CN116343169A - 路径规划方法、目标对象运动控制方法、装置及电子设备 - Google Patents
路径规划方法、目标对象运动控制方法、装置及电子设备 Download PDFInfo
- Publication number
- CN116343169A CN116343169A CN202310302942.4A CN202310302942A CN116343169A CN 116343169 A CN116343169 A CN 116343169A CN 202310302942 A CN202310302942 A CN 202310302942A CN 116343169 A CN116343169 A CN 116343169A
- Authority
- CN
- China
- Prior art keywords
- image
- initial
- obstacle
- target object
- detection result
- 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
-
- 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
- B60W60/001—Planning or execution of driving tasks
- B60W60/0011—Planning or execution of driving tasks involving control alternatives for a single driving scenario, e.g. planning several paths to avoid obstacles
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/50—Barriers
Abstract
本公开提供了一种路径规划方法、目标对象运动控制方法、装置及电子设备,涉及智能驾驶技术领域和人工智能技术领域。该路径规划方法包括:对表征目标对象移动空间的初始图像进行障碍物检测,得到中间图像,其中,中间图像包括表征目标对象移动空间中障碍物的障碍物图像区域,以及目标对象的起始位置与停止位置;对中间图像进行图像特征提取,得到中间图像特征;以及根据中间图像特征,确定目标对象由起始位置运动至停止位置的运动路径。
Description
技术领域
本公开涉及智能驾驶技术领域和人工智能技术领域,更具体地,涉及一种路径规划方法、目标对象运动控制方法、装置、电子设备、存储介质及计算机程序产品。
背景技术
随着科技的快速发展,自动驾驶功能被广泛地应用于乘用车、物流载具、自动巡检车等车辆中,使车辆可以根据生成的运动路径实现自动泊车、自动巡检等自动驾驶功能,从而提升了车辆的行驶效率、作业效率。
在实现本公开构思的过程中,发明人发现相关技术中至少存在如下问题:相关技术中生成的运动路径对于移动空间中的障碍物的躲避精度较低,在运动过程中存在碰撞障碍物的情况,导致车辆等目标对象的运动效率较低,难以满足实际需求。
发明内容
有鉴于此,本公开提供了一种路径规划方法、目标对象运动控制方法、装置、电子设备、存储介质及计算机程序产品。
本公开的一个方面提供了一种路径规划方法,包括:
对表征目标对象移动空间的初始图像进行障碍物检测,得到中间图像,其中,上述中间图像包括表征上述目标对象移动空间中障碍物的障碍物图像区域,以及目标对象的起始位置与停止位置;
对上述中间图像进行图像特征提取,得到中间图像特征;以及
根据上述中间图像特征,确定上述目标对象由上述起始位置运动至上述停止位置的运动路径。
根据本公开的实施例,上述初始图像中包括表征上述障碍物的障碍物形状的初始障碍物图像区域;
对表征目标对象移动空间的初始图像进行障碍物检测包括:
对上述初始图像进行网格化处理,得到初始网格图像,其中,上述初始网格图像包括多个初始网格图像单元;
对上述初始网格图像单元和上述初始障碍物图像区域进行重叠度检测,得到重叠度检测结果;以及
根据上述初始网格图像单元各自对应的重叠度检测结果,更新上述初始网格图像单元各自的初始像素值,得到上述中间图像。
根据本公开的实施例,根据上述初始网格图像单元各自对应的重叠度检测结果,更新上述初始网格图像单元各自的初始像素值包括:
在与上述初始网格图像单元相对应的上述重叠度检测结果为第一检测结果的情况下,将上述初始网格图像单元的初始像素值更新为第一像素值,其中,上述第一检测结果表征上述初始网格图像单元,与上述初始障碍物图像区域相重叠;
在与上述初始网格图像单元相对应的上述重叠度检测结果为第二检测结果的情况下,将上述初始网格图像单元的初始像素值更新为第二像素值,其中,上述第二检测结果表征上述初始网格图像单元,与上述初始障碍物图像区域相间隔。
根据本公开的实施例,对上述初始网格图像单元和上述初始障碍物图像区域进行重叠度检测,得到重叠度检测结果包括:
在上述初始网格图像单元与上述初始障碍物图像区域至少部分重叠的情况下,将上述重叠度检测结果确定为第一检测结果。
根据本公开的实施例,对上述初始网格图像单元和上述初始障碍物图像区域进行重叠度检测,得到重叠度检测结果包括:
在上述初始网格图像单元与上述初始障碍物图像区域的重叠度大于预设重叠度阈值的情况下,将上述重叠度检测结果确定为第一检测结果。
根据本公开的实施例,对表征目标对象移动空间的初始图像进行障碍物检测包括:
基于目标检测算法处理上述初始图像,得到表征上述障碍物的目标检测框;以及
根据上述目标检测框,确定上述中间图像。
根据本公开的实施例,根据上述中间图像特征,确定上述目标对象由上述起始位置运动至上述停止位置的运动路径包括:
将上述中间图像特征输入至基于神经网络算法构建得到的路径预测模型,输出上述起始位置至上述停止位置之间的途经位置;以及
基于上述途经位置,确定上述运动路径。
根据本公开的实施例,上述路径预测模型包括以下至少一项:
循环神经网络模型、长短期记忆网络模型、双向长短期记忆网络模型、注意力网络模型。
根据本公开的实施例,上述目标对象包括以下至少一项:
无人载具、智能机器人。
本公开的另一个方面提供了一种目标对象运动控制方法,包括:
根据如上所述的方法确定运动路径;以及
根据所述运动路径,控制目标对象执行运动操作。
本公开的另一个方面提供了一种路径规划装置,包括:
检测模块,用于对表征目标对象移动空间的初始图像进行障碍物检测,得到中间图像,其中,上述中间图像包括表征上述目标对象移动空间中障碍物的障碍物图像区域,以及目标对象的起始位置与停止位置;
图像特征提取模块,用于对上述中间图像进行图像特征提取,得到中间图像特征;以及
第一运动路径确定模块,用于根据上述中间图像特征,确定上述目标对象由上述起始位置运动至上述停止位置的运动路径。
本公开的另一个方面提供了一种目标对象运动控制装置,包括:
第二运动路径确定模块,用于根据如上所述的方法确定运动路径;以及
运动操作控制模块,用于根据所述运动路径,控制目标对象执行运动操作。
本公开的另一个方面提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得一个或多个处理器执行上述方法。
本公开的另一方面提供了一种计算机可读存储介质,存储有计算机可执行指令,所述指令在被执行时用于实现如上所述的方法。
本公开的另一方面提供了一种计算机程序产品,所述计算机程序产品包括计算机可执行指令,所述指令在被执行时用于实现如上所述的方法。
根据本公开的实施例,因为采用了对初始图像进行障碍物检测,对检测后得到的中间图像进行图像特征提取,至少部分地克服了相关技术中对于障碍物检测精度较低的技术问题,根据得到的中间图像特征确定起始位置至停止位置之间的运动路径,可以使得到的运动路径准确地避开障碍物,从而可以根据运动路径来控制目标对象执行运动操作,使目标对象在运动过程中准确地避开目标对象移动空间中的障碍物,至少部分地克服了目标对象运动过程中对于障碍物的躲避精度较低的技术问题,达到了提升目标对象运动效率以及躲避障碍物成功率的技术效果。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的可以应用路径规划方法、装置的示例性系统架构;
图2示意性示出了根据本公开实施例的路径规划方法的流程图;
图3示意性示出了根据本公开实施例的对表征目标对象移动空间的初始图像进行障碍物检测的流程图;
图4示意性示出了根据本公开另一实施例的对表征目标对象移动空间的初始图像进行障碍物检测的流程图;
图5示意性示出了根据本公开实施例的路径规划方法的应用场景图;
图6a示意性示出了根据本公开实施例的目标对象运动控制方法的流程图;
图6b示意性示出了根据本公开实施例的目标对象运动控制方法的应用场景图;
图7示意性示出了根据本公开的实施例的路径规划装置的框图;
图8示意性示出了根据本公开的实施例的目标对象运动控制装置的框图;以及
图9示意性示出了根据本公开实施例的适于实现路径规划方法、目标对象运动控制方法的电子设备的框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
在本公开的实施例中,所涉及的数据(例如,包括但不限于用户个人信息)的收集、更新、分析、处理、使用、传输、提供、公开、存储等方面,均符合相关法律法规的规定,被用于合法的用途,且不违背公序良俗。特别地,对用户个人信息采取了必要措施,防止对用户个人信息数据的非法访问,维护用户个人信息安全、网络安全和国家安全。
在本公开的实施例中,在获取或采集用户个人信息之前,均获取了用户的授权或同意。
在实现本公开的发明构思过程中,发明人发现相关技术中通常基于全离散空间点搜索方法、人工势场方法或采样法来实现无人车辆等目标对象的运动路径规划,而相关技术中基于全离散空间点搜索方法或基于采样法生成运动路径时计算开销较大,计算耗时较长,对计算硬件的处理能力要求过高,难以满足实时路径规划需求。基于数值优化方法来实现运动路径规划的过程中计算成功率较低,存在运动路径生成失败的技术问题。而基于人工势场方法来实现运动路径规划很难找到通用的势能函数来适用于多种多样的路径规划场景,且较为依赖专家经验。同时由于人工势场通过斥力来令路径避开障碍物,斥力有可能被引力抵消,因此基于人工势场的方法规划运动路径,难以实现精确地控制目标对象躲避障碍物,存在一定的安全隐患。
本公开的实施例提供了一种路径规划方法、目标对象运动控制方法、装置、电子设备、存储介质及计算机程序产品。该路径规划方法包括:对表征目标对象移动空间的初始图像进行障碍物检测,得到中间图像,其中,中间图像包括表征目标对象移动空间中障碍物的障碍物图像区域,以及目标对象的起始位置与停止位置;对中间图像进行图像特征提取,得到中间图像特征;以及根据中间图像特征,确定目标对象由起始位置运动至停止位置的运动路径。
根据本公开的实施例,通过对初始图像进行障碍物检测,使得到的中间图像可以准确地表征目标对象移动空间中的障碍物,通过对中间进行图像特征提取,并根据得到的中间图像特征确定起始位置至停止位置之间的运动路径,可以使得到的运动路径准确地避开障碍物,从而可以根据运动路径来控制目标对象执行运动操作,使目标对象在运动过程中准确地避开目标对象移动空间中的障碍物,提升对于障碍物的躲避精度。
图1示意性示出了根据本公开实施例的可以应用路径规划方法、装置的示例性系统架构。需要注意的是,图1所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示,根据该实施例的系统架构100可以包括终端设备101、102、车辆103、网络104和服务器105。网络104用以在终端设备101、102、车辆103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线和/或无线通信链路等等。
用户可以使用终端设备101、102、车辆103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。车辆103上可以安装有相应的客户端应用程序或者信息采集装置。
终端设备101、102、车辆103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102所浏览的网站提供支持的后台管理服务器(仅为示例),后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。服务器105或者还可以是对车辆103所采集或检测到的信息进行处理的服务器,服务器105可以对车辆103所采集到的图像信息等信息进行处理,生成运动路径,或服务器105还可以基于其他图像采集装置采集到的图像生成的运动路径,或者服务器105还可以基于生成的运动路径实现控制车辆103执行运动操作。
需要说明的是,本公开实施例所提供的路径规划方法一般可以由车辆103执行。相应地,本公开实施例所提供的路径规划装置一般可以设置于车辆103中。或者,本公开实施例所提供的路径规划方法也可以由终端设备101、102执行。相应地,本公开实施例所提供的路径规划装置也可以设置于终端设备101、102中。或者,本公开实施例所提供的路径规划方法也可以由服务器105执行。相应地,本公开实施例所提供的路径规划装置也可以设置于服务器105中。
本公开实施例所提供的路径规划方法也可以由不同于服务器105且能够与终端设备101、102、车辆103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的路径规划装置也可以设置于不同于服务器105且能够与终端设备101、102、车辆103和/或服务器105通信的服务器或服务器集群中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
图2示意性示出了根据本公开实施例的路径规划方法的流程图。
如图2所示,该路径规划方法包括操作S210~S230。
在操作S210,对表征目标对象移动空间的初始图像进行障碍物检测,得到中间图像,其中,中间图像包括表征目标对象移动空间中障碍物的障碍物图像区域,以及目标对象的起始位置与停止位置。
在操作S220,对中间图像进行图像特征提取,得到中间图像特征。
在操作S230,根据中间图像特征,确定目标对象由起始位置运动至停止位置的运动路径。
根据本公开的实施例,初始图像可以包括表征目标对象移动空间的鸟瞰图图像,鸟瞰图图像中可以包含有目标对象移动空间中的障碍物及障碍物位置,以及目标对象的起始位置和停止位置。但不仅限于此,初始图像还可以包括表征目标对象移动空间的地图图像,例如在目标对象移动空间为物流仓库所构成的空间的情况下,初始图像可以通过物流仓库图像的俯视方向布置图来表示。
需要说明的是,本公开的实施例对初始图像的具体图像类型不做限定,本领域技术人员可以根据实际需求进行选择,只要能够表征目标对象的起始位置与停止位置,以及表征目标对象移动空间中障碍物即可。
根据本公开的实施例,初始图像还可以从俯视角度,或其他角度对目标对象移动空间进行图像采集或目标检测后生成的图像,例如可以是基于设置在物流仓库角落的图像采集装置对于物流仓库内空间进行图像采集后生成的。本公开的实施例对初始图像的图像采集方式与图像采集角度不做限定,本领域技术人员可以根据实际需求进行选择。
根据本公开的实施例,障碍物图像区域可以是能够表征初始图像中,障碍物的位置、形状、尺寸等障碍物属性信息中的至少一项障碍物属性信息的图像区域。通过对中间图像进行图像特征提取,可以使得到的中间图像特征较为充分地保留中间图像中的障碍物属性信息,从而使根据中间图像特征确定的运动路径,可以较为准确地避开目标对象移动空间中的障碍物。
应该理解的是,中间图像包含的起始位置、停止位置以及障碍物位置等位置属性信息,可以通过中间图像的像素位置来表示。或者还可以通过中间图像所对应的图像坐标位置来表示,本公开的实施例对中间图像表征位置的具体方式不做限定,本领域技术人员可以根据实际需求进行选择。
根据本公开的实施例,可以通过检测初始图像中表征障碍物的像素来实现对初始图像进行障碍物检测,但不仅限于此,还可以基于相关目标检测模型,例如R-CNN(RegionwithConvolutional Neural Networks features)模型来对初始图像进行障碍物检测。本公开的实施例对障碍物检测的具体方法不做限定,本领域技术人员可以根据实际需求进行选择,只要能够检测得到初始图像中的障碍物,得到障碍物图像区域即可。
根据本公开的实施例,可以基于神经网络算法来处理中间图像特征,例如可以基于循环神经网络算法来处理中间图像特征,但不仅限于此,还可以基于其他类型的神经网络算法来处理中间图像特征,本公开的实施例对处理中间图像特征的具体算法类型不做限定,本领域技术人员可以根据实际需求进行选择。
根据本公开的实施例,通过对初始图像进行障碍物检测,使得到的中间图像可以准确地表征目标对象移动空间中的障碍物,通过对中间进行图像特征提取,并根据得到的中间图像特征确定起始位置至停止位置之间的运动路径,可以使运动路径准确地避开障碍物,从而根据运动路径来控制目标对象执行运动操作,可以使目标对象在运动过程中准确地避开目标对象移动空间中的障碍物,提升针对目标对象的运动控制过程中对于障碍物的躲避精度。
下面结合具体实施例,并参考图3~图5对图2所示的方法做进一步说明。
根据本公开的实施例,初始图像中包括表征障碍物的障碍物形状的初始障碍物图像区域。
图3示意性示出了根据本公开实施例的对表征目标对象移动空间的初始图像进行障碍物检测的流程图。
如图3所示,操作S210中,对表征目标对象移动空间的初始图像进行障碍物检测包括操作S310~S330。
在操作S310,对初始图像进行网格化处理,得到初始网格图像,其中,初始网格图像包括多个初始网格图像单元。
在操作S320,对初始网格图像单元和初始障碍物图像区域进行重叠度检测,得到重叠度检测结果。
在操作S330,根据初始网格图像单元各自对应的重叠度检测结果,更新初始网格图像单元各自的初始像素值,得到中间图像。
根据本公开的实施例,初始障碍物图像区域可以通过表征障碍物的像素的像素值来构建得到,但不仅限于此,还可以基于预设的障碍物区域或障碍物形状在初始图像中进行标注后生成初始障碍物图像区域,本公开的实施例对初始障碍物图像区域的具体确定方式不做限定,本领域技术人员可以根据实际需求进行选择。
根据本公开的实施例,可以基于包含有多个网格单元的网格图对初始图像进行网格化处理,从而得到初始图像与网格单元相对应的区域,即得到网格单元所包围的初始网格图像单元。
根据本公开的实施例,重叠度检测结果可以表征初始网格图像单元与初始障碍物图像区域的重叠程度,例如在初始网格图像单元与初始障碍物图像区域完全重叠的情况下,重叠度检测结果可以是1;在初始网格图像单元与初始障碍物图像区域没有重叠的情况下,重叠度检测结果可以是0。相应地,重叠度检测结果还可以包括0至1之间的数值,以实现精准表征初始网格图像单元与初始障碍物图像区域重叠程度。
根据本公开的实施例,重叠度检测结果还可以通过表征存在部分区域重叠的正检测结果,和表征完全不重叠的负检测结果来表征初始网格图像单元与初始障碍物图像区域是否重叠。
需要说明的是,本公开的实施例对重叠度检测结果的具体设定方式不做限定,本领域技术人员可以根据实际需求进行选择,只要能够满足表征初始网格图像单元与初始障碍物图像区域之间的重叠程度即可。
根据本公开的实施例,可以基于重叠度检测结果,确定与重叠度检测结果对应的中间图像值,以得到更新后的中间图像。
在本公开的一个实施例中,可以设定预设重叠度区间,在重叠度检测结果为0的情况下,将初始网格图像单元更新为绿色像素对应的绿色像素值,在重叠度检测结果为(0,0.4]的情况下,将初始网格图像单元更新为黄色像素对应的黄色像素值,相应在重叠度检测结果为(0.4,1]的情况下,将初始网格图像单元更新为红色像素对应的红色像素值。中间图像中具有红色像素值和绿色像素值的区域可以是表征障碍物的图像区域,从而实现基于中间图像来清楚地表征目标对象移动空间中障碍物的位置、形状、尺寸等障碍物属性信息。
根据本公开的实施例,运动路径可以包括在中间图像中生成的路径信息,或者还可以包括在初始图像中生成的路径信息,或者还可以包括在预设坐标系中生成的路径信息,本公开的实施例对运动路径的具体表征方式不做限定,本领域技术人员可以根据实际需求进行选择。
根据本公开的实施例,通过根据重叠度检测结果来更新初始像素值,可以使更新后的各个网格图像中的像素值来清晰地表征目标对象移动空间中障碍物的障碍物属性信息,可以使后续提取得到的中间图像特征可以更加准确地保留障碍物属性信息,避免障碍物属性信息丢失,提升所生成的运动路径避开目标对象移动空间中的障碍物的精准程度,实现提升目标对象在执行运动操作过程中躲避障碍物的准确率与成功率。
需要说明的是,上述实施例仅示例性说明本公开实施例中更新初始网格图像单元的初始像素值的方式,并非对于本公开实施例提供的方法的限定,本领域技术人员可以根据实际需求来更新初始网格图像单元的初始像素值。
根据本公开的实施例,操作S330中,根据初始网格图像单元各自对应的重叠度检测结果,更新初始网格图像单元各自的初始像素值可以包括如下操作。
在与初始网格图像单元相对应的重叠度检测结果为第一检测结果的情况下,将初始网格图像单元的初始像素值更新为第一像素值,其中,第一检测结果表征初始网格图像单元,与初始障碍物图像区域相重叠;以及在与初始网格图像单元相对应的重叠度检测结果为第二检测结果的情况下,将初始网格图像单元的初始像素值更新为第二像素值,其中,第二检测结果表征初始网格图像单元,与初始障碍物图像区域相间隔。
根据本公开的实施例,根据第一检测结果(正检测结果)和第二检测结果(负检测结果)来分别将初始网格图像更新为第一像素值和第二像素值,可以使得到的中间图像的像素值种类减少,使中间图像可以清晰地区分目标对象移动空间中的障碍物和非障碍物,减少中间图像对于障碍物的表征错误。
需要说明的是,第一像素值与第二像素值可以基于本领域技术人员的选择来确定,本公开的实施例对第一像素值与第二像素值的具体设定方式不做限定,只要能够区分障碍物与非障碍物即可。
根据本公开的实施例,操作S320中,对初始网格图像单元和初始障碍物图像区域进行重叠度检测,得到重叠度检测结果可以包括如下操作。
在初始网格图像单元与初始障碍物图像区域至少部分重叠的情况下,将重叠度检测结果确定为第一检测结果。
根据本公开的实施例,第一检测结果可以表征该初始网格图像与初始障碍物图像区域相重叠。通过在初始网格图像单元与初始障碍物图像区域至少部分重叠的情况下,将重叠度检测结果确定为第一检测结果可以加快确定第一检测结果的确定速度,从而实现快速地生成中间图像,以提升后续生成运动路径的效率。同时还可以适度扩大中间图像中表征障碍物的图像区域范围,避免因对障碍物检测精度较低导致后续运动路径无法绕开障碍物的概率,提升后续目标对象在执行运动操作过程中躲避障碍物的成功率。
根据本公开的实施例,操作S320中,对初始网格图像单元和初始障碍物图像区域进行重叠度检测,得到重叠度检测结果可以包括如下操作。
在初始网格图像单元与初始障碍物图像区域的重叠度大于预设重叠度阈值的情况下,将重叠度检测结果确定为第一检测结果。
根据本公开的实施例提供的方法来确定第一检测结果,可以提升中间图像对于障碍物属性信息的检测精度,进而提升中间图像对于目标对象移动空间中的障碍物的表征精度,使后续生成的运动路径能够减少与障碍物之间的距离,提升目标对象执行运动操作的运动效率。
根据本公开的实施例,还可以将初始图像中的起始位置和停止位置更新为第三像素值,从而使起始位置与停止位置与第一像素值和第二像素值进行有效区分,提升运动路径的规划精度,使目标对象能够根据本公开实施例提供的路径规划方法,精准地按照运动路径从起始位置移动至停止位置。
图4示意性示出了根据本公开另一实施例的对表征目标对象移动空间的初始图像进行障碍物检测的流程图。
如图4所示,操作S210中,对表征目标对象移动空间的初始图像进行障碍物检测可以包括操作S410~操作S420。
在操作S410,基于目标检测算法处理初始图像,得到表征障碍物的目标检测框。
在操作S420,根据目标检测框,确定中间图像。
根据本公开的实施例,目标检测算法可以包括相关技术中用于检测图像信息中的车辆、标识牌等目标的算法,例如可以为SMOKE(Single-Stage Monocular 3D ObjectDetection via Keypoint Estimation)算法等,本公开的实施例对目标检测算法的具体类型不做限定,本领域技术人员可以根据实际需求进行选择。
根据本公开的实施例,目标检测框可以至少部分表征障碍物的类型、障碍物位置、障碍物的尺寸等障碍物属性信息,且目标检测框可以包围障碍物的整体,避免针对障碍物检测到的尺寸过小导致后续目标对象在执行运动操作过程中撞击至障碍物的情况,提升目标对象躲避障碍物的成功率。且目标检测框的生成效率较高,泛化能力较强,适用于检测多种类型的障碍物,因此根据目标检测框来确定包含有障碍物图像区域的中间图像,可以适用于目标对象移动空间中障碍物的位置或障碍物的类型变化比较频繁的场景中,提升目标对象执行运动操作的适应性。
根据本公开的实施例,操作S230中,根据中间图像特征,确定目标对象由起始位置运动至停止位置的运动路径可以包括如下操作。
将中间图像特征输入至基于神经网络算法构建得到的路径预测模型,输出起始位置至停止位置之间的途经位置;以及基于途经位置,确定运动路径。
根据本公开的实施例,通过路径预测模型来处理中间图像特征,可以通过快速生成的途经位置来表征目标对象在起始位置至停止位置之间的运动轨迹,进而根据途经位置来确定运动路径,可以使相关运动控制模块能够根据运动路径中的途经位置高效地、精准地控制目标对象按照运动路径执行运动操作,从而提升目标对象运动的精度,提升躲避障碍物的精确程度。
根据本公开的实施例,路径预测模型包括以下至少一项:
循环神经网络模型、长短期记忆网络模型、双向长短期记忆网络模型、注意力网络模型。
根据本公开的实施例,注意力网络模型可以包括相关技术中基于注意力机制构建得到的神经网络模型,例如Transformer模型、BERT(Bidirectional EncoderRepresentation from Transformers)模型等。
根据本公开的实施例,通过双向长短期记忆网络模型来处理中间图像特征,可以从起始位置至停止位置,以及从停止位置至起始位置的双向来学习中间图像特征中所包含的障碍物属性信息,从而生成的运动路径避开障碍物的精准度更高。
根据本公开的实施例,目标对象包括以下至少一项:
无人载具、智能机器人。
根据本公开的实施例,无人载具可以包括相关技术中的无人物流载具、无人乘用车、无人船等交通载具,本公开的实施例对无人载具的具体类型不做限定,只要能够实现根据运动路径执行运动操作即可。
根据本公开的实施例,智能机器人可以包括巡检机器人、物流机器人等任意类型的具有运动功能的机器人,本公开的本公开的实施例对智能机器人的具体类型不做限定,只要能够实现根据运动路径执行运动操作即可。
图5示意性示出了根据本公开实施例的路径规划方法的应用场景图。
如图5所示,在该实施例的应用场景中,可以包含有表征目对象移动空间的初始图像510。初始图像510可以是俯视目对象移动空间角度的平面地图图像,初始图像510可以包含有障碍物对象511a、511b和511c,相应地还可以包含有起始位置对象512和停止位置对象513。对初始图像510可以设定有包含有X轴和Y轴的图像坐标系,障碍物对象511a、511b和511c各自的障碍物位置信息、障碍物形状信息、障碍物尺寸信息,以及起始位置对象512和停止位置对象513可以通过与图像坐标系对应的坐标元素来表示。
将初始图像510输入至路径规划模块520的网格化处理模型521,可以基于类格栅网格对初始图像510进行网格化处理,输出多个初始网格图像单元,实现对于初始图像510的离散化。
多个初始网格图像单元可以输入至中间图像生成模型522,基于中间图像生成模型522对多个初始网格图像单元均进行障碍物检测,例如可以对初始网格图像单元和初始障碍物图像区域(即障碍物对象511a、511b和511c)进行重叠度检测,得到重叠度检测结果。在重叠度检测结果表征初始网格图像与初始障碍物图像区域存在至少部分重合的情况下,将重叠度检测结果确定为第一检测结果。并根据与第一检测结果对应的初始网格图像单元进行像素值更新,将该初始网格图像单元更新为像素值为0。
相应地,还可以将起始位置对象512和停止位置对象513对应的初始网格图像单元更新为像素值为127,将与起始位置对象512和/或停止位置对象513不重叠的初始网格图像单元新为像素值为255,从而可以得到中间图像。中间图像中具有像素值为255的区域(即白色区域)可以是目标对象能够进行运动的区域,具有像素值为0的区域(及黑色区域)可以表征障碍物对象511a、511b和511c各自的位置、尺寸、形状等障碍物属性信息。同时中间图像中像素值为127的区域可以表征起始位置对象512或停止位置对象513,这样可以使中间图像实现对目标对象移动空间的精准表征。
将生成的中间图像输入至图像特征提取模型523,图像特征提取模型523可以是基于卷积神经网络模型构建得到的,以提取中间图像的图像特征,输出中间图像特征。
中间图像特征可以输入至路径预测模型524,该路径预测模型524可以是基于长短期记忆(Long Short-Term Memory,LSTM)模型构建得到的,可以基于中间图像特征预测目标对象在起始位置对象512至停止位置对象513之间的途经位置,例如可以输出起始位置对象512至停止位置对象513之间的多个途经位置坐标,得到途经位置坐标序列。根据该途经位置坐标序列可以更新中间图像,得到目标图像530。
目标图像530可以是基于中间图像生成的,目标图像530包含有更新过像素值的目标障碍物531a、531b和531c,还可以包含有目标起始位置对象532和目标停止位置对象533。且目标图像530还可以包含有表征运动路径的运动路径对象540,可以基于上述路径预测模型524输出的途经位置坐标序列生成运动路径对象540,使先关人员可以清晰地浏览目标运动对象在目标对象移动空间中的运动轨迹,且可以成功地避开目标移动空间中的障碍物,实现通过端到端模块(即路径规划模块520)来生成运动路径,提升运动路径规划效率。
需要说明的是,路径规划模块520中的图像特征提取模型523和路径预测模型524可以基于相关技术中的有监督训练方法来训练得到。
例如可以在实际的无人车运营过程中,会积累无人车运动路径地图。生成样本初始图像(不含有运动路径的地图图像),以及样本标签(样本运动路径)。通过开源深度学习库Pytorch对初始图像特征提取模型和初始路径预测模型进行训练,初始初始路径预测模型输出的预测途经位置坐标为表征样本标签的样本途经位置坐标为n表示途径位置坐标的数量。通过如下公式(2)作为代价函数,以形成监督信号。可以得到训练后的图像特征提取模型523和路径预测模型524。
公式(2)中,n表示途径位置坐标的数量,N表示样本运动路径的数量。
通过训练后得到的图像特征提取模型523和路径预测模型524,可以将相关技术中的路径搜索问题转化为回归问题,并基于训练后的图像特征提取模型和路径预测模型实现运动路径的端到端输出,提升运动路径的生成效率,并提升针对障碍物的躲避精度。
需要说明的是,本公开的技术方案中,所涉及的数据(例如,包括但不限于目标对象移动空间的图像信息)收集、使用、保存、共享和转移等处理,均符合相关法律法规的规定,且需要告知相关用户或机构并获得相关用户或机构的同意或授权,当适用时,对其中涉及的用户个人信息进行了去标识化和/或匿名化和/或加密的技术处理。
图6a示意性示出了根据本公开实施例的目标对象运动控制方法的流程图。
如图6a所示,该目标对象运动控制方法包括操作S610~S620。
在操作S610,根据上述实施例提供的路径规划方法确定运动路径。
在操作S620,根据运动路径,控制目标对象执行运动操作。图6b示意性示出了根据本公开实施例的目标对象运动控制方法的应用场景图。
如图6b所示,在该实施例的应用场景中,可以包含有目标对象移动空间610,该目标对象移动空间610中包含有障碍物611a、611b和611c,并设定有目标对象620的起始位置612和停止位置613。
通过在俯视角度对目标对象移动空间610进行图像采集,可以得到初始图像,根据本公开实施例提供的目标对象运动控制方法,可以生成起始位置612至停止位置613之间的运动路径。
通过生成的运动路径来控制目标对象620执行运动操作,可以按照运动路径轨迹630控制目标对象620执行运动操作,并最终控制目标对象620运动至停止位置613。显然目标对象620可以在精准地避开障碍物611a、611b和611c的情况下,高效地从起始位置612运动至停止位置613,实现对目标对象620的高效控制。
图7示意性示出了根据本公开的实施例的路径规划装置的框图。
如图7所示,路径规划700包括检测模块710、图像特征提取模块720和第一运动路径确定模块730。
检测模块710用于对表征目标对象移动空间的初始图像进行障碍物检测,得到中间图像,其中,中间图像包括表征目标对象移动空间中障碍物的障碍物图像区域,以及目标对象的起始位置与停止位置。
图像特征提取模块720用于对中间图像进行图像特征提取,得到中间图像特征。
第一运动路径确定模块730用于根据中间图像特征,确定目标对象由起始位置运动至停止位置的运动路径。
根据本公开的实施例,初始图像中包括表征障碍物的障碍物形状的初始障碍物图像区域。
检测模块包括:网格化处理单元、重叠度检测单元和像素值更新单元。
网格化处理单元用于对初始图像进行网格化处理,得到初始网格图像,其中,初始网格图像包括多个初始网格图像单元。
重叠度检测单元用于对初始网格图像单元和初始障碍物图像区域进行重叠度检测,得到重叠度检测结果。
像素值更新单元用于根据初始网格图像单元各自对应的重叠度检测结果,更新初始网格图像单元各自的初始像素值,得到中间图像。
根据本公开的实施例,像素值更新单元包括:第一像素值更新子单元和第二像素值更新子单元。
第一像素值更新子单元用于在与初始网格图像单元相对应的重叠度检测结果为第一检测结果的情况下,将初始网格图像单元的初始像素值更新为第一像素值,其中,第一检测结果表征初始网格图像单元,与初始障碍物图像区域相重叠。
第二像素值更新子单元用于在与初始网格图像单元相对应的重叠度检测结果为第二检测结果的情况下,将初始网格图像单元的初始像素值更新为第二像素值,其中,第二检测结果表征初始网格图像单元,与初始障碍物图像区域相间隔。
根据本公开的实施例,重叠度检测单元包括第一重叠度检测子单元。
第一重叠度检测子单元用于在初始网格图像单元与初始障碍物图像区域至少部分重叠的情况下,将重叠度检测结果确定为第一检测结果。
根据本公开的实施例,重叠度检测单元包括第二重叠度检测子单元。
第二重叠度检测子单元用于在初始网格图像单元与初始障碍物图像区域的重叠度大于预设重叠度阈值的情况下,将重叠度检测结果确定为第一检测结果。
根据本公开的实施例,检测模块包括:目标检测框确定单元和中间图像生成单元。
目标检测框确定单元用于基于目标检测算法处理初始图像,得到表征障碍物的目标检测框。
中间图像生成单元用于根据目标检测框,确定中间图像。
根据本公开的实施例,运动路径确定模块包括:途经位置确定单元和运动路径确定单元。
途经位置确定单元用于将中间图像特征输入至基于神经网络算法构建得到的路径预测模型,输出起始位置至停止位置之间的途经位置。
运动路径确定单元用于基于途经位置,确定运动路径。
根据本公开的实施例,路径预测模型包括以下至少一项:
循环神经网络模型、长短期记忆网络模型、双向长短期记忆网络模型、注意力网络模型。
根据本公开的实施例,目标对象包括以下至少一项:
无人载具、智能机器人。
图8示意性示出了根据本公开的实施例的目标对象运动控制装置的框图。
如图8所示,目标对象运动控制装置800包括第二运动路径确定模块810和运动操作控制模块820。根据本公开的实施例的模块、单元、子单元中的任意多个,或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,根据本公开实施例的模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
例如,检测模块710、图像特征提取模块720和第一运动路径确定模块730,或者第二运动路径确定模块810和运动操作控制模块820中的任意多个可以合并在一个模块/单元/子单元中实现,或者其中的任意一个模块/单元/子单元可以被拆分成多个模块/单元/子单元。或者,这些模块/单元/子单元中的一个或多个模块/单元/子单元的至少部分功能可以与其他模块/单元/子单元的至少部分功能相结合,并在一个模块/单元/子单元中实现。根据本公开的实施例,检测模块710、图像特征提取模块720和第一运动路径确定模块730,或者第二运动路径确定模块810和运动操作控制模块820中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,检测模块710、图像特征提取模块720和第一运动路径确定模块730,或者第二运动路径确定模块810和运动操作控制模块820中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
需要说明的是,本公开的实施例中目标对象运动控制装置部分与本公开的实施例中目标对象运动控制方法部分是相对应的,目标对象运动控制装置部分的描述具体参考目标对象运动控制方法部分,在此不再赘述。
需要说明的是,本公开的实施例中路径规划装置部分与本公开的实施例中路径规划方法部分是相对应的,路径规划装置部分的描述具体参考路径规划方法部分,在此不再赘述。
图9示意性示出了根据本公开实施例的适于实现路径规划方法、目标对象运动控制方法的电子设备的框图。图9示出的电子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,根据本公开实施例的电子设备900包括处理器901,其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。处理器901例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC)),等等。处理器901还可以包括用于缓存用途的板载存储器。处理器901可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 903中,存储有电子设备900操作所需的各种程序和数据。处理器901、ROM902以及RAM 903通过总线904彼此相连。处理器901通过执行ROM 902和/或RAM 903中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 902和RAM 903以外的一个或多个存储器中。处理器901也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,电子设备900还可以包括输入/输出(I/O)接口905,输入/输出(I/O)接口905也连接至总线904。系统900还可以包括连接至I/O接口905的以下部件中的一项或多项:包括键盘、鼠标等的输入部分906;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907;包括硬盘等的存储部分908;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器910上,以便于从其上读出的计算机程序根据需要被安装入存储部分908。
根据本公开的实施例,根据本公开实施例的方法流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,其包括承载在计算机可读存储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部分909从网络上被下载和安装,和/或从可拆卸介质911被安装。在该计算机程序被处理器901执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储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执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质。例如可以包括但不限于: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)、便携式紧凑磁盘只读存储器(CD-R0M)、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。
例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 902和/或RAM 903和/或ROM 902和RAM 903以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行本公开实施例所提供的方法的程序代码,当计算机程序产品在电子设备上运行时,该程序代码用于使电子设备实现本公开实施例所提供的路径规划方法、目标对象运动控制方法。
在该计算机程序被处理器901执行时,执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分909被下载和安装,和/或从可拆卸介质911被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
根据本公开的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“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设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(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,上述模块、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,框图或流程图中的每个方框、以及框图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。本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (15)
1.一种路径规划方法,包括:
对表征目标对象移动空间的初始图像进行障碍物检测,得到中间图像,其中,所述中间图像包括表征所述目标对象移动空间中障碍物的障碍物图像区域,以及目标对象的起始位置与停止位置;
对所述中间图像进行图像特征提取,得到中间图像特征;以及
根据所述中间图像特征,确定所述目标对象由所述起始位置运动至所述停止位置的运动路径。
2.根据权利要求1所述的方法,其中,所述初始图像中包括表征所述障碍物的障碍物形状的初始障碍物图像区域;
对表征目标对象移动空间的初始图像进行障碍物检测包括:
对所述初始图像进行网格化处理,得到初始网格图像,其中,所述初始网格图像包括多个初始网格图像单元;
对所述初始网格图像单元和所述初始障碍物图像区域进行重叠度检测,得到重叠度检测结果;以及
根据所述初始网格图像单元各自对应的重叠度检测结果,更新所述初始网格图像单元各自的初始像素值,得到所述中间图像。
3.根据权利要求2所述的方法,其中,根据所述初始网格图像单元各自对应的重叠度检测结果,更新所述初始网格图像单元各自的初始像素值包括:
在与所述初始网格图像单元相对应的所述重叠度检测结果为第一检测结果的情况下,将所述初始网格图像单元的初始像素值更新为第一像素值,其中,所述第一检测结果表征所述初始网格图像单元,与所述初始障碍物图像区域相重叠;
在与所述初始网格图像单元相对应的所述重叠度检测结果为第二检测结果的情况下,将所述初始网格图像单元的初始像素值更新为第二像素值,其中,所述第二检测结果表征所述初始网格图像单元,与所述初始障碍物图像区域相间隔。
4.根据权利要求3所述的方法,其中,对所述初始网格图像单元和所述初始障碍物图像区域进行重叠度检测,得到重叠度检测结果包括:
在所述初始网格图像单元与所述初始障碍物图像区域至少部分重叠的情况下,将所述重叠度检测结果确定为第一检测结果。
5.根据权利要求3所述的方法,其中,对所述初始网格图像单元和所述初始障碍物图像区域进行重叠度检测,得到重叠度检测结果包括:
在所述初始网格图像单元与所述初始障碍物图像区域的重叠度大于预设重叠度阈值的情况下,将所述重叠度检测结果确定为第一检测结果。
6.根据权利要求1所述的方法,其中,对表征目标对象移动空间的初始图像进行障碍物检测包括:
基于目标检测算法处理所述初始图像,得到表征所述障碍物的目标检测框;以及
根据所述目标检测框,确定所述中间图像。
7.根据权利要求1所述的方法,其中,根据所述中间图像特征,确定所述目标对象由所述起始位置运动至所述停止位置的运动路径包括:
将所述中间图像特征输入至基于神经网络算法构建得到的路径预测模型,输出所述起始位置至所述停止位置之间的途经位置;以及
基于所述途经位置,确定所述运动路径。
8.根据权利要求7所述的方法,其中,所述路径预测模型包括以下至少一项:
循环神经网络模型、长短期记忆网络模型、双向长短期记忆网络模型、注意力网络模型。
9.根据权利要求1至8中任一项所述的方法,其中,所述目标对象包括以下至少一项:
无人载具、智能机器人。
10.一种目标对象运动控制方法,包括:
根据如权利要求1至9中任一项所述的方法确定运动路径;以及
根据所述运动路径,控制目标对象执行运动操作。
11.一种路径规划装置,包括:
检测模块,用于对表征目标对象移动空间的初始图像进行障碍物检测,得到中间图像,其中,所述中间图像包括表征所述目标对象移动空间中障碍物的障碍物图像区域,以及目标对象的起始位置与停止位置;
图像特征提取模块,用于对所述中间图像进行图像特征提取,得到中间图像特征;以及
第一运动路径确定模块,用于根据所述中间图像特征,确定所述目标对象由所述起始位置运动至所述停止位置的运动路径。
12.一种目标对象运动控制装置,包括:
第二运动路径确定模块,用于根据如权利要求1至9中任一项所述的方法确定运动路径;以及
运动操作控制模块,用于根据所述运动路径,控制目标对象执行运动操作。
13.一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现权利要求1至10中任一项所述的方法。
14.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器实现权利要求1至10中任一项所述的方法。
15.一种计算机程序产品,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至10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310302942.4A CN116343169A (zh) | 2023-03-23 | 2023-03-23 | 路径规划方法、目标对象运动控制方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310302942.4A CN116343169A (zh) | 2023-03-23 | 2023-03-23 | 路径规划方法、目标对象运动控制方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116343169A true CN116343169A (zh) | 2023-06-27 |
Family
ID=86894489
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310302942.4A Pending CN116343169A (zh) | 2023-03-23 | 2023-03-23 | 路径规划方法、目标对象运动控制方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116343169A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117539266A (zh) * | 2024-01-04 | 2024-02-09 | 珠海市格努科技有限公司 | 基于视觉的物流系统中路径规划方法、装置和电子设备 |
-
2023
- 2023-03-23 CN CN202310302942.4A patent/CN116343169A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117539266A (zh) * | 2024-01-04 | 2024-02-09 | 珠海市格努科技有限公司 | 基于视觉的物流系统中路径规划方法、装置和电子设备 |
CN117539266B (zh) * | 2024-01-04 | 2024-04-19 | 珠海市格努科技有限公司 | 基于视觉的物流系统中路径规划方法、装置和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10402690B2 (en) | System and method for learning random-walk label propagation for weakly-supervised semantic segmentation | |
US10699125B2 (en) | Systems and methods for object tracking and classification | |
US11783568B2 (en) | Object classification using extra-regional context | |
WO2021249071A1 (zh) | 一种车道线的检测方法及相关设备 | |
KR102539942B1 (ko) | 궤적 계획 모델을 훈련하는 방법, 장치, 전자 기기, 저장 매체 및 프로그램 | |
US20220343758A1 (en) | Data Transmission Method and Apparatus | |
EP3940665A1 (en) | Detection method for traffic anomaly event, apparatus, program and medium | |
Wei et al. | Survey of connected automated vehicle perception mode: from autonomy to interaction | |
US20240149906A1 (en) | Agent trajectory prediction using target locations | |
JP2022023910A (ja) | 通行状態取得方法及び装置、路側装置、並びに、クラウド制御プラットフォーム | |
CN116343169A (zh) | 路径规划方法、目标对象运动控制方法、装置及电子设备 | |
US20210334542A1 (en) | Explainable multi-entity event recognition | |
CN114429631B (zh) | 三维对象检测方法、装置、设备以及存储介质 | |
Tas et al. | High-definition map update framework for intelligent autonomous transfer vehicles | |
CN108944945B (zh) | 用于辅助驾驶的状态预测方法、装置、电子设备和车辆 | |
CN113799799A (zh) | 一种安全补偿方法、装置、存储介质及电子设备 | |
CN112069899A (zh) | 一种路肩检测方法、装置及存储介质 | |
CN112987707A (zh) | 一种车辆的自动驾驶控制方法及装置 | |
Naresh et al. | Real Time Vehicle Tracking using YOLO Algorithm | |
US20230051565A1 (en) | Hard example mining for training a neural network | |
CN113963322B (zh) | 一种检测模型训练方法、装置及电子设备 | |
US20220155096A1 (en) | Processing sparse top-down input representations of an environment using neural networks | |
US20220326714A1 (en) | Unmapped u-turn behavior prediction using machine learning | |
Truong et al. | Rotated Mask Region-Based Convolutional Neural Network Detection for Parking Space Management System | |
Lakshmi Priya et al. | Vehicle Detection in Autonomous Vehicles Using Computer Vision |
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 |