[发明专利]确定车辆环境的语义分割的方法

说明书

本发明提供了一种确定车辆环境的语义分割的方法。经由处理装置，定义划分车辆的环境的单元的网格。从多个雷达传感器接收雷达点云，并且向各个网格单元指派雷达点云的至少一个特征。通过使用包括确定性权重的神经网络，提取各个网格单元的高级特征。定义网格单元的几个类。对于贝叶斯神经网络的层，概率性地确定各种权重集。经由贝叶斯神经网络，基于高级特征并且基于各种权重集来确定各个类的置信度值和各个网格单元的置信度值，以便确定各个网格单元的预测类以及该预测类的不确定性程度。

技术领域

本公开涉及一种确定车辆环境的语义分割并估计该语义分割的不确定性程度的方法。

背景技术

对于驾驶员辅助系统，重要的是获得对车辆环境的可靠感知。如果将驾驶员辅助系统用于自主驾驶，这尤其适用。为了对车辆环境进行感知，许多现代车辆配备有提供以下信号的一个或更多个雷达传感器，该信号包括有关车辆附近的对象的信息，例如，这些对象相对于车辆的距离、这些对象的速度等。

因此，希望使用在车辆上可获的这种雷达信号，以便导出关于车辆周围区域的分割的假设。详细地，可以将车辆周围区域限定在包括网格单元的水平网格内。为了执行对车辆环境的感知，对于各个网格单元，要确定该单元例如是被占用的、无占用的还是观察不到的。这个过程和与车辆环境内的分割相关的类似过程也被称为语义分割。

近来已经使用神经网络执行了车辆环境的语义分割任务。这种神经网络的性能以及通常基于机器学习的任何算法的性能强烈地依赖于在训练期间可用于该网络或算法的信息的质量，即，该网络或算法可以从成对的输入和真值(ground truth)中提取的信息。

从车辆环境捕获的雷达数据固有地是有噪声的并且可以提供稀疏的信息。因此，被用于基于雷达数据的语义分割的神经网络的性能是有限的，并且与神经网络的预测有关的错误是很有可能的。甚至可能不可避免的是，神经网络偶尔无法执行语义分割任务。另外，在关于将输入数据映射至输出数据的参数或权重的训练之后，对于经学习的神经网络可能存在一些附加的不确定性。

迄今为止，将神经网络用于基于雷达数据的语义分割的算法还不能提供具有关于神经网络的预测的不确定性的定量评估。如果将该预测例如用于经由驾驶员辅助系统来对车辆进行导航，那么这种关于不确定性的缺失信息可能导致显著的事故。

因此，需要这样一种确定车辆环境的语义分割的方法和系统，即，其能够提供关于所得语义分割的不确定性的可靠信息。

发明内容

在一个方面，本公开致力于一种确定车辆的环境的语义分割的计算机实现方法，该车辆包括多个雷达传感器以及处理装置，该处理装置被配置成建立确定性神经网络和贝叶斯神经网络。所述方法包括特征提取阶段，该特征提取阶段包括：经由处理装定义对车辆的环境进行划分的单元的网格；从所述多个雷达传感器接收雷达点云；向各个网格单元指派雷达点云的至少一个特征；以及通过使用包括确定性权重的确定性神经网络来提取各个网格单元的高级特征。所述方法还包括分类阶段，该分类阶段包括：定义网格单元的几个类；针对贝叶斯神经网络的层，概率性地确定各种权重集；以及经由贝叶斯神经网络，基于高级特征并且基于各种权重集来估计各个类的置信度值和各个网格单元的置信度值。最后，所述方法包括后处理阶段，该后处理阶段包括：基于所估计的置信度值，针对各个网格单元来确定预测类以及该预测类的不确定性程度。

雷达点云包括来自车辆环境中的对象的雷达反射，并且是从可以在笛卡尔坐标系中组合的所述多个雷达传感器接收到的。详细地，各个雷达传感器包括对来自对象的反射进行检测的发送器和接收器。雷达点云的所述至少一个特征可以包括：每网格单元的雷达探测量、各个单元内的雷达探测的平均雷达截面等等。所述至少一个特征被从雷达点云的点传递至所指派的网格单元。例如，如果在某个网格单元内没有雷达探测，则该单元的所有特征被设定成零。