[发明专利]通过无监督学习的对象跟踪

说明书

车辆中的计算设备可以通过基于第一3D数据点的联合概率确定以对象为中心的第一矩形边界来确定对象，然后通过基于由第一矩形边界决定第二3D数据点的联合贝叶斯概率确定以对象为中心的第二矩形边界来确定对象，以及基于确定的对象驾驶车辆。

技术领域

本公开总体涉及车辆驾驶系统，并且更具体地，涉及通过无监督学习的对象跟踪。

背景技术

车辆可以配备在自主和乘员驾驶模式下操作。车辆可以配备计算设备、网络、传感器和控制器以驾驶车辆并协助乘员驾驶车辆。计算设备可以经由传感器监测车辆的真实世界环境，以帮助计算设备驾驶车辆。

发明内容

根据本发明，提供一种方法，包括：

通过基于联合概率确定以对象为中心的第一矩形边界，来基于多个第一3D数据点确定所述对象；

通过基于所述第一矩形边界和联合概率确定以所述对象为中心的第二矩形边界，来确定多个第二3D数据点中的所述对象；以及

基于所述对象驾驶车辆。

根据本发明的一个实施例，其中所述3D数据点由激光雷达确定。

根据本发明的一个实施例，其中确定所述对象包括确定所述第一矩形边界和所述第二矩形边界的位置、姿势和尺寸。

根据本发明的一个实施例，其中确定所述对象包括将所述第一3D数据点与先前获取的3D数据点进行比较以确定对象数据点和背景数据点。

根据本发明的一个实施例，其中所述第一矩形边界和所述第二矩形边界是通过使所述对象数据点相对于所述背景数据点的联合概率最大化来确定的。

根据本发明的一个实施例，其中最大化所述联合概率确定以所述对象数据点为中心的3×3网格，其中所述3×3网格的中心网格包括一个或多个对象数据点并且不包括背景数据点。

根据本发明的一个实施例，其中所述第一矩形边界被定义为所述3×3网格的中心网格，并且被用作基于所述联合概率确定所述第二矩形边界的起始点。

根据本发明的一个实施例，其中所述联合概率是贝叶斯概率，其中对象数据点属于所述对象的概率由所述对象数据点在先前时间步长属于所述对象的概率来决定。

根据本发明的一个实施例，其中所述联合概率是通过使所述联合概率的自然对数最大化来确定的。

根据本发明的一个实施例，其中通过确定每个所述联合概率的自然对数的梯度来使所述联合概率最大化。

根据本发明，提供一种装置，包括：

处理器；

存储器，所述存储器存储可由所述处理器执行以进行以下操作的指令：

通过基于联合概率确定以对象为中心的第一矩形边界，来基于多个第一3D数据点确定所述对象；

通过基于所述第一矩形边界和联合概率确定以所述对象为中心的第二矩形边界，来确定多个第二3D数据点中的所述对象；以及

基于所述对象驾驶车辆。

根据本发明的一个实施例，其中所述3D数据点由激光雷达确定。

根据本发明的一个实施例，其中确定所述对象包括确定第一矩形边界和第二矩形边界的位置、姿势和尺寸。

根据本发明的一个实施例，其中确定对象包括将第一3D数据点与先前获取的3D数据点进行比较以确定对象数据点和背景数据点。

根据本发明的一个实施例，其中通过最大化对象数据点相对于背景数据点的联合概率来确定第一矩形边界和第二矩形边界。