CN116626630B - 一种物体分类方法、装置、电子设备及存储介质 - Google Patents
一种物体分类方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116626630B CN116626630B CN202310913111.0A CN202310913111A CN116626630B CN 116626630 B CN116626630 B CN 116626630B CN 202310913111 A CN202310913111 A CN 202310913111A CN 116626630 B CN116626630 B CN 116626630B
- Authority
- CN
- China
- Prior art keywords
- distance
- target object
- probability
- gaussian distribution
- angle
- 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 42
- 238000005315 distribution function Methods 0.000 claims abstract description 49
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000004088 simulation Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 4
- 230000002035 prolonged effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000005447 environmental material Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/40—Means for monitoring or calibrating
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Electromagnetism (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请提供了一种物体分类方法、装置、电子设备及存储介质,涉及雷达传感器技术领域,包括:通过混合雷达传感器识别得到多个物体,确定目标物体对应的第一极坐标和最邻近物体对应的第二极坐标,根据第一极坐标和第二极坐标计算目标物体与最邻近物体之间的距离差值和角度差值,通过预设高斯分布方差,得到目标物体在极坐标系下的高斯分布函数,根据距离差值、角度差值、雷达分辨率和高斯分布函数,计算目标物体与最邻近物体被识别为同一物体的可能性结果,根据可能性结果,确定目标物体的分类结果。本申请通过高斯方差,在混合雷达传感器中实现了对物体分类概率的输出,在保证了计算效率的同时,延伸了雷达应用场景。
Description
技术领域
本申请涉及雷达传感器技术领域,尤其涉及一种物体分类方法、装置、电子设备及存储介质。
背景技术
在自动驾驶技术中,车载毫米波传感器被用于目标障碍物检测,在自动驾驶仿真软件设计时,为了模拟自动驾驶汽车对感知数据的算法,需要模拟出毫米波雷达的检测数据,同时需要仿真的毫米波雷达结果满足真实的毫米波雷达的特性,而其中之一就是分辨率,毫米波无法将距离或者相对传感器角度过近的两个物体分类为一个物体,并且由于毫米波雷达的精度以及误差,这种现象会以概率出现,现有技术手段中,通常采用混合传感器或物理传感器完成对目标障碍物的检测仿真。
由于物理传感器输出数据都是每一帧通过物理流程计算得到的,若想输出识别概率,通常是通过测量实验统计多帧仿真数据获取的,其无法实现实时输出概率,而混合模型虽然具备比较高的计算效率,但是其并不支持目标障碍物被正确分类概率或可能性的计算。
发明内容
有鉴于此,本申请的目的在于至少提供一种物体分类方法、装置、电子设备及存储介质,通过高斯方差,在混合雷达传感器中实现了对物体分类概率的输出,在保证了计算效率的同时,延伸了雷达应用场景。
本申请主要包括以下几个方面:
第一方面,本申请实施例提供一种物体分类方法,方法包括:
在预设仿真环境中,通过混合雷达传感器识别得到多个物体,确定预设仿真环境中距离目标物体最近的最邻近物体,并分别确定在以混合雷达传感器为极点的极坐标系下,目标物体对应的第一极坐标和最邻近物体对应的第二极坐标,根据第一极坐标和第二极坐标计算目标物体与最邻近物体之间的距离差值和角度差值,通过预设高斯分布方差,得到目标物体在极坐标系下的高斯分布函数,根据距离差值、角度差值、雷达分辨率和高斯分布函数,计算目标物体与最邻近物体被识别为同一物体的可能性结果,根据可能性结果,确定目标物体的分类结果。
在一种可能的实施方式中,第一极坐标包括第一距离值和第一角度值,第二极坐标包括第二距离值和第二角度值,其中,通过以下方式确定目标物体与最邻近物体之间的距离差值和角度差值:将第一距离值和第二距离值之间的差值确定为目标物体与最邻近物体之间的距离差值;将第一角度值和第二角度值之间的差值确定为目标物体与最邻近物体之间的角度差值。
在一种可能的实施方式中,预设高斯分布方差包括距离高斯分布方差和角度高斯分布方差,高斯分布函数包括距离高斯分布函数和角度高斯分布函数,其中,通过以下方式得到目标物体在极坐标系下的高斯分布函数:为第一距离值添加距离高斯分布方差,得到距离高斯分布函数,距离高斯分布函数的横轴表示目标物体在距离高斯分布方差影响下得到的预测距离值,距离高斯分布函数的纵轴表示预测距离值出现概率;为第一角度值添加角度高斯分布方差,得到角度高斯分布函数,角度高斯分布函数的横轴表示目标物体在角度高斯分布方差影响下得到的多个预测角度值,角度高斯分布函数的纵轴表示预测角度出现概率。
在一种可能的实施方式中,雷达分辨率包括距离分辨率和角度分辨率,其中,通过以下方式确定可能性结果:根据距离差值和距离分辨率,确定目标物体与最邻近物体不能被正确分类的距离范围;根据距离高斯分布方差、距离范围和距离分辨率,计算目标物体的预测距离处于距离范围内的第一概率,第一概率表示在距离维度下,目标物体与最邻近物体无法正确分类的可能性;基于角度差值和角度分辨率,确定目标物体与最邻近物体不能被正确分类的角度范围;根据角度高斯分布方差、角度范围和角度分辨率,计算目标物体的预测角度处于角度范围内的第二概率,第二概率表示在角度维度下,目标物体与最邻近物体无法正确分类的可能性;根据第一概率和第二概率,计算目标物体与最邻近物体被识别为同一物体的可能性结果。
在一种可能的实施方式中,通过以下公式确定第一概率:
在该公式中,表示第一概率,/>表示目标物体与最邻近物体之间的距离差值,为距离高斯分布方差,/>表示距离范围的上限值,/>表示距离范围的下限值,/>表示距离分辨率。
通过以下公式确定第二概率:
在该公式中,表示第二概率,/>表示目标物体与最邻近物体之间的角度差值,为角度高斯分布方差,/>表示角度范围的上限值,/>表示角度范围的下限值,/>表示角度分辨率。
在一种可能的实施方式中,根据第一概率和第二概率,计算目标物体与最邻近物体被识别为同一物体的可能性结果的步骤包括:计算第一概率与第二概率之间的乘积;将1与乘积之间的差值,确定为目标物体与最邻近物体被识别为同一物体的可能性结果。
在一种可能的实施方式中,根据可能性结果,确定目标物体的分类结果的步骤包括:将可能性结果与第一预设阈值进行比较,若可能性结果大于或等于第一预设阈值,则确定雷达传感器对目标物体分类正确;若可能性结果小于第一预设阈值,则判断可能性结果是否小于第二预设阈值;若可能性结果小于第二预设阈值,则确定雷达传感器对目标物体分类错误;若可能性结果大于或等于第二预设阈值,则确定雷达传感器对目标物体分类不准确。
第二方面,本申请实施例还提供一种物体分类装置,装置包括:
识别模块,用于在预设仿真环境中,通过混合雷达传感器识别得到多个物体;第一确定模块,用于确定预设仿真环境中距离目标物体最近的最邻近物体,并分别确定在以雷达传感器为极点的极坐标系下,目标物体对应的第一极坐标和最邻近物体对应的第二极坐标,第一计算模块,用于根据第一极坐标和第二极坐标计算目标物体与最邻近物体之间的距离差值和角度差值;第二确定模块,用于通过预设高斯分布方差,得到目标物体在极坐标系下的高斯分布函数;第二计算模块,用于根据距离差值、角度差值、雷达分辨率和高斯分布函数,计算目标物体与最邻近物体被识别为同一物体的可能性结果;第三确定模块,根据可能性结果,确定目标物体的分类结果。
第三方面,本申请实施例还提供一种电子设备,包括:处理器、存储器和总线,存储器存储有处理器可执行的机器可读指令,当电子设备运行时,处理器与存储器之间通过总线进行通信,机器可读指令被处理器运行时执行上述第一方面或第一方面中任一种可能的实施方式中的物体分类方法的步骤。
第四方面,本申请实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器运行时执行上述第一方面或第一方面中任一种可能的实施方式中的物体分类方法的步骤。
本申请实施例提供的一种物体分类方法、装置、电子设备及存储介质,包括:通过混合雷达传感器识别得到多个物体,确定目标物体对应的第一极坐标和最邻近物体对应的第二极坐标,根据第一极坐标和第二极坐标计算目标物体与最邻近物体之间的距离差值和角度差值,通过预设高斯分布方差,得到目标物体在极坐标系下的高斯分布函数,根据距离差值、角度差值、雷达分辨率和高斯分布函数,计算目标物体与最邻近物体被识别为同一物体的可能性结果,根据可能性结果,确定目标物体的分类结果。本申请通过高斯方差,在混合雷达传感器中实现了对物体分类概率的输出,在保证了计算效率的同时,延伸了雷达应用场景。
本申请有益之处在于:
1、实现了物体被正确分类概率的输出,绕开了一些实测以及物理的繁琐过程,直接运用到高效率的混合传感器中,避免了物理传感器非实时仿真对仿真技术验证带来的影响。
2、简化了目标分类的流程,使得数据输出的速度更快,并将雷达的识别分类能力以分类正确概率这样的概念进行了量化,可以运用到更多的自动驾驶算法仿真验证中。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1示出了本申请实施例所提供的一种物体分类方法的流程图;
图2示出了本申请实施例提供的一种距离高斯分布函数的示意图;
图3示出了本申请实施例提供的一种物体分类装置的结构示意图;
图4示出了本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解,本申请中的附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应当理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
另外,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的全部其他实施例,都属于本申请保护的范围。
现有技术中通常使用物理传感器和混合传感器实现对仿真环境中的障碍物测量,具体的:
混合雷达传感器是一种致力于体现传感器物理特性的低阶传感器,相比于精度更高更依赖毫米波原理的物理传感器,混合传感器则是将很多毫米波特性近似化直接添加到数据中,其优点是运算速度快,但是混合传感器并不具备输出概率类参数的功能。
物理传感器则需要利用光追等方法进行物体识别或障碍物测量,这样就需要考虑传感器的信号发射与接收,以及更多其它的传感器参数,虽还原了传感器运作的原理,但是需要更大的运算量以及对环境材质的建模,导致物理传感器的分类计算效率低。
且由于物理传感器输出数据都是每一帧通过物理流程计算得到的,其无法实时输出概率类参数,例如,若两个目标物体被正确分类的可能性是90%,则其在物理传感器中的表现为:100帧仿真数据中,有90帧仿真数据识别为两个目标物体,有10帧仿真数据识别为一个目标物体,也就是说,对于物理传感器而言,是无法在实时帧内输出目标被正确分类概率的。
基于此,本申请实施例提供了一种物体分类方法,使混合雷达传感器能实现实时输出目标被正确分类可能性的参数,在保证了计算效率的同时,延伸了雷达应用场景,具体如下:
请参阅图1,图1示出了本申请实施例所提供的一种物体分类方法的流程图。如图1所示,本申请实施例提供的物体分类方法,包括以下步骤:
S100、在预设仿真环境中,通过混合雷达传感器识别得到多个物体。
在具体实施中,混合雷达传感器可以为混合毫米波雷达传感器,预设仿真环境可以为预先搭建的自动驾驶仿真环境,混合雷达传感器位于自动驾驶仿真环境中的主车上,多个物体可以为车辆或其它障碍物,通过控制混合雷达传感器对自动驾驶仿真环境进行扫描,根据混合雷达传感器的检测数据即可确定出位于混合雷达传感器探测范围内的多个物体。
S200、确定预设仿真环境中距离目标物体最近的最邻近物体,并分别确定在以混合雷达传感器为极点的极坐标系下,目标物体对应的第一极坐标和最邻近物体对应的第二极坐标。
本申请中,可选取多个物体中的任意一个作为目标物体,本申请中,根据雷达传感器输出的检测数据,可以确定出每个物体在以雷达传感器为原点的直角坐标系下的位置坐标,根据每个物体对应的位置坐标,可计算出目标物体与其它物体之间的距离,然后,将最小距离值对应的物体确定为目标物体对应的最邻近物体。
本申请中,分别对目标物体和最邻近物体对应的位置坐标进行极坐标转换,即可得到目标物体对应的第一极坐标以及最邻近物体对应的第二极坐标,其中,第一极坐标包括第一距离值和第一角度值,第二极坐标包括第二距离值和第二角度值。
具体的,第一极坐标可表示为(/>,/>),/>表示第一距离值,/>表示第一角度值,第二极坐标可表示为/>(/>,/>),/>表示第二距离值,/>表示第二角度值。
S300、根据第一极坐标和第二极坐标计算目标物体与最邻近物体之间的距离差值和角度差值。
在一优选实施例中,通过以下方式确定目标物体与最邻近物体之间的距离差值和角度差值:
将第一距离值和第二距离值之间的差值确定为目标物体与最邻近物体之间的距离差值,将第一角度值和第二角度值之间的差值确定为目标物体与最邻近物体之间的角度差值。
具体的,距离差值,角度差值/>。
S400、通过预设高斯分布方差,得到目标物体在极坐标系下的高斯分布函数。
在本申请中,考虑目标物体可能发生的测量误差,但是不考虑除目标物体之外的其它物体对应的测量误差(即将其它物体对应的测量误差看成是零),因此,只在目标物体引入预设高斯分布方差,预设高斯分布方差从距离和角度两个误维度考虑包括距离高斯分布方差和角度高斯分布方差,高斯分布函数包括距离高斯分布函数和角度高斯分布函数。
在一优选实施例中,通过以下方式得到目标物体在极坐标系下的高斯分布函数:
为第一距离值添加距离高斯分布方差,得到距离高斯分布函数,距离高斯分布函数的横轴表示目标物体在距离高斯分布方差影响下得到的预测距离值,距离高斯分布函数的纵轴表示预测距离值出现概率,为第一角度值添加角度高斯分布方差,得到角度高斯分布函数,角度高斯分布函数的横轴表示目标物体在角度高斯分布方差影响下得到的多个预测角度值,角度高斯分布函数的纵轴表示预测角度出现概率。
请参阅图2,图2示出了本申请实施例提供的一种距离高斯分布函数的示意图。如图2所示,图2示出了距离高斯分布方差为、数学期望为μ的距离高斯分布函数对应的正态分布曲线L,横轴R表示第一距离值在距离高斯分布方差为/>影响下得到的预测距离值,纵轴P表示预测距离值出现的概率,此时,以目标物体Object1为中心点,即目标物体Object1处于如图2所示位置上,最邻近物体Object2在相对目标物体Object1如图2所示位置,因为高斯分布的对称性,直接取相对距离为正。
S500、根据距离差值、角度差值、雷达分辨率和高斯分布函数,计算目标物体与最邻近物体被识别为同一物体的可能性结果。
其中,雷达分辨率包括距离分辨率和角度分辨率。
在一优选实施例中,通过以下方式确定所述可能性结果:
根据距离差值和距离分辨率,确定目标物体与最邻近物体不能被正确分类的距离范围,根据距离高斯分布方差、距离范围和距离分辨率,计算目标物体的预测距离处于距离范围内的第一概率,第一概率表示在距离维度下,目标物体与最邻近物体无法正确分类的可能性。
如图2所示,虚线LL1和LL2之间的宽度为二倍的距离分辨率,则确定的距离范围为(R-/>,R+/>),因此,基于目标物体Object1预测距离的随机性,只需要计算目标物体Object1落在距离范围内对应的第一概率,就可以知道目标物体Object1不能被正确分类的概率,即第一概率。
目标物体的预测距离值若落在虚线LL1和LL2所形成的距离范围内,则确定目标物体不能被正确分类,不能被正确分类是指混合毫米波雷达将目标物体Object1和最邻近物体Object2识别为同一个物体。
基于角度差值和角度分辨率,确定目标物体与最邻近物体不能被正确分类的角度范围,根据角度高斯分布方差、角度范围和角度分辨率,计算目标物体的预测角度处于角度范围内的第二概率,第二概率表示在角度维度下,目标物体与最邻近物体无法正确分类的可能性。
第二概率的确定方式与第一概率的确定方式相同,在此不做赘述。
根据第一概率和第二概率,计算目标物体与最邻近物体被识别为同一物体的可能性结果。
在另一优选实施例中,通过以下公式确定第一概率:
在该公式中,表示第一概率,/>表示目标物体与最邻近物体之间的距离差值,为距离高斯分布方差,/>表示距离范围的上限值,/>表示距离范围的下限值,表示距离分辨率。
通过以下公式确定第二概率:
在该公式中,表示第二概率,/>表示目标物体与最邻近物体之间的角度差值,为角度高斯分布方差,/>表示角度范围的上限值,/>表示角度范围的下限值,表示角度分辨率。
在一具体实施例中,根据第一概率和第二概率,计算目标物体与最邻近物体被识别为同一物体的可能性结果的步骤包括:
计算第一概率与第二概率之间的乘积,将1与乘积之间的差值,确定为目标物体与最邻近物体被识别为同一物体的可能性结果。
具体的,可通过如下公式进行计算:
其中,表示目标物体与最邻近物体被识别为同一物体的可能性结果。
在本申请中,对于混合毫米波传感器测量探测范围内的全部物体重复上述过程,即可对每个物体添加目标被正确分类可能性的输出(即可能性结果),从而达到混合毫米波传感器输出概率型参数的功能。
S600、根据可能性结果,确定目标物体的分类结果。
在一优选实施例中,步骤S600包括:
将可能性结果与第一预设阈值进行比较,若可能性结果大于或等于第一预设阈值,则确定雷达传感器对目标物体分类正确,若可能性结果小于第一预设阈值,则判断可能性结果是否小于第二预设阈值,若可能性结果小于第二预设阈值,则确定雷达传感器对目标物体分类错误,若可能性结果大于或等于第二预设阈值,则确定雷达传感器对目标物体分类不准确。
基于同一申请构思,本申请实施例中还提供了与上述实施例提供的物体分类方法对应的物体分类装置,由于本申请实施例中的装置解决问题的原理与本申请上述实施例的物体分类方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。
请参阅图3,图3示出了本申请实施例提供的一种物体分类装置的结构示意图。如图3所示,装置包括:
识别模块700,用于在预设仿真环境中,通过混合雷达传感器识别得到多个物体。
第一确定模块710,用于确定预设仿真环境中距离目标物体最近的最邻近物体,并分别确定在以混合雷达传感器为极点的极坐标系下,目标物体对应的第一极坐标和最邻近物体对应的第二极坐标。
第一计算模块720,用于根据第一极坐标和第二极坐标计算目标物体与最邻近物体之间的距离差值和角度差值。
第二确定模块730,用于通过预设高斯分布方差,得到目标物体在极坐标系下的高斯分布函数。
第二计算模块740,用于根据距离差值、角度差值、雷达分辨率和高斯分布函数,计算目标物体与最邻近物体被识别为同一物体的可能性结果。
第三确定模块750,根据可能性结果,确定目标物体的分类结果。
基于同一申请构思,请参阅图4,图4示出了为本申请实施例提供的一种电子设备的结构示意图。如图4所示,电子设备800包括:处理器810、存储器820和总线830,存储器820存储有处理器810可执行的机器可读指令,当电子设备800运行时,处理器810与存储器820之间通过总线830进行通信,机器可读指令被处理器810运行时执行如上述实施例中任一提供的物体分类方法的步骤。
基于同一申请构思,本申请实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器运行时执行上述实施例提供的物体分类方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。在本申请所提供的几个实施例中,应所述理解到,所揭露的***、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,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单元中,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单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者所述技术方案的部分可以以软件产品的形式体现出来,所述计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式,但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,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种物体分类方法,其特征在于,所述方法包括:
在预设仿真环境中,通过混合雷达传感器识别得到多个物体;
确定预设仿真环境中距离目标物体最近的最邻近物体,并分别确定在以混合雷达传感器为极点的极坐标系下,目标物体对应的第一极坐标和所述最邻近物体对应的第二极坐标;
根据所述第一极坐标和所述第二极坐标计算所述目标物体与所述最邻近物体之间的距离差值和角度差值;
通过预设高斯分布方差,得到目标物体在所述极坐标系下的高斯分布函数;
根据所述距离差值、角度差值、雷达分辨率和所述高斯分布函数,计算所述目标物体与所述最邻近物体被识别为同一物体的可能性结果;
根据所述可能性结果,确定所述目标物体的分类结果;
所述雷达分辨率包括距离分辨率和角度分辨率,
其中,通过以下方式确定所述可能性结果:
根据所述距离差值和所述距离分辨率,确定所述目标物体与所述最邻近物体不能被正确分类的距离范围;
根据距离高斯分布方差、所述距离范围和距离分辨率,计算所述目标物体的预测距离处于所述距离范围内的第一概率,所述第一概率表示在距离维度下,目标物体与所述最邻近物体无法正确分类的可能性;
基于所述角度差值和所述角度分辨率,确定所述目标物体与所述最邻近物体不能被正确分类的角度范围;
根据角度高斯分布方差、所述角度范围和角度分辨率,计算所述目标物体的预测角度处于所述角度范围内的第二概率,所述第二概率表示在角度维度下,目标物体与所述最邻近物体无法正确分类的可能性;
根据所述第一概率和所述第二概率,计算所述目标物体与所述最邻近物体被识别为同一物体的可能性结果。
2.根据权利要求1所述的方法,其特征在于,所述第一极坐标包括第一距离值和第一角度值,所述第二极坐标包括第二距离值和第二角度值,
其中,通过以下方式确定所述目标物体与所述最邻近物体之间的距离差值和角度差值:
将所述第一距离值和所述第二距离值之间的差值确定为所述目标物体与所述最邻近物体之间的距离差值;
将所述第一角度值和所述第二角度值之间的差值确定为所述目标物体与所述最邻近物体之间的角度差值。
3.根据权利要求2所述的方法,其特征在于,所述预设高斯分布方差包括距离高斯分布方差和角度高斯分布方差,所述高斯分布函数包括距离高斯分布函数和角度高斯分布函数,
其中,通过以下方式得到目标物体在所述极坐标系下的高斯分布函数:
为所述第一距离值添加所述距离高斯分布方差,得到距离高斯分布函数,所述距离高斯分布函数的横轴表示目标物体在距离高斯分布方差影响下得到的预测距离值,所述距离高斯分布函数的纵轴表示预测距离值出现概率;
为所述第一角度值添加所述角度高斯分布方差,得到角度高斯分布函数,所述角度高斯分布函数的横轴表示目标物体在角度高斯分布方差影响下得到的多个预测角度值,所述角度高斯分布函数的纵轴表示预测角度出现概率。
4.根据权利要求3所述的方法,其特征在于,通过以下公式确定所述第一概率:
在该公式中,表示第一概率,/>表示所述目标物体与所述最邻近物体之间的距离差值,/>为距离高斯分布方差,/>表示所述距离范围的上限值,/>表示所述距离范围的下限值,/>表示距离分辨率;
通过以下公式确定所述第二概率:
在该公式中,表示第二概率,/>表示所述目标物体与所述最邻近物体之间的角度差值,/>为角度高斯分布方差,/>表示所述角度范围的上限值,/>表示所述角度范围的下限值,/>表示角度分辨率。
5.根据权利要求4所述的方法,其特征在于,根据所述第一概率和所述第二概率,计算所述目标物体与所述最邻近物体被识别为同一物体的可能性结果的步骤包括:
计算所述第一概率与所述第二概率之间的乘积;
将1与所述乘积之间的差值,确定为所述目标物体与所述最邻近物体被识别为同一物体的可能性结果。
6.根据权利要求1所述的方法,其特征在于,根据所述可能性结果,确定所述目标物体的分类结果的步骤包括:
将所述可能性结果与第一预设阈值进行比较,若所述可能性结果大于或等于所述第一预设阈值,则确定所述雷达传感器对所述目标物体分类正确;
若所述可能性结果小于所述第一预设阈值,则判断所述可能性结果是否小于第二预设阈值;
若所述可能性结果小于所述第二预设阈值,则确定所述雷达传感器对所述目标物体分类错误;
若所述可能性结果大于或等于所述第二预设阈值,则确定所述雷达传感器对所述目标物体分类不准确。
7.一种物体分类装置,其特征在于,所述装置包括:
识别模块,用于在预设仿真环境中,通过混合雷达传感器识别得到多个物体;
第一确定模块,用于确定预设仿真环境中距离目标物体最近的最邻近物体,并分别确定在以混合雷达传感器为极点的极坐标系下,目标物体对应的第一极坐标和所述最邻近物体对应的第二极坐标;
第一计算模块,用于根据所述第一极坐标和所述第二极坐标计算所述目标物体与所述最邻近物体之间的距离差值和角度差值;
第二确定模块,用于通过预设高斯分布方差,得到目标物体在所述极坐标系下的高斯分布函数;
第二计算模块,用于根据所述距离差值、角度差值、雷达分辨率和所述高斯分布函数,计算所述目标物体与所述最邻近物体被识别为同一物体的可能性结果;
第三确定模块,根据所述可能性结果,确定所述目标物体的分类结果;
所述雷达分辨率包括距离分辨率和角度分辨率,
其中,所述第二计算模块还用于:
根据所述距离差值和所述距离分辨率,确定所述目标物体与所述最邻近物体不能被正确分类的距离范围;
根据距离高斯分布方差、所述距离范围和距离分辨率,计算所述目标物体的预测距离处于所述距离范围内的第一概率,所述第一概率表示在距离维度下,目标物体与所述最邻近物体无法正确分类的可能性;
基于所述角度差值和所述角度分辨率,确定所述目标物体与所述最邻近物体不能被正确分类的角度范围;
根据角度高斯分布方差、所述角度范围和角度分辨率,计算所述目标物体的预测角度处于所述角度范围内的第二概率,所述第二概率表示在角度维度下,目标物体与所述最邻近物体无法正确分类的可能性;
根据所述第一概率和所述第二概率,计算所述目标物体与所述最邻近物体被识别为同一物体的可能性结果。
8.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过所述总线进行通信,所述机器可读指令被所述处理器运行时执行如权利要求1至6任一所述的物体分类方法的步骤。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1至6任一所述的物体分类方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310913111.0A CN116626630B (zh) | 2023-07-25 | 2023-07-25 | 一种物体分类方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310913111.0A CN116626630B (zh) | 2023-07-25 | 2023-07-25 | 一种物体分类方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116626630A CN116626630A (zh) | 2023-08-22 |
CN116626630B true CN116626630B (zh) | 2023-09-29 |
Family
ID=87610326
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310913111.0A Active CN116626630B (zh) | 2023-07-25 | 2023-07-25 | 一种物体分类方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116626630B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004111938A1 (de) * | 2003-05-30 | 2004-12-23 | Robert Bosch Gmbh | Verfahren und vorrichtung zur objektbestimmung in fahrerassistenzsystemen für kraftfahrzeuge |
JP2014115119A (ja) * | 2012-12-06 | 2014-06-26 | Toyota Motor Corp | 物体検出装置 |
CN105572663A (zh) * | 2014-09-19 | 2016-05-11 | 通用汽车环球科技运作有限责任公司 | 基于辅助传感器的分布式雷达目标检测 |
WO2018234130A1 (de) * | 2017-06-21 | 2018-12-27 | Valeo Schalter Und Sensoren Gmbh | Klassifikation und lokalisation eines objektes durch eine lidar-sensorvorrichtung eines kraftfahrzeugs |
CN110146865A (zh) * | 2019-05-31 | 2019-08-20 | 阿里巴巴集团控股有限公司 | 用于雷达图像的目标识别方法及装置 |
CN115272416A (zh) * | 2022-08-16 | 2022-11-01 | 太原理工大学 | 基于多源传感器融合的车辆和行人检测跟踪方法及*** |
-
2023
- 2023-07-25 CN CN202310913111.0A patent/CN116626630B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004111938A1 (de) * | 2003-05-30 | 2004-12-23 | Robert Bosch Gmbh | Verfahren und vorrichtung zur objektbestimmung in fahrerassistenzsystemen für kraftfahrzeuge |
JP2014115119A (ja) * | 2012-12-06 | 2014-06-26 | Toyota Motor Corp | 物体検出装置 |
CN105572663A (zh) * | 2014-09-19 | 2016-05-11 | 通用汽车环球科技运作有限责任公司 | 基于辅助传感器的分布式雷达目标检测 |
WO2018234130A1 (de) * | 2017-06-21 | 2018-12-27 | Valeo Schalter Und Sensoren Gmbh | Klassifikation und lokalisation eines objektes durch eine lidar-sensorvorrichtung eines kraftfahrzeugs |
CN110146865A (zh) * | 2019-05-31 | 2019-08-20 | 阿里巴巴集团控股有限公司 | 用于雷达图像的目标识别方法及装置 |
CN115272416A (zh) * | 2022-08-16 | 2022-11-01 | 太原理工大学 | 基于多源传感器融合的车辆和行人检测跟踪方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN116626630A (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110632617A (zh) | 一种激光雷达点云数据处理的方法及装置 | |
CN111612378A (zh) | 潜在碰撞风险预测方法、装置及计算机设备 | |
CN113295176A (zh) | 地图更新方法、地图更新装置及计算机可读存储介质 | |
CN110413942B (zh) | 车道线方程筛选方法及其筛选模块 | |
CN110426714B (zh) | 一种障碍物识别方法 | |
CN115729245A (zh) | 用于矿区坡道的障碍物融合检测方法、芯片和终端 | |
CN112801024B (zh) | 一种检测信息处理方法和装置 | |
CN114241448A (zh) | 障碍物航向角的获取方法、装置、电子设备及车辆 | |
CN116626630B (zh) | 一种物体分类方法、装置、电子设备及存储介质 | |
CN115995163B (zh) | 一种车辆碰撞预警方法及*** | |
CN115542312B (zh) | 多传感器关联方法及装置 | |
CN116543271A (zh) | 目标检测评价指标的确定方法、装置、电子设备及介质 | |
CN116740145A (zh) | 一种多目标跟踪方法、装置、车辆及存储介质 | |
CN115951336A (zh) | 确定激光雷达误差的方法、装置、设备及存储介质 | |
CN113203424B (zh) | 多传感器的数据融合方法、装置及相关设备 | |
CN115995068A (zh) | 一种交叉车道线检测方法、电子设备和存储介质 | |
CN113589288A (zh) | 基于毫米波雷达的目标筛选方法、装置、设备及存储介质 | |
CN112015960A (zh) | 车载雷达测量数据的聚类方法、存储介质和电子装置 | |
CN111596288B (zh) | 测量速度的方法、装置、车载终端和车载测速*** | |
EP4258243A1 (en) | Image processing device, image processing method, and program | |
CN116797781A (zh) | 一种目标检测方法、装置、电子设备及存储介质 | |
CN117809486A (zh) | 一种车路协同方法、装置、存储介质及电子设备 | |
CN114743180A (zh) | 检测结果的识别方法、装置、存储介质和处理器 | |
CN114937079A (zh) | 一种障碍物检测方法、装置及一种机器人 | |
CN117687015A (zh) | 目标关联方法、装置、计算机可读介质及终端设备 |
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 |