自主机器应用中障碍物检测的距离制造技术

在各种示例中，训练深度神经网络(DNN)以便仅使用图像数据在部署中准确地预测对象和障碍之间的距离。可以使用来自任何数量的深度预测传感器的传感器数据产生和编码DNN的地面实况数据训练DNN，所述深度预测传感器例如不限于RADAR传感器，LIDAR传感器和/或SONAR传感器。在各种实施例中可以使用相机自适应算法，以使DNN适用于与具有不同参数(例如改变视场)的相机生成的图像数据。在一些示例中，可以对DNN的预测执行后处理安全边界操作，以确保预测落入安全允许的范围内。测落入安全允许的范围内。测落入安全允许的范围内。

【技术实现步骤摘要】
【国外来华专利技术】自主机器应用中障碍物检测的距离

技术介绍

[0001]能够正确地检测车辆(例如自主或半自主车辆)与环境中的对象或障碍物之间的距离对于车辆的安全操作至关重要。例如，基于传感器数据的障碍估计的准确距离是纵向控制任务(例如自动巡航控制(ACC)和自动紧急制动(AEB))以及横向控制任务(例如安全检查车道变化以及安全通道更改执行)的核心。
[0002]在车辆的环境中计算到对象或障碍物的距离的常规方法依赖于接地平面或地球是平坦的假设。基于该假设，可以使用二维(2D)信息源(诸如2D图像)来建模三维(3D)信息。例如，因为假设接地平面是平坦的，所以传统的系统还假设与检测到的对象对应的二维包围盒的底部位于接地平面上。这样，一旦检测到对象，并且基于该平面假设，简单的几何形状用于计算给定对象或障碍物与车辆的距离。
[0003]然而，当限定实际接地平面的实际道路表面弯曲或以其他方式不平坦时，这些传统方法受到影响。例如，当施加接地平面是平坦的假设实际上并不是时，驾驶表面中的曲线导致不准确的预测
‑
例如，高估或低估
‑
相对于环境中的对象或障碍本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种方法，包括：确定表示道路曲率向上边界的第一曲线；确定表示道路曲率向下边界的第二曲线；接收表示对应于对象的包围形状的数据；从车辆的相机投射光线到所述包围形状的点；确定所述光线和所述第一曲线之间的第一交点是所述对象与所述车辆的最小距离；确定所述光线和所述第二曲线之间的第二交点是所述对象与所述车辆的最大距离；以及使用所述最小距离和所述最大距离作为安全界限来生成关于所述对象的深度预测。2.根据权利要求1所述的方法，其中，至少部分地基于道路等级的汽车法规来确定所述第一曲线和所述第二曲线。3.根据权利要求2所述的方法，其中，确定所述第一曲线包括：设置所述第一曲线的最大范围；从所述车辆处的地平面到所述最大范围生成初始第一曲线，所述初始第一曲线至少部分地基于关于道路等级的所述汽车法规来生成；以及生成所述第一曲线作为从所述车辆处的所述地平面延伸到所述初始第一曲线与所述最大范围的交点的线性曲线。4.根据权利要求2所述的方法，其中，确定所述第二曲线包括：设置所述第二曲线的最大范围；从所述车辆处的地平面到所述最大范围生成初始第二曲线，至少部分地基于道路等级的所述汽车法规来生成所述初始第二曲线；以及生成所述第二曲线作为从所述车辆处的所述地平面延伸到所述初始第二曲线与所述最大范围的交点的线性曲线。5.根据权利要求1所述的方法，其中，所述包围形状的点位于所述包围形状的底部边缘处。6.根据权利要求1所述的方法，其中，所述包围形状的点位于所述包围形状的底部边缘的中心处。7.根据权利要求1所述的方法，其中，所述光线表示光线从所述相机到对应于所述包围形状的至少一个像素的世界空间的路径。8.根据权利要求1所述的方法，其中使用一个或更多个闭合形式的方程来估计所述第一交点和所述第二交点。9.根据权利要求1所述的方法，其中，所述包围形状的点在地平面上，使得所述包围形状的点表示所述车辆在所述地平面上的当前位置。10.根据权利要求1所述的方法，还包括：接收表示与由神经网络预测的所述对象相关联的至少一个距离值的附加数据；将所述至少一个距离值与所述最大距离值和所述最小距离值进行比较；当所述至少一个距离值大于所述最大距离值时，将所述对象的最终距离值设置为所述最大距离值；以及当所述至少一个距离值小于所述最小距离值时，将所述目标的所述最终距离值设置为所述最小距离值。11.一种系统，包括：一个或更多个相机，用于生成表示车辆周围环境的图像的第一数据；计算设备，包括一个或更多个处理设备和一个或更多个存储设备，所述一个或更多个存储设备通信地耦合到所述一个或更多个处理设备，其上存储有程序指令，当由所...

【专利技术属性】
技术研发人员：杨轶林，B，
申请(专利权)人：辉达公司，
类型：发明
国别省市：