CN114419604B - 障碍物信息生成方法、装置、电子设备和计算机可读介质 - Google Patents

障碍物信息生成方法、装置、电子设备和计算机可读介质 Download PDF

Info

Publication number
CN114419604B
CN114419604B CN202210308532.6A CN202210308532A CN114419604B CN 114419604 B CN114419604 B CN 114419604B CN 202210308532 A CN202210308532 A CN 202210308532A CN 114419604 B CN114419604 B CN 114419604B
Authority
CN
China
Prior art keywords
sequence
detection information
obstacle detection
obstacle
course angle
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.)
Active
Application number
CN202210308532.6A
Other languages
English (en)
Other versions
CN114419604A (zh
Inventor
胡禹超
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.)
Heduo Technology Guangzhou Co ltd
Original Assignee
HoloMatic Technology Beijing 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 HoloMatic Technology Beijing Co Ltd filed Critical HoloMatic Technology Beijing Co Ltd
Priority to CN202210308532.6A priority Critical patent/CN114419604B/zh
Publication of CN114419604A publication Critical patent/CN114419604A/zh
Application granted granted Critical
Publication of CN114419604B publication Critical patent/CN114419604B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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

Landscapes

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

Abstract

本公开的实施例公开了障碍物信息生成方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：对预获取的道路图像序列中的各个道路图像进行障碍物检测，得到障碍物检测信息序列集；基于障碍物检测信息序列中障碍物检测信息包括的检测关键点坐标序列，对障碍物检测信息序列中的各个障碍物检测信息进行筛选，得到筛选后障碍物检测信息序列；基于筛选后障碍物检测信息序列中各个筛选后障碍物检测信息包括的检测关键点坐标序列，对各个筛选后障碍物检测信息包括的检测航向角进行优化处理，得到目标航向角序列；将目标航向角序列确定为障碍物信息。该实施方式可以提高生成的障碍物信息的准确度。

Description

障碍物信息生成方法、装置、电子设备和计算机可读介质
技术领域
本公开的实施例涉及计算机技术领域，具体涉及障碍物信息生成方法、装置、电子设备和计算机可读介质。
背景技术
障碍物信息生成方法，是确定道路图像中障碍物信息的一项技术。目前，在生成障碍物信息（例如，障碍物为其它车辆时，障碍物信息可以是其它车辆的航向角）时，通常采用的方式为：通过神经网络对道路图像进行识别的方法生成障碍物信息。
然而，当采用上述方式进行障碍物信息生成时，经常会存在如下技术问题：
第一，若道路图像中存在障碍物车辆被遮挡的情况，则该障碍物车辆的特征会减少，从而，导致生成的障碍物信息的准确度降低。
第二，由于视角因素导致道路图像中存在被截断的障碍物特征，会导致神经网络难以区分障碍物的航向角是否存在旋转的情况，从而，导致生成的障碍物信息的准确度降低。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了障碍物信息生成方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面，本公开的一些实施例提供了一种障碍物信息生成方法，该方法包括：对预获取的道路图像序列中的各个道路图像进行障碍物检测，得到障碍物检测信息序列集，其中，上述障碍物检测信息序列集中的障碍物检测信息包括：检测航向角和检测关键点坐标序列；对于上述障碍物检测信息序列集中的每个障碍物检测信息序列，执行如下生成步骤：基于上述障碍物检测信息序列中障碍物检测信息包括的检测关键点坐标序列，对上述障碍物检测信息序列中的各个障碍物检测信息进行筛选，得到筛选后障碍物检测信息序列；基于上述筛选后障碍物检测信息序列中各个筛选后障碍物检测信息包括的检测关键点坐标序列，对上述各个筛选后障碍物检测信息包括的检测航向角进行优化处理，得到目标航向角序列；将上述目标航向角序列确定为障碍物信息。
第二方面，本公开的一些实施例提供了一种障碍物信息生成装置，该装置包括：检测单元，被配置成对预获取的道路图像序列中的各个道路图像进行障碍物检测，得到障碍物检测信息序列集，其中，上述障碍物检测信息序列集中的障碍物检测信息包括：检测航向角和检测关键点坐标序列；生成单元，被配置成对于上述障碍物检测信息序列集中的每个障碍物检测信息序列，执行如下生成步骤：筛选子单元，被配置成基于上述障碍物检测信息序列中障碍物检测信息包括的检测关键点坐标序列，对上述障碍物检测信息序列中的各个障碍物检测信息进行筛选，得到筛选后障碍物检测信息序列；优化子单元，被配置成基于上述筛选后障碍物检测信息序列中各个筛选后障碍物检测信息包括的检测关键点坐标序列，对上述各个筛选后障碍物检测信息包括的检测航向角进行优化处理，得到目标航向角序列；确定子单元，被配置成将上述目标航向角序列确定为障碍物信息。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的障碍物信息生成方法，可以提高生成的障碍物信息的准确度。具体来说，造成生成的障碍物信息的准确度降低的原因在于：若道路图像中存在障碍物车辆被遮挡的情况，则该障碍物车辆的特征会减少。基于此，本公开的一些实施例的障碍物信息生成方法，首先，对预获取的道路图像序列中的各个道路图像进行障碍物检测，得到障碍物检测信息序列集，其中，上述障碍物检测信息序列集中的障碍物检测信息包括：检测航向角和检测关键点坐标序列。通过生成检测关键点坐标序列，可以在一定程度上确保道路图像中即使存在障碍物车辆被遮挡的情况，也可以进行障碍物信息生成。然后，对于上述障碍物检测信息序列集中的每个障碍物检测信息序列，执行如下生成步骤：基于上述障碍物检测信息序列中障碍物检测信息包括的检测关键点坐标序列，对上述障碍物检测信息序列中的各个障碍物检测信息进行筛选，得到筛选后障碍物检测信息序列。通过筛选可以去除在上述遮挡情况下提取的不准确的关键点。以此，可以提高筛选后障碍物检测信息序列的准确度，以供提高后续步骤的准确度。之后，基于上述筛选后障碍物检测信息序列中各个筛选后障碍物检测信息包括的检测关键点坐标序列，对上述各个筛选后障碍物检测信息包括的检测航向角进行优化处理，得到目标航向角序列。通过优化处理，可以提高生成的检测航向角的准确度。最后，将上述目标航向角序列确定为障碍物信息。由此，可以提高生成的障碍物信息的准确度。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是根据本公开的障碍物信息生成方法的一些实施例的流程图；
图2是根据本公开的障碍物信息生成方法的另一些实施例的流程图；
图3是根据本公开的障碍物信息生成装置的一些实施例的结构示意图；
图4是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1示出了根据本公开的障碍物信息生成方法的一些实施例的流程100。该障碍物信息生成方法的流程100，包括以下步骤：
步骤101，对预获取的道路图像序列中的各个道路图像进行障碍物检测，得到障碍物检测信息序列集。
在一些实施例中，障碍物信息生成方法的执行主体可以对预获取的道路图像序列中的各个道路图像进行障碍物检测，得到障碍物检测信息序列集。其中，上述障碍物检测信息序列集中的障碍物检测信息可以包括：检测航向角和检测关键点坐标序列。道路图像序列可以是车载相机拍摄的连续帧图像。上述道路图像序列中的各个道路图像可以是对应同一障碍物车辆的连续帧道路图像。因此，障碍物检测信息包括的检测航向角和检测关键点坐标序列可以表征不同时刻的、同一障碍物车辆的障碍物信息。可以通过预设的障碍物检测模型对预获取的道路图像序列中的各个道路图像进行障碍物检测，得到障碍物检测信息序列集。另外，检测关键点坐标序列中的每个检测关键点坐标可以表征障碍物车辆的每个车轮的最外侧与地面的接触点。检测关键点坐标序列中的各个检测关键点坐标可以是按照预设的顺序进行排列的。实践中，由于道路图像中存在障碍物车辆被遮挡的情况，因此障碍物检测模型实际检测到的关键点数量不是一定的。检测关键点坐标序列中的检测关键点坐标的数量可以是障碍物检测模型实际检测到的关键点数量。
作为示例，上述预设的顺序可以是顺时针顺序或逆时针顺序，例如逆时针顺序：右前轮、左前轮、左后轮、右后轮的顺序。具体的，检测关键点坐标序列中的检测关键点坐标的数量可以是：一个、两个、三个或四个。障碍物检测模型可以包括但不限于以下至少一项：GUP （Geometry Uncertainty Projection，单目三维目标检测网络）、SegNet（图像语义分割深度网络）、FCN（Fully Convolutional Networks，全卷机神经网络）模型等。
步骤102，对于障碍物检测信息序列集中的每个障碍物检测信息序列，执行如下生成步骤：
步骤1021，基于障碍物检测信息序列中障碍物检测信息包括的检测关键点坐标序列，对障碍物检测信息序列中的各个障碍物检测信息进行筛选，得到筛选后障碍物检测信息序列。
在一些实施例中，上述执行主体可以基于上述障碍物检测信息序列中障碍物检测信息包括的检测关键点坐标序列，对上述障碍物检测信息序列中的各个障碍物检测信息进行筛选，得到筛选后障碍物检测信息序列。其中，可以通过预设的筛选模型，对上述障碍物检测信息序列中的各个障碍物检测信息进行筛选，得到筛选后障碍物检测信息序列。上述筛选模型可以包括但不限于以下至少一项：HC（Hierarchical Clustering，层次聚类）算法、HAC（Hierarchical Agglomerative Clustering，凝聚式层次聚类）算法、GMM（GaussianMixture Model，高斯混合模型）聚类算法、分层聚类算法和K均值聚类算法等。
在一些实施例的一些可选的实现方式中，上述执行主体基于上述障碍物检测信息序列中障碍物检测信息包括的检测关键点坐标序列，对上述障碍物检测信息序列中的各个障碍物检测信息进行筛选，得到筛选后障碍物检测信息序列，可以包括以下步骤：
响应于确定上述障碍物检测信息序列中障碍物检测信息包括的检测关键点坐标序列中检测关键点坐标的数量满足预设筛选条件，将满足上述预设筛选条件的障碍物检测信息确定为筛选后障碍物检测信息，得到筛选后障碍物检测信息序列。其中，上述预设筛选条件可以是检测关键点坐标序列中检测关键点坐标的数量大于1。另外，若检测关键点坐标序列中包括两个检测关键点坐标。那么，两个检测关键点坐标应当表征障碍物车辆的相邻两个车轮最外侧与地面的接触点。由此，可以得到满足上述预设筛选条件的障碍物检测信息。
实践中，通过引入预设筛选条件，可以去除不满足预设筛选条件的障碍物检测信息。进而，避免在后续对检测航向角进行优化处理时，不能形成约束条件，造成优化失败的情况。以此，可以提高生成障碍物信息的准确度。
步骤1022，基于筛选后障碍物检测信息序列中各个筛选后障碍物检测信息包括的检测关键点坐标序列，对各个筛选后障碍物检测信息包括的检测航向角进行优化处理，得到目标航向角序列。
在一些实施例中，上述执行主体基于上述筛选后障碍物检测信息序列中各个筛选后障碍物检测信息包括的检测关键点坐标序列，可以通过各种方式对上述各个筛选后障碍物检测信息包括的检测航向角进行优化处理，得到目标航向角序列。
在一些实施例的一些可选的实现方式中，上述执行主体基于上述筛选后障碍物检测信息序列中各个筛选后障碍物检测信息包括的检测关键点坐标序列，对上述各个筛选后障碍物检测信息包括的检测航向角进行优化处理，得到目标航向角序列，可以包括以下步骤：
第一步，确定上述筛选后障碍物检测信息序列中各个筛选后障碍物检测信息包括的检测航向角的航向角单位向量，得到航向角单位向量序列。
作为示例，对于每个检测航向角，可以将该航向角的余弦值确定为航向角单位向量的横坐标值。可以将该航向角的正弦值确定为航向角单位向量的横坐标值。
第二步，基于上述航向角单位向量序列，构建航向角方向损失函数。其中，可以通过以下公式，构建航向角方向损失函数：
Figure DEST_PATH_IMAGE001
。
其中，
Figure 243480DEST_PATH_IMAGE002
表示序号。
Figure 920449DEST_PATH_IMAGE004
表示航向角方向损失函数的损失值。
Figure DEST_PATH_IMAGE005
表示与筛选后障碍物检测信息序列中第
Figure 810914DEST_PATH_IMAGE002
个筛选后障碍物检测信息中包括的检测航向角对应的航向角方向损失函数的损失值。
Figure 965952DEST_PATH_IMAGE006
表示上述航向角单位向量序列中的航向角单位向量。
Figure DEST_PATH_IMAGE007
表示上述航向角单位向量序列中第
Figure 641784DEST_PATH_IMAGE002
个航向角单位向量。
Figure 489654DEST_PATH_IMAGE008
表示与上述航向角单位向量序列中第
Figure 336256DEST_PATH_IMAGE002
个航向角单位向量相邻的后一个航向角单位向量。
在一些实施例的一些可选的实现方式中，上述执行主体基于上述筛选后障碍物检测信息序列中各个筛选后障碍物检测信息包括的检测关键点坐标序列，对上述各个筛选后障碍物检测信息包括的检测航向角进行优化处理，得到目标航向角序列，还可以包括以下步骤：
第一步，对上述筛选后障碍物检测信息序列中每个筛选后障碍物检测信息包括的检测关键点坐标序列中的各个检测关键点坐标进行反投影以生成反投影关键点坐标序列，得到反投影关键点坐标序列集。其中，反投影可以是将关键点坐标从图像坐标系投影至地面坐标系。可以通过以下公式进行反投影以生成反投影关键点坐标序列集：
Figure DEST_PATH_IMAGE009
。
其中，
Figure 826143DEST_PATH_IMAGE010
表示序号。
Figure DEST_PATH_IMAGE011
表示上述反投影关键点坐标序列集中的反投影关键点坐标的横坐标值。
Figure 294165DEST_PATH_IMAGE012
表示上述反投影关键点坐标序列集中的第
Figure 109674DEST_PATH_IMAGE002
个反投影关键点坐标序列中的反投影关键点坐标的横坐标值。
Figure DEST_PATH_IMAGE013
表示上述反投影关键点坐标序列集中的第
Figure 177993DEST_PATH_IMAGE002
个反投影关键点坐标序列中的第
Figure 2730DEST_PATH_IMAGE010
个反投影关键点坐标的横坐标值。
Figure 590837DEST_PATH_IMAGE014
表示上述反投影关键点坐标序列集中的反投影关键点坐标的纵坐标值。
Figure DEST_PATH_IMAGE015
表示上述反投影关键点坐标序列集中的第
Figure 311668DEST_PATH_IMAGE002
个反投影关键点坐标序列中的反投影关键点坐标的纵坐标值。
Figure 945912DEST_PATH_IMAGE016
表示上述反投影关键点坐标序列集中的第
Figure 439253DEST_PATH_IMAGE002
个反投影关键点坐标序列中的第
Figure 272080DEST_PATH_IMAGE010
个反投影关键点坐标的纵坐标值。
Figure DEST_PATH_IMAGE017
表示因变系数，可以用于消除等号右侧结果矩阵中第三行的数值。
Figure 39179DEST_PATH_IMAGE018
表示预设的相机坐标系相对于地面坐标系的变换矩阵。
Figure 160719DEST_PATH_IMAGE020
表示预设的相机内参矩阵。
Figure DEST_PATH_IMAGE021
表示上述筛选后障碍物检测信息序列中筛选后障碍物检测信息包括的检测关键点坐标序列中的检测关键点坐标。
Figure 61679DEST_PATH_IMAGE022
表示上述筛选后障碍物检测信息序列中第
Figure 873646DEST_PATH_IMAGE002
个筛选后障碍物检测信息包括的检测关键点坐标序列中的检测关键点坐标。
Figure DEST_PATH_IMAGE023
表示上述筛选后障碍物检测信息序列中第
Figure 201859DEST_PATH_IMAGE002
个筛选后障碍物检测信息包括的检测关键点坐标序列中的第
Figure 217219DEST_PATH_IMAGE010
个检测关键点坐标。
第二步，基于上述反投影关键点坐标序列集，生成关键点单位向量序列。其中，首先，对于每个反投影关键点坐标序列集中反投影关键点坐标的数量大于二的反投影关键点坐标序列，将该反投影关键点坐标序列中每相邻两个的反投影关键点坐标确定为反投影关键点坐标对。由此，可以得到反投影关键点坐标对组集合。具体的，反投影关键点坐标对中的两个反投影坐标对可以按照反投影关键点坐标序列中的顺序进行排列。
然后，可以通过以下公式生成关键点单位向量序列：
Figure 125133DEST_PATH_IMAGE024
。
其中，
Figure DEST_PATH_IMAGE025
、
Figure DEST_PATH_IMAGE027
示序号。
Figure 588344DEST_PATH_IMAGE028
表示上述关键点单位向量序列中的关键点单位向量。
Figure DEST_PATH_IMAGE029
表示上述关键点单位向量序列中的第
Figure 87458DEST_PATH_IMAGE010
个关键点单位向量。
Figure 918011DEST_PATH_IMAGE030
表示上述反投影关键点坐标序列集中的反投影关键点坐标。
Figure DEST_PATH_IMAGE031
表示上述反投影关键点坐标对组集合中、与上述反投影关键点坐标序列集中的第
Figure 36140DEST_PATH_IMAGE002
个反投影关键点坐标序列对应的、反投影关键点坐标对中的反投影关键点坐标。
Figure 698065DEST_PATH_IMAGE032
表示上述反投影关键点坐标对组集合中、与上述反投影关键点坐标序列集中的第
Figure 571343DEST_PATH_IMAGE002
个反投影关键点坐标序列对应的、反投影关键点坐标对中的第
Figure 76143DEST_PATH_IMAGE025
个反投影关键点坐标。
Figure DEST_PATH_IMAGE033
表示上述反投影关键点坐标对组集合中、与上述反投影关键点坐标序列集中的第
Figure 591438DEST_PATH_IMAGE002
个反投影关键点坐标序列对应的、反投影关键点坐标对中的第
Figure 248815DEST_PATH_IMAGE027
个反投影关键点坐标，其中，第
Figure 292995DEST_PATH_IMAGE027
个反投影关键点坐标在第
Figure 160456DEST_PATH_IMAGE025
个反投影关键点坐标的顺序之后。
Figure 948284DEST_PATH_IMAGE034
表示2范式。
Figure DEST_PATH_IMAGE035
表示取括号内向量的第2个到第3个元素。
第三步，确定与上述筛选后障碍物检测信息序列对应的第一权重系数。其中，首先可以通过车载惯性测量单元，确定上述障碍物车辆的角速度变化速率。其次，将上述角速度变化速率与预设的因子的乘积确定为第一权重系数。另外，角速度变化速率可以和第一权重系数成反比关系。
第四步，基于上述航向角单位向量序列、上述航向角方向损失函数、上述关键点单位向量序列、上述第一权重系数和预设的第二权重系数，生成目标航向角序列。其中，可以通过各种方式生成目标航向角序列。
在一些实施例的一些可选的实现方式中，上述预设的第二权重系数通过以下方式生成：
第一步，获取预设的障碍物测试图像序列和障碍物标准航向角序列。其中，上述障碍物测试图像序列中的障碍物测试图像可以是与上述障碍物车辆属于同一车型的连续帧障碍物车辆图像。障碍物标准航向角序列中的各个障碍物标准航向角可以与上述障碍物测试图像序列中各个障碍物测试图像相对应。障碍物标准航向角可以是针对障碍物测试图像预先生成的、准确度符合需求的航向角。
第二步，将上述障碍物测试图像序列中的各个障碍物测试图像输入至预设的航向角模型，得到障碍物测试航向角序列。
作为示例，航向角模型可以包括但不限于以下至少一项：Resnet（ResidualNetwork，残差神经网络）模型、VGG（Visual Geometry Group Network，卷积神经网络）模型和GoogLeNet（深度神经网络）模型等
第三步，基于上述障碍物标准航向角序列和上述障碍物测试航向角序列，生成第二权重系数。其中，首先，可以确定障碍物测试航向角序列中各个障碍物测试航向角与上述障碍物标准航向角序列中对应的障碍物标准航向角之间的差异是否处于预设的误差范围内。然后，可以将差异处于误差范围外的障碍物测试航向角数量在障碍物测试航向角序列中所占的比重确定为第二权重系数。
实践中，第二权重系数越大，可以表示神经网络对于从道路图像中识别出障碍物车辆的航向角的能力越差。因此，通过引入第二权重系数，可以在一定程度上降低由于神经网络的识别能力所造成的误差。以此提高生成障碍物信息的准确度。
在一些实施例的一些可选的实现方式中，上述执行主体基于上述航向角单位向量序列、上述航向角方向损失函数、上述关键点单位向量序列、上述第一权重系数和预设的第二权重系数，生成目标航向角序列，可以包括以下步骤：
第一步，基于上述航向角单位向量序列、上述关键点单位向量序列和上述筛选后障碍物检测信息序列中每个筛选后障碍物检测信息包括的检测关键点坐标序列，构建关键点损失函数。其中，可以通估以下公式，构建关键点损失函数：
Figure 443856DEST_PATH_IMAGE036
。
其中，
Figure DEST_PATH_IMAGE037
表示关键点损失函数的值。
Figure 455675DEST_PATH_IMAGE038
表示与上述关键点单位向量序列中的第
Figure 154640DEST_PATH_IMAGE010
个关键点单位向量对应的关键点损失函数的值。
Figure DEST_PATH_IMAGE039
表示预设的旋转角为
Figure 542896DEST_PATH_IMAGE040
的旋转矩阵。
Figure DEST_PATH_IMAGE041
表示上述关键点单位向量序列中的第
Figure 689713DEST_PATH_IMAGE010
个关键点单位向量对应的反投影关键点坐标对中的两个反投影关键点坐标表征的是障碍物车辆侧方（左侧或右侧）两个车轮最外侧与地面的接触点。
Figure 75695DEST_PATH_IMAGE042
表示上述关键点单位向量序列中的第
Figure 527536DEST_PATH_IMAGE010
个关键点单位向量对应的反投影关键点坐标对中的两个反投影关键点坐标表征的是障碍物车辆前后方的两个车轮最外侧与地面的接触点。
第二步，基于上述航向角方向损失函数、上述关键点损失函数、上述第一权重系数和上述第二权重系数，对上述各个筛选后障碍物检测信息包括的检测航向角进行优化处理，得到目标航向角序列。其中，可以通过以下公式，对上述各个筛选后障碍物检测信息包括的检测航向角进行优化处理，得到目标航向角序列：
Figure DEST_PATH_IMAGE043
。
其中，
Figure 375275DEST_PATH_IMAGE044
表示上述目标航向角序列。
Figure DEST_PATH_IMAGE045
表示上述目标航向角序列中的第
Figure 861751DEST_PATH_IMAGE002
个目标航向角。
Figure DEST_PATH_IMAGE047
表示上述第一权重系数。
Figure 136743DEST_PATH_IMAGE048
表示上述第二权重系数。
实践中，可以通过非线性优化方法，对上述优化处理的公式、上述航向角方向损失函数、上述关键点损失函数进行求解。在求解过程中可以对各项公式中的航向角进行调整，使得满足求解所需的各项条件。以此，可以完成优化处理，得到目标航向角序列。例如，非线性优化方法可以包括但不限于以下至少一项：ISAM（Incremental Smoothing AndMapping，增量平滑和建图方法）、GTSAM（非线性优化库）等。
上述各个公式及其相关内容作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题二“由于视角因素导致道路图像中存在被截断的障碍物特征，会导致神经网络难以区分障碍物的航向角是否存在旋转的情况，从而，导致生成的障碍物信息的准确度降低”。导致生成的障碍物信息的准确度降低的因素往往如下：由于视角因素导致道路图像中存在被截断的障碍物特征，会导致神经网络难以区分障碍物的航向角是否存在旋转的情况。如果解决了上述因素，就能提高生成的障碍物信息的准确度。为了达到这一效果，首先，在得到筛选后障碍物检测信息序列的基础上，构建了航向角方向损失函数。以此，可以用于区分障碍物的航向角是否存在旋转的情况。接着，通过反投影公式，可以将关键点坐标从图像坐标系投影至地面坐标系。由此，可以便于确定后续的约束条件。之后，通过生成关键点单位向量的公式，可以利用单位向量的方向进一步确定障碍物车辆的航向角的方向特征。避免无法确定航向角是否存在前后反转的情况。而后，通过构建关键点损失函数，使得可以提高求解时的约束条件，以供提高对航向角进行优化处理的准确度。最后，通过优化处理的公式，得以完成对航向角的优化，得到目标航向角序列。从而，解决的上述因素，可以提高生成的目标航向角的准确度。
步骤1023，将目标航向角序列确定为障碍物信息。
在一些实施例中，上述执行主体可以将上述目标航向角序列确定为障碍物信息。因此，可以提高生成的障碍物信息的准确度。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的障碍物信息生成方法，可以提高生成的障碍物信息的准确度。具体来说，造成生成的障碍物信息的准确度降低的原因在于：若道路图像中存在障碍物车辆被遮挡的情况，则该障碍物车辆的特征会减少。基于此，本公开的一些实施例的障碍物信息生成方法，首先，对预获取的道路图像序列中的各个道路图像进行障碍物检测，得到障碍物检测信息序列集，其中，上述障碍物检测信息序列集中的障碍物检测信息包括：检测航向角和检测关键点坐标序列。通过生成检测关键点坐标序列，可以在一定程度上确保道路图像中即使存在障碍物车辆被遮挡的情况，也可以进行障碍物信息生成。然后，对于上述障碍物检测信息序列集中的每个障碍物检测信息序列，执行如下生成步骤：基于上述障碍物检测信息序列中障碍物检测信息包括的检测关键点坐标序列，对上述障碍物检测信息序列中的各个障碍物检测信息进行筛选，得到筛选后障碍物检测信息序列。通过筛选可以去除在上述遮挡情况下提取的不准确的关键点。以此，可以提高筛选后障碍物检测信息序列的准确度，以供提高后续步骤的准确度。之后，基于上述筛选后障碍物检测信息序列中各个筛选后障碍物检测信息包括的检测关键点坐标序列，对上述各个筛选后障碍物检测信息包括的检测航向角进行优化处理，得到目标航向角序列。通过优化处理，可以提高生成的检测航向角的准确度。最后，将上述目标航向角序列确定为障碍物信息。由此，可以提高生成的障碍物信息的准确度。
进一步参考图2，其示出了障碍物信息生成方法的另一些实施例的流程200。该障碍物信息生成的流程200，包括以下步骤：
步骤201，对预获取的道路图像序列中的各个道路图像进行障碍物检测，得到障碍物检测信息序列集。
步骤202，对于障碍物检测信息序列集中的每个障碍物检测信息序列，执行如下生成步骤：
步骤2021，基于障碍物检测信息序列中障碍物检测信息包括的检测关键点坐标序列，对障碍物检测信息序列中的各个障碍物检测信息进行筛选，得到筛选后障碍物检测信息序列；
步骤2022，基于筛选后障碍物检测信息序列中各个筛选后障碍物检测信息包括的检测关键点坐标序列，对各个筛选后障碍物检测信息包括的检测航向角进行优化处理，得到目标航向角序列；
步骤2023，将目标航向角序列确定为障碍物信息。
在一些实施例中，步骤201-202的具体实现方式及所带来的技术效果可以参考图1对应的那些实施例中的步骤101-102，在此不再赘述。
步骤203，对与障碍物检测信息序列集中的各个障碍物检测信息序列对应的障碍物信息进行存储。
在一些实施例中，上述执行主体可以对与上述障碍物检测信息序列集中的各个障碍物检测信息序列对应的障碍物信息进行存储。其中，通过存储，可以供自动驾驶车辆的其它功能使用。
从图2中可以看出，与图1对应的一些实施例的描述相比，图2对应的一些实施例中的障碍物信息生成方法的流程200体现了存储障碍物信息的步骤。通过存储，可以供自动驾驶车辆的其它功能使用。进而，可以提高自动驾驶的安全性。
进一步参考图3，作为对上述各图所示方法的实现，本公开提供了一种障碍物信息生成装置的一些实施例，这些装置实施例与图1所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图3所示，一些实施例的障碍物信息生成装置300包括：检测单元301和生成单元302。其中，检测单元301，被配置成对预获取的道路图像序列中的各个道路图像进行障碍物检测，得到障碍物检测信息序列集，其中，上述障碍物检测信息序列集中的障碍物检测信息包括：检测航向角和检测关键点坐标序列；生成单元302，被配置成对于上述障碍物检测信息序列集中的每个障碍物检测信息序列，执行如下生成步骤：基于上述障碍物检测信息序列中障碍物检测信息包括的检测关键点坐标序列，对上述障碍物检测信息序列中的各个障碍物检测信息进行筛选，得到筛选后障碍物检测信息序列；基于上述筛选后障碍物检测信息序列中各个筛选后障碍物检测信息包括的检测关键点坐标序列，对上述各个筛选后障碍物检测信息包括的检测航向角进行优化处理，得到目标航向角序列；将上述目标航向角序列确定为障碍物信息。
可以理解的是，该装置300中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置300及其中包含的单元，在此不再赘述。
下面参考图4，其示出了适于用来实现本公开的一些实施例的电子设备400的结构示意图。图4示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图4所示，电子设备400可以包括处理装置（例如中央处理器、图形处理器等）401，其可以根据存储在只读存储器（ROM）402中的程序或者从存储装置408加载到随机访问存储器（RAM）403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出（I/O）接口405也连接至总线404。
通常，以下装置可以连接至I/O接口405：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图4中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置408被安装，或者从ROM 402被安装。在该计算机程序被处理装置401执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP（HyperText TransferProtocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“LAN”），广域网（“WAN”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述装置中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：对预获取的道路图像序列中的各个道路图像进行障碍物检测，得到障碍物检测信息序列集，其中，上述障碍物检测信息序列集中的障碍物检测信息包括：检测航向角和检测关键点坐标序列；对于上述障碍物检测信息序列集中的每个障碍物检测信息序列，执行如下生成步骤：基于上述障碍物检测信息序列中障碍物检测信息包括的检测关键点坐标序列，对上述障碍物检测信息序列中的各个障碍物检测信息进行筛选，得到筛选后障碍物检测信息序列；基于上述筛选后障碍物检测信息序列中各个筛选后障碍物检测信息包括的检测关键点坐标序列，对上述各个筛选后障碍物检测信息包括的检测航向角进行优化处理，得到目标航向角序列；将上述目标航向角序列确定为障碍物信息。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（LAN）或广域网（WAN）——连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，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，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括检测单元和生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，生成单元还可以被描述为“生成障碍物信息的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (8)

1.一种障碍物信息生成方法，包括：
对预获取的道路图像序列中的各个道路图像进行障碍物检测，得到障碍物检测信息序列集，其中，所述障碍物检测信息序列集中每个障碍物检测信息序列中的每个障碍物检测信息包括：检测航向角和检测关键点坐标序列；
对于所述障碍物检测信息序列集中的每个障碍物检测信息序列，执行如下生成步骤：
基于所述障碍物检测信息序列中障碍物检测信息包括的检测关键点坐标序列，对所述障碍物检测信息序列中的各个障碍物检测信息进行筛选，得到筛选后障碍物检测信息序列；
基于所述筛选后障碍物检测信息序列中各个筛选后障碍物检测信息包括的检测关键点坐标序列，对所述各个筛选后障碍物检测信息包括的检测航向角进行优化处理，得到目标航向角序列；
将所述目标航向角序列确定为障碍物信息；
其中，所述基于所述筛选后障碍物检测信息序列中各个筛选后障碍物检测信息包括的检测关键点坐标序列，对所述各个筛选后障碍物检测信息包括的检测航向角进行优化处理，得到目标航向角序列，包括：
确定所述筛选后障碍物检测信息序列中各个筛选后障碍物检测信息包括的检测航向角的航向角单位向量，得到航向角单位向量序列；
基于所述航向角单位向量序列，构建航向角方向损失函数；
其中，所述基于所述筛选后障碍物检测信息序列中各个筛选后障碍物检测信息包括的检测关键点坐标序列，对所述各个筛选后障碍物检测信息包括的检测航向角进行优化处理，得到目标航向角序列，还包括：
对所述筛选后障碍物检测信息序列中每个筛选后障碍物检测信息包括的检测关键点坐标序列中的各个检测关键点坐标进行反投影以生成反投影关键点坐标序列，得到反投影关键点坐标序列集；
基于所述反投影关键点坐标序列集，生成关键点单位向量序列；
确定与所述筛选后障碍物检测信息序列对应的第一权重系数；
基于所述航向角单位向量序列、所述航向角方向损失函数、所述关键点单位向量序列、所述第一权重系数和预设的第二权重系数，生成目标航向角序列。
2.根据权利要求1所述的方法，其中，所述方法还包括：
对与所述障碍物检测信息序列集中的各个障碍物检测信息序列对应的障碍物信息进行存储。
3.根据权利要求1所述的方法，其中，所述基于所述障碍物检测信息序列中障碍物检测信息包括的检测关键点坐标序列，对所述障碍物检测信息序列中的各个障碍物检测信息进行筛选，得到筛选后障碍物检测信息序列，包括：
响应于确定所述障碍物检测信息序列中障碍物检测信息包括的检测关键点坐标序列中检测关键点坐标的数量满足预设筛选条件，将满足所述预设筛选条件的障碍物检测信息确定为筛选后障碍物检测信息，得到筛选后障碍物检测信息序列。
4.根据权利要求1所述的方法，其中，所述预设的第二权重系数通过以下方式生成：
获取预设的障碍物测试图像序列和障碍物标准航向角序列；
将所述障碍物测试图像序列中的各个障碍物测试图像输入至预设的航向角模型，得到障碍物测试航向角序列；
基于所述障碍物标准航向角序列和所述障碍物测试航向角序列，生成第二权重系数。
5.根据权利要求1所述的方法，其中，所述基于所述航向角单位向量序列、所述航向角方向损失函数、所述关键点单位向量序列、所述第一权重系数和预设的第二权重系数，生成目标航向角序列，包括：
基于所述航向角单位向量序列、所述关键点单位向量序列和所述筛选后障碍物检测信息序列中每个筛选后障碍物检测信息包括的检测关键点坐标序列，构建关键点损失函数；
基于所述航向角方向损失函数、所述关键点损失函数、所述第一权重系数和所述第二权重系数，对所述各个筛选后障碍物检测信息包括的检测航向角进行优化处理，得到目标航向角序列。
6.一种障碍物信息生成装置，包括：
检测单元，被配置成对预获取的道路图像序列中的各个道路图像进行障碍物检测，得到障碍物检测信息序列集，其中，所述障碍物检测信息序列集中每个障碍物检测信息序列中的每个障碍物检测信息包括：检测航向角和检测关键点坐标序列；
生成单元，被配置成对于所述障碍物检测信息序列集中的每个障碍物检测信息序列，执行如下生成步骤：
基于所述障碍物检测信息序列中障碍物检测信息包括的检测关键点坐标序列，对所述障碍物检测信息序列中的各个障碍物检测信息进行筛选，得到筛选后障碍物检测信息序列；
基于所述筛选后障碍物检测信息序列中各个筛选后障碍物检测信息包括的检测关键点坐标序列，对所述各个筛选后障碍物检测信息包括的检测航向角进行优化处理，得到目标航向角序列；
将所述目标航向角序列确定为障碍物信息；
其中，所述基于所述筛选后障碍物检测信息序列中各个筛选后障碍物检测信息包括的检测关键点坐标序列，对所述各个筛选后障碍物检测信息包括的检测航向角进行优化处理，得到目标航向角序列，包括：
确定所述筛选后障碍物检测信息序列中各个筛选后障碍物检测信息包括的检测航向角的航向角单位向量，得到航向角单位向量序列；
基于所述航向角单位向量序列，构建航向角方向损失函数；
其中，所述基于所述筛选后障碍物检测信息序列中各个筛选后障碍物检测信息包括的检测关键点坐标序列，对所述各个筛选后障碍物检测信息包括的检测航向角进行优化处理，得到目标航向角序列，还包括：
对所述筛选后障碍物检测信息序列中每个筛选后障碍物检测信息包括的检测关键点坐标序列中的各个检测关键点坐标进行反投影以生成反投影关键点坐标序列，得到反投影关键点坐标序列集；
基于所述反投影关键点坐标序列集，生成关键点单位向量序列；
确定与所述筛选后障碍物检测信息序列对应的第一权重系数；
基于所述航向角单位向量序列、所述航向角方向损失函数、所述关键点单位向量序列、所述第一权重系数和预设的第二权重系数，生成目标航向角序列。
7.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
8.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。
CN202210308532.6A 2022-03-28 2022-03-28 障碍物信息生成方法、装置、电子设备和计算机可读介质 Active CN114419604B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210308532.6A CN114419604B (zh) 2022-03-28 2022-03-28 障碍物信息生成方法、装置、电子设备和计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210308532.6A CN114419604B (zh) 2022-03-28 2022-03-28 障碍物信息生成方法、装置、电子设备和计算机可读介质

Publications (2)

Publication Number Publication Date
CN114419604A CN114419604A (zh) 2022-04-29
CN114419604B true CN114419604B (zh) 2022-06-28

Family

ID=81263575

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210308532.6A Active CN114419604B (zh) 2022-03-28 2022-03-28 障碍物信息生成方法、装置、电子设备和计算机可读介质

Country Status (1)

Country Link
CN (1) CN114419604B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114724115B (zh) * 2022-05-18 2022-09-27 禾多科技（北京）有限公司 障碍物定位信息生成方法、装置、设备和计算机可读介质
CN115546293B (zh) * 2022-12-02 2023-03-07 广汽埃安新能源汽车股份有限公司 障碍物信息融合方法、装置、电子设备和计算机可读介质
CN115900638B (zh) * 2023-01-19 2023-05-23 禾多科技（北京）有限公司 障碍物航向角信息生成方法、装置、电子设备和可读介质
CN116563817B (zh) * 2023-04-14 2024-02-20 禾多科技（北京）有限公司 障碍物信息生成方法、装置、电子设备和计算机可读介质
CN116740382B (zh) * 2023-05-08 2024-02-20 禾多科技（北京）有限公司 障碍物信息生成方法、装置、电子设备和计算机可读介质
CN116758498B (zh) * 2023-05-08 2024-02-23 禾多科技（北京）有限公司 障碍物信息生成方法、装置、电子设备和计算机可读介质
CN116704473B (zh) * 2023-05-24 2024-03-08 禾多科技（北京）有限公司 障碍物信息检测方法、装置、电子设备和计算机可读介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106951847B (zh) * 2017-03-13 2020-09-29 百度在线网络技术（北京）有限公司 障碍物检测方法、装置、设备及存储介质
CN109188438B (zh) * 2018-09-12 2021-04-06 百度在线网络技术（北京）有限公司 偏航角确定方法、装置、设备和介质
CN112733820B (zh) * 2021-03-31 2021-07-27 禾多科技（北京）有限公司 障碍物信息生成方法、装置、电子设备和计算机可读介质
CN113514806B (zh) * 2021-04-02 2023-12-19 苏州挚途科技有限公司 自动驾驶过程中障碍物确定方法、装置及电子设备
CN113421432B (zh) * 2021-06-21 2023-02-28 北京百度网讯科技有限公司 交通限行信息检测方法、装置、电子设备和存储介质
CN113569652A (zh) * 2021-06-30 2021-10-29 惠州市德赛西威智能交通技术研究院有限公司 一种自动泊车环视摄像头低矮障碍物检测方法
CN113900101A (zh) * 2021-08-31 2022-01-07 际络科技(上海)有限公司 障碍物检测方法、装置及电子设备

Also Published As

Publication number Publication date
CN114419604A (zh) 2022-04-29

Similar Documents

Publication Publication Date Title
CN114419604B (zh) 障碍物信息生成方法、装置、电子设备和计算机可读介质
CN112598762B (zh) 三维车道线信息生成方法、装置、电子设备和介质
CN114742958B (zh) 三维车道信息生成方法、装置、设备和计算机可读介质
CN112348029B (zh) 局部地图调整方法、装置、设备和计算机可读介质
CN114399589B (zh) 三维车道线生成方法、装置、电子设备和计算机可读介质
CN114863385B (zh) 道路曲面信息生成方法、装置、设备和计算机可读介质
CN113674357B (zh) 相机外参标定方法、装置、电子设备和计算机可读介质
CN114445597B (zh) 三维车道线生成方法、装置、电子设备和计算机可读介质
CN114399588B (zh) 三维车道线生成方法、装置、电子设备和计算机可读介质
CN114993328B (zh) 车辆定位评估方法、装置、设备和计算机可读介质
CN114894205A (zh) 三维车道线信息生成方法、装置、设备和计算机可读介质
CN111965383B (zh) 车速信息生成方法、装置、电子设备和计算可读介质
CN116740382B (zh) 障碍物信息生成方法、装置、电子设备和计算机可读介质
CN115468578B (zh) 路径规划方法、装置、电子设备和计算机可读介质
CN114723640B (zh) 障碍物信息生成方法、装置、电子设备和计算机可读介质
CN114724116B (zh) 车辆通行信息生成方法、装置、设备和计算机可读介质
CN116311155A (zh) 障碍物信息生成方法、装置、电子设备和计算机可读介质
CN113780247B (zh) 红绿灯检测方法、装置、电子设备和计算机可读介质
CN112232451B (zh) 多传感器数据融合方法、装置、电子设备和介质
CN114663524B (zh) 多相机在线标定方法、装置、电子设备和计算机可读介质
CN116630436B (zh) 相机外参修正方法、装置、电子设备和计算机可读介质
CN115307652B (zh) 车辆位姿确定方法、装置、设备及介质
CN114863025B (zh) 三维车道线生成方法、装置、电子设备和计算机可读介质
CN115588185B (zh) 行驶路线生成方法、装置、电子设备和计算机可读介质
CN112815959B (zh) 车辆车道级定位系统、方法、装置和电子设备

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
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Obstacle information generation method, device, electronic device and computer-readable medium

Effective date of registration: 20230228

Granted publication date: 20220628

Pledgee: Bank of Shanghai Co.,Ltd. Beijing Branch

Pledgor: HOLOMATIC TECHNOLOGY (BEIJING) Co.,Ltd.

Registration number: Y2023980033668

CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: 201, 202, 301, No. 56-4 Fenghuang South Road, Huadu District, Guangzhou City, Guangdong Province, 510806

Patentee after: Heduo Technology (Guangzhou) Co.,Ltd.

Address before: 100099 101-15, 3rd floor, building 9, yard 55, zique Road, Haidian District, Beijing

Patentee before: HOLOMATIC TECHNOLOGY (BEIJING) Co.,Ltd.