CN112721935A - 一种车辆控制模型训练方法、车辆控制方法及装置 - Google Patents
一种车辆控制模型训练方法、车辆控制方法及装置 Download PDFInfo
- Publication number
- CN112721935A CN112721935A CN202110067032.3A CN202110067032A CN112721935A CN 112721935 A CN112721935 A CN 112721935A CN 202110067032 A CN202110067032 A CN 202110067032A CN 112721935 A CN112721935 A CN 112721935A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- vehicle control
- training
- road image
- road
- 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
- 238000012549 training Methods 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 82
- 230000015654 memory Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 239000013589 supplement Substances 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 16
- 230000006870 function Effects 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000012795 verification 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
- 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
- B60W40/02—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 ambient conditions
- B60W40/06—Road conditions
-
- 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
-
- 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)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种车辆控制模型训练方法、车辆控制方法及装置。车辆控制模型训练方法包括:获取控制训练样本,控制训练样本包括第一道路图像和车辆在车道的车辆行驶参数,第一道路图像包括车辆行驶的车道;基于控制训练样本对预设的车辆控制网络进行训练,得到车辆控制。根据本发明实施例,能够从道路图像中获取道路边界,并控制车辆安全行驶,有效扩大车辆的能够自动驾驶的范围。
Description
技术领域
本发明属于计算机技术领域,尤其涉及一种车辆控制模型训练方法、车辆控制方法及装置。
背景技术
道路上车辆越来越多,道路运输系统变得越来越繁忙,为了使交通和移动更加智能化和高效,车辆能够自动驾驶被认为是有前途的解决方案。
车辆在自动驾驶时,可以从车辆前方的图像中,获取道路标识,例如,车道标志线、方向指示线等,但是,当车辆行驶在没有道路标识的道路上,例如,停车场、泥土路面等,车辆的自动驾驶模式往往会受到限制。
因此,如何使车辆能够自动从图像中获取道路边界,并控制车辆安全行驶,是扩大车辆的能够自动驾驶范围的关建问题之一。
发明内容
本发明实施例提供了一种车辆控制模型训练方法、车辆控制方法及装置,能够从道路图像中获取道路边界,并控制车辆安全行驶,有效扩大车辆的能够自动驾驶的范围。
第一方面,本发明实施例提供了一种车辆控制模型训练方法,方法包括:
获取控制训练样本,所述控制训练样本包括第一道路图像和车辆在车道的车辆行驶参数,所述第一道路图像包括车辆行驶的所述车道;
基于控制训练样本对预设的车辆控制网络进行训练,得到车辆控制模型。
在第一方面的一些可实现方式中,获取控制训练样本,包括:
在人工控制车辆行驶时,获取多条道路的第一道路图像,以及与第一道路图像对应的车辆行驶参数,车辆行驶参数包括方向控制信息、速度控制信息。
在第一方面的一些可实现方式中,基于控制训练样本对预设的车辆控制网络进行训练,得到车辆控制模型,包括:
确定第一道路图像的亮度信息和色度信息;
基于第一道路图像的亮度信息、色度信息和车辆行驶参数,对预设的车辆控制网络进行训练,得到车辆控制模型。
在第一方面的一些可实现方式中,方向控制信息包括车辆偏移量和方向盘旋转角度;获取控制训练样本,还包括:
基于车辆偏移量和方向盘旋转角度,从样本补充数据库中选取预设数量的第二道路图像,得到控制训练样本。
在第一方面的一些可实现方式中,基于车辆偏移量和方向盘旋转角度,从样本补充数据库中选取预设数量的第二道路图像,包括:
分别获取第一道路图像对应车辆偏移量的第一标准差和方向盘旋转角度的第二标准差;
从样本补充数据库中选取预设数量的道路图像,使预设数量的第二道路图像的对应的车辆偏移量和方向盘旋转角度的均为预设均值,以及,第二道路图像的对应车辆偏移量的第三标准差为第一标准差的预设倍数,方向盘旋转角度的第二标准差为第三标准差的预设倍数。
第二方面,本发明实施例提供了一种车辆控制方法,方法包括实时获取待识别道路图像;
将所述待识别道路图像输入车辆控制模型,得到车辆行驶参数,其中,所述车辆控制模型基于第一方面任一可实现方式中所述的车辆控制模型训练方法得到。
在第二方面的一些可实现方式中,所述将所述待识别道路图像输入车辆控制模型,得到车辆行驶参数,包括:
获取所述待识别道路图像的亮度信息和色度信息;
将所述亮度信息和所述色度信息输入所述车辆控制模型,得到所述车辆行驶参数。
第三方面,本发明实施例提供了一种车辆控制模型训练装置,装置包括:
获取模块,用于获取控制训练样本,控制训练样本包括第一道路图像和车辆行驶参数,第一道路图像包括车辆行驶的车道;
训练模块,用于基于控制训练样本对预设的车辆控制网络进行训练,得到车辆控制模型。
第四方面,本发明提供一种车辆控制装置,装置包括:
获取模块,用于实时获取待识别道路图像;
识别模块,用于将待识别道路图像输入车辆控制模型,得到车辆行驶参数,其中,车辆控制模型基于第一方面任一可实现方式中所述的车辆控制模型训练方法得到。
第三五方面,本发明提供了一种车辆控制设备,该设备包括:处理器以及存储有计算机程序指令的存储器;处理器执行计算机程序指令时实现如第一方面或者第一方面任一可实现方式中的车辆控制模型训练方法或如第二方面或者第二方面任一可实现方式中的车辆控制方法。
第六方面,本发明提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序指令,计算机程序指令被处理器执行时实现如第一方面或者第一方面任一可实现方式中的车辆控制模型训练方法或如第二方面或者第二方面任一可实现方式中的车辆控制方法。
本发明实施例提供了一种车辆控制模型训练方法,通过将包括车辆行驶的车道的道路图像,以及对应道路图像的车辆行驶参数作为预先构建的车辆控制网络的训练样本,对预先构建的车辆控制网络进行训练,在获得训练好的车辆控制模型后,在车辆行驶过程中,无论道路图像是否有道路标识,车辆控制模型可以直接根据道路图像生成车辆行驶参数,控制车辆自动驾驶,避免出现偏离车道的情况,有效扩大了车辆自动驾驶的范围。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单的介绍,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,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种车辆控制模型训练方法的流程示意图;
图2是本发明实施例提供的一种车辆控制网络的结构示意图;
图3是本发明实施例提供的一种车辆控制方法的流程示意图;
图4是本发明实施例提供的一种车辆控制装置的结构示意图;
图5是本发明实施例提供的另一种车辆控制装置的结构示意图;
图6是本发明实施例提供的一种车辆控制设备的结构示意图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例,为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本发明进行进一步详细描述。应理解,此处所描述的具体实施例仅意在解释本发明,而不是限定本发明。对于本领域技术人员来说,本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
道路上车辆越来越多,道路运输系统变得越来越繁忙,为了使交通和移动更加智能化和高效,车辆能够自动驾驶被认为是有前途的解决方案。
车辆在自动驾驶时,可以从车辆前方的图像中,获取道路标识,例如,车道标志线、方向指示线等,但是,当车辆行驶在没有道路标识的道路上,例如,停车场、泥土路面等,或者道路标识难以被识别设备辨识时,辆的自动驾驶模式往往会受到限制。因此,如何使车辆能够自动从图像中获取道路边界,并控制车辆安全行驶,是扩大车辆的能够自动驾驶范围的关建问题之一。
本发明实施例提供了一种车辆控制模型训练方法,通过将包括车辆行驶的车道的道路图像,以及对应道路图像的车辆行驶参数作为预先构建的车辆控制网络的训练样本,对预先构建的车辆控制网络进行训练,在获得训练好的车辆控制模型后,在车辆行驶过程中,无论道路图像是否有道路标识,车辆控制模型可以直接根据道路图像生成车辆行驶参数,控制车辆自动驾驶,避免出现偏离车道的情况,可以有效扩大车辆自动驾驶的范围。
下面结合附图对本发明实施例所提供的车辆控制方法进行介绍。
图1示出了本发明一个实施例提供的车辆控制模型训练方法的流程示意图。如图1所示,该方法可以包括S110-S120。
S110、获取控制训练样本。
在本发明实施例中,为了使车辆控制网络能够自动根据获取的道路图像输出控制车辆行驶的车辆行驶参数,控制训练样本可以包括第一道路图像和车辆在车道的车辆行驶参数,第一道路图像包括车辆行驶的车道。其中,控制训练样本被标记了道路类型、天气条件、驾驶员行为等标签,驾驶员行为例如可以是保持车道行驶、更换车道、转弯等。
在一些实施例中,获取控制训练样本可以是在人工控制车辆行驶时,获取多条道路的第一道路图像,以及与第一道路图像对应的车辆行驶参数,车辆行驶参数可以包括方向控制信息、速度控制信息。
其中,人工控制的行驶的车辆作为数据采集车,在数据采集车上可以安装摄像机,摄像机可以连接车辆控制系统。示例性的,摄像机可以设置在数据采集车的挡风玻璃后面。车辆控制系统还与控制车辆的装置连接,以获得数据采集车人工控制车辆行驶时车辆行驶参数。示例性的,控制车辆的装置可以是方向盘、油门、汽车制动装置等。车辆控制系统可以通过控制网络(Controller Area Network,CAN)总线获取控制车辆的各个装置连接,并获取数据采集车人工控制车辆行驶时车辆行驶参数。
控制训练样本可以是是在各种路段和不同灯光和天气条件下采集得到的。道路类别包括两车道道路,例如,有车道标识或者没有道路标识,路边有车停放的居民区道路,隧道和不平整道路。控制训练样本在采集时的天气状况可以包括在白天和晚上的晴天、多云、雾天、雪天和雨天等。
为一个具体的示例,为了使车辆能够在没有道路标识或者道路标识难以辨识的道路上自动驾驶,因此,在获取控制训练样本时,摄像机采集图像数据,同时,车辆控制系统获取车辆行驶参数。可以理解的是,录制获取道路图像的时间轴与人工控制车辆产生车辆控信息的时间轴保持一致。
在一些实施例中,为了使车辆控制网络可以适配于各种车辆,也避免防止在直线行驶时出现奇点,可以用1/r来表示方向控制命令,其中,r是预先设置的以米为单位的转弯半径,示例性的,可以预先设置右转弯的值为正数。
在一些实施例中,方向控制信息包括车辆偏移量和方向盘旋转角度。为了提高控制训练样本的丰富度,避免车辆上摄像机采集的图像数据过于单一,可以基于车辆偏移量和方向盘旋转角度,从样本补充数据库中选取预设数量的第二道路图像,得到控制训练样本。在样本补充数据中可以包括有弧度的道路,以避免出现车辆直线行驶的偏置,为了使车辆控制网络学会修复较差的姿势和视角,样本补充数据库还可以包括车辆偏移量较大和方向盘旋转角度较大的数据。
基于车辆偏移量和方向盘旋转角度,从样本补充数据库中选取预设数量的第二道路图像,具体可以是先分别获取第一道路图像对应车辆偏移量的第一标准差和方向盘旋转角度的第二标准差;之后从样本补充数据库中选取预设数量的道路图像,使预设数量的第二道路图像的对应的车辆偏移量和方向盘旋转角度的均为预设均值,以及,第二道路图像的对应车辆偏移量的第三标准差为第一标准差的预设倍数,方向盘旋转角度的第二标准差为第三标准差的预设倍数。
示例性的,从样本补充数据库中选取预设数量的道路图像,使预设数量的第二道路图像的车辆偏移量和方向盘旋转角度满足正态分布,例如,预先设置右转弯的值为正数,预设均值可以是0。
在得到控制训练样本之后,接下来可以执行S120。
S120、基于控制训练样本对预设的车辆控制网络进行训练,得到车辆控制模型。
在一些实施例中,为了车辆控制网络能够更好的从道路图像中提取特征,在基于控制训练样本对预设的车辆控制网络进行训练时,还可以先确定第一道路图像的亮度信息和色度信息,接下来基于第一道路图像的亮度信息、色度信息和车辆行驶参数,对预设的车辆控制网络进行训练,得到车辆控制模型。
示例性的,可以将RGB格式的道路图像被映射到YUV格式的道路图像,其中,通过图像格式的转换可以突出图像的明亮度和色度,也就是亮度信息和色度信息。之后,基于第一道路图像的亮度信息、色度信息和车辆行驶参数,对预设的车辆控制网络进行训练,得到车辆控制模型。
图2示出了本发明实施例提供的一种车辆控制网络的结构示意图,结合图2所示,车辆控制网络可以包括九层,例如可以包括一个归一化层(Normalization),五个卷积层和三个全连接层。
车辆控制网络的第一层对输入图像做归一化处理,其中归一化层是硬编码的,在学习过程中不会变化。在车辆控制网络中进行归一化可以使得归一化过程根据车辆控制网络的结构调整,而且能够使用图形加速器(Graphics Processing Unit,GPU)加速处理。卷积层是用来提取特征的,作为一个具体地示例,前三个卷积层可以使用了strided卷积,其中stride是2x2,卷积核是5x5,后两个卷积层可以选用unstrided卷积,卷积核是3x3。在卷积层之后为三个全连接层,最后输出车辆行驶参数。在本发明实施例中,基于控制训练训练了车辆控制网络的权重值,使得车辆控制网络输出的车辆行驶参数与人工驾驶或者调整后的控制命令的均方误差最小时,可以认为车辆控制网络训练完成,得到车辆控制模型。
可以理解是,在得到车辆控制模型之后,可以对车辆控制模型进行验证,在验证过程中,可以采用预先用数据采集车的前置摄像机录制的道路图像的图像数据,然后车辆控制模型基于道路图像输出车辆行驶参数。对车辆控制系统可以对该车辆行驶参数进行验证,如果该车辆行驶参数控制车辆行驶的结果不准确,则接下来车辆控制系统获取下一个道路图像,继续对车辆控制模型进行训练,直到车辆行驶参数控制车辆行驶的结果准确,得到训练好车辆控制模型。
本发明实施例提供的车辆控制模型训练方法,通过将包括车辆行驶的车道的道路图像,以及对应道路图像的车辆行驶参数作为预先构建的车辆控制网络的训练样本,对预先构建的车辆控制网络进行训练,在获得训练好的车辆控制模型后,在车辆行驶过程中,无论道路图像是否有道路标识,车辆控制模型可以直接根据道路图像生成车辆行驶参数,控制车辆自动驾驶,避免出现偏离车道的情况,有效扩大了车辆自动驾驶的范围。
图3示出了本发明一个实施例提供的车辆控制方法的流程示意图。如图3所示,该方法可以包括S310-S320。
S310、实时获取待识别道路图像。
S320、将待识别道路图像输入车辆控制模型,得到车辆行驶参数。
具体地,车辆控制模型是基于本发明实施例所提供的车辆控制模型训练方法得到。
在一些实施例中,为了提高车辆行驶参数的准确性,在得到待识别道路图像之后,可以获取待识别道路图像的亮度信息和色彩信息;之后,将亮度信息和色彩信息输入车辆控制模型,得到车辆行驶参数。示例性的,可以将RGB格式的道路图像被映射到YUV格式的道路图像,其中,通过图像格式的转换可以突出图像的明亮度和色度,也就是亮度信息和色度信息。
本发明实施例提供的车辆控制方法,在车辆行驶过程中,无论道路图像是否有道路标识,车辆控制模型可以直接根据道路图像生成车辆行驶参数,控制车辆自动驾驶,避免出现偏离车道的情况,有效扩大了车辆自动驾驶的范围。
可以理解的是,车辆可以安装有模拟器,用来记录车辆偏离车道中心的距离,其中,车道中心可以有车辆控制模型获得。示例性的,当偏离中心的距离超过一米时,就会触发人工的干预模式,以确保行车安全。
图4是本发明实施例提供的一种车辆控制装置的结构示意图,如图4所示,该车辆控制装置400可以包括:获取模块410和训练模块420。
具体地,获取模块410,用于获取控制训练样本,控制训练样本包括第一道路图像和车辆行驶参数,第一道路图像包括车辆行驶的车道;
训练模块420,用于基于控制训练样本对预设的车辆控制网络进行训练,得到车辆控制模型。
在一些实施例中,获取模块410,还用于在人工控制车辆行驶时,获取多条道路的第一道路图像,以及与第一道路图像对应的车辆行驶参数,车辆行驶参数包括方向控制信息、速度控制信息。
在一些实施例中,训练模块420,还用于确定第一道路图像的亮度信息和色彩信息;以及,基于第一道路图像的亮度信息、和色彩信息和车辆行驶参数,对预设的车辆控制网络进行训练,得到车辆控制模型。
在一些实施例中,方向控制信息包括车辆偏移量和方向盘旋转角度;获取控制训练样本,获取模块410,还用于基于车辆偏移量和方向盘旋转角度,从样本补充数据库中选取预设数量的第二道路图像,得到控制训练样本。
在一些实施例中,获取模块410,还用于分别获取第一道路图像对应车辆偏移量的第一标准差和方向盘旋转角度的第二标准差;以及,从样本补充数据库中选取预设数量的道路图像,使预设数量的第二道路图像的对应的车辆偏移量和方向盘旋转角度的均为预设均值,以及,第二道路图像的对应车辆偏移量的第三标准差为第一标准差的预设倍数,方向盘旋转角度的第二标准差为第三标准差的预设倍数。
可以理解的是,本发明实施例的车辆控制装置400,可以对应于本发明实施例图1中的车辆控制方法的执行主体,车辆控制装置400的各个模块/单元的操作和/或功能的具体细节可以参见上述本发明实施例图1的车辆控制方法中的相应部分的描述,为了简洁,在此不再赘述。
本发明实施例的车辆控制装置,通过将包括车辆行驶的车道的道路图像,以及对应道路图像的车辆行驶参数作为预先构建的车辆控制网络的训练样本,对预先构建的车辆控制网络进行训练,在获得训练好的车辆控制模型后,在车辆行驶过程中,无论道路图像是否有道路标识,车辆控制模型可以直接根据道路图像生成车辆行驶参数,控制车辆自动驾驶,避免出现偏离车道的情况,有效扩大了车辆自动驾驶的范围。
图5是本发明实施例提供的另一种车辆控制装置的结构示意图,如图5所示,该车辆控制装置500可以包括:获取模块510和识别模块520。
获取模块510,用于实时获取待识别道路图像;
识别模块520,用于将待识别道路图像输入车辆控制模型,得到车辆行驶参数,其中,车辆控制模型基于本发明实施例所提供的车辆控制模型训练方法得到。
在一些实施例中,识别模块520还用于获取待识别道路图像的亮度信息和色彩信息;以及,将亮度信息和色彩信息输入车辆控制模型,得到车辆行驶参数。
可以理解的是,本发明实施例的车辆控制装置500,可以对应于本发明实施例图3中的车辆控制方法的执行主体,车辆控制装置500的各个模块/单元的操作和/或功能的具体细节可以参见上述本发明实施例图3的车辆控制方法中的相应部分的描述,为了简洁,在此不再赘述。
本发明实施例的车辆控制装置,在车辆行驶过程中,无论道路图像是否有道路标识,车辆控制模型可以直接根据道路图像生成车辆行驶参数,控制车辆自动驾驶,避免出现偏离车道的情况,有效扩大了车辆自动驾驶的范围。
图6是本发明实施例提供的一种车辆控制设备的硬件结构示意图。
如图6所示,本实施例中的车辆控制设备600包括输入设备601、输入接口602、中央处理器603、存储器604、输出接口605、以及输出设备606。其中,输入接口602、中央处理器603、存储器604、以及输出接口605通过总线610相互连接,输入设备601和输出设备606分别通过输入接口602和输出接口605与总线610连接,进而与车辆控制设备600的其他组件连接。
具体地,输入设备601接收来自外部的输入信息,并通过输入接口602将输入信息传送到中央处理器603;中央处理器603基于存储器604中存储的计算机可执行指令对输入信息进行处理以生成输出信息,将输出信息临时或者永久地存储在存储器604中,然后通过输出接口605将输出信息传送到输出设备606;输出设备606将输出信息输出到车辆控制设备600的外部供用户使用。
也就是说,图6所示的车辆控制设备也可以被实现为包括:存储有计算机可执行指令的存储器;以及处理器,该处理器在执行计算机可执行指令时可以实现结合本发明实施例所描述的车辆控制模型训练方法和车辆控制方法。
在一个实施例中,图6所示的车辆控制设备600包括:存储器604,用于存储程序;处理器603,用于运行存储器中存储的程序,以执行本发明实施例所描述的车辆控制模型训练方法和车辆控制方法。
本发明实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现本发明实施例所描述的车辆控制模型训练方法和车辆控制方法。
需要明确的是,本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本发明的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本发明的精神后,做出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、只读存储器(Read-Only Memory,ROM)、闪存、可擦除只读存储器(Erasable ReadOnly Memory,EROM)、软盘、只读光盘(Compact Disc Read-Only Memory,CD-ROM)、光盘、硬盘、光纤介质、射频(Radio Frequency,RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本发明中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本发明不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
上面参考根据本公开的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解,流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器,以产生一种机器,使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解,框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合,也可以由执行指定的功能或动作的专用硬件来实现,或可由专用硬件和计算机指令的组合来实现。
以上所述,仅为本发明的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (11)
1.一种车辆控制模型训练方法,其特征在于,包括:
获取控制训练样本,所述控制训练样本包括第一道路图像和车辆在车道的车辆行驶参数,所述第一道路图像包括车辆行驶的所述车道;
基于所述控制训练样本对预设的车辆控制网络进行训练,得到车辆控制模型。
2.根据权利要求1所述的方法,其特征在于,所述获取控制训练样本,包括:
在人工控制车辆行驶时,获取多条道路的第一道路图像,以及与所述第一道路图像对应的所述车辆行驶参数,所述车辆行驶参数包括方向控制信息、速度控制信息。
3.根据权利要求1或2所述的方法,其特征在于,所述基于所述控制训练样本对预设的车辆控制网络进行训练,得到车辆控制模型,包括:
确定所述第一道路图像的亮度信息和色度信息;
基于所述第一道路图像的亮度信息、色度信息和车辆行驶参数,对所述预设的车辆控制网络进行训练,得到所述车辆控制模型。
4.根据权利要求2所述的方法,其特征在于,所述方向控制信息包括车辆偏移量和方向盘旋转角度;所述获取控制训练样本,还包括:
基于所述车辆偏移量和所述方向盘旋转角度,从样本补充数据库中选取预设数量的第二道路图像,得到所述控制训练样本。
5.根据权利要求4所述的方法,其特征在于,所述基于所述车辆偏移量和所述方向盘旋转角度,从样本补充数据库中选取预设数量的第二道路图像,包括:
分别获取所述第一道路图像对应车辆偏移量的第一标准差和方向盘旋转角度的第二标准差;
从样本补充数据库中选取所述预设数量的道路图像,使所述预设数量的第二道路图像的对应的车辆偏移量和方向盘旋转角度的均为预设均值,以及,所述第二道路图像的对应车辆偏移量的第三标准差为所述第一标准差的预设倍数,所述方向盘旋转角度的第二标准差为所述第三标准差的所述预设倍数。
6.一种车辆控制方法,其特征在于,所述方法包括:
实时获取待识别道路图像;
将所述待识别道路图像输入车辆控制模型,得到车辆行驶参数,其中,所述车辆控制模型基于权利要求1-5任意一项所述的车辆控制模型训练方法得到。
7.根据权利要求6所述的方法,其特征在于,所述将所述待识别道路图像输入车辆控制模型,得到车辆行驶参数,包括:
获取所述待识别道路图像的亮度信息和色度信息;
将所述亮度信息和所述色度信息输入所述车辆控制模型,得到所述车辆行驶参数。
8.一种车辆控制模型训练装置,其特征在于,所述装置包括:
获取模块,用于获取控制训练样本,所述控制训练样本包括第一道路图像和车辆行驶参数,所述第一道路图像包括车辆行驶的车道;
训练模块,用于基于所述控制训练样本对预设的车辆控制网络进行训练,得到车辆控制模型。
9.一种车辆控制装置,其特征在于,所述方法包括:
获取模块,用于实时获取待识别道路图像;
识别模块,用于将所述待识别道路图像输入车辆控制模型,得到车辆行驶参数,其中,所述车辆控制模型基于权利要求1-5任意一项所述的车辆控制模型训练方法得到。
10.一种车辆控制设备,其特征在于,所述设备包括:处理器,以及存储有计算机程序指令的存储器;
所述处理器读取并执行所述计算机程序指令,以实现如权利要求1-5任意一项所述的车辆控制模型训练方法或权利要求6-7任意一项所述的车辆控制方法。
11.一种计算机存储介质,其特征在于,所述计算机存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现如权利要求1-5任意一项所述的车辆控制模型训练方法或权利要求6-7任意一项所述的车辆控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110067032.3A CN112721935A (zh) | 2021-01-19 | 2021-01-19 | 一种车辆控制模型训练方法、车辆控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110067032.3A CN112721935A (zh) | 2021-01-19 | 2021-01-19 | 一种车辆控制模型训练方法、车辆控制方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112721935A true CN112721935A (zh) | 2021-04-30 |
Family
ID=75592270
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110067032.3A Pending CN112721935A (zh) | 2021-01-19 | 2021-01-19 | 一种车辆控制模型训练方法、车辆控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112721935A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11443531B1 (en) * | 2021-12-16 | 2022-09-13 | Plusai, Inc. | Methods and apparatus for automatic collection of under-represented data for improving a training of a machine learning model |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596146A (zh) * | 2018-05-09 | 2018-09-28 | 嘉兴学院 | 道路多目标分类方法 |
CN109886131A (zh) * | 2019-01-24 | 2019-06-14 | 淮安信息职业技术学院 | 一种道路弯道识别方法及其装置 |
CN110525451A (zh) * | 2019-07-25 | 2019-12-03 | 平安科技(深圳)有限公司 | 行车安全辅助方法、装置、车辆、及可读存储介质 |
CN110647839A (zh) * | 2019-09-18 | 2020-01-03 | 深圳信息职业技术学院 | 自动驾驶策略的生成方法、装置及计算机可读存储介质 |
CN110826468A (zh) * | 2019-11-01 | 2020-02-21 | 南京工程学院 | 一种辅助驾驶的基于车道线检测的车辆检测测距方法 |
US20200117916A1 (en) * | 2018-10-11 | 2020-04-16 | Baidu Usa Llc | Deep learning continuous lane lines detection system for autonomous vehicles |
CN111126336A (zh) * | 2019-12-31 | 2020-05-08 | 潍柴动力股份有限公司 | 样本采集方法、装置及设备 |
CN111216723A (zh) * | 2018-11-26 | 2020-06-02 | 广州汽车集团股份有限公司 | 车辆的行驶控制方法、装置和存储介质 |
-
2021
- 2021-01-19 CN CN202110067032.3A patent/CN112721935A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596146A (zh) * | 2018-05-09 | 2018-09-28 | 嘉兴学院 | 道路多目标分类方法 |
US20200117916A1 (en) * | 2018-10-11 | 2020-04-16 | Baidu Usa Llc | Deep learning continuous lane lines detection system for autonomous vehicles |
CN111216723A (zh) * | 2018-11-26 | 2020-06-02 | 广州汽车集团股份有限公司 | 车辆的行驶控制方法、装置和存储介质 |
CN109886131A (zh) * | 2019-01-24 | 2019-06-14 | 淮安信息职业技术学院 | 一种道路弯道识别方法及其装置 |
CN110525451A (zh) * | 2019-07-25 | 2019-12-03 | 平安科技(深圳)有限公司 | 行车安全辅助方法、装置、车辆、及可读存储介质 |
CN110647839A (zh) * | 2019-09-18 | 2020-01-03 | 深圳信息职业技术学院 | 自动驾驶策略的生成方法、装置及计算机可读存储介质 |
CN110826468A (zh) * | 2019-11-01 | 2020-02-21 | 南京工程学院 | 一种辅助驾驶的基于车道线检测的车辆检测测距方法 |
CN111126336A (zh) * | 2019-12-31 | 2020-05-08 | 潍柴动力股份有限公司 | 样本采集方法、装置及设备 |
Non-Patent Citations (1)
Title |
---|
陈忠, 上海交通大学出版社 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11443531B1 (en) * | 2021-12-16 | 2022-09-13 | Plusai, Inc. | Methods and apparatus for automatic collection of under-represented data for improving a training of a machine learning model |
US11836994B2 (en) | 2021-12-16 | 2023-12-05 | Plusai, Inc. | Methods and apparatus for automatic collection of under-represented data for improving a training of a machine learning model |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111046709B (zh) | 车辆车道级定位方法、系统、车辆及存储介质 | |
CN106154834B (zh) | 用于控制无人驾驶车辆的方法和装置 | |
CN108303103A (zh) | 目标车道的确定方法和装置 | |
JP6280409B2 (ja) | 自車位置修正方法、ランドマークデータ更新方法、車載機、サーバおよび自車位置データ修正システム | |
CN107103272A (zh) | 区分车辆要遵循的车道标记 | |
KR101251729B1 (ko) | 주차 제어 방법 및 그 장치 | |
CN103226354A (zh) | 基于光电导航的无人驾驶道路识别系统 | |
CN110388929B (zh) | 导航地图更新方法、装置及系统 | |
CN110335484B (zh) | 控制车辆行驶的方法及装置 | |
CN106778548A (zh) | 用于检测障碍物的方法和装置 | |
CN110901638B (zh) | 驾驶辅助方法及系统 | |
CN109946688A (zh) | 换道场景数据提取方法、装置和服务器 | |
CN114373295A (zh) | 一种行车安全预警方法、系统、存储介质及设备 | |
CN117056153A (zh) | 校准和验证驾驶员辅助系统和/或自动驾驶系统的方法、系统和计算机程序产品 | |
CN106218632A (zh) | 用于控制无人驾驶车辆的方法和装置 | |
CN112721935A (zh) | 一种车辆控制模型训练方法、车辆控制方法及装置 | |
CN113673403B (zh) | 行驶环境检测方法、系统、装置、计算机设备、计算机可读存储介质及汽车 | |
CN116597690B (zh) | 智能网联汽车的高速公路测试场景生成方法、设备及介质 | |
JP7000562B2 (ja) | 高精度位置を決定し、自動運転車両を運転するための方法および装置 | |
CN114895682B (zh) | 一种基于云端数据的无人驾驶矿车行走参数校正方法及系统 | |
CN114359233B (zh) | 图像分割模型训练方法、装置、电子设备及可读存储介质 | |
CN116125980A (zh) | 无人货车驾驶方法、装置、电子设备及存储介质 | |
CN111832365A (zh) | 车道标记确定方法及装置 | |
CN115618602A (zh) | 一种车道级场景仿真方法及系统 | |
CN114708568A (zh) | 基于改进RTFNet的纯视觉自动驾驶控制系统、方法、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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210430 |
|
RJ01 | Rejection of invention patent application after publication |