CN114584949B - 车路协同确定障碍物属性值的方法、设备及自动驾驶车辆 - Google Patents

车路协同确定障碍物属性值的方法、设备及自动驾驶车辆 Download PDF

Info

Publication number
CN114584949B
CN114584949B CN202210200285.8A CN202210200285A CN114584949B CN 114584949 B CN114584949 B CN 114584949B CN 202210200285 A CN202210200285 A CN 202210200285A CN 114584949 B CN114584949 B CN 114584949B
Authority
CN
China
Prior art keywords
obstacle
vehicle
attribute
observation
data
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
CN202210200285.8A
Other languages
English (en)
Other versions
CN114584949A (zh
Inventor
羊野
张晔
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 CN202210200285.8A priority Critical patent/CN114584949B/zh
Publication of CN114584949A publication Critical patent/CN114584949A/zh
Priority to US18/116,066 priority patent/US20230211776A1/en
Application granted granted Critical
Publication of CN114584949B publication Critical patent/CN114584949B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • 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
    • B60W40/04—Traffic conditions
    • 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
    • B60W40/06—Road conditions
    • 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
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0015—Planning or execution of driving tasks specially adapted for safety
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
    • 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
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
    • B60W2420/408—Radar; Laser, e.g. lidar
    • 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
    • B60W2554/404—Characteristics
    • B60W2554/4041—Position
    • 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
    • B60W2554/404—Characteristics
    • B60W2554/4042—Longitudinal speed
    • 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
    • B60W2554/80—Spatial relation or speed relative to 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
    • B60W2556/35—Data fusion
    • 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
    • B60W2556/45—External transmission of data to or from the vehicle
    • 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
    • B60W2556/45—External transmission of data to or from the vehicle
    • B60W2556/65—Data transmitted between vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本公开提供了一种车路协同确定障碍物的属性值的方法、装置、设备以及存储介质，涉及人工智能技术领域，具体为自动驾驶、智能交通、车路协同以及深度学习技术领域。该方法包括：获取无人驾驶车辆的至少一个传感器采集的车端数据；获取路侧设备传输的车用无线通讯V2X数据；响应于确定障碍物在无人驾驶车辆的盲区边缘位置，将车端数据与V2X数据进行融合，得到障碍物的属性估计值。本公开提供的方法充分利用了V2X数据中障碍物的属性信息，提升了得到的属性估计值的准确性，且该方法鲁棒性高、时效性好、可扩展性高。

Description

车路协同确定障碍物属性值的方法、设备及自动驾驶车辆
技术领域
本公开涉及人工智能技术领域，具体涉及自动驾驶、智能交通、车路协同以及深度学习技术领域，尤其涉及车路协同确定障碍物属性值的方法、设备及自动驾驶车辆。
背景技术
随着自动驾驶技术的发展，市面上出现了各种各样的无人驾驶车辆。现有的无人驾驶车辆在处于自动驾驶模式时，通常需要由无人驾驶车辆的检测元件检测行驶方向上的障碍物，并基于检测结果对障碍物的属性进行估计。然而，当障碍物出现在无人驾驶车辆的盲区位置时，无人驾驶车辆对障碍物的速度、位置等属性估计的收敛速度较慢，且准确性不高。
发明内容
本公开提供了一种车路协同确定障碍物属性值的方法、设备及自动驾驶车辆。
根据本公开的第一方面，提供了一种确定障碍物的属性值的方法，包括：获取无人驾驶车辆的至少一个传感器采集的车端数据；获取路侧设备传输的车用无线通讯V2X数据；响应于确定障碍物在无人驾驶车辆的盲区边缘位置，将车端数据与V2X数据进行融合，得到障碍物的属性估计值。通过车路协同的方式，实现障碍物属性估计。
根据本公开的第二方面，提供了一种确定障碍物的属性值的装置，包括：第一获取模块，被配置成获取无人驾驶车辆的至少一个传感器采集的车端数据；第二获取模块，被配置成获取路侧设备传输的车用无线通讯V2X数据；融合模块，被配置成响应于确定障碍物在无人驾驶车辆的盲区边缘位置，将车端数据与V2X数据进行融合，得到障碍物的属性估计值。
根据本公开的第三方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面中任一实现方式描述的方法。
根据本公开的第四方面，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，计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法。
根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如第一方面中任一实现方式描述的方法。
根据本公开的第六方面，提供了一种自动驾驶车辆，包括如第三方面所描述的电子设备。
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是本公开可以应用于其中的示例性系统架构图；
图2是根据本公开的确定障碍物的属性值的方法的一个实施例的流程图；
图3是根据本公开的确定障碍物的属性值的方法的另一个实施例的流程图；
图4是根据本公开的确定障碍物的属性值的方法的又一个实施例的流程图；
图5是根据本公开的确定障碍物的属性值的方法的再一个实施例的流程图；
图6是根据本公开的确定障碍物的属性值的方法的一个应用场景图；
图7是根据本公开的确定障碍物的属性值的装置的一个实施例的结构示意图；
图8是用来实现本公开实施例的确定障碍物的属性值的方法的电子设备的框图。
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。
需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的确定障碍物的属性值的方法或确定障碍物的属性值的装置的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括设备101，网络102和自动驾驶车辆103。网络102用以在设备101和自动驾驶车辆103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
设备101可以是路侧设备，也可以是路侧设备的后台，其可以为硬件，也可以是软件。
自动驾驶车辆103可以通过网络102与设备101进行交互，以接收或发送消息等。例如，自动驾驶车辆103可以获取车端数据，还可以从设备101获取V2X数据，然后对车端数据和V2X数据进行分析和处理，并生成处理结果(例如得到障碍物的属性估计值)。
需要说明的是，本公开实施例所提供的确定障碍物的属性值的方法一般由自动驾驶车辆103执行，相应地，确定障碍物的属性值的装置一般设置于自动驾驶车辆103中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，其示出了根据本公开的确定障碍物的属性值的方法的一个实施例的流程200。该确定障碍物的属性值的方法包括以下步骤：
步骤201，获取无人驾驶车辆的至少一个传感器采集的车端数据。
在本实施例中，确定障碍物的属性值的方法的执行主体为自动驾驶车辆，上述执行主体会获取无人驾驶车辆的至少一个传感器采集的车端数据。其中，无人驾驶车辆可以为无人驾驶汽车，也可以为具有无人驾驶模式的车辆。
其中，传感器可以为点云传感器，也可以为图像传感器，点云传感器是可以采集点云数据的传感器，一般为3D(3-dimension，三维)传感器，点云传感器包括激光探测及测距(Light detection and ranging，Lidar)传感器和无线电探测及测距(radio detectionand ranging，Radar)传感器。图像传感器是可以采集图像的传感器，一般为2D(2-dimension，二维) 传感器，例如摄像头(camera)传感器。
上述执行主体可以获取安装在无人驾驶车辆上的至少一个传感器采集的车端数据。
步骤202，获取路侧设备传输的车用无线通讯V2X数据。
在本实施例中，上述执行主体会获取路侧设备传输的车用无线通讯V2X数据。V2X(vehicle to X或Vehicle to Everything)是指车用无线通讯技术，也叫车联万物通信，它使得车辆获得实时路况、道路信息、行人信息等一系列交通信息，提高驾驶安全性、减少拥堵、提高交通效率等。其中V代表车辆，X代表任何与车交互信息的对象，当前X主要包含车(Vehicle to Vehicle,V2V)、人(Vehicle to Pedestrian, V2P)、交通路侧基础设施(Vehicle to Infrastructure,V2I)和网络(Vehicle to Network,V2N)。V2X技术可以应用于各种车辆上，搭载了V2X技术相关装置的车辆即可实现路侧消息的接收。
在本实施例中，V2X数据是指路侧设备传输的，路侧设备是指安装在道路两侧的设备，可以是路侧单元RSU(RoadSide Unit)，也可以是路测计算单元RSCU(RoadSideComputing Unit)，也可以是边缘计算单元MEC(Multi-access Edge Computing)。路侧设备作为消息的传输中介，实现将路侧设备所采集的道路交通等路侧消息传输出去，以辅助车辆进行安全行驶。V2X数据中可以包括道路上各个车辆的位置信息、速度信息等属性信息，还可以包括关于路口、车道的位置和属性的地图信息，还可以包括路侧设备RSU传输时的时间戳等数据。
上述执行主体会获取路侧设备传输的V2X数据。
步骤203，响应于确定障碍物在无人驾驶车辆的盲区边缘位置，将车端数据与V2X数据进行融合，得到障碍物的属性估计值。
在本实施例中，上述执行主体会在确定障碍物在无人驾驶车辆的盲区边缘位置的情况下，将获取的车端数据与V2X数据进行融合，从而基于融合结果来确定障碍物的属性估计值。可选地，由于车端数据中包含了车端至少一个传感器采集的数据，所以，上述执行主体可以基于车端数据中障碍物的被遮挡区域，来判断障碍物与无人驾驶车辆的相对位置关系，也即障碍物是在无人驾驶车辆的盲区内、还是在无人驾驶车辆的盲区外、还是在无人驾驶车辆的盲区边缘位置，并在确定障碍物在无人驾驶车辆的盲区边缘位置的情况下，将车端数据与 V2X数据进行融合，得到障碍物的属性估计值，其中，属性估计值可以为速度估计值、位置估计值以及类别估计值等，本实施例中对此不做具体限定。在一些情况下，上述执行主体在得到障碍物的属性估计值后，还会根据融合结果得到的属性估计值进行自动驾驶车辆的决策与控制，例如避开障碍物、刹车、降低车速、重新规划路线等。
需要说明的是，若障碍物位于无人驾驶车辆的盲区内(完全不可见)，则此时车端无法检测出障碍物，此时基于V2X数据对障碍物的属性进行估计。若障碍物位于无人驾驶车辆的盲区外(完全可见)，则此时车端可以检测出障碍物，并且同时可以关联到V2X结果，此时采用车端数据对障碍物的属性进行估计。
作为一个示例，在对出现无人驾驶车辆的盲区边缘位置的障碍物的速度进行估计时，可以将车端数据中各个传感器采集的速度观测值以及V2X数据中的该障碍物的速度观测值一同输入至预先训练的观测模型中，以使观测模型确定各个速度观测值的置信等级，并将结果输入至预先训练的运动模型中，从而得到该障碍物的速度估计值。
作为另一个示例，在对出现无人驾驶车辆的盲区边缘位置的障碍物的类别进行估计时，可以将车端数据中各个传感器采集的类别观测值以及V2X数据中的该障碍物的类别观测值一同输入至预先训练的隐马尔可夫模型中，以将车端数据和V2X数据进行融合，从而输出得到障碍物的类别估计值。
可选地，对于位于无人驾驶车辆盲区边缘位置的障碍物，若有V2X 信号关联到这个障碍物，则可以在存在性建模时为其分配较大的概率，从而帮助车端及时报出这个检出对象，也可以帮助车端消除不确定性。此外，还可以进行绿植判断、死车判断、施工区域判断等，这些都可以由路侧V2X数据(基于长时间路口的观察得来的)帮助车端行驶到 V2X路口时，直接替换或者概率融合原本的车端结果。
本公开实施例提供的确定障碍物的属性值的方法，首先获取无人驾驶车辆的至少一个传感器采集的车端数据；然后获取路侧设备传输的车用无线通讯V2X数据；最后响应于确定障碍物在无人驾驶车辆的盲区边缘位置，将车端数据与V2X数据这两种感知数据进行数据融合，通过感知融合的方式，得到障碍物的属性估计值。本实施例中的确定障碍物的属性值的方法，该方法在对障碍物的属性值进行估计的过程中，使用车路协同的方式，融合了车端数据与V2X数据，从而充分利用了V2X数据中已经收敛的障碍物的属性信息，使得数据更完整且更准确，缩短了障碍物的属性收敛时间，同时也避免了属性跳变的情况的发生；且该方法在由于引入了更多信息(车端数据与V2X数据)，所以具有更高的鲁棒性、更好的时效性以及更高的可扩展性。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
继续参考图3，图3示出了根据本公开的确定障碍物的属性值的方法的另一个实施例的流程300。该确定障碍物的属性值的方法包括以下步骤：
步骤301，获取无人驾驶车辆的至少一个传感器采集的车端数据。
步骤302，获取路侧设备传输的V2X数据。
步骤301-302与前述实施例的步骤201-202基本一致，具体实现方式可以参考前述对步骤201-202的描述，此处不再赘述。
在本实施例的一些可选实施方式中，在步骤301之后，该确定障碍物的属性值的方法还包括：基于车端数据中障碍物的被遮挡区域，确定障碍物是否在无人驾驶车辆的盲区边缘位置。
在本实现方式中，上述执行主体在获取到无人驾驶车辆的至少一个传感器采集的车端数据后，可基于获取的车端数据中一个或多个传感器采集的数据中障碍物的被遮挡区域来确定障碍物与无人驾驶车辆的盲区的相对位置。例如，可基于车端数据中Lidar传感器或Radar传感器采集的点云数据来确定障碍物是否在无人驾驶车辆的盲区边缘位置。再例如，还可以根据车端数据中camera传感器采集的图像来确定障碍物是否在无人驾驶车辆的盲区边缘位置。若车端数据中只显示了障碍物的部分数据，则说明该障碍物存在被遮挡区域，因此该障碍物位于无人驾驶车辆的盲区边缘位置。从而更准确、快速地确定了障碍物是否在无人驾驶车辆的盲区边缘位置。
步骤303，响应于确定障碍物在无人驾驶车辆的盲区边缘位置，分别对车端数据中的各个传感器采集的位置观测值以及V2X数据中的位置观测值进行打分。
在本实施例中，确定障碍物的属性值的方法的执行主体(自动驾驶车辆)可以在确定障碍物在无人驾驶车辆的盲区边缘位置的情况下，分别对车端数据中的各个传感器采集的位置观测值以及V2X数据中的位置观测值进行打分。
具体地，可由观测模型来对车端数据中的各个传感器采集的位置观测值以及V2X数据中的位置观测值进行打分，打分依据主要考虑各个传感器在不同场景下的能力，例如，可将车端数据中的各个传感器采集的位置观测值以及V2X数据中的位置观测值输入至观测模型中，输出得到对车端Lidar传感器的位置观测值打分为4分，对车端Radar传感器的位置观测值打分为5分，对V2X数据中的位置观测值打分为5 分。其中，观测模型是基于预先统计的各个传感器采集的数据以及对该数据的打分结果训练得到的。
步骤304，基于打分结果确定各个位置观测值在卡尔曼滤波器中的置信等级。
在本实施例中，上述执行主体会基于打分结果来确定各个位置观测值在卡尔曼滤波器中的置信等级。打分结果中的分数高低会影响该位置观测值的置信等级，分数越高其置信等级越高。例如，车端Lidar传感器的位置观测值打分为4分，其对应的置信等级为4；V2X数据中的位置观测值打分为5分，其对应的置信等级为5。
步骤305，基于各个位置观测值的置信等级计算得到障碍物的位置估计值。
在本实施例中，上述执行主体可以基于各个位置观测值的置信等级计算得到障碍物的位置估计值。例如，可将车端数据中的各个传感器采集的位置观测值和V2X数据中的位置观测值，以及各个位置观测值对应的置信等级输入至卡尔曼滤波器中，输出得到该障碍物的位置估计值。其中，卡尔曼滤波器也即本实施例中的运动模型，卡尔曼滤波 (Kalmanfiltering)是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。
在本实施例的一些可选实施方式中，步骤305包括：基于各个位置观测值的置信等级，确定各个位置观测值所对应的卡尔曼滤波器中的R 矩阵；基于R矩阵计算得到障碍物的位置估计值。
在本实现方式中，不同置信等级对应于卡尔曼滤波器中的R矩阵是不同的，也即置信等级决定着该位置观测值的权重系数，也即置信等级决定着是否更多地使用该位置观测值。上述执行主体可以基于每个位置观测值对应的置信等级，确定该位置观测值所对应的卡尔曼滤波器中的R 矩阵，然后基于确定的R矩阵计算得到该障碍物的位置估计值。通过各个位置观测值对应的置信等级确定该位置观测值所对应的卡尔曼滤波器中的R矩阵，从而计算得到障碍物的位置估计值，从而在数据融合过程中更充分利用了各个数据，提升了对障碍物的位置属性的估计速度，也提升了对障碍物的位置属性的估计准确度。
从图3中可以看出，与图2对应的实施例相比，本实施例中的确定障碍物的属性值的方法，该方法实现了对障碍物的位置属性进行估计，且在属性估计过程中，融合了车端各个传感器采集的位置观测值和V2X数据中的位置观测值，从而提高了得到的位置估计值的准确性。
继续参考图4，图4示出了根据本公开的确定障碍物的属性值的方法的又一个实施例的流程400。该确定障碍物的属性值的方法包括以下步骤：
步骤401，获取无人驾驶车辆的至少一个传感器采集的车端数据。
步骤402，获取路侧设备传输的V2X数据。
步骤401-402与前述实施例的步骤201-202基本一致，具体实现方式可以参考前述对步骤201-202的描述，此处不再赘述。
步骤403，响应于确定障碍物在无人驾驶车辆的盲区边缘位置，分别对车端数据中的各个传感器采集的速度观测值以及V2X数据中的速度观测值在不同维度进行打分。
在本实施例中，确定障碍物的属性值的方法的执行主体(自动驾驶车辆)可以在确定障碍物在无人驾驶车辆的盲区边缘位置的情况下，分别对车端数据中的各个传感器采集的速度观测值以及V2X数据中的速度观测值在不同维度进行打分其中，不同位维度包括大小维度、方向维度以及动静维度。
具体地，可由观测模型来对车端数据中的各个传感器采集的速度观测值以及V2X数据中的速度观测值分别在大小、方向以及动静三个维度进行打分，打分依据主要考虑各个传感器在不同场景下的能力。例如，可将车端数据中的各个传感器采集的速度观测值以及V2X数据中的速度观测值输入至观测模型中，输出得到对车端Lidar传感器的速度观测值在大小维度上的打分为4分，在方向维度上的打分为3分，在动静维度上的打分为3分；对V2X数据中的速度观测值在大小维度上的打分为5分，在方向维度上的打分为3分，在动静维度上的打分为5分。其中，观测模型是基于预先统计的各个传感器采集的数据以及对该数据的打分结果训练得到的。
需要说明的是，考虑到速度估计往往需要卡尔曼滤波器以0m/s为初始值开始更新，而车端对于在其盲区边缘位置的障碍物的速度，要让其从 0m/s收敛到正确速度值则需要一定的时间，但来自路端V2X数据中包含了障碍物已经收敛的速度信息，所以，观测模型会对V2X数据中已经收敛的速度信息的速度大小和动静状态给予更高分数，从而使得该速度大小和动静状态更充分的被滤波器利用，进而加速速度结果的收敛。
步骤404，基于打分结果确定各个速度观测值在卡尔曼滤波器中的置信等级。
在本实施例中，上述执行主体会基于打分结果来确定各个速度观测值在卡尔曼滤波器中的置信等级。打分结果中的分数高低会影响该速度观测值的置信等级，分数越高其置信等级越高。例如，车端Lidar传感器的速度观测值的打分结果对应的置信等级为4；V2X数据中的速度观测值的打分结果对应的置信等级为5。
步骤405，基于各个速度观测值的置信等级计算得到障碍物的速度估计值。
在本实施例中，上述执行主体可以基于各个速度观测值的置信等级计算得到障碍物的速度估计值。例如，可将车端数据中的各个传感器采集的速度观测值和V2X数据中的速度观测值，以及各个速度观测值对应的置信等级输入至卡尔曼滤波器中，输出得到该障碍物的速度估计值。
在本实施例的一些可选实施方式中，步骤405包括：基于各个速度观测值的置信等级，确定各个速度观测值所对应的卡尔曼滤波器中的R 矩阵；基于R矩阵计算得到障碍物的速度估计值。
在本实现方式中，不同置信等级对应于卡尔曼滤波器中的R矩阵是不同的，也即置信等级决定着该速度观测值的权重系数，也即置信等级决定着是否更多地使用该速度观测值。上述执行主体可以基于每个速度观测值对应的置信等级，确定该速度观测值所对应的卡尔曼滤波器中的R 矩阵，然后基于确定的R矩阵计算得到该障碍物的速度估计值。通过各个速度观测值对应的置信等级确定该速度观测值所对应的卡尔曼滤波器中的R矩阵，从而计算得到障碍物的速度估计值，从而在数据融合过程中更充分利用了各个数据，提升了对障碍物的速度属性的估计速度和收敛速度，也提升了对障碍物的速度属性的估计准确度。
从图4中可以看出，与图3对应的实施例相比，本实施例中的确定障碍物的属性值的方法，该方法实现了对障碍物的速度属性进行估计，且在属性估计过程中，融合了车端各个传感器采集的速度观测值和V2X数据中的速度观测值，从而加速了障碍物的速度属性的收敛过程，也提高了得到的速度估计值的准确性。
继续参考图5，图5示出了根据本公开的确定障碍物的属性值的方法的再一个实施例的流程500。该确定障碍物的属性值的方法包括以下步骤：
步骤501，获取无人驾驶车辆的至少一个传感器采集的车端数据。
步骤502，获取路侧设备传输的V2X数据。
步骤501-502与前述实施例的步骤201-202基本一致，具体实现方式可以参考前述对步骤201-202的描述，此处不再赘述。
步骤503，响应于确定障碍物在无人驾驶车辆的盲区边缘位置，获取车端数据中的各个传感器采集的类别观测值以及V2X数据中的类别观测值，得到观测序列。
在本实施例中，确定障碍物的属性值的方法的执行主体(自动驾驶车辆)可以在确定障碍物在无人驾驶车辆的盲区边缘位置返情况下，分别获取车端数据中的各个传感器采集的类别观测值以及V2X数据中的类别观测值，从而得到包含各个类别观测值的观测序列，因此该观测序列中既包含车端传感器采集的数据，还包含V2X数据汇总的类别观测值。
步骤504，将观测序列输入至预先训练的隐马尔可夫模型中，输出得到障碍物的类别估计值。
在本实施例中，上述执行主体会将观测序列输入至预先训练的隐马尔可夫模型中，输出得到障碍物的类别估计值。
隐马尔可夫模型(Hidden Markov Model，HMM)是关于时序的概率模型，描述由一个隐藏的马尔可夫链随机生成不可观测的状态随机序列，再由各个状态生成一个观测而产生观测随机序列的过程。
在本实施例中，上述执行主体会先进行时序建模，也即按照时间序列来进行建模。首先，问题构建：给定观测序列O＝{O1，O2，…， Ot}，以及HMM模型λ＝(A，B，π)，其中，π为初始状态概率矩阵，A为状态转移概率矩阵，B为观测状态转移概率矩阵，如何选择一个对应的状态序列I＝{i1，i2，…，it}，使得状态序列I能够最合理的解释观测序列O，也即输入传感器输入类型序列，想要得到融合后输出类型序列，这属于预测问题。
于是，本实施例中应用维特比算法来解决该问题，也即构建解决该问题的模型，即本实施例中训练完成的隐马尔可夫模型。其中，维特比算法是一种动态规划算法用于寻找最有可能产生观测事件序列的-维特比路径-隐含状态序列，特别是在马尔可夫信息源上下文和隐马尔可夫模型中。
HMM模型构建完成后，其状态转移概率矩阵A以及观测状态转移概率矩阵B也就确定了，所以，上述执行主体将观测序列输入至该 HMM模型中后，利用A与B进行一系列的计算便可输出得到该障碍物的类别估计值。
需要说明的是，初始状态概率矩阵π，表示隐含状态在初始时刻 t＝1的概率矩阵；状态转移概率矩阵A描述了HMM模型中各个状态之间的转移概率；观测状态转移概率矩阵(也可称为混淆矩阵)B表示在 t时刻、隐含状态是Sj的条件下，观察状态为Oi的概率。在这里，混淆矩阵是基于车端数据中各个传感器采集的数据以及V2X数据在真值数据上的类别准确率来确定的。
在本实施例的一些可选实施方式中，步骤504包括：基于隐马尔可夫模型中的状态转移概率矩阵，得到观测序列中的各个类别观测值对应的状态类型；基于隐马尔可夫模型中的观测状态转移概率矩阵，对各个类别观测值对应的状态类型进行融合，得到障碍物的类别估计值。
在本实现方式中，由于状态转移概率矩阵A描述了HMM模型中各个状态之间的转移概率，所以，基于HMM模型中的状态转移概率矩阵 A便可计算得到观测序列中的各个类别观测值对应各个状态类型的概率，从而确定各个类别观测值对应的状态类型。其次，又由于观测状态转移概率矩阵(也可称为混淆矩阵)B表示在t时刻、隐含状态是Sj的条件下，观察状态为Oi的概率，所以，基于HMM模型中的观测状态转移概率矩阵B即可计算得到当前最佳状态，即对各个类别观测值对应的状态类型进行融合后，得到障碍物的类别估计值，其中，类别可以包括人、车、自行车、不确定(unknow)等。从而实现了对障碍物的类别属性进行估计，提高了得到的类别估计值的准确性。
从图5中可以看出，与图4对应的实施例相比，本实施例中的确定障碍物的属性值的方法，该方法实现了对障碍物的类别属性进行估计，且在属性估计过程中，融合了车端各个传感器采集的类别观测值和V2X数据中的类别观测值，从而提高了得到的类别估计值的准确性。
进一步参考图6，图6示出了根据本公开的确定障碍物的属性值的方法的一个应用场景。在该应用场景中，首先，执行主体603(自动驾驶车辆)会获取该车辆上至少一个传感器采集的车端数据601，并获取路侧设备传输的V2X数据602。然后，上述执行主体会基于车端数据601中障碍物的被遮挡区域，确定障碍物在无人驾驶车辆的盲区边缘位置。之后，上述执行主体会将车端数据601与V2X数据 602进行融合，从而得到障碍物的属性估计值，其中，属性估计值包括速度估计值、位置估计值以及类别估计值。具体地，上述执行主体会分别对车端数据中的各个传感器采集的位置观测值和/或速度观测值以及V2X数据中的位置观测值和/或速度观测值进行打分，然后会基于打分结果确定各个位置观测值和/或速度观测值在卡尔曼滤波器中的置信等级，之后再基于各个属性观测值的置信等级计算得到障碍物的位置估计值和/或速度估计值。
进一步参考图7，作为对上述各图所示方法的实现，本公开提供了一种确定障碍物的属性值的装置的一个实施例，该装置实施例与图 2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图7所示，本实施例的确定障碍物的属性值的装置700包括：第一获取模块701、第二获取模块702和融合模块703。其中，第一获取模块701，被配置成获取无人驾驶车辆的至少一个传感器采集的车端数据；第二获取模块702，被配置成获取路侧设备传输的车用无线通讯V2X数据；融合模块703，被配置成响应于确定障碍物在无人驾驶车辆的盲区边缘位置，将车端数据与V2X数据进行融合，得到障碍物的属性估计值。
在本实施例中，确定障碍物的属性值的装置700中：第一获取模块701、第二获取模块702和融合模块703的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-203的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，上述确定障碍物的属性值的装置700还包括：确定模块，被配置成基于车端数据中障碍物的被遮挡区域，确定障碍物是否在无人驾驶车辆的盲区边缘位置。
在本实施例的一些可选的实现方式中，属性估计值包括位置估计值和/或速度估计值；以及融合模块包括：打分子模块，被配置成分别对车端数据中的各个传感器采集的属性观测值以及V2X数据中的属性观测值进行打分，其中，属性观测值包括位置观测值和/或速度观测值；确定子模块，被配置成基于打分结果确定各个属性观测值在卡尔曼滤波器中的置信等级；计算子模块，被配置成基于各个属性观测值的置信等级计算得到障碍物的位置估计值和/或速度估计值。
在本实施例的一些可选的实现方式中，计算子模块包括：第一确定单元，被配置成基于各个属性观测值的置信等级，确定各个属性观测值所对应的卡尔曼滤波器中的R矩阵；计算单元，被配置成基于R 矩阵计算得到障碍物的位置估计值和/或速度估计值。
在本实施例的一些可选的实现方式中，在属性估计值包括速度估计值的情况下，打分子模块被进一步配置成：分别对车端数据中的各个传感器采集的速度观测值以及V2X数据中的速度观测值在不同维度进行打分，其中，不同维度包括大小维度、方向维度以及动静维度。
在本实施例的一些可选的实现方式中，属性估计值包括类别估计值；以及融合模块包括：获取子模块，被配置成获取车端数据中的各个传感器采集的类别观测值以及V2X数据中的类别观测值，得到观测序列；输出子模块，被配置成将观测序列输入至预先训练的隐马尔可夫模型中，输出得到障碍物的类别估计值。
在本实施例的一些可选的实现方式中，输出子模块包括：第二确定单元，被配置成基于隐马尔可夫模型中的状态转移概率矩阵，得到观测序列中的各个类别观测值对应的状态类型；第三确定单元，被配置成基于隐马尔可夫模型中的观测状态转移概率矩阵，对各个类别观测值对应的状态类型进行融合，得到障碍物的类别估计值。
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、一种计算机程序产品以及一种自动驾驶车辆。
图8示出了可以用来实施本公开的实施例的示例电子设备800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8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800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801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801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801执行上文所描述的各个方法和处理，例如确定障碍物的属性值的方法。例如，在一些实施例中，确定障碍物的属性值的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808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的确定障碍物的属性值的方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行确定障碍物的属性值的方法。
本公开所提供的自动驾驶车辆，可以包括如图8所示的上述电子设备，该电子设备可在其处理器执行时能够实现上述任意实施例所描述的确定障碍物的属性值的方法。
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)和互联网。
云计算(cloud computer)，指的是通过网络接入弹性可扩展的共享物理或虚拟资源池，资源可以包括服务器、操作系统、网络、软件、应用或存储设备等，并可以以按需、自服务的方式对资源进行部署和管理的技术体系。通过云计算技术，可以为人工智能、区块链等技术应用、模型训练提供高效强大的数据处理能力。
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。
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 (15)

1.一种确定障碍物的属性值的方法，包括：
获取无人驾驶车辆的至少一个传感器采集的车端数据；
获取路侧设备传输的车用无线通讯V2X数据；
响应于确定障碍物在所述无人驾驶车辆的盲区边缘位置，将所述车端数据与所述V2X数据进行融合，得到所述障碍物的属性估计值；
其中，所述属性估计值包括位置估计值和/或速度估计值；以及
所述将所述车端数据与所述V2X数据进行融合，得到所述障碍物的属性估计值，包括：
分别对所述车端数据中的各个传感器采集的属性观测值以及所述V2X数据中的属性观测值进行打分，其中，所述属性观测值包括位置观测值和/或速度观测值；
基于打分结果确定各个属性观测值在卡尔曼滤波器中的置信等级；
基于各个属性观测值的置信等级计算得到所述障碍物的位置估计值和/或速度估计值。
2.根据权利要求1所述的方法，还包括：
基于所述车端数据中所述障碍物的被遮挡区域，确定所述障碍物是否在所述无人驾驶车辆的盲区边缘位置。
3.根据权利要求1所述的方法，其中，所述基于各个属性观测值的置信等级计算得到所述障碍物的位置估计值和/或速度估计值，包括：
基于所述各个属性观测值的置信等级，确定所述各个属性观测值所对应的卡尔曼滤波器中的R矩阵；
基于所述R矩阵计算得到所述障碍物的位置估计值和/或速度估计值。
4.根据权利要求1所述的方法，其中，在所述属性估计值包括速度估计值的情况下，所述分别对所述车端数据中的各个传感器采集的属性观测值以及所述V2X数据中的属性观测值进行打分，包括：
分别对所述车端数据中的各个传感器采集的速度观测值以及所述V2X数据中的速度观测值在不同维度进行打分，其中，所述不同维度包括大小维度、方向维度以及动静维度。
5.根据权利要求1所述的方法，其中，所述属性估计值包括类别估计值；以及
所述将所述车端数据与所述V2X数据进行融合，得到所述障碍物的属性估计值，包括：
获取所述车端数据中的各个传感器采集的类别观测值以及所述V2X数据中的类别观测值，得到观测序列；
将所述观测序列输入至预先训练的隐马尔可夫模型中，输出得到所述障碍物的类别估计值。
6.根据权利要求5所述的方法，其中，所述将所述观测序列输入至预先训练的隐马尔可夫模型中，输出得到所述障碍物的类别估计值，包括：
基于所述隐马尔可夫模型中的状态转移概率矩阵，得到所述观测序列中的各个类别观测值对应的状态类型；
基于所述隐马尔可夫模型中的观测状态转移概率矩阵，对所述各个类别观测值对应的状态类型进行融合，得到所述障碍物的类别估计值。
7.一种确定障碍物的属性值的装置，包括：
第一获取模块，被配置成获取无人驾驶车辆的至少一个传感器采集的车端数据；
第二获取模块，被配置成获取路侧设备传输的车用无线通讯V2X数据；
融合模块，被配置成响应于确定障碍物在所述无人驾驶车辆的盲区边缘位置，将所述车端数据与所述V2X数据进行融合，得到所述障碍物的属性估计值；
其中，所述属性估计值包括位置估计值和/或速度估计值；以及
所述融合模块包括：
打分子模块，被配置成分别对所述车端数据中的各个传感器采集的属性观测值以及所述V2X数据中的属性观测值进行打分，其中，所述属性观测值包括位置观测值和/或速度观测值；
确定子模块，被配置成基于打分结果确定各个属性观测值在卡尔曼滤波器中的置信等级；
计算子模块，被配置成基于各个属性观测值的置信等级计算得到所述障碍物的位置估计值和/或速度估计值。
8.根据权利要求7所述的装置，还包括：
确定模块，被配置成基于所述车端数据中所述障碍物的被遮挡区域，确定所述障碍物是否在所述无人驾驶车辆的盲区边缘位置。
9.根据权利要求7所述的装置，其中，所述计算子模块包括：
第一确定单元，被配置成基于所述各个属性观测值的置信等级，确定所述各个属性观测值所对应的卡尔曼滤波器中的R矩阵；
计算单元，被配置成基于所述R矩阵计算得到所述障碍物的位置估计值和/或速度估计值。
10.根据权利要求7所述的装置，其中，在所述属性估计值包括速度估计值的情况下，所述打分子模块被进一步配置成：
分别对所述车端数据中的各个传感器采集的速度观测值以及所述V2X数据中的速度观测值在不同维度进行打分，其中，所述不同维度包括大小维度、方向维度以及动静维度。
11.根据权利要求7所述的装置，其中，所述属性估计值包括类别估计值；以及
所述融合模块包括：
获取子模块，被配置成获取所述车端数据中的各个传感器采集的类别观测值以及所述V2X数据中的类别观测值，得到观测序列；
输出子模块，被配置成将所述观测序列输入至预先训练的隐马尔可夫模型中，输出得到所述障碍物的类别估计值。
12.根据权利要求11所述的装置，其中，所述输出子模块包括：
第二确定单元，被配置成基于所述隐马尔可夫模型中的状态转移概率矩阵，得到所述观测序列中的各个类别观测值对应的状态类型；
第三确定单元，被配置成基于所述隐马尔可夫模型中的观测状态转移概率矩阵，对所述各个类别观测值对应的状态类型进行融合，得到所述障碍物的类别估计值。
13.一种电子设备，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1-6中任一项所述的方法。
14.一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权利要求1-6中任一项所述的方法。
15.一种自动驾驶车辆，包括如权利要求13所述的电子设备。
CN202210200285.8A 2022-03-02 2022-03-02 车路协同确定障碍物属性值的方法、设备及自动驾驶车辆 Active CN114584949B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210200285.8A CN114584949B (zh) 2022-03-02 2022-03-02 车路协同确定障碍物属性值的方法、设备及自动驾驶车辆
US18/116,066 US20230211776A1 (en) 2022-03-02 2023-03-01 Method for determining attribute value of obstacle in vehicle infrastructure cooperation, device and autonomous driving vehicle

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210200285.8A CN114584949B (zh) 2022-03-02 2022-03-02 车路协同确定障碍物属性值的方法、设备及自动驾驶车辆

Publications (2)

Publication Number Publication Date
CN114584949A CN114584949A (zh) 2022-06-03
CN114584949B true CN114584949B (zh) 2023-05-23

Family

ID=81775828

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210200285.8A Active CN114584949B (zh) 2022-03-02 2022-03-02 车路协同确定障碍物属性值的方法、设备及自动驾驶车辆

Country Status (2)

Country Link
US (1) US20230211776A1 (zh)
CN (1) CN114584949B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114771560B (zh) * 2022-03-28 2023-04-25 小米汽车科技有限公司 车辆行驶控制方法、装置、设备及存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108469825A (zh) * 2018-04-19 2018-08-31 河南科技学院 一种基于车路协同的智能巡视系统及其构建方法
CN111813105B (zh) * 2020-01-15 2023-05-05 新奇点智能科技集团有限公司 一种车路协同方法、装置、电子设备及可读存储介质
CN112085960A (zh) * 2020-09-21 2020-12-15 北京百度网讯科技有限公司 车路协同信息处理方法、装置、设备及自动驾驶车辆
CN113844463B (zh) * 2021-09-26 2023-06-13 国汽智控(北京)科技有限公司 基于自动驾驶系统的车辆控制方法、装置及车辆
CN113920735B (zh) * 2021-10-21 2022-11-15 中国第一汽车股份有限公司 一种信息融合方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
US20230211776A1 (en) 2023-07-06
CN114584949A (zh) 2022-06-03

Similar Documents

Publication Publication Date Title
EP4080468A2 (en) Collision detection method and apparatus, electronic device, medium, and autonomous vehicle
US20220035733A1 (en) Method and apparatus for checking automatic driving algorithm, related device and storage medium
EP4155679A2 (en) Positioning method and apparatus based on lane line and feature point
CN113378693B (zh) 生成目标检测系统和检测目标的方法及装置
CN115221722B (zh) 自动驾驶车辆的仿真测试方法、模型训练方法和设备
CN112859829B (zh) 一种车辆控制方法、装置、电子设备和介质
CN114758502B (zh) 双车联合轨迹预测方法及装置、电子设备和自动驾驶车辆
US20230159052A1 (en) Method for processing behavior data, method for controlling autonomous vehicle, and autonomous vehicle
EP4145408A1 (en) Obstacle detection method and apparatus, autonomous vehicle, device and storage medium
CN114584949B (zh) 车路协同确定障碍物属性值的方法、设备及自动驾驶车辆
CN115203969A (zh) 自动驾驶仿真场景的控制方法、装置、设备和存储介质
CN113119999B (zh) 自动驾驶特征的确定方法、装置、设备、介质及程序产品
WO2022088658A1 (zh) 一种行人穿行意图估计方法、装置、设备和汽车
CN116013108A (zh) 基于v2x的车辆轨迹预测方法、装置、设备及自动驾驶车辆
CN114475614B (zh) 一种危险目标的筛选方法、装置、介质及设备
CN115285147A (zh) 无人车的驾驶决策方法、装置及无人车
CN116087987A (zh) 确定目标对象高度的方法、装置、电子设备及存储介质
CN116168366B (zh) 点云数据生成方法、模型训练方法、目标检测方法和装置
CN114596552B (zh) 信息处理方法、训练方法、装置、设备、车辆及介质
CN114572233B (zh) 基于模型集合的预测方法、电子设备及自动驾驶车辆
CN115171412B (zh) 车辆行驶状态的显示方法、系统及装置
CN113361379B (zh) 生成目标检测系统和检测目标的方法及装置
CN117876992A (zh) 障碍物检测方法、装置、设备和自动驾驶车辆
CN114550131A (zh) 电子地图的处理方法、装置、电子设备及存储介质
CN115330042A (zh) 冲突点确定方法、装置、设备、可读存储介质及程序产品

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