CN109263649A - 车辆及其自动驾驶模式下的物体识别方法和物体识别系统 - Google Patents
车辆及其自动驾驶模式下的物体识别方法和物体识别系统 Download PDFInfo
- Publication number
- CN109263649A CN109263649A CN201810955514.0A CN201810955514A CN109263649A CN 109263649 A CN109263649 A CN 109263649A CN 201810955514 A CN201810955514 A CN 201810955514A CN 109263649 A CN109263649 A CN 109263649A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- automatic driving
- driving mode
- function
- reliability
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 238000001514 detection method Methods 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 10
- 238000009434 installation Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 55
- 238000010586 diagram Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 238000005259 measurement Methods 0.000 description 5
- 230000002093 peripheral effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000001149 cognitive effect Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- 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
- G01S13/04—Systems determining presence of a target
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0002—Automatic control, details of type of controller or control system architecture
- B60W2050/0004—In digital systems, e.g. discrete-time systems involving sampling
- B60W2050/0005—Processor details or data handling, e.g. memory registers or chip architecture
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种车辆及其自动驾驶模式下的物体识别方法和物体识别系统,其中,车辆自动驾驶模式下的物体识别方法包括:获取雷达装置接收到的物体反射的电磁波信号;采用神经网络算法获得车辆周边物体的可信度函数,其中,物体反射的电磁波信号组成神经网络的输入层;根据可信度函数识别车辆周边物体的类型。在物体识别阶段,采用神经网络算法结合可信度函数技术,可以提高识别精确度,避免误判误报。
Description
技术领域
本发明属于车辆技术领域,尤其涉及一种车辆自动驾驶模式下的物体识别方法,和车辆自动驾驶模式下的物体识别系统和车辆。
背景技术
自动驾驶技术越来越受到整车企业的关注,一些整车企业投入越来越多的人力物力开发自动驾驶车辆,甚至将自动驾驶车辆作为未来5-10年的目标量产点。自动驾驶的实现分为认知、判断和控制三个阶段,当前的自动驾驶技术,对于道路识别、行人识别等认知阶段和路径生成方面,以及情况判断等判断阶段还存在诸多问题,例如,在各种驾驶工况和道路环境下,很难识别物体类型,有待进一步改善。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明需要提出一种车辆自动驾驶实现方法,该自动驾驶实现方法,可以提高认知阶段的识别准确度,避免误报误判。
本发明还提出一种车辆自动驾驶模式下的物体识别系统和车辆以及存储介质。
为了解决上述问题,本发明第一方面实施例的车辆自动驾驶模式下的物体识别方法,包括:获取雷达装置接收到的物体反射的电磁波信号;采用神经网络算法获得车辆周边物体的可信度函数,其中,所述物体反射的电磁波信号组成神经网络的输入层;根据所述可信度函数识别所述车辆周边物体的类型。
本发明实施例的车辆自动驾驶实现方法,在车辆周边物体识别阶段,采用神经网络算法并结合可信度函数来进行物体识别,可以提高识别准确性,避免误判误报,为自动驾驶提供更加准确的数据。
在本发明的一些实施例中,所述可信度函数方程式如下:
Belt(ξ)=p(ξ|X1:t)
其中,Belt(ξ)为被测物体的可信度函数,ξ为被测物体,p为概率密度函数,X为所述接收信号的积累值,t表示时间,1:t表示从开始监测时刻到t时刻的时间区间。
在本发明的一些实施例中,根据所述可信度函数识别所述车辆周边物体的类型包括:将所述可信度函数与物体可信度阈值进行比较;当所述可信度函数大于所述物体可信度阈值时确定被测物体为对应物体类型。
在本发明的一些实施例中,所述车辆自动驾驶模式下的物体识别方法还包括:获取车辆周边物体的图像信息,根据雷达装置探测信息和所述图像信息按照设定权重形成卡尔曼滤波状态方程;根据物体位置模型和所述卡尔曼滤波状态方程判断被测物体的位置。
将雷达探测和图像获取技术相结合,根据物体位置模型和卡尔曼滤波器的状态方程,确定物体位置,提升定位精度,为自动驾驶提供精准数据
为了解决上述问题,本发明第二方面实施例提出的非临时性计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上面第一方面实施例所述的车辆自动驾驶模式下的物体识别方法。
根据本发明的存储介质,通过存储可实现上面实施例的车辆自动驾驶模式下的物体识别方法的计算机程序,为该物体识别方法的实现提供支持。
为了解决上述问题,本发明第三方面实施例的车辆自动驾驶模式下的物体识别系统,包括:雷达装置,用于发射电磁波信号并接收物体反射的电磁波信号;神经网络算法装置,用于用神经网络算法获得车辆周边物体的可信度函数,并根据所述可信度函数识别所述车辆周边物体的类型,其中,所述物体反射的电磁波信号组成神经网络的输入层。
本发明实施例的车辆自动驾驶模式下的物体识别系统,在车辆周边物体识别阶段,基于雷达装置和神经网络算法装置,采用神经网络算法并结合可信度函数来进行物体识别,可以提高识别准确性,避免误判误报,为自动驾驶提供更加准确数据。
在本发明的一些实施例中,所述可信度函数如下:
Belt(ξ)=p(ξ|X1:t)
其中,Belt(ξ)为被测物体的可信度函数,ξ为被测物体,p为概率密度函数,X为所述接收信号的积累值,t表示时间,1:t表示从开始监测时刻到t时刻的时间区间。
在本发明的一些实施例中,神经网络算法装置在根据所述可信度函数识别所述车辆周边物体的类型时具体用于,将所述可信度函数与物体可信度阈值进行比较,当所述可信度函数大于所述物体可信度阈值时确定被测物体为对应物体类型。
在本发明的一些实施例中,所述车辆自动驾驶模式下的物体识别系统还包括:图像获取装置,用于检测车辆周边物体的图像信息;卡尔曼滤波装置,用于获取雷达装置探测信息和所述图像信息,按照设定权重形成卡尔曼滤波状态方程,并根据物体位置模型和所述卡尔曼滤波状态方程判断被测物体的位置。
在物体位置判断阶段,将雷达探测和图像获取技术相结合,根据物体位置模型和卡尔曼滤波器的状态方程,确定物体位置,提升定位精度,为自动驾驶提供精准数据。
基于上述方面实施例的车辆自动驾驶实现系统,本发明再一方面实施例的车辆包括所述的自动驾驶实现系统。
本发明实施例的车辆,通过采用上述方面实施例的自动驾驶实现系统,可以提高物体识别以及物体位置判断的准确性,避免误判,为自动驾驶提供数据基础,进而提高自动驾驶的体验。
附图说明
图1是根据本发明实施例的车辆自动识别方法的流程图;
图2是根据本发明的一个实施例的神经网络示意图;
图3是根据本发明实施例的车辆自动识别系统的框图;
图4是根据本发明的一个实施例的车辆自动识别系统的框图;以及
图5是根据本发明实施例的车辆的框图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参照附图描述根据本发明第一方面实施例的车辆自动驾驶实现方法。本发明实施例的自动驾驶实现方法主要关注认知和判断阶段,以提高周边物体识别的准确性,以及提高定位精度,避免误判误报,为自动驾驶的实现提供更精确的数据基础。
图1是根据本发明实施例的车辆自动驾驶实现方法的流程图,如图1所示,该车辆自动驾驶实现方法包括:
S1,获取雷达装置接收到的物体反射的电磁波信号。
具体地,实现自动驾驶需要检测车辆周边物体以及进行物体定位,通常地,在车辆上安装雷达装置,用于探测车辆周边物体。
当雷达装置发射电磁波时,探测到物体时电磁波被物体反射,根据前方物体特性,电磁波显现出不同的反射特性,例如,当前方为金属物体例如机动车时,显现的反射波能量最大,前方物体为行人和自行车时,根据其方向不同显现出不同的反射特性,相比机动车的反射波能量,行人或自行车的反射波能量较小。因而,可以根据物体反射的电磁波信号的特性识别物体类型。
在实施例中,雷达装置接收到的电磁波信号可以包括:测定距离、负载功率和接收功率。测定距离可以是从雷达装置检测点到被测物体的距离;负载功率可以是从雷达装置发射到被测物体后再反射回雷达装置的电磁波功率;方位信息可以是雷达装置到被测物体的方位、角度等信息。
S2,采用神经网络算法获得车辆周边物体的可信度函数。
当直接利用电磁波的不同反射能量识别周边物体时,其特性变化较大,而且接收信号的干扰也大,因此物体识别的准确性较低。因此,在本发明的实施例中,进行物体识别时,利用神经网络算法,积累历史数据后并区分识别周边物体。不过单纯采用神经网络算法,由于受离群值(outlier)等影响准确度大打折扣,进一步在本发明的实施例中通过可信度函数(Belief Function)技术来有效解决。
参照图2所示为根据本发明的一个实施例的神经网络示意图,其中,获取的反射电磁波信号组成神经网络的输入层,隐藏层是确定物体的中间过程,车辆周边物体的可信度函数组成神经网络的输出层。
S3,根据可信度函数识别车辆周边物体的类型。例如,确定物体是机动车还是行人或者自行车。需要说明的是,在本发明的示例中,在根据可信度函数对物体进行识别时,雷达装置检测的当前数据和历史数据都会用到,即考虑一段时间内的数据。具体地,通过概率计算方法,计算从开始检测点到某一时刻区间例如1:t区间被测物体的概率变化,当概率达到阈值时,即认为该被测物体是真实可信的。
在本发明的一个实施例中,可信度函数方程式如下:
Belt(ξ)=p(ξ|X1:t),
其中,Belt(ξ)为被测物体的可信度函数,ξ为被测物体,p为概率密度函数,X为雷达装置接收信号的积累值,t表示时间,1:t表示从开始监测时刻到t时刻的时间区间。通过检测分析1:t这一区间内的信号,判断被测物体是否可信任。
进一步地,将可信度函数与物体可信度阈值进行比较,即将获得的可信度函数与预设定的每种物体的可信度阈值进行对比,以判断对应该可信度函数的物体是机动车或者行人或者自行车。其中,当可信度函数大于物体可信度阈值时确定被测物体为对应物体类型。例如,如果可信度函数大于机动车的可信度阈值,则确定被测物体为机动车,或者,如果可信度函数大于行人可信度阈值,则确定被测物体为行人,或者,如果可信度函数大于自行车可信度阈值,则确定被测物体为自行车。设计中软件实现步骤如下:
IF Belt(vehicle)>可信度阈值(vehicle),Then Object=vehicle;
IF Belt(pedestrian)>可信度阈值(pedestrian),Then Object=pedestrian;
IF Belt(bicucle)>可信度阈值(bicucle),Then Object=bicucle.
需要说明的是,物体可信度阈值是通过大量数据而获得的认为可以信任的值,根据驾驶工况和道路环境的变化,物体可信度阈值可以适应性地进行调节,即利用历史测定值,以适应不同的工况和道路环境,提高物体识别准确性。例如,当判断某一物体到底是否为机动车时,会在某一时间段内一直监控,当某一时间点物体可信度函数达到机动车可信度阈值时,才会判断该物体为机动车。
本发明实施例的车辆自动驾驶实现方法,在车辆周边物体识别阶段,采用神经网络算法并结合可信度函数来进行物体识别,可以提高识别准确性,避免误判误报。
实现车辆自动驾驶,不仅需要识别物体类型还需确定物体的位置,以确定驾驶路径,进行驾驶控制。在本发明的实施例中,在物体位置判断阶段,利用雷达装置获得的纵向信息相对准确,图像获取装置检测的图像信息包括的横向信息相对准确的特性,将雷达装置和图像获取技术融合,获取车辆周边物体的图像信息,根据雷达探测信息和图像信息按照设定权重形成卡尔曼滤波状态方程,并根据物体位置模型和卡尔曼滤波状态方程判断被测物体的位置,即实现物体定位。其中,物体位置模型可以选用Non maneuver model(非机动模型),其具有恒定相对速度和Maneuver model(机动模型),其具有恒定相对加速度或IMM(Interacting Multiple Model,交互式多模型),其具有自适应的特点,等等。
其中,权重是通过雷达装置和图像获取装置的信号特性,以及大量数据检测和计算获得的。基于雷达装置和图像获取装置的信号传输的不同特性所获取不同的检测信号,通过这些信号的对比,归类出对判断物体位置有效性及可信度的不同数据,以及确定这些数据相对于图像获取装置获取的图像信息和雷达装置获取的雷达探测信息的权重。
卡尔曼滤波状态方程是一种线性系统状态方程,通过系统输入输出观测数据,对系统状态进行最优估计的算法。通过图像获取装置获取的检测信号和雷达装置获取的检测信号,基于两种不同信号的可信度的权重矩阵,进行线性叠加,最终确定物体的状态。
在本发明的一些实施例中,卡尔曼滤波状态方程如下:
其中,为物体状态方程,Ω是对角权重矩阵,为通过图像获取装置测定的状态方程,I为对角单位矩阵,为通过雷达装置测定的状态方程。
其中,对角权重矩阵Ω满足:其中,ξx表示雷达装置与被测物体在x方向上的距离,ξy表示雷达装置与被测物体在y方向上的距离,表示雷达装置与被测物体在x方向上的相对速度,表示雷达装置与被测物体在y方向上的相对速度。在这里,纵向信息相比图像获取装置更权重于雷达装置测定值,而横向信息相比于雷达装置更权重于图像获取装置测定值。通过权重设定获得物体准确位置,即以雷达装置测定的纵向信息作为被测物体的纵向坐标值,以图像获取装置测定的横向信息作为被测物体的横向坐标值。
总而言之,本发明实施例的车辆自动驾驶模式下的物体识别方法,在物体识别阶段,通过采用神经网络算法结合可信度函数,可以在各种驾驶工况和道路环境下,准确识别周边物体;在物体位置判断阶段,将雷达探测技术和图像获取技术相结合,根据物体位置模型和卡尔曼滤波状态方程,确定物体位置,提升定位精度,为自动驾驶提供精准数据,进而,可以根据所提供数据确定最佳行驶路径,并进行驾驶控制,从而实现车辆自动驾驶。
基于上面第一方面实施例的车辆自动驾驶模式下的物体识别方法,本发明第二方面实施例的非临时性计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上面第一方面实施例的车辆自动驾驶模式下的物体识别方法。
根据本发明实施例的非临时性计算机可读存储介质,通过存储可实现第一方面实施例的车辆自动驾驶模式下的物体识别方法的计算机程序,为该物体识别方法的实现提供支持。
下面参照附图描述根据本发明第三方面实施例提供的车辆自动驾驶模式下的物体识别系统。
图3是根据本发明实施例的车辆自动驾驶模式下的物体识别系统的框图,如图3所示,该车辆自动驾驶模式下的物体识别系统100包括雷达装置10和神经网络算法装置20。
其中,雷达装置10用于发射电磁波信号并接收物体反射的电磁波信号;神经网络算法装置20用于采用神经网络算法获得车辆周边物体的可信度函数,并根据可信度函数识别车辆周边物体的类型,其中,物体反射的电磁波信号组成神经网络的输入层。
在本发明的一些实施例中,可信度函数如下:
Belt(ξ)=p(ξ|X1:t),
其中,Belt(ξ)为被测物体的可信度函数,ξ为被测物体,p为概率密度函数,X为雷达装置接收信号的积累值,t表示时间,1:t表示从开始监测时刻到t时刻的时间区间。通过检测分析1:t这一区间内的信号,判断被测物体是否可信任。
具体地,神经网络算法装置20在根据可信度函数识别车辆周边物体的类型时具体用于,将可信度函数与物体可信度阈值进行比较,当可信度函数大于物体可信度阈值时确定被测物体为对应物体类型。例如,如果可信度函数大于机动车的可行度阈值,则确定被测物体为机动车,或者,如果可信度函数大于行人可信度阈值,则确定被测物体为行人,或者,如果可信度函数大于自行车可信度阈值,则确定被测物体为自行车。
本发明实施例的车辆自动驾驶模式下的物体识别系统100,在车辆周边物体识别阶段,基于雷达装置10和神经网络算法装置20,采用神经网络算法并结合可信度函数来进行物体识别,可以提高识别准确性,避免误判误报。
如图4所示,本发明实施例的车辆自动驾驶模式下的物体识别系统100还包括图像获取装置30和卡尔曼滤波装置40。其中,图像获取装置30用于检测车辆周边物体的图像信息;卡尔曼滤波装置40用于获取雷达装置探测信息和图像信息,按照设定权重形成卡尔曼滤波状态方程,并根据物体位置模型和卡尔曼滤波状态方程判断被测物体的位置。
在本发明的一些实施例中,卡尔曼滤波状态方程如下:
其中,为物体状态方程,Ω是对角权重矩阵,为通过图像获取装置测定的状态方程,I为对角单位矩阵,为通过雷达装置测定的状态方程。
其中,对角权重矩阵Ω满足:其中,ξx表示雷达装置与被测物体在x方向上的距离,ξy表示雷达装置与被测物体在y方向上的距离,表示雷达装置与被测物体在x方向上的相对速度,表示雷达装置与被测物体在y方向上的相对速度。在这里,纵向信息相比图像获取装置更权重于雷达装置测定值,而横向信息相比于雷达装置更权重于图像获取装置测定值。通过权重设定获得物体准确位置。
本发明实施例的车辆自动驾驶模式下的物体识别系统100,在物体识别阶段,通过采用神经网络算法结合可信度函数,可以在各种驾驶工况和道路环境下,准确识别周边物体,在物体位置判断阶段,将雷达探测和图像获取技术相结合,根据物体位置模型和卡尔曼滤波器的状态方程,确定物体位置,提升定位精度,为自动驾驶提供精准数据,进而,可以根据所提供数据确定最佳行驶路径,并进行驾驶控制,从而实现车辆自动驾驶。
基于上述方面实施例的车辆自动驾驶模式下的物体识别系统,下面参照附图5描述根据本发明再一方面实施例提出的车辆。
图5是根据本发明实施例的车辆的框图,如图5所示,该车辆1000包括上述方面实施例的自动驾驶模式下的物体识别系统100,当然还包括驾驶操作系统、动力系统以及其他零部件,在这里不再详述。其中,自动驾驶实现系统100的具体工作过程参照上述方面实施例描述,再次不再赘述。
本发明实施例的车辆1000,通过采用上述方面实施例的自动驾驶模式下的物体识别系统100,可以提高物体识别以及物体位置判断的准确性,避免误判,为自动驾驶提供数据基础,进而提高自动驾驶的体验。
需要说明的是,在本说明的描述中,流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种车辆自动驾驶模式下的物体识别方法,其特征在于,包括:
获取雷达装置接收到的物体反射的电磁波信号;
采用神经网络算法获得车辆周边物体的可信度函数,其中,所述物体反射的电磁波信号组成神经网络的输入层;
根据所述可信度函数识别所述车辆周边物体的类型。
2.如权利要求1所述的车辆自动驾驶模式下的物体识别方法,其特征在于,所述可信度函数方程式如下:
Belt(ξ)=p(ξ|X1:t),
其中,Belt(ξ)为被测物体的可信度函数,ξ为被测物体,p为概率密度函数,X为所述接收信号的积累值,t表示时间,1:t表示从开始监测时刻到t时刻的时间区间。
3.如权利要求2所述的车辆自动驾驶模式下的物体识别方法,其特征在于,根据所述可信度函数识别所述车辆周边物体的类型包括:
将所述可信度函数与物体可信度阈值进行比较;
当所述可信度函数大于所述物体可信度阈值时确定被测物体为对应物体类型。
4.如权利要求1所述的车辆自动驾驶模式下的物体识别方法,其特征在于,还包括:
获取车辆周边物体的图像信息,根据雷达装置探测信息和所述图像信息按照设定权重形成卡尔曼滤波状态方程;
根据物体位置模型和所述卡尔曼滤波状态方程判断被测物体的位置。
5.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-4中任一所述的车辆自动驾驶模式下的物体识别方法。
6.一种车辆自动驾驶模式下的物体识别系统,其特征在于,包括:
雷达装置,用于发射电磁波信号并接收物体反射的电磁波信号;
神经网络算法装置,用于采用神经网络算法获得车辆周边物体的可信度函数,并根据所述可信度函数识别所述车辆周边物体的类型,其中,所述物体反射的电磁波信号组成神经网络的输入层。
7.如权利要求6所述的车辆自动驾驶模式下的物体识别系统,其特征在于,所述可信度函数如下:
Belt(ξ)=p(ξ|X1:t),
其中,Belt(ξ)为被测物体的可信度函数,ξ为被测物体,p为概率密度函数,X为所述接收信号的积累值,t表示时间,1:t表示从开始监测时刻到t时刻的时间区间。
8.如权利要求7所述的车辆自动驾驶模式下的物体识别系统,其特征在于,神经网络算法装置在根据所述可信度函数识别所述车辆周边物体的类型时具体用于,将所述可信度函数与物体可信度阈值进行比较,当所述可信度函数大于所述物体可信度阈值时确定被测物体为对应物体类型。
9.如权利要求6所述的车辆自动驾驶模式下的物体识别系统,其特征在于,还包括:
图像获取装置,用于检测车辆周边物体的图像信息;
卡尔曼滤波装置,用于获取雷达装置探测信息和所述图像信息,按照设定权重形成卡尔曼滤波状态方程,并根据物体位置模型和所述卡尔曼滤波状态方程判断被测物体的位置。
10.一种车辆,其特征在于,包括如权利要求6-9任一项所述的车辆自动驾驶模式下的物体识别系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810955514.0A CN109263649B (zh) | 2018-08-21 | 2018-08-21 | 车辆及其自动驾驶模式下的物体识别方法和物体识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810955514.0A CN109263649B (zh) | 2018-08-21 | 2018-08-21 | 车辆及其自动驾驶模式下的物体识别方法和物体识别系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109263649A true CN109263649A (zh) | 2019-01-25 |
CN109263649B CN109263649B (zh) | 2021-09-17 |
Family
ID=65153900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810955514.0A Active CN109263649B (zh) | 2018-08-21 | 2018-08-21 | 车辆及其自动驾驶模式下的物体识别方法和物体识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109263649B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112180353A (zh) * | 2020-09-17 | 2021-01-05 | 北京中兵智航软件技术有限公司 | 目标对象的确认方法及系统、存储介质 |
WO2021012987A1 (zh) * | 2019-07-19 | 2021-01-28 | 阿里巴巴集团控股有限公司 | 物体检测方法、装置、系统及设备 |
CN113959447A (zh) * | 2021-10-19 | 2022-01-21 | 北京京航计算通讯研究所 | 相对导航高噪声量测量识别方法、装置、设备和存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1940591A (zh) * | 2005-09-26 | 2007-04-04 | 通用汽车环球科技运作公司 | 使用传感器融合进行目标跟踪的系统和方法 |
CN101089917A (zh) * | 2007-06-01 | 2007-12-19 | 清华大学 | 一种目标车换道工况下的快速识别方法 |
CN105070288A (zh) * | 2015-07-02 | 2015-11-18 | 百度在线网络技术(北京)有限公司 | 车载语音指令识别方法和装置 |
CN105654045A (zh) * | 2015-12-29 | 2016-06-08 | 大连楼兰科技股份有限公司 | 应用在主动驾驶技术中识别交通管制人员的方法 |
CN106022300A (zh) * | 2016-06-02 | 2016-10-12 | 中国科学院信息工程研究所 | 基于级联深度学习的交通标志识别方法和系统 |
CN106295586A (zh) * | 2016-08-16 | 2017-01-04 | 长春理工大学 | 基于单线点云数据机器学习的人形目标识别方法及装置 |
US20170147905A1 (en) * | 2015-11-25 | 2017-05-25 | Baidu Usa Llc | Systems and methods for end-to-end object detection |
CN107235044A (zh) * | 2017-05-31 | 2017-10-10 | 北京航空航天大学 | 一种基于多传感数据实现对道路交通场景和司机驾驶行为的还原方法 |
CN107609522A (zh) * | 2017-09-19 | 2018-01-19 | 东华大学 | 一种基于激光雷达和机器视觉的信息融合车辆检测系统 |
CN108021891A (zh) * | 2017-12-05 | 2018-05-11 | 广州大学 | 基于深度学习与传统算法结合的车辆环境识别方法和系统 |
CN108090457A (zh) * | 2017-12-27 | 2018-05-29 | 天津天地人和企业管理咨询有限公司 | 一种基于视频的机动车不礼让行人检测方法 |
-
2018
- 2018-08-21 CN CN201810955514.0A patent/CN109263649B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1940591A (zh) * | 2005-09-26 | 2007-04-04 | 通用汽车环球科技运作公司 | 使用传感器融合进行目标跟踪的系统和方法 |
CN101089917A (zh) * | 2007-06-01 | 2007-12-19 | 清华大学 | 一种目标车换道工况下的快速识别方法 |
CN105070288A (zh) * | 2015-07-02 | 2015-11-18 | 百度在线网络技术(北京)有限公司 | 车载语音指令识别方法和装置 |
US20170147905A1 (en) * | 2015-11-25 | 2017-05-25 | Baidu Usa Llc | Systems and methods for end-to-end object detection |
CN105654045A (zh) * | 2015-12-29 | 2016-06-08 | 大连楼兰科技股份有限公司 | 应用在主动驾驶技术中识别交通管制人员的方法 |
CN106022300A (zh) * | 2016-06-02 | 2016-10-12 | 中国科学院信息工程研究所 | 基于级联深度学习的交通标志识别方法和系统 |
CN106295586A (zh) * | 2016-08-16 | 2017-01-04 | 长春理工大学 | 基于单线点云数据机器学习的人形目标识别方法及装置 |
CN107235044A (zh) * | 2017-05-31 | 2017-10-10 | 北京航空航天大学 | 一种基于多传感数据实现对道路交通场景和司机驾驶行为的还原方法 |
CN107609522A (zh) * | 2017-09-19 | 2018-01-19 | 东华大学 | 一种基于激光雷达和机器视觉的信息融合车辆检测系统 |
CN108021891A (zh) * | 2017-12-05 | 2018-05-11 | 广州大学 | 基于深度学习与传统算法结合的车辆环境识别方法和系统 |
CN108090457A (zh) * | 2017-12-27 | 2018-05-29 | 天津天地人和企业管理咨询有限公司 | 一种基于视频的机动车不礼让行人检测方法 |
Non-Patent Citations (2)
Title |
---|
曹其新等: "《轮式自主移动机器人》", 31 January 2012 * |
王化祥: "《传感器原理及应用》", 30 September 2014 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021012987A1 (zh) * | 2019-07-19 | 2021-01-28 | 阿里巴巴集团控股有限公司 | 物体检测方法、装置、系统及设备 |
CN112180353A (zh) * | 2020-09-17 | 2021-01-05 | 北京中兵智航软件技术有限公司 | 目标对象的确认方法及系统、存储介质 |
CN113959447A (zh) * | 2021-10-19 | 2022-01-21 | 北京京航计算通讯研究所 | 相对导航高噪声量测量识别方法、装置、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109263649B (zh) | 2021-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107076848B (zh) | 用于生成周围环境地图的方法,和驾驶员辅助系统 | |
JP6533040B2 (ja) | レーダセンサ使用による対象物特定方法 | |
CN109263649B (zh) | 车辆及其自动驾驶模式下的物体识别方法和物体识别系统 | |
EP2565671B1 (en) | Moving object detecting apparatus, moving object detecting method, and computer program | |
CN109870680A (zh) | 一种目标分类方法及装置 | |
US10228457B2 (en) | Radar device and sensor fusion system using the same | |
CN108369781B (zh) | 评价由车辆的至少一个传感器检测到的危险情况的方法 | |
EP3671272A1 (en) | Vehicle sensor fusion based on fuzzy sets | |
JPWO2016194036A1 (ja) | レーダ信号処理装置 | |
US11292481B2 (en) | Method and apparatus for multi vehicle sensor suite diagnosis | |
KR20130096702A (ko) | 차량의 주변 환경 모니터링 방법 및 장치 | |
JP2014167702A (ja) | 物体認識装置及び物体認識方法 | |
JP2020190429A (ja) | 障害物検出装置および障害物検出方法 | |
CN110426714B (zh) | 一种障碍物识别方法 | |
EP3467545A1 (en) | Object classification | |
JP6555132B2 (ja) | 移動物体検出装置 | |
RU2576341C2 (ru) | Отслеживание на основе фазы | |
US11841419B2 (en) | Stationary and moving object recognition apparatus | |
CN114442075A (zh) | 一种雷达的参数配置方法、装置及车辆 | |
CN112801024B (zh) | 一种检测信息处理方法和装置 | |
CN109932721B (zh) | 应用于多感测器融合的误差及侦测机率分析方法 | |
JP2019178971A (ja) | 環境地図生成装置、環境地図生成方法、及び環境地図生成プログラム | |
CN115128637A (zh) | 用于激光雷达传感器的作用距离确定的方法 | |
JP5991599B2 (ja) | 目標探知装置 | |
CN112763998A (zh) | 用于确定雷达目标列表的设备、传感器系统及方法 |
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 |