CN110942179A - 一种自动驾驶路线规划方法、装置及车辆 - Google Patents
一种自动驾驶路线规划方法、装置及车辆 Download PDFInfo
- Publication number
- CN110942179A CN110942179A CN201911065464.XA CN201911065464A CN110942179A CN 110942179 A CN110942179 A CN 110942179A CN 201911065464 A CN201911065464 A CN 201911065464A CN 110942179 A CN110942179 A CN 110942179A
- Authority
- CN
- China
- Prior art keywords
- layer
- layers
- network
- output image
- training
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012549 training Methods 0.000 claims description 63
- 230000006870 function Effects 0.000 claims description 32
- 230000004913 activation Effects 0.000 claims description 24
- 238000011176 pooling Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 23
- 238000001514 detection method Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims 2
- 230000007613 environmental effect Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种自动驾驶路线规划方法、装置及车辆。其中,该方法包括:获取目标图像,并将目标图像输入包含有动态的学习率的识别网络中,生成识别信息,进而根据识别信息规划自动驾驶路线。相比于现有技术中采用定值学习率的方式,本发明采用包含有动态的学习率的识别网络识别获取到的目标图像,可以更加充分、全面地提取图像特征,从而避免复杂场景下,外部环境问题对待识别图像造成的影响,进而影响到自动驾驶路线的规划。
Description
技术领域
本发明实施例涉及图像识别技术,尤其涉及一种自动驾驶路线规划方法、装置及车辆。
背景技术
在车辆自动驾驶领域中,安装在车辆上的摄像头等传感器从不同角度全方位拍摄车辆外部环境,并根据搜集到的信息得到反映真实道路的图像数据,并基于图像检测算法提取出图像中的障碍物,基于道路检测算法提取出图像中的车道线、道路边界以及车辆的方位信息,从而判断出车辆当前的位置信息。
但是,摄像头很容易受到拍摄角度、环境清晰度以及目标物体重叠等因素的干扰,无法保证检测准确度,同时,对于图像中的目标物体还会出现漏检、错检等问题。
发明内容
本发明提供一种自动驾驶路线规划方法、装置、车辆及存储介质,能够在各种复杂场景下,避免外部环境问题所造成的影响,以较高的准确率识别目标图像中的信息,进而规划自动驾驶路线。
第一方面,本发明实施例提供了一种自动驾驶路线规划方法,包括:
获取目标图像;
将目标图像输入识别网络中,生成识别信息;
其中,识别网络中包含有动态的学习率;
根据识别信息规划自动驾驶路线。
第二方面,本发明实施例还提供了一种自动驾驶路线规划装置,该装置包括:
获取模块,用于获取目标图像;
生成模块,用于将目标图像输入识别网络中,生成识别信息;
其中,识别网络中包含有动态的学习率;
规划模块,用于根据识别信息规划自动驾驶路线。
第三方面,本发明实施例还提供了一种车辆,该车辆包括:
存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,当处理器执行计算机程序时,实现如本发明任一实施例提供的自动驾驶路线规划方法。
本发明实施例提供了一种自动驾驶路线规划方法、装置及车辆,具体为获取目标图像,并将目标图像输入包含有动态的学习率的识别网络中,生成识别信息,进而根据识别信息规划自动驾驶路线。相比于现有技术中采用定值学习率的方式,本发明采用包含有动态的学习率的识别网络识别获取到的目标图像,可以更加充分、全面地提取图像特征,从而避免复杂场景下,外部环境问题对待识别图像造成的影响,进而影响到自动驾驶路线的规划。
附图说明
图1为本发明实施例一中的自动驾驶路线规划方法流程图;
图2是本发明实施例二中的自动驾驶路线规划方法流程图;
图3是本发明实施例二中的识别网络结构示意图;
图4是本发明实施例二中的识别网络中学习率为定值时的实验结果图;
图5是本发明实施例二中的识别网络中学习率为动态值时的实验结果图;
图6是本发明实施例三中的自动驾驶路线规划装置结构示意图;
图7是本发明实施例四中的车辆结构示意图。
具体实施方式
下面结合附图和实施例对本发明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本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
另外,在本发明实施例中,“可选地”或者“示例性地”等词用于表示作例子、例证或说明。本发明实施例中被描述为“可选地”或者“示例性地”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“可选地”或者“示例性地”等词旨在以具体方式呈现相关概念。
实施例一
本发明实施例提供了一种自动驾驶路线规划方法,应用于车辆自动驾驶场景下,该方法的具体流程如图1所示,包括:
S101、获取目标图像。
本步骤中的目标图像可以理解为由安装在车辆上的摄像头或者其他传感器采集到的车辆外部的环境图像,该目标图像可以在车辆自动驾驶过程中实时采集。
S102、将目标图像输入识别网络中,生成识别信息。
可选地,本实施例中的识别网络可以采用卷积神经网络(Faster RCNN),该识别网络中包含有动态的学习率,该动态的学习率通过第一公式获取,第一公式为
α′=α*(1-β) (1)
其中,α′为迭代后的学习率,α为上一次学习率,β为学习率衰减因子。
根据第一公式可以看出,识别网络中的学习率呈逐步衰减状态。而在现有技术中,卷积神经网络中的学习率为定值,相比于现有技术中的定值学习率,本实施例中采用逐步衰减的动态的学习率可以使识别网络中卷积核权重值的变化速度减慢,进而使识别网络中的神经元对于输入的目标图像的特征提取更加充分、全面,避免陷入损失函数的局部极小值,能够更好地找到损失函数的最小值,使识别网络识别效果达到最好。
这样,将目标图像输入至识别网络中,也可以生成更加准确的识别信息,其中,该识别信息可以为目标图像中的车辆、行人、树木、道路等等。
S103、根据识别信息规划自动驾驶路线。
在基于识别网络获取到高准确率的识别信息后,根据该识别信息可以更加精准的规划自动驾驶路线,从而避免复杂场景下,外部环境问题对识别图像和规划自动驾驶路线所造成的影响。
本发明实施例提供了一种自动驾驶路线规划方法,具体为获取目标图像,并将目标图像输入包含有动态的学习率的识别网络中,生成识别信息,进而根据识别信息规划自动驾驶路线。相比于现有技术中采用定值学习率的方式,本发明采用包含有动态的学习率的识别网络识别获取到的目标图像,可以更加充分、全面地提取图像特征,从而避免复杂场景下,外部环境问题对待识别图像造成的影响,进而影响到自动驾驶路线的规划。
实施例二
本发明实施例提供了一种自动驾驶路线规划方法,该方法为在实施一所提供方法基础上的进一步优化,具体流程如图2所示,包括:
S201、获取目标图像。
本步骤中的目标图像可以理解为由安装在车辆上的摄像头或者其他传感器采集到的车辆外部的环境图像,该目标图像可以在车辆自动驾驶过程中由车辆上的相关功能模块实时采集。
S202、将目标图像输入识别网络中,生成识别信息。
示例性地,本实施例中的识别网络可以采用卷积神经网络(Faster RCNN),该识别网络中包含有动态的学习率,该动态的学习率通过第一公式获取,第一公式为
α′=α*(1-β) (2)
其中,α′为迭代后的学习率,α为上一次学习率,β为学习率衰减因子。
根据第一公式可以看出,识别网络中的学习率呈逐步衰减状态。而在现有技术中,卷积神经网络中的学习率为定值,相比于现有技术中的定值学习率,本实施例中采用逐步衰减的动态的学习率可以使识别网络中卷积核权重值的变化速度减慢,进而使识别网络中的神经元对于输入的目标图像的特征提取更加充分、全面,避免陷入损失函数的局部极小值,能够更好地找到损失函数的最小值,使识别网络识别效果达到最好。
本实施例中的识别信息可以理解为识别网络识别到目标图像中所包含的信息,例如,车辆、行人、树木、道路等等。
进一步地,本实施例还提供了一种获取上述识别网络的实现方式,该实现方式包括以下步骤:
S2021、从数据库中获取训练样本。
示例性地,上述数据库可以选用KITTI数据库,KITTI数据库是一个测试交通场景中车辆检测、车辆追踪和语义分割等算法的公开数据集。
从数据库中选取的训练样本可以为各种环境下的图像,例如,晴天、阴天、黑暗环境、车辆互相遮挡,以及复杂环境道路下的图像等。
选取的训练样本的数量需要满足包含有各类场景下各种图像特征这一条件,例如,可以选用480张图片。当然,本领域技术人员在执行本方案时也可以根据实际需求进行数量设定,本发明实施例对此不作限定。
S2022、搭建训练网络。
示例性地,本实施例中搭建的训练网络可以采用卷积神经网络(Faster RCNN),但该网络结构需要包括输入层、三个卷积层、三个正则化层、四个激活函数层、三个池化层、两个全连接层和一个分类层,该网络结构如图3所示。
S2023、根据训练样本训练训练网络,生成识别网络。
在训练样本和网络准备完成之后,可以根据训练样本对训练网络进行训练。
在本实施例中,在根据训练样本训练训练网络之前,还需要对训练样本进行标记,例如,可以在训练样本中标记目标物体。
示例性地,可以利用MATLAB平台上图像处理与计算机视觉工具箱中的ImageLabeler标注工具对所有训练样本中需要检测的目标物体进行手动标记,例如,车辆、行人、树木、道路等等,标记好的训练样本可以以.mat文件格式保存在代码所在的路径下。
进一步地,本步骤中根据训练样本训练训练网络可以通过如下方式实现,将训练样本输入训练网络的输入层,得到第一输出图像,将第一输出图像经过卷积层、正则化层、激活函数层和池化层处理,得到第二输出图像,根据全连接层和分类层对第二输出图像进行分类处理。
在上述实现方式中,将训练样本输入训练网络的输入层时,可以将标记好的.mat文件导入至训练网络中,假设导入的样本图像尺寸为228*128。
进而,再将输入层输出的第一输入图像根据卷积层、正则化层、激活函数层和池化层的顺序依次输入三个卷积层、三个正则化层、三个激活函数层和三个池化层中进行处理,得到第二输出图像。
结合图3,假设三个卷积层分别为第二层、第六层、第十层,三个正则化层分别为第三层、第七层、第十一层,三个激活函数层分别为第四层、第八层、第十二层,三个池化层分别为第五层、第九层、第十三层,那么根据上述网络层的输入次序,对第一输入图像的处理过程可以为:
将第一输入图像输入至第二层(第一个卷积层),该层的卷积核大小可以为3*3,每次滑动1个窗口,卷积核数量可以选用32个,采用零补位的方法在原第一输入图像像素值的基础上加上一圈零元素补位,使得经过卷积操作后输出的图像和输入的图像尺寸相同,进而输出32张特征图。
将第二层输出的32张特征图输入第三层(第一个正则化层)后,按照如下方式对输入的特征图xi进行处理
上述公式中,特征图xi为多维向量;μ为多维向量的均值;σ2为多维向量之间的方差;为经过标准化处理后的数;ε为随机增加的最小值,一般取1e-7(即1乘以10的负七次方,0.0000001),这样可以防止分母为零;γ为各训练样本之间的标准差,β为各训练样本之间的均值;yi为第三层的输出数据,通过上述在第三层中的处理过程,可以提高训练网络的稳定性。
将第三层的输出数据yi输入至第四层(第一个激活函数层),通过激活函数对输入的图像像素加入一些非线性特征,其中,激活函数表达式为
x0=max(0,yi) (7)
y=f(ω1x0+b1) (8)
上面公式(7)表示当输入的数据yi像素值低于0时,默认输入数据的像素值为0,反之,若输入的数据yi像素值大于0时,则采用输入的像素值本身,即x0=yi,进而将确定的像素值输入公式(8)中,其中,公式(8)中的ω1为第一个卷积层中的卷积核,b1为特征图的常数偏置项,公式(8)也即表示对第一输入图像进行卷积操作后通过激活函数输出多维向量y,这样既对图像进行线性运算(即卷积操作),又进行非线性运算,可以有利于对图像特征进行提取。
将第四层输出的数据y输入至第五层(第一个池化层),采用最大值池化方法进行处理,其中,卷积核大小可以选用2*2,每次滑动两个步长,输出的特征图尺寸为114*64,通过这样的处理方式可以进行降维处理并减小图像尺寸和参数量,进而输入至下一层。
将第五层的输出数据输入至第六层(第二个卷积层)中,该层的卷积核大小可以选用3*3,每次滑动1个窗口,卷积核数量选用64个,采用零补位的方法在输入图像像素值的基础上加上一圈零元素补位,使得经过卷积操作后输出的图像和输入的图像尺寸相同,输出64张特征图。
经过第六层的卷积层处理后,将输出的64张特征图输入至第七层(第二个正则化层),采用与第三层同样的处理方式对输入的特征图进行归一化操作,从而使输出的数据更利于分类。
将经过正则化后的特征图输入到第八层(第二个激活函数层)中,采用如第四层同样的处理方式,对输入的特征图x1添加非线性元素,此时输出至下一层的特征图为
y1=f(ω2x1+b2) (9)
上述公式中,ω2为第二个卷积层中的卷积核,b2为特征图的常数偏置项。
将第八层得到的特征图输入至第九层(第二个池化层),以通过最大值池化法对上一层输出的特征图进行降维处理并减小图像尺寸和参数量,其中,最大值池化法采用的卷积核大小可以选用2*2,每次滑动两个步长,输出的特征图尺寸为57*32,数量为64张。
将经过池化处理后的特征图输入到第十层(第三个卷积层),该层的卷积核大小可以选用3*3,每次滑动1个窗口,卷积核数量选用128个,采用零补位的方法在输入图像像素值的基础上加上一圈零元素补位,使得经过卷积操作后输出的图像和输入的图像尺寸相同,输出128张特征图。
将第十层处理后的输出特征图输入至第十一层(第三个正则化层),同样采用与第三层相同的处理方式对输入的特征图进行归一化操作,从而使输出的数据更利于分类,并将正则化后的特征图输入至下一层中。
在第十二层(第三个激活函数层)中,在对第十层输出的特征经过第三个卷积操作ω3后,通过激活函数对输入的特征图x2添加非线性元素,此时输出至下一层的特征图为
y2=f(ω3x2+b3) (10)
上述公式中,b3为特征图的常数偏置项。
将第十二层得到的特征图输入至第十三层(第三个池化层),以通过最大值池化法对上一层输出的特征图进行降维处理并减小图像尺寸和参数量,其中,最大值池化法采用的卷积核大小可以选用2*2,每次滑动两个步长,输出的特征图尺寸为29*16,数量为128张。
通过上述各个网络层的处理过程,得到128张第二输出图像。
在根据全连接层和分类层对第二输出图像进行分类处理时,可以根据全连接层中的第二全连接层对第二输出图像进行分类处理,进而根据分类层对分类处理后的第二输出图像进行误差检测。
结合图3,在对第二输出图像进行上述分类处理之前,需要将第二输出图像输入至训练网络的第十四层(第一全连接层),该层有64个神经元,用于将输入的第二输出图像变换成一个n维列向量,n维列向量与该层的权重矩阵和常数偏置项进行线性变换得到一个n维列向量输入到下一层。在第十五层(第四个激活函数层)中,通过与前面激活函数层相同的处理方式对第一全连接层得到的列向量进行非线性变换,进而将处理后的第二输出图像输入至训练网络的第二全连接层,对之前标记好的目标物体进行分类操作,将分类后的特征图输入至训练网络的分类层,在分类层中采用分类器(例如,softmax分类器)对输入的图像进行误差检测。
通过上述训练方式对训练网络进行训练,当识别误差不再减小时,将得到的训练确定为识别网络。另外,由于识别网络是基于训练网络训练得到的,因此,识别网络的网络结构与训练网络的网络结构相同。
S203、根据识别信息规划自动驾驶路线。
在经过上述步骤之后,可以得到训练好的识别网络,例如,识别网络中各卷积核的权重参数、卷积过程中的参数、池化过程中卷积核参数均已确定。
在该种情况下,可以将识别网络中的学习率修改为定值,例如,设置为0.001,并选取一定数量的测试样本输入至上述识别网络中。
示例性地,可以从KITTI数据库中选取320张图片作为测试样本,同样地,对该测试样本采用手动标记的方式标记所要测试的目标物,并将标记好的图片以.mat文件格式保存至代码所在的路径下。
将上述测试样本输入至识别网络后,得到的识别曲线如图4所示,其中,横坐标为召回率recall,表示识别出的目标物数量占测试样本目标物总数量的百分比,纵坐标为查准率precision,表示识别正确的目标物数量占识别出的目标物数量的百分比,召回率与查准率之间的乘积即为得到的平均识别准确率。通过实验认证,当学习率为定值0.001时,测试样本的平均识别准确率为84%。
在识别网络中的其他参数不变的情况下,将识别网络中的学习率设置为本实施例中动态的学习率,并假设学习率衰减因子分别为0.5、0.8、0.9、0.95,通过实验认证,当学习率衰减因子为0.9,即每次迭代后的学习率衰减为上一次学习率的10%时,测试样本目标物识别准确率最高,可达到94%,识别结果如图5所示。
即采用本实施例提供的包含有动态学习率的识别网络时,基于该识别网络可以获取到高准确率的识别信息。而且,基于上述对比实验可以获知,通过少量的训练样本即可使识别网络达到较高的识别准确率。因此,当摄像头或其他传感器模块无法采集到大量图像的情况下,本实施例提出的识别网络仍然可以对图像特征进行提取,并以较高的识别准确率识别目标图像中的识别信息。
这样即使在复杂路况场景下,本实施例提供的方案仍然能够基于高准确率的识别信息自动规划驾驶路线,从而避免外部环境问题对识别图像和规划自动驾驶路线所造成的影响。
本发明实施例提供了一种自动驾驶路线规划方法,具体为获取目标图像,并将目标图像输入包含有动态的学习率的识别网络中,生成识别信息,进而根据识别信息规划自动驾驶路线。相比于现有技术中采用定值学习率的方式,本发明采用包含有动态的学习率的识别网络识别获取到的目标图像,可以更加充分、全面地提取图像特征,从而避免复杂场景下,外部环境问题对待识别图像造成的影响,进而影响到自动驾驶路线的规划。
实施例三
本发明实施例提供了一种自动驾驶路线规划装置,如图6所示,该装置包括获取模块601、生成模块602、规划模块603;
其中,获取模块,用于获取目标图像;
生成模块,用于将目标图像输入识别网络中,生成识别信息;
其中,识别网络中包含有动态的学习率,该动态的学习率通过第一公式获得,第一公式为
α′=α*(1-β) (11)
上述公式中的α′为迭代后的学习率,α为上一次学习率,β为学习率衰减因子。
规划模块,用于根据识别信息规划自动驾驶路线。
在本实施例中,自动驾驶路线规划装置还包括:构建模块和训练模块;
构建模块,用于搭建训练网络,其中,该训练网络包括输入层、三个卷积层、三个正则化层、四个激活函数层、三个池化层、两个全连接层、一个分类层;
获取模块,还用于从数据库中获取训练样本;
训练模块,用于根据训练样本训练训练网络,生成识别网络。
训练模块,具体用于将训练样本输入训练网络的输入层,得到第一输出图像;将第一输出图像经过卷积层、正则化层、激活函数层和池化层处理,得到第二输出图像;根据全连接层和分类层对第二输出图像进行分类处理。
进一步地,上述训练模块具体用于根据卷积层、正则化层、激活函数层和池化层的顺序,将第一输出图像依次输入三个卷积层、三个正则化层、三个激活函数层和三个池化层中进行处理,得到第二输出图像。
进一步地,上述训练模块具体用于根据全连接层中的第二全连接层对第二输出图像进行分类处理;根据分类层对分类处理后的第二输出图像进行误差检测。
进一步地,上述训练模块还用于根据全连接层中的第一全连接层和激活函数层分别对第二输出图像进行线性变换和非线性变换。
本发明实施例所提供的装置可执行本发明实施例一、二所提供的自动驾驶路线规划方法,具备执行方法相应的功能模块和有益效果。
实施例四
图7为本发明实施例四提供的一种车辆的结构示意图,如图7所示,该车辆包括处理器701、存储器702、输入装置703和输出装置704;车辆中处理器701的数量可以是一个或多个,图7中以一个处理器701为例;车辆中的处理器701、存储器702、输入装置703和输出装置704可以通过总线或其他方式连接,图7中以通过总线连接为例。
存储器702作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例一中的自动驾驶路线规划方法对应的程序指令/模块(例如,自动驾驶路线规划装置中的获取模块601、生成模块602、规划模块603)。处理器701通过运行存储在存储器502中的软件程序、指令以及模块,从而执行车辆的各种功能应用以及数据处理,即实现上述的自动驾驶路线规划方法。
存储器702可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器702可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器702可进一步包括相对于处理器701远程设置的存储器,这些远程存储器可以通过网络连接至设备/终端/服务器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置703可用于接收输入的数字或字符信息,以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置704可包括显示屏等显示设备。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质,当计算机可执行指令在由计算机处理器执行时,可以实现上述实施例一、二中自动驾驶路线规划方法。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是,上述车辆的实施例中,车辆所包括的模块只是按照功能逻辑进行划分,但并不局限于上述的划分方式,只要能够实现相应的功能即可;另外,获取模块、生成模块、规划模块的具体名称也只是为了便于区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种自动驾驶路线规划方法,其特征在于,包括:
获取目标图像;
将所述目标图像输入识别网络中,生成识别信息;
其中,所述识别网络中包含有动态的学习率;
根据所述识别信息规划自动驾驶路线。
2.根据权利要求1所述的方法,其特征在于,所述动态的学习率通过第一公式获得,所述第一公式为
α′=α*(1-β),
其中,α′为迭代后的学习率,α为上一次学习率,β为学习率衰减因子。
3.根据权利要求1所述的方法,其特征在于,获取所述识别网络,包括:
从数据库中获取训练样本;
搭建训练网络;
根据所述训练样本训练所述训练网络,生成识别网络。
4.根据权利要求3所述的方法,其特征在于,所述训练网络包括输入层、三个卷积层、三个正则化层、四个激活函数层、三个池化层、两个全连接层、一个分类层。
5.根据权利要求3或4所述的方法,其特征在于,根据所述训练样本训练所述训练网络,包括:
将所述训练样本输入所述训练网络的输入层,得到第一输出图像;
将所述第一输出图像经过卷积层、正则化层、激活函数层和池化层处理,得到第二输出图像;
根据全连接层和分类层对所述第二输出图像进行分类处理。
6.根据权利要求5所述的方法,其特征在于,将将所述第一输出图像经过卷积层、正则化层、激活函数层和池化层处理,得到第二输出图像,包括:
根据所述卷积层、正则化层、激活函数层和池化层的顺序,将所述第一输出图像依次输入三个卷积层、三个正则化层、三个激活函数层和三个池化层中进行处理,得到第二输出图像。
7.根据权利要求5所述的方法,其特征在于,根据全连接层和分类层对所述第二输出图像进行分类处理,包括:
根据所述全连接层中的第二全连接层对所述第二输出图像进行分类处理;
根据所述分类层对所述分类处理后的第二输出图像进行误差检测。
8.根据权利要求7所述的方法,其特征在于,在根据全连接层和分类层对所述第二输出图像进行分类处理之前,所述方法还包括:
根据所述全连接层中的第一全连接层和激活函数层分别对所述第二输出图像进行线性变换和非线性变换。
9.一种自动驾驶路线规划装置,其特征在于,所述装置包括:
获取模块,用于获取目标图像;
生成模块,用于将所述目标图像输入识别网络中,生成识别信息;
其中,所述识别网络中包含有动态的学习率;
规划模块,用于根据所述识别信息规划自动驾驶路线。
10.一种车辆,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时,实现如权利要求1-8任一项所述的自动驾驶路线规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911065464.XA CN110942179A (zh) | 2019-11-04 | 2019-11-04 | 一种自动驾驶路线规划方法、装置及车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911065464.XA CN110942179A (zh) | 2019-11-04 | 2019-11-04 | 一种自动驾驶路线规划方法、装置及车辆 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110942179A true CN110942179A (zh) | 2020-03-31 |
Family
ID=69906279
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911065464.XA Pending CN110942179A (zh) | 2019-11-04 | 2019-11-04 | 一种自动驾驶路线规划方法、装置及车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110942179A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343837A (zh) * | 2021-06-03 | 2021-09-03 | 华南理工大学 | 基于车辆灯语识别的智能驾驶方法、系统、装置及介质 |
-
2019
- 2019-11-04 CN CN201911065464.XA patent/CN110942179A/zh active Pending
Non-Patent Citations (1)
Title |
---|
韩飞腾: "基于深度学习的目标检测系统的研发", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343837A (zh) * | 2021-06-03 | 2021-09-03 | 华南理工大学 | 基于车辆灯语识别的智能驾驶方法、系统、装置及介质 |
CN113343837B (zh) * | 2021-06-03 | 2023-08-22 | 华南理工大学 | 基于车辆灯语识别的智能驾驶方法、系统、装置及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6853560B2 (ja) | 高精度イメージを分析するディープラーニングネットワークの学習に利用するためのトレーニングイメージをオートラベリングするための方法、及びこれを利用したオートラベリング装置{method for auto−labeling training images for use in deep learning network to analyze images with high precision, and auto−labeling device using the same} | |
US20200074178A1 (en) | Method and system for facilitating recognition of vehicle parts based on a neural network | |
CN114202672A (zh) | 一种基于注意力机制的小目标检测方法 | |
CN108681746B (zh) | 一种图像识别方法、装置、电子设备和计算机可读介质 | |
EP3029606A2 (en) | Method and apparatus for image classification with joint feature adaptation and classifier learning | |
EP3690741A2 (en) | Method for automatically evaluating labeling reliability of training images for use in deep learning network to analyze images, and reliability-evaluating device using the same | |
CN112016467B (zh) | 交通标志识别模型训练方法、识别方法、系统、设备及介质 | |
EP3910532B1 (en) | Learning method and learning device for training an object detection network by using attention maps and testing method and testing device using the same | |
CN111310770B (zh) | 目标检测方法和装置 | |
CN113807399A (zh) | 一种神经网络训练方法、检测方法以及装置 | |
CN113869282B (zh) | 人脸识别方法、超分模型训练方法及相关设备 | |
CN112001403A (zh) | 一种图像轮廓检测方法及系统 | |
CN112101114B (zh) | 一种视频目标检测方法、装置、设备以及存储介质 | |
CN114037640A (zh) | 图像生成方法及装置 | |
CN108509826B (zh) | 一种遥感影像的道路识别方法及其系统 | |
CN113012215A (zh) | 一种空间定位的方法、系统及设备 | |
CN117636298A (zh) | 基于多尺度特征学习的车辆重识别方法、系统及存储介质 | |
CN110942179A (zh) | 一种自动驾驶路线规划方法、装置及车辆 | |
CN110472092B (zh) | 一种街景图片的地理定位方法及系统 | |
CN112288702A (zh) | 一种基于车联网的道路图像检测方法 | |
CN111860623A (zh) | 基于改进ssd神经网络的统计树木数量的方法及系统 | |
CN116758419A (zh) | 针对遥感图像的多尺度目标检测方法、装置和设备 | |
CN116612272A (zh) | 一种图像处理智能数字化的检测系统及其检测方法 | |
CN112699809B (zh) | 痘痘类别识别方法、装置、计算机设备及存储介质 | |
CN115761667A (zh) | 一种基于改进fcos算法的无人车辆搭载摄像头目标检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200331 |