阅读说明：本技术 障碍物检测方法和装置 (Obstacle detection method and device ) 是由 张双 刘祥 高斌 朱晓星 薛晶晶 杨凡 王俊平 王成法 于 2019-10-25 设计创作，主要内容包括：本公开涉及自动驾驶技术领域。本公开的实施例公开了障碍物检测方法和装置。该方法包括：获取第一车载激光雷达采集到的第一点云数据和第二车载激光雷达采集到的第二点云数据；其中,第一车载激光雷达和所述第二车载激光雷达装载在同一辆自动驾驶车辆上,所述第一车载激光雷达距离地面的高度大于第二车载激光雷达距离地面的高度且所述第一车载激光雷达的线束数大于所述第二车载激光雷达的线束数；基于所述第一点云数据进行地面估计；根据所述第一点云数据的地面估计结果,滤除所述第二点云数据中的地面点；基于滤除地面点之后的第二点云数据进行障碍物检测。该方法实现了更加全面、准确的障碍物检测。(The present disclosure relates to the field of autopilot technology. The embodiment of the disclosure discloses an obstacle detection method and device. The method comprises the following steps: acquiring first point cloud data acquired by a first vehicle-mounted laser radar and second point cloud data acquired by a second vehicle-mounted laser radar; the automatic driving system comprises a first vehicle-mounted laser radar, a second vehicle-mounted laser radar, a first vehicle-mounted laser radar and a second vehicle-mounted laser radar, wherein the first vehicle-mounted laser radar and the second vehicle-mounted laser radar are mounted on the same automatic driving vehicle, the height from the first vehicle-mounted laser radar to the ground is greater than that from the second vehicle-mounted laser radar to the ground, and the number of wire harnesses of the first vehicle-mounted laser radar is greater than that of the second vehicle-mounted; performing ground estimation based on the first point cloud data; filtering out ground points in the second point cloud data according to the ground estimation result of the first point cloud data; and detecting the obstacle based on the second point cloud data after the ground points are filtered. The method realizes more comprehensive and accurate obstacle detection.)

障碍物检测方法和装置

技术领域

本公开的实施例涉及计算机技术领域，具体涉及自动驾驶技术技术领域，尤其涉及障碍物检测方法和装置。

背景技术

自动驾驶场景中，通常会采用激光雷达来感应道路上的障碍物。一般会在车身安装高线束激光雷达用于障碍物探测。高线束激光雷达具有一定的安装高度，打出的激光线束与地面呈一定夹角，这样在车辆周围一段距离内靠近地面的区域会形成检测盲区。

发明内容

本公开的实施例提出了障碍物检测方法和装置、电子设备和计算机可读介质。

第一方面，本公开的实施例提供了一种障碍物检测方法，包括：获取第一车载激光雷达采集到的第一点云数据和第二车载激光雷达采集到的第二点云数据；其中，第一车载激光雷达和第二车载激光雷达装载在同一辆自动驾驶车辆上，第一车载激光雷达距离地面的高度大于第二车载激光雷达距离地面的高度且第一车载激光雷达的线束数大于第二车载激光雷达的线束数；基于第一点云数据进行地面估计；根据第一点云数据的地面估计结果，滤除第二点云数据中的地面点；基于滤除地面点之后的第二点云数据进行障碍物检测。

在一些实施例中，上述基于第一点云数据进行地面估计，包括：将第一点云数据划分入预设的空间栅格，对每个栅格内的第一点云数据进行降采样，并在该栅格内拟合出地面；基于各栅格内的地面拟合结果之间的差异、以及各栅格内拟合得出的地面与第一点云数据所在坐标系的坐标轴之间的夹角，修正地面拟合结果，得到第一点云数据的地面估计结果。

在一些实施例中，上述根据第一点云数据的地面估计结果，滤除第二点云数据中的地面点，包括：计算第二点云数据中的数据点与基于第一点云数据估计出的地面之间的距离，将第二点云数据中与基于第一点云数据估计出的地面之间的距离小于预设距离阈值的数据点确定为地面点；滤除第二点云数据中的地面点。

在一些实施例中，上述基于滤除地面点之后的第二点云数据进行障碍物检测，包括：将第一点云数据与滤除地面点之后的第二点云数据融合后进行障碍物检测。

在一些实施例中，上述第二激光雷达为单线激光雷达。

第二方面，本公开的实施例提供了一种障碍物检测装置，包括：获取单元，被配置为获取第一车载激光雷达采集到的第一点云数据和第二车载激光雷达采集到的第二点云数据；其中，第一车载激光雷达和第二车载激光雷达装载在同一辆自动驾驶车辆上，第一车载激光雷达距离地面的高度大于第二车载激光雷达距离地面的高度且第一车载激光雷达的线束数大于第二车载激光雷达的线束数；估计单元，被配置为基于第一点云数据进行地面估计；滤除单元，被配置为根据第一点云数据的地面估计结果，滤除第二点云数据中的地面点；检测单元，被配置为基于滤除地面点之后的第二点云数据进行障碍物检测。

在一些实施例中，上述估计单元进一步被配置为基于第一点云数据按照如下方式进行地面估计：将第一点云数据划分入预设的空间栅格，对每个栅格内的第一点云数据进行降采样，并在该栅格内拟合出地面；基于各栅格内的地面拟合结果之间的差异、以及各栅格内拟合得出的地面与第一点云数据所在坐标系的坐标轴之间的夹角，修正地面拟合结果，得到第一点云数据的地面估计结果。

在一些实施例中，上述滤除单元进一步被配置为根据第一点云数据的地面估计结果，按照如下方式滤除第二点云数据中的地面点：计算第二点云数据中的数据点与基于第一点云数据估计出的地面之间的距离，将第二点云数据中与基于第一点云数据估计出的地面之间的距离小于预设距离阈值的数据点确定为地面点；滤除第二点云数据中的地面点。

在一些实施例中，上述检测单元进一步被配置为按照如下方式进行障碍物检测：将第一点云数据与滤除地面点之后的第二点云数据融合后进行障碍物检测。

在一些实施例中，上述第二激光雷达为单线激光雷达。

第三方面，本公开的实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面提供的障碍物检测方法。

第四方面，本公开的实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现第一方面提供的障碍物检测方法。

本公开的上述实施例的障碍物检测方法和装置，通过获取第一车载激光雷达采集到的第一点云数据和第二车载激光雷达采集到的第二点云数据，其中，第一车载激光雷达和第二车载激光雷达装载在同一辆自动驾驶车辆上，第一车载激光雷达距离地面的高度大于第二车载激光雷达距离地面的高度且第一车载激光雷达的线束数大于第二车载激光雷达的线束数，然后基于第一点云数据进行地面估计，之后根据第一点云数据的地面估计结果，滤除第二点云数据中的地面点，最后基于滤除地面点之后的第二点云数据进行障碍物检测，实现了高线束激光雷达对低线束激光雷达的障碍物辅助感知，有助于减少由于车身震动或低线束激光雷达安装精度造成的障碍物误检。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：

图1是本公开的实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的障碍物检测方法的一个实施例的流程图；

图3是根据本公开的障碍物检测方法的一个应用场景的示意图；

图4是本公开的障碍物检测方法的另一个实施例的流程图；

图5是本公开的障碍物检测装置的一个实施例的结构示意图；

图6是适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

图1示出了可以应用本公开的障碍物检测方法或障碍物检测装置的示例性系统架构100。

如图1所示，系统架构100可以包括自动驾驶车辆101、网络102以及服务器103。网络102用以自动驾驶车辆101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

自动驾驶车辆101上可以设置有至少两个激光雷达1011、1012，激光雷达1011、1012用于采集自动驾驶车辆周边环境的点云数据。自动驾驶车辆101上还可以设置有处理单元1013，处理单元1013用于对自动驾驶车辆101感知的数据进行处理、进行驾驶决策等等。

自动驾驶车辆101可以通过网络102与服务器103交互，以向服务器103发送数据或从服务器103接收数据。服务器103可以是为自动驾驶车辆101提供后台支持的服务器，可以对自动驾驶车辆101感知的环境数据进行分析处理，并将分析处理结果反馈回自动驾驶车辆。

在本公开的应用场景中，自动驾驶车辆101可以通过处理单元1013将激光雷达1011、1012采集的数据点云数据发送至服务器103，服务器103可以根据接收到的数据点云数据进行障碍物检测和识别，将检测和识别结果返回至自动驾驶车辆101，自动驾驶车辆101根据障碍物检测和识别结果进行驾驶决策。或者，服务器103还可以根据障碍物检测和识别结果进行驾驶决策，将决策指令反馈至自动驾驶车辆101。

需要说明的是，服务器103可以是硬件，也可以是软件。当服务器103为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器103为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

本公开的实施例所提供的障碍物检测方法可以由服务器103执行，相应地，障碍物检测装置可以设置于服务器103中。

或者，本公开的实施例所提供的障碍物检测方法也可以由自动驾驶车辆101上的处理单元1013执行，相应地，障碍物检测装置可以设置于自动驾驶车辆101上的处理单元1013中。

应该理解，图1中的自动驾驶车辆、网络、服务器、激光雷达、处理单元的数目仅仅是示意性的。根据实现需要，可以具有任意数目的自动驾驶车辆、网络、服务器、激光雷达、处理单元。

继续参考图2，其示出了根据本公开的障碍物检测方法的一个实施例的流程200。该障碍物检测方法，包括以下步骤：

步骤201，获取第一车载激光雷达采集到的第一点云数据和第二车载激光雷达采集到的第二点云数据。

第一车载激光雷达和第二车载激光雷达是装载在同一自动驾驶车辆的不同位置的激光雷达。第一车载激光雷达距离地面的高度大于第二车载激光雷达距离地面的高度，并且第一车载激光雷达的线束数大于第二车载激光雷达的线束数。也即，第一车载激光雷达可以是高线束数激光雷达，例如16线激光雷达、64线激光雷达；第二车载激光雷达可以是低线束数激光雷达，例如单线激光雷达或4线激光雷达。

在本实施例中，第一车载激光雷达的安装高度大于第二车载激光雷达的安装高度。在实践中，第一车载激光雷达的激光线束与地面之间具有一定的夹角，例如16线激光雷达的激光线束中与地面的最大夹角为15°。第二车载激光雷达的安装高度低于第一车载激光雷达，第二车载激光雷达用于感知车辆前方较低的区域内的障碍物。

在第二车载激光雷达为非单线激光雷达(例如为4线激光雷达)时，第二车载激光雷达的激光束也会在地面形成反射，所以第二车载激光雷达采集到的点云数据中包括地面点。

在第二车载激光雷达为单线激光雷达时，理想状态下，单线激光雷达的激光线束平行于地面。但是，由于安装角度可能存在一些误差，单线激光雷达的线束可能存在一定的俯角。而单线激光雷达的安装位置与地面距离较近，车辆在行驶过程中震动时单线激光雷达的线束也可能会打到地面上，因而单线激光雷达采集到的点云数据中也可能包括地面点。

上述第一激光点云数据和第二激光点云数据可以是自动驾驶车辆在同一位置处第一车载激光雷达和第二车载激光雷达采集的点云数据，例如可以是同一时刻分别由第一车载激光雷达和第二车载激光雷达采集的点云数据。

在本实施例中，上述执行主体可以通过与第一车载激光雷达和第二车载激光雷达连接来获取第一点云数据和第二点云数据。或者，上述执行主体可以从自动驾驶车辆的存储单元存储的车载激光雷达采集的数据中分别获取第一点云数据和第二点云数据。

步骤202，基于第一点云数据进行地面估计。

在本实施例中，可以基于第一点云数据估计道路环境中的地面。具体可以采用RANSAC(Random Sample Consensus，随机采样一致性)算法进行平面检测，结合第一点云数据中各数据点的绝对高度，估计出道路环境中的地面。

在本实施例的一些可选的实现方式中，可以将第一点云数据划分入预设的空间栅格，对每个栅格内的第一点云数据进行降采样，并在该栅格内拟合出地面，然后基于各栅格内的地面拟合结果之间的差异、以及各栅格内拟合得出的地面与第一点云数据所在坐标系的坐标轴之间的夹角，修正地面拟合结果，得到第一点云数据的地面估计结果。

在这里，可以将第一激光雷达的探测范围划分为多个预设的空间栅格，对每个栅格分别进行地面估计。具体地，在每个栅格中根据点云在竖直方向上的分布进行降采样，然后对采样得到的数据点进行地面估计，之后对于栅格内每个数据点，计算其与估计出的地面之间的距离，若该距离小于阈值则将该数据点作为新的地面点，基于新的地面点更新该栅格的地面拟合结果。基于栅格内的每个数据点更新地面拟合结果后，可以计算相邻的栅格内的地面之间夹角，该夹角的余弦值可用于衡量相邻栅格的地面拟合结果之间的差异。若该夹角小于预设的角度，则对相邻栅格的地面之间的夹角进行平滑，进而更新由多个栅格拟合出的地面。直到所有栅格计算完毕且地面趋于平滑时停止更新地面拟合结果，这时可以判断地面拟合结果是否与第一点云数据所在坐标系中的竖直轴(z轴)平行，若地面拟合结果与第一点云数据所在坐标系中的竖直轴(z轴)之间的相对角度小于预设的角度范围，例如小于5°，可以将地面拟合结果作为得到第一点云的地面估计结果，否则可以在上述更新得到的地面拟合结果的基础上进行修正，使其与第一点云数据所在坐标系中的竖直轴之间的相对角度缩小至预设的角度范围内。

步骤203，根据第一点云数据的地面估计结果，滤除第二点云数据中的地面点。

在基于第一点云数据估计出地面之后，可以判断第二点云数据中每个点是否为地面点，具体可以将第二点云数据中落在估计出的地面平面上的点作为地面。

或者，在一些可选的实现方式中，可以计算第二点云数据中的数据点与基于第一点云数据估计出的地面之间的距离，将第二点云数据中与基于第一点云数据估计出的地面之间的垂直距离小于预设距离阈值的数据点确定为地面点。然后可以滤除第二点云数据中的地面点。

上述第一点云数据和第二点云数据中的数据点所采用的空间坐标系相同。由于第一点云数据由高线束数的激光雷达采集得到，数据点的密度较高，所以基于第一点云数据估计出的地面较为准确，将基于第一点云数据估计出的地面作为地面基准面，可以更准确地滤除第二点云数据中的地面点。

步骤204，基于滤除地面点之后的第二点云数据进行障碍物检测。

可以基于滤除地面点之后的第二点云数据，对第二激光雷达的探测范围内的障碍物进行检测。

具体地，可以对滤除地面点之后的第二点云数据进行分割、聚类，得到多个待匹配障碍物的点云，然后基于预设障碍物数据库中各障碍物的形状、尺寸等特征对待匹配障碍物的点云进行匹配，从而识别出障碍物类型。

在本实施例中，第二车载激光雷达的安装位置较低，且线束数较少，所以第二车载激光雷达的探测范围较小。可以利用第二车载激光雷达检测靠近车辆的区域内位置较低的障碍物，例如道路上凸起、落石等。则可以基于常见的低矮障碍物构建上述用于对第二点云数据进行匹配的预设障碍物数据库。

在车身震动或第二激光雷达的安装存在误差时，第二点云数据中的一些地面点可能会被误检为障碍物点，本实施例中通过从第二点云数据中滤除地面点，能够降低地面点被误判为障碍物点的误检率，提升检测精度。

可选地，对于第一车载激光雷达的探测范围内的障碍物，例如高度较高的行人、车辆、路肩等，可以基于第一点云数据进行障碍物检测。进一步可选地，还可以结合第一点云数据和滤除地面点之后的第二点云数据来识别障碍物，例如当基于滤除地面点的第二点云数据检测到车辆前方距离L处存在障碍物且在同一时刻基于第一点云数据检测到车辆前方距离L处存在障碍物时，可以基于第一点云数据计算出障碍物的高度，通过特征匹配得出障碍物的类型，进而判断基于滤除地面点的第二点云数据检测出的障碍物与基于第一点云数据检测出的障碍物是否为同一障碍物。

本公开上述实施例的用于障碍物检测方法，通过获取第一车载激光雷达采集到的第一点云数据和第二车载激光雷达采集到的第二点云数据，其中，第一车载激光雷达和第二车载激光雷达装载在同一辆自动驾驶车辆上，第一车载激光雷达距离地面的高度大于第二车载激光雷达距离地面的高度且第一车载激光雷达的线束数大于第二车载激光雷达的线束数，然后基于第一点云数据进行地面估计，之后根据第一点云数据的地面估计结果，滤除第二点云数据中的地面点，最后基于滤除地面点之后的第二点云数据进行障碍物检测，实现了高线束激光雷达对低线束激光雷达的障碍物辅助感知，能够更加全面、准确地检测障碍物。还可以减少由于车身震动或低线束激光雷达安装精度造成的障碍物误检。

请参考图3，其示出了根据本公开的障碍物检测方法的一个示例性应用场景的示意图。如图3所示，自动驾驶车辆A的第一车载激光雷达LiDAR1安装在车身距地面高度约0.7米处，第二车载激光雷达LiDAR2安装在车底盘距地面高度约0.18米处。第一车载激光雷达为16线激光雷达，其发射的所有线束与地面的交点中，距离车辆A最近的线束与地面的夹角为15°。可以计算得出第一车载激光雷达LiDAR1在车前靠近地面位置的探测盲区距离大约为2.6米(图3所示阴影区域为第一车载激光雷达的探测盲区)。第二车载激光雷达LiDAR2可以为单线激光雷达，其射出的激光光束与地面近似平行，可以对第一车载激光雷达LiDAR1的探测盲区进行辅助检测。

自动驾驶车辆A的第一车载激光雷达LiDAR1和第二车载激光雷达LiDAR2可以协同工作，在自动驾驶车辆A行驶中或停止时，二者可以采集车辆周边环境的三维点云数据，然后分别将采集到的点云数据传输至后台服务器。后台服务器可以基于第一车载激光雷达LiDAR1采集的点云数据首先估计出地面，然后基于估计出的地面对第二车载激光雷达LiDAR2在同一地理位置采集到的点云数据滤除地面点，然后基于第二车载激光雷达LiDAR2滤除地面点之后的其他点云进行聚类和匹配，从而识别出第一车载激光雷达LiDAR1的探测盲区内的障碍物B。

继续参考图4，其示出了根据本公开的障碍物检测方法的另一个实施例的流程图。如图4所示，本实施例的障碍物检测方法的流程400，包括以下步骤：

步骤401，获取第一车载激光雷达采集到的第一点云数据和第二车载激光雷达采集到的第二点云数据。

其中，第一车载激光雷达和第二车载激光雷达装载在同一辆自动驾驶车辆上，第一车载激光雷达距离地面的高度大于第二车载激光雷达距离地面的高度且第一车载激光雷达的线束数大于第二车载激光雷达的线束数。

步骤402，基于第一点云数据进行地面估计。

步骤403，根据第一点云数据的地面估计结果，滤除第二点云数据中的地面点。

本实施例的步骤401、步骤402、步骤403分别与前述实施例的步骤201、步骤202、步骤203一致，步骤401、步骤402、步骤403的具体实现方式可以分别参考前述实施例中步骤201、步骤202、步骤203的描述，此处不再赘述。

步骤404，将第一点云数据与滤除地面点之后的第二点云数据融合后进行障碍物检测。

在本实施例中，可以获取第一车载激光雷达和第二车载激光雷达的标定数据。若第一车载激光雷达和第二车载激光雷达所采集的激光点云数据采用相同的坐标系，则可以直接将第一点云数据与滤除地面点之后的第二点云数据融合。若第一车载激光雷达和第二车载激光雷达采用不同的坐标系，可以分别获取第一车载激光雷达和第二车载激光雷达相对于惯导系统的位置标定参数，然后进行坐标系转换，将第一点云数据和第二点云数据均转换至惯导系统坐标系，然后进行融合。或者将第一点云数据和第二点云数据中的一者转换至另一者的坐标系中之后进行融合。

之后可以基于融合后的点云数据进行障碍物检测，具体可以通过对融合得到的点云数据进行聚类、区域分割、特征匹配等检测出障碍物的空间位置、障碍物与自动驾驶车辆的相对位置、障碍物的移动轨迹和速度，还可以识别出障碍物的类型。

本实施例中通过融合高线束的车载激光雷达的点云数据和滤除地面点之后的低线束车载激光雷达的点云数据，能够进一步避免障碍物的重复检测，提升障碍物的检测效率。

进一步参考图5，作为对上述障碍物检测方法的实现，本公开提供了一种障碍物检测装置的一个实施例，该装置实施例与图2和图4所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的障碍物检测装置500包括：获取单元501、估计单元502、滤除单元503以及检测单元504。其中，获取单元501被配置为获取第一车载激光雷达采集到的第一点云数据和第二车载激光雷达采集到的第二点云数据，其中，第一车载激光雷达和第二车载激光雷达装载在同一辆自动驾驶车辆上，第一车载激光雷达距离地面的高度大于第二车载激光雷达距离地面的高度且第一车载激光雷达的线束数大于第二车载激光雷达的线束数；估计单元502被配置为基于第一点云数据进行地面估计；滤除单元503被配置为根据第一点云数据的地面估计结果，滤除第二点云数据中的地面点；检测单元504被配置为基于滤除地面点之后的第二点云数据进行障碍物检测。

在一些实施例中，上述估计单元502可以进一步被配置为基于第一点云数据按照如下方式进行地面估计：将第一点云数据划分入预设的空间栅格，对每个栅格内的第一点云数据进行降采样，并在该栅格内拟合出地面；基于各栅格内的地面拟合结果之间的差异、以及各栅格内拟合得出的地面与第一点云数据所在坐标系的坐标轴之间的夹角，修正地面拟合结果，得到第一点云数据的地面估计结果。

在一些实施例中，上述滤除单元503可以进一步被配置为根据第一点云数据的地面估计结果，按照如下方式滤除第二点云数据中的地面点：计算第二点云数据中的数据点与基于第一点云数据估计出的地面之间的距离，将第二点云数据中与基于第一点云数据估计出的地面之间的距离小于预设距离阈值的数据点确定为地面点；滤除第二点云数据中的地面点。

在一些实施例中，上述检测单元504可以进一步被配置为按照如下方式进行障碍物检测：将第一点云数据与滤除地面点之后的第二点云数据融合后进行障碍物检测。

在一些实施例中，上述第二激光雷达为单线激光雷达。

应当理解，装置500中记载的诸单元与参考图2和图4描述的方法中的各个步骤相对应。由此，上文针对用于生成模型的方法描述的操作和特征同样适用于装置500及其中包含的单元，在此不再赘述。

本公开的上述实施例的障碍物检测装置500，通过获取单元获取第一车载激光雷达采集到的第一点云数据和第二车载激光雷达采集到的第二点云数据，其中，第一车载激光雷达距离地面的高度大于第二车载激光雷达距离地面的高度且第一车载激光雷达的线束数大于第二车载激光雷达的线束数，然后估计单元基于第一点云数据进行地面估计，之后滤除单元根据第一点云数据的地面估计结果，滤除第二点云数据中的地面点，最后检测单元基于滤除地面点之后的第二点云数据进行障碍物检测，实现了高线束激光雷达对低线束激光雷达的障碍物辅助感知，有助于减少由于车身震动或低线束激光雷达安装精度造成的障碍物误检。

下面参考图6，其示出了适于用来实现本公开的实施例的电子设备(例如图1所示的服务器)600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例所描述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取第一车载激光雷达采集到的第一点云数据和第二车载激光雷达采集到的第二点云数据，其中，第一车载激光雷达距离地面的高度大于第二车载激光雷达距离地面的高度且第一车载激光雷达的线束数大于第二车载激光雷达的线束数；基于第一点云数据进行地面估计；根据第一点云数据的地面估计结果，滤除第二点云数据中的地面点；基于滤除地面点之后的第二点云数据进行障碍物检测。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，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，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、估计单元、滤除单元和检测单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取第一车载激光雷达采集到的第一点云数据和第二车载激光雷达采集到的第二点云数据的单元”。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。