传感器处理方法、处理装置和机动车传感器系统与流程

1.本公开涉及一种传感器处理方法、处理装置、非暂时性计算机可读介质。本公开还涉及机动车传感器系统。具体地，本公开涉及机动车网格处理系统，并且更具体地，涉及情景感知对象检测和语义分割处理方法和系统。


背景技术：

2.对象检测和语义分割处理方法(例如使用卷积神经网络(cnn)进行的)在具有固定大小的离散网格上操作。这样，以输入网格或矩阵的形式提供来自传感器系统的接收器范围内的图像数据，所述输入网格或矩阵具有表示传感器图像的限定数量的单元。在处理期间，卷积滤波器或核以多个步幅(stride)在输入数据网格上滑动，以产生特征映射形式的输出数据。因此，各个滤波器的位置相对于网格独立地移动，卷积操作在任一步幅步骤期间局部地应用于单元的由该滤波器选择的各个块。因此，如将理解的，输入数据网格越大，图像处理变得越昂贵，因为要处理整个网格需要较多的传感器步幅。
3.同时如上所述，依赖于情景，对于随后的检测/分割处理操作，实际上输入数据网格的仅一些区域是受关注的。即，输入数据网格将通常被设置为足够大以覆盖所有潜在驾驶场景的所有关注区域。例如，在机动车radar、lidar或摄像头图像处理的应用中，输入数据网格通常将被设置为足够大以包含超过100m的长距离对象检测，例如用于在高速公路上以高速驾驶。因此，该系统将使用大网格来覆盖该整个区域。然而，这种系统还需要针对城市驾驶和泊车场景进行训练和工作，其中需要较短距离的对象检测。然而，在这些场景下处理开销仍然很高。此外，还必须提供大的训练数据集来训练cnn，因为在大的采样区域内可能出现各种情景。这在处理成本方面以及在优化训练cnn模型所需的数据集的体积方面都具有挑战性。
4.因此，仍然需要解决传统的对象检测和分割方法和系统(例如cnn图像处理系统)中的上述缺点。


技术实现要素：

5.根据第一个方面，提供了一种用于处理来自传感器系统的数据的方法，所述方法包括以下步骤：接收从所述传感器系统获取的传感器数据，所述传感器数据包括与环境中至少一个传感器的视场相关联的数据点集；选择位于一个或更多个关注区域内的数据点，所述一个或更多个关注区域是基于标准集来选择的；以及处理所选择的数据点以在所述一个或更多个关注区域内检测对象或执行语义分割。
6.这样，可以根据标准集基于主要场景来调整要处理的一个或更多个关注区域的位置和比例。例如，在机动车传感器系统中，可以使用标准集来识别载具所处的主要场景。这样，可以通过将处理操作限制到原始图像帧的对于特定载具场景受到关注的那些区域来最小化处理需求。除了最小化处理需求之外，还可以通过利用关于载具情景的知识来改进算法覆盖。因此，与处理用于对象检测/分割操作的大区域相关联的高计算和训练成本的问题
可以通过基于情景通过移位和缩放从原始图像帧动态地选择相关区域来解决。因此，在使用中不需要处理全部输入数据集。同时，可以将训练限于完整区域的子集，以限制训练所需的资源。
7.在实施方式中，传感器数据表示图像帧的描绘视场的输入网格。
8.在实施方式中，选择位于一个或更多个关注区域内的数据点的步骤包括选择处理网格作为所述输入网格的子集。
9.在实施方式中，根据所述标准集来选择所述处理网格在所述输入网格内的大小和位置。这样，可以选择较大输入数据集或输入网格内的一个或更多个关注区域，然后从周围数据中提取所选矩阵内的数据单元，并将其传送到对象检测和分割系统，例如卷积神经网络(cnn)，以供后续处理。
10.在实施方式中，所述一个或更多个关注区域是从一定数目的预定的一个或更多个关注区域中选择的，其中，各个预定的一个或更多个关注区域与不同的标准集相关联。不同的标准集可以从一个或更多个载具操作输入中得出。这样的载具操作输入可以由驾驶员启动，例如驾驶员控制的载具速度、所选择的驾驶模式、档位选择、偏航/转弯率、方向盘位置、加速度程度，减速度程度和/或其他用户输入。这样，由标准集识别的不同场景可以具有与其相关联的不同关注区域，各个关注区域具有用于在该场景中优化对象检测的预定义形状和位置。
11.在实施方式中，根据所述标准集动态地选择一个或更多个关注区域的大小和位置。这样，可以基于主要状况动态地调整所处理的关注区域的大小和位置。这样，可以基于实时处理来改变选择。此外，在实施方式中，可以使用用于载具状态估计的神经网络来基于包括多个传感器输入的所有可用数据来动态地选择关注区域以确定驾驶情景。例如，检测到的高载具速度连同由radar或摄像头系统检测到的护栏可以用作指示高速公路场景的标准。相反地，检测到的低载具速度连同由radar或摄像头系统检测到的停放的载具可以用作指示泊车情景的标准。
12.在实施方式中，传感器系统是机动车传感器系统并且该方法还包括基于以下各项中的一项或更多项来确定载具在环境中的场景的步骤：载具速度、所选择的驾驶模式、档位选择、横摆速率、方向盘位置、加速度程度、减速度程度和用户输入。这样，可以使用一个或更多个载具输入来确定载具场景。例如，高于速度阈值的高速驾驶可以用作触发采用与高速公路驾驶相关联的一个或更多个关注区域的标准。相反地，低于阈值的速度可以用作触发采用与泊车操作相关联的一个或更多个关注区域的标准，其中，所处理的关注区域到载具前方或后方的定位基于档位选择来确定。同样地，转向盘的转动可以触发关注区域在用于相关联的转动操作的相应方向上移动。
13.在实施方式中，处理所选数据点的步骤包括通过卷积神经网络、移位窗口变换器、逐点机器学习处理器或其它本地连接的处理层中的一种来处理。
14.在实施方式中，基于载具在环境中的场景确定来选择一个或更多个关注区域。
15.根据另一个方面，提供了一种用于处理来自传感器系统的数据的处理装置，所述处理装置包括：输入端，所述输入端用于接收从所述传感器系统获取的传感器数据，所述传感器数据包括与环境中载具的至少一个传感器的视场相关联的数据点集；选择模块，所述选择模块用于选择位于一个或更多个关注区域内的数据点，所述一个或更多个关注区域是
基于标准集来选择的；以及处理器，所述处理器用于处理所选择的数据点，以在一个或更多个关注区域内检测对象或执行语义分割。这样，提供了一种用于实现上述方法的装置。
16.在实施方式中，所述传感器数据表示图像帧的描绘所述视场的输入网格。
17.在实施方式中，所述选择模块通过选择处理网格作为所述输入网格的子集来选择位于一个或更多个关注区域内的数据点。
18.在各实施方式中，所述选择模块被配置成根据所述标准集来选择所述处理网格在所述输入网格内的大小和位置。这样，选择模块可以基于该标准集所指示的主要载具情景来指定较大的输入数据集/输入网格内的一个或更多个关注区域。例如，可以设置覆盖关注区域的处理网格，其长度和宽度是要识别的最大对象的两倍。这可以提供用于检测不同大小的对象的容限，以及提供用于有效对象检测和语义分割的足够上下文。例如，对于高速公路驾驶场景，处理网格的宽度可以被设置为至少是道路宽度。
19.在实施方式中，所述选择模块被配置成从一定数目的预定的一个或更多个关注区域中选择一个或更多个关注区域，其中，各个预定的一个或更多个关注区域与不同的标准集相关联。这样，例如对于特定载具场景，例如高速公路驾驶或泊车，可以优化对象检测。
20.在实施方式中，选择模块被配置成根据该标准集动态地选择一个或更多个关注区域的大小和位置。
21.在实施方式中，所述选择模块包括确定输入端，所述确定输入端用于接收基于用于指定所述关注区域的所述标准集进行的场景确定。这样，选择模块可以从载具中的控制器接收一个或更多个输入以确定主要场景。
22.在实施方式中，所述传感器系统是机动车传感器系统，并且所述装置还包括确定模块，所述确定模块用于基于以下各项中的一项或更多项来生成所述场景确定：载具速度、所选择的驾驶模式、档位选择、横摆速率、方向盘位置、加速度程度、减速度程度和用户输入。这样，一个或更多个载具操作输入可以用于基于对主要情景的认识来选择经优化的一个或更多个关注区域。
23.在实施方式中，所述处理器包括卷积神经网络、移位窗口变换器、逐点机器学习处理器或其它本地连接的处理层中的一种。
24.在实施方式中，基于载具在所述环境中的场景确定来选择所述一个或更多个关注区域。
25.根据另一个方面，提供了一种包括指令的计算机程序产品，当所述程序由计算机执行时，所述指令使所述计算机执行上述方法步骤。
26.根据另一个方面，提供了一种包括指令的非暂时性计算机可读介质，所述指令在由处理器执行时使所述处理器执行上述方法。
27.根据另一个方面，提供了一种训练用于传感器系统的机器学习系统的方法，该方法包括以下步骤：(i)为预定场景选择一个或更多个关注训练区域，其中，所述关注训练区域与表示环境中至少一个传感器的视场的传感器数据内的数据点的子集相关联；(ii)通过为各个样本帧选择一个或更多个关注训练区域，在所述预定场景期间从与所述至少一个传感器的视场相关联的多个样本帧生成训练数据集；以及(iii)使用所述训练数据集来训练所述机器学习系统。这样，训练可以限于完整输入传感器数据的子集，以最小化开发优化模型所需的处理资源。同时，减小的训练处理区域允许更聚焦的对象检测训练数据集。例如，
可以利用图像帧的方便区域中的对象进行训练，并且实际上可以移动所得到的对象检测以命中不同的关注区域或区段。这有效地允许实现较好训练的所得到的模型，其能够在较宽范围的场景中有效工作。
28.在实施方式中，选择关注训练区域的步骤包括根据预定场景选择一个或更多个关注区域在至少一个传感器的视场内的大小和位置。这样，可以选择关注训练区域的配置来优化对象检测，同时最小化计算开销。例如，可以根据相关任务的需要来调整覆盖一个或更多个关注区域的处理网格。
29.在实施方式中，选择关注训练区域的步骤包括选择处理网格作为表示与预定场景相关联的图像帧的输入网格的子集。这样，可以基于识别输入图像帧中在指定场景(例如载具驾驶场景)期间最可能包含相关信息的部分来配置训练处理网格。
30.在实施方式中，该方法还包括针对另外的预定场景重复步骤(i)至(iii)。这样，可以针对多个不同场景来训练模型。
31.在实施方式中，一个或更多个预定载具场景包括以下中的一个或更多个：高速公路驾驶、泊车、倒车、前进泊车、平行泊车，城市驾驶和交叉交通转向。
32.根据另一个方面，提供了一种用于载具的机动车传感器系统，该系统包括：至少一个传感器，所述至少一个传感器用于生成包括与环境中载具的视场相关联的数据点集的传感器数据；输入端，所述输入端用于接收所述传感器数据；选择模块，所述选择模块用于选择位于一个或更多个关注区域内的数据点，所述一个或更多个关注区域是基于标准集来选择的；以及处理器，所述处理器用于处理所选择的数据点以在所述一个或更多个关注区域内检测对象。这样，可以提供一种改进的机动车传感器系统，其具有较少的与其处理步骤(例如图像处理操作)相关联的计算开销。因此，这允许例如在嵌入式装置上实现，而不是需要高功率的通用处理能力。
33.在实施方式中，机动车传感器系统还包括确定模块，所述确定模块用于基于该标准集来生成场景确定，该标准集包括以下各项中的一项或更多项：载具速度、所选择的驾驶模式、档位选择、横摆速率、方向盘位置、加速度程度、减速度程度和用户输入。这样，系统可以基于一个或更多个载具控制输入来确定当前载具场景。
34.在各实施方式中，确定模块连接到一个或更多个载具电子控制单元，以接收场景确定输入数据来生成场景确定。这样，系统可以从载具内的其它控制器接收控制输入。
35.在实施方式中，所述至少一个传感器包括radar、lidar传感器或摄像头。
附图说明
36.现在将参照附图描述说明性实施方式，其中：
37.图1是输入网格和两个处理网格变型例的示意图；
38.图2是根据实施方式的用于机动车传感器系统的图像处理装置的示意图；
39.图3示出了在第一泊车场景中的包括机动车传感器系统的载具；
40.图4示出了在第二泊车场景中的包括机动车传感器系统的载具；以及
41.图5示出了在高速公路场景中的包括机动车传感器系统的载具。
具体实施方式
42.图1是用于表示描绘环境中的载具的至少一个传感器的视场的图像帧的输入网格1的示意图。例如，载具的radar传感器系统可以包括radar传感器阵列，其一起可以提供包括用于载具周围的视场的数据点集的传感器数据。这可以用于例如生成载具周围环境的360度雷达图像。由此得到的图像帧可以作为笛卡尔网格输出以供后续处理。在传统的图像处理系统中，整个输入网格1将被处理，例如通过卷积神经网络(cnn)的一个或更多个卷积层。然而，在实施方式中，可以从输入网格1中选择单元的子集作为由处理网格2a和2b指定的关注区域。然后，通过cnn处理仅所选择的子集。这样，通过最小化需要处理的网格矩阵的大小，减少了计算开销。重要的是，通过针对特定场景基于图像帧内的关注区域来选择处理网格的大小、形状和在输入网格内的位置来利用该益处。也就是说，在图1中，示出了两个处理网格变型例2a和2b，并且可以根据载具所处的特定驾驶场景的需要来选择这些变型例中的一个或另一个来处理。
43.关于这一点，图2是根据实施方式的用于机动车传感器系统的处理装置的示意图。提供了用于选择处理网格的选择模块4，提供了用于基于标准集生成场景确定的确定模块8，并且提供了用于处理所选择的处理网格的cnn 6。应当理解，选择模块4、确定模块8和cnn 6可以使用一个或更多个微处理器来实现，例如作为机动车控制器单元或嵌入式装置的一部分。
44.选择模块4具有输入端3，通过该输入端接收传感器数据。例如，在实施方式中，输入端3可以接收radar、lidar或摄像头传感器数据，这些数据可以被处理以生成360度视图图像帧。同时，选择模块4包括用于从确定模块8接收场景确定的确定输入端9。
45.确定模块8基于从位于载具中别处的载具控制器接收的状态输入来生成场景确定。在实施方式中，输入可以包括以下中的一项或更多项：载具速度、所选择的驾驶模式、档位选择、横摆速率、和方向盘位置、加速度程度、减速度程度、用户输入。
46.在使用中，来自确定模块8的场景确定被输入到选择模块4，并且用于选择处理网格2a、2b作为输入网格1的子集。在被选择时，用于所选择的处理网格的数据5被从周围的输入网格数据中提取出来并被馈送到cnn 6的输入端，在该输入端被馈送通过至少一个卷积层。cnn 6然后输出输出数据7，该输出数据7可以用于后续操作，例如高级驾驶员辅助系统(adas)、自动泊车或自主驾驶能力。
47.因此，对于实施方式，依赖于使用情况，可以将处理网格移位并缩放至需要它的位置，而不计算输入网格的其余部分。
48.关于这一点，在泊车时，通常有三种不同的情景或场景是有关的：(i)寻找泊车空间，(ii)前进泊车；以及(iii)倒车泊车。
49.图3示出了在载具10正在寻找泊车位置15的第一泊车场景中的包括机动车传感器系统的载具10。在这种场景下，需要较大的对前面和侧面的观看距离，以通过检测其它机动车16或自由空间来识别空的泊车位15。这样，选择处理网格2来覆盖这些区域，而不是radar信号11的整个视场。例如，在各实施方式中，场景确定模块8可检测载具速度低于下限阈值，例如低于20kph，并确定这指示泊车操作在进行中。因此，相应地选择处理网格2。因此，cnn 6的后续处理限于由处理网格2限定的关注区域，从而使计算开销最小化，同时仍然允许用于识别其他机动车16、墙壁14和树丛12等的对象检测。还应当理解，虽然上述内容适用于前
进泊车操作，但是如果选择了倒档，则处理格栅2可以向后移动以聚焦在这些区域上。
50.图4示出了在第二泊车场景下的载具10，其中选择了泊车位15。在这种场景下，不再需要图3所示的较大的处理网格。相反，仅需要处理到载具10的前/后/侧的小得多的距离。因此，使用较小、较居中的处理网格2。同样地，在一些实施方式中，确定模块8可以接收指示泊车位15是在左侧还是在右侧的场景数据，例如通过接收指示符数据。在这种情况下，处理网格2可以被限制在相应的侧，从而避免需要处理与非泊车侧相关联的数据。
51.在另一泊车场景示例中，处理网格可以被选择为在从传感器原点开始的各个方向上为+/－10m。为了寻找泊车空间，处理网格可以移位到x∈[0，20]，y∈[－10，10]，并且当倒车或已经经过了泊车空间时，该网格可以移位到x∈[－20，0]，y∈[－10，10]。当移动到泊车位中时，其然后可以移回x∈[－10，10]，y∈[－10，10]，以覆盖前面和后面。结果，对于相同的计算资源，与固定网格方案相比，载具泊车功能可以标识前方距离两倍的空闲泊车空间。另外，在倒车泊车时的后方对象检测也可以加倍，同样没有额外的计算成本。
[0052]
图5示出了高速公路场景中的载具10。在这种情况下，由于较高的车速，处理网格2需要较大的纵向范围。同时，因为空间受到道路护栏17的宽度的限制，所以所选择的处理网格2在横向大小上可以相对较窄。因此，在各实施方式中，场景确定模块8可检测载具速度何时高于较高阈值，例如速度高于60kph，并确定这指示载具处于高速公路驾驶场景中。然后，这可以触发应用图5所示的长、窄的处理网格。
[0053]
在城市驾驶场景中，例如在20至60kph之间的速度下，高的纵向范围不那么重要。这是因为，例如车速较低，因此减少了识别远处对象的需要。同时，由于周围对象的接近，无障碍的视图通常被限制到较短的距离。然而，如果载具正在转弯，例如由横摆速率所示，则需要大得多的横向范围。因此，场景确定模块8可以接收用于标识这些不同场景的输入，并基于主要需求动态地改变处理网格变型例。
[0054]
对于实施方式，对输入网格的所选子集进行移位和缩放以聚焦于针对任意特定场景的关注区域。因此，不需要处理覆盖所有事件的较大的输入网格。此外，训练可以被限于完整输入网格的子集，从而限制了训练所需的资源。因此，实施方式通过利用关于情景的知识并相应地调整处理网格位置和比例来提供增大的算法覆盖并降低计算功率要求。
[0055]
关于这一点，应当理解，当在网格坐标系上工作时，所检测到的对象或结构的大小不会基于它们在网格矩阵内的距离或位置而改变。例如，将作为输入到卷积函数f的笛卡尔网格的示例。通常，x被填充(padded)，使得对于产生大小相等的输出y＝f(x)。由于卷积是移位不变的，因此其执行相同的操作而与处理网格内的位置无关。因此：
[0056]
f(x)[100:h
–
100,0:w-10]≈f(x[100:h
–
100,0:w-10])
[0057]
由于填充，仅有的差异将在网格的边缘上。填充可以被忽略，或者网格可以被填充并且稍后切割，其中填充位于关注区域之外。因此：
[0058]
f(x[100-padding:h
–
100+padding,0:w-10+padding])[padding:h-200+
[0059]
padding,0:w-10]＝＝f(x)[100:h-100,0:w-10]
[0060]
由于在cnn内多个层的汇集(pooling)和堆叠(stacking)，与单个滤波器宽度相比，包含在图像帧中的信息可以行进得较远。这样，当存在较大的上下文时，对象检测通常被改进。然而，可以以这样的方式选择处理网格2，即保留特定场景的上下文以供后续处理。
因此，处理网格可以被移位和缩放以在不损失对象检测/分割性能的情况下减少计算开销。例如，在以上讨论的高速公路驾驶场景中，处理网格2可以被缩放和定位成至少具有比要检测的最大预期对象的两倍还大的道路宽度和长度。由此允许从原始输入网格保持足够的数据，以避免损害对象检测/分割性能。
[0061]
根据上述内容，有利地，使用大小为仅覆盖针对特定场景的相关对象/结构和相邻上下文的训练处理网格来训练cnn也是足够的。因此训练处理网格可以被选择成使得在训练区域中没有盲点或其他有问题的区域。此外，训练处理网格通常还可以比覆盖所有相关区域的传统输入网格小得多。在选择了训练处理网格时，通过针对各个样本图像帧选择训练处理网格，可以从描绘预定载具场景期间的传感器视场的多个样本图像帧生成训练数据集。然后这些训练处理网格可以被处理以训练cnn。这由此节省了训练期间的计算能力和存储器消耗。同时，因为对象或结构的大小在笛卡尔网格内不改变，所以对一个聚焦场景执行的训练实际上可用于其它聚焦场景。例如，用于载具左侧的泊车位检测的训练将与右侧的泊车场景相关。因此，实施方式由此提供更有效的训练过程。
[0062]
因此，通过上述内容，通过移动和缩放处理网格以聚焦到特定场景的需要以及与该场景相关联的不同对象检测/语义分割子任务，可以实现更有效的cnn图像处理和训练。由此提高了性能，并且减轻了固定网格方案的已知限制。同时，因为处理网格是在被输入到cnn之前选择的，所以cnn结构本身不变。因此，可以使用通用硬件加速器来实现实施方式。
[0063]
应当理解，上述实施方式仅出于说明的目的示出了应用。实际上，实施方式可以应用于许多不同的配置，详细的实施方式对于本领域技术人员来说是易于实现的。
[0064]
例如，虽然在上述说明性示例中，从输入网格中选择了单个处理网格，但是应当理解，也可以通过选择位于由传感器数据提供的视场内的一个或更多个关注区域内的数据点来实现该选择。

技术特征：
1.一种用于处理来自传感器系统的数据的方法，所述方法包括以下步骤：接收从所述传感器系统获取的传感器数据，所述传感器数据包括与环境中至少一个传感器的视场相关联的数据点集；选择位于一个或更多个关注区域内的数据点，所述一个或更多个关注区域是基于标准集来选择的；以及处理所选择的数据点以在所述一个或更多个关注区域内检测对象或执行语义分割。2.根据权利要求1所述的方法，其中，所述传感器数据表示图像帧的描绘所述视场的输入网格，其中，选择位于一个或更多个关注区域内的数据点的步骤包括选择处理网格作为所述输入网格的子集，并且其中，根据所述标准集来选择所述处理网格在所述输入网格内的大小和位置。3.根据权利要求1或2所述的方法，其中，所述一个或更多个关注区域是从一定数目的预定的一个或更多个关注区域中选择的，其中，各个预定的一个或更多个关注区域与不同的标准集相关联。4.根据权利要求1所述的方法，其中，所述传感器系统是机动车传感器系统，并且所述方法还包括基于以下各项中的一项或更多项来确定载具在所述环境中的场景的步骤：载具速度、所选择的驾驶模式、档位选择、横摆速率、方向盘位置、加速度程度、减速度程度和用户输入。5.根据权利要求1所述的方法，其中，基于载具在所述环境中的场景确定来选择所述一个或更多个关注区域，其中，所述场景确定是以下各项中的一项或更多项：高速公路驾驶、泊车、倒车泊车、前进泊车、平行泊车、城市驾驶和交叉交通转弯。6.一种用于处理来自传感器系统的数据的处理装置，所述处理装置包括：输入端，所述输入端用于接收从所述传感器系统获取的传感器数据，所述传感器数据包括与环境中至少一个传感器的视场相关联的数据点集；选择模块，所述选择模块用于选择位于一个或更多个关注区域内的数据点，所述一个或更多个关注区域是基于标准集来选择的；以及处理器，所述处理器用于处理所选择的数据点，以在所述一个或更多个关注区域内检测对象或执行语义分割。7.根据权利要求6所述的处理装置，其中，所述传感器数据表示图像帧的描绘所述视场的输入网格，其中，所述选择模块通过选择处理网格作为所述输入网格的子集来选择位于一个或更多个关注区域内的数据点，并且其中，所述选择模块被配置成根据所述标准集来选择所述处理网格在所述输入网格内的大小和位置。8.根据权利要求6所述的处理装置，其中，所述选择模块被配置成从一定数目的预定的一个或更多个关注区域中选择所述一个或更多个关注区域，其中，各个预定的一个或更多个关注区域与不同的标准集相关联。9.根据权利要求6所述的处理装置，其中，所述选择模块包括确定输入端，所述确定输入端用于接收基于用于指定所述关注区域的所述标准集进行的场景确定。10.根据权利要求9所述的处理装置，其中，所述传感器系统是机动车传感器系统，并且所述处理装置还包括确定模块，所述确定模块用于基于以下各项中的一项或更多项来生成所述场景确定：载具速度、所选择的驾驶模式、档位选择、横摆速率、方向盘位置、加速度程
度、减速度程度和用户输入。11.根据权利要求6所述的处理装置，其中，所述处理器包括卷积神经网络、移位窗口变换器、逐点机器学习处理器或其它本地连接的处理层中的一种。12.根据权利要求6所述的处理装置，其中，基于载具在所述环境中的场景确定来选择所述一个或更多个关注区域。13.一种非暂时性计算机可读介质，所述非暂时性计算机可读介质存储包括指令的计算机程序，当所述计算机程序由计算机执行时，所述指令使所述计算机执行根据权利要求1至5中的任一项所述的方法的步骤。14.一种用于载具的机动车传感器系统，所述机动车传感器系统包括：至少一个传感器，所述至少一个传感器用于生成包括与载具在环境中的视场相关联的数据点集的传感器数据；输入端，所述输入端用于接收所述传感器数据；选择模块，所述选择模块用于选择位于一个或更多个关注区域内的数据点，所述一个或更多个关注区域是基于标准集来选择的；以及处理器，所述处理器用于处理所选择的数据点，以在所述一个或更多个关注区域内检测对象或执行语义分割。15.根据权利要求14所述的机动车传感器系统，所述机动车传感器系统还包括确定模块，所述确定模块用于基于包括以下各项中的一项或更多项在内的所述标准集来生成场景确定：载具速度、所选择的驾驶模式、档位选择、横摆速率、方向盘位置、加速度程度、减速度程度和用户输入，其中，所述确定模块连接到一个或更多个载具电子控制单元，以接收场景确定输入数据来生成所述场景确定。

技术总结
本公开涉及一种传感器处理方法、处理装置和机动车传感器系统。一种用于处理来自传感器系统的数据的处理方法，所述方法包括以下步骤：接收从所述传感器系统获取的传感器数据，所述传感器数据包括与环境中至少一个传感器的视场(1)相关联的数据点集。选择位于一个或更多个关注区域(2)内的数据点，所述一个或更多个关注区域是基于标准集来选择的。然后处理所选择的数据点，以在所述一个或更多个关注区域内检测对象或执行语义分割。所述一个或更多个关注区域可以是基于环境中的载具(10)的场景确定来选择的。景确定来选择的。景确定来选择的。


技术研发人员：M
受保护的技术使用者：APTIV技术有限公司
技术研发日：2023.02.06
技术公布日：2023/9/25