障碍物识别模型训练方法、障碍物识别方法、装置及系统

摘要

本申请实施例提供了一种障碍物识别模型训练方法、障碍物识别方法、相关装置、系统及计算机可读存储介质。其中，该障碍物识别模型训练方法包括：对至少一帧点云数据进行处理，得到远场潜在障碍物对应的点云数据；将至少一帧点云数据中相应的远场潜在障碍物进行匹配，生成远场潜在障碍物对应的跟踪序列；根据远场潜在障碍物对应的跟踪序列确定车流区域；将车流区域进行栅格化处理，并确定各个栅格对应的车流信息与点云信息；获取各个栅格对应的标记信息；将多组栅格对应的标记信息及栅格对应的点云信息与车流信息作为样本数据，训练障碍物识别模型。采用本申请实施例可以提升远场潜在障碍物的检测效果。

权利要求

1.一种障碍物识别模型训练方法，其特征在于，包括：对至少一帧点云数据进行处理，得到远场潜在障碍物对应的点云数据；所述远场潜在障碍物为预设范围外的障碍物；

获取所述远场潜在障碍物的跟踪信息，根据所述远场潜在障碍物的跟踪信息生成跟踪序列；

根据所述远场潜在障碍物的跟踪序列确定车流区域；

将所述车流区域进行栅格化处理，并确定各个栅格对应的车流信息与点云信息；所述车流信息根据所述栅格对应的所述远场潜在障碍物的运动特征得到，所述点云信息根据所述栅格对应的点云数据得到；

获取各个所述栅格对应的标记信息；

将多组所述栅格对应的标记信息及所述栅格对应的点云信息与车流信息作为样本数据，训练障碍物识别模型。

2.如权利要求1所述的方法，其特征在于，所述对至少一帧点云数据进行处理，得到远场潜在障碍物对应的点云数据，包括：确定可行驶区域；

对至少一帧点云数据进行处理，得到所述可行驶区域内的远场潜在障碍物对应的点云数据。

3.如权利要求2所述的方法，其特征在于，所述点云数据包括距离信息；

所述对至少一帧点云数据进行处理，得到所述可行驶区域内的远场潜在障碍物对应的点云数据，包括：

根据所述点云数据的距离信息，确定所述至少一帧点云数据中的远场点云数据；

根据所述可行驶区域对所述至少一帧点云数据中的远场点云数据进行过滤，得到所述可行驶区域中的远场点云数据；

对可行驶区域中的所述远场点云数据进行聚类处理，确定所述可行驶区域内的远场潜在障碍物对应的点云数据。

4.如权利要求1所述的方法，其特征在于，所述栅格对应的车流信息为所述栅格对应的点云数据中包含的远场潜在障碍物的运动特征；所述栅格对应的点云信息包括以下至少一项：点云的高度、点云的反射强度、点云的数量。

5.如权利要求1所述的方法，其特征在于，所述标记信息为背景或障碍物名称。

6.一种障碍物识别方法，其特征在于，包括：对至少一帧点云数据进行处理，得到远场潜在障碍物对应的点云数据；所述远场潜在障碍物为预设范围外的障碍物；

获取所述远场潜在障碍物的跟踪信息，根据所述远场潜在障碍物的跟踪信息生成跟踪序列；

根据所述远场潜在障碍物的跟踪序列确定车流区域；

将所述车流区域进行栅格化处理，并确定各个栅格对应的车流信息与点云信息；所述车流信息根据所述栅格对应的所述远场潜在障碍物的运动特征得到，所述点云信息根据所述栅格对应的点云数据得到；

将各个所述栅格对应的所述车流信息及点云信息输入到障碍物识别模型中，输出识别结果；所述障碍物识别模型为权利要求1‑5任一项所述的障碍物识别模型。

7.一种历史数据处理装置，其特征在于，包括：处理模块，用于对至少一帧点云数据进行处理，得到远场潜在障碍物对应的点云数据；

所述远场潜在障碍物为预设范围外的障碍物；

获取模块，用于获取所述远场潜在障碍物的跟踪信息，根据所述远场潜在障碍物的跟踪信息生成跟踪序列；

确定模块，用于根据所述远场潜在障碍物的跟踪序列确定车流区域；

栅格化模块，用于将所述车流区域进行栅格化处理，并确定各个栅格对应的车流信息与点云信息；所述车流信息根据所述栅格对应的所述远场潜在障碍物的运动特征得到，所述点云信息根据所述栅格对应的点云数据得到；

标记模块，用于获取各个所述栅格对应的标记信息；

训练模块，用于将多组所述栅格对应的标记信息及所述栅格对应的点云信息与车流信息作为样本数据，训练障碍物识别模型。

8.一种历史数据处理装置，其特征在于，包括：处理模块，用于对至少一帧点云数据进行处理，得到远场潜在障碍物对应的点云数据；

所述远场潜在障碍物为预设范围外的障碍物；

获取模块，用于获取所述远场潜在障碍物的跟踪信息，根据所述远场潜在障碍物的跟踪信息生成跟踪序列；

确定模块，用于根据所述远场潜在障碍物的跟踪序列确定车流区域；

栅格化模块，用于将所述车流区域进行栅格化处理，并确定各个栅格对应的车流信息与点云信息；所述车流信息根据所述栅格对应的所述远场潜在障碍物的运动特征得到，所述点云信息根据所述栅格对应的点云数据得到；

识别模块，用于将各个所述栅格对应的点云数据与所述车流信息及点云信息输入到障碍物识别模型中，输出识别结果；所述障碍物识别模型为权利要求1‑5任一项所述的障碍物识别模型。

9.一种障碍物识别系统，其特征在于，包括：感知传感装置，用于采集点云数据，并传输给历史数据处理装置及车载终端；

所述历史数据处理装置，用于对所述感知传感装置传输的点云数据或存储的历史点云数据进行处理，得到远场潜在障碍物的识别模型；

所述车载终端，用于接收所述感知传感装置传输的点云数据，进行近场障碍物的识别及远场点云的裁切，并对所述远场点云进行处理得到远场潜在障碍物的跟踪序列及车流区域，将所述车流区域进行栅格化处理，并确定各个栅格对应的车流信息与点云信息；

所述车载终端，还用于将所述各个栅格对应的车流信息与点云信息发送给所述历史数据处理装置；

所述历史数据处理装置，还用于采用所述远场潜在障碍物的识别模型得到远场潜在障碍物的识别结果，并将所述远场潜在障碍物的识别结果发送给所述车载终端；

所述车载终端，还用于结合近场障碍物的识别结果及所述远场潜在障碍物的识别结果，输出车辆的控制指令。

10.一种计算机可读存储介质，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如权利要求1‑6任一项所述的方法。

说明书

障碍物识别模型训练方法、障碍物识别方法、装置及系统

技术领域

[0001] 本申请涉及自动驾驶技术领域，尤其涉及一种障碍物识别模型训练方法、障碍物识别方法、装置及系统。

背景技术

[0002] 在自动驾驶领域，障碍物检测的准确率是进行无人驾驶的关键，具有重要的意义。激光雷达能够产生三维信息，测距精度高，可以精确获得目标位置，能够有效提升障碍物的
检测效果。因而，激光雷达在无人驾驶中被广泛应用。

[0003] 在无人驾驶中，为了提升系统的安全性，提升障碍物的检测准确率及进一步扩展检测范围变得越来越重要。

发明内容

[0004] 本申请实施例提供了一种障碍物识别模型训练方法、障碍物识别方法、装置及系统，可以提升远场的障碍物检测的准确性，并扩大障碍物的检测范围。

[0005] 第一方面，本申请实施例提供了一种障碍物识别模型训练方法，包括：

[0006] 对至少一帧点云数据进行处理，得到远场潜在障碍物对应的点云数据；所述远场潜在障碍物为预设范围外的障碍物；

[0007] 获取所述远场潜在障碍物的跟踪信息，根据所述远场潜在障碍物的跟踪信息生成跟踪序列；

[0008] 将所述至少一帧点云数据中相应的所述远场潜在障碍物进行匹配，生成所述远场潜在障碍物对应的跟踪序列；

[0009] 根据所述远场潜在障碍物对应的跟踪序列确定车流区域；

[0010] 将所述车流区域进行栅格化处理，并确定各个栅格对应的车流信息与点云信息；所述车流信息根据所述栅格对应的所述远场潜在障碍物的运动特征得到，所述点云信息根
据所述栅格对应的点云数据得到；

[0011] 获取各个所述栅格对应的标记信息；

[0012] 将多组所述栅格对应的标记信息及所述栅格对应的点云信息与车流信息作为样本数据，训练障碍物识别模型。

[0013] 第二方面，本申请实施例提供了一种障碍物识别方法，包括：

[0014] 对至少一帧点云数据进行处理，得到远场潜在障碍物对应的点云数据；所述远场潜在障碍物为预设范围外的障碍物；

[0015] 获取所述远场潜在障碍物的跟踪信息，根据所述远场潜在障碍物的跟踪信息生成跟踪序列；

[0016] 根据所述远场潜在障碍物的跟踪序列确定车流区域；

[0017] 将所述车流区域进行栅格化处理，并确定各个栅格对应的车流信息与点云信息；所述车流信息根据所述栅格对应的所述远场潜在障碍物的运动特征得到，所述点云信息根
据所述栅格对应的点云数据得到；

[0018] 将各个所述栅格对应的所述车流信息及点云信息输入到障碍物识别模型中，输出识别结果；所述障碍物识别模型为本申请第一方面中提供的障碍物识别模型。

[0019] 第三方面，本申请实施例提供了一种历史数据处理装置，包括：

[0020] 处理模块，用于对至少一帧点云数据进行处理，得到远场潜在障碍物对应的点云数据；所述远场潜在障碍物为预设范围外的障碍物；

[0021] 获取模块，用于获取所述远场潜在障碍物的跟踪信息，根据所述远场潜在障碍物的跟踪信息生成跟踪序列；

[0022] 确定模块，用于根据所述远场潜在障碍物的跟踪序列确定车流区域；

[0023] 栅格化模块，用于将所述车流区域进行栅格化处理，并确定各个栅格对应的车流信息与点云信息；所述车流信息根据所述栅格对应的所述远场潜在障碍物的运动特征得
到，所述点云信息根据所述栅格对应的点云数据得到；

[0024] 标记模块，用于获取各个所述栅格对应的标记信息；

[0025] 训练模块，用于将多组所述栅格对应的标记信息及所述栅格对应的点云信息与车流信息作为样本数据，训练障碍物识别模型。

[0026] 第四方面，本申请实施例提供了一种历史数据处理装置，包括：

[0027] 处理模块，用于对至少一帧点云数据进行处理，得到远场潜在障碍物对应的点云数据；所述远场潜在障碍物为预设范围外的障碍物；

[0028] 获取模块，用于获取所述远场潜在障碍物的跟踪信息，根据所述远场潜在障碍物的跟踪信息生成跟踪序列；

[0029] 确定模块，用于根据所述远场潜在障碍物对应的跟踪序列确定车流区域；

[0030] 栅格化模块，用于将所述车流区域进行栅格化处理，并确定各个栅格对应的车流信息与点云信息；所述车流信息根据所述栅格对应的所述远场潜在障碍物的运动特征得
到，所述点云信息根据所述栅格对应的点云数据得到；

[0031] 识别模块，用于将各个所述栅格对应的点云数据与所述车流信息及点云信息输入到障碍物识别模型中，输出识别结果；所述障碍物识别模型为本申请第一方面中提供的障
碍物识别模型。

[0032] 第五方面，本申请实施例提供了一种障碍物识别系统，包括：

[0033] 感知传感装置，用于采集点云数据，并传输给历史数据处理装置及车载终端；

[0034] 所述历史数据处理装置，用于对所述感知传感装置传输的点云数据或存储的历史点云数据进行处理，得到远场潜在障碍物的识别模型；

[0035] 所述车载终端，用于接收所述感知传感装置传输的点云数据，进行近场障碍物的识别及远场点云的裁切，并对所述远场点云进行处理得到远场潜在障碍物的跟踪序列及车
流区域，将所述车流区域进行栅格化处理，并确定各个栅格对应的车流信息与点云信息；

[0036] 所述车载终端，还用于将所述各个栅格对应的车流信息与点云信息发送给所述历史数据处理装置；

[0037] 所述历史数据处理装置，还用于采用所述远场潜在障碍物的识别模型得到远场潜在障碍物的识别结果，并将所述远场潜在障碍物的识别结果发送给所述车载终端；

[0038] 所述车载终端，还用于结合近场障碍物的识别结果及所述远场潜在障碍物的识别结果，输出车辆的控制指令。

[0039] 第六方面，本申请实施例提供了一种计算机可读存储介质，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本申请实施例第一方面或第二方面
提供的方法。

[0040] 本申请一些实施例提供的技术方案带来的有益效果至少包括：

[0041] 在本申请一个或多个实施例中，可以通过对点云数据进行远场裁切后获得远场潜在障碍物对应的点云数据，根据点云数据确定车流区域，将车流区域进行栅格化处理，获取
各个栅格对应的车流信息及点云信息。同时还获取各个栅格对应的标记信息。通过大量的
已知标记信息的栅格的车流信息及点云信息训练模型，可以得到障碍物识别模型。使用该
障碍物识别模型可以提高远场潜在障碍物检测的准确性及检测范围。在自动驾驶的场景
下，可以提升系统的安全性。

附图说明

[0042] 为了更清楚地说明本申请实施例中的技术方案，下面将对实施例中所需使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域
普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

[0043] 图1为本申请实施例提供的一种障碍物识别的应用场景示意图；

[0044] 图2A为本申请实施例提供的一种自动驾驶车辆的结构示意图；

[0045] 图2B为本申请实施例提供的另外一种自动驾驶车辆的结构示意图；

[0046] 图3为本申请实施例提供的一种障碍物识别系统的架构示意图；

[0047] 图4为本申请实施例提供的一种障碍物识别模型训练方法的流程示意图；

[0048] 图5为本申请实施例提供的另外一种障碍物识别模型训练方法的流程示意图；

[0049] 图6为本申请实施例提供的一种障碍物识别方法的流程示意图；

[0050] 图7为本申请实施例提供的一种历史数据处理装置的结构示意图；

[0051] 图8为本申请实施例提供的一种历史数据处理装置的流程示意图；

[0052] 图9为本申请实施例提供的另外一种历史数据处理装置的结构示意图；

[0053] 图10为本申请实施例提供的另外一种历史数据处理装置的结构示意图。

具体实施方式

[0054] 下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。

[0055] 本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变
形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或
设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选
地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。对于本领域的普通技术
人员而言，可以具体情况理解上述术语在本申请中的具体含义。此外，在本申请的描述中，
除非另有说明，“多个”是指两个或两个以上。“和/或”，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。字符“/”一般表示前后关联对象是一种“或”的关系。

[0056] 图1示例性示出了本申请实施例提供的一种障碍物识别的应用场景示意图。

[0057] 如图1所示，自动驾驶的车辆10以平均速度V1行驶在马路上，该车辆10的前方有车辆以V2的速度行驶，以及对面有车辆以V3的速度行驶，且路边有行人以V4的速度走来。马路
两边有树木、建筑物等固定不动的物体。本申请实施例中，可以将移动的车辆及行人看作是
车辆10周围的移动的障碍物，可以将树木和建筑物等固定不动的物体看作是静止的障碍
物。可以知道，以机械式激光雷达为例，机械式激光雷达的检测范围通常是以该激光雷达为
圆心，半径为R的范围。图1中示例性示出了位于车辆10右前角落的机械式激光雷达检测范
围。其检测范围如图中灰色圆圈覆盖的范围。

[0058] 本申请中的自动驾驶的车辆10可包括感知传感装置及车载终端。感知传感装置包括一个或者多个激光雷达，当感知传感装置包括多个激光雷达时，多个激光雷达可以组成
一个激光雷达系统。其中，激光雷达通常可设置在车辆的四个角落、车头、车尾、车门、车顶
附近等，本申请不对激光雷达的设置位置进行限定。图2A示例性示出了一种激光雷达系统，
该激光雷达系统由三个激光雷达组成，三个激光雷达分别设置在车辆10的车顶（101）及车
顶的两侧（102、103）。如图2B示例性示出了另外一种激光雷达系统，该激光雷达系统由五个
激光雷达组成，五个激光雷达分别设置在车辆10的车顶（1031）、车身两侧（1032、1033）车头
（1034）、车尾（1035）。其中，可以理解的是，激光雷达系统还可以包括更多或更少数量的激
光雷达，同时激光雷达系统中各个激光雷达的位置也可以分布在车辆的其他位置，本申请
对此不作限制。

[0059] 以下为以图2A示出的激光雷达系统为例，激光雷达（101、102及103）可用于采集其辐射范围内（车辆周围）的点云数据，并将点云数据发送给车载终端。其中，车顶的激光雷达
101可以用于探测较远距离范围内的障碍物；位于车顶的两侧的激光雷达102及103可以用
于探测靠近车体附近地面范围内的障碍物。车载终端可对激光雷达（101、102及103）发送的
点云数据进行处理，进行障碍物识别。

[0060] 由于现有技术中，通常采用机器学习的方法进行障碍物的识别，而机器学习方法对于采集的点云的稠密程度要求比较高，若点云相对稀疏则无法进行障碍物的准确识别，
这样激光雷达或激光雷达系统的探测精度及探测范围都会受到影响。

[0061] 图3示例性示出了本申请实施例提供的一种障碍物识别系统的结构示意图。如图3所示，障碍物识别系统300至少可以包括：历史数据处理装置310、感知传感装置320及车载
终端330。

[0062] 其中：历史数据处理装置310，用于对对接收到的感知传感装置320传输的点云数据或存储的大量的历史点云数据进行处理，得到远场潜在障碍物的识别模型。

[0063] 车载终端330用于接收感知传感装置320实时采集的点云数据，进行近场障碍物的识别及远场点云的裁切，并对远场点云进行处理得到远场潜在障碍物的跟踪序列及车流区
域，将所述车流区域进行栅格化处理，并确定各个栅格对应的车流信息与点云信息。

[0064] 车载终端330将各个栅格对应的车流信息与点云信息传输给历史数据处理装置310，通过历史数据处理装置310训练的远场潜在障碍物识别模型得到远场潜在障碍物的识
别结果。

[0065] 历史数据处理装置310将所述识别结果输出给车载终端330，车载终端330汇总近场障碍物的识别结果和远场潜在障碍物的识别结果，车载终端330根据障碍物的识别结果
输出车辆的控制指令。

[0066] 其中，可以理解的是，所述激光雷达可以为机械式激光雷达、固态激光雷达等，这里不对激光雷达的具体类型进行限制；或者所述感知传感装置320也可以为多个激光雷达
组成的激光雷达系统，此处不对所述激光雷达系统中激光雷达的组成数量及激光雷达系统
的具体形式进行限制。

[0067] 其中，可以理解的是，所述历史数据处理装置310可以部分或全部集成于所述感知传感装置320中，也可以独立于感知传感装置320存在。当历史数据处理装置310集成于感知
传感装置320中时，历史数据处理装置310可以用于存储感知传感装置320采集的前N帧点云
数据，将前N帧点云数据作为历史数据训练障碍物识别模型，进一步地还可以采用历史数据
验证障碍物识别模型输出结果的准确性。

[0068] 可选的，所述历史数据处理装置310也可以部分或者全部集成于车载终端330中。

[0069] 其中，可以理解的是，若所述感知传感装置320为激光雷达系统时，所述历史数据处理装置310可以为一个（即激光雷达系统对应一个历史数据处理装置310），可选的，所述
历史数据处理装置310也可以为多个（即所述激光雷达系统每个激光雷达对应一个历史数
据处理装置310，或者多个激光雷达对应至少两个历史数据处理装置310）。

[0070] 下面结合具体的实施例对本申请实施例提供的障碍物识别模型训练方法进行详细介绍。该方法可依赖于计算机程序实现。该计算机程序可集成在应用中，也可作为独立的
工具类应用运行。

[0071] 图4示例性示出了一种障碍物识别模型训练方法的流程示意图。障碍物识别模型训练方法可由上述历史数据处理装置310执行。如图4所示，障碍物识别模型训练方法至少
可以包括以下几个步骤：

[0072] S401：对至少一帧点云数据进行处理，得到远场潜在障碍物对应的点云数据。

[0073] 具体地，识别上述至少一帧点云数据中的近场可信障碍物，再根据近场可信障碍物的识别结果，确定远场潜在障碍物对应的点云数据。

[0074] 其中，以机械式激光雷达为例，近场识别范围是以激光雷达为圆心，识别距离为半径围成的圆的面积。可以理解的是，所述识别近场范围的确定主要取决于点云的疏密程度，
不同线束的激光雷达对应的近场范围不同，近场范围的确定可以为预先设定，举例来说，32
线的机械式激光雷达的近场识别范围可以设定为以雷达为圆心，以60米为半径所围成的圆
的面积；再比如，128线的激光雷达近场识别范围可以设定为以激光雷达为圆心，以100米为
半径所围成的圆的面积。其他线束的机械式激光雷达可以设定为扫描半径为60米到100米
之间。

[0075] 可以理解的是，作为一种可选的实施方式，可以根据近场障碍物识别结果的准确率对所述近场识别范围进行调整，举例来说，可以预先设定一个近场识别障碍物准确率阈
值，当实时识别准确率达到阈值保持近场设定范围不变，当近场识别准确率小于阈值，则按
照比例减小近场识别范围。通过近场范围的可调节，可以保证识别准确率的同时，保证障碍
物识别的灵活性。

[0076] 具体地，所述识别上述至少一帧点云数据中的近场可信障碍物具体包括：将至少一帧点云数据输入近场障碍物检测模块，得出近场障碍物识别结果；

[0077] 其中，所述近场障碍物检测模块是基于机器学习算法通过大量点云标记信息及点云数据信息训练得到的，用于对近场障碍物进行特征提取从而识别得到近场障碍物的检测
模型。

[0078] 其中，机器学习算法例如可以为pointnet++等。

[0079] 可选的，还可以对上述近场障碍物进行运动特征分析，结合所述运动特征、距离范围、高度信息等，对得到的近场障碍物根据规则表进行进一步筛选，得到置信度达到预设值
的近场障碍物。通过对近场障碍物的进一步过滤，可以进一步保证近场障碍物识别的准确
率，减少近场障碍物的误识别。

[0080] 具体地，在识别出近场障碍物后，可以对多帧点云数据中相同的近场障碍物进行连通、栅格化、过滤和裁切、聚类、跟踪等操作，从而得到远场中的潜在障碍物。接下来分别
介绍上述几个操作。

[0081] 连通：将多帧点云数据中近场障碍物进行匹配，可以得到各帧点云数据中同一个近场障碍物的跟踪序列，再将同一近场障碍物的跟踪序列进行连通，得到该近场障碍物的
连通域。将所有的近场障碍物跟踪序列连通后，即可得到整个近场障碍物连通域。也即是
说，所有的可信障碍物对应的连通域即可构成整个近场障碍物连通域。其中，跟踪序列可以
用于表征同一个障碍物在不同帧中的位置、速度、高度等特征。

[0082] 可选地，上述多帧点云数据为当前帧及与该当前帧连续的前M帧点云数据。其中，M为正整数。举例来说，若当前帧点云数据为第n帧点云数据，则多帧点云数据可以为第一帧
到第n帧点云数据。

[0083] 可选的，上述多帧点云数据也可为多帧历史点云数据。历史点云数据为包含当前帧的其他帧点云数据。举例来说，我们可以从历史点云数据中任选一帧进行近场障碍物识
别，再从历史点云数据中抽出包含该帧点云数据的多帧点云数据进行近场障碍物识别，从
而得到近场障碍物连通域。

[0084] 栅格化：根据得到的近场障碍物连通域，可以对点云进行栅格化，并对栅格进行概率编码。栅格的概率即为该栅格内的点云为障碍物的概率，计算公式如下：

[0085]

[0086] 其中，N为栅格中包含的点云的数量；L为栅格到连通域的距离；N0为点云数量的阈值，a、b为权重系数。其中，a、b的取值主要取决于激光雷达的参数，不同线束的激光雷达对
应的a、b的取值不同。N0取值例如但不限于为3、4、5等。可知，栅格到连通域的距离可以看作
是栅格的中心到近场障碍物连通域的距离，或者看作是栅格内所有点云到近场障碍物连通
域的距离的平均值，本申请实施例对此不作限定。

[0087] 过滤和裁切：首先可以设置概率阈值，将概率小于该概率阈值的点云过滤掉，剩下概率大于或等于该概率阈值的点云。再对大于或等于该概率阈值的点云进行远场裁切，即
确定距离信息大于或等于预设阈值的点云为远场潜在障碍物对应的点云为裁切后的点云。
上述预设阈值例如但不限于为85米。上述概率阈值例如可以但不限于50%、80%等。

[0088] 不限于先对点云数据进行过滤，再进行远场裁切，在具体实现中还可以先对点云数据进行远场裁切，再进行过滤，本申请实施例对于过滤和裁切的先后顺序不做限定。

[0089] 聚类：将上述概率大于概率阈值的，且距离信息大于或等于预设阈值的点云进行聚类，生成远场中的潜在障碍物。具体可以使用DBSCAN方式进行聚类。DBSCAN是一种基于密
度的聚类算法，这类密度聚类算法一般假定类别可以通过样本分布的紧密程度决定。通过
将紧密相连的样本划为一类，这样就得到了一个聚类类别。通过将所有各组紧密相连的样
本化为各个不同的类别，即可得到最终的聚类类别结果。

[0090] 在一些可能的实施例中，在S401之前，该方法还可以包括：获取至少一帧点云数据。

[0091] 其中，可以理解的是，当激光雷达发射的激光束照射到物体表面上并被物体反射回来被接收器接收时，被接收的激光信号以点的形式被记录，便形成了点云数据。其中，所
述点云数据可以包括空间位置坐标、时间戳和回波强度信息。其中，所述回波强度信息为激
光雷达接收装置采集到的回波反射强度信息，此强度信息与目标的表面材质、粗糙度、入射
角方向，以及仪器的发射能量，激光波长有关。

[0092] 其中，完成一个扫描周期所获得的点云数据为一帧点云数据。其中，以机械式雷达为例，机械式激光雷达以机械旋转方式完成对周围环境的扫描，旋转一周的时间为点云数
据帧的时长。

[0093] S402：获取远场潜在障碍物的跟踪信息，根据远场潜在障碍物的跟踪信息生成跟踪序列。

[0094] 可选的，可以根据当前帧及与该当前帧连续的前M帧点云数据确定远场潜在障碍物的跟踪信息，M为正整数。

[0095] 可选的，可以根据多帧历史点云数据确定远场潜在障碍物的跟踪信息。历史点云数据即为当前帧之前的其他帧点云数据。

[0096] 具体地，各帧点云数据中可能为同一障碍物的障碍物即为相应的远场潜在障碍物。对于多帧点云数据中相应远场潜在障碍物的匹配具体可以采用匈牙利算法。匈牙利算
法是图论中寻找最大匹配的算法。算法将每个障碍物视为图中的一个端点，同一帧中的端
点分为一组。匈牙利算法实现了在不同组间的端点匹配。其中，障碍物的位置、速度、尺寸等
信息作为端点权重，相似的端点更倾向于匹配在一起。

[0097] 具体地，跟踪序列可以用于表征同一个障碍物在不同帧中的位置、速度、高度等。

[0098] S403：根据远场潜在障碍物的跟踪序列确定车流区域。

[0099] 具体地，各个移动中（具备速度）的远场潜在障碍物可看作是行驶中的车辆，故将远场潜在障碍物对应的跟踪序列连通后，即可得到车流区域。

[0100] S404：将车流区域进行栅格化处理，并确定各个栅格对应的车流信息与点云信息。

[0101] 其中，车流信息根据栅格对应的远场潜在障碍物的运动特征得到，点云信息根据栅格对应的点云数据得到。

[0102] 具体地，对车流区域进行栅格映射。具体可以将各个栅格中的障碍物的运动特征（如速度、频率等）与栅格关联起来，将这些特征使用统计结果填入栅格中，例如可以选择最
大值、或者平均值，或者预设时间范围内的统计结果。本申请实施例中可以将包含障碍物运
动特征的栅格对应的信息成为车流信息。其中，以运动特征为速度为例，最大值可以是多帧
连续的点云数据（某时间段）中该障碍物的速度的最大值，平均值可以是多帧连续的点云数
据（某时间段）中该障碍物的速度的平均值。预设时间范围内的统计结果可以是指定的某时
间段内对于上述运动特征的计算结果。

[0103] 具体地，对点云信息进行栅格映射。具体可以将各个栅格中包含的点云数据的特征（如点云的高度、点云的反射强度、点云的数量、相邻帧间的关系等）与栅格关联起来，将
这些数据填入栅格中。本申请实施例中将包含点云数据的特征的栅格对应的信息成为点云
信息。

[0104] 将上述车流信息与点云信息都与栅格关联后，此时的栅格中同时具备了车流信息与点云信息，且在栅格的排布中存在着空间关系。

[0105] 本申请实施例可以先将车流信息与栅格关联，再将点云信息与包含车流信息的栅格关联，也可以先将点云信息与栅格关联，再将车流信息与包含点云信息的栅格关联。也即
是说，对于车流信息及点云信息与栅格关联的先后顺序不作限定。

[0106] S405：获取各个栅格对应的标记信息。

[0107] 具体地，栅格对应的标记信息可以包括障碍物名称和背景。背景即为不影响驾驶的物体，即非障碍物。障碍物类别即为影响驾驶的物体，例如行人、车辆等。

[0108] 其中，可以理解的是，由于本申请实施例中涉及的障碍物可能是移动的，随着时间的推移，当前识别的远场潜在障碍物在曾经某个时刻可能是近场中的可信障碍物。

[0109] 其中，根据上述远场潜在障碍物对应的点云数据获取上述远场潜在障碍物的标记信息，具体包括：获取所述远场潜在障碍物对应的点云数据；获取所述远场潜在障碍物对应
的点云数据帧之前的M帧点云数据，获取所述M帧点云数据中的近场障碍物集合，其中，所述
近场障碍物集合为所述M帧点云数据识别出的不同近场障碍物的结合。将所述远场潜在障
碍物对应的点云数据与所述近场障碍物集合中的近场障碍物点云数据进行匹配，当匹配度
达到预设值时，则将所述近场障碍物所对应的标记信息作为所述远场潜在障碍物的标记信
息。也即是说，曾经识别到的近场障碍物的识别结果可以作为当前的远场潜在障碍物识别
结果，无需人工为其添加标记信息。

[0110] 若无法匹配上，则可以根据点云形状，人工为其添加标记信息。

[0111] 具体地，用户可以针对上述远场潜在障碍物（即远场中的潜在障碍物）对应的点云数据添加标记信息。其中，标记信息可以用于表征是否为障碍物。进一步地，标记信息可以
用于表征具体的障碍物类型，标记信息还可以用于表征具体的障碍物的运动状态。

[0112] 此外，不限于对远场潜在障碍物进行标记，在具体实现中用户还可以针对近场障碍物添加标记，从而修正近场障碍物的识别结果，提高近场障碍物检测的准确性。

[0113] S406：将多组栅格对应的标记信息及栅格对应的点云信息与车流信息作为样本数据，训练障碍物识别模型。

[0114] 具体地，获取了该远场潜在障碍物的标记信息后，可以构建特征提取函数，对障碍物提取点云信息和车流信息得到训练数据。

[0115] 上述训练数据可以作为输入数据，上述标记信息可以作为输出数据。输入数据和输出数据可以组成一组样本数据。采用多组样本数据可以训练远场潜在障碍物识别模型。

[0116] 可选地，本申请实施例可以采用卷积网络进行远场潜在障碍物识别模型的训练。卷积网络能够进行分类，在卷积层之后接上若干全连接层，将卷积层产生的特征图映射成
一个特征向量输入到全连接层中，最后得到分类概率。

[0117] 可选地，本申请实施例可以采用全卷积网络进行远场潜在障碍物识别模型的训练。全卷积网络可以接受任意尺寸的输入，能够进行像素级的分类，实现语义级别的分割，
采用反卷积层对最后一个卷积层进行上采样，让最终的输出和输入实现相同的尺寸，从而
实现对每一个像素产生一个预测。

[0118] 具体地，本申请实施例中将多组栅格对应的标记信息及栅格对应的点云信息与车流信息作为样本数据，训练障碍物识别模型，具体包括：将所述获取的可行驶区域栅格化，
并将所述点云信息和所述车流信息进行投射，构建了一种特定的数据结构，通过对栅格标
注远场潜在障碍物的信息，形成样本数据。使用该样本数据训练全卷积网络，即可得到栅格
的语义分类模型。该模型能够对栅格输出分类概率，对障碍物占据的栅格进行概率合并，从
而得到障碍物的分类结果。

[0119] 具体地，上述远场潜在障碍物识别模型输出的结果为该点云数据中各部分可能包含的物体类型中概率最大的类型。即该点云数据中可能有多个部分均包含障碍物或背景。
障碍物识别模型输出的结果为各个部分各自对应的物体类型为障碍物或背景。

[0120] 可选地，上述远场潜在障碍物除了可以用于检测远场潜在障碍物之外，还可以用于检测近场障碍物。

[0121] 在本申请一个或多个实施例中，可以通过对点云数据进行远场裁切后获得远场潜在障碍物对应的点云数据，根据点云数据确定车流区域，将车流区域进行栅格化处理，获取
各个栅格对应的车流信息及点云信息。同时还获取各个栅格对应的标记信息。通过大量的
已知标记信息的栅格的车流信息及点云信息训练模型，可以得到障碍物识别模型。使用该
障碍物识别模型可以提高远场潜在障碍物检测的准确性及检测范围。在自动驾驶的场景
下，可以提升系统的安全性。

[0122] 图5示例性示出了本申请实施例提供的另外一种障碍物识别模型训练方法的流程示意图。障碍物识别模型训练方法可由上述历史数据处理装置310执行。如图5所示，障碍物
识别模型训练方法至少可以包括以下几个步骤：

[0123] S501：获取至少一帧点云数据。

[0124] 其中，可以理解的是，当激光雷达发射的激光束照射到物体表面上并被物体反射回来被接收器接收时，被接收的激光信号以点的形式被记录，便形成了点云数据。其中，所
述点云数据可以包括空间位置坐标、时间戳和回波强度信息。其中，所述回波强度信息为激
光雷达接收装置采集到的回波反射强度信息，此强度信息与目标的表面材质、粗糙度、入射
角方向，以及仪器的发射能量，激光波长有关。

[0125] 其中，完成一个扫描周期所获得的点云数据为一帧点云数据。其中，以机械式雷达为例，机械式激光雷达以机械旋转方式完成对周围环境的扫描，旋转一周的时间为点云数
据帧的时长。

[0126] S502：确定可行驶区域。

[0127] 具体地，可行驶区域即为车辆可以行驶的区域，通常为路沿之间、车道线之间的区域。可行驶区域的检测主要是为自动驾驶提供路径规划辅助，可以实现整个路面检测，也可
以只提取出部分的道路信息。可行驶区域可以根据路沿信息、车道线信息进行构建。其中，
路沿可以是路边的基石，车道线信息可以是路面用于分隔不同车道的线条（实线或虚线）。
具体地，可以通过图像识别算法识别出路沿及车道线。再根据路沿和车道线确定可行驶区
域。具体可以通过行车记录仪等设备采集图像信息，并将图像信息发送给车载终端进行识
别。

[0128] 可选的，可行驶区域的确定还可以根据获取的点云数据利用机器学习算法进行路沿或路边标志性障碍物（如红绿灯）等特征信息的提取，根据提取的特征信息进行可行驶区
域的识别。

[0129] 可选的，可行驶区域的确定还可以根据获取的点云信息中的高度信息确定地面点，根据地面点信息确定可行驶区域。

[0130] 可以理解的，本实施例不对确定可行驶区域的方法进行限定。

[0131] S503：根据点云数据的距离信息，确定至少一帧点云数据中的远场点云数据。

[0132] 具体地，点云数据包括距离信息。根据点云数据的距离信息可以筛选出远场的点云数据。远场的点云为距离大于预设阈值的点云。预设阈值例如但不限于是85米。

[0133] 不限于先确定可行驶区域，再确定远场点云数据，在具体实现中还可以先确定远场点云数据，再确定可行驶区域。也即是说，本申请实施例对S502与S503实现的先后顺序不
做限定。

[0134] S504：根据可行驶区域对至少一帧点云数据中的远场点云数据进行过滤，得到可行驶区域中的远场点云数据。

[0135] 具体地，基于S502中确定的可行驶区域，可以对远场的点云数据进一步过滤，得到可行驶区域中的远场点云数据。由于可行驶区域外的障碍物对于车辆的驾驶不会造成影
响，所以仅包括可行驶区域内的远场点云的数据，并对可行驶区域内的远场点云数据进行
分析，可以减少处理过程中的干扰信息，降低计算量，提升障碍物识别的效率。

[0136] S505：对可行驶区域中的远场点云数据进行聚类处理，确定可行驶区域内的远场潜在障碍物对应的点云数据。

[0137] 具体地，可以使用DBSCAN方式进行聚类。DBSCAN是一种基于密度的聚类算法，这类密度聚类算法一般假定类别可以通过样本分布的紧密程度决定。通过将紧密相连的样本划
为一类，这样就得到了一个聚类类别。通过将所有各组紧密相连的样本化为各个不同的类
别，即可得到最终的聚类类别结果。

[0138] S506：获取所述远场潜在障碍物的跟踪信息，根据所述远场潜在障碍物的跟踪信息生成跟踪序列。

[0139] 具体地，S506与S402一致，此处不再赘述。

[0140] S507：根据远场潜在障碍物的跟踪序列确定车流区域。

[0141] 具体地，S507与S403一致，此处不再赘述。

[0142] S508：将车流区域进行栅格化处理，并确定各个栅格对应的车流信息与点云信息。

[0143] 具体地，S508与S404一致，此处不再赘述。

[0144] S509：获取各个栅格对应的标记信息。

[0145] 具体地，S509与S405一致，此处不再赘述。

[0146] S510：将多组栅格对应的标记信息及栅格对应的点云信息与车流信息作为样本数据，训练障碍物识别模型。

[0147] 具体地，S510与S406一致，此处不再赘述。

[0148] 在本申请一个或多个实施例中，可以通过对点云数据进行远场裁切后获得远场潜在障碍物对应的点云数据，根据点云数据确定车流区域，将车流区域进行栅格化处理，获取
各个栅格对应的车流信息及点云信息。同时还获取各个栅格对应的标记信息。通过大量的
已知标记信息的栅格的车流信息及点云信息训练模型，可以得到障碍物识别模型。使用该
障碍物识别模型可以提高远场潜在障碍物检测的准确性及检测范围。在自动驾驶的场景
下，可以提升系统的安全性。

[0149] 本申请实施例可以基于图4或图5实施例提供的障碍物识别模型训练方法训练得到的障碍物识别模型识别障碍物，提升障碍物检测的准确性，尤其是远场潜在障碍物检测
的准确性。

[0150] 接下来结合图4和图5实施例提供的障碍物识别模型训练方法训练得到的障碍物识别模型，介绍本申请实施例提供的障碍物识别方法。

[0151] 下面结合具体的实施例对本申请实施例提供的障碍物识别方法进行详细介绍。该方法可依赖于计算机程序实现，可运行于基于冯诺依曼体系的障碍物识别装置上。该计算
机程序可集成在应用中，也可作为独立的工具类应用运行。

[0152] 图6示例性示出了一种障碍物识别方法的流程示意图。障碍物识别方法可由上述历史数据处理装置310执行。如图6所述，障碍物识别方法至少可以包括以下几个步骤：

[0153] S601：对至少一帧点云数据进行处理，得到远场潜在障碍物对应的点云数据。

[0154] 具体地，S601与S401一致，此处不再赘述。

[0155] S602：获取远场潜在障碍物的跟踪信息，根据远场潜在障碍物的跟踪信息生成跟踪序列。

[0156] 具体地，S602与S402一致，此处不再赘述。

[0157] S603：根据远场潜在障碍物的跟踪序列确定车流区域。

[0158] 具体地，S603与S403一致，此处不再赘述。

[0159] S604：将车流区域进行栅格化处理，并确定各个栅格对应的车流信息与点云信息。

[0160] 具体地，S604与S404一致，此处不再赘述。

[0161] S605：将各个栅格对应车流信息及点云信息输入到障碍物识别模型中，输出识别结果。

[0162] 具体地，该远场潜在障碍物识别模型可以是图4或图5实施例中训练得到的障碍物识别模型。

[0163] 可能地，可以将上述栅格对应的车流信息及点云信息输入到已训练好的障碍物识别模型中。障碍物识别模型可以输出识别结果，该识别结果可以是该栅格对应的类别为障
碍物还是背景。

[0164] 在本申请一个或多个实施例中，可以通过对点云数据进行远场裁切后获得远场潜在障碍物对应的点云数据，根据点云数据确定车流区域，将车流区域进行栅格化处理，获取
各个栅格对应的车流信息及点云信息。同时还获取各个栅格对应的标记信息。通过大量的
已知标记信息的栅格的车流信息及点云信息训练模型，可以得到障碍物识别模型。在后续
的自动驾驶过程中使用该远场潜在障碍物识别模型检测障碍物，可以提高远场潜在障碍物
检测的准确性及检测范围。本申请实施例在自动驾驶的场景下，将车流信息和点云信息映
射到栅格中，而后使用深度学习模型对这种新的结构提取特征，进而检测障碍物，充分利用
点云信息和车流信息，可以有效地进行背景和障碍物的检测，尤其能够在背景扰动很大的
情况下，极大的提高了障碍物的检测效果，鲁棒性好。

[0165] 下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。

[0166] 请参见图7，其示出了本申请一个示例性实施例提供的历史数据处理装置的结构示意图。该历史数据处理装置可以通过软件、硬件或者两者的结合实现。历史数据处理装置
70包括：处理模块710、获取模块720、确定模块730、栅格化模块740、标记模型750及训练模
块760。其中：

[0167] 处理模块710，用于对至少一帧点云数据进行处理，得到远场潜在障碍物对应的点云数据；所述远场潜在障碍物为预设范围外的障碍物；

[0168] 获取模块720，用于获取所述远场潜在障碍物的跟踪信息，根据所述远场潜在障碍物的跟踪信息生成跟踪序列；

[0169] 确定模块730，用于根据所述远场潜在障碍物的跟踪序列确定车流区域；

[0170] 栅格化模块740，用于将所述车流区域进行栅格化处理，并确定各个栅格对应的车流信息与点云信息；所述车流信息根据所述栅格对应的所述远场潜在障碍物的运动特征得
到，所述点云信息根据所述栅格对应的点云数据得到；

[0171] 标记模块750，用于获取各个所述栅格对应的标记信息；

[0172] 训练模块760，用于将多组所述栅格对应的标记信息及所述栅格对应的点云信息与车流信息作为样本数据，训练障碍物识别模型。

[0173] 在一些可能的实施例中，所述获取模块720具体用于：根据当前帧及与所述当前帧连续的前M帧点云数据确定所述远场潜在障碍物的跟踪信息，所述M为正整数。

[0174] 在一些可能的实施例中，所述获取模块720具体用于：根据多帧历史点云数据确定所述远场潜在障碍物的跟踪信息。

[0175] 在一些可能的实施例中，处理模块710包括确定单元、处理单元；其中：

[0176] 确定单元，用于确定可行驶区域；

[0177] 处理单元，用于对至少一帧点云数据进行处理，得到所述可行驶区域内的远场潜在障碍物对应的点云数据。

[0178] 在一些可能的实施例中，所述点云数据包括距离信息；

[0179] 处理单元，具体用于根据所述点云数据的距离信息，确定所述至少一帧点云数据中的远场点云数据；

[0180] 根据所述可行驶区域对所述至少一帧点云数据中的远场点云数据进行过滤，得到所述可行驶区域中的远场点云数据；

[0181] 对可行驶区域中的所述远场点云数据进行聚类处理，确定所述可行驶区域内的远场潜在障碍物对应的点云数据。

[0182] 在一些可能的实施例中，获取单元750还用于在处理模块710对至少一帧点云数据进行处理之前，获取所述至少一帧点云数据。

[0183] 在一些可能的实施例中，所述栅格对应的车流信息为所述栅格对应的点云数据中包含的远场潜在障碍物的运动特征。

[0184] 在一些可能的实施例中，所述栅格对应的点云信息包括以下至少一项：点云的高度、点云的反射强度、点云的数量。

[0185] 在一些可能的实施例中，所述标记信息为背景或障碍物名称。

[0186] 需要说明的是，上述实施例提供的历史数据处理装置在执行障碍物识别模型训练方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功
能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上
描述的全部或者部分功能。另外，上述实施例提供的历史数据处理装置与障碍物识别模型
训练方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。

[0187] 上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

[0188] 在本申请一个或多个实施例中，可以通过对点云数据进行远场裁切后获得远场潜在障碍物对应的点云数据，根据点云数据确定车流区域，将车流区域进行栅格化处理，获取
各个栅格对应的车流信息及点云信息。同时还获取各个栅格对应的标记信息。通过大量的
已知标记信息的栅格的车流信息及点云信息训练模型，可以得到障碍物识别模型。使用该
障碍物识别模型可以提高远场潜在障碍物检测的准确性及检测范围。在自动驾驶的场景
下，可以提升系统的安全性。

[0189] 请参见图8，其示出了本申请一个示例性实施例提供的历史数据处理装置的结构示意图。该历史数据处理装置可以通过软件、硬件或者两者的结合实现。历史数据处理装置
80包括：处理模块810、获取模块820、确定模块830、栅格化模块840及识别模块850。其中：

[0190] 处理模块810，用于对至少一帧点云数据进行处理，得到远场潜在障碍物对应的点云数据；所述远场潜在障碍物为预设范围外的障碍物；

[0191] 获取模块820，用于获取所述远场潜在障碍物的跟踪信息，根据所述远场潜在障碍物的跟踪信息生成跟踪序列；

[0192] 确定模块830，用于根据所述远场潜在障碍物的跟踪序列确定车流区域；

[0193] 栅格化模块840，用于将所述车流区域进行栅格化处理，并确定各个栅格对应的车流信息与点云信息；所述车流信息根据所述栅格对应的所述远场潜在障碍物的运动特征得
到，所述点云信息根据所述栅格对应的点云数据得到；

[0194] 识别模块850，用于将各个所述栅格对应的点云数据与所述车流信息及点云信息输入到障碍物识别模型中，输出识别结果；所述障碍物识别模型本申请图7实施例中的历史
数据处理装置训练得到的障碍物识别模型。

[0195] 需要说明的是，上述实施例提供的历史数据处理装置在执行障碍物识别方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配
由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的
全部或者部分功能。另外，上述实施例提供的历史数据处理装置与障碍物识别方法实施例
属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。

[0196] 上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

[0197] 在本申请一个或多个实施例中，可以通过对点云数据进行远场裁切后获得远场潜在障碍物对应的点云数据，根据点云数据确定车流区域，将车流区域进行栅格化处理，获取
各个栅格对应的车流信息及点云信息。同时还获取各个栅格对应的标记信息。通过大量的
已知标记信息的栅格的车流信息及点云信息训练模型，可以得到障碍物识别模型。在后续
的自动驾驶过程中使用该远场潜在障碍物识别模型检测障碍物，可以提高远场潜在障碍物
检测的准确性及检测范围。本申请实施例在自动驾驶的场景下，将车流信息和点云信息映
射到栅格中，而后使用深度学习模型对这种新的结构提取特征，进而检测障碍物，充分将点
云信息和车流信息进行了利用，极大的提高了障碍物的检测效果。

[0198] 请参见图9，为本申请实施例提供了另外一种历史数据处理练装置的结构示意图。如图9所示，所述历史数据处理装置90可以包括：至少一个处理器901，至少一个网络接口
904，用户接口903，存储器905，至少一个通信总线902。

[0199] 其中，通信总线902用于实现这些组件之间的连接通信。

[0200] 其中，用户接口903可以包括显示屏（Display）、传感器接口，可选用户接口903还可以包括标准的有线接口、无线接口。

[0201] 其中，网络接口904可选的可以包括标准的有线接口、无线接口（如WI‑FI接口）。

[0202] 其中，处理器901可以包括一个或者多个处理核心。处理器901利用各种借口和线路连接整个历史数据处理装置90内的各个部分，通过运行或执行存储在存储器905内的指
令、程序、代码集或指令集，以及调用存储在存储器905内的数据，执行历史数据处理装置90
的各种功能和处理数据。可选的，处理器901可以采用数字信号处理（Digital Signal 
Processing，DSP）、现场可编程门阵列（Field‑Programmable Gate Array，FPGA）、可编程逻
辑阵列（Programmable Logic Array，PLA）中的至少一种硬件形式来实现。处理器901可集
成中央处理器（Central Processing Unit，CPU）、图像处理器（Graphics Processing 
Unit，GPU）和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面
和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理
无线通信。可以理解的是，上述调制解调器也可以不集成到处理器901中，单独通过一块芯
片进行实现。

[0203] 其中，存储器905可以包括随机存储器（Random Access Memory，RAM），也可以包括只读存储器（Read‑Only Memory）。可选的，该存储器905包括非瞬时性计算机可读介质
（non‑transitory computer‑readable storage medium）。存储器905可用于存储指令、程
序、代码、代码集或指令集。存储器905可包括存储程序区和存储数据区，其中，存储程序区
可存储用于实现操作系统的指令、用于至少一个功能的指令（比如触控功能、声音播放功
能、图像播放功能等）、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各
个方法实施例中涉及到的数据等。存储器905可选的还可以是至少一个位于远离前述处理
器901的存储装置。如图9所示，作为一种计算机存储介质的存储器905中可以包括操作系
统、网络通信模块、用户接口模块以及无线投屏连接应用程序。

[0204] 在图9所示的历史数据处理装置90中，用户接口903主要用于为用户提供输入的接口，获取用户输入的数据；而处理器901可以用于调用存储器905中存储的障碍物识别模型
训练应用程序，并具体执行以下操作：

[0205] 对至少一帧点云数据进行处理，得到远场潜在障碍物对应的点云数据；所述远场潜在障碍物为预设范围外的障碍物；

[0206] 获取所述远场潜在障碍物的跟踪信息，根据所述远场潜在障碍物的跟踪信息生成跟踪序列；根据所述远场潜在障碍物的跟踪序列确定车流区域；

[0207] 将所述车流区域进行栅格化处理，并确定各个栅格对应的车流信息与点云信息；所述车流信息根据所述栅格对应的所述远场潜在障碍物的运动特征得到，所述点云信息根
据所述栅格对应的点云数据得到；

[0208] 获取各个所述栅格对应的标记信息；

[0209] 将多组所述栅格对应的标记信息及所述栅格对应的点云信息与车流信息作为样本数据，训练障碍物识别模型。

[0210] 在一些可能的实施例中，处理器901获取所述远场潜在障碍物的跟踪信息时具体执行：根据当前帧及与所述当前帧连续的前M帧点云数据确定所述远场潜在障碍物的跟踪
信息，所述M为正整数。

[0211] 在一些可能的实施例中，处理器901获取所述远场潜在障碍物的跟踪信息时具体执行：根据多帧历史点云数据确定所述远场潜在障碍物的跟踪信息。

[0212] 在一些可能的实施例中，处理器901对至少一帧点云数据进行处理，得到远场潜在障碍物对应的点云数据时具体执行：

[0213] 确定可行驶区域；

[0214] 对至少一帧点云数据进行处理，得到所述可行驶区域内的远场潜在障碍物对应的点云数据。

[0215] 在一些可能的实施例中，所述点云数据包括距离信息；

[0216] 处理器901对至少一帧点云数据进行处理，得到所述可行驶区域内的远场潜在障碍物对应的点云数据时具体执行：

[0217] 根据所述点云数据的距离信息，确定所述至少一帧点云数据中的远场点云数据；

[0218] 根据所述可行驶区域对所述至少一帧点云数据中的远场点云数据进行过滤，得到所述可行驶区域中的远场点云数据；

[0219] 对可行驶区域中的所述远场点云数据进行聚类处理，确定所述可行驶区域内的远场潜在障碍物对应的点云数据。

[0220] 在一些可能的实施例中，处理器901对至少一帧点云数据进行处理，得到远场潜在障碍物对应的点云数据之前，还用于执行：获取所述至少一帧点云数据。

[0221] 在一些可能的实施例中，所述栅格对应的车流信息为所述栅格对应的点云数据中包含的远场潜在障碍物的运动特征。

[0222] 在一些可能的实施例中，所述栅格对应的点云信息包括以下至少一项：点云的高度、点云的反射强度、点云的数量。

[0223] 在一些可能的实施例中，所述标记信息为背景或障碍物名称。

[0224] 在本申请一个或多个实施例中，可以通过对点云数据进行远场裁切后获得远场潜在障碍物对应的点云数据，根据点云数据确定车流区域，将车流区域进行栅格化处理，获取
各个栅格对应的车流信息及点云信息。同时还获取各个栅格对应的标记信息。通过大量的
已知标记信息的栅格的车流信息及点云信息训练模型，可以得到障碍物识别模型。使用该
障碍物识别模型可以提高远场潜在障碍物检测的准确性及检测范围。在自动驾驶的场景
下，可以提升系统的安全性。

[0225] 本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机或处理器上运行时，使得计算机或处理器执行上述图4‑图5所示实施
例中的一个或多个步骤。上述历史数据处理装置的各组成模块如果以软件功能单元的形式
实现并作为独立的产品销售或使用时，可以存储在所述计算机可读取存储介质中。

[0226] 请参见图10，为本申请实施例提供了另外一种历史数据处理装置的结构示意图。如图10所示，所述历史数据处理装置100可以包括：至少一个处理器1001，至少一个网络接
口1004，用户接口1003，存储器1005，至少一个通信总线1002。

[0227] 其中，通信总线1002用于实现这些组件之间的连接通信。

[0228] 其中，用户接口1003可以包括显示屏（Display）、传感器接口，可选用户接口1003还可以包括标准的有线接口、无线接口。

[0229] 其中，网络接口1004可选的可以包括标准的有线接口、无线接口（如WI‑FI接口）。

[0230] 其中，处理器1001可以包括一个或者多个处理核心。处理器1001利用各种借口和线路连接整个历史数据处理装置100内的各个部分，通过运行或执行存储在存储器1005内
的指令、程序、代码集或指令集，以及调用存储在存储器1005内的数据，执行历史数据处理
装置100的各种功能和处理数据。可选的，处理器1001可以采用数字信号处理（Digital 
Signal Processing，DSP）、现场可编程门阵列（Field‑Programmable Gate Array，FPGA）、
可编程逻辑阵列（Programmable Logic Array，PLA）中的至少一种硬件形式来实现。处理器
1001可集成中央处理器（Central Processing Unit，CPU）、图像处理器（Graphics 
Processing Unit，GPU）和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系
统、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解
调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器1001中，单
独通过一块芯片进行实现。

[0231] 其中，存储器1005可以包括随机存储器（Random Access Memory，RAM），也可以包括只读存储器（Read‑Only Memory）。可选的，该存储器1005包括非瞬时性计算机可读介质
（non‑transitory computer‑readable storage medium）。存储器1005可用于存储指令、程
序、代码、代码集或指令集。存储器1005可包括存储程序区和存储数据区，其中，存储程序区
可存储用于实现操作系统的指令、用于至少一个功能的指令（比如触控功能、声音播放功
能、图像播放功能等）、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各
个方法实施例中涉及到的数据等。存储器1005可选的还可以是至少一个位于远离前述处理
器1001的存储装置。如图10所示，作为一种计算机存储介质的存储器1005中可以包括操作
系统、网络通信模块、用户接口模块以及障碍物识别应用程序。

[0232] 在图10所示的历史数据处理装置100中，用户接口1003主要用于为用户提供输入的接口，获取用户输入的数据；而处理器1001可以用于调用存储器1005中存储的无线投屏
连接应用程序，并具体执行以下操作：

[0233] 对至少一帧点云数据进行处理，得到远场潜在障碍物对应的点云数据；所述远场潜在障碍物为预设范围外的障碍物；

[0234] 获取所述远场潜在障碍物的跟踪信息，根据所述远场潜在障碍物的跟踪信息生成跟踪序列；

[0235] 根据所述远场潜在障碍物的跟踪序列确定车流区域；

[0236] 将所述车流区域进行栅格化处理，并确定各个栅格对应的车流信息与点云信息；所述车流信息根据所述栅格对应的所述远场潜在障碍物的运动特征得到，所述点云信息根
据所述栅格对应的点云数据得到；

[0237] 将各个所述栅格对应的所述车流信息及点云信息输入到障碍物识别模型中，输出识别结果；所述障碍物识别模型本申请图7实施例中的障碍物识别模型训练装置训练得到
的障碍物识别模型。

[0238] 在本申请一个或多个实施例中，可以通过对点云数据进行远场裁切后获得远场潜在障碍物对应的点云数据，根据点云数据确定车流区域，将车流区域进行栅格化处理，获取
各个栅格对应的车流信息及点云信息。同时还获取各个栅格对应的标记信息。通过大量的
已知标记信息的栅格的车流信息及点云信息训练模型，可以得到障碍物识别模型。在后续
的自动驾驶过程中使用该远场潜在障碍物识别模型检测障碍物，可以提高远场潜在障碍物
检测的准确性及检测范围。本申请实施例在自动驾驶的场景下，将车流信息和点云信息映
射到栅格中，而后使用深度学习模型对这种新的结构提取特征，进而检测障碍物，充分将点
云信息和车流信息进行了利用，极大的提高了障碍物的检测效果。

[0239] 本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机或处理器上运行时，使得计算机或处理器执行上述图6所示实施例中
的一个或多个步骤。上述历史数据处理装置的各组成模块如果以软件功能单元的形式实现
并作为独立的产品销售或使用时，可以存储在所述计算机可读取存储介质中。

[0240] 在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序
产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或
部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计
算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质
中，或者通过所述计算机可读存储介质进行传输。所述计算机指令可以从一个网站站点、计
算机、服务器或数据中心通过有线（例如同轴电缆、光纤、数字用户线（Digital Subscriber 
Line，DSL））或无线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数
据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是
包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是
磁性介质，（例如，软盘、硬盘、磁带）、光介质(例如，数字多功能光盘（Digital Versatile 
Disc，DVD）)、或者半导体介质（例如，固态硬盘（Solid State Disk，SSD））等。

[0241] 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，可以通过计算机程序来指令相关的硬件来完成，该程序可存储于计算机可读取存储介质中，该程
序在执行时，可包括如上述各方法的实施例的流程。而前述的存储介质包括：制度存储器
（Read Only Memory，ROM）、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘
等各种可存储程序代码的介质。在不冲突的情况下，本实施例和实施方案中的技术特征可
以任意组合。

[0242] 以上所述的实施例仅仅是本申请的优选实施例方式进行描述，并非对本申请的范围进行限定，在不脱离本申请的设计精神的前提下，本领域普通技术人员对本申请的技术
方案作出的各种变形及改进，均应落入本申请的权利要求书确定的保护范围内。