CN114120252B - 自动驾驶车辆状态的识别方法、装置、电子设备及车辆 - Google Patents

自动驾驶车辆状态的识别方法、装置、电子设备及车辆 Download PDF

Info

Publication number
CN114120252B
CN114120252B CN202111229383.6A CN202111229383A CN114120252B CN 114120252 B CN114120252 B CN 114120252B CN 202111229383 A CN202111229383 A CN 202111229383A CN 114120252 B CN114120252 B CN 114120252B
Authority
CN
China
Prior art keywords
detection result
acquiring
detection
preset
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.)
Active
Application number
CN202111229383.6A
Other languages
English (en)
Other versions
CN114120252A (zh
Inventor
邱笑晨
芮晓飞
蔡仁澜
程风
刘文杰
徐国梁
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.)
Apollo Intelligent Technology Beijing Co Ltd
Original Assignee
Apollo Intelligent Technology Beijing Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Apollo Intelligent Technology Beijing Co Ltd filed Critical Apollo Intelligent Technology Beijing Co Ltd
Priority to CN202111229383.6A priority Critical patent/CN114120252B/zh
Publication of CN114120252A publication Critical patent/CN114120252A/zh
Application granted granted Critical
Publication of CN114120252B publication Critical patent/CN114120252B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Abstract

本公开提供了一种自动驾驶车辆状态的识别方法、装置、电子设备及车辆，涉及人工智能领域，具体涉及自动驾驶技术，具体实现方案为：获取第一检测结果以及第二检测结果；获取所述第二检测结果的有效性识别结果；响应于所有的所述有效性识别结果均为可用，则获取第一置信度以及第二置信度；根据所述第一检测结果、所述第二检测结果、所述第一置信度和所述第二置信度，获取所述车辆的静止状态识别结果。由此，本公开提出的车辆状态识别方法能够不再依赖单一的车辆状态检测装置的检测结果作为依据，通过对多个车辆状态检测装置的检测结果进行融合的方式，能够更加准确、可靠地识别车辆是否处于静止状态。

Description

自动驾驶车辆状态的识别方法、装置、电子设备及车辆
技术领域
本公开涉及数据处理技术领域，并且更具体地涉及人工智能领域，具体涉及自动驾驶技术。
背景技术
自动驾驶车辆正逐渐呈现出接近实用化的趋势，这样一来，对于自动驾驶车辆导航定位系统准确性的要求也逐渐提高。其中，自动驾驶车辆导航定位系统可以自主进行导航定位，从而为下游的感知、规划与控制等模块提供位置和姿态信息。在自动驾驶车辆导航定位系统进行导航定位的过程中，车辆静止这种特殊的运动模态，可以用于辅助导航定位系统，以提高自动驾驶车辆行驶过程中的安全性。
因此，如何通过提高车辆静状态止检测的准确性，已成为重要的研究方向之一。
发明内容
本公开提供了一种自动驾驶车辆状态的识别方法、装置、电子设备及车辆。
根据本公开的一方面，提供了一种车辆状态的识别方法，包括：
获取周期最长的车辆状态检测装置当前周期的第一检测结果，以及其余车辆状态检测装置的第二检测结果；
根据所述第一检测结果的第一采样时刻和所述第二检测结果的第二采样时刻，获取所述第二检测结果的有效性识别结果；
响应于所有的所述有效性识别结果均为可用，则获取所述第一检测结果的第一置信度以及所述第二检测结果的第二置信度；
根据所述第一检测结果、所述第二检测结果、所述第一置信度和所述第二置信度，获取所述车辆的静止状态识别结果。
根据本公开的另一方面，提供了一种车辆状态的识别装置，包括：
第一获取模块，用于获取周期最长的车辆状态检测装置当前周期的第一检测结果，以及其余车辆状态检测装置的第二检测结果；
第二获取模块，用于根据所述第一检测结果的第一采样时刻和所述第二检测结果的第二采样时刻，获取所述第二检测结果的有效性识别结果；
第三获取模块，用于响应于所有的所述有效性识别结果均为可用，则获取所述第一检测结果的第一置信度以及所述第二检测结果的第二置信度；
第四获取模块，用于根据所述第一检测结果、所述第二检测结果、所述第一置信度和所述第二置信度，获取所述车辆的静止状态识别结果。
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本公开第一方面所述的车辆状态的识别方法。
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，所述计算机指令用于使所述计算机执行本公开第一方面所述的车辆状态的识别方法。
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，其特征在于，所述计算机程序在被处理器执行时实现根据本公开第一方面所述的车辆状态的识别方法。
根据本公开的另一方面，提供了一种自动驾驶车辆，包括本公开第三方面所述的电子设备。
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是根据本公开第五实施例的示意图；
图6是根据本公开第六实施例的示意图；
图7是根据本公开第七实施例的示意图；
图8是根据本公开第八实施例的示意图；
图9是根据本公开第九实施例的示意图；
图10是根据本公开第十实施例的示意图；
图11是根据本公开第十一实施例的示意图；
图12是根据本公开车辆状态的识别方法的判别规则的示意图；
图13是用来实现本公开实施例的车辆状态的识别方法的车辆状态的识别装置的框图；
图14是用来实现本公开实施例的车辆状态的识别方法的电子设备的框图；
图15是本公开提出的一种自动驾驶车辆的框图。
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。
以下对本公开的方案涉及的技术领域进行简要说明：
数据处理(data processing)是对数据的采集、存储、检索、加工、变换和传输。数据处理的基本目的是从大量的、可能是杂乱无章的、难以理解的数据中抽取并推导出对于某些特定的人们来说是有价值、有意义的数据。
AI(Artificial Intelligence，人工智能)，是研究使计算机来模拟人生的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术，也有软件层面的技术。人工智能硬件技术一般包括计算机视觉技术、语音识别技术、自然语言处理技术以及及其学习/深度学习、大数据处理技术、知识图谱技术等几大方面。
自动驾驶(Automatic Operation)，自动驾驶系统采用先进的通信、计算机、网络和控制技术，对列车实现实时、连续控制。采用现代通信手段，直接面对列车，可实现车地间的双向数据通信，传输速率快，信息量大，后续追踪列车和控制中心可以及时获知前行列车的确切位置，使得运行管理更加灵活，控制更为有效，更加适应列车自动驾驶的需求。
下面参考附图描述本公开实施例的一种车辆状态的识别方法。
图1是根据本公开第一实施例的示意图。其中，需要说明的是，本实施例的车辆状态的识别方法的执行主体为车辆状态的识别装置，车辆状态的识别装置具体可以为硬件设备，或者硬件设备中的软件等。其中，硬件设备例如终端设备、服务器等。
如图1所示，本实施例提出的车辆状态的识别方法，包括如下步骤：
S101、获取周期最长的车辆状态检测装置当前周期的第一检测结果，以及其余车辆状态检测装置的第二检测结果。
需要说明的是，本公开提出的车辆状态的识别方法适用于多种用于检测车辆状态的装置，例如，激光雷达(LiDAR)或相机等图像采集装置、轮速计和惯性测量单元(InertialMeasurement Unit，简称IMU)等。
由于不同的车辆状态检测装置可能对应于不同的采集周期(又称测量频率)，此种情况下，可以获取所有的车辆状态检测装置的检测周期，并根据检测周期的长短对车辆状态检测装置进行分类。
其中，周期指的是车辆状态检测装置的采集周期，不同的车辆状态检测装置可能对应于不同的采集周期。
可选地，可以将周期最长的车辆状态检测装置标记为一类，并将其余车辆状态检测装置标记为另一类。
以车辆状态检测装置为图像采集装置、轮速计和惯性测量单元为例，周期最长的车辆状态检测装置可以为图像采集装置、其余车辆状态检测装置可以为轮速计和惯性测量单元。
进一步地，可以获取不同类别的车辆状态检测装置的检测结果，可选地，可以将周期最长的车辆状态检测装置当前周期的检测结果标记为第一检测结果，并将其余车辆状态检测装置的检测结果标记为的第二检测结果。
需要说明的是，相关技术中，当对车辆进行静止检测时，通常会采用单一传感器进行检测，然而这样，往往存在测量误差较大，导致检测效果的下降或者单一传感器失效，导致无法进行检测等问题，本公开利用多种不同类型的传感器，可以准确、高效地进行车辆静止检测。
S102、根据第一检测结果的第一采样时刻和第二检测结果的第二采样时刻，获取第二检测结果的有效性识别结果。
需要说明的是，由于不同的车辆状态检测装置可能对应于不同的采集周期，即便在硬件同步的情况下，也难以保证在某一时刻能获得所有的车辆状态检测装置的检测结果。
由此，本公开实施例中，可以获取第一检测结果的第一采样时刻以及第二检测结果的第二采样时刻，并根据第一检测结果的第一采样时刻和第二检测结果的第二采样时刻，获取第二检测结果的有效性识别结果。
需要说明的是，本公开中对于进行有效性识别的具体方式不作限定，可以根据实际情况进行选择。
可选地，可以选取周期最长的车辆状态检测装置的采样时刻为依据，对其余车辆状态检测装置的第二检测结果进行有效性识别。
可选地，可以获取所有的车辆状态检测装置的历史检测记录，并根据历史检测记录选取作为有效性识别依据次数最高的车辆状态检测装置为依据，或者选取有效性识别结果可用次数最多的车辆状态检测装置为依据。
其中，有效性识别，指的是对第二检测结果是否可以用于车辆的静止状态识别进行判断的过程。
S103、响应于所有的有效性识别结果均为可用，则获取第一检测结果的第一置信度以及第二检测结果的第二置信度。
在本公开实施例中，在对所有的第二检测结果进行有效性识别后，若所有的有效性识别结果均为可用，则可以获取第一检测结果的第一置信度和第二检测结果的第二置信度；若所有的有效性识别结果非均为可用，即言至少有一个第二检测结果的有效性识别结果为不可用，则可以忽略或丢弃当前的第一检测结果和第二检测结果，继续进行下一周期的检测。
其中，置信度，指的是车辆状态检测装置的检测结果的可信度(概率)。
S104、根据第一检测结果、第二检测结果、第一置信度和第二置信度，获取车辆的静止状态识别结果。
在本公开实施例中，在获取到第一检测结果、第二检测结果、第一置信度和第二置信度后，可以基于第一置信度和第二置信度对第一检测结果和第二检测结果进行综合判别，以通过多检测结果的融合，获取最终的车辆的静止状态识别结果。
根据本公开实施例的车辆状态识别方法，通过获取周期最长的车辆状态检测装置当前周期的第一检测结果，以及其余车辆状态检测装置的第二检测结果，并根据第一检测结果的第一采样时刻和第二检测结果的第二采样时刻，获取第二检测结果的有效性识别结果，当响应于所有的有效性识别结果均为可用，则获取第一检测结果的第一置信度以及第二检测结果的第二置信度，最后根据第一检测结果、第二检测结果、第一置信度和第二置信度，获取车辆的静止状态识别结果。由此，本公开提出的车辆状态识别方法能够不再依赖单一的车辆状态检测装置的检测结果作为依据，通过对多个车辆状态检测装置的检测结果进行融合的方式，能够更加准确、可靠地识别车辆是否处于静止状态。
以车辆状态检测装置为图像采集装置、轮速传感器和惯性测量单元为例，对本公开提出的车辆状态的识别方法进行解释说明。
图2是根据本公开第二实施例的示意图。
如图2所示，本实施例提出的车辆状态的识别方法，包括如下步骤：
S201、获取周期最长的车辆状态检测装置当前周期的第一检测结果。
其中，图像采集装置于当前周期获取到的检测结果为第一检测结果。
需要说明的是，基于图像采集装置获取第一检测结果的主要依据是判断相邻两帧图像(两个连续图像)中的内容是否基本保持不变。可选地，可以分别对两个连续图像进行特征提取，并根据提取到的特征进行特征匹配，进而获取第一检测结果。
作为一种可能的实现方式，如图3所示，在上述实施例的基础上，上述步骤S201中获取周期最长的车辆状态检测装置当前周期的第一检测结果的具体过程，包括以下步骤：
S301、获取车辆的所述图像采集装置采集的至少两个连续图像。
需要说明的是，本公开中，车辆状态的识别过程中图像采集装置与车辆的相对位置始终保持不变。
进一步地，在进行图像采集的过程中，每获取到任一帧图像后即可对当前图像进行特征提取，以对下一帧图像进行跟踪。
作为一种可能的实现方式，如图4所示，在上述实施例的基础上，上述步骤S301中获取车辆的图像采集装置采集的至少两个连续图像之后的具体过程，包括以下步骤：
S401、对任意两个连续图像进行特征提取，并根据提取的特征对任意两个连续图像进行特征点匹配，以获取任意两个连续图像之间特征点匹配成功的特征点对。
需要说明的是，本公开中对于对任意两个连续图像进行特征提取的具体方式不作限定，可以根据实际情况进行选取。
可选地，可以利用快速特征点提取和描述的算法(Oriented FAST and RotatedBRIEF，ORB)、二进制鲁棒不变可扩展关键点算法(Binary Robust Invariant ScalableKeypoints，BRISK)等图像特征监测子来进行稀疏特征提取。
进一步地，在获取任意两个连续图像的特征之后，可以进行特征点匹配。
需要说明的是，本公开中对于根据提取的特征对任意两个连续图像进行特征点匹配的具体方式不作限定，可以根据实际情况进行选取。
可选地，可以利用基于描述子的特征匹配方法或者稀疏光流等基于图像灰度的匹配方法，进行特征匹配。
进一步地，若任意两个源自不同帧图像的特征点匹配成功，则可以将其标记为一个特征点对。
S402、对特征点对进行筛选，以获取目标特征点对。
需要说明的是，在获取特征点对后，为了保证特征点对的有效性并缩短整体识别过程的耗时，可以利用随机抽样一致算法(RANdomSAmple Consensus，简称RANSAC)等方法对特征点对进行筛选，以筛除部分匹配野值。此种情况下，可以将特征点对中的非野值作为标特征点对。其中，野值，指的是非正常测量的劣值。
S403、获取目标特征点对的第一数量，并确定第一数量达到预设数量阈值。
在本公开实施例中，在获取到目标特征点对后，可以获取目标特征点对的数量，并将目标特征点对的数量与预设数量阈值进行比较。可选地，若目标特征点对的数量达到预设数量阈值，说明当前得到两个连续图像中的内容符合基本保持不变的粗筛需求，则可以继续对位移差值等数据进行检测(执行步骤S302)；若目标特征点对的数量未达到预设数量阈值，说明当前得到两个连续图像中的内容不符合基本保持不变的粗筛需求，则可以停止检测(此时可以确定为未检测到静止)。
S302、获取任意两个连续图像之间的位移差值，并根据位移差值获取第一检测结果。
本公开实施例中，可以获取任意两个连续图像之间的位移差值，并根据位移差值的大小获取第一检测结果。
需要说明的是，本公开中对于根据位移差值获取第一检测结果的具体方式不作限定，可以根据实际情况进行选取。
需要说明的是，由于在基于图像采集装置获取图像帧的过程中极可能存在噪声，同时，误匹配(即便经过RANSAC筛选，仍会有误匹配存在)或动态物体(如道路上往来车辆和行人)上的正确匹配点对，也会影响车辆状态的识别效果。
由此，本公开中，可以预设设定预设位移差值阈值，并将位移差值与预设位移差值阈值进行比较。
其中，预设位移差值阈值可以根据实际情况进行设定。可选地，可以获取相机等图像采集装置的采集精度，并根据图像采集精度获取预设位移差值阈值，一般可以设为1像素。
可选地，响应于所有的位移差值均小于预设位移差值阈值，说明所有的特征点对对应的位置之间基本一致，则可以确定第一检测结果为静止；响应于所有的位移差值未均小于预设位移差值阈值，也就是说存在至少一个位移差值大于或者等于预设位移差值阈值，说明存在至少一个特征点对对应的位置之间有较大差异，则可以获取位移差值小于预设位移差值阈值的数量，并根据位移差值小于预设位移差值阈值的数量继续进行识别。
进一步地，响应于位移差值小于预设位移差值阈值的数量达到预设数量阈值，则可以确定第一检测结果为静止；响应于位移差值小于预设位移差值阈值的数量未达到预设数量阈值，则可以确定第一检测结果为非静止。
其中，预设数量阈值，可以根据位移差值的总数(任意两个连续图像组成的图像对的总数)决定。例如，可以将位移差值的总数的60％作为预设数量阈值。
S202、获取其余车辆状态检测装置的第二检测结果。
下面分别针对轮速传感器和惯性传感器，对步骤S202中获取其余车辆状态检测装置的第二检测结果的具体过程进行解释说明。
针对轮速传感器，作为一种可能的实现方式，如图5所示，在上述实施例的基础上，上述步骤S202中获取其余车辆状态检测装置的第二检测结果的具体过程，包括以下步骤：
S501、获取轮速传感器采集的车辆的每个车轮对应的车轮转速。
本公开实施例中，可以采用轮速传感器采集的车辆的每个车轮对应的车轮转速，并以每个车轮对应的车轮转速是否尽可能接近0(不转动)为依据，获取第二检测结果。
需要说明的是，本公开中对于获取每个车轮对应的车轮转速的具体方式不作限定，可以根据实际情况进行设定。可选地，可以采用一个轮速传感器同时获取每个车轮对应的车轮转速；可选地，可以采用多个轮速传感器，并由每个传感器获取一个车轮对应的车轮转速，以得到所有的车轮对应的车轮转速。
S502、获取所有的车轮转速的平均值。
举例而言，车辆甲共有4个车轮，且每个车轮的车轮转速分别为1m/s、0m/s、1m/s、0m/s，此种情况下，可以得到所有的车轮转速的平均值Vmean为0.5m/s。
进一步地，本公开中还可以根据预设权重对所有的车轮转速进行加权处理，并获取加权结果。其中，预设权重可以根据实际情况进行设定。
S503、响应于平均值小于预设平均值阈值，则获取第二检测结果为静止。
需要说明的是，本公开中对于获取第二检测结果为静止的具体方式不作限定，可以根据实际情况进行选取。
需要说明的是，由于在基于轮速传感器获取车轮转速的过程中极可能存在噪声，由此，本公开中，可以预设设定预设平均值阈值，并将平均值与平均值阈值进行比较。
可选地，响应于平均值小于预设平均值阈值，则可以确定第二检测结果为静止；响应于平均值不小于预设平均值阈值，则可以确定第二检测结果为非静止。
针对惯性传感器，作为一种可能的实现方式，如图6所示，在上述实施例的基础上，上述步骤S202中获取其余车辆状态检测装置的第二检测结果的具体过程，包括以下步骤：
S601、获取惯性传感器在预设时长内获取到的所有的线加速度以及所有的线加速度的标准差。
其中，惯性传感器，包括：用于测量角速度的陀螺仪和用于测量线加速度加速度计。当车辆处于静止状态时，线加速度接近于0。
由此，本公开中可利用惯性传感器中的加速度计，获取在预设时长内获取到的所有的线加速度。其中，线加速度，指的是描述刚体线速度的大小和方向对时间变化率的物理量。进一步地，可以根据所有的线加速度，获取对应的标准差。其中，预设时长可以根据实际情况而定。例如，可以设置预设时长为5s、10s等。
举例而言，当获取到的所有线加速度为V5m2/s、V6m2/s、V7m2/s、V8m2/s时，则所有线加速度的平均值线加速度的标准差为/>
S602、响应于标准差小于预设标准差阈值，则获取第二检测结果为静止。
在本公开实施例中，在获取到标准差后，可以将标准差与预先设定的标准差阈值进行比较。可选地，响应于标准差小于预设标准差阈值，则可以确定第二检测结果为静止；响应于标准差大于或者等于预设标准差阈值，则可以确定第二检测结果为非静止。
举例而言，响应于标准差Sacc小于预设标准差阈值Sth，即Sacc<Sth，则可以确定第二检测结果为静止；响应于标准差Sacc不小于预设标准差阈值Sth，即Sacc≥Sth，则可以确定第二检测结果为非静止。
S203、根据第一检测结果的第一采样时刻和第二检测结果的第二采样时刻，获取第二检测结果的有效性识别结果。
作为一种可能的实现方式，如图7所示，在上述实施例的基础上，上述步骤S203中根据第一检测结果的第一采样时刻和第二检测结果的第二采样时刻，获取第二检测结果的有效性识别结果的具体过程，包括以下步骤：
S701、针对任一第二检测结果，获取对应的第二采样时刻与第一采样时刻之间的时间间隔。
以图像采集装置对应的第一检测结果和轮速传感器对应的第二检测结果为例，当第一采样时刻为第0.10s，第二采样时刻分别为第0.08s和第0.11s时，第二采样时刻与第一采样时刻之间的时间间隔分别为0.02s和0.01s。
S702、响应于时间间隔大于或者等于对应的目标检测周期的一半，则确定任一第二检测结果的有效性识别结果为不可用，其中，目标检测周期为用于检测任一第二检测结果的检测周期。
需要说明的是，目标检测周期为用于检测任一第二检测结果的检测周期，即惯性传感器或者轮速传感器的检测周期，其中，惯性传感器和轮速传感器可能对应不同的目标检测周期。
S703、响应于时间间隔小于目标检测周期的一半，则确定第二检测结果的有效性识别结果为可用。
以图像采集装置对应的第一检测结果和轮速传感器对应的第二检测结果为例，当获取到轮速传感器的检测周期(目标检测周期)为0.03s时、第二采样时刻与第一采样时刻之间的时间间隔分别为0.02s和0.01秒时，第0.08s采集到的第二检测结果对应的时间间隔大于对应的目标检测周期的一半，则确定第0.08s采集到的第二检测结果的有效性识别结果为不可用，且和第0.11s采集到的第二检测结果对应的时间间隔小于对应的目标检测周期的一半，则确定第0.11s采集到的第二检测结果的有效性识别结果为可用。
进一步地，响应于第二检测结果的有效性识别结果为不可用，则可以获取周期最长的车辆状态检测装置下一个周期的第一检测结果，以及其余车辆状态检测装置下一个周期的第二检测结果，重新进行识别。
S204、响应于所有的有效性识别结果均为可用，则获取第一检测结果的第一置信度。
作为一种可能的实现方式，如图8所示，在上述实施例的基础上，上述步骤S204中获取第一检测结果的第一置信度的具体过程，包括以下步骤：
S801、获取由任意两个连续图像组成的图像对的第二数量。
其中，任意两个连续图像组成的图像对的第二数量，与上述实施例中提出的位移差值的总数一致。
S802、获取位移差值小于预设位移差值阈值的图像对的第三数量。
S803、获取第三数量和第二数量之间的比值，并将比值作为第一置信度。
举例而言，当获取到的第三数量为x，第二数量为y时，第一置信度pvis＝y/x。
S205、获取第二检测结果的第二置信度。
针对轮速传感器，作为一种可能的实现方式，如图9所示，在上述实施例的基础上，上述步骤S205中获取第二检测结果的第二置信度的具体过程，包括以下步骤：
S901、获取预先设定的轮速传感器对应的第一膨胀系数。
其中，第一膨胀系数，指的是起到膨胀作用的参数，可以从第一目标范围内选取任一常数作为第一膨胀系数。
举例而言，当第一目标范围为4～7时，可以取6作为第一膨胀系数。
S902、根据第一膨胀系数、平均值以及预设平均值阈值，获取第二置信度。
本公开实施例中，在获取到第一膨胀系数、平均值以及预设平均值阈值后，可以根据以下公式获取第二置信度pws：
pws＝1–(vmean/vth)a
其中，vmean为车轮转速的平均值、vth为预设平均值阈值、a为第一膨胀系数。
针对惯性传感器，作为一种可能的实现方式，如图10所示，在上述实施例的基础上，上述步骤S205中获取第二检测结果的第二置信度的具体过程，包括以下步骤：
S1001、获取预先设定的惯性传感器对应的第二膨胀系数。
其中，第二膨胀系数，指的是起到膨胀作用的参数，可以从第二目标范围内选取任一常数作为第二膨胀系数，第二目标范围可以与第一目标范围一致，第二膨胀系数可以与第一膨胀系数一致。
举例而言，当第二目标范围为4～7时，可以取6作为第二膨胀系数。
S1002、根据第二膨胀系数、标准差以及预设标准差阈值，获取第二置信度。
本公开实施例中，在获取到第二膨胀系数、标准差以及预设标准差阈值后，可以根据以下公式获取第二置信度pimu：
pimu＝1–(Sacc/Sth)b
其中，b为第二膨胀系数、Sacc为所有的线加速度的标准差、Sth为预设标准差阈值。
S206、根据第一检测结果、第二检测结果、第一置信度和第二置信度，获取车辆的静止状态识别结果。
作为一种可能的实现方式，如图11所示，在上述实施例的基础上，上述步骤S206中根据第一检测结果、第二检测结果、第一置信度和第二置信度，获取车辆的静止状态识别结果的具体过程，包括以下步骤：
S1101、响应于第一检测结果和第二检测结果均为静止，则静止状态识别结果为静止。
在本公开实施例中，响应于第一检测结果和第二检测结果均为静止，说明所有的参与识别过程的传感器的检测结果一致且均为静止，则可以直接获取多传感器的融合结果，以确定静止状态识别结果为静止。
S1102、响应于第一检测结果和第二检测结果中的任一检测结果为非静止，则获取第一置信度所处的第一置信度区间和第二置信度所处的第二置信度区间，并根据第一置信度区间和第二置信度区间，获取静止状态识别结果。
在本公开实施例中，响应于第一检测结果和第二检测结果中的任一检测结果为非静止，说明第一检测结果和第二检测结果非均为静止，则可以进一步对第一检测结果和第二检测结果进行融合，以确定静止状态识别结果为静止。
作为一种可能的实现方式，可以根据本公开中预先划分的置信度区间，获取第一置信度所处的第一置信度区间和第二置信度所处的第二置信度区间。
进一步地，可以根据第一置信度区间和第二置信度区间，获取静止状态识别结果。
以图12为例，其中，bvis、bws和bimu分别表示图像采集装置的第一检测结果、轮速传感器和惯性传感器的零速检测结果标志位的第二检测结果；pvis、pws和pimu分别表示图像采集装置的第一置信度、轮速传感器和惯性传感器的第二置信度；TRUE表示检测结果为静止；FALSE表示检测结果为非静止。
进一步地，由于用户对于静止状态识别结果准确度的容忍性度要远低于对于非静止状态识别结果准确度的容忍度，由此，静止状态识别通常更加适用于自动驾驶车辆的辅助定位。
根据本公开实施例的车辆状态的识别方法，能够不再依赖单一的车辆状态检测装置的检测结果作为依据，通过对多个车辆状态检测装置的检测结果进行融合的方式，能够更加准确、可靠地识别车辆是否处于静止状态。进一步地，能够基于更加准确的车辆静止状态识别结果，为辅助定位奠定了坚实的基础。
本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
与上述几种实施例提供的车辆状态的识别方法相对应，本公开的一个实施例还提供一种车辆状态的识别装置，由于本公开实施例提供的车辆状态的识别装置与上述几种实施例提供的车辆状态的识别方法相对应，因此在车辆状态的识别方法的实施方式也适用于本实施例提供的车辆状态的识别装置，在本实施例中不再详细描述。
图13是根据本公开一个实施例的车辆状态的识别装置的结构示意图。
如图13所示，该车辆状态的识别装置1300，包括：第一获取模块1301、第二获取模块1302，第三获取模块1303和第四获取模块1304，其中：
第一获取模块1301，用于获取周期最长的车辆状态检测装置当前周期的第一检测结果，以及其余车辆状态检测装置的第二检测结果；
第二获取模块1302，用于根据所述第一检测结果的第一采样时刻和所述第二检测结果的第二采样时刻，获取所述第二检测结果的有效性识别结果；
第三获取模块1303，用于响应于所有的所述有效性识别结果均为可用，则获取所述第一检测结果的第一置信度以及所述第二检测结果的第二置信度；
第四获取模块1304，用于根据所述第一检测结果、所述第二检测结果、所述第一置信度和所述第二置信度，获取所述车辆的静止状态识别结果。
其中，第二获取模块1302，还用于：
针对任一第二检测结果，获取对应的所述第二采样时刻与所述第一采样时刻之间的时间间隔；
响应于所述时间间隔大于或者等于对应的目标检测周期的一半，则确定所述任一第二检测结果的有效性识别结果为不可用，其中，所述目标检测周期为用于检测所述任一第二检测结果的检测周期；
响应于所述时间间隔小于所述目标检测周期的一半，则确定所述第二检测结果的有效性识别结果为可用。
其中，第三获取模块1303，还用于：
响应于所述第二检测结果的有效性识别结果为不可用，则获取所述周期最长的车辆状态检测装置下一个周期的第一检测结果，以及其余车辆状态检测装置下一个周期的第二检测结果。
其中，第一获取模块1301，还用于：
获取所述车辆的所述图像采集装置采集的至少两个连续图像；
获取任意两个连续图像之间的位移差值，并根据所述位移差值获取所述第一检测结果。
其中，第一获取模块1301，还用于：
响应于所有的所述位移差值均小于预设位移差值阈值，则确定所述第一检测结果为静止；或者，
响应于所有的所述位移差值未均小于所述预设位移差值阈值，则获取所述位移差值小于所述预设位移差值阈值的数量，在确定所述数量达到预设数量阈值时，确定所述第一检测结果为静止。
其中，第一获取模块1301，还用于：
对所述任意两个连续图像进行特征提取，并根据提取的特征对所述任意两个连续图像进行特征点匹配，以获取所述任意两个连续图像之间特征点匹配成功的特征点对；
对所述特征点对进行筛选，以获取目标特征点对；
获取所述目标特征点对的第一数量，并确定所述第一数量达到预设数量阈值。
其中，第三获取模块1303，还用于：
获取由所述任意两个连续图像组成的图像对的第二数量；
获取所述位移差值小于所述预设位移差值阈值的图像对的第三数量；
获取所述第三数量和所述第二数量之间的比值，并将所述比值作为所述第一置信度。
其中，第一获取模块1301，还用于：
获取所述轮速传感器采集的所述车辆的每个车轮对应的车轮转速；
获取所有的所述车轮转速的平均值；
响应于所述平均值小于预设平均值阈值，则获取所述第二检测结果为静止。
其中，第三获取模块1303，还用于：
获取预先设定的所述轮速传感器对应的第一膨胀系数；
根据所述第一膨胀系数、所述平均值以及所述预设平均值阈值，获取所述第二置信度。
其中，第一获取模块1301，还用于：
获取所述惯性传感器在预设时长内获取到的所有的线加速度以及所有的所述线加速度的标准差；
响应于所述标准差小于预设标准差阈值，则获取所述第二检测结果为静止。
其中，第三获取模块1303，还用于：
获取预先设定的所述惯性传感器对应的第二膨胀系数；
根据所述第二膨胀系数、所述标准差以及所述预设标准差阈值，获取所述第二置信度。
其中，第四获取模块1304，还用于：
响应于所述第一检测结果和所述第二检测结果均为静止，则所述静止状态识别结果为静止；
响应于所述第一检测结果和所述第二检测结果中的任一检测结果为非静止，则获取所述第一置信度所处的第一置信度区间和所述第二置信度所处的第二置信度区间，并根据所述第一置信度区间和所述第二置信度区间，获取所述静止状态识别结果。
根据本公开实施例的车辆状态识别装置，通过获取周期最长的车辆状态检测装置当前周期的第一检测结果，以及其余车辆状态检测装置的第二检测结果，并根据第一检测结果的第一采样时刻和第二检测结果的第二采样时刻，获取第二检测结果的有效性识别结果，当响应于所有的有效性识别结果均为可用，则获取第一检测结果的第一置信度以及第二检测结果的第二置信度，最后根据第一检测结果、第二检测结果、第一置信度和第二置信度，获取车辆的静止状态识别结果。由此，本公开提出的车辆状态识别方法能够不再依赖单一的车辆状态检测装置的检测结果作为依据，通过对多个车辆状态检测装置的检测结果进行融合的方式，能够更加准确、可靠地识别车辆是否处于静止状态。
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14示出了可以用来实施本公开的实施例的示例电子设备1400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/或者要求的本公开的实现。
如图14所示，设备1400包括计算单元1401，其可以根据存储在只读存储器(ROM)1402中的计算机程序或者从存储单元1408加载到随机访问存储器(RAM)1403中的计算机程序，来执行各种适当的动作和处理。在RAM 1403中，还可存储设备1400操作所需的各种程序和数据。计算单元1401、ROM 1402以及RAM 1403通过总线1404彼此相连。输入/输出(I/O)接口1405也连接至总线1404。
设备1400中的多个部件连接至I/O接口1405，包括：输入单元1406，例如键盘、鼠标等；输出单元1407，例如各种类型的显示器、扬声器等；存储单元1408，例如磁盘、光盘等；以及通信单元1409，例如网卡、调制解调器、无线通信收发机等。通信单元1409允许设备1400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1401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1401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1401执行上文所描述的各个方法和处理，例如车辆状态的识别方法。例如，在一些实施例中，车辆状态的识别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1408。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1402和/或通信单元1409而被载入和/或安装到设备1400上。当计算机程序加载到RAM 1403并由计算单元1401执行时，可以执行上文描述的车辆状态的识别方法的一个或多个步骤。备选地，在其他实施例中，计算单元1401可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行车辆状态的识别方法。
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)、互联网以及区块链网络。
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，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。
本公开还提供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，实现如上所述的车辆状态的识别方法。
如图15所示，本公开还提供一种自动驾驶车辆1500，包括如本公开第三方面实施例所述的电子设备1400。
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 (23)

1.一种车辆状态的识别方法，包括：
获取周期最长的车辆状态检测装置当前周期的第一检测结果，以及其余车辆状态的检测装置的第二检测结果；
针对任一第二检测结果，获取对应的第二采样时刻与所述第一检测结果的第一采样时刻之间的时间间隔；
响应于所述时间间隔大于或者等于对应的目标检测周期的一半，则确定所述任一第二检测结果的有效性识别结果为不可用，其中，所述目标检测周期为用于检测所述任一第二检测结果的检测周期；
响应于所述时间间隔小于所述目标检测周期的一半，则确定所述第二检测结果的有效性识别结果为可用；
响应于所有的所述有效性识别结果均为可用，则获取所述第一检测结果的第一置信度以及所述第二检测结果的第二置信度；
响应于所述第一检测结果和所述第二检测结果均为静止，则车辆的静止状态识别结果为静止；
响应于所述第一检测结果和所述第二检测结果中的任一检测结果为非静止，则获取所述第一置信度所处的第一置信度区间和所述第二置信度所处的第二置信度区间，并根据所述第一置信度区间和所述第二置信度区间，获取所述车辆的静止状态识别结果。
2.根据权利要求1所述的识别方法，其中，所述方法还包括：
响应于所述第二检测结果的有效性识别结果为不可用，则获取所述周期最长的车辆状态检测装置下一个周期的第一检测结果，以及其余车辆状态的检测装置下一个周期的第二检测结果。
3.根据权利要求1所述的识别方法，其中，所述周期最长的检测装置为图像采集装置，所述获取周期最长的检测装置的第一检测结果，包括：
获取所述车辆的所述图像采集装置采集的至少两个连续图像；
获取任意两个连续图像之间的位移差值，并根据所述位移差值获取所述第一检测结果。
4.根据权利要求3所述的识别方法，其中，所述根据所述位移差值获取所述第一检测结果，包括：
响应于所有的所述位移差值均小于预设位移差值阈值，则确定所述第一检测结果为静止；或者，
响应于所有的所述位移差值未均小于所述预设位移差值阈值，则获取所述位移差值小于所述预设位移差值阈值的数量，在确定所述数量达到预设数量阈值时，确定所述第一检测结果为静止。
5.根据权利要求3所述的识别方法，其中，所述获取所述车辆的所述图像采集装置采集的至少两个连续图像之后，还包括：
对所述任意两个连续图像进行特征提取，并根据提取的特征对所述任意两个连续图像进行特征点匹配，以获取所述任意两个连续图像之间特征点匹配成功的特征点对；
对所述特征点对进行筛选，以获取目标特征点对；
获取所述目标特征点对的第一数量，并确定所述第一数量达到预设数量阈值。
6.根据权利要求4中所述的识别方法，其中，所述获取所述第一检测结果的第一置信度，包括：
获取由所述任意两个连续图像组成的图像对的第二数量；
获取所述位移差值小于所述预设位移差值阈值的图像对的第三数量；
获取所述第三数量和所述第二数量之间的比值，并将所述比值作为所述第一置信度。
7.根据权利要求1所述的识别方法，其中，所述其余车辆状态的检测装置为轮速传感器，获取其余检测装置的第二检测结果，包括：
获取所述轮速传感器采集的所述车辆的每个车轮对应的车轮转速；
获取所有的所述车轮转速的平均值；
响应于所述平均值小于预设平均值阈值，则获取所述第二检测结果为静止。
8.根据权利要求7所述的识别方法，其中，所述获取所述第二检测结果对应的第二置信度，包括：
获取预先设定的所述轮速传感器对应的第一膨胀系数；
根据所述第一膨胀系数、所述平均值以及所述预设平均值阈值，获取所述第二置信度。
9.根据权利要求2所述的识别方法，其中，所述其余车辆状态的检测装置为惯性传感器，所述获取其余车辆状态的检测装置的第二检测结果，包括：
获取所述惯性传感器在预设时长内获取到的所有的线加速度以及所有的所述线加速度的标准差；
响应于所述标准差小于预设标准差阈值，则获取所述第二检测结果为静止。
10.根据权利要求9所述的识别方法，其中，所述获取所述第二检测结果对应的第二置信度，包括：
获取预先设定的所述惯性传感器对应的第二膨胀系数；
根据所述第二膨胀系数、所述标准差以及所述预设标准差阈值，获取所述第二置信度。
11.一种车辆状态的识别装置，包括：
第一获取模块，用于获取周期最长的车辆状态检测装置当前周期的第一检测结果，以及其余车辆状态的检测装置的第二检测结果；
第二获取模块，用于根据所述第一检测结果的第一采样时刻和所述第二检测结果的第二采样时刻，获取所述第二检测结果的有效性识别结果；
第三获取模块，用于响应于所有的所述有效性识别结果均为可用，则获取所述第一检测结果的第一置信度以及所述第二检测结果的第二置信度；
第四获取模块，用于根据所述第一检测结果、所述第二检测结果、所述第一置信度和所述第二置信度，获取所述车辆的静止状态识别结果；
所述第二获取模块，还用于：
针对任一第二检测结果，获取对应的所述第二采样时刻与所述第一采样时刻之间的时间间隔；
响应于所述时间间隔大于或者等于对应的目标检测周期的一半，则确定所述任一第二检测结果的有效性识别结果为不可用，其中，所述目标检测周期为用于检测所述任一第二检测结果的检测周期；
响应于所述时间间隔小于所述目标检测周期的一半，则确定所述第二检测结果的有效性识别结果为可用；
所述第四获取模块，还用于：
响应于所述第一检测结果和所述第二检测结果均为静止，则所述静止状态识别结果为静止；
响应于所述第一检测结果和所述第二检测结果中的任一检测结果为非静止，则获取所述第一置信度所处的第一置信度区间和所述第二置信度所处的第二置信度区间，并根据所述第一置信度区间和所述第二置信度区间，获取所述静止状态识别结果。
12.根据权利要求11所述的识别装置，其中，所述第三获取模块，还用于：
响应于所述第二检测结果的有效性识别结果为不可用，则获取所述周期最长的车辆状态检测装置下一个周期的第一检测结果，以及其余车辆状态的检测装置下一个周期的第二检测结果。
13.根据权利要求11所述的识别装置，其中，所述第一获取模块，还用于：
获取所述车辆的图像采集装置采集的至少两个连续图像；
获取任意两个连续图像之间的位移差值，并根据所述位移差值获取所述第一检测结果。
14.根据权利要求13所述的识别装置，其中，所述第一获取模块，还用于：
响应于所有的所述位移差值均小于预设位移差值阈值，则确定所述第一检测结果为静止；或者，
响应于所有的所述位移差值未均小于所述预设位移差值阈值，则获取所述位移差值小于所述预设位移差值阈值的数量，在确定所述数量达到预设数量阈值时，确定所述第一检测结果为静止。
15.根据权利要求13所述的识别装置，其中，所述第一获取模块，还用于：
对所述任意两个连续图像进行特征提取，并根据提取的特征对所述任意两个连续图像进行特征点匹配，以获取所述任意两个连续图像之间特征点匹配成功的特征点对；
对所述特征点对进行筛选，以获取目标特征点对；
获取所述目标特征点对的第一数量，并确定所述第一数量达到预设数量阈值。
16.根据权利要求14所述的识别装置，其中，所述第三获取模块，还用于：
获取由所述任意两个连续图像组成的图像对的第二数量；
获取所述位移差值小于所述预设位移差值阈值的图像对的第三数量；
获取所述第三数量和所述第二数量之间的比值，并将所述比值作为所述第一置信度。
17.根据权利要求11所述的识别装置，其中，所述第一获取模块，还用于：
获取轮速传感器采集的所述车辆的每个车轮对应的车轮转速；
获取所有的所述车轮转速的平均值；
响应于所述平均值小于预设平均值阈值，则获取所述第二检测结果为静止。
18.根据权利要求17所述的识别装置，其中，所述第三获取模块，还用于：
获取预先设定的所述轮速传感器对应的第一膨胀系数；
根据所述第一膨胀系数、所述平均值以及所述预设平均值阈值，获取所述第二置信度。
19.根据权利要求12所述的识别装置，其中，所述第一获取模块，还用于：
获取惯性传感器在预设时长内获取到的所有的线加速度以及所有的所述线加速度的标准差；
响应于所述标准差小于预设标准差阈值，则获取所述第二检测结果为静止。
20.根据权利要求19所述的识别装置，其中，所述第三获取模块，还用于：
获取预先设定的所述惯性传感器对应的第二膨胀系数；
根据所述第二膨胀系数、所述标准差以及所述预设标准差阈值，获取所述第二置信度。
21.一种电子设备，其特征在于，包括处理器和存储器；
其中，所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于实现如权利要求1-10中任一项所述的车辆状态的识别方法。
22.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-10中任一项所述的车辆状态的识别方法。
23.一种自动驾驶车辆，包括如权利要求21所述的电子设备。
CN202111229383.6A 2021-10-21 2021-10-21 自动驾驶车辆状态的识别方法、装置、电子设备及车辆 Active CN114120252B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111229383.6A CN114120252B (zh) 2021-10-21 2021-10-21 自动驾驶车辆状态的识别方法、装置、电子设备及车辆

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111229383.6A CN114120252B (zh) 2021-10-21 2021-10-21 自动驾驶车辆状态的识别方法、装置、电子设备及车辆

Publications (2)

Publication Number Publication Date
CN114120252A CN114120252A (zh) 2022-03-01
CN114120252B true CN114120252B (zh) 2023-09-01

Family

ID=80376423

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111229383.6A Active CN114120252B (zh) 2021-10-21 2021-10-21 自动驾驶车辆状态的识别方法、装置、电子设备及车辆

Country Status (1)

Country Link
CN (1) CN114120252B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114972824B (zh) * 2022-06-24 2023-07-14 小米汽车科技有限公司 杆件检测方法、装置、车辆和存储介质

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011033604A (ja) * 2009-08-06 2011-02-17 Pioneer Electronic Corp 停車判定装置、停車判定方法、停車判定プログラム及び記憶媒体
WO2012029052A1 (en) * 2010-09-04 2012-03-08 Cgs S.P.A. Compagnia Generale Per Lo Spazio Device and method to estimate the state of a moving vehicle
CN104812638A (zh) * 2012-11-24 2015-07-29 丰田自动车株式会社 车辆状态判定装置、车辆状态判定方法及运转操作诊断装置
CN107615211A (zh) * 2015-05-23 2018-01-19 深圳市大疆创新科技有限公司 使用惯性传感器和图像传感器的传感器融合
CN108290579A (zh) * 2015-11-04 2018-07-17 祖克斯有限公司 用于自主车辆的模拟系统和方法
CN108646262A (zh) * 2018-03-27 2018-10-12 斑马网络技术有限公司 车辆状态监测方法、设备、存储介质及车辆
CN109855617A (zh) * 2019-02-28 2019-06-07 深圳市元征科技股份有限公司 一种车辆定位方法、车辆定位装置及终端设备
CN109900490A (zh) * 2017-12-11 2019-06-18 上海交通大学 基于自主式和协同式传感器的车辆运动状态检测方法及系统
CN110286366A (zh) * 2019-05-31 2019-09-27 中国人民解放军国防科技大学 一种视觉与雷达协同感知的车辆运动状态信息提取方法
CN110702104A (zh) * 2019-09-27 2020-01-17 同济大学 一种基于车辆零速检测的惯性导航误差修正方法
CN110834642A (zh) * 2019-11-04 2020-02-25 中国第一汽车股份有限公司 车辆跑偏识别方法、装置、车辆及存储介质
CN112083725A (zh) * 2020-09-04 2020-12-15 湖南大学 一种面向自动驾驶车辆的结构共用多传感器融合定位系统
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
CN112579464A (zh) * 2020-12-25 2021-03-30 北京百度网讯科技有限公司 自动驾驶算法的校验方法、装置、设备以及存储介质
CN112577526A (zh) * 2020-12-29 2021-03-30 武汉中海庭数据技术有限公司 一种多传感器融合定位的置信度计算方法及系统
CN112762944A (zh) * 2020-12-25 2021-05-07 上海商汤临港智能科技有限公司 零速区间检测及零速更新方法
CN112782743A (zh) * 2021-02-08 2021-05-11 深圳市发掘科技有限公司 一种车辆定位方法、装置、计算机设备及存储介质
CN113029129A (zh) * 2021-03-25 2021-06-25 北京百度网讯科技有限公司 车辆的定位信息的确定方法、装置、存储介质及程序产品
CN113119726A (zh) * 2021-04-25 2021-07-16 宝能(广州)汽车研究院有限公司 车辆驾驶安全监测方法、装置、设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3109212B1 (fr) * 2020-04-14 2022-03-18 Commissariat Energie Atomique Procede d’identification d’une phase statique d’un vehicule

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011033604A (ja) * 2009-08-06 2011-02-17 Pioneer Electronic Corp 停車判定装置、停車判定方法、停車判定プログラム及び記憶媒体
WO2012029052A1 (en) * 2010-09-04 2012-03-08 Cgs S.P.A. Compagnia Generale Per Lo Spazio Device and method to estimate the state of a moving vehicle
CN104812638A (zh) * 2012-11-24 2015-07-29 丰田自动车株式会社 车辆状态判定装置、车辆状态判定方法及运转操作诊断装置
CN107615211A (zh) * 2015-05-23 2018-01-19 深圳市大疆创新科技有限公司 使用惯性传感器和图像传感器的传感器融合
CN108290579A (zh) * 2015-11-04 2018-07-17 祖克斯有限公司 用于自主车辆的模拟系统和方法
CN109900490A (zh) * 2017-12-11 2019-06-18 上海交通大学 基于自主式和协同式传感器的车辆运动状态检测方法及系统
CN108646262A (zh) * 2018-03-27 2018-10-12 斑马网络技术有限公司 车辆状态监测方法、设备、存储介质及车辆
CN109855617A (zh) * 2019-02-28 2019-06-07 深圳市元征科技股份有限公司 一种车辆定位方法、车辆定位装置及终端设备
CN110286366A (zh) * 2019-05-31 2019-09-27 中国人民解放军国防科技大学 一种视觉与雷达协同感知的车辆运动状态信息提取方法
CN110702104A (zh) * 2019-09-27 2020-01-17 同济大学 一种基于车辆零速检测的惯性导航误差修正方法
CN110834642A (zh) * 2019-11-04 2020-02-25 中国第一汽车股份有限公司 车辆跑偏识别方法、装置、车辆及存储介质
CN112083725A (zh) * 2020-09-04 2020-12-15 湖南大学 一种面向自动驾驶车辆的结构共用多传感器融合定位系统
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
CN112579464A (zh) * 2020-12-25 2021-03-30 北京百度网讯科技有限公司 自动驾驶算法的校验方法、装置、设备以及存储介质
CN112762944A (zh) * 2020-12-25 2021-05-07 上海商汤临港智能科技有限公司 零速区间检测及零速更新方法
CN112577526A (zh) * 2020-12-29 2021-03-30 武汉中海庭数据技术有限公司 一种多传感器融合定位的置信度计算方法及系统
CN112782743A (zh) * 2021-02-08 2021-05-11 深圳市发掘科技有限公司 一种车辆定位方法、装置、计算机设备及存储介质
CN113029129A (zh) * 2021-03-25 2021-06-25 北京百度网讯科技有限公司 车辆的定位信息的确定方法、装置、存储介质及程序产品
CN113119726A (zh) * 2021-04-25 2021-07-16 宝能(广州)汽车研究院有限公司 车辆驾驶安全监测方法、装置、设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
熊璐 等.基于惯性测量单元/轮速融合的车辆零速检测方法.吉林大学学报(工学版)网络首发.2019,1-5. *

Also Published As

Publication number Publication date
CN114120252A (zh) 2022-03-01

Similar Documents

Publication Publication Date Title
EP3581890B1 (en) Method and device for positioning
CN113221677B (zh) 一种轨迹异常检测方法、装置、路侧设备和云控平台
CN111649739B (zh) 定位方法和装置、自动驾驶车辆、电子设备和存储介质
CN112526999B (zh) 速度规划方法、装置、电子设备和存储介质
EP3940665A1 (en) Detection method for traffic anomaly event, apparatus, program and medium
CN113378712B (zh) 物体检测模型的训练方法、图像检测方法及其装置
CN110969145A (zh) 一种遥感图像匹配优化方法、装置、电子设备及存储介质
CN111721305B (zh) 定位方法和装置、自动驾驶车辆、电子设备和存储介质
CN114120252B (zh) 自动驾驶车辆状态的识别方法、装置、电子设备及车辆
CN113947188A (zh) 目标检测网络的训练方法和车辆检测方法
EP4145408A1 (en) Obstacle detection method and apparatus, autonomous vehicle, device and storage medium
CN113705716B (zh) 图像识别模型训练方法、设备、云控平台及自动驾驶车辆
CN112966599B (zh) 关键点识别模型的训练方法、关键点识别方法及装置
CN115578431B (zh) 图像深度处理方法、装置、电子设备及介质
CN115727871A (zh) 一种轨迹质量检测方法、装置、电子设备和存储介质
CN116358584A (zh) 一种自动驾驶车辆路径规划方法、装置、设备及介质
KR101870542B1 (ko) 모션 인식 방법 및 장치
CN116258769B (zh) 一种定位校验方法、装置、电子设备和存储介质
CN115583243B (zh) 确定车道线信息的方法、车辆控制方法、装置和设备
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
CN117168470A (zh) 一种定位信息的确定方法、装置、电子设备和存储介质
CN116977524A (zh) 一种三维地图构建方法、装置、电子设备及存储介质
CN117289238A (zh) 一种激光雷达建图优化方法、装置、设备及介质
CN116309858A (zh) 相机外参的处理方法及装置、电子设备及自动驾驶车辆
CN116353627A (zh) 车辆规划控制方法及装置、电子设备及车辆

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