ASI改进了检测落差和其他较大负面障碍的算法

Autonomous Solutions，Inc.（ASI）改进了一种用于自动驾驶汽车的算法，以检测在自动越野汽车运行的环境中经常发现的掉落物和其他较大的负面障碍。

“ ASI已开发出一种实时映射点云遮挡的方法，” ASI感知技术负责人Taylor Bybee说。“将其集成到自动驾驶车辆障碍物检测和回避系统中时，可以提供更高的准确性和安全性。”

为了在环境中安全导航，自主地面车辆依赖于代表车辆周围3D空间的传感器数据。通常，这些数据会被物体或地形遮挡，从而在传感器视场中产生间隙。这些间隙或遮挡可能表明存在障碍物，负面障碍物或崎terrain的地形。

闭塞可以定义为阻止传感器收集某个位置的数据的障碍。例如，遮挡可以视为LiDAR数据中的阴影。

由于传感器在这些遮挡中未接收到任何数据，因此传感器数据未提供有关在遮挡区域中可能发现的内容的明确信息。必须通过使用遮挡贴图算法来推断有关遮挡的信息，以为导航系统提供更完整的环境模型。

ASI首席技术官Jeff Ferrin说：“虽然传感器数据本身无法告诉我们被遮挡区域的情况，但是遮挡会代表负障碍，例如飞落物或大障碍后面的区域。”“重要的是要识别这些区域，以进行障碍物检测和避免正常工作。”

这项新技术的应用在矿山边缘的倾倒边缘，陡峭的道路边缘，运河，沟渠，山丘或楼梯上对于室内或城市环境的设置中可能很有用。

遮挡映射算法具有三个主要组成部分。第一个是传感器视场（FOV）模型，该模型描述了期望传感器检测到的障碍物。该组件设计用于点云传感器，例如3D LiDAR，Flash LiDAR，结构光和立体声相机。

其次，使用传感器FOV模型和当前传感器数据维护并更新遮挡图，以提供对传感器FOV内尚未检测到的区域的概率估计。

第三个组成部分是将遮挡图集成到自动驾驶汽车导航系统中。它旨在与现有的障碍物检测和避免系统配合使用并对其进行补充。