(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111276488.7 (22)申请日 2021.10.2 9 (71)申请人 广州文远知行 科技有限公司 地址 518000 广东省广州市中新广州知识 城九佛建 设路333号自编687室 (72)发明人 葛琦　韩旭　 (74)专利代理 机构 深圳市易美 诺知识产权代理 事务所(普通 合伙) 44520 代理人 沈荣彬　朱为甫 (51)Int.Cl. G06V 20/58(2022.01) G06V 10/40(2022.01) G06V 10/74(2022.01) G06V 10/774(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06N 20/00(2019.01) (54)发明名称 一种基于多模型检测的跟踪方法、 装置、 交 通工具及存 储介质 (57)摘要 本发明公开了一种基于多模型检测的跟踪 方法、 装置、 交通工具及存储介质， 方法包括： 获 取无人驾驶 设备采集的障碍物的传感数据； 对传 感数据进行检测， 输出障碍物的第一跟踪隐式特 性； 对传感数据进行轨迹跟踪， 输出障碍物的轨 迹隐式特性； 把第一跟踪隐式特性与轨迹隐式特 性输入第一预设网络模型， 输出跟踪隐式特性与 轨迹隐式特性的相似性的第一度规。 通过本发明 实施例， 带来准确的跟踪效果同时提供物体可信 度状态的输出； 不仅考虑物体自身的特征， 还包 含其他物体、 地图信息， 在事例特性的提取上更 加多样化； 在特征的种类上， 不仅有事例特征， 还 包含了全局坐标下的格点的特征， 使得模型整体 拥有很好的泛化能力。 权利要求书2页 说明书9页 附图4页 CN 113920489 A 2022.01.11 CN 113920489 A 1.一种基于多模型检测的跟踪方法， 其特 征在于， 所述方法包括以下步骤： 获取无人驾驶设备采集的障碍物的传感数据； 对所述传感数据进行检测， 输出障碍物的第一跟踪隐式特性； 对所述传感数据进行轨 迹跟踪， 输出障碍物的轨 迹隐式特性； 把所述第一跟踪隐式特性与 所述轨迹隐式特性输入第 一预设网络模型， 输出所述跟踪 隐式特性与所述轨 迹隐式特性的相似性的第一度规。 2.根据权利要求1所述方法， 其特 征在于， 所述方法还 包括以下步骤： 把所述第一跟踪隐式特性与 所述轨迹隐式特性输入第 二预设网络模型， 输出更新后的 第二跟踪隐式特性、 当前轨 迹置信度； 所述第二跟踪隐式特性作为所述第一预设网络模型的输入； 所述当前轨 迹置信度， 用于判断所述障碍物和轨 迹之间的匹配程度； 所述第二预设网络模型为长短期记忆的深度 学习模型， 通过记录下的隐式特性来做跨 时间的相似性和置信度的估计。 3.根据权利要求1所述方法， 其特征在于， 所述对所述传感数据进行检测， 输出障碍物 的第一跟踪隐式特性， 包括以下步骤： 对所述传感数据进行基于 机器学习的检测， 输出障碍物的物体跟踪隐式特性； 对所述传感数据进行基于规则的检测， 输出障碍物的格点跟踪隐式特性； 所述第一跟踪隐式特性包括： 物体跟踪隐式特性、 格点跟踪隐式特性。 4.根据权利要求3所述方法， 其特征在于， 所述对所述传感数据进行基于机器学习的检 测， 输出障碍物的物体跟踪隐式特性， 包括以下步骤： 对所述传感数据进行基于所述机器学习的检测， 输出障碍物的显示特性； 所述基于机 器学习的检测包括基于卷积网络和/或基于点的网络的检测的方法； 对所述障碍物的显示特性输入第二预设网络模型， 输出障碍物的物体跟踪隐式特性； 所述第二预设网络模型使用所述障碍物的显示特性基于多帧标注的标注数据进行深 度学习的训练； 所述深度 学习的训练， 以长短期记忆模型来比较物体隐式特性和新检测出物体隐式特 性的相似性。 5.根据权利要求3所述方法， 其特征在于， 对所述传感数据进行基于规则的检测， 输出 障碍物的格点跟踪隐式特性， 包括以下步骤： 所述基于规则的检测包括基于高于地面高度物体的以经验为基础的输出， 输出结果包 括突包物体、 路沿物体和可 行驶区域； 通过特定的特性提取模块将所述输出结果不同纬度的显式特性转换为用于匹配的隐 式特性。 6.根据权利要求3所述方法， 其特 征在于， 所述物体跟踪隐式特性是基于物体的显示特性结合物体和地图的结合信息以及身边 其他物体的关系信息， 一同提取的一个 基于事例的特性； 所述格点跟踪隐式特性是基于全局世界坐标系下的格点信 息产生的特性； 所述格点信 息包括时间信息、 格点占据的障碍物的特性、 格点所包含的传感器感知的属性、 格点所包含 的地图的属性。权　利　要　求　书 1/2 页 2 CN 113920489 A 27.根据权利要求1所述方法， 其特 征在于， 所述方法还 包括以下步骤： 所述第一预设网络模型为深度学习网络模型； 对所述第一度规做归一 化处理得到第二度规， 使所述相似性有可比较的大小； 所述第二度规作为匹配算法的一个单 元量来输出最终的匹配结果。 8.一种基于多模型检测的跟踪装置， 其特征在于， 所述基于多模型检测的跟踪装置包 括： 数据获取 单元， 用于获取 无人驾驶设备采集的障碍物的传感数据； 数据检测单 元， 用于对所述传感数据进行检测， 输出障碍物的第一跟踪隐式特性； 轨迹跟踪单 元， 用于对所述传感数据进行轨 迹跟踪， 输出障碍物的轨 迹隐式特性； 特性匹配单元， 用于把所述第 一跟踪隐式特性与 所述轨迹隐式特性输入第 一预设网络 模型， 输出 所述跟踪隐式特性与所述轨 迹隐式特性的相似性的第一度规。 9.一种交通工具， 其特征在于， 所述交通工具包括： 存储器、 处理器及存储在所述存储 器上并可在所述处理器上运行的基于多模型检测的跟踪程序， 所述基于多模型检测的跟踪 程序配置为实现根据权利要求1至7中任一项所述基于多模型检测的跟踪方法的步骤。 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， 所述计算机程序 被处理器执行时实现权利要求1至7中任一项所述的基于多模型检测的跟踪方法的步骤。权　利　要　求　书 2/2 页 3 CN 113920489 A 3