一种基于无人驾驶车辆的灰尘检测方法、装置及设备

技术领域

本申请涉及车辆自动驾驶技术领域，尤其涉及一种基于无人驾驶车辆的灰尘检测方法、装置及设备。

背景技术

随着L4级别自动驾驶技术的发展，自动驾驶车辆面临着越来越多的特殊场景挑战，尤其是在矿区等环境中，灰尘扬尘问题日益突出。由于灰尘的特征与实体障碍物的特征相似，使得无人驾驶车辆很难区分灰尘和真实障碍物，使得在灰尘环境中自动驾驶车辆往往会出现一系列不必要的反应，如急打方向或紧急刹车等。这些反应通常是由于误判灰尘为障碍物或危险信号而引起的。这种不准确的感知可能会导致自动驾驶车辆的不合理行为，甚至在极端情况下造成车辆失控、追尾等严重安全事故。

现有技术中，为了避免上述问题，一般采用毫米波雷达与激光雷达相结合的检测方式来进行判断，在同时检测确认存在的障碍物检测信息时，判断存在实体障碍物，一定程度上能够避免误判灰尘为障碍物可能造成的安全事故。同时激光雷达检测的点云数据中大量团状、且形态变化极快的点云，还会被误识别为障碍物，因此，会存在误判断的可能性，从而影响无人机驾驶车辆的运行效率和安全性。

发明内容

本申请提供一种基于无人驾驶车辆的灰尘检测方法、装置及设备，用以解决将灰尘误判为实体障碍物造成安全事故的问题。

第一方面，本申请提供一种基于无人驾驶车辆的灰尘检测方法，包括：

对激光雷达采集的第一检测目标和毫米波雷达采集的第二检测目标进行匹配处理，并在找不到与所述第一检测目标匹配的第二检测目标时，将所述第一检测目标作为待检测目标；

对所述待检测目标分别进行悬浮性分析、点云密度分析和点云梯度分析，得到所述待检测目标是灰尘聚类的所述悬浮性分析对应的第一可能性结论、所述点云密度分析对应的第二可能性结论和所述点云梯度分析对应的第三可能性结论；

基于所述第一可能性结论、第二可能性结论和第三可能性结论，实现对所述待检测目标是否为灰尘的判定。

在一种可能的设计中，对所述待检测目标分别进行悬浮性分析、点云密度分析和点云梯度分析，得到所述待检测目标是灰尘聚类的所述悬浮性分析对应的第一可能性结论，包括：

根据所述待检测目标中最低点的点云的位置信息，得到所述待检测目标的悬浮高度；

根据所述悬浮高度和预设高度阈值的比值，得到所述待检测目标是灰尘聚类的第一可能性结论。

在一种可能的设计中，对所述待检测目标分别进行悬浮性分析、点云密度分析和点云梯度分析，得到所述待检测目标是灰尘聚类的所述点云密度分析对应的第二可能性结论，包括：

基于所述待检测目标，选择任一点云，计算并筛选得到该点云与所述待检测目标中其他点云的最小距离；

若所述任一点云的最小距离大于预设距离阈值，则将该点云作为密度异常点云；

遍历所述待检测目标中的每个点云，得到多个密度异常点云；

根据所述多个密度异常点云在所述待检测目标中的占比，得到所述待检测目标是灰尘聚类的第二可能性结论。

在一种可能的设计中，对所述待检测目标分别进行悬浮性分析、点云密度分析和点云梯度分析，得到所述待检测目标是灰尘聚类的所述点云梯度分析对应的第三可能性结论，包括：

将所述待检测目标划分为多个待检测区域，并将位于同一待检测区域的点云投影到平面上，得到具有二维坐标的点云集；

根据所述二维坐标，分别得到所述点云集中任一点云和与该点云相邻的两个点云形成的两个梯度，并计算所述两个梯度的梯度差；

若所述任一点云对应的梯度差大于所述预设梯度差阈值，将该点云作为梯度异常点云；

遍历所述待检测目标划分得到多个点云集中的每个点云，得到多个梯度异常点云；

根据所述多个梯度异常点云在所述待检测目标中的占比，得到所述待检测目标是灰尘聚类的第三可能性结论。

在一种可能的设计中，所述基于所述第一可能性结论、第二可能性结论和第三可能性结论，实现对所述待检测目标是否为灰尘的判定，包括：

根据预设权重，对所述第一可能性结论、第二可能性结论和第三可能性结论进行加权求和，得到所述待检测目标是灰尘聚类的概率；

若所述检测目标是灰尘聚类的概率大于所述预设概率阈值，则判定所述待检测目标是灰尘。

在一种可能的设计中，所述对激光雷达采集的第一检测目标和毫米波雷达采集的第二检测目标进行匹配处理，并在找不到与所述第一检测目标匹配的第二检测目标时，将所述第一检测目标作为待检测目标，包括：

根据所述第一检测目标的第一位置信息和所述第二检测目标的第二位置信息，得到所述第一检测目标和所述第二检测目标之间的距离；

若所述距离大于预设的距离阈值，则确定所述第一检测目标和所述第二检测目标不匹配，将所述第一检测目标作为待检测目标。

在一种可能的设计中，所述对激光雷达采集的第一检测目标和毫米波雷达采集的第二检测目标进行匹配处理，并在找不到与所述第一检测目标匹配的第二检测目标时，将所述第一检测目标作为待检测目标之前，所述方法还包括：

根据预设的匈牙利匹配算法对所述激光雷达每帧采集获取的检测目标与其之前帧采集的检测目标进行匹配，得到检测目标的第一匹配结果；

基于预设的卡尔曼滤波模型，根据所述检测目标的第一匹配结果，对当前帧的检测目标的数据信息进行修正，得到第一检测目标及第一位置信息。

在一种可能的设计中，所述对激光雷达采集的第一检测目标和毫米波雷达采集的第二检测目标进行匹配处理，并在找不到与所述第一检测目标匹配的第二检测目标时，将所述第一检测目标作为待检测目标之前，所述方法还包括：

根据预设的匈牙利匹配算法对所述毫米波雷达每帧采集获取的检测目标与其之前帧采集的检测目标进行匹配，得到检测目标的第二匹配结果；

基于预设的卡尔曼滤波模型，根据所述第二检测目标的第二匹配结果，对当前帧的检测目标的数据信息进行修正，得到第二检测目标及第二位置信息。

第二方面，本申请提供一种灰尘检测装置，包括：

目标匹配模块，用于根据预设的匈牙利匹配算法对所述激光雷达每帧采集获取的检测目标进行匹配，得到检测目标的第一匹配结果，以及根据预设的匈牙利匹配算法对所述毫米波雷达每帧采集获取的检测目标进行匹配，得到检测目标的第二匹配结果；

数据修正模块，用于基于预设的卡尔曼滤波模型，根据所述检测目标的第一匹配结果，对当前帧的检测目标的数据信息进行修正，得到第一检测目标及第一位置信息，以及基于预设的卡尔曼滤波模型，根据所述第二检测目标的第二匹配结果，对当前帧的检测目标的数据信息进行修正，得到第二检测目标及第二位置信息；

初步筛选模块，用于对激光雷达采集的第一检测目标和毫米波雷达采集的第二检测目标进行匹配处理，并在找不到与所述第一检测目标匹配的第二检测目标时，将所述第一检测目标作为待检测目标；

具体分析模块，用于对所述待检测目标分别进行悬浮性分析、点云密度分析和点云梯度分析，得到所述待检测目标是灰尘聚类的所述悬浮性分析对应的第一可能性结论、所述点云密度分析对应的第二可能性结论和所述点云梯度分析对应的第三可能性结论；

结果判定模块，用于基于所述第一可能性结论、第二可能性结论和第三可能性结论，实现对所述待检测目标是否为灰尘的判定。

第三方面，本申请提供一种电子设备，包括：处理器，以及与所述处理器通信连接的存储器；

所述存储器存储计算机执行指令；

所述处理器执行所述存储器存储的计算机执行指令，以实现灰尘检测方法。

第四方面，本申请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灰尘检测方法。

本申请提供的一种基于无人驾驶车辆的灰尘检测方法、装置及设备，通过毫米波雷达本身检测的属性，对激光雷达检测到的检测目标进行初步的匹配筛除，通过匹配处理，可以更可靠地关联不同传感器的目标检测结果。进一步的，将未筛出的疑似灰尘的检测目标进行悬浮性分析、点云密度分析和点云梯度分析，从而得到该疑似灰尘是否为灰尘的可能性。多维度的参考分析有助于更加准确的将灰尘聚类与其他目标区分开来，有助于减少误报率，从而提高了自动化系统的稳定性和性能，进一步保证无人驾驶车辆行驶的安全性，减少极端情况下造成车辆失控、追尾等严重安全事故。

附图说明

为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请一个实施例提供的一种基于无人驾驶车辆的灰尘检测方法示意图；

图2为本申请一个实施例提供的悬浮性分析对应的第一可能性结论的方法示意图；

图3为本申请一个实施例提供的点云密度分析对应的第二可能性结论的方法示意图；

图4为本申请一个实施例提供的点云梯度分析对应的第三可能性结论的方法示意图；

图5为本申请一个实施例提供的判定待检测目标是否为灰尘的方法示意图；

图6为本申请一个实施例提供的将第一检测目标作为待检测目标的方法示意图；

图7为本申请一个实施例提供的对激光雷达采集的检测目标数据匹配修正的方法示意图；

图8为本申请一个实施例提供的对毫米波雷达采集的检测目标数据进行匹配修正的方法示意图；

图9为本申请实施例提供的灰尘检测装置的结构示意图；

图10为本申请实施例提供的电子设备的硬件结构示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本申请一个实施例提供的一种基于无人驾驶车辆的灰尘检测方法示意图。如图1所示，具体包括步骤S11-S13：

S11，对激光雷达采集的第一检测目标和毫米波雷达采集的第二检测目标进行匹配处理，并在找不到与第一检测目标匹配的第二检测目标时，将第一检测目标作为待检测目标。

在本实施例中，对于激光雷达采集的第一检测目标和波毫米雷达采集的第二检测目标进行匹配处理，并在找不到与第一检测目标匹配的第二检测目标时，即激光雷达检测到目标而毫米波雷达未能检测到时，将第一检测目标作为待检测目标，即疑似灰尘。激光雷达的探测范围较广，可以建立三维点云图，从而实现对环境的实时感知。对于环境中的灰尘、雨雪等小颗粒物体都可以被激光雷达检测到。而毫米波雷达具有较强的抗环境干扰能力，其穿透能力强，不容易受天气环境影响。为此毫米波雷达检测到的目标均为实体障碍物。通过将激光雷达和毫米波雷达的数据进行匹配处理，能够更准确地识别和关联环境中的障碍物和待检测目标。对激光雷达检测到的数据进行初步筛除，减少后续需要分析的数据量，减轻系统运行的压力，进一步保证车辆系统运行的稳定性。

S12，对待检测目标分别进行悬浮性分析、点云密度分析和点云梯度分析，得到待检测目标是灰尘聚类的悬浮性分析对应的第一可能性结论、点云密度分析对应的第二可能性结论和点云梯度分析对应的第三可能性结论。

在本实施例中，由于在无人驾驶车辆对障碍物的避让判断中，是以激光雷达检测到达障碍物为主要避让参考数据，为此，即使在通过毫米波雷达对激光雷达检测到检测目标继续初步的匹配筛除后，车辆依然会将激光雷达检测的点云数据中大量团状、且形态变化极快的点云识别为实体障碍物，车辆会避让这些被误判为实体障碍物的灰尘。因此，需要针对待检测目标执行一系列分析，包括悬浮性分析、点云密度分析和点云密度分析。通过这些分析，得出待检测目标相应的可能性结论。

首先，关于悬浮性分析，灰尘、小液滴能够漂浮在空中主要是由其在重力场中的终端速度小、空气对流(对流是指由于空气各处温度不均匀产生的空气流动)这两个因素所导致的。在空气中运动的物体所受的空气阻力通常与物体相对空气的运动速度正相关。灰尘等小颗粒在自由落体时，空气阻力会逐渐增大并最终等于自身的重力，此时颗粒保持匀速运动。对应速度即为颗粒的终端速度。为此，可以通过对待检测目标的进行悬浮性分析，以得到其是否是灰尘的第一可能性结论。

其次，进行点云密度分析，实体障碍物通常具有连续的表面，因此它们形成的点云数据中，每个点与其周围点的距离通常较小。这意味着实体障碍物的点云密度相对较高。相反，灰尘通常在空间中分布较为发散，因此其形成的点云数据中，每个点与其周围点的距离通常较大。这意味着灰尘的点云密度相对较低。为此，可以通过对待检测目标进行点云密度分析，以得到其是否是灰尘的第二可能性结论。

最后，进行点云梯度分析，点云梯度分析是一种用于评估和理解点云数据特性的方法。它通过计算点云中每个点的梯度(即该点与其邻近点之间的变化率)从而得到关于点云结构和形状的信息。实体障碍物通常具有连续的表面，因此它们形成的点云数据中，每个点与其周围点的高度差通常较小。这意味着实体障碍物的点云梯度变化相对较小。而灰尘通常在空间中分布呈离散状，因此其形成的点云数据中，每个点与其周围点的高度差通常较大。即意味着灰尘的点云梯度变化相对较大。为此，可以通过对待检测目标进行点云梯度分析，以得到其是否是灰尘的第三可能性结论。

S13，基于第一可能性结论、第二可能性结论和第三可能性结论，实现对待检测目标是否为灰尘的判定。

在本实施例中，根据第一可能性结论、第二可能性结论和第三可能性结论，对待检测目标进行了是否为灰尘的综合判定，以提高对环境中物体的准确性分类。将第一可能性结论、第二可能性结论和第三可能性结论结合在一起，实现对待检测目标是否为灰尘的最终判定，旨在最大化对目标的准确性分类，确保灰尘聚类不被错误地识别为其他对象，也确保其他对象不被误判为灰尘。

优选的，在综合判定中，每个可能性结论都被赋予一个权重，以反映其在判定中的相对重要性。这些权重的分配是基于系统的先验知识和实验结果的，它们反映了不同结论对最终判定的贡献程度。例如，如果悬浮性分析在先前的实验中被发现对于灰尘检测非常关键，那么它可能会被赋予更高的权重。使用权重对第一可能性结论、第二可能性结论和第三可能性结论进行加权，然后将它们结合在一起，形成最终的判定。通过这种综合判定的方式，能够更加准确地识别和分类激光雷达检测到的目标，特别是在复杂的矿车环境中，其中存在多种可能的物体类型。这种分类判断方法有助于提高自动驾驶矿车的环境感知和决策能力，从而提高了运行的安全性和效率。

通过毫米波雷达本身检测的属性，对激光雷达检测到的检测目标进行初步的匹配筛除，通过匹配处理，关联不同传感器的目标检测结果，同时对数据的初步筛除，减少后续需要分析的数据量，减轻系统运行的压力，进一步保证车辆系统运行的稳定性。进一步的，对未筛除的疑似灰尘的检测目标进行悬浮性分析、点云密度分析和点云梯度分析，从而得到该疑似灰尘是否为灰尘的可能性。多维度的参考分析有助于更加准确的将灰尘聚类与其他目标区分开来，有助于减少误报率，从而提高了自动化系统的稳定性和性能，进一步保证无人驾驶车辆行驶的安全性，减少极端情况下造成车辆失控、追尾等严重安全事故。

在一个实施例中，图2为本申请一个实施例提供的悬浮性分析对应的第一可能性结论的方法示意图，是对步骤S12中悬浮性分析的进一步说明，如图2所示，具体包括步骤S21-S22：

S21，根据待检测目标中最低点的点云的位置信息，得到待检测目标的悬浮高度。

在本实施例中，悬浮性分析主要依赖于激光雷达的能力来测量待检测目标相对于地面的高度。这是通过测量从传感器发射到待检测目标并返回的激光束的时间来实现的。激光雷达发射一束激光，该激光在待检测目标上反射，然后返回传感器。通过计算光束往返的时间，可以确定待检测目标与激光雷达的距离。将这个距离与地面的高度相结合，就可以计算出待检测目标相对于地面的悬浮高度。悬浮高度是指待检测目标离地面或参考表面的垂直距离。在激光雷达采集获取的点云数据中，首先对点云数据进行聚类，得到多个簇，一个簇即为一个待检测目标。其中，点云聚类是指根据某个划分依据(如距离，密度等)将点云数据集的点云划分成不同的点云簇的过程。常见的点云聚类方法有很多种，包括DBSCAN、KMeans、谱聚类、Mean shift等。每种方法都有其适用的场景和优势，根据数据集的特征和任务需求选择适合的聚类方法能够提高算法的效果和准确性。本申请没有对聚类方法做改进，采用的现有的聚类方法，在此不再赘述。对于一个待检测目标中包含有多个点云数据，每个点云数据点都包含了有关的位置信息。通过分析这些点云数据，可以确定其的最低点，即距离地面最近的点。一旦确定了最低点，就可以使用该点的垂直坐标信息，来计算悬浮高度。这个高度值有助于进一步的分析和识别，提高系统对复杂环境中各种检测目标的理解和响应能力。

S22，根据悬浮高度和预设高度阈值的比值，得到待检测目标是灰尘聚类的第一可能性结论。

在本实施例中，为了确定待检测目标是灰尘聚类的第一可能性结论，需要将悬浮高度与预设的高度阈值进行比较。预设的高度阈值是一个定义的参数，通常根据特定应用的要求来设置。对于正常的物体来说，其悬浮高度通常位于一定的高度范围内，这个范围可以根据应用的具体情况进行设置。例如，对于自动化驾驶中的障碍物检测，正常车辆或行人的悬浮高度通常在特定范围内，如果目标的悬浮高度超出了这个范围，可能表明它不是正常的障碍物。

根据悬浮性分析，即悬浮高度和预设高度阈值的比值，可以得出第一可能性结论。如果比值小于等于1，那么目标的悬浮高度未超过预设的高度阈值，这表明目标可能是与地面接触的物体，而不是悬浮在空中的灰尘聚类。相反，如果比值大于1，那么目标的悬浮高度超过了预设的高度阈值，这可能表明目标是悬浮在空中的物体，可能是灰尘聚类。在此基础上提出一种其他可实施的实施例，在环境变化加快例如风比较大的环境中，灰尘通常是一种不稳定的目标，为此，还可以考虑悬浮高度的变化率。如果悬浮高度变化异常大，可能表明目标是灰尘或其他不稳定的小颗粒。并依据此，来判断当前点云是否为灰尘。

在一个实施例中，图3为本申请一个实施例提供的点云密度分析对应的第二可能性结论的方法示意图。是对上述步骤S12中点云密度分析的进一步展开说明，如图3所示，具体包括步骤S31-S34：

S31，基于待检测目标，选择任一点云，计算并筛选得到该点云与待检测目标中其他点云的最小距离；

S32，若任一点云的最小距离大于预设距离阈值，则将该点云作为密度异常点云；

S33，遍历待检测目标中的每个点云，得到多个密度异常点云；

S34，根据多个密度异常点云在待检测目标中的占比，得到待检测目标是灰尘聚类的第二可能性结论。

在本实施例中，点云密度分析是通过目标周围的点云数据点的数量和分布来确定目标的分析方式。密度分析有助于识别目标是否是孤立的小物体，如灰尘。首先，从待检测目标的点云数据中任意选择一个点云作为起始点。针对选定的起始点，计算它与待检测目标中的其他点云之间的最小距离。这可以通过计算欧氏距离或其他距离度量来完成。这个最小距离反映了点云之间的相对密度。如果该最小距离较大，则表示点云之间相对分散，密度较低；反之，如果最小距离较小，则表示点云之间相对集中，密度较高。将计算得到的最小距离与预设的距离阈值进行比较。如果最小距离大于阈值，那么选择的点云被标记为密度异常点云。密度异常点云意味着该点云周围的点云分布相对分散，不符合一般的检测目标密度特征。重复上述步骤，选择不同的起始点，计算它们与其他点云的最小距离，以识别更多的密度异常点云。最后，统计该待检测目标中密度异常点云的数量，并将其与该待检测目标的总点云数量进行比较，以得到密度异常点云在目标中的占比。在对点云密度进行分析时，密度异常点云的存在可能表明待检测目标是灰尘或小颗粒的聚类。这是因为灰尘通常以散布的形式存在，这些点云之间的距离较远，导致了密度异常。通过检测密度异常点云，可以更准确地判断待检测目标是否为灰尘或其他小型颗粒。具体来说，如果密度异常点云的占比较高，那么待检测目标的点云分布相对分散，可能是灰尘聚类。如果密度异常点云的占比较低，那么待检测目标的点云分布相对密集，可能是其他类型的障碍物。在无人驾驶中，灰尘的识别和判断可以进一步确保车辆的安全驾驶。

在一个实施例中，图4为本申请一个实施例提供的点云梯度分析对应的第三可能性结论的方法示意图，是对上述步骤S12中点云梯度分析的进一步展开说明，如图4所示，具体包括步骤S41-S45：

S41，将待检测目标划分为多个待检测区域，并将位于同一待检测区域的点云投影到平面上，得到具有二维坐标的点云集；

S42，根据二维坐标，分别得到点云集中任一点云和与该点云相邻的两个点云形成的两个梯度，并计算两个梯度的梯度差；

在本实施例中，点云梯度分析旨在通过研究目标点云的局部形状特征来确定目标是否是灰尘或其他小型颗粒的聚类。这种分析可以通过点云的二维投影和梯度计算来实现。首先，将待检测目标划分为多个待检测区域。这可以通过将目标空间分割成规则的网格单元或采用其他区域划分方法来实现。优选的，以激光雷达为圆心，弧度为θ，划分360/θ个扇形，每个扇形为一个待测区域，此时仍然以一个待检测目标为单位，即一个待检测目标被划分为多个待检测区域，每个待检测区域多个点云。对于每个待检测区域中的点云，将其投影到一个平面上，得到具有二维坐标的点云集。这可以通过将点云的X、Y和Z坐标映射到平面上的X和Y坐标来实现。这样就可以更容易地计算点云之间的梯度。对于二维坐标中的每个点云，可以分别计算其与相邻两个点云形成的两个梯度。这里的梯度指的是该点云与与其相邻点云形成线段的坡度或斜率，此时就能够得到两个坡度或两个斜率。计算两个坡度或斜率的差值得到梯度差。

S43，若任一点云对应的梯度差大于预设梯度差阈值，将该点云作为梯度异常点云；

S44，遍历待检测目标划分得到多个点云集中的每个点云，得到多个梯度异常点云；

S45，根据多个梯度异常点云在待检测目标中的占比，得到待检测目标是灰尘聚类的第三可能性结论。

在本实施例中，计算两个梯度之间的梯度差，如果这个梯度差大于预设的梯度差阈值，那么这个点云就被标记为梯度异常点云。梯度异常点云表示该点云附近的点云分布发生了剧烈变化，这表明可能存在灰尘聚类。遍历每个待检测区域中的点云，并重复计算其对应的梯度差，以得到多个梯度异常点云。这些点云可能分布在待检测目标的不同位置，但都具有梯度异常的特征。根据多个梯度异常点云在待检测目标中的占比，可以得出第三可能性结论。如果梯度异常点云的数量较多且占比较高，那么待检测目标可能是灰尘聚类。反之，如果梯度异常点云的数量较少且占比较低，那么待检测目标可能是其他类型的物体。这个结论有助于更准确地判定待检测目标的性质，提高了自动化系统的准确性和可靠性。

在一个实施例中，图5为本申请一个实施例提供的判定待检测目标是否为灰尘的方法示意图，是对上述步骤S13的进一步展开说明，如图5所示，具体包括步骤S51-S52：

S51，根据预设权重，对第一可能性结论、第二可能性结论和第三可能性结论进行加权求和，得到待检测目标是灰尘聚类的概率；

S52，若检测目标是灰尘聚类的概率大于预设概率阈值，则判定待检测目标是灰尘。

在本实施例中，对待检测目标进行的悬浮性分析、点云密度分析和点云梯度分析，得到了三个可能性结论，将这三种可能性结论进行综合考虑，以便最终确定待检测目标是否是灰尘聚类。为了将这些结论整合在一起，需要考虑它们的相对重要性。即通过预设权重来实现，不同的可能性结论可以被赋予不同的权重值，以反映它们在判断中的相对重要性。使用这些权重对三种可能性结论进行加权求和，并将其与预设概率阈值进行比较，从而进行最终的判定。如果待检测目标被判定为灰尘聚类的概率大于预设概率阈值，那么就可以确定该待检测目标是灰尘聚类。否则，该待检测目标被认为不是灰尘聚类。

从数据采集到多种可能性结论的生成，再到加权求和判定，构成了一个综合性的目标分类和判断系统。可以提高系统对于灰尘判断的准确性，为自动化决策提供重要支持。这种方法的优势在于充分利用了多源数据和多种分析技术，提高了对待检测目标性质的判断能力，有助于提高各种应用的效率和安全性，且具有广泛的应用前景。

在一个实施例中，图6为本申请一个实施例提供的将第一检测目标作为待检测目标的方法示意图，是对上述步骤S11的进一步展开说明，如图6所示，具体包括步骤S61-S62：

S61，根据第一检测目标的第一位置信息和第二检测目标的第二位置信息，得到第一检测目标和第二检测目标之间的距离；

S62，若距离大于预设的距离阈值，则确定第一检测目标和第二检测目标不匹配，将第一检测目标作为待检测目标。

在本实施例中，激光雷达和毫米波雷达是两种不同的传感器，它们在工作原理、数据采集方式和性能特点上都有所不同。为了充分利用它们的优势以便于更加快速的找出可能是灰尘聚类的目标，需要将它们的数据进行匹配处理。匹配处理可以对激光雷达检测到的目标进行初步的筛选，有助于提高目标检测的准确性和可靠性。从激光雷达和毫米波雷达中分别获取第一检测目标和第二检测目标的位置信息。这些位置信息通常包括坐标，描述了该目标在检测区域内的位置。根据第一检测目标的位置信息和第二检测目标的位置信息，可以计算它们之间的距离。这个距离可以采用欧几里得距离或其他适当的度量方式来表示。将计算得到的距离与预设的距离阈值进行比较。如果距离大于预设的距离阈值，那么可以确定第一检测目标和第二检测目标不匹配。这意味着它们可能代表不同的物体，或者存在一些干扰或误差。在不匹配情况下，将第一检测目标作为待检测目标。这意味着第一检测目标可能是一个新的、未被毫米波雷达识别的待检测目标，其需要进一步的分析和处理。

在一个实施例中，图7为本申请一个实施例提供的对激光雷达采集的检测目标数据匹配修正的方法示意图。如图7所示，具体包括步骤S71-S72：

S71，根据预设的匈牙利匹配算法对激光雷达每帧采集获取的检测目标与其之前帧采集的检测目标进行匹配，得到检测目标的第一匹配结果；

S72，基于预设的卡尔曼滤波模型，根据检测目标的第一匹配结果，对当前帧的检测目标的数据信息进行修正，得到第一检测目标及第一位置信息。

在本实施例中，匈牙利匹配算法是一种用于解决二分图最优匹配问题的经典算法。在激光雷达数据处理中，每一帧采集的目标点都需要与之前帧的目标点进行匹配，以确定它们是否代表相同的检测目标。匈牙利匹配算法通过最小化匹配的总成本来实现。算法将当前帧的检测目标与上一帧的检测目标之间的距离计算为成本矩阵，然后使用匈牙利算法找到最小成本的匹配。这样，每个检测目标都与其在上一帧中的对应检测目标建立了联系。这个联系是由算法自动确定的，无需人工干预。

卡尔曼滤波适用于随时间演化的动态系统。在目标追踪中，卡尔曼滤波用于根据先前的状态估计和新的观测数据来估计目标的当前状态。在激光雷达数据处理中，卡尔曼滤波通常用于根据匈牙利匹配的结果来预测和修正目标的位置和速度。其基本思想是将目标状态建模为一个动态系统，其中状态包括位置、速度、加速度等变量，并通过不断地融合来自激光雷达的观测数据来更新状态估计。具体的，使用动态模型来预测目标在下一个时间的状态。这个预测是根据先前的状态估计和系统模型进行的。将预测值与来自激光雷达的观测数据进行比较，然后使用卡尔曼增益来修正预测值，以获得更准确的状态估计。基于此得到激光雷达采集获取的第一检测目标及第一位置信息。卡尔曼滤波模型的应用能够更好地处理目标的不确定性和动态变化，减少传感器检测过程中的检测误差，从而提供了更稳定的目标跟踪结果。匈牙利匹配算法和卡尔曼滤波模型的结合使目标追踪更加准确和稳健。

在一个实施例中，图8为本申请一个实施例提供的对毫米波雷达采集的检测目标数据进行匹配修正的方法示意图。如图8所示，具体包括步骤S81-S82：

S81，根据预设的匈牙利匹配算法对毫米波雷达每帧采集获取的检测目标与其之前帧采集的检测目标进行匹配，得到检测目标的第二匹配结果；

S82，基于预设的卡尔曼滤波模型，根据第二检测目标的第二匹配结果，对当前帧的检测目标的数据信息进行修正，得到第二检测目标及第二位置信息。

在本实施例中，匹配算法的任务是将当前帧的目标与前一帧的目标进行匹配，以确定它们是否代表同一目标。通常是根据两个检测目标之间的距离判定的。将当前帧的目标与前一帧的目标之间的距离被计算并构成一个成本矩阵；匈牙利算法被用来找到最小成本的匹配，确保每个目标都与前一帧的对应目标相匹配。在毫米波雷达目标追踪中，卡尔曼滤波模型用于基于匹配结果来预测和修正目标的位置和速度。卡尔曼滤波的关键是将目标状态建模为一个动态系统，并使用系统模型来预测目标的下一个状态。这个预测是基于前一状态估计和系统动态模型完成的。将这个预测与来自毫米波雷达的观测数据进行比较，使用卡尔曼增益来修正预测值，从而得到更准确的目标状态估计。基于此，得到毫米波雷达的第二检测目标及第二位置信息，其方法原理与上述激光雷达的第一检测目标及第一位置信息相同，在此不再赘述。

在此需要进一步说明的是，对于灰尘的检测除了可以应用在自动驾驶领域，同样可以应用在其他需要避障的自动行驶的设备上，例如机器人等。其同样可以更加精准判断出检测到的障碍物是否灰尘，如果是灰尘，设备并不需要避让，继续按照行驶路径继续行驶即可，减少将灰尘定义为实体障碍物出现的不必要的避让，维护系统运行的稳定性，提高行驶过程的安全性。减少不准确的感知可能会导致自动驾驶车辆的不合理行为，并减少在极端情况下造成失控、追尾等严重安全事故。

本发明实施例可以根据上述方法示例对电子设备或主控设备进行功能模块的划分，例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理单元中。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模块的形式实现。需要说明的是，本发明实施例中对模块的划分是示意性的，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。

图9为本申请实施例提供的灰尘检测装置的结构示意图。如图9所示，该灰尘检测装置90包括目标匹配模块91、数据修正模块92、初步筛选模块93、具体分析模块94、结果判定模块95，具体的：

目标匹配模块91，用于根据预设的匈牙利匹配算法对激光雷达每帧采集获取的检测目标进行匹配，得到检测目标的第一匹配结果，以及根据预设的匈牙利匹配算法对毫米波雷达每帧采集获取的检测目标进行匹配，得到检测目标的第二匹配结果；

数据修正模块92，用于基于预设的卡尔曼滤波模型，根据检测目标的第一匹配结果，对当前帧的检测目标的数据信息进行修正，得到第一检测目标及第一位置信息，以及基于预设的卡尔曼滤波模型，根据第二检测目标的第二匹配结果，对当前帧的检测目标的数据信息进行修正，得到第二检测目标及第二位置信息；

初步筛选模块93，用于对激光雷达采集的第一检测目标和毫米波雷达采集的第二检测目标进行匹配处理，并在找不到与第一检测目标匹配的第二检测目标时，将第一检测目标作为待检测目标；

具体分析模块94，用于对待检测目标分别进行悬浮性分析、点云密度分析和点云梯度分析，得到待检测目标是灰尘聚类的悬浮性分析对应的第一可能性结论、点云密度分析对应的第二可能性结论和点云梯度分析对应的第三可能性结论；

结果判定模块95，用于基于第一可能性结论、第二可能性结论和第三可能性结论，实现对待检测目标是否为灰尘的判定。

本实施例提供的灰尘检测装置，可执行上述实施例的灰尘检测方法，其实现原理和技术效果类似，本实施例此处不再赘述。

在前述的基于重载车辆的挡位控制设备的具体实现中，各模块可以被实现为处理器，处理器可以执行存储器中存储的计算机执行指令，使得处理器执行上述的基于重载车辆的挡位控制方法。

图10为本申请实施例提供的电子设备的硬件结构示意图。如图1所示，该电子设备100包括：至少一个处理器101和存储器102。该电子设备100还包括通信部件103。其中，处理器101、存储器102以及通信部件103通过总线104连接。

在具体实现过程中，至少一个处理器101执行存储器102存储的计算机执行指令，使得至少一个处理器101执行如上电子设备侧所执行的灰尘检测方法。

处理器101的具体实现过程可参见上述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。

在上述实施例中，应理解，处理器可以是中央处理单元(英文：CentralProcessing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：DigitalSignal Processor，简称：DSP)、专用集成电路(英文：Application Specific IntegratedCircuit，简称：ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。

存储器可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器。

总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component，PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture，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，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。

上述针对电子设备以及主控设备所实现的功能，对本发明实施例提供的方案进行了介绍。可以理解的是，电子设备或主控设备为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。结合本发明实施例中所公开的实施例描述的各示例的单元及算法步骤，本发明实施例能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同的方法来实现所描述的功能，但是这种实现不应认为超出本发明实施例的技术方案的范围。

本申请还提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，当处理器执行计算机执行指令时，实现如上灰尘检测方法。

上述的计算机可读存储介质，上述可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。可读存储介质可以是通用或专用计算机能够存取的任何可用介质。

一种示例性的可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(Application Specific IntegratedCircuits，简称：ASIC)中。当然，处理器和可读存储介质也可以作为分立组件存在于电子设备或主控设备中。

本申请还提供了一种计算机程序产品，计算机程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，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，或者对其中部分或者全部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发明各实施例技术方案的范围。