用于确定对象的距离的方法和系统技术方案

本公开提供用于确定对象的距离的方法和系统。该方法包括由计算机硬件部件执行的以下步骤：确定包含所述对象的图像；基于所述图像确定所述对象的类；基于距离传感器确定所述距离的粗估计；以及基于所述粗估计并且基于所述对象的类来确定所述对象的距离。对象的类来确定所述对象的距离。对象的类来确定所述对象的距离。

【技术实现步骤摘要】
用于确定对象的距离的方法和系统


[0001]本公开涉及用于确定对象的距离的方法和系统。

技术介绍

[0002]知道到车辆周围对象的距离是(至少部分地)自主驾驶车辆的重要方面。
[0003]因此，需要提供用于确定到车辆周围的对象的距离的有效且可靠的方法和系统。

技术实现思路

[0004]本公开提供了由计算机实现的方法、计算机系统和非暂时性计算机可读介质。在说明书和附图中给出了实施方式。
[0005]在一个方面，本公开涉及一种用于确定对象的距离的由计算机实现的方法，该方法包括由计算机硬件部件执行(换言之：由计算机硬件部件进行)的步骤：确定包含(换言之：示出)所述对象的图像；基于所述图像确定所述对象的类；基于距离传感器确定距离的粗估计；以及基于所述粗估计并且基于所述对象的类来确定所述对象的距离。
[0006]该距离可以是标量距离，或者具有超过一个分量的向量(例如二维或三维向量，使得该距离可以用于确定在二维或三维空间中相对于设置有传感器的本车辆的位置)。
[0007]类的确定可以理解为基于图像将对象分类为多个类中的一个。
[0008]例如，可以提供一种技术，该技术用于使用ML(机器学习)模型训练，并且利用距离补偿校正将在2D摄像头视图中成像的关注对象重新投影到鸟瞰图(BEV)坐标系上，来构建面向距离的对象描述。
[0009]可以提供一种可以应用在自驾驶汽车中的实时对象检测系统。该系统可以一次检测多个对象类，并且可以提供和它们自身与本车辆之间的距离有关的定位。可以提供环境的描述连同基于重新投影平面的所检测到的对象的位置知识。
[0010]根据另一方面，从多个交通参与者类型中选择对象的类。可以选择交通参与者类型，使得特定类型的所有对象具有相似的大小。
[0011]根据另一方面，所述多个交通参与者类型包括行人、和/或自行车、和/或轿车、和/或卡车。
[0012]根据另一方面，从多个定向中选择所述对象的类。
[0013]根据另一方面，所述多个定向包括左、和/或左上、和/或上、和/或右上、和/或右、和/或右下、和/或下、和/或左下。
[0014]例如，可以提供一种用于根据训练类分配来构建校正向量的方法。对象类可以是在语义上有关的，和/或与大小(例如宽度和高度)有关的，和/或定向特定的(例如具有粒度：下、左下、左、左上、上、右上、右、右下)。
[0015]根据另一方面，可以使用机器学习方法，例如人工神经网络，来确定类。机器学习方法(例如人工神经网络)的训练方法可以允许所检测到的类的准确重投影。
[0016]根据另一方面，人工神经网络可以是SSD(单触发检测器)类型或YOLO(你只看一
次)型。将理解的是，YOLO方法是SSD型方法之一。用于训练SSD型(或YOLO型)神经网络的方法可以允许图像检测的准确重新投影以获得对象之间的BEV位置知识。SSD型(或YOLO型)的机器学习模型可以仅在图像上训练。已经发现，图像2D边界框的标记是快速的，并且用于图像对象检测的开放训练集是可得的。
[0017]根据另一方面，所述计算机实现的方法还可以包括由所述计算机硬件部件执行的以下步骤：确定图像中对象的边界框。可以基于图像来确定对象的边界框。
[0018]根据另一方面，可以还基于边界框来确定粗估计。
[0019]根据另一方面，基于将距离传感器的测量结果与边界框的匹配来确定粗估计。
[0020]根据另一方面，基于用于对象的类的散列表来确定距离。
[0021]根据另一方面，散列表包括校正，所述校正用于基于粗估计确定距离。
[0022]在另一方面中，本公开涉及一种计算机系统，所述计算机系统包括多个计算机硬件部件，所述多个计算机硬件部件被配置成执行本文所述的由计算机实现的方法的多个或所有步骤。所述计算机系统可以是车辆的一部分。
[0023]计算机系统可以包括多个计算机硬件部件(例如处理器(例如处理单元或处理网络)、至少一个存储器(例如存储器单元或存储器网络)、以及至少一个非暂时性数据存储部)。应当理解，可以提供另外的计算机硬件部件并且用于在计算机系统中执行由计算机实现的方法的步骤。非暂时性数据存储部和/或存储器单元可以包括计算机程序，计算机程序用于指示计算机例如使用处理单元和至少一个存储器单元来执行本文描述的由计算机实现的方法的多个或所有步骤或方面。
[0024]在另一方面中，本专利技术涉及一种车辆，所述车辆包括如本文所述的计算机系统，被配置成获取图像的摄像头以及距离传感器。
[0025]在另一方面，本公开涉及一种非暂时性计算机可读介质，所述非暂时性计算机可读介质包括用于执行本文所述的由计算机实现的方法的多个或所有步骤或方面的指令。所述计算机可读媒介可以被配置成：光学介质，例如光盘(CD)或数字多功能盘(DVD)；磁介质，例如硬盘驱动器(HDD)；固态驱动器(SSD)；只读存储器(ROM)，例如闪存；等等。此外，计算机可读介质可以被配置成可经由诸如因特网连接的数据连接来访问的数据存储部。计算机可读介质例如可以是在线数据储存库或云存储。
[0026]本公开还涉及一种计算机程序，该计算机程序用于指示计算机执行本文所述的由计算机实现的方法的多个或所有步骤或方面。
附图说明
[0027]本文结合以下示意性示出的附图描述了本公开的示例性实施方式和功能：
[0028]图1是图像和相应边界框的图示；
[0029]图2是在图1的场景中由距离传感器确定的距离的图示；
[0030]图3是粗重新投影图像的示意图，其中例示了对象；
[0031]图4是例示根据各种实施方式的用于确定对象的距离的方法的流程图；
[0032]图5示出了根据各种实施方式的距离确定系统；以及
[0033]图6示出了根据各种实施方式的具有多个计算机硬件部件的计算机系统，所述多个计算机硬件部件被配置成执行用于确定对象的距离的由计算机实现的方法的步骤。
具体实施方式
[0034]可能希望自驾驶(换言之：自主)车辆能够确定到其他对象的距离，并且在找到它们的位置之后，确定用于自驾驶车辆的一组可能动作。应当理解，不同的对象具有不同的含义或意义，并且虽然一些对象类是可以忽略的，但是可能需要对其它对象进行定位，以确定用于自驾驶汽车的最佳和最安全的驾驶方式。
[0035]机器学习方法可以允许在摄像头图像平面上以2D(二维)边界框的形式准确地找到关注对象的定位。2D边界框的确定可以包括：
[0036]1)确定包围对象的边界框的坐标(在图像中)；
[0037]2)确定对象的类型(例如轿车、卡车、行人、建筑车辆等)；以及
[0038]3)确定检测的确定性分数(或概率)。
[0039]确定2D边界框可以是非常有效的。2D边界框确定可以在嵌入式设备上实时工作，并且可以在区分许多类上具有非常好的精度。应当理解，被区分的类的数目可以依赖于训练数据。例如，可本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于确定对象的距离的由计算机实现的方法，所述方法包括由计算机硬件部件执行的以下步骤：确定(402)包含所述对象的图像；基于所述图像确定(404)所述对象的类；基于距离传感器确定(406)所述距离的粗估计；以及基于所述粗估计并且基于所述对象的类来确定(408)所述对象的距离。2.根据权利要求1所述的由计算机实现的方法，其中，所述对象的类是从多个交通参与者类型中选择的。3.根据权利要求2所述的由计算机实现的方法，其中，所述多个交通参与者类型包括行人、和/或自行车、和/或轿车、和/或卡车。4.根据权利要求1至3中的至少一项所述的由计算机实现的方法，其中，所述对象的类是从多个定向中选择的。5.根据权利要求4所述的由计算机实现的方法，其中，所述多个定向包括左、和/或左上、和/或上、和/或右上、和/或右、和/或右下、和/或下、和/或左下。6.根据权利要求1至5中的至少一项所述的由计算机实现的方法，其中，所述类是使用人工神经网络来确定的。7.根据权利要求6所述的由计算机实现的方法，其中，所述人工神经网络是SSD型的。8.根据权利要求1至7中的至少一项所述的由计算机实现的方法，所...

【专利技术属性】
技术研发人员：J，
申请(专利权)人：APTIV技术有限公司，
类型：发明
国别省市：