用于判断障碍物误感知的方法、装置、介质以及电子设备

技术领域

本申请涉及计算机技术领域，具体涉及自动驾驶领域以及深度学习领域，尤其涉及一种用于判断障碍物误感知的方法、装置、介质以及电子设备。

背景技术

在自动驾驶技术中，感知模块通过感知硬件如摄像头和各种雷达，感知车辆周围的环境信息，为下游的预测模块进行下一步决策提供必要信息。

障碍物感知是感知模块需要执行的一项重要任务。受到感知硬件本身的局限性，以及外界环境如天气状况的影响，可能发生障碍物误感知的情况。所谓障碍物误感知是指感知模块感知到了实际上并不存在的障碍物。对障碍物误感知进行判断，有利于预测模块做出正确决策，对提高自动驾驶的安全性和可靠性具有重要意义。

发明内容

本申请提供了一种用于判断障碍物误感知的方法、装置、介质以及电子设备，用于判断自动驾驶车辆中感知模块感知到的障碍物是否为真实障碍物，可以提高自动驾驶的安全性和可靠性的目的。

根据本申请的第一方面，提供了用于判断障碍物误感知的方法，所述方法包括：

将自动驾驶车辆中感知模块感知到的障碍物，作为待判断的目标障碍物，确定目标障碍物的特征描述数据，以及所述目标障碍物关联的车辆状态数据；

基于所述特征描述数据和所述车辆状态数据，确定目标障碍物的误感知概率；

根据所述误感知概率、所述特征描述数据和所述车辆状态数据，确定所述目标障碍物是否为所述感知模块误感知到的障碍物。

根据本申请的第二方面，提供了用于判断障碍物误感知的装置，所述装置包括：

障碍物数据获取模块，用于将自动驾驶车辆中感知模块感知到的障碍物，作为待判断的目标障碍物，确定目标障碍物的特征描述数据，以及所述目标障碍物关联的车辆状态数据；

误感知概率确定模块，用于基于所述特征描述数据和所述车辆状态数据，确定目标障碍物的误感知概率；

障碍物类型确定模块，用于根据所述误感知概率、所述特征描述数据和所述车辆状态数据，确定所述目标障碍物是否为所述感知模块误感知到的障碍物。

根据本发明的第三方面，本申请实施例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本申请实施例所述的用于判断障碍物误感知的方法。

根据本发明的第四方面，本申请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运行的计算机程序，所述处理器执行所述计算机程序时实现如本申请实施例所述的用于判断障碍物误感知的方法。

本申请技术方案，将自动驾驶车辆中感知模块感知到的障碍物，作为待判断的目标障碍物，确定目标障碍物的特征描述数据，以及所述目标障碍物关联的车辆状态数据；基于所述特征描述数据和所述车辆状态数据，确定目标障碍物的误感知概率；根据所述误感知概率、所述特征描述数据和所述车辆状态数据，确定所述目标障碍物是否为所述感知模块误感知到的障碍物。本申请通过判断感知模块感知到的目标障碍物是否为误感知，为预测模块做出正确决策提供了数据支持，有利于提高自动驾驶的安全性和可靠性。

应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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。

图1是根据实施例一提供的用于判断障碍物误感知的方法的流程图；

图2是根据实施例二提供的用于判断障碍物误感知的方法的流程图；

图3是根据实施例三提供的用于判断障碍物误感知的方法的流程图；

图4是本申请实施例四提供的用于判断障碍物误感知的装置的结构示意图；

图5是本申请实施例五提供的一种电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“目标”以及“候选”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例一

图1是根据实施例一提供的用于判断障碍物误感知的方法的流程图，本实施例可适用于判断自动驾驶车辆中感知模块感知到的障碍物是否为真实障碍物的情况，该方法可以由用于判断障碍物误感知的装置来执行，可以采用硬件和/或软件的形式实现，并可集成于运行此系统的电子设备中。

如图1所示，该方法包括：

S110、将自动驾驶车辆中感知模块感知到的障碍物，作为待判断的目标障碍物，确定目标障碍物的特征描述数据，以及所述目标障碍物关联的车辆状态数据。

自动驾驶车辆中的感知模型，通过感知硬件如摄像头和各种雷达对车辆周围的环境进行感知，感知车辆周围环境中存在的障碍物。受到外界环境如光照和雨雪等天气状况的影响，加之感知硬件本身有很多无法完全消除的噪声数据，感知模块可能发生障碍物误感知的情况。

将自动驾驶车辆中感知模块感知到的障碍物，作为目标障碍物，需要对目标障碍物所属的障碍物类型进行进一步判断，确定确定目标障碍物是否为真实障碍物。可选的，障碍物类型包括：真实障碍物和误判障碍物。

其中，真实障碍物是指在车辆周围环境中真实存在的障碍物；相对的，误判障碍物是指在车辆周围环境中并不存在的障碍物。

目标障碍物的特征描述数据用于描述目标障碍物的特征。可选的，特征描述数据包括：外形描述数据、运动描述数据、位置描述数据、环境描述数据以及时间描述数据中的至少一项。其中，时间描述数据用于描述感知模型感知到目标障碍物的时间。环境描述数据用于描述感知模型感知到目标障碍物的环境。可选的，环境描述数据包括天气描述数据以及道路描述数据。

目标障碍物还关联有车辆状态数据，其中，车辆状态数据用于描述感知模块感知到目标障碍物时自动驾驶车辆的状态。可选的，车辆状态数据包括车辆位置数据和/或车辆运动数据。

S120、基于所述特征描述数据和所述车辆状态数据，确定目标障碍物的误感知概率；

其中，误感知概率用于量化目标障碍物属于误判障碍物的概率。可以知道的是，真实障碍物一般为行人或者车辆。误判障碍物不具有行人或者车辆等真实障碍物的外形特征、行为模式、位置模式和空间模式。

将目标障碍物关联的车辆状态数据作为参照，结合目标障碍物的特征描述数据，可以确定目标障碍物的外形特征、行为模式、位置模式以及空间模式。

将目标障碍物的外形特征、行为模式、位置模式和空间模式与真实障碍物的外形特征、行为模式、位置模式和空间模式进行比较，确定目标障碍物的误感知概率。

S130、根据所述误感知概率、所述特征描述数据和所述车辆状态数据，确定所述目标障碍物是否为所述感知模块误感知到的障碍物。

可以知道的是，自动驾驶车辆中感知模块存在一定的感知范围。感知范围内的障碍物会影响预测模块后续的规划决策。感知范围根据具体业务要求确定，在这里不做限定。

基于特征描述数据和车辆状态数据，可以确定目标障碍物与自动驾驶车辆之间的相对位置关系。基于相对位置关系可以确定目标障碍物是否在感知范围内。

基于得到的相对位置关系，结合目标障碍物的误感知概率确定目标障碍物是否为感知模块误感知到的障碍物。

本申请技术方案，将自动驾驶车辆中感知模块感知到的障碍物，作为待判断的目标障碍物，确定目标障碍物的特征描述数据，以及所述目标障碍物关联的车辆状态数据；基于所述特征描述数据和所述车辆状态数据，确定目标障碍物的误感知概率；根据所述误感知概率、所述特征描述数据和所述车辆状态数据，确定所述目标障碍物是否为所述感知模块误感知到的障碍物。本申请通过判断感知模块感知到的目标障碍物是否为误感知，为预测模块做出正确决策提供了数据支持，有利于提高自动驾驶的安全性和可靠性。

在一个可选的实施例中，基于所述特征描述数据和所述车辆状态数据，确定目标障碍物的误感知概率，包括：将所述特征描述数据和所述车辆状态数据进行特征化处理，得到目标障碍物的特征化向量；采用预先训练的误感知判别模型，基于所述目标障碍物的特征化向量，确定目标障碍物的误感知概率；其中，所述误感知判别模型为生成对抗模型中的判别模型。

将目标障碍物的特征描述数据，以及目标障碍物关联的车辆状态数据进行特征化处理，以将特征描述数据和车辆状态数据转换为误感知判别模型可处理的向量形式，得到目标障碍物的特征化向量。

将目标障碍物的特征化向量输入预先训练的误感知判别模型，通过预先训练的误感知判别模型确定目标障碍物的误感知概率。其中，误感知判别模型为生成对抗模型中的判别模型。可以知道的是，生成对抗模型包括：生成模型和判别模型。生成模型的主要任务是：生成尽可能逼近负例样本的模拟样本；判别模型的主要任务是：尽可能高准确度的判别模拟样本。其中，生成模块生成的模拟样本用于训练生成对抗模型中的判别模型。

上述技术方案，将生成对抗模型用于判断障碍物误感知，充分发挥了生成对抗模型中生成模型的样本生成能力，可以不受样本数量的限制，即使样本数量较少的情况下，依然可以对障碍物误感知进行判断；充分利用了生成对抗模型中判别模型的场景泛化能力，对样本中不包括的障碍物误感知情况，也可以准确判断，提高了障碍物误感知判断的准确性和可靠性。

实施例二

图2是根据实施例二提供的用于判断障碍物误感知的方法的流程图。本实施例在上述实施例的基础上进行进一步地优化，具体的，提供了一种生成对抗模型的训练方法。

如图2所示，该方法包括：

S210、将历史障碍物的特征描述数据，以及所述历史障碍物关联的车辆状态数据，作为所述生成对抗模型的训练样本。

其中，历史障碍物是指自动驾驶车辆在历史时段内感知到的障碍物。历史障碍物关联的车辆状态数据用于描述感知模块感知到历史障碍物时自动驾驶车辆的状态。可选的，为了提高生成对抗模型的泛化能力，获取不同天气状况下的历史障碍物。示例性的，可以获取在阴天、雨雪或者晴天等天气情况下的历史障碍物。

历史障碍物的特征描述数据用于描述历史障碍物的特征。可选的，特征描述数据包括：外形描述数据、运动描述数据、位置描述数据、环境描述数据以及时间描述数据中的至少一项。其中，时间描述数据用于描述感知模型感知到目标障碍物的时间。环境描述数据用于描述感知模型感知到目标障碍物的环境。可选的，环境描述数据包括天气描述数据以及道路描述数据。

将历史障碍物的特征描述数据，以及历史障碍物关联的车辆状态数据，作为生成对抗模型的训练样本。历史障碍物可能是真实障碍物还可能误判障碍物，具体根据实际情况确定。

S220、获取训练样本的样本标签；其中，所述样本标签用于确定训练样本所对应历史障碍物是否为真实障碍物。

其中，训练样本的样本标签包括：真实障碍物和误判障碍物。可选的，样本标签通过人工标注得到。

S230、基于所述训练样本以及所述训练样本的样本标签，对所述生成对抗模型中的生成模型和判别模型进行训练。

利用训练样本以及训练样本的样本标签，对生成对抗模型中的生成模型和判别模型进行训练。生成模型的训练过程和判别模型的训练过程相互促进，在训练过程中生成模型与判别模型相互对抗，对抗结果是，生成模型和判别模型两者都提升了自身能力。生成模型提高了模拟原始数据分布的能力，判别模型提高了分辨的能力。

本申请实施例技术方案，提供了一种切实可行的生成对抗模型的训练方法。将历史障碍物的特征描述数据，以及历史障碍物关联的车辆状态数据，确定为生成对抗模型的训练样本；基于训练样本以及训练样本的样本标签，训练生成对抗模型中的生成模型和判别模型。在生成对抗模型训练完成后，将其中的判别模型用于判断障碍物误感知。本申请技术方案，为将生成对抗模型用于障碍物误感知判断提供了技术支持。

在一个可选的实施例中，基于所述训练样本以及所述训练样本的样本标签，对所述生成对抗模型中的生成模型和判别模型进行训练，包括：通过生成对抗模型中的生成模型生成模拟样本，利用所述模拟样本对训练样本中的负例样本进行扩展；将训练样本中的正例样本和扩展后的负例样本作为输入样本，对生成对抗模型中的判别模型进行训练；其中，所述判别模型和所述生成模型采用所述训练样本进行初步训练；根据所述判别模型关于所述输入样本的判别结果，对所述生成模型再次进行训练；循环对抗训练所述判别模型和所述生成模型，直到满足预设训练结束条件。

训练样本中包括正例样本和负例样本，正例样本是指样本标签为真实障碍物的训练样本；负例样本是指样本标签为误判障碍物的训练样本。可以理解的是，训练样本中正例样本要远远多于负例样本。训练样本中的正例样本和负例样本的比例失衡，会导致误感知判别模型的判断效果不佳。

采用生成对抗模型中的生成模型，对训练样本中的负例样本进行数据增强。具体的，先利用训练样本对生成对抗模型中的生成模型进行初步训练，使得生成模型可以学习训练样本的数据特征。然后，利用生成模型基于学习到的数据特征生成模拟样本。利用模拟样本对训练样本中的负例样本进行扩展。可选的，为模拟样本添加误判障碍物的样本标签，将模拟样本作为负例样本加入训练样本中，以及均衡训练样本中正例样本和负例样本之间的比例。训练样本中不仅包括正例样本和负例样本，还包括模拟样本。

将训练样本中的正例样本以及扩展后的负例样本作为输入样本，对生成对抗模型中的判别模型进行训练。可选的，输入样本中正例样本和负例样本的数量相当，输入样本中的负例样本包括生成模型生成的模拟样本。

在利用输入样本对判别模型进行训练之前，采用训练样本对判别模型进行初步训练，使得判别模型具备初步判断障碍物误感知的能力。

利用输入样本对初步训练完成的判别模型进行训练，通过判别模型输出关于输入样本的判别结果；根据判别结果对生成模型再次进行训练，更新生成模型，采用更新后的生成模型生成的模拟样本，结合正例样本作为输入样本再次训练判别模型，循环对抗训练判别模型和生成模型，直到满足预设训练结束条件。其中，预设训练结束条件根据实际业务需求确定，在这里不作限定。示例性的，预设训练结束条件可以是训练轮次或者性能指标。例如，生成对抗模型的训练轮次达到预设训练轮次，则结束对生成对抗模型中生成模型和判别模型的对抗训练。或者，生成对抗模型中生成模型和判别模型的性能指标达标，则结束对生成对抗模型中生成模型和判别模型的对抗训练。

可选的，在生成对抗模型训练完成以后，将生成对抗模型中的判别模型作为误感知判别模型，加入自动驾驶车辆的感知模块和预测模块之间，对感知模块感知到的目标障碍物进行误感知判断。可选的，将训练后的生成对抗模型部署到自动驾驶车辆。示例性的，对生成对抗模型进行模型转换，将生成对抗模型由pytorch模型转换为libtorch模型，将转换后的libtorch模型部署到自动驾驶车辆中。

在一个具体的实施例中，将真实障碍物的特征描述数据以及真实障碍物关联的车辆状态数据，作为生成模型的输入样本，具体的，将特征描述数据中的道路描述数据，结合特征描述数据中真实障碍物的其他描述信息组合形成一个鸟瞰图输入生成模型，生成模型基于输入的鸟瞰图生成模拟样本。模拟样本对应的误判障碍物的外形描述数据、运动描述数据以及位置描述数据具有随机性。

上述技术方案，提供了一种可用于训练生成对抗模型的方法，训练了生成对抗模型中生成模型的样本生成能力，使得误感知判别模型可以不受样本数量的限制，即使样本数量较少的情况下，依然可以对障碍物误感知进行判断；训练了生成对抗模型中判别模型的场景泛化能力，使得误感知判别模型对样本中不包括的障碍物误感知情况，也可以准确判断，有利于障碍物误感知判断的准确性和可靠性。

在一个可选的实施例中，采用所述训练样本中的负例样本和正例样本对所述判别模型进行初步训练，包括：根据训练样本的样本标签确定训练样本中的负例样本，基于负例样本的样本数量确定训练样本的基准数量；从训练样本中选择所述基准数量的正例样本，利用所述负例样本和选择出的正例样本对所述判别模型进行初步训练。

其中，样本标签用于区分正例样本和负例样本。正例样本为真实障碍物，负例样本为误判障碍物。为了保证判别模型对于障碍物误感知的判断效果，需要使用均衡的训练样本对判别模型进行初步训练。也就是说，用于对判别模型进行初步训练的训练样本中，正例样本的数量应该与负例样本的数量相当。

可以知道的是，在对训练样本中的负例样本进行扩展之前，训练样本中的负例样本要远少于正例样本。将训练样本中负例样本的样本数量作为基准数量。其中，基准数量用于确定初步训练判别模型所需的正例样本的数量。利用数量相当的正例样本和负例样本对判别模型进行初步训练。

上述技术方案，通过利用比例均衡的训练样本对判别模型进行初步训练，保证了判别模型对于障碍物误感知的判断效果。

实施例三

图3是根据实施例三提供的用于判断障碍物误感知的方法的流程图。本实施例在上述实施例的基础上进行进一步地优化，具体的，对操作“根据所述误感知概率、所述特征描述数据和所述车辆状态数据，确定所述目标障碍物是否为所述感知模块误感知到的障碍物”进行细化。

如图3所示，该方法包括：

S310、将自动驾驶车辆中感知模块感知到的障碍物，作为待判断的目标障碍物，确定目标障碍物的特征描述数据，以及所述目标障碍物关联的车辆状态数据。

S320、基于所述特征描述数据和所述车辆状态数据，确定目标障碍物的误感知概率。

S330、根据所述特征描述数据和所述车辆状态数据，确定所述目标障碍物与自动驾驶车辆之间的相对距离。

可选的，特征描述数据中包括位置描述数据，用于描述感知模型感知到目标障碍物时目标障碍物所在的位置；车辆状态数据包括车辆位置数据，用于描述感知模型感知到目标障碍物时自动驾驶车辆所在的位置。具体的，根据特征描述数据中位置描述数据和车辆位置数据中的车辆位置数据，确定目标障碍物与自动驾驶车辆之间的相对距离。

S340、基于所述误感知概率以及所述目标障碍物与自动驾驶车辆之间的相对距离，确定目标障碍物属于真实障碍物的预测置信度。

可选的，利用如下公式确定目标障碍物属于真实障碍物的预测置信度。

prob＝log[1+dis(obs,adc)]*model(obs)

其中，prob表示预测置信度，dis(obs,adc)表示目标障碍物与自动驾驶车辆之间的相对距离。obs表示目标障碍物，abc表示自动驾驶车辆。model(obs)表示误感知概率。

其中，误感知概率由误感知判别模型给出，误感知概率的准确性与误感知判别模型的模型性能相关。根据目标障碍物与自动驾驶车辆之间的相对距离，可以确定目标障碍物是否在自动驾驶车辆中感知模块的感知范围之内。

综合误感知概率以及目标障碍物与自动驾驶车辆之间的相对距离，可以确定目标障碍物为真实障碍物的预测置信度。其中，预测置信度用于量化目标障碍物为真实障碍物的可信程度。

S350、根据目标障碍物属于真实障碍物的预测置信度，确定目标障碍物是否为所述感知模块误感知到的障碍物。

可选的，将目标障碍物属于真实障碍物的预测置信度与置信度阈值进行比对，根据置信度的比对结果，确定目标障碍物是否为感知模块误感知到的障碍物。其中，置信度阈值根据实际业务需求预先确定，在这里不作限定。具体的，若预测置信度大于等于置信度阈值，则确定目标障碍物为真实障碍物，不是感知模块误感知到的障碍物；若预测置信度小于置信度阈值，则确定目标障碍物是感知模块误感知到的障碍物。

可选的，根据目标障碍物属于真实障碍物的预测置信度，对目标障碍物进行分类，将目标障碍物分为真实障碍物和误判障碍物。将真实障碍物的特征描述数据输入自动驾驶车辆中的预测模块，以供预测模型基于真实障碍物的特征描述数据进行规划决策。

本申请技术方案，根据特征描述数据和车辆状态数据，确定目标障碍物与自动驾驶车辆之间的相对距离；基于误感知概率以及目标障碍物与自动驾驶车辆之间的相对距离，确定目标障碍物属于真实障碍物的预测置信度；根据目标障碍物属于真实障碍物的预测置信度，确定目标障碍物是否为感知模块误感知到的障碍物，保证了障碍物误感知判断的准确性，为后续的预测模块做出正确决策提供了数据基础。

在一个可选的实施例中，根据目标障碍物属于真实障碍物的预测置信度，确定目标障碍物是否为所述感知模块误感知到的障碍物，包括：根据所述特征描述数据，确定目标障碍物关联的感知时间戳；其中，感知时间戳基于自动驾驶车辆中感知模型感知到所述目标障碍物的时间确定；若目标障碍物关联的感知时间戳连续，则确定对目标障碍物对应的预测置信度进行加权处理；根据预测置信度的加权处理结果，确定目标障碍物是否为所述感知模块误感知到的障碍物。

可选的，目标障碍物的特征描述数据包括时间描述数据以及障碍物标识。其中，时间描述数据用于描述感知模型感知到目标障碍物的时间；障碍物标识用于区分不同的障碍物。

具体的，根据目标障碍物的时间描述数据和障碍物标识，确定目标障碍物的感知时间戳。感知时间戳基于自动驾驶车辆中感知模型感知到目标障碍物的时间确定。

基于目标障碍物的感知时间戳，可以确定目标障碍物是否在连续时间内被感知模型感知到，换言之，可以确定感知模块在连续时间内感知到的障碍物是否为同一障碍物。感知模块感知到的每个障碍物均存在对应的预测置信度。

若目标障碍物关联的感知时间戳连续，则表明感知模块在连续时间内感知到障碍物均为目标障碍物，确定对目标障碍物对应的预测置信度进行加权处理。具体的，确定各个感知时间戳对应的权重参数，利用权重参数对感知时间戳对应的预测置信度进行加权处理。将预测置信度的加权处理结果，作为目标障碍物的最终置信度。基于最终置信度，确定目标障碍物是否为感知模块误感知到的障碍物。

可选的，基于如下公式，对目标障碍物对应的预测置信度进行加权处理。

prob

其中，prob

上述技术方案，通过确定目标障碍物关联的感知时间戳，若目标障碍物关联的感知时间戳连续，则确定对目标障碍物对应的预测置信度进行加权处理；根据预测置信度的加权处理结果，确定目标障碍物是否为感知模块误感知到的障碍物，减少了偶然误差，有利于提高障碍物误感知判断的准确性和可靠性。

实施例四

图4是本申请实施例四提供的用于判断障碍物误感知的装置的结构示意图，本实施例可适用于判断自动驾驶车辆中感知模块感知到的障碍物是否为真实障碍物的情况。所述装置可由软件和/或硬件实现，并可集成于智能终端等电子设备中。

如图4所示，该装置可以包括：障碍物数据获取模块410、误感知概率确定模块420和障碍物类型确定模块430。

障碍物数据获取模块410，用于将自动驾驶车辆中感知模块感知到的障碍物，作为待判断的目标障碍物，确定目标障碍物的特征描述数据，以及所述目标障碍物关联的车辆状态数据；

误感知概率确定模块420，用于基于所述特征描述数据和所述车辆状态数据，确定目标障碍物的误感知概率；

障碍物类型确定模块430，用于根据所述误感知概率、所述特征描述数据和所述车辆状态数据，确定所述目标障碍物是否为所述感知模块误感知到的障碍物。

本申请技术方案，将自动驾驶车辆中感知模块感知到的障碍物，作为待判断的目标障碍物，确定目标障碍物的特征描述数据，以及所述目标障碍物关联的车辆状态数据；基于所述特征描述数据和所述车辆状态数据，确定目标障碍物的误感知概率；根据所述误感知概率、所述特征描述数据和所述车辆状态数据，确定所述目标障碍物是否为所述感知模块误感知到的障碍物。本申请通过判断感知模块感知到的目标障碍物是否为误感知，为预测模块做出正确决策提供了数据支持，有利于提高自动驾驶的安全性和可靠性。

可选的，误感知概率确定模块420，包括：数据特征化子模块，用于将所述特征描述数据和所述车辆状态数据进行特征化处理，得到目标障碍物的特征化向量；误感知概率确定子模块，用于采用预先训练的误感知判别模型，基于所述目标障碍物的特征化向量，确定目标障碍物的误感知概率；其中，所述误感知判别模型为生成对抗模型中的判别模型。

可选的，障碍物类型确定模块430，包括：距离确定子模块，用于根据所述特征描述数据和所述车辆状态数据，确定所述目标障碍物与自动驾驶车辆之间的相对距离；预测置信度确定子模块，用于基于所述误感知概率以及所述目标障碍物与自动驾驶车辆之间的相对距离，确定目标障碍物属于真实障碍物的预测置信度；障碍物类型确定子模块，用于根据目标障碍物属于真实障碍物的预测置信度，确定目标障碍物是否为所述感知模块误感知到的障碍物。

可选的，障碍物类型确定子模块，包括：时间戳确定单元，用于根据所述特征描述数据，确定目标障碍物关联的感知时间戳；其中，感知时间戳基于自动驾驶车辆中感知模型感知到所述目标障碍物的时间确定；加权处理单元，用于若目标障碍物关联的感知时间戳连续，则确定对目标障碍物对应的预测置信度进行加权处理；障碍物类型确定单元，用于根据预测置信度的加权处理结果，确定目标障碍物是否为所述感知模块误感知到的障碍物。

可选的，所述装置还包括模型训练模块，用于对所述生成对抗模型进行训练；所述模型训练模块包括：训练样本确定子模块，用于将历史障碍物的特征描述数据，以及所述历史障碍物关联的车辆状态数据，作为所述生成对抗模型的训练样本；样本标签获取子模块，用于获取训练样本的样本标签；其中，所述样本标签用于确定训练样本所对应历史障碍物是否为真实障碍物；模型训练子模块，用于基于所述训练样本以及所述训练样本的样本标签，对所述生成对抗模型中的生成模型和判别模型进行训练。

可选的，模型训练子模块，包括：样本扩展单元，用于通过生成对抗模型中的生成模型生成模拟样本，利用所述模拟样本对训练样本中的负例样本进行扩展；判别模型训练单元，用于将训练样本中的正例样本和扩展后的负例样本作为输入样本，对生成对抗模型中的判别模型进行训练；其中，所述判别模型和所述生成模型采用所述训练样本进行初步训练；生成模型训练单元，用于根据所述判别模型关于所述输入样本的判别结果，对所述生成模型再次进行训练；循环训练单元，用于循环对抗训练所述判别模型和所述生成模型，直到满足预设训练结束条件。

可选的，判别模型训练单元，包括：基准数量确定子单元，用于根据训练样本的样本标签确定训练样本中的负例样本，基于负例样本的样本数量确定训练样本的基准数量；初步训练单元，用于从训练样本中选择所述基准数量的正例样本，利用所述负例样本和选择出的正例样本对所述判别模型进行初步训练。

发明实施例所提供的用于判断障碍物误感知的装置可执行本申请任意实施例所提供的用于判断障碍物误感知的方法，具备执行用于判断障碍物误感知的方法相应的性能模块和有益效果。

本公开的技术方案中，所涉及的用户数据的收集、存储、使用、加工、传输、提供和公开等，均符合相关法律法规的规定，且不违背公序良俗。

实施例五

图5示出了可以用来实施的实施例的电子设备510的结构示意图。电子设备510包括至少一个处理器511，以及与至少一个处理器511通信连接的存储器，如只读存储器(ROM)512、随机访问存储器(RAM)513等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器511可以根据存储在只读存储器(ROM)512中的计算机程序或者从存储单元418加载到随机访问存储器(RAM)513中的计算机程序，来执行各种适当的动作和处理。在RAM513中，还可存储电子设备510操作所需的各种程序和数据。处理器511、ROM 512以及RAM513通过总线514彼此相连。输入/输出(I/O)接口515也连接至总线514。

电子设备510中的多个部件连接至I/O接口515，包括：输入单元516，例如键盘、鼠标等；输出单元517，例如各种类型的显示器、扬声器等；存储单元518，例如磁盘、光盘等；以及通信单元519，例如网卡、调制解调器、无线通信收发机等。通信单元519允许电子设备510通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器511可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器511的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器511执行上文所描述的各个方法和处理，例如用于判断障碍物误感知的方法。

在一些实施例中，用于判断障碍物误感知的方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元518。在一些实施例中，计算机程序的部分或者全部可以经由ROM 512和/或通信单元519而被载入和/或安装到电子设备510上。当计算机程序加载到RAM 513并由处理器511执行时，可以执行上文描述的用于判断障碍物误感知的方法的一个或多个步骤。备选地，在其他实施例中，处理器511可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行用于判断障碍物误感知的方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本申请的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本申请的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据处理服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。