CN105372654A - 障碍物分类可靠度量化的方法 - Google Patents

Abstract

本发明公开了一种障碍物分类可靠度量化的方法，其应用于车辆的一车用计算机中的一感知融合***，车用计算机先接收障碍物的障碍物信息、对应障碍物信息的影像信息及多个车身信号，并利用一分类器进行类别分类；对多个测距传感器的侦测结果分别计算一侦测信心度后，读取分类器的准确度，再计算每一测距传感器对应每一障碍物的一分类信心度；接着对所有分类信心度进行融合计算，量化所有测距传感器对障碍物的一障碍物分类可靠度后，进行一分类失效过滤步骤，将障碍物分类可靠度小于一预设值的障碍物排除。因此本发明除了计算障碍物的侦测信心度及分类信心度，还进一步将其融合量化出障碍物分类的可信度，提升分类精准度。

Description

障碍物分类可靠度量化的方法

技术领域

本发明涉及一种物体分类可靠度的量化方法，特别涉及一种用于感知融合***的障碍物分类可靠度量化的方法。

背景技术

目前车用计算机的功能愈趋健全，为了提升驾驶安全性以及更好的应对自动驾驶这一未来发开趋势，车前障碍物侦测及分类的可靠度便显得尤为重要，车前障碍分类是将侦测到的车前障碍物分类为汽车、行人、脚踏车、电线杆等各种不同物体，依据***设定决定分类项目，如此一来，***便可依据障碍物的分类决定是否提示刹车、自动紧急刹车或执行其他动作。

图1为现有技术中侦测车前障碍物及感知融合***的方块图，摄影机10撷取前方道路影像，多个传感器11、12可侦测前方障碍物的距离或撷取车辆本身的车身信号，且根据多个传感器11、12所侦测到的障碍物距离又可得到障碍物高度、轮廓等信息，接着，一方面依据前方道路影像、障碍物信息及车身信号，会各自解析障碍物信息13，并计算障碍物的位置、分类融合信息15，另一方面则依据前方道路影像、障碍物信息及车身信号，各自估算侦测信心度14，亦即前方障碍物存在的准确度，并侦测信心度融合16，最后输出信息17，此输出信息17可包括障碍物确实存在的几率、坐标位置及障碍物可能的类别。但***计算出的侦测信心度是否正确，并没有一个可进行的方法再次确认，便直接相信侦测信心度的融合结果。

若对侦测信心度发生误判会造成严重的后果，真实案例如图2所示，车辆18a上的车用计算机具有侦测前方障碍物及分类警示的***，其与前车18b保持安全距离，而右侧车道行驶有一台大型油罐车18c，当油罐车18c从车辆18a旁边经过时，前车18b反射回来的毫米波在旁边经过的油罐车18c上发生了漫射，车辆18a的***接收到漫射的毫米波后做出了“与前方车辆发生碰撞的可能性很高”的判断，随即做出自动紧急刹车，后车18d反应不及而发生追尾。但实际上，前方近处并没有车辆在行驶，只是油罐车18c行驶在相邻的右侧车道而已，***误判噪声为车辆，导致误刹车。

因此，如何使侦测信心度及分类信心度具有更高的准确性，并将融合信息量化提供更高的参考性，避免再发生误判为当前一项重要的课题。本发明即提出一种障碍物分类可靠度量化的方法，具体架构及其实施方式将详述于下：

发明内容

本发明的主要目的在于提供一种障碍物分类可靠度量化的方法，该方法将障碍物分类信息的可靠度进行量化，提升分类准确性，避免后端主动安全***因错误信息而使安全机制误动作，造成***失效。

本发明的另一目的在于提供一种障碍物分类可靠度量化的方法，该方法将测距传感器、影像撷取单元及车身信号传感器所撷取的信息加以融合，得到所有传感器针对每个障碍物的一位置信息、一分类信息及一分类信心度信息。

本发明的再一目的在于提供一种障碍物分类可靠度量化的方法，该方法还包括一分类失效过滤步骤，若量化的障碍物分类可靠度小于一预设值时代表分类错误，则略过此障碍物，反之，若障碍物分类可靠度大于等于预设值时，***会通知驾驶者，若是自动驾驶***则可自动刹车。

为了达到上述目的，本发明提供一种障碍物分类可靠度量化的方法，其应用于车辆的一车用计算机中的一感知融合***，该车用计算机连接一影像撷取单元、一车身信号传感器及多个测距传感器，此方法包括下列步骤：车用计算机接收至少一障碍物的障碍物信息、对应障碍物信息的至少一影像信息及多个车身信号，并利用一分类器对障碍物信息、影像信息及车身信号进行类别分类；感知融合***对测距传感器的侦测结果分别计算一侦测信心度；读取分类器的准确度，利用侦测信心度及准确度计算每一测距传感器对应每一障碍物的一分类信心度；对所有分类信心度进行融合计算，分别量化所有测距传感器对每一障碍物的障碍物分类可靠度；撷取任一障碍物分类可靠度后，依据障碍物分类可靠度进行一分类失效过滤步骤，排除障碍物分类可靠度小于一预设值的障碍物。

其中，侦测信心度为测距传感器所侦测的障碍物为实体物的几率。侦测信心度为利用测距传感器分别针对当下侦测的障碍物进行坐标追踪，再将后续接收到的一实际值与追踪值比对，以定义出所追踪的障碍物于当下实际存在的几率。此障碍物的追踪、比对及定义出侦测信心度为利用一共同综合概率数据关联(JointIntegratedProbabilisticDataAssociation,JIPDA)进行计算。

本发明中，融合计算为利用分类信心度、测距传感器的准确度及至少一障碍物连续侦测几率计算出障碍物分类可靠度，其中，障碍物连续侦测几率为测距传感器连续侦测到同一障碍物的几率。

承上，若没有影像可供判断障碍物分类时，例如仅有雷达的侦测信息时，障碍物连续侦测几率的判断方式包含下列步骤：假设欲判断障碍物是否为车，首先接收测距传感器所侦测的障碍物信息；比对以判断与前一笔障碍物信息中的障碍物是否为同一个，若否，则判别障碍物不是车，若是，再判断连续侦测到同一障碍物是否超过一预设次数；以及若连续侦测到同一障碍物超过预设次数，则判断障碍物是车，若否，则判别障碍物不是车。

当计算出的障碍物分类可靠度大于等于预设值时，车用计算机会以听觉、触觉或视觉方式告知车辆的驾驶者前方障碍物信息，且车用计算机进一步告知驾驶者障碍物为车子或行人的几率。同时，感知融合***会回到上一步骤，撷取另一障碍物分类可靠度，继续判断其是否小于预设值。

本发明步骤中的分类失效过滤步骤包括下列子步骤：撷取任一障碍物的障碍物分类可靠度；判断所撷取的障碍物分类可靠度是否小于预设值，若是，则将障碍物视为分类误判并过滤，反之，则撷取另一障碍物的障碍物分类可靠度再次进行判断。

本发明步骤中的融合计算包括下列步骤：针对一特定障碍物，引入所有测距传感器侦测特定障碍物的分类信心度、准确度及障碍物连续侦测几率；根据特定障碍物的存在或不存在情况计算各测距传感器的信心度；特定障碍物包括空集合、存在、不存在、可能存在也可能不存在等四种侦测情况，将上一步骤的信心度代入，根据四种侦测情况计算一融合信心度；以及根据融合信心度计算融合后特定障碍物的一物体存在几率。

下面通过具体实施例详加说明，当更容易了解本发明的目的、技术内容、特点及其所达成的功效。

附图说明

图1为现有技术中侦测车前障碍物及感知融合的方块图；

图2为利用现有技术的方法发生误判的示意图；

图3为本发明提供的障碍物分类可靠度量化的方法的***架构图；

图4为本发明提供的障碍物分类可靠度量化的方法的流程图；

图5为本发明中判断障碍物连续侦测几率的流程图；

图6为本发明中信心度融合的流程图；

图7为本发明中分类失效过滤步骤的流程图。

附图标记说明：10-摄影机；11-传感器；12-传感器；13-各自解析障碍物信息；14-各自估算侦测信心度；15-位置、分类融合信息；16-侦测信心度融合；17-输出信息；18a-车辆；18b-前车；18c-油罐车；18d-后车；20-影像撷取单元；22-测距传感器；24-车身信号传感器；26-车用计算机；27-分类器；28-感知融合***。

具体实施方式

本发明提供一种障碍物分类可靠度量化的方法，当各传感器分别侦测到前方有障碍物后，通过障碍物追踪位置信息、量化各传感器的侦测信心度，再结合各传感器的分类信心度，融合量化出障碍物分类可靠度，以供***进行分类错误过滤，提升整体分类的精准度及可靠度。

图3所示为本发明提供的障碍物分类可靠度量化的方法的***架构图，车辆的车用计算机26中包括一分类器27及一感知融合***28，且车用计算机26连接一影像撷取单元20、一车身信号传感器24及多个测距传感器22，测距传感器22为雷达或激光雷达(Lidar)，会取得车辆前方至少一障碍物的障碍物信息，影像撷取单元20可撷取到对应障碍物信息的至少一影像信息，车身信号传感器24则可得到多个车身信号，包括车速、方向盘转角等。

图4为本发明提供的障碍物分类可靠度量化的方法的流程图。步骤S10车用计算机接收至少一障碍物的障碍物信息、对应障碍物信息的至少一影像信息及多个车身信号，并利用一分类器对障碍物信息、影像信息及车身信号进行类别分类，此分类器为车用计算机中的一功能模块；再如步骤S12所述，感知融合***对测距传感器的侦测结果分别计算一侦测信心度，此侦测信心度代表测距传感器所侦测的障碍物为实体物的几率，每一个测距传感器都会针对障碍物得到侦测信心度，若侦测到多个障碍物，则会对应得到多个侦测信心度。在本发明中，侦测信心度为利用测距传感器分别针对当下侦测的障碍物进行坐标追踪，亦即得到障碍物的位置信息，接着再将后续接收到的一实际值与追踪值比对，以定义出所追踪的障碍物于当下实际存在的几率，本发明将此几率视为侦测信心度。此障碍物的追踪、比对及定义出侦测信心度为利用一共同综合概率数据关联(JointIntegratedProbabilisticDataAssociation,JIPDA)进行计算。

接着，步骤S14读取分类器的准确度，此准确度由分类器开发者所订定。

步骤S16利用侦测信心度及上一步骤中所读取的分类器准确度，计算每一测距传感器对应每一障碍物的一分类信心度，各测距传感器的分类信心度为侦测信心度乘以分类器准确度。

步骤S18中对所有分类信心度进行融合计算，分别量化所有测距传感器对每一障碍物的障碍物分类可靠度。在此步骤中，感知融合***会先定义每一种障碍物的侦测情况，包括四种情况：其中φ代表空集合，代表障碍物存在，代表障碍物不存在，代表障碍物可能存在也可能不存在，同时，需要三个参数才能计算一特定障碍物的障碍物分类可靠度，此三个参数包括每一测距传感器对应该特定障碍物的分类信心度、测距传感器的准确度及至少一障碍物连续侦测几率，其中，测距传感器的准确度为出厂时厂商所提供的准确率，每一个测距传感器的准确度不尽相同，一般而言准确度不可能达到100％，若使用者(驾驶者)觉得目前准确度与一开始的值不同，例如准确度降低，可手动调整该准确度，因此测距传感器的准确度为事先设定的预设数值，障碍物连续侦测几率为测距传感器连续侦测到同一障碍物的几率，若车辆上设有影像撷取单元20，可直接从影像去判断障碍物是否为车，此时测距传感器仅供辅助判断，但若车辆并没有影像撷取单元可撷取影像时，就只能完全靠测距传感器判断，则此障碍物连续侦测几率的判断方式如图5所示，假设欲判断障碍物的分类是否为车，则包含下列步骤：步骤S30接收测距传感器所侦测的障碍物信息；步骤S32比对以判断与前一笔障碍物信息中的障碍物是否为同一个，若否，则如步骤S34所述判别障碍物不是车，若是，则如步骤S36再判断连续侦测到同一障碍物是否超过一预设次数，若连续侦测到同一障碍物超过预设次数，则如步骤S38所述判断障碍物是车，若否，则如步骤S34所述判别障碍物不是车。

步骤S18中的融合计算为以(Dempster-Shafer)理论进行融合，用以将一特定障碍物的所有信息融合，请参考图6的融合计算流程图，包括下列步骤：步骤S182引入所有测距传感器侦测该特定障碍物的分类信心度、准确度及障碍物连续侦测几率；步骤S184根据特定障碍物的存在或不存在情况计算各测距传感器的信心度(basicbeliefassignment)；步骤S186特定障碍物包括空集合、存在、不存在、可能存在也可能不存在等四种侦测情况，将步骤S184的信心度代入，根据四种侦测情况计算一融合信心度；以及步骤S188根据融合信心度计算融合后特定障碍物的一物体存在几率，此物体存在几率即为本发明中的障碍物分类可靠度。

融合计算的公式如下：

首先，步骤S182引入障碍物连续侦测几率测距传感器的准确度及每一测距传感器对应障碍物的分类信心度接着进行步骤S184计算各测距传感器的信心度，如下式(1)、(2)：

$m_i\left(\right\{\∃\left\}\right)=p_P^i\left(x\right)\·p_{trust}^i\·p^i(\∃x)---\left(1\right)$

其中，为障碍物存在时的信心度，为障碍物不存在时的信心度。在此，仅采用障碍物存在及不存在两种状况，而不考虑空集合φ和障碍物可能存在也可能不存在的状况。

接着步骤S186计算融合信心度，同样只采用和两个集合，如下式(3)，其中

最后，再根据融合信心度计算融合后特定障碍物的一物体存在几率，如下式(4)：

$p_F(\∃x)=\frac{{\mathrm{Bel}}_F\left(\right\{\∃\left\}\right)+{\mathrm{Pl}}_F\left(\right\{\∃\left\}\right)}{2}---\left(4\right)$

其中为不考虑无法判定障碍物存在或不存在的情况，为考虑无法判定障碍物存在或不存在的情况，此部分即为存在几率的加权，然后取各种情况的平均值，即得到障碍物的物体存在几率，亦即障碍物分类可靠度。

图4最后一个步骤如步骤S20所述，依据障碍物分类可靠度进行一分类失效过滤步骤，当障碍物分类可靠度小于一预设值时，代表此障碍物的侦测或分类不可靠，因此感知融合***会将此障碍物排除，具体流程请参考图7，步骤S202先撷取任一障碍物的障碍物分类可靠度，此障碍物分类可靠度是融合了所有测距传感器而得出的；接着步骤S204判断所撷取的障碍物分类可靠度是否小于预设值，若是，则如步骤S206将障碍物视为分类误判并过滤；反之，则回到步骤S202，撷取另一障碍物的障碍物分类可靠度再次进行判断，直到车辆前方所侦测到的所有障碍物都进行过分类失效过滤机制为止。步骤S202还包括***会以听觉、触觉或视觉方式告知该车辆的一驾驶者前方障碍物信息，车用计算机进一步告知驾驶者该障碍物为车子或行人的几率，因此，若是自动辅助驾驶***则可自动刹车。

在上述步骤S204中，障碍物分类可靠度的预设值可由驾驶者自行调整，举例而言，若驾驶者启动半自动驾驶时，预设值便需要调高，例如需达70％以上，以避免预设值调低时大多数障碍物都会被判定是车，从而使车用计算机控制半自动驾驶***不断紧急刹车；驾驶者自行开车，仅将障碍物分类可靠度做为辅助参考时，可将预设值调低，例如30～50％，如此一来感知融合***虽然会经常发出前方障碍物是车、应减速或刹车的通知，但驾驶者可自行决定是否减速或刹车。

举例而言，假设测距传感器为雷达，其侦测信心度为0.9999、分类器准确度为0.87，则其分类信心度为0.9999*0.87＝0.8699，影像撷取单元的侦测信心度为0.94、分类器准确度为0.95，则其分类信心度为0.94*0.95＝0.893；进行融合计算后得到的障碍物分类可靠度为0.895，撷取任一障碍物分类可靠度判断是否大于一预设值，若预设值为0.6，由于0.895大于0.6，因此判断障碍物为车辆成立，将此障碍物信息告知驾驶者。

与现有技术比较，现有技术取得障碍物的侦测信心度及分类后，***就会进行动作，但并未再次确认分类具有多高的可信度，当分类失效时，会导致将噪声误判为车辆而错误启动安全机制，紧急刹车使后方来车发生追尾；反观本发明的技术为先将测距传感器侦测到障碍物为实体物的几率进行量化(亦即侦测信心度)，接着利用侦测信心度及分类器准确度计算出分类信心度，最后增加了融合量化障碍物分类可靠度的步骤，修正了原有的分类失效的问题，提升分类精准度，避免后端***误作动，且即使没有影像也可以依靠雷达、激光雷达等测距传感器进行障碍物分类，不会因为没有影像就失去防护能力，大幅提升分类可靠度及驾驶安全性。

以上所述仅为本发明的较佳实施例而已，并非用来限定本发明实施的范围。故即凡依本发明权利要求范围所述的特征及精神所为的均等变化或修饰，均应包括于本发明的保护范围内。

Claims (13)

1.一种障碍物分类可靠度量化的方法，其应用于车辆的一车用计算机中的一感知融合***，该车用计算机连接一影像撷取单元、一车身信号传感器及多个测距传感器，其特征在于，该方法包括下列步骤：

该车用计算机接收至少一障碍物的障碍物信息、对应该障碍物信息的至少一影像信息及多个车身信号，并利用一分类器对该障碍物信息、该影像信息及该多个车身信号进行类别分类；

该感知融合***对该多个测距传感器的侦测结果分别计算一侦测信心度；

利用该多个侦测信心度及该分类器的一准确度计算每一测距传感器对应每一障碍物的一分类信心度；

对该多个分类信心度进行融合计算，分别量化所有该测距传感器对每一障碍物的一障碍物分类可靠度；以及

依据该障碍物分类可靠度进行一分类失效过滤步骤，排除该障碍物分类可靠度小于一预设值的该障碍物。

2.根据权利要求1所述的障碍物分类可靠度量化的方法，其特征在于，该侦测信心度为利用该多个测距传感器分别针对当下侦测的该多个障碍物进行坐标追踪，再将后续接收到的一实际值与多个追踪值比对，以定义出所追踪的该障碍物于当下实际存在的几率。

3.根据权利要求2所述的障碍物分类可靠度量化的方法，其特征在于，该多个障碍物的追踪、比对及定义出该侦测信心度为利用一共同综合概率数据关联进行计算_。

4.根据权利要求1所述的障碍物分类可靠度量化的方法，其特征在于，该侦测信心度为该多个测距传感器所侦测的该多个障碍物为实体物的几率。

5.根据权利要求1所述的障碍物分类可靠度量化的方法，其特征在于，该融合计算为利用该多个分类信心度、该多个测距传感器的准确度及至少一障碍物连续侦测几率计算出该障碍物分类可靠度。

6.根据权利要求5所述的障碍物分类可靠度量化的方法，其特征在于，该障碍物连续侦测几率为该多个测距传感器连续侦测到同一该障碍物的几率。

7.根据权利要求5或6所述的障碍物分类可靠度量化的方法，其特征在于，该障碍物连续侦测几率的判断方式包含下列步骤：

接收该测距传感器所侦测的该多个障碍物信息；

比对以判断与前一笔该障碍物信息中的该障碍物是否为同一个，若否，则判别该障碍物不是车，若是，再判断连续侦测到同一该障碍物是否超过一预设次数；以及

若连续侦测到同一该障碍物超过该预设次数，则判断该障碍物是车，若否，则判别该障碍物不是车。

8.根据权利要求5所述的障碍物分类可靠度量化的方法，其特征在于，该多个测距传感器的准确度为事先设定的预设数值。

9.根据权利要求1所述的障碍物分类可靠度量化的方法，其特征在于，该分类失效过滤步骤包括下列子步骤：

撷取任一该障碍物的该障碍物分类可靠度；

判断所撷取的该障碍物分类可靠度是否小于该预设值；以及

若是，则将该障碍物视为分类误判并过滤，反之，则撷取另一该障碍物的该障碍物分类可靠度再次进行判断。

10.根据权利要求1所述的障碍物分类可靠度量化的方法，其特征在于，该分类失效过滤步骤中，当该障碍物分类可靠度大于等于该预设值时，以听觉、触觉或视觉方式告知该车辆的一驾驶者前方的该障碍物信息。

11.根据权利要求10所述的障碍物分类可靠度量化的方法，其特征在于，该分类失效过滤步骤中，当该障碍物分类可靠度大于等于该预设值时，该车用计算机进一步告知该驾驶者该障碍物为车子或行人的几率。

12.根据权利要求1所述的障碍物分类可靠度量化的方法，其特征在于，该多个测距传感器为雷达或激光雷达。

13.根据权利要求5所述的障碍物分类可靠度量化的方法，其特征在于，该融合计算包括下列步骤：

针对该多个障碍物其中的一特定障碍物，引入所有该多个测距传感器侦测该特定障碍物的该多个分类信心度、该多个测距传感器的准确度及该障碍物连续侦测几率；

根据该特定障碍物的存在或不存在情况计算各该多个测距传感器的信心度；

该特定障碍物包括空集合、存在、不存在、可能存在也可能不存在等四种侦测情况，将该多个测距传感器的该信心度代入，根据该四种侦测情况计算一融合信心度；以及

根据该融合信心度计算融合后该特定障碍物的一物体存在几率。