CN110626355B - 一种雷达遮挡诊断方法、装置及终端 - Google Patents
一种雷达遮挡诊断方法、装置及终端 Download PDFInfo
- Publication number
- CN110626355B CN110626355B CN201910877475.1A CN201910877475A CN110626355B CN 110626355 B CN110626355 B CN 110626355B CN 201910877475 A CN201910877475 A CN 201910877475A CN 110626355 B CN110626355 B CN 110626355B
- Authority
- CN
- China
- Prior art keywords
- detection information
- target
- diagnosed
- radar
- detection
- 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
Links
Images
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
- B60W50/02—Ensuring safety in case of control system failures, e.g. by diagnosing, circumventing or fixing failures
- B60W50/0205—Diagnosing or detecting failures; Failure detection models
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Radar Systems Or Details Thereof (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种雷达遮挡诊断方法,所述诊断方法包括:获取待诊断目标;获取所述待诊断目标探测到的第一探测信息,所述第一探测信息包括对参考目标的探测信息或对车辆行驶环境的探测信息;获取用于进行诊断的数据模型,所述数据模型以车辆传感器探测到的探测参考数据为输入;获取所述数据模型探测到的第二探测信息,并根据所述第二探测信息诊断所述待诊断目标是否被遮挡。本发明还涉及一种雷达遮挡诊断装置及终端。采用本发明,具有能够自动诊断雷达是否被遮挡,提升自动驾驶的安全性和可靠性等优点。
Description
技术领域
本发明涉及诊断方法,特别涉及一种雷达遮挡诊断方法,还涉及雷达诊断装置及终端。
背景技术
智能驾驶依赖于多种多样的传感器,其中最重要的是环境传感器,所谓环境传感器就是感知周边环境的传感器。智能驾驶技术的环境感知传感器主要包括,激光雷达、毫米波雷达、车载摄像机、GPS/IMU、V2X通信传感、红外探头、超声波雷达等。其中毫米波雷达(也可称为雷达,英文Radar)即为用毫米级波长的电磁波探测车辆周边环境的传感器。
所有传感器都会发生故障,当传感器发生故障时,自动驾驶系统应能及时感知到故障,并降低自动驾驶的级别,直到降为手动驾驶。软硬件故障一般都比较容易快速检测,但有部分与环境探测相关的故障,很难检测。如传感器被遮挡,传感器被遮挡指的是传感器因为雨雪雾老化灰尘遮挡等原因无法实现设计范围内目标的探测。举个例子来简单说明此情况:如图16所示,雷达有各自的探测区,当雷达被遮挡时,传感器的实际探测范围就变小。传统的毫米波雷达每帧有时候只能探测几个到十几个目标,当有雨雪或灰尘这种不宜查觉的遮挡问题时。当视野范围内没有汽车这样的有效目标,则毫米波雷达无法判断它究竟是因为被阻挡而没有探测到有效目标,还是因为确实行驶在空旷的区域所以没有探测到有效目标。
目前主流的解决方法都是用传感器自身。一般来说经过较长时间的判断,才能判定传感器是否被遮挡失效。尤如对毫米波雷达,对被遮挡的判断需要行驶60秒或者两公里才能获取。这种方法对于目前的智能驾驶水平可以,因为现在的智能驾驶只作为辅助驾驶,决策与责任主要归于驾驶员,而在未来智能驾驶要实现驾驶员脱手的水平,这时驾驶责任全部归于智能驾驶系统,如果用现有的遮挡检测方案,不能及时检测出遮挡问题,会影响探测精度,会很大程度影响整个系统的安全性。
发明内容
为解决上述技术问题,第一方面,本发明公开了一种雷达遮挡诊断方法,所述诊断方法包括:
获取待诊断目标;
获取所述待诊断目标探测到的第一探测信息,所述第一探测信息包括对参考目标的探测信息或对车辆行驶环境的探测信息;
获取用于进行诊断的数据模型,所述数据模型以车辆传感器探测到的探测参考数据为输入;
获取所述数据模型探测到的第二探测信息,并根据所述第二探测信息诊断所述待诊断目标是否被遮挡。
进一步的,所述根据所述第二探测信息诊断所述待诊断目标是否被遮挡包括:根据所述第一探测信息和所述第二探测信息诊断所述待诊断目标是否被遮挡。
进一步的,所述待诊断目标包括毫米波雷达、激光雷达或超声波雷达。
进一步的,所述数据模型是指将所述待诊断目标探测所述参考目标的第一探测信息,通过目标跟踪算法生成所述参考目标的运动轨迹;
或,
所述数据模型是指将所述待诊断目标探测所述参考目标的第一探测信息,和车辆传感器探测所述参考目标的探测信息进行融合得到的数据模型;
或,
所述数据模型是指将所述待诊断目标探测所述车辆行驶环境的第一探测信息,和车辆传感器探测所述车辆行驶环境的探测信息进行融合得到的探测重叠区域的数据模型;
或,
所述数据模型为高精地图;
其中,所述车辆传感器包括毫米波雷达、激光雷达、超声波雷达或摄像头中的至少一个。
进一步的,所述获取所述数据模型探测到的第二探测信息,以及所述根据所述第二探测信息诊断所述待诊断目标是否被遮挡包括:
从所述数据模型中获取所述待诊断目标探测所述参考目标的理论探测距离;
根据所述第一探测信息获取所述待诊断雷达的实际探测距离;
根据所述理论探测距离和所述实际探测距离判断所述雷达是否被遮挡。
进一步的,所述获取所述数据模型探测到的第二探测信息,以及所述根据所述第二探测信息诊断所述待诊断目标是否被遮挡包括:
从所述数据模型中获取连续预设帧数的探测信息;
分别计算每帧所述探测信息中所述参考目标出现的概率;
根据所述参考目标出现的概率判断所述雷达是否被遮挡。
进一步的,所述获取所述数据模型探测到的第二探测信息,以及所述根据所述第一探测信息和所述第二探测信息诊断所述待诊断目标是否被遮挡包括:
从所述数据模型中获取所述探测重叠区域中的第二探测信息,所述第二探测信息包括重叠区域中的第二探测物;
从所述第一探测信息中获取所述探测重叠区域中的第一探测物;
根据所述第一探测物和所述第二探测物判断所述待诊断雷达是否被遮挡。
进一步的,所述获取所述数据模型探测到的第二探测信息,以及所述根据所述第二探测信息诊断所述待诊断目标是否被遮挡包括:
确定所述车辆在所述高精地图中的位置信息;
根据所述位置信息从所述高精地图中获取所述第二探测信息;
通过车辆传感器筛选出所述第二探测信息中的有效探测信息;
根据所述第一探测信息和所述有效探测信息判断所述待诊断目标是否被遮挡。
第二方面,本发明提供了一种雷达遮挡诊断装置,所述遮挡诊断装置包括:
待诊断目标获取模块,用于获取待诊断目标;
待诊断目标探测信息获取模块,用于获取所述待诊断目标探测到的第一探测信息,所述第一探测信息包括对参考目标的探测信息或对车辆行驶环境的探测信息;
数据模型获取模块,用于获取用于进行诊断的数据模型,所述数据模型以车辆传感器探测到的探测参考数据为输入;
数据模型探测信息获取及诊断模块,用于获取所述数据模型探测到的第二探测信息;并根据所述第二探测信息诊断所述待诊断目标是否被遮挡。
第三方面,本发明还提供了一种终端,所述终端包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上述任一项所述的雷达遮挡诊断方法。
第四方面,本发明还提供了一种计算机存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行如上述任一项所述的雷达遮挡诊断方法。
采用上述技术方案,本发明能够自动诊断雷达是否被遮挡,以反馈于车辆和提醒驾驶员,提升自动驾驶的安全性和可靠性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种雷达遮挡诊断方法;
图2为本发明实施例提供的另一种雷达遮挡诊断方法;
图3为本发明实施例步骤S140一种实施方法;
图4为本发明实施例步骤S141一种实施方法;
图5为本发明实施例的一种数据模型的构建方法;
图6为本发明实施例步骤S233一种实施方法;
图7为本发明实施例步骤S240一种实施方法;
图8为本发明实施例步骤S243一种实施方法;
图9为本发明实施例的另一种数据模型的构建方法;
图10为本发明实施例步骤S340一种实施方法;
图11为本发明的一种应用场景图;
图12为本发明实施例步骤S440一种实施方法;
图13为本发明实施例步骤S444一种实施方法;
图14为本发明的另一种应用场景图;
图15为本发明实施例提供的一种雷达遮挡诊断装置的组成示意图;
图16为本发明中传感器探测情景图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本发明的描述中,需要理解的是,术语“上”、“下”、“顶”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含的包括一个或者更多个该特征。而且,术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
实施例:
如图1所示,本实施例提供了一种雷达遮挡诊断方法,所述诊断方法包括:
S010:获取待诊断目标。
具体的,所述待诊断目标包括毫米波雷达、激光雷达或超声波雷达。
S020:获取所述待诊断目标探测到的第一探测信息,所述第一探测信息包括对参考目标的探测信息或对车辆行驶环境的探测信息。
S030:获取用于进行诊断的数据模型,所述数据模型以车辆传感器探测到的探测参考数据为输入。
具体的,所述车辆传感器可以包括毫米波雷达、激光雷达、超声波雷达或摄像头中的至少一个。可以理解的是,待诊断目标也属于车辆传感器。
在一些可行的实施方式中,所述数据模型是指将所述待诊断目标探测所述参考目标的第一探测信息,通过目标跟踪算法生成所述参考目标的运动轨迹。
在另一些可行的实施方式中,所述数据模型是指将所述待诊断目标探测所述参考目标的第一探测信息,和车辆传感器探测所述参考目标的探测信息进行融合得到的数据模型。
在另一些可行的实施方式中,所述数据模型是指将所述待诊断目标探测所述车辆行驶环境的第一探测信息,和车辆传感器探测所述车辆行驶环境的探测信息进行融合得到的探测重叠区域的数据模型。
在另一些可行的实施方式中,所述数据模型为高精地图。
S040:获取所述数据模型探测到的第二探测信息,并根据所述第二探测信息诊断所述待诊断目标是否被遮挡。
在一些可行的实施方式中,如图2所示,所述步骤S040还可以为S040’:获取所述数据模型探测到的第二探测信息,根据所述第一探测信息和所述第二探测信息诊断所述待诊断目标是否被遮挡。
以数据模型为将所述待诊断目标探测所述参考目标的第一探测信息,通过目标跟踪算法生成所述参考目标的运动轨迹为例,对本发明的雷达遮挡诊断方法进行具体说明。
目标跟踪算法可以用于处理移动目标,当待诊断雷达未被遮挡时,目标跟踪算法能够对待诊断雷达探测范围内的参考目标进行初始化目标航迹,并持续一段时间,直至参考目标消失在待诊断雷达的探测范围内。但是,当待诊断雷达被遮挡时,待诊断雷达对于参考目标的探测距离变短或者探测不到参考目标。因此,当待诊断雷达被遮挡时,通过目标追踪算法计算的参考目标的航迹存在时间变短或者无法在待诊断雷达预期探测范围内初始化航迹。其具体包括以下步骤:
S110:获取待诊断雷达。
具体的,所述待诊断雷达可以包括毫米波雷达、激光雷达或超声波雷达中的任意一种或几种。
S120:获取所述待诊断雷达探测到的第一探测信息,所述第一探测信息可以为对参考目标的探测信息。
进一步的,所述参考目标可以为所述待诊断雷达探测范围内的任意移动物体。
S130:获取用于进行诊断的数据模型,所述数据模型以车辆传感器探测到的探测参考数据为输入。
具体的,所述数据模型是指将所述待诊断雷达探测所述参考目标的第一探测信息,通过目标跟踪算法生成所述参考目标的运动轨迹。
S140:获取所述数据模型探测到的第二探测信息,并根据所述第一探测信息和所述第二探测信息诊断所述待诊断目标是否被遮挡。
进一步的,如图3所示,所述步骤S140还可以包括:
S141:从所述数据模型中获取所述待诊断雷达探测的理论探测距离作为所述第二探测信息。
进一步的,如图4所示,所述步骤S141可以包括以下:
S1411:获取所述第一探测信息序列中参考目标的第一帧,并从所述第一帧中提取所述参考目标的位置候选窗口特征,生成所述参考目标的位置,以训练得到位置跟踪模版;
S1412:对所述第一探测信息序列中参考目标未来的所有帧,将其位置候选窗口变换到N个不同的尺度下并提取特征;当其图像大小与所述第一帧大小相同时,通过所述位置跟踪模版计算所述位置候选窗口上的响应,以得到最大响应处的位置;
S1413:比较各个尺度时的最大响应值,获得相应最大尺度对应的尺度乘子和位置(pos),以获得最佳尺寸和位置。
进一步的,所述位置即为理论探测距离。
S142:根据所述第一探测信息获取所述待诊断雷达的实际探测距离。
可以理解的是,雷达在进行探测时通过无线电波进行探测,无线电波在介质中以固定的速度直线传播,目标至雷达的距离R可以通过测量电波往返一次所需要的时间T,即:T=2R/C,则R=1/2CT,而时间T也就是回波相对于发射信号的延迟,因此,目标距离测量就是要精确测定延迟时间T。由此,通过延迟时间便可计算得到所述待诊断雷达的实际探测距离。
S143:根据所述理论探测距离和所述实际探测距离判断所述雷达是否被遮挡。
进一步的,所述步骤S143可以包括以下:
若所述实际探测距离小于所述理论探测距离,则判定所述待诊断雷达被遮挡,并将待诊断雷达被遮挡的信息反馈至仪表台或中控上;否则,判定所述待诊断雷达功能正常。
上述技术方案中,目标追踪算法能够根据此刻及以前获得的目标信息,得出目标信息变化的规律,对目标的角度和多普勒信息按照变化规律进行外推估计,从而得到待诊断雷达的理论探测范围。再与待诊断雷达的实际探测范围,即可判断待诊断雷达是否被遮挡。从而改善目标信号的检测精度、实现最大的作用距离以及提高对目标的跟踪性能。
以所述数据模型是指将所述待诊断目标探测所述参考目标的第一探测信息,和车辆传感器探测所述参考目标的探测信息进行融合得到的数据模型为例,对本发明的雷达遮挡诊断方法进行具体说明。
S210:获取待诊断雷达。
具体的,所述待诊断雷达可以包括毫米波雷达、激光雷达或超声波雷达中的任意一种或几种。
S220:获取所述待诊断目标探测到的第一探测信息,所述第一探测信息包括对参考目标的探测信息。
进一步的,所述参考目标可以为所述待诊断雷达探测范围内的任意物体。
S230:获取用于进行诊断的数据模型,所述数据模型以车辆传感器探测到的探测参考数据为输入。
具体的,所述数据模型是指将所述待诊断目标探测所述参考目标的第一探测信息,和车辆传感器探测所述参考目标的探测信息进行融合得到的数据模型。
进一步的,所述车辆传感器可以包括待诊断雷达和摄像头。则,如图5所示,所述数据模型的构建过程包括以下步骤:
S231:获取所述摄像头探测所述参考目标的参考探测信息;
S232:对所述第一探测信息进行特征提取和模式识别处理,以及对所述参考探测信息进行特征提取和模式识别处理;
S233:将所述第一探测信息和所述参考探测信息按照时间进行融合得到所述数据模型。
具体的,可以按照摄像头采样速率为基准进行融合,如图6所示,其具体步骤S233可以包括以下:
S2331:获取所述参考探测信息的每帧图像,并选取待融合帧图像;
S2332:根据所述待融合帧图像的采集时间,选取所述待诊断雷达采集到的上一帧缓存数据;
可以理解的是,以毫米波雷达为例,根据毫米波雷达功能工作手册,其采样周期为50ms,即采样帧速率为20帧/s,而摄像头采样帧的速率为25帧/s。以摄像头采样速率为基准进行步骤S2332的采样方法,能够提高数据的可靠性,也能实现毫米波雷达和摄像头数据在时间上的同步。
S2333:将所述待融合帧图像和所述上一帧缓存数据进行融合。
具体的,可以通过卡曼融合算法进行融合。
进一步的,将所述第一探测信息中的目标和所述参考探测信息中的目标按类进行关联,并通过卡曼的融合算法将同一目标的所有传感器数据进行整合,从而得出关于目标的一致性。
S240:获取所述数据模型探测到的第二探测信息,并根据所述第二探测信息诊断所述待诊断目标是否被遮挡。
在一些可行的实施方式中,如图7所示,所述步骤S240可以包括:
S241:从所述数据模型中获取连续预设帧数的探测信息;
S242:分别计算每帧所述探测信息中所述参考目标出现的概率;
S243:根据所述参考目标出现的概率判断所述雷达是否被遮挡。
可以理解的是,在这些实施方式中,所述第二探测信息即为连续预设帧数中所述参考目标出现的概率信息。
在一些可行的实施方式中,如图8所示,所述步骤S243可以包括以下步骤:
S2431:比较所述参考目标下一帧与上一帧出现的概率;
S2432:若所述连续预设帧数中,所述参考目标在下一帧出现的概率都小于在上一帧出现的概率,则判定所述待诊断雷达被遮挡。
所述步骤S2432还可以进一步包括:若所述连续预设帧数中,所述参考目标在下一帧出现的概率都小于在上一帧出现的概率,则初步判定所述待诊断雷达被遮挡;
并比较最后一帧中所述参考目标出现的概率是否小于预设值,若所述最后一帧中参考目标出现的概率小于预设值,则判定所述待诊断雷达被遮挡;否则判定雷达正常工作。
可以理解的是,通过判断最后一帧中所述参考目标出现的概率能够增加判断的可信度。比如,如果连续预设帧所述参考目标出现的概率都存在下一帧小于上一帧,但是其概率值都大于预设值(比如80%),则待诊断雷达的探测还是可靠的。通过对最后一帧的概率进行判断,可以更精确判断出雷达是否被遮挡。
可以理解的是,以毫米波雷达为例,传统的毫米波雷达每帧有时候只能探测几个到十几个目标,当视野范围内没有汽车这样的有效目标时,则毫米波雷达无法判断它究竟是因为被阻挡而没有探测到有效目标,还是因为确实行驶在空旷的区域所以没有探测到有效目标。如图所示,通过上述方案,目标在待诊断雷达和摄像头的探测范围内,两个传感器探测信息融合后输出精度更高的探测信息。当两者正常工作时,目标出现概率较高,比如能达到90%。当雷达被遮挡后,目标在摄像头探测范围内,不再雷达探测范围内,所以探测精度会降低,当连续预设帧探测精度持续下降则判断雷达被遮挡。另外,通过摄像头与待诊断雷达的探测数据进行融合,其视角大,全距离条件下能够实现高性能定位,且其能够对复杂目标对象进行分类处理,目标为真的可信度高,还能够全天候应用于远距离提前预警,成本也较低选择灵活。
以数据模型是指将所述待诊断目标探测所述车辆行驶环境的第一探测信息,和车辆传感器探测所述车辆行驶环境的探测信息进行融合得到的探测重叠区域的数据模型为例,对本发明的雷达遮挡诊断方法进行具体说明。
S310:获取待诊断雷达。
具体的,所述待诊断雷达可以包括毫米波雷达、激光雷达或超声波雷达中的任意一种或几种。
S320:获取所述待诊断雷达探测到的第一探测信息,所述第一探测信息包括对车辆行驶环境的探测信息。
可以理解的是,车辆行驶过程中,能够通过雷达传感器对周围的环境进行探测,其探测中可以包括静态目标也可以包括动态目标。
S330:获取用于进行诊断的数据模型,所述数据模型以车辆传感器探测到的探测参考数据为输入。
具体的,所述数据模型是指将所述待诊断目标探测所述车辆行驶环境的第一探测信息,和车辆传感器探测所述车辆行驶环境的探测信息进行融合得到的探测重叠区域的数据模型。
进一步的,所述车辆传感器可以包括与所述待诊断雷达探测具有重叠区域的其他雷达。则,如图9所示,所述数据模型的构建过程包括以下步骤:
S331:获取所述待诊断雷达探测的第一探测数据,获取参考雷达探测的参考探测数据;所述参考雷达为与所述待诊断雷达探测具有重叠区域的其他雷达。
S332:根据所述待诊断雷达和所述参考雷达的布置位置和探测角计算得到探测重叠区域的数据模型。
具体的,可以通过空间几何计算所述待诊断雷达和所述参考雷达的探测重叠区域的数据模型。
S340:获取所述数据模型探测到的第二探测信息,以及所述根据所述第一探测信息和所述第二探测信息诊断所述待诊断目标是否被遮挡。
在一些可行的实施方式中,如图10所示,所述步骤S340可以包括:
S341:从所述数据模型中获取所述探测重叠区域中的第二探测信息,所述第二探测信息包括重叠区域中的第二探测物;
S342:从所述第一探测信息中获取所述探测重叠区域中的第一探测物;
S343:根据所述第一探测物和所述第二探测物判断所述待诊断雷达是否被遮挡。
具体的,所述步骤S343中,若所述第一探测物和所述第二探测物相同,则判定所述待诊断雷达未被遮挡;所述所述第一探测物和第二探测物不相同,则判定所述待诊断雷达被遮挡。
优选的,所述第一探测物和所述第二探测物为静态物体,比如道路护栏、电线杆等。
以车辆通过弯道为例,如图11所示,右侧为待诊断雷达,左侧为与所述待诊断雷达探测具有重叠区域的参考雷达。待诊断雷达正常工作时,可探测的目标包括道路护栏和三个电线杆,但是由于待诊断雷达被遮挡,其中部分护栏和电线杆无法探测到(即图中圆圈圈出的部分)。但是,由于参考雷达与待诊断雷达探测具有重叠区域,参考雷达能够探测到待诊断雷达因被遮挡而无法探测到的部分。由此,能够确定所述待诊断雷达被遮挡。
通过上述方案,可以根据车辆自带的雷达探测范围的重叠区而无需其他设备,相互做遮挡故障诊断;可以减少诊断周期,提高行车安全;以及不同雷达的探测范围不同,可以扩大雷达遮挡诊断的探测范围。
以所述数据模型为高精地图为例,对本发明的雷达遮挡诊断方法进行具体说明。
S410:获取待诊断目标。
具体的,所述待诊断目标可以包括毫米波雷达、激光雷达或超声波雷达中的任意一种或几种。以及,所述待诊断目标还可以包括其他车辆传感器,比如摄像头等。
S420:获取所述待诊断目标探测到的第一探测信息,所述第一探测信息包括对车辆行驶环境的探测信息。
进一步的,所述第一探测信息可以包括所述待诊断雷达探测范围内的静态目标。比如,周围环境的道路护栏和电线杆等。
S430:获取用于进行诊断的数据模型,所述数据模型以车辆传感器探测到的探测参考数据为输入。
具体的,所述数据模型为高精地图。
可以理解的是,和传统的导航地图相比,高精度道路导航地图具有更加丰富细致的道路信息,可以更加精准的反映道路的真实状况。和传统地图相比,它的图层数量更多,图层内容更加精细,具有新的地图结构划分。它的绝对精度可以达到优于1m,相对精度达到10~20cm。其能够包含道路中的车道、车道边界、车道中心线和车道限制信息等信息。以及,每个车道的坡度、曲率、航向和高程等信息也可以在高精度地图范围内。另外,车道之间的车道线情况、车道线颜色、道路隔离带、隔离带材质、道路箭头、文字内容和所在位置都能在高精度地图中得以阐述。基于高精度导航地图,我们还可以对车辆进行高精度的定位。
S440:获取所述数据模型探测到的第二探测信息,并根据所述第二探测信息诊断所述待诊断目标是否被遮挡。
在一些可行的实施方式中,如图12所示,所述步骤S440中所述获取所述数据模型探测到的第二探测信息包括:
S441:确定所述车辆在所述高精地图中的位置信息。
进一步的,可以通过实时比对车辆传感器的探测信息和高精地图中的信息以定位所述车辆的位置。所述车辆传感器的探测信息可以由待诊断雷达进行探测,也可以由车辆的其他传感器探测。
具体的,可以将车辆传感器探测信息中的静态目标拟合出道路边界,并与高精地图中的道路边界信息进行互相匹配结合,便可获得车辆的实时位置。
S442:根据所述位置信息从所述高精地图中获取所述第二探测信息。
可以理解的是,所述第二探测信息可以包括在车辆所在位置处,高精地图中静态目标的距离、方位、大小和材料等信息。
进一步的,所述静态目标可以通过道路边界提取,也可以通过地面标志物提取。
S443:通过车辆传感器筛选出所述第二探测信息中的有效探测信息。
可以理解的是,高精地图中包括静态目标,但是在实际驾驶环境中,可能存在其他动态障碍物遮挡车辆或者静态目标之间相互遮挡。通过车辆传感器可以判断高精地图中的静止目标是否被其他物体遮挡,比如路边停着的车辆,则道路边界就会被车遮挡从而观察不到。而路边停的车是可以通过摄像头观测到的,从而得到待诊断目标应该探测到的有效探测信息。所述车辆传感器可以是单个传感器,比如摄像头,也可以是多个传感器组合探测。
S444:根据所述第一探测信息和所述有效探测信息判断所述待诊断目标是否被遮挡。
进一步的,如图13所示,所述步骤S444可以包括:
S4441:获取所述第一探测信息中探测目标的数量为第一数量,以及获取所述有效探测信息中探测目标的数量为第二数量;
S4442:若所述第一数量和所述第二数量之间的差值大于第一预设值,则判定所述待诊断目标被遮挡。
可选的,所述步骤S4442还可以为:若所述第二数量超过预设数量,且所述第一数量和所述第二数量之间的差值大于第二预设值,则判定所述待诊断目标被遮挡。
以车辆通过弯道为例,如图14所示,待诊断雷达探测范围内的静态目标包括道路护栏和路边的柱子(如电线杆等)。待诊断雷达正常可探测到的探测目标被标为叉或圆圈,分别为道路护栏和路边的柱子。以及,所述静态目标(包括道路护栏和路边柱子)的位置信息都包含在高精地图里。通过实时比对车辆传感器(包括待诊断雷达)的探测信息和高精地图信息,可实现汽车的自定位以确定本车的位置。如果雷达被遮挡,则一部分静态目标无法被探测,如标注为圆圈的两个目标由于被汽车遮挡未被探测到,那么待诊断雷达应当探测被标为叉的目标。若被标为叉的目标有超过预设个数的目标未被待诊断雷达探测到,则判定雷达被遮挡,其主动安全功能失效。
上述方案中,以毫米波雷达为例,高精地图一般包括道路边缘(比如隔离带和护栏)等信息,也可以包括地面标志物(或称地标)等信息,这些都可以通过毫米波雷达探测到。结合高精地图和定位信息,如果应出现在毫米波雷达视野范围内的目标(包括道路边缘和地面标志物)没有被探测到,则可判断雷达被遮挡,其探测可靠性高,探测速度快。
以及,在上述任意一种方案或者各个方案之间的组合方案中,利用多传感器的信息融合提高了信息的可信度,增加了目标特征矢量的维数,降低了获得信息的费用,减少了信息获取得时间,提高了系统的容错能力,提高了整个系统的性能。
相应的,本发明还提供了一种雷达遮挡诊断装置,如图15所示,所述遮挡诊断装置1包括:
待诊断目标获取模块101,用于获取待诊断目标;
待诊断目标探测信息获取模块102,用于获取所述待诊断目标探测到的第一探测信息,所述第一探测信息包括对参考目标的探测信息或对车辆行驶环境的探测信息;
数据模型获取模块103,用于获取用于进行诊断的数据模型,所述数据模型以车辆传感器探测到的探测参考数据为输入;
数据模型探测信息获取及诊断模块104,用于获取所述数据模型探测到的第二探测信息;并根据所述第二探测信息诊断所述待诊断目标是否被遮挡。
相应的,本发明还提供了一种终端,所述终端包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上述任一项所述的雷达遮挡诊断方法。
相应的,本发明还提供了一种计算机存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行如上述任一项所述的雷达遮挡诊断方法。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、系统和服务器实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也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,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种雷达遮挡诊断方法,其特征在于,所述诊断方法包括:
获取待诊断目标;
获取所述待诊断目标探测到的第一探测信息,所述第一探测信息包括对参考目标的探测信息或对车辆行驶环境的探测信息;
获取用于进行诊断的数据模型,所述数据模型以车辆传感器探测到的探测参考数据为输入;
获取所述数据模型探测到的第二探测信息,并根据所述第二探测信息诊断所述待诊断目标是否被遮挡;
所述获取所述数据模型探测到的第二探测信息,以及所述根据所述第二探测信息诊断所述待诊断目标是否被遮挡包括:
从所述数据模型中获取连续预设帧数的探测信息;
分别计算每帧所述探测信息中所述参考目标出现的概率;
根据所述参考目标出现的概率判断所述雷达是否被遮挡。
2.根据权利要求1所述的雷达遮挡诊断方法,其特征在于,所述根据所述第二探测信息诊断所述待诊断目标是否被遮挡包括:
根据所述第一探测信息和所述第二探测信息诊断所述待诊断目标是否被遮挡。
3.根据权利要求1所述的雷达遮挡诊断方法,其特征在于,所述待诊断目标包括毫米波雷达、激光雷达或超声波雷达。
4.根据权利要求1或2中任意一项所述的雷达遮挡诊断方法,其特征在于,
所述数据模型是指将所述待诊断目标探测所述参考目标的第一探测信息,通过目标跟踪算法生成所述参考目标的运动轨迹;
或,
所述数据模型是指将所述待诊断目标探测所述参考目标的第一探测信息,和车辆传感器探测所述参考目标的探测信息进行融合得到的数据模型;
或,
所述数据模型是指将所述待诊断目标探测所述车辆行驶环境的第一探测信息,和车辆传感器探测所述车辆行驶环境的探测信息进行融合得到的探测重叠区域的数据模型;
或,
所述数据模型为高精地图;
其中,所述车辆传感器包括毫米波雷达、激光雷达、超声波雷达或摄像头中的至少一个。
5.根据权利要求4所述的雷达遮挡诊断方法,其特征在于,
所述获取所述数据模型探测到的第二探测信息,以及所述根据所述第二探测信息诊断所述待诊断目标是否被遮挡包括:
从所述数据模型中获取所述待诊断目标探测所述参考目标的理论探测距离;
根据所述第一探测信息获取待诊断雷达的实际探测距离;
根据所述理论探测距离和所述实际探测距离判断所述雷达是否被遮挡。
6.根据权利要求4所述的雷达遮挡诊断方法,其特征在于,
所述获取所述数据模型探测到的第二探测信息,以及所述根据所述第一探测信息和所述第二探测信息诊断所述待诊断目标是否被遮挡包括:
从所述数据模型中获取所述探测重叠区域中的第二探测信息,所述第二探测信息包括重叠区域中的第二探测物;
从所述第一探测信息中获取所述探测重叠区域中的第一探测物;
根据所述第一探测物和所述第二探测物判断待诊断雷达是否被遮挡。
7.根据权利要求4所述的雷达遮挡诊断方法,其特征在于,
所述获取所述数据模型探测到的第二探测信息,以及所述根据所述第二探测信息诊断所述待诊断目标是否被遮挡包括:
确定所述车辆在所述高精地图中的位置信息;
根据所述位置信息从所述高精地图中获取所述第二探测信息;
通过车辆传感器筛选出所述第二探测信息中的有效探测信息;
根据所述第一探测信息和所述有效探测信息判断所述待诊断目标是否被遮挡。
8.一种雷达遮挡诊断装置,其特征在于,所述遮挡诊断装置包括:
待诊断目标获取模块,用于获取待诊断目标;
待诊断目标探测信息获取模块,用于获取所述待诊断目标探测到的第一探测信息,所述第一探测信息包括对参考目标的探测信息或对车辆行驶环境的探测信息;
数据模型获取模块,用于获取用于进行诊断的数据模型,所述数据模型以车辆传感器探测到的探测参考数据为输入;
数据模型探测信息获取及诊断模块,用于获取所述数据模型探测到的第二探测信息;并根据所述第二探测信息诊断所述待诊断目标是否被遮挡;所述获取所述数据模型探测到的第二探测信息,以及所述根据所述第二探测信息诊断所述待诊断目标是否被遮挡包括:
从所述数据模型中获取连续预设帧数的探测信息;
分别计算每帧所述探测信息中所述参考目标出现的概率;
根据所述参考目标出现的概率判断所述雷达是否被遮挡。
9.一种终端,其特征在于,所述终端包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至7任一项所述的雷达遮挡诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910877475.1A CN110626355B (zh) | 2019-09-17 | 2019-09-17 | 一种雷达遮挡诊断方法、装置及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910877475.1A CN110626355B (zh) | 2019-09-17 | 2019-09-17 | 一种雷达遮挡诊断方法、装置及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110626355A CN110626355A (zh) | 2019-12-31 |
CN110626355B true CN110626355B (zh) | 2021-01-19 |
Family
ID=68971420
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910877475.1A Active CN110626355B (zh) | 2019-09-17 | 2019-09-17 | 一种雷达遮挡诊断方法、装置及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110626355B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652062A (zh) * | 2020-04-29 | 2020-09-11 | 浙江吉利汽车研究院有限公司 | 一种基于无人驾驶的样本图像处理方法、装置及介质 |
CN113608200A (zh) * | 2021-08-05 | 2021-11-05 | 珠海上富电技股份有限公司 | 一种超声波传感器灵敏度诊断方法和电子设备 |
CN114063079B (zh) * | 2021-10-12 | 2022-06-21 | 福瑞泰克智能系统有限公司 | 目标置信度获取方法、装置、雷达系统和电子装置 |
CN114690138B (zh) * | 2022-05-30 | 2022-08-02 | 南京隼眼电子科技有限公司 | 雷达性能监测方法、装置及存储介质 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9445057B2 (en) * | 2013-02-20 | 2016-09-13 | Magna Electronics Inc. | Vehicle vision system with dirt detection |
ES2666499T3 (es) * | 2013-07-03 | 2018-05-04 | Kapsch Trafficcom Ab | Método para identificación de contaminación en una lente de una cámara estereoscópica |
EP2922033B1 (en) * | 2014-03-18 | 2018-11-21 | Volvo Car Corporation | A vehicle sensor diagnosis system and method and a vehicle comprising such a system |
US9453910B2 (en) * | 2014-04-23 | 2016-09-27 | Ford Global Technologies, Llc | Detecting radar blockage based on drive history |
US10699305B2 (en) * | 2016-11-21 | 2020-06-30 | Nio Usa, Inc. | Smart refill assistant for electric vehicles |
CN108036812A (zh) * | 2017-11-13 | 2018-05-15 | 深圳市易成自动驾驶技术有限公司 | 传感器状态检测方法、装置及计算机可读存储介质 |
US10678230B2 (en) * | 2018-02-14 | 2020-06-09 | Denso International America, Inc. | Sensor diagnostic system |
CN109800654B (zh) * | 2018-12-24 | 2023-04-07 | 百度在线网络技术(北京)有限公司 | 车载摄像头检测处理方法、装置及车辆 |
-
2019
- 2019-09-17 CN CN201910877475.1A patent/CN110626355B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110626355A (zh) | 2019-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110626355B (zh) | 一种雷达遮挡诊断方法、装置及终端 | |
US9981659B2 (en) | Driving assist device | |
CN107250840A (zh) | 用于求得机动车在路面上的横向位置信息的方法和机动车 | |
US7027615B2 (en) | Vision-based highway overhead structure detection system | |
US20150378015A1 (en) | Apparatus and method for self-localization of vehicle | |
CN107792077A (zh) | 用于确认道路部段是否适合于自主车辆驾驶的方法和系统 | |
US11260861B2 (en) | Method, device and computer-readable storage medium with instructions for determining the lateral position of a vehicle relative to the lanes on a roadway | |
US10762782B2 (en) | On-street parking map generation | |
CN110356339B (zh) | 一种变道盲区监测方法、系统及车辆 | |
US10803751B2 (en) | Processing device | |
JP2018092483A (ja) | 物体認識装置 | |
EP4137846A1 (en) | High-precision map generation method, localization method, and device | |
EP4046890A1 (en) | Sensor performance evaluation system and method, and automatic driving system | |
CN107667047A (zh) | 用于将机动车辆侧向周围环境区域中细长静止物体分类的方法、驾驶员辅助系统和机动车辆 | |
CN106164930A (zh) | 用于车道检测的方法 | |
JP2009181315A (ja) | 物体検出装置 | |
EP3315998A1 (en) | Apparatus and method for determining a speed of a vehicle | |
JP2020184129A (ja) | 異常診断装置 | |
EP3477259A1 (en) | Method and system for estimating quality of measuring results of one of more sensors mounted on a mobile platform | |
JP6263453B2 (ja) | 運動量推定装置及びプログラム | |
CN114296095A (zh) | 自动驾驶车辆的有效目标提取方法、装置、车辆及介质 | |
JP5488805B2 (ja) | レーザセンサ及びこれを用いた検出対象判定方法 | |
KR102255924B1 (ko) | 레인을 검출하는 차량 및 방법 | |
US10916034B2 (en) | Host vehicle position estimation device | |
JP6555132B2 (ja) | 移動物体検出装置 |
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 |