CN109255341A

CN109255341A - 障碍物感知错误数据的提取方法、装置、设备及介质

Info

Publication number: CN109255341A
Application number: CN201811273698.9A
Authority: CN
Inventors: 费雯凯
Original assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Current assignee: Apollo Intelligent Technology Beijing Co Ltd
Priority date: 2018-10-30
Filing date: 2018-10-30
Publication date: 2019-01-22
Anticipated expiration: 2038-10-30
Also published as: CN109255341B

Abstract

本发明实施例公开了一种障碍物感知错误数据的提取方法、装置、设备及介质。该方法包括：获取车辆的路测数据集；所述路测数据集中包含用于感知障碍物的传感器数据、障碍物感知结果数据和人工驾驶行为数据；通过对所述障碍物感知结果数据和所述人工驾驶行为数据的对比分析，获得障碍物误识别和/或障碍物漏识别的实例数据；其中，实例数据包括传感器数据。上述技术方案通过对路测时车辆行驶过程中大量的障碍物漏识别和/或误识别等对应的实例数据的提取，为障碍物感知模型的再训练提供数据支撑，进而可以优化障碍物感知模型，提高障碍物识别的准确率和可靠性，减小无人驾驶车辆的安全隐患。

Description

障碍物感知错误数据的提取方法、装置、设备及介质

技术领域

本发明实施例涉及无人驾驶技术领域，尤其涉及一种障碍物感知错误数据的提取方法、装置、设备及介质。

背景技术

在无人驾驶感知系统中，主要依靠摄像机输出的图像数据和激光雷达输出的点云数据、以及无线电雷达输出的数据进行障碍物的感知识别。现有技术在算法迭代开发阶段，通常通过人工驾驶的开环方式进行大量的数据采集和标准，用于进行障碍物感知模型训练，以便后续通过障碍物感知模型对障碍物进行识别和分类。

然而，由于障碍物的种类繁多，导致诸如绿植枝叶、地面积水等非障碍物被误识别，和/或诸如交通锥、三角支架或者儿童行人等低矮障碍物被漏识别的情况时有发生，对无人驾驶车辆的行车安全带来隐患。

发明内容

本发明实施例提供了一种障碍物感知错误数据的提取方法、装置、设备及介质，以通过提取的障碍物感知错误数据为障碍物感知模型的再训练提供数据支撑，进而优化障碍物感知模型，提高障碍物识别准确率和可靠性，减小无人驾驶车辆的安全隐患。

第一方面，本发明实施例提供了一种障碍物感知错误数据的提取方法，包括：

获取车辆的路测数据集；所述路测数据集中包含用于感知障碍物的传感器数据、障碍物感知结果数据和人工驾驶行为数据；

通过对所述障碍物感知结果数据和所述人工驾驶行为数据的对比分析，获得障碍物误识别和/或障碍物漏识别的实例数据；其中，实例数据包括传感器数据。

第二方面，本发明实施例还提供了一种障碍物感知错误数据的提取装置，包括：

路测数据集获取模块，用于获取车辆的路测数据集；所述路测数据集中包含用于感知障碍物的传感器数据、障碍物感知结果数据和人工驾驶行为数据；

实例数据获得模块，用于通过对所述障碍物感知结果数据和所述人工驾驶行为数据的对比分析，获得障碍物误识别和/或障碍物漏识别的实例数据；其中，实例数据包括传感器数据。

第三方面，本发明实施例还提供了一种电子设备，包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面实施例所提供的一种障碍物感知错误数据的提取方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面实施例所提供的一种障碍物感知错误数据的提取方法。

本发明实施例获取车辆的用于感知障碍物的传感器数据、障碍物感知结果数据和人工驾驶行为数据；并通过对障碍物感知结果数据和人工驾驶行为数据的对比分析，获得障碍物误识别和/或漏识别的实例数据；其中实例数据包括传感器数据。上述技术方案通过对路测时车辆行驶过程中大量的障碍物漏识别和/或误识别等对应的实例数据的提取，为障碍物感知模型的再训练提供了数据支撑，进而可以优化障碍物感知模型，提高障碍物识别的准确率和可靠性，减小无人驾驶车辆的安全隐患。

附图说明

图1是本发明实施例一中的一种障碍物感知错误数据的提取方法的流程图；

图2是本发明实施例二中的一种障碍物感知错误数据的提取方法的流程图；

图3是本发明实施例三中的一种障碍物感知错误数据的提取装置的结构图；

图4为本发明实施例四中的一种电子设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1是本发明实施例一中的一种障碍物感知错误数据的提取方法的流程图。本发明实施例适用于在无人驾驶感知系统的算法迭代开发阶段，通过人工驾驶的开环方式进行障碍物感知模型的训练样本的采集的情况，该方法可以由障碍物感知错误数据的提取装置来执行，该装置由软件和/或硬件实现，并具体配置于无人驾驶车辆中。

如图1所示的障碍物感知错误数据的提取方法，包括：

S110、获取车辆的路测数据集；所述路测数据集中包含用于感知障碍物的传感器数据、障碍物感知结果数据和人工驾驶行为数据。

其中，传感器数据包括车辆中摄像机输出的图像数据、车辆中激光雷达输出的点云数据、以及车辆中无线电雷达输出的数据。其中，车辆可以是无人驾驶车辆，或者还可以是设置有无人驾驶感知系统的其他车辆。其中，障碍物感知结果数据可以理解为车辆行驶过程中感知算法模块根据传感器所输出的传感器数据得到的感知结果，或者还可以是根据车辆行驶时产生的传感器数据，离线通过感知算法模块得到的感知结果，离线指的是，不用进行上车测试，在与车辆上相同的计算机硬件环境下，将已经采集好的传感器数据发给感知算法模块，感知算法模块会对应输出感知结果。

其中，人工驾驶行为数据可以理解为表征人工驾驶行为的数据，例如可以是方向盘的转动角度、车辆制动装置的工作状态、车辆的启动状态和/或车辆运动参数等行为分析数据，还可以是驾驶员是否存在停车和/或是否存在绕路行驶的直观行为数据。其中，可以通过行为分析数据得到驾驶员人工驾驶时是否存在停车和/或绕路行驶的驾驶行为。其中，车辆运动参数包括：车辆运动速度、角速度和/或加速度。

示例性地，在车辆行驶过程中进行传感器数据和人工驾驶行为数据的实时采集并存储，以及进行障碍物实时感知得到的障碍物感知结果数据的实时存储；相应的，可以在传感器数据、障碍物感知结果数据和人工驾驶行为数据实时存储时，将上述各数据同步传输至障碍物感知错误数据的提取装置中，并将各传感器数据、各障碍物感知结果数据和各人工驾驶行为数据按照数据产生时刻对应存储得到路测数据集。当然，还可以在车辆行驶过程结束之后，通过技术人员的人工触发，调取行驶过程中存储的各传感器数据、各障碍物感知结果数据和各人工驾驶行为数据，并按照数据产生时刻对应存储得到路测数据集。

S120、通过对所述障碍物感知结果数据和所述人工驾驶行为数据的对比分析，获得障碍物误识别和/或障碍物漏识别的实例数据；其中，实例数据包括传感器数据。

具体的，通过对所述感知结果数据和所述人工驾驶行为数据的对比分析，获得障碍物误识别的实例数据，包括：对于每条障碍物感知结果数据，若该障碍物感知结果数据为感知到障碍物，则根据所述人工驾驶行为数据确定感知到障碍物的时刻所对应的人工驾驶行为，判断该人工驾驶行为是否为预设人工驾驶行为；若不是，则确定该障碍物感知结果数据对应的传感器数据为障碍物误识别的实例数据；其中，所述预设人工驾驶行为包括：停车和绕路行驶。

示例性地，当人工驾驶行为数据包括方向盘的转动角度时，若转动角度满足设定的转动角度转弯阈值，则表明驾驶员存在绕路行驶的驾驶行为；当人工驾驶行为数据包括车辆制动装置的工作状态时，若车辆制动装置的工作状态为非闲置状态，则表明驾驶员存在停车的驾驶行为；当人工驾驶行为数据包括车辆启动状态时，若在第一预设时间段内车辆的状态为“启动-非启动-启动”，则表明驾驶员存在停车的驾驶行为；当人工驾驶行为数据包括车辆运动速度时，若在第二预设时间段内车辆运行速度减小幅度大于较大运动速度的预设百分比，则表明驾驶员存在停车的驾驶行为；当人工驾驶行为数据包括车辆运动角速度时，若在第三预设时间段内车辆运行角速度的差值大于设定的角速度转弯阈值，则表明驾驶员存在绕路行驶的驾驶行为；当人工驾驶行为数据包括车辆运动加速度时，若在第四预设时间段内车辆运行加速度持续小于零，则表明驾驶员存在停车的驾驶行为。其中，转动角度转弯阈值、第一预设时间段、第二预设时间段、第三预设时间段、第四预设时间段、预设百分比以及角速度转弯阈值等可以由技术人员根据实验值或经验值设定。

具体的，通过对所述感知结果数据和所述人工驾驶行为数据的对比分析，获得障碍物漏识别的实例数据，包括：对于所述人工驾驶行为数据中的预设人工驾驶行为，根据所述障碍物感知结果数据确定产生该预设人工驾驶行为的时刻所对应的障碍物感知结果数据，判断该障碍物感知结果数据是否为感知到障碍物，若不是，则确定该障碍物感知结果数据对应的传感器数据为障碍物漏识别的实例数据；其中，所述预设人工驾驶行为包括：停车和绕路行驶。

本发明实施例获取车辆的用于感知障碍物的传感器数据、障碍物感知结果数据和人工驾驶行为数据；并通过对障碍物感知结果数据和人工驾驶行为数据的对比分析，获得障碍物误识别和/或漏识别的实例数据；其中实例数据包括传感器数据。上述技术方案通过对路测时车辆行驶过程中大量的障碍物漏识别和/或误识别等对应的实例数据的提取，为障碍物感知模型的再训练提供数据支撑，进而可以优化障碍物感知模型，提高障碍物识别的准确率和可靠性，减小无人驾驶车辆的安全隐患。

进一步地，在获得障碍物误识别和/或障碍物漏识别的实例数据之后，还包括：将障碍物误识别和/或障碍物漏识别的实例数据作为训练样本数据，对障碍物感知模型进行训练；和/或，

使用障碍物误识别和/或障碍物漏识别的实例数据，对障碍物感知模型的识别效果进行测试。

其中，实例数据还可以包括障碍物误识别和/或漏识别时对应的实际感知结果数据。其中，障碍物误识别时的实际感知结果数据与障碍物感知结果数据内容相反；障碍物漏识别时的实际感知结果数据与障碍物感知结果数据内容相反。

示例性地，当采用“0”作为无障碍物的结果标识，“1”作为有障碍物的结果标识时，当障碍物误识别时，对应的障碍物感知结果数据为“1”，实际感知结果数据为“0”；当障碍物漏识别时，对应的障碍物感知结果数据为“0”，实际感知结果数据为“1”。

示例性地，使用障碍物误识别和/或障碍物漏识别的实例数据，对障碍物感知模型的识别效果进行测试，可以是：使用实例数据中的传感器数据输入至障碍物感知模型中，得到相应的预测感知结果，根据预测感知结果和实例数据中的实际感知结果数据，对障碍物感知模型进行评价。

具体的，根据公式对障碍物感知模型进行评价；

其中，TP表示预测感知结果和实际感知结果数据均为有障碍物；TN表示预测感知结果和实际感知结果数据均为无障碍物；FP表示预测感知结果为有障碍物，但实际感知结果数据为无障碍物；FN表示预测感知结果为无障碍物，但实际感知结果数据为有障碍物；accuracy为障碍物感知模型的准确率；precision为障碍物感知模型的精确率；recall为障碍物感知模型的召回率。

本发明实施例通过将障碍物误识别和/或漏识别的实例数据作为训练样本数据对障碍物感知模型进行训练，以优化障碍物感知模型，提高障碍物感知模型的准确率和可靠性；通过将障碍物误识别和/或漏识别的实例数据作为测试样本数据对障碍物感知模型的进行测试，以对障碍物感知模型的识别效果进行评价。

实施例二

图2是本发明实施例二中的一种障碍物感知错误数据的提取方法的流程图。本发明实施例在上述各实施例的技术方案的基础上，进行了追加优化。

进一步地，将操作“在获得障碍物漏识别的实例数据”之后，追加“结合路网数据和定位数据，对障碍物漏识别的实例数据进行筛选”，以对漏识别的实例数据中所包含的非错误数据进行剔除，提高障碍物感知错误数据的纯度。

如图2所示的障碍物感知错误数据的提取方法，包括：

S210、获取车辆的路测数据集；所述路测数据集中包含用于感知障碍物的传感器数据、障碍物感知结果数据和人工驾驶行为数据。

S220、对于所述人工驾驶行为数据中的预设人工驾驶行为，根据所述障碍物感知结果数据确定产生该预设人工驾驶行为的时刻所对应的障碍物感知结果数据。

S230、判断该障碍物感知结果数据是否为感知到障碍物，若不是，则确定该障碍物感知结果数据对应的传感器数据为障碍物漏识别的实例数据。

其中，所述预设人工驾驶行为包括：停车和绕路行驶。

具体的，当人工驾驶行为数据中包括停车驾驶行为时，获取障碍物感知结果数据中，驾驶员产生停车驾驶行为的当前时刻对应的障碍物感知结果数据；若障碍物感知结果数据为表征未感知到障碍物的结果标识，则确定障碍物感知结果数据对应的传感器数据为障碍物漏识别的实例数据。可以理解的是，障碍物感知结果数据对应的传感器数据即为产生停车驾驶行为的当前时刻对应的传感器数据。

具体的，当人工驾驶行为数据中包括绕路行驶行为时，获取障碍物感知结果数据中，驾驶员产生绕路行驶行为的当前时刻对应的障碍物感知结果数据；若障碍物感知结果数据为表征未感知到障碍物的结果标识，则确定障碍物感知结果数据对应的传感器数据为障碍物漏识别的实例数据。可以理解的是，障碍物感知结果数据对应的传感器数据即为产生绕路行驶行为的当前时刻对应的传感器数据。

其中，实例数据还可以包括障碍物漏识别时对应的实际感知结果数据。其中，障碍物漏识别时的实际感知结果数据与障碍物感知结果数据内容相反。

S240、结合路网数据和定位数据，对障碍物漏识别的实例数据进行筛选。

具体的，对于每条障碍物漏识别的实例数据，根据定位数据和路网数据判断产生该预设人工驾驶行为的时刻车辆所处位置的红绿灯信息，若该红绿灯信息指示禁止直线通行，则将该条障碍物漏识别的实例数据进行删除。

具体的，获取每条实例数据中所包含的传感器数据的产生时刻对应的定位数据；根据定位数据确定车辆所处位置，并结合路网数据确定车辆在所处位置时的红绿灯颜色信息和红绿灯行驶方向信息；若红绿灯颜色信息为红色，或者红绿灯行驶方向信息为转弯，则将该条障碍物漏识别的实例数据进行删除。

本发明实施例将由于红绿灯信息指示驾驶员产生停车或绕路行驶的驾驶行为，而障碍物识别结果并未感知到障碍物时，将障碍物正确识别错判为障碍物漏识别的情况下确定的实例数据进行剔除，提高了障碍物感知错误数据的纯度，

为障碍物感知模型的优化提供了良好的数据基础。

实施例三

图3是本发明实施例三中的一种障碍物感知错误数据的提取装置的结构示意图。本发明实施例适用于在无人驾驶感知系统的算法迭代开发阶段，通过人工驾驶的开环方式进行障碍物感知模型的训练样本的采集的情况，该装置由软件和/或硬件实现，并具体配置于无人驾驶车辆中。图3所示的障碍物感知错误数据的提取装置，包括：路测数据集获取模块310和实例数据获得模块320。

路测数据集获取模块310，用于获取车辆的路测数据集；所述路测数据集中包含用于感知障碍物的传感器数据、障碍物感知结果数据和人工驾驶行为数据；

实例数据获得模块320，用于通过对所述障碍物感知结果数据和所述人工驾驶行为数据的对比分析，获得障碍物误识别和/或障碍物漏识别的实例数据；其中，实例数据包括传感器数据。

本发明实施例采用路测数据集获取模块获取车辆的用于感知障碍物的传感器数据、障碍物感知结果数据和人工驾驶行为数据；并采用实例数据获得模块通过对障碍物感知结果数据和人工驾驶行为数据的对比分析，获得障碍物误识别和/或漏识别的实例数据；其中实例数据包括传感器数据。上述技术方案通过对路测时车辆行驶过程中大量的障碍物漏识别和/或误识别等对应的实例数据的提取，为障碍物感知模型的再训练提供数据支撑，进而可以优化障碍物感知模型，提高障碍物识别的准确率和可靠性，减小无人驾驶车辆的安全隐患。

进一步地，所述实例数据获得模块320，包括：

障碍物误识别判断单元，用于对于每条障碍物感知结果数据，若该障碍物

感知结果数据为感知到障碍物，则根据所述人工驾驶行为数据确定感知到障碍物的时刻所对应的人工驾驶行为，判断该人工驾驶行为是否为预设人工驾驶行为；若不是，则确定该障碍物感知结果数据对应的传感器数据为障碍物误识别的实例数据。

进一步地，所述实例数据获得模块320，包括：

障碍物漏识别判断单元，用于对于所述人工驾驶行为数据中的预设人工驾驶行为，根据所述障碍物感知结果数据确定产生该预设人工驾驶行为的时刻所对应的障碍物感知结果数据，判断该障碍物感知结果数据是否为感知到障碍物，若不是，则确定该障碍物感知结果数据对应的传感器数据为障碍物漏识别的实例数据。

进一步地，所述预设人工驾驶行为包括：停车和绕路行驶。

进一步地，所述实例数据获得模块320，还包括实例数据筛选单元，具体用于：

在障碍物漏识别判断单元获得障碍物漏识别的实例数据之后，结合路网数据和定位数据，对障碍物漏识别的实例数据进行筛选。

进一步地，所述实例数据筛选单元，包括：

实例数据删除子单元，用于对于每条障碍物漏识别的实例数据，根据定位数据和路网数据判断产生该预设人工驾驶行为的时刻车辆所处位置的红绿灯信息，若该红绿灯信息指示禁止直线通行，则将该条障碍物漏识别的实例数据进行删除。

进一步地，所述装置，还包括：

训练模块，用于在获得障碍物误识别和/或障碍物漏识别的实例数据之后，将障碍物误识别和/或障碍物漏识别的实例数据作为训练样本数据，对障碍物感知模型进行训练；和/或，

测试模块，用于在获得障碍物误识别和/或障碍物漏识别的实例数据之后，使用障碍物误识别和/或障碍物漏识别的实例数据，对障碍物感知模型的识别效果进行测试。

本发明实施例所提供的障碍物感知错误数据的提取装置可执行本发明任意实施例所提供的障碍物感知错误数据的提取方法，具备执行障碍物感知错误数据的提取方法相应的功能模块和有益效果。

实施例四

图4为本发明实施例四提供的一种电子设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性电子设备412的框图。图4显示的电子设备412仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图4所示，电子设备412以通用计算设备的形式表现。电子设备412的组件可以包括但不限于：一个或者多个处理器或者处理单元416，系统存储器428，连接不同系统组件(包括系统存储器428和处理单元416)的总线418。

总线418表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

电子设备412典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备412访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器428可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)430和/或高速缓存存储器432。电子设备412可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统434可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线418相连。存储器428可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块442的程序/实用工具440，可以存储在例如存储器428中，这样的程序模块442包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块442通常执行本发明所描述的实施例中的功能和/或方法。

电子设备412也可以与一个或多个外部设备414(例如键盘、指向设备、显示器424等)通信，还可与一个或者多个使得用户能与该电子设备412交互的设备通信，和/或与使得该电子设备412能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口422进行。并且，电子设备412还可以通过网络适配器420与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器420通过总线418与电子设备412的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备412使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理单元416通过运行存储在系统存储器428中的多个程序中的至少一个程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的一种障碍物感知错误数据的提取方法。

本发明实施例还提供了一种车辆，包括车体，还包括上述电子设备。

实施例五

本发明实施例五提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明任一实施例所提供的一种障碍物感知错误数据的提取方法，包括：获取车辆的路测数据集；所述路测数据集中包含用于感知障碍物的传感器数据、障碍物感知结果数据和人工驾驶行为数据；通过对所述障碍物感知结果数据和所述人工驾驶行为数据的对比分析，获得障碍物误识别和/或障碍物漏识别的实例数据；其中，实例数据包括传感器数据。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims

1.一种障碍物感知错误数据的提取方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述通过对所述感知结果数据和所述人工驾驶行为数据的对比分析，获得障碍物误识别的实例数据，包括：

对于每条障碍物感知结果数据，若该障碍物感知结果数据为感知到障碍物，则根据所述人工驾驶行为数据确定感知到障碍物的时刻所对应的人工驾驶行为，判断该人工驾驶行为是否为预设人工驾驶行为；若不是，则确定该障碍物感知结果数据对应的传感器数据为障碍物误识别的实例数据。

3.根据权利要求1所述的方法，其特征在于，所述通过对所述感知结果数据和所述人工驾驶行为数据的对比分析，获得障碍物漏识别的实例数据，包括：

对于所述人工驾驶行为数据中的预设人工驾驶行为，根据所述障碍物感知结果数据确定产生该预设人工驾驶行为的时刻所对应的障碍物感知结果数据，判断该障碍物感知结果数据是否为感知到障碍物，若不是，则确定该障碍物感知结果数据对应的传感器数据为障碍物漏识别的实例数据。

4.根据权利要求2或3所述的方法，其特征在于，所述预设人工驾驶行为包括：停车和绕路行驶。

5.根据权利要求3所述的方法，其特征在于，在获得障碍物漏识别的实例数据之后，还包括：

结合路网数据和定位数据，对障碍物漏识别的实例数据进行筛选。

6.根据权利要求5所述的方法，其特征在于，所述结合路网数据和定位数据，对障碍物漏识别的实例数据进行筛选，包括：

对于每条障碍物漏识别的实例数据，根据定位数据和路网数据判断产生该预设人工驾驶行为的时刻车辆所处位置的红绿灯信息，若该红绿灯信息指示禁止直线通行，则将该条障碍物漏识别的实例数据进行删除。

7.根据权利要求1所述的方法，其特征在于，在获得障碍物误识别和/或障碍物漏识别的实例数据之后，还包括：

将障碍物误识别和/或障碍物漏识别的实例数据作为训练样本数据，对障碍物感知模型进行训练；和/或，

8.一种障碍物感知错误数据的提取装置，其特征在于，包括：

9.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7任一项所述的一种障碍物感知错误数据的提取方法。

10.一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，该程序被处理器执行时实现如权利要求1-7任一项所述的一种障碍物感知错误数据的提取方法。