CN111192327A - 用于确定障碍物朝向的方法和装置 - Google Patents

用于确定障碍物朝向的方法和装置 Download PDF

Info

Publication number
CN111192327A
CN111192327A CN202010003789.1A CN202010003789A CN111192327A CN 111192327 A CN111192327 A CN 111192327A CN 202010003789 A CN202010003789 A CN 202010003789A CN 111192327 A CN111192327 A CN 111192327A
Authority
CN
China
Prior art keywords
orientation
target obstacle
obstacle
determining
target
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
Application number
CN202010003789.1A
Other languages
English (en)
Other versions
CN111192327B (zh
Inventor
林坚
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202010003789.1A priority Critical patent/CN111192327B/zh
Publication of CN111192327A publication Critical patent/CN111192327A/zh
Application granted granted Critical
Publication of CN111192327B publication Critical patent/CN111192327B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • 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
    • 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
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例公开了用于确定障碍物朝向的方法和装置，可以用于自动驾驶。该方法的一具体实施方式包括：获取目标障碍物的速度方向作为目标障碍物的第一朝向；将采集到的目标障碍物的图像输入预先训练的分类模型，根据图像为障碍物头部图像或障碍物尾部图像的分类结果确定目标障碍物的第二朝向；从第一朝向和第二朝向中确定目标障碍物的参考朝向；基于预先训练的机器学习模型输出的朝向和参考朝向确定目标障碍物的朝向。该实施方式提高了确定障碍物朝向的准确度。

Description

用于确定障碍物朝向的方法和装置
技术领域
本申请实施例涉及自动驾驶技术领域，尤其涉及用于确定障碍物朝向的方法和装置。
背景技术
自动驾驶的交通工具，例如自动驾驶车辆，在行驶过程中需要对周围的环境进行感知建模，尤其是需要准确识别周围的障碍物。除了需要检测到障碍物的位置外，对障碍物朝向的识别也十分重要，其会对自动驾驶车辆的轨迹跟踪、碰撞预测、车辆变道等自动驾驶策略产生重要影响。现有技术中，主要通过预先训练的机器学习模型对障碍物的朝向进行识别。
发明内容
本申请实施例提出了用于确定障碍物朝向的方法和装置。
第一方面，本申请的一些实施例提供了一种用于确定障碍物朝向的方法，该方法包括：获取目标障碍物的速度方向作为目标障碍物的第一朝向；将采集到的目标障碍物的图像输入预先训练的分类模型，根据图像为障碍物头部图像或障碍物尾部图像的分类结果确定目标障碍物的第二朝向；从第一朝向和第二朝向中确定目标障碍物的参考朝向；基于预先训练的机器学习模型输出的朝向和参考朝向确定目标障碍物的朝向。
在一些实施例中，确定目标障碍物是否处于前向行驶状态，包括：确定目标障碍物的速度是否大于预设速度阈值。
在一些实施例中，获取目标障碍物的速度方向作为目标障碍物的第一朝向，包括：每隔预设时间间隔获取目标障碍物的速度信息；确定获取到的目标障碍物的速度信息是否稳定；响应于确定出获取到的目标障碍物的速度信息是稳定的，获取目标障碍物的速度方向作为目标障碍物的第一朝向。
在一些实施例中，确定获取到的目标障碍物的速度信息是否稳定，包括：响应于确定出目标障碍物与被控物体的距离大于预设距离阈值，根据当前时间之前获取到的第一预设数目的目标障碍物的速度信息确定获取到的目标障碍物的速度信息是否稳定；响应于确定出目标障碍物与被控物体的距离小于预设距离阈值，根据当前时间之前获取到的第二预设数目的目标障碍物的速度信息确定获取到的目标障碍物的速度信息是否稳定，其中，第二预设数目小于第一预设数目。
在一些实施例中，从第一朝向和第二朝向中确定目标障碍物的参考朝向，包括：响应于确定出第一朝向和第二朝向不匹配，比较第一朝向和第二朝向的历史稳定观测时长；将历史稳定观测时长长的朝向确定为参考朝向。
在一些实施例中，基于预先训练的机器学习模型输出的朝向和参考朝向确定目标障碍物的朝向，包括：每隔预设时间间隔确定第一朝向和第二朝向是否匹配；响应于确定出第一朝向和第二朝向匹配，增加预设的计数器的值；响应于确定出第一朝向和第二朝向不匹配，减少计数器的值；响应于确定出计数器的值大于预设阈值，且机器学习模型输出的障碍物朝向与参考朝向不匹配，将机器学习模型输出的障碍物朝向校正为参考朝向。
第二方面，本申请的一些实施例提供了一种用于确定障碍物朝向的装置，该装置包括：获取单元，被配置成获取目标障碍物的速度方向作为目标障碍物的第一朝向；第一确定单元，被配置成将采集到的目标障碍物的图像输入预先训练的分类模型，根据图像为障碍物头部图像或障碍物尾部图像的分类结果确定目标障碍物的第二朝向；第二确定单元，被配置成从第一朝向和第二朝向中确定目标障碍物的参考朝向；第三确定单元，被配置成基于预先训练的机器学习模型输出的朝向和参考朝向确定目标障碍物的朝向。
在一些实施例中，获取单元，包括：第一确定子单元，被配置成确定目标障碍物是否处于前向行驶状态；第一获取子单元，被配置成响应于确定出目标障碍物处于前向行驶状态，获取目标障碍物的速度方向作为目标障碍物的第一朝向。
在一些实施例中，第一确定子单元，进一步被配置成：确定目标障碍物的速度是否大于预设速度阈值。
在一些实施例中，获取单元，包括：第二获取子单元，被配置成每隔预设时间间隔获取目标障碍物的速度信息；第二确定子单元，被配置成确定获取到的目标障碍物的速度信息是否稳定；第三获取子单元，被配置成响应于确定出获取到的目标障碍物的速度信息是稳定的，获取目标障碍物的速度方向作为目标障碍物的第一朝向。
在一些实施例中，第二确定子单元，进一步被配置成：响应于确定出目标障碍物与被控物体的距离大于预设距离阈值，根据当前时间之前获取到的第一预设数目的目标障碍物的速度信息确定获取到的目标障碍物的速度信息是否稳定；响应于确定出目标障碍物与被控物体的距离小于预设距离阈值，根据当前时间之前获取到的第二预设数目的目标障碍物的速度信息确定获取到的目标障碍物的速度信息是否稳定，其中，第二预设数目小于第一预设数目。
在一些实施例中，第二确定单元，包括：比较子单元，被配置成响应于确定出第一朝向和第二朝向不匹配，比较第一朝向和第二朝向的历史稳定观测时长；第三确定子单元，被配置成将历史稳定观测时长长的朝向确定为参考朝向。
在一些实施例中，第三确定单元，包括：第四确定子单元，被配置成每隔预设时间间隔确定第一朝向和第二朝向是否匹配；计数增加子单元，被配置成响应于确定出第一朝向和第二朝向匹配，增加预设的计数器的值；计数减少子单元，被配置成响应于确定出第一朝向和第二朝向不匹配，减少计数器的值；校正子单元，被配置成响应于确定出计数器的值大于预设阈值，且机器学习模型输出的障碍物朝向与参考朝向不匹配，将机器学习模型输出的障碍物朝向校正为参考朝向。
第三方面，本申请的一些实施例提供了一种设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行，使得上述一个或多个处理器实现如第一方面上述的方法。
第四方面，本申请的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面上述的方法。
本申请实施例提供的用于确定障碍物朝向的方法和装置，通过获取目标障碍物的速度方向作为目标障碍物的第一朝向；将采集到的目标障碍物的图像输入预先训练的分类模型，根据图像为障碍物头部图像或障碍物尾部图像的分类结果确定目标障碍物的第二朝向；从第一朝向和第二朝向中确定目标障碍物的参考朝向；基于预先训练的机器学习模型输出的朝向和参考朝向确定目标障碍物的朝向，提高了确定障碍物朝向的准确度。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请的一些可以应用于其中的示例性系统架构图；
图2是根据本申请的用于确定障碍物朝向的方法的一个实施例的流程图；
图3是根据本申请的用于确定障碍物朝向的方法的应用场景的一个示意图；
图4是根据本申请的用于确定障碍物朝向的方法的又一个实施例的流程图；
图5是根据本申请的用于确定障碍物朝向的装置的一个实施例的结构示意图；
图6是适于用来实现本申请的一些实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于确定障碍物朝向的方法或用于确定障碍物朝向的装置的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括自动驾驶车辆101。
自动驾驶车辆101中可以安装有驾驶控制设备1011、网络1012、和相机1013。网络1012用以在驾驶控制设备1011和相机1013之间提供通信链路的介质。网络1012可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
驾驶控制设备(又称为车载大脑)1011负责自动驾驶车辆101的智能控制。驾驶控制设备1011可以是单独设置的控制器，例如可编程逻辑控制器(Programmable LogicController，PLC)、单片机、工业控制机等；也可以是由其他具有输入/输出端口，并具有运算控制功能的电子器件组成的设备；还可以是安装有车辆驾驶控制类应用的计算机设备。
需要说明的是，实践中自动驾驶车辆101中还可以安装有激光雷达、毫米波雷达和至少一个传感器，例如，摄像机、重力传感器、轮速传感器等。某些情况下，自动驾驶车辆101中还可以安装有GNSS(Global Navigation Satellite System，全球导航卫星系统)设备和SINS(Strap-down Inertial Navigation System，捷联惯性导航系统)等等。
需要说明的是，本申请实施例所提供的用于输出信息的方法一般由驾驶控制设备1011执行，相应地，用于输出信息的装置一般设置于驾驶控制设备1011中。
应该理解，图1中的驾驶控制设备、网络、和相机的数目仅仅是示意性的。根据实现需要，可以具有任意数目的驾驶控制设备、网络、和相机。
继续参考图2，示出了根据本申请的用于确定障碍物朝向的方法的一个实施例的流程200。该用于确定障碍物朝向的方法，包括以下步骤：
步骤201，获取目标障碍物的速度方向作为目标障碍物的第一朝向。
在本实施例中，用于确定障碍物朝向的方法执行主体(例如图1所示的驾驶控制设备)可以首先获取目标障碍物的速度方向作为目标障碍物的第一朝向。目标障碍物可以包括被控物体周围任何需要确定其朝向的物体，例如车辆。在物体运动时，物体的朝向和速度方向通常是严格一致的，以车辆为例，除倒车场景外，车体朝向和车辆速度方向是一致的，因此，确定目标障碍物的朝向时可以参考其速度方向。上述执行主体可以接收各种传感器采集的数据，以获取障碍物的当前的速度方向，传感器可以包括雷达和/或相机。
在本实施例的一些可选实现方式中，获取目标障碍物的速度方向作为目标障碍物的第一朝向，包括：每隔预设时间间隔获取目标障碍物的速度信息；确定获取到的目标障碍物的速度信息是否稳定；响应于确定出获取到的目标障碍物的速度信息是稳定的，获取目标障碍物的速度方向作为目标障碍物的第一朝向。由于获取到的速度方向可能存在误差，通过判断速度信息的稳定性，可以进一步提高获取的速度方向的准确性。
在本实现方式中，获取目标障碍物速度信息的时间间隔可以根据实际需要进行设置，例如，可以每隔若干秒或每接收到相机采集的一帧图像获取一次速度信息。速度信息是否稳定可以通过确定在一段时间内障碍物速度大小的均值、方差否在预定范围内，动静状态是否变化，速度大小是否在预设范围内和/或速度方向有没有发生改变等来确定。例如，连续5帧速度大小大于3m/s，且速度朝向没有异常抖动，则可以认为速度信息是稳定的。
在本实施例的一些可选实现方式中，确定获取到的目标障碍物的速度信息是否稳定，包括：响应于确定出目标障碍物与被控物体的距离大于预设距离阈值，根据当前时间之前获取到的第一预设数目的目标障碍物的速度信息确定获取到的目标障碍物的速度信息是否稳定；响应于确定出目标障碍物与被控物体的距离小于预设距离阈值，根据当前时间之前获取到的第二预设数目的目标障碍物的速度信息确定获取到的目标障碍物的速度信息是否稳定，其中，第二预设数目小于第一预设数目。在中远距离位置，由于横向分辨率的不足，导致获取到的速度方向可能与实际的速度方向相反，通过更长时间内获取的速度信息确定速度信息是否稳定会更加准确。被控物体可以包括各种交通工具机器人等，通过对其进行控制可以避开其周围障碍物。
步骤202，将采集到的目标障碍物的图像输入预先训练的分类模型，根据图像为障碍物头部图像或障碍物尾部图像的分类结果确定目标障碍物的第二朝向。
在本实施例中，上述执行主体可以将采集到的目标障碍物的图像输入预先训练的分类模型，根据图像为障碍物头部图像或障碍物尾部图像的分类结果确定目标障碍物的第二朝向。目标障碍物的图像可以包括用于采集被控物体前方或后方场景的相机采集到的图像。例如，用于采集被控物体前方场景的相机采集到的图像经分类模型确定为障碍物的头部，那么它与被控物体的关系是相向而行；用于采集被控物体前方场景的相机采集到的图像经分类模型确定为尾部，那么它与被控物体的关系是同向而行；用于采集被控物体后方场景的相机采集到的图像经分类模型确定为障碍物的头部，那么它与被控物体的关系是同向而行；用于采集被控物体后方场景的相机采集到的图像经分类模型确定为尾部，那么它与被控物体的关系是相向而行。
在这里，分类模型用于表征目标障碍物的图像与指示图像为障碍物头部图像或障碍物尾部图像的信息的对应关系。分类模型可以包括特征提取部分，特征提取部分可以用于从图像中提取特征生成特征向量，再根据特征向量进行分类，特征提取部分可以包括卷积神经网络、深度神经网络等等。可以通过预先标注有障碍物头部或障碍物尾部的图像训练上述分类模型。
在本实施例的一些可选实现方式中，上述执行主体还可以对上述分类结果的稳定性进行判断。一般情况下，速度越大时，确定出的分类结果越不稳定，因此，可以响应于确定出目标障碍物的速度大于预设阈值，确定分类结果的稳定性。具体的，可以结合遮挡率等指标确定分类结果的稳定性。例如，可以响应于确定出获取到的连续预设帧图像障碍物头部图像或障碍物尾部图像，且障碍物头部或障碍物尾部遮挡率均小于预设阈值，确定分类结果是稳定的，并根据此分类结果确定目标障碍物的第二朝向。
步骤203，从第一朝向和第二朝向中确定目标障碍物的参考朝向。
在本实施例中，上述执行主体可以从步骤201中获取的第一朝向和步骤202中确定的第二朝向中确定目标障碍物的参考朝向。上述执行主体可以随机从第一朝向和第二朝向中确定目标障碍物的参考朝向，也可以根据预先设置的规则从第一朝向和第二朝向中选择一个朝向作为参考朝向。
在本实施例的一些可选实现方式中，上述执行主体可以响应于确定出目标障碍物为非前向行驶状态，将第二朝向确定为目标障碍物的参考朝向。
在本实施例的一些可选实现方式中，从第一朝向和第二朝向中确定目标障碍物的参考朝向，包括：响应于确定出第一朝向和第二朝向不匹配，比较第一朝向和第二朝向的历史稳定观测时长；将历史稳定观测时长长的朝向确定为参考朝向。第一朝向和第二朝向是否匹配可以通过第一朝向和第二朝向的夹角是否超过预设阈值确定，具体的阈值可以根据实际需要进行设置。上述执行主体可以每隔预设时间确定一次第一朝向和第二朝向，若一段时间内朝向方向的变化小于预设阈值，可以认为其是稳定的，第一朝向和第二朝向的历史稳定观测时长越长说明其为真实朝向的置信度越高。
步骤204，基于预先训练的机器学习模型输出的朝向和参考朝向确定目标障碍物的朝向。
在本实施例中，上述执行主体可以基于预先训练的机器学习模型输出的朝向和步骤203中确定的参考朝向确定目标障碍物的朝向。机器学习模型可以用于表征输入的障碍物图像与障碍物的朝向的对应关系，机器学习模型的训练样本中可包括：样本图像以及预先标注的样本图像中障碍物的朝向。机器学习模型还可以是一个多任务模型，其输出还可以包括障碍物的长宽高等。由于机器学习模型输出结果可能存在与实际朝向相差180度的误差，对其校正可以提高输出的障碍物朝向的准确度。上述执行主体可以判断模型输出的障碍物朝向与参考朝向之差是否超过预设角度，若是，则将机器学习模型输出的障碍物朝向校正为参考朝向。预设角度可以根据实际情况进行设置，例如可以在120度到170度之间。
在本实施例的一些可选实现方式中，上述执行主体校正输出的朝向后，还可以将校正后的朝向加入训练样本重新训练机器学习模型。此外，若机器学习模型的输出还连接有平滑滤波器，校正输出的朝向后，还可以修改平滑滤波器，避免平滑处理出错误的朝向。
在本实施例的一些可选实现方式中，基于预先训练的机器学习模型输出的朝向和参考朝向确定目标障碍物的朝向，包括：每隔预设时间间隔确定第一朝向和第二朝向是否匹配；响应于确定出第一朝向和第二朝向匹配，增加预设的计数器的值；响应于确定出第一朝向和第二朝向不匹配，减少计数器的值；响应于确定出计数器的值大于预设阈值，且机器学习模型输出的障碍物朝向与参考朝向不匹配，将机器学习模型输出的障碍物朝向校正为参考朝向。预设时间间隔和预设阈值可以根据实际进行设置，作为示例，预设时间间隔可以为若干秒或被控物体的相机采集图像的时间间隔，预设阈值可以为20到40。计数器的值大于预设阈值可以认为参考朝向具有足够高的置信度为真实朝向。此外，确定出计数器的值大于预设阈值后，还可以利用参考朝向检验出预设时间段内确定出的与其不符的第一朝向或第二朝向，以分析错误原因，并进行改进。
在本实施例的一些可选实现方式中，考虑到实践中目标障碍物为非前向行驶状态下，机器学习模型输出的准确度较高，可以不对其进行校正，上述执行主体还可以响应于确定出目标障碍物为非前向行驶状态，不校正预先训练的机器学习模型输出的障碍物朝向。
继续参见图3，图3是根据本实施例的用于确定障碍物朝向的方法的应用场景的一个示意图。在图3的应用场景中，被控车辆301的驾驶控制设备可以获取目标障碍物302的速度方向作为目标障碍物302的第一朝向，将采集到的目标障碍物302的图像输入预先训练的分类模型，根据图像为障碍物头部图像或障碍物尾部图像的分类结果确定目标障碍物302的第二朝向；根据第一朝向和/或第二朝向确定目标障碍物302的参考朝向；基于参考朝向302校正预先训练的机器学习模型输出的障碍物朝向。
本申请的上述实施例提供的方法通过获取目标障碍物的速度方向作为目标障碍物的第一朝向；将采集到的目标障碍物的图像输入预先训练的分类模型，根据图像为障碍物头部图像或障碍物尾部图像的分类结果确定目标障碍物的第二朝向；从第一朝向和第二朝向中确定目标障碍物的参考朝向；基于预先训练的机器学习模型输出的朝向和参考朝向确定目标障碍物的朝向，提高了确定障碍物朝向的准确度。
进一步参考图4，其示出了用于确定障碍物朝向的方法的又一个实施例的流程400。该用于确定障碍物朝向的方法的流程400，包括以下步骤：
步骤401，确定目标障碍物是否处于前向行驶状态。
在本实施例中，用于确定障碍物朝向的方法执行主体(例如图1所示的驾驶控制设备)可以首先确定目标障碍物是否处于前向行驶状态。例如，目标障碍物为车辆，前向行驶状态即非倒车状态。
在本实施例的一些可选实现方式中，确定目标障碍物是否处于前向行驶状态，包括：确定目标障碍物的速度是否大于预设速度阈值。由于视野以及机械结构方面的限制，非前向行驶状态下目标障碍物的速度一般不会太快，所以可以通过速度确定其是否处于前向行驶状态，速度阈值可以根据障碍物的种类以及实际统计结果确定，作为示例，基于统计过的真实的倒车场景，所有正在进行倒车的障碍车的速度大小均小于3m/s。因此速度阈值可以设置为3m/s。
在本实施例的一些可选实现方式中，确定目标障碍物是否处于前向行驶状态，还可以通过比较目标障碍物的速度方向与根据分类模型和/或机器学习模型输出的朝向确定，目标障碍物的速度方向与根据分类模型和/或机器学习模型输出的朝向相同，则目标障碍物处于前向行驶状态。
步骤402，响应于确定出目标障碍物处于前向行驶状态，获取目标障碍物的速度方向作为目标障碍物的第一朝向。
在本实施例中，用于确定障碍物朝向的方法执行主体可以响应于确定出目标障碍物处于前向行驶状态，获取目标障碍物的速度方向作为目标障碍物的第一朝向。
步骤403，将采集到的目标障碍物的图像输入预先训练的分类模型，根据图像为障碍物头部图像或障碍物尾部图像的分类结果确定目标障碍物的第二朝向。
在本实施例中，上述执行主体可以将采集到的目标障碍物的图像输入预先训练的分类模型，根据图像为障碍物头部图像或障碍物尾部图像的分类结果确定目标障碍物的第二朝向。
步骤404，从第一朝向和第二朝向中确定目标障碍物的参考朝向。
在本实施例中，上述执行主体可以从步骤402中获取的第一朝向和步骤403中确定的第二朝向中确定目标障碍物的参考朝向。若确定出目标障碍物处于非前向行驶状态，可以根据第二朝向确定目标障碍物的参考朝向，或不对机器学习模型输出的障碍物朝向进行校正。
步骤405，基于预先训练的机器学习模型输出的朝向和参考朝向确定目标障碍物的朝向。
在本实施例中，上述执行主体可以基于预先训练的机器学习模型输出的朝向和步骤404中确定的参考朝向参考朝向确定目标障碍物的朝向。
在本实施例中，步骤402、步骤403、步骤404、步骤405的操作与步骤201、步骤202、步骤203、步骤204的操作基本相同，在此不再赘述。
从图4中可以看出，与图2对应的实施例相比，本实施例中的用于确定障碍物朝向的方法的流程400中通过预先确定目标障碍物是否处于前向行驶状态，进一步提高了确定出的障碍物朝向的准确度。
进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于确定障碍物朝向的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例的用于确定障碍物朝向的装置500包括：获取单元501、第一确定单元502、第二确定单元503、第三确定单元504。其中，获取单元，被配置成获取目标障碍物的速度方向作为目标障碍物的第一朝向；第一确定单元，被配置成将采集到的目标障碍物的图像输入预先训练的分类模型，根据图像为障碍物头部图像或障碍物尾部图像的分类结果确定目标障碍物的第二朝向；第二确定单元，被配置成从第一朝向和第二朝向中确定目标障碍物的参考朝向；第三确定单元，被配置成基于预先训练的机器学习模型输出的朝向和参考朝向确定目标障碍物的朝向。
在本实施例中，用于确定障碍物朝向的装置500的获取单元501、第一确定单元502、第二确定单元503、第三确定单元504的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203和步骤204。
在本实施例的一些可选实现方式中，获取单元，包括：第一确定子单元，被配置成确定目标障碍物是否处于前向行驶状态；第一获取子单元，被配置成响应于确定出目标障碍物处于前向行驶状态，获取目标障碍物的速度方向作为目标障碍物的第一朝向。
在本实施例的一些可选实现方式中，第一确定子单元，进一步被配置成：确定目标障碍物的速度是否大于预设速度阈值。
在本实施例的一些可选实现方式中，获取单元，包括：第二获取子单元，被配置成每隔预设时间间隔获取目标障碍物的速度信息；第二确定子单元，被配置成确定获取到的目标障碍物的速度信息是否稳定；第三获取子单元，被配置成响应于确定出获取到的目标障碍物的速度信息是稳定的，获取目标障碍物的速度方向作为目标障碍物的第一朝向。
在本实施例的一些可选实现方式中，第二确定子单元，进一步被配置成：响应于确定出目标障碍物与被控物体的距离大于预设距离阈值，根据当前时间之前获取到的第一预设数目的目标障碍物的速度信息确定获取到的目标障碍物的速度信息是否稳定；响应于确定出目标障碍物与被控物体的距离小于预设距离阈值，根据当前时间之前获取到的第二预设数目的目标障碍物的速度信息确定获取到的目标障碍物的速度信息是否稳定，其中，第二预设数目小于第一预设数目。
在本实施例的一些可选实现方式中，第二确定单元，包括：比较子单元，被配置成响应于确定出第一朝向和第二朝向不匹配，比较第一朝向和第二朝向的历史稳定观测时长；第三确定子单元，被配置成将历史稳定观测时长长的朝向确定为参考朝向。
在本实施例的一些可选实现方式中，第三确定单元，包括：第四确定子单元，被配置成每隔预设时间间隔确定第一朝向和第二朝向是否匹配；计数增加子单元，被配置成响应于确定出第一朝向和第二朝向匹配，增加预设的计数器的值；计数减少子单元，被配置成响应于确定出第一朝向和第二朝向不匹配，减少计数器的值；校正子单元，被配置成响应于确定出计数器的值大于预设阈值，且机器学习模型输出的障碍物朝向与参考朝向不匹配，将机器学习模型输出的障碍物朝向校正为参考朝向。
本申请的上述实施例提供的装置，通过获取目标障碍物的速度方向作为目标障碍物的第一朝向；将采集到的目标障碍物的图像输入预先训练的分类模型，根据图像为障碍物头部图像或障碍物尾部图像的分类结果确定目标障碍物的第二朝向；从第一朝向和第二朝向中确定目标障碍物的参考朝向；基于预先训练的机器学习模型输出的朝向和参考朝向确定目标障碍物的朝向，提高了确定障碍物朝向的准确度。
下面参考图6，其示出了适于用来实现本申请实施例的电子设备的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件可以连接至I/O接口605：包括诸如键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的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介质或者是上述两者的任意组合。计算机可读介质例如可以是——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。计算机可读介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(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。在本申请中，计算机可读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。而在本申请中，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申请的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)。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、第一确定单元、第二确定单元和第三确定单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“被配置成获取目标障碍物的速度方向作为目标障碍物的第一朝向的单元”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：获取目标障碍物的速度方向作为目标障碍物的第一朝向；将采集到的目标障碍物的图像输入预先训练的分类模型，根据图像为障碍物头部图像或障碍物尾部图像的分类结果确定目标障碍物的第二朝向；从第一朝向和第二朝向中确定目标障碍物的参考朝向；基于预先训练的机器学习模型输出的朝向和参考朝向确定目标障碍物的朝向。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (16)

1.一种用于确定障碍物朝向的方法，包括：
获取目标障碍物的速度方向作为所述目标障碍物的第一朝向；
将采集到的所述目标障碍物的图像输入预先训练的分类模型，根据图像为障碍物头部图像或障碍物尾部图像的分类结果确定所述目标障碍物的第二朝向；
从所述第一朝向和所述第二朝向中确定所述目标障碍物的参考朝向；
基于预先训练的机器学习模型输出的朝向和所述参考朝向确定所述目标障碍物的朝向。
2.根据权利要求1所述的方法，其中，所述获取目标障碍物的速度方向作为所述目标障碍物的第一朝向，包括：
确定所述目标障碍物是否处于前向行驶状态；
响应于确定出所述目标障碍物处于前向行驶状态，获取目标障碍物的速度方向作为所述目标障碍物的第一朝向。
3.根据权利要求2所述的方法，其中，所述确定所述目标障碍物是否处于前向行驶状态，包括：
确定所述目标障碍物的速度是否大于预设速度阈值。
4.根据权利要求1所述的方法，其中，所述获取目标障碍物的速度方向作为所述目标障碍物的第一朝向，包括：
每隔预设时间间隔获取所述目标障碍物的速度信息；
确定获取到的所述目标障碍物的速度信息是否稳定；
响应于确定出获取到的所述目标障碍物的速度信息是稳定的，获取目标障碍物的速度方向作为所述目标障碍物的第一朝向。
5.根据权利要求4所述的方法，其中，所述确定获取到的所述目标障碍物的速度信息是否稳定，包括：
响应于确定出所述目标障碍物与被控物体的距离大于预设距离阈值，根据当前时间之前获取到的第一预设数目的所述目标障碍物的速度信息确定获取到的所述目标障碍物的速度信息是否稳定；
响应于确定出所述目标障碍物与被控物体的距离小于预设距离阈值，根据当前时间之前获取到的第二预设数目的所述目标障碍物的速度信息确定获取到的所述目标障碍物的速度信息是否稳定，其中，所述第二预设数目小于所述第一预设数目。
6.根据权利要求1所述的方法，其中，所述从所述第一朝向和所述第二朝向中确定所述目标障碍物的参考朝向，包括：
响应于确定出所述第一朝向和所述第二朝向不匹配，比较所述第一朝向和所述第二朝向的历史稳定观测时长；
将历史稳定观测时长长的朝向确定为所述参考朝向。
7.根据权利要求1-6中任一项所述的方法，其中，所述基于预先训练的机器学习模型输出的朝向和所述参考朝向确定所述目标障碍物的朝向，包括：
每隔预设时间间隔确定所述第一朝向和所述第二朝向是否匹配；
响应于确定出所述第一朝向和所述第二朝向匹配，增加预设的计数器的值；
响应于确定出所述第一朝向和所述第二朝向不匹配，减少所述计数器的值；
响应于确定出所述计数器的值大于预设阈值，且所述机器学习模型输出的障碍物朝向与所述参考朝向不匹配，将所述机器学习模型输出的障碍物朝向校正为所述参考朝向。
8.一种用于确定障碍物朝向的装置，包括：
获取单元，被配置成获取目标障碍物的速度方向作为所述目标障碍物的第一朝向；
第一确定单元，被配置成将采集到的所述目标障碍物的图像输入预先训练的分类模型，根据图像为障碍物头部图像或障碍物尾部图像的分类结果确定所述目标障碍物的第二朝向；
第二确定单元，被配置成从所述第一朝向和所述第二朝向中确定所述目标障碍物的参考朝向；
第三确定单元，被配置成基于预先训练的机器学习模型输出的朝向和所述参考朝向确定所述目标障碍物的朝向。
9.根据权利要求8所述的装置，其中，所述获取单元，包括：
第一确定子单元，被配置成确定所述目标障碍物是否处于前向行驶状态；
第一获取子单元，被配置成响应于确定出所述目标障碍物处于前向行驶状态，获取目标障碍物的速度方向作为所述目标障碍物的第一朝向。
10.根据权利要求9所述的装置，其中，所述第一确定子单元，进一步被配置成：
确定所述目标障碍物的速度是否大于预设速度阈值。
11.根据权利要求8所述的装置，其中，所述获取单元，包括：
第二获取子单元，被配置成每隔预设时间间隔获取所述目标障碍物的速度信息；
第二确定子单元，被配置成确定获取到的所述目标障碍物的速度信息是否稳定；
第三获取子单元，被配置成响应于确定出获取到的所述目标障碍物的速度信息是稳定的，获取目标障碍物的速度方向作为所述目标障碍物的第一朝向。
12.根据权利要求11所述的装置，其中，所述第二确定子单元，进一步被配置成：
响应于确定出所述目标障碍物与被控物体的距离大于预设距离阈值，根据当前时间之前获取到的第一预设数目的所述目标障碍物的速度信息确定获取到的所述目标障碍物的速度信息是否稳定；
响应于确定出所述目标障碍物与被控物体的距离小于预设距离阈值，根据当前时间之前获取到的第二预设数目的所述目标障碍物的速度信息确定获取到的所述目标障碍物的速度信息是否稳定，其中，所述第二预设数目小于所述第一预设数目。
13.根据权利要求8所述的装置，其中，所述第二确定单元，包括：
比较子单元，被配置成响应于确定出所述第一朝向和所述第二朝向不匹配，比较所述第一朝向和所述第二朝向的历史稳定观测时长；
第三确定子单元，被配置成将历史稳定观测时长长的朝向确定为所述参考朝向。
14.根据权利要求8-13中任一项所述的装置，其中，所述第三确定单元，包括：
第四确定子单元，被配置成每隔预设时间间隔确定所述第一朝向和所述第二朝向是否匹配；
计数增加子单元，被配置成响应于确定出所述第一朝向和所述第二朝向匹配，增加预设的计数器的值；
计数减少子单元，被配置成响应于确定出所述第一朝向和所述第二朝向不匹配，减少所述计数器的值；
校正子单元，被配置成响应于确定出所述计数器的值大于预设阈值，且所述机器学习模型输出的障碍物朝向与所述参考朝向不匹配，将所述机器学习模型输出的障碍物朝向校正为所述参考朝向。
15.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
16.一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如权利要求1-7中任一所述的方法。
CN202010003789.1A 2020-01-03 2020-01-03 用于确定障碍物朝向的方法和装置 Active CN111192327B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010003789.1A CN111192327B (zh) 2020-01-03 2020-01-03 用于确定障碍物朝向的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010003789.1A CN111192327B (zh) 2020-01-03 2020-01-03 用于确定障碍物朝向的方法和装置

Publications (2)

Publication Number Publication Date
CN111192327A true CN111192327A (zh) 2020-05-22
CN111192327B CN111192327B (zh) 2023-09-29

Family

ID=70710683

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010003789.1A Active CN111192327B (zh) 2020-01-03 2020-01-03 用于确定障碍物朝向的方法和装置

Country Status (1)

Country Link
CN (1) CN111192327B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113968246A (zh) * 2021-12-08 2022-01-25 广州文远知行科技有限公司 障碍物倒车轨迹预测方法、装置、设备及可读存储介质
CN115230743A (zh) * 2022-09-23 2022-10-25 毫末智行科技有限公司 一种障碍物轨迹预测的方法、系统、电子设备及存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106022274A (zh) * 2016-05-24 2016-10-12 零度智控（北京）智能科技有限公司 一种避障方法、避障装置及无人驾驶机器
US20180182246A1 (en) * 2016-12-27 2018-06-28 Denso Corporation Apparatus and method for supporting collision avoidance of vehicle
CN108227710A (zh) * 2017-12-29 2018-06-29 商汤集团有限公司 自动驾驶控制方法和装置、电子设备、程序和介质
CN108416321A (zh) * 2018-03-23 2018-08-17 北京市商汤科技开发有限公司 用于预测目标对象运动朝向的方法、车辆控制方法及装置
US20190009777A1 (en) * 2017-07-04 2019-01-10 Baidu Online Network Technology (Beijing) Co., Ltd. Method and apparatus for judging vehicle driving direction, device and computer storage medium
US20190050653A1 (en) * 2018-09-28 2019-02-14 Intel Corporation Perception device for obstacle detection and tracking and a perception method for obstacle detection and tracking
CN109557925A (zh) * 2018-12-29 2019-04-02 北京智行者科技有限公司 自动驾驶车辆障碍物避让方法及装置
CN110275531A (zh) * 2019-06-21 2019-09-24 北京三快在线科技有限公司 障碍物的轨迹预测方法、装置及无人驾驶设备
CN110371112A (zh) * 2019-07-06 2019-10-25 深圳数翔科技有限公司 一种自动驾驶车辆的智能避障系统及方法
CN110414329A (zh) * 2019-06-19 2019-11-05 上海眼控科技股份有限公司 一种基于图像的车辆行驶方向判断方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106022274A (zh) * 2016-05-24 2016-10-12 零度智控（北京）智能科技有限公司 一种避障方法、避障装置及无人驾驶机器
US20180182246A1 (en) * 2016-12-27 2018-06-28 Denso Corporation Apparatus and method for supporting collision avoidance of vehicle
US20190009777A1 (en) * 2017-07-04 2019-01-10 Baidu Online Network Technology (Beijing) Co., Ltd. Method and apparatus for judging vehicle driving direction, device and computer storage medium
CN109229109A (zh) * 2017-07-04 2019-01-18 百度在线网络技术（北京）有限公司 判断车辆行驶方向的方法、装置、设备和计算机存储介质
CN108227710A (zh) * 2017-12-29 2018-06-29 商汤集团有限公司 自动驾驶控制方法和装置、电子设备、程序和介质
CN108416321A (zh) * 2018-03-23 2018-08-17 北京市商汤科技开发有限公司 用于预测目标对象运动朝向的方法、车辆控制方法及装置
WO2019179464A1 (zh) * 2018-03-23 2019-09-26 北京市商汤科技开发有限公司 用于预测目标对象运动朝向的方法、车辆控制方法及装置
US20190050653A1 (en) * 2018-09-28 2019-02-14 Intel Corporation Perception device for obstacle detection and tracking and a perception method for obstacle detection and tracking
CN109557925A (zh) * 2018-12-29 2019-04-02 北京智行者科技有限公司 自动驾驶车辆障碍物避让方法及装置
CN110414329A (zh) * 2019-06-19 2019-11-05 上海眼控科技股份有限公司 一种基于图像的车辆行驶方向判断方法
CN110275531A (zh) * 2019-06-21 2019-09-24 北京三快在线科技有限公司 障碍物的轨迹预测方法、装置及无人驾驶设备
CN110371112A (zh) * 2019-07-06 2019-10-25 深圳数翔科技有限公司 一种自动驾驶车辆的智能避障系统及方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
FLORIN ONIGA 等: "A Fast Ransac Based Approach for Computing the Orientation of Obstacles in Traffic Scenes", pages 209 - 214 *
SAJI JACOB GEORGE 等: "Obstacle avoidance and orientation determination for a remote operated vehicle", pages 1 - 5 *
姜琼阁: "基于PX4的地面无人车避障系统及路径规划研究", no. 7, pages 035 - 174 *
曾欣: "车辆自动紧急避让工况下路径跟踪控制方法研究", no. 5, pages 035 - 390 *
耿特 等: "基于卷积神经网络(CNN)的无人车避障方法", vol. 32, no. 2, pages 61 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113968246A (zh) * 2021-12-08 2022-01-25 广州文远知行科技有限公司 障碍物倒车轨迹预测方法、装置、设备及可读存储介质
CN115230743A (zh) * 2022-09-23 2022-10-25 毫末智行科技有限公司 一种障碍物轨迹预测的方法、系统、电子设备及存储介质
CN115230743B (zh) * 2022-09-23 2022-12-02 毫末智行科技有限公司 一种障碍物轨迹预测的方法、系统、电子设备及存储介质

Also Published As

Publication number Publication date
CN111192327B (zh) 2023-09-29

Similar Documents

Publication Publication Date Title
EP3627180B1 (en) Sensor calibration method and device, computer device, medium, and vehicle
EP3627181A1 (en) Multi-sensor calibration method, multi-sensor calibration device, computer device, medium and vehicle
US9443153B1 (en) Automatic labeling and learning of driver yield intention
CN109444932B (zh) 一种车辆定位方法、装置、电子设备及存储介质
KR20210111180A (ko) 위치 추적 방법, 장치, 컴퓨팅 기기 및 컴퓨터 판독 가능한 저장 매체
CN109870698B (zh) 一种超声波阵列障碍物检测结果处理方法及系统
CN110654381B (zh) 用于控制车辆的方法和装置
CN112630799B (zh) 用于输出信息的方法和装置
CN110654380B (zh) 用于控制车辆的方法和装置
CN111027381A (zh) 利用单目相机识别障碍物的方法、装置、设备及存储介质
CN111192327B (zh) 用于确定障碍物朝向的方法和装置
CN111721305B (zh) 定位方法和装置、自动驾驶车辆、电子设备和存储介质
CN111401255B (zh) 用于识别分歧路口的方法和装置
CN114291084A (zh) 用于控制车辆的方法和装置
Phillips et al. Real-time prediction of automotive collision risk from monocular video
CN114694111A (zh) 车辆定位
CN113177976A (zh) 一种深度估计方法、装置、电子设备及存储介质
CN110497906B (zh) 车辆控制方法、装置、设备和介质
CN114264310A (zh) 定位及导航方法、装置、电子设备、计算机存储介质
CN114056337B (zh) 车辆行驶行为预测方法、装置及计算机程序产品
WO2020018140A1 (en) Ballistic estimnation of vehicle data
CN112668371B (zh) 用于输出信息的方法和装置
CN113183988A (zh) 一种车辆自动驾驶的监督方法、装置、设备及存储介质
CN112815959B (zh) 车辆车道级定位系统、方法、装置和电子设备
CN112634487B (zh) 用于输出信息的方法和装置

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