CN111175713A - 用于雷达模拟和对象分类的方法和系统 - Google Patents
用于雷达模拟和对象分类的方法和系统 Download PDFInfo
- Publication number
- CN111175713A CN111175713A CN201910779168.XA CN201910779168A CN111175713A CN 111175713 A CN111175713 A CN 111175713A CN 201910779168 A CN201910779168 A CN 201910779168A CN 111175713 A CN111175713 A CN 111175713A
- Authority
- CN
- China
- Prior art keywords
- radar
- data
- information
- scatter
- scene
- 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 36
- 238000004088 simulation Methods 0.000 title claims description 7
- 238000012545 processing Methods 0.000 claims description 38
- 230000015654 memory Effects 0.000 claims description 17
- 230000001133 acceleration Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 description 13
- 238000010801 machine learning Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000008447 perception Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000002085 persistent effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000007123 defense Effects 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005755 formation reaction Methods 0.000 description 1
- 229910000078 germane Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/415—Identification of targets based on measurements of movement associated with the 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/40—Means for monitoring or calibrating
- G01S7/4052—Means for monitoring or calibrating by simulation of echoes
-
- 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
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/411—Identification of targets based on measurements of radar reflectivity
- G01S7/412—Identification of targets based on measurements of radar reflectivity based on a comparison between measured values and known or stored values
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
- G05D1/0274—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means using mapping information stored in a memory device
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
- G01S2013/932—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles using own vehicle data, e.g. ground speed, steering wheel direction
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Electromagnetism (AREA)
- Traffic Control Systems (AREA)
Abstract
公开了用于生成雷达数据的方法和系统。基于地图与路线信息来限定场景,其中,该场景包括一个或多个对象。为描述限定的场景中的对象中的每个的一组对象参数分配值,以产生描述对象的一组或多组对象参数。限定的场景和该组对象参数用于生成与限定的场景相关联的散射数据。基于散射数据和地图与路线信息,生成包括所限定的场景中的每个对象的雷达信息的雷达数据,其中,所生成的雷达数据用于训练预测模型以对识别的对象中的每个进行分类。
Description
技术领域
本公开的实施方式总体涉及雷达。更具体地,本公开的实施方式涉及用于雷达模拟和对象分类的方法和系统。
背景技术
雷达(也称为无线电探测和测距)是使用无线电波来确定对象的尤其范围、角度或速度的对象探测系统。例如,它可用于探测飞机、轮船、航天器、导弹、机动车辆、天气形成和地形。雷达已经用于许多应用中,包括自动驾驶系统(例如,自动驾驶车辆)、空中和地面交通控制、防空系统、反导弹系统、飞机防撞系统、海洋监视系统等。
如前面所讨论的,雷达已用于测量对象的速度。然而,与光探测和测距(LIDAR)系统或摄像机系统不同,雷达尚未用于对象分类。主要原因是由于缺乏(或不足的)可用于机器学习的雷达数据(即,以训练一组规则、算法和/或预测模型)。作为示例,对于自动驾驶应用,为了生成和收集用于机器学习的足够的雷达数据,将需要驾驶其上安装有雷达系统的车辆通过许多位置,这是令人精疲力尽的且耗时的过程。
发明内容
根据本公开的一方面,提供了一种生成用于自动驾驶的雷达数据的计算机实施的方法,所述方法包括:
基于地图与路线信息限定场景,其中,所述场景包括一个或多个对象;
为描述所限定的场景中的所述对象中的每个的一组对象参数分配值,以产生描述所述一个或多个对象的一组或多组对象参数;
使用所限定的场景和所述一组或多组对象参数以生成与所限定的场景相关联的散射数据;以及
基于所述散射数据和所述地图与路线信息,生成包括所限定的场景中的每个对象的雷达信息的雷达数据,其中,所生成的雷达数据用于训练预测模型,以使用雷达装置实时通过自动驾驶车辆对识别的对象中的每个进行分类。
根据本公开的另一方面,提供了一种存储有指令的非暂时性机器可读介质,所述指令在由处理器执行时致使所述处理器执行用于生成雷达数据的操作,所述操作包括:
基于地图与路线信息限定场景,其中,所述场景包括一个或多个对象;
为描述所限定的场景中的所述对象中的每个的一组对象参数分配值,以产生描述所述一个或多个对象的一组或多组对象参数;
使用所限定的场景和所述一组或多组对象参数以生成与所限定的场景相关联的散射数据;以及
基于所述散射数据和所述地图与路线信息,生成雷达数据,所述雷达数据包括所限定的场景中的每个对象的雷达信息,其中,所生成的雷达数据用于训练预测模型,以使用雷达装置实时通过自动驾驶车辆对识别的对象中的每个进行分类。
根据本公开的又一方面,提供了一种数据处理系统,包括:
处理器;以及
存储器,所述存储器联接至所述处理器,以存储指令,所述指令在由所述处理器执行时致使所述处理器执行用于生成雷达数据的操作,所述操作包括:
基于地图与路线信息限定场景,其中,所述场景包括一个或多个对象;
为描述所限定的场景中的所述对象中的每个的一组对象参数分配值,以产生描述所述一个或多个对象的一组或多组对象参数;
使用所限定的场景和所述一组或多组对象参数以生成与所限定的场景相关联的散射数据;以及
基于所述散射数据和所述地图与路线信息,生成雷达数据,所述雷达数据包括所限定的场景中的每个对象的雷达信息,其中,所生成的雷达数据用于训练预测模型,以使用雷达装置实时通过自动驾驶车辆对识别的对象中的每个进行分类。
附图说明
本公开的实施方式在附图的各图中以举例而非限制的方式示出,附图中的相同参考标记指示相似元件。
图1是示出机器学习系统的框图。
图2A至图2B是示出根据一个实施方式的雷达模拟器的示例的框图。
图3A至图3B是示出用于使用雷达数据的示例性实施方式的框图。
图4是示出根据一个实施方式的生成雷达数据的方法的示例的流程图。
图5是示出根据一个实施方式的控制自动驾驶车辆的方法的示例的流程图。
图6是示出根据一个实施方式的数据处理系统的框图。
具体实施方式
将参考以下所讨论的细节来描述本公开的各种实施方式和方面,附图将示出所述各种实施方式。下列描述和附图是本公开的说明,而不应当解释为对本公开进行限制。描述了许多特定细节以提供对本公开的各种实施方式的全面理解。然而,在某些情况下,并未描述众所周知的或常规的细节,以提供对本公开的实施方式的简洁讨论。
本说明书中对“一个实施方式”、“实施方式”或“一些实施方式”的提及意味着结合该实施方式所描述的特定特征、结构或特性可包括在本公开的至少一个实施方式中。短语“在一个实施方式中”在本说明书中各个地方的出现不必全部指同一实施方式。
根据一些实施方式,雷达模拟器基于表示限定或建模的场景内的不同类型对象的雷达横截面(RCS)特征或特性生成雷达数据,不同类型的对象诸如为环境内的轿车、行人、摩托车、自行车、公共汽车、卡车、建筑物、交通相关标志(例如,停车标志、让行标志)等。RCS指的是对象(也称为目标)如何反射入射的电磁波的描述。使用从散射数据采集器获得的或使用电磁散射模拟器生成的散射数据(例如,散射中心)来计算或预测RCS特征。所生成的雷达数据由机器学习引擎用于训练或生成雷达分类模型,该雷达分类模型对环境中的对象进行分类。以这种方式,可避免例如通过驾驶其上安装有雷达系统的车辆通过多个位置的生成和收集雷达数据的耗时过程。
在一个实施方式中,基于地图与路线信息来限定场景,其中,该场景包括一个或多个对象。为描述限定的场景中的对象中的每个的一组对象参数分配值,以产生描述对象的一组或多组对象参数。限定的场景和该组(多组)对象参数用于生成与限定的场景相关联的散射数据。基于散射数据和地图与路线信息,生成包括所限定的场景中的每个对象的雷达信息的雷达数据,其中,所生成的雷达数据用于训练预测模型以对识别的对象中的每个进行分类。
在一个实施方式中,为了生成包括所限定的场景中的每个对象的雷达信息的雷达数据,对于所限定的场景中的对象中的每个,基于地图与路线信息确定对象的位置信息。使用散射数据预测对象的一个或多个雷达横截面(RCS)。
另外,在一个实施方式中,为了生成包括所限定的场景中的每个对象的雷达信息的雷达数据,使用RCS来构建用于对象的RCS特征。基于对象的位置信息和RCS特征来确定对象的雷达信息。
图1是示出机器学习系统的框图。参考图1,机器学习系统100包括传感器系统101、数据收集引擎102、数据标注引擎103和机器学习引擎104。传感器系统101配置成提供来自多个组件或系统的传感器数据。如图所示,传感器系统101包括但不限于一个或多个摄像机111、光探测和测距(LIDAR)单元112、雷达单元113、全球定位系统(GPS)单元(或系统)114以及惯性测量单元(IMU)115。GPS系统114可包括收发器,所述收发器可操作以提供关于自动驾驶车辆的位置的信息。IMU单元115可基于惯性加速度来感测自动驾驶车辆的位置和定向变化。雷达单元113可表示利用无线电信号来感测自动驾驶车辆的本地环境内的对象的系统。在一些实施方式中,除感测对象之外,雷达单元113还可另外感测对象的速度和/或前进方向。LIDAR单元112可使用激光来感测环境(例如自动驾驶车辆所处的驾驶环境)中的对象。除其它系统部件之外,LIDAR单元112还可包括一个或多个激光源、激光扫描器以及一个或多个探测器。摄像机111可包括用于采集环境(诸如自动驾驶车辆周围的驾驶环境)的图像的一个或多个装置。摄像机111可以是静物摄像机和/或视频摄像机。摄像机可以是可机械地移动的,例如,通过将摄像机安装在旋转和/或倾斜平台上。
在一些实施方式中,根据应用(例如,自动驾驶车辆),传感器系统101还可包括其它传感器,诸如:声纳传感器、红外传感器、转向传感器、油门传感器、制动传感器以及音频传感器(例如,麦克风)。音频传感器可配置成例如从自动驾驶车辆周围的环境中采集声音。转向传感器可配置成感测方向盘、车辆的车轮或其组合的转向角度。油门传感器和制动传感器分别感测车辆的油门位置和制动位置。在一些情形下,油门传感器和制动传感器可集成为集成式油门/制动传感器。
数据收集引擎102可收集和存储由传感器系统101在不同的时间点生成的传感器数据。在自动驾驶车辆的示例中,传感器数据可包括指示在不同的时间点所发出的驾驶命令(例如,油门、制动、转向命令)和由传感器系统101的传感器捕获的对象的响应(例如,速度、加速度、减速度、方向)的车辆数据。传感器数据还可包括指示环境内的每个对象(例如,轿车、行人、摩托车、自行车、公共汽车、卡车、建筑物、交通相关标志(例如,停车标志、让行标志)等)的位置(例如,x、y、z坐标)和反射率的对象信息。
在一个实施方式中,可将收集的传感器数据提供给数据标注引擎103,以自动地将标签(例如,多个字符)附加或标记到每个对象的传感器数据。在另一实施方式中,数据标注引擎103可自动地将标签标记到一组对象的传感器数据。因此,数据标注引擎103可生成标注数据,该标注数据包括多个对象(或多组对象)的传感器数据及其对应的数据标签。通常,传感器数据用提供信息的有意义的标签进行标记,使得标签充分地描述传感器数据,尽管标签可以是字符的任意组合。
使用来自数据标注引擎103的标注数据,机器学习引擎104可生成或训练一组规则、算法和/或预测模型(例如,诸如深度神经网络、卷积深度神经网络、深度置信网络和/或递归神经网络的深度学习架构),以对对象或多组对象进行分类并确定该对象或多组对象的行为。
在一些实施方式中,机器学习系统100的部件101至部件104中的一些或全部可实施为自动驾驶系统(例如,自动驾驶车辆)、空中和地面交通控制、防空系统、反导弹系统、飞机防撞系统、海洋监视系统等的一部分。
图2A至图2B是示出根据一个实施方式的雷达模拟器的示例的框图。参考图2A至图2B,雷达模拟器200包括但不限于场景定义模块201、散射数据生成模块202和雷达建模模块203。雷达模拟器200可被视为模拟雷达系统或单元的功能的计算(或数据处理)系统。模块201至模块203中的一些或全部可在软件、硬件或其组合中实施。例如,这些模块可安装在永久性存储装置252中,加载到存储器251中,并且由一个或多个处理器(未示出)执行。应注意,模块201至模块203中的一些或全部可一起集成为集成模块。
在一个实施方式中,基于地图与路线数据或信息214,场景定义模块201可限定或建模表示真实世界场景或情景的一个或多个场景(例如,虚拟场景)。例如,场景定义模块201可从位置服务器和地图与兴趣点(MPOI)服务器获得位置与路线信息。位置服务器提供位置服务,以及MPOI服务器提供地图服务和某些位置的POI,它们可缓存为地图与路线信息214的一部分。在一个实施方式中,对于作为示例的自动驾驶车辆应用,场景定义模块201可使用来自地图与路线信息214的位置与路线信息以及MPOI信息来限定一个或多个场景或情景。根据具体位置信息和MPOI信息,每个场景均可包括位于不同或相同位置处的多个对象,例如轿车、行人、摩托车、自行车、公共汽车、卡车、建筑物、交通相关标志(例如,停车标志,让行标志)等。在一个实施方式中,为了限定场景,场景定义模块201可调用几何图元算法(例如,多边形图元)来对场景进行建模。场景可由具有一个或多个网格轮廓的三维(3D)模型表示。在一个实施方式中,场景定义模块201可将用户选择的值或预定的值分配给描述场景内的每个对象的一组对象参数,从而产生描述场景中的对象的多组对象参数。例如对象参数可包括对象的位置、速度、前进方向、加速度或减速度、转弯角度、大小、模拟角度等。可将限定的场景和对象参数存储为场景数据211的一部分。
基于场景数据211,散射数据生成模块202可加载或生成与场景数据211中所包括的每个限定场景相关联的散射数据212(也称为散射体或散射中心)。即,散射数据212可用于构建表示场景内的对象的RCS数据(例如,RCS特征或图案)。在一个实施方式中,散射数据生成模块202可从散射数据采集器(例如,散射数据服务器)获得散射信息(例如,电磁(EM)或雷达散射中心)。可在不同时间点预先捕获和收集散射信息以用于真实场景或情景。因此,散射数据生成模块202可从所获得的散射信息中提取数据,该散射信息包括由特别限定的场景表示的真实世界场景或情景的特定散射信息。在另一实施方式中,基于场景数据211(例如,建模的场景和对象参数),散射数据生成模块202可使用EM或雷达散射模拟器生成散射信息。这种散射模拟器(例如,模拟工具)通常为本领域技术人员所熟知。因此,提取的散射信息和/或生成的散射信息可存储为散射数据212的一部分。
使用散射数据212以及地图与路线数据214,雷达建模模块203可根据一个或多个雷达感测模型识别限定或建模的场景内的每个对象,其中,一个或多个雷达感测模型诸如例如为频率调制的连续波(FMCW)、多基地(例如,多输入多输出(MIMO))、多普勒、单脉冲、无源等。在一个实施方式中,使用地图与路线数据214,雷达建模模块203可确定场景内对象的位置信息。另外,雷达建模模块203可分析散射数据212,以计算或预测对象的、用于确定或构建对象的RCS特征的一个或多个RCS。知道对象的RCS特征是什么样的有助于识别对象。基于对象的位置信息和RCS特征,雷达建模模块203可根据雷达感测模型确定对象的雷达信息(例如,位置、范围、高度、运动方向、速度、加速度、减速度等)。对象的雷达信息可存储为雷达数据213的一部分。雷达数据213可存储在永久性存储装置252(如图所示)上和/或可通过网络发送至远程存储系统(未示出)以便存储和后续使用,如下文关于图3A至图3B更详细讨论的。
应当理解,雷达模拟器200不限于任何特定应用。即,雷达模拟器200可用于为任何系统提供雷达数据,诸如自动驾驶系统(例如,自动驾驶车辆)、空中和地面交通控制、防空系统、反导弹系统、飞机防撞系统、海洋监视系统等。
图3A至图3B是示出用于使用雷达数据的示例性实施方式的框图。参考图3A,在一个实施方式中,雷达数据213可随后用于对对象进行分类。更具体地,如图3A中所示,可将雷达数据213提供给数据标注引擎103,以将标签附加至建模的场景内的每个对象的雷达信息。每个对象的标注雷达信息可提供给机器学习引擎104以训练一组规则、算法和/或预测模型(例如,诸如深度神经网络、卷积深度神经网络、深度置信网络和/或递归神经网络的深度学习架构),以将对象分类为例如轿车、行人、摩托车、自行车、公共汽车、卡车、建筑物、交通相关标志等。机器学习引擎104还可训练一组规则、算法和/或预测模型以确定对象的行为。训练的该组规则、算法和/或预测模型(例如,对象分类预测模型)可例如部署在自动驾驶车辆上,以实时使用例如自动驾驶车辆的雷达装置或单元进行驾驶环境内的感知和规划(例如,对象分类),以便控制自动驾驶车辆。以这种方式,可避免例如通过驾驶其上安装有雷达系统的车辆通过多个位置的生成和收集雷达数据的耗时过程。
在另一实施方式中,雷达数据213可用作雷达系统的设计和测试的一部分。例如,在图3B中,雷达建模模块203可表示特定雷达系统的设计。因此,在生成雷达数据213之后,雷达数据213可反馈至雷达建模模块203(即,反馈回路),这使得雷达建模模块203能够调整其性能以满足期望的输出(例如,期望的输出雷达数据)。
图4是示出根据一个实施方式的生成雷达数据的方法的示例的流程图。过程400可由处理逻辑执行,所述处理逻辑可包括软件、硬件或其组合。例如,过程400可由图2A的雷达模拟器200执行。
参考图4,在框401处,处理逻辑基于地图与路线信息限定场景,其中,场景包括一个或多个对象(例如,轿车、行人、摩托车、自行车、公共汽车、卡车、建筑物、交通相关标志等)。在框402处,处理逻辑为描述限定场景中的对象中的每个的一组对象参数分配值,以产生描述一个或多个对象的一组或多组对象参数。在框403处,处理逻辑使用所限定的场景和一组或多组对象参数来生成与所限定的场景相关联的散射数据(例如,散射中心)。在框404处,基于散射数据和地图与路线信息(例如,位置信息),处理逻辑生成雷达数据,该雷达信息包括所限定场景中的每个对象的雷达信息,其中,所生成的雷达数据用于训练预测模型,以使用雷达装置实时地通过自动驾驶车辆对识别的对象中的每个进行分类。
图5是示出根据一个实施方式的控制自动驾驶车辆的方法的示例的流程图。过程500可由处理逻辑执行,所述处理逻辑可包括软件、硬件或其组合。例如,过程500可由自动驾驶车辆的感知与规划系统(未示出)执行。
参考图5,在框501处,处理逻辑使用雷达装置接收雷达信号,该雷达装置捕捉自动驾驶车辆(ADV)附近的对象。在框502处,处理逻辑从表示对象的雷达信号中提取一组特征(例如,雷达信息)。在框503处,处理逻辑对该组特征应用雷达预测模型(例如,训练的对象分类预测模型),以对对象(例如,汽车、公共汽车、卡车、摩托车、行人、建筑物、交通相关标志等)进行分类。在框504处,处理逻辑根据分类的对象生成路径以自主地驾驶ADV。例如,自动驾驶车辆的功能中的一些或所有可由感知与规划系统控制或管理,尤其是在以自动驾驶模式操作时。感知与规划系统包括必要的硬件(例如,处理器、存储器、存储装置)和软件(例如,操作系统、规划和路线安排程序),以从传感器系统(其可包括雷达装置)、控制系统、无线通信系统和/或用户接口系统接收信息,处理所接收的信息,规划从起点到目的地点的路线或路径,然后基于规划与控制信息(其可包括已分类对象的分类信息)来驾驶自动驾驶车辆。
应注意,如上文示出和描述的部件中的一些或全部可在软件、硬件或其组合中实施。例如,此类部件可实施为安装并存储在永久性存储装置中的软件,所述软件可通过处理器(未示出)加载在存储器中并在存储器中执行以实施贯穿本申请所述的过程或操作。可替代地,此类部件可实施为编程或嵌入到专用硬件(诸如,集成电路(例如,专用集成电路或ASIC)、数字信号处理器(DSP)或现场可编程门阵列(FPGA))中的可执行代码,所述可执行代码可经由来自应用的相应驱动程序和/或操作系统来访问。此外,此类部件可实施为处理器或处理器内核中的特定硬件逻辑,作为可由软件部件通过一个或多个特定指令访问的指令集的一部分。
图6是示出可与本公开的一个实施方式一起使用的数据处理系统的示例的框图。例如,系统1500可表示以上所述的执行上述过程或方法中的任一个的任何数据处理系统,例如,图2A的雷达模拟器200和ADV的感知与规划系统。系统1500可包括许多不同的部件。这些部件可实施为集成电路(IC)、集成电路的部分、分立电子装置或适用于电路板(诸如,计算机系统的主板或插入卡)的其它模块或者实施为以其它方式并入计算机系统的机架内的部件。
还应注意,系统1500旨在示出计算机系统的许多部件的高阶视图。然而,应当理解的是,某些实施例中可具有附加的部件,此外,其它实施例中可具有所示部件的不同布置。系统1500可表示台式计算机、膝上型计算机、平板计算机、服务器、移动电话、媒体播放器、个人数字助理(PDA)、智能手表、个人通信器、游戏装置、网络路由器或集线器、无线接入点(AP)或中继器、机顶盒或其组合。此外,虽然仅示出了单个机器或系统,但是术语“机器”或“系统”还应当理解为包括单独地或共同地执行一个(或多个)指令集以执行本文所讨论的任何一种或多种方法的机器或系统的任何集合。
在一个实施方式中,系统1500包括通过总线或互连件1510连接的处理器1501、存储器1503以及装置1505至1508。处理器1501可表示其中包括单个处理器内核或多个处理器内核的单个处理器或多个处理器。处理器1501可表示一个或多个通用处理器,诸如,微处理器、中央处理单元(CPU)等。更具体地,处理器1501可以是复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、超长指令字(VLIW)微处理器、或实施其它指令集的处理器、或实施指令集组合的处理器。处理器1501还可以是一个或多个专用处理器,诸如,专用集成电路(ASIC)、蜂窝或基带处理器、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、网络处理器、图形处理器、通信处理器、加密处理器、协处理器、嵌入式处理器、或者能够处理指令的任何其它类型的逻辑。
处理器1501(其可以是低功率多核处理器套接口,诸如超低电压处理器)可充当用于与所述系统的各种部件通信的主处理单元和中央集线器。这种处理器可实施为片上系统(SoC)。处理器1501配置成执行用于执行本文所讨论的操作和步骤的指令。系统1500还可包括与可选的图形子系统1504通信的图形接口,图形子系统1504可包括显示控制器、图形处理器和/或显示装置。
处理器1501可与存储器1503通信,存储器1503在一个实施方式中可经由多个存储器装置实施以提供给定量的系统存储。存储器1503可包括一个或多个易失性存储(或存储器)装置,诸如,随机存取存储器(RAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、静态RAM(SRAM)或者其它类型的存储装置。存储器1503可存储包括由处理器1501或任何其它装置执行的指令序列的信息。例如,各种操作系统、装置驱动程序、固件(例如,输入输出基本系统或BIOS)和/或应用的可执行代码和/或数据可加载到存储器1503中并由处理器1501执行。操作系统可以是任何类型的操作系统,例如,机器人操作系统(ROS)、来自公司的操作系统、来自苹果公司的Mac来自公司的LINUX、UNIX,或者其它实时或嵌入式操作系统。
系统1500还可包括IO装置,诸如装置1505至1508,包括网络接口装置1505、可选的输入装置1506,以及其它可选的IO装置1507。网络接口装置1505可包括无线收发器和/或网络接口卡(NIC)。所述无线收发器可以是WiFi收发器、红外收发器、蓝牙收发器、WiMax收发器、无线蜂窝电话收发器、卫星收发器(例如,全球定位系统(GPS)收发器)或其它射频(RF)收发器或者它们的组合。NIC可以是以太网卡。
输入装置1506可包括鼠标、触摸板、触敏屏幕(其可与显示装置1504集成在一起)、指针装置(诸如,手写笔)和/或键盘(例如,物理键盘或作为触敏屏幕的一部分显示的虚拟键盘)。例如,输入装置1506可包括联接到触摸屏的触摸屏控制器。触摸屏和触摸屏控制器例如可使用多种触敏技术(包括但不限于电容、电阻、红外和表面声波技术)中的任一种,以及其它接近传感器阵列或用于确定与触摸屏接触的一个或多个点的其它元件来检测其接触和移动或间断。
IO装置1507可包括音频装置。音频装置可包括扬声器和/或麦克风,以促进支持语音的功能,诸如语音识别、语音复制、数字记录和/或电话功能。其它IO装置1507还可包括通用串行总线(USB)端口、并行端口、串行端口、打印机、网络接口、总线桥(例如,PCI-PCI桥)、传感器(例如,诸如加速度计运动传感器、陀螺仪、磁强计、光传感器、罗盘、接近传感器等)或者它们的组合。装置1507还可包括成像处理子系统(例如,摄像机),所述成像处理子系统可包括用于促进摄像机功能(诸如,记录照片和视频片段)的光学传感器,诸如电荷耦合装置(CCD)或互补金属氧化物半导体(CMOS)光学传感器。某些传感器可经由传感器集线器(未示出)联接到互连件1510,而诸如键盘或热传感器的其它装置可根据系统1500的具体配置或设计由嵌入式控制器(未示出)控制。
为了提供对诸如数据、应用、一个或多个操作系统等信息的永久性存储,大容量存储装置(未示出)也可联接到处理器1501。在各种实施方式中,为了实现更薄且更轻的系统设计并且改进系统响应性,这种大容量存储装置可经由固态装置(SSD)来实施。然而,在其它实施方式中,大容量存储装置可主要使用硬盘驱动器(HDD)来实施,其中较小量的SSD存储装置充当SSD高速缓存以在断电事件期间实现上下文状态以及其它此类信息的非易失性存储,从而使得在系统活动重新启动时能够实现快速通电。另外,闪存装置可例如经由串行外围接口(SPI)联接到处理器1501。这种闪存装置可提供系统软件的非易失性存储,所述系统软件包括所述系统的BIOS以及其它固件。
存储装置1508可包括计算机可访问的存储介质1509(也称为机器可读存储介质或计算机可读介质),其上存储有体现本文所述的任何一种或多种方法或功能的一个或多个指令集或软件(例如,模块、单元和/或逻辑1528)。处理模块/单元/逻辑1528可表示上述部件中的任一个,例如例如,场景定义模块201、散射数据生成模块202和雷达建模模块203。处理模块/单元/逻辑1528还可表示由ADV的感知与规划系统执行的任何模块/单元/逻辑。处理模块/单元/逻辑1528还可在其由数据处理系统1500、存储器1503和处理器1501执行期间完全地或至少部分地驻留在存储器1503内和/或处理器1501内,数据处理系统1500、存储器1503和处理器1501也构成机器可访问的存储介质。处理模块/单元/逻辑1528还可通过网络经由网络接口装置1505进行传输或接收。
计算机可读存储介质1509也可用来永久性地存储以上描述的一些软件功能。虽然计算机可读存储介质1509在示例性实施方式中被示为单个介质,但是术语“计算机可读存储介质”应当被认为包括存储所述一个或多个指令集的单个介质或多个介质(例如,集中式或分布式数据库和/或相关联的高速缓存和服务器)。术语“计算机可读存储介质”还应当被认为包括能够存储或编码指令集的任何介质,所述指令集用于由机器执行并且使得所述机器执行本公开的任何一种或多种方法。因此,术语“计算机可读存储介质”应当被认为包括但不限于固态存储器以及光学介质和磁性介质,或者任何其它非暂时性机器可读介质。
本文所述的处理模块/单元/逻辑1528、部件以及其它特征可实施为分立硬件部件或集成在硬件部件(诸如,ASICS、FPGA、DSP或类似装置)的功能中。此外,处理模块/单元/逻辑1528可实施为硬件装置内的固件或功能电路。此外,处理模块/单元/逻辑1528可以以硬件装置和软件部件的任何组合来实施。
应注意,虽然系统1500示出为具有数据处理系统的各种部件,但是并不旨在表示使部件互连的任何特定架构或方式;因为此类细节和本公开的实施方式没有密切关系。还应当认识到,具有更少部件或可能具有更多部件的网络计算机、手持计算机、移动电话、服务器和/或其它数据处理系统也可与本公开的实施方式一起使用。
前述详细描述中的一些部分已经根据在计算机存储器内对数据位的运算的算法和符号表示而呈现。这些算法描述和表示是数据处理领域中的技术人员所使用的方式,以将他们的工作实质最有效地传达给本领域中的其他技术人员。本文中,算法通常被认为是导致所期望结果的自洽操作序列。这些操作是指需要对物理量进行物理操控的操作。
然而,应当牢记,所有这些和类似的术语均旨在与适当的物理量关联,并且仅仅是应用于这些量的方便标记。除非在以上讨论中以其它方式明确地指出,否则应当了解,在整个说明书中,利用术语(诸如所附权利要求书中所阐述的术语)进行的讨论是指计算机系统或类似电子计算装置的动作和处理,所述计算机系统或电子计算装置操控计算机系统的寄存器和存储器内的表示为物理(电子)量的数据,并将所述数据变换成计算机系统存储器或寄存器或者其它此类信息存储装置、传输或显示装置内类似地表示为物理量的其它数据。
本公开的实施方式还涉及用于执行本文中的操作的设备。这种计算机程序存储在非暂时性计算机可读介质中。机器可读介质包括用于以机器(例如,计算机)可读的形式存储信息的任何机构。例如,机器可读(例如,计算机可读)介质包括机器(例如,计算机)可读存储介质(例如,只读存储器(“ROM”)、随机存取存储器(“RAM”)、磁盘存储介质、光存储介质、闪存存储器装置)。
前述附图中所描绘的过程或方法可由处理逻辑来执行,所述处理逻辑包括硬件(例如,电路、专用逻辑等)、软件(例如,体现在非暂时性计算机可读介质上)或两者的组合。尽管所述过程或方法在上文是依据一些顺序操作来描述的,但是应当了解,所述操作中的一些可按不同的顺序执行。此外,一些操作可并行地执行而不是顺序地执行。
本公开的实施方式并未参考任何特定的编程语言进行描述。应认识到,可使用多种编程语言来实施如本文描述的本公开的实施方式的教导。
在以上的说明书中,已经参考本公开的具体示例性实施方式对本公开的实施方式进行了描述。将显而易见的是,在不脱离所附权利要求书中阐述的本公开的更宽泛精神和范围的情况下,可对本发明作出各种修改。因此,应当在说明性意义而不是限制性意义上来理解本说明书和附图。
Claims (18)
1.一种生成用于自动驾驶的雷达数据的计算机实施的方法,所述方法包括:
基于地图与路线信息限定场景,其中,所述场景包括一个或多个对象;
为描述所限定的场景中的所述对象中的每个的一组对象参数分配值,以产生描述所述一个或多个对象的一组或多组对象参数;
使用所限定的场景和所述一组或多组对象参数以生成与所限定的场景相关联的散射数据;以及
基于所述散射数据和所述地图与路线信息,生成包括所限定的场景中的每个对象的雷达信息的雷达数据,其中,所生成的雷达数据用于训练预测模型,以使用雷达装置实时通过自动驾驶车辆对识别的对象中的每个进行分类。
2.根据权利要求1所述的方法,其中,生成包括所限定的场景中的每个对象的雷达信息的雷达数据包括:
对于所限定的场景中的所述对象中的每个,
基于所述地图与路线信息确定所述对象的位置信息,以及
使用所述散射数据预测所述对象的一个或多个雷达横截面。
3.根据权利要求2所述的方法,其中,生成包括所限定的场景中的每个对象的雷达信息的雷达数据还包括:
对于所限定的场景中的所述对象中的每个,
使用所述一个或多个雷达横截面为所述对象构建雷达横截面特征,以及
基于所述对象的位置信息和雷达横截面特征确定所述对象的雷达信息。
4.根据权利要求1所述的方法,其中,基于(i)从散射数据服务器获得的散射信息或(ii)使用雷达散射模拟生成的散射信息,生成所述散射数据。
5.根据权利要求1所述的方法,其中,所述一组对象参数包括以下中的至少一个:位置、速度、前进方向、加速度或减速度、转弯角度、大小或模拟角度。
6.根据权利要求1所述的方法,其中,根据一个或多个雷达感测模型确定每个对象的雷达信息。
7.一种存储有指令的非暂时性机器可读介质,所述指令在由处理器执行时致使所述处理器执行用于生成雷达数据的操作,所述操作包括:
基于地图与路线信息限定场景,其中,所述场景包括一个或多个对象;
为描述所限定的场景中的所述对象中的每个的一组对象参数分配值,以产生描述所述一个或多个对象的一组或多组对象参数;
使用所限定的场景和所述一组或多组对象参数以生成与所限定的场景相关联的散射数据;以及
基于所述散射数据和所述地图与路线信息,生成雷达数据,所述雷达数据包括所限定的场景中的每个对象的雷达信息,其中,所生成的雷达数据用于训练预测模型,以使用雷达装置实时通过自动驾驶车辆对识别的对象中的每个进行分类。
8.根据权利要求7所述的非暂时性机器可读介质,其中,生成包括所限定的场景中的每个对象的雷达信息的雷达数据包括:
对于所限定的场景中的所述对象中的每个,
基于所述地图与路线信息确定所述对象的位置信息,以及
使用所述散射数据预测所述对象的一个或多个雷达横截面。
9.根据权利要求8所述的非暂时性机器可读介质,其中,生成包括所限定的场景中的每个对象的雷达信息的雷达数据还包括:
对于所限定的场景中的所述对象中的每个,
使用所述一个或多个雷达横截面为所述对象构建雷达横截面特征,以及
基于所述对象的位置信息和雷达横截面特征确定所述对象的雷达信息。
10.根据权利要求7所述的非暂时性机器可读介质,其中,基于(i)从散射数据服务器获得的散射信息或(ii)使用雷达散射模拟生成的散射信息,生成所述散射数据。
11.根据权利要求7所述的非暂时性机器可读介质,其中,所述一组对象参数包括以下中的至少一个:位置、速度、前进方向、加速度或减速度、转弯角度、大小或模拟角度。
12.根据权利要求7所述的非暂时性机器可读介质,其中,根据一个或多个雷达感测模型确定每个对象的雷达信息。
13.一种数据处理系统,包括:
处理器;以及
存储器,所述存储器联接至所述处理器,以存储指令,所述指令在由所述处理器执行时致使所述处理器执行用于生成雷达数据的操作,所述操作包括:
基于地图与路线信息限定场景,其中,所述场景包括一个或多个对象;
为描述所限定的场景中的所述对象中的每个的一组对象参数分配值,以产生描述所述一个或多个对象的一组或多组对象参数;
使用所限定的场景和所述一组或多组对象参数以生成与所限定的场景相关联的散射数据;以及
基于所述散射数据和所述地图与路线信息,生成雷达数据,所述雷达数据包括所限定的场景中的每个对象的雷达信息,其中,所生成的雷达数据用于训练预测模型,以使用雷达装置实时通过自动驾驶车辆对识别的对象中的每个进行分类。
14.根据权利要求13所述的数据处理系统,其中,生成包括所限定的场景中的每个对象的雷达信息的雷达数据包括:
对于所限定的场景中的所述对象中的每个,
基于所述地图与路线信息确定所述对象的位置信息,以及
使用所述散射数据预测所述对象的一个或多个雷达横截面。
15.根据权利要求14所述的数据处理系统,其中,生成包括所限定的场景中的每个对象的雷达信息的雷达数据还包括:
对于所限定的场景中的所述对象中的每个,
使用所述一个或多个雷达横截面为所述对象构建雷达横截面特征,以及
基于所述对象的位置信息和雷达横截面特征确定所述对象的雷达信息。
16.根据权利要求13所述的数据处理系统,其中,基于(i)从散射数据服务器获得的散射信息或(ii)使用雷达散射模拟生成的散射信息,生成所述散射数据。
17.根据权利要求13所述的数据处理系统,其中,所述一组对象参数包括以下中的至少一个:位置、速度、前进方向、加速度或减速度、转弯角度、大小或模拟角度。
18.根据权利要求13所述的数据处理系统,其中,根据一个或多个雷达感测模型确定每个对象的雷达信息。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/168,516 | 2018-10-23 | ||
US16/168,516 US10754030B2 (en) | 2018-10-23 | 2018-10-23 | Methods and systems for radar simulation and object classification |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111175713A true CN111175713A (zh) | 2020-05-19 |
CN111175713B CN111175713B (zh) | 2023-08-04 |
Family
ID=70278865
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910779168.XA Active CN111175713B (zh) | 2018-10-23 | 2019-08-22 | 用于雷达模拟和对象分类的方法和系统 |
Country Status (2)
Country | Link |
---|---|
US (1) | US10754030B2 (zh) |
CN (1) | CN111175713B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114384893A (zh) * | 2021-12-29 | 2022-04-22 | 广东一诺维新科技有限公司 | 半电波暗室内汽车adas测试系统及方法 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10754030B2 (en) * | 2018-10-23 | 2020-08-25 | Baidu Usa Llc | Methods and systems for radar simulation and object classification |
US11529977B1 (en) | 2021-10-12 | 2022-12-20 | Diane Albert | Radar enabled determination of presence, axle count, speed, and direction of a rail car |
CN114397624B (zh) * | 2022-03-22 | 2022-07-15 | 北京蓝天航空科技股份有限公司 | 基于数据配置的兼容式雷达自检画面生成方法和装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN204679631U (zh) * | 2015-03-18 | 2015-09-30 | 北京航天计量测试技术研究所 | 一种成像雷达回波模拟器 |
DE102014110667A1 (de) * | 2014-07-29 | 2016-02-04 | Valeo Schalter Und Sensoren Gmbh | Vefahren zum Klassifizieren eines Objektes in einem Umgebungsbereich eines Kraftfahrzeugs, Fahrerassistenzsystem und Kraftfahrzeug |
CN105324287A (zh) * | 2013-04-11 | 2016-02-10 | 谷歌公司 | 使用车载传感器检测天气条件的方法和系统 |
CN105607062A (zh) * | 2015-12-29 | 2016-05-25 | 南威软件股份有限公司 | 一种天气雷达图分析系统 |
CN106154237A (zh) * | 2015-03-18 | 2016-11-23 | 北京航天计量测试技术研究所 | 一种成像雷达回波模拟器 |
CN106537181A (zh) * | 2014-04-03 | 2017-03-22 | 伊沃夫科技有限公司 | 用于雷达的特征提取 |
US20170307746A1 (en) * | 2016-04-22 | 2017-10-26 | Mohsen Rohani | Systems and methods for radar-based localization |
CN107466389A (zh) * | 2015-04-30 | 2017-12-12 | 谷歌公司 | 类型不可知的rf信号表示 |
Family Cites Families (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8872693B1 (en) * | 2009-04-29 | 2014-10-28 | The United States of America as respresented by the Secretary of the Air Force | Radar signature database validation for automatic target recognition |
US8390508B1 (en) * | 2010-04-05 | 2013-03-05 | Raytheon Company | Generating radar cross-section signatures |
FR3013867B1 (fr) * | 2013-11-26 | 2017-11-24 | Institut Francais Des Sciences Et Technologies Des Transp De L'amenagement Et Des Reseaux | Procede de simulation de propagation d'ondes ; simulateur, programme d'ordinateur et support d'enregistrement pour la mise en œuvre du procede |
SE538908C2 (sv) * | 2015-10-22 | 2017-02-07 | Uniquesec Ab | Testing method with virtual radar signatures for an automotive safety radar system |
US9754490B2 (en) * | 2015-11-04 | 2017-09-05 | Zoox, Inc. | Software application to request and control an autonomous vehicle service |
US9958864B2 (en) * | 2015-11-04 | 2018-05-01 | Zoox, Inc. | Coordination of dispatching and maintaining fleet of autonomous vehicles |
US20190227553A1 (en) * | 2015-11-04 | 2019-07-25 | Zoox, Inc. | Interactive autonomous vehicle command controller |
US10496766B2 (en) * | 2015-11-05 | 2019-12-03 | Zoox, Inc. | Simulation system and methods for autonomous vehicles |
US9606539B1 (en) * | 2015-11-04 | 2017-03-28 | Zoox, Inc. | Autonomous vehicle fleet service and system |
US10401852B2 (en) * | 2015-11-04 | 2019-09-03 | Zoox, Inc. | Teleoperation system and method for trajectory modification of autonomous vehicles |
CN109643125B (zh) * | 2016-06-28 | 2022-11-15 | 柯尼亚塔有限公司 | 用于训练自动驾驶系统的逼真的3d虚拟世界创造与模拟 |
US11210436B2 (en) * | 2016-07-07 | 2021-12-28 | Ford Global Technologies, Llc | Virtual sensor-data-generation system and method supporting development of algorithms facilitating navigation of railway crossings in varying weather conditions |
US10592805B2 (en) * | 2016-08-26 | 2020-03-17 | Ford Global Technologies, Llc | Physics modeling for radar and ultrasonic sensors |
DE102016223068A1 (de) * | 2016-11-23 | 2018-05-24 | Robert Bosch Gmbh | Verfahren zur Blindheitserkennung bei Radarsensoren für Kraftfahrzeuge |
WO2018176000A1 (en) * | 2017-03-23 | 2018-09-27 | DeepScale, Inc. | Data synthesis for autonomous control systems |
US10593042B1 (en) * | 2017-04-11 | 2020-03-17 | Zoox, Inc. | Perspective conversion for multi-dimensional data analysis |
EP3543985A1 (de) * | 2018-03-21 | 2019-09-25 | dSPACE digital signal processing and control engineering GmbH | Simulieren verschiedener verkehrssituationen für ein testfahrzeug |
US11436484B2 (en) * | 2018-03-27 | 2022-09-06 | Nvidia Corporation | Training, testing, and verifying autonomous machines using simulated environments |
US10877152B2 (en) * | 2018-03-27 | 2020-12-29 | The Mathworks, Inc. | Systems and methods for generating synthetic sensor data |
US11483041B2 (en) * | 2018-06-15 | 2022-10-25 | Metawave Corporation | High frequency component isolation for wireless and radar systems |
US20200074233A1 (en) * | 2018-09-04 | 2020-03-05 | Luminar Technologies, Inc. | Automatically generating training data for a lidar using simulated vehicles in virtual space |
US11875708B2 (en) * | 2018-10-04 | 2024-01-16 | The Regents Of The University Of Michigan | Automotive radar scene simulator |
US10754030B2 (en) * | 2018-10-23 | 2020-08-25 | Baidu Usa Llc | Methods and systems for radar simulation and object classification |
US20190138848A1 (en) * | 2018-12-29 | 2019-05-09 | Intel Corporation | Realistic sensor simulation and probabilistic measurement correction |
-
2018
- 2018-10-23 US US16/168,516 patent/US10754030B2/en active Active
-
2019
- 2019-08-22 CN CN201910779168.XA patent/CN111175713B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105324287A (zh) * | 2013-04-11 | 2016-02-10 | 谷歌公司 | 使用车载传感器检测天气条件的方法和系统 |
CN106537181A (zh) * | 2014-04-03 | 2017-03-22 | 伊沃夫科技有限公司 | 用于雷达的特征提取 |
DE102014110667A1 (de) * | 2014-07-29 | 2016-02-04 | Valeo Schalter Und Sensoren Gmbh | Vefahren zum Klassifizieren eines Objektes in einem Umgebungsbereich eines Kraftfahrzeugs, Fahrerassistenzsystem und Kraftfahrzeug |
CN204679631U (zh) * | 2015-03-18 | 2015-09-30 | 北京航天计量测试技术研究所 | 一种成像雷达回波模拟器 |
CN106154237A (zh) * | 2015-03-18 | 2016-11-23 | 北京航天计量测试技术研究所 | 一种成像雷达回波模拟器 |
CN107466389A (zh) * | 2015-04-30 | 2017-12-12 | 谷歌公司 | 类型不可知的rf信号表示 |
CN105607062A (zh) * | 2015-12-29 | 2016-05-25 | 南威软件股份有限公司 | 一种天气雷达图分析系统 |
US20170307746A1 (en) * | 2016-04-22 | 2017-10-26 | Mohsen Rohani | Systems and methods for radar-based localization |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114384893A (zh) * | 2021-12-29 | 2022-04-22 | 广东一诺维新科技有限公司 | 半电波暗室内汽车adas测试系统及方法 |
CN114384893B (zh) * | 2021-12-29 | 2023-12-08 | 深圳一诺维新科技有限公司 | 半电波暗室内汽车adas测试系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111175713B (zh) | 2023-08-04 |
US10754030B2 (en) | 2020-08-25 |
US20200124718A1 (en) | 2020-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111175713B (zh) | 用于雷达模拟和对象分类的方法和系统 | |
US11594011B2 (en) | Deep learning-based feature extraction for LiDAR localization of autonomous driving vehicles | |
CN109937343B (zh) | 用于自动驾驶车辆交通预测中的预测轨迹的评估框架 | |
EP3714290B1 (en) | Lidar localization using 3d cnn network for solution inference in autonomous driving vehicles | |
JP7239703B2 (ja) | 領域外コンテキストを用いたオブジェクト分類 | |
CN111240312B (zh) | 用于自动驾驶车辆的基于学习的动态建模方法 | |
JP6578331B2 (ja) | 自律走行車のコマンド遅延を決定するための方法 | |
US11364931B2 (en) | Lidar localization using RNN and LSTM for temporal smoothness in autonomous driving vehicles | |
KR102398256B1 (ko) | 비전 기반 인식 시스템에 의한 대립적 샘플들 검출 방법 | |
CN110388931A (zh) | 将对象的二维边界框转换成自动驾驶车辆的三维位置的方法 | |
CN111899594B (zh) | 用于自动驾驶车辆的动态模型的自动化训练数据提取方法 | |
US11454703B2 (en) | Methods and systems for testing automotive radar using radar data cube emulator | |
CN110390240B (zh) | 自动驾驶车辆中的车道后处理 | |
US11687079B2 (en) | Methods, devices, and systems for analyzing motion plans of autonomous vehicles | |
US20220137630A1 (en) | Motion-Plan Validator for Autonomous Vehicle | |
CN111259712B (zh) | 用于车辆行为预测的压缩环境特征的表示 | |
CN110720025B (zh) | 移动物体的地图的选择方法、装置、系统和车辆/机器人 | |
US11908095B2 (en) | 2-D image reconstruction in a 3-D simulation |
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 |