车辆感知检测方法、装置、车辆、可读存储介质和程序产品与流程

摘要: 本技术涉及车辆检测,特别是涉及一种车辆感知检测方法、装置、车辆、计算机可读存储介质和计算机程序产品。背景技术:1、随着车辆的广泛应用,自动驾驶技术逐渐成为汽车领...
车辆感知检测方法、装置、车辆、可读存储介质和程序产品与流程

本技术涉及车辆检测,特别是涉及一种车辆感知检测方法、装置、车辆、计算机可读存储介质和计算机程序产品。

背景技术:

1、随着车辆的广泛应用,自动驾驶技术逐渐成为汽车领域的研究热点,而感知技术作为自动驾驶领域的重中之重,用于对车辆周围环境进行理解和决策,以完成车辆的自动化控制。因此,亟需一种车辆感知检测方式。传统技术中,通过获取感知数据,进行特征提取得到感知特征,将感知特征与鸟瞰视角空间中各鸟瞰视角网格进行逐一对应得到鸟瞰视角空间特征,再按照鸟瞰视角空间特征进行感知检测,从而实现车辆感知检测。

2、上述处理过程中,进行特征提取时,通常对于感知数据进行标准化特征提取,使得感知数据的特征提取过程耗费时间较长,从而导致车辆感知检测效率较低。

技术实现思路

1、基于此,本技术针对上述技术问题,提供一种能够提高车辆感知检测准确性的车辆感知检测方法、装置、车辆、计算机可读存储介质和计算机程序产品。

2、第一方面,本技术提供了一种车辆感知检测方法,包括:

3、获取车辆所在鸟瞰视角空间中各鸟瞰视角网格的感知数据;

4、针对每个鸟瞰视角网格,基于所述鸟瞰视角网格所在的距离范围区间对所述鸟瞰视角网格的感知数据进行特征提取,得到所述鸟瞰视角网格的网格特征,其中,所述距离范围区间包括所述鸟瞰视角网格与车辆之间的距离所在的区间;

5、根据各所述鸟瞰视角网格的网格特征,构建鸟瞰视角空间特征;

6、根据所述鸟瞰视角空间特征,对所述鸟瞰视角空间进行感知检测,得到感知检测结果,所述感知检测结果用于表征所述鸟瞰视角空间中各感知目标的位置信息和类型中的至少一种。

7、如此,考虑到感知数据都是基于车辆上部署的传感器采集的数据得到的,随着感知数据所在的鸟瞰视角网格与车辆之间的距离的变化,感知数据也会存在相应的变化,那么,可以针对鸟瞰视角网格所在的距离范围区间,设置相对应的特征提取方式,使得特征提取方式分别与鸟瞰视角网格与车辆之间的距离相匹配,对各感知数据进行差异化处理,在一定程度上减少了感知数据的特征提取过程中非必需处理内容的执行情况,从而提高了特征提取效率,而提取得到的特征是用于构建鸟瞰视角空间特征,鸟瞰视角空间特征是进行车辆感知检测的依据,进而提高了车辆感知检测效率。

8、在第一方面的一可选实施例中,所述感知数据包括二维图像特征,所述网格特征包括深度特征;所述基于所述鸟瞰视角网格所在的距离范围区间对所述鸟瞰视角网格的感知数据进行特征提取,得到所述鸟瞰视角网格的网格特征,包括:

9、响应于所述鸟瞰视角网格所在的距离范围区间为第一区间,基于所述鸟瞰视角网格与车辆之间的距离进行深度特征提取,得到所述鸟瞰视角网格的深度特征;

10、响应于所述鸟瞰视角网格所在的距离范围区间为第二区间,基于所述二维图像特征进行深度特征提取,得到所述鸟瞰视角网格的深度特征;

11、所述第一区间与所述第二区间之间不存在重叠区域,所述第一区间的区间最大值小于或等于所述第二区间的区间最小值。

12、如此,鸟瞰视角网格所在的距离范围区间为第一区间,也即说明,鸟瞰视角网格与车辆之间相较更近,随着车辆的行驶,鸟瞰视角网格的二维图像特征相较更简单且不容易发生变化或变化较小,使得鸟瞰视角网格的二维图像特征越清晰完整,而鸟瞰视角网格的深度特征恰恰就是描述二维图像特征的精确度的,因此,针对所在的距离范围区间为第一区间的鸟瞰视角网格,可以直接以鸟瞰视角网格与车辆之间的距离为依据,进行深度特征提取,以提高深度特征提取的效率;鸟瞰视角网格所在的距离范围区间为第二区间,也即说明,鸟瞰视角网格与车辆之间的距离相较更远,随着车辆的行驶,鸟瞰视角网格的二维图像特征相较更复杂且更易发生变化,此时,需要以二维图像特征本身为依据,进行深度特征提取,以提高深度特征提取的准确性。

13、在第一方面的一可选实施例中,所述基于所述鸟瞰视角网格与车辆之间的距离进行深度特征提取,得到所述鸟瞰视角网格的深度特征,包括:

14、基于所述鸟瞰视角网格的二维图像特征的图像特征精度确定衰减系数;

15、基于所述衰减系数以及所述鸟瞰视角网格与车辆之间的距离,进行深度特征提取得到所述鸟瞰视角网格的深度特征。

16、如此,通过鸟瞰视角网格与车辆之间的距离,可以实现鸟瞰视角网格所在位置的距离置信度的量化,通过二维图像特征所对应的图像特征精度确定鸟瞰视角网格的二维图像特征的衰减系数,使得深度特征既考虑了鸟瞰视角网格所在位置的距离置信度,又考虑了二维图像特征所对应的图像特征精度,使得在尽可能简化鸟瞰视角网格的深度特征的提取过程的情况下,又保证了深度特征的提取准确性。

17、在第一方面的一可选实施例中,所述感知数据还包括点云数据,所述网格特征还包括点云特征;所述基于所述鸟瞰视角网格所在的距离范围区间对所述鸟瞰视角网格的感知数据进行特征提取,得到所述鸟瞰视角网格的网格特征,包括:

18、响应于所述鸟瞰视角网格所在的距离范围区间为第三区间,对所述鸟瞰视角网格的点云数据进行特征提取,得到所述鸟瞰视角网格的点云特征;

19、响应于所述鸟瞰视角网格所在的距离范围区间为第四区间,确定所述鸟瞰视角网格的点云分布特征,并在所述点云分布特征符合预设特征的情况下,对所述鸟瞰视角网格的点云数据进行特征提取,得到所述鸟瞰视角网格的点云特征;

20、所述第三区间与所述第四区间之间不存在重叠区域,所述第三区间的区间最大值小于或等于所述第四区间的区间最小值。

21、如此,鸟瞰视角网格所在的距离范围区间为第三区间,也即说明,鸟瞰视角网格与车辆之间相较更近,鸟瞰视角网格的点云数据分布较为密集,因此,直接对鸟瞰视角网格的点云数据进行特征提取;鸟瞰视角网格所在的距离范围区间为第四区间,也即说明,鸟瞰视角网格与车辆之间相较更远,鸟瞰视角网格的点云数据分布可能较为稀疏,因此,进行鸟瞰视角网格的点云分布特征的确定,在点云分布特征符合预设特征才进行点云特征提取,也就是说,针对所在的距离范围区间为第四区间的鸟瞰视角网格,进行选择性的点云特征提取,在一定程度上可以减少进行点云提取的鸟瞰视角网格数量,从而提高点云特征提取效率。

22、在第一方面的一可选实施例中,所述感知数据还包括点云数据,所述网格特征还包括点云特征;所述方法还包括:

23、针对每个鸟瞰视觉网格,基于所述点云数据提取所述鸟瞰视角网格的点云分布特征;

24、在所述鸟瞰视角网格的点云分布特征符合预设特征的情况下,对所述鸟瞰视角网格的点云数据进行特征提取,得到所述鸟瞰视角网格的点云特征。

25、如此,针对每一鸟瞰视角网格,都进行点云分布特征的确定,并在点云分布特征符合预设特征才进行点云特征提取,也就是说,对各鸟瞰视角网格进行选择性的点云特征提取,在一定程度上可以减少进行点云提取的鸟瞰视角网格数量,从而提高点云特征提取效率。

26、在第一方面的一可选实施例中,符合所述预设特征的点云分布特征包括以下各项至少之一:

27、所述点云分布特征中点云分布数量在第一数量区间内;

28、所述点云分布特征中点云分布位置在中心位置区域内;

29、所述点云分布特征中中心位置区域所对应的点云分布数量在第二数量区间内;

30、所述第一数量区间中的区间最小值大于或等于所述第二数量区间的区间最小值。

31、如此,在进行鸟瞰视角网格的选择性筛选时,将鸟瞰视角网格内整体的点云分布数量、点云分布位置和鸟瞰视角网格内分布在网格中心的点云数量三项中的至少一项作为鸟瞰视角网格的筛选依据,提高了鸟瞰视角网格的点云特征提取准确性。

32、第二方面,本技术还提供了一种车辆感知检测装置,所述装置包括:

33、获取模块,用于获取车辆所在鸟瞰视角空间中各鸟瞰视角网格的感知数据;

34、特征提取模块,用于针对每个鸟瞰视角网格,基于所述鸟瞰视角网格所在的距离范围区间对所述鸟瞰视角网格的感知数据进行特征提取,得到所述鸟瞰视角网格的网格特征,其中,所述距离范围区间包括所述鸟瞰视角网格与车辆之间的距离所在的区间;

35、特征构建模块,用于根据各所述鸟瞰视角网格的网格特征,构建鸟瞰视角空间特征;

36、检测模块,用于根据所述鸟瞰视角空间特征,对所述鸟瞰视角空间进行感知检测,得到感知检测结果,所述感知检测结果用于表征所述鸟瞰视角空间中各感知目标的位置信息和类型中的至少一种。

37、第三方面,本技术还提供了一种车辆,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一方面的方法的步骤。

38、第四方面,本技术还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一方面的方法的步骤。

39、第五方面,本技术还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述任一方面的方法的步骤。

40、关于上述第二方面至第五方面中任一技术方案的有益效果,可参照第一方面中的对应技术方案的有益效果,重复之处此处不再列举。