JP2021012133A - 測距装置、情報処理装置、測距方法、車載装置、移動体、測距システム - Google Patents
測距装置、情報処理装置、測距方法、車載装置、移動体、測距システム Download PDFInfo
- Publication number
- JP2021012133A JP2021012133A JP2019127163A JP2019127163A JP2021012133A JP 2021012133 A JP2021012133 A JP 2021012133A JP 2019127163 A JP2019127163 A JP 2019127163A JP 2019127163 A JP2019127163 A JP 2019127163A JP 2021012133 A JP2021012133 A JP 2021012133A
- Authority
- JP
- Japan
- Prior art keywords
- distance
- signal
- axis
- image
- unit
- 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
Links
- 238000000034 method Methods 0.000 title claims description 60
- 230000010365 information processing Effects 0.000 title claims description 41
- 238000006243 chemical reaction Methods 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims description 61
- 238000010801 machine learning Methods 0.000 claims description 23
- 238000013135 deep learning Methods 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims 2
- 241000282414 Homo sapiens Species 0.000 abstract description 8
- 239000010410 layer Substances 0.000 description 104
- 230000006870 function Effects 0.000 description 53
- 238000013528 artificial neural network Methods 0.000 description 48
- 238000004364 calculation method Methods 0.000 description 48
- 238000010586 diagram Methods 0.000 description 36
- 238000005259 measurement Methods 0.000 description 25
- 230000003287 optical effect Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000000605 extraction Methods 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000013500 data storage Methods 0.000 description 8
- 239000000284 extract Substances 0.000 description 8
- 230000004913 activation Effects 0.000 description 7
- 230000000052 comparative effect Effects 0.000 description 7
- 230000004927 fusion Effects 0.000 description 7
- 238000003384 imaging method Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 5
- 238000004904 shortening Methods 0.000 description 5
- 241000282326 Felis catus Species 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 239000000047 product Substances 0.000 description 4
- 241000282412 Homo Species 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000758 substrate Substances 0.000 description 3
- 239000013589 supplement Substances 0.000 description 3
- 240000004050 Pentaglottis sempervirens Species 0.000 description 2
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000001678 irradiating effect Effects 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000007493 shaping process Methods 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000010030 laminating Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- 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
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
-
- 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
- G01S17/42—Simultaneous measurement of distance and other co-ordinates
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Electromagnetism (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Measurement Of Optical Distance (AREA)
- Optical Radar Systems And Details Thereof (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
Description
機械学習とは、コンピュータに人のような学習能力を獲得させるための技術であり、コンピュータが、データ識別等の判断に必要なアルゴリズムを、事前に取り込まれる学習データから自律的に生成し、新たなデータについてこれを適用して予測を行う技術のことをいう。機械学習のための学習方法は、教師あり学習、教師なし学習、半教師学習、強化学習、深層学習のいずれかの方法でもよく、更に、これらの学習方法を組み合わせた学習方法でもよく、機械学習のための学習方法は問わない。
図2を用いて、測距装置100の外観構成及び取り付け例について説明する。図2は、測距装置の外観構成及び取り付け例を説明する図の一例である。図2では、測距装置100がステレオカメラを有する場合を説明するが、これはステレオカメラによる測距を別途行ってもよいためである。また、ステレオカメラの画像をカメラ側の入力とすることもできるためである。しかし、本実施例ではカメラは1つあればよい。
続いて、図3に基づき測距装置100の全体的な構成例について説明する。図3は、測距装置100の全体的な構成図の一例を示す図である。
本実施例では、ステレオカメラによる測距はかならずしも必要ないが、図5を用いて、ステレオカメラによる測距原理について説明する。図5は、三角測量により比較画像と基準画像から物体に対する視差値を導き出し、視差値によって測距装置100から物体までの距離を測定する原理について説明する図である。
d=x'−x …式(1)
図5に示すように、比較画像Ia中の点Sa(x,y)と右カメラ112から撮像面上におろした垂線の交点との距離をΔaにし、基準画像Ib中の点Sb(x',y)と左カメラ111から撮像面上におろした垂線の交点との距離をΔbにすると、視差値d=Δa+Δbとなる。
Z=(B×F)/d …式(2)
この式(2)により、視差値dが大きいほど距離Zは小さく、視差値dが小さいほど距離Zは大きくなる。式(2)から明らかなように、カメラが小さくなるほど(基線長Bが小さくなるほど)、1整数視差に対応する距離が大きくなる(分解能が悪くなる)。
次に、図6を用いてレーザ信号処理部240による時間計測の原理を説明する。図6は照射されたレーザ光が物体で反射して受光される時系列な強度を模式的に示す図である。図6に示すように反射信号は時間に対し強度が対応付けられた一次元のデータ(一次元信号)である。横軸は時間、縦軸は強度であるが、時間は物体までの距離に比例するため、時間と距離は同等の情報を有する。反射信号を検出するまでの時間によって距離が算出される。
次に、図7を用いて、ステレオ画像演算部250が有する機能について説明する。図7は、ステレオ画像演算部250が有する機能をブロックに分けて説明する機能ブロック図の一例である。ステレオ画像演算部250は画像データ取得部21、信号変換部22、反射信号取得部23、及び距離情報出力部24を有している。ステレオ画像演算部250が有する各機能は、ステレオ画像演算部250が有するCPUが、SSDからRAMに展開されたプログラムを実行することで実現される機能又は手段である。
続いて、図8、図9を用いて、学習時に使用される情報処理装置30について説明する。図8は情報処理装置30の概略斜視図である。情報処理装置30はHDD(Hard Disk Drive)等に学習データを記憶しており、学習データを学習して距離情報出力部24を構築する。
異なる形式の信号を単純に入力して学習しただけでは、下記の不都合が生じるおそれがある。
1. 入力データ同士の意味合いが異なることで、学習の収束(学習が完了するタイミング)が遅延する可能性がある
2. 1に加えて、学習が好適に進行しない(入力と出力の対応関係を学習できない)可能性がある
3. 深層学習は人間の認識を越える表現を獲得するため、内部がブラックボックスになるが、その「説明性(深層学習が出力した結果の判断根拠の説明)」をより複雑化し、より理解しづらいものとする。
図12は本実施例の測距装置100の全体構成図を示す。図11で説明したように、左カメラ111又は右カメラ112はx×yの二次元の画像データ13を出力し、レーザレーダ測距部120が出力した一次元の反射信号14は、x×zの二次元の強度データ12となる。二次元の画像データ13と強度データ12は、例えば、ニューラルネットワーク11(本実施例では距離情報出力部24がニューラルネットワーク11に基づく演算を行う)に入力され、高精度高密度距離画像を出力する。
機械学習には、教師あり学習、教師なし学習及び強化学習の3つの手法がある。本実施例では教師あり学習が使用される。また、教師あり学習のうち主に深層学習について説明する。なお、機械学習の手法には、パーセプトロン、ディープラーニング、サポートベクターマシン、ロジスティック回帰、ナイーブベイズ、決定木、ランダムフォレストなどがあり、本実施形態で説明する手法には限られない。
ニューラルネットワークは誤差逆伝播法と呼ばれる学習方法で学習される。学習の手順は以下のようになる。
S1.学習部42は出力層のδj (L)を求める(Lは出力層を表す)。δj (L)は損失関数Eをuj (L)で微分したものである。通常、δj (L)=zj−dj でよい。なお、djはj番目のノードの正解の画素値(本実施例では距離)である。
S2.学習部42は中間層l(=L−1、L−2、…2)のδj (l)を数3にしたがって求める。
図15は、情報処理装置30が距離情報出力部24を生成する手順を示すフローチャート図の一例である。
以上説明したように、本実施例の測距装置は、一次元の反射信号14を二次元の強度データ12に変換する。これにより、異なる形式の信号の次元数を一致させ、少なくとも1つの次元の各データがどの方向の距離を示すかを一致させる。二次元の画像データ13と一次元の反射信号14を二次元表現に統一することができ、学習の収束速度短縮、及び、学習確度の向上(入力に対する出力のより正確な対応付)が可能となる。
本実施例では畳み込み演算を行うためまず、畳み込み演算について補足する。ただし、実施例1においても畳み込み演算を適用できる。
したがって、チャネル数Kに関わらず、あるフィルタについて出力されるのは1チャネルとなる。uijcが得られたので、活性化関数f()で活性化してzijcを得る。この値が畳み込み層の出力であり、特徴画像90(feature map)となる。
図20は、測距装置100又は情報処理装置30が有する機能をブロックに分けて説明する機能ブロック図の一例である。まず、図20(a)は、ステレオ画像演算部250が有する機能をブロックに分けて説明する機能ブロック図の一例である。図20(a)の説明では主に図6との相違を説明する。本実施例のステレオ画像演算部250はフィルタ処理部25と積層部26を新たに有している。フィルタ処理部25は画像データに畳み込み演算を施し、特徴画像を生成すると共に特徴画像ブロックを生成する。積層部26は信号変換部22が変換した二次元の強度データ12をコピーして積層することで、強度データブロックを生成する。これらの詳細は後述する。
実施例1では、一次元の反射信号14を二次元の強度データ12に変換し、画像データと次元数を統一し、少なくとも1つの次元の距離が同じ方向の距離となるように強度データ12と画像データとを対応付けた。しかし、縦方向に関しては、画像データがy座標、強度データがz座標となり別の次元となっている。そこで、実施例2では、更に、強度データと画像データの縦方向のデータが何を表すかを対応させる。
図22は特徴画像ブロック91と強度データブロック94から距離画像を出力する測距装置100又は情報処理装置30の全体構成図である。図22(a)は畳み込み層92のフィルタも学習により最適化する場合の構成例である。左カメラ111又は右カメラ112が撮像する画像データ13は畳み込み層92(フィルタ処理部25)により特徴画像ブロック91に変換される。畳み込み層92は上記のように単一層のニューラルネットワークとして扱え、x×yの画像データ13の入力に対し、x×y×cの画像データ(特徴画像ブロック91)を出力する。x×y×cの特徴画像ブロック91がニューラルネットワーク11の入力層に入力される。
図23は、情報処理装置30が距離情報出力部24を生成する手順を示すフローチャート図の一例である。
以上説明したように、画像データから特徴画像ブロック91を生成し、強度データから強度データブロック94を生成することで、画像データと強度データのx、y軸のそれぞれで同じ軸が同じ方向の距離を表すように対応付けることができる。y軸の二軸分の対応が担保されるため、請求項1の効果に加え、より学習の収束速度短縮、及び、学習確度の向上に寄与する。
図25は情報処理装置30が有する機能をブロックに分けて説明する機能ブロック図の一例である。測距装置100の機能は図20(a)に示した機能ブロック図を援用できるものとして説明する。すなわち、学習後の構成は同じであり、学習の仕組みが異なっている。
実施例2により、二次元データのままでは縦方向の次元がどの距離を表すか一致しなかった2つの異なる形式の信号を、畳込み演算とy方向への積層を利用することで、縦方向の次元がどの距離を表すか一致させた。一方、実施例2により三次元のブロックを生成したが、ブロックの奥行方向の情報が、特徴画像ブロック91では特徴画像の数であるcだが、強度データブロック94では距離であるzであり、情報の不整合が生じていた。そこで、実施例3では、2つのブロックの奥行方向が表す情報も奥行き方向の距離に一致させる。
1[m]の距離値を持つ画素のみを残した距離ごとの正解距離画像97
2[m]の距離値を持つ画素のみを残した距離ごとの正解距離画像97
:
100[m]の距離値を持つ画素のみを残した距離ごとの正解距離画像97
をそれぞれ生成する。
1[m]に対応したフィルタで生成された特徴画像96と1[m]に距離分解された距離ごとの正解距離画像97の画素ごとの差の二乗和
2[m]に対応したフィルタで生成された特徴画像96と2[m]に距離分解された距離ごと正解距離画像97の画素ごとの差の二乗和
:
100[m]に対応したフィルタで生成された特徴画像と100[m]に距離分解された距離ごとの正解距離画像97の画素ごとの差の二乗和
を合計したものである。
Loss_all = αLoss1+βLoss2
αとβはLoss1とLoss2の重み付け係数である。固定値であっても、学習により獲得してもよい。
図27は特徴画像ブロック91と強度データブロック94から距離画像を出力する情報処理装置30の全体構成図である。なお、図27では学習時の構成を示している。特徴画像ブロック91が生成されるまでの処理は図22(a)と同様でよい。特徴画像ブロック91はニューラルネットワーク11に入力されると共に、畳み込み層95にも入力される。
Loss_allはδj (L)で表されるLoss1、及び、Loss1のjに対応する画素の特徴画像96と正解距離画像97との差異を全ての距離で合計したLoss2の重み付き加算和である。
図29は、情報処理装置30が距離情報出力部24を生成する手順を示すフローチャート図の一例である。
本実施例によれば、特徴画像ブロック91のc方向と強度データブロックのz方向が同じ奥行方向の距離を表すように損失関数(Loss_all)を設計し、特徴画像ブロック91の奥行方向のフィルタ数cと強度データブロック94のz軸が同じ方向の距離を表すように対応付けることができる。これにより、特徴画像ブロック91と強度データブロック94のx、y、z軸をそれぞれ対応付けることができる。x、y、zの3つの次元で対応が担保されるため、より学習の収束速度短縮、及び、学習確度の向上に寄与する。
図36は、測距装置100が搭載された車両140の構成例を示す。車両140はCAN(Controller Area Network)バスなどの車載ネットワークNWを介して通信するカーナビゲーションシステム1100、エンジンECU(Electronic Control Unit)1200、表示システム1000、ブレーキECU1300、ステアリングECU1400、及び測距装置100を有している。
以上、本発明を実施するための最良の形態について実施例を用いて説明したが、本発明はこうした実施例に何等限定されるものではなく、本発明の要旨を逸脱しない範囲内において種々の変形及び置換を加えることができる。
100 測距装置
Claims (18)
- 形式が異なる複数の信号に基づいて物体までの距離を測定する測距装置において、
物体までの距離に関する第二の信号の形式を、画像に関する第一の信号の形式に合わせる信号変換部と、
前記第一の信号及び前記信号変換部により形式が合わせられた前記第二の信号に基づいて距離情報を出力する距離情報出力部と、を有し、
前記信号変換部は、前記第一の信号が有する複数次元の方向の長さ情報と、形式が合わせられた前記第二の信号が有する複数次元の方向の長さ情報のうち、少なくとも一つの次元の方向の長さ情報が同じ方向の長さ情報を表すように変換することを特徴とする測距装置。 - 前記第一の信号は画像データであり、
前記第二の信号は物体までの距離を表す一次元のデータであり、
前記信号変換部は、一次元の前記第二の信号の次元数を二次元の前記第一の信号の次元数に合わせることを特徴とする請求項1に記載の測距装置。 - 前記信号変換部は、一次元の前記第二の信号が有する物体までの距離を二次元のうち高さ方向に、物体を水平に走査した場合の走査位置を二次元のうち横方向に、それぞれ対応させ、高さ方向と横方向に対応づけて前記第二の信号の強度を配置することを特徴とする請求項2に記載の測距装置。
- 前記信号変換部は、前記画像データのx軸と二次元に変換された前記第二の信号の横方向が水平方向の長さ情報を表すか、又は、前記画像データのy軸と二次元に変換された前記第二の信号の縦方向が高さ方向の長さ情報を表すように変換することを特徴とする請求項3に記載の測距装置。
- 前記距離情報出力部は、
前記信号変換部により形式が合わせられた前記第二の信号及び前記第一の信号と、予め用意された距離情報とを対応付けるパラメータを有し、
前記信号変換部により形式が合わせられた前記第二の信号及び前記第一の信号が入力されると、前記パラメータに基づいて前記距離情報を出力することを特徴とする請求項1〜4のいずれか1項に記載の測距装置。 - 前記パラメータは深層学習により生成されたものであり、
前記距離情報出力部は、横方向がx軸で高さ方向がy軸の二次元の画像データと、横方向がx軸(又はz軸)で高さ方向がz軸(又はy軸)の二次元に変換された前記第二の信号の強度を、距離情報に変換することを特徴とする請求項5に記載の測距装置。 - 前記画像データにフィルタ処理を施して特徴が抽出されたc個の特徴画像を生成するフィルタ処理部と、
前記信号変換部が二次元に変換した、横方向がx軸で高さ方向がz軸の二次元の強度データの横方向を前記画像データのx軸、高さ方向を前記画像データのy軸と対応させ、
前記c個の特徴画像が重ねて配置された奥行き方向と、前記二次元の強度データのz軸とが対応するように前記二次元の強度を積層する積層部と、
を有することを特徴とする請求項6に記載の測距装置。 - 前記距離情報出力部は、
横方向がx軸で高さ方向がy軸のc個の二次元の画像データが奥行き方向に配置された特徴画像、及び、横方向がx軸で高さ方向がy軸で奥行き方向がz軸の強度データと、予め用意された距離情報とを対応付けるパラメータを有し、
横方向がx軸で高さ方向がy軸のc個の二次元の画像データが奥行き方向に配置された特徴画像、及び、横方向がx軸で高さ方向がy軸で奥行き方向がz軸の強度データが入力されると、前記パラメータに基づいて前記距離情報を出力することを特徴とする請求項7に記載の測距装置。 - 前記距離情報出力部は、
前記画像データ及び横方向がx軸で高さ方向がy軸で奥行き方向がz軸の強度データと、予め用意された距離情報とを対応付けるパラメータを有し、
前記画像データ及び横方向がx軸で高さ方向がy軸で奥行き方向がz軸の強度データが入力されると、前記パラメータに基づいて前記距離情報を出力することを特徴とする請求項7に記載の測距装置。 - 前記距離情報出力部は、
前記画像データ、及び、横方向がx軸で高さ方向がy軸で奥行き方向がz軸の強度データと、予め用意された距離情報とを対応付けるパラメータを有し、
前記パラメータは、
前記画像データ及び横方向がx軸で高さ方向がy軸で奥行き方向がz軸の強度データの入力に対し前記パラメータに基づいて出力された前記距離情報と、予め用意された距離情報との第一の差異、及び、
前記c個の特徴画像が距離ごとに抽出された特徴画像と、予め用意された距離情報から前記特徴画像を抽出した距離ごとに抽出された距離情報との第二の差異、
との重み付け加算和に基づいて機械学習により学習されたものであることを特徴とする請求項7に記載の測距装置。 - 前記パラメータが深層学習により生成されることで、
前記距離情報出力部に、横方向がx軸で高さ方向がy軸のc個の特徴画像が奥行き方向に配置された特徴画像ブロック、及び、横方向がx軸で高さ方向がy軸で奥行き方向がz軸の強度データブロックが入力された場合、
前記特徴画像ブロックの前記奥行き方向と、前記強度データブロックのz軸が示す奥行き方向の距離とが対応付けられることを特徴とする請求項10に記載の測距装置。 - 形式が異なる複数の信号と物体までの距離情報との対応を学習する情報処理装置において、
物体までの距離に関する第二の信号の形式を、画像に関する第一の信号の形式に合わせる信号変換部と、
前記第一の信号及び前記信号変換部により形式が合わせられた前記第二の信号がネットワークに入力した場合に得られる出力と、予め用意された距離情報との差異に応じて前記ネットワークのパラメータを更新する学習部と、を有し
前記信号変換部は、前記第一の信号が有する複数次元の方向の長さ情報と、形式が合わせられた前記第二の信号が有する複数次元の方向の長さ情報のうち、少なくとも一つの次元の方向の長さ情報が同じ方向の長さ情報を表すように変換することを特徴とする情報処理装置。 - 前記第一の信号は画像データであり、
前記第二の信号は物体までの距離を表す一次元のデータであり、
前記学習部は、
前記画像データにフィルタ処理を施して特徴が抽出されたc個の特徴画像を生成するフィルタ処理部と、
前記信号変換部が二次元に変換した、横方向がx軸で高さ方向がz軸の二次元の強度データの横方向を前記画像データのx軸、高さ方向を前記画像データのy軸と対応させ、
前記c個の特徴画像が重ねて配置された奥行き方向と、前記二次元の強度データのz軸とが対応するように前記二次元の強度を積層する積層部と、を有し、
横方向がx軸で高さ方向がy軸のc個の特徴画像が奥行き方向に配置された特徴画像ブロック、及び、横方向がx軸で高さ方向がy軸で奥行き方向がz軸の強度データブロックがネットワークに入力して得られる出力と、予め用意された距離情報との差異に応じて前記ネットワークのパラメータを更新することを特徴とする請求項12に記載の情報処理装置。 - 前記学習部は、
前記画像データ及び横方向がx軸で高さ方向がy軸で奥行き方向がz軸の強度データの入力に対し前記パラメータに基づいて出力された前記距離情報と、予め用意された距離情報との第一の差異、及び、
前記c個の特徴画像が距離ごとに抽出された特徴画像と、予め用意された距離情報から前記特徴画像を抽出した距離ごとに抽出された距離情報との第二の差異、
との重み付け加算和に基づいて前記ネットワークのパラメータを更新することを特徴とする請求項13に記載の情報処理装置。 - 形式が異なる複数の信号に基づいて物体までの距離を測定する測距装置が行う測距方法において、
信号変換部が、物体までの距離に関する第二の信号の形式を、画像に関する第一の信号の形式に合わせる第一のステップと、
距離情報出力部が、前記第一の信号及び前記信号変換部により形式が合わせられた前記第二の信号に基づいて距離情報を出力する第二のステップと、を有し、
前記第一のステップにおいて、前記信号変換部は、前記第一の信号が有する複数次元の方向の長さ情報と、形式が合わせられた前記第二の信号が有する複数次元の方向の長さ情報のうち、少なくとも一つの次元の方向の長さ情報が同じ方向の長さ情報を表すように変換することを特徴とする測距方法。 - 形式が異なる複数の信号に基づいて物体までの距離を測定する車載装置において、
物体までの距離に関する第二の信号の形式を、画像に関する第一の信号の形式に合わせる信号変換部と、
前記第一の信号及び前記信号変換部により形式が合わせられた前記第二の信号に基づいて距離情報を出力する距離情報出力部と、を有し、
前記信号変換部は、前記第一の信号が有する複数次元の方向の長さ情報と、形式が合わせられた前記第二の信号が有する複数次元の方向の長さ情報のうち、少なくとも一つの次元の方向の長さ情報が同じ方向の長さ情報を表すように変換し、
前記距離情報を移動体の制御ユニットに送出する車載装置。 - 請求項16に記載された車載装置を有する移動体。
- 形式が異なる複数の信号に基づいて物体までの距離を測定する測距システムにおいて、
物体までの距離に関する第二の信号の形式を、画像に関する第一の信号の形式に合わせる信号変換部と、
前記第一の信号及び前記信号変換部により形式が合わせられた前記第二の信号に基づいて距離情報を出力する距離情報出力部と、を有し、
前記信号変換部は、前記第一の信号が有する複数次元の方向の長さ情報と、形式が合わせられた前記第二の信号が有する複数次元の方向の長さ情報のうち、少なくとも一つの次元の方向の長さ情報が同じ方向の長さ情報を表すように変換することを特徴とする測距システム。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019127163A JP7298350B2 (ja) | 2019-07-08 | 2019-07-08 | 測距装置、情報処理装置、測距方法、車載装置、移動体、測距システム |
EP20179425.2A EP3764124A1 (en) | 2019-07-08 | 2020-06-11 | Distance measuring apparatus, method for measuring distance, on-vehicle apparatus, and mobile object |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019127163A JP7298350B2 (ja) | 2019-07-08 | 2019-07-08 | 測距装置、情報処理装置、測距方法、車載装置、移動体、測距システム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021012133A true JP2021012133A (ja) | 2021-02-04 |
JP7298350B2 JP7298350B2 (ja) | 2023-06-27 |
Family
ID=71092362
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019127163A Active JP7298350B2 (ja) | 2019-07-08 | 2019-07-08 | 測距装置、情報処理装置、測距方法、車載装置、移動体、測距システム |
Country Status (2)
Country | Link |
---|---|
EP (1) | EP3764124A1 (ja) |
JP (1) | JP7298350B2 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023149089A1 (ja) * | 2022-02-01 | 2023-08-10 | ソニーセミコンダクタソリューションズ株式会社 | 学習装置、学習方法及び学習プログラム |
WO2024062874A1 (ja) * | 2022-09-20 | 2024-03-28 | ソニーセミコンダクタソリューションズ株式会社 | 情報処理装置、情報処理方法、プログラム |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114280566B (zh) * | 2021-11-30 | 2023-05-23 | 电子科技大学 | 一种类标签关联一维距离像识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003139858A (ja) * | 2001-11-02 | 2003-05-14 | Fuji Heavy Ind Ltd | 車外監視装置 |
JP2011099683A (ja) * | 2009-11-04 | 2011-05-19 | Hitachi Automotive Systems Ltd | 物体検出装置 |
JP2015175644A (ja) * | 2014-03-13 | 2015-10-05 | 株式会社リコー | 測距システム、情報処理装置、情報処理方法及びプログラム |
US20190004533A1 (en) * | 2017-07-03 | 2019-01-03 | Baidu Usa Llc | High resolution 3d point clouds generation from downsampled low resolution lidar 3d point clouds and camera images |
US20190197667A1 (en) * | 2017-12-26 | 2019-06-27 | Facebook, Inc. | Computing high-resolution depth images using machine learning techniques |
JP2019109219A (ja) * | 2017-10-27 | 2019-07-04 | バイドゥ ユーエスエー エルエルシーBaidu USA LLC | ダイクロイックミラーを使用する、自律走行車のための3d−lidarシステム |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6476831B2 (ja) | 2013-12-26 | 2019-03-06 | 株式会社リコー | 視差演算システム、情報処理装置、情報処理方法及びプログラム |
US11276189B2 (en) * | 2019-03-06 | 2022-03-15 | Qualcomm Incorporated | Radar-aided single image three-dimensional depth reconstruction |
-
2019
- 2019-07-08 JP JP2019127163A patent/JP7298350B2/ja active Active
-
2020
- 2020-06-11 EP EP20179425.2A patent/EP3764124A1/en active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003139858A (ja) * | 2001-11-02 | 2003-05-14 | Fuji Heavy Ind Ltd | 車外監視装置 |
JP2011099683A (ja) * | 2009-11-04 | 2011-05-19 | Hitachi Automotive Systems Ltd | 物体検出装置 |
JP2015175644A (ja) * | 2014-03-13 | 2015-10-05 | 株式会社リコー | 測距システム、情報処理装置、情報処理方法及びプログラム |
US20190004533A1 (en) * | 2017-07-03 | 2019-01-03 | Baidu Usa Llc | High resolution 3d point clouds generation from downsampled low resolution lidar 3d point clouds and camera images |
JP2019109219A (ja) * | 2017-10-27 | 2019-07-04 | バイドゥ ユーエスエー エルエルシーBaidu USA LLC | ダイクロイックミラーを使用する、自律走行車のための3d−lidarシステム |
US20190197667A1 (en) * | 2017-12-26 | 2019-06-27 | Facebook, Inc. | Computing high-resolution depth images using machine learning techniques |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023149089A1 (ja) * | 2022-02-01 | 2023-08-10 | ソニーセミコンダクタソリューションズ株式会社 | 学習装置、学習方法及び学習プログラム |
WO2024062874A1 (ja) * | 2022-09-20 | 2024-03-28 | ソニーセミコンダクタソリューションズ株式会社 | 情報処理装置、情報処理方法、プログラム |
Also Published As
Publication number | Publication date |
---|---|
EP3764124A1 (en) | 2021-01-13 |
JP7298350B2 (ja) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113366496B (zh) | 用于粗略和精细对象分类的神经网络 | |
JP6984215B2 (ja) | 信号処理装置、および信号処理方法、プログラム、並びに移動体 | |
EP3405845B1 (en) | Object-focused active three-dimensional reconstruction | |
US11465633B2 (en) | Method and system for generating predicted occupancy grid maps | |
US11361449B2 (en) | Neural network for object detection and tracking | |
JP7239703B2 (ja) | 領域外コンテキストを用いたオブジェクト分類 | |
JP2019512802A (ja) | 3dポイントクラウドの処理方法 | |
JP7298350B2 (ja) | 測距装置、情報処理装置、測距方法、車載装置、移動体、測距システム | |
US11827214B2 (en) | Machine-learning based system for path and/or motion planning and method of training the same | |
CN109307869A (zh) | 用于增加激光雷达探测器的视场的设备和照明装置 | |
CN110936959B (zh) | 车辆感知系统在线诊断和预测 | |
US11745652B2 (en) | Device and method for controlling sound signal of vehicle, and device of outputting sound signal | |
CN116504053A (zh) | 传感器融合 | |
CN115273002A (zh) | 一种图像处理方法、装置、存储介质及计算机程序产品 | |
US20220237921A1 (en) | Outside environment recognition device | |
JP2021160531A (ja) | 車両制御装置、車両制御方法、及びプログラム | |
JP7028838B2 (ja) | 周辺認識装置、周辺認識方法、およびプログラム | |
US20240092365A1 (en) | Estimation device, estimation method, and program | |
US11443184B2 (en) | Methods and systems for predicting a trajectory of a road agent based on an intermediate space | |
US20240094345A1 (en) | Method for extending the effective range of a sensor and a corresponding sensor system | |
US20230230257A1 (en) | Systems and methods for improved three-dimensional data association using information from two-dimensional images | |
US20240161398A1 (en) | Late-to-early temporal fusion for point clouds | |
US20220237899A1 (en) | Outside environment recognition device | |
CN114581865A (zh) | 深度神经网络中的置信度测量 | |
CN114839628A (zh) | 利用多个距离和分辨率的物体检测 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220518 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230125 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230221 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230322 |
|
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: 20230516 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230529 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 7298350 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |