一种目标车辆静止状态的判断方法及装置与流程

1.本技术属于智能车辆领域，尤其涉及一种目标车辆静止状态的判断方法及装置。


背景技术：

2.随着智能车辆的快速发展，对智能驾驶功能的要求越来越高，也对智能驾驶场景下的车辆的状态及功能要求越来越高。当自车在智能驾驶状态下，需要对自车及其目标车辆或者其他物体进行静止或运动状态的判断，以获得较为精确的智能驾驶场景参数，以辅助自车完成变道、加速等操作或者上传至云端以为其他车辆提供较好的数据支撑。
3.然而，现有技术中，以目标车辆静止状态的判断为例，仍存在对其目标车辆静止状态判断方式单一、判断结果误差较大等问题。
4.因此，现有技术还有待于进一步的发展。


技术实现要素：

5.为了解决判断方式单一、判断结果误差较大等问题，本技术提出一种目标车辆静止状态的判断方法及装置，可以提高对目标车辆静止状态的判断精度，通过三种目标车辆静态概率的计算方式，提高了在速度、距离以及碰撞时间等不同渠道的静止状态的多元验证效率。
6.如图1所示，本技术第一方面，提供一种目标车辆静止状态的判断方法，包括：基于自车与目标车辆的相对速度获取第一静止概率；基于自车与目标车辆的相对距离获取第二静止概率；基于自车对目标车辆的碰撞时间获取第三静止概率；将所述第一静止概率、所述第二静止概率和所述第三静止概率处理生成最优静止概率，若所述最优静止概率大于预设概率，则基于所述最优静止概率判断目标车辆的静止状态。
7.可选的，所述若所述最优静止概率大于预设概率时，还包括：判断所述最优静止概率是否满足预设采样步长，所述预设采样步长包括多个连续1个采样步长，所述1个采样步长为20ms-100ms；若所述最优静止概率大于预设概率，且满足预设采样步长，则输出所述最优静止概率为目标车辆静止概率；若所述最优静止概率大于预设概率，但不满足预设采样步长，则输出目标车辆静止概率为0。
8.可选的，若所述最优静止概率小于预设概率，则输出目标车辆静止概率为0。
9.所述基于自车与目标车辆的相对速度获取第一静止概率，包括：步骤s11：获取自车与目标车辆的相对速度的绝对值；步骤s12：将所述自车与目标车辆的相对速度的绝对值进行滤波，生成滤波绝对值；
步骤s13：计算自车速度和所述滤波绝对值的差值diff；步骤s14：将所述差值diff进行滤波并取所述差值diff的绝对值|diff|，令|diff|为第一静止概率输入值；将所述第一静止概率输入值输入正态分布密度函数获取第一静止概率。
10.可选的，所述滤波方式为低通滤波。
11.可选的，所述将所述第一静止概率输入值输入正态分布密度函数获取第一静止概率，包括：令diff＝x-μ，正态分布密度函数当diff0＝0时，第一静止概率prob10＝1，得到第一静止概率的正态分布密度函数系数，即：因此，第一静止概率
12.基于所述自车与目标车辆的相对距离获取第二静止概率，包括：获取自车与目标车辆第一时刻的相对距离dx
pre
；获取自车与目标车辆第二时刻的相对距离dx；获取所述第一时刻和所述第二时刻的时间间隔δt；基于所述自车与目标车辆第一时刻的相对距离、所述自车与目标车辆第二时刻的相对距离和所述时间间隔得到自车与目标车辆的相对速度relv，令relv＝x
2-μ2为第二静止概率的输入值；将所述第二静止概率输入值输入正态分布密度函数获取第二静止概率。
13.可选的，所述将所述第二静止概率输入值输入正态分布密度函数获取第二静止概率，还包括：令relv＝x-μ，正态分布密度函数当relv0＝0时，第二静止概率prob20＝1，得到第二静止概率的正态分布密度函数系数，即：因此，第二静止概率
14.可选的，基于自车对目标车辆的碰撞时间获取第三静止概率，包括：获取自车与目标车辆的第一相对距离dyor；
对所述目标车辆的碰撞时间处理获得碰撞时间绝对值；将所述碰撞时间绝对值与自车车速相乘获得自车与目标车辆的第二相对距离dy；将所述自车与目标车辆的第一相对距离dyor与所述自车与目标车辆的相对距离dy作差并取绝对值得到|dyor-dy|＝ddiff，令ddiff为第三静止概率的输入值；将所述第三静止概率输入值输入正态分布密度函数获取第三静止概率。
15.可选的，所述将所述第三静止概率输入值输入正态分布密度函数获取第三静止概率，还包括：令ddiff＝x-μ，正态分布密度函数当ddiff0＝0时，第一静止概率prob30＝1，得到第一静止概率的正态分布密度函数系数，即：因此，第三静止概率
16.可选的，基于自车对目标车辆的碰撞时间获取第三静止概率，还包括：对所述目标车辆的碰撞时间处理获得碰撞时间绝对值之前对所述目标车辆的碰撞时间进行低通滤波处理和/或将所述碰撞时间绝对值与自车车速相乘获得自车与目标车辆的第二相对距离dy之后对所述自车与目标车辆的第二相对距离dy进行低通滤波处理。
17.可选的，所述将所述第一静止概率、所述第二静止概率和所述第三静止概率处理生成最优静止概率，若所述最优静止概率大于预设概率，则输出所述最优静止概率为目标车辆静止概率，包括：选择所述第一静止概率、所述第二静止概率和所述第三静止概率中的最大概率并进行滤波获得最大滤波概率，若所述最大滤波概率满足最大滤波阈值，则所述最大滤波概率为最优静止概率。
18.本技术的第二方面，提供一种目标车辆静止状态的判断装置，包括：第一获取模块，至少用于基于自车与目标车辆的相对速度获取第一静止概率；第二获取模块，至少用于基于自车与目标车辆的相对距离获取第二静止概率；第三获取模块，至少用于基于自车对目标车辆的碰撞时间获取第三静止概率；判断模块，至少用于将所述第一静止概率、所述第二静止概率和所述第三静止概率处理生成最优静止概率，若所述最优静止概率大于预设概率，则基于所述最优静止概率判断目标车辆的静止状态。
19.本技术的第三方面，提供一种可读存储介质，其上存储有计算机程序，，该程序被处理器执行时实现如本技术第一方面所述的判断方法。
20.本技术提高了智能驾驶车辆以及智能驾驶功能中对于目标车辆静止状态的判断的要求，也提供了目标车辆静止状态的概率的计算及处理方法，提高了对于目标车辆静止
状态计算的精确度，为后续针对自车及整体智能驾驶功能的研究、决策、规划和预判断提供了较好的参考价值。
附图说明
21.图1示出了本技术一实施例中一种目标车辆静止状态的判断方法的流程示意图；图2示出了本技术一实施例中又一目标车辆静止状态的判断方法的流程示意图；图3示出了本技术一实施例中又一目标车辆静止状态的判断方法的流程示意图；图4示出了本技术一实施例中又一目标车辆静止状态的判断方法的流程示意图；图5示出了本技术一实施例中一种目标车辆静止状态的判断装置的组成结构图。
具体实施方式
22.下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域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，都属于本发明保护的范围。
23.对目标车辆静止状态的判断对智能驾驶系统以及无人车系统具有十分重要的积极作用，可以帮助自车进行路径规划及运动建模，也可以辅助自车或者其他车辆完成其他的智能决策行为以及避障避险规划。
24.随着汽车技术、传感器技术、控制技术以及人工智能技术的发展，针对目标车辆的检测的方式方法呈现多样化的检测状态。
25.如图1所示，本技术的第一方面，提供一种目标车辆静止状态的判断方法，包括：步骤s1：基于自车与目标车辆的相对速度获取第一静止概率；步骤s2：基于自车与目标车辆的相对距离获取第二静止概率；步骤s3：基于自车对目标车辆的碰撞时间获取第三静止概率。
26.具体的，自车以及目标车辆的相对速度可以通过自适应巡航得到，是一种较为容易获取的参数。
27.自车与目标车辆的相对距离可以通过毫米波雷达、激光雷达、摄像头、超声波传感器、红外传感器、多传感器融合算法等获取；自车与目标车辆的ttc(time to collision，碰撞时间)的一种计算方法中，通过关键点估计目标车辆的尺寸变化，建立目标车辆运动模型，利用卡尔曼滤波跟踪目标车辆运动模型参数，并采用策略融合多种运动模型的计算结果获得。
28.需要理解的是自车与目标车辆的相对速度、自车与目标车辆的相对距离以及自车对目标车辆的碰撞时间均为现有技术可以获得的，不再一一赘述。
29.步骤s4：将所述第一静止概率、所述第二静止概率和所述第三静止概率处理生成最优静止概率，若所述最优静止概率大于预设概率，则基于所述最优静止概率判断目标车辆的静止状态。
30.由于第一静止概率、第二静止概率和第三静止概率为目标车辆静止状态的三种结果，为了提高对于目标车辆静止状态的判断精度，需要参考第一静止概率、第二静止概率和第三静止概率生成最优静止概率，其中处理的方式也可以采用现有技术存在的方式，例如
求取第一静止概率、第二静止概率和第三静止概率的平均值、中位数、最大值、最小值并进行滤波处理，或者采用调参的方式将第一静止概率、第二静止概率和第三静止概率带入参数模型中，生成最优静止概率。
31.其中，生成最优静止概率的一种方式为选择所述第一静止概率、所述第二静止概率和所述第三静止概率中的最大概率并进行滤波获得最大滤波概率，若所述最大滤波概率满足最大滤波阈值，则所述最大滤波概率为最优静止概率。
32.在此，通过该方式，以现有技术中较为准确获取的自车与目标车辆的相对速度、自车与目标车辆的相对距离以及自车对目标车辆的碰撞时间为计算起始值，分别提高了对第一静止概率、第二静止概率和第三静止概率的计算精度，且通过处理生成的最优静止概率也进一步的提高了对于目标车辆静止状态的判断精度。
33.此外，为了对实际的目标车辆静止状态进行判断，还设置了预设概率作为最优静止概率的参照依据，其中预设概率可以根据实际的驾驶路况及自车和目标车辆的参数进行调整，如预设概率可以设置为30％、40％、60％等，以提高对于目标车辆静止状态的判断准确度。
34.在本技术一实施中，所述若所述最优静止概率大于预设概率时，还包括：判断所述最优静止概率是否满足预设采样步长，所述预设采样步长包括多个连续1个采样步长，所述1个采样步长为20ms-100ms；若所述最优静止概率大于预设概率，且满足预设采样步长，则输出所述最优静止概率为目标车辆静止概率。
35.具体的，采样步长是判断目标车辆静止状态的稳定性的一种方式，例如可以设置最优静止概率在大于预设概率的前提下，还要满足三个采样步长，以预设概率40％，每个采样步长为150ms计算，需要满足，最优静止概率在450ms内都是大约40％的。
36.在本技术一实施例中，若所述最优静止概率大于预设概率，但不满足预设采样步长，则输出目标车辆静止概率为0；若所述最优静止概率小于预设概率，则输出目标车辆静止概率为0。
37.在此，通过该方式，可以将最优静止概率量化分析，若最优静止概率比预设概率低，则判断目标车辆不存在静止状态。
38.优选的，在对最优静止概率与预设概率判断前，可以进行低通滤波以排除无关信号的干扰，提高对目标车辆静止状态的判断精确度。
39.如图2所示，在本技术一实施例中，所述基于自车与目标车辆的相对速度获取第一静止概率，包括：步骤s11：获取自车与目标车辆的相对速度的绝对值，自车以及目标车辆的相对速度可以通过自适应巡航得到，是一种较为容易获取的参数。通过获取自车与目标车辆的相对速度的绝对值的方式来统一自车相对于目标车辆做相对减速或相对加速的状态。步骤s12：将所述自车与目标车辆的相对速度的绝对值进行滤波，生成滤波绝对值，在此，可以通过低通滤波的方式，来提高自车与目标车辆的相对速度的绝对值的精度，将过滤后的值称为滤波绝对值。步骤s13：计算自车速度和所述滤波绝对值的差值diff；步骤s14：将所述差值diff进行滤波并取所述差值diff的绝对值|diff|，令|diff|
为第一静止概率输入值；具体的，差值diff用来表征自车速度和相对速度的差值，在此，对差值diff进行滤波并取所述差值diff的绝对值|diff|仅是获取|diff|的第一种方式，其滤波方式为低通滤波，此外，第二种方式为对diff取绝对值后再进行滤波，滤波方式也可以为低通滤波。
40.将所述第一静止概率输入值输入正态分布密度函数获取第一静止概率。
41.具体的，正态分布密度函数可以满足本技术中对目标车辆静置状态的判断要求，正态分布函数也是较为常规的一种计算概率的方式，但正态分布概率密度函数仅为本技术的一种计算概率密度的工具，其他密度分布函数如泊松分布等若也可以满足本技术中对目标车辆静置状态的判断要求，也属于本技术所保护的范围。
42.具体的，所述将所述第一静止概率输入值输入正态分布密度函数获取第一静止概率，包括：令diff＝x-μ，正态分布密度函数当diff0＝0时，第一静止概率prob10＝1，得到第一静止概率的正态分布密度函数系数，即：因此，第一静止概率
43.在此，通过该方式，可以计算自车与目标车辆的相对速度的情况下，第一静止概率的数值。
44.如图3所示，在本技术一实施例中，基于所述自车与目标车辆的相对距离获取第二静止概率，包括：步骤s21：获取自车与目标车辆第一时刻的相对距离dx
pre
；步骤s22：获取自车与目标车辆第二时刻的相对距离dx；步骤s23：获取所述第一时刻和所述第二时刻的时间间隔δt；具体的，自车与目标车辆第一时刻的相对距离dx
pre
，自车与目标车辆第二时刻的相对距离dx以及所述第一时刻和所述第二时刻的时间间隔δt均可以通过自适应巡航系统或者通过毫米波雷达、激光雷达、摄像头、超声波传感器、红外传感器、多传感器融合算法等获取。步骤s24：基于所述自车与目标车辆第一时刻的相对距离、所述自车与目标车辆第二时刻的相对距离和所述时间间隔得到自车与目标车辆的相对速度relv，relv＝(dx-dx
pre
)/δt；令relv＝x
2-μ2为第二静止概率的输入值；步骤s25：将所述第二静止概率输入值输入正态分布密度函数获取第二静止概率。具体的，所述将所述第二静止概率输入值输入正态分布密度函数获取第二静止概率，还包括：令relv＝x-μ，正态分布密度函数
当relv0＝0时，第二静止概率prob20＝1，得到第二静止概率的正态分布密度函数系数，即：因此，第二静止概率
45.在此，通过该方式，可以计算自车与目标车辆的相对速度的情况下，第二静止概率的数值。
46.如图4所示，在本技术一实施例中，基于自车对目标车辆的碰撞时间获取第三静止概率，包括：步骤s31：获取自车与目标车辆的第一相对距离dyor，需要理解的是，自车与目标车辆的第一相对距离dyor与本技术中自车与目标车辆第一时刻的相对距离dx
pre
或者自车与目标车辆第二时刻的相对距离dx的获取方式相同们再次不再赘述。步骤s32：对所述目标车辆的碰撞时间处理获得碰撞时间绝对值，自车与目标车辆的ttc(time to collision，碰撞时间)的一种计算方法中，通过关键点估计目标车辆的尺寸变化，建立目标车辆运动模型，利用卡尔曼滤波跟踪目标车辆运动模型参数，并采用策略融合多种运动模型的计算结果获得。步骤s33：将所述碰撞时间绝对值与自车车速相乘获得自车与目标车辆的第二相对距离dy；步骤s34：将所述自车与目标车辆的第一相对距离dyor与所述自车与目标车辆的相对距离dy作差并取绝对值得到|dyor-dy|＝ddiff，令ddiff为第三静止概率的输入值；步骤s35：将所述第三静止概率输入值输入正态分布密度函数获取第三静止概率。
47.具体的，所述将所述第三静止概率输入值输入正态分布密度函数获取第三静止概率，还包括：令ddiff＝x-μ，正态分布密度函数当ddiff0＝0时，第一静止概率prob30＝1，得到第一静止概率的正态分布密度函数系数，即：因此，第三静止概率
48.在此，通过该方式，可以计算自车与目标车辆的相对速度的情况下，第三静止概率的数值。
49.进一步的，基于自车对目标车辆的碰撞时间获取第三静止概率，还包括：对所述目标车辆的碰撞时间处理获得碰撞时间绝对值之前对所述目标车辆的碰
撞时间进行低通滤波处理和/或将所述碰撞时间绝对值与自车车速相乘获得自车与目标车辆的第二相对距离dy之后对所述自车与目标车辆的第二相对距离dy进行低通滤波处理。
50.在此，通过低通滤波的方式提高对于目标车辆静止状态判断的精确性。
51.如图5所示，本技术的二方面提供一种目标车辆静止状态的判断装置，包括：第一获取模块41，至少用于基于自车与目标车辆的相对速度获取第一静止概率；第二获取模块42，至少用于基于自车与目标车辆的相对距离获取第二静止概率；第三获取模块43，至少用于基于自车对目标车辆的碰撞时间获取第三静止概率；判断模块44，至少用于将所述第一静止概率、所述第二静止概率和所述第三静止概率处理生成最优静止概率，若所述最优静止概率大于预设概率，则基于所述最优静止概率判断目标车辆的静止状态。
52.可选的，所述若所述最优静止概率大于预设概率时，还包括：判断所述最优静止概率是否满足预设采样步长，所述预设采样步长包括多个连续1个采样步长，所述1个采样步长为20ms-100ms；若所述最优静止概率大于预设概率，且满足预设采样步长，则输出所述最优静止概率为目标车辆静止概率；若所述最优静止概率大于预设概率，但不满足预设采样步长，则输出目标车辆静止概率为0。
53.可选的，若所述最优静止概率小于预设概率，则输出目标车辆静止概率为0。
54.可选的，所述基于自车与目标车辆的相对速度获取第一静止概率，包括：获取自车与目标车辆的相对速度的绝对值；将所述自车与目标车辆的相对速度的绝对值进行滤波，生成滤波绝对值；计算自车速度和所述滤波绝对值的差值diff；将所述差值diff进行滤波并取所述差值diff的绝对值|diff|，令|diff|为第一静止概率输入值；将所述第一静止概率输入值输入正态分布密度函数获取第一静止概率。
55.可选的，所述滤波方式为低通滤波。
56.可选的，所述将所述第一静止概率输入值输入正态分布密度函数获取第一静止概率，包括：令diff＝x-μ，正态分布密度函数当diff0＝0时，第一静止概率prob10＝1，得到第一静止概率的正态分布密度函数系数，即：因此，第一静止概率
57.可选的，基于所述自车与目标车辆的相对距离获取第二静止概率，包括：获取自车与目标车辆第一时刻的相对距离dx
pre
；获取自车与目标车辆第二时刻的相对距离dx；获取所述第一时刻和所述第二时刻的时间间隔δt；基于所述自车与目标车辆第一时刻的相对距离、所述自车与目标车辆第二时刻的相对距离和所述时间间隔得到自车与目标车辆的相对速度relv，令relv＝x
2-μ2为第二静止概率的输入值；将所述第二静止概率输入值输入正态分布密度函数获取第二静止概率。
58.可选的，所述将所述第二静止概率输入值输入正态分布密度函数获取第二静止概率，还包括：令relv＝x-μ，正态分布密度函数当relv0＝0时，第二静止概率prob20＝1，得到第二静止概率的正态分布密度函数系数，即：因此，第二静止概率
59.可选的，基于自车对目标车辆的碰撞时间获取第三静止概率，包括：获取自车与目标车辆的第一相对距离dyor；对所述目标车辆的碰撞时间处理获得碰撞时间绝对值；将所述碰撞时间绝对值与自车车速相乘获得自车与目标车辆的第二相对距离dy；将所述自车与目标车辆的第一相对距离dyor与所述自车与目标车辆的相对距离dy作差并取绝对值得到|dyor-dy|＝ddiff，令ddiff为第三静止概率的输入值；将所述第三静止概率输入值输入正态分布密度函数获取第三静止概率。
60.可选的，所述将所述第三静止概率输入值输入正态分布密度函数获取第三静止概率，还包括：令ddiff＝x-μ，正态分布密度函数当ddiff0＝0时，第一静止概率prob30＝1，得到第一静止概率的正态分布密度函数系数，即：因此，第三静止概率
61.可选的，基于自车对目标车辆的碰撞时间获取第三静止概率，还包括：对所述目标车辆的碰撞时间处理获得碰撞时间绝对值之前对所述目标车辆的碰撞时间进行低通滤波处理和/或将所述碰撞时间绝对值与自车车速相乘获得自车与目标车辆的第二相对距离dy之后对所述自车与目标车辆的第二相对距离dy进行低通滤波处理。
62.可选的，所述将所述第一静止概率、所述第二静止概率和所述第三静止概率处理生成最优静止概率，若所述最优静止概率大于预设概率，则输出所述最优静止概率为目标车辆静止概率，包括：选择所述第一静止概率、所述第二静止概率和所述第三静止概率中的最大概率并进行滤波获得最大滤波概率，若所述最大滤波概率满足最大滤波阈值，则所述最大滤波概率为最优静止概率。其中，最大滤波阈值为经验阈值，可以通过标定获得，例如可以这是最大滤波阈值为0.4，即最大滤波概率大于0.4，则所述最大滤波概率为最优静止概率。
63.本技术的第三方面提供一种可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本技术任意一项实施例所述的判断方法。
64.本技术的第四方面，提供一种电子设备，包括：至少一个处理器；以及与所述处理器通信连接的至少一个存储器，其中：所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如本技术任意一项实施例所述的判断方法。
65.可以理解，计算机可读存储介质可以包括：能够携带计算机程序的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、以及软件分发介质等。计算机程序包括计算机程序代码。计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读存储介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、以及软件分发介质等。
66.在本发明的某些实施方式中，装置可以包括控制器，控制器是一个单片机芯片，集成了处理器、存储器，通讯模块等。处理器可以是指控制器包含的处理器。处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
67.流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
68.本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这
些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
69.以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：
1.一种目标车辆静止状态的判断方法，其特征在于，包括：基于自车与目标车辆的相对速度获取第一静止概率；基于自车与目标车辆的相对距离获取第二静止概率；基于自车对目标车辆的碰撞时间获取第三静止概率；将所述第一静止概率、所述第二静止概率和所述第三静止概率处理生成最优静止概率，若所述最优静止概率大于预设概率，则基于所述最优静止概率判断目标车辆的静止状态。2.如权利要求1所述的判断方法，其特征在于，所述若所述最优静止概率大于预设概率时，还包括：判断所述最优静止概率是否满足预设采样步长；若所述最优静止概率大于预设概率，且满足预设采样步长，则输出所述最优静止概率为目标车辆静止概率；若所述最优静止概率大于预设概率，但不满足预设采样步长，则输出目标车辆静止概率为0。3.如权利要求1所述的判断方法，其特征在于，若所述最优静止概率小于预设概率，则输出目标车辆静止概率为0。4.如权利要求1所述的判断方法，其特征在于，所述基于自车与目标车辆的相对速度获取第一静止概率，包括：获取自车与目标车辆的相对速度的绝对值；将所述自车与目标车辆的相对速度的绝对值进行滤波，生成滤波绝对值；计算自车速度和所述滤波绝对值的差值diff；将所述差值diff进行滤波并取所述差值diff的绝对值|diff|，令|diff|为第一静止概率输入值；将所述第一静止概率输入值输入正态分布密度函数获取第一静止概率。5.如权利要求4所述的判断方法，其特征在于，所述滤波方式为低通滤波。6.如权利要求4所述的判断方法，其特征在于，所述将所述第一静止概率输入值输入正态分布密度函数获取第一静止概率，包括：令diff＝x-μ，正态分布密度函数当diff0＝0时，第一静止概率prob10＝1，得到第一静止概率的正态分布密度函数系数，即：因此，第一静止概率7.如权利要求1所述的判断方法，其特征在于，基于所述自车与目标车辆的相对距离获取第二静止概率，包括：
获取自车与目标车辆第一时刻的相对距离dx
pre
；获取自车与目标车辆第二时刻的相对距离dx；获取所述第一时刻和所述第二时刻的时间间隔δt；基于所述自车与目标车辆第一时刻的相对距离、所述自车与目标车辆第二时刻的相对距离和所述时间间隔得到自车与目标车辆的相对速度relv，令relv＝x
2-μ2为第二静止概率的输入值；将所述第二静止概率输入值输入正态分布密度函数获取第二静止概率。8.如权利要求7所述的判断方法，其特征在于，所述将所述第二静止概率输入值输入正态分布密度函数获取第二静止概率，还包括：令relv＝x-μ，正态分布密度函数当relv0＝0时，第二静止概率prob20＝1，得到第二静止概率的正态分布密度函数系数，即：因此，第二静止概率9.如权利要求1所述的判断方法，其特征在于，基于自车对目标车辆的碰撞时间获取第三静止概率，包括：获取自车与目标车辆的第一相对距离dyor；对所述目标车辆的碰撞时间处理获得碰撞时间绝对值；将所述碰撞时间绝对值与自车车速相乘获得自车与目标车辆的第二相对距离dy；将所述自车与目标车辆的第一相对距离dyor与所述自车与目标车辆的相对距离dy作差并取绝对值得到|dyor-dy|＝ddiff，令ddiff为第三静止概率的输入值；将所述第三静止概率输入值输入正态分布密度函数获取第三静止概率。10.如权利要求9所述的判断方法，其特征在于，所述将所述第三静止概率输入值输入正态分布密度函数获取第三静止概率，还包括：令ddiff＝x-μ，正态分布密度函数当ddiff0＝0时，第一静止概率prob30＝1，得到第一静止概率的正态分布密度函数系数，即：
因此，第三静止概率11.如权利要求9所述的判断方法，其特征在于，基于自车对目标车辆的碰撞时间获取第三静止概率，还包括：对所述目标车辆的碰撞时间处理获得碰撞时间绝对值之前对所述目标车辆的碰撞时间进行低通滤波处理和/或将所述碰撞时间绝对值与自车车速相乘获得自车与目标车辆的第二相对距离dy之后对所述自车与目标车辆的第二相对距离dy进行低通滤波处理。12.如权利要求1所述的判断方法，其特征在于，所述将所述第一静止概率、所述第二静止概率和所述第三静止概率处理生成最优静止概率，包括：选择所述第一静止概率、所述第二静止概率和所述第三静止概率中的最大概率并进行滤波获得最大滤波概率，若所述最大滤波概率满足最大滤波阈值，则所述最大滤波概率为最优静止概率。13.一种目标车辆静止状态的判断装置，其特征在于，包括：第一获取模块，至少用于基于自车与目标车辆的相对速度获取第一静止概率；第二获取模块，至少用于基于自车与目标车辆的相对距离获取第二静止概率；第三获取模块，至少用于基于自车对目标车辆的碰撞时间获取第三静止概率；判断模块，至少用于将所述第一静止概率、所述第二静止概率和所述第三静止概率处理生成最优静止概率，若所述最优静止概率大于预设概率，则基于所述最优静止概率判断目标车辆的静止状态。14.一种可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至12任意一项所述的判断方法。

技术总结
本申请提出一种目标车辆静止状态的判断方法及装置，所述判断方法包括基于自车与目标车辆的相对速度获取第一静止概率；基于自车与目标车辆的相对距离获取第二静止概率；基于自车对目标车辆的碰撞时间获取第三静止概率；将所述第一静止概率、所述第二静止概率和所述第三静止概率处理生成最优静止概率，若所述最优静止概率大于预设概率，则基于所述最优静止概率判断目标车辆的静止状态。本申请可以提高对目标车辆静止状态的判断精度，通过三种目标车辆静态概率的计算方式，提高了在速度、距离以及碰撞时间等不同渠道的静止状态的多元验证效率。效率。效率。


技术研发人员：李京 贺锦鹏
受保护的技术使用者：智己汽车科技有限公司
技术研发日：2023.03.24
技术公布日：2023/6/27