CN111959526A - 基于无人车的控制方法、装置、无人车和电子设备 - Google Patents
基于无人车的控制方法、装置、无人车和电子设备 Download PDFInfo
- Publication number
- CN111959526A CN111959526A CN202010617333.4A CN202010617333A CN111959526A CN 111959526 A CN111959526 A CN 111959526A CN 202010617333 A CN202010617333 A CN 202010617333A CN 111959526 A CN111959526 A CN 111959526A
- Authority
- CN
- China
- Prior art keywords
- green plant
- unmanned vehicle
- image
- barrier
- abnormal
- 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
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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0015—Planning or execution of driving tasks specially adapted for safety
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
-
- 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
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/50—Barriers
-
- 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/20—Static objects
Abstract
本申请公开了基于无人车的控制方法、装置、无人车和电子设备,涉及深度学习、图像处理及自动驾驶技术领域。具体实现方案为:获取无人车前方行驶道路的图像;获取图像的视觉语义特征图;根据绿植检测模型对图像的视觉语义特征图进行识别,以确定图像中的异常绿植障碍物或固定绿植障碍物;以及根据异常绿植障碍物或固定绿植障碍物对无人车进行控制。该方法实现了绿植障碍物的识别,并可区分出异常绿植障碍物和固定绿植障碍物,根据异常绿植障碍物或固定绿植障碍物对无人车进行控制,可以减少无人车对于绿植障碍物的误响应次数,提高了无人车乘客的乘车体验。
Description
技术领域
本申请涉及无人车技术领域,具体涉及深度学习、图像处理及自动驾驶技术领域,尤其涉及一种基于无人车的控制方法、装置、无人车和电子设备。
背景技术
随着智能技术的发展,无人车开始得到发展和应用。在无人车的行驶过程中,需要对无人车前方行驶道路的绿植障碍物进行检测,以确定该障碍物是否会影响行车的安全。
其中,绿植障碍物指马路两旁的绿化带、花坛、行道树等位置基本固定的绿植。这种绿植由于紧贴道路,并且会随风运动,很容易被误识别运动的要闯入道路的障碍物,导致无人车急刹,影响无人车乘客的乘车体验。
发明内容
提供了一种基于无人车的控制方法的方法、装置、无人车和电子设备,实现了绿植障碍物的识别,并可区分出异常绿植障碍物和固定绿植障碍物,根据异常绿植障碍物或固定绿植障碍物对无人车进行控制,可以减少无人车对于绿植障碍物的误响应次数,提高了无人车乘客的乘车体验。
根据第一方面,提供了一种基于无人车的控制方法,包括:
获取无人车前方行驶道路的图像;
获取所述图像的视觉语义特征图;
根据绿植检测模型对所述图像的视觉语义特征图进行识别,以确定所述图像中的异常绿植障碍物或固定绿植障碍物;以及
根据所述异常绿植障碍物或固定绿植障碍物对所述无人车进行控制。
本申请实施例的基于无人车的控制方法,首先获取无人车前方行驶道路的图像,并获取图像的视觉语义特征图,然后根据绿植检测模型对图像的视觉语义特征图进行识别,以确定图像中的异常绿植障碍物或固定绿植障碍物,最后根据异常绿植障碍物或固定绿植障碍物对无人车进行控制。由此,实现了绿植障碍物的识别,并可区分出异常绿植障碍物和固定绿植障碍物,根据异常绿植障碍物或固定绿植障碍物对无人车进行控制,可以减少无人车对于绿植障碍物的误响应次数,提高了无人车乘客的乘车体验。
根据第二方面,提供了一种基于无人车的控制装置,包括:
第一获取模块,用于获取无人车前方行驶道路的图像;
第二获取模块,用于获取所述图像的视觉语义特征图;
识别模块,用于根据绿植检测模型对所述图像的视觉语义特征图进行识别,以确定所述图像中的异常绿植障碍物或固定绿植障碍物;以及
控制模块,用于根据所述异常绿植障碍物或固定绿植障碍物对所述无人车进行控制。
本申请实施例的基于无人车的控制装置,通过第一获取模块获取无人车前方行驶道路的图像,并通过第二获取模块获取图像的视觉语义特征图,然后通过识别模块根据绿植检测模型对图像的视觉语义特征图进行识别,以确定图像中的异常绿植障碍物或固定绿植障碍物,最后通过控制模块根据异常绿植障碍物或固定绿植障碍物对无人车进行控制。由此,实现了绿植障碍物的识别,并可区分出异常绿植障碍物和固定绿植障碍物,根据异常绿植障碍物或固定绿植障碍物对无人车进行控制,可以减少无人车对于绿植障碍物的误响应次数,提高了无人车乘客的乘车体验。
根据第三方面,提供了一种无人车,包括上述一方面实施例所述的基于无人车的控制装置。
本申请实施例的无人车,通过上述基于无人车的控制装置,实现了绿植障碍物的识别,并可区分出异常绿植障碍物和固定绿植障碍物,根据异常绿植障碍物或固定绿植障碍物对无人车进行控制,可以减少无人车对于绿植障碍物的误响应次数,提高了无人车乘客的乘车体验。
根据第四方面,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上述一方面实施例所述的基于无人车的控制方法。
根据第五方面,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,其上存储有计算机程序,所述计算机指令用于使所述计算机执行上述一方面实施例所述的基于无人车的控制方法。
根据本申请的技术实现了绿植障碍物的识别,并可区分出异常绿植障碍物和固定绿植障碍物,根据异常绿植障碍物或固定绿植障碍物对无人车进行控制,可以减少无人车对于绿植障碍物的误响应次数,提高了无人车乘客的乘车体验。
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是本申请实施例提供的一种基于无人车的控制方法的流程示意图;
图2是本申请实施例提供的另一种基于无人车的控制方法的流程示意图;
图3是本申请实施例提供的又一种基于无人车的控制方法的流程示意图;
图4是本申请实施例提供的一种基于无人车的控制装置的方框示意图;
图5是本申请实施例提供的另一种基于无人车的控制装置的方框示意图;
图6是本申请实施例提供的一种无人车的方框示意图;以及
图7是根据本申请实施例的基于无人车的控制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。
下面参考附图描述本申请实施例的基于无人车的控制方法、装置、无人车、电子设备和存储介质。
本申请实施例,针对相关技术中,没有仅针对于绿植障碍物进行处理的方法,这种绿植障碍物由于紧贴道路,并且会随风运动,很容易被误识别运动的要闯入道路的障碍物,导致无人车急刹,影响无人车乘客的乘车体验的问题,提出了一种基于无人车的控制方法。
本申请实施例的基于无人车的控制方法,根据绿植检测模型对无人车前方行驶道路图像的视觉语义特征图进行识别,以确定图像中的异常绿植障碍物或固定绿植障碍物,并根据异常绿植障碍物或固定绿植障碍物对无人车进行控制,解决了上述相关技术中的问题,同时提高了无人车的安全性。
本申请实施例提供的基于无人车的控制方法,可以由电子设备来执行,该电子设备可为车载电脑、整车控制器等,此处不做任何限定。
在本申请实施例中,电子设备中可以设置有处理组件、存储组件和驱动组件。可选的,该驱动组件和处理组件可以集成设置,该存储组件可以存储操作系统、应用程序或其他程序模块,该处理组件通过执行存储组件中存储的应用程序来实现本申请实施例提供的基于无人车的控制方法。
图1是本申请实施例提供的一种基于无人车的控制方法的流程示意图。
本申请实施例的基于无人车的控制方法,还可由本申请实施例提供的基于无人车的控制装置执行,该装置可配置于无人车中,以实现根据绿植检测模型对无人车前方行驶道路图像的视觉语义特征图进行识别,以确定图像中的异常绿植障碍物或固定绿植障碍物,并根据异常绿植障碍物或固定绿植障碍物对无人车进行控制。应说明的是,该实施例中所描述的装置还可配置于电子设备中,该电子设备可配置于无人车中。
如图1所示,该基于无人车的控制方法可以包括以下步骤:
步骤101,获取无人车前方行驶道路的图像。
在本申请实施例中,无人车具有至少一个前置平面摄像头,可通过前置平面摄像头获取无人车前方行驶道路的图像。
具体地,在无人车行驶的过程中,无人车上的前置平面摄像头可实时获取无人车前方行驶道路的图像。
步骤102,获取图像的视觉语义特征图。
在本申请实施例中,可通过预设的语义分割网络获取图像的视觉语义特征图,其中,预设的语义分割网络可根据实际情况进行标定,例如,该预设的语义分割网络可以是利用语义分割的标注数据专门训练设计的语义分割网络,此处不做任何限定。应说明的是,语义分割就是根据每个像素的语义信息进行分割,同一语义的像素被赋予相同的颜色,既能够分割成不同区域,又能识别出其中的内容。
具体地,可将获取到的图像输入预设的语义分割网络,预设的语义分割网络抽取图像中各个物体、场景的语义分割信息,以输出形式为与原图像同样尺寸的视觉语义特征图。视觉语义特征图中元素为对应位置原图像中像素所属的语义标签。其中,输出的与原图像同样尺寸的视觉语义特征图中的各个像素点可被分为前景、绿植障碍物和背景,其中,前景和背景没有特别严格的界限,一般将路面、行人、车辆、路障、宠物等车辆容易接触到物体定义为前景,将天空、房屋等车辆不容易接触到的物体定义为背景。例如,原图像中的前景都涂成了黄色,背景是蓝色,绿植障碍物都是绿色。
需要说明的是,该实施例中所描述的输出与原图像同样尺寸的视觉语义特征图,是为了使视觉语义特征图中的分割信息(结果)与原图像像素位置保持对应,例如,原图像中的房屋对应视觉语义特征图中蓝色房屋的像素位置。
步骤103,根据绿植检测模型对图像的视觉语义特征图进行识别,以确定图像中的异常绿植障碍物或固定绿植障碍物。其中,异常绿植障碍物可为闯入无人车前方行驶道路的绿植障碍物,例如道路两侧的树断在道路上,固定绿植障碍物可为无人车前方行驶道路两侧的绿植障碍物,例如道路两侧的绿化带。
需要说明的是,该实施例中所描述的绿植检测模型可以是提前训练好的,并将其预存在无人车的存储空间中,以方便调取应用,该存储空间不仅限于基于实体的存储空间,例如,硬盘,上述存储空间还可以是连接无人车的网络硬盘的存储空间(云存储空间)。
具体地,无人车在获取到图像的视觉语义特征图后,可将该视觉语义特征图输入至绿植检测模型,从而通过绿植检测模型检测图像的视觉语义特征图中的异常绿植障碍物,以确定图像的视觉语义特征图中的异常绿植障碍物或固定绿植障碍物。
为了提高识别的精确度,在本申请实施例中,可不定时的对绿植检测模型进行训练以优化绿植检测模型。
步骤104,根据异常绿植障碍物或固定绿植障碍物对无人车进行控制。
具体地,无人车在确定图像的视觉语义特征图中的固定绿植障碍物后,可先通过计算估计出无人车的行驶轨迹和该固定绿植障碍物的实际位置是否会发生交叉,如果是,则控制无人车进行正常的规避操作,即,在距离该固定绿植障碍物第一距离时,进行规避行驶。如果否,则控制无人车正常行驶。
进一步地,无人车在确定图像的视觉语义特征图中的异常绿植障碍物后,也可通过计算估计出无人车的行驶轨迹和该异常绿植障碍物的实际位置是否会发生交叉,如果是,则控制无人车进行报警,同时进行异常规避操作,在距离该异常绿植障碍物第二距离时,进行规避行驶。其中,第二距离大于第一距离。
在本申请实施例中,首先获取无人车前方行驶道路的图像,并获取图像的视觉语义特征图,然后根据绿植检测模型对图像的视觉语义特征图进行识别,以确定图像中的异常绿植障碍物或固定绿植障碍物,最后根据异常绿植障碍物或固定绿植障碍物对无人车进行控制。由此,实现了绿植障碍物的识别,并可区分出异常绿植障碍物和固定绿植障碍物,根据异常绿植障碍物或固定绿植障碍物对无人车进行控制,可以减少无人车对于绿植障碍物的误响应次数,提高了无人车乘客的乘车体验。
为了清楚说明上一实施例,在本申请的一个实施例中,如图2所示,绿植检测模型可通过以下方式生成:
步骤201,获取样本图像,其中,样本图像中包含标定的异常绿植障碍物。
在本申请实施例中,获取样本图像的途径有多条,其中,可通过收集无人车在行驶过程中障碍物报警时的图像信息,来获取样本图像,还可人为主动创造样本图像,例如,在无人车行驶的道路上放置一个花盆、树干等。
步骤202,将样本图像输入绿植检测模型以生成预测的异常绿植障碍物。
步骤203,根据预测的异常绿植障碍物和标定的异常绿植障碍物生成损失值,并根据损失值对绿植检测模型进行训练。
具体地,在获取到样本图像后,可将样本图像输入绿植检测模型以生成预测的异常绿植障碍物,并根据预测的异常绿植障碍物和标定的异常绿植障碍物生成损失值,并根据损失值对绿植检测模型进行训练,从而优化绿植检测模型,提高识别的准确度。
在本申请实施例中,绿植检测模型的训练与生成可由相关的服务器进行,该服务器可以是云端服务器,也可以是一台电脑的主机,该服务器与可执行申请实施例提供的基于无人车的控制方法的无人车(或电子设备)之间,建立有通信连接,该通信连接可以是无线网络连接和有线网络连接的至少一种。服务器可将训练完成的基于无人车的控制方法发送给无人车(或电子设备),以便无人车(或电子设备)在需要时调用,从而大大减少无人车(或电子设备)的计算压力。
为了清楚说明上一实施例,在本申请的一个实施例中,根据绿植检测模型对图像的视觉语义特征图进行识别,以确定图像中的异常绿植障碍物或固定绿植障碍物,具体可包括将图像的视觉语义特征图输入至绿植检测模型,并通过绿植检测模型检测图像的视觉语义特征图中的异常绿植障碍物,以确定图像的视觉语义特征图中的异常绿植障碍物或固定绿植障碍物。
具体地,无人车在获取到图像的视觉语义特征图后,可将该视觉语义特征图输入至绿植检测模型,绿植检测模型抽取图像的视觉语义特征图中的绿植障碍物与内置的图像数据进行比对,从而确定图像的视觉语义特征图中的异常绿植障碍物或固定绿植障碍物。由此,通过绿植检测模型辅助绿植障碍物的识别,可以提高识别的精确度。
为了清楚说明上一实施例,在本申请的一个实施例中,如图3所示,根据异常绿植障碍物或固定绿植障碍物对无人车进行控制,可包括以下步骤:
步骤301,获取图像的深度特征图。
在本申请实施例中,可通过预设的深度神经网络获取图像的深层特征图,其中,预设的深度神经网络可根据实际情况进行标定,例如,该预设的深度神经网络可以是利用深层信息的标注数据专门训练设计的深度神经网络,此处不做任何限定。
具体地,可将图像输入预设的深度神经网络,预设的深度神经网络抽取图像中各个物体、场景的深层特征,以分别输出形式为与原图像同样尺寸的深层特征图。其中,深层特征图既可包含对应图像中的整体信息、又可包含细节信息的深层特征,例如,距离信息,坐标信息等。
在本申请的其它实施例中,无人车还可具有至少一个深度摄像头,可通过深度摄像头获取无人车前方行驶道路的图像的深度特征图。具体的,在前置平面摄像头拍摄无人车前方行驶道路的图像的同时,深度摄像头也进行拍摄以使获取的图像同步。
步骤302,根据深度特征图、视觉语义特征图和摄像头参数,确定图像中的异常绿植障碍物或固定绿植障碍物在空间中的实际位置。应说明的是,该实施例中所描述的摄像头参数可包括拍摄无人车前方行驶道路的图像的平面摄像头的参数。
具体地,车辆在获取到图像的深度特征图后,可根据深度特征图中的距离信息、视觉语义特征图中异常绿植障碍物或固定绿植障碍物的位置信息和摄像头参数中摄像头的拍摄角度信息等,确定图像中的异常绿植障碍物或固定绿植障碍物在空间中的实际位置。
步骤303,获取无人车的行驶轨迹。
具体地,无人车可先通过整车控制器获取无人车的运行参数,并以此为依据计算出无人车的行驶轨迹。
步骤304,判断无人车的行驶轨迹和常绿植障碍物或固定绿植障碍物的实际位置是否会发生交叉。
步骤305,如果否,则控制无人车正常行驶。
具体地,无人车在获取到无人车的行驶轨迹后,可先判断无人车的行驶轨迹和常绿植障碍物或固定绿植障碍物的实际位置是否会发生交叉,如果否,则可控制无人车正常行驶,从而提高行车的安全性,同时提高了乘客的乘车体验。
进一步地,如果判断无人车的行驶轨迹和常绿植障碍物或固定绿植障碍物的实际位置会发生交叉,则当实际位置为异常绿植障碍物的实际位置时,可控制无人车进入第一障碍物规避模式,当实际位置为固定绿植障碍物的实际位置时,可控制无人车进入第二障碍物规避模式,其中,第一障碍物规避模式的等级高于第二障碍物规避模式。由此,通过区分绿植障碍物,根据异常绿植障碍物或固定绿植障碍物对无人车进行控制,可以大大减少无人车对于障碍物的误响应次数,并且可以大大提高行车的安全性。
需要说明的是,该实施例中描述的第一障碍物规避模式中的规避距离、预留的安全距离等均可大于第二障碍物规避模式中的。
图4是本申请实施例提供的一种基于无人车的控制装置的方框示意图。
本申请实施例的基于无人车的控制装置,可配置于无人车中,以实现根据绿植检测模型对无人车前方行驶道路图像的视觉语义特征图进行识别,以确定图像中的异常绿植障碍物或固定绿植障碍物,并根据异常绿植障碍物或固定绿植障碍物对无人车进行控制。应说明的是,该实施例中所描述的装置还可配置于电子设备中,该电子设备可配置于无人车中。
如图4所示,该基于无人车的控制装置1000可以包括:第一获取模块100、第二获取模块200、识别模块300和控制模块400。
其中,第一获取模块100用于获取无人车前方行驶道路的图像。
在本申请实施例中,无人车具有至少一个前置平面摄像头,第一获取模块100可通过前置平面摄像头获取无人车前方行驶道路的图像。
具体地,在无人车行驶的过程中,第一获取模块100可通过无人车上的前置平面摄像头可实时获取无人车前方行驶道路的图像。
第二获取模块200用于获取图像的视觉语义特征图。
在本申请实施例中,第二获取模块200可通过预设的语义分割网络获取图像的视觉语义特征图,其中,预设的语义分割网络可根据实际情况进行标定,例如,该预设的语义分割网络可以是利用语义分割的标注数据专门训练设计的语义分割网络,此处不做任何限定。应说明的是,语义分割就是根据每个像素的语义信息进行分割,同一语义的像素被赋予相同的颜色,既能够分割成不同区域,又能识别出其中的内容。
具体地,第二获取模块200可将获取到的图像输入预设的语义分割网络,预设的语义分割网络抽取图像中各个物体、场景的语义分割信息,以输出形式为与原图像同样尺寸的视觉语义特征图。视觉语义特征图中元素为对应位置原图像中像素所属的语义标签。其中,输出的与原图像同样尺寸的视觉语义特征图中的各个像素点可被分为前景、绿植障碍物和背景,其中,前景和背景没有特别严格的界限,一般将路面、行人、车辆、路障、宠物等车辆容易接触到物体定义为前景,将天空、房屋等车辆不容易接触到的物体定义为背景。例如,原图像中的前景都涂成了黄色,背景是蓝色,绿植障碍物都是绿色。
需要说明的是,该实施例中所描述的输出与原图像同样尺寸的视觉语义特征图,是为了使视觉语义特征图中的分割信息(结果)与原图像像素位置保持对应,例如,原图像中的房屋对应视觉语义特征图中蓝色房屋的像素位置。
识别模块300用于根据绿植检测模型对图像的视觉语义特征图进行识别,以确定图像中的异常绿植障碍物或固定绿植障碍物。其中,异常绿植障碍物可为闯入无人车前方行驶道路的绿植障碍物,例如道路两侧的树断在道路上,固定绿植障碍物可为无人车前方行驶道路两侧的绿植障碍物,例如道路两侧的绿化带。
需要说明的是,该实施例中所描述的绿植检测模型可以是提前训练好的,并将其预存在无人车的存储空间中,以方便调取应用,该存储空间不仅限于基于实体的存储空间,例如,硬盘,上述存储空间还可以是连接无人车的网络硬盘的存储空间(云存储空间)。
具体地,在第二获取模块200获取到图像的视觉语义特征图后,识别模块300可将该视觉语义特征图输入至绿植检测模型,从而通过绿植检测模型检测图像的视觉语义特征图中的异常绿植障碍物,以确定图像的视觉语义特征图中的异常绿植障碍物或固定绿植障碍物。
控制模块400用于根据异常绿植障碍物或固定绿植障碍物对无人车进行控制。
具体地,在识别模块300确定图像的视觉语义特征图中的固定绿植障碍物后,控制模块400可先通过计算估计出无人车的行驶轨迹和该固定绿植障碍物的实际位置是否会发生交叉,如果是,则控制无人车进行正常的规避操作,即,在距离该固定绿植障碍物第一距离时,进行规避行驶。如果否,则控制无人车正常行驶。
在本申请实施例中,通过第一获取模块获取无人车前方行驶道路的图像,并通过第二获取模块获取图像的视觉语义特征图,然后通过识别模块根据绿植检测模型对图像的视觉语义特征图进行识别,以确定图像中的异常绿植障碍物或固定绿植障碍物,最后通过控制模块根据异常绿植障碍物或固定绿植障碍物对无人车进行控制。由此,实现了绿植障碍物的识别,并可区分出异常绿植障碍物和固定绿植障碍物,根据异常绿植障碍物或固定绿植障碍物对无人车进行控制,可以减少无人车对于绿植障碍物的误响应次数,提高了无人车乘客的乘车体验。
在本申请的一个实施例中,如图5所示,上述基于无人车的控制装置还可包括:绿植检测模型训练模块500,其中,绿植检测模型训练模块500用于获取样本图像,其中,样本图像中包含标定的异常绿植障碍物;将样本图像输入绿植检测模型以生成预测的异常绿植障碍物;根据预测的异常绿植障碍物和标定的异常绿植障碍物生成损失值,并根据损失值对绿植检测模型进行训练。
在本申请的一个实施例中,识别模块300具体用于将图像的视觉语义特征图输入至绿植检测模型,并通过绿植检测模型检测图像的视觉语义特征图中的异常绿植障碍物,以确定图像的视觉语义特征图中的异常绿植障碍物或固定绿植障碍物,其中,异常绿植障碍物为闯入无人车前方行驶道路的绿植障碍物,固定绿植障碍物为无人车前方行驶道路两侧的绿植障碍物。
在本申请的一个实施例中,控制模块400具体用于获取图像的深度特征图;根据深度特征图、视觉语义特征图和摄像头参数,确定图像中的异常绿植障碍物或固定绿植障碍物在空间中的实际位置;获取无人车的行驶轨迹;判断无人车的行驶轨迹和常绿植障碍物或固定绿植障碍物的实际位置是否会发生交叉;如果否,则控制无人车正常行驶。
在本申请的一个实施例中,控制模块400还用于如果判断无人车的行驶轨迹和常绿植障碍物或固定绿植障碍物的实际位置会发生交叉,则当实际位置为异常绿植障碍物的实际位置时,控制无人车进入第一障碍物规避模式当实际位置为固定绿植障碍物的实际位置时,控制无人车进入第二障碍物规避模式,其中,第一障碍物规避模式的等级高于第二障碍物规避模式。
需要说明的是,前述对基于无人车的控制方法实施例的解释说明也适用于该实施例的基于无人车的控制装置,此处不再赘述。
本申请实施例的基于无人车的控制装置,通过第一获取模块获取无人车前方行驶道路的图像,并通过第二获取模块获取图像的视觉语义特征图,然后通过识别模块根据绿植检测模型对图像的视觉语义特征图进行识别,以确定图像中的异常绿植障碍物或固定绿植障碍物,最后通过控制模块根据异常绿植障碍物或固定绿植障碍物对无人车进行控制。由此,实现了绿植障碍物的识别,并可区分出异常绿植障碍物和固定绿植障碍物,根据异常绿植障碍物或固定绿植障碍物对无人车进行控制,可以减少无人车对于绿植障碍物的误响应次数,提高了无人车乘客的乘车体验。
为了实现上述实施例,如图6所示,本申请还提出一种无人车10000,包括上述基于无人车的控制装置1000。
本申请实施例的无人车,通过上述基于无人车的控制装置,实现了绿植障碍物的识别,并可区分出异常绿植障碍物和固定绿植障碍物,根据异常绿植障碍物或固定绿植障碍物对无人车进行控制,可以减少无人车对于绿植障碍物的误响应次数,提高了无人车乘客的乘车体验。
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基于无人车的控制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基于无人车的控制方法。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基于无人车的控制方法。
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基于无人车的控制方法对应的程序指令/模块(例如,附图4所示的基于无人车的控制装置1000包括:第一获取模块100、第二获取模块200、识别模块300和控制模块400)。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基于无人车的控制方法。
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基于无人车的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基于无人车的控制方法的电子设备。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。
基于无人车的控制方法的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,以及产生与基于无人车的控制方法的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。
根据本申请实施例的技术方案,实现了绿植障碍物的识别,并可区分出异常绿植障碍物和固定绿植障碍物,根据异常绿植障碍物或固定绿植障碍物对无人车进行控制,可以减少无人车对于绿植障碍物的误响应次数,提高了无人车乘客的乘车体验。
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 (13)
1.一种基于无人车的控制方法,包括:
获取无人车前方行驶道路的图像;
获取所述图像的视觉语义特征图;
根据绿植检测模型对所述图像的视觉语义特征图进行识别,以确定所述图像中的异常绿植障碍物或固定绿植障碍物;以及
根据所述异常绿植障碍物或固定绿植障碍物对所述无人车进行控制。
2.根据权利要求1所述的基于无人车的控制方法,其中,所述绿植检测模型通过以下方式生成:
获取样本图像,其中,所述样本图像中包含标定的异常绿植障碍物;
将所述样本图像输入所述绿植检测模型以生成预测的异常绿植障碍物;
根据所述预测的异常绿植障碍物和所述标定的异常绿植障碍物生成损失值,并根据所述损失值对所述绿植检测模型进行训练。
3.根据权利要求1所述的基于无人车的控制方法,其中,所述根据绿植检测模型对所述图像的视觉语义特征图进行识别,以确定所述图像中的异常绿植障碍物或固定绿植障碍物,具体包括:
将所述图像的视觉语义特征图输入至所述绿植检测模型;
通过所述绿植检测模型检测所述图像的视觉语义特征图中的异常绿植障碍物,以确定所述图像的视觉语义特征图中的异常绿植障碍物或固定绿植障碍物,其中,所述异常绿植障碍物为闯入所述无人车前方行驶道路的绿植障碍物,所述固定绿植障碍物为所述无人车前方行驶道路两侧的绿植障碍物。
4.根据权利要求1所述的基于无人车的控制方法,其中,所述根据所述异常绿植障碍物或固定绿植障碍物对所述无人车进行控制,具体包括:
获取所述图像的深度特征图;
根据所述深度特征图、所述视觉语义特征图和摄像头参数,确定所述图像中的异常绿植障碍物或固定绿植障碍物在空间中的实际位置;
获取所述无人车的行驶轨迹;
判断所述无人车的行驶轨迹和所述常绿植障碍物或固定绿植障碍物的实际位置是否会发生交叉;
如果否,则控制所述无人车正常行驶。
5.根据权利要求4所述的基于无人车的控制方法,还包括:
如果是,则当所述实际位置为所述异常绿植障碍物的实际位置时,控制所述无人车进入第一障碍物规避模式;
当所述实际位置为固定绿植障碍物的实际位置时,控制所述无人车进入第二障碍物规避模式,其中,所述第一障碍物规避模式的等级高于所述第二障碍物规避模式。
6.一种基于无人车的控制装置,包括:
第一获取模块,用于获取无人车前方行驶道路的图像;
第二获取模块,用于获取所述图像的视觉语义特征图;
识别模块,用于根据绿植检测模型对所述图像的视觉语义特征图进行识别,以确定所述图像中的异常绿植障碍物或固定绿植障碍物;以及
控制模块,用于根据所述异常绿植障碍物或固定绿植障碍物对所述无人车进行控制。
7.根据权利要求6所述的基于无人车的控制装置,还包括:
绿植检测模型训练模块,用于获取样本图像,其中,所述样本图像中包含标定的异常绿植障碍物;将所述样本图像输入所述绿植检测模型以生成预测的异常绿植障碍物;根据所述预测的异常绿植障碍物和所述标定的异常绿植障碍物生成损失值,并根据所述损失值对所述绿植检测模型进行训练。
8.根据权利要求6所述的基于无人车的控制装置,其中,所述识别模块,具体用于:
将所述图像的视觉语义特征图输入至所述绿植检测模型;
通过所述绿植检测模型检测所述图像的视觉语义特征图中的异常绿植障碍物,以确定所述图像的视觉语义特征图中的异常绿植障碍物或固定绿植障碍物,其中,所述异常绿植障碍物为闯入所述无人车前方行驶道路的绿植障碍物,所述固定绿植障碍物为所述无人车前方行驶道路两侧的绿植障碍物。
9.根据权利要求6所述的基于无人车的控制装置,所述控制模块,具体用于:
获取所述图像的深度特征图;
根据所述深度特征图、所述视觉语义特征图和摄像头参数,确定所述图像中的异常绿植障碍物或固定绿植障碍物在空间中的实际位置;
获取所述无人车的行驶轨迹;
判断所述无人车的行驶轨迹和所述常绿植障碍物或固定绿植障碍物的实际位置是否会发生交叉;
如果否,则控制所述无人车正常行驶。
10.根据权利要求9所述的基于无人车的控制装置,所述控制模块,还用于:
如果是,则当所述实际位置为所述异常绿植障碍物的实际位置时,控制所述无人车进入第一障碍物规避模式;
当所述实际位置为固定绿植障碍物的实际位置时,控制所述无人车进入第二障碍物规避模式,其中,所述第一障碍物规避模式的等级高于所述第二障碍物规避模式。
11.一种无人车,包括如权利要求6-10中任一项所述的基于无人车的控制装置。
12.一种电子设备,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中任一项所述的基于无人车的控制方法。
13.一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中任一项所述的基于无人车的控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010617333.4A CN111959526B (zh) | 2020-06-30 | 2020-06-30 | 基于无人车的控制方法、装置、无人车和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010617333.4A CN111959526B (zh) | 2020-06-30 | 2020-06-30 | 基于无人车的控制方法、装置、无人车和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111959526A true CN111959526A (zh) | 2020-11-20 |
CN111959526B CN111959526B (zh) | 2022-02-15 |
Family
ID=73360903
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010617333.4A Active CN111959526B (zh) | 2020-06-30 | 2020-06-30 | 基于无人车的控制方法、装置、无人车和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111959526B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112651446A (zh) * | 2020-12-29 | 2021-04-13 | 杭州趣链科技有限公司 | 一种基于联盟链的无人驾驶汽车训练方法 |
CN114394112A (zh) * | 2021-12-31 | 2022-04-26 | 上海于万科技有限公司 | 一种自动绿植修剪作业车 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017034287A1 (en) * | 2015-08-27 | 2017-03-02 | Lg Electronics Inc. | Pedestrial crash prevention system and operation method thereof |
CN106908783A (zh) * | 2017-02-23 | 2017-06-30 | 苏州大学 | 基于多传感器信息融合的障碍物检测方法 |
US20170206415A1 (en) * | 2016-01-15 | 2017-07-20 | Blue River Technology Inc. | Plant feature detection using captured images |
US20170358088A1 (en) * | 2016-06-14 | 2017-12-14 | International Business Machines Corporation | Detection of obstructions |
CN108227710A (zh) * | 2017-12-29 | 2018-06-29 | 商汤集团有限公司 | 自动驾驶控制方法和装置、电子设备、程序和介质 |
WO2018143589A1 (ko) * | 2017-02-03 | 2018-08-09 | 삼성전자 주식회사 | 차선 정보를 출력하는 방법 및 장치 |
CN109583384A (zh) * | 2018-11-30 | 2019-04-05 | 百度在线网络技术(北京)有限公司 | 用于无人驾驶车的避障方法和装置 |
CN109878513A (zh) * | 2019-03-13 | 2019-06-14 | 百度在线网络技术(北京)有限公司 | 防御性驾驶策略生成方法、装置、设备及存储介质 |
US20190258883A1 (en) * | 2018-02-20 | 2019-08-22 | International Business Machines Corporation | Precision aware drone-based object mapping based on spatial pattern recognition |
CN110334683A (zh) * | 2019-07-12 | 2019-10-15 | 四川长虹电器股份有限公司 | 基于无人机遥感系统智能识别植物的方法 |
CN110647818A (zh) * | 2019-08-27 | 2020-01-03 | 北京易华录信息技术股份有限公司 | 一种遮挡目标物体的识别方法及装置 |
US20200010077A1 (en) * | 2019-09-13 | 2020-01-09 | Intel Corporation | Proactive vehicle safety system |
US20200023842A1 (en) * | 2019-09-27 | 2020-01-23 | David Gomez Gutierrez | Potential collision warning system based on road user intent prediction |
CN110837846A (zh) * | 2019-10-12 | 2020-02-25 | 深圳力维智联技术有限公司 | 一种图像识别模型的构建方法、图像识别方法及装置 |
CN110929639A (zh) * | 2019-11-20 | 2020-03-27 | 北京百度网讯科技有限公司 | 用于确定图像中障碍物位置的方法、装置、设备和介质 |
CN111008638A (zh) * | 2018-10-08 | 2020-04-14 | 斯特拉德视觉公司 | 基于r-cnn的对象检测器的学习方法和装置 |
WO2020132102A2 (en) * | 2018-12-21 | 2020-06-25 | Waymo Llc | Neural networks for coarse- and fine-object classifications |
-
2020
- 2020-06-30 CN CN202010617333.4A patent/CN111959526B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017034287A1 (en) * | 2015-08-27 | 2017-03-02 | Lg Electronics Inc. | Pedestrial crash prevention system and operation method thereof |
US20170206415A1 (en) * | 2016-01-15 | 2017-07-20 | Blue River Technology Inc. | Plant feature detection using captured images |
US20170358088A1 (en) * | 2016-06-14 | 2017-12-14 | International Business Machines Corporation | Detection of obstructions |
WO2018143589A1 (ko) * | 2017-02-03 | 2018-08-09 | 삼성전자 주식회사 | 차선 정보를 출력하는 방법 및 장치 |
CN106908783A (zh) * | 2017-02-23 | 2017-06-30 | 苏州大学 | 基于多传感器信息融合的障碍物检测方法 |
CN108227710A (zh) * | 2017-12-29 | 2018-06-29 | 商汤集团有限公司 | 自动驾驶控制方法和装置、电子设备、程序和介质 |
US20190258883A1 (en) * | 2018-02-20 | 2019-08-22 | International Business Machines Corporation | Precision aware drone-based object mapping based on spatial pattern recognition |
CN111008638A (zh) * | 2018-10-08 | 2020-04-14 | 斯特拉德视觉公司 | 基于r-cnn的对象检测器的学习方法和装置 |
CN109583384A (zh) * | 2018-11-30 | 2019-04-05 | 百度在线网络技术(北京)有限公司 | 用于无人驾驶车的避障方法和装置 |
WO2020132102A2 (en) * | 2018-12-21 | 2020-06-25 | Waymo Llc | Neural networks for coarse- and fine-object classifications |
CN109878513A (zh) * | 2019-03-13 | 2019-06-14 | 百度在线网络技术(北京)有限公司 | 防御性驾驶策略生成方法、装置、设备及存储介质 |
CN110334683A (zh) * | 2019-07-12 | 2019-10-15 | 四川长虹电器股份有限公司 | 基于无人机遥感系统智能识别植物的方法 |
CN110647818A (zh) * | 2019-08-27 | 2020-01-03 | 北京易华录信息技术股份有限公司 | 一种遮挡目标物体的识别方法及装置 |
US20200010077A1 (en) * | 2019-09-13 | 2020-01-09 | Intel Corporation | Proactive vehicle safety system |
US20200023842A1 (en) * | 2019-09-27 | 2020-01-23 | David Gomez Gutierrez | Potential collision warning system based on road user intent prediction |
CN110837846A (zh) * | 2019-10-12 | 2020-02-25 | 深圳力维智联技术有限公司 | 一种图像识别模型的构建方法、图像识别方法及装置 |
CN110929639A (zh) * | 2019-11-20 | 2020-03-27 | 北京百度网讯科技有限公司 | 用于确定图像中障碍物位置的方法、装置、设备和介质 |
Non-Patent Citations (1)
Title |
---|
林付春等: "基于深度学习的智能辅助驾驶系统设计", 《贵州大学学报(自然科学版)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112651446A (zh) * | 2020-12-29 | 2021-04-13 | 杭州趣链科技有限公司 | 一种基于联盟链的无人驾驶汽车训练方法 |
CN114394112A (zh) * | 2021-12-31 | 2022-04-26 | 上海于万科技有限公司 | 一种自动绿植修剪作业车 |
CN114394112B (zh) * | 2021-12-31 | 2023-06-30 | 上海于万科技有限公司 | 一种自动绿植修剪作业车 |
Also Published As
Publication number | Publication date |
---|---|
CN111959526B (zh) | 2022-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111091591B (zh) | 一种碰撞检测方法、装置、电子设备及存储介质 | |
CN112572462B (zh) | 自动驾驶的控制方法、装置、电子设备及存储介质 | |
CN111273268B (zh) | 自动驾驶障碍物类型的识别方法、装置及电子设备 | |
CN111859778B (zh) | 泊车模型的生成方法和装置、电子设备和存储介质 | |
WO2020042859A1 (zh) | 智能驾驶控制方法和装置、车辆、电子设备、存储介质 | |
CN110706494A (zh) | 自动驾驶车辆的控制方法、装置、设备及存储介质 | |
CN112700668B (zh) | 自动驾驶的远程控制方法、自动驾驶车辆及云端设备 | |
CN110723079B (zh) | 车载传感器的位姿调整方法、装置、设备和介质 | |
CN110738183B (zh) | 路侧相机障碍物检测方法及装置 | |
JP2020502654A (ja) | ヒューマンマシンハイブリッド意思決定方法および装置 | |
CN112507949A (zh) | 目标跟踪方法、装置、路侧设备以及云控平台 | |
CN111723768A (zh) | 车辆重识别的方法、装置、设备和存储介质 | |
CN111397611B (zh) | 路径规划方法、装置以及电子设备 | |
CN110689747B (zh) | 自动驾驶车辆的控制方法和装置、自动驾驶车辆 | |
CN109840454B (zh) | 目标物定位方法、装置、存储介质以及设备 | |
CN111275983A (zh) | 车辆追踪方法、装置、电子设备和计算机可读存储介质 | |
CN110703732B (zh) | 相关性检测方法、装置、设备及计算机可读存储介质 | |
CN111402326B (zh) | 障碍物的检测方法、装置、无人车及存储介质 | |
CN111767831B (zh) | 用于处理图像的方法、装置、设备及存储介质 | |
CN111959526A (zh) | 基于无人车的控制方法、装置、无人车和电子设备 | |
CN110595490A (zh) | 车道线感知数据的预处理方法、装置、设备和介质 | |
CN114194180A (zh) | 一种辅助泊车信息的确定方法、装置、设备及介质 | |
CN110866504B (zh) | 标注数据的获取方法、装置和设备 | |
CN111950345A (zh) | 摄像头的识别方法、装置、电子设备和存储介质 | |
CN111814636A (zh) | 一种安全带检测方法、装置、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |