1.本发明涉及自动驾驶技术领域，尤其涉及一种确定物体关联性的方法及装置、物体状态更新方法及装置。
背景技术：2.自动驾驶车辆往往搭载多种传感器来感知周围物体，并通过深度学习方法对多种传感器采集的数据集进行处理，以识别数据集中的检测物体。对于识别得到的检测物体，需要确定其与跟踪物体是否具有关联，并根据关联结果对该检测物体进行追踪，以使自动驾驶车辆基于跟踪结果做出前进、等待、绕行等决策。
3.在现有技术中，首先基于欧氏距离和马氏距离计算检测物体和跟踪物体的相似度，然后基于相似度确定两者是否存在关联，但是，对于具有不同朝向的同一个物体，计算得到的欧式距离和马氏距离并不为零。因此，欧式距离和马氏距离并不能准确地衡量两个物体之间的相似度，进而导致关联结果不准确。
4.鉴于此，亟需一种确定物体关联性方法，以解决欧氏距离及马氏距离无法妥善处理物体的朝向问题。
技术实现要素：5.鉴于上述情况，本发明提供一种确定物体关联性的方法及装置、物体状态更新方法及装置，解决了欧氏距离和马氏距离无法妥善处理的朝向问题，准确地确定物体的关联性。
6.第一方面，本说明书提供了一种确定物体关联性的方法，包括：
7.获取检测物体的状态信息；
8.根据所述检测物体的状态信息，建立所述检测物体的高斯分布；
9.根据存储的跟踪物体的状态信息，建立所述跟踪物体的高斯分布；
10.根据所述检测物体的高斯分布和所述跟踪物体的高斯分布，计算所述检测物体和所述跟踪物体之间的wasserstein距离；
11.根据所述wasserstein距离，确定所述检测物体和所述跟踪物体的是否存在关联；
12.其中，所述状态信息包括：位置信息、尺寸信息和朝向信息。
13.第二方面，本说明书实施例提供了一种物体状态更新方法，包括：
14.获取检测物体的状态信息；
15.根据所述检测物体的状态信息，建立所述检测物体的高斯分布；
16.根据存储的跟踪物体的状态信息，建立所述跟踪物体的高斯分布；
17.根据所述检测物体的高斯分布和所述跟踪物体的高斯分布，计算所述检测物体和所述跟踪物体之间的wasserstein距离；
18.根据所述wasserstein距离，确定所述检测物体和所述跟踪物体是否存在关联；
19.根据关联结果，更新存储的跟踪物体的状态信息；
20.其中，所述状态信息包括：位置信息、尺寸信息和朝向信息。
21.第三方面，本说明书实施例提供了一种确定物体关联性的装置，包括：
22.获取模块，配置为获取检测物体的状态信息；
23.建立模块，配置为根据所述检测物体的状态信息，建立所述检测物体的高斯分布；根据存储的跟踪物体的状态信息，建立所述跟踪物体的高斯分布；
24.计算模块，配置为根据所述检测物体的高斯分布和所述跟踪物体的高斯分布，计算所述检测物体和所述跟踪物体之间的wasserstein距离；
25.关联模块，配置为根据所述wasserstein距离，确定所述检测物体和所述跟踪物体是否存在关联；
26.其中，所述状态信息包括：位置信息、尺寸信息和朝向信息。
27.第四方面，本说明书实施例提供了一种物体状态更新装置，包括：
28.获取模块，配置为获取检测物体的状态信息；
29.建立模块，配置为根据所述检测物体的状态信息，建立所述检测物体的高斯分布；根据存储的跟踪物体的状态信息，建立所述跟踪物体的高斯分布；
30.计算模块，配置为根据所述检测物体的高斯分布和所述跟踪物体的高斯分布，计算所述检测物体和所述跟踪物体之间的wasserstein距离；
31.关联模块，配置为根据所述wasserstein距离，确定所述检测物体和所述跟踪物体是否存在关联；
32.更新模块，配置为根据关联结果，更新存储的跟踪物体的状态信息；
33.其中，所述状态信息包括：位置信息、尺寸信息和朝向信息。
34.第五方面，本说明书实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如上述任一实施例所述的方法。
35.第六方面，本说明书实施例提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如上述任一实施例所述的方法。
36.本发明提供的技术方案的有益效果：基于高斯分布描述物体的状态，并通过计算高斯分布的wasserstein距离，确定物体之间的关联性。相比于欧氏距离和马氏距离，wasserstein距离能够考虑物体朝向的变化，得到更加准确的关联结果。例如，对于具有不同朝向的检测物体和跟踪物体，如果两者实质为同一个物体，则wasserstein距离为零。
附图说明
37.为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，构成本发明的一部分，本发明的示意性实施例及其说明解释本发明，并不构成对本发明的不当限定。在附图中：
38.图1为本发明一个实施例提供的确定物体关联性的方法的流程图；
39.图2为本发明一个实施例提供的物体状态更新方法的流程图；
40.图3为本发明另一个实施例提供的确定物体关联性的方法的流程图；
41.图4为本发明另一个实施例提供的物体状态更新方法的流程图；
42.图5为本发明一个实施例提供的确定物体关联性的装置的流程图；
43.图6为本发明一个实施例提供的物体状态更新装置的流程图；
44.图7为适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
45.为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本说明书的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
46.在本说明书的一个实施例中，确定物体间关联性是最具有挑战的部分之一，在车辆行驶的过程中，如果错误的关联某个物体(车辆、行人、路标等)，后期会导致错误的车辆控制，最终可能带来非常严重的后果。准确计算检测物体和跟踪物体之间的距离对于确定检测物体和跟踪物体是否关联至关重要。
47.现有方法中一般利用欧氏距离或马氏距离来刻画检测物体和跟踪物体之间的相似度，由于马氏距离和欧氏距离都具有物体的角度信息与物体的尺度信息(位置信息和尺寸信息)难以平衡的问题，导致不能够准确确定物体间的相似度。
48.以对物体进行三维建模为例，三维物体状态信息包括：位置信息、尺寸信息和朝向信息，记为[x,y,z,w,h,l,θ]，其中，x、y、z为位置信息，w、h、l为尺寸信息，θ为朝向信息。对于以下三种状态的表达：[x,y,z,w,h,l,θ]，[x,y,z,w,h,l,θ+π]，[x,y,z,h,w,l,θ+π/2]，从本质上讲，这三种表达均表示的是同一个物体，但无论是使用欧氏距离和马氏距离，计算得到的检测物体和跟踪物体之间的距离都不是零。
[0049]
鉴于此，根据图1，本说明书提供一种确定物体关联性的方法，包括：
[0050]
步骤100，获取检测物体的状态信息。
[0051]
自动驾驶车辆载有多种传感器，用于感知周围的静态物体或动态物体。多种传感器实时探测到的数据，通过使用深度学习方法或其他模式分析方法提取检测物体的状态信息，其中检测物体的状态信息包括但不限于位置信息、尺寸信息和朝向信息。
[0052]
检测物体可以是动态物体或者静态物体，也可以为一个或多个目标物体，例如车辆、行人、建筑物、树木、路标等。
[0053]
自动驾驶车辆载有激光雷达、车载相机、毫米波雷达等多种传感器实时探测周围物体，比如行人、车辆、建筑物和路标等动态物体或静态物体，将多种传感器的采集到的数据通过深度学习方法或者其他分析方法提取检测物体的状态信息，比如位置信息、尺寸信息以及朝向信息。其中，使用多种传感器，根据它们各自工作的特点，优势互补，可以使整个数据在多个维度上表现有益，提高对检测物体状态信息捕获的全面性。
[0054]
步骤101，根据检测物体的状态信息，建立检测物体的高斯分布。
[0055]
步骤102，根据存储的跟踪物体的状态信息，建立跟踪物体的高斯分布。
[0056]
自动驾驶车辆的融合模块中设有跟踪列表，其存储多个跟踪物体的状态信息，用于与检测物体进行匹配，即确定检测物体和跟踪物体是否为同一个物体。
[0057]
检测物体和跟踪物体的高斯分布建立空间可以为二维、三维或多维度空间。为了描述方便，在本说明书实施例中仅以建立二维和三维高斯分布进行详解说明。
[0058]
步骤103，根据检测物体的高斯分布和跟踪物体的高斯分布，计算检测物体和跟踪物体之间的wasserstein距离。
[0059]
步骤104，根据wasserstein距离，确定检测物体和跟踪物体的是否存在关联。
[0060]
wasserstein距离用于度量两个高斯分布之间差异。在本发明中wasserstein距离用于表征检测物体和跟踪物体的相似度，wasserstein距离越小，检测物体和对应的跟踪物体相似性越高。
[0061]
步骤100-步骤104中所涉及到的状态信息均包括：位置信息、尺寸信息和朝向信息。
[0062]
该方法基于高斯分布对检测物体和跟踪物体进行建模，计算wasserstein距离以获取物体关联距离，其中wasserstein距离用以表征检测物体和跟踪物体的相似度。相比于欧氏距离和马氏距离，wasserstein距离能够考虑物体朝向的变化，得到更加准确的关联结果。例如，对于具有不同朝向的检测物体和跟踪物体，如果两者实质为同一个物体，则wasserstein距离为零。
[0063]
在本说明书的一个实施例中，步骤101具体包括：
[0064]
根据检测物体的位置信息、尺寸信息和朝向信息，建立检测物体的二维高斯分布n(m1,∑1)，∑1满足：
[0065][0066]
m1用于表征检测物体的二维高斯分布的位置均值，在本实施例的均值表征的是二维检测物体变量的中心，它使得整个二维高斯曲面在xoy平面上移动；
[0067]
∑1用于表征检测物体的二维高斯分布的协方差，在本实施例中协方差描述x维和y维变量的方差；
[0068]
w1，h1用于表征二维空间中检测物体的尺寸，θ1用于表征二维空间中检测物体的朝向。
[0069]
步骤102具体包括：根据跟踪物体的位置信息、尺寸信息和朝向信息，建立跟踪物体的二维高斯分布n(m2,∑2)，∑2满足：
[0070][0071]
m2用于表征跟踪物体的二维高斯分布的位置均值，在本实施例的均值表征的是二维检测物体变量的中心，它使得整个二维高斯曲面在xoy平面上移动；
[0072]
∑2用于表征跟踪物体的二维高斯分布的协方差，在本实施例中协方差描述x维和y维变量的方差；
[0073]
w2，h2用于表征二维空间中跟踪物体的尺寸，θ3用于表征二维空间中跟踪物体的朝向。
[0074]
具体的，定义一个二维物体的状态信息为[x,y,w,h,θ]，利用二维高斯分布n(m1,
∑1)来描述检测物体的状态信息，n(m2,∑2)来描述跟踪物体的状态信息。
[0075]
其中，[x，y]表示二维空间内检测物体和跟踪物体的位置信息；x＝(x
1 x
2 x3…
xn)，n≥1：表示x轴方向各个变量的均值；y＝(y
1 y
2 y3…yn
)，n≥1：表示y轴方向各个变量的均值；
[0076]
[w，h]表示二维空间内检测物体和跟踪物体尺寸信息；w＝(w
1 w
1 w1…
wn)，n≥1：表示x轴方向检测物体和跟踪物体的尺寸；h＝(h
1 h
2 h3…hn
)，n≥1：表示y轴方向检测物体和跟踪物体的尺寸。对于[w，h]，本领域人员可以理解为物体的长度和宽度。
[0077]
θ角也称为方位角，表示二维空间检测物体和跟踪物体的朝向信息，其中θ∈[-180,180]，也可以理解为物体的旋转角度。例如，θ＝-90表示物体从起始位置开始逆时针旋转90度。
[0078]
在本说明书的一个实施例中，二维高斯分布的协方差∑1和∑2均满足公式：
[0079]
∑
1/2
(w,h,θ)＝∑
1/2
(w,h,θ+π)；∑
1/2
(w,h,θ)＝∑
1/2
(w,h,θ+π/2)。
[0080]
在本说明书的一个实施例中，基于步骤101和步骤102构建的二维空间高斯分布，步骤103具体包括：
[0081]
wasserstein距离满足如下公式：
[0082][0083]
其中，d用于表征二维空间的wasserstein距离。
[0084]
具体的，在二维空间内，检测物体从起始位置点开始，顺时针或逆时针旋转180度或90度，基于高斯分布算法得到的wasserstein距离d没有改变，检测物体和跟踪物体实质为同一个物体。然而基于马氏距离或欧氏距离的计算方法，当方位角变换180度或90度时，检测物体和跟踪物体之间的距离不等于零，识别得到的检测物体和跟踪物体不是同一个物体。因此，在二维空间内，利用高斯分布计算物体间wasserstein距离，尤其是在方位角发生改变时，能够更准确的描述物体间的相似度。
[0085]
同理，在本说明书的一个实施例中，根据检测物体的位置信息、尺寸信息和朝向信息，建立检测物体的三维高斯分布n(m3,∑3)，∑3满足：
[0086][0087]
m3用于表征检测物体的三维高斯分布的位置均值，在本实施例的均值表征的是三维变量的中心，它使得整个三维高斯曲面在x轴、y轴、z轴构成的立体空间内移动；
[0088]
∑3用于表征检测物体的三维高斯分布的协方差，在本实施例中协方差描述x维、y维和z维变量的方差；
[0089]
w3，h3，l3用于表征三维空间中检测物体的尺寸，θ3用于表征三维空间中检测物体的朝向。
[0090]
根据跟踪物体的位置信息、尺寸信息和朝向信息，建立跟踪物体的三维高斯分布n(m4,∑4)，∑4满足：
[0091][0092]
m4用于表征跟踪物体的三维高斯分布的位置均值，∑4用于表征跟踪物体的三维高斯分布的协方差；
[0093]
w4，h4，l4用于表征三维空间中跟踪物体的尺寸，θ4用于表征三维空间中跟踪物体的朝向。
[0094]
具体的，定义一个三维物体的状态信息为[x,y,z,w,l,θ]，利用三维高斯分布n(m3,∑3)来描述检测物体的状态信息，n(m4,∑4)来描述跟踪物体的状态信息。
[0095]
其中，[x，y，z]表示三维空间内检测物体和跟踪物体的位置信息；x＝(x
1 x
2 x3…
xn)，n≥1：表示x轴方向各个变量的均值；y＝(y
1 y
2 y3…
y n
)，n≥1：表示y轴方向各个变量的均值；z＝(z1z2z3…zn
)，n≥1：表示z轴方向各个变量的均值；
[0096]
[w，h，l]表示三维空间内检测物体和跟踪物体尺寸信息；w＝(w
1 w
2 w3…
w n
)，n≥1：表示x轴方向检测物体和跟踪物体的尺寸；h＝(h
1 h
2 h3…
h n
)，n≥1：表示y轴方向检测物体和跟踪物体的尺寸；l＝(l
1 l
2 l3…
l n
)，n≥1：表示z轴方向检测物体和跟踪物体的尺寸。对于[w，h，l]，本领域人员可以理解为物体的长度、宽度和高度。
[0097]
θ角也称为方位角，表示三维空间检测物体和跟踪物体的朝向信息，其中θ∈[-180,180]，也可以理解为物体的旋转角度。例如θ∈[-90,0]表示物体从起始位置开始逆时针旋转90度。
[0098]
在本说明书的一个实施例中，三维高斯分布的协方差∑3和∑4均满足公式：
[0099]
∑
1/2
(ω,h,l,θ)＝∑
1/2
(ω,h,l,θ+π)；∑
1/2
(ω,h,l,θ)＝∑
1/2
(ω,h,l,θ+π/2)。
[0100]
在本说明书的一个实施例中，基于步骤101和步骤102构建的三维空间高斯分布，步骤103具体包括：
[0101]
wasserstein距离满足如下公式：
[0102][0103]
其中，d'用于表征三维空间的wasserstein距离。
[0104]
在实际应用场景中，比如常见的车辆、行人等动态物体，路标、建筑物等静态物体，均可作为检测物体，通过建立检测物体和跟踪物体的三维高斯分布，计算两者之间的wasserstein距离，例如前方车辆转弯，转角为180度时，wasserstein距离d'没有发生改变，跟踪物体依然与检测物体一致。由此可见，三维高斯分布的建立更贴切实际生活，计算简便，精度高，更有利于无人驾驶车辆做出准确决策。
[0105]
在本说明书的一个实施例中，步骤104具体包括：
[0106]
根据wasserstein距离，建立距离矩阵；
[0107]
根据距离矩阵和预设的匹配算法，确定检测物体和跟踪物体是否存在关联。
[0108]
具体地，根据所需设定参考值；当检测物体和跟踪物体之间的wasserstein距离大于参考值时，若干跟踪物体中不存在与检测物体关联的目标跟踪物体；
[0109]
反之，若干跟踪物体中存在与检测物体关联的目标跟踪物体。
[0110]
另外，距离矩阵可以认为二维或三维空间内多个相互独立变量状态信息的集合，在本说明书中表征二维或三维空间内，多个检测物体与多个跟踪物体两两之间wasserstein距离的集合，为后续结合预设的匹配算法，能够准确确定检测物体和跟踪物体是否存在关联，相比于现有的欧式距离和马氏距离担负的计算量减少很多，计算精度方面也提高很多。
[0111]
在实际应用场景中，检测物体和跟踪物体建立二维或三维高斯分布，计算获得wasserstein距离，设定wasserstein距离数值＞某个参考值，就认为不相似，之后，需要用匹配算法来求解物体间关联性。
[0112]
例如，定义detection表示检测物体，简称det，track表示跟踪物体，wasserstein距离用d表示。假设选择的参考值为3，有三个检测物体，三个跟踪物体。
[0113]
d(det a,track a)＝0.1
[0114]
d(det a,track b)＝1.1
[0115]
d(det a,track c)＝10.1
[0116]
d(det b,track a)＝0.5
[0117]
d(det b,track b)＝0.5
[0118]
d(det b,track c)＝10.1
[0119]
d(det c,track a)＝10.5
[0120]
d(det c,track b)＝10.5
[0121]
d(det c,track c)＝5.1
[0122]
将运算结果d排列成3
×
3矩阵，即距离矩阵，之后再使用匹配算法，根据选择的参考值为3，凡是大于3的数值表示检测物体和跟踪物体一定不关联，因此det a与track c、det b与track c、det c与track a、det c与trackb、det c与track c不关联；
[0123]
在参考数值3范围内的d，要根据从小到大的进行排序，d数值越小表明这两个物体的相似度越高。虽然det b和track a的距离也很近，但从d数值上可以看到det a和track a之间距离为0.1，要小于det b和track a之间距离为0.5，因此det a和track a更契合，所以det b与track b关联。
[0124]
最后可以得到det a和track a关联、det b和track b关联的结论，即det a与track a表示的是同一个物体，det b和track b表示的是同一个物体。
[0125]
在使用匹配算法之前，基于wasserstein距离建立距离矩阵，能够减少计算程序，快速获取匹配结果。
[0126]
在本说明书的一个实施例中，匹配算法包括全局最近邻算法，或者匈牙利匹配算法。全局最近邻算法和匈牙利匹配算法都是以获取两物体之间的距离为前提，来解决多个检测额物体和多个跟踪物体之间分配问题。全局最近邻算法运算量小，具有很好的跟踪性能，易于实现，匈牙利匹配算法能够快速获取最优匹配结果。
[0127]
比如，遇到前方车辆转向，还有其他检测物体方位角发生90度或180度改变时，基于高斯分布计算得到检测物体和跟踪物体的wasserstein距离为零，表征的是同一个物体。从更大层面上讲，自动驾驶车辆前方具有多个车辆，多位行人等时刻在运动，包括速度改变、路径改变，位置改变等，这时就体现出距离矩阵建立的必要性，自动驾驶车辆能够同时进行多目标感知和跟踪，并快速获取多个检测物体和多个跟踪物体之间的关联性，以便控制自动驾驶车辆及时做出等待、减速或绕行等重要决策，有效防止碰撞事故发生。
[0128]
通过多种传感器检测到我们关注到的物体之后，明确障碍物(车辆、行人、路标等)是如何运动的，场景中障碍物的运动信息(轨迹、速度变化等)对后面预测这些运动轨迹和控制自动驾驶车辆至关重要。因此，在确定物体关联性之后，需要进一步对跟踪物体的状态进行更新。
[0129]
鉴于此，如图2所示，本说明书实施例提供了一种物体状态更新方法，包括：
[0130]
步骤200，获取检测物体的状态信息；
[0131]
步骤201，根据检测物体的状态信息，建立检测物体的高斯分布；
[0132]
步骤202，根据存储的跟踪物体的状态信息，建立跟踪物体的高斯分布；
[0133]
步骤203，根据检测物体的高斯分布和跟踪物体的高斯分布，计算检测物体和跟踪物体之间的wasserstein距离；
[0134]
步骤204，根据wasserstein距离，确定检测物体和跟踪物体是否存在关联；
[0135]
步骤205，根据关联结果，更新存储的跟踪物体的状态信息；
[0136]
其中，状态信息包括：位置信息、尺寸信息和朝向信息。
[0137]
步骤200-步骤204均与本说明书上一实施例步骤100-104一致，在此不做赘述。
[0138]
在本说明书的一个实施例中，步骤205具体包括：
[0139]
响应于多个跟踪物体中存在与检测物体关联的目标跟踪物体，基于检测物体的状态信息更新目标跟踪物体的状态信息；
[0140]
响应于多个跟踪物体中不存在与检测物体关联的目标跟踪物体，将检测物体的状态信息添加到跟踪列表；跟踪列表用于存储跟踪物体的状态信息。
[0141]
在本说明书的一个实施例中，步骤205还包括：
[0142]
确定跟踪列表中的当前跟踪物体是否满足预设的跟踪条件，如果是，从跟踪列表中删除当前跟踪物体的状态信息。
[0143]
在实际应用场景中，自动驾驶车辆在行驶时，当多种传感器实时探测到的是行人、车辆、路标等检测物体时，跟踪列表中存在与检测物体一致的跟踪物体，自动驾驶车辆提前做出安全防护，比如等待、减速或绕行等决策，以防止碰撞事故发生；自动驾驶车辆在感知周围检测物体时，也会存在一些盲区，比如当多种传感器实时探测到的是跟踪列表中不存在的检测物体时，定义为盲区物体，这时可以将盲区物体的状态信息添加到跟踪列表中，以便下次遇到同样的盲区物体能够进行匹配，防止碰撞故障发生。另外，并不是所有的盲区物体都需要添加跟踪列表中，例如在自动驾驶车辆行驶过程中遇到障碍物，只需要将越过障碍物即可。
[0144]
以上这种更新方式，可以使自动驾驶车辆更贴近人的处理思维模式，确保自动驾驶车辆安全行驶。
[0145]
在本说明书的一个实施例中，当检测物体和跟踪物体为同一个物体时，基于滤波
算法对跟踪物体进行状态估计，即可得到检测物体的运动轨迹及速度。
[0146]
滤波算法为卡尔曼滤波算法或其他滤波算法，也可以根据本领域人员根据实际所需做出限定，在本说明书中不做具体限定。
[0147]
此方法通过遇到不同检测物体以及不同状态的检测物体时，特别是在涉及朝向角变化时，能够实现检测物体和跟踪物体关联，还能够根据不同关联结果对自动驾驶车辆进行精准控制，实现车辆在不同行驶场景下的平稳运行，避免碰撞事故发生。
[0148]
如图3所示，本说明书实施例提供了一种确定物体关联性的方法，包括：
[0149]
步骤300，获取检测物体的位置信息、尺寸信息和朝向信息。
[0150]
步骤301，根据检测物体的位置信息、尺寸信息和朝向信息，建立检测物体的三维高斯分布。
[0151]
步骤302，根据存储的跟踪物体的位置信息、尺寸信息和朝向信息，建立跟踪物体的三维高斯分布。
[0152]
步骤303，根据检测物体的三维高斯分布和跟踪物体的三维高斯分布，计算检测物体和跟踪物体之间的wasserstein距离。
[0153]
步骤304，根据所述wasserstein距离，建立距离矩阵。
[0154]
步骤305，根据所述距离矩阵和全局最近邻算法，确定所述检测物体和所述跟踪物体是否存在关联。
[0155]
本说明书实施例基于三维高斯分布计算wasserstein距离，着重考虑朝向角变化问题，更能准确的确定物体间的关联性；距离矩阵的建立有利于自动驾驶车辆能够多目标感知和跟踪，并快速获取多个检测物体和多个跟踪物体之间的关联性，以便控制自动驾驶车辆及时做出重要决策，有效防止碰撞事故发生。
[0156]
如图4所示，本说明书实施例提供了一种物体状态更新的方法，包括：
[0157]
步骤400，获取检测物体的位置信息、尺寸信息和朝向信息。
[0158]
步骤401，根据检测物体的位置信息、尺寸信息和朝向信息，建立检测物体的三维高斯分布。
[0159]
步骤402，根据存储的跟踪物体的位置信息、尺寸信息和朝向信息，建立跟踪物体的三维高斯分布。
[0160]
步骤403，根据检测物体的三维高斯分布和跟踪物体的三维高斯分布，计算检测物体和跟踪物体之间的wasserstein距离。
[0161]
步骤404，根据wasserstein距离，建立距离矩阵。
[0162]
步骤405，根据距离矩阵和匈牙利匹配算法，确定检测物体和跟踪物体是否存在关联，如果是，执行步骤406，否则，执行步骤407。
[0163]
步骤406，基于检测物体的状态信息更新目标跟踪物体的状态信息。
[0164]
步骤407：将检测物体的状态信息添加到跟踪列表；跟踪列表用于存储跟踪物体的状态信息。
[0165]
本说明书实施例在面对检测物体朝向角变化时，可以准确确定物体间关联性，并根据不同的关联结果对自动驾驶车辆进行精准控制，使驾驶车辆能够平稳、安全行驶。
[0166]
根据图5，本说明书实施例提供了一种确定物体关联性的装置，包括：
[0167]
获取模块500，配置为获取检测物体的状态信息；
[0168]
建立模块501，配置为根据检测物体的状态信息，建立检测物体的高斯分布；根据存储的跟踪物体的状态信息，建立跟踪物体的高斯分布；
[0169]
计算模块502，配置为根据检测物体的高斯分布和跟踪物体的高斯分布，计算检测物体和跟踪物体之间的wasserstein距离；
[0170]
关联模块503，配置为根据wasserstein距离，确定检测物体和跟踪物体是否存在关联；
[0171]
其中，状态信息包括：位置信息、尺寸信息和朝向信息。
[0172]
在本发明的一个实施例中，建立模块501，配置为根据检测物体的位置信息、尺寸信息和朝向信息，建立检测物体的二维高斯分布n(m1,∑1)，所述∑1满足：
[0173][0174]
m1用于表征检测物体的二维高斯分布的位置均值，∑1用于表征检测物体的二维高斯分布的协方差；
[0175]
w1，h1用于表征二维空间中所述检测物体的尺寸，θ1用于表征二维空间中检测物体的朝向。
[0176]
在本发明的一个实施例中，建立模块501，配置为根据跟踪物体的位置信息、尺寸信息和朝向信息，建立所述跟踪物体的二维高斯分布n(m2,∑2)，所述∑2满足：
[0177][0178]
m2用于表征跟踪物体的二维高斯分布的位置均值，∑2用于表征跟踪物体的二维高斯分布的协方差；
[0179]
w2，h2用于表征二维空间中所述跟踪物体的尺寸，θ3用于表征二维空间中跟踪物体的朝向。
[0180]
在本发明的一个实施例中，建立模块501，配置为根据检测物体的位置信息、尺寸信息和朝向信息，建立所述检测物体的三维高斯分布n(m3,∑3)，所述∑3满足：
[0181][0182]
m3用于表征的三维高斯分布的位置均值，∑3用于表征检测物体的三维高斯分布的协方差；
[0183]
w3，h3，l3用于表征三维空间中检测物体的尺寸，θ3用于表征三维空间中检测物体的朝向。
[0184]
在本发明的一个实施例中，建立模块501，配置为跟踪物体的位置信息、尺寸信息和朝向信息，建立跟踪物体的三维高斯分布n(m4,∑4)，所述∑4满足：
[0185][0186]
m4用于表征跟踪物体的三维高斯分布的位置均值，∑4用于表征跟踪物体的三维高斯分布的协方差；
[0187]
w4，h4，l4用于表征三维空间中跟踪物体的尺寸，θ4用于表征三维空间中跟踪物体的朝向。
[0188]
在本发明的一个实施例中，计算模块502，配置为所述wasserstein距离满足如下公式：
[0189][0190]
其中，d用于表征所述wasserstein距离；
[0191]mp
用于表征检测物体高斯分布的位置均值，mq用于表征跟踪物体的高斯分布的位置均值；
[0192]
∑
p
用于表征检测物体的高斯分布的协方差，∑q用于表征跟踪物体的高斯分布的协方差。
[0193]
在本发明的一个实施例中，关联模块503，配置为根据wasserstein距离，建立距离矩阵；根据距离矩阵和预设的匹配算法，确定检测物体和所述跟踪物体是否存在关联。
[0194]
在本发明的一个实施例中，匹配算法包括：全局最近邻算法，或者匈牙利匹配算法。
[0195]
如图6所示，本说明书实施例提供了一种物体状态更新装置，包括：
[0196]
获取模块600，配置为获取检测物体的状态信息；
[0197]
建立模块601，配置为根据检测物体的状态信息，建立检测物体的高斯分布；根据存储的跟踪物体的状态信息，建立跟踪物体的高斯分布；
[0198]
计算模块602，配置为根据检测物体的高斯分布和跟踪物体的高斯分布，计算检测物体和跟踪物体之间的wasserstein距离；
[0199]
关联模块603，配置为根据wasserstein距离，确定检测物体和跟踪物体是否存在关联；
[0200]
更新模块604，配置为根据关联结果，更新存储的跟踪物体的状态信息；
[0201]
其中，状态信息包括：位置信息、尺寸信息和朝向信息。
[0202]
获取模块600、建立模块601、计算模块602、关联模块603与前述实施例类似，此处不再赘述。
[0203]
在本发明的一个实施例中，更新模块604，配置为根据关联结果，若多个跟踪物体
中存在与检测物体关联的目标跟踪物体，基于检测物体的状态信息更新目标跟踪物体的状态信息；若多个跟踪物体中不存在与检测物体关联的目标跟踪物体，将检测物体的状态信息添加到跟踪列表；跟踪列表用于存储跟踪物体的状态信息。
[0204]
在本发明的一个实施例中，更新模块604，配置为若确定跟踪列表中的当前跟踪物体是否满足预设的跟踪条件，如果是，从跟踪列表中删除当前跟踪物体的状态信息。
[0205]
本说明书实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，处理器执行程序时实现如上述任一实施例所述的方法。
[0206]
下面参考图7，其示出了适于用来实现本发明实施例的终端设备的计算机系统700的结构示意图。图7示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
[0207]
如图7所示，计算机系统700包括中央处理单元(cpu)701，其可以根据存储在只读存储器(rom)702中的程序或者从存储部分708加载到随机访问存储器(ram)703中的程序而执行各种适当的动作和处理。在ram 703中，还存储有系统700操作所需的各种程序和数据。cpu 701、rom 702以及ram 703通过总线705彼此相连。输入/输出(i/o)接口705也连接至总线705。
[0208]
以下部件连接至i/o接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至i/o接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。
[0209]
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(cpu)701执行时，执行本发明的系统中限定的上述功能。
[0210]
需要说明的是，本发明所示的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或者是上述两者的任意组合。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可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(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。在本发明中，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。而在本发明中，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。
[0211]
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0212]
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括发送模块、获取模块、确定模块和第一处理模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，发送模块还可以被描述为“向所连接的服务端发送图片获取请求的模块”。
[0213]
作为另一方面，本说明书实施例还提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如上述任一实施例所述的方法。
[0214]
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
技术特征：1.一种确定物体关联性的方法，其特征在于，包括：获取检测物体的状态信息；根据所述检测物体的状态信息，建立所述检测物体的高斯分布；根据存储的跟踪物体的状态信息，建立所述跟踪物体的高斯分布；根据所述检测物体的高斯分布和所述跟踪物体的高斯分布，计算所述检测物体和所述跟踪物体之间的wasserstein距离；根据所述wasserstein距离，确定所述检测物体和所述跟踪物体是否存在关联；其中，所述状态信息包括：位置信息、尺寸信息和朝向信息。2.根据权利要求1所述的方法，其特征在于，根据所述检测物体的状态信息，建立所述检测物体的高斯分布，包括：根据所述检测物体的位置信息、尺寸信息和朝向信息，建立所述检测物体的二维高斯分布n(m1,∑1)，所述∑1满足：m1用于表征所述检测物体的二维高斯分布的位置均值，∑1用于表征所述检测物体的二维高斯分布的协方差；w1，h1用于表征二维空间中所述检测物体的尺寸，θ1用于表征二维空间中所述检测物体的朝向。3.根据权利要求1所述的方法，其特征在于，根据所述跟踪物体的状态信息，建立所述跟踪物体的高斯分布，包括：根据所述跟踪物体的位置信息、尺寸信息和朝向信息，建立所述跟踪物体的二维高斯分布n(m2,∑2)，所述∑2满足：m2用于表征所述跟踪物体的二维高斯分布的位置均值，∑2用于表征所述跟踪物体的二维高斯分布的协方差；w2，h2用于表征二维空间中所述跟踪物体的尺寸，θ3用于表征二维空间中所述跟踪物体的朝向。4.根据权利要求1所述的方法，其特征在于，所述根据所述检测物体的状态信息，建立所述检测物体的高斯分布，包括：根据检测物体的位置信息、尺寸信息和朝向信息，建立所述检测物体的三维高斯分布n(m3,∑3)，所述∑3满足：
m3用于表征所述检测物体的三维高斯分布的位置均值，∑3用于表征所述检测物体的三维高斯分布的协方差；w3，h3，l3用于表征三维空间中所述检测物体的尺寸，θ3用于表征三维空间中所述检测物体的朝向。5.根据权利要求1所述的方法，其特征在于，所述根据所述跟踪物体的状态信息，建立所述跟踪物体的高斯分布，包括：根据跟踪物体的位置信息、尺寸信息和朝向信息，建立所述跟踪物体的三维高斯分布n(m4,∑4)，所述∑4满足：m4用于表征所述跟踪物体的三维高斯分布的位置均值，∑4用于表征所述跟踪物体的三维高斯分布的协方差；w4，h4，l4用于表征三维空间中所述跟踪物体的尺寸，θ4用于表征三维空间中所述跟踪物体的朝向。6.根据权利要求2-5任一项所述的方法，其特征在于，根据所述检测物体的高斯分布和所述跟踪物体的高斯分布，计算所述检测物体和所述跟踪物体之间的wasserstein距离，包括：所述wasserstein距离满足如下公式：其中，d用于表征所述wasserstein距离；m
p
用于表征所述检测物体高斯分布的位置均值，m
q
用于表征所述跟踪物体的高斯分布的位置均值；∑
p
用于表征所述检测物体的高斯分布的协方差，∑
q
用于表征所述跟踪物体的高斯分布的协方差。7.根据权利要求1所述的方法，其特征在于，根据所述wasserstein距离，确定所述检测物体和所述跟踪物体是否存在关联，包括：根据所述wasserstein距离，建立距离矩阵；根据所述距离矩阵和预设的匹配算法，确定所述检测物体和所述跟踪物体是否存在关
联。8.根据权利要求7所述的方法，其特征在于，所述匹配算法包括：全局最近邻算法，或者匈牙利匹配算法。9.一种物体状态更新方法，其特征在于，包括：获取检测物体的状态信息；根据所述检测物体的状态信息，建立所述检测物体的高斯分布；根据存储的跟踪物体的状态信息，建立所述跟踪物体的高斯分布；根据所述检测物体的高斯分布和所述跟踪物体的高斯分布，计算所述检测物体和所述跟踪物体之间的wasserstein距离；根据所述wasserstein距离，确定所述检测物体和所述跟踪物体是否存在关联；根据关联结果，更新存储的跟踪物体的状态信息；其中，所述状态信息包括：位置信息、尺寸信息和朝向信息。10.根据权利要求9所述的方法，其特征在于，根据关联结果，更新存储的跟踪物体的状态信息，包括：响应于多个所述跟踪物体中存在与所述检测物体关联的目标跟踪物体，基于所述检测物体的状态信息更新所述目标跟踪物体的状态信息；响应于多个所述跟踪物体中不存在与所述检测物体关联的目标跟踪物体，将所述检测物体的状态信息添加到跟踪列表；所述跟踪列表用于存储跟踪物体的状态信息。11.根据权利要求10所述的方法，其特征在于，进一步包括：确定所述跟踪列表中的当前跟踪物体是否满足预设的跟踪条件，如果是，从所述跟踪列表中删除所述当前跟踪物体的状态信息。12.一种确定物体关联性的装置，其特征在于，包括：获取模块，配置为获取检测物体的状态信息；建立模块，配置为根据所述检测物体的状态信息，建立所述检测物体的高斯分布；根据存储的跟踪物体的状态信息，建立所述跟踪物体的高斯分布；计算模块，配置为根据所述检测物体的高斯分布和所述跟踪物体的高斯分布，计算所述检测物体和所述跟踪物体之间的wasserstein距离；关联模块，配置为根据所述wasserstein距离，确定所述检测物体和所述跟踪物体是否存在关联；其中，所述状态信息包括：位置信息、尺寸信息和朝向信息。13.一种物体状态更新装置，其特征在于，包括：获取模块，配置为获取检测物体的状态信息；建立模块，配置为根据所述检测物体的状态信息，建立所述检测物体的高斯分布；根据存储的跟踪物体的状态信息，建立所述跟踪物体的高斯分布；计算模块，配置为根据所述检测物体的高斯分布和所述跟踪物体的高斯分布，计算所述检测物体和所述跟踪物体之间的wasserstein距离；关联模块，配置为根据所述wasserstein距离，确定所述检测物体和所述跟踪物体是否存在关联；更新模块，配置为根据关联结果，更新存储的跟踪物体的状态信息；
其中，所述状态信息包括：位置信息、尺寸信息和朝向信息。14.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-11任一项所述的方法。15.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-11任一项所述的方法。
技术总结本发明公开了一种确定物体关联性的方法及装置、物体状态更新方法及装置，涉及自动驾驶技术领域。该方法的一具体实施方式包括：获取检测物体的状态信息；根据所述检测物体的状态信息，建立所述检测物体的高斯分布；根据存储的跟踪物体的状态信息，建立所述跟踪物体的高斯分布；根据所述检测物体的高斯分布和所述跟踪物体的高斯分布，计算所述检测物体和所述跟踪物体之间的Wasserstein距离；根据所述Wasserstein距离，确定所述检测物体和所述跟踪物体的是否存在关联；其中，所述状态信息包括：位置信息、尺寸信息和朝向信息。该实施方式能够更加准确地确定物体之间的关联性。能够更加准确地确定物体之间的关联性。能够更加准确地确定物体之间的关联性。
技术研发人员：林金表
受保护的技术使用者：九识智行（北京）科技有限公司
技术研发日：2022.05.18
技术公布日：2022/11/1
