CN113421298A - 车辆测距方法、车辆控制装置、车辆及可读存储介质 - Google Patents

车辆测距方法、车辆控制装置、车辆及可读存储介质 Download PDF

Info

Publication number
CN113421298A
CN113421298A CN202110674974.8A CN202110674974A CN113421298A CN 113421298 A CN113421298 A CN 113421298A CN 202110674974 A CN202110674974 A CN 202110674974A CN 113421298 A CN113421298 A CN 113421298A
Authority
CN
China
Prior art keywords
vehicle
distance value
image data
data
prediction model
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
Application number
CN202110674974.8A
Other languages
English (en)
Inventor
李胡送
李杨柳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Gaoge Communication Technology Co ltd
Original Assignee
Shenzhen Gaoge Communication Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Gaoge Communication Technology Co ltd filed Critical Shenzhen Gaoge Communication Technology Co ltd
Priority to CN202110674974.8A priority Critical patent/CN113421298A/zh
Publication of CN113421298A publication Critical patent/CN113421298A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种车辆测距方法、车辆控制装置、车辆及可读存储介质，方法包括：通过车载单目摄像装置获取车辆行驶方向对应的第一图像数据；将所述第一图像数据输入预先训练的预测模型，其中，所述预测模型根据所述第一图像数据预测车辆与目标物体之间的距离值，并输出所述距离值；根据所述距离值确定车辆相应的控制动作。解决了通过双目摄像装置测距成本高的技术问题。

Description

车辆测距方法、车辆控制装置、车辆及可读存储介质
技术领域
本申请涉及人工智能领域，尤其涉及一种车辆测距方法、装置及可读存储介质。
背景技术
随着车辆智能化、网联化技术的发展，基于车路协同的无人车自动驾驶技术逐渐成为智能交通研究领域的一个热点。在车辆行驶的过程中，需要获取车辆与目标物体(例如，行人)的距离值，进而判断是否进行避让。
现阶段中，主要是通过双目测距的方式测量车辆与目标物体的距离值，但是双目测距需的成本较高。
发明内容
本申请实施例通过提供一种车辆测距方法、车辆控制装置、车辆及可读存储介质，旨在解决通过双目摄像装置测距成本高的问题。
为实现上述目的，本申请一方面提供一种车辆测距方法，包括：
通过车载单目摄像装置获取车辆行驶方向对应的第一图像数据；
将所述第一图像数据输入预先训练的预测模型，其中，所述预测模型根据所述第一图像数据预测车辆与目标物体之间的距离值，并输出所述距离值；
根据所述距离值确定车辆相应的控制动作。
可选地，所述将所述第一图像数据输入预先训练的预测模型的步骤之前，包括：
获取作为训练样本数据的第二图像数据，所述第二图像数据中各个物体与车载之间的距离值已标注；
将所述第二图像数据输入预设的目标检测网络模型进行训练，得到所述预测模型。
可选地，所述将所述第二图像数据输入预设的目标检测网络模型进行训练，得到所述预测模型的步骤，包括：
将所述第二图像数据输入所述目标检测网络模型的输入层；
获取所述目标检测网络模型的输出层的输出数据，所述输出数据包括预测距离值；
将所述预测距离值与所述第二图像标记的距离值进行评估，根据评估结果反向修正所述目标检测网络模型的参数，得到所述预测模型。
可选地，所述获取所述目标检测网络模型的输出层的输出数据的步骤之前，包括：
在所述目标检测网络模型的输出层中增加预测距离值的分支，以在所述目标检测网络模型的输出层的输出数据中获取预测距离值。
可选地，所述将所述预测距离值与所述第二图像标记的距离值进行评估的步骤，还包括：
使用交叉熵损失函数对所述预测距离值与所述第二图像标记的距离值进行评估。
可选地，所述输出数据包括分类数据和位置数据，所述将所述第二图像数据输入所述目标检测网络模型的输入层的步骤之后，包括：
将所述第二图像中标记的分类数据与所述输出数据的分类数据进行对比，以及和将所述第二图像中标记的位置数据与所述输出数据的位置数据进行对比，根据对比结果修正所述目标检测网络模型，得到所述预测模型。
可选地，所述将所述第二图像数据输入预设的目标检测网络模型进行训练，得到所述预测模型的步骤之后，还包括：
将第三图像数据输入所述预测模型，根据输出结果确定所述预测模型的准确性。
此外，在本实施例中还提供一种车辆测距装置，包括：
获取模块，用于通过车载单目摄像装置获取车辆行驶方向对应的第一图像数据；
输入模块，用于将所述第一图像数据输入预先训练的预测模型，其中，所述预测模型根据所述第一图像数据预测车辆与目标物体之间的距离值，并输出所述距离值；
确定模块，用于根据所述距离值确定车辆控制动作。
此外，在本实施例中一种车辆，所述车辆包括处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的车辆测距程序，所述车辆测距程序被所述处理器执行时实现如上任一项车辆测距方法的步骤。
此外，在本实施例中一种计算机可读存储介质，所述计算机可读存储介质上存储有车辆测距程序，所述车辆测距程序被处理器执行时实现如上任一项车辆测距方法的步骤。
在本实施例中，通过单目摄像装置获取车辆行驶方向上的第一图像数据，进而将第一图像数据输入到预先训练的预测模型中，使得预先训练的预测模型根据第一图像数据预测车辆与目标物之间的距离值，并输出距离值，车辆进而根据距离值执行相应的控制动作。实现了通过单目摄像装置即可得到行驶过程中车辆与目标物体之间的距离值，不需要通过双目摄像装置计算得到，降低了获取车辆与目标物体之间的距离值的成本。
附图说明
图1为本申请实施例方案涉及的硬件运行环境的终端结构示意图；
图2为本申请车辆测距方法一实施例的流程示意图；
图3为本申请车辆测距方法又一实施例流程示意图；
图4为本申请车辆测距方法另一实施例的流程示意图；
图5为本申请车辆测距方法又一实施例的流程示意图；
图6为本申请车辆测距方法功能模块示意图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
本申请实施例的主要解决方案是：通过车载单目摄像装置获取车辆行驶方向对应的第一图像数据；将所述第一图像数据输入预先训练的预测模型，其中，所述预测模型根据所述第一图像数据预测车辆与目标物体之间的距离值，并输出所述距离值；根据所述距离值确定车辆相应的控制动作。
现有技术中，主要是通过双目测距的方式测量车辆与目标物体的距离值，但是双目测距需的成本较高。
如图1所示，图1为本申请实施例方案涉及的硬件运行环境的终端结构示意图。
如图1所示，该终端可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地，终端还可以包括摄像头、RF(Radio Frequency，射频)电路，传感器、遥控器、音频电路、WiFi模块、检测器等等。当然，终端还可配置陀螺仪、气压计、湿度计、温度传感器等其他传感器，在此不再赘述。
本领域技术人员可以理解，图1中示出的终端结构并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机可读存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及车辆控制程序。
在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的车辆控制程序，并执行以下操作：
通过车载单目摄像装置获取车辆行驶方向对应的第一图像数据；
将所述第一图像数据输入预先训练的预测模型，其中，所述预测模型根据所述第一图像数据预测车辆与目标物体之间的距离值，并输出所述距离值；
根据所述距离值确定车辆相应的控制动作。
参考图2，图2为本申请车辆测距方法一实施例的流程示意图。
本申请实施例提供了车辆测距方法的实施例，需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
车辆测距方法包括：
步骤S10，通过车载单目摄像装置获取车辆行驶方向对应的第一图像数据；
第一图像数据为车载行驶过程中通过单目摄像装置拍摄到的图像数据，可以理解的是，第一图像数据中包括拍摄到的在车辆行驶方向上的物体，例如行人、车辆、护栏等。
单目摄像装置可以装在前车牌架下方或者车牌架上，还可以装在车前右侧一边，这样可以看得到右边的盲区，或者安装在左后视镜下方和右后视镜下方，可以看前方的盲区。在本实施例中，不对单目摄像装置的安装位置进行限制，其能够获取到车辆行驶方向上的图像数据即可。
步骤S20，将所述第一图像数据输入预先训练的预测模型，其中，所述预测模型根据所述第一图像数据预测车辆与目标物体之间的距离值，并输出所述距离值；
在获取到第一图像数据后，将第一图像数据输入至预先训练的预测模型。将获取到的第一图像数据输入预测模型中，以通过预测模型通过第一图像数据预测车辆与目标物体之间的距离值，并输出距离值。
预测模型为经过训练得到的目标检测模型，其可以为YOLO模型、SSD模型经过迁移学习训练后得到。
目标物体即在第一图像数据中存在的物体。
可选地，在本申请中，预测模型可以通过YOLO模型训练得到。可将通过双目摄像装置或者单目摄像装置结合测距传感器获取到的带有距离值信息的图像数据作为训练YOLO模型的样本数据输入至YOLO模型的输入层，可以理解的是，在YOLO模型的输出层中，将输出层输出的距离值与样本数据中各个目标物体的标记的距离值通过MSE Loss评估，Loss值越小，预测值和实际值越接近，通过梯度下降算法减小Loss值，同时反方向修正YOLO模型中各层的参数(各个卷积层的权重)，直至在输出层输出的数据与标记的距离值相等。可以理解的是，样本数据中标记的距离值为车辆与目标物体之间的距离值。
步骤S30，根据所述距离值确定车辆相应的控制动作。
在本申请中，通过预测模型得到车辆与目标物体之间的距离值，控制车辆根据距离值作出对应的控制动作。
控制动作包括刹车、减速、加速等。
具体地，车辆通过YOLO模型中的分类可得到前方物体的类别，例如，车载行驶的过程中，通过单目摄像装置获取到第一图像，将第一图像传送至预测模型，预测模型的输出层中的输出数据包括第一图像中物体的类别、车辆与物体之间的距离值以及物体的位置(物体在第一图像中的位置)，通过输出数据识别到车辆行驶前方存在行人，且车辆与行人的距离值为5米，则控制车辆减速行驶或者停车等候。
在本实施例中，通过单目摄像装置获取车辆行驶方向上的第一图像数据，进而将第一图像数据输入到预先训练的预测模型中，使得预先训练的预测模型根据第一图像数据预测车辆与目标物之间的距离值，并输出距离值，车辆进而根据距离值执行相应的控制动作。实现了通过单目摄像装置即可得到行驶过程中车辆与目标物体之间的距离值，不需要通过双目摄像装置计算得到，降低了获取车辆与目标物体之间的距离值的成本。
参照图3，图3为本申请的又一实施例流程示意图。所述将所述第一图像数据输入预先训练的预测模型的步骤之前，包括：
步骤S01，获取作为训练样本数据的第二图像数据，所述第二图像数据中各个物体与车载之间的距离值已标注；
步骤S02，将所述第二图像数据输入预设的目标检测网络模型进行训练，得到所述预测模型。
第二图像数据为用来进行训练，以获取到预测模型的数据，第二图像数据也叫训练集。在本实施例中目标检测网络模型根据第二图像数据中的特征信息，在输出层中得到目标数据，进而通过目标数据与第二图像中已标注的数据进行比对，修改各连接层之间的参数的模型。在第二图像数据中各个物体与车辆之间的距离值已标注。
目标检测网络模型为根据输入层输入的图像数据，通过对图像数据进行降维，最后在输出层输出图像数据中存在的目标物体的类别、位置、距离值的模型。在本实施例中目标检测网络模型可以为YOLO系列的卷积神经网络模型，或者SSD模型中的任意一种。通过将已标记的第二图像数据输入目标检测网络模型进行训练，得到所述预测模型，提高了获取到的预测模型的准确性。
进一步地，所述将所述第二图像数据输入预设的目标检测网络模型进行训练，得到所述预测模型的步骤，包括：
步骤S021，将所述第二图像数据输入所述目标检测网络模型的输入层；
步骤S022，获取所述目标检测网络模型的输出层的输出数据，所述输出数据包括预测距离值；
步骤S023，将所述预测距离值与所述第二图像标记的距离值进行评估，根据评估结果反向修正所述目标检测网络模型的参数，得到所述预测模型。
进一步地，在本实施例中在所述目标检测网络模型(YOLO)的输出层中增加预测距离值的分支，以在所述目标检测网络模型的输出层的输出数据中获取预测距离值。其中，通过使用交叉熵损失函数计算预测距离值分支中距离值的置信度的损失，以及使用均方差误差损失函数计算距离值的损失。
即，在本实施例中，原YOLO模型的输出层中只有对输入的第二图像数据进行分类、以及位置确定两个分支。基于此，本申请修改整个YOLO神经网络的输出层，即基于原YOLO模型的输出层中增加计算预测距离值的分支。则，在预测距离值的分支中，距离值的置信度的激活函数为Softmax，损失函数为交叉熵损失函数；计算距离值的激活函数为Relu，对应的损失函数为均方差损失函数，具体地，均方差损失函数如下：
Figure BDA0003120220520000071
其中y(χ)为第二图像数据中已标注的距离值，aL(χ)为已预测的距离值，n为进行训练的第二图像数据的量。
在本实施例中，通过将预测的距离值与已标注的距离值使用交叉熵损失函数进行评估，进而修正目标检测网络模型中的参数，直至交叉熵损失函数的值无限接近于零时，则确定得到预测模型。
进一步地，在本实施例中还可通过损失函数计算每个预测的修正框的类别得分、置信度得分、框的中心坐标和宽高相对于真实的标定框类别、中心坐标和宽高的损失，距离值的损失经过反向传播对目标检测网络模型中的参数(权重)更新，得到更新后的目标检测网络模型。按照所述方法，不断对目标检测网络模型进行训练，直至训练得到的距离值的损失小于预设值，得到最终的基于YOLO神经网络的预测模型。
在本实施例中，通过将已标记的第二图像数据输入目标检测网络模型进行训练，得到所述预测模型，提高了获取到的预测模型的准确性。
参照图4，图4为本申请另一流程示意图。所述输出数据包括分类数据和位置数据，所述将所述第二图像数据输入所述目标检测网络模型的输入层的步骤之后，包括：
步骤S40，将所述第二图像中标记的分类数据与所述输出数据的分类数据进行对比，以及和将所述第二图像中标记的位置数据与所述输出数据的位置数据进行对比，根据对比结果修正所述目标检测网络模型，得到所述预测模型。
在本实施例中，还可进一步地标注第二图像数据中存在的目标物体的分类数据和位置数据，当目标检测网络中得到的分类数据和位置数据与已标注的分类数据和位置数据不一致时，则继续反向修正目标检测网络中的参数，提高了获取到的预测模型的准确性。
参照图5，图5为本申请又一流程示意图。所述将所述第二图像数据输入预设的目标检测网络模型进行训练，得到所述预测模型的步骤之后，还包括：
步骤S50，将第三图像数据输入所述预测模型，根据输出结果确定所述预测模型的准确性。
第三图像数据为对得到的预测模型进行校验的数据，也就是验证集，校验通过时，则确定得到的预测模型为可使用进行距离值预测的模型。例如，在本实施例中第三图像数据的量可设置为200份样本数据。在本实施例中，第二图像数据的量可设置为1000份样本数据。可以理解的是，第三图像数据中目标物体的类别、位置、距离值为已标注的数据。
将200份第三图像数据输入至预测模型的输入层，进而得到当前的预测模型的输出层中输出的数据(类别、位置、距离值)，将预测模型的输出层中输出的数据与已标注的数据进行比对得到误差值，确定误差值小于预设阈值时，则确定当前生成的预测模型为最终需要获取的预测模型。
在本申请中，使用第三图像数据对当前的预测模型进行校验，校验通过时则确定生成预测模型，提高了预测模型的正确率。
此外，在本实施例中还提供一种车辆测距装置，包括：
获取模块10，用于通过车载单目摄像装置获取车辆行驶方向对应的第一图像数据；
输入模块20，用于将所述第一图像数据输入预先训练的预测模型，其中，所述预测模型根据所述第一图像数据预测车辆与目标物体之间的距离值，并输出所述距离值；
确定模块30，用于根据所述距离值确定车辆控制动作。
此外，在本实施例中一种车辆，所述车辆包括处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的车辆测距程序，所述车辆测距程序被所述处理器执行时实现如上任一项车辆测距方法的步骤。
此外，在本实施例中一种计算机可读存储介质，所述计算机可读存储介质上存储有车辆测距程序，所述车辆测距程序被处理器执行时实现如上任一项车辆测距方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本申请可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本申请的可选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括可选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (10)

1.一种车辆测距方法，其特征在于，所述车辆测距方法包括：
通过车载单目摄像装置获取车辆行驶方向对应的第一图像数据；
将所述第一图像数据输入预先训练的预测模型，其中，所述预测模型根据所述第一图像数据预测车辆与目标物体之间的距离值，并输出所述距离值；
根据所述距离值确定车辆相应的控制动作。
2.如权利要求1所述的车辆测距方法，其特征在于，所述将所述第一图像数据输入预先训练的预测模型的步骤之前，包括：
获取作为训练样本数据的第二图像数据，所述第二图像数据中各个物体与车载之间的距离值已标注；
将所述第二图像数据输入预设的目标检测网络模型进行训练，得到所述预测模型。
3.如权利要求2所述的车辆测距方法，其特征在于，所述将所述第二图像数据输入预设的目标检测网络模型进行训练，得到所述预测模型的步骤，包括：
将所述第二图像数据输入所述目标检测网络模型的输入层；
获取所述目标检测网络模型的输出层的输出数据，所述输出数据包括预测距离值；
将所述预测距离值与所述第二图像标记的距离值进行评估，根据评估结果反向修正所述目标检测网络模型的参数，得到所述预测模型。
4.如权利要求3所述的车辆测距方法，其特征在于，所述获取所述目标检测网络模型的输出层的输出数据的步骤之前，包括：
在所述目标检测网络模型的输出层中增加预测距离值的分支，以在所述目标检测网络模型的输出层的输出数据中获取预测距离值。
5.如权利要求3所述的车辆测距方法，其特征在于，所述将所述预测距离值与所述第二图像标记的距离值进行评估的步骤，还包括：
使用交叉熵损失函数对所述预测距离值与所述第二图像标记的距离值进行评估。
6.如权利要求3所述的车辆测距方法，其特征在于，所述输出数据包括分类数据和位置数据，所述将所述第二图像数据输入所述目标检测网络模型的输入层的步骤之后，包括：
将所述第二图像中标记的分类数据与所述输出数据的分类数据进行对比，以及和将所述第二图像中标记的位置数据与所述输出数据的位置数据进行对比，根据对比结果修正所述目标检测网络模型，得到所述预测模型。
7.如权利要求2所述的车辆测距方法，其特征在于，所述将所述第二图像数据输入预设的目标检测网络模型进行训练，得到所述预测模型的步骤之后，还包括：
将第三图像数据输入所述预测模型，根据输出结果确定所述预测模型的准确性。
8.一种车辆测距装置，其特征在于，包括：
获取模块，用于通过车载单目摄像装置获取车辆行驶方向对应的第一图像数据；
输入模块，用于将所述第一图像数据输入预先训练的预测模型，其中，所述预测模型根据所述第一图像数据预测车辆与目标物体之间的距离值，并输出所述距离值；
确定模块，用于根据所述距离值确定车辆控制动作。
9.一种车辆，其特征在于，所述车辆包括处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的车辆测距程序，所述车辆测距程序被所述处理器执行时实现如权利要求1至7任一项车辆测距方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有车辆测距程序，所述车辆测距程序被处理器执行时实现如权利要求1至7中任一项车辆测距方法的步骤。
CN202110674974.8A 2021-06-17 2021-06-17 车辆测距方法、车辆控制装置、车辆及可读存储介质 Pending CN113421298A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110674974.8A CN113421298A (zh) 2021-06-17 2021-06-17 车辆测距方法、车辆控制装置、车辆及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110674974.8A CN113421298A (zh) 2021-06-17 2021-06-17 车辆测距方法、车辆控制装置、车辆及可读存储介质

Publications (1)

Publication Number Publication Date
CN113421298A true CN113421298A (zh) 2021-09-21

Family

ID=77788969

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110674974.8A Pending CN113421298A (zh) 2021-06-17 2021-06-17 车辆测距方法、车辆控制装置、车辆及可读存储介质

Country Status (1)

Country Link
CN (1) CN113421298A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114495041A (zh) * 2022-01-27 2022-05-13 北京合众思壮时空物联科技有限公司 车辆与目标物之间距离的测量方法、装置、设备及介质
CN116822794A (zh) * 2023-06-29 2023-09-29 车控(北京)科技有限公司 车辆智能驾驶表现的评估方法、系统及包括该系统的车辆

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109029363A (zh) * 2018-06-04 2018-12-18 泉州装备制造研究所 一种基于深度学习的目标测距方法
CN110068302A (zh) * 2019-03-07 2019-07-30 中科院微电子研究所昆山分所 一种基于深度神经网络的车辆测距方法
WO2019201163A1 (zh) * 2018-04-20 2019-10-24 深圳市商汤科技有限公司 前向碰撞控制方法和装置、电子设备、程序和介质
WO2020098297A1 (zh) * 2018-11-15 2020-05-22 众安信息技术服务有限公司 一种前车距离检测方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019201163A1 (zh) * 2018-04-20 2019-10-24 深圳市商汤科技有限公司 前向碰撞控制方法和装置、电子设备、程序和介质
CN109029363A (zh) * 2018-06-04 2018-12-18 泉州装备制造研究所 一种基于深度学习的目标测距方法
WO2020098297A1 (zh) * 2018-11-15 2020-05-22 众安信息技术服务有限公司 一种前车距离检测方法及系统
CN110068302A (zh) * 2019-03-07 2019-07-30 中科院微电子研究所昆山分所 一种基于深度神经网络的车辆测距方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114495041A (zh) * 2022-01-27 2022-05-13 北京合众思壮时空物联科技有限公司 车辆与目标物之间距离的测量方法、装置、设备及介质
CN116822794A (zh) * 2023-06-29 2023-09-29 车控(北京)科技有限公司 车辆智能驾驶表现的评估方法、系统及包括该系统的车辆

Similar Documents

Publication Publication Date Title
CN109213134B (zh) 生成自动驾驶策略的方法和装置
US11586856B2 (en) Object recognition device, object recognition method, and object recognition program
CN105892471B (zh) 汽车自动驾驶方法和装置
CN113366496A (zh) 用于粗略和精细对象分类的神经网络
US11391825B2 (en) Sensor calibration parameter sensitivity analysis
JP2019185347A (ja) 物体認識装置、及び、物体認識方法
CN112307978B (zh) 目标检测方法、装置、电子设备及可读存储介质
CN111108539A (zh) 行驶支持方法以及行驶支持装置
CN113421298A (zh) 车辆测距方法、车辆控制装置、车辆及可读存储介质
US12027052B2 (en) Computer-implemented method for determining similarity values of traffic scenarios
US11657635B2 (en) Measuring confidence in deep neural networks
CN114694123B (zh) 交通信号灯感知方法、装置、设备及存储介质
US20230159047A1 (en) Learning-based critic for tuning a motion planner of autonomous driving vehicle
CN116964588A (zh) 一种目标检测方法、目标检测模型训练方法及装置
CN112534446A (zh) 电子控制装置、神经网络更新系统
CN112179359B (zh) 一种地图匹配方法、装置、电子设备和存储介质
CN115956190A (zh) 用于提供高分辨率数字地图的方法和设备
CN113614809B (zh) 车辆控制用运算装置、车辆控制装置及车辆控制用运算方法
CN116451590A (zh) 自动驾驶仿真测试平台的仿真方法及装置
US11912289B2 (en) Method and device for checking an AI-based information processing system used in the partially automated or fully automated control of a vehicle
US20220405573A1 (en) Calibration for a distributed system
CN115688254A (zh) 自动驾驶风险预测方法、装置、存储介质及电子设备
CN113627562A (zh) 一种目标检测方法、装置、设备及存储介质
CN115985124B (zh) 车辆行驶的控制方法、装置、存储介质及电子装置
US11792356B2 (en) Validation of infrared (IR) camera distortion accuracy

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