CN114879659A - 逆行障碍物识别方法、装置、设备及存储介质 - Google Patents
逆行障碍物识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114879659A CN114879659A CN202210344839.1A CN202210344839A CN114879659A CN 114879659 A CN114879659 A CN 114879659A CN 202210344839 A CN202210344839 A CN 202210344839A CN 114879659 A CN114879659 A CN 114879659A
- Authority
- CN
- China
- Prior art keywords
- obstacle
- target
- retrograde
- yaw angle
- determining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000004888 barrier function Effects 0.000 claims abstract description 61
- 230000002441 reversible effect Effects 0.000 claims description 50
- 238000001914 filtration Methods 0.000 claims description 34
- 230000003068 static effect Effects 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims 1
- 230000008447 perception Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 9
- 238000012360 testing method Methods 0.000 description 6
- 230000006978 adaptation Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
- G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
- G05D1/0253—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means extracting relative motion information from a plurality of images taken successively, e.g. visual odometry, optical flow
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Electromagnetism (AREA)
- Optics & Photonics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及自动驾驶感知技术领域,公开了一种逆行障碍物识别方法、装置、设备及存储介质。本方法包括:通过行驶场景中获取的多帧车辆行驶图像确定目标障碍物;确定目标障碍物在语义地图上距离最小的目标位置点,并基于目标位置点判断障碍物是否为路口障碍物;若是,提取每帧图像中目标障碍物在速度方向上的第一偏航角和目标障碍物在目标位置点所处车道的行进方向上的第二偏航角;根据第一偏航角和第二偏航角判断目标障碍物是否满足预设的逆行判断条件,并基于判断的结果确定行驶场景中是否包含逆行障碍物。实现了对于位于路口车道线信息复杂的障碍物逆行识别,提高了行驶场景中逆行行驶场景的识别能力、识别准确率和效率。
Description
技术领域
本发明涉及自动驾驶感知技术领域,尤其涉及一种逆行障碍物识别方法、装置、设备及存储介质。
背景技术
障碍物逆行属于障碍物非正常行为的一种,这类场景对与数据分析,算法测试迭代有重要作用。
在构建包含逆行障碍物的测试场景集或统计一次路测中出现的包含逆行障碍物场景次数时,需要先具备能将包含逆行障碍物场景筛选出来的方法。建立包含逆行障碍物的测试场景集需先定期采集人类驾驶员的驾驶信息记录,并在后续将包含逆行障碍物的场景筛选出来。统计一次路测中出现的包含逆行障碍物场景次数则也需要先保存路测的所有影视录像,车内外状态仿真,后续通过上述资料信息将对应场景筛选出来。因此,如何从于位于路口车道线信息复杂的障碍物中识别出来逆行的障碍物,成了本领域技术人员需要解决的技术问题。
发明内容
本发明的主要目的在于解决自动驾驶中,对于位于路口车道线信息复杂的障碍物逆行识准确率问题。
本发明第一方面提供了一种逆行障碍物识别方法,包括:获取行驶场景中包含至少一个障碍物的多帧车辆行驶图像,并从至少一个障碍物中确定目标障碍物;确定所述目标障碍物在预设语义地图上距离最小的目标位置点,并基于所述目标位置点判断所述目标障碍物是否为路口障碍物;若所述目标障碍物为路口障碍物时,提取每帧图像中所述目标障碍物在速度方向上的第一偏航角和所述目标障碍物在所述目标位置点所处车道的行进方向上的第二偏航角;根据所述第一偏航角和所述第二偏航角判断所述目标障碍物是否满足预设的逆行判断条件,并基于判断的结果确定所述行驶场景中是否包含逆行障碍物。
可选地,在本发明第一方面的第一种实现方式中,所述获取行驶场景中包含至少一个障碍物的多帧车辆行驶图像,并从至少一个障碍物中确定目标障碍物包括:
获取行驶场景多帧包含至少一个障碍物的车辆行驶图像,对所述车辆行驶图像进行识别,计算其中的车辆与障碍物之间的实时距离;
根据所述车辆的当前车速与车辆高度计算障碍物的识别距离;
当所述实时距离小于所述识别距离时,判断预设激光雷达设备是否扫描到所述障碍物;
若是,则根据预设过滤规则对所述障碍物进行过滤,从至少一个障碍物中确定目标障碍物。
可选地,在本发明第一方面的第二种实现方式中,在所述根据预设过滤规则对所述障碍物进行过滤,从至少一个障碍物中确定目标障碍物之前,还包括:
计算两帧车辆行驶图像中的障碍物的中心点位置距离;
根据所述中心点位置距离计算所述障碍物的瞬时移动速度;
对所述瞬时移动速度进行卡尔曼滤波,获得所述障碍物的移动速度;
若所述障碍物的移动速度在预设时长内均低于预定速度值时,确定所述障碍物为静止障碍物,反之,则所述障碍物为动态障碍物。
可选地,在本发明第一方面的第三种实现方式中,所述根据所述第一偏航角和所述第二偏航角判断所述目标障碍物是否满足预设的逆行判断条件,并基于判断的结果确定所述行驶场景中是否包含逆行障碍物包括:
计算各所述第一偏航角与对应的第二偏航角之间的差值,并根据各所述差值确定所述目标障碍物在所述车道上连续逆行的时长;
判断所述目标障碍物当前帧的所述第一偏航角与当前帧的所述第二偏航角之间的差值是否大于预设第一阈值,得到判断结果;
根据所述时长和所述判断的结果确定所述行驶场景中是否包含逆行障碍物。
若当前帧的所述第一偏航角与当前帧的所述第二偏航角差值大于预设第一阈值,且所述目标障碍物在所述车道上连续逆行的时长大于预设第二阈值时,确定所述行驶场景中包含逆行障碍物。
可选地,在本发明第一方面的第四种实现方式中,所述计算各所述第一偏航角与对应的第二偏航角之间的差值,并根据各所述差值确定所述目标障碍物在所述车道上连续逆行的时长包括:
计算各所述第一偏航角与对应的第二偏航角之间的差值,根据所述差值确定多帧车辆行驶图像中存在有逆行障碍物的图像帧数量;
根据所述图像帧数量,确定所述目标障碍物在所述车道上连续逆行的时长。
可选地,在本发明第一方面的第五种实现方式中,所述根据所述时长和所述判断的结果确定所述行驶场景中是否包含逆行障碍物包括:
若所述目标障碍物当前帧的所述第一偏航角与所述第二偏航角之间的差值大于预设第一阈值,则确定所述目标障碍物为逆行;
所述目标障碍物在所述车道上连续逆行的时长是否大于预设第二阈值;
若所述时长大于预设第二阈值,则确定所述行驶场景中包含逆行障碍物。
可选地,在本发明第一方面的第六种实现方式中,若所述目标障碍物不是路口障碍物,所述逆行障碍物识别方法还包括:
提取所述目标障碍物当前帧的速度方向的第一偏航角与当前帧的所述目标障碍物在所述目标位置点所处车道行进方向的第二偏航角;
计算当前帧的所述第一偏航角与当前帧的所述第二偏航角之间的差值,并判断所述差值是否大于预设第三阈值;
若所述差值大于预设第三阈值,则确定所述目标障碍物在所述当前帧为逆行障碍物。
本发明第二方面提供了一种逆行障碍物识别装置,包括:获取模块,用于获取行驶场景中包含至少一个障碍物的多帧车辆行驶图像,并从至少一个障碍物中确定目标障碍物;判断模块,用于确定所述目标障碍物在预设语义地图上距离最小的目标位置点,并基于所述目标位置点判断所述目标障碍物是否为路口障碍物;第一提取模块,用于若所述目标障碍物为路口障碍物时,提取每帧图像中所述目标障碍物在速度方向上的第一偏航角和所述目标障碍物在所述目标位置点所处车道的行进方向上的第二偏航角;第一确定模块,用于根据所述第一偏航角和所述第二偏航角判断所述目标障碍物是否满足预设的逆行判断条件,并基于判断的结果确定所述行驶场景中是否包含逆行障碍物。
可选地,在本发明第二方面的第一种实现方式中,所述获取模块具体用于:
获取行驶场景多帧包含至少一个障碍物的车辆行驶图像,对所述车辆行驶图像进行识别,计算其中的车辆与障碍物之间的实时距离;
根据所述车辆的当前车速与车辆高度计算障碍物的识别距离;
当所述实时距离小于所述识别距离时,判断预设激光雷达设备是否扫描到所述障碍物;
若是,则根据预设过滤规则对所述障碍物进行过滤,从至少一个障碍物中确定目标障碍物。
可选地,在本发明第二方面的第二种实现方式中,所述逆行障碍物识别装置还包括:
第一计算模块,用于计算两帧车辆行驶图像中的障碍物的中心点位置距离;根据所述中心点位置距离计算所述障碍物的瞬时移动速度;对所述瞬时移动速度进行卡尔曼滤波,获得所述障碍物的移动速度;
第二确定模块,用于若所述障碍物的移动速度在预设时长内均低于预定速度值时,确定所述障碍物为静止障碍物,反之,则所述障碍物为动态障碍物。
可选地,在本发明第二方面的第三种实现方式中,所述第一确定模块包括:
计算单元,用于计算各所述第一偏航角与对应的第二偏航角之间的差值,并根据各所述差值确定所述目标障碍物在所述车道上连续逆行的时长;
判断单元,用于判断所述目标障碍物当前帧的所述第一偏航角与当前帧的所述第二偏航角之间的差值是否大于预设第一阈值,得到判断结果;
确定单元,用于根据所述时长和所述判断的结果确定所述行驶场景中是否包含逆行障碍物;若当前帧的所述第一偏航角与当前帧的所述第二偏航角差值大于预设第一阈值,且所述目标障碍物在所述车道上连续逆行的时长大于预设第二阈值时,确定所述行驶场景中包含逆行障碍物。
可选地,在本发明第二方面的第四种实现方式中,所述计算单元具体用于:
计算各所述第一偏航角与对应的第二偏航角之间的差值,根据所述差值确定多帧车辆行驶图像中存在有逆行障碍物的图像帧数量;
根据所述图像帧数量,确定所述目标障碍物在所述车道上连续逆行的时长。
可选地,在本发明第二方面的第五种实现方式中,所述确定单元具体用于:
若所述目标障碍物当前帧的所述第一偏航角与所述第二偏航角之间的差值大于预设第一阈值,则确定所述目标障碍物为逆行;
所述目标障碍物在所述车道上连续逆行的时长是否大于预设第二阈值;
若所述时长大于预设第二阈值,则确定所述行驶场景中包含逆行障碍物。
可选地,在本发明第二方面的第六种实现方式中,所述逆行障碍物识别装置还包括:
第二提取模块,用于提取所述目标障碍物当前帧的速度方向的第一偏航角与当前帧的所述目标障碍物在所述目标位置点所处车道行进方向的第二偏航角;
第二计算模块,用于计算当前帧的所述第一偏航角与当前帧的所述第二偏航角之间的差值,并判断所述差值是否大于预设第三阈值;
第三确定模块,用于若所述差值大于预设第三阈值,则确定所述目标障碍物在所述当前帧为逆行障碍物。
本发明第三方面提供了一种逆行障碍物识别设备,包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述逆行障碍物识别设备执行上述的逆行障碍物识别方法的各个步骤。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的逆行障碍物识别方法的各个步骤。
本发明提供的技术方案中,通过行驶场景中获取的多帧车辆行驶图像确定目标障碍物;确定目标障碍物在语义地图上距离最小的目标位置点,并基于目标位置点判断障碍物是否为路口障碍物;若是,提取每帧图像中目标障碍物在速度方向上的第一偏航角和目标障碍物在目标位置点所处车道的行进方向上的第二偏航角;根据第一偏航角和第二偏航角判断目标障碍物是否满足预设的逆行判断条件,并基于判断的结果确定行驶场景中是否包含逆行障碍物。实现了对于位于路口车道线信息复杂的障碍物逆行识别,提高了行驶场景中逆行行驶场景的识别能力、识别准确率和效率线信息复杂的障碍物逆行识别,提高了行驶场景中逆行行驶场景的识别能力、识别准确率和效率。
附图说明
图1为本发明提供的逆行障碍物识别方法的第一个实施例示意图;
图2为本发明提供的逆行障碍物识别方法的第二个实施例示意图;
图3为本发明提供的逆行障碍物识别方法的第三个实施例示意图;
图4为本发明提供的逆行障碍物识别装置的第一个实施例示意图;
图5为本发明提供的逆行障碍物识别装置的第二个实施例示意图;
图6为本发明提供的逆行障碍物识别设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种逆行障碍物识别方法、装置、设备及存储介质,本发明的技术方案中,首先通过行驶场景中获取的多帧车辆行驶图像确定目标障碍物;确定目标障碍物在语义地图上距离最小的目标位置点,并基于目标位置点判断障碍物是否为路口障碍物;若是,提取每帧图像中目标障碍物在速度方向上的第一偏航角和目标障碍物在目标位置点所处车道的行进方向上的第二偏航角;根据第一偏航角和第二偏航角判断目标障碍物是否满足预设的逆行判断条件,并基于判断的结果确定行驶场景中是否包含逆行障碍物。实现了对于位于路口车道线信息复杂的障碍物逆行识别,提高了行驶场景中逆行行驶场景的识别能力、识别准确率和效率线信息复杂的障碍物逆行识别,提高了行驶场景中逆行行驶场景的识别能力、识别准确率和效率。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中逆行障碍物识别方法的第一个实施例包括:
101、获取行驶场景中包含至少一个障碍物的多帧车辆行驶图像,并从至少一个障碍物中确定目标障碍物;
本实施例中,获取行驶场景中多帧包含有障碍物的车辆行驶图像,并从车辆行驶图像中获取目标障碍物。
本实施例中,确定目标障碍物在预设语义地图上距离最小的目标位置点,根据目标位置点,判断目标障碍物是否为处于路口的障碍物。需要说明的是,获取障碍物信息可以由本车辆上的毫米波雷达执行,也可以由摄像头等装置执行。为了节省计算资源,在本步骤中先粗略的将不可能有逆行行为的障碍物或逆行不会对车辆驾驶造成影响的静止障碍物和路牙内动态障碍物过滤掉。
具体地,如何确定静止障碍物和路牙内动态障碍物,具体内容包括:若障碍物速度<0.05m/s则被判断为静止障碍物,并先将此类静止障碍物过滤。对于路牙内动态障碍物的判断,通过提取语义地图的信息,并对目标障碍物在语义地图上最近的位置点距该障碍物的距离dwp,目标障碍物在语义地图上最近的位置点距左侧第一个路牙的距离dleft_curb,及目标障碍物在语义地图上最近的位置点距右侧第一个路牙的距离dright_curb。若dwp+0.25>min(dleft_curb,dright_curb),则将该障碍物判断为路牙内的动态障碍物,并进行过滤。
102、确定目标障碍物在预设语义地图上距离最小的目标位置点,并基于目标位置点判断目标障碍物是否为路口障碍物;
本实施例中,确定目标障碍物在预设语义地图上距离最小的目标位置点,根据目标位置点,判断目标障碍物是否为处于路口的障碍物。需要说明的是,在语义地图中,将上述障碍物坐标作为圆心,按照预设的选择半径作为选择范围的依据,选取出一个初始区域。可选地,该初始区域可以为原型,也可以为其他形状,例如方形,对此本实施例不做限定。需要说明的是,上述语义地图为标注了道路点和各种道路实际信息的高精度地图。因此上述初始区域可以包括障碍物所在的区域的道路分布状态,其分布状态由多个道路点进行表征。
本实施例中,计算机设备能够采用预设的筛选规则对上述初始区域中的多个道路点进行筛选,可选地,其可以是一次性筛选,也可以是逐步层层筛选,对此本实施例不做限定。由于上述筛选规则为根据障碍物的行驶速度、道路点的方向、道路点与障碍物坐标的距离、道路点之间的距离和道路点之间的连通关系中的至少一个对道路点进行筛选的规则,计算机设备采用该筛选规则对上述初始区域中的多个道路进行筛选,得到筛选后的目标位置点。
本实施例中,由于路口车道线信息复杂,本方法将位于路口的障碍物和非位于路口的障碍物进行分情况判断。本步骤中通过提取目标障碍物在语义地图上最近的位置点的路口地图信息,判断该障碍物是否处于路口。
103、若目标障碍物为路口障碍物时,提取每帧图像中目标障碍物在速度方向上的第一偏航角和目标障碍物在目标位置点所处车道的行进方向上的第二偏航角;
本实施例中,提取目标障碍物在行驶场景中所有帧的速度方向的第一偏航角和目标障碍物在目标位置点所处车道行进方向的第二偏航角,计算多个第一偏航角和第二偏航角之间的差值,并根据差值确定目标障碍物在车道上连续逆行的时长。
具体地,对位于路口的障碍物,首先提取障碍物每帧的速度方向的第一偏航角角度及障碍物在语义地图上最近的位置点所处车道行进方向的第二偏航角角度。如果速度方向与车道进行方向的角度差大于预设第一阈值,则将该帧的障碍物判断为逆行。将障碍物位于路口时的所有帧进行如上判断后,将判断为逆行的帧按照车道进行聚类计数,确定目标障碍物在车道上连续逆行的时长。如果在任意一条车道内持续逆行的帧数大于预设第二阈值,则将此路口障碍物判断为真正的逆行场景。
本实施例中,为了避免姿态求解过程中出现万向节锁现象,使用四元数对驾驶器、电机、拍摄装置的姿态进行描述。其中,产生万向节锁现象的根本原因是,旋转矩阵是依次进行的,假设先围绕x轴旋转,再围绕y轴旋转,最后围绕z轴旋转,这就导致物体其实是围绕自己的坐标系的x轴旋转,而不是惯性系的x轴旋转。表现就是,在一个欧拉角(x1,y1,z1)下,改变x1的值,物体会围绕物体自己的坐标系的x轴进行旋转,而不是世界惯性系的x轴进行旋转,最后,当把物体的x轴旋转到与惯性系的z轴重合时,欧垃角的x1和z1旋转结果就都一样了,也就丢失了一个维度,这便是万向节锁现象。概括起来可以这么说,绕着物体坐标系中某一个轴,比如y轴的+(-)90度的某次旋转,使得这次旋转的前一次绕物体坐标系x轴的旋转和这次旋转的后一次绕物体坐标系z轴的旋转的两个旋转轴是一样(一样的意思是指在惯性系中,两次旋转轴是共轴的但方向相反),从而造成一个旋转自由度丢失,也就是万向节锁现象。
104、根据第一偏航角和第二偏航角判断目标障碍物是否满足预设的逆行判断条件,并基于判断的结果确定行驶场景中是否包含逆行障碍物。
本实施例中,判断目标障碍物当前帧的第一偏航角与第二偏航角之间的差值是否大于预设第一阈值。
具体地,对位于路口的障碍物,首先提取障碍物每帧的速度方向的第一偏航角及障碍物在语义地图上最近的位置点所处车道行进方向的第二偏航角。如果速度方向与车道进行方向的角度差大于预设阈值,则将该帧的障碍物判断为逆行。所以,在判断目标障碍物当前帧是否为逆行之前,需要判断当前帧的第一偏航角与第二偏航角之间的差值是否大于预设第一阈值。
具体地,当第一偏航角与第二偏航角差值大于预设第一阈值,且目标障碍物在车道上连续逆行的时长大于预设第二阈值时,确定行驶场景中包含逆行障碍物。
具体地,通常障碍物逆行的概率较低,如果目标障碍物在逆行,该目标障碍物所在目标车道中正常行驶的障碍物数量大于逆行的障碍物数量,相应的,目标障碍物与连续的多个参考对象之间的相对速度信息均大于预设的最高配速。
进一步地,将障碍物位于路口时的所有帧进行如上判断后,将判断为逆行的帧按照车道进行聚类计数。如果在任意一条车道内持续逆行的帧数大于预设帧数量,比如10帧,则将此路口障碍物判断为真正的逆行场景。
本发明实施例中,通过行驶场景中获取的多帧车辆行驶图像确定目标障碍物;确定目标障碍物在语义地图上距离最小的目标位置点,并基于目标位置点判断障碍物是否为路口障碍物;若是,提取每帧图像中目标障碍物在速度方向上的第一偏航角和目标障碍物在目标位置点所处车道的行进方向上的第二偏航角;根据第一偏航角和第二偏航角判断目标障碍物是否满足预设的逆行判断条件,并基于判断的结果确定行驶场景中是否包含逆行障碍物。实现了对于位于路口车道线信息复杂的障碍物逆行识别,提高了行驶场景中逆行行驶场景的识别能力、识别准确率和效率线信息复杂的障碍物逆行识别,提高了行驶场景中逆行行驶场景的识别能力、识别准确率和效率。
请参阅图2,本发明实施例中逆行障碍物识别方法的第二个实施例包括:
201、获取行驶场景多帧包含至少一个障碍物的车辆行驶图像,对车辆行驶图像进行识别,计算其中的车辆与障碍物之间的实时距离;
本实施例中,根据当前车速、车辆高度及所述参数信息计算障碍物识别距离的步骤具体包括:根据当前车速及预设车速级别获取距离补偿参数;根据车辆高度、所述参数信息及雷达扫描区域的几何关系获取障碍物识别最小距离;根据所述障碍物识别最小距离及所述距离补偿参数获取障碍物识别距离。
在具体实施中,例如:在最小障碍物识别距离下,同自车高度一致的物体恰好能够同时被两个毫米波雷达检测到,但不会被第二毫米波雷达的视场角中非重叠部分探测到,在这样的距离下,若是超过车高的限高门则会仅第二毫米波雷达探测到,即被认为是低矮障碍物,而低于车高的限高门则被认为悬空障碍物。同时,车辆运动速度不同,关注的目标的纵向距离也不同,同时结合雷达安装位置的影响。
202、根据车辆的当前车速与车辆高度计算障碍物的识别距离;
本实施例中,影响到障碍物识别距离的主要因素(即参数信息)为:所述第一毫米波雷达的第一安装高度、所述第二毫米波雷达的第二安装高度、所述第一毫米波雷达的第一视场角及所述第二毫米波雷达的第二视场角、当前车速、车辆高度。
应当理解的是,所述根据当前车速及预设车速级别获取距离补偿参数的步骤,具体包括:根据预设车速级别判断当前车速对应的当前车速级别;根据所述当前车速与所述当前车速级别获取距离补偿参数。
应当理解的是,当前车速为动态参数,第一安装高度、第二安装高度、第一视场角及第二视场角、车辆高度为静态参数,在获取障碍物识别距离的过程中需要采用参数自适应方式。参数自适应包含两个层次的参数自适应:静态参数自适应、动态参数自适应。在静态参数自适应针对方法中涉及到的毫米波雷达安装高度(具体实施中可根据实际情况结合安装高度与横向方向上的位置)、毫米波雷达垂直方向的视场角(即,第一视场角和第二视场角)、车辆高度通过几何关系确定最小障碍物识别距离。在动态参数自适应中考虑到车速越大,为确保行车安全需要探测的障碍物越远,因此将车速分为三个预设车速级别(具体实施中可根据车速数值分为更详细的级别,本实施例并不限制具体的分级数量),三个所述预设车速级别分别对应快速、中速及慢速,每个预设车速级别通过当前车速乘以预设车速级别对应的速度系数以得到由车速影响障碍物识别的距离补偿参数。最后结合静态参数自适应和动态参数自适应得到最终的障碍物识别距离。
203、当实时距离小于识别距离时,判断预设激光雷达设备是否扫描到障碍物;
本实施例中,当实时距离小于识别距离时,判断障碍物的纵向距离是否等于障碍物识别距离,当障碍物识别距离等于目标纵向距离时,判断两个雷达是否都能探测到障碍物,当两个雷达都能扫描到障碍物时,该障碍物为待避让障碍物。
204、计算两帧车辆行驶图像中的障碍物的中心点位置距离;
本实施例中,当预设激光雷达设备扫描到障碍物时,计算两帧车辆行驶图像中的障碍物的中心点位置距离。将识别到的障碍物的中心点设为障碍物坐标,根据图像处理连续2帧的中心点位置变化计算障碍物瞬时移动速度。
205、根据中心点位置距离计算障碍物的瞬时移动速度;
本实施例中,考虑探测误差,对障碍物瞬时移动速度进行卡尔曼滤波处理,消除探测误差造成移动速度误差,获得障碍物的移动速度。再对障碍物移动速度进行延时判断,当持续300ms以上障碍物的移动速度值小于0.1m/s,则确定障碍物为静止障碍物。反之,则确定障碍物为运动障碍物。
206、对瞬时移动速度进行卡尔曼滤波,获得障碍物的移动速度;
本实施例中,对所述瞬时移动速度进行卡尔曼滤波,获得所述障碍物的移动速度;在所述障碍物的移动速度在第一时长(0.3s)内均低于预定速度值(0.1m/s)时,确定所述障碍物为静止障碍物;反之,则确定所述障碍物为运动障碍物。
具体地,卡尔曼滤波算法(KF)是序贯数据同化的一种,是由Kalman针对随机过程状态估计提出的。KF的基本思想是利用前一时刻的状态估计值和当前时刻的观测值来获得动态系统当前时刻状态变量的最优估计,包括预报和分析两个步骤。在预报阶段,根据前一时刻的模式状态生成当前时刻模式状态的预报值。在分析阶段,引入观测数据,利用最小方差估计方法对模式状态进行重新分析。随着模式状态预报的持续进行和新的观测数据的陆续输入,这个过程不断向前推进。即模式随着时间向前积分进行状态预报,当出现观测数据时,根据模式预报误差的协方差矩阵(已知)和观测误差的协方差矩阵(已知)之间相对大小导出状态的最小方差估计。
207、若障碍物的移动速度在预设时长内均低于预定速度值时,确定障碍物为静止障碍物,反之,则障碍物为动态障碍物;
本实施例中,若障碍物的移动速度在预设时长内均低于预定速度值时,确定障碍物为静止障碍物,反之,则为动态障碍物。
具体地,当车辆静止后,将识别到的障碍物的中心点设为障碍物坐标,根据图像处理连续2帧的中心点位置变化计算障碍物瞬时移动速度。考虑探测误差,对障碍物瞬时移动速度进行卡尔曼滤波处理,消除探测误差造成移动速度误差,获得障碍物的移动速度。再对障碍物移动速度进行延时判断,当障碍物的移动速度在预设时长内均低于预定速度值时,确定障碍物为静止障碍物,反之,则确定障碍物为运动障碍物。
同时保持车辆静止3s做延时确认,一则给真实运动的障碍物(如动物,车辆或行人)离开的时间,二则是确认障碍物是否处于持续静止的状态。
208、若是,则根据预设过滤规则对障碍物进行过滤,从至少一个障碍物中确定目标障碍物;
本实施例中,根据预设过滤规则对障碍物进行过滤,从至少一个障碍物中确定目标障碍物。具体地,计算机设备能够采用预设的筛选规则对上述初始区域中的多个道路点进行筛选,可选地,其可以是一次性筛选,也可以是逐步层层筛选,对此本实施例不做限定。由于上述筛选规则为根据障碍物的行驶速度、道路点的方向、道路点与障碍物坐标的距离、道路点之间的距离和道路点之间的连通关系中的至少一个对道路点进行筛选的规则,计算机设备采用该筛选规则对上述初始区域中的多个道路进行筛选,得到筛选后的目标位置点。
209、确定目标障碍物在预设语义地图上距离最小的目标位置点,并基于目标位置点判断目标障碍物是否为路口障碍物;
210、若目标障碍物不是路口障碍物,提取目标障碍物当前帧的速度方向的第一偏航角与当前帧的目标障碍物在目标位置点所处车道行进方向的第二偏航角;
本实施例中,若所述目标障碍物并非是处于路口的障碍物,那么,对并非位于路口的障碍物,首先提取障碍物每帧的速度方向的偏航角及障碍物在语义地图上最近的位置点所处车道行进方向的偏航角。
211、计算当前帧的第一偏航角与当前帧的第二偏航角之间的差值,并判断差值是否大于预设第三阈值;
本实施例中,计算第一偏航角与第二偏航角之间的差值,并判断差值是否大于预设第三阈值。如果速度方向与车道进行方向的角度差大于预设第三阈值,则将该帧的障碍物判断为逆行。比如,对非位于路口的障碍物,首先提取障碍物每帧的速度方向的偏航角及障碍物在语义地图上最近的位置点所处车道行进方向的偏航角。如果速度方向与车道进行方向的角度差>pi*0.5,则将该帧的障碍物判断为逆行。
212、若差值大于预设第三阈值,则确定目标障碍物在当前帧为逆行障碍物;
本实施例中,如果速度方向与车道进行方向的角度差大于预设第三阈值,则将该帧的障碍物判断为逆行。比如,对非位于路口的障碍物,首先提取障碍物每帧的速度方向的偏航角及障碍物在语义地图上最近的位置点所处车道行进方向的偏航角。如果速度方向与车道进行方向的角度差>pi*0.5,则将该帧的障碍物判断为逆行。
213、若目标障碍物为路口障碍物时,提取每帧图像中目标障碍物在速度方向上的第一偏航角和目标障碍物在目标位置点所处车道的行进方向上的第二偏航角;
214、根据第一偏航角和第二偏航角判断目标障碍物是否满足预设的逆行判断条件,并基于判断的结果确定行驶场景中是否包含逆行障碍物。
本实施例中步骤201、209、213-214与第一实施例中的步骤101、102、103-104类似,此处不再赘述。
本发明实施例中,通过行驶场景中获取的多帧车辆行驶图像确定目标障碍物;确定目标障碍物在语义地图上距离最小的目标位置点,并基于目标位置点判断障碍物是否为路口障碍物;若是,提取每帧图像中目标障碍物在速度方向上的第一偏航角和目标障碍物在目标位置点所处车道的行进方向上的第二偏航角;根据第一偏航角和第二偏航角判断目标障碍物是否满足预设的逆行判断条件,并基于判断的结果确定行驶场景中是否包含逆行障碍物。实现了对于位于路口车道线信息复杂的障碍物逆行识别,提高了行驶场景中逆行行驶场景的识别能力、识别准确率和效率线信息复杂的障碍物逆行识别,提高了行驶场景中逆行行驶场景的识别能力、识别准确率和效率。
请参阅图3,本发明实施例中逆行障碍物识别方法的第三个实施例包括:
301、获取行驶场景中包含至少一个障碍物的多帧车辆行驶图像,并从至少一个障碍物中确定目标障碍物;
302、确定目标障碍物在预设语义地图上距离最小的目标位置点,并基于目标位置点判断目标障碍物是否为路口障碍物;
303、若目标障碍物为路口障碍物时,提取每帧图像中目标障碍物在速度方向上的第一偏航角和目标障碍物在目标位置点所处车道的行进方向上的第二偏航角;
304、计算各第一偏航角与对应的第二偏航角之间的差值,根据差值确定多帧车辆行驶图像中存在有逆行障碍物的图像帧数量;
本实施例中,计算多个第一偏航角和第二偏航角之间的差值,根据差值确定所有帧中存在有逆行障碍物的帧数量。将障碍物位于路口时的所有帧进行如上判断后,将判断为逆行的帧按照车道进行聚类计数确定所有帧中存在有逆行障碍物的帧数量。
305、根据图像帧数量,确定目标障碍物在车道上连续逆行的时长;
本实施例中,根据存在有逆行障碍物的帧数量,确定目标障碍物在车道上连续逆行的时长。
具体地,首先提取障碍物每帧的速度方向的第一偏航角及障碍物在语义地图上最近的位置点所处车道行进方向的第二偏航角。如果速度方向与车道进行方向的角度差>pi*0.6,则将该帧的障碍物判断为逆行。
将障碍物位于路口时的所有帧进行如上判断后,将判断为逆行的帧按照车道进行聚类计数。如果在任意一条车道内持续逆行的帧数,根据存在有逆行障碍物的帧数量,确定目标障碍物在车道上连续逆行的时长。
306、判断目标障碍物当前帧的第一偏航角与当前帧的第二偏航角之间的差值是否大于预设第一阈值,得到判断结果;
本实施例中,判断目标障碍物当前帧的第一偏航角与第二偏航角之间的差值是否大于预设第一阈值。
具体地,对位于路口的障碍物,首先提取障碍物每帧的速度方向的第一偏航角及障碍物在语义地图上最近的位置点所处车道行进方向的第二偏航角。如果速度方向与车道进行方向的角度差大于预设阈值,则将该帧的障碍物判断为逆行。所以,在判断目标障碍物当前帧是否为逆行之前,需要判断当前帧的第一偏航角与第二偏航角之间的差值是否大于预设第一阈值。
307、若目标障碍物当前帧的第一偏航角与第二偏航角之间的差值大于预设第一阈值,则确定目标障碍物为逆行;
本实施例中,若目标障碍物当前帧的第一偏航角与第二偏航角之间的差值大于预设第一阈值,则确定目标障碍物为逆行。
具体地,对位于路口的障碍物,首先提取障碍物每帧的速度方向的第一偏航角及障碍物在语义地图上最近的位置点所处车道行进方向的第二偏航角。如果速度方向与车道进行方向的角度差大于预设阈值,则将该帧的障碍物判断为逆行。所以,在判断目标障碍物当前帧是否为逆行之前,需要判断当前帧的第一偏航角与第二偏航角之间的差值是否大于预设第一阈值。
308、目标障碍物在车道上连续逆行的时长是否大于预设第二阈值;
本实施例中,具体地,通常障碍物逆行的概率较低,如果目标障碍物在逆行,该目标障碍物所在目标车道中正常行驶的障碍物数量大于逆行的障碍物数量,相应的,目标障碍物与连续的多个参考对象之间的相对速度信息均大于预设的最高配速。
309、若时长大于预设第二阈值,则确定行驶场景中包含逆行障碍物;
本实施例中,进一步地,将障碍物位于路口时的所有帧进行如上判断后,将判断为逆行的帧按照车道进行聚类计数。如果在任意一条车道内持续逆行的帧数大于预设帧数量,比如10帧,则将此路口障碍物判断为真正的逆行场景。
310、若当前帧的第一偏航角与当前帧的第二偏航角差值大于预设第一阈值,且目标障碍物在车道上连续逆行的时长大于预设第二阈值时,确定行驶场景中包含逆行障碍物。
本实施例中,若目标障碍物当前帧第一偏航角与第二偏航角之间的差值大于预设第一阈值,则确定目标障碍物为逆行.具体地,提取障碍物每帧的速度方向的第一偏航角及障碍物在语义地图上最近的位置点所处车道行进方向的第二偏航角。如果速度方向与车道进行方向的角度差大于预设阈值,则将该帧的障碍物判断为逆行。
308、当第一偏航角与第二偏航角差值大于预设第一阈值,且目标障碍物在车道上连续逆行的时长大于预设第二阈值时,确定行驶场景中包含逆行障碍物;
本实施例中,当第一偏航角与第二偏航角差值大于预设第一阈值,且目标障碍物在车道上连续逆行的时长大于预设第二阈值时,确定行驶场景中包含逆行障碍物。
具体地,通常障碍物逆行的概率较低,如果目标障碍物在逆行,该目标障碍物所在目标车道中正常行驶的障碍物数量大于逆行的障碍物数量,相应的,目标障碍物与连续的多个参考对象之间的相对速度信息均大于预设的最高配速。因此,处理器持续的监控目标障碍物与连续的多个参考对象之间的相对速度信息,将匹配每一个参考对象的相对速度信息与预设的最高配速的比较结果,作为确定目标障碍物的逆行概率的特征信息。
进一步地,将障碍物位于路口时的所有帧进行如上判断后,将判断为逆行的帧按照车道进行聚类计数。如果在任意一条车道内持续逆行的帧数大于预设帧数量,比如10帧,则将此路口障碍物判断为真正的逆行场景。
本实施例中步骤301-303与第一实施例中的步骤101-103类似,此处不再赘述。
本发明实施例中,通过行驶场景中获取的多帧车辆行驶图像确定目标障碍物;确定目标障碍物在语义地图上距离最小的目标位置点,并基于目标位置点判断障碍物是否为路口障碍物;若是,提取每帧图像中目标障碍物在速度方向上的第一偏航角和目标障碍物在目标位置点所处车道的行进方向上的第二偏航角;根据第一偏航角和第二偏航角判断目标障碍物是否满足预设的逆行判断条件,并基于判断的结果确定行驶场景中是否包含逆行障碍物。实现了对于位于路口车道线信息复杂的障碍物逆行识别,提高了行驶场景中逆行行驶场景的识别能力、识别准确率和效率线信息复杂的障碍物逆行识别,提高了行驶场景中逆行行驶场景的识别能力、识别准确率和效率。
上面对本发明实施例中逆行障碍物识别方法进行了描述,下面对本发明实施例中逆行障碍物识别装置进行描述,请参阅图4,本发明实施例中逆行障碍物识别装置的第一个实施例包括:
获取模块601,用于获取行驶场景中包含至少一个障碍物的多帧车辆行驶图像,并从至少一个障碍物中确定目标障碍物;
判断模块602,用于确定所述目标障碍物在预设语义地图上距离最小的目标位置点,并基于所述目标位置点判断所述目标障碍物是否为路口障碍物;
第一提取模块603,用于若所述目标障碍物为路口障碍物时,提取每帧图像中所述目标障碍物在速度方向上的第一偏航角和所述目标障碍物在所述目标位置点所处车道的行进方向上的第二偏航角;
第一确定模块604,用于根据所述第一偏航角和所述第二偏航角判断所述目标障碍物是否满足预设的逆行判断条件,并基于判断的结果确定所述行驶场景中是否包含逆行障碍物。
本发明实施例中,通过行驶场景中获取的多帧车辆行驶图像确定目标障碍物;确定目标障碍物在语义地图上距离最小的目标位置点,并基于目标位置点判断障碍物是否为路口障碍物;若是,提取每帧图像中目标障碍物在速度方向上的第一偏航角和目标障碍物在目标位置点所处车道的行进方向上的第二偏航角;根据第一偏航角和第二偏航角判断目标障碍物是否满足预设的逆行判断条件,并基于判断的结果确定行驶场景中是否包含逆行障碍物。实现了对于位于路口车道线信息复杂的障碍物逆行识别,提高了行驶场景中逆行行驶场景的识别能力、识别准确率和效率线信息复杂的障碍物逆行识别,提高了行驶场景中逆行行驶场景的识别能力、识别准确率和效率。
请参阅图5,本发明实施例中逆行障碍物识别装置的第二个实施例,该逆行障碍物识别装置具体包括:
获取模块601,用于获取行驶场景中包含至少一个障碍物的多帧车辆行驶图像,并从至少一个障碍物中确定目标障碍物;
判断模块602,用于确定所述目标障碍物在预设语义地图上距离最小的目标位置点,并基于所述目标位置点判断所述目标障碍物是否为路口障碍物;
第一提取模块603,用于若所述目标障碍物为路口障碍物时,提取每帧图像中所述目标障碍物在速度方向上的第一偏航角和所述目标障碍物在所述目标位置点所处车道的行进方向上的第二偏航角;
第一确定模块604,用于根据所述第一偏航角和所述第二偏航角判断所述目标障碍物是否满足预设的逆行判断条件,并基于判断的结果确定所述行驶场景中是否包含逆行障碍物。
本实施例中,所述获取模块601具体用于:
获取行驶场景多帧包含至少一个障碍物的车辆行驶图像,对所述车辆行驶图像进行识别,计算其中的车辆与障碍物之间的实时距离;
根据所述车辆的当前车速与车辆高度计算障碍物的识别距离;
当所述实时距离小于所述识别距离时,判断预设激光雷达设备是否扫描到所述障碍物;
若是,则根据预设过滤规则对所述障碍物进行过滤,从至少一个障碍物中确定目标障碍物。
本实施例中,所述逆行障碍物识别装置还包括:
第一计算模块605,用于计算两帧车辆行驶图像中的障碍物的中心点位置距离;根据所述中心点位置距离计算所述障碍物的瞬时移动速度;对所述瞬时移动速度进行卡尔曼滤波,获得所述障碍物的移动速度;
第二确定模块606,用于若所述障碍物的移动速度在预设时长内均低于预定速度值时,确定所述障碍物为静止障碍物,反之,则所述障碍物为动态障碍物。
本实施例中,所述第一确定模块604包括:
计算单元6041,用于计算各所述第一偏航角与对应的第二偏航角之间的差值,并根据各所述差值确定所述目标障碍物在所述车道上连续逆行的时长;
判断单元6042,用于判断所述目标障碍物当前帧的所述第一偏航角与当前帧的所述第二偏航角之间的差值是否大于预设第一阈值,得到判断结果;
确定单元6043,用于根据所述时长和所述判断的结果确定所述行驶场景中是否包含逆行障碍物;若当前帧的所述第一偏航角与当前帧的所述第二偏航角差值大于预设第一阈值,且所述目标障碍物在所述车道上连续逆行的时长大于预设第二阈值时,确定所述行驶场景中包含逆行障碍物。
本实施例中,所述计算单元6041具体用于:
计算各所述第一偏航角与对应的第二偏航角之间的差值,根据所述差值确定多帧车辆行驶图像中存在有逆行障碍物的图像帧数量;
根据所述图像帧数量,确定所述目标障碍物在所述车道上连续逆行的时长。
本实施例中,所述确定单元6043具体用于:
若所述目标障碍物当前帧的所述第一偏航角与所述第二偏航角之间的差值大于预设第一阈值,则确定所述目标障碍物为逆行;
所述目标障碍物在所述车道上连续逆行的时长是否大于预设第二阈值;
若所述时长大于预设第二阈值,则确定所述行驶场景中包含逆行障碍物。
本实施例中,所述逆行障碍物识别装置还包括:
第二提取模块607,用于提取所述目标障碍物当前帧的速度方向的第一偏航角与当前帧的所述目标障碍物在所述目标位置点所处车道行进方向的第二偏航角;
第二计算模块608,用于计算当前帧的所述第一偏航角与当前帧的所述第二偏航角之间的差值,并判断所述差值是否大于预设第三阈值;
第三确定模块609,用于若所述差值大于预设第三阈值,则确定所述目标障碍物在所述当前帧为逆行障碍物。
本发明实施例中,通过行驶场景中获取的多帧车辆行驶图像确定目标障碍物;确定目标障碍物在语义地图上距离最小的目标位置点,并基于目标位置点判断障碍物是否为路口障碍物;若是,提取每帧图像中目标障碍物在速度方向上的第一偏航角和目标障碍物在目标位置点所处车道的行进方向上的第二偏航角;根据第一偏航角和第二偏航角判断目标障碍物是否满足预设的逆行判断条件,并基于判断的结果确定行驶场景中是否包含逆行障碍物。实现了对于位于路口车道线信息复杂的障碍物逆行识别,提高了行驶场景中逆行行驶场景的识别能力、识别准确率和效率线信息复杂的障碍物逆行识别,提高了行驶场景中逆行行驶场景的识别能力、识别准确率和效率。
上面图4和图5从模块化功能实体的角度对本发明实施例中的逆行障碍物识别装置进行详细描述,下面从硬件处理的角度对本发明实施例中逆行障碍物识别设备进行详细描述。
图6是本发明实施例提供的一种逆行障碍物识别设备的结构示意图,该逆行障碍物识别设备800可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)810(例如,一个或一个以上处理器)和存储器820,一个或一个以上存储应用程序833或数据832的存储介质830(例如一个或一个以上海量存储设备)。其中,存储器820和存储介质830可以是短暂存储或持久存储。存储在存储介质830的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对逆行障碍物识别设备800中的一系列指令操作。更进一步地,处理器810可以设置为与存储介质830通信,在逆行障碍物识别设备800上执行存储介质830中的一系列指令操作,以实现上述各方法实施例提供的逆行障碍物识别方法的步骤。
逆行障碍物识别设备800还可以包括一个或一个以上电源840,一个或一个以上有线或无线网络接口850,一个或一个以上输入输出接口860,和/或,一个或一个以上操作系统831,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图6示出的逆行障碍物识别设备结构并不构成对本申请提供的逆行障碍物识别设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行上述逆行障碍物识别方法的步骤。
所述领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种逆行障碍物识别方法,其特征在于,所述逆行障碍物识别方法包括:
获取行驶场景中包含至少一个障碍物的多帧车辆行驶图像,并从至少一个障碍物中确定目标障碍物;
确定所述目标障碍物在预设语义地图上距离最小的目标位置点,并基于所述目标位置点判断所述目标障碍物是否为路口障碍物;
若所述目标障碍物为路口障碍物时,提取每帧图像中所述目标障碍物在速度方向上的第一偏航角和所述目标障碍物在所述目标位置点所处车道的行进方向上的第二偏航角;
根据所述第一偏航角和所述第二偏航角判断所述目标障碍物是否满足预设的逆行判断条件,并基于判断的结果确定所述行驶场景中是否包含逆行障碍物。
2.根据权利要求1所述的逆行障碍物识别方法,其特征在于,所述获取行驶场景中包含至少一个障碍物的多帧车辆行驶图像,并从至少一个障碍物中确定目标障碍物包括:
获取行驶场景多帧包含至少一个障碍物的车辆行驶图像,对所述车辆行驶图像进行识别,计算其中的车辆与障碍物之间的实时距离;
根据所述车辆的当前车速与车辆高度计算障碍物的识别距离;
当所述实时距离小于所述识别距离时,判断预设激光雷达设备是否扫描到所述障碍物;
若是,则根据预设过滤规则对所述障碍物进行过滤,从至少一个障碍物中确定目标障碍物。
3.根据权利要求2所述的逆行障碍物识别方法,其特征在于,在所述根据预设过滤规则对所述障碍物进行过滤,从至少一个障碍物中确定目标障碍物之前,还包括:
计算两帧车辆行驶图像中的障碍物的中心点位置距离;
根据所述中心点位置距离计算所述障碍物的瞬时移动速度;
对所述瞬时移动速度进行卡尔曼滤波,获得所述障碍物的移动速度;
若所述障碍物的移动速度在预设时长内均低于预定速度值时,确定所述障碍物为静止障碍物,反之,则所述障碍物为动态障碍物。
4.根据权利要求1-3中任一项所述的逆行障碍物识别方法,其特征在于,所述根据所述第一偏航角和所述第二偏航角判断所述目标障碍物是否满足预设的逆行判断条件,并基于判断的结果确定所述行驶场景中是否包含逆行障碍物包括:
计算各所述第一偏航角与对应的第二偏航角之间的差值,并根据各所述差值确定所述目标障碍物在所述车道上连续逆行的时长;
判断所述目标障碍物当前帧的所述第一偏航角与当前帧的所述第二偏航角之间的差值是否大于预设第一阈值,得到判断结果;
根据所述时长和所述判断的结果确定所述行驶场景中是否包含逆行障碍物;
若当前帧的所述第一偏航角与当前帧的所述第二偏航角差值大于预设第一阈值,且所述目标障碍物在所述车道上连续逆行的时长大于预设第二阈值时,确定所述行驶场景中包含逆行障碍物。
5.根据权利要求4所述的逆行障碍物识别方法,其特征在于,所述计算各所述第一偏航角与对应的第二偏航角之间的差值,并根据各所述差值确定所述目标障碍物在所述车道上连续逆行的时长包括:
计算各所述第一偏航角与对应的第二偏航角之间的差值,根据所述差值确定多帧车辆行驶图像中存在有逆行障碍物的图像帧数量;
根据所述图像帧数量,确定所述目标障碍物在所述车道上连续逆行的时长。
6.根据权利要求4所述的逆行障碍物识别方法,其特征在于,所述根据所述时长和所述判断的结果确定所述行驶场景中是否包含逆行障碍物包括:
若所述目标障碍物当前帧的所述第一偏航角与所述第二偏航角之间的差值大于预设第一阈值,则确定所述目标障碍物为逆行;
所述目标障碍物在所述车道上连续逆行的时长是否大于预设第二阈值;
若所述时长大于预设第二阈值,则确定所述行驶场景中包含逆行障碍物。
7.根据权利要求1所述的逆行障碍物识别方法,其特征在于,若所述目标障碍物不是路口障碍物,所述逆行障碍物识别方法还包括:
提取所述目标障碍物当前帧的速度方向的第一偏航角与当前帧的所述目标障碍物在所述目标位置点所处车道行进方向的第二偏航角;
计算当前帧的所述第一偏航角与当前帧的所述第二偏航角之间的差值,并判断所述差值是否大于预设第三阈值;
若所述差值大于预设第三阈值,则确定所述目标障碍物在所述当前帧为逆行障碍物。
8.一种逆行障碍物识别装置,其特征在于,所述逆行障碍物识别装置包括:
获取模块,用于获取行驶场景中包含至少一个障碍物的多帧车辆行驶图像,并从至少一个障碍物中确定目标障碍物;
判断模块,用于确定所述目标障碍物在预设语义地图上距离最小的目标位置点,并基于所述目标位置点判断所述目标障碍物是否为路口障碍物;
第一提取模块,用于若所述目标障碍物为路口障碍物时,提取每帧图像中所述目标障碍物在速度方向上的第一偏航角和所述目标障碍物在所述目标位置点所处车道的行进方向上的第二偏航角;
第一确定模块,用于根据所述第一偏航角和所述第二偏航角判断所述目标障碍物是否满足预设的逆行判断条件,并基于判断的结果确定所述行驶场景中是否包含逆行障碍物。
9.一种逆行障碍物识别设备,其特征在于,所述逆行障碍物识别设备包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述逆行障碍物识别设备执行如权利要求1-7中任一项所述的逆行障碍物识别方法的各个步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的逆行障碍物识别方法的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210344839.1A CN114879659A (zh) | 2022-03-31 | 2022-03-31 | 逆行障碍物识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210344839.1A CN114879659A (zh) | 2022-03-31 | 2022-03-31 | 逆行障碍物识别方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114879659A true CN114879659A (zh) | 2022-08-09 |
Family
ID=82668556
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210344839.1A Pending CN114879659A (zh) | 2022-03-31 | 2022-03-31 | 逆行障碍物识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114879659A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115482672A (zh) * | 2022-08-11 | 2022-12-16 | 西安天和防务技术股份有限公司 | 车辆逆行检测的方法、装置、终端设备及存储介质 |
CN115861975A (zh) * | 2023-02-28 | 2023-03-28 | 杭州枕石智能科技有限公司 | 障碍物车辆位姿估计方法及设备 |
CN116238524A (zh) * | 2023-03-27 | 2023-06-09 | 宁波斯年智驾科技有限公司 | 基于高精地图与车辆历史轨迹的驾驶行为判别方法及系统 |
-
2022
- 2022-03-31 CN CN202210344839.1A patent/CN114879659A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115482672A (zh) * | 2022-08-11 | 2022-12-16 | 西安天和防务技术股份有限公司 | 车辆逆行检测的方法、装置、终端设备及存储介质 |
CN115482672B (zh) * | 2022-08-11 | 2023-12-19 | 西安天和防务技术股份有限公司 | 车辆逆行检测的方法、装置、终端设备及存储介质 |
CN115861975A (zh) * | 2023-02-28 | 2023-03-28 | 杭州枕石智能科技有限公司 | 障碍物车辆位姿估计方法及设备 |
CN115861975B (zh) * | 2023-02-28 | 2023-05-12 | 杭州枕石智能科技有限公司 | 障碍物车辆位姿估计方法及设备 |
CN116238524A (zh) * | 2023-03-27 | 2023-06-09 | 宁波斯年智驾科技有限公司 | 基于高精地图与车辆历史轨迹的驾驶行为判别方法及系统 |
CN116238524B (zh) * | 2023-03-27 | 2024-02-09 | 宁波斯年智驾科技有限公司 | 基于高精地图与车辆历史轨迹的驾驶行为判别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114879659A (zh) | 逆行障碍物识别方法、装置、设备及存储介质 | |
JP6664470B2 (ja) | 高精度地図データの処理方法、装置、記憶媒体及び機器 | |
Rummelhard et al. | Conditional monte carlo dense occupancy tracker | |
CN110674705B (zh) | 基于多线激光雷达的小型障碍物检测方法及装置 | |
CN109686031B (zh) | 基于安防的识别跟随方法 | |
CN110632617B (zh) | 一种激光雷达点云数据处理的方法及装置 | |
CN109682388B (zh) | 跟随路径的确定方法 | |
CN113734203B (zh) | 一种智能驾驶的控制方法、装置、系统及存储介质 | |
Roberts | Attentive visual tracking and trajectory estimation for dynamic scene segmentation | |
CN112150805B (zh) | 一种可行驶区域的确定方法、装置、设备及存储介质 | |
WO2023179027A1 (zh) | 一种道路障碍物检测方法、装置、设备及存储介质 | |
CN110705385B (zh) | 一种障碍物角度的检测方法、装置、设备及介质 | |
Qing et al. | A novel particle filter implementation for a multiple-vehicle detection and tracking system using tail light segmentation | |
CN112734811B (zh) | 一种障碍物跟踪方法、障碍物跟踪装置和芯片 | |
CN115083199B (zh) | 一种车位信息确定方法及其相关设备 | |
CN112230638A (zh) | 一种车辆的停车路径规划方法和装置 | |
JP2024019629A (ja) | 予測装置、予測方法、プログラムおよび車両制御システム | |
CN113282088A (zh) | 工程车的无人驾驶方法、装置、设备、存储介质及工程车 | |
CN111951552A (zh) | 一种自动驾驶中风险管理的方法以及相关装置 | |
CN114419573A (zh) | 动态占据栅格估计方法及装置 | |
CN116206286A (zh) | 高速路况下的障碍物检测方法、装置、设备和介质 | |
CN111832343A (zh) | 目跟踪方法和装置、存储介质 | |
CN114407919A (zh) | 一种基于自动驾驶的碰撞检测方法及系统 | |
CN113762030A (zh) | 数据处理方法、装置、计算机设备及存储介质 | |
Dickmanns | Three-stage visual perception for vertebrate-type dynamic machine vision |
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 |