车载用物体识别系统、汽车、车辆用灯具、分类器的学习方法、运算处理装置制造方法及图纸

提供能够以较少的水平线的根数识别物体的系统、装置、方法。车载用的物体识别系统(10)具备测距传感器(20)以及运算处理装置(40)。测距传感器(20)在水平方向上扫描一条光束，测定到物体(OBJ)的表面上的点(P)的距离。运算处理装置(40)包含分类器(42)，该分类器(42)能够基于由测距传感器(20)获得的一条扫描线(SL)所对应的点云数据(PCD)来识别物体(OBJ)的种类。分类器(42)基于通过机器学习获得的模型来构建。机器学习是利用多个点云数据而进行的，该多个点云数据通过由在铅垂方向上具有多个扫描线的LiDAR测定规定的物体而得，且与多个扫描线对应。

On board object recognition system, automobile, lamp for vehicle, learning method of classifier, operation processing device

【技术实现步骤摘要】
车载用物体识别系统、汽车、车辆用灯具、分类器的学习方法、运算处理装置
本专利技术涉及物体识别系统。
技术介绍
作为汽车的传感器，可列举LiDAR(LightDetectionandRanging、LaserImagingDetectionandRanging)、相机、毫米波雷达、超声波声纳等作为候补。其中，LiDAR与其他的传感器相比，具有(i)能够根据点云数据进行物体识别，(ii)虽然是有源传感，但即使在过去的恶劣天气时也能够进行高精度的检测，iii)能够进行大范围的测定等优点，今后有望成为汽车的传感系统中的主流。专利文献1：日本特开2017－56935号公报专利文献2：日本特开2009－98023号公报虽然点云数据的分辨率越高，基于LiDAR所生成的点云数据的物体的识别越准确，但运算处理的成本集聚增加。在考虑到向车辆搭载的情况下，也设想不得不利用低价格的低端的运算处理装置的情况，当然要求减少扫描线的根数。
技术实现思路
专利技术将要解决的课题本专利技术是在这样的情况下完成的，并且其某一方式的例示性的目的之一是提供一种能够以较少的水平线的根数识别物体的系统、装置、方法。用于解决课题的手段本专利技术的某一方式涉及一种车载用的物体识别系统。物体识别系统具备：测距传感器，其在水平方向上扫描一条光束，测定到物体的表面上的点的距离；以及运算处理装置，其包含分类器，该分类器能够基于由测距传感器获得的一条扫描线所对应的点云数据来识别物体的种类。分类器基于通过机器学习获得的模型来构建。机器学习是利用多个点云数据而进行的，该多个点云数据通过由在铅垂方向上具有多个扫描线的LiDAR(LightDetectionandRanging)测定规定的物体而获得，且与多个扫描线对应。专利技术效果根据本专利技术，能够根据与一条扫描线对应的点云数据识别物体，并且能够使机器学习效率化。附图说明图1是实施方式的物体识别系统的框图。图2是表示分类器的构成例的框图。图3是实施方式的学习系统的框图。图4(a)～(d)是表示用测距传感器拍摄到行人、自行车、汽车、电线杆时的多个点云数据的图。图5是学习系统的学习的流程图。图6是表示一实施例的测距传感器的图。图7是具备物体识别系统的汽车的框图。图8是表示具备物体检测系统的车辆用灯具的框图。附图标记说明10物体识别系统20测距传感器40运算处理装置42分类器50输入层52中间层54输出层70学习系统72LiDAR74计算机100测距传感器110光源120扫描设备122马达124旋转轴126镜130光传感器140处理器200辆用灯具202光源204点亮电路206光学系统300汽车302前照灯310灯具系统304车辆侧ECU400物体检测系统410运算处理装置具体实施方式(实施方式的概要)本说明书所公开的一实施方式涉及一种车载用的物体识别系统。物体识别系统具备：测距传感器，其在水平方向上扫描一条光束，测定到物体的表面上的点的距离；以及运算处理装置，其包含分类器，该分类器能够基于由测距传感器获得的一条扫描线所对应的点云数据来识别物体的种类。分类器基于通过机器学习获得的模型来构建。机器学习是利用多个点云数据而进行的，该多个点云数据通过由在铅垂方向上具有多个扫描线的LiDAR(LightDetectionandRanging)测定规定的物体而获得，且与多个扫描线对应。根据该物体识别系统，能够以一条扫描线判定物体的种类。在学习时，在使用物体识别系统中使用的测距传感器的情况下，在学习时的测距传感器的高度和车载时的测距传感器的高度不同的情况下，存在物体的识别率降低的隐患。为了解决该问题，若在变更测距传感器的高度的同时取得训练数据，则数据收集的成本变高。因此，在学习中使用与车载的测距传感器不同的多扫描线的LiDAR，将多个扫描线分别设为与测距传感器的一条扫描线建立对应的训练数据，能够高效地数据收集。另外，由于将不同高度的扫描线的点云数据用作训练数据，因此能够进行不依赖于测距传感器的出射光束的高度的物体识别。测距传感器也可以具备：光源；扫描设备，其包含马达以及安装于马达并反射光源的出射光的镜，构成为能够根据马达的旋转扫描作为镜的反射光的探测光；光传感器，其检测探测光在物体上的点反射的返回光；以及处理器，其基于光传感器的输出检测到物体上的点的距离。该测距传感器能够通过极其常见的马达与翼状的镜的组合来构成扫描设备，因此能够降低测距传感器的成本。(实施方式)以下，基于优选的实施方式，一边参照附图，一边对本专利技术进行说明。对各附图所示的相同或者同等构成要素、部件、处理标注相同的附图标记，适当地省略重复的说明。另外，实施方式并不限定专利技术，而是用来例示，实施方式中记载的所有特征或其组合不一定是专利技术的本质。图1是实施方式的物体识别系统10的框图。该物体识别系统10搭载于汽车、摩托车等车辆，判定存在于车辆的周围的物体OBJ的种类(类别)。物体识别系统10主要具备测距传感器20以及运算处理装置40。测距传感器20在水平方向上扫描一条光束，测定到物体OBJ的表面上的点P的距离。测距传感器20生成与一条扫描线SL对应的一个点云数据PCD。各点云数据PCD包括沿着扫描线SL的到多个采样点P的距离信息。测距传感器20不被特别限定，但在希望准确地识别行人等凹凸较小的物体的情况下，优选的是使用LiDAR。希望注意的是，一般的LiDAR在铅垂方向上具有多条扫描线，相对于此，本实施方式的物体识别系统10仅具有一条扫描线。运算处理装置40包含分类器42，该分类器42能够基于由测距传感器20获得的一条扫描线SL所对应的一个点云数据PCD来识别物体OBJ的种类。分类器42如后述那样通过机器学习而构成。点云数据PCD的数据形式不被特别限定，可以是正交坐标系，也可以是极坐标系。运算处理装置40输出表示物体OBJ的种类的输出数据OUT。尽管不限于此，但是输出数据OUT也可以示出点云数据PCD所含的物体OBJ分别对应于多个类别的概率。例如，物体的种类(类别)例示出行人、自行车、汽车、电线杆等。关于行人，也可以将从前方观察到的行人、从后方观察到的行人、从侧方观察到的行人分类为相同的种类来定义。关于汽车、自行车也相同。在本实施方式中采用该定义。运算处理装置40能够通过CPU(CentralProcessingUnit)、GPU(GraphicsProcessingUnit)、微机等处理器(硬件)、处理器(硬件)所执行的软件程序的组合来构建。运算处理装置40也可以是多个处理器的组合。图2是表示分类器42的构成本文档来自技高网...

【技术保护点】
1.一种车载用的物体识别系统，其特征在于，具备：/n测距传感器，其在水平方向上扫描一条光束，测定到物体的表面上的点的距离；以及/n运算处理装置，其包含分类器，该分类器能够基于由所述测距传感器获得的一条扫描线所对应的点云数据来识别所述物体的种类，/n所述分类器基于通过机器学习获得的模型来构建，所述机器学习是利用多个点云数据而进行的，该多个点云数据通过由在铅垂方向上具有多个扫描线的激光雷达即LiDAR测定规定的物体而获得，且与多个扫描线对应。/n

【技术特征摘要】
20181130 JP 2018-2257621.一种车载用的物体识别系统，其特征在于，具备：
测距传感器，其在水平方向上扫描一条光束，测定到物体的表面上的点的距离；以及
运算处理装置，其包含分类器，该分类器能够基于由所述测距传感器获得的一条扫描线所对应的点云数据来识别所述物体的种类，
所述分类器基于通过机器学习获得的模型来构建，所述机器学习是利用多个点云数据而进行的，该多个点云数据通过由在铅垂方向上具有多个扫描线的激光雷达即LiDAR测定规定的物体而获得，且与多个扫描线对应。


2.根据权利要求1所述的物体识别系统，其特征在于，
所述测距传感器具备：
光源；
扫描设备，其包含马达以及安装于所述马达并反射所述光源的出射光的镜，构成为能够根据所述马达的旋转扫描作为所述镜的反射光的探测光；
光传感器，其检测所述探测光在物体上的点反射的返回光；以及
处理器，其基于所述光传感器的输出检测到所述物体上的点的距离。


3.根据权利要求1或2所述的物体识别系统，其特征在于，
所述分类器包含神经网络。


4.一种汽车，其特征在于，具备权...

【专利技术属性】
技术研发人员：永岛彻，
申请(专利权)人：株式会社小糸制作所，
类型：发明
国别省市：日本;JP