CN113111513A - 传感器配置方案确定方法、装置、计算机设备及存储介质 - Google Patents

传感器配置方案确定方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN113111513A
CN113111513A CN202110395399.8A CN202110395399A CN113111513A CN 113111513 A CN113111513 A CN 113111513A CN 202110395399 A CN202110395399 A CN 202110395399A CN 113111513 A CN113111513 A CN 113111513A
Authority
CN
China
Prior art keywords
sensor configuration
configuration scheme
sensor
screened
measurement data
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
CN202110395399.8A
Other languages
English (en)
Other versions
CN113111513B (zh
Inventor
马涛
刘知正
李怡康
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.)
Shanghai Sensetime Lingang Intelligent Technology Co Ltd
Original Assignee
Shanghai Sensetime Lingang Intelligent 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 Shanghai Sensetime Lingang Intelligent Technology Co Ltd filed Critical Shanghai Sensetime Lingang Intelligent Technology Co Ltd
Priority to CN202110395399.8A priority Critical patent/CN113111513B/zh
Publication of CN113111513A publication Critical patent/CN113111513A/zh
Priority to PCT/CN2022/071455 priority patent/WO2022217988A1/zh
Application granted granted Critical
Publication of CN113111513B publication Critical patent/CN113111513B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/0007—Image acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • 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
    • 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
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Computer Graphics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Traffic Control Systems (AREA)
  • Optical Radar Systems And Details Thereof (AREA)

Abstract

本公开实施例提供了一种传感器配置方案确定方法、装置、计算机设备及存储介质，包括：获取多个待筛选的传感器配置方案；确定每个待筛选的传感器配置方案对应的仿真测量数据；一个待筛选的传感器配置方案对应的仿真测量数据为该传感器配置方案中的传感器所测量到的目标物体的数据；基于每个待筛选的传感器配置方案对应的仿真测量数据，确定该传感器配置方案的条件熵；一个待筛选的传感器配置方案的条件熵用于表征该传感器配置方案中的传感器的测量结果在该传感器配置方案对应的仿真测量数据下的稳定性；基于确定的各个待筛选的传感器配置方案的条件熵，从所述多个待筛选的传感器配置方案中，确定目标传感器配置方案。

Description

传感器配置方案确定方法、装置、计算机设备及存储介质
技术领域
本公开涉及智能驾驶技术领域，具体而言，涉及一种传感器配置方案确定方法、装置、计算机设备及存储介质。
背景技术
随着科学技术的发展，自动驾驶技术也发展越来越迅速。自动驾驶车辆在行驶过程中主要依靠自动驾驶车辆上安装的各个传感器(如雷达、相机等)进行车辆控制，例如利用传感器的检测结果进行障碍物识别。
传感器的选型以及安装位置，直接影响到了障碍物识别的精度。相关技术中，在确定自动驾驶车辆上安装的传感器的位置以及型号时，一般主要依靠人为经验和规则，然而这种方法需要进行反复调整，在进行传感器部署时效率较低。
发明内容
本公开实施例至少提供一种传感器配置方案确定方法、装置、计算机设备及存储介质。
第一方面，本公开实施例提供了一种传感器配置方案确定方法，包括：
获取多个待筛选的传感器配置方案；
确定每个待筛选的传感器配置方案对应的仿真测量数据；一个待筛选的传感器配置方案对应的仿真测量数据为该传感器配置方案中的传感器所测量到的目标物体的数据；
基于每个待筛选的传感器配置方案对应的仿真测量数据，确定该传感器配置方案的条件熵；一个带筛选的传感器配置方案的条件熵用于表征该传感器配置方案中的传感器的测量结果在该传感器配置方案对应的仿真测量数据下的稳定性；
基于确定的各个待筛选的传感器配置方案的条件熵，从所述多个待筛选的传感器配置方案中，确定目标传感器配置方案。
一种可能的实施方式中，所述传感器配置方案为自动驾驶装置中的传感器的部署方案；
所述传感器配置方案包括传感器安装信息和传感器内参信息；
所述传感器安装信息包括多个传感器在预先定义的感知空间中的安装位置以及安装朝向；其中，所述感知空间为所述自动驾驶装置周围需要被感知的区域范围。
一种可能的实施方式中，所述获取多个待筛选的传感器配置方案，包括：
获取多个传感器的初始安装位置；
对各个传感器的初始安装位置按照设置的偏移量进行偏移，得到多个待筛选的安装位置；
将不同传感器的多个待筛选的安装位置进行组合，得到多个待筛选的传感器配置方案。
通过这种方式，可以实现对于传感器配置方案的自动搜索，这样再通过搜索出的不同传感器配置方案对应的条件熵，实现对于最优配置方案的选择。
一种可能的实施方式中，在所述传感器包括图像采集装置的情况下，所述仿真测量数据包括所述目标物体在所述图像采集装置拍摄的图像中所占的面积。
一种可能的实施方式中，在所述传感器包括激光雷达的情况下，所述仿真测量数据包括由所述目标物体反射得到的点云点的个数。
不同类型的传感器，对应不同的仿真测量数据，这样通过不同类型的仿真测量数据，可以实现对于多种类型的传感器的传感器配置方案的确定。
一种可能的实施方式中，所述确定每个待筛选的传感器配置方案对应的仿真测量数据，包括：
将在预先定义的感知空间内的目标物体进行体素化处理，得到所述目标物体对应的多个体素；
针对每个待筛选的传感器配置方案，基于该传感器配置方案以及所述目标物体对应的多个体素在所述感知空间中的位置坐标，确定该传感器配置方案对应的仿真测量数据。
这样，在将目标物体进行体素化之后，可以直接根据目标物体的体素的位置坐标，确定仿真测量数据，这样可以加快仿真测量数据的计算速度。
一种可能的实施方式中，在所述传感器配置方案包括激光雷达的安装位置，以及激光雷达的垂直角分辨率和水平角分辨率的情况下，基于该传感器配置方案以及所述目标物体对应的多个体素在所述感知空间中的位置坐标，确定该传感器配置方案对应的仿真测量数据，包括：
基于所述激光雷达的安装位置、垂直角分辨率和水平角分辨率，确定所述激光雷达的任一束激光光束对应的旋转矩阵，所述旋转矩阵用于表示所述激光光束的发射方向；
基于所述任一束激光光束对应的旋转矩阵，和所述目标物体对应的多个体素在所述感知空间中的位置坐标，确定由在所述目标物体反射得到的点云点的个数。
一种可能的实施方式中，在所述传感器配置方案包括图像采集装置的安装信息和图像采集装置的内参矩阵的情况下，基于该传感器配置方案以及所述目标物体对应的多个体素在所述感知空间中的位置坐标，确定该传感器配置方案对应的仿真测量数据，包括：
基于所述图像采集装置的安装信息和所述内参矩阵，将所述目标物体对应的多个体素在所述感知空间中的位置坐标转换到所述图像采集装置对应的图像坐标系下，得到所述多个体素对应的目标像素点；
将所述目标像素点构成的位置区域的面积，作为所述目标物体在所述图像采集装置拍摄的图像中所占的面积。
一种可能的实施方式中，采用以下方法确定每个传感器配置方案的条件熵：
在一个待筛选的传感器配置方案中仅包括激光雷达情况下，基于该传感器配置方案中每个激光雷达的仿真测量数据，确定该传感器配置方案对应的目标仿真测量数据；
基于所述目标仿真测量数据，确定该传感器配置方案的条件熵。
一种可能的实施方式中，采用以下方法确定每个传感器配置方案的条件熵：
针对任一个待筛选的传感器配置方案，基于该传感器配置方案中的任一个传感器的仿真测量数据，确定该传感器的检测到的对象所服从的高斯分布的标准方差；
将该传感器配置方案中多个传感器对应的所述标准方差进行融合，得到目标标准方差；
基于所述目标标准方差，确定该传感器配置方案的条件熵。
不同类型的传感器，可以采用不同的数据融合方法，进而基于融合后的数据(这里指目标仿真测量数据或目标标准方差)确定传感器配置方案的条件熵，因此可以选择出测量效果最优的传感器配置方案。
第二方面，本公开实施例还提供一种传感器配置方案确定装置，包括：
获取模块，用于获取多个待筛选的传感器配置方案；
第一确定模块，用于确定每个待筛选的传感器配置方案对应的仿真测量数据；一个待筛选的传感器配置方案对应的仿真测量数据为该传感器配置方案中的传感器所测量到的目标物体的数据；
第二确定模块，用于基于每个待筛选的传感器配置方案对应的仿真测量数据，确定该传感器配置方案的条件熵；一个待筛选的传感器配置方案的条件熵用于表征该传感器配置方案中的传感器的测量结果在该传感器配置方案对应的仿真测量数据下的稳定性；
选择模块，用于基于确定的各个待筛选的传感器配置方案的条件熵，从所述多个待筛选的传感器配置方案中，确定目标传感器配置方案。
一种可能的实施方式中，所述传感器配置方案为自动驾驶装置中的传感器的部署方案；
所述传感器配置方案包括传感器安装信息和传感器内参信息；
所述传感器安装信息包括多个传感器在预先定义的感知空间中的安装位置以及安装朝向；其中，所述感知空间为所述自动驾驶装置周围需要被感知的区域范围。
一种可能的实施方式中，所述获取模块，在获取多个待筛选的传感器配置方案时，用于：
获取多个传感器的初始安装位置；
对各个传感器的初始安装位置按照设置的偏移量进行偏移，得到多个待筛选的安装位置；
将不同传感器的多个待筛选的安装位置进行组合，得到多个待筛选的传感器配置方案。
一种可能的实施方式中，在所述传感器包括图像采集装置的情况下，所述仿真测量数据包括所述目标物体在所述图像采集装置拍摄的图像中所占的面积。
一种可能的实施方式中，在所述传感器包括激光雷达的情况下，所述仿真测量数据包括由所述目标物体反射得到的点云点的个数。
一种可能的实施方式中，所述第一确定模块，在确定每个待筛选的传感器配置方案对应的仿真测量数据时，用于：
将在预先定义的感知空间内的目标物体进行体素化处理，得到所述目标物体对应的多个体素；
针对每个待筛选的传感器配置方案，基于该传感器配置方案以及所述目标物体对应的多个体素在所述感知空间中的位置坐标，确定该传感器配置方案对应的仿真测量数据。
一种可能的实施方式中，在所述传感器配置方案包括激光雷达的安装位置，以及激光雷达的垂直角分辨率和水平角分辨率的情况下，所述第一确定模块，在基于该传感器配置方案以及所述目标物体对应的多个体素在所述感知空间中的位置坐标，确定该传感器配置方案对应的仿真测量数据时，用于：
基于所述激光雷达的安装位置、垂直角分辨率和水平角分辨率，确定所述激光雷达的任一束激光光束对应的旋转矩阵，所述旋转矩阵用于表示所述激光光束的发射方向；
基于所述任一束激光光束对应的旋转矩阵，和所述目标物体对应的多个体素在所述感知空间中的位置坐标，确定由所述目标物体反射得到的点云点的个数。
一种可能的实施方式中，在所述传感器配置方案包括图像采集装置的安装信息和图像采集装置的内参矩阵的情况下，所述第一确定模块，在基于该传感器配置方案以及所述目标物体对应的多个体素在所述感知空间中的位置坐标，确定该传感器配置方案对应的仿真测量数据时，用于：
基于所述图像采集装置的安装信息和所述内参矩阵，将所述目标物体对应的多个体素在所述感知空间中的位置坐标转换到所述图像采集装置对应的图像坐标系下，得到所述多个体素对应的目标像素点；
将所述目标像素点构成的位置区域的面积，作为所述目标物体在所述图像采集装置拍摄的图像中所占的面积。
一种可能的实施方式中，所述第二确定模块，用于采用以下方法确定每个传感器配置方案的条件熵：
在一个待筛选的传感器配置方案中仅包括激光雷达情况下，基于该传感器配置方案中每个激光雷达的仿真测量数据，确定该传感器配置方案对应的目标仿真测量数据；
基于所述目标仿真测量数据，确定该传感器配置方案的条件熵。
一种可能的实施方式中，所述第二确定模块，用于采用以下方法确定每个传感器配置方案的条件熵：
针对任一个待筛选的传感器配置方案，基于该传感器配置方案中的任一个传感器的仿真测量数据，确定该传感器检测到的对象所服从的高斯分布的标准方差；
将该传感器配置方案中多个传感器对应的所述标准方差进行融合，得到目标标准方差；
基于所述目标标准方差，确定该传感器配置方案的条件熵。
第三方面，本公开实施例还提供一种计算机设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行上述第一方面，或第一方面中任一种可能的实施方式中的步骤。
第四方面，本公开实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述第一方面，或第一方面中任一种可能的实施方式中的步骤。
关于上述传感器配置方案确定装置、计算机设备、及计算机可读存储介质的效果描述参见上述传感器配置方案确定方法的说明，这里不再赘述。
为使本公开的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，此处的附图被并入说明书中并构成本说明书中的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。应当理解，以下附图仅示出了本公开的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本公开实施例所提供的一种传感器配置方案确定方法的流程图；
图2示出了本公开实施例所提供的传感器配置方案确定方法中，获取多个待筛选的传感器配置方案的具体方法的流程图；
图3示出了本公开实施例所提供的目标物体体素化的示意图；
图4示出了本公开实施例所提供的一种传感器配置方案确定装置的架构示意图；
图5示出了本公开实施例所提供的一种计算机设备的结构示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本公开实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本公开的实施例的详细描述并非旨在限制要求保护的本公开的范围，而是仅仅表示本公开的选定实施例。基于本公开的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。
经研究发现，相关技术中，在确定传感器的配置方案时，一般是基于人为经验或者规则进行确定，例如所述规则可以是尽量减少盲区、提升感知范围等。然而认为经验和规则并不能转换为具体的数据，因此并不能直观的对各个传感器配置方案进行评判，这样导致传感器部署时效率较低。
针对以上方案所存在的缺陷，均是发明人在经过实践并仔细研究后得出的结果，因此，上述问题的发现过程以及下文中本公开针对上述问题所提出的解决方案，都应该是发明人在本公开过程中对本公开做出的贡献。
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。
为便于对本实施例进行理解，首先对本公开实施例所公开的一种传感器配置方案确定方法进行详细介绍，本公开实施例所提供的传感器配置方案确定方法的执行主体一般为具有一定计算能力的计算机设备，该计算机设备例如包括：终端设备或服务器或其它处理设备，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该传感器配置方案确定方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
参见图1所示，为本公开实施例提供的传感器配置方案确定方法的流程图，所述方法包括步骤101～步骤104，其中：
步骤101、获取多个待筛选的传感器配置方案。
步骤102、确定每个待筛选的传感器配置方案对应的仿真测量数据；一个待筛选的传感器配置方案对应的仿真测量数据为该传感器配置方案中的传感器所测量到的目标物体的数据。
步骤103、基于每个待筛选的传感器配置方案对应的仿真测量数据，确定该传感器配置方案的条件熵；一个待筛选的传感器配置方案的条件熵用于表征该传感器配置方案中的传感器的测量结果在该传感器配置方案对应的仿真测量数据下的稳定性。
步骤104、基于确定的各个待筛选的传感器配置方案的条件熵，从所述多个待筛选的传感器配置方案中，确定目标传感器配置方案。
本公开实施例提供的传感器配置方案确定方法中，可以获取多个待筛选的传感器配置方案，不同的传感器配置方案对应不同的仿真测量数据，然后可以基于不同传感器配置方案对应的仿真测量数据，分别确定不同传感器配置方案的条件熵，所述条件熵可以理解为在一个已知随机变量的条件下，另外一个变量的稳定性，引用至本方案，传感器配置方案的条件熵即为传感器配置方案中的传感器的测量结果在该传感器配置方案对应的仿真测量数据下的稳定性，由于仿真测量数据间接表征传感器配置方案，因此传感器配置方案的条件熵也可以理解为传感器测量结果在不同传感器配置方案下的稳定性，这样，可以通过量化指标来评判各个传感器配置方案，进而可以通过各个传感器配置方案的条件熵，实现最优的传感器配置方案的选择。
以下是对上述步骤的详细描述。
针对步骤101、
所述传感器配置方案可以是自动驾驶装置中的传感器的部署方案，包括传感器安装信息和传感器内参信息。
所述传感器安装信息包括所述传感器在预先定义的感知空间中的安装位置(例如可以是在所述感知空间中的三维坐标)以及安装朝向(例如可以是旋转矩阵)；其中，所述感知空间为所述自动驾驶装置周围需要被感知的区域范围。
实际应用中，由于只有自动驾驶装置周边的物体会对自动驾驶装置的行驶产生影响，而条件熵用于反应传感器的测量结果在仿真测量数据下的稳定性，因此，在确定条件熵时，只需要确定在感知空间内的条件熵即可。
在设置感知空间时，可以以自动驾驶装置的中心为体对角线的交点，按照预设的长宽高，设置自动驾驶装置对应的感知空间。由于不同尺寸的自动驾驶装置的感知需求不同，例如对于高度较矮的小轿车来说，则无需感知较高空间内的物体(如指示牌等)，而对于高度较高的开车来说，则需要感知较高空间内的物体；对于带有自动泊车功能的自动驾驶装置来说，则需要尽可能多的关注车辆尾部的空间内的物体；而对于没有自动泊车功能的自动驾驶装置来说，则尽可能多的关注车辆前方和两侧空间内的物体，因此，为满足不同自动驾驶装置的感知需求，以及降低传感器配置方案选择过程中的计算量，可以为不同尺寸的自动驾驶装置设置不同尺寸的感知空间。示例性的，感知空间的长宽高可以与自动驾驶装置的长宽高成一定比例。
或者，为所有自动驾驶装置设置相同尺寸的感知空间，但是对于感知空间中的不同位置设置不同的权重，所述权重用于表示对于自动驾驶装置而言该位置出现的物体的检测的重要程度。示例性的，对于不带有自动泊车功能的自动驾驶装置，其车辆尾部的权重可以设置较低。
在所述传感器包括激光雷达时，所述传感器内参信息可以包括垂直角分辨率、水平角分辨率；在所述传感器包括图像采集装置时，所述传感器内参信息可以包括图像采集装置的内参矩阵，所述图像采集装置例如可以是相机。
不同类型的传感器，对应不同的仿真测量数据，这样通过不同类型的仿真测量数据，可以实现针对多种类型的传感器的传感器配置方案的确定。
在一种可能的实施方式中，在获取多个待筛选的传感器配置方案时，可以参照如图2所示的方法，包括以下几个步骤：
步骤201、获取多个传感器的初始安装位置。
步骤202、对各个传感器的初始安装位置按照设置的偏移量进行偏移，得到多个待筛选的安装位置。
步骤203、将不同传感器的多个待筛选的安装位置进行组合，得到多个待筛选的传感器配置方案。
这里，所述初始安装位置可以是指设置的大致的安装位置，例如某激光雷达需要安装在自动驾驶车辆的车顶，但是并无法确定精确的最优的安装位置，因此可以将车顶的任一位置设置为所述初始安装位置，然后通过步骤202进行位置搜索，得到多个待筛选的安装位置，再确定最优的安装位置。
这里，所述偏移量可以指偏移步长，不同类型的传感器在进行偏移时偏移量可以不同。当所述偏移量只有一个时，每次对初始安装位置进行偏移时，可以都是从初始安装位置进行偏移，偏移方向可以不同，每次对初始安装位置进行偏移可以得到一个待筛选的安装位置。
在另外一种可能的实施方式中，当所述偏移量只有一个时，在对初始安装位置按照偏移量进行偏移时，可以是在第N次偏移的安装位置的基础上进行第N+1次偏移，第一次偏移是在初始安装位置的基础上进行偏移，第二次偏移是在第一次偏移的安装位置的基础上进行偏移…以此类推，直至完成预设次数的偏移，N为大于等于1的正整数。
当所述偏移量有多个时，可以先按照从大到小的顺序，对所述多个偏移量进行排序，再基于最大的偏移量，对初始安装位置进行偏移(例如可以偏移预设次数)，得到多个中间偏移安装位置。然后将多个中间偏移安装位置分别作为初始安装位置，再利用排序结果中第二个偏移量进行偏移…以此类推，直至基于基于每一个偏移量都进行偏移。
这样，当偏移量有m个，每次偏移时偏移次数相同，均为n次时，最终可以得到nm个待筛选的安装位置。
为了提高计算速度，在基于任一个偏移量进行偏移后，可以确定本次偏移后得到的多个传感器配置方案，然后将多个传感器配置方案中条件熵最小的传感器配置方案对应的安装位置作为所述初始安装位置，并重新执行上述过程，直至得到最小的偏移量对应的传感器配置方案。
这样，当偏移量有m个，每次偏移时偏移次数相同，均为n次时，最终可以得到n*m个待筛选的安装位置。步骤101中所述获取多个待筛选的传感器配置方案，可以是获取最小的偏移量对应的传感器配置方案。
所述将不同传感器的多个待筛选的安装位置进行组合，示例性，若有a个传感器，每个传感器有b个待筛选的安装位置，则会有ba个组合，即有ba个待筛选的传感器配置方案。
在另外一种可能的实施方式中，还可以将不同传感器的多个待筛选的安装位置进行组合之后，再与预先配置的至少一种传感器内参信息进行组合，得到多个待筛选的传感器配置方案。
所述预先配置的至少一种传感器内参信息可以是指不同型号的传感器的内参信息，例如对于激光雷达，可以有64线的雷达，可以有32线的雷达，不同型号的传感器对应的传感器内参信息不同。
在将不同传感器的多个待筛选的安装位置进行组合，其中，不同传感器包括类别不同的传感器，如雷达、摄像头等，还包括内参信息不同的同一类传感器，如具有不同内参信息的摄像头，或者具有不同内参信息的雷达。
通过这种方式，可以实现对于传感器配置方案的自动搜索，这样再通过搜索出的不同传感器配置方案对应的条件熵，实现对于最优配置方案的选择。
针对步骤102、
所述仿真测量数据为所述传感器配置方案中的传感器所测量到的目标物体的数据。在所述传感器包括激光雷达的情况下，所述仿真测量数据包括由所述目标物体反射得到的点云点的个数；在所述传感器包括图像采集装置的情况下，所述仿真测量数据包括所述目标物体在所述图像采集装置拍摄的图像中所占的面积。
这里，所述目标物体可以是指在所述感知空间中的预设的需要感知的物体，例如可以包括车辆、行人等。
为了方便对仿真测试数据的统计，在一种可能的实施方式中，在确定多个待筛选的传感器配置方案分别对应的仿真测量数据时，可以先将在预先定义的感知空间内的目标物体进行体素化处理，得到目标物体对应的多个体素；然后针对每个待筛选的传感器配置方案，基于该传感器配置方案以及所述目标物体对应的多个体素在所述感知空间中的位置坐标，确定该传感器配置方案对应的仿真测量数据。
这里，所述对目标物体进行体素化处理，可以理解为将目标物体的表面进行分割，分割为预设尺寸的立方体，示例性的，体素化的过程如图3所示。
在将目标物体进行体素化之后，可以直接根据目标物体的体素的位置坐标，确定仿真测量数据，这样可以加快仿真测量数据的计算速度。
在所述传感器配置方案包括激光雷达的安装位置，以及激光雷达的垂直角分辨率和水平角分辨率的情况下，即在传感器配置方案中的传感器包括激光雷达的情况下，在基于该所述传感器配置方案以及所述目标物体对应的多个体素在所述感知空间中的位置坐标，确定该传感器配置方案对应的仿真测量数据时，可以包括以下步骤：
步骤a、基于所述激光雷达的安装位置、垂直角分辨率和水平角分辨率，确定所述激光雷达的任一束激光光束对应的旋转矩阵，所述旋转矩阵用于表示所述激光光束的发射方向。
具体的，所述激光光束的发射方向可以通过旋转矩阵表示，示例性的可以通过如下公式进行计算：
VG＝R-1·[sin(θ)cos(φ),sin(θ)sinφ,cos(θ)]T 1)
其中，VG表示激光光束的旋转矩阵，R表示激光雷达的旋转矩阵，θ表示垂直检测角度，φ表示水平检测角度，所述水平检测角度根据水平角分辨率计算得到，所述垂直检测角度根据垂直角分辨率计算得到。
示例性的，若激光雷达的水平检测角度范围为-90°～90°，水平角分辨率为10°，垂直检测角度范围为0°～-60°，水平角分辨率为10°，则可以确定激光雷达每次发射激光光束时，共发射18*6＝104根激光光束，并可以根据水平角分辨率和垂直角分辨率确定每根激光光束的水平检测角度和垂直检测角度。然后将每根激光光束的水平检测角度和垂直检测角度带入上述公式(1)，得到每根激光光束的旋转矩阵。
步骤b、基于所述任一束激光光束对应的旋转矩阵，和所述目标物体对应的多个体素在所述感知空间中的位置坐标，确定由所述目标物体反射得到的点云点的个数。
这里，由于激光雷达的位置坐标是已知的，每个激光光束的朝向通过上述公式(1)可以计算的得到，因此每个激光光束可以看作是以激光雷达的位置为原点的射线，射线的方向为激光光束的朝向。或者，由于激光雷达的探测距离也是激光雷达的内参之一，因此每个激光光束可以看作是以激光雷达的位置为原点，以探测距离为长度的有向线段，线段的方向为每个激光光束的朝向。
在基于所述任一束激光光束对应的旋转矩阵，和所述目标物体对应的多个体素在所述感知空间中的位置坐标，确定落在所述目标物体上的点云点的个数时，可以计算各个体素对应的位置坐标与所述任一束激光光束的距离(例如可以通过点到直线的距离，或者点到射线的距离)，若所述距离小于预设距离，则确定所述激光光束落在该体素上，该体素有反射的点云点。
当目标物体与激光雷达之间的距离较近时，可能会出现多条激光光束落在同一体素上的情况，因此可能会有一个体素有多个反射的点云点的情况。
实际应用中，为了提高仿真测量数据的计算速度，可以根据目标物体与激光雷达之间的相对位置关系，确定预先设置的在该相对位置关系下需统计的目标体素，然后计算目标体素与各激光光束之间的距离。示例性的，若目标物体为目标车辆，目标车辆与激光雷达的相对位置关系为纵向平行，则激光雷达在检测过程中，仅能检测到车辆车尾，因此在确定仿真测量数据时，可以仅确定车尾位置的体素与激光光束之间的距离。
在所述传感器配置方案包括图像采集装置的安装信息和图像采集装置的内参矩阵的情况下，在基于所述传感器配置方案以及所述目标物体对应的多个体素在所述感知空间中的位置坐标，确定该传感器配置方案对应的仿真测量数据时，包括以下几个步骤：
步骤a、基于所述图像采集装置的安装信息和所述内参矩阵，将所述目标物体对应的多个体素在所述感知空间中的位置坐标转换到所述图像采集装置对应的图像坐标系下，得到所述多个体素对应的目标像素点。
示例性的，在将多个体素在感知空间中的位置坐标转换到图像坐标系下时，可以通过如下公式转换：
pC≡K·(R·pG+t) (2)
其中，pC表示体素对应的在图像坐标系下的二维坐标，pG表示体素在感知空间中的三维坐标，K表示图像采集装置的内参矩阵，R表示图像采集装置的安装位置(即在感知空间中的三维坐标)，t表示图像采集装置的旋转矩阵。
步骤b、将所述目标像素点构成的位置区域的面积，作为所述目标物体在所述图像采集装置拍摄的图像中所占的面积。
实际应用中，为了提高仿真测量数据的计算速度，可以先根据目标物体与图像采集装置之间的相对位置关系，确定预先设置的在该相对位置关系下的关键体素，然后将关键体素基于上述公式(2)转换到图像坐标系中，并将转换之后的目标像素点之间相互连接，并将连接成的区域的面积作为目标物体在所述图像采集装置拍摄的图像中所占的面积。
示例性的，若目标物体为目标车辆，目标车辆与图像采集装置的相对位置关系为纵向平行，则图像采集装置在检测过程中，仅能拍摄到车辆车尾，因此在确定仿真测量数据时，可以确定车尾的四个顶点对应的体素为目标体素，并将目标体素转换到图像坐标系中，得到四个目标像素点，将四个目标像素点之间连接，构成的区域的面积为目标车辆在所述图像采集装置拍摄的图像中所占的面积。
针对步骤103、
所述条件熵可以理解为一个变量在另一个已知随机变量的条件下的稳定性，或确定性，本公开实施例中所述的条件熵可以为一种特殊的场景下的条件熵，也可以称为感知熵。
条件熵的定义公式可以如下所示：
Figure BDA0003018412490000151
这里，所述条件熵H(U|V)表示在变量V下变量U取值的稳定性，条件熵H(U|V)的取值越大，变量U稳定性越低，条件熵H(U|V)的取值越小，变量U稳定性越高。
进一步的，公式(3)可以用如下形式表示：
H(U|V)＝-∫v∫u p(u|v)ln(p(u|v))dup(v)dv＝Ev～pVH(U|v) (4)
这里，所述条件熵H(U|V)可以表示为当变量v服从pV分布时，变量U在变量V取值为v时的期望值。
本公开实施例中的传感器检测结果为传感器检测到的目标物体，影响传感器检测结果的为传感器的选型和传感器的安装位置，即影响传感器检测结果的为传感器配置方案，而当传感器配置方案确定时，仿真测量数据也是唯一确定的，即仿真测量数据可以间接的表征传感器配置方案，因此影响传感器检测结果的为仿真测量数据。
基于此，本公开实施例中条件熵公式可以表示如下：
Figure BDA0003018412490000161
其中，q表示传感器配置方案中的参数，即包括传感器内参信息和传感器安装信息，m表示体素对应的仿真测量数据，M表示目标物体对应的仿真测量数据的分布，S表示传感器测量到的目标物体在感知空间中的概率分布。
由于体素对应的仿真测量数据m可以通过公式(1)、(2)计算得到，因此可以设仿真测量数据m＝f(s,q)，s表示体素在感知空间中的坐标，这里，由于自动驾驶车辆在行驶过程中，目标物体的变化主要是在x方向和y方向上，z方向的取值为定值，因此s可以仅包括(sx，sy)。
因此，上述公式(5)可以等同于如下公式：
Figure BDA0003018412490000162
这里，条件熵可以表示为当s服从ps分布时的期望。
条件熵的取值越小，在确定仿真测量数据m后，概率分布S的位置越确定，概率分布S用于表征目标物体可能分布的位置，即条件熵的取值越小，目标物体的位置越确定，检测到目标物体的概率就越高。
若计算公式(6)则需要确定体素s的先验分布，该先验分布可以通过统计大量数据集确定，即统计被感知到的目标物体在感知空间中出现的位置的分布情况。
实际应用中，在得到仿真测量数据之后，可以假设传感器检测到的体素s服从高斯分布，高斯分布可以通过如下公式表示：
p((Sx,Sy)|m,q)＝Ν(μ＝(sx,sy),∑＝σ2Ι) (7)
因此，结合公式(7)，公式(6)可以通过如下方式表示：
H(S|m,q)＝2ln(σ)+1+ln(2π) (8)
其中，σ表示高斯分布的标准方差。
由于σ表示目标估算的不确定性，其与目标物体的检测性能紧密相连，一般的，目标物体检测的平均精度(average precision，AP)越高，σ越小。当AP达到最大值1时，不确定性σ接近最小值，当AP等于0时，不确定性σ接近无穷大，因此AP和不确定性σ之间的关系可以如公式(9)所示：
Figure BDA0003018412490000171
AP的取值依赖于3D检测算法的检验精度。通过统计和分析AP与仿真测量数据，可以设置AP与仿真测量数据m之间的关系如公式(10)所示：
AP≈aln(m)+b(10)
这里，a和b为预先设置的线性变换系数，不同类型的传感器对应的线性变换系数不同，例如激光雷达对应的线性变换系数可以为a1、b1，图像采集装置对应的线性变换系数可以为a2、b2。
结合公式(8)、(9)、(10)，可以得到传感器的条件熵可以通过如下公式表示：
Figure BDA0003018412490000172
需要说明的是，上述公式(11)是指传感器配置方案中的单个传感器对应的条件熵。实际应用中为了保证数据的稳定性，AP的取值一般在[0.001,0.999]的范围内。
在一种可能的实施方式中，传感器配置方案中的传感器可能有多个，即传感器配置方案包括多个传感器的安装信息以及传感器内参信息。在基于每个传感器配置方案对应的仿真测量数据，确定该传感器配置方案的条件熵时，可以基于传感器配置方案中的传感器的类型的不同，执行不同的融合方法。
示例性的，若一个待筛选的传感器配置方案为针对多个激光雷达的配置方案，即该待筛选的传感器配置方案中仅包括激光雷达(即该传感器配置方案中并不包括图像采集装置)，则可以基于该传感器配置方案中的每个激光雷达的仿真测量数据，确定该传感器配置方案对应的目标仿真测量数据；然后基于所述目标仿真测量数据，确定该传感器配置方案的条件熵。
具体的，在基于每个激光雷达对应的仿真测量数据，确定该传感器配置方案对应的目标仿真测量数据时，可以通过如下公式进行计算：
Figure BDA0003018412490000181
其中，mi表示第i个传感器的仿真测量数据，i取遍所有的传感器，mfused表示目标仿真测量数据。
由于这种融合方式是直接将各个传感器对应的仿真测量数据进行求和，若传感器配置方案为针对多个图像采集装置的配置方案，由于不同的图像采集装置的部署位置不同，拍摄出的图像也肯定不同，所以不同图像采集装置拍摄的图像不能直接相加。
若传感器配置方案为针对至少一个图像采集装置和至少一个激光雷达的配置方案，由于图像采集装置的仿真测量数据和激光雷达的仿真测量数据的数据类型并不相同，因此也并不能直接相加。
而不同激光雷达的仿真测量数据能够直接相加的原因是，激光雷达的仿真测量数据为点云数据，点云数据是用来反映物体成像的，点云数据在叠加之后可以使得目标物体上的点云变密，因此目标物体的检测结果能够更加精确。
在基于公式(12)确定目标仿真测量数据mfused之后，可以将目标仿真测量数据mfused带入公式(11)中，确定传感器配置方案的条件熵。
在另外一种可能的实施方式中，在所述传感器配置方案为针对多个图像采集装置的配置方案，或者为针对至少一个图像采集装置和至少一个激光雷达的配置方案，或者为针对多个激光雷达的配置方案的情况下，可以先基于所述传感器配置方案对应的任一个传感器的仿真测量数据，确定所述任一个传感器对应的检测到的对象所服从的高斯分布的标准方差；然后将在所述传感器配置方案下，多个传感器对应的所述标准方差进行融合，得到目标标准方差；再基于所述目标标准方差，确定所述传感器配置方案的条件熵。
这里，所述传感器对应的检测到的对象所服从的高斯分布可以理解为，所述传感器按照传感器配置方案安装在自动驾驶车辆上之后，传感器检测到的体素s的分布。
具体的，在基于所述传感器配置方案对应的任一个传感器的仿真测量数据，确定所述任一个传感器对应的检测到的对象所服从的高斯分布的标准方差时，可以先基于所述任一传感器的仿真测量数据，确定所述任一传感器对应的AP(带入公式(10))，然后基于所述任一传感器对应的AP，确定所述任一传感器对应的检测到的对象所服从的高斯分布的标准方差(带入公式(9))。
示例性的，在将多个传感器对应的所述标准方差进行融合，得到目标标准方差时，可以通过如下公式进行融合：
Figure BDA0003018412490000191
其中，σi表示第i个传感器的标准方差，i取遍所有的传感器，σfused表示目标标准方差。
在基于目标标准方差，确定传感器配置方案的条件熵时，可以将目标标准方差σfused带入公式(8)，得到传感器配置方案的条件熵。
不同类型的传感器，可以采用不同的数据融合方法，进而基于融合后的数据(这里指目标仿真测量数据或目标标准方差)确定传感器配置方案的条件熵，因此可以实现对于多个多种类型的传感器的安装信息和内参信息的确定。
针对步骤104、
一个传感器配置方案的条件熵用于表征该传感器配置方案中的传感器的测量结果在该传感器配置方案对应的仿真测量数据下的稳定性，条件熵越高，稳定性越差，条件熵越低，稳定性越高，在基于确定的各个待筛选的传感器配置方案的条件熵，从所述多个待筛选的传感器配置方案中，确定目标传感器配置方案时，示例性的，可以将对应的条件熵最小的待筛选的传感器配置方案作为所述目标传感器配置方案。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
基于同一发明构思，本公开实施例中还提供了与传感器配置方案确定方法对应的传感器配置方案确定装置，由于本公开实施例中的装置解决问题的原理与本公开实施例上述传感器配置方案确定方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
参照图4所示，为本公开实施例提供的一种传感器配置方案确定装置的架构示意图，所述装置包括：获取模块401、第一确定模块402、第二确定模块403、选择模块404；其中，
获取模块401，用于获取多个待筛选的传感器配置方案；
第一确定模块402，用于确定每个待筛选的传感器配置方案对应的仿真测量数据；一个待筛选的传感器配置方案对应的仿真测量数据为该传感器配置方案中的传感器所测量到的目标物体的数据；
第二确定模块403，用于基于每个待筛选的传感器配置方案对应的仿真测量数据，确定该传感器配置方案的条件熵；一个待筛选的传感器配置方案的条件熵用于表征该传感器配置方案中的传感器的测量结果在该传感器配置方案对应的仿真测量数据下的稳定性；
选择模块404，用于基于确定的各个待筛选的传感器配置方案的条件熵，从所述多个待筛选的传感器配置方案中，确定目标传感器配置方案。
一种可能的实施方式中，所述传感器配置方案为自动驾驶装置中的传感器的部署方案；
所述传感器配置方案包括传感器安装信息和传感器内参信息；
所述传感器安装信息包括多个传感器在预先定义的感知空间中的安装位置以及安装朝向；其中，所述感知空间为所述自动驾驶装置周围需要被感知的区域范围。
一种可能的实施方式中，所述获取模块401，在获取多个待筛选的传感器配置方案时，用于：
获取多个传感器的初始安装位置；
对各个传感器的初始安装位置按照设置的偏移量进行偏移，得到多个待筛选的安装位置；
将不同传感器的多个待筛选的安装位置进行组合，得到多个待筛选的传感器配置方案。
一种可能的实施方式中，在所述传感器包括图像采集装置的情况下，所述仿真测量数据包括所述目标物体在所述图像采集装置拍摄的图像中所占的面积。
一种可能的实施方式中，在所述传感器包括激光雷达的情况下，所述仿真测量数据包括由所述目标物体反射得到的点云点的个数。
一种可能的实施方式中，所述第一确定模块402，在确定每个待筛选的传感器配置方案对应的仿真测量数据时，用于：
将在预先定义的感知空间内的目标物体进行体素化处理，得到所述目标物体对应的多个体素；
针对每个待筛选的传感器配置方案，基于该传感器配置方案以及所述目标物体对应的多个体素在所述感知空间中的位置坐标，确定该传感器配置方案对应的仿真测量数据。
一种可能的实施方式中，在所述传感器配置方案包括激光雷达的安装位置，以及激光雷达的垂直角分辨率和水平角分辨率的情况下，所述第一确定模块402，在基于该传感器配置方案以及所述目标物体对应的多个体素在所述感知空间中的位置坐标，确定该传感器配置方案对应的仿真测量数据时，用于：
基于所述激光雷达的安装位置、垂直角分辨率和水平角分辨率，确定所述激光雷达的任一束激光光束对应的旋转矩阵，所述旋转矩阵用于表示所述激光光束的发射方向；
基于所述任一束激光光束对应的旋转矩阵，和所述目标物体对应的多个体素在所述感知空间中的位置坐标，确定由所述目标物体反射得到的点云点的个数。
一种可能的实施方式中，在所述传感器配置方案包括图像采集装置的安装信息和图像采集装置的内参矩阵的情况下，所述第一确定模块402，在基于该传感器配置方案以及所述目标物体对应的多个体素在所述感知空间中的位置坐标，确定该传感器配置方案对应的仿真测量数据时，用于：
基于所述图像采集装置的安装信息和所述内参矩阵，将所述目标物体对应的多个体素在所述感知空间中的位置坐标转换到所述图像采集装置对应的图像坐标系下，得到所述多个体素对应的目标像素点；
将所述目标像素点构成的位置区域的面积，作为所述目标物体在所述图像采集装置拍摄的图像中所占的面积。
一种可能的实施方式中，所述第二确定模块403，用于采用以下方法确定每个传感器配置方案的条件熵：
在一个待筛选的传感器配置方案中仅包括激光雷达情况下，基于该传感器配置方案中每个激光雷达的仿真测量数据，确定该传感器配置方案对应的目标仿真测量数据；
基于所述目标仿真测量数据，确定该传感器配置方案的条件熵。
一种可能的实施方式中，所述第二确定模块403，用于采用以下方法确定每个传感器配置方案的条件熵：
针对任一个待筛选的传感器配置方案，基于该传感器配置方案中的任一个传感器的仿真测量数据，确定该传感器检测到的对象所服从的高斯分布的标准方差；
将该传感器配置方案中多个传感器对应的所述标准方差进行融合，得到目标标准方差；
基于所述目标标准方差，确定该传感器配置方案的条件熵。
关于装置中的各模块的处理流程、以及各模块之间的交互流程的描述可以参照上述方法实施例中的相关说明，这里不再详述。
基于同一技术构思，本公开实施例还提供了一种计算机设备。参照图5所示，为本公开实施例提供的计算机设备500的结构示意图，包括处理器501、存储器502、和总线503。其中，存储器502用于存储执行指令，包括内存5021和外部存储器5022；这里的内存5021也称内存储器，用于暂时存放处理器501中的运算数据，以及与硬盘等外部存储器5022交换的数据，处理器501通过内存5021与外部存储器5022进行数据交换，当计算机设备500运行时，处理器501与存储器502之间通过总线503通信，使得处理器501在执行以下指令：
获取多个待筛选的传感器配置方案；
确定每个待筛选的传感器配置方案对应的仿真测量数据；一个待筛选的传感器配置方案对应的仿真测量数据为该传感器配置方案中的传感器所测量到的目标物体的数据；
基于每个待筛选的传感器配置方案对应的仿真测量数据，确定该传感器配置方案的条件熵；一个待筛选的传感器配置方案的条件熵用于表征该传感器配置方案中的传感器的测量结果在该传感器配置方案对应的仿真测量数据下的稳定性；
基于确定的各个待筛选的传感器配置方案的条件熵，从所述多个待筛选的传感器配置方案中，确定目标传感器配置方案。
本公开实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法实施例中所述的传感器配置方案确定方法的步骤。其中，该存储介质可以是易失性或非易失的计算机可读取存储介质。
本公开实施例还提供一种计算机程序产品，该计算机产品承载有程序代码，所述程序代码包括的指令可用于执行上述方法实施例中所述的传感器配置方案确定方法的步骤，具体可参见上述方法实施例，在此不再赘述。
其中，上述计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(SoftwAPe Development Kit，SDK)等等。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本公开所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本公开各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本公开实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本公开的具体实施方式，用以说明本公开的技术方案，而非对其限制，本公开的保护范围并不局限于此，尽管参照前述实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本公开实施例技术方案的精神和范围，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应所述以权利要求的保护范围为准。

Claims (13)

1.一种传感器配置方案确定方法，其特征在于，包括：
获取多个待筛选的传感器配置方案；
确定每个待筛选的传感器配置方案对应的仿真测量数据；一个待筛选的传感器配置方案对应的仿真测量数据为该传感器配置方案中的传感器所测量到的目标物体的数据；
基于每个待筛选的传感器配置方案对应的仿真测量数据，确定该传感器配置方案的条件熵；一个待筛选的传感器配置方案的条件熵用于表征该传感器配置方案中的传感器的测量结果在该传感器配置方案对应的仿真测量数据下的稳定性；
基于确定的各个待筛选的传感器配置方案的条件熵，从所述多个待筛选的传感器配置方案中，确定目标传感器配置方案。
2.根据权利要求1所述的方法，其特征在于，所述传感器配置方案为自动驾驶装置中的传感器的部署方案；
所述传感器配置方案包括传感器安装信息和传感器内参信息；
所述传感器安装信息包括多个传感器在预先定义的感知空间中的安装位置以及安装朝向；其中，所述感知空间为所述自动驾驶装置周围需要被感知的区域范围。
3.根据权利要求2所述的方法，其特征在于，所述获取多个待筛选的传感器配置方案，包括：
获取多个传感器的初始安装位置；
对各个传感器的初始安装位置按照设置的偏移量进行偏移，得到多个待筛选的安装位置；
将不同传感器的多个待筛选的安装位置进行组合，得到多个待筛选的传感器配置方案。
4.根据权利要求1～3任一所述的方法，其特征在于，在所述传感器包括图像采集装置的情况下，所述仿真测量数据包括所述目标物体在所述图像采集装置拍摄的图像中所占的面积。
5.根据权利要求1～3任一所述的方法，其特征在于，在所述传感器包括激光雷达的情况下，所述仿真测量数据包括由所述目标物体反射得到的点云点的个数。
6.根据权利要求1～5任一所述的方法，其特征在于，所述确定每个待筛选的传感器配置方案对应的仿真测量数据，包括：
将在预先定义的感知空间内的目标物体进行体素化处理，得到所述目标物体对应的多个体素；
针对每个待筛选的传感器配置方案，基于该传感器配置方案以及所述目标物体对应的多个体素在所述感知空间中的位置坐标，确定该传感器配置方案对应的仿真测量数据。
7.根据权利要求6所述的方法，其特征在于，在所述传感器配置方案包括激光雷达的安装位置，以及激光雷达的垂直角分辨率和水平角分辨率的情况下，基于该传感器配置方案以及所述目标物体对应的多个体素在所述感知空间中的位置坐标，确定该传感器配置方案对应的仿真测量数据，包括：
基于所述激光雷达的安装位置、垂直角分辨率和水平角分辨率，确定所述激光雷达的任一束激光光束对应的旋转矩阵，所述旋转矩阵用于表示所述激光光束的发射方向；
基于所述任一束激光光束对应的旋转矩阵，和所述目标物体对应的多个体素在所述感知空间中的位置坐标，确定由所述目标物体反射得到的点云点的个数。
8.根据权利要求6所述的方法，其特征在于，在所述传感器配置方案包括图像采集装置的安装信息和图像采集装置的内参矩阵的情况下，基于该传感器配置方案以及所述目标物体对应的多个体素在所述感知空间中的位置坐标，确定该传感器配置方案对应的仿真测量数据，包括：
基于所述图像采集装置的安装信息和所述内参矩阵，将所述目标物体对应的多个体素在所述感知空间中的位置坐标转换到所述图像采集装置对应的图像坐标系下，得到所述多个体素对应的目标像素点；
将所述目标像素点构成的位置区域的面积，作为所述目标物体在所述图像采集装置拍摄的图像中所占的面积。
9.根据权利要求1～8任一所述的方法，其特征在于，采用以下方法确定每个传感器配置方案的条件熵：
在一个待筛选的传感器配置方案中仅包括激光雷达情况下，基于该传感器配置方案中每个激光雷达的仿真测量数据，确定该传感器配置方案对应的目标仿真测量数据；
基于所述目标仿真测量数据，确定该传感器配置方案的条件熵。
10.根据权利要求1～8任一所述的方法，其特征在于，采用以下方法确定每个传感器配置方案的条件熵：
针对任一个待筛选的传感器配置方案，基于该传感器配置方案中的任一个传感器的仿真测量数据，确定该传感器检测到的对象所服从的高斯分布的标准方差；
将该传感器配置方案中多个传感器对应的所述标准方差进行融合，得到目标标准方差；
基于所述目标标准方差，确定该传感器配置方案的条件熵。
11.一种传感器配置方案确定装置，其特征在于，包括：
获取模块，用于获取多个待筛选的传感器配置方案；
第一确定模块，用于确定每个待筛选的传感器配置方案对应的仿真测量数据；一个待筛选的传感器配置方案对应的仿真测量数据为该传感器配置方案中的传感器所测量到的目标物体的数据；
第二确定模块，用于基于每个待筛选的传感器配置方案对应的仿真测量数据，确定该传感器配置方案的条件熵；一个待筛选的传感器配置方案的条件熵用于表征该传感器配置方案中的传感器的测量结果在该传感器配置方案对应的仿真测量数据下的稳定性；
选择模块，用于基于确定的各个待筛选的传感器配置方案的条件熵，从所述多个待筛选的传感器配置方案中，确定目标传感器配置方案。
12.一种计算机设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至10任一项所述的传感器配置方案确定方法的步骤。
13.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至10任一项所述的传感器配置方案确定方法的步骤。
CN202110395399.8A 2021-04-13 2021-04-13 传感器配置方案确定方法、装置、计算机设备及存储介质 Active CN113111513B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110395399.8A CN113111513B (zh) 2021-04-13 2021-04-13 传感器配置方案确定方法、装置、计算机设备及存储介质
PCT/CN2022/071455 WO2022217988A1 (zh) 2021-04-13 2022-01-11 传感器配置方案确定方法、装置、计算机设备、存储介质及程序

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110395399.8A CN113111513B (zh) 2021-04-13 2021-04-13 传感器配置方案确定方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN113111513A true CN113111513A (zh) 2021-07-13
CN113111513B CN113111513B (zh) 2024-04-12

Family

ID=76716288

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110395399.8A Active CN113111513B (zh) 2021-04-13 2021-04-13 传感器配置方案确定方法、装置、计算机设备及存储介质

Country Status (2)

Country Link
CN (1) CN113111513B (zh)
WO (1) WO2022217988A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114485398A (zh) * 2022-01-17 2022-05-13 武汉精立电子技术有限公司 光学检测方案生成方法、存储介质、电子设备及系统
WO2022217988A1 (zh) * 2021-04-13 2022-10-20 上海商汤智能科技有限公司 传感器配置方案确定方法、装置、计算机设备、存储介质及程序
CN116167252A (zh) * 2023-04-25 2023-05-26 小米汽车科技有限公司 雷达配置信息的确定方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108304605A (zh) * 2017-11-09 2018-07-20 清华大学 汽车驾驶辅助系统传感器优选配置方法
EP3422050A1 (en) * 2017-06-30 2019-01-02 Aptiv Technologies Limited Lidar sensor alignment system
CN112464421A (zh) * 2020-11-23 2021-03-09 长江水利委员会长江科学院 基于联合信息熵的供水管网漏损识别传感器优化布置方法
CN112596050A (zh) * 2020-12-09 2021-04-02 上海商汤临港智能科技有限公司 一种车辆及车载传感器系统、以及行车数据采集方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10451416B1 (en) * 2016-06-20 2019-10-22 Bentley Systems, Incorporated Optimizing sensor placement for structural health monitoring based on information entropy or total modal energy
CN106650150A (zh) * 2016-12-30 2017-05-10 浙江工业职业技术学院 一种基于柔度应变熵的传感器布置方法
CN111324945B (zh) * 2020-01-20 2023-09-26 阿波罗智能技术(北京)有限公司 传感器方案确定方法、装置、设备及存储介质
CN113111513B (zh) * 2021-04-13 2024-04-12 上海商汤临港智能科技有限公司 传感器配置方案确定方法、装置、计算机设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3422050A1 (en) * 2017-06-30 2019-01-02 Aptiv Technologies Limited Lidar sensor alignment system
CN108304605A (zh) * 2017-11-09 2018-07-20 清华大学 汽车驾驶辅助系统传感器优选配置方法
CN112464421A (zh) * 2020-11-23 2021-03-09 长江水利委员会长江科学院 基于联合信息熵的供水管网漏损识别传感器优化布置方法
CN112596050A (zh) * 2020-12-09 2021-04-02 上海商汤临港智能科技有限公司 一种车辆及车载传感器系统、以及行车数据采集方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022217988A1 (zh) * 2021-04-13 2022-10-20 上海商汤智能科技有限公司 传感器配置方案确定方法、装置、计算机设备、存储介质及程序
CN114485398A (zh) * 2022-01-17 2022-05-13 武汉精立电子技术有限公司 光学检测方案生成方法、存储介质、电子设备及系统
CN116167252A (zh) * 2023-04-25 2023-05-26 小米汽车科技有限公司 雷达配置信息的确定方法、装置、设备及存储介质
CN116167252B (zh) * 2023-04-25 2024-01-30 小米汽车科技有限公司 雷达配置信息的确定方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN113111513B (zh) 2024-04-12
WO2022217988A1 (zh) 2022-10-20

Similar Documents

Publication Publication Date Title
US10891500B2 (en) Method and apparatus for acquiring traffic sign information
CN113111513A (zh) 传感器配置方案确定方法、装置、计算机设备及存储介质
CN109961468B (zh) 基于双目视觉的体积测量方法、装置及存储介质
CA2826534C (en) Backfilling points in a point cloud
Kang et al. Automatic targetless camera–lidar calibration by aligning edge with gaussian mixture model
CN110472553B (zh) 图像和激光点云融合的目标追踪方法、计算装置和介质
CN105335955B (zh) 对象检测方法和对象检测装置
CN110879994A (zh) 基于形状注意力机制的三维目测检测方法、系统、装置
CN107025663A (zh) 视觉系统中用于3d点云匹配的杂波评分系统及方法
CN111080662A (zh) 车道线的提取方法、装置及计算机设备
Quadros et al. An occlusion-aware feature for range images
CN106052646A (zh) 信息处理装置及信息处理方法
KR20190070514A (ko) 격자지도 생성 장치 및 방법
CN110009673B (zh) 深度信息检测方法、装置及电子设备
Taylor et al. Automatic calibration of multi-modal sensor systems using a gradient orientation measure
US10432915B2 (en) Systems, methods, and devices for generating three-dimensional models
CN112528781B (zh) 一种障碍物检测方法、装置、设备和计算机可读存储介质
CN111709988A (zh) 一种物体的特征信息的确定方法、装置、电子设备及存储介质
CN112907746A (zh) 电子地图的生成方法、装置、电子设备及存储介质
CN110716209B (zh) 地图构建方法、设备及存储装置
CN113077523B (zh) 一种标定方法、装置、计算机设备及存储介质
Ylimäki et al. Accurate 3-d reconstruction with rgb-d cameras using depth map fusion and pose refinement
CN112150522A (zh) 遥感图像的配准方法、装置、设备、存储介质及系统
CN116091701A (zh) 三维重建方法、装置、计算机设备及存储介质
CN112578369B (zh) 一种不确定性的估计方法、装置、电子设备及存储介质

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40049821

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant