CN108983213A - 障碍物静止状态的确定方法、装置、设备及存储介质 - Google Patents
障碍物静止状态的确定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN108983213A CN108983213A CN201811043093.0A CN201811043093A CN108983213A CN 108983213 A CN108983213 A CN 108983213A CN 201811043093 A CN201811043093 A CN 201811043093A CN 108983213 A CN108983213 A CN 108983213A
- Authority
- CN
- China
- Prior art keywords
- sensor
- state
- apportioning cost
- belief function
- barrier
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000004888 barrier function Effects 0.000 title claims abstract description 159
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000005516 engineering process Methods 0.000 claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 230000003068 static effect Effects 0.000 claims description 72
- 238000013507 mapping Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 163
- 238000012545 processing Methods 0.000 description 9
- 230000004927 fusion Effects 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000005291 magnetic effect Effects 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/50—Systems of measurement based on relative movement of target
- G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/50—Systems of measurement based on relative movement of target
- G01S17/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
- G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
- G01S2013/9322—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles using additional data, e.g. driver condition, road state or weather data
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Traffic Control Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明实施例公开了一种障碍物静止状态的确定方法、装置、设备及存储介质,所述方法包括:获取至少两个传感器针对同一障碍物检测得到的实时障碍物速度;根据与传感器对应的实时障碍物速度,分别计算各传感器在至少两个状态参数下的信度函数分配值;采用D‑S证据组合技术,将各传感器在各状态参数下的信度函数分配值进行融合,得到与各状态参数分别对应的融合信度函数分配值;根据与各状态参数分别对应的融合信度函数分配值,判断障碍物的静止状态。本发明实施例的技术方案能够保证用于无人车系统中判断障碍物静止状态的算法模块的独立性以及整个集成系统的功能完整性,从而提高无人车系统判断障碍物静止状态的稳定性、可靠性和准确性。
Description
技术领域
本发明实施例涉及数据处理技术,尤其涉及一种障碍物静止状态的确定方法、装置、设备及存储介质。
背景技术
近年来,随着传感器技术、控制系统以及人工智能技术的不断发展,无人驾驶车辆(后文简称为无人车)以及地面移动机器人取得了很大的发展。以无人车为例,在现实动态环境中,无人车需要在环境感知中能够稳定准确的检测出障碍物并识别出障碍物的运动状态类型,这对于路径规划建立运动模型可以起到很大的帮助,进而可以辅助无人车做出各种智能决策行为。
目前,在无人车系统中,判断障碍物是否为静止状态是一个关键问题,该静止状态的判断结果对后续预测及决策控制提供了重要信息。传统方案主要通过配置在无人车上的各种单传感器输出的速度信息确定障碍物是否处于静止状态。
发明人在实现本发明的过程中,发现现有技术存在如下缺陷:由于各个单传感器自身硬件的限制,以及单传感器中不含有冗余信息,这就导致了难以稳定、可靠地判断出障碍物的静止状态,容易出现错判断的情况。
发明内容
本发明实施例提供了一种障碍物静止状态的确定方法、装置、设备及存储介质,以兼顾算法模块的独立性以及整个集成系统的功能完整性。
第一方面,本发明实施例提供了一种障碍物静止状态的确定方法,包括:
获取至少两个传感器针对同一障碍物检测得到的实时障碍物速度;
根据与传感器对应的实时障碍物速度,分别计算各所述传感器在至少两个状态参数下的信度函数分配值;
采用D-S证据组合技术,将各所述传感器在各状态参数下的信度函数分配值进行融合,得到与各所述状态参数分别对应的融合信度函数分配值;
根据与各所述状态参数分别对应的融合信度函数分配值,判断所述障碍物的静止状态。
第二方面,本发明实施例还提供了一种障碍物静止状态的确定装置,包括:
实时障碍物速度获取模块,用于获取至少两个传感器针对同一障碍物检测得到的实时障碍物速度;
独立信度函数分配值计算模块,用于根据与传感器对应的实时障碍物速度,分别计算各所述传感器在至少两个状态参数下的信度函数分配值;
融合信度函数分配值计算模块,用于采用D-S证据组合技术,将各所述传感器在各状态参数下的信度函数分配值进行融合,得到与各所述状态参数分别对应的融合信度函数分配值;
静止状态判断模块,用于根据与各所述状态参数分别对应的融合信度函数分配值,判断所述障碍物的静止状态。
第三方面,本发明实施例还提供了一种计算机设备,所述计算机设备包括:
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本发明任意实施例所提供的障碍物静止状态的确定方法。
第四方面,本发明实施例还提供了一种计算机存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明任意实施例所提供的障碍物静止状态的确定方法。
第五方面,本发明实施例还提供了一种车辆,包括车体,还包括本发明任意实施例所述的计算机设备,以及设置在车体上的至少两个传感器,其中,所述至少两个传感器用于检测周围环境中障碍物的实时障碍物速度。
本发明实施例通过根据获取的至少两个传感器针对同一障碍物检测得到的实时障碍物速度,分别计算各传感器在至少两个状态参数下的信度函数分配值;然后采用D-S证据组合技术将各信度函数分配值进行融合,得到与各状态参数分别对应的融合信度函数分配值,最后根据与各状态参数分别对应的融合信度函数分配值判断障碍物的静止状态,实现通过多个传感器获取的障碍物速度来确定障碍物的静止状态,解决现有无人车系统中判断障碍物的静止状态时存在的判断结果不稳定、不可靠以及易出现错判断的问题,保证用于无人车系统中判断障碍物静止状态的算法模块的独立性以及整个集成系统的功能完整性,从而提高无人车系统判断障碍物静止状态的稳定性、可靠性和准确性。
附图说明
图1是本发明实施例一提供的一种障碍物静止状态的确定方法的流程图;
图2是本发明实施例二提供的一种障碍物静止状态的确定方法的流程图;
图3是本发明实施例三提供的一种障碍物静止状态的确定方法的流程图;
图4是本发明实施例四提供的一种障碍物静止状态的确定装置的示意图;
图5为本发明实施例五提供的一种计算机设备的结构示意图。
具体实施方式
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内容。在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理,但是其中的许多操作可以被并行地、并发地或者同时实施。此外,各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1是本发明实施例一提供的一种障碍物静止状态的确定方法的流程图,本实施例可适用于无人车系统确定障碍物静止状态的情况,该方法可以由障碍物静止状态的确定装置来执行,该装置可以由软件和/或硬件的方式来实现,并一般可集成在车辆中配置的计算机设备中。相应的,如图1所示,该方法包括如下操作:
S110、获取至少两个传感器针对同一障碍物检测得到的实时障碍物速度。
其中,实时障碍物速度可以是传感器在某一时间点检测到的障碍物的速度。
在本发明实施例中,为了准确确定障碍物的静止状态,不再使用单独的传感器测量障碍物的速度信息来确定障碍物是否处于静止状态,而是使用多个传感器进行测量。具体的,可以通过至少两个传感器针对同一障碍物检测得到至少两个实时障碍物速度。
S120、根据与传感器对应的实时障碍物速度,分别计算各所述传感器在至少两个状态参数下的信度函数分配值。
其中,信度函数是一种用于描述主观不确定现象的数学工具。状态参数可以是信度函数中用于评价障碍物状态的可用参数。相应的,信度函数分配值可以是各状态参数对应的数值,需要说明的是,所有信度函数分配值的和为1。
在本发明的一个可选实施例中,所述状态参数可以包括:静止、非静止以及未知。
在本发明实施例中,可选的,状态参数可以包括静止、非静止以及未知三种类型。传感器的信度函数对应的状态参数需要至少包括静止、非静止以及未知三种类型的其中两种。其中,静止表示障碍物的静止状态,非静止则表明障碍物的非静止状态,同时考虑到传感器自身干扰或误差等因素,还可以设置未知状态参数来体现其他未知类型的状态发生的概率,也即,未知状态参数是静止与非静止状态参数的全集,三种状态参数的设定能够有效提高传感器的检测精度。
S130、采用D-S证据组合技术,将各所述传感器在各状态参数下的信度函数分配值进行融合,得到与各所述状态参数分别对应的融合信度函数分配值。
其中,融合信度函数分配值可以是对各传感器的各状态参数按照一定组合规则(如Dempster组合规则)进行融合得到的新的信度函数分配值。
在本发明实施例中,当得到多个传感器各状态参数下的信度函数分配值后,可以利用D-S证据组合技术对得到的各状态参数下的信度函数分配值进行融合,从而得到各状态参数下最终可用的融合信度函数分配值。
S140、根据与各所述状态参数分别对应的融合信度函数分配值,判断所述障碍物的静止状态。
相应的,在本发明实施例中,通过D-S证据组合技术对各传感器在各状态参数下的信度函数分配值进行融合得到与各状态参数分别对应的融合信度函数分配值后,即可以根据各状态参数分别对应的融合信度函数分配值来判断障碍物的静止状态。示例性的,假设静止、非静止和未知三个状态参数分别对应的融合信度函数分配值为(0.8,0.1,0.1),则可以据此判断障碍物的静止状态为静止。
本发明实施例通过根据获取的至少两个传感器针对同一障碍物检测得到的实时障碍物速度,分别计算各传感器在至少两个状态参数下的信度函数分配值;然后采用D-S证据组合技术将各信度函数分配值进行融合,得到与各状态参数分别对应的融合信度函数分配值,最后根据与各状态参数分别对应的融合信度函数分配值判断障碍物的静止状态,实现通过多个传感器获取的障碍物速度来确定障碍物的静止状态,解决现有无人车系统中判断障碍物的静止状态时存在的判断结果不稳定、不可靠以及易出现错判断的问题,保证用于无人车系统中判断障碍物静止状态的算法模块的独立性以及整个集成系统的功能完整性,从而提高无人车系统判断障碍物静止状态的稳定性、可靠性和准确性。
实施例二
图2是本发明实施例二提供的一种障碍物静止状态的确定方法的流程图,本实施例以上述实施例为基础进行具体化,在本实施例中,给出了根据与传感器对应的实时障碍物速度,分别计算各所述传感器在各状态参数下的信度函数分配值的具体实现方式。相应的,如图2所示,本实施例的方法可以包括:
S210、获取至少两个传感器针对同一障碍物检测得到的实时障碍物速度。
S220、根据与传感器对应的实时障碍物速度,分别计算各所述传感器在至少两个状态参数下的信度函数分配值。
相应的,S220具体可以包括以下步骤:
S221、根据速度模值与静止概率之间的映射关系,以及与传感器对应的实时障碍物速度,计算与各所述传感器分别对应的实时静止概率。
其中,速度模值可以是实时障碍物速度对应的模值,实时静止概率即为障碍物在某一时间点对应的静止概率。
在本发明实施例中,可以通过速度模值与静止概率之间的映射关系计算各传感器在各状态参数下的信度函数分配值。具体的,可以首先将传感器对应的实时障碍物速度对应的速度模值代入速度模值与静止概率之间的映射关系中,从而求得各传感器分别对应的实时静止概率。
在本发明的一个可选实施例中,所述速度模值与静止概率之间的映射关系可以包括:
其中,v为速度模值,f(v)为静止概率,t与s为预先设定的映射参数;
其中,不同传感器对应不同取值范围的映射参数。
在本发明实施例中,v为自变量,是传感器的速度模值,t为速度模值阈值,当v小于t时返回静止概率为1,说明完全信任为静止状态,当v大于等于t时,静止概率的值会随v的增大而递减,说明静止状态的概率逐渐减小。s为控制概率随速度下降的比例值,s值越大,概率值随速度值下降而下降的速度越慢。t与s均为预先设定的映射参数,可以是常数,其具体数值可以根据实际需求进行设定,本发明实施例并不对t与s的具体数值进行限定。另外,传感器的性质和类别不同,则需要对应不同取值范围的映射参数。
在本发明的一个可选实施例中,所述传感器可以包括:毫米波雷达或者激光雷达。如果所述传感器为毫米波雷达,则t的取值范围为(0.5,1.0),s的取值范围为(0.1,0.3);如果所述传感器为激光雷达,则t的取值范围为(0.2,0.5),s的取值范围为(0.1,0.2)。
其中,毫米波雷达是工作在毫米波波段探测的雷达,激光雷达是以发射激光束探测目标的位置、速度等特征量的雷达系统。从本质上说激光雷达和毫米波雷达都是利用回波成像来构显被探测物体的。但激光雷达会比较容易受到自然光或是热辐射的影响,在自然光强烈或是辐射区域的时候,激光雷达将会被削弱很多。而且激光雷达的造价成本高,对工艺水平要求也比较高。而毫米波雷达而言,虽然抗干扰能力较强,但是距离和精确度是硬伤,而且在行车环境下,处于多重波段并存的环境下对毫米波的影响是极大的。毫米波对于较远处的探测能力也是极为有限的。由此可见,激光雷达要比毫米波雷达的精度和稳定性高。
在本发明实施例中,考虑到不同传感器对应不同取值范围的映射参数,可选的,如果传感器为毫米波雷达,则t的取值范围可以为(0.5,1.0),s的取值范围可以为(0.1,0.3);如果传感器为激光雷达,则t的取值范围可以为(0.2,0.5),s的取值范围可以为(0.1,0.2)。当然,如果传感器为其他类型的传感器,则t与s的取值范围也可以预先适应性地设定。
S222、根据与各所述传感器分别对应的实时静止概率,以及与传感器对应的信度函数分配规则,分别计算各所述传感器在各状态参数下的信度函数分配值。
其中,信度函数分配规则可以是用于根据实时静止概率计算各传感器在各状态参数下的信度函数分配值所制定的规则。需要说明的是,任何可以合理计算出各传感器在各状态参数下的信度函数分配值的规则均可以作为信度函数分配规则,本发明实施例并不对信息函数分配规则的具体内容进行限定。
在本发明实施例中,可以利用预先制定的传感器对应的信度函数分配规则根据计算所得的各传感器分别对应的实时静止概率,分别计算各传感器在各状态参数下的信度函数分配值。
在本发明的一个可选实施例中,根据与各所述传感器分别对应的静止概率,以及与传感器对应的信度函数分配规则,分别计算各所述传感器在各状态参数下的信度函数分配值,可以包括:
根据与毫米波雷达对应的第一实时静止概率f1(v),将所述毫米波雷达类型在静止状态下的信度函数分配值设置为0,将所述毫米波雷达类型在非静止状态下的信度函数分配值设置为1-f1(v),将所述毫米波雷达在未知状态下的信度函数分配值设置为f1(v);和/或
根据与激光雷达对应的第二实时静止概率f2(v),将所述激光雷达在静止状态下的信度函数分配值设置为f2(v),将所述激光雷达在非静止状态下的信度函数分配值设置为1-f2(v),将所述激光雷达在未知状态下的信度函数分配值设置为0。
其中,第一实时静止概率为毫米波雷达计算得到的实时静止概率,第二实时静止概率为激光雷达计算得到的实时静止概率。
在本发明实施例中,考虑到毫米波雷达的精度和稳定性较低,所以毫米波雷达所计算得到的实时静止概率的可靠性也比较低。因此,对于毫米波雷达所制定的信度函数分配规则可以是:将毫米波雷达计算得到的第一实时静止概率f1(v)作为毫米波雷达的未知状态参数对应的信度函数分配值,将1-f1(v)作为毫米波雷达的非静止状态参数对应的信度函数分配值。相应的,毫米波雷达的静止状态参数对应的信度函数分配值则设置为0。考虑到激光雷达的精度和稳定性较高,所以激光雷达所计算得到的实时静止概率的可靠性也比较高。因此,对于激光雷达所制定的信度函数分配规则可以是:直接将计算得到的第二实时静止概率f2(v)作为激光雷达的静止状态参数对应的信度函数分配值,将1-f2(v)作为激光雷达的非静止状态参数对应的信度函数分配值。相应的,激光雷达的未知状态参数对应的信度函数分配值为0。
也即,毫米波雷达的实时障碍物速度经过映射求得的第一实时静止概率可以分配至未知状态及非静止状态两个状态参数上。激光雷达的实时障碍物速度经过映射求得的第二实时静止概率可以分配至静止状态及非静止状态两个状态参数上。示例性的,对于毫米波雷达来说,如果计算得到的第一实时静止概率f1(v)为0.2,则对应的静止状态参数对应的信度函数分配值为0,非静止状态参数对应的信度函数分配值为0.8,未知状态参数对应的信度函数分配值为0.2。对于激光雷达来说,如果计算得到的第二实时静止概率f2(v)为0.2,则对应的静止状态参数对应的信度函数分配值为0.2,非静止状态参数对应的信度函数分配值为0.8,未知状态参数对应的信度函数分配值为0。
S230、采用D-S证据组合技术,将各所述传感器在各状态参数下的信度函数分配值进行融合,得到与各所述状态参数分别对应的融合信度函数分配值。
具体的,可以通过现有的D-S证据融合技术中的各种融合算法,将各所述传感器在各状态参数下的信度函数分配值进行融合,以使得最终得到的融合信度函数分配值能够同时参考多个传感器检测得到的多个实时障碍物速度。
S240、根据与各所述状态参数分别对应的融合信度函数分配值,判断所述障碍物的静止状态。
采用上述技术方案,通过利用速度模值与静止概率之间的映射关系以及与传感器对应的信度函数分配规则,根据传感器对应的实时障碍物速度分别计算各传感器在各状态参数下的信度函数分配值,进而采用D-S证据组合技术将各传感器在各状态参数下的信度函数分配值进行融合,得到与各状态参数分别对应的融合信度函数分配值,最终根据与各所述状态参数分别对应的融合信度函数分配值判断障碍物的静止状态,能够保证用于无人车系统中判断障碍物静止状态的算法模块的独立性以及整个集成系统的功能完整性,从而提高无人车系统判断障碍物静止状态的稳定性、可靠性和准确性。
实施例三
图3是本发明实施例三提供的一种障碍物静止状态的确定方法的流程图,本实施例以上述实施例为基础进行具体化,在本实施例中,给出了在根据与传感器对应的实时障碍物速度,分别计算各所述传感器在至少两个状态参数下的信度函数分配值之后的具体实现方式。相应的,如图3所示,本实施例的方法可以包括:
S310、获取至少两个传感器针对同一障碍物检测得到的实时障碍物速度。
S320、根据与传感器对应的实时障碍物速度,分别计算各所述传感器在至少两个状态参数下的信度函数分配值。
S330、根据传感器检测得到的所述实时障碍物速度,以及历史障碍物速度,对所述传感器在至少两个状态参数下的信度函数分配值进行更新。
其中,历史障碍物速度可以是当前实时障碍物速度的时间点之前测量的障碍物速度。
在本发明实施例中,考虑到障碍物的速度变化通常情况下是连续的,也即,障碍物的速度不会发生突变,实时障碍物速度通常与历史障碍物速度之间存在关联关系。因此,可以利用障碍物的历史障碍物速度对计算所得的传感器在各状态参数下的信度函数分配值进行校正更新,以保证传感器在各状态参数下的信度函数分配值的准确性。
相应的,S330具体可以包括以下步骤:
S331、获取激光雷达作为目标传感器。
需要说明的是,由于毫米波雷达的精度和稳定性不佳,其检测到的历史障碍物速度的准确度的可靠性并不高,所以利用毫米波雷达的历史障碍物速度来更新其在各状态参数下的信度函数分配值并不可靠。因此,本发明实施例只对激光雷达作为目标传感器并利用历史障碍物速度来更新其在各状态参数下的信度函数分配值。
S332、根据所述目标传感器的所述实时障碍物速度,以及在至少一个历史时间点下检测得到的至少一个历史障碍物速度,计算与所述目标传感器对应的速度可靠性度量值。
其中,速度可靠性度量值可以用于对各状态参数下的信度函数分配值进行校正更新。
在本发明实施例中,可以利用实时障碍物速度与至少一个历史障碍物速度之间的关系来计算目标传感器对应的速度可靠性度量值。可选的,历史障碍物速度可以选取5个,具体数量可以根据实际需求选择,本发明实施例对此并不进行限制。
在本发明的一个可选实施例中,根据所述目标传感器的所述实时障碍物速度,以及在至少一个历史时间点下检测得到的至少一个历史障碍物速度,计算与所述目标传感器对应的速度可靠性度量值,可以包括:
根据下述公式计算与所述目标传感器对应的速度可靠性度量值α:
其中,smax为预设的最大允许速度误差,vt为在当前时间点t下检测得到的实时障碍物速度,所述vt-i为所述当前时间点t的前i个历史时间点下检测得到的历史障碍物速度;所述fabs()为取绝对值函数,max()为取最大值函数;mean()为取均值函数。
其中,smax可以是预先设定的最大允许速度误差,可选的,smax可以设定为0.4,其具体数值可以根据目标传感器检测的灵敏度和精度进行适应性设定,本发明实施例对此并不进行限制。w为历史时间窗口长度。
在一个具体例子中,取w为2,则在获取目标传感器当前时间点t检测得到的实时障碍物速度vt之后,相应获取该目标传感器在当前时间点t的前1个时间点检测得到的历史障碍物速度vt-1,以及该目标传感器在当前时间点t的前2个时间点检测得到的历史障碍物速度vt-2;
分别计算以及后,
通过mean(A1,A2),计算与A1,A2对应的均值。
从上述公式中可以看出,如果历史障碍物速度与实时障碍物速度之间的差值小于预先设定的最大允许速度误差,则认为当前实时障碍物速度的误差可忽略不计。否则,历史障碍物速度与实时障碍物速度之间的差距越大,则得到的目标传感器对应的速度可靠性度量值可能越低,表明目标传感器所测量得到的信度函数分配值的可靠性越低。
S333、根据所述速度可靠性度量值,对所述目标传感器在至少两个状态参数下的信度函数分配值进行更新。
相应的,获取到目标传感器对应的速度可靠性度量值后,即可以根据获取的速度可靠性度量值对目标传感器在各状态参数下的信度函数分配值进行更新。
在本发明的一个可选实施例中,根据所述速度可靠性度量值,对所述目标传感器在至少两个状态参数下的信度函数分配值进行更新,可以包括:
将所述目标传感器在静止状态下的信度函数分配值M1设置为M1*α,将所述目标传感器在非静止状态下的信度函数分配值M2设置为M2*α,将所述目标传感器在未知状态下的信度函数分配值设置为1-M1*α-M2*α。
相应的,获取到目标传感器对应的速度可靠性度量值后,可以分别对目标传感器在静止状态下的信度函数分配值M1以及目标传感器在非静止状态下的信度函数分配值M2设置为M1*α和M2*α。由于静止状态、非静止状态以及未知状态三种状态参数对应的信度函数分配值的和为1,所以目标传感器在未知状态下的信度函数分配值设置为1-M1*α-M2*α。
示例性的,在信度函数分配值更新前,假设目标传感器在静止状态下的信度函数分配值为0.2,在非静止状态下的信度函数分配值为0.8,在未知状态下的信度函数分配值为0。如果速度可靠性度量值α为0.7,则更新后的目标传感器在静止状态下的信度函数分配值为0.14,在非静止状态下的信度函数分配值为0.56,在未知状态下的信度函数分配值为0.3。
S340、采用D-S证据组合技术,将各所述传感器在各状态参数下的信度函数分配值进行融合,得到与各所述状态参数分别对应的融合信度函数分配值。
S350、根据与各所述状态参数分别对应的融合信度函数分配值,判断所述障碍物的静止状态。
采用上述技术方案,通过根据传感器检测得到的实时障碍物速度以及历史障碍物速度,对传感器在各状态参数下的信度函数分配值进行更新,能够有效提高实时障碍物速度的准确性,从而进一步提高无人车系统判断障碍物静止状态的稳定性、可靠性和准确性。
实施例四
图4是本发明实施例四提供的一种障碍物静止状态的确定装置的示意图,如图4所示,所述装置包括:实时障碍物速度获取模块410、独立信度函数分配值计算模块420、融合信度函数分配值计算模块430以及静止状态判断模块430,其中:
实时障碍物速度获取模块410,用于获取至少两个传感器针对同一障碍物检测得到的实时障碍物速度;
独立信度函数分配值计算模块420,用于根据与传感器对应的实时障碍物速度,分别计算各所述传感器在至少两个状态参数下的信度函数分配值;
融合信度函数分配值计算模块430,用于采用D-S证据组合技术,将各所述传感器在各状态参数下的信度函数分配值进行融合,得到与各所述状态参数分别对应的融合信度函数分配值;
静止状态判断模块440,用于根据与各所述状态参数分别对应的融合信度函数分配值,判断所述障碍物的静止状态。
本发明实施例通过根据获取的至少两个传感器针对同一障碍物检测得到的实时障碍物速度,分别计算各传感器在至少两个状态参数下的信度函数分配值;然后采用D-S证据组合技术将各信度函数分配值进行融合,得到与各状态参数分别对应的融合信度函数分配值,最后根据与各状态参数分别对应的融合信度函数分配值判断障碍物的静止状态,实现通过多个传感器获取的障碍物速度来确定障碍物的静止状态,解决现有无人车系统中判断障碍物的静止状态时存在的判断结果不稳定、不可靠以及易出现错判断的问题,保证用于无人车系统中判断障碍物静止状态的算法模块的独立性以及整个集成系统的功能完整性,从而提高无人车系统判断障碍物静止状态的稳定性、可靠性和准确性。
可选的,所述状态参数包括:静止、非静止以及未知。
可选的,独立信度函数分配值计算模块420包括:实施静止概率计算单元,用于根据速度模值与静止概率之间的映射关系,以及与传感器对应的实时障碍物速度,计算与各所述传感器分别对应的实时静止概率;信度函数分配值计算单元,用于根据与各所述传感器分别对应的实时静止概率,以及与传感器对应的信度函数分配规则,分别计算各所述传感器在各状态参数下的信度函数分配值。
可选的,所述传感器包括:毫米波雷达或者激光雷达。
可选的,所述速度模值与静止概率之间的映射关系包括:
其中,v为速度模值,f(v)为静止概率,t与s为预先设定的映射参数;
其中,不同传感器对应不同取值范围的映射参数。
可选的,如果所述传感器为毫米波雷达,则t的取值范围为(0.5,1.0),s的取值范围为(0.1,0.3);
如果所述传感器为激光雷达,则t的取值范围为(0.2,0.5),s的取值范围为(0.1,0.2)。
可选的,信度函数分配值计算单元,具体用于根据与毫米波雷达对应的第一实时静止概率f1(v),将所述毫米波雷达类型在静止状态下的信度函数分配值设置为0,将所述毫米波雷达类型在非静止状态下的信度函数分配值设置为1-f1(v),将所述毫米波雷达在未知状态下的信度函数分配值设置为f1(v);和/或
根据与激光雷达对应的第二实时静止概率f2(v),将所述激光雷达在静止状态下的信度函数分配值设置为f2(v),将所述激光雷达在非静止状态下的信度函数分配值设置为1-f2(v),将所述激光雷达在未知状态下的信度函数分配值设置为0。
可选的,所述装置还包括:信度函数分配值更新模块,用于根据传感器检测得到的所述实时障碍物速度,以及历史障碍物速度,对所述传感器在至少两个状态参数下的信度函数分配值进行更新。
可选的,信度函数分配值更新模块包括:目标传感器获取单元,用于获取激光雷达作为目标传感器;速度可靠性度量值计算单元,用于根据所述目标传感器的所述实时障碍物速度,以及在至少一个历史时间点下检测得到的至少一个历史障碍物速度,计算与所述目标传感器对应的速度可靠性度量值;信度函数分配值更新单元,用于根据所述速度可靠性度量值,对所述目标传感器在至少两个状态参数下的信度函数分配值进行更新。
可选的,速度可靠性度量值计算单元,具体用于根据下述公式计算与所述目标传感器对应的速度可靠性度量值α:
其中,smax为预设的最大允许速度误差,vt为在当前时间点t下检测得到的实时障碍物速度,所述vt-i为所述当前时间点t的前i个历史时间点下检测得到的历史障碍物速度;所述fabs()为取绝对值函数,max()为取最大值函数;mean()为取均值函数。
可选的,信度函数分配值更新单元,具体用于将所述目标传感器在静止状态下的信度函数分配值M1设置为M1*α,将所述目标传感器在非静止状态下的信度函数分配值M2设置为M2*α,将所述目标传感器在未知状态下的信度函数分配值设置为1-M1*α-M2*α。
上述障碍物静止状态的确定装置可执行本发明任意实施例所提供的障碍物静止状态的确定方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明任意实施例提供的障碍物静止状态的确定方法。
实施例五
图5为本发明实施例五提供的一种计算机设备的结构示意图。图5示出了适于用来实现本发明实施方式的计算机设备512的框图。图5显示的计算机设备512仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,计算机设备512以通用计算设备的形式表现。计算机设备512的组件可以包括但不限于:一个或者多个处理器516,存储装置528,连接不同系统组件(包括存储装置528和处理器516)的总线518。
总线518表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture,ISA)总线,微通道体系结构(Micro Channel Architecture,MCA)总线,增强型ISA总线、视频电子标准协会(Video Electronics Standards Association,VESA)局域总线以及外围组件互连(Peripheral Component Interconnect,PCI)总线。
计算机设备512典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备512访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储装置528可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(Random Access Memory,RAM)530和/或高速缓存存储器532。计算机设备512可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统534可以用于读写不可移动的、非易失性磁介质(图5未显示,通常称为“硬盘驱动器”)。尽管图5中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如只读光盘(Compact Disc-Read Only Memory,CD-ROM)、数字视盘(Digital Video Disc-Read Only Memory,DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线518相连。存储装置528可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块526的程序536,可以存储在例如存储装置528中,这样的程序模块526包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块526通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备512也可以与一个或多个外部设备514(例如键盘、指向设备、摄像头、显示器524等)通信,还可与一个或者多个使得用户能与该计算机设备512交互的设备通信,和/或与使得该计算机设备512能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口522进行。并且,计算机设备512还可以通过网络适配器520与一个或者多个网络(例如局域网(Local AreaNetwork,LAN),广域网Wide Area Network,WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器520通过总线518与计算机设备512的其它模块通信。应当明白,尽管图中未示出,可以结合计算机设备512使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of IndependentDisks,RAID)系统、磁带驱动器以及数据备份存储系统等。
处理器516通过运行存储在存储装置528中的程序,从而执行各种功能应用以及数据处理,例如实现本发明上述实施例所提供的障碍物静止状态的确定方法。
也即,所述处理单元执行所述程序时实现:获取至少两个传感器针对同一障碍物检测得到的实时障碍物速度;根据与传感器对应的实时障碍物速度,分别计算各所述传感器在至少两个状态参数下的信度函数分配值;采用D-S证据组合技术,将各所述传感器在各状态参数下的信度函数分配值进行融合,得到与各所述状态参数分别对应的融合信度函数分配值;根据与各所述状态参数分别对应的融合信度函数分配值,判断所述障碍物的静止状态。
通过所述计算机设备根据获取的至少两个传感器针对同一障碍物检测得到的实时障碍物速度,分别计算各传感器在至少两个状态参数下的信度函数分配值;然后采用D-S证据组合技术将各信度函数分配值进行融合,得到与各状态参数分别对应的融合信度函数分配值,最后根据与各状态参数分别对应的融合信度函数分配值判断障碍物的静止状态,实现通过多个传感器获取的障碍物速度来确定障碍物的静止状态,解决现有无人车系统中判断障碍物的静止状态时存在的判断结果不稳定、不可靠以及易出现错判断的问题,保证用于无人车系统中判断障碍物静止状态的算法模块的独立性以及整个集成系统的功能完整性,从而提高无人车系统判断障碍物静止状态的稳定性、可靠性和准确性。
实施例六
本发明实施例六还提供一种存储计算机程序的计算机存储介质,所述计算机程序在由计算机处理器执行时用于执行本发明上述实施例任一所述的障碍物静止状态的确定方法:获取至少两个传感器针对同一障碍物检测得到的实时障碍物速度;根据与传感器对应的实时障碍物速度,分别计算各所述传感器在至少两个状态参数下的信度函数分配值;采用D-S证据组合技术,将各所述传感器在各状态参数下的信度函数分配值进行融合,得到与各所述状态参数分别对应的融合信度函数分配值;根据与各所述状态参数分别对应的融合信度函数分配值,判断所述障碍物的静止状态。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。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。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(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(Read Only Memory,ROM)、可擦式可编程只读存储器((Erasable Programmable ReadOnly Memory,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。在本文件中,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。
计算机可读的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。计算机可读的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——但不限于无线、电线、光缆、射频(Radio Frequency,RF)等等,或者上述的任意合适的组合。
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发明操作的计算机程序代码,所述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)。
实施例七
在上述各实施例的基础上,本发明实施例提供了一种车辆,包括车体,还包括如本发明任一实施例所述的计算机设备,以及设置在车体上的至少两个传感器,其中,所述至少两个传感器用于检测周围环境中障碍物的实时障碍物速度。
典型的,所述传感器可以包括毫米波雷达,以及激光雷达。
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。
Claims (15)
1.一种障碍物静止状态的确定方法,其特征在于,包括:
获取至少两个传感器针对同一障碍物检测得到的实时障碍物速度;
根据与传感器对应的实时障碍物速度,分别计算各所述传感器在至少两个状态参数下的信度函数分配值;
采用D-S证据组合技术,将各所述传感器在各状态参数下的信度函数分配值进行融合,得到与各所述状态参数分别对应的融合信度函数分配值;
根据与各所述状态参数分别对应的融合信度函数分配值,判断所述障碍物的静止状态。
2.根据权利要求1所述的方法,其特征在于,所述状态参数包括:静止、非静止以及未知。
3.根据权利要求1或2所述的方法,其特征在于,根据与传感器对应的实时障碍物速度,分别计算各所述传感器在各状态参数下的信度函数分配值,包括:
根据速度模值与静止概率之间的映射关系,以及与传感器对应的实时障碍物速度,计算与各所述传感器分别对应的实时静止概率;
根据与各所述传感器分别对应的实时静止概率,以及与传感器对应的信度函数分配规则,分别计算各所述传感器在各状态参数下的信度函数分配值。
4.根据权利要求3所述的方法,其特征在于,所述传感器包括:毫米波雷达或者激光雷达。
5.根据权利要求4所述的方法,其特征在于,所述速度模值与静止概率之间的映射关系包括:
其中,v为速度模值,f(v)为静止概率,t与s为预先设定的映射参数;
其中,不同传感器对应不同取值范围的映射参数。
6.根据权利要求5所述的方法,其特征在于:
如果所述传感器为毫米波雷达,则t的取值范围为(0.5,1.0),s的取值范围为(0.1,0.3);
如果所述传感器为激光雷达,则t的取值范围为(0.2,0.5),s的取值范围为(0.1,0.2)。
7.根据权利要求4所述的方法,其特征在于,根据与各所述传感器分别对应的静止概率,以及与传感器对应的信度函数分配规则,分别计算各所述传感器在各状态参数下的信度函数分配值,包括:
根据与毫米波雷达对应的第一实时静止概率f1(v),将所述毫米波雷达类型在静止状态下的信度函数分配值设置为0,将所述毫米波雷达类型在非静止状态下的信度函数分配值设置为1-f1(v),将所述毫米波雷达在未知状态下的信度函数分配值设置为f1(v);和/或
根据与激光雷达对应的第二实时静止概率f2(v),将所述激光雷达在静止状态下的信度函数分配值设置为f2(v),将所述激光雷达在非静止状态下的信度函数分配值设置为1-f2(v),将所述激光雷达在未知状态下的信度函数分配值设置为0。
8.根据权利要求1所述的方法,其特征在于,在根据与传感器对应的实时障碍物速度,分别计算各所述传感器在至少两个状态参数下的信度函数分配值之后,还包括:
根据传感器检测得到的所述实时障碍物速度,以及历史障碍物速度,对所述传感器在至少两个状态参数下的信度函数分配值进行更新。
9.根据权利要求8所述的方法,其特征在于,根据传感器检测得到的所述实时障碍物速度,以及历史障碍物速度,对所述传感器在至少两个状态参数下的信度函数分配值进行更新,包括:
获取激光雷达作为目标传感器;
根据所述目标传感器的所述实时障碍物速度,以及在至少一个历史时间点下检测得到的至少一个历史障碍物速度,计算与所述目标传感器对应的速度可靠性度量值;
根据所述速度可靠性度量值,对所述目标传感器在至少两个状态参数下的信度函数分配值进行更新。
10.根据权利要求9所述的方法,其特征在于,根据所述目标传感器的所述实时障碍物速度,以及在至少一个历史时间点下检测得到的至少一个历史障碍物速度,计算与所述目标传感器对应的速度可靠性度量值,包括:
根据下述公式计算与所述目标传感器对应的速度可靠性度量值α:
其中,smax为预设的最大允许速度误差,vt为在当前时间点t下检测得到的实时障碍物速度,所述vt-i为所述当前时间点t的前i个历史时间点下检测得到的历史障碍物速度;所述fabs()为取绝对值函数,max()为取最大值函数;mean()为取均值函数。
11.根据权利要求10所述的方法,其特征在于,根据所述速度可靠性度量值,对所述目标传感器在至少两个状态参数下的信度函数分配值进行更新,包括:
将所述目标传感器在静止状态下的信度函数分配值M1设置为M1*α,将所述目标传感器在非静止状态下的信度函数分配值M2设置为M2*α,将所述目标传感器在未知状态下的信度函数分配值设置为1-M1*α-M2*α。
12.一种障碍物静止状态的确定装置,其特征在于,包括:
实时障碍物速度获取模块,用于获取至少两个传感器针对同一障碍物检测得到的实时障碍物速度;
独立信度函数分配值计算模块,用于根据与传感器对应的实时障碍物速度,分别计算各所述传感器在至少两个状态参数下的信度函数分配值;
融合信度函数分配值计算模块,用于采用D-S证据组合技术,将各所述传感器在各状态参数下的信度函数分配值进行融合,得到与各所述状态参数分别对应的融合信度函数分配值;
静止状态判断模块,用于根据与各所述状态参数分别对应的融合信度函数分配值,判断所述障碍物的静止状态。
13.一种计算机设备,其特征在于,所述计算机设备包括:
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权利要求1-11中任一所述障碍物静止状态的确定方法。
14.一种计算机存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-11中任一所述的障碍物静止状态的确定方法。
15.一种车辆,包括车体,其特征在于,还包括权利要求13所述的计算机设备,以及设置在车体上的至少两个传感器,其中,所述至少两个传感器用于检测周围环境中障碍物的实时障碍物速度。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811043093.0A CN108983213B (zh) | 2018-09-07 | 2018-09-07 | 障碍物静止状态的确定方法、装置、设备及存储介质 |
US16/561,595 US11360211B2 (en) | 2018-09-07 | 2019-09-05 | Method and apparatus for determining static state of obstacle |
EP19195475.9A EP3620995B1 (en) | 2018-09-07 | 2019-09-05 | Method and apparatus for determining static state of obstacle |
JP2019163316A JP7146713B2 (ja) | 2018-09-07 | 2019-09-06 | 障害物静止状態の決定方法、障害物静止状態の決定装置、コンピュータ機器、コンピュータ記憶媒体及び車両 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811043093.0A CN108983213B (zh) | 2018-09-07 | 2018-09-07 | 障碍物静止状态的确定方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108983213A true CN108983213A (zh) | 2018-12-11 |
CN108983213B CN108983213B (zh) | 2021-01-01 |
Family
ID=64544977
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811043093.0A Active CN108983213B (zh) | 2018-09-07 | 2018-09-07 | 障碍物静止状态的确定方法、装置、设备及存储介质 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11360211B2 (zh) |
EP (1) | EP3620995B1 (zh) |
JP (1) | JP7146713B2 (zh) |
CN (1) | CN108983213B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109544990A (zh) * | 2018-12-12 | 2019-03-29 | 惠州市德赛西威汽车电子股份有限公司 | 一种基于实时电子地图识别可用泊车位的方法及系统 |
CN109583511A (zh) * | 2018-12-14 | 2019-04-05 | 北京百度网讯科技有限公司 | 速度融合方法和装置 |
CN110843792A (zh) * | 2019-11-29 | 2020-02-28 | 北京百度网讯科技有限公司 | 用于输出信息的方法和装置 |
CN112356845A (zh) * | 2020-11-19 | 2021-02-12 | 中国第一汽车股份有限公司 | 一种目标运动状态的预测方法、装置、设备及车辆 |
CN114407916A (zh) * | 2021-12-16 | 2022-04-29 | 阿波罗智联(北京)科技有限公司 | 车辆控制及模型训练方法、装置、车辆、设备和存储介质 |
CN114586081A (zh) * | 2019-10-31 | 2022-06-03 | 索尼集团公司 | 信息处理设备、信息处理系统和信息处理方法 |
CN114858200A (zh) * | 2022-04-19 | 2022-08-05 | 合众新能源汽车有限公司 | 车辆传感器检测到的对象的质量评价方法及装置 |
CN115184895A (zh) * | 2022-09-07 | 2022-10-14 | 北京海兰信数据科技股份有限公司 | 一种基于导航雷达的静态目标识别方法及系统 |
CN115575923A (zh) * | 2022-12-08 | 2023-01-06 | 千巡科技(深圳)有限公司 | 一种地面机器人静止判断方法、系统、装置以及存储介质 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111625934B (zh) * | 2020-04-30 | 2023-05-26 | 中国地质大学(武汉) | 一种基于d-s证据理论的退火加热过程的多模态识别方法 |
CN112731332B (zh) * | 2021-01-13 | 2024-06-18 | 路晟悠拜(重庆)科技有限公司 | 基于毫米波的静态目标存在识别方法及系统 |
CN113238214B (zh) * | 2021-04-14 | 2024-03-19 | 杭州萤石软件有限公司 | 目标对象检测方法、装置、电子设备和存储介质 |
CN115690739B (zh) * | 2022-10-31 | 2024-03-26 | 阿波罗智能技术(北京)有限公司 | 多传感器融合障碍物存在性检测方法和自动驾驶车辆 |
CN117932548B (zh) * | 2024-03-25 | 2024-06-04 | 西北工业大学 | 基于置信度的多源异构传感器融合的飞行障碍识别方法 |
Family Cites Families (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03149624A (ja) * | 1989-11-07 | 1991-06-26 | Fujitsu Ltd | 推論システム |
FR2718252B1 (fr) * | 1994-03-30 | 1996-06-14 | Onera (Off Nat Aerospatiale) | Procédé de poursuite de mobiles. |
US5963653A (en) * | 1997-06-19 | 1999-10-05 | Raytheon Company | Hierarchical information fusion object recognition system and method |
US7436884B2 (en) * | 2002-03-26 | 2008-10-14 | Lockheed Martin Corporation | Method and system for wavelet packet transmission using a best base algorithm |
US7424466B2 (en) * | 2002-07-24 | 2008-09-09 | Northrop Grumman Corporation | General purpose fusion engine |
JP2006234513A (ja) * | 2005-02-23 | 2006-09-07 | Toyota Central Res & Dev Lab Inc | 障害物検出装置 |
US7447670B1 (en) * | 2005-09-08 | 2008-11-04 | Hrl Laboratories, Llc | Methods for monitoring conflicts in inference systems |
DE102006047131A1 (de) * | 2006-10-05 | 2008-04-10 | Robert Bosch Gmbh | Verfahren zum automatischen Steuern eines Fahrzeugs |
CN101519981B (zh) | 2009-03-19 | 2012-07-04 | 重庆大学 | 基于单目视觉的矿井机车防撞预警系统和预警方法 |
US8638254B2 (en) * | 2009-08-27 | 2014-01-28 | Fujitsu Ten Limited | Signal processing device, radar device, vehicle control system, signal processing method, and computer-readable medium |
CN101697006B (zh) | 2009-09-18 | 2011-11-16 | 北京航空航天大学 | 基于机载雷达和红外成像传感器数据融合的目标识别方法 |
US8566271B2 (en) * | 2010-02-26 | 2013-10-22 | Raytheon Company | System and method for aggregating information |
US20120005149A1 (en) * | 2010-06-30 | 2012-01-05 | Raytheon Company | Evidential reasoning to enhance feature-aided tracking |
JP5982134B2 (ja) * | 2012-02-29 | 2016-08-31 | 富士通テン株式会社 | レーダ装置、および、信号処理方法 |
JP5724955B2 (ja) * | 2012-06-22 | 2015-05-27 | トヨタ自動車株式会社 | 物体検出装置、情報処理装置、物体検出方法 |
US9037519B2 (en) * | 2012-10-18 | 2015-05-19 | Enjoyor Company Limited | Urban traffic state detection based on support vector machine and multilayer perceptron |
DE102014208009A1 (de) * | 2014-04-29 | 2015-10-29 | Bayerische Motoren Werke Aktiengesellschaft | Erfassen von statischen und dynamischen Objekten |
US10054678B2 (en) * | 2015-07-30 | 2018-08-21 | Toyota Motor Engineering & Manufacturing North America, Inc. | Minimizing incorrect sensor data associations for autonomous vehicles |
US9785846B2 (en) * | 2015-12-23 | 2017-10-10 | Automotive Research & Test Center | Method for quantifying classification confidence of obstructions |
KR101795432B1 (ko) * | 2016-02-26 | 2017-11-10 | 현대자동차주식회사 | 차량 및 차량의 제어방법 |
US10160448B2 (en) * | 2016-11-08 | 2018-12-25 | Ford Global Technologies, Llc | Object tracking using sensor fusion within a probabilistic framework |
US10710579B2 (en) * | 2017-06-01 | 2020-07-14 | Waymo Llc | Collision prediction system |
US10649458B2 (en) * | 2017-09-07 | 2020-05-12 | Tusimple, Inc. | Data-driven prediction-based system and method for trajectory planning of autonomous vehicles |
DE102018200683A1 (de) * | 2018-01-17 | 2019-07-18 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zur Detektion eines Objektes |
US10852420B2 (en) * | 2018-05-18 | 2020-12-01 | Industrial Technology Research Institute | Object detection system, autonomous vehicle using the same, and object detection method thereof |
IT201800006594A1 (it) * | 2018-06-22 | 2019-12-22 | "Procedimento per la mappatura dell’ambiente di un veicolo, corrispondenti sistema, veicolo e prodotto informatico" | |
US20190050653A1 (en) * | 2018-09-28 | 2019-02-14 | Intel Corporation | Perception device for obstacle detection and tracking and a perception method for obstacle detection and tracking |
-
2018
- 2018-09-07 CN CN201811043093.0A patent/CN108983213B/zh active Active
-
2019
- 2019-09-05 EP EP19195475.9A patent/EP3620995B1/en active Active
- 2019-09-05 US US16/561,595 patent/US11360211B2/en active Active
- 2019-09-06 JP JP2019163316A patent/JP7146713B2/ja active Active
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109544990A (zh) * | 2018-12-12 | 2019-03-29 | 惠州市德赛西威汽车电子股份有限公司 | 一种基于实时电子地图识别可用泊车位的方法及系统 |
CN109583511A (zh) * | 2018-12-14 | 2019-04-05 | 北京百度网讯科技有限公司 | 速度融合方法和装置 |
CN109583511B (zh) * | 2018-12-14 | 2023-06-30 | 北京百度网讯科技有限公司 | 速度融合方法和装置 |
CN114586081A (zh) * | 2019-10-31 | 2022-06-03 | 索尼集团公司 | 信息处理设备、信息处理系统和信息处理方法 |
CN110843792A (zh) * | 2019-11-29 | 2020-02-28 | 北京百度网讯科技有限公司 | 用于输出信息的方法和装置 |
CN110843792B (zh) * | 2019-11-29 | 2021-05-25 | 北京百度网讯科技有限公司 | 用于输出信息的方法和装置 |
CN112356845A (zh) * | 2020-11-19 | 2021-02-12 | 中国第一汽车股份有限公司 | 一种目标运动状态的预测方法、装置、设备及车辆 |
CN114407916A (zh) * | 2021-12-16 | 2022-04-29 | 阿波罗智联(北京)科技有限公司 | 车辆控制及模型训练方法、装置、车辆、设备和存储介质 |
CN114407916B (zh) * | 2021-12-16 | 2024-01-23 | 阿波罗智联(北京)科技有限公司 | 车辆控制及模型训练方法、装置、车辆、设备和存储介质 |
CN114858200A (zh) * | 2022-04-19 | 2022-08-05 | 合众新能源汽车有限公司 | 车辆传感器检测到的对象的质量评价方法及装置 |
CN114858200B (zh) * | 2022-04-19 | 2023-06-27 | 合众新能源汽车股份有限公司 | 车辆传感器检测到的对象的质量评价方法及装置 |
CN115184895A (zh) * | 2022-09-07 | 2022-10-14 | 北京海兰信数据科技股份有限公司 | 一种基于导航雷达的静态目标识别方法及系统 |
CN115575923A (zh) * | 2022-12-08 | 2023-01-06 | 千巡科技(深圳)有限公司 | 一种地面机器人静止判断方法、系统、装置以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
JP7146713B2 (ja) | 2022-10-04 |
US20200081118A1 (en) | 2020-03-12 |
CN108983213B (zh) | 2021-01-01 |
JP2020042817A (ja) | 2020-03-19 |
US11360211B2 (en) | 2022-06-14 |
EP3620995A1 (en) | 2020-03-11 |
EP3620995B1 (en) | 2021-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108983213A (zh) | 障碍物静止状态的确定方法、装置、设备及存储介质 | |
US11493908B2 (en) | Industrial safety monitoring configuration using a digital twin | |
CN113264066B (zh) | 障碍物轨迹预测方法、装置、自动驾驶车辆及路侧设备 | |
CN106767852B (zh) | 一种生成探测目标信息的方法、装置和设备 | |
CN109059902A (zh) | 相对位姿确定方法、装置、设备和介质 | |
US20200233061A1 (en) | Method and system for creating an inverse sensor model and method for detecting obstacles | |
CN109435955A (zh) | 一种自动驾驶系统性能评估方法、装置、设备及存储介质 | |
JP2016114603A (ja) | Gpsドリフトの処理方法、およびそのシステム | |
KR102548282B1 (ko) | 고정밀도 맵 작성 방법 및 장치 | |
US11648682B2 (en) | Hybrid visual servoing method based on fusion of distance space and image feature space | |
CN109870698A (zh) | 一种超声波阵列障碍物检测结果处理方法及系统 | |
KR20230086628A (ko) | 다중 센서 융합에 의한 측정값 신뢰도 획득 방법 및 자율주행 차량 | |
CN109684944A (zh) | 障碍物检测方法、装置、计算机设备和存储介质 | |
CN114943952A (zh) | 多相机重叠视域下障碍物融合方法、系统、设备和介质 | |
CN111856499A (zh) | 基于激光雷达的地图构建方法和装置 | |
CN117392241B (zh) | 自动驾驶中的传感器标定方法、装置及电子设备 | |
EP3903559A1 (en) | Implement recognition lighting | |
CN112651535A (zh) | 局部路径规划方法、装置、存储介质、电子设备及车辆 | |
CN110207643A (zh) | 折叠角度检测方法、装置、终端及存储介质 | |
CN109188419A (zh) | 障碍物速度的检测方法、装置、计算机设备及存储介质 | |
CN115575931A (zh) | 标定方法、装置、电子设备及存储介质 | |
CN109583511B (zh) | 速度融合方法和装置 | |
CN115147561A (zh) | 位姿图生成方法、高精地图生成方法和装置 | |
KR100264395B1 (ko) | 초음파 센서를 이용한 물체 탐지방법 | |
CN112986912B (zh) | 基于结构光传感器的扫地机重定位方法、装置和电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |