障碍物检测方法、装置、车辆及存储介质与流程

1.本公开涉及自动驾驶技术领域，尤其涉及一种障碍物检测方法、装置、车辆及存储介质。


背景技术：

2.在自动驾驶场景中，为了确保其安全性能，避免与前车进行碰撞；或是在实现自适应巡航(adaptive cruise control,acc)功能时,路径中最近车辆(closest in path vehicle，cipv)的检测显得尤为重要。相关技术中，检测路径中最近车辆的方式大多数都是对图像中的车辆进行检测，并同时检测车道线，通过计算车辆与自行的车道的关系进行路径中最近车辆的检测判定，检测繁琐。


技术实现要素：

3.为克服相关技术中存在的问题，本公开提供一种障碍物检测方法、装置、车辆及存储介质。
4.根据本公开实施例的第一方面，提供一种障碍物检测方法，包括：
5.获取待检测图像中障碍物的图像特征，所述待检测图像是通过车辆上的图像采集设备采集的；
6.获取所述障碍物在所述图像采集设备的三维坐标系下的三维位置信息；
7.将所述图像特征和三维位置信息输入第一预设检测网络，得到所述第一预设检测网络输出的分类结果，所述分类结果表征所述障碍物是否是所述车辆的路径中最近障碍物。
8.可选地，所述获取待检测图像中障碍物的图像特征包括：
9.将所述待检测图像输入骨干网络和第二预设检测网络，获取所述骨干网络输出的所述待检测图像的全局图像特征，及获取所述第一预设检测网络输出的所述待检测图像中障碍物的二维位置信息；
10.根据所述二维位置信息从所述全局图像特征中选取所述待检测图像中障碍物的图像特征。
11.可选地，所述获取所述障碍物在所述图像采集设备的三维坐标系下的三维位置信息包括：
12.根据所述二维位置信息和所述图像采集设备的内参矩阵，获取所述障碍物在所述图像采集设备的三维坐标系下的三维位置信息。
13.可选地，所述骨干网络、第二预设检测网络和第一预设检测网络是通过以下方式训练得到的：
14.针对训练集内的每张图像，根据用户输入的标注指令对该图像中的各障碍物进行标注，所述标注指令用于描述该图像中各障碍物的矩形框和各障碍物的分类标签，所述分类标签包括是路径中最近障碍物或不是路径中最近障碍物；
15.根据所述训练集和损失函数训练，得到所述骨干网络、第二预设检测网络和第一预设检测网络；
16.其中，所述损失函数为能调整所述训练集内正样本和负样本分类不均衡的损失函数，其中正样本为是路径中最近障碍物的障碍物，负样本为不是路径中最近障碍物的障碍物。
17.可选地，所述损失函数的计算公式为：
18.fl(pt)＝-at(1-pt)
γ
log(pt)
19.其中，pt所述第二预设检测网络输出的分类结果，γ为均衡难分样本的超参数，at为均衡正负样本不均衡的超参数，fl(pt)为损失函数的输出。
20.根据本公开实施例的第二方面，提供一种障碍物检测装置，包括：
21.障碍物图像特征获取模块，被配置为获取待检测图像中障碍物的图像特征，所述待检测图像是通过车辆上的图像采集设备采集的；
22.三维位置信息获取模块，被配置为获取所述障碍物在所述图像采集设备的三维坐标系下的三维位置信息；
23.分类模块，被配置为将所述图像特征和三维位置信息输入第一预设检测网络，得到所述第一预设检测网络输出的分类结果，所述分类结果表征所述障碍物是否是所述车辆的路径中最近障碍物。
24.可选地，所述障碍物图像特征获取模块包括：
25.特征输出子模块，被配置为将所述待检测图像输入骨干网络和第二预设检测网络，获取所述骨干网络输出的所述待检测图像的全局图像特征，及获取所述第一预设检测网络输出的所述待检测图像中障碍物的二维位置信息；
26.选取子模块，被配置为根据所述二维位置信息从所述全局图像特征中选取所述待检测图像中障碍物的图像特征。
27.可选地，所述三维位置信息获取模块具体被配置为，根据所述二维位置信息和所述图像采集设备的内参矩阵，获取所述障碍物在所述图像采集设备的三维坐标系下的三维位置信息。
28.根据本公开实施例的第三方面，提供一种车辆，包括：
29.处理器；
30.用于存储处理器可执行指令的存储器；
31.其中，所述处理器被配置为：
32.实现本公开实施例第一方面所提供的障碍物检测方法的步骤。
33.根据本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被第一处理器执行时实现本公开实施例第一方面所提供的障碍物检测方法的步骤。
34.本公开的实施例提供的技术方案可以包括以下有益效果：
35.通过第一预设检测网络对障碍物的图像特征及三维位置进行学习，输出分类结果。在应用时，针对待检测图像，将该待检测图像中各障碍物的图像特征和三维位置信息输入第一预设检测网络，即可获得所述待检测图像中各障碍物的分类结果，实现判定所述待检测图像中各障碍物是否为车辆的路径中最近障碍物。因此，本公开提供的方案隐性地对
车道线和障碍物的关系进行学习，并在学习过程中加入了障碍物在图像采集设备坐标系下的三维位置信息，实现了路径中最近障碍物的检测。由于其是直接通过网络学习、直接根据学习网络判定所述检测图像中各障碍物是否为车辆的路径中最近障碍物，不用识别车道线及对自车道的车进行距离计算，检测简洁。
36.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
37.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
38.图1是根据一示例性实施例示出的一种障碍物检测方法的流程图。
39.图2是根据一示例性实施例示出的一种障碍物检测方法的逻辑示意图。
40.图3是根据一示例性实施例示出的一种障碍物检测装置的框图。
41.图4是一示例性实施例示出的一种车辆的框图。
具体实施方式
42.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
43.图1是根据一示例性实施例示出的一种障碍物检测方法的流程图。该障碍物检测方法可以应用于自动驾驶、自适应巡航(adaptive cruise control,acc)等。如图1所示，所述障碍物检测方法包括以下步骤。
44.在步骤s11中，获取待检测图像中障碍物的图像特征，所述待检测图像是通过车辆上的图像采集设备采集的。
45.其中，待检测图像中障碍物的图像特征可以通过深度学习网络获得。在车辆进行自动驾驶、自适应巡航中，障碍物可以是车辆，如小客车、大货车、私家车、摩托车等。待检测图像可以安装于自动驾驶、自适应巡航的车辆的图像采集设备采集的。该图像采集设备可以是行车记录仪、摄像机、照相机等。
46.在步骤s12中，获取所述障碍物在所述图像采集设备的三维坐标系下的三维位置信息。
47.其中，图像采集设备的三维坐标系是指以图像采集设备的聚焦中心为原点，以光轴为z轴(深度坐标轴)所建立的三维坐标系。
48.在步骤s13中，将所述图像特征和三维位置信息输入第一预设检测网络，得到所述第一预设检测网络输出的分类结果，所述分类结果表征所述障碍物是否是所述车辆的路径中最近障碍物。
49.其中，将所述图像特征和三维位置信息输入第一预设检测网络可以是，将图像特征和三维位置信息拼接后，再输入第一预设检测网络。分类结果可以为是所述车辆的路径中最近障碍物的概率。即对于一个障碍物，其分类结果为80％，表示该障碍物是所述车辆的
路径中最近障碍物的概率为80％。显而易见，所述分类结果还可以为；不是所述车辆的路径中最近障碍物的概率；还可以为是否是所述车辆的路径中最近障碍物的分类标签(如该分类标签可以用1和0表示，1表示该障碍物是所述车辆的路径中最近障碍物，0表示该障碍物不是所述车辆的路径中最近障碍物。
50.本公开提供的技术方案，通过第一预设检测网络对障碍物的图像特征及三维位置进行学习，输出分类结果。在应用时，针对待检测图像，将该待检测图像中各障碍物的图像特征和三维位置信息输入第一预设检测网络，即可获得所述待检测图像中各障碍物的分类结果，实现判定所述待检测图像中各障碍物是否为车辆的路径中最近障碍物。因此，本公开提供的方案隐性地对车道线和障碍物的关系进行学习，并在学习过程中加入了障碍物在图像采集设备坐标系下的三维位置信息，实现了路径中最近障碍物的检测。由于其是直接通过网络学习、直接根据学习网络判定所述检测图像中各障碍物是否为车辆的路径中最近障碍物，不用识别车道线及对自车道的车进行距离计算，检测简洁。
51.图2是根据一示例性实施例示出的一种障碍物检测方法的逻辑示意图。如图2所示，可选地，步骤s11包括：
52.将所述待检测图像输入骨干网络和第二预设检测网络，获取所述骨干网络输出的所述待检测图像的全局图像特征，及获取所述第一预设检测网络输出的所述待检测图像中障碍物的二维位置信息。
53.其中，骨干网络可以采用dla34网络等,第二预设检测网络可以使用简单的全连接网络。所述二维位置信息可以为第二预设检测网络预测的障碍物的矩形框的二维位置信息。其中，矩形框的二维位置信息为待检测图像的二维坐标系下矩形框的二维位置信息，可以用该矩形框的左上角点二维坐标和右下角点二维坐标表示。其中待检测图像的二维坐标系是指，以待检测图像中某像素点为坐标原点，建立的二维坐标系，该二维坐标系所在的平面与待检测图像所在的平面相同。
54.根据所述二维位置信息从所述全局图像特征中选取所述待检测图像中障碍物的图像特征。
55.通过上述技术方案，可以根据第一预设检测网络输出的障碍物的二维位置信息，在骨干网络输出的全局图像特征中选取得到障碍物的图像特征。
56.可选地，步骤s12包括：
57.根据所述二维位置信息和所述图像采集设备的内参矩阵，获取所述障碍物在所述图像采集设备的三维坐标系下的三维位置信息。
58.上述步骤的计算公式如下：
[0059][0060]
公式(1)中，x、y、z分别表示障碍物的一像素点在所述图像采集设备的三维坐标系下的横坐标、纵坐标和深度坐标；为所述图像采集设备的内参矩阵
的变形，fx代表图像采集设备的焦距f在二维坐标系的横轴上缩放后的参数，fy代表图像采集设备的焦距f在二维坐标系的纵轴上缩放后的参数，cx代表图像采集设备的三维坐标系原点在二维坐标系的横轴上的平移，cy代表图像采集设备的三维坐标系原点在二维坐标系的纵轴上的平移，u为障碍物的一像素点在待检测图像的二维坐标系下的横坐标，v为障碍物的一像素点在待检测图像的二维坐标系下的纵坐标。
[0061]
由公式(1)可以看出，在u、v已知的情况下，可以获得x、y、z。
[0062]
可选地，所述骨干网络、第二预设检测网络和第一预设检测网络是通过以下方式训练得到的：
[0063]
针对训练集内的每张图像，根据用户输入的标注指令对该图像中的各障碍物进行标注，所述标注指令用于描述该图像中各障碍物的矩形框和各障碍物的分类标签，所述分类标签包括是路径中最近障碍物或不是路径中最近障碍物。
[0064]
根据所述训练集和损失函数训练，得到所述骨干网络、第二预设检测网络和第一预设检测网络。
[0065]
其中，所述损失函数为能调整所述训练集内正样本和负样本分类不均衡的损失函数，其中正样本为是路径中最近障碍物的障碍物，负样本为不是路径中最近障碍物的障碍物。
[0066]
通过上述技术方案，对骨干网络、第二预设检测网络和第一预设检测网络基于训练集和损失函数一起训练，该损失函数能调整所述训练集内正样本和负样本分类不均衡，提高骨干网络、第二预设检测网络和第一预设检测网络的检测准确度。
[0067]
可选地，所述损失函数的计算公式为：
[0068]
fl(pt)＝-at(1-pt)
γ
log(pt)
ꢀꢀꢀꢀ
(公式2)
[0069]
公式(2)中，pt所述第二预设检测网络输出的分类结果，γ为均衡难分样本的超参数，at为均衡正负样本不均衡的超参数，fl(pt)为损失函数的输出。
[0070]
其中，at可以根据正样本和负样本的比例确定的，例如在一实施方式中根据正样本和负样本的比例确定为0.25。γ取可以根据实验确定，例如在一实施方式中根据实验确定为2。
[0071]
基于上述技术构思，本公开还提供一种障碍物检测装置。图3是根据一示例性实施例示出的一种障碍物检测装置的框图。参照图3，该装置包括：障碍物图像特征获取模块11、三维位置信息获取模块12和分类模块13。
[0072]
障碍物图像特征获取模块11，被配置为获取待检测图像中障碍物的图像特征，所述待检测图像是通过车辆上的图像采集设备采集的；
[0073]
三维位置信息获取模块12，被配置为获取所述障碍物在所述图像采集设备的三维坐标系下的三维位置信息；
[0074]
分类模块13，被配置为将所述图像特征和三维位置信息输入第一预设检测网络，
得到所述第一预设检测网络输出的分类结果，所述分类结果表征所述障碍物是否是所述车辆的路径中最近障碍物。
[0075]
本公开提供的技术方案，通过第一预设检测网络对障碍物的图像特征及三维位置进行学习，输出分类结果。在应用时，针对待检测图像，将该待检测图像中各障碍物的图像特征和三维位置信息输入第一预设检测网络，即可获得所述待检测图像中各障碍物的分类结果，实现判定所述待检测图像中各障碍物是否为车辆的路径中最近障碍物。因此，本公开提供的方案隐性地对车道线和障碍物的关系进行学习，并在学习过程中加入了障碍物在图像采集设备坐标系下的三维位置信息，实现了路径中最近障碍物的检测。由于其是直接通过网络学习、直接根据学习网络判定所述检测图像中各障碍物是否为车辆的路径中最近障碍物，不用识别车道线及对自车道的车进行距离计算，检测简洁。
[0076]
可选地，所述障碍物图像特征获取模块包括：
[0077]
特征输出子模块，被配置为将所述待检测图像输入骨干网络和第二预设检测网络，获取所述骨干网络输出的所述待检测图像的全局图像特征，及获取所述第一预设检测网络输出的所述待检测图像中障碍物的二维位置信息；
[0078]
选取子模块，被配置为根据所述二维位置信息从所述全局图像特征中选取所述待检测图像中障碍物的图像特征。
[0079]
通过上述技术方案，可以根据第一预设检测网络输出的障碍物的二维位置信息，在骨干网络输出的全局图像特征中选取得到障碍物的图像特征。
[0080]
可选地，所述三维位置信息获取模块具体被配置为，根据所述二维位置信息和所述图像采集设备的内参矩阵，获取所述障碍物在所述图像采集设备的三维坐标系下的三维位置信息。
[0081]
可选地，所述装置还包括训练模块，所述训练模块被配置为：
[0082]
针对训练集内的每张图像，根据用户输入的标注指令对该图像中的各障碍物进行标注，所述标注指令用于描述该图像中各障碍物的矩形框和各障碍物的分类标签，所述分类标签包括是路径中最近障碍物或不是路径中最近障碍物。
[0083]
根据所述训练集和损失函数训练，得到所述骨干网络、第二预设检测网络和第一预设检测网络。
[0084]
其中，所述损失函数为能调整所述训练集内正样本和负样本分类不均衡的损失函数，其中正样本为是路径中最近障碍物的障碍物，负样本为不是路径中最近障碍物的障碍物。
[0085]
通过上述技术方案，对骨干网络、第二预设检测网络和第一预设检测网络基于训练集和损失函数一起训练，该损失函数能调整所述训练集内正样本和负样本分类不均衡，提高骨干网络、第二预设检测网络和第一预设检测网络的检测准确度。
[0086]
可选地，所述损失函数的计算公式为：
[0087]
fl)pt)＝-at(1-pt)
γ
log(pt)
ꢀꢀꢀꢀ
(公式2)
[0088]
公式(2)中，pt所述第二预设检测网络输出的分类结果，γ为均衡难分样本的超参数，at为均衡正负样本不均衡的超参数，fl(pt)为损失函数的输出。
[0089]
其中，at可以根据正样本和负样本的比例确定的，例如在一实施方式中根据正样本和负样本的比例确定为0.25。γ取可以根据实验确定，例如在一实施方式中根据实验确
定为2。
[0090]
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
[0091]
本公开还提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被第一处理器执行时实现本公开提供的障碍物检测方法的步骤。
[0092]
上述装置除了可以是独立的电子设备外，也可是独立电子设备的一部分，例如在一种实施例中，该装置可以是集成电路(integrated circuit，ic)或芯片，其中该集成电路可以是一个ic，也可以是多个ic的集合；该芯片可以包括但不限于以下种类：gpu(graphics processing unit，图形处理器)、cpu(central processing unit，中央处理器)、fpga(field programmable gate array，可编程逻辑阵列)、dsp(digital signal processor，数字信号处理器)、asic(application specific integrated circuit，专用集成电路)、soc(system on chip，soc，片上系统或系统级芯片)等。上述的集成电路或芯片中可以用于执行可执行指令(或代码)，以实现上述的障碍物检测方法。其中该可执行指令可以存储在该集成电路或芯片中，也可以从其他的装置或设备获取，例如该集成电路或芯片中包括第二处理器、第二存储器，以及用于与其他的装置通信的接口。该可执行指令可以存储于该第二存储器中，当该可执行指令被第二处理器执行时实现上述的障碍物检测方法；或者，该集成电路或芯片可以通过该接口接收可执行指令并传输给该第二处理器执行，以实现上述的障碍物检测方法。
[0093]
参阅图4，图4是一示例性实施例示出的一种车辆600的功能框图示意图。车辆600可以被配置为完全或部分自动驾驶模式。例如，车辆600可以通过感知系统620获取其周围的环境信息，并基于对周边环境信息的分析得到自动驾驶策略以实现完全自动驾驶，或者将分析结果呈现给用户以实现部分自动驾驶。
[0094]
车辆600可包括各种子系统，例如，信息娱乐系统610、感知系统620、决策控制系统630、驱动系统640以及计算平台650。可选的，车辆600可包括更多或更少的子系统，并且每个子系统都可包括多个部件。另外，车辆600的每个子系统和部件可以通过有线或者无线的方式实现互连。
[0095]
在一些实施例中，信息娱乐系统610可以包括通信系统611，娱乐系统612以及导航系统613。
[0096]
通信系统611可以包括无线通信系统，无线通信系统可以直接地或者经由通信网络来与一个或多个设备无线通信。例如，无线通信系统可使用3g蜂窝通信，例如cdma、evd0、gsm/gprs，或者4g蜂窝通信，例如lte。或者5g蜂窝通信。无线通信系统可利用wifi与无线局域网(wireless local area network，wlan)通信。在一些实施例中，无线通信系统可利用红外链路、蓝牙或zigbee与设备直接通信。其他无线协议，例如各种车辆通信系统，例如，无线通信系统可包括一个或多个专用短程通信(dedicated short range communications，dsrc)设备，这些设备可包括车辆和/或路边台站之间的公共和/或私有数据通信。
[0097]
娱乐系统612可以包括显示设备，麦克风和音响，用户可以基于娱乐系统在车内收听广播，播放音乐；或者将手机和车辆联通，在显示设备上实现手机的投屏，显示设备可以为触控式，用户可以通过触摸屏幕进行操作。
[0098]
在一些情况下，可以通过麦克风获取用户的语音信号，并依据对用户的语音信号
的分析实现用户对车辆600的某些控制，例如调节车内温度等。在另一些情况下，可以通过音响向用户播放音乐。
[0099]
导航系统613可以包括由地图供应商所提供的地图服务，从而为车辆600提供行驶路线的导航，导航系统613可以和车辆的全球定位系统621、惯性测量单元622配合使用。地图供应商所提供的地图服务可以为二维地图，也可以是高精地图。
[0100]
感知系统620可包括感测关于车辆600周边的环境的信息的若干种传感器。例如，感知系统620可包括全球定位系统621(全球定位系统可以是gps系统，也可以是北斗系统或者其他定位系统)、惯性测量单元(inertial measurement unit，imu)622、激光雷达623、毫米波雷达624、超声雷达625以及摄像装置626。感知系统620还可包括被监视车辆600的内部系统的传感器(例如，车内空气质量监测器、燃油量表、机油温度表等)。来自这些传感器中的一个或多个的传感器数据可用于检测对象及其相应特性(位置、形状、方向、速度等)。这种检测和识别是车辆600的安全操作的关键功能。
[0101]
全球定位系统621用于估计车辆600的地理位置。
[0102]
惯性测量单元622用于基于惯性加速度来感测车辆600的位姿变化。在一些实施例中，惯性测量单元622可以是加速度计和陀螺仪的组合。
[0103]
激光雷达623利用激光来感测车辆600所位于的环境中的物体。在一些实施例中，激光雷达623可包括一个或多个激光源、激光扫描器以及一个或多个检测器，以及其他系统组件。
[0104]
毫米波雷达624利用无线电信号来感测车辆600的周边环境内的物体。在一些实施例中，除了感测物体以外，毫米波雷达624还可用于感测物体的速度和/或前进方向。
[0105]
超声雷达625可以利用超声波信号来感测车辆600周围的物体。
[0106]
摄像装置626用于捕捉车辆600的周边环境的图像信息。摄像装置626可以包括单目相机、双目相机、结构光相机以及全景相机等，摄像装置626获取的图像信息可以包括静态图像，也可以包括视频流信息。
[0107]
决策控制系统630包括基于感知系统620所获取的信息进行分析决策的计算系统631，决策控制系统630还包括对车辆600的动力系统进行控制的整车控制器632，以及用于控制车辆600的转向系统633、油门634和制动系统635。
[0108]
计算系统631可以操作来处理和分析由感知系统620所获取的各种信息以便识别车辆600周边环境中的目标、物体和/或特征。目标可以包括行人或者动物，物体和/或特征可包括交通信号、道路边界和障碍物。计算系统631可使用物体识别算法、运动中恢复结构(structure from motion，sfm)算法、视频跟踪等技术。在一些实施例中，计算系统631可以用于为环境绘制地图、跟踪物体、估计物体的速度等等。计算系统631可以将所获取的各种信息进行分析并得出对车辆的控制策略。
[0109]
整车控制器632可以用于对车辆的动力电池和引擎641进行协调控制，以提升车辆600的动力性能。
[0110]
转向系统633可操作来调整车辆600的前进方向。例如在一个实施例中可以为方向盘系统。
[0111]
油门634用于控制引擎641的操作速度并进而控制车辆600的速度。
[0112]
制动系统635用于控制车辆600减速。制动系统635可使用摩擦力来减慢车轮644。
在一些实施例中，制动系统635可将车轮644的动能转换为电流。制动系统635也可采取其他形式来减慢车轮644转速从而控制车辆600的速度。
[0113]
驱动系统640可包括为车辆600提供动力运动的组件。在一个实施例中，驱动系统640可包括引擎641、能量源642、传动系统643和车轮644。引擎641可以是内燃机、电动机、空气压缩引擎或其他类型的引擎组合，例如汽油发动机和电动机组成的混动引擎，内燃引擎和空气压缩引擎组成的混动引擎。引擎641将能量源642转换成机械能量。
[0114]
能量源642的示例包括汽油、柴油、其他基于石油的燃料、丙烷、其他基于压缩气体的燃料、乙醇、太阳能电池板、电池和其他电力来源。能量源642也可以为车辆600的其他系统提供能量。
[0115]
传动系统643可以将来自引擎641的机械动力传送到车轮644。传动系统643可包括变速箱、差速器和驱动轴。在一个实施例中，传动系统643还可以包括其他器件，比如离合器。其中，驱动轴可包括可耦合到一个或多个车轮644的一个或多个轴。
[0116]
车辆600的部分或所有功能受计算平台650控制。计算平台650可包括至少一个处理器651，处理器651可以执行存储在例如存储器652这样的非暂态计算机可读介质中的指令653。在一些实施例中，计算平台650还可以是采用分布式方式控制车辆600的个体组件或子系统的多个计算设备。
[0117]
处理器651可以是任何常规的处理器，诸如商业可获得的cpu。可替换地，处理器651还可以包括诸如图像处理器(graphic process unit，gpu)，现场可编程门阵列(fieldprogrammable gate array，fpga)、片上系统(sysem on chip，soc)、专用集成芯片(application specific integrated circuit，asic)或它们的组合。尽管图4功能性地图示了处理器、存储器、和在相同块中的计算机的其它元件，但是本领域的普通技术人员应该理解该处理器、计算机、或存储器实际上可以包括可以或者可以不存储在相同的物理外壳内的多个处理器、计算机、或存储器。例如，存储器可以是硬盘驱动器或位于不同于计算机的外壳内的其它存储介质。因此，对处理器或计算机的引用将被理解为包括对可以或者可以不并行操作的处理器或计算机或存储器的集合的引用。不同于使用单一的处理器来执行此处所描述的步骤，诸如转向组件和减速组件的一些组件每个都可以具有其自己的处理器，处理器只执行与特定于组件的功能相关的计算。
[0118]
在本公开实施方式中，处理器651可以执行上述的障碍物检测方法。
[0119]
在此处所描述的各个方面中，处理器651可以位于远离该车辆并且与该车辆进行无线通信。在其它方面中，此处所描述的过程中的一些在布置于车辆内的处理器上执行而其它则由远程处理器执行，包括采取执行单一操纵的必要步骤。
[0120]
在一些实施例中，存储器652可包含指令653(例如，程序逻辑)，指令653可被处理器651执行来执行车辆600的各种功能。存储器652也可包含额外的指令，包括向信息娱乐系统610、感知系统620、决策控制系统630、驱动系统640中的一个或多个发送数据、从其接收数据、与其交互和/或对其进行控制的指令。
[0121]
除了指令653以外，存储器652还可存储数据，例如道路地图、路线信息，车辆的位置、方向、速度以及其它这样的车辆数据，以及其他信息。这种信息可在车辆600在自主、半自主和/或手动模式中操作期间被车辆600和计算平台650使用。
[0122]
计算平台650可基于从各种子系统(例如，驱动系统640、感知系统620和决策控制
系统630)接收的输入来控制车辆600的功能。例如，计算平台650可利用来自决策控制系统630的输入以便控制转向系统633来避免由感知系统620检测到的障碍物。在一些实施例中，计算平台650可操作来对车辆600及其子系统的许多方面提供控制。
[0123]
可选地，上述这些组件中的一个或多个可与车辆600分开安装或关联。例如，存储器652可以部分或完全地与车辆600分开存在。上述组件可以按有线和/或无线方式来通信地耦合在一起。
[0124]
可选地，上述组件只是一个示例，实际应用中，上述各个模块中的组件有可能根据实际需要增添或者删除，图4不应理解为对本公开实施例的限制。
[0125]
在道路行进的自动驾驶汽车，如上面的车辆600，可以识别其周围环境内的物体以确定对当前速度的调整。物体可以是其它车辆、交通控制设备、或者其它类型的物体。在一些示例中，可以独立地考虑每个识别的物体，并且基于物体的各自的特性，诸如它的当前速度、加速度、与车辆的间距等，可以用来确定自动驾驶汽车所要调整的速度。
[0126]
可选地，车辆600或者与车辆600相关联的感知和计算设备(例如计算系统631、计算平台650)可以基于所识别的物体的特性和周围环境的状态(例如，交通、雨、道路上的冰、等等)来预测识别的物体的行为。可选地，每一个所识别的物体都依赖于彼此的行为，因此还可以将所识别的所有物体全部一起考虑来预测单个识别的物体的行为。车辆600能够基于预测的识别的物体的行为来调整它的速度。换句话说，自动驾驶汽车能够基于所预测的物体的行为来确定车辆将需要调整到(例如，加速、减速、或者停止)何种稳定状态。在这个过程中，也可以考虑其它因素来确定车辆600的速度，诸如，车辆600在行驶的道路中的横向位置、道路的曲率、静态和动态物体的接近度等等。
[0127]
除了提供调整自动驾驶汽车的速度的指令之外，计算设备还可以提供修改车辆600的转向角的指令，以使得自动驾驶汽车遵循给定的轨迹和/或维持与自动驾驶汽车附近的物体(例如，道路上的相邻车道中的车辆)的安全横向和纵向距离。
[0128]
上述车辆600可以为各种类型的行驶工具，例如，轿车、卡车、摩托车、公共汽车、船、飞机、直升飞机、娱乐车、火车等等，本公开实施例不做特别的限定。
[0129]
在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可编程的装置执行时用于执行上述的障碍物检测方法的代码部分。
[0130]
本领域技术人员在考虑说明书及实践本公开后，将容易想到本公开的其它实施方案。本技术旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
[0131]
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。