[发明专利]3D障碍物的跟踪检测方法、装置、系统及计算机存储介质

说明书

本发明提供了一种用于3D障碍物的跟踪检测方法、装置、系统及计算机存储介质。该跟踪检测方法包括：确定从当前帧的3D点云和2D图像检测到的当前障碍物在2D图像中的2D图像区所对应的第二2D特征向量；将第二2D特征向量中的每一者与障碍物特征向量集中的每个第一2D特征向量进行比对，以获得多个差值特征向量，其中障碍物特征向量集中存储有表征先前检测到的先前障碍物的第一2D特征向量；对多个差值特征向量执行深度学习计算，以生成对应的多个概率值，每个概率值指示一当前障碍物与一先前障碍物为同一障碍物的概率；以及根据多个概率值确定当前障碍物与先前障碍物之间的对应关系，以实现障碍物跟踪。

技术领域

本发明涉及障碍物跟踪检测技术，尤其涉及一种用于3D障碍物的跟踪检测方法、一种用于3D障碍物的跟踪检测装置、一种用于3D障碍物的跟踪检测系统，以及一种计算机存储介质。

背景技术

现有的障碍物检测技术主要基于摄像头来进行2D障碍物检测，或者单纯地基于3D激光雷达进行3D障碍物检测。

在自动驾驶车辆的应用中，2D边界框只能为规划单元和决策单元提供有限的信息，然而对于自动驾驶车辆来说，还需要包括车辆尺寸、行驶方向，以及其他车辆与自车的相对位置等详细和准确的车辆3D信息，以进行决策制定。此外，尽管基于2D图像的深度学习技术已在车辆的障碍物检测应用中表现出高检测精度的性能，但是其无法支持速度估算，而车辆速度估算对于具有时间先行的规划算法及障碍物跟踪检测技术却是必不可少的。

摄像机和激光雷达(Light Detection and Ranging，LiDAR)扫描仪是自动驾驶车辆感测系统中最常用的两种传感器。由于透视失真，仅使用摄像机无法获取自动驾驶车辆系统需要使用的准确3D信息。即使采用立体摄像系统，所获取图像的景深估算仍然无法达到令人满意的性能水平。

常见的64光束激光雷达每次扫描可以轻松生成超过100000个点，以获取包括车辆尺寸、行驶方向，以及其他车辆与自车的相对位置等准确的3D信息。然而随着检测空间的扩大，所需激光雷达点云的规模和分辨率会呈三次方增长。由于存储器和计算时间的限制，通过整个点云彻底应用搜索算法或卷积运算是不可行的，追踪准确率受到极大限制，从而导致漏检误检。因此，处理激光雷达点云的主要挑战在于减少计算负担的同时，保持3D空间图案和信息的准确。

综上，本领域亟需一种能够高效地获取高质量的3D空间图案和信息的障碍物跟踪检测技术，以提高自动驾驶车辆的障碍物跟踪检测效率和准确率。

发明内容

以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。

为了能够高效地获取高质量的3D空间图案和信息，以提高自动驾驶车辆的障碍物跟踪检测效率和准确率，本发明提供了一种用于3D障碍物的跟踪检测方法、一种用于3D障碍物的跟踪检测装置、一种用于3D障碍物的跟踪检测系统，以及一种计算机存储介质。

本发明提供的上述用于3D障碍物的跟踪检测方法，用于对检测到的障碍物执行跟踪，该跟踪检测方法包括：

确定从当前帧的3D点云和2D图像检测到的至少一个当前障碍物在2D图像中的2D图像区所对应的至少一个第二2D特征向量；

将所述至少一个第二2D特征向量中的每一者与障碍物特征向量集中的每个第一2D特征向量进行比对，以获得多个差值特征向量，其中所述障碍物特征向量集中存储有表征先前检测到的至少一个先前障碍物的第一2D特征向量；

对所述多个差值特征向量执行深度学习计算，以生成对应的多个概率值，每个概率值指示一当前障碍物与一先前障碍物为同一障碍物的概率；以及