得到的候选映射像素点中，与各第二拟合直线之间的距离均大于第一距离阈值的像素点，也就是上述的第一映射像素点，可以从候选映射像素点中进行滤除；而保留剩余的第二映射像素点。
112.第二映射像素点可以是候选路轨像素点中的部分像素点映射至鸟瞰图中得到的，因此，第二映射像素点在候选路轨像素点中，具有对应的像素点，即上述的目标路轨像素点。
113.此时，可以对归属于各路轨的目标路轨像素点进行拟合，得到的路轨拟合方程与路轨的实际状态(例如位置、走势等)更加匹配，进而也有助于提升后续目标障碍物检测的
准确性。
114.容易理解是，路轨拟合方程的数量，与路轨的数量可以是匹配的，各路轨与用于拟合路轨拟合方程的像素点之间的对应关系，可以是在路轨识别与像素分割的过程进行确定的，也可以是根据各像素点与第一拟合直线或者第二拟合直线之间的距离进行确定的。总的来说，根据上述的目标路轨像素点，可以对第一路轨与第二路轨分别拟合出对应的路轨拟合方程。
115.可选地，在上述k个初始点云数据为多个初始点云数据，且来自k个激光雷达的情况下(即k为大于1的整数的情况下)，上述将k个初始点云数据映射至图像坐标系中，包括：
116.获取每一激光雷达的雷达坐标系与预设基准坐标系之间的第一坐标系转换关系、以及预设基准坐标系与任一初始图像的图像坐标系之间的第二坐标系转换关系；
117.分别将每一激光雷达采集的初始点云数据按对应的第一坐标系转换关系映射至预设基准坐标系中，得到混合点云数据；
118.将混合点云数据按第二坐标系转换关系映射至图像坐标系中。
119.换而言之，本实施例中，k值可以是大于1的整数。此时每一个激光雷达在自身的雷达坐标系下，均采集有对应的初始点云数据。将这些初始点云数据进行混合，可以有效提升可用于确定路轨与目标障碍物的点云的数量，使得这些物体的特征更加显著，提升检测效果。
120.而为了实现对k个初始点云数据的混合，本实施例中，可以确定一预设基准坐标系，该基准坐标系可以是其中的某一个激光雷达的雷达坐标系，也可以是车身坐标系，此处不做具体限定。
121.如上文所示的，各类坐标系是可以预先标定的，不同坐标系之间的转换关系也可以是预先确定好的，因此，可以直接对每一激光雷达的雷达坐标系与预设基准坐标系之间的第一坐标系转换关系、以及预设基准坐标系与任一初始图像的图像坐标系之间的第二坐标系转换关系进行获取。
122.本实施例中，可以根据第一坐标系转换关系，将各个激光雷达采集的初始点云数据，均转换至预设基准坐标系中，得到混合点云数据。该混合点云数据一般包括三维点云，保留了点云数据中的三维信息，后续可以使用该混合点云数据进行目标障碍物的检测。
123.在得到混合点云数据后，则可以进一步将其按照上述的第二坐标系转换关系映射至图像坐标系中。
124.上文实施例中提到，可以依据初始点云数据在图像坐标系中的映射点集与路轨拟合方程之间的距离关系，来筛选归属于路轨的第一点云。然而，在图3所示的场景中，位于目标轨道右侧的矩形物体(记为t)，可能是弯曲轨道一侧正常的电线杆等物体，然后在图像坐标系中，该矩形物体对应的部分点云也会映射到路轨拟合方程对应的线条(对应目标轨道的路轨)上。
125.换而言之，在一些应用场景中，初始点云数据映射至图像坐标系中后，单纯根据路轨拟合方程筛选得到的第一点云中，可能会包括了实际不属于路轨的物体的点云。
126.基于此，在一个可选实施例中，上述依据目标映射点，从k个初始点云数据中确定出第一点云，包括：
127.从k个初始点云数据中确定与目标映射点对应的第三点云；
128.将第三点云投影至车身坐标系的目标平面中，得到第一投影点集，其中，目标平面为依据车辆行驶方向与车辆高度方向确定的平面；
129.滤除第一投影点集中的离群点，得到第二投影点集；
130.根据第二投影点集，从k个初始点云数据中确定出第一点云。
131.上述第三点云在一定程度上可以认为是初始点云数据中，单纯基于路轨拟合方程筛选得到的归属于路轨的点云。
132.本实施例中，可以进一步将第三点云投影至车身坐标系的目标平面中。如上文所示的，初始点云数据可以是在对应的雷达坐标系中的，而在一些应用场景下，这些初始点云数据也可以是预先转换到例如车身坐标系的预设基准坐标系中。
133.但是总的来说，基于预先标定的坐标系，第三点云无论处于哪一坐标系中，均可以转换至车身坐标系中，并可进一步投影到车身坐标系的目标平面中。
134.如图4所示，图4示出了将第三点云投影至目标平面中得到的第一投影点集的示例图。在该示例图中个，目标平面可以记为xoz平面，其中x轴与车辆行驶方向一致，z轴与车辆高度方向一致。
135.图4中，下方较为密集的点云部分(记为第一点云部分r1)，可以对应路轨实际的点云；在第一点云部分r1中，沿x轴方向存在一段空隙，对应了路轨被图3中的矩形物体t遮挡的部分。而在上方较为稀疏的点云部分(记为第二点云部分r2)，则可能是图3中矩形物体t所关联的点云。
136.从图4中可见，对于第二点云部分r2中的各个点云点，相对于第一点云部分r1，可以认为是离群点，因此可以对这部分离群点进行滤除，得到剩余的点云，即上述的第二投影点集。而第二投影点集一般可以认为是路轨实际关联的点云投影至目标平面上得到的，根据第二投影点集，可以较为准确地在初始点云数据中确定实际归属于路轨的第一点云。
137.至于离群点的滤除方式，可以采用最小二乘法、ransac算法或者统计滤波等方式进行，此处不做具体限定。
138.可见，本实施例可以有效解决轨道弯道处障碍物误检的问题，提高确定得到的第一点云的准确性。
139.可选地，上述步骤103，以第一点云为基准点云，基于k个初始点云数据，检测目标轨道中的目标障碍物，包括：
140.在车身坐标系中，从第一点云中确定与每一第一点云点关联的第二点云点；其中，第一点云点为k个初始点云数据中，除第一点云以外的点云点，第二点云点为第一点云中在x轴上距离第一点云点最近的点云点，x轴平行于车辆行驶方向；
141.将在y轴上与关联的第二点云点之间的距离满足预设距离条件的第一点云点确定为候选点云点，y轴平行于车辆宽度方向；
142.对候选点云点进行聚类，得到至少一个候选障碍物关联的第四点云；
143.根据第四点云中的各点云点与其关联的第二点云点之间的高度差，从至少一个候选障碍物中确定目标障碍物。
144.本实施例中，在确定了第一点云的基础上，可以以第一点云为基准对目标障碍物进行检测。
145.结合一个应用场景，初始点云数据中可以具有多个点云，更为细化地，可以具体到
点云中的每个点；也就是说，初始点云数据可以包括多个点云点；其中，初始点云数据中，除第一点云以外的点云点的聚合可以记为p
e
，其中的任一点云点可以记为p
i
(对应第一点云点)。
146.路轨的数量可以为两条，每一路轨均对应有第一点云，两条路轨对应的第一点云中所有点云点的集合分别记为p
l
与p
r
。
147.此处可以引用上一实施例中所建立的车身坐标系，即x轴与车辆行驶方向一致，z轴与车辆高度方向一致，同时y轴与车辆宽度方向一致。初始点云数据中的每一点云点，在车身坐标系中可以具有相应的坐标。
148.对于p
i
，可以从p
l
与p
r
中分别查找与p
i
的x坐标最近的点云点，分别记为p
l
与p
r
(均可以对应第二点云点)。然后比较p
i
与p
l
、p
r
的y坐标，如果在y轴上，p
i
位于p
l
与p
r
之间，或者是p
i
与p
l
之间距离小于一阈值，或者p
i
与p
r
之间距离小于一阈值，则可以将p
i
确定为候选点云点。这里，判断p
i
是否为候选点云点的条件，可以根据实际需要进行设定，具体可以通过上述的预设距离条件进行体现。
149.基于预设距离条件筛选候选点云点的目的，可以是将位于两条路轨之间的点云点均筛选出来(或者根据实际需要也可以进一步筛选路轨外侧一定范围内的点云点筛选出来)。
150.对于这些候选点云点，可以进行聚类处理，得到至少一个候选障碍物关联的第四点云。具体的聚类算法可以根据实际需要进行选用，此处不做具体限定。这里，候选障碍物与第四点云的关联关系，可以理解为各个候选障碍物均具有归属于其的第四点云。
151.在以上步骤中，对于确定为候选点云点的p
i
，同时可以通过对应的p
l
与p
r
在z轴上的坐标，确定一基准高度，比如，可以求取p
l
与p
r
的z轴坐标的平均值(或者根据需要也可以采用加权平均值，或者两者中的较大者或较小值等等)，得到一基准高度z
c
，而该p
i
本身也具有z轴坐标z
i
。z
c
与z
i
可以具有对应关系。
152.结合一个举例，一般高于路轨的障碍物会对车辆的运动带来影响，因此，在得到候选障碍物后，可以将其中的各个点云点的z轴坐标z
i
与对应的基准高度z
c
进行比较，当z
i
>z
c
时，可以认为是有效的点云点(即该点云点可能是目标障碍物对应的点云点)。当然，也可以进一步获取候选障碍物对应的全部点云点(对应第四点云)中，满足z
i
>z
c
的点云点的数量，在该数量大于一阈值的情况下，将候选障碍物确定为目标障碍物。
153.也就是说，可以根据第四点云中的各点云点与其关联的第二点云点之间的高度差，从至少一个候选障碍物中确定目标障碍物。
154.当然，以上仅仅是对双轨应用场景下检测目标障碍物的过程进行了举例说明，对于单轨应用环境来说，确定也可以在x轴上确定与p
i
关联的第二点云点，并进一步根据y轴和z轴的坐标关系，来检测目标障碍物，此处不再赘述。
155.本实施例中，可以与路轨关联的第一点云为基准，从初始点云数据中确定候选点云点，对其进行聚类得到候选障碍物后，再进一步利用归属于候选障碍物的各点云点与其关联的第二点云点之间的高度关系，来从候选障碍物中确定出目标障碍物。以路轨为基准来确定目标障碍物，能够有效提高障碍物的检测准确度。
156.在一个示例中，在目标障碍物关联的第四点云中，目标点云点的数量大于数量阈值，且各目标点云点与其关联的第二点云点之间的高度差的最大值大于第二差值阈值，其
中，目标点云为与其关联的第二点云点之间的高度差大于第一差值阈值的点云点。
157.本示例限定了初始点云数据中，确定的目标障碍物的第四点云所需满足的条件，一方面，从满足第一差值阈值的点云(对应目标点云)的数量角度限定了目标障碍物的第四点云需满足的条件，可以有效避免因噪声等带来的目标障碍物的误检；另一方面，从高度差的最大值的角度，对目标障碍物应具有的高度进行限定，避免将不会影响车辆正常行驶的低矮障碍物确定为目标障碍物。可见，本示例可以有效提高确定出了目标障碍物的合理性。
158.可选地，上述根据第四点云中的各点云点与其关联的第二点云点之间的高度差，从至少一个候选障碍物中确定目标障碍物之后，方法还包括：
159.在车身坐标系的x轴上，将车辆与目标障碍物关联的第四点云中各点云点之间的最近距离，确定为车辆与目标障碍物之间的距离；
160.在目标距离小于第三距离阈值时，输出报警信号。
161.本实施例中，在x轴上，将车辆与目标障碍物关联的第四点云中各第一点云点之间的最近距离，确定为目标距离，在目标距离小于第三距离阈值时，输出报警信号，可以及时对检测出的目标障碍物进行报警，提高行车的安全性。
162.在一个示例中，车身坐标系的原点在车辆的最前侧，且x轴的正半轴位于车辆的前方，则可以将第四点云中的各点云点的最小x坐标，作为车辆与目标障碍物之间的距离。
163.此外，一些场景下，检测出的目标障碍物的数量可以存在多个，可以根据上述方式，确定车辆到每一目标障碍物之间的距离。
164.以下结合一个具体应用例，对本技术实施例提供的障碍物检测方法进行说明。结合图5，在该应用例中，障碍物检测方法包括：
165.步骤501，各传感器内外参标定；
166.本应用例中可以采用l个相机(l≥1)及k个激光雷达(k≥1)。
167.在一些可行的实施方式中，采用不同焦距的相机及不同视场角(field of view，fov)的激光雷达，可以有效提高障碍物检测的范围。
168.对于相机，可以标定其内参和畸变参数。另外，可以选定一个激光雷达作为基准o
b
，通过激光雷达与相机的标定算法获得每个相机到基准激光雷达坐标系的转换关系通过激光雷达与激光雷达的标定算法获得其他激光雷达与基准激光雷达坐标系的转换关系此外，通过测量获得基准激光雷达坐标系o
b
与车身坐标系o
c
的转换关系
169.其中，车身坐标系o
c
的位置与定义方式可以根据实际需要进行确定。
170.由于在检测障碍物后，比较关心的是障碍物在列车前进方向上的位置；因此，为了简化标定过程，对于可以简单的只测量o
b
与o
c
在列车前进方向的距离。
171.当然，为了更加准确地实现对障碍物的检测，基准激光雷达坐标系o
b
与车身坐标系o
c
的转换关系也可以有更严格更精确的确定方式，比如通过激光水平仪等装置获得o
b
与o
c
的俯仰、翻滚、偏航角。
172.步骤502，二维铁轨检测；
173.本步骤可以使用一个或多个相机拍摄列车行驶方向的场景，分别针对相机拍摄得到的每一图像，利用计算机视觉算法实现二维空间的轨道路轨检测。
174.总的来说，本步骤中，可以首先通过深度学习算法实现列车行驶铁轨(对应上述的目标轨道中的路轨)的像素分割得到二值图像b，然后根据二值图像b的前景数据(即属于铁轨的像素点)做过滤，拟合得到描述铁轨的n条曲线方程。
175.具体来说，本步骤的实现过程可以主要包括以下步骤：
176.1)取像素分割结果中靠近图像底部一定高度的前景数据(比如从图像底部往上取图像1/3高度内的前景数据)，对其做聚类或者连通区域查找得到n个区域(对应n条铁轨)；
177.2)对每个区域内的像素，沿图像高的方向将其均匀分成m个区间，每个区间计算得到其中心点，根据这些中心点拟合一条直线；而上述n个区域，可以对应n条直线；
178.3)基于拟合得到的图像最左边和最右边的两条直线，取如图2所示的a、b、c、d点，计算其映射到鸟瞰视角的透视变换矩阵h；根据h对整个二值图像b做变换得到鸟瞰图的铁轨分割结果b
′
；
179.4)在鸟瞰视角下，上面步骤2)拟合得到的n条直线互相平行。在鸟瞰图的铁轨分割结果b
′
上延伸这些平行的直线，根据分割得到的前景像素与直线的距离做过滤：如果某个点与所有直线的最近距离都大于预定阈值，则认为其是噪声，从前景数据中删除掉。
180.一般来说，距离相机越远的铁轨分割结果越不稳定，通过以上在鸟瞰图中的处理过程，可以将噪声进行有效过滤。
181.5)根据过滤得到的属于各铁轨的前景像素点，分别拟合得到对应的二维铁轨曲线方程(对应路轨拟合方程)。同时标记最左边和最右边的铁轨供下面步骤使用。
182.步骤503，三维铁轨点云筛选；
183.限于激光雷达的感知特性，在快速运动的列车上获得的铁轨点云比较稀疏，很难做直接的有效分析。
184.本步骤的目的是通过二维铁轨方程找到铁轨上的3d激光雷达点云。首先将每个激光雷达获得的点云，根据步骤501中确定的转换关系将其转换到o
b
坐标系下，累积获得点云p
3d
(对应混合点云数据)；然后根据将点云p
3d
映射到相机图像坐标系中得到p
2d
(对应映射点集)。
185.此时铁轨上的点云将被投影在步骤502的二维图像上，依次计算p
2d
中每个点与最左和最右边二维铁轨曲线方程的距离，如果与其中某条曲线距离小于预设阈值，则认为其对应的三维点云可能属于该曲线对应的铁轨，记这些点云为p
′
3d
(对应第三点云)。
186.如图3所示的矩形目标t的激光点云也会有一部分投影到二维铁轨上，即其对应的三维点云也被包含在p
′
3d
中。沿车身坐标系的x方向统计p
′
3d
的z坐标，属于铁轨的z坐标值应该是连续变化的，而图3中矩形目标的遮挡部分点云的z值会产生一个跳变，根据最小二乘等方法即可实现离群点的过滤，记过滤后的点云为(对应第一点云)。
187.图4以点云x值为横坐标，高度z值为纵坐标，统计铁轨上的点云
188.图中r2中的点为轨道旁障碍物点云，r1中的点为铁轨点云。过滤时可以首先根据点云的x坐标做分段，属于每一段的铁轨点云在图4中的走势可以近似为直线。于是可以以直线方程为模型，根据该段数据利用最小二乘法做拟合，最后通过计算每个点与拟合得到的直线的距离来过滤掉r2中的点。
189.步骤504，障碍物检测及过滤；
190.本步骤中，可以对步骤503中得到的点云p
3d
，根据轨道面点云做过滤，得到轨道内的点云(对应候选点云点的聚合)。过滤方法为：对p
3d
内每个点p
i
，根据其x坐标查找左右铁轨面点云x坐标最近的点p
l
与p
r
。然后比较p
i
与p
l
、p
r
的y坐标，如果p
i
处于p
l
与p
r
之间则认为p
i
属于同时记录p
l
与p
r
的平均z坐标值作为p
i
的参考轨道面高度。
191.对通过聚类算法获得可能的障碍物q
i
(对应候选障碍物)，依次计算其中每个点(对应第四点云中给每个点)的z坐标值与其对应参考轨道面高度的差，统计高度差大于预设阈值的点数以及高度差最大值。如果点数及高度差最大值分别大于预设阈值，则认为该q
i
为真实障碍物(对应目标障碍物)。分析q
i
中点云的x轴数据分布，取其最小的x坐标值(即距离车头最近)为目标障碍物的距离d
i
。
192.基于以上应用例可见，本技术实施例提供的障碍物检测方法，可以使用多传感器融合的方式获得实时的轨道内障碍物信息，可靠性高；基于深度学习铁轨分割的二维铁轨曲线拟合方法，可以有效滤除噪声点，铁轨拟合效果稳定；基于离群点过滤的方式可以有效解决弯道障碍物误检的问题。此外，从硬件配置的角度来说，使用的传感器可以比较简单，安装维护方便。
193.如图6所示，本技术实施例还提供了一种车辆，包括：
194.获取模块601，用于获取对目标轨道采集得到的k个初始点云数据与l张初始图像，k与l均为正整数；
195.第一确定模块602，用于分别基于每一初始图像，从k个初始点云数据中确定出第一点云，第一点云为归属于目标轨道中的路轨的点云；
196.检测模块603，用于以第一点云为基准点云，基于k个初始点云数据，检测目标轨道中的目标障碍物，其中，目标障碍物在k个初始点云数据中关联有第二点云，第二点云与第一点云之间满足预设位置关系。
197.可选地，上述第一确定模块602，可以包括：
198.拟合子模块，用于拟合第一初始图像中的路轨在图像坐标系中的路轨拟合方程，第一初始图像为l张初始图像中的任一张初始图像，第一初始图像为l张初始图像中的任一张初始图像；
199.筛选子模块，用于将k个初始点云数据映射至图像坐标系中，依据路轨拟合方程对k个初始点云数据进行筛选，得到第一点云。
200.可选地，拟合子模块，可以包括：
201.分割获取单元，用于基于预先训练得到的深度学习模型对第一初始图像进行像素分割，得到归属于第一初始图像中的路轨的初始路轨像素点；
202.拟合单元，用于在图像坐标系中，拟合初始路轨像素点，得到路轨拟合方程。
203.可选地，在目标轨道中的路轨的数量为n，n为大于1的整数的情况下，拟合单元，可以包括：
204.筛选子单元，用于从初始路轨像素点中筛选位于预设图像高度区间中的候选路轨像素点；
205.划分子单元，用于归属于每一路轨的候选路轨像素点分别划分至m个像素区间，m为大于1的整数；
206.第一拟合子单元，用于获取每一像素区间的像素中心点，分别拟合每一路轨对应的m个像素中心点，得到与n条路轨对应的n条第一拟合直线；
207.第一确定子单元，用于根据n条第一拟合直线，确定透视变换矩阵，依据透视变换矩阵将n条第一拟合直线以及候选路轨像素点映射至鸟瞰图中，分别得到n条第二拟合直线以及候选映射像素点；
208.第一滤除子单元，用于滤除候选映射像素点中的第一映射像素点，得到第二映射像素点，第一映射像素点为候选映射像素点中，与任一第二拟合直线之间的距离均大于第一距离阈值的像素点；
209.第二拟合子单元，用于分别拟合归属于每一路轨的目标路轨像素点，得到与n条路轨对应的n条路轨拟合方程；其中，目标路轨像素点为与第二映射像素点对应的候选路轨像素点。
210.可选地，在k为大于1的整数的情况下，k个初始点云数据为通过k个激光雷达采集得到；
211.相应地，上述筛选子模块，可以包括：
212.获取单元，用于获取每一激光雷达的雷达坐标系与预设基准坐标系之间的第一坐标系转换关系、以及预设基准坐标系与任一初始图像的图像坐标系之间的第二坐标系转换关系；
213.第一映射单元，用于分别将每一激光雷达采集的初始点云数据按对应的第一坐标系转换关系映射至预设基准坐标系中，得到混合点云数据；
214.第二映射单元，用于将混合点云数据按第二坐标系转换关系映射至图像坐标系中。
215.可选地，上述筛选子模块，可以包括：
216.第三映射单元，用于将k个初始点云数据映射至图像坐标系中，得到映射点集；
217.第一确定单元，用于从映射点集中确定与路轨拟合方程之间距离小于第二距离阈值的目标映射点；
218.第二确定单元，用于依据目标映射点，从k个初始点云数据中确定出第一点云。
219.可选地，第二确定单元，可以包括：
220.第二确定子单元，用于从k个初始点云数据中确定与目标映射点对应的第三点云；
221.获取子单元，用于将第三点云投影至车身坐标系的目标平面中，得到第一投影点集，其中，目标平面为依据车辆行驶方向与车辆高度方向确定的平面；
222.第二滤除子单元，用于滤除第一投影点集中的离群点，得到第二投影点集；
223.第三确定子单元，根据第二投影点集，从k个初始点云数据中确定出第一点云。
224.可选地，检测模块603，可以包括：
225.第一确定子模块，用于在车身坐标系中，从第一点云中确定与每一第一点云点关联的第二点云点；其中，第一点云点为k个初始点云数据中，除第一点云以外的点云点，第二点云点为第一点云中在x轴上距离第一点云点最近的点云点，x轴平行于车辆行驶方向；
226.第二确定子模块，用于将在y轴上与关联的第二点云点之间的距离满足预设距离
条件的第一点云点确定为候选点云点，y轴平行于车辆宽度方向；
227.聚类子模块，用于对候选点云点进行聚类，得到至少一个候选障碍物关联的第四点云；
228.第三确定子模块，用于根据第四点云中的各点云点与其关联的第二点云点之间的高度差，从至少一个候选障碍物中确定目标障碍物。
229.可选地，在目标障碍物关联的第四点云中，目标点云点的数量大于数量阈值，且各目标点云点与其关联的第二点云点之间的高度差的最大值大于第二差值阈值，其中，目标点云为与其关联的第二点云点之间的高度差大于第一差值阈值的点云点。
230.可选地，上述障碍物检测装置还可以包括：
231.第二确定模块，用于在车身坐标系的x轴上，将车辆与目标障碍物关联的第四点云中各第一点云点之间的最近距离，确定为车辆与目标障碍物之间的目标距离；
232.输出模块，用于在目标距离小于第三距离阈值时，输出报警信号。
233.可选地，在l为大于1的整数的情况下，l张初始图像为通过l个相机采集得到；
234.l个相机中，至少两个相机之间的焦距存在不同。
235.需要说明的是，该车辆是与上述障碍物检测方法对应的车辆，上述方法实施例中所有实现方式均适用于该车辆的实施例中，也能达到相同的技术效果。
236.图7示出了本技术实施例提供的电子的硬件结构示意图。
237.在电子设备可以包括处理器701以及存储有计算机程序指令的存储器702。
238.具体地，上述处理器701可以包括中央处理器(cpu)，或者特定集成电路(application specific integrated circuit，asic)，或者可以被配置成实施本技术实施例的一个或多个集成电路。
239.存储器702可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器702可包括硬盘驱动器(hard disk drive，hdd)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(universal serial bus，usb)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器702可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器702可在综合网关容灾设备的内部或外部。在特定实施例中，存储器702是非易失性固态存储器。
240.存储器可包括只读存储器(rom)，随机存取存储器(ram)，磁盘存储介质设备，光存储介质设备，闪存设备，电气、光学或其他物理/有形的存储器存储设备。因此，通常，存储器包括一个或多个编码有包括计算机可执行指令的软件的有形(非暂态)计算机可读存储介质(例如，存储器设备)，并且当该软件被执行(例如，由一个或多个处理器)时，其可操作来执行参考根据本公开的方法所描述的操作。
241.处理器701通过读取并执行存储器702中存储的计算机程序指令，以实现上述实施例中的任意一种障碍物检测方法。
242.在一个示例中，电子设备还可包括通信接口703和总线704。其中，如图7所示，处理器701、存储器702、通信接口703通过总线704连接并完成相互间的通信。
243.通信接口703，主要用于实现本技术实施例中各模块、装置、单元和/或设备之间的通信。
244.总线704包括硬件、软件或两者，将在线数据流量计费设备的部件彼此耦接在一
起。举例来说而非限制，总线可包括加速图形端口(agp)或其他图形总线、增强工业标准架构(eisa)总线、前端总线(fsb)、超传输(ht)互连、工业标准架构(isa)总线、无限带宽互连、低引脚数(lpc)总线、存储器总线、微信道架构(mca)总线、外围组件互连(pci)总线、pci
‑
express(pci
‑
x)总线、串行高级技术附件(sata)总线、视频电子标准协会局部(vlb)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线704可包括一个或多个总线。尽管本技术实施例描述和示出了特定的总线，但本技术考虑任何合适的总线或互连。
245.另外，结合上述实施例中的障碍物检测方法，本技术实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种障碍物检测方法。
246.需要明确的是，本技术并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本技术的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本技术的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
247.以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(asic)、适当的固件、插件、功能卡等等。当以软件方式实现时，本技术的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、rom、闪存、可擦除rom(erom)、软盘、cd
‑
rom、光盘、硬盘、光纤介质、射频(rf)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
248.还需要说明的是，本技术中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本技术不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
249.上面参考根据本公开的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。
250.以上所述，仅为本技术的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块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。应理解，本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到各种等效的修改或替换，
这些修改或替换都应涵盖在本技术的保护范围之内。