CN113963327B - 障碍物检测方法、装置、自动驾驶车辆、设备和存储介质 - Google Patents
障碍物检测方法、装置、自动驾驶车辆、设备和存储介质 Download PDFInfo
- Publication number
- CN113963327B CN113963327B CN202111039230.5A CN202111039230A CN113963327B CN 113963327 B CN113963327 B CN 113963327B CN 202111039230 A CN202111039230 A CN 202111039230A CN 113963327 B CN113963327 B CN 113963327B
- Authority
- CN
- China
- Prior art keywords
- detection
- information
- fusion
- processed
- result
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 292
- 230000004927 fusion Effects 0.000 claims abstract description 86
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000007499 fusion processing Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 13
- 230000007613 environmental effect Effects 0.000 claims description 11
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 description 1
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 description 1
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
-
- 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
- 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
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
- G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/776—Validation; Performance evaluation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0002—Automatic control, details of type of controller or control system architecture
- B60W2050/0004—In digital systems, e.g. discrete-time systems involving sampling
- B60W2050/0005—Processor details or data handling, e.g. memory registers or chip architecture
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/50—Barriers
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/20—Static objects
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2556/00—Input parameters relating to data
- B60W2556/20—Data confidence level
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2556/00—Input parameters relating to data
- B60W2556/25—Data precision
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2556/00—Input parameters relating to data
- B60W2556/35—Data fusion
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Software Systems (AREA)
- Transportation (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Electromagnetism (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了一种障碍物检测方法、装置、自动驾驶车辆、设备和存储介质,涉及计算机技术领域,具体涉及自动驾驶、智能交通、物联网、深度学习等技术领域。障碍物检测方法包括:采用多种障碍物检测方式,对车辆行驶过程中的障碍物进行障碍物检测,以获得所述障碍物检测的多个初始检测结果,所述多个初始检测结果与所述多种障碍物检测方式对应;对所述多个初始检测结果进行融合处理,以获得融合结果;基于所述融合结果,获得所述障碍物检测的最终检测结果。本公开可以提高障碍物检测的准确度。
Description
技术领域
本公开涉及计算机技术领域,具体涉及自动驾驶、智能交通、物联网、深度学习等技术领域,尤其涉及一种障碍物检测方法、装置、车辆、设备和存储介质。
背景技术
自动驾驶车辆(Autonomous vehicles;Self-driving automobile)又称无人驾驶车辆、电脑驾驶车辆或轮式移动机器人,是一种通过电脑系统实现无人驾驶的智能车辆。
在很多场景下,比如,对于自动驾驶车辆,为了保证自动驾驶车辆的行车安全,需要及时有效地检测出障碍物。
相关技术中,通常采用单一的障碍物检测方式进行障碍物检测。
发明内容
本公开提供了一种障碍物检测方法、装置、设备和存储介质。
根据本公开的一方面,提供了一种障碍物检测方法,包括:采用多种障碍物检测方式,对车辆行驶过程中的障碍物进行障碍物检测,以获得所述障碍物检测的多个初始检测结果,所述多个初始检测结果与所述多种障碍物检测方式对应;对所述多个初始检测结果进行融合处理,以获得融合结果;基于所述融合结果,获得所述障碍物检测的最终检测结果。
根据本公开的另一方面,提供了一种障碍物检测装置,包括:检测模块,用于采用多种障碍物检测方式,对车辆行驶过程中的障碍物进行障碍物检测,以获得所述障碍物检测的多个初始检测结果,所述多个初始检测结果与所述多种障碍物检测方式对应;融合模块,用于对所述多个初始检测结果进行融合处理,以获得融合结果;确定模块,用于基于所述融合结果,获得所述障碍物检测的最终检测结果。
根据本公开的另一方面,提供了一种电子设备,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如上述任一方面的任一项所述的方法。
根据本公开的另一方面,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,其中,所述计算机指令用于使所述计算机执行根据上述任一方面的任一项所述的方法。
根据本公开的另一方面,提供了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上述任一方面的任一项所述的方法。
根据本公开的另一方面,提供了一种自动驾驶车辆,包括:如上述任一方面的任一项所述的电子设备。
根据本公开的技术方案,可以提高障碍物检测的准确度。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开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
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开第一实施例的示意图;
图2是根据本公开第二实施例的示意图;
图3是根据本公开第三实施例的示意图;
图4是根据本公开第四实施例的示意图;
图5是用来实现本公开实施例的障碍物检测方法中任一方法的电子设备的示意图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开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,而不会背离本公开的范围和精神。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。
相关技术中,通常采用单一的障碍物检测进行障碍物检测。比如,可以采用激光雷达进行障碍物检测,将激光雷达的障碍物检测结果作为最终的障碍物检测结果;或者,也可以对自动驾驶车辆上的相机采集的图像进行处理,以获得障碍物检测结果,将其作为最终的障碍物检测结果。
但是,单一的障碍物检测都可能存在检测不准确的问题。
图1是根据本公开第一实施例的示意图,本实施例提供一种障碍物检测方法,所述方法包括:
101、采用多种障碍物检测方式,对车辆行驶过程中的障碍物进行障碍物检测,以获得所述障碍物检测的多个初始检测结果,所述多个初始检测结果与所述多种障碍物检测方式对应。
102、对所述多个初始检测结果进行融合处理,以获得融合结果。
103、基于所述多个障碍物传感器之间的相关度信息、所述多个障碍物检测结果和所述多个障碍物检测结果的准确度,确定最终的检测结果。
其中,车辆可以为自动驾驶车辆,或者,具有高级驾驶辅助系统(AdvancedDriving Assistance System,ADAS)的车辆。
多种障碍物检测方式可以包括:基于测距的障碍物检测方式,和,基于计算机视觉的障碍物检测方式等。
基于测距的障碍物检测方式可以采用车辆上的测距检测装置执行,测距检测装置比如包括:激光雷达、毫米波雷达等。
基于计算机视觉的障碍物检测方式可以通过车辆上的相机采集车辆周围的环境图像,再由车辆本身的处理器对环境图像进行后续处理,或者,由车辆将环境图像发送给云端,由云端对环境图像进行后续处理,从而获得基于计算机视觉的障碍物检测结果。
以自动驾驶车辆为例,假设多种障碍物检测方式包括:基于测距的障碍物检测方式和基于计算机视觉的障碍物检测方式,且基于激光雷达进行测距,则如图2所示,自动驾驶车辆上可以安装有激光雷达、相机等,从而,采用自动驾驶车辆上的激光雷达可以获得一种检测结果,采用自动驾驶车辆上的相机可以获得另一种检测结果。为了区分,此时的检测结果可以称为初始检测结果,进一步地,激光雷达获得的检测结果可以称为第一初始检测结果,基于相机获得的检测结果可以称为第二初始检测结果。
进一步地,如图2所示,获得多个初始检测结果后,可以对其进行融合,以获得融合结果,进而可以基于融合结果获得最终检测结果。
一些实施例中,所述多个初始检测结果中的各个初始检测结果用于指示是否存在障碍物,所述对所述多个初始检测结果进行融合处理,以获得融合结果,包括:在所述多个初始检测结果中,选择用于指示存在障碍物的初始检测结果,作为待处理检测结果;获得所述待处理检测结果的融合信息;基于所述待处理检测结果的融合信息,获得所述融合结果。
其中,初始检测结果可以为1或0,1表示存在障碍物,0表示不存在障碍物。
假设存在三种初始检测结果,分别表示为第一初始检测结果、第二初始检测结果、第三初始检测结果,若第一初始检测结果为1,第二初始检测结果为1,第三初始检测结果为0,则待处理检测结果为第一初始检测结果和第二初始检测结果。
之后,可以获得第一初始检测结果和第二初始检测结果的融合信息,再基于所述融合信息获得融合结果。
通过在多个初始检测结果中选择用于指示存在障碍物的初始检测结果,再对选择的初始检测结果进行后续处理,可以降低处理量,提高处理效率。
一些实施例中,所述待处理检测结果为多个,所述待处理检测结果的融合信息包括:所述多个待处理检测结果中的各个待处理检测结果的准确度信息,以及所述多个待处理检测结果中的两两待处理检测结果之间的相关度信息,所述获得所述待处理检测结果的融合信息,包括:采用预先建立的准确度检测模型,对所述车辆所在的环境的环境信息进行检测处理,以获得所述各个待处理检测结果的准确度信息;从预先配置的配置文件中,获得与所述两两待处理检测结果对应的两两障碍物检测方式之间的相关度信息,将所述相关度信息作为所述两两待处理检测结果之间的相关度信息。
其中,假设待处理检测结果包括:第一初始检测结果和第二初始检测结果,则可以获得第一初始检测结果的准确度和第二初始检测结果的准确度信息,另外,还可以获得第一初始检测结果和第二初始检测结果之间的相关度信息,将上述准确度信息和相关度信息作为融合信息。
其中,可以预先建立准确度检测模型,该模型可以为多层感知器(Multi-LayerPerceptron,MLP)模型,该模型的输入为自动驾驶车辆对应的环境信息,输出为自动驾驶车辆具有的多种障碍物检测方式中的各种障碍物检测方式对应的准确度信息。
该模型可以采用历史环境信息及其对应的标签信息进行训练后获得,标签信息可以是对历史环境信息对应的各种障碍物检测方式的准确度信息进行人工标注后获得。
自动驾驶车辆对应的环境信息可以包括:天气情况(晴、雨、雪等)、光照强度、雨量强度、雪量强度、雾强度、温度、车辆速度、障碍物速度、与障碍物之间的距离等。
上述的环境信息可以通过车辆上的传感器检测获得,或者,车辆也可以从云端获得等。
以多种障碍物检测方式分别对应激光雷达和相机为例,采用准确度检测模型,可以获得当前的环境信息下的激光雷达对应的初始检测结果的准确度,以及相机对应的初始检测结果的准确度。假设准确度检测模型以MLP模型为例,激光雷达对应的初始检测结果的准确度用Px表示,相机对应的初始检测结果的准确度用Py表示,则如图3所示,MLP模型可以对环境信息进行处理,输出Px和Py。
另外,可以在云端或车辆本身存储配置文件,配置文件中可以预先配置不同的障碍物检测方式之间的相关度信息,比如,可以配置激光雷达对应的检测方式与相机对应的检测方式之间的相关度信息,之后,该相关度信息可以作为对应的初始检测结果之间的相关度信息。
上述以两种障碍物检测方式为例,可以理解的是,对于更多种障碍物检测方式,也可以类似处理。比如,对于三种障碍物检测方式,具体如,对应激光雷达的障碍物检测方式,对应毫米波雷达的障碍物检测方式,对应相机的障碍物检测方式,这三种障碍物检测方式对应的初始检测结果分别为第一初始检测结果、第二初始检测结果和第三初始检测结果。若这三种初始检测结果都指示存在障碍物,比如都为1,则可以采用准确度检测模型,获得第一初始检测结果的准确度信息、第二初始检测结果的准确度信息和第三初始检测结果的准确度信息。另外,配置文件中可以预先配置对应激光雷达的障碍物检测方式与对应毫米波雷达的障碍物检测方式之间的相关度信息,对应毫米波雷达的障碍物检测方式与对应相机的障碍物检测方式之间的相关度信息,对应激光雷达的障碍物检测方式与对应相机的障碍物检测方式之间的相关度信息,之后,可以基于上述三种准确度信息和三种相关度信息进行融合处理,获得融合结果。
通过采用准确度检测模型和配置文件,可以适应性的获得对应的准确度信息和相关度信息。
一些实施例中,所述待处理检测结果为多个,所述待处理检测结果的融合信息包括:所述多个待处理检测结果中各个待处理检测结果的准确度信息,以及,所述多个待处理检测结果中的两个待处理检测结果之间的相关度信息,所述基于所述待处理检测结果的融合信息,获得所述融合结果,包括:对所述各个待处理检测结果的准确度信息按照从大到小的顺序进行排序,以获得排序后的准确度信息;采用预设函数关系,基于所述排序后的准确度信息、所述两两待处理检测结果之间的相关度信息,获得所述融合结果,所述预设函数关系用于表明所述融合结果与所述准确度信息和所述相关度信息之间的关系。
其中,所述准确度信息可以分为第一部分的准确度信息和第二部分的准确度信息,相关度信息为第一部分与第二部分之间的相关度信息。所述预设函数关系中,所述融合结果与所述两个准确度信息中的一个准确度信息、所述两个准确度信息中的另一个准确度信息与所述相关度信息的乘积成正比关系。
进一步地,对于两个待处理检测结果,上述的第一部分和第二部分可以分为一个待处理检测结果。对于三个或以上的待处理检测结果,第二部分可以为一个待处理检测结果;第一部分可以包括数量可变的待处理检测结果,初始值为一个待处理检测结果,之后可以逐步增加。
具体地,假设两个待处理检测结果分别用x、y表示,相应的准确度信息按照从大到小的顺序进行排序后为Px和Py,两个待处理检测结果的相关度信息表示为Rxy,融合结果用P表示,则融合结果P的计算公式可以如下:
P=1-(1-Px)*(1-Py*Rxy)。
其中,Px、Py、Rxy均为[0,1]之间的值。
假设两个待处理检测结果分别为激光雷达对应的初始检测结果,以及,相机对应的初始检测结果,若激光雷达对应的初始检测结果的准确度信息为0.8,相机对应的初始检测结果的准确度为0.9,且预先配置的两者之间的相关度信息为0.1,则经过上述运算,融合结果P如下:
P=1-(1-0.9)*(1-0.8*0.1)=0.972。
以三个待处理检测结果为例,假设三个待处理检测结果分别用x、y、z表示,相应的准确度信息按照从大到小的顺序进行排序后为Px、Py和Pz,三个待处理检测结果中两两间的相关度信息表示为Rxy、Rxz、Ryz,融合结果用P表示,则融合结果P的计算公式可以如下:
Pxy=1-(1-Px)*(1-Py*Rxy);
P=1-(1-Pxy)*(1-Pz*Rxyz)
其中,Rxyz选择为Rxz与Ryz之间的较小值。
其中,Px、Py、Pz、Rxy、Rxz、Ryz均为[0,1]之间的值。
通过对准确度信息进行排序,以及,基于排序后的准确度信息和相关度信息进行融合结果的计算,可以提高融合结果的准确度。
一些实施例中,所述基于所述融合结果,获得所述障碍物检测的最终检测结果,包括:若所述融合信息大于或等于预设阈值,确定所述最终检测结果为存在障碍物。
以上述的融合结果P=0.972为例,假设预设阈值为0.5,由于0.972大于0.5,则此时存在障碍物。
反之,若融合小于预设阈值,则确定此时不存在障碍物。
通过比较融合信息与预设阈值,可以简便高效地确定出最终的检测结果。
进一步地,自动驾驶车辆可以基于障碍物的最终检测结果执行相应操作,比如,最终检测结果为存在障碍物时,可以执行刹车操作。
本公开实施例中,通过采用多种障碍物检测方式,获得多个初始检测结果,并对所述初始检测结果进行融合处理,基于融合结果获得障碍物检测的最终检测结果,可以实现对多种障碍物检测方式的融合,提高障碍物检测的准确度。
图4是根据本公开第四实施例的示意图,本实施例提供一种障碍物检测装置。如图4所示,该装置400包括:检测模块401、融合模块402和确定模块403。
检测模块401用于采用多种障碍物检测方式,对车辆行驶过程中的障碍物进行障碍物检测,以获得所述障碍物检测的多个初始检测结果,所述多个初始检测结果与所述多种障碍物检测方式对应;融合模块402用于对所述多个初始检测结果进行融合处理,以获得融合结果;确定模块403用于基于所述融合结果,获得所述障碍物检测的最终检测结果。
一些实施例中,所述多个初始检测结果中的各个初始检测结果用于指示是否存在障碍物,所述融合模块402具体用于:在所述多个初始检测结果中,选择用于指示存在障碍物的初始检测结果,作为待处理检测结果;获得所述待处理检测结果的融合信息;基于所述待处理检测结果的融合信息,获得所述融合结果。
一些实施例中,所述待处理检测结果为多个,所述待处理检测结果的融合信息包括:所述多个待处理检测结果中的各个待处理检测结果的准确度信息,以及所述多个待处理检测结果中的两两待处理检测结果之间的相关度信息,所述融合模块402进一步具体用于:采用预先建立的准确度检测模型,对所述车辆所在的环境的环境信息进行检测处理,以获得所述各个待处理检测结果的准确度信息;从预先配置的配置文件中,获得与所述两两待处理检测结果对应的两两障碍物检测方式之间的相关度信息,将所述获得的相关度信息作为所述两两待处理检测结果之间的相关度信息。
一些实施例中,所述待处理检测结果为多个,所述待处理检测结果的融合信息包括:所述多个待处理检测结果中各个待处理检测结果的准确度信息,以及,所述多个待处理检测结果中的两两待处理检测结果之间的相关度信息,所述融合模块402进一步具体用于:对所述各个待处理检测结果的准确度信息按照从大到小的顺序进行排序,以获得排序后的准确度信息;采用预设函数关系,基于所述排序后的准确度信息、所述两两待处理检测结果之间的相关度信息,获得所述融合结果,所述预设函数关系用于表明所述融合结果与所述准确度信息和所述相关度信息之间的关系。
一些实施例中,所述确定模块403具体用于:若所述融合信息大于或等于预设阈值,确定所述最终检测结果为存在障碍物。
本公开实施例中,通过采用多种障碍物检测方式,获得多个初始检测结果,并对所述初始检测结果进行融合处理,基于融合结果获得障碍物检测的最终检测结果,可以实现对多种障碍物检测方式的融合,提高障碍物检测的准确度。
可以理解的是,本公开实施例中,不同实施例中的相同或相似内容可以相互参考。
可以理解的是,本公开实施例中的“第一”、“第二”等只是用于区分,不表示重要程度高低、时序先后等。
根据本公开的实施例,本公开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5示出了可以用来实施本公开的实施例的示例电子设备500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、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,个人数字助理、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/或者要求的本公开的实现。
如图5所示,电子设备500包括计算单元501,其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元505加载到随机访问存储器(RAM)503中的计算机程序,来执行各种适当的动作和处理。在RAM 503中,还可存储电子设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
电子设备500中的多个部件连接至I/O接口505,包括:输入单元506,例如键盘、鼠标等;输出单元507,例如各种类型的显示器、扬声器等;存储单元508,例如磁盘、光盘等;以及通信单元509,例如网卡、调制解调器、无线通信收发机等。通信单元509允许电子设备500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501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501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501执行上文所描述的各个方法和处理,例如障碍物检测方法。例如,在一些实施例中,障碍物检测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508。在一些实施例中,计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到电子设备500上。当计算机程序加载到RAM 503并由计算单元501执行时,可以执行上文描述的障碍物检测方法的一个或多个步骤。备选地,在其他实施例中,计算单元501可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行障碍物检测方法。
根据本公开的实施例,本公开还提供了一种自动驾驶车辆,包括上述图5所示的电子设备。
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。
用于实施本公开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。
在本公开的上下文中,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,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
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,本发公开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,只要能够实现本公开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,并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (7)
1.一种障碍物检测方法,包括:
采用多种障碍物检测方式,对车辆行驶过程中的障碍物进行障碍物检测,以获得所述障碍物检测的多个初始检测结果,所述多个初始检测结果与所述多种障碍物检测方式对应;
对所述多个初始检测结果进行融合处理,以获得融合结果;
基于所述融合结果,获得所述障碍物检测的最终检测结果;
其中,所述多个初始检测结果中的各个初始检测结果用于指示是否存在障碍物,所述对所述多个初始检测结果进行融合处理,以获得融合结果,包括:
在所述多个初始检测结果中,选择用于指示存在障碍物的初始检测结果,作为待处理检测结果;
获得所述待处理检测结果的融合信息;
基于所述待处理检测结果的融合信息,获得所述融合结果;
其中,所述待处理检测结果为多个,所述待处理检测结果的融合信息包括:所述多个待处理检测结果中各个待处理检测结果的准确度信息,以及,所述多个待处理检测结果中的两两待处理检测结果之间的相关度信息,所述基于所述待处理检测结果的融合信息,获得所述融合结果,包括:
对所述各个待处理检测结果的准确度信息按照从大到小的顺序进行排序,以获得排序后的准确度信息;
采用预设函数关系,基于所述排序后的准确度信息、所述两两待处理检测结果之间的相关度信息,获得所述融合结果,所述预设函数关系用于表明所述融合结果与所述排序后的准确度信息和所述相关度信息之间的关系;若所述排序后的准确度信息包括两个准确度信息,所述预设函数关系中,所述融合结果与所述两个准确度信息中的一个准确度信息、所述两个准确度信息中的另一个准确度信息与所述相关度信息的乘积成正比关系;
其中,所述基于所述融合结果,获得所述障碍物检测的最终检测结果,包括:
若所述融合信息大于或等于预设阈值,确定所述最终检测结果为存在障碍物。
2.根据权利要求1所述的方法,其中,所述获得所述待处理检测结果的融合信息,包括:
采用预先建立的准确度检测模型,对所述车辆所在的环境的环境信息进行检测处理,以获得所述各个待处理检测结果的准确度信息;
从预先配置的配置文件中,获得与所述两两待处理检测结果对应的两两障碍物检测方式之间的相关度信息,将所述获得的相关度信息作为所述两两待处理检测结果之间的相关度信息。
3.一种障碍物检测装置,包括:
检测模块,用于采用多种障碍物检测方式,对车辆行驶过程中的障碍物进行障碍物检测,以获得所述障碍物检测的多个初始检测结果,所述多个初始检测结果与所述多种障碍物检测方式对应;
融合模块,用于对所述多个初始检测结果进行融合处理,以获得融合结果;
确定模块,用于基于所述融合结果,获得所述障碍物检测的最终检测结果;
其中,所述多个初始检测结果中的各个初始检测结果用于指示是否存在障碍物,所述融合模块具体用于:
在所述多个初始检测结果中,选择用于指示存在障碍物的初始检测结果,作为待处理检测结果;
获得所述待处理检测结果的融合信息;
基于所述待处理检测结果的融合信息,获得所述融合结果;
其中,所述待处理检测结果为多个,所述待处理检测结果的融合信息包括:所述多个待处理检测结果中各个待处理检测结果的准确度信息,以及,所述多个待处理检测结果中的两两待处理检测结果之间的相关度信息,所述融合模块进一步具体用于:
对所述各个待处理检测结果的准确度信息按照从大到小的顺序进行排序,以获得排序后的准确度信息;
采用预设函数关系,基于所述排序后的准确度信息、所述两两待处理检测结果之间的相关度信息,获得所述融合结果,所述预设函数关系用于表明所述融合结果与所述排序后的准确度信息和所述相关度信息之间的关系;若所述排序后的准确度信息包括两个准确度信息,所述预设函数关系中,所述融合结果与所述两个准确度信息中的一个准确度信息、所述两个准确度信息中的另一个准确度信息与所述相关度信息的乘积成正比关系;
其中,所述确定模块具体用于:
若所述融合信息大于或等于预设阈值,确定所述最终检测结果为存在障碍物。
4.根据权利要求3所述的装置,其中,所述待处理检测结果为多个,所述待处理检测结果的融合信息包括:所述多个待处理检测结果中的各个待处理检测结果的准确度信息,以及所述多个待处理检测结果中的两两待处理检测结果之间的相关度信息,所述融合模块进一步具体用于:
采用预先建立的准确度检测模型,对所述车辆所在的环境的环境信息进行检测处理,以获得所述各个待处理检测结果的准确度信息;
从预先配置的配置文件中,获得与所述两两待处理检测结果对应的两两障碍物检测方式之间的相关度信息,将所述获得的相关度信息作为所述两两待处理检测结果之间的相关度信息。
5. 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1-2中任一项所述的方法。
6.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-2中任一项所述的方法。
7.一种自动驾驶车辆,包括如权利要求5中所述的电子设备。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111039230.5A CN113963327B (zh) | 2021-09-06 | 2021-09-06 | 障碍物检测方法、装置、自动驾驶车辆、设备和存储介质 |
EP22175339.5A EP4145408A1 (en) | 2021-09-06 | 2022-05-25 | Obstacle detection method and apparatus, autonomous vehicle, device and storage medium |
US17/814,461 US20230072632A1 (en) | 2021-09-06 | 2022-07-22 | Obstacle detection method, electronic device and storage medium |
KR1020220092526A KR20230036960A (ko) | 2021-09-06 | 2022-07-26 | 장애물 검출 방법, 장치, 자율 주행 차량, 기기 및 기록 매체 |
JP2022122815A JP2023038164A (ja) | 2021-09-06 | 2022-08-01 | 障害物検出方法、装置、自動運転車両、機器、及び記憶媒体 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111039230.5A CN113963327B (zh) | 2021-09-06 | 2021-09-06 | 障碍物检测方法、装置、自动驾驶车辆、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113963327A CN113963327A (zh) | 2022-01-21 |
CN113963327B true CN113963327B (zh) | 2023-09-08 |
Family
ID=79461160
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111039230.5A Active CN113963327B (zh) | 2021-09-06 | 2021-09-06 | 障碍物检测方法、装置、自动驾驶车辆、设备和存储介质 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20230072632A1 (zh) |
EP (1) | EP4145408A1 (zh) |
JP (1) | JP2023038164A (zh) |
KR (1) | KR20230036960A (zh) |
CN (1) | CN113963327B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115690739B (zh) * | 2022-10-31 | 2024-03-26 | 阿波罗智能技术(北京)有限公司 | 多传感器融合障碍物存在性检测方法和自动驾驶车辆 |
CN116228820B (zh) * | 2023-05-05 | 2023-09-08 | 智道网联科技(北京)有限公司 | 一种障碍物检测方法、装置和电子设备、存储介质 |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105372654A (zh) * | 2015-12-14 | 2016-03-02 | 财团法人车辆研究测试中心 | 障碍物分类可靠度量化的方法 |
CN106802668A (zh) * | 2017-02-16 | 2017-06-06 | 上海交通大学 | 基于双目与超声波融合的无人机三维避撞方法及系统 |
JP2017159801A (ja) * | 2016-03-09 | 2017-09-14 | パナソニックIpマネジメント株式会社 | 自動運転制御装置および自動運転システム |
CN108313088A (zh) * | 2018-02-22 | 2018-07-24 | 中车长春轨道客车股份有限公司 | 一种非接触式轨道车辆障碍物检测系统 |
CN108482427A (zh) * | 2018-02-22 | 2018-09-04 | 中车长春轨道客车股份有限公司 | 一种非接触式轨道车辆障碍物检测系统和安全控制方法 |
CN108764108A (zh) * | 2018-05-22 | 2018-11-06 | 湖北省专用汽车研究院 | 一种基于贝叶斯统计决策的前车检测方法 |
CN109188460A (zh) * | 2018-09-25 | 2019-01-11 | 北京华开领航科技有限责任公司 | 无人驾驶异物检测系统及方法 |
CN109270524A (zh) * | 2018-10-19 | 2019-01-25 | 禾多科技(北京)有限公司 | 基于无人驾驶的多数据融合障碍物检测装置及其检测方法 |
CN109544990A (zh) * | 2018-12-12 | 2019-03-29 | 惠州市德赛西威汽车电子股份有限公司 | 一种基于实时电子地图识别可用泊车位的方法及系统 |
CN110609570A (zh) * | 2019-07-23 | 2019-12-24 | 中国南方电网有限责任公司超高压输电公司天生桥局 | 一种基于无人机的自主避障巡检方法 |
CN111198371A (zh) * | 2020-03-03 | 2020-05-26 | 杭州中车数字科技有限公司 | 前视障碍物检测系统 |
CN111273268A (zh) * | 2020-01-19 | 2020-06-12 | 北京百度网讯科技有限公司 | 障碍物类型的识别方法、装置及电子设备 |
CN111308461A (zh) * | 2020-04-15 | 2020-06-19 | 长春大学 | 低速车用障碍物检测系统及检测方法、检测装置 |
CN111338383A (zh) * | 2020-04-24 | 2020-06-26 | 北京泛化智能科技有限公司 | 基于gaas的自主飞行方法及系统、存储介质 |
CN111551938A (zh) * | 2020-04-26 | 2020-08-18 | 北京踏歌智行科技有限公司 | 一种基于矿区环境的无人驾驶技术感知融合方法 |
CN111753765A (zh) * | 2020-06-29 | 2020-10-09 | 北京百度网讯科技有限公司 | 感知设备的检测方法、装置、设备及存储介质 |
CN112113578A (zh) * | 2020-09-23 | 2020-12-22 | 安徽工业大学 | 一种用于自动驾驶车辆的障碍物运动预测方法 |
CN212322114U (zh) * | 2020-07-06 | 2021-01-08 | 扬州大学 | 一种用于自动驾驶车辆的环境感知及道路环境裂纹检测系统 |
CN112330746A (zh) * | 2020-11-27 | 2021-02-05 | 苏州感测通信息科技有限公司 | 一种基于tx2的移动底盘障碍物检测方法 |
CN112394726A (zh) * | 2020-10-20 | 2021-02-23 | 自然资源部第一海洋研究所 | 一种基于证据理论的无人船障碍物融合检测方法 |
CN112639821A (zh) * | 2020-05-11 | 2021-04-09 | 华为技术有限公司 | 一种车辆可行驶区域检测方法、系统以及采用该系统的自动驾驶车辆 |
CN112651359A (zh) * | 2020-12-30 | 2021-04-13 | 深兰科技(上海)有限公司 | 障碍物检测方法、装置、电子设备和存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180068578A (ko) * | 2016-12-14 | 2018-06-22 | 삼성전자주식회사 | 복수의 센서를 이용하여 객체를 인식하는 전자 기기 및 방법 |
-
2021
- 2021-09-06 CN CN202111039230.5A patent/CN113963327B/zh active Active
-
2022
- 2022-05-25 EP EP22175339.5A patent/EP4145408A1/en not_active Withdrawn
- 2022-07-22 US US17/814,461 patent/US20230072632A1/en active Pending
- 2022-07-26 KR KR1020220092526A patent/KR20230036960A/ko not_active Application Discontinuation
- 2022-08-01 JP JP2022122815A patent/JP2023038164A/ja active Pending
Patent Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105372654A (zh) * | 2015-12-14 | 2016-03-02 | 财团法人车辆研究测试中心 | 障碍物分类可靠度量化的方法 |
JP2017159801A (ja) * | 2016-03-09 | 2017-09-14 | パナソニックIpマネジメント株式会社 | 自動運転制御装置および自動運転システム |
WO2017154456A1 (ja) * | 2016-03-09 | 2017-09-14 | パナソニックIpマネジメント株式会社 | 自動運転制御装置および自動運転システム |
CN106802668A (zh) * | 2017-02-16 | 2017-06-06 | 上海交通大学 | 基于双目与超声波融合的无人机三维避撞方法及系统 |
CN108313088A (zh) * | 2018-02-22 | 2018-07-24 | 中车长春轨道客车股份有限公司 | 一种非接触式轨道车辆障碍物检测系统 |
CN108482427A (zh) * | 2018-02-22 | 2018-09-04 | 中车长春轨道客车股份有限公司 | 一种非接触式轨道车辆障碍物检测系统和安全控制方法 |
CN108764108A (zh) * | 2018-05-22 | 2018-11-06 | 湖北省专用汽车研究院 | 一种基于贝叶斯统计决策的前车检测方法 |
CN109188460A (zh) * | 2018-09-25 | 2019-01-11 | 北京华开领航科技有限责任公司 | 无人驾驶异物检测系统及方法 |
CN109270524A (zh) * | 2018-10-19 | 2019-01-25 | 禾多科技(北京)有限公司 | 基于无人驾驶的多数据融合障碍物检测装置及其检测方法 |
CN109544990A (zh) * | 2018-12-12 | 2019-03-29 | 惠州市德赛西威汽车电子股份有限公司 | 一种基于实时电子地图识别可用泊车位的方法及系统 |
CN110609570A (zh) * | 2019-07-23 | 2019-12-24 | 中国南方电网有限责任公司超高压输电公司天生桥局 | 一种基于无人机的自主避障巡检方法 |
CN111273268A (zh) * | 2020-01-19 | 2020-06-12 | 北京百度网讯科技有限公司 | 障碍物类型的识别方法、装置及电子设备 |
CN111198371A (zh) * | 2020-03-03 | 2020-05-26 | 杭州中车数字科技有限公司 | 前视障碍物检测系统 |
CN111308461A (zh) * | 2020-04-15 | 2020-06-19 | 长春大学 | 低速车用障碍物检测系统及检测方法、检测装置 |
CN111338383A (zh) * | 2020-04-24 | 2020-06-26 | 北京泛化智能科技有限公司 | 基于gaas的自主飞行方法及系统、存储介质 |
CN111551938A (zh) * | 2020-04-26 | 2020-08-18 | 北京踏歌智行科技有限公司 | 一种基于矿区环境的无人驾驶技术感知融合方法 |
CN112639821A (zh) * | 2020-05-11 | 2021-04-09 | 华为技术有限公司 | 一种车辆可行驶区域检测方法、系统以及采用该系统的自动驾驶车辆 |
CN111753765A (zh) * | 2020-06-29 | 2020-10-09 | 北京百度网讯科技有限公司 | 感知设备的检测方法、装置、设备及存储介质 |
CN212322114U (zh) * | 2020-07-06 | 2021-01-08 | 扬州大学 | 一种用于自动驾驶车辆的环境感知及道路环境裂纹检测系统 |
CN112113578A (zh) * | 2020-09-23 | 2020-12-22 | 安徽工业大学 | 一种用于自动驾驶车辆的障碍物运动预测方法 |
CN112394726A (zh) * | 2020-10-20 | 2021-02-23 | 自然资源部第一海洋研究所 | 一种基于证据理论的无人船障碍物融合检测方法 |
CN112330746A (zh) * | 2020-11-27 | 2021-02-05 | 苏州感测通信息科技有限公司 | 一种基于tx2的移动底盘障碍物检测方法 |
CN112651359A (zh) * | 2020-12-30 | 2021-04-13 | 深兰科技(上海)有限公司 | 障碍物检测方法、装置、电子设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
基于毫米波雷达和机器视觉信息融合的障碍物检测;翟光耀;陈蓉;张剑锋;张继光;吴澄;汪一鸣;;物联网学报(第02期);76-83 * |
Also Published As
Publication number | Publication date |
---|---|
JP2023038164A (ja) | 2023-03-16 |
KR20230036960A (ko) | 2023-03-15 |
CN113963327A (zh) | 2022-01-21 |
EP4145408A1 (en) | 2023-03-08 |
US20230072632A1 (en) | 2023-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113963327B (zh) | 障碍物检测方法、装置、自动驾驶车辆、设备和存储介质 | |
CN113379718A (zh) | 一种目标检测方法、装置、电子设备以及可读存储介质 | |
CN113859264B (zh) | 车辆控制方法、装置、电子设备及存储介质 | |
CN113378693B (zh) | 生成目标检测系统和检测目标的方法及装置 | |
CN115690739B (zh) | 多传感器融合障碍物存在性检测方法和自动驾驶车辆 | |
CN114677655A (zh) | 多传感器目标检测方法、装置、电子设备以及存储介质 | |
CN113688730A (zh) | 障碍物测距方法、装置、电子设备、存储介质及程序产品 | |
CN113177980B (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 | |
CN113029136B (zh) | 定位信息处理的方法、设备、存储介质及程序产品 | |
CN113325381A (zh) | 用于处理数据的方法、装置、设备以及存储介质 | |
CN113126120A (zh) | 数据标注方法、装置、设备、存储介质以及计算机程序产品 | |
CN114429631B (zh) | 三维对象检测方法、装置、设备以及存储介质 | |
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 | |
CN115984791A (zh) | 自动驾驶感知模型的生成方法、装置及电子设备 | |
CN112861811A (zh) | 目标识别方法、装置、设备、存储介质及雷达 | |
CN113361379B (zh) | 生成目标检测系统和检测目标的方法及装置 | |
CN114049615B (zh) | 行驶环境中交通对象融合关联方法、装置及边缘计算设备 | |
CN114694138B (zh) | 一种应用于智能驾驶的路面检测方法、装置及设备 | |
CN113963326A (zh) | 交通标志检测方法、装置、设备、介质和自动驾驶车辆 | |
CN117710459A (zh) | 三维信息的确定方法、装置及计算机程序产品 | |
CN114359513A (zh) | 障碍物位置的确定方法、装置和电子设备 | |
CN117853614A (zh) | 高精地图元素变更情况的检测方法、装置和车辆 | |
CN117496460A (zh) | 车辆行驶状态的确定方法、目标检测模型训练方法及装置 | |
CN114399730A (zh) | 交通目标检测模型训练和目标检测方法及边缘计算设备 | |
CN117853757A (zh) | 障碍物跟踪及跟踪模型训练方法、装置、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |