CN116934840A - 目标检测方法、装置、电子设备、存储介质和程序产品 - Google Patents

Abstract

本公开实施例涉及一种目标检测方法、装置、电子设备、存储介质和程序产品。所述方法包括：获取激光雷达对目标对象进行检测得到的目标点云数据；所述目标点云数据包括至少一个目标点的坐标信息和激光反射强度信息；获取所述目标对象与所述激光雷达之间的目标距离，并根据所述目标距离确定各所述目标点的不确定性信息；将各所述目标点的坐标信息、激光反射强度信息以及不确定性信息输入至预先训练的目标检测模型中，得到输出信息；所述输出信息包括所述目标对象的空间位置。采用本方法能够提高点云精度，提高自动驾驶车辆对周围环境的感知精度，保证自动驾驶车辆的安全。

Description

目标检测方法、装置、电子设备、存储介质和程序产品

技术领域

本公开实施例涉及自动驾驶技术领域，特别是涉及一种目标检测方法、装置、电子设备、存储介质和程序产品。

背景技术

随着车辆的技术发展，自动驾驶成为了车辆的主要研究方向之一。目前，自动驾驶车辆大多利用激光雷达(LiDAR)进行目标检测，从而感知周围环境，完成安全自动驾驶的任务。

传统技术中，往往会将激光雷达的光斑中每一点都当作光斑中心点来计算。但是，随着光斑与激光雷达的距离增大，这样的计算方式会导致非中心点的点云精度下降，影响自动驾驶车辆对周围环境的感知精度，进而影响自动驾驶车辆的安全。

发明内容

本公开实施例提供一种目标检测方法、装置、电子设备、存储介质和程序产品，能够提高点云精度，提高自动驾驶车辆对周围环境的感知精度，保证自动驾驶车辆的安全。

第一方面，本公开实施例提供一种目标检测方法，该方法包括：

获取激光雷达对目标对象进行检测得到的目标点云数据；目标点云数据包括至少一个目标点的坐标信息和激光反射强度信息；

获取目标对象与激光雷达之间的目标距离，并根据目标距离确定各目标点的不确定性信息；

将各目标点的坐标信息、激光反射强度信息以及不确定性信息输入至预先训练的目标检测模型中，得到输出信息；输出信息包括目标对象的空间位置。

第二方面，本公开实施例提供一种目标检测装置，该装置包括：

点云数据获取模块，用于获取激光雷达对目标对象进行检测得到的目标点云数据；目标点云数据包括至少一个目标点的坐标信息和激光反射强度信息；

不确定性确定模块，用于获取目标对象与激光雷达之间的目标距离，并根据目标距离确定各目标点的不确定性信息；

目标检测模块，用于将各目标点的坐标信息、激光反射强度信息以及不确定性信息输入至预先训练的目标检测模型中，得到输出信息；输出信息包括目标对象的空间位置。

第三方面，本公开实施例提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的方法。

第四方面，本公开实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的方法。

第五方面，本公开实施例提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述第一方面所述的方法。

本公开实施例提供的目标检测方法、装置、电子设备、存储介质和程序产品，获取激光雷达对目标对象进行检测得到的目标点云数据；获取目标对象与激光雷达之间的目标距离，并根据目标距离确定各目标点的不确定性信息；将各目标点的坐标信息、激光反射强度信息以及不确定性信息输入至预先训练的目标检测模型中，得到输出信息。通过本公开实施例，在各目标点中增加了一个表征点云精度的不确定性信息，这样，目标检测网络通过对不确定性信息进行学习来提高点云的精度，从而提高目标检测精度，进而提高自动驾车车辆对周围环境的感知精度，保证自动驾驶车辆的安全。

附图说明

图1为一个实施例中目标检测方法的应用环境图；

图2为一个实施例中目标检测方法的流程示意图；

图3为一个实施例中激光雷达测距的示意图；

图4为一个实施例中获取目标对象与激光雷达之间的目标距离步骤的流程示意图；

图5为一个实施例中得到输出信息步骤的流程示意图；

图6为一个实施例中目标检测模型的训练步骤的流程示意图；

图7为一个实施例中获取目标点云数据步骤的流程示意图；

图8为一个实施例中目标检测装置的结构框图之一；

图9为一个实施例中目标检测装置的结构框图之二；

图10为一个实施例中电子设备的内部结构图。

具体实施方式

为了使本公开实施例的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本公开实施例进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本公开实施例，并不用于限定本公开实施例。

首先，在具体介绍本公开实施例的技术方案之前，先对本公开实施例基于的技术背景或者技术演进脉络进行介绍。目前，自动驾驶车辆大多利用激光雷达(LiDAR)进行目标检测，从而感知周围环境，完成安全自动驾驶的任务。传统技术中，往往会将激光雷达的光斑中每一点都当作光斑中心点来计算。但是，随着光斑与激光雷达的距离增大，这样的计算方式会导致非中心点的点云精度下降，影响自动驾驶车辆对周围环境的感知精度，进而影响自动驾驶车辆的安全。

在本公开实施例提供的技术方案中，先获取激光雷达对目标对象进行检测得到的目标点云数据，该目标点云数据包括至少一个目标点的坐标信息和激光反射强度信息；然后获取目标对象与激光雷达之间的目标距离，并根据目标距离确定各目标点的不确定性信息；最后将各目标点的坐标信息、激光反射强度信息以及不确定性信息输入至预先训练的目标检测模型中，得到目标对象的空间位置。申请人发现，在目标点云数据中的各目标点增加一个不确定性信息，目标检测模型对该不确定性信息进行学习，可以提高各目标点的精度，从而提高目标检测精度，进而提高自动驾车车辆对周围环境的感知精度，保证自动驾驶车辆的安全。另外，需要说明的是，从在各目标点中增加不确定性信息以及下述实施例介绍的技术方案，申请人均付出了大量的创造性劳动

下面结合本公开实施例所应用的场景，对本公开实施例涉及的技术方案进行介绍。

本公开实施例提供的目标检测方法，可以应用于如图1所示的应用环境中。该应用环境包括激光雷达102和电子设备104，其中，激光雷达102通过网络与电子设备104进行通信，电子设备104可以设置在自动驾驶车辆中。上述电子设备104可以但不限于是各种车载计算机和智能手机等。

在一个实施例中，如图2所示，提供了一种目标检测方法，以该方法应用于图1中的电子设备为例进行说明，包括以下步骤：

步骤201，获取激光雷达对目标对象进行检测得到的目标点云数据。

其中，目标点云数据包括至少一个目标点的坐标信息和激光反射强度信息。例如，目标点云数据包括的目标点为(x，y，z，intensity)，其中，x、y、z分别为目标点在直角坐标系中x轴、y轴、z轴的位置坐标。目标点云数据还可以包括颜色信息，本公开实施例对目标点云数据不做限定。

在实际应用中，激光雷达对目标对象进行检测，具体地，激光雷达向目标对象发射激光光束，并接收回波光束得到目标点云数据。电子设备与激光雷达进行通信，获取到目标点云数据。

步骤202，获取目标对象与激光雷达之间的目标距离，并根据目标距离确定各目标点的不确定性信息。

其中，不确定性可以表征点云的精度，不确定性越高，点云精度越低；不确定性越低，点云精度越高。

电子设备可以根据激光雷达对目标对象进行检测得到目标对象与激光雷达之间的目标距离，然后根据目标距离确定各目标点的不确定性信息。例如，在各目标点中增加不确定性信息u，各目标点为(x，y，z，intensity，u)。

可以理解地，不确定性与目标距离相关，目标距离越大，不确定性越高；目标距离越小，不确定性越小。

步骤203，将各目标点的坐标信息、激光反射强度信息以及不确定性信息输入至预先训练的目标检测模型中，得到输出信息。

其中，该输出信息包括目标对象的空间位置，该空间位置可以包括目标对象上多个点的位置坐标，也可以包括目标对象的长宽高和与激光雷达之间的距离。本公开实施例对空间位置不做限定。

电子设备中可以设置预先训练好的目标检测模型，在各目标点中增加不确定性信息后，将各目标点的坐标信息、激光反射强度信息和不确定性信息输入到该目标检测模型中，该目标检测模型对各目标点的坐标信息、激光反射强度信息和不确定性信息进行学习，输出目标对象的空间位置。

上述目标检测方法中，获取激光雷达对目标对象进行检测得到的目标点云数据；获取目标对象与激光雷达之间的目标距离，并根据目标距离确定各目标点的不确定性信息；将各目标点的坐标信息、激光反射强度信息以及不确定性信息输入至预先训练的目标检测模型中，得到输出信息。通过本公开实施例，在各目标点中增加了一个表征点云精度的不确定性信息，这样，目标检测网络通过对不确定性信息进行学习来提高点云的精度，从而提高目标检测精度，进而提高自动驾车车辆对周围环境的感知精度，保证自动驾驶车辆的安全。

在一个实施例中，上述根据目标距离确定各目标点的不确定性信息的过程，可以包括：将目标距离的平方作为各目标点的不确定性信息。

如图3所示，在激光雷达测距过程中，不同发散角的激光光束，在测量同一距离时，激光光束的横截面面积与发散角近似满足如下关系：

其中，A为横截面面积，α为发散角，d为距离。理论上，激光光束的横截面应为以d为半径的球面弧长。但实际上，发散角α极小，半径d远远大于球面弧长，因此，用平面来近似横截面。现有技术中，往往会将横截面上的每一点都当作光斑中心点来计算，而实际上，随着横截面的增大，横截面上越靠近边缘的点精度就会越低，也就是说，横截面上的点的精度与横截面面积线性相关。由以上公式可知，横截面面积与距离平方线性相关，由该关系可知，距离平方与横截面上的点的精度线性相关，因此，可以采用距离平方来表征横截面上的点的精度(点的不确定性)。

在实际应用中，电子设备获取到激光雷达与目标对象之间的目标距离后，计算目标距离的平方，并将目标距离的平方作为各目标点的不确定性信息。

例如，各目标点为(x，y，z，intensity，d²)。

上述实施例中，将目标距离的平方作为各目标点的不确定性信息。通过本公开实施例，确定了激光光束的横截面上的点的精度与横截面面积线性相关，进而确定横截面上的点的精度与距离平方线性相关，因此将距离平方作为不确定性信息，增加点云中各点的描述维度，从而可以使目标检测模型对新增的描述维度进行学习，提高点云精度。并且，由于横截面面积与距离平方线性相关，在这个过程中，并不需要获知激光雷达的内参发散角，因此可以较为容易的确定不确定性信息。

在一个实施例中，如图4所示，上述获取目标对象与激光雷达之间的目标距离的过程，可以包括如下步骤：

步骤301，获取激光雷达向目标对象发射激光光束的发射时间和回波光束的接收时间。

例如，电子设备获取激光雷达向目标对象发射激光光束的发射时间为t1，激光雷达接收到回波光束的接收时间为t2。

步骤302，根据激光光束的发射时间和回波光束的接收时间确定间隔时长。

例如，计算接收时间t2与发射时间t1之间间隔时长为T。

步骤303，根据激光光束的速度和间隔时长，确定目标距离。

例如，激光光束的速度为v，则目标距离d为激光光束的速度v与间隔时长T的乘积的一半，即d＝vT/2。

上述实施例中，获取激光雷达向目标对象发射激光光束的发射时间和回波光束的接收时间；根据激光光束的发射时间和回波光束的接收时间确定间隔时长；根据激光光束的速度和间隔时长，确定目标距离。通过本公开实施例，目标距离的计算方式较为简单，因此，目标距离可以被快速地算出，从而提高不确定性信息的确定效率，进而提高目标检测的效率。

在一个实施例中，如图5所示，上述将各目标点的坐标信息、激光反射强度信息以及不确定性信息输入至预先训练的目标检测模型中，得到输出信息的过程，可以包括如下步骤：

步骤401，分别将各目标点的坐标信息、激光反射强度信息以及不确定性信息转换为各目标点对应的张量。

在利用目标检测模型的过程中，通常会向目标检测模型中输入多个目标点的坐标信息、激光反射强度信息和不确定性信息，因此，在向目标检测模型输入前，需要先对各目标点的坐标信息、激光反射强度信息和不确定性信息进行转换，得到各目标点对应的张量。

步骤402，对多个目标点对应的张量进行拼接得到输入张量，并将输入张量输入到目标检测模型中，得到输出信息。

得到多个目标点对应的张量后，对多个目标点对应的张量进行拼接，得到待输入到目标检测模型中的输入张量。之后，将输入张量输入到目标检测模型中，目标检测模型根据输入张量输出目标对象的空间位置。

上述实施例中，分别将各目标点的坐标信息、激光反射强度信息以及不确定性信息转换为各目标点对应的张量；对多个目标点对应的张量进行拼接得到输入张量，并将输入张量输入到目标检测模型中，得到输出信息。通过本公开实施例，目标检测模型依据多个目标点的坐标信息、激光反射强度信息和不确定性信息确定目标对象的空间位置，可以提高目标检测的精度，从而提高自动驾驶车辆的感知精度，保证自动驾驶车辆的安全。

在一个实施例中，输出信息还包括目标对象的预测方差，预测方差用于指示目标对象的空间位置的不确定程度。

在实际应用中，目标检测模型在输出目标对象的空间位置时，还可以输出目标对象的预测方差，该预测方差指示目标对象的空间位置的不确定程度。可以理解地，预测方差指示目标对象的空间位置的不确定程度高，表明目标对象的空间位置不够确定、准确度较低；预测方差指示目标对象的空间位置的不确定程度低，表明目标对象的空间位置足够确定、准确度较高。

其中，预测方差包括中心点位置的方差、尺寸的方差和朝向角的方差中的至少一种。

例如，预测方差为目标对象的中心点位置的方差，或者，预测方差为目标对象的长宽高的方差，又或者，预测方差为目标对象的朝向角的方差。本公开实施例对预测方差不做限定，可以根据实际情况进行设置。

上述实施例中，目标检测模型的输出信息还包括目标对象的预测方差，通过目标对象的预测方差来指示目标对象的空间位置的不确定程度，使自动驾驶车辆获知目标检测模型的输出结果准确性高低，从而进行自动驾驶的控制，保证自动驾驶车辆的安全。

在一个实施例中，如图6所示，上述目标检测模型的训练过程，可以包括如下步骤：

步骤501，获取多个训练样本和各训练样本对应的标注。

其中，训练样本包括至少一个训练点的坐标信息、激光反射强度信息和不确定性信息；训练样本对应的标注包括训练对象的空间位置。

预先获取多个训练样本，每个训练样本包括至少一个训练点，每个训练点包括坐标信息、激光反射强度信息和不确定性信息。其中，将激光雷达与训练对象之间的距离的平方作为不确定性信息。在获取训练样本的同时，获取训练样本对应的标注，即获取训练样本对应的训练对象的空间位置。

步骤502，根据多个训练样本和各训练样本对应的标注进行神经网络模型的训练，得到目标检测模型。

将任意一个训练样本输入到神经网络模型中，得到神经网络模型输出的训练结果；利用预设损失函数计算训练结果与训练样本对应的标注之间的损失值。如果损失值不符合预设收敛条件，则调整神经网络模型中的可调参数；之后，将另一个训练样本输入到参数调整后的神经网络模型中继续进行训练。直到计算出的损失值符合预设收敛条件时，结束训练，并将结束训练时的神经网络模型确定为目标检测模型。

上述实施例中，获取多个训练样本和各训练样本对应的标注；根据多个训练样本和各训练样本对应的标注进行神经网络模型的训练，得到目标检测模型。通过本公开实施例，可以预先训练好目标检测模型，在自动驾驶车辆自动驾驶过程中，可以利用目标检测模型进行目标检测，辅助自动驾驶车辆进行环境感知，进而保证自动驾车车辆的安全。

在一个实施例中，坐标信息包括直角坐标系中的位置坐标，如图7所示，上述获取激光雷达对目标对象进行检测得到的目标点云数据的过程，可以包括如下步骤：

步骤601，获取激光雷达接收的回波光束。

步骤602，根据回波光束确定各目标点在球面坐标系中的位置坐标和激光反射强度信息。

电子设备根据回波光束可以得到各目标点在球面坐标系中的位置坐标和激光发射强度信息。

例如，目标点在球面坐标系中的位置坐标可以为，其中，r为激光雷达中参考点与目标点之间的距离；θ为极角，即参考点与目标点之间的连线与z轴之间的夹角；为方位角，即参考点与目标点之间的连线在xy平面的投影线与x轴之间的夹角。

步骤603，将各目标点在球面坐标系中的位置坐标映射到直角坐标系中，得到各目标点的坐标信息。

球面坐标系与直角坐标系具有映射关系，依据该映射关系，将各目标点从球面坐标系映射到直角坐标系中，得到目标点在直角坐标系中的位置坐标，得到了各目标点的坐标信息。

上述实施例中，获取激光雷达接收的回波光束；根据回波光束确定各目标点在球面坐标系中的位置坐标和激光反射强度信息将各目标点在球面坐标系中的位置坐标映射到直角坐标系中，得到各目标点的坐标信息。通过本公开实施例，将根据回波光束确定的各目标点在球面坐标系中的位置坐标映射到直角坐标系中，方便后续目标检测模型根据各目标点在直角坐标系中的位置坐标确定目标对象的空间位置。

应该理解的是，虽然图2至图7的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2至图7中的至少一部分步骤可以包括至少一个步骤或者至少一个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图8所示，提供了一种目标检测装置，包括：

点云数据获取模块701，用于获取激光雷达对目标对象进行检测得到的目标点云数据；目标点云数据包括至少一个目标点的坐标信息和激光反射强度信息；

不确定性确定模块702，用于获取目标对象与激光雷达之间的目标距离，并根据目标距离确定各目标点的不确定性信息；

目标检测模块703，用于将各目标点的坐标信息、激光反射强度信息以及不确定性信息输入至预先训练的目标检测模型中，得到输出信息；输出信息包括目标对象的空间位置。

在其中一个实施中，不确定性确定模块702，具体用于将目标距离的平方作为各目标点的不确定性信息。

在其中一个实施中，不确定性确定模块702，具体用于获取激光雷达向目标对象发射激光光束的发射时间和回波光束的接收时间；根据激光光束的发射时间和回波光束的接收时间确定间隔时长；根据激光光束的速度和间隔时长，确定目标距离。

在其中一个实施中，目标检测模块703，具体用于分别将各目标点的坐标信息、激光反射强度信息以及不确定性信息转换为各目标点对应的张量；对多个目标点对应的张量进行拼接得到输入张量，并将输入张量输入到目标检测模型中，得到输出信息。

在其中一个实施中，输出信息还包括目标对象的预测方差，预测方差用于指示目标对象的空间位置的不确定程度；

其中，预测方差包括中心点位置的方差、尺寸的方差和朝向角的方差中的至少一种。

在其中一个实施中，如图9所示，该装置还包括：

样本标注获取模块704，用于获取多个训练样本和各训练样本对应的标注；其中，训练样本包括至少一个训练点的坐标信息、激光反射强度信息和不确定性信息；训练样本对应的标注包括训练对象的空间位置；

训练模块705，用于根据多个训练样本和各训练样本对应的标注进行神经网络模型的训练，得到目标检测模型。

在其中一个实施中，坐标信息包括直角坐标系中的位置坐标，点云数据获取模块701，具体用于获取激光雷达接收的回波光束；根据回波光束确定各目标点在球面坐标系中的位置坐标和激光反射强度信息；将各目标点在球面坐标系中的位置坐标映射到直角坐标系中，得到各目标点的坐标信息。

关于目标检测装置的具体限定可以参见上文中对于目标检测方法的限定，在此不再赘述。上述目标检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以以硬件形式内嵌于或独立于电子设备中的处理器中，也可以以软件形式存储于电子设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

图10是根据一示例性实施例示出的一种电子设备1300的框图。例如，电子设备1300可以是移动电话，车载计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图10，电子设备1300可以包括以下一个或至少一个组件：处理组件1302，存储器1304，电源组件1306，多媒体组件1308，音频组件1310，输入/输出(I/O)的接口1312，传感器组件1314，以及通信组件1316。其中，存储器上存储有在处理器上运行的计算机程序或者指令。

处理组件1302通常控制电子设备1300的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件1302可以包括一个或至少一个处理器1320来执行指令，以完成上述方法的全部或部分步骤。此外，处理组件1302可以包括一个或至少一个模块，便于处理组件1302和其他组件之间的交互。例如，处理组件1302可以包括多媒体模块，以方便多媒体组件1308和处理组件1302之间的交互。

存储器1304被配置为存储各种类型的数据以支持在电子设备1300的操作。这些数据的示例包括用于在电子设备1300上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器1304可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件1306为电子设备1300的各种组件提供电力。电源组件1306可以包括电源管理系统，一个或至少一个电源，及其他与为电子设备1300生成、管理和分配电力相关联的组件。

多媒体组件1308包括在所述电子设备1300和用户之间的提供一个输出接口的触控显示屏。在一些实施例中，触控显示屏可以包括液晶显示器(LCD)和触摸面板(TP)。触摸面板包括一个或至少一个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件1308包括一个前置摄像头和/或后置摄像头。当电子设备1300处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件1310被配置为输出和/或输入音频信号。例如，音频组件1310包括一个麦克风(MIC)，当电子设备1300处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器1304或经由通信组件1316发送。在一些实施例中，音频组件1310还包括一个扬声器，用于输出音频信号。

I/O接口1312为处理组件1302和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件1314包括一个或至少一个传感器，用于为电子设备1300提供各个方面的状态评估。例如，传感器组件1314可以检测到电子设备1300的打开/关闭状态，组件的相对定位，例如所述组件为电子设备1300的显示器和小键盘，传感器组件1314还可以检测电子设备1300或电子设备1300一个组件的位置改变，用户与电子设备1300接触的存在或不存在，电子设备1300方位或加速/减速和电子设备1300的温度变化。传感器组件1314可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件1314还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件1314还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件1316被配置为便于电子设备1300和其他设备之间有线或无线方式的通信。电子设备1300可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件1316经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件1316还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，电子设备1300可以被一个或至少一个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述目标检测x方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器1304，上述指令可由电子设备1300的处理器1320执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

在示例性实施例中，还提供了一种计算机程序产品，该计算机程序被处理器执行时，可以实现上述方法。该计算机程序产品包括一个或至少一个计算机指令。在计算机上加载和执行这些计算机指令时，可以全部或部分地按照本公开实施例所述的流程或功能实现上述方法中的部分或者全部。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本公开实施例所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本公开实施例的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本公开实施例构思的前提下，还可以做出若干变形和改进，这些都属于本公开实施例的保护范围。因此，本公开实施例专利的保护范围应以所附权利要求为准。

Claims (11)

1.一种目标检测方法，其特征在于，所述方法包括：

获取激光雷达对目标对象进行检测得到的目标点云数据；所述目标点云数据包括至少一个目标点的坐标信息和激光反射强度信息；

获取所述目标对象与所述激光雷达之间的目标距离，并根据所述目标距离确定各所述目标点的不确定性信息；

将各所述目标点的坐标信息、激光反射强度信息以及不确定性信息输入至预先训练的目标检测模型中，得到输出信息；所述输出信息包括所述目标对象的空间位置。

2.根据权利要求1所述的方法，其特征在于，所述根据所述目标距离确定各所述目标点的不确定性信息，包括：

将所述目标距离的平方作为各所述目标点的不确定性信息。

3.根据权利要求1所述的方法，其特征在于，所述获取所述目标对象与所述激光雷达之间的目标距离，包括：

获取所述激光雷达向所述目标对象发射激光光束的发射时间和回波光束的接收时间；

根据所述激光光束的发射时间和所述回波光束的接收时间确定间隔时长；

根据所述激光光束的速度和所述间隔时长，确定所述目标距离。

4.根据权利要求1所述的方法，其特征在于，所述将各所述目标点的坐标信息、激光反射强度信息以及不确定性信息输入至预先训练的目标检测模型中，得到输出信息，包括：

分别将各所述目标点的坐标信息、激光反射强度信息以及不确定性信息转换为各所述目标点对应的张量；

对多个所述目标点对应的张量进行拼接得到输入张量，并将所述输入张量输入到所述目标检测模型中，得到所述输出信息。

5.根据权利要求1所述的方法，其特征在于，所述输出信息还包括所述目标对象的预测方差，所述预测方差用于指示所述目标对象的空间位置的不确定程度；

其中，所述预测方差包括中心点位置的方差、尺寸的方差和朝向角的方差中的至少一种。

6.根据权利要求1-5任一项所述的方法，其特征在于，所述目标检测模型的训练过程包括：

获取多个训练样本和各所述训练样本对应的标注；其中，所述训练样本包括至少一个训练点的坐标信息、激光反射强度信息和不确定性信息；所述训练样本对应的标注包括训练对象的空间位置；

根据所述多个训练样本和各所述训练样本对应的标注进行神经网络模型的训练，得到目标检测模型。

7.根据权利要求1所述的方法，其特征在于，所述坐标信息包括直角坐标系中的位置坐标，所述获取激光雷达对目标对象进行检测得到的目标点云数据，包括：

获取所述激光雷达接收的回波光束；

根据所述回波光束确定各所述目标点在球面坐标系中的位置坐标和所述激光反射强度信息；

将各所述目标点在球面坐标系中的位置坐标映射到直角坐标系中，得到各所述目标点的坐标信息。

8.一种目标检测装置，其特征在于，所述装置包括：

点云数据获取模块，用于获取激光雷达对目标对象进行检测得到的目标点云数据；所述目标点云数据包括至少一个目标点的坐标信息和激光反射强度信息；

不确定性确定模块，用于获取所述目标对象与所述激光雷达之间的目标距离，并根据所述目标距离确定各所述目标点的不确定性信息；

目标检测模块，用于将各所述目标点的坐标信息、激光反射强度信息以及不确定性信息输入至预先训练的目标检测模型中，得到输出信息；所述输出信息包括所述目标对象的空间位置。

9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。

10.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。

11.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-7中任一项所述的方法的步骤。