CN112364751B - 一种障碍物状态判断方法、装置、设备及存储介质 - Google Patents

一种障碍物状态判断方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112364751B
CN112364751B CN202011225368.XA CN202011225368A CN112364751B CN 112364751 B CN112364751 B CN 112364751B CN 202011225368 A CN202011225368 A CN 202011225368A CN 112364751 B CN112364751 B CN 112364751B
Authority
CN
China
Prior art keywords
obstacle
coordinate
information
bounding box
enclosure frame
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
CN202011225368.XA
Other languages
English (en)
Other versions
CN112364751A (zh
Inventor
陈博
耿真
王宇
林崇浩
李创辉
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.)
FAW Group Corp
Original Assignee
FAW Group Corp
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 FAW Group Corp filed Critical FAW Group Corp
Priority to CN202011225368.XA priority Critical patent/CN112364751B/zh
Publication of CN112364751A publication Critical patent/CN112364751A/zh
Application granted granted Critical
Publication of CN112364751B publication Critical patent/CN112364751B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G—PHYSICS
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种障碍物状态判断方法、装置、设备及存储介质。其中障碍物状态判断方法包括：获取障碍物第一次出现时的第一状态信息和障碍物第二次出现时的第二状态信息；对第二状态信息和第一状态信息进行处理后得到源数据；将源数据导入决策树模型，获得决策树模型分析结果，分析结果包括障碍物处于静止状态或者障碍物处于低速行驶状态。本发明实施例通过对障碍物的第一状态信息和第二状态信息处理得到源数据，根据决策树模型对源数据进行分析判断障碍物处于静止或低速行驶状态。解决现有技术中对低速车辆检测容易造成误检，出现道路旁停止的部分车辆速度不为零的问题，实现能够对静止车辆以及低速运动车辆的快速判断，提高判断结果的准确性。

Description

一种障碍物状态判断方法、装置、设备及存储介质
技术领域
本发明实施例涉及车辆技术，尤其涉及一种障碍物状态判断方法、装置、设备及存储介质。
背景技术
随着汽车智能化的发展，车辆的智能程度越来越高，在逐渐实现自动驾驶的同时，对车辆的自动驾驶感知提出了更加严格的要求。在现有的自动驾驶感知方案中基于雷达获取障碍物的信息，通过感知算法对障碍物的信息进行分析处理判断障碍物的状态。在障碍物静止时，由于感知算法识别的包围框大小不稳定，导致在速度估计时受物体中心、重心、角点等位置不稳定的影响而造成速度。包围框位置抖动，导致预测到有朝向各个方向杂乱的速度。导致位置不规律、不自然的变化。从而造成静止的车辆有速度，对低速车辆检测容易造成误检。由于在自动驾驶感知方案的误差性，会出现道路旁停止的部分车辆速度不为零的情况。
发明内容
本发明实施例提供一种障碍物状态判断方法、装置、设备及存储介质，以实现能够对静止车辆以及低速运动车辆的快速判断，提高判断结果的准确性。
第一方面，本发明实施例提供了一种障碍物状态判断方法，包括：
获取障碍物第一次出现时的第一状态信息和所述障碍物第二次出现时的第二状态信息；
对所述第二状态信息和所述第一状态信息进行处理后，得到源数据；
将所述源数据导入决策树模型，获得决策树模型分析结果，其中，所述分析结果包括：所述障碍物处于静止状态或者障碍物处于低速行驶状态。
第二方面，本发明实施例还提供了一种障碍物状态判断装置，包括：
状态信息获取模块，用于获取障碍物第一次出现时的第一状态信息和所述障碍物第二次出现时的第二状态信息；
状态信息处理模块，用于对所述第二状态信息和所述第一状态信息进行处理后，得到源数据；
分析结果获取模块，用于将所述源数据导入决策树模型，获得决策树模型分析结果，其中，所述分析结果包括：所述障碍物处于静止状态或者所述障碍物处于低速行驶状态。
第三方面，本发明实施例还提供了一种设备，所述设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明任意实施例提供的障碍物状态判断方法。
第四方面，本发明实施例还提供了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，该程序被处理器执行时实现如本发明任意实施例提供的障碍物状态判断方法。
本发明实施例获取障碍物第一次出现时的第一状态信息和障碍物第二次出现时的第二状态信息；对第二状态信息和第一状态信息进行处理后，得到源数据；将源数据导入决策树模型，获得决策树模型分析结果，其中，分析结果包括：障碍物处于静止状态或者障碍物处于低速行驶状态。通过对障碍物的第一状态信息和第二状态信息处理得到源数据，根据决策树模型对源数据进行分析判断障碍物处于静止状态或者低速行驶状态。解决了现有技术中对低速车辆检测容易造成误检，出现道路旁停止的部分车辆速度不为零的问题，实现能够对静止车辆以及低速运动车辆的快速判断，提高判断结果的准确性。
附图说明
图1是本发明实施例一提供的一种障碍物状态判断方法的流程图；
图2是本发明实施例二提供的一种障碍物状态判断方法的流程图；
图3是本发明实施例三提供的源数据处理方法的流程图；
图4是本发明实施例四提供的一种障碍物状态判断装置的结构示意图；
图5是本发明实施例五提供的一种设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明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本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例一
图1是本发明实施例一提供的一种障碍物状态判断方法的流程图，本实施例可适用于自动驾驶车辆感知判断障碍物状态的情况，该方法可以由本发明实施例中的障碍物状态判断装置来执行，该装置可采用软件和/或硬件的方式实现，如图1所示，该方法具体包括如下步骤：
S110、获取障碍物第一次出现时的第一状态信息和障碍物第二次出现时的第二状态信息。
其中，障碍物可以是静止或低速运行的车辆。
其中，第一状态信息指障碍物第一次出现时，障碍物所属包围框的第一位置信息、第一包围框大小、第一包围框朝向角度和障碍物的第一速度信息。第二状态信息指障碍物第二次出现时，障碍物所属包围框的第二位置信息、第二包围框大小、第二包围框朝向角度和障碍物的第二速度信息。
具体的，基于雷达对自身车辆周围的环境进行感知，当第一次检测到障碍物时，对感知算法识别的障碍物的包围框进行编号，同时获取障碍物所属包围框的第一位置信息、第一包围框大小、第一包围框朝向角度和障碍物的第一速度信息。当第二次检测到同一障碍物的包围框编号，获取障碍物所属包围框的第二位置信息、第二包围框大小、第二包围框朝向角度和障碍物的第二速度信息。
其中，障碍物的包围框指感知算法在对障碍物进行识别时对障碍物建立的虚拟包围框，一般情况下包围框为规则形状的长方体，能够完全包围形状不规则的障碍物。获取障碍物所属包围框的位置信息指包围框中心点的位置坐标，本实施例中，获取的包围框中心点的位置坐标是基于通用横墨卡托格网系统(Universal Transverse Mercartor GridSystem，UTM)坐标系下的。本实施例中对中心点的位置坐标的参考坐标系仅做举例说明，而非限定。
进一步的，获取障碍物第一次出现时，障碍物所属包围框的第一中心点的坐标、第一包围框大小、第一包围框朝向角度和包围框中的障碍物的第一速度信息；获取障碍物第二次出现时，障碍物所属包围框的第二中心点的坐标、第二包围框大小、第二包围框朝向角度和包围框中的障碍物的第二速度信息。
其中，第一中心点的坐标包括：第一中心点的X坐标、Y坐标和Z坐标，第一包围框大小包括：第一包围框长、第一包围框宽和第一包围框高；第二中心点的坐标包括：第二中心点的X坐标、Y坐标和Z坐标，第二包围框大小包括：第二包围框长、第二包围框宽和第二包围框高。
S120、对第二状态信息和第一状态信息进行处理后，得到源数据。
其中，源数据指对获取的障碍物的第二状态信息和第一状态信息进行差值或者求和计算，并分配不同比例的权重来进行组合优化后得到的数据。
具体的，将获取的障碍物第二出现时的第二状态信息中的第二中心点的X坐标、Y坐标、Z坐标分别与障碍物第一出现时的第一状态信息中的第一中心点的X坐标、Y坐标、Z坐标求差值，将第二状态信息中的第二包围框长、第二包围框宽、第二包围框高分别与第一状态信息中第一包围框长、第一包围框宽、第一包围框高求差值，将第二包围框朝向角度与第一包围框朝向角度求差值，将第二速度信息与第一速度信息求和。
需要说明的是，为了便于描述，本实施例中用目标速度来表述第二速度信息与第一速度信息的和。也就是说目标速度只第一速度信息和第二速度信息之和。
进一步的，对X坐标差值、Y坐标差值和Z坐标差值分配不同比例的权重进行组合确定障碍物的位置信息的组合，对包围框长差值、包围框宽差值和包围框高差值分配不同比例的权重进行组合确定障碍物的大小信息的组合。
具体的，以xi0,yi0,zi0,li0,wi0,hi0,θi0,vi0表示第i个障碍物第一次出现的第一状态信息，xi1,yi1,zi1,li1,wi1,hi1,θi1,vi1表示第i个障碍物第二次出现的第二状态信息为例进行说明，其中x表示包围框的中心点的X坐标，y表示包围框的中心点的Y坐标，z表示包围框的中心点的Z坐标，l表示包围框的长，w表示包围框的宽，h表示包围框的高，θ表示包围框朝向角度，v表示障碍物的速度。将第i个障碍物第二次出现时的第二状态信息分别与相对应的第i个障碍物第一次出现时的第一状态信息进行差值或求和计算。
Δxi1＝xi1-xi0
Δyi1＝yi1-yi0
Δzi1＝zi1-zi0
Δli1＝li1-li0
Δwi1＝wi1-wi0
Δhi1＝hi1-hi0
Δθi1＝θi1-θi0
Δvi1＝vi1+vi0
其中，Δxi1为X坐标差值，Δyi1为Y坐标差值，Δzi1为Z坐标差值，Δli1为包围框长差值，Δwi1为包围框宽差值，Δhi1为包围框高差值，Δθi1为朝向角度差值，Δvi1为目标速度。
进一步的，对X坐标差值、Y坐标差值和Z坐标差值分配不同比例的权重进行组合确定障碍物的位置信息的组合：
Δ(xyz)i＝α·Δxi1+β·Δyi1+γ·Δzi1
α+β+γ＝1
其中，Δ(xyz)i为障碍物的位置信息的组合，α为X坐标差值的权重，β为Y坐标差值的权重，γ为Z坐标差值的权重。由于Δxi1和Δyi1是容易变化的特征，因此权重取值偏大，在此，α取值范围设为0.5-0.6之间，β取值范围设为0.2-0.3之间。α、β、γ的具体取值根据实际情况调整选取，本实施例中仅对其取值范围和关系进行说明。
进一步的，对包围框长差值、包围框宽差值和包围框高差值分配不同比例的权重进行组合确定障碍物的位置信息的组合：
Δ(lwh)i＝δ·Δli1+ε·Δwi1+∈·Δhi1
δ+ε+∈＝1
其中，Δ(lwh)i为障碍物的大小信息的组合，δ为包围框长差值的权重，ε为包围框宽差值的权重，∈为包围框高差值的权重。由于Δli1和Δwi1是容易变化的特征，因此权重取值偏大，在此，δ取值范围设为0.5-0.6之间，ε取值范围设为0.2-0.3之间。δ、ε、∈的具体取值根据实际情况调整选取，本实施例中仅对其取值范围和关系进行说明。
进一步的，确定障碍物的位置信息的组合值、障碍物的大小信息的组合值、朝向角度差值和目标速度为源数据。
S130、将源数据导入决策树模型，获得决策树模型分析结果，其中，分析结果包括：障碍物处于静止状态或者障碍物处于低速行驶状态。
其中，决策树模型指从训练样本信息中归纳出的一组分类规则。本实施例中，决策树模型是通过雷达感知算法得到离线障碍物信息，提取部分训练样本信息，对提取的信息进行处理，计算每个特征的信息增益，利用ID3算法生成的障碍物静止或低速行驶的分类规则。
具体的，将障碍物的位置信息的组合值、障碍物的大小信息的组合值、朝向角度差值和目标速度导入决策树模型，通过与决策树模型的分类规则进行对比判断障碍物处于静止状态或者障碍物处于低速行驶状态。
示例性的，本实施例中对基于ID3算法的决策树模型建立进行说明：
训练数据集的准备。提取通过雷达感知算法得到离线障碍物信息，离线障碍物信息包括障碍物出现的时间、障碍物所属包围框的位置信息和大小信息、包围框的朝向角度和包围框中的障碍物速度信息。对障碍物的状态进行检测，获取对应时间障碍物的状态，障碍物的状态包括静止或低速运行。对相邻时间的离线障碍物信息进行处理，得到决策树中的影响因素，也就训练数据。对离线障碍物信息的处理与步骤S120中的处理方式相同，此处不做详细描述。如下表1所示,表1为传感器实时读取的部分数据属性标准化值对应表。
表1
Figure BDA0002763460820000081
Figure BDA0002763460820000091
在表1中,状态表示当前时刻障碍物的状态，1表示低速运动，0表示静止。Δ(xyz)为障碍物的位置信息的组合，Δ(lwh)为障碍物的大小信息的组合，Δθ为朝向角度差值，Δv为目标速度。
决策树模型的构建。将Δ(xyz)、Δ(lwh)、Δθ、Δv作为特征，计算其对应的信息增益。
首先，计算分类属性“状态”的熵H(S)：
Figure BDA0002763460820000092
其中，pi是类i在“状态”中的比例或概率。“状态”分为两类，静止或低速运行。以表格1中的数据为例，当“状态”为运动时，
Figure BDA0002763460820000093
则
Figure BDA0002763460820000094
其次，计算特征A的熵:
Figure BDA0002763460820000095
Figure BDA0002763460820000096
其中，Sv是S中特征A的值为v的子集。以特征Δθ为例，Δθ分为＜0.080727和≥0.080727两种。Δθ＜0.080727有14个，Δθ≥0.080727有2个。在Δθ＜0.080727的情况下，“状态”为静止的有9个，运动的有5个。在Δθ≥0.080727的情况下，“状态”为运动的有2个。则
Figure BDA0002763460820000101
Figure BDA0002763460820000102
Figure BDA0002763460820000103
最后，求取特征A的信息增益为：
g(S,A)＝H(S)-H(S|A)
针对每一个特征，可以根据上述计算选取信息增益最大的特征作为根节点，其余特征作为叶子节点。
针对每一个特征，重复上述计算过程能够获得所有特征对应的根节点和叶子节点，构建决策树模型。
本发明实施例获取障碍物第一次出现时的第一状态信息和障碍物第二次出现时的第二状态信息；对第二状态信息和第一状态信息进行处理后，得到源数据；将源数据导入决策树模型，获得决策树模型分析结果，其中，分析结果包括：障碍物处于静止状态或者障碍物处于低速行驶状态。通过对障碍物的第一状态信息和第二状态信息处理得到源数据，根据决策树模型对源数据进行分析判断障碍物处于静止状态或者低速行驶状态。解决了现有技术中对低速车辆检测容易造成误检，出现道路旁停止的部分车辆速度不为零的问题，实现能够对静止车辆以及低速运动车辆的快速判断，提高判断结果的准确性。
实施例二
图2是本发明实施例二提供的一种障碍物状态判断方法的流程图，本实施例可适用于自动驾驶车辆感知判断障碍物状态的情况，本实施例进一步优化了障碍物状态判断方法，未在本实施例中详尽描述的技术细节可参见上述任意实施例。如图2所示，优化后的障碍物状态判断方法，主要包括如下步骤：
S210、获取障碍物第一次出现时，障碍物所属包围框的第一中心点的坐标、第一包围框大小、第一包围框朝向角度和包围框中的障碍物的第一速度信息，其中，第一中心点的坐标包括：第一中心点的X坐标、Y坐标和Z坐标，第一包围框大小包括：第一包围框长、第一包围框宽和第一包围框高。
具体的，雷达对环境进行感知，当检测到障碍物时，对感知算法识别的障碍物的包围框进行编号，获取包围框的第一中心点坐标，第一中心点坐标包括UTM坐标系下的第一中心点的X坐标、Y坐标和Z坐标。获取包围框的第一包围框大小，第一包围框大小包括第一包围框长、第一包围框宽和第一包围框高。获取第一包围框朝向角度和包围框中的障碍物的第一速度信息。
S220、获取障碍物第二次出现时，障碍物所属包围框的第二中心点的坐标、第二包围框大小、第二包围框朝向角度和包围框中的障碍物的第二速度信息，其中，第二中心点的坐标包括：第二中心点的X坐标、Y坐标和Z坐标，第二包围框大小包括：第二包围框长、第二包围框宽和第二包围框高。
具体的，雷达对环境进行感知，当第二次检测同一障碍物时，获取包围框的第二中心点坐标，第二中心点坐标包括UTM坐标系下的第二中心点的X坐标、Y坐标和Z坐标。获取包围框的第二包围框大小，第二包围框大小包括第二包围框长、第二包围框宽和第二包围框高。获取第二包围框朝向角度和包围框中的障碍物的第二速度信息。本实施例中，通过障碍物的包围框的编号识别确定同一障碍物。
S230、对第二状态信息和第一状态信息进行处理后，得到源数据。
S240、将源数据导入决策树模型，获得决策树模型分析结果，其中，分析结果包括：障碍物处于静止状态或者障碍物处于低速行驶状态。
本实施例二提供的技术方案，进一步优化了障碍物状态判断方法，分别获取同一障碍物在相邻时刻出现时的中心点的坐标、包围框大小、包围框朝向角度和包围框中的障碍物的速度信息。通过多种因素对障碍物状态进行判断，能提高判断结果的准确性。
实施例三
图3是本发明实施例三提供的源数据处理方法的流程图，本实施例是在上述实施例的基础上，进行具体优化，将对第二状态信息和第一状态信息进行处理后得到源数据进行优化，未在本实施例中详尽描述的技术细节可参见上述任意实施例。
S310、获取第二中心点的X坐标与第一中心点的X坐标的X坐标差值，第二中心点的Y坐标与第一中心点的Y坐标的Y坐标差值，第二中心点的Z坐标与第一中心点的Z坐标的Z坐标差值，第二包围框长和第一包围框长的包围框长差值，第二包围框宽和第一包围框宽的包围框宽差值，第二包围框高和第一包围框高的包围框高差值，第二包围框朝向角度和第一包围框朝向角度的朝向角度差值，获取目标速度，目标速度等于第二速度信息和第一速度信息之和。
S320、根据X坐标差值、Y坐标差值和Z坐标差值确定障碍物的位置信息的组合，根据包围框长差值、包围框宽差值和包围框高差值确定障碍物的大小信息的组合。
具体的，根据X坐标差值、Y坐标差值和Z坐标差值确定障碍物的位置信息的组合，包括：
Δ(xyz)i＝α·Δxi1+β·Δyi1+γ·Δzi1；
α+β+γ＝1；
其中，Δxi1为X坐标差值，Δyi1为Y坐标差值，Δzi1为Z坐标差值，Δ(xyz)i为障碍物的位置信息的组合，α为X坐标差值的权重，β为Y坐标差值的权重，γ为Z坐标差值的权重。
具体的，根据包围框长差值、包围框宽差值和包围框高差值确定障碍物的大小信息的组合包括：
Δ(lwh)i＝δ·Δli1+ε·Δwi1+∈·Δhi1；
δ+ε+∈＝1；
其中，Δli1为包围框长差值，Δwi1为包围框宽差值，Δhi1为包围框高差值，Δ(lwh)i为障碍物的大小信息的组合，δ为包围框长差值的权重，ε为包围框宽差值的权重，∈为包围框高差值的权重。
S330、根据障碍物的位置信息的组合、障碍物的大小信息的组合、朝向角度差值和目标速度确定源数据。
本发明实施例三提供的源数据处理方法，在上述实施例的基础上进行具体优化，将对第二状态信息和第一状态信息进行处理后得到源数据进行具体说明，对相邻两次的障碍物的中心点的坐标、包围框大小、包围框朝向角度和包围框中的障碍物的速度信息进行差值或求和计算，根据不同因素的重要程度分配不同比例的权值来进行优化，能够采用合适的因素条件对静止车辆以及低速运动车辆的快速判断，提高判断结果的准确性。
实施例四
图4是本发明实施例四提供的一种障碍物状态判断装置的结构示意图。本发明实施例所提供的障碍物状态判断装置可执行本发明任意实施例所提供的障碍物状态判断装置方法，具备执行方法相应的功能模块和有益效果。
本发明实施例提供了一种障碍物状态判断装置，包括：
状态信息获取模块410，用于获取障碍物第一次出现时的第一状态信息和障碍物第二次出现时的第二状态信息。
状态信息处理模块420，用于对第二状态信息和第一状态信息进行处理后，得到源数据。
分析结果获取模块430，用于将源数据导入决策树模型，获得决策树模型分析结果，其中，分析结果包括：障碍物处于静止状态或者障碍物处于低速行驶状态。
本发明实施例四提供的一种障碍物状态判断装置，通过状态信息获取模块获取障碍物第一次出现时的第一状态信息和障碍物第二次出现时的第二状态信息。通过状态信息处理模块述第二状态信息和第一状态信息进行处理后，得到源数据。通过分析结果获取模块将源数据导入决策树模型，获得决策树模型分析结果，其中，分析结果包括：障碍物处于静止状态或者障碍物处于低速行驶状态。通过上述技术方案，实现能够对静止车辆以及低速运动车辆的快速判断，提高判断结果的准确性。
在上述实施例的基础上，第一状态信息包括：障碍物第一次出现时，障碍物所属包围框的第一位置信息、第一包围框大小、第一包围框朝向角度和障碍物的第一速度信息。第二状态信息包括：障碍物第二次出现时，障碍物所属包围框的第二位置信息、第二包围框大小、第二包围框朝向角度和障碍物的第二速度信息。
在上述实施例的基础上，状态信息获取模块410，包括：
第一状态信息获取单元，用于获取障碍物第一次出现时，障碍物所属包围框的第一中心点的坐标、第一包围框大小、第一包围框朝向角度和包围框中的障碍物的第一速度信息，其中，第一中心点的坐标包括：第一中心点的X坐标、Y坐标和Z坐标，第一包围框大小包括：第一包围框长、第一包围框宽和第一包围框高；
第二状态信息获取单元，用于获取障碍物第二次出现时，障碍物所属包围框的第二中心点的坐标、第二包围框大小、第二包围框朝向角度和包围框中的障碍物的第二速度信息，其中，第二中心点的坐标包括：第二中心点的X坐标、Y坐标和Z坐标，第二包围框大小包括：第二包围框长、第二包围框宽和第二包围框高。
在上述实施例的基础上，状态信息处理模块420，包括：
差值获取单元，用于获取第二中心点的X坐标与第一中心点的X坐标的X坐标差值，第二中心点的Y坐标与第一中心点的Y坐标的Y坐标差值，第二中心点的Z坐标与第一中心点的Z坐标的Z坐标差值，第二包围框长和第一包围框长的包围框长差值，第二包围框宽和第一包围框宽的包围框宽差值，第二包围框高和第一包围框高的包围框高差值，第二包围框朝向角度和第一包围框朝向角度的朝向角度差值，获取目标速度，目标速度等于第二速度信息和第一速度信息之和。
组合信息确定单元，用于根据X坐标差值、Y坐标差值和Z坐标差值确定障碍物的位置信息的组合，根据包围框长差值、包围框宽差值和包围框高差值确定障碍物的大小信息的组合。
源数据确定单元，用于根据障碍物的位置信息的组合、障碍物的大小信息的组合、朝向角度差值和目标速度确定源数据。
实施例五
图5是本发明实施例五提供的一种设备的结构示意图。如图5所示，该设备包括处理器510、存储器520、输入装置530输出装置540；设备中处理器510的数量可以是一个或多个，图5中以一个处理器510为例；设备中的处理器510、存储器520、输入装置和530输出装置540可以通过总线或其他方式连接，图5中以通过总线连接为例。
存储器520作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的障碍物状态判断方法对应的程序模块(例如，障碍物状态判断装置中的状态信息获取模块410、状态信息处理模块420和分析结果获取模块430)。处理器510通过运行存储在存储器520中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的障碍物状态判断方法。
存储器520可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器520可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器520可进一步包括相对于处理器510远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置530可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置540可包括显示屏等显示设备。
实施例六
本发明实施例六还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种障碍物状态判断方法，该方法包括：
获取障碍物第一次出现时的第一状态信息和障碍物第二次出现时的第二状态信息。
对第二状态信息和第一状态信息进行处理后，得到源数据。
将源数据导入决策树模型，获得决策树模型分析结果，其中，分析结果包括：障碍物处于静止状态或者障碍物处于低速行驶状态。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的障碍物状态判断方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是，上述障碍物状态判断装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (6)

1.一种障碍物状态判断方法，其特征在于，包括：
获取障碍物第一次出现时的第一状态信息和所述障碍物第二次出现时的第二状态信息；
对所述第二状态信息和所述第一状态信息进行处理后，得到源数据；
将所述源数据导入决策树模型，获得决策树模型分析结果，其中，所述分析结果包括：所述障碍物处于静止状态或者所述障碍物处于低速行驶状态；
所述第一状态信息包括：障碍物第一次出现时，障碍物所属包围框的第一位置信息、第一包围框大小、第一包围框朝向角度和障碍物的第一速度信息；
所述第二状态信息包括：障碍物第二次出现时，障碍物所属包围框的第二位置信息、第二包围框大小、第二包围框朝向角度和障碍物的第二速度信息；
获取障碍物第一次出现时的第一状态信息和所述障碍物第二次出现时的第二状态信息包括：
获取障碍物第一次出现时，障碍物所属包围框的第一中心点的坐标、第一包围框大小、第一包围框朝向角度和包围框中的障碍物的第一速度信息，其中，所述第一中心点的坐标包括：第一中心点的X坐标、Y坐标和Z坐标，所述第一包围框大小包括：第一包围框长、第一包围框宽和第一包围框高；
获取障碍物第二次出现时，障碍物所属包围框的第二中心点的坐标、第二包围框大小、第二包围框朝向角度和包围框中的障碍物的第二速度信息，其中，所述第二中心点的坐标包括：第二中心点的X坐标、Y坐标和Z坐标，所述第二包围框大小包括：第二包围框长、第二包围框宽和第二包围框高；
对所述第二状态信息和所述第一状态信息进行处理后，得到源数据，包括：
获取所述第二中心点的X坐标与所述第一中心点的X坐标的X坐标差值，所述第二中心点的Y坐标与所述第一中心点的Y坐标的Y坐标差值，所述第二中心点的Z坐标与所述第一中心点的Z坐标的Z坐标差值，所述第二包围框长和所述第一包围框长的包围框长差值，所述第二包围框宽和所述第一包围框宽的包围框宽差值，所述第二包围框高和所述第一包围框高的包围框高差值，所述第二包围框朝向角度和所述第一包围框朝向角度的朝向角度差值，获取目标速度，所述目标速度等于第二速度信息和第一速度信息之和；
根据所述X坐标差值、Y坐标差值和Z坐标差值确定所述障碍物的位置信息的组合，根据所述包围框长差值、包围框宽差值和包围框高差值确定所述障碍物的大小信息的组合；
根据所述障碍物的位置信息的组合、所述障碍物的大小信息的组合、朝向角度差值和所述目标速度确定源数据。
2.根据权利要求1所述的方法，其特征在于，根据所述X坐标差值、Y坐标差值和Z坐标差值确定所述障碍物的位置信息的组合，包括：
根据如下公式计算得到所述障碍物的位置信息的组合：
Δ(xyz)i＝α·Δxi1+β·Δyi1+γ·Δzi1；
α+β+γ＝1；
其中，Δxi1为X坐标差值，Δyi1为Y坐标差值，Δzi1为Z坐标差值，Δ(xyz)i为障碍物的位置信息的组合，α为X坐标差值的权重，β为Y坐标差值的权重，γ为Z坐标差值的权重。
3.根据权利要求1所述的方法，其特征在于，根据所述包围框长差值、包围框宽差值和包围框高差值确定所述障碍物的大小信息的组合包括：
根据如下公式计算得到所述障碍物的大小信息的组合：
Δ(lwh)i＝δ·Δli1+ε·Δwi1+∈·Δhi1；
δ+ε+∈＝1；
其中，Δli1为包围框长差值，Δwi1为包围框宽差值，Δhi1为包围框高差值，Δ(lwh)i为障碍物的大小信息的组合，δ为包围框长差值的权重，ε为包围框宽差值的权重，∈为包围框高差值的权重。
4.一种障碍物状态判断装置，其特征在于，包括：
状态信息获取模块，用于获取障碍物第一次出现时的第一状态信息和所述障碍物第二次出现时的第二状态信息；
状态信息处理模块，用于对所述第二状态信息和所述第一状态信息进行处理后，得到源数据；
分析结果获取模块，用于将所述源数据导入决策树模型，获得决策树模型分析结果，其中，所述分析结果包括：所述障碍物处于静止状态或者所述障碍物处于低速行驶状态；
所述第一状态信息包括：障碍物第一次出现时，障碍物所属包围框的第一位置信息、第一包围框大小、第一包围框朝向角度和障碍物的第一速度信息；
所述第二状态信息包括：障碍物第二次出现时，障碍物所属包围框的第二位置信息、第二包围框大小、第二包围框朝向角度和障碍物的第二速度信息；
所述状态信息获取模块，包括：
第一状态信息获取单元，用于获取障碍物第一次出现时，障碍物所属包围框的第一中心点的坐标、第一包围框大小、第一包围框朝向角度和包围框中的障碍物的第一速度信息，其中，第一中心点的坐标包括：第一中心点的X坐标、Y坐标和Z坐标，第一包围框大小包括：第一包围框长、第一包围框宽和第一包围框高；
第二状态信息获取单元，用于获取障碍物第二次出现时，障碍物所属包围框的第二中心点的坐标、第二包围框大小、第二包围框朝向角度和包围框中的障碍物的第二速度信息，其中，第二中心点的坐标包括：第二中心点的X坐标、Y坐标和Z坐标，第二包围框大小包括：第二包围框长、第二包围框宽和第二包围框高；
所述状态信息处理模块，包括：
差值获取单元，用于获取第二中心点的X坐标与第一中心点的X坐标的X坐标差值，第二中心点的Y坐标与第一中心点的Y坐标的Y坐标差值，第二中心点的Z坐标与第一中心点的Z坐标的Z坐标差值，第二包围框长和第一包围框长的包围框长差值，第二包围框宽和第一包围框宽的包围框宽差值，第二包围框高和第一包围框高的包围框高差值，第二包围框朝向角度和第一包围框朝向角度的朝向角度差值，获取目标速度，目标速度等于第二速度信息和第一速度信息之和；
组合信息确定单元，用于根据X坐标差值、Y坐标差值和Z坐标差值确定障碍物的位置信息的组合，根据包围框长差值、包围框宽差值和包围框高差值确定障碍物的大小信息的组合；
源数据确定单元，用于根据障碍物的位置信息的组合、障碍物的大小信息的组合、朝向角度差值和目标速度确定源数据。
5.一种障碍物状态判断设备，其特征在于，所述设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-3中任一所述的障碍物状态判断方法。
6.一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，该程序被处理器执行时实现如权利要求1-3中任一所述的障碍物状态判断方法。
CN202011225368.XA 2020-11-05 2020-11-05 一种障碍物状态判断方法、装置、设备及存储介质 Active CN112364751B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011225368.XA CN112364751B (zh) 2020-11-05 2020-11-05 一种障碍物状态判断方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011225368.XA CN112364751B (zh) 2020-11-05 2020-11-05 一种障碍物状态判断方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112364751A CN112364751A (zh) 2021-02-12
CN112364751B true CN112364751B (zh) 2022-09-30

Family

ID=74510164

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011225368.XA Active CN112364751B (zh) 2020-11-05 2020-11-05 一种障碍物状态判断方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112364751B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114019971B (zh) * 2021-11-04 2024-03-26 北京三快在线科技有限公司 一种无人设备控制方法、装置、存储介质及电子设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007026301A (ja) * 2005-07-20 2007-02-01 Matsushita Electric Ind Co Ltd 停止低速車両検出装置及び停止低速車両検出方法
CN111469836A (zh) * 2020-02-28 2020-07-31 广东中科臻恒信息技术有限公司 基于车载单元和路侧单元的避障方法、设备、存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6214995B2 (ja) * 2013-10-11 2017-10-18 株式会社東芝 駐車車両検出装置、車両管理システム、制御方法及び制御プログラム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007026301A (ja) * 2005-07-20 2007-02-01 Matsushita Electric Ind Co Ltd 停止低速車両検出装置及び停止低速車両検出方法
CN111469836A (zh) * 2020-02-28 2020-07-31 广东中科臻恒信息技术有限公司 基于车载单元和路侧单元的避障方法、设备、存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于单目视觉的移动障碍物检测技术的研究与实现;邓子久;《中国优秀博硕士学位论文全文数据库(硕士)》;20120315(第03期);I138-2117 *
车载视觉系统中障碍物检测与识别方法研究;曾丽娜;《中国优秀博硕士学位论文全文数据库(硕士)》;20170315(第03期);I138-5660 *

Also Published As

Publication number Publication date
CN112364751A (zh) 2021-02-12

Similar Documents

Publication Publication Date Title
KR102198724B1 (ko) 포인트 클라우드 데이터를 처리하기 위한 방법 및 장치
US10217005B2 (en) Method, apparatus and device for generating target detection information
CN108629231B (zh) 障碍物检测方法、装置、设备及存储介质
CN111665842B (zh) 一种基于语义信息融合的室内slam建图方法及系统
US10614324B2 (en) Method and apparatus for identifying static obstacle
CN112883820B (zh) 基于激光雷达点云的道路目标3d检测方法及系统
CN111640089A (zh) 一种基于特征图中心点的缺陷检测方法及装置
CN110674705A (zh) 基于多线激光雷达的小型障碍物检测方法及装置
CN110147748B (zh) 一种基于道路边缘检测的移动机器人障碍物识别方法
CN113570629B (zh) 去除动态物体的语义分割方法及系统
WO2022104254A1 (en) Efficient three-dimensional object detection from point clouds
CN109614459A (zh) 应用于二维激光的地图构建回环检测方法及设备
CN111862216B (zh) 计算机设备定位方法、装置、计算机设备和存储介质
CN111062135A (zh) 一种精确的碰撞检测方法
CN112364751B (zh) 一种障碍物状态判断方法、装置、设备及存储介质
CN114972941A (zh) 被遮挡车辆三维检测的决策融合方法、装置及电子设备
CN112308917A (zh) 一种基于视觉的移动机器人定位方法
CN116342704A (zh) 一种扫描点类别确定方法、装置、计算机设备及存储介质
CN111474560A (zh) 一种障碍物定位方法、装置及设备
CN113033248A (zh) 一种图像识别方法及装置、计算机可读存储介质
CN114954532A (zh) 一种车道线确定方法、装置、设备和存储介质
KR102204460B1 (ko) 우주물체 충돌 평가와 확률 계산 방법
CN116358561B (zh) 基于贝叶斯多源数据融合的无人船障碍物场景重构方法
CN112539756B (zh) 一种长通道识别方法及机器人
CN117635888B (zh) 一种数据处理方法及相关装置

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