车路协同确定障碍物属性值的方法、设备及自动驾驶车辆技术

本公开提供了一种车路协同确定障碍物的属性值的方法、装置、设备以及存储介质，涉及人工智能技术领域，具体为自动驾驶、智能交通、车路协同以及深度学习技术领域。该方法包括：获取无人驾驶车辆的至少一个传感器采集的车端数据；获取路侧设备传输的车用无线通讯V2X数据；响应于确定障碍物在无人驾驶车辆的盲区边缘位置，将车端数据与V2X数据进行融合，得到障碍物的属性估计值。本公开提供的方法充分利用了V2X数据中障碍物的属性信息，提升了得到的属性估计值的准确性，且该方法鲁棒性高、时效性好、可扩展性高。可扩展性高。可扩展性高。

【技术实现步骤摘要】
车路协同确定障碍物属性值的方法、设备及自动驾驶车辆


[0001]本公开涉及人工智能
，具体涉及自动驾驶、智能交通、车路协同以及深度学习
，尤其涉及车路协同确定障碍物属性值的方法、设备及自动驾驶车辆。

技术介绍

[0002]随着自动驾驶技术的发展，市面上出现了各种各样的无人驾驶车辆。现有的无人驾驶车辆在处于自动驾驶模式时，通常需要由无人驾驶车辆的检测元件检测行驶方向上的障碍物，并基于检测结果对障碍物的属性进行估计。然而，当障碍物出现在无人驾驶车辆的盲区位置时，无人驾驶车辆对障碍物的速度、位置等属性估计的收敛速度较慢，且准确性不高。

技术实现思路

[0003]本公开提供了一种车路协同确定障碍物属性值的方法、设备及自动驾驶车辆。
[0004]根据本公开的第一方面，提供了一种确定障碍物的属性值的方法，包括：获取无人驾驶车辆的至少一个传感器采集的车端数据；获取路侧设备传输的车用无线通讯V2X数据；响应于确定障碍物在无人驾驶车辆的盲区边缘位置，将车端数据与V2X数据进行融合，得到障碍物的属性估计值。通过车路协同的方式，实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种确定障碍物的属性值的方法，包括：获取无人驾驶车辆的至少一个传感器采集的车端数据；获取路侧设备传输的车用无线通讯V2X数据；响应于确定障碍物在所述无人驾驶车辆的盲区边缘位置，将所述车端数据与所述V2X数据进行融合，得到所述障碍物的属性估计值。2.根据权利要求1所述的方法，还包括：基于所述车端数据中所述障碍物的被遮挡区域，确定所述障碍物是否在所述无人驾驶车辆的盲区边缘位置。3.根据权利要求1所述的方法，其中，所述属性估计值包括位置估计值和/或速度估计值；以及所述将所述车端数据与所述V2X数据进行融合，得到所述障碍物的属性估计值，包括：分别对所述车端数据中的各个传感器采集的属性观测值以及所述V2X数据中的属性观测值进行打分，其中，所述属性观测值包括位置观测值和/或速度观测值；基于打分结果确定各个属性观测值在卡尔曼滤波器中的置信等级；基于各个属性观测值的置信等级计算得到所述障碍物的位置估计值和/或速度估计值。4.根据权利要求3所述的方法，其中，所述基于各个属性观测值的置信等级计算得到所述障碍物的位置估计值和/或速度估计值，包括：基于所述各个属性观测值的置信等级，确定所述各个属性观测值所对应的卡尔曼滤波器中的R矩阵；基于所述R矩阵计算得到所述障碍物的位置估计值和/或速度估计值。5.根据权利要求3所述的方法，其中，在所述属性估计值包括速度估计值的情况下，所述分别对所述车端数据中的各个传感器采集的属性观测值以及所述V2X数据中的属性观测值进行打分，包括：分别对所述车端数据中的各个传感器采集的速度观测值以及所述V2X数据中的速度观测值在不同维度进行打分，其中，所述不同维度包括大小维度、方向维度以及动静维度。6.根据权利要求1所述的方法，其中，所述属性估计值包括类别估计值；以及所述将所述车端数据与所述V2X数据进行融合，得到所述障碍物的属性估计值，包括：获取所述车端数据中的各个传感器采集的类别观测值以及所述V2X数据中的类别观测值，得到观测序列；将所述观测序列输入至预先训练的隐马尔可夫模型中，输出得到所述障碍物的类别估计值。7.根据权利要求6所述的方法，其中，所述将所述观测序列输入至预先训练的隐马尔可夫模型中，输出得到所述障碍物的类别估计值，包括：基于所述隐马尔可夫模型中的状态转移概率矩阵，得到所述观测序列中的各个类别观测值对应的状态类型；基于所述隐马尔可夫模型中的观测状态转移概率矩阵，对所述各个类别观测值对应的状态类型进行融合，得到所述障碍物的类别估计值。8.一种确定障碍物的属性值的装置，包括：
第一获取模块，被配置成获取无人驾驶车辆的至少一个传感器采集的车端数据；第二获取模块，被配置成获取路侧设备传输的车用无线通讯V2X数据；融合模块，被配置成响应于确定障碍物在所述无人驾驶车辆的盲区边缘位置，将所述车端数据与所述V2X数据进行融合，得到所述障...

【专利技术属性】
技术研发人员：羊野，张晔，
申请(专利权)人：阿波罗智能技术北京有限公司，
类型：发明
国别省市：