CN111959496A - 用于车辆横向控制的模型生成方法、装置及电子设备 - Google Patents
用于车辆横向控制的模型生成方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111959496A CN111959496A CN202010605421.2A CN202010605421A CN111959496A CN 111959496 A CN111959496 A CN 111959496A CN 202010605421 A CN202010605421 A CN 202010605421A CN 111959496 A CN111959496 A CN 111959496A
- Authority
- CN
- China
- Prior art keywords
- sample
- vehicle
- model
- curvature
- track
- 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 63
- 238000012549 training Methods 0.000 claims abstract description 59
- 238000005070 sampling Methods 0.000 claims abstract description 29
- 239000000523 sample Substances 0.000 claims description 172
- 230000015654 memory Effects 0.000 claims description 19
- 239000013074 reference sample Substances 0.000 claims description 16
- 230000000694 effects Effects 0.000 abstract description 18
- 238000013135 deep learning Methods 0.000 abstract description 9
- 238000013473 artificial intelligence Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 10
- 238000003062 neural network model Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000006872 improvement 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
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- B60W30/06—Automatic manoeuvring for parking
-
- 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
- B60W40/10—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 vehicle motion
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- 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
-
- 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
- G06V20/586—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of parking space
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本申请公开了用于车辆横向控制的模型生成方法、装置及电子设备,涉及人工智能技术领域、深度学习技术领域。具体实现方案为:对样本车辆的泊车轨迹进行采样,以得到多个样本轨迹点信息;确定各个样本轨迹点信息对应的样本目标曲率;将样本轨迹点信息输入至初始的横向控制模型以生成预测曲率;以及根据横向控制模型输出的预测曲率和样本目标曲率对初始的横向控制模型进行训练,使得训练后的横向控制模型可以高效地对车辆进行横向控制,提升横向控制效果。
Description
技术领域
本申请涉及自动驾驶技术领域,具体涉及人工智能技术领域、深度学习技术领域,尤其涉及用于车辆横向控制的模型生成方法、装置及电子设备。
背景技术
自动泊车系统(Homezone Auto Valet Parking,H-AVP),能够辅助用户自动进行泊车,例如,自动泊车系统可以自学习并记录用户泊车时的路径轨迹,车位位置等信息,在自动泊车时,通过前置广角摄像头采集环境图像,并且将环境图像与泊车轨迹进行匹配以辅助控制车辆行驶,从而控制车辆自动泊车。自动泊车系统在辅助控制车辆行驶以进行泊车的过程中,需要对车辆进行横向控制。
发明内容
提供了一种用于车辆横向控制的模型生成方法、装置及电子设备,能够使得训练后的横向控制模型可以高效地对车辆进行横向控制,提升横向控制效果。
根据第一方面,提供了一种用于车辆横向控制的模型生成方法,包括:对样本车辆的泊车轨迹进行采样,以得到多个样本轨迹点信息;确定各个所述样本轨迹点信息对应的样本目标曲率;将所述样本轨迹点信息输入至初始的横向控制模型以生成预测曲率;以及根据所述横向控制模型输出的预测曲率和所述样本目标曲率对所述初始的横向控制模型进行训练。
本申请实施例的用于车辆横向控制的模型生成方法,通过对样本车辆的泊车轨迹进行采样,以得到多个样本轨迹点信息,并确定各个样本轨迹点信息对应的样本目标曲率,将样本轨迹点信息输入至初始的横向控制模型以生成预测曲率;以及根据横向控制模型输出的预测曲率和样本目标曲率对初始的横向控制模型进行训练,使得训练后的横向控制模型可以高效地对车辆进行横向控制,提升横向控制效果。
根据第二方面,提供了一种横向控制方法,包括:获取待控制车辆的当前轨迹点信息;根据所述当前轨迹点信息结合所述训练后的横向控制模型确定目标曲率;根据所述目标曲率对所述待控制车辆进行横向控制。
本申请实施例的横向控制方法,通过获取待控制车辆的当前轨迹点信息,并根据当前轨迹点信息结合训练后的横向控制模型确定目标曲率,以及根据目标曲率对待控制车辆进行横向控制,由于横向控制模型是预先基于深度学习方法训练得到的,因此,当采用训练后的横向控制模型对车辆进行横向控制时,能够高效地对车辆进行横向控制,提升横向控制效果。
根据第三方面,提供了一种用于车辆横向控制的模型生成装置,包括:采样模块,用于对样本车辆的泊车轨迹进行采样,以得到多个样本轨迹点信息;第一确定模块,用于确定各个所述样本轨迹点信息对应的样本目标曲率;生成模块,用于将所述样本轨迹点信息输入至初始的横向控制模型以生成预测曲率;以及训练模块,用于根据所述横向控制模型输出的预测曲率和所述样本目标曲率对所述初始的横向控制模型进行训练。
本申请实施例的用于车辆横向控制的模型生成装置,通过对样本车辆的泊车轨迹进行采样,以得到多个样本轨迹点信息,并确定各个样本轨迹点信息对应的样本目标曲率,将样本轨迹点信息输入至初始的横向控制模型以生成预测曲率;以及根据横向控制模型输出的预测曲率和样本目标曲率对初始的横向控制模型进行训练,使得训练后的横向控制模型可以高效地对车辆进行横向控制,提升横向控制效果。
根据第四方面,提供了一种横向控制装置,包括:获取模块,用于获取待控制车辆的当前轨迹点信息;第二确定模块,用于根据所述当前轨迹点信息结合所述训练后的横向控制模型确定目标曲率;控制模块,用于根据所述目标曲率对所述待控制车辆进行横向控制。
本申请实施例的横向控制装置,通过获取待控制车辆的当前轨迹点信息,并根据当前轨迹点信息结合训练后的横向控制模型确定目标曲率,以及根据目标曲率对待控制车辆进行横向控制,由于横向控制模型是预先基于深度学习方法训练得到的,因此,当采用训练后的横向控制模型对车辆进行横向控制时,能够高效地对车辆进行横向控制,提升横向控制效果。
根据第五方面,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本申请实施例的用于车辆横向控制的模型生成方法,或者执行本申请实施例的横向控制方法。
本申请实施例的电子设备,通过对样本车辆的泊车轨迹进行采样,以得到多个样本轨迹点信息,并确定各个样本轨迹点信息对应的样本目标曲率,将样本轨迹点信息输入至初始的横向控制模型以生成预测曲率;以及根据横向控制模型输出的预测曲率和样本目标曲率对初始的横向控制模型进行训练,使得训练后的横向控制模型可以高效地对车辆进行横向控制,提升横向控制效果。
根据第四方面,提出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本申请实施例公开的用于车辆横向控制的模型生成方法,或者执行本申请实施例的横向控制方法。
根据本申请的技术解决了相关技术中,自动泊车系统在辅助控制车辆行驶以进行泊车的过程中,对车辆进行横向控制的控制效果不佳的技术问题,能够使得训练后的横向控制模型可以高效地对车辆进行横向控制,提升横向控制效果。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请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是根据本申请第一实施例的示意图;
图2是根据本申请第二实施例的示意图;
图3是根据本申请第三实施例的示意图;
图4是根据本申请第四实施例的示意图;
图5是根据本申请第五实施例的示意图;
图6是根据本申请第六实施例的示意图;
图7是用来实现本申请实施例的用于车辆横向控制的模型生成方法的电子设备的框图。
具体实施方式
以下结合附图对本申请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。
图1是根据本申请第一实施例的示意图。其中,需要说明的是,本实施例的用于车辆横向控制的模型生成方法的执行主体为用于车辆横向控制的模型生成装置,该装置可以由软件和/或硬件的方式实现,该装置可以配置在电子设备中,电子设备可以包括但不限于终端、服务器端等。
本申请实施例自动驾驶技术领域,尤其涉及人工智能技术领域、深度学习技术领域,其中,自动驾驶技术领域主要在于研究自动驾驶的方法、自动泊车的方法,辅助进行自动驾驶的算法模型,以及支持自动驾驶的硬件系统架构设计等,自动驾驶技术领域内的自动泊车方法是指汽车自动驾驶入位不需要人工控制。人工智能(ArtificialIntelligence),英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。深度学习是学习样本数据的内在规律和表示层次,这些学习过程中获得的信息对诸如文字,图像和声音等数据的解释有很大的帮助。深度学习的最终目标是让机器能够像人一样具有分析学习能力,能够识别文字、图像和声音等数据。
本申请实施例的用于车辆横向控制的模型生成装置,例如可以应用在自动泊车系统H-AVP内,对此不作限制。
如图1所示,该用于车辆横向控制的模型生成方法可以包括:
S101:对样本车辆的泊车轨迹进行采样,以得到多个样本轨迹点信息。
其中,用于训练车辆横向控制的模型的车辆,可以被称为样本车辆,本申请实施例中的样本车辆的数量可以为多辆,首先可以获取各个样本车辆的历史的泊车信息,从而将历史的泊车信息输入至电子设备,由电子设备采用预配置的泊车轨迹解析算法解析得到样本车辆的泊车轨迹,或者,也可以采用三维建模技术,结合样本车辆的历史的泊车信息,重新建模得到泊车轨迹,对此不作限制。
在获取样本车辆的泊车轨迹后,可以对样本车辆的泊车轨迹进行采样,并在采样每个轨迹点的同时,确定该轨迹点相关的一些信息并作为样本轨迹点信息,与轨迹点相关的信息可以例如为轨迹点对应的地理位置,在该地理位置拍摄得到的一些环境图像等等。
本申请实施例中,可以确定多个样本轨迹点,并基于每个样本轨迹点,采集样本车辆拍摄的环境图像,并采集样本车辆的方向盘角度,以及将样本轨迹点的位置,结合对应的环境图像和方向盘角度共同作为样本轨迹点信息,实现对样本数据进行了标准化处理,能够有效地辅助后续用于车辆横向控制的模型的训练,提升模型横向控制的精准度。
也即是说,可以确定泊车轨迹对应的若干个时间点(该时间点通常为历史的时间点),而后确定在每个时间点上自动泊车系统前置的广角摄像头采集到的环境图像,并获取相应的时间点上方向盘角度,也即是说与一个时间点对应采集一帧环境图像,以及此时的方向盘角度,以此确定每个时间点上标定的样本目标曲率,实现对样本数据进行了标准化处理,能够有效地辅助后续用于车辆横向控制的模型的训练,提升模型横向控制的精准度。
上述确定多个样本轨迹点,可以是确定基准样本轨迹点,并基于基准样本轨迹点建立坐标系;形成以基准样本轨迹点为起点,向前设定距离内的轨迹片段映射至坐标系内的轨迹线;从轨迹线上,确定多个样本轨迹点。
也即是说,上述的基准样本轨迹点的数量可以为一个或者多个,可以首选在泊车轨迹上进行取样,得到多个样本轨迹点,而后,可以以分别将每个样本轨迹点确定为基准样本轨迹点以建立相应的坐标系,形成以每个基准样本轨迹点为基准的轨迹片段对应的轨迹线段,而后,将多个轨迹线段拼接为轨迹线,将轨迹转化为对应于坐标系的线段,并且由于采样得到多个样本轨迹点,因此,以不同的样本轨迹点均具有一个对应的坐标系,能够有效优化训练数据,保障训练数据质量,提升训练数据的模型训练效果。
上述从轨迹线上,确定多个样本轨迹点,可以是对轨迹线进行初始采样,得到初始的样本轨迹点;对轨迹线进行次取样,得到次取样的样本轨迹点,能够有效保障训练数据的精度,使得基于采样得到的轨迹线能够更契合与实际的泊车轨迹。
作为一种示例,可以针对泊车轨迹每隔0.1m去一个轨迹点(作为基准样本轨迹点),然后基于基准样本轨迹点向前取5米的轨迹,同时进行坐标转换,将这段5米长的轨迹转为以基准样本轨迹点为坐标原点的坐标系内相应的轨迹线,而后,获取轨迹线上所有轨迹点的方向盘角度,并将其转化为样本目标曲率,以及可以将轨迹线上与各基准样本轨迹点对应的轨迹点作为初始的样本轨迹点,而后,对轨迹线中获取的5米长轨迹再以0.5米为间隔获取次取样的样本轨迹点。
S102:确定各个样本轨迹点信息对应的样本目标曲率。
上述在获取了初始的样本轨迹点和次取样的样本轨迹点,可以根据初始的样本轨迹点和次取样的样本轨迹点的信息,确定对应的曲率,该对应的曲率可以被称为样本目标曲率,该样本目标曲率被用于后续训练横向控制模型。
S103:将样本轨迹点信息输入至初始的横向控制模型以生成预测曲率。
其中,初始的横向控制模型可以例如为人工智能当中的算法模型,具体可以例如为深度学习中的神经网络模型,神经网络模型可以例如为卷积神经网络模型,或者也可以为其它任意可能的人工智能当中的算法模型,或者是深度学习中的数学模型,对此不作限制。
本实施例中,生成了样本轨迹点信息后,可以采用样本轨迹点信息训练一个人工智能的基于深度学习的神经网络模型,相比于其它机器学习的方法,深度学习在大数据集上的表现更好,通过训练一个深度学习领域的模型,将样本轨迹点信息输入至初始的横向控制模型(深度学习领域的模型)以生成预测曲率,使得训练后的横向控制模型可以高效地对车辆进行横向控制,提升横向控制效果。
S104:根据横向控制模型输出的预测曲率和样本目标曲率对初始的横向控制模型进行训练。
例如,可以判断横向控制模型输出的预测曲率和样本目标曲率之间的匹配状态,当该匹配状态满足设定条件时,确定对初始的横向控制模型进行训练完成,否则,继续根据横向控制模型输出的预测曲率和样本目标曲率对初始的横向控制模型进行迭代训练,直至迭代训练次数满足设定次数阈值,对此不作限制。
本实施例中,通过对样本车辆的泊车轨迹进行采样,以得到多个样本轨迹点信息,并确定各个样本轨迹点信息对应的样本目标曲率,将样本轨迹点信息输入至初始的横向控制模型以生成预测曲率;以及根据横向控制模型输出的预测曲率和样本目标曲率对初始的横向控制模型进行训练,使得训练后的横向控制模型可以高效地对车辆进行横向控制,提升横向控制效果。
图2是根据本申请第二实施例的示意图。
如图2所示,该用于车辆横向控制的模型生成方法可以包括:
S201:对样本车辆的泊车轨迹进行采样,以得到多个样本轨迹点信息。
S202:将样本轨迹点的位置,结合对应的环境图像和方向盘角度共同作为预设的汽车运动学模型的输入,并将根据汽车运动学模型的输出确定对应的样本目标曲率。
其中,预设的汽车运动学模型可以例如为Akerman的汽车运动学模型,根据该模型能够将与一个时间点对应采集一帧环境图像,以及此时的方向盘角度转化为相应的曲率,而不受限于不同车辆的方向盘角度和相应的曲率之间的转化对应关系的不同,由此实现模型输出的泛化性。
S203:将样本轨迹点信息输入至初始的横向控制模型以生成预测曲率。
其中,初始的横向控制模型可以例如为深度学习中的神经网络模型,神经网络模型可以例如为卷积神经网络模型,或者也可以为其它任意可能的深度学习中的数学模型,对此不作限制。
本实施例中,生成了样本轨迹点信息后,可以采用样本轨迹点信息训练一个深度学习中的神经网络模型,相比于其它机器学习的方法,深度学习在大数据集上的表现更好,通过训练一个深度学习领域的模型,将样本轨迹点信息输入至初始的横向控制模型(深度学习领域的模型)以生成预测曲率,使得训练后的横向控制模型可以高效地对车辆进行横向控制,提升横向控制效果。
S204:根据横向控制模型输出的预测曲率和样本目标曲率生成损失值。
其中,损失值可以用于描述预测曲率相对于样本目标曲率之间的损失情况,由此,通过根据横向控制模型输出的预测曲率和样本目标曲率生成损失值,从而可以采用该损失值确定训练横向控制模型的停止时机。
S205:根据损失值对初始的横向控制模型进行训练。
作为一种示例,可以确定一个损失值阈值,当损失值小于或者等于该损失值阈值时,则可以确定对初始的横向控制模型进行训练完成,而若该损失值大于损失值阈值,则可以迭代地对初始的横向控制模型进行训练,以对预测曲率进行更新,直至横向控制模型输出的预测曲率和样本目标曲率之间的损失值小于或者等于上述的损失值阈值,对此不作限制。
本实施例中,通过对样本车辆的泊车轨迹进行采样,以得到多个样本轨迹点信息,并确定各个样本轨迹点信息对应的样本目标曲率,将样本轨迹点信息输入至初始的横向控制模型以生成预测曲率;以及根据横向控制模型输出的预测曲率和样本目标曲率对初始的横向控制模型进行训练,使得训练后的横向控制模型可以高效地对车辆进行横向控制,提升横向控制效果。实现将与一个时间点对应采集一帧环境图像,以及此时的方向盘角度转化为相应的曲率,而不受限于不同车辆的方向盘角度和相应的曲率之间的转化对应关系的不同,由此实现模型输出的泛化性。通过根据横向控制模型输出的预测曲率和样本目标曲率生成损失值,并根据损失值对初始的横向控制模型进行训练,从而可以采用该损失值确定训练横向控制模型的停止时机,保障横向控制模型的训练资源消耗和横向控制模型的控制效果之间的平衡,提升模型训练效果。
图3是根据本申请第三实施例的示意图。
如图3所示,该横向控制方法可以包括:
S301:获取待控制车辆的当前轨迹点信息。
其中,可以在自动控制车辆泊车的过程中,实时地获取待控制车辆的当前轨迹点信息,该当前轨迹点信息可以例如包括:当前轨迹点对应的地理位置,在该地理位置拍摄得到的一些环境图像等等。
在获取待控制车辆的当前轨迹点信息后,可以将前轨迹点对应的地理位置,在该地理位置拍摄得到的一些环境图像等输入至上述实施例训练得到的横向控制模型。
S302:根据当前轨迹点信息结合训练后的横向控制模型确定目标曲率。
S303:根据目标曲率对待控制车辆进行横向控制。
在将在该地理位置拍摄得到的一些环境图像等输入至上述实施例训练得到的横向控制模型,可以获取该横向控制模型的输出,从而根据该横向控制模型输出的目标曲率对待控制车辆进行横向控制。
本实施例中,通过获取待控制车辆的当前轨迹点信息,并根据当前轨迹点信息结合训练后的横向控制模型确定目标曲率,以及根据目标曲率对待控制车辆进行横向控制,由于横向控制模型是预先基于深度学习方法训练得到的,因此,当采用训练后的横向控制模型对车辆进行横向控制时,能够高效地对车辆进行横向控制,提升横向控制效果。
图4是根据本申请第四实施例的示意图。
如图4所示,该用于车辆横向控制的模型生成装置400包括:
采样模块401,用于对样本车辆的泊车轨迹进行采样,以得到多个样本轨迹点信息。
第一确定模块402,用于确定各个样本轨迹点信息对应的样本目标曲率。
生成模块403,用于将样本轨迹点信息输入至初始的横向控制模型以生成预测曲率。
训练模块404,用于根据横向控制模型输出的预测曲率和样本目标曲率对初始的横向控制模型进行训练。
在本申请的一些实施例中,参见图5,图5是根据本申请第五实施例的示意图,训练模块404,包括:
生成子模块4041,用于根据横向控制模型输出的预测曲率和样本目标曲率生成损失值。
训练子模块4042,用于根据损失值对初始的横向控制模型进行训练。
在本申请的一些实施例中,采样模块401,具体用于:
确定多个样本轨迹点;
基于每个样本轨迹点,采集样本车辆拍摄的环境图像,并采集样本车辆的方向盘角度;
将样本轨迹点的位置,结合对应的环境图像和方向盘角度共同作为样本轨迹点信息。
在本申请的一些实施例中,第一确定模块402,具体用于:
将样本轨迹点的位置,结合对应的环境图像和方向盘角度共同作为预设的汽车运动学模型的输入,并将根据汽车运动学模型的输出确定对应的样本目标曲率。
在本申请的一些实施例中,采样模块401,还用于:
确定基准样本轨迹点,并基于基准样本轨迹点建立坐标系;
形成以基准样本轨迹点为起点,向前设定距离内的轨迹片段映射至坐标系内的轨迹线;
从轨迹线上,确定多个样本轨迹点。
在本申请的一些实施例中,采样模块401,进一步用于:
对轨迹线进行初始采样,得到初始的样本轨迹点;
对轨迹线进行次取样,得到次取样的样本轨迹点。
需要说明的是,前述对用于车辆横向控制的模型生成方法的解释说明也适用于本实施例的用于车辆横向控制的模型生成装置,此处不再赘述。
本实施例中,通过对样本车辆的泊车轨迹进行采样,以得到多个样本轨迹点信息,并确定各个样本轨迹点信息对应的样本目标曲率,将样本轨迹点信息输入至初始的横向控制模型以生成预测曲率;以及根据横向控制模型输出的预测曲率和样本目标曲率对初始的横向控制模型进行训练,使得训练后的横向控制模型可以高效地对车辆进行横向控制,提升横向控制效果。
图6是根据本申请第四实施例的示意图。
如图6所示,该横向控制装置600包括:
获取模块601,用于获取待控制车辆的当前轨迹点信息。
第二确定模块602,用于根据当前轨迹点信息结合训练后的横向控制模型确定目标曲率。
控制模块603,用于根据目标曲率对待控制车辆进行横向控制。
需要说明的是,前述对横向控制方法的解释说明也适用于本实施例的横向控制装置,此处不再赘述。
本实施例中,通过获取待控制车辆的当前轨迹点信息,并根据当前轨迹点信息结合训练后的横向控制模型确定目标曲率,以及根据目标曲率对待控制车辆进行横向控制,由于横向控制模型是预先基于深度学习方法训练得到的,因此,当采用训练后的横向控制模型对车辆进行横向控制时,能够高效地对车辆进行横向控制,提升横向控制效果。
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。
如图7所示,是根据本申请实施例的用于车辆横向控制的模型生成方法的电子设备的框图。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/或者要求的本申请的实现。
如图7所示,该电子设备包括:一个或多个处理器701、存储器702,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7中以一个处理器701为例。
存储器702即为本申请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所提供的用于车辆横向控制的模型生成方法,以及执行横向控制方法。本申请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所提供的用于车辆横向控制的模型生成方法,以及横向控制方法。
存储器702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用于车辆横向控制的模型生成方法对应的程序指令/模块(例如,附图4所示的采样模块401、第一确定模块402、生成模块403以及训练模块404)。处理器701通过运行存储在存储器702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用于车辆横向控制的模型生成方法,以及横向控制方法。
存储器702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执行用于车辆横向控制的模型生成方法以及执行横向控制方法的电子设备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702可选包括相对于处理器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该电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
该电子设备还可以包括:输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接,图7中以通过总线连接为例。
输入装置703可接收输入的数字或字符信息,以及产生与该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704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)、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,本发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公开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 (16)
1.一种用于车辆横向控制的模型生成方法,包括:
对样本车辆的泊车轨迹进行采样,以得到多个样本轨迹点信息;
确定各个所述样本轨迹点信息对应的样本目标曲率;
将所述样本轨迹点信息输入至初始的横向控制模型以生成预测曲率;以及
根据所述横向控制模型输出的预测曲率和所述样本目标曲率对所述初始的横向控制模型进行训练。
2.根据权利要求1所述的用于车辆横向控制的模型生成方法,其中,所述根据所述横向控制模型输出的预测曲率和所述样本目标曲率对所述初始的横向控制模型进行训练,包括:
根据所述横向控制模型输出的预测曲率和所述样本目标曲率生成损失值;
根据所述损失值对所述初始的横向控制模型进行训练。
3.根据权利要求1所述的用于车辆横向控制的模型生成方法,其中,所述对样本车辆的泊车轨迹进行采样,以得到多个样本轨迹点信息,包括:
确定多个样本轨迹点;
基于每个所述样本轨迹点,采集所述样本车辆拍摄的环境图像,并采集所述样本车辆的方向盘角度;
将所述样本轨迹点的位置,结合对应的所述环境图像和所述方向盘角度共同作为所述样本轨迹点信息。
4.根据权利要求3所述的用于车辆横向控制的模型生成方法,其中,所述确定各个所述样本轨迹点信息对应的样本目标曲率,包括:
将所述样本轨迹点的位置,结合对应的所述环境图像和所述方向盘角度共同作为预设的汽车运动学模型的输入,并将根据所述汽车运动学模型的输出确定所述对应的样本目标曲率。
5.根据权利要求3所述的用于车辆横向控制的模型生成方法,其中,所述确定多个样本轨迹点,包括:
确定基准样本轨迹点,并基于所述基准样本轨迹点建立坐标系;
形成以所述基准样本轨迹点为起点,向前设定距离内的轨迹片段映射至所述坐标系内的轨迹线;
从所述轨迹线上,确定所述多个样本轨迹点。
6.根据权利要求5所述的用于车辆横向控制的模型生成方法,其中,所述从所述轨迹线上,确定所述多个样本轨迹点,包括:
对所述轨迹线进行初始采样,得到初始的样本轨迹点;
对所述轨迹线进行次取样,得到次取样的样本轨迹点。
7.一种使用如权利要求1-6任一项的训练后的横向控制模型所进行的横向控制方法,所述方法包括:
获取待控制车辆的当前轨迹点信息;
根据所述当前轨迹点信息结合所述训练后的横向控制模型确定目标曲率;
根据所述目标曲率对所述待控制车辆进行横向控制。
8.一种用于车辆横向控制的模型生成装置,包括:
采样模块,用于对样本车辆的泊车轨迹进行采样,以得到多个样本轨迹点信息;
第一确定模块,用于确定各个所述样本轨迹点信息对应的样本目标曲率;
生成模块,用于将所述样本轨迹点信息输入至初始的横向控制模型以生成预测曲率;以及
训练模块,用于根据所述横向控制模型输出的预测曲率和所述样本目标曲率对所述初始的横向控制模型进行训练。
9.根据权利要求8所述的用于车辆横向控制的模型生成装置,其中,所述训练模块,包括:
生成子模块,用于根据所述横向控制模型输出的预测曲率和所述样本目标曲率生成损失值;
训练子模块,用于根据所述损失值对所述初始的横向控制模型进行训练。
10.根据权利要求8所述的用于车辆横向控制的模型生成装置,其中,所述采样模块,具体用于:
确定多个样本轨迹点;
基于每个所述样本轨迹点,采集所述样本车辆拍摄的环境图像,并采集所述样本车辆的方向盘角度;
将所述样本轨迹点的位置,结合对应的所述环境图像和所述方向盘角度共同作为所述样本轨迹点信息。
11.根据权利要求10所述的用于车辆横向控制的模型生成装置,其中,所述第一确定模块,具体用于:
将所述样本轨迹点的位置,结合对应的所述环境图像和所述方向盘角度共同作为预设的汽车运动学模型的输入,并将根据所述汽车运动学模型的输出确定所述对应的样本目标曲率。
12.根据权利要求10所述的用于车辆横向控制的模型生成装置,其中,所述采样模块,还用于:
确定基准样本轨迹点,并基于所述基准样本轨迹点建立坐标系;
形成以所述基准样本轨迹点为起点,向前设定距离内的轨迹片段映射至所述坐标系内的轨迹线;
从所述轨迹线上,确定所述多个样本轨迹点。
13.根据权利要求12所述的用于车辆横向控制的模型生成装置,其中,所述采样模块,进一步用于:
对所述轨迹线进行初始采样,得到初始的样本轨迹点;
对所述轨迹线进行次取样,得到次取样的样本轨迹点。
14.一种使用如权利要求8-13任一项的训练后的横向控制模型所进行的横向控制装置,所述装置包括:
获取模块,用于获取待控制车辆的当前轨迹点信息;
第二确定模块,用于根据所述当前轨迹点信息结合所述训练后的横向控制模型确定目标曲率;
控制模块,用于根据所述目标曲率对所述待控制车辆进行横向控制。
15.一种电子设备,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1-6中任一项所述的方法,或者,执行权利要求7所述的方法。
16.一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1-6中任一项所述的方法,或者,执行权利要求7所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010605421.2A CN111959496B (zh) | 2020-06-29 | 2020-06-29 | 用于车辆横向控制的模型生成方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010605421.2A CN111959496B (zh) | 2020-06-29 | 2020-06-29 | 用于车辆横向控制的模型生成方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111959496A true CN111959496A (zh) | 2020-11-20 |
CN111959496B CN111959496B (zh) | 2022-12-30 |
Family
ID=73360943
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010605421.2A Active CN111959496B (zh) | 2020-06-29 | 2020-06-29 | 用于车辆横向控制的模型生成方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111959496B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113460084A (zh) * | 2021-06-11 | 2021-10-01 | 北京汽车研究总院有限公司 | 用于确定车辆驾驶意图的方法、装置、车辆及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107491072A (zh) * | 2017-09-05 | 2017-12-19 | 百度在线网络技术(北京)有限公司 | 车辆避障方法和装置 |
CN109446662A (zh) * | 2018-10-31 | 2019-03-08 | 百度在线网络技术(北京)有限公司 | 车辆仿真轨迹的生成方法及装置、计算机设备及存储介质 |
US10239521B1 (en) * | 2018-03-23 | 2019-03-26 | Chongqing Jinkang New Energy Vehicle Co., Ltd. | Multi-network-based path generation for vehicle parking |
CN109606467A (zh) * | 2018-12-29 | 2019-04-12 | 百度在线网络技术(北京)有限公司 | 一种车辆转向方法和车辆 |
DE102017125107A1 (de) * | 2017-10-26 | 2019-05-02 | Valeo Schalter Und Sensoren Gmbh | Verfahren zum Unterstützen eines Fahrers bei einem manuellen Parkvorgang eines Kraftfahrzeugs, wobei ein erster und ein zweiter Indikator erfasst werden, Parkassistenzsystem sowie Kraftfahrzeug |
CN111216738A (zh) * | 2020-02-19 | 2020-06-02 | 北京百度网讯科技有限公司 | 车辆的控制方法、装置、电子设备及车辆 |
CN111338340A (zh) * | 2020-02-21 | 2020-06-26 | 天津大学 | 基于模型预测的无人驾驶汽车局部路径规划方法 |
-
2020
- 2020-06-29 CN CN202010605421.2A patent/CN111959496B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107491072A (zh) * | 2017-09-05 | 2017-12-19 | 百度在线网络技术(北京)有限公司 | 车辆避障方法和装置 |
DE102017125107A1 (de) * | 2017-10-26 | 2019-05-02 | Valeo Schalter Und Sensoren Gmbh | Verfahren zum Unterstützen eines Fahrers bei einem manuellen Parkvorgang eines Kraftfahrzeugs, wobei ein erster und ein zweiter Indikator erfasst werden, Parkassistenzsystem sowie Kraftfahrzeug |
US10239521B1 (en) * | 2018-03-23 | 2019-03-26 | Chongqing Jinkang New Energy Vehicle Co., Ltd. | Multi-network-based path generation for vehicle parking |
CN109446662A (zh) * | 2018-10-31 | 2019-03-08 | 百度在线网络技术(北京)有限公司 | 车辆仿真轨迹的生成方法及装置、计算机设备及存储介质 |
CN109606467A (zh) * | 2018-12-29 | 2019-04-12 | 百度在线网络技术(北京)有限公司 | 一种车辆转向方法和车辆 |
CN111216738A (zh) * | 2020-02-19 | 2020-06-02 | 北京百度网讯科技有限公司 | 车辆的控制方法、装置、电子设备及车辆 |
CN111338340A (zh) * | 2020-02-21 | 2020-06-26 | 天津大学 | 基于模型预测的无人驾驶汽车局部路径规划方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113460084A (zh) * | 2021-06-11 | 2021-10-01 | 北京汽车研究总院有限公司 | 用于确定车辆驾驶意图的方法、装置、车辆及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111959496B (zh) | 2022-12-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111931286B (zh) | 纵向动力学模型的训练方法、装置及设备 | |
CN111959505A (zh) | 车辆巡航控制方法、装置、电子设备和存储介质 | |
CN111623795A (zh) | 实景导航图标显示方法、装置、设备和介质 | |
CN111524192B (zh) | 车载相机外参的标定方法、装置、系统及存储介质 | |
CN111216738B (zh) | 自动驾驶中车辆的控制方法、装置、电子设备及车辆 | |
CN111553844B (zh) | 用于更新点云的方法及装置 | |
CN112270711B (zh) | 模型训练以及姿态预测方法、装置、设备以及存储介质 | |
CN110794844B (zh) | 自动驾驶方法、装置、电子设备及可读存储介质 | |
CN111829535B (zh) | 生成离线地图的方法、装置、电子设备和存储介质 | |
CN111652153B (zh) | 场景自动识别方法、装置、无人车及存储介质 | |
CN111767853A (zh) | 车道线检测方法和装置 | |
US20210362714A1 (en) | Speed planning method and apparatus for self-driving, device, medium and vehicle | |
JP7337121B2 (ja) | 環状交差点のナビゲーション方法、装置、デバイス及び記憶媒体 | |
CN113844463B (zh) | 基于自动驾驶系统的车辆控制方法、装置及车辆 | |
CN111695698A (zh) | 用于模型蒸馏的方法、装置、电子设备及可读存储介质 | |
CN111539347A (zh) | 用于检测目标的方法和装置 | |
CN111967591B (zh) | 神经网络自动剪枝方法、装置及电子设备 | |
CN111597287A (zh) | 地图生成方法、装置及设备 | |
CN111959496B (zh) | 用于车辆横向控制的模型生成方法、装置及电子设备 | |
CN112528931B (zh) | 用于生成位置预测信息的方法、装置以及自动驾驶车辆 | |
CN112508027B (zh) | 用于实例分割的头部模型、实例分割模型、图像分割方法及装置 | |
CN111724598B (zh) | 用于自动驾驶规划路径的方法、装置、设备以及存储介质 | |
CN111260656B (zh) | 分析导航轨迹的方法以及装置 | |
CN112508964A (zh) | 图像分割方法、装置、电子设备和存储介质 | |
CN112577524A (zh) | 信息校正方法和装置 |
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 |