CN114565107A - 碰撞检测方法、装置及设备 - Google Patents

Abstract

本申请公开了碰撞检测方法和装置。其中，所述方法包括：通过获取目标检测物本体的实时感知数据；利用碰撞检测模型对所述实时感知数据进行判断，以确定所述目标检测物是否受到碰撞；其中，所述碰撞检测模型通过如下方式获得：获取历史检测物本体感知数据和碰撞标注数据，形成训练数据集；从训练数据集学习得到碰撞检测模型。采用这种处理方式，使得基于可稳定获得的目标检测物本体感知数据来检测目标检测物是否发生碰撞，避免依赖不稳定的目标检测物外部信息（如视觉数据）和感知模块提供的准确性较低的障碍物边框；因此，可以有效提升碰撞检测的准确性和鲁棒性。

Description

碰撞检测方法、装置及设备

技术领域

本申请涉及自动驾驶技术领域，具体涉及碰撞检测方法和装置，碰撞检测模型构建方法和装置，以及车辆。

背景技术

无人配送车（也称为配送机器人）在即时配送、快递服务等行业领域得到了广泛普及和应用。碰撞检测是无人配送车自动驾驶的一项基本要求，通过碰撞检测技术可实时地检测无人配送车在短暂的过去时间内是否发生过碰撞事故，有助于监测无人配送车的状态，进而决定是否通知安全保障团队进行善后。

目前，一种典型的车辆碰撞检测方式是利用车辆外部感知数据（如视觉数据，雷达数据等）和感知模块提供的障碍物边框，检测自车边框是否与障碍物边框发生重叠，如基于圆形的检测、基于 AABB（Axis Aligned Bounding Box，轴对齐的边界框）方法、基于 OBB（Oriented Bounding Box，有方向的边界框）方法等。这种基于外部感知数据的车辆碰撞检测方法可以表征碰撞的直接结果。

然而，在实现本发明过程中，发明人发现上述方案至少存在如下问题：1）障碍物与自车的碰撞极有可能影响自车传感器采集的数据有效性，比如碰撞可能导致位于车表面的摄像头损坏，使得无法获得视觉数据，因此导致车辆碰撞检测的鲁棒性较低；2）感知模块提供的障碍物边框的准确性直接影响了碰撞检测的精度，而感知模块的准确性提升空间较为有限，因而导致车辆碰撞检测的准确度较低。

发明内容

本申请提供碰撞检测方法，以解决现有技术存在的准确性及鲁棒性均较低的问题。本申请另外提供碰撞检测装置，碰撞检测模型构建方法和装置，车辆，以及电子设备。

本申请提供一种碰撞检测方法，包括：

获取目标检测物本体的实时感知数据；

利用碰撞检测模型对所述实时感知数据进行判断，以确定所述目标检测物是否受到碰撞；

其中，所述碰撞检测模型通过如下方式获得：

获取历史检测物本体感知数据和碰撞标注数据，形成训练数据集；

从训练数据集学习得到碰撞检测模型。

可选的，所述感知数据包括以下数据的至少一项：实际行驶速度，目标行驶速度，加速度，角速度。

可选的，所述获取历史检测物本体感知数据和碰撞标注数据，形成训练数据集，包括：

获取一段时间的历史检测物本体感知数据、检测物受到碰撞的起始时间标注数据和结束时间标注数据；

将所述一段时间的历史检测物本体感知数据划分为多个历史数据帧；

根据所述起始时间标注数据和结束时间标注数据，获取历史数据帧的碰撞标注数据；

将历史数据帧的检测物本体感知数据和碰撞标注数据作为训练数据；

相应的，所述利用碰撞检测模型对所述实时感知数据进行判断，以确定所述目标检测物是否受到碰撞，包括：

将目标检测物本体的实时感知数据划分为多个目标数据帧；

利用所述碰撞检测模型，根据所述多个目标数据帧确定所述目标检测物是否受到碰撞。

可选的，所述利用所述碰撞检测模型，根据所述多个目标数据帧确定所述目标检测物是否受到碰撞，还包括：

若多个连续数据帧中判定碰撞的帧数大于或者等于帧数阈值，则判定目标检测物受到碰撞。

可选的，还包括：

根据验证数据集，确定所述多个连续数据帧的帧数和所述帧数阈值。

可选的，所述将一段时间的历史检测物本体感知数据划分为多个历史数据帧，包括：

根据帧长和帧移，将历史检测物本体感知数据分别划分为多个历史数据帧。

可选的，所述一段时间的历史检测物本体感知数据包括多种感知数据，不同感知数据具有不同的时间分辨率；

所述将所述一段时间的历史检测物本体感知数据划分为多个历史数据帧，包括：

将时间分辨率不一致的多种感知数据转化为相同时间分辨率的感知数据；

将相同时间分辨率的多种感知数据划分为多个历史数据帧。

可选的，所述根据所述起始时间标注数据和结束时间标注数据，获取与历史数据帧对应的碰撞标注数据，包括：

根据所述起始时间标注数据和结束时间标注数据，获取历史数据帧的碰撞标注数据；

根据所述历史数据帧的碰撞标注数据，获取正样本的感知数据幅度值和负样本的感知数据幅度值；

根据所述正样本的感知数据幅度值和负样本的感知数据幅度值，调整所述历史数据帧的碰撞标注数据。

可选的，所述获取历史检测物本体感知数据和碰撞标注数据，形成训练数据集，还包括以下至少一项处理：

针对负样本，滤除在碰撞结束时间后的负样本；

针对正样本，滤除感知数据幅度值小于负样本的感知数据幅度值的正样本；

对负样本进行降采样处理。

本申请还提供一种碰撞检测装置，包括：

本体感知数据获取单元，用于获取目标检测物本体的实时感知数据；

模型预测单元，用于利用碰撞检测模型对所述实时感知数据进行判断，以确定所述目标检测物是否受到碰撞；所述碰撞检测模型通过如下方式获得：获取历史检测物本体感知数据和碰撞标注数据，形成训练数据集；从训练数据集学习得到碰撞检测模型。

本申请还提供一种碰撞检测模型处理方法，包括：

获取历史检测物本体感知数据和碰撞标注数据，形成训练数据集；

构建碰撞检测模型的网络结构；

根据训练数据集，训练碰撞检测模型的网络参数，以用于利用碰撞检测模型对目标检测物本体的实时感知数据进行判断，以确定目标检测物是否受到碰撞。

本申请还提供一种碰撞检测装置，包括：

训练数据获取单元，用于获取历史检测物本体感知数据和碰撞标注数据，形成训练数据集；

模型网络构建单元，用于构建碰撞检测模型的网络结构；

模型参数训练单元，用于根据训练数据集，训练碰撞检测模型的网络参数，以用于利用碰撞检测模型对目标检测物本体的实时感知数据进行判断，以确定目标检测物是否受到碰撞。

本申请还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述各种方法。

本申请还提供一种包括指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各种方法。

与现有技术相比，本申请具有以下优点：

本申请实施例提供的碰撞检测方法，通过获取目标检测物本体的实时感知数据；利用碰撞检测模型对所述实时感知数据进行判断，以确定所述目标检测物是否受到碰撞；其中，所述碰撞检测模型通过如下方式获得：获取历史检测物本体感知数据和碰撞标注数据，形成训练数据集；从训练数据集学习得到碰撞检测模型。采用这种处理方式，使得基于可稳定获得的目标检测物本体感知数据来检测目标检测物是否发生碰撞，避免依赖不稳定的目标检测物外部信息（如视觉数据）和感知模块提供的准确性较低的障碍物边框；因此，可以有效提升碰撞检测的准确性和鲁棒性。

附图说明

图1是本申请提供的碰撞检测方法的实施例的流程图；

图2是本申请提供的碰撞检测方法的实施例的具体流程示意图；

图3是本申请提供的碰撞检测方法的实施例的碰撞标注示意图；

图4是本申请提供的碰撞检测方法的实施例的具体流程示意图。

具体实施方式

在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施的限制。

在本申请中，提供了碰撞检测方法和装置，碰撞检测模型构建方法和装置，车辆，以及电子设备。在下面的实施例中逐一对各种方案进行详细说明。

第一实施例

请参考图1，其为本申请提供的一种碰撞检测方法实施例的流程图。该方法的执行主体包括但不限于无人驾驶车辆，如无人配送车等等。本申请提供的一种碰撞检测方法包括：

步骤S101：获取历史检测物本体感知数据和碰撞标注数据，形成训练数据集。

所述检测物包括但不限于无人配送车，还可以是物流机器人等。所述检测物（如车辆）本体感知数据是指检测物与环境交互产生的数据，可由检测物的多种运动检测装置获得。所述运动检测装置，包括但不限于以下装置的至少一个：加速度计，角速度计（陀螺仪），轮速计，方向盘转角传感器，惯性传感器IMU，行驶速度检测装置，等等。相应的，所述感知数据包括但不限于以下数据的至少一项：实际行驶速度，加速度，角速度，目标行驶速度。相对于本体感知数据而言，检测物的外部感知数据可以是摄像头采集的图像数据，激光雷达采集的点云数据等。

其中，行驶速度（也称为观测速度）是检测物实际移动速度，可根据检测物定位数据和IMU检测的检测物轨迹数据计算得到。行驶速度检测属于较为成熟的现有技术，此处不再赘述。目标行驶速度也称为控制指令速度，可以是自动驾驶算法下发给无人车底盘的期望速度，如1.0代表当前控制指令希望底盘以1.0米/秒进行行驶。

所述历史检测物本体感知数据是指检测物本体感知数据的历史数据，可存储在检测物行驶数据的日志文件中。日志文件可包括多个检测物在多个时间段的多种感知数据，感知数据包括检测物本体的感知数据，还可包括检测物的外部感知数据。

所述碰撞标注数据，可以是由人工根据历史检测物本体感知数据确定的检测物是否受到碰撞或者遭到人为破坏的数据。所述碰撞标注数据，可包括碰撞起始时间点和结束时间点。

所述训练数据集包括多个训练数据（也称为训练样本），其中包括正样本和负样本，正样本的碰撞标注数据可以设置为是（表示受到碰撞），负样本的碰撞标注数据可以设置为否（表示未受到碰撞），训练数据可如下表1所示：

表1、训练数据集

具体实施时，可采用向量形式表征历史检测物本体感知数据，其中每种感知数据是向量中的一个维度数据，并可对每个维度数据进行归一化的处理，以提升模型运算效率。

在一个示例中，可由服务器端从检测物行驶日志文件中获取历史检测物本体感知数据，将其展示给标注人员查看，标注人员根据经验确定检测物发生碰撞的起始时间点和结束时间点，将其作为碰撞标注数据提交至服务端，服务器端根据历史检测物本体感知数据与对应的碰撞标注数据，形成多个训练数据。

具体实施时，可以将通过多种感知装置采集的历史检测物本体感知数据，展示在同一个坐标系中，供标注人员同时查看。该坐标系的横轴为时间，纵轴为检测物本体的各种感知数据。

步骤S103：从训练数据集学习得到碰撞检测模型。

所述模型，可以是机器学习模型，如神经网络模型等。具体实施时，可采用全连接的神经网络结构或者编码器/解码器结构等。在本实施例中，所述模型包括特征提取网络和分类器，所述特征提取网络用于根据历史检测物本体感知数据提取检测物的运动特征，所述分类器用于根据检测物的运动特征确定检测物发生碰撞的概率，根据碰撞概率来确定碰撞检测结果。

在训练数据累积到一定数量，并构建好模型结构后，就可以通过机器学习方式，根据训练数据集，训练所述模型的网络参数。在模型训练好后，存储网络参数，用于对诸如无人车辆等检测物进行是否受到碰撞的检测。

具体实施时，可将构建好的模型部署在服务器端，在目标检测物获得本体感知数据后，将实时感知数据上传至服务器端，由服务器通过所述模型，根据目标检测物本体的实时感知数据，检测目标检测物是否受到碰撞。采用这种处理方式，使得可通过不断更新的模型进行碰撞检测，因此可以有效提升检测准确度。

具体实施时，也可将构建好的模型部署在检测物端，在目标检测物获得本体感知数据后，在本地进行碰撞检测。采用这种处理方式，使得可通过本地的模型进行碰撞检测，避免网络传输延时，因此可以有效提升检测速度。

在一个示例中，所述方法还可包括如下步骤：获取新增训练数据；根据新增训练数据更新所述模型的参数，以获得准确度更高的模型。其中，新增训练数据可采用如下方式获取：获取目标检测物本体感知数据；通过所述模型，根据目标检测物本体感知数据，判断目标检测物是否受到碰撞；如果判断结果为是，则向用户展示对应的目标检测物本体感知数据；获取用户提交的人工判断结果；将人工判断结果和对应的目标检测物本体感知数据作为新增训练数据。

至此，对通过机器学习算法构建碰撞检测模型进行了说明，该阶段可采用离线方式进行处理。下面对如何应用模型进行碰撞检测进行说明，该阶段可采用在线方式进行处理。

步骤S105：获取目标检测物本体的实时感知数据。

以无人配送车为例，其在行驶过程中可能会被其他道路参与者碰撞或破坏，本申请实施例提供的方法可由车辆实时获取本体感知数据。目标车辆在行驶过程中以及在停放时，均可通过各种传感器装置获取本体感知数据。

步骤S107：利用碰撞检测模型对所述实时感知数据进行判断，以确定所述目标检测物是否受到碰撞。

本步骤为应用所述模型进行碰撞预测的阶段，可将目标检测物本次获得的本体感知数据（可称为实时感知数据）作为所述模型的输入数据，模型输出数据为目标检测物是否受到碰撞的判断结果。以车辆为例，如果判定目标检测物受到碰撞，则可对车身覆盖四个朝向的行车记录数据存储碰撞前后30秒视频数据，并自动进行数据压缩上传远程后台***，远程安全员根据视频数据进行碰撞事件确认，决定是否通知安全保障团队进行善后。

具体实施时，可先通过所述模型包括的特征提取模块，从目标检测物本体的实时感知数据中提取检测物的运动特征；然后，再通过所述模型包括的分类器，根据检测物的运动特征，判断目标检测物是否受到碰撞。

具体实施时，目标检测物可实时采集本体感知数据，每秒钟通过碰撞检测模型进行车辆碰撞检测。采用这种处理方式，可在自车受到碰撞或者遭到破坏后尽快进行碰撞检测。

至此，对本申请实施例提供的碰撞检测方法的基本实施方式进行了说明，下面对该方法的优选实施方式进行说明。

在实际应用中，为了节约人力成本，可由人工根据一个历史时间段的检测物本体感知信息来标注检测物在此期间具体在何时受到了碰撞。例如，历史检测物本体感知数据包括30分钟的来源于检测物多个传感器的数据，人工对该时间段内的检测物本体感受信息画出检测物受到碰撞的起始时间点和结束时间点。

为了达到较高的碰撞检测精度，可将检测物在一段时间内的检测物本体感知数据划分为时间粒度更细的多个历史数据帧。例如，将30分钟的历史检测物本体感知数据划分为多个1秒钟的历史数据帧，也即：历史检测物本体感知数据包括多个数据帧的数据。

如图2所示，在一个示例中，步骤S101可包括如下子步骤：

步骤S1011：获取一段时间的历史检测物本体感知数据、检测物受到碰撞的起始时间标注数据和结束时间标注数据。

步骤S1013：将一段时间的历史检测物本体感知数据划分为多个历史数据帧。

具体实施时，步骤S1013可采用如下方式实现：根据帧长和帧移，将一段时间的历史检测物本体感知数据分别划分为多个历史数据帧。所述帧长是指数据帧的时间长度。所述帧移是指数据帧的移动步伐，会影响前后两帧的重叠量。例如，将帧长设置为1秒，将帧移设置为0.1秒，可按照 1 秒窗口大小和 0.1 秒移动步伐，将30分钟内的检测物本体感知数据划分为多个数据帧。

在一个示例中，所述一个时间段的历史检测物本体感知数据包括在来源于多个传感器的感知数据，不同传感器具有不同的数据采集周期，即不同感知数据具有不同的时间分辨率。例如，陀螺仪每10毫秒获取一次角速度数据；加速度计每5毫秒获取一次加速度数据； IMU每20毫秒获取一次惯性相关数据；车辆行驶速度检测装置每25毫秒计算一次车辆行驶速度数据；控制指令下发装置每30毫秒生成一个控制指令速度数据。

在不同感知数据具有不同的时间分辨率的情况下，步骤S1013可包括如下子步骤：1）将时间分辨率不一致的多种感知数据转化为相同时间分辨率的感知数据；2）将相同时间分辨率的多种感知数据划分为多个历史数据帧。例如，可通过线性差值、均匀采样等方式，将时间分辨率不一致的多种感知数据转化为相同时间分辨率的检测物本体感知数据，使得不同的感知数据保持一致的分辨率，然后将时间分辨率相同的多种感知数据划分为多个数据帧。

步骤S1015：根据所述起始时间标注数据和结束时间标注数据，获取历史数据帧的碰撞标注数据。

在将一个时间段的历史检测物本体感知数据划分为多个历史数据帧后，还要获取各个历史数据帧的碰撞标注数据。本实施例根据标注人员提供的碰撞标注数据，获取各历史数据帧的碰撞标注数据。

具体实施时，如果人类标注的碰撞数据准确，则可根据人类标注的碰撞发生时间范围中的碰撞起始时间点和碰撞结束时间点，直接确定各历史数据帧的碰撞标注数据。例如，如果一个历史数据帧位于人类标注的碰撞时间范围内，则该历史数据帧对应的碰撞标注数据为是，表示该历史数据帧发生了车辆碰撞；如果一个历史数据帧没有位于人类标注的碰撞时间范围内，则该历史数据帧对应的碰撞标注数据为否，表示该历史数据帧并未发生车辆碰撞。

然而，人工标注的碰撞数据精度有限。如图3所示，其中两条曲线为两个感知装置采集的两种感知数据，假设检测物受到碰撞的真实时间起点为t1，真实结束点为t2，但人类通常无法准确标注到数据量波动的时间点，如图3所示的人类标注碰撞起点为t1-d，人类标注碰撞结束点为t2+d，t1-d至t2+d时间范围内会涵盖许多无效信息。因此，对于人类标注的碰撞发生区间，需要进行标签校准。

在一个示例中，步骤S1015可包括如下子步骤：

步骤S1015-1：根据所述起始时间标注数据和结束时间标注数据，获取历史数据帧的碰撞标注数据。

如上例所述，如果一个历史数据帧位于人类标注的碰撞时间范围内，则该历史数据帧的碰撞标注数据为是；如果一个历史数据帧没有位于人类标注的碰撞时间范围内，则该历史数据帧的碰撞标注数据为否。

步骤S1015-3：根据所述历史数据帧的碰撞标注数据，获取正样本的感知数据幅度值和负样本的感知数据幅度值。

所述正样本是碰撞标注数据为碰撞的历史数据帧，所述负样本是碰撞标注数据为未碰撞的历史数据帧。

步骤S1015-5：根据所述正样本的感知数据幅度值和负样本的感知数据幅度值，调整所述历史数据帧的碰撞标注数据。

标签校准时，假设数据波动属于高斯分布，因此在利用人类标注数据选正样本时，小于1个平方差的样本均认为是由于人类标注员标注范围过广造成的错误样本。

步骤S1015-7：将历史数据帧的检测物本体感知数据和碰撞标注数据作为训练数据。

具体实施时，可将一个数据帧包括的所有本体感知数据整合成一个特征向量，采用向量形式表征历史数据帧的检测物本体感知数据，其中每种感知数据是向量中的一个维度数据，并可对每个维度数据进行归一化的处理，以提升模型运算效率。

在一个示例中，步骤S101还可包括如下子步骤：

步骤S1015-9：针对负样本，滤除在碰撞结束时间后的负样本。

碰撞结束是指人类标注的车辆碰撞结束时间点，通过滤除碰撞结束的负样本，可以减少与检测物碰撞无关的样本数据，从而有效提升模型准确性。

在一个示例中，步骤S101还可包括如下子步骤：

步骤S1015-10：针对正样本，滤除感知数据幅度值小于负样本的感知数据幅度值的正样本。

采用这种处理方式，可滤除人工标注不准确的数据帧，从而有效提升模型准确性。

在一个示例中，步骤S101还可包括如下子步骤：

步骤S1015-11：对负样本进行降采样处理。

在实际应用中，在一个较长时间段内只有较少的数据帧发生车辆碰撞，也即存在大量负样本和少量正样本，可通过随机采样部分负样本，减少正负样本数量不均衡的影响，从而有效提升模型准确性。

与前述步骤S1011至S1015相对应，步骤S107可包括如下子步骤：

步骤S1071：将目标检测物本体的实时感知数据划分为多个目标数据帧。

步骤S1073：利用所述碰撞检测模型，根据所述多个目标数据帧确定所述目标检测物是否受到碰撞。

在实际应用中，仅仅根据一个数据帧的检测物碰撞检测为是的结果，来判定目标检测物受到碰撞并不准确，其原因在于可能是周围环境发生了震动等情况导致检测物发生了瞬间的震动。为了提升碰撞检测的准确性，在一个示例中，步骤S1073可包括如下子步骤：

步骤S1073-1：利用所述碰撞检测模型，根据目标数据帧确定所述目标检测物是否受到碰撞。

步骤S1073-3：若多个连续数据帧中判定碰撞的帧数大于或者等于帧数阈值，则判定目标检测物受到碰撞。

所述帧数阈值可根据应用需求设定，如将帧数阈值设置为7，在连续的10个数据帧中如果有7个数据帧判定检测物发生碰撞，则确定出现了检测物受到碰撞的情况。

在一个示例中，本申请实施例提供的方法还可包括如下步骤：根据验证数据集，确定所述多个连续数据帧的帧数（n）和所述帧数阈值（m）。

例如，构建K个碰撞案例和V个没有碰撞案例集合，通过调整n和m使得检测指标f1得分尽可能高。本实施例在评测算法有效性时，整理碰撞案例集合和没有碰撞案例集合。通过算法评判上述两个集合，并统计每一组案例的识别情况。在碰撞集合中，被准确识别出事故的统计为TP，没有识别出事故的统计为FN。在没有碰撞的集合中准确判断没有碰撞的数量统计为TN，误判为有事故的统计为FP。构建混淆矩阵如下:

则 f1-score 计算方式为:

P=TP/(TP+FP) R= TP/(TP+FN) F1=2P*R/(P+R)

可通过人工不断调整m和n，使得F1值在集合中达到最大。

如图4所示，在一个示例中，首先可采用离线方式，通过机器学习算法，根据历史车辆本体感知数据和碰撞标注数据，学习得到车辆碰撞检测模型。其中，历史车辆本体感知数据为一个时间段的历史车辆本体感知数据，碰撞标注数据为粗略标注的碰撞起始时间点和碰撞结束时间点。在进行模型训练前，先对一个时间段的历史车辆本体感知数据进行分帧处理；然后通过标签矫正，根据碰撞标注数据，确定历史数据帧的碰撞标注数据；再对负样本进行降采样处理，由此整理得到可直接用于模型训练的训练样本。根据训练样本，训练全连接神经网络的网络参数，得到车辆碰撞检测模型。然后，可实时采集本体感受信号，将实时本体感受信号分帧，并通过训练好的模型，根据目标数据帧检测车辆是否受到碰撞。如果检测到车辆受到碰撞，可记录上报并决定是否发起人工守护。

从上述实施例可见，本申请实施例提供的碰撞检测方法，通过获取目标检测物本体的实时感知数据；利用碰撞检测模型对所述实时感知数据进行判断，以确定所述目标检测物是否受到碰撞；其中，所述碰撞检测模型通过如下方式获得：获取历史检测物本体感知数据和碰撞标注数据，形成训练数据集；从训练数据集学习得到碰撞检测模型。采用这种处理方式，使得基于可稳定获得的目标检测物本体感知数据来检测目标检测物是否发生碰撞，避免依赖不稳定的目标检测物外部信息（如视觉数据）和感知模块提供的准确性较低的障碍物边框；因此，可以有效提升碰撞检测的准确性和鲁棒性。

第二实施例

在上述的实施例中，提供了碰撞检测法，与之相对应的，本申请还提供一种碰撞检测装置。该装置是与上述方法的实施例相对应。由于装置实施例基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。

本申请另外提供一种碰撞检测装置，包括：

本体感知数据获取单元，用于获取目标检测物本体的实时感知数据；

模型预测单元，用于利用碰撞检测模型对所述实时感知数据进行判断，以确定所述目标检测物是否受到碰撞；所述碰撞检测模型通过如下方式获得：获取历史检测物本体感知数据和碰撞标注数据，形成训练数据集；从训练数据集学习得到碰撞检测模型。

在一个示例中，所述感知数据包括以下数据的至少一项：实际行驶速度，目标行驶速度，加速度，角速度。

在一个示例中，所述获取历史检测物本体感知数据和碰撞标注数据，形成训练数据集，包括：

获取一段时间的历史检测物本体感知数据、检测物受到碰撞的起始时间标注数据和结束时间标注数据；

将所述一段时间的历史检测物本体感知数据划分为多个历史数据帧；

根据所述起始时间标注数据和结束时间标注数据，获取历史数据帧的碰撞标注数据；

将历史数据帧的检测物本体感知数据和碰撞标注数据作为训练数据；

相应的，所述模型预测单元包括：

分帧子单元，用于将目标检测物本体的实时感知数据划分为多个目标数据帧；

预测子单元，用于利用所述碰撞检测模型，根据所述多个目标数据帧确定所述目标检测物是否受到碰撞。

在一个示例中，所述预测子单元具体用于若多个连续数据帧中判定碰撞的帧数大于或者等于帧数阈值，则判定目标检测物受到碰撞。

在一个示例中，还包括：

根据验证数据集，确定所述多个连续数据帧的帧数和所述帧数阈值。

在一个示例中，所述将一段时间的历史检测物本体感知数据划分为多个历史数据帧，包括：

根据帧长和帧移，将历史检测物本体感知数据分别划分为多个历史数据帧。

在一个示例中，所述一段时间的历史检测物本体感知数据包括多种感知数据，不同感知数据具有不同的时间分辨率；

所述将所述一段时间的历史检测物本体感知数据划分为多个历史数据帧，包括：

将时间分辨率不一致的多种感知数据转化为相同时间分辨率的感知数据；

将相同时间分辨率的多种感知数据划分为多个历史数据帧。

在一个示例中，所述根据所述起始时间标注数据和结束时间标注数据，获取与历史数据帧对应的碰撞标注数据，包括：

根据所述起始时间标注数据和结束时间标注数据，获取历史数据帧的碰撞标注数据；

根据所述历史数据帧的碰撞标注数据，获取正样本的感知数据幅度值和负样本的感知数据幅度值；

根据所述正样本的感知数据幅度值和负样本的感知数据幅度值，调整所述历史数据帧的碰撞标注数据。

在一个示例中，所述获取历史检测物本体感知数据和碰撞标注数据，形成训练数据集，还包括以下至少一项处理：

针对负样本，滤除在碰撞结束时间后的负样本；

针对正样本，滤除感知数据幅度值小于负样本的感知数据幅度值的正样本；

对负样本进行降采样处理。

第三实施例

在上述的实施例中，提供了一种碰撞检测方法，与之相对应的，本申请还提供一种碰撞检测模型处理方法。该方法的执行主体包括但不限于服务器，也可以是无人驾驶车辆等其它设备。

本申请提供的一种碰撞检测模型处理方法，可包括如下步骤：

步骤1：获取历史检测物本体感知数据和碰撞标注数据，形成训练数据集。

步骤2：构建碰撞检测模型的网络结构。

步骤3：根据训练数据集，训练碰撞检测模型的网络参数，以用于利用碰撞检测模型对目标检测物本体的实时感知数据进行判断，以确定目标检测物是否受到碰撞。

在准备好训练数据，并构建好模型结构后，就可以根据训练数据集，训练所述模型的网络参数。在模型训练好后，存储网络参数，用于对目标检测物进行碰撞检测。

第四实施例

在上述的实施例中，提供了碰撞检测模型构建方法，与之相对应的，本申请还提供一种碰撞检测模型构建装置。该装置是与上述方法的实施例相对应。由于装置实施例基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。

本申请另外提供一种碰撞检测模型构建装置，包括：

训练数据获取单元，用于获取历史检测物本体感知数据和碰撞标注数据，形成训练数据集；

模型网络构建单元，用于构建碰撞检测模型的网络结构；

模型参数训练单元，用于根据训练数据集，训练碰撞检测模型的网络参数，以用于利用碰撞检测模型对目标检测物本体的实时感知数据进行判断，以确定目标检测物是否受到碰撞。

第五实施例

在上述的实施例中，提供了一种碰撞检测方法，与之相对应的，本申请还提供一种车辆。该设备的实施例是与上述方法的实施例相对应。由于设备实施例基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。下述描述的设备实施例仅仅是示意性的。

本申请另外提供一种车辆，包括：处理器，以及存储器。所述存储器，用于存储实现根据上述实施例提供的碰撞检测方法的程序，该设备通电并通过所述处理器运行所述方法的程序。

本申请虽然以较佳实施例公开如上，但其并不是用来限定本申请，任何本领域技术人员在不脱离本申请的精神和范围内，都可以做出可能的变动和修改，因此本申请的保护范围应当以本申请权利要求所界定的范围为准。

在一个典型的配置中，计算设备包括一个或多个处理器 (CPU)、 输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器 (RAM) 和/或非易失性内存等形式，如只读存储器 (ROM) 或闪存(flash RAM)。内存是计算机可读介质的示例。

1、计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、 程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器 (DRAM)、 其他类型的随机存取存储器 (RAM)、只读存储器(ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器 (CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体 (transitory media)，如调制的数据数据和载波。

2、本领域技术人员应明白，本申请的实施例可提供为方法、***或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

Claims (11)

1.一种碰撞检测方法，其特征在于，包括：

获取目标检测物本体的实时感知数据；

将目标检测物本体的实时感知数据划分为多个目标数据帧；

利用碰撞检测模型，根据所述多个目标数据帧确定所述目标检测物是否受到碰撞；

其中，所述碰撞检测模型通过如下方式获得：

获取一段时间的历史检测物本体感知数据、检测物受到碰撞的起始时间标注数据和结束时间标注数据；

将所述一段时间的历史检测物本体感知数据划分为多个历史数据帧；

根据所述起始时间标注数据和结束时间标注数据，确定历史数据帧的碰撞标注数据；

将历史数据帧的检测物本体感知数据和碰撞标注数据作为训练数据；

从训练数据集学习得到碰撞检测模型。

2.根据权利要求1所述的方法，其特征在于，所述感知数据包括以下数据的至少一项：实际行驶速度，目标行驶速度，加速度，角速度。

3.根据权利要求1所述的方法，其特征在于，所述利用碰撞检测模型，根据所述多个目标数据帧确定所述目标检测物是否受到碰撞，包括：

若多个连续数据帧中判定碰撞的帧数大于或者等于帧数阈值，则判定目标检测物受到碰撞。

4.根据权利要求3所述的方法，其特征在于，还包括：

根据验证数据集，确定所述多个连续数据帧的帧数和所述帧数阈值。

5.根据权利要求1所述的方法，其特征在于，

所述将所述一段时间的历史检测物本体感知数据划分为多个历史数据帧，包括：

根据帧长和帧移，将历史检测物本体感知数据分别划分为多个历史数据帧。

6.根据权利要求1所述的方法，其特征在于，

所述一段时间的历史检测物本体感知数据包括多种感知数据，不同感知数据具有不同的时间分辨率；

所述将所述一段时间的历史检测物本体感知数据划分为多个历史数据帧，包括：

将时间分辨率不一致的多种感知数据转化为相同时间分辨率的感知数据；

将相同时间分辨率的多种感知数据划分为多个历史数据帧。

7.根据权利要求1所述的方法，其特征在于，所述根据所述起始时间标注数据和结束时间标注数据，确定历史数据帧的碰撞标注数据，包括：

根据所述起始时间标注数据和结束时间标注数据，获取历史数据帧的碰撞标注数据；

根据所述历史数据帧的碰撞标注数据，获取正样本的感知数据幅度值和负样本的感知数据幅度值；

根据所述正样本的感知数据幅度值和负样本的感知数据幅度值，调整所述历史数据帧的碰撞标注数据。

8.根据权利要求7所述的方法，其特征在于，还包括以下至少一项处理：

针对负样本，滤除在碰撞结束时间后的负样本；

针对正样本，滤除感知数据幅度值小于负样本的感知数据幅度值的正样本；

对负样本进行降采样处理。

9.一种碰撞检测装置，其特征在于，包括：

本体感知数据获取单元，用于获取目标检测物本体的实时感知数据；

模型预测单元，用于将目标检测物本体的实时感知数据划分为多个目标数据帧；利用碰撞检测模型，根据所述多个目标数据帧确定所述目标检测物是否受到碰撞；所述碰撞检测模型通过如下方式获得：获取一段时间的历史检测物本体感知数据、检测物受到碰撞的起始时间标注数据和结束时间标注数据；将所述一段时间的历史检测物本体感知数据划分为多个历史数据帧；根据所述起始时间标注数据和结束时间标注数据，确定历史数据帧的碰撞标注数据；将历史数据帧的检测物本体感知数据和碰撞标注数据作为训练数据；从训练数据集学习得到碰撞检测模型。

10.一种碰撞检测模型处理方法，其特征在于，包括：

获取历史检测物本体感知数据和碰撞标注数据，形成训练数据集；

构建碰撞检测模型的网络结构；

根据训练数据集，训练碰撞检测模型的网络参数，以用于利用碰撞检测模型对目标检测物本体的实时感知数据进行判断，以确定目标检测物是否受到碰撞。

11.一种碰撞检测装置，其特征在于，包括：

训练数据获取单元，用于获取历史检测物本体感知数据和碰撞标注数据，形成训练数据集；

模型网络构建单元，用于构建碰撞检测模型的网络结构；

模型参数训练单元，用于根据训练数据集，训练碰撞检测模型的网络参数，以用于利用碰撞检测模型对目标检测物本体的实时感知数据进行判断，以确定目标检测物是否受到碰撞。

Images