JP2020042783A - 無人運転車に基づく障害物分類方法、装置、機器及び記憶媒体 - Google Patents

無人運転車に基づく障害物分類方法、装置、機器及び記憶媒体 Download PDF

Info

Publication number
JP2020042783A
JP2020042783A JP2019129305A JP2019129305A JP2020042783A JP 2020042783 A JP2020042783 A JP 2020042783A JP 2019129305 A JP2019129305 A JP 2019129305A JP 2019129305 A JP2019129305 A JP 2019129305A JP 2020042783 A JP2020042783 A JP 2020042783A
Authority
JP
Japan
Prior art keywords
node
information
obstacle
classification
decision tree
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.)
Granted
Application number
JP2019129305A
Other languages
English (en)
Other versions
JP6745951B2 (ja
Inventor
ジャン グオ、
Jiang Guo
ジャン グオ、
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.)
Baidu Online Network Technology Beijing Co Ltd
Original Assignee
Baidu Online Network Technology Beijing 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 Baidu Online Network Technology Beijing Co Ltd filed Critical Baidu Online Network Technology Beijing Co Ltd
Publication of JP2020042783A publication Critical patent/JP2020042783A/ja
Application granted granted Critical
Publication of JP6745951B2 publication Critical patent/JP6745951B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
    • G01S17/06—Systems determining position data of a target
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
    • G01S17/50—Systems of measurement based on relative movement of target
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
    • G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2228—Indexing structures
    • G06F16/2246—Trees, e.g. B+trees
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/88—Sonar systems specially adapted for specific applications
    • G01S15/93—Sonar systems specially adapted for specific applications for anti-collision purposes
    • G01S15/931—Sonar systems specially adapted for specific applications for anti-collision purposes of land vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Electromagnetism (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

【課題】メモリ占有量が少なく、分類速度を向上させ、分類効率を向上させることができる、無人運転車に基づく障害物分類方法、装置、危機及び記憶媒体を提供する。【解決手段】障害物分類方法は、無人運転車の検出装置によって検出された複数の障害物の障害物情報を取得することと、圧縮されたランダムフォレストモデルを用いて複数の障害物の障害物情報を分類処理し、障害物分類結果を取得することとを含む。圧縮されたランダムフォレストモデルの各決定木の非リーフノードには、特徴指示情報、分類閾値指示情報及びノード位置指示情報のみが記憶され、ノード位置指示情報は左ノード位置指示情報又は右ノード位置指示情報であり、各決定木のリーフノードには類別指示情報しか記憶されていない。【選択図】図１

Description

本願の実施例は無人運転車の技術分野に関し、特に、無人運転車に基づく障害物分類方法、装置、機器及び記憶媒体に関する。
インテリジェント技術の発展に伴い、無人運転車が開発され適用されるようになった。無人運転車が走行中、無人運転車周辺の障害物の類別を検出する必要がある。
従来技術では、障害物の障害物情報を取得した後、障害物情報をランダムフォレストモデルに入力して障害物の類別を分類し識別する。既存のランダムフォレストモデルは多くの木構造を備え、各木（ツリー）構造には複数のノードを有し、ノードに複数のフィールドが設定され、各ノードは障害物の分類識別過程での情報を記憶するために用いられる。
しかしながら、従来技術では、ランダムフォレストモデルを用いて障害物の類別を分類し識別する場合、ランダムフォレストモデルのノードに多くの情報を記憶する必要があるため、無人運転車のシステムには、多くの情報を記憶する必要があり、無人運転車のシステムのメモリとスペースを占める必要があり、そして情報を記憶する必要があるため、障害物に対する分類識別の過程全体が遅くて、非効率的である。
本願の実施例は、上記解決手段では障害物の方位を正しく判定することができないという問題を解決するために、無人運転車に基づく障害物分類方法、装置、機器及び記憶媒体を提供する。
本願の第１の態様にて提供される無人運転車に基づく障害物分類方法は、
無人運転車の検出装置によって検出された複数の障害物の障害物情報を取得することと、
圧縮されたランダムフォレストモデルを用いて前記複数の障害物の障害物情報を分類処理し、障害物分類結果を取得し、前記圧縮されたランダムフォレストモデルには少なくとも２つの決定木を含み、前記少なくとも２つの決定木における各決定木の非リーフノードには、特徴指示情報、分類閾値指示情報及びノード位置指示情報のみが記憶され、前記ノード位置指示情報は左ノード位置指示情報又は右ノード位置指示情報であり、前記左ノード位置指示情報は非リーフノード下の左ノードと右ノードの位置を指示するために用いられ、前記右ノード位置指示情報は非リーフノード下の左ノードと右ノードの位置を指示するために用いられ、各決定木におけるリーフノードには類別指示情報しか記憶されていないことと、を含む。
さらに、圧縮されたランダムフォレストモデルを用いて前記複数の障害物の障害物情報を分類処理し、障害物分類結果を取得する前記ステップは、
前記複数の障害物の障害物情報を前記圧縮されたランダムフォレストモデルの決定木に配信することと、
前記圧縮されたランダムフォレストモデルの各決定木において、各決定木に入力された障害物情報を分類処理し、各決定木のリーフノードによって出力された障害物類別情報を取得することと、
各決定木のリーフノードによって出力された障害物類別情報に基づいて前記障害物分類結果を取得することと、を含む。
さらに、前記圧縮されたランダムフォレストモデルの各決定木において、各決定木に入力された障害物情報を分類処理し、各決定木のリーフノードによって出力された障害物類別情報を取得することは、
前記圧縮されたランダムフォレストモデルの各決定木において、各決定木に入力された障害物情報を分類処理し、且つ各決定木の非リーフノードが左ノード又は右ノードを有するか否かを判断することと、
各決定木の非リーフノードが右ノードを有し、且つ左ノードを有さないと判定された場合、特徴指示情報、分類閾値指示情報及び右ノード位置指示情報を非リーフノードに記憶することと、
各決定木の非リーフノードが左ノードを有し、右ノードを有さないと判定された場合、特徴指示情報、分類閾値指示情報及び左ノード位置指示情報を非リーフノードに記憶することと、
各決定木の非リーフノードが左ノード及び右ノードを有すると判定された場合、特徴指示情報、分類閾値指示情報を非リーフノードに記憶するとともに左ノード位置指示情報又は右ノード位置指示情報を非リーフノードに記憶することと、
前記分類処理の過程に従って、各決定木のリーフノードによって出力された障害物類別情報を取得することと、を含む。
さらに、圧縮されたランダムフォレストモデルを用いて前記複数の障害物の障害物情報を分類処理し、障害物分類結果を取得した後、さらに、
前記圧縮されたランダムフォレストモデルの各決定木のリーフノードに記憶されている情報をリーフノードに対応する親ノードに記憶することと、
前記圧縮されたランダムフォレストモデルにおける各決定木のリーフノードを削除することと、を含む。
さらに、前記非リーフノードは、ルートノード、及びサブノードと親ノードを有するノードを含む。
さらに、前記左ノード位置指示情報は前記決定木における各ノードの左ノードの、各ノードの右ノードに対する相対アドレス情報であり、
前記右ノード位置指示情報は前記決定木における各ノードの右ノードの、各ノードの左ノードに対する相対アドレス情報である。
さらに、前記特徴指示情報のフィールドが２バイトを占め、前記類別指示情報のフィールドが２バイトを占め、前記分類閾値指示情報のフィールドが４バイトを占め、前記左ノード位置指示情報のフィールドが４バイトを占め、前記右ノード位置指示情報のフィールドが４バイトを占める。
さらに、前記検出装置は、ライダーセンサ、超音波レーダー、画像検出機器、赤外線検出機器のいずれか１つである。
さらに、前記障害物情報は、障害物の移動速度、障害物の体積、障害物の熱、障害物と無人運転車との間の距離の少なくとも１つを含む。
本願の第２の態様にて提供される無人運転車に基づく障害物分類装置は、
無人運転車の検出装置によって検出された複数の障害物の障害物情報を取得するための取得ユニットと、
分類ユニットであって、圧縮されたランダムフォレストモデルを用いて前記複数の障害物の障害物情報を分類処理し、障害物分類結果を取得するために用いられ、前記圧縮されたランダムフォレストモデルは少なくとも２つの決定木を含み、前記少なくとも２つの決定木における各決定木の非リーフノードには、特徴指示情報、分類閾値指示情報及びノード位置指示情報のみが記憶され、前記ノード位置指示情報は左ノード位置指示情報又は右ノード位置指示情報であり、前記左ノード位置指示情報は非リーフノード下の左ノードと右ノードの位置を指示するために用いられ、前記右ノード位置指示情報は非リーフノード下の左ノードと右ノードの位置を指示するために用いられ、各決定木のリーフノードには類別指示情報しか記憶されていない分類ユニットと、を含む。
さらに、前記分類ユニットは、
前記複数の障害物の障害物情報を前記圧縮されたランダムフォレストモデルの決定木に配信するための配信モジュールと、
前記圧縮されたランダムフォレストモデルの各決定木において、各決定木に入力された障害物情報を分類処理し、各決定木のリーフノードによって出力された障害物類別情報を取得するための分類モジュールと、
各決定木のリーフノードによって出力された障害物類別情報に基づいて前記障害物分類結果を取得するための判定モジュールと、を含む。
さらに、前記分類モジュールは、
前記圧縮されたランダムフォレストモデルの各決定木において、各決定木に入力された障害物情報を分類処理し、各決定木の非リーフノードが左ノード又は右ノードを有するか否かを判断するための分類サブモジュールと、
各決定木の非リーフノードが右ノードを有し、且つ左ノードを有さないと判定された場合、特徴指示情報、分類閾値指示情報及び右ノード位置指示情報を非リーフノードに記憶するための第１の判定サブモジュールと、
各決定木の非リーフノードが左ノードを有し、且つ右ノードを有さないと判定された場合、特徴指示情報、分類閾値指示情報及び左ノード位置指示情報を非リーフノードに記憶するための第２の判定サブモジュールと、
各決定木の非リーフノードが左ノード及び右ノードを有すると判定された場合、特徴指示情報、分類閾値指示情報を非リーフノードに記憶するとともに左ノード位置指示情報又は右ノード位置指示情報を非リーフノードに記憶するための第３の判定サブモジュールと、
前記分類処理の過程に従って、各決定木のリーフノードによって出力された障害物類別情報を取得するための第４の判定サブモジュールと、を含む。
さらに、前記装置は、さらに、
前記分類ユニットが圧縮されたランダムフォレストモデルを用いて前記複数の障害物の障害物情報を分類処理し、障害物分類結果を取得した後、前記圧縮されたランダムフォレストモデルの各決定木のリーフノードに記憶されている情報をリーフノードに対応する親ノードに記憶するための記憶ユニットと、
前記圧縮されたランダムフォレストモデルにおける各決定木のリーフノードを削除するための削除ユニットと、を含む。
さらに、前記非リーフノードは、ルートノード、及びサブノードと親ノードを有するノードを含む。
さらに、前記左ノード位置指示情報は前記決定木における各ノードの左ノードの、各ノードの右ノードに対する相対アドレス情報であり、
前記右ノード位置指示情報は前記決定木における各ノードの右ノードの、各ノードの左ノードに対する相対アドレス情報である。
さらに、前記特徴指示情報のフィールドが２バイトを占め、前記類別指示情報のフィールドが２バイトを占め、前記分類閾値指示情報のフィールドが４バイトを占め、前記左ノード位置指示情報のフィールドが４バイトを占め、前記右ノード位置指示情報のフィールドが４バイトを占める。
さらに、前記検出装置は、ライダーセンサ、超音波レーダー、画像検出機器、赤外線検出機器のいずれか１つである。
さらに、前記障害物情報は、障害物の移動速度、障害物の体積、障害物の熱、障害物と無人運転車との間の距離の少なくとも１つを含む。
本願の第３の態様にて提供される制御機器は、送信器、受信器、メモリ及びプロセッサを含み、
前記メモリは、コンピュータコマンドを記憶するために用いられ、前記プロセッサは、前記メモリに記憶されている前記コンピュータコマンドを実行して第１の態様の実施形態のいずれかによって提供される無人運転車に基づく障害物分類方法を実現するために用いられる。
本願の第４の態様にて提供される記憶媒体であって、読み取り可能な記憶媒体及びコンピュータコマンドを含み、前記コンピュータコマンドは前記読み取り可能な記憶媒体に記憶され、前記コンピュータコマンドは第１の態様の実施形態のいずれかによって提供される無人運転車に基づく障害物分類方法を実現するために用いられることを特徴とする。
本願の実施例が提供する無人運転車に基づく障害物分類方法、装置、機器及び記憶媒体は、無人運転車の検出装置によって検出された複数の障害物の障害物情報を取得し、圧縮されたランダムフォレストモデルを用いて前記複数の障害物の障害物情報を分類処理し、障害物分類結果を取得し、圧縮されたランダムフォレストモデルは少なくとも２つの決定木を含み、少なくとも２つの決定木における各決定木の非リーフノードには、特徴指示情報、分類閾値指示情報及びノード位置指示情報のみが記憶され、ノード位置指示情報は左ノード位置指示情報又は右ノード位置指示情報であり、左ノード位置指示情報は非リーフノード下の左ノードと右ノードの位置を指示するために用いられ、右ノード位置指示情報は非リーフノード下の左ノードと右ノードの位置を指示するために用いられ、各決定木のリーフノードには類別指示情報しか記憶されていない。圧縮されたランダムフォレストモデルの各決定木の非リーフノードには、特徴指示フィールド、分類閾値指示フィールド、左ノード位置指示フィールド又は右ノード位置指示フィールドのみが設定され、リーフノードには類別指示フィールドしか設定されていない。それによって、圧縮されたランダムフォレストモデルを用いて障害物を分類し識別する場合、情報の一部のみを記憶する必要があり、無人運転車システムのより多くのメモリ及びスペースを占める必要がないため、メモリ占有量が少なくなる。また、分類過程では、少量の情報を同期記憶するだけで、分類速度を向上させ、分類効率を向上させることができる。
本願の実施例又は従来技術の技術的解決手段をより明確に説明ために、以下、実施例又は従来技術の説明で用いられる図面について簡単に説明する。以下の説明における図面は、本願のいくつかの実施例であり、当業者であれば、これらの図面に基づいて創造的な労働をせずに、これらの図面から他の図面を得ることができることは明らかである。
本願の実施例にて提供される無人運転車に基づく障害物の分類方法を示すフローチャートである。 本願の実施例にて提供される無人運転車に基づく障害物の分類方法における圧縮されたランダムフォレストモデルの決定木を示す概略図である。 本願の実施例にて提供されるもう１つの無人運転車に基づく障害物の分類方法を示すフローチャートである。 本願の実施例にて提供されるもう１つの無人運転車に基づく障害物の分類方法における圧縮されたランダムフォレストモデルの決定木を示す概略図である。 本願の実施例にて提供される無人運転車に基づく障害物分類装置を示す構造概略図である。 本願の実施例にて提供されるもう１つの無人運転車に基づく障害物分類装置を示す構造概略図である。 本願の実施例にて提供される制御機器を示す構造概略図である。
本願の実施例の目的、技術的解決手段及び利点をより明確にするために、以下、本願の実施例における添付の図面を参照しながら、本願の実施例における技術的解決手段を明確かつ完全に説明する。記載された実施例は本願の実施例の一部にすぎず、実施例の全てではないことは明らかである。本願の実施例に基づき、創造的な労働をせずに、当業者が取得した他の全ての実施例は、いずれも本願の保護範囲に属する。
従来技術では、障害物の障害物情報を取得した後、障害物情報をランダムフォレストモデルに入力して障害物の類別を分類し識別する。既存のランダムフォレストモデルは多くの木構造を備え、各木構造には複数のノードを有し、ノードに複数のフィールドが設定され、各ノードは障害物の分類識別過程での情報を記憶するために用いられる。
しかしながら、従来技術では、ランダムフォレストモデルを用いて障害物の類別を分類し識別する場合、ランダムフォレストモデルのノードに多くの情報を記憶する必要があるため、無人運転車のシステムには、多くの情報を記憶する必要があり、無人運転車のシステムのメモリとスペースを占める必要があり、そして情報を記憶する必要があるため、障害物に対する分類識別の過程全体が遅くて、非効率的である。
上記問題に鑑み、本願は無人運転車に基づく障害物分類方法、装置、機器及び記憶媒体を提供し、無人運転車システムのより多くのメモリ及びスペースを占める必要がないため、メモリ占有量が少なくなる。また、分類過程では、少量の情報を同期記憶するだけで、分類速度を向上させ、分類効率を向上させることができる。以下、いくつかの具体的な実施例を通じて該解決手段について詳細に説明する。
図１は本願の実施例にて提供される無人運転車に基づく障害物の分類方法を示すフローチャートであり、図１に示すように、該解決手段の実行主体は無人運転車のコントローラ、無人運転車自動運転システムの制御機器などである。該無人運転車に基づく障害物の分類方法は、ステップ１０１及びステップ１０２を含む。
ステップ１０１において、無人運転車の検出装置によって検出された複数の障害物の障害物情報を取得する。
選択的に、検出装置は、ライダーセンサ、超音波レーダー、画像検出機器、赤外線検出機器のいずれか１つである。
障害物情報には、障害物の移動速度、障害物の体積、障害物の熱、障害物と無人運転車との間の距離の少なくとも１つを含む。
本ステップにおいて、具体的には、本実施例では無人運転車のコントローラを実行本体として説明する。
無人運転車に少なくとも１つの検出装置が配置され、検出装置は、ライダーセンサ、超音波レーダー、画像検出機器、赤外線検出機器などであってよい。検出装置を用いて無人運転車周辺の障害物を検出し、各障害物の障害物情報を取得した後、無人運転車のコントローラは検出装置から複数の障害物の障害物情報を取得する。各障害物の障害物情報には障害物識別子を含み、障害物識別子は障害物を標識するために用いられる。
例えば、無人運転車のコントローラは障害物１の障害物情報、障害物２の障害物情報及び障害物３の障害物情報を取得し、障害物１の障害物情報は障害物識別子Ａを含み、障害物２の障害物情報は障害物識別子Ｂを含み、障害物３の障害物情報は障害物識別子Ｃを含む。
例えば、ライダーセンサ又は超音波レーダーを用いて障害物のポイントクラウドデータを取得することができ、無人運転車のコントローラは障害物のポイントクラウドデータに基づいて障害物の位置情報を判定し、無人運転車のコントローラはグローバル測位システム（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ、略称：ＧＰＳ）に従って無人運転車の位置情報を判定し、次に、無人運転車のコントローラは障害物の位置情報及び無人運転車の位置情報に基づいて障害物と無人運転車との間の距離を計算する。
別の例として、ライダーセンサ又は超音波レーダーを用いて障害物のポイントクラウドデータを取得することができ、無人運転車のコントローラは、障害物のポイントクラウドデータに基づいて異なる時点における障害物の位置情報を判定し、無人運転車のコントローラは異なる時点における障害物の位置情報に基づいて一定期間の障害物の変位情報を計算し、次に、無人運転車のコントローラは一定時間における障害物の変位情報及び対応する時間に基づいて障害物の移動速度を計算する。
別の例として、赤外線検出機器を用いて障害物の熱情報を検出することができ、そして無人運転車のコントローラが障害物の熱を取得する。
別の例として、画像検出機器を用いて障害物の画像を取得し、無人運転車のコントローラは障害物の画像に基づいて障害物の輪郭サイズを抽出し、且つ、無人運転車のコントローラは障害物の位置情報及び無人運転車の位置情報に基づいて障害物と無人運転車との間の距離を計算した後、無人運転車のコントローラは障害物の輪郭サイズ、障害物と無人運転車との間の距離に基づいて障害物の体積を計算する。
ステップ１０２において、圧縮されたランダムフォレストモデルを用いて複数の障害物の障害物情報を分類処理し、障害物分類結果を取得し、圧縮されたランダムフォレストモデルには少なくとも２つの決定木を含み、少なくとも２つの決定木における各決定木の非リーフノードには、特徴指示情報、分類閾値指示情報及びノード位置指示情報のみが記憶され、ノード位置指示情報は左ノード位置指示情報又は右ノード位置指示情報であり、左ノード位置指示情報は非リーフノード下の左ノードと右ノードの位置を指示するために用いられ、右ノード位置指示情報は非リーフノード下の左ノードと右ノードの位置を指示するために用いられ、各決定木のリーフノードには類別指示情報しか記憶されていない。
選択的に、非リーフノードは、ルートノード、及びサブノードと親ノードを有するノードを含む。
選択的に、左ノード位置指示情報は決定木における各ノードの左ノードの、各ノードの右ノードに対する相対アドレス情報である。右ノード位置指示情報は決定木における各ノードの右ノードの、各ノードの左ノードに対する相対アドレス情報である。
本ステップにおいて、具体的には、無人運転車のコントローラには圧縮されたランダムフォレストモデルが記憶され、該圧縮されたランダムフォレストモデルにおいて圧縮されたランダムフォレストモデルの各ノードが維持する必要がある情報が予め設定されており、それによって各ノードに従来技術における一部のフィールドのみを設定する。
従来技術では、各決定木のそれぞれのノードは特徴指示（ｆｅａｔｕｒｅ ｉｎｄｅｘ）フィールド、類別指示（ｃｌａｓｓ ｉｎｄｅｘ）フィールド、分類閾値指示フィールド、左ノード位置指示フィールド又は右ノード位置指示フィールドを含む。
具体的には、圧縮されたランダムフォレストモデルには複数の決定木を有し、決定木は二分木であってよい。各決定木には１つ又は複数のノードを有し、各決定木に対して、決定木のノードを２つの類別、即ち非リーフノード及びリーフノードに分けられることができ、ルートノードは非リーフノードに属し、子ノードと親ノードの両方を持つノードも非リーフノードに属する。各決定木の非リーフノードには特徴指示フィールド、分類閾値指示フィールド及びノード位置指示フィールドのみが設定されてよく、各決定木のリーフノードには類別指示フィールドしか設定されていない。
それによって、圧縮されたランダムフォレストモデルを用いて複数の障害物の障害物情報を分類処理する過程では、各決定木の非リーフノードに対して、各非リーフノードのフィールドにおいて、特徴指示情報は特徴指示フィールドに記憶され、分類閾値指示情報は分類閾値指示フィールドに記憶され、ノード位置指示情報はノード位置指示フィールドに記憶される。
ノード位置指示情報は左ノード位置指示情報又は右ノード位置指示情報であり、即ち、非リーフノードは左ノードの位置或いは右ノードの位置しか記憶しなくてよい。これは、本願では、左ノード位置指示情報を用いて非リーフノード下の左ノード及び右ノードの位置を指示したり、右ノード位置指示情報を用いて非リーフノード下の左ノード及び右ノードを指示したりするためである。具体的には、本願では、左ノード位置指示情報、右ノード位置指示情報は相対アドレスを採用し、左ノード位置指示情報は決定木における各ノードの左ノードの、各ノードの右ノードに対する相対アドレス情報であり、右ノード位置指示情報は決定木における各ノードの右ノードの、各ノードの左ノードに対する相対アドレス情報である。それによって、左ノード位置情報は左ノードの位置を直接に指示し、左ノード位置指示情報に基づいて右ノードの位置を判定でき、右ノード位置指示情報は右ノードの位置を直接に指示し、右ノード位置指示情報に基づいて左ノードの位置を判定できる。例えば、左ノードの位置は右ノードの位置に隣接しており、左ノード位置指示フィールド又は右ノード位置指示フィールドのみが非リーフノードに設定されることができ、それによって左ノードと右ノードの位置を指示するように非リーフノードに左ノード位置指示情報又は右ノード位置指示情報を記憶する。
圧縮されたランダムフォレストモデルを用いて複数の障害物の障害物情報を分類処理する過程では、各決定木のリーフノードに対して、各リーフノードのフィールドにおいて、類別指示情報は類別指示フィールドに記憶される。
圧縮されたランダムフォレストモデルを用いて複数の障害物の障害物情報を分類処理した後、障害物分類結果を取得することができる。障害物分類結果には少なくとも１つの類別の障害物組み合わせを含み、各障害物組み合わせには少なくとも１つの障害物識別子を含み、各障害物組み合わせにおける各障害物は同じ類別に属する。
図２は本願の実施例にて提供される無人運転車に基づく障害物の分類方法における圧縮されたランダムフォレストモデルの決定木を示す概略図であり、図２に示すように、障害物１、障害物２、障害物３、障害物４及び障害物５のそれぞれの障害物情報を取得し、各障害物情報を圧縮されたランダムフォレストモデルの１つの決定木に入力する。決定木のルートノードでは、障害物の走行速度に従って、走行速度が速度閾値より大きい障害物１、障害物２、障害物３がルートノード下のノード２に入力され、走行速度が速度閾値以下である障害物４、障害物５がルートノード下のノード３に入力され、ルートノードに記憶されている特徴指示情報は速度特徴であり、ルートノードに記憶されている分類閾値指示情報は速度閾値であり、ルートノードに記憶されているノード位置指示情報はノード２の位置情報又はノード３の位置情報である。ノード３では、障害物４と障害物５は分類されず、ノード３に記憶されている類別指示情報は走行速度が速度閾値以下であるというものである。ノード２では、障害物１、障害物２、障害物３が分類され、障害物の熱に基づいて、熱が熱閾値より大きい障害物１、障害物２がノード２下のノード４に入力され、熱が熱閾値以下である障害物３がノード２下のノード５に入力され、ノード２に記憶されている特徴指示情報は熱特徴であり、ノード２に記憶されている分類閾値指示情報は熱閾値であり、ノード２に記憶されているノード位置指示情報はノード４の位置情報又はノード５の位置情報である。ノード４では、障害物１と障害物２は分類されず、ノード４に記憶されている類別指示情報は、走行速度が速度閾値より大きく、且つ熱が熱閾値より大きいというものである。ノード５では、障害物３は分類されず、ノード５に記憶されている類別指示情報は、走行速度が速度閾値より大きく、且つ熱量が熱閾値以下であるというものである。それによって、取得された第１の類別の障害物は走行速度が速度閾値以下の障害物であり、第２の類別の障害物は走行速度が速度閾値より大きく、且つ熱が熱閾値より大きい障害物であり、第３の種類の障害物は走行速度が速度閾値よりも大きく、且つ熱が熱閾値以下である障害物である。
図２に示される決定木には、ノード１、ノード２、ノード３、ノード４及びノード５を含み、ノード１及びノード２は非リーフノードであり、ノード３、ノード４及びノード５はリーフノードである。ノード１には特徴指示フィールド、分類閾値指示フィールド及びノード位置指示フィールドのみが設定され、ノード１の特徴指示フィールドに記憶されている特徴指示情報は速度特徴であり、ノード１の分類閾値指示フィールドに記憶されている分類閾値指示情報は速度閾値であり、ノード１のノード位置指示フィールドに記憶されているノード位置指示情報はノード２の位置情報又はノード３の位置情報である。ノード３には類別指示フィールドしか設定されず、ノード３の類別指示フィールドに記憶されている類別指示情報は、走行速度が速度閾値以下であるものである。ノード２には特徴指示フィールド、分類閾値指示フィールド及びノード位置指示フィールドのみが設定され、ノード２の特徴指示フィールドに記憶されている特徴指示情報は熱特徴であり、ノード２の分類閾値指示フィールドに記憶されている分類閾値指示情報は熱閾値であり、ノード２のノード位置指示フィールドに記憶されているノード位置指示情報はノード４の位置情報又はノード５の位置情報である。ノード４には類別指示フィールドしか設定されず、ノード４の類別指示フィールドに記憶されている類別指示情報は、走行速度が速度閾値より大きく、且つ熱が熱閾値より大きいものである。ノード５には類別指示フィールドしか設定されず、ノード５の類別指示フィールドに記憶されている類別指示情報は、走行速度が速度閾値より大きく、且つ熱が熱閾値以下であるものである。
本実施例では、無人運転車の検出装置によって検出された複数の障害物の障害物情報を取得し、圧縮されたランダムフォレストモデルを用いて前記複数の障害物の障害物情報を分類処理し、障害物分類結果を取得し、圧縮されたランダムフォレストモデルは少なくとも２つの決定木を含み、少なくとも２つの決定木における各決定木の非リーフノードには、特徴指示情報、分類閾値指示情報及びノード位置指示情報のみが記憶され、ノード位置指示情報は左ノード位置指示情報又は右ノード位置指示情報であり、左ノード位置指示情報は非リーフノード下の左ノードと右ノードの位置を指示するために用いられ、右ノード位置指示情報は非リーフノード下の左ノードと右ノードの位置を指示するために用いられ、各決定木のリーフノードには類別指示情報しか記憶されていない。圧縮されたランダムフォレストモデルの各決定木の非リーフノードには、特徴指示フィールド、分類閾値指示フィールド、左ノード位置指示フィールド又は右ノード位置指示フィールドのみが設定され、リーフノードには類別指示フィールドしか設定されていないため、それによって圧縮されたランダムフォレストモデルを用いて障害物を分類し識別する場合、情報の一部のみを記憶する必要があり、無人運転車システムのより多くのメモリ及びスペースを占める必要がないため、メモリ占有量が少なくなる。また、分類過程では、少量の情報を同期記憶するだけで、分類速度を向上させ、分類効率を向上させることができる。
図３は本願の実施例にて提供されるもう１つの無人運転車に基づく障害物の分類方法を示すフローチャートであり、図３に示すように、該解決手段の実行主体は無人運転車のコントローラ及び無人運転車自動運転システムの制御機器などである。該無人運転車に基づく障害物の分類方法は、ステップ２０１〜ステップ２０６を含む。
ステップ２０１において、無人運転車の検出装置によって検出された複数の障害物の障害物情報を取得する。
本実施例では、具体的には、無人運転車のコントローラを実行本体として説明する。本ステップは図１に示されるステップ１０１を参照することができ、ここでは繰り返して説明しない。
ステップ２０２において、複数の障害物の障害物情報を圧縮されたランダムフォレストモデルの決定木に配信する。
圧縮されたランダムフォレストモデルには、少なくとも２つの決定木を含み、少なくとも２つの決定木における各決定木の非リーフノードには、特徴指示情報、分類閾値指示情報及びノード位置指示情報のみが記憶され、ノード位置指示情報は左ノード位置指示情報又は右ノード位置指示情報であり、左ノード位置指示情報は非リーフノード下の左ノードと右ノードの位置を指示するために用いられ、右ノード位置指示情報は非リーフノード下の左ノードと右ノードの位置を指示するために用いられ、各決定木のリーフノードには類別指示情報しか記憶されていない。
選択的に、特徴指示情報のフィールドが２バイトを占め、類別指示情報のフィールドが２バイトを占め、分類閾値指示情報のフィールドが４バイトを占め、左ノード位置指示情報のフィールドが４バイトを占め、右ノード位置指示情報のフィールドが４バイトを占める。
本実施例では、具体的には、予め設定された特徴に従って、まず複数の障害物を分類し、そして複数の障害物の障害物情報を圧縮されたランダムフォレストモデルの決定木に配信する。例えば、障害物と無人運転車との間の距離に基づいて、異なる距離セグメントに属する障害物が各決定木に配信される。
決定木は図１に示されるステップ１０２に記載の決定木の構造及び情報記憶過程を採用してよく、詳細はここでは説明されない。
ステップ２０３において、圧縮されたランダムフォレストモデルの各決定木では、各決定木に入力された障害物情報を分類処理するとともに各決定木のリーフノードによって出力された障害物類別情報を取得する。
ステップ２０３は、具体的には、ステップ２３０１〜ステップ２３０５を含む。
ステップ２３０１において、圧縮されたランダムフォレストモデルの各決定木では、各決定木に入力された障害物情報を分類処理するとともに各決定木の非リーフノードに左ノード又は右ノードがあるかどうかを判断する。
ステップ２３０２において、各決定木の非リーフノードが右ノードを有し、左ノードを有さないと判定された場合、特徴指示情報、分類閾値指示情報及び右ノード位置指示情報を非リーフノードに記憶する。
ステップ２３０３において、各決定木の非リーフノードが左ノードを有し、且つ右ノードを有さないと判定された場合、特徴指示情報、分類閾値指示情報及び左ノード位置指示情報を非リーフノードに記憶する。
ステップ２３０４において、各決定木の非リーフノードが左ノード及び右ノードを有すると判定された場合、特徴指示情報、分類閾値指示情報を非リーフノードに記憶するとともに左ノード位置指示情報又は右ノード位置指示情報を非リーフノードに記憶する。
ステップ２０３５において、分類処理の過程に従って、各決定木のリーフノードによって出力された障害物類別情報を取得する。
本実施例では、具体的には、上記の各決定木について、無人運転車のコントローラが従来技術で提供される決定木分類規則に従って各決定木の障害物情報を分類処理し、決定木の各リーフノードは１つの障害物類別情報を出力することができ、障害物類別情報には障害物種別識別子と少なくとも１つの障害物識別子とを含み、障害物種別識別子は各障害物種別識別子に対応する障害物が同じ類別に属することを特徴付け、即ち各リーフノードは１つの種別に属する障害物の障害物識別子を出力する。
上記分類処理の過程では、障害物の分類過程に応じて決定木の非リーフノードが左ノード又は右ノードを有するか否かを判断し、非リーフノードが右ノードを有し、且つ左ノードを有さないと判定された場合、無人運転車のコントローラは、該非リーフノードのノード位置指示フィールドに右ノード位置指示情報が記憶され、且つ非リーフノードは特徴指示フィールド、分類閾値指示フィールド及びノード位置指示フィールドのみを有すると判定し、それによって、非リーフノードに特徴指示情報、分類閾値指示情報及び右ノード位置指示情報が記憶されてよい。
非リーフノードが左ノードを有し、且つ右ノードを有さないと判定された場合、無人運転車のコントローラは、該非リーフノードのノード位置指示フィールドに左ノード位置指示情報が記憶され、且つ非リーフノードは特徴指示フィールド、分類閾値指示フィールド及びノード位置指示フィールドのみを有すると判定し、それによって、非リーフノードに特徴指示情報、分類閾値指示情報及び左ノード位置指示情報が記憶されてよい。
非リーフノードが左ノードと右ノードを有すると判定された場合、無人運転車のコントローラは、該非リーフノードのノード位置指示フィールドに左ノード位置指示情報又は右ノード位置指示情報が記憶され、且つ非リーフノードは特徴指示フィールド、分類閾値指示フィールド及びノード位置指示フィールドのみを有すると判定し、それによって、非リーフノードに特徴指示情報及び分類閾値指示情報が記憶されてよく、且つ、非リーフノードに左ノード位置指示情報又は右ノード位置指示情報が記憶されてよい。
例えば、図４は本願の実施例にて提供されるもう１つの無人運転車に基づく障害物の分類方法における圧縮されたランダムフォレストモデルの決定木を示す概略図であり、図４に示すように、障害物１、障害物２、障害物３、障害物４のそれぞれの障害物情報を取得し、各障害物情報を圧縮されたランダムフォレストモデルの１つの決定木に入力する。決定木のルートノードでは、障害物の走行速度に従って、走行速度が速度閾値より大きい障害物１、障害物２、障害物３がルートノード下のノード２に入力され、走行速度が速度閾値以下である障害物４がルートノード下のノード３に入力され、ルートノードに記憶されている特徴指示情報は速度特徴であり、ルートノードに記憶されている分類閾値指示情報は速度閾値であり、ルートノードは左ノードと右ノードを有するため、ルートノードに記憶されているノード位置指示情報はノード２の位置情報又はノード３の位置情報である。ノード３では、障害物４は分類されず、ノード３に記憶されている類別指示情報は走行速度が速度閾値以下であるというものである。ノード２では、障害物１、障害物２、障害物３が分類され、障害物の熱に基づいて、熱が熱閾値より大きい障害物１、障害物２、障害物３がノード２下のノード４に入力され、ノード２に記憶されている特徴指示情報は熱特徴であり、ノード２に記憶されている分類閾値指示情報は熱閾値であり、ノード２は左ノードしか有さないため、ノード２に記憶されているノード位置指示情報はノード４の位置情報である。ノード４では、障害物１、障害物２と障害物３は分類されず、ノード４に記憶されている類別指示情報は、走行速度が速度閾値より大きく、且つ熱が熱閾値より大きいというものである。それによって、取得された第１の類別の障害物は走行速度が速度閾値以下の障害物であり、第２の類別の障害物は走行速度が速度閾値より大きく、且つ熱が熱閾値より大きい障害物である。
図４に示される決定木にはノード１、ノード２、ノード３及びノード４を含み、ノード１とノード２は非リーフノードであり、ノード３とノード４はリーフノードである。ノード１には特徴指示フィールド、分類閾値指示フィールド及びノード位置指示フィールドのみが設定され、ノード１の特徴指示フィールドに記憶されている特徴指示情報は速度特徴であり、ノード１の分類閾値指示フィールドに記憶されている分類閾値指示情報は速度閾値であり、ノード１のノード位置指示フィールドに記憶されているノード位置指示情報はノード２の位置情報又はノード３の位置情報である。ノード３には類別指示フィールドしか設定されず、ノード３の類別指示フィールドに記憶されている類別指示情報は、走行速度が速度閾値以下であるものである。ノード２には特徴指示フィールド、分類閾値指示フィールド及びノード位置指示フィールドのみが設定され、ノード２の特徴指示フィールドに記憶されている特徴指示情報は熱特徴であり、ノード２の分類閾値指示フィールドに記憶されている分類閾値指示情報は熱閾値であり、ノード２のノード位置指示フィールドに記憶されているノード位置指示情報はノード４の位置情報である。ノード４には類別指示フィールドしか設定されず、ノード４の類別指示フィールドに記憶されている類別指示情報は、走行速度が速度閾値より大きく、且つ熱が熱閾値より大きいものである。
また、各決定木の特徴指示情報のフィールドは２バイトを占めることができ、各決定木の類別指示情報のフィールドは２バイトを占めることができ、各決定木の分類閾値指示情報のフィールドは４バイトを占めることができ、各決定木の左ノード位置指示情報のフィールドは４バイトを占めることができ、各決定木の右ノード位置指示情報のフィールドは４バイトを占めることができるため、それによって非リーフノードは、２＋４＋４＝１０バイトのデータしか記憶しなくてよく、リーフノードは２バイトのデータしか記憶しなくてよい。
ステップ２０４において、各決定木のリーフノードによって出力された障害物類別情報に従って障害物分類結果を取得する。
本実施例では、具体的には、決定木の各リーフノードは１つの障害物類別情報を出力することができるため、即ち各リーフノードは１種類の障害物に属する障害物識別子を出力する。それによって、全ての決定木のリーフノードによって出力された障害物類別情報に基づいて障害物分類結果をまとめることができる。
ステップ２０５において、圧縮されたランダムフォレストモデルの各決定木のリーフノードに記憶されている情報をリーフノードに対応する親ノードに記憶する。
本実施例では、具体的には、各決定木のリーフノードには類別指示情報しか記憶せず、リーフノードの下に他のノードは存在しないため、リーフノードに記憶されている情報をリーフノードに対応する非リーフノードに移転することができ、即ち、リーフノードに記憶されている情報をリーフノードに対応する親ノードに記憶する。
ステップ２０６において、圧縮されたランダムフォレストモデルの各決定木のリーフノードを削除する。
本実施例では、具体的には、ステップ２０５の後、リーフノードに記憶されている類別指示情報は、リーフノードに対応する親ノードに記憶されるため、それによって各決定木のリーフノードを削除することができ、リーフノードがメモリ空間を占めることを回避することができる。
例えば、図４に示される決定木について、ノード３に記憶されている類別指示情報をノード１に移転し、次にノード３を削除してよく、それによってノード１における特徴指示フィールドに記憶されている特徴指示情報は速度特徴であり、ノード１の分類閾値指示フィールドに記憶されている分類閾値指示情報は速度閾値であり、ノード１のノード位置指示フィールドに記憶されているノード位置指示情報はノード２の位置情報であり、ノード１のプリセットフィールドに記憶されている類別指示情報は走行速度が速度閾値以下であるものである。同様に、図４に示される決定木を用いて、ノード４に記憶されている類別指示情報をノード２に移転し、次にノード４を削除してもよい。
本実施例では、圧縮されたランダムフォレストモデルの各決定木の非リーフノードには、特徴指示フィールド、分類閾値指示フィールド、左ノード位置指示フィールド又は右ノード位置指示フィールドのみが設定され、リーフノードには類別指示フィールドしか設定されていないことによって、圧縮されたランダムフォレストモデルを用いて障害物を分類し識別する場合、情報の一部のみを記憶する必要があり、無人運転車システムのより多くのメモリ及びスペースを占める必要がないため、メモリ占有量が少なくなる。また、分類過程では、少量の情報を同期記憶するだけで、分類速度を向上させ、分類効率を向上させることができる。そして、決定木のリーフノードの情報をリーフノードに対応する親ノードに記憶した後、リーフノードを削除することによって、分類識別によって生成されるデータをさらに削減し、無人運転車のシステムのメモリ占有量を削減することができる。
図５は本願の実施例にて提供される無人運転車に基づく障害物分類装置を示す構造概略図であり、図５に示すように、本実施例にて提供される無人運転車に基づく障害物分類装置は、取得ユニット５１と、分類ユニット５２とを含む。
取得ユニット５１は、無人運転車の検出装置によって検出された複数の障害物の障害物情報を取得するために用いられる。
分類ユニット５２は、圧縮されたランダムフォレストモデルを用いて複数の障害物の障害物情報を分類処理し、障害物分類結果を取得するために用いられ、圧縮されたランダムフォレストモデルは少なくとも２つの決定木を含み、少なくとも２つの決定木における各決定木の非リーフノードには、特徴指示情報、分類閾値指示情報及びノード位置指示情報のみが記憶され、ノード位置指示情報は左ノード位置指示情報又は右ノード位置指示情報であり、左ノード位置指示情報は非リーフノード下の左ノードと右ノードの位置を指示するために用いられ、右ノード位置指示情報は非リーフノード下の左ノードと右ノードの位置を指示するために用いられ、各決定木のリーフノードには類別指示情報しか記憶されていない。
本実施例にて提供される無人運転車に基づく障害物分類装置は、前述した実施例のいずれかによって提供される無人運転車に基づく障害物分類方法における技術的解決手段と同じであり、その実施原理は類似し、ここで繰り返して説明しない。
本実施例では、無人運転車の検出装置によって検出された複数の障害物の障害物情報を取得し、圧縮されたランダムフォレストモデルを用いて前記複数の障害物の障害物情報を分類処理し、障害物分類結果を取得し、圧縮されたランダムフォレストモデルは少なくとも２つの決定木を含み、少なくとも２つの決定木における各決定木の非リーフノードには、特徴指示情報、分類閾値指示情報及びノード位置指示情報のみが記憶され、ノード位置指示情報は左ノード位置指示情報又は右ノード位置指示情報であり、左ノード位置指示情報は非リーフノード下の左ノードと右ノードの位置を指示するために用いられ、右ノード位置指示情報は非リーフノード下の左ノードと右ノードの位置を指示するために用いられ、各決定木のリーフノードには類別指示情報しか記憶されていない。圧縮されたランダムフォレストモデルの各決定木の非リーフノードには、特徴指示フィールド、分類閾値指示フィールド、左ノード位置指示フィールド又は右ノード位置指示フィールドのみが設定され、リーフノードには類別指示フィールドしか設定されていない。それによって、圧縮されたランダムフォレストモデルを用いて障害物を分類し識別する場合、情報の一部のみを記憶する必要があり、無人運転車システムのより多くのメモリ及びスペースを占める必要がないため、メモリ占有量が少なくなる。また、分類過程では、少量の情報を同期記憶するだけで、更に分類速度を向上させ、分類効率を向上させることができる。
図６は本願の実施例にて提供されるもう１つの無人運転車に基づく障害物分類装置を示す構造概略図であり、図５に示される実施例の上で、図６に示すように、本実施例にて提供される無人運転車に基づく障害物分類装置の分類ユニット５２は、配信モジュール５２１と、分類モジュール５２２と、判定モジュール５２３とを含む。
配信モジュール５２１は、複数の障害物の障害物情報を圧縮されたランダムフォレストモデルの決定木に配信するために用いられる。
分類モジュール５２２は、圧縮されたランダムフォレストモデルの各決定木において、各決定木に入力された障害物情報を分類処理し、各決定木のリーフノードによって出力された障害物類別情報を取得するために用いられる。
判定モジュール５２３は、各決定木のリーフノードによって出力された障害物類別情報に基づいて障害物分類結果を取得するために用いられる。
分類モジュール５２２は、分類サブモジュール５２２１と、第１の判定サブモジュール５２２２と、第２の判定サブモジュール５２２３と、第３の判定サブモジュール５２２４と、第４の判定サブモジュール５２２５とを含む。
分類サブモジュール５２２１は、圧縮されたランダムフォレストモデルの各決定木において、各決定木に入力された障害物情報を分類処理し、各決定木の非リーフノードが左ノード又は右ノードを有するか否かを判断するために用いられる。
第１の判定サブモジュール５２２２は、各決定木の非リーフノードが右ノードを有し、且つ左ノードを有さないと判定された場合、特徴指示情報、分類閾値指示情報及び右ノード位置指示情報を非リーフノードに記憶するために用いられる。
第２の判定サブモジュール５２２３は、各決定木の非リーフノードが左ノードを有し、且つ右ノードを有さないと判定された場合、特徴指示情報、分類閾値指示情報及び左ノード位置指示情報を非リーフノードに記憶するために用いられる。
第３の判定サブモジュール５２２４は、各決定木の非リーフノードが左ノード及び右ノードを有すると判定された場合、特徴指示情報、分類閾値指示情報を非リーフノードに記憶するとともに左ノード位置指示情報又は右ノード位置指示情報を非リーフノードに記憶するために用いられる。
第４の判定サブモジュール５２２５は、分類処理の過程に従って、各決定木のリーフノードによって出力された障害物類別情報を取得するために用いられる。
本実施例にて提供される装置は、さらに、記憶ユニット６１と、削除ユニット６２とを含む。
記憶ユニット６１は、分類ユニット５２が圧縮されたランダムフォレストモデルを用いて前記複数の障害物の障害物情報を分類処理し、障害物分類結果を取得した後、圧縮されたランダムフォレストモデルの各決定木のリーフノードに記憶されている情報をリーフノードに対応する親ノードに記憶するために用いられる。
削除ユニット６２は、圧縮されたランダムフォレストモデルにおける各決定木のリーフノードを削除するために用いられる。
非リーフノードはルートノード、及びサブノードと親ノードを有するノードを含む。
左ノード位置指示情報は決定木における各ノードの左ノードの、各ノードの右ノードに対する相対アドレス情報である。右ノード位置指示情報は決定木における各ノードの右ノードの、各ノードの左ノードに対する相対アドレス情報である。
特徴指示情報のフィールドが２バイトを占め、類別指示情報のフィールドが２バイトを占め、分類閾値指示情報のフィールドが４バイトを占め、左ノード位置指示情報のフィールドが４バイトを占め、右ノード位置指示情報のフィールドが４バイトを占める。
検出装置は、ライダーセンサ、超音波レーダー、画像検出機器、赤外線検出機器のいずれか１つである。
障害物情報は、障害物の移動速度、障害物の体積、障害物の熱、障害物と無人運転車との間の距離の少なくとも１つを含む。
本実施例にて提供される無人運転車に基づく障害物分類装置は、前述した実施例のいずれかによって提供される無人運転車に基づく障害物分類方法における技術的解決手段と同じであり、その実施原理は同様であり、ここでは繰り返して説明しない。
本実施例では、圧縮されたランダムフォレストモデルの各決定木の非リーフノードには、特徴指示フィールド、分類閾値指示フィールド、左ノード位置指示フィールド又は右ノード位置指示フィールドのみが設定され、リーフノードには類別指示フィールドしか設定されていないことによって、圧縮されたランダムフォレストモデルを用いて障害物を分類し識別する場合、情報の一部のみを記憶する必要があり、無人運転車システムのより多くのメモリ及びスペースを占める必要がないため、メモリ占有量が少なくなる。また、分類過程では、少量の情報を同期記憶するだけで、分類速度を向上させ、分類効率を向上させることができる。そして、決定木のリーフノードの情報をリーフノードに対応する親ノードに記憶した後、リーフノードを削除することによって、分類識別によって生成されるデータをさらに削減し、無人運転車のシステムのメモリ占有量を削減することができる。
図７は本願の実施例にて提供される制御機器を示す構造概略図であり、図７に示すように、該制御機器は、送信器７１、受信器７２、メモリ７３及びプロセッサ７４を含む。
メモリ７３は、コンピュータコマンドを記憶するために用いられ、プロセッサ７４は、メモリ７３に記憶されているコンピュータコマンドを実行して前述した実施例の実施形態のいずれかによって提供される無人運転車に基づく障害物分類方法という技術的解決手段を実現するために用いられる。
本願は、さらに記憶媒体を提供し、読み取り可能な記憶媒体及びコンピュータコマンドを含み、コンピュータコマンドは読み取り可能な記憶媒体に記憶され、コンピュータコマンドは前述した実施例の実施形態のいずれかによって提供される無人運転車に基づく障害物分類方法という技術的解決手段を実現するために用いられることを特徴とする。
上記制御機器の具体的な実現形態において、理解すべきことは、プロセッサ７４は中央処理ユニット（英語：Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ、略称：ＣＰＵ）であってもよく、他の汎用プロセッサ、デジタル信号プロセッサ（英語：Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒ、略称：ＤＳＰ）、特定用途向け集積回路（英語：Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ、略称：ＡＳＩＣ）等であってもよい。汎用プロセッサはマイクロプロセッサ又は任意の一般的なプロセッサなどであってもよい。本願の実施例の開示する方法のステップによりハードウェアプロセッサで実行して完成し、又はプロセッサにおけるハードウェア及びソフトウェアモジュールの組み合わせで実行して完成することで直接に体現できる。
当業者であれば、上記各方法の実施例におけるステップの全て又は一部をプログラムにより関連するハードウェアに命令して実行させることができ、前述したプログラムはコンピュータ読み取り可能な記憶媒体に記憶されてもよい。該プログラムは実行される場合、上記各方法の実施例を含むステップを実行する。前述した記憶媒体は、読み取り専用メモリ（英語：ｒｅａｄ−ｏｎｌｙ ｍｅｍｏｒｙ、略称：ＲＯＭ）、ＲＡＭ、フラッシュメモリ、ハードディスク、ソリッドステートドライブ、磁気テープ（英語：ｍａｇｎｅｔｉｃ ｔａｐｅ）、フロッピーディスク（英語：ｆｌｏｐｐｙ ｄｉｓｋ）、光ディスク（英語：ｏｐｔｉｃａｌ ｄｉｓｃ）及びそれらの組み合わせを含む。
最後に説明すべきことは、以上の各実施例は本願の技術的解決手段を説明するものにすぎず、それを限定するものではない。前述した各実施例を参照しながら本願について詳細に説明したが、当業者であれば、依然として前述した各実施例に記載される技術的解決手段を修正することができ、又はそのうちの一部もしくはすべての技術的特徴について均等置換を行うことができる。これらの修正又は置換は、対応する技術的解決手段の本質が本願の各実施例の技術的解決手段の趣旨及び範囲から逸脱するようにさせるものではないと理解すべきである。

Claims (20)

  1. 無人運転車に基づく障害物分類方法であって、
    無人運転車の検出装置によって検出された複数の障害物の障害物情報を取得することと、
    圧縮されたランダムフォレストモデルを用いて前記複数の障害物の障害物情報を分類処理し、障害物分類結果を取得し、前記圧縮されたランダムフォレストモデルは少なくとも２つの決定木を含み、前記少なくとも２つの決定木における各決定木の非リーフノードには、特徴指示情報、分類閾値指示情報及びノード位置指示情報のみが記憶され、前記ノード位置指示情報は左ノード位置指示情報又は右ノード位置指示情報であり、前記左ノード位置指示情報は非リーフノード下の左ノードと右ノードの位置を指示するために用いられ、前記右ノード位置指示情報は非リーフノード下の左ノードと右ノードの位置を指示するために用いられ、各決定木のリーフノードには類別指示情報しか記憶されていないことと、を含むことを特徴とする無人運転車に基づく障害物分類方法。
  2. 圧縮されたランダムフォレストモデルを用いて前記複数の障害物の障害物情報を分類処理し、障害物分類結果を取得する前記ステップは、
    前記複数の障害物の障害物情報を前記圧縮されたランダムフォレストモデルの決定木に配信することと、
    前記圧縮されたランダムフォレストモデルの各決定木において、各決定木に入力された障害物情報を分類処理し、各決定木のリーフノードによって出力された障害物類別情報を取得することと、
    各決定木のリーフノードによって出力された障害物類別情報に基づいて前記障害物分類結果を取得することと、を含むことを特徴とする請求項１に記載の方法。
  3. 前記圧縮されたランダムフォレストモデルの各決定木において、各決定木に入力された障害物情報を分類処理し、各決定木のリーフノードによって出力された障害物類別情報を取得することは、
    前記圧縮されたランダムフォレストモデルの各決定木において、各決定木に入力された障害物情報を分類処理し、各決定木の非リーフノードが左ノード又は右ノードを有するか否かを判断することと、
    各決定木の非リーフノードが右ノードを有し、且つ左ノードを有さないと判定された場合、特徴指示情報、分類閾値指示情報及び右ノード位置指示情報を非リーフノードに記憶することと、
    各決定木の非リーフノードが左ノードを有し、右ノードを有さないと判定された場合、特徴指示情報、分類閾値指示情報及び左ノード位置指示情報を非リーフノードに記憶することと、
    各決定木の非リーフノードが左ノード及び右ノードを有すると判定された場合、特徴指示情報、分類閾値指示情報を非リーフノードに記憶するとともに左ノード位置指示情報又は右ノード位置指示情報を非リーフノードに記憶することと、
    前記分類処理の過程に従って、各決定木のリーフノードによって出力された障害物類別情報を取得することと、を含むことを特徴とする請求項２に記載の方法。
  4. 圧縮されたランダムフォレストモデルを用いて前記複数の障害物の障害物情報を分類処理し、障害物分類結果を取得した後、さらに、
    前記圧縮されたランダムフォレストモデルの各決定木のリーフノードに記憶されている情報をリーフノードに対応する親ノードに記憶することと、
    前記圧縮されたランダムフォレストモデルにおける各決定木のリーフノードを削除することと、を含むことを特徴とする請求項１に記載の方法。
  5. 前記非リーフノードは、ルートノード、及びサブノードと親ノードを有するノードを含むことを特徴とする請求項１に記載の方法。
  6. 前記左ノード位置指示情報は、前記決定木における各ノードの左ノードの、各ノードの右ノードに対する相対アドレス情報であり、
    前記右ノード位置指示情報は前記決定木における各ノードの右ノードの、各ノードの左ノードに対する相対アドレス情報であることを特徴とする請求項１〜５のいずれか一項に記載の方法。
  7. 前記特徴指示情報のフィールドが２バイトを占め、前記類別指示情報のフィールドが２バイトを占め、前記分類閾値指示情報のフィールドが４バイトを占め、前記左ノード位置指示情報のフィールドが４バイトを占め、前記右ノード位置指示情報のフィールドが４バイトを占めることを特徴とする請求項１〜５のいずれか一項に記載の方法。
  8. 前記検出装置は、ライダーセンサ、超音波レーダー、画像検出機器、赤外線検出機器のいずれか１つであることを特徴とする請求項１〜５のいずれか一項に記載の方法。
  9. 前記障害物情報は、障害物の移動速度、障害物の体積、障害物の熱、障害物と無人運転車との間の距離の少なくとも１つを含むことを特徴とする請求項１〜５のいずれか一項に記載の方法。
  10. 無人運転車に基づく障害物分類装置であって、
    無人運転車の検出装置によって検出された複数の障害物の障害物情報を取得するための取得ユニットと、
    分類ユニットであって、圧縮されたランダムフォレストモデルを用いて前記複数の障害物の障害物情報を分類処理し、障害物分類結果を取得するために用いられ、前記圧縮されたランダムフォレストモデルは少なくとも２つの決定木を含み、前記少なくとも２つの決定木における各決定木の非リーフノードには、特徴指示情報、分類閾値指示情報及びノード位置指示情報のみが記憶され、前記ノード位置指示情報は左ノード位置指示情報又は右ノード位置指示情報であり、前記左ノード位置指示情報は非リーフノード下の左ノードと右ノードの位置を指示するために用いられ、前記右ノード位置指示情報は非リーフノード下の左ノードと右ノードの位置を指示するために用いられ、各決定木のリーフノードには類別指示情報しか記憶されていない分類ユニットとを含むことを特徴とする無人運転車に基づく障害物分類装置。
  11. 前記分類ユニットは、
    前記複数の障害物の障害物情報を前記圧縮されたランダムフォレストモデルの決定木に配信するための配信モジュールと、
    前記圧縮されたランダムフォレストモデルの各決定木において、各決定木に入力された障害物情報を分類処理し、各決定木のリーフノードによって出力された障害物類別情報を取得するための分類モジュールと、
    各決定木のリーフノードによって出力された障害物類別情報に基づいて前記障害物分類結果を取得するための判定モジュールと、を含むことを特徴とする請求項１０に記載の装置。
  12. 前記分類モジュールは、
    前記圧縮されたランダムフォレストモデルの各決定木において、各決定木に入力された障害物情報を分類処理し、各決定木の非リーフノードが左ノード又は右ノードを有するか否かを判断するための分類サブモジュールと、
    各決定木の非リーフノードが右ノードを有し、左ノードを有さないと判定された場合、特徴指示情報、分類閾値指示情報及び右ノード位置指示情報を非リーフノードに記憶するための第１の判定サブモジュールと、
    各決定木の非リーフノードが左ノードを有し、且つ右ノードを有さないと判定された場合、特徴指示情報、分類閾値指示情報及び左ノード位置指示情報を非リーフノードに記憶するための第２の判定サブモジュールと、
    各決定木の非リーフノードが左ノード及び右ノードを有すると判定された場合、特徴指示情報、分類閾値指示情報を非リーフノードに記憶するとともに左ノード位置指示情報又は右ノード位置指示情報を非リーフノードに記憶するための第３の判定サブモジュールと、
    前記分類処理の過程に従って、各決定木のリーフノードによって出力された障害物類別情報を取得するための第４の判定サブモジュールと、を含むことを特徴とする請求項１１に記載の装置。
  13. 前記装置は、さらに、
    前記分類ユニットが圧縮されたランダムフォレストモデルを用いて前記複数の障害物の障害物情報を分類処理し、障害物分類結果を取得した後、前記圧縮されたランダムフォレストモデルの各決定木のリーフノードに記憶されている情報をリーフノードに対応する親ノードに記憶する記憶ユニットと、
    前記圧縮されたランダムフォレストモデルにおける各決定木のリーフノードを削除する削除ユニットと、を含むことを特徴とする請求項１０に記載の装置。
  14. 前記非リーフノードは、ルートノード、及びサブノードと親ノードを有するノードを含むことを特徴とする請求項１０に記載の装置。
  15. 前記左ノード位置指示情報は前記決定木における各ノードの左ノードの、各ノードの右ノードに対する相対アドレス情報であり、
    前記右ノード位置指示情報は前記決定木における各ノードの右ノードの、各ノードの左ノードに対する相対アドレス情報であることを特徴とする請求項１０〜１４のいずれか一項に記載の装置。
  16. 前記特徴指示情報のフィールドが２バイトを占め、前記類別指示情報のフィールドが２バイトを占め、前記分類閾値指示情報のフィールドが４バイトを占め、前記左ノード位置指示情報のフィールドが４バイトを占め、前記右ノード位置指示情報のフィールドが４バイトを占めることを特徴とする請求項１０〜１４のいずれか一項に記載の装置。
  17. 前記検出装置は、ライダーセンサ、超音波レーダー、画像検出機器、赤外線検出機器のいずれか１つであることを特徴とする請求項１０〜１４のいずれか一項に記載の装置。
  18. 前記障害物情報は、障害物の移動速度、障害物の体積、障害物の熱、障害物と無人運転車との間の距離の少なくとも１つを含むことを特徴とする請求項１０〜１４のいずれか一項に記載の装置。
  19. 制御機器であって、
    送信器、受信器、メモリ及びプロセッサを含み、
    前記メモリは、コンピュータコマンドを記憶するために用いられ、前記プロセッサは、前記メモリに記憶されている前記コンピュータコマンドを実行して請求項１〜９のいずれか一項に記載の無人運転車に基づく障害物分類方法を実現するために用いられることを特徴とする制御機器。
  20. 記憶媒体であって、
    読み取り可能な記憶媒体及びコンピュータコマンドを含み、
    前記コンピュータコマンドは前記読み取り可能な記憶媒体に記憶され、前記コンピュータコマンドは請求項１〜９のいずれか一項に記載の無人運転車に基づく障害物分類方法を実現するために用いられることを特徴とする記憶媒体。
JP2019129305A 2018-09-07 2019-07-11 無人運転車に基づく障害物分類方法、装置、機器及び記憶媒体 Active JP6745951B2 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201811044529.8A CN109376590A (zh) 2018-09-07 2018-09-07 基于无人车的障碍物分类方法、装置、设备以及存储介质
CN201811044529.8 2018-09-07

Publications (2)

Publication Number Publication Date
JP2020042783A true JP2020042783A (ja) 2020-03-19
JP6745951B2 JP6745951B2 (ja) 2020-08-26

Family

ID=65405451

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019129305A Active JP6745951B2 (ja) 2018-09-07 2019-07-11 無人運転車に基づく障害物分類方法、装置、機器及び記憶媒体

Country Status (4)

Country Link
US (1) US11295144B2 (ja)
EP (1) EP3564853A3 (ja)
JP (1) JP6745951B2 (ja)
CN (1) CN109376590A (ja)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102018205532A1 (de) * 2018-04-12 2019-10-17 Robert Bosch Gmbh Verfahren zum Erkennen eines Hindernisses vor einem Fahrzeug
CN110940979A (zh) * 2019-10-28 2020-03-31 杭州飞步科技有限公司 障碍物检测方法、装置、设备以及存储介质
CN111291697B (zh) * 2020-02-19 2023-11-21 阿波罗智能技术(北京)有限公司 用于识别障碍物的方法和装置
FR3109232A1 (fr) 2020-04-10 2021-10-15 Advestis Procede de prediction interpretable par apprentissage fonctionnant sous ressources memoires limitees
CN111583691B (zh) * 2020-04-23 2021-08-20 北京踏歌智行科技有限公司 一种集群式的障碍物同步方法
CN112684430A (zh) * 2020-12-23 2021-04-20 哈尔滨工业大学（威海） 一种室内老人行走健康检测方法、系统、存储介质、终端
CN115393659B (zh) * 2022-10-27 2023-01-24 珠海横琴圣澳云智科技有限公司 基于多级决策树的个性化分类流程优化方法和装置
CN116304920B (zh) * 2023-02-13 2023-10-20 中国地质大学（武汉） 一种流数据分类模型的优化方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09505895A (ja) * 1994-09-23 1997-06-10 メイザー ゲーエムベーハー アンド カンパニー 超音波障害物検知法
JP2011150546A (ja) * 2010-01-21 2011-08-04 Toshiba Corp 認識装置
JP2018106618A (ja) * 2016-12-28 2018-07-05 日本放送協会 画像データ分類装置、オブジェクト検出装置及びこれらのプログラム

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9147168B1 (en) * 2012-12-20 2015-09-29 Emc Corporation Decision tree representation for big data
EP2746991A1 (en) * 2012-12-21 2014-06-25 Nederlandse Organisatie voor toegepast -natuurwetenschappelijk onderzoek TNO Image pattern recognition system and method
US9547830B2 (en) * 2013-05-07 2017-01-17 Wise.Io, Inc. Scalable, memory-efficient machine learning and prediction for ensembles of decision trees for homogeneous and heterogeneous datasets
US10332008B2 (en) * 2014-03-17 2019-06-25 Microsoft Technology Licensing, Llc Parallel decision tree processor architecture
US9787647B2 (en) * 2014-12-02 2017-10-10 Microsoft Technology Licensing, Llc Secure computer evaluation of decision trees
CN105835777A (zh) * 2016-03-30 2016-08-10 乐视控股（北京）有限公司 显示方法、装置和车辆
US10984222B2 (en) * 2016-07-12 2021-04-20 Microsoft Technology Licensing, Llc Method, apparatus and system for 3D face tracking
CN106709475B (zh) * 2017-01-22 2021-01-22 百度在线网络技术（北京）有限公司 障碍物识别方法及装置、计算机设备及可读存储介质
US10878708B2 (en) * 2017-03-03 2020-12-29 Farrokh Mohamadi Drone terrain surveillance with camera and radar sensor fusion for collision avoidance
US10909471B2 (en) * 2017-03-24 2021-02-02 Microsoft Technology Licensing, Llc Resource-efficient machine learning
CN107797973A (zh) * 2017-09-27 2018-03-13 西安交通大学 一种面向硬件实现的gbdt分类模型压缩方法
US11354601B2 (en) * 2018-03-16 2022-06-07 Ricoh Company, Ltd. Learning classification device and learning classification method
US10699051B1 (en) * 2018-06-29 2020-06-30 Cadence Design Systems, Inc. Method and system for performing cross-validation for model-based layout recommendations

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09505895A (ja) * 1994-09-23 1997-06-10 メイザー ゲーエムベーハー アンド カンパニー 超音波障害物検知法
JP2011150546A (ja) * 2010-01-21 2011-08-04 Toshiba Corp 認識装置
JP2018106618A (ja) * 2016-12-28 2018-07-05 日本放送協会 画像データ分類装置、オブジェクト検出装置及びこれらのプログラム

Also Published As

Publication number Publication date
US20200065592A1 (en) 2020-02-27
CN109376590A (zh) 2019-02-22
EP3564853A3 (en) 2020-03-11
EP3564853A2 (en) 2019-11-06
US11295144B2 (en) 2022-04-05
JP6745951B2 (ja) 2020-08-26

Similar Documents

Publication Publication Date Title
JP6745951B2 (ja) 無人運転車に基づく障害物分類方法、装置、機器及び記憶媒体
CN109213134B (zh) 生成自动驾驶策略的方法和装置
CN108629231B (zh) 障碍物检测方法、装置、设备及存储介质
US10614324B2 (en) Method and apparatus for identifying static obstacle
CN109543245B (zh) 无人车应对能力边界信息确定方法、装置和电子设备
US20180225515A1 (en) Method and apparatus for urban road recognition based on laser point cloud, storage medium, and device
JP6850324B2 (ja) マルチモデルに基づく障害物分布シミュレーション方法、装置、端末及びプログラム
CN109849930B (zh) 自动驾驶汽车的相邻车辆的速度计算方法和装置
CN109558854B (zh) 障碍物感知方法、装置、电子设备及存储介质
CN115017742B (zh) 自动驾驶测试场景生成方法、装置、设备及存储介质
JP2021175972A (ja) 環境変化を検出するための方法及び装置、計算装置、記憶媒体並びにコンピュータプログラム
JP2020042793A (ja) 確率プロットに基づく障害物分布シミュレーション方法、装置及び端末
US20220343637A1 (en) Traffic flow machine-learning modeling system and method applied to vehicles
JP7121454B2 (ja) 統計に基づく障害物位置シミュレーション方法、装置及び端末
US20220171975A1 (en) Method for Determining a Semantic Free Space
WO2022078342A1 (zh) 动态占据栅格估计方法及装置
CN112269848A (zh) 一种众包轨迹数据融合方法及装置
CN115050007A (zh) 牵引车以及拖板车的识别方法、装置及电子设备、存储介质
CN112734810B (zh) 一种障碍物追踪方法及装置
WO2021170140A1 (zh) 一种车道结构检测方法及装置
JP7261892B2 (ja) 占有格子地図管理装置
US20220317301A1 (en) Modeling foliage in a synthetic environment
US20220318450A1 (en) Lidar Atmospheric Effects in Simulation
WO2021106130A1 (ja) 物体認識装置、物体認識方法及び物体認識プログラム
KR20230172241A (ko) 객체 인식 시스템 및 방법

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20190711

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20200707

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20200804

R150 Certificate of patent or registration of utility model

Ref document number: 6745951

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

S111 Request for change of ownership or part of ownership

Free format text: JAPANESE INTERMEDIATE CODE: R313113

R350 Written notification of registration of transfer

Free format text: JAPANESE INTERMEDIATE CODE: R350

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250