[發(fā)明專利]一種障礙物的分類方法以及裝置

在審

• 申請?zhí)枺?/td>: 202211211419.2
• 申請日: 2022-09-30
• 公開（公告）號: CN115527187A
• 公開（公告）日: 2022-12-27
• 發(fā)明（設(shè)計）人: 王宇;陳博;龐偉凇;耿真;林崇浩
• 申請（專利權(quán)）人: 中國第一汽車股份有限公司
• 主分類號: G06V20/58
• 分類號: G06V20/58;G06N3/04;G06V10/764;G06V10/82
• 代理公司: 北京博浩百睿知識產(chǎn)權(quán)代理有限責(zé)任公司 11134
• 代理人: 曾紅芳

本公開實施例提供一種障礙物的分類方法、裝置、存儲介質(zhì)以及電子設(shè)備，所述控制方法包括獲取所述障礙物的第一點云數(shù)據(jù)和特征數(shù)據(jù)，所述特征數(shù)據(jù)至少包括所述障礙物的長、寬和高；對所述第一點云數(shù)據(jù)進(jìn)行拓展，獲取第二點云數(shù)據(jù)；將所述第二點云數(shù)據(jù)輸入至分類網(wǎng)絡(luò)，確定所述障礙物的類別。本公開實施例綜合考慮了障礙物目標(biāo)的點特征與整體特征，利用較少層的神經(jīng)網(wǎng)絡(luò)實現(xiàn)分類準(zhǔn)確率高，并且非常輕量高效。

技術(shù)領(lǐng)域

本公開涉及智能駕駛場景下障礙物識別的技術(shù)領(lǐng)域，具體地涉及一種障礙物的分類方法、裝置、存儲介質(zhì)以及電子設(shè)備。

背景技術(shù)

在智能駕駛的應(yīng)用場景中，激光雷達(dá)通常被安裝在車輛的頂部以當(dāng)作智能駕駛車輛的眼睛，用于感知外界環(huán)境。通過對激光雷達(dá)輸出的點云進(jìn)行處理可以獲取準(zhǔn)確獲取周圍障礙物的位置、速度等信息。

常用的點云障礙物檢測方法有兩種，第一種是將整幀點云數(shù)據(jù)經(jīng)過一些前處理后輸入至神經(jīng)網(wǎng)絡(luò)中，進(jìn)行目標(biāo)的類別以及位置的回歸；第二種是通過地面分割、路沿檢測、點云聚類等處理后，獲得當(dāng)前幀的目標(biāo)點云團(tuán)簇集，然后計算目標(biāo)位置，最后對目標(biāo)進(jìn)行分類。其中，第一種方法采用端到端的深度學(xué)習(xí)方法，其魯棒性強，但是考慮到其基于黑盒計算而導(dǎo)致較難實現(xiàn)分析調(diào)試，并且受訓(xùn)練數(shù)據(jù)影響嚴(yán)重，無法檢測訓(xùn)練集中沒有的目標(biāo)，這樣會造成漏檢；第二種方法通過傳統(tǒng)處理方法，先提取所有地面上的物體，不受訓(xùn)練數(shù)據(jù)等其他因素的限制，不會因為目標(biāo)形狀不規(guī)則或者由于第一次采集而無法實現(xiàn)探測，其漏檢率較低，但是獲取目標(biāo)類別的準(zhǔn)確性較低。

在應(yīng)用于智能駕駛場景的目標(biāo)分類技術(shù)中，常用的目標(biāo)分類方法是根據(jù)目標(biāo)的長寬高、比例、反射率等參數(shù)通過采用決策樹的方式進(jìn)行分類，但這種分類方式魯棒性較差，分類準(zhǔn)確率較低，尤其是存在目標(biāo)遮擋、或者距離較遠(yuǎn)時的分類準(zhǔn)確率尤其低。具體地，在對智能駕駛車輛行駛過程中遇到的障礙物進(jìn)行分類，一般例如分為機動車、非機動車、行人、錐桶、三角牌、其他非常規(guī)障礙物等。由于在智能駕駛車輛行駛的過程中，障礙物通常會存在遮擋等情況，所以障礙物的形狀可能不太規(guī)則，通過常規(guī)的基于形狀的判斷很難保證分類的準(zhǔn)確性。

因此，現(xiàn)有技術(shù)中往往采取機器學(xué)習(xí)的方法，利用神經(jīng)網(wǎng)絡(luò)提取深層特征的方式計算不同類別的概率。目前有一些用于目標(biāo)分類的神經(jīng)網(wǎng)絡(luò)，但是這些神經(jīng)網(wǎng)絡(luò)一般是基于針對室內(nèi)的人為構(gòu)建的待測目標(biāo)的數(shù)據(jù)集，無法應(yīng)用在實際的智能駕駛場景中。這里，常見的分類網(wǎng)絡(luò)例如PointNet，該網(wǎng)絡(luò)利用了點特征，通過T-Net模擬目標(biāo)的旋轉(zhuǎn)不變性，然后通過最大池化提取全局特征，送入softmax模塊計算概率。但是這種分類網(wǎng)絡(luò)只利用目標(biāo)的點特征，無法準(zhǔn)確地區(qū)分一些較為相似的障礙物的類別，例如錐桶與三角牌、錐桶與行人等，這些障礙物往往在點云形態(tài)上時存在高度的相似性而無法準(zhǔn)確確定類別。

Pointnet++作為Pointnet的升級版網(wǎng)絡(luò)，充分考慮到了障礙物的點特征的不充分性，引入了鄰域特征概念，通過KNN計算點鄰域點，通過構(gòu)建鄰域特征的方式進(jìn)行全局特征提取，但是這種處理方式造成了處理速度的降低，很難應(yīng)用在智能駕駛這種對實時性要求較高的場景中。

Point Transform網(wǎng)絡(luò)通過點云數(shù)據(jù)的自注意的處理機制提取點云特征，可以有效增加分類的準(zhǔn)確性，但是自注意力機制的引入也引入了大量的計算量，較難應(yīng)用于實際的智能駕駛場景中。需要注意的是，目前對于障礙物的檢測的實時性要求一般為100ms以內(nèi)每幀，障礙物分類作為檢測流程的最后一步，在地面分割、路沿檢測、點云聚類、包絡(luò)構(gòu)建之后，其可支配的算力及耗時是非常有限的。

發(fā)明內(nèi)容

本公開實施例的目的在于提供一種障礙物的分類方法、裝置、存儲介質(zhì)以及電子設(shè)備，以解決現(xiàn)有技術(shù)中存在的問題。

為了解決上述技術(shù)問題，本公開的實施例采用了如下技術(shù)方案：

一種障礙物的分類方法，其包括：

獲取所述障礙物的第一點云數(shù)據(jù)和特征數(shù)據(jù)，所述特征數(shù)據(jù)至少包括所述障礙物的長、寬和高；