本发明专利技术提供了一种感知结果的确定方法、装置和电子设备，获取每个传感器在同一时刻针对目标对象的观测数据；将观测数据输入至预先训练完成的感知模型，输出目标对象的多个初始感知结果；基于预先训练完成的融合模型，从多个初始感知结果中确定目标对象的一个目标感知结果。该方式中，将感知模型输出的多个初始感知结果输入到融合模型，基于融合模型对多个初始感知结果进行去重处理，去除不准确的感知结果，最后得到目标对象的一个目标感知结果，避免了由于更换传感器重新训练融合模型的问题，同时避免了由于传感器宕机导致感知结果不准确的问题，提高了感知结果的鲁棒性和准确度。提高了感知结果的鲁棒性和准确度。提高了感知结果的鲁棒性和准确度。
【技术实现步骤摘要】
感知结果的确定方法、装置和电子设备
[0001]本专利技术涉及人工智能
，尤其是涉及一种感知结果的确定方法、装置和电子设备。
技术介绍
[0002]目前自动驾驶系统中，为了保证感知的全面性和系统的稳定性，均采用多个传感器感知障碍物。相关技术中，同一时刻多个传感器针对同一目标会得到的多个观测数据，通常采用感知模型和传感器的标定参数对多个观测数据进行处理，得到针对目标的观测结果。但是，由于模型和标定参数存在误差，多传感器观测结果存在冗余，如同一目标在不同传感器下的观测结果存在预测误差，影响系统对目标的感知，甚至可能会导致系统针对同一目标感知得到多个不同的结果，进而导致感知的全面性和自动驾驶系统的稳定性较低。
技术实现思路
[0003]有鉴于此，本专利技术的目的在于提供一种感知结果的确定方法、装置和电子设备，以提高针对障碍物的感知结果的准确度。
[0004]第一方面，本专利技术实施例提供了一种感知结果的确定方法，该方法包括：获取每个传感器在同一时刻针对目标对象的观测数据；将每个传感器的观测数据输入至预先训练完成的感知模型，输出传感器针对目标对象的多个初始感知结果；其中，初始感知结果包括：目标对象的初始结构信息和初始位置信息，以及目标对象的图像特征；基于预先训练完成的融合模型，对多个初始感知结果进行去重处理，得到目标对象的目标感知结果；其中，去重处理用于：从多个初始感知结果中确定一个目标感知结果。
[0005]进一步的，基于预先训练完成的融合模型，对初始感知结果进行去重处理，得到目标对象的目标感知结果的步骤，包括：基于预先训练完成的融合模型，对多个初始感知结果进行特征处理，得到多个中间感知结果；其中，中间感知结果包括：目标对象的中间结构信息和中间位置信息，和中间感知结果的感知分数；将多个中间感知结果中，感知分数满足预设分数的中间感知结果，确定为目标对象的目标感知结果。
[0006]进一步的，融合模型包括：编码层、特征处理层、以及解码层；基于预先训练完成的融合模型，对多个初始感知结果进行特征处理，得到多个中间感知结果的步骤，包括：将多个初始感知结果输入至编码层，得到多个初始感知结果的特征矩阵；编码层依次包括：全连接层、批归一化层和激活函数；将特征矩阵输入至特征处理层，得到目标特征矩阵；将目标特征矩阵输入至解码层，得到多个中间感知结果；解码层依次包括：全连接层、归一化层和激活函数。
[0007]进一步的，将多个初始感知结果输入至编码层，得到多个初始感知结果的特征矩阵的步骤，包括：将每个初始感知结果输入至编码层，得到每个初始感知结果的特征向量；特征向量的维数为K；将每个特征向量拼接处理，得到特征矩阵；其中，特征矩阵的维度为N
×
K，N为传感器的数量。
[0008]进一步的，将特征矩阵输入至特征处理层，得到目标特征矩阵的步骤，包括：将特征矩阵拆分为多个子特征矩阵，每个子特征矩阵的维度为N
×
(K
[0009]/M)；其中，M为拆分系数；针对每个子特征矩阵，执行下述步骤：计算子特征矩阵的转置与子特征矩阵的内积相似度，得到子特征矩阵的相似度结果，根据相似度结果更新子特征矩阵；将每个更新后的子特征矩阵进行拼接处理，得到目标特征矩阵。
[0010]进一步的，根据相似度结果更新子特征矩阵的步骤，包括：计算子特征矩阵与相似度结果的矩阵乘积，得到更新后的子特征矩阵。
[0011]进一步的，融合模型通过下述方式训练完成：获取训练数据；训练数据为基于训练观测数据输入至预先训练完成的感知模型，得到的初始感知结果；训练数据中，每个初始感知结果均携带有训练第一标识分数或第二标识分数，第一标识指示初始感知结果的感知分数为0，第二标识指示初始感知结果的感知分数为1；将训练数据输入至初始融合模型，得到训练数据对应的训练分数，基于训练分数和训练数据携带的标识分数，计算训练分数的损失值；基于损失值，训练初始融合模型的模型参数，直至损失值满足预设阈值，得到训练完成的融合模型。
[0012]第二方面，本专利技术实施例提供了一种感知结果的确定装置，装置设置于自动驾驶系统，自动驾驶系统设置有多个传感器；装置包括：观测数据获取模块，用于获取每个传感器在同一时刻针对目标对象的观测数据；初始感知结果确定模块，用于将每个传感器的观测数据输入至预先训练完成的感知模型，输出传感器针对目标对象的多个初始感知结果；其中，初始感知结果包括：目标对象的初始结构信息和初始位置信息，以及目标对象的图像特征；目标感知结果确定模块，用于基于预先训练完成的融合模型，对多个初始感知结果进行去重处理，得到目标对象的目标感知结果；其中，所述去重处理用于：从所述多个初始感知结果中确定一个目标感知结果。
[0013]第三方面，本专利技术实施例提供了一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的计算机可执行指令，处理器执行计算机可执行指令以实现第一方面任一项的感知结果的确定方法。
[0014]第四方面，本专利技术实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现第一方面任一项的感知结果的确定方法。
[0015]本专利技术实施例带来了以下有益效果：
[0016]本专利技术提供了一种感知结果的确定方法、装置和电子设备，获取每个传感器在同一时刻针对目标对象的观测数据；将观测数据输入至预先训练完成的感知模型，输出目标对象的多个初始感知结果；基于预先训练完成的融合模型，从多个初始感知结果中确定目标对象的一个目标感知结果。该方式中，将感知模型输出的多个初始感知结果输入到融合模型，基于融合模型对多个初始感知结果进行去重处理，去除不准确的感知结果，最后得到目标对象的一个目标感知结果，避免了由于更换传感器重新训练融合模型的问题，同时避免了由于传感器宕机导致感知结果不准确的问题，提高了感知结果的鲁棒性和准确度。
[0017]本专利技术的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
[0018]为使本专利技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
[0019]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施方式，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0020]图1为本专利技术实施例提供的一种感知结果的确定方法的流程图；
[0021]图2为本专利技术实施例提供的一种感知结果的确定方法的模型框图；
[0022]图3为本专利技术实施例提供的另一种感知结果的确定方法的模型框图；
[0023]图4为本专利技术实施例提供的一种感知结果本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种感知结果的确定方法，其特征在于，所述方法包括：获取每个传感器在同一时刻针对目标对象的观测数据；将每个所述传感器的观测数据输入至预先训练完成的感知模型，输出所述传感器针对所述目标对象的多个初始感知结果；其中，所述初始感知结果包括：所述目标对象的初始结构信息和初始位置信息，以及所述目标对象的图像特征；基于预先训练完成的融合模型，对所述多个初始感知结果进行去重处理，得到所述目标对象的目标感知结果；其中，所述去重处理用于：从所述多个初始感知结果中确定一个目标感知结果。2.根据权利要求1所述的方法，其特征在于，基于预先训练完成的融合模型，对所述初始感知结果进行去重处理，得到所述目标对象的目标感知结果的步骤，包括：基于所述预先训练完成的融合模型，对所述多个初始感知结果进行特征处理，得到多个中间感知结果；其中，所述中间感知结果包括：所述目标对象的中间结构信息和中间位置信息，和所述中间感知结果的感知分数；将所述多个中间感知结果中，所述感知分数满足预设分数的中间感知结果，确定为所述目标对象的目标感知结果。3.根据权利要求2所述的方法，其特征在于，所述融合模型包括：编码层、特征处理层、以及解码层；基于所述预先训练完成的融合模型，对所述多个初始感知结果进行特征处理，得到多个中间感知结果的步骤，包括：将所述多个初始感知结果输入至所述编码层，得到所述多个初始感知结果的特征矩阵；所述编码层依次包括：全连接层、批归一化层和激活函数；将所述特征矩阵输入至所述特征处理层，得到目标特征矩阵；将所述目标特征矩阵输入至所述解码层，得到所述多个中间感知结果；所述解码层依次包括：全连接层、归一化层和激活函数。4.根据权利要求3所述的方法，其特征在于，将所述多个初始感知结果输入至所述编码层，得到所述多个初始感知结果的特征矩阵的步骤，包括：将每个所述初始感知结果输入至所述编码层，得到每个所述初始感知结果的特征向量；所述特征向量的维数为K；将每个所述特征向量拼接处理，得到所述特征矩阵；其中，所述特征矩阵的维度为N
×
K，N为所述传感器的数量。5.根据权利要求3所述的方法，其特征在于，将所述特征矩阵输入至所述特征处理层，得到目标特征矩阵的步骤，包括：将所述特征矩阵拆分为多个子特征矩阵，每个所述子特征矩阵的维度为N
×
(K/M)；其中，M为拆分系数；针对每个所述子特征...
【专利技术属性】
技术研发人员：王贯安，韩旭，
申请(专利权)人：广州文远知行科技有限公司，
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。