CN114528884B - 一种基于深度学习的超声波自适应阈值估计方法 - Google Patents

一种基于深度学习的超声波自适应阈值估计方法 Download PDF

Info

Publication number
CN114528884B
CN114528884B CN202210190877.6A CN202210190877A CN114528884B CN 114528884 B CN114528884 B CN 114528884B CN 202210190877 A CN202210190877 A CN 202210190877A CN 114528884 B CN114528884 B CN 114528884B
Authority
CN
China
Prior art keywords
ultrasonic
data
adaptive threshold
deep learning
scene
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
CN202210190877.6A
Other languages
English (en)
Other versions
CN114528884A (zh
Inventor
于宏啸
夏天
安军朋
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.)
Hangzhou Liuma Ruichi Technology Co ltd
Original Assignee
Hangzhou Liuma Ruichi Technology 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 Hangzhou Liuma Ruichi Technology Co ltd filed Critical Hangzhou Liuma Ruichi Technology Co ltd
Priority to CN202210190877.6A priority Critical patent/CN114528884B/zh
Publication of CN114528884A publication Critical patent/CN114528884A/zh
Application granted granted Critical
Publication of CN114528884B publication Critical patent/CN114528884B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/40—Means for monitoring or calibrating
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Remote Sensing (AREA)
  • Artificial Intelligence (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Electromagnetism (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Traffic Control Systems (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本发明属于自动驾驶技术领域，特别涉及一种超声波自适应阈值估计方法。一种基于深度学习的超声波自适应阈值估计方法，包括以下步骤：在模型训练阶段，首先对超声波雷达进行安装与标定；其次利用超声波雷达进行数据采集；再次对所采集的数据标注；之后，建立基于深度学习的自适应阈值预测模型；在模型推理阶段：利用已安装标定好的超声波雷达，进行数据采集获得超声波脉冲信号，对超声波脉冲信号进行处理后，输入训练获得的基于深度学习的自适应阈值预测模型，判断车辆所处场景，从而输出该场景下超声波雷达的自适应阈值。本方法很好的适应了不同场景下的不同参数，做到真正的自适应参数。

Description

一种基于深度学习的超声波自适应阈值估计方法
技术领域
本发明属于自动驾驶技术领域，特别涉及一种超声波自适应阈值估计方法。
背景技术
现如今自动驾驶产业发展迅速，技术更迭越来越快，传感器的应用也越来越多样。其中，超声波雷达因其实时性好，盲区较小以及成本低廉的特点，在自动驾驶中尤其是车辆低速运动场景下得到大规模应用。超声波雷达不仅在倒车预警和碰撞预警等辅助驾驶功能中扮演着主传感器的角色，而且在如自动泊车等高级自动驾驶功能中也起着举足轻重的作用。作为距离传感器，超声波雷达在自动驾驶中主要起着车位扫描、障碍物定位及扫描的作用。
作为有源主动传感器，超声波雷达的工作原理是通过超声波探头发射装置向外发出超声波，超声波遇到周围物体后返回被超声波雷达接收装置回收并处理，通过对超声波在空气中飞行时间(ToF:Time of Flight)进行计算从而得到超声波雷达与周围物体的距离。作为重要性能评价指标，超声波雷达测得的距离越接近真实值性能越佳。在超声波雷达工作过程中，超声波的回波处理是影响超声波探测性能的关键技术之一。在实际应用中，回波处理是通过在不同距离下设置不同的阈值来实现的，当超声波雷达接收到的某一距离下的回波强度超过该阈值时则将该测得的距离作为当前障碍物的距离。因此，超声波雷达在不同距离下的阈值设定对超声波雷达的工作精度起着重要的作用。
目前现有的车载超声波雷达的应用大都是通过设定固定阈值来控制超声波的回波转化，传感器一旦成型其阈值设定则无法改变。然而，车载超声波的工作频率一般工作在40Khz-60Khz，该频率的声波极易受环境因素的干扰。此外车辆行驶场景环境复杂多变，基于传统固定阈值的测量方法，其存在很大的弊端，在不同场景下应用得不到充分的使用，如在室内停车场地面平整光滑对声波的干扰比较小，针对这种场景阈值系统就需要降低阈值的初始值，在干扰较小的情况下降低阈值可以更多的得到有效值，如较远或较小的障碍物(返回波较少引起的电信号较弱)，若阈值比较大，则无法扫描出较远和较小的障碍物；反而在室外柏油马路的路面，道路不平整，路面反射的干扰波比较多，此时就需要增大阈值，过滤掉因路面不平整反射回来的干扰值。
发明内容
本发明的目的是：针对现有的设置固定阈值的方法无法使超声波雷达很好地适应不同场景和工作模式下的精度的问题，提出一种基于深度学习的超声波自适应阈值估计方法，以保证超声波传感器对不同场景和工况条件的适应性。
本发明的技术方案是：一种基于深度学习的超声波自适应阈值估计方法，包括以下步骤：
模型训练阶段：
S101.超声波雷达安装与标定；
将超声波雷达探头的安装位置进行基础的校准，保证安装的位置和探测角度满足超声波正常工作的条件；
S102.数据采集；
将超声波数据恢复到默认标准参数下，在不同工作场景下，采集对应探头的数据；
S103.数据标注；
对S102中超声波测试返回的脉冲进行标注；标注类型包括：脉冲宽度、障碍物类别、工作场景、对应阈值、测试距值；
S104.模型训练；
从标注后的数据中训练提取出障碍物类别和此次超声波工作的场景，建立基于深度学习的自适应阈值预测模型；自适应阈值预测模型的基本原理为：将前期测试的数据装入模型，模型在大量数据的基础上可以对所有数据进行分类归一化，将所有特征进行提取，在后续正常工作时，读入的数据模型能够很好的根据此前训练的模型将数据提取出障碍物类别和此次超声波工作的场景；
模型推理阶段：
S201.超声波脉冲信号获取；
基于S101步骤中已安装标定好的超声波雷达，进行数据采集获得超声波脉冲信号；
S202.信号滤波处理；
对S201中获取的超声波脉冲信号进行滤波处理，去除信号中的高频、低频噪音；
S203.信号量化处理；
对滤波处理后的超声波脉冲信号进行量化处理，获得数字化的超声波信号；
S204.基于深度学习的自适应阈值推理；
将S203中获得的数字化的超声波信号输入S104中训练获得的基于深度学习的自适应阈值预测模型，判断车辆所处场景，从而输出该场景下超声波雷达的自适应阈值。
上述方案中，具体的，所述S104的模型训练阶段包括以下步骤：
A.截取、归一化处理；
对注入的数据进行截取，过滤掉明显的干扰信息，选择有效的超声波脉冲数据；对有效的超声波脉冲数据进行线性变换，抽象出特征；
B.进行聚类、提取特征点；之后，对所输出的置信度较低的数据特征点进行抛弃，对于其它特征点进行降维，采用低维度特征来表示高维度下的特征，保留不同类的特征所体现出的不同规律；
C.利用训练的多样本数据进行类别处理，输出障碍物类别和此次超声波工作的场景。
有益效果：本方法能够根据训练过的模型将超声波雷达采集到的数据提取出障碍物类别和此次超声波工作的场景，并根据不同的场景输出该场景下超声波雷达的自适应阈值，很好的适应了不同场景下的不同参数，做到真正的自适应参数。
附图说明
图1为本发明的流程图；
图2为本发明中模型训练阶段的流程图；
图3为本发明中模型推理阶段的流程图；
图4为本发明中基于深度学习的自适应阈值预测模型训练过程图。
具体实施方式
实施例1，参见附图1，一种基于深度学习的超声波自适应阈值估计方法，包括以下步骤：
参见附图2，模型训练阶段：
S101.超声波雷达安装与标定；
将超声波雷达探头的安装位置进行基础的校准，保证安装的位置和探测角度满足超声波正常工作的条件；
S102.数据采集；
将超声波数据恢复到默认标准参数下，在不同工作场景下，采集对应探头的数据；
S103.数据标注；
对S102中超声波测试返回的脉冲进行标注；标注类型包括：脉冲宽度、障碍物类别、工作场景、对应阈值、测试距值；其中：
脉冲宽度：单位是ms，大小主要跟阈值和障碍物类型及距离有关；
障碍物类别：主要是指物体的大致类型，如车辆、灌木丛、行人、马路沿等；
工作场景：主要指地下室、室外柏油路、石子路；
对应阈值：是本次测量对应的阈值；
测试距离：每个脉冲对应一个障碍物距离，三个脉冲对应三个障碍物距离；
S104.模型训练；
从标注后的数据中训练提取出障碍物类别和此次超声波工作的场景，建立基于深度学习的自适应阈值预测模型；
参见附图3，模型推理阶段：
S201.超声波脉冲信号获取；
基于S101步骤中已安装标定好的超声波雷达，进行数据采集获得超声波脉冲信号；
S202.信号滤波处理；
对S201中获取的超声波脉冲信号进行滤波处理，去除信号中的高频、低频噪音；
S203.信号量化处理；
对滤波处理后的超声波脉冲信号进行量化处理，获得数字化的超声波信号；
S204.基于深度学习的自适应阈值推理；
将S203中获得的数字化的超声波信号输入S104中训练获得的基于深度学习的自适应阈值预测模型，判断车辆所处场景，从而输出该场景下超声波雷达的自适应阈值。
实施例2，参见附图4，在实施例1的基础上，进一步的，
所述S104的模型训练阶段包括以下步骤：
A.截取、归一化处理；
对注入的数据进行截取，过滤掉明显的干扰信息，如脉冲较窄、较乱等；选择有效的超声波脉冲数据；对有效的超声波脉冲数据进行线性变换，采用BatchNorm抽象出特征，防止梯度消失，加快模型收敛；
B.利用ClassificationDetector模型进行聚类、提取特征点；之后，对所输出的置信度较低的数据特征点进行抛弃，对于其它特征点利用t-SNE进行降维，采用低维度特征来表示高维度下的特征，保留不同类的特征所体现出的不同规律，可以有效实现后端深度学习场景模型的运算视觉；
C.利用训练的多样本数据进行类别处理，输出障碍物类别和此次超声波工作的场景；其中，工作场景类别分类主要根据超声波脉冲反射区间值强度区分，如在近距离内出现脉冲数据较多且脉宽宽度窄，一般是地面不平滑、干扰较大的路面场景；障碍物类别主要根据模型输出匹配值大小来区分，主要涉及到三个参数，一个匹配度区间、一个置信度、一个权重。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (2)

1.一种基于深度学习的超声波自适应阈值估计方法，其特征在于，包括以下步骤：
模型训练阶段：
S101.超声波雷达安装与标定；
S102.数据采集；
将超声波数据恢复到默认标准参数下，在不同工作场景下，采集对应探头的数据；
S103.数据标注；
对S102中超声波测试返回的脉冲进行标注，标注类型包括：脉冲宽度、障碍物类别、工作场景、对应阈值、测试距值；
S104.模型训练；
从标注后的数据中训练提取出障碍物类别和此次超声波工作的场景，建立基于深度学习的自适应阈值预测模型；
模型推理阶段：
S201.超声波脉冲信号获取；
基于S101步骤中已安装标定好的超声波雷达，进行数据采集获得超声波脉冲信号；
S202.信号滤波处理；
对S201中获取的超声波脉冲信号进行滤波处理，去除信号中的高频、低频噪音；
S203.信号量化处理；
对滤波处理后的超声波脉冲信号进行量化处理，获得数字化的超声波信号；
S204.基于深度学习的自适应阈值推理；
将S203中获得的数字化的超声波信号输入S104中训练获得的基于深度学习的自适应阈值预测模型，判断车辆所处场景，从而输出该场景下超声波雷达的自适应阈值。
2.如权利要求1所述的一种基于深度学习的超声波自适应阈值估计方法，其特征在于，所述S104的模型训练阶段包括以下步骤：
A.截取、归一化处理；
对注入的数据进行截取，过滤掉明显的干扰信息，选择有效的超声波脉冲数据；对有效的超声波脉冲数据进行线性变换，抽象出特征；
B.进行聚类、提取特征点；之后，对所输出的置信度较低的数据特征点进行抛弃，对于其它特征点进行降维，采用低维度特征来表示高维度下的特征，保留不同类的特征所体现出的不同规律；
C.利用训练的多样本数据进行类别处理，输出障碍物类别和此次超声波工作的场景。
CN202210190877.6A 2022-02-25 2022-02-25 一种基于深度学习的超声波自适应阈值估计方法 Active CN114528884B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210190877.6A CN114528884B (zh) 2022-02-25 2022-02-25 一种基于深度学习的超声波自适应阈值估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210190877.6A CN114528884B (zh) 2022-02-25 2022-02-25 一种基于深度学习的超声波自适应阈值估计方法

Publications (2)

Publication Number Publication Date
CN114528884A CN114528884A (zh) 2022-05-24
CN114528884B true CN114528884B (zh) 2022-08-23

Family

ID=81624315

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210190877.6A Active CN114528884B (zh) 2022-02-25 2022-02-25 一种基于深度学习的超声波自适应阈值估计方法

Country Status (1)

Country Link
CN (1) CN114528884B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011030389A1 (ja) * 2009-09-14 2011-03-17 三菱電機株式会社 超音波検知装置
CN111679281A (zh) * 2020-05-27 2020-09-18 南京汽车集团有限公司 一种提高超声波传感器探测性能的方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102015209878B3 (de) * 2015-05-29 2016-02-18 Robert Bosch Gmbh Verfahren und Vorrichtung zur Erfassung von Objekten im Umfeld eines Fahrzeugs
CN108303697B (zh) * 2017-01-13 2020-02-04 杭州海康威视数字技术股份有限公司 一种障碍物的超声波检测方法、装置及系统
US11127297B2 (en) * 2017-07-17 2021-09-21 Veoneer Us, Inc. Traffic environment adaptive thresholds
US10393873B2 (en) * 2017-10-02 2019-08-27 Ford Global Technologies, Llc Adaptive mitigation of ultrasonic emission in vehicular object detection systems
US11385335B2 (en) * 2018-12-07 2022-07-12 Beijing Voyager Technology Co., Ltd Multi-threshold LIDAR detection
CN111965626B (zh) * 2020-08-11 2023-03-10 上海禾赛科技有限公司 用于激光雷达的回波检测校正方法及装置、环境感知系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011030389A1 (ja) * 2009-09-14 2011-03-17 三菱電機株式会社 超音波検知装置
CN111679281A (zh) * 2020-05-27 2020-09-18 南京汽车集团有限公司 一种提高超声波传感器探测性能的方法

Also Published As

Publication number Publication date
CN114528884A (zh) 2022-05-24

Similar Documents

Publication Publication Date Title
US20210350149A1 (en) Lane detection method and apparatus,lane detection device,and movable platform
CN111830508B (zh) 一种采用毫米波雷达的道闸防砸系统和方法
CN110865365B (zh) 一种基于毫米波雷达的停车场噪声消除方法
CN108681525B (zh) 一种基于车载激光扫描数据的路面点云强度增强方法
CN111507233A (zh) 一种多模态信息融合的智能车路面类型识别方法
CN110379178B (zh) 基于毫米波雷达成像的无人驾驶汽车智能泊车方法
CA2434756A1 (en) System and method for identification of traffic lane positions
CN111624560B (zh) 一种基于目标识别的车载毫米波雷达遮挡状态的检测方法
CN112597839B (zh) 基于车载毫米波雷达的道路边界检测方法
CN109541601A (zh) 基于毫米波的障碍物识别系统及其检测方法
CN114879192A (zh) 基于路侧毫米波雷达的决策树车型分类方法、电子设备
KR102060286B1 (ko) 이미지 정보를 활용한 레이더 오브젝트 검출 임계값 결정 방법 및 이를 이용한 레이더 오브젝트 정보 생성 장치
CN101482969A (zh) 基于同质点计算的sar图像去斑方法
CN111679281A (zh) 一种提高超声波传感器探测性能的方法
CN114528884B (zh) 一种基于深度学习的超声波自适应阈值估计方法
JPH08129067A (ja) 気象状況を推定することができる距離計測装置および距離計測方法
CN112763994A (zh) 一种车载雷达遮挡检测方法、存储介质及车载设备
CN112215137A (zh) 基于区域约束的低虚警目标检测方法
Tantum et al. Comparison of algorithms for land mine detection and discrimination using ground penetrating radar
CN109766737B (zh) 基于图像处理的室内人体姿态初步分类方法
CN114217284B (zh) 一种基于特征的雷达运动目标检测和干扰抑制方法及系统
KR102380013B1 (ko) 차량레이더를 이용한 강우강도 추정 장치 및 방법
CN112162250B (zh) 一种基于全fov受限识别的雷达遮挡检测方法及系统
CN116997818A (zh) 用于操作用来监测机动车辆的底部区域的超声波传感器设备的方法、计算机程序产品、计算机可读存储介质和超声波传感器设备
Kondapalli et al. Real-time rain severity detection for autonomous driving applications

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