CN114495018A - 一种面向自动驾驶矿卡的数据自动清洗方法 - Google Patents
一种面向自动驾驶矿卡的数据自动清洗方法 Download PDFInfo
- Publication number
- CN114495018A CN114495018A CN202210391561.3A CN202210391561A CN114495018A CN 114495018 A CN114495018 A CN 114495018A CN 202210391561 A CN202210391561 A CN 202210391561A CN 114495018 A CN114495018 A CN 114495018A
- Authority
- CN
- China
- Prior art keywords
- data
- image
- scene
- automatic
- frame
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000004140 cleaning Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000013500 data storage Methods 0.000 claims abstract description 12
- 238000007726 management method Methods 0.000 claims abstract description 7
- 230000003252 repetitive effect Effects 0.000 claims abstract description 3
- 230000003287 optical effect Effects 0.000 claims description 17
- 230000003068 static effect Effects 0.000 claims description 14
- 230000004907 flux Effects 0.000 claims description 6
- 238000005065 mining Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000009194 climbing Effects 0.000 claims description 4
- 238000011161 development Methods 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及自动驾驶技术领域,尤其为一种面向自动驾驶矿卡的数据自动清洗方法,其方法包括如下步骤:A、设计配置文件;B、从数据采集系统的图像传感器获取图像数据;C、人工收集重复场景的数据样本;D、人工收集不同天气场景的数据样本;E、从数据采集系统的激光雷达传感器获取激光点云数据;本发明提出的清洗方法能够从大量的数据中寻找有效的数据,并分类保存到数据存储系统,无需将所有采集的数据保存下来,只保存需要使用的数据即可,节省了存储成本,并在模型训练阶段可以迅速找到需要的数据,促进了项目开发的进度,解决了目前由于多个矿区存在不同类型的无人驾驶矿卡,造成产生的数据无法实现自动化统一管理的问题。
Description
技术领域
本发明涉及自动驾驶技术领域,具体为一种面向自动驾驶矿卡的数据自动清洗方法。
背景技术
为了适应复杂的场景,矿卡自动驾驶系统安装了很多传感器,比如相机、3D激光雷达、毫米波雷达、GPS等等,每天采集的数据至少20T,需要数据清洗工具及时清洗,快速建立数据样本库,以供模型训练。
无人驾驶矿卡在矿区24小时连续工作,采集了大量的图像、激光雷达点云的数据,通常依靠人工把静态场景、动态场景、重复场景和不同天气场景等等场景从采集的数据中挑选出来,这种工作不仅效率低,而且比较粗造,容易造成有用数据的浪费。无人驾驶矿卡感知系统包含多路相机和多路激光雷达,采集的原始数据没有对齐,感知前融合模型无法训练。由于每个矿区不一定使用相同的无人驾驶矿卡,不同类型的无人驾驶矿卡的感知系统包含的传感器数量和类型也不一样,数据的处理无法实现自动化统一管理。
发明内容
本发明的目的是弥补以上不足之处,提供一种数据自动清洗方法,来处理无人驾驶矿卡传感器系统采集的海量数据,以便数据的管理和模型的训练,该方法能广泛应用于无人驾驶领域,包括乘用车、矿卡、环卫车、扫地机器人、服务机器人等。
为实现上述目的,本发明提供如下技术方案:一种面向自动驾驶矿卡的数据自动清洗方法,其方法包括如下步骤:
A、设计配置文件,根据不同类型的传感器参数配置属性,实现数据的自动化统一管理;
B、从数据采集系统的图像传感器获取图像数据,利用帧差法计算当前帧图像和上一帧图像的光流,通过光流大小判断静态场景和动态场景;
C、人工收集重复场景的数据样本,先标注和分类,再训练模型,并识别出重复场景;
D、人工收集不同天气场景的数据样本,先标注和分类,再训练模型,最后将推理分类后的数据上传至数据存储系统;
E、从数据采集系统的激光雷达传感器获取激光点云数据,以其中一路激光雷达的时间戳为参考,寻找最近邻的图像和其它路激光雷达点云进行匹配,实现数据对齐,然后拼接激光点云。
优选的,所述步骤A中,设计配置文件的详细过程为:
A1、设计一种配置文件,包含原始数据路径名、结果保存路径名、图像话题、激光点云话题和标定参数;
A2、根据上述步骤A1中话题名,对不同的矿卡项目进行设置;
A3、分别执行下面步骤B、C、D、E,实现数据自动化清洗,清洗完后,数据自动上传至存储系统。
优选的,所述步骤B中,静动态场景的识别步骤为:
B1、从数据采集系统的图像传感器获取图像数据I,或者从原始数据包中解析出其中一路图像数据;
B2、依据光流算法流程图,从当前图像数据中获取当前图像帧It和上一帧图像帧It-1,利用帧差法计算前后帧光流,其中公式为F=It-It-1,得到光流图像,其中F为光流图像;
B3、统计上述步骤B2中光流图像的平均光流量,其计算公式为:
B4、根据上述步骤B3计算的平均光流量,如果avg>r,则当前帧为动态场景,否则为静态场景,其中r为阈值。
优选的,所述步骤B4中,实验过程中阈值r的取值区间为0.003-0.005。
优选的,所述步骤C中,识别重复场景的具体步骤为:
C1、人工收集重复场景的数据样本,将需要的重复场景数据人工分成7类,挖矿区标注为0,十字交叉路口标注为1,丁字路口标注为2,爬坡路线标注为3,巡航路线标注为4,卸料区标注为5,停车区标注为6;
C2、设计网络模型,利用上述步骤B1中的多类重复场景数据通过pytorch工具进行模型训练;
C3、利用上述步骤C2中训练得到的模型推理出是否为重复场景,当为重复场景时,减少在该场景时采集数据的次数。
优选的,所述步骤D中,不同天气场景分类的详细步骤为:
D1、人工收集不同天气场景的数据样本,将不同的天气场景数据人工分成6类,白天晴天标注为0,白天下雨标注为1,白天下雪标注为2,晚上晴天标注为3,晚上下雨标注为4,晚上下雪标注为5;
D2、设计网络模型,利用上述步骤D1中的多类天气场景数据通过pytorch工具进行模型训练;
D3、利用上述步骤D2中训练得到的模型推理出天气类型。
优选的,所述步骤D3中,数据在分类好后,保存至数据存储系统。
优选的,所述步骤E中,传感器数据时间对齐和点云拼接的详细过程为:
E1、从数据采集系统获取12路图像数据和4路激光点云数据;
E2、选取矿卡左前方的激光雷达的当前帧时间戳t0作为整个系统的当前帧参考时间;
E3、参考上述步骤E2的时间戳t0,按照公式i=argmin(ti-t0),其中ti为第i帧的时间戳,在12路图像中分别寻找最近邻的1帧图像,在其它3路激光雷达点云中分别寻找最近邻的1帧激光点云;
E4、将上述步骤E3中时间已经对齐的4路激光点云拼接在一起,形成完整的激光点云图,并自动保存到数据存储系统。
与现有技术相比,本发明的有益效果如下:
本发明提出的清洗方法能够从大量的数据中寻找有效的数据,并分类保存到数据存储系统,无需将所有采集的数据保存下来,只保存需要使用的数据即可,从而节省了存储成本,并在模型训练阶段可以迅速找到需要的数据,促进了项目开发的进度,使该清洗方法能够广泛应用于无人驾驶领域,解决了目前由于多个矿区存在不同类型的无人驾驶矿卡,且不同矿卡的感知系统所包含的传感器数量和类型不同,造成产生的数据无法实现自动化统一管理的问题。
附图说明
图1为本发明步骤流程图;
图2为图像传感器数据示意图;
图3为光流算法流程图;
图4为点云拼接算法示意图;
图5为相机配置示意图;
图6为激光雷达配置示意图;
图7为数据清洗结果示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种面向自动驾驶矿卡的数据自动清洗方法,其方法包括如下步骤:
A、设计配置文件,根据不同类型的传感器参数配置属性,实现数据的自动化统一管理。
B、从数据采集系统的图像传感器获取图像数据,利用帧差法计算当前帧图像和上一帧图像的光流,通过光流大小判断静态场景和动态场景;
C、人工收集重复场景的数据样本,先标注和分类,再训练模型,并识别出重复场景;
D、人工收集不同天气场景的数据样本,先标注和分类,再训练模型,最后将推理分类后的数据上传至数据存储系统;
E、从数据采集系统的激光雷达传感器获取激光点云数据,以其中一路激光雷达的时间戳为参考,寻找最近邻的图像和其它路激光雷达点云进行匹配,实现数据对齐,然后拼接激光点云。
实施例一:
一种面向自动驾驶矿卡的数据自动清洗方法,其方法包括如下步骤:
A、设计配置文件,根据不同类型的传感器参数配置属性,实现数据的自动化统一管理;
B、从数据采集系统的图像传感器获取图像数据,利用帧差法计算当前帧图像和上一帧图像的光流,通过光流大小判断静态场景和动态场景;
静动态场景的识别步骤为:
B1、从数据采集系统的图像传感器获取图像数据I,或者从原始数据包中解析出一路图像数据,参考附图2;
B2、参考附图3的光流算法流程图,从当前图像数据中获取当前图像帧It和上一帧图像帧It-1,利用帧差法计算前后帧光流,其中公式为F=It-It-1,得到光流图像,其中F为光流图像;
B3、统计上述步骤B2中光流图像的平均光流量,其计算公式为:
B4、根据上述步骤B3计算的平均光流量,如果avg>r,则当前帧为动态场景,否则为静态场景,其中r为阈值,实验中一般取0.004;
C、人工收集重复场景的数据样本,先标注和分类,再训练模型,并识别出重复场景;
识别重复场景的具体步骤为:
C1、人工收集重复场景的数据样本,将需要的重复场景数据人工分成7类,如比如挖矿区、十字交叉路口、丁字路口、爬坡路线、巡航路线、卸料区和停车区,分别标注为0、1、2、3、4、5和6;
C2、设计网络模型,利用上述步骤C1中的多类重复场景数据通过pytorch(深度学习的一种框架)工具进行模型训练;
C3、利用上述步骤C2中训练得到的模型推理出是否为重复场景,当为重复场景时,减少在该场景时采集数据的次数;
D、人工收集不同天气场景的数据样本,先标注和分类,再训练模型,最后将推理分类后的数据上传至数据存储系统;
E、从数据采集系统的激光雷达传感器获取激光点云数据,以其中一路激光雷达的时间戳为参考,寻找最近邻的图像和其它路激光雷达点云进行匹配,实现数据对齐,然后拼接激光点云。
实施例二:
一种面向自动驾驶矿卡的数据自动清洗方法,其方法包括如下步骤:
A、设计配置文件,根据不同类型的传感器参数配置属性,实现数据的自动化统一管理;
设计配置文件的详细过程为:
A1、设计一种配置文件,包含原始数据路径名、结果保存路径名、图像话题、激光点云话题、标定参数等,参考附图5和附图6;
A2、根据上述步骤A1中话题名,对不同的矿卡项目进行设置;
A3、分别执行下面步骤B、C、D、E,实现数据自动化清洗,清洗完后,数据自动上传至存储系统,数据清洗结果参考附图7;
B、从数据采集系统的图像传感器获取图像数据,利用帧差法计算当前帧图像和上一帧图像的光流,通过光流大小判断静态场景和动态场景;
静动态场景的识别步骤为:
B1、从数据采集系统的图像传感器获取图像数据I,或者从原始数据包中解析出一路图像数据,参考附图2;
B2、参考附图3的光流算法流程图,利用机器人操作系统工具包rosbag解析原始数据,然后另一个rosbag节点接受图像话题的图像数据,再从当前图像数据中获取当前图像帧It和上一帧图像帧It-1,利用帧差法计算前后帧光流,其中公式为F=It-It-1,得到光流图像,其中F为光流图像;
B3、统计上述步骤B2中光流图像的平均光流量,其计算公式为:
B4、根据上述步骤B3计算的平均光流量,如果avg>r,则当前帧为动态场景,否则为静态场景,其中r为阈值,实验中一般取0.004;
C、人工收集重复场景的数据样本,先标注和分类,再训练模型,并识别出重复场景;
识别重复场景的具体步骤为:
C1、人工收集重复场景的数据样本,将需要的重复场景数据人工分成7类,如比如挖矿区、十字交叉路口、丁字路口、爬坡路线、巡航路线、卸料区和停车区,分别标注为0、1、2、3、4、5和6;
C2、设计网络模型,利用上述步骤C1中的多类重复场景数据通过pytorch(深度学习的一种框架)工具进行模型训练;
C3、利用上述步骤C2中训练得到的模型推理出是否为重复场景,当为重复场景时,减少在该场景时采集数据的次数;
D、人工收集不同天气场景的数据样本,先标注和分类,再训练模型,最后将推理分类后的数据上传至数据存储系统;
不同天气场景分类的详细过程为:
D1、人工收集不同天气场景的数据样本,将不同的天气场景数据人工分成6类,比如白天晴天、白天下雨、白天下雪、晚上晴天、晚上下雨、晚上下雪,分别标注为0、1、2、3、4、5;
D2、设计网络模型,利用上述步骤D1中的多类天气场景数据通过pytorch工具进行模型训练;
D3、利用上述步骤D2中训练得到的模型推理出天气类型;
E、从数据采集系统的激光雷达传感器获取激光点云数据,以其中一路激光雷达的时间戳为参考,寻找最近邻的图像和其它路激光雷达点云进行匹配,实现数据对齐,然后拼接激光点云;
传感器数据时间对齐和点云拼接的详细过程为:
E1、从数据采集系统获取12路图像数据和4路激光点云数据;
E2、选取矿卡左前方的激光雷达的当前帧时间戳t0作为整个系统的当前帧参考时间;
E3、参考上述步骤E2的时间戳t0,按照公式i=argmin(ti-t0),其中ti为第i帧的时间戳,在12路图像中分别寻找最近邻的1帧图像,在其它3路激光雷达点云中分别寻找最近邻的1帧激光点云;
E4、将上述步骤E3中时间已经对齐的4路激光点云拼接在一起,形成完整的激光点云图,参考附图4,并自动保存到数据存储系统。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种面向自动驾驶矿卡的数据自动清洗方法,其特征在于:其方法包括如下步骤:
A、设计配置文件,根据不同类型的传感器参数配置属性,实现数据的自动化统一管理;
B、从数据采集系统的图像传感器获取图像数据,利用帧差法计算当前帧图像和上一帧图像的光流,通过光流大小判断静态场景和动态场景;
C、人工收集重复场景的数据样本,先标注和分类,再训练模型,并识别出重复场景;
D、人工收集不同天气场景的数据样本,先标注和分类,再训练模型,最后将推理分类后的数据上传至数据存储系统;
E、从数据采集系统的激光雷达传感器获取激光点云数据,以其中一路激光雷达的时间戳为参考,寻找最近邻的图像和其它路激光雷达点云进行匹配,实现数据对齐,然后拼接激光点云。
2.根据权利要求1所述的一种面向自动驾驶矿卡的数据自动清洗方法,其特征在于:所述步骤A中,设计配置文件的详细过程为:
A1、设计一种配置文件,包含原始数据路径名、结果保存路径名、图像话题、激光点云话题和标定参数;
A2、根据上述步骤A1中话题名,对不同的矿卡项目进行设置;
A3、分别执行下面步骤B、C、D、E,实现数据自动化清洗,清洗完后,数据自动上传至存储系统。
4.根据权利要求3所述的一种面向自动驾驶矿卡的数据自动清洗方法,其特征在于:所述步骤B4中,实验过程中阈值r的取值区间为0.003-0.005。
5.根据权利要求1所述的一种面向自动驾驶矿卡的数据自动清洗方法,其特征在于:所述步骤C中,识别重复场景的具体步骤为:
C1、人工收集重复场景的数据样本,将需要的重复场景数据人工分成7类,挖矿区标注为0,十字交叉路口标注为1,丁字路口标注为2,爬坡路线标注为3,巡航路线标注为4,卸料区标注为5,停车区标注为6;
C2、设计网络模型,利用上述步骤C1中的多类重复场景数据通过pytorch工具进行模型训练;
C3、利用上述步骤C2中训练得到的模型推理出是否为重复场景,当为重复场景时,减少在该场景时采集数据的次数。
6.根据权利要求1所述的一种面向自动驾驶矿卡的数据自动清洗方法,其特征在于:所述步骤D中,不同天气场景分类的详细步骤为:
D1、人工收集不同天气场景的数据样本,将不同的天气场景数据人工分成6类,白天晴天标注为0,白天下雨标注为1,白天下雪标注为2,晚上晴天标注为3,晚上下雨标注为4,晚上下雪标注为5;
D2、设计网络模型,利用上述步骤D1中的多类天气场景数据通过pytorch工具进行模型训练;
D3、利用上述步骤D2中训练得到的模型推理出天气类型。
7.根据权利要求6所述的一种面向自动驾驶矿卡的数据自动清洗方法,其特征在于:所述步骤D3中,数据在分类好后,保存至数据存储系统。
8.根据权利要求1所述的一种面向自动驾驶矿卡的数据自动清洗方法,其特征在于:所述步骤E中,传感器数据时间对齐和点云拼接的详细过程为:
E1、从数据采集系统获取12路图像数据和4路激光点云数据;
E2、选取矿卡左前方的激光雷达的当前帧时间戳t0作为整个系统的当前帧参考时间;
E3、参考上述步骤E2的时间戳t0,按照公式i=argmin(ti-t0),其中ti为第i帧的时间戳,在12路图像中分别寻找最近邻的1帧图像,在其它3路激光雷达点云中分别寻找最近邻的1帧激光点云;
E4、将上述步骤E3中时间已经对齐的4路激光点云拼接在一起,形成完整的激光点云图,并自动保存到数据存储系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210391561.3A CN114495018B (zh) | 2022-04-14 | 2022-04-14 | 一种面向自动驾驶矿卡的数据自动清洗方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210391561.3A CN114495018B (zh) | 2022-04-14 | 2022-04-14 | 一种面向自动驾驶矿卡的数据自动清洗方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114495018A true CN114495018A (zh) | 2022-05-13 |
CN114495018B CN114495018B (zh) | 2022-07-01 |
Family
ID=81488019
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210391561.3A Active CN114495018B (zh) | 2022-04-14 | 2022-04-14 | 一种面向自动驾驶矿卡的数据自动清洗方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114495018B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108288274A (zh) * | 2018-02-24 | 2018-07-17 | 北京理工大学 | 模具检测方法、装置以及电子设备 |
CN109446371A (zh) * | 2018-11-09 | 2019-03-08 | 苏州清研精准汽车科技有限公司 | 一种智能汽车仿真测试场景库生成方法及测试系统和方法 |
US20200086879A1 (en) * | 2018-09-14 | 2020-03-19 | Honda Motor Co., Ltd. | Scene classification prediction |
CN111144015A (zh) * | 2019-12-30 | 2020-05-12 | 吉林大学 | 一种自动驾驶汽车虚拟场景库构建方法 |
CN111338973A (zh) * | 2020-05-19 | 2020-06-26 | 中汽院汽车技术有限公司 | 基于场景的自动驾驶仿真测试评价服务云平台及应用方法 |
CN112132857A (zh) * | 2020-09-18 | 2020-12-25 | 福州大学 | 动态环境混合视觉系统的动态物检测和静态地图重建方法 |
CN112286925A (zh) * | 2020-12-09 | 2021-01-29 | 新石器慧义知行智驰(北京)科技有限公司 | 无人驾驶车辆所收集数据的清洗方法 |
CN112801225A (zh) * | 2021-04-01 | 2021-05-14 | 中国人民解放军国防科技大学 | 极限工况下自动驾驶多传感器融合感知方法及系统 |
CN113255560A (zh) * | 2021-06-09 | 2021-08-13 | 深圳朗道智通科技有限公司 | 基于图像与激光数据的自动驾驶场景下的目标检测系统 |
CN113819912A (zh) * | 2021-09-30 | 2021-12-21 | 中科测试(深圳)有限责任公司 | 一种基于多传感器数据的高精度点云地图生成方法 |
-
2022
- 2022-04-14 CN CN202210391561.3A patent/CN114495018B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108288274A (zh) * | 2018-02-24 | 2018-07-17 | 北京理工大学 | 模具检测方法、装置以及电子设备 |
US20200086879A1 (en) * | 2018-09-14 | 2020-03-19 | Honda Motor Co., Ltd. | Scene classification prediction |
CN109446371A (zh) * | 2018-11-09 | 2019-03-08 | 苏州清研精准汽车科技有限公司 | 一种智能汽车仿真测试场景库生成方法及测试系统和方法 |
CN111144015A (zh) * | 2019-12-30 | 2020-05-12 | 吉林大学 | 一种自动驾驶汽车虚拟场景库构建方法 |
CN111338973A (zh) * | 2020-05-19 | 2020-06-26 | 中汽院汽车技术有限公司 | 基于场景的自动驾驶仿真测试评价服务云平台及应用方法 |
CN112132857A (zh) * | 2020-09-18 | 2020-12-25 | 福州大学 | 动态环境混合视觉系统的动态物检测和静态地图重建方法 |
CN112286925A (zh) * | 2020-12-09 | 2021-01-29 | 新石器慧义知行智驰(北京)科技有限公司 | 无人驾驶车辆所收集数据的清洗方法 |
CN112801225A (zh) * | 2021-04-01 | 2021-05-14 | 中国人民解放军国防科技大学 | 极限工况下自动驾驶多传感器融合感知方法及系统 |
CN113255560A (zh) * | 2021-06-09 | 2021-08-13 | 深圳朗道智通科技有限公司 | 基于图像与激光数据的自动驾驶场景下的目标检测系统 |
CN113819912A (zh) * | 2021-09-30 | 2021-12-21 | 中科测试(深圳)有限责任公司 | 一种基于多传感器数据的高精度点云地图生成方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114495018B (zh) | 2022-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Carletti et al. | An intelligent flying system for automatic detection of faults in photovoltaic plants | |
CN110781262B (zh) | 基于视觉slam的语义地图的构建方法 | |
CN110796009A (zh) | 基于多尺度卷积神经网络模型的海上船只检测方法及系统 | |
CN110826424B (zh) | 一种基于行人重识别驱动定位调整的行人搜索方法 | |
CN111507226B (zh) | 道路图像识别模型建模方法、图像识别方法及电子设备 | |
CN112347933A (zh) | 一种基于视频流的交通场景理解方法及装置 | |
US11521375B2 (en) | Method and system for improved object marking in sensor data | |
CN111295666A (zh) | 一种车道线检测方法、装置、控制设备及存储介质 | |
CN116071747A (zh) | 一种基于3d点云数据和2d图像数据融合匹配语义分割方法 | |
CN114898322A (zh) | 行车环境识别方法、装置、车辆及存储介质 | |
CN114003672A (zh) | 一种道路动态事件的处理方法、装置、设备和介质 | |
CN113989744A (zh) | 一种基于超大尺寸高分辨图像的行人目标检测方法及系统 | |
CN113158891A (zh) | 一种基于全局特征匹配的跨摄像头行人重识别方法 | |
Cai et al. | A comparative study of deep learning approaches to rooftop detection in aerial images | |
CN114511627A (zh) | 一种目标果实定位分割方法及系统 | |
CN114511788A (zh) | 一种坡体裂缝识别方法、系统、设备以及存储介质 | |
CN114419603A (zh) | 一种自动驾驶车辆控制方法、系统和自动驾驶车辆 | |
CN114495018B (zh) | 一种面向自动驾驶矿卡的数据自动清洗方法 | |
CN112581495A (zh) | 图像处理方法、装置、设备及存储介质 | |
Ding et al. | Mit-avt clustered driving scene dataset: Evaluating perception systems in real-world naturalistic driving scenarios | |
CN112785610B (zh) | 一种融合低层特征的车道线语义分割方法 | |
CN112597871A (zh) | 基于二阶段聚类的无监督车辆重识别方法、系统及存储介质 | |
Tran et al. | Probabilistic model and neural network for scene classification in traffic surveillance system | |
Chen et al. | Research on pedestrian intrusion detection in static scenes | |
CN111126331A (zh) | 一种结合物体检测和物体跟踪的实时路牌检测方法 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231220 Address after: No. 6, Yutong Road, Guancheng Hui District, Zhengzhou, Henan 450061 Patentee after: Yutong Bus Co.,Ltd. Address before: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.) Patentee before: SHENZHEN YUTONG ZHILIAN TECHNOLOGY Co.,Ltd. |