CN114296095A - 自动驾驶车辆的有效目标提取方法、装置、车辆及介质 - Google Patents
自动驾驶车辆的有效目标提取方法、装置、车辆及介质 Download PDFInfo
- Publication number
- CN114296095A CN114296095A CN202111554724.7A CN202111554724A CN114296095A CN 114296095 A CN114296095 A CN 114296095A CN 202111554724 A CN202111554724 A CN 202111554724A CN 114296095 A CN114296095 A CN 114296095A
- Authority
- CN
- China
- Prior art keywords
- target
- targets
- initial
- data
- speed
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000000605 extraction Methods 0.000 claims abstract description 46
- 230000004927 fusion Effects 0.000 claims abstract description 45
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000001914 filtration Methods 0.000 claims description 13
- 230000003068 static effect Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 230000008447 perception Effects 0.000 abstract description 6
- 230000000875 corresponding effect Effects 0.000 description 18
- 238000001514 detection method Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 238000007781 pre-processing Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及车辆感知技术领域，特别涉及一种自动驾驶车辆的有效目标提取方法、装置、车辆及介质，其中，方法包括：获取多个初始目标的运动信息；根据每个初始目标的运动信息对每个初始目标进行分类，得到每个初始目标的分类结果；根据分类结果对每个初始目标进行数据融合的过程中，将多个初始目标参与纵向距离的数据关联，并基于融合后的数据进行目标提取，识别多个初始目标中的有效目标。由此，可以快速得到稳定有效目标，便于与视觉的融合，得到更稳定的目标信息。
Description
技术领域
本申请涉及车辆感知技术领域，特别涉及一种自动驾驶车辆的有效目标提取方法、装置、车辆及介质。
背景技术
自动驾驶是一项复杂的技术，其核心包括传感器感知、行为决策、高清地图，海量数据、高性能计算平台等等。
目前，基于深度学习的方法在传感器感知方面取得了突破性的进展，并因此推动了自动驾驶技术的飞速发展，自动驾驶技术所采用的传感器主要包括摄像机、激光雷达和毫米波雷达。
摄像机用于采集可见光图像，对于物体的形状和类别的感知精度较高。由于深度学习技术的成功起源于计算机视觉任务，很多成功的算法也是基于对图像数据的处理，因此基于摄像机的感知技术目前已经相对成熟。图像数据的缺点在于缺少了场景和物体的距离信息，且受天气和环境的影响较大。
激光雷达在一定程度上弥补了摄像机的缺点，可以精确的感知物体的距离，但是限制在于成本过高，难以大批量生产。
毫米波雷达具有天线波束窄、分辨率高、频带宽、抗干扰能力强等点，可以比较精确的测量物体的速度和距离，受天气和环境影响较小，而且成本较低，易于大规模生产。缺点是受环境影响较大，存在大量的虚假目标，ID跳变。需要对毫米波角雷达数据进行预处理，剔除虚假目标和无效目标。因此，也成为了目前自动驾驶技术研究的一个热点方向。
申请内容
本申请提供一种自动驾驶车辆的有效目标提取方法、装置、车辆及介质，可以快速得到稳定有效目标，便于与视觉的融合，得到更稳定的目标信息。
本申请第一方面实施例提供一种自动驾驶车辆的有效目标提取方法，包括以下步骤：
获取多个初始目标的运动信息；
根据每个初始目标的运动信息对所述每个初始目标进行分类，得到所述每个初始目标的分类结果；以及
根据所述分类结果对所述每个初始目标进行数据融合的过程中，将所述多个初始目标参与纵向距离的数据关联，并基于融合后的数据进行目标提取，识别所述多个初始目标中的有效目标。
可选地，所述根据所述分类结果对所述每个初始目标进行数据融合的过程中，将所述多个初始目标参与纵向距离的数据关联，包括：
若所述分类结果为一类目标，则在进行数据关联后，且在进行数据匹配时，选取纵向速度和目标反射强度作为主匹配参数，比较毫米波雷达的反射强度，并计算其纵向速度点余弦相似度，以进行数据匹配；
若所述分类结果为二类目标，则进行数据关联后，选取所述纵向速度，所述目标反射强度、横向速度以及横向距离为匹配主要参数，选取对应的毫米波雷达的反射强度，计算所述纵向速度和所述横向速度的余弦相似度，以进行数据匹配；
若所述分类结果为三类目标，则进行数据关联后，选用发射强度、所述纵向速度、所述横向速度进行数据匹配。
可选地，所述选用发射强度、所述纵向速度、所述横向速度进行数据匹配，包块：
基于毫米波的发射强度阙值进行过滤，并基于所述纵向速度和所述横向速度计算点余弦相似度，以进行数据匹配。
可选地，在获取多个初始目标的运动信息之后，还包括：
过滤所述多个初始目标中的非危险目标，并识别所述多个初始目标中的静止目标和假目标，确定多个真实目标。
可选地，所述基于融合后的数据进行目标提取，识别所述多个初始目标中的有效目标，包括：
在匹配到的不同类型的传感数据时，采用顺序融合的方式，将上一帧的状态估计-本帧对应跟踪门匹配的毫米波雷达-本帧对应跟踪门匹配的相机进行传感器融合，得到的稳定目标作为所述有效目标。
本申请第二方面实施例提供一种自动驾驶车辆的有效目标提取装置，包括：
获取模块，用于获取多个初始目标的运动信息；
分类模块，用于根据每个初始目标的运动信息对所述每个初始目标进行分类，得到所述每个初始目标的分类结果；以及
提取模块，用于根据所述分类结果对所述每个初始目标进行数据融合的过程中，将所述多个初始目标参与纵向距离的数据关联，并基于融合后的数据进行目标提取，识别所述多个初始目标中的有效目标。
可选地，所述提取模块，具体用于：
若所述分类结果为一类目标，则在进行数据关联后，且在进行数据匹配时，选取纵向速度和目标反射强度作为主匹配参数，比较毫米波雷达的反射强度，并计算其纵向速度点余弦相似度，以进行数据匹配；
若所述分类结果为二类目标，则进行数据关联后，选取所述纵向速度，所述目标反射强度、横向速度以及横向距离为匹配主要参数，选取对应的毫米波雷达的反射强度，计算所述纵向速度和所述横向速度的余弦相似度，以进行数据匹配；
若所述分类结果为三类目标，则进行数据关联后，选用发射强度、所述纵向速度、所述横向速度进行数据匹配。
可选地，所述提取模块，具体用于：
基于毫米波的发射强度阙值进行过滤，并基于所述纵向速度和所述横向速度计算点余弦相似度，以进行数据匹配。
可选地，在获取多个初始目标的运动信息之后，所述获取模块，还用于：
过滤所述多个初始目标中的非危险目标，并识别所述多个初始目标中的静止目标和假目标，确定多个真实目标。
可选地，所述提取模块，具体用于：
在匹配到的不同类型的传感数据时，采用顺序融合的方式，将上一帧的状态估计-本帧对应跟踪门匹配的毫米波雷达-本帧对应跟踪门匹配的相机进行传感器融合，得到的稳定目标作为所述有效目标。
本申请第三方面实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的自动驾驶车辆的有效目标提取方法。
本申请第四方面实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上述实施例所述的自动驾驶车辆的有效目标提取方法。
由此，获取多个初始目标的运动信息，并根据每个初始目标的运动信息对每个初始目标进行分类，得到每个初始目标的分类结果，并根据分类结果对每个初始目标进行数据融合的过程中，将多个初始目标参与纵向距离的数据关联，并基于融合后的数据进行目标提取，识别多个初始目标中的有效目标。由此，可以快速得到稳定有效目标，便于与视觉的融合，得到更稳定的目标信息。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本申请实施例提供的一种自动驾驶车辆的有效目标提取方法的流程图；
图2为根据本申请一个实施例的毫米波雷达预处理流程示意图；
图3为根据本申请一个实施例的非危险目标的处理的意图；
图4为根据本申请一个实施例的数据关联融合流程图；
图5为根据本申请一个实施例的速度的余弦相似度处理过程的流程图；
图6为根据本申请实施例的自动驾驶车辆的有效目标提取装置的示例图；
图7为根据本申请实施例的电子设备的示例图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的自动驾驶车辆的有效目标提取方法、装置、车辆及介质。
在介绍本申请实施例的自动驾驶车辆的有效目标提取方法之前，先简单介绍下相关技术中的几种传感器融合专利。
相关技术中传感器融合侧重方式不同，有的传感器融合侧重路径多项式以及***描述，有的侧重传感器融合流程以及***的配置方式，有的多传感器融合的测距方法侧重于弯道测距方式。
但是，传感器融合过程中各工况信息对应的目标，都未加分类分别融合处理，正是基于上述问题，本申请提供了一种自动驾驶车辆的有效目标提取方法，在该方法中，可以采用毫米波雷达和视觉摄像头，先对毫米波雷达进行目标的有效提取，保证目标的稳定性与精度，利用机器视觉和毫米波雷达进行传感器融合，进行目标关联和匹配过程中采用分级分类处理方式，输出信息使用毫米波的位置和运动信息，可以获得较高的目标确定性与目标的特征描述及运动轨迹。
具体而言，图1为本申请实施例所提供的一种自动驾驶车辆的有效目标提取方法的流程示意图。
如图1所示，该自动驾驶车辆的有效目标提取方法包括以下步骤：
在步骤S101中，获取多个初始目标的运动信息。
可以理解的是，本申请实施例可以通过多传感器，例如，毫米波雷达和视觉摄像头，获取多个初始目标的运动信息。
可选地，在一些实施例中，在获取多个初始目标的运动信息之后，还包括：过滤多个初始目标中的非危险目标，并识别多个初始目标中的静止目标和假目标，确定多个真实目标。其中，毫米波雷达预处理流程如图2所示。
其中，非危险目标指的是主车相邻车道以外车道的车辆目标以及远处的目标，这类目标通常具有较小的碰撞风险，不是自动驾驶环境感知的重点对象。
可以理解的是，至于相邻车道以外的目标可以直接根据目标横向距离的分布进行区分。我国单车道宽度为b＝3.5～3.7m，如图3所示，车辆行驶潜在的危险区域为±1.5b，为了安全起见，b取最大值3.7m，同时考虑雷达5％的测量误差，最终确定车辆横向检测区域为[-5.8m，+5.8m]。
对于静止目标的分析与预处理。具体地，环境中的静止目标其绝对速度为0，通过本车速度和目标的相对速度可以获得各类检测目标的绝对速度，因此设定速度阈值±0.05m/s可以较好地过滤静止目标。另外静止目标体积较小，回波信号相对车辆目标较弱，也可根据回波强度(或信噪比)进行区分。
静止目标相对于自车的相对车速值接近自车车速，因此应该满足：V静止＝-V车。考虑到测量存在误差原因设置阈值2米。
|cos(径向角度)×径向速度+v车|≤2(m/s)；
进一步地，滤除虚假目标(即假目标)，排除出现时间极短或是由于干犹等因素产生的雷这信号，即可初步得到雷达的有效目标数据。
针对虚假目标比较有效的处理方法是采用生命周期算法进行过滤。
虚假目标可以通过两个条件进行过滤，①虚假目标出现时间短，通过目标的出现次数进行判断，如果连续出现次数小于3次，即0.15秒，则将目标视为虚假目标。②如果id没有跳变但是属性(位置)前后两帧相差，传感器时间同步后，周期趋近周期长的传感器，视觉16Hz前后两帧障碍物的速度差值大于16m，加速度变化大于16m/s,角度变化大于16度/s。
需要说明的是，预处理的核心在于对新增目标和丢失目标的生命周期管理，丢失时间长物体消失存在滞后性，新增时间长物体出现存在滞后性。数据预处理技术是多传感器融合的开始准备阶段，是信息融合的关键技术。其中包含的数据配准问题以及野值点的检验与剔除问题，这是预处理技术的核心环节。对毫米波目标进行单独的数据处理，提供更稳定的目标信息，便于和视觉传感器进行更可靠的融合；根据反射强度对毫米波雷达输出的目标进行分类，为后续的数据融合提供分类前提。
在步骤S102中，根据每个初始目标的运动信息对每个初始目标进行分类，得到每个初始目标的分类结果。
具体地，本申请实施例可以对视觉和毫米波雷达都进行预处理过程，毫米波雷达剔除虚假目标，空目标，静态目标后进行分类，并且视觉预处理后也进行分类。其中，分类是目标识别分为行人、非机动车、轿车、货车、卡车等种类。其中行人和非机动车归为一类，轿车二类，货车、卡车等大车为三类；分类主要根据目标的横向宽度、横向速度以及反射强度来进行区分。
在步骤S103中，根据分类结果对每个初始目标进行数据融合的过程中，将多个初始目标参与纵向距离的数据关联，并基于融合后的数据进行目标提取，识别多个初始目标中的有效目标。
应当理解的是，预处理部分主要在毫米波雷达部分，视觉的目标比较确定，相机的横向距离检测误差性能(准备率)远高于纵向性能，虽然纵向距离不准确但是检测障碍物相对稳定。视觉进行目标识别，跟踪更新后输出稳定持续的目标。
进一步地，目标的数据关联原因在于：由于同一帧内相机和毫米波检测纵向精度相差很大，判断哪个毫米波的结果才是相机检测目标对应的结果成为难题，只有准确找到匹配点是数据融合的关键，数据关联是匹配的前提
目标的数据关联的处理方法一般是：采用基于相机检测结果，圈定固定大小检测区域y轴3米，x轴15m，圈定esr检测结果并更新。由于相机纵向距离检测精度有限，当速度高时，纵向x轴范围可以放宽，规定一个距离指标，比如30米内使用融合，超过这个距离不使用相机融合。跟踪门的概念是指maxieye(相机)检测到障碍物以id作为跟踪门id形成跟踪门，指定尺寸圈定区域，落入区域(跟踪门)的esr(毫米波雷达)就属于该跟踪门。
如图4所示，图4为本申请一个实施例的数据关联融合流程图，主要包括以下步骤：
(1)基于相机数据关联开始。
(2)数据按传感器类型分类备份。
(3)trackingGate的所有跟踪们更新标志置为false。
(4)根据maxieye的id判断跟踪门是否已经存在，如果是，执行(5)，否则，执行(6)。
(5)更新关联门，更新标志置为true，并跳转执行(7)。
(6)新增关联门更新标志置为true。
(7)跟别判断esr和lidar是否属于跟踪门。
(8)保存各个跟踪门的目标信息。
(9)更新跟踪门。
可选地，在一些实施例中，根据分类结果对每个初始目标进行数据融合的过程中，将多个初始目标参与纵向距离的数据关联，包括：若分类结果为一类目标，则在进行数据关联后，且在进行数据匹配时，选取纵向速度和目标反射强度作为主匹配参数，比较毫米波雷达的反射强度，并计算其纵向速度点余弦相似度，以进行数据匹配；若分类结果为二类目标，则进行数据关联后，选取纵向速度，目标反射强度、横向速度以及横向距离为匹配主要参数，选取对应的毫米波雷达的反射强度，计算纵向速度和横向速度的余弦相似度，以进行数据匹配；若分类结果为三类目标，则进行数据关联后，选用发射强度、纵向速度、横向速度进行数据匹配。
可选地，在一些实施例中，选用发射强度、纵向速度、横向速度进行数据匹配，包块：基于毫米波的发射强度阙值进行过滤，并基于纵向速度和横向速度计算点余弦相似度，以进行数据匹配。
可以理解的是，目标匹配原因如前所述落入跟踪门内的esr可能是多个，如何选取和maxieye检测的目标是同一个检测的esr目标成为关键。
处理方法一般是在数据关联前进行各传感器目标分类。采用考虑速度因素的余弦相似度，计算速度(Vx,Vy)向量的相似性，获取上一帧融合结果和对应跟踪门内esr检测结果进行相似性判断。基于速度的余弦相似匹配对于传感器信号的速度信息准确性高。对关联后的数据进行处理以确定它们是否属于同一个目标。
对于分类的目标，过滤其发射强度，设置不同类别目标的反射强度阙值，方便进行横向宽度数据关联比较处理。
对于一类目标，其速度，横向宽度，反射强度较弱。因此对于一类目标，进行你个数据关联后，进行数据匹配时，选取纵向速度和目标反射强度作为主匹配参数，比较毫米波雷达的反射强度，并计算其纵向速度点余弦相似度，完成匹配过程。
对于二类目标，进行数据关联后，其横向宽度，反射强度类似，但是纵向速度，横向速度，横向距离有所区别，选取纵向速度，反射强度，横向速度以及横向距离为匹配主要参数，选取对应的毫米波雷达反射想读，完成纵向速度，横向速度的余弦相似度计算，进行数据匹配。
对于三类目标，进行数据关联后，考虑其反射强度与一类二类目标差异极大，因此选用发射强度，纵向速度，横向速度来进行数据匹配。选取毫米波的发射强度阙值进行过滤，并进行纵向速度和横向速度点余弦相似度计算，进行数据匹配。
融合时先位置信息，不融合速度信息，输出速度结果信赖esr的结果，以确保目标输出的精度和稳定性。
需要说明的是，速度的余弦相似度处理过程可以如图5所示，包括以下步骤：
(1)遍历同一跟踪门内的esr检测结果。
(2)和同跟踪门上一帧融合结果进行余弦计算取最小值。
(3)最小值小于经验阈值为匹配。
可选地，在一些实施例中，基于融合后的数据进行目标提取，识别多个初始目标中的有效目标，包括：在匹配到的不同类型的传感数据时，采用顺序融合的方式，将上一帧的状态估计-本帧对应跟踪门匹配的毫米波雷达-本帧对应跟踪门匹配的相机进行传感器融合，得到的稳定目标作为有效目标。
具体地，卡尔曼滤波(Kalman filtering)是一种利用线性***状态方程，通过***输入输出观测数据，在测量方差已知的情况下，从一系列存在测量噪声的数据中，对***状态进行最优估计的算法；同一跟踪门匹配到的不同类型传感器，采用顺序融合的方式，上一帧的状态估计-本帧对应跟踪门匹配的esr(毫米波雷达)-本帧对应跟踪门匹配的maxieye(相机)，从而进行传感器融合后输出的目标即为稳定目标。
由此，本申请利用视觉的经济性，目标的确定性特征，视觉优势在于能准确估计横向距离dy，横向相对速度Vy，结合毫米波雷达的目标稳定性，精度高的特征，毫米波雷达优势在于能准确估计纵向距离dx与纵向的相对速度Vx，进行传感器融合。融合过程中充分利用分类处理进行目标关联和匹配，为目标的输出提供更加精确到信息，从而为自动驾驶提供高精度的感知输入，为智能车的下一步的行为决策及路径规划提供参考依据。
根据本申请实施例提出的自动驾驶车辆的有效目标提取方法，获取多个初始目标的运动信息，并根据每个初始目标的运动信息对每个初始目标进行分类，得到每个初始目标的分类结果，并根据分类结果对每个初始目标进行数据融合的过程中，将多个初始目标参与纵向距离的数据关联，并基于融合后的数据进行目标提取，识别多个初始目标中的有效目标。由此，可以快速得到稳定有效目标，便于与视觉的融合，得到更稳定的目标信息。
其次参照附图描述根据本申请实施例提出的自动驾驶车辆的有效目标提取装置。
图6是本申请实施例的自动驾驶车辆的有效目标提取装置的方框示意图。
如图6所示，该自动驾驶车辆的有效目标提取装置10包括：获取模块100、分类模块200和提取模块300。
其中，获取模块100用于获取多个初始目标的运动信息；
分类模块200用于根据每个初始目标的运动信息对每个初始目标进行分类，得到每个初始目标的分类结果；以及
提取模块300用于根据分类结果对每个初始目标进行数据融合的过程中，将多个初始目标参与纵向距离的数据关联，并基于融合后的数据进行目标提取，识别多个初始目标中的有效目标。
可选地，提取模块300具体用于：
若分类结果为一类目标，则在进行数据关联后，且在进行数据匹配时，选取纵向速度和目标反射强度作为主匹配参数，比较毫米波雷达的反射强度，并计算其纵向速度点余弦相似度，以进行数据匹配；
若分类结果为二类目标，则进行数据关联后，选取纵向速度，目标反射强度、横向速度以及横向距离为匹配主要参数，选取对应的毫米波雷达的反射强度，计算纵向速度和横向速度的余弦相似度，以进行数据匹配；
若分类结果为三类目标，则进行数据关联后，选用发射强度、纵向速度、横向速度进行数据匹配。
可选地，提取模块300具体用于：
基于毫米波的发射强度阙值进行过滤，并基于纵向速度和横向速度计算点余弦相似度，以进行数据匹配。
可选地，在获取多个初始目标的运动信息之后，获取模块100还用于：
过滤多个初始目标中的非危险目标，并识别多个初始目标中的静止目标和假目标，确定多个真实目标。
可选地，提取模块300具体用于：
在匹配到的不同类型的传感数据时，采用顺序融合的方式，将上一帧的状态估计-本帧对应跟踪门匹配的毫米波雷达-本帧对应跟踪门匹配的相机进行传感器融合，得到的稳定目标作为有效目标。
需要说明的是，前述对自动驾驶车辆的有效目标提取方法实施例的解释说明也适用于该实施例的自动驾驶车辆的有效目标提取装置，此处不再赘述。
根据本申请实施例提出的自动驾驶车辆的有效目标提取装置，获取多个初始目标的运动信息，并根据每个初始目标的运动信息对每个初始目标进行分类，得到每个初始目标的分类结果，并根据分类结果对每个初始目标进行数据融合的过程中，将多个初始目标参与纵向距离的数据关联，并基于融合后的数据进行目标提取，识别多个初始目标中的有效目标。由此，可以快速得到稳定有效目标，便于与视觉的融合，得到更稳定的目标信息。
图7为本申请实施例提供的电子设备的结构示意图。该电子设备可以包括：
存储器701、处理器702及存储在存储器701上并可在处理器702上运行的计算机程序。
处理器702执行程序时实现上述实施例中提供的自动驾驶车辆的有效目标提取方法。
进一步地，电子设备还包括：
通信接口703，用于存储器701和处理器702之间的通信。
存储器701，用于存放可在处理器702上运行的计算机程序。
存储器701可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
如果存储器701、处理器702和通信接口703独立实现，则通信接口703、存储器701和处理器702可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture，简称为ISA)总线、外部设备互连(PeripheralComponent，简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture，简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选地，在具体实现上，如果存储器701、处理器702及通信接口703，集成在一块芯片上实现，则存储器701、处理器702及通信接口703可以通过内部接口完成相互间的通信。
处理器702可能是一个中央处理器(Central Processing Unit，简称为CPU)，或者是特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者是被配置成实施本申请实施例的一个或多个集成电路。
本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上的自动驾驶车辆的有效目标提取方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“N个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用，或结合这些指令执行***、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或N个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，N个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种自动驾驶车辆的有效目标提取方法，其特征在于，包括以下步骤：
获取多个初始目标的运动信息；
根据每个初始目标的运动信息对所述每个初始目标进行分类，得到所述每个初始目标的分类结果；以及
根据所述分类结果对所述每个初始目标进行数据融合的过程中，将所述多个初始目标参与纵向距离的数据关联，并基于融合后的数据进行目标提取，识别所述多个初始目标中的有效目标。
2.根据权利要求1所述的方法，其特征在于，所述根据所述分类结果对所述每个初始目标进行数据融合的过程中，将所述多个初始目标参与纵向距离的数据关联，包括：
若所述分类结果为一类目标，则在进行数据关联后，且在进行数据匹配时，选取纵向速度和目标反射强度作为主匹配参数，比较毫米波雷达的反射强度，并计算其纵向速度点余弦相似度，以进行数据匹配；
若所述分类结果为二类目标，则进行数据关联后，选取所述纵向速度，所述目标反射强度、横向速度以及横向距离为匹配主要参数，选取对应的毫米波雷达的反射强度，计算所述纵向速度和所述横向速度的余弦相似度，以进行数据匹配；
若所述分类结果为三类目标，则进行数据关联后，选用发射强度、所述纵向速度、所述横向速度进行数据匹配。
3.根据权利要求2所述的方法，其特征在于，所述选用发射强度、所述纵向速度、所述横向速度进行数据匹配，包块：
基于毫米波的发射强度阙值进行过滤，并基于所述纵向速度和所述横向速度计算点余弦相似度，以进行数据匹配。
4.根据权利要求1所述的方法，其特征在于，在获取多个初始目标的运动信息之后，还包括：
过滤所述多个初始目标中的非危险目标，并识别所述多个初始目标中的静止目标和假目标，确定多个真实目标。
5.根据权利要求1所述的方法，其特征在于，所述基于融合后的数据进行目标提取，识别所述多个初始目标中的有效目标，包括：
在匹配到的不同类型的传感数据时，采用顺序融合的方式，将上一帧的状态估计-本帧对应跟踪门匹配的毫米波雷达-本帧对应跟踪门匹配的相机进行传感器融合，得到的稳定目标作为所述有效目标。
6.一种自动驾驶车辆的有效目标提取装置，其特征在于，包括：
获取模块，用于获取多个初始目标的运动信息；
分类模块，用于根据每个初始目标的运动信息对所述每个初始目标进行分类，得到所述每个初始目标的分类结果；以及
提取模块，用于根据所述分类结果对所述每个初始目标进行数据融合的过程中，将所述多个初始目标参与纵向距离的数据关联，并基于融合后的数据进行目标提取，识别所述多个初始目标中的有效目标。
7.根据权利要求6所述的装置，其特征在于，所述提取模块，具体用于：
若所述分类结果为一类目标，则在进行数据关联后，且在进行数据匹配时，选取纵向速度和目标反射强度作为主匹配参数，比较毫米波雷达的反射强度，并计算其纵向速度点余弦相似度，以进行数据匹配；
若所述分类结果为二类目标，则进行数据关联后，选取所述纵向速度，所述目标反射强度、横向速度以及横向距离为匹配主要参数，选取对应的毫米波雷达的反射强度，计算所述纵向速度和所述横向速度的余弦相似度，以进行数据匹配；
若所述分类结果为三类目标，则进行数据关联后，选用发射强度、所述纵向速度、所述横向速度进行数据匹配。
8.根据权利要求7所述的方法，其特征在于，所述提取模块，具体用于：
基于毫米波的发射强度阙值进行过滤，并基于所述纵向速度和所述横向速度计算点余弦相似度，以进行数据匹配。
9.一种车辆，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求1-5任一项所述的自动驾驶车辆的有效目标提取方法。
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，该程序被处理器执行，以用于实现如权利要求1-5任一项所述的自动驾驶车辆的有效目标提取方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111554724.7A CN114296095A (zh) | 2021-12-17 | 2021-12-17 | 自动驾驶车辆的有效目标提取方法、装置、车辆及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111554724.7A CN114296095A (zh) | 2021-12-17 | 2021-12-17 | 自动驾驶车辆的有效目标提取方法、装置、车辆及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114296095A true CN114296095A (zh) | 2022-04-08 |
Family
ID=80967335
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111554724.7A Pending CN114296095A (zh) | 2021-12-17 | 2021-12-17 | 自动驾驶车辆的有效目标提取方法、装置、车辆及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114296095A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114858200A (zh) * | 2022-04-19 | 2022-08-05 | 合众新能源汽车有限公司 | 车辆传感器检测到的对象的质量评价方法及装置 |
| CN116755081A (zh) * | 2023-05-25 | 2023-09-15 | 东风柳州汽车有限公司 | 视觉与雷达融合的目标检测技术 |
-
2021
- 2021-12-17 CN CN202111554724.7A patent/CN114296095A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114858200A (zh) * | 2022-04-19 | 2022-08-05 | 合众新能源汽车有限公司 | 车辆传感器检测到的对象的质量评价方法及装置 |
| CN114858200B (zh) * | 2022-04-19 | 2023-06-27 | 合众新能源汽车股份有限公司 | 车辆传感器检测到的对象的质量评价方法及装置 |
| CN116755081A (zh) * | 2023-05-25 | 2023-09-15 | 东风柳州汽车有限公司 | 视觉与雷达融合的目标检测技术 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111712731B (zh) | 目标检测方法、***及可移动平台 | |
| CN109800658B (zh) | 基于神经网络的泊车位类型在线识别与定位***及方法 | |
| CN109087510B (zh) | 交通监测方法及装置 | |
| US20140293052A1 (en) | Image-based vehicle detection and distance measuring method and apparatus | |
| CN107103275B (zh) | 使用雷达和视觉基于车轮进行的车辆检测和追踪 | |
| CN106295459A (zh) | 基于机器视觉和级联分类器的车辆检测和预警方法 | |
| CN114296095A (zh) | 自动驾驶车辆的有效目标提取方法、装置、车辆及介质 | |
| US11748593B2 (en) | Sensor fusion target prediction device and method for vehicles and vehicle including the device | |
| CN114705121B (zh) | 车辆位姿测量方法、装置及电子设备、存储介质 | |
| JP2018147399A (ja) | 物標検出装置 | |
| CN114460598A (zh) | 一种目标识别方法、装置、设备及存储介质 | |
| US11474535B2 (en) | Method of processing data, apparatus for processing data, and system for controlling vehicle | |
| CN110413942B (zh) | 车道线方程筛选方法及其筛选模块 | |
| CN111483464A (zh) | 基于路侧单元的动态自动驾驶换道方法、设备、存储介质 | |
| CN114084129A (zh) | 一种基于融合的车辆自动驾驶控制方法及*** | |
| CN114241448A (zh) | 障碍物航向角的获取方法、装置、电子设备及车辆 | |
| CN111959515B (zh) | 一种基于视觉检测的前向目标选择方法、装置及*** | |
| CN111612818A (zh) | 新型双目视觉多目标跟踪方法及*** | |
| CN117173666A (zh) | 一种针对非结构化道路的自动驾驶目标识别方法及*** | |
| CN115482672B (zh) | 车辆逆行检测的方法、装置、终端设备及存储介质 | |
| CN114675295A (zh) | 一种障碍物判定的方法、装置、设备及存储介质 | |
| CN113611008B (zh) | 一种车辆行驶场景采集方法、装置、设备及介质 | |
| CN114779235A (zh) | 基于车载毫米波雷达的道路边界检测方法和*** | |
| CN112346046A (zh) | 基于车载毫米波雷达的单目标跟踪方法及其*** | |
| US20220402504A1 (en) | Methods and Systems for Generating Ground Truth Data |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240423 Address after: 241000 10th Floor, Block B1, Wanjiang Wealth Plaza, Guandou Street, Jiujiang District, Wuhu City, Anhui Province Applicant after: Dazhuo Intelligent Technology Co.,Ltd. Country or region after: China Applicant after: Dazhuo Quxing Intelligent Technology (Shanghai) Co.,Ltd. Address before: 241009 South Road, Wuhu economic and Technological Development Zone, Anshan, Anhui Applicant before: Wuhu Sambalion auto technology Co.,Ltd. Country or region before: China Applicant before: CHERY AUTOMOBILE Co.,Ltd. |