CN116224991A - 运动状态识别方法、装置、设备以及存储介质 - Google Patents

运动状态识别方法、装置、设备以及存储介质 Download PDF

Info

Publication number
CN116224991A
CN116224991A CN202211661544.3A CN202211661544A CN116224991A CN 116224991 A CN116224991 A CN 116224991A CN 202211661544 A CN202211661544 A CN 202211661544A CN 116224991 A CN116224991 A CN 116224991A
Authority
CN
China
Prior art keywords
distribution
speed
motion state
observation
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
CN202211661544.3A
Other languages
English (en)
Inventor
高述琪
王昊
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.)
Apollo Intelligent Connectivity Beijing Technology Co Ltd
Original Assignee
Apollo Intelligent Connectivity Beijing Technology 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 Apollo Intelligent Connectivity Beijing Technology Co Ltd filed Critical Apollo Intelligent Connectivity Beijing Technology Co Ltd
Priority to CN202211661544.3A priority Critical patent/CN116224991A/zh
Publication of CN116224991A publication Critical patent/CN116224991A/zh
Pending legal-status Critical Current

Links

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
    • G05D1/0212—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
    • G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本公开提供了运动状态识别方法、装置、设备以及存储介质，涉及人工智能领域，尤其涉及自动驾驶技术领域。具体实现方案为：通过获取识别对象在多个时刻的观测速度，其中，所述多个时刻包括进行运动状态识别的目标时刻，以及所述目标时刻之前的至少一个历史时刻。根据目标时刻识别对象的朝向方向，确定速度空间，并将多个时刻的观测速度投影到速度空间，以得到各观测速度在速度空间中的分布特征，以便根据速度空间中的分布特征，识别目标时刻的运动状态，以提高运动状态识别的准确性。

Description

运动状态识别方法、装置、设备以及存储介质
技术领域
本公开涉及人工智能技术领域，具体涉及自动驾驶技术领域，可应用于障碍物的运动状态识别等场景，尤其涉及运动状态识别方法、装置、设备以及存储介质。
背景技术
无人驾驶的车辆在行驶过程中，需要实时识别周围障碍物的运动状态，以便基于障碍物的运动状态来决策驾驶行为。例如：车辆(可以称为主车)沿车道直行，主车右侧的临时停车区有车辆起步，此时主车和准备起步的车辆间存在驾驶策略的博弈。在这种情况下，若临时停车区车辆已经起步但无人车未能及时识别，此时两车碰撞风险增加；若临时停车区车辆决定让行主车但主车仍认为该车辆处于运动状态，此时两车均进入让行状态，降低通行效率，同时可能导致后车追尾无人驾驶车辆。
可见，在无人驾驶车辆与其它车辆、非机动车以及行人等的交互过程中，识别各类障碍物的运动状态，是保障无人驾驶车辆安全、高效通行的重要基础。
发明内容
本公开提供了一种运动状态识别方法、装置、设备以及存储介质。
根据本公开的第一方面，提供了一种运动状态识别方法，包括：
获取识别对象在多个时刻的观测速度，其中，所述多个时刻包括进行运动状态识别的目标时刻，以及所述目标时刻之前的至少一个历史时刻；
根据所述识别对象在所述目标时刻的朝向方向，确定速度空间；
将所述多个时刻的观测速度投影到所述速度空间，以得到各观测速度在所述速度空间中的分布特征；
根据所述速度空间中的分布特征，识别所述目标时刻的运动状态。
根据本公开得另一方面，提供了一种车辆控制方法，包括：
对识别对象，采用如前述方面所述得方法识别运动状态；
根据所述识别对象得运动状态，控制车辆的行驶。
根据本公开的另一方面，提供了一种运动状态识别装置，包括：
获取模块，用于获取识别对象在多个时刻的观测速度，其中，所述多个时刻包括进行运动状态识别的目标时刻，以及所述目标时刻之前的至少一个历史时刻；
确定模块，用于根据所述识别对象在所述目标时刻的朝向方向，确定速度空间；
投影模块，用于将所述多个时刻的观测速度投影到所述速度空间，以得到各观测速度在所述速度空间中的分布特征；
识别模块，用于根据所述速度空间中的分布特征，识别所述目标时刻的运动状态。
根据本公开的另一方面，提供了一种车辆控制装置，包括：
处理模块，用于对识别对象，采用前述方面所提供的运动状态识别装置识别运动状态；
控制模块，用于根据所述识别对象的运动状态，控制车辆的行驶。
根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开第一方面实施例所述的方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使计算机执行本公开第一方面实施例所述的方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本公开第一方面实施例所述的方法。
本公开提供的运动状态识别方法、装置、设备以及存储介质，通过获取识别对象在多个时刻的观测速度，其中，所述多个时刻包括进行运动状态识别的目标时刻，以及所述目标时刻之前的至少一个历史时刻。根据目标时刻识别对象的朝向方向，确定速度空间，并将多个时刻的观测速度投影到速度空间，以得到各观测速度在速度空间中的分布特征，以便根据速度空间中的分布特征，识别目标时刻的运动状态。本公开中，根据至少一个历史时刻以及目标时刻的观测速度在速度空间中的分布特征，进行运动状态的识别，由于速度空间是依据目标时刻的朝向所建立的，从而分布特征体现了多个时刻的观测速度之间的观测一致性，据此进行运动状态识别，可以提高运动状态识别的准确性。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1为本公开实施例提供的一种运动状态识别方法的流程示意图；
图2为本公开实施例提供的另一种运动状态识别方法的流程示意图；
图3为本公开实施例提供的另一种运动状态识别方法的流程示意图；
图4为本公开实施例提供的一种车辆控制方法的流程示意图；
图5为本公开实施例提供的一种运动状态识别装置500的结构示意图；
图6为本公开实施例提供的一种车辆控制装置600的结构示意图；以及
图7是用来实现本公开实施例的方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
处于无人驾驶状态的车辆(即主车)在行驶过程中，需要实时识别周围障碍物的运动状态来决策主车的驾驶行为。在前述提及的一个应用场景中，主车沿车道直行，主车右侧临时停车区有车辆起步，此时主车和准备起步的车辆间存在驾驶策略的博弈：若临时停车区车辆已经起步，但主车未能及时识别，此时两车碰撞风险增加；若临时停车区车辆决定让行主车但主车仍认为该车辆处于运动状态，此时两车均进入让行状态，降低通行效率，同时可能导致后车追尾主车。
类似的问题普遍存在，因此，及时且准确地识别各类障碍物的运动状态，是保障无人驾驶车辆安全、高效地通行的重要基础。现有障碍物运动状态判断方法不能同时满足低延迟和高准确率的要求。
目前障碍物运动状态的判断方法通常基于分为两步，一是通过障碍物历史多个时刻的观测速度间的相互校验得到修正后的障碍物速度量测结果，二是将障碍物速度量测结果和先验设定的阈值做比较，若障碍物速度量测结果低于阈值则认为障碍物静止。反之则认为障碍物运动。
但这种方法主要存在以下缺点：首先，通过障碍物历史多帧观测速度间的相互校验得到修正后速度的方法，障碍物观测速度的单次观测的跳变，将对使用跳变后观测速度的修正后速度产生影响，导致出现错误。其次，基于先验阈值进行运动状态判断的方法难以适应复杂场景。在实际无人车行驶场景中，由于距离、遮挡、障碍物类别等因素的存在，对于不同障碍物速度量测结果的误差分布范围是不尽相同的，而面对多种场景采用单一的阈值，往往导致障碍物运动状态分类错误的问题。
本公开实施例中，通过获取识别对象在多个时刻的观测速度，其中，所述多个时刻包括进行运动状态识别的目标时刻，以及所述目标时刻之前的至少一个历史时刻。根据目标时刻识别对象的朝向方向，确定速度空间，并将多个时刻的观测速度投影到速度空间，以得到各观测速度在速度空间中的分布特征，以便根据速度空间中的分布特征，识别目标时刻的运动状态。本公开中，根据至少一个历史时刻以及目标时刻的观测速度在速度空间中的分布特征，进行运动状态的识别，由于速度空间是依据目标时刻的观测速度所建立的，从而分布特征体现了多个时刻的观测速度之间的观测一致性，据此进行运动状态识别，可以提高运动状态识别的准确性。
下面参考本公开各实施例，对运动状态识别方法、装置、设备以及存储介质进行介绍。
图1为本公开实施例提供的一种运动状态识别方法的流程示意图，本实施例所提供的方法，可以由车辆执行，也可以是车辆采集多个时刻的观测速度后上传至云端服务器，由云端服务器执行。如图1所示，该方法包括：
步骤101，获取识别对象在多个时刻的观测速度，其中，所述多个时刻包括进行运动状态识别的目标时刻，以及所述目标时刻之前的至少一个历史时刻。
在无人驾驶或者辅助驾驶的场景下，车辆通常搭载了一种或多种传感器。通过该车辆搭载的一种或多种传感器对车辆周边包括障碍物在内的识别对象进行速度观测。这种观测通常是周期性进行的，在多个连续或者间隔的时刻进行速度观测，以确定在对应时刻的观测速度。
本实施例中，在需要对目标时刻识别对象的运动状态进行识别时，需要获取到目标时刻的观测速度，以及在目标时刻之前的一个或多个历史时刻的观测速度。
步骤102，根据识别对象在目标时刻的朝向方向，确定速度空间。
识别对象的朝向方向，是指识别对象可以行进的方向。
需要说明的是，识别对象可能是运动状态，也可能是静止状态。朝向方向是可以行进的方向，并不意味着识别对象正在沿朝向方向行进，识别对象可以是静止状态，即速度为零。
在一种可能的场景下，观测速度为零，即观测到识别对象为静止状态。在这种情况下，可以基于所述目标时刻所述识别对象的尾部到头部的连线方向，确定所述识别对象的朝向方向。
在另一种可能的场景下，观测速度不为零，即观测到识别对象为运动状态。在这种情况下，可以基于目标时刻的观测速度的速度方向，确定所述识别对象的朝向方向。
基于目标时刻识别对象的朝向方向，确定速度空间中，设定轴的方向，从而建立速度空间。
步骤103，将多个时刻的观测速度投影到速度空间，以得到各观测速度在速度空间中的分布特征。
在前述步骤中所确定的速度空间中，投影各时刻的观测速度。从而将各时刻的观测速度均在同一个空间内以便进行比较。
在速度空间中，多个时刻的观测速度分布在坐标原点两侧的分布越均匀，说明障碍物运动方向的不确定性越大；分布越偏离坐标原点，说明障碍物沿着该侧方向运动的概率越大。基于此，可以识别目标时刻的运动状态。
步骤104，根据速度空间中的分布特征，识别目标时刻的运动状态。
速度空间中的分布特征，能够体现出历史时刻和目标时刻之间的观测速度差异，参考历史时刻预测目标时刻的运动状态，能够避免目标时刻观测偏差导致目标时刻的运动状态识别错误。
公开实施例中，通过获取识别对象在多个时刻的观测速度，其中，所述多个时刻包括进行运动状态识别的目标时刻，以及所述目标时刻之前的至少一个历史时刻。根据目标时刻识别对象的朝向方向，确定速度空间，并将多个时刻的观测速度投影到速度空间，以得到各观测速度在速度空间中的分布特征，以便根据速度空间中的分布特征，识别目标时刻的运动状态。本公开中，根据至少一个历史时刻以及目标时刻的观测速度在速度空间中的分布特征，进行运动状态的识别，由于速度空间是依据目标时刻的朝向所建立的，从而分布特征体现了多个时刻的观测速度之间的观测一致性，据此进行运动状态识别，可以提高运动状态识别的准确性。
图2为本公开实施例提供的另一种运动状态识别方法的流程示意图，如图2所示，在一些可能的实施例中，速度空间是二维空间，二维空间包括第一坐标轴和第二坐标轴，坐标轴方向是基于目标时刻识别对象的朝向方向确定的。
如图2所示，运动状态识别方法，包括以下步骤：
步骤201，获取识别对象在多个时刻的观测速度，其中，所述多个时刻包括进行运动状态识别的目标时刻，以及所述目标时刻之前的至少一个历史时刻。
步骤202，基于所述目标时刻的所述观测速度的速度方向，或者，基于所述目标时刻所述识别对象的尾部到头部的连线方向，确定所述识别对象的朝向方向。
识别对象的朝向方向，是指识别对象可以行进的方向。
需要说明的是，识别对象可能是运动状态，也可能是静止状态。朝向方向是可以行进的方向，并不意味着识别对象正在沿朝向方向行进，识别对象可以是静止状态，即速度为零。
在一种可能的场景下，观测速度为零，即观测到识别对象为静止状态。在这种情况下，可以基于所述目标时刻所述识别对象的尾部到头部的连线方向，确定所述识别对象的朝向方向。
在另一种可能的场景下，观测速度不为零，即观测到识别对象为运动状态。在这种情况下，可以基于目标时刻的观测速度的速度方向，确定所述识别对象的朝向方向。
步骤203，基于所述朝向方向，确定所述速度空间，其中，所述速度空间的第一坐标轴平行于所述朝向方向，所述速度空间的第二坐标轴垂直于所述朝向方向。
为了实现将识别对象的历史时刻的观测速度变换到速度空间，需要创建一个速度空间。观测速度可以沿着识别对象朝向方向，分解为平行于朝向的分量和正交于朝向的分量。
这两个分量有着明确对物理含义，其中，平行于朝向的分量可以反应识别对象的平移运动状态，正交于朝向的分量反应识别对象的旋转运动状态。根据以上观察，将识别对象的速度空间的坐标轴定义为平行于朝向和正交于朝向，使得建立的速度空间能够直接映射到识别对象的平移和旋转运动状态。
步骤204，针对任一时刻的观测速度，沿第一坐标轴和第二坐标轴进行分解，以得到第一坐标轴和第二坐标轴上的投影坐标。
为了建立观测速度在速度空间中的概率分布，基于前述步骤中建立的速度空间，对于给定的目标时刻，可以将目标时刻前一定时间窗口内的各历史时刻的观测速度，沿前述目标时刻的朝向方向分解并投影到速度空间。
为了保障算法的健壮性，对投影后得到的投影坐标进行高斯平滑，平滑后各投影坐标可以增加相应的权重。多个时刻的投影坐标在速度空间的叠加，并经过后续的正则化后即得到观测速度在速度空间的概率分布。
步骤205，根据各时刻的观测速度的投影坐标在设定分布形态上的分布参数，确定分布特征。
在一些可能的实施例中，分布特征包括在速度空间的设定坐标位置上的分布概率，和/或，相对该设定坐标位置的分布均匀程度。
通常而言，对于速度空间内的概率分布，坐标原点对应的分布概率越大，说明静止概率越高；分布在坐标原点两侧的分布越均匀，说明运动方向的不确定性越大；分布越偏离坐标原点，说明沿着该侧方向运动的概率越大。
基于以上观察设计了如下的分布特征，作为障碍物运动状态判断的依据，包括：坐标原点上的分布概率，和/或，相对坐标原点的分布均匀程度。
p(x|μ,∑)＝N(x；μ,∑) 公式(1)
P0＝p(0|μ,Σ) 公式(2)
M0＝∫x2p(x|μ,Σ)dx 公式(3)
上述公式中，μ和Σ代表概率分布的均值和方差，p(x|μ,Σ)代表坐标位置x对应的分布概率，如公式(1)可知，本实施例中服从二维正态分布N(x；μ,Σ)。P0代表坐标原点上的分布概率，M0用于刻画概率分布在坐标原点两侧分布的均匀程度。
作为第一种可能的实现方式，根据各时刻的观测速度的投影坐标，在设定的二维正态分布上的均值和方差，确定所述速度空间的坐标原点上的分布概率。通过速度空间的坐标原点上的分布概率，体现静止概率。坐标原点对应的分布概率越大，说明静止概率越高。
作为第二种可能的实现方式，根据各时刻的观测速度的投影坐标，在设定的二维正态分布上的均值和方差，确定所述速度空间内各所述投影坐标上的分布概率；根据各所述投影坐标以及各所述投影坐标上的分布概率，确定所述速度空间中各所述投影坐标相对坐标原点分布的均匀程度。分布在坐标原点两侧的分布越均匀，说明运动方向的不确定性越大；分布越偏离坐标原点，说明沿着该侧方向运动的概率越大。
作为第三种可能的实现方式，根据各时刻的观测速度的投影坐标，在设定的二维正态分布上的均值和方差，确定所述速度空间的坐标原点上的分布概率。以及，根据各时刻的观测速度的投影坐标，在设定的二维正态分布上的均值和方差，确定所述速度空间内各所述投影坐标上的分布概率；根据各所述投影坐标以及各所述投影坐标上的分布概率，确定所述速度空间中各所述投影坐标相对坐标原点分布的均匀程度。
步骤206，根据所述速度空间中的分布特征，识别所述目标时刻的运动状态。
本公开实施例中，通过获取识别对象在多个时刻的观测速度，其中，所述多个时刻包括进行运动状态识别的目标时刻，以及所述目标时刻之前的至少一个历史时刻。根据目标时刻识别对象的朝向方向，确定速度空间，并将多个时刻的观测速度投影到速度空间，以得到各观测速度在速度空间中的分布特征，以便根据速度空间中的分布特征，识别目标时刻的运动状态。本公开中，根据至少一个历史时刻以及目标时刻的观测速度在速度空间中的分布特征，进行运动状态的识别，由于速度空间是依据目标时刻的朝向所建立的，从而分布特征体现了多个时刻的观测速度之间的观测一致性，据此进行运动状态识别，可以提高运动状态识别的准确性。
图3为本公开实施例提供的另一种运动状态识别方法的流程示意图，如图3所示，由于速度的观测往往存在一定偏差，且不同场景下偏差程度也不尽相同。相关技术中基于固定的速度阈值的方式，无法适应各种场景，导致会存在运动状态识别不准的情况。
本实施例中，不仅采用了基于观测速度在速度空间中的分布特征的方式进行运动状态识别，在一定程度上避免了偏差的出现，而且还摒弃了基于速度阈值的运动状态识别方式。
下面将对如图3所示的运动状态识别方法进行说明。
如图3所示，该方法包括：
步骤301，获取识别对象在多个时刻的观测速度，其中，所述多个时刻包括进行运动状态识别的目标时刻，以及所述目标时刻之前的至少一个历史时刻。
步骤302，根据识别对象在目标时刻的朝向方向，确定速度空间。
步骤303，将多个时刻的观测速度投影到所述速度空间，并进行平滑和归一化后得到各观测速度在速度空间中的分布特征。
可选地，将每个观测速度沿着平行于朝向方向x和垂直于朝向方向y解，得到投影坐标
Figure BDA0004012968500000091
进而，在速度空间内，使用以每个投影坐标为中心点的高斯分布更新投影坐标，并进行速度值的归一化。
步骤304，将速度空间中的分布特征，输入到分类模型。
运动状态由于仅需要区分运动状态和静止状态，从而，分类模型具体可以为二分类模型。
分类模型预先采用训练样本进行训练得到。作为一种可能的实现方式，分类模型的训练采用了有监督的训练。通过对历史采集到的多个障碍物的观测速度序列作为训练样本，并基于人工方式，对观测速度序列进行运动状态的标注。从而使得分类模型学习到观测速度序列的分布特征与运动状态之间的映射关系。
步骤305，根据分类模型的输出，确定所述目标时刻的运动状态。
本公开实施例中，通过获取识别对象在多个时刻的观测速度，其中，所述多个时刻包括进行运动状态识别的目标时刻，以及所述目标时刻之前的至少一个历史时刻。根据目标时刻识别对象的朝向方向，确定速度空间，并将多个时刻的观测速度投影到速度空间，以得到各观测速度在速度空间中的分布特征，以便根据速度空间中的分布特征，识别目标时刻的运动状态。本公开中，根据至少一个历史时刻以及目标时刻的观测速度在速度空间中的分布特征，进行运动状态的识别，由于速度空间是依据目标时刻的观测速度所建立的，从而分布特征体现了多个时刻的观测速度之间的观测一致性，据此进行运动状态识别，可以提高运动状态识别的准确性。
图4为本公开实施例提供的一种车辆控制方法的流程示意图，如图4所示，包括：
步骤401，对识别对象，识别运动状态。
步骤402，根据所述识别对象的运动状态，控制车辆的行驶。
本公开实施例中，步骤401采用了前述实施例中图1，图2或图3所示的方法识别运动状态，通过获取识别对象在多个时刻的观测速度，其中，所述多个时刻包括进行运动状态识别的目标时刻，以及所述目标时刻之前的至少一个历史时刻。根据目标时刻识别对象的朝向方向，确定速度空间，并将多个时刻的观测速度投影到速度空间，以得到各观测速度在速度空间中的分布特征，以便根据速度空间中的分布特征，识别目标时刻的运动状态。本公开中，根据至少一个历史时刻以及目标时刻的观测速度在速度空间中的分布特征，进行运动状态的识别，由于速度空间是依据目标时刻的朝向所建立的，从而分布特征体现了多个时刻的观测速度之间的观测一致性，据此进行运动状态识别，可以提高运动状态识别的准确性。进而提高车辆控的通行效率和安全性。
图5为本公开实施例提供的一种运动状态识别装置500的结构示意图，如图5所示，运动状态识别装置500包括：获取模块501、确定模块502、投影模块503和识别模块504。
获取模块501，用于获取识别对象在多个时刻的观测速度，其中，所述多个时刻包括进行运动状态识别的目标时刻，以及所述目标时刻之前的至少一个历史时刻。
确定模块502，用于根据所述识别对象在所述目标时刻的朝向方向，确定速度空间。
投影模块503，用于将所述多个时刻的观测速度投影到所述速度空间，以得到各观测速度在所述速度空间中的分布特征。
识别模块504，用于根据所述速度空间中的分布特征，识别所述目标时刻的运动状态。
在本公开一种可能的实现方式中，确定模块502，用于：
基于所述目标时刻的所述观测速度的速度方向，或者，基于所述目标时刻所述识别对象的尾部到头部的连线方向，确定所述识别对象的朝向方向；
基于所述朝向方向，确定所述速度空间，其中，所述速度空间的第一坐标轴平行于所述朝向方向，所述速度空间的第二坐标轴垂直于所述朝向方向。
在本公开一种可能的实现方式中，投影模块503，包括：
分解单元，用于针对任一时刻的观测速度，沿所述第一坐标轴和所述第二坐标轴进行分解，以得到所述第一坐标轴和所述第二坐标轴上的投影坐标；
确定单元，用于根据各时刻的观测速度的投影坐标在设定分布形态上的分布参数，确定所述分布特征。
在本公开一种可能的实现方式中，设定分布形态为二维正态分布，所述分布特征包括分布概率。基于此，确定单元502，用于：
根据各时刻的观测速度的投影坐标，在设定的二维正态分布上的均值和方差，确定所述速度空间的坐标原点上的分布概率。
在本公开一种可能的实现方式中，设定分布形态为二维正态分布，所述分布特征包括分布均匀程度。基于此，确定单元502，用于：
根据各时刻的观测速度的投影坐标，在设定的二维正态分布上的均值和方差，确定所述速度空间内各所述投影坐标上的分布概率；
根据各所述投影坐标以及各所述投影坐标上的分布概率，确定所述速度空间中各所述投影坐标相对坐标原点分布的均匀程度。
在本公开一种可能的实现方式中，识别模块504，用于：
将所述速度空间中的分布特征，输入到分类模型；
根据所述分类模型的输出，确定所述目标时刻的运动状态。
本公开实施例中，通过获取识别对象在多个时刻的观测速度，其中，所述多个时刻包括进行运动状态识别的目标时刻，以及所述目标时刻之前的至少一个历史时刻。根据目标时刻识别对象的朝向方向，确定速度空间，并将多个时刻的观测速度投影到速度空间，以得到各观测速度在速度空间中的分布特征，以便根据速度空间中的分布特征，识别目标时刻的运动状态。本公开中，根据至少一个历史时刻以及目标时刻的观测速度在速度空间中的分布特征，进行运动状态的识别，由于速度空间是依据目标时刻的朝向所建立的，从而分布特征体现了多个时刻的观测速度之间的观测一致性，据此进行运动状态识别，可以提高运动状态识别的准确性。
图6为本公开实施例提供的一种车辆控制装置600的结构示意图，如图6所示，车辆控制装置600包括：
处理模块601，用于对识别对象，采用运动状态识别装置500识别运动状态。
控制模块602，用于根据所述识别对象的运动状态，控制车辆的行驶。
本公开实施例中，采用了前述实施例中运动状态识别装置500识别运动状态，通过获取识别对象在多个时刻的观测速度，其中，所述多个时刻包括进行运动状态识别的目标时刻，以及所述目标时刻之前的至少一个历史时刻。根据目标时刻识别对象的朝向方向，确定速度空间，并将多个时刻的观测速度投影到速度空间，以得到各观测速度在速度空间中的分布特征，以便根据速度空间中的分布特征，识别目标时刻的运动状态。本公开中，根据至少一个历史时刻以及目标时刻的观测速度在速度空间中的分布特征，进行运动状态的识别，由于速度空间是依据目标时刻的朝向所建立的，从而分布特征体现了多个时刻的观测速度之间的观测一致性，据此进行运动状态识别，可以提高运动状态识别的准确性。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示，设备700包括计算单元701，其可以根据存储在ROM(Read-OnlyMemory，只读存储器)702中的计算机程序或者从存储单元708加载到RAM(Random AccessMemory，随机访问/存取存储器)703中的计算机程序，来执行各种适当的动作和处理。在RAM703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。I/O(Input/Output，输入/输出)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于CPU(Central Processing Unit，中央处理单元)、GPU(Graphic Processing Units，图形处理单元)、各种专用的AI(Artificial Intelligence，人工智能)计算芯片、各种运行机器学习模型算法的计算单元、DSP(Digital SignalProcessor，数字信号处理器)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理。例如，在一些实施例中，车辆控制方法和运动状态识别方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行车辆控制方法和运动状态识别方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、FPGA(Field Programmable Gate Array，现场可编程门阵列)、ASIC(Application-Specific Integrated Circuit，专用集成电路)、ASSP(Application Specific StandardProduct，专用标准产品)、SOC(System On Chip，芯片上系统的系统)、CPLD(ComplexProgrammable Logic Device，复杂可编程逻辑设备)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、RAM、ROM、EPROM(Electrically Programmable Read-Only-Memory，可擦除可编程只读存储器)或快闪存储器、光纤、CD-ROM(Compact Disc Read-Only Memory，便捷式紧凑盘只读存储器)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(Cathode-Ray Tube，阴极射线管)或者LCD(Liquid Crystal Display，液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：LAN(LocalArea Network，局域网)、WAN(Wide Area Network，广域网)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
其中，需要说明的是，人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (17)

1.一种运动状态识别方法，包括：
获取识别对象在多个时刻的观测速度，其中，所述多个时刻包括进行运动状态识别的目标时刻，以及所述目标时刻之前的至少一个历史时刻；
根据所述识别对象在所述目标时刻的朝向方向，确定速度空间；
将所述多个时刻的观测速度投影到所述速度空间，以得到各观测速度在所述速度空间中的分布特征；
根据所述速度空间中的分布特征，识别所述目标时刻的运动状态。
2.根据权利要求1所述的方法，其中，所述根据所述识别对象在所述目标时刻的朝向方向，确定速度空间，包括：
基于所述目标时刻的所述观测速度的速度方向，或者，基于所述目标时刻所述识别对象的尾部到头部的连线方向，确定所述识别对象的朝向方向；
基于所述朝向方向，确定所述速度空间，其中，所述速度空间的第一坐标轴平行于所述朝向方向，所述速度空间的第二坐标轴垂直于所述朝向方向。
3.根据权利要求2所述的方法，其中，所述将所述多个时刻的观测速度投影到所述速度空间，以得到各观测速度在所述速度空间中的分布特征，包括：
针对任一时刻的观测速度，沿所述第一坐标轴和所述第二坐标轴进行分解，以得到所述第一坐标轴和所述第二坐标轴上的投影坐标；
根据各时刻的观测速度的投影坐标在设定分布形态上的分布参数，确定所述分布特征。
4.根据权利要求3所述的方法，其中，所述设定分布形态为二维正态分布，所述分布特征包括分布概率；所述根据各时刻的观测速度的投影坐标在设定分布形态上的分布参数，确定所述分布特征，包括：
根据各时刻的观测速度的投影坐标，在设定的二维正态分布上的均值和方差，确定所述速度空间的坐标原点上的分布概率。
5.根据权利要求3所述的方法，其中，所述设定分布形态为二维正态分布，所述分布特征包括分布均匀程度；所述根据各时刻的观测速度的投影坐标在设定分布形态上的分布参数，确定所述分布特征，包括：
根据各时刻的观测速度的投影坐标，在设定的二维正态分布上的均值和方差，确定所述速度空间内各所述投影坐标上的分布概率；
根据各所述投影坐标以及各所述投影坐标上的分布概率，确定所述速度空间中各所述投影坐标相对坐标原点分布的均匀程度。
6.根据权利要求1－5任一项所述的方法，其中，所述根据所述速度空间中的分布特征，识别所述目标时刻的运动状态，包括：
将所述速度空间中的分布特征，输入到分类模型；
根据所述分类模型的输出，确定所述目标时刻的运动状态。
7.一种车辆控制方法，包括：
对识别对象，采用如权利要求1－6任一项的方法识别运动状态；
根据所述识别对象的运动状态，控制车辆的行驶。
8.一种运动状态识别装置，包括：
获取模块，用于获取识别对象在多个时刻的观测速度，其中，所述多个时刻包括进行运动状态识别的目标时刻，以及所述目标时刻之前的至少一个历史时刻；
确定模块，用于根据所述识别对象在所述目标时刻的朝向方向，确定速度空间；
投影模块，用于将所述多个时刻的观测速度投影到所述速度空间，以得到各观测速度在所述速度空间中的分布特征；
识别模块，用于根据所述速度空间中的分布特征，识别所述目标时刻的运动状态。
9.根据权利要求8所述的装置，其中，所述确定模块，用于：
基于所述目标时刻的所述观测速度的速度方向，或者，基于所述目标时刻所述识别对象的尾部到头部的连线方向，确定所述识别对象的朝向方向；
基于所述朝向方向，确定所述速度空间，其中，所述速度空间的第一坐标轴平行于所述朝向方向，所述速度空间的第二坐标轴垂直于所述朝向方向。
10.根据权利要求9所述的装置，其中，所述投影模块，包括：
分解单元，用于针对任一时刻的观测速度，沿所述第一坐标轴和所述第二坐标轴进行分解，以得到所述第一坐标轴和所述第二坐标轴上的投影坐标；
确定单元，用于根据各时刻的观测速度的投影坐标在设定分布形态上的分布参数，确定所述分布特征。
11.根据权利要求10所述的装置，其中，所述设定分布形态为二维正态分布，所述分布特征包括分布概率；所述确定单元，用于：
根据各时刻的观测速度的投影坐标，在设定的二维正态分布上的均值和方差，确定所述速度空间的坐标原点上的分布概率。
12.根据权利要求10所述的装置，其中，所述设定分布形态为二维正态分布，所述分布特征包括分布均匀程度；所述确定单元，用于：
根据各时刻的观测速度的投影坐标，在设定的二维正态分布上的均值和方差，确定所述速度空间内各所述投影坐标上的分布概率；
根据各所述投影坐标以及各所述投影坐标上的分布概率，确定所述速度空间中各所述投影坐标相对坐标原点分布的均匀程度。
13.根据权利要求8－12任一项所述的装置，其中，所述识别模块，用于：
将所述速度空间中的分布特征，输入到分类模型；
根据所述分类模型的输出，确定所述目标时刻的运动状态。
14.一种车辆控制装置，包括：
处理模块，用于对识别对象，采用如权利要求8－13任一项的装置识别运动状态；
控制模块，用于根据所述识别对象的运动状态，控制车辆的行驶。
15.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1－6中任一项所述的方法，或者，权利要求7所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1－6中任一项所述的方法，或者，权利要求7所述的方法。
17.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1－6中任一项所述的方法，或者，权利要求7所述的方法。
CN202211661544.3A 2022-12-22 2022-12-22 运动状态识别方法、装置、设备以及存储介质 Pending CN116224991A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211661544.3A CN116224991A (zh) 2022-12-22 2022-12-22 运动状态识别方法、装置、设备以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211661544.3A CN116224991A (zh) 2022-12-22 2022-12-22 运动状态识别方法、装置、设备以及存储介质

Publications (1)

Publication Number Publication Date
CN116224991A true CN116224991A (zh) 2023-06-06

Family

ID=86579479

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211661544.3A Pending CN116224991A (zh) 2022-12-22 2022-12-22 运动状态识别方法、装置、设备以及存储介质

Country Status (1)

Country Link
CN (1) CN116224991A (zh)

Similar Documents

Publication Publication Date Title
CN112526999B (zh) 速度规划方法、装置、电子设备和存储介质
CN114120253B (zh) 图像处理方法、装置、电子设备和存储介质
CN112785625A (zh) 目标跟踪方法、装置、电子设备及存储介质
CN113326786B (zh) 数据处理方法、装置、设备、车辆和存储介质
CN112622933B (zh) 车辆停靠点的确定方法及装置
CN115690739B (zh) 多传感器融合障碍物存在性检测方法和自动驾驶车辆
CN114194180A (zh) 一种辅助泊车信息的确定方法、装置、设备及介质
CN116499487B (zh) 一种车辆的路径规划方法、装置、设备及介质
CN111959526B (zh) 基于无人车的控制方法、装置、无人车和电子设备
CN113591569A (zh) 障碍物检测方法、装置、电子设备以及存储介质
CN115959154A (zh) 变道轨迹的生成方法、装置和存储介质
CN116560373A (zh) 基于盲区障碍物的机器人避障方法、装置、设备和介质
CN116224991A (zh) 运动状态识别方法、装置、设备以及存储介质
CN115830268A (zh) 用于优化感知算法的数据的获取方法、装置和存储介质
CN114841338A (zh) 训练模型参数的方法、决策确定方法、装置及电子设备
CN113936158A (zh) 一种标签匹配方法及装置
CN113361379B (zh) 生成目标检测系统和检测目标的方法及装置
CN118424321B (zh) 自动驾驶车辆的轨迹规划方法、装置、设备及车辆
CN115471810A (zh) 目标识别模型的训练方法及装置、电子设备和存储介质
CN117252296A (zh) 轨迹预测方法、装置、系统、电子设备及自动驾驶车辆
CN117876992A (zh) 障碍物检测方法、装置、设备和自动驾驶车辆
CN116300933A (zh) 自动驾驶轨迹评估方法、装置以及设备
CN116700065A (zh) 无人驾驶设备的控制方法、装置、电子设备及存储介质
CN117922572A (zh) 掉头场景下车辆限速方法、设备及自动驾驶车辆
CN117710459A (zh) 三维信息的确定方法、装置及计算机程序产品

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