障碍物类型的识别方法、装置及电子设备与流程
本申请涉及计算机技术领域，尤其涉及自动驾驶技术领域，提出一种障碍物类型的识别方法、装置及电子设备。
背景技术：
自动驾驶车辆主要依靠车内的信息处理系统对车辆的运动进行控制。车内的信息处理系统主要包括环境感知系统、路径规划系统以及决策控制系统。为了保证车辆安全，环境感知系统需要有较高的准确性，准确描述车辆周围的环境，并正确生成环境地图，从而保证路径规划和决策控制系统的准确性。在环境感知系统中，自动驾驶车辆主要依靠各类传感器对周围障碍物进行检测，常用的传感器主要包括激光雷达、毫米波雷达、超声波雷达、视觉相机等。
相关技术中，毫米波雷达感知技术在自动驾驶环境感知系统中的应用逐渐普及。但是，由于毫米波雷达的物理特性，造成毫米波雷达的检测结果中包含大量虚拟障碍物，从而导致障碍物检测的准确性较低。
技术实现要素：
本申请提出的障碍物类型的识别方法、装置及电子设备，用于解决相关技术中，由于毫米波雷达的物理特性，造成毫米波雷达的检测结果中包含大量虚拟障碍物，从而导致障碍物检测的准确性较低的问题。
本申请一方面实施例提出的障碍物类型的识别方法，包括：获取车辆中雷达的检测数据；根据所述雷达的检测数据判断车辆前方是否有障碍物；如果检测到所述车辆前方有障碍物，则对所述障碍物的检测数据进行跟踪，以生成所述障碍物的跟踪信息；以及利用目标分类模型对所述跟踪信息进行识别处理，以确定所述障碍物的类型。
本申请另一方面实施例提出的障碍物类型的识别装置，包括：第一获取模块，用于获取车辆中雷达的检测数据；判断模块，用于根据所述雷达的检测数据判断车辆前方是否有障碍物；第一跟踪模块，用于如果检测到所述车辆前方有障碍物，则对所述障碍物的检测数据进行跟踪，以生成所述障碍物的跟踪信息；以及第一确定模块，用于利用目标分类模型对所述跟踪信息进行识别处理，以确定所述障碍物的类型。
本申请再一方面实施例提出的电子设备，其包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如前所述的障碍物类型的识别方法。
本申请又一方面实施例提出的存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行如前所述的障碍物类型的识别方法。
上述申请中的任一个实施例具有如下优点或有益效果：通过利用目标分类模型对雷达检测到的障碍物的跟踪信息进行识别处理，以对雷达检测到的障碍物的类型进行判别，从而有效滤除了检测结果中的虚拟障碍物，提高了雷达的检测精度及自动驾驶车辆的整体环境感知能力。因为采用了获取车辆中雷达的检测数据，并根据雷达的检测数据判断车辆前方是否有障碍物，如果检测到车辆前方有障碍物，则对障碍物的检测数据进行跟踪，以生成障碍物的跟踪信息，进而利用目标分类模型对跟踪信息进行识别处理，以确定障碍物的类型的技术手段，所以克服了毫米波雷达的检测结果中包含大量虚拟障碍物，从而导致障碍物检测的准确性较低的问题，进而达到了有效滤除检测结果中的虚拟障碍物，提高雷达的检测精度及自动驾驶车辆的整体环境感知能力的技术效果。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1为本申请实施例所提供的一种障碍物类型的识别方法的流程示意图；
图2为本申请实施例所提供的另一种障碍物类型的识别方法的流程示意图；
图3为本申请实施例提供的一种障碍物类型的识别装置的结构示意图；
图4为本申请实施例提供的电子设备的结构示意图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
本申请实施例针对相关技术中，由于毫米波雷达的物理特性，造成毫米波雷达的检测结果中包含大量虚拟障碍物，从而导致障碍物检测的准确性较低的问题，提出一种障碍物类型的识别方法。
下面参考附图对本申请提供的障碍物类型的识别方法、装置、电子设备及存储介质进行详细描述。
下面结合图1，对本申请实施例提供的障碍物类型的识别方法进行详细说明。
图1为本申请实施例所提供的一种障碍物类型的识别方法的流程示意图。
如图1所示，该障碍物类型的识别方法，包括以下步骤：
步骤101，获取车辆中雷达的检测数据。
其中，雷达的检测数据，是指车辆中的雷达对车辆周围的环境信息进行探测而搜集到的数据。比如，雷达的检测数据中可以包括车辆前方是否包含障碍物，以及障碍物的具体位置及类型等信息。
作为一种可能的实现方式，雷达的检测数据中可以包括对障碍物检测数据。其中，障碍物的检测数据中可以包括障碍物的位置、速度、测量不确定度和散射截面积之中的至少一种数据。
在本申请实施例中，本申请实施例的障碍物类型的识别方法，可以由本申请实施例的障碍物类型的识别装置执行，本申请实施例的障碍物类型的识别装置可以配置在车辆的决策控制系统中，从而车辆的决策控制系统可以实时获取雷达的检测数据。
需要说明的是，本申请实施例的障碍物类型的识别方法，可以应用于任意需要对雷达的障碍物检测结果进行校正或筛选的场景。作为一种可能的实现方式，本申请实施例中的雷达可以为毫米波雷达，本申请实施例的障碍物类型的识别方法，可以用于对毫米波雷达检测结果中的虚拟障碍物进行识别。
步骤102，根据雷达的检测数据判断车辆前方是否有障碍物。
在本申请实施例中，获取到雷达的检测数据之后，可以首先根据雷达的检测数据判断车辆前方是否有障碍物。若不存在障碍物，则可以结束本次障碍物类型的识别过程，并重新获取雷达的检测数据；若存在障碍物，则可以对雷达的检测数据中包含的障碍物类型进行识别处理。
步骤103，如果检测到车辆前方有障碍物，则对障碍物的检测数据进行跟踪，以生成障碍物的跟踪信息。
其中，对障碍物的检测数据进行跟踪，是指确定包含该障碍物的雷达图像帧的过程。
需要说明的是，若车辆前方有多个障碍物，则可以分别对每个障碍物的检测数据进行跟踪，以生成每个障碍物的跟踪信息。以下以对一个障碍物的检测数据进行跟踪的过程，进行具体说明。
作为一种可能的实现方式，上述步骤103，可以包括：
确定包含障碍物的目标帧；
对每个目标帧中对应的障碍物的检测数据进行滑动平均处理，确定障碍物的检测数据对应的滑动平均值；
根据滑动平均值，生成障碍物的跟踪信息。
在本申请实施例中，雷达发射机可以以预设的时间间隔发射无线电波，雷达接收机接收散射回波以生成雷达图像帧，雷达可以对接收机生成的雷达图像帧进行处理，以生成每帧雷达图像帧对应的检测数据。因此，可以根据获取到的障碍物的检测数据与各帧雷达图像帧对应的检测数据之间的匹配度，确定包含该障碍物的雷达图像帧，即确定包含该障碍物的目标帧。
在确定出包含该障碍物的目标帧之后，可以对每个目标帧中对应的该障碍物的检测数据进行滑动平均处理，以确定该障碍物的检测数据对应的滑动平均值，进而将该障碍物的检测数据的滑动平均值，确定为障碍物的跟踪信息。
举例来说，障碍物的检测数据中包括障碍物的位置、速度、测量不确定度和散射截面积等维度的数据，当前获取到的障碍物的检测数据为(a1,b1,c1,d1)，其中，a1为障碍物的位置，b1为障碍物的速度，c1为障碍物的测量不确定度，d1为障碍物的散射截面积，进而根据该障碍物的检测数据与各帧雷达图像帧中包括的各障碍物的检测数据的匹配度，确定包含该障碍物的目标帧为第1帧、第2帧、第3帧、第4帧雷达图像帧，且第1帧雷达图像帧中与检测数据(a1,b1,c1,d1)匹配的检测数据为(a1,b1,c1,d1)，第2帧雷达图像帧中与检测数据(a1,b1,c1,d1)匹配的检测数据为(a2,b2,c2,d2)，第3帧雷达图像帧中与检测数据(a1,b1,c1,d1)匹配的检测数据为(a3,b3,c3,d3)，第4帧雷达图像帧中与检测数据(a1,b1,c1,d1)匹配的检测数据为(a4,b4,c4,d4)，并且，a1、a2、a3与a4的滑动平均值为
进一步的，障碍物的跟踪信息中还可以包括对障碍物的跟踪时间。即在本申请实施例一种可能的实现形式中，上述生成障碍物的跟踪信息之前，还可以包括：
根据目标帧的数量及帧间时间间隔，确定跟踪时间；
相应的，上述生成障碍物的跟踪信息，可以包括：
根据滑动平均值及跟踪时间，生成障碍物的跟踪信息。
其中，帧间时间间隔，是指雷达发射无线电波的时间间隔。比如，雷达发射无线电波的时间间隔为0.1秒，则帧间时间间隔也为0.1秒。
在本申请实施例中，障碍物的跟踪时间，可以根据该障碍物对应的目标帧的数量及帧间时间间隔确定。具体的，障碍物的跟踪时间t＝(n-1)×t，其中，n为目标帧的数量，t为帧间时间间隔。
在确定出障碍物的跟踪时间之后，可以根据障碍物的检测数据对应的滑动平均值及跟踪时间，共同生成障碍物的跟踪信息。
举例来说，障碍物的检测数据对应的滑动平均值为
步骤104，利用目标分类模型对跟踪信息进行识别处理，以确定障碍物的类型。
在本申请实施例中，可以根据障碍物的类型与跟踪信息先验知识，训练目标分类模型，从而在确定出障碍物的跟踪信息之后，可以将障碍物的跟踪信息输入目标分类模型，以利用目标分类模型对障碍物的跟踪信息进行识别处理，并输出障碍物的类型。
举例来说，本申请实施例的障碍物类型的识别方法用于对虚拟障碍物进行识别的场景时，可以获取大量障碍物的跟踪信息，并对每个跟踪信息进行虚拟障碍物和真实障碍物的标注，进而利用标注后的跟踪信息训练出目标分类模型，从而目标分类模型可以对输入的障碍物的跟踪信息进行识别，并确定出该障碍物的跟踪信息对应的障碍物类型是否为虚拟障碍物。
根据本申请实施例的技术方案，通过获取车辆中雷达的检测数据，并根据雷达的检测数据判断车辆前方是否有障碍物，如果检测到车辆前方有障碍物，则对障碍物的检测数据进行跟踪，以生成障碍物的跟踪信息，进而利用目标分类模型对跟踪信息进行识别处理，以确定障碍物的类型。由此，通过利用目标分类模型对雷达检测到的障碍物的跟踪信息进行识别处理，以对雷达检测到的障碍物的类型进行判别，从而有效滤除了检测结果中的虚拟障碍物，提高了雷达的检测精度及自动驾驶车辆的整体环境感知能力。
在本申请一种可能的实现形式中，可以利用激光雷达对障碍物的检测结果，对毫米波雷达的跟踪信息进行标注，进而利用标注后的跟踪信息训练目标分类模型。
下面结合图2，对本申请实施例提供的障碍物类型的识别方法进行进一步说明。
图2为本申请实施例所提供的另一种障碍物类型的识别方法的流程示意图。
如图2所示，该障碍物类型的识别方法，包括以下步骤：
步骤201，利用激光雷达对样本障碍物进行检测，以获取样本障碍物的实际信息。
其中，样本障碍物，可以是为了搜集训练数据所设置的固定障碍物，也可以是在训练数据搜集阶段车辆中的激光雷达所检测到的障碍物。
在本申请实施例中，可以在车辆中同时安装激光雷达和毫米波雷达，并控制车辆在路段中行驶一段时间，同时在车辆行驶过程中控制激光雷达和毫米波雷达同时对车辆周围的环境进行检测。
需要说明的是，由于激光雷达的检测结果非常准确，从而可以将激光雷达对样本障碍物的检测结果，确定为样本障碍物的实际信息。
步骤202，获取毫米波雷达对样本障碍物的检测数据，并对样本障碍物的检测数据进行跟踪，以生成样本跟踪信息。
在本申请实施例中，可以对毫米波雷达获取的对每个样本障碍物的检测数据进行跟踪，以生成每个样本障碍物的样本跟踪信息。需要说明的是，生成样本障碍物的样本跟踪信息的过程与前述生成障碍物的跟踪信息的过程相同，此处不再赘述。
步骤203，根据样本障碍物的实际信息及样本跟踪信息，对预设的分类模型进行训练，以生成目标分类模型。
在本申请实施例中，可以首先根据每个样本障碍物的样本跟踪信息，分别与每个样本障碍物的实际信息的匹配度，对每个样本障碍物的样本跟踪信息进行标注，进而利用标注后的样本跟踪信息对预设的分类模型进行训练。即在本申请实施例一种可能的实现形式中，上述步骤203，可以包括：
根据样本障碍物的实际信息与样本跟踪信息的匹配度，对样本跟踪信息对应的障碍物类型进行标注；
利用标注后的样本跟踪信息对预设的分类模型进行训练，以生成目标分类模型。
作为一种可能的实现方式，对于毫米波雷达检测到的任一个样本障碍物的样本跟踪信息，可以计算该样本障碍物的样本跟踪信息与每个样本障碍物的实际信息的匹配度，并在样本障碍物的样本跟踪信息与任一个样本障碍物的实际信息的匹配度大于匹配度阈值时，确定毫米波雷达检测到的该样本障碍物为实际障碍物，并采用第一预设值对该样本障碍物的样本跟踪信息进行标注；若该样本障碍物的样本跟踪信息与所有样本障碍物的实际信息均不匹配，则可以确定毫米波雷达检测到的该样本障碍物为虚拟障碍物，并采用第二预设值对该样本障碍物的样本跟踪信息进行标注，从而完成对毫米波雷达检测到的每个样本障碍物的样本跟踪信息的标注。
举例来说，匹配度阈值为0.8，第一预设值为1，第二预设值为0，毫米波雷达检测到的一个样本障碍物的样本跟踪信息为[x1,x2,…,xn]。若该样本跟踪信息与样本障碍物a的实际信息的匹配度为0.9，则可以采用第一预设值对该样本跟踪信息进行标注，即标注后的样本跟踪信息为[x1,x2,…,xn,1]；若该样本跟踪信息与所有样本障碍物的实际信息的匹配度均小于0.8，则可以采用第二预设值对该样本跟踪信息进行标注，即标注后的样本跟踪信息为[x1,x2,…,xn,0]。
作为一种可能的实现方式，预设的分类模型可以为
在本申请实施例中，对预设的分类模型进行训练的过程，即是根据各标注后的样本跟踪信息，确定模型参数a1～an的过程。因此，在对毫米波雷达检测到的每个样本障碍物的样本跟踪信息进行标注之后，可以将每个标注后的样本跟踪信息，代入公式
步骤204，获取车辆中毫米波雷达的检测数据。
步骤205，根据毫米波雷达的检测数据判断车辆前方是否有障碍物。
步骤206，如果检测到车辆前方有障碍物，则对障碍物的检测数据进行跟踪，以生成障碍物的跟踪信息。
上述步骤204-206的具体实现过程及原理，可以参照上述实施例的详细描述，此处不再赘述。
步骤207，利用目标分类模型对跟踪信息进行识别处理，以确定障碍物的类型。
在本申请实施例中，利用上述方式训练出目标分类模型之后，可以在毫米波雷达检测到障碍物时，将障碍物的跟踪信息输入目标分类模型，即将障碍物的跟踪信息代入公式
需要说明的是，障碍物对应的y值越大，则说明该障碍物为真实障碍物的概率越大；障碍物对应的y值越小，则说明该障碍物为虚拟障碍物的概率越大。从而，在本申请实施例中，可以预设置信度阈值，若障碍物对应的y值大于或等于置信度阈值，则可以确定该障碍物的类型为真实障碍物；若障碍物对应的y值小于置信度阈值，则可以确定该障碍物的类型为虚拟障碍物。
实际使用时，可以根据实际需要预设置信度阈值的具体取值，本申请实施例对此不做限定。比如，置信度阈值可以为0.5。
根据本申请实施例的技术方案，通过利用激光雷达对样本障碍物进行检测，以获取样本障碍物的实际信息，并获取毫米波雷达对样本障碍物的检测数据，以及对样本障碍物的检测数据进行跟踪，以生成样本跟踪信息，之后根据样本障碍物的实际信息及样本跟踪信息，对预设的分类模型进行训练，以生成目标分类模型，进而在实际使用时，对毫米波雷达检测到的障碍物的检测数据进行跟踪，以生成障碍物的跟踪信息，以利用目标分类模型对跟踪信息进行识别处理，确定障碍物的类型。由此，通过利用激光雷达的检测结果对毫米波雷达的各跟踪信息进行真实障碍物或虚拟障碍物标注，并利用标注后的数据对预设的分类模型进行训练，以利用训练后的目标分类模型识别毫米波雷达检测到的各障碍物中包含的虚拟障碍物，从而有效抑制毫米波雷达检测结果中的虚拟障碍物，提高了毫米波雷达的检测精度及自动驾驶车辆的整体环境感知能力。
为了实现上述实施例，本申请还提出一种障碍物类型的识别装置。
图3为本申请实施例提供的一种障碍物类型的识别装置的结构示意图。
如图3所示，该障碍物类型的识别装置30，包括：
第一获取模块31，用于获取车辆中雷达的检测数据；
判断模块32，用于根据雷达的检测数据判断车辆前方是否有障碍物；
第一跟踪模块33，用于如果检测到车辆前方有障碍物，则对障碍物的检测数据进行跟踪，以生成障碍物的跟踪信息；以及
第一确定模块34，用于利用目标分类模型对跟踪信息进行识别处理，以确定障碍物的类型。
在实际使用时，本申请实施例提供的障碍物类型的识别装置，可以被配置在任意电子设备中，以执行前述障碍物类型的识别方法。
根据本申请实施例的技术方案，通过获取车辆中雷达的检测数据，并根据雷达的检测数据判断车辆前方是否有障碍物，如果检测到车辆前方有障碍物，则对障碍物的检测数据进行跟踪，以生成障碍物的跟踪信息，进而利用目标分类模型对跟踪信息进行识别处理，以确定障碍物的类型。由此，通过利用目标分类模型对雷达检测到的障碍物的跟踪信息进行识别处理，以对雷达检测到的障碍物的类型进行判别，从而有效滤除了检测结果中的虚拟障碍物，提高了雷达的检测精度及自动驾驶车辆的整体环境感知能力。
在本申请一种可能的实现形式中，上述车辆中的雷达为毫米波雷达，上述车辆中还包括激光雷达，相应的，上述障碍物类型的识别装置30，还包括：
第二获取模块，用于利用激光雷达对样本障碍物进行检测，以获取样本障碍物的实际信息；
第二跟踪模块，用于获取毫米波雷达对样本障碍物的检测数据，并对样本障碍物的检测数据进行跟踪，以生成样本跟踪信息；
训练模块，用于根据样本障碍物的实际信息及样本跟踪信息，对预设的分类模型进行训练，以生成目标分类模型。
进一步的，在本申请另一种可能的实现形式中，上述训练模块，具体用于：
根据样本障碍物的实际信息与样本跟踪信息的匹配度，对样本跟踪信息对应的障碍物类型进行标注；
利用标注后的样本跟踪信息对预设的分类模型进行训练，以生成目标分类模型。
进一步的，在本申请再一种可能的实现形式中，上述预设的分类模型为
进一步的，在本申请又一种可能的实现形式中，上述第一跟踪模块33，具体用于：
确定包含障碍物的目标帧；
对每个目标帧中对应的障碍物的检测数据进行滑动平均处理，确定障碍物的检测数据对应的滑动平均值；
根据滑动平均值，生成障碍物的跟踪信息。
进一步的，在本申请又一种可能的实现形式中，上述障碍物的跟踪信息中还包括跟踪时间；相应的，障碍物类型的识别装置30，还包括：
第二确定模块，用于根据目标帧的数量及帧间时间间隔，确定跟踪时间；
相应的，上述第一跟踪模块33，还用于：
根据滑动平均值及跟踪时间，生成障碍物的跟踪信息。
进一步的，在本申请另一种可能的实现形式中，上述障碍物的检测数据包括障碍物的位置、速度、测量不确定度和散射截面积之中的至少一种。
需要说明的是，前述对图1、图2所示的障碍物类型的识别方法实施例的解释说明也适用于该实施例的障碍物类型的识别装置30，此处不再赘述。
根据本申请实施例的技术方案，通过利用激光雷达对样本障碍物进行检测，以获取样本障碍物的实际信息，并获取毫米波雷达对样本障碍物的检测数据，以及对样本障碍物的检测数据进行跟踪，以生成样本跟踪信息，之后根据样本障碍物的实际信息及样本跟踪信息，对预设的分类模型进行训练，以生成目标分类模型，进而在实际使用时，对毫米波雷达检测到的障碍物的检测数据进行跟踪，以生成障碍物的跟踪信息，以利用目标分类模型对跟踪信息进行识别处理，确定障碍物的类型。由此，通过利用激光雷达的检测结果对毫米波雷达的各跟踪信息进行真实障碍物或虚拟障碍物标注，并利用标注后的数据对预设的分类模型进行训练，以利用训练后的目标分类模型识别毫米波雷达检测到的各障碍物中包含的虚拟障碍物，从而有效抑制毫米波雷达检测结果中的虚拟障碍物，提高了毫米波雷达的检测精度及自动驾驶车辆的整体环境感知能力。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图4所示，是根据本申请实施例的障碍物类型的识别方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图4所示，该电子设备包括：一个或多个处理器401、存储器402，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示gui的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个电子设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图4中以一个处理器401为例。
存储器402即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的障碍物类型的识别方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的障碍物类型的识别方法。
存储器402作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的障碍物类型的识别方法对应的程序指令/模块(例如，附图3所示的第一获取模块31、判断模块32、第一跟踪模块33及第一确定模块34)。处理器401通过运行存储在存储器402中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的障碍物类型的识别方法。
存储器402可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据障碍物类型的识别方法的电子设备的使用所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器402可选包括相对于处理器401远程设置的存储器，这些远程存储器可以通过网络连接至障碍物类型的识别方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
障碍物类型的识别方法的电子设备还可以包括：输入装置403和输出装置404。处理器401、存储器402、输入装置403和输出装置404可以通过总线或者其他方式连接，图4中以通过总线连接为例。
输入装置403可接收输入的数字或字符信息，以及产生与障碍物类型的识别方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置404可以包括显示设备、辅助照明装置(例如，led)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(lcd)、发光二极管(led)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用asic(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(pld))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案，通过获取车辆中雷达的检测数据，并根据雷达的检测数据判断车辆前方是否有障碍物，如果检测到车辆前方有障碍物，则对障碍物的检测数据进行跟踪，以生成障碍物的跟踪信息，进而利用目标分类模型对跟踪信息进行识别处理，以确定障碍物的类型。由此，通过利用目标分类模型对雷达检测到的障碍物的跟踪信息进行识别处理，以对雷达检测到的障碍物的类型进行判别，从而有效滤除了检测结果中的虚拟障碍物，提高了雷达的检测精度及自动驾驶车辆的整体环境感知能力。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
- 还没有人留言评论。精彩留言会获得点赞！