本公開的示例描述了一種用于利用快照圖像來訓練事件檢測器的方法和裝置。該方法包括：從安裝在車輛上的至少一個傳感器獲取至少兩個傳感器數據幀，該至少兩個傳感器數據幀是在不同時間處按順序收集的(702)；獲取在傳感器數據被獲取時正在發生的事件的結果(704)；對于該至少兩幀中的每一幀，利用所獲取的傳感器數據來創建快照圖像(706)；將所獲取的事件的結果與對應的快照圖像相關聯作為訓練數據(708)；以及使用該訓練數據來訓練事件檢測器(710)。

技術領域

本公開一般涉及自動駕駛車輛，更具體地，涉及利用快照圖像來訓練事件檢測器。

背景技術

自動駕駛車輛(也稱為無人駕駛汽車、自動駕駛汽車、機器人汽車)是一種能夠感測其環境并且在無需人類輸入的情況下導航的車輛。自動駕駛車輛(在下文中被稱為ADV)使用各種技術來檢測其周邊環境，諸如使用雷達、激光、GPS、測程法以及計算機視覺。高級的控制系統對感測信息進行解讀以標識合適的導航路徑，以及障礙物和相關路標。

更具體地，ADV從各種車載傳感器(例如相機、激光雷達、雷達等)收集傳感器數據。基于該傳感器數據，ADV可以構建其周圍的實時道路模型。道路模型可包括各種信息，包括但不限于車道標志、交通燈、交通標志、道路邊界等。將所構建的道路模型與預先安裝的道路模型(諸如由高清晰度(HD)地圖提供商提供的那些道路模型)進行比較，以使得ADV可以更準確地確定其在HD地圖中的位置。同時，ADV還可以基于傳感器數據來標識其周圍的對象，諸如車輛和行人。ADV可以基于所確定的道路模型和所標識的周圍對象(諸如車道改變、加速、剎車等)來做出適當的駕駛決策。

如本領域中已知的，不同的傳感器產生不同形式或格式的數據。例如，相機提供圖像，而激光雷達提供點云。在處理來自不同傳感器的此類傳感器數據時，必須單獨處理每種類型的傳感器數據。因此，對于每種類型的傳感器，必須建立一個或多個用于對象標識的模型。另外，對于任何特定類型的傳感器，在用于訓練目標模型(諸如事件檢測器)時，它可能具有缺點。例如，如果使用由相機直接獲取的圖像來訓練事件檢測器，則缺點可包括：(1)沒有對圖像中的各元素進行分類；(2)圖像可以處于任意視角；以及(3)需要大量的樣本圖像來訓練目標模型。對于其他類型的傳感器可能存在類似的缺點。因此，期望一種利用傳感器數據來記錄交通場景的改進的解決方案。另外，如果事件檢測器是基于預定義的描述進行訓練的，則它可能具有以下缺點：(1)該描述應專門為一事件定義；以及(2)該描述可能容易忽略一些支持信息，例如，對于車道改變意圖，相鄰車道中的對象也會產生影響。此外，用于訓練事件檢測器的現有方式不使用機器學習技術，并且因此，該訓練需要很多預定義的準則，并且僅在很多前提條件下起效。

發明內容

本公開的目的在于提供一種用于利用快照圖像來訓練事件檢測器并且利用經訓練的事件檢測器來檢測事件的方法和裝置。本發明的方法至少可具有優于事件檢測器訓練的傳統方式的以下優點：由于統一的數據表示而使用較少數目的訓練樣本；(2)樣本數據可包含各種類型的信息，其也可包括歷史信息；(3)計算高效；以及(4)實現不同格式的現有數據的使用。

根據本公開的第一示例性實施例，提供了一種用于利用快照圖像來訓練事件檢測器的方法。該方法包括：從安裝在車輛上的至少一個傳感器獲取至少兩個傳感器數據幀，該至少兩個傳感器數據幀是在不同時間處按順序收集的；獲取在傳感器數據被獲取時正在發生的事件的結果；對于該至少兩幀中的每一幀，利用所獲取的傳感器數據來創建快照圖像；將所獲取的事件的結果與對應的快照圖像相關聯作為訓練數據；以及使用該訓練數據來訓練事件檢測器。

根據本公開的第二示例性實施例，描述了一種在車輛上用于檢測事件的方法。該方法包括：獲取由根據第一實施例的方法訓練的事件檢測器；從安裝在車輛上的至少一種類型的傳感器獲取至少一個傳感器數據幀；對于該至少一幀中的每一幀，利用所獲取的傳感器數據來創建快照圖像；以及基于所創建的快照圖像，利用該事件檢測器來檢測事件。