CN114175126A - 基于无线通信的对象分类 - Google Patents

基于无线通信的对象分类 Download PDF

Info

Publication number
CN114175126A
CN114175126A CN202080054898.4A CN202080054898A CN114175126A CN 114175126 A CN114175126 A CN 114175126A CN 202080054898 A CN202080054898 A CN 202080054898A CN 114175126 A CN114175126 A CN 114175126A
Authority
CN
China
Prior art keywords
objects
data
vehicle
signal
wireless
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.)
Pending
Application number
CN202080054898.4A
Other languages
English (en)
Inventor
乔纳森·哈伊姆·阿比尔
什洛米·阿提亚斯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
A D Knight Co ltd
Original Assignee
A D Knight Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by A D Knight Co ltd filed Critical A D Knight Co ltd
Publication of CN114175126A publication Critical patent/CN114175126A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/005—Traffic control systems for road vehicles including pedestrian guidance indicator
    • 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
    • G01S11/00—Systems for determining distance or velocity not using reflection or reradiation
    • G01S11/02—Systems for determining distance or velocity not using reflection or reradiation using radio waves
    • G01S11/04—Systems for determining distance or velocity not using reflection or reradiation using radio waves using angle measurements
    • 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
    • G01S11/00—Systems for determining distance or velocity not using reflection or reradiation
    • G01S11/02—Systems for determining distance or velocity not using reflection or reradiation using radio waves
    • G01S11/06—Systems for determining distance or velocity not using reflection or reradiation using radio waves using intensity measurements
    • 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
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/0284—Relative positioning
    • 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
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/12—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves by co-ordinating position lines of different shape, e.g. hyperbolic, circular, elliptical or radial
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/80—Services using short range communication, e.g. near-field communication [NFC], radio-frequency identification [RFID] or low energy communication
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

一种方法，包括接收数据集，所述数据集包括与多个物理场景内的多个对象相关联的多个射频(RF)无线传输相关联的数据，其中所述数据集对于每个所述对象而言至少包括：(i)相关联的无线传输的信号参数，(ii)包括在相关联的无线传输中的数据，和(iii)相对于对象的位置参数；在训练阶段，在训练集上训练机器学习模型，所述训练集包括所述数据集和指示每个所述对象的类型的标签；以及在推理阶段，将所述训练过的机器学习模型应用于目标数据集，所述目标数据集包括从与物理场景内的目标对象相关联的无线传输获得的信号参数、数据和位置参数，以预测所述目标对象的类型。

Description

基于无线通信的对象分类
相关申请的交叉引用
本申请要求于2019年6月7日提交的美国专利申请No.62/858,364的优先权，所述专利申请的发明名称为“通过使用个人通信装置检测***检测被视觉上遮挡的危险的方法和***”，其全部内容通过引用并入本申请。
背景技术
本申请涉及机器学习领域。
近年来，各种类型的高级驾驶员辅助***(Advanced Driver AssistanceSystem，ADAS)已经被开发并应用于车辆。
ADAS需要诸如射频(Radio Frequency，RF)检测器、测距雷达(ranging，RADAR)、照相机、光检测和测距(Light Detection and Ranging，LiDAR)传感器和超声波传感器的传感器。这些***执行决策任务，例如路径规划和障碍物回避，以及致动任务，例如加速、减速、制动和转向。因此，为了确保ADAS***的安全性和性能，检验、校准、确认、验证以及故障和错误检测是必不可少的。
这些传感器通常依赖于对待检测对象的清晰视线，因此由地形、基础设施(建筑物、交叉口等)、车辆等导致的障碍限制了它们的检测能力。
相关技术的前述示例和与其相关的限制旨在是说明性的而不是排他性的。相关技术的其它限制在阅读说明书和研究附图时对本领域技术人员来说将变得显而易见。
发明内容
以下与***、工具和方法结合描述和示出的实施例及其方面旨在是示例性的和说明性的而不用于限制范围。
实施例中提供了一种***，所述***包括：至少一个硬件处理器；以及非暂时性计算机可读存储介质，所述非暂时性计算机可读存储介质上存储有程序指令，所述程序指令可由所述至少一个硬件处理器执行以：接收数据集，所述数据集包括与多个物理场景内的多个对象相关联的多个射频(RF)无线传输相关联的数据，其中所述数据集对于每个所述对象而言至少包括：(i)所述相关联的无线传输的信号参数，(ii)包括在所述相关联的无线传输中的数据，以及(iii)相对于所述对象的位置参数，在训练阶段，在训练集上训练机器学习模型，所述训练集包括所述数据集和指示每个所述对象的类型的标签，以及在推理阶段，将所述训练过的机器学习模型应用于目标数据集，所述目标数据集包括从与物理场景内的目标对象相关联的无线传输获得的信号参数、数据和位置参数，以预测所述目标对象的类型。
在实施例中还提供了一种方法，，所述方法包括：接收数据集，所述数据集包括与多个物理场景内的多个对象相关联的多个射频(RF)无线传输相关联的数据，其中所述数据集对于每个所述对象而言至少包括：(i)所述相关联无线传输的信号参数，(ii)包括在所述相关联无线传输中的数据，以及(iii)相对于所述对象的位置参数；在训练阶段，在训练集上训练机器学习模型，所述训练集包括所述数据集和指示每个所述对象的类型的标签；以及在推理阶段，将所述训练过的机器学习模型应用于目标数据集，所述目标数据集包括从与物理场景内的目标对象相关联的无线传输获得的信号参数、数据和位置参数，以预测所述目标对象的类型。
在实施例中还提供了一种计算机程序产品，所述计算机程序产品包括非暂时性计算机可读存储介质，所述非暂时性计算机可读存储介质具有与其一起实施的程序指令，所述程序指令可由至少一个硬件处理器执行以：接收数据集，所述数据集包括与多个物理场景内的多个对象相关联的多个射频(RF)无线传输相关联的数据，其中所述数据集对于每个所述对象而言至少包括：(i)所述相关联无线传输的信号参数，(ii)包括在所述相关联无线传输中的数据，以及(iii)相对于所述物体的位置参数；在训练阶段，在训练集上训练机器学习模型，所述训练集包括所述数据集和指示每个所述对象的类型的标签；以及在推理阶段，将所述训练过的机器学习模型应用于目标数据集，所述目标数据集包括从与物理场景内的目标对象相关联的无线传输获得的信号参数、数据和位置参数，以预测所述目标对象的类型。
在一些实施例中，所述多个物理场景中的每一个物理场景是道路场景，并且所述多个对象中的每一个对象是以下之一：行人、自行车骑车者、踏板车骑车者、车辆操作者、车辆乘坐者、车辆乘客和公共交通工具乘客。
在一些实施例中，所述多个场景选自由道路、高速公路、公共道路、公共交通***、公共场所、工作场所、制造设施和仓储设施组成的群组。
在一些实施例中，所述无线传输是从与每个所述对象相关联的至少一个无线装置传输的。
在一些实施例中，所述无线装置中的至少一些包括至少一个发射器。
在一些实施例中，所述无线装置选自由移动装置、智能手机、智能手表、无线耳机、平板电脑、膝上型计算机、微移动性安装的远程信息处理单元、车载远程信息处理单元、车辆信息娱乐***、车辆免提***、车辆轮胎压力监测***，无人机、照相机、仪表板、打印机、接入点和厨房器具组成的群组。
在一些实施例中，所述无线传输的所述信号参数选自由信号频率、信号带宽、信号强度、信号相位、信号相干和信号定时组成的群组。
在一些实施例中，所述无线传输中包括的所述数据选自由数据分组参数、唯一装置标识符、MAC地址、服务集标识符(SSID)、基本服务集标识符(BSSID)、扩展基本服务集(ESS)、国际移动用户标识(IMSI)和临时IMSI组成的群组。
在一些实施例中，所述数据集用所述标签标记组成的群组。
在一些实施例中，所述标签包括：(i)基于与所述对象之一相关联的所述数据集中的至少一个数据实例自动确定对象类型；以及(ii)将所述对象类型作为标签应用于与所述对象之一相关联的所有所述数据实例。
除了上述示例性方面和实施例之外，通过参考附图和研究以下详细描述，其他方面和实施例将变得显而易见。
附图说明
附图中示出了示例性实施例。图中所示的部件和特征的尺寸通常是为了方便和清晰地呈现而选择的，并且不一定按比例示出。附图如下所示。
图1是根据本申请的一些实施例的用于检测和分类物理环境内的目标的示例性***的高级示意框图；
图2是根据本申请的一些实施例的用于检测和分类物理环境内的目标的过程中的功能步骤的框图；
图3A示意性地示出了根据本申请的一些实施例的RF检测阵列的示例性架构；
图3B示意性地示出了根据本申请的一些实施例的RF阵列和信号处理模块；
图4A是根据本申请的一些实施例的用于非协作蓝牙装置的距离估计的方法中的步骤的流程图；
图4B是根据本申请的一些实施例的用于基于装置中的蓝牙发射器的识别来识别Wi-Fi装置的方法中的步骤的流程图；
图5示出根据本申请的一些实施例的基于位置参数的目标分类；
图6是根据本申请的一些实施例的用于对补充模式进行目标分类的方法中的步骤的流程图；
图7A-7C示出了根据本申请的一些实施例的各种道路场景；
图8和图9示出根据本申请的一些实施例的各种机器学习模型结构；以及
图10和图11示出了根据本申请的一些实施例的本方法在工作地点和仓储环境中的示例性应用。
具体实施方式
本申请公开了一种用于至少部分地基于分析从与每个目标相关联的一个或多个RF装置发射的无线传输的各种参数来检测和分类物理环境中的一个或多个目标的***、方法和计算机程序产品。
在一些实施例中，无线传输参数至少包括无线传输信号参数、无线传输数据内容和/或无线传输位置参数。
在一些实施例中，本申请提供了基于分析由与这些目标相关联的无线装置发射的无线传输的各种参数和/或与这些目标相关联的各种移动参数来检测和分类物理环境或场景内的一个或多个目标。
在一些实施例中，本申请提供了基于分析由与这些目标相关联的无线装置发射的无线传输的各种参数和/或与这些目标相关联的各种移动参数来检测和分类物理环境或场景内的一个或多个目标，其中，所述检测还包括基于目标类型将目标识别和/或分类为一个或多个类别或分类。
在一些实施例中，本申请提供了对物理环境或场景内的一个或多个目标进行检测和分类，其中所述检测和识别可以包括以下至少一项：
·装置检测：基于诸如频率分析、信号强度分析等的无线传输参数来检测与环境中的无线装置相关联的目标的存在。
·装置识别：基于传输参数(例如，时间戳、传输频率、位置等)并通过在传输中编码的数据和/或一组识别参数(例如，MAC地址、蓝牙地址、跳频模式、载波频率、时间差双工模式等)来识别装置的类型。
·目标分类：将目标分类成以一组特征为特征的离散类别，例如发射装置的类型(移动电话、无线头戴式耳机、头戴式耳机、智能手表等)、发射协议(2G、3G、4G、5G、LTE、Wi-Fi等)、用户的类型(车辆、人)和用户子类型(车辆、踏板车、自行车、摩托车、乘客、司机、行人等)。
本申请可以实现各种应用，其中基于无线发射来检测和定位物理场景内的目标可能是期望的或出于操作和/或安全原因是关键的。例如，在一些实施例中，根据本申请的目标检测和分类可以被用于实现为城市或城市交通安全计划的一部分以检测和定位行人、骑自行车者和微型移动用户；评估涉及这些用户的危险情况；以及向用户和有关部门发出适当的警报和/或操作道路标志和信号以避免或减轻危险。
类似的***可以在其它环境中实现，例如，在步行工人与重型机械结合的工作场所和采矿场所；在制造设施和仓库中；在公共建筑和场所中；在停车场；在海洋应用中；在战斗场景中；等等。
在一些实施例中，在视觉检测模式不可行或不切实际的情况下，本申请与目标的检测结合可能特别有用。例如，在部分或完全模糊的目标的情况下；使用视觉检测技术难以检测的目标，例如，因为它们通常具有不太明确的特征以便于检测；超出视觉检测模态的视场或视线的目标；位于反射表面后面的目标(例如，位于挡风玻璃后面的车辆乘员)或在具有挑战性或变化的照明和可见度条件的区域中的目标；以及类似情况。
在一些实施例中，物理场景可以被定义为感兴趣区域(Region of Interest，ROI)，其参数可以基于应用确定。在一些实施例中，本申请可以将位于ROI中的对象定义为目标。
例如，在移动车辆中的汽车应用的情况下，本申请的ROI可以是包括对应于围绕车辆的物理包络的环境坐标场的区域。在一些实施例中，ROI可以具有限定的形状，例如，围绕车辆的圆形、矩形、椭圆形或抽象形状。
在其它应用中，在基于设施或基于景观的安装的情况下，坐标场可对应于特定区域、区域、路径、交叉口、场、建筑物、场所、设施、公园和/或其任何部分。
在一些实施例中，ROI可以被定义为特定车辆，例如，汽车、公共汽车、火车车厢、船舶等。
在一些实施例中，环境坐标场可对应于非车辆中心坐标场，例如，世界坐标***、路径中心坐标场等。
本申请将作为非限制性示例广泛讨论在交通安全和汽车应用的背景下使用本方法用于目标检测和分类。然而，如上所述，类似的***可以在许多其它应用和实现中提供优点。
例如，根据本申请的目标检测和分类***可以在自动驾驶(Autonomous Driving，AD)和高级驾驶辅助***(Advanced Driver Assistance System，ADAS)的背景下提供作为主要或补充检测***的特定优点。
作为背景，大多数当前车辆具有一套ADAS***，其提供增强的安全性、驾驶员辅助和自动驾驶特征的组合，诸如自适应巡航控制(Adaptive Cruise Control，ACC)***、盲点监视、碰撞避免***、行人保护***等。ADAS***可以承担车辆驾驶员的部分驾驶任务，包括检测与车辆的安全操作相关的环境信息。
包括ADAS***的车辆通常包括传感器组，所述传感器组包括能够实现ADAS***的功能的一个或多个传感器，例如但不限于基于相机、基于雷达和/或基于LiDAR的传感器组。来自传感器的数据可以描述，例如，车辆所在的物理环境或道路环境、所述物理环境内的静态和动态对象、车辆相对于静态和动态对象的位置、天气、物理环境内的其他自然现象、以及响应于静态和动态对象的ADAS***套件的操作。
动态对象可以包括在其运动或操作方面是动态的道路环境的一个或多个对象，诸如存在于道路中的其他车辆、行人、动物、交通灯和/或环境因素(例如，风、水、冰、太阳光的变化)。
ADAS和/或自动车辆环境感知是关键部件。ADAS感知使用来自各种传感器(例如，照相机、雷达、激光雷达等)的数据来检测环境中可能与ADAS***的操作相关的对象(例如，其他车辆、行人、标志、道路危险)，并且通过扩展来检测车辆及其乘员的操作和安全。因此，精确的环境感知使得ADAS***能够正确地确定对车辆的操作命令，例如加速、减速、折断和/或转向。
ADAS和自动驾驶(Autonomous Driving，AD)***使用传感器(例如无线电检测和测距(Radio Detection and Ranging，RADAR)、照相机、光检测和测距(Light Detectionand Ranging，LiDAR)传感器以及用于感知和决策任务的超声波传感器)。感知算法用于检测和跟踪目标(车辆、行人、道路危险)以及定位(车辆的精确位置)，决策算法用于路径规划和障碍物回避，致动算法用于设置车辆的加速、减速、制动和转向命令。
ADAS传感器通常依赖于对待检测对象的清晰视线，因此由地形、基础设施(建筑物、交叉口等)、车辆、天气等引起的障碍限制了检测能力。由于视线的限制，这些传感器具有特定的视场，所述视场通常高达120°。因此，环绕(360°)检测需要至少三个传感器，这影响了车辆成本，并且将不是一个具有成本效益的解决方案。典型地，在产品设计阶段，存在一个用于降低误报率同时保持尽可能高的检测概率的检测算法的优化过程。例如，一个典型的场景是一个行人在两辆车辆之间行走时被部分遮蔽。在类似场景中增加检测概率可能会导致在其他场景中误报率的增加。
因此，当前的ADAS***在检测、识别和分类行人、其他非车辆和/或部分可见或视觉遮蔽的道路目标(例如道路用户)的能力方面受到限制。例如，行人、自行车骑乘者和其他类似的非车辆道路使用者主要出现于路边和人行道上，并且因此常常被部分地或完全地被遮蔽和/或超出道路车辆的视野。当这些道路使用者突然出现在道路上时，例如，从基础设施特征的障碍物后面出现时，对于ADAS来说，迅速地采取行动以避免潜在危害可能为时已晚。
此外，仅基于视觉和雷达传感器模态的非车辆和/或至少部分遮蔽目标的检测和识别更具挑战性，因为这些目标通常具有不太明确的特征，这有助于检测。
大多数ADAS***基于视觉和/或雷达检测模式，其必须执行在行走、骑自行车、穿过道路、在车辆之间出现等时识别行人的复杂任务。这些检测方式对诸如变化的照明条件、雾、雨、直射阳光等环境条件高度敏感。环境条件可能导致具有高误报率的ADAS***。
一种可能的解决方案是用于检测行人，例如，将应用安装在行人的无线装置上，以允许其在交通环境中检测。虽然所述解决方案可以克服与检测非车辆对象相关的一些限制，但是它具有一些缺点。典型地，这些应用依赖于来自目标无线装置的GPS信息，其具有有限的精度并且因此不能以足够的分辨率确定位置。例如，用移动电话GPS传感器实现的定位精度的最佳情形通常在5米以内，因此对于确定典型道路环境中的精确位置而言不够精确。另一个潜在的限制是在发送和接收位置消息时需要在用户的无线装置和网络延迟上安装应用。
因此，在一些实施例中，本申请提供了物理环境内目标的检测、识别和/或分类。在一些实施例中，在交通和道路环境的背景下，这种目标例如是行人、自行车骑乘者和其他类似的非车辆道路使用者。在一些实施例中，检测和分类至少部分地基于检测和分析从与每个目标相关联的一个或多个无线装置发射的无线传输。这种目标无线装置可以包括移动电话、无线头戴式耳机、头戴式耳机、智能手表等中的任何一个或多个。
在其他实施例中，本申请提供了基于目标无线装置检测和分析的独立检测***。在一些实施例中，本申请可经配置以结合一个或一个以上其它检测模式(例如，车辆的ADAS***)用作主要、附加或补充检测模式。通过将常见的ADAS检测模式与目标无线装置检测相结合，本申请有助于提高检测精度并降低潜在危险情况的发生率。
因此，本申请的潜在优点在于，其基于与对象相关联的无线传输提供环境中的目标或对象的稳健检测、识别和/或分类，并且因此可允许用于例如车辆应用、船舶应用、工业和商业设施、军事应用等的早期检测和警报***。
图1是根据本申请的一些实施例的用于检测物理环境内的目标的示例性***100的高级示意框图。
在一些实施例中，***100可以是陆地和/或空中和/或海上车载、城市微型移动车载、行人安装、人员安装、基础设施安装、工业和商业装置安装、自动化装配线设施和装置安装和/或家用电器安装。
在此描述的***100仅是本申请的示例性实施例，并且在实践中可以具有比所示出的更多或更少的组件，可以组合两个或更多的组件，或者可以具有不同的组件配置或布置。这里描述的各种组件可以以硬件、软件或硬件和软件两者的组合来实现。在各种实施例中，这些***可以包括专用硬件装置，或者可以形成对现有装置的添加/扩展。
***100可以在存储装置118中存储被配置为操作处理模块110(也被称为“CPU”或简称为“处理器”)的软件指令或组件。在一些实施例中，软件组件可以包括操作***，所述操作***包括用于控制和管理一般***任务(例如，存储器管理、存储装置控制、电源管理等)并促进各种硬件和软件组件之间的通信的各种软件组件和/或驱动器。
在一些实施例中，***100的软件组件可以包括操作***，所述操作***包括用于控制和管理一般***任务(例如，存储器管理、存储***控制、电源管理等)并促进各种硬件和软件组件之间的通信的各种软件组件和/或驱动器。
在一些实施例中，处理模块110控制和操作例如射频传感器模块112、信号处理模块114、分类模块116、通信模块120和/或用户接口122。
在一些实施例中，***100包括射频传感器模块112。在一些实施例中，射频传感器模块112可以包括传感器阵列，所述传感器阵列包括一个或多个传感器或被配置用于关于无线信号(例如射频(RF)信号)发射、接收、供电、放大和/或执行任何其他操作的任何其他组件。在一些实施例中，射频传感器模块112用于检测射频信号的至少一个天线。在一些实施例中，射频传感器模块112可以与车辆内的任何传感器阵列(例如，ADAS传感器阵列)集成或形成所述传感器阵列的一部分。
在一些实施例中，射频传感器模块112还可以包括一个或多个其它传感器，例如：一个或多个超声波传感器；一个或多个雷达传感器；一个或多个光检测和测距(LiDAR)传感器；一个或多个环绕照相机(通常位于车身上的各种位置以对车身周围的区域成像)；一个或多个立体照相机，例如，为车辆路径中的对象检测和对象识别提供深度感知；一个或多个红外照相机；GPS单元，其提供位置坐标；转向传感器，检测所述转向角度；速度传感器(每个车轮一个)；惯性传感器或惯性测量单元(Inertial Measurement Unit，IMU)，其监视车身的移动(所述传感器可以是例如加速计和/或陀螺仪传感器和/或磁罗盘)；轮胎振动传感器；和/或放置在车辆周围和车辆内部的麦克风。在一些实施例中，传感器单元112可以包括例如全球定位***传感器中的一个或多个；红外检测器；运动检测器；恒温器；声音检测器、一氧化碳传感器；二氧化碳传感器；氧传感器；质量空气流量传感器；发动机冷却剂温度传感器；节气门位置传感器；曲轴位置传感器；汽车发动机传感器；阀计时器；空燃比计；盲点测量仪；路缘触头；缺陷检测器；霍尔效应传感器；歧管绝对压力传感器；停车传感器；雷达枪；速度计；速度传感器；轮胎压力监测传感器；扭矩传感器；变速器流体温度传感器；涡轮速度传感器(turbine speed sensor，TSS)；可变磁阻传感器；车速传感器(vehicle speedsensor，VSS)；水传感器；车轮速度传感器；以及任何其他类型的汽车传感器。在一些实施例中，可以使用本领域普通技术人员已知的其他传感器。
在一些实施例中，分类模块116可以针对所接收的数据执行分类算法，以生成与在物理环境或场景内检测和分类目标相关联的预测。在一些实施例中，分类可以被定义为概括要应用于新数据的已知结构的任务。为了简单起见，术语“检测”、“分类”和“预测”在此可互换地使用，并且用于指机器学习模型的任何类型的输出。所述输出可以是类和分数的形式，所述分数指示输入属于所述类的确定性。各种类型的机器学习模型可以被配置为处理不同类型的输入并产生相应类型的输出；所有这些类型旨在由本实施例覆盖。当提到对象时，术语“类”、“类别”、“类别标签”、“标签”和“类型”可以被认为是关于对象分类的同义术语。术语“机器学习模型”和“机器学习分类器”可互换地使用，并且为了简单起见可以缩写为“模型”或“分类器”。这些术语用于指任何类型的机器学习模型，其能够基于输入产生输出，无论是分类、预测还是新数据的产生。分类算法可以包括线性判别分析、分类和回归树/决策树学习/随机森林建模、最近邻、支持向量机、逻辑回归、广义线性模型、朴素贝叶斯分类和神经网络等。
在一些实施例中，信号处理模块114可以被配置成分析由射频传感器模块112接收的射频信号，并估计关于发射装置的一个或多个参数，包括但不限于测量和估计射频发射装置的相对位置、方位、距离、速度和/或加速度。
在一些实施例中，通信模块120可被配置成将***100连接到网络，例如互联网、局域网、广域网和/或无线网络。在一些实施例中，网络是车辆内的本地网络。在一些实施例中，通信模块120促进通过一个或多个外部端口与其他装置的通信，并且还包括用于处理由***100接收的数据的各种软件组件。
在一些实施例中，用户接口122包括用于控制***100的控制面板、用于提供音频命令的按钮、显示监视器和/或扬声器中的一个或多个。在一些实施例中，***100包括一个或多个用户输入控制装置，诸如物理或虚拟操纵杆、鼠标和/或点击滚轮。在一些实施例中，使用接口122可以例如结合到其中安装有***100的车辆的驾驶员和/或另一操作员接口中。在一些实施例中，用户界面122可被配置为向***100的用户(例如，驾驶员、车辆的操作者等)发出警报。
在其他变型中，***100包括一个或多个***接口、射频电路、音频电路、麦克风、输入/输出(I/O)子***、其他输入或控制装置、光学或其他传感器以及外部端口。上述每个识别的模块和应用对应于用于执行上述一个或多个功能的一组指令。这些模块(即，指令集)不需要被实现为单独的软件程序、过程或模块，因此这些模块的各种子集可以在各种实施例中组合或以其他方式重新布置。
在一些实施例中，***100还可被配置成与车辆的ADAS套件通信和/或协作，其中***100例如通过通信模块120安装在ADAS套件中，以向ADAS套件提供数据，所述数据可导致对车辆的操作命令的调整，例如加速、减速、制动和/或转向。在一些实施例中，处理模块110还可以被配置成执行决策和/或规划功能，这些功能使用来自射频传感器模块112、信号处理模块114和/或分类模块116的数据来进行车辆路径的向前规划。然后，可以例如经由控制器区域网络数据接口(“CAN总线”)(用于控制制动器、加速、转向、挡风玻璃刮水器等的现代汽车内部的网络)来发送向前规划决策作为操作车辆***的命令信号。
在一些实施例中，***100和/或其任何模块或组件可以安装在车辆上和/或车辆外部(例如，在云中)。在一些实施例中，***100是车载***，并且其部件可以安装在车辆的任何部分上。
在一些实施例中，***100的一些或全部模块和组件可以集成到车辆的***中。在一些实施例中，***100可以进一步实现检测车辆及其周围的关键点和特征的各种技术，包括但不限于计算机视觉算法和/或信号处理算法。在一些实施例中，算法可以使用预定义参数的数据库来提高准确性、精确度和处理时间。此外，算法可以使用关于被测车辆的用户输入，诸如品牌、型号、车型年份等。
目前，车辆、行人和道路基础设施特征可以使用RF和/或其它无线通信协议，其采用各种协议中的任一种，包括但不限于V2X(V2V、V2I、V2P、V2C)、移动网络(2G，3G，4G，5G，LTE，4G-FDD、4G-TDD、CV2X)，专用短程通信、WiFi、Zigbee、LoRa、蓝牙和差分GPS。此外，其它车辆部件，例如雷达传感器，可以是RF发射装置。
通常，所有射频传输遵循一个或多个用于无线电传输的已知标准和协议。因此，通过监视各种传输参数(例如，频带)，可以检测、识别和分类射频发射装置，特别是诸如智能电话、蜂窝电话、无线头戴式耳机、智能手表等的无线装置。
图2是根据本申请的一些实施例的用于检测物理环境内的目标的过程中的功能步骤的框图，至少部分地基于检测和分析从与这些目标相关联的一个或多个无线装置发射的无线传输。这种目标无线装置可以包括移动电话、无线头戴式耳机、头戴式耳机、智能手表中的任何一个或多个。
在一些实施例中，本过程包括射频感测和/或检测、定位、优先级排序、跟踪、预测/分类和警报发布的功能步骤。
在一些实施例中，如上所述，***100可以是Wi-Fi感知等，即，被配置为通过任何射频协议(例如，Wi-Fi、蓝牙等)提供与周围环境中的装置的快速发现、连接和数据交换。在一些实施例中，射频传感器模块112可以包括射频阵列，所述射频阵列包括射频发射接收机、检测器和发射器。在一些实施例中，传感器阵列112还可以包括例如Wi-Fi和/或蓝牙网络通信和管理功能。在一些实施例中，射频传感器模块112可以与Wi-Fi、蓝牙和/或邻居感知网络、无线局域网和/或有线局域网、蜂窝网络和/或V2X通信网络兼容。在通过射频检测阵列检测和识别目标装置的射频传输信号之后，信号处理阵列估计到所述装置的方向和距离，并且可以在物理层和数据层上使用蓝牙、Wi-Fi、蜂窝和/或V2X传输参数。
例如，通过检测装置使用的传输频率，***100可以对任何周围的操作和传输个人装置进行分类和定位。然后，***100可以将位于相同位置的发射器或通信个人装置融合成一个识别的装置或对象(例如，蜂窝电话可以同时在W-Fi、蓝牙和蜂窝中发射)。用户或对象携带的个人装置可以由主处理单元跟踪，可以被优先化，并且它们的参数可以被发送到车辆ADAS***。
图3A示意性地示出了根据一些实施例的由***100用作射频传感器模块112的一部分的射频检测阵列300的示例性架构。图3B示意性地示出了可以是射频传感器模块112和信号处理模块114的一部分的射频阵列300。
阵列300可以包括一个或多个天线和/或天线阵列和/或类似的元件和/或组件，以允许***100通过信号处理模块114检测、计算和/或估计射频发射装置的距离、位置、定向和/或轨迹。所述***可以是无源的，接收射频信号，或者有源的，发送和接收射频信号。可以使用一个或多个检测***来提高精确度和检测能力。
射频检测阵列可以包括用于接收由射频发射装置生成的射频信号的一个或多个射频信号接收器，射频信号接收器包括例如全向和/或定向天线、带通滤波器(Band PassFilter，BPF)和/或低噪声放大器(Low Noise Amplifier，LNA)以改善所接收的信号信噪比(Signal to Noise Ratio，SNR)。阵列300可以包括软件定义无线电(Software DefinedRadio，SDR)、模数转换器(Analog to Digital Converter，ADC)、射频混频器、低通滤波器(Low Pass Filter，LPF)和信号处理单元。阵列300还可以包括用于检测所接收的每个射频功率信号的信号强度的一个或多个射频功率检测器，以及产生指示其的输出信号的相位检测器。
在一些实施例中，信号处理模块114可以被配置为测量和估计射频发射装置的相对位置。在一些实施例中，接收信号强度指示器(Received Signal Strength Indicator，RSSI)、往返时间(Round-Trip Time，RTT)、三角测量、差分RSSI(differential RSSI，DRSSI)和飞行时间测量(Flight Time Measurement，FTM)方法可用于基于对接收信号强度的测量和多点(来自已知不同点的多距离测量)来测量射频发射装置和检测***之间的距离。在一些实施例中，可以使用以下参数中的一个或多个：AOA-到达角，CRLB-克拉美罗下界，CEP-可能圆误差，DDOP-差分多普勒，DF-方向发现，DFOA-到达差分频率，DOA-到达方向，DPD-直接位置确定，DTOA-到达差分时间，EM-期望最大化，ESPRIT-通过旋转不变性技术估计信号参数，FDOA-到达的频率差，GDOP-精度几何稀释，IQML-迭代二次最大似然，LOP-位置线，ML-最大似然，MLE-最大似然估计器，和MUSIC-多信号特征。在一些实施例中，这些技术中的任何一种或多种可用于确定射频发射装置相对于***100的位置的位置。在一些实施例中，***100可以使用2D、3D和/或高清映射数据以实现更高的性能，例如，省略位于感兴趣区域之外并且因此与***无关的对象(例如，检测远离道路的人)。在一些实施例中，阵列300还可以包括一个或多个专用射频信标，以便改进由限定区域内的对象(例如，商业和/或制造设施、仓库、学校区域等)携带的成对信标的检测能力。射频信标可以使用唯一授权的射频频率，或者它可以基于公共协议，例如但不限于蓝牙、WiFi、ZigBee、蜂窝(V2X、DSRC，5G、LTE，4G，3G，2G)发射器或无源射频元件作为射频识别。
在一些实施例中，***100可以被配置成与安装在目标无线装置上的专用应用程序通信，以使得目标无线装置使用目标无线装置(LTE，5G，WiFi，蓝牙，CV2X等)中的任何可用发射器来发射周期性识别信号。
在一些实施例中，***100能够通过任何传输协议(Wi-Fi、Wi-Fi感知、蓝牙、ZigBee等)检测和读取网络管理和控制消息和/或目标无线装置的分组和地址的使用。在一些实施例中，将这样的信息与物理信号参数相关联可以提高***精度和/或添加关于装置状态(例如，配对、未配对、忙等)的语义上下文。
在一些实施例中，***100还可以包括对象跟踪模块。所述模块可以使用基于目标装置参数、跳频模式和/或基于多普勒的算法或位置跟踪算法的各种类型的跟踪算法，其跟踪诸如速度、距离、方向、类型等个人装置属性，以改进个人装置分类、位置和置信度水平。
在一些实施例中，***100可以被配置成快速地将消息和/或网络控制消息连接并传输到附近的目标无线装置，以向装置用户提醒可以与***100相关联的车辆的存在。在一些实施例中，这可以通过建立与附近发射器的瞬时无线连接来执行。可以通过鼓励发射器扫描附近的接入点并检测它们来实现。也可以通过使用Wi-Fi感知能力或和NAN网络来完成。
在一些实施例中，***100可以被配置为扫描和/或检测环境中发射目标无线装置的所有射频传输信道，例如，控制信道、用于语音的下行链路信道、用于数据的下行链路信道、用于语音的上行链路信道和用于数据的上行链路信道。在一些实施例中，***100可以监视所有这些信道和/或监视允许诸如检测范围、信令速率、标识信息等更好性能的特定信道。
在一些实施例中，目标无线装置的识别可以包括检测装置识别参数、装置特征、装置品牌和模型中的一个或多个。
距离估计
在一些实施例中，***100的信号处理模块114可以被配置成使用例如通过差分接收信号强度测量来估计到***100的环境内的发射器/发射机目标无线装置的距离。
在一些实施例中，作为非限制性示例，可以使用接收信号强度指示器(RSSI)来执行测量到射频发射装置(诸如目标无线装置)的距离，其中可以基于接收信号的强度来估计到发射机的距离。然而，这种方法呈现相对低的精度，因为由于发射器增益、发射器位置、发射器天线增益、遮蔽、反射等，接收信号电平可能显著变化。
通过RSSI估计距离的公式可由以下公式描述：
Pr＝Pt+Gt+Gr-L[dBm]
其中：
·Pr-观察功率
·Pt-发射器功率
·Gt-发射器天线增益
·Gr-接收天线增益
·L-信道路径损失
所述距离可以由下式给出：
Figure BDA0003493839140000161
其中
·f-频率
·c-传播速度
·d-距离
·α-系数(通常位于2到4之间)
PtGtα是导致距离误差的未知系数。
为了减小误差，信号处理模块114可以使用差分RSSI方法，其中所观察到的功率是在短时间内在至少三个不同位置测量的，并且安装***100的车辆的速度是已知的，因此采样点之间的距离是已知的。这提供了三个未知变量(Pt+Gt；α；d)。假设发射器没有在样本之间移动太多，则距离d可以以比标准RSSI更高的精度来估计，如以下所述：
Figure BDA0003493839140000171
Figure BDA0003493839140000172
Figure BDA0003493839140000173
Figure BDA0003493839140000174
Figure BDA0003493839140000175
如上所述，可以通过数值计算来估计距离d，而不需要使用高计算能力。
在一些实施例中，信号处理模块114可以进一步被配置为通过使用分类和位置数据来改进对发射器/发射机装置的距离估计。如上所述，当使用RSSI时，需要估计三个自由系数，这可能产生不准确。这些系数是：
·α-系数(通常在2到4之间)
·Pt-发射器功率
·Gt-发射器天线增益
变量α与环境有关，范围从自由空间中的值α＝2到室内和密集城市环境中的值α＝4。通过使用由车辆导航***提供的位置和地图数据，可以更准确地评估参数α。然后可以基于装置类型的识别和/或分类来估计Pt和Gt，例如，智能电话发射功率(Pt)大约25dBm，天线增益大约3dBi。通过更好地估计这些参数，可以实现更准确的距离估计。
在一些实施例中，信号处理模块114可以提供到Wi-Fi装置的估计距离。当估计到Wi-Fi发射器的距离时，信号处理模块114可使用飞行时间测量(FTM)或往返时间(RTT)来估计车辆运载***100与可由行人运载的目标无线装置之间的距离。
在一些实施例中，信号处理模块114可提供通过方向确定来估计到发射器/发射机的距离。为了估计到目标无线装置的距离，信号处理模块114可以使用两个或更多个射频阵列，每个射频阵列被配置成分别测量到目标无线装置的定向。通过测量两个或多个角度，信号处理模块114可以通过三角测量计算相对距离。
在一些实施例中，可以采用附加的和/或其他距离估计方法。
装置检测和识别
在一些实施例中，信号处理模块114可提供非合作蓝牙装置的检测、识别和分类。公共蓝牙装置可以处于非合作模式，例如，当所述装置与另一装置(例如，与耳机配对的移动电话)配对时，或者当所述装置处于不可发现模式时。在这种情况下，信号处理模块114可以被配置成使用其MAC(媒体访问控制)地址或蓝牙地址(BD_ADDR)与目标无线装置通信。蓝牙地址的结构是：
Figure BDA0003493839140000181
·OUI-组织唯一标识符
·NAP-非有效地址部分(2字节)。包含OUI的前16位。在跳频同步帧中使用NAP值。
·UAP-上地址部分(1字节)。包含OUI的剩余8位。UAP值用于在各种蓝牙规范算法中播种。
·LAP-下地址部分(3字节)。蓝牙地址的这部分由装置的供应商分配。LAP值唯一地将蓝牙装置识别为每个发送帧中的接入码的一部分。
图4A是用于非合作蓝牙装置的距离估计方法中的步骤的流程图。在一些实施例中，可以仅检测装置LAP。在一些实施例中，如果蓝牙装置是不可发现的，则其地址元素可以是不可发现的。在一些移动装置中，Wi-Fi和蓝牙MAC地址相同或仅反映LAP最后部分中的微小差异。因此，装置的蓝牙UAP MAC地址可以是：
·通过检测所述装置的Wi-Fi UAP MAC地址来确定，或者
·基于Wi-Fi LAP MAC地址估计。
通过知道其LAP和UAP可以实现与蓝牙装置的通信，这允许基于装置正在传输的一组参数对装置进行分类。使用所述处理，可以实现全配对处理。
在一些实施例中，信号处理模块114可以被配置为检测和识别成对蓝牙装置。在一些情况下，目标无线装置可以与另一个蓝牙装置(例如，头戴式耳机、耳机、无线扬声器和/或车辆免提***)配对。在这种情况下，被声明为“主装置”，而另一个蓝牙装置被声明为“从装置”，其中主装置和从装置的蓝牙MAC地址都被合并到主装置的MAC地址中。因此，为了检测成对装置，信号处理模块114可以使用由目标无线装置和/或蓝牙装置发送的参数，并基于例如成对装置之间发送的数据分组的体积和模式来分析成对蓝牙装置是否被呈现。
在一些实施例中，信号处理模块114可提供基于Wi-Fi传输的目标无线装置检测和识别。使用IEEE 802.11协议的Wi-Fi装置通常用于移动装置、接入点等。在其操作期间，装置发送其MAC地址以识别无线网络或邻居感知网络。
在一些实施例中，信号处理模块114可以基于服务集标识符、基本服务集标识符、扩展基本服务集、信号强度和MAC地址中的一个来对支持Wi-Fi的目标无线装置进行分类。
在一些实施例中，如图4B所示，标识Wi-Fi装置可以基于装置中的蓝牙发射器的标识，其中装置具有Wi-Fi和蓝牙发射器。
在一些实施例中，信号处理模块114可基于多个附加数据点来提供目标无线装置标识，例如，无线装置相对于***100的位置的速度、位置、距离和方向。例如，被识别为智能手机并且被检测为高速行驶的无线目标装置可以指示移动车辆内的位置，而以步行速度前进的智能手机可以指示作为行人或骑自行车的目标，如图5所示。在一些实施例中，共享相同属性(例如但不限于速度、位置、距离和方向)的射频发射装置的聚合可用于识别。例如，可以使用所有以相同速度和方向移动的蜂窝电话、免提蓝牙装置、Wi-Fi装置和LTE装置来定义电动踏板车对象。
在一些实施例中，本申请可与常见的基于ADAS视觉的检测模式组合，以克服这些模式中固有的弱点。通过使用目标无线装置检测，可以检测与视觉检测到的目标相关联的无线装置，从而提高ADAS检测鲁棒性和性能。此外，通过使用预测算法，可以预测可能发生的涉及非视线或模糊车辆的危险情况。图6中给出了一个例子。可以通过ADAS***的视觉检测模式来执行主目标检测。在目标例如被部分遮蔽的情况下，ADAS检测算法可以将检测与低水平的确定性相关联。然后，ADAS***可以将视觉检测与基于目标无线装置的检测结合，以检验和验证主检测。因此，ADAS***可以增加检测确定性水平。
机器学习分类
在一些实施例中，本申请提供了训练过的机器学习模型，用于至少部分地基于分析无线传输的各种参数以及与这些目标相关联的运动参数，对物理环境中的目标类型进行分类和/或预测。
在一些实施例中，本申请的训练过的机器学习模型可提供用于基于分析由与目标相关联的无线装置发射的无线传输的各种参数来对物理环境或场景内的目标类型进行分类和/或预测。
在一些实施例中，这种装置可以是移动装置、平板电脑、膝上型计算机、微移动性安装的远程信息处理单元、车载远程信息处理单元、车辆信息娱乐***、车辆免提***、车辆轮胎压力监测***、智能手表、无线耳机、无人机、相机、仪表盘、打印机、接入点和厨房器具。
在一些实施例中，本申请的训练过的机器学习模型可以进一步提供用于将目标类型分类和/或预测为以下之一：行人、车辆驾驶员、车辆乘客、公共汽车驾驶员、公共汽车乘客、卡车驾驶员、卡车乘客、共享踏板车驾驶员、共享自行车驾驶员、踏板车驾驶员、自行车驾驶员、轻便摩托车驾驶员、机动踏板车骑手、有轨电车乘客、轻型列车乘客、列车乘客、汽车、公共汽车、卡车、共用踏板车、共用自行车、踏板车、自行车、轻便摩托车、机动踏板车、有轨电车、轻型列车、列车。
在一些实施例中，本申请的训练过的机器学习模型可以进一步提供用于使用例如智能手机、数据应用、语音呼叫、内容流等来预测目标的情景感知和/或装置使用参数。
在一些实施例中，本申请的机器学习模型可以在训练数据集上训练，所述训练数据集包括与包括至少一个目标的各种场景相关联的数据，其中与每个目标相关联的数据点与由一个或多个装置和/或一个或多个射频发射器发射的无线传输相关，所述射频发射器与所述目标相关联和/或承载但所述目标。在一些实施例中，这样的数据点可以包括与以下相关的数据：
·无线传输信号参数。
·无线传输数据内容，和/或
·无线传输位置参数。
在一些实施例中，无线传输信号参数和/或数据内容可以包括但不限于信号频率、信号带宽、信号强度、信号相位、信号相干、分组参数(类型、大小等)、网络拓扑、唯一装置标识符(例如，MAC、SSID、BSSID、ESS、UUID、TIMSI、IMSI等)，信号定时(例如，当无线装置使用时分多址或时分双工协议时)、数据分组参数(类型、大小等)、网络拓扑、信号子载波(例如，正交频分复用(OFDM))和频分双工(FDD)。
在一些实施例中，基于无线传输模式(例如，位置、速度、加速度、轨迹、加速度)以及与这些参数中的每一个相关联的历史信息，位置参数可以包括但不限于与目标相关联的位置和/或移动参数。在一些实施例中，可以基于连续跟踪目标的位置参数来获得位置参数，其中用时间戳标记各种参数。在一些实施例中，定位参数可以包括用合适的时间标记标注的定位历史。
在一些实施例中，本申请的训练数据集可以用与每个目标相关联的目标类别标签来标注。在一些实施例中，可以使用手动标注技术来执行对本申请的训练数据集的标注和/或标记。
在一些实施例中，注释可以包括自标记和/或自监督技术，其中基于例如其他相关和/或关联的数据点自动标记训练集中的数据点。在一些情况下，目标可以具有与其关联的多个数据点或数据实例，其中这些数据点中的一个或多个可以提供关于目标的标识和/或分类的指示。在这种情况下，当单个或多个数据点提供关于目标的身份和/或分类的地面真值指示时，可以相应地对整个数据点集进行标注。例如，从无线传输获得的数据内容可以提供关于目标类别或分类的指示。例如，SSID包含单词“总线”的Wi-Fi信号可以被认为属于总线的类别，例如，安装在总线中的Wi-Fi网关或接入点。在另一示例中，当无线传输指示包含单词“iPhone”的装置名称时，装置可以被假定为智能手机。在又一示例中，目标(例如，高速公路、行人行道或自行车车道)的位置可提供关于目标类型的地面真实指示。在一些实施例中，包括在同一装置中的不同射频传输模式的类似或相同MAC地址可用于交叉标记目的。
因此，训练集中与相同目标相关联和/或相关的所有数据点可以接收相似的类别标签。
在一些实施例中，本申请的训练数据集可以包括结合包括一个或多个虚拟静态和/或动态目标的一个或多个生成的和/或感知的测试场景获取的数据。在一些实施例中，虚拟场景生成可以包括虚拟化，例如，包括例如多个静态和/或动态对象的道路环境，所述多个静态和/或动态对象真实地表示车辆在现实世界中可能遇到的驾驶场景。在一些实施例中，虚拟目标可以表示为在环境内产生和/或传输的一个或多个信号。在一些实施例中，可以基于与生成的测试环境相关联的地面真值参数来执行使用生成的测试环境获得的数据的注释。
初始分类
在一些实施例中，本申请的训练数据集可用作词典和/或数据库以用于预成形初始目标分类。
在一些实施例中，初始目标分类可以包括获取关于测试目标的一个或多个数据点，其中数据点可以包括与以下相关的数据：
·无线传输信号参数。
·无线传输数据内容，和/或
·无线传输位置参数。
相对于目标。
在一些实施例中，这些数据点中的一些或全部可以基于与包括在词典中的数据点的比较来用于初始分类，其中可以通过将包括在词典中的注释分配给测试数据点集合来获得分类。
在一些实施例中，初始分类可以基于来自这些类别中的每一个的多个参数的组合。例如，可以将NB-IoT频谱中的信号频率和人行道上的位置分类为共用踏板车。在另一个例子中，具有移动电话的Wi-Fi MAC地址OUI、连接到具有包含字“总线”的SSID的AP(接入点)的装置可以被分类为总线内的乘客。在一些实施例中，初始分类可以基于装置名称，例如，包含词语“Airpod”或“Car”的蓝牙装置名称可以提供装置的指示，并因此提供其用户/目标。在又一示例中，移动电话制造商或车辆信息娱乐***制造商的Wi-Fi MAC地址OUI(组织唯一标识符)可以分别指示移动电话和装备有信息娱乐***的车辆。
在一些实施例中，本申请的词库可以包括诸如SSID、BSSID、ESS、UUID、TIMSI、IMSIMAC和OUI的已知唯一标识符的数据库。
在一些实施例中，无线传输数据内容可以包括例如分组信息，其中大量的数据或语音业务可以指示用户对装置的有效使用，并且因此对用户的一部分具有潜在的低意识。
在一些实施例中，位置参数可以包括例如人行道上或道路上的位置。
机器学习分类
在一些实施例中，在训练阶段，可以在本申请的训练数据集上训练一个或多个机器学习模型。例如，在训练阶段，可以基于包括多个场景的训练集和至少包括无线传输信号参数、无线传输数据内容和/或无线传输位置参数的关联无线数据来训练一个或多个机器学习模型以预测目标类型。
在一些实施例中，在推论阶段，如图8所示，本申请的训练过的机器学习模型可以应用于与测试场景相关联的一组数据点，以预测与测试场景相关联的一个或多个目标的类型。
在一些实施例中，本申请可提供以分层方式操作的级联分类器，其中多个第一实例分类器的输出可用作聚合分类器的附加信息。
例如，如图9所示，在一些实施例中，目标分类可以基于与单个目标相关联的两个或更多个射频装置。例如，行人可以携带智能手机以及蓝牙耳机。在这种情况下，两个射频装置将与类似的位置参数相关联。在另一示例中，由车辆乘员使用的单个装置可以在Wi-Fi和蓝牙两者中传输。在这种情况下，两个射频传输应当具有相同或非常相似的唯一标识符(例如，MAC地址)。
因此，可以将本申请的一个或多个训练过的机器学习模型分别应用于从每个射频装置获得的数据，以基于从每个射频装置或实体获得的无线传输数据输出关于目标的预测。在一些实施例中，可以将单独的预测输入到聚合分类器中，所述聚合分类器针对。
具体使用情形
在一些实施例中，本申请的***，例如图1中的***100可以被配置成检测穿过道路的行人。检测穿过道路的行人是ADAS***的最关键任务之一，因为穿过行人对车辆造成高水平的碰撞危险，特别是当考虑到诸如幼儿或老年人的具有低水平情境意识的易感人口时。通过使用目标无线装置检测，可以检测由行人携带的装置(例如智能电话、蜂窝电话、免提蓝牙、Wi-Fi等)。在一些实施例中，装置可以包括专用射频信标或应用，其被配置成使得装置发射周期性和/或定义的检测信号。
在一些实施例中，***100可以被配置成评估行人情景感知。预测行人行为是ADAS***的最具挑战性的任务之一，而行人对移动装置的密集使用本身可能导致行人的低情境感知，这可能表现在穿过繁忙的道路或在红色信号上。因此，在一些实施例中，通过分析目标装置信号特性(例如，传输速率、数据分组大小、发送装置类型等)，可以评估行人的情景感知。信号特性分析可以允许评估行人是否主动地使用移动电话智能电话来例如文本消息、进行语音呼叫、将音频或视频内容流传送到无线耳机等。
在一些实施例中，信号处理模块114可提供用于部分地检测完全遮蔽的车辆。道路状况、地形、传感器视场和其它参数限制了ADAS***检测车辆的能力。例如，在交通工具可能被基础设施特征、停车车辆和/或地形高度差遮挡的交叉口中。在其他示例中，卡车驾驶员可能发现难以在侧面的盲区内检测。
因此，在一些实施例中，本申请的目标无线装置检测***可提供用于检测来自位于环境内但至少部分被遮蔽的发射器的无线传输。在一些实施例中，目标无线装置检测可提供用于基于无线传输分析来检测和分类目标。
图7A示出了示例性场景，其中接近交叉口的车辆700不能仅使用基于视觉或雷达的ADAS检测模式来检测目标车辆702。图7B-7C示出了车辆、摩托车和自行车位于盲点中并且不能被车辆的驾驶员看到的各种附加场景。在一些实施例中，目标无线装置检测可提供用于基于无线传输分析来检测和分类目标。
在一些实施例中，目标无线装置检测***在提高行人、自行车、车辆等的检测概率方面可以是非常有利的。在一些实施例中，这种概率可以随着由行人、自行车、车辆等携带的专用射频信标的使用而增加。虽然这种信标使用在行人和私人自行车和/或车辆上可能不常见，但是它可以广泛地用于商业车队，例如租用踏板车、自行车和/或车辆，其中运营公司管理大量车辆的政策。车队车辆上的这种专用射频信标使用可能有助于降低事故发生率、降低保险费等。
在一些实施例中，本申请的目标无线装置检测***可以通过感测由行人携带的装置，并通过向所述装置发送警报消息来提醒行人关于危险情况来检测危险情况。在一些实施例中，***可以使用协议或定义的MAC地址、蓝牙地址或SSID，其在进行数据链路管理和/或专用紧急信道的同时被传送到装置。警告行人/装置用户可能取决于在装置上预安装应用。
在一些实施例中，本申请的目标无线装置检测***可以收集和存储目标信息，例如，关于特定区域和/或时间中的行人和/或其他目标的数量。这些数据可以被收集并存储在指定的数据库中。在一些实施例中，这样的数据可以包括关于公共交通***的数据，例如特定公共交通领域中的乘客数量，诸如车站、公共汽车、火车车厢、地铁车厢等。在一些实施例中，可以使用安装在公共交通工具中的专用检测公共交通工具。在一些实施例中，这样的数据可以包括特定公共场所或基础设施(诸如建筑物、购物中心、办公室等)中的访客数量。
使用重型机械装置的工作场所，例如施工场所、矿山等，涉及重型机械的广泛使用，特别是诸如推土机、轮式装载机、拖拉机、铰接式拖拉机、卡车等的土方移动装置。这些重型机器的操作员通常受到可见度的限制。因此，在这种工作场所中的许多危险情况涉及位于重型机械附近的人员，作为其日常工作的一部分。因此，重型工地机械可装备有如上述图10中所示的目标无线装置检测***。所述***检测携带射频发射装置(个人蜂窝电话、蓝牙头戴式耳机、Wi-Fi、专用信标、使用安全应用的智能电话等)的人进入预定义的安全区域。在这种情况下，***可以警告装置操作员安全区域中存在人员。***可以向机器计算机报告以便停止(在第一时间)由装置完成的任何自动化的、自主的或机器人操作。
现代仓库、制造设施和装配线利用机器人装置，例如自动化货物、部件和材料运输(自动叉车、货运机器人和无人机)、制造和装配机器人。这些高度自动化的机器人***被设计成承载高负载并利用高动力工具，因为它们可能对共享工作区域的人员造成巨大危险。如上述参照图11示出的装配有目标无线装置检测***的货运机器人，所述***检测携带射频发射装置(个人蜂窝电话、蓝牙头戴式耳机、Wi-Fi、专用信标、使用安全应用的智能电话等)的人进入安全预定义区域。在这种情况下，机器人可以激活报警信号以获得个人意识或停止，直到人离开安全区域。如果任何人在自动叉车周围或下面，另一种情况可以包括停止仓库货架的任何装载或卸载。
在人口集中地区操作自主无人机是一项常见任务，例如执行在线购买的商品的商业递送。大多数国家的航空条例禁止在人类上操作无人机，如上所述的用于检测个人通信装置的***和方法可以通过估计所述区域中的个人装置的数量来检测人口密集或拥挤的区域，并警告无人机自治***或操作者在其飞行路线上在其上飞行或悬停。通过使用所述信息，无人机自治***或运营商可以改变其路由。无人机可以使用安装的专用***，或者它可以使用具有如上所述的检测方法的它自己的收发器。
操作自主无人机可能引起安全问题，特别是在飞近机场、军事基地和保密设施时。虽然飞行路线是预先计划的，但是对无人机的导航故障或恶意的网络攻击可能导致漂移和飞越被禁止的飞行区域。通过使用定义禁止区域的一组信令信标和安装在无人机上的通信装置检测***，可以防止无人机进入禁止区域。所提及的信标可以是便携式的，或者它可以使用来自个人装置的信令应用，从而能够根据需要创建暂时禁止的飞行区域。
当在人口集中的区域中操作无人机时，可能需要确保无人机在特定点中的安全着陆，例如在由诸如物流仓库的人员共享的地点中着陆。通过使用安装在无人机上的信令信标和通信装置检测***，可以定义无人机的精确着陆点。所提及的信标可以是定制的，或者它可以使用来自个人装置的信令应用，从而能够在需要时为无人机创建准确的着陆点。
检测智能家居或建筑物中的人的存在是所需的能力，例如在电力节省和安全应用中，其中计算建筑物中人口的数量、跟踪建筑物内的人的位置、提醒进入限制区域等。
通过在建筑物的房间和公共区域中实施目标无线装置检测***，可以检测和跟踪所述目标无线装置检测***的存在和人口数量以及他们的下落。
例如，如果在房间中没有检测到蜂窝电话，则使用目标无线装置检测***的酒店可以关闭空调和灯(或任何其他装置)。
如本领域技术人员所理解的，本申请的方面可以体现为***、方法或计算机程序产品。因此，本申请的各个方面可以采取完全硬件实施例、完全软件实施例(包括固件、驻留软件、微代码等)或组合软件和硬件方面的实施例的形式，所有这些方面在此通常被称为“电路”、“模块”或“***”。此外，本申请的各方面可以采取体现在一个或多个具有体现在其上的计算机可读程序代码的计算机可读介质中的计算机程序产品的形式。
可以利用一个或多个计算机可读介质的任何组合。计算机可读介质可以是计算机可读信号介质或计算机可读存储介质。计算机可读存储介质可以是例如但不限于电子的、磁性的、光学的、电磁的、红外的或半导体的***、设备或装置，或前述的任何合适的组合。计算机可读存储介质的更具体示例(非穷尽列表)将包括以下内容：具有一根或多根导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪存)、光纤、便携式压缩盘只读存储器(CD-ROM)、光存储装置、磁存储装置或上述装置的任何适当组合。在本文的上下文中，计算机可读存储介质可以是可以包含或存储供指令执行***、设备或装置使用或与指令执行***、设备或装置相关联的程序的任何有形介质。
计算机可读信号介质可以包括具有例如在基带中或作为载波的一部分体现在其中的计算机可读程序代码的传播数据信号。这种传播信号可以采取多种形式中的任何形式，包括但不限于电磁、光学或其任何适当组合。计算机可读信号介质可以是任何计算机可读介质，其不是计算机可读存储介质并且能够通信、传播或传输由指令执行***、装置或装置使用或与指令执行***、设备或装置相关联的程序。
包含在计算机可读介质上的程序代码可以使用任何适当的介质来传输，包括但不限于无线、有线、光纤电缆、射频等，或上述的任何适当的组合。
用于执行本申请各方面的操作的计算机程序代码可以用一种或多种编程语言的任何组合来编写，包括面向对象的编程语言，诸如Java、SmallTalk、C++等，以及传统的过程编程语言，诸如“C”编程语言或类似的编程语言。程序代码可以完全在用户的计算机上执行，部分在用户的计算机上执行，作为独立的软件包，部分在用户的计算机上执行，部分在远程计算机上执行，或者完全在远程计算机或服务器上执行。在后一种情况下，远程计算机可以通过任何类型的网络连接到用户的计算机，包括局域网(LAN)或广域网(WAN)，或者可以与外部计算机建立连接(例如，通过使用因特网服务提供商的因特网)。
这里参照根据本申请实施例的方法、装置(***)和计算机程序产品的流程图图示和/或区域图描述本申请的方面。应当理解，流程图图示和/或区域图的每个区域以及流程图图示和/或框图中的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以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硬件处理器以产生机器，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指令创建用于实现流程图和/或框图框中指定的功能/动作的装置。
这些计算机程序指令还可以存储在计算机可读介质中，所述计算机可读介质可以指导计算机、其他可编程数据处理装置或其他装置以特定方式运行，使得存储在计算机可读介质中的指令产生包括实现流程图和/或框图框中指定的功能/动作的指令的制品。
计算机程序指令还可以加载到计算机、其他可编程数据处理装置或其他装置上，以使得在计算机、其他可编程装置或其他装置上执行一系列操作步骤来产生计算机实现的处理，使得在计算机或其他可编程装置上执行的指令提供用于实现流程图和/或框图框中指定的功能/动作的处理。
图中的流程图和框图示出了根据本申请的各种实施例的***、方法和计算机程序产品的可能实现的架构、功能和操作。在这方面，流程图或框图中的每个块可以表示代码的模块、段或部分，其包括用于实现指定逻辑功能的一个或多个可执行指令。还应当注意，在一些替代实施方式中，块中注意到的功能可能不按图中注意到的顺序发生。例如，实际上可以基本上同时执行连续示出的两个块，或者块有时可以相反的顺序执行，这取决于所涉及的功能。还将注意到，方框图和/或流程图图示的每个方框以及方框图和/或流程图图示的方框的组合可以由执行指定功能或动作的基于专用硬件的***来实现，或者由专用硬件和计算机指令的组合来实现。
本申请的各种实施例的描述已经出于说明的目的而呈现，但并不旨在穷尽或限制于所公开的实施例。在不脱离所描述的实施例的范围和精神的情况下，许多修改和变化对于本领域普通技术人员是显而易见的。选择此处使用的术语是为了最好地解释实施例的原理、相对于市场中发现的技术的实际应用或技术改进，或使本领域普通技术人员能够理解此处公开的实施例。
在本申请的说明书和权利要求书中，“包括”和“具有”以及它们的形式不一定限于与这些词相关联的列表中的成员。另外，在本申请与通过引用并入的任何文件之间存在不一致的地方，因此本申请旨在控制。
在整个应用中，本申请的各种实施例可以以范围格式呈现。应当理解，范围格式的描述仅仅是为了方便和简洁，不应被解释为对本申请范围的不灵活的限制。因此，范围的描述应当被认为已经具体公开了所述范围内的所有可能的子范围以及单独的数值。例如，应该考虑对诸如从1到6的范围的描述，具体公开了诸如从1到3、从1到4、从1到5、从2到4、从2到6、从3到6等的子范围，以及在所述范围内的单独的数值，例如，1、2、3、4、5和6。这无论范围的宽度如何都适用。
每当在这里指示数值范围时，其意指在指示范围内包括任何引用的数字(分数或积分)。第一指示数字和第二指示数字之间的“范围/范围”和从“第一指示数字”到“第二指示数字”的“范围/范围”在这里可互换地使用，并且意味着包括第一和第二指示数字以及它们之间的所有分数和整数。
在本申请的说明书和权利要求书中，术语“包括”和“具有”以及它们的形式不一定限于与这些词相关联的列表中的成员。另外，在本申请与通过引用并入的任何文件之间存在不一致的地方，因此本申请旨在控制。
本申请的各种实施例的描述已经出于说明的目的而呈现，但并不旨在穷举或限制于所公开的实施例。在不脱离所描述的实施例的范围和精神的情况下，许多修改和变化对于本领域普通技术人员是显而易见的。选择此处使用的术语是为了最好地解释实施例的原理、相对于市场中发现的技术的实际应用或技术改进，或使本领域普通技术人员能够理解此处公开的实施例。

Claims (30)

1.一种***，其特征在于，所述***包括：
至少一个硬件处理器；以及
非暂时性计算机可读存储介质，所述非暂时性计算机可读存储介质上存储有程序指令，所述程序指令可由所述至少一个硬件处理器执行以：
接收数据集，所述数据集包括与多个物理场景内的多个对象相关联的多个射频(RF)无线传输相关联的数据，其中所述数据集对于每个所述对象而言至少包括：
(i)所述相关联的无线传输的信号参数，
(ii)包括在所述相关联的无线传输中的数据，以及
(iii)相对于所述对象的位置参数，
在训练阶段，在训练集上训练机器学习模型，所述训练集包括所述数据集和指示每个所述对象的类型的标签，以及
在推理阶段，将所述训练过的机器学习模型应用于目标数据集，所述目标数据集包括从与物理场景内的目标对象相关联的无线传输获得的信号参数、数据和位置参数，以预测所述目标对象的类型。
2.根据权利要求1所述的***，其特征在于，所述多个物理场景中的每一个物理场景是道路场景，并且所述多个对象中的每一个对象是以下之一：行人、自行车骑车者、踏板车骑车者、车辆操作者、车辆乘坐者、车辆乘客和公共交通工具乘客。
3.根据权利要求1所述的***，其特征在于，所述多个场景选自由道路、高速公路、公共道路、公共交通***、公共场所、工作场所、制造设施和仓储设施组成的群组。
4.根据权利要求1-3中任一项所述的***，其特征在于，所述无线传输是从与每个所述对象相关联的至少一个无线装置传输的。
5.根据权利要求4所述的***，其特征在于，所述无线装置中的至少一些包括至少一个发射器。
6.根据权利要求4或5中任一项所述的***，其特征在于，所述无线装置选自由移动装置、智能手机、智能手表、无线耳机、平板电脑、膝上型计算机、微移动性安装的远程信息处理单元、车载远程信息处理单元、车辆信息娱乐***、车辆免提***、车辆轮胎压力监测***，无人机、照相机、仪表板、打印机、接入点和厨房器具组成的群组。
7.根据权利要求1-6中任一项所述的***，其特征在于，所述无线传输的所述信号参数选自由信号频率、信号带宽、信号强度、信号相位、信号相干和信号定时组成的群组。
8.根据权利要求1-7中任一项所述的***，其特征在于，所述无线传输中包括的所述数据选自由数据分组参数、唯一装置标识符、MAC地址、服务集标识符(SSID)、基本服务集标识符(BSSID)、扩展基本服务集(ESS)、国际移动用户标识(IMSI)和临时IMSI组成的群组。
9.根据权利要求1-8中任一项所述的***，其特征在于，所述数据集用所述标签标记。
10.根据权利要求9所述的***，其特征在于，所述标签包括：
(i)基于与所述对象之一相关联的所述数据集中的至少一个数据实例自动确定对象类型；以及
(ii)将所述对象类型作为标签应用于与所述对象之一相关联的所有所述数据实例。
11.一种方法，其特征在于，所述方法包括：
接收数据集，所述数据集包括与多个物理场景内的多个对象相关联的多个射频(RF)无线传输相关联的数据，其中所述数据集对于每个所述对象而言至少包括：
(i)所述相关联无线传输的信号参数，
(ii)包括在所述相关联无线传输中的数据，以及
(iii)相对于所述对象的位置参数；
在训练阶段，在训练集上训练机器学习模型，所述训练集包括所述数据集和指示每个所述对象的类型的标签；以及
在推理阶段，将所述训练过的机器学习模型应用于目标数据集，所述目标数据集包括从与物理场景内的目标对象相关联的无线传输获得的信号参数、数据和位置参数，以预测所述目标对象的类型。
12.根据权利要求11所述的方法，其特征在于，所述多个物理场景中的每一个物理场景是道路场景，并且所述多个对象中的每一个对象是以下之一：行人、自行车骑车者、踏板车骑车者、车辆操作者、车辆乘坐者、车辆乘客和公共交通工具乘客。
13.根据权利要求11所述的方法，其特征在于，所述多个场景选自由道路、高速公路、公共道路、公共交通***、公共场所、工作场所、制造设施和仓储设施组成的群组。
14.根据权利要求11-13中任一项所述的方法，其特征在于，从与每个所述对象相关联的至少一个无线装置发送所述无线传输。
15.根据权利要求14所述的方法，其特征在于，所述无线装置中的至少一些包括至少一个发射器。
16.根据权利要求14或15中任一项所述的方法，其特征在于，所述无线装置选自由移动装置、智能手机、智能手表、无线耳机、平板电脑、膝上型计算机、微移动性安装的远程信息处理单元、车载远程信息处理单元、车辆信息娱乐***、车辆免提***、车辆轮胎压力监测***、无人机、照相机、仪表板、打印机、接入点和厨房器具组成的群组。
17.根据权利要求11-16中任一项所述的方法，其特征在于，所述无线传输的所述信号参数选自由信号频率、信号带宽、信号强度、信号相位、信号相干和信号定时组成的群组。
18.根据权利要求11-17中任一项所述的方法，其特征在于，所述无线传输中包括的所述数据选自由数据分组参数、唯一装置标识符、MAC地址、服务集标识符(SSID)、基本服务集标识符(BSSID)、扩展基本服务集(ESS)、国际移动用户标识(IMSI)和临时IMSI组成的群组。
19.根据权利要求11-18中任一项所述的方法，其特征在于，所述数据集用所述标签标记。
20.根据权利要求19所述的方法，其特征在于，所述标记包括：
(i)基于与所述对象之一相关联的所述数据集中的至少一个数据实例自动确定对象类型；以及
(ii)将所述对象类型作为标签应用于与所述对象之一相关联的所有所述数据实例。
21.一种计算机程序产品，其特征在于，所述计算机程序产品包括非暂时性计算机可读存储介质，所述非暂时性计算机可读存储介质具有与其一起实施的程序指令，所述程序指令可由至少一个硬件处理器执行以：
接收数据集，所述数据集包括与多个物理场景内的多个对象相关联的多个射频(RF)无线传输相关联的数据，其中所述数据集对于每个所述对象而言至少包括：
(i)所述相关联无线传输的信号参数，
(ii)包括在所述相关联无线传输中的数据，以及
(iii)相对于所述物体的位置参数；
在训练阶段，在训练集上训练机器学习模型，所述训练集包括所述数据集和指示每个所述对象的类型的标签；以及
在推理阶段，将所述训练过的机器学习模型应用于目标数据集，所述目标数据集包括从与物理场景内的目标对象相关联的无线传输获得的信号参数、数据和位置参数，以预测所述目标对象的类型。
22.根据权利要求21所述的计算机程序产品，其特征在于，所述多个物理场景中的每一个物理场景是道路场景，并且所述多个对象中的每一个对象是以下之一：行人、自行车骑车者、踏板车骑车者、车辆操作者、车辆乘坐者、车辆乘客和公共交通工具乘客。
23.根据权利要求21所述的计算机程序产品，其特征在于，所述多个场景选自由道路、高速公路、公共道路、公共交通计算机程序产品、公共场所、工作场所、制造设施和仓储设施组成的群组。
24.根据权利要求21-23中任一项所述的计算机程序产品，其特征在于，所述无线传输是从与每个所述对象相关联的至少一个无线装置传输的。
25.根据权利要求24所述的计算机程序产品，其特征在于，所述无线装置中的至少一些包括至少一个发射器。
26.根据权利要求24或25中任一项所述的计算机程序产品，其特征在于，所述无线装置选自由移动装置、智能手机、智能手表、无线耳机、平板电脑、膝上型计算机、微移动性安装的远程信息处理单元、车载远程信息处理单元、车辆信息娱乐***、车辆免提***、车辆轮胎压力监测***，无人机、照相机、仪表板、打印机、接入点和厨房器具组成的群组。
27.根据权利要求21-26中任一项所述的计算机程序产品，其特征在于，所述无线传输的所述信号参数选自由信号频率、信号带宽、信号强度、信号相位、信号相干和信号定时组成的群组。
28.根据权利要求21-27中任一项所述的计算机程序产品，其特征在于，所述无线传输中包括的所述数据选自由数据分组参数、唯一装置标识符、MAC地址、服务集标识符(SSID)、基本服务集标识符(BSSID)、扩展基本服务集(ESS)、国际移动用户标识(IMSI)、和临时IMSI组成的群组。
29.根据权利要求21-28中任一项所述的计算机程序产品，其特征在于，所述数据集用所述标签标记。
30.根据权利要求29所述的计算机程序产品，其特征在于，所述标签包括：
(i)基于与所述对象之一相关联的所述数据集中的至少一个数据实例自动确定对象类型；以及
(ii)将所述对象类型作为标签应用于与所述对象之一相关联的所有所述数据实例。
CN202080054898.4A 2019-06-07 2020-06-07 基于无线通信的对象分类 Pending CN114175126A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201962858364P 2019-06-07 2019-06-07
US62/858,364 2019-06-07
PCT/IL2020/050634 WO2020245834A1 (en) 2019-06-07 2020-06-07 Wireless communication-based classification of objects

Publications (1)

Publication Number Publication Date
CN114175126A true CN114175126A (zh) 2022-03-11

Family

ID=73651939

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080054898.4A Pending CN114175126A (zh) 2019-06-07 2020-06-07 基于无线通信的对象分类

Country Status (6)

Country Link
US (1) US20220299593A1 (zh)
EP (1) EP3980982A4 (zh)
JP (1) JP2022535454A (zh)
KR (1) KR20220019272A (zh)
CN (1) CN114175126A (zh)
WO (1) WO2020245834A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115767772A (zh) * 2022-12-03 2023-03-07 河南大学 基于人工智能的无线通信数据处理方法

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11776405B2 (en) * 2018-10-29 2023-10-03 Lg Electronics Inc. Apparatus and method for V2X communication
US20220049961A1 (en) * 2020-08-14 2022-02-17 Invensense, Inc. Method and system for radar-based odometry
WO2022203761A2 (en) * 2021-01-28 2022-09-29 DeepSig Inc. Estimating direction of arrival of electromagnetic energy using machine learning
US20230040437A1 (en) * 2021-08-03 2023-02-09 Textron Inc. Vehicle access and fleet management control via bluetooth beacons
WO2023070348A1 (en) * 2021-10-27 2023-05-04 Qualcomm Incorporated Configuring a user equipment with machine learning models based on compute resource limits

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105074792A (zh) * 2013-03-15 2015-11-18 科布拉电子有限公司 移动通信***及用于分析与车辆行驶相关联的告警的方法
US20180165965A1 (en) * 2016-12-08 2018-06-14 Robert Bosch Gmbh Method and device for detecting at least one pedestrian by a vehicle
US20180173971A1 (en) * 2016-12-19 2018-06-21 Waymo Llc Pedestrian detection neural networks
US20180307944A1 (en) * 2017-04-24 2018-10-25 Baidu Usa Llc Automatically collecting training data for object recognition with 3d lidar and localization

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102010022282A1 (de) * 2010-05-31 2011-12-01 Andreas Lewandowski Verfahren und Funksystem zur Warnung von bewegten Personen und Objekten im Straßenverkehr
JP6429368B2 (ja) * 2013-08-02 2018-11-28 本田技研工業株式会社 歩車間通信システムおよび方法
US20170124878A1 (en) * 2015-11-03 2017-05-04 Quantum Dimension, Inc. Collision advoidance devices utilizing low power wireless networks, methods and systems utilizing same
GB2562706A (en) * 2017-03-22 2018-11-28 Pelotron Ltd Apparatus for enhancing safety of a vulnerable road user
US11601812B2 (en) * 2017-03-29 2023-03-07 The Johns Hopkins University System and method for small unmanned aerial systems (sUAS) defense
US11768292B2 (en) * 2018-03-14 2023-09-26 Uatc, Llc Three-dimensional object detection
US11370423B2 (en) * 2018-06-15 2022-06-28 Uatc, Llc Multi-task machine-learned models for object intention determination in autonomous driving
US11182607B2 (en) * 2018-10-26 2021-11-23 Here Global B.V. Method, apparatus, and system for determining a ground control point from image data using machine learning

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105074792A (zh) * 2013-03-15 2015-11-18 科布拉电子有限公司 移动通信***及用于分析与车辆行驶相关联的告警的方法
US20180165965A1 (en) * 2016-12-08 2018-06-14 Robert Bosch Gmbh Method and device for detecting at least one pedestrian by a vehicle
US20180173971A1 (en) * 2016-12-19 2018-06-21 Waymo Llc Pedestrian detection neural networks
US20180307944A1 (en) * 2017-04-24 2018-10-25 Baidu Usa Llc Automatically collecting training data for object recognition with 3d lidar and localization
CN108732589A (zh) * 2017-04-24 2018-11-02 百度（美国）有限责任公司 利用3d lidar和定位自动采集用于对象识别的训练数据

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115767772A (zh) * 2022-12-03 2023-03-07 河南大学 基于人工智能的无线通信数据处理方法
CN115767772B (zh) * 2022-12-03 2023-09-19 河南龙翼信息技术有限公司 基于人工智能的无线通信数据处理方法

Also Published As

Publication number Publication date
WO2020245834A1 (en) 2020-12-10
EP3980982A1 (en) 2022-04-13
EP3980982A4 (en) 2023-06-28
JP2022535454A (ja) 2022-08-08
US20220299593A1 (en) 2022-09-22
KR20220019272A (ko) 2022-02-16

Similar Documents

Publication Publication Date Title
EP3791376B1 (en) Method and system for vehicle-to-pedestrian collision avoidance
US20220299593A1 (en) Wireless communication-based classification of objects
KR102325049B1 (ko) 보행자의 안전과 연관된 통신 신호를 송신하는 전자 장치 및 그 동작 방법
US10176715B2 (en) Navigation system with dynamic mapping mechanism and method of operation thereof
US20200104289A1 (en) Sharing classified objects perceived by autonomous vehicles
US20180090009A1 (en) Dynamic traffic guide based on v2v sensor sharing method
US10906535B2 (en) System and method for vulnerable road user detection using wireless signals
Butt et al. On the integration of enabling wireless technologies and sensor fusion for next-generation connected and autonomous vehicles
US20210014643A1 (en) Communication control device, communication control method, and computer program
US20170213459A1 (en) System and method of identifying a vehicle and determining the location and the velocity of the vehicle by sound
KR20200019696A (ko) 자율 주행 능력들을 갖는 차량들에 대한 위험 처리
US10380885B2 (en) Device, method, and computer program for providing traffic jam information via a vehicle-to-vehicle interface
CN112106124A (zh) 用于使用v2x和传感器数据的***和方法
US11683684B2 (en) Obtaining a credential for V2X transmission on behalf of a vehicle
US11849375B2 (en) Systems and methods for automatic breakdown detection and roadside assistance
KR20130096251A (ko) Ｃ２ｘ 통신용 디바이스 및 방법
WO2018018940A1 (zh) 车辆定位的方法、装置、终端及计算机存储介质
Liu et al. Cooperation of V2I/P2I communication and roadside radar perception for the safety of vulnerable road users
CN112673231A (zh) 用于更新环境地图的方法、用于在交通工具侧实施该方法的方法步骤的设备、交通工具、用于在中央计算机侧实施该方法的方法步骤的设备以及计算机可读的存储介质
KR20220029267A (ko) 루트 정보를 사용한 차량의 궤적 계획
KR20190104476A (ko) 자율 주행 시스템에서 차량을 제어하기 위한 방법 및 장치
KR20220128997A (ko) 외부 센서들을 통한 무선 차량 내 네트워킹 강화 간섭 검출
JP6172458B2 (ja) 車両の歩行者検出装置
KR102635088B1 (ko) 차량 통신 데이터의 패킷 필터링 방법 및 그를 수행하는 차량용 통신 단말 장치
CN114503177A (zh) 信息处理装置、信息处理***和信息处理方法

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20220311