超声波阵列障碍物检测结果处理方法及系统.pdf

《超声波阵列障碍物检测结果处理方法及系统.pdf》由会员分享，可在线阅读，更多相关《超声波阵列障碍物检测结果处理方法及系统.pdf（18页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910034451.X (22)申请日 2019.01.15 (71)申请人 北京百度网讯科技有限公司 地址 100085 北京市海淀区上地十街10号 百度大厦2层 (72)发明人 朱晓星刘祥杨凡 (74)专利代理机构 北京鸿德海业知识产权代理 事务所(普通合伙) 11412 代理人 袁媛 (51)Int.Cl. G01S 15/93(2006.01) (54)发明名称 一种超声波阵列障碍物检测结果处理方法 及系统 (57)摘要 本申请提供一种超声波阵列障碍物检测结 果处理。

2、方法及系统， 所述方法包括获取超声波传 感器阵列中各超声波传感器采集的障碍物坐标； 将超声波传感器阵列中各超声波传感器采集的 障碍物坐标输入预先训练的神经网络模型， 得到 所述预先训练的神经网络模型输出的针对各超 声波传感器采集的障碍物坐标的真假标识； 根据 所述真假标识对超声波传感器阵列中各超声波 传感器采集的障碍物坐标进行处理。 提高了超声 波阵列障碍物检测准确性， 避免误检和漏检， 提 高了行驶安全性。 权利要求书2页 说明书12页 附图3页 CN 109870698 A 2019.06.11 CN 109870698 A 1.一种超声波阵列障碍物检测结果处理方法， 其特征在于， 包括：。

3、 获取超声波传感器阵列中各超声波传感器采集的障碍物坐标； 将超声波传感器阵列中各超声波传感器采集的障碍物坐标输入预先训练的神经网络 模型， 得到所述预先训练的神经网络模型输出的针对各超声波传感器采集的障碍物坐标的 真假标识； 根据所述真假标识对超声波传感器阵列中各超声波传感器采集的障碍物坐标进行处 理。 2.根据权利要求1所述的方法， 其特征在于， 将超声波传感器阵列中各超声波传感器采 集的障碍物坐标输入预先训练的神经网络模型包括： 选择待处理的超声波传感器以及与其相邻的N个超声波传感器采集的障碍物坐标的特 征值生成数据序列， 其中， N为小于超声波传感器阵列总数的正整数； 将所述数据序列输入。

4、预先训练的神经网络模型。 3.根据权利要求2所述的方法， 其特征在于， 所述神经网络模型通过以下方法进行训 练： 构造障碍物测试场景； 获取超声波传感器阵列中各超声波传感器采集的障碍物的坐标以及激光雷达对相同 障碍物采集的坐标， 并统一到参考坐标系中； 根据统一后的激光雷达采集的障碍物坐标对各超声波传感器采集的障碍物坐标进行 真假标注， 生成训练样本； 根据所述训练样本对神经网络模型进行训练。 4.根据权利要求3所述的方法， 其特征在于， 根据统一后的激光雷达采集的障碍物坐标 对各超声波传感器采集的障碍物坐标进行真假标注包括： 若激光雷达采集的障碍物坐标与超声波传感器采集的障碍物坐标的误差在预。

5、设阈值 范围内， 则标注为真， 若大于预设阈值范围， 则标注为假。 5.根据权利要求3所述的方法， 其特征在于， 所述生成训练样本包括： 将待处理的超声波传感器以及与其相邻的N个超声波传感器采集的障碍物坐标的特征 值以及针对待处理的超声波传感器采集的障碍物坐标的真假标注生成训练样本。 6.根据权利要求4所述的方法， 其特征在于， 所述神经网络模型为卷积神经网络模型。 7.根据权利要求4所述的方法， 其特征在于， 所述神经网络模型为长短期记忆神经网络 模型。 8.根据权利要求7所述的方法， 其特征在于， 所述根据所述训练样本对神经网络模型进 行训练包括： 利用连续时刻获得的多个训练样本对所述长短。

6、期记忆神经网络模型进行训练。 9.一种超声波阵列障碍物检测结果处理系统， 其特征在于， 包括： 获取模块， 用于获取超声波传感器阵列中各超声波传感器采集的障碍物坐标； 神经网络标识模块， 用于将超声波传感器阵列中各超声波传感器采集的障碍物坐标输 入预先训练的神经网络模型， 得到所述预先训练的神经网络模型输出的针对各超声波传感 器采集的障碍物坐标的真假标识； 处理模块， 根据所述真假标识对超声波传感器阵列中各超声波传感器采集的障碍物坐 权利要求书 1/2 页 2 CN 109870698 A 2 标进行处理。 10.根据权利要求9所述的系统， 其特征在于， 所述神经网络标识模块具体用于： 选择待。

7、处理的超声波传感器以及与其相邻的N个超声波传感器采集的障碍物坐标的特 征值生成数据序列， 其中， N为小于超声波传感器阵列总数的正整数； 将所述数据序列输入预先训练的神经网络模型。 11.根据权利要求10所述的系统， 其特征在于， 所述系统还包括神经网络训练模块， 用 于： 构造障碍物测试场景； 获取超声波传感器阵列中各超声波传感器采集的障碍物的坐标以及激光雷达对相同 障碍物采集的坐标， 并统一到参考坐标系中； 根据统一后的激光雷达采集的障碍物坐标对各超声波传感器采集的障碍物坐标进行 真假标注， 生成训练样本； 根据所述训练样本对神经网络模型进行训练。 12.根据权利要求11所述的系统， 其特。

8、征在于， 根据统一后的激光雷达采集的障碍物坐 标对各超声波传感器采集的障碍物坐标进行真假标注包括： 若激光雷达采集的障碍物坐标与超声波传感器采集的障碍物坐标的误差在预设阈值 范围内， 则标注为真， 若大于预设阈值范围， 则标注为假。 13.根据权利要求12所述的系统， 其特征在于， 所述生成训练样本包括： 将待处理的超声波传感器以及与其相邻的N个超声波传感器采集的障碍物坐标的特征 值以及针对待处理的超声波传感器采集的障碍物坐标的真假标注生成训练样本。 14.根据权利要求12所述的系统， 其特征在于， 所述神经网络模型为卷积神经网络模 型。 15.根据权利要求12所述的系统， 其特征在于， 所述。

9、神经网络模型为长短期记忆神经网 络模型。 16.根据权利要求15所述的系统， 其特征在于， 所述根据所述训练样本对神经网络模型 进行训练包括： 利用连续时刻获得的多个训练样本对所述长短期记忆神经网络模型进行训练。 17.一种计算机设备， 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， 其特征在于， 所述处理器执行所述程序时实现如权利要求18中任一 项所述的方法。 18.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述程序被处理 器执行时实现如权利要求18中任一项所述的方法。 权利要求书 2/2 页 3 CN 109870698 A 3 一种超。

10、声波阵列障碍物检测结果处理方法及系统 【技术领域】 0001 本申请涉及自动控制领域， 尤其涉及一种超声波阵列障碍物检测结果处理方法及 系统。 【背景技术】 0002 无人驾驶车辆是一种智能汽车， 也可以称之为轮式移动机器人， 主要依靠车辆内 的以计算机系统为主的智能驾驶仪来实现无人驾驶。 无人驾驶汽车集自动控制、 体系结构、 人工智能、 视觉计算等众多技术于一体， 是计算机科学、 模式识别和智能控制技术高度发展 的产物， 也是衡量一个国家科研实力和工业水平的一个重要标志， 在国防和国民经济领域 具有广阔的应用前景。 0003 超声波雷达往往被加载在无人驾驶车辆上实现避障功能。 但是， 由于超。

11、声波雷达 自身的工作原理， 造成其检测精度不高， 容易造成误检和漏检， 现有的采用规则投票对超声 波阵列的检测结果进行误检漏检检测及校正的方法难以达到较高精度。 【发明内容】 0004 本申请的多个方面提供一种超声波阵列障碍物检测结果处理方法及系统， 用以提 高超声波阵列障碍物检测准确性， 避免误检和漏检， 提高行驶安全性。 0005 本申请的一方面， 提供一种超声波阵列障碍物检测结果处理方法， 包括： 0006 获取超声波传感器阵列中各超声波传感器采集的障碍物坐标； 0007 将超声波传感器阵列中各超声波传感器采集的障碍物坐标输入预先训练的神经 网络模型， 得到所述预先训练的神经网络模型输出。

12、的针对各超声波传感器采集的障碍物坐 标的真假标识； 0008 根据所述真假标识对超声波传感器阵列中各超声波传感器采集的障碍物坐标进 行处理。 0009 如上所述的方面和任一可能的实现方式， 进一步提供一种实现方式， 将超声波传 感器阵列中各超声波传感器采集的障碍物坐标输入预先训练的神经网络模型包括： 0010 选择待处理的超声波传感器以及与其相邻的N个超声波传感器采集的障碍物坐标 的特征值生成数据序列， 其中， N为小于超声波传感器阵列总数的正整数； 0011 将所述数据序列输入预先训练的神经网络模型。 0012 如上所述的方面和任一可能的实现方式， 进一步提供一种实现方式， 所述神经网 络模。

13、型通过以下方法进行训练： 0013 构造障碍物测试场景； 0014 获取超声波传感器阵列中各超声波传感器采集的障碍物的坐标以及激光雷达对 相同障碍物采集的坐标， 并统一到参考坐标系中； 0015 根据统一后的激光雷达采集的障碍物坐标对各超声波传感器采集的障碍物坐标 进行真假标注， 生成训练样本； 说明书 1/12 页 4 CN 109870698 A 4 0016 根据所述训练样本对神经网络模型进行训练。 0017 如上所述的方面和任一可能的实现方式， 进一步提供一种实现方式， 根据统一后 的激光雷达采集的障碍物坐标对各超声波传感器采集的障碍物坐标进行真假标注包括： 0018 若激光雷达采集的。

14、障碍物坐标与超声波传感器采集的障碍物坐标的误差在预设 阈值范围内， 则标注为真， 若大于预设阈值范围， 则标注为假。 0019 如上所述的方面和任一可能的实现方式， 进一步提供一种实现方式， 所述生成训 练样本包括： 0020 将待处理的超声波传感器以及与其相邻的N个超声波传感器采集的障碍物坐标的 特征值以及针对待处理的超声波传感器采集的障碍物坐标的真假标注生成训练样本。 0021 如上所述的方面和任一可能的实现方式， 进一步提供一种实现方式， 所述神经网 络模型为卷积神经网络模型。 0022 如上所述的方面和任一可能的实现方式， 进一步提供一种实现方式， 所述神经网 络模型为长短期记忆神经网。

15、络模型。 0023 如上所述的方面和任一可能的实现方式， 进一步提供一种实现方式， 所述根据所 述训练样本对神经网络模型进行训练包括： 0024 利用连续时刻获得的多个训练样本对所述长短期记忆神经网络模型进行训练。 0025 本申请的另一方面， 提供一种超声波阵列障碍物检测结果处理系统， 包括： 0026 获取模块， 用于获取超声波传感器阵列中各超声波传感器采集的障碍物坐标； 0027 神经网络标识模块， 用于将超声波传感器阵列中各超声波传感器采集的障碍物坐 标输入预先训练的神经网络模型， 得到所述预先训练的神经网络模型输出的针对各超声波 传感器采集的障碍物坐标的真假标识； 0028 处理模块。

16、， 根据所述真假标识对超声波传感器阵列中各超声波传感器采集的障碍 物坐标进行处理。 0029 如上所述的方面和任一可能的实现方式， 进一步提供一种实现方式， 所述神经网 络标识模块具体用于： 0030 选择待处理的超声波传感器以及与其相邻的N个超声波传感器采集的障碍物坐标 的特征值生成数据序列， 其中， N为小于超声波传感器阵列总数的正整数； 0031 将所述数据序列输入预先训练的神经网络模型。 0032 如上所述的方面和任一可能的实现方式， 进一步提供一种实现方式， 所述系统还 包括神经网络训练模块， 用于： 0033 构造障碍物测试场景； 0034 获取超声波传感器阵列中各超声波传感器采集。

17、的障碍物的坐标以及激光雷达对 相同障碍物采集的坐标， 并统一到参考坐标系中； 0035 根据统一后的激光雷达采集的障碍物坐标对各超声波传感器采集的障碍物坐标 进行真假标注， 生成训练样本； 0036 根据所述训练样本对神经网络模型进行训练。 0037 如上所述的方面和任一可能的实现方式， 进一步提供一种实现方式， 根据统一后 的激光雷达采集的障碍物坐标对各超声波传感器采集的障碍物坐标进行真假标注包括： 0038 若激光雷达采集的障碍物坐标与超声波传感器采集的障碍物坐标的误差在预设 说明书 2/12 页 5 CN 109870698 A 5 阈值范围内， 则标注为真， 若大于预设阈值范围， 则标。

18、注为假。 0039 如上所述的方面和任一可能的实现方式， 进一步提供一种实现方式， 所述生成训 练样本包括： 0040 将待处理的超声波传感器以及与其相邻的N个超声波传感器采集的障碍物坐标的 特征值以及针对待处理的超声波传感器采集的障碍物坐标的真假标注生成训练样本。 0041 如上所述的方面和任一可能的实现方式， 进一步提供一种实现方式， 所述神经网 络模型为卷积神经网络模型。 0042 如上所述的方面和任一可能的实现方式， 进一步提供一种实现方式， 所述神经网 络模型为长短期记忆神经网络模型。 0043 如上所述的方面和任一可能的实现方式， 进一步提供一种实现方式， 所述根据所 述训练样本对。

19、神经网络模型进行训练包括： 0044 利用连续时刻获得的多个训练样本对所述长短期记忆神经网络模型进行训练。 0045 本发明的另一方面， 提供一种计算机设备， 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。 0046 本发明的另一方面， 提供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。 0047 由所述技术方案可知， 本申请实施例可以提高超声波阵列障碍物检测准确性， 避 免误检和漏检， 提高行驶安全性。 【附图说明】 0048 为了更清楚地说明本申请实施例中的技。

20、术方案， 下面将对实施例或现有技术描述 中所需要使用的附图作一简单地介绍， 显而易见地， 下面描述中的附图是本申请的一些实 施例， 对于本领域普通技术人员来讲， 在不付出创造性劳动性的前提下， 还可以根据这些附 图获得其他的附图。 0049 图1为本申请一实施例提供的超声波阵列障碍物检测结果处理方法的流程示意 图； 0050 图2为本申请一实施例提供的超声波阵列障碍物检测结果处理方法中神经网络模 型训练方法的流程示意图； 0051 图3为本申请一实施例提供的超声波阵列障碍物检测结果校正系统的结构示意 图； 0052 图4为本申请一实施例提供的超声波阵列障碍物检测街而过校正系统的训练模块 的结构。

21、示意图； 0053 图5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012的框 图。 【具体实施方式】 0054 为使本申请实施例的目的、 技术方案和优点更加清楚， 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 说明书 3/12 页 6 CN 109870698 A 6 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全部其他实施例， 都属于本申请保护的范围。 0055 图1为本申请一实施例提供的超声波阵列障碍物检测结果处理方法的流程示意 。

22、图， 如图1所示， 包括： 0056 步骤S11、 获取超声波传感器阵列中各超声波传感器采集的障碍物坐标； 0057 步骤S12、 将超声波传感器阵列中各超声波传感器采集的障碍物坐标输入预先训 练的神经网络模型， 得到所述预先训练的神经网络模型输出的针对各超声波传感器采集的 障碍物坐标的真假标识； 0058 步骤S13、 根据所述真假标识对超声波传感器阵列中各超声波传感器采集的障碍 物坐标进行处理。 0059 优选地， 在步骤S11的一种优选实现方式中， 0060 获取超声波传感器阵列中各超声波传感器采集的障碍物坐标。 0061 优选地， 在本实施例中， 仅考虑在超声波传感器阵列的视野中存在单。

23、个障碍物的 情况， 场景比较干净， 以便各超声波传感器所返回的为针对同一个障碍物所采集的障碍物 坐标。 0062 优选地， 由于所述超声波传感器阵列中各个超声波传感器与车辆前方保险杠上均 匀分布， 因此各超声波传感器的坐标系是不同的， 需要将各超声波传感器采集的障碍物坐 标统一到参考坐标系中。 本实施例中， 可以将各超声波传感器的坐标转换到车辆坐标系中。 0063 在步骤S12的一种优选实现方式中， 0064 将超声波传感器阵列中各超声波传感器采集的障碍物坐标输入预先训练的神经 网络模型， 得到所述预先训练的神经网络模型输出的针对各超声波传感器采集的障碍物坐 标的真假标识。 0065 优选地，。

24、 所述超声波传感器阵列包括10个均匀分布在车辆前方保险杠上的超声波 传感器， 在实际应用当中， 一般最多会有4-6个相邻的超声波传感器可以采集到同一障碍物 坐标。 例如， 当障碍物出现在车辆左前方， 可能只有分布在车辆前方保险杠左侧的4个超声 波传感器采集到了所述障碍物的坐标， 返回了障碍物信息， 而分布在车辆前方保险杠中央 和右侧的6个超声波传感器则未采集到障碍物信息。 0066 在本实施例的一个优选实施例中， 0067 从各超声波传感器采集的障碍物坐标中选择一个超声波传感器以及与其相邻的N 个超声波传感器采集的障碍物坐标生成数据序列， 其中， N为小于超声波传感器阵列总数的 正整数， 将所。

25、述数据序列输入预先训练的神经网络； 得到预先训练的神经网络输出的标识 结果， 确定所选的一个超声波传感器采集的障碍物坐标的真假。 所述预先训练的神经网络 为CNN卷积神经网络。 0068 在本实施例的另一个优选实施例中， 0069 从各超声波传感器采集的障碍物坐标中选择一个超声波传感器以及与其相邻的N 个超声波传感器采集的障碍物坐标生成数据序列， 其中， N为小于超声波传感器阵列总数的 正整数， 将第t时刻所述数据序列输入预先训练的神经网络； 得到预先训练的神经网络输出 的第t时刻的标识结果， 确定所选的一个超声波传感器采集的障碍物坐标的真假。 所述预先 训练的神经网络为LSTM长短期记忆神经。

26、网络。 优选地， 将第t时刻的数据序列代入LSTM长短 说明书 4/12 页 7 CN 109870698 A 7 期记忆神经网络以计算出该第t时刻的LSTM结果， 确定所选的一个超声波传感器采集的障 碍物坐标的真假。 优选地， 在LSTM长短期记忆神经网络接收到第t时刻的数据序列的同时， 此时已经存有第t-1时刻至第t-n时刻的LSTM隐含层状态， 可以根据预设规则从该第t-1时 刻至第t-n时刻的LSTM隐含层状态种选择满足该预设规则的LSTM隐含层状态作为选择结 果， 以用于计算第t时刻的LSTM结果。 0070 其中， 在本发明的实施例中， 该预设规则可包括但不限于： 从第t-1时刻至。

27、第t-n时 刻的LSTM隐含层状态中选择出至少一个最大不同的LSTM隐含层状态作为选择结果； 和/或， 采用L0-范数的稀疏性， 从第t-1时刻至第t-n时刻的LSTM隐含层状态中选择出至少一个 LSTM隐含层状态； 和/或， 根据人工经验从第t-1时刻至第t-n时刻的LSTM隐含层状态中选择 出至少一个LSTM隐含层状态。 可以理解， 上述预设规则还可以根据实际需求(如新的任务) 设计相应的选择规则。 0071 在步骤S13的一种优选实现方式中， 0072 根据所述真假标识对超声波传感器阵列中各超声波传感器采集的障碍物坐标进 行处理。 0073 优选地， 若预先训练的神经网络输出的标识结果为。

28、真， 则保留待处理的超声波传 感器采集的障碍物坐标； 若预先训练的神经网络输出的标识结果为假， 则抛弃待处理的超 声波传感器采集的障碍物坐标。 0074 优选地， 根据处理后的障碍物坐标进行避障。 0075 优选地， 可以同时采用CNN卷积神经网络和LSTM长短期记忆神经网络分别输出标 识结果， 并进行加权求和， 以确定最终的标识结果。 0076 如图2所示， 所述神经网络模型通过以下步骤进行训练： 0077 步骤S21、 构造障碍物测试场景； 0078 优选地， 所述障碍物测试场景为简单场景， 比较干净， 在超声波阵列的视野中， 只 设置单个障碍物， 以便对所述超声波阵列进行测试的过程中， 。

29、各超声波传感器所返回的为 同一个障碍物的信息； 0079 步骤S22、 采集超声波传感器阵列采集的障碍物的坐标以及激光雷达对相同障碍 物采集的坐标并统一到参考坐标系中； 0080 优选地， 所述超声波传感器阵列中各个超声波传感器与车辆前方保险杠上均匀分 布； 所述激光雷达为单线激光雷达， 安装于车辆前方保险杠的中央位置， 所述激光雷达用于 采集障碍物的精确距离数据， 以便作为超声波传感器采集的障碍物坐标的真值， 对其进行 标注。 0081 优选地， 由于所述超声波传感器阵列中各个超声波传感器与车辆前方保险杠上均 匀分布， 激光雷达安装于车辆前方保险杠的中央位置， 因此需要将各超声波传感器坐标系。

30、 中的坐标与激光雷达坐标系中的坐标转换到参考坐标系中。 本实施例中， 可以将激光雷达 坐标系中的坐标、 超声波雷达坐标系中的坐标统一转换到车辆坐标系中。 0082 所述各超声波传感器与激光雷达的初始空间配置是事先已知的， 可以根据所述各 超声波传感器与激光雷达在无人驾驶车辆车体上的测量数据得到。 将障碍物在各超声波传 感器坐标系中的坐标与在激光雷达坐标系中的坐标转换到车辆坐标系中。 0083 步骤S23、 根据统一后的激光雷达采集的障碍物坐标对各超声波传感器采集的障 说明书 5/12 页 8 CN 109870698 A 8 碍物坐标进行标注， 生成训练样本； 0084 优选地， 根据统一后的。

31、激光雷达采集的障碍物坐标对各超声波传感器采集的障碍 物坐标进行标注， 标注其采集的障碍物坐标的label为真或为假。 0085 例如， 0086 对于超声波阵列中的超声波传感器一， 若激光雷达返回的距离数据与超声波传感 器一返回的距离数据的误差在预设阈值范围内， 则标注为真， 若大于预设阈值范围， 则标注 为假， 认为所述超声波传感器一出现了误检或漏检。 优选地， 所述预设阈值范围为20cm， 可 以覆盖大约99的输出。 0087 确定超声波传感器一相邻的N个超声波传感器采集的障碍物坐标的特征值。 优选 地， N为小于超声波阵列的超声波传感器总数的正整数。 优选地， 所述超声波传感器阵列包 括。

32、10个均匀分布在车辆前方保险杠上的超声波传感器， 在实际应用当中， 一般最多会有4-6 个相邻的超声波传感器可以采集到同一障碍物坐标。 例如， 当障碍物出现在车辆左前方， 可 能只有分布在车辆前方保险杠左侧的4个超声波传感器采集到了所述障碍物的坐标， 返回 了障碍物信息， 而分布在车辆前方保险杠中央和右侧的6个超声波传感器则未采集到障碍 物信息。 因此， N可以选择为4个， 虽然N可以取更大的数值， 但是， 更多的传感器所采集的障 碍物坐标与传感器一所采集的障碍物坐标的相关程度较低， 只会增加运算量， 因此， 一般选 择为4个即可。 0088 选择超声波传感器一相邻的N个超声波传感器采集的障碍。

33、物坐标， 通过对所述障 碍物坐标进行特征变化， 如取平方、 开平方等获取其特征值。 0089 优选地， 将超声波传感器一相邻的N个超声波传感器的特征值以及超声波传感器 一的label生成训练样本。 0090 其中， label标注为真的为正样本， label标注为假的为负样本。 0091 优选地， 将连续时刻的超声波传感器一相邻的N个超声波传感器的特征值以及超 声波传感器一的label生成训练样本。 0092 通过在障碍物测试场景中进行测试， 可以自动获得针对各超声波传感器的大量的 测试样本， 无需人工通过激光测距仪等设备进行手工标注， 大大提高了测试样本的获取速 度和精确度。 0093 步骤。

34、S24、 根据所述训练样本对神经网络模型进行训练。 0094 在本实施例的一种优选实现方式中， 所述神经网络模型为CNN卷积神经网络模型。 利用带有标注的训练样本， 包括正样本和负样本对CNN卷积神经网络模型进行训练。 0095 优选地， 利用SGD(Stochastic Gradient Descent， 随机梯度下降)训练算法对多 个样本对进行训练， 最终得到CNN模型参数。 0096 优选地， 对超声波阵列中不同的超声波传感器， 分别将其相邻的N个超声波传感器 的特征值以及其label生成训练样本对CNN卷积神经网络模型进行训练。 在超声波阵列障碍 物检测结果处理方法中， 对不同超声波传。

35、感器的待校正的障碍物检测结果， 采用其对应的 训练后的CNN卷积神经网络模型进行标注， 对应的label标注结果即为其障碍物检测结果的 标注， 若为真， 则根据其采集的障碍物坐标进行避障； 若预先训练的神经网络输出的标识结 果为假， 则抛弃该采集结果， 以新的采集结果为准进行避障。 0097 在本实施例的另一种优选实现方式中， 所述神经网络模型为LSTM长短期记忆神经 说明书 6/12 页 9 CN 109870698 A 9 网络模型。 利用连续时刻获得的多个带有标注的训练样本对LSTM长短期记忆神经网络模型 进行训练。 0098 利用训练样本对LSTM长短期记忆神经网络模型进行训练， 通过。

36、使目标函数最优化 (即， 最大化或最小化)， 从参数的初始值确定LSTM长短期记忆神经网络的参数的额训练之。 0099 采用上述实施例提供的技术方案， 采用激光雷达返回的结果作为超声波阵列检测 的真值对超声波阵列障碍物检测结果进行标注， 利用标注后的障碍物检测结果作为训练样 本对神经网络模型进行训练， 根据训练后的神经网络模型对超声波障碍物检测结果进行校 正， 提高超声波阵列障碍物检测准确性， 避免误检和漏检， 提高行驶安全性。 0100 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。

37、制， 因为 依据本申请， 某些步骤可以采用其他顺序或者同时进行。 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。 0101 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。 0102 图3为本申请一实施例提供的超声波阵列障碍物检测结果校正系统的结构示意 图， 如图3所示， 包括： 0103 获取模块31， 用于获取超声波传感器阵列中各超声波传感器采集的障碍物坐标； 0104 神经网络标识模块32， 用于将超声波传感器阵列中各超声波传感器采集的障碍物 坐标输入预先训练的神经网络模。

38、型， 得到所述预先训练的神经网络模型输出的针对各超声 波传感器采集的障碍物坐标的真假标识； 0105 处理模块33， 根据所述真假标识对超声波传感器阵列中各超声波传感器采集的障 碍物坐标进行处理。 0106 优选地， 在获取模块31的一种优选实现方式中， 0107 获取模块31获取超声波传感器阵列中各超声波传感器采集的障碍物坐标。 0108 优选地， 在本实施例中， 仅考虑在超声波传感器阵列的视野中存在单个障碍物的 情况， 场景比较干净， 以便各超声波传感器所返回的为针对同一个障碍物所采集的障碍物 坐标。 0109 优选地， 由于所述超声波传感器阵列中各个超声波传感器与车辆前方保险杠上均 匀分。

39、布， 因此各超声波传感器的坐标系是不同的， 需要将各超声波传感器采集的障碍物坐 标统一到参考坐标系中。 本实施例中， 可以将各超声波传感器的坐标转换到车辆坐标系中。 0110 在神经网络标识32的一种优选实现方式中， 0111 所述神经网络标识模块32将将超声波传感器阵列中各超声波传感器采集的障碍 物坐标输入预先训练的神经网络模型， 得到所述预先训练的神经网络模型输出的针对各超 声波传感器采集的障碍物坐标的真假标识。 0112 优选地， 所述超声波传感器阵列包括10个均匀分布在车辆前方保险杠上的超声波 传感器， 在实际应用当中， 一般最多会有4-6个相邻的超声波传感器可以采集到同一障碍物 坐标。

40、。 例如， 当障碍物出现在车辆左前方， 可能只有分布在车辆前方保险杠左侧的4个超声 波传感器采集到了所述障碍物的坐标， 返回了障碍物信息， 而分布在车辆前方保险杠中央 说明书 7/12 页 10 CN 109870698 A 10 和右侧的6个超声波传感器则未采集到障碍物信息。 0113 在本实施例的一个优选实施例中， 0114 从各超声波传感器采集的障碍物坐标中选择一个超声波传感器以及与其相邻的N 个超声波传感器采集的障碍物坐标生成数据序列， 其中， N为小于超声波传感器阵列总数的 正整数， 将所述数据序列输入预先训练的神经网络； 得到预先训练的神经网络输出的标识 结果， 确定所选的一个超声。

41、波传感器采集的障碍物坐标的真假。 所述预先训练的神经网络 为CNN卷积神经网络。 0115 在本实施例的另一个优选实施例中， 0116 从各超声波传感器采集的障碍物坐标中选择一个超声波传感器以及与其相邻的N 个超声波传感器采集的障碍物坐标生成数据序列， 其中， N为小于超声波传感器阵列总数的 正整数， 将第t时刻所述数据序列输入预先训练的神经网络； 得到预先训练的神经网络输出 的第t时刻的标识结果， 确定所选的一个超声波传感器采集的障碍物坐标的真假。 所述预先 训练的神经网络为LSTM长短期记忆神经网络。 优选地， 将第t时刻的数据序列代入LSTM长短 期记忆神经网络以计算出该第t时刻的LST。

42、M结果， 确定所选的一个超声波传感器采集的障 碍物坐标的真假。 优选地， 在LSTM长短期记忆神经网络接收到第t时刻的数据序列的同时， 此时已经存有第t-1时刻至第t-n时刻的LSTM隐含层状态， 可以根据预设规则从该第t-1时 刻至第t-n时刻的LSTM隐含层状态种选择满足该预设规则的LSTM隐含层状态作为选择结 果， 以用于计算第t时刻的LSTM结果。 0117 其中， 在本发明的实施例中， 该预设规则可包括但不限于： 从第t-1时刻至第t-n时 刻的LSTM隐含层状态中选择出至少一个最大不同的LSTM隐含层状态作为选择结果； 和/或， 采用L0-范数的稀疏性， 从第t-1时刻至第t-n时。

43、刻的LSTM隐含层状态中选择出至少一个 LSTM隐含层状态； 和/或， 根据人工经验从第t-1时刻至第t-n时刻的LSTM隐含层状态中选择 出至少一个LSTM隐含层状态。 可以理解， 上述预设规则还可以根据实际需求(如新的任务) 设计相应的选择规则。 0118 在处理模块33的一种优选实现方式中， 0119 所述处理模块33用于根据所述真假标识对超声波传感器阵列中各超声波传感器 采集的障碍物坐标进行处理。 0120 优选地， 若预先训练的神经网络输出的标识结果为真， 则保留待处理的超声波传 感器采集的障碍物坐标； 若预先训练的神经网络输出的标识结果为假， 则抛弃待处理的超 声波传感器采集的障碍。

44、物坐标。 0121 优选地， 根据处理后的障碍物坐标进行避障。 0122 优选地， 可以同时采用CNN卷积神经网络和LSTM长短期记忆神经网络分别输出标 识结果， 并进行加权求和， 以确定最终的标识结果。 0123 所述系统还包括训练模块34， 用于训练所述神经网络模型， 所述训练模块34包括 以下子模块： 0124 构建子模块41， 用于构造障碍物测试场景； 0125 优选地， 所述障碍物测试场景为简单场景， 比较干净， 在超声波阵列的视野中， 只 设置单个障碍物， 以便对所述超声波阵列进行测试的过程中， 各超声波传感器所返回的为 同一个障碍物的信息； 说明书 8/12 页 11 CN 10。

45、9870698 A 11 0126 采集子模块43， 用于采集超声波传感器阵列采集的障碍物的坐标以及激光雷达对 相同障碍物采集的坐标并统一到参考坐标系中； 0127 优选地， 所述超声波传感器阵列中各个超声波传感器与车辆前方保险杠上均匀分 布； 所述激光雷达为单线激光雷达， 安装于车辆前方保险杠的中央位置， 所述激光雷达用于 采集障碍物的精确距离数据， 以便作为超声波传感器采集的障碍物坐标的真值， 对其进行 标注。 0128 优选地， 由于所述超声波传感器阵列中各个超声波传感器与车辆前方保险杠上均 匀分布， 激光雷达安装于车辆前方保险杠的中央位置， 因此需要将各超声波传感器坐标系 中的坐标与激。

46、光雷达坐标系中的坐标转换到参考坐标系中。 本实施例中， 可以将激光雷达 坐标系中的坐标、 超声波雷达坐标系中的坐标统一转换到车辆坐标系中。 0129 所述各超声波传感器与激光雷达的初始空间配置是事先已知的， 可以根据所述各 超声波传感器与激光雷达在无人驾驶车辆车体上的测量数据得到。 将障碍物在各超声波传 感器坐标系中的坐标与在激光雷达坐标系中的坐标转换到车辆坐标系中。 0130 生成子模块43， 用于根据统一后的激光雷达采集的障碍物坐标对各超声波传感器 采集的障碍物坐标进行标注， 生成训练样本； 0131 优选地， 根据统一后的激光雷达采集的障碍物坐标对各超声波传感器采集的障碍 物坐标进行标注。

47、， 标注其采集的障碍物坐标的label为真或为假。 0132 例如， 0133 对于超声波阵列中的超声波传感器一， 若激光雷达返回的距离数据与超声波传感 器一返回的距离数据的误差在预设阈值范围内， 则标注为真， 若大于预设阈值范围， 则标注 为假， 认为所述超声波传感器一出现了误检或漏检。 优选地， 所述预设阈值范围为20cm， 可 以覆盖大约99的输出。 0134 确定超声波传感器一相邻的N个超声波传感器采集的障碍物坐标的特征值。 优选 地， N为小于超声波阵列的超声波传感器总数的正整数。 优选地， 所述超声波传感器阵列包 括10个均匀分布在车辆前方保险杠上的超声波传感器， 在实际应用当中，。

48、 一般最多会有4-6 个相邻的超声波传感器可以采集到同一障碍物坐标。 例如， 当障碍物出现在车辆左前方， 可 能只有分布在车辆前方保险杠左侧的4个超声波传感器采集到了所述障碍物的坐标， 返回 了障碍物信息， 而分布在车辆前方保险杠中央和右侧的6个超声波传感器则未采集到障碍 物信息。 因此， N可以选择为4个， 虽然N可以取更大的数值， 但是， 更多的传感器所采集的障 碍物坐标与传感器一所采集的障碍物坐标的相关程度较低， 只会增加运算量， 因此， 一般选 择为4个即可。 0135 选择超声波传感器一相邻的N个超声波传感器采集的障碍物坐标， 通过对所述障 碍物坐标进行特征变化， 如取平方、 开平方。

49、等获取其特征值。 0136 优选地， 将超声波传感器一相邻的N个超声波传感器的特征值以及超声波传感器 一的label生成训练样本。 0137 其中， label标注为真的为正样本， label标注为假的为负样本。 0138 优选地， 将连续时刻的超声波传感器一相邻的N个超声波传感器的特征值以及超 声波传感器一的label生成训练样本。 0139 通过在障碍物测试场景中进行测试， 可以自动获得针对各超声波传感器的大量的 说明书 9/12 页 12 CN 109870698 A 12 测试样本， 无需人工通过激光测距仪等设备进行手工标注， 大大提高了测试样本的获取速 度和精确度。 0140 训练子。

50、模块44， 用于根据所述训练样本对神经网络模型进行训练。 0141 在本实施例的一种优选实现方式中， 所述神经网络模型为CNN卷积神经网络模型。 利用带有标注的训练样本， 包括正样本和负样本对CNN卷积神经网络模型进行训练。 0142 优选地， 利用SGD(Stochastic Gradient Descent， 随机梯度下降)训练算法对多 个样本对进行训练， 最终得到CNN模型参数。 0143 优选地， 对超声波阵列中不同的超声波传感器， 分别将其相邻的N个超声波传感器 的特征值以及其label生成训练样本对CNN卷积神经网络模型进行训练。 在超声波阵列障碍 物检测结果处理方法中， 对不同超。