CN111027396A - 一种辅助驾驶方法、装置、车载终端和云端服务器 - Google Patents
一种辅助驾驶方法、装置、车载终端和云端服务器 Download PDFInfo
- Publication number
- CN111027396A CN111027396A CN201911108859.3A CN201911108859A CN111027396A CN 111027396 A CN111027396 A CN 111027396A CN 201911108859 A CN201911108859 A CN 201911108859A CN 111027396 A CN111027396 A CN 111027396A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- image
- rendering
- static
- rendering model
- 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
Images
Classifications
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例公开了一种辅助驾驶方法、装置、车载终端和云端服务器,该方法包括:获取图像采集装置采集的图像信息,以及车辆当前所在位置信息;向云端服务器发送静态渲染模型获取请求,静态渲染模型获取请求中包括车辆当前所在位置信息;接收云端服务器根据车辆当前所在位置信息反馈的静态渲染模型,静态渲染模型为以车辆当前所在位置为中心,预设范围内的静态渲染模型,静态渲染模型为对固态物体进行渲染的模型;根据静态渲染模型,对图像信息进行差异化分析,获取动态物体渲染图像,以便车载终端根据静态渲染模型和动态物体渲染图像,辅助驾驶。
Description
技术领域
本发明实施例涉及计算机技术领域,具体涉及一种辅助驾驶方法、装置、车载终端和云端服务器。
背景技术
随着人工智能技术的应用越来越广泛,各个领域都已经开始涉及人工智能技术。例如汽车领域,存在高级驾驶辅助系统(Advanced Driving Assistant System,简称ADAS)。
其主要是通过深度学习(AI deep learning)算法,对车载终端的摄像头采集实时图片、音频、视频等进行运算,让AI模型自动识别车道线、行人建筑等。一旦确定行驶过程中存在障碍物时,可以及时采取有效措施进行规避,为自动驾驶实现保驾护航。
但是,这种方式存在如下缺陷:
第一,随着车载终端的摄像头像素越来越高,所采集的图片、音频、视频等数据量越来越大,为数据运算的速度带来挑战,运算需要越来越多的GPU资源,功耗高。对于计算能力,也是成指数级增长。如果,为了保证图像渲染质量、数据分析准确性等,就必须在车载终端中集成大量GPU,但是由于车载终端内部体积有限,那么无限制的集成GPU必然是很难实现的。另外一种方式就是设计专用GPU,从开发、试用到批量生产本身就是一个漫长的过程,而且既然是准用GPU,必然要提高成本,也不能够很快普及。
那么,如何才能够保证车载终端占用体积小、构造成本低的前提下,还能够保证图像数据处理速度,用以实现辅助驾驶成为本申请所要解决的技术问题。
发明内容
为此,本发明实施例提供一种辅助驾驶方法、装置、车载终端和云端服务器,以解决现有技术中车载终端计算能力有限,无法保证大量图像数据的处理速度,进而不能更好的实现辅助驾驶的技术问题。
为了实现上述目的,本发明实施例提供如下技术方案:
根据本发明实施例的第一方面,提供了一种辅助驾驶方法,该方法包括:
获取图像采集装置采集的图像信息,以及车辆当前所在位置信息;
向云端服务器发送静态渲染模型获取请求,静态渲染模型获取请求中包括车辆当前所在位置信息;
接收云端服务器根据车辆当前所在位置信息反馈的静态渲染模型,静态渲染模型为以车辆当前所在位置为中心,预设范围内的静态渲染模型,静态渲染模型为对固态物体进行渲染的模型;
根据静态渲染模型,对图像信息进行差异化分析,获取动态物体渲染图像;
根据静态渲染模型和动态物体渲染图像,执行辅助驾驶。
进一步地,根据静态渲染模型,对图像信息进行差异化分析,获取动态物体渲染图像之前,方法还包括:
对图像采集装置采集的图像信息进行图像渲染处理。
根据本发明实施例的第二方面,提供了一种辅助驾驶方法,该方法包括:
获取车载终端上传的图像信息以及车辆当前所在的位置信息;
根据位置信息,从预构建的数据库中获取以车辆当前所在的位置为中心,预设范围内的静态渲染模型;
根据静态渲染模型,对图像信息进行差异性分析,获取动态物体渲染图像;
将动态渲染图像和静态渲染模型传输到车载终端,以便车载终端根据动态渲染图像和静态渲染模型辅助驾驶。
进一步地,根据位置信息,从预构建的数据库中获取以车辆当前所在的位置为中心,根据静态渲染模型,对图像信息进行差异性分析,获取动态物体渲染图像之前,方法还包括:
对车载终端上传的图像信息进行图像渲染处理。
第三方面,提供了一种辅助驾驶装置,该装置包括:获取单元,用于获取图像采集装置采集的图像信息,以及车辆当前所在位置信息;
发送单元,用于向云端服务器发送静态渲染模型获取请求,静态渲染模型获取请求中包括车辆当前所在位置信息;
接收单元,用于接收云端服务器根据车辆当前所在位置信息反馈的静态渲染模型,静态渲染模型为以车辆当前所在位置为中心,预设范围内的静态渲染模型,静态渲染模型为对固态物体进行渲染的模型;
处理单元,用于根据静态渲染模型,对图像信息进行差异化分析,获取动态物体渲染图像;
根据静态渲染模型和动态物体渲染图像,执行辅助驾驶。
第四方面,提供了一种辅助驾驶装置,该装置包括:
获取单元,用于获取车载终端上传的图像信息以及车辆当前所在的位置信息;
处理单元,用于根据位置信息,从预构建的数据库中获取以车辆当前所在的位置为中心,预设范围内的静态渲染模型;根据静态渲染模型,对图像信息进行差异性分析,获取动态物体渲染图像;
发送单元,用于将动态渲染图像和静态渲染模型传输到车载终端,以便车载终端根据动态渲染图像和静态渲染模型辅助驾驶。
根据本发明实施例的第五方面,提供了一种车载终端,该车载终端包括:图像采集装置、定位装置、处理器和存储器;
图像采集装置,用于获取图像采集装置采集的图像信息;
定位装置,用于获取车辆当前所在位置信息;
存储器用于存储一个或多个程序指令;
处理器,用于运行一个或多个程序指令,用以执行如第一方面所介绍的一种辅助驾驶方法中的任一方法步骤。
根据本发明实施例的第六方面,提供了一种计算机存储介质,该计算机存储介质中包含一个或多个程序指令,一个或多个程序指令用于被一种车载终端执行如上第一方面所介绍的一种辅助驾驶方法中的任一方法步骤。
根据本发明实施例的第七方面,提供了一种云端服务器,该云端服务器包括:
处理器和存储器;
存储器用于存储一个或多个程序指令;
处理器,用于运行一个或多个程序指令,用以执行如上第二方面所介绍的一种辅助驾驶方法中的任一方法步骤。
根据本发明实施例的第八方面,提供了一种计算机存储介质,该计算机存储介质中包含一个或多个程序指令,一个或多个程序指令用于被一种云端服务器执行如上第二方面所介绍的一种辅助驾驶方法中的任一方法步骤。
本发明实施例具有如下优点:在获取到图像信息后,并非直接进行数据处理。而是首先将车辆当前所在的位置信息先发送到云端服务器。云端服务器会根据车辆当前所在位置信息,给车载终端反馈当前所在位置为中心,预设范围内的静态渲染模型。这个静态渲染模型中将包含以车辆当前所在位置的预设范围内的静态物体的渲染模型。那么车载终端可以根据静态渲染模型,对图像信息做一个差异化分析,也就是去掉图像信息中的静态物体,仅对动态物体做渲染分析。大大降低待处理的数据量,利用已有的车载终端中的GPU进行图像数据处理即可,不用增加额外的GPU,也不用采用专用的GPU芯片,自然可以降低成本。而由于数据量的减小,必然可以提升处理速度,在同一时间内,相较于大量的图像数据,处理质量也可以进一步得到保证。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明实施例1提供的一种辅助驾驶方法流程示意图;
图2为本发明实施例2提供的另一种辅助驾驶方法流程示意图;
图3为本发明实施例3提供的一种辅助驾驶装置结构示意图;
图4为本发明实施例4提供的另一种辅助驾驶装置结构示意图;
图5为本发明实施例5提供的一种车载终端结构示意图;
图6为本发明实施例6提供的一种云端服务器结构示意图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例1提供了一种辅助驾驶方法,具体如图1所示。该方法由车车载终端执行,具体步骤如下:
步骤110,获取图像采集装置采集的图像信息,以及车辆当前所在位置信息。
具体的,用户在开车行驶过程中,可以通过图像采集装置实时采集行驶过程中的图像信息,并传输到车载终端。车载终端可以实时获取到车辆当前所在的位置信息,并将车辆当前所在的位置信息发送至云端服务器,即执行步骤120。
步骤120,向云端服务器发送静态渲染模型获取请求,静态渲染模型获取请求中包括车辆当前所在位置信息。
步骤130,接收云端服务器根据车辆当前所在位置信息反馈的静态渲染模型。
通过步骤120所执行的步骤,主要是向云端服务器索求车辆当前所在位置附近的静态渲染模型。也即是,静态渲染模型为以车辆当前所在位置为中心,预设范围内(例如方圆20公里内)的静态渲染模型,静态渲染模型为对固态物体进行渲染的模型。
具体的,在云端服务器中所存储的是所有区域的固态物体的渲染模型,例如将地图中所有位置的固态物体都渲染成静态渲染模型。当车载终端发出静态渲染模型获取请求时,云端服务器会反馈以车辆当前所在位置为中心,预设范围内的部分静态渲染模型至车载终端。这里的部分是相对于云端服务器中存储的所有位置的固态物体的静态渲染模型而言的。
步骤140,根据静态渲染模型,对图像信息进行差异化分析,获取动态物体渲染图像。
步骤150,根据静态渲染模型和动态物体渲染图像,执行辅助驾驶。
车载终端根据云端服务器反馈的部分静态渲染模型,对图像采集装置采集的图像信息进行差异化分析,用以获取动态物体渲染图像。
执行这个步骤的意义在于,大大降低车载终端对于图像信息的处理运算量。大部分的固态物体不会发生改变,将其优化层静态渲染模型后,随时调取随时用。那么,车载终端所需要渲染的就是动态物体。因为动态物体具有不确定性,例如某一个时刻车辆前方的位置有两辆车和一个行人。而下一时刻,可能车辆前方的那个位置就只有一辆车。所以,对于动态物体的渲染是不可避免的。那么,仅仅对动态物体进行渲染已经大大降低了运算量,提高了运算速率。而且,采用车载终端中常规的GPU等运算资源即可实现,无需额外增加运算资源,也不用专门设定计算芯片。
从另一个角度而言,同一个位置可能通过不同的车辆,如果每一个车辆没到达这个位置,都要渲染一遍固态物体的话,同样是资源浪费的表现。通过本申请的方式,将所有的固态物体构成静态渲染模型,不管哪一辆车需要时,都直接调取使用即可,实现静态渲染模型的共享。同样是减少GPU等运算资源占用的情况,从另一个角度降低了运算量,提高了运算速率。
经过车载终端对动物体进行渲染后,车载终端可以根据静态渲染模型和动态物体渲染图像相结合,确定前方路况,辅助驾驶,保证驾驶安全。
可选的,为了更利于根据静态渲染模型对图像信息进行差异化分析,也可以在执行步骤130之前,对图像采集装置采集的图像信息进行图像渲染处理。
本发明实施例提供的一种辅助驾驶方法,在获取到图像信息后,并非直接进行数据处理。而是首先将车辆当前所在的位置信息先发送到云端服务器。云端服务器会根据车辆当前所在位置信息,给车载终端反馈当前所在位置为中心,预设范围内的静态渲染模型。这个静态渲染模型中将包含以车辆当前所在位置的预设范围内的静态物体的渲染模型。那么车载终端可以根据静态渲染模型,对图像信息做一个差异化分析,也就是去掉图像信息中的静态物体,仅对动态物体做渲染分析。大大降低待处理的数据量,利用已有的车载终端中的GPU进行图像数据处理即可,不用增加额外的GPU,也不用采用专用的GPU芯片,自然可以降低成本。而由于数据量的减小,必然可以提升处理速度,在同一时间内,相较于大量的图像数据,处理质量也可以进一步得到保证。
上述方法中,根据静态渲染模型,对图像信息进行差异化分析主要是在车载终端一侧执行的。在本发明的另一个实施例中,根据静态渲染模型,对图像信息进行差异化分析也可以在云端服务器一侧执行。当由云端服务器一侧执行时,具体如图2所示,图2为本发明实施例2提供的另一种辅助驾驶方法对应的流程示意图,该方法包括如下步骤:
步骤210,获取车载终端上传的图像信息以及车辆当前所在的位置信息。
步骤220,根据位置信息,从预构建的数据库中获取以车辆当前所在的位置为中心,预设范围内的静态渲染模型。
步骤230,根据静态渲染模型,对图像信息进行差异性分析,获取动态物体渲染图像。
步骤240,将动态渲染图像和静态渲染模型传输到车载终端。
具体的,车载终端获取车辆安装的图像采集装置采集的图像信息之后,将会通过网络传输到云端服务器。在传输图像信息的同时,还可以一并传输车辆当前所在的位置信息。当然,也可以先后传输图像信息和位置信息,传输时不分先后顺序。不过先后传输时,传输间隔不会超过一定的时间间隔,例如不会超过2s。
云端服务器会根据位置信息,从自身预构建的数据库中获取以该位置信息为中心,预设范围内的静态渲染模型。具体参见实施例1,云端服务器的预构建的数据库中将存储有所有位置的固态物体的渲染模型。例如,马路、路边的树、房屋等等固态物体的渲染模型。当获取到车载终端传输的位置信息后,就从数据库中调取以车辆当前所在的位置为中心,预设范围内的部分静态渲染模型。
然后,根据部分静态渲染模型,对图像信息进行差异性分析,获取动态物体渲染图像。最终,将动态渲染图像和上文所说的部分静态渲染模型传输到车载终端,便于车载终端根据动态渲染图像和静态渲染模型辅助驾驶。
可选的,根据位置信息,从预构建的数据库中获取以车辆当前所在的位置为中心,根据静态渲染模型,对图像信息进行差异性分析,获取动态物体渲染图像之前,该方法还包括:对车载终端上传的图像信息进行图像渲染处理。
本实施例中未详细说明的工作细节都是与实施例1中相同或者类似的,因此这里不再做过多详细说明。
本发明实施例提供的一种辅助驾驶方法,在获取到图像信息后,将车辆当前所在的位置信息和图像信息共同发送到云端服务器。云端服务器会根据车辆当前所在位置信息,确定以车载终端当前所在位置为中心,预设范围内的静态渲染模型。这个静态渲染模型中将包含以车辆当前所在位置的预设范围内的静态物体的渲染模型。根据静态渲染模型对图像信息做一个差异化分析,也就是去掉图像信息中的静态物体,仅对动态物体做渲染分析。大大降低待处理的数据量,大大提升处理速度,在同一时间内,相较于大量的图像数据,处理质量也可以进一步得到保证。
与上述实施例1对应的,本发明实施例3还提供了一种辅助驾驶装置,具体如图3所示,该装置包括:获取单元301、发送单元302、接收单元303以及处理单元304。
获取单元301,用于获取图像采集装置采集的图像信息,以及车辆当前所在位置信息;
发送单元302,用于向云端服务器发送静态渲染模型获取请求,静态渲染模型获取请求中包括车辆当前所在位置信息;
接收单元303,用于接收云端服务器根据车辆当前所在位置信息反馈的静态渲染模型,静态渲染模型为以车辆当前所在位置为中心,预设范围内的静态渲染模型,静态渲染模型为对固态物体进行渲染的模型;
处理单元304,用于根据静态渲染模型,对图像信息进行差异化分析,获取动态物体渲染图像;根据静态渲染模型和动态物体渲染图像,辅助驾驶。
可选的,处理单元304还用于,对图像采集装置采集的图像信息进行图像渲染处理。
本发明实施例提供的一种辅助驾驶装置中各部件所执行的功能均已在上述实施例1中做了详细介绍,因此这里不做过多赘述。
本发明实施例提供的一种辅助驾驶装置,在获取到图像信息后,并非直接进行数据处理。而是首先将车辆当前所在的位置信息先发送到云端服务器。云端服务器会根据车辆当前所在位置信息,给车载终端反馈当前所在位置为中心,预设范围内的静态渲染模型。这个静态渲染模型中将包含以车辆当前所在位置的预设范围内的静态物体的渲染模型。那么车载终端可以根据静态渲染模型,对图像信息做一个差异化分析,也就是去掉图像信息中的静态物体,仅对动态物体做渲染分析。大大降低待处理的数据量,利用已有的车载终端中的GPU进行图像数据处理即可,不用增加额外的GPU,也不用采用专用的GPU芯片,自然可以降低成本。而由于数据量的减小,必然可以提升处理速度,在同一时间内,相较于大量的图像数据,处理质量也可以进一步得到保证。
与上述实施例2对应的,本发明实施例4还提供了另一种辅助驾驶装置,具体如图4所示,该装置包括:获取单元401、处理单元402和发送单元403。
获取单元401,用于获取车载终端上传的图像信息以及车辆当前所在的位置信息;
处理单元402,用于根据位置信息,从预构建的数据库中获取以车辆当前所在的位置为中心,预设范围内的静态渲染模型;根据静态渲染模型,对图像信息进行差异性分析,获取动态物体渲染图像;
发送单元403,用于将动态渲染图像和静态渲染模型传输到车载终端,以便车载终端根据动态渲染图像和静态渲染模型辅助驾驶。
可选的,处理单元402还用于,对车载终端上传的图像信息进行图像渲染处理。
本发明实施例提供的一种辅助驾驶装置中各部件所执行的功能均已在上述实施例2中做了详细介绍,因此这里不做过多赘述。
本发明实施例提供的另一种辅助驾驶装置,在获取到图像信息后,将车辆当前所在的位置信息和图像信息共同发送到云端服务器。云端服务器会根据车辆当前所在位置信息,确定以车载终端当前所在位置为中心,预设范围内的静态渲染模型。这个静态渲染模型中将包含以车辆当前所在位置的预设范围内的静态物体的渲染模型。根据静态渲染模型对图像信息做一个差异化分析,也就是去掉图像信息中的静态物体,仅对动态物体做渲染分析。大大降低待处理的数据量,大大提升处理速度,在同一时间内,相较于大量的图像数据,处理质量也可以进一步得到保证。
与上述实施例1相对应的,本发明实施例5还提供了一种车载终端,具体如图5所示,该车载终端包括:处理器501和存储器502;
存储器502用于存储一个或多个程序指令;
处理器501,用于运行一个或多个程序指令,用以执行如上实施例1所介绍的一种辅助驾驶方法中的任一方法步骤。
本发明实施例提供的一种车载终端,在获取到图像信息后,并非直接进行数据处理。而是首先将车辆当前所在的位置信息先发送到云端服务器。云端服务器会根据车辆当前所在位置信息,给车载终端反馈当前所在位置为中心,预设范围内的静态渲染模型。这个静态渲染模型中将包含以车辆当前所在位置的预设范围内的静态物体的渲染模型。那么车载终端可以根据静态渲染模型,对图像信息做一个差异化分析,也就是去掉图像信息中的静态物体,仅对动态物体做渲染分析。大大降低待处理的数据量,利用已有的车载终端中的GPU进行图像数据处理即可,不用增加额外的GPU,也不用采用专用的GPU芯片,自然可以降低成本。而由于数据量的减小,必然可以提升处理速度,在同一时间内,相较于大量的图像数据,处理质量也可以进一步得到保证。
与上述实施例2相对应的,本发明实施例6还提供了一种云端服务器,具体如图6所示,该云端服务器包括:处理器601和存储器602;
存储器602用于存储一个或多个程序指令;
处理器601,用于运行一个或多个程序指令,用以执行如上实施例2所介绍的一种辅助驾驶方法中的任一方法步骤。
本发明实施例提供的一种云端服务器,在获取到图像信息后,将车辆当前所在的位置信息和图像信息共同发送到云端服务器。云端服务器会根据车辆当前所在位置信息,确定以车载终端当前所在位置为中心,预设范围内的静态渲染模型。这个静态渲染模型中将包含以车辆当前所在位置的预设范围内的静态物体的渲染模型。根据静态渲染模型对图像信息做一个差异化分析,也就是去掉图像信息中的静态物体,仅对动态物体做渲染分析。大大降低待处理的数据量,大大提升处理速度,在同一时间内,相较于大量的图像数据,处理质量也可以进一步得到保证。
与上述实施例相对应的,本发明实施例还提供了一种计算机存储介质,该计算机存储介质中包含一个或多个程序指令。其中,一个或多个程序指令用于被实施例5所介绍的一种车载终端执行如上实施例1所介绍的一种辅助驾驶方法。
与上述实施例相对应的,本发明实施例还提供了一种计算机存储介质,该计算机存储介质中包含一个或多个程序指令。其中,一个或多个程序指令用于被实施例6所介绍的云端服务器执行如上实施例2所介绍的一种辅助驾驶方法。
虽然,上文中已经用一般性说明及具体实施例对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (10)
1.一种辅助驾驶方法,其特征在于,所述方法包括:
获取图像采集装置采集的图像信息,以及车辆当前所在位置信息;
向云端服务器发送静态渲染模型获取请求,所述静态渲染模型获取请求中包括所述车辆当前所在位置信息;
接收所述云端服务器根据所述车辆当前所在位置信息反馈的静态渲染模型,所述静态渲染模型为以所述车辆当前所在位置为中心,预设范围内的静态渲染模型,所述静态渲染模型为对固态物体进行渲染的模型;
根据所述静态渲染模型,对所述图像信息进行差异化分析,获取动态物体渲染图像;
根据所述静态渲染模型和所述动态物体渲染图像,执行辅助驾驶。
2.根据权利要求1所述的方法,其特征在于,所述根据所述静态渲染模型,对所述图像信息进行差异化分析,获取动态物体渲染图像之前,所述方法还包括:
对所述图像采集装置采集的图像信息进行图像渲染处理。
3.一种辅助驾驶方法,其特征在于,所述方法包括:
获取车载终端上传的图像信息以及车辆当前所在的位置信息;
根据所述位置信息,从预构建的数据库中获取以所述车辆当前所在的位置为中心,预设范围内的静态渲染模型;
根据所述静态渲染模型,对所述图像信息进行差异性分析,获取动态物体渲染图像;
将所述动态渲染图像和所述静态渲染模型传输到所述车载终端,以便所述车载终端根据所述动态渲染图像和所述静态渲染模型辅助驾驶。
4.根据权利要求3所述的方法,其特征在于,所述根据所述位置信息,从预构建的数据库中获取以所述车辆当前所在的位置为中心,所述根据所述静态渲染模型,对所述图像信息进行差异性分析,获取动态物体渲染图像之前,所述方法还包括:
对所述车载终端上传的图像信息进行图像渲染处理。
5.一种辅助驾驶装置,其特征在于,所述装置包括:
获取单元,用于获取图像采集装置采集的图像信息,以及车辆当前所在位置信息;
发送单元,用于向云端服务器发送静态渲染模型获取请求,所述静态渲染模型获取请求中包括所述车辆当前所在位置信息;
接收单元,用于接收所述云端服务器根据所述车辆当前所在位置信息反馈的静态渲染模型,所述静态渲染模型为以所述车辆当前所在位置为中心,预设范围内的静态渲染模型,所述静态渲染模型为对固态物体进行渲染的模型;
处理单元,用于根据所述静态渲染模型,对所述图像信息进行差异化分析,获取动态物体渲染图像;
根据所述静态渲染模型和所述动态物体渲染图像,执行辅助驾驶。
6.一种辅助驾驶装置,其特征在于,所述装置包括:
获取单元,用于获取车载终端上传的图像信息以及车辆当前所在的位置信息;
处理单元,用于根据所述位置信息,从预构建的数据库中获取以所述车辆当前所在的位置为中心,预设范围内的静态渲染模型;根据所述静态渲染模型,对所述图像信息进行差异性分析,获取动态物体渲染图像;
发送单元,用于将所述动态渲染图像和所述静态渲染模型传输到所述车载终端,以便所述车载终端根据所述动态渲染图像和所述静态渲染模型辅助驾驶。
7.一种车载终端,其特征在于,所述车载终端包括:图像采集装置、定位装置、处理器和存储器;
所述图像采集装置,用于获取图像采集装置采集的图像信息;
所述定位装置,用于获取车辆当前所在位置信息;
所述存储器用于存储一个或多个程序指令;
所述处理器,用于运行一个或多个程序指令,用以执行如权利要求1或2所述的方法。
8.一种计算机存储介质,其特征在于,所述计算机存储介质中包含一个或多个程序指令,所述一个或多个程序指令用于被车载终端执行如权利要求1或2所述的方法。
9.一种云端服务器,其特征在于,所述云端服务器包括:处理器和存储器;
所述存储器用于存储一个或多个程序指令;
所述处理器,用于运行一个或多个程序指令,用以执行如权利要求3或4所述的方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质中包含一个或多个程序指令,所述一个或多个程序指令用于被云端服务器执行如权利要求3或4所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911108859.3A CN111027396A (zh) | 2019-11-13 | 2019-11-13 | 一种辅助驾驶方法、装置、车载终端和云端服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911108859.3A CN111027396A (zh) | 2019-11-13 | 2019-11-13 | 一种辅助驾驶方法、装置、车载终端和云端服务器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111027396A true CN111027396A (zh) | 2020-04-17 |
Family
ID=70201407
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911108859.3A Pending CN111027396A (zh) | 2019-11-13 | 2019-11-13 | 一种辅助驾驶方法、装置、车载终端和云端服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111027396A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105321201A (zh) * | 2015-11-26 | 2016-02-10 | 郭小虎 | 基于云端光照烘焙的移动端3d实时渲染方法及系统 |
CN108319709A (zh) * | 2018-02-06 | 2018-07-24 | 广东欧珀移动通信有限公司 | 位置信息处理方法、装置、电子设备及存储介质 |
US20180359445A1 (en) * | 2017-06-12 | 2018-12-13 | Sanjet Technology Corp. | Method for Recording Vehicle Driving Information and Creating Vehicle Record by Utilizing Digital Video Shooting |
CN109801353A (zh) * | 2019-01-16 | 2019-05-24 | 北京七鑫易维信息技术有限公司 | 一种图像渲染的方法、服务器及终端 |
CN110399672A (zh) * | 2019-07-19 | 2019-11-01 | 百度在线网络技术(北京)有限公司 | 无人驾驶车辆的街景仿真方法、装置和电子设备 |
-
2019
- 2019-11-13 CN CN201911108859.3A patent/CN111027396A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105321201A (zh) * | 2015-11-26 | 2016-02-10 | 郭小虎 | 基于云端光照烘焙的移动端3d实时渲染方法及系统 |
US20180359445A1 (en) * | 2017-06-12 | 2018-12-13 | Sanjet Technology Corp. | Method for Recording Vehicle Driving Information and Creating Vehicle Record by Utilizing Digital Video Shooting |
CN108319709A (zh) * | 2018-02-06 | 2018-07-24 | 广东欧珀移动通信有限公司 | 位置信息处理方法、装置、电子设备及存储介质 |
CN109801353A (zh) * | 2019-01-16 | 2019-05-24 | 北京七鑫易维信息技术有限公司 | 一种图像渲染的方法、服务器及终端 |
CN110399672A (zh) * | 2019-07-19 | 2019-11-01 | 百度在线网络技术(北京)有限公司 | 无人驾驶车辆的街景仿真方法、装置和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210108943A1 (en) | Map data updating method, apparatus, system and storage medium | |
WO2023221566A1 (zh) | 一种基于多视角融合的3d目标检测方法及装置 | |
CN112738171B (zh) | 车辆的控制方法、装置、系统、设备及存储介质 | |
US20190318546A1 (en) | Method and apparatus for processing display data | |
CN112885134B (zh) | 一种基于大数据的智慧城市交通管理方法 | |
WO2019095735A1 (zh) | 用于车辆的信息输出方法和装置 | |
US20190268402A1 (en) | Distributed computing of vehicle data | |
WO2023185564A1 (zh) | 基于多网联车空间对齐特征融合的视觉增强方法及系统 | |
WO2022134365A1 (zh) | 车辆调度方法、装置、系统、设备及存储介质 | |
US11308324B2 (en) | Object detecting system for detecting object by using hierarchical pyramid and object detecting method thereof | |
CN114882464B (zh) | 多任务模型训练方法、多任务处理方法、装置及车辆 | |
WO2024131679A1 (zh) | 车路云融合的道路环境场景仿真方法、电子设备及介质 | |
CN113076896A (zh) | 一种规范停车方法、系统、装置及存储介质 | |
CN111027396A (zh) | 一种辅助驾驶方法、装置、车载终端和云端服务器 | |
WO2023184869A1 (zh) | 室内停车场的语义地图构建及定位方法和装置 | |
CN113902047B (zh) | 图像元素匹配方法、装置、设备以及存储介质 | |
CN108416044B (zh) | 场景缩略图的生成方法、装置、电子设备及存储介质 | |
CN116321004A (zh) | 一种确定目标位置的方法、装置、系统及存储介质 | |
CN112859109B (zh) | 无人机全景图像处理方法、装置及电子设备 | |
CN117333837A (zh) | 行车安全辅助方法、电子设备及存储介质 | |
CN112435475B (zh) | 一种交通状态检测方法、装置、设备及存储介质 | |
CN118210587A (zh) | 一种应用显示处理方法、车载终端及服务器 | |
JP7425169B2 (ja) | 画像処理方法、装置、電子機器、記憶媒体及びコンピュータプログラム | |
WO2023010236A1 (zh) | 一种显示方法、装置和系统 | |
CN112988941A (zh) | 一种地图加载方法、设备、系统及存储介质 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230511 Address after: 230071 Comprehensive Building 3-2985, No. 55 Science Avenue, High tech Zone, Shushan District, Hefei City, Anhui Province Applicant after: Hefei Kelast Network Technology Co.,Ltd. Address before: 100021 6235, 6th floor, jinyayuan crossing building, YunhuiLi, Haidian District, Beijing Applicant before: QUANTUM CLOUD FUTURE (BEIJING) INFORMATION TECHNOLOGY CO.,LTD. |
|
TA01 | Transfer of patent application right |