通过无监督学习的对象跟踪制造技术

车辆中的计算设备可以基于3D数据点，通过确定一个或多个对象中的每个对象的由先前确定的对象所决定的联合贝叶斯概率，来确定一个或多个对象，以及基于所确定的一个或多个对象来驾驶车辆，其中对象具有包括位置、大小、姿势、速度、方向和预测路径的参数。

【技术实现步骤摘要】
通过无监督学习的对象跟踪
本公开总体涉及车辆驾驶系统，并且更具体地，涉及通过无监督学习的对象跟踪。
技术介绍
车辆可以配备在自主和乘员驾驶模式下操作。车辆可以配备计算设备、网络、传感器和控制器以驾驶车辆并协助乘员驾驶车辆。传感器可以包括产生3D数据点的激光雷达传感器，该3D数据点表示车辆周围区域中的对象的位置。
技术实现思路
根据本专利技术，提供一种方法，包括：基于3D数据点，通过针对一个或多个当前对象中的每个当前对象确定由先前确定的对象决定的联合贝叶斯概率，来确定一个或多个当前对象；以及基于所述确定的一个或多个当前对象驾驶车辆。根据本专利技术的一个实施例，其中当前对象具有包括位置、大小、姿势、速度、方向和预测路径的参数。根据本专利技术的一个实施例，其中先前确定的对象具有包括位置、大小、姿势、速度、方向、预测路径和边界的参数。根据本专利技术的一个实施例，其中所述3D数据点由激光雷达确定。根据本专利技术的一个实施例，其中通过使用贝叶斯概率来递归地将对象模型参数拟合在联合对象模型中以对与每个所述当前对象相关联的对象参数进行建模，从而确定所述当前对象，其中每个对象模型参数基于相应的先前确定的对象进行决定。根据本专利技术的一个实施例，其中通过确定关于所述联合对象模型中的每个所述模型对象参数的偏导数来执行所述递归模型拟合。根据本专利技术的一个实施例，其中将所述联合对象模型确定为使得所述递归拟合在预定数量的步骤中收敛。根据本专利技术的一个实施例，其中，所述联合对象模型包括基于所述先前确定的对象的预期数量的对象。根据本专利技术的一个实施例，其中所述联合对象模型包括一个或多个新对象。根据本专利技术的一个实施例，其中所述一个或多个新对象位于与先前确定的对象相关联的遮挡边界处或在激光雷达传感器范围的预定界限处。根据本专利技术，提供一种装置，包括：处理器；存储器，所述存储器存储可由所述处理器执行以进行如下操作的指令：基于3D数据点，通过针对一个或多个当前对象中的每个当前对象确定由先前确定的对象决定的联合贝叶斯概率，来确定一个或多个当前对象；以及基于所述确定的一个或多个当前对象驾驶车辆。根据本专利技术的一个实施例，其中所述当前对象具有包括位置、大小、姿势、速度、方向和预测路径的参数。根据本专利技术的一个实施例，其中所述先前确定的对象具有包括位置、大小、姿势、速度、方向、预测路径和边界的参数。根据本专利技术的一个实施例，其中所述3D数据点由激光雷达确定。根据本专利技术的一个实施例，其中通过使用与每个所述对象模型参数相关联的贝叶斯概率递归地将对象模型参数拟合在联合对象模型中来确定所述当前对象，每个所述对象模型参数分别由基于各自之前确定的对象的对象模型参数来决定。根据本专利技术的一个实施例，其中递归模型拟合是通过确定关于联合对象模型中的每个对象模型参数的偏导数来执行的。根据本专利技术的一个实施例，其中所述联合对象模型被设置为使得所述递归拟合以预定数量的步骤收敛。根据本专利技术的一个实施例，其中，所述联合对象模型包括基于所述先前确定的对象的预期数量的对象。根据本专利技术的一个实施例，其中所述联合对象模型包含一个或多个新对象。根据本专利技术的一个实施例，其中所述新对象位于与先前确定的对象相关联的遮挡边界处或在激光雷达传感器范围的预定界限处。附图说明图1是示例车辆的框图；图2是示例激光雷达传感器和对象的图；图3是示例激光雷达传感器和对象的图；图4是示例激光雷达传感器和3D数据点的图；图5是示例激光雷达传感器和对象的图；图6是用于驾驶车辆的示例过程的流程图；图7是用于跟踪对象的示例过程的流程图。具体实施方式车辆可以配备为在自主和乘员驾驶模式下操作。通过半自主或完全自主的模式，我们是指其中车辆可以由作为具有传感器和控制器的车辆信息系统的一部分的计算设备来驾驶的操作模式。车辆可以被占用或不被占用，但是在任何情况下都可以在没有乘员帮助的情况下驾驶车辆。为了本公开的目的，自主模式被定义为其中车辆推进(例如经由包括内燃机和/或电动马达的动力传动系统)、制动和转向中的每一个由一个或多个车辆计算机控制的模式；在半自主模式下，车辆计算机(一个或多个)控制车辆推进、制动和转向中的一个或两个。车辆可以配备有计算设备、网络、传感器和控制器来驾驶车辆并且确定包括道路等特征的周围现实世界的地图。可以驾驶车辆，并且可以基于在周围现实世界中定位和识别道路标志来确定地图。通过驾驶我们指的是指挥车辆的移动，以便沿着道路或路径的其他部分移动车辆。图1是车辆信息系统100的示意图，根据公开的实施方式，该车辆信息系统100包括可以在自主(“自主”本身在本公开内容中意指“完全自主”的)和乘员驾驶(也被称为非自主)模式下操作的车辆110。车辆110还包括一个或多个计算设备115，其用于在自主操作期间执行用于驾驶车辆110的计算。计算设备115可以从传感器116接收关于车辆操作的信息。计算设备115包括处理器和诸如已知的存储器。此外，存储器包括一种或多种形式的计算机可读介质，并且存储由处理器执行的用于执行各种操作的指令，包括如本文所公开的。例如，计算设备115可以包括用于操作车辆制动器、推进器(例如通过控制内燃机、电动马达、混合发动机等中的一个或多个来控制车辆110中的加速度)、转向装置、气候控制装置、内部和/或外部灯等中的一个或多个的程序设计，以及确定是否以及何时由计算设备115而非人类操作者来控制这样的操作的程序设计。计算设备115可以包括多于一个计算设备或诸如经由下面进一步描述的车辆通信总线通信地连接到多于一个计算设备，例如包括在车辆110中的用于监控和/或控制的各种车辆部件的控制器等，诸如动力传动系统控制器112、制动控制器113、转向控制器114等。计算设备115通常被布置用于在诸如车辆110中的总线的车辆通信网络(诸如控制器局域网(CAN)等)上进行通信；车辆110网络可以包括诸如已知的有线或无线通信机制，例如以太网或其他通信协议。经由车辆网络，计算设备115可以向车辆中的各种设备发送消息和/或从各种设备接收消息，各种设备例如为包括传感器116的控制器、驱动器、传感器等。或者或另外，在计算设备115实际上包括多个设备的情况下，车辆通信网络可以用于在本公开中表示为计算设备115的设备之间的通信。此外，如下所述，各种控制器或感测元件可以经由车辆通信网络向计算设备115提供数据。另外，计算设备115可以被配置为经由网络130与远程服务器计算机120(例如云服务器)通过车对基础设施(V-I)接口111进行通信，如下所述，网络130可以利用各种有线和/或无线联网技术，例如蜂窝、和有线和/或无线分组网络。计算设备115还包括诸如已知的非易失性存储器。计算设备115可以通过将信息存储在非易失性存储器中来记录信息，以供稍后检索和经由车辆通信网络和V-I接口111发送到服务器计算机120或用户移动设备160。如已经提到的，通常包括在存储在存储器的指令中并且由计算设备115的处理器执行的是用于在没有人类操作者的干预的情况下操作一个或多个车辆110部件(例如制动器、转向装置、推进器等)的程序设计。使用在计算设备115中接收的数据，例如来自传感器116、服务器计算机120等的传感器数据，计算设备115可以进行各种确定和/或控制各种车辆110部件和/或操作，而无需驾本文档来自技高网...

【技术保护点】
1.一种方法，包括：基于3D数据点，通过针对一个或多个当前对象中的每个当前对象确定由先前确定的对象所决定的联合贝叶斯概率，来确定所述一个或多个当前对象；以及基于所述确定的一个或多个当前对象驾驶车辆。

【技术特征摘要】
2017.01.18 US 15/408,8621.一种方法，包括：基于3D数据点，通过针对一个或多个当前对象中的每个当前对象确定由先前确定的对象所决定的联合贝叶斯概率，来确定所述一个或多个当前对象；以及基于所述确定的一个或多个当前对象驾驶车辆。2.根据权利要求1所述的方法，其中所述当前对象具有包括位置、大小、姿势、速度、方向和预测路径的参数。3.根据权利要求1所述的方法，其中所述先前确定的对象具有包括位置、大小、姿势、速度、方向、预测路径和边界的参数。4.根据权利要求1所述的方法，其中所述3D数据点由激光雷达确定。5.根据权利要求1所述的方法，其中通过使用贝叶斯概率来递归地将对象模型参数拟合在联合对象模型中以对与每个所述当前对象相关联的对象参数进行建模，从而确定所述当前对象，其中每个对象参数模型基于相应的先前确定的对象进行决定。6.根据权利要求5所述的方法，其中通过确定关于所述联合对象模型中的每个所述模型对象参数的偏导数来执行所述递归模型拟合。7.根据权利要求6所述的方法，其中将所述联合对象模型确定为使得所述递归拟合...

【专利技术属性】
技术研发人员：凯文·威福尔斯，
申请(专利权)人：福特全球技术公司，
类型：发明
国别省市：美国,US