CN113128272B - 一种碰撞预测方法、装置、存储介质和服务器 - Google Patents
一种碰撞预测方法、装置、存储介质和服务器 Download PDFInfo
- Publication number
- CN113128272B CN113128272B CN201911404841.8A CN201911404841A CN113128272B CN 113128272 B CN113128272 B CN 113128272B CN 201911404841 A CN201911404841 A CN 201911404841A CN 113128272 B CN113128272 B CN 113128272B
- Authority
- CN
- China
- Prior art keywords
- target obstacle
- vehicle
- collision
- coordinates
- minimum time
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000004927 fusion Effects 0.000 claims abstract description 37
- 230000006870 function Effects 0.000 claims description 23
- 230000007613 environmental effect Effects 0.000 abstract description 5
- 239000011159 matrix material Substances 0.000 description 42
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000013519 translation Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供了一种碰撞预测方法、装置、存储介质和服务器。本发明实施例的方案中,接收车辆终端发送的目标障碍物的图像位置融合信息;通过时间距离函数,根据车辆数据信息、边界点当前坐标和目标障碍物的图像位置融合信息,生成车辆到达目标障碍物的最小时间;判断最小时间是否大于碰撞时间阈值;若判断出最小时间小于或等于碰撞时间阈值,则生成碰撞预测信息,从而可以收集到详细、全面、准确的目标障碍物信息,通过时间距离函数计算出车辆到达目标障碍物的最小时间,提高了碰撞预测的实时性,进而可以在不受环境影响的基础上提高碰撞预测的速度和精度。
Description
【技术领域】
本发明涉及通信技术领域,尤其涉及一种碰撞预测方法、装置、存储介质和服务器。
【背景技术】
在车联网领域,车辆碰撞预防方面,主要是基于多源异构信息融合的车联网车道巡航防碰撞方法,大多称为碰撞检测方法,这种检测方法检测速度较慢,精度较低。一些技术方案采用单一的激光雷达或相机传感器所采集的信息量较片面,且受各自相应环境的影响,因此仅靠某种传感器无法获取较为全面充分的自动驾驶车辆行驶的环境信息。
【发明内容】
有鉴于此,本发明实施例提供了一种碰撞预测方法、装置、存储介质和服务器,可以在不受环境影响的基础上提高碰撞预测的速度和精度。
一方面,本发明实施例提供了一种碰撞预测方法,所述方法包括:
接收车辆终端发送的目标障碍物的图像位置融合信息和车辆数据信息;
接收车载终端按照预设时间间隔发送的边界点当前坐标;
通过时间距离函数,根据车辆数据信息、边界点当前坐标和目标障碍物的图像位置融合信息,生成车辆到达目标障碍物的最小时间;
判断最小时间是否大于碰撞时间阈值;
若判断出最小时间小于或等于碰撞时间阈值,则生成碰撞预测信息。
可选地,目标障碍物的图像位置融合信息包括目标障碍物的位置坐标,车辆数据信息包括车辆相对于目标障碍物的相对速度、边界点初始坐标和中心点坐标;通过时间距离函数,根据车辆数据信息、边界点当前坐标和目标障碍物的图像位置融合信息,生成车辆到达目标障碍物的最小时间,包括:
根据边界点当前坐标和目标障碍物的位置坐标,计算出车辆的边界点至目标障碍物的碰撞距离;
将以下公式(1)、公式(2)和公式(3)联立,根据车辆相对于目标障碍物的相对速度、边界点初始坐标、边界点当前坐标、中心点坐标、目标障碍物的位置坐标和碰撞距离,计算出车辆到达目标障碍物的最小时间;
其中,G定义为G={Oi|i=1,…,n}、Oi为边界点的集合、Qi为边界点的归一化参数、li为碰撞距离、(xp,yp)为目标障碍物的位置坐标、(xi,yi)为边界点当前坐标、为边界点初始坐标、/>为车辆的中心点坐标、TDG/xy(xp,yp)为车辆到达目标障碍物的最小时间、/>为边界点到达目标障碍物的碰撞时间、/>为车辆相对于目标障碍物的相对速度。
可选地,在计算出车辆到达目标障碍物的最小时间之后,还包括:
根据碰撞距离、边界点当前坐标、车辆相对于目标障碍物的相对速度、目标障碍物的位置坐标和车辆到达目标障碍物的最小时间,生成障碍物地图。
可选地,在生成障碍物地图之后,还包括:
将碰撞预测信息和障碍物地图发送至车辆终端。
可选地,若判断出最小时间大于碰撞时间阈值,则确定车辆不会与目标障碍物发生碰撞。
可选地,在确定车辆不会与目标障碍物发生碰撞之后,还包括:
将边界点的当前坐标确定为边界点初始坐标,继续执行接收车载终端按照预设时间间隔发送的边界点当前坐标的步骤。
可选地,碰撞预测信息包括车辆将于最小时间后与目标障碍物发生碰撞、目标障碍物的图像位置融合信息和最小时间。
另一方面,本发明实施例提供了一种碰撞预测装置,包括:
接收单元,用于接收车辆终端发送的目标障碍物的图像位置融合信息和车辆数据信息;
第一生成单元,用于通过时间距离函数,根据车辆数据信息、边界点当前坐标和目标障碍物的图像位置融合信息,生成车辆到达目标障碍物的最小时间;
判断单元,用于判断最小时间是否大于碰撞时间阈值;
第二生成单元,用于若判断单元判断出最小时间小于或等于碰撞时间阈值,则生成碰撞预测信息。
另一方面,本发明实施例提供了一种存储介质,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行上述的碰撞预测方法。
另一方面,本发明实施例提供了一种服务器,包括存储器和处理器,所述存储器用于存储包括程序指令的信息,所述处理器用于控制程序指令的执行,其特征在于,所述程序指令被处理器加载并执行时实现上述的碰撞预测方法的步骤。
本发明实施例的方案中,接收车辆终端发送的目标障碍物的图像位置融合信息和车辆数据信息;接收车载终端按照预设时间间隔发送的边界点当前坐标;通过时间距离函数,根据车辆数据信息、边界点当前坐标和目标障碍物的图像位置融合信息,生成车辆到达目标障碍物的最小时间;判断最小时间是否大于碰撞时间阈值;若判断出最小时间小于或等于碰撞时间阈值,则生成碰撞预测信息,从而可以收集到详细、全面、准确的目标障碍物信息,通过时间距离函数计算出车辆到达目标障碍物的最小时间,提高了碰撞预测的实时性,进而可以在不受环境影响的基础上提高碰撞预测的速度和精度。
【附图说明】
图1为本发明实施例提供的一种碰撞预测方法的流程图;
图2为本发明实施例提供的又一种碰撞预测方法的流程图;
图3为本发明实施例提供的一种碰撞预测装置的结构示意图;
图4为本发明实施例提供的一种服务器的示意图。
【具体实施方式】
为了更好的理解本发明的技术方案,下面结合附图对本发明实施例进行详细描述。
应当明确,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
应当理解,本文中使用的术语“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,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
应当理解,尽管在本发明实施例中可能采用术语第一、第二等来描述设定阈值,但这些设定阈值不应限于这些术语。这些术语仅用来将设定阈值彼此区分开。例如,在不脱离本发明实施例范围的情况下,第一设定阈值也可以被称为第二设定阈值,类似地,第二设定阈值也可以被称为第一设定阈值。
图2为本发明实施例提供的一种碰撞预测方法的流程图,如图2所示,该方法包括:
步骤102、接收车辆终端发送的目标障碍物的图像位置融合信息和车辆数据信息。
步骤104、接收车载终端按照预设时间间隔发送的边界点当前坐标。
步骤106、通过时间距离函数,根据车辆数据信息、边界点当前坐标和目标障碍物的图像位置融合信息,生成车辆到达目标障碍物的最小时间。
步骤108、判断最小时间是否大于碰撞时间阈值。
步骤110、若判断出最小时间小于或等于碰撞时间阈值,则生成碰撞预测信息。
本发明实施例的方案中,接收车辆终端发送的目标障碍物的图像位置融合信息和车辆数据信息;接收车载终端按照预设时间间隔发送的边界点当前坐标;通过时间距离函数,根据车辆数据信息、边界点当前坐标和目标障碍物的图像位置融合信息,生成车辆到达目标障碍物的最小时间;判断最小时间是否大于碰撞时间阈值;若判断出最小时间小于或等于碰撞时间阈值,则生成碰撞预测信息,从而可以收集到详细、全面、准确的目标障碍物信息,通过时间距离函数计算出车辆到达目标障碍物的最小时间,提高了碰撞预测的实时性,进而可以在不受环境影响的基础上提高碰撞预测的速度和精度。
图2为本发明实施例提供的又一种碰撞预测方法的流程图,如图2所示,该方法包括:
步骤202、车载终端接收相机传感器发送的目标障碍物图像。
本实施例中,相机传感器采集车辆前方的目标障碍物图像,并将目标障碍物图像通过轻量级通信和编组(Lightweight Communications and Marshalling,简称:LCM)发送至车载终端。
步骤204、车辆终端通过快速区域卷积神经网络(Faster R-CNN)算法,根据目标障碍物图像,生成目标障碍物检测数据。
具体地,将目标障碍物图像输入快速区域卷积神经网络算法,输出目标障碍物检测数据。
本实施例中,目标障碍物检测数据包括目标障碍物图像和对应的图像标签。目标障碍物包括行人、其他车辆、动物、标杆中之一或其任意组合。例如若目标障碍物图像中的目标障碍物包括行人,则目标障碍物对应的图像标签为行人;若目标障碍物图像中的目标障碍物包括动物,则目标障碍物对应的图像标签为动物。
步骤206、车辆终端通过蔡勒菲格斯卷积神经网络(ZF-CNN),根据目标障碍物检测数据,生成特征图。
具体地,将目标障碍物检测数据输入ZF-CNN算法,输出特征图。
步骤208、车辆终端将特征图输入卷积核,输出特征向量,特征向量中包括目标障碍物。
具体地,车辆终端将特征图输入卷积核,卷积核对特征图进行卷积计算,计算出特征向量。
步骤210、车辆终端对特征向量中的目标障碍物添加候选框。
步骤212、车辆终端将候选框进行全连接计算,计算出匹配成功的候选框,匹配成功的候选框包括目标障碍物的第一位置矩阵。
本实施例中,通过对候选框进行全连接计算,从多个候选框中筛选出目标障碍物与图像标签匹配成功的候选框,匹配成功的候选框包括目标障碍物的第一位置矩阵。
进一步地,将匹配成功的候选框输入Faster R-CNN算法,输出匹配出成功的候选框的权值参数和图像损失函数值(Miss)。Miss是分类损失和位置和回归损失的函数,表示权值参数模型的训练效果的好坏。若Miss收敛,则权值参数模型的训练效果好;若Miss发散,则权值参数模型训练效果不好。
步骤214、车辆终端接收激光雷达获取的目标障碍物的第二位置矩阵和目标障碍物的速度。
步骤216、通过指定算法对目标障碍物的速度、第一位置矩阵和第二位置矩阵进行融合,生成目标障碍物的初始位置矩阵和车辆相对于目标障碍物的相对速度。
具体地,将目标障碍物的速度、第一位置矩阵和第二位置矩阵输入指定算法,输出目标障碍物的初始位置矩阵和车辆相对于目标障碍物的相对速度。
本实施例中,指定算法包括滤波算法、点云去噪算法、图像降噪算法中之一。
本实施例中,通过指定算法对第一位置矩阵和第二位置矩阵进行融合,以去除噪点。
步骤218、车辆终端通过迭代最近点匹配(Iterative Closest Point,简称:ICP)算法对初始位置矩阵进行迭代计算,生成目标障碍物的图像位置融合信息,目标障碍物的图像位置融合信息包括目标障碍物的位置坐标。
本步骤中,步骤218包括:
步骤218a、通过欧氏距离法计算初始位置矩阵之间相邻两点间的距离。
本实施例中,初始位置矩阵中的每个点均包括初始位置坐标。具体地,通过欧氏距离法根据初始位置坐标计算相邻两点间的距离。
步骤218b、对相邻两点间的距离进行由小到大排序。
步骤218c、从排序后的对应点的距离中选取指定数量的点,生成有效矩阵。
本实施例中,指定数量的点包括η·Np个点,其中,η为预先设置的自适应重叠率,Np为初始位置矩阵中的点的数量。可选地,η设置为60%。
步骤218d、将有效矩阵进行奇异值分解,分解成旋转矩阵和平移矩阵。
步骤218e、车载终端按照以下公式对旋转矩阵和平移矩阵进行迭代计算,计算出目标障碍物的位置矩阵,目标障碍物的位置矩阵目标为障碍物的图像位置融合信息,目标障碍物的位置矩阵中的每个点包括目标障碍物的位置坐标。
其中,Rk为旋转矩阵,Tk为平移矩阵,为累计旋转矩阵,/>为累计平移矩阵,为前一次旋转矩阵,/>为前一次平移矩阵,k为迭代次数(k取1至N,N为正整数)。
每迭代一次,计算与上一次迭代的迭代误差;判断迭代误差是否小于误差阈值,若是,输出当前的累计旋转矩阵和累计平移矩阵/>停止迭代;若否,将当前的累计旋转矩阵/>和累计平移矩阵/>确定为前一次旋转矩阵/>和前一次平移矩阵/>继续按照上述公式进行迭代计算。可选地,误差阈值为5%。
进一步地,相机传感器采集车辆前方的多帧目标障碍物图像,每帧目标障碍物图像对应一个目标障碍物的第一位置矩阵;对每帧目标障碍物图像对应的第一位置矩阵和激光雷达获取的第二位置矩阵进行融合,生成每帧目标障碍物图像对应的初始位置矩阵;对每帧目标障碍物图像对应的初始位置矩阵进行迭代计算,若连续输出了指定帧数的累计旋转矩阵和累计平移矩阵/>则表明对该目标障碍物的第一位置矩阵和第二位置矩阵融合成功。可选地,指定帧数为5帧。
步骤220、车辆终端将自身的车辆数据信息和目标障碍物的图像位置融合信息发送至移动边缘计算(Mobile Edge Computing,简称:MEC)服务器,车辆数据信息包括车辆相对于目标障碍物的相对速度、边界点初始坐标和中心点坐标,目标障碍物的图像位置融合信息包括目标障碍物的位置坐标。
本实施例中,车辆终端获取自身的车辆数据信息,并将自身的车辆数据信息发送至MEC服务器。
本实施例中,车辆的边界点为车辆边界上的有限数量的点。可选地,车辆形状为矩形,选择矩形边界的四个角的顶点作为车辆的边界点。
步骤222、MEC服务器接收车载终端按照预设时间间隔发送的边界点当前坐标。
可选地,预设时间间隔为50毫秒。
步骤224、MEC服务器根据边界点当前坐标和目标障碍物的位置坐标,计算出车辆的边界点至目标障碍物的碰撞距离。
例如,边界点当前坐标为(10,12),目标障碍物的位置坐标为(15,20),则车辆的边界点至目标障碍物的碰撞距离为
步骤226、MEC服务器将以下公式(1)、公式(2)和公式(3)联立,根据车辆相对于目标障碍物的相对速度、边界点初始坐标、边界点当前坐标、中心点坐标、目标障碍物的位置坐标和碰撞距离,计算出车辆到达目标障碍物的最小时间。
其中,G定义为G={Oi|i=1,…,n}、Oi为边界点的集合、Qi为边界点的归一化参数、li为碰撞距离、(xp,yp)为目标障碍物的位置坐标、(x″i,y″i)为边界点当前坐标、为边界点初始坐标、/>为车辆的中心点坐标、TDG/xy(xp,yp)为车辆到达目标障碍物的最小时间、/>为边界点到达目标障碍物的碰撞时间、/>为车辆相对于目标障碍物的相对速度。
进一步地,根据碰撞距离、边界点当前坐标、车辆相对于目标障碍物的相对速度、目标障碍物的位置坐标和车辆到达目标障碍物的最小时间,生成障碍物地图。
步骤228、MEC服务器判断最小时间是否大于碰撞时间阈值,若是,则执行步骤230;若否,则执行步骤232。
可选地,碰撞时间阈值为30秒。
步骤230、MEC服务器将边界点的当前坐标确定为边界点初始坐标,继续执行步骤222。
本实施例中,若判断出最小时间大于碰撞时间阈值,表明车辆不会与目标障碍物发生碰撞。
步骤232、MEC服务器生成碰撞预测信息,碰撞预测信息包括车辆将于最小时间后与目标障碍物发生碰撞、目标障碍物的位置坐标和最小时间。
本实施例中,若判断出最小时间小于或等于碰撞时间阈值,表明车辆将于最小时间后与目标障碍物发生碰撞。
进一步地,MEC服务器将碰撞预测信息和障碍物地图发送至车载终端。
本发明实施例的方案中,接收车辆终端发送的目标障碍物的图像位置融合信息和车辆数据信息;接收车载终端按照预设时间间隔发送的边界点当前坐标;通过时间距离函数,根据车辆数据信息、边界点当前坐标和目标障碍物的图像位置融合信息,生成车辆到达目标障碍物的最小时间;判断最小时间是否大于碰撞时间阈值;若判断出最小时间小于或等于碰撞时间阈值,则生成碰撞预测信息,从而可以收集到详细、全面、准确的目标障碍物信息,通过时间距离函数计算出车辆到达目标障碍物的最小时间,提高了碰撞预测的实时性,进而可以在不受环境影响的基础上提高碰撞预测的速度和精度。
图3为本发明实施例提供的一种碰撞预测装置的结构示意图,该装置用于执行上述碰撞预测方法,如图3所示,该装置包括:接收单元11、第一生成单元12、判断单元13和第二生成单元14。
接收单元11用于接收车辆终端发送的目标障碍物的图像位置融合信息和车辆数据信息。
第一生成单元12用于通过时间距离函数,根据车辆数据信息、边界点当前坐标和目标障碍物的图像位置融合信息,生成车辆到达目标障碍物的最小时间。
判断单元13用于判断最小时间是否大于碰撞时间阈值。
第二生成单元14用于若判断单元判断出最小时间小于或等于碰撞时间阈值,则生成碰撞预测信息。
本发明实施例中,第一生成单元12具体包括:第一计算子单元121和第二计算子单元122.
第一计算子单元121用于根据边界点当前坐标和目标障碍物的位置坐标,计算出车辆的边界点至目标障碍物的碰撞距离。
第二计算子单元122用于将以下公式(1)、公式(2)和公式(3)联立,根据车辆相对于目标障碍物的相对速度、边界点初始坐标、边界点当前坐标、中心点坐标、目标障碍物的位置坐标和碰撞距离,计算出车辆到达目标障碍物的最小时间;
其中,G定义为G={Oi|i=1,…,n}、Oi为边界点的集合、Qi为边界点的归一化参数、li为碰撞距离、(xp,yp)为目标障碍物的位置坐标、(xi,yi)为边界点当前坐标、为边界点初始坐标、/>为车辆的中心点坐标、TDG/xy(xp,yp)为车辆到达目标障碍物的最小时间、/>为边界点到达目标障碍物的碰撞时间、/>为车辆相对于目标障碍物的相对速度。
本发明实施例中,所述装置还包括第三生成单元15。
第三生成单元15用于根据碰撞距离、边界点当前坐标、车辆相对于目标障碍物的相对速度、目标障碍物的位置坐标和车辆到达目标障碍物的最小时间,生成障碍物地图。
本发明实施例中,所述装置还包括发送单元16。
发送单元16用于将碰撞预测信息和障碍物地图发送至车辆终端。
本发明实施例中,所述装置还包括第一确定单元17。
第一确定单元17用于若判断单元13判断出最小时间大于碰撞时间阈值,则确定车辆不会与目标障碍物发生碰撞。
本发明实施例中,所述装置还包括第二确定单元18。
第二确定单元18用于将边界点的当前坐标确定为边界点初始坐标,触发接收单元11继续执行接收车载终端按照预设时间间隔发送的边界点当前坐标的步骤。
本发明实施例的方案中,接收车辆终端发送的目标障碍物的图像位置融合信息和车辆数据信息;接收车载终端按照预设时间间隔发送的边界点当前坐标;通过时间距离函数,根据车辆数据信息、边界点当前坐标和目标障碍物的图像位置融合信息,生成车辆到达目标障碍物的最小时间;判断最小时间是否大于碰撞时间阈值;若判断出最小时间小于或等于碰撞时间阈值,则生成碰撞预测信息,从而可以收集到详细、全面、准确的目标障碍物信息,通过时间距离函数计算出车辆到达目标障碍物的最小时间,提高了碰撞预测的实时性,进而可以在不受环境影响的基础上提高碰撞预测的速度和精度。
本发明实施例提供了一种存储介质,存储介质包括存储的程序,其中,在程序运行时控制存储介质所在设备执行上述碰撞预测方法的实施例的各步骤,具体描述可参见上述碰撞预测方法的实施例。
本发明实施例提供了一种服务器,包括存储器和处理器,存储器用于存储包括程序指令的信息,处理器用于控制程序指令的执行,程序指令被处理器加载并执行时实现上述碰撞预测方法的实施例的各步骤,具体描述可参见上述碰撞预测方法的实施例。
图4为本发明实施例提供的一种服务器的示意图。如图4所示,该实施例的服务器20包括:处理器21、存储器22以及存储在存储22中并可在处理器21上运行的计算机程序23,该计算机程序23被处理器21执行时实现实施例中的应用于碰撞预测方法,为避免重复,此处不一一赘述。或者,该计算机程序被处理器21执行时实现实施例中应用于碰撞预测装置中各模型/单元的功能,为避免重复,此处不一一赘述。
服务器20包括,但不仅限于,处理器21、存储器22。本领域技术人员可以理解,图4仅仅是服务器20的示例,并不构成对服务器20的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如服务器还可以包括输入输出设备、网络接入设备、总线等。
所称处理器21可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,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、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器22可以是服务器20的内部存储单元,例如服务器20的硬盘或内存。存储器22也可以是服务器20的外部存储设备,例如服务器20上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器22还可以既包括服务器20的内部存储单元也包括外部存储设备。存储器22用于存储计算机程序以及服务器所需的其他程序和数据。存储器22还可以用于暂时地存储已经输出或者将要输出的数据。
在本发明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。例如,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,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,在本发明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。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (9)
1.一种碰撞预测方法,其特征在于,应用于MEC服务器;所述方法包括:
接收车辆终端发送的目标障碍物的图像位置融合信息和车辆数据信息;
接收车载终端按照预设时间间隔发送的边界点当前坐标;
通过时间距离函数,根据所述车辆数据信息、边界点当前坐标和目标障碍物的图像位置融合信息,生成车辆到达目标障碍物的最小时间;
判断最小时间是否大于碰撞时间阈值;
若判断出最小时间小于或等于碰撞时间阈值,则生成碰撞预测信息;
所述图像位置融合信息包括目标障碍物的位置坐标,所述车辆数据信息包括车辆相对于目标障碍物的相对速度、边界点初始坐标和中心点坐标;
所述通过时间距离函数,根据所述车辆数据信息、边界点当前坐标和目标障碍物的图像位置融合信息,生成车辆到达目标障碍物的最小时间,包括:
根据所述边界点当前坐标和所述目标障碍物的位置坐标,计算出所述车辆的边界点至所述目标障碍物的碰撞距离;
将以下公式(1)、公式(2)和公式(3)联立,根据所述车辆相对于目标障碍物的相对速度、边界点初始坐标、边界点当前坐标、中心点坐标、目标障碍物的位置坐标和碰撞距离,计算出所述车辆到达目标障碍物的最小时间;
其中,G定义为G={Oi|i=1,,n}、Oi为边界点的集合、Qi为边界点的归一化参数、li为碰撞距离、(xp,yp)为目标障碍物的位置坐标、(xi,yi)为边界点当前坐标、为边界点初始坐标、/>为车辆的中心点坐标、TDG/xy(xp,yp)为车辆到达目标障碍物的最小时间、/>为边界点到达目标障碍物的碰撞时间、/>为车辆相对于目标障碍物的相对速度。
2.根据权利要求1所述的碰撞预测方法,其特征在于,在所述计算出所述车辆到达目标障碍物的最小时间之后,还包括:
根据所述碰撞距离、边界点当前坐标、车辆的车辆相对于目标障碍物的相对速度、目标障碍物的位置坐标和车辆到达目标障碍物的最小时间,生成障碍物地图。
3.根据权利要求2所述的碰撞预测方法,其特征在于,在所述生成障碍物地图之后,还包括:
将碰撞预测信息和障碍物地图发送至所述车辆终端。
4.根据权利要求1所述的碰撞预测方法,其特征在于,还包括:
若判断出所述最小时间大于碰撞时间阈值,则确定所述车辆不会与目标障碍物发生碰撞。
5.根据权利要求4所述的碰撞预测方法,其特征在于,在所述确定所述车辆不会与目标障碍物发生碰撞之后,还包括:
将所述边界点的当前坐标确定为边界点初始坐标,继续执行接收车载终端按照预设时间间隔发送的边界点当前坐标的步骤。
6.根据权利要求1所述的碰撞预测方法,其特征在于,所述碰撞预测信息包括所述车辆将于所述最小时间后与所述目标障碍物发生碰撞、目标障碍物的图像位置融合信息和最小时间。
7.一种碰撞预测装置,其特征在于,所述装置包括:
接收单元,用于接收车辆终端发送的目标障碍物的图像位置融合信息和车辆数据信息;
第一生成单元,用于通过时间距离函数,根据所述车辆数据信息、边界点当前坐标和目标障碍物的图像位置融合信息,生成车辆到达目标障碍物的最小时间;
判断单元,用于判断最小时间是否大于碰撞时间阈值;
第二生成单元,用于若判断单元判断出最小时间小于或等于碰撞时间阈值,则生成碰撞预测信息;
所述图像位置融合信息包括目标障碍物的位置坐标,所述车辆数据信息包括车辆相对于目标障碍物的相对速度、边界点初始坐标和中心点坐标;
所述通过时间距离函数,根据所述车辆数据信息、边界点当前坐标和目标障碍物的图像位置融合信息,生成车辆到达目标障碍物的最小时间,包括:
根据所述边界点当前坐标和所述目标障碍物的位置坐标,计算出所述车辆的边界点至所述目标障碍物的碰撞距离;
将以下公式(1)、公式(2)和公式(3)联立,根据所述车辆相对于目标障碍物的相对速度、边界点初始坐标、边界点当前坐标、中心点坐标、目标障碍物的位置坐标和碰撞距离,计算出所述车辆到达目标障碍物的最小时间;
其中,G定义为G={Oi|i=1,,n}、Oi为边界点的集合、Qi为边界点的归一化参数、li为碰撞距离、(xp,yp)为目标障碍物的位置坐标、(xi,yi)为边界点当前坐标、为边界点初始坐标、/>为车辆的中心点坐标、TDG/xy(xp,yp)为车辆到达目标障碍物的最小时间、/>为边界点到达目标障碍物的碰撞时间、/>为车辆相对于目标障碍物的相对速度。
8.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1至6中任意一项所述的碰撞预测方法。
9.一种服务器,包括存储器和处理器,所述存储器用于存储包括程序指令的信息,所述处理器用于控制程序指令的执行,其特征在于,所述程序指令被处理器加载并执行时实现权利要求1至6任意一项所述的碰撞预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911404841.8A CN113128272B (zh) | 2019-12-30 | 2019-12-30 | 一种碰撞预测方法、装置、存储介质和服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911404841.8A CN113128272B (zh) | 2019-12-30 | 2019-12-30 | 一种碰撞预测方法、装置、存储介质和服务器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113128272A CN113128272A (zh) | 2021-07-16 |
CN113128272B true CN113128272B (zh) | 2024-05-28 |
Family
ID=76768763
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911404841.8A Active CN113128272B (zh) | 2019-12-30 | 2019-12-30 | 一种碰撞预测方法、装置、存储介质和服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113128272B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115014375B (zh) * | 2022-06-06 | 2023-11-03 | 北京京深深向科技有限公司 | 碰撞检测方法、装置及电子设备、存储介质 |
CN115327564A (zh) * | 2022-07-22 | 2022-11-11 | 天津海关工业产品安全技术中心 | 机器人自主运行导航方法及系统 |
CN116994457B (zh) * | 2023-09-26 | 2023-12-29 | 深圳海星智驾科技有限公司 | 车辆防碰撞的检测方法、装置、计算机设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140123299A (ko) * | 2013-04-12 | 2014-10-22 | 현대모비스 주식회사 | 차량 충돌 방지 장치 및 그 방법 |
CN106515725A (zh) * | 2016-10-20 | 2017-03-22 | 深圳市元征科技股份有限公司 | 一种车辆防碰撞的方法及终端 |
DE102018105014A1 (de) * | 2017-03-06 | 2018-09-06 | GM Global Technology Operations LLC | Vorhersagealgorithmus für einen fahrzeugcrash unter verwendung eines radarsensors und eines upa-sensors |
CN108528442A (zh) * | 2017-03-06 | 2018-09-14 | 通用汽车环球科技运作有限责任公司 | 使用雷达传感器和upa传感器的车辆碰撞预测算法 |
CN109572693A (zh) * | 2019-01-24 | 2019-04-05 | 湖北亿咖通科技有限公司 | 车辆避障辅助方法、系统及车辆 |
-
2019
- 2019-12-30 CN CN201911404841.8A patent/CN113128272B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140123299A (ko) * | 2013-04-12 | 2014-10-22 | 현대모비스 주식회사 | 차량 충돌 방지 장치 및 그 방법 |
CN106515725A (zh) * | 2016-10-20 | 2017-03-22 | 深圳市元征科技股份有限公司 | 一种车辆防碰撞的方法及终端 |
DE102018105014A1 (de) * | 2017-03-06 | 2018-09-06 | GM Global Technology Operations LLC | Vorhersagealgorithmus für einen fahrzeugcrash unter verwendung eines radarsensors und eines upa-sensors |
CN108528442A (zh) * | 2017-03-06 | 2018-09-14 | 通用汽车环球科技运作有限责任公司 | 使用雷达传感器和upa传感器的车辆碰撞预测算法 |
CN109572693A (zh) * | 2019-01-24 | 2019-04-05 | 湖北亿咖通科技有限公司 | 车辆避障辅助方法、系统及车辆 |
Non-Patent Citations (1)
Title |
---|
基于信息融合的智能车障碍物检测方法;陆峰;徐友春;李永乐;王德宇;谢德胜;;计算机应用;20171220(S2);第120-124页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113128272A (zh) | 2021-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113128272B (zh) | 一种碰撞预测方法、装置、存储介质和服务器 | |
US11461915B2 (en) | Object size estimation using camera map and/or radar information | |
CN111443359B (zh) | 定位方法、装置及设备 | |
CN113264066A (zh) | 障碍物轨迹预测方法、装置、自动驾驶车辆及路侧设备 | |
CN112991389B (zh) | 一种目标跟踪方法、装置及移动机器人 | |
Muresan et al. | Multi-object tracking of 3D cuboids using aggregated features | |
CN115063454B (zh) | 多目标跟踪匹配方法、装置、终端及存储介质 | |
CN113139696B (zh) | 一种轨迹预测模型构建方法及轨迹预测方法、装置 | |
CN116645396A (zh) | 轨迹确定方法、装置、计算机可读存储介质及电子设备 | |
Lindenmaier et al. | GM-PHD filter based sensor data fusion for automotive frontal perception system | |
Vatavu et al. | From particles to self-localizing tracklets: A multilayer particle filter-based estimation for dynamic grid maps | |
CN117908536A (zh) | 机器人避障方法、终端设备及计算机可读存储介质 | |
CN116485837A (zh) | 一种目标跟踪方法、介质以及电子设备 | |
EP4050510A1 (en) | Object information calculation method and system | |
CN114663478A (zh) | 一种根据多参考点预测信息估计锚点位置的方法 | |
Hallyburton et al. | Partial-Information, Longitudinal Cyber Attacks on LiDAR in Autonomous Vehicles | |
CN113516013A (zh) | 目标检测方法、装置、电子设备、路侧设备和云控平台 | |
Lindenmaier et al. | Semi-Automatic BEV Ground Truth Generation for Automotive Perception Systems | |
Balakrishnan | Closing the modelling gap: Transfer learning from a low-fidelity simulator for autonomous driving | |
CN115147612B (zh) | 一种基于累加点云对车辆尺寸进行实时估计的处理方法 | |
CN118690187A (zh) | 一种目标的状态预测方法、装置、终端设备和存储介质 | |
CN114077689A (zh) | 路网节点模型构建方法、装置、存储介质和计算机设备 | |
CN116071678A (zh) | 目标物体的状态识别方法、电子设备和存储介质 | |
CN116416580A (zh) | 一种车辆目标跟踪方法、终端设备及存储介质 | |
Stoddart | Computer Vision Techniques for Automotive Perception Systems |
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 |