一种多源感知数据帧标注方法及系统与流程

摘要: 本技术涉及自动驾驶数据质量控制,具体涉及一种多源感知数据帧标注方法及系统。背景技术:1、自动紧急制动系统通常依赖感知融合模块输出的动态目标列表、静态障碍列表、车...
一种多源感知数据帧标注方法及系统与流程

本技术涉及自动驾驶数据质量控制,具体涉及一种多源感知数据帧标注方法及系统。

背景技术:

1、自动紧急制动系统通常依赖感知融合模块输出的动态目标列表、静态障碍列表、车道线、可行驶区域和车辆运动状态等信息,结合ttc(time-to-collision)、相对距离、相对速度、路径相关性等规则量判断是否需要预警或制动。在传统规则aeb(autonomousemergency braking)中,主风险目标通常来自具有稳定对象标识符(object_id)的融合目标,例如前车、横穿行人、骑行者或静止车辆。

2、随着端到端aeb模型逐步引入占据网络、bev(ird's-eye view)时空表征、freespace、低层语义区域和多模态感知特征,系统能够看到更多非结构化风险区域。然而,这些风险区域往往不是标准目标检测框,无法自然生成稳定连续的具有稳定对象标识符(object_id)的障碍对象,从而难以对这类特征信息进行稳定连续的标签标注。这将导致端到端aeb模型无法针对这类特征信息进行正确的风险识别和学习,从而导致漏标、漏训、漏触发等风险。

技术实现思路

1、有鉴于此,本技术提供一种多源感知数据帧标注方法及系统。旨在解决或者部分解决背景技术中存在的问题。

2、本技术第一方面提供了一种多源感知数据帧标注方法,所述方法包括:

3、对当前时刻的多源感知数据帧进行目标检测,将目标检测框内的目标确定为当前目标;

4、对当前时刻的目标感知帧进行连通域检测,将连通域内的目标确定为当前伪目标,所述目标感知帧包括占据感知帧和不可行驶区域感知帧;

5、对当前目标和当前伪目标进行风险评估,将风险度最大的目标或伪目标确定为当前主风险目标;

6、针对当前时刻的多源感知数据帧标注当前主风险目标、当前目标以及当前伪目标,得到用于训练风险目标识别模型的训练样本。

7、可选的,对当前伪目标进行风险评估,包括:

8、在当前伪目标与历史伪目标集合中的各个历史伪目标均不匹配的情况下,将与各个历史伪目标均不匹配的当前伪目标确定为新增的伪目标;历史伪目标集合是基于历史时刻的目标感知帧构建的;

9、为新增的伪目标生成新增的目标标识,并创建与新增的目标标识关联的风险评估线程,新增的目标标识不同于各个历史伪目标的目标标识;

10、利用所创建的风险评估线程,对新增的伪目标进行风险评估。

11、可选的,在对当前伪目标进行风险评估之前,还包括:

12、基于历史时刻的目标感知帧,构建历史伪目标集合;

13、确定当前伪目标与历史伪目标集合中的各个历史伪目标之间的匹配参数值,匹配参数值包括以下至少一项:空间距离、轮廓交并比、轮廓相似度、来源一致性、语义一致性;

14、根据匹配参数值与匹配参数阈值之间的大小关系,确定当前伪目标与历史伪目标集合中的任一历史伪目标是否匹配。

15、可选的,在将与各个历史伪目标均不匹配的当前伪目标确定为新增的伪目标之后,所述方法还包括:

16、将新增的伪目标添加到历史伪目标集合中,得到更新后的历史伪目标集合;

17、将新增的伪目标与之后的多帧目标感知帧中的伪目标进行匹配;

18、对于所述多帧目标感知帧中的每一帧,若所述新增的伪目标未能与其中的伪目标匹配成功,则缩短新增的伪目标的有效时间;

19、在新增的伪目标的有效时间缩短至零的情况下,将新增的伪目标确定为过期的伪目标,并从更新后的历史伪目标集合中删除。

20、可选的,对当前伪目标进行风险评估,包括:

21、在当前伪目标与历史伪目标集合中的多个历史伪目标均匹配的情况下,确定多个历史伪目标与当前伪目标之间存在合并关系;

22、将多个历史伪目标中与当前伪目标的匹配度最高的历史伪目标确定为主历史伪目标,将主历史伪目标的目标标识赋予当前伪目标;

23、复用与主历史伪目标的目标标识关联的风险评估线程,对当前伪目标进行风险评估。

24、可选的,所述方法还包括:

25、在针对当前时刻的多源感知数据帧标注当前主风险目标、当前目标以及当前伪目标后,针对当前时刻的多源感知数据帧标注以下信息:多个历史伪目标、主历史伪目标、以及当前伪目标与多个历史伪目标之间的合并关系,得到用于训练风险目标识别模型的训练样本;和/或

26、针对多个历史伪目标对应的历史时刻的多源感知数据帧,标注主历史伪目标、以及标注多个历史伪目标合并为一个伪目标的合并趋势信息,得到用于训练风险目标识别模型的训练样本。

27、可选的,对当前伪目标进行风险评估,包括:

28、在历史伪目标集合中单个历史伪目标与多个当前伪目标均匹配的情况下,确定多个当前伪目标与所述单个历史伪目标之间存在分裂关系;

29、以所述单个历史伪目标的目标标识为父标识,创建多个子标识并赋予多个当前伪目标;

30、创建多个子标识对应的风险评估线程,对多个当前伪目标进行风险评估。

31、可选的,所述方法还包括:

32、在针对当前时刻的多源感知数据帧标注当前主风险目标、当前目标以及当前伪目标后,针对当前时刻的多源感知数据帧标注以下信息:多个当前伪目标与所述单个历史伪目标之间的分裂关系,得到用于训练风险目标识别模型的训练样本;和/或

33、针对所述单个历史伪目标对应的历史时刻的多源感知数据帧,标注所述单个历史伪目标分裂为多个当前伪目标的分裂趋势信息,得到用于训练风险目标识别模型的训练样本。

34、可选的,所述方法还包括:

35、利用多个经标注的训练样本,对神经网络模型进行训练,得到目标风险检测模型;

36、将目标多源感知数据帧输入所述目标风险检测模型,得到风险检测结果,所述风险检测结果至少包括:所述目标多源感知数据帧中的当前主风险目标、当前目标以及当前伪目标。

37、本技术第二方面提供一种多源感知数据帧标注系统,包括:

38、目标确定模块,用于对当前时刻的多源感知数据帧进行目标检测,将目标检测框内的目标确定为当前目标;

39、伪目标确定模块,用于对当前时刻的目标感知帧进行连通域检测,将连通域内的目标确定为当前伪目标,所述目标感知帧包括占据感知帧和不可行驶区域感知帧;

40、风险评估模块,用于对当前目标和当前伪目标进行风险评估,将风险度最大的目标或伪目标确定为当前主风险目标;

41、标注模块,用于针对当前时刻的多源感知数据帧标注当前主风险目标、当前目标以及当前伪目标,得到用于训练风险目标识别模型的训练样本。

42、本技术提供的一种多源感知数据帧标注方法具有以下优点:

43、本技术提供的该多源感知数据帧标注方法,通过引入对目标感知帧的连通域检测并将连通域内的占据区域确定为当前伪目标,以扩展风险目标的捕获范围(即还可以捕获占据区域)。该方式的效果为:相较于非结构化风险区域(如施工区、锥桶群、路沿等占据区域)往往无法形成标准的目标检测框,导致传统方法难以将其纳入风险列表。本技术则通过连通域检测直接识别这些连通域内的占据区域为当前伪目标,使得原本因缺乏稳定对象标识符(object_id)而被忽略的占据区域能够被感知系统捕获并进入后续处理链路,从而有效解决非结构化风险区域漏检的问题。

44、通过对当前目标和当前伪目标统一进行风险评估并将风险度最大的目标确定为当前主风险目标,本技术可实现标准化目标(即具有稳定对象标识符的目标)与非标准化目标(即缺乏稳定对象标识符的占据区域)的风险平等对待。相较于传统规则aeb依赖具有稳定对象标识符(object_id)的标准化目标作为主风险目标,导致缺乏稳定对象标识符(object_id)而被忽略的占据区域难以进入主风险目标候选池的情况。本技术通过统一的风险评估机制,不区分目标来源是检测框还是连通域,直接依据风险度大小确定当前主风险目标。这使得缺乏稳定对象标识符(object_id)而被忽略的占据区域在路径冲突严重时能够与标准化目标竞争成为主风险目标,从而提升系统对静态刚性障碍物和缺乏稳定对象标识符(object_id)的占据区域的风险召回能力,降低漏触发风险。

45、通过为当前时刻的多源感知数据帧标注当前主风险目标、当前目标以及当前伪目标得到用于训练风险目标识别模型的训练样本,本技术可为端到端aeb模型提供高质量的监督数据。具体的,本技术通过显式标注包含当前伪目标的训练样本,构建能够反映非结构化风险区域的训练样本数据集。基于该训练样本数据集训练后的端到端aeb模型(如本技术中的风险目标识别模型)能够学习如何正确识别和评估此类缺乏稳定对象标识符(object_id)的占据区域,从而有效解决因缺乏针对性监督数据而导致模型无法针对这类非结构化风险区域进行正确的风险识别和学习的问题。