CN113205087A - 一种感知信息处理方法、装置、设备及计算机可读存储介质 - Google Patents
一种感知信息处理方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113205087A CN113205087A CN202110759639.8A CN202110759639A CN113205087A CN 113205087 A CN113205087 A CN 113205087A CN 202110759639 A CN202110759639 A CN 202110759639A CN 113205087 A CN113205087 A CN 113205087A
- Authority
- CN
- China
- Prior art keywords
- information
- target
- obstacle
- perception
- image
- 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
- 230000008447 perception Effects 0.000 title claims abstract description 157
- 230000010365 information processing Effects 0.000 title claims abstract description 35
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 53
- 238000013507 mapping Methods 0.000 claims description 52
- 238000000605 extraction Methods 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 17
- 230000004888 barrier function Effects 0.000 claims description 12
- 230000004927 fusion Effects 0.000 abstract description 22
- 238000011161 development Methods 0.000 abstract description 6
- 238000011982 device technology Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000003384 imaging method Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009432 framing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- 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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Electromagnetism (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种感知信息处理方法、装置、设备及计算机可读存储介质,所述方法包括:获取多个感知装置采集的目标障碍物对应的多个障碍物感知信息;基于所述多个障碍物感知信息和对应的感知装置的装置类型,确定所述目标障碍物对应的多个感知图像信息;根据所述多个感知图像信息,生成目标感知图像;对所述目标感知图像进行图像特征提取,得到所述目标障碍物的目标感知信息。利用本申请提出的技术方案至少可以在降低数据融合的复杂度的同时,提高数据吞吐量,满足感知装置技术快速发展、数据类型日益丰富的应用需求。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种感知信息处理方法、装置、设备及计算机可读存储介质。
背景技术
为了对多源异质的障碍物感知信息进行数据融合,目前可以采用前融合的方案或者后融合的方案。其中,前融合的方案包括:直接利用人工智能技术对多源异质的原始障碍物信息进行数据融合,得到融合数据。后融合的方案包括:将多源异质的原始障碍物信息分别处理成目标障碍物信息,然后对多源异质的目标障碍物信息进行时空同步、匹配、融合和管理,得到融合数据。
然而,前融合的方案需要设计复杂的深度神经网络,且深度神经网络的优劣对数据融合效果有巨大影响。后融合的方案数据吞吐量小,无法满足感知装置技术快速发展、数据类型日益丰富的应用需求。
发明内容
本申请提供了一种感知信息处理方法、装置、设备及计算机存储介质,至少可以在降低数据融合的复杂度的同时,提高数据吞吐量,满足感知装置技术快速发展、数据类型日益丰富的应用需求。
本申请提供了一种感知信息处理方法,该方法包括:
获取多个感知装置采集的目标障碍物对应的多个障碍物感知信息;
基于所述多个障碍物感知信息和对应的感知装置的装置类型,确定所述目标障碍物对应的多个感知图像信息;
根据所述多个感知图像信息,生成目标感知图像;
对所述目标感知图像进行图像特征提取,得到所述目标障碍物的目标感知信息。
在一些可选的实施例中,所述多个障碍物感知信息中的任一障碍物感知信息包括障碍物位置信息、障碍物移动信息和障碍物置信度信息;所述基于所述多个障碍物感知信息和对应的感知装置的装置类型,确定所述目标障碍物对应的多个感知图像信息包括:
根据每一障碍物位置信息,确定所述目标障碍物对应的目标位置信息;
根据每一障碍物移动信息和对应的感知装置的装置类型,确定所述目标障碍物对应的目标色彩信息;
根据每一障碍物置信度信息,确定所述目标障碍物对应的目标形状信息;
将所述目标位置信息、所述目标色彩信息和所述目标形状信息作为所述多个感知图像信息。
在一些可选的实施例中,所述根据每一障碍物位置信息,确定所述目标障碍物对应的目标位置信息包括:
获取预设比例信息;
根据所述预设比例信息,对所述每一障碍物位置信息进行缩放处理,得到所述目标位置信息。
在一些可选的实施例中,所述根据每一障碍物移动信息和对应的感知装置的装置类型,确定所述目标障碍物对应的目标色彩信息包括:
获取预设的色彩通道映射信息;其中,所述色彩通道映射信息包括至少一个装置类型与对应的色彩通道的映射关系;
根据所述色彩通道映射信息和所述每一障碍物移动信息对应的感知装置的装置类型,确定所述每一障碍物移动信息对应的目标色彩通道;
根据所述每一障碍物移动信息对应的目标色彩通道的色彩范围信息,对所述每一障碍物移动信息进行色彩映射处理,得到所述目标色彩深度;
将所述目标色彩通道和所述目标色彩深度作为所述目标色彩信息。
在一些可选的实施例中,所述根据每一障碍物置信度信息,确定所述目标障碍物对应的目标形状信息包括:
根据所述每一障碍物置信度信息,确定所述目标障碍物对应的目标置信度范围信息;
获取预设的形状映射信息;其中,所述形状映射信息包括至少一个置信度范围信息与对应的形状信息的映射关系;
根据所述形状映射信息和所述目标置信度范围信息,确定所述目标形状信息。
在一些可选的实施例中,所述根据所述多个感知图像信息,生成目标感知图像包括:
获取基础感知图像;
根据所述目标位置信息、所述目标色彩信息和所述目标形状信息,调整所述基础感知图像的图像呈现信息,得到所述目标感知图像。
在一些可选的实施例中,所述目标感知信息包括目标感知位置信息、目标感知移动信息和目标感知置信度信息;所述方法还包括:
根据所述目标感知位置信息、所述目标感知移动信息和所述目标感知置信度信息,对所述目标障碍物进行避让。
本申请还提供了一种感知信息处理装置,该装置包括:
获取模块,用于获取多个感知装置采集的目标障碍物对应的多个障碍物感知信息;
确定模块,用于基于所述多个障碍物感知信息和对应的感知装置的装置类型,确定所述目标障碍物对应的多个感知图像信息;
生成模块,用于根据所述多个感知图像信息,生成目标感知图像;
特征提取模块,用于对所述目标感知图像进行图像特征提取,得到所述目标障碍物的目标感知信息。
在一些可选的实施例中,所述多个障碍物感知信息中的任一障碍物感知信息包括障碍物位置信息、障碍物移动信息和障碍物置信度信息;上述确定模块包括:
第一确定单元,用于根据每一障碍物位置信息,确定所述目标障碍物对应的目标位置信息;
第二确定单元,用于根据每一障碍物移动信息和对应的感知装置的装置类型,确定所述目标障碍物对应的目标色彩信息;
第三确定单元,用于根据每一障碍物置信度信息,确定所述目标障碍物对应的目标形状信息;
第四确定单元,用于将所述目标位置信息、所述目标色彩信息和所述目标形状信息作为所述多个感知图像信息。
在一些可选的实施例中,上述第一确定单元包括:
获取子单元,用于获取预设比例信息;
缩放处理子单元,用于根据所述预设比例信息,对所述每一障碍物位置信息进行缩放处理,得到所述目标位置信息。
在一些可选的实施例中,所述第二确定单元包括:
获取子单元,用于获取预设的色彩通道映射信息;其中,所述色彩通道映射信息包括至少一个装置类型与对应的色彩通道的映射关系;
第一确定子单元,用于根据所述色彩通道映射信息和所述每一障碍物移动信息对应的感知装置的装置类型,确定所述每一障碍物移动信息对应的目标色彩通道;
色彩映射处理子单元,用于根据所述每一障碍物移动信息对应的目标色彩通道的色彩范围信息,对所述每一障碍物移动信息进行色彩映射处理,得到所述目标色彩深度;
第二确定子单元,用于将所述目标色彩通道和所述目标色彩深度作为所述目标色彩信息。
在一些可选的实施例中,上述第三确定单元包括:
第一确定子单元,用于根据所述每一障碍物置信度信息,确定所述目标障碍物对应的目标置信度范围信息;
获取子单元,用于获取预设的形状映射信息;其中,所述形状映射信息包括至少一个置信度范围信息与对应的形状信息的映射关系;
第二确定子单元,用于根据所述形状映射信息和所述目标置信度范围信息,确定所述目标形状信息。
在一些可选的实施例中,所述生成模块包括:
获取单元,用于获取基础感知图像;
调整单元,用于根据所述目标位置信息、所述目标色彩信息和所述目标形状信息,调整所述基础感知图像的图像呈现信息,得到所述目标感知图像。
在一些可选的实施例中,所述目标感知信息包括目标感知位置信息、目标感知移动信息和目标感知置信度信息;上述装置还包括:
避让模块,用于根据所述目标感知位置信息、所述目标感知移动信息和所述目标感知置信度信息,对所述目标障碍物进行避让。
本申请还提供了一种感知信息处理设备,所述设备包括处理器和存储器,所述存储器中存储有至少一条指令或至少一段程序、所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如上所述的感知信息处理方法。
本申请还提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上述的感知信息处理方法。
本申请提供的一种感知信息处理方法、装置、设备及计算机可读存储介质,具有如下技术效果:
本申请通过将多个障碍物感知信息的数据融合问题转化为目标感知图像的图像特征提取问题,在数据吞吐量大的应用场景中,也可以将多源异质的感知信息转化为感知图像,可满足感知装置技术快速发展、数据类型日益丰富的应用需求。基于此,本申请可以通过目标感知图像进行图像特征提取,得到目标感知信息,由于图像特征提取所需要的神经网络易于设计,可大大降低神经网络的设计复杂度,进而降低数据融合的复杂度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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它附图。
图1是本申请实施例提供的一种感知信息处理方法的流程示意图;
图2是本申请实施例提供的一种多个感知图像信息确定过程的流程示意图;
图3是本申请实施例提供的一种目标位置信息的确定过程的流程示意图;
图4是本申请实施例提供的一种目标感知图像的示意图;
图5是本申请实施例提供的一种感知信息处理装置的结构示意图;
图6是本申请实施例提供的一种感知信息处理方法的服务器的硬件结构框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
以下介绍本申请的一种感知信息处理方法,本说明书提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的系统或服务器产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体的,如图1所示,所述方法包括:
S101:获取多个感知装置采集的目标障碍物对应的多个障碍物感知信息。
本申请实施例中,目标障碍物可以为多个感知装置能够采集到感知信息的至少一个障碍物。在车辆自动驾驶的应用场景中,目标障碍物可以为车辆上部署的多个感知装置能够采集到感知信息的至少一个障碍物,一般为车辆需要避让的至少一个障碍物。示例性的,目标障碍物的障碍物类型可以包括但不限于车辆需要避让的行人、车辆和路障。
本申请实施例中,多个感知装置可以包括多个装置类型不同的感知装置。每个感知装置均可以采集目标障碍物对应的障碍物感知信息,得到目标障碍物对应的多个障碍物感知信息。可以理解,由于多个感知装置的装置类型不同,多个障碍物感知信息为多源异质的信息。示例性的,多个感知装置可以包括但不限于激光雷达、4D(Four Dimension,四维)成像雷达、毫米波雷达和可见光摄像机。相应的,多个障碍物感知信息可以包括但不限于激光雷达数据、4D成像雷达数据、毫米波雷达数据和可见光摄像机数据。
在实际应用中,多个感知装置可以与车辆的车载终端通信,将采集的目标障碍物对应的多个障碍物感知信息发送给车载终端,以使车载终端对多个障碍物感知信息进行数据融合,得到目标感知信息,基于目标感知信息更准确地进行自动驾驶决策。
由于多个感知装置的测量误差不同,多个感知装置中引起测量误差的原因也不尽相同,通过多个感知装置采集目标障碍物对应的多个障碍物感知信息,可以获得多源异质的障碍物感知信息,车载终端根据多个障碍物感知信息融合得到的目标感知信息进行自动驾驶决策,可以提高自动驾驶决策的准确性。
S103:基于所述多个障碍物感知信息和对应的感知装置的装置类型,确定所述目标障碍物对应的多个感知图像信息。
本申请实施例中,在获得多个感知装置采集到目标障碍物对应的多个障碍物感知信息的情况下,可以将多个障碍物感知信息、以及对应的感知装置的装置类型转化为多个感知图像信息。
本申请实施例中,多个感知图像信息能够表征多个图形的图形信息。其中,每个图形的图形信息可以表征每一障碍物感知信息以及对应的感知装置的装置类型。
S105:根据所述多个感知图像信息,生成目标感知图像。
在一个具体的实施例中,可以通过获取一个空白图像,根据多个感知图像信息,在该空白图像中绘制多个图形,生成目标感知图像。
可以理解,目标感知图像可以为能够反映多个障碍物感知信息和对应的感知装置的装置类型的图像。
S107:对所述目标感知图像进行图像特征提取,得到所述目标障碍物的目标感知信息。
本申请实施例中,目标感知信息可以包括目标感知图像的图像特征。由于目标感知图像可以表征多个感知装置采集的目标障碍物对应的多个障碍物感知信息,目标感知图像的图像特征可以表征对多个障碍物感知信息进行数据融合得到的目标感知信息。
可以理解,本申请实施例对多个感知装置采集的目标障碍物对应的多个障碍物感知信息进行感知信息处理,目的是得到多个障碍物感知信息融合得到的目标感知信息。通过将多个障碍物感知信息以及对应的感知装置的装置类型转化为多个感知图像信息,根据多个感知图像信息生成目标感知图像,对目标感知图像进行图像特征提取,本申请实施例能够将多个障碍物感知信息的数据融合问题转化为目标感知图像的图像特征提取问题。通过对目标感知图像进行图像特征提取,即可得到目标感知信息。
具体的,本申请实施例通过深度神经网络,对目标感知图像进行图像特征提取。其中,深度神经网络可以包括但不限于深度卷积神经网络和图卷积网络。
本申请实施例中,通过将多个障碍物感知信息的数据融合问题转化为目标感知图像的图像特征提取问题,在数据吞吐量大的应用场景中,也可以将多源异质的感知信息转化为感知图像,可满足感知装置技术快速发展、数据类型日益丰富的应用需求。基于此,本申请可以通过目标感知图像进行图像特征提取,得到目标感知信息,由于图像特征提取所需要的神经网络易于设计,可大大降低神经网络的设计复杂度,进而降低数据融合的复杂度。
在一个具体的实施例中,多个障碍物感知信息中的任一障碍物感知信息包括障碍物位置信息、障碍物移动信息和障碍物置信度信息。
其中,每一障碍物位置信息可以为每一感知装置采集的目标障碍物对应的位置信息。示例性的,每一障碍物位置信息可以为目标障碍物相对于参考坐标的相对坐标,还可以为目标障碍物的经纬度信息。其中,参考坐标可以为车辆的后轮轴心坐标。
其中,每一障碍物移动信息可以为每一感知装置采集的目标障碍物对应的移动信息。示例性的,每一障碍物移动信息可以包括但不限于目标障碍物对应的每一速度信息、每一加速度信息和每一移动方向信息。可选的,前述每一速度信息、每一加速度信息和每一移动方向信息可以为绝对的速度信息、加速度信息和移动方向信息。可选的,每一速度信息、每一加速度信息和每一移动方向信息可以为相对的速度信息、加速度信息和移动方向信息。
其中,每一障碍物置信度信息可以为每一感知装置采集的目标障碍物对应的真实存在率。在真实存在率高的情况下,目标障碍物越有可能真实存在,每一感知装置感知的目标障碍物的每一障碍物感知信息越可靠。
在一个具体的实施例中,可以通过每一图形表征每一障碍物感知信息和对应的感知装置的装置类型。
相应的,如图2所示,本申请实施例提供了一种多个感知图像信息确定过程的流程示意图。参照图2,所述基于所述多个障碍物感知信息和对应的感知装置的装置类型,确定所述目标障碍物对应的多个感知图像信息包括:
S201:根据每一障碍物位置信息,确定所述目标障碍物对应的目标位置信息。
本申请实施例中,目标位置信息可以为每一图形的图形位置信息,具体可以为每一图形的核心像素的坐标。可以理解,在每一图形为对称图形的情况下,核心像素可以为每一图形中心处的像素。在每一图形为非对称图形的情况下,核心像素可以为每一图形重心处的像素。
S203:根据每一障碍物移动信息和对应的感知装置的装置类型,确定所述目标障碍物对应的目标色彩信息。
本申请实施例中,目标色彩信息可以为每一图形的图形色彩信息。
S205:根据每一障碍物置信度信息,确定所述目标障碍物对应的目标形状信息。
本申请实施例中,目标形状信息可以为每一图形的图形形状信息。
S207:将所述目标位置信息、所述目标色彩信息和所述目标形状信息作为所述多个感知图像信息。
本申请实施例中,通过每一图形表征每一障碍物感知信息和对应的感知装置的装置类型,简单易行。且由于每个感知装置的测量误差不同,每一图形的图形位置信息、图形色彩信息和图形形状信息均不同。如此,通过预先将每一图形的图形尺寸设定为合适尺寸,可使得多个图形不会重叠,有利于后续生成的目标感知图像的图像特征提取。
在一个具体的实施例中,为了具体说明S201中目标位置信息的确定过程,所述根据每一障碍物位置信息,确定所述目标障碍物对应的目标位置信息包括:
获取预设比例信息;
根据所述预设比例信息,对所述每一障碍物位置信息进行缩放处理,得到所述目标位置信息。
本申请实施例中,预设比例信息可以为预先设定的比例信息。例如,将预设比例信息确定为0.2。
本申请实施例中,每一障碍物位置信息包括目标障碍物的水平方向的水平位置信息和竖直方向的竖直位置信息,可以表示为(水平位置信息,竖直位置信息)。示例性的,在每一障碍物位置信息为目标障碍物的经纬度信息的情况下,水平方向和竖直方向的位置信息可以为经度和纬度,可以表示为(经度,纬度)。示例性的,在每一障碍物位置信息为目标障碍物相对于车辆的后轮轴心坐标的相对坐标的情况下,水平方向和竖直方向的位置信息可以为相对水平坐标和相对竖直坐标,可以表示为(相对水平坐标,相对竖直坐标)。
本申请实施例中,目标位置信息可以包括每一图形的图形位置信息。在每一图形的图形位置信息为每一图形的核心像素坐标的情况下,目标位置信息可以包括每一图形的核心像素的像素横坐标和像素纵坐标。其中,像素横坐标表示该核心像素在目标感知图像中水平方向的顺序,像素纵坐标表示该核心像素在目标感知图像中竖直方向的顺序。
本申请实施例中,将预设比例信息对应的数值与每一障碍物位置信息对应的数值相乘,可以得到目标位置信息对应的数值。具体过程可以参照公式1和公式2:
示例性的,若预设比例信息对应的数值为0.2,障碍物位置信息为(50,100),表示目标障碍物的横坐标在后轮轴心的横坐标右方50厘米处,目标障碍物的纵坐标在后轮轴心的纵坐标前方100厘米处。根据公式1计算可得,目标障碍物的横坐标映射为基础感知图像中的核心像素坐标为(10,20),表示核心像素是目标感知图像中水平方向排第10、竖直方向排第20的像素。
通过上述方案,本实施例可以将每一障碍物位置信息映射为每一图形的图形位置信息。
在一个具体的实施例中,为了具体说明S203中目标色彩信息的确定过程,如图3所示,所述根据每一障碍物移动信息和对应的感知装置的装置类型,确定所述目标障碍物对应的目标色彩信息包括:
S301:获取预设的色彩通道映射信息;其中,所述色彩通道映射信息包括至少一个装置类型与对应的色彩通道的映射关系。
本申请实施例中,色彩通道的数量和类型可以根据目标感知图像的图像格式而定。在目标感知图像为RGB(Red Green Blue,红绿蓝)格式的图像的情况下,色彩通道可以包括R色彩通道、G色彩通道和B色彩通道这三个。
本申请实施例中,可以将每一障碍物感知信息对应的感知装置的装置类型映射为每一图形的全部像素的某一色彩通道。通过预先设定每一障碍物感知信息对应的感知装置的装置类型对应的目标色彩通道,可以得到色彩通道映射信息。
示例性的,在多个感知装置的装置类型包括激光雷达、4D成像雷达和可见光摄像机的情况下,可以预先设置激光雷达对应的色彩通道为R色彩通道,4D成像雷达对应的色彩通道为G色彩通道,以及可见光摄像机对应的色彩通道为B色彩通道。
本申请实施例中,将每一障碍物感知信息对应的感知装置的装置类型映射为对应的色彩通道,可以通过应的色彩通道表征每一障碍物感知信息对应的感知装置的装置类型。
S303:根据所述色彩通道映射信息和所述每一障碍物移动信息对应的感知装置的装置类型,确定所述每一障碍物移动信息对应的目标色彩通道。
示例性的,在多个障碍物移动信息对应的感知装置的装置类型分别为激光雷达、4D成像雷达和可见光摄像机的情况下,根据色彩通道映射信息,可以确定激光雷达、4D成像雷达和可见光摄像机对应的目标色彩通道分别为R色彩通道、G色彩通道和B色彩通道。
S305:根据所述每一障碍物移动信息对应的目标色彩通道的色彩范围信息,对所述每一障碍物移动信息进行色彩映射处理,得到所述目标色彩深度。
本申请实施例中,色彩范围信息可以表征目标色彩通道的色彩深度范围。一般情况下,不同色彩通道的色彩深度范围可以为[0,255]。
本申请实施例中,目标色彩深度可以为目标色彩通道的色彩深度。
本申请实施例中,将每一障碍物移动信息映射为目标色彩通道的色彩深度,可以通过目标色彩通道的色彩深度表征每一障碍物移动信息。
在实际应用场景中,每一障碍物移动信息也有对应的移动信息范围。以每一障碍物移动信息为目标障碍物的移动速度(绝对移动速度)为例,在高速公路的应用场景下,移动信息范围可以为高速公路的限速80~120公里/小时。
相应的,在一个具体的实施例中,可以通过移动信息范围与色彩深度范围的映射关系,将每一障碍物移动信息映射为对应的色彩通道的色彩深度。具体的色彩深度映射过程可以参照公式3:
其中,示目标色彩深度;表示每一障碍物移动信息对应的数值;表示移动信息范围的范围最小值,表示移动信息范围的范围最大值。表示色彩范围信息对应的数值范围与移动信息范围的比值,表示每一障碍物移动信息对应的数值与移动信息范围的范围最小值的差值。
以高速公路的应用场景为例,为高速公路限速范围的最小值80公里/小时,为高速公路限速范围的最大值120公里/小时。每一障碍物移动信息分别为80公里/小时、100公里/小时和120公里/小时,则每一障碍物移动信息对应的目标移动信息对应的数值分别为0、127(小数取整)和255。
再以每一障碍物感知信息对应的感知装置的装置类型分别为激光雷达、4D成像雷达和可见光摄像机为例,则每个图形的像素的目标色彩通道的色彩深度分别为R色彩通道的色彩深度0、G色彩通道的色彩深度127和B色彩通道的色彩深度255,可以分别表示为(0,0,0)、(0,127,0)和(0,0,255)。
S307:将所述目标色彩通道和所述目标色彩深度作为所述目标色彩信息。
在一个具体的实施例中,为了具体说明S205中目标形状信息的确定过程,如图4所示,所述根据每一障碍物置信度信息,确定所述目标障碍物对应的目标形状信息包括:
S401:根据所述每一障碍物置信度信息,确定所述目标障碍物对应的目标置信度范围信息。
本申请实施例中,每一障碍物置信度信息可以为每一感知装置采集的目标障碍物对应的真实存在率。可以理解,每一障碍置信度信息位于0至1之间。
本申请实施例中,可以将0至1划分为多个区间,得到多个置信度范围信息。
在一个可选的实施例中,可以将0至1均匀划分为多个区间。示例性的,可以划分为[0,0.2]、(0.2,0.4]、(0.4,0.6]、(0.6,0.8]和(0.8,1]。
在一个可选的实施例中,还可以将0至1不均匀划分为多个区间。示例性的,可以划分为[0,0.3]、(0.3,0.8]和(0.8,1]。
具体的,对0至1均匀划分或不均匀划分可以基于实际应用需求而定。
本申请实施例中,目标置信度范围信息可以包括每一置信度范围信息所在的区间。
S403:获取预设的形状映射信息;其中,所述形状映射信息包括至少一个置信度范围信息与对应的形状信息的映射关系。
本申请实施例涉及至少一个形状信息,至少一个形状信息对应的形状可以包括但不限于三角形、圆形和正方形,可以根据实际应用所需要的形状信息的数量来确定。
示例性的,本申请可以预先设置三角形对应的置信度范围信息为[0,0.3],圆形对应的置信度范围信息为(0.3,0.8],正方形对应的置信度范围信息为(0.8,1],得到形状映射信息。
S405:根据所述形状映射信息和所述目标置信度范围信息,确定所述目标形状信息。
本申请实施例中,所述目标形状信息可以为每一图形的图形形状信息。示例性的,在每一障碍物置信度信息分别位于[0,0.3]、(0.3,0.8]和(0.8,1]的情况下,可以将每一障碍物置信度信息分别映射为三角形、圆形和正方形。
在一个具体的实施例中,在确定如何得到目标位置信息、目标色彩信息和目标形状信息的情况下,所述根据所述多个感知图像信息,生成目标感知图像包括:
获取基础感知图像;
根据所述目标位置信息、所述目标色彩信息和所述目标形状信息,调整所述基础感知图像的图像呈现信息,得到所述目标感知图像。
本申请实施例中,基础感知图像可以为空白的图像。根据每一图形的图形位置信息、图形色彩信息和图形形状信息,可以在空白的图像上绘制出每一图形,得到目标感知图像。
在一个具体的实施例中,所述目标感知信息包括目标感知位置信息、目标感知移动信息和目标感知置信度信息;所述方法还包括:
根据所述目标感知位置信息、所述目标感知移动信息和所述目标感知置信度信息,对所述目标障碍物进行避让。
本申请实施例中,目标感知位置信息可以为对多个障碍物位置信息进行数据融合得到的位置信息。
本申请实施例中,目标感知移动信息可以为对多个障碍物移动信息进行数据融合得到的移动信息。
本申请实施例中,目标感知置信度信息可以为对多个障碍物置信度信息进行数据融合得到的置信度信息。
本申请实施例中,车载终端根据目标感知位置信息、目标感知移动信息和目标感知置信度信息进行自动驾驶决策,可以更好地控制车辆对目标障碍物进行避让。
在一个具体的实施例中,可以通过图像特征提取网络对目标感知图像进行图像特征提取,得到目标感知信息。
在一个具体的实施例中,图像特征提取网络可以包括但不限于深度卷积网络和图卷积网络。
在一个具体的实施例中,图像特征提取网络可以包括输入层、卷积层和输出层。可以通过输入层输入目标感知图像,通过卷积层对目标感知图像进行卷积,得到图像特征,通过输出层输出图像特征。在设计图像特征提取网络的情况下,输入层、卷积层和输出层的超级参数可以根据实际应用需求进行调整。此外,为了避免卷积过程中丢失有效数据,本申请实施例中的卷积层可以省略池化层。
在一个具体的实施例中,为了训练得到可用的图像特征提取网络,可以获取训练集,利用训练集训练初始特征提取网络。根据初始特征提取网络预测的训练集的预测感知信息,以及人工标注的训练集的真实感知信息,确定初始特征提取网络的目标损失。根据目标损失调节初始特征提取网络的网络参数,根据调节后的初始特征提取网络更新目标损失,在目标损失小于预设阈值时所对应的初始特征提取网络为图像特征提取网络。
在实际应用中,训练集可以包括多个障碍物的图形。人工标注的训练集的真实感知信息可以包括:人工采用长度和宽度合适的矩形框将属于同一障碍物的图形框出,将矩形框的中心像素的像素坐标标注为真实感知位置信息、目标色彩通道的色彩深度标注为真实感知移动信息,将属于同一障碍物的图形对应的置信度范围的中点的平均值标注为真实感知置信度信息。
相应的,初始图像特征提取网络预测的预测感知信息,即为图像特征提取网络预测的矩形框,将预测的矩形框的中心像素的像素坐标作为预测感知位置信息、目标色彩通道的色彩深度作为预测感知移动信息,将属于同一障碍物的图形对应的置信度范围的中点的平均值确定为预测感知置信度信息。
可以理解,矩形框的核心像素可以根据矩形框的左上角坐标以及矩形框的长度和宽度来确定。
在实际应用中,利用图像特征提取网络对目标感知图像进行特征提取的过程可以包括:将属于同一障碍物的图形框出,并识别矩形框的左上角坐标、长度和宽度。根据矩形框的左上角坐标、长度和宽度,确定矩形框的中心像素,根据矩形框的中心像素的像素位置坐标、目标色彩通道的色彩深度和矩形框中图形对应的置信度范围的中点的均值为目标感知位置信息、目标感知移动信息和目标感知置信度信息。
本申请实施例中,通过训练初始特征提取网络,得到图像特征提取网络,可以利用图像特征提取网络对目标感知图像进行特征提取,提高特征提取的效率和准确性。
如图5所示,为本申请实施例提供的一种感知信息处理装置500的结构示意图。参照图5,上述装置包括:
获取模块501,用于获取多个感知装置采集的目标障碍物对应的多个障碍物感知信息;
确定模块503,用于基于所述多个障碍物感知信息和对应的感知装置的装置类型,确定所述目标障碍物对应的多个感知图像信息;
生成模块505,用于根据所述多个感知图像信息,生成目标感知图像;
特征提取模块507,用于对所述目标感知图像进行图像特征提取,得到所述目标障碍物的目标感知信息。
在一些实施例中,所述多个障碍物感知信息中的任一障碍物感知信息包括障碍物位置信息、障碍物移动信息和障碍物置信度信息;上述确定模块503包括:
第一确定单元,用于根据每一障碍物位置信息,确定所述目标障碍物对应的目标位置信息;
第二确定单元,用于根据每一障碍物移动信息和对应的感知装置的装置类型,确定所述目标障碍物对应的目标色彩信息;
第三确定单元,用于根据每一障碍物置信度信息,确定所述目标障碍物对应的目标形状信息;
第四确定单元,用于将所述目标位置信息、所述目标色彩信息和所述目标形状信息作为所述多个感知图像信息。
在一些实施例中,上述第一确定单元包括:
获取子单元,用于获取预设比例信息;
缩放处理子单元,用于根据所述预设比例信息,对所述每一障碍物位置信息进行缩放处理,得到所述目标位置信息。
在一些实施例中,所述第二确定单元包括:
获取子单元,用于获取预设的色彩通道映射信息;其中,所述色彩通道映射信息包括至少一个装置类型与对应的色彩通道的映射关系;
第一确定子单元,用于根据所述色彩通道映射信息和所述每一障碍物移动信息对应的感知装置的装置类型,确定所述每一障碍物移动信息对应的目标色彩通道;
色彩映射处理子单元,用于根据所述每一障碍物移动信息对应的目标色彩通道的色彩范围信息,对所述每一障碍物移动信息进行色彩映射处理,得到所述目标色彩深度;
第二确定子单元,用于将所述目标色彩通道和所述目标色彩深度作为所述目标色彩信息。
在一些实施例中,上述第三确定单元包括:
第一确定子单元,用于根据所述每一障碍物置信度信息,确定所述目标障碍物对应的目标置信度范围信息;
获取子单元,用于获取预设的形状映射信息;其中,所述形状映射信息包括至少一个置信度范围信息与对应的形状信息的映射关系;
第二确定子单元,用于根据所述形状映射信息和所述目标置信度范围信息,确定所述目标形状信息。
在一些实施例中,所述生成模块505包括:
获取单元,用于获取基础感知图像;
调整单元,用于根据所述目标位置信息、所述目标色彩信息和所述目标形状信息,调整所述基础感知图像的图像呈现信息,得到所述目标感知图像。
在一些实施例中,所述目标感知信息包括目标感知位置信息、目标感知移动信息和目标感知置信度信息;上述装置还包括:
避让模块,用于根据所述目标感知位置信息、所述目标感知移动信息和所述目标感知置信度信息,对所述目标障碍物进行避让。
所述的装置实施例中的装置与对应的方法实施例基于同样地发明构思。
本申请还提供了一种感知信息处理设备,所述设备包括处理器和存储器,所述存储器中存储有至少一条指令或至少一段程序、所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如方法实施例所述的感知信息处理方法。
所述的设备实施例中的设备与对应的方法实施例基于同样地发明构思。
本申请还提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如方法实施例所述的感知信息处理方法。
所述的计算机可读存储介质实施例中的计算机可读存储介质与对应的方法实施例基于同样地发明构思。
本申请实施例还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各种可选实现方式中提供的感知信息处理方法。
本申请实施例提供了一种感知信息处理服务器,该感知信息处理服务器包括处理器和存储器,该存储器中存储有至少一条指令、至少一段程序、代码集或指令集,该至少一条指令、该至少一段程序、该代码集或指令集由该处理器加载并执行以实现如上述方法实施例所提供的感知信息处理方法。
存储器可用于存储软件程序以及模块,处理器通过运行存储在存储器的软件程序以及模块,从而执行各种功能应用以及感知信息处理。存储器可主要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、功能所需的应用程序等;存储数据区可存储根据所述设备的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器还可以包括存储器控制器,以提供处理器对存储器的访问。
本申请实施例所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例,图6是本申请实施例提供的一种感知信息处理方法的服务器的硬件结构框图。如图6所示,该服务器600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(Central Processing Units,CPU)610(处理器610可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器630,一个或一个以上存储应用程序623或数据622的存储介质620(例如一个或一个以上海量存储设备)。其中,存储器630和存储介质620可以是短暂存储或持久存储。存储在存储介质620的程序可以包括一个或一个以上模块,每个模块可以包括对服务器中的一系列指令操作。更进一步地,中央处理器610可以设置为与存储介质620通信,在服务器600上执行存储介质620中的一系列指令操作。服务器600还可以包括一个或一个以上电源660,一个或一个以上有线或无线网络接口650,一个或一个以上输入输出接口640,和/或,一个或一个以上操作系统621,例如Windows Server,Mac OS X,Unix,Linux,FreeBSD等等。
输入输出接口640可以用于经由一个网络接收或者发送数据。上述的网络具体实例可包括服务器600的通信供应商提供的无线网络。在一个实例中,输入输出接口640包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,输入输出接口640可以为射频(RadioFrequency,RF)模块,其用于通过无线方式与互联网进行通讯。
本领域普通技术人员可以理解,图6所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,服务器600还可包括比图6中所示更多或者更少的组件,或者具有与图6所示不同的配置。
本申请的实施例还提供了一种存储介质,所述存储介质可设置于服务器之中以保存用于实现方法实施例中一种感知信息处理方法相关的至少一条指令、至少一段程序、代码集或指令集,该至少一条指令、该至少一段程序、该代码集或指令集由该处理器加载并执行以实现上述方法实施例提供的感知信息处理方法。
可选地,在本实施例中,上述存储介质可以位于计算机网络的多个网络服务器中的至少一个网络服务器。可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
由上述本申请提供的感知信息处理方法、装置、服务器或存储介质的实施例可见,本申请通过将多个障碍物感知信息的数据融合问题转化为目标感知图像的图像特征提取问题,在数据吞吐量大的应用场景中,也可以将多源异质的感知信息转化为感知图像,可满足感知装置技术快速发展、数据类型日益丰富的应用需求。基于此,本申请可以通过目标感知图像进行图像特征提取,得到目标感知信息,由于图像特征提取所需要的神经网络易于设计,可大大降低神经网络的设计复杂度,进而降低数据融合的复杂度。
需要说明的是:上述本申请实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种感知信息处理方法,其特征在于,所述方法包括:
获取多个感知装置采集的目标障碍物对应的多个障碍物感知信息;
基于所述多个障碍物感知信息和对应的感知装置的装置类型,确定所述目标障碍物对应的多个感知图像信息;
根据所述多个感知图像信息,生成目标感知图像;
对所述目标感知图像进行图像特征提取,得到所述目标障碍物的目标感知信息。
2.根据权利要求1所述的方法,其特征在于,所述多个障碍物感知信息中的任一障碍物感知信息包括障碍物位置信息、障碍物移动信息和障碍物置信度信息;所述基于所述多个障碍物感知信息和对应的感知装置的装置类型,确定所述目标障碍物对应的多个感知图像信息包括:
根据每一障碍物位置信息,确定所述目标障碍物对应的目标位置信息;
根据每一障碍物移动信息和对应的感知装置的装置类型,确定所述目标障碍物对应的目标色彩信息;
根据每一障碍物置信度信息,确定所述目标障碍物对应的目标形状信息;
将所述目标位置信息、所述目标色彩信息和所述目标形状信息作为所述多个感知图像信息。
3.根据权利要求2所述的方法,其特征在于,所述根据每一障碍物位置信息,确定所述目标障碍物对应的目标位置信息包括:
获取预设比例信息;
根据所述预设比例信息,对所述每一障碍物位置信息进行缩放处理,得到所述目标位置信息。
4.根据权利要求2所述的方法,其特征在于,所述根据每一障碍物移动信息和对应的感知装置的装置类型,确定所述目标障碍物对应的目标色彩信息包括:
获取预设的色彩通道映射信息;其中,所述色彩通道映射信息包括至少一个装置类型与对应的色彩通道的映射关系;
根据所述色彩通道映射信息和所述每一障碍物移动信息对应的感知装置的装置类型,确定所述每一障碍物移动信息对应的目标色彩通道;
根据所述每一障碍物移动信息对应的目标色彩通道的色彩范围信息,对所述每一障碍物移动信息进行色彩映射处理,得到目标色彩深度;
将所述目标色彩通道和所述目标色彩深度作为所述目标色彩信息。
5.据权利要求2所述的方法,其特征在于,所述根据每一障碍物置信度信息,确定所述目标障碍物对应的目标形状信息包括:
根据所述每一障碍物置信度信息,确定所述目标障碍物对应的目标置信度范围信息;
获取预设的形状映射信息;其中,所述形状映射信息包括至少一个置信度范围信息与对应的形状信息的映射关系;
根据所述形状映射信息和所述目标置信度范围信息,确定所述目标形状信息。
6.根据权利要求2所述的方法,其特征在于,所述根据所述多个感知图像信息,生成目标感知图像包括:
获取基础感知图像;
根据所述目标位置信息、所述目标色彩信息和所述目标形状信息,调整所述基础感知图像的图像呈现信息,得到所述目标感知图像。
7.根据权利要求2所述的方法,其特征在于,所述目标感知信息包括目标感知位置信息、目标感知移动信息和目标感知置信度信息;所述方法还包括:
根据所述目标感知位置信息、所述目标感知移动信息和所述目标感知置信度信息,对所述目标障碍物进行避让。
8.一种感知信息处理装置,其特征在于,所述装置包括:
获取模块,用于获取多个感知装置采集的目标障碍物对应的多个障碍物感知信息;
确定模块,用于基于所述多个障碍物感知信息和对应的感知装置的装置类型,确定所述目标障碍物对应的多个感知图像信息;
生成模块,用于根据所述多个感知图像信息,生成目标感知图像;
特征提取模块,用于对所述目标感知图像进行图像特征提取,得到所述目标障碍物的目标感知信息。
9.一种感知信息处理设备,所述设备包括处理器和存储器,所述存储器中存储有至少一条指令或至少一段程序、所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现权利要求1至7任一所述的感知信息处理方法。
10.一种计算机可读存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现权利要求1至7任一所述的感知信息处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110759639.8A CN113205087B (zh) | 2021-07-06 | 2021-07-06 | 一种感知信息处理方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110759639.8A CN113205087B (zh) | 2021-07-06 | 2021-07-06 | 一种感知信息处理方法、装置、设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113205087A true CN113205087A (zh) | 2021-08-03 |
CN113205087B CN113205087B (zh) | 2022-06-03 |
Family
ID=77022722
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110759639.8A Active CN113205087B (zh) | 2021-07-06 | 2021-07-06 | 一种感知信息处理方法、装置、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113205087B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114172915A (zh) * | 2021-11-05 | 2022-03-11 | 中汽创智科技有限公司 | 一种消息同步方法、自动驾驶系统、存储介质及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110147706A (zh) * | 2018-10-24 | 2019-08-20 | 腾讯科技(深圳)有限公司 | 障碍物的识别方法和装置、存储介质、电子装置 |
US20190317515A1 (en) * | 2018-04-16 | 2019-10-17 | Baidu Usa Llc | Method for generating trajectories for autonomous driving vehicles (advs) |
CN111753765A (zh) * | 2020-06-29 | 2020-10-09 | 北京百度网讯科技有限公司 | 感知设备的检测方法、装置、设备及存储介质 |
CN112085960A (zh) * | 2020-09-21 | 2020-12-15 | 北京百度网讯科技有限公司 | 车路协同信息处理方法、装置、设备及自动驾驶车辆 |
CN112344855A (zh) * | 2020-10-27 | 2021-02-09 | 北京百度网讯科技有限公司 | 障碍物的检测方法、装置、存储介质和路测设备 |
CN112560580A (zh) * | 2020-11-20 | 2021-03-26 | 腾讯科技(深圳)有限公司 | 障碍物识别方法、装置、系统、存储介质和电子设备 |
-
2021
- 2021-07-06 CN CN202110759639.8A patent/CN113205087B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190317515A1 (en) * | 2018-04-16 | 2019-10-17 | Baidu Usa Llc | Method for generating trajectories for autonomous driving vehicles (advs) |
CN110147706A (zh) * | 2018-10-24 | 2019-08-20 | 腾讯科技(深圳)有限公司 | 障碍物的识别方法和装置、存储介质、电子装置 |
CN111753765A (zh) * | 2020-06-29 | 2020-10-09 | 北京百度网讯科技有限公司 | 感知设备的检测方法、装置、设备及存储介质 |
CN112085960A (zh) * | 2020-09-21 | 2020-12-15 | 北京百度网讯科技有限公司 | 车路协同信息处理方法、装置、设备及自动驾驶车辆 |
CN112344855A (zh) * | 2020-10-27 | 2021-02-09 | 北京百度网讯科技有限公司 | 障碍物的检测方法、装置、存储介质和路测设备 |
CN112560580A (zh) * | 2020-11-20 | 2021-03-26 | 腾讯科技(深圳)有限公司 | 障碍物识别方法、装置、系统、存储介质和电子设备 |
Non-Patent Citations (1)
Title |
---|
赵琳等著: "《船舶导航定位系统》", 31 January 2011, 哈尔滨工程大学出版社 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114172915A (zh) * | 2021-11-05 | 2022-03-11 | 中汽创智科技有限公司 | 一种消息同步方法、自动驾驶系统、存储介质及电子设备 |
CN114172915B (zh) * | 2021-11-05 | 2023-10-31 | 中汽创智科技有限公司 | 一种消息同步方法、自动驾驶系统、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113205087B (zh) | 2022-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112069856B (zh) | 地图生成方法、驾驶控制方法、装置、电子设备及系统 | |
CN111462275B (zh) | 一种基于激光点云的地图生产方法和装置 | |
CN114413881B (zh) | 高精矢量地图的构建方法、装置及存储介质 | |
CN112382079B (zh) | 一种面向车路协同的路侧感知模拟仿真方法和系统 | |
CN111339876B (zh) | 用于识别场景中各区域类型的方法和装置 | |
CN110390314B (zh) | 一种视觉感知方法及设备 | |
CN111311709A (zh) | 一种生成高精地图的方法及装置 | |
JP2023508705A (ja) | データ伝送方法および装置 | |
CN114295139A (zh) | 一种协同感知定位方法及系统 | |
CN114612616A (zh) | 建图方法、装置、电子设备和存储介质 | |
CN114648471A (zh) | 点云处理方法、装置、电子设备和系统 | |
CN113205087B (zh) | 一种感知信息处理方法、装置、设备及计算机可读存储介质 | |
CN114091626B (zh) | 真值检测方法、装置、设备及存储介质 | |
CN116839564A (zh) | 一种高精地图构建辅助方法、设备及介质 | |
CN113286081A (zh) | 机场全景视频的目标识别方法、装置、设备及介质 | |
CN111950428A (zh) | 目标障碍物识别方法、装置及运载工具 | |
CN115457354A (zh) | 融合方法、3d目标检测方法、车载设备及存储介质 | |
CN113379748A (zh) | 一种点云全景分割方法和装置 | |
CN114627395A (zh) | 基于嵌套靶标的多旋翼无人机角度分析方法、系统及终端 | |
CN114299230A (zh) | 一种数据生成方法、装置、电子设备及存储介质 | |
CN116309943B (zh) | 一种停车场语义地图路网构建方法、装置及电子设备 | |
CN115471574B (zh) | 外参的确定方法、装置、存储介质及电子装置 | |
KR102540624B1 (ko) | 항공 라이다를 이용한 지도 생성 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램 | |
WO2022152110A1 (zh) | 对象追踪、地物追踪方法、设备、系统及存储介质 | |
CN111652062B (zh) | 一种基于无人驾驶的样本图像处理方法、装置及介质 |
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 |