场景分类方法、场景分类装置以及计算机可读介质制造方法及图纸

场景分类方法、场景分类装置以及计算机可读介质。在输入端处被接收到根据由车辆传感器系统提供的传感器数据生成的特征图(22)。使用纵向和横向特征池化(23、26)处理特征图(22)以产生纵向和横向特征池化输出。然后，根据纵向和横向特征池化输出生成内积(24)。然后基于所生成的内积对场景进行分类。生成的内积对场景进行分类。生成的内积对场景进行分类。

【技术实现步骤摘要】
场景分类方法、场景分类装置以及计算机可读介质


[0001]本公开涉及场景分类方法、装置和计算机可读介质。本公开特别涉及以雷达为中心的环境感知系统和方法，并且最特别地涉及使用仅雷达数据来检测自我车辆当前正在行驶的场景。

技术介绍

[0002]申请人是汽车行业中以雷达为中心的环境感知领域的先驱。通常，这个任务是通过使用与跟踪器结合的传统的基于检测的方法，或者通过利用机器学习来预测对象位置、估计自由空间和/或跟踪对象来解决的。车辆运行时所在的环境对这些算法的性能(例如检测率或误警率)具有显著影响。在车辆附近具有许多反射表面的场景(例如停车库或隧道)显著地影响用于基于雷达的感知的传统算法和机器学习算法的性能。此外，不同的算法和模型可以在一些场景中提供较好的性能，而在其他场景中则不能提供。这样，精确地检测车辆当前所处的场景可以允许例如通过自适应融合来相应地调整系统参数，例如设置和行为，从而在小汽车和其他车辆中提供改进的驾驶员辅助系统。
[0003]因此，仍然需要用于识别车辆所处的环境的改进系统。

技术实现思路

[0004]根据第一方面，提供了一种用于车辆传感器系统的场景分类方法，该场景分类方法包括以下步骤：接收根据由所述车辆传感器系统提供的传感器数据生成的特征图；使用纵向和横向特征池化来处理所述特征图以生成纵向和横向特征池化输出；根据纵向和横向特征池化输出生成内积；以及基于所生成的内积对所述场景进行分类。
[0005]这样，可以提供计算上有效的分类方法，该分类能够在准确性和召回率性能方面胜过传统的分类架构。也就是说，通过对特征图的行和列进行特征池化，可以生成低维输出，从而提供有效的处理。同时，纵向和横向池化架构利用对与特定环境相关联的场景特征的认知来提供场景分类的高度特异性。
[0006]在实施方式中，生成内积的步骤包括连接纵向和横向特征池化输出。这样，卷积层输出的每个通道的纵向和横向特征池化输出可以被链接用于随后的内积处理。
[0007]在实施方式中，纵向和横向特征池化包括最大特征池化和平均特征池化之一。这样，可以在后续的内积计算之前减小特征图的大小。
[0008]在各实施方式中，对场景进行分类的步骤包括使用所生成的内积来生成一个或更多个场景分类分数。这样，由传感器系统检测到的场景可以被分类为一个或更多个不同的场景类别。然后，这些结果可用于提供场景类别信息以优化车辆内的其它过程和系统。
[0009]在实施方式中，一个或更多个场景分类分数提供指示检测到相关联的场景的概率的概率值。以此方式，可以基于概率结果来调整在车辆内的其他过程和系统的实现过程中使用的参数。
[0010]在实施方式中，车辆传感器系统是RADAR或LIDAR系统。这样，可以仅使用RADAR或
LIDAR传感器系统来导出场景分类数据。
[0011]在实施方式中，特征图表示车辆中心坐标系，并且特征图的行和列的方向与坐标系的相应纵轴和横轴平行。这样，利用对行驶方向的认识来生成高度特定的纵向和横向特征池化输出。
[0012]在实施方式中，所述场景分类方法还包括根据由车辆传感器系统提供的传感器数据来生成特征图的步骤，其中，生成特征图的步骤包括通过对象检测系统来处理传感器数据。这样，可以将场景分类方法实现为对象检测系统的中间语义表示上的头，从而在提供附加分类功能的同时利用现有处理操作。
[0013]在实施方式中，对象检测系统包括人工神经网络架构。这样，可以添加分类头以向现有的经过训练的模型提供附加功能。
[0014]在实施方式中，人工神经网络架构是雷达深度对象识别网络RaDOR.net。
[0015]根据另一方面，提供了一种包含指令的计算机程序产品，当所述程序由计算机执行时，所述指令使所述计算机执行上述方法的步骤。
[0016]根据另一方面，提供了一种包含指令的非暂时性计算机可读介质，所述指令在由处理器执行时使所述处理器执行上述方法。
[0017]根据另一方面，提供了一种处理来自车辆传感器系统的数据的场景分类装置，该场景分类装置包括：用于接收根据由所述车辆传感器系统提供的传感器数据生成的特征图的输入端；以及编码和池化模块，其用于使用纵向和横向特征池化来处理特征图以生成纵向和横向特征池化输出；内积模块，其用于根据纵向和横向特征池化输出来生成内积；以及分类器，其用于基于所生成的内积对场景进行分类。这样，可以提供用于实现上述方法的装置。
[0018]在实施方式中，内积模块被配置成连接纵向和横向特征池化输出。
[0019]在各实施方式中，编码和池化模块被配置成执行最大特征池化和平均特征池化之一。
[0020]在各实施方式中，分类器被配置成使用所生成的内积来生成一个或更多个场景分类分数。
[0021]在实施方式中，一个或更多个场景分类分数提供指示检测到相关联的场景的概率的概率值。
[0022]在实施方式中，车辆传感器系统是RADAR或LIDAR系统。
[0023]在实施方式中，特征图表示车辆中心坐标系，并且特征图的行和列的方向与坐标系的相应纵轴和横轴平行。
[0024]在实施方式中，场景分类装置还包括用于处理从车辆传感器系统接收到的传感器数据以生成特征图的对象检测系统。
[0025]在实施方式中，对象检测系统包括人工神经网络架构。
[0026]在实施方式中，人工神经网络架构是雷达深度对象识别网络RaDOR.net。
附图说明
[0027]现在将参照附图描述说明性实施方式，其中：
[0028]图1示出了根据实施方式的基于对象检测架构的场景分类系统的示意图；
[0029]图2示出了根据实施方式的场景分类头的示意图；
[0030]图3是图2所示的场景分类系统中采用的处理步骤的流程图；以及
[0031]图4是将说明性实施方式的场景分类性能与传统卷积神经网络和最大池化场景分类系统进行比较的图。
具体实施方式
[0032]图1中所示的场景分类系统是基于对象检测架构的，该对象检测架构用于使用仅雷达数据为自我车辆(即，包含了雷达系统的车辆)提供对象检测和场景分类。这样，场景分类系统能够基于输入的雷达数据对目标车辆所处的环境进行分类。
[0033]在该实施方式中，对象检测架构是采用RaDOR
‑
Net(雷达深度对象识别网络)架构的对象检测和语义分割系统。RaDOR
‑
Net是用于处理原始CDC(压缩数据立方体)雷达信号以提供诸如边界框、自由空间和语义分割等语义对象和场景信息的深度学习、端到端的架构。来自车辆的雷达传感器系统的原始雷达传感器数据11被输入多个处理层并通过所述多个处理层处理。在该示例中，处理层包括CDC域子网1、POLAR域子网2、车辆坐标系(VCS)传感器域3、VCS融合域子网4、门控递归单元(GRU)5和扩张金字塔卷积层6。可以将观察类型(扫描类型)、自我运动和外部校准数据11馈送到POLAR域子网11中，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于车辆传感器系统的场景分类方法，该场景分类方法包括以下步骤：接收根据由所述车辆传感器系统提供的传感器数据生成的特征图；使用纵向和横向特征池化来处理所述特征图，以生成纵向和横向特征池化输出；根据所述纵向和横向特征池化输出来生成内积；以及基于所生成的内积，对所述场景进行分类。2.根据权利要求1所述的场景分类方法，其中，生成内积的步骤包括连接所述纵向和横向特征池化输出。3.根据权利要求1或2所述的场景分类方法，其中，所述纵向和横向特征池化包括最大特征池化和平均特征池化中的一者。4.根据权利要求1至3中任一项所述的场景分类方法，其中，对场景进行分类的步骤包括：使用所生成的内积来生成一个或更多个场景分类分数。5.根据权利要求4所述的场景分类方法，其中，所述一个或更多个场景分类分数提供指示检测到相关联场景的概率的概率值。6.根据权利要求1至5中任一项所述的场景分类方法，其中，所述车辆传感器系统是RADAR系统或LIDAR系统。7.根据权利要求6所述的场景分类方法，其中，所述特征图表示车辆中心坐标系，并且所述特征图的行和列的方向与所述车辆中心坐标系的相应纵轴和横轴平行。8.根据权利要求1至7中任一项所述的场景分类方法，该场景分类方法还包括根据由所述车辆传感器系统提供的所述传感器数据生成特征图的步骤，其中，生成特征图的步骤包括通过对象检测系统来处理所述传感器数据。9.根据权利要求8所述的场景分类方法，其中，所述对象检测系统包括人工神经网络架构。10.根据权利要求9所述的场景分类方法，其中，所述人工神经网络架构是雷达深度对象识别网络RaDOR.net。11.一种包含指令的计算机程序产品，当计算机程序由计算机执行时，所述指令使所述计算机执行根据权利要求1至10中任一项所述的场景分类方法的步骤。12.一种包含指令的非暂时性计算机可读介质，所述指令在由处理器执行时使得所述处理器执行根据权利要求1至10中任一项所述的方法。13.一种处理来自车辆传感器系统的数据的场景...

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