障碍物识别方法、装置、系统、存储介质和电子设备转让专利
申请号 : CN202011314871.2
文献号 : CN112560580B
文献日 : 2022-01-28
发明人 : 方永堃
申请人 : 腾讯科技(深圳)有限公司
摘要 :
权利要求 :
1.一种障碍物识别方法,其特征在于,包括:在目标场景对应的雷达数据中,基于至少一个第一障碍物关联的雷达数据点表征的障碍物形态特征,确定所述至少一个第一障碍物的第一预测物体类别;所述第一预测物体类别包括静态障碍物和动态障碍物;
在所述目标场景对应的目标图像中,基于至少一个第二障碍物关联的像素点表征的障碍物图像特征,确定所述至少一个第二障碍物的第二预测物体类别;
对于各个第一障碍物,分别执行以下操作:根据所述第一障碍物关联的雷达数据点的坐标数据和所述第一障碍物的第一预测物体类别,确定所述第一障碍物在所述目标图像中的投影区域;
根据所述投影区域中的像素点关联的第二障碍物的第二预测物体类别,确定所述投影区域对应的第二障碍物的第二预测物体类别;
将所述投影区域对应的第二障碍物的第二预测物体类别,作为所述第一障碍物对应的目标物体类别。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:根据所述至少一个第一障碍物关联的雷达数据点的坐标数据,确定所述至少一第一障碍物的物理位置;或者,
根据所述至少一个第一障碍物在所述目标图像中的投影区域关联的像素点的坐标数据,确定所述至少一个第一障碍物的物理位置。
3.根据权利要求1所述的方法,其特征在于,所述障碍物形态特征包括第一障碍物的运动状态;所述基于至少一个第一障碍物关联的雷达数据点表征的障碍物形态特征,确定所述至少一个第一障碍物的第一预测物体类别,包括:对于各个雷达数据点,执行以下操作:根据所述雷达数据点的速度数据确定所述雷达数据点的速度值;所述雷达数据点的速度数据用于表征与所述雷达数据点关联的第一障碍物的运动状态;
若所述雷达数据点的速度值大于或等于设定速度阈值,确定所述雷达数据点关联的第一障碍物属于动态障碍物;若所述雷达数据点的速度值小于设定速度阈值,确定所述雷达数据点关联的第一障碍物属于静态障碍物。
4.根据权利要求3所述的方法,其特征在于,所述静态障碍物包括多种静态物体类别;
确定所述雷达数据点关联的第一障碍物属于静态障碍物之后,所述基于至少一个第一障碍物关联的雷达数据点表征的障碍物形态特征,确定所述至少一个第一障碍物的第一预测物体类别,还包括:
采用设定数目的障碍物参考模型,分别对属于静态障碍物的第一障碍物关联的静态雷达数据点的坐标数据进行拟合;其中,每个障碍物参考模型对应一种静态物体类别;
对于各个静态雷达数据点,执行以下操作:根据拟合结果确定所述静态雷达数据点符合的障碍物参考模型,并将所述静态雷达数据点符合的障碍物参考模型对应的静态物体类别作为所述静态雷达数据点关联的第一障碍物的第一预测物体类别。
5.根据权利要求3所述的方法,其特征在于,所述动态障碍物包括多种动态物体类别;
确定所述雷达数据点关联的第一障碍物属于动态障碍物之后,所述基于至少一个第一障碍物关联的雷达数据点表征的障碍物形态特征,确定所述至少一个第一障碍物的第一预测物体类别,还包括:
对属于动态障碍物的第一障碍物关联的动态雷达数据点的坐标数据进行聚类,得到多个动态雷达数据点集合;其中,每个动态雷达数据点集合对应一个第一障碍物;
对于各个动态雷达数据点集合,执行以下操作:根据所述动态雷达数据点集合中的动态雷达数据点的坐标数据和速度数据,确定所述动态雷达数据点集合对应的第一障碍物的尺寸和运动速度;
根据所述动态雷达数据点集合对应的第一障碍物的尺寸和运动速度,确定所述动态雷达数据点集合对应的动态物体类别;
将所述动态雷达数据点集合对应的动态物体类别作为所述动态雷达数据点集合对应的第一障碍物的第一预测物体类别。
6.根据权利要求1所述的方法,其特征在于,根据所述投影区域中的像素点关联的第二障碍物的第二预测物体类别,确定所述投影区域对应的第二障碍物的第二预测物体类别,包括:
确定所述投影区域中各个像素点关联的第二障碍物的第二预测物体类别为候选第二预测物体类别;
对于各个候选第二预测物体类别,执行以下操作:将所述投影区域内属于所述候选第二预测物体类别的像素点数量与所述投影区域包含的像素点总数量的比值,作为所述候选第二预测物体类别的概率;
将概率最大且概率大于或等于设定阈值的候选第二预测物体类别,作为所述投影区域对应的第二障碍物的第二预测物体类别。
7.根据权利要求1所述的方法,其特征在于,所述基于至少一个第二障碍物关联的像素点表征的障碍物图像特征,确定所述至少一个第二障碍物的第二预测物体类别,包括:识别所述目标图像中至少一个第二障碍物的轮廓特征;
根据至少一个第二障碍物的轮廓特征,将所述目标图像分割得到至少一个区域块;
根据至少一个区域块中包含的像素点表征的障碍物图像特征,确定至少一个区域块对应的第二障碍物的第二预测物体类别。
8.一种障碍物识别装置,其特征在于,包括:第一物体识别单元,用于在目标场景对应的雷达数据中,基于至少一个第一障碍物关联的雷达数据点表征的障碍物形态特征,确定所述至少一个第一障碍物的第一预测物体类别;所述第一预测物体类别包括静态障碍物和动态障碍物;
第二物体识别单元,用于在所述目标场景对应的目标图像中,基于至少一个第二障碍物关联的像素点表征的障碍物图像特征,确定所述至少一个第二障碍物的第二预测物体类别;
第三物体识别单元,用于对于各个第一障碍物,根据所述第一障碍物关联的雷达数据点的坐标数据和所述第一障碍物的第一预测物体类别,确定所述第一障碍物在所述目标图像中的投影区域;根据所述投影区域中的像素点关联的第二障碍物的第二预测物体类别,确定所述投影区域对应的第二障碍物的第二预测物体类别;将所述投影区域对应的第二障碍物的第二预测物体类别,作为所述第一障碍物对应的目标物体类别。
9.根据权利要求8所述的装置,其特征在于,所述装置还包括:物体定位单元,用于根据所述至少一个第一障碍物关联的雷达数据点的坐标数据,确定至少一个第一障碍物的物理位置;或者,根据至少一个第一障碍物在所述目标图像中的投影位置关联的像素点的坐标数据,确定至少一个第一障碍物的物理位置。
10.根据权利要求8所述的装置,其特征在于,所述障碍物形态特征包括第一障碍物的运动状态;所述第一物体识别单元,具体用于:对于各个雷达数据点,根据所述雷达数据点的速度数据确定所述雷达数据点的速度值;所述雷达数据点的速度数据用于表征与所述雷达数据点关联的第一障碍物的运动状态;若所述雷达数据点的速度值大于或等于设定速度阈值,确定所述雷达数据点关联的第一障碍物属于动态障碍物;若所述雷达数据点的速度值小于设定速度阈值,确定所述雷达数据点关联的第一障碍物属于静态障碍物。
11.一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,其特征在于:所述计算机程序被处理器执行时,实现权利要求1 7中任一项所述的方法。
~
12.一种电子设备,其特征在于,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机程序,当所述计算机程序被所述处理器执行时,实现权利要求1 7中~
任一项所述的方法。
13.一种障碍物识别系统,其特征在于,包括权利要求12所述的电子设备以及与所述电子设备连接的雷达传感器和图像采集传感器;
所述雷达传感器用于采集目标场景对应的雷达数据;
所述图像采集传感器用于采集目标场景对应的目标图像。
说明书 :
障碍物识别方法、装置、系统、存储介质和电子设备
技术领域
背景技术
环境中的障碍物,根据探测结果规划行进策略,以避免发生碰撞。
如,在自动驾驶领域,很可能会由于针对不同类别的障碍物的误检,导致自动驾驶车辆误刹
车或其他误操作行为,影响自动驾驶的安全性。
发明内容
物的第二预测物体类别,确定所述至少一个第一障碍物对应的目标物体类别。
体类别;
体类别;
投影区域对应的第二障碍物的第二预测物体类别,确定所述至少一个第一障碍物对应的目
标物体类别。
态;若所述雷达数据点的速度值大于或等于设定速度阈值,确定所述雷达数据点关联的第
一障碍物属于动态障碍物;若所述雷达数据点的速度值小于设定速度阈值,确定所述雷达
数据点关联的第一障碍物属于静态障碍物。
静态雷达数据点关联的第一障碍物的第一预测物体类别。
物的尺寸和运动速度;
类型,确定所述第一障碍物在所述目标图像中的投影区域;
二预测物体类别的像素点数量与所述投影区域包含的像素点总数量的比值,作为所述候选
第二预测物体类别的概率;所述候选第二预测物体类别为所述投影区域中各个像素点关联
的第二障碍物的第二预测物体类别中的一个;
障碍物识别方法。
使得所述处理器实现第一方面任一项所记载的障碍物识别方法。
征,确定至少一个第一障碍物的第一预测物体类别,并获取目标场景对应的目标图像,确定
目标图像中至少一个第二障碍物的第二预测物体类别,然后将雷达数据投影至目标图像
中,基于至少一个第一障碍物的第一预测物体类型,以及至少一个第一障碍物在目标图像
中的投影区域对应的第二障碍物的第二预测物体类别,确定至少一个第一障碍物对应的目
标物体类别。通过上述方法,将目标场景对应的雷达数据和目标图像进行融合,对目标场景
中的障碍物进行识别,可以更准确地确定障碍物的物体类别,提高障碍物识别结果的准确
性。
附图说明
领域的普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其
他的附图。
具体实施方式
例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的
所有其它实施例,都属于本申请保护的范围。
不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、
方法、产品或设备固有的其它步骤或单元。
别根据各个区域块中包含的各个像素点表征的图像特征,预测各个区域块对应的物体的物
体类别。上述过程中图像中的各个像素点表征的图像特征可以称为图像语义信息,根据图
像语义信息可以得到图像中各个物体的预测物体类别。
程中各个雷达数据点表征的物体特征可以称为雷达语义信息,根据雷达语义信息可以得到
雷达数据中各个物体的预测物体类别。
之间。与红外雷达或激光雷达相比,毫米波雷达穿透雾、烟、灰尘的能力强;并且,毫米波雷
达采集的雷达数据不仅包括各个雷达点的坐标信息,还包括各个雷达点的速度数据。
者隐含地包括一个或者更多个该特征,在本申请实施例的描述中,除非另有说明,“多个”的
含义是两个或两个以上。
可以由数据处理设备300执行。雷达传感器100、图像采集传感器200和数据处理设备300可
以通过数据线或总线连接,其中,雷达传感器100用于采集目标场景对应的雷达数据,可以
采用毫米波雷达。图像采集传感器200用于采集目标场景对应的目标图像,可以采用单目相
机或RGB相机等。数据处理设备300为具有计算能力的电子设备,用于根据图像采集传感器
200采集的目标图像和雷达传感器100采集的雷达数据确定目标场景中障碍物的位置及物
体类别。
动驾驶过程中辅助规划行进策略,避免发生碰撞。该障碍物识别系统也可以安装在智能机
器人,如扫地机器人上,对机器人周边环境进行探测,以辅助规划行进策略。在安装雷达传
感器和图像传感器时,需要保持二者方向一致,视野重叠。
响最终得出的行进策略。例如,在自动驾驶领域,很可能会由于针对不同类别的障碍物的误
检,导致自动驾驶车辆误刹车或其他误操作行为,影响自动驾驶的安全性。为了解决这一问
题,本申请实施例提供了一种障碍物识别方法、装置、系统、存储介质和电子设备,首先在目
标场景对应的雷达数据中,基于至少一个第一障碍物关联的雷达数据点表征的障碍物形态
特征,确定至少一个第一障碍物的第一预测物体类别,并获取目标场景对应的目标图像,确
定目标图像中至少一个第二障碍物的第二预测物体类别,然后将雷达数据投影至目标图像
中,基于至少一个第一障碍物的第一预测物体类型,以及至少一个第一障碍物在目标图像
中的投影区域对应的第二障碍物的第二预测物体类别,确定至少一个第一障碍物对应的目
标物体类别。通过上述方法,将目标场景对应的雷达数据和目标图像进行融合,对目标场景
中的障碍物进行识别,可以更准确地确定障碍物的物体类别,提高障碍物识别结果的准确
性。
ML)而设计。
说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能
以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原
理与实现方法,使机器具有感知、推理与决策的功能。人工智能技术主要包括计算机视觉技
术、语音处理技术、以及机器学习/深度学习等几大方向。
人、智能医疗等,相信随着技术的发展,人工智能将在更多的领域得到应用,并发挥越来越
重要的价值。
算机视觉技术通常包括图像处理和视频分析。本申请实施例涉及到对目标图像进行图像分
割和物体识别,属于图像处理的一种方法。
技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是
使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通
常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习等技术。本申请实施例在障
碍物识别过程中,采用基于机器学习或深度学习的神经网络模型,根据目标图像中各个障
碍物关联的像素点表征的障碍物图像特征,对目标图像中的障碍物进行识别,分别确定各
个障碍物的预测物体类别。
于自动驾驶领域中,也可以应用于智能机器人领域或需要进行障碍物识别的其它领域,本
申请实施例以该障碍物识别方法应用在自动驾驶领域为例进行说明。如图2所示,该障碍物
识别方法可以包括如下步骤:
为雷达波遇到障碍物反射得到的数据点。一个或多个雷达数据点的坐标信息和速度数据可
以表征一个障碍物的障碍物形状特征及运动状态特征。一个障碍物的障碍物形状特征及运
动状态特征可以统称为该障碍物的障碍物形态特征。
征,可以预测该第一障碍物对应的物体类别,该第一障碍物对应的物体类别即为该第一障
碍物的第一预测物体类别。
一个障碍物。对应任意一个区域块,可以根据该区域块中包含的各个像素点表征的障碍物
图像特征,预测该区域块对应的物体类别,该区域块对应的物体类别即为该区域块对应的
第二障碍物的第二预测物体类别。
定的场景,也就是说,目标场景可以是任意场景。
称为第一预测物体类别,第二障碍物对应的预测物体类别称为第二预测物体类别。第一障
碍物和第二障碍物均为目标场景中的障碍物,例如,在车辆行进过程中,障碍物可能是车辆
周边的其他车辆、行人、护栏或天桥等。由于是根据不同的数据进行预测得到的障碍物,因
此第一障碍物与第二障碍物可能相同,也可能不同,同理,第一预测物体类别与第二预测物
体类别可能相同,也可能不同。
测物体类别,确定至少一个第一障碍物对应的目标物体类别。
参和外参,可以确定雷达坐标系与图像坐标系之间的转换关系,进而可以将雷达数据投影
至目标图像中,确定各个雷达数据点在目标图像中的投影位置。基于各个雷达数据点的投
影位置,可以确定各个第一障碍物在目标图像中的投影区域对应的第二障碍物的第二预测
物体类别。根据各个第一障碍物的第一预测物体类型,以及各个第一障碍物在目标图像中
的投影区域对应的第二障碍物的第二预测物体类别,分别确定各个第一障碍物对应的目标
物体类别。
别。根据该第一障碍物的第一预测物体类型,以及各个第一障碍物在目标图像中的投影区
域对应的第二障碍物的第二预测物体类别,可以确定该第一障碍物对应的目标物体类别。
后,雷达传感器会产生雷达数据,图像采集传感器会产生图像,在使用过程中,雷达传感器
与图像采集传感器的帧率很可能不相同并且不稳定,传感器系统在车辆行进过程中帧间数
据差异会较大,此时,可以采用时间戳做差值,以低帧率传感器优先的方式,寻找对应差值
最低的高帧率传感器数据帧,从而完成传感器数据间的帧同步匹配。
其中,目标车辆指安装上述雷达传感器和图像采集传感器的车辆。可选地,可以根据各个第
一障碍物关联的雷达数据点的坐标数据,分别确定各个第一障碍物的物理位置;或者,可以
根据各个第一障碍物在所述目标图像中的投影位置关联的像素点的坐标数据,分别确定各
个第一障碍物的物理位置。
制。在一种实施例中,可以先执行确定雷达数据中各个第一障碍物的第一预测物体类别的
步骤,如上述图2所示的实施例。在另一种实施例中,也可以先执行确定目标图像中各个第
二障碍物的第二预测物体类别的步骤,如下文中图3所示的实施例。
应一个第二障碍物,然后分别根据各个区域块中包含的各个像素点表征的障碍物图像特
征,确定各个区域块对应的第二障碍物的第二预测物体类别,并为区域块内的各个像素点
标注对应的第二预测物体类别。其中,障碍物图像特征可以包括区域块的轮廓边界、形状、
大小和区域块中的各个像素点的颜色特征。示例性地,如图4所示,在自动驾驶领域,目标图
像中包含的第二障碍物的第二预测物体类别可以包括车辆,除车辆之外,还可以包括可通
行区域、路牌、护栏等。例如,一个区域块对应的第二障碍物的第二预测物体类别为车辆,则
可以为该区域块内的所有像素点均标注物体类别属性为车辆。
类别。例如,神经网络模型可以采用Mask‑RCNN神经网络。
得到由目标图像中的各个像素点表征的障碍物图像特征组成的特征图。将得到的特征图分
别输入分类子网络和回归子网络,得到回归子网络输出的图像分割结果及各个第二障碍物
在目标图像中的位置,以及分类子网络输出的各个第二障碍物的第二预测物体类别。
训练图像中可以包括车辆、行人、护栏、路牌等。
可通行区域指路面区域。可选地,在部分实施例中,障碍物类型可以包括静态障碍物、动态
障碍物和可通行区域三种。训练图像中标注有哪几种障碍物类型,训练得到的神经网络模
型就可以对哪几种障碍物进行识别。
图像的特征图。将训练图像的特征图分别输入分类子网络和回归子网络,得到回归子网络
输出的训练图像包含的各个障碍物的位置,以及分类子网络输出的各个障碍物对应的障碍
物类型。各个障碍物的位置及对应的障碍物类型为训练图像的障碍物识别结果。
度确定第一损失值,根据障碍物识别结果中各个障碍物对应的障碍物类型与障碍物标签中
的障碍物类型的匹配程度确定第二损失值。将第一损失值与第二损失值的加权和作为最终
确定的损失值。
失值越小,说明实际的输出越接近期望的输出。
至预设的期望值,说明损失值收敛;否则,说明损失值尚未收敛。
碍物,因此,第一预测物体类别可以包括静态障碍物和动态障碍物。在雷达数据中,可以基
于各个第一障碍物关联的雷达数据点表征的障碍物形态特征,分别确定各个第一障碍物的
第一预测物体类别,其中,障碍物形态特征可以包括第一障碍物的运动状态。
据确定该雷达数据点的速度值。如果该雷达数据点的速度值大于或等于设定速度阈值,确
定该雷达数据点关联的第一障碍物属于动态障碍物;如果该雷达数据点的速度值小于设定
速度阈值,确定该雷达数据点关联的第一障碍物属于静态障碍物。
速度值接近于零,确定该雷达数据点关联的第一障碍物属于静态障碍物,否则,确定该雷达
数据点关联的第一障碍物属于动态障碍物。
态障碍物之后,还可以采用设定数目的障碍物参考模型,分别对属于静态障碍物的各个第
一障碍物关联的静态雷达数据点的坐标数据进行拟合;其中,每个障碍物参考模型对应一
种静态物体类别。对于每个静态雷达数据点,根据拟合结果确定该静态雷达数据点符合的
障碍物参考模型,并将该静态雷达数据点符合的障碍物参考模型对应的静态物体类别作为
该静态雷达数据点关联的第一障碍物的第一预测物体类别。例如,根据如图5所示的雷达数
据,可以确定出哪些雷达数据点关联的第一障碍物为护栏,哪些雷达数据点关联的第一障
碍物为天桥,等等。
极坐标系下的坐标转换到笛卡尔坐标系下,采用x和y表示,在自动驾驶领域,可以假设车辆
前方为x轴的正方向,车辆左侧为y轴的正方向。
取定单位长度,角度取逆时针方向为正。如图7所示,平面上任一点P的位置就可以用线段OP
的长度ρ以及从Ox到OP的角度θ来确定,ρ称为P点的极径,θ称为P点的极角,有序数对(ρ,θ)
称为P点的极坐标,记为P(ρ,θ)。笛卡尔坐标系也可以称为平面直角坐标系,以极坐标系的
极点O作为笛卡尔坐标系的坐标原点O,极轴Ox作为笛卡尔坐标系的x轴,则P点在极坐标系
下的坐标P(ρ,θ)转换到笛卡尔坐标系下,可以表示为P(x,y),其中,x=ρcosθ,y=ρsinθ。
护栏上毫米波雷达的一系列雷达数据点,这些雷达数据点可以连接成一条曲线。因此可以
采用如下的二次函数作为护栏对应的障碍物参考模型。
yi)和(xi+1,yi+1)等分别代入上述二次函数,通过最小二乘法对道路两侧护栏上反射得到的
静态雷达数据点进行拟合,可以确定哪些静态雷达数据点可以拟合成一条曲线,并可以根
据静态雷达数据点的坐标数据确定曲线的位置和走向。护栏的走向一般是沿着道路方向
的,如果拟合后得到的曲线是沿着道路方向(笛卡尔坐标系中的x轴方向)的,可以将拟合后
与该曲线之间的距离小于设定距离阈值的静态雷达数据点赋予护栏属性,即确定这些静态
雷达数据点关联的第一障碍物的第一预测物体类别为护栏。
是垂直于道路方向的,可以将拟合后与该曲线之间的距离小于设定距离阈值的静态雷达数
据点赋予天桥属性,即确定这些静态雷达数据点关联的第一障碍物的第一预测物体类别为
天桥。可通行区域则可以认为是雷达数据点与雷达传感器的位置包围得到的不规则多边形
区域。
个第一障碍物关联的动态雷达数据点的坐标数据进行聚类,得到多个动态雷达数据点集
合;其中,每个动态雷达数据点集合对应一个第一障碍物。根据各个动态雷达数据点集合中
的动态雷达数据点的坐标数据和速度数据,分别确定各个动态雷达数据点集合对应的第一
障碍物的尺寸和运动速度,根据各个动态雷达数据点集合对应的第一障碍物的尺寸和运动
速度,分别确定各个动态雷达数据点集合对应的动态物体类别。对于每个动态雷达数据点
集合,将该动态雷达数据点集合对应的动态物体类别作为该动态雷达数据点集合对应的第
一障碍物的第二预测物体类别。例如,根据如图5所示的雷达数据,可以确定出哪些雷达数
据点关联的第一障碍物为车辆,等等。
朝向。然后根据动态雷达数据点的坐标数据对动态雷达数据点进行聚类,得到多个动态雷
达数据点集合。假如同一个动态目标物上有多个雷达数据点,对动态雷达数据点进行聚类,
可以减少同一个动态目标物被识别为多个小目标的情况。聚类后,对于每个动态雷达数据
点集合,根据该动态雷达数据点集合中的雷达数据点的坐标信息和速度数据,可以确定该
动态雷达数据点集合对应的第一障碍物的尺寸和运动速度,还可以优化第一障碍物的尺寸
和中心点位置。根据各个动态雷达数据点集合对应的第一障碍物的尺寸和运动速度,可以
确定各个动态雷达数据点集合对应的动态物体类别。例如,尺寸较大、近似方形且运动速度
较快,可以认为是车辆;尺寸较小、近似人形且运动速度较慢,可以认为是行人。
参和外参,可以确定雷达坐标系与图像坐标系之间的转换关系,进而可以将雷达数据投影
至目标图像中,确定各个雷达数据点在目标图像中的投影位置。
雷达传感器的高度确定,即每个雷达数据点在z轴上的坐标均相同,并且是根据雷达传感器
的安装高度由用户输入的。也就是说,每个雷达数据点的三维坐标均可以确定,如P点的三
维坐标为P(x,y,z),z为预先设定的值。
雷达数据点关联的第一障碍物在目标图像中的投影区域对应的第二障碍物的第二预测物
体类别。例如,图6所示中的圆点为雷达数据点投影至目标图像中的投影位置,可以看出,一
些雷达数据点投影在车辆上,一些雷达数据点投影在护栏上。
的第二障碍物的第二预测物体类别为候选第二预测物体类别。对于各个候选第二预测物体
类别,将该第一障碍物的投影区域内属于该候选第二预测物体类别的像素点数量与该投影
区域包含的像素点总数量的比值,作为该候选第二预测物体类别的概率,将概率最大且概
率大于或等于设定阈值的候选第二预测物体类别,作为投影区域对应的第二障碍物的第二
预测物体类别。
高比例,以及该雷达数据点的坐标信息,可以确定一个车辆对应的三维包围框,将该三维包
围框投影至目标图像中,可以确定该车辆在目标图像中的投影区域。如果在上述投影计算
过程中没有任何偏差,该投影区域应该为目标图像中的车辆区域,或者说,该投影区域中的
所有像素点的物体类别属性均应为车辆。而实际上计算过程中不可避免会出现偏差,因此
该车辆的投影区域可能会出现偏移,即该车辆的投影区域可能会包含车辆的一部分图像以
及车辆周边的可通行区域(马路路面)的图像。此时,该车辆的投影区域中一些像素点关联
的第二障碍物的第二预测物体类别为车辆类别,另一些像素点关联的第二障碍物的第二预
测物体类别为可通行区域。从而可以将车辆和可通行区域作为候选第二预测物体类别。
第二预测物体类别的像素点的数量与该投影区域包含的像素点总数量的比值,作为该候选
第二预测物体类别的概率,得到属于每个候选第二预测物体类别的概率,取最高的值,假如
属于该类的概率大于某一阈值,则可以设定为该投影区域对应的第二障碍物的第二预测物
体类别。
率为0.85,可通行区域对应的概率为0.15。假设设定阈值为0.75。在各个候选第二预测物体
类别的概率中,车辆类别对应的概率最大,且大于设定阈值,则可以认为投影区域对应的第
二障碍物的第二预测物体类别为车辆类别,与通过雷达语义信息确定的物体类别相同,可
以验证通过雷达语义信息确定的物体类别是正确的。
为可通行区域,通过雷达语义信息确定的物体类别是错误的。
应的目标物体类别。
第一障碍物在目标图像中的投影区域对应的第二障碍物的第二预测物体类别,比如,上述
每一个候选第二预测物体类别对应的概率均小于设定阈值,则可以将该第一障碍物的第一
预测物体类型作为该第一障碍物的目标物体类别。
较低,但同样属于需要关注的障碍物。
自动驾驶的舒适性。
一障碍物相对于车辆的方位以及第一障碍物与车辆之间的距离,即确定第一障碍物的物理
位置。
驾驶规划和控制模块可以规划出一条安全的驾驶轨迹。
天桥下毫米波雷达也可能出现虚检,认为可以正常通行的区域里面存在一个危险的障碍
物,这些都可能会导致自动驾驶系统出现不必要的危险换道、急刹车。由于图像数据能提供
丰富的语义信息,而雷达数据能提供目标的位置、速度信息,本申请实施例通过将雷达数据
投影到图像中,索引对应像素的语义后,最终给出交通场景中动态、静态障碍物的语义属性
和位置属性,供下游规划、控制模块使用。在实际应用中,该方法可以有效滤除路面上、天桥
下、标牌和路边护栏上导致自动驾驶车辆误刹车的雷达数据,提高自动驾驶系统的舒适性
和安全性。
通过从雷达数据中也提取语义信息,可以同时考虑位置信息和语义信息的融合,关联后得
到更加准确的障碍物描述,能够减少自动驾驶感知模块的误检。也可以说,本申请实施例不
仅仅局限于将两种数据关联到一起做一个加法。还利用图像分割的语义属性,并且提取雷
达数据的语义属性,对于交通环境中的动态、静态障碍物的语义属性和位置属性进行统一
的分析,做加法的同时做减法,去除路面上、天桥下、标牌和路边护栏上毫米波雷达容易出
现误检的数据,最终得到准确的障碍物位置、语义信息,提高自动驾驶系统的舒适性和安全
性。
法对应的装置,并且该装置解决问题的原理与该方法相似,因此该装置的实施可以参见上
述方法的实施,重复之处不再赘述。
903;其中,
类别;
别;
障碍物的第二预测物体类别,确定至少一个第一障碍物对应的目标物体类别。
的速度值大于或等于设定速度阈值,确定雷达数据点关联的第一障碍物属于动态障碍物;
若雷达数据点的速度值小于设定速度阈值,确定雷达数据点关联的第一障碍物属于静态障
碍物。
点关联的第一障碍物的第一预测物体类别。
一障碍物在目标图像中的投影区域;
选第二预测物体类别为投影区域中的像素点关联的第二障碍物的第二预测物体类别中的
一个;
影位置关联的像素点的坐标数据,确定至少一个第一障碍物的物理位置。
物识别结果的准确性。
存储数据的存储器和用于数据处理的处理器。其中,对于用于数据处理的处理器而言,在执
行处理时,可以采用微处理器、CPU、GPU(Graphics Processing Unit,图形处理单元)、DSP
或FPGA实现。对于存储器来说,存储器中存储有操作指令,该操作指令可以为计算机可执行
代码,通过该操作指令来实现上述本申请实施例的障碍物识别方法的流程中的各个步骤。
114、总线115和通讯模块116;该处理器111、存储器112、第一传感器接口113、第二传感器接
口114和通讯模块116均通过总线115连接,该总线115用于该处理器111、存储器112、第一传
感器接口113、第二传感器接口114和通讯模块116之间传输数据。
从而执行电子设备的各种功能应用以及数据处理,如本申请实施例提供的障碍物识别方
法。存储器112可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至
少一个应用的应用程序等;存储数据区可存储根据电子设备的使用所创建的数据(比如目
标图像、雷达数据、训练好的网络模型等相关数据)等。此外,存储器112可以包括高速随机
存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他
易失性固态存储器件。
存储在存储器112内的数据,执行电子设备的各种功能和处理数据。可选的,处理器111可包
括一个或多个处理单元,如CPU、GPU(Graphics Processing Unit,图形处理单元)、数字处
理单元等。
一些实施例中,雷达传感器和图像采集传感器还可以集成在电子设备上。
序代码用于使所述计算机设备执行本说明书上述描述的根据本申请各种示例性实施方式
的障碍物识别方法的步骤,例如,所述计算机设备可以执行如图2所示的步骤S201~S205中
的障碍物识别流程。
半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举
的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读
存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器
(CD‑ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该
可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合
使用的程序。
一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或
可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部
分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合
或通信连接,可以是电性的、机械的或其它形式的。
集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
盖在本申请的保护范围之内。