基于激光雷达的智能网联公交多车编队感知方法及装置

技术领域

本申请涉及自动驾驶技术领域，特别涉及一种基于激光雷达的智能网联公交多车编队感知方法及装置。

背景技术

随着城市交通的不断发展和智能化水平的提升，公共交通系统在解决城市交通拥堵和环境污染等问题时越来越重要，其中，智能网联公交作为一种新型的交通工具，受到了越来越多城市的关注和青睐。

相关技术中，主要利用激光雷达感知技术能够实时获取车辆周围的环境信息，智能网联公交可以实现对车辆编队运动状态的精准监测和控制，从而有效提高车队行驶的安全性和稳定性。

然而，相关技术中，由于在智能网联公交对接过程中，前车上的目标可能会受到其他车辆或障碍物的遮挡，从而导致目标点位姿的感知不准确或失败，可能会出现错误的目标检测或跟踪，造成对接过程中出现问题或失败，亟待改进。

发明内容

本申请提供一种基于激光雷达的智能网联公交多车编队感知方法及装置，以解决相关技术中，由于在智能网联公交对接过程中，前车上的目标可能会受到其他车辆或障碍物的遮挡，从而导致目标点位姿的感知不准确或失败，可能会出现错误的目标检测或跟踪，造成对接过程中出现问题或失败等问题。

本申请第一方面实施例提供一种基于激光雷达的智能网联公交多车编队感知方法，包括以下步骤：获取智能网联公交的多车编队的激光雷达数据；根据所述激光雷达数据分析得到所述多车编队的车辆周围的环境数据；根据所述车辆周围的环境数据确定前车上目标点位的三维坐标与航向角，生成所述智能网联公交的多车编队感知结果。

可选地，在本申请的一个实施例中，所述根据所述激光雷达数据分析得到所述多车编队的车辆周围的环境数据，包括：对所述激光雷达数据进行时间同步，以获取同一时刻的图像、点云和前后车RTK(Real Time Kinematic，实时差分定位)信息；对所述同一时刻的图像、点云和前后车RTK定位信息进行数据清洗并筛选，得到满足预设条件的筛选数据；根据所述筛选数据建立所述图像和所述点云之间的对应关系，并根据所述前后车RTK定位信息获取数据的真值标签，以生成所述环境数据。

可选地，在本申请的一个实施例中，所述根据所述车辆周围的环境数据确定前车上目标点位的三维坐标与航向角，生成所述智能网联公交的多车编队感知结果，包括：基于所述环境数据进行伪图像处理，得到伪图像；利用预设2D目标检测网络骨干和检测头对所述伪图像进行检测，以获取伪图像特征，并根据所述伪图像特征生成所述目标点位的三维坐标与航向角。

可选地，在本申请的一个实施例中，所述基于所述环境数据进行伪图像处理，得到伪图像，包括：对激光雷达探测到的前方区域进行体素化处理，以将所述点云中的点归入对应的体素中，得到多个点；对所述多个点的每个点的数据维度进行扩充，得到扩充后的体素；提取所述扩充后的体素的体素特征，形成所述伪图像。

可选地，在本申请的一个实施例中，所述利用预设2D目标检测网络骨干和检测头对所述伪图像进行检测，以获取伪图像特征，并根据所述伪图像特征生成所述目标点位的三维坐标与航向角，包括：基于预设金字塔网络，自上而下逐层提取所述伪图像的特征，得到所述伪图像特征中多个尺度的特征图；对所述多个尺度的特征图的每个尺度的特征图进行解码与在通道尺度上拼接，以生成目标维度的结果。

可选地，在本申请的一个实施例中，所述利用预设2D目标检测网络骨干和检测头对所述伪图像进行检测，以获取伪图像特征，并根据所述伪图像特征生成所述目标点位的三维坐标与航向角，还包括：基于所述结果，对每个体素坐标生成对应的检测头；根据所述检测头获取所述目标点位的三维坐标与航向角。

本申请第二方面实施例提供一种基于激光雷达的智能网联公交多车编队感知装置，包括：获取模块，用于获取智能网联公交的多车编队的激光雷达数据；分析模块，用于根据所述激光雷达数据分析得到所述多车编队的车辆周围的环境数据；生成模块，用于根据所述车辆周围的环境数据确定前车上目标点位的三维坐标与航向角，生成所述智能网联公交的多车编队感知结果。

可选地，在本申请的一个实施例中，所述分析模块包括：第一获取单元，用于对所述激光雷达数据进行时间同步，以获取同一时刻的图像、点云和前后车实时差分定位RTK信息；筛选单元，用于对所述同一时刻的图像、点云和前后车RTK定位信息进行数据清洗并筛选，得到满足预设条件的筛选数据；第一生成单元，用于根据所述筛选数据建立所述图像和所述点云之间的对应关系，并根据所述前后车RTK定位信息获取数据的真值标签，以生成所述环境数据。

可选地，在本申请的一个实施例中，所述生成模块包括：处理单元，用于基于所述环境数据进行伪图像处理，得到伪图像；第二生成单元，用于利用预设2D目标检测网络骨干和检测头对所述伪图像进行检测，以获取伪图像特征，并根据所述伪图像特征生成所述目标点位的三维坐标与航向角。

可选地，在本申请的一个实施例中，所述处理单元包括：处理子单元，用于对激光雷达探测到的前方区域进行体素化处理，以将所述点云中的点归入对应的体素中，得到多个点；扩充子单元，用于对所述多个点的每个点的数据维度进行扩充，得到扩充后的体素；第一提取子单元，用于提取所述扩充后的体素的体素特征，形成所述伪图像。

可选地，在本申请的一个实施例中，所述第二生成单元包括：第二提取子单元，用于基于预设金字塔网络，自上而下逐层提取所述伪图像的特征，得到所述伪图像特征中多个尺度的特征图；生成子单元，用于对所述多个尺度的特征图的每个尺度的特征图进行解码与在通道尺度上拼接，以生成目标维度的结果。

可选地，在本申请的一个实施例中，所述第二生成单元，还包括：第三生成单元，用于基于所述结果，对每个体素坐标生成对应的检测头；第二获取单元，用于根据所述检测头获取所述目标点位的三维坐标与航向角。

本申请第三方面实施例提供一种车辆，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的基于激光雷达的智能网联公交多车编队感知方法。

本申请第四方面实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，该程序被处理器执行时实现如上的基于激光雷达的智能网联公交多车编队感知方法。

本申请第五方面实施例提供一种计算机程序产品，所述计算机程序被执行时，以用于实现如上的基于激光雷达的智能网联公交多车编队感知方法。

本申请实施例可以获取智能网联公交的多车编队的激光雷达数据，并根据激光雷达数据分析得到多车编队的车辆周围的环境数据，从而可以确定前车上目标点位的三维坐标与航向角，生成智能网联公交的多车编队感知结果，能够在复杂的场景下为多车对接场景提供可靠的结果，具有较快的运算速度，增强了系统的鲁棒性，提高了检测的精确性。由此，解决了相关技术中，由于在智能网联公交对接过程中，前车上的目标可能会受到其他车辆或障碍物的遮挡，从而导致目标点位姿的感知不准确或失败，可能会出现错误的目标检测或跟踪，造成对接过程中出现问题或失败等问题。

本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。

附图说明

本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本申请实施例提供的一种基于激光雷达的智能网联公交多车编队感知方法的流程图；

图2为根据本申请一个实施例的基于激光雷达的智能网联公交多车编队感知方法的实际应用的环境示意图；

图3为根据本申请一个实施例的数据制作流程图；

图4为根据本申请一个实施例的点云示意图；

图5为根据本申请一个实施例的3D框可视化效果示意图；

图6为根据本申请一个实施例的2D目标检测网络骨干与检测头流程图；

图7为根据本申请一个实施例的基于激光雷达的智能网联公交多车编队感知方法的流程图；

图8为根据本申请实施例的基于激光雷达的智能网联公交多车编队感知装置的结构示意图；

图9为根据本申请实施例提供的车辆的结构示意图。

具体实施方式

下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。

下面参考附图描述本申请实施例的基于激光雷达的智能网联公交多车编队感知方法及装置。针对上述背景技术中心提到的相关技术中，由于在智能网联公交对接过程中，前车上的目标可能会受到其他车辆或障碍物的遮挡，从而导致目标点位姿的感知不准确或失败，可能会出现错误的目标检测或跟踪，造成对接过程中出现问题或失败的问题，本申请提供了一种基于激光雷达的智能网联公交多车编队感知方法，在该方法中，可以获取智能网联公交的多车编队的激光雷达数据，并根据激光雷达数据分析得到多车编队的车辆周围的环境数据，从而可以确定前车上目标点位的三维坐标与航向角，生成智能网联公交的多车编队感知结果，能够在复杂的场景下为多车对接场景提供可靠的结果，具有较快的运算速度，增强了系统的鲁棒性，提高了检测的精确性。由此，解决了相关技术中，由于在智能网联公交对接过程中，前车上的目标可能会受到其他车辆或障碍物的遮挡，从而导致目标点位姿的感知不准确或失败，可能会出现错误的目标检测或跟踪，造成对接过程中出现问题或失败等问题。

具体而言，图1为本申请实施例所提供的一种基于激光雷达的智能网联公交多车编队感知方法的流程示意图。

如图1所示，该基于激光雷达的智能网联公交多车编队感知方法包括以下步骤：

在步骤S101中，获取智能网联公交的多车编队的激光雷达数据。

可以理解的是，激光雷达数据指的是激光雷达通过发射激光束并接收反射回来的光信号来测量周围环境的距离与形状，并生成相应的数据。

具体地，结合图2和图3所示，本申请实施例可以通过激光雷达来获取智能网联公交的多车编队的激光雷达数据，包括距离信息、强度信息、扫描频率等，且如步骤S301所示，本申请实施例可以将采集到的数据以bag格式存储，其中，数据记录中保存了不同话题发布的消息数据。

本申请实施例通过获取智能网联公交的多车编队的激光雷达数据，可以实时扫描周围环境，检测障碍物的位置、形状和距离，帮助车辆避开障碍物，提高车队的行驶效率和安全性。

在步骤S102中，根据激光雷达数据分析得到多车编队的车辆周围的环境数据。

可以理解的是，车辆周围的环境数据指的是通过激光雷达获取到的关于车辆周围环境的各种信息，包括车辆之间的距离、速度、方向等关键数据。

本申请实施例通过对激光雷达数据的实时分析，多车编队系统可以获取关于车辆周围环境的各种数据，可以结合激光雷达数据中的距离、速度、方向等信息，以准确获取车辆之间的距离、速度、方向等数据，为后续智能车辆系统的车队编队提供基础，有助于实现安全、高效的编队行驶，提高智能交通系统的性能和可靠性。

可选地，在本申请的一个实施例中，根据激光雷达数据分析得到多车编队的车辆周围的环境数据，包括：对激光雷达数据进行时间同步，以获取同一时刻的图像、点云和前后车实时差分定位RTK信息；对同一时刻的图像、点云和前后车RTK定位信息进行数据清洗并筛选，得到满足预设条件的筛选数据；根据筛选数据建立图像和点云之间的对应关系，并根据前后车RTK定位信息获取数据的真值标签，以生成环境数据。

可以理解的是，预设条件指的是在数据清洗和筛选过程中需求设定的条件，以确保最终筛选出的数据符合预期的标准，例如，设定时间戳偏差阈值，确定两个不同数据源之间时间戳允许的最大差异，即可接受的时间戳误差范围。

具体地，结合图3和图4所示，为了确保数据的准确性，本申请实施例可以如步骤S302所示，对原始信息进行时间同步，以获取同一时刻的图像、点云、和前后车RTK定位信息，并如步骤S303所示，本申请实施例可以进行数据清洗，去除前车方向相反或完全遮挡的数据，例如，通过时间戳同步，确保图像、点云、和前后车RTK定位信息在同一时刻获取，进而通过分析车辆前方的车辆，在判断前车运动方向与本车相反的情况下，根据前车的速度和位置预测，可以筛选掉反向运动的前车数据；或者在点云数据和RTK定位信息中出现遮挡的痕迹时，可以通过点云数据检测遮挡区域，并将在遮挡区域范围内的数据进行标记并剔除，确保准确的环境感知和定位信息。

进一步地，本申请实施例可以将筛选后的样本编号，以建立图像和点云数据之间的一一对应关系，并如步骤S304所示，可以利用对应的前后车RTK定位信息，结合雷达RTK联合标定矩阵和小巴车数模参数，从而，能够如步骤S305所示，通过点位和坐标系的转换，直接计算出前车在后车激光雷达坐标系下的3D框信息，作为数据的真值标签使用。

本申请实施例可以根据筛选数据建立图像和点云之间的对应关系，并根据前后车RTK定位信息获取数据的真值标签，生成环境数据，有利于提高数据的准确性和全面性，为后续的处理提供信息基础。

在步骤S103中，根据车辆周围的环境数据确定前车上目标点位的三维坐标与航向角，生成智能网联公交的多车编队感知结果。

具体地，本申请实施例可以根据激光雷达获取到的关于车辆周围环境的各种信息，包括车辆之间的距离、速度、方向等关键数据，确定目标点位在车辆坐标系下的空间位置及前车的航向角，从而生成智能网联公交的多车编队感知结果，包括各车辆之间的准确相对位置关系和航向角度。

本申请实施例根据车辆周围的环境数据确定前车上目标点位的三维坐标与航向角，生成智能网联公交的多车编队感知结果，有利于提高感知结果的准确性，为多车编队控制提供准确的数据基础，提高车队行驶的安全性，降低潜在的碰撞风险。

可选地，在本申请的一个实施例中，根据车辆周围的环境数据确定前车上目标点位的三维坐标与航向角，生成智能网联公交的多车编队感知结果，包括：基于环境数据进行伪图像处理，得到伪图像；利用预设2D目标检测网络骨干和检测头对伪图像进行检测，以获取伪图像特征，并根据伪图像特征生成目标点位的三维坐标与航向角。

可以理解的是，伪图像特征指的是将非图像形式的环境数据经过转换和处理后提取出来的描述环境特征的信息，包括目标的位置、形状、大小、颜色等。

本申请实施例通过伪图像处理，有助于直观地理解车辆周围环境，提升环境感知能力，利用2D目标检测网络，能够提高目标检测的效率，且通过计算目标点位的三维坐标和航向角，可以实现对目标在三维空间中的精确定位，提高对伪图像特征的识别准确度，加强检测性能。

可选地，在本申请的一个实施例中，基于环境数据进行伪图像处理，得到伪图像，包括：对激光雷达探测到的前方区域进行体素化处理，以将点云中的点归入对应的体素中，得到多个点；对多个点的每个点的数据维度进行扩充，得到扩充后的体素；提取扩充后的体素的体素特征，形成伪图像。

具体地，本申请实施例可以对激光雷达探测到的前方区域进行体素化处理，将空间划分为大小一致的体素，其中，每个体素的俯视图为边长为16cm的正方形，高度视为无限高，进而，可以将3D点云中的点按照其位置归入对应的体素中，且由于每个体素中可能包含不同数量的3D点，可以将每个体素限定容纳32个点，多余的点进行采样，不足的则进行零填充。为了保证结果的多样性，可以采用随机体素化方式进行处理，在每次体素化时，会随机剔除一些点，因此每次体素化的结果可能会略有不同。

进一步地，本申请实施例可以对每个点的数据维度进行扩充，将其扩展为10维数据，包括(x,y,z,i,x_c,y_c,z_c,x_p,y_p,z_p)，其中，(x,y,z,i)分别为点的3D坐标和强度，(x_c,y_c,z_c)为点与其所在体素中的平均点云数据之间的坐标差值，(x_p,y_p,z_p)为点与其所在体素的中心坐标的差值。从而，可以对所有体素进行统一的特征提取，将其重新拉伸成(C,H,W)的形状，形成伪图像，其中，C为特征维度，H和W则分别为伪图像的高和宽，也就是俯视图下的体素网格维度。

本申请实施例通过将点云数据体素化处理，可以减少数据维度，且将每个点的数据维度进行扩充，有助于进行数据压缩和信息提取，有效地提高数据利用率，从而通过对点云数据进行体素化处理和特征提取，可以简化数据结构并减少数据量，有助于加快数据处理的速度和效率。

可选地，在本申请的一个实施例中，利用预设2D目标检测网络骨干和检测头对伪图像进行检测，以获取伪图像特征，并根据伪图像特征生成目标点位的三维坐标与航向角，包括：基于预设金字塔网络，自上而下逐层提取伪图像的特征，得到伪图像特征中多个尺度的特征图；对多个尺度的特征图的每个尺度的特征图进行解码与在通道尺度上拼接，以生成目标维度的结果。

具体地，结合图5所示，本申请实施例可以使用2D目标检测网络骨干与检测头对伪图像进行检测，通过利用特征金字塔网络，能够自上而下逐层提取伪图像的特征，并形成1/2、1/4、1/8三个尺度的特征图，每个尺度的特征图都经过解码，并将得到的相同尺寸的特征图在通道尺度上拼接，最终生成的结果的维度为(6C,H/2,W/2)。

本申请实施例基于预设金字塔网络，能够在不同尺度下提取特征，有利于提高数据的全面性，且结合解码和特征拼接操作，有效提高对不同尺度目标的检测能力，有助于准确、快速地检测出目标，并提高了目标定位和识别的精度。

可选地，在本申请的一个实施例中，利用预设2D目标检测网络骨干和检测头对伪图像进行检测，以获取伪图像特征，并根据伪图像特征生成目标点位的三维坐标与航向角，还包括：基于结果，对每个体素坐标生成对应的检测头；根据检测头获取目标点位的三维坐标与航向角。

具体地，结合图5和图6所示，本申请实施例由于待检测物体尺寸固定，检测时只需考虑先验框的两个方向，如BEV视角下的0度和90度，因此对于每个体素坐标，会生成2个对应的检测头，其中，检测头有三个分支，包括：conv_cls用于预测前车的概率，conv_box用于预测(x,y,z,w,l,h,θ)七维数据，分别为3D框与anchor中心坐标的偏移量、3D框的长宽高以及3D框的heading角度，conv_dir_cls预测2个参数，用于确定3D框的方向，其中，由于对θ的预测无法区分两个角度差为180度的3D框，对生成的若干3D框，可以选择分数最高的结果作为最终输出。

值得注意的是，在计算损失时，分类和方向损失可以使用交叉熵损失函数，边界框损失可以使用Smooth L1函数，有助于稳定边界框回归过程，并减少异常值的影响。

本申请实施例基于对每个体素坐标生成对应的检测头，能够在复杂场景下，实现对目标点的三维坐标与航向角较为精准的检测，具有良好的精确性和鲁棒性，可以提高运算速度，并能够为多车对接场景提供可靠的结果。

结合图7所示，以一个实施例对本申请实施例的基于激光雷达的智能网联公交多车编队感知方法进行详细阐述。

具体地，本申请实施例可以实现基于激光雷达的智能网联公交多车编队感知，其中，具体步骤如下：

步骤S701：对同一时刻的图像、点云和前后车RTK定位信息进行数据清洗和筛选，并根据筛选数据建立图像和点云之间的对应关系。

步骤S702：对激光雷达探测到的前方区域进行体素化处理，以将点云中的点归入对应的体素中，得到多个点。

步骤S703：对多个点的每个点的数据维度进行扩充，得到扩充后的体素，并提取扩充后的体素的体素特征。

步骤S704：通过对所有体素进行统一的特征提取，可以将其重新拉伸成(C,H,W)的形状，形成伪图像。

步骤S705：利用2D目标检测网络骨干对伪图像进行检测，并利用特征金字塔网络，能够自上而下逐层提取伪图像的特征，并形成1/2、1/4、1/8三个尺度的特征图，每个尺度的特征图都经过解码，并将得到的相同尺寸的特征图在通道尺度上拼接，最终生成的结果的维度。

步骤S706：基于结果，对每个体素坐标生成对应的检测头；根据检测头获取目标点位的三维坐标与航向角。

步骤S707：生成目标3D框。

综上，本申请实施例可以采用激光雷达作为传感器，通过深度学习相关技术来确定前车上目标点位的三维坐标与航向角，能够在复杂的场景下实现对目标点的三维坐标与航向角较为准的检测，具有较快的运算速度，且通过利用激光雷达感知技术，智能网联公交可以实现对车辆编队运动状态的精准监测和控制，从而有效提高车队行驶的安全性和稳定性，为城市交通的智能化发展贡献力量。

根据本申请实施例提出的基于激光雷达的智能网联公交多车编队感知方法，可以获取智能网联公交的多车编队的激光雷达数据，并根据激光雷达数据分析得到多车编队的车辆周围的环境数据，从而可以确定前车上目标点位的三维坐标与航向角，生成智能网联公交的多车编队感知结果，能够在复杂的场景下为多车对接场景提供可靠的结果，具有较快的运算速度，增强了系统的鲁棒性，提高了检测的精确性。由此，解决了相关技术中，由于在智能网联公交对接过程中，前车上的目标可能会受到其他车辆或障碍物的遮挡，从而导致目标点位姿的感知不准确或失败，可能会出现错误的目标检测或跟踪，造成对接过程中出现问题或失败等问题。

其次参照附图描述根据本申请实施例提出的基于激光雷达的智能网联公交多车编队感知装置。

图8是本申请实施例的基于激光雷达的智能网联公交多车编队感知装置的方框示意图。

如图8所示，该基于激光雷达的智能网联公交多车编队感知装置10包括：获取模块100、分析模块200和生成模块300。

具体地，获取模块100，用于获取智能网联公交的多车编队的激光雷达数据；

分析模块200，用于根据激光雷达数据分析得到多车编队的车辆周围的环境数据；

生成模块300，用于根据车辆周围的环境数据确定前车上目标点位的三维坐标与航向角，生成智能网联公交的多车编队感知结果。

可选地，在本申请的一个实施例中，分析模块200包括：第一获取单元、筛选单元和第一生成单元。

其中，第一获取单元，用于对激光雷达数据进行时间同步，以获取同一时刻的图像、点云和前后车实时差分定位RTK信息；

筛选单元，用于对同一时刻的图像、点云和前后车RTK定位信息进行数据清洗并筛选，得到满足预设条件的筛选数据；

第一生成单元，用于根据筛选数据建立图像和点云之间的对应关系，并根据前后车RTK定位信息获取数据的真值标签，以生成环境数据。

可选地，在本申请的一个实施例中，生成模块300包括：处理单元和第二生成单元。

其中，处理单元，用于基于环境数据进行伪图像处理，得到伪图像；

第二生成单元，用于利用预设2D目标检测网络骨干和检测头对伪图像进行检测，以获取伪图像特征，并根据伪图像特征生成目标点位的三维坐标与航向角。

可选地，在本申请的一个实施例中，处理单元包括：处理子单元、扩充子单元和第一提取子单元。

其中，处理子单元，用于对激光雷达探测到的前方区域进行体素化处理，以将点云中的点归入对应的体素中，得到多个点；

扩充子单元，用于对多个点的每个点的数据维度进行扩充，得到扩充后的体素；

第一提取子单元，用于提取扩充后的体素的体素特征，形成伪图像。

可选地，在本申请的一个实施例中，第二生成单元包括：第二提取子单元和生成子单元。

其中，第二提取子单元，用于基于预设金字塔网络，自上而下逐层提取伪图像的特征，得到伪图像特征中多个尺度的特征图；

生成子单元，用于对多个尺度的特征图的每个尺度的特征图进行解码与在通道尺度上拼接，以生成目标维度的结果。

可选地，在本申请的一个实施例中，第二生成单元还包括：第三生成单元和第二获取单元。

其中，第三生成单元，用于基于结果，对每个体素坐标生成对应的检测头；

第二获取单元，用于根据检测头获取目标点位的三维坐标与航向角。

需要说明的是，前述对基于激光雷达的智能网联公交多车编队感知方法实施例的解释说明也适用于该实施例的基于激光雷达的智能网联公交多车编队感知装置，此处不再赘述。

根据本申请实施例提出的基于激光雷达的智能网联公交多车编队感知装置，可以获取智能网联公交的多车编队的激光雷达数据，并根据激光雷达数据分析得到多车编队的车辆周围的环境数据，从而可以确定前车上目标点位的三维坐标与航向角，生成智能网联公交的多车编队感知结果，能够在复杂的场景下为多车对接场景提供可靠的结果，具有较快的运算速度，增强了系统的鲁棒性，提高了检测的精确性。由此，解决了相关技术中，由于在智能网联公交对接过程中，前车上的目标可能会受到其他车辆或障碍物的遮挡，从而导致目标点位姿的感知不准确或失败，可能会出现错误的目标检测或跟踪，造成对接过程中出现问题或失败等问题。

图9为本申请实施例提供的车辆的结构示意图。该车辆可以包括：

存储器901、处理器902及存储在存储器901上并可在处理器902上运行的计算机程序。

处理器902执行程序时实现上述实施例中提供的基于激光雷达的智能网联公交多车编队感知方法。

进一步地，车辆还包括：

通信接口903，用于存储器901和处理器902之间的通信。

存储器901，用于存放可在处理器902上运行的计算机程序。

存储器901可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

如果存储器901、处理器902和通信接口903独立实现，则通信接口903、存储器901和处理器902可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture，简称为ISA)总线、外部设备互连(PeripheralComponent，简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture，简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图9中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

可选地，在具体实现上，如果存储器901、处理器902及通信接口903，集成在一块芯片上实现，则存储器901、处理器902及通信接口903可以通过内部接口完成相互间的通信。

处理器902可能是一个中央处理器(Central Processing Unit，简称为CPU)，或者是特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者是被配置成实施本申请实施例的一个或多个集成电路。

本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上的基于激光雷达的智能网联公交多车编队感知方法。

本申请实施例还提供一种计算机程序产品，该计算机程序可以运行计算机指令，该计算机指令被处理器执行时实现如上的基于激光雷达的智能网联公交多车编队感知方法。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“N个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或N个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。