CN116311142A - 多传感器障碍物类别融合的方法、设备及自动驾驶车辆 - Google Patents

多传感器障碍物类别融合的方法、设备及自动驾驶车辆 Download PDF

Info

Publication number
CN116311142A
CN116311142A CN202211523160.5A CN202211523160A CN116311142A CN 116311142 A CN116311142 A CN 116311142A CN 202211523160 A CN202211523160 A CN 202211523160A CN 116311142 A CN116311142 A CN 116311142A
Authority
CN
China
Prior art keywords
category
fusion
obstacle
class
probability
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
CN202211523160.5A
Other languages
English (en)
Inventor
吴超
羊野
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202211523160.5A priority Critical patent/CN116311142A/zh
Publication of CN116311142A publication Critical patent/CN116311142A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本公开提供了一种多传感器障碍物类别融合的方法、设备及自动驾驶车辆，涉及计算机技术领域，具体涉及智能交通领域和自动驾驶技术领域等人工智能技术领域。具体实现方案为：获取多个传感器的障碍物类别数据；根据预训练的类别融合模型和所述障碍物类别数据，获得所述障碍物类别数据对应的类别融合概率；根据所述类别融合概率，获得融合后的障碍物类别。

Description

多传感器障碍物类别融合的方法、设备及自动驾驶车辆
技术领域
本公开涉及计算机技术领域，具体涉及智能交通领域和自动驾驶技术领域等人工智能技术领域，尤其涉及一种多传感器障碍物类别融合的方法、设备及自动驾驶车辆。
背景技术
为了保障自动驾驶车辆的安全行驶，自动驾驶车辆需要准确知道目标障碍物的类别，并根据目标障碍物的类别进行相应的规划决策。
目前，在确定目标障碍物的类别时，通常是直接将某一个传感器的输出结果确定为目标障碍物的最终类别，或者，是利用先验知识对各传感器所输出的目标检测结果进行加权融合，得到目标障碍物的最终类别。
发明内容
本公开提供了一种多传感器障碍物类别融合的方法、装置、电子设备、可读存储介质及自动驾驶车辆。
根据本公开的一方面，提供了一种障碍物类别融合的方法，包括：
获取多个传感器的障碍物类别数据；
根据预训练的类别融合模型和所述障碍物类别数据，获得所述障碍物类别数据对应的类别融合概率；
根据所述类别融合概率，获得融合后的障碍物类别。
根据本公开的又一方面，提供了一种类别融合模型的训练方法，包括：
获取样本数据，其中，所述样本数据包括多个传感器的样本障碍物类别数据和所述样本障碍物类别数据对应的样本障碍物类别标签；
根据所述样本数据，对待训练的类别融合模型进行训练，以获得所述类别融合模型；其中，
所述类别融合模型用于对待处理的多个传感器的障碍物类别数据进行类别融合处理，以获得所述障碍物类别数据对应的类别融合概率，并根据所述类别融合概率，获得融合后的障碍物类别。
根据本公开的另一方面，提供了一种障碍物类别融合的装置，包括：
获取单元，用于获取多个传感器的障碍物类别数据；
融合单元，用于根据预训练的类别融合模型和所述障碍物类别数据，获得所述障碍物类别数据对应的类别融合概率；
获得单元，用于根据所述类别融合概率，获得融合后的障碍物类别。
根据本公开的另一方面，提供了一种类别融合模型的训练装置，包括：
获取单元，用于获取样本数据，其中，所述样本数据包括多个传感器的样本障碍物类别数据和所述样本障碍物类别数据对应的样本障碍物类别标签；
训练单元，用于根据所述样本数据，对待训练的类别融合模型进行训练，以获得所述类别融合模型；其中，
所述类别融合模型用于对待处理的多个传感器的障碍物类别数据进行类别融合处理，以获得所述障碍物类别数据对应的类别融合概率，并根据所述类别融合概率，获得融合后的障碍物类别。
根据本公开的再一方面，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如上所述的方面和任一可能的实现方式的方法。
根据本公开的又一方面，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所述计算机执行如上所述的方面和任一可能的实现方式的方法。
根据本公开的又一方面，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如上所述的方面和任一可能的实现方式的方法。
根据本公开的又一方面，提供了一种自动驾驶车辆，包括如上所述的电子设备。
由上述技术方案可知，一方面，本公开实施例通过获取多个传感器的障碍物类别数据，进而可以根据预训练的类别融合模型和所述障碍物类别数据，获得所述障碍物类别数据对应的类别融合概率，使得能够根据所述类别融合概率，获得融合后的障碍物类别，由于可以利用预训练的类别融合模型对障碍物类别数据进行融合处理，以获得障碍物类别数据对应的类别融合概率，并基于类别融合概率，获得融合后的最终的障碍物类别，可以有效地融合传感器所检测到的障碍物类别，从而保证了障碍物类别融合的可靠性和容错性。
由上述技术方案可知，另一方面，本公开实施例通过获取样本数据，该样本数据包括多个传感器的样本障碍物类别数据和所述样本障碍物类别数据对应的障碍物类别标签，进而可以根据所述样本数据，对待训练的类别融合模型进行训练，以获得所述类别融合模型，由于通过利用多个传感器的样本障碍物类别数据和样本障碍物类别数据对应的障碍物类别标签，训练得到该类别融合模型，便于模型更有针对性地学习到样本障碍物类别数据和障碍物类别标签的关系信息，减少了学习的信息损失，从而保障了类别融合模型的融合性能和准确性。
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是根据本公开第一实施例的示意图；
图2是根据本公开第二实施例的示意图；
图3是根据本公开第三实施例的示意图；
图4是根据本公开第四实施例的示意图；
图5是根据本公开第五实施例的示意图；
图6是用来实现本公开实施例的障碍物类别融合的方法和类别融合模型的训练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。
显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本公开保护的范围。
需要说明的是，本公开实施例中所涉及的终端设备可以包括但不限于手机、个人数字助理(Personal Digital Assistant，PDA)、无线手持设备、平板电脑(TabletComputer)等智能设备；显示设备可以包括但不限于个人电脑、电视等具有显示功能的设备。
另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
自动驾驶车辆，可以通过各种传感器来感知车辆周围环境，并根据感知所获得的道路、车辆位置和障碍物信息等，控制车辆的转向和速度，以使得车辆能够安全、可靠地在道路上行驶。
自动驾驶车辆在行使时，车辆周围的行使环境信息的获取依靠安装于自动驾驶车辆上的各种传感器，自动驾驶车辆上主要的传感器包括激光雷达、相机和毫米波雷达。各个传感器都会输出目标障碍物的类别，如行人、车辆等，但是各个传感器的输出结果可能会存在差别，例如，对某个障碍物，激光雷达识别为行人而相机识别为车辆。因此，为了提高对目标障碍物的识别能力，就要利用多传感器数据融合技术，形成对车辆周围的行使环境相对一致的感知描述。
目前，在确定目标障碍物的类别时，通常是直接将某一个传感器的输出结果确定为目标障碍物的最终类别，或者，是利用先验知识对各传感器所输出的目标检测结果进行加权融合，得到目标障碍物的最终类别。
但是，基于相关技术方案所获得的障碍物类别融合结果，受上游的错误检测和目标误关联的不良影响较大，准确性欠佳，并且方案的容错性较差，从而降低了障碍物类别融合结果的可靠性和容错性。
因此，亟需提供一种障碍物类别融合的方法，实现对传感器所检测到的障碍物类别地有效融合，从而保证障碍物类别融合的可靠性和容错性。
图1是根据本公开第一实施例的示意图，如图1所示。
101、获取多个传感器的障碍物类别数据。
102、根据预训练的类别融合模型和所述障碍物类别数据，获得所述障碍物类别数据对应的类别融合概率。
103、根据所述类别融合概率，获得融合后的障碍物类别。
需要说明的是，传感器可以包括但不限于车载摄像头、相机、激光雷达、毫米波雷达、红外传感器、超声波传感器等。
需要说明的是，障碍物类别可以包括但不限于汽车、自行车、行人、以及其他路面上存在的物体。
需要说明的是，101～103的执行主体的部分或全部可以为位于本地终端的应用，或者还可以为设置在位于本地终端的应用中的插件或软件开发工具包(SoftwareDevelopment Kit，SDK)等功能单元，或者还可以为位于网络侧服务器中的处理引擎，或者还可以为位于网络侧的分布式系统，例如，网络侧的自动驾驶处理平台中的处理引擎或者分布式系统等，本实施例对此不进行特别限定。
可以理解的是，所述应用可以是安装在本地终端上的本地程序(nativeApp)，或者还可以是本地终端上的浏览器的一个网页程序(webApp)，本实施例对此不进行限定。
这样，可以通过获取多个传感器的障碍物类别数据，进而可以根据预训练的类别融合模型和所述障碍物类别数据，获得所述障碍物类别数据对应的类别融合概率，使得能够根据所述类别融合概率，获得融合后的障碍物类别，由于可以利用预训练的类别融合模型对障碍物类别数据进行融合处理，以获得障碍物类别数据对应的类别融合概率，并基于类别融合概率，获得融合后的最终的障碍物类别，可以有效地融合传感器所检测到的障碍物类别，从而保证了障碍物类别融合的可靠性和容错性。
可选地，在本实施例的一个可能的实现方式中，在102中，具体可以确定所述障碍物类别数据对应的观测序列，进而可以根据预训练的类别融合模型，对所述观测序列进行融合处理，以获得所述观测序列的概率，使得能够将所述观测序列的概率作为所述障碍物类别数据对应的类别融合概率。
在该实现方式中，所述障碍物类别数据可以包括每个传感器所发送的障碍物类别概率，即障碍物是任意一个类别的概率值。
具体地，该障碍物类别概率可以是每个传感器利用预设的检测算法对所采集到的数据进行检测处理所获得的。预设的检测算法可以包括但不限于目标检测算法等。
例如，可以在自动驾驶车辆和路侧设备上设置多个传感器，分别为：传感器1、传感器2、…、传感器N。具体地，传感器1可以向本实施例所提供方法的执行主体发送的障碍物类别概率1；传感器2可以向该执行主体发送的障碍物类别概率2；…；传感器X可以向该执行主体发送的障碍物类别概率X。换言之，本实施例所提供方法的执行主体可以接收传感器1发送的障碍物类别概率1、可以接收传感器2发送的障碍物类别概率2、…、可以接收传感器X发送的障碍物类别概率X。其中，X可以为大于1的自然数。
在该实现方式中，针对任意一个传感器所发送的任意一个障碍物的障碍物类别数据，该任意一个障碍物的障碍物类别数据可以包括该障碍物为每一种类别的概率值。
示例性的，传感器1发送的障碍物类别数据中包括障碍物1的障碍物类别数据。障碍物1的障碍物类别数据包括障碍物1的障碍物类别概率。障碍物1的障碍物类别概率可以包括障碍物1为类别1的概率、障碍物1为类别2的概率、障碍物1为类别3的概率等。
可以理解的是，也可以是利用现有的方法，来获得多个传感器的障碍物类别概率，在此可以不做具体限定。
在该实现方式中，该预训练的类别融合模型可以包括基于隐马尔可夫算法的类别融合模型。
在该实现方式的一个具体实现过程中，进一步地，首先，可以将障碍物类别数据作为输入基于隐马尔可夫算法的类别融合模型的观测序列，得到观测序列的概率。其次，可以将观测序列的概率作为障碍物类别数据对应的类别融合概率。
在该具体实现过程中，针对任意一个障碍物，该障碍物的障碍物类别数据对应的类别融合概率的数量可以是多个。
可以理解的是，该类别融合概率可以包括障碍物为每个类别的概率。
例如，针对某一个障碍物1，该障碍物1的类别融合概率可以包括障碍物1为类别1的类别融合概率、障碍物1为类别2的类别融合概率、……、障碍物1为类别M的类别融合概率。其中，M为大于1的自然数。
在该实现方式的另一个具体实现过程中，具体可以根据所述预训练的类别融合模型，利用前向概率算法，对所述观测序列进行融合处理，进而可以根据融合处理结果，获得所述观测序列的概率。
可以理解的是，该预训练的类别融合模型可以包括其他可以实现障碍物的类别融合的模型。
这样，在本实现方式中，可以将所确定的障碍物类别数据对应的观测序列输入预训练的类别融合模型，以获得观测序列的概率，并将观测序列的概率作为障碍物类别数据对应的类别融合概率。由此，可以提升了障碍物类别融合处理的准确性和可靠性，并且可以降低上游的错误检测和目标误关联的对障碍物类别融合的不良影响，从而提升了障碍物类别融合的可靠性和容错性。
可选地，在本实施例的一个可能的实现方式中，在103中，具体可以响应于所述类别融合概率满足预设的概率条件，获得融合后的障碍物类别。
在本实现方式中，预设的概率条件可以包括对于任意一个障碍物，该障碍物是某一类别的类别融合概率为所获得该障碍物是所有类别的类别融合概率中的最大值。
在该实现方式的一个具体实现过程中，若障碍物是某一类别的类别融合概率为所获得的该障碍物是所有类别的类别融合概率中的最大值，则可以将该最大值对应的类别作为融合后的障碍物类别，即最终的障碍物类别。
这样，可以获得更加准确有效地障碍物类别，可以提升了障碍物类别融合处理的准确性和效率，并且可以降低上游的错误检测和目标误关联的对障碍物类别融合的不良影响，从而进一步地提升了障碍物类别融合的可靠性和效率。
可选地，在本实施例的一个可能的实现方式中，在101中，进一步地，可以对获取到的多个传感器的障碍物类别数据进行归一化处理。
具体地，针对每个障碍物，可以对多个传感器的障碍物类别数据进行累加求平均数计算，得到归一化处理后的障碍物类别数据。
可以理解的是，由于每个传感器的障碍物类别数据对应的语义类别可信度是不同的，这样，通过对获取到的多个传感器的障碍物类别数据进行归一化处理，可以保证了障碍物类别数据的有效性，便于后续可以获得更加准确地融合后的障碍物类别，从而进一步地提升了障碍物类别融合的可靠性和准确性。
需要说明的是，本实现方式中所提供的获得融合后的障碍物类别的具体实现过程，可以结合前述实现方式中所提供的多种具体实现过程，来实现本实施例的障碍物类别融合的方法。详细的描述可以参见前述实现方式中的相关内容，此处不再赘述。
本实施例中，可以通过获取多个传感器的障碍物类别数据，进而可以根据预训练的类别融合模型和所述障碍物类别数据，获得所述障碍物类别数据对应的类别融合概率，使得能够根据所述类别融合概率，获得融合后的障碍物类别，由于可以利用预训练的类别融合模型对障碍物类别数据进行融合处理，以获得障碍物类别数据对应的类别融合概率，并基于类别融合概率，获得融合后的最终的障碍物类别，可以有效地融合传感器所检测到的障碍物类别，从而保证了障碍物类别融合的可靠性和容错性。
另外，采用本实施例所提供的技术方案，可以将所确定的障碍物类别数据对应的观测序列输入预训练的类别融合模型，以获得观测序列的概率，并将观测序列的概率作为障碍物类别数据对应的类别融合概率。由此，可以提升了障碍物类别融合处理的准确性和可靠性，并且可以降低上游的错误检测和目标误关联的对障碍物类别融合的不良影响，从而提升了障碍物类别融合的可靠性和容错性。
另外，采用本实施例所提供的技术方案，可以获得更加准确有效地障碍物类别，可以提升了障碍物类别融合处理的准确性和效率，并且可以降低上游的错误检测和目标误关联的对障碍物类别融合的不良影响，从而进一步地提升了障碍物类别融合的可靠性和效率。
另外，采用本实施例所提供的技术方案，通过对获取到的多个传感器的障碍物类别数据进行归一化处理，可以保证了障碍物类别数据的有效性，便于后续可以获得更加准确地融合后的障碍物类别，从而进一步地提升了障碍物类别融合的可靠性和准确性。
图2是根据本公开第二实施例的示意图，如图2所示。
201、获取样本数据，其中，所述样本数据包括多个传感器的样本障碍物类别数据和所述样本障碍物类别数据对应的样本障碍物类别标签。
202、根据所述样本数据，对待训练的类别融合模型进行训练，以获得所述类别融合模型；所述类别融合模型用于对待处理的多个传感器的障碍物类别数据进行类别融合处理，以获得所述障碍物类别数据对应的类别融合概率，并根据所述类别融合概率，获得融合后的障碍物类别。
需要说明的是，201～202的执行主体的部分或全部可以为位于本地终端的应用，或者还可以为设置在位于本地终端的应用中的插件或软件开发工具包(SoftwareDevelopment Kit，SDK)等功能单元，或者还可以为位于网络侧服务器中的处理引擎，或者还可以为位于网络侧的分布式系统，例如，网络侧的自动驾驶处理平台中的处理引擎或者分布式系统等，本实施例对此不进行特别限定。
可以理解的是，所述应用可以是安装在本地终端上的本地程序(nativeApp)，或者还可以是本地终端上的浏览器的一个网页程序(webApp)，本实施例对此不进行限定。
这样，可以通过获取样本数据，该样本数据包括多个传感器的样本障碍物类别数据和所述样本障碍物类别数据对应的障碍物类别标签，进而可以根据所述样本数据，对待训练的类别融合模型进行训练，以获得所述类别融合模型，由于通过利用多个传感器的样本障碍物类别数据和样本障碍物类别数据对应的障碍物类别标签，训练得到该类别融合模型，便于模型更有针对性地学习到样本障碍物类别数据和障碍物类别标签的关系信息，减少了学习的信息损失，从而保障了类别融合模型的融合性能和准确性。
可选地，在本实施例的一个可能的实现方式中，在202中，具体可以将所述样本障碍物类别数据作为待训练的类别融合模型的观测序列，进而可以根据所述观测序列和所述样本障碍物类别标签，对待训练的类别融合模型进行训练，以获得所述类别融合模型。
在本实现方式中，该待训练的类别融合模型可以包括基于隐马尔可夫算法的类别融合模型。
在本实现方式中，该样本障碍物类别数据可以包括从每个传感器获取的障碍物类别概率，即历史障碍物类别概率。该样本障碍物类别数据对应的样本障碍物类别标签可以包括预先标注的障碍物类别概率对应的障碍物类别标签。
在该实现方式的一个具体实现过程中，具体可以将所述观测序列和所述样本障碍物类别标签输入待训练的类别融合模型，进而可以利用前向概率算法，对所述观测序列进行融合处理，以获得融合处理结果，使得能够根据所述融合处理结果和所述样本障碍物类别标签，迭代调整所述待训练的类别融合模型的模型参数，以获得所述类别融合模型。
在该具体实现过程中，该融合处理结果可以是每次模型训练过程所获得融合后的障碍物类别，即最终的障碍物类别。
该具体实现过程一种情况，根据所述融合处理结果和所述样本障碍物类别标签，迭代调整所述待训练的类别融合模型的模型参数，直至满足预设的训练条件，以获得训练完成的类别融合模型。
具体地，该预设的训练条件可以包括模型的损失函数达到第一预设阈值，或者，模型训练的次数到达第二预设阈值。
这样，将所述样本障碍物类别数据作为待训练的类别融合模型的观测序列，并根据观测序列和样本障碍物类别标签，对待训练的类别融合模型进行训练，得到训练完成的类别融合模型，可以更加有效地学习到样本障碍物类别数据和障碍物类别标签的关系信息，减少了学习的信息损失，从而提升了类别融合模型的融合性能和准确性。
而且，进一步地通过利用多个传感器的样本障碍物类别数据、样本障碍物类别标签，以及前向概率算法，训练得到该类别融合模型，可以进一步地类别融合模型的融合性能和准确性。
需要说明的是，本实现方式中所提供的具体实现过程之间可以相互结合，来实现本实施例的类别融合模型训练的方法。详细的描述可以参见前述实现方式中的相关内容，此处不再赘述。
图3是根据本公开第三实施例的示意图，如图3所示。
301、获取样本数据。
在本实施中，该样本数据可以包括多个传感器的样本障碍物类别数据和样本障碍物类别数据对应的样本障碍物类别标签。
302、对样本数据进行归一化处理。
303、根据归一化处理后的样本数据，对待训练的基于隐马尔可夫算法的类别融合模型进行训练，以获得训练完成的基于隐马尔可夫算法的类别融合模型。
在本实施例中，隐马尔可夫算法，或称隐马尔可夫模型是马尔可夫链的一种，它的状态不能直接观察到，但能通过观测向量序列观察到，每个观测向量都是通过某些概率密度分布表现为各种状态，每一个观测向量是由一个具有相应概率密度分布的状态序列产生。
具体地，隐马尔可夫模型的原理如下：
隐马尔可夫模型的模型参数可以包括：初始状态概率π、状态转移矩阵A、以及观测概率矩阵B。
隐马尔可夫模型的两个基本假设为：(1)齐次马尔科夫性假设：在t时刻的状态只依赖于t-1时刻的状态；(2)观测独立性假设：在任一时刻的观测只依赖于该时刻的状态。
前向概率算法包括：在给定隐马尔科夫模型参数λ＝(A,B,π)，定义到时刻t部分观测序列为O＝o1,o2,...,ot且状态为qi的概率为前向概率αt(i)，记为公式(1)：
αt(i)＝P(o1,o2,…,ot,it＝qi|λ) (1)
具体地，可以根据数据对前向概率公式进行递推，并最终得到观测序列概率P(O|λ)。前向概率算法就是根据前向概率递推公式进行计算的，输入为隐马尔可夫模型λ和观测序列O，输出的结果为观测序列概率P(O|λ)。计算的步骤为：
首先，根据前向概率公式，先设定t＝1的初值，如公式(2)所示：
αt(i)＝πibi(oi)i＝1,2,…,N (2)
其次，根据前向概率公式对前向概率进行递推，对t＝1,2,...,N-1有如公式(3)所示：
Figure BDA0003972130220000121
最后，对所有的前向概率进行求和得到最终的结果，即观测序列概率P(O|λ)，如公式(4)所示：
Figure BDA0003972130220000122
在本实施中，可以将观测序列和样本障碍物类别标签输入待训练的基于隐马尔可夫算法的类别融合模型，进而可以利用前向概率算法，对观测序列进行融合处理，以获得融合处理结果，使得能够根据融合处理结果和样本障碍物类别标签，迭代调整待训练的基于隐马尔可夫算法的类别融合模型的模型参数，以获得基于隐马尔可夫算法的类别融合模型，即获得各传感器的障碍物类别之间的概率转移矩阵。
304、获取待处理的多个传感器的障碍物类别数据。
在本实施中，障碍物类别数据包括当前障碍物的每个类别的概率。
具体地，各传感器利用目标检测算法，对当前采集的数据进行检测处理，输出当前障碍物的每个类别的概率，即障碍物类别数据，进而用于执行本实施例方法的执行主体可以获取各个传感器所输出的障碍物类别数据，以作为待处理的多个传感器的障碍物类别数据。
在本实施中，进一步地还有可以对障碍物类别数据进行归一化处理。
305、将多个传感器的障碍物类别数据输入训练完成的基于隐马尔可夫算法的类别融合模型，以获得融合后的障碍物类别。
在本实施中，训练完成的基于隐马尔可夫算法的类别融合模型，即为训练得出的概率转移矩阵，可以利用训练得出的概率转移矩阵预测出各传感器所检测出的障碍物的类别融合概率，并选择概率最大值对应的类别作为融合后的障碍物类别。
在本实施例中，通过利用多个传感器的样本障碍物类别数据和样本障碍物类别数据对应的障碍物类别标签，训练得到基于隐马尔可夫算法的类别融合模型，便于模型更有针对性地学习到样本障碍物类别数据和障碍物类别标签的关系信息，减少了学习的信息损失，从而保障了类别融合模型的融合性能和准确性
而且，可以利用训练得到的基于隐马尔可夫算法的类别融合模型对障碍物类别数据进行融合处理，以获得障碍物类别数据对应的类别融合概率，并基于类别融合概率，获得融合后的最终的障碍物类别，可以有效地融合传感器所检测到的障碍物类别，从而保证了障碍物类别融合的可靠性和容错性。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本公开所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
图4是根据本公开第四实施例的示意图，如图4所示。本实施例的障碍物类别融合的装置400可以包括获取单元401、融合单元402和获得单元403。其中，获取单元401，用于获取多个传感器的障碍物类别数据，融合单元402，用于根据预训练的类别融合模型和所述障碍物类别数据，获得所述障碍物类别数据对应的类别融合概率，获得单元403，用于根据所述类别融合概率，获得融合后的障碍物类别。
需要说明的是，本实施例的障碍物类别融合的装置的部分或全部可以为位于本地终端的应用，或者还可以为设置在位于本地终端的应用中的插件或软件开发工具包(Software Development Kit，SDK)等功能单元，或者还可以为位于网络侧服务器中的处理引擎，或者还可以为位于网络侧的分布式系统，例如，网络侧的自动驾驶平台中的处理引擎或者分布式系统等，本实施例对此不进行特别限定。
可以理解的是，所述应用可以是安装在本地终端上的本地程序(nativeApp)，或者还可以是本地终端上的浏览器的一个网页程序(webApp)，本实施例对此不进行限定。
可选地，在本实施例的一个可能的实现方式中，所述融合单元402，具体可以用于确定所述障碍物类别数据对应的观测序列，根据预训练的类别融合模型，对所述观测序列进行融合处理，以获得所述观测序列的概率，以及，将所述观测序列的概率作为所述障碍物类别数据对应的类别融合概率。
可选地，在本实施例的一个可能的实现方式中，所述融合单元402，还可以进一步用于根据所述预训练的类别融合模型，利用前向概率算法，对所述观测序列进行融合处理，根据融合处理结果，获得所述观测序列的概率。
可选地，在本实施例的一个可能的实现方式中，所述获得单元403，具体可以用于响应于所述类别融合概率满足预设的概率条件，获得融合后的障碍物类别。
本实施例中，通过获取单元获取多个传感器的障碍物类别数据，进而，由融合单元根据预训练的类别融合模型和所述障碍物类别数据，获得所述障碍物类别数据对应的类别融合概率，使得获得单元能够根据所述类别融合概率，获得融合后的障碍物类别，由于可以利用预训练的类别融合模型对障碍物类别数据进行融合处理，以获得障碍物类别数据对应的类别融合概率，并基于类别融合概率，获得融合后的最终的障碍物类别，可以有效地融合传感器所检测到的障碍物类别，从而保证了障碍物类别融合的可靠性和容错性。
另外，采用本实施例所提供的技术方案，可以将所确定的障碍物类别数据对应的观测序列输入预训练的类别融合模型，以获得观测序列的概率，并将观测序列的概率作为障碍物类别数据对应的类别融合概率。由此，可以提升了障碍物类别融合处理的准确性和可靠性，并且可以降低上游的错误检测和目标误关联的对障碍物类别融合的不良影响，从而提升了障碍物类别融合的可靠性和容错性。
另外，采用本实施例所提供的技术方案，可以获得更加准确有效地障碍物类别，可以提升了障碍物类别融合处理的准确性和效率，并且可以降低上游的错误检测和目标误关联的对障碍物类别融合的不良影响，从而进一步地提升了障碍物类别融合的可靠性和效率。
另外，采用本实施例所提供的技术方案，通过对获取到的多个传感器的障碍物类别数据进行归一化处理，可以保证了障碍物类别数据的有效性，便于后续可以获得更加准确地融合后的障碍物类别，从而进一步地提升了障碍物类别融合的可靠性和准确性。
图5是根据本公开第五实施例的示意图，如图5所示。本实施例的类别融合模型的训练装置500可以包括信息获取单元501和训练单元502。其中，获取单元501，用于获取样本数据，其中，所述样本数据包括多个传感器的样本障碍物类别数据和所述样本障碍物类别数据对应的样本障碍物类别标签；训练单元502，用于根据所述样本数据，对待训练的类别融合模型进行训练，以获得所述类别融合模型；其中，所述类别融合模型用于对待处理的多个传感器的障碍物类别数据进行类别融合处理，以获得所述障碍物类别数据对应的类别融合概率，并根据所述类别融合概率，获得融合后的障碍物类别。
需要说明的是，本实施例的类别融合模型的训练装置的部分或全部可以为位于本地终端的应用，或者还可以为设置在位于本地终端的应用中的插件或软件开发工具包(Software Development Kit，SDK)等功能单元，或者还可以为位于网络侧服务器中的处理引擎，或者还可以为位于网络侧的分布式系统，例如，网络侧的自动驾驶平台中的处理引擎或者分布式系统等，本实施例对此不进行特别限定。
可以理解的是，所述应用可以是安装在本地终端上的本地程序(nativeApp)，或者还可以是本地终端上的浏览器的一个网页程序(webApp)，本实施例对此不进行限定。
可选地，在本实施例的一个可能的实现方式中，所述训练单元502，具体可以用于将所述样本障碍物类别数据作为待训练的类别融合模型的观测序列，根据所述观测序列和所述样本障碍物类别标签，对待训练的类别融合模型进行训练，以获得所述类别融合模型。
可选地，在本实施例的一个可能的实现方式中，所述训练单元502，还可以进一步地用于将所述观测序列和所述样本障碍物类别标签输入待训练的类别融合模型，利用前向概率算法，对所述观测序列进行融合处理，以获得融合处理结果，以及，根据所述融合处理结果和所述样本障碍物类别标签，迭代调整所述待训练的类别融合模型的模型参数，以获得所述类别融合模型。
本实施例中，通过获取单元获取样本数据，该样本数据包括多个传感器的样本障碍物类别数据和所述样本障碍物类别数据对应的障碍物类别标签，进而，由训练单元根据所述样本数据，对待训练的类别融合模型进行训练，以获得所述类别融合模型，由于通过利用多个传感器的样本障碍物类别数据和样本障碍物类别数据对应的障碍物类别标签，训练得到该类别融合模型，便于模型更有针对性地学习到样本障碍物类别数据和障碍物类别标签的关系信息，减少了学习的信息损失，从而保障了类别融合模型的融合性能和准确性。
而且，进一步地通过利用多个传感器的样本障碍物类别数据、样本障碍物类别标签，以及前向概率算法，训练得到该类别融合模型，可以进一步地类别融合模型的融合性能和准确性。
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，进一步地，还提供了一种包括所提供的电子设备的自动驾驶车辆。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
图6示出了可以用来实施本公开的实施例的示例电子设备600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6所示，电子设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储电子设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
电子设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许电子设备600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601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601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如障碍物类别融合的方法和类别融合模型的训练方法。例如，在一些实施例中，障碍物类别融合的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608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到电子设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的障碍物类别融合的方法和类别融合模型的训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行障碍物类别融合的方法和类别融合模型的训练方法。
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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、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、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、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(阴极射线管)或者LCD(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：局域网(LAN)、广域网(WAN)和互联网。
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，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。
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 (18)

1.一种障碍物类别融合的方法，包括：
获取多个传感器的障碍物类别数据；
根据预训练的类别融合模型和所述障碍物类别数据，获得所述障碍物类别数据对应的类别融合概率；
根据所述类别融合概率，获得融合后的障碍物类别。
2.根据权利要求1所述的方法，其中，所述根据预训练的类别融合模型和所述障碍物类别数据，获得所述障碍物类别数据对应的类别融合概率，包括：
确定所述障碍物类别数据对应的观测序列；
根据预训练的类别融合模型，对所述观测序列进行融合处理，以获得所述观测序列的概率；
将所述观测序列的概率作为所述障碍物类别数据对应的类别融合概率。
3.根据权利要求2所述的方法，其中，所述根据预训练的类别融合模型，对所述观测序列进行融合处理，以获得所述观测序列的概率，包括：
根据所述预训练的类别融合模型，利用前向概率算法，对所述观测序列进行融合处理；
根据融合处理结果，获得所述观测序列的概率。
4.根据权利要求1至3任一项所述的方法，其中，所述根据所述类别融合概率，获得融合后的障碍物类别，包括：
响应于所述类别融合概率满足预设的概率条件，获得融合后的障碍物类别。
5.一种类别融合模型的训练方法，包括：
获取样本数据，其中，所述样本数据包括多个传感器的样本障碍物类别数据和所述样本障碍物类别数据对应的样本障碍物类别标签；
根据所述样本数据，对待训练的类别融合模型进行训练，以获得所述类别融合模型；其中，
所述类别融合模型用于对待处理的多个传感器的障碍物类别数据进行类别融合处理，以获得所述障碍物类别数据对应的类别融合概率，并根据所述类别融合概率，获得融合后的障碍物类别。
6.根据权利要求5所述的方法，其中，所述根据所述样本数据，对待训练的类别融合模型进行训练，以获得所述类别融合模型，包括：
将所述样本障碍物类别数据作为待训练的类别融合模型的观测序列；
根据所述观测序列和所述样本障碍物类别标签，对待训练的类别融合模型进行训练，以获得所述类别融合模型。
7.根据权利要求6所述的方法，其中，所述根据所述观测序列和所述样本障碍物类别标签，对待训练的类别融合模型进行训练，以获得所述类别融合模型，包括：
将所述观测序列和所述样本障碍物类别标签输入待训练的类别融合模型；
利用前向概率算法，对所述观测序列进行融合处理，以获得融合处理结果；
根据所述融合处理结果和所述样本障碍物类别标签，迭代调整所述待训练的类别融合模型的模型参数，以获得所述类别融合模型。
8.一种障碍物类别融合的装置，包括：
获取单元，用于获取多个传感器的障碍物类别数据；
融合单元，用于根据预训练的类别融合模型和所述障碍物类别数据，获得所述障碍物类别数据对应的类别融合概率；
获得单元，用于根据所述类别融合概率，获得融合后的障碍物类别。
9.根据权利要求8所述的装置，其中，所述融合单元，具体用于：
确定所述障碍物类别数据对应的观测序列；
根据预训练的类别融合模型，对所述观测序列进行融合处理，以获得所述观测序列的概率；以及
将所述观测序列的概率作为所述障碍物类别数据对应的类别融合概率。
10.根据权利要求9所述的装置，其中，所述融合单元，还用于：
根据所述预训练的类别融合模型，利用前向概率算法，对所述观测序列进行融合处理；
根据融合处理结果，获得所述观测序列的概率。
11.根据权利要求8至10任一项所述的装置，其中，所述获得单元，具体用于：
响应于所述类别融合概率满足预设的概率条件，获得融合后的障碍物类别。
12.一种类别融合模型的训练装置，包括：
获取单元，用于获取样本数据，其中，所述样本数据包括多个传感器的样本障碍物类别数据和所述样本障碍物类别数据对应的样本障碍物类别标签；
训练单元，用于根据所述样本数据，对待训练的类别融合模型进行训练，以获得所述类别融合模型；其中，
所述类别融合模型用于对待处理的多个传感器的障碍物类别数据进行类别融合处理，以获得所述障碍物类别数据对应的类别融合概率，并根据所述类别融合概率，获得融合后的障碍物类别。
13.根据权利要求12所述的装置，其中，所述训练单元，具体用于：
将所述样本障碍物类别数据作为待训练的类别融合模型的观测序列；
根据所述观测序列和所述样本障碍物类别标签，对待训练的类别融合模型进行训练，以获得所述类别融合模型。
14.根据权利要求13所述的装置，其中，所述训练单元，还用于：
将所述观测序列和所述样本障碍物类别标签输入待训练的类别融合模型；
利用前向概率算法，对所述观测序列进行融合处理，以获得融合处理结果；以及
根据所述融合处理结果和所述样本障碍物类别标签，迭代调整所述待训练的类别融合模型的模型参数，以获得所述类别融合模型。
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根据权利要求1-7中任一项所述的方法。
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1-7中任一项所述的方法。
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1-7中任一项所述的方法。
18.一种自动驾驶车辆，包括如权利要求15所述的电子设备。
CN202211523160.5A 2022-11-30 2022-11-30 多传感器障碍物类别融合的方法、设备及自动驾驶车辆 Pending CN116311142A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211523160.5A CN116311142A (zh) 2022-11-30 2022-11-30 多传感器障碍物类别融合的方法、设备及自动驾驶车辆

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211523160.5A CN116311142A (zh) 2022-11-30 2022-11-30 多传感器障碍物类别融合的方法、设备及自动驾驶车辆

Publications (1)

Publication Number Publication Date
CN116311142A true CN116311142A (zh) 2023-06-23

Family

ID=86815514

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211523160.5A Pending CN116311142A (zh) 2022-11-30 2022-11-30 多传感器障碍物类别融合的方法、设备及自动驾驶车辆

Country Status (1)

Country Link
CN (1) CN116311142A (zh)

Similar Documents

Publication Publication Date Title
CN113264066B (zh) 障碍物轨迹预测方法、装置、自动驾驶车辆及路侧设备
CN113191256A (zh) 车道线检测模型的训练方法、装置、电子设备及存储介质
CN113705716B (zh) 图像识别模型训练方法、设备、云控平台及自动驾驶车辆
CN113344121B (zh) 训练招牌分类模型和招牌分类的方法
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
CN115471805B (zh) 点云处理和深度学习模型训练方法、装置及自动驾驶车辆
EP4145408A1 (en) Obstacle detection method and apparatus, autonomous vehicle, device and storage medium
CN116092055A (zh) 训练方法、获取方法、装置、设备及自动驾驶车辆
CN112926630B (zh) 路线规划方法、装置、电子设备以及计算机可读介质
CN115687764B (zh) 车辆轨迹评估模型的训练方法、车辆轨迹评估方法和装置
CN114998863B (zh) 目标道路识别方法、装置、电子设备以及存储介质
CN116311142A (zh) 多传感器障碍物类别融合的方法、设备及自动驾驶车辆
CN114549961B (zh) 目标对象的检测方法、装置、设备以及存储介质
CN116152702A (zh) 点云标签的获取方法、装置、电子设备和自动驾驶车辆
CN114708498A (zh) 图像处理方法、装置、电子设备以及存储介质
CN114429631A (zh) 三维对象检测方法、装置、设备以及存储介质
CN114584949A (zh) 车路协同确定障碍物属性值的方法、设备及自动驾驶车辆
CN116168366B (zh) 点云数据生成方法、模型训练方法、目标检测方法和装置
CN114572233B (zh) 基于模型集合的预测方法、电子设备及自动驾驶车辆
CN113361379B (zh) 生成目标检测系统和检测目标的方法及装置
CN116842392B (zh) 轨迹预测方法及其模型的训练方法、装置、设备及介质
CN114596552B (zh) 信息处理方法、训练方法、装置、设备、车辆及介质
CN114620055B (zh) 道路数据处理方法、装置、电子设备及自动驾驶车辆
CN117935193A (zh) 车道中心线识别方法、模型训练方法、装置及车辆
CN113963322B (zh) 一种检测模型训练方法、装置及电子设备

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