用于自动驾驶车辆的分层感知方法、系统和车辆与流程

1.本技术涉及目标跟踪技术领域，更具体地涉及一种用于自动驾驶车辆的分层感知方法、系统和车辆。


背景技术：

2.自动驾驶技术是在自动驾驶车辆上安装各种传感器设备，通过车载的计算单元对周边障碍物以及道路情况进行感知，同时通过车载计算单元，计算可行的决策规划结果，从而达到自动驾驶目的的一种技术。在整个自动驾驶系统中，感知系统是其中非常重要的一个组成部分。感知系统能否对道路交通情况迅速做出感知，直接影响了驾驶的安全性。


技术实现要素：

3.为了解决上述问题中而提出了本技术。根据本技术一方面，提供了一种自动驾驶车辆的分层感知方法，所述方法包括：
4.获取障碍物的前连续多帧感知数据；
5.根据所述前连续多帧感知数据识别所述障碍物，并确定所述障碍物的类别；
6.对所述类别的所述障碍物进行持续跟踪；
7.评估所述持续跟踪的结果，若所述持续跟踪结果指示所述持续跟踪的准确率低于预设阈值，则进行自我矫正；
8.判断所述障碍物是否全部离开视野，当所述障碍物全部离开所述视野时，停止对所述障碍物的跟踪。
9.在本技术的一个实施例中，根据所述前连续多帧感知数据识别所述障碍物，并确定所述障碍物的类别，包括：
10.对所述前连续多帧感知数据进行预处理和数据分割；
11.将数据分割后的所述前连续多帧感知数据发送至识别模型，以识别所述障碍物，并获得所述障碍物的基础信息，然后采用分类模型对所述障碍物进行分类，以获得所述障碍物的类别；
12.采用模型库中的小模型对所述类别的所述障碍物进行校验，以获得所述障碍物的基础信息并存储。
13.在本技术的一个实施例中，对所述类别的所述障碍物进行持续跟踪，包括：
14.获取所述前连续多帧感知数据之后的连续多帧感知数据；
15.根据决策规划模块反馈的预测结果，推演所述障碍物的下一空间位置；
16.将所述下一空间位置反馈给驱动模块，以使所述驱动模块对所述连续多帧感知数据进行预分割，并发送至所述小模型，以对所述障碍物进行持续跟踪；
17.获取所述障碍物的细节信息并存储。
18.在本技术的一个实施例中，根据决策规划模块反馈的预测信息，推演所述障碍物的下一空间位置，包括：
19.当存在多个障碍物时，根据所述决策规划模块的规划结果，确定所述多个障碍物的优先级；
20.根据所述多个障碍物的优先级，推演所述多个障碍物的下一空位置。
21.在本技术的一个实施例中，进行自我矫正，包括：
22.删除经存储的所述障碍物的所述基础信息和所述细节信息；
23.向驱动模块发送取消对所述连续多帧感知数据进行预分割的命令，以取消对所述连续多帧感知数据的所述预分割；
24.返回所述根据所述前连续多帧感知数据识别所述障碍物，并确定所述障碍物的类别的步骤，以重新对所述障碍物进行识别。
25.在本技术的一个实施例中，删除经存储的所述障碍物的所述基础信息和所述细节信息之前，所述方法还包括：
26.对所述连续多帧感知数据进行多帧验证；
27.当所述多帧验证的结果均表明所述持续跟踪的准确率低于预设阈值，则进行自我矫正；
28.当所述多帧验证的结果中存在准确率不低于预设阈值的感知数据，则继续对所述类别的所述障碍物进行持续跟踪。
29.在本技术的一个实施例中，评估所述持续跟踪的结果之后，所述方法还包括：
30.若所述持续跟踪结果指示所述持续跟踪的准确率低于预设阈值，则向决策规划模块发出警示信息，以便所述决策规划模块重新进行规划。
31.在本技术的一个实施例中，判断所述障碍物是否全部离开视野，当所述障碍物全部离开所述视野时，停止对所述障碍物的追踪，包括：
32.判断所述障碍物是否离开所述视野；
33.当所述障碍物离开所述视野时，判断所述障碍物是否被遮挡；
34.当所述障碍物被遮挡时，则保留所述障碍物在追踪列表内，否则确定所述障碍物全部离开所述视野；
35.停止对所述障碍物的跟踪。
36.在本技术的一个实施例中，判断所述障碍物是否被遮挡，包括：
37.判断所述障碍物消失的位置是否出现新的感知数据；
38.若所述障碍物消失的位置出现所述新的感知数据，则确定所述障碍物被遮挡。
39.在本技术的一个实施例中，所述感知数据包括点云数据和图像数据。
40.在本技术的一个实施例中，当所述感知数据为所述点云数据时，对所述前连续多帧感知数据进行预处理，包括：
41.对所述点云数据进行以下至少一项操作：坐标变换、合并和去噪；
42.当所述感知数据为所述图像数据时，对所述前连续多帧感知数据进行预处理，包括：
43.对所述图像数据进行以下至少一项操作：去畸变、图像信号处理和旋转。
44.在本技术的一个实施例中，所述系统包括：
45.获取模块，用于获取障碍物的前连续多帧感知数据；
46.识别模块，用于根据所述前连续多帧感知数据识别所述障碍物，并确定所述障碍
物的类别；
47.跟踪模块，用于对所述类别的所述障碍物进行持续跟踪；
48.矫正模块，用于评估所述持续跟踪的结果，若所述持续跟踪结果指示所述持续跟踪的准确率低于预设阈值，则进行自我矫正；
49.退出模块，用于判断所述障碍物是否全部离开视野，当所述障碍物全部离开所述视野时，停止对所述障碍物的跟踪。
50.根据本技术另一方面，提供了一种自动驾驶车辆，所述自动驾驶车辆包括：
51.存储器和处理器，所述存储器上存储有由所述处理器运行的计算机程序，所述计算机程序在被所述处理器运行时，使得所述处理器执行如上所述的用于自动驾驶车辆的分层感知方法。
52.根据本技术再一方面，提供了一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序在被处理器运行时使得所述处理器执行如上所述的用于自动驾驶车辆的分层感知方法。
53.本技术的用于自动驾驶车辆的分层感知方法，通过根据前连续多帧感知数据识别障碍物，并确定障碍物的类别，对该类别的障碍物进行持续跟踪，当持续跟踪的准确率低于预设阈值时，进行自我矫正，然后当障碍物全部离开视野时，退出跟踪，这样可以让感知逻辑大大减少冗余的计算，同时高度并行化每个障碍物的跟踪检测。另外，本申表具有优先级调整能力，针对重要的障碍物进行优先识别。而且，本技术使用大量的小模型，且在数据流上进行了主次的划分，在整个系统的稳定性上有很大的优势。
附图说明
54.通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其它目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
55.图1示出传统技术中的自动驾驶车辆的分层感知方法执行过程中的感知数据流示意图；
56.图2示出根据本技术实施例的自动驾驶车辆的分层感知方法的示意性流程图；
57.图3示出根据本技术实施例的自动驾驶车辆的分层感知方法执行过程中的感知数据流示意图；
58.图4示出根据本技术实施例的自动驾驶车辆的分层感知系统的示意性框图；
59.图5示出根据本技术实施例的自动驾驶车辆的示意性框图。
具体实施方式
60.为了使得本技术的目的、技术方案和优点更为明显，下面将参照附图详细描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。基于本技术中描述的本技术实施例，本领域技术人员在没有付出创造性劳动的情况下所得到的所有其它实施例都应落入本技术的保护范围之内。
61.近几年来，自动驾驶技术发展迅速，其中最为代表性的技术为单车智能技术。即在自动驾驶车辆上安装各种传感器设备，并且通过车载的计算单元对周边障碍物以及道路情况进行感知，同时通过车载的计算单元，计算可行的决策规划结果，从而达到自动驾驶的目的。
62.在整个自动驾驶系统中，感知系统是其中非常重要的一个组成部分，感知的视野范围、识别能力、识别准确性等，直接影响着整个自动驾驶的效果。另外感知系统对于延时的要求也是非常的高，低延时能够让整个系统快速反应，及早发现问题。
63.如图1所示，在传统技术中，获取感知数据(点云/图像数据)，然后对点云/图像数据进行预处理，将预处理后的点云/图像数据进行分割，通过点云/图像识别模型进行识别，然后对障碍物进行追踪，对驾驶进行规划与控制(planning and control，pnc)。
64.传统的技术方案，大多数使用单个或者多个大模型，对障碍物进行识别，并由专门的追踪模块对已识别的障碍物进行追踪。这种方法中，由于自动驾驶的场景复杂程度非常高，所采用的模型需要具有对各种障碍物均能够识别的能力，譬如大到轿车、自行车、公交车、卡车，小到砖头、塑料袋、树叶等，这就要求模型的复杂程度的较高，而且难于对模型进行针对性调试与优化。另外，现有技术感知的主数据流以串行数据流为主，并行程度低，前后依赖高。从最后串行的主数据流结果来看，上游模块的计算结果的好坏，直接影响了下游模块的质量好坏。即使下游模块做的质量非常高，上游模块结果不佳，仍然会对下游模块高质量的结果进行叠加，导致最终结果的质量仍然不高。
65.本技术提供了一种分层感知方法和系统，该系统具有超低延时的特性，同时具有非常强的聚焦能力和高可靠的障碍物追踪能力。
66.基于前述的技术问题，本技术提供了一种自动驾驶车辆的分层感知方法，所述方法包括：获取障碍物的前连续多帧感知数据；根据所述前连续多帧感知数据识别所述障碍物，并确定所述障碍物的类别；对所述类别的所述障碍物进行持续跟踪；评估所述持续跟踪的结果，若所述持续跟踪结果指示所述持续跟踪的准确率低于预设阈值，则进行自我矫正；判断所述障碍物是否全部离开视野，当所述障碍物全部离开所述视野时，停止对所述障碍物的跟踪。通过根据前连续多帧感知数据识别障碍物，并确定障碍物的类别，对该类别的障碍物进行持续跟踪，当持续跟踪的准确率低于预设阈值时，进行自我矫正，然后当障碍物全部离开视野时，退出跟踪，这样可以让感知逻辑大大减少冗余的计算，同时高度并行化每个障碍物的跟踪检测。另外，本申表具有优先级调整能力，针对重要的障碍物进行优先识别。而且，本技术使用大量的小模型，且在数据流上进行了主次的划分，在整个系统的稳定性上有很大的优势。
67.下面结合附图来详细描述根据本技术实施例的自动驾驶车辆的分层感知方法的方案。在不冲突的前提下，本技术的各个实施例的特征可以相互结合。
68.图2示出根据本技术实施例的自动驾驶车辆的分层感知方法的示意性流程图；如图1所示，根据本技术实施例的自动驾驶车辆的分层感知方法200可以包括如下步骤s201和步骤s202：
69.在步骤s201，获取障碍物的前连续多帧感知数据。
70.其中，所述感知数据包括点云数据和图像数据。在本技术中，在自动驾驶车辆的分层感知系统启动后，首先获取前连续多帧的点云数据和图像数据，然后对其进行预处理。
71.在步骤s202，根据所述前连续多帧感知数据识别所述障碍物，并确定所述障碍物的类别。
72.在本技术的一个实施例中，根据所述前连续多帧感知数据识别所述障碍物，并确定所述障碍物的类别，包括：步骤a1，对所述前连续多帧感知数据进行预处理和数据分割；步骤a2，将数据分割后的所述前连续多帧感知数据发送至识别模型，以识别所述障碍物，并获得所述障碍物的基础信息，然后采用分类模型对所述障碍物进行分类，以获得所述障碍物的类别；步骤a3，采用模型库中的小模型对所述类别的所述障碍物进行校验，以获得所述障碍物的基础信息并存储。
73.在本技术实施例中，当自动驾驶车辆及其分层感知系统启动之后，其中未存储与障碍物相关的数据(例如，障碍物的基础数据和细节数据)为空，亦未存储障碍物空间信息。在本技术实施例中，首先对前连续多帧感知图像(点云/图像数据)进行预处理和分割。然后对分割后的点云/图像数据使用识别模型进行分类，生成障碍物的形状、大小、速度和方向等基础信息，然后通过模型分类器对障碍物进分类，以产生类别信息等基础信息。在点云/图像模型库中选取合适的小模型，对此类障碍物进行持续的校验，并将此次处理产生的基础信息进行存储。
74.以上整个过程为障碍物适应阶段，这个阶段一般发生在整个感知系统刚启动的时候，障碍物第一次出现在视野里，需要对障碍物进行初始的识别。在障碍物适应阶段中，对前连续多帧感知数据进行识别，如果模型分类器无法对障碍物进行合理的分类，则会始终保持在障碍物适应阶段。
75.其中，当所述感知数据为所述点云数据时，对所述前连续多帧感知数据进行预处理，包括：对所述点云数据进行以下至少一项操作：坐标变换、合并和去噪等。
76.其中，当所述感知数据为所述图像数据时，对所述前连续多帧感知数据进行预处理，包括：对所述图像数据进行以下至少一项操作：去畸变、图像信号处理(image signal processing，isp)和旋转等。
77.其中，当所述感知数据为所述点云数据时，对点云进行空间分割；当所述感知数据为所述图像数据时，对图像进行分割。
78.其中，根据对点云数据或图像数据分割后的结果，通过识别模型计算障碍物的大小、形状等基础信息。
79.其中，根据分割与识别信息，调用模型分类器，计算障碍物的类型基础信息。
80.其中，以上步骤s201和步骤s202为障碍物适应阶段，即第一阶段。
81.在步骤s203，对所述类别的所述障碍物进行持续跟踪。
82.在一个示例中，对所述类别的所述障碍物进行持续跟踪，包括：步骤b1，获取所述前连续多帧感知数据之后的连续多帧感知数据；步骤b2，根据决策规划模块反馈的预测结果，推演所述障碍物的下一空间位置；步骤b3，将所述下一空间位置反馈给驱动模块，以使所述驱动模块对所述连续多帧感知数据进行预分割，并发送至所述小模型，以对所述障碍物进行持续跟踪；步骤b4，获取所述障碍物的细节信息并存储。
83.具体地，可以在点云/图像模型库中选取选择相应的用于持续追踪的小模型。小模型可以针对不同类型的障碍物，对障碍物点云/图像进行持续识别追踪。
84.在本技术的实施例中，经过障碍物适应阶段之后，会进入障碍物持续跟踪阶段，即
第二阶段。在第二阶段中，根据预测模块反馈的预测信息，推演下一阵该障碍物的可能空间位置，并且将可能空间位置反馈给驱动模块，以使得驱动模块根据该信息，对点云/图像数据进行预分割。经过预分割的数据，无需使用识别模型和模型分类器进行识别和分类，直接到达点云/图像小模型，进行持续性的强化跟踪。若跟踪效果良好，则会调用更细节的其他识别模型，去丰富该障碍物的细节信息，并且将丰富后的细节信息进行存储。若持续跟踪效果较差，则会进入矫正阶段。注意，以上深度追踪的过程需要在障碍物基础信息和细节信息等基本信息均得到确认的情况下进行。
85.值得注意的是，第一帧点云/图像数据无法进行预分割。
86.本技术实施例对前几帧点云/图像数据进行预处理和分割，并进行识别和分类，在已确定障碍物类别的情况下，对于后面的连续多帧感知数据可以无需进行预处理和分割，而是直接进行预分割，然后根据障碍物的类别采用小模型进行持续跟踪。这样可以极大地减小感知系统的延迟。
87.其中，步骤b2包括：步骤c1，当存在多个障碍物时，根据所述决策规划模块的规划结果，确定所述多个障碍物的优先级；步骤c2，根据所述多个障碍物的优先级，推演所述多个障碍物的下一空位置。
88.本技术的实施例中，可能通过决策规划模块反馈的预测结果，调整障碍物识别及持续追踪的优先级，还可以将整合的可信结果反馈给驱动模块，对数据进行预分割，从而简化大量重新识别的操作。
89.其中，步骤s203为障碍物持续跟踪阶段，即第二阶段。
90.在步骤s204，评估所述持续跟踪的结果，若所述持续跟踪结果指示所述持续跟踪的准确率低于预设阈值，则进行自我矫正。
91.在本技术的实施例中，当在持续跟踪过程中，判断持续跟踪结果的准确率是否低于预设阈值(例如，低于50％)，如果低于预设阈值，则表明障碍物的类别存在错误，需要在下一阶段可以进行重新进行障碍物的分割、识别及分类。
92.在一个示例中，进行自我矫正，包括：d1，删除经存储的所述障碍物的所述基础信息和所述细节信息；d2，向驱动模块发送取消对所述连续多帧感知数据进行预分割的命令，以取消对所述连续多帧感知数据的所述预分割；d3，返回所述根据所述前连续多帧感知数据识别所述障碍物，并确定所述障碍物的类别的步骤，以重新对所述障碍物进行识别。
93.在障碍物持续跟踪阶段中，当存在需要进行自我矫正的情况时，将进入第三阶段进行自我矫正。
94.在自我矫正阶段中，还需要对点云/图像数据进行多帧验证，如果验证结果均表明每帧点云/图像数据中障碍物识别及分类的准确率低于预设阈值，则需要删除之前存储的障碍物的基础信息(包括形状、大小等)、细节信息和空间信息。并且取消对连续多帧感数据进行预分割处理，然后将该障碍物的点云/图像数据导入到第一阶段，以进行重新预处理与分割。
95.如果需要对点云/图像数据进行多帧验证的结果表明准确率未低于预设阈值，则无需进行自我矫正，而是仍保持在第二阶段。
96.其中，驱动模块用于控制摄像头、激光雷达等传感器。
97.在本技术的一个实施例中，评估所述持续跟踪的结果之后，所述方法还包括：若所
述持续跟踪结果指示所述持续跟踪的准确率低于预设阈值，则向决策规划模块发出警示信息，以便所述决策规划模块重新进行规划。本技术实施例中，在进行矫正时可以同时发出警示信息，以便于决策规划模块及时做出反应。
98.其中，步骤s204为自我矫正阶段，即第三阶段。
99.在步骤s205，判断所述障碍物是否全部离开视野，当所述障碍物全部离开所述视野时，停止对所述障碍物的跟踪。
100.其中，步骤s205为退出阶段。
101.在本技术的一个实施例中，判断所述障碍物是否全部离开视野，当所述障碍物全部离开所述视野时，停止对所述障碍物的追踪，包括：步骤e1，判断所述障碍物是否离开所述视野；步骤e2，当所述障碍物离开所述视野时，判断所述障碍物是否被遮挡；步骤e3，当所述障碍物被遮挡时，则保留所述障碍物在追踪列表内，否则确定所述障碍物全部离开所述视野；步骤e4，停止对所述障碍物的跟踪。
102.本技术实施例中，当障碍物离开视野之后，即开始进入第四阶段，即退出阶段。在第四阶段中，障碍物的基础信息会被保留一小段时间，以防止障碍物二次进入视野。另外，如果障碍物因为被遮挡造成的退出，则会持续保留在追踪列表内。
103.在一个示例中，判断所述障碍物是否被遮挡，包括：f1，判断所述障碍物消失的位置是否出现新的感知数据；f2，若所述障碍物消失的位置出现所述新的感知数据，则确定所述障碍物被遮挡。
104.如图3所示，为本技术实施例的自动驾驶车辆的分层感知方法执行过程的数据流示意图。本技术的感知系统根据随着启动之后，存在不同的工作状态，主要分为以下几个工作阶段，第一为阶段场障碍物应阶段，第二阶段为持续识别追踪阶段，第三阶段为自我矫正阶段，第四阶段为退出阶段。
105.在第一阶段(障碍物适应阶段)中，当自动驾驶车辆及其分层感知系统启动之后，其中未存储与障碍物相关的数据(例如，障碍物的基础数据和细节数据)为空，亦未存储障碍物空间信息。首先获取前连续多帧点云/图像数据，然后对前连续多帧点云/图像数据进行预处理和分割。然后对分割后的点云/图像数据使用识别模型进行分类，生成障碍物的大小、形状、速度和方向等基础信息，然后通过模型分类器对障碍物进分类，以产生类别信息等基础信息。在第一阶段中，还在点云/图像模型库中选取合适的小模型，对此类障碍物进行持续的校验，以确定所识别的障碍物的类别是否准确，然后将此次处理产生的基础信息进行存储。
106.在第二阶段(障碍物持续跟踪阶段)中，根据预测模块(pnc预测)反馈的预测信息，推演下一阵该障碍物的可能空间位置，并且将可能空间位置反馈给驱动模块，以使得驱动模块根据该信息，对点云/图像数据进行预分割。经过预分割的数据，无需使用识别模型和模型分类器进行识别和分类，直接到达点云/图像小模型，进行持续性的强化跟踪。若跟踪效果良好，则会调用更细节的其他识别模型，去丰富该障碍物的细节信息，并且将丰富后的细节信息进行存储。若持续跟踪效果较差，则会进入矫正阶段。注意，以上深度追踪的过程需要在障碍物基础信息和细节信息等基本信息均得到确认的情况下进行。在这一阶段中，在已确定障碍物类别的情况下，对于后面的连续多帧感知数据可以无需进行预处理和分割，而是直接进行预分割，然后根据障碍物的类别采用小模型进行持续跟踪。这样可以极大
地减小感知系统的延迟。
107.在第三阶段中，在自我矫正阶段中，还需要对点云/图像数据进行多帧验证，如果验证结果均表明每帧点云/图像数据中障碍物识别及分类的准确率低于预设阈值，则需要删除之前存储的障碍物的基础信息(包括形状、大小等)、细节信息和空间信息。并且取消对连续多帧感数据进行预分割处理，然后将该障碍物的点云/图像数据导入到第一阶段，以进行重新预处理与分割。
108.在第四阶段中，障碍物的基础信息会被保留一小段时间，以防止障碍物二次进入视野。另外，如果障碍物因为被遮挡造成的退出，则会持续保留在追踪列表内。
109.本技术实施例基于障碍物的识别目的，需要准确的告之下游模块障碍物的形状、大小、速度、方向、障碍物类型、运动轨迹等基础数据。感知的过程是一个对障碍物理解的过程，需要有一定的层次与周期，往往一蹴而就的结果会导致识别错误概率的增加。
110.在本技术的分层感知数据流中，数据流被定义为主数据流与辅数据流，主数据流为单条，辅数据流可以为一条，也可以为多条。主数据流用于障碍物持续追踪与校正，辅数据流用于障碍物识别。
111.值得注意的是，本技术实施例的工作粒度为障碍物级别，针对每个障碍物，均会经历以上四个阶段的一、四两个阶段，在具体实施时，对于特定障碍物的感知可能会多次经历一、二和三阶段。
112.本技术实施例通过根据前连续多帧感知数据识别障碍物，并确定障碍物的类别，对该类别的障碍物进行持续跟踪，当持续跟踪的准确率低于预设阈值时，进行自我矫正，然后当障碍物全部离开视野时，退出跟踪，这样可以让感知逻辑大大减少冗余的计算，同时高度并行化每个障碍物的跟踪检测。另外，本申表具有优先级调整能力，针对重要的障碍物进行优先识别。而且，本技术使用大量的小模型，且在数据流上进行了主次的划分，在整个系统的稳定性上有很大的优势。
113.下面结合图4对本技术的用于自动驾驶车辆的分层感知系统400进行描述，其中，图4示出根据本技术实施例的用于自动驾驶车辆400的分层感知系统的示意性框图。所述分层感知系统包括：
114.获取模块401，用于获取障碍物的前连续多帧感知数据；
115.识别模块402，用于根据所述前连续多帧感知数据识别所述障碍物，并确定所述障碍物的类别；
116.跟踪模块403，用于对所述类别的所述障碍物进行持续跟踪；
117.矫正模块404，用于评估所述持续跟踪的结果，若所述持续跟踪结果指示所述持续跟踪的准确率低于预设阈值，则进行自我矫正；
118.退出模块405，用于判断所述障碍物是否全部离开视野，当所述障碍物全部离开所述视野时，停止对所述障碍物的跟踪。
119.下面结合图5对本技术的自动驾驶车辆进行描述，其中，图5示出根据本技术实施例的自动驾驶车辆的示意性框图。
120.如图5所示，自动驾驶车辆500包括：一个或多个存储器501和一个或多个处理器502，所述存储器501上存储有由所述处理器502运行的计算机程序，所述计算机程序在被所述处理器502运行时，使得所述处理器502执行前文所述的自动驾驶车辆的分层感知方法。
121.自动驾驶车辆500可以是可以通过软件、硬件或者软硬件结合的方式实现自动驾驶车辆的分层感知方法的计算机设备的部分或者全部。
122.如图5所示，自动驾驶车辆500包括一个或多个存储器501、一个或多个处理器502、显示器(未示出)和通信接口等，这些组件通过总线系统和/或其它形式的连接机构(未示出)互连。应当注意，图5所示的自动驾驶车辆500的组件和结构只是示例性的，而非限制性的，根据需要，自动驾驶车辆500也可以具有其他组件和结构。
123.存储器501用于存储相关自动驾驶车辆运行过程中产生的各种数据和可执行程序指令，例如用于存储各种应用程序或实现各种具体功能的算法。可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。
124.处理器502可以是中央处理单元(cpu)、图像处理单元(gpu)、专用集成电路(asic)、现场可编程门阵列(fpga)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元，并且可以自动驾驶车辆500中的其它组件以执行期望的功能。
125.在一个示例中，自动驾驶车辆500还包括输出装置可以向外部(例如用户)输出各种信息(例如图像或声音)，并且可以包括显示装置、扬声器等中的一个或多个。
126.通信接口是可以是目前已知的任意通信协议的接口，例如有线接口或无线接口，其中，通信接口可以包括一个或者多个串口、usb接口、以太网端口、wifi、有线网络、dvi接口，设备集成互联模块或其他适合的各种端口、接口，或者连接。
127.此外，根据本技术实施例，还提供了一种存储介质，在所述存储介质上存储了程序指令，在所述程序指令被计算机或处理器运行时用于执行本技术实施例的自动驾驶车辆的分层感知方法的相应步骤。所述存储介质例如可以包括智能电话的存储卡、平板电脑的存储部件、个人计算机的硬盘、只读存储器(rom)、可擦除可编程只读存储器(eprom)、便携式紧致盘只读存储器(cd-rom)、usb存储器、或者上述存储介质的任意组合。
128.本技术实施例的用于自动驾驶车辆的分层感知系统、自动驾驶车辆和存储介质，由于能够实现前述的感知方法，因此具有和前述的感知方法相同的优点。
129.尽管这里已经参考附图描述了示例实施例，应理解上述示例实施例仅仅是示例性的，并且不意图将本技术的范围限制于此。本领域普通技术人员可以在其中进行各种改变和修改，而不偏离本技术的范围和精神。所有这些改变和修改意在被包括在所附权利要求所要求的本技术的范围之内。
130.本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
131.在本技术所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的设备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，例如多个单元或组件可以结
合或者可以集成到另一个设备，或一些特征可以忽略，或不执行。
132.在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本技术的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
133.类似地，应当理解，为了精简本技术并帮助理解各个发明方面中的一个或多个，在对本技术的示例性实施例的描述中，本技术的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该本技术的方法解释成反映如下意图：即所要求保护的本技术要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如相应的权利要求书所反映的那样，其发明点在于可以用少于某个公开的单个实施例的所有特征的特征来解决相应的技术问题。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本技术的单独实施例。
134.本领域的技术人员可以理解，除了特征之间相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
135.此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本技术的范围之内并且形成不同的实施例。例如，在权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
136.本技术的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本技术实施例的一些模块的一些或者全部功能。本技术还可以实现为用于执行这里所描述的方法的一部分或者全部的装置程序(例如，计算机程序和计算机程序产品)。这样的实现本技术的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
137.应该注意的是上述实施例对本技术进行说明而不是对本技术进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本技术可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
138.以上所述，仅为本技术的具体实施方式或对具体实施方式的说明，本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。本技术的保护范围应以权利要求的保护范围为准。