[发明专利]自动车辆的伪对象检测

说明书

本公开的各方面涉及检测伪对象。例如，可以使用包括由车辆100的LIDAR传感器生成的多个LIDAR数据点的训练数据来训练模型470。每个给定的LIDAR数据点包括位置信息和强度信息，并且与给定的LIDAR数据点的波形数据相关联。所述多个LIDAR数据点中的至少一个LIDAR数据点还与标识车辆能够驾驶通过的伪对象的标签相关联。模型和/或多个启发式算法然后可以被提供给车辆，以便允许车辆确定对应于伪对象的LIDAR数据点。然后，可以从传感器数据中过滤这些LIDAR数据点，并且过滤后的传感器数据可以用于以自动驾驶模式控制车辆。

相关申请的交叉引用

本申请要求于2018年12月12日提交的第16/217,899号申请序列的权益，其公开内容通过引用并入本文。

背景技术

自动驾驶车辆，诸如在自动驾驶模式下操作时不需要人类驾驶员的车辆，可以用于帮助将乘客或物品从一个位置运输到另一个位置。自动驾驶车辆的重要组件是感知系统，它允许车辆使用传感器(诸如相机、雷达、LIDAR传感器和其他类似设备)感知和解释其周围环境。例如，感知系统和/或车辆的计算设备可以处理来自这些传感器的数据，以便识别对象及其特征，诸如位置、形状、尺寸、朝向、走向、加速或减速、类型等。该信息对于允许车辆的计算系统为车辆做出适当的驾驶决策至关重要。然而，车辆的计算设备可能难以区分车辆必须响应的实际对象(actual object)和可以忽略的伪对象(spurious object)。

发明内容

本公开的各方面提供了训练模型的方法。该方法包括由一个或多个计算设备接收训练数据，该训练数据包括由车辆的LIDAR传感器生成的多个LIDAR数据点，每个给定的LIDAR数据点(1)包括位置信息和强度信息，并且(2)与给定的LIDAR数据点的除了强度信息之外的波形数据相关联，并且其中，多个LIDAR数据点中的至少一个LIDAR数据点还与标识伪对象的标签相关联，伪对象可以通过与多个LIDAR数据点中的最后至少一个LIDAR数据点相关联的波形数据与实体对象区分开，并且车辆能够驾驶通过伪对象；以及由一个或多个计算设备使用训练数据来训练模型，以便提高模型的准确度，并且其中，该模型被配置为对于给定的输入LIDAR数据点和相对应的波形数据，提供指示给定的输入LIDAR数据点是否是伪对象的输出。

在一个示例中，其中伪对象包括对应于车辆废气、灰尘、雨、雪或雾中的至少一种的对象。在另一个示例中，该输出提供了给定的输入LIDAR数据点对应于伪对象的可能性。在另一个示例中，对于多个LIDAR数据点中的特定LIDAR数据点，训练数据还包括峰伸长率(peak elongation)。在另一示例中，对于多个LIDAR数据点中的特定LIDAR数据点，训练数据还包括与特定LIDAR数据点相关联的波形数据中的峰的数量(a number of peaks)。在另一个示例中，对于多个LIDAR数据点中的特定LIDAR数据点，训练数据还包括与特定LIDAR数据点相关联的波形数据的峰宽度(peak width)。在另一示例中，多个LIDAR数据点中的特定LIDAR数据点的波形数据包括特定LIDAR数据点的在LIDAR传感器处接收的多个光的样本。在另一个示例中，标签还识别伪对象的类型，使得输出还包括给定的输入LIDAR数据点的伪对象的类型。在另一个示例中，多个LIDAR数据点对应于由LIDAR传感器捕获的单个帧。在另一个示例中，该帧对应于LIDAR传感器的一个360度旋转。在另一个示例中，伪对象是降水(precipitation)。在另一个示例中，伪对象是灰尘。在另一个示例中，伪对象是雾。