基于场端的障碍物分类识别方法、装置、设备及存储介质制造方法及图纸

本发明专利技术提供了一种基于场端的障碍物分类识别方法、装置、终端设备及存储介质，方法包括：获取车辆位置数据和预设检测区域中的检测点云数据；根据所述车辆位置数据构建车辆外轮廓的先验分布；根据狄利克雷过程，建立基于所述先验分布的随机过程；计算第一概率值和第二概率值；其中，所述第一概率值为所述检测点云数据属于已有类别的概率值，所述第二概率值为所述检测点云数据属于新类别的概率值；将所述第一概率值与所述第二概率值进行比较，选取所述第一概率值和所述第二概率值中最大概率值对应的类别作为所述检测点云数据的分类结果。本方法能实现对自动驾驶车辆和其他障碍物的分类识别。分类识别。分类识别。

【技术实现步骤摘要】
基于场端的障碍物分类识别方法、装置、设备及存储介质


[0001]本专利技术涉及自动驾驶
，尤其涉及一种基于场端的障碍物分类识别方法、装置、终端设备及计算机可读存储介质。

技术介绍

[0002]随着自动驾驶技术的快速发展，基于场端感知的车路协同自动驾驶技术越来越被人们重视。基于场端感知的车路协同自动驾驶可以弥补和提高自动驾驶系统的安全冗余性能，此外将传感器部署在场端，也可以降低单一车辆的感知成本和算力资源消耗。
[0003]目前，采用聚类算法对路况中的障碍物进行识别是车路协同自动驾驶的一个重要环节。常用的点云聚类算法中，需要事先指定聚类的类别数量，例如K均值聚类算法，需要指定类别先验值K。但是，在自动驾驶的环境中，真实的障碍物类别数量通常都是不固定且不可预知的。综上，现有的识别方法无法在不确定类别数量的情况下对障碍物进行分类识别。

技术实现思路

[0004]本专利技术提供了一种基于场端的障碍物分类识别方法、装置、终端设备及计算机可读存储介质，以实现对自动驾驶车辆和其他障碍物的分类识别。
[0005]第一方面，为了解决上述技术问题，本专利技术提供了一种基于场端的障碍物分类识别方法，包括：
[0006]获取车辆位置数据和预设检测区域中的检测点云数据；
[0007]根据所述车辆位置数据构建车辆外轮廓的先验分布；
[0008]根据狄利克雷过程，建立基于所述先验分布的随机过程；
[0009]计算第一概率值和第二概率值；其中，所述第一概率值为所述检测点云数据属于已有类别的概率值，所述第二概率值为所述检测点云数据属于新类别的概率值；
[0010]将所述第一概率值与所述第二概率值进行比较，选取所述第一概率值和所述第二概率值中最大概率值对应的类别作为所述检测点云数据的分类结果。
[0011]优选地，所述根据所述车辆位置数据构建车辆外轮廓的先验分布，包括：
[0012]根据所述车辆位置数据，计算车辆边缘中心点的二维位置数据；
[0013]根据所述二维位置数据，构建车辆外轮廓的先验分布。
[0014]优选地，所述方法还包括：
[0015]获取车辆边缘的长度数据和宽度数据；
[0016]根据所述长度数据和宽度数据，构建关于所述先验分布的协方差矩阵。
[0017]优选地，所述根据狄利克雷过程，建立基于所述先验分布的随机过程，计算第一概率值和第二概率值，包括：
[0018]计算所述检测点云数据到已有类别的马氏距离；
[0019]根据所述马氏距离中的最小值和狄利克雷过程，对所述检测点云数据进行聚类，得到第一概率值和第二概率值。
[0020]优选地，所述方法还包括：
[0021]获取激光雷达采集的点云原始数据；
[0022]根据所述点云原始数据和预设的检测区域，筛选出所述检测区域中的检测点云数据。
[0023]第二方面，本专利技术提供了一种基于场端的障碍物分类识别装置，包括：
[0024]数据获取模块，用于获取车辆位置数据和预设检测区域中的检测点云数据；
[0025]先验分布构建模块，用于根据所述车辆位置数据构建车辆外轮廓的先验分布；
[0026]随机过程建立模块，用于根据狄利克雷过程，建立基于所述先验分布的随机过程；
[0027]概率值计算模块，用于计算第一概率值和第二概率值；其中，所述第一概率值为所述检测点云数据属于已有类别的概率值，所述第二概率值为所述检测点云数据属于新类别的概率值；
[0028]分类模块，用于将所述第一概率值与所述第二概率值进行比较，选取所述第一概率值和所述第二概率值中最大概率值对应的类别作为所述检测点云数据的分类结果。
[0029]优选地，所述先验分布构建模块包括：
[0030]中心点计算单元，用于根据所述车辆位置数据，计算车辆边缘中心点的二维位置数据；
[0031]先验分布构建单元，用于根据所述二维位置数据，构建车辆外轮廓的先验分布。
[0032]优选地，所述装置还包括：
[0033]距离计算模块，用于计算所述检测点云数据到已有类别的马氏距离；
[0034]聚类模块，用于根据所述马氏距离中的最小值和狄利克雷过程，对所述检测点云数据进行聚类，得到第一概率值和第二概率值。
[0035]第三方面，本专利技术还提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述中任意一项所述的基于场端的障碍物分类识别方法。
[0036]第四方面，本专利技术还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述中任意一项所述的基于场端的障碍物分类识别方法。
[0037]相比于现有技术，本专利技术具有如下有益效果：
[0038]本专利技术通过获取的车辆位置数据构建车辆外轮廓的先验分布，再根据狄利克雷过程，建立基于所述先验分布的随机过程，计算第一概率值和第二概率值，最后选取所述第一概率值和所述第二概率值中最大概率值对应的类别作为所述检测点云数据的分类结果，实现了对自动驾驶车辆和其他障碍物的分类识别。进一步地，可以将分类识别结果输入给智能避撞模块，进行车辆安全控制，从而实现基于场端感知完成自动驾驶车辆的安全避撞停车。
附图说明
[0039]图1是本专利技术第一实施例提供的基于场端的障碍物分类识别方法流程示意图；
[0040]图2是激光雷达分布设置的示意图；
[0041]图3是检测点云数据的示意图；
[0042]图4是车辆外轮廓先验分布对应的类别示意图；
[0043]图5是本专利技术第二实施例提供的基于场端的障碍物分类识别装置结构示意图。
具体实施方式
[0044]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0045]参照图1，本专利技术第一实施例提供了一种基于场端的障碍物分类识别方法，包括以下步骤S11
‑
S15：
[0046]S11，获取车辆位置数据和预设检测区域中的检测点云数据；
[0047]S12，根据所述车辆位置数据构建车辆外轮廓的先验分布；
[0048]S13，根据狄利克雷过程，建立基于所述先验分布的随机过程；
[0049]S14，计算第一概率值和第二概率值；其中，所述第一概率值为所述检测点云数据属于已有类别的概率值，所述第二概率值为所述检测点云数据属于新类别的概率值；
[0050]S15，将所述第一概率值与所述第二概率值进行比较，选取所述第一概率值和所述第二概率值中最大概率值对应的类别作为所述检测点云数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于场端的障碍物分类识别方法，其特征在于，包括：获取车辆位置数据和预设检测区域中的检测点云数据；根据所述车辆位置数据构建车辆外轮廓的先验分布；根据狄利克雷过程，建立基于所述先验分布的随机过程；计算第一概率值和第二概率值；其中，所述第一概率值为所述检测点云数据属于已有类别的概率值，所述第二概率值为所述检测点云数据属于新类别的概率值；将所述第一概率值与所述第二概率值进行比较，选取所述第一概率值和所述第二概率值中最大概率值对应的类别作为所述检测点云数据的分类结果。2.根据权利要求1所述的基于场端的障碍物分类识别方法，其特征在于，所述根据所述车辆位置数据构建车辆外轮廓的先验分布，包括：根据所述车辆位置数据，计算车辆边缘中心点的二维位置数据；根据所述二维位置数据，构建车辆外轮廓的先验分布。3.根据权利要求2所述的基于场端的障碍物分类识别方法，其特征在于，所述方法还包括：获取车辆边缘的长度数据和宽度数据；根据所述长度数据和宽度数据，构建关于所述先验分布的协方差矩阵。4.根据权利要求2所述的基于场端的障碍物分类识别方法，其特征在于，所述根据狄利克雷过程，建立基于所述先验分布的随机过程，计算第一概率值和第二概率值，包括：计算所述检测点云数据到已有类别的马氏距离；根据所述马氏距离中的最小值和狄利克雷过程，对所述检测点云数据进行聚类，得到第一概率值和第二概率值。5.根据权利要求1所述的基于场端的障碍物分类识别方法，其特征在于，所述方法还包括：获取激光雷达采集的点云原始数据；根据所述点云原始数据和预设的检测区域，筛选出所述检测区域中的检测点云数据。6.一种基于场端的障碍物分类识别装置，其特征在于，包括：数据获取模块，用于...

【专利技术属性】
技术研发人员：丁磊，姚聪，
申请(专利权)人：华人运通上海自动驾驶科技有限公司，
类型：发明
国别省市：