CN114114269A - 用于确定车辆附近的占据图的车辆、系统和方法 - Google Patents

用于确定车辆附近的占据图的车辆、系统和方法 Download PDF

Info

Publication number
CN114114269A
CN114114269A CN202111012746.0A CN202111012746A CN114114269A CN 114114269 A CN114114269 A CN 114114269A CN 202111012746 A CN202111012746 A CN 202111012746A CN 114114269 A CN114114269 A CN 114114269A
Authority
CN
China
Prior art keywords
computer
implemented method
data acquisition
expected area
vehicle
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.)
Pending
Application number
CN202111012746.0A
Other languages
English (en)
Inventor
P·苏库马尔
A·索伦蒂诺
A·洛菲
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.)
Aptiv Technologies Ltd
Original Assignee
Aptiv Technologies 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
Priority claimed from EP20193680.4A external-priority patent/EP3961481A1/en
Application filed by Aptiv Technologies Ltd filed Critical Aptiv Technologies Ltd
Publication of CN114114269A publication Critical patent/CN114114269A/zh
Pending legal-status Critical Current

Links

Images

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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • 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
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • 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
    • G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
    • 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
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G06T2207/30261—Obstacle

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Traffic Control Systems (AREA)

Abstract

本公开涉及用于确定车辆附近的占据图的车辆、系统和方法，尤其涉及一种用于确定车辆附近的占据图的计算机实现方法，包括以下步骤：连续地获取传感器系统的传感器数据；基于该传感器数据确定对象发现；将该对象发现覆盖在该车辆附近的空间表示中；针对第一数据获取过程中的对象发现定义围绕该对象发现延伸的预期区域；如果第二数据获取过程中的对象发现存在于所述预期区域内，则基于第一数据获取过程中的对象发现的位置与第二数据获取过程中的对象发现的位置之间的差来调整所述预期区域的位置；以及如果针对预定数量的连续数据获取过程在所述预期区域中都能确定没有对象发现，则从占据图中去除预期区域的对象发现。

Description

用于确定车辆附近的占据图的车辆、系统和方法
技术领域
本公开涉及用于确定车辆附近的占据图的车辆、系统和方法。
背景技术
占据图(也称为占据栅格或占据图栅格)是包含被某种对象占据的单元的信息的单元的图。所述单元可以具有固定的宽度、长度和高度。占据图广泛用于高级驾驶员辅助系统(ADAS)和自主驾驶应用中，因为占据图可被解释为车辆周围的障碍物的图。每个被占据的单元可以表示不可行驶区域。反转的占据图可以被解释为显示可行驶区域的自由空间图。
通常，在占据图中仅列出静止对象。类似于其他车辆的移动对象不应形成占据图的条目。然而，实际上，将对象发现可靠地分类为“移动”或“静止”是很困难的。特别是，例如由于测量(例如多普勒误差)和计算的不准确性，缓慢移动的目标(例如行人)或暂时静止的对象(例如在交通灯处停止的车辆)可能被错误地识别为障碍物。这种被错误识别的障碍物导致占据图中的虚假目标或痕迹，并且有损可行驶空间的表示。
因此，需要用于确定占据图的有效且可靠的方法和系统。
发明内容
本公开提供了一种计算机实现方法、计算机系统和非暂时性计算机可读介质。在从属权利要求、说明书和附图中给出了实施方式。
在一个方面，本公开涉及一种用于确定车辆附近的占据图的计算机实现方法，该方法包括由计算机硬件组件执行的以下步骤：
(i)连续获取布置在车辆处的传感器系统的传感器数据，
(ii)基于所获取的传感器数据确定对象发现，
(iii)将所确定的对象发现覆盖在所述车辆的附近的空间表示中，以确定占据图，
(iv)针对第一数据获取过程中的至少一个对象发现，定义围绕该对象发现延伸的预期区域(expectation area)，
(v)如果在所述预期区域内存在后续第二数据获取过程中的对象发现并且未满足预定的停止标准，则基于所述第一数据获取过程中的对象发现的位置与所述第二数据获取过程中的对象发现的位置之间的差来调整所述预期区域的位置，以及
(vi)如果针对预定数量的连续数据获取过程，在所述预期区域中都能确定没有对象发现，则从所述占据图中去除所述预期区域的至少一个对象发现。
换句话说，如果在第一获取的传感器数据中检测到潜在的对象或对象的一部分，即，如果确定对象可能存在或以预定概率存在，则创建围绕相应对象延伸的预期区域。在进一步的数据获取过程中，重新定位预期区域以跟随潜在的当前对象。如果对象在稍后的传感器数据中消失，则由于假定对象已移出预期区域，所以去除占据图中的对应条目。预期区域的重新定位确保焦点保持在潜在对象上。
已经发现，如本文所述的预期区域的重新定位和选择性重新设置提供了清晰的占据图，其至少基本上没有不期望的虚假目标和痕迹。停止标准的应用避免了由于连续移动预期区域而产生的问题，例如由于缓慢移动的行人而产生的问题。
传感器系统可以包括雷达传感器和/或激光雷达传感器。第一和第二数据获取过程可以对应于雷达和/或激光雷达传感器的连续扫描或帧。在本公开的上下文中，对象发现对应于检测到的存在于车辆附近的对象的表面点。
可以在步骤(v)中调整预期区域的位置，使得在调整之后，预期区域的中心接近所有累积占据概率。另选地，该调整可以使得随后的第二数据获取过程中的对象发现被居中地定位在调整后的预期区域中。如果第一数据获取过程中的对象发现的位置与第二数据获取过程中的对象发现的位置之间的差是零，则不需要调整。
在步骤(vi)中，可以从占据图中去除位于预期区域中的任何对象发现或条目。此外，可以针对第一数据获取过程中的每个对象发现来执行步骤(iv)。
该方法还可以包括以下特征中的一个或更多个：
可以基于在每个数据获取过程之后更新的占据概率来分别确定对象发现。所述占据概率可以被定义为对数优势比(log odds ratio)。在步骤(ii)中确定对象发现可以包括确定对数优势比的峰值。如果预期区域中没有占据概率超过预定的发现阈值，则可以确定在预期区域内没有对象发现。可以基于预期区域的累积占据概率来定义停止标准。如果预期区域的累积占据概率超过预定的痕迹阈值，则可以满足停止标准。在步骤(vi)中去除预期区域的至少一个对象发现可以包括将预期区域的占据概率设置为零。在步骤(ii)中确定的对象发现可以被分类为移动或静止。在步骤(iii)中，只有被分类为静止的对象发现可以被覆盖在车辆附近的空间表示中。在步骤(vi)中从占据图去除的至少一个对象发现可以存储在与占据图分离的痕迹图中。如果针对第一数据获取过程之后的预定数量的连续数据获取过程，在预期区域中都能确定没有对象发现，则可以执行完备性检查(sanity check)，并且如果该完备性检查的结果是肯定的，则可以仅从占据图中去除对象发现。该完备性检查可以包括遮挡检查，并且如果预期区域被另一对象发现或另一预期区域遮挡，则完备性检查的结果可以是否定的。
根据实施方式，基于在每个数据获取过程之后更新的占据概率来分别确定对象发现。占据图可以包括多个单元，其中占据概率被分配给每个单元。
应当理解，占据图可以由矩阵(对于二维占据图)或张量(对于三维占据图)来表示，其中矩阵的二维(或张量的三维)中的每一个维度对应于空间中的一个维度。在特定位置处的矩阵或张量的单元的条目可以对应于对象是否潜在地存在于该位置处的信息，并且可以由布尔值来表示，诸如针对“存在对象”的“真”和针对“不存在对象”的“假”。另选地，概率可由0和1之间或0％和100％之间的数字表示。
根据另一方面，占据概率被定义为对数优势比，即，作为单元被占据的概率与单元未被占据的概率之间的比的对数，例如自然对数。与原始概率值相比，可以容易地用新数据更新对数优势比。
根据另一方面，在步骤(ii)中确定对象发现包括确定对数优势比的峰值。换句话说，只要在更新周期中出现对数优势峰值，就可以假定存在对象发现。更新的对数优势比的峰值对应于当前传感器输出的强度峰值。
根据另一方面，如果预期区域中没有占据概率超过预定的发现阈值，即，如果预期区域的单元的所有占据概率各自都不超过预定的发现阈值，则可以确定该预期区域中没有对象发现。发现阈值可以是0.5。当在预期区域中能确定没有对象发现时，即，当未发现对数优势比更新时，可以递增复位计数器。
根据另一方面，步骤(vi)包括针对每个数据获取过程检查预期区域的对数优势比是否超过预定的发现阈值。例如，一旦已经定义了预期区域，则可以针对每个后续数据获取过程来检查是否满足以下预期标准：
Figure BDA0003238935410000041
其中scan是指数据获取过程，0.5是发现阈值。可以根据主车辆的速度来选择该发现阈值。例如，发现阈值对于低速可以是高的，而对于高速可以是低的。
根据另一方面，基于预期区域的累积占据概率来定义停止标准。预期区域的累积占据概率可以是预期区域的所有单元的概率之和。即，如果预期区域由于运动目标的痕迹而被高概率条目过度填充，则停止重新定位。已经证明，这种停止标准能够可靠地从占据图中去除缓慢移动的目标，例如行人。
根据另一方面，如果预期区域的累积占据概率超过预定阈值，则满足停止标准。
可以通过将预期区域内的所有对象发现相加并且检查所确定的和是否超过预定阈值来检查是否满足停止标准。例如，可以检查是否满足以下停止标准：
∑expectation area log(odds)>Pthreshold，
其中Pthreshold是与所述停止标准相关的预定阈值。Pthreshold的示例值为12。对于高灵敏雷达系统，该值可以更小，反之亦然。
根据另一方面，在步骤(vi)中去除预期区域的至少一个对象发现包括将预期区域的占据概率(即，预期区域的所有单元的占据概率)设置为零。因此，不期望的虚假条目、痕迹等被删除。
根据另一方面，在步骤(ii)中确定的对象发现被分类为移动或静止，并且在步骤(iii)中只有被分类为静止的对象发现被覆盖在车辆附近的空间表示中。由于分类器的不准确性，这种对象发现实际上可能对应于移动对象，特别是缓慢移动的对象或临时移动的对象。占据图的这种条目随后可通过本文描述的方法从占据图中去除。
根据另一方面，在步骤(vi)中从占据图去除的至少一个对象发现被存储在与占据图分离的痕迹图中。这样的痕迹图可以用于例如借助于跟踪器选择性地跟踪缓慢移动的行人和/或用于训练能够识别行人的机器学习算法。
根据另一方面，如果针对第一数据获取过程之后的预定数量的连续数据获取过程，在预期区域中都能确定没有对象发现，则执行完备性检查，并且如果完备性检查的结果是肯定的，则仅从占据图中去除对象发现。由于环境的复杂性，存在在预期区域中没有发现更新的对象发现而不管对象的实际存在的一定风险。完备性检查避免了从占据图中错误地去除条目。
根据另一方面，所述完备性检查包括遮挡检查，并且如果所述预期区域被另一对象发现或另一预期区域遮挡，则所述完备性检查的结果是否定的。如果从相应传感器的角度来看，一个区域位于新检测到的对象的后边，则由于遮挡而无法检测到该区域中实际存在的对象。完备性检查提供与被遮挡区域相关的信息的保存。
根据另一方面，在步骤(i)中，确定对象发现到先前定义的预期区域的距离，并且仅在所确定的距离超过预定距离阈值时才定义另一预期区域。已经发现，这种措施可以将区域重叠控制为最小，以便不产生不必要的预期区域。
在另一方面，本公开涉及一种计算机系统，所述计算机系统被配置成执行本文所述的计算机实现方法的几个或所有步骤。
计算机系统可以包括处理单元、至少一个存储器单元和至少一个非暂时性数据存储装置。非暂时性数据存储装置和/或存储器单元可以包括用于指示计算机执行本文描述的计算机实现方法的几个或所有步骤或方面的计算机程序。
在另一方面，本公开涉及一种包括如本文所述的计算机系统和传感器系统的车辆。传感器系统可以包括几个短程雷达传感器和至少一个中程雷达传感器。
在另一方面，本公开涉及一种非暂时性计算机可读介质，其包括用于执行本文所述的计算机实现方法的几个或所有步骤或方面的指令。所述计算机可读介质可以被配置为：光学介质，例如光盘(CD)或数字多功能盘(DVD)；磁介质，例如硬盘驱动器(HDD)；固态驱动器(SSD)；只读存储器(ROM)，例如闪存；等等。此外，计算机可读介质可以被配置为可经由诸如互联网连接的数据连接来访问的数据存储装置。计算机可读介质例如可以是在线数据储存库或云存储。
本公开还涉及一种用于指示计算机执行本文所述的计算机实现方法的几个或所有步骤或方面的计算机程序。
附图说明
本文结合以下示意性示出的附图描述了本公开的示例性实施方式和功能：
图1是主车辆附近的示意性俯视图；
图2是示出根据各种实施方式的确定主车辆附近的占据图的方法的步骤的流程图；
图3是根据图1的主车辆附近的关注区域，包括围绕对象发现延伸的预期区域；
图4是预期区域被其它预期区域遮挡的图示；
图5是根据各种实施方式的在去除痕迹之前和之后的占据图以及痕迹图的比较；
图6是根据各种实施方式的占据图确定系统；以及
图7是具有多个计算机硬件组件的计算机系统，其被配置成执行根据各种实施方式的确定占据图的计算机实现方法的步骤。
附图标记列表
11 主车辆
12 计算机系统
13 传感器系统
15 传感器
16 其它车辆
17 行人
18 交通灯
19 占据图
25 痕迹
31-33 步骤
40 关注区域
41 正常行驶方向
45、45'、45a-45e 预期区域
47、47' 对象发现
49 痕迹图
600 占据图确定系统
602 传感器数据获取电路
604 对象发现确定电路
606 覆盖电路
608 定义电路
610 调整电路
612 去除电路
614 连接
700 计算机系统
702 处理器
704 存储器
706 非暂时性数据存储装置
708 传感器系统
710 连接
具体实施方式
图1以俯视图示出了机动车辆或主车辆11，其包括计算机系统12和连接到该计算机系统12的传感器系统13。传感器系统13包括多个传感器15，它们被配置成扫描主车辆11附近的对象，例如其他车辆16、行人17或像交通灯18的静止对象。传感器系统13的传感器15可以是雷达(无线电检测和测距)传感器、激光雷达(光检测和测距)传感器和/或飞行时间摄像头。计算机系统12从传感器15接收数据，并基于对所接收到的数据的评估来提供“高级驾驶员辅助”功能或自主驾驶功能。
根据各种实施方式，可以通过累积来自传感器系统13的传感器15的读数并将所累积的传感器读数转换为随时间变化的概率来确定主车辆11附近的占据图19。该占据图19可以包括单元的二维或三维栅格(未示出)，其中，占据概率被分配给每个单元，如本领域已知的。可以在每个数据获取过程之后(即，在传感器15的每个帧或每次扫描之后)更新占据概率。占据概率可以被表示为对数优势比。
占据图19示出了静止对象形式的障碍物，因此也示出了可行驶空间，即，无障碍的空间。通常，在占据图19中仅指示静止对象。因此，检测到的对象可以被分类为移动对象或静止对象。占据图19的条目，(即，被标识为“可能被占据”的单元)是针对静止对象而不是针对移动对象创建的。根据各种实施方式，基于人工神经网络或支持向量机的分类器可用于所述分类。基于方位的多普勒计算可用于静止/移动分类。
可能的是，由于测量和/或计算的不准确性，像行人17这样的缓慢移动的目标没有被正确地识别为移动对象，如图1中示意性示出的，这可能导致在占据图19中存在的痕迹25。此外，停止在交通灯18处的车辆16可能被分类为静止对象，而不管稍后的移动。先前由该车辆16占据的空间作为痕迹25继续存在于占据图19中。显然，这样的痕迹25是不希望的，因为它们导致使用包括在占据图19中的关于可行驶空间的信息作为输入的控制模块的混乱。
因此，根据各种实施方式，计算机系统12被配置成从占据图19中清除掉痕迹25，如以下参照示出流程图的图2和示出相对于正常或指定驾驶方向41位于主车辆11前方的关注区域40以及在关注区域40内围绕对象发现47延伸的预期区域45的图3所描述的。
在第一步骤31中，创建关注区域40和预期区域45。对于在传感器15(图1)的当前扫描中确定的每个对象发现47，创建具有固定大小(以像素或单元计)、例如10×10像素的单独预期区域45。每个对象发现47位于相应的预期区域45的中心。
对象发现47对应于对数优势比的峰值。具体地，当在特定扫描中出现对数优势比的峰值并且该峰值不属于已经存在的预期区域45时，创建预期区域45。预期区域45可以被定位成使得更新的对数优势比的峰值位于该预期区域45的中心。
可以确定对象发现47到先前定义的预期区域45的距离。仅在所确定的距离超过预定距离阈值的情况下才可创建另一预期区域45，以防止创建不必要的预期区域45。
在步骤32中，基于连续扫描的数据来更新预期区域45。如果在连续扫描中找到属于现有预期区域45的对象发现47，则调整预期区域45的位置，使得调整后的预期区域45'的中心接近累积占据概率。
如果满足至少一个预期标准，则找到属于现有预期区域45的对象发现47。如果预期区域45的每个单元的对数优势比大于预定的发现阈值，例如0.5，则可以满足预期标准。如果不满足预期标准，则针对相应的预期区域45递增复位计数器。
如果满足预定的停止标准，则停止预期区域45的重新定位。可以基于预期区域45的累积占据概率来定义停止标准。例如，如果相应预期区域45的所有单元的占据概率之和超过预定的痕迹阈值，则可以满足停止标准。
如果对于预定次数的扫描，例如6次扫描，不满足特定预期区域45的预期标准，则执行包括遮挡检查的完备性检查。基于完备性检查，保留或去除位于预期区域45中的占据图的条目。具体地，如果完备性检查是否定的，则保留属于预期区域45的条目。如果完备性检查是肯定的，则假定属于预期区域45的条目是痕迹25(图1)，并且在步骤33中，去除属于相应预期区域45的任何条目。换句话说，预期区域45的单元的占据概率被设置为零。所去除的条目可以存储在计算机存储介质中。
完备性检查包括如图4中示例性示出的遮挡检查。上部(最远的)预期区域45a、下部(最近的)左侧预期区域45b和下部(最近的)右侧预期区域45c不被任何其它预期区域45遮挡。相反，两个中间预期区域45d、45e分别被较低预期区域45b、45c遮挡。遮挡检查包括确定要去除的对象发现47是否被新发生的对象发现47遮挡的步骤。在遮挡的情况下，通过相应预期区域45的复位计数器进一步检查遮挡对象发现47是否可能是虚假发现本身。如果是这种情况，例如当相应的预期区域45c的复位计数器超过3时，则不管遮挡如何都去除对象发现47。如果复位计数器较低，例如为0，则保留被遮挡对象发现47。因此，在根据图4的情况下，上部中央预期区域45a和右侧中间预期区域45e被去除，而左侧中间预期区域45b被保留。
在图5的左面板中，示出了在如上所述去除对象发现47之前的示例性占据图19。在图5的右面板中，示出了在如上所述去除对象发现47之后的占据图19。可以理解，图5右面板所示的占据图19已清除掉痕迹25、虚假目标等。在图5的中央面板中，示出了仅包括被去除的对象发现47的痕迹图49。图5中所示的位置坐标x、y表示以m为单位的距预定参考点的横向(x)和纵向(y)距离。
本文描述的实施方式使得能够在占据图19中进行快速、简单和瞬时的痕迹检测。计算量很小。痕迹、多径、虚假目标等被有效地删除。
图6示出了根据各种实施方式的占据图确定系统600。该占据图确定系统600可以包括传感器数据获取电路602、对象发现确定电路604、覆盖电路606、定义电路608、调整电路610和去除电路612。占据图确定系统600可以是用于确定车辆附近的占据图的系统。
传感器数据获取电路602可以被配置成连续地获取布置在车辆处的传感器系统的传感器数据。
对象发现确定电路604可以被配置成基于所获取的传感器数据来确定对象发现。
覆盖电路606可以被配置成在车辆附近的空间表示中覆盖所确定的对象发现以确定占据图。
定义电路608可以被配置成针对第一数据获取过程中的至少一个对象发现定义围绕该对象发现延伸的预期区域。
调整电路610可以被配置成，如果在预期区域内存在后续第二数据获取过程中的对象发现并且未满足预定停止标准，则基于第一数据获取过程中的对象发现的位置与第二数据获取过程中的对象发现的位置之间的差来调整预期区域的位置。
去除电路612可以被配置成如果针对预定数量的连续数据获取在预期区域中都能确定没有对象发现，则从占据图中去除预期区域的至少一个对象发现。
传感器数据获取电路602、对象发现确定电路604、覆盖电路606、定义电路608、调整电路610和去除电路612可以例如经由诸如电缆或计算机总线的电连接614或经由任何其它合适的电连接彼此联接以交换电信号。
“电路”可以被理解为任何类型的逻辑实现实体，其可以是专用电路或执行存储在存储器、固件或其任何组合中的程序的处理器。
图7示出了具有多个计算机硬件组件的计算机系统700，所述多个计算机硬件组件被配置成执行根据各种实施方式的确定车辆附近的占据图的计算机实现方法的步骤。计算机系统700可以包括处理器702、存储器704和非暂时性数据存储装置706。传感器系统708可以作为计算机系统700的一部分来提供(如图7所示)，或者可以在计算机系统700的外部提供。
处理器702可以执行存储器704中提供的指令。非暂时性数据存储装置706可以存储计算机程序，包括可以被传送到存储器704然后由处理器702执行的指令。如上所述，传感器系统708可用于获取传感器数据。
处理器702、存储器704和非暂时性数据存储装置706可例如经由电连接710(例如电缆或计算机总线)或经由任何其它合适的电连接彼此联接以交换电信号。传感器系统708可以例如经由外部接口联接到计算机系统700，或者可以作为计算机系统的一部分来提供(换言之：在计算机系统内部，例如经由电连接710联接)。
术语“联接”或“连接”旨在分别包括直接“联接”(例如经由物理链路)或直接“连接”以及间接“联接”或间接“连接”(例如经由逻辑链路)。
应当理解，针对上述方法之一所描述的内容可以类似地适用于占据图确定系统600和/或计算机系统700。

Claims (15)

1.一种确定车辆(11)附近的占据图(19)的计算机实现方法，
所述计算机实现方法包括由计算机硬件组件执行的以下步骤：
(i)连续获取布置在所述车辆(11)处的传感器系统(13)的传感器数据，
(ii)基于所获取的传感器数据确定对象发现(47)，
(iii)将所确定的对象发现(47)覆盖在所述车辆附近的空间表示中以确定所述占据图(19)，
(iv)针对第一数据获取过程中的至少一个对象发现(47)，定义围绕该对象发现(47)延伸的预期区域(45)，
(v)如果在所述预期区域(45)内存在后续第二数据获取过程中的对象发现(47')并且未满足预定停止标准，则基于所述第一数据获取过程中的对象发现(47)的位置与所述第二数据获取过程中的对象发现(47')的位置之间的差来调整所述预期区域(45)的位置；以及
(vi)如果针对预定数量的连续数据获取过程在所述预期区域(45)中都能确定没有对象发现(47)，则从所述占据图(19)中去除所述预期区域(45)的至少一个对象发现(47)。
2.根据权利要求1所述的计算机实现方法，
其中，基于在每个数据获取过程之后更新的占据概率来分别确定所述对象发现(47)。
3.根据权利要求2所述的计算机实现方法，
其中，所述占据概率被定义为对数优势比，特别是其中，在步骤(ii)中确定对象发现(47)包括确定所述对数优势比的峰值。
4.根据权利要求2和3中任一项所述的计算机实现方法，
其中，在步骤(vi)中，如果在所述预期区域(45)中没有占据概率超过预定发现阈值，则在所述预期区域(45)中能确定没有对象发现(47)。
5.根据权利要求3和4中任一项所述的计算机实现方法，
其中，步骤(vi)包括针对每个数据获取过程检查所述预期区域(45)的对数优势比是否超过预定发现阈值。
6.根据权利要求2至5中任一项所述的计算机实现方法，
其中，所述停止标准是基于所述预期区域(45)的累积占据概率来定义的。
7.根据权利要求6所述的计算机实现方法，
其中，如果所述预期区域(45)的所述累积占据概率超过预定阈值，则满足所述停止标准。
8.根据权利要求1至7中任一项所述的计算机实现方法，
其中，通过对所述预期区域(45)内的所有对象发现(47)求和并检查所确定的和是否超过预定阈值来检查是否满足所述停止标准。
9.根据权利要求2至8中任一项所述的计算机实现方法，
其中，在步骤(vi)中去除所述预期区域(45)的所述至少一个对象发现(47)包括将所述预期区域(45)的所述占据概率设置为零。
10.根据权利要求1至9中任一项所述的计算机实现方法，
其中，在步骤(ii)中确定的所述对象发现(47)被分类为移动的或静止的，并且在步骤(iii)中仅将被分类为静止的对象发现(47)覆盖在所述车辆(11)附近的所述空间表示中。
11.根据权利要求1至10中任一项所述的计算机实现方法，
其中，在步骤(vi)中从所述占据图(19)中去除的所述至少一个对象发现(47)被存储在与所述占据图(19)分离的痕迹图(49)中。
12.根据权利要求1至11中任一项所述的计算机实现方法，
其中，如果针对所述第一数据获取过程之后的预定数量的连续数据获取过程，在所述预期区域(45)中都能确定没有对象发现(47)，则执行完备性检查，并且如果所述完备性检查的结果是肯定的，则仅从所述占据图(19)中去除所述对象发现(47)，
其中，所述完备性检查包括遮挡检查，并且如果所述预期区域(45)被另一对象发现(47)或另一预期区域(45)遮挡，则所述完备性检查的结果是否定的。
13.一种计算机系统(12)，所述计算机系统包括多个计算机硬件组件，所述多个计算机硬件组件被配置成执行根据权利要求1至12中任一项所述的计算机实现方法的步骤。
14.一种车辆(11)，所述车辆(11)包括根据权利要求13所述的计算机系统(12)以及传感器系统(13)。
15.一种非暂时性计算机可读介质，所述非暂时性计算机可读介质包括用于执行根据权利要求1至12中任一项所述的计算机实现方法的指令。
CN202111012746.0A 2020-08-31 2021-08-31 用于确定车辆附近的占据图的车辆、系统和方法 Pending CN114114269A (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
EP20193680.4 2020-08-31
EP20193680.4A EP3961481A1 (en) 2020-08-31 2020-08-31 Vehicles, systems and methods for determining an occupancy map of a vicinity of a vehicle
EP21190812.4 2021-08-11
EP21190812.4A EP4145407A1 (en) 2020-08-31 2021-08-11 Vehicles, systems and methods for determining an occupancy map of a vicinity of a vehicle

Publications (1)

Publication Number Publication Date
CN114114269A true CN114114269A (zh) 2022-03-01

Family

ID=80356995

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111012746.0A Pending CN114114269A (zh) 2020-08-31 2021-08-31 用于确定车辆附近的占据图的车辆、系统和方法

Country Status (2)

Country Link
US (1) US20220067395A1 (zh)
CN (1) CN114114269A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109562759A (zh) * 2016-07-26 2019-04-02 伟摩有限责任公司 为自主车辆确定对象的可行驶性
CN110044371A (zh) * 2018-01-16 2019-07-23 华为技术有限公司 一种车辆定位的方法以及车辆定位装置
CN110490217A (zh) * 2018-05-15 2019-11-22 通用汽车环球科技运作有限责任公司 用于改进对象检测和对象分类的方法和系统
US20200353942A1 (en) * 2018-01-12 2020-11-12 Bayerische Motoren Werke Aktiengesellschaft Method, System, and Computer Program Product for Determining a Blockage of a Sensor of a Plurality of Sensors of an Ego Vehicle

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8457796B2 (en) * 2009-03-11 2013-06-04 Deepinder Singh Thind Predictive conditioning in occupancy zones
CN111295570A (zh) * 2017-11-08 2020-06-16 索尼公司 信息处理装置、车辆、移动物体、信息处理方法和程序
US11300959B2 (en) * 2019-08-30 2022-04-12 Huawei Technologies Co., Ltd. System and method for predictive path planning in autonomous vehicles

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109562759A (zh) * 2016-07-26 2019-04-02 伟摩有限责任公司 为自主车辆确定对象的可行驶性
US20200353942A1 (en) * 2018-01-12 2020-11-12 Bayerische Motoren Werke Aktiengesellschaft Method, System, and Computer Program Product for Determining a Blockage of a Sensor of a Plurality of Sensors of an Ego Vehicle
CN110044371A (zh) * 2018-01-16 2019-07-23 华为技术有限公司 一种车辆定位的方法以及车辆定位装置
CN110490217A (zh) * 2018-05-15 2019-11-22 通用汽车环球科技运作有限责任公司 用于改进对象检测和对象分类的方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
MOHAMED ESSAYED BOUZOURAA 等: "Fusion of Occupancy Grid Mapping and Model Based Object Tracking for Driver Assistance Systems using Laser and Radar Sensors", 《2010 IEEE INTELLIGENT VEHICLES SYMPOSIUM》, 24 June 2010 (2010-06-24), pages 294 - 300, XP055554922, DOI: 10.1109/IVS.2010.5548106 *

Also Published As

Publication number Publication date
US20220067395A1 (en) 2022-03-03

Similar Documents

Publication Publication Date Title
JP5297078B2 (ja) 車両の死角における移動物体を検知するための方法、および死角検知装置
KR101848019B1 (ko) 차량 영역 검출을 통한 차량 번호판 검출 방법 및 장치
Negru et al. Image based fog detection and visibility estimation for driving assistance systems
JP2021523443A (ja) Ｌｉｄａｒデータと画像データの関連付け
US20230386225A1 (en) Method for Determining a Drivable Area
EP3403216A1 (en) Systems and methods for augmenting upright object detection
US10984264B2 (en) Detection and validation of objects from sequential images of a camera
US20220171975A1 (en) Method for Determining a Semantic Free Space
EP4145398A1 (en) Systems and methods for vehicle camera obstruction detection
Berriel et al. A particle filter-based lane marker tracking approach using a cubic spline model
CN111976585A (zh) 基于人工神经网络的投射信息识别装置及其方法
JP2013069045A (ja) 画像認識装置、画像認識方法および画像認識プログラム
WO2017077261A1 (en) A monocular camera cognitive imaging system for a vehicle
CN114114269A (zh) 用于确定车辆附近的占据图的车辆、系统和方法
JP6533244B2 (ja) 対象物検知装置、対象物検知方法、及び対象物検知プログラム
EP4145407A1 (en) Vehicles, systems and methods for determining an occupancy map of a vicinity of a vehicle
CN115482352A (zh) 用于训练机器学习算法的方法和装置
Sadik et al. Vehicles detection and tracking in advanced & automated driving systems: Limitations and challenges
JP2022123153A (ja) ステレオ画像処理装置及びステレオ画像処理方法
WO2021176820A1 (ja) 処理装置
CN112906424B (zh) 图像识别方法、装置及设备
US11636690B2 (en) Environment perception device and method of mobile vehicle
KR102559936B1 (ko) 단안 카메라를 이용하여 깊이 정보를 추정하는 방법 및 장치
KR101927634B1 (ko) 환경 요소를 제거하기 위한 방법 및 장치
US20220012506A1 (en) System and method of segmenting free space based on electromagnetic waves

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
CB02 Change of applicant information

Country or region after: Luxembourg

Address after: Luxembourg

Applicant after: Aptiv Technology (2) Co.

Address before: Babado J San Michael

Applicant before: Aptiv Technologies Ltd.

Country or region before: Barbados

CB02 Change of applicant information
TA01 Transfer of patent application right

Effective date of registration: 20240229

Address after: Luxembourg

Applicant after: Aptiv Manufacturing Management Services Co.

Country or region after: Luxembourg

Address before: Luxembourg

Applicant before: Aptiv Technology (2) Co.

Country or region before: Luxembourg

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20240320

Address after: Schaffhausen

Applicant after: APTIV Technology Co.,Ltd.

Country or region after: Switzerland

Address before: Luxembourg

Applicant before: Aptiv Manufacturing Management Services Co.

Country or region before: Luxembourg

TA01 Transfer of patent application right