CN115115790A - 预测模型的训练方法、地图预测方法及装置 - Google Patents
预测模型的训练方法、地图预测方法及装置 Download PDFInfo
- Publication number
- CN115115790A CN115115790A CN202210622429.9A CN202210622429A CN115115790A CN 115115790 A CN115115790 A CN 115115790A CN 202210622429 A CN202210622429 A CN 202210622429A CN 115115790 A CN115115790 A CN 115115790A
- Authority
- CN
- China
- Prior art keywords
- map
- sample
- information
- prediction
- preset
- 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 98
- 238000012549 training Methods 0.000 title claims abstract description 73
- 230000033001 locomotion Effects 0.000 claims abstract description 56
- 230000008569 process Effects 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 26
- 239000013598 vector Substances 0.000 claims description 24
- 238000012216 screening Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 18
- 238000004422 calculation algorithm Methods 0.000 description 14
- 230000008859 change Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000003066 decision tree Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013138 pruning Methods 0.000 description 3
- 238000002310 reflectometry Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000007792 addition Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 241000274965 Cyrestis thyodamas Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Remote Sensing (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Graphics (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Instructional Devices (AREA)
- Navigation (AREA)
Abstract
本申请实施例公开了一种预测模型的训练方法、地图预测方法及装置,该方法包括:获取移动装置在移动过程中采集到的多个样本数据,每个样本数据包括样本定位信息、样本速度信息和样本点云信息;根据样本速度信息对样本点云信息进行运动补偿处理,生成样本车速补偿地图;将样本车速补偿地图输入至预设模型,输出预测地图;根据预测地图和样本高精地图计算损失值,样本高精地图根据样本定位信息生成;根据损失值训练预设模型,直至预设模型满足预设训练条件,得到预测模型。根据本申请的实施例,能够准确预测地图。
Description
技术领域
本申请属于信息处理技术领域,尤其涉及一种预测模型的训练方法、地图预测方法及装置。
背景技术
目前,高精地图依赖定位信息,但是在隧道等场景下,定位信号较弱,此时无法利用定位信息确定移动装置附近的高精地图。在获取点云信息时,车辆自身姿态、运动状态或路面都可能会发生变化,这种变化会导致基于点云信息生成的点云地图发生畸变。
因此,在面对复杂的环境时,缺少一种准确预测地图的方法。
发明内容
本申请实施例提供一种预测模型的训练方法、地图预测方法及装置,能够解决目前地图预测的准确度不高的问题。
第一方面,本申请实施例提供一种预测模型的训练方法,该方法包括:
获取移动装置在移动过程中采集到的多个样本数据,每个所述样本数据包括样本定位信息、样本速度信息和样本点云信息;
根据样本速度信息对所述样本点云信息进行运动补偿处理,生成样本车速补偿地图;
将所述样本车速补偿地图输入至预设模型,输出预测地图;
根据所述预测地图和样本高精地图计算损失值,所述样本高精地图根据所述样本定位信息生成;
根据所述损失值训练所述预设模型,直至所述预设模型满足预设训练条件,得到预测模型。
第二方面,本申请实施例提供一种地图预测方法,该方法包括:
获取移动装置采集的运动数据,所述运动数据至少包括:速度信息和点云信息;
根据所述速度信息对所述点云信息进行运动补偿处理,生成车速补偿地图;
将所述车速补偿地图输入至预测模型,输出目标地图。
第三方面,本申请实施例提供一种预测模型的训练装置,该装置包括:
第一获取模块,用于获取移动装置在移动过程中采集到的多个样本数据,每个所述样本数据包括样本定位信息、样本速度信息和样本点云信息;
第一补偿模块,用于根据样本速度信息对所述样本点云信息进行运动补偿处理,生成样本车速补偿地图;
第一输入模块,用于将所述样本车速补偿地图输入至预设模型,输出预测地图;
计算模块,用于根据所述预测地图和样本高精地图计算损失值,所述样本高精地图根据所述样本定位信息生成;
训练模块,用于根据所述损失值训练所述预设模型,直至所述预设模型满足预设训练条件,得到预测模型。
第四方面,本申请实施例提供一种地图预测装置,该装置包括:
第二获取模块,用于获取移动装置采集的运动数据,所述运动数据至少包括:速度信息和点云信息;
第二补偿模块,用于根据所述速度信息对所述点云信息进行运动补偿处理,生成车速补偿地图;
第二输入模块,用于将所述车速补偿地图输入至预测模型,输出目标地图。
第五方面,本申请实施例提供了一种电子设备,该设备包括:处理器以及存储有计算机程序指令的存储器;处理器执行计算机程序指令时,实现如第一方面或者第一方面的任一可能实现方式中的方法。
第六方面,本申请实施例提供了一种可读存储介质,该计算机可读存储介质上存储有计算机程序指令,计算机程序指令被处理器执行时实现如第一方面或者第一方面的任一可能实现方式中的方法。
本申请实施例中,通过获取移动装置在移动过程中采集到的多个样本数据,其中,每个样本数据包括样本定位信息、样本速度信息和样本点云信息。根据样本速度信息对样本点云信息进行运动补偿处理,生成样本车速补偿地图。这里,能够弥补在移动过程中,基于样本点云信息生成的地图中产生的畸变。将样本车速补偿地图输入至预设模型,输出预测地图。根据预测地图和基于样本定位信息生成的样本高精地图计算损失值,根据损失值训练预设模型,能够不断减小预测地图和样本高精地图之间的差异,直至预设模型满足预设训练条件,得到预测模型。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单的介绍,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一种预测模型的训练过程和应用过程的示意图;
图2是本申请实施例提供的一种预测模型的训练方法的流程图;
图3是本申请实施例提供的一种模型结构的示意图;
图4是本申请实施例提供的一种地图预测方法的流程图;
图5是本申请实施例提供的一种预测模型的训练装置的结构示意图;
图6是本申请实施例提供的一种地图预测装置的结构示意图;
图7是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例,为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本申请进行进一步详细描述。应理解,此处所描述的具体实施例仅被配置为解释本申请,并不被配置为限定本申请。对于本领域技术人员来说,本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
首先,对于本申请实施例涉及的技术术语进行介绍。
高精地图,是相对于普通地图来说的,它提供了更高精度,内容更为丰富的地图信息,主要服务于自动驾驶。
在逆向工程中通过测量仪器得到的产品外观表面的点数据集合也称之为点云,通常使用三维坐标测量机所得到的点数量比较少,点与点的间距也比较大,叫稀疏点云;而使用三维激光扫描仪或照相式扫描仪得到的点云,点数量比较大并且比较密集,叫密集点云。
点云是一个数据集,数据集中的每个点代表一组X、Y、Z几何坐标和一个强度值,这个强度值根据物体表面反射率记录返回信号的强度。当这些点组合在一起时,就会形成一个点云,即空间中代表三维形状或对象的数据点集合。
语义图,均属于概率图范畴,是世界的一个简化概率模型,为无人驾驶提供先验知识。语义可以从图像深度学习中获得,通过分类、检测、分割等模型获得。
梯度提升决策树(Gradient Boosting Decision Tree,GBDT),是一种基于boosting增强策略的加法模型,训练的时候采用前向分布算法进行贪婪的学习,每次迭代都学习一棵CART树来拟合之前t-1棵树的预测结果与训练样本真实值的残差。
XGBoost对GBDT进行了一系列优化,比如损失函数进行了二阶泰勒展开、目标函数加入正则项、支持并行和默认缺失值处理等,在可扩展性和训练速度上有了巨大的提升。
本申请实施例提供的方法至少可以应用于下述应用场景中,下面进行说明。
在依靠高精地图的辅助驾驶领域,高精地图是利用本车接收到的定位信息,实施解析本车周边道路场景,进行拼接平滑过滤后得到的。
所以高精地图依赖定位信息,但是在隧道等场景下,车载定位装置无法接收到定位信号或定位信号较弱,此时无法利用位置信息获取车辆附近高精地图信息。
在激光雷达应用中,一帧点云是由激光雷达逐行逐列的扫描获得,在扫描时难免车辆自身姿态、运动状态或路面不发生变化,这种变化会导致激光发射原点发生变化,使得到同一目标的激光往返飞行时间发生变化,进而引起激光点云扫描到的物体发生畸变。
虽然根据车辆自身运动状态的信息可以减小这种畸变,受限于计算量及车辆自身状态信号的精度等因素的影响,这种畸变并不能完全消除,并且会对构建局部语义地图产生影响。
此外,局部语义地图中车道线的构建依赖于车道线和其他地面反射率的差异。当车道线表面被泥土、污渍、雪等物体覆盖,或者当周边出现高反射率的目标(如积水),或者出现激光雷达间相互串扰时,局部语义地图中车道线的构建就会收到影响。
基于上述应用场景,下面对本申请实施例提供的预测模型的训练方法和地图预测方法进行详细说明。
下面首先对本申请实施例提供的预测模型进行整体性说明。
图1为本申请实施例提供的一种预测模型的训练过程和应用过程的示意图,如图1所示,分为训练过程110和应用过程120。
在训练过程110中,获取移动装置在移动过程中采集到的多个样本数据111,其中,每个样本数据111包括样本定位信息、样本速度信息和样本点云信息。根据样本速度信息对样本点云信息进行运动补偿处理,生成样本车速补偿地图。这里,能够弥补在移动过程中,基于样本点云信息生成的地图中产生的畸变。将样本车速补偿地图输入至预设模型112,输出预测地图113。根据预测地图和基于样本定位信息生成的样本高精地图114计算损失值115,根据损失值115训练预设模型,能够不断减小预测地图和样本高精地图之间的差异,直至预设模型满足预设训练条件,得到预测模型122。
在应用过程120中,获取移动装置采集的运动数据121,运动数据至少包括:速度信息和点云信息。根据速度信息对点云信息进行运动补偿处理,生成车速补偿地图。将车速补偿地图输入至预测模型122,输出目标地图123。
由于训练好的预测模型,能够基于车速补偿地图快速准确地预测出,与高精地图非常接近的目标地图。根据速度信息对点云信息进行运动补偿处理,能够弥补在移动过程中,基于点云信息生成的地图中产生的畸变。由此,在检测不到定位信息的情况下,也能通过车速补偿地图输入至训练好的预测模型,快速准确地输出接近于高精地图的目标地图。
下面结合附图,通过具体的实施例及其应用场景对本申请实施例提供的预测模型的训练方法以及地图预测方法分别进行详细地说明。
下面先对预测模型的训练方法进行说明。
图2为本申请实施例提供的一种预测模型的训练方法的流程图。
如图2所示,该预测模型的训练方法可以包括步骤210-步骤250,具体如下所示:
步骤210,获取移动装置在移动过程中采集到的多个样本数据,每个样本数据包括样本定位信息、样本速度信息和样本点云信息。
步骤220,根据样本速度信息对样本点云信息进行运动补偿处理,生成样本车速补偿地图。
步骤230,将样本车速补偿地图输入至预设模型,输出预测地图。
步骤240,根据预测地图和样本高精地图计算损失值,样本高精地图根据样本定位信息生成。
步骤250,根据损失值训练预设模型,直至预设模型满足预设训练条件,得到预测模型。
本申请实施例中,通过获取移动装置在移动过程中采集到的多个样本数据,其中,每个样本数据包括样本定位信息、样本速度信息和样本点云信息。根据样本速度信息对样本点云信息进行运动补偿处理,生成样本车速补偿地图。这里,能够弥补在移动过程中,基于样本点云信息生成的地图中产生的畸变。将样本车速补偿地图输入至预设模型,输出预测地图。根据预测地图和基于样本定位信息生成的样本高精地图计算损失值,根据损失值训练预设模型,能够不断减小预测地图和样本高精地图之间的差异,直至预设模型满足预设训练条件,得到预测模型。
下面,对步骤210-步骤250的内容分别进行描述:
涉及步骤210。
获取移动装置在移动过程中采集到的多个样本数据,每个样本数据包括样本定位信息、样本速度信息和样本点云信息。
其中,移动装置可以为车辆、飞行器或机器人等,可以移动的装置。
其中,样本定位信息可以包括:全球定位系统(Global Positioning System,GPS)信息,和全球卫星导航系统(Global Navigation Satellite System,GNSS)信息。
样本速度信息可以包括:底盘轮速信息和车速信息。
轮速信息可以由移动装置中设置的轮速传感器采集得到。车速信息可以由移动装置中设置的速度传感器采集得到。
样本点云信息可以为:激光雷达点云信息。
激光雷达点云信息,是由三维激光雷达设备扫描得到的空间点的数据集,每一个点都包含了三维坐标信息,也是X、Y、Z三个元素,有的还包含颜色信息、反射强度信息、回波次数信息等。激光点云信息,由激光扫描系统向周围发射激光信号,然后收集反射的激光信号得来的,再通过外业数据采集、组合导航、点云解算,便可以计算出这些点的准确空间信息。
涉及步骤220。
根据样本速度信息对样本点云信息进行运动补偿处理,生成样本车速补偿地图。
根据样本速度信息对每一帧的样本点云信息进行运动补偿,获得车道线和路沿方程,即样本车速补偿地图。
车行道边缘线是用来指示机动车道的边缘或用来划分机动车与非机动车道分界的线。车行道边缘线分为实线边缘线和虚线边缘线两种,其颜色为白色。
路沿,是道路边缘的标示,用于提醒路面障碍及宽度。
涉及步骤230。
将样本车速补偿地图输入至预设模型,输出预测地图。
涉及步骤240。
根据预测地图和样本高精地图计算损失值,样本高精地图根据样本定位信息生成。
其中,在步骤240之前,还可以包括以下步骤:
根据样本定位信息确定样本高精地图。
根据模型输出的预测地图和样本高精地图计算损失值,样本高精地图根据样本定位信息生成。
在一种可能的实施例中,在步骤240之前,还可以包括以下步骤:
根据样本定位信息生成初始样本高精地图;
根据样本定位信息对样本点云信息进行运动补偿,生成定位补偿地图;
根据定位补偿地图,从初始样本高精地图中筛选出预设扫描范围内的样本高精地图。
由于一帧样本点云信息是由激光雷达逐行逐列的扫描获得,在扫描时周边环境可能会发生变化,这种变化会导致激光发射原点发生变化,使得到同一目标的激光往返飞行时间发生变化,进而引起激光点云扫描到的物体发生畸变。这时为了避免或减小这种畸变,可以根据样本定位信息对样本点云信息进行运动补偿,生成定位补偿地图。
根据样本定位信息对样本点云信息进行运动补偿,可建立局部语义地图,并获得车道线和路沿方程,即生成定位补偿地图。
比较定位补偿地图和从初始样本高精地图,利用定位补偿地图筛选,从初始样本高精地图中筛选出预设扫描范围内的样本高精地图,也就是激光雷达实际扫描范围内的样本高精地图。
其中,上述涉及到的根据定位补偿地图,从初始样本高精地图中筛选出预设扫描范围内的样本高精地图的步骤中,具体可以包括以下步骤:
确定样本点云信息激光雷达采集样本点云信息时的预设扫描范围;
确定预设扫描范围内的定位补偿地图;
从初始样本高精地图中,筛选与预设扫描范围内的定位补偿地图相匹配的样本高精地图。
确定样本点云信息激光雷达采集样本点云信息时的预设扫描范围,比如,以移动装置中的预设点为圆心,以50米的范围是预设扫描范围。然后,确定该预设扫描范围内的定位补偿地图。初始样本高精地图可以是以移动装置中的预设点为圆心,以200米的范围采集位置信号得到的。最后,从初始样本高精地图中,筛选与预设扫描范围内的定位补偿地图相匹配的样本高精地图。
在一种可能的实施例中,步骤240中,具体可以包括以下步骤:
从样本车速补偿地图中提取第一特征向量,第一特征向量用于表征移动装置在移动过程中所处环境的道路特征;道路特征包括车道线特征,和/或,路沿特征;
从样本高精地图出提取第二特征向量,第二特征向量用于表征道路特征;
根据第一特征向量和第二特征向量计算损失值。
从样本车速补偿地图中提取第一特征向量,第一特征向量可以用于表征车道线特征,和/或,路沿特征;从样本高精地图出提取第二特征向量,第二特征向量也用于表征车道线特征,和/或,路沿特征。
具体地,当样本车速补偿地图和样本高精地图为车道线和路沿方程时,第一特征向量可以为样本车速补偿地图对应的车道线和路沿方程的系数,第二特征向量可以为样本高精地图对应的车道线和路沿方程的系数。
根据第一特征向量和第二特征向量计算损失值,根据损失值训练预设模型,训练目标是使第一特征向量靠近第二特征向量。
涉及步骤250。
根据损失值训练预设模型,直至预设模型满足预设训练条件,得到预测模型。
具体可以基于Xgboost算法,根据损失值训练预设模型,直至预设模型满足预设训练条件,确定模型参数。将模型参数带入预设模型,得到预测模型。
其中,步骤250中,Xgboost将若干弱学习器的预测结果组合成强学习器,对损失函数进行二阶泰勒展开。二阶泰勒展开主要是为了解决非线性优化问题,其收敛速度比梯度下降速度更快。其需要解决的问题可以描述为:对于目标函数f(x),在无约束条件的情况下求它的最小值。
二阶泰勒展开要得到的结果是,在现有的极小值估计值的附近对f(x)做二阶泰勒展开,进而找到极小点的下一个估计值,反复迭代直到函数的一阶导数小于某个接近0的阀值。
并且,步骤250中,还将预测项和正则化项结合起来,在优化过程中加入损失函数的二阶导数信息,简化函数,以实现计算资源优化,采用弱分类器集成算法选取合适的参数。正则化项一般是模型复杂程度的单调递增函数,因此可以使用模型参数向量的范数来计算。
由于,在机器学习算法中如果只使用经验风险最小化去优化损失函数则很可能造成过拟合的问题,通常在损失函数中加入一些描述模型复杂程度的正则化项,使得模型在拥有较好的预测能力的同时不会因为模型过于复杂而产生过拟合现象,即结构风险最小化。
其中,预设模型包括N个首尾相连的子模型,N为大于1的整数,步骤250中,具体可以包括以下步骤:
将第N-1子模型对应的损失值输入至第N子模型;
根据第N-1子模型对应的损失值和预设阈值,训练预设模型,直至预设模型满足预设训练条件,得到预测模型。
Xgboost模型底层使用分类回归树(Classification And Regression Tree,CART),也称CART回归树,有助于算法的高效优化,提升运行速度。
其中,N个首尾相连的子模型为CART回归树,是一种以二叉树为逻辑结构的,用于完成线性回归任务的决策树。它采用一种二分递归分割的技术,分割方法采用基于最小距离的基尼指数估计函数,将当前的样本集分为两个子样本集,使得生成的的每个非叶子节点都有两个分支。因此,CART算法生成的决策树是结构简洁的二叉树。CART在每一个节点上都采用二分法,即每个节点都只能有两个子节点,最后构成的是二叉树。
CART回归树,首先是决策树的生成:基于训练数据生成决策树,生成的决策树要尽量大。然后是决策树的剪枝:用验证数据集对以生成的树进行剪枝并选择最优子树。这时用损失函数最小作为剪枝标准。
其中,Xgboost模型回归树切割点可以采用近似值算法,枚举类算法提高了运行速度。
其中,近似算法是一种处理优化问题完全性的方式,它无法确保最优解。近似算法的目标是在多项式时间内尽可能地接近最优值。它虽然无法给出精确最优解,但可以将问题收敛到最终解的近似值。
枚举算法是日常中使用到的最多的一个算法,其核心思想就是枚举所有的可能。枚举法的本质就是从所有候选答案中去搜索正确的解,使用该算法需要满足两个条件:可预先确定候选答案的数量;候选答案的范围在求解之前有一个确定的集合。
枚举类算法比如:切割比例可以分别枚举为:1,9;2,8;9,1,等,……。
其中,CART回归树的具体训练流程可以包括:
首先,确定n棵树,每一棵树从全部特征向量中随机有放回的选取若干特征;然后,每一棵树从它所拥有的特征中最小平方误差确定最佳分裂点,并根据树的深度,叶子节点数量确定是否提前停止分裂;接着,保存每一棵树的最佳分裂点;将样本点云信息作为第一棵回归树训练输入,利用L2正则损失函数避免过拟合。这里,为防止模型过拟合,提高模型的泛化能力,通常会在损失函数的后面添加一个正则化项。L1正则化和L2正则化可以看做是损失函数的惩罚项。所谓“惩罚”是指对损失函数中的某些参数做一些限制。
然后,如图3所示,将样本点云信息,以及第一棵回归树输出的预测地图和样本高精地图之间的损失值作为第二棵树的输入;训练目标是使损失值无限接近于0。以此类推,将第N-1子模型对应的损失值输入至第N子模型;根据第N-1子模型对应的损失值和预设阈值,训练预设模型,直至预设模型满足预设训练条件,得到预测模型。
也就是说,对于第N棵树,前N-1棵树作为一个整体,其预测输出与目标值残差作为训练输入。每次迭代都学习一棵CART树来拟合之前N-1棵树的预测结果与训练样本真实值的残差。
本申请实施例中,通过获取移动装置在移动过程中采集到的多个样本数据,其中,每个样本数据包括样本定位信息、样本速度信息和样本点云信息。根据样本速度信息对样本点云信息进行运动补偿处理,生成样本车速补偿地图。这里,能够弥补在移动过程中,基于样本点云信息生成的地图中产生的畸变。将样本车速补偿地图输入至预设模型,输出预测地图。根据预测地图和基于样本定位信息生成的样本高精地图计算损失值,根据损失值训练预设模型,能够不断减小预测地图和样本高精地图之间的差异,直至预设模型满足预设训练条件,得到预测模型。
图4为本申请实施例提供的一种地图预测方法的流程图。
如图4所示,该地图预测方法可以包括步骤410-步骤430,该方法应用于地图预测装置,具体如下所示:
步骤410,获取移动装置采集的运动数据,运动数据至少包括:速度信息和点云信息。
其中,速度信息可以包括:底盘轮速信息和车速信息。轮速信息可以由移动装置中设置的轮速传感器采集得到。车速信息可以由移动装置中设置的速度传感器采集得到。
点云信息可以为:激光雷达点云信息。
步骤420,根据速度信息对点云信息进行运动补偿处理,生成车速补偿地图。
根据速度信息对点云信息进行运动补偿处理,能够弥补在移动过程中,基于点云信息生成的地图中产生的畸变。
步骤430,将车速补偿地图输入至预测模型,输出目标地图。
在一种可能的实施例中,步骤430中,具体可以包括以下步骤:
在预设时间段内,将车速补偿地图输入至预测模型,得到第一目标地图;预测模型中设置有多个与时间标识信息相对应的参数;
确定运动数据被采集时对应的时间标识信息;
根据时间标识信息对应的参数,对第一目标地图进行调整,得到目标地图。
这里,在预设时间段内,将车速补偿地图输入至预测模型,得到第一目标地图;预设时间段内可以为定位信息减弱或消失后的预设时间段内,比如,预设时间段可以为2分钟。然后,确定运动数据被采集时对应的时间标识信息。
其中,上述涉及到的参数用于调整模型输出的第一目标地图进行调整,起到衰减因子的作用。
其中,预测模型中设置有多个与时间标识信息相对应的参数;时间标识信息可以包括第一时间标识信息、第二时间标识信息,……,第N时间标识信息。与时间标识信息相对应的参数可以分别为:1、0.8、0.6,……。
例如,第一时间标识信息、第二时间标识信息,第N时间标识信息可以为:第一个10秒内、第二个10秒内,第N个10秒内。或者,第五个10秒内、第十个10秒内,第N个10秒内。在此不做限定。
根据时间标识信息对应的参数,对第一目标地图进行调整,得到目标地图。即可以使第一目标地图与参数相乘,得到目标地图,以实现使目标地图逐渐地平稳过渡到车速补偿地图。
示例性地,以第一目标地图中的一个车道线y为例,假设与时间标识信息相对应的参数分别为:1、0.8、0.6,……。在第一个10秒内,根据时间标识信息对应的参数,对第一目标地图进行调整,得到的目标地图为y,修正量为Δy;在个10秒内,根据时间标识信息对应的参数,对第一目标地图进行调整,修正量为0.8*Δy,,以此类推。
由此,根据时间标识信息对应的参数,对第一目标地图进行调整,得到目标地图,让目标地图逐渐地接近于车速补偿地图,最终,让地图完全切换成车速补偿地图。
在一种可能的实施例中,步骤430中,具体可以包括以下步骤:
在未检测到第一时间段对应的定位信息的情况下,将车速补偿地图输入至预测模型,输出目标地图;
将高精地图,切换显示为预测地图,高精地图根据第二时间段对应的定位信息确定,第二时间段先于第一时间段。
其中,若检测到第一时间段对应的定位信息,则说明此时无法生成高精地图,所以需要将车速补偿地图输入至预测模型,输出目标地图,以避免由于定位信息消失导致的移动装置的控制部分剧烈变化,影响用户使用。
这里,由于训练好的预测模型,能够基于车速补偿地图快速准确地预测出与高精地图非常接近的目标地图,所以将高精地图切换显示为预测地图,可以保证由高精地图到目标地图之间的平滑过渡,提升用户体验。
本申请实施例中,根据速度信息对点云信息进行运动补偿处理,能够弥补在移动过程中,基于点云信息生成的地图中产生的畸变。由于训练好的预测模型,能够基于车速补偿地图快速准确地预测出,与高精地图非常接近的目标地图。由此,在检测不到定位信息的情况下,也能通过将车速补偿地图输入至训练好的预测模型,快速准确地输出接近高精地图的目标地图。
基于上述图2所示的预测模型的训练方法,本申请实施例还提供一种预测模型的训练装置,如图5所示,该装置500可以包括:
第一获取模块510,用于获取移动装置在移动过程中采集到的多个样本数据,每个样本数据包括样本定位信息、样本速度信息和样本点云信息。
第一补偿模块520,用于根据样本速度信息对样本点云信息进行运动补偿处理,生成样本车速补偿地图。
第一输入模块530,用于将样本车速补偿地图输入至预设模型,输出预测地图。
计算模块540,用于根据预测地图和样本高精地图计算损失值,样本高精地图根据样本定位信息生成。
训练模块550,用于根据损失值训练预设模型,直至预设模型满足预设训练条件,得到预测模型。
在一种可能的实现方式中,该装置500还可以包括:
生成模块,用于根据样本定位信息生成初始样本高精地图。
补偿模块,用于根据样本定位信息对样本点云信息进行运动补偿,生成定位补偿地图。
筛选模块,用于根据定位补偿地图,从初始样本高精地图中筛选出预设扫描范围内的样本高精地图。
在一种可能的实现方式中,筛选模块,具体用于:
确定样本点云信息激光雷达采集样本点云信息时的预设扫描范围;
确定预设扫描范围内的定位补偿地图;
从初始样本高精地图中,筛选与预设扫描范围内的定位补偿地图相匹配的样本高精地图。
在一种可能的实现方式中,计算模块540,具体用于:
从样本车速补偿地图中提取第一特征向量,第一特征向量用于表征移动装置在移动过程中所处环境的道路特征;道路特征包括车道线特征,和/或,路沿特征;
从样本高精地图出提取第二特征向量,第二特征向量用于表征道路特征;
根据第一特征向量和第二特征向量计算损失值。
在一种可能的实现方式中,预设模型包括N个首尾相连的子模型,N为大于1的整数,训练模块550,具体用于:
将第N-1子模型对应的损失值输入至第N子模型;
根据第N-1子模型对应的损失值和预设阈值,训练预设模型,直至预设模型满足预设训练条件,得到预测模型。
本申请实施例中,通过获取移动装置在移动过程中采集到的多个样本数据,其中,每个样本数据包括样本定位信息、样本速度信息和样本点云信息。根据样本速度信息对样本点云信息进行运动补偿处理,生成样本车速补偿地图。这里,能够弥补在移动过程中,基于样本点云信息生成的地图中产生的畸变。将样本车速补偿地图输入至预设模型,输出预测地图。根据预测地图和基于样本定位信息生成的样本高精地图计算损失值,根据损失值训练预设模型,能够不断减小预测地图和样本高精地图之间的差异,直至预设模型满足预设训练条件,得到预测模型。
基于上述图4所示的地图预测方法,本申请实施例还提供一种地图预测装置,如图6所示,该装置600可以包括:
第二获取模块610,用于获取移动装置采集的运动数据,运动数据至少包括:速度信息和点云信息。
第二补偿模块620,用于根据速度信息对点云信息进行运动补偿处理,生成车速补偿地图。
第二输入模块630,用于将车速补偿地图输入至预测模型,输出目标地图。
在一种可能的实现方式中,第二输入模块630,具体用于:
在预设时间段内,将车速补偿地图输入至预测模型,得到第一目标地图;预测模型中设置有多个与时间标识信息相对应的参数;
确定运动数据被采集时对应的时间标识信息;
根据时间标识信息对应的参数,对第一目标地图进行调整,得到目标地图。
综上,本申请实施例中,根据速度信息对点云信息进行运动补偿处理,能够弥补在移动过程中,基于点云信息生成的地图中产生的畸变。由于训练好的预测模型,能够基于车速补偿地图快速准确地预测出,与高精地图非常接近的目标地图。由此,在检测不到定位信息的情况下,也能通过将车速补偿地图输入至训练好的预测模型,快速准确地输出接近高精地图的目标地图。
图7示出了本申请实施例提供的一种电子设备的结构示意图。
在电子设备可以包括处理器701以及存储有计算机程序指令的存储器702。
具体地,上述处理器701可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器702可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器702可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器702可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器702可在综合网关容灾设备的内部或外部。在特定实施例中,存储器702是非易失性固态存储器。在特定实施例中,存储器702包括只读存储器(ROM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器701通过读取并执行存储器702中存储的计算机程序指令,以实现图所示实施例中的任意一种方法。
在一个示例中,电子设备还可包括通信接口703和总线710。其中,如图7所示,处理器701、存储器702、通信接口703通过总线710连接并完成相互间的通信。
通信接口703,主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。
总线710包括硬件、软件或两者,将电子设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线710可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
该电子设备可以执行本申请实施例中的方法,从而实现结合图1至图4描述的方法。
另外,结合上述实施例中的方法,本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现图1至图4中的方法。
需要明确的是,本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本申请的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本申请的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本申请中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本申请不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
以上所述,仅为本申请的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,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,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。
Claims (12)
1.一种预测模型的训练方法,其特征在于,所述方法包括:
获取移动装置在移动过程中采集到的多个样本数据,每个所述样本数据包括样本定位信息、样本速度信息和样本点云信息;
根据样本速度信息对所述样本点云信息进行运动补偿处理,生成样本车速补偿地图;
将所述样本车速补偿地图输入至预设模型,输出预测地图;
根据所述预测地图和样本高精地图计算损失值,所述样本高精地图根据所述样本定位信息生成;
根据所述损失值训练所述预设模型,直至所述预设模型满足预设训练条件,得到预测模型。
2.根据权利要求1所述的方法,其特征在于,在所述根据所述预测地图和样本高精地图计算损失值之前,所述方法还包括:
根据所述样本定位信息生成初始样本高精地图;
根据所述样本定位信息对所述样本点云信息进行运动补偿,生成定位补偿地图;
根据所述定位补偿地图,从所述初始样本高精地图中筛选出预设扫描范围内的所述样本高精地图。
3.根据权利要求2所述的方法,其特征在于,所述根据所述定位补偿地图,从所述初始样本高精地图中筛选出预设扫描范围内的所述样本高精地图,包括:
确定样本点云信息激光雷达采集所述样本点云信息时的所述预设扫描范围;
确定所述预设扫描范围内的所述定位补偿地图;
从所述初始样本高精地图中,筛选与所述所述预设扫描范围内的所述定位补偿地图相匹配的所述样本高精地图。
4.根据权利要求1所述的方法,其特征在于,所述根据所述预测地图和样本高精地图计算损失值,包括:
从所述样本车速补偿地图中提取第一特征向量,所述第一特征向量用于表征所述移动装置在移动过程中所处环境的道路特征;所述道路特征包括车道线特征,和/或,路沿特征;
从所述样本高精地图出提取第二特征向量,所述第二特征向量用于表征所述道路特征;
根据所述第一特征向量和所述第二特征向量计算所述损失值。
5.根据权利要求1或2所述的方法,其特征在于,所述预设模型包括N个首尾相连的子模型,N为大于1的整数,所述根据所述损失值训练所述预设模型,直至所述预设模型满足预设训练条件,得到预测模型,包括:
将第N-1子模型对应的损失值输入至第N子模型;
根据所述第N-1子模型对应的损失值和预设阈值,训练所述预设模型,直至所述预设模型满足预设训练条件,得到所述预测模型。
6.一种地图预测方法,其特征在于,所述方法包括:
获取移动装置采集的运动数据,所述运动数据至少包括:速度信息和点云信息;
根据所述速度信息对所述点云信息进行运动补偿处理,生成车速补偿地图;
将所述车速补偿地图输入至预测模型,输出目标地图。
7.根据权利要求6所述的方法,其特征在于,所述将所述车速补偿地图输入至预测模型,输出预测地图,包括:
在预设时间段内,将所述车速补偿地图输入至所述预测模型,得到第一目标地图;所述预测模型中设置有多个与时间标识信息相对应的参数;
确定所述运动数据被采集时对应的时间标识信息;
根据所述时间标识信息对应的参数,对所述第一目标地图进行调整,得到所述目标地图。
8.根据权利要求6所述的方法,其特征在于,所述将所述车速补偿地图输入至预测模型,输出预测地图,包括:
在未检测到第一时间段对应的定位信息的情况下,将所述车速补偿地图输入至所述预测模型,输出所述目标地图;
将高精地图,切换显示为所述预测地图,所述高精地图根据第二时间段对应的定位信息确定,所述第二时间段先于所述第一时间段。
9.一种预测模型的训练装置,其特征在于,所述装置包括:
第一获取模块,用于获取移动装置在移动过程中采集到的多个样本数据,每个所述样本数据包括样本定位信息、样本速度信息和样本点云信息;
第一补偿模块,用于根据样本速度信息对所述样本点云信息进行运动补偿处理,生成样本车速补偿地图;
第一输入模块,用于将所述样本车速补偿地图输入至预设模型,输出预测地图;
计算模块,用于根据所述预测地图和样本高精地图计算损失值,所述样本高精地图根据所述样本定位信息生成;
训练模块,用于根据所述损失值训练所述预设模型,直至所述预设模型满足预设训练条件,得到预测模型。
10.一种地图预测装置,其特征在于,所述装置包括:
第二获取模块,用于获取移动装置采集的运动数据,所述运动数据至少包括:速度信息和点云信息;
第二补偿模块,用于根据所述速度信息对所述点云信息进行运动补偿处理,生成车速补偿地图;
第二输入模块,用于将所述车速补偿地图输入至预测模型,输出目标地图。
11.一种电子设备,其特征在于,所述设备包括:处理器以及存储有计算机程序指令的存储器;所述处理器执行所述计算机程序指令时实现如权利要求1-8任意一项所述的方法。
12.一种可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现如权利要求1-8任意一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210622429.9A CN115115790B (zh) | 2022-06-02 | 2022-06-02 | 预测模型的训练方法、地图预测方法及装置 |
PCT/CN2022/117340 WO2023231212A1 (zh) | 2022-06-02 | 2022-09-06 | 预测模型的训练方法、地图预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210622429.9A CN115115790B (zh) | 2022-06-02 | 2022-06-02 | 预测模型的训练方法、地图预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115115790A true CN115115790A (zh) | 2022-09-27 |
CN115115790B CN115115790B (zh) | 2024-06-28 |
Family
ID=83326429
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210622429.9A Active CN115115790B (zh) | 2022-06-02 | 2022-06-02 | 预测模型的训练方法、地图预测方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115115790B (zh) |
WO (1) | WO2023231212A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115526936A (zh) * | 2022-11-29 | 2022-12-27 | 长沙智能驾驶研究院有限公司 | 定位模型的训练方法和点云数据定位方法及装置 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117864172B (zh) * | 2024-03-13 | 2024-05-31 | 吉咖智能机器人有限公司 | 一种自动驾驶控制方法、装置以及设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180032088A1 (en) * | 2015-03-02 | 2018-02-01 | Izak Jan van Cruyningen | Flight planning for unmanned aerial tower inspection |
US20190318202A1 (en) * | 2016-10-31 | 2019-10-17 | Tencent Technology (Shenzhen) Company Limited | Machine learning model training method and apparatus, server, and storage medium |
CN110415344A (zh) * | 2019-06-24 | 2019-11-05 | 武汉大学 | 基于事件相机的运动补偿方法 |
US20200160598A1 (en) * | 2018-11-16 | 2020-05-21 | Uatc, Llc | Systems and Methods for Generating Synthetic Light Detection and Ranging Data via Machine Learning |
CN112184906A (zh) * | 2020-10-22 | 2021-01-05 | 北京爱笔科技有限公司 | 一种三维模型的构建方法及装置 |
US20210035314A1 (en) * | 2018-10-12 | 2021-02-04 | Tencent Technology (Shenzhen) Company Limited | Map element extraction method and apparatus, and server |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111417871A (zh) * | 2017-11-17 | 2020-07-14 | 迪普迈普有限公司 | 基于激光雷达利用高清晰度地图的集成运动估计的迭代最近点处理 |
US10929995B2 (en) * | 2019-06-24 | 2021-02-23 | Great Wall Motor Company Limited | Method and apparatus for predicting depth completion error-map for high-confidence dense point-cloud |
CN113776544B (zh) * | 2020-06-10 | 2024-07-09 | 杭州海康威视数字技术股份有限公司 | 一种点云地图更新方法、装置、电子设备及定位系统 |
CN113378694B (zh) * | 2021-06-08 | 2023-04-07 | 北京百度网讯科技有限公司 | 生成目标检测和定位系统及目标检测和定位的方法及装置 |
CN114386599B (zh) * | 2022-01-11 | 2023-01-31 | 北京百度网讯科技有限公司 | 训练轨迹预测模型和轨迹规划的方法和装置 |
-
2022
- 2022-06-02 CN CN202210622429.9A patent/CN115115790B/zh active Active
- 2022-09-06 WO PCT/CN2022/117340 patent/WO2023231212A1/zh unknown
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180032088A1 (en) * | 2015-03-02 | 2018-02-01 | Izak Jan van Cruyningen | Flight planning for unmanned aerial tower inspection |
US20190318202A1 (en) * | 2016-10-31 | 2019-10-17 | Tencent Technology (Shenzhen) Company Limited | Machine learning model training method and apparatus, server, and storage medium |
US20210035314A1 (en) * | 2018-10-12 | 2021-02-04 | Tencent Technology (Shenzhen) Company Limited | Map element extraction method and apparatus, and server |
US20200160598A1 (en) * | 2018-11-16 | 2020-05-21 | Uatc, Llc | Systems and Methods for Generating Synthetic Light Detection and Ranging Data via Machine Learning |
CN110415344A (zh) * | 2019-06-24 | 2019-11-05 | 武汉大学 | 基于事件相机的运动补偿方法 |
CN112184906A (zh) * | 2020-10-22 | 2021-01-05 | 北京爱笔科技有限公司 | 一种三维模型的构建方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115526936A (zh) * | 2022-11-29 | 2022-12-27 | 长沙智能驾驶研究院有限公司 | 定位模型的训练方法和点云数据定位方法及装置 |
CN115526936B (zh) * | 2022-11-29 | 2023-04-28 | 长沙智能驾驶研究院有限公司 | 定位模型的训练方法和点云数据定位方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2023231212A1 (zh) | 2023-12-07 |
CN115115790B (zh) | 2024-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109521756B (zh) | 用于无人驾驶车辆的障碍物运动信息生成方法和装置 | |
CN107341819B (zh) | 目标跟踪方法及存储介质 | |
CN112099496B (zh) | 一种自动驾驶训练方法、装置、设备及介质 | |
CN110415277B (zh) | 基于光流和卡尔曼滤波的多目标追踪方法、系统、装置 | |
Chen et al. | Gaussian-process-based real-time ground segmentation for autonomous land vehicles | |
CN115115790B (zh) | 预测模型的训练方法、地图预测方法及装置 | |
US7929730B2 (en) | Method and system for object detection and tracking | |
US20200148215A1 (en) | Method and system for generating predicted occupancy grid maps | |
US11827214B2 (en) | Machine-learning based system for path and/or motion planning and method of training the same | |
Wang et al. | Speed and accuracy tradeoff for LiDAR data based road boundary detection | |
Levinson | Automatic laser calibration, mapping, and localization for autonomous vehicles | |
Veronese et al. | A light-weight yet accurate localization system for autonomous cars in large-scale and complex environments | |
JP2007322391A (ja) | 自車両位置推定装置 | |
Liu et al. | Precise Positioning and Prediction System for Autonomous Driving Based on Generative Artificial Intelligence | |
Nguyen et al. | Improving poor GPS area localization for intelligent vehicles | |
CN115371662B (zh) | 一种基于概率栅格移除动态对象的静态地图构建方法 | |
CN115980765A (zh) | 一种基于环境感知辅助粒子滤波的车辆定位方法 | |
Muckenhuber et al. | Sensors for automated driving | |
CN111126327A (zh) | 车道线检测方法、系统、车载系统及车辆 | |
Bougharriou et al. | Vehicles distance estimation using detection of vanishing point | |
Madhavan et al. | Moving object prediction for off-road autonomous navigation | |
CN116052469A (zh) | 一种基于车路协同轨迹预测的车辆碰撞预警方法 | |
Bratulescu et al. | Object Detection in Autonomous Vehicles | |
Xu et al. | TrafficEKF: A learning based traffic aware extended Kalman filter | |
CN114889608A (zh) | 一种基于注意力机制的车辆换道预测方法 |
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 | ||
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. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |