CN114802261A - 泊车控制方法、障碍物识别模型训练方法、装置 - Google Patents
泊车控制方法、障碍物识别模型训练方法、装置 Download PDFInfo
- Publication number
- CN114802261A CN114802261A CN202210424499.3A CN202210424499A CN114802261A CN 114802261 A CN114802261 A CN 114802261A CN 202210424499 A CN202210424499 A CN 202210424499A CN 114802261 A CN114802261 A CN 114802261A
- Authority
- CN
- China
- Prior art keywords
- obstacle
- target
- dimensional
- type
- 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
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000012549 training Methods 0.000 title claims abstract description 66
- 238000001514 detection method Methods 0.000 claims abstract description 57
- 238000004590 computer program Methods 0.000 claims description 19
- 238000010586 diagram Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 18
- 230000004888 barrier function Effects 0.000 abstract description 7
- 238000004364 calculation method Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 description 21
- 230000015654 memory Effects 0.000 description 19
- 238000013473 artificial intelligence Methods 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 12
- 230000009286 beneficial effect Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 8
- 230000008447 perception Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000001360 synchronised effect Effects 0.000 description 6
- 241000282414 Homo sapiens Species 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 235000015243 ice cream Nutrition 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000013526 transfer learning Methods 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
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/06—Automatic manoeuvring for parking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/50—Barriers
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种泊车控制方法、障碍物识别模型训练方法、装置,涉及智能泊车技术领域。该方法包括:获取车辆周围环境的目标二维图像;将该目标二维图像输入障碍物识别模型,得到该目标障碍物的边界框和该目标障碍物的类别;其中,该障碍物识别模型是基于障碍物的边界框的类型进行训练得到的,该障碍物的边界框的类型是基于障碍物的特征确定的;基于该目标障碍物的边界框和该目标障碍物的类别,控制该车辆泊车。该方法能够输出与目标障碍物的特征对应的边界框类型的边界框,针对输出二维边界框的障碍物,节约了障碍物在三维目标检测的算力;针对输出的三维边界框,能够准确获取障碍物的尺寸信息和障碍物距离相机的距离,得到更加准确的泊车数据。
Description
技术领域
本申请实施例涉及智能泊车技术领域,并且更具体地,涉及一种泊车控制方法、障碍物识别模型训练方法、装置。
背景技术
早期泊车场景的智能驾驶技术,在障碍物感知方面主要依赖超声波雷达,近年来,随着计算机视觉技术的发展,更多依赖计算机视觉的技术方案也备受关注。由于鱼眼相机相比针孔相机有更广的视角,所以在泊车场景中更多使用环视鱼眼相机完成车辆周围的障碍物感知。虽然泊车场景相比高速或者城市道路,车辆的行驶速度相对缓慢,但是也存在其特有的环境复杂性,从而对障碍物的感知提出了特殊的要求,尤其是很多高速和城市路况不会存在的障碍物,反而在地面和地下停车场会频繁出现。
目前,大多数障碍物感知方案多采用二维目标检测算法,得到障碍物的二维边界框,再将二维边界框上的坐标信息通过相机坐标系到世界坐标系的转换,获得障碍物在世界坐标系的三维空间信息。
但是,针对智能泊车过程中对部分感知精度要求高的障碍物,或无法界定接地点的障碍物,二维目标检测算法无法准确确定其三维空间信息。
发明内容
本申请提供一种泊车控制方法、障碍物识别模型训练方法、装置,能够输出与目标障碍物的特征对应的边界框类型的边界框;一方面,有利于对于基于障碍物的特征确定不适用三维边界框的障碍物、或感知精度要求低的障碍物,输出二维边界框,节约障碍物检测的算力;另一方面,有利于对于基于障碍物的特征确定的感知精度要求高的障碍物,输出三维边界框,能够准确获取障碍物的尺寸信息和障碍物距离相机的距离,得到更加准确的泊车数据。
第一方面,本申请提供了一种泊车控制方法,包括:
获取车辆周围环境的目标二维图像;
将该目标二维图像输入障碍物识别模型,通过该障碍物识别模型对该目标二维图像上的目标障碍物进行识别,以得到该目标障碍物的边界框和该目标障碍物的类别;
其中,该障碍物识别模型是基于障碍物的边界框的类型进行训练得到的,该障碍物的边界框的类型是基于障碍物的特征确定的,该边界框的类型包括二维边界框和三维边界框中的至少一个;
基于该目标障碍物的边界框和该目标障碍物的类别,控制该车辆泊车。
第二方面,本申请提供了一种障碍物识别模型训练方法,包括:
获取二维训练图像,该二维训练图像包括m个障碍物,m>1;
根据该m个障碍物的特征,确定该m个障碍物中每个障碍物的边界框的类型;该边界框的类型包括二维边界框和三维边界框中的至少一个;
通过该二维训练图像所包括的m个障碍物中每个障碍物的边界框的类型,对该障碍物识别模型进行训练。
第三方面,本申请提供了一种泊车控制装置,包括:
获取单元,用于获取车辆周围环境的目标二维图像;
输出单元,用于将该目标二维图像输入障碍物识别模型,通过该障碍物识别模型对该目标二维图像上的目标障碍物进行识别,以得到该目标障碍物的边界框和该目标障碍物的类别;
其中,该障碍物识别模型是基于障碍物的边界框的类型进行训练得到的,该障碍物的边界框的类型是基于障碍物的特征确定的,该边界框的类型包括二维边界框和三维边界框中的至少一个;
控制单元,用于基于该目标障碍物的边界框和该目标障碍物的类别,控制该车辆泊车。
第四方面,本申请提供了一种障碍物识别模型训练装置,包括:
获取单元,用于获取二维训练图像,该二维训练图像包括m个障碍物,m>1;
确定单元,用于基于该m个障碍物的特征,确定该m个障碍物中每个障碍物的边界框的类型;该边界框的类型包括二维边界框和三维边界框中的至少一个;
训练单元,用于通过该二维训练图像所包括的m个障碍物中每个障碍物的边界框的类型,对该障碍物识别模型进行训练。
第五方面,提供了一种电子设备,包括:
处理器,适于执行计算机程序;
计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,该计算机程序被该处理器执行时,实现上述第一方面或上述第二方面的方法。
第六方面,提供了一种计算机可读存储介质,用于存储计算机程序,该计算机程序使得计算机执行上述第一方面或上述第二方面的方法。
第七方面,提供了一种计算机程序产品,包括计算机程序/指令,该计算机程序/指令被处理器执行时实现上述第一方面或上述第二方面的方法。
基于以上技术方案,将障碍物的边界框的类型和障碍物的特征关联,基于障碍物的边界框的类型训练得到障碍物识别模型,通过训练好的障碍物识别模型对获取的目标二维图像上的目标障碍物进行识别,能够输出与目标障碍物的特征对应的边界框类型的边界框;一方面,有利于针对基于障碍物的特征确定不适用三维边界框的障碍物、或感知精度要求低的障碍物,输出二维边界框,节约障碍物检测的算力;另一方面,有利于针对基于障碍物的特征确定的感知精度要求高的障碍物,输出三维边界框,能够准确获取障碍物的尺寸信息和障碍物距离相机的距离,得到更加准确的泊车数据。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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他的附图。
图1是本申请实施例提供的泊车控制方法的示意性流程图。
图2是本申请实施例提供的障碍物识别模型的框架的示例图。
图3是本申请实施例提供的障碍物识别模型训练方法的示意性流程图。
图4是本申请实施例提供的泊车控制装置的示意性框图。
图5是本申请实施例提供的障碍物识别模型训练装置的示意性框图。
图6是本申请实施例提供的电子设备的示意结构图。
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的一部分实施例,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作出创造性劳动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。
本申请提供的方案可涉及人工智能技术。
其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
应理解,人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
随着人工智能技术研究和进步,人工智能技术在多个领域展开研究和应用,例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等,相信随着技术的发展,人工智能技术将在更多的领域得到应用,并发挥越来越重要的价值。
本申请实施例可涉及人工智能技术中的计算机视觉(Computer Vision,CV)技术,计算机视觉是一门研究如何使机器“看”的科学,更进一步的说,就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科,计算机视觉研究相关的理论和技术,试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术,还包括常见的人脸识别、指纹识别等生物特征识别技术。
本申请实施例也可以涉及人工智能技术中的机器学习(Machine Learning,ML),ML是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
目前,大多数障碍物感知方案多采用二维目标检测算法,得到障碍物的二维边界框,再将二维边界框上的坐标信息通过相机坐标系到世界坐标系的转换,获得障碍物在世界坐标系的三维空间信息。
但是,对于泊车过程中的部分障碍物(例如,其他车辆、骑摩托车的人、骑三轮车的人等),二维目标检测算法很难得到该部分障碍物的尺度信息,只能相对准确的获取障碍物的高度;而且,对于和相机光心存在一定偏航角的障碍物,很难精确得到障碍物的宽度和长度;此外,利用二维目标检测算法,对于一些容易出现遮挡的障碍物,无法获取高精度的障碍物偏航角信息,对于一些很难界定接地点的障碍物,无法精确地计算障碍物到相机的距离。
基于此,本申请提供的一种泊车控制方案,基于泊车场景中障碍物的特征,确定障碍物的边界框类型,再基于障碍物的边界框的类型训练得到障碍物识别模型,通过训练好的障碍物识别模型对获取的目标二维图像上的目标障碍物进行识别,能够输出与目标障碍物的特征对应的边界框类型的边界框。一方面,有利于针对不适用三维边界框的障碍物、或基于障碍物的特征确定的感知精度要求低的障碍物,输出二维边界框,节约障碍物检测的算力;另一方面,有利于针对基于障碍物的特征确定的感知精度要求高的障碍物,输出三维边界框,能够准确获取障碍物的尺寸信息和障碍物距离相机的距离,得到更加准确的泊车数据。
图1是本申请实施例提供的泊车控制方法100的示意性流程图。
应理解,该泊车控制方法可由集成障碍物识别模型的泊车控制装置执行,下边对本申请提供的泊车控制方法进行详细说明。
S101,获取车辆周围环境的目标二维图像。
S102,将该目标二维图像输入障碍物识别模型,通过该障碍物识别模型对该目标二维图像上的目标障碍物进行识别,以得到该目标障碍物的边界框和该目标障碍物的类别;
其中,该障碍物识别模型是基于障碍物的边界框的类型进行训练得到的,该障碍物的边界框的类型是基于障碍物的特征确定的,该边界框的类型包括二维边界框和三维边界框中的至少一个。
S103,基于该目标障碍物的边界框和该目标障碍物的类别,控制该车辆泊车。
示例性的,获取摄像头采集的车辆周围环境的目标二维图像。
示例性的,该摄像头可以是鱼眼相机的摄像头,也可以是针孔摄像头,还可以是其他摄像头,本申请度对此不作具体限制。
示例性的,该摄像头可以是智能摄像头,该智能摄像头可包括图像传感器,该图像传感器用于采集图像数据,该图像传感器可以是彩色图像传感器、灰度图像传感器或其他,本申请对此不作不提限制。
示例性的,二维边界框可以是包围对象的最小矩形框;二维边界框提供有关其所包括的对象在二维图像上的坐标信息;示例性的,二维边界框包括障碍物的左上角和右下角分别在二维图像上的坐标。
示例性的,三维边界框可以是包围对象的最小体积的长方体;三维边界框提供有关其所包括的对象的空间定位、方位以及大小的信息;示例性的,三维边界框的参数包括障碍物的长度、宽度、高度、障碍物的中心点在相机坐标系下的坐标、以及障碍物的航向角。
需要说明的是,本申请涉及的障碍物识别模型可以是任意一种基于深度学习或机器学习的用于预测的模型,本申请实施例对此不作具体限定。作为示例,该预测模型包括但不限于:传统学习模型、集成学习模型或深度学习模型。可选的,传统学习模型包括但不限于:树模型(回归树)或逻辑回归(logistic regression,LR)模型;集成学习模型包括但不限于:梯度提升算法的改进模型(XGBoost)或随机森林模型;深度学习模型包括但不限于:长短期记忆网络(Long Short-Term Memory,LSTM)或神经网络。当然,在本申请的其他实施例中,也可以使用其他机器学习类的模型,本申请对此不作具体限定。
在本实施例中,将障碍物的边界框的类型和障碍物的特征关联,基于障碍物的边界框的类型训练得到障碍物识别模型,通过训练好的障碍物识别模型对获取的目标二维图像上的目标障碍物进行识别,能够输出与目标障碍物的特征对应的边界框类型的边界框;一方面,有利于针对基于障碍物的特征确定不适用三维边界框的障碍物、或感知精度要求低的障碍物,输出二维边界框,节约障碍物检测的算力;另一方面,有利于针对基于障碍物的特征确定的感知精度要求高的障碍物,输出三维边界框,能够准确获取障碍物的尺寸信息和障碍物距离相机的距离,得到更加准确的泊车数据。
图2是本申请实施例提供的障碍物识别模型的框架200的示例。
需要说明的是,本申请实施例提供的障碍物识别模型可以集成在泊车控制装置中。需要说明的是,该泊车控制装置包括但不限于车载终端等,本申请对此不作具体限制。
如图2所示,该框架200可包括柱面投影模块210、特征提取模块220、二维目标检测模块230、三维目标检测模块240、三维转换模块250。
其中,柱面投影模块210用于对获取的二维图像进行柱面投影处理,以得到二维柱面图像。
特征提取模块220用于提取二维柱面图像的特征,得到特征图。
二维目标检测模块230:若基于特征图上该目标的特征确定的边界框的类型为二维边界框,则利用二维目标检测算法,对特征图上的目标进行检测,输出该目标的二维边界框和类别。
三维目标检测模块240:若基于特征图上该目标的特征确定的边界框的类型为三维边界框,则利用三维目标检测算法,对特征图上的目标进行检测,输出该目标的三维边界框和类别。
三维转换模块250用于将二维边界框转换为三维边界框。
基于以上技术方案,首先,采用多任务网络的设计思想,在特征提取部分,利用特征提取模块提取二维柱面图像上目标的特征,即采用一个骨干网络在特征学习环节,提取二维柱面图像上目标的特征,能够降低模型的计算复杂度,有利于模型的轻量化。
其次,再将特征提取模块得到的特征图分别输入二维目标检测模块和三维目标检测模块,基于特征图上目标的特征,确定与该目标对应的边界框的类型,基于边界框的类型,从与该类型匹配的目标检测模块输出目标的边界框,能够综合二维目标检测算法和三维目标检测算法的优点,采用分而治之的思路,基于目标的类型,采用不同的检测算法,以实现对不同目标均有较准确的检测效果。
需要说明的是,边界框的类型包括二维边界框和三维边界框中的至少一个;同一目标只能从二维目标检测模块输出或三维目标检测模块输出。
在本申请的一些实施例中,S102可包括:
将该目标二维图像输入障碍物识别模型,利用该障碍物识别模型对该目标二维图像进行柱面投影处理,得到目标二维柱面图像;
提取该目标二维柱面图像的图像特征,得到与该目标二维柱面图像对应的特征图;
将该特征图分别输入二维目标检测网络和三维目标检测网络,得到该目标障碍物的边界框和该目标障碍物的类别。
在一种实现方式中,以该目标二维柱面图像为输入,通过该障碍物识别模型,提取该二维柱面图像在网络中多个卷积层分别输出的多个特征图,再将该多个特征图进行特征融合或拼接,得到与该目标二维柱面图像对应的特征图。示例性的,该多个卷积层可包括至少一个中间层和最后一层。
在一种实现方式中,若基于该目标障碍物的特征确定的边界框的类型为三维边界框,则将该特征图分别输入二维目标检测网络和三维目标检测网络,该三维目标检测网络输出该目标障碍物的三维边界框和该目标障碍物的类别;若基于该目标障碍物的特征确定的边界框的类型为二维边界框,则将该特征图分别输入二维目标检测网络和三维目标检测网络,该二维目标检测网络输出该目标障碍物的二维边界框和该目标障碍物的类别。
在本实施例中,首先,通过对目标二维图像进行柱面投影处理,得到目标二维柱面图像,一方面,相较于对目标二维图像进行畸变处理,柱面投影处理可以保留目标二维图像上相机广角拍摄的感知优势;另一方面,对目标二维图像进行柱面投影处理,不仅能够避免直接提取目标二维图像的图像特征后,利用目标二维图像对应的特征图,进行障碍物的二维边界框预测时出现的过多背景信息;而且,能够消除障碍物在图像中的旋转变形,避免了进行障碍物的三维边界框预测时因障碍物在图像坐标系中有较大旋转而引入较大的误差。
其次,将目标二维柱面图像对应的特征图分别输入二维目标检测网络和三维目标检测网络,有利于基于特征图上的目标障碍物的特征,确定与该目标障碍物对应的边界框的类型,基于边界框的类型,从与该类型匹配的目标检测模块输出目标障碍物的边界框,即该方案能够综合二维目标检测算法和三维目标检测算法的优点,采用分而治之的思路,基于目标障碍物的类型,采用不同的检测算法,以实现对不同障碍物均有较准确的检测效果。
在本申请的一些实施例中,S103可包括:
若该目标障碍物的边界框的类型为二维边界框,则获取该目标障碍物的接地点的坐标;
基于该接地点的坐标和该目标障碍物的二维边界框,得到该目标障碍物的中心点在世界坐标系的坐标;
基于该目标障碍物的类别,获取该目标障碍物的尺寸信息;
基于该世界坐标系的坐标和该尺寸信息,得到该目标障碍物的三维边界框;
基于该目标障碍物的三维边界框和该目标障碍物的类别,控制该车辆泊车。
示例性的,该接地点可以是目标障碍物的二维边界框的底边中心点。
示例性的,获取数据库中的第一映射关系,该第一映射关系包括至少一个障碍物的类别和至少一个障碍物的类别中每个障碍物的类别对应的尺寸信息,将第一映射关系中与目标障碍物的类别对应的尺寸信息,确定为该目标障碍物的尺寸信息。
在本实施例中,针对不适用三维边界框的障碍物、或基于障碍物的特征确定的感知精度要求低的障碍物,利用二维目标检测网络,得到障碍物的二维边界框,再通过将目标障碍物的二维边界框转换为目标障碍物的三维边界框,能够在保证获取障碍物三维边界框的基础上,节约三维目标检测网络的算力。
在本申请的一些实施例中,方法100还可包括:
若该目标障碍物的边界框的类型为三维边界框,则基于该目标障碍物的三维边界框和该目标障碍物的类别,控制该车辆泊车。
通过目标障碍物的三维边界框和该目标障碍物的类别,能够实现泊车控制装置对目标障碍物的精准识别,能够为泊车场景提供实时准确的障碍物感知信息,从而实现对目标障碍物的高识别率,有利于泊车控制装置根据目标障碍物类别和目标障碍物的边界框进行泊车控制。
在本申请的一些实施例中,该障碍物的特征包括以下中的至少一项:
该障碍物的体积、该障碍物是否可移动、该障碍物的类别、该障碍物被遮挡的概率、该障碍物对泊车影响的概率。
示例性的,若障碍物的体积大于第一阈值,则该障碍物的边界框的类型为三维边界框,该第一阈值可以是经验值或是基于历史泊车数据得到的阈值,本申请对此不作具体限制。
示例性的,若障碍物可自主移动,则该障碍物的边界框的类型为三维边界框。
示例性的,该障碍物的类别包括但不限于雪糕筒、低矮的柱子、地面交通指示牌、骑自行车的行人、骑摩托车的行人、占位牌、占位杆、打开状态下的地锁、关闭状态下的地锁、行人、自行车、汽车等。示例性的,若障碍物的类别为骑自行车的行人、骑摩托车的行人、行人、自行车、汽车等,则该障碍物的边界框的类型为三维边界框。若障碍物的类别为雪糕筒、占位牌、低矮的柱子、地面交通指示牌、占位杆、关闭状态下的地锁等,则该障碍物的边界框的类型为二维边界框。
示例性的,若该障碍物的被遮挡的概率大于第二阈值,则该障碍物的边界框的类型为三维边界框,该第二阈值可以是经验值或是基于历史泊车数据得到的阈值,本申请对此不作具体限制。
示例性的,若该障碍物对泊车影响的概率大于第三阈值,则该障碍物的边界框的类型为三维边界框,该第三阈值可以是经验值或是基于历史泊车数据得到的阈值,本申请对此不作具体限制。
示例性的,障碍物的特征还可包括该障碍物的接地点是否容易确定,若障碍物的接地点比较难确定,则该障碍物的边界框的类型为三维边界框。
示例性的,障碍物的特征还可包括该障碍物的姿态是否影响泊车,若障碍物的姿态对泊车影响的概率大于第四阈值,则该障碍物的边界框的类型为三维边界框,该第四阈值可以是经验值或是基于历史泊车数据得到的阈值,本申请对此不作具体限制。
在本实施例中,从障碍物的体积、是否可移动、类别、遮挡概率等多个维度分析泊车场景中对该障碍物的感知精度要求,从而确定该障碍物的边界框类型,以充分利用障碍物识别模型,提高障碍物边界框检测结果的准确度。
图3是本申请实施例提供的障碍物识别模型训练方法300的示意性流程图。
应理解,该障碍物识别模型训练方法可由障碍物识别模型训练装置执行,下边对本申请提供的障碍物识别模型训练方法进行详细说明。
S301,获取二维训练图像,该二维训练图像包括m个障碍物,m>1;
S302,根据该m个障碍物的特征,确定该m个障碍物中每个障碍物的边界框的类型;该边界框的类型包括二维边界框和三维边界框中的至少一个;
S303,通过该二维训练图像所包括的m个障碍物中每个障碍物的边界框的类型,对该障碍物识别模型进行训练。
在一种实现方式中,该障碍物识别模型为基于神经网络基础模型训练得到的。示例性的,获取已标注的该m个障碍物中每个障碍物的类别,将二维训练图像、已标注的该m个障碍物中每个障碍物的类别、已标注的该m个障碍物中每个障碍物的边界框作为训练集,对该障碍物识别模型进行训练。
当然,该障碍物识别模型还可以是基于其他网络模型为基础进行训练,本申请对此不作具体限制。
示例性的,模型训练前,在获取障碍物的三维边界框时,可以通过激光雷达点云标注得到。示例性的,可利用彩色图像传感器和激光雷达传感器同时采集同一帧图像,基于采集到的图像中障碍物的特征,为其标注与该特征匹配的边界框类型的边界框。示例性的,若障碍物为行人,则利用激光雷达点云技术在激光雷达传感器采集的图像上标注该障碍物的三维边界框;若障碍物为路标指示牌,则在彩色图像传感器采集的图像上标注该障碍物的二维边界框。
以上结合附图详细描述了本申请的优选实施方式,但是,本申请并不限于上述实施方式中的具体细节,在本申请的技术构思范围内,可以对本申请的技术方案进行多种简单变型,这些简单变型均属于本申请的保护范围。例如,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本申请对各种可能的组合方式不再另行说明。又例如,本申请的各种不同的实施方式之间也可以进行任意组合,只要其不违背本申请的思想,其同样应当视为本申请所公开的内容。还应理解,在本申请的各种方法实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
上文对本申请实施例提供的方法进行了说明,下面对本申请实施例提供的泊车控制装置和障碍物识别模型训练装置进行说明。
图4是本申请实施例提供的泊车控制装置400的示意性框图。
如图4所示,该泊车控制装置400可包括:
获取单元410,用于获取车辆周围环境的目标二维图像;
输出单元420,用于将该目标二维图像输入障碍物识别模型,通过该障碍物识别模型对该目标二维图像上的目标障碍物进行识别,以得到该目标障碍物的边界框和该目标障碍物的类别;
其中,该障碍物识别模型是基于障碍物的边界框的类型进行训练得到的,该障碍物的边界框的类型是基于障碍物的特征确定的,该边界框的类型包括二维边界框和三维边界框中的至少一个;
控制单元430,用于基于该目标障碍物的边界框和该目标障碍物的类别,控制该车辆泊车。
在本申请的一些实施例中,输出单元420具体用于:
将该目标二维图像输入障碍物识别模型,利用该障碍物识别模型对该目标二维图像进行柱面投影处理,得到目标二维柱面图像;
提取该目标二维柱面图像的图像特征,得到与该目标二维柱面图像对应的特征图;
将该特征图分别输入二维目标检测网络和三维目标检测网络,得到该目标障碍物的边界框和该目标障碍物的类别。
在本申请的一些实施例中,输出单元420具体还用于:
若基于该目标障碍物的特征确定的边界框的类型为三维边界框,则将该特征图分别输入二维目标检测网络和三维目标检测网络,该三维目标检测网络输出该目标障碍物的三维边界框和该目标障碍物的类别;
若基于该目标障碍物的特征确定的边界框的类型为二维边界框,则将该特征图分别输入二维目标检测网络和三维目标检测网络,该二维目标检测网络输出该目标障碍物的二维边界框和该目标障碍物的类别。
在本申请的一些实施例中,控制单元430具体用于:
若该目标障碍物的边界框的类型为二维边界框,则获取该目标障碍物的接地点的坐标;
基于该接地点的坐标和该目标障碍物的二维边界框,得到该目标障碍物的中心点在世界坐标系的坐标;
基于该目标障碍物的类别,获取该目标障碍物的尺寸信息;
基于该世界坐标系的坐标和该尺寸信息,得到该目标障碍物的三维边界框;
基于该目标障碍物的三维边界框和该目标障碍物的类别,控制该车辆泊车。
在本申请的一些实施例中,该障碍物的特征包括以下中的至少一项:
该障碍物的体积、该障碍物是否可移动、该障碍物的类别、该障碍物被遮挡的概率、该障碍物对泊车影响的概率。
图5是本申请实施例提供的障碍物识别模型训练装置500的示意性框图。
如图5所示,该障碍物识别模型训练装置500可包括:
获取单元510,用于获取二维训练图像,该二维训练图像包括m个障碍物,m>1;
确定单元520,用于基于该m个障碍物的特征,确定该m个障碍物中每个障碍物的边界框的类型;该边界框的类型包括二维边界框和三维边界框中的至少一个;
训练单元530,用于通过该二维训练图像所包括的m个障碍物中每个障碍物的边界框的类型,对该障碍物识别模型进行训练。
应理解,装置实施例与方法实施例可以相互对应,类似的描述可以参照方法实施例。为避免重复,此处不再赘述。具体地,该泊车控制装置400和障碍物识别模型训练装置500可以对应于执行本申请实施例的方法100和方法300中的相应主体,并且该泊车控制装置400和障碍物识别模型训练装置500中的各个单元分别为了实现方法100和方法300中的相应流程,为了简洁,在此不再赘述。
还应当理解,本申请实施例涉及的该泊车控制装置400和障碍物识别模型训练装置500中的各个单元可以分别或全部合并为一个或若干个另外的单元来构成,或者其中的某个(些)单元还可以再拆分为功能上更小的多个单元来构成,这可以实现同样的操作,而不影响本申请的实施例的技术效果的实现。上述单元是基于逻辑功能划分的,在实际应用中,一个单元的功能也可以由多个单元来实现,或者多个单元的功能由一个单元实现。在本申请的其它实施例中,该泊车控制装置400和障碍物识别模型训练装置500也可以包括其它单元,在实际应用中,这些功能也可以由其它单元协助实现,并且可以由多个单元协作实现。根据本申请的另一个实施例,可以通过在包括例如中央处理单元(CPU)、随机存取存储介质(RAM)、只读存储介质(ROM)等处理元件和存储元件的通用计算机的通用计算设备上运行能够执行相应方法所涉及的各步骤的计算机程序(包括程序代码),来构造本申请实施例涉及的该泊车控制装置400和障碍物识别模型训练装置500,以及来实现本申请实施例的相应方法。其中,计算机程序可以记载于例如计算机可读存储介质上,并通过计算机可读存储介质装载于电子设备中,并在其中运行,来实现本申请实施例的相应方法。
换言之,上文涉及的单元可以通过硬件形式实现,也可以通过软件形式的指令实现,还可以通过软硬件结合的形式实现。具体地,本申请实施例中的方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路和/或软件形式的指令完成,结合本申请实施例公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件组合执行完成。可选地,软件可以位于随机存储器,闪存、只读存储器、可编程只读存储器、电可擦写可编程存储器、寄存器等本领域的成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法实施例中的步骤。
图6是本申请实施例提供的电子设备600的示意结构图。
如图6所示,该电子设备600至少包括处理器610以及计算机可读存储介质620。其中,处理器610以及计算机可读存储介质620可通过总线或者其它方式连接。计算机可读存储介质620用于存储计算机程序621,计算机程序621包括计算机指令,处理器610用于执行计算机可读存储介质620存储的计算机指令。处理器610是电子设备600的计算核心以及控制核心,其适于实现一条或多条计算机指令,具体适于加载并执行一条或多条计算机指令从而实现相应方法流程或相应功能。
作为示例,处理器610也可称为中央处理器(Central Processing Unit,CPU)。处理器610可以包括但不限于:通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等等。
作为示例,计算机可读存储介质620可以是高速RAM存储器,也可以是非不稳定的存储器(Non-Volatile Memory),例如至少一个磁盘存储器;可选的,还可以是至少一个位于远离前述处理器610的计算机可读存储介质。具体而言,计算机可读存储介质620包括但不限于:易失性存储器和/或非易失性存储器。其中,非易失性存储器可以是只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(Synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRate SDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(synch link DRAM,SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM,DR RAM)。
在一种实现方式中,该电子设备600可以是图4和图5所示的泊车控制装置400和障碍物识别模型训练装置500;该计算机可读存储介质620中存储有计算机指令;由处理器610加载并执行计算机可读存储介质620中存放的计算机指令,以实现图1和图3所示方法实施例中的相应步骤;具体实现中,计算机可读存储介质620中的计算机指令由处理器610加载并执行相应步骤,为避免重复,此处不再赘述。
根据本申请的另一方面,本申请实施例还提供了一种计算机可读存储介质(Memory),计算机可读存储介质是电子设备600中的记忆设备,用于存放程序和数据。例如,计算机可读存储介质620。可以理解的是,此处的计算机可读存储介质620既可以包括电子设备600中的内置存储介质,当然也可以包括电子设备600所支持的扩展存储介质。计算机可读存储介质提供存储空间,该存储空间存储了电子设备600的操作系统。并且,在该存储空间中还存放了适于被处理器610加载并执行的一条或多条的计算机指令,这些计算机指令可以是一个或多个的计算机程序621(包括程序代码)。
该电子设备600还可包括:收发器630,该收发器630可连接至该处理器610或计算机可读存储介质620。
其中,计算机可读存储介质620可以控制该收发器630与其他设备进行通信,具体地,可以向其他设备发送信息或数据,或接收其他设备发送的信息或数据。收发器630可以包括发射机和接收机。收发器630还可以进一步包括天线,天线的数量可以为一个或多个。
根据本申请的另一方面,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。例如,计算机程序621。此时,电子设备600可以是计算机,处理器610从计算机可读存储介质620读取该计算机指令,处理器610执行该计算机指令,使得该计算机执行上述各种可选方式中提供的相应方法。
换言之,当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时,全部或部分地运行本申请实施例的流程或实现本申请实施例的功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质进行传输,例如,该计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元以及流程步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
最后需要说明的是,以上实施例仅为本申请的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种泊车控制方法,其特征在于,包括:
获取车辆周围环境的目标二维图像;
将所述目标二维图像输入障碍物识别模型,通过所述障碍物识别模型对所述目标二维图像上的目标障碍物进行识别,以得到所述目标障碍物的边界框和所述目标障碍物的类别;
其中,所述障碍物识别模型是基于障碍物的边界框的类型进行训练得到的,所述障碍物的边界框的类型是基于障碍物的特征确定的,所述边界框的类型包括二维边界框和三维边界框中的至少一个;
基于所述目标障碍物的边界框和所述目标障碍物的类别,控制所述车辆泊车。
2.根据权利要求1所述的方法,其特征在于,所述将所述目标二维图像输入障碍物识别模型,通过所述障碍物识别模型对所述目标二维图像上的目标障碍物进行识别,以得到所述目标障碍物的边界框和所述目标障碍物的类别,包括:
将所述目标二维图像输入障碍物识别模型,利用所述障碍物识别模型对所述目标二维图像进行柱面投影处理,得到目标二维柱面图像;
提取所述目标二维柱面图像的图像特征,得到与所述目标二维柱面图像对应的特征图;
将所述特征图分别输入二维目标检测网络和三维目标检测网络,得到所述目标障碍物的边界框和所述目标障碍物的类别。
3.根据权利要求2所述的方法,其特征在于,所述将所述特征图分别输入二维目标检测网络和三维目标检测网络,得到所述目标障碍物的边界框和所述目标障碍物的类别,包括:
若基于所述目标障碍物的特征确定的边界框的类型为三维边界框,则将所述特征图分别输入二维目标检测网络和三维目标检测网络,所述三维目标检测网络输出所述目标障碍物的三维边界框和所述目标障碍物的类别;
若基于所述目标障碍物的特征确定的边界框的类型为二维边界框,则将所述特征图分别输入二维目标检测网络和三维目标检测网络,所述二维目标检测网络输出所述目标障碍物的二维边界框和所述目标障碍物的类别。
4.根据权利要求1所述的方法,其特征在于,所述基于所述目标障碍物的边界框和所述目标障碍物的类别,控制所述车辆泊车,包括:
若所述目标障碍物的边界框的类型为二维边界框,则获取所述目标障碍物的接地点的坐标;
基于所述接地点的坐标和所述目标障碍物的二维边界框,得到所述目标障碍物的中心点在世界坐标系的坐标;
基于所述目标障碍物的类别,获取所述目标障碍物的尺寸信息;
基于所述世界坐标系的坐标和所述尺寸信息,得到所述目标障碍物的三维边界框;
基于所述目标障碍物的三维边界框和所述目标障碍物的类别,控制所述车辆泊车。
5.根据权利要求1所述的方法,其特征在于,所述障碍物的特征包括以下中的至少一项:
所述障碍物的体积、所述障碍物是否可移动、所述障碍物的类别、所述障碍物被遮挡的概率、所述障碍物对泊车影响的概率。
6.一种障碍物识别模型训练方法,其特征在于,包括:
获取二维训练图像,所述二维训练图像包括m个障碍物,m>1;
根据所述m个障碍物的特征,确定所述m个障碍物中每个障碍物的边界框的类型;所述边界框的类型包括二维边界框和三维边界框中的至少一个;
通过所述二维训练图像所包括的m个障碍物中每个障碍物的边界框的类型,对所述障碍物识别模型进行训练。
7.一种泊车控制装置,其特征在于,包括:
获取单元,用于获取车辆周围环境的目标二维图像;
输出单元,用于将所述目标二维图像输入障碍物识别模型,通过所述障碍物识别模型对所述目标二维图像上的目标障碍物进行识别,以得到所述目标障碍物的边界框和所述目标障碍物的类别;
其中,所述障碍物识别模型是基于障碍物的边界框的类型进行训练得到的,所述障碍物的边界框的类型是基于障碍物的特征确定的,所述边界框的类型包括二维边界框和三维边界框中的至少一个;
控制单元,用于基于所述目标障碍物的边界框和所述目标障碍物的类别,控制所述车辆泊车。
8.一种障碍物识别模型训练装置,其特征在于,包括:
获取单元,用于获取二维训练图像,所述二维训练图像包括m个障碍物,m>1;
确定单元,用于基于所述m个障碍物的特征,确定所述m个障碍物中每个障碍物的边界框的类型;所述边界框的类型包括二维边界框和三维边界框中的至少一个;
训练单元,用于通过所述二维训练图像所包括的m个障碍物中每个障碍物的边界框的类型,对所述障碍物识别模型进行训练。
9.一种电子设备,其特征在于,包括:
处理器,适于执行计算机程序;
计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被所述处理器执行时,实现如权利要求1至5中任一项所述的方法或权利要求6所述的方法。
10.一种计算机可读存储介质,其特征在于,用于存储计算机程序,所述计算机程序使得计算机执行如权利要求1至5中任一项所述的方法或权利要求6所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210424499.3A CN114802261B (zh) | 2022-04-21 | 2022-04-21 | 泊车控制方法、障碍物识别模型训练方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210424499.3A CN114802261B (zh) | 2022-04-21 | 2022-04-21 | 泊车控制方法、障碍物识别模型训练方法、装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114802261A true CN114802261A (zh) | 2022-07-29 |
CN114802261B CN114802261B (zh) | 2024-04-19 |
Family
ID=82506322
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210424499.3A Active CN114802261B (zh) | 2022-04-21 | 2022-04-21 | 泊车控制方法、障碍物识别模型训练方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114802261B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116563818A (zh) * | 2023-04-14 | 2023-08-08 | 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 |
WO2024124546A1 (zh) * | 2022-12-16 | 2024-06-20 | 华为技术有限公司 | 一种自动泊车的方法、装置以及车辆 |
WO2024131130A1 (zh) * | 2022-12-20 | 2024-06-27 | 纵目科技(上海)股份有限公司 | 一种自动泊车识别障碍物的方法、装置、电子设备及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130242101A1 (en) * | 2009-09-14 | 2013-09-19 | Robert Bosch Gmbh | Method and Device for Representing Obstacles in a Parking Assistance System of Motor Vehicles |
DE102013202915A1 (de) * | 2013-02-22 | 2014-08-28 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Vermessen einer Parklücke für ein Einparkassistenzsystem eines Kraftfahrzeugs |
CN105913488A (zh) * | 2016-04-15 | 2016-08-31 | 长安大学 | 一种基于三维映射表的三维点云快速重建方法 |
CN109657638A (zh) * | 2018-12-28 | 2019-04-19 | 百度在线网络技术(北京)有限公司 | 障碍物定位方法、装置和终端 |
CN111353453A (zh) * | 2020-03-06 | 2020-06-30 | 北京百度网讯科技有限公司 | 用于车辆的障碍物检测方法和装置 |
CN111860072A (zh) * | 2019-04-30 | 2020-10-30 | 广州汽车集团股份有限公司 | 泊车控制方法、装置、计算机设备及计算机可读存储介质 |
CN113830076A (zh) * | 2021-09-17 | 2021-12-24 | 东风柳州汽车有限公司 | 泊车方法、装置、设备及存储介质 |
-
2022
- 2022-04-21 CN CN202210424499.3A patent/CN114802261B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130242101A1 (en) * | 2009-09-14 | 2013-09-19 | Robert Bosch Gmbh | Method and Device for Representing Obstacles in a Parking Assistance System of Motor Vehicles |
DE102013202915A1 (de) * | 2013-02-22 | 2014-08-28 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Vermessen einer Parklücke für ein Einparkassistenzsystem eines Kraftfahrzeugs |
CN105913488A (zh) * | 2016-04-15 | 2016-08-31 | 长安大学 | 一种基于三维映射表的三维点云快速重建方法 |
CN109657638A (zh) * | 2018-12-28 | 2019-04-19 | 百度在线网络技术(北京)有限公司 | 障碍物定位方法、装置和终端 |
CN111860072A (zh) * | 2019-04-30 | 2020-10-30 | 广州汽车集团股份有限公司 | 泊车控制方法、装置、计算机设备及计算机可读存储介质 |
CN111353453A (zh) * | 2020-03-06 | 2020-06-30 | 北京百度网讯科技有限公司 | 用于车辆的障碍物检测方法和装置 |
CN113830076A (zh) * | 2021-09-17 | 2021-12-24 | 东风柳州汽车有限公司 | 泊车方法、装置、设备及存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024124546A1 (zh) * | 2022-12-16 | 2024-06-20 | 华为技术有限公司 | 一种自动泊车的方法、装置以及车辆 |
WO2024131130A1 (zh) * | 2022-12-20 | 2024-06-27 | 纵目科技(上海)股份有限公司 | 一种自动泊车识别障碍物的方法、装置、电子设备及介质 |
CN116563818A (zh) * | 2023-04-14 | 2023-08-08 | 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 |
CN116563818B (zh) * | 2023-04-14 | 2024-02-06 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN114802261B (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sirohi et al. | Convolutional neural networks for 5G-enabled intelligent transportation system: A systematic review | |
CN113819890B (zh) | 测距方法、装置、电子设备及存储介质 | |
CN114802261B (zh) | 泊车控制方法、障碍物识别模型训练方法、装置 | |
US20230076266A1 (en) | Data processing system, object detection method, and apparatus thereof | |
CN111582189B (zh) | 交通信号灯识别方法、装置、车载控制终端及机动车 | |
KR102539942B1 (ko) | 궤적 계획 모델을 훈련하는 방법, 장치, 전자 기기, 저장 매체 및 프로그램 | |
CN110930323B (zh) | 图像去反光的方法、装置 | |
WO2023131065A1 (zh) | 一种图像处理方法、一种车道线检测方法及相关设备 | |
CN106845547A (zh) | 一种基于摄像头的智能汽车定位与道路标识识别系统及方法 | |
CN111311675A (zh) | 车辆定位方法、装置、设备和存储介质 | |
CN111931683B (zh) | 图像识别方法、装置及计算机可读存储介质 | |
CN114764856A (zh) | 图像语义分割方法和图像语义分割装置 | |
CN112257668A (zh) | 主辅路判断方法、装置、电子设备及存储介质 | |
CN117157679A (zh) | 感知网络、感知网络的训练方法、物体识别方法及装置 | |
CN115375781A (zh) | 一种数据处理方法及其装置 | |
CN111256693A (zh) | 一种计算位姿变化方法及车载终端 | |
Yang et al. | A fusion network for road detection via spatial propagation and spatial transformation | |
CN115147328A (zh) | 三维目标检测方法及装置 | |
US20210064872A1 (en) | Object detecting system for detecting object by using hierarchical pyramid and object detecting method thereof | |
CN115214708A (zh) | 一种车辆意图预测方法及其相关装置 | |
CN114220063A (zh) | 目标检测方法及装置 | |
CN111210411B (zh) | 图像中灭点的检测方法、检测模型训练方法和电子设备 | |
CN117372991A (zh) | 基于多视角多模态融合的自动驾驶方法及系统 | |
CN116823884A (zh) | 多目标跟踪方法、系统、计算机设备及存储介质 | |
US20210383213A1 (en) | Prediction device, prediction method, computer program product, and vehicle control system |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 314500 988 Tong Tong Road, Wu Tong Street, Tongxiang, Jiaxing, Zhejiang Applicant after: United New Energy Automobile Co.,Ltd. Address before: 314500 988 Tong Tong Road, Wu Tong Street, Tongxiang, Jiaxing, Zhejiang Applicant before: Hozon New Energy Automobile Co., Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |