CN109376590A - 基于无人车的障碍物分类方法、装置、设备以及存储介质 - Google Patents
基于无人车的障碍物分类方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN109376590A CN109376590A CN201811044529.8A CN201811044529A CN109376590A CN 109376590 A CN109376590 A CN 109376590A CN 201811044529 A CN201811044529 A CN 201811044529A CN 109376590 A CN109376590 A CN 109376590A
- Authority
- CN
- China
- Prior art keywords
- information
- node
- decision tree
- classification
- obstacle
- 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.)
- Pending
Links
Classifications
-
- 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
-
- 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
- G01S17/06—Systems determining position data of a target
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
- G06F16/2246—Trees, e.g. B+trees
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video 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
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/88—Sonar systems specially adapted for specific applications
- G01S15/93—Sonar systems specially adapted for specific applications for anti-collision purposes
- G01S15/931—Sonar systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Electromagnetism (AREA)
- Computing Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
- Radar Systems Or Details Thereof (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供一种基于无人车的障碍物分类方法、装置、设备以及存储介质,其中,该方法包括:获取无人车的检测装置检测到的多个障碍物的障碍物信息;采用压缩后的随机森林模型,对多个障碍物的障碍物信息进行分类处理,得到障碍物分类结果;压缩后的随机森林模型的每一个决策树中的非叶子节点中仅存储有特征指示信息、分类阈值指示信息和节点位置指示信息,节点位置指示信息为左节点位置指示信息或右节点位置指示信息;每一个决策树中的叶子节点中仅存储有类别指示信息。只需要保存部分信息,不需要占用无人车系统的较多内存和空间,减少内存占用量;并且在分类的过程中,由于只需要同步保存少量的信息,进而可以提升分类的速度,提高了分类效率。
Description
技术领域
本申请实施例涉及无人车技术领域,尤其涉及一种基于无人车的障碍物分类方法、装置、设备以及存储介质。
背景技术
随着智能技术的发展,无人车开始得到发展和应用。在无人车的行驶过程中,需要对无人车周围的障碍物的类别进行检测。
现有技术中,获取到障碍物的障碍物信息之后,将障碍物信息输入到随机森林模型中,以对障碍物的类别进行分类识别。其中,现有的随机森林模型具有很多的树结构,每一个树结构上设置有多个节点,节点会设置多个字段,每一个节点用于存储障碍物分类识别过程中的信息。
然而现有技术中,在应用随机森林模型对障碍物的类别进行分类识别的时候,需要将很多的信息存储到随机森林模型的节点中去,从而需要无人车的系统存储很多信息,需要占用无人车的系统的内存和空间;并且由于需要进行信息的存储,从而造成对障碍物的整个分类识别过程较慢,效率较低。
发明内容
本申请实施例提供一种基于无人车的障碍物分类方法、装置、设备以及存储介质,用于解决上述方案中不能正确的确定出障碍物的朝向的问题。
本申请第一方面提供一种基于无人车的障碍物分类方法,包括:
获取无人车的检测装置检测到的多个障碍物的障碍物信息;
采用压缩后的随机森林模型,对所述多个障碍物的障碍物信息进行分类处理,得到障碍物分类结果;其中,所述压缩后的随机森林模型中包括了至少两个决策树,所述至少两个决策树中的每一个决策树中的非叶子节点中仅存储有特征指示信息、分类阈值指示信息和节点位置指示信息,所述节点位置指示信息为左节点位置指示信息或右节点位置指示信息,所述左节点位置指示信息用于指示非叶子节点下的左节点和右节点的位置,所述右节点位置指示信息用于指示非叶子节点下的左节点和右节点的位置;每一个决策树中的叶子节点中仅存储有类别指示信息。
进一步地,所述采用压缩后的随机森林模型,对所述障碍物信息进行分类处理,得到至少一种类型的障碍物,包括:
将所述多个障碍物的障碍物信息分布到所述压缩后的随机森林模型的决策树中;
在所述压缩后的随机森林模型中的每一个决策树中,对输入到每一个决策树中的障碍物信息进行分类处理,得到每一个决策树的叶子节点所输出的障碍物类型信息;
根据每一个决策树的叶子节点所输出的障碍物类型信息,得到所述障碍物分类结果。
进一步地,在所述压缩后的随机森林模型中的每一个决策树中,对输入到每一个决策树中的障碍物信息进行分类处理,得到每一个决策树的叶子节点所输出的障碍物类型信息,包括:
在所述压缩后的随机森林模型中的每一个决策树中,对输入到每一个决策树中的障碍物信息进行分类处理,并判断每一个决策树的非叶子节点是否具有左节点或右节点;
若确定每一个决策树的非叶子节点具有右节点且不具有左节点,则将特征指示信息、分类阈值指示信息、右节点位置指示信息,存储至非叶子节点中;
若确定每一个决策树的非叶子节点具有左节点且不具有右节点,则将特征指示信息、分类阈值指示信息、左节点位置指示信息,存储至非叶子节点中;
若确定每一个决策树的非叶子节点具有左节点且具有右节点,则将特征指示信息、分类阈值指示信息存储至非叶子节点中,并且将左节点位置指示信息或右节点位置指示信息存储至非叶子节点中;
根据所述分类处理的过程,得到每一个决策树的叶子节点所输出的障碍物类型信息。
进一步地,在所述采用压缩后的随机森林模型,对所述多个障碍物的障碍物信息进行分类处理,得到障碍物分类结果之后,还包括:
将所述压缩后的随机森林模型中的每一个决策树的叶子节点所存储的信息,存储至与叶子节点对应的父节点中;
删除所述压缩后的随机森林模型中的每一个决策树的叶子节点。
进一步地,所述非叶子节点包括根节点、具有子节点和父节点的节点。
进一步地,所述左节点位置指示信息为所述决策树中的每一个节点的左节点相对于每一个的右节点的相对地址信息;
所述右节点位置指示信息为所述决策树中的每一个节点的右节点相对于每一个的左节点的相对地址信息。
进一步地,所述特征指示信息的字段占用2个字节,所述类别指示信息的字段占用2个字节,所述分类阈值指示信息的字段占用4个字节,所述左节点位置指示信息的字段占用4个字节,所述右节点位置指示信息的字段占用4个字节。
进一步地,所述检测装置为以下的任意一种:
激光雷达传感器、超声波雷达、图像检测设备、红外线检测设备。
进一步地,所述障碍物信息中还包括以下的至少一种:
障碍物的运动速度、障碍物的体积、障碍物的热量、障碍物与无人车之间的距离。
本申请第三方面提供一种基于无人车的障碍物分类装置,包括:
获取单元,用于获取无人车的检测装置检测到的多个障碍物的障碍物信息;
分类单元,用于采用压缩后的随机森林模型,对所述多个障碍物的障碍物信息进行分类处理,得到障碍物分类结果;其中,所述压缩后的随机森林模型中包括了至少两个决策树,所述至少两个决策树中的每一个决策树中的非叶子节点中仅存储有特征指示信息、分类阈值指示信息和节点位置指示信息,所述节点位置指示信息为左节点位置指示信息或右节点位置指示信息,所述左节点位置指示信息用于指示非叶子节点下的左节点和右节点的位置,所述右节点位置指示信息用于指示非叶子节点下的左节点和右节点的位置;每一个决策树中的叶子节点中仅存储有类别指示信息。
进一步地,所述分类单元,包括:
分布模块,用于将所述多个障碍物的障碍物信息分布到所述压缩后的随机森林模型的决策树中;
分类模块,用于在所述压缩后的随机森林模型中的每一个决策树中,对输入到每一个决策树中的障碍物信息进行分类处理,得到每一个决策树的叶子节点所输出的障碍物类型信息;
确定模块,用于根据每一个决策树的叶子节点所输出的障碍物类型信息,得到所述障碍物分类结果。
进一步地,所述分类模块,包括:
分类子模块,用于在所述压缩后的随机森林模型中的每一个决策树中,对输入到每一个决策树中的障碍物信息进行分类处理,并判断每一个决策树的非叶子节点是否具有左节点或右节点;
第一确定子模块,用于若确定每一个决策树的非叶子节点具有右节点且不具有左节点,则将特征指示信息、分类阈值指示信息、右节点位置指示信息,存储至非叶子节点中;
第二确定子模块,用于若确定每一个决策树的非叶子节点具有左节点且不具有右节点,则将特征指示信息、分类阈值指示信息、左节点位置指示信息,存储至非叶子节点中;
第三确定子模块,用于若确定每一个决策树的非叶子节点具有左节点且具有右节点,则将特征指示信息、分类阈值指示信息存储至非叶子节点中,并且将左节点位置指示信息或右节点位置指示信息存储至非叶子节点中;
第四确定子模块,用于根据所述分类处理的过程,得到每一个决策树的叶子节点所输出的障碍物类型信息。
进一步地,所述装置,还包括:
存储单元,用于在所述分类单元采用压缩后的随机森林模型,对所述多个障碍物的障碍物信息进行分类处理,得到障碍物分类结果之后,将所述压缩后的随机森林模型中的每一个决策树的叶子节点所存储的信息,存储至与叶子节点对应的父节点中;
删除单元,用于删除所述压缩后的随机森林模型中的每一个决策树的叶子节点。
进一步地,所述非叶子节点包括根节点、具有子节点和父节点的节点。
进一步地,所述左节点位置指示信息为所述决策树中的每一个节点的左节点相对于每一个的右节点的相对地址信息;
所述右节点位置指示信息为所述决策树中的每一个节点的右节点相对于每一个的左节点的相对地址信息。
进一步地,所述特征指示信息的字段占用2个字节,所述类别指示信息的字段占用2个字节,所述分类阈值指示信息的字段占用4个字节,所述左节点位置指示信息的字段占用4个字节,所述右节点位置指示信息的字段占用4个字节。
进一步地,所述检测装置为以下的任意一种:
激光雷达传感器、超声波雷达、图像检测设备、红外线检测设备。
进一步地,所述障碍物信息中还包括以下的至少一种:
障碍物的运动速度、障碍物的体积、障碍物的热量、障碍物与无人车之间的距离。
本申请第三方面提供一种控制设备,包括:发送器、接收器、存储器和处理器;
所述存储器用于存储计算机指令;所述处理器用于运行所述存储器存储的所述计算机指令实现第一方面任一实现方式提供的基于无人车的障碍物分类方法。
本申请第四方面提供一种存储介质,其特征在于,包括:可读存储介质和计算机指令,所述计算机指令存储在所述可读存储介质中;所述计算机指令用于实现第一方面任一实现方式提供的基于无人车的障碍物分类方法。
本申请实施例提供的基于无人车的障碍物分类方法、装置、设备以及存储介质,通过获取无人车的检测装置检测到的多个障碍物的障碍物信息;采用压缩后的随机森林模型,对多个障碍物的障碍物信息进行分类处理,得到障碍物分类结果;其中,压缩后的随机森林模型中包括了至少两个决策树,至少两个决策树中的每一个决策树中的非叶子节点中仅存储有特征指示信息、分类阈值指示信息和节点位置指示信息,节点位置指示信息为左节点位置指示信息或右节点位置指示信息,左节点位置指示信息用于指示非叶子节点下的左节点和右节点的位置,右节点位置指示信息用于指示非叶子节点下的左节点和右节点的位置;每一个决策树中的叶子节点中仅存储有类别指示信息。由于压缩后的随机森林模型中的每一个决策树中的非叶子节点,只设置有特征指示字段,类别指示字段,分类阈值指示字段,左节点位置指示字段或右节点位置指示字段;叶子节点只设置有类别指示字段;从而,在采用压缩后的随机森林模型对障碍物进行分类识别的时候,只需要保存部分信息,不需要占用无人车系统的较多内存和空间,减少内存占用量;并且在分类的过程中,由于只需要同步保存少量的信息,进而可以提升分类的速度,提高了分类效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本申请实施例提供的一种基于无人车的障碍物分类方法的流程图;
图2为本申请实施例提供的一种基于无人车的障碍物分类方法的压缩后的随机森林模型中的决策树的示意图;
图3为本申请实施例提供的另一种基于无人车的障碍物分类方法的流程图;
图4为本申请实施例提供的另一种基于无人车的障碍物分类方法的压缩后的随机森林模型中的决策树的示意图;
图5为本申请实施例提供的一种基于无人车的障碍物分类装置的结构示意图;
图6为本申请实施例提供的另一种基于无人车的障碍物分类装置的结构示意图;
图7为本申请实施例提供的一种控制设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
现有技术中,获取到障碍物的障碍物信息之后,将障碍物信息输入到随机森林模型中,以对障碍物的类别进行分类识别。其中,现有的随机森林模型具有很多的树结构,每一个树结构上设置有多个节点,节点会设置多个字段,每一个节点用于存储障碍物分类识别过程中的信息。
然而现有技术中,在应用随机森林模型对障碍物的类别进行分类识别的时候,需要将很多的信息存储到随机森林模型的节点中去,从而需要无人车的系统存储很多信息,需要占用无人车的系统的内存和空间;并且由于需要进行信息的存储,从而造成对障碍物的整个分类识别过程较慢,效率较低。
针对上述存在的问题,本申请提出一种基于无人车的障碍物分类方法、装置、设备以及存储介质,可以不需要占用无人车系统的较多内存和空间,减少内存占用量;并且在分类的过程中,由于只需要同步保存少量的信息,进而可以提升分类的速度,提高了分类效率。下面通过几个具体实施例对该方案进行详细说明。
图1为本申请实施例提供的一种基于无人车的障碍物分类方法的流程图,如图1所示,该方案的执行主体为无人车的控制器、无人车自动驾驶系统的控制设备等等,该基于无人车的障碍物分类方法,包括:
步骤101、获取无人车的检测装置检测到的多个障碍物的障碍物信息。
可选的,检测装置为以下的任意一种:激光雷达传感器、超声波雷达、图像检测设备、红外线检测设备。
障碍物信息中还包括以下的至少一种:障碍物的运动速度、障碍物的体积、障碍物的热量、障碍物与无人车之间的距离。
在本步骤中,具体的,本实施例以执行主体为无人车的控制器进行说明。
在无人车上设置有至少一个检测装置,检测装置可以是激光雷达传感器、超声波雷达、图像检测设备、红外线检测设备等等。采用检测装置对无人车周围的障碍物进行检测,获取到各个障碍物的障碍物信息;然后,无人车的控制器从检测装置中获取到多个障碍物的障碍物信息。其中,每一个障碍物的障碍物信息中包括了障碍物标识,障碍物标识用于标记障碍物。
举例来说,无人车的控制器获取到障碍物1的障碍物信息、障碍物2的障碍物信息、障碍物3的障碍物信息;其中,障碍物1的障碍物信息中包括障碍物标识A,障碍物2的障碍物信息中包括障碍物标识B,障碍物3的障碍物信息中包括障碍物标识C。
举例来说,可以采用激光雷达传感器或超声波雷达获取到障碍物的点云数据,无人车的控制器根据障碍物的点云数据,确定障碍物的位置信息;无人车的控制器根据全球定位系统(Global Positioning System,简称GPS),确定出无人车的位置信息;然后,无人车的控制器根据障碍物的位置信息和无人车的位置信息,计算出障碍物与无人车之间的距离。
再距离来说,可以采用激光雷达传感器或超声波雷达获取到障碍物的点云数据,无人车的控制器根据障碍物的点云数据,确定障碍物在不同时刻的位置信息;无人车的控制器根据障碍物在不同时刻的位置信息,计算出障碍物在一定时间段内的位移信息;然后,无人车的控制器根据障碍物在一定时间段内的位移信息、以及对应的时间,计算出障碍物的运动速度。
又举例来说,可以采用红外线检测设备检测到障碍物的热量信息,进而无人车的控制器获取到障碍物的热量。
另举例来说,可以采用图像检测设备获取到障碍物的图像;无人车的控制器根据障碍物的图像,提取出障碍物的轮廓大小;并且,无人车的控制器根据障碍物的位置信息和无人车的位置信息,计算出障碍物与无人车之间的距离;然后,无人车的控制器根据障碍物的轮廓大小、障碍物与无人车之间的距离,计算出障碍物的体积。
步骤102、采用压缩后的随机森林模型,对多个障碍物的障碍物信息进行分类处理,得到障碍物分类结果;其中,压缩后的随机森林模型中包括了至少两个决策树,至少两个决策树中的每一个决策树中的非叶子节点中仅存储有特征指示信息、分类阈值指示信息和节点位置指示信息,节点位置指示信息为左节点位置指示信息或右节点位置指示信息,左节点位置指示信息用于指示非叶子节点下的左节点和右节点的位置,右节点位置指示信息用于指示非叶子节点下的左节点和右节点的位置;每一个决策树中的叶子节点中仅存储有类别指示信息。
可选的,非叶子节点包括根节点、具有子节点和父节点的节点。
可选的,左节点位置指示信息为决策树中的每一个节点的左节点相对于每一个的右节点的相对地址信息;右节点位置指示信息为决策树中的每一个节点的右节点相对于每一个的左节点的相对地址信息。
在本步骤中,具体的,无人车的控制器中存储有压缩后的随机森林模型,在该压缩后的随机森林模型中,预先设置了压缩后的随机森林模型中的每一个节点所需要保持哪些信息,从而只为每一个节点设置现有技术中的部分字段。
在在现有技术中,每一个决策树的每一个节点包括了特征指示(feature index)字段、类别指示(class index)字段、分类阈值字段、左节点位置指示字段和右节点位置指示字段。
具体来说,压缩后的随机森林模型中具有多个决策树,决策树可以是二叉树。每一个决策树中具有一个或多个节点;对于每一个决策树来说,可以将决策树中的节点划分为两类,分别为非叶子节点和叶子节点,其中,根节点属于非叶子节点,同时具有子节点和父节点的节点也属于非叶子节点。每一个决策树中的非叶子节点中可以仅设置有特征指示字段、分类阈值指示字段和节点位置指示字段;每一个决策树中的叶子节点中仅设置有类别指示字段。
从而在采用采用压缩后的随机森林模型,对多个障碍物的障碍物信息进行分类处理的过程中,对于每一个决策树的非叶子节点来说,每一个非叶子节点的字段中,将特征指示信息存储到特征指示字段中,将分类阈值指示信息存储到分类阈值指示字段中,将节点位置指示信息存储到节点位置指示字段中。
其中,节点位置指示信息为左节点位置指示信息或右节点位置指示信息,即一个非叶子节点可以只去存储左节点的位置或右节点的位置。这是因为本申请中,可以采用左节点位置指示信息用于指示非叶子节点下的左节点和右节点的位置,或者可以采用右节点位置指示信息用于指示非叶子节点下的左节点和右节点的位置。具体来说,本申请中,左节点位置指示信息、右节点位置指示信息采用的是相对地址,左节点位置指示信息是决策树中的每一个节点的左节点相对于每一个的右节点的相对地址信息,右节点位置指示信息是决策树中的每一个节点的右节点相对于每一个的左节点的相对地址信息;从而,左节点位置指示信息直接指示出了左节点的位置,根据左节点位置指示信息可以确定出右节点的位置;右节点位置指示信息直接指示出了右节点的位置,根据右节点位置指示信息可以确定出左节点的位置。举例来说,左节点的位置与右节点的位置是相邻的,可以在非叶子节点中只设置左节点位置指示字段或右节点位置指示字段,从而在非叶子节点中存储左节点位置指示信息或右节点位置指示信息,去指示出左节点和右节点的位置。
在采用采用压缩后的随机森林模型,对多个障碍物的障碍物信息进行分类处理的过程中,对于每一个决策树的叶子节点来说,每一个叶子节点的字段中,将类别指示信息存储到类别指示字段中。
采用压缩后的随机森林模型,对多个障碍物的障碍物信息进行分类处理之后,可以得到障碍物分类结果。其中,障碍物分类结果中包括了至少一个类别的障碍物组合,每一个障碍物组合中包括至少一个障碍物的标识,每个障碍物组合中的各障碍物归属于同一个类别。
图2为本申请实施例提供的一种基于无人车的障碍物分类方法的压缩后的随机森林模型中的决策树的示意图,如图2所示,获取到障碍物1、障碍物2、障碍物3、障碍物4、障碍物5各自的障碍物信息,将各个障碍物信息输入到压缩后的随机森林模型中的一个决策树中;在决策树的根节点处,根据障碍物的运行速度,将运行速度大于速度阈值的障碍物1、障碍物2、障碍物3输入到根节点下的节点2处,将运行速度小于等于速度阈值障碍物4、障碍物5输入到根节点下的节点3处,在根节点上存储的特征指示信息为速度特征,在根节点上存储的分类阈值指示信息为速度阈值,在根节点上存储的节点位置指示信息为节点2的位置信息或者节点3的位置信息;在节点3处,不再对障碍物4和障碍物5进行分类,在节点3上存储的类别指示信息为运行速度小于等于速度阈值;在节点2处,对障碍物1、障碍物2、障碍物3进行分类,根据障碍物的热量,将热量大于热量阈值的障碍物1、障碍物2输入到节点2下的节点4中,将热量小于等于热量阈值的障碍物3输入到节点2下的节点5中,在节点2上存储的特征指示信息为热量特征,在节点2上存储的分类阈值指示信息为热量阈值,在节点2上存储的节点位置指示信息为节点4的位置信息或者节点5的位置信息;在节点4处,不再对障碍物1和障碍物2进行分类,在节点4上存储的类别指示信息为运行速度大于速度阈值、且热量大于热量阈值;在节点5处,不再对障碍物3进行分类,在节点5上存储的类别指示信息为运行速度大于速度阈值、且热量小于等于热量阈值。从而得到第一类别障碍物为运行速度小于等于速度阈值的障碍物,第二类别障碍物为运行速度大于速度阈值、热量大于热量阈值的障碍物,第三类别障碍物为运行速度大于速度阈值、热量小于等于热量阈值的障碍物。
在图2所示的决策树中包括了节点1、节点2、节点3、节点4、节点5,其中,节点1和节点2是非叶子节点,节点3、节点4和节点5是叶子节点。节点1只设置了特征指示字段、分类阈值指示字段和节点位置指示字段,其中,节点1的特征指示字段中存储的特征指示信息为速度特征,节点1的分类阈值指示字段中存储的分类阈值指示信息为速度阈值,节点1的分节点位置指示段中存储的节点位置指示信息为节点2的位置信息或者节点3的位置信息。在节点3只设置了类别指示字段,节点3的类别指示字段中存储的类别指示信息为运行速度小于等于速度阈值。节点2只设置了特征指示字段、分类阈值指示字段和节点位置指示字段,其中,节点2的特征指示字段中存储的特征指示信息为热量特征,节点2的分类阈值指示字段中存储的分类阈值指示信息为热量阈值,节点2的节点位置指示字段中存储的节点位置指示信息为节点4的位置信息或者节点5的位置信息。在节点4只设置了类别指示字段,节点4的类别指示字段中存储的类别指示信息为运行速度大于速度阈值、且热量大于热量阈值。在节点5只设置了类别指示字段,节点5的类别指示字段中存储的类别指示信息为运行速度大于速度阈值、且热量小于等于热量阈值。
本实施例,通过获取无人车的检测装置检测到的多个障碍物的障碍物信息;采用压缩后的随机森林模型,对多个障碍物的障碍物信息进行分类处理,得到障碍物分类结果;其中,压缩后的随机森林模型中包括了至少两个决策树,至少两个决策树中的每一个决策树中的非叶子节点中仅存储有特征指示信息、分类阈值指示信息和节点位置指示信息,节点位置指示信息为左节点位置指示信息或右节点位置指示信息,左节点位置指示信息用于指示非叶子节点下的左节点和右节点的位置,右节点位置指示信息用于指示非叶子节点下的左节点和右节点的位置;每一个决策树中的叶子节点中仅存储有类别指示信息。由于压缩后的随机森林模型中的每一个决策树中的非叶子节点,只设置有特征指示字段,类别指示字段,分类阈值指示字段,左节点位置指示字段或右节点位置指示字段;叶子节点只设置有类别指示字段;从而,在采用压缩后的随机森林模型对障碍物进行分类识别的时候,只需要保存部分信息,不需要占用无人车系统的较多内存和空间,减少内存占用量;并且在分类的过程中,由于只需要同步保存少量的信息,进而可以提升分类的速度,提高了分类效率。
图3为本申请实施例提供的另一种基于无人车的障碍物分类方法的流程图,如图3所示,该方案的执行主体为无人车的控制器、无人车自动驾驶系统的控制设备等等,该基于无人车的障碍物分类方法,包括:
步骤201、获取无人车的检测装置检测到的多个障碍物的障碍物信息。
在本实施例中,具体的,本实施例以执行主体为无人车的控制器进行说明。本步骤可参见图1的步骤101,不再赘述。
步骤202、将多个障碍物的障碍物信息分布到压缩后的随机森林模型的决策树中。
其中,压缩后的随机森林模型中包括了至少两个决策树,至少两个决策树中的每一个决策树中的非叶子节点中仅存储有特征指示信息、分类阈值指示信息和节点位置指示信息,节点位置指示信息为左节点位置指示信息或右节点位置指示信息,左节点位置指示信息用于指示非叶子节点下的左节点和右节点的位置,右节点位置指示信息用于指示非叶子节点下的左节点和右节点的位置;每一个决策树中的叶子节点中仅存储有类别指示信息。
可选的,特征指示信息的字段占用2个字节,类别指示信息的字段占用2个字节,分类阈值指示信息的字段占用4个字节,左节点位置指示信息的字段占用4个字节,右节点位置指示信息的字段占用4个字节。
在本实施例中,具体的,可以根据预设的特征,首先将多个障碍物进行分类,进而将多个障碍物的障碍物信息分布到压缩后的随机森林模型的决策树中。例如根据障碍物与无人车的距离,将距离归属于不同的距离段的障碍物,分布到各个决策树中。
其中,决策树可以采用图1所示的步骤201中所介绍的决策树的结构和信息存储过程,不再赘述。
步骤203、在压缩后的随机森林模型中的每一个决策树中,对输入到每一个决策树中的障碍物信息进行分类处理,得到每一个决策树的叶子节点所输出的障碍物类型信息。
其中,步骤203具体包括以下步骤:
步骤2031、在压缩后的随机森林模型中的每一个决策树中,对输入到每一个决策树中的障碍物信息进行分类处理,并判断每一个决策树的非叶子节点是否具有左节点或右节点。
步骤2032、若确定每一个决策树的非叶子节点具有右节点且不具有左节点,则将特征指示信息、分类阈值指示信息、右节点位置指示信息,存储至非叶子节点中。
步骤2033、若确定每一个决策树的非叶子节点具有左节点且不具有右节点,则将特征指示信息、分类阈值指示信息、左节点位置指示信息,存储至非叶子节点中。
步骤2034、若确定每一个决策树的非叶子节点具有左节点且具有右节点,则将特征指示信息、分类阈值指示信息存储至非叶子节点中,并且将左节点位置指示信息或右节点位置指示信息存储至非叶子节点中。
步骤2035、根据分类处理的过程,得到每一个决策树的叶子节点所输出的障碍物类型信息。
在本实施例中,具体的,针对于每一个上述决策树,无人车的控制器根据现有技术中提供的决策树分类规则,对每一个决策树中的障碍物信息进行分类处理,决策树的每一个叶子节点可以输出一个障碍物类型信息,障碍物类型信息中包括了障碍物类型标识和至少一个障碍物标识,其中,障碍物类型标识表征了与每一个障碍物标识对应的障碍物归属于同一个类别,即每一个叶子节点输出了归属于一个类型的障碍物的障碍物标识。
在上述分类处理的过程中,可以根据障碍物的分类过程,判断决策树的非叶子节点是否具有左节点或右节点;在确定非叶子节点具有右节点且不具有左节点的时候,无人车的控制器确定该非叶子节点中的节点位置指示字段中存储右节点位置指示信息,并且非叶子节点只具有特征指示字段、分类阈值指示字段、节点位置指示字段,从而,非叶子节点中可以存储特征指示信息、分类阈值指示信息和右节点位置指示信息。
在确定非叶子节点具有左节点且不具有右节点的时候,无人车的控制器确定该非叶子节点中的节点位置指示字段中存储左节点位置指示信息,并且非叶子节点只具有特征指示字段、分类阈值指示字段、节点位置指示字段,从而,非叶子节点中可以存储特征指示信息、分类阈值指示信息和左节点位置指示信息。
在确定非叶子节点具有左节点且具有右节点的时候,无人车的控制器确定该非叶子节点中的节点位置指示字段中存储左节点位置指示信息或右节点位置指示信息,并且非叶子节点只具有特征指示字段、分类阈值指示字段、节点位置指示字段,从而,非叶子节点中可以存储特征指示信息和分类阈值指示信息,并且,非叶子节点中可以存储左节点位置指示信息或右节点位置指示信息。
举例来说,图4为本申请实施例提供的另一种基于无人车的障碍物分类方法的压缩后的随机森林模型中的决策树的示意图,如图4所示,获取到障碍物1、障碍物2、障碍物3、障碍物4各自的障碍物信息,将各个障碍物信息输入到压缩后的随机森林模型中的一个决策树中;在决策树的根节点处,根据障碍物的运行速度,将运行速度大于速度阈值的障碍物1、障碍物2、障碍物3输入到根节点下的节点2处,将运行速度小于等于速度阈值障碍物4输入到根节点下的节点3处,在根节点上存储的特征指示信息为速度特征,在根节点上存储的分类阈值指示信息为速度阈值,由于根节点具有左节点和右节点,则在根节点上存储的节点位置指示信息为节点2的位置信息或者节点3的位置信息;在节点3处,不再对障碍物4进行分类,在节点3上存储的类别指示信息为运行速度小于等于速度阈值;在节点2处,对障碍物1、障碍物2、障碍物3进行分类,根据障碍物的热量,将热量大于热量阈值的障碍物1、障碍物2、障碍物3输入到节点2下的节点4中,在节点2上存储的特征指示信息为热量特征,在节点2上存储的分类阈值指示信息为热量阈值,由于节点2只具有左节点,则在节点2上存储的节点位置指示信息为节点4的位置信息;在节点4处,不再对障碍物1、障碍物2和障碍物3进行分类,在节点4上存储的类别指示信息为运行速度大于速度阈值、且热量大于热量阈值。从而得到第一类别障碍物为运行速度小于等于速度阈值的障碍物,第二类别障碍物为运行速度大于速度阈值、热量大于热量阈值的障碍物。
在图4所示的决策树中包括了节点1、节点2、节点3、节点4,其中,节点1和节点2是非叶子节点,节点3和节点4是叶子节点。节点1只设置了特征指示字段、分类阈值指示字段和节点位置指示字段,其中,节点1的特征指示字段中存储的特征指示信息为速度特征,节点1的分类阈值指示字段中存储的分类阈值指示信息为速度阈值,节点1的分节点位置指示段中存储的节点位置指示信息为节点2的位置信息或者节点3的位置信息。在节点3只设置了类别指示字段,节点3的类别指示字段中存储的类别指示信息为运行速度小于等于速度阈值。节点2只设置了特征指示字段、分类阈值指示字段和节点位置指示字段,其中,节点2的特征指示字段中存储的特征指示信息为热量特征,节点2的分类阈值指示字段中存储的分类阈值指示信息为热量阈值,节点2的节点位置指示字段中存储的节点位置指示信息为节点4的位置信息。在节点4只设置了类别指示字段,节点4的类别指示字段中存储的类别指示信息为运行速度大于速度阈值、且热量大于热量阈值。
由于,并且,每一个决策树中的特征指示信息的字段可以占用2个字节,每一个决策树中的类别指示信息的字段可以占用2个字节,每一个决策树中的分类阈值指示信息的字段可以占用4个字节,每一个决策树中的左节点位置指示信息的字段可以占用4个字节,每一个决策树中的右节点位置指示信息的字段可以占用4个字节;从而,非叶子节点可以只保存2+4+4=10个字节的数据,叶子节点可以只保存2个字节的数据。
步骤204、根据每一个决策树的叶子节点所输出的障碍物类型信息,得到障碍物分类结果。
在本实施例中,具体的,由于决策树的每一个叶子节点可以输出一个障碍物类型信息,即每一个叶子节点输出了归属于一个类型的障碍物的障碍物标识。从而可以根据所有决策树的叶子节点所输出的障碍物类型信息,进行汇总得到障碍物分类结果。
步骤205、将压缩后的随机森林模型中的每一个决策树的叶子节点所存储的信息,存储至与叶子节点对应的父节点中。
在本实施例中,具体的,由于每一个决策树的叶子节点可以只保存类别指示信息,叶子节点的下面不会具有其他节点,可以将叶子节点之所存储的信息,转移至与叶子节点对应的非叶子节点上去,即将叶子节点所存储的信息,存储至与叶子节点对应的父节点中。
步骤206、删除压缩后的随机森林模型中的每一个决策树的叶子节点。
在本实施例中,具体的,在步骤205之后,由于将叶子节点存储的类别指示信息,存储到与叶子节点对应的父节点中,从而可以将每一个决策树的叶子节点删除,以避免叶子节点占用内存空间。
举例来说,对于图4所示的决策树,可以将节点3存储的类别指示信息,转移至节点1中,然后删除节点3,从而节点1中的特征指示字段中存储的特征指示信息为速度特征,节点1的分类阈值指示字段中存储的分类阈值指示信息为速度阈值,节点1的分节点位置指示段中存储的节点位置指示信息为节点2的位置信息,节点1的预设字段中存储的类别指示信息为运行速度小于等于速度阈值。同样的,可以将图4所示的决策树,可以将节点4存储的类别指示信息,转移至节点2中,然后删除节点4。
本实施例,通过提供的压缩后的随机森林模型中的每一个决策树中的非叶子节点,只设置有特征指示字段,类别指示字段,分类阈值指示字段,左节点位置指示字段或右节点位置指示字段;叶子节点只设置有类别指示字段;从而,在采用压缩后的随机森林模型对障碍物进行分类识别的时候,只需要保存部分信息,不需要占用无人车系统的较多内存和空间,减少内存占用量;并且在分类的过程中,由于只需要同步保存少量的信息,进而可以提升分类的速度,提高了分类效率。并且,可以将决策树中叶子节点的信息,存储至与叶子节点对应的父节点中,然后删除叶子节点,进一步的减少分类识别所产生的数据,减少无人车的系统的内存占用量。
图5为本申请实施例提供的一种基于无人车的障碍物分类装置的结构示意图,如图5所示,本实施例提供的基于无人车的障碍物分类装置,包括:
获取单元51,用于获取无人车的检测装置检测到的多个障碍物的障碍物信息;
分类单元52,用于采用压缩后的随机森林模型,对多个障碍物的障碍物信息进行分类处理,得到障碍物分类结果;其中,压缩后的随机森林模型中包括了至少两个决策树,至少两个决策树中的每一个决策树中的非叶子节点中仅存储有特征指示信息、分类阈值指示信息和节点位置指示信息,节点位置指示信息为左节点位置指示信息或右节点位置指示信息,左节点位置指示信息用于指示非叶子节点下的左节点和右节点的位置,右节点位置指示信息用于指示非叶子节点下的左节点和右节点的位置;每一个决策树中的叶子节点中仅存储有类别指示信息。
本实施例提供的基于无人车的障碍物分类装置,同于实现前述任一实施例提供的基于无人车的障碍物分类方法中的技术方案,其实现原理类似,不再赘述。
本实施例,通过获取无人车的检测装置检测到的多个障碍物的障碍物信息;采用压缩后的随机森林模型,对多个障碍物的障碍物信息进行分类处理,得到障碍物分类结果;其中,压缩后的随机森林模型中包括了至少两个决策树,至少两个决策树中的每一个决策树中的非叶子节点中仅存储有特征指示信息、分类阈值指示信息和节点位置指示信息,节点位置指示信息为左节点位置指示信息或右节点位置指示信息,左节点位置指示信息用于指示非叶子节点下的左节点和右节点的位置,右节点位置指示信息用于指示非叶子节点下的左节点和右节点的位置;每一个决策树中的叶子节点中仅存储有类别指示信息。由于压缩后的随机森林模型中的每一个决策树中的非叶子节点,只设置有特征指示字段,类别指示字段,分类阈值指示字段,左节点位置指示字段或右节点位置指示字段;叶子节点只设置有类别指示字段;从而,在采用压缩后的随机森林模型对障碍物进行分类识别的时候,只需要保存部分信息,不需要占用无人车系统的较多内存和空间,减少内存占用量;并且在分类的过程中,由于只需要同步保存少量的信息,进而可以提升分类的速度,提高了分类效率。
图6为本申请实施例提供的另一种基于无人车的障碍物分类装置的结构示意图,在图5所示实施例的基础上,如图6所示,本实施例提供的基于无人车的障碍物分类装置中,分类单元52,包括:
分布模块521,用于将多个障碍物的障碍物信息分布到压缩后的随机森林模型的决策树中。
分类模块522,用于在压缩后的随机森林模型中的每一个决策树中,对输入到每一个决策树中的障碍物信息进行分类处理,得到每一个决策树的叶子节点所输出的障碍物类型信息。
确定模块523,用于根据每一个决策树的叶子节点所输出的障碍物类型信息,得到障碍物分类结果。
分类模块522,包括:
分类子模块5221,用于在压缩后的随机森林模型中的每一个决策树中,对输入到每一个决策树中的障碍物信息进行分类处理,并判断每一个决策树的非叶子节点是否具有左节点或右节点。
第一确定子模块5222,用于若确定每一个决策树的非叶子节点具有右节点且不具有左节点,则将特征指示信息、分类阈值指示信息、右节点位置指示信息,存储至非叶子节点中。
第二确定子模块5223,用于若确定每一个决策树的非叶子节点具有左节点且不具有右节点,则将特征指示信息、分类阈值指示信息、左节点位置指示信息,存储至非叶子节点中。
第三确定子模块5224,用于若确定每一个决策树的非叶子节点具有左节点且具有右节点,则将特征指示信息、分类阈值指示信息存储至非叶子节点中,并且将左节点位置指示信息或右节点位置指示信息存储至非叶子节点中。
第四确定子模块5225,用于根据分类处理的过程,得到每一个决策树的叶子节点所输出的障碍物类型信息。
本实施例提供的装置,还包括:
存储单元61,用于在分类单元52采用压缩后的随机森林模型,对多个障碍物的障碍物信息进行分类处理,得到障碍物分类结果之后,将压缩后的随机森林模型中的每一个决策树的叶子节点所存储的信息,存储至与叶子节点对应的父节点中。
删除单元62,用于删除压缩后的随机森林模型中的每一个决策树的叶子节点。
非叶子节点包括根节点、具有子节点和父节点的节点。
左节点位置指示信息为决策树中的每一个节点的左节点相对于每一个的右节点的相对地址信息;右节点位置指示信息为决策树中的每一个节点的右节点相对于每一个的左节点的相对地址信息。
特征指示信息的字段占用2个字节,类别指示信息的字段占用2个字节,分类阈值指示信息的字段占用4个字节,左节点位置指示信息的字段占用4个字节,右节点位置指示信息的字段占用4个字节。
检测装置为以下的任意一种:激光雷达传感器、超声波雷达、图像检测设备、红外线检测设备。
障碍物信息中还包括以下的至少一种:障碍物的运动速度、障碍物的体积、障碍物的热量、障碍物与无人车之间的距离。
本实施例提供的基于无人车的障碍物分类装置,同于实现前述任一实施例提供的基于无人车的障碍物分类方法中的技术方案,其实现原理类似,不再赘述。
本实施例,通过提供的压缩后的随机森林模型中的每一个决策树中的非叶子节点,只设置有特征指示字段,类别指示字段,分类阈值指示字段,左节点位置指示字段或右节点位置指示字段;叶子节点只设置有类别指示字段;从而,在采用压缩后的随机森林模型对障碍物进行分类识别的时候,只需要保存部分信息,不需要占用无人车系统的较多内存和空间,减少内存占用量;并且在分类的过程中,由于只需要同步保存少量的信息,进而可以提升分类的速度,提高了分类效率。并且,可以将决策树中叶子节点的信息,存储至与叶子节点对应的父节点中,然后删除叶子节点,进一步的减少分类识别所产生的数据,减少无人车的系统的内存占用量。
图7为本申请实施例提供的一种控制设备的结构示意图,如图7所示,该控制设备,包括:发送器71、接收器72、存储器73和处理器74;
存储器73用于存储计算机指令;处理器74用于运行存储器73存储的计算机指令实现前述实施例提供任一实现方式的基于无人车的障碍物分类方法的技术方案。
本申请还提供一种存储介质,其特征在于,包括:可读存储介质和计算机指令,计算机指令存储在可读存储介质中;计算机指令用于实现前述例提供的任一实现方式的基于无人车的障碍物分类方法的技术方案。
在上述控制设备的具体实现中,应理解,处理器74可以是中央处理单元(英文:Central Processing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:Digital Signal Processor,简称:DSP)、专用集成电路(英文:Application SpecificIntegrated Circuit,简称:ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:只读存储器(英文:read-only memory,缩写:ROM)、RAM、快闪存储器、硬盘、固态硬盘、磁带(英文:magnetictape)、软盘(英文:floppy disk)、光盘(英文:optical disc)及其任意组合。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (20)
1.一种基于无人车的障碍物分类方法,其特征在于,包括:
获取无人车的检测装置检测到的多个障碍物的障碍物信息;
采用压缩后的随机森林模型,对所述多个障碍物的障碍物信息进行分类处理,得到障碍物分类结果;其中,所述压缩后的随机森林模型中包括了至少两个决策树,所述至少两个决策树中的每一个决策树中的非叶子节点中仅存储有特征指示信息、分类阈值指示信息和节点位置指示信息,所述节点位置指示信息为左节点位置指示信息或右节点位置指示信息,所述左节点位置指示信息用于指示非叶子节点下的左节点和右节点的位置,所述右节点位置指示信息用于指示非叶子节点下的左节点和右节点的位置;每一个决策树中的叶子节点中仅存储有类别指示信息。
2.根据权利要求1所述的方法,其特征在于,所述采用压缩后的随机森林模型,对所述障碍物信息进行分类处理,得到至少一种类型的障碍物,包括:
将所述多个障碍物的障碍物信息分布到所述压缩后的随机森林模型的决策树中;
在所述压缩后的随机森林模型中的每一个决策树中,对输入到每一个决策树中的障碍物信息进行分类处理,得到每一个决策树的叶子节点所输出的障碍物类型信息;
根据每一个决策树的叶子节点所输出的障碍物类型信息,得到所述障碍物分类结果。
3.根据权利要求2所述的方法,其特征在于,在所述压缩后的随机森林模型中的每一个决策树中,对输入到每一个决策树中的障碍物信息进行分类处理,得到每一个决策树的叶子节点所输出的障碍物类型信息,包括:
在所述压缩后的随机森林模型中的每一个决策树中,对输入到每一个决策树中的障碍物信息进行分类处理,并判断每一个决策树的非叶子节点是否具有左节点或右节点;
若确定每一个决策树的非叶子节点具有右节点且不具有左节点,则将特征指示信息、分类阈值指示信息、右节点位置指示信息,存储至非叶子节点中;
若确定每一个决策树的非叶子节点具有左节点且不具有右节点,则将特征指示信息、分类阈值指示信息、左节点位置指示信息,存储至非叶子节点中;
若确定每一个决策树的非叶子节点具有左节点且具有右节点,则将特征指示信息、分类阈值指示信息存储至非叶子节点中,并且将左节点位置指示信息或右节点位置指示信息存储至非叶子节点中;
根据所述分类处理的过程,得到每一个决策树的叶子节点所输出的障碍物类型信息。
4.根据权利要求1所述的方法,其特征在于,在所述采用压缩后的随机森林模型,对所述多个障碍物的障碍物信息进行分类处理,得到障碍物分类结果之后,还包括:
将所述压缩后的随机森林模型中的每一个决策树的叶子节点所存储的信息,存储至与叶子节点对应的父节点中;
删除所述压缩后的随机森林模型中的每一个决策树的叶子节点。
5.根据权利要求1所述的方法,其特征在于,所述非叶子节点包括根节点、具有子节点和父节点的节点。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述左节点位置指示信息为所述决策树中的每一个节点的左节点相对于每一个的右节点的相对地址信息;
所述右节点位置指示信息为所述决策树中的每一个节点的右节点相对于每一个的左节点的相对地址信息。
7.根据权利要求1-5任一项所述的方法,其特征在于,所述特征指示信息的字段占用2个字节,所述类别指示信息的字段占用2个字节,所述分类阈值指示信息的字段占用4个字节,所述左节点位置指示信息的字段占用4个字节,所述右节点位置指示信息的字段占用4个字节。
8.根据权利要求1-5任一项所述的方法,其特征在于,所述检测装置为以下的任意一种:
激光雷达传感器、超声波雷达、图像检测设备、红外线检测设备。
9.根据权利要求1-5任一项所述的方法,其特征在于,所述障碍物信息中还包括以下的至少一种:
障碍物的运动速度、障碍物的体积、障碍物的热量、障碍物与无人车之间的距离。
10.一种基于无人车的障碍物分类装置,其特征在于,包括:
获取单元,用于获取无人车的检测装置检测到的多个障碍物的障碍物信息;
分类单元,用于采用压缩后的随机森林模型,对所述多个障碍物的障碍物信息进行分类处理,得到障碍物分类结果;其中,所述压缩后的随机森林模型中包括了至少两个决策树,所述至少两个决策树中的每一个决策树中的非叶子节点中仅存储有特征指示信息、分类阈值指示信息和节点位置指示信息,所述节点位置指示信息为左节点位置指示信息或右节点位置指示信息,所述左节点位置指示信息用于指示非叶子节点下的左节点和右节点的位置,所述右节点位置指示信息用于指示非叶子节点下的左节点和右节点的位置;每一个决策树中的叶子节点中仅存储有类别指示信息。
11.根据权利要求10所述的装置,其特征在于,所述分类单元,包括:
分布模块,用于将所述多个障碍物的障碍物信息分布到所述压缩后的随机森林模型的决策树中;
分类模块,用于在所述压缩后的随机森林模型中的每一个决策树中,对输入到每一个决策树中的障碍物信息进行分类处理,得到每一个决策树的叶子节点所输出的障碍物类型信息;
确定模块,用于根据每一个决策树的叶子节点所输出的障碍物类型信息,得到所述障碍物分类结果。
12.根据权利要求11所述的装置,其特征在于,所述分类模块,包括:
分类子模块,用于在所述压缩后的随机森林模型中的每一个决策树中,对输入到每一个决策树中的障碍物信息进行分类处理,并判断每一个决策树的非叶子节点是否具有左节点或右节点;
第一确定子模块,用于若确定每一个决策树的非叶子节点具有右节点且不具有左节点,则将特征指示信息、分类阈值指示信息、右节点位置指示信息,存储至非叶子节点中;
第二确定子模块,用于若确定每一个决策树的非叶子节点具有左节点且不具有右节点,则将特征指示信息、分类阈值指示信息、左节点位置指示信息,存储至非叶子节点中;
第三确定子模块,用于若确定每一个决策树的非叶子节点具有左节点且具有右节点,则将特征指示信息、分类阈值指示信息存储至非叶子节点中,并且将左节点位置指示信息或右节点位置指示信息存储至非叶子节点中;
第四确定子模块,用于根据所述分类处理的过程,得到每一个决策树的叶子节点所输出的障碍物类型信息。
13.根据权利要求10所述的装置,其特征在于,所述装置,还包括:
存储单元,用于在所述分类单元采用压缩后的随机森林模型,对所述多个障碍物的障碍物信息进行分类处理,得到障碍物分类结果之后,将所述压缩后的随机森林模型中的每一个决策树的叶子节点所存储的信息,存储至与叶子节点对应的父节点中;
删除单元,用于删除所述压缩后的随机森林模型中的每一个决策树的叶子节点。
14.根据权利要求10所述的装置,其特征在于,所述非叶子节点包括根节点、具有子节点和父节点的节点。
15.根据权利要求10-14任一项所述的装置,其特征在于,所述左节点位置指示信息为所述决策树中的每一个节点的左节点相对于每一个的右节点的相对地址信息;
所述右节点位置指示信息为所述决策树中的每一个节点的右节点相对于每一个的左节点的相对地址信息。
16.根据权利要求10-14任一项所述的装置,其特征在于,所述特征指示信息的字段占用2个字节,所述类别指示信息的字段占用2个字节,所述分类阈值指示信息的字段占用4个字节,所述左节点位置指示信息的字段占用4个字节,所述右节点位置指示信息的字段占用4个字节。
17.根据权利要求10-14任一项所述的装置,其特征在于,所述检测装置为以下的任意一种:
激光雷达传感器、超声波雷达、图像检测设备、红外线检测设备。
18.根据权利要求10-14任一项所述的装置,其特征在于,所述障碍物信息中还包括以下的至少一种:
障碍物的运动速度、障碍物的体积、障碍物的热量、障碍物与无人车之间的距离。
19.一种控制设备,其特征在于,包括:发送器、接收器、存储器和处理器;
所述存储器用于存储计算机指令;所述处理器用于运行所述存储器存储的所述计算机指令实现权利要求1至9任一项所述的基于无人车的障碍物分类方法。
20.一种存储介质,其特征在于,包括:可读存储介质和计算机指令,所述计算机指令存储在所述可读存储介质中;所述计算机指令用于实现权利要求1至9任一项所述的基于无人车的障碍物分类方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811044529.8A CN109376590A (zh) | 2018-09-07 | 2018-09-07 | 基于无人车的障碍物分类方法、装置、设备以及存储介质 |
EP19183686.5A EP3564853A3 (en) | 2018-09-07 | 2019-07-01 | Obstacle classification method and apparatus based on unmanned vehicle, device, and storage medium |
JP2019129305A JP6745951B2 (ja) | 2018-09-07 | 2019-07-11 | 無人運転車に基づく障害物分類方法、装置、機器及び記憶媒体 |
US16/515,985 US11295144B2 (en) | 2018-09-07 | 2019-07-18 | Obstacle classification method and apparatus based on unmanned vehicle, device, and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811044529.8A CN109376590A (zh) | 2018-09-07 | 2018-09-07 | 基于无人车的障碍物分类方法、装置、设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109376590A true CN109376590A (zh) | 2019-02-22 |
Family
ID=65405451
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811044529.8A Pending CN109376590A (zh) | 2018-09-07 | 2018-09-07 | 基于无人车的障碍物分类方法、装置、设备以及存储介质 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11295144B2 (zh) |
EP (1) | EP3564853A3 (zh) |
JP (1) | JP6745951B2 (zh) |
CN (1) | CN109376590A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110940979A (zh) * | 2019-10-28 | 2020-03-31 | 杭州飞步科技有限公司 | 障碍物检测方法、装置、设备以及存储介质 |
CN111291697A (zh) * | 2020-02-19 | 2020-06-16 | 北京百度网讯科技有限公司 | 用于识别障碍物的方法和装置 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102018205532A1 (de) * | 2018-04-12 | 2019-10-17 | Robert Bosch Gmbh | Verfahren zum Erkennen eines Hindernisses vor einem Fahrzeug |
FR3109232A1 (fr) | 2020-04-10 | 2021-10-15 | Advestis | Procede de prediction interpretable par apprentissage fonctionnant sous ressources memoires limitees |
CN111583691B (zh) * | 2020-04-23 | 2021-08-20 | 北京踏歌智行科技有限公司 | 一种集群式的障碍物同步方法 |
CN112684430A (zh) * | 2020-12-23 | 2021-04-20 | 哈尔滨工业大学(威海) | 一种室内老人行走健康检测方法、系统、存储介质、终端 |
CN112613585A (zh) * | 2021-01-07 | 2021-04-06 | 绿湾网络科技有限公司 | 物品类别的确定方法和装置 |
CN115393659B (zh) * | 2022-10-27 | 2023-01-24 | 珠海横琴圣澳云智科技有限公司 | 基于多级决策树的个性化分类流程优化方法和装置 |
CN116304920B (zh) * | 2023-02-13 | 2023-10-20 | 中国地质大学(武汉) | 一种流数据分类模型的优化方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105835777A (zh) * | 2016-03-30 | 2016-08-10 | 乐视控股(北京)有限公司 | 显示方法、装置和车辆 |
CN106709475A (zh) * | 2017-01-22 | 2017-05-24 | 百度在线网络技术(北京)有限公司 | 障碍物识别方法及装置、计算机设备及可读存储介质 |
CN107797973A (zh) * | 2017-09-27 | 2018-03-13 | 西安交通大学 | 一种面向硬件实现的gbdt分类模型压缩方法 |
US20180253980A1 (en) * | 2017-03-03 | 2018-09-06 | Farrokh Mohamadi | Drone Terrain Surveillance with Camera and Radar Sensor Fusion for Collision Avoidance |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4433957A1 (de) * | 1994-09-23 | 1996-03-28 | Mayser Gmbh & Co | Verfahren zur Ultraschall-Hinderniserkennung |
JP5032602B2 (ja) * | 2010-01-21 | 2012-09-26 | 株式会社東芝 | 認識装置 |
US9147168B1 (en) * | 2012-12-20 | 2015-09-29 | Emc Corporation | Decision tree representation for big data |
EP2746991A1 (en) * | 2012-12-21 | 2014-06-25 | Nederlandse Organisatie voor toegepast -natuurwetenschappelijk onderzoek TNO | Image pattern recognition system and method |
US9953270B2 (en) * | 2013-05-07 | 2018-04-24 | Wise Io, Inc. | Scalable, memory-efficient machine learning and prediction for ensembles of decision trees for homogeneous and heterogeneous datasets |
US10332008B2 (en) * | 2014-03-17 | 2019-06-25 | Microsoft Technology Licensing, Llc | Parallel decision tree processor architecture |
US9787647B2 (en) * | 2014-12-02 | 2017-10-10 | Microsoft Technology Licensing, Llc | Secure computer evaluation of decision trees |
WO2018010101A1 (en) * | 2016-07-12 | 2018-01-18 | Microsoft Technology Licensing, Llc | Method, apparatus and system for 3d face tracking |
JP6924031B2 (ja) * | 2016-12-28 | 2021-08-25 | 日本放送協会 | オブジェクト検出装置及びこれらのプログラム |
US10909471B2 (en) * | 2017-03-24 | 2021-02-02 | Microsoft Technology Licensing, Llc | Resource-efficient machine learning |
US11354601B2 (en) * | 2018-03-16 | 2022-06-07 | Ricoh Company, Ltd. | Learning classification device and learning classification method |
US10699051B1 (en) * | 2018-06-29 | 2020-06-30 | Cadence Design Systems, Inc. | Method and system for performing cross-validation for model-based layout recommendations |
-
2018
- 2018-09-07 CN CN201811044529.8A patent/CN109376590A/zh active Pending
-
2019
- 2019-07-01 EP EP19183686.5A patent/EP3564853A3/en not_active Ceased
- 2019-07-11 JP JP2019129305A patent/JP6745951B2/ja active Active
- 2019-07-18 US US16/515,985 patent/US11295144B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105835777A (zh) * | 2016-03-30 | 2016-08-10 | 乐视控股(北京)有限公司 | 显示方法、装置和车辆 |
CN106709475A (zh) * | 2017-01-22 | 2017-05-24 | 百度在线网络技术(北京)有限公司 | 障碍物识别方法及装置、计算机设备及可读存储介质 |
US20180253980A1 (en) * | 2017-03-03 | 2018-09-06 | Farrokh Mohamadi | Drone Terrain Surveillance with Camera and Radar Sensor Fusion for Collision Avoidance |
CN107797973A (zh) * | 2017-09-27 | 2018-03-13 | 西安交通大学 | 一种面向硬件实现的gbdt分类模型压缩方法 |
Non-Patent Citations (5)
Title |
---|
刘庆等: "《数据库系统概论》", 30 September 2015, 电子科技大学出版社 * |
张喆: "《数据挖掘及其在客户关系管理中的应用》", 31 August 2007, 复旦大学出版社 * |
张超等: "基于贝叶斯网络和多传感器的障碍物识别系统", 《微型机与应用》 * |
查宇飞等: "《视频目标跟踪方法》", 31 July 2015, 国防工业出版社 * |
王晓荣: "基于AABB包围盒的碰撞检测算法的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110940979A (zh) * | 2019-10-28 | 2020-03-31 | 杭州飞步科技有限公司 | 障碍物检测方法、装置、设备以及存储介质 |
CN111291697A (zh) * | 2020-02-19 | 2020-06-16 | 北京百度网讯科技有限公司 | 用于识别障碍物的方法和装置 |
CN111291697B (zh) * | 2020-02-19 | 2023-11-21 | 阿波罗智能技术(北京)有限公司 | 用于识别障碍物的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
US11295144B2 (en) | 2022-04-05 |
EP3564853A3 (en) | 2020-03-11 |
JP6745951B2 (ja) | 2020-08-26 |
JP2020042783A (ja) | 2020-03-19 |
EP3564853A2 (en) | 2019-11-06 |
US20200065592A1 (en) | 2020-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109376590A (zh) | 基于无人车的障碍物分类方法、装置、设备以及存储介质 | |
EP3620979B1 (en) | Learning method, learning device for detecting object using edge image and testing method, testing device using the same | |
CN111723786B (zh) | 一种基于单模型预测的安全帽佩戴检测方法及装置 | |
US10614324B2 (en) | Method and apparatus for identifying static obstacle | |
CN108629231B (zh) | 障碍物检测方法、装置、设备及存储介质 | |
CN109815788A (zh) | 一种图片聚类方法、装置、存储介质及终端设备 | |
KR102161147B1 (ko) | 이상운항 선박 식별 장치 및 방법 | |
CN114119676B (zh) | 基于多特征信息融合的目标检测跟踪识别方法和系统 | |
CN109377694B (zh) | 社区车辆的监控方法及系统 | |
CN110008792B (zh) | 图像检测方法、装置、计算机设备及存储介质 | |
CN110633594A (zh) | 一种目标检测方法和装置 | |
KR20220146670A (ko) | 교통 비정상 탐지 방법, 장치, 기기, 저장 매체 및 프로그램 | |
CN113592903A (zh) | 车辆轨迹识别方法、装置、电子设备和存储介质 | |
Fernández-Rodríguez et al. | Automated detection of vehicles with anomalous trajectories in traffic surveillance videos | |
US20230342951A1 (en) | Object tracking apparatus, object tracking method, and program | |
JP6948959B2 (ja) | 画像処理システム及び画像処理方法 | |
CN112258126B (zh) | 位置数据的校验方法、装置及计算设备 | |
CN110942008B (zh) | 一种基于深度学习的面单信息定位方法和系统 | |
KR102127855B1 (ko) | 검출 반복성을 최대화 하는 특징점 선별방법 | |
US11100108B2 (en) | Inflationary segment approach to temporal data partitioning for optimized model scoring | |
CN115546704B (zh) | 一种车辆抛洒物识别方法、装置及应用 | |
CN115659282B (zh) | 基于ga-knn的预警目标有效运动特征智能提取方法及系统 | |
CN111698700B (zh) | 一种小区的工作状态的判定方法及装置 | |
US20240233369A9 (en) | Utilizing machine learning models to classify vehicle trajectories and collect road use data in real-time | |
TW202223595A (zh) | 脈衝式手勢辨識方法與系統 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190222 |
|
RJ01 | Rejection of invention patent application after publication |