一种道路边沿检测方法、电子设备及车辆与流程

1.本发明实施例涉及激光雷达测量技术，尤其涉及一种道路边沿检测方法、电子设备及车辆。


背景技术：

2.道路边沿检测是无人车环境感知中的重要研究内容。道路边沿限定了车辆行驶的道路范围，为无人驾驶车辆的环境感知和路径规划等提供了重要信息。此外，由于城市环境中树木、天桥、隧道和高层建筑等对gps信号的遮挡，道路边沿特征也常被用于估计无人驾驶车辆的位置。
3.在通过激光雷达对道路边沿检测的方法中，往往基于原始点云进行聚类拟合，导致拟合后的道路边沿和实际道路边沿容易产生角度误差和距离误差。


技术实现要素：

4.本发明实施例提供一种道路边沿检测方法、电子设备及车辆，以实现提高道路边沿检测的准确性。
5.第一方面，本发明实施例提供了一种道路边沿检测方法，该方法包括：
6.从道路的原始点云数据中提取道路的地面点云数据；
7.将所述地面点云数据按照不同的俯仰角信息进行分类，以得到各俯仰角度下的点云数据子集；
8.根据点云分布特征对至少两个点云数据子集提取路沿数据点；以及
9.对各路沿数据点进行拟合得到道路边沿线。
10.第二方面，本发明实施例还提供了一种电子设备，该电子设备包括：
11.一个或多个处理器；
12.存储装置，用于存储一个或多个程序，
13.当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的道路边沿检测方法。
14.第三方面，本发明实施例还提供了一种车辆，包括车体，还包括安装于所述车体上的激光雷达和上述的电子设备；所述激光雷达用于获取所述原始点云数据。本发明实施例通过从道路的原始点云数据中提取道路的地面点云数据；将地面点云数据按照不同的俯仰角信息进行分类，以得到各俯仰角度下的点云数据子集；根据点云分布特征对至少两个点云数据子集提取路沿数据点；以及对各路沿数据点进行拟合得到道路边沿线。解决基于原始点云进行识别，导致拟合后的道路边沿和实际道路边沿容易产生角度误差和距离误差的问题，实现提高道路边沿检测的准确性的效果。
附图说明
15.图1为本发明实施例一提供的一种道路边沿检测方法的流程图；
16.图2为本发明实施例一提供的一种道路原始点云数据示意图；
17.图3为本发明实施例一提供的一种道路边沿检测方法的流程图；
18.图4为本发明实施例一提供的一种拟合得到的道路地面点云数据示意图；
19.图5为本发明实施例一提供的一种拟合得到的道路边沿线示意图；
20.图6为本发明实施例二提供的一种道路边沿检测方法的流程图；
21.图7本发明实施例三提供的一种道路边沿检测装置的结构示意图；
22.图8为本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
23.下面结合附图和实施例对本发明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本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
24.实施例一
25.图1为本发明实施例一提供的一种道路边沿检测方法的流程图，本实施例可适用于识别道路边沿线的情况，本实施例中的道路边沿检测方法主要是基于车辆上安装的激光雷达所扫描得到的点云数据，通过对点云数据进行识别来实现对道路边沿的检测。该方法可以应用于自动驾驶、车路协同等应用场所。该方法可以由本发明实施例所提供的道路边沿检测装置来执行，该装置可以由软件和/或硬件的方式实现。参见图1，本实施例提供的道路边沿检测方法，包括：
26.步骤110、从道路的原始点云数据中提取道路的地面点云数据。
27.其中，道路的原始点云数据可以通过激光雷达获取，多线激光雷达可以为任意一款16线及以上的高精度激光雷达。在其他的实施例中，多线激光雷达也可以为两线以上的激光雷达构成，多线激光雷达还可以为激光雷达组，本实施例对此不作限制。多线激光雷达可以放置于行驶中的车辆上，在车辆的行驶过程中实时获取道路的原始点云数据。其中，道路的原始点云数据包括激光雷达扫描视场范围内的环境物体所形成的点云，比如可以包括机动车道点云，非机动车道点云，位于二者之间的花坛等障碍物点云，以及道路中行驶车辆、行走的行人或路标等障碍物点云数据，如图2所示。其中，地面点云数据是指将原始点云数据中的地面上方的障碍物进行移除后所得到的路面点云数据。
28.其中步骤110可以细化为步骤111和步骤112，如图3所示：
29.本实施例中，可选的，从道路的原始点云数据中提取道路的地面点云数据，包括：
30.步骤111、根据预设道路范围，从所述原始点云数据中获取目标点云数据。
31.其中，预设道路范围是指实际需要监控的道路范围，该范围通常小于或等于激光雷达的扫描视场范围。实际需要监控的道路范围跟机动车道的尺寸等因素相关，预设道路范围应该具有足够尺寸以确保车辆能够对前方乃至周边的车辆、行人等障碍物有充足的时间进行预判和反应。例如，预设道路范围可以通过对机动车道的尺寸进行扩展得到预设道路范围，例如机动车道的宽度为20米，则预设道路范围的宽度可以为25米，长度为40米。在其他的实施例中，长度和宽度也可以根据需要进行设定。在实际进行数据处理的过程中，只需要将原始点云数据中位于该预设道路范围内的点云数据作为目标点云数据进行分析即可，而无需对其他区域的数据进行分析，从而降低整个数据处理的数据量，有利于提高数据
处理的效率。
32.本实施例中，可选的，所述方法还包括：
33.根据所述点云数据确定车辆的移动速度；获取所述原始点云数据的激光雷达固定在所述车辆上；
34.根据所述车辆的移动速度获取所述预设道路范围。
35.激光雷达固定在车辆上，用于获取原始点云数据，位置可以为车辆的正上方或者正前方，本实施例对此不做限制。车辆可以为半自动驾驶车辆，也可以自动驾驶车辆、无人驾驶车辆。
36.在车辆的移动过程中，车辆的移动速度越快，需要监控的视场区域也应该越远，因此可以根据车辆的移动速度来调整预设道路范围的长度。车辆的移动速度越快，预设道路范围的长度越大，车辆的移动速度越慢，预设道路范围的长度可以越小，以防止车辆的移动速度过快而预设道路范围过小导致车辆无法对前方的障碍物及时作出预判，进而使得车辆没有足够的安全时间来进行反应导致事故发生。通过动态调整预设目标范围，能够提高车辆在行驶过程中的安全性。
37.步骤112、通过平面拟合算法从目标点云数据中提取道路的地面点云数据。
38.具体的，根据点云的高度，将高度大于高度阈值的点云数据滤除，从而从目标点云数据中提取出来地面点云数据。在其他的实施例中，也可以直接采用平面拟合算法，从过滤得到的目标点云数据中提取地面点云数据。需要说明的是，本技术实施例对平面拟合算法不作具体限定，例如可以采用ransac(random sample consensus，随机抽样一致)算法。通过从原始点云数据中获取需要处理的目标点云数据，再对目标点云数据进行拟合，能够进一步提高地面点云数据获取的准确率。拟合得到的地面点云数据如图4所示。
39.步骤120、将所述地面点云数据按照不同的俯仰角信息进行分类，以得到各俯仰角度下的点云数据子集。
40.具体的，多线激光雷达包含多个激光器，由同一激光器发射获取的地面点云数据具有相同的俯仰角。由于激光雷达最终采集到的点云数据中携带有激光光束的俯仰角度信息，因此可以按照不同的俯仰角信息对地面点云数据进行分类，以得到各俯仰角度下的地面点云的点云数据子集。以图4中为例，图中的点云数据以车辆为中心大致呈同心圆分布，每一圈点云则对应于一个相同的俯仰角度，也即由同一个激光器扫描得到。因此，根据俯仰角对点云数据进行分类得到各点云数据子集，也即将每一圈上的点云进行分类。图中的点云为360度机械旋转激光雷达所得到的点云数据，在其他的实施例中，也可以采用固态或者混合固态的激光雷达来执行，此时对应的点云数据为以扇形区域，此时对应于每一个俯仰角度下的扫描轨迹为以圆弧，此时则根据各俯仰角度将不同半径下的圆弧进行分类即可。
41.传统方法中，通常是对获取道路的原始点云数据进行聚类分析，计算类中的最远两点的欧式距离，若两点距离最大则这两点为路沿数据点。但是单纯通过欧式距离来判断点云是否为路沿数据点会造成很多错误检测，例如当道路边沿不长或者路上有较长的货车经过时，该算法会将货车检测为道路边沿。并且，对聚类分析后获取的路沿数据点进行拟合，拟合后获取的道路边沿线与实际道路边沿很难重合，会出现角度差以及距离误差。
42.由于本技术实施例通过对地面点云数据进行处理，能够避免传统方法中对原始点云数据直接进行处理，导致造成检测的道路边沿线与实际道路边沿存在角度差以及距离误
差等缺陷，提高道路边沿检测的准确度。
43.步骤130、根据点云分布特征对至少两个点云数据子集提取路沿数据点。
44.其中，点云分布特征为点云数据子集中数据点的分布特征。根据点云分布特征，确定至少两个点云数据子集，并从确定的点云数据子集中提取路沿数据点。
45.本实施例中，可选的，所述点云分布特征为圆弧形分布特征。
46.如前所述，每个点云数据子集中的数据点的分布呈圆弧形，只有在道路边沿处呈现近似直线形，因此点云数据子集中分布呈直线形的数据点为路沿数据点的可能性较大。
47.本实施例中，可选的，根据点云分布特征对至少两个点云数据子集提取路沿数据点，包括：
48.依次对每个点云数据子集中相邻的预设第一数量的数据点的分布规律进行判断以确定路沿数据点；所述分布规律包括相邻的预设数量的数据点之间的分布距离，和/或相邻的预设数量的数据点之间的斜率分布。
49.具体地，对确定出来的需要进行路沿数据点提取的点云数据子集进行操作。其中，每个点云数据子集中相邻的预设第一数量的数据点可以通过滑动窗口获取。滑动窗口在处理过程中可以进行显示，也可以仅仅作为一个虚拟的步进窗口。也即，对于每个点云数据子集，从任意位置或者指定位置开始，对滑动窗口范围内的数据点的分布特征进行判断，确定该区域内的数据点是否为路沿数据点，并在判断完成后移动滑动窗口至下一区域，直至完成对该点云数据子集内的所有数据点的判断。示例性的，当点云分布特征为圆弧形分布特征时，从每个点云数据子集的任意位置开始，沿点云数据子集所在圆弧滑动。滑动窗口的大小跟预设第一数量相对应，也即滑动窗口的大小应该使得窗口范围内能够出现预设第一数量的数据点。示例性的，预设第一数量为7，则每次处理7个数据点。在其他的实施例中，预设第一数量也可以设置为大于两个，具体数值可以根据实践经验确定，只需要预设第一数量的数据点能够反映出来点云分布特征即可。在本实施例中，以预设第一数量为7进行数据处理，这样的好处在于，既可以提高道路边沿识别的准确性，也可以避免由于步长过短导致数据处理工作量大，降低道路边沿检测的效率。
50.在一实施例中，可以通过判断相邻的预设数量的数据点之间的分布距离，确定路沿数据点时，判断相邻的预设数量的数据点之间的分布距离是否相差超过距离阈值。示例性的，点云位置用坐标来表示，以道路前进方向为x轴正轴，道路前进方向左侧为y轴正轴，判断预设第一数量的数据点是否满足距离阈值要求。例如预设第一数量的数据点中x轴最大值与最小值差的绝对值是否大于30mm且小于1000mm，y轴最大值与最小值的差的绝对值是否小于60mm。若两个条件同时满足，则表明数据点的分布规律发生了变化。根据图4中也可以看出，在正常分布情况下，同一点云数据子集中相邻两个数据点之间无论是在x轴还是y轴上都有一定的变化量，而出现路沿时，相应路段的点云数据呈现为直线，此时y轴值基本是相同的，且x轴上的间距也相应的减小，因此当滑动窗口内的几个数据点的y轴竖直相差不大时，且x轴之间的距离发生变化时，则可以考虑该范围内的数据点为路沿数据点。
51.在另一实施例中，也可以通过判断相邻的预设数量的数据点之间的斜率分布，来确定路沿数据点。具体地，判断相邻的预设数量的数据点之间的斜率分布是否满足直线斜率分布。由于点云分布特征为圆弧形分布特征时，点云数据子集中数据点之间的斜率为不断变化的斜率，而由于道路边沿呈现直线状，路沿数据点的分布应为直线分布，因此斜率不
变。示例性的，当预设第一数量的数据点中的任意两个数据点之间，超过两个数据点对的斜率相同时，或者任意三个数据点在同一条直线上时，判定当前预设第一数量的所有数据点均为路沿数据点。
52.本技术实施例根据道路边沿线的特性，通过判断预设第一数量的数据点的距离是否大于距离阈值和/或相邻的预设数量的数据点之间的斜率分布是否满足直线斜率分布，以准确确定每个点云数据子集中符合路沿数据特征的数据点，提高道路边沿检测的准确性。
53.步骤140、对各路沿数据点进行拟合得到道路边沿线。
54.在确定路沿数据点后，通过最小二乘法等算法对道路两侧的边沿点分别进行拟合，以获取两侧的道路边沿线。可选的，在通过拟合获取道路边沿线后，还可以通过卡尔曼滤波跟踪算法，根据已获取的路沿数据点，对下一时刻的道路边沿线进行预测，从而对道路边沿线进行跟踪，防止道路边沿线在识别时发生跳变，产生识别错误，以提高道路边沿检测的稳定性。拟合得到的道路边沿线如图5所示。
55.本实施例所提供的技术方案，通过从道路的原始点云数据中提取道路的地面点云数据；将地面点云数据按照不同的俯仰角信息进行分类，以得到各俯仰角度下的点云数据子集；根据点云分布特征对至少两个点云数据子集提取路沿数据点；以及对各路沿数据点进行拟合得到道路边沿线。解决基于原始点云进行识别，导致拟合后的道路边沿和实际道路边沿容易产生角度误差和距离误差的问题，实现提高道路边沿检测的准确性的效果。
56.实施例二
57.图6为本发明实施例二提供的一种道路边沿检测方法的流程图，本技术方案是针对各路沿数据点进行拟合得到道路边沿线的过程进行补充说明的。与上述方案相比，本方案具体优化为，
58.所述对各路沿数据点进行拟合得到道路边沿线，包括：
59.根据各路沿数据点的数据坐标，确定各路沿数据点的边沿类别；其中，所述边沿类别包括左边沿和右边沿；
60.对每一所述边沿类别下的路沿数据点进行拟合得到对应路沿类型下的道路边沿线。具体的，道路边沿检测方法的流程图如图6所示：
61.步骤210、从道路的原始点云数据中提取道路的地面点云数据。
62.步骤220、将所述地面点云数据按照不同的俯仰角信息进行分类，以得到各俯仰角度下的点云数据子集。
63.步骤230、根据点云分布特征对至少两个点云数据子集提取路沿数据点。
64.本实施例中，可选的，所述根据点云分布特征对至少两个点云数据子集提取路沿数据点包括，根据点云分布特征对俯仰角大小位于中间区域的预设第二数量的点云数据子集提取路沿数据点。
65.其中，俯仰角的大小对应点云数据子集中数据点距离激光雷达的远近，俯仰角越大，距离激光雷达越近。距离激光雷达越近，数据点越容易被激光雷达周围的汽车等障碍物遮挡，降低最终道路边沿检测准确性；距离激光雷达越远，则相邻两个数据点之间的距离较远，特征不明显，容易出现误判，因此选择位于中间区域的预设第二数量的点云数据子集，其中预设第二数量大于等于二，中间区域的选择可以为经验值，在此不做具体限定。以32线
激光雷达为例，可以选择位于8-10这三个符合点云分布特征要求的点云数据子集作为提取目标。确定适当位置的点云数据子集，获取特征明显且不易被遮挡的数据点，从而提高提取路沿数据点的准确性。
66.步骤240、根据各路沿数据点的数据坐标，确定各路沿数据点的边沿类别；其中，所述边沿类别包括左边沿和右边沿。
67.根据路沿数据点所处位置，确定路沿数据点处于道路的左侧或右侧。示例性的，以道路前进方向为x轴正轴，可以根据路沿数据点y轴值的正负判断路沿数据点处于坐标轴的左侧或右侧，以确定路沿数据点的类别属于左边沿或右边沿。
68.步骤250、对每一所述边沿类别下的路沿数据点进行拟合得到对应路沿类型下的道路边沿线。
69.对左边沿和右边沿类别下路沿数据点分别通过最小二乘法等算法进行拟合，以获取单侧的道路边沿线，其中单侧道路边沿线包括左道路边沿线和右道路边沿线。
70.本实施例中，可选的，当获取的同侧侧道路边沿线数量大于一时，确定离道路中心距离较近的单侧候选道路边沿线为目标道路边沿线。
71.示例性的，根据路沿数据点获取道路边沿线时，在同一侧可能获取超过一条的道路边沿线，例如在识别过程中将左侧的非机动车道误识别为机动车道，从而获得两条左侧道路边沿线。则从获取的两条左侧道路边沿线中，选取更靠近道路中心的道路边沿线作为实际的道路边沿线，滤除识别错误的道路边沿线，以提高道路边沿检测的准确性，避免将非机动车道边沿线误识别为机动车道边沿线。
72.本实施例中，可选的，在对每一所述边沿类别下的路沿数据点进行拟合得到对应路沿类型下的道路边沿线之前，还包括：
73.对每一所述边沿类别下的路沿数据点进行去噪处理。
74.在道路边沿的实际检测过程中，极易检测到噪声路沿数据点。示例性的，在道路旁边往往设置有低矮的花坛等用于隔离机动车道和非机动车道，或者在检测过程中有汽车路过等，花坛和经过的车辆往往容易被误识别为道路边沿，干扰正确道路边沿线的获取。
75.为解决以上问题，本实施例中对每一边沿类别下的路沿数据点进行去噪处理。
76.根据每一所述边沿类别下的路沿数据点的点云位置，确定该边沿类别下的位置均值；
77.确定该边沿类别下的各路沿数据点与所述位置均值的距离，并根据所述距离，对各路沿数据点进行过滤。
78.其中，位置均值可以通过获取边沿类别下所有路沿数据点的指定坐标轴的坐标值的总和，并对总值求平均获得。将与位置均值距离超过距离阈值的路沿数据点进行过滤。示例性的，左边沿类别中，将该边沿类别下的所有与y轴位置均值的距离超过1000mm的路沿数据点判定为噪声路沿点，并进行过滤。
79.按照边沿类别特点，对路沿数据点进行过滤，以过滤在识别路沿数据点时可能识别错误的，与其它路沿数据点相差较大的路沿数据点。将过滤后的两侧路沿数据点，再分别进行拟合，以获取两侧最终的道路边沿线，以减小检测误差，提高道路边沿检测的准确性。
80.本实施例所提供的技术方案，通过根据各路沿数据点的数据坐标，确定各路沿数据点的边沿类别；其中，所述边沿类别包括左边沿和右边沿；对每一所述边沿类别下的路沿
数据点进行拟合得到对应路沿类型下的道路边沿线。以便针对路沿类型对道路边沿线进行进一步处理，提高道路边沿检测的准确性。
81.实施例三
82.图7为本发明实施例三提供的一种道路边沿检测装置的结构示意图。该装置可以由硬件和/或软件的方式来实现，可执行本发明任意实施例所提供的一种道路边沿检测方法，具备执行方法相应的功能模块和有益效果。如图7所示，该装置包括：
83.数据提取模块310，用于从道路的原始点云数据中提取道路的地面点云数据；
84.数据分类模块320，用于将所述地面点云数据按照不同的俯仰角信息进行分类，以得到各俯仰角度下的点云数据子集；
85.数据点提取模块330，用于根据点云分布特征对至少两个点云数据子集提取路沿数据点。以及
86.数据点拟合模块340，用于对各路沿数据点进行拟合得到道路边沿线。
87.本实施例所提供的技术方案，通过从道路的原始点云数据中提取道路的地面点云数据；将地面点云数据按照不同的俯仰角信息进行分类，以得到各俯仰角度下的点云数据子集；根据点云分布特征对至少两个点云数据子集提取路沿数据点；以及对各路沿数据点进行拟合得到道路边沿线。解决基于原始点云进行识别，导致拟合后的道路边沿和实际道路边沿容易产生角度误差和距离误差的问题，实现提高道路边沿检测的准确性的效果。
88.在上述各技术方案的基础上，可选的，所述数据提取模块包括：
89.数据获取单元，用于根据预设道路范围，从所述原始点云数据中获取目标点云数据；
90.数据提取单元，用于通过平面拟合算法从所述目标点云数据中提取道路的地面点云数据。
91.在上述各技术方案的基础上，可选的，所述装置还包括：
92.速度确定模块，用于根据所述点云数据确定车辆的移动速度；获取所述原始点云数据的激光雷达固定在所述车辆上；
93.道路范围获取模块，用于根据所述车辆的移动速度获取所述预设道路范围。
94.在上述各技术方案的基础上，可选的，所述点云分布特征为圆弧形分布特征。
95.在上述各技术方案的基础上，可选的，所述数据点提取模块，包括：
96.数据点确定单元，用于依次对每个点云数据子集中相邻的预设第一数量的数据点的分布规律进行判断以确定路沿数据点；所述分布规律包括相邻的预设数量的数据点之间的分布距离，和/或相邻的预设数量的数据点之间的斜率分布。
97.在上述各技术方案的基础上，可选的，所述数据点提取模块，包括：
98.数据点提取单元，用于根据点云分布特征对俯仰角大小位于中间区域的预设第二数量的点云数据子集提取路沿数据点。
99.在上述各技术方案的基础上，可选的，所述数据点拟合模块，包括：
100.边沿类别确定单元，用于根据各路沿数据点的数据坐标，确定各路沿数据点的边沿类别；其中，所述边沿类别包括左边沿和右边沿；
101.数据点拟合单元，用于对每一所述边沿类别下的路沿数据点进行拟合得到对应路沿类型下的道路边沿线。
102.在上述各技术方案的基础上，可选的，所述装置还包括：
103.数据点去噪单元，用于所述数据点拟合单元之前，对每一所述边沿类别下的路沿数据点进行去噪处理。
104.实施例四
105.图8为本发明实施例四提供的一种电子设备的结构示意图，如图8所示，该电子设备包括处理器40、存储器41、输入装置42和输出装置43；电子设备中处理器40的数量可以是一个或多个，图8中以一个处理器40为例；电子设备中的处理器40、存储器41、输入装置42和输出装置43可以通过总线或其他方式连接，图8中以通过总线连接为例。
106.存储器41作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的道路边沿检测方法对应的程序指令/模块。处理器40通过运行存储在存储器41中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述的道路边沿检测方法。
107.存储器41可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器41可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器41可进一步包括相对于处理器40远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
108.实施例五
109.本发明实施例五还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种道路边沿检测方法，该方法包括：
110.从道路的原始点云数据中提取道路的地面点云数据；
111.将所述地面点云数据按照不同的俯仰角信息进行分类，以得到各俯仰角度下的点云数据子集；
112.根据点云分布特征对至少两个点云数据子集提取路沿数据点；以及
113.对各路沿数据点进行拟合得到道路边沿线。
114.当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的道路边沿检测方法中的相关操作。
115.通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(read-only memory,rom)、随机存取存储器(random access memory,ram)、闪存(flash)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
116.值得注意的是，上述道路边沿检测装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
117.实施例六
118.本发明实施例六提供一种车辆，包括车体，还包括安装于所述车体上的激光雷达和本发明实任意实施例所述的电子设备；所述激光雷达用于获取所述原始点云数据。
119.具体的，该车辆可以是无人车，安装在无人车上的电子设备可以执行本发明任意实施例所述的一种道路边沿检测方法的相关操作。
120.注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。