CN113177980A - 用于自动驾驶的目标对象速度确定方法、装置及电子设备 - Google Patents
用于自动驾驶的目标对象速度确定方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113177980A CN113177980A CN202110472412.5A CN202110472412A CN113177980A CN 113177980 A CN113177980 A CN 113177980A CN 202110472412 A CN202110472412 A CN 202110472412A CN 113177980 A CN113177980 A CN 113177980A
- Authority
- CN
- China
- Prior art keywords
- target object
- speed
- observation time
- observation
- information
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000008859 change Effects 0.000 claims abstract description 53
- 238000006073 displacement reaction Methods 0.000 claims abstract description 36
- 238000004590 computer program Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 239000000523 sample Substances 0.000 description 13
- 238000004891 communication Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000003897 fog Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/06—Systems determining position data of a target
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Electromagnetism (AREA)
- Geometry (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例公开了用于自动驾驶的目标对象速度确定方法、装置、电子设备、计算机可读存储介质及计算机程序产品,涉及计算机视觉、深度学习和自动驾驶等人工智能技术领域。该方法的一具体实施方式包括:根据时间轴确定由目标观测时间和相应的历史观测时间、未来观测时间组成的观测时间组,获取目标对象在各观测时间下目标对象的角点位置、所在曲面位置中的至少一种位置信息,最终根据目标对象在观测时间组中的位置变化情况,确定该目标对象的速度信息,位置变化情况包括目标对象的角点位移、曲面匹配位移中的至少一种。该实施方式可以通过目标对象不同形式的历史位移和未来位移提供确定多类型速度真值,以提供更加贴合真实情况的速度真值。
Description
技术领域
本申请涉及数据处理技术领域,具体涉及计算机视觉、深度学习和自动驾驶等人工智能技术领域,尤其涉及用于自动驾驶的目标对象速度确定方法、装置、电子设备、计算机可读存储介质及计算机程序产品。
背景技术
随着社会发展,为了进一步解决人力成本,提升物流、运输效率,在越来越多的领域中投入了自动驾驶汽车的使用,自动驾驶汽车(Self-drivingCar),又称无人驾驶车辆、电脑驾驶车辆、或轮式移动机器人,是一种通过计算机系统实现无人驾驶的智能车辆。
在自动驾驶技术中,自动驾驶感知系统需要为车辆的规划系统提供障碍物信息(包括位置、尺寸、速度)。因此,在驾驶过程中需要对可能对驾驶产生影响的障碍物的速度真值进行获取,以便于帮助无人车系统更好的判断障碍物的行为意图,进行更合理的交互。
发明内容
本申请实施例提出了一种用于自动驾驶的目标对象速度确定方法、装置、电子设备、计算机可读存储介质及计算机程序产品。
第一方面,本申请实施例提出了一种用于自动驾驶的目标对象速度确定方法,包括:根据时间轴确定分别位于目标观测时间之前的历史观测时间和之后的未来观测时间;获取目标对象在各观测时间的位置信息,所述位置信息包括所述目标对象的角点位置、所在曲面位置中的至少一种;根据所述目标对象在至少一组观测时间组中的位置变化情况,确定所述目标对象的速度信息,所述观测时间组中包括所述目标观测时间、至少一个所述历史观测时间和至少一个所述未来观测时间,所述位置变化情况包括所述目标对象的角点位移、曲面匹配位移中的至少一种。
第二方面,本申请实施例提出了一种用于自动驾驶的目标对象速度确定装置,包括:观测时间确定单元,被配置成根据时间轴确定分别位于目标观测时间之前的历史观测时间和之后的未来观测时间;位置信息获取单元,被配置成获取目标对象在各观测时间的位置信息,该位置信息包括该目标对象的角点位置、所在曲面位置中的至少一种;速度信息确定单元,被配置成根据该目标对象在至少一组观测时间组中的位置变化情况,确定该目标对象的速度信息,该观测时间组中包括该目标观测时间、至少一个该历史观测时间和至少一个该未来观测时间,该位置变化情况包括该目标对象的角点位移、曲面匹配位移中的至少一种。
第三方面,本申请实施例提供了一种电子设备,该电子设备包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,该指令被至少一个处理器执行,以使至少一个处理器执行时能够实现如第一方面中任一实现方式描述的用于自动驾驶的目标对象速度确定方法。
第四方面,本申请实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质,该计算机指令用于使计算机执行时能够实现如第一方面中任一实现方式描述的用于自动驾驶的目标对象速度确定方法。
第五方面,本申请实施例提供了一种包括计算机程序的计算机程序产品,该计算机程序在被处理器执行时能够实现如第一方面中任一实现方式描述的用于自动驾驶的目标对象速度确定方法。
本申请实施例提供的用于自动驾驶的目标对象速度确定方法、装置、电子设备、计算机可读存储介质及计算机程序产品,根据时间轴确定目标观测时间和相应的历史观测时间、未来观测时间,并获取目标对象在各观测时间下,目标对象的角点位置、所在曲面位置中的至少一种位置信息,最终根据目标对象在由目标观测时间和相应的历史观测时间、未来观测时间组成的观测时间组中的位置变化情况,确定该目标对象的速度信息,位置变化情况包括目标对象的角点位移、曲面匹配位移中的至少一种。
本申请联合使用目标对象的目标观测时间、目标观测时间之前的历史观测时间和目标观测时间之后的未来观测时间的多种位置信息,以确定目标对象在由目标观测时间、至少一个历史观测时间和至少一个未来观测时间组成的观测时间组中的位置变化情况,通过目标对象不同形式的历史位移和未来位移提供确定多类型速度真值,以提供更加贴合真实情况的速度真值。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请可以应用于其中的示例性系统架构;
图2为本申请实施例提供的一种用于自动驾驶的目标对象速度确定方法的流程图;
图3为本申请实施例提供的另一种用于自动驾驶的目标对象速度确定方法的流程图;
图4-1、4-2和4-3为本申请实施例提供的在一应用场景下的用于自动驾驶的目标对象速度确定方法的场景示意图;
图5为本申请实施例提供的一种用于自动驾驶的目标对象速度确定装置的结构框图;
图6为本申请实施例提供的一种适用于执行用于自动驾驶的目标对象速度确定方法的电子设备的结构示意图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
图1示出了可以应用本申请的用于自动驾驶的目标对象速度确定方法、装置、电子设备及计算机可读存储介质的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103和服务器105上可以安装有各种用于实现两者之间进行信息通讯的应用,例如自动驾驶路线规划类应用、速度真值解析类应用、即时通讯类应用等。
终端设备101、102、103和服务器105可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有显示屏的各种电子设备,包括但不限于智能手机、车载计算机、自动驾驶传感器等等;当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中,其可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块,在此不做具体限定。当服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器;服务器为软件时,可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块,在此不做具体限定。
服务器105通过内置的各种应用可以提供各种服务,以可以为路线规划、目标物体运动分析工提供速度真值的速度真值解析类应用为例,服务器105在运行该速度真值解析类应用时可实现如下效果:首先,根据期望速度被解析的时刻点确定时间区间,并将该时刻点作为目标观测时间,基于该时间区间的时间轴分别确定位于目标观测时间之前的历史观测时间和之后的未来观测时间,然后通过网络104从终端设备101、102、103中获取该目标对象在各观测时间的位置信息,该位置信息包括该目标对象的角点位置、所在曲面位置中的至少一种,最后根据该目标对象在至少一组观测时间组中的位置变化情况,确定该目标对象的速度信息,该观测时间组中包括该目标观测时间、至少一个该历史观测时间和至少一个该未来观测时间,位置变化情况包括目标对象的角点位移、曲面匹配位移中的至少一种。
需要指出的是,目标对象的运动数据除可以从终端设备101、102、103通过网络104获取到之外,也可以通过各种方式预先存储在服务器105本地。因此,当服务器105检测到本地已经存储有这些数据时(例如开始处理之前留存的目标对象的位置信息),可选择直接从本地获取这些数据,在此种情况下,示例性系统架构100也可以不包括终端设备101、102、103和网络104。
由于确定目标对象的速度需要占用较多的运算资源和较强的运算能力,因此本申请后续各实施例所提供的用于自动驾驶的目标对象速度确定方法一般由拥有较强运算能力、较多运算资源的服务器105来执行,相应地,用于自动驾驶的目标对象速度确定装置一般也设置于服务器105中。但同时也需要指出的是,在终端设备101、102、103也具有满足要求的运算能力和运算资源时,终端设备101、102、103也可以通过其上安装的速度真值解析类应用完成上述本交由服务器105做的各项运算,进而输出与服务器105同样的结果。尤其是在同时存在多种具有不同运算能力的终端设备的情况下,但速度真值解析类应用判断所在的终端设备拥有较强的运算能力和剩余较多的运算资源时,可以让终端设备来执行上述运算,从而适当减轻服务器105的运算压力,相应的,用于自动驾驶的目标对象速度确定装置也可以设置于终端设备101、102、103中。在此种情况下,示例性系统架构100也可以不包括服务器105和网络104。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
请参考图2,图2为本申请实施例提供的一种用于自动驾驶的目标对象速度确定方法的流程图,其中流程200包括以下步骤:
步骤201,根据时间轴确定分别位于目标观测时间之前的历史观测时间和之后的未来观测时间。
在本实施例中,由用于自动驾驶的目标对象速度确定方法的执行主体(例如图1所示的服务器105)将目标对象期望被解析速度的时刻点确定为目标观测时间,并根据时间轴分别确定位于该目标观测时间之前的历史观测时间和之后的未来观测时间。
步骤202,获取目标对象在各观测时间的位置信息。
在本实施例中,上述执行主体根据上述步骤201中确定的目标观测时间、历史观测时间和未来观测时间的时刻后,获取目标对象处于各观测时间的位置信息,该位置信息可以由上述执行主体直接从本地的存储设备获取,也可以从非本地的存储设备(例如图1所示的终端设备101、102、103)中获取。本地的存储设备可以是设置在上述执行主体内的一个数据存储模块,例如服务器硬盘,在此种情况下,位置信息可以在本地快速读取到;非本地的存储设备还可以为其它任何被设置用于存储数据的电子设备,例如一些用户终端、车载监控设备等,在此情况下,上述执行主体可以通过向该电子设备发送获取命令来获取所需的位置信息,该位置信息包括目标对象的角点位置、所在曲面位置中的至少一种。
其中,质心位置,指物质系统上被认为质量集中于此的一个假想点,通常在目标对象在平面上运动时,可以将该假想点的位置垂直投影至目标对象所处的运动平面,以便于后续该投影点的位置变化来分析目标对象的运动状况。
在此基础上,因质心位置通常优选于运动位移与运动路程相等的运动状况,在运动位移与运动路程不相等的场景下,例如目标对象的运动位面为曲面时,则优选的以目标对象所在的曲面位置作为上述位置信息。
进一步的,因为角点在保留图像图形重要特征的同时,可以有效地减少信息的数据量,使其信息的含量很高,有效地提高了计算的速度,有利于图像的可靠匹配,使得实时处理成为可能,在用于确定目标对象的位置信息的素材中可以识别出目标对象包含的角点时,例如基于摄像头采集到的图像获取位置信息时,可以从该图像中确定相应的角点,以提高确定用于自动驾驶的目标对象速度方法的效率。
步骤203,根据目标对象在至少一组观测时间组中的位置变化情况,确定目标对象的速度信息。
在本实施例中,基于目标观测时间、至少一个历史观测时间和至少一个未来观测时间确定观测时间组,并确定目标对象在该观测时间组中包括的目标观测时间、历史观测时间和未来观测时间时的位置信息,位置变化情况包括目标对象的角点位移、曲面匹配位移中的至少一种,并基于历史观测时间至目标观测时间的位置变化确定目标对象的第一速度,目标观测时间至未来观测时间的位置变化确定目标对象的第二速度,根据该第一速度和该第二速度拟合生成目标对象位于该目标观测时间的速度信息。
应当理解的是,在本实施例中根据位置信息的种类不同,确定到的速度信息与位置信息的种类相对应,在获取由多个不同种类的位置信息后,可以同时生成该目标对象的多个不同种类的速度信息,以获取规模更大、多样性更好的速度真值。
本申请实施例提供的用于自动驾驶的目标对象速度确定方法,联合使用目标对象的目标观测时间、目标观测时间之前的历史观测时间和目标观测时间之后的未来观测时间的多种位置信息,以确定目标对象在由目标观测时间、至少一个历史观测时间和至少一个未来观测时间组成的观测时间组中的位置变化情况,进而获取目标对象的速度真值,通过目标对象不同形式的历史位移和未来位移提供确定多类型速度真值,以提供更加贴合真实情况的速度真值。
在本实施例的一些可选的实现方式中,为了进一步的提升确定到的目标对象的速度信息的准确性,根据目标对象在至少一组观测时间组中的位置变化情况,确定目标对象的速度信息,包括:响应于该观测时间组中存在多个该历史观测时间和/或多个该未来观测时间,采用随机采样一致性算法处理该多个该历史观测时间和/或多个该未来观测时间,得到处理后观测时间;基于该处理后观测时间和该目标观测时间确定该目标对象在至少一组观测时间组中的位置变化情况;根据该位置变化情况确定该目标对象的速度信息。
具体的,上述执行主体可以预先根据需求确定多个历史观测时间和/或多个未来观测时间,进一步在确定观测时间组时,同时选取多个历史观测时间和/或多个未来观测时间组成该观测时间组,并采用随机采样一直算法分别对多个历史观测时间和/或多个未来观测时间进行处理,随机采样一致性算法(Random Sample Consensus,简称ransac),ransac算法的基本假设是样本中包含正确数据(inliers,可以被模型描述的数据),也包含异常数据(outliers,偏离正常范围很远、无法适应数学模型的数据),即数据集中含有噪声,并且这些异常数据可能是由于错误的测量、错误的假设、错误的计算等产生的,同时ransac也假设,给定一组正确的数据,存在可以计算出符合这些数据的模型参数的方法,通过ransac算法可以对数据中包含的噪声进行剔除,提升观测时间组中的历史观测时间和未来观测时间对应的位置信息的质量,进一步提升后续根据这些观测时间确定到的位置变化情况的准确性,提高数据可信度。
请参考图3,图3为本申请实施例提供的另一种用于自动驾驶的目标对象速度确定方法的流程图,其中流程300包括以下步骤:
步骤301,根据时间轴确定分别位于目标观测时间之前的历史观测时间和之后的未来观测时间。
步骤302,获取目标对象在各观测时间的位置信息。
步骤303,根据目标对象在至少一组观测时间组中的位置变化情况,确定目标对象的速度信息。
以上步骤301-303与如图2所示的步骤201-203一致,相同部分内容请参见上一实施例的相应部分,此处不再进行赘述。
步骤304,根据不同的观测时间组分别确定出的目标对象的速度信息,生成速度信息集合。
在本实施例中,在基于多个观测时间组生成有多个目标对象的速度信息后,可以将基于针对相同目标观测时间的多个观测时间中的目标对象的速度进行整合,以统一至同一时刻点下该目标对象的速度信息,并将各个不同观测时间确定出的目标对象的速度信息进行收集,生成速度信息集合。
步骤305,采用随机采样一致性算法对速度集合信息中的各速度信息进行处理,并根据处理结果生成目标对象的速度观测曲线。
在本实施例中,同样的采用随机采样一致性算法对速度集合中的各速度进行处理,以剔除生成的不准确的速度信息,在此基础上,基于不同目标观测时间的目标对象的速度信息,即不同时刻下的目标对象的速度信息生成包含多个不同目标观测时间的时间区间内的目标对象的速度观测曲线,以便于更直观的了解目标对象的速度变化状态,以及使用该速度观测曲线进行高质量的运动状况解析。
本申请实施例提供的用于自动驾驶的目标对象速度确定方法,在上述实施例的基础上,进一步的基于随机采样一致性算法对各个时刻点收集到的速度信息进行整合,生成相应的速度观测曲线,以便于后续根据该速度观测曲线来分析处于近似运动状态下的目标对象的速度信息,提供了高质量的用于速度分析的速度观测曲线样本。
在本实施例的一些可选的实现方式中,该用于自动驾驶的目标对象速度确定方法还包括:获取该目标对象当前运动状态下的历史位置变化情况;根据该历史位置变化情况推算该目标对象的当前速度;根据该当前速度和该速度观测曲线预测该目标对象位于当前运动状态下的未来速度。
具体的,在基于目标对象的过去运动状态获取由目标对象的速度观测曲线后,可以基于本次目标对象的运动状态中的角点位移、曲面匹配位移来推算目标对象在该运动状态下的历史位置变化情况,进而根据该历史位置变化情况推算目标对象的当前速度,最终基于该当前速度和上述速度观测曲线来预测目标对象在该运动状态下的未来速度,实现较为准确的用于自动驾驶的目标对象速度预测。
在本实施例的一些可选的实现方式中,该根据不同的观测时间组分别确定出的目标对象的速度信息,生成速度信息集合,包括:响应于基于不同采集设备获取到多个种类的位置信息,分别确定该目标对象在不同观测时间组中的与位置信息种类对应的速度信息,并生成与信息种类对应的速度集合;以及在根据处理结果生成该目标对象的速度观测曲线之后还包括:拟合基于各个种类位置信息对应的速度信息集合生成的速度观测曲线,生成速度观测拟合曲线。
具体的,在实践中可能给予同一采集设备或不同采集设备采集有多个不同种类的位置信息,根据获取到位置信息的种类不同,对各个位置信息分别进行观测,以生成与位置信息种类相对应的速度信息,并进一步生成与种类信息对应的速度集合,后续根据多个不同的速度集合分别生成与位置信息种类相对应的速度观测曲线后,将得到的多个速度观测曲线进行拟合,生成速度观测拟合曲线,不仅可以基于不同的位置信息实现各个速度观测曲线的可靠性验证,还可以通过速度观测拟合曲线同时记载更多种类的位置信息、速度信息,以便于同时获取多种参考信息,提高信息获取效率。
在上述任一实施例的基础上,获取目标对象位于各观测时间的位置信息,包括:采用激光点云、毫米波雷达、相机中至少一种采集设备获取目标对象位于各观测时间的位置信息。
具体的,采集设置为用于采集目标图像位于各观测时间的位置信息,可以根据应用场景的实际情况来选择激光点云、毫米波雷达、相机中至少一种获取目标对象的位置信息,其中,相机是较为容易获取目标对象的位置信息的采集设备,具有易安装、设置成本低的优点,激光雷达(激光探测及测距)主要用激光器作为发射光源,采用光电探测技术手段的主动遥感设备,激光雷达由发射系统、接收系统、信息处理等部分组成。它利用激光对地球表面进行密集采样,以产生高精度的真实空间坐标测量值。能生成可通过Arcgis进行管理、显示、分析以及共享的离散多点云数据集,完成激光雷达数据采集测量之后,将通过分析激光的时间范围、激光的扫描角度、地理定位位置和程序信息将点数据后处理成高度精确的地理配准真实空间坐标,利用激光点云雷达可以进一步提高获取到的各观测时间的位置信息的精度、分析位置变化情况的效率。
最后,在应用场景为雨、雪天气等特殊天气的情况下,可以利用毫米波雷达进行位置信息的获取,毫米波雷达,是工作在毫米波波段(millimeter wave)探测的雷达。通常毫米波是指30~300GHz频域(波长为1~10mm)的。毫米波的波长介于微波和厘米波之间,因此毫米波雷达兼有微波雷达和光电雷达的一些优点,同厘米波导引头相比,毫米波导引头具有体积小、质量轻和空间分辨率高的特点。与红外、激光、电视等光学导引头相比,毫米波导引头穿透雾、烟、灰尘的能力强,具有全天候(大雨天除外)全天时的特点,可以在例如雾天、雨天的情况下获取较为准确的位置信息。
在上述任一实施例的基础上,该用于自动驾驶的目标对象速度确定方法还包括:获取目标对象的速度信息;根据该速度信息生成模型训练样本集合,并采用该模型训练样本集合对实时速度预测模型进行训练或更新。
具体的,获取需要使用到用于自动驾驶的目标对象速度真值的速度分析模型、路径规划模型等相关模型,根据实际的相关模型训练、更新需求,确定需要的模型训练、更新样本集合中需要获取的是某个特定时刻点下的目标对象的速度信息或某个时间区间内的目标对象的速度信息,生成对应的模型训练、更新样本集合后,使用该模型训练、更新样本集合对相关模型进行训练,以基于准确度较高的速度真值实现更高质量的模型更新、训练工作。
为加深理解,本申请还结合一个具体应用场景,给出了一种具体的实现方案,以确定目标对象A位于目标观测时间a的速度,具体如下:
选取包含有目标观测时间所处时刻的时间区间,并根据时间轴在该时间区间中分别确定位于该目标观测时间之前的历史观测时间b和未来观测时间c。
获取目标对象在各观测时间的质心A1的质心位置,在历史观测时间b时,该质心A1的质心位置的示意图如图4-1所示,在目标观测时间a时,该质心A1的质心位置的示意图如图4-2所示,在未来观测时间c时,该质心A1的质心位置的示意图如图4-3所示。
将目标观测时间a、历史观测时间b和未来观测时间c确定为一个观测时间组,并根据目标对象在该观测时间组的位置变化情况确定该目标对象的速度信息。
本申请实施例提供的用于自动驾驶的目标对象速度确定方法,联合使用目标对象的目标观测时间、目标观测时间之前的历史观测时间和目标观测时间之后的未来观测时间的多种位置信息,以确定目标对象在由目标观测时间、至少一个历史观测时间和至少一个未来观测时间组成的观测时间组中的位置变化情况,进而获取目标对象的速度真值,通过目标对象不同形式的历史位移和未来位移提供确定多类型速度真值,以提供更加贴合真实情况的速度真值。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种用于自动驾驶的目标对象速度确定装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的用于自动驾驶的目标对象速度确定装置500可以包括:观测时间确定单元501、位置信息获取单元502和速度信息确定单元503。其中,观测时间确定单元501,被配置成根据时间轴确定分别位于目标观测时间之前的历史观测时间和之后的未来观测时间;位置信息获取单元502,被配置成获取目标对象在各观测时间的位置信息,该位置信息包括该目标对象的角点位置、所在曲面位置中的至少一种;速度信息确定单元503,被配置成根据该目标对象在至少一组观测时间组中的位置变化情况,确定该目标对象的速度信息,该观测时间组中包括该目标观测时间、至少一个该历史观测时间和至少一个该未来观测时间,该位置变化情况包括该目标对象的角点位移、曲面匹配位移中的至少一种。
在本实施例中,用于自动驾驶的目标对象速度确定装置500中:观测时间确定单元501、位置信息获取单元502和速度信息确定单元503的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-203的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,该速度信息确定单元503包括:优化观测时间子单元,被配置成响应于该观测时间组中存在多个该历史观测时间和/或多个该未来观测时间,采用随机采样一致性算法处理该多个该历史观测时间和/或多个该未来观测时间,得到处理后观测时间;位置变化确定子单元,被配置成基于该处理后观测时间和该目标观测时间确定该目标对象在至少一组观测时间组中的位置变化情况;速度信息确定子单元,被配置成根据该位置变化情况确定该目标对象的速度信息。
在本实施例的一些可选的实现方式中,该用于自动驾驶的目标对象速度确定装置500中还包括:速度集合生成单元,被配置成根据不同的观测时间组分别确定出的目标对象的速度信息,生成速度信息集合;观测曲线生成单元,被配置成采用随机采样一致性算法对该速度集合信息中的各速度信息进行处理,并根据处理结果生成该目标对象的速度观测曲线。
在本实施例的一些可选的实现方式中,该用于自动驾驶的目标对象速度确定装置500中还包括:历史位移获取单元,被配置成获取该目标对象当前运动状态下的历史位置变化情况;当前速度推算单元,被配置成根据该历史位置变化情况推算该目标对象的当前速度;未来速度预测单元,被配置成根据该当前速度和该速度观测曲线预测该目标对象位于当前运动状态下的未来速度。
在本实施例的一些可选的实现方式中,该位置信息获取单元502进一步被配置成,采用激光点云雷达获取目标对象位于各观测时间的位置信息。
在本实施例的一些可选的实现方式中,该用于自动驾驶的目标对象速度确定装置500中还包括:速度信息收集单元,被配置成获取该目标对象的速度信息;模型训练单元,被配置成根据该速度信息生成模型训练样本集合,并采用该模型训练样本集合对实时速度预测模型进行训练或更新。
本实施例作为对应于上述方法实施例的装置实施例存在,本实施例提供的用于自动驾驶的目标对象速度确定装置联合使用目标对象的目标观测时间、目标观测时间之前的历史观测时间和目标观测时间之后的未来观测时间的多种位置信息,以确定目标对象在由目标观测时间、至少一个历史观测时间和至少一个未来观测时间组成的观测时间组中的位置变化情况,进而获取目标对象的速度真值,通过目标对象不同形式的历史位移和未来位移提供确定多类型速度真值,以提供更加贴合真实情况的速度真值。
根据本申请的实施例,本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了可以用来实施本申请的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示,设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理,例如用于自动驾驶的目标对象速度确定方法。例如,在一些实施例中,用于自动驾驶的目标对象速度确定方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的用于自动驾驶的目标对象速度确定方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行用于自动驾驶的目标对象速度确定方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大,业务扩展性弱的缺陷。服务器也可以分为分布式系统的服务器,或者是结合了区块链的服务器。
根据本申请实施例的技术方案,联合使用目标对象的目标观测时间、目标观测时间之前的历史观测时间和目标观测时间之后的未来观测时间的多种位置信息,以确定目标对象在由目标观测时间、至少一个历史观测时间和至少一个未来观测时间组成的观测时间组中的位置变化情况,进而获取目标对象的速度真值,通过目标对象不同形式的历史位移和未来位移提供确定多类型速度真值,以提供更加贴合真实情况的速度真值。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (17)
1.一种用于自动驾驶的目标对象速度确定方法,包括:
根据时间轴确定分别位于目标观测时间之前的历史观测时间和之后的未来观测时间;
获取目标对象在各观测时间的位置信息,所述位置信息包括所述目标对象的角点位置、所在曲面位置中的至少一种;
根据所述目标对象在至少一组观测时间组中的位置变化情况,确定所述目标对象的速度信息,所述观测时间组中包括所述目标观测时间、至少一个所述历史观测时间和至少一个所述未来观测时间,所述位置变化情况包括所述目标对象的角点位移、曲面匹配位移中的至少一种。
2.根据权利要求1所述的方法,其中,所述根据所述目标对象在至少一组观测时间组中的位置变化情况,确定所述目标对象的速度信息,包括:
响应于所述观测时间组中存在多个所述历史观测时间和/或多个所述未来观测时间,采用随机采样一致性算法处理所述多个所述历史观测时间和/或多个所述未来观测时间,得到处理后观测时间;
基于所述处理后观测时间和所述目标观测时间确定所述目标对象在至少一组观测时间组中的位置变化情况;
根据所述位置变化情况确定所述目标对象的速度信息。
3.根据权利要求1所述的方法,其中,所述获取目标对象位于各观测时间的位置信息,包括:
采用激光点云、毫米波雷达、相机中至少一种采集设备获取所述目标对象位于各所述观测时间的位置信息。
4.根据权利要求1-3中任一项所述的方法,还包括:
根据不同的观测时间组分别确定出的目标对象的速度信息,生成速度信息集合;
采用随机采样一致性算法对所述速度集合信息中的各速度信息进行处理,并根据处理结果生成所述目标对象的速度观测曲线。
5.根据权利要求4所述的方法,还包括:
获取所述目标对象当前运动状态下的历史位置变化情况;
根据所述历史位置变化情况推算所述目标对象的当前速度;
根据所述当前速度和所述速度观测曲线预测所述目标对象位于当前运动状态下的未来速度。
6.根据权利要求4所述的方法,其中,所述根据不同的观测时间组分别确定出的目标对象的速度信息,生成速度信息集合,包括:
响应于基于不同采集设备获取到多个种类的位置信息,分别确定所述目标对象在不同观测时间组中的与位置信息种类对应的速度信息,并生成与信息种类对应的速度集合;以及
在根据处理结果生成所述目标对象的速度观测曲线之后还包括:
拟合基于各个种类位置信息对应的速度信息集合生成的速度观测曲线,生成速度观测拟合曲线。
7.根据权利要求1所述的方法,还包括:
获取所述目标对象的速度信息;
根据所述速度信息生成模型训练样本集合,并采用所述模型训练样本集合对实时速度预测模型进行训练或更新。
8.一种用于自动驾驶的目标对象速度确定装置,包括:
观测时间确定单元,被配置成根据时间轴确定分别位于目标观测时间之前的历史观测时间和之后的未来观测时间;
位置信息获取单元,被配置成获取目标对象在各观测时间的位置信息,所述位置信息包括所述目标对象的角点位置、所在曲面位置中的至少一种;
速度信息确定单元,被配置成根据所述目标对象在至少一组观测时间组中的位置变化情况,确定所述目标对象的速度信息,所述观测时间组中包括所述目标观测时间、至少一个所述历史观测时间和至少一个所述未来观测时间,所述位置变化情况包括所述目标对象的角点位移、曲面匹配位移中的至少一种。
9.根据权利要求8所述的装置,其中,所述速度信息确定单元包括:
优化观测时间子单元,被配置成响应于所述观测时间组中存在多个所述历史观测时间和/或多个所述未来观测时间,采用随机采样一致性算法处理所述多个所述历史观测时间和/或多个所述未来观测时间,得到处理后观测时间;
位置变化确定子单元,被配置成基于所述处理后观测时间和所述目标观测时间确定所述目标对象在至少一组观测时间组中的位置变化情况;
速度信息确定子单元,被配置成根据所述位置变化情况确定所述目标对象的速度信息。
10.根据权利要求8所述的装置,所述位置信息获取单元进一步被配置成,采用激光点云、毫米波雷达、相机中至少一种采集设备获取所述目标对象位于各所述观测时间的位置信息。
11.根据权利要求8-10中任一项所述的装置,还包括:
速度集合生成单元,被配置成根据不同的观测时间组分别确定出的目标对象的速度信息,生成速度信息集合;
观测曲线生成单元,被配置成采用随机采样一致性算法对所述速度集合信息中的各速度信息进行处理,并根据处理结果生成所述目标对象的速度观测曲线。
12.根据权利要求11所述的装置,还包括:
历史位移获取单元,被配置成获取所述目标对象当前运动状态下的历史位置变化情况;
当前速度推算单元,被配置成根据所述历史位置变化情况推算所述目标对象的当前速度;
未来速度预测单元,被配置成根据所述当前速度和所述速度观测曲线预测所述目标对象位于当前运动状态下的未来速度。
13.根据权利要求11所述的装置,其中,所述观测曲线生成单元进一步被配置成,响应于基于不同采集设备获取到多个种类的位置信息,分别确定所述目标对象在不同观测时间组中的与位置信息种类对应的速度信息,并生成与信息种类对应的速度集合;
还包括:观测曲线拟合单元,被配置成拟合基于各个种类位置信息对应的速度信息集合生成的速度观测曲线,生成速度观测拟合曲线。
14.根据权利要求8所述的装置,还包括:
速度信息收集单元,被配置成获取所述目标对象的速度信息;
模型训练单元,被配置成根据所述速度信息生成模型训练样本集合,并采用所述模型训练样本集合对实时速度预测模型进行训练或更新。
15.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的用于自动驾驶的目标对象速度确定方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的用于自动驾驶的目标对象速度确定方法。
17.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的用于自动驾驶的目标对象速度确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110472412.5A CN113177980B (zh) | 2021-04-29 | 2021-04-29 | 用于自动驾驶的目标对象速度确定方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110472412.5A CN113177980B (zh) | 2021-04-29 | 2021-04-29 | 用于自动驾驶的目标对象速度确定方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113177980A true CN113177980A (zh) | 2021-07-27 |
CN113177980B CN113177980B (zh) | 2023-12-26 |
Family
ID=76925326
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110472412.5A Active CN113177980B (zh) | 2021-04-29 | 2021-04-29 | 用于自动驾驶的目标对象速度确定方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113177980B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113721235A (zh) * | 2021-08-31 | 2021-11-30 | 北京百度网讯科技有限公司 | 对象状态确定方法、装置、电子设备以及存储介质 |
CN117591847A (zh) * | 2024-01-19 | 2024-02-23 | 福思(杭州)智能科技有限公司 | 基于车况数据的模型指向评测方法和装置 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101322091A (zh) * | 2005-11-18 | 2008-12-10 | 埃森哲全球服务有限公司 | 多目标检测和应用项目状态导航系统 |
JP5935108B1 (ja) * | 2015-01-29 | 2016-06-15 | 防衛装備庁長官 | 前方側方同時監視型地中レーダ装置 |
WO2018054080A1 (zh) * | 2016-09-23 | 2018-03-29 | 深圳大学 | 一种机器人规划路径的更新方法及装置 |
CN109509210A (zh) * | 2017-09-15 | 2019-03-22 | 百度在线网络技术(北京)有限公司 | 障碍物跟踪方法和装置 |
CN109521756A (zh) * | 2017-09-18 | 2019-03-26 | 百度在线网络技术(北京)有限公司 | 用于无人驾驶车辆的障碍物运动信息生成方法和装置 |
CN110929639A (zh) * | 2019-11-20 | 2020-03-27 | 北京百度网讯科技有限公司 | 用于确定图像中障碍物位置的方法、装置、设备和介质 |
CN111273302A (zh) * | 2020-03-02 | 2020-06-12 | 西北工业大学 | 一种浅海匀速运动目标初始状态估计方法 |
WO2020164237A1 (zh) * | 2019-02-13 | 2020-08-20 | 北京百度网讯科技有限公司 | 用于驾驶控制的方法、装置、设备、介质和系统 |
WO2020189085A1 (ja) * | 2019-03-19 | 2020-09-24 | 株式会社デンソー | 車両における運転支援制御装置、運転支援システムおよび運転支援方法 |
CN112183899A (zh) * | 2020-11-04 | 2021-01-05 | 北京嘀嘀无限科技发展有限公司 | 确定安全度预测模型的方法、装置、设备和存储介质 |
CN112558036A (zh) * | 2019-09-24 | 2021-03-26 | 北京百度网讯科技有限公司 | 用于输出信息的方法和装置 |
-
2021
- 2021-04-29 CN CN202110472412.5A patent/CN113177980B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101322091A (zh) * | 2005-11-18 | 2008-12-10 | 埃森哲全球服务有限公司 | 多目标检测和应用项目状态导航系统 |
JP5935108B1 (ja) * | 2015-01-29 | 2016-06-15 | 防衛装備庁長官 | 前方側方同時監視型地中レーダ装置 |
WO2018054080A1 (zh) * | 2016-09-23 | 2018-03-29 | 深圳大学 | 一种机器人规划路径的更新方法及装置 |
CN109509210A (zh) * | 2017-09-15 | 2019-03-22 | 百度在线网络技术(北京)有限公司 | 障碍物跟踪方法和装置 |
CN109521756A (zh) * | 2017-09-18 | 2019-03-26 | 百度在线网络技术(北京)有限公司 | 用于无人驾驶车辆的障碍物运动信息生成方法和装置 |
WO2020164237A1 (zh) * | 2019-02-13 | 2020-08-20 | 北京百度网讯科技有限公司 | 用于驾驶控制的方法、装置、设备、介质和系统 |
WO2020189085A1 (ja) * | 2019-03-19 | 2020-09-24 | 株式会社デンソー | 車両における運転支援制御装置、運転支援システムおよび運転支援方法 |
CN112558036A (zh) * | 2019-09-24 | 2021-03-26 | 北京百度网讯科技有限公司 | 用于输出信息的方法和装置 |
CN110929639A (zh) * | 2019-11-20 | 2020-03-27 | 北京百度网讯科技有限公司 | 用于确定图像中障碍物位置的方法、装置、设备和介质 |
CN111273302A (zh) * | 2020-03-02 | 2020-06-12 | 西北工业大学 | 一种浅海匀速运动目标初始状态估计方法 |
CN112183899A (zh) * | 2020-11-04 | 2021-01-05 | 北京嘀嘀无限科技发展有限公司 | 确定安全度预测模型的方法、装置、设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
杨小菊;张伟;高宏伟;米海山;: "基于模糊控制的移动机器人避障研究", 传感器与微系统, no. 03 * |
郭丙华;李中华;: "基于障碍物地平角点的移动机器人定位", 中山大学学报(自然科学版), no. 05 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113721235A (zh) * | 2021-08-31 | 2021-11-30 | 北京百度网讯科技有限公司 | 对象状态确定方法、装置、电子设备以及存储介质 |
CN113721235B (zh) * | 2021-08-31 | 2023-08-25 | 北京百度网讯科技有限公司 | 对象状态确定方法、装置、电子设备以及存储介质 |
CN117591847A (zh) * | 2024-01-19 | 2024-02-23 | 福思(杭州)智能科技有限公司 | 基于车况数据的模型指向评测方法和装置 |
CN117591847B (zh) * | 2024-01-19 | 2024-05-07 | 福思(杭州)智能科技有限公司 | 基于车况数据的模型指向评测方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113177980B (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3505869B1 (en) | Method, apparatus, and computer readable storage medium for updating electronic map | |
CN111209978B (zh) | 三维视觉重定位方法、装置及计算设备、存储介质 | |
CN113378760A (zh) | 训练目标检测模型和检测目标的方法及装置 | |
CN114387319B (zh) | 点云配准方法、装置、设备以及存储介质 | |
CN113177980A (zh) | 用于自动驾驶的目标对象速度确定方法、装置及电子设备 | |
CN114140759A (zh) | 高精地图车道线位置确定方法、装置及自动驾驶车辆 | |
CN114186007A (zh) | 高精地图生成方法、装置、电子设备和存储介质 | |
CN113436233A (zh) | 自动驾驶车辆的配准方法、装置、电子设备和车辆 | |
CN115457152A (zh) | 外参标定方法、装置、电子设备及存储介质 | |
CN114018269B (zh) | 定位方法、装置、电子设备、存储介质以及自动驾驶车辆 | |
CN117392241B (zh) | 自动驾驶中的传感器标定方法、装置及电子设备 | |
JP2023038164A (ja) | 障害物検出方法、装置、自動運転車両、機器、及び記憶媒体 | |
CN116052097A (zh) | 一种地图要素检测方法、装置、电子设备和存储介质 | |
CN114528941A (zh) | 传感器数据融合方法、装置、电子设备及存储介质 | |
CN113029136B (zh) | 定位信息处理的方法、设备、存储介质及程序产品 | |
CN113762397A (zh) | 检测模型训练、高精度地图更新方法、设备、介质及产品 | |
CN113219505A (zh) | 用于车路协同隧道场景的采集gps坐标的方法、装置和设备 | |
CN113932796A (zh) | 高精地图车道线生成方法、装置和电子设备 | |
CN111612851B (zh) | 用于标定相机的方法、装置、设备以及存储介质 | |
KR20230006628A (ko) | 이미지 처리 방법과 장치, 전자 기기, 저장 매체 및 컴퓨터 프로그램 | |
CN115773759A (zh) | 自主移动机器人的室内定位方法、装置、设备及存储介质 | |
CN116434181A (zh) | 地面点检测方法、装置、电子设备和介质 | |
CN113920273B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN115830268A (zh) | 用于优化感知算法的数据的获取方法、装置和存储介质 | |
CN114429631A (zh) | 三维对象检测方法、装置、设备以及存储介质 |
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 |