CN112572471B - 自动驾驶方法、装置、电子设备及计算机存储介质 - Google Patents
自动驾驶方法、装置、电子设备及计算机存储介质 Download PDFInfo
- Publication number
- CN112572471B CN112572471B CN202011422278.XA CN202011422278A CN112572471B CN 112572471 B CN112572471 B CN 112572471B CN 202011422278 A CN202011422278 A CN 202011422278A CN 112572471 B CN112572471 B CN 112572471B
- Authority
- CN
- China
- Prior art keywords
- data
- source data
- data source
- sensing
- fusion
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000004927 fusion Effects 0.000 claims abstract description 48
- 230000008447 perception Effects 0.000 claims abstract description 42
- 238000004891 communication Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 14
- 238000003062 neural network model Methods 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 14
- 238000012545 processing Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 11
- 238000001514 detection method Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
- B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
- B60W2420/403—Image sensing, e.g. optical camera
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
- B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
- B60W2420/408—Radar; Laser, e.g. lidar
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
- B60W2420/54—Audio sensitive means, e.g. ultrasound
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/50—Barriers
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/53—Road markings, e.g. lane marker or crosswalk
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
- B60W2555/20—Ambient conditions, e.g. wind or rain
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供了一种自动驾驶方法、装置、电子设备及计算机存储介质。该自动驾驶方法，包括：获取感知数据源数据；根据预设的分类依据，对感知数据源数据进行分类，确定感知数据源数据对应的驾驶环境信息；基于驾驶环境信息，在确定感知数据源数据满足预设可信度条件的情况下，对感知数据源数据进行多数据源融合，得到融合数据；基于融合数据，执行自动驾驶操作。根据本申请实施例，能够在自动驾驶的过程中，提高对环境的感知精度。
Description
技术领域
本申请属于自动驾驶技术领域，尤其涉及一种自动驾驶方法、装置、电子设备及计算机存储介质。
背景技术
自动驾驶***利用感知传感器和车联通信***获取车辆自身以及外界环境信息，经过对信息的分析做出决策，经由控制执行***实现车辆加速、减速或转向，从而实现无人驾驶。感知***和车联通信***是自动驾驶的基础，源源不断提供周边环境信息，如何实现对环境信息全面性、准确性和高效性的利用一直是一个不断探索的问题。目前，现有技术针对所有驾驶环境，均通过对各种不同数据的融合以提高对环境的感知能力，但往往却感知精度较低。例如，专利公布号为CN110969178A的发明专利，针对每一种驾驶环境，均对采集的多种道路信息进行融合，导致对环境的感知精度较低。
因此，如何在自动驾驶的过程中，提高对环境的感知精度是本领域技术人员亟需解决的技术问题。
发明内容
本申请实施例提供一种自动驾驶方法、装置、电子设备及计算机存储介质，能够在自动驾驶的过程中，提高对环境的感知精度。
第一方面，本申请实施例提供一种自动驾驶方法，包括：
获取感知数据源数据；
根据预设的分类依据，对感知数据源数据进行分类，确定感知数据源数据对应的驾驶环境信息；
基于驾驶环境信息，在确定感知数据源数据满足预设可信度条件的情况下，对感知数据源数据进行多数据源融合，得到融合数据；
基于融合数据，执行自动驾驶操作。
可选的，感知数据源数据包括摄像头图像数据、激光雷达数据、毫米波雷达数据、车联通信数据中的至少一种。
可选的，分类依据包括动静障碍物、车道线及自然天气状态中的至少一种。
可选的，根据预设的分类依据，对感知数据源数据进行分类，确定感知数据源数据对应的驾驶环境信息，包括：
根据分类依据，利用神经网络模型对感知数据源数据进行分类，确定感知数据源数据对应的驾驶环境信息。
可选的，根据预设的分类依据，对感知数据源数据进行分类，确定感知数据源数据对应的驾驶环境信息，包括：
根据不同的分类依据，对感知数据源数据进行分类，分别确定感知数据源数据对应的不同的驾驶环境信息。
可选的，基于驾驶环境信息，在确定感知数据源数据满足预设可信度条件的情况下，对感知数据源数据进行多数据源融合，得到融合数据，包括：
基于不同的驾驶环境信息，分别确定感知数据源数据对应的不同的源数据概率标签；
整合不同的源数据概率标签，得到感知数据源数据对应的可信度概率值；
在确定可信度概率值高于预设可信度阈值的情况下，对感知数据源数据进行多数据源融合，得到融合数据。
可选的，在整合不同的源数据概率标签，得到感知数据源数据对应的可信度概率值之后，还包括：
在确定可信度概率值不高于预设可信度阈值的情况下，剔除感知数据源数据。
第二方面，本申请实施例提供了一种自动驾驶装置，包括：
获取模块，用于获取感知数据源数据；
分类模块，用于根据预设的分类依据，对感知数据源数据进行分类，确定感知数据源数据对应的驾驶环境信息；
数据融合模块，用于基于驾驶环境信息，在确定感知数据源数据满足预设可信度条件的情况下，对感知数据源数据进行多数据源融合，得到融合数据；
操作执行模块，用于基于融合数据，执行自动驾驶操作。
可选的，感知数据源数据包括摄像头图像数据、激光雷达数据、毫米波雷达数据、车联通信数据中的至少一种。
可选的，分类依据包括动静障碍物、车道线及自然天气状态中的至少一种。
可选的，分类模块，包括：
第一分类单元，用于根据分类依据，利用神经网络模型对感知数据源数据进行分类，确定感知数据源数据对应的驾驶环境信息。
可选的，分类模块，包括：
第二分类单元，用于根据不同的分类依据，对感知数据源数据进行分类，分别确定感知数据源数据对应的不同的驾驶环境信息。
可选的，数据融合模块，包括：
确定单元，用于基于不同的驾驶环境信息，分别确定感知数据源数据对应的不同的源数据概率标签；
整合单元，用于整合不同的源数据概率标签，得到感知数据源数据对应的可信度概率值；
数据融合单元，用于在确定可信度概率值高于预设可信度阈值的情况下，对感知数据源数据进行多数据源融合，得到融合数据。
可选的，还包括：
剔除模块，用于在确定可信度概率值不高于预设可信度阈值的情况下，剔除感知数据源数据。
第三方面，本申请实施例提供了一种电子设备，电子设备包括：
处理器以及存储有计算机程序指令的存储器；
处理器执行计算机程序指令时实现如第一方面所示的自动驾驶方法。
第四方面，本申请实施例提供了一种计算机存储介质，计算机存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现如第一方面所示的自动驾驶方法。
本申请实施例的自动驾驶方法、装置、电子设备及计算机存储介质，能够在自动驾驶的过程中，提高对环境的感知精度。该自动驾驶方法，包括：获取感知数据源数据；根据预设的分类依据，对感知数据源数据进行分类，确定感知数据源数据对应的驾驶环境信息；基于驾驶环境信息，在确定感知数据源数据满足预设可信度条件的情况下，对感知数据源数据进行多数据源融合，得到融合数据；基于融合数据，执行自动驾驶操作。
可见，该方法先是根据预设的分类依据，对感知数据源数据进行分类，确定感知数据源数据对应的驾驶环境信息，然后基于驾驶环境信息，只有在确定感知数据源数据满足预设可信度条件的情况下，才对感知数据源数据进行多数据源融合，故相比于现有技术能够在自动驾驶的过程中，提高对环境的感知精度。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单的介绍，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。
图1是本申请一个实施例提供的自动驾驶方法的流程示意图；
图2是本申请一个实施例提供的场景分类处理融合流程示意图；
图3是本申请一个实施例提供的自动驾驶装置的结构示意图；
图4是本申请一个实施例提供的电子设备的结构示意图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例，为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本申请进行进一步详细描述。应理解，此处所描述的具体实施例仅意在解释本申请，而不是限定本申请。对于本领域技术人员来说，本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
目前，现有技术针对所有驾驶环境，均通过对各种不同数据的融合以提高对环境的感知能力，由于在融合的过程中没有针对不同的驾驶环境进行数据划分，从而不可避免出现对环境感知精度较低的情况。
为了解决现有技术问题，本申请实施例提供了一种自动驾驶方法、装置、电子设备及计算机存储介质。下面首先对本申请实施例所提供的自动驾驶方法进行介绍。
图1示出了本申请一个实施例提供的自动驾驶方法的流程示意图。如图1所示，该自动驾驶方法可以包括以下步骤：
S101、获取感知数据源数据。
在一个实施例中，感知数据源数据可以包括摄像头图像数据、激光雷达数据、毫米波雷达数据、车联通信数据中的至少一种。
其中，摄像头图像数据是由摄像头采集的数据，摄像头可以对物体几何特征、色彩及文字等信息进行采集，主要用于车道线、交通标示牌、红绿灯以及车辆、行人检测，具有检测信息全面、价格低的特点，但会受到雨雪天气和光照的影响。
激光雷达数据是由激光雷达采集的数据，激光雷达根据光线遇到障碍的折返时间计算距离，通过角度扫描实现全方位的数据采集，具有精度高、探测范围较广的优点，可以构建车辆周边环境3D模型，但容易受到雨雪雾等恶劣天气影响，并且造价高，主要用于障碍物探测识别、车道线识别和辅助定位。
毫米波雷达数据是由毫米波雷达采集的数据，毫米波雷达通过发射一束电磁波，观察回波与入射波的差异来计算距离、速度等，主要用于交通车辆的检测，检测速度快、准确，不易受到天气影响，但是对车道线交通标志等无法检测。
车联通信数据是车联通信过程中的数据，车联通信是一种强调数据交换的无线通信技术，用以实现车与车、车与基础设施、车与人、车与骑行者等之间的信息交换，提高环境识别效率和准确率，但需要额外增加基础实施的建设，对***的计算量及数据处理能力提出更高的要求。
S102、根据预设的分类依据，对感知数据源数据进行分类，确定感知数据源数据对应的驾驶环境信息。
在一个实施例中，分类依据包括动静障碍物、车道线及自然天气状态中的至少一种。
在一个实施例中，根据预设的分类依据，对感知数据源数据进行分类，确定感知数据源数据对应的驾驶环境信息，包括：根据分类依据，利用神经网络模型对感知数据源数据进行分类，确定感知数据源数据对应的驾驶环境信息。
在一个实施例中，根据预设的分类依据，对感知数据源数据进行分类，确定感知数据源数据对应的驾驶环境信息，包括：根据不同的分类依据，对感知数据源数据进行分类，分别确定感知数据源数据对应的不同的驾驶环境信息。
考虑到自动驾驶***所获取的不同感知数据源数据的数据优缺点的差异以及对后续规划控制等模块的影响，在获得各种感知数据源数据后，可以首先使用一个轻量级神经网络对驾驶场景进行理解分类，分类参数边界与提取标准可以自行定义，通过对驾驶环境的分类，将感知信息以一种更适合路径规划和运动控制的形式整合在一起。驾驶环境分类可以依据动静障碍物信息、车道线、自然天气状态进行划分，实现各种情况的不同组合。
S103、基于驾驶环境信息，在确定感知数据源数据满足预设可信度条件的情况下，对感知数据源数据进行多数据源融合，得到融合数据。
在一个实施例中，基于驾驶环境信息，在确定感知数据源数据满足预设可信度条件的情况下，对感知数据源数据进行多数据源融合，得到融合数据，包括：
基于不同的驾驶环境信息，分别确定感知数据源数据对应的不同的源数据概率标签；
整合不同的源数据概率标签，得到感知数据源数据对应的可信度概率值；
在确定可信度概率值高于预设可信度阈值的情况下，对感知数据源数据进行多数据源融合，得到融合数据。
在一个实施例中，在整合不同的源数据概率标签，得到感知数据源数据对应的可信度概率值之后，还包括：
在确定可信度概率值不高于预设可信度阈值的情况下，剔除感知数据源数据。
在完成环境分类后，针对不同环境分类情况，对各感知数据源数据的可用性给出不同概率标签，之后依据驾驶环境对每个数据源的数据的可用性概率进行整合，得到最终的一个可信度概率值。设定数据源数据的可信度阈值，当数据源的可信度概率值高于设定的可信度阈值，则将数据源的数据送入后续的感知处理管线，进行单独的数据处理或者进行多数据源的融合，如果某些数据源的可信度概率值低于设定的可信度阈值，则中止对这些数据源的使用，避免这些数据源对管线中其他处理结果的影响或者污染，同时降低***的资源消耗。
S104、基于融合数据，执行自动驾驶操作。
综上所述，该方法先是根据预设的分类依据，对感知数据源数据进行分类，确定感知数据源数据对应的驾驶环境信息，然后基于驾驶环境信息，只有在确定感知数据源数据满足预设可信度条件的情况下，才对感知数据源数据进行多数据源融合，故相比于现有技术能够在自动驾驶的过程中，提高对环境的感知精度。
通过使用轻量级神经网络对驾驶环境的分类，给出不同感知数据源的可信度概率值，实现了对数据源可用与否的划分，避免不可靠数据对处理管线中其他处理结果的影响或者污染，同时降低***的资源消耗，提高***抗干扰能力，达到数据的优化利用。通过构建对数据源的检测与排除机制，加速了数据处理与推理，降低计算量。在给定有限***资源的情况下，通过采用上文提出的方法，可以有效提高感知***检测精度。比如，可以采用单独的神经网络分别对障碍物和车道线进行检测，减轻使用通过协同训练的方式获得的网络对检测性能的影响。
其中，首先使用轻量级神经网络对驾驶环境进行划分，之后依据环境分类对数据源可用性给出概率标签，经过概率整合后，可以得到可信度概率值，最后依据可信度概率值确定数据源是否进入感知处理管线进行单独处理或者数据融合，整个处理流程保证了不同数据源数据的高效利用，避免可用性差的数据对处理管线精度的影响，降低了***的功耗。
下面以一个具体实施例对上述自动驾驶方法中场景分类处理融合流程进行说明。
如图2所示，数据源数据可以包括但不限于摄像头图像数据、激光雷达数据、毫米波雷达数据、车联通信数据，还可以包括其他感知数据。利用轻量级驾驶环境分类网络根据不同的分类依据(包括但不限于动静障碍物、车道线和自然天气状态)对数据源数据进行分类，分别得到不同的源数据概率标签(包括但不限于源数据概率标签A、源数据概率标签B和源数据概率标签C)。其中，源数据概率标签A代表某一种源数据当存在动态障碍物的环境下可以被用于进行障碍物检测的概率，源数据概率标签B代表某一种源数据在存在车道线的环境下，可用于进行车道线检测的概率，源数据概率标签C代表某一种源数据在各种可能的自然天气状态下可以使用的概率。整合后的各源数据可信度概率值为依据源数据概率标签A、B和C进行加权求和后的结果，每个源数据都分别对应一个可信度概率值。在可信度概率值高于阈值的情况下，若仅有一种源数据可用，则对该源数据单独处理，若有多个源数据可用，则在感知管线内进行融合处理。在可信度概率值不高于阈值的情况下，中止对源数据的使用。
如图3所示，本申请还提供一种自动驾驶装置，该自动驾驶装置包括：
获取模块301，用于获取感知数据源数据；
分类模块302，用于根据预设的分类依据，对感知数据源数据进行分类，确定感知数据源数据对应的驾驶环境信息；
数据融合模块303，用于基于驾驶环境信息，在确定感知数据源数据满足预设可信度条件的情况下，对感知数据源数据进行多数据源融合，得到融合数据；
操作执行模块304，用于基于融合数据，执行自动驾驶操作。
可选的，感知数据源数据包括摄像头图像数据、激光雷达数据、毫米波雷达数据、车联通信数据中的至少一种。
在一个实施例中，分类依据包括动静障碍物、车道线及自然天气状态中的至少一种。
在一个实施例中，分类模块302，包括：
第一分类单元，用于根据分类依据，利用神经网络模型对感知数据源数据进行分类，确定感知数据源数据对应的驾驶环境信息。
在一个实施例中，分类模块302，包括：
第二分类单元，用于根据不同的分类依据，对感知数据源数据进行分类，分别确定感知数据源数据对应的不同的驾驶环境信息。
在一个实施例中，数据融合模块303，包括：
确定单元，用于基于不同的驾驶环境信息，分别确定感知数据源数据对应的不同的源数据概率标签；
整合单元，用于整合不同的源数据概率标签，得到感知数据源数据对应的可信度概率值；
数据融合单元，用于在确定可信度概率值高于预设可信度阈值的情况下，对感知数据源数据进行多数据源融合，得到融合数据。
在一个实施例中，该装置还包括：
剔除模块，用于在确定可信度概率值不高于预设可信度阈值的情况下，剔除感知数据源数据。
图3所示装置中的各个模块/单元具有实现图1中各个步骤的功能，并能达到其相应的技术效果，为简洁描述，在此不再赘述。
图4示出了本申请实施例提供的电子设备的结构示意图。
电子设备可以包括处理器401以及存储有计算机程序指令的存储器402。
具体地，上述处理器401可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器402可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器402可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器402可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器402可在电子设备的内部或外部。在特定实施例中，存储器402可以是非易失性固态存储器。
在一个实例中，存储器402可以是只读存储器(Read Only Memory，ROM)。在一个实例中，该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器401通过读取并执行存储器402中存储的计算机程序指令，以实现上述实施例中的任意一种自动驾驶方法。
在一个示例中，电子设备还可包括通信接口403和总线410。其中，如图4所示，处理器401、存储器402、通信接口403通过总线410连接并完成相互间的通信。
通信接口403，主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。
总线410包括硬件、软件或两者，将在线数据流量计费设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、***组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线410可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。
另外，本申请实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种自动驾驶方法。
需要明确的是，本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本申请的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本申请的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能模块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是，本申请中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或***。但是，本申请不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
上面参考根据本申请的实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本申请的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。
以上所述，仅为本申请的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的***、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。
Claims (9)
1.一种自动驾驶方法，其特征在于，包括：
获取感知数据源数据；
根据预设的分类依据，对所述感知数据源数据进行分类，确定所述感知数据源数据对应的驾驶环境信息；
基于不同的所述驾驶环境信息，分别确定所述感知数据源数据对应的不同的源数据概率标签；
整合不同的所述源数据概率标签，得到所述感知数据源数据对应的可信度概率值；
在确定所述可信度概率值高于预设可信度阈值的情况下，对所述感知数据源数据进行多数据源融合，得到融合数据；
基于所述融合数据，执行自动驾驶操作。
2.根据权利要求1所述的自动驾驶方法，其特征在于，所述感知数据源数据包括摄像头图像数据、激光雷达数据、毫米波雷达数据、车联通信数据中的至少一种。
3.根据权利要求1所述的自动驾驶方法，其特征在于，所述分类依据包括动静障碍物、车道线及自然天气状态中的至少一种。
4.根据权利要求3所述的自动驾驶方法，其特征在于，所述根据预设的分类依据，对所述感知数据源数据进行分类，确定所述感知数据源数据对应的驾驶环境信息，包括：
根据所述分类依据，利用神经网络模型对所述感知数据源数据进行分类，确定所述感知数据源数据对应的驾驶环境信息。
5.根据权利要求3所述的自动驾驶方法，其特征在于，所述根据预设的分类依据，对所述感知数据源数据进行分类，确定所述感知数据源数据对应的驾驶环境信息，包括：
根据不同的分类依据，对所述感知数据源数据进行分类，分别确定所述感知数据源数据对应的不同的驾驶环境信息。
6.根据权利要求1所述的自动驾驶方法，其特征在于，在所述整合不同的所述源数据概率标签，得到所述感知数据源数据对应的可信度概率值之后，还包括：
在确定所述可信度概率值不高于所述预设可信度阈值的情况下，剔除所述感知数据源数据。
7.一种自动驾驶装置，其特征在于，包括：
获取模块，用于获取感知数据源数据；
分类模块，用于根据预设的分类依据，对所述感知数据源数据进行分类，确定所述感知数据源数据对应的驾驶环境信息；
数据融合模块，用于基于所述驾驶环境信息，在确定所述感知数据源数据满足预设可信度条件的情况下，对所述感知数据源数据进行多数据源融合，得到融合数据；
操作执行模块，用于基于所述融合数据，执行自动驾驶操作；
所述数据融合模块包括：
确定单元，用于基于不同的所述驾驶环境信息，分别确定所述感知数据源数据对应的不同的源数据概率标签；
整和单元，用于整合不同的所述源数据概率标签，得到所述感知数据源数据对应的可信度概率值；
数据融合单元，用于在确定所述可信度概率值高于预设可信度阈值的情况下，对所述感知数据源数据进行多数据源融合，得到所述融合数据。
8.一种电子设备，其特征在于，所述电子设备包括：处理器以及存储有计算机程序指令的存储器；
所述处理器执行所述计算机程序指令时实现如权利要求1-6任意一项所述的自动驾驶方法。
9.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-6任意一项所述的自动驾驶方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011422278.XA CN112572471B (zh) | 2020-12-08 | 2020-12-08 | 自动驾驶方法、装置、电子设备及计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011422278.XA CN112572471B (zh) | 2020-12-08 | 2020-12-08 | 自动驾驶方法、装置、电子设备及计算机存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112572471A CN112572471A (zh) | 2021-03-30 |
| CN112572471B true CN112572471B (zh) | 2022-11-04 |
Family
ID=75127726
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011422278.XA Active CN112572471B (zh) | 2020-12-08 | 2020-12-08 | 自动驾驶方法、装置、电子设备及计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112572471B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114084129A (zh) * | 2021-10-13 | 2022-02-25 | 武汉光庭信息技术股份有限公司 | 一种基于融合的车辆自动驾驶控制方法及*** |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101026627A (zh) * | 2007-03-15 | 2007-08-29 | 上海交通大学 | 基于规则和可信度的多源数据融合*** |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102009006214B4 (de) * | 2009-01-27 | 2022-10-13 | Volkswagen Ag | Verfahren zum Bereitstellen einer Umfeldrepräsentation eines Fahrzeugs |
| US8229663B2 (en) * | 2009-02-03 | 2012-07-24 | GM Global Technology Operations LLC | Combined vehicle-to-vehicle communication and object detection sensing |
| US8260052B1 (en) * | 2010-11-30 | 2012-09-04 | Raytheon Company | Object identification via data fusion |
| DE102015107391A1 (de) * | 2015-05-12 | 2016-11-17 | Valeo Schalter Und Sensoren Gmbh | Verfahren zum Steuern einer Funktionseinrichtung eines Kraftfahrzeugs anhand von fusionierten Sensordaten, Steuereinrichtung, Fahrerassistenzsystem sowie Kraftfahrzeug |
| FR3054684B1 (fr) * | 2016-07-29 | 2018-08-24 | Institut Vedecom | Systeme de pilotage d’un vehicule autonome |
| WO2018063241A1 (en) * | 2016-09-29 | 2018-04-05 | The Charles Stark Draper Laboratory, Inc. | Autonomous vehicle: object-level fusion |
| CN106379319B (zh) * | 2016-10-13 | 2019-11-19 | 上汽大众汽车有限公司 | 一种汽车辅助驾驶***及控制方法 |
| CN108445885A (zh) * | 2018-04-20 | 2018-08-24 | 鹤山东风新能源科技有限公司 | 一种基于纯电动物流车的自动驾驶***及其控制方法 |
| CN108960083B (zh) * | 2018-06-15 | 2021-04-06 | 北京邮电大学 | 基于多传感器信息融合的自动驾驶目标分类方法及*** |
| CN111382768B (zh) * | 2018-12-29 | 2023-11-14 | 华为技术有限公司 | 多传感器数据融合方法和装置 |
| US10936868B2 (en) * | 2019-03-19 | 2021-03-02 | Booz Allen Hamilton Inc. | Method and system for classifying an input data set within a data category using multiple data recognition tools |
-
2020
- 2020-12-08 CN CN202011422278.XA patent/CN112572471B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101026627A (zh) * | 2007-03-15 | 2007-08-29 | 上海交通大学 | 基于规则和可信度的多源数据融合*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112572471A (zh) | 2021-03-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112417967B (zh) | 障碍物检测方法、装置、计算机设备和存储介质 | |
| CN110796007B (zh) | 场景识别的方法与计算设备 | |
| CN113466822B (zh) | 用于检测障碍物的方法和装置 | |
| US11371851B2 (en) | Method and system for determining landmarks in an environment of a vehicle | |
| CN112597822A (zh) | 车辆的轨迹确定方法、装置、电子设备及计算机存储介质 | |
| CN111971725B (zh) | 用于确定车辆的变道说明的方法、可读存储介质以及车辆 | |
| CN112580460A (zh) | 一种交通信号灯的识别方法、装置、设备及存储介质 | |
| CN115618932A (zh) | 基于网联自动驾驶的交通事件预测方法、装置及电子设备 | |
| CN111323038B (zh) | 隧道内无人驾驶车辆的定位方法、***和电子设备 | |
| CN111145569A (zh) | 一种道路监测、车辆行驶控制方法、装置及车路协同*** | |
| CN113723216A (zh) | 一种车道线检测方法、装置、车辆及存储介质 | |
| CN112572471B (zh) | 自动驾驶方法、装置、电子设备及计算机存储介质 | |
| CN117372979A (zh) | 道路巡检方法、装置、电子设备及存储介质 | |
| CN112241004A (zh) | 物体识别装置 | |
| US20230068848A1 (en) | Systems and methods for vehicle camera obstruction detection | |
| US11405761B2 (en) | On-board machine vision device for activating vehicular messages from traffic signs | |
| CN117523914A (zh) | 碰撞预警方法、装置、设备、可读存储介质及程序产品 | |
| CN114998861A (zh) | 车辆与障碍物的距离检测方法及装置 | |
| CN115171371A (zh) | 一种协作式道路交叉口通行方法及装置 | |
| JP2019117501A (ja) | 判定装置、判定方法及び判定用プログラム | |
| US11756420B2 (en) | Vehicle detection system | |
| US20240203107A1 (en) | Obstacle identification method, vehicle-mounted device and storage medium | |
| CN116434041B (zh) | 错误感知数据的挖掘方法、装置、设备及自动驾驶车辆 | |
| CN111479217B (zh) | 隧道内无人驾驶车辆的定位方法、***和电子设备 | |
| US20240161610A1 (en) | Information processing device, information processing system, and information processing method |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |