CN115973144A - 一种自动泊车识别障碍物的方法、装置、电子设备及介质 - Google Patents

Abstract

本发明公开了一种自动泊车识别障碍物的方法、装置、电子设备及介质，包括基于超声传感器，对目标障碍物进行特征提取，得到目标障碍物的反射回波信息；利用训练好的机器学习分类模型对反射回波信息进行识别，得到目标障碍物的高低概率；根据目标障碍物的高低概率输出目标障碍物的高低类别。本申请能够有效对自动泊车过程中的障碍物进行识别，通过反射回波信息有效提升了自动泊车过程中障碍物高低识别的准确度。

Description

一种自动泊车识别障碍物的方法、装置、电子设备及介质

技术领域

本发明主要涉及自动驾驶技术领域，特别涉及一种自动泊车识别障碍物的方法、装置、电子设备及介质。

背景技术

自主泊车过程中，障碍物高低的有效判断对泊车性能起着关键作用。准确对障碍物进行识别能使泊车过程中的车位检索、泊车入车位过程更精确。然而，目前自主泊车过程中主要采用通过采集图像对障碍物进行识别，该方法自适应性能差，一旦目标图像被较强的噪声污染或是目标图像有较大残缺往往就得不出理想的结果，该方法对障碍物高低的有效判断准确度比较低。

发明内容

本申请的目的在于提供一种自动泊车识别障碍物的方法、装置、电子设备及介质，有效地提升了自动泊车过程中障碍物高低识别的准确度。

第一方面，本申请提供一种自动泊车识别障碍物的方法，包括：基于超声传感器，对目标障碍物进行特征提取，得到目标障碍物的反射回波信息；利用训练好的机器学习分类模型对反射回波信息进行识别，得到目标障碍物的高低概率；根据目标障碍物的高低概率输出目标障碍物的高低类别。

本申请中，通过超声传感器对目标障碍物进行特征提取，得到目标障碍物的反射回波信息，然后利用训练好的机器学习分类模型对反射回波信息进行识别，得到目标障碍物的高低概率，再根据目标障碍物的高低概率输出目标障碍物的高低类别。本申请能够有效对自动泊车过程中的障碍物进行识别，通过反射回波信息有效提升了自动泊车过程中障碍物高低识别的准确度。

在第一方面的一种实现方式中，目标障碍物的反射回波信息包括目标障碍物的反射回波信息包括第一回波距离、第一回波宽度、第一回波高度、第二回波高度和/或二次回波高度。

本申请中，第一回波距离为目标障碍物真实距离；目标障碍物真实距离为目标障碍物与超声传感器之间的距离；第一回波宽度为目标障碍物真实距离处的回波的宽度；第一回波高度为目标障碍物真实距离处的回波的高度；第二回波高度为超声传感器发出的超声波打到目标障碍物后反射到地面，再由地面反射回超声传感器后形成的回波的高度。二次回波高度为超声传感器发出超声波后打到目标障碍物，经障碍物反射回超声传感器，然后再次反射回目标障碍物并经目标障碍物再次反射回超声传感器后形成的回波的高度，本申请通过使用更多回波信息，能够准确识别更多典型障碍物，提高了障碍物高低识别的准确度。在第一方面的一种实现方式中，基于超声传感器，对目标障碍物进行特征提取，得到目标障碍物的反射回波信息，包括：基于超声传感器发出的超声波，得到目标障碍物的第一回波，第一回波包括第一轴和第二轴，第一轴表示距离，第二轴表示高度；获取第一回波的最大高度；从第一回波最大高度处分别向第一轴的两边遍历回波点，直到找到第一回波的第一边界和第二边界；获取第一边界与第二边界之间的边界距离，将边界距离作为第一回波宽度。

本申请中，超声回波以波形的方式描述在以距离为单位的横轴和以高度为单位的纵轴上，并从此波形上提取处回波信息；第一回波宽度：从第一回波最大高度处分别向横轴左右遍历回波点，直到找到此回波的前后边界，然后以前后边界距离作为第一回波宽度。

在第一方面的一种实现方式中，基于超声传感器，对目标障碍物进行特征提取，得到目标障碍物的反射回波信息，还包括：当目标障碍物的反射回波信息包括第二回波高度时，获取测试泊车场景中常见障碍物的回波数据；通过回波数据标定出第二回波出现的距离范围；将距离范围作为提取第二回波高度的阈值范围。

本申请中，第二回波高度：测试泊车场景中常见障碍物的回波数据，用这些数据标定出第二回波出现的距离范围，然后以此距离范围作为提取第二回波高度的阈值范围。

在第一方面的一种实现方式中，基于超声传感器，对目标障碍物进行特征提取，得到目标障碍物的反射回波信息，还包括：当目标障碍物的反射回波信息包括二次回波高度时，获取测试泊车场景中常见障碍物的回波数据；通过回波数据标定出二次回波高度与第一回波高度在不同距离处的倍数关系；通过倍数关系提取二次回波高度。

本申请中，二次回波高度：测试泊车景中常见障碍物的回波数据，用这些数据标定出二次回波高度与第一回波高度在不同距离处的倍数关系，然后以此倍数关系作为提取二次回波高度的依据。

在第一方面的一种实现方式中，基于超声传感器，对目标障碍物进行特征提取，得到目标障碍物的反射回波信息，还包括：采集数据时车辆周围除了目标障碍物外无其他障碍物。

在第一方面的一种实现方式中，利用训练好的机器学习分类模型对反射回波信息进行识别，得到目标障碍物的高低概率，包括：采集不同类型障碍物的反射回波信息；利用不同类型障碍物的反射回波信息对机器学习分类模型进行训练，得到训练好的机器学习分类模型。

本申请中，通过获取各种类型高低障碍物的反射回波信息，如大墙、障碍车、水马、路沿等，提取这些不同类型障碍物的回波特征，同时在训练模型时加入足够多的样本数据，使得模型的性能和泛化能力大大提升。

在第一方面的一种实现方式中，利用不同类型障碍物的反射回波信息对机器学习分类模型进行训练，得到训练好的机器学习分类模型，包括：根据不同类型障碍物的反射回波信息构建训练数据集和测试数据集；选择多分类支持向量机作为机器学习分类模型；获取多分类支持向量机的核函数和参数；通过训练数据集和测试数据集分别对多分类支持向量机进行训练和测试，得到训练好的机器学习分类模型。

本申请中，能够根据不同类型障碍物的反射回波信息构建训练数据集和测试数据集；然后选择多分类支持向量机作为机器学习分类模型；再获取多分类支持向量机的核函数和参数；最后通过训练数据集和测试数据集分别对多分类支持向量机进行训练和测试，得到训练好的机器学习分类模型。

在第一方面的一种实现方式中，机器学习分类模型的训练方式包括：分信道训练，用于对目标障碍物提取的反射回波信息进行训练得到不同信道的模型。

在第一方面的一种实现方式中，分信道训练包括：基于不同超声波传感器的安装坐标，得到若干个不同的信道；基于不同类型障碍物的反射回波信息，对每个信道类别分别进行分信道训练模型的训练，得到训练好的分信道训练模型。

本申请中，由于超声波安装坐标不同，根据超声波安装位置分成不同信道，故相同的障碍物在不同信道产生的回波信息也不同，所以按照传感器的安装位置对信道分类，对每个信道类别分别进行机器学习分类模型训练，相同的，在分类预测阶段同样按照训练阶段的信道分类类别做障碍物类别预测。

第二方面，本申请提供一种自动泊车识别障碍物的装置，包括：信息获取模块，用于基于超声传感器，对目标障碍物进行特征提取，得到目标障碍物的反射回波信息；分类模块，用于利用训练好的机器学习分类模型对反射回波信息进行识别，得到目标障碍物的高低概率；识别模块，用于根据目标障碍物的高低概率输出目标障碍物的高低类别。

第三方面，本申请提供了一种电子设备，电子设备包括：存储器，存储器存储有多条指令；处理器，处理器从存储器中加载指令，以执行如上述任一种自动泊车识别障碍物的方法中的步骤。

第四方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被电子设备执行时实现上述任一种自动泊车识别障碍物的方法中的步骤。

本申请通过超声传感器对目标障碍物进行特征提取，得到目标障碍物的反射回波信息，然后利用训练好的机器学习分类模型对反射回波信息进行识别，得到目标障碍物的高低概率，再根据目标障碍物的高低概率输出目标障碍物的高低类别。由于不同高度障碍物的回波特征差异较大，本申请利用各种不同回波特征更有效地区分出障碍物高低概率，在利用更多回波特征的同时保证了较低的标定复杂度，能自适应利用回波特征判断障碍物高低属性，本申请不需要手动对回波特征做区间划分，能够处理较大的样本量，本申请能够有效对自动泊车过程中的障碍物进行识别，通过反射回波信息有效提升了自动泊车过程中障碍物高低识别的准确度。

附图说明

图1为本申请一实施例的应用场景示意图。

图2为本申请一实施例的自动泊车识别障碍物方法的流程示意图。

图3为本申请一实施例的自动泊车识别障碍物装置的结构示意图。

图4为本申请一实施例的电子设备的结构示意图。

具体实施方式

以下通过特定的具体实例说明本申请的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本申请的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本申请的基本构想，遂图式中仅显示与本申请中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

自动泊车系统中，通过遍布车辆周围的雷达探头测量自身与周围物体之间的距离和角度，然后通过车载电脑计算出操作流程配合车速调整方向盘的转动。该系统包括环境数据采集系统、中央处理器和车辆策略控制系统，环境数据采集系统包括图像采集系统和车载距离探测系统，可采集图像数据及周围物体距车身的距离数据，并通过数据线传输给中央处理器。中央处理器可将采集到的数据分析处理后，得出汽车的当前位置、目标位置以及周围的环境参数，依据上述参数作出自动泊车策略，并将其转换成电信号。车辆策略控制系统接受电信号后，依据指令作出汽车的行驶如角度、方向等方面的操控，直至停车入位。

本申请以下实施例提供了一种自动泊车识别障碍物方法、装置、电子设备及介质，其中，该自动泊车识别障碍物装置具体可以集成在电子设备中，该电子设备可以为终端、服务器等设备。其中，终端可以为车机、手机、平板电脑、智能蓝牙设备、笔记本电脑、或者个人电脑(Personal Computer，PC)等设备；服务器可以是单一服务器，也可以是由多个服务器组成的服务器集群。

在一些实施例中，该自动泊车识别障碍物装置还可以集成在多个电子设备中，比如，该自动泊车识别障碍物装置可以集成在多个服务器中，由多个服务器来实现本申请的该自动泊车识别障碍物方法。

在一些实施例中，服务器也可以以终端的形式来实现。

例如，图1为本申请一实施例的应用场景示意图，该应用场景中可以包括车辆10、超声波雷达11、存储终端12、服务器13等，超声波雷达11安装在车辆10上，超声波雷达11用于采集车辆自动泊车过程中的障碍物的反射回波信息。存储终端12可以用于存储车辆行驶过程中采集到的障碍物的反射回波信息，超声波雷达11、存储终端12、服务器13之间相互通信连接，在此不再赘述。

其中，服务器13可以包括处理器和存储器等。服务器13可以通过超声传感器对目标障碍物进行特征提取，得到目标障碍物的反射回波信息，然后利用训练好的机器学习分类模型对反射回波信息进行识别，得到目标障碍物的高低概率；再根据目标障碍物的高低概率输出目标障碍物的高低类别等。

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行详细描述。

如图2所示，以服务器13为执行主体，本实施例提供一种自动泊车识别障碍物方法，包括步骤S210至步骤S230，如下：

S210、服务器13基于超声传感器，对目标障碍物进行特征提取，得到目标障碍物的反射回波信息。

超声波传感器是将超声波信号转换成其他能量信号(通常是电信号)的传感器。超声波是振动频率高于20KHz的机械波。超声波具有频率高、波长短、绕射现象小，特别是方向性好、能够成为射线而定向传播等特点。在本实施例中，超声波传感器可以为超声波雷达。

在本实施例中，目标障碍物可以包括大墙、障碍车、水马、路沿等，目标障碍物的反射回波信息可以包括第一回波距离、第一回波宽度、第一回波高度、第二回波高度和/或二次回波高度等。

本申请中，第一回波距离可以为目标障碍物真实距离；目标障碍物真实距离可以为目标障碍物与超声传感器之间的距离；第一回波宽度可以为目标障碍物真实距离处的回波的宽度；第一回波高度可以为目标障碍物真实距离处的回波的高度；第二回波高度可以为超声传感器发出的超声波打到目标障碍物后反射到地面，再由地面反射回超声传感器后形成的回波的高度。二次回波高度可以为超声传感器发出超声波后打到目标障碍物，经障碍物反射回超声传感器，然后再次反射回目标障碍物并经目标障碍物再次反射回超声传感器后形成的回波的高度。本申请通过使用更多回波信息，能够准确识别更多典型障碍物，提高了障碍物高低识别的准确度。

在一实施例中，基于超声传感器，对目标障碍物进行特征提取，得到目标障碍物的反射回波信息，包括：基于超声传感器发出的超声波，得到目标障碍物的第一回波，第一回波包括第一轴和第二轴，第一轴表示距离，第二轴表示高度；获取第一回波的最大高度；从第一回波最大高度处分别向第一轴的两边遍历回波点，直到找到第一回波的第一边界和第二边界；获取第一边界与第二边界之间的边界距离，将边界距离作为第一回波宽度。

本实施例中，超声回波以波形的方式描述在以距离为单位的横轴和以高度为单位的纵轴上，并从此波形上提取处回波信息；第一回波宽度：从第一回波最大高度处分别向横轴左右遍历回波点，直到找到此回波的前后边界，然后以前后边界距离作为第一回波宽度。

在一实施例中，基于超声传感器，对目标障碍物进行特征提取，得到目标障碍物的反射回波信息，还包括：当目标障碍物的反射回波信息包括第二回波高度时，获取测试泊车场景中常见障碍物的回波数据；通过回波数据标定出第二回波出现的距离范围；将距离范围作为提取第二回波高度的阈值范围。

本实施例中，第二回波高度：测试泊车场景中常见障碍物的回波数据，用这些数据标定出第二回波出现的距离范围，然后以此距离范围作为提取第二回波高度的阈值范围。

在一实施例中，基于超声传感器，对目标障碍物进行特征提取，得到目标障碍物的反射回波信息，还包括：当目标障碍物的反射回波信息包括二次回波高度时，获取测试泊车场景中常见障碍物的回波数据；通过回波数据标定出二次回波高度与第一回波高度在不同距离处的倍数关系；通过倍数关系提取二次回波高度。

本实施例中，二次回波高度：测试泊车景中常见障碍物的回波数据，用这些数据标定出二次回波高度与第一回波高度在不同距离处的倍数关系，然后以此倍数关系作为提取二次回波高度的依据。

在一实施例中，基于超声传感器，对目标障碍物进行特征提取，得到目标障碍物的反射回波信息，还包括：采集数据时车辆周围除了目标障碍物外无其他障碍物。

在一实施例中，本申请服务器13还可以对目标障碍物的反射回波信息进行预处理，得到有效反射回波信息。

比如，对目标障碍物的反射回波信息进行预处理，得到有效反射回波信息，包括：删除目标障碍物的反射回波信息中的异常值；删除目标障碍物的反射回波信息中的重复值；删除目标障碍物的反射回波信息中的缺失值。

本实施例中，为了保证反射回波信息的有效性和可用性，需对反射回波信息进行预处理。本申请通过对目标障碍物的反射回波信息进行预处理，删除反射回波信息的异常值、重复值以及缺失值，从而进一步提升障碍物高低识别的准确度。

在一实施例中，删除目标障碍物的反射回波信息中的异常值，包括：设置反射回波阈值范围，当目标障碍物的反射回波信息超出反射回波阈值范围时，将超出反射回波阈值范围的反射回波信息进行删除，得到有效反射回波信息。

本实施例中，采集数据时要保证车辆周围除了目标障碍物外无其他障碍物，以免加入干扰信息，如果存在超出反射回波阈值范围的干扰信息时，需要对超出反射回波阈值范围的反射回波信息进行删除，从而得到有效反射回波信息。

S220、服务器13利用训练好的机器学习分类模型对反射回波信息进行识别，得到目标障碍物的高低概率。

在一实施例中，利用训练好的机器学习分类模型对反射回波信息进行识别，得到目标障碍物的高低概率，包括：采集不同类型障碍物的反射回波信息；利用不同类型障碍物的反射回波信息对机器学习分类模型进行训练，得到训练好的机器学习分类模型。

本实施例中，通过获取各种类型高低障碍物的反射回波信息，如大墙、障碍车、水马、路沿等，提取这些不同类型障碍物的回波特征，同时在训练模型时加入足够多的样本数据，使得模型的性能和泛化能力大大提升。

在一实施例中，利用不同类型障碍物的反射回波信息对机器学习分类模型进行训练，得到训练好的机器学习分类模型，包括：根据不同类型障碍物的反射回波信息构建训练数据集和测试数据集；选择多分类支持向量机作为机器学习分类模型；获取多分类支持向量机的核函数和参数；通过训练数据集和测试数据集分别对多分类支持向量机进行训练和测试，得到训练好的机器学习分类模型。

本实施例中，能够根据不同类型障碍物的反射回波信息构建训练数据集和测试数据集；然后选择多分类支持向量机作为机器学习分类模型；再获取多分类支持向量机的核函数和参数；最后通过训练数据集和测试数据集分别对多分类支持向量机进行训练和测试，得到训练好的机器学习分类模型。

在一实施例中，核函数为高斯径向基函数。

本申请中，核函数包括线性核函数、多项式核函数、高斯核函数等，本申请通过选择核函数为高斯径向基函数，能够将数据映射到无穷维，从而实现多分类目的。

径向基函数(Radial Basis Function简称RBF)，就是某种沿径向对称的标量函数。通常定义为空间中任一点x到某一中心xc之间欧氏距离的单调函数，可记作k(||x-xc||)，其作用往往是局部的，即当x远离xc时函数取值很小。本实施例中采用的径向基函数是高斯核函数，形式为其中z为核函数中心，σ为函数的宽度参数，用于控制函数的径向作用范围。

具体地，利用不同类型障碍物的反射回波信息对多分类支持向量机进行训练学习时，对于线性可分问题求解转化为约束最优化问题的求解，输入训练样本集：(x₁，y₁)，(x₂，y₂)，...，(x_n，y_n)。其中为m维输入向量，y_n＝{-1，1}为对应的样本标签，n为样本数，i＝1，2，…，n。构造最化问题：其中，ω为超平面(ω，b)的超平面法向量；b是超平面截距；C为惩罚因子；γ_i为松弛变量；进一步求解得到分类函数表达式：对于非线性问题，通过引入核函数(kernel function)将其转化为高维空间的线性可分问题，并保持转化前后内积保持不变；核函数K(x，z)满足：K(x，z)＝φ(x)×φ(z)，其中φ(x)为映射函数，φ(x)×φ(z)为内积；本实施例中采用的核函数为高斯径向基函数(RBF)：最终分类函数表达式转化为：

现有技术中通过对典型障碍物，如路沿、大墙等标定，然后再通过查表得出障碍物的高低属性，这种方法有三方面问题。第一，由于是通过人工手动标定，导致标定使用的维度信息不能太多，如果使用维度信息太多，会使得标定数据量成指数增加，大大增加了标定的工作量。不但可操作性弱，而且由于标定的参数过多，导致查表过程也变得复杂。如果使用少量的维度信息参与标定，虽然能减少标定工作量增加标定可行性，但是这也导致对障碍物高低判断正确率降低。第二，在标定时通过人工手动划分各维度区间，这些区间往往不能完全准确体现障碍物高低属性的真实变化规律。第三，手动标定时使用的样本量有限，导致高低概率结果置信度下降。然而，本发明在标定方面，只需要采集不同障碍物回波信息，然后经过数据处理提取有效反射回波信息，进一步将反射回波信息导入机器学习分类模型。本发明省去了对不同回波特征值分别标定的过程，大大降低了标定复杂度。本发明能够将有效的回波特征加入到机器学习分类模型中，提升了高低判断准确度。另外，在障碍物高低判断准确度方面，本发明不仅提高了近距离处障碍物高低判断的准确度，也使较远处的障碍物高低判断准确度有了较大提高。

本发明中，利用超声波雷达回波信息判断障碍物高低属性，不再局限于两到三种回波特征，而是利用更多的回波特征作为机器学习分类模型的维度信息，从大量高低障碍物样本中提取回波信息进行训练，得到机器学习分类模型的模型参数，即本发明采集各种典型高低障碍物的反射回波信息，如大墙、障碍车、水马、路沿等，采集数据时要保证车辆周围除了目标障碍物外无其他障碍物，以免加入干扰信息，然后提取以上障碍物的回波特征参数，包括第一回波距离、第一回波宽度、第一回波高度、第二回波高度和/或二次回波高度等信息，接着利用回波特征参数对机器学习分类模型进行训练，得到训练好的机器学习分类模型。在车辆实时运行时，将车辆采集的数据实时导入机器学习分类模型，计算出障碍物高低属性。

在一实施例中，机器学习分类模型的训练方式包括：分信道训练，用于对目标障碍物提取的反射回波信息进行训练得到不同信道的模型。

在一实施例中，分信道训练包括：基于不同超声波传感器的安装坐标，得到若干个不同的信道；基于不同类型障碍物的反射回波信息，对每个信道类别分别进行分信道训练模型的训练，得到训练好的分信道训练模型。

本实施例中，由于超声波安装坐标不同，根据超声波安装位置分成不同信道，故相同的障碍物在不同信道产生的回波信息也不同，所以按照传感器的安装位置对信道分类，对每个信道类别分别进行机器学习分类模型训练，相同的，在分类预测阶段同样按照训练阶段的信道分类类别做障碍物高低概率预测。

S230、服务器13根据目标障碍物的高低概率输出目标障碍物的高低类别。

本发明利用不同回波特征更有效的区分出障碍物高低类型，在利用更多回波特征的同时保证了较低的标定复杂度，能自适应利用回波特征判断障碍物高低属性，不需要手动对回波特征做区间划分，能够处理较大的样本量，提升了障碍物高低判断准确度。

本发明通过超声传感器对目标障碍物进行特征提取，得到目标障碍物的反射回波信息，然后利用训练好的机器学习分类模型对反射回波信息进行识别，得到目标障碍物的高低概率，根据目标障碍物的高低概率输出目标障碍物的高低类别。本申请能够有效对自动泊车过程中的障碍物进行识别，通过反射回波信息有效提升了自动泊车过程中障碍物高低识别的准确度。

本申请实施例的自动泊车识别障碍物方法的保护范围不限于本实施例列举的步骤执行顺序，凡是根据本申请的原理所做的现有技术的步骤增减、步骤替换所实现的方案都包括在本申请的保护范围内。

本申请实施例还提供一种自动泊车识别障碍物装置，自动泊车识别障碍物装置可以实现本申请的自动泊车识别障碍物方法，但本申请的自动泊车识别障碍物方法的实现装置包括但不限于本实施例列举的自动泊车识别障碍物装置的结构，凡是根据本申请的原理所做的现有技术的结构变形和替换，都包括在本申请的保护范围内。

如图3所示，本申请还提供了一种自动泊车识别障碍物装置，包括信息获取模块310、分类模块320和识别模块330。其中，信息获取模块310，被配置于基于超声传感器，对目标障碍物进行特征提取，得到目标障碍物的反射回波信息；分类模块320，被配置于利用训练好的机器学习分类模型对反射回波信息进行识别，得到目标障碍物的高低概率；识别模块330，被配置于根据目标障碍物的高低概率输出目标障碍物的高低类别。

本实施例中，通过超声传感器对目标障碍物进行特征提取，得到目标障碍物的反射回波信息，然后利用训练好的机器学习分类模型对反射回波信息进行识别，得到目标障碍物的高低概率，根据目标障碍物的高低概率输出目标障碍物的高低类别。本申请能够有效对自动泊车过程中的障碍物进行识别，通过反射回波信息有效提升了自动泊车过程中障碍物高低识别的准确度。

在一实施例中，目标障碍物的反射回波信息包括目标障碍物的反射回波信息包括第一回波距离、第一回波宽度、第一回波高度、第二回波高度和/或二次回波高度。

本实施例中，第一回波距离为目标障碍物真实距离；目标障碍物真实距离为目标障碍物与超声传感器之间的距离；第一回波宽度为目标障碍物真实距离处的回波的宽度；第一回波高度为目标障碍物真实距离处的回波的高度；第二回波高度为超声传感器发出的超声波打到目标障碍物后反射到地面，再由地面反射回超声传感器后形成的回波的高度。二次回波高度为超声传感器发出超声波后打到目标障碍物，经障碍物反射回超声传感器，然后再次反射回目标障碍物并经目标障碍物再次反射回超声传感器后形成的回波的高度，本申请通过使用更多回波信息，能够准确识别更多典型障碍物，提高了障碍物高低识别的准确度。在一实施例中，基于超声传感器，对目标障碍物进行特征提取，得到目标障碍物的反射回波信息，包括：基于超声传感器发出的超声波，得到目标障碍物的第一回波，第一回波包括第一轴和第二轴，第一轴表示距离，第二轴表示高度；获取第一回波的最大高度；从第一回波最大高度处分别向第一轴的两边遍历回波点，直到找到第一回波的第一边界和第二边界；获取第一边界与第二边界之间的边界距离，将边界距离作为第一回波宽度。

本实施例中，超声回波以波形的方式描述在以距离为单位的横轴和以高度为单位的纵轴上，并从此波形上提取处回波信息；第一回波宽度：从第一回波最大高度处分别向横轴左右遍历回波点，直到找到此回波的前后边界，然后以前后边界距离作为第一回波宽度。

在一实施例中，信息获取模块310还包括第一信息获取模块，第一信息获取模块被配置于：当目标障碍物的反射回波信息包括第二回波高度时，获取测试泊车场景中常见障碍物的回波数据；通过回波数据标定出第二回波出现的距离范围；将距离范围作为提取第二回波高度的阈值范围。

本实施例中，第二回波高度：测试泊车场景中常见障碍物的回波数据，用这些数据标定出第二回波出现的距离范围，然后以此距离范围作为提取第二回波高度的阈值范围。

在一实施例中，信息获取模块310还包括第二信息获取模块，第二信息获取模块被配置于：当目标障碍物的反射回波信息包括二次回波高度时，获取测试泊车场景中常见障碍物的回波数据；通过回波数据标定出二次回波高度与第一回波高度在不同距离处的倍数关系；通过倍数关系提取二次回波高度。

本实施例中，二次回波高度：测试泊车景中常见障碍物的回波数据，用这些数据标定出二次回波高度与第一回波高度在不同距离处的倍数关系，然后以此倍数关系作为提取二次回波高度的依据。

在一实施例中，信息获取模块310还包括第三信息获取模块，第三信息获取模块被配置于：获取采集数据时车辆周围除了目标障碍物外无其他障碍物这一信息。

在一实施例中，分类模块320包括训练模块，训练模块被配置于：采集不同类型障碍物的反射回波信息；利用不同类型障碍物的反射回波信息对机器学习分类模型进行训练，得到训练好的机器学习分类模型。

本实施例中，通过获取各种类型高低障碍物的反射回波信息，如大墙、障碍车、水马、路沿等，提取这些不同类型障碍物的回波特征，同时在训练模型时加入足够多的样本数据，使得模型的性能和泛化能力大大提升。

在一实施例中，分类模块320包括训练子模块，训练子模块被配置于：根据不同类型障碍物的反射回波信息构建训练数据集和测试数据集；选择多分类支持向量机作为机器学习分类模型；获取多分类支持向量机的核函数和参数；通过训练数据集和测试数据集分别对多分类支持向量机进行训练和测试，得到训练好的机器学习分类模型。

本实施例中，能够根据不同类型障碍物的反射回波信息构建训练数据集和测试数据集；然后选择多分类支持向量机作为机器学习分类模型；再获取多分类支持向量机的核函数和参数；最后通过训练数据集和测试数据集分别对多分类支持向量机进行训练和测试，得到训练好的机器学习分类模型。

在一实施例中，机器学习分类模型的训练方式包括：分信道训练，用于对目标障碍物提取的反射回波信息进行训练得到不同信道的模型。

在一实施例中，分信道训练包括：基于不同超声波传感器的安装坐标，得到若干个不同的信道；基于不同类型障碍物的反射回波信息，对每个信道类别分别进行分信道训练模型的训练，得到训练好的分信道训练模型。

本实施例中，由于超声波安装坐标不同，根据超声波安装位置分成不同信道，故相同的障碍物在不同信道产生的回波信息也不同，所以按照传感器的安装位置对信道分类，对每个信道类别分别进行机器学习分类模型训练，相同的，在分类预测阶段同样按照训练阶段的信道分类类别做障碍物类别预测。

具体实施时，以上各个模块可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个模块的具体实施可参见前面的方法实施例，在此不再赘述。

由上可知，本申请通过超声传感器对目标障碍物进行特征提取，得到目标障碍物的反射回波信息，然后利用训练好的机器学习分类模型对反射回波信息进行识别，得到目标障碍物的高低概率，根据目标障碍物的高低概率输出目标障碍物的高低类别。本申请能够有效对自动泊车过程中的障碍物进行识别，通过反射回波信息有效提升了自动泊车过程中障碍物高低识别的准确度。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置或方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅是示意性的，例如，模块/单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或单元可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

作为分离部件说明的模块/单元可以是或者也可以不是物理上分开的，作为模块/单元显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块/单元来实现本申请实施例的目的。例如，在本申请各个实施例中的各功能模块/单元可以集成在一个处理模块中，也可以是各个模块/单元单独物理存在，也可以两个或两个以上模块/单元集成在一个模块/单元中。

本领域普通技术人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

本申请实施例还提供一种电子设备，该电子设备可以为终端、服务器等设备。其中，终端可以为手机、平板电脑、智能蓝牙设备、笔记本电脑、个人电脑，等等；服务器可以是单一服务器，也可以是由多个服务器组成的服务器集群，等等。

在一些实施例中，本申请提供的自动泊车识别障碍物装置还可以集成在多个电子设备中，比如，自动泊车识别障碍物装置可以集成在多个服务器中，由多个服务器来实现本申请的自动泊车识别障碍物方法。

在本实施例中，将以本实施例的电子设备是服务器为例进行详细描述，比如，如图4所示，其示出了本申请实施例所涉及的服务器的结构示意图，具体来讲：

该服务器可以包括一个或者一个以上处理核心的处理器410、一个或一个以上计算机可读存储介质的存储器420、电源430、输入模块440以及通信模块450等部件。本领域技术人员可以理解，图4中示出的服务器结构并不构成对服务器的限定，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。其中：

处理器410是该服务器的控制中心，利用各种接口和线路连接整个服务器的各个部分，通过运行或执行存储在存储器420内的软件程序和/或模块，以及调用存储在存储器420内的数据，执行服务器的各种功能和处理数据，从而对服务器进行整体监控。在一些实施例中，处理器410可包括一个或多个处理核心；在一些实施例中，处理器410可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器410中。

存储器420可用于存储软件程序以及模块，处理器410通过运行存储在存储器420的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器420可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据服务器的使用所创建的数据等。此外，存储器420可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器420还可以包括存储器控制器，以提供处理器410对存储器420的访问。

服务器还包括给各个部件供电的电源430，在一些实施例中，电源430可以通过电源管理系统与处理器410逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源430还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。

该服务器还可包括输入模块440，该输入模块440可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。

该服务器还可包括通信模块450，在一些实施例中通信模块450可以包括无线模块，服务器可以通过该通信模块450的无线模块进行短距离无线传输，从而为用户提供了无线的宽带互联网访问。比如，该通信模块450可以用于帮助用户收发电子邮件、浏览网页和访问流式媒体等。

尽管未示出，服务器还可以包括显示单元等，在此不再赘述。具体在本实施例中，服务器中的处理器410会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器420中，并由处理器410来运行存储在存储器420中的应用程序，从而实现自动泊车识别障碍物装置的各种功能。

在一些实施例中，本申请还提供了一种计算机可读存储介质。本领域普通技术人员可以理解实现上述实施例的方法中的全部或部分步骤是可以通过程序来指令处理器完成，的程序可以存储于计算机可读存储介质中，存储介质是非短暂性(non-transitory)介质，例如随机存取存储器，只读存储器，快闪存储器，硬盘，固态硬盘，磁带(magnetictape)，软盘(floppy disk)，光盘(optical disc)及其任意组合。上述存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如数字视频光盘(digital video disc，DVD))、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。

本申请实施例还可以提供一种计算机程序产品，计算机程序产品包括一个或多个计算机指令。在计算设备上加载和执行计算机指令时，全部或部分地产生按照本申请实施例的流程或功能。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机或数据中心进行传输。

计算机程序产品被计算机执行时，计算机执行前述方法实施例的方法。该计算机程序产品可以为一个软件安装包，在需要使用前述方法的情况下，可以下载该计算机程序产品并在计算机上执行该计算机程序产品。

上述各个附图对应的流程或结构的描述各有侧重，某个流程或结构中没有详述的部分，可以参见其他流程或结构的相关描述。

上述实施例仅例示性说明本申请的原理及其功效，而非用于限制本申请。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本申请所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本申请的权利要求所涵盖。

Claims (13)

1.一种自动泊车识别障碍物的方法，其特征在于，所述方法包括：

基于超声传感器，对目标障碍物进行特征提取，得到所述目标障碍物的反射回波信息；

利用训练好的机器学习分类模型对所述反射回波信息进行识别，得到所述目标障碍物的高低概率；

根据所述目标障碍物的高低概率输出所述目标障碍物的高低类别。

2.根据权利要求1所述的方法，其特征在于，所述目标障碍物的反射回波信息包括第一回波距离、第一回波宽度、第一回波高度、第二回波高度和/或二次回波高度。

3.根据权利要求2所述的方法，其特征在于，所述基于超声传感器，对目标障碍物进行特征提取，得到所述目标障碍物的反射回波信息，包括：

基于所述超声传感器发出的超声波，得到所述目标障碍物的第一回波，所述第一回波包括第一轴和第二轴，所述第一轴表示距离，所述第二轴表示高度；

获取所述第一回波的最大高度；

从所述第一回波最大高度处分别向所述第一轴的两边遍历回波点，直到找到所述第一回波的第一边界和第二边界；

获取所述第一边界与所述第二边界之间的边界距离，将所述边界距离作为第一回波宽度。

4.根据权利要求3所述的方法，其特征在于，所述基于超声传感器，对目标障碍物进行特征提取，得到所述目标障碍物的反射回波信息，还包括：

当所述目标障碍物的反射回波信息包括所述第二回波高度时，获取测试泊车场景中常见障碍物的回波数据；

通过所述回波数据标定出第二回波出现的距离范围；

将所述距离范围作为提取所述第二回波高度的阈值范围。

5.根据权利要求3所述的方法，其特征在于，所述基于超声传感器，对目标障碍物进行特征提取，得到所述目标障碍物的反射回波信息，还包括：

当所述目标障碍物的反射回波信息包括所述二次回波高度时，获取测试泊车场景中常见障碍物的回波数据；通过所述回波数据标定出所述二次回波高度与所述第一回波高度在不同距离处的倍数关系；

通过所述倍数关系提取所述二次回波高度。

6.根据权利要求1所述的方法，其特征在于，所述基于超声传感器，对目标障碍物进行特征提取，得到所述目标障碍物的反射回波信息，还包括：采集数据时车辆周围除了所述目标障碍物外无其他障碍物。

7.根据权利要求1所述的方法，其特征在于，所述利用训练好的机器学习分类模型对所述反射回波信息进行识别，得到所述目标障碍物的高低概率，包括：

采集不同类型障碍物的反射回波信息；

利用所述不同类型障碍物的反射回波信息对所述机器学习分类模型进行训练，得到训练好的机器学习分类模型。

8.根据权利要求7所述的方法，其特征在于，所述利用所述不同类型障碍物的反射回波信息对所述机器学习分类模型进行训练，得到训练好的机器学习分类模型，包括：

根据所述不同类型障碍物的反射回波信息构建训练数据集和测试数据集；

选择多分类支持向量机作为机器学习分类模型；

获取所述多分类支持向量机的核函数和参数；

通过所述训练数据集和所述测试数据集分别对所述多分类支持向量机进行训练和测试，得到训练好的机器学习分类模型。

9.根据权利要求1所述的方法，其特征在于，所述机器学习分类模型的训练方式包括：

分信道训练，用于对目标障碍物提取的反射回波信息进行训练得到不同信道的模型。

10.根据权利要求9所述的方法，其特征在于，所述分信道训练包括：

基于不同超声波传感器的安装坐标，得到若干个不同的信道；

基于不同类型障碍物的反射回波信息，对每个信道类别分别进行分信道训练模型的训练，得到训练好的分信道训练模型。

11.一种自动泊车识别障碍物的装置，其特征在于，所述装置包括：

信息获取模块，用于基于超声传感器，对目标障碍物进行特征提取，得到所述目标障碍物的反射回波信息；

分类模块，用于利用训练好的机器学习分类模型对所述反射回波信息进行识别，得到所述目标障碍物的高低概率；

识别模块，用于根据所述目标障碍物的高低概率输出所述目标障碍物的高低类别。

12.一种电子设备，其特征在于，所述电子设备包括：

存储器，所述存储器存储有多条指令；

处理器，所述处理器从所述存储器中加载指令，以执行如权利要求1～10任一项所述的方法中的步骤。

13.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被电子设备执行时实现权利要求1～10任一项所述的方法中的步骤。

Images