CN114274979A - 自动驾驶的目标关注度等级判别方法、装置及存储介质 - Google Patents
自动驾驶的目标关注度等级判别方法、装置及存储介质 Download PDFInfo
- Publication number
- CN114274979A CN114274979A CN202210015665.4A CN202210015665A CN114274979A CN 114274979 A CN114274979 A CN 114274979A CN 202210015665 A CN202210015665 A CN 202210015665A CN 114274979 A CN114274979 A CN 114274979A
- Authority
- CN
- China
- Prior art keywords
- target
- detection
- determining
- attention
- key
- 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 56
- 238000001514 detection method Methods 0.000 claims abstract description 215
- 238000005192 partition Methods 0.000 claims abstract description 109
- 238000000638 solvent extraction Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012850 discrimination method Methods 0.000 claims description 4
- 230000000903 blocking effect Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 11
- 230000006399 behavior Effects 0.000 abstract description 9
- 238000004891 communication Methods 0.000 abstract description 7
- 230000008447 perception Effects 0.000 abstract description 7
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 13
- 230000003287 optical effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明实施例公开了一种自动驾驶的目标关注度等级判别方法、装置及存储介质。目标关注度等级判别方法包括：获取激光雷达的检测视场角，将检测视场角划分为N个分区；获取分区内的检测目标，并确定检测目标对应的分区编号，且定义检测目标为分区内的已有目标；若分区内没有其他目标，则确定已有目标为关键关注目标；若分区内有其他目标，则定义其他目标为当前目标；根据已有目标与当前目标的遮挡情况，确定关键关注目标与潜在关注目标。本发明实施例能够加强感知目标间的联系，降低后续环节的数据处理压力和自动驾驶的整体通信负载压力，有利于将感知目标信息转换为有效的即时驾驶行为，进而保障自动驾驶的安全性和运行实时性。
Description
技术领域
本发明实施例涉及自动驾驶技术领域，尤其涉及一种自动驾驶的目标关注度等级判别方法、装置及存储介质。
背景技术
在城市背景下，自动驾驶系统能够通过传感器感知周围环境中的目标信息，例如车辆等动态目标信息，以及指示牌等静态目标信息。上述目标信息是自动驾驶系统执行决策规划、行驶控制和环境预测等后续环节的重要基础。
在现有技术中，通用的目标信息处理方法是：将已感知到的全部目标信息记录并下发至下游，由下游依据特定规则对全部目标信息进行筛选、处理和利用，以为自动驾驶系统执行后续环节提供目标信息参考。
对于现有的目标信息处理方法，首先，该方法传输至后续环节的目标信息过多，自动驾驶系统的整体通信负载压力过大，影响自动驾驶系统的实时性和安全性。其次，该方法会导致各个感知目标间的联系相对孤立，难以与驾驶行为产生直接联系。复次，由于自动驾驶系统需要处理的目标信息量过大，自动驾驶系统难以将感知目标信息转换为有效的即时驾驶行为。最后，当城市环境出现拥挤状况，感知目标信息繁多冗杂时，自动驾驶系统在自动计算行驶路线的过程中容易产生混淆，甚至计算出错误的行驶路线。
发明内容
本发明实施例提供一种自动驾驶的目标关注度等级判别方法、装置及存储介质，以加强感知目标间的联系，降低后续环节的数据处理压力和自动驾驶的整体通信负载压力，有利于将感知目标信息转换为有效的即时驾驶行为，进而保障自动驾驶的安全性和运行实时性。
第一方面，本发明实施例提供了一种自动驾驶的目标关注度等级判别方法，包括：
获取激光雷达的检测视场角，将所述检测视场角划分为N个分区；
获取所述分区内的检测目标，并确定所述检测目标对应的分区编号，且定义所述检测目标为所述分区内的已有目标；
若所述分区内没有其他目标，则确定所述已有目标为关键关注目标；
若所述分区内有其他目标，则定义所述其他目标为当前目标；根据所述已有目标与所述当前目标的遮挡情况，确定关键关注目标与潜在关注目标；其中，所述关键关注目标的目标关注度等级高于所述潜在关注目标的目标关注度等级。
可选地，所述已有目标与所述当前目标的遮挡情况，包括以下情况中的至少一种：
所述当前目标被完全遮挡，则确定所述当前目标为潜在关注目标；
所述当前目标将所述已有目标完全遮挡，则确定当前目标为关键关注目标，所述已有目标更改为潜在关注目标；
所述当前目标被部分遮挡，则确定所述当前目标为关键关注目标。
可选地，在判断所述分区内的已有目标与所述当前目标的遮挡情况之后，还包括：
根据所述检测视场角内的全部检测目标与所述关键关注目标的遮挡情况，重新确定所述关键关注目标的目标关注度等级；
若所述关键关注目标被所有与其相交且距离激光雷达更近的检测目标完全遮挡，则将所述关键关注目标更改为潜在关注目标。
可选地，所述检测目标对应的分区数量为至少一个，分别在所述检测目标对应的全部所述分区内判断是否存在其他目标。
可选地，以沿行进方向，与激光雷达的距离由近至远的遍历检测目标的方式，获取所述分区内的检测目标。
可选地，所述检测视场角的角度α和所述分区的角度β满足如下关系式：
α＝β·N。
可选地，确定所述检测目标对应的分区编号，包括：
根据所述检测目标的坐标、尺寸和朝向角，确定所述检测目标的顶点坐标；其中，所述顶点坐标为所述检测目标的最小包围框的四个顶点的坐标；
将所述顶点坐标转换到极坐标下，并确定所述检测目标在所述检测视场中的最小角度和最大角度；
根据所述最小角度和最大角度，确定所述检测目标对应的分区编号。
第二方面，本发明实施例还提供了一种自动驾驶的目标关注度等级判别装置，包括：
分区模块，用于获取检测视场角，将所述检测视场角划分为N个分区；
已有目标确定模块，用于获取所述分区内的检测目标，并确定所述检测目标对应的分区编号，且定义所述检测目标为所述分区内的已有目标；
第一等级判别模块，用于在所述分区内没有其他目标时，确定所述已有目标为关键关注目标；
第二等级判别模块，用于在所述分区内有其他目标时，定义所述其他目标为当前目标；根据所述已有目标与所述当前目标的遮挡情况，确定关键关注目标与潜在关注目标；其中，所述关键关注目标的目标关注度等级高于所述潜在关注目标的目标关注度等级。
第三方面，本发明实施例还提供了一种自动驾驶系统，所述自动驾驶系统包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
激光雷达，用于采集检测目标；所述激光雷达的检测视场角为预设角度；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明实施例中任一所述的自动驾驶的目标关注度等级判别方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例中任一所述的自动驾驶的目标关注度等级判别方法。
本发明实施例提供一种自动驾驶的目标关注度等级判别方法、装置及存储介质，该方法包括：获取激光雷达的检测视场角，将检测视场角划分为N个分区；获取分区内的检测目标，并确定检测目标对应的分区编号，且定义检测目标为分区内的已有目标；若分区内没有其他目标，则确定已有目标为关键关注目标；若分区内有其他目标，则定义其他目标为当前目标；根据已有目标与当前目标的遮挡情况，确定关键关注目标与潜在关注目标。该方法能够将激光雷达检测视场角分区内的各个检测目标分别定义为已有目标与当前目标，根据已有目标与当前目标的遮挡情况，确定目标的关注度等级。因此，本实施例提供的目标关注度等级判别方法，能够通过对各检测目标的定义及目标间遮挡情况的判断进一步加强目标间的联系，基于对自动驾驶存在直接影响的关键关注目标的筛选，有效降低了下游环节的数据处理压力和自动驾驶的整体通信负载压力，进而有利于将激光雷达感知的目标信息转换为有效的即时驾驶行为，保障了自动驾驶的安全性和运行实时性。此外，由于本实施例无需借助其他传感器，仅依据车载激光雷达感知的目标信息就能够完成目标关注度等级的判别，因而本实施例具备较强的算法独立性和普适性。
附图说明
图1是本发明实施例提供的一种自动驾驶的目标关注度等级判别方法的流程图；
图2是本发明实施例提供的一种激光雷达的检测视场分区示意图；
图3是本发明实施例提供的一种自动驾驶的车辆目标关注度等级判别的示意图；
图4是本发明实施例提供的另一种自动驾驶的车辆目标关注度等级判别的示意图；
图5是本发明实施例提供的又一种自动驾驶的车辆目标关注度等级判别的示意图；
图6是本发明实施例提供的又一种自动驾驶的车辆目标关注度等级判别的示意图；
图7是本发明实施例提供的另一种自动驾驶的目标关注度等级判别方法的流程图；
图8是本发明实施例提供的又一种自动驾驶的车辆目标关注度等级判别的示意图；
图9是本发明实施例提供的又一种自动驾驶的目标关注度等级判别方法的流程图；
图10是本发明实施例提供的一种目标关注度等级判断的鸟瞰图；
图11是本发明实施例提供的又一种自动驾驶的目标关注度等级判别方法的流程图；
图12是本发明实施例提供的一种自动驾驶的目标关注度等级判别装置的结构示意图；
图13是本发明实施例提供的一种自动驾驶系统的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
图1是本发明实施例提供的一种自动驾驶的目标关注度等级判别方法的流程图。本实施例适用于复杂环境下的自动驾驶场景中，例如，无人驾驶或机器人巡检等。本实施例可以由自动驾驶的目标关注度等级判别装置来执行，该目标关注度等级判别装置可以由软件和/或硬件的方式实现，该目标关注度等级判别装置可以通过集成在自动驾驶系统中而集成于车辆内部。如图1所示，本实施例提供的自动驾驶的目标关注度等级判别方法包括如下步骤：
步骤110，获取激光雷达的检测视场角，将检测视场角划分为N个分区。
其中，激光雷达是一种以发射激光束探测目标的位置、速度等特征量的雷达系统，激光雷达的类型有多种，例如可以是基于直接飞行时间(direct Time of Flight，dToF)测距的激光雷达。
图2是本发明实施例提供的一种激光雷达的检测视场分区示意图。如图2所示，检测视场角是指从车辆的俯视角度来看。其中，各分区的角度可以相等也可以不等。优选地，将检测视场角N等分，检测视场角的角度α和分区的角度β满足如下关系式：
α＝β·N。
式中，N是分区的数量。
检测视场角以激光雷达O为中心，车辆的前进方向的角度为0°，激光雷达O的检测视场角的角度为360°。示例性地，N＝10，每个分区按照逆时针方向依次标记为0～9号扇形区域，分区的角度β为36°。优选地，激光雷达O需要检测的大多数目标的角度跨度较小，设定分区的角度β为1°。需要说明的是，分区的角度β可以根据用户的实际需求进行适应性调整，本发明实施例对此不进行限制。
步骤120，获取分区内的检测目标，并确定检测目标对应的分区编号，且定义检测目标为分区内的已有目标。
其中，分区内检测目标的数量可以为0、1、2或更多。检测目标可能位于一个分区内，还可能位于两个分区内，即检测目标的部分位于一个分区内，另外部分位于相邻的另一个分区内。
继续参见图2，示例性地，检测目标同时位于0号检测分区和9号检测分区内。此时，检测目标对应的分区数量为2，本实施例需要分别在0号检测分区和9号检测分区内判断是否存在其他目标。
步骤130，判断分区内是否有其他目标，若是，则执行步骤150，否则执行步骤140。
步骤140，确定已有目标为关键关注目标。
示例性地，图3是本发明实施例提供的一种自动驾驶的车辆目标关注度等级判别的示意图。如图3所示，当自车A的激光雷达O的一个分区内仅包含已有目标车辆B时，则确定该已有目标车辆B为关键关注对象，自车A能够根据已有目标车辆B的相关信息作出有效的即时驾驶行为，例如加速、减速、跟车或超车等，以保障自动驾驶的安全性和运行实时性。
步骤150，定义其他目标为当前目标；根据已有目标与当前目标的遮挡情况，确定关键关注目标与潜在关注目标；其中，关键关注目标的目标关注度等级高于潜在关注目标的目标关注度等级。
示例性地，图4是本发明实施例提供的另一种自动驾驶的车辆目标关注度等级判别的示意图。如图4所示，当自车A的激光雷达O的一个分区内包含除已有目标车辆B以外，还包含当前目标车辆C，需要判断已有目标车辆B和目标车辆C的关注度等级。由于当前目标车辆C被已有目标车辆B完全遮挡，已有目标车辆B更靠近自车A，认为当前目标车辆C的关注度等级低于已有目标车辆B，因此，确定当前目标车辆C为潜在关注对象，已有目标车辆B为关键关注对象。
本实施例所提供的自动驾驶的目标关注度等级判别方法包括：获取激光雷达的检测视场角，将检测视场角划分为N个分区；获取分区内的检测目标，并确定检测目标对应的分区编号，且定义检测目标为分区内的已有目标；若分区内没有其他目标，则确定已有目标为关键关注目标；若分区内有其他目标，则定义其他目标为当前目标；根据已有目标与当前目标的遮挡情况，确定关键关注目标与潜在关注目标。该方法能够将激光雷达检测视场角分区内的各个检测目标分别定义为已有目标与当前目标，并根据已有目标与当前目标的遮挡情况，确定目标的关注度等级。
与现有技术相比，本实施例提供的目标关注度等级判别方法，能够通过对各检测目标的定义及目标间遮挡情况的判断进一步加强目标间的联系，基于对自动驾驶存在直接影响的关键关注目标的筛选，有效降低了下游环节的数据处理压力和自动驾驶的整体通信负载压力，进而有利于自车将激光雷达感知的目标信息转换为有效的即时驾驶行为，保障了自动驾驶系统的安全性和运行实时性。此外，由于本实施例无需借助其他传感器，仅依据车载激光雷达感知的目标信息就能够完成目标关注度等级的判别，因而本实施例具备较强的算法独立性和普适性。
需要说明的是，本实施例示例性示出了目标关注度等级判别的对象为机动车，并不对本发明实施例构成限制。示例性地，目标关注度等级判别的对象还可以是非机动车、行人、绿化带、花坛、路灯、标杆或标志牌等。此外，本发明实施例不限于对相同类别的对象进行目标关注度等级判别。示例性地，本发明实施例可以同时根据机动车、非机动车、行人、绿化带、花坛、路灯、标杆及标志牌等对象的遮挡情况对目标关注度等级进行判别。
在上述各实施例的基础上，可选地，在步骤120中，以沿行进方向，与激光雷达的距离由近至远的遍历检测目标的方式，获取分区内的检测目标。或者，以沿行进方向，与激光雷达的距离由远至近的遍历检测目标的方式，获取分区内的检测目标。
其中，以沿车辆行进方向，与激光雷达的距离由近至远的遍历检测目标的方式来获取分区内的检测目标更契合自动驾驶的检测需求。这样因为，自动驾驶系统能够优先获取行进方向上靠近用户车辆的检测目标的相关信息，进而计算出可靠的行驶路线，并转换为有效的即时驾驶行为。
在上述各实施例的基础上，可选地，在步骤120中，检测目标对应的分区数量为至少一个，需要在后续步骤中，分别在检测目标对应的全部分区内判断是否存在其他目标。示例性地，若检测目标对应的分区数量为一个，则在检测目标对应的一个分区内判断是否存在其他目标；若检测目标对应的分数数量为两个，则在检测目标对应的两个分区内判断是否存在其他目标，而不是仅在其中的一个分区内判断是否存在其他目标。
在上述各实施例的基础上，可选地，在步骤150中，已有目标与当前目标的遮挡情况，包括以下情况中的至少一种：当前目标被完全遮挡，则确定当前目标为潜在关注目标；当前目标将已有目标完全遮挡，则确定当前目标为关键关注目标，已有目标更改为潜在关注目标；当前目标被部分遮挡，则确定当前目标为关键关注目标。
示例性地，继续参见图4，当自车A的激光雷达O的一个分区内包含除已有目标车辆B以外，还包含当前目标车辆C，需要判断已有目标车辆B和目标车辆C的关注度等级。由于当前目标车辆C被已有目标车辆B完全遮挡，已有目标车辆B更靠近自车A，认为当前目标车辆C的关注度等级低于已有目标车辆B，因此，确定当前目标车辆C为潜在关注对象，已有目标车辆B为关键关注对象。
示例性地，图5是本发明实施例提供的又一种自动驾驶的车辆目标关注度等级判别的示意图。如图5所示，当自车A的激光雷达O的一个分区内包含除已有目标车辆B以外，还包含当前目标车辆C，需要判断已有目标车辆B和目标车辆C的关注度等级。由于当前目标车辆C将已有目标车辆B完全遮挡，当前目标车辆C更靠近自车A，认为当前目标车辆C的关注度等级高于已有目标车辆B，因此，确定当前目标车辆C为关键关注对象，已有目标车辆B为潜在关注对象。
示例性地，图6是本发明实施例提供的又一种自动驾驶的车辆目标关注度等级判别的示意图。如图6所示，当自车A的激光雷达O的一个分区内包含除已有目标车辆B1、B2和B3以外，还包含当前目标车辆C，需要判断已有目标车辆B1、B2、B3和目标车辆C的关注度等级。由于当前目标车辆C被已有目标车辆B1和B3部分遮挡，当前目标车辆C的行驶状态会对自车A产生影响，认为当前目标车辆C的关注度等级与已有目标车辆B1、B2和B3相同。因此，确定已有目标车辆B1、B2、B3和当前目标车辆C均为关键关注对象。
图7是本发明实施例提供的另一种自动驾驶的目标关注度等级判别方法的流程图。如图7所示，本实施例提供的自动驾驶的目标关注度等级判别方法具体包括如下步骤：
步骤710，获取激光雷达的检测视场角，将检测视场角划分为N个分区。
步骤720，获取分区内的检测目标，并确定检测目标对应的分区编号，且定义检测目标为分区内的已有目标。
步骤730，判断分区内是否有其他目标，若是，则执行步骤750，否则执行步骤740。
步骤740，确定已有目标为关键关注目标。
步骤750，定义其他目标为当前目标；根据已有目标与当前目标的遮挡情况，确定关键关注目标与潜在关注目标；其中，关键关注目标的目标关注度等级高于潜在关注目标的目标关注度等级。
步骤760，根据检测视场角内的全部检测目标与关键关注目标的遮挡情况，重新确定关键关注目标的目标关注度等级。
其中，在上述各步骤中确定的关键关注目标为分区确定的，也就是说，关键关注目标为该分区内的关注度等级较高的目标。但是从全部分区来看，部分关键关注目标并非关注度等级较高。
示例性地，图8是本发明实施例提供的又一种自动驾驶的车辆目标关注度等级判别的示意图。如图8所示，当自车A的激光雷达O的分区I和II内包含除已有目标车辆B以外，还包含当前目标车辆C，需要分区判断已有目标车辆B和目标车辆C的关注度等级。可知地，由于当前目标车辆C在分区I被已有目标车辆B部分遮挡，因而可以确定当前目标车辆C在分区I中为关键关注对象；但是，由于当前目标车辆C在分区II被已有目标车辆B完全遮挡，因而可以确定当前目标车辆C在分区II中为潜在关注对象。在这种情况下，本发明实施例可以根据分区I和II中当前目标车辆C的被遮挡程度适应性判断该车辆的关注度等级。可以理解的是，图8分区I中当前目标车辆C的被遮挡程度较高，则从全部分区来看，当前目标车辆C对自车A的实际影响较小，可以确定当前目标车辆C为潜在关注对象。
步骤770，判断关键关注目标是否被检测视场角内的全部其他检测目标遮挡，若是，则执行步骤790，否则执行步骤780。
步骤780，保持该检测目标为关键关注目标。
步骤790，将关键关注目标更改为潜在关注目标。
本发明实施例增加了对检测视场角内的全部检测目标的关注度等级的综合考量，进一步增强了检测的准确性，还有利于将感知目标信息转换为有效的即时驾驶行为，保障自动驾驶的安全性和运行实时性。
图9是本发明实施例提供的又一种自动驾驶的目标关注度等级判别方法的流程图。如图9所示，本实施例提供的自动驾驶的目标关注度等级判别方法具体包括如下步骤：
步骤910，获取激光雷达的检测视场角，将检测视场角划分为N个分区。
步骤920，获取分区内的检测目标，并根据检测目标的坐标、尺寸和朝向角，确定检测目标的顶点坐标。
示例性地，激光雷达的点云目标检测结果一般包括目标位置和目标尺寸，以三维坐标系为例，目标所在的位置(x，y，z)、目标的尺寸(w，l，h)以及目标朝向角θ。
目标的位置、尺寸及朝向角所使用和参考的坐标系统定义如下：自车前进方向为激光雷达坐标系x轴的正方向，垂直于自车前进方向向左为激光雷达坐标轴y轴的正方向，激光雷达所在位置为原点O，垂直于xOy平面垂直向上为激光雷达坐标系z轴的正方向；在检测目标的尺寸中，平行于x轴的尺寸为l，平行于y轴的尺寸为w，平行于z轴的尺寸，也即高度为h。
基于此，根据检测目标所在的位置(x，y，z)、目标的尺寸(w，l，h)以及目标朝向角θ，能够确定检测目标的最小包围框的四个顶点坐标(xi，yi)，其中，i＝0，1，2，3。检测目标的最小包围框的四个顶点坐标的计算公式具体如下：
步骤930，将顶点坐标转换到极坐标下，并确定检测目标在检测视场中的最小角度和最大角度。
其中，基于步骤820得到的检测目标的最小包围框的四个顶点坐标(xi，yi)，检测目标的最小包围框的顶点极坐标转换公式具体如下：
式中，r是检测目标与激光雷达的间距，γ是检测目标在检测视场中的角度。
示例性地，当检测目标距离激光雷达的最近距离rmin大于检测目标与自车的最小距离阈值d时，则确定该检测目标为潜在关注目标。图10是本发明实施例提供的一种目标关注度等级判断的鸟瞰图。参见图10，图中阴影区域表示激光雷达O的检测范围，能够被激光雷达O直接检测到且与激光雷达O的最近距离rmin小于或等于d的检测目标标记为关键关注目标，如图10中的1号车D1和3号车D3；其余检测目标为潜在关注目标，如图10中的2号车D2和4号车D4。
步骤940，根据最小角度和最大角度，确定检测目标对应的分区编号，且定义检测目标为分区内的已有目标。
其中，由于检测目标的最小包围框的四个顶点坐标(xi，yi)不尽相同，因而各顶点坐标对应的间距及角度各不相同，因此，检测目标可能处于一个分区内，或者处于两个或多个分区内。
步骤950，判断分区内是否有其他目标，若是，则执行步骤960B，否则执行步骤960A。
步骤960A，确定已有目标为关键关注目标。
步骤960B，定义其他目标为当前目标；根据已有目标与当前目标的遮挡情况，确定关键关注目标与潜在关注目标；其中，关键关注目标的目标关注度等级高于潜在关注目标的目标关注度等级。
步骤970，根据检测视场角内的全部检测目标与关键关注目标的遮挡情况，重新确定关键关注目标的目标关注度等级。
步骤980，判断关键关注目标是否被检测视场角内的全部其他检测目标遮挡，若是，则执行步骤990B，否则执行步骤990A。
步骤990A，保持该检测目标为关键关注目标。
步骤990B，将关键关注目标更改为潜在关注目标。
图11是本发明实施例提供的又一种自动驾驶的目标关注度等级判别方法的流程图。如图11所示，在上述各实施例的基础上，本实施例提供的自动驾驶的目标关注度等级判别方法具体包括如下步骤：
步骤11A，检测视野分区。
其中，根据激光雷达的检测视场角α及用户设定的分区角度β，将检测视野分为N等分。
步骤11B，遍历检测目标，以检测是否达到遍历终点。当检测达到遍历终点时，说明激光雷达的本次检测目标相较于前一次检测过程未发生变化，执行步骤11M，以直接判断关键关注目标是否被所有与其角度相交的所有检测目标完全遮挡，若是，则执行步骤11N，将关键关注目标更改为潜在关注目标，若否，则执行下一次循环。
当检测未达到遍历终点时，说明激光雷达的本次检测目标相较于前一次检测过程发生了变化，例如检测视野内存在新的检测目标或前一次检测过程中检测目标的标记产生了变化等情况；此时，需要执行步骤11C，计算当前目标的最小包围框的顶点坐标。
步骤11D，将当前目标最小包围框的顶点坐标转换到极坐标系下。
步骤11E，获取当前目标距离雷达最小距离及视场角度范围。
步骤11F，判断当前目标距离雷达最小距离是否大于最小跟车距离。当当前目标距离雷达最小距离大于最小跟车距离，说明当前目标对自动驾驶影响程度较低，执行步骤11L，标记为潜在关注目标并执行下一次循环；当当前目标距离雷达最小距离小于或等于最小跟车距离，说明当前目标对自动驾驶影响程度较高，执行步骤11G，通过确定当前目标对应的扇形区域就能够确认当前目标对应的分区编号。
步骤11H，遍历对应扇形区域，以检测当前目标对应的分区内的所有目标。
步骤11I，判断扇形区域是否有其他目标。若是，则执行步骤11J，判断当前目标与其他目标间的遮挡情况，并进行相应标记(如图9步骤960B所示)；若否，则执行步骤11K，标记当前目标为关键关注目标。
再次执行步骤11B，遍历所有检测目标，以检测是否达到遍历终点；当检测达到遍历终点时，执行步骤11M，直接判断关键关注目标是否被所有与其角度相交的目标完全遮挡，若是，则执行步骤11N，将关键关注目标更改为潜在关注目标，若否，则执行下一次循环；当检测未达到遍历终点时，说明检测视野内仍存在新的检测目标，因而需要重复计算新的检测目标的最小包围框的顶点坐标等步骤，以确认新的检测目标的关注度等级。
可以理解的是，一帧激光雷达点云中检测到的目标数量一般在几个至几十个不等，在路口等拥堵区域甚至可以达到上百个，但是并非所有检测目标都对自车的后续规划控制产生直接影响。基于此，本发明实施例通过对检测视场角进行分区；将检测目标的最小包围框的顶点坐标转换至极坐标系下，根据检测目标最小包围框的极坐标参数确定检测目标对应的分区编号；对检测视场角内各分区的全部检测目标进行分类，并实时更改被完全遮挡的关键关注目标的目标关注度等级的手段，有效排除了激光雷达点云检测到的且对自车的后续规划控制产生影响较小的检测目标，有利于减少自动驾驶的关键关注目标的数量，降低后续环节的数据处理压力，并保障自动驾驶的实时性和安全性。
图12是本发明实施例提供的一种自动驾驶的目标关注度等级判别装置的结构示意图。本实施例可适用于复杂环境下的自动驾驶场景中，该装置可以由软件和/或硬件的方式实现，该装置可以通过集成在自动驾驶系统中而集成于车辆内部。如图12所示，本实施例提供的自动驾驶的目标关注度等级判别装置包括：
分区模块1201，用于获取检测视场角，将检测视场角划分为N个分区。
已有目标确定模块1202，用于获取分区内的检测目标，并确定检测目标对应的分区编号，且定义检测目标为分区内的已有目标。
第一等级判别模块1203，用于在分区内没有其他目标时，确定已有目标为关键关注目标。
第二等级判别模块1204，用于在分区内有其他目标时，定义其他目标为当前目标；根据已有目标与当前目标的遮挡情况，确定关键关注目标与潜在关注目标；其中，关键关注目标的目标关注度等级高于潜在关注目标的目标关注度等级。
可选地，已有目标与当前目标的遮挡情况，包括以下情况中的至少一种：
当前目标被完全遮挡，则确定当前目标为潜在关注目标。
当前目标将已有目标完全遮挡，则确定当前目标为关键关注目标，已有目标更改为潜在关注目标。
当前目标被部分遮挡，则确定当前目标为关键关注目标。
可选地，还包括：
等级重确定模块1205，根据检测视场角内的全部检测目标与关键关注目标的遮挡情况，重新确定关键关注目标的目标关注度等级。
等级更改模块1206，若关键关注目标被所有与其相交且距离激光雷达更近的检测目标完全遮挡，则将关键关注目标更改为潜在关注目标。
可选地，检测目标对应的分区数量为至少一个，分别在检测目标对应的全部分区内判断是否存在其他目标。
可选地，已有目标确定模块1202具体用于以沿行进方向，与激光雷达的距离由近至远的遍历检测目标的方式，获取分区内的检测目标。
可选地，分区模块1201具体用于根据检测视场角的角度α和所述分区的角度β满足的如下关系式进行分区：
α＝β·N。
可选地，已有目标确定模块1202具体用于：
根据检测目标的坐标、尺寸和朝向角，确定检测目标的顶点坐标；其中，顶点坐标为检测目标的最小包围框的四个顶点的坐标。
将顶点坐标转换到极坐标下，并确定检测目标在检测视场中的最小角度和最大角度。
根据最小角度和最大角度，确定检测目标对应的分区编号。
上述装置可执行本发明任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。
本实施例提供的自动驾驶的目标关注度等级判别装置，通过分区模块1201获取激光雷达的检测视场角，将检测视场角划分为N个分区；通过已有目标确定模块1202获取分区内的检测目标，并确定检测目标对应的分区编号，且定义检测目标为分区内的已有目标；通过第一等级判别模块1203在分区内没有其他目标时，确定已有目标为关键关注目标；通过第二等级判别模块1204在分区内有其他目标时，定义其他目标为当前目标；根据已有目标与当前目标的遮挡情况，确定关键关注目标与潜在关注目标。
与现有技术相比，本实施例的技术方案能够通过对各检测目标的定义及目标间遮挡情况的判断进一步加强目标间的联系，基于对自动驾驶存在直接影响的关键关注目标的筛选，有效降低了下游环节的数据处理压力和自动驾驶的整体通信负载压力，进而有利于自车将激光雷达感知的目标信息转换为有效的即时驾驶行为，保障了自动驾驶系统的安全性和运行实时性。此外，由于本实施例无需借助其他传感器，仅依据车载激光雷达感知的目标信息就能够完成目标关注度等级的判别，因而本实施例具备较强的算法独立性和普适性。
图13是本发明实施例提供的一种自动驾驶系统的结构示意图。图13示出了适于用来实现本发明实施方式的示例性自动驾驶系统21的框图。图13显示的自动驾驶系统21仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图13所示，自动驾驶系统21以通用计算设备的形式表现。自动驾驶系统21的组件可以包括但不限于：激光雷达31，一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。可知地，激光雷达31通信用于采集检测目标。此外，激光雷达31的检测视场角为预设角度，示例性地，预设角度可以为360°。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
自动驾驶系统21典型地包括多种计算机系统可读介质。这些介质可以是任何能够被自动驾驶系统21访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。自动驾驶系统21可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图13未显示，通常称为“硬盘驱动器”)。尽管图13中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
自动驾驶系统21也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该自动驾驶系统21交互的设备通信，和/或与使得该自动驾驶系统21能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。另外，本实施例中的自动驾驶系统21，显示器24不是作为独立个体存在，而是嵌入镜面中，在显示器24的显示面不予显示时，显示器24的显示面与镜面从视觉上融为一体。并且，自动驾驶系统21还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图13所示，网络适配器20通过总线18与自动驾驶系统21的其它模块通信。应当明白，尽管图13中未示出，可以结合自动驾驶系统21使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的自动驾驶的目标关注度等级判别方法：获取激光雷达的检测视场角，将检测视场角划分为N个分区；获取分区内的检测目标，并确定检测目标对应的分区编号，且定义检测目标为分区内的已有目标；若分区内没有其他目标，则确定已有目标为关键关注目标；若分区内有其他目标，则定义其他目标为当前目标；根据已有目标与当前目标的遮挡情况，确定关键关注目标与潜在关注目标；其中，关键关注目标的目标关注度等级高于潜在关注目标的目标关注度等级。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请所有发明实施例提供的自动驾驶的目标关注度等级判别方法：获取激光雷达的检测视场角，将检测视场角划分为N个分区；获取分区内的检测目标，并确定检测目标对应的分区编号，且定义检测目标为分区内的已有目标；若分区内没有其他目标，则确定已有目标为关键关注目标；若分区内有其他目标，则定义其他目标为当前目标；根据已有目标与当前目标的遮挡情况，确定关键关注目标与潜在关注目标；其中，关键关注目标的目标关注度等级高于潜在关注目标的目标关注度等级。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种自动驾驶的目标关注度等级判别方法，其特征在于，包括：
获取激光雷达的检测视场角，将所述检测视场角划分为N个分区；
获取所述分区内的检测目标，并确定所述检测目标对应的分区编号，且定义所述检测目标为所述分区内的已有目标；
若所述分区内没有其他目标，则确定所述已有目标为关键关注目标；
若所述分区内有其他目标，则定义所述其他目标为当前目标；根据所述已有目标与所述当前目标的遮挡情况，确定关键关注目标与潜在关注目标；其中，所述关键关注目标的目标关注度等级高于所述潜在关注目标的目标关注度等级。
2.根据权利要求1所述的自动驾驶的目标关注度等级判别方法，其特征在于，所述已有目标与所述当前目标的遮挡情况，包括以下情况中的至少一种：
所述当前目标被完全遮挡，则确定所述当前目标为潜在关注目标；
所述当前目标将所述已有目标完全遮挡，则确定当前目标为关键关注目标，所述已有目标更改为潜在关注目标；
所述当前目标被部分遮挡，则确定所述当前目标为关键关注目标。
3.根据权利要求2所述的自动驾驶的目标关注度等级判别方法，其特征在于，在判断所述分区内的已有目标与所述当前目标的遮挡情况之后，还包括：
根据所述检测视场角内的全部检测目标与所述关键关注目标的遮挡情况，重新确定所述关键关注目标的目标关注度等级；
若所述关键关注目标被所有与其相交且距离激光雷达更近的检测目标完全遮挡，则将所述关键关注目标更改为潜在关注目标。
4.根据权利要求1所述的自动驾驶的目标关注度等级判别方法，其特征在于，所述检测目标对应的分区数量为至少一个，分别在所述检测目标对应的全部所述分区内判断是否存在其他目标。
5.根据权利要求1所述的自动驾驶的目标关注度等级判别方法，其特征在于，以沿行进方向，与激光雷达的距离由近至远的遍历检测目标的方式，获取所述分区内的检测目标。
6.根据权利要求1所述的自动驾驶的目标关注度等级判别方法，其特征在于，所述检测视场角的角度α和所述分区的角度β满足如下关系式：
α＝β·N。
7.根据权利要求1所述的自动驾驶的目标关注度等级判别方法，其特征在于，确定所述检测目标对应的分区编号，包括：
根据所述检测目标的坐标、尺寸和朝向角，确定所述检测目标的顶点坐标；其中，所述顶点坐标为所述检测目标的最小包围框的四个顶点的坐标；
将所述顶点坐标转换到极坐标下，并确定所述检测目标在所述检测视场中的最小角度和最大角度；
根据所述最小角度和最大角度，确定所述检测目标对应的分区编号。
8.一种自动驾驶的目标关注度等级判别装置，其特征在于，包括：
分区模块，用于获取检测视场角，将所述检测视场角划分为N个分区；
已有目标确定模块，用于获取所述分区内的检测目标，并确定所述检测目标对应的分区编号，且定义所述检测目标为所述分区内的已有目标；
第一等级判别模块，用于在所述分区内没有其他目标时，确定所述已有目标为关键关注目标；
第二等级判别模块，用于在所述分区内有其他目标时，定义所述其他目标为当前目标；根据所述已有目标与所述当前目标的遮挡情况，确定关键关注目标与潜在关注目标；其中，所述关键关注目标的目标关注度等级高于所述潜在关注目标的目标关注度等级。
9.一种自动驾驶系统，其特征在于，所述自动驾驶系统包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
激光雷达，用于采集检测目标；所述激光雷达的检测视场角为预设角度；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的自动驾驶的目标关注度等级判别方法。
10.一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1-7中任一所述的自动驾驶的目标关注度等级判别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210015665.4A CN114274979B (zh) | 2022-01-07 | 2022-01-07 | 自动驾驶的目标关注度等级判别方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210015665.4A CN114274979B (zh) | 2022-01-07 | 2022-01-07 | 自动驾驶的目标关注度等级判别方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114274979A true CN114274979A (zh) | 2022-04-05 |
| CN114274979B CN114274979B (zh) | 2024-06-14 |
Family
ID=80880442
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210015665.4A Active CN114274979B (zh) | 2022-01-07 | 2022-01-07 | 自动驾驶的目标关注度等级判别方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114274979B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110116684A1 (en) * | 2007-12-21 | 2011-05-19 | Coffman Thayne R | System and method for visually tracking with occlusions |
| CN108279671A (zh) * | 2018-01-08 | 2018-07-13 | 深圳市易成自动驾驶技术有限公司 | 基于太赫兹的环境感知方法、装置及计算机可读存储介质 |
| US20190086549A1 (en) * | 2017-09-15 | 2019-03-21 | Toyota Research Institute, Inc. | System and method for object detection using a probabilistic observation model |
| CN111114542A (zh) * | 2020-02-19 | 2020-05-08 | 北京百度网讯科技有限公司 | 自动驾驶车辆的弯道行驶控制方法、装置、设备和介质 |
| EP3703032A1 (en) * | 2019-02-26 | 2020-09-02 | Veoneer Sweden AB | Collaborative safety for occluded objects |
| US20200307566A1 (en) * | 2019-03-31 | 2020-10-01 | Gm Cruise Holdings Llc | Autonomous vehicle maneuvering based upon risk associated with occluded regions |
| CN112015178A (zh) * | 2020-08-20 | 2020-12-01 | 中国第一汽车股份有限公司 | 一种控制方法、装置、设备及存储介质 |
| CN112417967A (zh) * | 2020-10-22 | 2021-02-26 | 腾讯科技（深圳）有限公司 | 障碍物检测方法、装置、计算机设备和存储介质 |
| CN112435475A (zh) * | 2020-11-23 | 2021-03-02 | 北京软通智慧城市科技有限公司 | 一种交通状态检测方法、装置、设备及存储介质 |
| WO2021196145A1 (zh) * | 2020-04-02 | 2021-10-07 | 华为技术有限公司 | 一种车辆盲区识别方法、自动驾驶辅助系统以及包括该系统的智能驾驶车辆 |
| US20210316746A1 (en) * | 2020-04-10 | 2021-10-14 | Toyota Research Institute, Inc. | Peer-to-peer occupancy estimation |
| CN113655469A (zh) * | 2021-07-12 | 2021-11-16 | 之江实验室 | 基于智能驾驶的预测感知盲区中存在物体的方法及系统 |
| CN113761981A (zh) * | 2020-06-05 | 2021-12-07 | 北京四维图新科技股份有限公司 | 一种自动驾驶视觉感知方法、装置及存储介质 |
-
2022
- 2022-01-07 CN CN202210015665.4A patent/CN114274979B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110116684A1 (en) * | 2007-12-21 | 2011-05-19 | Coffman Thayne R | System and method for visually tracking with occlusions |
| US20190086549A1 (en) * | 2017-09-15 | 2019-03-21 | Toyota Research Institute, Inc. | System and method for object detection using a probabilistic observation model |
| CN108279671A (zh) * | 2018-01-08 | 2018-07-13 | 深圳市易成自动驾驶技术有限公司 | 基于太赫兹的环境感知方法、装置及计算机可读存储介质 |
| EP3703032A1 (en) * | 2019-02-26 | 2020-09-02 | Veoneer Sweden AB | Collaborative safety for occluded objects |
| US20200307566A1 (en) * | 2019-03-31 | 2020-10-01 | Gm Cruise Holdings Llc | Autonomous vehicle maneuvering based upon risk associated with occluded regions |
| CN111114542A (zh) * | 2020-02-19 | 2020-05-08 | 北京百度网讯科技有限公司 | 自动驾驶车辆的弯道行驶控制方法、装置、设备和介质 |
| WO2021196145A1 (zh) * | 2020-04-02 | 2021-10-07 | 华为技术有限公司 | 一种车辆盲区识别方法、自动驾驶辅助系统以及包括该系统的智能驾驶车辆 |
| US20210316746A1 (en) * | 2020-04-10 | 2021-10-14 | Toyota Research Institute, Inc. | Peer-to-peer occupancy estimation |
| CN113761981A (zh) * | 2020-06-05 | 2021-12-07 | 北京四维图新科技股份有限公司 | 一种自动驾驶视觉感知方法、装置及存储介质 |
| CN112015178A (zh) * | 2020-08-20 | 2020-12-01 | 中国第一汽车股份有限公司 | 一种控制方法、装置、设备及存储介质 |
| CN112417967A (zh) * | 2020-10-22 | 2021-02-26 | 腾讯科技（深圳）有限公司 | 障碍物检测方法、装置、计算机设备和存储介质 |
| CN112435475A (zh) * | 2020-11-23 | 2021-03-02 | 北京软通智慧城市科技有限公司 | 一种交通状态检测方法、装置、设备及存储介质 |
| CN113655469A (zh) * | 2021-07-12 | 2021-11-16 | 之江实验室 | 基于智能驾驶的预测感知盲区中存在物体的方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114274979B (zh) | 2024-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11113544B2 (en) | Method and apparatus providing information for driving vehicle | |
| CN108629231B (zh) | 障碍物检测方法、装置、设备及存储介质 | |
| US11294392B2 (en) | Method and apparatus for determining road line | |
| JP6317230B2 (ja) | 交差点における画像及び地図に基づく車両の検出法 | |
| JP7346707B2 (ja) | 自律車両のポリライン輪郭表現 | |
| CN109101690A (zh) | 用于渲染车辆自动驾驶模拟器中的场景的方法和装置 | |
| CN110263713B (zh) | 车道线检测方法、装置、电子设备及存储介质 | |
| CN108734058B (zh) | 障碍物类型识别方法、装置、设备及存储介质 | |
| CN109229109B (zh) | 判断车辆行驶方向的方法、装置、设备和计算机存储介质 | |
| CN112015178B (zh) | 一种控制方法、装置、设备及存储介质 | |
| CN111874006A (zh) | 路线规划处理方法和装置 | |
| CN110276293B (zh) | 车道线检测方法、装置、电子设备及存储介质 | |
| CN109558854B (zh) | 障碍物感知方法、装置、电子设备及存储介质 | |
| CN112613424A (zh) | 铁轨障碍物检测方法、装置、电子设备和存储介质 | |
| CN112037521B (zh) | 一种车辆类型识别方法以及危化品车辆识别方法 | |
| CN113421432A (zh) | 交通限行信息检测方法、装置、电子设备和存储介质 | |
| KR20210074364A (ko) | 교차로 상태 검출방법, 장치, 전자장치 및 차량 | |
| CN109118797B (zh) | 信息共享方法、装置、设备及存储介质 | |
| CN110909713A (zh) | 点云数据的轨道提取方法、系统及介质 | |
| CN114475651A (zh) | 基于车路协同的盲区障碍物紧急避让方法和装置 | |
| JP7012170B2 (ja) | 地図生成システム、地図生成方法及び地図生成プログラム | |
| CN114475656A (zh) | 行驶轨迹预测方法、装置、电子设备以及存储介质 | |
| CN112651535A (zh) | 局部路径规划方法、装置、存储介质、电子设备及车辆 | |
| CN113189610A (zh) | 地图增强的自动驾驶多目标追踪方法和相关设备 | |
| CN114274979B (zh) | 自动驾驶的目标关注度等级判别方法、装置及存储介质 |
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 |