CN115546293B - 障碍物信息融合方法、装置、电子设备和计算机可读介质 - Google Patents

障碍物信息融合方法、装置、电子设备和计算机可读介质 Download PDF

Info

Publication number
CN115546293B
CN115546293B CN202211533225.4A CN202211533225A CN115546293B CN 115546293 B CN115546293 B CN 115546293B CN 202211533225 A CN202211533225 A CN 202211533225A CN 115546293 B CN115546293 B CN 115546293B
Authority
CN
China
Prior art keywords
obstacle
fusion
sequence
pose information
barrier
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
CN202211533225.4A
Other languages
English (en)
Other versions
CN115546293A (zh
Inventor
李敏
张�雄
龙文
胡禹超
韦景文
刘智睿
艾永军
王倩
申苗
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.)
GAC Aion New Energy Automobile Co Ltd
Original Assignee
GAC Aion New Energy Automobile 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 GAC Aion New Energy Automobile Co Ltd filed Critical GAC Aion New Energy Automobile Co Ltd
Priority to CN202211533225.4A priority Critical patent/CN115546293B/zh
Publication of CN115546293A publication Critical patent/CN115546293A/zh
Application granted granted Critical
Publication of CN115546293B publication Critical patent/CN115546293B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • B60W30/095—Predicting travel path or likelihood of collision
    • B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/0098—Details of control systems ensuring comfort, safety or stability not otherwise provided for
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3461—Preferred or disfavoured areas, e.g. dangerous zones, toll or emission zones, intersections, manoeuvre types, segments such as motorways, toll roads, ferries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data
    • G06V10/811—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data the classifiers operating on different input data, e.g. multi-modal recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
    • 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
    • B60W2552/00—Input parameters relating to infrastructure
    • B60W2552/50—Barriers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G06T2207/30261—Obstacle

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Human Computer Interaction (AREA)
  • Traffic Control Systems (AREA)

Abstract

本公开的实施例公开了障碍物信息融合方法、装置、电子设备和计机可读介质。该方法的一具体实施方式包括：获取道路图像序列；根据道路图像序列和障碍物检测模型，生成障碍物位姿信息序列集；执行以下步骤：根据任意两个障碍物位姿信息序列，生成障碍物检测结果相似度；响应于确定障碍物检测结果相似度大于预设阈值，对于每个障碍物位姿信息序列，执行以下步骤：根据障碍物位姿信息序列，生成前一时刻融合相似度；响应于确定前一时刻融合相似度小于等于预设阈值，将障碍物位姿信息序列确定为待融合障碍物位姿信息序列；根据各个待融合障碍物位姿信息序列，确定障碍物融合位姿信息。该实施方式提高了障碍物融合信息的正确率和车辆行驶的安全性。

Description

障碍物信息融合方法、装置、电子设备和计算机可读介质
技术领域
本公开的实施例涉及计算机技术领域，具体涉及障碍物信息融合方法、装置、电子设备和计算机可读介质。
背景技术
多传感器融合可显著提高系统的冗余度和容错性，从而保证车辆感知的快速性和正确性，是自动驾驶的必然趋势。目前，在对多传感器的障碍物信息进行融合操作时，通常采用的方式为：仅基于当前时刻获取的各个障碍物信息进行相似度的确定，并基于所确定的相似度进行障碍物信息的融合。
然而，发明人发现，当采用上述方式对多传感器的障碍物信息进行融合操作时，经常会存在如下技术问题：
第一，未考虑障碍物的历史检测信息并进行相似度的确定，导致当前时刻来自不同源的检测信息无法匹配或者差距过大时，无法判断异常的障碍物信息，从而导致障碍物融合信息的正确率较低。进而导致车辆行驶的安全性较低。
第二，未采用基于目标损失函数值的方式进行障碍物信息的融合，导致障碍物融合信息的正确率较低，从而导致车辆行驶的安全性较低。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了障碍物信息融合的方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面，本公开的一些实施例提供了一种障碍物信息融合的方法，该方法包括：获取目标障碍物的道路图像序列，其中，上述目标障碍物为妨碍目标车辆安全行驶的障碍物；根据上述道路图像序列和预先训练的障碍物检测模型，生成障碍物位姿信息序列集；对于上述障碍物位姿信息序列集中的任意两个障碍物位姿信息序列，执行以下步骤：根据上述任意两个障碍物位姿信息序列，生成障碍物检测结果相似度；响应于确定上述障碍物检测结果相似度大于预设阈值，对于上述任意两个障碍物位姿信息序列中的每个障碍物位姿信息序列，执行以下步骤：根据上述障碍物位姿信息序列，生成前一时刻融合相似度；响应于确定上述前一时刻融合相似度小于等于上述预设阈值，将上述障碍物位姿信息序列确定为待融合障碍物位姿信息序列；根据所确定的各个待融合障碍物位姿信息序列，确定障碍物融合位姿信息。
第二方面，本公开的一些实施例提供了一种障碍物信息融合装置，装置包括：获取单元，被配置成获取目标障碍物的道路图像序列，其中，上述目标障碍物为妨碍目标车辆安全行驶的障碍物；生成单元，被配置成根据上述道路图像序列和预先训练的障碍物检测模型，生成障碍物位姿信息序列集；执行单元，被配置成对于上述障碍物位姿信息序列集中的任意两个障碍物位姿信息序列，执行以下步骤：根据上述任意两个障碍物位姿信息序列，生成障碍物检测结果相似度；响应于确定上述障碍物检测结果相似度大于预设阈值，对于上述任意两个障碍物位姿信息序列中的每个障碍物位姿信息序列，执行以下步骤：根据上述障碍物位姿信息序列，生成前一时刻融合相似度；响应于确定上述前一时刻融合相似度小于等于上述预设阈值，将上述障碍物位姿信息序列确定为待融合障碍物位姿信息序列；确定单元，被配置成根据所确定的各个待融合障碍物位姿信息序列，确定障碍物融合位姿信息。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，计算机程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的障碍物信息融合方法，提高了障碍物融合信息的正确率，从而提高了车辆行驶的安全性。具体来说，导致障碍物融合信息的正确率较低，进而导致车辆行驶的安全性较低的原因在于：未考虑障碍物的历史检测信息并进行相似度的确定，导致当前时刻来自不同源的检测信息无法匹配或者差距过大时，无法判断异常的障碍物信息，从而导致障碍物融合信息的正确率较低。进而导致车辆行驶的安全性较低。基于此，本公开的一些实施例的障碍物信息融合方法，首先，获取目标障碍物的道路图像序列。其中，上述目标障碍物为妨碍目标车辆安全行驶的障碍物。由此，可以得到表征目标障碍物信息的道路图像序列。其次，根据上述道路图像序列和预先训练的障碍物检测模型，生成障碍物位姿信息序列集。对于上述障碍物位姿信息序列集中的任意两个障碍物位姿信息序列，执行以下步骤：根据上述任意两个障碍物位姿信息序列，生成障碍物检测结果相似度。由此，可以得到障碍物检测结果相似度，从而可以用于判断当前时刻不同源的检查信息是否为同一个障碍物的信息。然后，响应于确定上述障碍物检测结果相似度大于预设阈值，对于上述任意两个障碍物位姿信息序列中的每个障碍物位姿信息序列，执行以下步骤：根据上述障碍物位姿信息序列，生成前一时刻融合相似度。由此，可以得到前一时刻融合相似度，从而可以用于判断当前时刻的信息是否为目标障碍物的异常信息。之后，响应于确定上述前一时刻融合相似度小于等于上述预设阈值，将上述障碍物位姿信息序列确定为待融合障碍物位姿信息序列。由此，可以得到与障碍物符合度较高的待融合障碍物位姿信息序列，从而可以提高障碍物融合信息的正确率。最后，根据所确定的各个待融合障碍物位姿信息序列，确定障碍物融合位姿信息。由此，可以得到表征准确率较高的障碍物融合信息。也因为通过障碍物检测结果相似度，可以基于当前时刻的信息确定障碍物位姿信息序列是否为目标障碍物的信息。还因为通过前一时刻融合相似度，可以进一步判断障碍物位姿信息序列是否为目标障碍物的异常信息。从而可以确定与目标障碍物符合度较高的障碍物位姿信息序列。进而提高了障碍物融合信息的正确率，提高了车辆行驶的安全性。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是根据本公开的障碍物信息融合方法的一些实施例的流程图；
图2是根据本公开的障碍物信息融合装置的一些实施例的结构示意图；
图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。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。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1示出了根据本公开的障碍物信息融合方法的一些实施例的流程100。该障碍物信息融合方法，包括以下步骤：
步骤101，获取目标障碍物的道路图像序列。
在一些实施例中，障碍物信息融合方法的执行主体（例如计算设备）可以通过有线连接方式或者无线连接方式从各个图像采集设备获取目标障碍物的道路图像序列。其中，上述目标障碍物可以为妨碍目标车辆安全行驶的障碍物。上述目标障碍物可以为上述各个图像采集设备要进行图像采集的障碍物。上述目标车辆可以为装载有上述各个图像采集设备的车辆。上述道路图像序列可以为上述各个图像采集设备采集到的道路图像的序列。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB（ultra wideband）连接、以及其他现在已知或将来开发的无线连接方式。上述各个图像采集设备可以是具有拍摄功能或截图功能的各个设备。例如，上述各个图像采集设备可以为各个车载摄像机。
步骤102，根据道路图像序列和预先训练的障碍物检测模型，生成障碍物位姿信息序列集。
在一些实施例中，根据上述道路图像序列和预先训练的障碍物检测模型，上述执行主体可以生成障碍物位姿信息序列集。其中，上述障碍物检测模型可以为以道路图像为输入，以障碍物位姿信息序列为输出的网络模型。上述障碍物检测模型可以包括但不限于以下至少一项：GUP （Geometry Uncertainty Projection，单目三维目标检测网络）、SegNet（图像语义分割深度网络）、FCN（Fully Convolutional Networks，全卷机神经网络）模型。上述障碍物位姿信息序列集可以为上述障碍物检测模型生成的对应各个图像采集设备在预设时间段内获取的目标障碍物的位置和姿态的信息序列的集合。上述障碍物位姿信息序列集中的每个障碍物位姿信息序列对应有一个图像采集设备。上述障碍物位姿信息序列集中的每个障碍物位姿信息序列可以对应上述预设时间段。上述障碍物位姿信息序列中的每个障碍物位姿信息对应上述预设时间段内的一个子时刻。上述障碍物位姿信息可以表征预设子时刻的目标障碍物的位置和姿态。作为示例，上述预设时间段可以为“第一时刻到第五时刻”。则上述障碍物位姿信息序列对应的各个子时刻可以为“第一时刻”、“第二时刻”、“第三时刻”、“第四时刻”和“第五时刻”。
实践中，上述执行主体可以将上述道路图像序列中的每个道路图像分别输入至上述障碍物检测模型，得到障碍物位姿信息序列集。
在一些实施例的一些可选的实现方式中，上述障碍物检测模型是可以通过以下方式训练得到的：
第一步，获取样本集。其中，上述样本集中的样本包括样本道路图像，以及与道路图像对应的样本障碍物位姿信息序列。其中，上述样本道路图像可以为用于训练障碍物检测模型的图像。上述样本障碍物位姿信息序列可以为与样本道路图像对应的样本标签。需要说明的是，训练上述障碍物检测模型的执行主体可以是上述执行主体，也可以是其他计算设备。
第二步，基于样本集执行以下训练步骤：
第一训练步骤，将样本集中的至少一个样本的样本道路图像分别输入至初始障碍物检测模型中，得到上述至少一个样本中的每个样本对应的障碍物位姿信息序列。其中，上述障碍物检测模型可以是能够根据道路图像得到障碍物位姿信息序列的初始神经网络。上述初始神经网络可以为待训练的神经网络。具体地，上述初始神经网络可以为卷积神经网络。例如，上述初始神经网络可以为FCN（Fully Convolutional Networks，全卷积神经网络）。
第二训练步骤，将上述至少一个样本中的每个样本对应的障碍物位姿信息序列与对应的样本障碍物位姿信息序列进行比较。这里，比较可以为上述至少一个样本中的每个样本对应的障碍物位姿信息序列中与对应的样本障碍物位姿信息序列的比较。
第三训练步骤，根据比较结果确定初始障碍物检测模型是否达到预设的优化目标。这里，上述优化目标可以为上述初始障碍物检测模型的损失函数值是否达到预设损失阈值。这里，上述损失函数值可以为交叉熵损失函数值。上述预设损失阈值可以为0.1。
第四训练步骤，响应于确定初始障碍物检测模型达到上述优化目标，将初始障碍物检测模型确定为训练完成的障碍物检测模型。
可选地，训练得到上述障碍物检测模型的步骤还可以包括：
第五训练步骤，响应于确定初始障碍物检测模型未达到上述优化目标，调整初始障碍物检测模型的网络参数，以及使用未用过的样本组成样本集，使用调整后的初始障碍物检测模型作为初始障碍物检测模型，再次执行上述训练步骤。作为示例，可以采用反向传播算法（Back Propgation Algorithm，BP算法）和梯度下降法（例如小批量梯度下降算法）对上述初始故障碍物检测模型的网络参数进行调整。
步骤103，对于障碍物位姿信息序列集中的任意两个障碍物位姿信息序列，上述执行主体可以执行以下步骤：
步骤1031，根据任意两个障碍物位姿信息序列，生成障碍物检测结果相似度。
在一些实施例中，上述执行主体可以根据任意两个障碍物位姿信息序列，生成障碍物检测结果相似度。其中，上述障碍物检测结果相似度可以用于判别上述任意两个障碍物位姿信息序列是否为同一个障碍物。上述任意两个障碍物位姿信息序列包括：第一障碍物位姿信息序列和第二障碍物位姿信息序列。上述第一障碍物位姿信息序列可以为第一个图像采集设备获取的障碍物位姿信息的序列。上述第一个图像采集设备可以为任意一个图像采集设备。上述第一个图像采集设备在此不做具体限定。上述第二障碍物位姿信息序列可以为第二个图像采集设备获取的障碍物位姿信息的序列。上述第二个图像采集设备在此不做具体限定。
在一些实施例的一些可选的实现方式中，根据上述任意两个障碍物位姿信息序列，上述执行主体可以通过以下步骤生成障碍物检测结果相似度：
第一步，根据上述第一障碍物位姿信息序列，确定与上述第一障碍物位姿信息序列对应的帧号序列。其中，上述帧号序列可以为上述第一障碍物位姿信息序列中每个第一障碍物位姿信息对应的帧的编号的序列。实践中，上述执行主体可以将上述第一障碍物位姿信息序列对应的各个序列号确定为帧号序列。例如，上述第一障碍物位姿信息序列对应的各个序列号可以为[1，2，3，4，5]。上述第一障碍物位姿信息序列对应的帧号序列可以为[1，2，3，4，5]。
第二步，根据上述帧号序列，确定第一相似度指数序列。实践中，首先，上述执行主体可以将上述帧号序列中最后一个帧号确定为目标帧号。然后，对于上述帧号序列中的每个帧号，上述执行主体可以将上述帧号与上述目标帧号的差值确定为指数值。最后，可以将所得到的各个指数值确定为第一相似度指数序列。
第三步，根据上述第一相似度指数序列，确定第一相似度权重系数序列。实践中，首先，对于上述第一相似度指数序列中的每个第一相似度指数，上述执行主体可以将以e为底数，以上述第一相似度指数为指数所组成的数确定为第一指数值。然后，可以将所得到的各个第一指数值确定为第一相似度权重系数序列。
第四步，根据上述第一障碍物位姿信息序列，确定第一障碍物逆位姿信息序列。实践中，首先，对于上述第一障碍物位姿信息序列中的每个第一障碍物位姿信息，上述执行主体可以将上述第一障碍物位姿信息的逆矩阵确定为第一障碍物逆位姿信息。然后，可以将所得到的各个第一障碍物逆位姿信息确定为第一障碍物逆位姿信息序列。
第五步，根据上述第一障碍物逆位姿信息序列和上述第二障碍物位姿信息序列，确定第一相似度向量序列。其中，上述第一障碍物逆位姿信息序列中的第一障碍物逆位姿信息和上述第二障碍物位姿信息序列中的第二障碍物位姿信息一一对应。实践中，首先，对于上述第一障碍物逆位姿信息序列中的每个第一障碍物逆位姿信息，将上述第一障碍物逆位姿信息与对应的第二障碍物位姿信息的乘积确定为第一障碍物位姿矩阵。然后，可以利用logmap算法将上述第一障碍物位姿矩阵转变为第一障碍物位姿对数向量。最后，可以将所得到的各个第一障碍物位姿对数向量确定为第一相似度向量序列。其中，logmap算法可以表征特殊欧式群与其对应的李代数之间的对数映射。上述特殊欧式群可以表征矩阵。上述李代数可以表征向量。这里，上述特殊欧式群可以为第一障碍物位姿矩阵。上述李代数可以为第一障碍物位姿对数向量。
第六步，根据上述第一相似度向量序列，确定第一相似度序列。实践中，首先，对于上述第一相似度向量序列中的每个第一相似度向量，上述执行主体可以将上述第一相似度向量的2范数的平方确定为第一范数相似度。然后，可以将所得到的各个第一范数相似度确定为第一相似度序列。
第七步，根据上述第一相似度权重系数序列和上述第一相似度序列，确定障碍物检测结果相似度。其中，上述第一相似度权重系数序列中的第一相似度权重系数和上述第一相似度序列中的第一相似度一一对应。实践中，首先，对于上述第一相似度权重系数序列中的每个第一相似度权重系数，上述执行主体可以将上述第一相似度权重系数与对应的第一相似度的乘积确定为障碍物检测相似度。然后，可以将所得到的各个障碍物检测相似度的和确定为障碍物检测结果相似度。
步骤1032，响应于确定障碍物检测结果相似度大于预设阈值，对于任意两个障碍物位姿信息序列中的每个障碍物位姿信息序列，上述执行主体可以执行以下步骤：
步骤10321，根据障碍物位姿信息序列，生成前一时刻融合相似度。
在一些实施例中，上述执行主体可以根据障碍物位姿信息序列，生成前一时刻融合相似度。其中，上述预设阈值可以为预先设定的阈值。例如，上述预设阈值可以为0.6。实践中，根据上述障碍物位姿信息序列，上述执行主体可以通过以下步骤生成前一时刻融合相似度：
第一步，将上述第一相似度权重系数序列中除最后一个第一相似度权重系数外的各个第一相似度权重系数确定为第二相似度权重系数序列。
第二步，将上述第一障碍物逆位姿信息序列中除第一个第一障碍物逆位姿信息外的各个第一障碍物逆位姿信息确定为第二障碍物逆位姿信息序列。
第三步，根据上述障碍物位姿信息序列，确定上述障碍物位姿信息序列对应的前一时刻障碍物融合位姿信息序列。其中，上述障碍物位姿信息序列中的第一个障碍物位姿信息没有对应的前一时刻障碍物融合位姿信息。上述前一时刻障碍物融合位姿信息序列可以为上述障碍物位姿信息序列中的每个障碍物位姿信息对应的上一时刻的各个障碍物信息进行融合后的障碍物融合位姿信息的序列。实践中，首先，对于上述障碍物位姿信息序列中的每个障碍物位姿信息，上述执行主体可以将上述障碍物位姿信息对应的前一时刻的障碍物融合位姿信息确定为历史障碍物融合位姿信息。然后，可以将所得到的各个历史障碍物融合位姿信息确定为前一时刻障碍物融合位姿信息序列。
第四步，根据上述第二障碍物逆位姿信息序列和上述前一时刻障碍物融合位姿信息序列，确定第二相似度向量序列。其中，上述第二障碍物逆位姿信息序列中的第二障碍物逆位姿信息和上述前一时刻障碍物融合位姿信息序列中的前一时刻障碍物融合位姿信息一一对应。实践中，首先，对于上述第二障碍物逆位姿信息序列中的每个第二障碍物逆位姿信息，上述执行主体可以将第二障碍物逆位姿信息与对应的前一时刻障碍物融合位姿信息的乘积确定为第二障碍物位姿矩阵。然后，可以利用logmap算法将上述第二障碍物位姿矩阵转变为第二障碍物位姿对数向量。最后，可以将所得到的各个第二障碍物位姿对数向量确定为第二相似度向量序列。
第五步，根据上述第二相似度向量序列，确定第二相似度序列。实践中，首先，对于上述第二相似度向量序列中的每个第二相似度向量，上述执行主体可以将上述第二相似度向量的2范数的平方确定为第二范数相似度。然后，可以将所得到的各个第二范数相似度确定为第二相似度序列。
第六步，根据上述第二相似度权重系数序列和上述第二相似度序列，确定前一时刻融合相似度。其中，上述第二相似度权重系数序列中的第二相似度权重系数和上述第二相似度序列中的第二相似度一一对应。实践中，首先，对于上述第二相似度权重系数序列中的每个第二相似度权重系数，上述执行主体可以将上述第二相似度权重系数与对应的第二相似度的乘积确定为融合检测相似度。然后，可以将所得到的各个融合检测相似度的和确定为前一时刻融合相似度。
可选地，响应于确定上述前一时刻融合相似度大于上述预设阈值，上述执行主体可以执行以下步骤：
第一步，将上述前一时刻融合相似度对应的前一时刻的障碍物融合位姿信息确定为第一障碍物融合位姿信息。
第二步，将上述第一障碍物融合位姿信息的前一时刻的障碍物融合位姿信息确定为第二障碍物融合位姿信息。
第三步，将上述第二障碍物融合位姿信息的逆矩阵确定为第二障碍物融合逆位姿信息。
第四步，根据上述第二障碍物融合逆位姿信息和上述第一障碍物融合位姿信息，确定障碍物融合相对位姿信息。实践中，上述执行主体可以将上述第二障碍物融合逆位姿信息和上述第一障碍物融合位姿信息的乘积确定为障碍物融合相对位姿信息。
第五步，将上述第一障碍物融合位姿信息和上述第二障碍物融合位姿信息对应的时间间隔确定为融合时间间隔。
第六步，根据上述障碍物融合相对位姿信息和上述融合时间间隔，确定融合速度。实践中，上述执行主体可以将上述障碍物融合相对位姿信息和上述融合时间间隔的比值确定为融合速度。
第七步，根据上述第一障碍物融合位姿信息、上述融合速度和上述融合时间间隔，确定当前障碍物位姿信息。实践中，首先，上述执行主体可以将上述第一障碍物融合位姿信息和上述融合速度的和确定为第一相对位姿信息。然后，可以将上述第一相对位姿信息和上述融合时间间隔的乘积确定为当前障碍物位姿信息。
步骤10322，响应于确定前一时刻融合相似度小于等于预设阈值，将障碍物位姿信息序列确定为待融合障碍物位姿信息序列。
在一些实施例中，上述执行主体可以，响应于确定前一时刻融合相似度小于等于预设阈值，将障碍物位姿信息序列确定为待融合障碍物位姿信息序列。
步骤104，根据所确定的各个待融合障碍物位姿信息序列，确定障碍物融合位姿信息。
在一些实施例中，根据所确定的各个待融合障碍物位姿信息序列，上述执行主体可以确定障碍物融合位姿信息。
在一些实施例的一些可选的实现方式中，根据所确定的各个待融合障碍物位姿信息序列，上述执行主体可以通过以下步骤确定障碍物融合位姿信息：响应于确定上述障碍物检测结果相似度大于上述预设阈值，执行以下步骤：
第一步，根据所确定的各个待融合障碍物位姿信息序列和上述当前障碍物位姿信息，确定目标融合损失函数。
第二步，根据上述目标融合损失函数，确定上述目标融合损失函数对应的最优值。其中，上述最优值可以表征上述目标融合损失函数对应的值最小。实践中，根据上述目标融合损失函数，上述执行主体可以通过反向传播或者梯度下降法确定上述目标融合损失函数对应的最优值。
第三步，将上述最优值对应的待优化融合位姿信息确定为障碍物融合位姿信息。
在一些实施例的一些可选的实现方式中，根据所确定的各个待融合障碍物位姿信息序列和上述当前障碍物位姿信息，上述执行主体可以通过以下步骤确定目标融合损失函数：
第一步骤，根据所确定的各个待融合障碍物位姿信息序列，确定当前待融合障碍物位姿信息集合。实践中，首先，对于所确定的各个待融合障碍物位姿信息序列中的每个待融合障碍物位姿信息序列，上述执行主体可以将上述待融合障碍物位姿信息序列中最后一个待融合障碍物位姿信息确定为待融合位姿信息。然后，可以将所得到的各个待融合位姿信息确定为当前待融合障碍物位姿信息集合。
第二步骤，根据上述当前待融合障碍物位姿信息集合，确定初始待优化融合位姿信息。实践中，上述执行主体可以将当前待融合障碍物位姿信息集合中的各个当前待融合障碍物位姿信息的平均值确定为初始待优化融合位姿信息。
第三步骤，根据上述初始待优化融合位姿信息和上述当前障碍物位姿信息，确定第二融合向量。实践中，首先，上述执行主体可以将上述初始待优化融合位姿信息的逆矩阵确定为初始待优化逆位姿信息。然后，上述执行主体可以将上述初始待优化逆位姿信息和上述当前障碍物位姿信息的乘积确定为待优化融合矩阵。然后，可以利用logmap算法将上述待优化融合矩阵转变为第二融合向量。
第四步骤，根据上述第二融合向量，确定第二融合数值。实践中，上述执行主体可以将上述第二融合向量对应的马氏距离的平方确定为第二融合数值。
第五步骤，对于所确定的各个待融合障碍物位姿信息序列中的每个待融合障碍物位姿信息序列，上述执行主体可以执行以下子步骤：
第一子步骤，根据上述待融合障碍物位姿信息序列，确定待融合障碍物逆位姿信息序列。实践中，首先，对于上述待融合障碍物位姿信息序列中的每个待融合障碍物位姿信息，上述执行主体可以将上述待融合障碍物位姿信息的逆矩阵确定为待融合障碍物逆矩阵。然后，可以将所得到的各个待融合障碍物逆矩阵确定为待融合障碍物逆位姿信息序列。
第二子步骤，根据上述待融合障碍物逆位姿信息序列和上述前一时刻障碍物融合位姿信息序列，确定第一融合向量序列。其中，上述待融合障碍物逆位姿信息序列中的待融合障碍物逆位姿信息和上述前一时刻障碍物融合位姿信息序列中的前一时刻障碍物融合位姿信息一一对应。实践中，首先，对于上述待融合障碍物逆位姿信息序列中的每个待融合障碍物逆位姿信息，上述执行主体可以将上述待融合障碍物逆位姿信息与对应的前一时刻障碍物融合位姿信息的乘积确定为第一待融合矩阵。然后，可以利用logmap算法将上述第一待融合矩阵转换为第一待融合向量。最后，可以将所得到的各个第一待融合向量确定为第一融合向量序列。
第三子步骤，根据上述第一融合向量序列，确定第一融合相似度数值序列。实践中，首先，对于上述第一融合向量序列中的每个第一融合向量，上述执行主体可以将上述第一融合向量的2范数的平方确定为第一融合范数值。然后，可以将所得到的各个第一融合范数值确定为第一融合相似度数值序列。
第四子步骤，根据上述第一相似度权重系数序列和上述第一融合相似度数值序列，确定第三融合数值。其中，上述第一相似度权重系数序列中的第一相似度权重系数和上述第一融合相似度数值序列中的第一融合相似度数值一一对应。
实践中，首先，对于上述第一相似度权重系数序列中的每个第一相似度权重系数，上述执行主体可以将上述第一相似度权重系数与对应的第一融合相似度数值的乘积确定为第一相似融合数值。然后，可以将所得到的各个第一相似融合数值的和确定为第三融合数值。
第五子步骤，根据上述待融合障碍物逆位姿信息序列和上述初始待优化融合位姿信息，确定第四相似度向量。实践中，首先，上述执行主体可以将上述待融合障碍物逆位姿信息序列中最后一个待融合障碍物逆位姿信息确定为第四待融合位姿信息。然后，可以将上述第四待融合位姿信息和上述初始待优化融合位姿信息的乘积确定为第四待融合矩阵。最后，可以利用logmap算法将上述第四待融合矩阵转换为第四相似度向量。
第六子步骤，根据上述第四相似度向量和上述第三融合数值，确定第五相似度向量。实践中，上述执行主体可以将上述第四相似度向量和上述第三融合数值的比值确定为第五相似度向量。
第七子步骤，根据上述第五相似度向量，确定第五相似度数值。实践中，上述执行主体可以将上述第五相似度向量对应的2范数的平方确定为第五相似度数值。
第六步骤，根据所确定的各个第五相似度数值，确定待融合数值。实践中，上述执行主体可以将所确定的各个第五相似度数值的和确定为待融合数值。
第七步骤，将上述待融合数值与上述第二融合数值的求和公式对应的函数确定为目标融合损失函数。
上述第一步至第三步与第一步骤至第七步骤及其相关内容作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题二“未采用基于目标损失函数值的方式进行障碍物信息的融合，导致障碍物融合信息的正确率较低，从而导致车辆行驶的安全性较低”。导致障碍物融合信息的正确率较低，从而导致车辆行驶的安全性较低的因素往往如下：未采用基于目标损失函数值的方式进行障碍物信息的融合，导致障碍物融合信息的正确率较低，从而导致车辆行驶的安全性较低。如果解决了上述因素，就能达到提高障碍物融合信息的正确率和车辆行驶的安全性的效果。为了达到这一效果，首先，响应于确定上述障碍物检测结果相似度大于上述预设阈值，执行以下步骤：根据所确定的各个待融合障碍物位姿信息序列和上述当前障碍物位姿信息，确定目标融合损失函数。根据所确定的各个待融合障碍物位姿信息序列，确定当前待融合障碍物位姿信息集合。根据上述当前待融合障碍物位姿信息集合，确定初始待优化融合位姿信息。根据上述初始待优化融合位姿信息和上述当前障碍物位姿信息，确定第二融合向量。根据上述第二融合向量，确定第二融合数值。对于所确定的各个待融合障碍物位姿信息序列中的每个待融合障碍物位姿信息序列，执行以下步骤：根据上述待融合障碍物位姿信息序列，确定待融合障碍物逆位姿信息序列。根据上述待融合障碍物逆位姿信息序列和上述前一时刻障碍物融合位姿信息序列，确定第一融合向量序列。根据上述第一融合向量序列，确定第一融合相似度数值序列。根据上述第一相似度权重系数序列和上述第一融合相似度数值序列，确定第三融合数值。根据上述待融合障碍物逆位姿信息序列和上述初始待优化融合位姿信息，确定第四相似度向量。根据上述第四相似度向量和上述第三融合数值，确定第五相似度向量。根据上述第五相似度向量，确定第五相似度数值。根据所确定的各个第五相似度数值，确定待融合数值。将上述待融合数值与上述第二融合数值的求和公式对应的函数确定为目标融合损失函数。由此，确定了可以使障碍物融合位姿信息正确的较高的目标融合损失函数。其次，根据上述目标融合损失函数，确定上述目标融合损失函数对应的最优值。其中，上述最优值表征上述目标融合损失函数对应的值最小。由此，得到了可以表征障碍物融合信息正确率较高的最优值。最后，将上述最优值对应的待优化融合位姿信息确定为障碍物融合位姿信息。由此，可以得到正确率较高的障碍物融合信息。从而提高了车辆行驶的安全性。
可选地，上述执行主体还可以执行以下步骤：将上述障碍物融合位姿信息发送至上述目标车辆对应的车载终端，以控制上述目标车辆执行对应障碍物安全路径的行驶操作。其中，上述车载终端可以为装载有上述障碍物融合位姿信息的车载终端。上述障碍物安全路径可以为通过障碍物融合位姿信息确定的使目标车辆安全行驶的路径。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的障碍物信息融合方法，提高了障碍物融合信息的正确率，从而提高了车辆行驶的安全性。具体来说，导致障碍物融合信息的正确率较低，进而导致车辆行驶的安全性较低的原因在于：未考虑障碍物的历史检测信息并进行相似度的确定，导致当前时刻来自不同源的检测信息无法匹配或者差距过大时，无法判断异常的障碍物信息，从而导致障碍物融合信息的正确率较低。进而导致车辆行驶的安全性较低。基于此，本公开的一些实施例的障碍物信息融合方法，首先，获取目标障碍物的道路图像序列。其中，上述目标障碍物为妨碍目标车辆安全行驶的障碍物。由此，可以得到表征目标障碍物信息的道路图像序列。其次，根据上述道路图像序列和预先训练的障碍物检测模型，生成障碍物位姿信息序列集。对于上述障碍物位姿信息序列集中的任意两个障碍物位姿信息序列，执行以下步骤：根据上述任意两个障碍物位姿信息序列，生成障碍物检测结果相似度。由此，可以得到障碍物检测结果相似度，从而可以用于判断当前时刻不同源的检查信息是否为同一个障碍物的信息。然后，响应于确定上述障碍物检测结果相似度大于预设阈值，对于上述任意两个障碍物位姿信息序列中的每个障碍物位姿信息序列，执行以下步骤：根据上述障碍物位姿信息序列，生成前一时刻融合相似度。由此，可以得到前一时刻融合相似度，从而可以用于判断当前时刻的信息是否为障碍物的异常信息。之后，响应于确定上述前一时刻融合相似度小于等于上述预设阈值，将上述障碍物位姿信息序列确定为待融合障碍物位姿信息序列。由此，可以得到与障碍物符合度较高的待融合障碍物位姿信息序列，从而可以提高障碍物融合信息的正确率。最后，根据所确定的各个待融合障碍物位姿信息序列，确定障碍物融合位姿信息。由此，可以得到表征准确率较高的障碍物融合信息。也因为通过障碍物检测结果相似度，可以基于当前时刻的信息确定障碍物位姿信息序列是否为目标障碍物的信息。还因为通过前一时刻融合相似度，可以进一步判断障碍物位姿信息序列是否为目标障碍物的异常信息。从而可以确定与目标障碍物符合度较高的障碍物位姿信息序列。进而提高了障碍物融合信息的正确率，提高了车辆行驶的安全性。
进一步参考图2，作为对上述各图所示方法的实现，本公开提供了一种障碍物信息融合装置的一些实施例，这些装置实施例与图1所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图2所示，一些实施例的障碍物信息融合装置200包括：获取单元201、生成单元202、执行单元203和确定单元204。其中，获取单元201被配置成获取目标障碍物的道路图像序列，其中，上述目标障碍物为妨碍目标车辆安全行驶的障碍物；生成单元202被配置成根据上述道路图像序列和预先训练的障碍物检测模型，生成障碍物位姿信息序列集；执行单元203被配置成对于上述障碍物位姿信息序列集中的任意两个障碍物位姿信息序列，执行以下步骤：根据上述任意两个障碍物位姿信息序列，生成障碍物检测结果相似度；响应于确定上述障碍物检测结果相似度大于上述预设阈值，对于上述任意两个障碍物位姿信息序列中的每个障碍物位姿信息序列，执行以下步骤：根据上述障碍物位姿信息序列，生成前一时刻融合相似度；响应于确定上述前一时刻融合相似度小于等于上述预设阈值，将上述障碍物位姿信息序列确定为待融合障碍物位姿信息序列；确定单元204被配置成根据所确定的各个待融合障碍物位姿信息序列，确定障碍物融合位姿信息。
可以理解的是，该装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置200及其中包含的单元，在此不再赘述。
下面参考图3，其示出了适于用来实现本公开的一些实施例的电子设备300（例如计算设备）的结构示意图。图3示出的电子设备/终端设备/服务器仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图3所示，电子设备300可以包括处理装置301（例如中央处理器、图形处理器等），其可以根据存储在只读存储器（ROM）302中的程序或者从存储装置308加载到随机访问存储器（RAM）303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出（I/O）接口305也连接至总线304。
通常，以下装置可以连接至I/O接口305：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM 302被安装。在该计算机程序被处理装置301执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP（Hyper Text TransferProtocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“LAN”），广域网（“WAN”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取目标障碍物的道路图像序列，其中，上述目标障碍物为妨碍目标车辆安全行驶的障碍物；根据上述道路图像序列和预先训练的障碍物检测模型，生成障碍物位姿信息序列集；对于上述障碍物位姿信息序列集中的任意两个障碍物位姿信息序列，执行以下步骤：根据上述任意两个障碍物位姿信息序列，生成障碍物检测结果相似度；响应于确定上述障碍物检测结果相似度大于上述预设阈值，对于上述任意两个障碍物位姿信息序列中的每个障碍物位姿信息序列，执行以下步骤：根据上述障碍物位姿信息序列，生成前一时刻融合相似度；响应于确定上述前一时刻融合相似度小于等于上述预设阈值，将上述障碍物位姿信息序列确定为待融合障碍物位姿信息序列；根据所确定的各个待融合障碍物位姿信息序列，确定障碍物融合位姿信息。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（LAN）或广域网（WAN）——连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、生成单元、执行单元和确定单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取目标障碍物的道路图像序列的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (8)

1.一种障碍物信息融合方法，包括：
获取目标障碍物的道路图像序列，其中，所述目标障碍物为妨碍目标车辆安全行驶的障碍物；
根据所述道路图像序列和预先训练的障碍物检测模型，生成障碍物位姿信息序列集；
对于所述障碍物位姿信息序列集中的任意两个障碍物位姿信息序列，执行以下步骤：
根据所述任意两个障碍物位姿信息序列，生成障碍物检测结果相似度；
响应于确定所述障碍物检测结果相似度大于预设阈值，对于所述任意两个障碍物位姿信息序列中的每个障碍物位姿信息序列，执行以下步骤：
根据所述障碍物位姿信息序列，生成前一时刻融合相似度，其中，所述根据所述障碍物位姿信息序列，生成前一时刻融合相似度，包括：
将第一相似度权重系数序列中除最后一个第一相似度权重系数外的各个第一相似度权重系数确定为第二相似度权重系数序列；
将第一障碍物逆位姿信息序列中除第一个第一障碍物逆位姿信息外的各个第一障碍物逆位姿信息确定为第二障碍物逆位姿信息序列；
根据所述障碍物位姿信息序列，确定所述障碍物位姿信息序列对应的前一时刻障碍物融合位姿信息序列，其中，所述障碍物位姿信息序列中的第一个障碍物位姿信息没有对应的前一时刻障碍物融合位姿信息，所述前一时刻障碍物融合位姿信息序列为所述障碍物位姿信息序列中的每个障碍物位姿信息对应的上一时刻的各个障碍物信息进行融合后的障碍物融合位姿信息的序列；
根据所述第二障碍物逆位姿信息序列和所述前一时刻障碍物融合位姿信息序列，确定第二相似度向量序列；
根据所述第二相似度向量序列，确定第二相似度序列；
根据所述第二相似度权重系数序列和所述第二相似度序列，确定前一时刻融合相似度；
响应于确定所述前一时刻融合相似度小于等于所述预设阈值，将所述障碍物位姿信息序列确定为待融合障碍物位姿信息序列；
响应于确定所述前一时刻融合相似度大于所述预设阈值，执行以下步骤：
将所述前一时刻融合相似度对应的前一时刻的障碍物融合位姿信息确定为第一障碍物融合位姿信息；
将所述第一障碍物融合位姿信息的前一时刻的障碍物融合位姿信息确定为第二障碍物融合位姿信息；
将所述第二障碍物融合位姿信息的逆矩阵确定为第二障碍物融合逆位姿信息；
根据所述第二障碍物融合逆位姿信息和所述第一障碍物融合位姿信息，确定障碍物融合相对位姿信息；
将所述第一障碍物融合位姿信息和所述第二障碍物融合位姿信息对应的时间间隔确定为融合时间间隔；
根据所述障碍物融合相对位姿信息和所述融合时间间隔，确定融合速度；
根据所述第一障碍物融合位姿信息、所述融合速度和所述融合时间间隔，确定当前障碍物位姿信息；
根据所确定的各个待融合障碍物位姿信息序列，确定障碍物融合位姿信息。
2.根据权利要求1所述的方法，其中，所述方法还包括：
将所述障碍物融合位姿信息发送至所述目标车辆对应的车载终端，以控制所述目标车辆执行对应障碍物安全路径的行驶操作。
3.根据权利要求1所述的方法，其中，所述任意两个障碍物位姿信息序列包括：第一障碍物位姿信息序列和第二障碍物位姿信息序列；以及
所述根据所述任意两个障碍物位姿信息序列，生成障碍物检测结果相似度，包括：
根据所述第一障碍物位姿信息序列，确定与所述第一障碍物位姿信息序列对应的帧号序列；
根据所述帧号序列，确定第一相似度指数序列；
根据所述第一相似度指数序列，确定第一相似度权重系数序列；
根据所述第一障碍物位姿信息序列，确定第一障碍物逆位姿信息序列；
根据所述第一障碍物逆位姿信息序列和所述第二障碍物位姿信息序列，确定第一相似度向量序列；
根据所述第一相似度向量序列，确定第一相似度序列；
根据所述第一相似度权重系数序列和所述第一相似度序列，确定障碍物检测结果相似度。
4.根据权利要求1所述的方法，其中，所述障碍物检测模型是通过以下方式训练得到的：
获取样本集，其中，所述样本集中的样本包括样本道路图像，以及与道路图像对应的样本障碍物位姿信息序列；
基于样本集执行以下训练步骤：
将样本集中的至少一个样本的样本道路图像分别输入至初始障碍物检测模型中，得到所述至少一个样本中的每个样本对应的障碍物位姿信息序列；
将所述至少一个样本中的每个样本对应的障碍物位姿信息序列与对应的样本障碍物位姿信息序列进行比较；
根据比较结果确定初始障碍物检测模型是否达到预设的优化目标；
响应于确定初始障碍物检测模型达到所述优化目标，将初始障碍物检测模型确定为训练完成的障碍物检测模型。
5.根据权利要求4所述的方法，其中，训练得到所述障碍物检测模型的步骤还包括：
响应于确定初始障碍物检测模型未达到所述优化目标，调整初始障碍物检测模型的网络参数，以及使用未用过的样本组成样本集，使用调整后的初始障碍物检测模型作为初始障碍物检测模型，再次执行所述训练步骤。
6.一种障碍物信息融合装置，包括：
获取单元，被配置成获取目标障碍物的道路图像序列，其中，所述目标障碍物为妨碍目标车辆安全行驶的障碍物；
生成单元，被配置成根据所述道路图像序列和预先训练的障碍物检测模型，生成障碍物位姿信息序列集；
执行单元，被配置成对于所述障碍物位姿信息序列集中的任意两个障碍物位姿信息序列，执行以下步骤：根据所述任意两个障碍物位姿信息序列，生成障碍物检测结果相似度；响应于确定所述障碍物检测结果相似度大于预设阈值，对于所述任意两个障碍物位姿信息序列中的每个障碍物位姿信息序列，执行以下步骤：根据所述障碍物位姿信息序列，生成前一时刻融合相似度，其中，所述根据所述障碍物位姿信息序列，生成前一时刻融合相似度，包括：
将第一相似度权重系数序列中除最后一个第一相似度权重系数外的各个第一相似度权重系数确定为第二相似度权重系数序列；
将第一障碍物逆位姿信息序列中除第一个第一障碍物逆位姿信息外的各个第一障碍物逆位姿信息确定为第二障碍物逆位姿信息序列；
根据所述障碍物位姿信息序列，确定所述障碍物位姿信息序列对应的前一时刻障碍物融合位姿信息序列，其中，所述障碍物位姿信息序列中的第一个障碍物位姿信息没有对应的前一时刻障碍物融合位姿信息，所述前一时刻障碍物融合位姿信息序列为所述障碍物位姿信息序列中的每个障碍物位姿信息对应的上一时刻的各个障碍物信息进行融合后的障碍物融合位姿信息的序列；
根据所述第二障碍物逆位姿信息序列和所述前一时刻障碍物融合位姿信息序列，确定第二相似度向量序列；
根据所述第二相似度向量序列，确定第二相似度序列；
根据所述第二相似度权重系数序列和所述第二相似度序列，确定前一时刻融合相似度；响应于确定所述前一时刻融合相似度小于等于所述预设阈值，将所述障碍物位姿信息序列确定为待融合障碍物位姿信息序列；响应于确定所述前一时刻融合相似度大于所述预设阈值，执行以下步骤：
将所述前一时刻融合相似度对应的前一时刻的障碍物融合位姿信息确定为第一障碍物融合位姿信息；
将所述第一障碍物融合位姿信息的前一时刻的障碍物融合位姿信息确定为第二障碍物融合位姿信息；
将所述第二障碍物融合位姿信息的逆矩阵确定为第二障碍物融合逆位姿信息；
根据所述第二障碍物融合逆位姿信息和所述第一障碍物融合位姿信息，确定障碍物融合相对位姿信息；
将所述第一障碍物融合位姿信息和所述第二障碍物融合位姿信息对应的时间间隔确定为融合时间间隔；
根据所述障碍物融合相对位姿信息和所述融合时间间隔，确定融合速度；
根据所述第一障碍物融合位姿信息、所述融合速度和所述融合时间间隔，确定当前障碍物位姿信息；
确定单元，被配置成根据所确定的各个待融合障碍物位姿信息序列，确定障碍物融合位姿信息。
7.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
8.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-5中任一所述的方法。
CN202211533225.4A 2022-12-02 2022-12-02 障碍物信息融合方法、装置、电子设备和计算机可读介质 Active CN115546293B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211533225.4A CN115546293B (zh) 2022-12-02 2022-12-02 障碍物信息融合方法、装置、电子设备和计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211533225.4A CN115546293B (zh) 2022-12-02 2022-12-02 障碍物信息融合方法、装置、电子设备和计算机可读介质

Publications (2)

Publication Number Publication Date
CN115546293A CN115546293A (zh) 2022-12-30
CN115546293B true CN115546293B (zh) 2023-03-07

Family

ID=84721779

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211533225.4A Active CN115546293B (zh) 2022-12-02 2022-12-02 障碍物信息融合方法、装置、电子设备和计算机可读介质

Country Status (1)

Country Link
CN (1) CN115546293B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116563817B (zh) * 2023-04-14 2024-02-20 禾多科技（北京）有限公司 障碍物信息生成方法、装置、电子设备和计算机可读介质
CN116740382B (zh) * 2023-05-08 2024-02-20 禾多科技（北京）有限公司 障碍物信息生成方法、装置、电子设备和计算机可读介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109492656A (zh) * 2017-09-11 2019-03-19 百度在线网络技术（北京）有限公司 用于输出信息的方法和装置
CN111427037A (zh) * 2020-03-18 2020-07-17 北京百度网讯科技有限公司 障碍物的检测方法和装置、电子设备和车端设备
CN112465049A (zh) * 2020-12-02 2021-03-09 罗普特科技集团股份有限公司 异常检测模型生成方法和装置、异常事件检测方法和装置
CN112630799A (zh) * 2019-09-24 2021-04-09 北京百度网讯科技有限公司 用于输出信息的方法和装置
CN114022866A (zh) * 2021-11-10 2022-02-08 北京经纬恒润科技股份有限公司 一种障碍物位姿及速度的估计方法及装置
CN114596547A (zh) * 2022-01-28 2022-06-07 北京汽车研究总院有限公司 自动驾驶车辆的障碍物检测方法、装置、设备及介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10859384B2 (en) * 2017-11-15 2020-12-08 Uatc, Llc Lightweight vehicle localization systems and methods
KR20210116953A (ko) * 2020-03-18 2021-09-28 삼성전자주식회사 타겟 트래킹 방법 및 장치
CN114419604B (zh) * 2022-03-28 2022-06-28 禾多科技（北京）有限公司 障碍物信息生成方法、装置、电子设备和计算机可读介质
CN115257727B (zh) * 2022-09-27 2022-12-23 禾多科技（北京）有限公司 障碍物信息融合方法、装置、电子设备和计算机可读介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109492656A (zh) * 2017-09-11 2019-03-19 百度在线网络技术（北京）有限公司 用于输出信息的方法和装置
CN112630799A (zh) * 2019-09-24 2021-04-09 北京百度网讯科技有限公司 用于输出信息的方法和装置
CN111427037A (zh) * 2020-03-18 2020-07-17 北京百度网讯科技有限公司 障碍物的检测方法和装置、电子设备和车端设备
CN112465049A (zh) * 2020-12-02 2021-03-09 罗普特科技集团股份有限公司 异常检测模型生成方法和装置、异常事件检测方法和装置
WO2022116322A1 (zh) * 2020-12-02 2022-06-09 罗普特科技集团股份有限公司 异常检测模型生成方法和装置、异常事件检测方法和装置
CN114022866A (zh) * 2021-11-10 2022-02-08 北京经纬恒润科技股份有限公司 一种障碍物位姿及速度的估计方法及装置
CN114596547A (zh) * 2022-01-28 2022-06-07 北京汽车研究总院有限公司 自动驾驶车辆的障碍物检测方法、装置、设备及介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于深度强化学习的移动机器人在多个动态障碍物环境下避障研究;龙航宇;《CNKI优秀硕士学位论文库》;20210215;正文第1-58页 *

Also Published As

Publication number Publication date
CN115546293A (zh) 2022-12-30

Similar Documents

Publication Publication Date Title
CN108520220B (zh) 模型生成方法和装置
CN115546293B (zh) 障碍物信息融合方法、装置、电子设备和计算机可读介质
CN110347873B (zh) 视频分类方法、装置、电子设备及存储介质
US20200250462A1 (en) Key point detection method and apparatus, and storage medium
CN109800732B (zh) 用于生成漫画头像生成模型的方法和装置
CN111523640B (zh) 神经网络模型的训练方法和装置
CN113436620B (zh) 语音识别模型的训练方法、语音识别方法、装置、介质及设备
CN112464921B (zh) 障碍物检测信息生成方法、装置、设备和计算机可读介质
CN114964296B (zh) 车辆行驶路径规划方法、装置、设备和计算机可读介质
EP4318313A1 (en) Data processing method, training method for neural network model, and apparatus
CN115578570A (zh) 图像处理方法、装置、可读介质及电子设备
CN112907628A (zh) 视频目标追踪方法、装置、存储介质及电子设备
CN114913325B (zh) 语义分割方法、装置及计算机程序产品
CN114780338A (zh) 主机信息处理方法、装置、电子设备和计算机可读介质
CN116164770A (zh) 路径规划方法、装置、电子设备和计算机可读介质
CN112183627A (zh) 生成预测密度图网络的方法和车辆年检标数量检测方法
CN115546767B (zh) 数据发送方法、装置、设备和计算机可读介质
US10824943B2 (en) High precision low bit convolutional neural network
CN110956127A (zh) 用于生成特征向量的方法、装置、电子设备和介质
CN115049730B (zh) 零件装配方法、装置、电子设备及存储介质
CN112597793B (zh) 用于识别交通灯状态和计时器状态的方法、装置和设备
CN114648712B (zh) 视频分类方法、装置、电子设备及计算机可读存储介质
CN111582456B (zh) 用于生成网络模型信息的方法、装置、设备和介质
CN114639072A (zh) 人流量信息生成方法、装置、电子设备和计算机可读介质
CN110633596A (zh) 预测车辆方向角的方法和装置

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
GR01 Patent grant
GR01 Patent grant