CN116343174A - 目标检测方法、装置、车辆和存储介质 - Google Patents

目标检测方法、装置、车辆和存储介质 Download PDF

Info

Publication number
CN116343174A
CN116343174A CN202310334644.3A CN202310334644A CN116343174A CN 116343174 A CN116343174 A CN 116343174A CN 202310334644 A CN202310334644 A CN 202310334644A CN 116343174 A CN116343174 A CN 116343174A
Authority
CN
China
Prior art keywords
network
target
detection result
processing
obstacle
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
Application number
CN202310334644.3A
Other languages
English (en)
Inventor
甘鹏
欧远昶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiaomi Automobile Technology Co Ltd
Original Assignee
Xiaomi Automobile Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xiaomi Automobile Technology Co Ltd filed Critical Xiaomi Automobile Technology Co Ltd
Priority to CN202310334644.3A priority Critical patent/CN116343174A/zh
Publication of CN116343174A publication Critical patent/CN116343174A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

本公开涉及一种目标检测方法、装置、车辆和存储介质，该方法包括：获取车辆的环境感知数据，该环境感知数据为对车辆周围的环境进行检测得到的数据，并通过目标检测模型对环境感知数据进行处理，得到目标检测结果，该目标检测结果包括路面分割结果、与行车场景对应的第一障碍物检测结果和与泊车场景对应的第二障碍物检测结果。通过经携带多个标签的样本环境感知数据训练得到的目标检测模型对车辆的环境感知数据进行处理，即可得到路面分割结果、与行车场景对应的第一障碍物检测结果和与泊车场景对应的第二障碍物检测结果，从而能够避免不同行驶场景下对模型的切换，避免了切换模型对自动驾驶的影响。

Description

目标检测方法、装置、车辆和存储介质
技术领域
本公开涉及自动驾驶技术领域，尤其涉及一种目标检测方法、装置、车辆和存储介质。
背景技术
自动驾驶场景中对于不同的车辆行驶场景有不同的目标检测需求和路面分割需求，以便获取与车辆的行驶场景相对应的检测结果来确定对应的自动驾驶策略。
相关技术中，通过多个独立的模型分别获取对应的车辆行驶场景的检测结果，在此过程中，车辆行驶场景的变化需要切换对应的模型，而在切换模型的过程中会导致车辆的自动驾驶功能暂停，影响车辆的自动驾驶效果。
发明内容
为克服相关技术中存在的问题，本公开提供一种目标检测方法、装置、车辆和存储介质，通过经携带多个标签的样本环境感知数据训练得到的目标检测模型对车辆的环境感知数据进行处理，即可得到路面分割结果、与行车场景对应的第一障碍物检测结果和与泊车场景对应的第二障碍物检测结果，从而能够避免不同行驶场景下对模型的切换，避免了切换模型对自动驾驶的影响。
根据本公开实施例的第一方面，提供一种目标检测方法，包括：
获取车辆的环境感知数据，所述环境感知数据为对车辆周围的环境进行检测得到的数据；
通过目标检测模型对所述环境感知数据进行处理，得到目标检测结果，所述目标检测结果包括路面分割结果、与行车场景对应的第一障碍物检测结果和与泊车场景对应的第二障碍物检测结果，所述目标检测模型基于多个样本环境感知数据训练基础网络得到，每个所述样本环境感知数据携带多个标签。
可选地，所述目标检测模型包括共享识别网络、路面分割确定网络、第一障碍物确定网络和第二障碍物确定网络，所述通过目标检测模型对所述环境感知数据进行处理，得到目标检测结果，包括：
通过所述共享识别网络对所述环境感知数据进行处理，得到全局特征向量；
通过所述第一障碍物确定网络对所述全局特征向量进行处理，得到所述第一障碍物检测结果；
通过所述第二障碍物确定网络对所述全局特征向量进行处理，得到所述第二障碍物检测结果；
通过路面分割确定网络对所述环境感知数据进行处理，得到所述路面分割结果。
可选地，所述共享识别网络包括第一特征提取网络和第二特征提取网络；
在通过所述共享识别网络对所述环境感知数据进行处理，得到全局特征向量之前，所述方法还包括：
对所述环境感知数据进行体素化处理，得到体素化数据；
所述通过所述共享识别网络对所述环境感知数据进行处理，得到全局特征向量，包括：
通过所述第一特征提取网络对所述体素化数据进行初步特征提取，得到多层特征向量；
通过所述第二特征提取网络对所述多层特征向量进行深度特征提取，得到所述全局特征向量。
可选地，所述第一障碍物确定网络包括行车头网络和行车目标输出网络；
所述通过所述第一障碍物确定网络对所述全局特征向量进行处理，得到所述第一障碍物检测结果，包括：
通过所述行车头网络对所述全局特征向量进行处理，得到行车检测目标所对应的行车目标向量；
通过所述行车目标输出网络对所述行车目标向量进行处理，得到所述第一障碍物检测结果。
可选地，所述第二障碍物确定网络包括泊车头网络和泊车目标输出网络；
所述通过所述第二障碍物确定网络对所述全局特征向量进行处理，得到所述第二障碍物检测结果，包括：
通过所述泊车头网络对所述全局特征向量进行处理，得到泊车检测目标所对应的泊车目标向量；
通过所述泊车目标输出网络对所述泊车目标向量进行处理，得到所述第二障碍物检测结果。
可选地，所述路面分割确定网络包括全连接神经网络和路面输出网络；
通过路面分割确定网络对所述环境感知数据进行处理，得到所述路面分割结果，包括：
通过所述全连接神经网络对所述环境感知数据进行处理，得到路面特征向量；
通过所述路面输出网络对所述路面特征向量进行处理，得到所述路面分割结果。
可选地，所述全连接神经网络与所述行车头网络连接；
所述通过所述全连接神经网络对所述环境感知数据进行处理，得到路面特征向量，包括：
通过所述全连接神经网络对所述环境感知数据和所述行车目标向量进行处理，得到路面特征向量。
可选地，所述方法还包括：
获取车辆的行驶场景，所述行驶场景包括行车场景和泊车场景；
根据所述行驶场景和所述目标检测结果，确定目标驾驶策略；
根据所述目标驾驶策略控制所述车辆。
根据本公开实施例的第二方面，提供一种目标检测装置，包括：
第一获取模块，被配置为获取车辆的环境感知数据，所述环境感知数据为对车辆周围的环境进行检测得到的数据；
第一获得模块，被配置为通过目标检测模型对所述环境感知数据进行处理，得到目标检测结果，所述目标检测结果包括路面分割结果、与行车场景对应的第一障碍物检测结果和与泊车场景对应的第二障碍物检测结果，所述目标检测模型基于多个样本环境感知数据训练基础网络得到，每个所述样本环境感知数据携带多个标签。
根据本公开实施例的第三方面，提供一种车辆，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为实现本公开第一方面所提供的目标检测方法的步骤。
根据本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本公开第一方面所提供的目标检测方法的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果：
通过获取车辆的环境感知数据，该环境感知数据为对车辆周围的环境进行检测得到的数据，并通过目标检测模型对环境感知数据进行处理，得到目标检测结果，该目标检测结果包括路面分割结果、与行车场景对应的第一障碍物检测结果和与泊车场景对应的第二障碍物检测结果，目标检测模型基于多个样本环境感知数据训练基础网络得到，每个样本环境感知数据携带多个标签，通过经携带多个标签的样本环境感知数据训练得到的目标检测模型对车辆的环境感知数据进行处理，即可得到路面分割结果、与行车场景对应的第一障碍物检测结果和与泊车场景对应的第二障碍物检测结果，从而能够避免不同行驶场景下对模型的切换，避免了切换模型对自动驾驶的影响。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种目标检测方法的流程图。
图2是根据一示例性实施例示出的一种得到目标检测结果的方法的流程图。
图3是根据一示例性实施例示出的一种得到全局特征向量的方法的流程图。
图4是根据一示例性实施例示出的一种得到第一障碍物检测结果的方法的流程图。
图5是根据一示例性实施例示出的一种得到第二障碍物检测结果的方法的流程图。
图6是根据一示例性实施例示出的一种目标检测模型的结构示意图。
图7是根据一示例性实施例示出的一种目标检测装置框图。
图8是根据一示例性实施例示出的一种车辆的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种目标检测方法的流程图，如图1所示，包括以下步骤。
在步骤S101中，获取车辆的环境感知数据，所述环境感知数据为对车辆周围的环境进行检测得到的数据。
在本实施方式中，可通过车载传感器对车辆周围的环境进行检测，得到车辆的环境感知数据。其中，车载传感器可为激光雷达，环境感知数据可为点云数据。
在步骤S102中，通过目标检测模型对环境感知数据进行处理，得到目标检测结果，目标检测结果包括路面分割结果、与行车场景对应的第一障碍物检测结果和与泊车场景对应的第二障碍物检测结果，目标检测模型基于多个样本环境感知数据训练基础网络得到，每个样本环境感知数据携带多个标签。
在本实施方式中，可通过多个样本环境感知数据对基础网络进行多轮迭代训练，以便得到训练好的目标检测模型，其中，每个样本环境感知数据携带多个标签，示例地，携带的标签可为标注的与该样本环境感知数据对应的路面分割真实结果、与行车场景对应的第一障碍物真实结果和与泊车场景对应的第二障碍物真实结果。从而使训练好的目标检测模型能够以环境感知数据为输入，输出与该环境感知数据对应的路面分割结果、与行车场景对应的第一障碍物检测结果和与泊车场景对应的第二障碍物检测结果。该目标检测模型的结构为一个多任务模型结构，在通过携带多个标签的多个样本环境感知数据进行训练后，能够获得更强的特征提取能力，从而提高输出的目标检测结果的准确性。
本公开实施例通过获取车辆的环境感知数据，该环境感知数据为对车辆周围的环境进行检测得到的数据，并通过目标检测模型对环境感知数据进行处理，得到目标检测结果，该目标检测结果包括路面分割结果、与行车场景对应的第一障碍物检测结果和与泊车场景对应的第二障碍物检测结果，目标检测模型基于多个样本环境感知数据训练基础网络得到，每个样本环境感知数据携带多个标签，通过经携带多个标签的样本环境感知数据训练得到的目标检测模型对车辆的环境感知数据进行处理，即可得到路面分割结果、与行车场景对应的第一障碍物检测结果和与泊车场景对应的第二障碍物检测结果，从而能够避免不同行驶场景下对模型的切换，避免了切换模型对自动驾驶的影响。而且，本公开实施例的多任务的目标检测模型能够节省存储资源和计算资源。
图2是根据一示例性实施例示出的一种得到目标检测结果的方法的流程图，如图2所示，在一种可能的实施方式中，目标检测模型可包括共享识别网络、路面分割确定网络、第一障碍物确定网络和第二障碍物确定网络，通过目标检测模型对环境感知数据进行处理，得到目标检测结果，可包括以下步骤：
在步骤S201中，通过共享识别网络对环境感知数据进行处理，得到全局特征向量。
在本实施方式中，该共享识别网络用于对环境感知数据进行特征提取，以便提取该环境感知数据中的每个物体的特征，得到全局特征向量。
在步骤S202中，通过第一障碍物确定网络对全局特征向量进行处理，得到第一障碍物检测结果。
在本实施方式中，第一障碍物确定网络可对全局特征向量进行识别以及进一步的特征提取，以便能够从全局特征向量中得到行车场景相关的特征向量，并对其进行回归，得到与行车场景对应的第一障碍物检测结果。其中，第一障碍物检测结果可为第一预设距离内的多个第一目标障碍物的检测结果，第一目标障碍物可为汽车、卡车、自行车以及行人等等，第一预设距离可为距离本车辆左侧40米、右侧40米以及前方150米，第一障碍物检测结果可为第一预设距离内的多个第一目标障碍物的位置、速度和大小。
在步骤S203中，通过第二障碍物确定网络对全局特征向量进行处理，得到第二障碍物检测结果。
在本实施方式中，第二障碍物确定网络可对全局特征向量进行识别以及进一步的特征提取，以便能够从全局特征向量中得到泊车场景相关的特征向量，并对其进行回归，得到与泊车场景对应的第二障碍物检测结果。其中，第二障碍物检测结果可为第二预设距离内的多个第二目标障碍物的检测结果，第二目标障碍物可为汽车、柱子以及行人等等，第二预设距离可为距离本车辆左侧20米、右侧20米、前方20米和后方20米，第二障碍物检测结果可为第二预设距离内的多个第二目标障碍物的位置、速度和大小。
在步骤S204中，通过路面分割确定网络对环境感知数据进行处理，得到路面分割结果。
在本实施方式中，通过路面分割确定网络能够对环境感知数据进行特征提取以及路面特征识别，以便能够输出路面分割结果，该路面分割结果可为能够供车辆行驶的车辆行驶区域。
通过共享识别网络以及与多个任务分别对应的路面分割确定网络、第一障碍物确定网络和第二障碍物确定网络相配合，从而得到目标检测网络，以便能够实现一个模型完成多个任务，且共享识别网络在通过携带多个标签的多个样本环境感知数据进行训练后，能够获得更强的特征提取能力，从而提高输出的全局特征向量的准确性，且能够节约存储资源和计算资源。
在一种可能的实施方式中，在通过共享识别网络对环境感知数据进行处理，得到全局特征向量之前，还可对环境感知数据进行预处理，例如，该环境感知数据为点云数据，可对该点云数据进行点云体素化处理，得到体素化数据，从而使无序的点云数据变得有序，以便于后续的特征提取。
图3是根据一示例性实施例示出的一种得到全局特征向量的方法的流程图，如图3所示，在一种可能的实施方式中，共享识别网络包括第一特征提取网络和第二特征提取网络，通过共享识别网络对环境感知数据进行处理，得到全局特征向量，可包括以下步骤：
在步骤S301中，通过第一特征提取网络对体素化数据进行初步特征提取，得到多层特征向量。
在本实施方式中，第一特征提取网络可为骨干网，例如CNN(ConvolutionalNeural Network，卷积神经网络)，可通过骨干网对体素化数据进行初步特征提取，得到多层特征向量，该多层特征向量为不同维度的特征向量。
在步骤S302中，通过第二特征提取网络对多层特征向量进行深度特征提取，得到全局特征向量。
在本实施方式中，第二特征提取网络可为FPN(Feature Pyramid Network，特征金字塔网络)，可通过FPN对多层特征向量进行深度特征提取，通过对多层特征向量中每一层的特征信息相结合来进行处理，得到全局特征向量，以便于后续进行目标检测。
图4是根据一示例性实施例示出的一种得到第一障碍物检测结果的方法的流程图，如图4所示，在一种可能的实施方式中，第一障碍物确定网络包括行车头网络和行车目标输出网络；通过第一障碍物确定网络对全局特征向量进行处理，得到第一障碍物检测结果，可包括以下步骤：
在步骤S401中，通过行车头网络对全局特征向量进行处理，得到行车检测目标所对应的行车目标向量。
在本实施方式中，可通过行车头网络对全局特征向量进行筛选和特征提取，得到行车目标向量，其中，行车检测目标即为第一目标障碍物，该第一目标障碍物可为汽车、卡车、自行车以及行人等等。
在步骤S402中，通过行车目标输出网络对行车目标向量进行处理，得到第一障碍物检测结果。
在本实施方式中，通过行车目标输出网络对行车目标向量进行回归处理，即可得到第一障碍物检测结果，第一障碍物检测结果可为第一预设距离内的多个第一目标障碍物的位置、速度和大小。
图5是根据一示例性实施例示出的一种得到第二障碍物检测结果的方法的流程图，如图5所示，在一种可能的实施方式中，第二障碍物确定网络包括泊车头网络和泊车目标输出网络；通过第二障碍物确定网络对全局特征向量进行处理，得到第二障碍物检测结果，包括：
在步骤S501中，通过泊车头网络对全局特征向量进行处理，得到泊车检测目标所对应的泊车目标向量。
在本实施方式中，可通过泊车头网络对全局特征向量进行筛选和特征提取，得到泊车目标向量，其中，泊车检测目标即为第二目标障碍物，该第二目标障碍物可为汽车、柱子以及行人等等。
在步骤S502中，通过泊车目标输出网络对泊车目标向量进行处理，得到第二障碍物检测结果。
在本实施方式中，通过泊车目标输出网络对泊车目标向量进行回归处理，即可得到第二障碍物检测结果，第二障碍物检测结果可为第二预设距离内的多个第二目标障碍物的位置、速度和大小。
在一种可能的实施方式中，路面分割确定网络包括全连接神经网络和路面输出网络；通过路面分割确定网络对环境感知数据进行处理，得到路面分割结果，可包括：通过全连接神经网络对环境感知数据进行处理，得到路面特征向量；通过路面输出网络对路面特征向量进行处理，得到路面分割结果。
在本实施方式中，通过全连接神经网络能够对环境感知数据进行特征提取以及路面特征识别，以便能够输出路面特征向量，并通过路面输出网络对该路面特征向量进行回归处理，即可得到路面分割结果，该路面分割结果可为能够供车辆行驶的车辆行驶区域。
图6是根据一示例性实施例示出的一种目标检测模型的结构示意图，如图6所示，在一种可能的实施方式中，全连接神经网络与行车头网络连接；通过全连接神经网络对环境感知数据进行处理，得到路面特征向量，包括：通过全连接神经网络对环境感知数据和行车目标向量进行处理，得到路面特征向量。
在本实施方式中，全连接神经网络与行车头网络连接，行车头网络可将得到的行车目标向量传输至全连接神经网络，以便全连接神经网络对环境感知数据和行车目标向量进行融合处理，通过将高分辨率的行车目标向量和低分辨率的环境网络感知数据进行融合处理，能够使输入全连接神经网络的语义信息更丰富，从而得到更加准确的路面特征向量。
在一种可能的实施方式中，在得到目标检测结果之后，即可获取车辆的行驶场景，行驶场景包括行车场景和泊车场景；根据行驶场景和目标检测结果，确定目标驾驶策略；根据目标驾驶策略控制所述车辆。
在本实施方式中，可获取车辆当前的行驶场景，当前的行驶场景可为行车场景或者泊车场景，若行驶场景为行车场景，可根据目标检测结果中的路面分割结果以及与行车场景对应的第一障碍物检测结果，确定目标驾驶策略，该目标驾驶策略可为车辆的行驶速度以及路径规划。并根据得到的目标驾驶策略控制车辆进行自动驾驶。若行驶场景为泊车场景，可根据目标检测结果中的路面分割结果以及与泊车场景对应的第二障碍物检测结果，确定目标驾驶策略。
图7是根据一示例性实施例示出的一种目标检测装置框图。参照图7，该目标检测装置700包括第一获取模块701和第一获得模块702。
该第一获取模块701，被配置为获取车辆的环境感知数据，所述环境感知数据为对车辆周围的环境进行检测得到的数据；
该第一获得模块702，被配置为通过目标检测模型对所述环境感知数据进行处理，得到目标检测结果，所述目标检测结果包括路面分割结果、与行车场景对应的第一障碍物检测结果和与泊车场景对应的第二障碍物检测结果，所述目标检测模型基于多个样本环境感知数据训练基础网络得到，每个所述样本环境感知数据携带多个标签。
可选地，所述目标检测模型包括共享识别网络、路面分割确定网络、第一障碍物确定网络和第二障碍物确定网络，所述第一获得模块702，包括：
第一获得子模块，被配置为通过所述共享识别网络对所述环境感知数据进行处理，得到全局特征向量；
第二获得子模块，被配置为通过所述第一障碍物确定网络对所述全局特征向量进行处理，得到所述第一障碍物检测结果；
第三获得子模块，被配置为通过所述第二障碍物确定网络对所述全局特征向量进行处理，得到所述第二障碍物检测结果；
第四获得子模块，被配置为通过路面分割确定网络对所述环境感知数据进行处理，得到所述路面分割结果。
可选地，所述共享识别网络包括第一特征提取网络和第二特征提取网络；
所述目标检测装置700还包括：
第二获得模块，被配置为对所述环境感知数据进行体素化处理，得到体素化数据；
所述第一获得子模块，包括：
第一获得单元，被配置为通过所述第一特征提取网络对所述体素化数据进行初步特征提取，得到多层特征向量；
第二获得单元，被配置为通过所述第二特征提取网络对所述多层特征向量进行深度特征提取，得到所述全局特征向量。
可选地，所述第一障碍物确定网络包括行车头网络和行车目标输出网络；
所述第二获得子模块，包括：
第三获得单元，被配置为通过所述行车头网络对所述全局特征向量进行处理，得到行车检测目标所对应的行车目标向量；
第四获得单元，被配置为通过所述行车目标输出网络对所述行车目标向量进行处理，得到所述第一障碍物检测结果。
可选地，所述第二障碍物确定网络包括泊车头网络和泊车目标输出网络；
所述第三获得子模块，包括：
第五获得单元，被配置为通过所述泊车头网络对所述全局特征向量进行处理，得到泊车检测目标所对应的泊车目标向量；
第六获得单元，被配置为通过所述泊车目标输出网络对所述泊车目标向量进行处理，得到所述第二障碍物检测结果。
可选地，所述路面分割确定网络包括全连接神经网络和路面输出网络；
所述第四获得子模块，包括：
第七获得单元，被配置为通过所述全连接神经网络对所述环境感知数据进行处理，得到路面特征向量；
第八获得单元，被配置为通过所述路面输出网络对所述路面特征向量进行处理，得到所述路面分割结果。
可选地，所述全连接神经网络与所述行车头网络连接；
所述第七获得单元，包括：
获得子单元，被配置为通过所述全连接神经网络对所述环境感知数据和所述行车目标向量进行处理，得到所述路面特征向量。
可选地，所述目标检测装置700还包括：
第二获取模块，被配置为获取车辆的行驶场景，所述行驶场景包括行车场景和泊车场景；
确定模块，被配置为根据所述行驶场景和所述目标检测结果，确定目标驾驶策略；
控制模块，被配置为根据所述目标驾驶策略控制所述车辆。
关于上述实施例中的目标检测装置700，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本公开还提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本公开提供的目标检测方法的步骤。
本公开还提供一种车辆，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行上述实施例所述的目标检测方法的步骤。
图8是根据一示例性实施例示出的一种车辆的框图。例如，车辆800可以是混合动力车辆，也可以是非混合动力车辆、电动车辆、燃料电池车辆或者其他类型的车辆。车辆800可以是自动驾驶车辆或者半自动驾驶车辆。
参照图8，车辆800可包括各种子系统，例如，信息娱乐系统810、感知系统820、决策控制系统830、驱动系统840以及计算平台850。其中，车辆800还可以包括更多或更少的子系统，并且每个子系统都可包括多个部件。另外，车辆800的每个子系统之间和每个部件之间可以通过有线或者无线的方式实现互连。
在一些实施例中，信息娱乐系统810可以包括通信系统，娱乐系统以及导航系统等。
感知系统820可以包括若干种传感器，用于感测车辆800周边的环境的信息。例如，感知系统820可包括全球定位系统(全球定位系统可以是GPS系统，也可以是北斗系统或者其他定位系统)、惯性测量单元(inertial measurement unit，IMU)、激光雷达、毫米波雷达、超声雷达以及摄像装置。
决策控制系统830可以包括计算系统、整车控制器、转向系统、油门以及制动系统。
驱动系统840可以包括为车辆800提供动力运动的组件。在一个实施例中，驱动系统840可以包括引擎、能量源、传动系统和车轮。引擎可以是内燃机、电动机、空气压缩引擎中的一种或者多种的组合。引擎能够将能量源提供的能量转换成机械能量。
车辆800的部分或所有功能受计算平台850控制。计算平台850可包括至少一个处理器851和存储器852，处理器851可以执行存储在存储器852中的指令853。
处理器851可以是任何常规的处理器，诸如商业可获得的CPU。处理器还可以包括诸如图像处理器(Graphic Process Unit，GPU)，现场可编程门阵列(Field ProgrammableGate Array，FPGA)、片上系统(System on Chip，SOC)、专用集成芯片(ApplicationSpecific Integrated Circuit，ASIC)或它们的组合。
存储器852可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
除了指令853以外，存储器852还可存储数据，例如道路地图，路线信息，车辆的位置、方向、速度等数据。存储器852存储的数据可以被计算平台850使用。
在本公开实施例中，处理器851可以执行指令853，以完成上述的目标检测方法的全部或部分步骤。
在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可编程的装置执行时用于执行上述的目标检测方法的代码部分。
本领域技术人员在考虑说明书及实践本公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (11)

1.一种目标检测方法，其特征在于，包括：
获取车辆的环境感知数据，所述环境感知数据为对车辆周围的环境进行检测得到的数据；
通过目标检测模型对所述环境感知数据进行处理，得到目标检测结果，所述目标检测结果包括路面分割结果、与行车场景对应的第一障碍物检测结果和与泊车场景对应的第二障碍物检测结果，所述目标检测模型基于多个样本环境感知数据训练基础网络得到，每个所述样本环境感知数据携带多个标签。
2.根据权利要求1所述的目标检测方法，其特征在于，所述目标检测模型包括共享识别网络、路面分割确定网络、第一障碍物确定网络和第二障碍物确定网络，所述通过目标检测模型对所述环境感知数据进行处理，得到目标检测结果，包括：
通过所述共享识别网络对所述环境感知数据进行处理，得到全局特征向量；
通过所述第一障碍物确定网络对所述全局特征向量进行处理，得到所述第一障碍物检测结果；
通过所述第二障碍物确定网络对所述全局特征向量进行处理，得到所述第二障碍物检测结果；
通过所述路面分割确定网络对所述环境感知数据进行处理，得到所述路面分割结果。
3.根据权利要求2所述的目标检测方法，其特征在于，所述共享识别网络包括第一特征提取网络和第二特征提取网络；
在通过所述共享识别网络对所述环境感知数据进行处理，得到全局特征向量之前，所述方法还包括：
对所述环境感知数据进行体素化处理，得到体素化数据；
所述通过所述共享识别网络对所述环境感知数据进行处理，得到全局特征向量，包括：
通过所述第一特征提取网络对所述体素化数据进行初步特征提取，得到多层特征向量；
通过所述第二特征提取网络对所述多层特征向量进行深度特征提取，得到所述全局特征向量。
4.根据权利要求2所述的目标检测方法，其特征在于，所述第一障碍物确定网络包括行车头网络和行车目标输出网络；
所述通过所述第一障碍物确定网络对所述全局特征向量进行处理，得到所述第一障碍物检测结果，包括：
通过所述行车头网络对所述全局特征向量进行处理，得到行车检测目标所对应的行车目标向量；
通过所述行车目标输出网络对所述行车目标向量进行处理，得到所述第一障碍物检测结果。
5.根据权利要求2所述的目标检测方法，其特征在于，所述第二障碍物确定网络包括泊车头网络和泊车目标输出网络；
所述通过所述第二障碍物确定网络对所述全局特征向量进行处理，得到所述第二障碍物检测结果，包括：
通过所述泊车头网络对所述全局特征向量进行处理，得到泊车检测目标所对应的泊车目标向量；
通过所述泊车目标输出网络对所述泊车目标向量进行处理，得到所述第二障碍物检测结果。
6.根据权利要求4所述的目标检测方法，其特征在于，所述路面分割确定网络包括全连接神经网络和路面输出网络；
通过路面分割确定网络对所述环境感知数据进行处理，得到所述路面分割结果，包括：
通过所述全连接神经网络对所述环境感知数据进行处理，得到路面特征向量；
通过所述路面输出网络对所述路面特征向量进行处理，得到所述路面分割结果。
7.根据权利要求6所述的目标检测方法，其特征在于，所述全连接神经网络与所述行车头网络连接；
所述通过所述全连接神经网络对所述环境感知数据进行处理，得到路面特征向量，包括：
通过所述全连接神经网络对所述环境感知数据和所述行车目标向量进行处理，得到路面特征向量。
8.根据权利要求1所述的目标检测方法，其特征在于，所述方法还包括：
获取车辆的行驶场景，所述行驶场景包括行车场景和泊车场景；
根据所述行驶场景和所述目标检测结果，确定目标驾驶策略；
根据所述目标驾驶策略控制所述车辆。
9.一种目标检测装置，其特征在于，包括：
第一获取模块，被配置为获取车辆的环境感知数据，所述环境感知数据为对车辆周围的环境进行检测得到的数据；
第一获得模块，被配置为通过目标检测模型对所述环境感知数据进行处理，得到目标检测结果，所述目标检测结果包括路面分割结果、与行车场景对应的第一障碍物检测结果和与泊车场景对应的第二障碍物检测结果，所述目标检测模型基于多个样本环境感知数据训练基础网络得到，每个所述样本环境感知数据携带多个标签。
10.一种车辆，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行权利要求1～8中任一项所述的目标检测方法的步骤。
11.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，该程序指令被处理器执行时实现权利要求1～8中任一项所述目标检测方法的步骤。
CN202310334644.3A 2023-03-30 2023-03-30 目标检测方法、装置、车辆和存储介质 Pending CN116343174A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310334644.3A CN116343174A (zh) 2023-03-30 2023-03-30 目标检测方法、装置、车辆和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310334644.3A CN116343174A (zh) 2023-03-30 2023-03-30 目标检测方法、装置、车辆和存储介质

Publications (1)

Publication Number Publication Date
CN116343174A true CN116343174A (zh) 2023-06-27

Family

ID=86891124

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310334644.3A Pending CN116343174A (zh) 2023-03-30 2023-03-30 目标检测方法、装置、车辆和存储介质

Country Status (1)

Country Link
CN (1) CN116343174A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116849659A (zh) * 2023-09-04 2023-10-10 深圳市昊岳科技有限公司 一种司机状态监测用的智能情绪手环及其监测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116849659A (zh) * 2023-09-04 2023-10-10 深圳市昊岳科技有限公司 一种司机状态监测用的智能情绪手环及其监测方法
CN116849659B (zh) * 2023-09-04 2023-11-17 深圳市昊岳科技有限公司 一种司机状态监测用的智能情绪手环及其监测方法

Similar Documents

Publication Publication Date Title
CN107848534B (zh) 车辆控制装置、车辆控制方法及存储车辆控制程序的介质
CN108466621B (zh) 车辆和用于控制车辆的至少一个功能的系统
CN112419776B (zh) 自主泊车方法、装置、汽车及计算设备
US20200310448A1 (en) Behavioral path-planning for a vehicle
US20240054895A1 (en) Parking method and apparatus, storage medium, chip and vehicle
CN116343174A (zh) 目标检测方法、装置、车辆和存储介质
CN115035494A (zh) 图像处理方法、装置、车辆、存储介质及芯片
CN115042821A (zh) 车辆控制方法、装置、车辆及存储介质
US11347235B2 (en) Methods and systems for generating radar maps
CN115203457B (zh) 图像检索方法、装置、车辆、存储介质及芯片
CN115223015B (zh) 模型训练方法、图像处理方法、装置和车辆
US20200387161A1 (en) Systems and methods for training an autonomous vehicle
CN115100630B (zh) 障碍物检测方法、装置、车辆、介质及芯片
CN115205848A (zh) 目标检测方法、装置、车辆、存储介质及芯片
US11214261B2 (en) Learn association for multi-object tracking with multi sensory data and missing modalities
CN115147794B (zh) 车道线确定方法、装置、车辆、介质及芯片
CN116499488B (zh) 目标融合方法、装置、车辆及存储介质
CN115661798B (zh) 确定目标区域的方法、装置、车辆及存储介质
CN116767224B (zh) 确定可行驶区域的方法、装置、车辆、及存储介质
CN116863429B (zh) 检测模型的训练方法、可行使区域的确定方法和装置
CN115583240B (zh) 跟车方法、装置、车辆及介质
CN115082886B (zh) 目标检测的方法、装置、存储介质、芯片及车辆
CN116659529B (zh) 数据检测方法、装置、车辆及存储介质
CN115593439B (zh) 车辆控制方法、装置、车辆及存储介质
CN115082573B (zh) 参数标定方法、装置、车辆及存储介质

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