确定障碍物距离的方法、装置、设备及存储介质与流程

本发明涉及计算机应用技术，特别涉及确定障碍物距离的方法、装置、设备及存储介质。

背景技术：

无人驾驶车辆，是指通过各种传感器来感知车辆周围环境，并根据感知所获得的道路、车辆位置和障碍物信息等，控制车辆的转向和速度，从而使车辆能够安全、可靠地在道路上行驶。

在无人驾驶车辆的行驶过程中，需要不断地进行障碍物检测和测距等，以便采取相应的避障等措施。

测距即指确定障碍物与无人驾驶车辆之间的距离，现有技术中，主要通常以下两种方式来确定障碍物的距离。

1)方式一

采用多传感器融合的方式确定障碍物的距离，所述多传感器可包括距离传感器以及视觉传感器，其中，距离传感器可包括毫米波雷达、激光雷达、超声波雷达等，视觉传感器可包括摄像头等。

但这种方式会涉及到多传感器之间的标定问题，实现复杂，可靠性较低。

2)方式二

基于二维(2d)图像物体检测的算法，确定出障碍物的距离。

但这种方式缺乏三维空间信息，精度较低，障碍物距离越远误差越大。

技术实现要素：

有鉴于此，本发明提供了确定障碍物距离的方法、装置、设备及存储介质，能够提高结果的可靠性和准确性。

具体技术方案如下：

一种确定障碍物距离的方法，包括：

基于深度学习的方式，得到障碍物检测模型；

获取视觉传感器采集到的图像，输入给所述障碍物检测模型，得到输出的所述图像中的障碍物的三维语义信息；

根据所述障碍物的三维语义信息确定出障碍物与无人驾驶车辆的距离。

根据本发明一优选实施例，所述基于深度学习的方式，得到障碍物检测模型包括：

获取训练样本，每个训练样本中包括：训练图像以及所述训练图像中的障碍物的三维语义信息；

根据所述训练样本训练得到所述障碍物检测模型。

根据本发明一优选实施例，所述障碍物的三维语义信息包括：

n个关键点，n为大于一的正整数；

障碍物的物理大小；

障碍物的朝向角度。

根据本发明一优选实施例，n的取值为8；

n个关键点分别为框出障碍物的检测框的8个顶点。

根据本发明一优选实施例，所述获取训练样本包括：

获取安装有视觉传感器以及激光雷达的采集车所采集的各组训练数据，每组训练数据中包括：所述视觉传感器所采集的包含障碍物的图像以及对应的所述激光雷达所采集的点云数据；

针对每组训练数据，分别进行以下处理：

将所述训练数据中的图像作为训练图像；

根据所述训练数据中的点云数据确定出障碍物的物理大小以及朝向角度；

获取人工基于所述点云数据所标注的障碍物的n个关键点，并投影到所述训练图像上；

将所述训练图像以及投影到所述训练图像上的n个关键点、障碍物的物理大小和障碍物的朝向角度信息作为一个训练样本。

根据本发明一优选实施例，所述根据所述障碍物的三维语义信息确定出所述障碍物与无人驾驶车辆的距离包括：

根据所述障碍物的三维语义信息，将障碍物从二维空间转换到三维空间，根据转换结果确定出障碍物与无人驾驶车辆的距离。

一种确定障碍物距离的装置，包括：预处理单元以及估计单元；

所述预处理单元，用于基于深度学习的方式，得到障碍物检测模型；

所述估计单元，用于获取视觉传感器采集到的图像，输入给所述障碍物检测模型，得到输出的所述图像中的障碍物的三维语义信息，并根据所述障碍物的三维语义信息确定出障碍物与无人驾驶车辆的距离。

根据本发明一优选实施例，所述预处理单元中包括：样本获取子单元以及模型训练子单元；

所述样本获取子单元，用于获取训练样本，每个训练样本中包括：训练图像以及所述训练图像中的障碍物的三维语义信息；

所述模型训练子单元，用于根据所述训练样本训练得到所述障碍物检测模型。

根据本发明一优选实施例，所述障碍物的三维语义信息包括：

n个关键点，n为大于一的正整数；

障碍物的物理大小；

障碍物的朝向角度。

根据本发明一优选实施例，n的取值为8；

n个关键点分别为框出障碍物的检测框的8个顶点。

根据本发明一优选实施例，所述样本获取子单元获取安装有视觉传感器以及激光雷达的采集车所采集的各组训练数据，每组训练数据中包括：所述视觉传感器所采集的包含障碍物的图像以及对应的所述激光雷达所采集的点云数据；

针对每组训练数据，分别进行以下处理：

将所述训练数据中的图像作为训练图像；

根据所述训练数据中的点云数据确定出障碍物的物理大小以及朝向角度；

获取人工基于所述点云数据所标注的障碍物的n个关键点，并投影到所述训练图像上；

将所述训练图像以及投影到所述训练图像上的n个关键点、障碍物的物理大小和障碍物的朝向角度信息作为一个训练样本。

根据本发明一优选实施例，所述估计单元根据所述障碍物的三维语义信息，将障碍物从二维空间转换到三维空间，根据转换结果确定出障碍物与无人驾驶车辆的距离。

一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如以上所述的方法。

一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如以上所述的方法。

基于上述介绍可以看出，采用本发明所述方案，可预先基于深度学习的方式，得到障碍物检测模型，这样，在获取到视觉传感器采集的图像之后，可将其输入给障碍物检测模型，从而得到障碍物检测模型输出的图像中的障碍物的三维语义信息，进而根据障碍物的三维语义信息确定出障碍物与无人驾驶车辆的距离，相比于现有方式一，由于不涉及多传感器融合，因此可靠性得到了很大提升，而且也降低了实现成本，另外，相比于现有方式二，提供了障碍物的三维语义信息，从而提高了结果的准确性。

【附图说明】

图1为本发明所述确定障碍物距离的方法第一实施例的流程图。

图2为本发明所述确定障碍物距离的方法第二实施例的流程图。

图3为本发明所述确定障碍物距离的装置实施例的组成结构示意图。

图4示出了适于用来实现本发明实施方式的示例性计算机系统/服务器12的框图。

【具体实施方式】

为了使本发明的技术方案更加清楚、明白，以下参照附图并举实施例，对本发明所述方案进行进一步说明。

显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

图1为本发明所述确定障碍物距离的方法第一实施例的流程图，如图1所示，包括以下具体实现方式。

在101中，基于深度学习的方式，得到障碍物检测模型。

为得到障碍物检测模型，需要首先获取训练样本，每个训练样本中可包括：训练图像以及训练图像中的障碍物的三维(3d)语义信息，之后可根据训练样本训练得到障碍物检测模型。

障碍物的三维语义信息可包括：n个关键点、障碍物的物理大小以及障碍物的朝向角度等。

其中，n为大于一的正整数，具体取值可根据实际需要而定，较佳地，n可取值为8，相应地，n个关键点可分别为框出障碍物的检测框的8个顶点，即框出障碍物的检测框共具备8个顶点，这8个顶点即为关键点。检测框，即指罩住/包住障碍物的框。

障碍物的物理大小可以是指障碍物的长、宽、高等。

在实际应用中，可以利用采集车来采集训练数据，从而根据训练数据生成训练样本。

比如，采集车上可安装有视觉传感器以及激光雷达等，两者同步进行数据采集，采集多组训练数据，具体数量可根据实际需要而定。

每组训练数据中可包括：视觉传感器所采集的包含障碍物的图像以及对应的激光雷达所采集的点云数据。

针对每组训练数据，可分别进行以下处理：

a、将该组训练数据中的图像作为训练图像；

b、根据该组训练数据中的点云数据确定出障碍物的物理大小以及朝向角度，具体实现为现有技术；

c、获取人工基于点云数据所标注的障碍物的n个关键点，并投影到训练图像上，即可由人工根据点云数据对障碍物的n个关键点进行标注，并可在标注完成后，将标注的关键点投影到二维的训练图像上；

d、将训练图像以及投影到训练图像上的n个关键点、障碍物的物理大小和障碍物的朝向角度信息作为一个训练样本。

按照上述方式，可得到多个训练样本，在获取到足够数量的训练样本之后，即可根据这些训练样本来训练得到障碍物检测模型。

障碍物检测模型可为神经网络模型等。

在102中，获取视觉传感器采集到的图像，输入给障碍物检测模型，得到输出的图像中的障碍物的三维语义信息。

在训练得到障碍物检测模型之后，即可基于障碍物检测模型来确定障碍物的距离。

比如，在无人驾驶车辆的行驶过程中，可针对视觉传感器每次采集到的图像，分别将其输入给障碍物检测模型，从而得到障碍物检测模型输出的图像中的障碍物的三维语义信息。

如前所述，输出的障碍物的三维语义信息可包括n个关键点、障碍物的物理大小以及障碍物的朝向角度等。

在103中，根据障碍物的三维语义信息确定出障碍物与无人驾驶车辆的距离。

在获取到障碍物的三维语义信息之后，可根据障碍物的三维语义信息，将障碍物从二维空间转换到三维空间，具体实现为现有技术，之后，可根据转换结果确定出障碍物与无人驾驶车辆之间的距离。

比如，以无人驾驶车辆的中心点为三维空间中的坐标原点，那么在将障碍物转换到三维空间中之后，可以很容易地确定出障碍物与无人驾驶车辆之间的距离。

基于上述介绍，图2为本发明所述确定障碍物距离的方法第二实施例的流程图，如图2所示，包括以下具体实现方式。

在201中，获取采集车采集的训练数据，根据训练数据生成训练样本。

每个训练样本中可包括：训练图像以及训练图像中的障碍物的三维语义信息。

障碍物的三维语义信息可包括：n个关键点、障碍物的物理大小以及障碍物的朝向角度等。

在202中，根据训练样本训练得到障碍物检测模型。

在获取到足够数量的训练样本之后，即可根据这些训练样本训练得到障碍物检测模型，如神经网络模型。

在203中，获取视觉传感器采集到的图像，输入给障碍物检测模型，得到输出的图像中的障碍物的三维语义信息。

比如，在无人驾驶车辆的行驶过程中，可针对视觉传感器每次采集到的图像，分别将其输入给障碍物检测模型，从而得到障碍物检测模型输出的图像中的障碍物的三维语义信息。

在204中，根据障碍物的三维语义信息，将障碍物从二维空间转换到三维空间，根据转换结果确定出障碍物与无人驾驶车辆的距离。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。

总之，采用上述各实施例所述方案，可预先基于深度学习的方式，得到障碍物检测模型，这样，在获取到视觉传感器采集的图像之后，即可将其输入给障碍物检测模型，从而得到障碍物检测模型输出的图像中的障碍物的三维语义信息，进而根据障碍物的三维语义信息确定出障碍物与无人驾驶车辆的距离，相比于现有方式一，由于不涉及多传感器融合，因此可靠性得到了很大提升，而且也降低了实现成本，另外，相比于现有方式二，提供了障碍物的三维语义信息，从而提高了结果的准确性。

以上是关于方法实施例的介绍，以下通过装置实施例，对本发明所述方案进行进一步说明。

图3为本发明所述确定障碍物距离的装置实施例的组成结构示意图，如图3所示，包括：预处理单元301以及估计单元302。

预处理单元301，用于基于深度学习的方式，得到障碍物检测模型。

估计单元302，用于获取视觉传感器采集到的图像，输入给障碍物检测模型，得到输出的图像中的障碍物的三维语义信息，并根据障碍物的三维语义信息确定出障碍物与无人驾驶车辆的距离。

为得到障碍物检测模型，需要首先获取训练样本，每个训练样本中可包括：训练图像以及训练图像中的障碍物的三维语义信息，之后可根据训练样本训练得到障碍物检测模型。

相应地，如图3所示，预处理单元301中可具体包括：样本获取子单元3011以及模型训练子单元3012。

样本获取子单元3011，用于获取训练样本，每个训练样本中包括：训练图像以及训练图像中的障碍物的三维语义信息。

模型训练子单元3012，用于根据训练样本训练得到障碍物检测模型。

障碍物的三维语义信息可包括：n个关键点、障碍物的物理大小以及障碍物的朝向角度等。

其中，n为大于一的正整数，具体取值可根据实际需要而定，较佳地，n可取值为8，相应地，n个关键点可分别为框出障碍物的检测框的8个顶点。

障碍物的物理大小可以是指障碍物的长、宽、高等。

在实际应用中，可以利用采集车来采集训练数据，从而根据训练数据生成训练样本。

这样，样本获取子单元3011可获取安装有视觉传感器以及激光雷达的采集车所采集的各组训练数据，每组训练数据中包括：视觉传感器所采集的包含障碍物的图像以及对应的激光雷达所采集的点云数据。

之后，针对每组训练数据，样本获取子单元3011可分别进行以下处理：

将训练数据中的图像作为训练图像；

根据训练数据中的点云数据确定出障碍物的物理大小以及朝向角度；

获取人工基于点云数据所标注的障碍物的n个关键点，并投影到训练图像上；

将训练图像以及投影到训练图像上的n个关键点、障碍物的物理大小和障碍物的朝向角度信息作为一个训练样本。

按照上述方式，可得到多个训练样本，在获取到足够数量的训练样本之后，即可由模型训练子单元3012来根据这些训练样本训练得到障碍物检测模型，如神经网络模型。

在训练出障碍物检测模型之后，估计单元302可针对视觉传感器每次采集到的图像，分别将其输入给障碍物检测模型，从而得到障碍物检测模型输出的图像中的障碍物的三维语义信息。

进一步地，估计单元302可根据障碍物的三维语义信息，将障碍物从二维空间转换到三维空间，进而根据转换结果确定出障碍物与无人驾驶车辆之间的距离。

图3所示装置实施例的具体工作流程请参照前述方法实施例中的相应说明，不再赘述。

可以看出，采用上述实施例所述方案，可预先基于深度学习的方式，得到障碍物检测模型，这样，在获取到视觉传感器采集的图像之后，即可将其输入给障碍物检测模型，从而得到障碍物检测模型输出的图像中的障碍物的三维语义信息，进而根据障碍物的三维语义信息确定出障碍物与无人驾驶车辆的距离，相比于现有方式一，由于不涉及多传感器融合，因此可靠性得到了很大提升，而且也降低了实现成本，另外，相比于现有方式二，提供了障碍物的三维语义信息，从而提高了结果的准确性。

图4示出了适于用来实现本发明实施方式的示例性计算机系统/服务器12的框图。图4显示的计算机系统/服务器12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图4所示，计算机系统/服务器12以通用计算设备的形式表现。计算机系统/服务器12的组件可以包括但不限于：一个或者多个处理器(处理单元)16，存储器28，连接不同系统组件(包括存储器28和处理器16)的总线18。

总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(isa)总线，微通道体系结构(mac)总线，增强型isa总线、视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。

计算机系统/服务器12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机系统/服务器12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(ram)30和/或高速缓存存储器32。计算机系统/服务器12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd-rom,dvd-rom或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。

计算机系统/服务器12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机系统/服务器12交互的设备通信，和/或与使得该计算机系统/服务器12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口22进行。并且，计算机系统/服务器12还可以通过网络适配器20与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图4所示，网络适配器20通过总线18与计算机系统/服务器12的其它模块通信。应当明白，尽管图中未示出，可以结合计算机系统/服务器12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。

处理器16通过运行存储在存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现图1所示实施例中的方法，即基于深度学习的方式，得到障碍物检测模型，获取视觉传感器采集到的图像，输入给障碍物检测模型，得到输出的图像中的障碍物的三维语义信息，根据障碍物的三维语义信息确定出障碍物与无人驾驶车辆的距离。

具体实现请参照前述各实施例中的相关说明，不再赘述。

本发明同时公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时将实现如图1所示实施例中的方法。

可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如”c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法等，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。