【技術實現步驟摘要】
本專利技術涉及感知融合，具體涉及一種基于xgboost算法的虛警目標檢測方法。
技術介紹
1、自動駕駛的感知融合用于融合多種不同類型傳感器的數據信息，其中決策級目標融合將來自毫米波雷達、相機、激光雷達等傳感器的檢測目標進行融合輸出最終感知結果。由于不同傳感器的特性及其目標檢測的方法不同導致其檢測結果存在虛警目標，虛警目標會導致車輛誤制動或執行繞障，嚴重影響駕駛體驗及駕駛安全。目前感知融合中對虛警目標的檢測，需要根據手動設置的多種目標的門限閾值進行判斷，判斷結果依賴于經驗性的參數設置，從而導致檢測結果準確性低；另外，為獲得較為可靠的門限閾值，需要進行大量測試，從而提高了檢測成本和難度。
技術實現思路
1、本專利技術的目的在于提供一種基于xgboost算法的虛警目標檢測方法，以解決
技術介紹
中提到的現有技術中存在的問題。
2、為了實現上述目的，本專利技術采用的技術方案如下：
3、一種基于xgboost算法的虛警目標檢測方法，包括步驟：
4、以損失函數最小化為目標構建初始的xgboost模型；
5、根據多個樣本單元的時序數據獲得訓練好的xgboost模型，多個樣本單元包括至少一個虛警單元和至少一個正常單元，時序數據包括n個歷史幀對應的觀測向量，觀測向量由若干個觀測量構成；
6、獲得目標的時序數據；
7、對目標的時序數據進行特征工程，獲得其特征值并構建特征向量；
8、將目標的特征向量輸入訓練好的xgboost
9、根據訓練好的xgboost模型確定門限閾值，當虛警概率不小于門限閾值時，判斷目標為虛警目標。
10、根據上述技術手段，通過多個樣本單元的時序數據獲得訓練好的xgboost模型，基于目標的時序數據和訓練好的xgboost模型，獲得目標的虛警概率，進而根據目標的虛警概率和門限閾值判斷目標是否為虛警目標。該技術方案中，判斷結果通過xgboost模型求得，不依賴于經驗性的參數設置，提高了檢測結果的準確性；另外，門限閾值同樣通過xgboost模型求得，無需進行大量測試獲得門限閾值，從而降低了檢測成本和難度。
11、進一步地，根據多個樣本單元的時序數據獲得訓練好的xgboost模型的步驟包括：
12、收集多個樣本單元的時序數據；
13、對樣本單元的時序數據分別進行特征工程，獲得其對應的特征值并構建特征向量；
14、根據多個樣本單元的特征向量構建樣本，將樣本按一定比例分為訓練樣本和驗證樣本；
15、以訓練樣本和驗證樣本作為輸入，并將來自虛警單元的樣本的標簽定為1，來自正常單元的樣本的標簽定為0，對xgboost模型進行訓練，若模型精度滿足預設要求則結束訓練，否則調整模型參數及增加特征向量中的特征值數量繼續訓練，直到模型精度滿足預設要求為止。
16、根據上述技術手段，提供訓練xgboost模型的優選方法。
17、進一步地，若干個觀測量包括速度、加速度、長度、寬度、高度、位置坐標x、位置坐標y和航向角。
18、根據上述技術手段，對觀測量的類型進行優選，確保能通過常規的觀測手段獲得準確的觀測量。
19、進一步地，特征工程包括：根據每個觀測量對應的n個歷史幀數據，求取其對應的特征值，特征值包括一階差分平均值、一階差分極大值、一階差分極小值、一階差分標準差、極大值、極小值、標準差和均值中的至少一種。
20、根據上述技術特征，對特征值類型進行優選，提高特征值的有效性。
21、進一步地，長度、寬度和高度的特征值均包括一階差分平均值、極大值、極小值、標準差和均值，位置坐標x、位置坐標y和航向角的特征值均包括一階差分平均值、一階差分極大值、一階差分極小值和一階差分標準差；速度和加速度的特征值均包括極大值、極小值、標準差、均值、一階差分平均值和一階差分標準差。
22、根據上述技術手段，對選定觀測量的所有特征值進行優選，進一步提高特征值的有效性。
23、進一步地，目標和樣本單元的特征向量均由若干個觀測量的所有特征值按一定順序排列構成。
24、根據上述技術特征，對特征向量的構建規則進行限定，確保各目標和樣本單元的特征向量具有統一的構建規則。
25、進一步地，根據訓練好的xgboost模型確定門限閾值的方法包括：
26、選擇多個被判定為虛警目標的單元；
27、采集多個虛警目標的時序數據并進行特征工程，獲得其特征值并構建特征向量；
28、將多個虛警目標的特征向量輸入訓練好的xgboost模型中，獲得對應的多個模型預測概率；
29、將多個模型預測概率中的最小值確定為門限閾值。
30、根據上述技術手段，能夠基于xgboost模型獲得不依賴于經驗參數的門限閾值，提高了判斷結果的準確性。
31、進一步地，根據訓練好的xgboost模型確定門限閾值的方法包括：
32、選擇多個被判定為正常目標的單元；
33、采集多個正常目標的時序數據并進行特征工程，獲得其特征值并構建特征向量；
34、將多個正常目標的特征向量輸入訓練好的xgboost模型中，獲得對應的多個模型預測概率；
35、將多個模型預測概率中的最大值確定為門限閾值。
36、根據上述技術手段，能夠基于xgboost模型獲得不依賴于經驗參數的門限閾值，提高了判斷結果的準確性。
37、進一步地，樣本單元包括歷史目標，樣本單元的時序數據從歷史數據庫中獲得。
38、根據上述技術手段，xgboost模型的訓練過程不依賴于難以獲取的大量實時觀測數據，并可以在目標檢測之前完成，xgboost模型可通過足夠的訓練時間獲得預期的精度，并且xgboost模型的訓練過程不會影響目標檢測和判別的時效性。
39、進一步地，歷史幀數n不小于5。
40、根據上述技術手段，提高特征值的準確性。
41、本專利技術的有益效果：
42、(1)本專利技術的判斷結果通過xgboost模型求得，不依賴于經驗性的參數設置，提高了檢測結果的準確性；
43、(2)門限閾值同樣通過xgboost模型求得，無需進行大量測試獲得門限閾值，從而降低了檢測成本和難度。
本文檔來自技高網...【技術保護點】
1.一種基于XGBoost算法的虛警目標檢測方法，其特征在于，包括步驟：
2.根據權利要求1所述的基于XGBoost算法的虛警目標檢測方法，其特征在于，所述根據多個樣本單元的時序數據獲得訓練好的XGBoost模型的步驟包括：
3.根據權利要求1或2所述的基于XGBoost算法的虛警目標檢測方法，其特征在于，若干個所述觀測量包括速度、加速度、長度、寬度、高度、位置坐標X、位置坐標Y和航向角。
4.根據權利要求3所述的基于XGBoost算法的虛警目標檢測方法，其特征在于，所述特征工程包括：根據每個觀測量對應的N個歷史幀數據，求取其對應的特征值，所述特征值包括一階差分平均值、一階差分極大值、一階差分極小值、一階差分標準差、極大值、極小值、標準差和均值中的至少一種。
5.根據權利要求4所述的基于XGBoost算法的虛警目標檢測方法，其特征在于，長度、寬度和高度的特征值均包括一階差分平均值、極大值、極小值、標準差和均值，位置坐標X、位置坐標Y和航向角的特征值均包括一階差分平均值、一階差分極大值、一階差分極小值和一階差分標準差；速度和加速度的特
6.根據權利要求1或2所述的基于XGBoost算法的虛警目標檢測方法，其特征在于，所述目標和所述樣本單元的特征向量均由若干個所述觀測量的所有特征值按一定順序排列構成。
7.根據權利要求1所述的基于XGBoost算法的虛警目標檢測方法，其特征在于，所述根據訓練好的XGBoost模型確定門限閾值的方法包括：
8.根據權利要求1所述的基于XGBoost算法的虛警目標檢測方法，其特征在于，所述根據訓練好的XGBoost模型確定門限閾值的方法包括：
9.根據權利要求1所述的基于XGBoost算法的虛警目標檢測方法，其特征在于，所述樣本單元包括歷史目標，所述樣本單元的時序數據從歷史數據庫中獲得。
10.根據權利要求1所述的基于XGBoost算法的虛警目標檢測方法，其特征在于，歷史幀數N不小于5。
...【技術特征摘要】
1.一種基于xgboost算法的虛警目標檢測方法，其特征在于，包括步驟：
2.根據權利要求1所述的基于xgboost算法的虛警目標檢測方法，其特征在于，所述根據多個樣本單元的時序數據獲得訓練好的xgboost模型的步驟包括：
3.根據權利要求1或2所述的基于xgboost算法的虛警目標檢測方法，其特征在于，若干個所述觀測量包括速度、加速度、長度、寬度、高度、位置坐標x、位置坐標y和航向角。
4.根據權利要求3所述的基于xgboost算法的虛警目標檢測方法，其特征在于，所述特征工程包括：根據每個觀測量對應的n個歷史幀數據，求取其對應的特征值，所述特征值包括一階差分平均值、一階差分極大值、一階差分極小值、一階差分標準差、極大值、極小值、標準差和均值中的至少一種。
5.根據權利要求4所述的基于xgboost算法的虛警目標檢測方法，其特征在于，長度、寬度和高度的特征值均包括一階差分平均值、極大值、極小值、標準差和均值，位置坐標x、位置坐標y和航向角的特征值均...
【專利技術屬性】
技術研發人員：柳曉東，任凡，陳重華，陳劍斌，
申請(專利權)人：重慶長安汽車股份有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。