CN115391310A - 数据迁移方法、装置、设备以及存储介质 - Google Patents
数据迁移方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN115391310A CN115391310A CN202211033080.1A CN202211033080A CN115391310A CN 115391310 A CN115391310 A CN 115391310A CN 202211033080 A CN202211033080 A CN 202211033080A CN 115391310 A CN115391310 A CN 115391310A
- Authority
- CN
- China
- Prior art keywords
- sensor data
- historical sensor
- data set
- model
- rendering
- 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.)
- Pending
Links
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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/214—Database migration support
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/60—Software deployment
- G06F8/65—Updates
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Security & Cryptography (AREA)
- Processing Or Creating Images (AREA)
Abstract
本公开提供了一种数据迁移方法、装置、设备、存储介质以及程序产品,涉及人工智能技术领域,具体涉及图像处理和深度学习等技术领域,可应用于自动驾驶等场景。该方法的一具体实施方式包括:获取历史传感器数据集;基于历史传感器数据集进行三维建模,得到三维模型;对三维模型进行渲染,得到渲染模型;基于渲染模型进行传感器仿真,生成目标传感器数据集。该实施方式能够将历史传感器数据升级成与新的目标传感器兼容的数据。
Description
技术领域
本公开涉及人工智能技术领域,具体涉及图像处理和深度学习等技术领域,可应用于自动驾驶等场景。
背景技术
在自动驾驶和/或机器人系统的研发测试过程中,会积累不同传感器平台的历史传感器数据。随着传感器的不断迭代升级,历史传感器数据无法在新的系统中复用。为了解决这一问题,通常采用以下两种方案:其一,仅复用基于历史传感器数据作为输入的感知算法结果,不直接复用历史传感器数据;其二,使用部分历史传感器数据,经过清洗标注等,用作感知算法训练,不能兼容的部分历史传感器数据则舍弃。
发明内容
本公开实施例提出了一种数据迁移方法、装置、设备、存储介质以及程序产品。
第一方面,本公开实施例提出了一种数据迁移方法,包括:获取历史传感器数据集;基于历史传感器数据集进行三维建模,得到三维模型;对三维模型进行渲染,得到渲染模型;基于渲染模型进行传感器仿真,生成目标传感器数据集。
第二方面,本公开实施例提出了一种数据迁移装置,包括:获取模块,被配置成获取历史传感器数据集;建模模块,被配置成基于历史传感器数据集进行三维建模,得到三维模型;渲染模块,被配置成对三维模型进行渲染,得到渲染模型;仿真模块,被配置成基于渲染模型进行传感器仿真,生成目标传感器数据集。
第三方面,本公开实施例提出了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行如第一方面描述的方法。
第四方面,本公开实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使计算机执行如第一方面描述的方法。
第五方面,本公开实施例提出了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现如第一方面描述的方法。
本公开实施例提供的数据迁移方法,提供了一种可将历史传感器数据持续迁移复用的方案,能够将历史传感器数据升级成与新的目标传感器兼容的数据。能够将自动驾驶和/或机器人系统长期的研发测试过程中积累的不同传感器平台的数据,在新的系统、新的硬件平台上持续迁移复用,形成可持续积累的规模化效应,实现对各种自动驾驶和/或机器人运行场景更全面的覆盖,使高级别的自动驾驶和/或机器人技术的普及成为可能。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本公开的其它特征、目的和优点将会变得更明显。附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开的数据迁移方法的一个实施例的流程图;
图2是根据本公开的数据迁移方法的又一个实施例的流程图;
图3是根据本公开的数据迁移方法的另一个实施例的流程图;
图4是根据本公开的数据迁移装置的一个实施例的结构示意图;
图5是用来实现本公开实施例的数据迁移方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了根据本公开的数据迁移方法的一个实施例的流程100。该数据迁移方法包括以下步骤:
步骤101,获取历史传感器数据集。
在本实施例中,数据迁移方法的执行主体可以获取历史传感器数据集。其中,历史传感器数据集可以包括在自动驾驶和/或机器人系统的研发测试过程中积累的不同传感器平台(如相机、雷达等)的数据。历史传感器数据集可以在旧的系统中直接复用。随着传感器的不断迭代升级,历史传感器数据集无法在新的系统中直接复用。
步骤102,基于历史传感器数据集进行三维建模,得到三维模型。
在本实施例中,上述执行主体可以基于历史传感器数据集进行三维建模,得到三维模型。
通常,基于历史传感器数据集可以对自动驾驶道路和/或机器人运行环境进行完整的三维重建,包括但不限于几何、纹理、光照等要素的重建。
步骤103,对三维模型进行渲染,得到渲染模型。
在本实施例中,上述执行主体可以对三维模型进行渲染,得到渲染模型。
通常,对三维模型进行材质贴图、灯光布置等,并将这些与三维模型贴合、融合在一起,让三维模型呈现如实物般、照片质量的图像。
步骤104,基于渲染模型进行传感器仿真,生成目标传感器数据集。
在本实施例中,上述执行主体可以基于渲染模型进行传感器仿真,生成目标传感器数据集。
通常,通过传感器仿真技术,结合目标传感器的内外参、物理特性等,可以模拟目标传感器对渲染模型进行数据采集,实现高仿真度的传感器仿真,得到目标传感器数据集。其中,目标传感器数据集与目标传感器相匹配,能够在目标传感器上复用。
在一些实施例中,上述执行主体可以将目标传感器数据集作为感知算法的输入,对自动驾驶感知测试,得到测试结果。其中,标传感器数据与目标传感器相匹配,能够在目标传感器上复用。因此,即使自动驾驶和/或机器人系统中的传感器升级,也能够在新的系统、新的硬件平台上持续迁移复用。
本公开实施例提供的数据迁移方法,提供了一种可将历史传感器数据持续迁移复用的方案,能够将历史传感器数据升级成与新的目标传感器兼容的数据。能够将自动驾驶和/或机器人系统长期的研发测试过程中积累的不同传感器平台的数据,在新的系统、新的硬件平台上持续迁移复用,形成可持续积累的规模化效应,实现对各种自动驾驶和/或机器人运行场景更全面的覆盖,使高级别的自动驾驶和/或机器人技术的普及成为可能。
继续参考图2,其示出了根据本公开的数据迁移方法的又一个实施例的流程200。该数据迁移方法包括以下步骤:
步骤201,获取历史传感器数据集。
在本实施例中,步骤201的具体操作已在图1所示的实施例中步骤101中进行了详细的介绍,在此不再赘述。
步骤202,基于历史传感器数据集,对几何、纹理、材质和光照中的至少一项进行三维建模,得到三维模型。
在本实施例中,数据迁移方法的执行主体可以基于历史传感器数据集,对几何、纹理、材质和光照中的至少一项进行三维建模,得到三维模型。
通常,基于历史传感器数据集,结合Lidar Enhanced SFM(Lidar EnhancedStructure From Motion,基于雷达增强的运动恢复结构)、SVBRDF(Spatially VaryingBidirectional Reflectance Distribution Function,空间变化双向反射分布函数)等技术,可以完成自动驾驶车辆和/或机器人运行环境的几何、纹理、材质、光照等高保真3D建模。
步骤203,基于游戏引擎和/或图形引擎对三维模型进行渲染,得到渲染模型。
在本实施例中,上述执行主体可以基于游戏引擎和/或图形引擎对三维模型进行渲染,得到渲染模型。其中,游戏引擎和图形引擎可以结合基于PBR(Physicallly-BasedRendering,基于物理渲染)技术的三维渲染引擎,实现对虚拟环境的高真实感渲染。
步骤204,基于渲染模型进行传感器仿真,生成目标传感器数据集。
在本实施例中,步骤204的具体操作已在图1所示的实施例中步骤104中进行了详细的介绍,在此不再赘述。
从图2中可以看出,与图1对应的实施例相比,本实施例中的数据迁移方法的流程200突出了建模步骤和渲染步骤。由此,本实施例描述的方案不仅可以完成自动驾驶车辆和/或机器人运行环境的几何、纹理、材质、光照等高保真3D建模,还可以实现对虚拟环境的高真实感渲染。
进一步参考图3,其示出了根据本公开的数据迁移方法的另一个实施例的流程300。该数据迁移方法包括以下步骤:
步骤301,获取历史传感器数据集。
在本实施例中,步骤301的具体操作已在图1所示的实施例中步骤101中进行了详细的介绍,在此不再赘述。
步骤302,提取历史传感器数据集中的历史传感器数据的尺度不变特征变换SIFT特征。
在本实施例中,数据迁移方法的执行主体可以提取历史传感器数据集中的历史传感器数据的SIFT(Scale-invariant feature transform,尺度不变特征变换)特征。其中,SIFT是用于图像处理领域的一种描述,这种描述具有尺度不变性,可在图像中检测出关键点,是一种局部特征描述子。
步骤303,基于SIFT特征对历史传感器数据集中的历史传感器数据两两进行特征匹配,得到匹配点对。
在本实施例中,上述执行主体可以基于SIFT特征对历史传感器数据集中的历史传感器数据两两进行特征匹配,得到的匹配点对。
其中,基于SIFT特征进行特征匹配是匹配和建立轨迹,图像对两两匹配,一般采用欧式距离。有两种方法:其一,粗暴匹配,对所有特征点都穷举计算距离;二,邻近搜索,建立多维二叉树,缩小搜索范围,能提高效率,但也有可能不是最优,所以邻域取值是关键,越大越准确,越大计算量越大。例如,对于历史传感器数据集中的任意两个历史传感器数据,多次迭代以下匹配流程:
首先,从两个历史传感器数据中选多个(例如8个)对应点。
之后,利用DLT(Direct Linear Transform,直接线性转换)算法对多个对应点计算基础矩阵。其中,一个历史传感器数据中的对应点的转置乘以基础矩阵乘以另一个历史传感器数据中的对应点等于0。
然后,记录两个历史传感器数据中满足基础矩阵的内点数目,其中,满足基础矩阵的点称为内点,不满足基础矩阵的点称为外点。
最后,响应于基础矩阵的内点数目满足预设条件,将本次选取的多个对应点作为匹配点对;响应于基础矩阵的内点数目不满足预设条件,继续执行匹配步骤。其中,基础矩阵的内点数目满足预设条件,就找到比较好的匹配点对了。预设条件可以是内点数目大于预设数值。
步骤304,基于匹配点对估计本征矩阵。
在本实施例中,上述执行主体可以基于匹配点对估计本征矩阵。
通常,基于匹配点对可以得到对应的基础矩阵,对基础矩阵进行变换可以得到本征矩阵。
步骤305,对本征矩阵进行分解,得到旋转矩阵和平移矩阵。
在本实施例中,上述执行主体可以对本征矩阵进行分解,得到旋转矩阵和平移矩阵。
通常,本征矩阵经过SVD(Singular Value Decomposition,奇异值分解),可以得到旋转矩阵和平移矩阵。
步骤306,基于旋转矩阵、平移矩阵和相机内参,进行点云融合,得到三维模型。
在本实施例中,基于旋转矩阵、平移矩阵和相机内参,可以恢复出物体的稀疏点云。将多个稀疏点云融合在一起,可以重建稠密点云。基于稠密点云,可以重建三维模型。
步骤307,对三维模型进行渲染,得到渲染模型。
在本实施例中,步骤307的具体操作已在图1所示的实施例中步骤103中进行了详细的介绍,在此不再赘述。
步骤308,基于渲染模型和历史传感器数据集的语义分割图进行图像合成,生成目标渲染模型。
在本实施例中,上述执行主体可以基于渲染模型和历史传感器数据集的语义分割图进行图像合成,生成目标渲染模型。其中,语义分割图可以对历史传感器数据不同语义的像素块单独生成,如天空、路面、植被、汽车等。解决了直接使用渲染模型进行生成的方案存在的各种语义、几何上的不稳定导致的瑕疵问题。
通常,通过深度学习方法可以提高生成的模型的准确度。具体地,对渲染模型和语义分割图进行拼接,以及将拼接后的数据输入至生成对抗网络中的生成器,得到目标渲染模型。
步骤309,对目标渲染模型进行传感器仿真,生成目标传感器数据集。
在本实施例中,步骤307-308的具体操作已在图1所示的实施例中步骤103-104中进行了详细的介绍,在此不再赘述。
从图3中可以看出,与图1对应的实施例相比,本实施例中的数据迁移方法的流程300突出了三维建模步骤和仿真步骤。由此,本实施例描述的方案提高了三维重建的效率。并且,基于语义分割图对渲染模型进行处理,可以对历史传感器数据不同语义的像素块单独生成,如天空、路面、植被、汽车等。解决了直接使用渲染模型进行生成的方案存在的各种语义、几何上的不稳定导致的瑕疵问题。
进一步参考图4,作为对上述各图所示方法的实现,本公开提供了一种数据迁移装置的一个实施例,该装置实施例与图1所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,本实施例的数据迁移装置400可以包括:获取模块401、建模模块402、渲染模块403和仿真模块404。其中,获取模块401,被配置成获取历史传感器数据集;建模模块402,被配置成基于历史传感器数据集进行三维建模,得到三维模型;渲染模块403,被配置成对三维模型进行渲染,得到渲染模型;仿真模块404,被配置成基于渲染模型进行传感器仿真,生成目标传感器数据集。
在本实施例中,数据迁移装置400中:获取模块401、建模模块402、渲染模块403和仿真模块404的具体处理及其所带来的技术效果可分别参考图1对应实施例中的步骤101-104的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,建模模块402包括:提取子模块,被配置成提取历史传感器数据集中的历史传感器数据的尺度不变特征变换SIFT特征;匹配子模块,被配置成基于SIFT特征对历史传感器数据集中的历史传感器数据两两进行特征匹配,得到匹配点对;估计子模块,被配置成基于匹配点对估计本征矩阵;分解子模块,被配置成对本征矩阵进行分解,得到旋转矩阵和平移矩阵;融合子模块,被配置成基于旋转矩阵、平移矩阵和相机内参,进行点云融合,得到三维模型。
在本实施例的一些可选的实现方式中,匹配子模块进一步被配置成:对于历史传感器数据集中的两个历史传感器数据,执行以下匹配步骤:从两个历史传感器数据中选取多个对应点,利用直接线性转换算法对多个对应点计算基础矩阵;记录两个历史传感器数据中满足基础矩阵的内点数目;响应于基础矩阵的内点数目满足预设条件,将本次选取的多个对应点作为匹配点对;响应于基础矩阵的内点数目不满足预设条件,继续执行匹配步骤。
在本实施例的一些可选的实现方式中,仿真模块包括:生成子模块,被配置成基于渲染模型和历史传感器数据集的语义分割图进行图像合成,生成目标渲染模型;仿真子模块,被配置成对目标渲染模型进行传感器仿真,生成目标传感器数据集。
在本实施例的一些可选的实现方式中,生成子模块进一步被配置成:对渲染模型和语义分割图进行拼接,以及将拼接后的数据输入至生成对抗网络中的生成器,得到目标渲染模型。
在本实施例的一些可选的实现方式中,建模模块402进一步被配置成:基于历史传感器数据集,对几何、纹理、材质和光照中的至少一项进行三维建模,得到三维模型。
在本实施例的一些可选的实现方式中,渲染模块403进一步被配置成:基于游戏引擎和/或图形引擎对三维模型进行渲染,得到渲染模型。
在本实施例的一些可选的实现方式中,数据迁移装置400还包括:测试模块,被配置成将目标传感器数据集作为感知算法的输入,对自动驾驶感知测试,得到测试结果。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图5所示,设备500包括计算单元501,其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序,来执行各种适当的动作和处理。在RAM 503中,还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505,包括:输入单元506,例如键盘、鼠标等;输出单元507,例如各种类型的显示器、扬声器等;存储单元508,例如磁盘、光盘等;以及通信单元509,例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理,例如数据迁移方法。例如,在一些实施例中,数据迁移方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元508。在一些实施例中,计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时,可以执行上文描述的数据迁移方法的一个或多个步骤。备选地,在其他实施例中,计算单元501可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行数据迁移方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以是分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开提供的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (19)
1.一种数据迁移方法,包括:
获取历史传感器数据集;
基于所述历史传感器数据集进行三维建模,得到三维模型;
对所述三维模型进行渲染,得到渲染模型;
基于所述渲染模型进行传感器仿真,生成目标传感器数据集。
2.根据权利要求1所述的方法,其中,所述基于所述历史传感器数据集进行三维建模,得到三维模型,包括:
提取所述历史传感器数据集中的历史传感器数据的尺度不变特征变换SIFT特征;基于所述SIFT特征对所述历史传感器数据集中的历史传感器数据两两进行特征匹配,得到匹配点对;
基于所述匹配点对估计本征矩阵;
对所述本征矩阵进行分解,得到旋转矩阵和平移矩阵;
基于所述旋转矩阵、所述平移矩阵和相机内参,进行点云融合,得到所述三维模型。
3.根据权利要求2所述的方法,其中,所述基于所述SIFT特征对所述历史传感器数据集中的历史传感器数据两两进行特征匹配,得到匹配点对,包括:
对于所述历史传感器数据集中的两个历史传感器数据,执行以下匹配步骤:从所述两个历史传感器数据中选取多个对应点,利用直接线性转换算法对多个对应点计算基础矩阵,记录所述两个历史传感器数据中满足所述基础矩阵的内点数目,响应于所述基础矩阵的内点数目满足预设条件,将本次选取的多个对应点作为匹配点对;
响应于所述基础矩阵的内点数目不满足预设条件,继续执行所述匹配步骤。
4.根据权利要求1所述的方法,其中,所述基于所述渲染模型进行传感器仿真,生成目标传感器数据集,包括:
基于所述渲染模型和所述历史传感器数据集的语义分割图进行图像合成,生成目标渲染模型;
对所述目标渲染模型进行传感器仿真,生成所述目标传感器数据集。
5.根据权利要求4所述的方法,其中,所述基于所述渲染模型和所述历史传感器数据集的语义分割图进行图像合成,生成目标渲染模型,包括:
对所述渲染模型和所述语义分割图进行拼接,以及将拼接后的数据输入至生成对抗网络中的生成器,得到所述目标渲染模型。
6.根据权利要求1所述的方法,其中,所述基于所述历史传感器数据集进行三维建模,得到三维模型,包括:
基于所述历史传感器数据集,对几何、纹理、材质和光照中的至少一项进行三维建模,得到所述三维模型。
7.根据权利要求1所述的方法,其中,所述对所述三维模型进行渲染,得到渲染模型,包括:
基于游戏引擎和/或图形引擎对所述三维模型进行渲染,得到所述渲染模型。
8.根据权利要求1-7中任一项所述的方法,其中,所述方法还包括:
将所述目标传感器数据集作为感知算法的输入,对自动驾驶感知测试,得到测试结果。
9.一种数据迁移装置,包括:
获取模块,被配置成获取历史传感器数据集;
建模模块,被配置成基于所述历史传感器数据集进行三维建模,得到三维模型;
渲染模块,被配置成对所述三维模型进行渲染,得到渲染模型;
仿真模块,被配置成基于所述渲染模型进行传感器仿真,生成目标传感器数据集。
10.根据权利要求9所述的装置,其中,所述建模模块包括:
提取子模块,被配置成提取所述历史传感器数据集中的历史传感器数据的尺度不变特征变换SIFT特征;
匹配子模块,被配置成基于所述SIFT特征对所述历史传感器数据集中的历史传感器数据两两进行特征匹配,得到匹配点对;
估计子模块,被配置成基于所述匹配点对估计本征矩阵;
分解子模块,被配置成对所述本征矩阵进行分解,得到旋转矩阵和平移矩阵;
融合子模块,被配置成基于所述旋转矩阵、所述平移矩阵和相机内参,进行点云融合,得到所述三维模型。
11.根据权利要求10所述的装置,其中,所述匹配子模块进一步被配置成:
对于所述历史传感器数据集中的两个历史传感器数据,执行以下匹配步骤:从所述两个历史传感器数据中选取多个对应点,利用直接线性转换算法对多个对应点计算基础矩阵;记录所述两个历史传感器数据中满足所述基础矩阵的内点数目;响应于所述基础矩阵的内点数目满足预设条件,将本次选取的多个对应点作为匹配点对;
响应于所述基础矩阵的内点数目不满足预设条件,继续执行所述匹配步骤。
12.根据权利要求9所述的装置,其中,所述仿真模块包括:
生成子模块,被配置成基于所述渲染模型和所述历史传感器数据集的语义分割图进行图像合成,生成目标渲染模型;
仿真子模块,被配置成对所述目标渲染模型进行传感器仿真,生成所述目标传感器数据集。
13.根据权利要求12所述的装置,其中,所述生成子模块进一步被配置成:
对所述渲染模型和所述语义分割图进行拼接,以及将拼接后的数据输入至生成对抗网络中的生成器,得到所述目标渲染模型。
14.根据权利要求9所述的装置,其中,所述建模模块进一步被配置成:
基于所述历史传感器数据集,对几何、纹理、材质和光照中的至少一项进行三维建模,得到所述三维模型。
15.根据权利要求9所述的装置,其中,所述渲染模块进一步被配置成:
基于游戏引擎和/或图形引擎对所述三维模型进行渲染,得到所述渲染模型。
16.根据权利要求9-15中任一项所述的装置,其中,所述装置还包括:
测试模块,被配置成将所述目标传感器数据集作为感知算法的输入,对自动驾驶感知测试,得到测试结果。
17.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-8中任一项所述的方法。
19.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211033080.1A CN115391310A (zh) | 2022-08-26 | 2022-08-26 | 数据迁移方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211033080.1A CN115391310A (zh) | 2022-08-26 | 2022-08-26 | 数据迁移方法、装置、设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115391310A true CN115391310A (zh) | 2022-11-25 |
Family
ID=84121949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211033080.1A Pending CN115391310A (zh) | 2022-08-26 | 2022-08-26 | 数据迁移方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115391310A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115631091A (zh) * | 2022-12-23 | 2023-01-20 | 南方科技大学 | 一种选择性风格迁移方法及终端 |
-
2022
- 2022-08-26 CN CN202211033080.1A patent/CN115391310A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115631091A (zh) * | 2022-12-23 | 2023-01-20 | 南方科技大学 | 一种选择性风格迁移方法及终端 |
CN115631091B (zh) * | 2022-12-23 | 2023-03-21 | 南方科技大学 | 一种选择性风格迁移方法及终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6745328B2 (ja) | 点群データを復旧するための方法及び装置 | |
US9508186B2 (en) | Pre-segment point cloud data to run real-time shape extraction faster | |
CN109977981B (zh) | 基于双目视觉的场景解析方法、机器人及存储装置 | |
CN110632608B (zh) | 一种基于激光点云的目标检测方法和装置 | |
EP3326156B1 (en) | Consistent tessellation via topology-aware surface tracking | |
CN111739005B (zh) | 图像检测方法、装置、电子设备及存储介质 | |
CN110838122B (zh) | 点云的分割方法、装置及计算机存储介质 | |
CN113362444A (zh) | 点云数据的生成方法、装置、电子设备及存储介质 | |
CN108124489B (zh) | 信息处理方法、装置、云处理设备以及计算机程序产品 | |
US11893687B2 (en) | Segmenting a 3D modeled object representing a mechanical assembly | |
US11049288B2 (en) | Cross-device supervisory computer vision system | |
CN113724388B (zh) | 高精地图的生成方法、装置、设备以及存储介质 | |
CN115861601B (zh) | 一种多传感器融合感知方法及装置 | |
Liu et al. | Painting completion with generative translation models | |
CN115880435B (zh) | 图像重建方法、模型训练方法、装置、电子设备和介质 | |
US11222237B2 (en) | Reinforcement learning model for labeling spatial relationships between images | |
CN110827341A (zh) | 一种图片深度估计方法、装置和存储介质 | |
CN113313832A (zh) | 三维模型的语义生成方法、装置、存储介质与电子设备 | |
CN115391310A (zh) | 数据迁移方法、装置、设备以及存储介质 | |
CN113421217A (zh) | 可行驶区域检测方法和装置 | |
CN113592015B (zh) | 定位以及训练特征匹配网络的方法和装置 | |
CN115965788B (zh) | 基于多视角图结构特征注意力卷积的点云语义分割方法 | |
CN112241977A (zh) | 一种特征点的深度估计方法和装置 | |
CN113781653A (zh) | 对象模型生成方法、装置、电子设备及存储介质 | |
CN110298921B (zh) | 具有人物语义信息的三维地图的构建方法以及处理设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |