CN115230694A - 自动驾驶车辆的障碍物识别方法、装置及车辆 - Google Patents

Abstract

本发明涉及车辆技术领域，特别涉及一种自动驾驶车辆的障碍物识别方法、装置及车辆，该方法包括：获取自动驾驶车辆基于任一坐标系识别的至少一个障碍物的障碍物信息；将至少一个障碍物的障碍物信息转化为以道路中心线为参考的Frenet坐标系下的碰撞信息，筛除碰撞信息满足筛选条件的障碍物；根据剩余障碍物的碰撞信息生成每个剩余障碍物的碰撞图形，并基于碰撞图形确定与自动驾驶车辆的碰撞结果，且在碰撞结果为确定碰撞时，将确定碰撞的障碍物识别为自动驾驶车辆的需规避障碍物。该方法解决了因障碍物太多影响后续计算同时消耗大量不必要的算力的问题，不仅大大提高了障碍物的筛选精确度，而且减小了算法的计算量，便于其在低算力平台中使用。

Description

自动驾驶车辆的障碍物识别方法、装置及车辆

技术领域

本发明涉及车辆技术领域，特别涉及一种自动驾驶车辆的障碍物识别方法、装置及车辆。

背景技术

相关技术中，在筛除部分障碍物时，一般根据车辆所在的位置直接按照一定的长宽进行筛选，并且当前计算图形学中，对于一些不规则的区域进行筛选时，只能使用基于扫面线、四分法或者网格法查找等采样的方法。

然而，随着筛选的精细化，对精度要求提高之后，所需要的算力也是成倍数增长，亟待解决。

发明内容

有鉴于此，本发明旨在提出一种自动驾驶车辆的障碍物识别方法，该方法解决了相关技术中因障碍物太多影响后续计算同时消耗大量不必要的算力的问题，不仅大大提高了障碍物的筛选精确度，使后续算法能更精确地聚焦于所关心的障碍物，而且减小了算法的计算量，便于其在低算力平台中使用。

为达到上述目的，本发明的技术方案是这样实现的：

一种自动驾驶车辆的障碍物识别方法，包括以下步骤：

获取自动驾驶车辆基于任一坐标系识别的至少一个障碍物的障碍物信息；

将所述至少一个障碍物的障碍物信息转化为以道路中心线为参考的Frenet坐标系下的碰撞信息，筛除所述碰撞信息满足预设筛选条件的障碍物；以及

根据剩余障碍物的碰撞信息生成每个剩余障碍物的碰撞图形，并基于所述碰撞图形确定所述剩余障碍物与所述自动驾驶车辆的碰撞结果，且在所述碰撞结果为确定碰撞时，将确定碰撞的障碍物识别为所述自动驾驶车辆的需规避障碍物。

进一步地，所述基于所述碰撞图形确定与所述自动驾驶车辆的碰撞结果，包括：

检测所述自动驾驶车辆所处道路的道路类型；

如果所述道路类型为弯道类型时，将所述自动驾驶车辆和所述一个或多个障碍物处于弯道处的碰撞图形进行插值，直至所述碰撞图形中的轮廓点达到预设个数。

进一步地，在获取所述自动驾驶车辆基于任一坐标系识别的至少一个障碍物的障碍物信息之前，还包括：

判断所述自动驾驶所处道路是否满足障碍筛选条件；

如果满足所述障碍筛选条件，则控制所述自动驾驶车辆进入障碍筛选模式，否则基于所述任一坐标系及所述自动驾驶车辆的当前所处位置识别所述规避障碍物。

进一步地，所述基于所述碰撞图形确定所述剩余障碍物与所述自动驾驶车辆的碰撞结果，包括：

根据所述碰撞图形确定所述每个障碍物的包围盒；

根据所述包围盒与由所述自动驾驶车辆的行驶区域确定的包围盒之间的相对关系生成所述碰撞结果。

进一步地，还包括：

根据所述碰撞结果计算碰撞等级；

根据所述碰撞等级标定所述需规避障碍物的障碍等级，并基于所述障碍等级确定对应的规避动作。

相对于现有技术，本发明所述的自动驾驶车辆的障碍物识别方法具有以下优势：

本发明所述的自动驾驶车辆的障碍物识别方法，可以获取自动驾驶车辆基于任一坐标系识别的至少一个障碍物的障碍物信息，并将至少一个障碍物的障碍物信息转化为以道路中心线为参考的Frenet坐标系下的碰撞信息，筛除碰撞信息满足预设筛选条件的障碍物，并根据剩余障碍物的碰撞信息生成每个剩余障碍物的碰撞图形，并基于碰撞图形确定剩余障碍物与自动驾驶车辆的碰撞结果，且在碰撞结果为确定碰撞时，将确定碰撞的障碍物识别为自动驾驶车辆的需规避障碍物。由此，解决了相关技术中因障碍物太多影响后续计算同时消耗大量不必要的算力的问题，不仅大大提高了障碍物的筛选精确度，使后续算法能更精确地聚焦于所关心的障碍物，而且减小了算法的计算量，便于其在低算力平台中使用。

本发明的另一个目的在于提出一种自动驾驶车辆的障碍物识别装置，该装置可以获取自动驾驶车辆基于任一坐标系识别的至少一个障碍物的障碍物信息，并将至少一个障碍物的障碍物信息转化为以道路中心线为参考的Frenet坐标系下的碰撞信息，筛除碰撞信息满足预设筛选条件的障碍物，并根据剩余障碍物的碰撞信息生成每个剩余障碍物的碰撞图形，并基于碰撞图形确定剩余障碍物与自动驾驶车辆的碰撞结果，且在碰撞结果为确定碰撞时，将确定碰撞的障碍物识别为自动驾驶车辆的需规避障碍物。由此，解决了相关技术中因障碍物太多影响后续计算同时消耗大量不必要的算力的问题，不仅大大提高了障碍物的筛选精确度，使后续算法能更精确地聚焦于所关心的障碍物，而且减小了算法的计算量，便于其在低算力平台中使用。

为达到上述目的，本发明的技术方案是这样实现的：

一种自动驾驶车辆的障碍物识别装置，包括：

获取模块，用于获取自动驾驶车辆基于任一坐标系识别的至少一个障碍物的障碍物信息；

筛除模块，用于将所述至少一个障碍物的障碍物信息转化为以道路中心线为参考的Frenet坐标系下的碰撞信息，筛除所述碰撞信息满足预设筛选条件的障碍物；以及

识别模块，用于根据剩余障碍物的碰撞信息生成每个剩余障碍物的碰撞图形，并基于所述碰撞图形确定所述剩余障碍物与所述自动驾驶车辆的碰撞结果，且在所述碰撞结果为确定碰撞时，将确定碰撞的障碍物识别为所述自动驾驶车辆的需规避障碍物。

进一步地，所述识别模块，具体用于：

检测所述自动驾驶车辆所处道路的道路类型；

如果所述道路类型为弯道类型时，将所述自动驾驶车辆和所述一个或多个障碍物处于弯道处的碰撞图形进行插值，直至所述碰撞图形中的轮廓点达到预设个数。

进一步地，在获取所述自动驾驶车辆基于任一坐标系识别的至少一个障碍物的障碍物信息之前，所述获取模块，还用于：

判断所述自动驾驶所处道路是否满足障碍筛选条件；

如果满足所述障碍筛选条件，则控制所述自动驾驶车辆进入障碍筛选模式，否则基于所述任一坐标系及所述自动驾驶车辆的当前所处位置识别所述规避障碍物。

进一步地，所述识别模块，具体用于：

根据所述碰撞图形确定所述每个障碍物的包围盒；

根据所述包围盒与由所述自动驾驶车辆的行驶区域确定的包围盒之间的相对关系生成所述碰撞结果。

进一步地，还包括：

计算模块，用于根据所述碰撞结果计算碰撞等级；

确定模块，用于根据所述碰撞等级标定所述需规避障碍物的障碍等级，并基于所述障碍等级确定对应的规避动作。

所述的自动驾驶车辆的障碍物识别装置与上述的自动驾驶车辆的障碍物识别方法相对于现有技术所具有的优势相同，在此不再赘述。

本发明的另一个目的在于提出一种车辆，该车辆解决了相关技术中因障碍物太多影响后续计算同时消耗大量不必要的算力的问题，不仅大大提高了障碍物的筛选精确度，使后续算法能更精确地聚焦于所关心的障碍物，而且减小了算法的计算量，便于其在低算力平台中使用。

为达到上述目的，本发明的技术方案是这样实现的：

一种车辆，设置有如上述实施例所述的自动驾驶车辆的障碍物识别装置。

所述的车辆与上述的自动驾驶车辆的障碍物识别装置相对于现有技术所具有的优势相同，在此不再赘述。

附图说明

构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明实施例的自动驾驶车辆的障碍物识别方法的流程图；

图2为本发明一个实施例的车辆在笛卡尔坐标系下表示的示意图；

图3为本发明一个实施例的车辆在Frenet坐标系下表示的示意图；

图4为本发明一个实施例的在弯道处将障碍物轮廓点插值增加密度的示意图；

图5为本发明一个实施例的将障碍物使用AABB包围盒表示的示意图；

图6为本发明一个实施例的AABB包围盒的相交关系示意图；

图7为本发明一个实施例的AABB包围盒的包含关系示意图；

图8为本发明实施例的自动驾驶车辆的障碍物识别装置的方框示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本发明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发明。

图1是根据本发明实施例的自动驾驶车辆的障碍物识别方法的流程图。

如图1所示，根据本发明实施例的自动驾驶车辆的障碍物识别方法，包括以下步骤：

步骤S101，获取自动驾驶车辆基于任一坐标系识别的至少一个障碍物的障碍物信息。

其中，坐标系可以为笛卡尔坐标系，也可以为SL坐标系，在此不做具体限定，本发明实施例获取基于任一坐标系识别的至少一个障碍物的障碍物信息时可以采用相关技术中的获取方法，例如，基于SL坐标系通过车辆自身传感器识别的至少一个障碍物的障碍物信息，为避免冗余，在此不做详细赘述。

进一步地，在一些实施例中，在获取自动驾驶车辆基于任一坐标系识别的至少一个障碍物的障碍物信息之前，还包括：判断自动驾驶所处道路是否满足障碍筛选条件；如果满足障碍筛选条件，则控制自动驾驶车辆进入障碍筛选模式，否则基于任一坐标系及自动驾驶车辆的当前所处位置识别规避障碍物。

应当理解的是，对于自动驾驶车辆，在道路上行驶时，如果可以有效筛除自动驾驶所处道路的部分障碍物，在后续计算时就无需消耗大量不必要的算力。因此，本发明实施例可以在获取自动驾驶车辆基于任一坐标系识别的至少一个障碍物的障碍物信息之前，对自动驾驶所处道路是否满足障碍筛选条件进行判断，例如，有些障碍物较小，不足以影响驾驶；或者周围其他的车辆距离自身较远等，在此不做具体限定。

由此，本发明实施例可以在自动驾驶所处道路存在较小障碍物时确定满足障碍筛选条件，可以控制车辆进入筛选模式，否则可以基于任一坐标系及自动驾驶车辆的当前所处位置识别规避障碍物。

步骤S102，将至少一个障碍物的障碍物信息转化为以道路中心线为参考的Frenet坐标系下的碰撞信息，筛除碰撞信息满足预设筛选条件的障碍物。

其中，Frenet坐标系，即SL坐标系，SL坐标系以道路中心线为参考，S表示道路中心线的方向，L表示与道路中心线垂直的方向。如图2和图3所示，图2为车辆在笛卡尔坐标系进行表示的示意图，图3为车辆在Frenet坐标系进行表示的示意图，可以看出，笛卡尔（XY）坐标系对车辆而言，即使给出了车辆位置（x，y），但也不知道道路在哪里，也很难知道车辆行驶了多远，也难以确定它是否偏离车道中心；因此，在结构化道路上行驶的时候，Frenet坐标系比XY坐标系更加贴合实际需求。

具体地，在步骤S101获取到自动驾驶车辆基于任一坐标系识别的至少一个障碍物的障碍物信息后，本发明实施例可以将任一坐标系（如笛卡尔坐标系）识别的至少一个障碍物的障碍物信息（如道路元素、障碍物、其他车辆等）转换至SL坐标系（即Frenet坐标系）进行表示，其中，SL的参考线为全局规划道路下的中心线，以便筛除碰撞信息满足预设筛选条件的障碍物。

也就是说，本发明实施例可以基于Frenet坐标系对道路等结构进行处理，即将当前任一坐标系下的道路及障碍物等元素，使用SL坐标系进行转换，假设当前任一坐标系为XY坐标系，本发明实施例可以将在XY坐标系下表示的至少一个障碍物的障碍物信息转成SL坐标系下，其相对关系，比如是否在一定区域以内等，保持不变。而经过SL转换以后，则可以把一些典型的弯道场景转换成规则的矩形，从而使其可以进行图形计算。

需要说明的是，基于图形计算是巧妙地将判断一个障碍物是否在一片区域以内转换成两个障碍物的碰撞问题，通过判断是否和指定区域图形碰撞，检查障碍物是否会在区域内。

步骤S103，根据剩余障碍物的碰撞信息生成每个剩余障碍物的碰撞图形，并基于碰撞图形确定剩余障碍物与自动驾驶车辆的碰撞结果，且在碰撞结果为确定碰撞时，将确定碰撞的障碍物识别为自动驾驶车辆的需规避障碍物。

应当理解的是，在筛除碰撞信息满足预设筛选条件的障碍物后，本发明实施例可以根据剩余障碍物的碰撞信息生成每个剩余障碍物的碰撞图形，例如，方形、圆形等。

进一步地，在一些实施例中，基于碰撞图形确定与自动驾驶车辆的碰撞结果，包括：检测自动驾驶车辆所处道路的道路类型；如果道路类型为弯道类型时，将自动驾驶车辆和一个或多个障碍物处于弯道处的碰撞图形进行插值，直至碰撞图形中的轮廓点达到预设个数。

其中，预设个数可以是用户预先设定的个数，可以是通过有限次实验获取的个数，也可以是通过有限次计算机仿真得到的个数，在此不做具体限定。

应当理解的是，在将本车及障碍物等轮廓投影到Frenet坐标系时，有了参考线，如果道路类型为直道类型，其他车辆或者障碍物等元素只需要基于XY-SL坐标转换，即可转成Frenet坐标系下的元素。而如果道路类型为弯道类型，可能产生一定的失真，但对于其相对关系来说基本不变。因此，如图4所示，本发明实施例可以将自动驾驶车辆和一个或多个障碍物的轮廓点在处于弯道处做一定的插值，使其更密集一点（达到预设个数），减小后续的失真，使失真程度在一定程度上可控。

进一步地，在一些实施例中，基于碰撞图形确定剩余障碍物与自动驾驶车辆的碰撞结果，包括：根据碰撞图形确定每个障碍物的包围盒；根据包围盒与由自动驾驶车辆的行驶区域确定的包围盒之间的相对关系生成碰撞结果。

具体而言，如图5所示，本发明实施例可以将障碍物使用AABB包围盒表示，由于选定区域轮廓投影到SL坐标系以下后，自然成为一个AABB的包围盒，而要判断障碍物和选定区域的相对关系，在一定条件下，亦可装换成AABB包围盒。

因此，本发明实施例可以将两个相对复杂的图形的判断关系，简化成判断两个AABB包围盒的相交关系或者包含关系，从而生成碰撞结果，在较大的节约算力的基础上同时保持了较高的精度。其中，AABB包围盒的相交或者包含关系，可以直接由两个矩形的相对位置关系确定，如图6和图7所示，其中，图6为AABB包围盒的相交关系示意图，图7为AABB包围盒的包含关系示意图，由以上两种相对位置关系，可以得出那些障碍物会发生碰撞，既被选中为需规避的障碍物。

进一步地，在一些实施例中，上述的自动驾驶车辆的障碍物识别方法，还包括：根据碰撞结果计算碰撞等级；根据碰撞等级标定需规避障碍物的障碍等级，并基于障碍等级确定对应的规避动作。

应当理解的是，本发明实施例可以预设有碰撞结果与碰撞等级之间的映射关系，当得到碰撞结果后，通过查询上述的映射关系即可得到碰撞等级，从而根据碰撞等级标定需规避障碍物的障碍等级，并基于障碍等级确定对应的规避动作，大大提高车辆的安全性。

根据本发明实施例的自动驾驶车辆的障碍物识别方法，可以获取自动驾驶车辆基于任一坐标系识别的至少一个障碍物的障碍物信息，并将至少一个障碍物的障碍物信息转化为以道路中心线为参考的Frenet坐标系下的碰撞信息，筛除碰撞信息满足预设筛选条件的障碍物，并根据剩余障碍物的碰撞信息生成每个剩余障碍物的碰撞图形，并基于碰撞图形确定与自动驾驶车辆的碰撞结果，且在碰撞结果为确定碰撞时，将确定碰撞的障碍物识别为自动驾驶车辆的需规避障碍物。由此，解决了相关技术中因障碍物太多影响后续计算同时消耗大量不必要的算力的问题，不仅大大提高了障碍物的筛选精确度，使后续算法能更精确地聚焦于所关心的障碍物，而且减小了算法的计算量，便于其在低算力平台中使用。

进一步地，如图8所示，本发明的实施例还公开了一种自动驾驶车辆的障碍物识别装置10，其包括：获取模块100、筛除模块200和识别模块300。

具体而言，如图8所示，获取模块100用于获取自动驾驶车辆基于任一坐标系识别的至少一个障碍物的障碍物信息；筛除模块200用于将至少一个障碍物的障碍物信息转化为以道路中心线为参考的Frenet坐标系下的碰撞信息，筛除碰撞信息满足预设筛选条件的障碍物；识别模块300用于根据剩余障碍物的碰撞信息生成每个剩余障碍物的碰撞图形，并基于碰撞图形确定与自动驾驶车辆的碰撞结果，且在碰撞结果为确定碰撞时，将确定碰撞的障碍物识别为自动驾驶车辆的需规避障碍物。

进一步地，在一些实施例中，识别模块300具体用于：检测自动驾驶车辆所处道路的道路类型；如果道路类型为弯道类型时，将自动驾驶车辆和一个或多个障碍物处于弯道处的碰撞图形进行插值，直至碰撞图形中的轮廓点达到预设个数。

进一步地，在一些实施例中，在获取自动驾驶车辆基于任一坐标系识别的至少一个障碍物的障碍物信息之前，获取模块100还用于：判断自动驾驶所处道路是否满足障碍筛选条件；如果满足障碍筛选条件，则控制自动驾驶车辆进入障碍筛选模式，否则基于任一坐标系及自动驾驶车辆的当前所处位置识别规避障碍物。

进一步地，在一些实施例中，识别模块300具体用于：根据碰撞图形确定每个障碍物的包围盒；根据包围盒与由自动驾驶车辆的行驶区域确定的包围盒之间的相对关系生成碰撞结果。

进一步地，在一些实施例中，上述的自动驾驶车辆的障碍物识别装置10，还包括：计算模块，用于根据碰撞结果计算碰撞等级；确定模块，用于根据碰撞等级标定需规避障碍物的障碍等级，并基于障碍等级确定对应的规避动作。

需要说明的是，本发明实施例的自动驾驶车辆的障碍物识别装置的具体实现方式与自动驾驶车辆的障碍物识别方法的具体实现方式类似，为了减少冗余，此处不做赘述。

根据本发明实施例的自动驾驶车辆的障碍物识别装置，可以获取自动驾驶车辆基于任一坐标系识别的至少一个障碍物的障碍物信息，并将至少一个障碍物的障碍物信息转化为以道路中心线为参考的Frenet坐标系下的碰撞信息，筛除碰撞信息满足预设筛选条件的障碍物，并根据剩余障碍物的碰撞信息生成每个剩余障碍物的碰撞图形，并基于碰撞图形确定与自动驾驶车辆的碰撞结果，且在碰撞结果为确定碰撞时，将确定碰撞的障碍物识别为自动驾驶车辆的需规避障碍物。由此，解决了相关技术中因障碍物太多影响后续计算同时消耗大量不必要的算力的问题，不仅大大提高了障碍物的筛选精确度，使后续算法能更精确地聚焦于所关心的障碍物，而且减小了算法的计算量，便于其在低算力平台中使用。

进一步地，本发明的实施例公开了一种车辆，该车辆设置有上述实施例的自动驾驶车辆的障碍物识别装置。该车辆由于具有了上述装置，解决了相关技术中因障碍物太多影响后续计算同时消耗大量不必要的算力的问题，不仅大大提高了障碍物的筛选精确度，使后续算法能更精确地聚焦于所关心的障碍物，而且减小了算法的计算量，便于其在低算力平台中使用。

以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种自动驾驶车辆的障碍物识别方法，其特征在于，包括以下步骤：

获取自动驾驶车辆基于任一坐标系识别的至少一个障碍物的障碍物信息；

将所述至少一个障碍物的障碍物信息转化为以道路中心线为参考的Frenet坐标系下的碰撞信息，筛除所述碰撞信息满足预设筛选条件的障碍物；以及

根据剩余障碍物的碰撞信息生成每个剩余障碍物的碰撞图形，并基于所述碰撞图形确定所述剩余障碍物与所述自动驾驶车辆的碰撞结果，且在所述碰撞结果为确定碰撞时，将确定碰撞的障碍物识别为所述自动驾驶车辆的需规避障碍物。

2.根据权利要求1所述的自动驾驶车辆的障碍物识别方法，其特征在于，所述基于所述碰撞图形确定与所述自动驾驶车辆的碰撞结果，包括：

检测所述自动驾驶车辆所处道路的道路类型；

如果所述道路类型为弯道类型时，将所述自动驾驶车辆和所述一个或多个障碍物处于弯道处的碰撞图形进行插值，直至所述碰撞图形中的轮廓点达到预设个数。

3.根据权利要求1所述的自动驾驶车辆的障碍物识别方法，其特征在于，在获取所述自动驾驶车辆基于任一坐标系识别的至少一个障碍物的障碍物信息之前，还包括：

判断所述自动驾驶所处道路是否满足障碍筛选条件；

如果满足所述障碍筛选条件，则控制所述自动驾驶车辆进入障碍筛选模式，否则基于所述任一坐标系及所述自动驾驶车辆的当前所处位置识别所述规避障碍物。

4.根据权利要求1所述的自动驾驶车辆的障碍物识别方法，其特征在于，所述基于所述碰撞图形确定所述剩余障碍物与所述自动驾驶车辆的碰撞结果，包括：

根据所述碰撞图形确定所述每个障碍物的包围盒；

根据所述包围盒与由所述自动驾驶车辆的行驶区域确定的包围盒之间的相对关系生成所述碰撞结果。

5.根据权利要求1-4任一项所述的自动驾驶车辆的障碍物识别方法，其特征在于，还包括：

根据所述碰撞结果计算碰撞等级；

根据所述碰撞等级标定所述需规避障碍物的障碍等级，并基于所述障碍等级确定对应的规避动作。

6.一种自动驾驶车辆的障碍物识别装置，其特征在于，包括：

获取模块，用于获取自动驾驶车辆基于任一坐标系识别的至少一个障碍物的障碍物信息；

筛除模块，用于将所述至少一个障碍物的障碍物信息转化为以道路中心线为参考的Frenet坐标系下的碰撞信息，筛除所述碰撞信息满足预设筛选条件的障碍物；以及

识别模块，用于根据剩余障碍物的碰撞信息生成每个剩余障碍物的碰撞图形，并基于所述碰撞图形确定所述剩余障碍物与所述自动驾驶车辆的碰撞结果，且在所述碰撞结果为确定碰撞时，将确定碰撞的障碍物识别为所述自动驾驶车辆的需规避障碍物。

7.根据权利要求6所述的自动驾驶车辆的障碍物识别装置，其特征在于，所述识别模块，具体用于：

检测所述自动驾驶车辆所处道路的道路类型；

如果所述道路类型为弯道类型时，将所述自动驾驶车辆和所述一个或多个障碍物处于弯道处的碰撞图形进行插值，直至所述碰撞图形中的轮廓点达到预设个数。

8.根据权利要求6所述的自动驾驶车辆的障碍物识别装置，其特征在于，在获取所述自动驾驶车辆基于任一坐标系识别的至少一个障碍物的障碍物信息之前，所述获取模块，还用于：

判断所述自动驾驶所处道路是否满足障碍筛选条件；

如果满足所述障碍筛选条件，则控制所述自动驾驶车辆进入障碍筛选模式，否则基于所述任一坐标系及所述自动驾驶车辆的当前所处位置识别所述规避障碍物。

9.根据权利要求6所述的自动驾驶车辆的障碍物识别装置，其特征在于，所述识别模块，具体用于：

根据所述碰撞图形确定所述每个障碍物的包围盒；

根据所述包围盒与由所述自动驾驶车辆的行驶区域确定的包围盒之间的相对关系生成所述碰撞结果。

10.一种车辆，其特征在于，包括：如权利要求6-9任一项所述的自动驾驶车辆的障碍物识别装置。

Images