CN116051637A - Vo可靠性评估方法、模型训练方法、装置、设备及产品 - Google Patents
Vo可靠性评估方法、模型训练方法、装置、设备及产品 Download PDFInfo
- Publication number
- CN116051637A CN116051637A CN202310003525.XA CN202310003525A CN116051637A CN 116051637 A CN116051637 A CN 116051637A CN 202310003525 A CN202310003525 A CN 202310003525A CN 116051637 A CN116051637 A CN 116051637A
- Authority
- CN
- China
- Prior art keywords
- picture
- processing
- processing device
- track
- pose
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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
- G06V10/776—Validation; Performance evaluation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
Abstract
本公开实施例涉及一种VO可靠性评估方法、模型训练方法、装置、设备及产品,通过获取图片序列以及采集图片序列的真实轨迹和真实位姿,将图片序列输入VO处理装置中,获取VO处理装置在处理图片序列时的内部变量以及采集设备的估计轨迹和估计位姿;通过真实轨迹和真实位姿、估计轨迹和估计位姿确定VO处理装置在处理各图片时的安装角误差和相对位姿误差,基于VO处理装置在处理各图片时的安装角误差和相对位姿误差来确定VO处理装置在处理各图片时的可靠性标签;从而通过VO处理装置处理图片序列时的内部变量和可靠性标签训练VO可靠性评估模型。本公开实施例基于训练得到的VO可靠性评估模型能够提高VO可靠性评估的准确性。
Description
技术领域
本公开实施例涉及AR导航技术领域,尤其涉及一种VO可靠性评估方法、模型训练方法、装置、设备及产品。
背景技术
增强现实(Augmented Reality,简称AR)导航技术是一种将真实世界的视觉信息融入导航界面的导航技术。通过AR导航技术能够给用户带来沉浸式的导航感受,提高定位精度。目前,在AR导航技术中,通过视觉里程计(Visual Odometry,简称VO)和步行者航位推算(Pedestrian Dead Reckoning,简称PDR)进行融合定位是一种重要的定位方案。然而,在该方案中需要实时的对VO的可靠性进行评估,评估结果将输入PDR等模块使用,因此,评估的准确性将直接影响PDR等模块及最终融合定位方案的精度。因而,如何提高VO可靠性评估的准确性是本领域技术人员需要解决的技术问题。
发明内容
为了解决上述技术问题,本公开实施例提供了一种VO可靠性评估方法、模型训练方法、装置、设备及产品。
本公开实施例的第一方面提供了一种VO可靠性评估模型的训练方法,该方法包括获取图片序列以及采集设备在采集所述图片序列时的真实轨迹和真实位姿;将所述图片序列输入VO处理装置进行处理,获取所述VO处理装置在处理所述图片序列的过程中的内部变量以及所述采集设备的估计轨迹和估计位姿;基于所述真实轨迹和所述真实位姿、所述估计轨迹和所述估计位姿,确定所述VO处理装置在处理各图片时的安装角误差和相对位姿误差;基于所述VO处理装置在处理各图片时的安装角误差和相对位姿误差,确定所述VO处理装置在处理各图片时的可靠性标签;基于所述VO处理装置在处理所述图片序列的过程中的内部变量和所述VO处理装置在处理各图片时的可靠性标签训练VO可靠性评估模型。
本公开实施例的第二方面提供了一种VO可靠性评估方法,该方法包括:获取待处理的第一图片;将所述第一图片输入VO处理装置中,获取所述VO处理装置在处理所述第一图片的过程中的第一内部变量;将所述第一内部变量以及所述VO处理装置在处理多个第二图片的过程中的第二内部变量输入基于第一方面的方法训练得到的VO可靠性评估模型,得到所述VO处理装置在处理所述第一图片时的VO可靠性评估结果;其中,所述第二图片是指在所述第一图片之前采集到的图片。
本公开实施例的第三方面提供了一种VO可靠性评估模型的训练装置,该装置包括:
第一获取模块,用于获取图片序列以及采集设备在采集所述图片序列时的真实轨迹和真实位姿;
第二获取模块,用于将所述图片序列输入VO处理装置进行处理,获取所述VO处理装置在处理所述图片序列的过程中的内部变量以及所述采集设备的估计轨迹和估计位姿;
第一确定模块,用于基于所述真实轨迹和所述真实位姿、所述估计轨迹和所述估计位姿,确定所述VO处理装置在处理各图片时的安装角误差和相对位姿误差;
第二确定模块,用于基于所述VO处理装置在处理各图片时的安装角误差和相对位姿误差,确定所述VO处理装置在处理各图片时的可靠性标签;
训练模块,用于基于所述VO处理装置在处理所述图片序列的过程中的内部变量和所述VO处理装置在处理各图片时的可靠性标签训练VO可靠性评估模型。
本公开实施例的第四方面提供了一种VO可靠性评估装置,包括:
第一获取模块,用于获取待处理的第一图片;
第二获取模块,用于将所述第一图片输入VO处理装置中,获取所述VO处理装置在处理所述第一图片的过程中的第一内部变量;
可靠性评估模块,用于将所述第一内部变量以及所述VO处理装置在处理多个第二图片的过程中的第二内部变量输入基于第一方面的方法训练得到的VO可靠性评估模型,得到所述VO处理装置在处理所述第一图片时的VO可靠性评估结果;其中,所述第二图片是指在所述第一图片之前采集到的图片。
本公开实施例的第五方面提供了一种计算机设备,包括:存储器和处理器,其中,存储器中存储有计算机程序,当该计算机程序被处理器执行时,可以实现如上述第一方面所述的方法。
本公开实施例的第六方面提供了一种终端设备,其中,包括存储器和处理器,其中,该存储器中存储有计算机程序,当该计算机程序被处理器执行时,可以实现如上述第二方面所述的方法。
本公开实施例的第七方面提供了一种计算机程序产品,该程序产品存储在存储介质中,当该程序产品被运行时,可以实现上述第一方面或第二方面所述的方法。
本公开实施例的第八方面提供了一种计算机可读存储介质,该存储介质种存储有计算机程序,当该计算机程序被执行时,可以实现上述第一方面或第二方面所述的方法。
本公开实施例提供的技术方案与现有技术相比具有如下优点:
本公开实施例,通过获取图片序列以及采集设备在采集图片序列时的真实轨迹和真实位姿,并将图片序列输入VO处理装置中,获取VO处理装置在处理图片序列的过程中的内部变量以及采集设备的估计轨迹和估计位姿;通过真实轨迹和真实位姿、估计轨迹和估计位姿来确定VO处理装置在处理各图片时的安装角误差和相对位姿误差,并基于VO处理装置在处理各图片时的安装角误差和相对位姿误差来确定VO处理装置在处理各图片时的可靠性标签;从而通过VO处理装置在处理图片序列的过程中的内部变量和VO处理装置在处理各图片时的可靠性标签来训练VO可靠性评估模型。本公开实施例在训练VO可靠性评估模型时,考虑了PDR等下游模块对安装角的依赖,在标签计算时以安装角误差和相对位姿误差为依据,提高了可靠性标签的准确性,从而基于可靠性标签和VO处理装置在处理图片序列的过程中的内部变量训练VO可靠性评估模型,即可提高VO可靠性评估模型的准确度,进而提高VO可靠性评估的准确度。
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。
为了更清楚地说明本公开实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本公开实施例提供的一种模型训练场景的示意图;
图2是本公开实施例提供的一种VO可靠性评估模型的训练方法的流程图;
图3是一种确定VO处理装置在处理图片时的安装角误差的方法流程图;
图4是一种确定VO处理装置在处理图片时的相对位姿误差的方法流程图;
图5是本公开实施例提供的一种VO可靠性评估方法的流程图;
图6是一种VO可靠性评估场景的示意图;
图7是本公开实施例提供的一种VO可靠性评估模型的训练装置的结构示意图;
图8是本公开实施例提供的一种VO可靠性评估装置的结构示意图;
图9是本公开实施例中的一种终端设备的结构示意图。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点,下面将对本公开的方案进行进一步描述。需要说明的是,在不冲突的情况下,本公开的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本公开,但本公开还可以采用其他不同于在此描述的方式来实施;显然,说明书中的实施例只是本公开的一部分实施例,而不是全部的实施例。
为了更好理解本公开实施例的技术方案,首先对本公开实施例中涉及的部分技术名词进行解释。
VO处理装置,一种根据采集的图片估计采集设备运动的装置。该装置可以包括前端和后端,其中,前端通过视觉里程计(即VO)对输入的图片进行处理,得到采集设备的位姿,完成位姿跟踪。后端采用预设的优化算法对前端计算得到的位姿进行优化得到全局一致的轨迹。
采集设备的安装角,是指行进方向与采集设备朝向的夹角。
PDR,一种基于惯性传感器的行人位姿估计算法。PDR对采集设备的安装角估计不准,因而实际方案中,经常使用VO等技术为PDR提供较为精确的安装角,以提升PDR精度。
参见背景技术,为了提高VR导航的定位精度,提高VO可靠性评估的准确性是很重要的一方面。因此,本公开实施例提供了一种VO可靠性评估模型的训练方案,以通过训练后的模型对VO的可靠性进行评估,提高VO可靠性评估的准确性。示例的,图1是本公开实施例提供的一种模型训练场景的示意图。如图1所示,在一些实施方式中,可以将采集设备采集到的图片序列输入到VO处理装置中进行处理,得到VO处理装置在处理图片序列过程中的内部变量(包括在处理各张图片时的内部变量,内部变量包括前端处理相关的特征变量、后端优化相关的特征变量以及和轨迹相关的特征变量中的至少一种)并通过VO处理装置估计得到的采集设备的估计轨迹和估计位姿(每个轨迹点对应图片序列中的一张图片以及一个估计位姿)。然后,采用相关技术的方法,根据采集设备在采集图片序列时的真实轨迹和真实位姿,结合VO处理装置估计得到的估计轨迹和估计位姿,确定得到VO处理装置在处理各图片时的安装角误差和相对位姿误差。然后进行数据预处理,对于每张图片,通过将VO处理装置在处理该张图片时的安装角误差和相对位姿误差分别与相应的阈值进行比较,如果安装角误差或相对位姿误差大于相应的阈值,则确定VO处理装置在处理该张图片时的可靠性标签为不可靠,如果安装角误差和相对位姿误差都小于或等于各自对应的阈值,则确定VO处理装置在处理该张图片时的可靠性标签为可靠。进而通过VO处理装置在处理各张图片时的内部变量以及在处理每张图片时的可靠性标签对预先设置的模型进行训练,即可得到具有VO可靠性评估能力的VO可靠性评估模型。进一步的,通过将训练好的VO可靠性评估模型下发到终端设备上即可使得终端设备通过该模型来对VO的可靠性进行评估,提高VO可靠性评估的准确性。
本公开实施例在训练VO可靠性评估模型时,考虑了PDR等下游模块对安装角的依赖,在标签计算时以安装角误差和相对位姿误差为依据,提高了可靠性标签确定的准确性,从而基于该可靠性标签和VO处理装置在处理图片序列的过程中的内部变量对VO可靠性评估模型进行训练,即可使得VO可靠性评估模型能够准确评估VO的可靠性,进而提高VO可靠性评估的准确度。
为了更好的理解本公开实施例的技术方案,下面结合示例性的实施例对本公开实施例的方案进行说明。
示例的,图2是本公开实施例提供的一种VO可靠性评估模型的训练方法的流程图。其中,该方法可以示例性的由一种计算机设备来执行,该计算机设备可以是诸如服务器、笔记本电脑、台式电脑、分布式计算节点等具有计算和处理能力的设备。如图2所示,在本公开实施例的一些实施方式中,VO可靠性评估模型的训练方法可以包括步骤201-步骤205。
步骤201、获取图片序列以及采集设备在采集图片序列时的真实轨迹和真实位姿。
本公开实施例中所称的采集设备可以理解为诸如相机、摄像头等具有图像采集能力的设备。
图片序列可以理解为按照图片采集的先后顺序对连续采集得到的多张连续图片进行排列得到的图片序列。
真实轨迹和真实位姿可以理解为采集设备在采集图片序列时真实的轨迹和真实的位姿。其中,真实轨迹中的轨迹点与图片序列中的图片一一对应,即真实轨迹中的每个轨迹点即均对应图片序列中的一张图片,且每张图片均对应一个真实位姿。
在本公开实施例的一些实施方式中,采集设备采集的图片序列以及采集设备在采集图片序列时的真实轨迹和真实位姿可以从预设的数据源中获取得到。数据源可以是计算机设备外部的存储设备,比如移动硬盘、数据库、应用服务器等,但不局限于这里列举的存储设备,也可以是计算机设备内部搭载的存储设备,比如硬盘等。
步骤202、将图片序列输入VO处理装置进行处理,获取VO处理装置在处理图片序列的过程中的内部变量以及采集设备的估计轨迹和估计位姿。
在本公开实施例中,VO处理装置可以根据采集设备采集的图片序列估计采集设备的运动。VO处理装置可以包括前端和后端,其中,前端通过视觉里程计(即VO)对输入的图片进行处理,估计得到采集设备的位姿(即估计位姿),完成位姿跟踪。后端采用预设的优化算法对前端计算得到的位姿进行优化得到全局一致的轨迹(即估计轨迹)。在本公开实施例中,估计轨迹上的轨迹点与图片序列中的图片也是一一对应的,并且每张图片对应一个估计位姿。
在本公开实施例中,VO处理装置在处理图片序列的过程中的内部变量包括VO处理装置在处理每张图片时的内部变量。实际中,VO处理装置在对图片序列中的图片进行处理时,VO处理装置的前端会产生和前端处理相关的特征变量、后端会产生和后端优化相关的特征变量以及和轨迹相关的特征变量。本公开实施例所称的内部变量可以包括上述特征变量中的至少一种。
在本公开实施例中和前端处理相关的特征变量可以包括位姿状态量之间的协方差原始值及其近期统计量、是否成功估计出采集设备位姿等变量中的至少一种。
其中,位姿状态量之间的协方差原始值是指前端位姿计算过程中计算得到的协方差变量,共有七个维度,其中三个维度用于表示采集设备的位置、四个维度用于表示采集设备的姿态。位姿状态量之间的协方差原始值的近期统计量是指根据预设时长内的协方差原始值进行中位数计算得到的中位数,或者四分位数计算得到四分位数。具体的,近期统计量的确定方法可以根据需要进行设定,在这里不做限定。是否成功估计出采集设备位姿需要根据前端的处理结果确定,成功和未成功分别通过不同的数值进行表示。
和后端优化相关的特征变量可以包括:原始平均残差、平均残差、优化前后尺度变化、近期平均尺度变化、滑动窗内被优化的帧数、优化点数、追踪成功的3D点数中的至少一种。其中,原始平均残差是指后端非线性优化过程中重投影残差的平均值。平均残差是指后端非线性优化过程中加入鲁邦核函数的重投影残差的平均值。优化前后尺度变化是指后端非线性优化前后,相邻图片间的距离会发生变化,指优化前后图片间距离的变化率。近期平均尺度变化是指对一段时间内的“优化前后尺度变化”进行缓存,计算平均值。滑动窗内被优化的帧数是指后端非线性优化过程中,参与优化的图片的数量。优化点数是指后端观测到的特征点总数量。追踪成功的3D点数是指已经追踪成功并且三角化后的特征点数量,体现前端追踪效果。
和轨迹相关的特征变量包括距离之比和方向变化中的至少一种。其中距离之比是指记录过去预设数量的图片的采集位置,计算过去预设数量的图片的采集位置的平均值与当前图片的采集位置的距离l1,再计算过去预设数量的图片中距离原点(也可以理解为采集起点)最远的位置和距离原点最近的两个位置之间的距离l2,距离之比为l1/l2。
步骤203、基于采集设备在采集图片序列时的真实轨迹和真实位姿以及VO处理装置估计得到的估计轨迹和估计位姿,确定VO处理装置在处理各图片时的安装角误差和相对位姿误差。
在本公开实施例中确定VO处理装置在处理各图片时的安装角误差和相对位姿误差的方法可以有多种。例如,图3是一种确定VO处理装置在处理图片时的安装角误差的方法流程图。如图3所示,在一种可行的实施方式中可以通过步骤S11-S13的方法确定VO处理装置在处理各图片时的安装角误差。
在S11中,基于所述采集设备在采集各图片时的真实轨迹和真实位姿,确定所述采集设备在采集各图片时的第一安装角。
示例的,在一种实施方式中,针对图片序列中的任一图片(以下简称当前图片),可以根据真实轨迹中采集到当前图片的轨迹点(以下简称当前轨迹点)的位置以及真实轨迹中位于当前轨迹点之后的另一轨迹点(比如预设时间长度之后的轨迹点)的位置,将当前轨迹点指向所述另一轨迹点的方向确定为当前轨迹点的行进方向,或者也可以将真实轨迹中位于当前轨迹点之前的另一轨迹点指向当前轨迹点的方向确定为当前轨迹点的行进方向。进一步的,根据采集设备在当前轨迹点上的位姿得到采集设备在当前轨迹点的朝向,然后将采集设备在当前轨迹点的行进方向与朝向之间的夹角确定为采集设备在采集当前图片时的第一安装角,其中根据位姿确定朝向的方法可以参见相关技术,这里不做详述。
在S12中,基于采集设备在采集各图片时的估计轨迹和估计位姿,确定采集设备在采集各图片时的第二安装角。
其中,第二安装角的确定方法与第一安装角的确定方法类似,在这里不再赘述。
在S13中,对于每个图片,将采集图片时的第一安装角和第二安装角之间的偏差确定为VO处理装置在处理该图片时的安装角误差。
在本公开实施例的一种实施方式中,可以将采集设备在采集图片时的第一安装角与第二安装角的差值绝对值,确定为VO处理装置在处理该图片时的安装角误差。或者也可以将第一安装角作为参考,将第一安装角减去第二安装角的差值作为VO处理装置在处理图片时的安装角误差。当然这里仅为示例说明而不是唯一限定。
需要说明的是,图3所示的方法仅为一种示例的方法而不是确定安装角误差的唯一方法,比如,在其他实施方式中,可以将采集设备在采集图片时的真实轨迹、真实位姿、估计轨迹和估计位姿输入预先训练的模型中,通过模型输出VO处理装置在处理该图片时的安装角误差。
示例的,图4是一种确定VO处理装置在处理图片时的相对位姿误差的方法流程图,如图4所示,在一种实施方式中,可以通过步骤S21-S24确定VO处理装置在处理各图片时的相对位姿误差。
在S21中,对真实轨迹和估计轨迹进行对齐处理,得到两条轨迹上的轨迹点之间的对齐关系,其中相互对齐的轨迹点对应于图片序列中的同一张图片。
由于真实轨迹和估计轨迹上的轨迹点与图片序列中的图片都是一一对应的,因此,在一种可行的实施方式中可以根据真实轨迹上的轨迹点与图片序列中的图片之间的对应关系,以及估计轨迹上的轨迹点与图片序列中的图片之间的对应关系,将真实轨迹和估计轨迹上对应于同一图片的轨迹确定为对齐的轨迹点,进而实现真实轨迹和估计轨迹的对齐。或者在另一种可行的实施方式中也可以将真实轨迹和估计轨迹上的第一个轨迹点进行对齐,依次的,真实轨迹上的第二个轨迹点与估计轨迹上的第二个轨迹点进行对齐,依次类推,完成整个真实轨迹和估计轨迹的对齐。
在S22中,基于采集设备在真实轨迹的第一轨迹点和第二轨迹点上的真实位姿,确定采集设备在第一轨迹点上采集图片时的第一相对位姿。
在本公开实施例中,第一轨迹点和第二轨迹点可以理解为真实轨迹上的任意两个轨迹点。为了方便理解,在本公开实施例中可示例性的将第一轨迹点理解为真实轨迹上的第一个轨迹点,第二轨迹点可以理解为真实轨迹上的第二轨迹点。
在本公开实施例中,可以将采集设备在第二轨迹点上的位姿与采集设备在第一轨迹点上的位姿的差值绝对值作为采集设备在第一轨迹点上采集图片的第一相对位姿。
在S23中,根据采集设备在估计轨迹上的第三轨迹点和第四轨迹点上的估计位姿,确定采集设备在采集所述图片时的第二相对位姿,其中,第三轨迹点和第一轨迹点对齐,第四轨迹点和第二轨迹点对齐。
在本公开实施例中,第三轨迹点为估计轨迹上与真实轨迹上的第一轨迹点对齐的轨迹点。第四轨迹点为估计轨迹上与真实轨迹上的第二轨迹点对齐的轨迹点。在一种实施方式中个,可以将采集设备在第四轨迹点上的估计位姿与采集设备在第三轨迹点上的估计位姿的差值绝对值作为采集设备在第三轨迹点上采集图片的第二相对位姿,其中,在第三轨迹点上采集的图片和第一轨迹点上采集的图片是同一图片。
在S24中,将所述第一相对位姿和所述第二相对位姿之间的偏差,确定为VO处理装置在处理所述图片时的相对位姿误差。
在本公开实施例的一种实施方式中,可以将第一相对位姿与第二相对位姿的差值绝对值,确定为VO处理装置在处理上述图片时的相对位姿误差。或者也可以将第一相对位姿作为参考,将第一相对位姿减去第二相对位姿的差值作为VO处理装置在处理上述图片时的相对位姿误差。当然这里仅为示例说明而不是唯一限定。
需要说明的是,图4所示的方法仅为一种示例的方法而不是唯一方法,比如,在其他实施方式中,可以将采集设备在采集图片时的真实轨迹、真实位姿、估计轨迹和估计位姿输入预先训练的模型中,通过模型输出VO处理装置在处理各图片时的相对位姿误差。
步骤204、基于VO处理装置在处理各图片时的安装角误差和相对位姿误差,确定VO处理装置在处理各图片时的可靠性标签。
示例的,在一种可行的实施方式中,针对图片序列中的每张图片可以将VO处理装置在处理图片时的安装角误差与第一预设阈值进行比较,将VO处理装置在处理该张图片时的相对位姿误差与第二预设阈值进行比较,当安装角误差小于第一预设阈值,且相对位姿误差小于第二预设阈值时,确定VO处理装置在处理该张图片时的可靠性标签为可靠。如果安装角误差大于或等于第一预设阈值,或者相对位姿误差大于或等于第二预设阈值,则确定VO处理装置在处理该张图片时的可靠性标签为不可靠。
示例的,在其他可行的实施方式中,还可以将VO处理装置在处理图片时的安装角误差和相对位姿误差输入预设的识别模型中,通过识别模型输出VO处理装置在处理该张图片时的可靠性标签。
当然上述两种方式仅是示例说明,而不是唯一限定,实际上,任意可应用相对位姿误差和安装角误差确定VO处理装置的可靠性标签的方法均可被本公开实施例采用。
步骤205、基于VO处理装置在处理图片序列的过程中的内部变量和VO处理装置在处理各图片时的可靠性标签训练VO可靠性评估模型。
其中,本公开实施例所称的VO可靠性评估模型,其模型类型可以是已知的任意一种类型。这里为了便于理解,可以将VO可靠性评估模型示例性的理解为一种基于决策树算法的机器学习梯度提升模型,比如LightGBM,但不局限于LightGBM。其中,LightGBM具有消耗算力少的优点,能够有效节约算力。本公开实施例采用LightGBM,能够使得本公开实施例的训练得到的模型能够被普遍应用于各种终端设备,尤其对算力较低的终端设备比较友好。
实际中,VO处理装置在对每张图片进行处理时都会产生相应的内部变量,本公开实施例在对VO可靠性评估模型进行训练时,可以采用图片序列中所有图片对应的内部变量来训练VO可靠性评估模型,也可以采用图片序列中一部分连续的图片的内部变量来训练VO可靠性评估模型。在开始训练之间,先将各图片对应的内部变量按照图片采集顺序进行排列得到一个变量组,然后再将变量组和VO处理装置在处理各图片时的可靠性标签输入VO可靠性评估模型进行训练。
通过将各图片对应的内部变量按照图片采集顺序进行排列,能够使得排列得到的变量组中携带时序信息,从而提高模型训练的准确性。
在本公开实施例中,VO可靠性评估模型的训练方法与相关技术类似,在这里不再赘述。
通过获取图片序列以及采集设备在采集图片序列时的真实轨迹和真实位姿,并将图片序列输入VO处理装置中,获取VO处理装置在处理图片序列的过程中的内部变量以及采集设备的估计轨迹和估计位姿;通过真实轨迹和真实位姿、估计轨迹和估计位姿来确定VO处理装置在处理各图片时的安装角误差和相对位姿误差,并基于VO处理装置在处理各图片时的安装角误差和相对位姿误差来确定VO处理装置在处理各图片时的可靠性标签;从而通过VO处理装置在处理图片序列的过程中的内部变量和VO处理装置在处理各图片时的可靠性标签来训练VO可靠性评估模型。本公开实施例在训练VO可靠性评估模型时,考虑了PDR等下游模块对安装角的依赖,在标签计算时以安装角误差和相对位姿误差为依据,提高了可靠性标签的准确性,从而基于可靠性标签和VO处理装置在处理图片序列的过程中的内部变量训练VO可靠性评估模型,即可提高VO可靠性评估模型的准确度,进而提高VO可靠性评估的准确度。采用本公开实施例提供的VO可靠性评估模型能够实时的对VO的可靠性进行评估,为PDR等下游模块提供可靠的依据。
示例的,在本公开实施例提供的一个实施例中,在基于VO处理装置的内部变量和可靠性标签训练VO可靠性评估模型之前,还可以包括对VO处理装置在处理各图片时的内部变量进行标准化处理和/或数据增强处理的步骤。其中,标准化处理包括单不限于0-1标准化和高斯标准化。数据增强处理包括但不局限于添加高斯随机噪声。通过对内部变量进行标准化处理,能够方便内部变量的处理,通过对内部变量进行数据增强处理能够增加样本的随机性,提高模型训练的准确性。
示例的,在本公开实施例的一些实施例中,在基于真实轨迹和真实位姿、估计轨迹和估计位姿,确定VO处理装置在处理各图片时的安装角误差和相对位姿误差之后,还可以包括数据筛选的步骤。比如,在一种数据筛选方法中对于VO处理装置在处理每张图片时的安装角误差和相对位姿误差,可以将安装角误差与第三预设阈值进行比较,将相对位姿误差与第四预设阈值进行比较,当安装角误差小于第三预设阈值,且相对位姿误差小于第四预设阈值时,则可以进一步执行基于安装角误差和相对位姿误差,确定VO处理装置在处理该图片时的可靠性标签的步骤,如果安装角误差大于或等于第三预设阈值,或者相对位姿误差大于或等于第四预设阈值,则确定此时的VO处理装置处理图片的内部变量属于异常样本,删除此时的内部变量、估计轨迹以及估计位姿。进一步的,可以基于VO处理装置重新对原来的图片序列进行处理,得到VO处理装置在重新处理过程中的内部变量,或者也可以舍弃当前图片序列,重新获取新的图片序列进行处理得到新的内部变量。通过数据筛选能够筛除异常的样本,保留正常样本,确保模型训练的准确性。
图5是本公开实施例提供的一种VO可靠性评估方法的流程图。该方法可以由一种终端设备(比如,手机、平板、可穿戴设备等具有导航功能的设备,但不局限于这里列举的设备)来执行。该终端设备可以采用上述实施例训练得到的VO可靠性评估模型对VO处理装置的可靠性进行评估,并基于评估结果和PDR算法进行定位计算和导航。如图5所示,该评估方法包括:
步骤501、获取待处理的第一图片。
步骤502、将第一图片输入VO处理装置中,获取VO处理装置在处理第一图片的过程中的第一内部变量。
其中,本实施例中的内部变量所述包含的参数和种类与图2实施例中所称的内部变量一致,在这里不再赘述。
步骤503、将第一内部变量以及所述VO处理装置在处理多个第二图片的过程中的第二内部变量输入预先训练的VO可靠性评估模型,得到VO处理装置在第一图片时的VO可靠性评估结果。
其中,预先训练的VO可靠性评估模型可以理解为基于前述实施例中的模型训练方法训练得到的VO可靠性评估模型。
其中,多个第二图片是指在第一图片之前采集到的多个图片。
示例的,图6是一种VO可靠性评估场景的示意图,如图6所示,采集设备将实时采集到的图片序列输入VO处理装置进行处理,对于接收到的每张图片,VO处理装置在处理该图片时的内部变量会被传输到推理引擎,其中,推理引擎中包含本公开实施例训练得到的VO可靠性评估模型,推理引擎通过将VO处理装置在处理该图片时的内部变量以及VO处理装置在处理该图片之前输入的多张图片时的内部变量(预先存储在缓存中)输入VO可靠性评估模型,得到VO处理装置在处理当前图片时的VO可靠性评估结果,并将VO可靠性评估结果发送给下游的PDR进行位姿计算。同时VO可靠性评估结果被反馈给VO处理装置,以使VO处理装置根据VO可靠性评估结果进行自我调整,以提高VO处理装置的可靠性。
本公开实施例的有益效果与图2实施例类似,在这里不再赘述。
图7是本公开实施例提供的一种VO可靠性评估模型的训练装置的结构示意图,该装置可以被理解为上述实施例中的计算机设备或者计算机设备中的部分功能模块。如图7所示,本公开实施例提供的训练装置70包括:
第一获取模块71,用于获取图片序列以及采集设备在采集所述图片序列时的真实轨迹和真实位姿;
第二获取模块72,用于将所述图片序列输入VO处理装置进行处理,获取所述VO处理装置在处理所述图片序列的过程中的内部变量以及所述采集设备的估计轨迹和估计位姿;
第一确定模块73,用于基于所述真实轨迹和所述真实位姿、所述估计轨迹和所述估计位姿,确定所述VO处理装置在处理各图片时的安装角误差和相对位姿误差;
第二确定模块74,用于基于所述VO处理装置在处理各图片时的安装角误差和相对位姿误差,确定所述VO处理装置在处理各图片时的可靠性标签;
训练模块75,用于基于所述VO处理装置在处理所述图片序列的过程中的内部变量和所述VO处理装置在处理各图片时的可靠性标签训练VO可靠性评估模型。
在一种实施方式中,第一确定模块73,用于:
基于所述采集设备在采集各图片时的真实轨迹和真实位姿,确定所述采集设备在采集各图片时的第一安装角;
基于所述采集设备在采集各图片时的估计轨迹和估计位姿,确定所述采集设备在采集各图片时的第二安装角;
对于每个图片,将采集所述图片时的所述第一安装角和所述第二安装角之间的偏差确定为所述VO处理装置在处理所述图片时的安装角误差。
在一种实施方式中,第一确定模块73,还可以用于:
对所述真实轨迹和所述估计轨迹进行对齐处理,得到两条轨迹上的轨迹点之间的对齐关系,其中相互对齐的轨迹点对应于图片序列中的同一张图片;
基于所述采集设备在真实轨迹的第一轨迹点和第二轨迹点上的真实位姿,确定所述采集设备在所述第一轨迹点上采集图片时的第一相对位姿;
根据所述采集设备在所述估计轨迹的第三轨迹点和第四轨迹点上的估计位姿,确定所述采集设备在采集所述图片时的第二相对位姿,其中,所述第三轨迹点和所述第一轨迹点对齐,所述第四轨迹点和所述第二轨迹点对齐;
将所述第一相对位姿和所述第二相对位姿之间的偏差,确定为所述VO处理装置在处理所述图片时的相对位姿误差。
在一种实施方式中,第二确定模块74,用于:
针对每张图片,将所述VO处理装置在处理所述图片时的安装角误差与第一预设阈值进行比较,将所述VO处理装置在处理所述图片时的相对位姿误差与第二预设阈值进行比较;
响应于所述安装角误差小于第一预设阈值,所述相对位姿误差小于第二预设阈值,确定所述VO处理装置在处理所述图片时的可靠性标签为可靠;
响应于所述安装角误差大于或等于第一预设阈值,或者所述相对位姿误差大于或等于第二预设阈值,确定所述VO处理装置在处理所述图片时的可靠性标签为不可靠。
在一种实施方式中,训练装置70还可以包括:
对所述VO处理装置在处理各图片时的内部变量进行标准化处理和/或数据增强处理。
在一种实施方式中,训练装置70还可以包括第二处理模块,用于:
对于VO处理装置在处理每张图片时的安装角误差和相对位姿误差,将所述安装角误差与第三预设阈值进行比较,将所述相对位姿误差与第四预设阈值进行比较;
响应于所述安装角误差小于所述第三预设阈值,所述相对位姿误差小于所述第四预设阈值,则执行基于所述VO处理装置在处理各图片时的安装角误差和相对位姿误差,确定所述VO处理装置在处理各图片时的可靠性标签的步骤;
响应于所述安装角误差大于或等于所述第三预设阈值,或者所述相对位姿误差大于或等于所述第四预设阈值,则删除所述VO处理装置在处理所述图片时的内部变量以及所述采集设备在采集所述图片时的估计轨迹和估计位姿。
在一种实施方式中,训练模块75,用于:
按照所述图片序列中各张图片的采集顺序,对所述VO处理装置在处理各张图片的过程中的内部变量进行排列,得到变量组;
基于所述变量组和所述VO处理装置在处理各图片时的可靠性标签训练VO可靠性评估模型。
本公开实施例提供的训练装置,能够执行上述图2-图4中任一方法实施例的方法,其执行方式和有益效果类似,在这里不再赘述。
图8是本公开实施例提供的一种VO可靠性评估装置的结构示意图,该装置可以理解为图5实施例中的终端设备或者终端设备中的部分功能模块。如图8所示,VO可靠性评估装置80包括:
第一获取模块81,用于获取待处理的第一图片;
第二获取模块82,用于将所述第一图片输入VO处理装置中,获取所述VO处理装置在处理所述第一图片的过程中的第一内部变量;
可靠性评估模块83,用于将所述第一内部变量以及所述VO处理装置在处理多个第二图片的过程中的第二内部变量输入预先训练的VO可靠性评估模型,得到所述VO处理装置在处理所述第一图片时的VO可靠性评估结果;其中,所述第二图片是指在所述第一图片之前采集到的图片。
其中,预先训练的VO可靠性评估模型可以理解为图7实施例中训练得到的VO可靠性评估模型。
本公开实施例提供的VO可靠性评估装置能够执行图5实施例的方法,其执行方式和有益效果类似,在这里不再赘述。
本公开实施例还提供一种计算机设备,该计算机设备包括存储器和处理器,其中,该存储器中存储有计算机程序,当计算机程序被处理器执行时,可以实现如上述图2-图4任一方法实施例中的方法。
本公开实施例还提供一种终端设备,该终端设备包括存储器和处理器,其中,该存储器中存储有计算机程序,当计算机程序被处理器执行时,可以实现如上述图5方法实施例中的方法。
示例的,图9是本公开实施例中的一种终端设备的结构示意图。下面具体参考图9,其示出了适于用来实现本公开实施例中的终端设备1400的结构示意图。本公开实施例中的终端设备1400可以包括但不限于诸如手机、平板电脑、可穿戴设备等具有数据处理能力和计算能力的设备。图9示出的终端设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图9所示,终端设备1400可以包括处理装置(例如中央处理器、图形处理器等)1401,其可以根据存储在只读存储器(ROM)1402中的程序或者从存储装置1408加载到随机访问存储器(RAM)1403中的程序而执行各种适当的动作和处理。在RAM 1403中,还存储有终端设备1400操作所需的各种程序和数据。处理装置1401、ROM 1402以及RAM1403通过总线1404彼此相连。输入/输出(I/O)接口1405也连接至总线1404。
通常,以下装置可以连接至I/O接口1405:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置1406;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置1407;包括例如磁带、硬盘等的存储装置1408;以及通信装置1409。通信装置1409可以允许终端设备1400与其他设备进行无线或有线通信以交换数据。虽然图9示出了具有各种装置的终端设备1400,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置1409从网络上被下载和安装,或者从存储装置1408被安装,或者从ROM 1402被安装。在该计算机程序被处理装置1401执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述终端设备中所包含的;也可以是单独存在,而未装配入该终端设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被处理装置执行时,使得处理装置:获取待处理的第一图片;将所述第一图片输入VO处理装置中,获取所述VO处理装置在处理所述第一图片的过程中的第一内部变量;将所述第一内部变量以及所述VO处理装置在处理多个第二图片的过程中的第二内部变量输入预先训练的VO可靠性评估模型,得到所述VO处理装置在处理所述第一图片时的VO可靠性评估结果;其中,所述第二图片是指在所述第一图片之前采集到的图片。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
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。
本公开实施例还提供一种计算机可读存储介质,所述存储介质中存储有计算机程序,当所述计算机程序被处理器执行时可以实现上述图2-图5中任一实施例的方法,其执行方式和有益效果类似,在这里不再赘述。
本公开实施例还提供一种计算机程序产品,所述程序产品存储在存储介质中,当所述程序产品运行时,可以实现图2-图5中任一实施例的方法,其执行方式和有益效果类似,在这里不再赘述。
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“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本公开的具体实施方式,使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下,在其它实施例中实现。因此,本公开将不会被限制于本文所述的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (13)
1.一种VO可靠性评估模型的训练方法,其中,包括:
获取图片序列以及采集设备在采集所述图片序列时的真实轨迹和真实位姿;
将所述图片序列输入VO处理装置进行处理,获取所述VO处理装置在处理所述图片序列的过程中的内部变量以及所述采集设备的估计轨迹和估计位姿;
基于所述真实轨迹和所述真实位姿、所述估计轨迹和所述估计位姿,确定所述VO处理装置在处理各图片时的安装角误差和相对位姿误差;
基于所述VO处理装置在处理各图片时的安装角误差和相对位姿误差,确定所述VO处理装置在处理各图片时的可靠性标签;
基于所述VO处理装置在处理所述图片序列的过程中的内部变量和所述VO处理装置在处理各图片时的可靠性标签训练VO可靠性评估模型。
2.根据权利要求1所述的方法,其中,所述基于所述真实轨迹和所述真实位姿、所述估计轨迹和所述估计位姿,确定所述VO处理装置在处理各图片时的安装角误差和相对位姿误差,包括:
基于所述采集设备在采集各图片时的真实轨迹和真实位姿,确定所述采集设备在采集各图片时的第一安装角;
基于所述采集设备在采集各图片时的估计轨迹和估计位姿,确定所述采集设备在采集各图片时的第二安装角;
对于每个图片,将采集所述图片时的所述第一安装角和所述第二安装角之间的偏差确定为所述VO处理装置在处理所述图片时的安装角误差。
3.根据权利要求1所述的方法,其中,所述基于所述真实轨迹和所述真实位姿、所述估计轨迹和所述估计位姿,确定所述VO处理装置在处理各图片时的安装角误差和相对位姿误差,包括:
对所述真实轨迹和所述估计轨迹进行对齐处理,得到两条轨迹上的轨迹点之间的对齐关系,其中相互对齐的轨迹点对应于图片序列中的同一张图片;
基于所述采集设备在真实轨迹的第一轨迹点和第二轨迹点上的真实位姿,确定所述采集设备在所述第一轨迹点上采集图片时的第一相对位姿;
根据所述采集设备在所述估计轨迹的第三轨迹点和第四轨迹点上的估计位姿,确定所述采集设备在采集所述图片时的第二相对位姿,其中,所述第三轨迹点和所述第一轨迹点对齐,所述第四轨迹点和所述第二轨迹点对齐;
将所述第一相对位姿和所述第二相对位姿之间的偏差,确定为所述VO处理装置在处理所述图片时的相对位姿误差。
4.根据权利要求1所述的方法,其中,所述基于所述VO处理装置在处理各图片时的安装角误差和相对位姿误差,确定所述VO处理装置在处理各图片时的可靠性标签,包括:
针对每张图片,将所述VO处理装置在处理所述图片时的安装角误差与第一预设阈值进行比较,将所述VO处理装置在处理所述图片时的相对位姿误差与第二预设阈值进行比较;
响应于所述安装角误差小于第一预设阈值,所述相对位姿误差小于第二预设阈值,确定所述VO处理装置在处理所述图片时的可靠性标签为可靠;
响应于所述安装角误差大于或等于第一预设阈值,或者所述相对位姿误差大于或等于第二预设阈值,确定所述VO处理装置在处理所述图片时的可靠性标签为不可靠。
5.根据权利要求1-4中任一项所述的方法,其中,所述基于所述VO处理装置在处理所述图片序列的过程中的内部变量和所述VO处理装置在处理各图片时的可靠性标签训练VO可靠性评估模型之前,所述方法还包括:
对所述VO处理装置在处理各图片时的内部变量进行标准化处理和/或数据增强处理。
6.根据权利要求1所述的方法,其中,所述基于所述真实轨迹和所述真实位姿、所述估计轨迹和所述估计位姿,确定所述VO处理装置在处理各图片时的安装角误差和相对位姿误差之后,所述方法还包括:
对于VO处理装置在处理每张图片时的安装角误差和相对位姿误差,将所述安装角误差与第三预设阈值进行比较,将所述相对位姿误差与第四预设阈值进行比较;
响应于所述安装角误差小于所述第三预设阈值,所述相对位姿误差小于所述第四预设阈值,则执行基于所述VO处理装置在处理各图片时的安装角误差和相对位姿误差,确定所述VO处理装置在处理各图片时的可靠性标签的步骤;
响应于所述安装角误差大于或等于所述第三预设阈值,或者所述相对位姿误差大于或等于所述第四预设阈值,则删除所述VO处理装置在处理所述图片时的内部变量以及所述采集设备在采集所述图片时的估计轨迹和估计位姿。
7.根据权利要求1所述的方法,其中,所述基于所述VO处理装置在处理所述图片序列的过程中的内部变量和所述VO处理装置在处理各图片时的可靠性标签训练VO可靠性评估模型,包括:
按照所述图片序列中各张图片的采集顺序,对所述VO处理装置在处理各张图片的过程中的内部变量进行排列,得到变量组;
基于所述变量组和所述VO处理装置在处理各图片时的可靠性标签训练VO可靠性评估模型。
8.一种VO可靠性评估方法,其中,包括:
获取待处理的第一图片;
将所述第一图片输入VO处理装置中,获取所述VO处理装置在处理所述第一图片的过程中的第一内部变量;
将所述第一内部变量以及所述VO处理装置在处理多个第二图片的过程中的第二内部变量输入如权利要求1-7中任一项的方法训练得到的VO可靠性评估模型,得到所述VO处理装置在处理所述第一图片时的VO可靠性评估结果;其中,所述第二图片是指在所述第一图片之前采集到的图片。
9.一种VO可靠性评估模型的训练装置,其中,包括:
第一获取模块,用于获取图片序列以及采集设备在采集所述图片序列时的真实轨迹和真实位姿;
第二获取模块,用于将所述图片序列输入VO处理装置进行处理,获取所述VO处理装置在处理所述图片序列的过程中的内部变量以及所述采集设备的估计轨迹和估计位姿;
第一确定模块,用于基于所述真实轨迹和所述真实位姿、所述估计轨迹和所述估计位姿,确定所述VO处理装置在处理各图片时的安装角误差和相对位姿误差;
第二确定模块,用于基于所述VO处理装置在处理各图片时的安装角误差和相对位姿误差,确定所述VO处理装置在处理各图片时的可靠性标签;
训练模块,用于基于所述VO处理装置在处理所述图片序列的过程中的内部变量和所述VO处理装置在处理各图片时的可靠性标签训练VO可靠性评估模型。
10.一种VO可靠性评估装置,其中,包括:
第一获取模块,用于获取待处理的第一图片;
第二获取模块,用于将所述第一图片输入VO处理装置中,获取所述VO处理装置在处理所述第一图片的过程中的第一内部变量;
可靠性评估模块,用于将所述第一内部变量以及所述VO处理装置在处理多个第二图片的过程中的第二内部变量输入如权利要求1-7中任一项的方法训练得到的VO可靠性评估模型,得到所述VO处理装置在处理所述第一图片时的VO可靠性评估结果;其中,所述第二图片是指在所述第一图片之前采集到的图片。
11.一种计算机设备,其中,包括存储器和处理器,其中,所述存储器中存储有计算机程序,当所述计算机程序被所述处理器执行时,实现如权利要求1-7中任一项所述的方法。
12.一种终端设备,其中,包括存储器和处理器,其中,所述存储器中存储有计算机程序,当所述计算机程序被所述处理器执行时,实现如权利要求8中所述的方法。
13.一种计算机程序产品,其中,所述程序产品存储在存储介质中,当所述程序产品被运行时,实现如权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310003525.XA CN116051637A (zh) | 2023-01-03 | 2023-01-03 | Vo可靠性评估方法、模型训练方法、装置、设备及产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310003525.XA CN116051637A (zh) | 2023-01-03 | 2023-01-03 | Vo可靠性评估方法、模型训练方法、装置、设备及产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116051637A true CN116051637A (zh) | 2023-05-02 |
Family
ID=86129032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310003525.XA Pending CN116051637A (zh) | 2023-01-03 | 2023-01-03 | Vo可靠性评估方法、模型训练方法、装置、设备及产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116051637A (zh) |
-
2023
- 2023-01-03 CN CN202310003525.XA patent/CN116051637A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921200B (zh) | 用于对驾驶场景数据进行分类的方法、装置、设备和介质 | |
EP3637310A1 (en) | Method and apparatus for generating vehicle damage information | |
CN109870698B (zh) | 一种超声波阵列障碍物检测结果处理方法及系统 | |
JP7273129B2 (ja) | 車線検出方法、装置、電子機器、記憶媒体及び車両 | |
CN110335313B (zh) | 音频采集设备定位方法及装置、说话人识别方法及系统 | |
CN110349212B (zh) | 即时定位与地图构建的优化方法及装置、介质和电子设备 | |
CN111783626B (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN114970705B (zh) | 基于多传感数据的行驶状态分析方法、装置、设备及介质 | |
CN111767853A (zh) | 车道线检测方法和装置 | |
CN114993328B (zh) | 车辆定位评估方法、装置、设备和计算机可读介质 | |
CN112528859A (zh) | 车道线检测方法、装置、设备及存储介质 | |
CN110287817B (zh) | 目标识别及目标识别模型的训练方法、装置和电子设备 | |
CN111368668B (zh) | 三维手部识别方法、装置、电子设备及存储介质 | |
CN114429631B (zh) | 三维对象检测方法、装置、设备以及存储介质 | |
CN109270566B (zh) | 导航方法、导航效果测试方法、装置、设备和介质 | |
CN112558036A (zh) | 用于输出信息的方法和装置 | |
CN114220163B (zh) | 人体姿态估计方法、装置、电子设备及存储介质 | |
CN116051637A (zh) | Vo可靠性评估方法、模型训练方法、装置、设备及产品 | |
CN111339226B (zh) | 一种基于分类检测网络构建地图方法及装置 | |
CN114419564A (zh) | 车辆位姿检测方法、装置、设备、介质及自动驾驶车辆 | |
CN113642493A (zh) | 一种手势识别方法、装置、设备及介质 | |
CN112507957A (zh) | 一种车辆关联方法、装置、路侧设备及云控平台 | |
CN111401305A (zh) | 一种4s店顾客统计方法、装置及电子设备 | |
Nguyen et al. | An algorithm using YOLOv4 and DeepSORT for tracking vehicle speed on highway | |
CN116580063B (zh) | 目标追踪方法、装置、电子设备及存储介质 |
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 |