CN115042821A - 车辆控制方法、装置、车辆及存储介质 - Google Patents
车辆控制方法、装置、车辆及存储介质 Download PDFInfo
- Publication number
- CN115042821A CN115042821A CN202210969751.9A CN202210969751A CN115042821A CN 115042821 A CN115042821 A CN 115042821A CN 202210969751 A CN202210969751 A CN 202210969751A CN 115042821 A CN115042821 A CN 115042821A
- Authority
- CN
- China
- Prior art keywords
- sample
- view image
- target
- feature
- environment
- 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 54
- 230000004927 fusion Effects 0.000 claims abstract description 10
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 claims description 102
- 240000004050 Pentaglottis sempervirens Species 0.000 claims description 95
- 238000012549 training Methods 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 abstract description 9
- 238000004891 communication Methods 0.000 description 12
- 230000011218 segmentation Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 230000008447 perception Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000010267 cellular communication Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 239000000446 fuel Substances 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- ATUOYWHBWRKTHZ-UHFFFAOYSA-N Propane Chemical compound CCC ATUOYWHBWRKTHZ-UHFFFAOYSA-N 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- SAZUGELZHZOXHB-UHFFFAOYSA-N acecarbromal Chemical compound CCC(Br)(CC)C(=O)NC(=O)NC(C)=O SAZUGELZHZOXHB-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 239000001294 propane Substances 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003068 static effect Effects 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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/70—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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Transportation (AREA)
- Human Computer Interaction (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mechanical Engineering (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开涉及一种车辆控制方法、装置、车辆及存储介质,所述方法包括:获取车辆行驶过程中采集的车辆周围环境的多个目标环境图像;通过预先生成的第一特征获取模型,获取多个目标环境图像对应的目标鸟瞰图像特征;根据所述目标鸟瞰图像特征,控制所述车辆自动行驶;其中,所述第一特征获取模型通过第一样本鸟瞰图像特征和第二样本鸟瞰图像特征预先生成,所述第一样本鸟瞰图像特征通过每个样本环境图像对应的样本环境图像特征融合得到,所述第二样本鸟瞰图像特征为拼接样本环境图像中提取的图像特征,所述拼接样本环境图像为多个样本环境图像拼接处理后得到的环境图像。这样,可以提高视觉任务判断的准确率,从而提高了自动驾驶的安全性。
Description
技术领域
本公开涉及车辆技术领域,尤其涉及一种车辆控制方法、装置、车辆及存储介质。
背景技术
随着人工智能技术的进步,自动驾驶技术获得了极其快速的发展。在自动驾驶技术领域,准确地进行环境感知,对于提高自动驾驶车辆移动的安全性是至关重要的。而鸟瞰图是一种在自动驾驶领域被广泛采用的表示方式,从俯视的视角检测车辆周围环境的环境图像,可以有效又准确的进行目标检测、目标跟踪等视觉任务。
相关技术中,可以通过特征获取模型提取鸟瞰图中的图像特征,根据该图像特征进行语义分割,并根据语义分割的结果进行视觉任务,而特征获取模型的准确率直接影响语义分割的准确率,因此,如何提高特征获取模型的准确率成为亟待解决的问题。
发明内容
为克服相关技术中存在的问题,本公开提供一种车辆控制方法、装置、车辆及存储介质。
根据本公开实施例的第一方面,提供一种车辆控制方法,包括:
获取车辆行驶过程中采集的所述车辆周围环境的多个目标环境图像;
通过预先生成的第一特征获取模型,获取多个所述目标环境图像对应的目标鸟瞰图像特征;
根据所述目标鸟瞰图像特征,控制所述车辆自动行驶;
其中,所述第一特征获取模型通过第一样本鸟瞰图像特征和第二样本鸟瞰图像特征预先生成,所述第一样本鸟瞰图像特征通过每个样本环境图像对应的样本环境图像特征融合得到,所述第二样本鸟瞰图像特征为拼接样本环境图像中提取的图像特征,所述拼接样本环境图像为多个所述样本环境图像拼接处理后得到的环境图像。
可选地,所述第一特征获取模型通过以下方式预先生成:
获取多个所述样本环境图像;
根据多个所述样本环境图像,通过预先生成的第二特征获取模型,确定所述第一样本鸟瞰图像特征;
根据多个所述样本环境图像,确定所述第二样本鸟瞰图像特征;
通过所述第一样本鸟瞰图像特征和所述第二样本鸟瞰图像特征,对所述第二特征获取模型进行训练,生成所述第一特征获取模型。
可选地,所述根据多个所述样本环境图像,通过预先生成的第二特征获取模型,确定所述第一样本鸟瞰图像特征包括:
确定每个所述样本环境图像对应的样本环境图像特征;
将多个所述样本环境图像特征输入所述第二特征获取模型,以获取所述第二特征获取模型输出的所述第一样本鸟瞰图像特征。
可选地,所述根据多个所述样本环境图像,确定所述第二样本鸟瞰图像特征包括:
对多个所述样本环境图像进行拼接处理,得到所述拼接样本环境图像;
确定所述拼接样本环境图像对应的鸟瞰样本环境图像;
将所述鸟瞰样本环境图像输入预先生成的第三特征获取模型,以获取所述第三特征获取模型输出的所述第二样本鸟瞰图像特征。
可选地,所述通过所述第一样本鸟瞰图像特征和所述第二样本鸟瞰图像特征,对所述第二特征获取模型进行训练,生成所述第一特征获取模型包括:
确定所述第一样本鸟瞰图像特征在目标特征空间的第一目标样本鸟瞰图像特征;
确定所述第二样本鸟瞰图像特征在所述目标特征空间的第二目标样本鸟瞰图像特征;
通过所述第一目标样本鸟瞰图像特征和所述第二目标样本鸟瞰图像特征,对所述第二特征获取模型进行训练,生成所述第一特征获取模型。
可选地,所述通过预先生成的第一特征获取模型,获取多个所述目标环境图像对应的目标鸟瞰图像特征包括:
确定每个所述目标环境图像对应的目标环境图像特征;
将多个所述目标环境图像特征输入所述第一特征获取模型,以获取所述第一特征获取模型输出的所述目标鸟瞰图像特征。
可选地,所述根据所述目标鸟瞰图像特征,控制所述车辆自动行驶包括:
根据所述目标鸟瞰图像特征,确定多个所述目标环境图像对应的语义信息;
根据所述语义信息,控制所述车辆自动行驶。
根据本公开实施例的第二方面,提供一种车辆控制装置,包括:
图像获取模块,被配置为获取车辆行驶过程中采集的所述车辆周围环境的多个目标环境图像;
特征获取模块,被配置为通过预先生成的第一特征获取模型,获取多个所述目标环境图像对应的目标鸟瞰图像特征;
控制模块,被配置为根据所述目标鸟瞰图像特征,控制所述车辆自动行驶;
其中,所述第一特征获取模型通过第一样本鸟瞰图像特征和第二样本鸟瞰图像特征预先生成,所述第一样本鸟瞰图像特征通过每个样本环境图像对应的样本环境图像特征融合得到,所述第二样本鸟瞰图像特征为拼接样本环境图像中提取的图像特征,所述拼接样本环境图像为多个所述样本环境图像拼接处理后得到的环境图像。
可选地,所述第一特征获取模型通过以下方式预先生成:
获取多个所述样本环境图像;
根据多个所述样本环境图像,通过预先生成的第二特征获取模型,确定所述第一样本鸟瞰图像特征;
根据多个所述样本环境图像,确定所述第二样本鸟瞰图像特征;
通过所述第一样本鸟瞰图像特征和所述第二样本鸟瞰图像特征,对所述第二特征获取模型进行训练,生成所述第一特征获取模型。
可选地,所述根据多个所述样本环境图像,通过预先生成的第二特征获取模型,确定所述第一样本鸟瞰图像特征包括:
确定每个所述样本环境图像对应的样本环境图像特征;
将多个所述样本环境图像特征输入所述第二特征获取模型,以获取所述第二特征获取模型输出的所述第一样本鸟瞰图像特征。
可选地,所述根据多个所述样本环境图像,确定所述第二样本鸟瞰图像特征包括:
对多个所述样本环境图像进行拼接处理,得到所述拼接样本环境图像;
确定所述拼接样本环境图像对应的鸟瞰样本环境图像;
将所述鸟瞰样本环境图像输入预先生成的第三特征获取模型,以获取所述第三特征获取模型输出的所述第二样本鸟瞰图像特征。
可选地,所述通过所述第一样本鸟瞰图像特征和所述第二样本鸟瞰图像特征,对所述第二特征获取模型进行训练,生成所述第一特征获取模型包括:
确定所述第一样本鸟瞰图像特征在目标特征空间的第一目标样本鸟瞰图像特征;
确定所述第二样本鸟瞰图像特征在所述目标特征空间的第二目标样本鸟瞰图像特征;
通过所述第一目标样本鸟瞰图像特征和所述第二目标样本鸟瞰图像特征,对所述第二特征获取模型进行训练,生成所述第一特征获取模型。
可选地,所述特征获取模块,还被配置为:
确定每个所述目标环境图像对应的目标环境图像特征;
将多个所述目标环境图像特征输入所述第一特征获取模型,以获取所述第一特征获取模型输出的所述目标鸟瞰图像特征。
可选地,所述控制模块,还被配置为:
根据所述目标鸟瞰图像特征,确定多个所述目标环境图像对应的语义信息;
根据所述语义信息,控制所述车辆自动行驶。
根据本公开实施例的第三方面,提供一种车辆,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
实现本公开第一方面所述方法的步骤。
根据本公开实施例的第四方面,提供一种计算机可读存储介质,其上存储有计算机程序指令,该程序指令被处理器执行时实现本公开第一方面所述方法的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果:通过获取车辆行驶过程中采集的所述车辆周围环境的多个目标环境图像;通过预先生成的第一特征获取模型,获取多个所述目标环境图像对应的目标鸟瞰图像特征;根据所述目标鸟瞰图像特征,控制所述车辆自动行驶;其中,所述第一特征获取模型通过第一样本鸟瞰图像特征和第二样本鸟瞰图像特征预先生成,所述第一样本鸟瞰图像特征通过每个样本环境图像对应的样本环境图像特征融合得到,所述第二样本鸟瞰图像特征为拼接样本环境图像中提取的图像特征,所述拼接样本环境图像为多个所述样本环境图像拼接处理后得到的环境图像。也就是说,本公开通过第一样本鸟瞰图像特征和第二样本鸟瞰图像特征预先生成第一特征获取模型,该第一样本鸟瞰图像特征是通过每个样本环境图像对应的样本环境图像特征融合得到的,能够保留每个环境图像的图像细节,使得基于该第一特征获取模型提取的图像特征更准确,这样,可以提高视觉任务判断的准确率,从而提高了自动驾驶的安全性。
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,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种车辆控制方法的流程图;
图2是根据一示例性实施例示出的一种生成特征获取模型的方法的流程图;
图3是根据一示例性实施例示出的一种车辆控制装置的框图;
图4是根据一示例性实施例示出的一种车辆的功能框图示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
首先,对本公开的应用场景进行说明。目前,在车辆行驶过程中采集到周围环境的多个环境图像后,可以先对多个环境图像进行拼接,得到拼接图像,再将拼接图像转换成对应的鸟瞰图,通过特征获取模型提取鸟瞰图中的图像特征,根据该图像特征进行语义分割,并根据语义分割的结果进行视觉任务,但是,由于图像拼接过程中会造成图像细节的损失,导致提取的图像特征的准确率比较低,影响视觉任务判断的准确率,从而影响自动驾驶的安全性。
为了解决以上技术问题,本公开提供了一种车辆控制方法、装置、车辆及存储介质,通过第一样本鸟瞰图像特征和第二样本鸟瞰图像特征预先生成第一特征获取模型,该第一样本鸟瞰图像特征是通过每个样本环境图像对应的样本环境图像特征融合得到的,能够保留每个环境图像的图像细节,使得基于该第一特征获取模型提取的图像特征更准确,这样,可以提高视觉任务判断的准确率,从而提高了自动驾驶的安全性。
下面结合具体实施例对本公开进行说明。
图1是根据一示例性实施例示出的一种车辆控制方法的流程图,如图1所示,该方法可以包括:
S101、获取车辆行驶过程中采集的该车辆周围环境的多个目标环境图像。
在本步骤中,可以在该车辆周围安装多个用于采集该目标环境图像的相机,例如,该车辆周围安装的相机可以包括前视相机、后视相机、左视相机以及右视相机。在该车辆行驶过程中,可以通过该前视相机采集该车辆前方的目标环境图像,通过该后视相机采集该车辆后方的目标环境图像,通过该左视相机采集该车辆左侧的目标环境图像,通过该右视相机采集该车辆右侧的目标环境图像。
S102、通过预先生成的第一特征获取模型,获取多个该目标环境图像对应的目标鸟瞰图像特征。
其中,该第一特征获取模型可以通过第一样本鸟瞰图像特征和第二样本鸟瞰图像特征预先生成,该第一样本鸟瞰图像特征通过每个样本环境图像对应的样本环境图像特征融合得到,该第二样本鸟瞰图像特征为拼接样本环境图像中提取的图像特征,该拼接样本环境图像为多个该样本环境图像拼接处理后得到的环境图像。
在本步骤中,在获取多个目标环境图像后,可以确定每个该目标环境图像对应的目标环境图像特征,将多个该目标环境图像特征输入该第一特征获取模型,以获取该第一特征获取模型输出的该目标鸟瞰图像特征。
示例地,针对每个目标环境图像,可以将该目标环境图像输入预先生成的第四特征获取模型,以获取该第四特征获取模型输出的该目标环境图像特征。该第四特征获取模型可以是基于现有的卷积神经网络模型,通过现有技术的模型训练方法生成的模型,此处不再赘述。
在获取每个目标环境图像对应的目标环境图像特征后,可以将多个目标环境图像特征输入该第一特征获取模型,通过该第一特征获取模型对多个目标环境图像特征进行融合和转换,得到该目标鸟瞰图像特征。
S103、根据该目标鸟瞰图像特征,控制该车辆自动行驶。
在本步骤中,在确定多个目标环境图像对应的目标鸟瞰图像特征后,可以根据该目标鸟瞰图像特征,确定多个该目标环境图像对应的语义信息,根据该语义信息,控制该车辆自动行驶。
示例地,可以将该目标鸟瞰图像特征输入预先生成的语义分割模型,以获取该语义分割模型输出的语义分割结果,该语义分割模型可以是现有技术中成熟的模型,也可以是通过现有技术的模型训练方法生成的模型,本公开对此不作限定。之后,可以根据语义分割的结果确定该车辆周围的障碍物的类型和位置信息,并根据该障碍物的类型和位置信息更新该车辆的行驶路线,并按照该行驶路线控制该车辆自动行驶。
采用上述方法,通过第一样本鸟瞰图像特征和第二样本鸟瞰图像特征预先生成第一特征获取模型,该第一样本鸟瞰图像特征是通过每个样本环境图像对应的样本环境图像特征融合得到的,能够保留每个环境图像的图像细节,使得基于该第一特征获取模型提取的图像特征更准确,这样,可以提高视觉任务判断的准确率,从而提高了自动驾驶的安全性。
图2是根据一示例性实施例示出的一种生成特征获取模型的方法的流程图,如图2所示,该方法可以包括:
S21、获取多个样本环境图像。
在本步骤中,可以参照步骤S101中采集多个目标环境图像的方法,采集多个样本环境图像,此处不再赘述。
S22、根据多个该样本环境图像,通过预先生成的第二特征获取模型,确定第一样本鸟瞰图像特征。
在本步骤中,在获取多个样本环境图像后,可以确定每个该样本环境图像对应的样本环境图像特征,将多个该样本环境图像特征输入该第二特征获取模型,以获取该第二特征获取模型输出的该第一样本鸟瞰图像特征。
示例地,针对每个样本环境图像,可以将该样本环境图像输入该第四特征获取模型,以获取该第四特征获取模型输出的该样本环境图像特征。之后,可以将多个该样本环境图像特征输入该第二特征获取模型,通过该第二特征获取模型对多个样本环境图像特征进行融合和转换,得到该第一样本鸟瞰图像特征。其中,该第二特征获取模型可以是现有技术中成熟的模型,也可以是通过现有技术的模型训练方法生成的模型,本公开对此不作限定。
S23、根据多个该样本环境图像,确定第二样本鸟瞰图像特征。
在本步骤中,在获取多个样本环境图像后,可以对多个该样本环境图像进行拼接处理,得到该拼接样本环境图像,确定该拼接样本环境图像对应的鸟瞰样本环境图像,将该鸟瞰样本环境图像输入预先生成的第三特征获取模型,以获取该第三特征获取模型输出的该第二样本鸟瞰图像特征。
示例地,可以通过现有技术的拼接方法,对多个该样本环境图像进行拼接处理,得到该拼接样本环境图像,之后,可以根据相机内参,通过现有技术的方法,确定该拼接样本环境图像对应的鸟瞰样本环境图像,最后,将该鸟瞰样本环境图像输入预先生成的第三特征获取模型,通过该第三特征获取模型提取该鸟瞰样本环境图像中的图像特征,得到该第二样本鸟瞰图像特征。其中,该第三特征获取模型可以是现有技术中成熟的模型,也可以是通过现有技术的模型训练方法生成的模型,本公开对此不作限定。
需要说明的是,本公开对步骤S22和步骤S23的执行顺序不作限定。
S24、通过该第一样本鸟瞰图像特征和该第二样本鸟瞰图像特征,对第二特征获取模型进行训练,生成该第一特征获取模型。
在本步骤中,在确定该第一样本鸟瞰图像特征和该第二样本鸟瞰图像特征后,可以确定该第一样本鸟瞰图像特征在目标特征空间的第一目标样本鸟瞰图像特征,确定该第二样本鸟瞰图像特征在该目标特征空间的第二目标样本鸟瞰图像特征,通过该第一目标样本鸟瞰图像特征和该第二目标样本鸟瞰图像特征,对该第二特征获取模型进行训练,生成该第一特征获取模型。其中,该目标特征空间可以是任一特征空间,本公开对此不作限定。
示例地,在确定该第一样本鸟瞰图像特征和该第二样本鸟瞰图像特征后,可以将该第一样本鸟瞰图像特征和该第二样本鸟瞰图像特征输入预先生成的空间映射模型,以获取该空间映射模型输出的该第一目标样本鸟瞰图像特征和该第二目标样本鸟瞰图像特征。其中,该空间映射模型可以是现有技术中成熟的模型,也可以是通过现有技术的模型训练方法生成的模型,本公开对此不作限定。之后,可以根据该第一目标样本鸟瞰图像特征和该第二目标样本鸟瞰图像特征,计算目标损失值。在确定该目标损失值小于或等于预设损失值阈值的情况下,表示该第二特征获取模型满足预设停止迭代条件,可以将该第二特征获取模型作为该第一特征获取模型;在确定该目标损失值大于该预设损失值阈值的情况下,根据该目标损失值更新该第二特征获取模型的参数。其中,该目标损失值可以通过L2损失函数计算得到,也可以通过现有技术的其他损失函数计算得到,本公开对此不作限定。
在根据该目标损失值更新该第二特征获取模型的参数后,将更新后的第二特征获取模型作为新的第二特征获取模型,循环执行上述步骤S21~步骤S24,直至确定更新后的第二特征获取模型满足该预设停止迭代条件,将更新后的第二特征获取模型作为该第一特征获取模型。
采用上述模型训练方法,通过多个样本环境图像的样本环境图像特征得到的第一样本鸟瞰图像特征,该第一样本鸟瞰图像特征能够体现每个环境图像的图像细节,而第二样本鸟瞰图像特征是多个样本环境图像拼接后的图像特征,以该第二样本鸟瞰图像特征作为参考特征,可以约束特征融合与拼接过程,这样,通过该第一样本鸟瞰图像特征和该第二样本鸟瞰图像特征生成的第一特征获取模型,既能有效利用环境图像的图像细节,又能利用特征约束特征融合与拼接过程,使得该第一特征获取模型的准确率更高。另外,通过该第二样本鸟瞰图像特征的约束,还可以降低该第一特征获取模型的学习难度,提高了该第一特征获取模型的生成效率。
图3是根据一示例性实施例示出的一种车辆控制装置的框图,如图3所示,该装置可以包括:
图像获取模块301,被配置为获取车辆行驶过程中采集的该车辆周围环境的多个目标环境图像;
特征获取模块302,被配置为通过预先生成的第一特征获取模型,获取多个该目标环境图像对应的目标鸟瞰图像特征;
控制模块303,被配置为根据该目标鸟瞰图像特征,控制该车辆自动行驶;
其中,该第一特征获取模型通过第一样本鸟瞰图像特征和第二样本鸟瞰图像特征预先生成,该第一样本鸟瞰图像特征通过每个样本环境图像对应的样本环境图像特征融合得到,该第二样本鸟瞰图像特征为拼接样本环境图像中提取的图像特征,该拼接样本环境图像为多个该样本环境图像拼接处理后得到的环境图像。
可选地,该第一特征获取模型通过以下方式预先生成:
获取多个该样本环境图像;
根据多个该样本环境图像,通过预先生成的第二特征获取模型,确定该第一样本鸟瞰图像特征;
根据多个该样本环境图像,确定该第二样本鸟瞰图像特征;
通过该第一样本鸟瞰图像特征和该第二样本鸟瞰图像特征,对该第二特征获取模型进行训练,生成该第一特征获取模型。
可选地,该根据多个该样本环境图像,通过预先生成的第二特征获取模型,确定该第一样本鸟瞰图像特征包括:
确定每个该样本环境图像对应的样本环境图像特征;
将多个该样本环境图像特征输入该第二特征获取模型,以获取该第二特征获取模型输出的该第一样本鸟瞰图像特征。
可选地,该根据多个该样本环境图像,确定该第二样本鸟瞰图像特征包括:
对多个该样本环境图像进行拼接处理,得到该拼接样本环境图像;
确定该拼接样本环境图像对应的鸟瞰样本环境图像;
将该鸟瞰样本环境图像输入预先生成的第三特征获取模型,以获取该第三特征获取模型输出的该第二样本鸟瞰图像特征。
可选地,该通过该第一样本鸟瞰图像特征和该第二样本鸟瞰图像特征,对该第二特征获取模型进行训练,生成该第一特征获取模型包括:
确定该第一样本鸟瞰图像特征在目标特征空间的第一目标样本鸟瞰图像特征;
确定该第二样本鸟瞰图像特征在该目标特征空间的第二目标样本鸟瞰图像特征;
通过该第一目标样本鸟瞰图像特征和该第二目标样本鸟瞰图像特征,对该第二特征获取模型进行训练,生成该第一特征获取模型。
可选地,该特征获取模块302,还被配置为:
确定每个该目标环境图像对应的目标环境图像特征;
将多个该目标环境图像特征输入该第一特征获取模型,以获取该第一特征获取模型输出的该目标鸟瞰图像特征。
可选地,该控制模块303,还被配置为:
根据该目标鸟瞰图像特征,确定多个该目标环境图像对应的语义信息;
根据该语义信息,控制该车辆自动行驶。
通过上述装置,通过第一样本鸟瞰图像特征和第二样本鸟瞰图像特征预先生成第一特征获取模型,该第一样本鸟瞰图像特征是通过每个样本环境图像对应的样本环境图像特征融合得到的,能够保留每个环境图像的图像细节,使得基于该第一特征获取模型提取的图像特征更准确,这样,可以提高视觉任务判断的准确率,从而提高了自动驾驶的安全性。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本公开还提供一种计算机可读存储介质,其上存储有计算机程序指令,该程序指令被处理器执行时实现本公开提供的车辆控制方法的步骤。
参阅图4,图4是根据一示例性实施例示出的一种车辆600的功能框图示意图。车辆600可以被配置为完全或部分自动驾驶模式。例如,车辆600可以通过感知系统620获取其周围的环境信息,并基于对周边环境信息的分析得到自动驾驶策略以实现完全自动驾驶,或者将分析结果呈现给用户以实现部分自动驾驶。
车辆600可包括各种子系统,例如,信息娱乐系统610、感知系统620、决策控制系统630、驱动系统640以及计算平台650。可选的,车辆600可包括更多或更少的子系统,并且每个子系统都可包括多个部件。另外,车辆600的每个子系统和部件可以通过有线或者无线的方式实现互连。
在一些实施例中,信息娱乐系统610可以包括通信系统611,娱乐系统612以及导航系统613。
通信系统611可以包括无线通信系统,无线通信系统可以直接地或者经由通信网络来与一个或多个设备无线通信。例如,无线通信系统可使用3G蜂窝通信,例如CDMA、EVD0、GSM/GPRS,或者4G蜂窝通信,例如LTE。或者5G蜂窝通信。无线通信系统可利用WiFi与无线局域网(wireless local area network,WLAN)通信。在一些实施例中,无线通信系统可利用红外链路、蓝牙或ZigBee与设备直接通信。其他无线协议,例如各种车辆通信系统,例如,无线通信系统可包括一个或多个专用短程通信(dedicated short range communications,DSRC)设备,这些设备可包括车辆和/或路边台站之间的公共和/或私有数据通信。
娱乐系统612可以包括显示设备,麦克风和音响,用户可以基于娱乐系统在车内收听广播,播放音乐;或者将手机和车辆联通,在显示设备上实现手机的投屏,显示设备可以为触控式,用户可以通过触摸屏幕进行操作。
在一些情况下,可以通过麦克风获取用户的语音信号,并依据对用户的语音信号的分析实现用户对车辆600的某些控制,例如调节车内温度等。在另一些情况下,可以通过音响向用户播放音乐。
导航系统613可以包括由地图供应商所提供的地图服务,从而为车辆600提供行驶路线的导航,导航系统613可以和车辆的全球定位系统621、惯性测量单元622配合使用。地图供应商所提供的地图服务可以为二维地图,也可以是高精地图。
感知系统620可包括感测关于车辆600周边的环境的信息的若干种传感器。例如,感知系统620可包括全球定位系统621(全球定位系统可以是GPS系统,也可以是北斗系统或者其他定位系统)、惯性测量单元(inertial measurement unit,IMU)622、激光雷达623、毫米波雷达624、超声雷达625以及摄像装置626。感知系统620还可包括被监视车辆600的内部系统的传感器(例如,车内空气质量监测器、燃油量表、机油温度表等)。来自这些传感器中的一个或多个的传感器数据可用于检测对象及其相应特性(位置、形状、方向、速度等)。这种检测和识别是车辆600的安全操作的关键功能。
全球定位系统621用于估计车辆600的地理位置。
惯性测量单元622用于基于惯性加速度来感测车辆600的位姿变化。在一些实施例中,惯性测量单元622可以是加速度计和陀螺仪的组合。
激光雷达623利用激光来感测车辆600所位于的环境中的物体。在一些实施例中,激光雷达623可包括一个或多个激光源、激光扫描器以及一个或多个检测器,以及其他系统组件。
毫米波雷达624利用无线电信号来感测车辆600的周边环境内的物体。在一些实施例中,除了感测物体以外,毫米波雷达624还可用于感测物体的速度和/或前进方向。
超声雷达625可以利用超声波信号来感测车辆600周围的物体。
摄像装置626用于捕捉车辆600的周边环境的图像信息。摄像装置626可以包括单目相机、双目相机、结构光相机以及全景相机等,摄像装置626获取的图像信息可以包括静态图像,也可以包括视频流信息。
决策控制系统630包括基于感知系统620所获取的信息进行分析决策的计算系统631,决策控制系统630还包括对车辆600的动力系统进行控制的整车控制器632,以及用于控制车辆600的转向系统633、油门634和制动系统635。
计算系统631可以操作来处理和分析由感知系统620所获取的各种信息以便识别车辆600周边环境中的目标、物体和/或特征。目标可以包括行人或者动物,物体和/或特征可包括交通信号、道路边界和障碍物。计算系统631可使用物体识别算法、运动中恢复结构(Structure from Motion,SFM)算法、视频跟踪等技术。在一些实施例中,计算系统631可以用于为环境绘制地图、跟踪物体、估计物体的速度等等。计算系统631可以将所获取的各种信息进行分析并得出对车辆的控制策略。
整车控制器632可以用于对车辆的动力电池和引擎641进行协调控制,以提升车辆600的动力性能。
转向系统633可操作来调整车辆600的前进方向。例如在一个实施例中可以为方向盘系统。
油门634用于控制引擎641的操作速度并进而控制车辆600的速度。
制动系统635用于控制车辆600减速。制动系统635可使用摩擦力来减慢车轮644。在一些实施例中,制动系统635可将车轮644的动能转换为电流。制动系统635也可采取其他形式来减慢车轮644转速从而控制车辆600的速度。
驱动系统640可包括为车辆600提供动力运动的组件。在一个实施例中,驱动系统640可包括引擎641、能量源642、传动系统643和车轮644。引擎641可以是内燃机、电动机、空气压缩引擎或其他类型的引擎组合,例如汽油发动机和电动机组成的混动引擎,内燃引擎和空气压缩引擎组成的混动引擎。引擎641将能量源642转换成机械能量。
能量源642的示例包括汽油、柴油、其他基于石油的燃料、丙烷、其他基于压缩气体的燃料、乙醇、太阳能电池板、电池和其他电力来源。能量源642也可以为车辆600的其他系统提供能量。
传动系统643可以将来自引擎641的机械动力传送到车轮644。传动系统643可包括变速箱、差速器和驱动轴。在一个实施例中,传动系统643还可以包括其他器件,比如离合器。其中,驱动轴可包括可耦合到一个或多个车轮644的一个或多个轴。
车辆600的部分或所有功能受计算平台650控制。计算平台650可包括至少一个处理器651,处理器651可以执行存储在例如存储器652这样的非暂态计算机可读介质中的指令653。在一些实施例中,计算平台650还可以是采用分布式方式控制车辆600的个体组件或子系统的多个计算设备。
处理器651可以是任何常规的处理器,诸如商业可获得的CPU。可替换地,处理器651还可以包括诸如图像处理器(Graphic Process Unit,GPU),现场可编程门阵列(FieldProgrammable Gate Array,FPGA)、片上系统(System on Chip,SOC)、专用集成芯片(Application Specific Integrated Circuit,ASIC)或它们的组合。尽管图4功能性地图示了处理器、存储器、和在相同块中的计算机的其它元件,但是本领域的普通技术人员应该理解该处理器、计算机、或存储器实际上可以包括可以或者可以不存储在相同的物理外壳内的多个处理器、计算机、或存储器。例如,存储器可以是硬盘驱动器或位于不同于计算机的外壳内的其它存储介质。因此,对处理器或计算机的引用将被理解为包括对可以或者可以不并行操作的处理器或计算机或存储器的集合的引用。不同于使用单一的处理器来执行此处所描述的步骤,诸如转向组件和减速组件的一些组件每个都可以具有其自己的处理器,处理器只执行与特定于组件的功能相关的计算。
在本公开实施方式中,处理器651可以执行上述的车辆控制方法。
在此处所描述的各个方面中,处理器651可以位于远离该车辆并且与该车辆进行无线通信。在其它方面中,此处所描述的过程中的一些在布置于车辆内的处理器上执行而其它则由远程处理器执行,包括采取执行单一操纵的必要步骤。
在一些实施例中,存储器652可包含指令653(例如,程序逻辑),指令653可被处理器651执行来执行车辆600的各种功能。存储器652也可包含额外的指令,包括向信息娱乐系统610、感知系统620、决策控制系统630、驱动系统640中的一个或多个发送数据、从其接收数据、与其交互和/或对其进行控制的指令。
除了指令653以外,存储器652还可存储数据,例如道路地图、路线信息,车辆的位置、方向、速度以及其它这样的车辆数据,以及其他信息。这种信息可在车辆600在自主、半自主和/或手动模式中操作期间被车辆600和计算平台650使用。
计算平台650可基于从各种子系统(例如,驱动系统640、感知系统620和决策控制系统630)接收的输入来控制车辆600的功能。例如,计算平台650可利用来自决策控制系统630的输入以便控制转向系统633来避免由感知系统620检测到的障碍物。在一些实施例中,计算平台650可操作来对车辆600及其子系统的许多方面提供控制。
可选地,上述这些组件中的一个或多个可与车辆600分开安装或关联。例如,存储器652可以部分或完全地与车辆600分开存在。上述组件可以按有线和/或无线方式来通信地耦合在一起。
可选地,上述组件只是一个示例,实际应用中,上述各个模块中的组件有可能根据实际需要增添或者删除,图4不应理解为对本公开实施例的限制。
在道路行进的自动驾驶汽车,如上面的车辆600,可以识别其周围环境内的物体以确定对当前速度的调整。物体可以是其它车辆、交通控制设备、或者其它类型的物体。在一些示例中,可以独立地考虑每个识别的物体,并且基于物体的各自的特性,诸如它的当前速度、加速度、与车辆的间距等,可以用来确定自动驾驶汽车所要调整的速度。
可选地,车辆600或者与车辆600相关联的感知和计算设备(例如计算系统631、计算平台650)可以基于所识别的物体的特性和周围环境的状态(例如,交通、雨、道路上的冰、等等)来预测识别的物体的行为。可选地,每一个所识别的物体都依赖于彼此的行为,因此还可以将所识别的所有物体全部一起考虑来预测单个识别的物体的行为。车辆600能够基于预测的识别的物体的行为来调整它的速度。换句话说,自动驾驶汽车能够基于所预测的物体的行为来确定车辆将需要调整到(例如,加速、减速、或者停止)何种稳定状态。在这个过程中,也可以考虑其它因素来确定车辆600的速度,诸如,车辆600在行驶的道路中的横向位置、道路的曲率、静态和动态物体的接近度等等。
除了提供调整自动驾驶汽车的速度的指令之外,计算设备还可以提供修改车辆600的转向角的指令,以使得自动驾驶汽车遵循给定的轨迹和/或维持与自动驾驶汽车附近的物体(例如,道路上的相邻车道中的车辆)的安全横向和纵向距离。
上述车辆600可以为各种类型的行驶工具,例如,轿车、卡车、摩托车、公共汽车、船、飞机、直升飞机、娱乐车、火车等等,本公开实施例不做特别的限定。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述的车辆控制方法的代码部分。
本领域技术人员在考虑说明书及实践本公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种车辆控制方法,其特征在于,包括:
获取车辆行驶过程中采集的所述车辆周围环境的多个目标环境图像;
通过预先生成的第一特征获取模型,获取多个所述目标环境图像对应的目标鸟瞰图像特征;
根据所述目标鸟瞰图像特征,控制所述车辆自动行驶;
其中,所述第一特征获取模型通过第一样本鸟瞰图像特征和第二样本鸟瞰图像特征预先生成,所述第一样本鸟瞰图像特征通过每个样本环境图像对应的样本环境图像特征融合得到,所述第二样本鸟瞰图像特征为拼接样本环境图像中提取的图像特征,所述拼接样本环境图像为多个所述样本环境图像拼接处理后得到的环境图像。
2.根据权利要求1所述的方法,其特征在于,所述第一特征获取模型通过以下方式预先生成:
获取多个所述样本环境图像;
根据多个所述样本环境图像,通过预先生成的第二特征获取模型,确定所述第一样本鸟瞰图像特征;
根据多个所述样本环境图像,确定所述第二样本鸟瞰图像特征;
通过所述第一样本鸟瞰图像特征和所述第二样本鸟瞰图像特征,对所述第二特征获取模型进行训练,生成所述第一特征获取模型。
3.根据权利要求2所述的方法,其特征在于,所述根据多个所述样本环境图像,通过预先生成的第二特征获取模型,确定所述第一样本鸟瞰图像特征包括:
确定每个所述样本环境图像对应的样本环境图像特征;
将多个所述样本环境图像特征输入所述第二特征获取模型,以获取所述第二特征获取模型输出的所述第一样本鸟瞰图像特征。
4.根据权利要求2所述的方法,其特征在于,所述根据多个所述样本环境图像,确定所述第二样本鸟瞰图像特征包括:
对多个所述样本环境图像进行拼接处理,得到所述拼接样本环境图像;
确定所述拼接样本环境图像对应的鸟瞰样本环境图像;
将所述鸟瞰样本环境图像输入预先生成的第三特征获取模型,以获取所述第三特征获取模型输出的所述第二样本鸟瞰图像特征。
5.根据权利要求2所述的方法,其特征在于,所述通过所述第一样本鸟瞰图像特征和所述第二样本鸟瞰图像特征,对所述第二特征获取模型进行训练,生成所述第一特征获取模型包括:
确定所述第一样本鸟瞰图像特征在目标特征空间的第一目标样本鸟瞰图像特征;
确定所述第二样本鸟瞰图像特征在所述目标特征空间的第二目标样本鸟瞰图像特征;
通过所述第一目标样本鸟瞰图像特征和所述第二目标样本鸟瞰图像特征,对所述第二特征获取模型进行训练,生成所述第一特征获取模型。
6.根据权利要求1所述的方法,其特征在于,所述通过预先生成的第一特征获取模型,获取多个所述目标环境图像对应的目标鸟瞰图像特征包括:
确定每个所述目标环境图像对应的目标环境图像特征;
将多个所述目标环境图像特征输入所述第一特征获取模型,以获取所述第一特征获取模型输出的所述目标鸟瞰图像特征。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述根据所述目标鸟瞰图像特征,控制所述车辆自动行驶包括:
根据所述目标鸟瞰图像特征,确定多个所述目标环境图像对应的语义信息;
根据所述语义信息,控制所述车辆自动行驶。
8.一种车辆控制装置,其特征在于,包括:
图像获取模块,被配置为获取车辆行驶过程中采集的所述车辆周围环境的多个目标环境图像;
特征获取模块,被配置为通过预先生成的第一特征获取模型,获取多个所述目标环境图像对应的目标鸟瞰图像特征;
控制模块,被配置为根据所述目标鸟瞰图像特征,控制所述车辆自动行驶;
其中,所述第一特征获取模型通过第一样本鸟瞰图像特征和第二样本鸟瞰图像特征预先生成,所述第一样本鸟瞰图像特征通过每个样本环境图像对应的样本环境图像特征融合得到,所述第二样本鸟瞰图像特征为拼接样本环境图像中提取的图像特征,所述拼接样本环境图像为多个所述样本环境图像拼接处理后得到的环境图像。
9.一种车辆,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
实现权利要求1-7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,该程序指令被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210969751.9A CN115042821B (zh) | 2022-08-12 | 2022-08-12 | 车辆控制方法、装置、车辆及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210969751.9A CN115042821B (zh) | 2022-08-12 | 2022-08-12 | 车辆控制方法、装置、车辆及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115042821A true CN115042821A (zh) | 2022-09-13 |
CN115042821B CN115042821B (zh) | 2022-11-04 |
Family
ID=83167710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210969751.9A Active CN115042821B (zh) | 2022-08-12 | 2022-08-12 | 车辆控制方法、装置、车辆及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115042821B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115223148A (zh) * | 2022-09-20 | 2022-10-21 | 毫末智行科技有限公司 | 一种车辆的自动控制方法、装置、车辆、设备及存储介质 |
CN115345321A (zh) * | 2022-10-19 | 2022-11-15 | 小米汽车科技有限公司 | 数据增广方法、装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103328261A (zh) * | 2010-11-12 | 2013-09-25 | 法雷奥开关和传感器有限责任公司 | 用于产生车辆周围环境的图像的方法以及成像装置 |
CN112419154A (zh) * | 2020-11-26 | 2021-02-26 | 三一专用汽车有限责任公司 | 可行驶区域检测方法、装置、设备和计算机可读存储介质 |
CN113378605A (zh) * | 2020-03-10 | 2021-09-10 | 北京京东乾石科技有限公司 | 多源信息融合方法及装置、电子设备和存储介质 |
CN114445310A (zh) * | 2021-12-23 | 2022-05-06 | 苏州浪潮智能科技有限公司 | 一种3d目标检测方法、装置、电子设备和介质 |
CN114708583A (zh) * | 2022-02-24 | 2022-07-05 | 广州文远知行科技有限公司 | 目标物的检测方法、装置、设备及存储介质 |
CN114757301A (zh) * | 2022-05-12 | 2022-07-15 | 北京地平线机器人技术研发有限公司 | 车载视觉感知方法和装置、可读存储介质、电子设备 |
-
2022
- 2022-08-12 CN CN202210969751.9A patent/CN115042821B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103328261A (zh) * | 2010-11-12 | 2013-09-25 | 法雷奥开关和传感器有限责任公司 | 用于产生车辆周围环境的图像的方法以及成像装置 |
CN113378605A (zh) * | 2020-03-10 | 2021-09-10 | 北京京东乾石科技有限公司 | 多源信息融合方法及装置、电子设备和存储介质 |
CN112419154A (zh) * | 2020-11-26 | 2021-02-26 | 三一专用汽车有限责任公司 | 可行驶区域检测方法、装置、设备和计算机可读存储介质 |
CN114445310A (zh) * | 2021-12-23 | 2022-05-06 | 苏州浪潮智能科技有限公司 | 一种3d目标检测方法、装置、电子设备和介质 |
CN114708583A (zh) * | 2022-02-24 | 2022-07-05 | 广州文远知行科技有限公司 | 目标物的检测方法、装置、设备及存储介质 |
CN114757301A (zh) * | 2022-05-12 | 2022-07-15 | 北京地平线机器人技术研发有限公司 | 车载视觉感知方法和装置、可读存储介质、电子设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115223148A (zh) * | 2022-09-20 | 2022-10-21 | 毫末智行科技有限公司 | 一种车辆的自动控制方法、装置、车辆、设备及存储介质 |
CN115345321A (zh) * | 2022-10-19 | 2022-11-15 | 小米汽车科技有限公司 | 数据增广方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115042821B (zh) | 2022-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US12061088B2 (en) | Obstacle avoidance method and apparatus | |
CN112512887B (zh) | 一种行驶决策选择方法以及装置 | |
CN115042821B (zh) | 车辆控制方法、装置、车辆及存储介质 | |
EP4307251A1 (en) | Mapping method, vehicle, computer readable storage medium, and chip | |
CN114842075B (zh) | 数据标注方法、装置、存储介质及车辆 | |
CN115123257A (zh) | 路面减速带位置识别方法、装置、车辆、存储介质及芯片 | |
CN115330923A (zh) | 点云数据渲染方法、装置、车辆、可读存储介质及芯片 | |
CN115035494A (zh) | 图像处理方法、装置、车辆、存储介质及芯片 | |
CN115205365A (zh) | 车辆距离检测方法、装置、车辆、可读存储介质及芯片 | |
CN115056784B (zh) | 车辆控制方法、装置、车辆、存储介质及芯片 | |
CN115407344B (zh) | 栅格地图创建方法、装置、车辆及可读存储介质 | |
CN114782638B (zh) | 生成车道线的方法、装置、车辆、存储介质及芯片 | |
CN115202234B (zh) | 仿真测试方法、装置、存储介质和车辆 | |
CN114842440B (zh) | 自动驾驶环境感知方法、装置、车辆及可读存储介质 | |
CN115221151B (zh) | 车辆数据的传输方法、装置、车辆、存储介质及芯片 | |
CN115203457B (zh) | 图像检索方法、装置、车辆、存储介质及芯片 | |
CN115164910B (zh) | 行驶路径生成方法、装置、车辆、存储介质及芯片 | |
CN115205848A (zh) | 目标检测方法、装置、车辆、存储介质及芯片 | |
CN115042814A (zh) | 交通灯状态识别方法、装置、车辆及存储介质 | |
CN115100630A (zh) | 障碍物检测方法、装置、车辆、介质及芯片 | |
CN115116161A (zh) | 车辆数据采集方法、装置、存储介质以及车辆 | |
CN115205461A (zh) | 场景重建方法、装置、可读存储介质及车辆 | |
CN115063639B (zh) | 生成模型的方法、图像语义分割方法、装置、车辆及介质 | |
CN114822216B (zh) | 生成车位地图的方法、装置、车辆、存储介质及芯片 | |
CN115082886B (zh) | 目标检测的方法、装置、存储介质、芯片及车辆 |
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 |