図面 (/)

技術 無人運転車に基づく障害物分類方法、装置、機器及び記憶媒体

出願人 バイドゥオンラインネットワークテクノロジー(ベイジン)カンパニーリミテッド
発明者 グオ、ジャン
出願日 2019年7月11日 (1年5ヶ月経過) 出願番号 2019-129305
公開日 2020年3月19日 (9ヶ月経過) 公開番号 2020-042783
状態 特許登録済
技術分野 イメージ分析 交通制御システム
主要キーワード 分類閾値 分類効率 コンピュータコマンド 削除ユニット 右ノード 超音波レーダー 位置指示情報 左ノード
関連する未来課題
重要な関連分野

この項目の情報は公開日時点(2020年3月19日)のものです。
また、この項目は機械的に抽出しているため、正しく解析できていない場合があります

図面 (8)

課題

メモリ占有量が少なく、分類速度を向上させ、分類効率を向上させることができる、無人運転車に基づく障害物分類方法、装置、危機及び記憶媒体を提供する。

解決手段

障害物分類方法は、無人運転車の検出装置によって検出された複数の障害物の障害物情報を取得することと、圧縮されたランダムフォレストモデルを用いて複数の障害物の障害物情報を分類処理し、障害物分類結果を取得することとを含む。圧縮されたランダムフォレストモデルの各決定木非リーフノードには、特徴指示情報分類閾値指示情報及びノード位置指示情報のみが記憶され、ノード位置指示情報は左ノード位置指示情報又は右ノード位置指示情報であり、各決定木のリーフノードには類別指示情報しか記憶されていない。

概要

背景

インテリジェント技術の発展に伴い、無人運転車が開発され適用されるようになった。無人運転車が走行中、無人運転車周辺障害物類別を検出する必要がある。

従来技術では、障害物の障害物情報を取得した後、障害物情報をランダムフォレストモデルに入力して障害物の類別を分類識別する。既存のランダムフォレストモデルは多くの木構造を備え、各木(ツリー)構造には複数のノードを有し、ノードに複数のフィールドが設定され、各ノードは障害物の分類識別過程での情報を記憶するために用いられる。

しかしながら、従来技術では、ランダムフォレストモデルを用いて障害物の類別を分類し識別する場合、ランダムフォレストモデルのノードに多くの情報を記憶する必要があるため、無人運転車のシステムには、多くの情報を記憶する必要があり、無人運転車のシステムのメモリスペースを占める必要があり、そして情報を記憶する必要があるため、障害物に対する分類識別の過程全体が遅くて、非効率的である。

概要

メモリ占有量が少なく、分類速度を向上させ、分類効率を向上させることができる、無人運転車に基づく障害物分類方法、装置、危機及び記憶媒体を提供する。障害物分類方法は、無人運転車の検出装置によって検出された複数の障害物の障害物情報を取得することと、圧縮されたランダムフォレストモデルを用いて複数の障害物の障害物情報を分類処理し、障害物分類結果を取得することとを含む。圧縮されたランダムフォレストモデルの各決定木非リーフノードには、特徴指示情報分類閾値指示情報及びノード位置指示情報のみが記憶され、ノード位置指示情報は左ノード位置指示情報又は右ノード位置指示情報であり、各決定木のリーフノードには類別指示情報しか記憶されていない。

目的

本願の実施例は、上記解決手段では障害物の方位を正しく判定することができないという問題を解決するために、無人運転車に基づく障害物分類方法、装置、機器及び記憶媒体を提供する

効果

実績

技術文献被引用数
0件
牽制数
0件

この技術が所属する分野

ライセンス契約や譲渡などの可能性がある特許掲載中! 開放特許随時追加・更新中 詳しくはこちら

請求項1

無人運転車に基づく障害物分類方法であって、無人運転車の検出装置によって検出された複数の障害物の障害物情報を取得することと、圧縮されたランダムフォレストモデルを用いて前記複数の障害物の障害物情報を分類処理し、障害物分類結果を取得し、前記圧縮されたランダムフォレストモデルは少なくとも2つの決定木を含み、前記少なくとも2つの決定木における各決定木非リーフノードには、特徴指示情報分類閾値指示情報及びノード位置指示情報のみが記憶され、前記ノード位置指示情報は左ノード位置指示情報又は右ノード位置指示情報であり、前記左ノード位置指示情報は非リーフノード下の左ノードと右ノードの位置を指示するために用いられ、前記右ノード位置指示情報は非リーフノード下の左ノードと右ノードの位置を指示するために用いられ、各決定木のリーフノードには類別指示情報しか記憶されていないことと、を含むことを特徴とする無人運転車に基づく障害物分類方法。

請求項2

圧縮されたランダムフォレストモデルを用いて前記複数の障害物の障害物情報を分類処理し、障害物分類結果を取得する前記ステップは、前記複数の障害物の障害物情報を前記圧縮されたランダムフォレストモデルの決定木に配信することと、前記圧縮されたランダムフォレストモデルの各決定木において、各決定木に入力された障害物情報を分類処理し、各決定木のリーフノードによって出力された障害物類別情報を取得することと、各決定木のリーフノードによって出力された障害物類別情報に基づいて前記障害物分類結果を取得することと、を含むことを特徴とする請求項1に記載の方法。

請求項3

前記圧縮されたランダムフォレストモデルの各決定木において、各決定木に入力された障害物情報を分類処理し、各決定木のリーフノードによって出力された障害物類別情報を取得することは、前記圧縮されたランダムフォレストモデルの各決定木において、各決定木に入力された障害物情報を分類処理し、各決定木の非リーフノードが左ノード又は右ノードを有するか否かを判断することと、各決定木の非リーフノードが右ノードを有し、且つ左ノードを有さないと判定された場合、特徴指示情報、分類閾値指示情報及び右ノード位置指示情報を非リーフノードに記憶することと、各決定木の非リーフノードが左ノードを有し、右ノードを有さないと判定された場合、特徴指示情報、分類閾値指示情報及び左ノード位置指示情報を非リーフノードに記憶することと、各決定木の非リーフノードが左ノード及び右ノードを有すると判定された場合、特徴指示情報、分類閾値指示情報を非リーフノードに記憶するとともに左ノード位置指示情報又は右ノード位置指示情報を非リーフノードに記憶することと、前記分類処理の過程に従って、各決定木のリーフノードによって出力された障害物類別情報を取得することと、を含むことを特徴とする請求項2に記載の方法。

請求項4

圧縮されたランダムフォレストモデルを用いて前記複数の障害物の障害物情報を分類処理し、障害物分類結果を取得した後、さらに、前記圧縮されたランダムフォレストモデルの各決定木のリーフノードに記憶されている情報をリーフノードに対応する親ノードに記憶することと、前記圧縮されたランダムフォレストモデルにおける各決定木のリーフノードを削除することと、を含むことを特徴とする請求項1に記載の方法。

請求項5

前記非リーフノードは、ルートノード、及びサブノードと親ノードを有するノードを含むことを特徴とする請求項1に記載の方法。

請求項6

前記左ノード位置指示情報は、前記決定木における各ノードの左ノードの、各ノードの右ノードに対する相対アドレス情報であり、前記右ノード位置指示情報は前記決定木における各ノードの右ノードの、各ノードの左ノードに対する相対アドレス情報であることを特徴とする請求項1〜5のいずれか一項に記載の方法。

請求項7

前記特徴指示情報のフィールドが2バイトを占め、前記類別指示情報のフィールドが2バイトを占め、前記分類閾値指示情報のフィールドが4バイトを占め、前記左ノード位置指示情報のフィールドが4バイトを占め、前記右ノード位置指示情報のフィールドが4バイトを占めることを特徴とする請求項1〜5のいずれか一項に記載の方法。

請求項8

前記検出装置は、ライダーセンサ超音波レーダー画像検出機器赤外線検出機器のいずれか1つであることを特徴とする請求項1〜5のいずれか一項に記載の方法。

請求項9

前記障害物情報は、障害物の移動速度、障害物の体積、障害物の熱、障害物と無人運転車との間の距離の少なくとも1つを含むことを特徴とする請求項1〜5のいずれか一項に記載の方法。

請求項10

無人運転車に基づく障害物分類装置であって、無人運転車の検出装置によって検出された複数の障害物の障害物情報を取得するための取得ユニットと、分類ユニットであって、圧縮されたランダムフォレストモデルを用いて前記複数の障害物の障害物情報を分類処理し、障害物分類結果を取得するために用いられ、前記圧縮されたランダムフォレストモデルは少なくとも2つの決定木を含み、前記少なくとも2つの決定木における各決定木の非リーフノードには、特徴指示情報、分類閾値指示情報及びノード位置指示情報のみが記憶され、前記ノード位置指示情報は左ノード位置指示情報又は右ノード位置指示情報であり、前記左ノード位置指示情報は非リーフノード下の左ノードと右ノードの位置を指示するために用いられ、前記右ノード位置指示情報は非リーフノード下の左ノードと右ノードの位置を指示するために用いられ、各決定木のリーフノードには類別指示情報しか記憶されていない分類ユニットとを含むことを特徴とする無人運転車に基づく障害物分類装置。

請求項11

前記分類ユニットは、前記複数の障害物の障害物情報を前記圧縮されたランダムフォレストモデルの決定木に配信するための配信モジュールと、前記圧縮されたランダムフォレストモデルの各決定木において、各決定木に入力された障害物情報を分類処理し、各決定木のリーフノードによって出力された障害物類別情報を取得するための分類モジュールと、各決定木のリーフノードによって出力された障害物類別情報に基づいて前記障害物分類結果を取得するための判定モジュールと、を含むことを特徴とする請求項10に記載の装置。

請求項12

前記分類モジュールは、前記圧縮されたランダムフォレストモデルの各決定木において、各決定木に入力された障害物情報を分類処理し、各決定木の非リーフノードが左ノード又は右ノードを有するか否かを判断するための分類サブモジュールと、各決定木の非リーフノードが右ノードを有し、左ノードを有さないと判定された場合、特徴指示情報、分類閾値指示情報及び右ノード位置指示情報を非リーフノードに記憶するための第1の判定サブモジュールと、各決定木の非リーフノードが左ノードを有し、且つ右ノードを有さないと判定された場合、特徴指示情報、分類閾値指示情報及び左ノード位置指示情報を非リーフノードに記憶するための第2の判定サブモジュールと、各決定木の非リーフノードが左ノード及び右ノードを有すると判定された場合、特徴指示情報、分類閾値指示情報を非リーフノードに記憶するとともに左ノード位置指示情報又は右ノード位置指示情報を非リーフノードに記憶するための第3の判定サブモジュールと、前記分類処理の過程に従って、各決定木のリーフノードによって出力された障害物類別情報を取得するための第4の判定サブモジュールと、を含むことを特徴とする請求項11に記載の装置。

請求項13

前記装置は、さらに、前記分類ユニットが圧縮されたランダムフォレストモデルを用いて前記複数の障害物の障害物情報を分類処理し、障害物分類結果を取得した後、前記圧縮されたランダムフォレストモデルの各決定木のリーフノードに記憶されている情報をリーフノードに対応する親ノードに記憶する記憶ユニットと、前記圧縮されたランダムフォレストモデルにおける各決定木のリーフノードを削除する削除ユニットと、を含むことを特徴とする請求項10に記載の装置。

請求項14

前記非リーフノードは、ルートノード、及びサブノードと親ノードを有するノードを含むことを特徴とする請求項10に記載の装置。

請求項15

前記左ノード位置指示情報は前記決定木における各ノードの左ノードの、各ノードの右ノードに対する相対アドレス情報であり、前記右ノード位置指示情報は前記決定木における各ノードの右ノードの、各ノードの左ノードに対する相対アドレス情報であることを特徴とする請求項10〜14のいずれか一項に記載の装置。

請求項16

前記特徴指示情報のフィールドが2バイトを占め、前記類別指示情報のフィールドが2バイトを占め、前記分類閾値指示情報のフィールドが4バイトを占め、前記左ノード位置指示情報のフィールドが4バイトを占め、前記右ノード位置指示情報のフィールドが4バイトを占めることを特徴とする請求項10〜14のいずれか一項に記載の装置。

請求項17

前記検出装置は、ライダーセンサ、超音波レーダー、画像検出機器、赤外線検出機器のいずれか1つであることを特徴とする請求項10〜14のいずれか一項に記載の装置。

請求項18

前記障害物情報は、障害物の移動速度、障害物の体積、障害物の熱、障害物と無人運転車との間の距離の少なくとも1つを含むことを特徴とする請求項10〜14のいずれか一項に記載の装置。

請求項19

制御機器であって、送信器受信器メモリ及びプロセッサを含み、前記メモリは、コンピュータコマンドを記憶するために用いられ、前記プロセッサは、前記メモリに記憶されている前記コンピュータコマンドを実行して請求項1〜9のいずれか一項に記載の無人運転車に基づく障害物分類方法を実現するために用いられることを特徴とする制御機器。

請求項20

記憶媒体であって、読み取り可能な記憶媒体及びコンピュータコマンドを含み、前記コンピュータコマンドは前記読み取り可能な記憶媒体に記憶され、前記コンピュータコマンドは請求項1〜9のいずれか一項に記載の無人運転車に基づく障害物分類方法を実現するために用いられることを特徴とする記憶媒体。

技術分野

0001

本願の実施例は無人運転車の技術分野に関し、特に、無人運転車に基づく障害物分類方法、装置、機器及び記憶媒体に関する。

背景技術

0002

インテリジェント技術の発展に伴い、無人運転車が開発され適用されるようになった。無人運転車が走行中、無人運転車周辺の障害物の類別を検出する必要がある。

0003

従来技術では、障害物の障害物情報を取得した後、障害物情報をランダムフォレストモデルに入力して障害物の類別を分類識別する。既存のランダムフォレストモデルは多くの木構造を備え、各木(ツリー)構造には複数のノードを有し、ノードに複数のフィールドが設定され、各ノードは障害物の分類識別過程での情報を記憶するために用いられる。

0004

しかしながら、従来技術では、ランダムフォレストモデルを用いて障害物の類別を分類し識別する場合、ランダムフォレストモデルのノードに多くの情報を記憶する必要があるため、無人運転車のシステムには、多くの情報を記憶する必要があり、無人運転車のシステムのメモリスペースを占める必要があり、そして情報を記憶する必要があるため、障害物に対する分類識別の過程全体が遅くて、非効率的である。

発明が解決しようとする課題

0005

本願の実施例は、上記解決手段では障害物の方位を正しく判定することができないという問題を解決するために、無人運転車に基づく障害物分類方法、装置、機器及び記憶媒体を提供する。

課題を解決するための手段

0006

本願の第1の態様にて提供される無人運転車に基づく障害物分類方法は、
無人運転車の検出装置によって検出された複数の障害物の障害物情報を取得することと、
圧縮されたランダムフォレストモデルを用いて前記複数の障害物の障害物情報を分類処理し、障害物分類結果を取得し、前記圧縮されたランダムフォレストモデルには少なくとも2つの決定木を含み、前記少なくとも2つの決定木における各決定木非リーフノードには、特徴指示情報分類閾値指示情報及びノード位置指示情報のみが記憶され、前記ノード位置指示情報は左ノード位置指示情報又は右ノード位置指示情報であり、前記左ノード位置指示情報は非リーフノード下の左ノードと右ノードの位置を指示するために用いられ、前記右ノード位置指示情報は非リーフノード下の左ノードと右ノードの位置を指示するために用いられ、各決定木におけるリーフノードには類別指示情報しか記憶されていないことと、を含む。

0007

さらに、圧縮されたランダムフォレストモデルを用いて前記複数の障害物の障害物情報を分類処理し、障害物分類結果を取得する前記ステップは、
前記複数の障害物の障害物情報を前記圧縮されたランダムフォレストモデルの決定木に配信することと、
前記圧縮されたランダムフォレストモデルの各決定木において、各決定木に入力された障害物情報を分類処理し、各決定木のリーフノードによって出力された障害物類別情報を取得することと、
各決定木のリーフノードによって出力された障害物類別情報に基づいて前記障害物分類結果を取得することと、を含む。

0008

さらに、前記圧縮されたランダムフォレストモデルの各決定木において、各決定木に入力された障害物情報を分類処理し、各決定木のリーフノードによって出力された障害物類別情報を取得することは、
前記圧縮されたランダムフォレストモデルの各決定木において、各決定木に入力された障害物情報を分類処理し、且つ各決定木の非リーフノードが左ノード又は右ノードを有するか否かを判断することと、
各決定木の非リーフノードが右ノードを有し、且つ左ノードを有さないと判定された場合、特徴指示情報、分類閾値指示情報及び右ノード位置指示情報を非リーフノードに記憶することと、
各決定木の非リーフノードが左ノードを有し、右ノードを有さないと判定された場合、特徴指示情報、分類閾値指示情報及び左ノード位置指示情報を非リーフノードに記憶することと、
各決定木の非リーフノードが左ノード及び右ノードを有すると判定された場合、特徴指示情報、分類閾値指示情報を非リーフノードに記憶するとともに左ノード位置指示情報又は右ノード位置指示情報を非リーフノードに記憶することと、
前記分類処理の過程に従って、各決定木のリーフノードによって出力された障害物類別情報を取得することと、を含む。

0009

さらに、圧縮されたランダムフォレストモデルを用いて前記複数の障害物の障害物情報を分類処理し、障害物分類結果を取得した後、さらに、
前記圧縮されたランダムフォレストモデルの各決定木のリーフノードに記憶されている情報をリーフノードに対応する親ノードに記憶することと、
前記圧縮されたランダムフォレストモデルにおける各決定木のリーフノードを削除することと、を含む。

0010

さらに、前記非リーフノードは、ルートノード、及びサブノードと親ノードを有するノードを含む。

0011

さらに、前記左ノード位置指示情報は前記決定木における各ノードの左ノードの、各ノードの右ノードに対する相対アドレス情報であり、
前記右ノード位置指示情報は前記決定木における各ノードの右ノードの、各ノードの左ノードに対する相対アドレス情報である。

0012

さらに、前記特徴指示情報のフィールドが2バイトを占め、前記類別指示情報のフィールドが2バイトを占め、前記分類閾値指示情報のフィールドが4バイトを占め、前記左ノード位置指示情報のフィールドが4バイトを占め、前記右ノード位置指示情報のフィールドが4バイトを占める。

0013

さらに、前記検出装置は、ライダーセンサ超音波レーダー画像検出機器、赤外線検出機器のいずれか1つである。

0014

さらに、前記障害物情報は、障害物の移動速度、障害物の体積、障害物の熱、障害物と無人運転車との間の距離の少なくとも1つを含む。

0015

本願の第2の態様にて提供される無人運転車に基づく障害物分類装置は、
無人運転車の検出装置によって検出された複数の障害物の障害物情報を取得するための取得ユニットと、
分類ユニットであって、圧縮されたランダムフォレストモデルを用いて前記複数の障害物の障害物情報を分類処理し、障害物分類結果を取得するために用いられ、前記圧縮されたランダムフォレストモデルは少なくとも2つの決定木を含み、前記少なくとも2つの決定木における各決定木の非リーフノードには、特徴指示情報、分類閾値指示情報及びノード位置指示情報のみが記憶され、前記ノード位置指示情報は左ノード位置指示情報又は右ノード位置指示情報であり、前記左ノード位置指示情報は非リーフノード下の左ノードと右ノードの位置を指示するために用いられ、前記右ノード位置指示情報は非リーフノード下の左ノードと右ノードの位置を指示するために用いられ、各決定木のリーフノードには類別指示情報しか記憶されていない分類ユニットと、を含む。

0016

さらに、前記分類ユニットは、
前記複数の障害物の障害物情報を前記圧縮されたランダムフォレストモデルの決定木に配信するための配信モジュールと、
前記圧縮されたランダムフォレストモデルの各決定木において、各決定木に入力された障害物情報を分類処理し、各決定木のリーフノードによって出力された障害物類別情報を取得するための分類モジュールと、
各決定木のリーフノードによって出力された障害物類別情報に基づいて前記障害物分類結果を取得するための判定モジュールと、を含む。

0017

さらに、前記分類モジュールは、
前記圧縮されたランダムフォレストモデルの各決定木において、各決定木に入力された障害物情報を分類処理し、各決定木の非リーフノードが左ノード又は右ノードを有するか否かを判断するための分類サブモジュールと、
各決定木の非リーフノードが右ノードを有し、且つ左ノードを有さないと判定された場合、特徴指示情報、分類閾値指示情報及び右ノード位置指示情報を非リーフノードに記憶するための第1の判定サブモジュールと、
各決定木の非リーフノードが左ノードを有し、且つ右ノードを有さないと判定された場合、特徴指示情報、分類閾値指示情報及び左ノード位置指示情報を非リーフノードに記憶するための第2の判定サブモジュールと、
各決定木の非リーフノードが左ノード及び右ノードを有すると判定された場合、特徴指示情報、分類閾値指示情報を非リーフノードに記憶するとともに左ノード位置指示情報又は右ノード位置指示情報を非リーフノードに記憶するための第3の判定サブモジュールと、
前記分類処理の過程に従って、各決定木のリーフノードによって出力された障害物類別情報を取得するための第4の判定サブモジュールと、を含む。

0018

さらに、前記装置は、さらに、
前記分類ユニットが圧縮されたランダムフォレストモデルを用いて前記複数の障害物の障害物情報を分類処理し、障害物分類結果を取得した後、前記圧縮されたランダムフォレストモデルの各決定木のリーフノードに記憶されている情報をリーフノードに対応する親ノードに記憶するための記憶ユニットと、
前記圧縮されたランダムフォレストモデルにおける各決定木のリーフノードを削除するための削除ユニットと、を含む。

0019

さらに、前記非リーフノードは、ルートノード、及びサブノードと親ノードを有するノードを含む。

0020

さらに、前記左ノード位置指示情報は前記決定木における各ノードの左ノードの、各ノードの右ノードに対する相対アドレス情報であり、
前記右ノード位置指示情報は前記決定木における各ノードの右ノードの、各ノードの左ノードに対する相対アドレス情報である。

0021

さらに、前記特徴指示情報のフィールドが2バイトを占め、前記類別指示情報のフィールドが2バイトを占め、前記分類閾値指示情報のフィールドが4バイトを占め、前記左ノード位置指示情報のフィールドが4バイトを占め、前記右ノード位置指示情報のフィールドが4バイトを占める。

0022

さらに、前記検出装置は、ライダーセンサ、超音波レーダー、画像検出機器、赤外線検出機器のいずれか1つである。

0023

さらに、前記障害物情報は、障害物の移動速度、障害物の体積、障害物の熱、障害物と無人運転車との間の距離の少なくとも1つを含む。

0024

本願の第3の態様にて提供される制御機器は、送信器受信器、メモリ及びプロセッサを含み、
前記メモリは、コンピュータコマンドを記憶するために用いられ、前記プロセッサは、前記メモリに記憶されている前記コンピュータコマンドを実行して第1の態様の実施形態のいずれかによって提供される無人運転車に基づく障害物分類方法を実現するために用いられる。

0025

本願の第4の態様にて提供される記憶媒体であって、読み取り可能な記憶媒体及びコンピュータコマンドを含み、前記コンピュータコマンドは前記読み取り可能な記憶媒体に記憶され、前記コンピュータコマンドは第1の態様の実施形態のいずれかによって提供される無人運転車に基づく障害物分類方法を実現するために用いられることを特徴とする。

発明の効果

0026

本願の実施例が提供する無人運転車に基づく障害物分類方法、装置、機器及び記憶媒体は、無人運転車の検出装置によって検出された複数の障害物の障害物情報を取得し、圧縮されたランダムフォレストモデルを用いて前記複数の障害物の障害物情報を分類処理し、障害物分類結果を取得し、圧縮されたランダムフォレストモデルは少なくとも2つの決定木を含み、少なくとも2つの決定木における各決定木の非リーフノードには、特徴指示情報、分類閾値指示情報及びノード位置指示情報のみが記憶され、ノード位置指示情報は左ノード位置指示情報又は右ノード位置指示情報であり、左ノード位置指示情報は非リーフノード下の左ノードと右ノードの位置を指示するために用いられ、右ノード位置指示情報は非リーフノード下の左ノードと右ノードの位置を指示するために用いられ、各決定木のリーフノードには類別指示情報しか記憶されていない。圧縮されたランダムフォレストモデルの各決定木の非リーフノードには、特徴指示フィールド、分類閾値指示フィールド、左ノード位置指示フィールド又は右ノード位置指示フィールドのみが設定され、リーフノードには類別指示フィールドしか設定されていない。それによって、圧縮されたランダムフォレストモデルを用いて障害物を分類し識別する場合、情報の一部のみを記憶する必要があり、無人運転車システムのより多くのメモリ及びスペースを占める必要がないため、メモリ占有量が少なくなる。また、分類過程では、少量の情報を同期記憶するだけで、分類速度を向上させ、分類効率を向上させることができる。

図面の簡単な説明

0027

本願の実施例又は従来技術の技術的解決手段をより明確に説明ために、以下、実施例又は従来技術の説明で用いられる図面について簡単に説明する。以下の説明における図面は、本願のいくつかの実施例であり、当業者であれば、これらの図面に基づいて創造的な労働をせずに、これらの図面から他の図面を得ることができることは明らかである。
本願の実施例にて提供される無人運転車に基づく障害物の分類方法を示すフローチャートである。
本願の実施例にて提供される無人運転車に基づく障害物の分類方法における圧縮されたランダムフォレストモデルの決定木を示す概略図である。
本願の実施例にて提供されるもう1つの無人運転車に基づく障害物の分類方法を示すフローチャートである。
本願の実施例にて提供されるもう1つの無人運転車に基づく障害物の分類方法における圧縮されたランダムフォレストモデルの決定木を示す概略図である。
本願の実施例にて提供される無人運転車に基づく障害物分類装置を示す構造概略図である。
本願の実施例にて提供されるもう1つの無人運転車に基づく障害物分類装置を示す構造概略図である。
本願の実施例にて提供される制御機器を示す構造概略図である。

実施例

0028

本願の実施例の目的、技術的解決手段及び利点をより明確にするために、以下、本願の実施例における添付の図面を参照しながら、本願の実施例における技術的解決手段を明確かつ完全に説明する。記載された実施例は本願の実施例の一部にすぎず、実施例の全てではないことは明らかである。本願の実施例に基づき、創造的な労働をせずに、当業者が取得した他の全ての実施例は、いずれも本願の保護範囲に属する。

0029

従来技術では、障害物の障害物情報を取得した後、障害物情報をランダムフォレストモデルに入力して障害物の類別を分類し識別する。既存のランダムフォレストモデルは多くの木構造を備え、各木構造には複数のノードを有し、ノードに複数のフィールドが設定され、各ノードは障害物の分類識別過程での情報を記憶するために用いられる。

0030

しかしながら、従来技術では、ランダムフォレストモデルを用いて障害物の類別を分類し識別する場合、ランダムフォレストモデルのノードに多くの情報を記憶する必要があるため、無人運転車のシステムには、多くの情報を記憶する必要があり、無人運転車のシステムのメモリとスペースを占める必要があり、そして情報を記憶する必要があるため、障害物に対する分類識別の過程全体が遅くて、非効率的である。

0031

上記問題に鑑み、本願は無人運転車に基づく障害物分類方法、装置、機器及び記憶媒体を提供し、無人運転車システムのより多くのメモリ及びスペースを占める必要がないため、メモリ占有量が少なくなる。また、分類過程では、少量の情報を同期記憶するだけで、分類速度を向上させ、分類効率を向上させることができる。以下、いくつかの具体的な実施例を通じて該解決手段について詳細に説明する。

0032

図1は本願の実施例にて提供される無人運転車に基づく障害物の分類方法を示すフローチャートであり、図1に示すように、該解決手段の実行主体は無人運転車のコントローラ、無人運転車自動運転システムの制御機器などである。該無人運転車に基づく障害物の分類方法は、ステップ101及びステップ102を含む。

0033

ステップ101において、無人運転車の検出装置によって検出された複数の障害物の障害物情報を取得する。

0034

選択的に、検出装置は、ライダーセンサ、超音波レーダー、画像検出機器、赤外線検出機器のいずれか1つである。

0035

障害物情報には、障害物の移動速度、障害物の体積、障害物の熱、障害物と無人運転車との間の距離の少なくとも1つを含む。

0036

本ステップにおいて、具体的には、本実施例では無人運転車のコントローラを実行本体として説明する。

0037

無人運転車に少なくとも1つの検出装置が配置され、検出装置は、ライダーセンサ、超音波レーダー、画像検出機器、赤外線検出機器などであってよい。検出装置を用いて無人運転車周辺の障害物を検出し、各障害物の障害物情報を取得した後、無人運転車のコントローラは検出装置から複数の障害物の障害物情報を取得する。各障害物の障害物情報には障害物識別子を含み、障害物識別子は障害物を標識するために用いられる。

0038

例えば、無人運転車のコントローラは障害物1の障害物情報、障害物2の障害物情報及び障害物3の障害物情報を取得し、障害物1の障害物情報は障害物識別子Aを含み、障害物2の障害物情報は障害物識別子Bを含み、障害物3の障害物情報は障害物識別子Cを含む。

0039

例えば、ライダーセンサ又は超音波レーダーを用いて障害物のポイントクラウドデータを取得することができ、無人運転車のコントローラは障害物のポイントクラウドデータに基づいて障害物の位置情報を判定し、無人運転車のコントローラはグローバル測位システム(Global Positioning System、略称:GPS)に従って無人運転車の位置情報を判定し、次に、無人運転車のコントローラは障害物の位置情報及び無人運転車の位置情報に基づいて障害物と無人運転車との間の距離を計算する。

0040

別の例として、ライダーセンサ又は超音波レーダーを用いて障害物のポイントクラウドデータを取得することができ、無人運転車のコントローラは、障害物のポイントクラウドデータに基づいて異なる時点における障害物の位置情報を判定し、無人運転車のコントローラは異なる時点における障害物の位置情報に基づいて一定期間の障害物の変位情報を計算し、次に、無人運転車のコントローラは一定時間における障害物の変位情報及び対応する時間に基づいて障害物の移動速度を計算する。

0041

別の例として、赤外線検出機器を用いて障害物の熱情報を検出することができ、そして無人運転車のコントローラが障害物の熱を取得する。

0042

別の例として、画像検出機器を用いて障害物の画像を取得し、無人運転車のコントローラは障害物の画像に基づいて障害物の輪郭サイズを抽出し、且つ、無人運転車のコントローラは障害物の位置情報及び無人運転車の位置情報に基づいて障害物と無人運転車との間の距離を計算した後、無人運転車のコントローラは障害物の輪郭サイズ、障害物と無人運転車との間の距離に基づいて障害物の体積を計算する。

0043

ステップ102において、圧縮されたランダムフォレストモデルを用いて複数の障害物の障害物情報を分類処理し、障害物分類結果を取得し、圧縮されたランダムフォレストモデルには少なくとも2つの決定木を含み、少なくとも2つの決定木における各決定木の非リーフノードには、特徴指示情報、分類閾値指示情報及びノード位置指示情報のみが記憶され、ノード位置指示情報は左ノード位置指示情報又は右ノード位置指示情報であり、左ノード位置指示情報は非リーフノード下の左ノードと右ノードの位置を指示するために用いられ、右ノード位置指示情報は非リーフノード下の左ノードと右ノードの位置を指示するために用いられ、各決定木のリーフノードには類別指示情報しか記憶されていない。

0044

選択的に、非リーフノードは、ルートノード、及びサブノードと親ノードを有するノードを含む。

0045

選択的に、左ノード位置指示情報は決定木における各ノードの左ノードの、各ノードの右ノードに対する相対アドレス情報である。右ノード位置指示情報は決定木における各ノードの右ノードの、各ノードの左ノードに対する相対アドレス情報である。

0046

本ステップにおいて、具体的には、無人運転車のコントローラには圧縮されたランダムフォレストモデルが記憶され、該圧縮されたランダムフォレストモデルにおいて圧縮されたランダムフォレストモデルの各ノードが維持する必要がある情報が予め設定されており、それによって各ノードに従来技術における一部のフィールドのみを設定する。

0047

従来技術では、各決定木のそれぞれのノードは特徴指示(feature index)フィールド、類別指示(class index)フィールド、分類閾値指示フィールド、左ノード位置指示フィールド又は右ノード位置指示フィールドを含む。

0048

具体的には、圧縮されたランダムフォレストモデルには複数の決定木を有し、決定木は二分木であってよい。各決定木には1つ又は複数のノードを有し、各決定木に対して、決定木のノードを2つの類別、即ち非リーフノード及びリーフノードに分けられることができ、ルートノードは非リーフノードに属し、子ノードと親ノードの両方を持つノードも非リーフノードに属する。各決定木の非リーフノードには特徴指示フィールド、分類閾値指示フィールド及びノード位置指示フィールドのみが設定されてよく、各決定木のリーフノードには類別指示フィールドしか設定されていない。

0049

それによって、圧縮されたランダムフォレストモデルを用いて複数の障害物の障害物情報を分類処理する過程では、各決定木の非リーフノードに対して、各非リーフノードのフィールドにおいて、特徴指示情報は特徴指示フィールドに記憶され、分類閾値指示情報は分類閾値指示フィールドに記憶され、ノード位置指示情報はノード位置指示フィールドに記憶される。

0050

ノード位置指示情報は左ノード位置指示情報又は右ノード位置指示情報であり、即ち、非リーフノードは左ノードの位置或いは右ノードの位置しか記憶しなくてよい。これは、本願では、左ノード位置指示情報を用いて非リーフノード下の左ノード及び右ノードの位置を指示したり、右ノード位置指示情報を用いて非リーフノード下の左ノード及び右ノードを指示したりするためである。具体的には、本願では、左ノード位置指示情報、右ノード位置指示情報は相対アドレスを採用し、左ノード位置指示情報は決定木における各ノードの左ノードの、各ノードの右ノードに対する相対アドレス情報であり、右ノード位置指示情報は決定木における各ノードの右ノードの、各ノードの左ノードに対する相対アドレス情報である。それによって、左ノード位置情報は左ノードの位置を直接に指示し、左ノード位置指示情報に基づいて右ノードの位置を判定でき、右ノード位置指示情報は右ノードの位置を直接に指示し、右ノード位置指示情報に基づいて左ノードの位置を判定できる。例えば、左ノードの位置は右ノードの位置に隣接しており、左ノード位置指示フィールド又は右ノード位置指示フィールドのみが非リーフノードに設定されることができ、それによって左ノードと右ノードの位置を指示するように非リーフノードに左ノード位置指示情報又は右ノード位置指示情報を記憶する。

0051

圧縮されたランダムフォレストモデルを用いて複数の障害物の障害物情報を分類処理する過程では、各決定木のリーフノードに対して、各リーフノードのフィールドにおいて、類別指示情報は類別指示フィールドに記憶される。

0052

圧縮されたランダムフォレストモデルを用いて複数の障害物の障害物情報を分類処理した後、障害物分類結果を取得することができる。障害物分類結果には少なくとも1つの類別の障害物組み合わせを含み、各障害物組み合わせには少なくとも1つの障害物識別子を含み、各障害物組み合わせにおける各障害物は同じ類別に属する。

0053

図2は本願の実施例にて提供される無人運転車に基づく障害物の分類方法における圧縮されたランダムフォレストモデルの決定木を示す概略図であり、図2に示すように、障害物1、障害物2、障害物3、障害物4及び障害物5のそれぞれの障害物情報を取得し、各障害物情報を圧縮されたランダムフォレストモデルの1つの決定木に入力する。決定木のルートノードでは、障害物の走行速度に従って、走行速度が速度閾値より大きい障害物1、障害物2、障害物3がルートノード下のノード2に入力され、走行速度が速度閾値以下である障害物4、障害物5がルートノード下のノード3に入力され、ルートノードに記憶されている特徴指示情報は速度特徴であり、ルートノードに記憶されている分類閾値指示情報は速度閾値であり、ルートノードに記憶されているノード位置指示情報はノード2の位置情報又はノード3の位置情報である。ノード3では、障害物4と障害物5は分類されず、ノード3に記憶されている類別指示情報は走行速度が速度閾値以下であるというものである。ノード2では、障害物1、障害物2、障害物3が分類され、障害物の熱に基づいて、熱が熱閾値より大きい障害物1、障害物2がノード2下のノード4に入力され、熱が熱閾値以下である障害物3がノード2下のノード5に入力され、ノード2に記憶されている特徴指示情報は熱特徴であり、ノード2に記憶されている分類閾値指示情報は熱閾値であり、ノード2に記憶されているノード位置指示情報はノード4の位置情報又はノード5の位置情報である。ノード4では、障害物1と障害物2は分類されず、ノード4に記憶されている類別指示情報は、走行速度が速度閾値より大きく、且つ熱が熱閾値より大きいというものである。ノード5では、障害物3は分類されず、ノード5に記憶されている類別指示情報は、走行速度が速度閾値より大きく、且つ熱量が熱閾値以下であるというものである。それによって、取得された第1の類別の障害物は走行速度が速度閾値以下の障害物であり、第2の類別の障害物は走行速度が速度閾値より大きく、且つ熱が熱閾値より大きい障害物であり、第3の種類の障害物は走行速度が速度閾値よりも大きく、且つ熱が熱閾値以下である障害物である。

0054

図2に示される決定木には、ノード1、ノード2、ノード3、ノード4及びノード5を含み、ノード1及びノード2は非リーフノードであり、ノード3、ノード4及びノード5はリーフノードである。ノード1には特徴指示フィールド、分類閾値指示フィールド及びノード位置指示フィールドのみが設定され、ノード1の特徴指示フィールドに記憶されている特徴指示情報は速度特徴であり、ノード1の分類閾値指示フィールドに記憶されている分類閾値指示情報は速度閾値であり、ノード1のノード位置指示フィールドに記憶されているノード位置指示情報はノード2の位置情報又はノード3の位置情報である。ノード3には類別指示フィールドしか設定されず、ノード3の類別指示フィールドに記憶されている類別指示情報は、走行速度が速度閾値以下であるものである。ノード2には特徴指示フィールド、分類閾値指示フィールド及びノード位置指示フィールドのみが設定され、ノード2の特徴指示フィールドに記憶されている特徴指示情報は熱特徴であり、ノード2の分類閾値指示フィールドに記憶されている分類閾値指示情報は熱閾値であり、ノード2のノード位置指示フィールドに記憶されているノード位置指示情報はノード4の位置情報又はノード5の位置情報である。ノード4には類別指示フィールドしか設定されず、ノード4の類別指示フィールドに記憶されている類別指示情報は、走行速度が速度閾値より大きく、且つ熱が熱閾値より大きいものである。ノード5には類別指示フィールドしか設定されず、ノード5の類別指示フィールドに記憶されている類別指示情報は、走行速度が速度閾値より大きく、且つ熱が熱閾値以下であるものである。

0055

本実施例では、無人運転車の検出装置によって検出された複数の障害物の障害物情報を取得し、圧縮されたランダムフォレストモデルを用いて前記複数の障害物の障害物情報を分類処理し、障害物分類結果を取得し、圧縮されたランダムフォレストモデルは少なくとも2つの決定木を含み、少なくとも2つの決定木における各決定木の非リーフノードには、特徴指示情報、分類閾値指示情報及びノード位置指示情報のみが記憶され、ノード位置指示情報は左ノード位置指示情報又は右ノード位置指示情報であり、左ノード位置指示情報は非リーフノード下の左ノードと右ノードの位置を指示するために用いられ、右ノード位置指示情報は非リーフノード下の左ノードと右ノードの位置を指示するために用いられ、各決定木のリーフノードには類別指示情報しか記憶されていない。圧縮されたランダムフォレストモデルの各決定木の非リーフノードには、特徴指示フィールド、分類閾値指示フィールド、左ノード位置指示フィールド又は右ノード位置指示フィールドのみが設定され、リーフノードには類別指示フィールドしか設定されていないため、それによって圧縮されたランダムフォレストモデルを用いて障害物を分類し識別する場合、情報の一部のみを記憶する必要があり、無人運転車システムのより多くのメモリ及びスペースを占める必要がないため、メモリ占有量が少なくなる。また、分類過程では、少量の情報を同期記憶するだけで、分類速度を向上させ、分類効率を向上させることができる。

0056

図3は本願の実施例にて提供されるもう1つの無人運転車に基づく障害物の分類方法を示すフローチャートであり、図3に示すように、該解決手段の実行主体は無人運転車のコントローラ及び無人運転車自動運転システムの制御機器などである。該無人運転車に基づく障害物の分類方法は、ステップ201〜ステップ206を含む。

0057

ステップ201において、無人運転車の検出装置によって検出された複数の障害物の障害物情報を取得する。

0058

本実施例では、具体的には、無人運転車のコントローラを実行本体として説明する。本ステップは図1に示されるステップ101を参照することができ、ここでは繰り返して説明しない。

0059

ステップ202において、複数の障害物の障害物情報を圧縮されたランダムフォレストモデルの決定木に配信する。

0060

圧縮されたランダムフォレストモデルには、少なくとも2つの決定木を含み、少なくとも2つの決定木における各決定木の非リーフノードには、特徴指示情報、分類閾値指示情報及びノード位置指示情報のみが記憶され、ノード位置指示情報は左ノード位置指示情報又は右ノード位置指示情報であり、左ノード位置指示情報は非リーフノード下の左ノードと右ノードの位置を指示するために用いられ、右ノード位置指示情報は非リーフノード下の左ノードと右ノードの位置を指示するために用いられ、各決定木のリーフノードには類別指示情報しか記憶されていない。

0061

選択的に、特徴指示情報のフィールドが2バイトを占め、類別指示情報のフィールドが2バイトを占め、分類閾値指示情報のフィールドが4バイトを占め、左ノード位置指示情報のフィールドが4バイトを占め、右ノード位置指示情報のフィールドが4バイトを占める。

0062

本実施例では、具体的には、予め設定された特徴に従って、まず複数の障害物を分類し、そして複数の障害物の障害物情報を圧縮されたランダムフォレストモデルの決定木に配信する。例えば、障害物と無人運転車との間の距離に基づいて、異なる距離セグメントに属する障害物が各決定木に配信される。

0063

決定木は図1に示されるステップ102に記載の決定木の構造及び情報記憶過程を採用してよく、詳細はここでは説明されない。

0064

ステップ203において、圧縮されたランダムフォレストモデルの各決定木では、各決定木に入力された障害物情報を分類処理するとともに各決定木のリーフノードによって出力された障害物類別情報を取得する。

0065

ステップ203は、具体的には、ステップ2301〜ステップ2305を含む。

0066

ステップ2301において、圧縮されたランダムフォレストモデルの各決定木では、各決定木に入力された障害物情報を分類処理するとともに各決定木の非リーフノードに左ノード又は右ノードがあるかどうかを判断する。

0067

ステップ2302において、各決定木の非リーフノードが右ノードを有し、左ノードを有さないと判定された場合、特徴指示情報、分類閾値指示情報及び右ノード位置指示情報を非リーフノードに記憶する。

0068

ステップ2303において、各決定木の非リーフノードが左ノードを有し、且つ右ノードを有さないと判定された場合、特徴指示情報、分類閾値指示情報及び左ノード位置指示情報を非リーフノードに記憶する。

0069

ステップ2304において、各決定木の非リーフノードが左ノード及び右ノードを有すると判定された場合、特徴指示情報、分類閾値指示情報を非リーフノードに記憶するとともに左ノード位置指示情報又は右ノード位置指示情報を非リーフノードに記憶する。

0070

ステップ2035において、分類処理の過程に従って、各決定木のリーフノードによって出力された障害物類別情報を取得する。

0071

本実施例では、具体的には、上記の各決定木について、無人運転車のコントローラが従来技術で提供される決定木分類規則に従って各決定木の障害物情報を分類処理し、決定木の各リーフノードは1つの障害物類別情報を出力することができ、障害物類別情報には障害物種別識別子と少なくとも1つの障害物識別子とを含み、障害物種別識別子は各障害物種別識別子に対応する障害物が同じ類別に属することを特徴付け、即ち各リーフノードは1つの種別に属する障害物の障害物識別子を出力する。

0072

上記分類処理の過程では、障害物の分類過程に応じて決定木の非リーフノードが左ノード又は右ノードを有するか否かを判断し、非リーフノードが右ノードを有し、且つ左ノードを有さないと判定された場合、無人運転車のコントローラは、該非リーフノードのノード位置指示フィールドに右ノード位置指示情報が記憶され、且つ非リーフノードは特徴指示フィールド、分類閾値指示フィールド及びノード位置指示フィールドのみを有すると判定し、それによって、非リーフノードに特徴指示情報、分類閾値指示情報及び右ノード位置指示情報が記憶されてよい。

0073

非リーフノードが左ノードを有し、且つ右ノードを有さないと判定された場合、無人運転車のコントローラは、該非リーフノードのノード位置指示フィールドに左ノード位置指示情報が記憶され、且つ非リーフノードは特徴指示フィールド、分類閾値指示フィールド及びノード位置指示フィールドのみを有すると判定し、それによって、非リーフノードに特徴指示情報、分類閾値指示情報及び左ノード位置指示情報が記憶されてよい。

0074

非リーフノードが左ノードと右ノードを有すると判定された場合、無人運転車のコントローラは、該非リーフノードのノード位置指示フィールドに左ノード位置指示情報又は右ノード位置指示情報が記憶され、且つ非リーフノードは特徴指示フィールド、分類閾値指示フィールド及びノード位置指示フィールドのみを有すると判定し、それによって、非リーフノードに特徴指示情報及び分類閾値指示情報が記憶されてよく、且つ、非リーフノードに左ノード位置指示情報又は右ノード位置指示情報が記憶されてよい。

0075

例えば、図4は本願の実施例にて提供されるもう1つの無人運転車に基づく障害物の分類方法における圧縮されたランダムフォレストモデルの決定木を示す概略図であり、図4に示すように、障害物1、障害物2、障害物3、障害物4のそれぞれの障害物情報を取得し、各障害物情報を圧縮されたランダムフォレストモデルの1つの決定木に入力する。決定木のルートノードでは、障害物の走行速度に従って、走行速度が速度閾値より大きい障害物1、障害物2、障害物3がルートノード下のノード2に入力され、走行速度が速度閾値以下である障害物4がルートノード下のノード3に入力され、ルートノードに記憶されている特徴指示情報は速度特徴であり、ルートノードに記憶されている分類閾値指示情報は速度閾値であり、ルートノードは左ノードと右ノードを有するため、ルートノードに記憶されているノード位置指示情報はノード2の位置情報又はノード3の位置情報である。ノード3では、障害物4は分類されず、ノード3に記憶されている類別指示情報は走行速度が速度閾値以下であるというものである。ノード2では、障害物1、障害物2、障害物3が分類され、障害物の熱に基づいて、熱が熱閾値より大きい障害物1、障害物2、障害物3がノード2下のノード4に入力され、ノード2に記憶されている特徴指示情報は熱特徴であり、ノード2に記憶されている分類閾値指示情報は熱閾値であり、ノード2は左ノードしか有さないため、ノード2に記憶されているノード位置指示情報はノード4の位置情報である。ノード4では、障害物1、障害物2と障害物3は分類されず、ノード4に記憶されている類別指示情報は、走行速度が速度閾値より大きく、且つ熱が熱閾値より大きいというものである。それによって、取得された第1の類別の障害物は走行速度が速度閾値以下の障害物であり、第2の類別の障害物は走行速度が速度閾値より大きく、且つ熱が熱閾値より大きい障害物である。

0076

図4に示される決定木にはノード1、ノード2、ノード3及びノード4を含み、ノード1とノード2は非リーフノードであり、ノード3とノード4はリーフノードである。ノード1には特徴指示フィールド、分類閾値指示フィールド及びノード位置指示フィールドのみが設定され、ノード1の特徴指示フィールドに記憶されている特徴指示情報は速度特徴であり、ノード1の分類閾値指示フィールドに記憶されている分類閾値指示情報は速度閾値であり、ノード1のノード位置指示フィールドに記憶されているノード位置指示情報はノード2の位置情報又はノード3の位置情報である。ノード3には類別指示フィールドしか設定されず、ノード3の類別指示フィールドに記憶されている類別指示情報は、走行速度が速度閾値以下であるものである。ノード2には特徴指示フィールド、分類閾値指示フィールド及びノード位置指示フィールドのみが設定され、ノード2の特徴指示フィールドに記憶されている特徴指示情報は熱特徴であり、ノード2の分類閾値指示フィールドに記憶されている分類閾値指示情報は熱閾値であり、ノード2のノード位置指示フィールドに記憶されているノード位置指示情報はノード4の位置情報である。ノード4には類別指示フィールドしか設定されず、ノード4の類別指示フィールドに記憶されている類別指示情報は、走行速度が速度閾値より大きく、且つ熱が熱閾値より大きいものである。

0077

また、各決定木の特徴指示情報のフィールドは2バイトを占めることができ、各決定木の類別指示情報のフィールドは2バイトを占めることができ、各決定木の分類閾値指示情報のフィールドは4バイトを占めることができ、各決定木の左ノード位置指示情報のフィールドは4バイトを占めることができ、各決定木の右ノード位置指示情報のフィールドは4バイトを占めることができるため、それによって非リーフノードは、2+4+4=10バイトのデータしか記憶しなくてよく、リーフノードは2バイトのデータしか記憶しなくてよい。

0078

ステップ204において、各決定木のリーフノードによって出力された障害物類別情報に従って障害物分類結果を取得する。

0079

本実施例では、具体的には、決定木の各リーフノードは1つの障害物類別情報を出力することができるため、即ち各リーフノードは1種類の障害物に属する障害物識別子を出力する。それによって、全ての決定木のリーフノードによって出力された障害物類別情報に基づいて障害物分類結果をまとめることができる。

0080

ステップ205において、圧縮されたランダムフォレストモデルの各決定木のリーフノードに記憶されている情報をリーフノードに対応する親ノードに記憶する。

0081

本実施例では、具体的には、各決定木のリーフノードには類別指示情報しか記憶せず、リーフノードの下に他のノードは存在しないため、リーフノードに記憶されている情報をリーフノードに対応する非リーフノードに移転することができ、即ち、リーフノードに記憶されている情報をリーフノードに対応する親ノードに記憶する。

0082

ステップ206において、圧縮されたランダムフォレストモデルの各決定木のリーフノードを削除する。

0083

本実施例では、具体的には、ステップ205の後、リーフノードに記憶されている類別指示情報は、リーフノードに対応する親ノードに記憶されるため、それによって各決定木のリーフノードを削除することができ、リーフノードがメモリ空間を占めることを回避することができる。

0084

例えば、図4に示される決定木について、ノード3に記憶されている類別指示情報をノード1に移転し、次にノード3を削除してよく、それによってノード1における特徴指示フィールドに記憶されている特徴指示情報は速度特徴であり、ノード1の分類閾値指示フィールドに記憶されている分類閾値指示情報は速度閾値であり、ノード1のノード位置指示フィールドに記憶されているノード位置指示情報はノード2の位置情報であり、ノード1のプリセットフィールドに記憶されている類別指示情報は走行速度が速度閾値以下であるものである。同様に、図4に示される決定木を用いて、ノード4に記憶されている類別指示情報をノード2に移転し、次にノード4を削除してもよい。

0085

本実施例では、圧縮されたランダムフォレストモデルの各決定木の非リーフノードには、特徴指示フィールド、分類閾値指示フィールド、左ノード位置指示フィールド又は右ノード位置指示フィールドのみが設定され、リーフノードには類別指示フィールドしか設定されていないことによって、圧縮されたランダムフォレストモデルを用いて障害物を分類し識別する場合、情報の一部のみを記憶する必要があり、無人運転車システムのより多くのメモリ及びスペースを占める必要がないため、メモリ占有量が少なくなる。また、分類過程では、少量の情報を同期記憶するだけで、分類速度を向上させ、分類効率を向上させることができる。そして、決定木のリーフノードの情報をリーフノードに対応する親ノードに記憶した後、リーフノードを削除することによって、分類識別によって生成されるデータをさらに削減し、無人運転車のシステムのメモリ占有量を削減することができる。

0086

図5は本願の実施例にて提供される無人運転車に基づく障害物分類装置を示す構造概略図であり、図5に示すように、本実施例にて提供される無人運転車に基づく障害物分類装置は、取得ユニット51と、分類ユニット52とを含む。

0087

取得ユニット51は、無人運転車の検出装置によって検出された複数の障害物の障害物情報を取得するために用いられる。

0088

分類ユニット52は、圧縮されたランダムフォレストモデルを用いて複数の障害物の障害物情報を分類処理し、障害物分類結果を取得するために用いられ、圧縮されたランダムフォレストモデルは少なくとも2つの決定木を含み、少なくとも2つの決定木における各決定木の非リーフノードには、特徴指示情報、分類閾値指示情報及びノード位置指示情報のみが記憶され、ノード位置指示情報は左ノード位置指示情報又は右ノード位置指示情報であり、左ノード位置指示情報は非リーフノード下の左ノードと右ノードの位置を指示するために用いられ、右ノード位置指示情報は非リーフノード下の左ノードと右ノードの位置を指示するために用いられ、各決定木のリーフノードには類別指示情報しか記憶されていない。

0089

本実施例にて提供される無人運転車に基づく障害物分類装置は、前述した実施例のいずれかによって提供される無人運転車に基づく障害物分類方法における技術的解決手段と同じであり、その実施原理は類似し、ここで繰り返して説明しない。

0090

本実施例では、無人運転車の検出装置によって検出された複数の障害物の障害物情報を取得し、圧縮されたランダムフォレストモデルを用いて前記複数の障害物の障害物情報を分類処理し、障害物分類結果を取得し、圧縮されたランダムフォレストモデルは少なくとも2つの決定木を含み、少なくとも2つの決定木における各決定木の非リーフノードには、特徴指示情報、分類閾値指示情報及びノード位置指示情報のみが記憶され、ノード位置指示情報は左ノード位置指示情報又は右ノード位置指示情報であり、左ノード位置指示情報は非リーフノード下の左ノードと右ノードの位置を指示するために用いられ、右ノード位置指示情報は非リーフノード下の左ノードと右ノードの位置を指示するために用いられ、各決定木のリーフノードには類別指示情報しか記憶されていない。圧縮されたランダムフォレストモデルの各決定木の非リーフノードには、特徴指示フィールド、分類閾値指示フィールド、左ノード位置指示フィールド又は右ノード位置指示フィールドのみが設定され、リーフノードには類別指示フィールドしか設定されていない。それによって、圧縮されたランダムフォレストモデルを用いて障害物を分類し識別する場合、情報の一部のみを記憶する必要があり、無人運転車システムのより多くのメモリ及びスペースを占める必要がないため、メモリ占有量が少なくなる。また、分類過程では、少量の情報を同期記憶するだけで、更に分類速度を向上させ、分類効率を向上させることができる。

0091

図6は本願の実施例にて提供されるもう1つの無人運転車に基づく障害物分類装置を示す構造概略図であり、図5に示される実施例の上で、図6に示すように、本実施例にて提供される無人運転車に基づく障害物分類装置の分類ユニット52は、配信モジュール521と、分類モジュール522と、判定モジュール523とを含む。

0092

配信モジュール521は、複数の障害物の障害物情報を圧縮されたランダムフォレストモデルの決定木に配信するために用いられる。

0093

分類モジュール522は、圧縮されたランダムフォレストモデルの各決定木において、各決定木に入力された障害物情報を分類処理し、各決定木のリーフノードによって出力された障害物類別情報を取得するために用いられる。

0094

判定モジュール523は、各決定木のリーフノードによって出力された障害物類別情報に基づいて障害物分類結果を取得するために用いられる。

0095

分類モジュール522は、分類サブモジュール5221と、第1の判定サブモジュール5222と、第2の判定サブモジュール5223と、第3の判定サブモジュール5224と、第4の判定サブモジュール5225とを含む。

0096

分類サブモジュール5221は、圧縮されたランダムフォレストモデルの各決定木において、各決定木に入力された障害物情報を分類処理し、各決定木の非リーフノードが左ノード又は右ノードを有するか否かを判断するために用いられる。

0097

第1の判定サブモジュール5222は、各決定木の非リーフノードが右ノードを有し、且つ左ノードを有さないと判定された場合、特徴指示情報、分類閾値指示情報及び右ノード位置指示情報を非リーフノードに記憶するために用いられる。

0098

第2の判定サブモジュール5223は、各決定木の非リーフノードが左ノードを有し、且つ右ノードを有さないと判定された場合、特徴指示情報、分類閾値指示情報及び左ノード位置指示情報を非リーフノードに記憶するために用いられる。

0099

第3の判定サブモジュール5224は、各決定木の非リーフノードが左ノード及び右ノードを有すると判定された場合、特徴指示情報、分類閾値指示情報を非リーフノードに記憶するとともに左ノード位置指示情報又は右ノード位置指示情報を非リーフノードに記憶するために用いられる。

0100

第4の判定サブモジュール5225は、分類処理の過程に従って、各決定木のリーフノードによって出力された障害物類別情報を取得するために用いられる。

0101

本実施例にて提供される装置は、さらに、記憶ユニット61と、削除ユニット62とを含む。

0102

記憶ユニット61は、分類ユニット52が圧縮されたランダムフォレストモデルを用いて前記複数の障害物の障害物情報を分類処理し、障害物分類結果を取得した後、圧縮されたランダムフォレストモデルの各決定木のリーフノードに記憶されている情報をリーフノードに対応する親ノードに記憶するために用いられる。

0103

削除ユニット62は、圧縮されたランダムフォレストモデルにおける各決定木のリーフノードを削除するために用いられる。

0104

非リーフノードはルートノード、及びサブノードと親ノードを有するノードを含む。

0105

左ノード位置指示情報は決定木における各ノードの左ノードの、各ノードの右ノードに対する相対アドレス情報である。右ノード位置指示情報は決定木における各ノードの右ノードの、各ノードの左ノードに対する相対アドレス情報である。

0106

特徴指示情報のフィールドが2バイトを占め、類別指示情報のフィールドが2バイトを占め、分類閾値指示情報のフィールドが4バイトを占め、左ノード位置指示情報のフィールドが4バイトを占め、右ノード位置指示情報のフィールドが4バイトを占める。

0107

検出装置は、ライダーセンサ、超音波レーダー、画像検出機器、赤外線検出機器のいずれか1つである。

0108

障害物情報は、障害物の移動速度、障害物の体積、障害物の熱、障害物と無人運転車との間の距離の少なくとも1つを含む。

0109

本実施例にて提供される無人運転車に基づく障害物分類装置は、前述した実施例のいずれかによって提供される無人運転車に基づく障害物分類方法における技術的解決手段と同じであり、その実施原理は同様であり、ここでは繰り返して説明しない。

0110

本実施例では、圧縮されたランダムフォレストモデルの各決定木の非リーフノードには、特徴指示フィールド、分類閾値指示フィールド、左ノード位置指示フィールド又は右ノード位置指示フィールドのみが設定され、リーフノードには類別指示フィールドしか設定されていないことによって、圧縮されたランダムフォレストモデルを用いて障害物を分類し識別する場合、情報の一部のみを記憶する必要があり、無人運転車システムのより多くのメモリ及びスペースを占める必要がないため、メモリ占有量が少なくなる。また、分類過程では、少量の情報を同期記憶するだけで、分類速度を向上させ、分類効率を向上させることができる。そして、決定木のリーフノードの情報をリーフノードに対応する親ノードに記憶した後、リーフノードを削除することによって、分類識別によって生成されるデータをさらに削減し、無人運転車のシステムのメモリ占有量を削減することができる。

0111

図7は本願の実施例にて提供される制御機器を示す構造概略図であり、図7に示すように、該制御機器は、送信器71、受信器72、メモリ73及びプロセッサ74を含む。

0112

メモリ73は、コンピュータコマンドを記憶するために用いられ、プロセッサ74は、メモリ73に記憶されているコンピュータコマンドを実行して前述した実施例の実施形態のいずれかによって提供される無人運転車に基づく障害物分類方法という技術的解決手段を実現するために用いられる。

0113

本願は、さらに記憶媒体を提供し、読み取り可能な記憶媒体及びコンピュータコマンドを含み、コンピュータコマンドは読み取り可能な記憶媒体に記憶され、コンピュータコマンドは前述した実施例の実施形態のいずれかによって提供される無人運転車に基づく障害物分類方法という技術的解決手段を実現するために用いられることを特徴とする。

0114

上記制御機器の具体的な実現形態において、理解すべきことは、プロセッサ74は中央処理ユニット英語:Central Processing Unit、略称:CPU)であってもよく、他の汎用プロセッサデジタル信号プロセッサ(英語:Digital Signal Processor、略称:DSP)、特定用途向け集積回路(英語:Application Specific IntegratedCircuit、略称:ASIC)等であってもよい。汎用プロセッサはマイクロプロセッサ又は任意の一般的なプロセッサなどであってもよい。本願の実施例の開示する方法のステップによりハードウェアプロセッサで実行して完成し、又はプロセッサにおけるハードウェア及びソフトウェアモジュールの組み合わせで実行して完成することで直接に体現できる。

0115

当業者であれば、上記各方法の実施例におけるステップの全て又は一部をプログラムにより関連するハードウェアに命令して実行させることができ、前述したプログラムはコンピュータ読み取り可能な記憶媒体に記憶されてもよい。該プログラムは実行される場合、上記各方法の実施例を含むステップを実行する。前述した記憶媒体は、読み取り専用メモリ(英語:read−only memory、略称:ROM)、RAM、フラッシュメモリハードディスクソリッドステートドライブ磁気テープ(英語:magnetic tape)、フロッピーディスク(英語:floppy disk)、光ディスク(英語:optical disc)及びそれらの組み合わせを含む。

0116

最後に説明すべきことは、以上の各実施例は本願の技術的解決手段を説明するものにすぎず、それを限定するものではない。前述した各実施例を参照しながら本願について詳細に説明したが、当業者であれば、依然として前述した各実施例に記載される技術的解決手段を修正することができ、又はそのうちの一部もしくはすべての技術的特徴について均等置換を行うことができる。これらの修正又は置換は、対応する技術的解決手段の本質が本願の各実施例の技術的解決手段の趣旨及び範囲から逸脱するようにさせるものではないと理解すべきである。

ページトップへ

この技術を出願した法人

この技術を発明した人物

ページトップへ

関連する挑戦したい社会課題

関連する公募課題

ページトップへ

おススメ サービス

おススメ astavisionコンテンツ

新着 最近 公開された関連が強い技術

  • 京セラ株式会社の「 電子機器、制御方法、及びプログラム」が 公開されました。( 2020/10/29)

    【課題】移動体の運転の安全性を向上可能な電子機器、制御方法、及びプログラムを提供する。【解決手段】自動車に搭載可能な電子機器は、自機器に触れられずにジェスチャを検出する第1センサと、自機器に接触される... 詳細

  • クリスタルメソッド株式会社の「 推定システム、及び推定装置」が 公開されました。( 2020/10/29)

    【課題】キー入力を推定する精度の向上を図ることができる推定システム、及び推定装置を提供する。【解決手段】仮想キーボードを用いて入力された文字列を推定する推定システムであって、ユーザが前記仮想キーボード... 詳細

  • 三菱ロジスネクスト株式会社の「 無人飛行体用給電システムおよび制御装置」が 公開されました。( 2020/10/29)

    【課題】無人飛行体の稼働時間を向上できる無人飛行体用給電システムおよび制御装置を提供する。【解決手段】無人飛行体用給電システムは、荷役を行う複数の荷役車両と、荷役の支援を行う無人飛行体としてのドローン... 詳細

この 技術と関連性が強い人物

関連性が強い人物一覧

この 技術と関連する社会課題

関連する挑戦したい社会課題一覧

この 技術と関連する公募課題

関連する公募課題一覧

astavision 新着記事

サイト情報について

本サービスは、国が公開している情報(公開特許公報、特許整理標準化データ等)を元に構成されています。出典元のデータには一部間違いやノイズがあり、情報の正確さについては保証致しかねます。また一時的に、各データの収録範囲や更新周期によって、一部の情報が正しく表示されないことがございます。当サイトの情報を元にした諸問題、不利益等について当方は何ら責任を負いかねることを予めご承知おきのほど宜しくお願い申し上げます。

主たる情報の出典

特許情報…特許整理標準化データ(XML編)、公開特許公報、特許公報、審決公報、Patent Map Guidance System データ