CN109870698B - 一种超声波阵列障碍物检测结果处理方法及系统 - Google Patents

一种超声波阵列障碍物检测结果处理方法及系统 Download PDF

Info

Publication number
CN109870698B
CN109870698B CN201910034451.XA CN201910034451A CN109870698B CN 109870698 B CN109870698 B CN 109870698B CN 201910034451 A CN201910034451 A CN 201910034451A CN 109870698 B CN109870698 B CN 109870698B
Authority
CN
China
Prior art keywords
coordinates
obstacle
ultrasonic sensor
neural network
network model
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.)
Active
Application number
CN201910034451.XA
Other languages
English (en)
Other versions
CN109870698A (zh
Inventor
朱晓星
刘祥
杨凡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Apollo Intelligent Technology Beijing Co Ltd
Original Assignee
Apollo Intelligent Technology Beijing Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Apollo Intelligent Technology Beijing Co Ltd filed Critical Apollo Intelligent Technology Beijing Co Ltd
Priority to CN201910034451.XA priority Critical patent/CN109870698B/zh
Publication of CN109870698A publication Critical patent/CN109870698A/zh
Priority to EP19910456.3A priority patent/EP3839564B1/en
Priority to PCT/CN2019/126392 priority patent/WO2020147500A1/zh
Priority to US17/278,248 priority patent/US11933921B2/en
Priority to JP2021518846A priority patent/JP7185811B2/ja
Application granted granted Critical
Publication of CN109870698B publication Critical patent/CN109870698B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
    • G01S7/52004—Means for monitoring or calibrating
    • 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
    • G01S15/02—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems using reflection of acoustic waves
    • G01S15/06—Systems determining the position data of a target
    • G01S15/42—Simultaneous measurement of distance and other co-ordinates
    • 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
    • G01S15/86—Combinations of sonar systems with lidar systems; Combinations of sonar systems with systems not using wave reflection
    • 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
    • G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
    • G01S17/06—Systems determining position data of a target
    • G01S17/42—Simultaneous measurement of distance and other co-ordinates
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G01S2015/937—Sonar systems specially adapted for specific applications for anti-collision purposes of land vehicles sensor installation details
    • G01S2015/938—Sonar systems specially adapted for specific applications for anti-collision purposes of land vehicles sensor installation details in the bumper area

Abstract

本申请提供一种超声波阵列障碍物检测结果处理方法及系统，所述方法包括获取超声波传感器阵列中各超声波传感器采集的障碍物坐标；将超声波传感器阵列中各超声波传感器采集的障碍物坐标输入预先训练的神经网络模型，得到所述预先训练的神经网络模型输出的针对各超声波传感器采集的障碍物坐标的真假标识；根据所述真假标识对超声波传感器阵列中各超声波传感器采集的障碍物坐标进行处理。提高了超声波阵列障碍物检测准确性，避免误检和漏检，提高了行驶安全性。

Description

一种超声波阵列障碍物检测结果处理方法及系统
【技术领域】
本申请涉及自动控制领域，尤其涉及一种超声波阵列障碍物检测结果处理方法及系统。
【背景技术】
无人驾驶车辆是一种智能汽车，也可以称之为轮式移动机器人，主要依靠车辆内的以计算机系统为主的智能驾驶仪来实现无人驾驶。无人驾驶汽车集自动控制、体系结构、人工智能、视觉计算等众多技术于一体，是计算机科学、模式识别和智能控制技术高度发展的产物，也是衡量一个国家科研实力和工业水平的一个重要标志，在国防和国民经济领域具有广阔的应用前景。
超声波雷达往往被加载在无人驾驶车辆上实现避障功能。但是，由于超声波雷达自身的工作原理，造成其检测精度不高，容易造成误检和漏检，现有的采用规则投票对超声波阵列的检测结果进行误检漏检检测及校正的方法难以达到较高精度。
【发明内容】
本申请的多个方面提供一种超声波阵列障碍物检测结果处理方法及系统，用以提高超声波阵列障碍物检测准确性，避免误检和漏检，提高行驶安全性。
本申请的一方面，提供一种超声波阵列障碍物检测结果处理方法，包括：
获取超声波传感器阵列中各超声波传感器采集的障碍物坐标；
将超声波传感器阵列中各超声波传感器采集的障碍物坐标输入预先训练的神经网络模型，得到所述预先训练的神经网络模型输出的针对各超声波传感器采集的障碍物坐标的真假标识；
根据所述真假标识对超声波传感器阵列中各超声波传感器采集的障碍物坐标进行处理。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，将超声波传感器阵列中各超声波传感器采集的障碍物坐标输入预先训练的神经网络模型包括：
选择待处理的超声波传感器以及与其相邻的N个超声波传感器采集的障碍物坐标的特征值生成数据序列，其中，N为小于超声波传感器阵列总数的正整数；
将所述数据序列输入预先训练的神经网络模型。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述神经网络模型通过以下方法进行训练：
构造障碍物测试场景；
获取超声波传感器阵列中各超声波传感器采集的障碍物的坐标以及激光雷达对相同障碍物采集的坐标，并统一到参考坐标系中；
根据统一后的激光雷达采集的障碍物坐标对各超声波传感器采集的障碍物坐标进行真假标注，生成训练样本；
根据所述训练样本对神经网络模型进行训练。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，根据统一后的激光雷达采集的障碍物坐标对各超声波传感器采集的障碍物坐标进行真假标注包括：
若激光雷达采集的障碍物坐标与超声波传感器采集的障碍物坐标的误差在预设阈值范围内，则标注为真，若大于预设阈值范围，则标注为假。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述生成训练样本包括：
将待处理的超声波传感器以及与其相邻的N个超声波传感器采集的障碍物坐标的特征值以及针对待处理的超声波传感器采集的障碍物坐标的真假标注生成训练样本。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述神经网络模型为卷积神经网络模型。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述神经网络模型为长短期记忆神经网络模型。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述根据所述训练样本对神经网络模型进行训练包括：
利用连续时刻获得的多个训练样本对所述长短期记忆神经网络模型进行训练。
本申请的另一方面，提供一种超声波阵列障碍物检测结果处理系统，包括：
获取模块，用于获取超声波传感器阵列中各超声波传感器采集的障碍物坐标；
神经网络标识模块，用于将超声波传感器阵列中各超声波传感器采集的障碍物坐标输入预先训练的神经网络模型，得到所述预先训练的神经网络模型输出的针对各超声波传感器采集的障碍物坐标的真假标识；
处理模块，根据所述真假标识对超声波传感器阵列中各超声波传感器采集的障碍物坐标进行处理。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述神经网络标识模块具体用于：
选择待处理的超声波传感器以及与其相邻的N个超声波传感器采集的障碍物坐标的特征值生成数据序列，其中，N为小于超声波传感器阵列总数的正整数；
将所述数据序列输入预先训练的神经网络模型。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述系统还包括神经网络训练模块，用于：
构造障碍物测试场景；
获取超声波传感器阵列中各超声波传感器采集的障碍物的坐标以及激光雷达对相同障碍物采集的坐标，并统一到参考坐标系中；
根据统一后的激光雷达采集的障碍物坐标对各超声波传感器采集的障碍物坐标进行真假标注，生成训练样本；
根据所述训练样本对神经网络模型进行训练。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，根据统一后的激光雷达采集的障碍物坐标对各超声波传感器采集的障碍物坐标进行真假标注包括：
若激光雷达采集的障碍物坐标与超声波传感器采集的障碍物坐标的误差在预设阈值范围内，则标注为真，若大于预设阈值范围，则标注为假。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述生成训练样本包括：
将待处理的超声波传感器以及与其相邻的N个超声波传感器采集的障碍物坐标的特征值以及针对待处理的超声波传感器采集的障碍物坐标的真假标注生成训练样本。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述神经网络模型为卷积神经网络模型。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述神经网络模型为长短期记忆神经网络模型。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述根据所述训练样本对神经网络模型进行训练包括：
利用连续时刻获得的多个训练样本对所述长短期记忆神经网络模型进行训练。
本发明的另一方面，提供一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如以上所述的方法。
本发明的另一方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如以上所述的方法。
由所述技术方案可知，本申请实施例可以提高超声波阵列障碍物检测准确性，避免误检和漏检，提高行驶安全性。
【附图说明】
为了更清楚地说明本申请实施例中的技术方案，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他的附图。
图1为本申请一实施例提供的超声波阵列障碍物检测结果处理方法的流程示意图；
图2为本申请一实施例提供的超声波阵列障碍物检测结果处理方法中神经网络模型训练方法的流程示意图；
图3为本申请一实施例提供的超声波阵列障碍物检测结果校正系统的结构示意图；
图4为本申请一实施例提供的超声波阵列障碍物检测街而过校正系统的训练模块的结构示意图；
图5示出了适于用来实现本发明实施方式的示例性计算机系统/服务器012的框图。
【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全部其他实施例，都属于本申请保护的范围。
图1为本申请一实施例提供的超声波阵列障碍物检测结果处理方法的流程示意图，如图1所示，包括：
步骤S11、获取超声波传感器阵列中各超声波传感器采集的障碍物坐标；
步骤S12、将超声波传感器阵列中各超声波传感器采集的障碍物坐标输入预先训练的神经网络模型，得到所述预先训练的神经网络模型输出的针对各超声波传感器采集的障碍物坐标的真假标识；
步骤S13、根据所述真假标识对超声波传感器阵列中各超声波传感器采集的障碍物坐标进行处理。
优选地，在步骤S11的一种优选实现方式中，
获取超声波传感器阵列中各超声波传感器采集的障碍物坐标。
优选地，在本实施例中，仅考虑在超声波传感器阵列的视野中存在单个障碍物的情况，场景比较干净，以便各超声波传感器所返回的为针对同一个障碍物所采集的障碍物坐标。
优选地，由于所述超声波传感器阵列中各个超声波传感器与车辆前方保险杠上均匀分布，因此各超声波传感器的坐标系是不同的，需要将各超声波传感器采集的障碍物坐标统一到参考坐标系中。本实施例中，可以将各超声波传感器的坐标转换到车辆坐标系中。
在步骤S12的一种优选实现方式中，
将超声波传感器阵列中各超声波传感器采集的障碍物坐标输入预先训练的神经网络模型，得到所述预先训练的神经网络模型输出的针对各超声波传感器采集的障碍物坐标的真假标识。
优选地，所述超声波传感器阵列包括10个均匀分布在车辆前方保险杠上的超声波传感器，在实际应用当中，一般最多会有4-6个相邻的超声波传感器可以采集到同一障碍物坐标。例如，当障碍物出现在车辆左前方，可能只有分布在车辆前方保险杠左侧的4个超声波传感器采集到了所述障碍物的坐标，返回了障碍物信息，而分布在车辆前方保险杠中央和右侧的6个超声波传感器则未采集到障碍物信息。
在本实施例的一个优选实施例中，
从各超声波传感器采集的障碍物坐标中选择一个超声波传感器以及与其相邻的N个超声波传感器采集的障碍物坐标生成数据序列，其中，N为小于超声波传感器阵列总数的正整数，将所述数据序列输入预先训练的神经网络；得到预先训练的神经网络输出的标识结果，确定所选的一个超声波传感器采集的障碍物坐标的真假。所述预先训练的神经网络为CNN卷积神经网络。
在本实施例的另一个优选实施例中，
从各超声波传感器采集的障碍物坐标中选择一个超声波传感器以及与其相邻的N个超声波传感器采集的障碍物坐标生成数据序列，其中，N为小于超声波传感器阵列总数的正整数，将第t时刻所述数据序列输入预先训练的神经网络；得到预先训练的神经网络输出的第t时刻的标识结果，确定所选的一个超声波传感器采集的障碍物坐标的真假。所述预先训练的神经网络为LSTM长短期记忆神经网络。优选地，将第t时刻的数据序列代入LSTM长短期记忆神经网络以计算出该第t时刻的LSTM结果，确定所选的一个超声波传感器采集的障碍物坐标的真假。优选地，在LSTM长短期记忆神经网络接收到第t时刻的数据序列的同时，此时已经存有第t-1时刻至第t-n时刻的LSTM隐含层状态，可以根据预设规则从该第t-1时刻至第t-n时刻的LSTM隐含层状态种选择满足该预设规则的LSTM隐含层状态作为选择结果，以用于计算第t时刻的LSTM结果。
其中，在本发明的实施例中，该预设规则可包括但不限于：从第t-1时刻至第t-n时刻的LSTM隐含层状态中选择出至少一个最大不同的LSTM隐含层状态作为选择结果；和/或，采用L0-范数的稀疏性，从第t-1时刻至第t-n时刻的LSTM隐含层状态中选择出至少一个LSTM隐含层状态；和/或，根据人工经验从第t-1时刻至第t-n时刻的LSTM隐含层状态中选择出至少一个LSTM隐含层状态。可以理解，上述预设规则还可以根据实际需求(如新的任务)设计相应的选择规则。
在步骤S13的一种优选实现方式中，
根据所述真假标识对超声波传感器阵列中各超声波传感器采集的障碍物坐标进行处理。
优选地，若预先训练的神经网络输出的标识结果为真，则保留待处理的超声波传感器采集的障碍物坐标；若预先训练的神经网络输出的标识结果为假，则抛弃待处理的超声波传感器采集的障碍物坐标。
优选地，根据处理后的障碍物坐标进行避障。
优选地，可以同时采用CNN卷积神经网络和LSTM长短期记忆神经网络分别输出标识结果，并进行加权求和，以确定最终的标识结果。
如图2所示，所述神经网络模型通过以下步骤进行训练：
步骤S21、构造障碍物测试场景；
优选地，所述障碍物测试场景为简单场景，比较干净，在超声波阵列的视野中，只设置单个障碍物，以便对所述超声波阵列进行测试的过程中，各超声波传感器所返回的为同一个障碍物的信息；
步骤S22、采集超声波传感器阵列采集的障碍物的坐标以及激光雷达对相同障碍物采集的坐标并统一到参考坐标系中；
优选地，所述超声波传感器阵列中各个超声波传感器与车辆前方保险杠上均匀分布；所述激光雷达为单线激光雷达，安装于车辆前方保险杠的中央位置，所述激光雷达用于采集障碍物的精确距离数据，以便作为超声波传感器采集的障碍物坐标的真值，对其进行标注。
优选地，由于所述超声波传感器阵列中各个超声波传感器与车辆前方保险杠上均匀分布，激光雷达安装于车辆前方保险杠的中央位置，因此需要将各超声波传感器坐标系中的坐标与激光雷达坐标系中的坐标转换到参考坐标系中。本实施例中，可以将激光雷达坐标系中的坐标、超声波雷达坐标系中的坐标统一转换到车辆坐标系中。
所述各超声波传感器与激光雷达的初始空间配置是事先已知的，可以根据所述各超声波传感器与激光雷达在无人驾驶车辆车体上的测量数据得到。将障碍物在各超声波传感器坐标系中的坐标与在激光雷达坐标系中的坐标转换到车辆坐标系中。
步骤S23、根据统一后的激光雷达采集的障碍物坐标对各超声波传感器采集的障碍物坐标进行标注，生成训练样本；
优选地，根据统一后的激光雷达采集的障碍物坐标对各超声波传感器采集的障碍物坐标进行标注，标注其采集的障碍物坐标的label为真或为假。
例如，
对于超声波阵列中的超声波传感器一，若激光雷达返回的距离数据与超声波传感器一返回的距离数据的误差在预设阈值范围内，则标注为真，若大于预设阈值范围，则标注为假，认为所述超声波传感器一出现了误检或漏检。优选地，所述预设阈值范围为20cm，可以覆盖大约99％的输出。
确定超声波传感器一相邻的N个超声波传感器采集的障碍物坐标的特征值。优选地，N为小于超声波阵列的超声波传感器总数的正整数。优选地，所述超声波传感器阵列包括10个均匀分布在车辆前方保险杠上的超声波传感器，在实际应用当中，一般最多会有4-6个相邻的超声波传感器可以采集到同一障碍物坐标。例如，当障碍物出现在车辆左前方，可能只有分布在车辆前方保险杠左侧的4个超声波传感器采集到了所述障碍物的坐标，返回了障碍物信息，而分布在车辆前方保险杠中央和右侧的6个超声波传感器则未采集到障碍物信息。因此，N可以选择为4个，虽然N可以取更大的数值，但是，更多的传感器所采集的障碍物坐标与传感器一所采集的障碍物坐标的相关程度较低，只会增加运算量，因此，一般选择为4个即可。
选择超声波传感器一相邻的N个超声波传感器采集的障碍物坐标，通过对所述障碍物坐标进行特征变化，如取平方、开平方等获取其特征值。
优选地，将超声波传感器一相邻的N个超声波传感器的特征值以及超声波传感器一的label生成训练样本。
其中，label标注为真的为正样本，label标注为假的为负样本。
优选地，将连续时刻的超声波传感器一相邻的N个超声波传感器的特征值以及超声波传感器一的label生成训练样本。
通过在障碍物测试场景中进行测试，可以自动获得针对各超声波传感器的大量的测试样本，无需人工通过激光测距仪等设备进行手工标注，大大提高了测试样本的获取速度和精确度。
步骤S24、根据所述训练样本对神经网络模型进行训练。
在本实施例的一种优选实现方式中，所述神经网络模型为CNN卷积神经网络模型。利用带有标注的训练样本，包括正样本和负样本对CNN卷积神经网络模型进行训练。
优选地，利用SGD(Stochastic Gradient Descent，随机梯度下降)训练算法对多个样本对进行训练，最终得到CNN模型参数。
优选地，对超声波阵列中不同的超声波传感器，分别将其相邻的N个超声波传感器的特征值以及其label生成训练样本对CNN卷积神经网络模型进行训练。在超声波阵列障碍物检测结果处理方法中，对不同超声波传感器的待校正的障碍物检测结果，采用其对应的训练后的CNN卷积神经网络模型进行标注，对应的label标注结果即为其障碍物检测结果的标注，若为真，则根据其采集的障碍物坐标进行避障；若预先训练的神经网络输出的标识结果为假，则抛弃该采集结果，以新的采集结果为准进行避障。
在本实施例的另一种优选实现方式中，所述神经网络模型为LSTM长短期记忆神经网络模型。利用连续时刻获得的多个带有标注的训练样本对LSTM长短期记忆神经网络模型进行训练。
利用训练样本对LSTM长短期记忆神经网络模型进行训练，通过使目标函数最优化(即，最大化或最小化)，从参数的初始值确定LSTM长短期记忆神经网络的参数的额训练之。
采用上述实施例提供的技术方案，采用激光雷达返回的结果作为超声波阵列检测的真值对超声波阵列障碍物检测结果进行标注，利用标注后的障碍物检测结果作为训练样本对神经网络模型进行训练，根据训练后的神经网络模型对超声波障碍物检测结果进行校正，提高超声波阵列障碍物检测准确性，避免误检和漏检，提高行驶安全性。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
以上是关于方法实施例的介绍，以下通过装置实施例，对本发明所述方案进行进一步说明。
图3为本申请一实施例提供的超声波阵列障碍物检测结果校正系统的结构示意图，如图3所示，包括：
获取模块31，用于获取超声波传感器阵列中各超声波传感器采集的障碍物坐标；
神经网络标识模块32，用于将超声波传感器阵列中各超声波传感器采集的障碍物坐标输入预先训练的神经网络模型，得到所述预先训练的神经网络模型输出的针对各超声波传感器采集的障碍物坐标的真假标识；
处理模块33，根据所述真假标识对超声波传感器阵列中各超声波传感器采集的障碍物坐标进行处理。
优选地，在获取模块31的一种优选实现方式中，
获取模块31获取超声波传感器阵列中各超声波传感器采集的障碍物坐标。
优选地，在本实施例中，仅考虑在超声波传感器阵列的视野中存在单个障碍物的情况，场景比较干净，以便各超声波传感器所返回的为针对同一个障碍物所采集的障碍物坐标。
优选地，由于所述超声波传感器阵列中各个超声波传感器与车辆前方保险杠上均匀分布，因此各超声波传感器的坐标系是不同的，需要将各超声波传感器采集的障碍物坐标统一到参考坐标系中。本实施例中，可以将各超声波传感器的坐标转换到车辆坐标系中。
在神经网络标识32的一种优选实现方式中，
所述神经网络标识模块32将将超声波传感器阵列中各超声波传感器采集的障碍物坐标输入预先训练的神经网络模型，得到所述预先训练的神经网络模型输出的针对各超声波传感器采集的障碍物坐标的真假标识。
优选地，所述超声波传感器阵列包括10个均匀分布在车辆前方保险杠上的超声波传感器，在实际应用当中，一般最多会有4-6个相邻的超声波传感器可以采集到同一障碍物坐标。例如，当障碍物出现在车辆左前方，可能只有分布在车辆前方保险杠左侧的4个超声波传感器采集到了所述障碍物的坐标，返回了障碍物信息，而分布在车辆前方保险杠中央和右侧的6个超声波传感器则未采集到障碍物信息。
在本实施例的一个优选实施例中，
从各超声波传感器采集的障碍物坐标中选择一个超声波传感器以及与其相邻的N个超声波传感器采集的障碍物坐标生成数据序列，其中，N为小于超声波传感器阵列总数的正整数，将所述数据序列输入预先训练的神经网络；得到预先训练的神经网络输出的标识结果，确定所选的一个超声波传感器采集的障碍物坐标的真假。所述预先训练的神经网络为CNN卷积神经网络。
在本实施例的另一个优选实施例中，
从各超声波传感器采集的障碍物坐标中选择一个超声波传感器以及与其相邻的N个超声波传感器采集的障碍物坐标生成数据序列，其中，N为小于超声波传感器阵列总数的正整数，将第t时刻所述数据序列输入预先训练的神经网络；得到预先训练的神经网络输出的第t时刻的标识结果，确定所选的一个超声波传感器采集的障碍物坐标的真假。所述预先训练的神经网络为LSTM长短期记忆神经网络。优选地，将第t时刻的数据序列代入LSTM长短期记忆神经网络以计算出该第t时刻的LSTM结果，确定所选的一个超声波传感器采集的障碍物坐标的真假。优选地，在LSTM长短期记忆神经网络接收到第t时刻的数据序列的同时，此时已经存有第t-1时刻至第t-n时刻的LSTM隐含层状态，可以根据预设规则从该第t-1时刻至第t-n时刻的LSTM隐含层状态种选择满足该预设规则的LSTM隐含层状态作为选择结果，以用于计算第t时刻的LSTM结果。
其中，在本发明的实施例中，该预设规则可包括但不限于：从第t-1时刻至第t-n时刻的LSTM隐含层状态中选择出至少一个最大不同的LSTM隐含层状态作为选择结果；和/或，采用L0-范数的稀疏性，从第t-1时刻至第t-n时刻的LSTM隐含层状态中选择出至少一个LSTM隐含层状态；和/或，根据人工经验从第t-1时刻至第t-n时刻的LSTM隐含层状态中选择出至少一个LSTM隐含层状态。可以理解，上述预设规则还可以根据实际需求(如新的任务)设计相应的选择规则。
在处理模块33的一种优选实现方式中，
所述处理模块33用于根据所述真假标识对超声波传感器阵列中各超声波传感器采集的障碍物坐标进行处理。
优选地，若预先训练的神经网络输出的标识结果为真，则保留待处理的超声波传感器采集的障碍物坐标；若预先训练的神经网络输出的标识结果为假，则抛弃待处理的超声波传感器采集的障碍物坐标。
优选地，根据处理后的障碍物坐标进行避障。
优选地，可以同时采用CNN卷积神经网络和LSTM长短期记忆神经网络分别输出标识结果，并进行加权求和，以确定最终的标识结果。
所述系统还包括训练模块34，用于训练所述神经网络模型，所述训练模块34包括以下子模块：
构建子模块41，用于构造障碍物测试场景；
优选地，所述障碍物测试场景为简单场景，比较干净，在超声波阵列的视野中，只设置单个障碍物，以便对所述超声波阵列进行测试的过程中，各超声波传感器所返回的为同一个障碍物的信息；
采集子模块43，用于采集超声波传感器阵列采集的障碍物的坐标以及激光雷达对相同障碍物采集的坐标并统一到参考坐标系中；
优选地，所述超声波传感器阵列中各个超声波传感器与车辆前方保险杠上均匀分布；所述激光雷达为单线激光雷达，安装于车辆前方保险杠的中央位置，所述激光雷达用于采集障碍物的精确距离数据，以便作为超声波传感器采集的障碍物坐标的真值，对其进行标注。
优选地，由于所述超声波传感器阵列中各个超声波传感器与车辆前方保险杠上均匀分布，激光雷达安装于车辆前方保险杠的中央位置，因此需要将各超声波传感器坐标系中的坐标与激光雷达坐标系中的坐标转换到参考坐标系中。本实施例中，可以将激光雷达坐标系中的坐标、超声波雷达坐标系中的坐标统一转换到车辆坐标系中。
所述各超声波传感器与激光雷达的初始空间配置是事先已知的，可以根据所述各超声波传感器与激光雷达在无人驾驶车辆车体上的测量数据得到。将障碍物在各超声波传感器坐标系中的坐标与在激光雷达坐标系中的坐标转换到车辆坐标系中。
生成子模块43，用于根据统一后的激光雷达采集的障碍物坐标对各超声波传感器采集的障碍物坐标进行标注，生成训练样本；
优选地，根据统一后的激光雷达采集的障碍物坐标对各超声波传感器采集的障碍物坐标进行标注，标注其采集的障碍物坐标的label为真或为假。
例如，
对于超声波阵列中的超声波传感器一，若激光雷达返回的距离数据与超声波传感器一返回的距离数据的误差在预设阈值范围内，则标注为真，若大于预设阈值范围，则标注为假，认为所述超声波传感器一出现了误检或漏检。优选地，所述预设阈值范围为20cm，可以覆盖大约99％的输出。
确定超声波传感器一相邻的N个超声波传感器采集的障碍物坐标的特征值。优选地，N为小于超声波阵列的超声波传感器总数的正整数。优选地，所述超声波传感器阵列包括10个均匀分布在车辆前方保险杠上的超声波传感器，在实际应用当中，一般最多会有4-6个相邻的超声波传感器可以采集到同一障碍物坐标。例如，当障碍物出现在车辆左前方，可能只有分布在车辆前方保险杠左侧的4个超声波传感器采集到了所述障碍物的坐标，返回了障碍物信息，而分布在车辆前方保险杠中央和右侧的6个超声波传感器则未采集到障碍物信息。因此，N可以选择为4个，虽然N可以取更大的数值，但是，更多的传感器所采集的障碍物坐标与传感器一所采集的障碍物坐标的相关程度较低，只会增加运算量，因此，一般选择为4个即可。
选择超声波传感器一相邻的N个超声波传感器采集的障碍物坐标，通过对所述障碍物坐标进行特征变化，如取平方、开平方等获取其特征值。
优选地，将超声波传感器一相邻的N个超声波传感器的特征值以及超声波传感器一的label生成训练样本。
其中，label标注为真的为正样本，label标注为假的为负样本。
优选地，将连续时刻的超声波传感器一相邻的N个超声波传感器的特征值以及超声波传感器一的label生成训练样本。
通过在障碍物测试场景中进行测试，可以自动获得针对各超声波传感器的大量的测试样本，无需人工通过激光测距仪等设备进行手工标注，大大提高了测试样本的获取速度和精确度。
训练子模块44，用于根据所述训练样本对神经网络模型进行训练。
在本实施例的一种优选实现方式中，所述神经网络模型为CNN卷积神经网络模型。利用带有标注的训练样本，包括正样本和负样本对CNN卷积神经网络模型进行训练。
优选地，利用SGD(Stochastic Gradient Descent，随机梯度下降)训练算法对多个样本对进行训练，最终得到CNN模型参数。
优选地，对超声波阵列中不同的超声波传感器，分别将其相邻的N个超声波传感器的特征值以及其label生成训练样本对CNN卷积神经网络模型进行训练。在超声波阵列障碍物检测结果处理方法中，对不同超声波传感器的待校正的障碍物检测结果，采用其对应的训练后的CNN卷积神经网络模型进行标注，对应的label标注结果即为其障碍物检测结果的标注，若为真，则根据其采集的障碍物坐标进行避障；若预先训练的神经网络输出的标识结果为假，则抛弃该采集结果，以新的采集结果为准进行避障。
在本实施例的另一种优选实现方式中，所述神经网络模型为LSTM长短期记忆神经网络模型。利用连续时刻获得的多个带有标注的训练样本对LSTM长短期记忆神经网络模型进行训练。
利用训练样本对LSTM长短期记忆神经网络模型进行训练，通过使目标函数最优化(即，最大化或最小化)，从参数的初始值确定LSTM长短期记忆神经网络的参数的额训练之。
采用上述实施例提供的技术方案，采用激光雷达返回的结果作为超声波阵列检测的真值对超声波阵列障碍物检测结果进行标注，利用标注后的障碍物检测结果作为训练样本对神经网络模型进行训练，根据训练后的神经网络模型对超声波障碍物检测结果进行校正，提高超声波阵列障碍物检测准确性，避免误检和漏检，提高行驶安全性。
在所述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。所述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
图5示出了适于用来实现本发明实施方式的示例性计算机系统/服务器012的框图。图5显示的计算机系统/服务器012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，计算机系统/服务器012以通用计算设备的形式表现。计算机系统/服务器012的组件可以包括但不限于：一个或者多个处理器或者处理单元016，系统存储器028，连接不同系统组件(包括系统存储器028和处理单元016)的总线018。
总线018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(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机系统/服务器012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系统/服务器012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。
系统存储器028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(RAM)030和/或高速缓存存储器032。计算机系统/服务器012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034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CD-ROM,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018相连。存储器028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042的程序/实用工具040，可以存储在例如存储器028中，这样的程序模块042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042通常执行本发明所描述的实施例中的功能和/或方法。
计算机系统/服务器012也可以与一个或多个外部设备014(例如键盘、指向设备、显示器024等)通信，在本发明中，计算机系统/服务器012与外部雷达设备进行通信，还可与一个或者多个使得用户能与该计算机系统/服务器012交互的设备通信，和/或与使得该计算机系统/服务器012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022进行。并且，计算机系统/服务器012还可以通过网络适配器020与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图5所示，网络适配器020通过总线018与计算机系统/服务器012的其它模块通信。应当明白，尽管图5中未示出，可以结合计算机系统/服务器012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、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元016通过运行存储在系统存储器028中的程序，从而执行本发明所描述的实施例中的功能和/或方法。
上述的计算机程序可以设置于计算机存储介质中，即该计算机存储介质被编码有计算机程序，该程序在被一个或多个计算机执行时，使得一个或多个计算机执行本发明上述实施例中所示的方法流程和/或装置操作。
随着时间、技术的发展，介质含义越来越广泛，计算机程序的传播途径不再受限于有形介质，还可以直接从网络下载等。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(ROM)、可擦式可编程只读存储器(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、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)。
最后应说明的是：以上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精神和范围。

Claims (18)

1.一种超声波阵列障碍物检测结果处理方法，其特征在于，包括：
获取超声波传感器阵列中各超声波传感器采集的障碍物坐标；
选择待处理的超声波传感器以及与其相邻的N个超声波传感器采集的障碍物坐标进行特征变化，将特征变化之后的障碍物坐标输入预先训练的神经网络模型，得到所述预先训练的神经网络模型输出的针对各超声波传感器采集的障碍物坐标的真假标识；其中，N为小于超声波传感器总数的正整数；
根据所述真假标识对超声波传感器阵列中各超声波传感器采集的障碍物坐标进行处理。
2.根据权利要求1所述的方法，其特征在于，选择待处理的超声波传感器以及与其相邻的N个超声波传感器采集的障碍物坐标进行特征变化，将特征变化之后的障碍物坐标输入预先训练的神经网络模型包括：
选择待处理的超声波传感器以及与其相邻的N个超声波传感器采集的障碍物坐标的特征值生成数据序列，其中，N为小于超声波传感器总数的正整数；
将所述数据序列输入预先训练的神经网络模型。
3.根据权利要求2所述的方法，其特征在于，所述神经网络模型通过以下方法进行训练：
构造障碍物测试场景；
获取超声波传感器阵列中各超声波传感器采集的障碍物的坐标以及激光雷达对相同障碍物采集的坐标，并统一到参考坐标系中；
根据统一后的激光雷达采集的障碍物坐标对各超声波传感器采集的障碍物坐标进行真假标注，生成训练样本；
根据所述训练样本对神经网络模型进行训练。
4.根据权利要求3所述的方法，其特征在于，根据统一后的激光雷达采集的障碍物坐标对各超声波传感器采集的障碍物坐标进行真假标注包括：
若激光雷达采集的障碍物坐标与超声波传感器采集的障碍物坐标的误差在预设阈值范围内，则标注为真，若大于预设阈值范围，则标注为假。
5.根据权利要求3所述的方法，其特征在于，所述生成训练样本包括：
将待处理的超声波传感器以及与其相邻的N个超声波传感器采集的障碍物坐标的特征值以及针对待处理的超声波传感器采集的障碍物坐标的真假标注生成训练样本。
6.根据权利要求4所述的方法，其特征在于，所述神经网络模型为卷积神经网络模型。
7.根据权利要求4所述的方法，其特征在于，所述神经网络模型为长短期记忆神经网络模型。
8.根据权利要求7所述的方法，其特征在于，所述根据所述训练样本对神经网络模型进行训练包括：
利用连续时刻获得的多个训练样本对所述长短期记忆神经网络模型进行训练。
9.一种超声波阵列障碍物检测结果处理系统，其特征在于，包括：
获取模块，用于获取超声波传感器阵列中各超声波传感器采集的障碍物坐标；
神经网络标识模块，用于选择待处理的超声波传感器以及与其相邻的N个超声波传感器采集的障碍物坐标进行特征变化，将特征变化之后的障碍物坐标输入预先训练的神经网络模型，得到所述预先训练的神经网络模型输出的针对各超声波传感器采集的障碍物坐标的真假标识；其中，N为小于超声波传感器总数的正整数；
处理模块，根据所述真假标识对超声波传感器阵列中各超声波传感器采集的障碍物坐标进行处理。
10.根据权利要求9所述的系统，其特征在于，所述神经网络标识模块具体用于：
选择待处理的超声波传感器以及与其相邻的N个超声波传感器采集的障碍物坐标的特征值生成数据序列，其中，N为小于超声波传感器总数的正整数；
将所述数据序列输入预先训练的神经网络模型。
11.根据权利要求10所述的系统，其特征在于，所述系统还包括神经网络训练模块，用于：
构造障碍物测试场景；
获取超声波传感器阵列中各超声波传感器采集的障碍物的坐标以及激光雷达对相同障碍物采集的坐标，并统一到参考坐标系中；
根据统一后的激光雷达采集的障碍物坐标对各超声波传感器采集的障碍物坐标进行真假标注，生成训练样本；
根据所述训练样本对神经网络模型进行训练。
12.根据权利要求11所述的系统，其特征在于，根据统一后的激光雷达采集的障碍物坐标对各超声波传感器采集的障碍物坐标进行真假标注包括：
若激光雷达采集的障碍物坐标与超声波传感器采集的障碍物坐标的误差在预设阈值范围内，则标注为真，若大于预设阈值范围，则标注为假。
13.根据权利要求12所述的系统，其特征在于，所述生成训练样本包括：
将待处理的超声波传感器以及与其相邻的N个超声波传感器采集的障碍物坐标的特征值以及针对待处理的超声波传感器采集的障碍物坐标的真假标注生成训练样本。
14.根据权利要求12所述的系统，其特征在于，所述神经网络模型为卷积神经网络模型。
15.根据权利要求12所述的系统，其特征在于，所述神经网络模型为长短期记忆神经网络模型。
16.根据权利要求15所述的系统，其特征在于，所述根据所述训练样本对神经网络模型进行训练包括：
利用连续时刻获得的多个训练样本对所述长短期记忆神经网络模型进行训练。
17.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～8中任一项所述的方法。
18.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1～8中任一项所述的方法。
CN201910034451.XA 2019-01-15 2019-01-15 一种超声波阵列障碍物检测结果处理方法及系统 Active CN109870698B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN201910034451.XA CN109870698B (zh) 2019-01-15 2019-01-15 一种超声波阵列障碍物检测结果处理方法及系统
EP19910456.3A EP3839564B1 (en) 2019-01-15 2019-12-18 Ultrasonic array-based obstacle detection result processing method and system
PCT/CN2019/126392 WO2020147500A1 (zh) 2019-01-15 2019-12-18 超声波阵列障碍物检测结果处理方法及系统
US17/278,248 US11933921B2 (en) 2019-01-15 2019-12-18 Method and system for processing obstacle detection result of ultrasonic sensor array
JP2021518846A JP7185811B2 (ja) 2019-01-15 2019-12-18 超音波アレイによる障害物検出結果の処理方法、コンピュータデバイス、記憶媒体、プログラム及びシステム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910034451.XA CN109870698B (zh) 2019-01-15 2019-01-15 一种超声波阵列障碍物检测结果处理方法及系统

Publications (2)

Publication Number Publication Date
CN109870698A CN109870698A (zh) 2019-06-11
CN109870698B true CN109870698B (zh) 2021-12-24

Family

ID=66917621

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910034451.XA Active CN109870698B (zh) 2019-01-15 2019-01-15 一种超声波阵列障碍物检测结果处理方法及系统

Country Status (5)

Country Link
US (1) US11933921B2 (zh)
EP (1) EP3839564B1 (zh)
JP (1) JP7185811B2 (zh)
CN (1) CN109870698B (zh)
WO (1) WO2020147500A1 (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109870698B (zh) * 2019-01-15 2021-12-24 阿波罗智能技术(北京)有限公司 一种超声波阵列障碍物检测结果处理方法及系统
CN110333517B (zh) * 2019-07-11 2022-11-25 腾讯科技（深圳）有限公司 障碍物感知方法、装置及存储介质
CN110674853A (zh) * 2019-09-09 2020-01-10 广州小鹏汽车科技有限公司 超声波数据处理方法、装置及车辆
CN111273268B (zh) * 2020-01-19 2022-07-19 北京百度网讯科技有限公司 自动驾驶障碍物类型的识别方法、装置及电子设备
CN112180357A (zh) * 2020-09-15 2021-01-05 珠海格力电器股份有限公司 一种安全防护的方法及系统
CN112462353B (zh) * 2020-11-26 2023-08-15 中国第一汽车股份有限公司 超声波雷达的测试方法、装置、系统及设备
CN113419627A (zh) * 2021-06-18 2021-09-21 Oppo广东移动通信有限公司 设备控制方法、装置及存储介质
JP2024035280A (ja) 2022-09-02 2024-03-14 フォルシアクラリオン・エレクトロニクス株式会社 物体検出装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103415782A (zh) * 2011-03-11 2013-11-27 法雷奥开关和传感器有限责任公司 停车辅助系统、具有其的机动车辆和检测停车位的方法
CN104412087A (zh) * 2012-06-27 2015-03-11 通用显示器公司 具有虚假警报辨别的超声波气体泄漏检测器
CN105303179A (zh) * 2015-10-28 2016-02-03 小米科技有限责任公司 指纹识别方法、装置
CN107526085A (zh) * 2017-07-25 2017-12-29 福建网龙计算机网络信息技术有限公司 超声波阵列测距建模的方法及其系统
DE102017108348B3 (de) * 2017-04-20 2018-06-21 Valeo Schalter Und Sensoren Gmbh Konfiguration eines Sensorsystems mit einem neuronalen Netzwerk für ein Kraftfahrzeug
CN108909624A (zh) * 2018-05-13 2018-11-30 西北工业大学 一种基于单目视觉的实时障碍物检测和定位方法

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2878414B2 (ja) 1989-09-04 1999-04-05 株式会社リコー ３次元物体認識方式
JP3151472B2 (ja) 1992-12-08 2001-04-03 日本電信電話株式会社 ３次元物体像の生成方法
US7630806B2 (en) * 1994-05-23 2009-12-08 Automotive Technologies International, Inc. System and method for detecting and protecting pedestrians
US7209221B2 (en) 1994-05-23 2007-04-24 Automotive Technologies International, Inc. Method for obtaining and displaying information about objects in a vehicular blind spot
US7426437B2 (en) * 1997-10-22 2008-09-16 Intelligent Technologies International, Inc. Accident avoidance systems and methods
JP3188391B2 (ja) 1996-01-16 2001-07-16 矢崎総業株式会社 ターミナルキャップ
JP2000098031A (ja) 1998-09-22 2000-04-07 Hitachi Ltd インパルスソーナー
DE102005009702A1 (de) * 2005-03-03 2006-09-07 Robert Bosch Gmbh Abstandsmessvorrichtung und Verfahren zur Funktionsprüfung einer Abstandsmessung
JP6576624B2 (ja) 2014-09-24 2019-09-18 五洋建設株式会社 水中測位システム及び水中測位方法
CN105738908B (zh) * 2016-01-29 2018-08-24 宇龙计算机通信科技(深圳)有限公司 一种防碰撞预警方法、装置与耳机
CN105922990B (zh) 2016-05-26 2018-03-20 广州市甬利格宝信息科技有限责任公司 一种基于云端机器学习的车辆环境感知和控制方法
US10198822B2 (en) 2016-10-27 2019-02-05 International Business Machines Corporation Systems and user interfaces for determination of electro magnetically identified lesions as included in medical images of differing perspectives
US11364013B2 (en) * 2017-01-05 2022-06-21 Koninklijke Philips N.V. Ultrasound imaging system with a neural network for image formation and tissue characterization
US10198655B2 (en) 2017-01-24 2019-02-05 Ford Global Technologies, Llc Object detection using recurrent neural network and concatenated feature map
US10884409B2 (en) * 2017-05-01 2021-01-05 Mentor Graphics (Deutschland) Gmbh Training of machine learning sensor data classification system
CN109116374B (zh) 2017-06-23 2021-08-17 百度在线网络技术（北京）有限公司 确定障碍物距离的方法、装置、设备及存储介质
US10551838B2 (en) * 2017-08-08 2020-02-04 Nio Usa, Inc. Method and system for multiple sensor correlation diagnostic and sensor fusion/DNN monitor for autonomous driving application
US11644834B2 (en) * 2017-11-10 2023-05-09 Nvidia Corporation Systems and methods for safe and reliable autonomous vehicles
CN107942335A (zh) * 2017-11-28 2018-04-20 达闼科技（北京）有限公司 一种物体识别方法及设备
CN108845324B (zh) 2018-06-26 2022-09-23 北京小米移动软件有限公司 障碍物识别方法、装置、设备及存储介质
CN109870698B (zh) 2019-01-15 2021-12-24 阿波罗智能技术(北京)有限公司 一种超声波阵列障碍物检测结果处理方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103415782A (zh) * 2011-03-11 2013-11-27 法雷奥开关和传感器有限责任公司 停车辅助系统、具有其的机动车辆和检测停车位的方法
CN104412087A (zh) * 2012-06-27 2015-03-11 通用显示器公司 具有虚假警报辨别的超声波气体泄漏检测器
CN105303179A (zh) * 2015-10-28 2016-02-03 小米科技有限责任公司 指纹识别方法、装置
DE102017108348B3 (de) * 2017-04-20 2018-06-21 Valeo Schalter Und Sensoren Gmbh Konfiguration eines Sensorsystems mit einem neuronalen Netzwerk für ein Kraftfahrzeug
CN107526085A (zh) * 2017-07-25 2017-12-29 福建网龙计算机网络信息技术有限公司 超声波阵列测距建模的方法及其系统
CN108909624A (zh) * 2018-05-13 2018-11-30 西北工业大学 一种基于单目视觉的实时障碍物检测和定位方法

Also Published As

Publication number Publication date
WO2020147500A1 (zh) 2020-07-23
EP3839564A1 (en) 2021-06-23
JP7185811B2 (ja) 2022-12-08
US20220035015A1 (en) 2022-02-03
EP3839564B1 (en) 2023-02-15
EP3839564A4 (en) 2021-12-22
CN109870698A (zh) 2019-06-11
US11933921B2 (en) 2024-03-19
JP2021527833A (ja) 2021-10-14

Similar Documents

Publication Publication Date Title
CN109870698B (zh) 一种超声波阵列障碍物检测结果处理方法及系统
US11002840B2 (en) Multi-sensor calibration method, multi-sensor calibration device, computer device, medium and vehicle
CN109116374B (zh) 确定障碍物距离的方法、装置、设备及存储介质
US11783590B2 (en) Method, apparatus, device and medium for classifying driving scenario data
CN109343061B (zh) 传感器标定方法、装置、计算机设备、介质和车辆
CN109521756B (zh) 用于无人驾驶车辆的障碍物运动信息生成方法和装置
CN109598066B (zh) 预测模块的效果评估方法、装置、设备和存储介质
US10698106B2 (en) Obstacle detecting method and apparatus, device and storage medium
CN109435955B (zh) 一种自动驾驶系统性能评估方法、装置、设备及存储介质
CN110134126B (zh) 轨迹匹配方法、装置、设备和介质
CN112834249B (zh) 转向参数检测方法、装置、设备及存储介质
CN110376605B (zh) 地图构建方法、导航方法和装置
CN113377888A (zh) 训练目标检测模型和检测目标的方法
WO2022103479A1 (en) Multi-modal 3-d pose estimation
CN111220988B (zh) 一种地图数据处理方法、装置、设备和介质
CN115690153A (zh) 一种智能体轨迹预测方法及系统
CN110363193B (zh) 车辆重识别方法、装置、设备和计算机存储介质
JP2023038164A (ja) 障害物検出方法、装置、自動運転車両、機器、及び記憶媒体
CN109635868B (zh) 障碍物类别的确定方法、装置、电子设备及存储介质
CN113895460B (zh) 行人轨迹预测方法、装置及存储介质
CN114021080A (zh) 轨迹预测模型训练以及轨迹预测方法、装置、设备及介质
CN114386599A (zh) 训练轨迹预测模型和轨迹规划的方法和装置
CN114091515A (zh) 障碍物检测方法、装置、电子设备和存储介质
CN111192327B (zh) 用于确定障碍物朝向的方法和装置
CN113177980A (zh) 用于自动驾驶的目标对象速度确定方法、装置及电子设备

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20211026

Address after: 105 / F, building 1, No. 10, Shangdi 10th Street, Haidian District, Beijing 100085

Applicant after: Apollo Intelligent Technology (Beijing) Co.,Ltd.

Address before: 2 / F, baidu building, 10 Shangdi 10th Street, Haidian District, Beijing 100085

Applicant before: BEIJING BAIDU NETCOM SCIENCE AND TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant