碰撞预测方法、装置及边缘计算服务器与流程
本申请属于船联网技术领域，特别涉及一种碰撞预测方法、装置及边缘计算服务器。
背景技术：
一直以来，船舶碰撞都是水上交通事故的重要因素。船舶碰撞，至少包括3个方面：船船碰撞、船桥碰撞、船岸碰撞。基于对历史船舶碰撞事件的分析与总结，船舶碰撞的原因，主要体现在3个方面：人为因素、船舶故障、自然灾害。船舶防撞的方法，可分为主动防撞和被动防撞。其中，主动防撞是为船服务，采取的措施包括设置航线标识、应用船舶自动识别系统(automaticidentificationsystem，ais)、开展船员培训等；被动防撞，则主要是围绕风险展开研究，在碰撞前规避风险或在碰撞后将损失降为最低。
当前，在船舶碰撞规避方面，现有的技术方案，主要采取的措施是充分利用辅助设备(如摄像头、激光雷达、毫米波雷达、传感器等)，来识别障碍物(包括其他船只、桥梁、河岸等)，实时计算船与障碍物的距离，根据障碍物的类型和距离，采取相应的防撞措施。尽管如此，船船碰撞事件还是时有发生，船桥碰撞，更是损失惨重。究其原因，现有的船舶防撞方式在对障碍物识别时，如遇到恶劣天气(大雾、大风、大雨)，很有可能识别不出迎面而来的船只或前方障碍物，也就是说，现有的船舶防撞方式不能在船舶在各种行驶环境下均能保证具有较高的碰撞预测准确率。
技术实现要素：
本申请实施例提供一种碰撞预测方法、装置及边缘计算服务器，能够解决现有的船舶防撞方式不能在船舶在各种行驶环境下均能保证具有较高的碰撞预测准确率的问题。
为了解决上述技术问题，本发明实施例提供一种碰撞预测方法，包括：
根据设置在行驶物上的激光雷达采集的障碍物信息和摄像头采集的图像信息，生成障碍物融合信息；
根据所述障碍物融合信息，进行行驶物碰撞预测。
可选地，所述根据设置在行驶物上的激光雷达采集的障碍物信息和摄像头采集的图像信息，生成障碍物融合信息，包括：
根据所述障碍物信息，对所述激光雷达检测到的障碍物进行编号；
对所述图像信息中的障碍物进行识别，获取障碍物识别结果；
根据所述障碍物的编号和所述障碍物识别结果，进行信息融合，得到障碍物融合信息。
进一步地，所述对所述图像信息中的障碍物进行识别，获取障碍物识别结果，包括：
利用yolo算法对所述图像信息中的每一帧图像进行障碍物特征提取，获取障碍物预测结果；
根据所述障碍物预测结果，过滤重复障碍物，获取障碍物识别结果。
具体地，所述根据所述障碍物预测结果，过滤重复障碍物，获取障碍物识别结果，包括：
分别获取所述预测结果中的每一个障碍物的重叠率，所述重叠率包括：第一障碍物与其他障碍物的重叠率，或第一障碍物与其属于相同类别的障碍物的重叠率；
分别将每一个障碍物的重叠率与重叠率阈值进行比较；
筛选过滤掉所述障碍物预测结果中重叠率大于或等于重叠率阈值的障碍物，获取障碍物识别结果。
进一步地，所述根据所述障碍物的编号和所述障碍物识别结果，进行信息融合，得到障碍物融合信息，包括：
对激光雷达与摄像头进行标定，对障碍物的编号所指示的障碍物和所述障碍物识别结果进行匹配；
根据匹配成功的目标障碍物，获取障碍物融合信息。
具体地，所述对激光雷达与摄像头进行标定，对障碍物的编号所指示的障碍物和所述障碍物识别结果进行匹配，包括：
若在连续n帧图像的障碍物识别结果中，目标障碍物的类别与障碍物的编号均匹配，则所述目标障碍物匹配成功；
其中，n为大于1的整数。
可选地，所述根据所述障碍物融合信息，进行行驶物碰撞预测，包括：
利用时间距离函数获取行驶物分别与所述障碍物融合信息中的每一目标障碍物的时间距离的最小值；
根据所述时间距离的最小值，进行行驶物碰撞预测，获取行驶物是否碰撞以及与行驶物碰撞的障碍物的碰撞预测结果。
进一步地，在所述根据所述时间距离的最小值，进行行驶物碰撞预测，获取行驶物是否碰撞以及与行驶物碰撞的障碍物的碰撞预测结果之后，还包括：
将所述碰撞预测结果发送至辅助驾驶系统或其他行驶物。
其中，所述行驶物为船舶或车辆。
其中，所述障碍物信息包括障碍物的位置和速度信息。
本发明实施例还提供一种碰撞预测装置，包括：
融合模块，用于根据设置在行驶物上的激光雷达采集的障碍物信息和摄像头采集的图像信息，生成障碍物融合信息；
预测模块，用于根据所述障碍物融合信息，进行行驶物碰撞预测。
可选地，所述融合模块，包括：
编号单元，用于根据所述障碍物信息，对所述激光雷达检测到的障碍物进行编号；
第一获取单元，用于对所述图像信息中的障碍物进行识别，获取障碍物识别结果；
第二获取单元，用于根据所述障碍物的编号和所述障碍物识别结果，进行信息融合，得到障碍物融合信息。
进一步地，所述第一获取单元，用于：
利用yolo算法对所述图像信息中的每一帧图像进行障碍物特征提取，获取障碍物预测结果；
根据所述障碍物预测结果，过滤重复障碍物，获取障碍物识别结果。
具体地，所述根据所述障碍物预测结果，过滤重复障碍物，获取障碍物识别结果的实现方式，包括：
分别获取所述预测结果中的每一个障碍物的重叠率，所述重叠率包括：第一障碍物与其他障碍物的重叠率，或第一障碍物与其属于相同类别的障碍物的重叠率；
分别将每一个障碍物的重叠率与重叠率阈值进行比较；
筛选过滤掉所述障碍物预测结果中重叠率大于或等于重叠率阈值的障碍物，获取障碍物识别结果。
可选地，所述第二获取单元，用于：
对激光雷达与摄像头进行标定，对障碍物的编号所指示的障碍物和所述障碍物识别结果进行匹配；
根据匹配成功的目标障碍物，获取障碍物融合信息。
进一步地，所述对激光雷达与摄像头进行标定，对障碍物的编号所指示的障碍物和所述障碍物识别结果进行匹配的实现方式，包括：
若在连续n帧图像的障碍物识别结果中，目标障碍物的类别与障碍物的编号均匹配，则所述目标障碍物匹配成功；
其中，n为大于1的整数。
可选地，所述预测模块，包括：
第三获取单元，用于利用时间距离函数获取行驶物分别与所述障碍物融合信息中的每一目标障碍物的时间距离的最小值；
预测单元，用于根据所述时间距离的最小值，进行行驶物碰撞预测，获取行驶物是否碰撞以及与行驶物碰撞的障碍物的碰撞预测结果。
进一步地，在所述预测单元根据所述时间距离的最小值，进行行驶物碰撞预测，获取行驶物是否碰撞以及与行驶物碰撞的障碍物的碰撞预测结果之后，还包括：
发送模块，用于将所述碰撞预测结果发送至辅助驾驶系统或其他行驶物。
本发明实施例还提供一种边缘计算服务器，包括收发机和处理器；
所述处理器，用于：根据设置在行驶物上的激光雷达采集的障碍物信息和摄像头采集的图像信息，生成障碍物融合信息；
根据所述障碍物融合信息，进行行驶物碰撞预测。
本发明实施例还提供一种边缘计算服务器，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上述的碰撞预测方法的步骤。
本发明实施例还提供一种可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的碰撞预测方法中的步骤。
本发明的有益效果是：
上述方案，通过利用激光雷达和摄像头进行信息融合，获取行驶物的障碍物融合信息，并根据该障碍物融合信息进行碰撞预测，采用多种信息融合的方式进行碰撞预测，使得行驶物在各种行驶情况下，均能实现对碰撞的准确预测，保证了行驶物的安全行驶。
附图说明
图1是本申请实施例的碰撞预测方法的流程示意图；
图2是障碍物重叠示意图；
图3是获取障碍物识别结果的流程示意图；
图4是本申请实施例的碰撞预测装置的模块示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
下面结合附图，通过具体的实施例及其应用场景对本申请实施例提供的碰撞预测方法、装置及边缘计算服务器进行详细地说明。
如图1所示，本申请实施例提供一种碰撞预测方法，包括：
步骤11，根据设置在行驶物上的激光雷达采集的障碍物信息和摄像头采集的图像信息，生成障碍物融合信息；
步骤12，根据所述障碍物融合信息，进行行驶物碰撞预测。
需要说明的是，本发明实施例中所提到的行驶物可以为行驶在海上的船舶，也可以为行驶在道路上的车辆，也就是说，本发明实施例可以应用于船舶碰撞预测的场景，也可以应用于车辆碰撞预测的场景。
需要说明的是，该碰撞预测方法的执行主体可以为设置在行驶物上的碰撞预测装置，更进一步地，该碰撞预测装置设置于边缘计算(mec)服务器或该碰撞预测装置为mec服务器。
进一步需要说明的是，本发明的另一实施例中，所述步骤11的具体实现方式为：
步骤111，根据所述障碍物信息，对所述激光雷达检测到的障碍物进行编号；
这里需要说明的是，该障碍物信息包括障碍物的位置和速度信息，此步骤中通过根据障碍物的位置和速度，能够区分出不同的障碍物，根据区分出的障碍物对障碍物进行编号，以此用于进行不同障碍物的区分。
步骤112，对所述图像信息中的障碍物进行识别，获取障碍物识别结果；
需要说明的是，本发明实施例中主要依据yolo算法进行障碍物的识别，获取障碍物的识别结果。
步骤113，根据所述障碍物的编号和所述障碍物识别结果，进行信息融合，得到障碍物融合信息；
需要说明的是，此过程是将雷达采集的障碍物与摄像头采集到的图像中的障碍物进行匹配，以实现将二者的融合，最终得到行驶物周围的障碍物融合信息，该障碍物融合信息主要包括：障碍物的类别以及形状、障碍物的坐标、障碍物的速度。
需要说明的是，在得到障碍物融合信息之后，通过将障碍物在地图信息(例如，该地图信息指的是利用全球定位系统(gps)得到的地图)中进行标注，以便于行驶物的用户明确的进行障碍物的查看。
可选地，本发明的另一实施例中，上述步骤112的具体实现方式为：
利用yolo算法对所述图像信息中的每一帧图像进行障碍物特征提取，获取障碍物预测结果；
根据所述障碍物预测结果，过滤重复障碍物，获取障碍物识别结果。
这里需要说明的是，yolo(youonlylookonce:unified,real-timeobjectdetection)算法是采用单个神经网络来预测目标(本发明实施例中，该目标指的是图像中的障碍物)并识别目标类别，实现端到端的目标实时检测。在具体实现时，先将图像分为s×s的格子(gridcell)，每一个格子(gridcell)预测b个边界框(boundingboxes)和c个类别置信度。每个边界框有四个坐标和一个置信度，所以最终的预测结果是s×s×(b*5+c)个向量。边界框含有目标的可能性是：边界框的准确度为边界框与实际框之间联合部分的交集(iou)，即
通过将摄像头采集的图像数据代入到yolo算法的网络模型中，用卷积神经网络进行障碍物提取和预测输出。网络的初始卷积层从图像中提取障碍物，而全连接层用来预测输出障碍物的坐标和障碍物属于特定类别的概率。对于每个预测的障碍物，根据类别置信度分数选取置信度分数的取值最大的类别作为预测类别，设置置信度阈值过滤，将置信度分数的取值较低的障碍物筛掉，得到障碍物预测结果。
而在实际目标检测过程中，同一目标被多次检测的情况时有发生，为过滤掉重复目标，可对障碍物预测结果中的每个障碍物执行筛选操作，能够降低重复识别障碍物的概率，具体地，本发明的另一实施例中，所述根据所述障碍物预测结果，过滤重复障碍物，获取障碍物识别结果的具体实现方式为：
分别获取所述预测结果中的每一个障碍物的重叠率，所述重叠率包括：第一障碍物与其他障碍物的重叠率，或第一障碍物与其属于相同类别的障碍物的重叠率；
分别将每一个障碍物的重叠率与重叠率阈值进行比较；
筛选过滤掉所述障碍物预测结果中重叠率大于或等于重叠率阈值的障碍物，获取障碍物识别结果。
具体地，此种实现方式是逐一计算每个预测的障碍物与其他障碍物的重叠率oi，oi＝area(a∩b)/area(a∪b)，其中，a表示一个障碍物a，b表示障碍物b。如图2所示，其中，斜线填充部分就表示障碍物a和障碍物b的重叠率。
需要说明的是，该重叠率阈值n是根据实际场景中的目标障碍物的密度进行设置的，将重叠率高于重叠率阈值n的障碍物过滤掉，例如，两个障碍物完全重叠的重叠率为1，可以将重叠率高于0.6的障碍物过滤掉。例如，障碍物预测结果中一共存在6个障碍物，分别为x1、x2、x3、x4、x5和x6，先将x1分别与其他五个障碍物进行重叠率计算，分别得到与x2、x3、x4、x5和x6的重叠率为0.8、0.4、0.9、0.1和0，此时发现x1与x2和x4的重叠率高于设置的重叠率阈值0.6，则过滤掉障碍物x2和x4，此时剩余4个预测的障碍物，即x1、x3、x5和x6，然后再计算x3分别与x5和x6的重叠率，得到重叠率为0.2和0.5，此时无需过滤掉障碍物，然后再计算x5和x6的重叠率得到0.7，此时，过滤掉x6，经过去重之后，只剩下3个预测的障碍物，即x1、x3和x5，这便是最终的障碍物识别结果。
还需要说明的是，若在实际场景中，出现的潜在目标障碍物数量比较多、不同类别障碍物出现在相近位置的概率较高，比如在港口场景中航标、船舶数量多，容易错误的剔除掉不同类别的障碍物。因此，在该情况下，可以先对障碍物的类别进行分类，再对同类别的障碍物之间进行重叠率计算和过滤操作，得到最终的障碍物识别结果。
具体地，步骤112的总体实现流程如图3所示，需要说明的是，此过程是针对一帧图像来说的，也就是说每一帧图像均会对应得到一个障碍物识别结果，具体为：
将一帧图像数据经过缩放、分割处理得到图像网格；然后通过全卷积神经网络进行障碍物提取、预测，得到障碍物预测结果；最后在障碍物预测结果中过滤掉重复的障碍物，输出最终的障碍物识别结果。
需要说明的是，在得到障碍物识别结果之后，便需要将障碍物的编号和所述障碍物识别结果进行融合，具体地，本发明的另一实施例中，所述步骤113的具体实现方式为：
对激光雷达与摄像头进行标定，对障碍物的编号所指示的障碍物和所述障碍物识别结果进行匹配；
根据匹配成功的目标障碍物，获取障碍物融合信息。
具体地，对激光雷达与摄像头进行标定，对障碍物的编号所指示的障碍物和所述障碍物识别结果进行匹配的实现方式为：若在连续n帧图像的障碍物识别结果中，目标障碍物的类别与障碍物的编号均匹配，则所述目标障碍物匹配成功；
其中，n为大于1的整数。
需要说明的是，此种方式下，是利用改进的迭代最近点(icp)算法进行二者的融合，具体地，将障碍物的编号所指示的障碍物视为源数据集p，障碍物识别结果作为目标匹配的初始数据集q；然后计算变换矩阵，即利用奇异值分解(singularvaluedecomposition，svd)求解源数据集p相应的旋转矩阵rk和平移矩阵tk，迭代过程中矩阵的变换关系为：
其中，(rk，tk)是pk－1到pk的变换矩阵参数，
然后利用欧氏距离法计算变换后的源数据集与初始数据集的最近点之间的距离，并对其排序。根据自适应的重叠率η选取距离最短的前η×np个点，去除伪点对，迭代点集匹配计算，获取收敛的点集和相应的匹配矩阵；若两次迭代误差小于阈值误差，则输出点集p和点集q之间的对应关系矩阵r和t，否则根据矩阵r和t计算新点集，重复执行计算变换矩阵的过程；若某目标连续5帧的检测数据，障碍物的类别和障碍物编号均正确匹配，则认为融合成功，将不再对此障碍物进行匹配。例如，检测匹配到障碍物编号为01的类别为船舶，且连续5帧检测数据均能匹配成功；否则，继续对该障碍物进行检测匹配。
需要说明的是，在得到障碍物融合信息后，便需要进行碰撞的预测，具体地，本发明的另一实施例中，所述步骤12的实现方式为：
步骤121，利用时间距离函数获取行驶物分别与所述障碍物融合信息中的每一目标障碍物的时间距离的最小值；
步骤122，根据所述时间距离的最小值，进行行驶物碰撞预测，获取行驶物是否碰撞以及与行驶物碰撞的障碍物的碰撞预测结果。
需要说明的是，此步骤是利用时间距离(timedistance，td)函数计算行驶物边界上的点(有限数量的点即可，矩形一般取4个角上的点)相对于检测到的目标障碍物的td的最小值(此最小值表示行驶物上点到达障碍物的最小时间，也就是行驶物发生碰撞的剩余时间，最小值为无穷则表示不会碰撞)。
主要依据下述方式进行td的获取：
公式一、g＝{ok|k＝1，…，n}
公式二、
公式三、
公式四、
其中，g为目标障碍物；oi为目标障碍物上的点；(xi,yi)为oi的坐标；
利用上述公式计算出船舶和检测出的所有目标障碍物的最小td值，生成碰撞信息(td)地图并做出碰撞预测(确定是否发生碰撞以及船舶将碰撞的障碍物)，标记出船舶与每个目标障碍物发生碰撞的剩余时间，并根据碰撞可能发生的时间长短进行碰撞预测分级。
进一步地，本发明另一实施例中，在得到碰撞预测结果后，还可以将碰撞预测结果发送至辅助驾驶系统或其他行驶物，也就是说，通过通信技术(例如，c-v2x通信技术)，将碰撞预测结果实时下发至本行驶物的辅助驾驶系统或其他具备接收v2x消息的能力的行驶物(例如，网联船舶)，为行驶物自动驾驶或用户驾驶提供决策判断依据。
综上所述，借助本发明的技术方案，通过激光雷达和光学摄像头信息融合，获取船舶航行障碍物地图，可以为船舶行驶、靠泊提过决策依据。该技术方案可以延伸应用到其他交通场景，如机动车辆碰撞预测，帮助驾驶员或自动驾驶决策系统在路面光照条件不佳，光学摄像头无法获取清晰成像的场景中，充分利用激光雷达和摄像头融合信息进行障碍物识别，掌握车辆周围的环境信息，有效避免交通事故的发生。
综上可知，以船舶行驶为例，本发明能够达到如下有益效果：
利用激光雷达和光学摄像头传感器信息融合生成船舶航行障碍物地图，实现对船舶自动航行过程中的障碍物目标融合检测，采用yolo算法、icp算法两次提升目标检测识别结果的准确性，获取准确可靠的船舶周边障碍物信息，实现船舶航行过程中对周围障碍物的实时检测识别，为船舶自动驾驶、船员驾驶中的碰撞预测提供可信的决策依据；
采用td函数在使用较少资源的前提下实现船舶行驶过程中的实时快速、精确的碰撞预测，碰撞预测可靠性高；
该碰撞预测方法可以不依赖卫星定位导航信号和周围环境影响，弥补单一采用激光雷达或光学摄像头进行目标识别的不足，即使在天气状况恶劣场景中，也能够实现较为准确的障碍物感知和碰撞预测。
需要说明的是，本申请实施例提供的碰撞预测方法，执行主体可以为碰撞预测装置，或者该碰撞预测装置中的用于执行加载碰撞预测的方法的控制模块。本申请实施例中以碰撞预测装置执行加载碰撞预测的方法为例，说明本申请实施例提供的碰撞预测的方法。
如图4所示，本申请实施例还提供一种碰撞预测装置40，包括：
融合模块41，用于根据设置在行驶物上的激光雷达采集的障碍物信息和摄像头采集的图像信息，生成障碍物融合信息；
预测模块42，用于根据所述障碍物融合信息，进行行驶物碰撞预测。
可选地，所述融合模块41，包括：
编号单元，用于根据所述障碍物信息，对所述激光雷达检测到的障碍物进行编号；
第一获取单元，用于对所述图像信息中的障碍物进行识别，获取障碍物识别结果；
第二获取单元，用于根据所述障碍物的编号和所述障碍物识别结果，进行信息融合，得到障碍物融合信息。
进一步地，所述第一获取单元，用于：
利用yolo算法对所述图像信息中的每一帧图像进行障碍物特征提取，获取障碍物预测结果；
根据所述障碍物预测结果，过滤重复障碍物，获取障碍物识别结果。
具体地，所述根据所述障碍物预测结果，过滤重复障碍物，获取障碍物识别结果的实现方式，包括：
分别获取所述预测结果中的每一个障碍物的重叠率，所述重叠率包括：第一障碍物与其他障碍物的重叠率，或第一障碍物与其属于相同类别的障碍物的重叠率；
分别将每一个障碍物的重叠率与重叠率阈值进行比较；
筛选过滤掉所述障碍物预测结果中重叠率大于或等于重叠率阈值的障碍物，获取障碍物识别结果。
进一步地，所述第二获取单元，用于：
对激光雷达与摄像头进行标定，对障碍物的编号所指示的障碍物和所述障碍物识别结果进行匹配；
根据匹配成功的目标障碍物，获取障碍物融合信息。
具体地，所述对激光雷达与摄像头进行标定，对障碍物的编号所指示的障碍物和所述障碍物识别结果进行匹配的实现方式，包括：
若在连续n帧图像的障碍物识别结果中，目标障碍物的类别与障碍物的编号均匹配，则所述目标障碍物匹配成功；
其中，n为大于1的整数。
可选地，所述预测模块42，包括：
第三获取单元，用于利用时间距离函数获取行驶物分别与所述障碍物融合信息中的每一目标障碍物的时间距离的最小值；
预测单元，用于根据所述时间距离的最小值，进行行驶物碰撞预测，获取行驶物是否碰撞以及与行驶物碰撞的障碍物的碰撞预测结果。
进一步地，在所述预测单元根据所述时间距离的最小值，进行行驶物碰撞预测，获取行驶物是否碰撞以及与行驶物碰撞的障碍物的碰撞预测结果之后，还包括：
发送模块，用于将所述碰撞预测结果发送至辅助驾驶系统或其他行驶物。
其中，所述行驶物为船舶或车辆。
其中，所述障碍物信息包括障碍物的位置和速度信息。
需要说明的是，本发明实施例提供的装置是能够执行上述碰撞预测方法的装置，则上述应用于装置侧的碰撞预测方法实施例中的所有实现方式均适用于该装置，且均能达到相同或相似的有益效果。
本发明实施例还提供一种边缘计算服务器，包括收发机和处理器；
所述处理器，用于：根据设置在行驶物上的激光雷达采集的障碍物信息和摄像头采集的图像信息，生成障碍物融合信息；
根据所述障碍物融合信息，进行行驶物碰撞预测。
可选地，所述处理器还用于实现：
根据所述障碍物信息，对所述激光雷达检测到的障碍物进行编号；
对所述图像信息中的障碍物进行识别，获取障碍物识别结果；
根据所述障碍物的编号和所述障碍物识别结果，进行信息融合，得到障碍物融合信息。
进一步地，所述处理器还用于实现：
利用yolo算法对所述图像信息中的每一帧图像进行障碍物特征提取，获取障碍物预测结果；
根据所述障碍物预测结果，过滤重复障碍物，获取障碍物识别结果。
具体地，所述处理器还用于实现：
分别获取所述预测结果中的每一个障碍物的重叠率，所述重叠率包括：第一障碍物与其他障碍物的重叠率，或第一障碍物与其属于相同类别的障碍物的重叠率；
分别将每一个障碍物的重叠率与重叠率阈值进行比较；
筛选过滤掉所述障碍物预测结果中重叠率大于或等于重叠率阈值的障碍物，获取障碍物识别结果。
进一步地，所述处理器还用于实现：
对激光雷达与摄像头进行标定，对障碍物的编号所指示的障碍物和所述障碍物识别结果进行匹配；
根据匹配成功的目标障碍物，获取障碍物融合信息。
具体地，所述处理器还用于实现：
若在连续n帧图像的障碍物识别结果中，目标障碍物的类别与障碍物的编号均匹配，则所述目标障碍物匹配成功；
其中，n为大于1的整数。
可选地，所述处理器还用于实现：
利用时间距离函数获取行驶物分别与所述障碍物融合信息中的每一目标障碍物的时间距离的最小值；
根据所述时间距离的最小值，进行行驶物碰撞预测，获取行驶物是否碰撞以及与行驶物碰撞的障碍物的碰撞预测结果。
进一步地，所述处理器还用于实现：
将所述碰撞预测结果发送至辅助驾驶系统或其他行驶物。
其中，所述行驶物为船舶或车辆。
其中，所述障碍物信息包括障碍物的位置和速度信息。
本发明实施例还提供一种边缘计算服务器，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上述的碰撞预测方法的步骤。
本发明实施例还提供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实现上述的碰撞预测方法实施例中的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(read-onlymemory，简称rom)、随机存取存储器(randomaccessmemory，简称ram)、磁碟或者光盘等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。
- 还没有人留言评论。精彩留言会获得点赞！