CN111694973B - 自动驾驶场景的模型训练方法、装置、电子设备 - Google Patents
自动驾驶场景的模型训练方法、装置、电子设备 Download PDFInfo
- Publication number
- CN111694973B CN111694973B CN202010522114.8A CN202010522114A CN111694973B CN 111694973 B CN111694973 B CN 111694973B CN 202010522114 A CN202010522114 A CN 202010522114A CN 111694973 B CN111694973 B CN 111694973B
- Authority
- CN
- China
- Prior art keywords
- scene
- atomic
- automatic driving
- information
- historical
- 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
Links
- 238000012549 training Methods 0.000 title claims abstract description 137
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000015654 memory Effects 0.000 claims description 21
- 238000010276 construction Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Library & Information Science (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例公开了自动驾驶场景的模型训练方法、装置、电子设备以及存储介质，涉及自动驾驶技术领域。具体实现方案为：获取待训练的自动驾驶场景信息，自动驾驶场景信息包括车辆的驾驶操作信息以及行驶路况信息，将自动驾驶场景信息按照场景类别拆分为多个原子场景，从预设数据库中获取每个原子场景对应的训练数据，根据多个原子场景的训练数据进行训练，生成自动驾驶场景信息的场景模型，通过将自动驾驶场景信息拆分为多个原子场景，并从数据库中获取与各原子场景的训练数据进行训练，可以实现针对不同模型的训练的训练数据的共享，节约采集训练数据的成本，提高模型训练的效率的技术效果。
Description
技术领域
本申请涉及自动驾驶技术领域，具体涉及一种自动驾驶场景的模型训练方法、装置、电子设备以及存储介质。
背景技术
随着人工智能技术的兴起，自动驾驶技术有了飞速的发展。
在现有技术中，为了训练得到自动驾驶场景的模型，通常采用的方式为：基于自动驾驶场景的模型的需求，派出车辆行驶于相应道路，并采集与自动驾驶场景的模型的相关的数据，如直行后左转相关场景的模型的相关数据，相关数据包括但不限于速度、时间和方向，对采集到的相关数据进行训练，生成自动驾驶场景的模型。
然而发明人在实现本申请的过程中，发现至少存在如下问题：针对不同的自动驾驶场景的模型，均需要实地采集训练数据，训练数据的获取成本偏高，且训练数据之间无法共享。
发明内容
提供了一种用于降低获取训练数据的成本的自动驾驶场景的模型训练方法、装置、电子设备以及存储介质。
根据第一方面，提供了一种自动驾驶场景的模型训练方法，所述方法包括：
获取待训练的自动驾驶场景信息，所述自动驾驶场景信息包括车辆的驾驶操作信息以及行驶路况信息；
将所述自动驾驶场景信息按照场景类别拆分为多个原子场景；
从预设数据库中获取每个所述原子场景对应的训练数据；
根据多个所述原子场景的训练数据进行训练，生成所述自动驾驶场景信息的场景模型。
在本申请实施例中，通过将自动驾驶场景信息拆分为多个原子场景，并从数据库中获取与各原子场景的训练数据进行训练，可以实现针对不同模型的训练的训练数据的共享，节约采集训练数据的成本，提高模型训练的效率的技术效果。
根据第二方面，本申请实施例提供了一种自动驾驶场景的模型训练装置，所述装置包括：
第一获取模块，用于获取待训练的自动驾驶场景信息，所述自动驾驶场景信息包括车辆的驾驶操作信息以及行驶路况信息；
拆分模块，用于将所述自动驾驶场景信息按照场景类别拆分为多个原子场景；
第二获取模块，用于从预设数据库中获取每个所述原子场景对应的训练数据；
生成模块，用于根据多个所述原子场景的训练数据进行训练，生成所述自动驾驶场景信息的场景模型。
根据第三方面，本申请实施例提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上任一实施例所述的方法。
根据第四方面，本申请实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如上任一实施例所述的方法。
根据本申请的第五方面，提供了一种计算机程序产品，所述程序产品包括：计算机程序，所述计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面所述的方法。
根据本申请的将自动驾驶场景信息拆分为多个原子场景，并从数据库中获取与各原子场景的训练数据进行训练的技术方案，可以实现针对不同模型的训练的训练数据的共享，节约采集训练数据的成本，提高模型训练的效率的技术效果。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1为本申请的自动驾驶场景的模型训练方法的应用场景的示意图；
图2为本申请一个实施例的自动驾驶场景的模型训练方法的流程示意图；
图3为本申请另一实施例的自动驾驶场景的模型训练方法的流程示意图；
图4为本申请实施例的界面示意图；
图5为本申请实施例的对时间数据进行合并的原理的示意图；
图6为本申请另一实施例的自动驾驶场景的模型训练方法的流程示意图；
图7为本申请实施例的直行+左转的复杂场景示意图；
图8为本申请又一实施例的自动驾驶场景的模型训练方法的流程示意图；
图9为本申请一个实施例的自动驾驶场景的模型训练装置的示意图；
图10为本申请另一实施例的自动驾驶场景的模型训练装置的示意图；
图11为本申请实施例的电子设备的示意图。
具体实施方式
以下结合附图对本申请实施例的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请实施例的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
为使读者对本申请的自动驾驶场景的模型训练方法有一个初步的了解，现结合图1对本申请的自动驾驶场景的模型训练方法的应用场景进行介绍。其中，图1为本申请的自动驾驶场景的模型训练方法的应用场景的示意图。
如图1所示，车辆100在道路上行驶，车辆可对其驾驶操作信息进行采集，如对左转或者右转等驾驶操作信息进行采集。在一些实施例中，车辆可以将其采集到的驾驶操作信息存储至车辆上的存储器，以便后续工作人员将存储器中存储的驾驶操作信息转存至计算机200，并通过计算机200进行自动驾驶场景的模型训练；在另一些实施例中，也可以建立车辆100与计算机200之间的通信链路，车辆100通过通信链路将采集到的驾驶操作信息发送至计算机200，并由计算机200进行自动驾驶场景的模型训练。
在相关技术中，当需要对某自动驾驶场景的模型进行训练时，需要针对该自动驾驶场景的模型的数据进行实地获取，并根据获取到的与该自动驾驶场景的模型对应的数据进行训练，从而得到该自动驾驶场景的模型。
然而，由于不同的自动驾驶场景的模型之间可能存在关联关系，如直行后左转的模型和直行后右转的模型均包括直行的驾驶操作，因此若针对不同的自动驾驶场景的模型均进行数据的实地获取，容易造成成本的增加。
本申请的发明人在经过创造性地劳动之后，得到了本申请的发明构思：实现不同的自动驾驶场景的模型训练时的数据共享。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
根据本申请实施例的一个方面，本申请实施例提供了一种自动驾驶场景的模型训练方法。
请参阅图2，图2为本申请一个实施例的自动驾驶场景的模型训练方法的流程示意图。
如图2所示，该方法包括：
S101：获取待训练的自动驾驶场景信息，自动驾驶场景信息包括车辆的驾驶操作信息以及行驶路况信息。
其中，本申请实施例的执行主体可以是自动驾驶场景的模型训练装置(下文简称模型训练装置)，且模型训练装置具体可以为终端设备。
终端设备可以是无线终端也可以是有线终端。无线终端可以是指向用户提供语音和/或其他业务数据连通性的设备，具有无线连接功能的手持式设备、或连接到无线调制解调器的其他处理设备。无线终端可以经无线接入网(Radio Access Network，简称RAN)与一个或多个核心网设备进行通信，无线终端可以是移动终端，如移动电话(或称为“蜂窝”电话)和具有移动终端的计算机，例如，可以是便携式、袖珍式、手持式、计算机内置的或者车载的移动装置，它们与无线接入网交换语言和/或数据。再例如，无线终端还可以是个人通信业务(Personal Communication Service，简称PCS)电话、无绳电话、会话发起协议(Session Initiation Protocol，简称SIP)话机、无线本地环路(Wireless Local Loop，简称WLL)站、个人数字助理(Personal Digital Assistant，简称PDA)等设备。无线终端也可以称为系统、订户单元(Subscriber Unit)、订户站(Subscriber Station)，移动站(MobileStation)、移动台(Mobile)、远程站(Remote Station)、远程终端(Remote Terminal)、接入终端(Access Terminal)、用户终端(User Terminal)、用户代理(User Agent)、用户设备(User Device or User Equipment)，在此不作限定。可选的，上述终端设备还可以是平板电脑等设备。
在如图1所示的应用场景中，模型训练装置可以为计算机。
在本申请实施例中，自动驾驶场景信息可以从两个方面进行理解，一个方面为驾驶操作信息，另一个方面为驾驶路况信息。
其中，关于驾驶操作信息的介绍如下：
驾驶操作信息用于表征车辆执行的驾驶操作的相关信息，而驾驶操作包括直行、左转、右转、加速和刹车等，而驾驶操作信息是指车辆在执行驾驶操作时的方向和速度等相关的信息，如车辆直行时的速度等。
其中，关于行驶路况信息的介绍如下：
行驶路况信息用于表征车辆行驶时与道路相关的信息，包括道路本身的信息，如车道、车道线、路口和路边设备等相关的信息，还包括道路上行驶的其他车辆的相关的信息，如与本车辆同向行驶的车辆的速度等。
S102：将自动驾驶场景信息按照场景类别拆分为多个原子场景。
其中，场景类别用于对不同的自动驾驶场景信息进行区分，且场景类别包括左转场景、直行场景、右转场景和左转后直行等。原子场景用于表征场景的最小单位，也就是说，原子场景用于表征无法再进行细分的场景的最小单位，如左转场景无法再进行细分，则左转场景为原子场景，又如左转后直行包括两个场景，一个为左转场景，一个为直行场景，则可以将左转后直行场景称为复杂场景，而将左转场景和直行场景称为该复杂场景的原子场景。
在本申请实施例中，通过引入原子场景的概念，以按照场景类别将自动驾驶场景信息进行拆分，以便实现原子场景的训练数据的共享。
在一些实施例中，可以采用对自动驾驶场景信息进行语义分析的方式，将自动场景信息拆分为多个原子场景。
S103：从预设数据库中获取每个原子场景对应的训练数据。
也就是说，可以通过预先构建数据库，数据库中存储了各原子场景对应的训练数据，当对自动驾驶场景信息拆分为多个原子场景之后，可以从数据库中获取各原子场景的训练数据，而无需实地获取训练数据，可以提高模型训练的效率，且不同的自动驾驶场景信息可以共享数据库，可以节约采集训练数据的成本，提高自动化和智能化的技术效果。
在一些实施例中，数据库可以存储于全文搜索引擎ElasticSearch中，由于该引擎是一种分布式，高扩展，高实时的搜索引擎，因此，可以实现提高模型训练的高效性的技术效果。
S104：根据多个原子场景的训练数据进行训练，生成自动驾驶场景信息的场景模型。
为使读者更加深刻地理解本申请与相关技术的技术方案的区别，以及通过本申请的技术方案带来的技术效果，现结合具体示例进行示范性地说明，其中，一个自动驾驶场景信息为某道路的直行后左转，另一个自动驾驶场景信息为某道路的直行后右转：
在相关技术中，当对某道路的直行后左转的模型进行训练时，通过车辆行驶于该道路，并通过车辆采集直行后左转的训练数据，并对采集到训练数据进行训练，生成直行后左转的场景模型。而当对某道路的直行后右转的模型进行训练时，通过车辆行驶于该道路，并通过车辆采集直行后右转的训练数据，并对采集到训练数据进行训练，生成直行后右转的场景模型。
在本申请实施例中，当对某道路的直行后左转的模型进行训练时，将自动驾驶场景信息拆分为直行原子场景和左转原子场景，从数据库中获取与直行原子场景对应的训练数据，并从数据库中获取与左转原子场景对应的训练数据，根据直行原子场景对应的训练数据和左转原子场景对应的训练数据进行训练，生成直行后左转的场景模型。而当对某道路的直行后右转的模型进行训练时，将自动驾驶场景信息拆分为直行原子场景和右转原子场景，从数据库中获取与直行原子场景对应的训练数据，并从数据库中获取与右转原子场景对应的训练数据，根据直行原子场景对应的训练数据和右转原子场景对应的训练数据进行训练，生成直行后右转的场景模型。
基于上述对比示例可知，本申请可以训练数据的共享，如实现直行后左转和执行后右转中的直行的训练数据的共享，可以实现节约获取训练数据的成本，且提高模型训练的智能化的技术效果。
也就是说，在本申请实施例中，提供了一种自动驾驶场景的模型训练方法，该方法包括：获取待训练的自动驾驶场景信息，自动驾驶场景信息包括车辆的驾驶操作信息以及行驶路况信息，将自动驾驶场景信息按照场景类别拆分为多个原子场景，从预设数据库中获取每个原子场景对应的训练数据，根据多个原子场景的训练数据进行训练，生成自动驾驶场景信息的场景模型，通过将自动驾驶场景信息拆分为多个原子场景，并从数据库中获取与各原子场景的训练数据进行训练，可以实现针对不同模型的训练的训练数据的共享，节约采集训练数据的成本，提高模型训练的效率的技术效果。
请参阅图3，图3为本申请另一实施例的自动驾驶场景的模型训练方法的流程示意图。
如图3所示，该方法包括：
S201：获取待训练的自动驾驶场景信息，自动驾驶场景信息包括车辆的驾驶操作信息以及行驶路况信息。
其中，关于S201的描述，可以参见S101，此处不再赘述。
值得说明地是，在一些实施例中，可在终端设备的显示界面上输出各自动驾驶场景信息，如各原子场景、用于表征各原子场景之间的关联关系的逻辑运算符以及行驶路况信息，用户可通过触屏等方式选择待训练的自动驾驶场景信息，并选择开始模型的训练。
现结合图4对该示例进行示范性地说明，其中，图4为本申请实施例的界面示意图，如图4所示：
若待训练的模型为直行后左转的模型，则用户可在先选择原子场景直行，而后选择逻辑运算符+，再选择原子场景左转，再选择A道路，并通过点击确认进入模型的训练。
值得说明地是，图4只是用于示范性地说明，而不能理解为对显示界面的限定，以及对在显示界面上显示的各元素(即原子场景、逻辑运算符和道路)的表现形式地限定。
S202：将自动驾驶场景信息按照场景类别拆分为多个原子场景。
其中，关于S202的描述，可以参见S102，此处不再赘述。
另结合图4列举的示例，对该步骤进行进一步示范性地描述如下：
终端设备可以判断用户输入的自动驾驶场景信息中是否包括逻辑运算符，如果包括，则说明自动驾驶场景信息对应的为复杂场景，则可以基于逻辑运算符将复杂场景拆分为原子场景。
值得说明地是，在一些实施例中，若用户输入的自动驾驶场景信息中不包括逻辑运算符，即自动驾驶场景信息对应的为原子场景，则可以直接从数据库中获取原子场景对应训练数据。
S203：获取各原子场景对应的时间数据，其中，训练数据包括驾驶操作的时间数据。
例如，基于上述示例，则可获取直行驾驶操作的时间数据，并获取左转驾驶操作的时间数据。
值得说明地是，驾驶操作是一个时间段的操作，即从执行某驾驶操作开始，至某驾驶操作结束，是一个时间段。因此，驾驶操作的时间数据可以为以驾驶操作开始时为起始时刻，以驾驶操作结束时为结束时刻的时间段。
以直行驾驶操作为例，若直行驾驶操作的开始时刻为T0，直行驾驶操作的结束时刻为T1，则直行驾驶操作的时间数据为【T0，T1】。
以左转驾驶操作为例，若左转驾驶操作的开始时刻为T2，左转驾驶操作的结束时刻为T3，则左转驾驶操作的时间数据为【T2，T3】。
S204：对获取到各原子场景对应的时间数据，按照时间顺序进行合并。
值得说明地是，针对直行后左转的驾驶操作，直行驾驶操作的时间数据与左转驾驶操作的时间数据会存在一定的交集。因此，在本申请实施例中，将直行操作的数据数据和左转操作的时间数据，按照时间顺序进行合并，得到合并时间数据，将合并合并时间数据确定为训练数据，而后对合并时间数据进行训练，生成自动驾驶场景信息的场景模型。
基于上述示例并结合图5对时间数据进行合并的原理进行如下阐述：
如图5所示，直行驾驶操作的时间数据为【T0，T1】，左转驾驶操作的时间数据为【T2，T3】，则合并时间数据为【T2，T1】。
在本申请实施例中，通过按照时间顺序对各原子场景对应的时间数据进行合并，可以提高合并后的时间数据之间的关联关系的可靠性，从而实现可靠且精准地生成自动驾驶场景信息的场景模型的技术效果。
S205：根据合并后的时间数据进行训练，生成自动驾驶场景信息的场景模型。
其中，训练的过程可以基于网络模型实现，且在本申请中，对网络模型不做限定，此处不再赘述。
为使读者更加透彻地理解本申请实施例的数据库的构建，现结合图6进行详细阐述。其中，图6为本申请另一实施例的自动驾驶场景的模型训练方法的流程示意图。
如图6所示，该方法包括：
S301：从车辆导航装置中采集车辆历史自动驾驶场景信息、历史驾驶操作样本数据以及历史行驶路况样本数据。
其中，“历史”用于对当前训练过程中的相关信息的区分，而不能理解为对各信息的内容的限定。
在一些实施例中，历史行驶路况样本数据可以为预先设置的与道路对应的高精地图。
S302：根据历史自动驾驶场景信息，确定多个原子场景样本。
其中，可以通过对历史自动驾驶场景信息的语义分析，确定多个原子场景样本。
S303：根据历史驾驶操作样本数据以及历史行驶路况样本数据，分别针对多个原子场景样本和驾驶操作信息构建数据库。
现结合图7对该步骤进行详细阐述，其中，图7为本申请实施例的直行+左转的复杂场景示意图。
具体地，可以先基于历史行驶路况样本数据确定车辆位于路口，如图7所示，将进入路口的位置标记为A，将出了路口的位置标记为B，并记录车辆进入路口时的时间数据T4，并记录车辆出了路口时的时间数据T5，且可以根据高精地图确定车辆为左转，当然，也可以根据车辆的朝向角确定车辆为左转，则车辆直行+左转的复杂场景的时间数据为【T4，T5】。
值得说明地是，此处只是以直行+左转的复杂场景和时间数据为例进行示范性地说明，而不能理解为对本申请实施例的复杂场景的限定，也不能理解为对驾驶操作信息的限定，如直行+右转等的复杂场景的原理与此相同，且驾驶操作信息中还可以包括速度、方向以及其他车辆的相关信息，等等，此处不再一一赘述。
在本申请实施例中，通过结合历史驾驶操作样本数据以及历史行驶路况样本数据，一方面，相当于充分考虑了车辆行驶过程中的相关信息，另一方面，相当于还结合了高精地图，而在二者的结合之下，可以提高数据库的准确性和可靠性的技术效果。
S304：获取待训练的自动驾驶场景信息，自动驾驶场景信息包括车辆的驾驶操作信息以及行驶路况信息。
S305：将自动驾驶场景信息按照场景类别拆分为多个原子场景。
S306：从预设数据库中获取每个原子场景对应的训练数据。
S307：根据多个原子场景的训练数据进行训练，生成自动驾驶场景信息的场景模型。
其中，关于S304至S307可以参见S101至S104，此处不再赘述。
在另一些实施例中，还可以基于车辆的历史行驶图像数据构建数据库。图现结合图8进行详细阐述。其中，图8为本申请又一实施例的自动驾驶场景的模型训练方法的流程示意图。
如图8所示，该方法包括：
S401：对车辆的历史行驶图像数据进行分析，生成历史自动驾驶场景信息和历史驾驶操作样本数据。
同理，历史行驶图像数据中的“历史”是用于表征与当前时刻的区分，而不能理解为对行驶图像数据的内容的限定。
其中，历史行驶图像数据为车辆行驶的各帧的图像各自对应的数据，且历史行驶图像数据用于表征车辆的行驶轨迹。
S402：根据历史自动驾驶场景信息，确定多个原子场景样本。
在一些实施例中，可以采用对历史自动驾驶场景信息进行语义解析，从而确定多个原子场景样本。
在另一些实施例中，也可以预先对车辆的历史自动驾驶场景信息进行标注，并根据标注确定多个原子场景样本。
在另一些实施例中，S402可以具体包括：
S4021：根据历史自动驾驶场景信息确定车辆的朝向角。
S4022：以朝向角为分类特征，确定多个原子场景样本。
具体地，可以结合时序模型进行训练，确定多个原子场景样本，且时序模型可以为长短期记忆模型。
S403：根据驾驶操作样本数据，分别针对多个原子场景样本构建数据库。
其中，数据库包括朝向角发生改变时对应的时间数据和结束改变时对应的时间数据。
在本申请实施例中，通过采用与历史行驶图像数据分析的方式，构建各原子场景的数据库，相较于仅通过实地采集车辆的相关数据，可以实现构建数据库的多样性和灵活性。
S404：获取待训练的自动驾驶场景信息，自动驾驶场景信息包括车辆的驾驶操作信息以及行驶路况信息。
S405：将自动驾驶场景信息按照场景类别拆分为多个原子场景。
S406：从预设数据库中获取每个原子场景对应的训练数据。
S407：根据多个原子场景的训练数据进行训练，生成自动驾驶场景信息的场景模型。
其中，关于S404至S407可以参见S101至S104，此处不再赘述。
根据本申请实施例的另一个方面，本申请实施例还提供了一种与上述方法对应的自动驾驶场景的模型训练装置，用于执行如上任一实施例所述的方法，如执行如图2、图3、图6和图8所示的方法。
请参阅图9，图9为本申请一个实施例的自动驾驶场景的模型训练装置的示意图。
如图9所示，该装置包括：
第一获取模块11，用于获取待训练的自动驾驶场景信息，所述自动驾驶场景信息包括车辆的驾驶操作信息以及行驶路况信息；
拆分模块12，用于将所述自动驾驶场景信息按照场景类别拆分为多个原子场景；
第二获取模块13，用于从预设数据库中获取每个所述原子场景对应的训练数据；
生成模块14，用于根据多个所述原子场景的训练数据进行训练，生成所述自动驾驶场景信息的场景模型。
在一些实施例中，所述训练数据包括驾驶操作的时间数据；所述第二获取模块13用于，获取各所述原子场景对应的时间数据，对获取到各所述原子场景对应的时间数据，按照时间顺序进行合并。
结合图10可知，在一些实施例中，所述装置还包括：
采集模块15，用于从车辆导航装置中采集车辆历史自动驾驶场景信息、历史驾驶操作样本数据以及历史行驶路况样本数据；
第一确定模块16，用于根据所述历史自动驾驶场景信息，确定多个原子场景样本；
第一构建模块17，用于根据所述历史驾驶操作样本数据以及历史行驶路况样本数据，分别针对多个所述原子场景样本和所述驾驶操作信息构建所述数据库。
结合图10可知，在一些实施例中，所述装置还包括：
分析模块18，用于对车辆的历史行驶图像数据进行分析，生成历史自动驾驶场景信息和历史驾驶操作样本数据；
第二确定模块19，用于根据所述历史自动驾驶场景信息，确定多个原子场景样本；
第二构建模块20，用于根据所述驾驶操作样本数据，分别针对多个所述原子场景样本构建所述数据库。
在一些实施例中，所述第二确定模块19用于，根据所述历史自动驾驶场景信息确定所述车辆的朝向角，以所述朝向角为分类特征，确定多个所述原子场景样本。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
根据本申请的实施例，本申请还提供了一种计算机程序产品，程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
请参阅图11，图11为本申请实施例的电子设备的框图。
其中，电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请实施例的实现。
如图11所示，该电子设备包括：一个或多个处理器101、存储器102，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图11中以一个处理器101为例。
存储器102即为本申请实施例所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请实施例所提供的自动驾驶场景的模型训练方法。本申请实施例的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请实施例所提供的自动驾驶场景的模型训练方法。
存储器102作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的程序指令/模块。处理器101通过运行存储在存储器102中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的自动驾驶场景的模型训练方法。
存储器102可以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、至少一个功能所需要的应用程序；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器102可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器102可选包括相对于处理器101远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、区块链服务网络(Block-chain-based Service Network，BSN)、移动通信网及其组合。
电子设备还可以包括：输入装置103和输出装置104。处理器101、存储器102、输入装置103和输出装置104可以通过总线或者其他方式连接，图11中以通过总线连接为例。
输入装置103可接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置104可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、区块链服务网络(Block-chain-based Service Network，BSN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (12)
1.一种自动驾驶场景的模型训练方法，其特征在于，所述方法包括：
获取待训练的自动驾驶场景信息，所述自动驾驶场景信息包括车辆的驾驶操作信息以及行驶路况信息；
将所述自动驾驶场景信息按照场景类别拆分为多个原子场景；
从预设数据库中获取每个所述原子场景对应的训练数据；
根据多个所述原子场景的训练数据进行训练，生成所述自动驾驶场景信息的场景模型；
所述将所述自动驾驶场景信息按照场景类别拆分为多个原子场景，包括：
若所述自动驾驶场景信息中包括逻辑运算符，则所述自动驾驶场景信息对应的为复杂场景，基于逻辑运算符将复杂场景拆分为原子场景。
2.根据权利要求1所述的方法，其特征在于，所述训练数据包括驾驶操作的时间数据；所述从预设数据库中获取每个所述原子场景对应的训练数据包括：
获取各所述原子场景对应的时间数据；
对获取到各所述原子场景对应的时间数据，按照时间顺序进行合并。
3.根据权利要求1或2所述的方法，其特征在于，在所述从预设数据库中获取每个所述原子场景对应的训练数据之前，所述方法还包括：
从车辆导航装置中采集车辆历史自动驾驶场景信息、历史驾驶操作样本数据以及历史行驶路况样本数据；
根据所述历史自动驾驶场景信息，确定多个原子场景样本；
根据所述历史驾驶操作样本数据以及历史行驶路况样本数据，分别针对多个所述原子场景样本和所述驾驶操作信息构建所述数据库。
4.根据权利要求1或2所述的方法，其特征在于，在所述从预设数据库中获取每个所述原子场景对应的训练数据之前，所述方法还包括：
对车辆的历史行驶图像数据进行分析，生成历史自动驾驶场景信息和历史驾驶操作样本数据；
根据所述历史自动驾驶场景信息，确定多个原子场景样本；
根据所述驾驶操作样本数据，分别针对多个所述原子场景样本构建所述数据库。
5.根据权利要求4所述的方法，其特征在于，所述根据所述历史自动驾驶场景信息，确定多个原子场景样本包括：
根据所述历史自动驾驶场景信息确定所述车辆的朝向角；
以所述朝向角为分类特征，确定多个所述原子场景样本。
6.一种自动驾驶场景的模型训练装置，其特征在于，所述装置包括：
第一获取模块，用于获取待训练的自动驾驶场景信息，所述自动驾驶场景信息包括车辆的驾驶操作信息以及行驶路况信息；
拆分模块，用于将所述自动驾驶场景信息按照场景类别拆分为多个原子场景；
第二获取模块，用于从预设数据库中获取每个所述原子场景对应的训练数据；
生成模块，用于根据多个所述原子场景的训练数据进行训练，生成所述自动驾驶场景信息的场景模型；
所述拆分模块，具体用于若所述自动驾驶场景信息中包括逻辑运算符，则所述自动驾驶场景信息对应的为复杂场景，基于逻辑运算符将复杂场景拆分为原子场景。
7.根据权利要求6所述的装置，其特征在于，所述训练数据包括驾驶操作的时间数据；所述第二获取模块用于，获取各所述原子场景对应的时间数据，对获取到各所述原子场景对应的时间数据，按照时间顺序进行合并。
8.根据权利要求6或7所述的装置，其特征在于，所述装置还包括：
采集模块，用于从车辆导航装置中采集车辆历史自动驾驶场景信息、历史驾驶操作样本数据以及历史行驶路况样本数据；
第一确定模块，用于根据所述历史自动驾驶场景信息，确定多个原子场景样本；
第一构建模块，用于根据所述历史驾驶操作样本数据以及历史行驶路况样本数据，分别针对多个所述原子场景样本和所述驾驶操作信息构建所述数据库。
9.根据权利要求6或7所述的装置，其特征在于，所述装置还包括：
分析模块，用于对车辆的历史行驶图像数据进行分析，生成历史自动驾驶场景信息和历史驾驶操作样本数据；
第二确定模块，用于根据所述历史自动驾驶场景信息，确定多个原子场景样本；
第二构建模块，用于根据所述驾驶操作样本数据，分别针对多个所述原子场景样本构建所述数据库。
10.根据权利要求9所述的装置，其特征在于，所述第二确定模块用于，根据所述历史自动驾驶场景信息确定所述车辆的朝向角，以所述朝向角为分类特征，确定多个所述原子场景样本。
11.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010522114.8A CN111694973B (zh) | 2020-06-09 | 2020-06-09 | 自动驾驶场景的模型训练方法、装置、电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010522114.8A CN111694973B (zh) | 2020-06-09 | 2020-06-09 | 自动驾驶场景的模型训练方法、装置、电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111694973A CN111694973A (zh) | 2020-09-22 |
| CN111694973B true CN111694973B (zh) | 2023-10-13 |
Family
ID=72480017
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010522114.8A Active CN111694973B (zh) | 2020-06-09 | 2020-06-09 | 自动驾驶场景的模型训练方法、装置、电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111694973B (zh) |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112287797A (zh) * | 2020-10-23 | 2021-01-29 | 北京嘀嘀无限科技发展有限公司 | 一种数据处理方法、装置、电子设备及可读存储介质 |
| CN112396093B (zh) * | 2020-10-29 | 2022-10-14 | 中国汽车技术研究中心有限公司 | 驾驶场景分类方法、装置、设备及可读存储介质 |
| CN112269939B (zh) * | 2020-11-17 | 2023-05-30 | 苏州智加科技有限公司 | 自动驾驶的场景搜索方法、装置、终端、服务器及介质 |
| CN112572470B (zh) * | 2020-12-07 | 2022-01-28 | 清华大学 | 施工机械设备自动驾驶方法及装置 |
| CN112744229B (zh) * | 2021-01-18 | 2021-12-21 | 国汽智控(北京)科技有限公司 | 一种自动驾驶领域专有语言的生成系统 |
| CN112565468B (zh) * | 2021-02-22 | 2021-08-31 | 华为技术有限公司 | 一种驾驶场景识别方法及其系统 |
| CN113071497B (zh) * | 2021-04-28 | 2022-05-24 | 中国第一汽车股份有限公司 | 一种驾驶场景判断方法、装置、设备及存储介质 |
| CN112949620B (zh) * | 2021-05-17 | 2021-07-30 | 腾讯科技（深圳）有限公司 | 基于人工智能的场景分类方法、装置及电子设备 |
| CN113276863B (zh) * | 2021-07-01 | 2022-09-13 | 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 |
| CN113741459B (zh) * | 2021-09-03 | 2024-06-21 | 阿波罗智能技术(北京)有限公司 | 确定训练样本的方法和自动驾驶模型的训练方法、装置 |
| CN115272994B (zh) * | 2021-09-29 | 2023-07-25 | 上海仙途智能科技有限公司 | 自动驾驶预测模型训练方法、装置、终端及介质 |
| CN114379581B (zh) * | 2021-11-29 | 2024-01-30 | 江铃汽车股份有限公司 | 基于自动驾驶下的算法迭代系统及方法 |
| CN114924968B (zh) * | 2022-05-26 | 2024-07-09 | 重庆长安汽车股份有限公司 | 自动驾驶辅助公共道路测试方法、系统及存储介质 |
| CN115203457B (zh) * | 2022-07-15 | 2023-11-14 | 小米汽车科技有限公司 | 图像检索方法、装置、车辆、存储介质及芯片 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102682155A (zh) * | 2012-03-16 | 2012-09-19 | 王晓原 | 城市道路交通网络分析微观仿真系统 |
| CN106347173A (zh) * | 2016-09-27 | 2017-01-25 | 高卫国 | 一种自动驾驶汽车 |
| CN106971644A (zh) * | 2017-05-12 | 2017-07-21 | 南京全控航空科技有限公司 | 具有协同作战能力的驾驶模拟训练系统 |
| CN107264534A (zh) * | 2017-05-23 | 2017-10-20 | 北京理工大学 | 基于驾驶员经验模型的智能驾驶控制系统和方法、车辆 |
| CN107697070A (zh) * | 2017-09-05 | 2018-02-16 | 百度在线网络技术（北京）有限公司 | 驾驶行为预测方法和装置、无人车 |
| CN107727411A (zh) * | 2017-10-30 | 2018-02-23 | 青岛慧拓智能机器有限公司 | 一种自动驾驶车辆测评场景生成系统及方法 |
| JP2018167648A (ja) * | 2017-03-29 | 2018-11-01 | マツダ株式会社 | 車両運転支援システム及び車両運転支援方法 |
| CN108921200A (zh) * | 2018-06-11 | 2018-11-30 | 百度在线网络技术（北京）有限公司 | 用于对驾驶场景数据进行分类的方法、装置、设备和介质 |
| CN109109863A (zh) * | 2018-07-28 | 2019-01-01 | 华为技术有限公司 | 智能设备及其控制方法、装置 |
| WO2019101720A1 (en) * | 2017-11-22 | 2019-05-31 | Connaught Electronics Ltd. | Methods for scene classification of an image in a driving support system |
| CN110111335A (zh) * | 2019-05-08 | 2019-08-09 | 南昌航空大学 | 一种自适应对抗学习的城市交通场景语义分割方法及系统 |
| CN110516380A (zh) * | 2019-08-30 | 2019-11-29 | 的卢技术有限公司 | 一种基于车辆行驶仿真数据的深度强化测试方法和系统 |
| CN110941272A (zh) * | 2019-11-27 | 2020-03-31 | 深圳先进技术研究院 | 自动驾驶控制方法和设备 |
| CN111104903A (zh) * | 2019-12-19 | 2020-05-05 | 南京邮电大学 | 一种深度感知交通场景多目标检测方法和系统 |
| CN111123963A (zh) * | 2019-12-19 | 2020-05-08 | 南京航空航天大学 | 基于强化学习的未知环境自主导航系统及方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080033645A1 (en) * | 2006-08-03 | 2008-02-07 | Jesse Sol Levinson | Pobabilistic methods for mapping and localization in arbitrary outdoor environments |
| US9904855B2 (en) * | 2014-11-13 | 2018-02-27 | Nec Corporation | Atomic scenes for scalable traffic scene recognition in monocular videos |
-
2020
- 2020-06-09 CN CN202010522114.8A patent/CN111694973B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102682155A (zh) * | 2012-03-16 | 2012-09-19 | 王晓原 | 城市道路交通网络分析微观仿真系统 |
| CN106347173A (zh) * | 2016-09-27 | 2017-01-25 | 高卫国 | 一种自动驾驶汽车 |
| JP2018167648A (ja) * | 2017-03-29 | 2018-11-01 | マツダ株式会社 | 車両運転支援システム及び車両運転支援方法 |
| CN106971644A (zh) * | 2017-05-12 | 2017-07-21 | 南京全控航空科技有限公司 | 具有协同作战能力的驾驶模拟训练系统 |
| CN107264534A (zh) * | 2017-05-23 | 2017-10-20 | 北京理工大学 | 基于驾驶员经验模型的智能驾驶控制系统和方法、车辆 |
| CN107697070A (zh) * | 2017-09-05 | 2018-02-16 | 百度在线网络技术（北京）有限公司 | 驾驶行为预测方法和装置、无人车 |
| CN107727411A (zh) * | 2017-10-30 | 2018-02-23 | 青岛慧拓智能机器有限公司 | 一种自动驾驶车辆测评场景生成系统及方法 |
| WO2019101720A1 (en) * | 2017-11-22 | 2019-05-31 | Connaught Electronics Ltd. | Methods for scene classification of an image in a driving support system |
| CN108921200A (zh) * | 2018-06-11 | 2018-11-30 | 百度在线网络技术（北京）有限公司 | 用于对驾驶场景数据进行分类的方法、装置、设备和介质 |
| CN109109863A (zh) * | 2018-07-28 | 2019-01-01 | 华为技术有限公司 | 智能设备及其控制方法、装置 |
| CN110111335A (zh) * | 2019-05-08 | 2019-08-09 | 南昌航空大学 | 一种自适应对抗学习的城市交通场景语义分割方法及系统 |
| CN110516380A (zh) * | 2019-08-30 | 2019-11-29 | 的卢技术有限公司 | 一种基于车辆行驶仿真数据的深度强化测试方法和系统 |
| CN110941272A (zh) * | 2019-11-27 | 2020-03-31 | 深圳先进技术研究院 | 自动驾驶控制方法和设备 |
| CN111104903A (zh) * | 2019-12-19 | 2020-05-05 | 南京邮电大学 | 一种深度感知交通场景多目标检测方法和系统 |
| CN111123963A (zh) * | 2019-12-19 | 2020-05-08 | 南京航空航天大学 | 基于强化学习的未知环境自主导航系统及方法 |
Non-Patent Citations (2)
| Title |
|---|
| Depth Estimation with Multi-Resolution Stereo Matching;Qiuchen Du;2019 IEEE Visual Communications and Image Processing (VCIP);全文 * |
| 激光点云人车目标识别及运动信息提取;王林;中国优秀硕士毕业论文;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111694973A (zh) | 2020-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111694973B (zh) | 自动驾驶场景的模型训练方法、装置、电子设备 | |
| CN110657818B (zh) | 自动驾驶车辆的路径规划方法、装置、设备及存储介质 | |
| US11626013B2 (en) | Traffic data analysis method, electronic device, vehicle and storage medium | |
| CN112132113A (zh) | 车辆再识别的方法、装置、训练方法以及电子设备 | |
| KR20210076886A (ko) | 주차 모델 생성 방법 및 장치, 전자 장치 및 저장 매체 | |
| CN111767360B (zh) | 路口虚拟车道标注的方法及装置 | |
| JP7483781B2 (ja) | 情報をプッシュするための方法、装置、電子機器、コンピュータ可読記憶媒体及びコンピュータプログラム | |
| US20210192815A1 (en) | Method and apparatus for generating map | |
| CN110823237B (zh) | 起点绑路及预测模型获取方法、装置及存储介质 | |
| CN110796191B (zh) | 轨迹分类方法及装置 | |
| CN110702136B (zh) | 车辆的路线规划方法、装置、电子设备及可读存储介质 | |
| CN111666771B (zh) | 文书的语义标签抽取、装置、电子设备及可读存储介质 | |
| CN110517079B (zh) | 数据处理方法、装置、电子设备和存储介质 | |
| CN110781657A (zh) | 导航播报的管理方法、装置及设备 | |
| CN112527163B (zh) | 一种路口检索方法、装置、设备及存储介质 | |
| US11740639B2 (en) | Method and apparatus for gutting signal light information | |
| CN112987707A (zh) | 一种车辆的自动驾驶控制方法及装置 | |
| CN110865421A (zh) | 业务模型训练方法、障碍物检测方法、装置和电子设备 | |
| CN112883127B (zh) | 一种道路数据处理方法、装置、电子设备和介质 | |
| CN111578962B (zh) | 数据处理方法和装置、车端设备和导航系统 | |
| CN111735456A (zh) | 一种导航方法、装置、设备以及存储介质 | |
| CN113129627B (zh) | 道路路口的通过指示方法、装置、电子设备及存储介质 | |
| CN112747758A (zh) | 路网建模方法及装置 | |
| CN110542428A (zh) | 驾驶路线质量评估方法及装置 | |
| CN113221025A (zh) | 兴趣点召回方法、装置、设备和介质 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20211019 Address after: 105 / F, building 1, No. 10, Shangdi 10th Street, Haidian District, Beijing 100085 Applicant after: Apollo Intelligent Technology (Beijing) Co.,Ltd. Address before: 2 / F, baidu building, 10 Shangdi 10th Street, Haidian District, Beijing 100085 Applicant before: BEIJING BAIDU NETCOM SCIENCE AND TECHNOLOGY Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |