一种算法检测方法、计算机设备及可读存储介质与流程

1.本发明涉及自动驾驶技术领域，具体涉及一种算法检测方法、计算机设备及可读存储介质。


背景技术：

2.自动驾驶的过程，即是整套感知、预测、控制算法相互协作对车辆硬件进行调配调整的过程。因此，自动驾驶的车辆，尤其是在软件方面，每一套算法或策略，均与其上游、下游的算法或策略息息相关，可谓之牵一发而动全身。而随着基础设施的完善、获取的数据规模、数量、维度不断扩大，与感知融合相关的算法、策略也在不断地迭代更新。由于算法或策略的更新对其上下游其他算法或策略均产生着影响，因此，每一套新的算法或者策略在投入使用之前，必须要获知其对上下游其他算法或策略的影响属于正向影响还是负向影响。现有技术中的检测大多依靠数据标注或同步采集到的理论真值数据。但是，现有技术的检测方法，数据标注需要大量人工和时间，理论真值的可靠性难以得到保证。并且，在nac等城区测试场景中又会受到其他关联算法的局限，难以得到准确一致的检测效果。


技术实现要素：

3.本发明旨在一定程度上解决相关技术中的技术问题之一。为此，本发明提供了一种算法检测方法，判断车辆感知系统的算法对其上下游的影响。
4.为了达到上述目的，本发明采用如下技术方案：
5.一种算法检测方法，用于检测带有自动驾驶功能的车辆的感知系统的算法，包括如下步骤：
6.分别获取视觉传感器、激光雷达和毫米波雷达的感知目标的数据；
7.对感知目标的数据进行融合处理，形成融合目标、视觉航迹以及激光雷达航迹；
8.分别计算每一帧感知目标的数据第一交并比和第二交并比，所述第一交并比为视觉航迹的目标框与融合目标的目标框之间的交并比，所述第二交并比为激光雷达航迹的目标框和融合目标的目标框之间交并比；
9.对感知目标进行过滤，对过滤后得到的感知目标对应的第一交并比和第二交并比进行统计计算；
10.根据统计计算的结果获取检测结果。
11.可选的，对过滤后得到的感知目标对应的第一交并比和第二交并比进行统计计算包括：
12.对第一交并比计算概率分布、概率密度分布、目标框型分布、中位数、平均数、标准差以及90％分位点；
13.对第二交并比计算概率分布、概率密度分布、目标框型分布、中位数、平均数、标准差以及90％分位点。
14.可选的，根据统计计算的结果获取检测结果包括如下步骤：
15.基于已有数据确定检测基准；
16.采用已有数据运行被检测的算法，运行结果与已有数据的检测基准比对，如果运行结果相比已有数据的检测基准出现下降，则被检测的算法对当前车辆的软件和/或硬件起到负向作用；如果运行结果相比已有数据的检测基准出现上升，则被检测的算法对当前车辆的软件和/或硬件起到正向作用，更新检测基准；
17.循环如下步骤，直至所有新采集的数据由被检测的算法运行：
18.采用新采集的数据运行被检测的算法，并与更新后的检测基准比对，如果运行结果相比更新后的检测基准出现下降，则被检测的算法对当前车辆的软件和/或硬件起到负向作用；如果运行结果相比更新后的检测基准出现上升，则被检测的算法对当前车辆的软件和/或硬件起到正向作用，更新检测基准；
19.获取被检测的算法运行第一交并比的90％分位点、平均数点和中位数点的结果和运行第二交并比的90％分位点、平均数点和中位数点的结果，与更新后的检测基准比对，如果运行结果相比更新后的基均准出现上升，则被检测的算法对当前车辆的软件和/或硬件起到正向作用，如果任意一项运行结果相比更新后的检测基准出现下降，则被检测的算法对当前车辆的软件和/或硬件起到负向作用。
20.可选的，根据统计计算的结果获取检测结果还包括：
21.计算小于0.3的第一交并比或第二交并比与融合目标的目标框的长度或宽度小于1米的第一交并比和第二交并比的比例。
22.可选的，根据统计计算的结果获取检测结果还包括，对第一交并比或第二交并比小于0.5的感知目标，基于鸟瞰动态图定位现有算法系统的缺陷。
23.可选的，对感知目标的数据进行融合处理包括如下步骤：
24.判断获取感知目标的数据是否存在异常并剔除；
25.对于首帧感知目标的数据，由激光雷达起始一个航迹，而后判断视觉传感器的信号与激光雷达起始的航迹是否相关联，如果相关联，则进行激光雷达数据关联，如果无关联，则由视觉传感器重新起始一个航迹；而后判断毫米波雷达与激光雷达数据关联后的航迹或视觉传感器重新起始的航迹是否关联，如果相关联，进行下一步，如果无关联，则重新起始一个航迹；
26.首帧之后，对每一帧感知目标的数据循环如下操作：卡尔曼滤波预测，激光雷达数据关联，视觉传感器数据关联，毫米波雷达数据关联；
27.循环结束输出的航迹为融合目标，激光雷达的感知目标经过数据关联形成激光雷达航迹，视觉传感器的感知目标经过数据关联形成视觉航迹。
28.可选的，激光雷达数据关联为计算航迹与激光雷达的感知目标的加权平均值，所述加权平均值为感知目标的横、纵向距离以及横、纵向速度的加权平均值，而后采用匈牙利匹配算法对两者进行配对；
29.视觉传感器数据关联为计算航迹与视觉传感器的感知目标的加权平均值，所述加权平均值为感知目标的横、纵向距离以及横、纵向速度的加权平均值，而后采用匈牙利匹配算法对两者进行配对；
30.毫米波雷达数据关联为计算航迹与毫米波雷达的感知目标的加权平均值，所述加权平均值为感知目标的横、纵向距离以及横、纵向速度的加权平均值，而后采用最近邻配对
算法对两者进行配对。
31.可选的，计算每一帧感知目标的数据第一交并比和第二交并比时，如果在当前帧融合目标与视觉传感器无关联，则第一交并比为-1，如果在当前帧融合目标与激光雷达无关联，则第二交并比为-1。
32.可选的，对感知目标进行过滤包括如下过滤条件：
33.纵向位置大于80米或小于-50米的感知目标；
34.横向位置大于8米或小于-8米的感知目标；
35.融合目标的目标框长度小于1米的感知目标；
36.融合目标的目标框宽度小于1米的感知目标；
37.第一交并或第二交并比为-1的感知目标。
38.可选的，对感知目标进行过滤还包括如下过滤条件：
39.对于激光雷达的感知目标，过滤激光雷达的感知目标与融合目标的横向距离差的绝对值大于0.8的感知目标。
40.可选的，所述算法检测方法还包括获取融合目标的相关信息，所述相关信息包括：时间戳、帧序数、传感器id、横纵向位置、感知目标的长度、感知目标的宽度、航向角以及目标类别。
41.本发明所提供的技术方案，通过对算法中的交并比等部分参数进行统计分析，不仅可以挖掘感知系统潜在的性能缺陷，有效的反应自动驾驶系统在真实复杂场景中的感知能力，更能准确获知新的算法对其上下游的影响。不仅如此，基于对交并比等部分参数进行统计分析，在检测算法同时，还能对数据进行验证，实现数据、算法的闭环检测。
42.由于本发明所提供的技术方案对算法中的交并比等部分参数进行统计分析，因此，相比于现有技术所采用的仿真、数据标注或同步采集到的理论真值数据等方式，极大降低了人工成本和时间成本。
43.并且，本发明还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任意一项所述的算法检测方法。
44.同时，一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的算法检测方法。
45.本发明的这些特点和优点将会在下面的具体实施方式以及附图中进行详细的揭露。本发明最佳的实施方式或手段将结合附图来详尽表现，但并非是对本发明技术方案的限制。另外，在每个下文和附图中出现的这些特征、要素和组件是具有多个，并且为了表示方便而标记了不同的符号或数字，但均表示相同或相似构造或功能的部件。
附图说明
46.下面结合附图对本发明作进一步说明：
47.图1为本发明实施例的流程图；
48.图2为本发明实施例中鸟瞰动态图。
具体实施方式
49.下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终
相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。基于实施方式中的实施例，旨在用于解释本发明，而不能理解为对本发明的限制。
50.在本说明书中引用的“一个实施例”或“实例”或“例子”意指结合实施例本身描述的特定特征、结构或特性可被包括在本专利公开的至少一个实施例中。短语“在一个实施例中”在说明书中的各位置的出现不必都是指同一个实施例。
51.实施例：
52.本实施例提供了一种算法检测方法，用于检测带有自动驾驶功能的车辆的感知系统的算法。自动驾驶的车辆的感知系统包括视觉传感器、激光雷达和毫米波雷达，用于对车辆周围环境进行感知，为自动驾驶提供决策依据。换言之，应用于车辆感知系统的新的算法在投入使用之前，由本实施例所提供的算法检测方法检测该算法对其上下游已有的算法或已有的硬件产生的影响。
53.如图1所示，本实施例所提供的算法检测方法包括如下步骤：
54.分别获取视觉传感器、激光雷达和毫米波雷达的感知目标的数据。
55.对感知目标的数据进行融合处理，形成融合目标、视觉航迹以及激光雷达航迹。这一步骤包括如下子步骤：
56.判断获取感知目标的数据是否存在异常并剔除。在本实施例中，感知目标的数据从上游获取时即带有是否异常的字段，因此，对于数据的异常与否，直接通过字段即可判断。
57.进行融合处理时，始终按照激光雷达、视觉传感器、毫米波雷达的顺序依次处理。对于首帧感知目标的数据，由激光雷达起始一个航迹，而后判断视觉传感器的信号与激光雷达起始的航迹是否相关联，如果相关联，则进行激光雷达数据关联，如果无关联，则由视觉传感器重新起始一个航迹；而后判断毫米波雷达与激光雷达数据关联后的航迹或视觉传感器重新起始的航迹是否关联，如果相关联，进行下一步，如果无关联，则重新起始一个航迹；
58.首帧之后，对每一帧感知目标的数据循环如下操作：卡尔曼滤波预测，激光雷达数据关联，视觉传感器数据关联，毫米波雷达数据关联。激光雷达数据关联为计算航迹与激光雷达的感知目标的加权平均值，加权平均值为感知目标的横、纵向距离以及横、纵向速度的加权平均值。而后采用匈牙利匹配算法对两者进行配对；视觉传感器数据关联为计算航迹与视觉传感器的感知目标的加权平均值，加权平均值为感知目标的横、纵向距离以及横、纵向速度的加权平均值，而后采用匈牙利匹配算法对两者进行配对；毫米波雷达数据关联为计算航迹与毫米波雷达的感知目标的加权平均值，加权平均值为感知目标的横、纵向距离以及横、纵向速度的加权平均值，而后采用最近邻配对算法对两者进行配对。本实施例中，计算加权平均值时，各个权重由本领域技术人员根据车型、车辆配置的不同灵活选取，此为本领域的领域通用技术，此处不再赘述。匈牙利匹配算法和最近邻配对算法亦为本领域的通用技术含义之算法。
59.循环结束输出的航迹为融合目标，激光雷达的感知目标经过数据关联形成激光雷达航迹，视觉传感器的感知目标经过数据关联形成视觉航迹。
60.分别计算每一帧感知目标的数据第一交并比和第二交并比。交并比的计算方式为本领域的通用计算方式，即：
[0061][0062]
其中，a和b分别为两个不同的目标框。第一交并比为视觉航迹的目标框与融合目标的目标框之间的交并比，第二交并比为激光雷达航迹的目标框和融合目标的目标框之间交并比。本实施例中，视觉航迹的目标框和激光雷达航迹的目标框分别由视觉航迹和激光雷达航迹直接获取，而融合目标的目标框，则由本领与技术人员根据不同车型，对形成融合目标的视觉传感器、激光雷达和毫米波雷达的感知目标的数据加权求取。
[0063]
计算每一帧感知目标的数据第一交并比和第二交并比时，由于融合目标未必会关联所有传感器信号，因此，如果在当前帧融合目标与视觉传感器无关联，则第一交并比为-1，如果在当前帧融合目标与激光雷达无关联，则第二交并比为-1。
[0064]
根据如下条件对感知目标进行过滤：
[0065]
纵向位置大于80米或小于-50米的感知目标。这部分感知目标，受限于传感器的性能，在实际运行中往往并不准确。因此，采用这部分感知目标来衡量整个感知系统的性能，会出现较大偏差。
[0066]
横向位置大于8米或小于-8米的感知目标。由于下游的规划控制和目标行为预测对这部分感知目标的关注度较低，所以这部分感知目标对车辆行驶几乎不存在影响，因此予以过滤。
[0067]
融合目标的目标框长度小于1米的感知目标以及融合目标的目标框宽度小于1米的感知目标。经由大量数据统计发现，小尺寸目标的识别，其跟踪和融合对各种传感器性能要求较高。因此，当传感器性能受限，即无法达到交并比较高的精度时，该传感器的输出结果需要被持续关注及优化。此非本实施例的技术方案的范畴，因此可暂不关注这部分的相关信息。
[0068]
除前述过滤条件外，针对激光雷达的感知目标，还需要过滤掉激光雷达的感知目标与融合目标的横向距离差的绝对值大于0.8的感知目标。其原因在于，在激光雷达的感知目标和融合目标的交并比小于0.5的情况中，为避免车辆压线违章，来自视觉传感器的横向距离在进行融合处理时会被优先考虑。车道线信息来源于视觉传感器，如果视觉传感器的信号和激光雷达的信号产生偏差，采用激光雷达的横向距离所融合的融合目标，会时长有压车道线的情况出现。这将对下游规控造成困扰。同时，如需衡量激光雷达和视觉传感器之间的误差情况，还可统计由于横向距离差被过滤出的数据占总数据的比例。根据前述过滤条件，筛选出由于传感器能力制约的情形，以及传感器端暂时无法解决的性能优化情形，有效的反应自动驾驶系统在真实复杂场景中的感知能力。
[0069]
除上述条件外，还需过滤掉第一交并或第二交并比为-1的感知目标。
[0070]
完成过滤后，对过滤后得到的感知目标对应的第一交并比和第二交并比进行统计计算，具体为，分别对第一交并比和第二交并比计算概率分布、概率密度分布、目标框型分布、中位数、平均数、标准差以及90％分位点。本实施例中，90％分位点为数值由大到小依次排列的90％的分位点。
[0071]
根据统计计算的结果获取检测结果。在这一步骤中，需要用到已有的数据和新采集的数据，包括如下子步骤：
[0072]
基于已有数据确定检测基准。检测标准即benchmark，其制定由本领域技术人员基
于已有算法、现有车辆硬件，结合自动驾驶行业标准而制定，此为现有技术，此处不再赘述。
[0073]
采用已有数据运行被检测的算法，运行结果与已有数据的检测基准比对，如果运行结果相比已有数据的检测基准出现下降，则被检测的算法对当前车辆的软件和/或硬件起到负向作用，说明被检测的算法或策略可能与已有的算法或已有的硬件产生矛盾，因此需要对被检测的算法进行调整；如果运行结果相比已有数据的检测基准出现上升，则被检测的算法对当前车辆的软件和/或硬件起到正向作用，因此更新检测基准；
[0074]
循环如下步骤，直至所有新采集的数据由被检测的算法运行：
[0075]
采用新采集的数据运行被检测的算法，并与更新后的检测基准比对，如果运行结果相比更新后的检测基准出现下降，则被检测的算法对当前车辆的软件和/或硬件起到负向作用；如果运行结果相比更新后的检测基准出现上升，则被检测的算法对当前车辆的软件和/或硬件起到正向作用，更新检测基准。可见，本实施例所提供的技术方案，在检测算法同时，还能对数据进行验证，实现数据、算法的闭环检测。
[0076]
获取被检测的算法运行第一交并比的90％分位点、平均数点和中位数点的结果和运行第二交并比的90％分位点、平均数点和中位数点的结果。90％分位点值越大，自动驾驶的感知系统的效果越好。而前述运行结果，与更新后的检测基准比对，如果运行结果相比更新后的基均准出现上升，则被检测的算法对当前车辆的软件和/或硬件起到正向作用，如果任意一项运行结果相比更新后的检测基准出现下降，则被检测的算法对当前车辆的软件和/或硬件起到负向作用。
[0077]
可见，本实施例通过对算法中的交并比等部分参数进行统计分析，不仅可以挖掘感知系统潜在的性能缺陷，有效的反应自动驾驶系统在真实复杂场景中的感知能力，更能准确获知新的算法对其上下游的影响。
[0078]
同时，计算小于0.3的第一交并比或第二交并比与融合目标的目标框的长度或宽度小于1米的第一交并比和第二交并比的比例。小于0.3的第一交并比或第二交并比的目标为体积较小的目标，而比例越小，意味着对于小目标的识别越精准，再次证明了本实施例所提供的技术方案能够有效的反应自动驾驶系统在真实复杂场景中的感知能力。
[0079]
对第一交并比或第二交并比小于0.5的感知目标，基于鸟瞰动态图定位现有算法系统的缺陷。如图2所示的航迹图，包含各种传感器和融合目标的横、纵向位置，横、纵向速度，横、纵向加速度的散点图。图2中，融合目标跟随前向毫米波雷达信号，而在2025帧之后激光雷达信号、视觉传感器信号和毫米波雷达信号分裂成不同运动状态的信号，因此导致其第一交并比和第二交并比均较低。由此判断，此时视觉传感器的信号、激光雷达的信号已和毫米波雷达信号不同属于同一个物体，因此应及早断开关联，以免影响和干扰融合目标的状态更新。而如果自车的融合航迹的交并比较小，说明此时视觉传感器信号已处于毫米波雷达信号形成的栅栏中，视觉传感器信号存在明显的偏差，因此此时应由视觉传感器识别跟踪来解决识别距离问题。
[0080]
本实施例所提供的算法检测方法还包括获取融合目标的相关信息这一步骤。所获取的相关信息在对被检测的算法的某一指标进行分析时，可作为过滤条件。因此，这一步骤在本实施例所提供的算法检测方法中并无特定的步骤顺序。所获取的相关信息包括：时间戳、帧序数、传感器id、横纵向位置、感知目标的长度、感知目标的宽度、航向角以及目标类别。
[0081]
由于本实施例所提供的技术方案对算法中的交并比等部分参数进行统计分析，因此，相比于现有技术所采用的仿真、数据标注或同步采集到的理论真值数据等方式，极大降低了人工成本和时间成本。
[0082]
与此同时，本实施例还提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述算法检测方法的步骤。此处速度规划方法的步骤可以是上述各个实施例的内存分析方法中的步骤。
[0083]
本领域普通技术人员可以理解,实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。据此，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可实现上述任意一项实施例的方法。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)以及存储器总线动态ram(rdram)等。
[0084]
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，熟悉该本领域的技术人员应该明白本发明包括但不限于附图和上面具体实施方式中描述的内容。任何不偏离本发明的功能和结构原理的修改都将包括在权利要求书的范围中。

技术特征：
1.一种算法检测方法，用于检测带有自动驾驶功能的车辆的感知系统的算法，其特征在于，所述算法检测方法包括如下步骤：分别获取视觉传感器、激光雷达和毫米波雷达的感知目标的数据；对感知目标的数据进行融合处理，形成融合目标、视觉航迹以及激光雷达航迹；分别计算每一帧感知目标的数据的第一交并比和第二交并比，所述第一交并比为视觉航迹的目标框与融合目标的目标框之间的交并比，所述第二交并比为激光雷达航迹的目标框和融合目标的目标框之间交并比；对感知目标进行过滤，对过滤后得到的感知目标对应的第一交并比和第二交并比进行统计计算；根据统计计算的结果获取检测结果。2.根据权利要求1所述的算法检测方法，其特征在于，对过滤后得到的感知目标对应的第一交并比和第二交并比进行统计计算包括：对第一交并比计算概率分布、概率密度分布、目标框型分布、中位数、平均数、标准差以及90％分位点；对第二交并比计算概率分布、概率密度分布、目标框型分布、中位数、平均数、标准差以及90％分位点。3.根据权利要求2所述的算法检测方法，其特征在于，根据统计计算的结果获取检测结果包括如下步骤：基于已有数据确定检测基准；采用已有数据运行被检测的算法，运行结果与已有数据的检测基准比对，如果运行结果相比已有数据的检测基准出现下降，则被检测的算法对当前车辆的软件和/或硬件起到负向作用；如果运行结果相比已有数据的检测基准出现上升，则被检测的算法对当前车辆的软件和/或硬件起到正向作用，更新检测基准；循环如下步骤，直至所有新采集的数据由被检测的算法运行：采用新采集的数据运行被检测的算法，并与更新后的检测基准比对，如果运行结果相比更新后的检测基准出现下降，则被检测的算法对当前车辆的软件和/或硬件起到负向作用；如果运行结果相比更新后的检测基准出现上升，则被检测的算法对当前车辆的软件和/或硬件起到正向作用，更新检测基准；获取被检测的算法运行第一交并比的90％分位点、平均数点和中位数点的结果和运行第二交并比的90％分位点、平均数点和中位数点的结果，与更新后的检测基准比对，如果运行结果相比更新后的基均准出现上升，则被检测的算法对当前车辆的软件和/或硬件起到正向作用，如果任意一项运行结果相比更新后的检测基准出现下降，则被检测的算法对当前车辆的软件和/或硬件起到负向作用。4.根据权利要求1所述的算法检测方法，其特征在于，根据统计计算的结果获取检测结果还包括：计算小于0.3的第一交并比或第二交并比与融合目标的目标框的长度或宽度小于1米的第一交并比和第二交并比之间的比例。5.根据权利要求1所述的算法检测方法，其特征在于，根据统计计算的结果获取检测结果还包括，对第一交并比或第二交并比小于0.5的感知目标，基于鸟瞰动态图定位现有算法
系统的缺陷。6.根据权利要求1至5之一所述的算法检测方法，其特征在于，对感知目标的数据进行融合处理包括如下步骤：判断获取感知目标的数据是否存在异常并剔除；对于首帧感知目标的数据，由激光雷达起始一个航迹，而后判断视觉传感器的信号与激光雷达起始的航迹是否相关联，如果相关联，则进行激光雷达数据关联，如果无关联，则由视觉传感器重新起始一个航迹；而后判断毫米波雷达与激光雷达数据关联后的航迹或视觉传感器重新起始的航迹是否关联，如果相关联，进行下一步，如果无关联，则重新起始一个航迹；首帧之后，对每一帧感知目标的数据循环如下操作：卡尔曼滤波预测，激光雷达数据关联，视觉传感器数据关联，毫米波雷达数据关联；循环结束输出的航迹为融合目标，激光雷达的感知目标经过数据关联形成激光雷达航迹，视觉传感器的感知目标经过数据关联形成视觉航迹。7.根据权利要求6所述的算法检测方法，其特征在于，激光雷达数据关联为计算航迹与激光雷达的感知目标的加权平均值，所述加权平均值为感知目标的横、纵向距离以及横、纵向速度的加权平均值，而后采用匈牙利匹配算法对两者进行配对；视觉传感器数据关联为计算航迹与视觉传感器的感知目标的加权平均值，所述加权平均值为感知目标的横、纵向距离以及横、纵向速度的加权平均值，而后采用匈牙利匹配算法对两者进行配对；毫米波雷达数据关联为计算航迹与毫米波雷达的感知目标的加权平均值，所述加权平均值为感知目标的横、纵向距离以及横、纵向速度的加权平均值，而后采用最近邻配对算法对两者进行配对。8.根据权利要求6所述的算法检测方法，其特征在于，计算每一帧感知目标的数据第一交并比和第二交并比时，如果在当前帧融合目标与视觉传感器无关联，则第一交并比为-1，如果在当前帧融合目标与激光雷达无关联，则第二交并比为-1。9.根据权利要求1至5之一所述的算法检测方法，其特征在于，对感知目标进行过滤包括如下过滤条件：纵向位置大于80米或小于-50米的感知目标；横向位置大于8米或小于-8米的感知目标；融合目标的目标框长度小于1米的感知目标；融合目标的目标框宽度小于1米的感知目标；第一交并或第二交并比为-1的感知目标。10.根据权利要求9所述的算法检测方法，其特征在于，对感知目标进行过滤还包括如下过滤条件：对于激光雷达的感知目标，过滤激光雷达的感知目标与融合目标的横向距离差的绝对值大于0.8的感知目标。11.根据权利要求1至5之一所述的算法检测方法，其特征在于，所述算法检测方法还包括，获取融合目标的相关信息，所述相关信息包括：时间戳、帧序数、传感器id、横纵向位置、感知目标的长度、感知目标的宽度、航向角以及目标类别。
12.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至11中任意一项所述的算法检测方法。13.一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11中任意一项所述的算法检测方法。

技术总结
本发明公开了一种算法检测方法、计算机设备及可读存储介质，涉及自动驾驶技术领域，用于检测带有自动驾驶功能的车辆的感知系统的算法，包括如下步骤：分别获取视觉传感器、激光雷达和毫米波雷达的感知目标的数据，并进行融合处理，形成融合目标、视觉航迹以及激光雷达航迹；对每一帧感知目标计算视觉航迹的目标框与融合目标的目标框之间的交并比和激光雷达航迹的目标框和融合目标的目标框之间交并比；对感知目标进行过滤，对过滤后得到的感知目标对应的两个交并比进行统计计算；根据统计计算的结果获取检测结果。本发明可判断出车辆感知系统的算法对其上下游的影响。系统的算法对其上下游的影响。系统的算法对其上下游的影响。


技术研发人员：徐崇超 时光明
受保护的技术使用者：浙江零跑科技股份有限公司
技术研发日：2023.06.30
技术公布日：2023/10/6