本申请实施例提供了一种无人驾驶行车环境下的声学检测方法和装置，该声学检测方法包括：获取当前时刻无人驾驶车辆所在环境的声学信号；对声学信号进行多尺度空间分解，得到声学信号在不同尺度空间下的多组分解系数；分别对每组分解系数进行声学特征提取，得到与分解系数组数相同的多个特征向量；将所述多个特征向量分别对应输入到已训练的多个神经网络模型中，输出不同尺度空间下对所在环境内的发声物体识别的分类结果；根据所有尺度空间下的分类结果确定发声物体是否为预设类型车辆。该方法可以实现无人驾驶车辆利用声学信号对如救护车、警车等特定发声车辆进行识别，以便进行如避让等相应控制操作。如避让等相应控制操作。如避让等相应控制操作。
【技术实现步骤摘要】
无人驾驶行车环境下的声学检测方法和装置
[0001]本申请涉及无人驾驶控制
，尤其涉及一种无人驾驶行车环境下的声学检测方法和装置。
技术介绍
[0002]在无人驾驶行车环境下，其所在的环境往往比较复杂，目前的无人驾驶车辆对周围物体的感知一般通过毫米波雷达、激光雷达和摄像头等获取，这些信号都是基于视觉感知系统的。根据《道路交通安全法》规定，如果遇到执行任务的特种车辆如警车和救护车，行驶车辆需要避让。然而，单一的视觉感知信号无法使无人驾驶车辆能够有效地感知这些特种车辆信息。而声学信号作为另一种感知信号，同样可以提供丰富的环境信息，在特定条件下，能够为无人驾驶车辆提供更为准确的外部环境信息。
技术实现思路
[0003]有鉴于此，本申请实施例提供一种无人驾驶行车环境下的声学检测方法和装置。
[0004]第一方面，本申请实施例提供一种无人驾驶行车环境下的声学检测方法，包括：
[0005]获取当前时刻无人驾驶车辆所在环境的声学信号；
[0006]对所述声学信号进行多尺度空间分解，得到所述声学信号在不同尺度空间下的多组分解系数；
[0007]分别对每组分解系数进行声学特征提取，得到与所述分解系数组数相同的多个特征向量；
[0008]将所述多个特征向量分别对应输入到已训练的多个神经网络模型中，输出不同尺度空间下对所在环境内的发声物体识别的分类结果；
[0009]根据所有尺度空间下的所述分类结果确定所述发声物体是否为预设类型车辆。
[0010]在一些实施例中，所述对所述声学信号进行多尺度空间分解，得到所述声学信号在不同尺度空间下的多组分解系数，包括：
[0011]对所述声学信号基于频率进行二进制小波分解，得到不同尺度空间的多组小波系数和一组剩余系数；所述多组小波系数和所述一组剩余系数共同构成所述声学信号的多组分解系数。
[0012]在一些实施例中，每个所述神经网络模型均采用条件受限玻尔兹曼机构建，所述多个神经网络模型的训练过程，包括：
[0013]将带有分类标签的P+1个特征向量作为第一训练样本，分别对应输入到P+1个第一条件受限玻尔兹曼机中，利用预设学习算法对所述P+1个第一条件受限玻尔兹曼机分别进行非监督训练，得到每个第一条件受限玻尔兹曼机的网络参数；其中，P为整数，所述P+1个特征向量通过对P组小波系数和1组剩余系数进行特征提取得到；
[0014]将所述P+1个特征向量对应的标签向量作为第二训练样本，分别对应输入到P+1个第二条件受限玻尔兹曼机中，利用预设学习算法对所述P+1个第二条件受限玻尔兹曼机分
别进行非监督训练，得到每个第二条件受限玻尔兹曼机的网络参数；
[0015]获取所述P+1个特征向量中每个特征向量的高阶特征信息，以及所述P+1个标签向量中每个标签向量的高阶特征信息；
[0016]将所述特征向量和所述标签向量的高阶特征信息分别作为递归神经网络的输入和输出，进行监督训练，得到递归神经网络的网络参数；
[0017]将获得网络参数的所述第一条件受限玻尔兹曼机、所述递归神经网络和所述第二条件受限玻尔兹曼机进行自下而上堆叠，搭建得到深度受限玻尔兹曼机以作为训练好的神经网络模型。
[0018]在一些实施例中，所述根据所有尺度空间下的所述分类结果确定所述发声物体是否为预设类型车辆，包括：
[0019]对所有尺度空间下的所述分类结果进行加权平均，得到组合分类结果；
[0020]从所述组合分类结果中选取出取值为最大值对应的车辆类型，以确定所述发声物体是否为预设类型车辆。
[0021]在一些实施例中，所述预设类型车辆为警车、消防车和救护车中的任意一种。
[0022]第二方面，本申请实施例还提供一种无人驾驶车辆控制方法，包括：
[0023]采用上述的无人驾驶行车环境下的声学检测方法，以确定所述无人驾驶车辆所在环境内的发声物体是否为预设类型车辆；
[0024]在确定所述发声物体为预设类型车辆时，根据实时获取的声学信号计算所述预设类型车辆到所述无人驾驶车辆的距离；
[0025]在检测到所述预设类型车辆运动到车辆正后方的预设距离范围内时，执行避让操作。
[0026]在一些实施例中，在确定所述发声物体为预设类型车辆时，所述方法还包括：
[0027]持续获取后续连续时刻所在环境内的多个声学信号；
[0028]在检测到后续的多个声学信号中均包含所述预设类型车辆发出的特定频率信号时，则根据所述特定频率信号的幅度变化来确定所述预设类型车辆是否在向所述无人驾驶车辆靠近；
[0029]若在向所述无人驾驶车辆靠近，则根据实时获取的声学信号计算所述预设类型车辆到所述无人驾驶车辆的距离。
[0030]第三方面，本申请实施例还提供一种无人驾驶行车环境下的声学检测装置，包括：
[0031]获取模块，用于获取当前时刻无人驾驶车辆所在环境的声学信号；
[0032]分解模块，用于对所述声学信号进行多尺度空间分解，得到所述声学信号在不同尺度空间下的多组分解系数；
[0033]特征提取模块，用于分别对每组分解系数进行声学特征提取，得到与所述分解系数组数相同的多个特征向量；
[0034]模型识别模块，用于将所述多个特征向量分别对应输入到已训练的多个神经网络模型中，输出不同尺度空间下对所在环境内的发声物体识别的分类结果；
[0035]确定模块，用于根据所有尺度空间下的所述分类结果确定所述发声物体是否为预设类型车辆。
[0036]第四方面，本申请实施例还提供一种无人驾驶车辆，所述无人驾驶车辆包括声音
感知单元、处理器和存储器，所述声音感知单元用于获取环境声学信号，所述存储器存储有计算机程序，所述处理器用于执行所述计算机程序以实施上述的无人驾驶行车环境下的声学检测方法或无人驾驶车辆控制方法。
[0037]第五方面，本申请实施例还提供一种可读存储介质，其存储有计算机程序，所述计算机程序在处理器上执行时，实施上述的无人驾驶行车环境下的声学检测方法或无人驾驶车辆控制方法。
[0038]本申请的实施例具有如下有益效果：
[0039]本申请实施例的无人驾驶行车环境下的声学检测方法通过获取当前时刻无人驾驶车辆所在环境的声学信号；对所述声学信号进行多尺度空间分解，得到所述声学信号在不同尺度空间下的多组分解系数；分别对每组分解系数进行声学特征提取，得到与所述分解系数的组数相同的多个特征向量；将每个特征向量分别对应输入到已训练的多个神经网络模型中，输出不同尺度空间下对所在环境内的发声物体识别的分类结果；根据所有尺度空间下的所述分类结果确定所述发声物体是否为预设类型车辆。该方法通过对外界的声学信号进行多分辨率分析，并进一步通过神经网络模型进行发声物体的识别，可以更为准确地确定该发声物体是否为比较关注的特定车辆，进而为无人驾驶车辆实现自动避让等操作提供更为准确的环境信息及依据。
附图说明
[0040]本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种无人驾驶行车环境下的声学检测方法，其特征在于，包括：获取当前时刻无人驾驶车辆所在环境的声学信号；对所述声学信号进行多尺度空间分解，得到所述声学信号在不同尺度空间下的多组分解系数；分别对每组分解系数进行声学特征提取，得到与所述分解系数组数相同的多个特征向量；将所述多个特征向量分别对应输入到已训练的多个神经网络模型中，输出不同尺度空间下对所在环境内的发声物体识别的分类结果；根据所有尺度空间下的所述分类结果确定所述发声物体是否为预设类型车辆。2.根据权利要求1所述的无人驾驶行车环境下的声学检测方法，其特征在于，所述对所述声学信号进行多尺度空间分解，得到所述声学信号在不同尺度空间下的多组分解系数，包括：对所述声学信号基于频率进行二进制小波分解，得到不同尺度空间的多组小波系数和一组剩余系数；所述多组小波系数和所述一组剩余系数共同构成所述声学信号的多组分解系数。3.根据权利要求2所述的无人驾驶行车环境下的声学检测方法，其特征在于，每个所述神经网络模型均采用条件受限玻尔兹曼机构建，所述多个神经网络模型的训练过程，包括：将带有分类标签的P+1个特征向量作为第一训练样本，分别对应输入到P+1个第一条件受限玻尔兹曼机中，利用预设学习算法对所述P+1个第一条件受限玻尔兹曼机分别进行非监督训练，得到每个第一条件受限玻尔兹曼机的网络参数；其中，P为整数，所述P+1个特征向量通过对P组小波系数和1组剩余系数进行特征提取得到；将所述P+1个特征向量对应的标签向量作为第二训练样本，分别对应输入到P+1个第二条件受限玻尔兹曼机中，利用预设学习算法对所述P+1个第二条件受限玻尔兹曼机分别进行非监督训练，得到每个第二条件受限玻尔兹曼机的网络参数；获取所述P+1个特征向量中每个特征向量的高阶特征信息，以及所述P+1个标签向量中每个标签向量的高阶特征信息；将所述特征向量和所述标签向量的高阶特征信息分别作为递归神经网络的输入和输出，进行监督训练，得到递归神经网络的网络参数；将获得网络参数的所述第一条件受限玻尔兹曼机、所述递归神经网络和所述第二条件受限玻尔兹曼机进行自下而上堆叠，搭建得到深度受限玻尔兹曼机以作为训练好的神经网络模型。4.根据权利要求1所述的无人驾驶行车环境下的声学检测方法，其特征在于，所述根据所有尺度空间下的所述分类结果确定所述发声物体是否为预设类型车辆，包括：对所有尺度空间下的所述分类结果进行加权平均，得到组合分类结果；从所述组合分类结果中选取出取值为最大值对应的车辆类...
【专利技术属性】
技术研发人员：查诚，任福佳，金菶，刘庆怡，
申请(专利权)人：贵州翰凯斯智能技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。