JP7196412B2 - 物体認識装置、及び、物体認識方法 - Google Patents
物体認識装置、及び、物体認識方法 Download PDFInfo
- Publication number
- JP7196412B2 JP7196412B2 JP2018074742A JP2018074742A JP7196412B2 JP 7196412 B2 JP7196412 B2 JP 7196412B2 JP 2018074742 A JP2018074742 A JP 2018074742A JP 2018074742 A JP2018074742 A JP 2018074742A JP 7196412 B2 JP7196412 B2 JP 7196412B2
- Authority
- JP
- Japan
- Prior art keywords
- cluster
- feature amount
- feature
- point group
- point cloud
- 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
Images
Landscapes
- Traffic Control Systems (AREA)
- Optical Radar Systems And Details Thereof (AREA)
- Image Analysis (AREA)
Description
上記目的を達成するための第2の物体認識装置は、レーザ光を照射するとともに当該レーザ光が物体で反射されて返ってくる反射光を受光することで、レーザ光を反射した物体表面上の点である測距点の位置を示す測距点群データを生成する3次元距離センサから測距点群データを取得する測距結果取得部(A1)と、測距点群データが備える測距点をクラスタリングし、クラスタ点群を得るクラスタリング部(A3)と、測距点群データ、又は3次元距離センサの動作環境を検出する環境センサの検出値に基づいて、クラスタ点群を構成する測距点毎の反射強度を代表的に表す強度代表値を、3次元距離センサによる物体の検出精度の指標値として算出するクラスタ精度指標算出部(A2)と、クラスタ精度指標算出部によって算出された指標値に基づいて、クラスタ点群が表す物体の識別に用いる特徴量の組合せを決定する特徴量選択部(A4)と、特徴量選択部によって決定されている種類の特徴量を当該クラスタ点群から抽出する特徴量算出部(A5)と、特徴量算出部が算出した特徴量に基づいてクラスタ点群が表す物体を識別する識別処理部(A6)と、を備え、特徴量算出部は、物体の種別に応じた特徴を粗く表す特徴量である粗粒質特徴量と、物体の種別に応じた特徴を粗粒質特徴量よりも相対的に細かく表す特徴量である細粒質特徴量とを、それぞれ少なくとも1種類ずつ算出可能に構成されており、特徴量選択部は、強度代表値が高いほど細粒質特徴量を優先的に物体の識別に用いる特徴量として選択するように構成されている。
上記目的を達成するための第3の物体認識装置は、レーザ光を照射するとともに当該レーザ光が物体で反射されて返ってくる反射光を受光することで、レーザ光を反射した物体表面上の点である測距点の位置を示す測距点群データを生成する3次元距離センサから測距点群データを取得する測距結果取得部(A1)と、測距点群データが備える測距点をクラスタリングし、クラスタ点群を得るクラスタリング部(A3)と、測距点群データ、又は3次元距離センサの動作環境を検出する環境センサの検出値に基づいて、クラスタ点群を構成する測距点毎の反射強度を代表的に表す強度代表値、及び、3次元距離センサが測距点群データを生成した時に受信したノイズレベルの両方を、3次元距離センサによる物体の検出精度の指標値として算出するクラスタ精度指標算出部(A2)と、クラスタ精度指標算出部によって算出された指標値に基づいて、クラスタ点群が表す物体の識別に用いる特徴量の組合せを決定する特徴量選択部(A4)と、特徴量選択部によって決定されている種類の特徴量を当該クラスタ点群から抽出する特徴量算出部(A5)と、特徴量算出部が算出した特徴量に基づいてクラスタ点群が表す物体を識別する識別処理部(A6)と、を備え、特徴量算出部は、物体の種別に応じた特徴を粗く表す特徴量である粗粒質特徴量と、物体の種別に応じた特徴を粗粒質特徴量よりも相対的に細かく表す特徴量である細粒質特徴量とを、それぞれ少なくとも1種類ずつ算出可能に構成されており、特徴量選択部は、ノイズレベルと強度代表値の両方に基づいて物体の識別に用いる特徴量の組合せを変更するように構成されている。
上記目的を達成するための第4の物体認識装置は、レーザ光を照射するとともに当該レーザ光が物体で反射されて返ってくる反射光を受光することで、レーザ光を反射した物体表面上の点である測距点の位置を示す測距点群データを生成する3次元距離センサから測距点群データを取得する測距結果取得部(A1)と、測距点群データが備える測距点をクラスタリングし、クラスタ点群を得るクラスタリング部(A3)と、測距点群データ、又は3次元距離センサの動作環境を検出する環境センサの検出値に基づいて、クラスタ点群を構成する測距点毎の反射強度を代表的に表す強度代表値、及び、3次元距離センサが測距点群データを生成した時に受信したノイズレベルの少なくとも何れか一方を、3次元距離センサによる物体の検出精度の指標値として算出するクラスタ精度指標算出部(A2)と、クラスタ精度指標算出部によって算出された指標値に基づいて、クラスタ点群が表す物体の識別に用いる特徴量の組合せを決定する特徴量選択部(A4)と、特徴量選択部によって決定されている種類の特徴量を当該クラスタ点群から抽出する特徴量算出部(A5)と、特徴量算出部が算出した特徴量に基づいてクラスタ点群が表す物体を識別する識別処理部(A6)と、を備え、特徴量算出部は、物体の種別に応じた特徴を粗く表す特徴量である粗粒質特徴量と、物体の種別に応じた特徴を粗粒質特徴量よりも相対的に細かく表す特徴量である細粒質特徴量とを、それぞれ少なくとも1種類ずつ算出可能に構成されており、クラスタ精度指標算出部は、指標値として、測距点群データに基づいてクラスタ点群の解像度を算出し、特徴量選択部は、解像度が高いほど細粒質特徴量を優先的に物体の識別に用いる特徴量として選定するように構成されている。
上記目的を達成するための第5の物体認識装置は、レーザ光を照射するとともに当該レーザ光が物体で反射されて返ってくる反射光を受光することで、レーザ光を反射した物体表面上の点である測距点の位置を示す測距点群データを生成する3次元距離センサから測距点群データを取得する測距結果取得部(A1)と、測距点群データが備える測距点をクラスタリングし、クラスタ点群を得るクラスタリング部(A3)と、測距点群データ、又は3次元距離センサの動作環境を検出する環境センサの検出値に基づいて、クラスタ点群を構成する測距点毎の反射強度を代表的に表す強度代表値、及び、3次元距離センサが測距点群データを生成した時に受信したノイズレベルの少なくとも何れか一方を、3次元距離センサによる物体の検出精度の指標値として算出するクラスタ精度指標算出部(A2)と、クラスタ精度指標算出部によって算出された指標値に基づいて、クラスタ点群が表す物体の識別に用いる特徴量の組合せを決定する特徴量選択部(A4)と、特徴量選択部によって決定されている種類の特徴量を当該クラスタ点群から抽出する特徴量算出部(A5)と、特徴量算出部が算出した特徴量に基づいてクラスタ点群が表す物体を識別する識別処理部(A6)と、を備え、特徴量算出部は、物体の種別に応じた特徴を粗く表す特徴量である粗粒質特徴量と、物体の種別に応じた特徴を粗粒質特徴量よりも相対的に細かく表す特徴量である細粒質特徴量とを、それぞれ少なくとも1種類ずつ算出可能に構成されており、特徴量選択部は、指標値がクラスタ点群の検出精度が低レベルとあるとみなす所定の低精度条件を充足している場合には、識別に用いる特徴量として、細粒質特徴量に該当する特徴量は採用せず、指標値がクラスタ点群の検出精度が高レベルとあるとみなす所定の高精度条件を充足している場合には、識別に用いる特徴量として、粗粒質特徴量に該当する特徴量は採用しないように構成されている。
上記目的を達成するための第6の物体認識装置は、レーザ光を照射するとともに当該レーザ光が物体で反射されて返ってくる反射光を受光することで、レーザ光を反射した物体表面上の点である測距点の位置を示す測距点群データを生成する3次元距離センサから測距点群データを取得する測距結果取得部(B1)と、測距点群データが備える測距点をクラスタリングし、クラスタ点群を抽出するクラスタリング部(B3)と、クラスタリング部が抽出したクラスタ点群に対して、物体の追跡に使用する特徴量として少なくとも1種類の特徴量を算出する特徴量算出部(B5)と、クラスタリング部が抽出したクラスタ点群の代表位置を算出する代表位置算出部(B4)と、測距点群データ、又は3次元距離センサの動作環境を検出する環境センサの検出値に基づいて、クラスタリング部が抽出したクラスタ点群を構成する測距点毎の反射強度を代表的に表す強度代表値、及び、3次元距離センサが測距点群データを生成した時に受信していたノイズレベルの少なくとも何れか一方を、3次元距離センサによる物体の検出精度を示す指標値として算出するクラスタ精度指標算出部(B2)と、クラスタ精度指標算出部が算出した指標値に基づいて、物体の認識に用いられる特徴量の重みを変更する重み調整部(B7)と、代表位置算出部が算出した代表位置とクラスタ精度指標算出部が算出した指標値とをクラスタ点群と対応付けて保存する保存処理部(B6)と、クラスタ点群の代表位置及び特徴量に基づいて、前時刻で取得した測距点群データから抽出されたクラスタ点群である検出済みクラスタ点群と、新たに取得した測距点群データから抽出されたクラスタ点群である現時刻クラスタ点群との対応付けを行う追跡処理部(B9)と、を備え、追跡処理部は、検出済みクラスタ点群の前時刻における代表位置に基づいて定まる現時点における検出済みクラスタ点群の位置と現時刻クラスタ点群の代表位置との距離を示す3D距離成分と、検出済みクラスタ点群と現時刻クラスタ点群との特徴量の差を示す特徴量差成分を、重み係数を用いて重み付け加算してなる重み付け距離に基づいて対応付けを実施するように構成されており、重み調整部は、クラスタ精度指標算出部によって算出された指標値に基づいて、重み係数の値を決定するように構成されている。
上記目的を達成するための第7の物体認識装置は、レーザ光を照射するとともに当該レーザ光が物体で反射されて返ってくる反射光を受光することで、レーザ光を反射した物体表面上の点である測距点の位置を示す測距点群データを生成する3次元距離センサから測距点群データを取得する測距結果取得部(C1)と、測距点間の実空間上の距離を示す3D距離成分と、反射強度の差を示す強度差成分と、に基づいて測距点群をクラスタリングするクラスタリング部(C3)と、測距点群データ、又は3次元距離センサの動作環境を検出する環境センサの検出値に基づいて、3次元距離センサによる物体の検出精度を直接的又は間接的に示す、所定の状態量である指標値を取得する精度指標取得部(C2)と、精度指標取得部が取得した指標値に基づいて、物体の認識に用いられる特徴量の重みを変更する重み調整部(C31)と、を備え、精度指標取得部は、3次元距離センサが測距点群データを生成した時に受信したノイズレベル、及び、同一のクラスタに属するか否かの判定処理の対象とする2つの測距点の反射強度の代表値である強度代表値の少なくとも何れか一方を指標値として算出し、クラスタリング部は、判定処理の対象とする2つの測距点についての3D距離成分と強度差成分とを、重み係数を用いて重み付け加算してなる重み付け距離に基づいて、クラスタリングを実施し、重み調整部は、精度指標取得部が算出している指標値に基づいて、重み係数の値を決定するように構成されている。
上記目的を達成するための本開示における第2の物体認識方法は、物体の種別に応じた特徴を粗く表す特徴量である粗粒質特徴量と、物体の種別に応じた特徴を粗粒質特徴量よりも相対的に細かく表す特徴量である細粒質特徴量とを、それぞれ少なくとも1種類ずつ算出可能に構成された物体認識装置で実行される物体認識方法であって、レーザ光を照射するとともに当該レーザ光が物体で反射されて返ってくる反射光を受光することで、レーザ光を反射した物体表面上の点である測距点の位置を示す測距点群データを生成する3次元距離センサから測距点群データを取得する測距結果取得ステップ(S101)と、測距点群データが備える測距点をクラスタリングし、クラスタ点群を得るステップ(S103)と、測距点群データ、又は3次元距離センサの動作環境を検出する環境センサの検出値に基づいて、クラスタ点群を構成する測距点毎の反射強度を代表的に表す強度代表値を、3次元距離センサによる物体の検出精度の指標値として算出する精度指標取得ステップ(S102、S106)と、精度指標取得ステップで得られた指標値に基づいて、クラスタ点群が表す物体の識別に用いる特徴量の組合せを決定するステップであって、強度代表値が高いほど細粒質特徴量を優先的に物体の識別に用いる特徴量として選択するステップ(S107)と、上記ステップで決定された種類の特徴量を当該クラスタ点群から抽出するステップ(S109)と、上記ステップで抽出された特徴量に基づいてクラスタ点群が表す物体を識別するステップ(S110)と、を含む。
上記目的を達成するための本開示における第3の物体認識方法は、物体の種別に応じた特徴を粗く表す特徴量である粗粒質特徴量と、物体の種別に応じた特徴を粗粒質特徴量よりも相対的に細かく表す特徴量である細粒質特徴量とを、それぞれ少なくとも1種類ずつ算出可能に構成された物体認識装置で実行される物体認識方法であって、レーザ光を照射するとともに当該レーザ光が物体で反射されて返ってくる反射光を受光することで、レーザ光を反射した物体表面上の点である測距点の位置を示す測距点群データを生成する3次元距離センサから測距点群データを取得する測距結果取得ステップ(S101)と、測距点群データが備える測距点をクラスタリングし、クラスタ点群を得るステップ(S103)と、測距点群データ、又は3次元距離センサの動作環境を検出する環境センサの検出値に基づいて、クラスタ点群を構成する測距点毎の反射強度を代表的に表す強度代表値、及び、3次元距離センサが測距点群データを生成した時に受信したノイズレベルの両方を、3次元距離センサによる物体の検出精度の指標値として取得する精度指標取得ステップ(S102、S106)と、精度指標取得ステップで得られたノイズレベルと強度代表値の両方に基づいて物体の識別に用いる特徴量の組合せを決定するステップ(S107)と、上記ステップで決定された種類の特徴量を当該クラスタ点群から抽出するステップ(S109)と、上記ステップで抽出された特徴量に基づいてクラスタ点群が表す物体を識別するステップ(S110)と、を含む。
上記目的を達成するための本開示における第4の物体認識方法は、物体の種別に応じた特徴を粗く表す特徴量である粗粒質特徴量と、物体の種別に応じた特徴を粗粒質特徴量よりも相対的に細かく表す特徴量である細粒質特徴量とを、それぞれ少なくとも1種類ずつ算出可能に構成された物体認識装置で実行される物体認識方法であって、レーザ光を照射するとともに当該レーザ光が物体で反射されて返ってくる反射光を受光することで、レーザ光を反射した物体表面上の点である測距点の位置を示す測距点群データを生成する3次元距離センサから測距点群データを取得する測距結果取得ステップ(S101)と、測距点群データが備える測距点をクラスタリングし、クラスタ点群を得るステップ(S103)と、測距点群データ、又は3次元距離センサの動作環境を検出する環境センサの検出値に基づいて、クラスタ点群を構成する測距点毎の反射強度を代表的に表す強度代表値、及び、3次元距離センサが測距点群データを生成した時に受信したノイズレベルの少なくとも何れか一方を、3次元距離センサによる物体の検出精度の指標値として取得する精度指標取得ステップ(S102、S106)と、測距点群データに基づいてクラスタ点群の解像度を算出するステップと、精度指標取得ステップで得られた指標値に基づいて、クラスタ点群が表す物体の識別に用いる特徴量の組合せを決定するステップであって、解像度が高いほど細粒質特徴量を優先的に物体の識別に用いる特徴量として選定するステップ(S107)と、上記ステップで決定された種類の特徴量を当該クラスタ点群から抽出するステップ(S109)と、上記ステップで抽出された特徴量に基づいてクラスタ点群が表す物体を識別するステップ(S110)と、を含む。
上記目的を達成するための本開示における第5の物体認識方法は、物体の種別に応じた特徴を粗く表す特徴量である粗粒質特徴量と、物体の種別に応じた特徴を粗粒質特徴量よりも相対的に細かく表す特徴量である細粒質特徴量とを、それぞれ少なくとも1種類ずつ算出可能に構成された物体認識装置で実行される物体認識方法であって、レーザ光を照射するとともに当該レーザ光が物体で反射されて返ってくる反射光を受光することで、レーザ光を反射した物体表面上の点である測距点の位置を示す測距点群データを生成する3次元距離センサから測距点群データを取得する測距結果取得ステップ(S101)と、測距点群データが備える測距点をクラスタリングし、クラスタ点群を得るステップ(S103)と、測距点群データ、又は3次元距離センサの動作環境を検出する環境センサの検出値に基づいて、クラスタ点群を構成する測距点毎の反射強度を代表的に表す強度代表値、及び、3次元距離センサが測距点群データを生成した時に受信したノイズレベルの少なくとも何れか一方を、3次元距離センサによる物体の検出精度の指標値として取得する精度指標取得ステップ(S102、S106)と、精度指標取得ステップで得られた指標値に基づいて、クラスタ点群が表す物体の識別に用いる特徴量の組合せを決定するステップ(S107)と、上記ステップで決定された種類の特徴量を当該クラスタ点群から抽出するステップ(S109)と、上記ステップで抽出された特徴量に基づいてクラスタ点群が表す物体を識別するステップ(S110)と、を含み、物体の識別に用いる特徴量の組合せを決定するステップは、指標値がクラスタ点群の検出精度が低レベルとあるとみなす所定の低精度条件を充足している場合には、識別に用いる特徴量として、細粒質特徴量に該当する特徴量は採用せず、指標値がクラスタ点群の検出精度が高レベルとあるとみなす所定の高精度条件を充足している場合には、識別に用いる特徴量として、粗粒質特徴量に該当する特徴量は採用しないように構成されている。
上記目的を達成するための本開示における第6の物体認識方法は、レーザ光を照射するとともに当該レーザ光が物体で反射されて返ってくる反射光を受光する3次元距離センサで生成される、レーザ光を反射した物体表面上の点である測距点の位置を示す測距点群データを用いて物体を追跡するための物体認識方法であって、測距点群データが備える測距点をクラスタリングし、クラスタ点群を抽出するステップ(S203)と、クラスタ点群に対して、少なくとも1種類の所定の特徴量と、クラスタ点群の代表位置を算出するステップ(S206)と、測距点群データ、又は3次元距離センサの動作環境を検出する環境センサの検出値に基づいて、クラスタ点群を構成する測距点毎の反射強度を代表的に表す強度代表値、及び、3次元距離センサが測距点群データを生成した時に受信していたノイズレベルの少なくとも何れか一方を、3次元距離センサによる物体の検出精度を示す指標値として取得する精度指標取得ステップ(S202、S205)と、精度指標取得ステップで得られた指標値に基づいて、物体の認識に用いられる特徴量の重みを変更する重み調整ステップ(S207)と、代表位置と指標値とをクラスタ点群と対応付けて保存するステップと、指標値に基づいて、前時刻で取得した測距点群データから抽出されたクラスタ点群である検出済みクラスタ点群と、新たに取得した測距点群データから抽出されたクラスタ点群である現時刻クラスタ点群との対応付け処理に使用する重み係数の値を決定するステップ(S207)と、検出済みクラスタ点群ごとに、現時刻クラスタ点群に対する代表位置の差である3D距離成分と、特徴量の差である特徴量差成分を算出するステップ(S209)と、3D距離成分と特徴量差成分を、重み係数を用いて重み付け加算してなる重み付け距離に基づいて、現時刻クラスタ点群と検出済みクラスタ点群の対応付けを行うステップ(S210)と、を含む。
上記目的を達成するための本開示における第7の物体認識方法は、3次元距離センサが照射したレーザ光を反射した点である測距点のクラスタリングを行うための物体認識方法であって、3次元距離センサから、測距点毎の位置及び反射強度を示す測距点群データを取得する測距結果取得ステップ(S301)と、3次元距離センサが測距点群データを生成した時に受信したノイズレベル、及び、同一のクラスタに属するか否かの判定処理の対象とする2つの測距点の反射強度の代表値である強度代表値の、少なくとも何れか一方を、3次元距離センサによる物体の検出精度を示す指標値として取得する精度指標取得ステップ(S302、S304)と、精度指標取得ステップで得られた指標値に基づいて、クラスタリングとしての判定処理に使用される重み係数の値を変更する重み調整ステップ(S305)と、判定処理の対象とする2つの測距点についての、実空間上の距離を示す3D距離成分と、反射強度の差を示す強度差成分とを、重み係数を用いて重み付け加算してなる重み付け距離に基づいて、判定処理の対象とする2つの測距点が同一のクラスタに属するか否かを判定するステップ(S308)と、を含む。
以下、本開示の実施形態について図を用いて説明する。図1は、本開示に係る物体認識装置としての物体認識ECU1を備える車載システム100の概略的な構成の一例を示す図である。車載システム100は、例えば乗用車等の車両に搭載されており、図1に示すように物体認識ECU1、LIDAR2、及び自動運転ECU3を備えている。各部材名称中のECUは、Electronic Control Unitの略であって、電子制御装置を指す。LIDARは、LIght Detection And Ranging/Laser Imaging Detection And Rangingの略である。以降では、車載システム100が搭載されている車両を自車両とも記載する。
ここでは識別モデルと種々の特徴量について説明する。物体の種別を識別するための識別モデルは、所定の識別関数(例えばSVM)とそれに伴うパラメータ群に相当する。ここでの特徴量とは、1つの検出物体を構成する測距点の集合(以降、クラスタ点群)の特徴を示す状態量である。検出物体の種別を識別するための特徴量としては、図4に示すように、多様な特徴量を採用することができる。すなわち、クラスタ点群を構成する測距点の数(以降、測距点数)や、クラスタ点群の横幅、高さ、奥行幅、輪郭長、強度平均、強度分散、スライス特徴、スライス特徴の相対位置、局所強度平均、局所強度分散、円度、直線度、点間角分布、曲率分布などを採用することができる。横幅、高さ及び奥行幅はサイズを表す1つの特徴量として取り扱ってもよい。
次に、図11に示すフローチャートを用いて、物体認識ECU1(主として演算部13)が実施する物体認識処理について説明する。図11に示すフローチャートは、LIDAR2が測距点群データを生成する周期で逐次実行されれば良い。
物体を高精度に検出できている場合には、対象クラスタの特徴量を詳細に表現する、細かい特徴量(つまり細粒質特徴量)を用いることにより、物体の識別精度を高めることができる。しかしながら、物体を高精度に検出できていない場合にも、物体を高精度に検出できている場合と同じように細粒質特徴量を用いて識別を行おうとすると、特徴空間内において識別対象と識別対象以外の境界が曖昧となり易く、識別境界面を決定することが困難になる恐れがある。その結果、検出物体の種類を誤判定してしまう恐れが高まってしまう。つまり、クラスタ点群の検出精度によって識別処理に適する特徴量の種類は変化する。故に、クラスタ点群の検出精度に応じて検出物体の識別に用いる特徴量の組合せは変更することが好ましい。
上述した実施形態では一例としてクラスタ点群の検出精度を3レベルに分けて、使用特徴量の組合せを変更する態様を開示したが、これに限らず、クラスタ点群の検出精度の高さを表すレベル数は、2や4以上であっても良い。物体認識ECU1は、クラスタ点群の検出精度についてのレベル(以降、検出精度レベル)が高いほど、細粒質特徴量を優先的に使用特徴量として採用するように構成されていればよい。また、検出精度レベル毎の識別モデルは、その検出精度レベルで使用される特徴量を用いて構成されていれば良い。つまり、検出精度レベル毎の識別モデルは、検出精度レベル毎の使用特徴量の組合せや特徴量毎の重みに対応するように生成されていれば良い。
以上では、クラスタ点群の検出精度を反射強度(厳密には強度平均)とノイズレベルの両方に基づいて、識別処理に使用する特徴量の組合せを変更する態様を開示したが、これに限らない。図14に示すように反射強度を用いずに、ノイズレベルのみを用いて識別処理に使用する特徴量の組合せを変更するように構成されていても良い。そのような構成によっても、ノイズレベルの変化にロバストな識別処理を実現することができる。ノイズレベルに応じて識別処理に使用する特徴量の組合せを変更する構成は、ノイズレベルに応じて異なる特徴量の組合せで構成されている識別モデルを用いて識別処理を実施する構成に相当する。
また、図15に示すように、ノイズレベルを用いずに、反射強度の平均値(つまり強度平均)を用いて識別処理に使用する特徴量の組合せを変更するように構成されていても良い。そのような構成によっても強度平均の変化にロバストな識別処理を実現することができる。強度平均に応じて識別処理に使用する特徴量の組合せを変更する構成は、強度平均に応じて異なる特徴量の組合せで構成されている識別モデルを用いて識別処理を実施する構成に相当する。
図16に示すようにクラスタ点群を構成する測距点毎の反射強度の平均である強度平均と、測距点毎の反射強度の分散である強度分散とに基づいて識別処理に使用する特徴量の組合せを変更するように構成されていても良い。図16に示すγ1及びγ2は、強度分散に基づいて使用特徴量の組合せを変更するための閾値である。図16に示す第1分散値γ1は、反射強度のばらつきが低レベルであるとみなす範囲と、中レベルであるとみなす範囲の境界を示している。図16に示す第2分散値γ2は、反射強度のばらつきが中レベルであるとみなす範囲と、高レベルであるとみなす範囲の境界を示している。第1分散値γ1と第2分散値γ2の具体的な適宜設計されれば良い。
以上では、強度平均や、強度分散、及びノイズレベルの少なくとも何れか1つを判断基準として用いて識別処理に使用する特徴量の組合せを変更する態様を開示したが、これに限らない。さらに、強度平均、強度ノイズレベルの少なくとも何れか1つと、クラスタ点群の解像度を併用して識別処理に使用する特徴量の組合せを変更するように構成されていても良い。解像度もまた、クラスタ点群の検出精度の高さを示唆するパラメータであるからである。
上述した第1実施形態や種々の変形例(以降、第1実施形態等)にて言及した物体認識ECU1の機能の一部は、車両の外部に設けられたサーバ20が備えてあって、サーバ20と車載システム100とが協働(換言すれば連携)することによって物体認識処理が完結するように構成されていても良い。
上述した第1実施形態等では、LIDAR2による物体の検出精度の高さを示唆する指標値に基づいて、識別処理に用いる特徴量の組合せを変更する態様を開示したが、これに限らない。例えば、物体認識ECU1は、LIDAR2による物体の検出精度の高さを示唆する指標値に基づいて、物体の追跡処理に用いる特徴量の重みを変更するように構成されていてもよい。以下、当該技術的思想に対応する物体認識ECU1の実施の形態の一例を第2実施形態として述べる。
上述した第1実施形態等では、LIDAR2による物体の検出状況に基づいて、識別処理に用いる特徴量の組合せを変更したり、追跡処理に用いる各種パラメータの値を変調整したりする態様を開示したが、LIDAR2による物体の検出状況に基づいて変更するパラメータは、これらに限らない。例えば、物体認識ECU1は、LIDAR2による物体の検出状況に基づいて、クラスタリングに用いるパラメータである3D距離重み係数θを変更するように構成されていてもよい。以下、当該技術的思想に対応する物体認識ECU1の実施の形態の一例を第3実施形態として述べる。
以上では物体認識装置が車両に搭載されている態様を開示したが、本開示の構成は、車載システムにも適用可能である。例えば物体認識装置と接続しているLIDARは、施設の出入り口付近を検出範囲とするように、当該出入り口付近に設置されているLIDARであってもよい。
Claims (30)
- レーザ光を照射するとともに当該レーザ光が物体で反射されて返ってくる反射光を受光することで、前記レーザ光を反射した物体表面上の点である測距点の位置を示す測距点群データを生成する3次元距離センサから前記測距点群データを取得する測距結果取得部(A1)と、
前記測距点群データが備える前記測距点をクラスタリングし、クラスタ点群を得るクラスタリング部(A3)と、
前記測距点群データ、又は前記3次元距離センサの動作環境を検出する環境センサの検出値に基づいて、前記3次元距離センサが前記測距点群データを生成した時に受信したノイズレベルを、前記3次元距離センサによる物体の検出精度の指標値として算出するクラスタ精度指標算出部(A2)と、
前記クラスタ精度指標算出部が算出した前記指標値に基づいて、前記クラスタ点群が表す物体の識別に用いる特徴量の組合せを決定する特徴量選択部(A4)と、
前記特徴量選択部によって決定されている種類の前記特徴量を当該クラスタ点群から抽出する特徴量算出部(A5)と、
前記特徴量算出部が算出した前記特徴量に基づいて前記クラスタ点群が表す物体を識別する識別処理部(A6)と、を備え、
前記特徴量算出部は、物体の種別に応じた特徴を粗く表す特徴量である粗粒質特徴量と、物体の種別に応じた特徴を前記粗粒質特徴量よりも相対的に細かく表す特徴量である細粒質特徴量とを、それぞれ少なくとも1種類ずつ算出可能に構成されており、
前記特徴量選択部は、前記ノイズレベルが低いほど前記細粒質特徴量を優先的に物体の識別に用いる前記特徴量として選定するように構成されている物体認識装置。 - レーザ光を照射するとともに当該レーザ光が物体で反射されて返ってくる反射光を受光することで、前記レーザ光を反射した物体表面上の点である測距点の位置を示す測距点群データを生成する3次元距離センサから前記測距点群データを取得する測距結果取得部(A1)と、
前記測距点群データが備える前記測距点をクラスタリングし、クラスタ点群を得るクラスタリング部(A3)と、
前記測距点群データ、又は前記3次元距離センサの動作環境を検出する環境センサの検出値に基づいて、前記クラスタ点群を構成する前記測距点毎の反射強度を代表的に表す強度代表値を、前記3次元距離センサによる物体の検出精度の指標値として算出するクラスタ精度指標算出部(A2)と、
前記クラスタ精度指標算出部によって算出された前記指標値に基づいて、前記クラスタ点群が表す物体の識別に用いる特徴量の組合せを決定する特徴量選択部(A4)と、
前記特徴量選択部によって決定されている種類の前記特徴量を当該クラスタ点群から抽出する特徴量算出部(A5)と、
前記特徴量算出部が算出した前記特徴量に基づいて前記クラスタ点群が表す物体を識別する識別処理部(A6)と、を備え、
前記特徴量算出部は、物体の種別に応じた特徴を粗く表す特徴量である粗粒質特徴量と、物体の種別に応じた特徴を前記粗粒質特徴量よりも相対的に細かく表す特徴量である細粒質特徴量とを、それぞれ少なくとも1種類ずつ算出可能に構成されており、
前記特徴量選択部は、前記強度代表値が高いほど前記細粒質特徴量を優先的に物体の識別に用いる前記特徴量として選択するように構成されている物体認識装置。 - レーザ光を照射するとともに当該レーザ光が物体で反射されて返ってくる反射光を受光することで、前記レーザ光を反射した物体表面上の点である測距点の位置を示す測距点群データを生成する3次元距離センサから前記測距点群データを取得する測距結果取得部(A1)と、
前記測距点群データが備える前記測距点をクラスタリングし、クラスタ点群を得るクラスタリング部(A3)と、
前記測距点群データ、又は前記3次元距離センサの動作環境を検出する環境センサの検出値に基づいて、前記クラスタ点群を構成する前記測距点毎の反射強度を代表的に表す強度代表値、及び、前記3次元距離センサが前記測距点群データを生成した時に受信したノイズレベルの両方を、前記3次元距離センサによる物体の検出精度の指標値として算出するクラスタ精度指標算出部(A2)と、
前記クラスタ精度指標算出部によって算出された前記指標値に基づいて、前記クラスタ点群が表す物体の識別に用いる特徴量の組合せを決定する特徴量選択部(A4)と、
前記特徴量選択部によって決定されている種類の前記特徴量を当該クラスタ点群から抽出する特徴量算出部(A5)と、
前記特徴量算出部が算出した前記特徴量に基づいて前記クラスタ点群が表す物体を識別する識別処理部(A6)と、を備え、
前記特徴量算出部は、物体の種別に応じた特徴を粗く表す特徴量である粗粒質特徴量と、物体の種別に応じた特徴を前記粗粒質特徴量よりも相対的に細かく表す特徴量である細粒質特徴量とを、それぞれ少なくとも1種類ずつ算出可能に構成されており、
前記特徴量選択部は、前記ノイズレベルと前記強度代表値の両方に基づいて物体の識別に用いる前記特徴量の組合せを変更するように構成されている物体認識装置。 - 請求項2又は3に記載の物体認識装置であって、
前記クラスタ精度指標算出部は、前記指標値として、前記測距点群データに基づいて前記クラスタ点群を構成する前記測距点毎の反射強度の分散である強度分散を算出するように構成されており、
前記特徴量選択部は、前記強度分散が低いほど前記細粒質特徴量を優先的に物体の識別に用いる前記特徴量として選定するように構成されている物体認識装置。 - 請求項1から4の何れか1項に記載の物体認識装置であって、
前記クラスタ精度指標算出部は、前記指標値として、前記測距点群データに基づいて前記クラスタ点群の解像度を算出するように構成されており、
前記特徴量選択部は、前記解像度が高いほど前記細粒質特徴量を優先的に物体の識別に用いる前記特徴量として選定するように構成されている物体認識装置。 - レーザ光を照射するとともに当該レーザ光が物体で反射されて返ってくる反射光を受光することで、前記レーザ光を反射した物体表面上の点である測距点の位置を示す測距点群データを生成する3次元距離センサから前記測距点群データを取得する測距結果取得部(A1)と、
前記測距点群データが備える前記測距点をクラスタリングし、クラスタ点群を得るクラスタリング部(A3)と、
前記測距点群データ、又は前記3次元距離センサの動作環境を検出する環境センサの検出値に基づいて、前記クラスタ点群を構成する前記測距点毎の反射強度を代表的に表す強度代表値、及び、前記3次元距離センサが前記測距点群データを生成した時に受信したノイズレベルの少なくとも何れか一方を、前記3次元距離センサによる物体の検出精度の指標値として算出するクラスタ精度指標算出部(A2)と、
前記クラスタ精度指標算出部によって算出された前記指標値に基づいて、前記クラスタ点群が表す物体の識別に用いる特徴量の組合せを決定する特徴量選択部(A4)と、
前記特徴量選択部によって決定されている種類の前記特徴量を当該クラスタ点群から抽出する特徴量算出部(A5)と、
前記特徴量算出部が算出した前記特徴量に基づいて前記クラスタ点群が表す物体を識別する識別処理部(A6)と、を備え、
前記特徴量算出部は、物体の種別に応じた特徴を粗く表す特徴量である粗粒質特徴量と、物体の種別に応じた特徴を前記粗粒質特徴量よりも相対的に細かく表す特徴量である細粒質特徴量とを、それぞれ少なくとも1種類ずつ算出可能に構成されており、
前記クラスタ精度指標算出部は、前記指標値として、前記測距点群データに基づいて前記クラスタ点群の解像度を算出し、
前記特徴量選択部は、前記解像度が高いほど前記細粒質特徴量を優先的に物体の識別に用いる前記特徴量として選定するように構成されている物体認識装置。 - 請求項1から6の何れか1項に記載の物体認識装置であって、
前記特徴量算出部は、前記粗粒質特徴量として、前記クラスタ点群を構成する前記測距点の数、前記クラスタ点群のサイズを表す値、前記クラスタ点群の輪郭長、前記クラスタ点群を構成する前記測距点毎の反射強度を代表的に表す強度代表値、及び、前記クラスタ点群を構成する前記測距点毎の反射強度の分散の少なくとも何れか1つを算出可能に構成されているとともに、前記細粒質特徴量として、前記クラスタ点群の円度、直線度、点間角分布、及び曲率分布の少なくとも何れか1つを算出可能に構成されている物体認識装置。 - 請求項1から7の何れか1項に記載の物体認識装置であって、
前記特徴量選択部は、
前記指標値が前記クラスタ点群の検出精度が低レベルとあるとみなす所定の低精度条件を充足している場合には、前記識別に用いる前記特徴量として、前記細粒質特徴量に該当する前記特徴量は採用せず、
前記指標値が前記クラスタ点群の検出精度が高レベルとあるとみなす所定の高精度条件を充足している場合には、前記識別に用いる前記特徴量として、前記粗粒質特徴量に該当する前記特徴量は採用しないように構成されている物体認識装置。 - レーザ光を照射するとともに当該レーザ光が物体で反射されて返ってくる反射光を受光することで、前記レーザ光を反射した物体表面上の点である測距点の位置を示す測距点群データを生成する3次元距離センサから前記測距点群データを取得する測距結果取得部(A1)と、
前記測距点群データが備える前記測距点をクラスタリングし、クラスタ点群を得るクラスタリング部(A3)と、
前記測距点群データ、又は前記3次元距離センサの動作環境を検出する環境センサの検出値に基づいて、前記クラスタ点群を構成する前記測距点毎の反射強度を代表的に表す強度代表値、及び、前記3次元距離センサが前記測距点群データを生成した時に受信したノイズレベルの少なくとも何れか一方を、前記3次元距離センサによる物体の検出精度の指標値として算出するクラスタ精度指標算出部(A2)と、
前記クラスタ精度指標算出部によって算出された前記指標値に基づいて、前記クラスタ点群が表す物体の識別に用いる特徴量の組合せを決定する特徴量選択部(A4)と、
前記特徴量選択部によって決定されている種類の前記特徴量を当該クラスタ点群から抽出する特徴量算出部(A5)と、
前記特徴量算出部が算出した前記特徴量に基づいて前記クラスタ点群が表す物体を識別する識別処理部(A6)と、を備え、
前記特徴量算出部は、物体の種別に応じた特徴を粗く表す特徴量である粗粒質特徴量と、物体の種別に応じた特徴を前記粗粒質特徴量よりも相対的に細かく表す特徴量である細粒質特徴量とを、それぞれ少なくとも1種類ずつ算出可能に構成されており、
前記特徴量選択部は、
前記指標値が前記クラスタ点群の検出精度が低レベルとあるとみなす所定の低精度条件を充足している場合には、前記識別に用いる前記特徴量として、前記細粒質特徴量に該当する前記特徴量は採用せず、
前記指標値が前記クラスタ点群の検出精度が高レベルとあるとみなす所定の高精度条件を充足している場合には、前記識別に用いる前記特徴量として、前記粗粒質特徴量に該当する前記特徴量は採用しないように構成されている物体認識装置。 - レーザ光を照射するとともに当該レーザ光が物体で反射されて返ってくる反射光を受光することで、前記レーザ光を反射した物体表面上の点である測距点の位置を示す測距点群データを生成する3次元距離センサから前記測距点群データを取得する測距結果取得部(B1)と、
前記測距点群データが備える前記測距点をクラスタリングし、クラスタ点群を抽出するクラスタリング部(B3)と、
前記クラスタリング部が抽出した前記クラスタ点群に対して、物体の追跡に使用する特徴量として少なくとも1種類の前記特徴量を算出する特徴量算出部(B5)と、
前記クラスタリング部が抽出した前記クラスタ点群の代表位置を算出する代表位置算出部(B4)と、
前記測距点群データ、又は前記3次元距離センサの動作環境を検出する環境センサの検出値に基づいて、前記クラスタリング部が抽出した前記クラスタ点群を構成する前記測距点毎の反射強度を代表的に表す強度代表値、及び、前記3次元距離センサが前記測距点群データを生成した時に受信していたノイズレベルの少なくとも何れか一方を、前記3次元距離センサによる物体の検出精度を示す指標値として算出するクラスタ精度指標算出部(B2)と、
前記クラスタ精度指標算出部が算出した前記指標値に基づいて、物体の認識に用いられる特徴量の重みを変更する重み調整部(B7)と、
前記代表位置算出部が算出した前記代表位置と前記クラスタ精度指標算出部が算出した前記指標値とを前記クラスタ点群と対応付けて保存する保存処理部(B6)と、
前記クラスタ点群の前記代表位置及び前記特徴量に基づいて、前時刻で取得した前記測距点群データから抽出された前記クラスタ点群である検出済みクラスタ点群と、新たに取得した前記測距点群データから抽出された前記クラスタ点群である現時刻クラスタ点群との対応付けを行う追跡処理部(B9)と、を備え、
前記追跡処理部は、前記検出済みクラスタ点群の前時刻における前記代表位置に基づいて定まる現時点における前記検出済みクラスタ点群の位置と前記現時刻クラスタ点群の前記代表位置との距離を示す3D距離成分と、前記検出済みクラスタ点群と前記現時刻クラスタ点群との前記特徴量の差を示す特徴量差成分を、重み係数を用いて重み付け加算してなる重み付け距離に基づいて前記対応付けを実施するように構成されており、
前記重み調整部は、前記クラスタ精度指標算出部によって算出された前記指標値に基づいて、前記重み係数の値を決定するように構成されている物体認識装置。 - 請求項10に記載の物体認識装置であって、
前記クラスタ精度指標算出部は、前記ノイズレベルを算出するように構成されており、
前記重み調整部は、前記ノイズレベルが低いほど、前記特徴量差成分が前記重み付け距離に寄与する割合が小さくなるように前記重み係数を決定する物体認識装置。 - 請求項10又は11に記載の物体認識装置であって、
前記クラスタ精度指標算出部は、前記強度代表値を算出するように構成されており、
前記重み調整部は、前記強度代表値が高いほど、前記特徴量差成分が前記重み付け距離に寄与する割合が小さくなるように前記重み係数を決定する物体認識装置。 - 請求項10から12の何れか1項に記載の物体認識装置であって、
前記クラスタ精度指標算出部によって算出された前記指標値に基づいて、前記現時刻クラスタ点群に対応する前記検出済みクラスタ点群の候補を抽出するためのパラメータである追跡閾値を調整する閾値調整部(B8)を備え、
前記追跡処理部は、処理の対象とする前記現時刻クラスタ点群である対象クラスタ点群に対応する前記検出済みクラスタ点群として、前記重み付け距離が追跡閾値以内となっている前記検出済みクラスタ点群のうち、前記重み付け距離が最も低い前記検出済みクラスタ点群を採用するように構成されている物体認識装置。 - 請求項13に記載の物体認識装置であって、
前記クラスタ精度指標算出部は、前記ノイズレベルを算出するように構成されており、
前記閾値調整部は、前記ノイズレベルが低いほど、前記追跡閾値を小さい値に設定する物体認識装置。 - 請求項13に記載の物体認識装置であって、
前記クラスタ精度指標算出部は、前記強度代表値を算出するように構成されており、
前記閾値調整部は、前記強度代表値が高いほど、前記追跡閾値を小さい値に設定する物体認識装置。 - 請求項13に記載の物体認識装置であって、
前記クラスタ精度指標算出部は、前記ノイズレベルと前記強度代表値の両方を算出するように構成されており、
前記閾値調整部は、前記ノイズレベルと前記強度代表値の両方に基づいて前記追跡閾値を決定するように構成されている物体認識装置。 - レーザ光を照射するとともに当該レーザ光が物体で反射されて返ってくる反射光を受光することで、前記レーザ光を反射した物体表面上の点である測距点の位置を示す測距点群データを生成する3次元距離センサから前記測距点群データを取得する測距結果取得部(C1)と、
前記測距点間の実空間上の距離を示す3D距離成分と、反射強度の差を示す強度差成分と、に基づいて測距点群をクラスタリングするクラスタリング部(C3)と、
前記測距点群データ、又は前記3次元距離センサの動作環境を検出する環境センサの検出値に基づいて、前記3次元距離センサによる物体の検出精度を直接的又は間接的に示す、所定の状態量である指標値を取得する精度指標取得部(C2)と、
前記精度指標取得部が取得した前記指標値に基づいて、物体の認識に用いられる特徴量の重みを変更する重み調整部(C31)と、を備え、
前記精度指標取得部は、前記3次元距離センサが前記測距点群データを生成した時に受信したノイズレベル、及び、同一のクラスタに属するか否かの判定処理の対象とする2つの前記測距点の反射強度の代表値である強度代表値の少なくとも何れか一方を前記指標値として算出し、
前記クラスタリング部は、前記判定処理の対象とする2つの前記測距点についての前記3D距離成分と前記強度差成分とを、重み係数を用いて重み付け加算してなる重み付け距離に基づいて、前記クラスタリングを実施し、
前記重み調整部は、前記精度指標取得部が算出している前記指標値に基づいて、前記重み係数の値を決定するように構成されている物体認識装置。 - 請求項17に記載の物体認識装置であって、
前記精度指標取得部は、前記ノイズレベルを算出するように構成されており、
前記重み調整部は、前記ノイズレベルが低いほど、前記強度差成分が前記重み付け距離に寄与する割合が小さくなるように前記重み係数を決定する物体認識装置。 - 請求項17又は18に記載の物体認識装置であって、
前記精度指標取得部は、前記強度代表値を算出するように構成されており、
前記重み調整部は、前記強度代表値が高いほど、前記強度差成分が前記重み付け距離に寄与する割合が小さくなるように前記重み係数を決定する物体認識装置。 - 請求項17から19の何れか1項に記載の物体認識装置であって、
前記精度指標取得部によって算出された前記指標値に基づいて、前記判定処理の対象とする2つの前記測距点が同一のクラスタに属するものであるか否かの判定に使用される結合閾値を調整する閾値調整部(C32)を備え、
前記クラスタリング部は、前記判定処理の対象とする2つの前記測距点についての前記重み付け距離が結合閾値未満となっている場合に、これらの前記測距点は同一のクラスタに属するものであると判定するように構成されている物体認識装置。 - 請求項20に記載の物体認識装置であって、
前記精度指標取得部は、前記ノイズレベルを算出するように構成されており、
前記閾値調整部は、前記ノイズレベルが高いほど、前記結合閾値を大きく設定するように構成されている物体認識装置。 - 請求項20に記載の物体認識装置であって、
前記精度指標取得部は、前記強度代表値を算出するように構成されており、
前記閾値調整部は、前記強度代表値が小さいほど、前記結合閾値を大きく設定するように構成されている物体認識装置。 - 請求項20に記載の物体認識装置であって、
前記精度指標取得部は、前記ノイズレベルと前記強度代表値の両方を算出するように構成されており、
前記閾値調整部は、前記ノイズレベルと前記強度代表値の両方に基づいて前記結合閾値を決定するように構成されている物体認識装置。 - 物体の種別に応じた特徴を粗く表す特徴量である粗粒質特徴量と、物体の種別に応じた特徴を前記粗粒質特徴量よりも相対的に細かく表す特徴量である細粒質特徴量とを、それぞれ少なくとも1種類ずつ算出可能に構成された物体認識装置で実行される物体認識方法であって、
レーザ光を照射するとともに当該レーザ光が物体で反射されて返ってくる反射光を受光することで、前記レーザ光を反射した物体表面上の点である測距点の位置を示す測距点群データを生成する3次元距離センサから前記測距点群データを取得する測距結果取得ステップ(S101)と、
前記測距点群データ、又は前記3次元距離センサの動作環境を検出する環境センサの検出値に基づいて、前記3次元距離センサが前記測距点群データを生成した時に受信したノイズレベルを、前記3次元距離センサによる物体の検出精度の指標値として取得する精度指標取得ステップ(S102、S106)と、
前記測距点群データが備える前記測距点をクラスタリングし、クラスタ点群を得るステップ(S103)と、
前記精度指標取得ステップで得られた前記指標値に基づいて前記クラスタ点群が表す物体の識別に用いる前記特徴量の組合せを決定するステップであって、前記ノイズレベルが低いほど前記細粒質特徴量を優先的に物体の識別に用いる前記特徴量として選定するステップ(S107)と、
上記ステップで決定された種類の前記特徴量を当該クラスタ点群から抽出するステップ(S109)と、
上記ステップで抽出された前記特徴量に基づいて前記クラスタ点群が表す物体を識別するステップ(S110)と、を含む物体認識方法。 - 物体の種別に応じた特徴を粗く表す特徴量である粗粒質特徴量と、物体の種別に応じた特徴を前記粗粒質特徴量よりも相対的に細かく表す特徴量である細粒質特徴量とを、それぞれ少なくとも1種類ずつ算出可能に構成された物体認識装置で実行される物体認識方法であって、
レーザ光を照射するとともに当該レーザ光が物体で反射されて返ってくる反射光を受光することで、前記レーザ光を反射した物体表面上の点である測距点の位置を示す測距点群データを生成する3次元距離センサから前記測距点群データを取得する測距結果取得ステップ(S101)と、
前記測距点群データが備える前記測距点をクラスタリングし、クラスタ点群を得るステップ(S103)と、
前記測距点群データ、又は前記3次元距離センサの動作環境を検出する環境センサの検出値に基づいて、前記クラスタ点群を構成する前記測距点毎の反射強度を代表的に表す強度代表値を、前記3次元距離センサによる物体の検出精度の指標値として算出する精度指標取得ステップ(S102、S106)と、
前記精度指標取得ステップで得られた前記指標値に基づいて、前記クラスタ点群が表す物体の識別に用いる前記特徴量の組合せを決定するステップであって、前記強度代表値が高いほど前記細粒質特徴量を優先的に物体の識別に用いる前記特徴量として選択するステップ(S107)と、
上記ステップで決定された種類の前記特徴量を当該クラスタ点群から抽出するステップ(S109)と、
上記ステップで抽出された前記特徴量に基づいて前記クラスタ点群が表す物体を識別するステップ(S110)と、を含む物体認識方法。 - 物体の種別に応じた特徴を粗く表す特徴量である粗粒質特徴量と、物体の種別に応じた特徴を前記粗粒質特徴量よりも相対的に細かく表す特徴量である細粒質特徴量とを、それぞれ少なくとも1種類ずつ算出可能に構成された物体認識装置で実行される物体認識方法であって、
レーザ光を照射するとともに当該レーザ光が物体で反射されて返ってくる反射光を受光することで、前記レーザ光を反射した物体表面上の点である測距点の位置を示す測距点群データを生成する3次元距離センサから前記測距点群データを取得する測距結果取得ステップ(S101)と、
前記測距点群データが備える前記測距点をクラスタリングし、クラスタ点群を得るステップ(S103)と、
前記測距点群データ、又は前記3次元距離センサの動作環境を検出する環境センサの検出値に基づいて、前記クラスタ点群を構成する前記測距点毎の反射強度を代表的に表す強度代表値、及び、前記3次元距離センサが前記測距点群データを生成した時に受信したノイズレベルの両方を、前記3次元距離センサによる物体の検出精度の指標値として取得する精度指標取得ステップ(S102、S106)と、
前記精度指標取得ステップで得られた前記ノイズレベルと前記強度代表値の両方に基づいて物体の識別に用いる前記特徴量の組合せを決定するステップ(S107)と、
上記ステップで決定された種類の前記特徴量を当該クラスタ点群から抽出するステップ(S109)と、
上記ステップで抽出された前記特徴量に基づいて前記クラスタ点群が表す物体を識別するステップ(S110)と、を含む物体認識方法。 - 物体の種別に応じた特徴を粗く表す特徴量である粗粒質特徴量と、物体の種別に応じた特徴を前記粗粒質特徴量よりも相対的に細かく表す特徴量である細粒質特徴量とを、それぞれ少なくとも1種類ずつ算出可能に構成された物体認識装置で実行される物体認識方法であって、
レーザ光を照射するとともに当該レーザ光が物体で反射されて返ってくる反射光を受光することで、前記レーザ光を反射した物体表面上の点である測距点の位置を示す測距点群データを生成する3次元距離センサから前記測距点群データを取得する測距結果取得ステップ(S101)と、
前記測距点群データが備える前記測距点をクラスタリングし、クラスタ点群を得るステップ(S103)と、
前記測距点群データ、又は前記3次元距離センサの動作環境を検出する環境センサの検出値に基づいて、前記クラスタ点群を構成する前記測距点毎の反射強度を代表的に表す強度代表値、及び、前記3次元距離センサが前記測距点群データを生成した時に受信したノイズレベルの少なくとも何れか一方を、前記3次元距離センサによる物体の検出精度の指標値として取得する精度指標取得ステップ(S102、S106)と、
前記測距点群データに基づいて前記クラスタ点群の解像度を算出するステップと、
前記精度指標取得ステップで得られた前記指標値に基づいて、前記クラスタ点群が表す物体の識別に用いる前記特徴量の組合せを決定するステップであって、前記解像度が高いほど前記細粒質特徴量を優先的に物体の識別に用いる前記特徴量として選定するステップ(S107)と、
上記ステップで決定された種類の前記特徴量を当該クラスタ点群から抽出するステップ(S109)と、
上記ステップで抽出された前記特徴量に基づいて前記クラスタ点群が表す物体を識別するステップ(S110)と、を含む物体認識方法。 - 物体の種別に応じた特徴を粗く表す特徴量である粗粒質特徴量と、物体の種別に応じた特徴を前記粗粒質特徴量よりも相対的に細かく表す特徴量である細粒質特徴量とを、それぞれ少なくとも1種類ずつ算出可能に構成された物体認識装置で実行される物体認識方法であって、
レーザ光を照射するとともに当該レーザ光が物体で反射されて返ってくる反射光を受光することで、前記レーザ光を反射した物体表面上の点である測距点の位置を示す測距点群データを生成する3次元距離センサから前記測距点群データを取得する測距結果取得ステップ(S101)と、
前記測距点群データが備える前記測距点をクラスタリングし、クラスタ点群を得るステップ(S103)と、
前記測距点群データ、又は前記3次元距離センサの動作環境を検出する環境センサの検出値に基づいて、前記クラスタ点群を構成する前記測距点毎の反射強度を代表的に表す強度代表値、及び、前記3次元距離センサが前記測距点群データを生成した時に受信したノイズレベルの少なくとも何れか一方を、前記3次元距離センサによる物体の検出精度の指標値として取得する精度指標取得ステップ(S102、S106)と、
前記精度指標取得ステップで得られた前記指標値に基づいて、前記クラスタ点群が表す物体の識別に用いる前記特徴量の組合せを決定するステップ(S107)と、
上記ステップで決定された種類の前記特徴量を当該クラスタ点群から抽出するステップ(S109)と、
上記ステップで抽出された前記特徴量に基づいて前記クラスタ点群が表す物体を識別するステップ(S110)と、を含み、
前記物体の識別に用いる前記特徴量の組合せを決定するステップは、
前記指標値が前記クラスタ点群の検出精度が低レベルとあるとみなす所定の低精度条件を充足している場合には、前記識別に用いる前記特徴量として、前記細粒質特徴量に該当する前記特徴量は採用せず、
前記指標値が前記クラスタ点群の検出精度が高レベルとあるとみなす所定の高精度条件を充足している場合には、前記識別に用いる前記特徴量として、前記粗粒質特徴量に該当する前記特徴量は採用しないように構成されている物体認識方法。 - レーザ光を照射するとともに当該レーザ光が物体で反射されて返ってくる反射光を受光する3次元距離センサで生成される、前記レーザ光を反射した物体表面上の点である測距点の位置を示す測距点群データを用いて物体を追跡するための物体認識方法であって、
前記測距点群データが備える前記測距点をクラスタリングし、クラスタ点群を抽出するステップ(S203)と、
前記クラスタ点群に対して、少なくとも1種類の所定の特徴量と、前記クラスタ点群の代表位置を算出するステップ(S206)と、
前記測距点群データ、又は前記3次元距離センサの動作環境を検出する環境センサの検出値に基づいて、前記クラスタ点群を構成する前記測距点毎の反射強度を代表的に表す強度代表値、及び、前記3次元距離センサが前記測距点群データを生成した時に受信していたノイズレベルの少なくとも何れか一方を、前記3次元距離センサによる物体の検出精度を示す指標値として取得する精度指標取得ステップ(S202、S205)と、
前記精度指標取得ステップで得られた前記指標値に基づいて、物体の認識に用いられる特徴量の重みを変更する重み調整ステップ(S207)と、
前記代表位置と前記指標値とを前記クラスタ点群と対応付けて保存するステップと、
前記指標値に基づいて、前時刻で取得した前記測距点群データから抽出された前記クラスタ点群である検出済みクラスタ点群と、新たに取得した前記測距点群データから抽出された前記クラスタ点群である現時刻クラスタ点群との対応付け処理に使用する重み係数の値を決定するステップ(S207)と、
前記検出済みクラスタ点群ごとに、前記現時刻クラスタ点群に対する前記代表位置の差である3D距離成分と、前記特徴量の差である特徴量差成分を算出するステップ(S209)と、
前記3D距離成分と前記特徴量差成分を、前記重み係数を用いて重み付け加算してなる重み付け距離に基づいて、前記現時刻クラスタ点群と前記検出済みクラスタ点群の対応付けを行うステップ(S210)と、を含む物体認識方法。 - 3次元距離センサが照射したレーザ光を反射した点である測距点のクラスタリングを行うための物体認識方法であって、
前記3次元距離センサから、測距点毎の位置及び反射強度を示す測距点群データを取得する測距結果取得ステップ(S301)と、
前記3次元距離センサが前記測距点群データを生成した時に受信したノイズレベル、及び、同一のクラスタに属するか否かの判定処理の対象とする2つの前記測距点の反射強度の代表値である強度代表値の、少なくとも何れか一方を、前記3次元距離センサによる物体の検出精度を示す指標値として取得する精度指標取得ステップ(S302、S304)と、
前記精度指標取得ステップで得られた前記指標値に基づいて、クラスタリングとしての前記判定処理に使用される重み係数の値を変更する重み調整ステップ(S305)と、
前記判定処理の対象とする2つの前記測距点についての、実空間上の距離を示す3D距離成分と、反射強度の差を示す強度差成分とを、前記重み係数を用いて重み付け加算してなる重み付け距離に基づいて、前記判定処理の対象とする2つの前記測距点が同一のクラスタに属するか否かを判定するステップ(S308)と、を含む物体認識方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018074742A JP7196412B2 (ja) | 2018-04-09 | 2018-04-09 | 物体認識装置、及び、物体認識方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018074742A JP7196412B2 (ja) | 2018-04-09 | 2018-04-09 | 物体認識装置、及び、物体認識方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019185347A JP2019185347A (ja) | 2019-10-24 |
JP7196412B2 true JP7196412B2 (ja) | 2022-12-27 |
Family
ID=68341304
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018074742A Active JP7196412B2 (ja) | 2018-04-09 | 2018-04-09 | 物体認識装置、及び、物体認識方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7196412B2 (ja) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4049057A1 (en) * | 2019-10-25 | 2022-08-31 | Starship Technologies OÜ | Method and system for object detection for a mobile robot with time-of-flight camera |
JP7412254B2 (ja) * | 2020-04-02 | 2024-01-12 | 三菱電機株式会社 | 物体認識装置および物体認識方法 |
JP7514664B2 (ja) | 2020-06-24 | 2024-07-11 | 日産自動車株式会社 | 物体認識方法及び物体認識システム |
JP7499449B2 (ja) | 2020-07-30 | 2024-06-14 | パナソニックIpマネジメント株式会社 | 在席検知システムおよび在席検知方法 |
JP2022071750A (ja) * | 2020-10-28 | 2022-05-16 | 京セラ株式会社 | 電子機器、電子機器の制御方法、及びプログラム |
US20220178718A1 (en) * | 2020-12-04 | 2022-06-09 | Mitsubishi Electric Automotive America, Inc. | Sensor fusion for dynamic mapping |
JP7456521B2 (ja) | 2020-12-25 | 2024-03-27 | 日本電気株式会社 | 物体認識装置、物体認識方法、プログラム |
WO2022138088A1 (ja) * | 2020-12-25 | 2022-06-30 | 株式会社小糸製作所 | センサシステム |
KR102517538B1 (ko) * | 2021-02-25 | 2023-04-04 | (주)오토노머스에이투지 | 주변 인지 정확도 향상을 위해 라이다 센서의 포인트들을 클러스터링하는 방법 및 이를 이용한 컴퓨팅 장치 |
CN113343835B (zh) * | 2021-06-02 | 2022-04-15 | 合肥泰瑞数创科技有限公司 | 一种适用于应急救援的物体识别方法、***及存储介质 |
JPWO2023037497A1 (ja) * | 2021-09-10 | 2023-03-16 | ||
JP2023162767A (ja) * | 2022-04-27 | 2023-11-09 | トヨタ自動車株式会社 | 異物検知システム及び車両 |
CN115656982B (zh) * | 2022-12-13 | 2023-06-09 | 中国南方电网有限责任公司超高压输电公司广州局 | 水面杂波去除方法、装置、计算机设备和存储介质 |
CN116992389B (zh) * | 2023-09-26 | 2023-12-29 | 河北登浦信息技术有限公司 | 一种物联网虚假数据检测方法及*** |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000329852A (ja) | 1999-05-17 | 2000-11-30 | Nissan Motor Co Ltd | 障害物認識装置 |
-
2018
- 2018-04-09 JP JP2018074742A patent/JP7196412B2/ja active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000329852A (ja) | 1999-05-17 | 2000-11-30 | Nissan Motor Co Ltd | 障害物認識装置 |
Non-Patent Citations (1)
Title |
---|
城殿 清澄, 外3名,"高解像度レーザレーダによる歩行者識別",日本ロボット学会誌,日本,一般社団法人日本ロボット学会,2011年12月15日,第29巻, 第10号,pp.97-104 |
Also Published As
Publication number | Publication date |
---|---|
JP2019185347A (ja) | 2019-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7196412B2 (ja) | 物体認識装置、及び、物体認識方法 | |
CN113366496B (zh) | 用于粗略和精细对象分类的神经网络 | |
JP7090105B2 (ja) | 珍しい事例の分類 | |
EP3229041B1 (en) | Object detection using radar and vision defined image detection zone | |
US8068134B2 (en) | Apparatus and method for predicting collision | |
JP6682833B2 (ja) | 物体認識アルゴリズムの機械学習のためのデータベース構築システム | |
US7715591B2 (en) | High-performance sensor fusion architecture | |
US7466860B2 (en) | Method and apparatus for classifying an object | |
JP5136504B2 (ja) | 物体識別装置 | |
JP5178276B2 (ja) | 画像認識装置 | |
KR101964100B1 (ko) | 신경망 학습 기반의 객체 검출 장치 및 방법 | |
JP2019168417A (ja) | 物体認識装置、及び物体認識方法 | |
JP6064674B2 (ja) | 物体認識装置 | |
US11808860B2 (en) | Adaptive search for LiDAR-based clustering | |
WO2019102751A1 (ja) | 距離測定装置 | |
CN108645375B (zh) | 一种用于车载双目***快速车辆测距优化方法 | |
JP7091686B2 (ja) | 立体物認識装置、撮像装置および車両 | |
JP7050763B2 (ja) | カメラ画像からのオブジェクトの検出 | |
JP2007114831A (ja) | 物体検出装置 | |
US20230245466A1 (en) | Vehicle Lidar System and Object Classification Method Therewith | |
US20220171975A1 (en) | Method for Determining a Semantic Free Space | |
CN112286178B (zh) | 识别***、车辆控制***、识别方法及存储介质 | |
JP4719605B2 (ja) | 対象物検出用データ生成装置、方法及びプログラム並びに対象物検出装置、方法及びプログラム | |
JP5798078B2 (ja) | 車両用外界認識装置とそれを用いた車両システム | |
Yang et al. | Data-Driven Confidence Model for ADAS Object Detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210120 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20211215 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220111 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220310 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220712 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220825 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20221115 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221128 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 7196412 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |