CN113064153A - 一种确定目标对象跟踪门限的方法、装置 - Google Patents

一种确定目标对象跟踪门限的方法、装置 Download PDF

Info

Publication number
CN113064153A
CN113064153A CN201911294731.0A CN201911294731A CN113064153A CN 113064153 A CN113064153 A CN 113064153A CN 201911294731 A CN201911294731 A CN 201911294731A CN 113064153 A CN113064153 A CN 113064153A
Authority
CN
China
Prior art keywords
target
point cloud
threshold
target object
tracking
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
CN201911294731.0A
Other languages
English (en)
Other versions
CN113064153B (zh
Inventor
崔天翔
刘兴业
康文武
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.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies 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 Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Priority to CN201911294731.0A priority Critical patent/CN113064153B/zh
Priority to PCT/CN2020/136718 priority patent/WO2021121247A1/zh
Publication of CN113064153A publication Critical patent/CN113064153A/zh
Application granted granted Critical
Publication of CN113064153B publication Critical patent/CN113064153B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • 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
    • G01S13/66—Radar-tracking systems; Analogous systems
    • 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
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/06—Systems determining position data of a 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
    • 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
    • G01S13/66—Radar-tracking systems; Analogous systems
    • G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请实施例涉及自动驾驶技术领域，具体涉及一种确定目标对象跟踪门限的方法、装置。该方法包括：确定至少一帧雷达点云，该至少一帧雷达点云为对目标对象进行测量得到的点数据集合，该至少一帧雷达点云包括第一帧雷达点云；确定对应于该第一帧雷达点云的N个跟踪门限，该N个跟踪门限包括第一门限，根据该第一门限中的点云数据确定K个置信度，该K个置信度与K个目标类别一一对应；根据该K个置信度确定第一目标类别；根据该第一目标类别，从该N个跟踪门限中确定用于跟踪该目标对象的目标门限。以确定目标对象的类别，进而可以目标对象的类别跟踪门限跟踪目标对象，可有效减少不同目标对象的航迹间干扰，降低误检率。

Description

一种确定目标对象跟踪门限的方法、装置
技术领域
本申请涉及自动驾驶技术领域，具体涉及一种确定目标对象跟踪门限的方法、装置。
背景技术
在车辆的自动驾驶过程中，目标识别(target classification)技术可以为车辆提供周围物体信息，可以车辆的后续行驶决策提供帮助。因此，目标识别对车辆对周围环境的感知具有至关重要的作用。目标识别，也可以称为目标种类，其可以是指将目标物体判定为某一种类的物体，即将一个目标物体从其他物体中区分出来。
一种方案为利用聚类算法对雷达点云上的检测点进行聚类，得到类簇。然后，根据同一类簇中检测点作为一个目标对象，进行分类。该方案精度较低，特别是在雷达点云中检测点较为稀疏(例如，毫米波雷达分辨率较低，其雷达点云中检测点较为稀疏)的情况下，目标物体分类精度较低，存在大量误检。参阅图1A和图1B，利用聚类算法对雷达点云上的检测点进行聚类往往会出现单个物体对应的检测点被聚类为多个类簇。另外，利用聚类算法对雷达点云上的检测点进行聚类可以出现多个物体对应的检测点被聚为一个类簇。
一种方案为使用卡尔曼滤波、粒子滤波等跟踪算法，按照固定的门限框框定检测点。并将一个门限框框定的检测点视为一个目标对象，进行分类。可以理解，不同的物体尺寸大小不同，对应的检测点分布的范围不同。参阅图2A和图2B，在该方案中使用统一的跟踪门限框进行框定，往往会出现将不同物体对应的不同检测点框到一个门限框中，使得不同物体的航迹互相干扰，存在大量误检。
发明内容
本申请实施例提供了一种确定目标对象跟踪门限的方法、装置，可以确定目标对象的类别，进而可以提高目标对象的跟踪门限准确度，可有效减少不同目标对象的航迹间干扰，降低误检率。
第一方面，提供了一种确定目标对象跟踪门限的方法，包括确定至少一帧雷达点云，该至少一帧雷达点云为雷达对目标对象进行测量得到的点数据集合，该至少一帧雷达点云包括第一帧雷达点云；确定第一帧雷达点云对应的N个跟踪门限，该N个跟踪门限包括第一门限，根据第一门限中的点云数据确定K个置信度，该K个置信度与K个目标类别一一对应；至少一帧雷达点云中其他帧雷达点云可以参考第一帧雷达点云，分别得到K个置信度；可至少根据第一帧雷达点云的K个置信度确定第一目标类别；可根据第一目标类别，从N个跟踪门限中确定用于跟踪该目标对象的目标门限。
也就是说，本申请的方案可以确定目标对象属于不同目标类别的置信度，然后，根据属于不同目标类别的置信度，确定目标对象的类别，即第一目标类别，进而可根据目标对象的类别，确定适合目标对象的跟踪门限，作为用于跟踪目标对象的目标门限，通过对目标对象类别的综合判定可以提升分类的准确度，进而优化目标门限的确定。
在一种可能的实现方式中，第一帧雷达点云的K个置信度包括对应该第一目标类别的第一置信度，该第一置信度用于表征第一门限中的点云数据属于第一目标类别的准确度。参考第一置信度，K个置信度中的其他置信度用于表征第一门限中的点云数据属于该其他置信度对应的目标类别的准确度。
也就是说，在该实现方式中，可以确定第一门限中的点云数据属于不同目标类别的准确度，进而可以确定准确度最高的目标类别为目标对象的类别，可以确定出最适合目标对象的跟踪门限。
在一种可能的实现方式中，N个跟踪门限是根据预设的参数信息确定的，用于界定第一帧雷达点云中对应于该目标对象的范围。
也就说，在该实现方式中，可以根据预设的参数信息来设置N个跟踪门限，以便用来在雷达点云中界定目标对象对应的范围，以确定目标对象的类别。
在一种可能的实现方式中，该参数信息包括该参数信息对应的预设目标类别的几何尺寸信息和/或预设目标类别的速度信息。
也就是说，在该实现方式中，可以预设目标类别的几何尺寸信息和/或预设目标类别的速度信息，来设置跟踪门限，以便在雷达点云中界定目标对应的范围，以确定目标对象的类别以及适合标对象的目标门限。
在一种可能的实现方式中，第一目标类别是根据K个总置信度确定的，该K个总置信度包括第一总置信度，该第一总置信度为N个第一置信度的总和，N个第一置信度一一对应于N个跟踪门限。
也就是说，在该实现方式中，可以确定目标对象在N个跟踪门限中每一个跟踪门限下的K个置信度，并将N个跟踪门限中每一个跟踪门限下对应同一目标类别的置信度相加，得到该同一目标类别的总置信度。参考前述方式，可以到的不同目标类别的总置信度，进而可以确定第一目标类别，提高了确定目标对象的类别的准确率。
在一种可能的实现方式中，第一目标类别是根据K个多帧总置信度确定的，该K个多帧总置信度包括第一多帧总置信度，该第一多帧总置信度为至少一个第一总置信度的总和，该至少一个第一总置信度一一对应于该至少一帧雷达点云。
也就是说，在该实现方式中，可以根据多帧雷达点云中K个总置信度，来确定第一目标类别，即可以利用多帧雷达点云的信息来确定第一目标类别，提高了确定目标对象的类别的准确率。
在一种可能的实现方式中，K个目标类别包括行人、汽车、自行车、电动车中的两项或多项。
也就是说，在该实现方式中，可以区分行人、汽车、自行车、电动车，并使用不同的跟踪门限来分别跟踪行人、汽车、自行车、电动车。
在一种可能的实现方式中，该至少一帧雷达点云为毫米波雷达点云。
毫米波雷达的分辨率较低的，在该实现方式中，可以通过毫米波雷达测量的目标对象的点数据集合，确定目标对象的类别以及用于跟踪目标对象的门限，可以减少通过毫米波雷达跟踪目标对象时不同航迹间的干扰，减少误检率。
第二方面，本申请实施例提供了一种确定目标对象跟踪门限的装置，该装置包括处理器和收发器；其中，该收发器用于确定至少一帧雷达点云，至少一帧雷达点云为对目标对象进行测量得到的点数据集合，至少一帧雷达点云包括第一帧雷达点云；该处理器用于确定对应于第一帧雷达点云的N个跟踪门限，该N个跟踪门限包括第一门限，根据第一门限中的点云数据确定K个置信度，该K个置信度与K个目标类别一一对应；该处理器还用于根据该K个置信度确定第一目标类别；该处理器还用于根据第一目标类别，从该N个跟踪门限中确定用于跟踪所述目标对象的目标门限。
在一种可能的实现方式中，该装置例如可以为雷达探测装置，又例如为独立于雷达装置的处理装置。
在一种可能的实现方式中，第一帧雷达点云的K个置信度包括对应该第一目标类别的第一置信度，该第一置信度用于表征第一门限中的点云数据属于第一目标类别的准确度。参考第一置信度，K个置信度中的其他置信度用于表征第一门限中的点云数据属于该其他置信度对应的目标类别的准确度。
在一种可能的实现方式中，N个跟踪门限是根据预设的参数信息确定的，用于界定第一帧雷达点云中对应于该目标对象的范围。
在一种可能的实现方式中，该参数信息包括该参数信息对应的预设目标类别的几何尺寸信息和/或预设目标类别的速度信息。
在一种可能的实现方式中，第一目标类别是根据K个总置信度确定的，该K个总置信度包括第一总置信度，该第一总置信度为N个第一置信度的总和，N个第一置信度一一对应于N个跟踪门限。
在一种可能的实现方式中，第一目标类别是根据K个多帧总置信度确定的，该K个多帧总置信度包括第一多帧总置信度，该第一多帧总置信度为至少一个第一总置信度的总和，该至少一个第一总置信度一一对应于该至少一帧雷达点云。
在一种可能的实现方式中，K个目标类别包括行人、汽车、自行车、电动车中的两项或多项。
可以理解地，第二方面提供的确定目标对象跟踪门限的装置用于执行第一方面所提供的对应的方法，因此，其所能达到的有益效果可参考第一方面所提供的对应的方法中的有益效果，此处不再赘述。
第三方面，本申请实施例提供了一种确定目标对象跟踪门限的装置，该装置包括处理单元和收发单元；其中，该收发单元用于确定至少一帧雷达点云，至少一帧雷达点云为对目标对象进行测量得到的点数据集合，至少一帧雷达点云包括第一帧雷达点云；该处理单元用于确定对应于第一帧雷达点云的N个跟踪门限，该N个跟踪门限包括第一门限，根据第一门限中的点云数据确定K个置信度，该K个置信度与K个目标类别一一对应；该处理单元还用于根据该K个置信度确定第一目标类别；该处理单元还用于根据第一目标类别，从该N个跟踪门限中确定用于跟踪所述目标对象的目标门限。
可以理解地，第三方面提供的确定目标对象跟踪门限的装置用于执行第一方面所提供的对应方法，因此，其所能达到的有益效果可参考第一方面所提供的对应的方法中的有益效果，此处不再赘述。
第四方面，本申请实施例提供了一种计算机存储介质，所述计算机存储介质包括计算机指令，当所述计算机指令在电子设备上运行时，使得所述电子设备执行第一方面所述的方法。
可以理解地，第四方面提供的计算机存储介质用于执行第一方面所提供的对应的方法，因此，其所能达到的有益效果可参考第一方面所提供的对应的方法中的有益效果，此处不再赘述。
第五方面，本申请实施例提供了一种计算机程序产品，所述计算机程序产品包含的程序代码被电子设备中的处理器执行时，实现第一方面所述的方法。
可以理解地，第五方面提供的计算机程序产品用于执行第一方面所提供的对应的方法，因此，其所能达到的有益效果可参考第一方面所提供的对应的方法中的有益效果，此处不再赘述。
第六方面，本申请实施例提供了一种确定目标对象跟踪门限的系统，该系统由探测装置和处理装置组成；其中，该探测装置可以用于确定至少一帧雷达点云，该至少一帧雷达点云为该探测装置对目标对象进行测量得到的点数据集合，该至少一帧雷达点云包括第一帧雷达点云；该处理装置用于确定对应于第一帧雷达点云的N个跟踪门限，该N个跟踪门限包括第一门限，根据第一门限中的点云数据确定K个置信度，该K个置信度与K个目标类别一一对应；该处理装置还用于根据该K个置信度确定第一目标类别；该处理装置还用于根据第一目标类别，从该N个跟踪门限中确定用于跟踪所述目标对象的目标门限。
在一种可能的实现方式中，该探测装置可以为雷达，例如车载雷达。
在一种可能的实现方式中，该确定目标对象跟踪门限的系统可以为智能汽车。
第七方面，本申请实施例提供了一种芯片系统，该芯片系统包括处理器，该处理器用于执行指令以使得安装有该芯片系统的装置执行第一方面所提供的方法。
本申请实施例提供的方案，可以确定目标对象的类别，并将该目标对象的类别对应的跟踪门限用于跟踪该目标对象的目标门限，使得目标门限框定的检测点不再参与其他目标对象的聚类或其他目标对象航迹的建立过程，实现了目标门限框内的检测点不影响其他航迹，消除或减少了不同航迹间的干扰，降低了误检率。
附图说明
图1A示出了一种目标识别的应用场景；
图1B示出了对图1A所示的场景中目标对象对应的点云数据的聚类结果；
图2A示出了另一种目标识别的应用场景；
图2B示出了使用固定跟踪门限对图2A所示的场景中目标对象对应的点云数据进行框定的结果；
图3为本申请实施例的一种适用场景示意图；
图4为本申请实施例提供的一种车辆的硬件结构示意图；
图5为本申请实施例提供的一种确定目标对象的估计类别的示意图；
图6为本申请实施例提供的一种确定单帧置信度和的示意图；
图7为本申请实施例提供的一种确定目标对象的估计类别的示意图；
图8为本申请实施例提供的一种调整目标对象的估计类别的流程图；
图9A为本申请实施例提供的一种实际验证实验场景图；
图9B为本申请实施例提供的一种实际验证结果示意图；
图10A为本申请实施例提供的一种实际验证实验场景图；
图10B为本申请实施例提供的一种实际验证结果示意图；
图11A为本申请实施例提供的一种实际验证实验场景图；
图11B为本申请实施例提供的一种实际验证结果示意图；
图12为本申请实施例提供的一种确定目标对象跟踪门限的流程图；
图13为本申请实施例提供的一种确定目标对象跟踪装置的结构示意图；
图14为本申请实施例提供的一种确定目标对象跟踪装置的示意性框图。
具体实施方式
下面将结合附图，对本发明实施例中的技术方案进行描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。
在本说明书的描述中“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。
其中，在本说明书的描述中，除非另有说明，“/”表示或的意思，例如，A/B可以表示A或B；本文中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，在本申请实施例的描述中，“多个”是指两个或多于两个。
在本说明书的描述中，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地包括一个或者更多个该特征。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
图3示出了一种自动驾驶场景。车辆100可以为汽车，也可以为其他形式机动车辆。示例性的，车辆可以为轿车、公交车、卡车、摩托车、农用机车、游行花车、游乐园中的游戏车等形式的车辆。
车辆100可以为处于自动驾驶状态，即车辆100完全自主驾驶，无需驾驶员的控制或仅需驾驶员的少量控制。在行驶时，车辆100可以跟踪其附近的物体，例如车辆210、行人220等，以为车辆100的后续行驶决策提供帮助。示例性的，车辆100可以和控制中心300进行信息交互，以在控制中心300的辅助下进行自动驾驶。
图4示出了车辆100的硬件结构。
参阅图4，车辆100可以包括计算系统102、交互系统104、推进系统106、传感器系统108、控制系统110、电源112。计算系统102可以包括处理器1021、存储器1022等。交互系统104可以包括无线通信系统1041、显示屏1042、麦克风1043、扬声器1044等。推进系统106可以包括动力部件1061、能源部件1062、传动部件1063、施动部件1064等。传感器系统108可以包括定位部件1081、相机1082、惯性测量单元1083、雷达1084等。控制系统可以包括操控部件1101、节流阀1102、刹车部件1103等。
可以理解的是，本申请实施例示意的结构并不构成对车辆100的具体限定。在本申请另一些实施例中，车辆100可以包括比图示更多或更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件，软件或软件和硬件的组合实现。
可将车辆100的各部件通过系统总线(例如控制器局域网络总线(controllerarea network bus)，CAN总线)、网络和/或其他连接机构连接在一起，以使各部件可按照互连方式工作。
处理器1021可以包括一个或多个处理单元，例如：处理器110可以包括应用处理器(application processor，AP)，调制解调处理器，图形处理器(graphics processingunit，GPU)，图像信号处理器(image signal processor，ISP)，控制器，视频编解码器，数字信号处理器(digital signal processor，DSP)，基带处理器，和/或神经网络处理器(neural-network processing unit，NPU)等。其中，不同的处理单元可以是独立的器件，也可以集成在一个或多个处理器中。
存储器1022可以用于存储计算机可执行程序代码，所述可执行程序代码包括指令。存储器1022可以包括存储程序区和存储数据区。其中，存储程序区可存储分类器等信息，还可以存储操作系统，至少一个功能所需的应用程序(比如声音播放功能，图像播放功能等)等。此外，存储器1022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，通用闪存存储器(universal flash storage，UFS)等。
处理器1021可通过运行存储在存储器1022的指令，执行下文所述的各种汽车功能以及数据处理。
示例性的，该计算系统102可以实现为车载智能系统或自动驾驶系统，可以实现车辆100的自动驾驶(在车辆100行驶时，车辆100完全自主驾驶，无需驾驶员的控制或仅需驾驶员的少量控制)。也可以实现车辆100的半自动驾驶(在车辆行驶时，车辆非完全自主驾驶，需要驾驶员适度控制)。驾驶员也可以手动驾驶车辆100行驶(驾驶员高度控制车辆100)。
在一些实施例中，计算系统102可以包括整车控制器。整车控制器作为纯电动汽车关键技术之一，是整车的核心控制部件。整车控制器配置为在车辆行驶时完成众多的任务协调。主要任务包括：与子系统之间的通信；采集驾驶员的操作信号，以识别其意图；监控车辆的行驶状态，对车辆故障进行检测识别，存储故障信息，保证车辆安全行驶。整车控制器还包含多个独立电机控制单元，整车控制器与电机控制单元之间信息交互是通过总线方式进行的。整车控制器是整车的控制器中枢，可通过CAN总线通讯方式，与信号传感器、主动转向控制器、电驱控制器进行信息互通，实现信号采集、控制策略决策以及驱动信号的输出。
整车控制器采集并处理来自传感器的信号(如油门踏板、刹车踏板等信息)，负责自身控制器的上下电逻辑控制、电机控制单元的上下电逻辑控制。还负责扭矩计算：驾驶员需求扭矩计算、机械制动与电制动扭矩分配、前后轴承担驱动/制动扭矩、4轮电机扭矩分配。还负责能量优化管理：充电控制、基于电机运行效率的功率分配、制动能量回收控制。还负责车辆动力学控制：车辆状态识别、横摆控制、防滑控制，防抱死控制、防侧倾控制、主动转向控制。还负责监控诊断功能：总线节点收发监控、传感器失效诊断、扭矩监控、CPU监控诊断、故障管理、故障实现安全措施(如车辆减速限速处理)。
整车控制器可通过CAN网络通信与其他子控制单元(例如电机控制器、电源管理系统和仪表盘等)完成数据交换。电机控制单元接收整车控制器通过CAN总线分发的命令，把电池组的化学能转变为电机的机械能，然后经过传动系统将动力传递到车轮上，确保车辆行驶的动力。
在一些实施例中，计算系统102还可以包括车身控制器，车身控制器管理车辆车身电子领域的模块，支持多种功能，典型的车身控制模块由微处理器组成，用于控制分类为车身电子设备(电动车窗，雨刮器，侧视镜等)的功能。此外，车身控制器上还提供了端口，用于与不同的车身控制模块，仪表板，传感器和执行器等进行通信。
在一些实施例中，计算系统102可以包括智能驾驶控制器，用于处理来自于各个传感器的数据。
无线通信系统1041可以包括一个或多个天线、调制解调器、基带处理器等，可与管理中心200、其他汽车以及其他通信实体进行通信。一般而言，无线通信系统可以被配置为根据一种或多种通信技术进行通信，例如2G/3G/4G/5G等移动通信技术，以及无线局域网(wireless local area networks，WLAN)(如无线保真(wireless fidelity，Wi-Fi)网络)，蓝牙(bluetooth，BT)，全球导航卫星系统(global navigation satellite system，GNSS)，调频(frequency modulation，FM)，近距离无线通信技术(near field communication，NFC)，红外技术(infrared，IR)等无线通信技术，以及其他通信技术，此处不再一一列举。
显示屏1042用于显示图像，视频等。显示屏1042包括显示面板。显示面板可以采用液晶显示屏(liquid crystal display，LCD)，有机发光二极管(organic light-emittingdiode，OLED)，有源矩阵有机发光二极体或主动矩阵有机发光二极体(active-matrixorganic light emitting diode的，AMOLED)，柔性发光二极管(flexlight-emittingdiode，FLED)，Miniled，MicroLed，Micro-OLED，量子点发光二极管(quantum dot lightemitting diodes，QLED)等。
在一些实施例中，显示面板上可覆盖有触控面板，当触控面板检测到其上或其附近的触摸操作后，可将触摸操作传递给处理器1021，以确定触摸事件类型。可以通过显示屏1042提供与触摸操作相关的视觉输出。在另一些实施例中，触控面板可以与显示屏1042所处的位置不同。
麦克风1043，也称“话筒”，“传声器”，用于将声音信号转换为电信号。当用户想通过语音控制车辆100时，用户可以通过人嘴靠近麦克风1043发声，将语音命令输入到麦克风1043。车辆100可以设置至少一个麦克风1043。在一些实施例中，车辆100可以设置两个麦克风1043，除了采集声音信号，还可以实现降噪功能。在另一些实施例中，电子设备100还可以设置三个，四个或更多个麦克风1043，实现采集声音信号，降噪，还可以识别声音来源，实现定向录音功能等。
扬声器1044，也称“喇叭”，用于将音频电信号转换为声音信号。车辆100可以通过扬声器1044收听音乐，或收听提示信息。
动力部件1061可以为发动机，可以为汽油发动机、电动汽车的电动机、柴油发动机、混合动力发动机等发动机中的任一种或多种的组合，也可以为其他形式的发动机。
能源部件1062可以是能量的来源，全部或部分地为动力部件1061提供动力。也就是说，可将动力部件1061配置为将能源部件1062提供的能源转换为机械能。能源部件1062可提供的能源包括汽油、柴油、其他基于石油的燃料、丙烷、其他基于压缩气体的燃料、乙醇、太阳能电池板、电池、以及其他电功率来源。能源部件1062还可包括燃料箱、电池、电容器、和/或飞轮的任意组合。在一些实施例中，能源部件1062也可以为车辆100的其他系统提供能量。
传动部件1063可包括变速箱、离合器、差动器、传动轴以及其他组件。经配置，传动部件1063可将机械能从动力部件1061传输给施动部件1064。
施动部件1064可以包括车轮、轮胎等。车轮可配置为各种款式，包括单轮车、双轮车/摩托车、三轮车、或者轿车/卡车四轮款式等。轮胎可以附接车轮，车轮可以附接到传动部件1063，可响应传动部件1063传动的机械功率而进行转动，以驱动车辆100行动。
定位部件1081可被配置为用于估计车辆100的位置。定位部件1081可包括被配置为基于卫星定位数据估计车辆100相对于地球的位置的收发器。在一些实施例中，可将计算系统102配置为结合地图数据使用定位部件1081来估计车辆100可能行驶的道路以及车辆100在道路上的位置。具体的，定位部件1081可以包括全球定位系统(global positioningsystem，GPS)模块，也可以包括北斗卫星导航系统(beidou navigation satellitesystem，BDS)，也可以包括伽利略卫星导航系统(galileo satellite navigationsystem)，等等。
相机1082可以包括被配置为捕获车辆100外部环境的车外相机，也可以包括被配置为捕获车辆100内部环境的车内相机。相机1082可以为检测可见光的相机，或者为检测来自光谱其他部分的光线(红外线或紫外线等)。相机1082用于捕获二维图像，也可以用于捕获深度图像。
惯性测量单元(inertial measurement unit，IMU)1083被配置为基于惯性加速度来感测车辆100的位置和方位变化的传感器的任意组合。在一些实施例，惯性测量单元1083可包括一个或多个加速计和陀螺仪。
雷达1084可包括被配置为使用无线电波或声波来感测或检测车辆100所在环境中的对象的传感器。具体的，雷达1084可以为包括激光雷达、毫米波雷达或超声波雷达等。雷达1084可以包括波形生成器、发射天线、接收天线、信号处理器。在每一次扫描中，波形生成器可以生成波形信号，并通过发射天线进行发射。波形信号在经车辆100所在环境的物体反射后，可被接收天线接收。通过比较发射信号和接收天线信号，可以得到原始探测数据。在一个例子中，雷达1084的信号处理器可以对原始探测数据进行恒虚警率(constant false-alarm rate，CFAR)检测，峰分组(peak grouping)以及波达方向估计(direction ofarrival，DOA)获得检测点。雷达1084一次扫描获得的检测点形成一帧雷达点云。雷达1084扫描得到的检测点也可以称为点数据集合。当雷达1084为毫米波雷达时，毫米波雷达分辨率较低，一帧毫米波雷达的雷达点云上的检测点较为稀疏，因此，可以将米波雷达的雷达点云称为稀疏点云(sparse point cloud)。在一个例子中，雷达1084可以将原始探测数据传递给计算系统102，由计算系统102根据原始探测数据，确定得到雷达点云。在一个例子中，雷达1084可以通过无线通信系统1041将原始探测数据发送给控制中心300，由控制中心根据原始探测数据，确定得到雷达点云。
雷达点云上的检测点对应反射接收信号的反射点。通常一个物体对应多个反射点，即一个物体可以对应雷达点云上的多个检测点。信号处理器可以根据检测点对应的接收信号和发射信号之间的时间差以及多普勒频移等信息，可以得到检测点对应的反射点的位置、速度等信息，即雷达点云上的检测点具有位置、速度等信息。
在一些实施例中，雷达1084的信号处理器可以执行本申请实施例提供的方法。
在一些实施例中，若雷达点云是由雷达1084确定的，雷达1084可以将雷达点云传递给计算系统102，使得计算系统102可以执行本申请实施例提供的方法。
在一些实施例中，若雷达点云是由雷达1084确定的，雷达1084可以通过无线通信系统1041将雷达点云发送给控制中心300，使得控制中心执行本申请实施例提供的方法，并将处理结果反馈给车辆100。
操控部件1101可以是被配置为响应驾驶员操作或计算机指令，调整车辆100的行动方向的部件。
节流阀1102可以是被配置为控制动力部件1061的运行速度和加速度并进而控制车辆100的速度和加速度的部件。
刹车部件1103可以是被配置为降低车辆100的行动速度的部件。例如，刹车部件1103可以使用摩擦力来减慢施动部件1064中车轮的转动速度。
电源112可配置为向车辆100的一部分或全部部件提供电力。在一些实施例中，电源112可包括可重复充放电的锂离子电池或者铅蓄电池。在一些实施例中，电源112可包括一个或多个电池组。在一些实施例中，可以将电源112和能源部件1062共同实现，通过动力部件1061可将电源112提供的化学能转变为电机的机械能，并通过传动部件1063传递给施动部件1064，实现车辆100的行动。
本申请实施例提供的确定目标对象跟踪门限的方法，可以应用在车辆100的自动驾驶、自动泊车或者自动巡航等场景。在前述场景下，该方法可以确定车辆100的车载雷达探测到的目标对象所属目标类别，并使用该目标对象所属目标类别对应的跟踪门限(tracking gate threshold)，对该目标对象进行跟踪，可减少该目标对象对应的检测点对跟踪其他目标对象的干扰，从而消除或降低了在车辆100跟踪多个目标对象时，该多个目标对象航迹间干扰，降低了误检率。
在一些实施例中，该方法可以由探测装置实现，例如雷达装置。该雷达装置可以为车载雷达装置，例如图4所示的雷达1084。该方法也可以由集成在探测装置中处理装置实现，例如图4所示的雷达1084中的信号处理器。在一个例子中，该方法也可以由独立于探测装置的处理装置实现(例如控制中心300、计算系统102等)，并将处理结果反馈给探测装置。
目标类别，可简称为类别，其可以为预先设置的物体类别，例如可以设置行人、汽车、自行车、电动车等多种目标类别。目标类别也可以简称为类别。
跟踪门限，又称为跟踪门限框，是指根据目标类别参数信息设置的一种限制范围。可以根据目标类别的尺寸信息和/或速度信息，来设置该目标类别的跟踪门限。其中，尺寸信息中的尺寸可以为尺寸上限值。速度信息中的速度可以为速度上限值或者速度下限制。
以行人这一目标类别为例。可以理解，行人的尺寸一般在(1.5-2)m*(2.5-3)m之内，步行速度一般为4m/s之内。可以设置行人这一目标类别对应的跟踪门限的为尺寸(1.5-2)m*(2.5-3)m、速度4m/s。其中，速度4m/s可以为速度上限值。在一个具体例子中，可以设置行人这一目标类别对应的跟踪门限的为尺寸1.5m*2.5m、速度4m/s。在另一个具体例子中，可以设置行人这一目标类别对应的跟踪门限的为尺寸2m*3m、速度4m/s。在另一个具体例子中，可以设置行人这一目标类别对应的跟踪门限的为尺寸1.8m*2.6m、速度4m/s。等等，可以根据经验或实验对行人这一目标类别对应的跟踪门限进行设置。前述仅为示例说明，并不构成限制，在具体实现时，可以根据经验或实验对行人这一目标类别对应的跟踪门限进行设置。
以汽车这一目标类别为例。可以理解，汽车的尺寸一般在(3-5)m*(5-7)m之内，行驶速度一般为10m/s之上。可以设置汽车这一目标类别对应的跟踪门限的为尺寸(3-5)m*(5-7)、10m/s。其中，速度10m/s可以为速度下限值。在一个具体例子中，可以设置汽车这一目标类别对应的跟踪门限的为尺寸3m*5m、速度10m/s。在另一个具体例子中，可以设置汽车这一目标类别对应的跟踪门限的为尺寸4m*6m、速度10m/s。在另一个具体例子中，可以设置汽车这一目标类别对应的跟踪门限的为尺寸5m*7m、速度10m/s。等等。前述仅为示例说明，并不构成限制，在具体实现时，可以根据经验或实验对汽车这一目标类别对应的跟踪门限进行设置。
以自行车这一目标类别为例。可以理解，骑行者和自行车的尺寸一般在3m*4m之内，速度一般为7m/s之内。可以设置自行车这一目标类别对应的跟踪门限的为尺寸3m*4m、速度7m/s。其中，速度7m/s可以为速度上限值。前述仅为示例说明，并不构成限制，在具体实现时，可以根据经验或实验对自行车这一目标类别对应的跟踪门限进行设置。
以电动车这一目标类别为例。可以理解，一般而言，电动车(和骑行者)的尺寸和自行车和骑行者的尺寸相似，并且速度也相近。在一个例子中，电动车这一目标类别对应的跟踪门限和自行车对应的跟踪门限相同。在一个例子中，也可以为电动车独立设置跟踪门限，例如可以为尺寸3m*4m、速度8m/s。其中，速度8m/s可以为速度上限值。前述仅为示例说明，并不构成限制，在具体实现时，可以根据经验或实验对电动车这一目标类别对应的跟踪门限进行设置。
在本申请实施例中，可以设定设置了K个目标类别，N个跟踪门限。K和N均为大于1的正整数，且K≥N。每一种目标类别可以对应一种跟踪门限，其中，可以存在两种或两种以上的目标类别共同对应一种跟踪门限，不同跟踪门限对应不同的目标类别。
在本申请实施例中，可以采用机器学习算法，利用预先标注了目标类别的多帧雷达点云中检测点(也可以称为点数据集合)为训练样本进行训练，得到用于识别K个目标类别的分类器(也可以称为识别模型)。示例性的，采用的机器学习算法可以为XGBoost算法，在分类器的训练过程中，可以取70％训练样本为训练集，30％训练样本为测试集。
接下来，以自动驾驶场景为例，对本申请实施例提供的确定目标对象跟踪门限的方法进行示例说明。
自动驾驶场景下，对每一个目标对象的跟踪过程可以分为航迹建立阶段和航迹跟踪阶段。在目标对象的航迹建立阶段可以确定用于跟踪目标对象的跟踪门限。用于跟踪目标对象的跟踪门限也可以称为目标对象的目标门限。在目标对象的航迹跟踪阶段，可以使用目标对象的目标门限对目标对象进行跟踪，其中，落入到目标对象的目标门限内的检测点被视为属于该目标对象的检测点，仅用于确定该目标对象的航迹，不再参与目标对象的航迹之外航迹的确定过程。
接下来，结合参阅图5、图6、图7，对确定目标对象的目标门限进行示例说明。
参阅图5，对于雷达点云1(可以为雷达开启或者启用雷达航迹跟踪功能后的首帧雷达点云，也可以为雷达开启或者启用雷达航迹跟踪功能后的第n帧雷达点云)，可以采用聚类算法对雷达点云1上的检测点进行聚类，以对雷达点云检测到的目标对象进行粗分。在一个例子中，聚类算法可以为K-means。在一个例子中，聚类算法可以为DBSCAN。还可以采用其他聚类算法，此处不再一一列举。
示例性的，采用聚类算法对雷达点云1上的检测点进行聚类前，可以对雷达点云1上的检测点进行过滤，以排除雷达点云1上的静止检测点。即可以仅对雷达点云1上移动的检测点进行聚类。
参阅图5和图6。可以将聚类得到的每一类簇，视为一个目标对象。如图5所示，对于任意一个目标对象，例如目标对象S1。通过跟踪门限1对该目标对象S1中的检测点进行框定，通过跟踪门限2对该目标对象S1中的检测点进行框定，……，通过跟踪门限N对该目标对象S1中的检测点进行框定。如此，可通过N个跟踪门限，分别对该目标对象S1中的检测点进行框定。其中，对于任意一个跟踪门限框定的检测点，可以称为该跟踪门限内的检测点，也可以称为该跟踪门限内的点云数据。
示例性的，可以理解，对于采用K-means、DBSCAN等聚类算法，得到的每一类簇均具有类簇中心。可以在跟踪门限包括尺寸信息时，可以以该目标对象的聚类中心所在的检测点为框定中心进行框定，得到每一个跟踪门限内的检测点(点云数据)。当该跟踪门限还包括速度信息时，可以根据该速度信息对该跟踪门限内的检测点进行筛选。以行人这一目标类别对应的跟踪门限为例，其中，速度信息为速度4m/s。可以将行人这一目标类别对应的跟踪门限内的检测点中速度大于4m/s的检测点排除掉。以汽车这一目标类别对应的跟踪门限为例，其中，速度信息为速度10m/s。可以将汽车这一目标类别对应的跟踪门限内的检测点中速度小于10m/s的检测点排除掉。
通过上述方式，可以得到目标对象S1对应的N个跟踪门限内的点云数据。将目标对象S1对应的N个跟踪门限中每一个跟踪门限内的点云数据，输入到上文所述的分类器中，均可以得到K个目标类别对应的K个置信度，所述置信度用于表征目标对象属于某个目标类别的准确度。具体而言，可将目标对象S1对应的跟踪门限1内的点云数据，输入到上述所说的分类器中，得到目标对象S1在跟踪门限1下对应的K个置信度，该K个置信度和K个目标类别一一对应，也就是说将跟踪门限1对应的点云数据进行处理，得到每个目标类别的置信度，一共得到K个置信度。其中，K个置信度中的第一置信度表示目标对象S1属于该第一置信度对应的第一目标类别的准确度。可以将目标对象S1对应的跟踪门限2内的点云数据，输入到上述所说的分类器中，得到目标对象S1在跟踪门限2下对应的K个置信度，其中也包括第一置信度，这里的第一置信度是对应于跟踪门限2，是通过对跟踪门限2中点云数据进行处理而得到的，用于表征目标对象S1属于第一目标类别的准确度。同理，可以对N个跟踪门限都进行上述的处理，进而可以得到每个跟踪门限对应的K个置信度，也就是说可以得到N*K个置信度。
继续参阅图6，可以将目标对象S1在N个跟踪门限下的对应于同一目标类别的置信度进行相加，得到的加和可作为该目标类别的单帧置信度和。具体的，将目标对象S1在跟踪门限1下对应于类别1的置信度、目标对象S1在跟踪门限2下对应于类别1的置信度、……、目标对象S1在跟踪门限N下对应于类别1的置信度进行相加，也就是将N个第一置信度加和，得到的加和可作为类别1的单帧置信度和。采用前述类似于类别1的单帧置信度和的计算方式，可以得到类别2、……、类别K的单帧置信度和，通过对N个跟踪门限中第一目标类别的置信度加和，可以综合判断在多种跟踪门限下目标对象属于第一目标类别的可信度，更准确的评估所述目标对象的类别。
在一些实施例中，可以比较目标对象S1下的各个目标类别的单帧置信度和的大小，得到单帧置信度最高的目标类别。可以将单帧置信度最高的目标类别作为目标对象S1的估计类别。并将目标对象S1的估计类别对应跟踪门限，作为用于在目标对象S1的航迹跟踪阶段跟踪目标对象S1的跟踪门限，即作为目标对象S1的目标门限。在目标对象S1的航迹跟踪阶段，可以使用目标对象S1的目标门限，对目标对象S1对应的检测点类簇进行框定，以利用目标对象S1的目标门限内的检测点确定目标对象S1的航迹。并且，目标对象S1的目标门限内的检测点不再参与聚类其他目标对象的航迹的建立过程，从而可以减少航迹互相干扰，降低误检率。
示例性的，对于任一帧雷达点云，在通过目标对象S1的目标门限以及其他已确定的目标对象的目标门限进行框定后，可以针对未被框定到任何跟踪门限的检测点再次进行聚类，以得到类簇。并根据再次聚类得到的类簇进行新的目标对象的判断或者航迹建立。
在一个例子中，上述使用目标对象S1的目标门限，对目标对象S1对应的检测点类簇进行框定具体可以为，以目标对象S1对应的检测点类簇的聚类中心点所在的检测点中心进行框定。
需要说明的是，相邻的两帧雷达点云(采集时间相邻的两帧雷达点云)，可以采用聚类算法对分别对两种雷达点云中的每一帧雷达点云上的检测点进行聚类，得到类簇。然后，使用跟踪算法，关联相邻两帧雷达点云上的类簇，可以得到相邻两帧率雷达点云上可视为对应同一物体的类簇，即可以得到相邻两帧率雷达点云中可视为对应目标对象S1的类簇。跟踪算法可以为卡尔曼滤波算法、粒子滤波算法等。
在一些实施例中，参阅图7，可以计算目标对象S1在多帧雷达点云中每一帧雷达点云下的各个目标类别的单帧置信度和。每一帧雷达点云下的各个目标类别的单帧置信度和的计算方式可以参考上文介绍。对于目标对象S1，可以将多帧雷达点云中各帧雷达点云下的对应于同一目标类别的单帧置信度和相加，得到该目标类别的多帧置信度和。具体而言，可以将目标对象S1在雷达点云1下的类别1的单帧置信度和、……、目标对象S1在雷达点云P下的类别1的单帧置信度和、目标对象S1在雷达点云P+1下的类别1的单帧置信度和相加，得到目标对象S1对应的类别1的多帧置信度和。通过综合判断多个帧的置信度，可以将在多个帧的时间内的目标对象特征考虑在内，进而提升判读目标对象类别的准确度。
在一个例子中，多帧置信度和可以为单帧置信度和的简单相加。
在一个例子中，也可以为单帧置信度和的加权相加。例如可以按照多帧雷达点云中各帧雷达点云的采集时间的先后顺序，为每一帧雷达点云对应的单帧置信度和分配权重。以雷达点云L1、雷达点云L2、雷达点云L3为例，可以设定雷达点云L1的采集时间早于雷达点云L2的采集时间，雷达点云L2的采集时间早于雷达点云L3的采集时间，则雷达点云L1对应的单帧置信度和的权重＜雷达点云L2对应的单帧置信度和的权重＜雷达点云L3对应的单帧置信度和的权重，例如，雷达点云L1对应的权重可以为0.1，雷达点云L1对应的权重可以为0.3，雷达点云L1对应的权重可以为0.6。
采用前述类似于类别1的多帧置信度和的计算方式，可以得到类别2、……、类别K的多帧置信度和。
可以比较目标对象S1下的各个目标类别的多帧置信度和的大小，得到多帧置信度最高的目标类别。可以将多帧置信度最高的目标类别作为目标对象S1的估计类别。将目标对象S1的估计类别对应跟踪门限，作为用于在目标对象S1的航迹跟踪阶段跟踪目标对象S1的跟踪门限，即作为目标对象S1的目标门限。在目标对象S1的航迹跟踪阶段，可以使用目标对象S1的目标门限，对目标对象S1对应的检测点类簇进行框定，以利用目标对象S1的目标门限内的检测点确定目标对象S1的航迹。并且，目标对象S1的目标门限内的检测点不再参与聚类其他目标对象的航迹的建立过程，从而可以减少航迹互相干扰，降低误检率。
在一些实施例中，参阅图5和图8，可以判断目标对象S1在其估计类别对应的跟踪门限(即目标对象S1的目标门限)下属于其估计类别的置信度是否大于预设置信度阈值。置信度阈值可以为根据经验或实验预设的阈值，例如可以为设定为80％，也可以设定为85％，也可以设定为95％，等等，此处不再一一列举。
示例性的，对于通过单帧雷达点云确定目标对象S1的估计类别的方案而言，目标对象S1属于其估计类别的置信度具体为：将目标对象S1的估计类别对应的跟踪门限框定(目标门限)的检测点(点云数据)输入到上述分类器，分类器输出的K个置信度中对应于该估计类别的置信度。
示例性的，对于通过多帧雷达点云确定目标对象S1的估计类别的方案而言。在一个例子中，目标对象S1在其目标门限下属于其估计类别的置信度可以为多帧雷达点云对应的置信度的简单平均值。可以计算多帧雷达点云中每一帧雷达点云对应的目标对象S1在目标门限下属于估计类别的置信度。具体计算方式可以参考上文介绍，在此不再赘述。然后，可以将多帧雷达点云中每一帧雷达点云对应的目标对象S1在目标门限下属于估计类别的置信度进行加和，得到目标对象S1在目标门限下属于估计类别的多帧置信度，然后将多帧置信度除以多帧的帧数，得到多帧雷达点云对应的置信度的简单平均值，将该平均值作为目标对象S1在其目标门限下属于其估计类别的置信度。在一个例子中，目标对象S1在其目标门限下属于其估计类别的置信度可以为多帧雷达点云对应的置信度的加权平均值。可以计算多帧雷达点云中每一帧雷达点云对应的目标对象S1在目标门限下属于估计类别的置信度。具体计算方式可以参考上文介绍，在此不再赘述。可以将多帧雷达点云中每一帧雷达点云对应的目标对象S1在目标门限下属于估计类别的置信度乘以相应权重后，再相加，得到的加权平均值，可以作为标对象S1在其目标门限下属于其估计类别的置信度。多帧雷达点云中各帧的权重的分配方式可以为按照雷达点云的采集时间的先后顺序，分配不同的权重，具体可以参考上文介绍，在此不再赘述。
示例性的，参阅图5和图8，如果目标对象S1属于其估计类别的置信度大于置信度阈值，则锁定目标对象S1的估计类别，在后续采集到的雷达点云中，不再对目标对象S1进行分类。在该示例中，目标对象S1属于其估计类别的置信度大于置信度阈值时，通过锁定目标对象S1的估计类别，可以减少触发分类器的计算力开销，提高了检测效率。
示例性的，参阅图5和图8所示，如果目标对象S1属于其估计类别的置信度小于或等于置信度阈值，可以在目标对象S1的航迹跟踪阶段，根据探测装置新采集到的雷达点云，重新确定目标对象S1的估计类别。重新确定目标对象S1的估计类别的方式可以参考上文对图5和图6所示实施例的介绍，在此不再赘述。在重新确定了目标对象S1的估计类别后，可以判断目标对象S1属于该重新确定的估计类别的置信度是否大于置信度阈值。如果该重新确定的估计类别的置信度大于置信度阈值，则锁定该重新确定的估计类别，在后续雷达点云中，不再对目标对象S1进行分类。如果该重新确定的估计类别的置信度小于或等于置信度阈值，则根据再次采集的雷达点云，再次确定目标对象S1的估计类别，……。重复前述过程，直到最新确定的目标对象S1的估计类别的置信度大于置信度阈值或者目标对象S1航迹跟踪结束。在一个例子中，可以参阅图5，可以设定在目标对象S1的航迹建立阶段确定的目标对象S1的估计类别的置信度小于或等于置信度阈值，可以通过雷达点云P+2，重新确定目标对象S1的估计类别。如果通过雷达点云P+2重新确定的目标对象S1的估计类别的置信度仍小于或等于置信度阈值，则可以使用采集时间在雷达点云P+2之后的雷达点云P+3(未示出)，再次重新确定目标对象S1的估计类别。重复前述过程，直到最新确定的目标对象S1的估计类别的置信度大于置信度阈值或者目标对象S1航迹跟踪结束。
示例性的，在上述重新确定目标对象S1的估计类别过程中，在通过每一帧雷达点云，确定目标对象S1的航迹时，可以通过最新确定的目标对象S1的估计类别对应的跟踪门限在该帧雷达点云上进行框定，以门限框内的检测点确定目标对象S1的航迹，并避免门限框内的检测点参与其他目标对象的航迹建立过程。在一个例子中，可以参阅图5，可以设定在目标对象S1的航迹建立阶段确定的目标对象S1的估计类别的置信度小于或等于置信度阈值。在通过雷达点云P+2，确定目标对象S1的航迹时，可以通过在目标对象S1的航迹建立阶段确定的目标对象S1的估计类别对应的跟踪门限，在雷达点云P+2上进行框定。在通过雷达点云P+3(未示出)，确定目标对象S1的航迹时，可以利用通过雷达点云P+2重新确定的目标对象S1的估计类别对应的跟踪门限，在雷达点云P+3上确定跟踪门限。
本申请实施例提供的确定目标对象跟踪门限的方法，可以确定目标对象的类别，并将该目标对象的类别对应的跟踪门限用于跟踪该目标对象的目标门限，使得目标门限框定的检测点不再参与其他目标对象的聚类或其他目标对象航迹的建立过程，实现了目标门限框内的检测点不影响其他航迹，消除或减少了不同航迹间的干扰，降低了误检率。
图9A和图9B示出了本申请实施例提供的确定目标对象跟踪门限的方法的一种实际验证结果。如图9A和图9B所示，当车辆100的左前方出现行人910时，通过本申请实施例提供的确定目标对象跟踪门限的方法确定行人的目标门限为门限920。门限920为本申请实施例中行人对应的预设跟踪门限。
图10A和图10B示出了本申请实施例提供的确定目标对象跟踪门限的方法的又一种实际验证结果。如图10A和图10B所示，当车辆100的左前方出现自行车(具有骑行者)1010时，通过本申请实施例提供的确定目标对象跟踪门限的方法确定自行车的目标门限为门限1020。门限1020为本申请实施例中自行车对应的预设跟踪门限。
图11A和图11B示出了本申请实施例提供的确定目标对象跟踪门限的方法的又一种实际验证结果。如图11A和图11B所示，当车辆100的左前方出现汽车1110时，通过本申请实施例提供的确定目标对象跟踪门限的方法确定汽车的目标门限为门限1120。门限1120为本申请实施例中汽车对应的预设跟踪门限。
上述示出的三种实际验证结果表明了，通过本申请实施例提供的确定目标对象跟踪门限的方法，可以准确的确定出目标对象的类别，并采用目标对象的类别对应的跟踪门限对目标对象进行跟踪。
参阅图12，本申请实施例提供了一种确定目标对象跟踪门限的方法。该方法可以由探测装置实现，例如雷达装置。该雷达装置可以为车载雷达装置，例如图4所示的雷达1084。该方法也可以由集成在探测装置中处理装置实现，例如图4所示的雷达1084中的信号处理器。在一个例子中，该方法也可以由独立于探测装置的处理装置实现(例如控制中心300、计算系统102等)，并将处理结果反馈给探测装置。
如图12所示，该方法可以包括如下步骤。
步骤1201，确定至少一帧雷达点云，所述至少一帧雷达点云为对目标对象进行测量得到的点数据集合，所述至少一帧雷达点云包括第一帧雷达点云。
示例性的，探测装置或其他处理装置可以根据探测装置针对目标对象的一次扫描而采集到的原始探测数据或多次扫描而采集的多个原始探测数据，分别确定一帧或多帧雷达点云。其中，一帧雷达点云对应探测装置的一次扫描。具体可以参考上文介绍，在此不再赘述。
步骤1203，确定对应于所述第一帧雷达点云的N个跟踪门限，所述N个跟踪门限包括第一门限，根据所述第一门限中的点云数据确定K个置信度，所述K个置信度与K个目标类别一一对应。
可以预设的N个跟踪门限，分别在第一帧雷达点云上框定点云数据(检测点)，分别得到对应于第一帧雷达点云的N个跟踪门限。可以将对应于第一帧雷达点云的N个跟踪门限中任一跟踪门限中的点云数据，例如第一门限中的点云数据(即第一门限框定的点云数据)输入到K分类的分类器中，得到K个置信度。
重复上述方式，可以得到N个跟踪门限中每一个跟踪门限对应的K个置信度。
当至少一帧雷达点云还包括其他帧雷达点云时，可以重复上述方式，得到该其他帧雷达点云对应的N个跟踪门限中的每一个跟踪门限对应的K个置信度。具体可以参考上文对图5、图6所示的各方法实施例的介绍，在此不再赘述。
步骤1205，根据所述K个置信度确定第一目标类别。
步骤1207，根据所述第一目标类别，从所述N个跟踪门限中确定用于跟踪所述目标对象的目标门限。
可以将第一目标类别对应的跟踪门限，确定为用于跟踪目标对象的目标门限。在跟踪目标对象的航迹时，可以通过目标门限框定用于建立目标对象航迹的点云数据，并使得目标门限框定的点云数据不参与其他目标对象的航迹建立过程。
在一些实施例中，所述K个置信度包括对应于所述第一目标类别的第一置信度，所述第一置信度用于表征所述第一门限中的点云数据属于所述第一目标类别的准确度。
N个跟踪门限中门限1对应的K个置信度中任一置信度用于表征门限1中的点云数据属于该置信度对应的目标类别的准确度。具体而言，置信度1表征门限1中的点云数据属于置信度1对应的目标类别的准确度，置信度2表征门限1中的点云数据属于置信度2对应的目标类别的准确度，……，置信度K表征门限1中点云数据属于置信度K对应的目标类别的准确度。
同理，N个跟踪门限中门限2对应的K个置信度中任一置信度用于表征门限2中的点云数据属于该置信度对应的目标类别的准确度，N个跟踪门限中门限3对应的K个置信度中任一置信度用于表征门限3中的点云数据属于该置信度对应的目标类别的准确度，……，N个跟踪门限中门限N对应的K个置信度中任一置信度用于表征门限N中的点云数据属于该置信度对应的目标类别的准确度。
在一些实施例中，所述N个跟踪门限是根据预设的参数信息确定的，用于界定所述第一帧雷达点云中对应于所述目标对象的范围。
不同的跟踪门限可以是根据预设的不同目标类别对应的参数信息确定的，可以理解，属于同一目标类别的目标对象具有相似的测量范围或点数据范围。可以根据同一目标类别下的目标对象的测量范围或点数据范围，设定参数信息，进而可以根据该参数信息确定对应的跟踪门限。跟踪门限用于界定的目标对象的范围可以为目标对象的点数据的范围，也可以为目标对象的测量范围。通过跟踪门限界定目标对象的点数据的范围或测量范围，可以便于分类器对目标对象进行分类。
在该实施例的一个示例中，所述参数信息包括预设目标类别的几何尺寸信息和/或预设目标类别的速度信息。属于同一目标类别的目标对象具有相似的几何尺寸以及速度。通过目标类别的的几何尺寸信息和/或速度信息，可以确定该目标类别对应的跟踪门限。
在一些实施例中，若第一门限中的点云数据输入到K分类的分类器而得到K个置信度中，对应于K个目标类别中第一目标类别的置信度最大，并且大于预设的第一置信度阈值(例如95％)，则可以将第一目标类别确定为目标对象的所属目标类别。
在一些实施例中，所述第一目标类别是根据K个总置信度确定的，所述K个总置信度包括第一总置信度，所述第一总置信度为N个所述第一置信度的总和，所述N个所述第一置信度一一对应于所述N个跟踪门限。
N个跟踪门限中每一个跟踪门限中的云数据输入到K分类的分类器而得到K个置信度中，可以得到K个置信度，即每一个跟踪门限均对应有K个置信度。将N个跟踪门限中每一个K个置信度中的第一置信度相加，可以得到第一置信度的总和。将N个跟踪门限中每一个K个置信度中的第二置信度相加，可以得到第二置信度的总和。重复前述方式，可以得到K个置信度中每一个置信度的总和。然后，可以根据K个置信度中每一个置信度的总和，确定第一目标类别。示例性的，可以对K个置信度中每一个置信度的总和进行比较，将置信度的总和最大的置信度对应的目标类别作为第一目标类别。具体可以参考上文对图5和图6所示实施例的介绍。
在一些实施例中，所述第一目标类别是根据K个多帧总置信度确定的，所述K个多帧总置信度包括第一多帧总置信度，所述第一多帧总置信度为至少一个第一总置信度的总和，所述至少一个第一总置信度一一对应于所述至少一帧雷达点云，其中，所述第一帧雷达点云对应的所述第一总置信度为N个所述第一置信度的总和，所述N个所述第一置信度一一对应于所述N个跟踪门限。
对于至少一帧雷达点云中的第一雷达点云，可以确定第一雷达点云对应的K个置信度的每一个置信度的总和，得到K个总置信度。具体可以参考上文介绍。重复前述方式，可得到至少一帧雷达点云中每一帧雷达点云对应的K个总置信度。将至少一帧雷达点云中每一帧雷达点云对应的K个总置信度中的第一总置信度进行加和，得到第一总置信度对应的第一多帧总置信度。重复前述步骤，可以得到K个总置信度中每一个总置信度对应的多帧总置信度，即可以得到K个多帧总置信度。可以将K个多帧总置信度中最大的多帧总置信度对应的目标类别确定为第一目标类别。具体可以参考上文对图7所示实施例的介绍，在此不再赘述。
在一些实施例中，所述K个目标类别包括以下两项或更多项：
行人、汽车、自行车、电动车。
在一些实施例中，所述至少一帧雷达点云为毫米波雷达点云。
本申请实施例提供的确定目标对象跟踪门限的方法，可以确定目标对象的类别，并将该目标对象的类别对应的跟踪门限用于跟踪该目标对象的目标门限，使得目标门限框定的检测点不再参与其他目标对象的聚类或其他目标对象航迹的建立过程，实现了目标门限框内的检测点不影响其他航迹，消除或减少了不同航迹间的干扰，降低了误检率。
参阅图13，本申请实施例提供了一种确定目标对象跟踪门限的装置。该装置可以包括处理器1310、收发器1320。在该装置运行时，处理器1310执行计算机指令，使的该装置执行图12所示的方法。其中，处理器1310可以确定至少一帧雷达点云，所述至少一帧雷达点云为对目标对象进行测量得到的点数据集合，所述至少一帧雷达点云包括第一帧雷达点云；处理器1310可以确定对应于所述第一帧雷达点云的N个跟踪门限，所述N个跟踪门限包括第一门限，根据所述第一门限中的点云数据确定K个置信度，所述K个置信度与K个目标类别一一对应。处理器1310可以根据所述K个置信度确定第一目标类别。处理器1310可以根据所述第一目标类别，从所述N个跟踪门限中确定用于跟踪所述目标对象的目标门限。
在一些实施例中，如图13所示，该装置还包括存储器1330。存储器1330可以用于存储上述计算机指令，还可以用于存储分类器等。
在一些实施例中，该电子设备还包括通信总线1340，其中，处理器1310可通过通信总线1340与收发器1320、存储器1330连接，从而可实现根据存储器1330存储的计算机执行指令，对收发器1320等部件进行相应控制。
本申请实施例的电子设备各个部件/器件的具体实施方式，可参照上文如图12所示的各方法实施例实现，此处不再赘述。
由此，可以确定目标对象的类别，并将该目标对象的类别对应的跟踪门限用于跟踪该目标对象的目标门限，使得目标门限框定的检测点不再参与其他目标对象的聚类或其他目标对象航迹的建立过程，实现了目标门限框内的检测点不影响其他航迹，消除或减少了不同航迹间的干扰，降低了误检率。
可以理解的是，本申请的实施例中的处理器可以是中央处理单元(centralprocessing unit，CPU)，还可以是其他通用处理器、数字信号处理器(digital signalprocessor，DSP)、专用集成电路(application specific integrated circuit，ASIC)、现场可编程门阵列(field programmable gate array，FPGA)或者其他可编程逻辑器件、晶体管逻辑器件，硬件部件或者其任意组合。通用处理器可以是微处理器，也可以是任何常规的处理器。
参阅图14，本申请实施例提供了一种确定目标对象跟踪门限的装置1400。如图14所示，该装置1400包括处理单元1410和收发单元1420。
收发单元1420用于确定至少一帧雷达点云，该至少一帧雷达点云为对目标对象进行测量得到的点数据集合，该至少一帧雷达点云包括第一帧雷达点云；
处理单元1410用于确定对应于第一帧雷达点云的N个跟踪门限，该N个跟踪门限包括第一门限，根据第一门限中的点云数据确定K个置信度，该K个置信度与K个目标类别一一对应；
处理单元1410还用于根据该K个置信度确定第一目标类别；
处理单元1410还用于根据第一目标类别，从N个跟踪门限中确定用于跟踪目标对象的目标门限。
装置1400的各功能单元的功能，可以参考上文如图12所示的各方法实施例实现，在此不再赘述。
本申请实施例提供的确定目标对象跟踪门限的装置，可以确定目标对象的类别，并将该目标对象的类别对应的跟踪门限用于跟踪该目标对象的目标门限，使得目标门限框定的检测点不再参与其他目标对象的聚类或其他目标对象航迹的建立过程，实现了目标门限框内的检测点不影响其他航迹，消除或减少了不同航迹间的干扰，降低了误检率。
本申请的实施例中的方法步骤可以通过硬件的方式来实现，也可以由处理器执行软件指令的方式来实现。软件指令可以由相应的软件模块组成，软件模块可以被存放于随机存取存储器(random access memory，RAM)、闪存、只读存储器(read-only memory，ROM)、可编程只读存储器(programmable rom，PROM)、可擦除可编程只读存储器(erasable PROM，EPROM)、电可擦除可编程只读存储器(electrically EPROM，EEPROM)、寄存器、硬盘、移动硬盘、CD-ROM或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者通过所述计算机可读存储介质进行传输。所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。
可以理解的是，在本申请的实施例中涉及的各种数字编号仅为描述方便进行的区分，并不用来限制本申请的实施例的范围。

Claims (10)

1.一种确定目标对象跟踪门限的方法，其特征在于，所述方法包括：
确定至少一帧雷达点云，所述至少一帧雷达点云为对目标对象进行测量得到的点数据集合，所述至少一帧雷达点云包括第一帧雷达点云；
确定对应于所述第一帧雷达点云的N个跟踪门限，所述N个跟踪门限包括第一门限，根据所述第一门限中的点云数据确定K个置信度，所述K个置信度与K个目标类别一一对应；
根据所述K个置信度确定第一目标类别；
根据所述第一目标类别，从所述N个跟踪门限中确定用于跟踪所述目标对象的目标门限。
2.根据权利要求1所述的方法，其特征在于，所述K个置信度包括对应于所述第一目标类别的第一置信度，所述第一置信度用于表征所述第一门限中的点云数据属于所述第一目标类别的准确度。
3.根据权利要求1所述的方法，其特征在于，所述N个跟踪门限是根据预设的参数信息确定的，用于界定所述第一帧雷达点云中对应于所述目标对象的范围。
4.根据权利要求3所述的方法，其特征在于，所述参数信息包括预设目标类别的几何尺寸信息和/或预设目标类别的速度信息。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述第一目标类别是根据K个总置信度确定的，所述K个总置信度包括第一总置信度，所述第一总置信度为N个所述第一置信度的总和，所述N个所述第一置信度一一对应于所述N个跟踪门限。
6.根据权利要求1-4任一项所述的方法，其特征在于，所述第一目标类别是根据K个多帧总置信度确定的；
所述K个多帧总置信度包括第一多帧总置信度，所述第一多帧总置信度为至少一个第一总置信度的总和，所述至少一个第一总置信度一一对应于所述至少一帧雷达点云；
其中，所述第一帧雷达点云对应的所述第一总置信度为N个所述第一置信度的总和，所述N个所述第一置信度一一对应于所述N个跟踪门限。
7.根据权利要求1所述的方法，其特征在于，所述K个目标类别包括以下两项或更多项：
行人、汽车、自行车、电动车。
8.一种确定目标对象跟踪门限的装置，其特征在于，包括处理单元和收发单元；其中，
所述收发单元用于确定至少一帧雷达点云，所述至少一帧雷达点云为对目标对象进行测量得到的点数据集合，所述至少一帧雷达点云包括第一帧雷达点云；
所述处理单元用于确定对应于所述第一帧雷达点云的N个跟踪门限，所述N个跟踪门限包括第一门限，根据所述第一门限中的点云数据确定K个置信度，所述K个置信度与K个目标类别一一对应；
所述处理单元还用于根据所述K个置信度确定第一目标类别；
所述处理单元还用于根据所述第一目标类别，从所述N个跟踪门限中确定用于跟踪所述目标对象的目标门限。
9.一种确定目标对象跟踪门限的装置，其特征在于，包括处理器和收发器；其中，所述处理器执行计算机指令，使得所述装置执行权利要求1-7所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，其特征在于，当所述指令在电子设备上运行时，使得所述电子设备执行权利要求1-7任一项所述的方法。
CN201911294731.0A 2019-12-16 2019-12-16 一种确定目标对象跟踪门限的方法、装置 Active CN113064153B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201911294731.0A CN113064153B (zh) 2019-12-16 2019-12-16 一种确定目标对象跟踪门限的方法、装置
PCT/CN2020/136718 WO2021121247A1 (zh) 2019-12-16 2020-12-16 一种确定目标对象跟踪门限的方法、装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911294731.0A CN113064153B (zh) 2019-12-16 2019-12-16 一种确定目标对象跟踪门限的方法、装置

Publications (2)

Publication Number Publication Date
CN113064153A true CN113064153A (zh) 2021-07-02
CN113064153B CN113064153B (zh) 2024-01-02

Family

ID=76477088

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911294731.0A Active CN113064153B (zh) 2019-12-16 2019-12-16 一种确定目标对象跟踪门限的方法、装置

Country Status (2)

Country Link
CN (1) CN113064153B (zh)
WO (1) WO2021121247A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024141039A1 (zh) * 2022-12-30 2024-07-04 华为技术有限公司 一种目标识别方法以及相关装置

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11989891B2 (en) * 2021-08-06 2024-05-21 Beijing Qingzhouzhihang Technology Co., LTD. System and method for 3D multi-object tracking in LiDAR point clouds
CN113734046B (zh) * 2021-08-17 2023-09-19 江苏星图智能科技有限公司 基于雷达的车内位置分区人员检测方法、装置以及设备
CN114509720A (zh) * 2022-01-18 2022-05-17 国网河北省电力有限公司信息通信分公司 一种电网设备室内定位方法、装置及终端设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7003136B1 (en) * 2002-04-26 2006-02-21 Hewlett-Packard Development Company, L.P. Plan-view projections of depth image data for object tracking
CN105957106A (zh) * 2016-04-26 2016-09-21 湖南拓视觉信息技术有限公司 三维目标跟踪的方法和装置
CN108427112A (zh) * 2018-01-22 2018-08-21 南京理工大学 一种改进的多扩展目标跟踪方法
CN110488815A (zh) * 2019-08-01 2019-11-22 广州小鹏汽车科技有限公司 一种车辆的路径跟踪方法及路径跟踪系统
CN110488273A (zh) * 2019-08-30 2019-11-22 成都纳雷科技有限公司 一种基于雷达的车辆跟踪检测方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7003136B1 (en) * 2002-04-26 2006-02-21 Hewlett-Packard Development Company, L.P. Plan-view projections of depth image data for object tracking
CN105957106A (zh) * 2016-04-26 2016-09-21 湖南拓视觉信息技术有限公司 三维目标跟踪的方法和装置
CN108427112A (zh) * 2018-01-22 2018-08-21 南京理工大学 一种改进的多扩展目标跟踪方法
CN110488815A (zh) * 2019-08-01 2019-11-22 广州小鹏汽车科技有限公司 一种车辆的路径跟踪方法及路径跟踪系统
CN110488273A (zh) * 2019-08-30 2019-11-22 成都纳雷科技有限公司 一种基于雷达的车辆跟踪检测方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024141039A1 (zh) * 2022-12-30 2024-07-04 华为技术有限公司 一种目标识别方法以及相关装置

Also Published As

Publication number Publication date
CN113064153B (zh) 2024-01-02
WO2021121247A1 (zh) 2021-06-24

Similar Documents

Publication Publication Date Title
CN113064153B (zh) 一种确定目标对象跟踪门限的方法、装置
US11821990B2 (en) Scene perception using coherent doppler LiDAR
US11668798B2 (en) Real-time ground surface segmentation algorithm for sparse point clouds
CN112512887B (zh) 一种行驶决策选择方法以及装置
CN113525373B (zh) 一种车辆的变道控制系统、控制方法以及变道控制装置
CN113498529B (zh) 一种目标跟踪方法及其装置
CN115147796A (zh) 评测目标识别算法的方法、装置、存储介质及车辆
CN115123257B (zh) 路面减速带位置识别方法、装置、车辆、存储介质及芯片
US20210362727A1 (en) Shared vehicle management device and management method for shared vehicle
CN114056346B (zh) 一种自动驾驶行车控制方法及装置
CN111311947A (zh) 一种网联环境下考虑驾驶人意图的行车风险评估方法和装置
CN115407344B (zh) 栅格地图创建方法、装置、车辆及可读存储介质
CN114842440B (zh) 自动驾驶环境感知方法、装置、车辆及可读存储介质
CN115202234B (zh) 仿真测试方法、装置、存储介质和车辆
CN115056784B (zh) 车辆控制方法、装置、车辆、存储介质及芯片
US12014552B2 (en) Intelligent vehicle systems and control logic for incident prediction and assistance in off-road driving situations
CN114572219B (zh) 自动超车方法、装置、车辆、存储介质及芯片
CN115179930B (zh) 车辆控制方法、装置、车辆及可读存储介质
CN115257628B (zh) 车辆控制方法、装置、存储介质、车辆及芯片
CN114802435B (zh) 车辆控制方法、装置、车辆、存储介质及芯片
WO2024024471A1 (ja) 情報処理装置、情報処理方法、及び、情報処理システム
CN115139946B (zh) 车辆落水检测方法、车辆、计算机可读存储介质及芯片
CN115063639B (zh) 生成模型的方法、图像语义分割方法、装置、车辆及介质
US20240233549A1 (en) Driver assistance system, vehicle, and recording medium recording computer program
CN117789741A (zh) 语音信号处理方法、装置、车辆及存储介质

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