CN109693672A - 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 PDFInfo
- Publication number
- CN109693672A CN109693672A CN201811620220.9A CN201811620220A CN109693672A CN 109693672 A CN109693672 A CN 109693672A CN 201811620220 A CN201811620220 A CN 201811620220A CN 109693672 A CN109693672 A CN 109693672A
- Authority
- CN
- China
- Prior art keywords
- control instruction
- sequence
- pilotless automobile
- model
- control
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012549 training Methods 0.000 claims description 67
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 230000007787 long-term memory Effects 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 210000004556 brain Anatomy 0.000 description 6
- 230000006854 communication Effects 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000005291 magnetic effect Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/18—Propelling the vehicle
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/06—Road conditions
- B60W40/076—Slope angle of the road
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (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当前行驶的坡道进行拍摄所得到的图像序列；将图像序列输入至预先训练的控制指令生成模型，从控制指令生成模型的第一输出层输出无人驾驶汽车的控制指令序列；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在坡道上行驶。该实施方式无需车辆姿态传感器，仅仅将对坡道进行拍摄所得到的图像序列输入至控制指令生成模型，即可生成控制无人驾驶汽车在坡道上行驶的控制指令序列，从而降低了控制无人驾驶汽车在坡道上行驶的成本。
Description
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。
无人驾驶汽车在行驶过程中会不可避免的需要在坡道上行驶。为了达到汽车在坡道上无人驾驶的目的，通常会通过车辆姿态传感器采集无人驾驶汽车的姿态信息来获取坡道信息，随后基于坡道信息生成控制指令，以实现根据控制指令对无人驾驶汽车在坡道上的行驶过程的控制。
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当前行驶的坡道进行拍摄所得到的图像序列；将图像序列输入至预先训练的控制指令生成模型，从控制指令生成模型的第一输出层输出无人驾驶汽车的控制指令序列；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在坡道上行驶。
在一些实施例中，在将图像序列输入至预先训练的控制指令生成模型之后，还包括：从控制指令生成模型的第二输出层输出坡道的情景语义。
在一些实施例中，控制指令生成模型包括卷积神经网络和长短期记忆网络，长短期记忆网络包括第一输出层和第二输出层。
在一些实施例中，将图像序列输入至预先训练的控制指令生成模型，从控制指令生成模型的第一输出层输出无人驾驶汽车的控制指令序列，包括：将图像序列输入至卷积神经网络，得到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，从第一输出层输出控制指令序列。
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图像序列、对应的样本情景语义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图像序列作为输入，将该训练样本中的样本情景语义和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，控制指令序列中的控制指令包括油门开度和/或制动开度，以及以下至少一项：无人驾驶汽车的转角、无人驾驶汽车的速度。
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当前行驶的坡道进行拍摄所得到的图像序列；指令生成单元，被配置成将图像序列输入至预先训练的控制指令生成模型，从控制指令生成模型的第一输出层输出无人驾驶汽车的控制指令序列；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在坡道上行驶。
在一些实施例中，该装置还包括：语义生成单元，被配置成从控制指令生成模型的第二输出层输出坡道的情景语义。
在一些实施例中，控制指令生成模型包括卷积神经网络和长短期记忆网络，长短期记忆网络包括第一输出层和第二输出层。
在一些实施例中，指令生成单元包括：特征生成子单元，被配置成将图像序列输入至卷积神经网络，得到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，从第一输出层输出控制指令序列。
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图像序列、对应的样本情景语义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图像序列作为输入，将该训练样本中的样本情景语义和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，控制指令序列中的控制指令包括油门开度和/或制动开度，以及以下至少一项：无人驾驶汽车的转角、无人驾驶汽车的速度。
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当前行驶的坡道进行拍摄所得到的图像序列；然后将图像序列输入至预先训练的控制指令生成模型，从控制指令生成模型的第一输出层输出无人驾驶汽车的控制指令序列；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在坡道上行驶。无需车辆姿态传感器，仅仅将对坡道进行拍摄所得到的图像序列输入至控制指令生成模型，即可生成控制无人驾驶汽车在坡道上行驶的控制指令序列，从而降低了控制无人驾驶汽车在坡道上行驶的成本。
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方法的又一个实施例的流程图；
图5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6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中可以包括摄像头101、网络102和服务器103。网络102用以在摄像头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。
摄像头101可以是安装在无人驾驶汽车上的摄像头，其可以实时拍摄无人驾驶汽车的行驶环境的图像或视频，并实时发送到服务器103。当无人驾驶汽车在坡道上行驶时，摄像头101可以拍摄坡道的图像或视频。
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摄像头101获取到的坡道的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在坡道上行驶。
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中的摄像头、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摄像头、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当前行驶的坡道进行拍摄所得到的图像序列。
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摄像头获取其对无人驾驶汽车当前行驶的坡道进行拍摄所得到的图像序列。通常，无人驾驶汽车的车顶上可以安装多个摄像头，用来对无人驾驶汽车的行驶环境进行拍摄。其中，在无人驾驶汽车的车顶的前方可以安装至少一个摄像头，该方向的摄像头可以覆盖无人驾驶汽车的前方的道路，因此可以对无人驾驶汽车当前行驶的坡道进行拍摄。这里，坡道可以包括上坡道和下坡道。图像序列可以是摄像头对无人驾驶汽车当前行驶的坡道进行拍摄所得到的视频中的多帧图像。例如，摄像头可以每隔0.1秒拍摄一帧图像，那么3秒的视频就可以包含30帧图像。
步骤202，将图像序列输入至预先训练的控制指令生成模型，从控制指令生成模型的第一输出层输出无人驾驶汽车的控制指令序列。
在本实施例中，上述执行主体可以将图像序列输入至控制指令生成模型，以得到从控制指令生成模型的第一输出层输出无人驾驶汽车的控制指令序列。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油门开度和/或制动开度，以及以下至少一项：无人驾驶汽车的转角、无人驾驶汽车的速度等等。通常，若无人驾驶汽车当前在上坡道上行驶，控制指令可以包括油门开度、无人驾驶汽车的转角和无人驾驶汽车的速度。若无人驾驶汽车当前在下坡道上行驶，控制指令可以包括制动开度、无人驾驶汽车的转角和无人驾驶汽车的速度。其中，油门开度可以是油门踏板的开度值。制动开度可以是制动踏板的开度值。无人驾驶汽车的转角可以对无人驾驶汽车的横向行驶行为进行控制。无人驾驶汽车的速度可以对无人驾驶汽车的纵向行驶行为进行控制。例如，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，样本图像序列可以是对样本坡道进行拍摄所得到的图像序列。此时，上述执行主体可以将图像序列与对应关系表中的样本图像序列逐一进行匹配，若存在一个样本图像序列与图像序列匹配(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图像序列对应的样本控制指令序列，作为与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。
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图像序列和对应的样本控制指令序列。与样本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在坡道上行驶。
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在坡道上自主行驶。
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，无人驾驶汽车的车顶的前方安装的摄像头310可以对无人驾驶汽车当前行驶的坡道进行拍摄，得到图像序列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的指示在坡道上自主行驶。
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当前行驶的坡道进行拍摄所得到的图像序列；然后将图像序列输入至预先训练的控制指令生成模型，从控制指令生成模型的第一输出层输出无人驾驶汽车的控制指令序列；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在坡道上行驶。无需车辆姿态传感器，仅仅将对坡道进行拍摄所得到的图像序列输入至控制指令生成模型，即可生成控制无人驾驶汽车在坡道上行驶的控制指令序列，从而降低了控制无人驾驶汽车在坡道上行驶的成本。
进一步参考图4，其示出了根据本申请的用于控制无人驾驶汽车的方法的又一个实施例的流程400。该用于控制无人驾驶汽车的方法，包括以下步骤：
步骤401，获取对无人驾驶汽车当前行驶的坡道进行拍摄所得到的图像序列。
在本实施例中，步骤401的具体操作与图2所示的实施例中步骤201的操作基本相同，在此不再赘述。
步骤402，将图像序列输入至预先训练的控制指令生成模型，从控制指令生成模型的第一输出层输出无人驾驶汽车的控制指令序列，以及从控制指令生成模型的第二输出层输出坡道的情景语义。
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)可以将图像序列输入至控制指令生成模型，得到从控制指令生成模型的第一输出层输出无人驾驶汽车的控制指令序列和从控制指令生成模型的第二输出层输出坡道的情景语义。这里，控制指令生成模型可以包括CNN(Convolutional Neural Network，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CNN和LSTM级联而成，即CNN的输出作为LSTM的输入。LSTM可以包括第一输出层和第二输出层。具体地，LSTM可以包括多个特征提取层和两个全连接层。第一输出层可以是最后一个特征提取层后的全连接层。第二输出层可以是中间某个特征提取层后的全连接层。第二输出层输出的坡道的情景语义可以用于描述坡道的类型、坡道的坡度等信息。坡道的类型可以包括上坡道和下坡道。由于LSTM的第二输出层可以输出坡道的情景语义，因此第二输出层前面的特征提取层就必须可以提取出与坡道的情景语义相关的特征。同时，该特征又可以继续输入到后续的特征提取层进行进一步的处理，直至最后一个特征提取层后的全连接层(即第一输出层)输出控制指令序列。由此可知，控制指令生成模型在处理图像序列时利用坡道的情景语义，并结合图像序列中的丰富的细节信息来生成的控制指令序列。控制指令序列兼顾坡道的情景语义，包含了油门开度和/或制动开度，从而使控制指令更加精细，实现了对无人驾驶汽车的行驶过程的更精细化的控制。
此时，上述执行主体可以首先将图像序列输入至卷积神经网络，得到图像序列的特征向量序列；然后将特征向量序列输入至长短期记忆网络，从第一输出层输出控制指令序列，以及从第二输出层输出坡道的情景语义。其中，特征向量序列可以对图像序列具有的特征以向量的形式进行描述。
这里，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，训练样本集合中的训练样本可以包括样本图像序列、对应的样本情景语义和对应的样本控制指令序列。与样本图像序列对应的样本情景语义和样本控制指令序列可以是本领域技术人员对样本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图像序列作为输入，将该训练样本中的样本情景语义和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(例如CNN与LSTM级联而成的模型)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情景语义和样本控制指令序列。
步骤403，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在坡道上行驶。
在本实施例中，步骤403的具体操作与图2所示的实施例中步骤203的操作基本相同，在此不再赘述。
从图4中可以看出，与图2对应的实施例相比，本实施例中的用于控制无人驾驶汽车的方法的流程400增加了输出坡道的情景语义的步骤。由此，本实施例中的控制指令生成模型在处理图像序列时利用坡道的情景语义，并结合图像序列中的丰富的细节信息来生成的控制指令序列。控制指令序列兼顾坡道的情景语义，包含了油门开度和/或制动开度，从而使控制指令更加精细，实现了对无人驾驶汽车的行驶过程的更精细化的控制。
进一步参考图5，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5所示，本实施例的用于控制无人驾驶汽车的装置500可以包括：图像获取单元501、指令生成单元502和指令发送单元503。其中，图像获取单元501，被配置成获取对无人驾驶汽车当前行驶的坡道进行拍摄所得到的图像序列；指令生成单元502，被配置成将图像序列输入至预先训练的控制指令生成模型，从控制指令生成模型的第一输出层输出无人驾驶汽车的控制指令序列；指令发送单元503，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在坡道上行驶。
在本实施例中，用于控制无人驾驶汽车的装置500中：图像获取单元501、指令生成单元502和指令发送单元503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，用于控制无人驾驶汽车的装置500还包括：语义生成单元(图中未示出)，被配置成从控制指令生成模型的第二输出层输出坡道的情景语义。
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卷积神经网络和长短期记忆网络，长短期记忆网络包括第一输出层和第二输出层。
在本实施例的一些可选的实现方式中，指令生成单元502包括：特征生成子单元(图中未示出)，被配置成将图像序列输入至卷积神经网络，得到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，从第一输出层输出控制指令序列。
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图像序列、对应的样本情景语义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图像序列作为输入，将该训练样本中的样本情景语义和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，控制指令序列中的控制指令包括油门开度和/或制动开度，以及以下至少一项：无人驾驶汽车的转角、无人驾驶汽车的速度。
下面参考图6，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600的结构示意图。图6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6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；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607；包括硬盘等的存储部分608；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609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，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610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608。
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609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601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当前行驶的坡道进行拍摄所得到的图像序列的单元”。
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当前行驶的坡道进行拍摄所得到的图像序列；将图像序列输入至预先训练的控制指令生成模型，从控制指令生成模型的第一输出层输出无人驾驶汽车的控制指令序列；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在坡道上行驶。
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 (14)
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当前行驶的坡道进行拍摄所得到的图像序列；
将所述图像序列输入至预先训练的控制指令生成模型，从所述控制指令生成模型的第一输出层输出所述无人驾驶汽车的控制指令序列；
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在所述坡道上行驶。
2.根据权利要求1所述的方法，其中，在所述将所述图像序列输入至预先训练的控制指令生成模型之后，还包括：
从所述控制指令生成模型的第二输出层输出所述坡道的情景语义。
3.根据权利要求2所述的方法，其中，所述控制指令生成模型包括卷积神经网络和长短期记忆网络，所述长短期记忆网络包括所述第一输出层和所述第二输出层。
4.根据权利要求3所述的方法，其中，所述将所述图像序列输入至预先训练的控制指令生成模型，从所述控制指令生成模型的第一输出层输出所述无人驾驶汽车的控制指令序列，包括：
将所述图像序列输入至所述卷积神经网络，得到所述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，从所述第一输出层输出所述控制指令序列。
5.根据权利要求3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图像序列、对应的样本情景语义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图像序列作为输入，将该训练样本中的样本情景语义和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1-5之一所述的方法，其中，所述控制指令序列中的控制指令包括油门开度和/或制动开度，以及以下至少一项：所述无人驾驶汽车的转角、所述无人驾驶汽车的速度。
7.一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当前行驶的坡道进行拍摄所得到的图像序列；
指令生成单元，被配置成将所述图像序列输入至预先训练的控制指令生成模型，从所述控制指令生成模型的第一输出层输出所述无人驾驶汽车的控制指令序列；
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在所述坡道上行驶。
8.根据权利要求7所述的装置，其中，所述装置还包括：
语义生成单元，被配置成从所述控制指令生成模型的第二输出层输出所述坡道的情景语义。
9.根据权利要求8所述的装置，其中，所述控制指令生成模型包括卷积神经网络和长短期记忆网络，所述长短期记忆网络包括所述第一输出层和所述第二输出层。
10.根据权利要求9所述的装置，其中，所述指令生成单元包括：
特征生成子单元，被配置成将所述图像序列输入至所述卷积神经网络，得到所述图像序列的特征向量序列；
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，从所述第一输出层输出所述控制指令序列。
11.根据权利要求9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图像序列、对应的样本情景语义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图像序列作为输入，将该训练样本中的样本情景语义和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。
12.根据权利要求7-11之一所述的装置，其中，所述控制指令序列中的控制指令包括油门开度和/或制动开度，以及以下至少一项：所述无人驾驶汽车的转角、所述无人驾驶汽车的速度。
13.一种电子设备，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1-6中任一所述的方法。
14.一种计算机可读介质，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1-6中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811620220.9A CN109693672B (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 |
|---|---|---|---|
| CN201811620220.9A CN109693672B (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 |
|---|---|
| CN109693672A true CN109693672A (zh) | 2019-04-30 |
| CN109693672B CN109693672B (zh) | 2020-11-06 |
Family
ID=66232266
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811620220.9A Active CN109693672B (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) | CN109693672B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110221611A (zh) * | 2019-06-11 | 2019-09-10 | 北京三快在线科技有限公司 | 一种轨迹跟踪控制方法、装置及无人驾驶车辆 |
| CN111552294A (zh) * | 2020-05-14 | 2020-08-18 | 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 |
| CN111923919A (zh) * | 2019-05-13 | 2020-11-13 | 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 |
| CN111959495A (zh) * | 2020-06-29 | 2020-11-20 | 北京百度网讯科技有限公司 | 车辆的控制方法、装置及车辆 |
| CN113276863A (zh) * | 2021-07-01 | 2021-08-20 | 浙江吉利控股集团有限公司 | 车辆控制方法、装置、设备、介质及程序产品 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106080590A (zh) * | 2016-06-12 | 2016-11-09 | 百度在线网络技术（北京）有限公司 | 车辆控制方法和装置以及决策模型的获取方法和装置 |
| CN107515607A (zh) * | 2017-09-05 | 2017-12-26 | 百度在线网络技术（北京）有限公司 | 用于无人车的控制方法和装置 |
| CN107571867A (zh) * | 2017-09-05 | 2018-01-12 | 百度在线网络技术（北京）有限公司 | 用于控制无人驾驶车辆的方法和装置 |
| CN107609502A (zh) * | 2017-09-05 | 2018-01-19 | 百度在线网络技术（北京）有限公司 | 用于控制无人驾驶车辆的方法和装置 |
| CN107972662A (zh) * | 2017-10-16 | 2018-05-01 | 华南理工大学 | 一种基于深度学习的车辆前向碰撞预警方法 |
| US20180232585A1 (en) * | 2017-02-16 | 2018-08-16 | Samsung Electronics Co., Ltd. | Autonomous vehicle control method and apparatus |
| US20180260956A1 (en) * | 2017-03-10 | 2018-09-13 | TuSimple | System and method for semantic segmentation using hybrid dilated convolution (hdc) |
| CN108639065A (zh) * | 2018-05-15 | 2018-10-12 | 辽宁工业大学 | 一种基于视觉的车辆安全行驶控制方法 |
| US20180307967A1 (en) * | 2017-04-25 | 2018-10-25 | Nec Laboratories America, Inc. | Detecting dangerous driving situations by parsing a scene graph of radar detections |
| CN108909624A (zh) * | 2018-05-13 | 2018-11-30 | 西北工业大学 | 一种基于单目视觉的实时障碍物检测和定位方法 |
| CN108944947A (zh) * | 2018-07-15 | 2018-12-07 | 北京三快在线科技有限公司 | 驾驶设备决策的预测方法和装置 |
| CN108983219A (zh) * | 2018-08-17 | 2018-12-11 | 北京航空航天大学 | 一种交通场景的图像信息和雷达信息的融合方法及系统 |
| CN108974009A (zh) * | 2017-06-02 | 2018-12-11 | 百度（美国）有限责任公司 | 用于自动驾驶控制的方法、介质和系统 |
-
2018
- 2018-12-28 CN CN201811620220.9A patent/CN109693672B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106080590A (zh) * | 2016-06-12 | 2016-11-09 | 百度在线网络技术（北京）有限公司 | 车辆控制方法和装置以及决策模型的获取方法和装置 |
| US20180232585A1 (en) * | 2017-02-16 | 2018-08-16 | Samsung Electronics Co., Ltd. | Autonomous vehicle control method and apparatus |
| US20180260956A1 (en) * | 2017-03-10 | 2018-09-13 | TuSimple | System and method for semantic segmentation using hybrid dilated convolution (hdc) |
| US20180307967A1 (en) * | 2017-04-25 | 2018-10-25 | Nec Laboratories America, Inc. | Detecting dangerous driving situations by parsing a scene graph of radar detections |
| CN108974009A (zh) * | 2017-06-02 | 2018-12-11 | 百度（美国）有限责任公司 | 用于自动驾驶控制的方法、介质和系统 |
| CN107609502A (zh) * | 2017-09-05 | 2018-01-19 | 百度在线网络技术（北京）有限公司 | 用于控制无人驾驶车辆的方法和装置 |
| CN107571867A (zh) * | 2017-09-05 | 2018-01-12 | 百度在线网络技术（北京）有限公司 | 用于控制无人驾驶车辆的方法和装置 |
| CN107515607A (zh) * | 2017-09-05 | 2017-12-26 | 百度在线网络技术（北京）有限公司 | 用于无人车的控制方法和装置 |
| CN107972662A (zh) * | 2017-10-16 | 2018-05-01 | 华南理工大学 | 一种基于深度学习的车辆前向碰撞预警方法 |
| CN108909624A (zh) * | 2018-05-13 | 2018-11-30 | 西北工业大学 | 一种基于单目视觉的实时障碍物检测和定位方法 |
| CN108639065A (zh) * | 2018-05-15 | 2018-10-12 | 辽宁工业大学 | 一种基于视觉的车辆安全行驶控制方法 |
| CN108944947A (zh) * | 2018-07-15 | 2018-12-07 | 北京三快在线科技有限公司 | 驾驶设备决策的预测方法和装置 |
| CN108983219A (zh) * | 2018-08-17 | 2018-12-11 | 北京航空航天大学 | 一种交通场景的图像信息和雷达信息的融合方法及系统 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111923919A (zh) * | 2019-05-13 | 2020-11-13 | 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 |
| 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 |
| CN110221611A (zh) * | 2019-06-11 | 2019-09-10 | 北京三快在线科技有限公司 | 一种轨迹跟踪控制方法、装置及无人驾驶车辆 |
| CN110221611B (zh) * | 2019-06-11 | 2020-09-04 | 北京三快在线科技有限公司 | 一种轨迹跟踪控制方法、装置及无人驾驶车辆 |
| CN111552294A (zh) * | 2020-05-14 | 2020-08-18 | 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 |
| 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 |
| CN111959495A (zh) * | 2020-06-29 | 2020-11-20 | 北京百度网讯科技有限公司 | 车辆的控制方法、装置及车辆 |
| CN111959495B (zh) * | 2020-06-29 | 2021-11-12 | 阿波罗智能技术(北京)有限公司 | 车辆的控制方法、装置及车辆 |
| CN113276863A (zh) * | 2021-07-01 | 2021-08-20 | 浙江吉利控股集团有限公司 | 车辆控制方法、装置、设备、介质及程序产品 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109693672B (zh) | 2020-11-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109693672A (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 | |
| CN108830235B (zh) | 用于生成信息的方法和装置 | |
| WO2019047649A1 (zh) | 用于确定无人车的驾驶行为的方法和装置 | |
| CN109407679A (zh) | 用于控制无人驾驶汽车的方法和装置 | |
| JP2022521448A (ja) | 交通画像認識方法、装置、コンピュータデバイスおよび媒体 | |
| CN108960090A (zh) | 视频图像处理方法及装置、计算机可读介质和电子设备 | |
| CN107609502A (zh) | 用于控制无人驾驶车辆的方法和装置 | |
| CN107481292A (zh) | 车载摄像头的姿态误差估计方法和装置 | |
| CN110751683A (zh) | 轨迹预测方法、装置、可读存储介质及电子设备 | |
| WO2020211573A1 (zh) | 用于处理图像的方法和装置 | |
| CN109889849B (zh) | 视频生成方法、装置、介质及设备 | |
| CN109165573A (zh) | 用于提取视频特征向量的方法和装置 | |
| CN109515444B (zh) | 用于输出无人驾驶汽车的行驶性能指标的方法和装置 | |
| CN108986049A (zh) | 用于处理图像的方法和装置 | |
| CN107515607A (zh) | 用于无人车的控制方法和装置 | |
| CN110799996A (zh) | 在不同的深度学习架构之间的知识转移 | |
| CN107527074B (zh) | 用于车辆的图像处理方法和装置 | |
| CN116994021A (zh) | 图像检测方法、装置、计算机可读介质及电子设备 | |
| CN117079299A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
| CN111382695A (zh) | 用于检测目标的边界点的方法和装置 | |
| CN107499258A (zh) | 应用于自动驾驶汽车的控制方法和装置 | |
| CN115112141A (zh) | 一种车辆路径规划方法、系统、电子设备及存储介质 | |
| CN109711349A (zh) | 用于生成控制指令的方法和装置 | |
| Ma et al. | Cemformer: Learning to predict driver intentions from in-cabin and external cameras via spatial-temporal transformers |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20211012 Address after: 105 / F, building 1, No. 10, Shangdi 10th Street, Haidian District, Beijing 100085 Patentee after: Apollo Intelligent Technology (Beijing) Co.,Ltd. Address before: 100085 Baidu Building, 10 Shangdi Tenth Street, Haidian District, Beijing Patentee before: BAIDU ONLINE NETWORK TECHNOLOGY (BEIJING) Co.,Ltd. |
|
| TR01 | Transfer of patent right |