CN115221921A - 传感器的感知性能评估方法、车辆以及存储介质 - Google Patents

传感器的感知性能评估方法、车辆以及存储介质 Download PDF

Info

Publication number
CN115221921A
CN115221921A CN202210763831.9A CN202210763831A CN115221921A CN 115221921 A CN115221921 A CN 115221921A CN 202210763831 A CN202210763831 A CN 202210763831A CN 115221921 A CN115221921 A CN 115221921A
Authority
CN
China
Prior art keywords
target
sensor
model
vehicle
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
Application number
CN202210763831.9A
Other languages
English (en)
Inventor
覃梓雨
张昭
汪留辉
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.)
Dongfeng Nissan Passenger Vehicle Co
Original Assignee
Dongfeng Nissan Passenger Vehicle Co
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 Dongfeng Nissan Passenger Vehicle Co filed Critical Dongfeng Nissan Passenger Vehicle Co
Priority to CN202210763831.9A priority Critical patent/CN115221921A/zh
Publication of CN115221921A publication Critical patent/CN115221921A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V13/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices covered by groups G01V1/00 – G01V11/00
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • Algebra (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Manufacturing & Machinery (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种传感器的感知性能评估方法、车辆以及存储介质。其中，该方法包括：获取车载传感器采集的车辆所在环境的环境数据，获取车载传感器在采集所述环境数据对应时刻识别出的第一目标及其对应的置信度；根据所述环境数据的目标追踪结果确定所述第一目标的验证结果，所述验证结果为所述第一目标是否真实存在，所述目标追踪结果由目标追踪系统依据所述环境数据分析获得；根据所述验证结果更新预设模型中的模型参数，获得预测模型，所述预设模型表征所述传感器的置信度与识别准确率之间的对应关系；根据所述预测模型确定所述置信度对应的目标识别准确率。本发明旨在准确评估车载传感器感知性能。

Description

传感器的感知性能评估方法、车辆以及存储介质
技术领域
本发明涉及车辆技术领域，尤其涉及传感器的感知性能评估方法、车辆和存储介质。
背景技术
感知是自动驾驶的关键技术之一，准确判断探测到的目标的真伪，是自动驾驶系统作出安全且合理控制策略的前提条件，这依赖于对传感器感知性能的正确把握。
目前，传感器的感知性能标定一般是通过离线方式标定的，也就是传感器未在车上安装的状态下人工标定的，然而车辆使用过程中环境多样且不断改变，离线标定的方式难以得到准确的传感器感知性能。
发明内容
本发明的主要目的在于提供一种传感器的感知性能评估方法、车辆以及存储介质，旨在准确评估车载传感器感知性能。
为实现上述目的，本发明提供一种传感器的感知性能评估方法，所述传感器的感知性能评估方法包括以下步骤：
获取车载传感器采集的车辆所在环境的环境数据，获取车载传感器在采集所述环境数据对应时刻识别出的第一目标及其对应的置信度；
根据所述环境数据的目标追踪结果确定所述第一目标的验证结果，所述验证结果为所述第一目标是否真实存在，所述目标追踪结果由目标追踪系统依据所述环境数据分析获得；
根据所述验证结果更新预设模型中的模型参数，获得预测模型，所述预设模型表征所述传感器的置信度与识别准确率之间的对应关系；
根据所述预测模型确定所述置信度对应的目标识别准确率。
可选地，所述根据所述验证结果更新预设模型中的模型参数，获得预测模型的步骤包括：
根据所述预设模型计算所述置信度对应的所述识别准确率的预测值，确定所述验证结果对应的所述识别准确率的参考值，不同的所述验证结果对应不同的所述参考值；
确定所述预测值与所述参考值之间的偏差值；
根据所述偏差值更新所述预设模型中的模型参数，获得所述预测模型。
可选地，所述根据所述偏差值更新所述预设模型中的模型参数，获得所述预测模型的步骤包括：
构建所述预设模型的损失函数；
根据所述偏差值和所述损失函数确定所述模型参数的变化量；
以所述损失函数误差减小的方向，根据所述变化量更新所述模型参数，获得所述预测模型。
可选地，所述根据所述偏差值和所述损失函数确定所述模型参数的变化量的步骤包括：
确定所述损失函数相对于所述模型参数的偏导数；
根据所述偏差值计算所述偏导数获得梯度；
根据所述梯度和目标学习率确定所述变化量。
可选地，所述根据所述预测模型确定所述置信度对应的目标识别准确率的步骤之后，还包括：
记录所述预测模型并将所述预测模型设置为新的预设模型；
返回执行所述获取车载传感器采集的车辆所在环境的环境数据，获取车载传感器在采集所述环境数据对应时刻识别出的第一目标及其对应的置信度的步骤。
可选地，所述根据所述预测模型确定所述置信度对应的目标识别准确率的步骤包括：
获取目标模型集合，所述目标模型集合包括当前时刻之前记录的多于一个所述预测模型；
根据所述目标模型集合中每个模型确定所述置信度对应的参考准确率；
根据多于一个所述参考准确率确定所述目标识别准确率。
可选地，所述预设模型为多项式模型。
可选地，所述目标追踪系统基于下列算法中之一构建：卡尔曼滤波追踪算法、粒子滤波追踪算法、多假设追踪算法以及联合概率数据关联算法；
且/或，所述传感器的感知性能评估方法还包括：
获取所述车辆的状态信息；
当所述状态信息为所述车辆处于行驶状态时，执行所述获取车载传感器采集的车辆所在环境的环境数据，获取车载传感器在采集所述环境数据对应时刻识别出的第一目标及其对应的置信度的步骤。
此外，为了实现上述目的，本申请还提出一种车辆，所述车辆包括：
车载传感器；
传感器的感知性能评估装置，所述车载传感器与所述感知性能评估装置连接，所述感知性能评估装置包括：
存储器、处理器及存储在所述存储器上并可在所述处理器上运行的传感器的感知性能评估程序，所述传感器的感知性能评估程序被所述处理器执行时实现如上任一项所述的传感器的感知性能评估方法的步骤。
此外，为了实现上述目的，本申请还提出一种存储介质，所述存储介质上存储有传感器的感知性能评估程序，所述传感器的感知性能评估程序被处理器执行时实现如上任一项所述的传感器的感知性能评估方法的步骤。
本发明提出的一种传感器的感知性能评估方法，该方法在基于目标追踪系统依据车辆所在环境的环境数据分析得到目标追踪结果验证车载传感器检测到的第一目标的真伪，基于验证结果更新表征置信度与识别准确率之间对应关系的预设模型中的模型参数后得到预测模型，根据得到的预测模型确定当前车载传感器识别目标的置信度所对应的目标识别准确率，基于此，目标追踪系统输出的结果当做即时真值系统，可以弥补由于传感器在车辆上运行缺少真值造成感知性能无法准确评价的缺陷，基于目标追踪结果验证车载传感器识别结果的真伪，从而进一步的构建预测模型，从而保证预测得到的目标识别准确率可准确地反映传感器在车辆当前使用场景下的感知性能优劣，可准确评估车载传感器感知性能。
附图说明
图1为本发明车辆一实施例运行涉及的硬件结构示意图；
图2为本发明传感器的感知性能评估方法一实施例的流程示意图；
图3为本发明传感器的感知性能评估方法一实施例涉及的预测模型示意图；
图4为本发明传感器的感知性能评估方法另一实施例的流程示意图；
图5为图4中步骤S33的细化流程示意图；
图6为本发明传感器的感知性能评估方法又一实施例的流程示意图；
图7为图6中步骤S40的细化流程示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例提出一种车辆，车辆可为汽车、货车等任意类型的机动车。
在本实施例中，车辆包括车载传感器2和与车载传感器2连接的传感器的感知性能评估装置1。传感器的感知性能评估装置1可用于对车辆上车载传感器2的性能进行识别。
车载传感器2为安装于车身上的传感器。车载传感器2可用于对车辆行驶过程中所在场景信息进行采集的检测模块。车载传感器2包括但不仅限于下列传感器的一种或多于一种：摄像头、毫米波雷达、超声波雷达、激光雷达等。车载传感器2可检测图片数据、视频数据、点云图像、电磁波等信息。
在本发明实施例中，参照图1，传感器的感知性能评估装置1包括：处理器1001(例如CPU)，存储器1002等。传感器的感知性能评估装置1中的各部件通过通信总线连接。存储器1002可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1002可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的装置结构并不构成对装置的限定，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。
如图1所示，作为一种存储介质的存储器1002中可以包括传感器的感知性能评估程序。在图1所示的装置中，处理器1001可以用于调用存储器1002中存储的传感器的感知性能评估程序，并执行以下实施例中传感器的感知性能评估方法的相关步骤操作。
本发明实施例还提供一种传感器的感知性能评估方法，应用于对上述车辆上的车载传感器进行感知性能评估。
参照图2，提出本申请传感器的感知性能评估方法一实施例。在本实施例中，所述传感器的感知性能评估方法包括：
步骤S10，获取车载传感器采集的车辆所在环境的环境数据，获取车载传感器在采集所述环境数据对应时刻识别出的第一目标及其对应的置信度；
车载传感器的数量可为一个或多于一个。车载传感器包括但不仅限于下列传感器的一种或多于一种：摄像头、毫米波雷达、超声波雷达、激光雷达等。车载传感器可检测图片数据、视频数据、点云图像、电磁波等环境数据。
车载传感器基于环境数据可对环境中传感器探测范围内存在的目标进行感知。车载传感器所识别出的目标为这里的第一目标，第一目标的数量可为一个或多于一个。由于车载传感器存在的检测误差，第一目标可能是环境中真实存在的目标，也可能是环境中未有真实存在的目标。
车载传感器识别出的每个第一目标的同时会输出该第一目标对应的置信度。不同的第一目标可对应不同的置信度。
这里环境数据及其对应的第一目标和置信度为当前实时采集的数据。在其他实施例中，环境数据及其对应的第一目标和置信度也可为当前时刻之前采集的历史数据。或者，环境数据及其对应的第一目标和置信度可为预设时长内采集的历史数据。
步骤S20，根据所述环境数据的目标追踪结果确定所述第一目标的验证结果，所述验证结果为所述第一目标是否真实存在，所述目标追踪结果由目标追踪系统依据所述环境数据分析获得；
目标追踪系统可以对传感器识别目标进行预测和跟踪，特别的，可对多个传感器目标进行追踪，构建了追踪系统的感知输出，更具有鲁棒性，目标追踪结果看做即时真值系统，为传感器识别效果好坏提供参考，例如传感器当前识别目标丢失，目标追踪系统可以提供一个预测值，提示之前出现过目标，以进一步判断当前传感器感知系统是否识别效果不好导致丢失目标。
所述目标追踪系统基于下列算法中之一构建：卡尔曼滤波追踪算法、粒子滤波追踪算法、多假设追踪算法以及联合概率数据关联算法。
目标追踪系统可对环境数据中车载传感器检测的所有第一目标进行跟踪匹配，输出目标追踪结果。基于目标追踪结果可对车载传感器检测的第一目标是否真实出现的评价分数，评价分数大于预设阈值可认为对应的第一目标真实存在，评价分数小于或等于预设阈值可认为对应的第一目标未真实存在。
步骤S30，根据所述验证结果更新预设模型中的模型参数，获得预测模型，所述预设模型表征所述传感器的置信度与识别准确率之间的对应关系；
预设模型可为预先设置的模型参数为初始值的模型。预测模型也可为当前时刻之前在车辆行驶过程中对初始值进行更新或对初始值更新后的参数进一步更新得到模型参数的预测模型。不同的车载传感器可对应不同的预设模型。
在本实施例中，预设模型为多项式模型，例如二次多项式模型等，有利于传感器预测识别准确率与实际识别准确率吻合程度较高的同时提高模型的更新和预测效率。在其他实施例中，预设模型也可为机器学习模型。
具体的，可预先建立验证结果与模型参数的调整参数之间的对应关系，对应关系可包括计算公式、映射关系等。基于该对应关系可确定当前验证结果所对应的调整参数，按照调整参数调整预设模型当前的模型参数后获得预测模型。
在本实施例中，根据验证结果和置信度更新预设模型中的模型参数，获得预测模型。在其他实施例中，也可确定与验证结果具有映射关系的模型参数的调整值，基于调整值对模型参数进行更新后得到预测模型。
具体的，如图3所示，图3中横轴为置信度，纵轴为识别准确率，不同的条形表征不同置信度区间对应的训练集确定的传感器实际的识别准确率，其中实线可表征数据集真值计算得到的置信度与识别准确率关系的曲线模型，实现可作为置信度和传感器的识别准确率之间关系的参考模型，也就是预测模型的参考模型。基于曲线与条形分布图的位置关系，可知模型参数更新后的预测模型预测的识别准确率相比于模型参数更新前的预设模型预测的识别准确率更贴合传感器的实际识别准确率。SGD线可表征通过本实施例提及的方式采用小批量数据在线更新得到的预测模型对应的曲线，BGD为利用本文提及的预设模型，使用大批量数据离线对模型参数进行更新得到模型对应的曲线。其中，0.9-1置信度的区间数据占60％。证明SGD和BGD两种方式构建的预测模型都可以良好的与参考模型贴合。
步骤S40，根据所述预测模型确定所述置信度对应的目标识别准确率。
目标识别准确率为车载传感器检测出真实存在的目标在其检测到的所有目标(包括真实存在的目标和未真实存在的目标)中的比例：precision＝TP/(TP+FP)，其中，TP为真实存在的目标的数量，FP为未真实存在的目标的数量。
将所述置信度代入预测模型中计算得到的结果可作为目标识别准确率。
本发明实施例提出的一种传感器的感知性能评估方法，该方法在基于目标追踪系统依据车辆所在环境的环境数据分析得到目标追踪结果验证车载传感器检测到的第一目标的真伪，基于验证结果更新表征置信度与识别准确率之间对应关系的预设模型中的模型参数后得到预测模型，根据得到的预测模型确定当前车载传感器识别目标的置信度所对应的目标识别准确率，基于此，目标追踪系统输出的结果当做即时真值系统，可以弥补由于传感器在车辆上运行缺少真值造成感知性能无法准确评价的缺陷，基于目标追踪结果验证车载传感器识别结果的真伪，从而进一步的构建预测模型，从而保证预测得到的目标识别准确率可准确地反映传感器在车辆当前使用场景下的感知性能优劣，可准确评估车载传感器感知性能。
进一步的，在本实施例中，获取车辆当前的状态信息，在状态信息为车辆处于行驶状态时，执行步骤S10。基于此，有利于准确反映车辆行驶状态中环境因素对传感器的识别准确率的，有利于目标识别准确率与车辆行驶环境的匹配程度，进一步提高目标识别准确率的准确性。
进一步的，基于上述实施例，提出本申请传感器的感知性能评估方法另一实施例。在本实施例中，参照图4，所述步骤S30包括：
步骤S31，根据所述预设模型计算所述置信度对应的所述识别准确率的预测值，确定所述验证结果对应的所述识别准确率的参考值，不同的所述验证结果对应不同的所述参考值；
具体的，将置信度代入预设模型中计算得到的结果作为这里的预测值。
验证结果为第一目标真实存在时，确定第一值为参考值；验证结果为第一目标未真实存在时，确定第二值为参考值。在本实施例中，第一值为1，第二值为0。
步骤S32，确定所述预测值与所述参考值之间的偏差值；
偏差值为预测值减去参考值得到的计算结果。
步骤S33，根据所述偏差值更新所述预设模型中的模型参数，获得所述预测模型。
基于误差反向传播算法根据偏差值更新预设模型中的模型参数，更新后的模型作为当前的预测模型。
具体的，在本实施例中，预设模型为以置信度为自变量、识别准确率为因变量的多项式模型，基于误差反向传播算法根据偏差值更新多项式模型中每项的系数，获得预测模型。例如，预设模型为precision＝f(conf)＝a0+a1conf+a2conf2，conf为置信度，precision为识别准确率，则根据偏差值更新a0、a1、a2后对应获得a0′、a1′、a2′，则预测模型为precision＝f(conf)＝a0′+a1′conf+a2′conf2。
在本实施例中，基于目标追踪系统输出的目标追踪结果确定识别准确率的参考值，将当前第一目标的置信度输入当前预设模型得到的识别准确率的预测值，偏差值可反映预设模型对当前置信度进行识别准确率预测的准确程度，基于偏差值对预设模型进行更新后得到预测模型来预测当前置信度所对应的目标识别准确率，有利于减少目标识别准确率所反映的车载传感器性能与车载传感器实际性能的偏离，以进一步提高目标识别准确率的准确度，实现车载传感器感知性能准确性的进一步提高。
进一步的，在本实施例中，参照图5，步骤S33包括：
步骤S331，构建所述预设模型的损失函数；
损失函数具体为用于评价预测模型的预测值与实际值之间偏差程度的函数。损失函数可包括绝对值损失函数、平方损失函数、对数损失函数、指数损失函数、均方差损失函数或平均绝对误差损失函数等。
在本实施例中，预设模型为上述的precision＝f(conf)＝a0+a1conf+a2conf2，则损失函数Loss为：
Figure BDA0003724845150000091
其中，batchsize为当前用于更新预设模型的参数个数，在本实施例中，可将当前识别到的所有第一目标对应的偏差值均用于更新预设模型，则参数个数为第一目标的总数；GTprecision表征预设模型的实际值(也就是参考值)，f(conf)i表征预设模型的预测值。
步骤S332，根据所述偏差值和所述损失函数确定所述模型参数的变化量；
变化量可理解为模型参数的调整值。基于损失函数构建模型参数的梯度对应的目标函数，基于偏差值求解目标函数获得梯度。
在本实施例中，确定所述损失函数相对于所述模型参数的偏导数；根据所述偏差值计算所述偏导数获得梯度；根据所述梯度和目标学习率确定所述变化量。
其中，偏导数为对损失函数求导得到。不同模型参数对应不同的偏导数。将偏差值作为损失函数的已知值求解模型参数对应的偏导数的结果得到这里的梯度。
目标学习率可为预先固定的数值，也可根据车辆的状态参数所确定的数值。目标学习率越大，训练速度越快，但容易导致参数的发散。而较小的目标学习率会使训练速度变慢，但会使参数更容易收敛。例如，可获取车辆行驶的总时长，根据总时长确定目标学习率，目标学习率可与总时长呈负相关；或者，可获取车辆所处环境的场景类型，根据场景类型确定这里的目标学习率，不同场景类型对应不同目标学习率。
具体的，变化量Δa为：
Figure BDA0003724845150000092
其中，ε为目标学习率，
Figure BDA0003724845150000093
为模型参数对应的偏导数，求解该偏导数的结果得到梯度，梯度与目标学习率的乘积为变化量。
步骤S333，以所述损失函数误差减小的方向，根据所述变化量更新所述模型参数，获得所述预测模型。
具体的，利用下面迭代公式优化模型参数；
Figure BDA0003724845150000094
其中，ai为预设模型当前的模型参数，ai′为更新后预测模型中的模型参数，按照上述公式以梯度下降方向对模型参数进行迭代更新，使得损失函数的误差以减小的方向变化。
在本实施例中，通过上述方法基于梯度下降法更新模型参数，有利于进一步缩小预测函数的预测值和实际值的误差，从而实现后续基于预测函数确定的当前置信度对应的目标识别准确率的准确度进一步提高。
进一步的，在本实施例中，采用随机梯度下降法更新预设参数中的模型参数，具体的，可基于当前时刻识别到的多个第一目标对应的多个偏差值更新预设模型的模型参数；也可基于当前时刻之前预设时间段或预设帧中识别到的所有第一目标对应的多个偏差值更新预设模型的模型参数。
进一步的，基于上述任一实施例，提出本申请传感器的感知性能评估方法又一实施例。在本实施例中，参照图6，所述步骤S40之后，还包括：
步骤S50，记录所述预测模型并将所述预测模型设置为新的预设模型；
步骤S50之后返回执行步骤S10。
基于此，可实现车载传感器使用过程中，不断地通过上述实施例提及的方式迭代更新预测模型的模型参数，从而实现预测模型的预测结果可在车辆使用过程中越来越准确，以提高车载传感器在其使用场景中感知性能评估的准确性。
进一步的，在本实施例中，在迭代更新预测模型的模型参数的过程中，参照图7，所述根据所述预测模型确定所述置信度对应的目标识别准确率的步骤包括：
步骤S41，获取目标模型集合，所述目标模型集合包括当前时刻之前记录的多于一个所述预测模型；
具体的，这里的多于一个预测模型为距离当前时刻时间最短的预设次记录的预测模型。
步骤S42，根据所述目标模型集合中每个模型确定所述置信度对应的参考准确率；
将置信度分别输入多于一个预测模型中得到每个预测模型输出的识别准确率作为参考准确率，获得多于一个参考准确率。
步骤S43，根据多于一个所述参考准确率确定所述目标识别准确率。确定多于一个参考准确率的均值作为目标识别准确率。
在本实施例中，通过上述方式基于当前之前多于一个预测模型预测的当前置信度对应的识别准确率来确定当前置信度对应的目标识别准确率，有利于提高预测模型的预测结果的稳定性。
在其他实施例中，每个参考准确率也可基于对应的预测模型的构建时车辆所处的场景类型确定对应的权重值，基于多于一个参考准确率及其对应的权重值计算得到的加权平均结果作为目标识别准确率。
进一步的，基于上述任一实施例，提出本申请传感器的感知性能评估方法再一实施例。在本实施例中，以基于多假设追踪算法构建的追踪系统为例，说明本申请方案涉及的目标追踪系统的目标追踪匹配过程以及确定验证结果的过程：
(1)目标追踪
在环境数据采集的初始时刻车载传感器在环境数据中观测到的目标被用四维矢量表示X＝[xy vxvy]T，其中vx和vy是表示对应目标在二维平面的速度。假定帧间时间间隔为ΔT，则目标在下一时刻的位置状态可以利用一下公式进行预测：
Figure BDA0003724845150000111
其中上标
Figure BDA0003724845150000112
表示为先验状态，
Figure BDA0003724845150000113
表示为后验状态。
假定观测量被表示为Z＝[xy]T：
Zk＝HXk-1+R#(3)
H被定义为:H＝[I2×2 02×5],R是零均值的传感器的估计噪声。
一旦观测目标被分配给一个追踪，那么假设状态可以被卡尔曼滤波器更新：
Figure BDA0003724845150000114
其中，每个观测目标对应分配一个追踪器。
(2)目标关联
追踪系统预测的目标与车载传感器观测的目标关联，并利用似然比来更新当前追踪系统的分数。具体的，可将追踪系统预测的所有目标的位置与车载传感器观测的所有的位置计算欧式距离，基于欧式距离确定匹配矩阵，基于匹配算法求解匹配矩阵，根据匹配矩阵的求解结果建立追踪系统预测的目标与车载传感器的观测目标之间的一一关联的关系。每个关联的预测目标与观测目标按照下面提及的方式计算追踪系统的分数。
车载传感器新的观察结果与追踪系统现有的跟踪联系起来，在已有的跟踪假设上形成扩展或生成新的跟踪假设。使用概率表达式来评估数据关联量，定义为LR(似然比)：
Figure BDA0003724845150000121
H1和H0表示其为真实存在的目标或未真实存在的目标的假设。Pi(Hi)被定义为Hi的先验概率，p(D|Hi)为在接收到目标后Hi为真的条件概率密度函数。LR可以被直接转换为真实存在的目标的概率：
Figure BDA0003724845150000122
LR由两部分组成，第一部分是运动因子，第二部分为观测因子。运动因子LRk和上述的卡尔曼滤波的更新方程相关联：
Figure BDA0003724845150000123
p(Dk|H1)被定义为基于假设目标真实存在时的位置分布，假设其符合高斯分布
Figure BDA0003724845150000124
将观测Zk代入卡尔曼滤波方程可以获取均值
Figure BDA0003724845150000125
和方差∑k。p(Dk|H0)是基于假设目标未真实存在时的位置分布，假设其符合关于预测体积Vc的均匀分布，其中p(Dk|H0)＝1/Vc。
观测因子LRs被定义为：
Figure BDA0003724845150000126
p(zs|Det,Hi)被定义为观测事件。假设车载传感器只会返回一个信号说明当前目标是否存在，则无论是否检测到目标
Figure BDA0003724845150000127
都为0。P(Det|H1)被认为是检测概率PD，P(Det|H0)被认为是假阳率(也就是观测到的目标未真实存在的概率)PFPR。如果没有目标出现，则
Figure BDA0003724845150000131
在连续跟踪假设中，LR将以对数分数形式被迭代更新：
LLRk＝LLRk-1+ΔL(k)#(9)
如果目标出现，
Figure BDA0003724845150000132
否则
Figure BDA0003724845150000133
Figure BDA0003724845150000134
这里的LLRk可理解为上述实施例提及的用于确定第一目标对应的验证结果的评价分数。通过第一目标对应的这里的评价分数是否达到预设值，可确定第一目标是否为真实存在。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有传感器的感知性能评估程序，所述传感器的感知性能评估程序被处理器执行时实现如上传感器的感知性能评估方法任一实施例的相关步骤。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，车辆，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种传感器的感知性能评估方法，其特征在于，所述传感器的感知性能评估方法包括以下步骤：
获取车载传感器采集的车辆所在环境的环境数据，获取车载传感器在采集所述环境数据对应时刻识别出的第一目标及其对应的置信度；
根据所述环境数据的目标追踪结果确定所述第一目标的验证结果，所述验证结果为所述第一目标是否真实存在，所述目标追踪结果由目标追踪系统依据所述环境数据分析获得；
根据所述验证结果更新预设模型中的模型参数，获得预测模型，所述预设模型表征所述传感器的置信度与识别准确率之间的对应关系；
根据所述预测模型确定所述置信度对应的目标识别准确率。
2.如权利要求1所述的传感器的感知性能评估方法，其特征在于，所述根据所述验证结果更新预设模型中的模型参数，获得预测模型的步骤包括：
根据所述预设模型计算所述置信度对应的所述识别准确率的预测值，确定所述验证结果对应的所述识别准确率的参考值，不同的所述验证结果对应不同的所述参考值；
确定所述预测值与所述参考值之间的偏差值；
根据所述偏差值更新所述预设模型中的模型参数，获得所述预测模型。
3.如权利要求2所述的传感器的感知性能评估方法，其特征在于，所述根据所述偏差值更新所述预设模型中的模型参数，获得所述预测模型的步骤包括：
构建所述预设模型的损失函数；
根据所述偏差值和所述损失函数确定所述模型参数的变化量；
以所述损失函数误差减小的方向，根据所述变化量更新所述模型参数，获得所述预测模型。
4.如权利要求3所述的传感器的感知性能评估方法，其特征在于，所述根据所述偏差值和所述损失函数确定所述模型参数的变化量的步骤包括：
确定所述损失函数相对于所述模型参数的偏导数；
根据所述偏差值计算所述偏导数获得梯度；
根据所述梯度和目标学习率确定所述变化量。
5.如权利要求2所述的传感器的感知性能评估方法，其特征在于，所述根据所述预测模型确定所述置信度对应的目标识别准确率的步骤之后，还包括：
记录所述预测模型并将所述预测模型设置为新的预设模型；
返回执行所述获取车载传感器采集的车辆所在环境的环境数据，获取车载传感器在采集所述环境数据对应时刻识别出的第一目标及其对应的置信度的步骤。
6.如权利要求5所述的传感器的感知性能评估方法，其特征在于，所述根据所述预测模型确定所述置信度对应的目标识别准确率的步骤包括：
获取目标模型集合，所述目标模型集合包括当前时刻之前记录的多于一个所述预测模型；
根据所述目标模型集合中每个模型确定所述置信度对应的参考准确率；
根据多于一个所述参考准确率确定所述目标识别准确率。
7.如权利要求2所述的传感器的感知性能评估方法，其特征在于，所述预设模型为多项式模型。
8.如权利要求1至7中任一项所述的传感器的感知性能评估方法，其特征在于，所述目标追踪系统基于下列算法中之一构建：卡尔曼滤波追踪算法、粒子滤波追踪算法、多假设追踪算法以及联合概率数据关联算法；
且/或，所述传感器的感知性能评估方法还包括：
获取所述车辆的状态信息；
当所述状态信息为所述车辆处于行驶状态时，执行所述获取车载传感器采集的车辆所在环境的环境数据，获取车载传感器在采集所述环境数据对应时刻识别出的第一目标及其对应的置信度的步骤。
9.一种车辆，其特征在于，所述车辆包括：
车载传感器；
传感器的感知性能评估装置，所述车载传感器与所述感知性能评估装置连接，所述感知性能评估装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的传感器的感知性能评估程序，所述传感器的感知性能评估程序被所述处理器执行时实现如权利要求1至8中任一项所述的传感器的感知性能评估方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有传感器的感知性能评估程序，所述传感器的感知性能评估程序被处理器执行时实现如权利要求1至8中任一项所述的传感器的感知性能评估方法的步骤。
CN202210763831.9A 2022-06-30 2022-06-30 传感器的感知性能评估方法、车辆以及存储介质 Pending CN115221921A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210763831.9A CN115221921A (zh) 2022-06-30 2022-06-30 传感器的感知性能评估方法、车辆以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210763831.9A CN115221921A (zh) 2022-06-30 2022-06-30 传感器的感知性能评估方法、车辆以及存储介质

Publications (1)

Publication Number Publication Date
CN115221921A true CN115221921A (zh) 2022-10-21

Family

ID=83609239

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210763831.9A Pending CN115221921A (zh) 2022-06-30 2022-06-30 传感器的感知性能评估方法、车辆以及存储介质

Country Status (1)

Country Link
CN (1) CN115221921A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117590444A (zh) * 2024-01-16 2024-02-23 深圳市奇果物联科技有限公司 基于资产货物定位信息的实时追踪方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117590444A (zh) * 2024-01-16 2024-02-23 深圳市奇果物联科技有限公司 基于资产货物定位信息的实时追踪方法及系统
CN117590444B (zh) * 2024-01-16 2024-04-12 深圳市奇果物联科技有限公司 基于资产货物定位信息的实时追踪方法及系统

Similar Documents

Publication Publication Date Title
CN107481292B (zh) 车载摄像头的姿态误差估计方法和装置
CN110892281B (zh) 用于雷达系统的操作的方法
CN114660330B (zh) 确定估计速度的不确定性估计的方法
US11731649B2 (en) High precision position estimation method through road shape classification-based map matching and autonomous vehicle thereof
JP2001201553A (ja) 汎用位置決めシステム、およびハイブリッド位置決め機能をもった多重モデルナビゲーションフィルタ
US11893496B2 (en) Method for recognizing objects in an environment of a vehicle
CN115221921A (zh) 传感器的感知性能评估方法、车辆以及存储介质
CN110637209B (zh) 估计机动车的姿势的方法、设备和具有指令的计算机可读存储介质
CN112313536B (zh) 物体状态获取方法、可移动平台及存储介质
CN110889862A (zh) 一种网络传输攻击环境中多目标跟踪的组合测量方法
CN111007880A (zh) 一种基于汽车雷达的扩展目标跟踪方法
CN111971628A (zh) 求得被测变量的时间曲线的方法、预测系统、致动器控制系统、训练致动器控制系统的方法、训练系统、计算机程序和机器可读的存储介质
KR20220025585A (ko) 위치 추정 방법 및 장치
CN112560689A (zh) 一种车位检测方法、装置、电子设备和存储介质
CN114740448B (zh) 用于车载雷达的目标状态估计方法、装置及存储介质
CN116182905A (zh) 激光雷达和组合惯导的时空外参标定方法、装置及系统
US11613272B2 (en) Lane uncertainty modeling and tracking in a vehicle
CN113511194A (zh) 一种纵向避撞预警方法及相关装置
EP3654065B1 (en) Apparatus and method for characterizing an object based on measurement samples from one or more location sensors
JP2017134515A (ja) 状態推定装置
US20230358877A1 (en) Method, Computer Program, Storage Medium, Device for Tracking an Object
JP7026734B2 (ja) 物体認識装置、物体認識方法及び車両運転支援システム
CN117930297B (zh) 一种基于车载摄像头和地图的车辆定位方法及系统
US20240078814A1 (en) Method and apparatus for modeling object, storage medium, and vehicle control method
CN114459484B (zh) 航迹初始化方法及装置

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