CN109407679B - 用于控制无人驾驶汽车的方法和装置 - Google Patents

用于控制无人驾驶汽车的方法和装置 Download PDF

Info

Publication number
CN109407679B
CN109407679B CN201811620235.5A CN201811620235A CN109407679B CN 109407679 B CN109407679 B CN 109407679B CN 201811620235 A CN201811620235 A CN 201811620235A CN 109407679 B CN109407679 B CN 109407679B
Authority
CN
China
Prior art keywords
control instruction
sequence
spherical
image sequence
spherical image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811620235.5A
Other languages
English (en)
Other versions
CN109407679A (zh
Inventor
杨树
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201811620235.5A priority Critical patent/CN109407679B/zh
Publication of CN109407679A publication Critical patent/CN109407679A/zh
Application granted granted Critical
Publication of CN109407679B publication Critical patent/CN109407679B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0242—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using non-visible light signals, e.g. IR or UV signals
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • G05D1/0253—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means extracting relative motion information from a plurality of images taken successively, e.g. visual odometry, optical flow
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0259—Control of position or course in two dimensions specially adapted to land vehicles using magnetic or electromagnetic means
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G05D1/028—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using a RF signal

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Electromagnetism (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请实施例公开了用于控制无人驾驶汽车的方法和装置。该方法的一具体实施方式包括获取对无人驾驶汽车的周围环境进行采集所得到的球面图像序列；将球面图像序列输入至预先训练的控制指令生成模型，得到控制指令序列；将控制指令序列发送至无人驾驶汽车的控制系统，以使控制系统控制无人驾驶汽车按照控制指令序列的指示行驶。该实施方式中的控制指令生成模型可以直接对球面图像序列进行处理，端到端地输出控制指令序列。无需对球面图像序列进行预处理，解决了预处理带来的信息丢失和计算量过大的问题。同时，保持了输入到控制指令生成模型中的信息的真实度和信息量，有助于提高控制指令序列的准确度。

Description

用于控制无人驾驶汽车的方法和装置
技术领域
本申请实施例涉及无人驾驶技术领域，具体涉及用于控制无人驾驶汽车的方法和装置。
背景技术
无人驾驶汽车是一种新型的智能汽车，主要通过控制装置(即，车载智能大脑)对汽车中各个部分进行精准的控制与计算分析，并最终通过ECU(Electronic Control Unit，电子控制单元)发出指令来分别控制无人驾驶汽车中的不同设备，从而实现汽车的全自动运行，达到汽车无人驾驶的目的。
为了达到汽车无人驾驶的目的，需要预先获取无人驾驶汽车的周围环境数据，并基于周围环境数据生成控制指令，以实现根据控制指令对无人驾驶汽车的行驶过程的控制。
由于无人驾驶汽车的摄像头或激光雷达均是球面成像，其采集的无人驾驶汽车的周围环境数据均是球面图像。目前，分析此类球面图像的方法通常是首先利用畸变理论将球面图像投影到平面上，生成二维图像，然后借助普通CNN(Convolutional NeuralNetwork，卷积神经网络)对二维图像进行分析。
发明内容
本申请实施例提出了用于控制无人驾驶汽车的方法和装置。
第一方面，本申请实施例提供了一种用于控制无人驾驶汽车的方法，包括：获取对无人驾驶汽车的周围环境进行采集所得到的球面图像序列；将球面图像序列输入至预先训练的控制指令生成模型，得到控制指令序列；将控制指令序列发送至无人驾驶汽车的控制系统，以使控制系统控制无人驾驶汽车按照控制指令序列的指示行驶。
在一些实施例中，控制指令生成模型包括球面卷积神经网络和长短期记忆网络。
在一些实施例中，将球面图像序列输入至预先训练的控制指令生成模型，得到控制指令序列，包括：将球面图像序列输入至球面卷积神经网络，得到球面图像序列的特征向量序列；将特征向量序列输入至长短期记忆网络，得到控制指令序列。
在一些实施例中，控制指令生成模型通过如下步骤训练得到：获取训练样本集合，其中，训练样本集合中的训练样本包括样本球面图像序列和对应的样本控制指令序列；对于训练样本集合中的训练样本，将该训练样本中的样本球面图像序列作为输入，将该训练样本中的样本控制指令序列作为输出，训练得到控制指令生成模型。
在一些实施例中，球面图像序列是无人驾驶汽车上的摄像头或激光雷达采集的。
第二方面，本申请实施例提供了一种用于控制无人驾驶汽车的装置，包括：图像获取单元，被配置成获取对无人驾驶汽车的周围环境进行采集所得到的球面图像序列；指令生成单元，被配置成将球面图像序列输入至预先训练的控制指令生成模型，得到控制指令序列；指令发送单元，被配置成将控制指令序列发送至无人驾驶汽车的控制系统，以使控制系统控制无人驾驶汽车按照控制指令序列的指示行驶。
在一些实施例中，控制指令生成模型包括球面卷积神经网络和长短期记忆网络。
在一些实施例中，指令生成单元包括：特征生成子单元，被配置成将球面图像序列输入至球面卷积神经网络，得到球面图像序列的特征向量序列；指令生成子单元，被配置成将特征向量序列输入至长短期记忆网络，得到控制指令序列。
在一些实施例中，控制指令生成模型通过如下步骤训练得到：获取训练样本集合，其中，训练样本集合中的训练样本包括样本球面图像序列和对应的样本控制指令序列；对于训练样本集合中的训练样本，将该训练样本中的样本球面图像序列作为输入，将该训练样本中的样本控制指令序列作为输出，训练得到控制指令生成模型。
在一些实施例中，球面图像序列是无人驾驶汽车上的摄像头或激光雷达采集的。
第三方面，本申请实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的用于控制无人驾驶汽车的方法和装置，首先获取对无人驾驶汽车的周围环境进行采集所得到的球面图像序列；然后将球面图像序列输入至预先训练的控制指令生成模型，以得到控制指令序列；最后将控制指令序列发送至无人驾驶汽车的控制系统，以使控制系统控制无人驾驶汽车按照控制指令序列的指示行驶。控制指令生成模型可以直接对球面图像序列进行处理，端到端地输出控制指令序列。无需对球面图像序列进行预处理，解决了预处理带来的信息丢失和计算量过大的问题。同时，保持了输入到控制指令生成模型中的信息的真实度和信息量，有助于提高控制指令序列的准确度。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请可以应用于其中的示例性系统架构；
图2是根据本申请的用于控制无人驾驶汽车的方法的一个实施例的流程图；
图3是图2所提供的用于控制无人驾驶汽车的方法的一个应用场景的示意图；
图4是根据本申请的用于控制无人驾驶汽车的装置的一个实施例的结构示意图；
图5是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于控制无人驾驶汽车的方法或用于控制无人驾驶汽车的装置的实施例的示例性系统架构100。
如图1所示，系统架构100中可以包括球面图像采集装置101、网络102和服务器103。网络102用以在球面图像采集装置101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
球面图像采集装置101可以是安装在无人驾驶汽车上的摄像头或激光雷达，其可以实时采集无人驾驶汽车的周围环境的图像，并实时发送到服务器103。
服务器103可以是提供各种服务的服务器，例如，无人驾驶汽车的车载智能大脑。车载智能大脑可以对从球面图像采集装置101获取到的无人驾驶汽车的周围环境的球面图像序列等数据进行分析等处理，并将处理结果(例如控制指令序列)发送至无人驾驶汽车的控制系统，以使控制系统控制无人驾驶汽车按照处理结果的指示行驶。
需要说明的是，服务器103可以是硬件，也可以是软件。当服务器103为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器103为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是，本申请实施例所提供的用于控制无人驾驶汽车的方法一般由服务器103执行，相应地，用于控制无人驾驶汽车的装置一般设置于服务器103中。
应该理解，图1中的球面图像采集装置、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的球面图像采集装置、网络和服务器。
继续参考图2，其示出了根据本申请的用于控制无人驾驶汽车的方法的一个实施例的流程200。该用于控制无人驾驶汽车的方法，包括以下步骤：
步骤201，获取对无人驾驶汽车的周围环境进行采集所得到的球面图像序列。
在本实施例中，用于控制无人驾驶汽车的方法的执行主体(例如图1所示的服务器103)可以通过有线连接方式或者无线连接方式从无人驾驶汽车上安装的球面图像采集装置(例如图1所示的球面图像采集装置101)获取其对无人驾驶汽车的周围环境进行采集所得到的球面图像序列。其中，球面图像采集装置可以是摄像头或激光雷达。通常，无人驾驶汽车的车顶上可以安装多个摄像头和激光雷达，用来对无人驾驶汽车的周围环境进行采集。由于无人驾驶汽车的摄像头和激光雷达需要采集无人驾驶汽车的周围环境的全景图像，其通常会将摄像头或激光雷达在一个球面范围内采集到的图像通过球面透视投影变换无缝拼接在一起，生成球面全景图像。球面全景图像在球面上成像，属于球面图像。球面图像序列可以是摄像头或激光雷达对无人驾驶汽车的周围环境进行连续采集所得到的多帧球面图像。例如，摄像头或激光雷达可以每隔0.1秒采集一帧球面图像，那么3秒就可以采集30帧球面图像。
步骤202，将球面图像序列输入至预先训练的控制指令生成模型，得到控制指令序列。
在本实施例中，上述执行主体可以将球面图像序列输入至控制指令生成模型，以得到控制指令序列。其中，控制指令序列可以是未来一段时间的控制指令序列，用来对无人驾驶汽车未来一段时间的驾驶行为进行控制。控制指令序列可以包括多组控制指令。每组控制指令可以包括横向控制指令和纵向控制指令。横向控制指令可以对无人驾驶汽车的转向进行控制。纵向控制指令可以对无人驾驶汽车的速度进行控制。例如，一个控制指令序列可以包含25组控制指令，对无人驾驶汽车未来0.5秒的驾驶行为进行控制，相邻两组控制指令之间相隔0.02秒。
在本实施例中，控制指令生成模型可以用于生成控制指令序列，表征球面图像序列与控制指令序列之间的对应关系。
在本实施例的一些可选的实现方式中，控制指令生成模型可以是本领域技术人员对大量样本球面图像序列和对应的样本控制指令序列进行统计分析，而得到的存储有多个样本球面图像序列与对应的样本控制指令序列的对应关系表。其中，样本球面图像序列可以是对样本周围环境进行拍摄所得到的球面图像序列。此时，上述执行主体可以将球面图像序列与对应关系表中的样本球面图像序列逐一进行匹配，若存在一个样本球面图像序列与球面图像序列匹配(相同或相似度高于预设相似度阈值)，那么可以从对应关系表中查找出该样本球面图像序列对应的样本控制指令序列，作为与球面图像序列对应的控制指令序列。
在本实施例的一些可选的实现方式中，控制指令生成模型可以是利用各种机器学习方法和训练样本对现有的机器学习模型(例如各种神经网络等)进行有监督训练而得到的。通常，控制指令生成模型可以是端到端的神经网络。此时，上述执行主体可以将该球面图像序列从控制指令生成模型的输入层输入，经过各层网络层的处理，得到从输出层输出的控制指令序列。
在本实施例的一些可选的实现方式中，控制指令生成模型可以包括CNNs((spherical Convolutional Neural Networks，球面卷积神经网络)和LSTM(Long Short-Term Memory，长短期记忆网络)。通常，控制指令生成模型可以是由CNNs和LSTM级联而成，即CNNs的输出作为LSTM的输入。其中，CNNs可鲁棒地分析球面图像，并不会受到曲面失真的影响。在结构上，CNNs遵循一般CNN的结构，其特殊之处主要在于将“球相关算子”作为单独的一层额外添加到卷积层和池化层后面，使CNNs具有针对旋转的“等变”特性。这种特性使得CNNs学习到的内部特征跟随输入信息实现空间上的同步旋转变换，从而提高CNNs对球面信息的敏感度和处理能力。并且“球相关算子”可以无缝嵌入已有的神经网络结构中，因此可以与大多数已有图像处理模型兼容。同时，通过直接输入球面图像，端到端地输出控制指令，实现了球面输入条件下的精细控制。此时，上述执行主体可以首先将球面图像序列输入至CNNs，得到球面图像序列的特征向量序列；然后将特征向量序列输入至LSTM，得到控制指令序列。其中，特征向量序列可以对球面图像序列具有的特征以向量的形式进行描述。
通常，控制指令生成模型可以通过如下步骤训练得到：
首先，获取训练样本集合。
其中，训练样本集合中的每个训练样本可以包括样本球面图像序列和对应的样本控制指令序列。与样本球面图像序列对应的样本控制指令序列可以是本领域技术人员对样本球面图像序列进行分析后根据经验确定出来的，也可以是首先利用畸变理论将样本球面图像序列投影到平面上，生成二维图像序列，然后本领域技术人员对二维图像序列进行分析后根据经验确定出来的。
然后，对于训练样本集合中的训练样本，将该训练样本中的样本球面图像序列作为输入，将该训练样本中的样本控制指令序列作为输出，训练得到控制指令生成模型。
这里，可以利用训练样本集合对现有的机器学习模型进行有监督地训练，从而得到控制指令生成模型。其中，现有的机器学习模型可以是未经训练或未训练完成的机器学习模型。监督信息可以是与样本图像序列对应的样本控制指令序列。
步骤203，将控制指令序列发送至无人驾驶汽车的控制系统，以使控制系统控制无人驾驶汽车按照控制指令序列的指示行驶。
在本实施例中，上述执行主体可以将控制指令序列发送至无人驾驶汽车的控制系统(如ECU)。此时，无人驾驶汽车的控制系统可以对无人驾驶汽车中的多个设备进行控制，以使无人驾驶车按照控制指令序列的指示自主行驶。
继续参见图3，图3是图2所提供的用于控制无人驾驶汽车的方法的一个应用场景的示意图。在图3所示的应用场景中，无人驾驶汽车上安装的摄像头310可以对无人驾驶汽车的周围环境进行全景拍摄，得到球面图像序列301，并实时发送至无人驾驶汽车的车载智能大脑320。随后，车载智能大脑320可以将球面图像序列301输入至控制指令生成模型302，以得到控制指令序列303。最后，车载智能大脑320可以将控制指令序列303发送至无人驾驶汽车的控制系统330。控制系统330可以对无人驾驶汽车中的各种设备进行控制，以使无人驾驶车按照驾驶指令序列303的指示自主行驶。
本申请实施例提供的用于控制无人驾驶汽车的方法，首先获取对无人驾驶汽车的周围环境进行采集所得到的球面图像序列；然后将球面图像序列输入至预先训练的控制指令生成模型，以得到控制指令序列；最后将控制指令序列发送至无人驾驶汽车的控制系统，以使控制系统控制无人驾驶汽车按照控制指令序列的指示行驶。控制指令生成模型可以直接对球面图像序列进行处理，端到端地输出控制指令序列。无需对球面图像序列进行预处理，解决了预处理带来的信息丢失和计算量过大的问题。同时，保持了输入到控制指令生成模型中的信息的真实度和信息量，有助于提高控制指令序列的准确度。
进一步参考图4，作为对上述各图所示方法的实现，本申请提供了一种用于控制无人驾驶汽车的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图4所示，本实施例的用于控制无人驾驶汽车的装置400可以包括：图像获取单元401、指令生成单元402和指令发送单元403。其中，图像获取单元401，被配置成获取对无人驾驶汽车的周围环境进行采集所得到的球面图像序列；指令生成单元402，被配置成将球面图像序列输入至预先训练的控制指令生成模型，得到控制指令序列；指令发送单元403，被配置成将控制指令序列发送至无人驾驶汽车的控制系统，以使控制系统控制无人驾驶汽车按照控制指令序列的指示行驶。
在本实施例中，用于控制无人驾驶汽车的装置400中：图像获取单元401、指令生成单元402和指令发送单元403的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202和步骤203的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，控制指令生成模型包括球面卷积神经网络和长短期记忆网络。
在本实施例的一些可选的实现方式中，指令生成单元402包括：特征生成子单元(图中未示出)，被配置成将球面图像序列输入至球面卷积神经网络，得到球面图像序列的特征向量序列；指令生成子单元(图中未示出)，被配置成将特征向量序列输入至长短期记忆网络，得到控制指令序列。
在本实施例的一些可选的实现方式中，控制指令生成模型通过如下步骤训练得到：获取训练样本集合，其中，训练样本集合中的训练样本包括样本球面图像序列和对应的样本控制指令序列；对于训练样本集合中的训练样本，将该训练样本中的样本球面图像序列作为输入，将该训练样本中的样本控制指令序列作为输出，训练得到控制指令生成模型。
在本实施例的一些可选的实现方式中球面图像序列是无人驾驶汽车上的摄像头或激光雷达采集的。
下面参考图5，其示出了适于用来实现本申请实施例的电子设备(例如图1所示的服务器103)的计算机系统500的结构示意图。图5示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示，计算机系统500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向目标的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括图像获取单元、指令生成单元和指令发送单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，图像获取单元还可以被描述为“获取对无人驾驶汽车的周围环境进行采集所得到的球面图像序列的单元”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取对无人驾驶汽车的周围环境进行采集所得到的球面图像序列；将球面图像序列输入至预先训练的控制指令生成模型，得到控制指令序列；将控制指令序列发送至无人驾驶汽车的控制系统，以使控制系统控制无人驾驶汽车按照控制指令序列的指示行驶。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (8)

1.一种用于控制无人驾驶汽车的方法，包括：
获取对无人驾驶汽车的周围环境进行采集所得到的球面图像序列，其中，所述球面图像序列中的球面图像由球面全景图像在球面上成像得到，球面全景图像由一个球面范围内采集到的图像通过球面透视投影变换无缝拼接得到；
将所述球面图像序列输入至预先训练的控制指令生成模型，得到控制指令序列，其中，所述控制指令生成模型包括球面卷积神经网络和长短期记忆网络，所述控制指令序列包括横向指令和纵向指令，所述控制指令生成模型的训练样本中的控制指令序列通过畸变理论将样本球面图像序列投影到平面上生成二维图像序列，并对二维图像序列进行分析得到；
将所述控制指令序列发送至所述无人驾驶汽车的控制系统，以使所述控制系统控制所述无人驾驶汽车按照所述控制指令序列的指示行驶；
其中，所述将所述球面图像序列输入至预先训练的控制指令生成模型，得到控制指令序列，包括：将所述球面图像序列输入至所述球面卷积神经网络，得到所述球面图像序列的特征向量序列；将所述特征向量序列输入至所述长短期记忆网络，得到所述控制指令序列，其中，所述球面卷积神经网络在卷积层和池化层后设置有利用球相关算子进行处理的网络层。
2.根据权利要求1所述的方法，其中，所述控制指令生成模型通过如下步骤训练得到：
获取训练样本集合，其中，所述训练样本集合中的训练样本包括样本球面图像序列和对应的样本控制指令序列；
对于所述训练样本集合中的训练样本，将该训练样本中的样本球面图像序列作为输入，将该训练样本中的样本控制指令序列作为输出，训练得到所述控制指令生成模型。
3.根据权利要求1所述的方法，其中，所述球面图像序列是所述无人驾驶汽车上的摄像头或激光雷达采集的。
4.一种用于控制无人驾驶汽车的装置，包括：
图像获取单元，被配置成获取对无人驾驶汽车的周围环境进行采集所得到的球面图像序列，其中，所述球面图像序列中的球面图像由球面全景图像在球面上成像得到，球面全景图像由一个球面范围内采集到的图像通过球面透视投影变换无缝拼接得到；
指令生成单元，被配置成将所述球面图像序列输入至预先训练的控制指令生成模型，得到控制指令序列，其中，所述控制指令生成模型包括球面卷积神经网络和长短期记忆网络，所述控制指令序列包括横向指令和纵向指令，所述控制指令生成模型的训练样本中的控制指令序列通过畸变理论将样本球面图像序列投影到平面上生成二维图像序列，并对二维图像序列进行分析得到；
指令发送单元，被配置成将所述控制指令序列发送至所述无人驾驶汽车的控制系统，以使所述控制系统控制所述无人驾驶汽车按照所述控制指令序列的指示行驶；
其中，所述指令生成单元包括：
特征生成子单元，被配置成将所述球面图像序列输入至所述球面卷积神经网络，得到所述球面图像序列的特征向量序列，所述球面卷积神经网络在卷积层和池化层后设置有利用球相关算子进行处理的网络层；
指令生成子单元，被配置成将所述特征向量序列输入至所述长短期记忆网络，得到所述控制指令序列。
5.根据权利要求4所述的装置，其中，所述控制指令生成模型通过如下步骤训练得到：
获取训练样本集合，其中，所述训练样本集合中的训练样本包括样本球面图像序列和对应的样本控制指令序列；
对于所述训练样本集合中的训练样本，将该训练样本中的样本球面图像序列作为输入，将该训练样本中的样本控制指令序列作为输出，训练得到所述控制指令生成模型。
6.根据权利要求4所述的装置，其中，所述球面图像序列是所述无人驾驶汽车上的摄像头或激光雷达采集的。
7.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-3中任一所述的方法。
8.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-3中任一所述的方法。
CN201811620235.5A 2018-12-28 2018-12-28 用于控制无人驾驶汽车的方法和装置 Active CN109407679B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811620235.5A CN109407679B (zh) 2018-12-28 2018-12-28 用于控制无人驾驶汽车的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811620235.5A CN109407679B (zh) 2018-12-28 2018-12-28 用于控制无人驾驶汽车的方法和装置

Publications (2)

Publication Number Publication Date
CN109407679A CN109407679A (zh) 2019-03-01
CN109407679B true CN109407679B (zh) 2022-12-23

Family

ID=65462411

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811620235.5A Active CN109407679B (zh) 2018-12-28 2018-12-28 用于控制无人驾驶汽车的方法和装置

Country Status (1)

Country Link
CN (1) CN109407679B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11016496B2 (en) 2019-04-10 2021-05-25 Argo AI, LLC Transferring synthetic LiDAR system data to real world domain for autonomous vehicle training applications
CN110163271B (zh) * 2019-05-13 2020-12-01 武汉大学 一种基于球面投影网格和球面卷积的全景影像目标检测方法
CN111923919B (zh) * 2019-05-13 2021-11-23 广州汽车集团股份有限公司 车辆控制方法、装置、计算机设备和存储介质
CN110298912B (zh) * 2019-05-13 2023-06-27 深圳市易恬技术有限公司 三维场景的复现方法、系统、电子装置及存储介质
CN111552294B (zh) * 2020-05-14 2024-03-26 山东师范大学 基于时间依赖的室外机器人寻路仿真系统及方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105575119B (zh) * 2015-12-29 2018-06-19 大连楼兰科技股份有限公司 路况气候深度学习及识别方法和装置
CN106873566B (zh) * 2017-03-14 2019-01-22 东北大学 一种基于深度学习的无人驾驶物流车
CN107390573B (zh) * 2017-06-28 2020-05-29 长安大学 基于手势控制的智能轮椅系统及控制方法
CN108196535B (zh) * 2017-12-12 2021-09-07 清华大学苏州汽车研究院（吴江） 基于增强学习和多传感器融合的自动驾驶系统
CN108171154A (zh) * 2017-12-27 2018-06-15 邦鼓思电子科技（上海）有限公司 一种自动驾驶中目标检测与车道检测结合的方法

Also Published As

Publication number Publication date
CN109407679A (zh) 2019-03-01

Similar Documents

Publication Publication Date Title
CN109407679B (zh) 用于控制无人驾驶汽车的方法和装置
EP3605394B1 (en) Method and apparatus for recognizing body movement
CN109693672B (zh) 用于控制无人驾驶汽车的方法和装置
CN107697070B (zh) 驾驶行为预测方法和装置、无人车
CN110120024B (zh) 图像处理的方法、装置、设备和存储介质
CN108491809B (zh) 用于生成近红外图像生成模型的方法和装置
US11328518B2 (en) Method and apparatus for outputting information
CN111288956B (zh) 一种目标姿态确定方法、装置、设备和存储介质
CN108491890B (zh) 图像方法和装置
CN114926766A (zh) 识别方法及装置、设备、计算机可读存储介质
CN110633718B (zh) 用于确定环境图像中的行驶区域的方法和装置
CN111382695A (zh) 用于检测目标的边界点的方法和装置
CN113255619A (zh) 车道线识别及定位方法、电子设备和计算机可读介质
CN114677422A (zh) 深度信息生成方法、图像虚化方法和视频虚化方法
CN109711349B (zh) 用于生成控制指令的方法和装置
CN112622923A (zh) 用于控制车辆的方法和装置
KR102206684B1 (ko) 주행 상황 및 운전 습관을 분석하기 위한 학습 방법 및 이를 수행하는 장치
CN110633598B (zh) 用于确定环境图像中的行驶区域的方法和装置
CN112132120B (zh) 用于视频结构化的方法及装置
US11681920B2 (en) Method and apparatus for compressing deep learning model
CN109934045B (zh) 行人检测方法和装置
CN112668371A (zh) 用于输出信息的方法和装置
CN112634487B (zh) 用于输出信息的方法和装置
CN115134496B (zh) 一种智能驾驶控制方法、系统、车辆、电子设备及存储介质
CN116343158B (zh) 车道线检测模型的训练方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant