CN110414374B - 一种障碍物位姿的确定方法、装置、设备及介质 - Google Patents

一种障碍物位姿的确定方法、装置、设备及介质 Download PDF

Info

Publication number
CN110414374B
CN110414374B CN201910609883.9A CN201910609883A CN110414374B CN 110414374 B CN110414374 B CN 110414374B CN 201910609883 A CN201910609883 A CN 201910609883A CN 110414374 B CN110414374 B CN 110414374B
Authority
CN
China
Prior art keywords
obstacle
pose
point cloud
picture
data
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
CN201910609883.9A
Other languages
English (en)
Other versions
CN110414374A (zh
Inventor
陈海波
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.)
Shenlan Robot Shanghai Co ltd
Original Assignee
Deep Blue Technology Shanghai 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 Deep Blue Technology Shanghai Co Ltd filed Critical Deep Blue Technology Shanghai Co Ltd
Priority to CN201910609883.9A priority Critical patent/CN110414374B/zh
Publication of CN110414374A publication Critical patent/CN110414374A/zh
Application granted granted Critical
Publication of CN110414374B publication Critical patent/CN110414374B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Processing Or Creating Images (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例公开了一种障碍物位姿的确定方法、装置、设备及介质，用以提高确定出的障碍物位姿的准确性。所述障碍物位姿的确定方法，包括：获取包含障碍物点云的图片，将所述图片输入预先训练的障碍物位姿识别模型，得到输出结果，基于所述障碍物位姿识别模型的输出结果，确定所述图片中所包含障碍物的位姿。

Description

一种障碍物位姿的确定方法、装置、设备及介质
技术领域
本发明涉及人工智能技术领域，尤其是涉及一种障碍物位姿的确定方法、装置、设备及介质。
背景技术
在车辆自动驾驶场景中，通过确定车辆行驶道路上障碍物的位姿，能够帮助车辆规划出合适的行驶路线，用以规避车辆在行驶道路上行驶时与障碍物之间潜在的碰撞危险。
但现有的激光雷达障碍物位姿估计算法，或是集成在障碍物检测算法中，或是基于3d点云的位姿估计，前者在障碍物检测不准确时会影响位姿的估计，后者由于点云的稀疏性导致障碍物位姿估计不准确。
综上所述，现有的激光雷达障碍物位姿估计算法均不能准确确定障碍物的位姿信息。
发明内容
本发明实施例提供一种障碍物位姿的确定方法、装置、设备及介质，用以提高确定出的障碍物位姿的准确性。
第一方面，本发明实施例提供一种障碍物位姿的确定方法，该方法包括：
获取包含障碍物点云的图片；
将图片输入预先训练的障碍物位姿识别模型，得到输出结果；
基于障碍物位姿识别模型的输出结果，确定图片中所包含障碍物的位姿。
本发明实施例提供的障碍物位姿的确定方法，获取包含障碍物点云的图片，将该图片输入到预先训练的障碍物位姿识别模型中，得到输出结果，并基于输出结果，确定图片中包含的障碍物的位姿。通过引入障碍物位姿识别模型，对包含有障碍物点云的图片进行识别，进而确定障碍物的位姿，提高了障碍物位姿的准确性。
在一种可能的实施方式中，本发明实施例提供的方法中，障碍物位姿识别模型采用以下步骤训练生成：
获取多个包含障碍物点云的样本图片，每个样本图片中包含一个障碍物点云；
基于样本图片、以及每个样本图片对应的训练标签，训练生成障碍物位姿识别模型；
其中，训练标签为每个样本图片中所包含障碍物的位姿数据或者位姿数据对应的标识，标识是根据预先存储的位姿数据与标识的对应关系以及位姿数据确定的。
本发明实施例提供的障碍物位姿的确定方法，基于多张包含单个障碍物点云的样本图片和每个样本图片对应的训练标签，训练生成障碍物位姿识别模型，简化了障碍物位姿的确定过程，减小了计算量。
在一种可能的实施方式中，本发明实施例提供的方法中，获取包含障碍物点云的图片，包括：
获取包含障碍物的三维点云数据；
从三维点云数据中筛选出障碍物点云数据；
将障碍物点云数据映射在鸟瞰图中，生成包含障碍物点云数据的图片。
本发明实施例提供的障碍物位姿的确定方法，通过将三维的初始点云数据进行处理，得到二维的障碍物点云数据，并进一步生成包含障碍物点云数据的图片，避免了由于点云的稀疏性导致的位姿估计不准确问题，提高了位姿估计的准确性。
在一种可能的实施方式中，本发明实施例提供的方法中，输出结果为位姿数据对应的目标标识；
基于障碍物位姿识别模型的输出结果，确定图片中所包含障碍物的位姿，包括：
基于预先存储的位姿数据与标识的对应关系，确定目标标识对应的目标位姿数据，并将目标位姿数据确定为图片中所包含障碍物的位姿。
第二方面，本发明实施例提供一种障碍物位姿的确定装置，包括：
获取单元，用于获取包含障碍物点云的图片；
处理单元，用于将图片输入预先训练的障碍物位姿识别模型，得到输出结果；
确定单元，用于基于障碍物位姿识别模型的输出结果，确定图片中所包含障碍物的位姿。
在一种可能的实施方式中，本发明实施例提供的装置中，处理单元采样如下步骤训练生成障碍物位姿识别模型：
获取多个包含障碍物点云的样本图片，每个样本图片中包含一个障碍物点云；
基于样本图片、以及每个样本图片对应的训练标签，训练生成障碍物位姿识别模型；
其中，训练标签为每个样本图片中所包含障碍物的位姿数据或者位姿数据对应的标识，标识是根据预先存储的位姿数据与标识的对应关系以及位姿数据确定的。
在一种可能的实施方式中，本发明实施例提供的装置中，获取单元具体用于：
获取包含障碍物的三维点云数据；
从三维点云数据中筛选出障碍物点云数据；
将障碍物点云数据映射在鸟瞰图中，生成包含障碍物点云数据的图片。
在一种可能的实施方式中，本发明实施例提供的装置中，确定单元具体用于：
在输出结果为位姿数据对应的目标标识时，基于预先存储的位姿数据与标识的对应关系，确定目标标识对应的目标位姿数据，并将目标位姿数据确定为图片中所包含障碍物的位姿。
第三方面，本发明实施例提供了一种障碍物位姿的确定设备，包括：至少一个处理器、至少一个存储器以及存储在存储器中的计算机程序指令，当计算机程序指令被处理器执行时实现本发明实施例第一方面提供的方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序指令，当计算机程序指令被处理器执行时实现本发明实施例第一方面提供的方法。
附图说明
图1为本发明实施例提供的一种障碍物位姿的确定方法的示意流程图；
图2为本发明实施例提供的一种障碍物位姿的确定装置的结构示意图；
图3为本发明实施例提供的一种障碍物位姿的确定设备的结构示意图。
具体实施方式
下面结合附图，对本发明实施例提供的障碍物位姿的确定方法、装置、设备及介质的具体实施方式进行详细地说明。
如图1所示，本发明实施例提供一种障碍物位姿的确定方法，包括以下步骤：
S101，获取包含障碍物点云的图片。
具体实施时，通过激光雷达采集包含障碍物的三维点云数据，并从三维点云数据中过滤掉路面的点云数据，筛选出障碍物点云数据，然后将障碍物点云数据映射在鸟瞰图的坐标系中，生成包含障碍物的二维点云数据，并基于该二维点云数据，生成一张包含单个障碍物点云数据的图片。其中，该图片的大小可以是255*255，也可以是128*128，还可以按照实际使用需求设定，本发明实施例对此不做限定。
需要说明的是，在基于该二维点云数据，生成包含障碍物点云数据的图片过程中，还可以对该图片进行以下一种或多种操作，平移操作、旋转操作、裁剪操作。
S102，将图片输入预先训练的障碍物位姿识别模型，得到输出结果。
具体实施时，障碍物位姿识别模型可以通过以下方式训练生成：
(1)获取多个包含障碍物点云的样本图片，每个样本图片中包含一个障碍物点云数据。
在一个示例中，选取1000张样本图片，每个样本图片中包含有一个障碍物的点云数据。
(2)基于样本图片、以及每个样本图片对应的训练标签，训练生成障碍物位姿识别模型。
具体实施时，可以采用深度神经网络训练生成，也可以采用机器学习算法训练生成，本发明实施例对此不做限定。
需要说明的是，训练标签为每个样本图片中所包含障碍物的位姿数据或者位姿数据对应的标识，标识是根据预先存储的位姿数据与标识的对应关系以及位姿数据确定的。
仍沿用上述示例，障碍物的位姿以航向角为例，则训练标签可以直接使用航向角的数值区间，例如，训练标签为[0°，18°)、[18°，36°)…[144°，162°)、[162°，180°]等；训练标签也可以是航向角的数值区间对应的标识，假设[0°，18°)、[18°，36°)…[144°，162°)、[162°，180°]依次对应数字标识0-9，则训练标签可以使用0-9。
S103，基于障碍物位姿识别模型的输出结果，确定图片中所包含障碍物的位姿。
需要说明的是，障碍物位姿识别模型的输出结果可以是障碍物位姿，也可以是位姿数据对应的目标标识，本发明实施例对此不做限定。
当输出结果为障碍物位姿时，直接将输出结果确定为图片中所包含障碍物的位姿。
当输出结果为位姿数据对应的目标标识，基于预先存储的位姿数据与标识的对应关系，确定目标标识对应的目标位姿数据，并将目标位姿数据确定为图片中所包含障碍物的位姿。
仍沿用上述示例，假设输出的目标标识为5，则图片中所包含障碍物的航向角为[90°，108°)，取航向角为中间值99°。这样可以保证误差在9°以内，当然，也可以按照实际使用情况调整选取的中间值，本发明实施例对此不做限定。
如图2所示，本发明实施例提供一种障碍物位姿的确定装置，包括：
获取单元201，用于获取包含障碍物点云的图片；
处理单元202，用于将图片输入预先训练的障碍物位姿识别模型，得到输出结果；
确定单元203，用于基于障碍物位姿识别模型的输出结果，确定图片中所包含障碍物的位姿。
在一种可能的实施方式中，本发明实施例提供的装置中，处理单元采样如下步骤训练生成障碍物位姿识别模型：
获取多个包含障碍物点云的样本图片，每个样本图片中包含一个障碍物点云；
基于样本图片、以及每个样本图片对应的训练标签，训练生成障碍物位姿识别模型；
其中，训练标签为每个样本图片中所包含障碍物的位姿数据或者位姿数据对应的标识，标识是根据预先存储的位姿数据与标识的对应关系以及位姿数据确定的。
在一种可能的实施方式中，本发明实施例提供的装置中，获取单元201具体用于：
获取包含障碍物的三维点云数据；
从三维点云数据中筛选出障碍物点云数据；
将障碍物点云数据映射在鸟瞰图中，生成包含障碍物点云数据的图片。
在一种可能的实施方式中，本发明实施例提供的装置中，确定单元203具体用于：
在输出结果为位姿数据对应的目标标识时，基于预先存储的位姿数据与标识的对应关系，确定目标标识对应的目标位姿数据，并将目标位姿数据确定为图片中所包含障碍物的位姿。
另外，结合图1-图2描述的本申请实施例的障碍物位姿的确定方法和装置可以由障碍物位姿的确定设备来实现。图3示出了本申请实施例提供的障碍物位姿的确定设备的硬件结构示意图。
障碍物位姿的确定设备可以包括处理器301以及存储有计算机程序指令的存储器302。
具体地，上述处理器301可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本发明实施例的一个或多个集成电路。
存储器302可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器302可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器302可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器302可在数据处理装置的内部或外部。在特定实施例中，存储器302是非易失性固态存储器。在特定实施例中，存储器302包括只读存储器(ROM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器301通过读取并执行存储器302中存储的计算机程序指令，以实现上述实施例中的一种障碍物位姿的确定方法。
在一个示例中，障碍物位姿的确定设备还可包括通信接口303和总线310。其中，如图3所示，处理器301、存储器302、通信接口303通过总线310连接并完成相互间的通信。
通信接口303，主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。
总线310包括硬件、软件或两者，将障碍物位姿的确定设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线310可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线，但本发明考虑任何合适的总线或互连。
该障碍物位姿的确定设备可以执行本发明实施例中的障碍物位姿的确定方法，从而实现结合图1描述的障碍物位姿的确定方法。
另外，结合上述实施例中的障碍物位姿的确定方法，本发明实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的一种障碍物位姿的确定方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.一种障碍物位姿的确定方法，其特征在于，包括：
获取包含障碍物点云的图片；
将所述图片输入预先训练的障碍物位姿识别模型，得到输出结果；
基于所述障碍物位姿识别模型的输出结果，确定所述图片中所包含障碍物的位姿；
所述获取包含障碍物点云的图片，包括：
获取包含障碍物的三维点云数据；
通过从所述三维点云数据中过滤掉路面点云数据，获取障碍物点云数据；
将所述障碍物点云数据映射在鸟瞰图中，生成包含障碍物点云数据的图片。
2.根据权利要求1所述的方法，其特征在于，所述障碍物位姿识别模型采用以下步骤训练生成：
获取多个包含障碍物点云的样本图片，每个样本图片中包含一个障碍物点云；
基于所述样本图片、以及每个样本图片对应的训练标签，训练生成所述障碍物位姿识别模型；
其中，所述训练标签为每个样本图片中所包含障碍物的位姿数据或者位姿数据对应的标识，所述标识是根据预先存储的位姿数据与标识的对应关系以及所述位姿数据确定的。
3.根据权利要求1或2所述的方法，其特征在于，所述输出结果为位姿数据对应的目标标识；
所述基于所述障碍物位姿识别模型的输出结果，确定所述图片中所包含障碍物的位姿，包括：
基于预先存储的位姿数据与标识的对应关系，确定所述目标标识对应的目标位姿数据，并将所述目标位姿数据确定为所述图片中所包含障碍物的位姿。
4.一种障碍物位姿的确定装置，其特征在于，包括：
获取单元，用于获取包含障碍物点云的图片；
处理单元，用于将所述图片输入预先训练的障碍物位姿识别模型，得到输出结果；
确定单元，用于基于所述障碍物位姿识别模型的输出结果，确定所述图片中所包含障碍物的位姿；
所述获取单元具体用于：
所述获取包含障碍物点云的图片，包括：
获取包含障碍物的三维点云数据；
通过从所述三维点云数据中过滤掉路面点云数据，获取障碍物点云数据；
将所述障碍物点云数据映射在鸟瞰图中，生成包含障碍物点云数据的图片。
5.根据权利要求4所述的装置，其特征在于，所述处理单元采用 如下步骤训练生成所述障碍物位姿识别模型：
获取多个包含障碍物点云的样本图片，每个样本图片中包含一个障碍物点云；
基于所述样本图片、以及每个样本图片对应的训练标签，训练生成所述障碍物位姿识别模型；
其中，所述训练标签为每个样本图片中所包含障碍物的位姿数据或者位姿数据对应的标识，所述标识是根据预先存储的位姿数据与标识的对应关系以及所述位姿数据确定的。
6.根据权利要求4或5所述的装置，其特征在于，所述确定单元具体用于：
在所述输出结果为位姿数据对应的目标标识时，基于预先存储的位姿数据与标识的对应关系，确定所述目标标识对应的目标位姿数据，并将所述目标位姿数据确定为所述图片中所包含障碍物的位姿。
7.一种障碍物位姿的确定设备，其特征在于，包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现如权利要求1-3中任一项所述的方法。
8.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，当所述计算机程序指令被处理器执行时实现如权利要求1-3中任一项所述的方法。
CN201910609883.9A 2019-07-08 2019-07-08 一种障碍物位姿的确定方法、装置、设备及介质 Active CN110414374B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910609883.9A CN110414374B (zh) 2019-07-08 2019-07-08 一种障碍物位姿的确定方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910609883.9A CN110414374B (zh) 2019-07-08 2019-07-08 一种障碍物位姿的确定方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN110414374A CN110414374A (zh) 2019-11-05
CN110414374B true CN110414374B (zh) 2021-12-17

Family

ID=68360563

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910609883.9A Active CN110414374B (zh) 2019-07-08 2019-07-08 一种障碍物位姿的确定方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN110414374B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110706517B (zh) * 2019-11-07 2020-08-28 深圳鼎然信息科技有限公司 交通工具的智能安全预警方法、装置、系统及存储介质
CN111123915A (zh) * 2019-12-05 2020-05-08 国电南瑞科技股份有限公司 一种巡检机器人越障方法、系统、存储介质及计算设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107316048A (zh) * 2017-05-03 2017-11-03 深圳市速腾聚创科技有限公司 点云分类方法及装置
CN109145680A (zh) * 2017-06-16 2019-01-04 百度在线网络技术（北京）有限公司 一种获取障碍物信息的方法、装置、设备和计算机存储介质
CN109344786A (zh) * 2018-10-11 2019-02-15 深圳步智造科技有限公司 目标识别方法、装置及计算机可读存储介质
CN109800773A (zh) * 2019-02-19 2019-05-24 北京大学 基于三维激光雷达的越野路面提取方法
CN109816050A (zh) * 2019-02-23 2019-05-28 深圳市商汤科技有限公司 物体位姿估计方法及装置
CN109828592A (zh) * 2019-04-22 2019-05-31 深兰人工智能芯片研究院（江苏）有限公司 一种障碍物检测的方法及设备
CN109902702A (zh) * 2018-07-26 2019-06-18 华为技术有限公司 目标检测的方法和装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101791590B1 (ko) * 2010-11-05 2017-10-30 삼성전자주식회사 물체 자세 인식장치 및 이를 이용한 물체 자세 인식방법
US20180314253A1 (en) * 2017-05-01 2018-11-01 Mentor Graphics Development (Deutschland) Gmbh Embedded automotive perception with machine learning classification of sensor data

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107316048A (zh) * 2017-05-03 2017-11-03 深圳市速腾聚创科技有限公司 点云分类方法及装置
CN109145680A (zh) * 2017-06-16 2019-01-04 百度在线网络技术（北京）有限公司 一种获取障碍物信息的方法、装置、设备和计算机存储介质
CN109902702A (zh) * 2018-07-26 2019-06-18 华为技术有限公司 目标检测的方法和装置
CN109344786A (zh) * 2018-10-11 2019-02-15 深圳步智造科技有限公司 目标识别方法、装置及计算机可读存储介质
CN109800773A (zh) * 2019-02-19 2019-05-24 北京大学 基于三维激光雷达的越野路面提取方法
CN109816050A (zh) * 2019-02-23 2019-05-28 深圳市商汤科技有限公司 物体位姿估计方法及装置
CN109828592A (zh) * 2019-04-22 2019-05-31 深兰人工智能芯片研究院（江苏）有限公司 一种障碍物检测的方法及设备

Also Published As

Publication number Publication date
CN110414374A (zh) 2019-11-05

Similar Documents

Publication Publication Date Title
US10217007B2 (en) Detecting method and device of obstacles based on disparity map and automobile driving assistance system
CN109116374B (zh) 确定障碍物距离的方法、装置、设备及存储介质
CN108764187A (zh) 提取车道线的方法、装置、设备、存储介质以及采集实体
CN108508881B (zh) 自动驾驶控制策略调整方法、装置、设备及存储介质
CN109118532B (zh) 视觉景深估计方法、装置、设备及存储介质
CN108303103A (zh) 目标车道的确定方法和装置
CN111316288A (zh) 道路结构信息的提取方法、无人机及自动驾驶系统
CN111091739B (zh) 自动驾驶场景的生成方法、装置和存储介质
CN111368605A (zh) 车道线提取方法及装置
CN110414374B (zh) 一种障碍物位姿的确定方法、装置、设备及介质
CN111742344A (zh) 图像语义分割方法、可移动平台及存储介质
CN109871829A (zh) 一种基于深度学习的检测模型训练方法和装置
CN109117690A (zh) 可行驶区域检测方法、装置、设备及存储介质
CN113255444A (zh) 图像识别模型的训练方法、图像识别方法和装置
CN113223064B (zh) 一种视觉惯性里程计尺度的估计方法和装置
CN114428259A (zh) 一种基于地图车采集的地库激光点云中车辆自动提取方法
CN117079238A (zh) 道路边沿检测方法、装置、设备及存储介质
CN116543143A (zh) 一种目标检测模型的训练方法、目标检测方法及装置
CN113874681B (zh) 点云地图质量的评估方法和系统
CN112528918A (zh) 道路元素识别方法、地图标注方法及装置、车辆
CN116802581A (zh) 基于航测数据的自动驾驶感知系统测试方法、系统及存储介质
CN113469045A (zh) 无人集卡的视觉定位方法、系统、电子设备和存储介质
CN115249407A (zh) 指示灯状态识别方法、装置、电子设备、存储介质及产品
CN116917936A (zh) 双目相机外参标定的方法及装置
Blachut et al. Automotive Perception System Evaluation with Reference Data from a UAV’s Camera Using ArUco Markers and DCNN

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: 20240514

Address after: Room 6227, No. 999, Changning District, Shanghai 200050

Patentee after: Shenlan robot (Shanghai) Co.,Ltd.

Country or region after: China

Address before: Unit 1001, 369 Weining Road, Changning District, Shanghai, 200336 (9th floor of actual floor)

Patentee before: DEEPBLUE TECHNOLOGY (SHANGHAI) Co.,Ltd.

Country or region before: China

TR01 Transfer of patent right