CN116385529B - 确定减速带位置的方法、装置、存储介质以及车辆 - Google Patents
确定减速带位置的方法、装置、存储介质以及车辆 Download PDFInfo
- Publication number
- CN116385529B CN116385529B CN202310403513.6A CN202310403513A CN116385529B CN 116385529 B CN116385529 B CN 116385529B CN 202310403513 A CN202310403513 A CN 202310403513A CN 116385529 B CN116385529 B CN 116385529B
- Authority
- CN
- China
- Prior art keywords
- coordinate
- coordinate information
- deceleration strip
- midpoint
- target
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000004364 calculation method Methods 0.000 claims abstract description 45
- 230000004927 fusion Effects 0.000 claims abstract description 26
- 239000013598 vector Substances 0.000 claims description 139
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 241001300198 Caperonia palustris Species 0.000 description 1
- 235000000384 Veronica chamaedrys Nutrition 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
-
- 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
- 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
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种确定减速带位置的方法、装置、存储介质以及车辆,所述方法包括:根据车辆传感器采集的多组数据生成多个BEV图像;对于各个BEV图像,将BEV图像输入至减速带识别模型,得到第一坐标集合;对于各个第一坐标集合,将第一坐标集合中的第一坐标信息转换至世界坐标系,得到第二坐标信息以及由所述第二坐标信息构成的第二坐标集合;从多个BEV图像的第二坐标集合中,获取对应于同一个减速带的多个第二坐标信息;将获取到的第二坐标信息作为第三坐标信息,对多个第三坐标信息进行融合计算,得到目标坐标信息;根据目标坐标信息确定减速带在世界坐标系中的位置。
Description
技术领域
本公开涉及路面障碍物识别技术领域、自动驾驶技术领域,尤其涉及确定减速带位置的方法、装置、存储介质以及车辆。
背景技术
高精地图是自动泊车场景中的重要模块,其中包括车道、车道线、停车库位线、轮挡以及减速带等信息。在高精地图中,要求这些信息具有较高的精度。例如,在确定减速带的位置信息时,可以通过高精度设备对泊车场景进行数据采集,并通过人工标注的方式进行数据制作,从而确定减速带的位置信息。但这种处理方式成本较高,效率也较低。
发明内容
为克服相关技术中存在的问题,本公开提供一种确定减速带位置的方法、装置、存储介质以及车辆。
根据本公开实施例的第一方面,提供一种确定减速带位置的方法,包括:
根据车辆传感器采集的多组数据生成多个BEV(Birds Eye View,鸟瞰图)图像;
对于各个BEV图像,将所述BEV图像输入至预先训练得到的减速带识别模型,得到所述减速带识别模型输出的第一坐标集合,所述第一坐标集合包括一个或多个第一坐标信息,所述第一坐标信息包括减速带在车辆坐标系中的坐标,所述减速带为BEV图像中的减速带;
对于各个第一坐标集合,将所述第一坐标集合中的第一坐标信息转换至世界坐标系,得到第二坐标信息以及由所述第二坐标信息构成的第二坐标集合;
从多个BEV图像的第二坐标集合中,获取对应于同一个减速带的多个第二坐标信息;
将获取到的第二坐标信息作为第三坐标信息,对多个第三坐标信息进行融合计算,得到目标坐标信息;
根据所述目标坐标信息确定减速带在世界坐标系中的位置。
可选地,所述第二坐标信息包括减速带的左端点坐标以及右端点坐标,所述从多个BEV图像的第二坐标集合中,获取对应于同一个减速带的多个第二坐标信息,包括:
对于各个第二坐标信息,根据所述第二坐标信息中的左端点坐标以及右端点坐标计算中点坐标,并根据所述左端点坐标以及右端点坐标计算第二坐标信息的方向向量;
以第二坐标信息的中点坐标之间的距离小于第一设定值以及第二坐标信息的方向向量的相似度大于第二设定值为匹配条件,通过匈牙利算法,从多个BEV图像的第二坐标集合中匹配对应于同一个减速带的多个第二坐标信息。
可选地,所述第二坐标信息包括减速带的左端点坐标以及右端点坐标,所述从多个BEV图像的第二坐标集合中,获取对应于同一个减速带的多个第二坐标信息,包括:
对于属于不同第二坐标集合的两个第二坐标信息,根据第一个第二坐标信息中的左端点坐标以及右端点坐标计算中点坐标,得到第一中点坐标;并根据第二个第二坐标信息中的左端点坐标以及右端点坐标计算中点坐标,得到第二中点坐标;
计算所述第一中点坐标与第二中点坐标之间的距离值;
在所述距离值小于第一阈值的情况下,确定所述两个第二坐标信息对应于同一减速带。
可选地,所述第二坐标信息包括减速带的左端点坐标以及右端点坐标,所述对多个第三坐标信息进行融合计算,得到目标坐标信息,包括:
对于各个第三坐标信息,根据所述第三坐标信息中的左端点坐标以及右端点坐标计算中点坐标,得到中点坐标集合;
从所述中点坐标集合中随机选取多个中点坐标,得到所述中点坐标集合的第一子集;
对当前的第一子集中的中点坐标进行拟合,得到候选中点坐标;
分别将所述中点坐标集合中的所述第一子集之外的各个中点坐标作为目标中点坐标,计算目标中点坐标与所述候选中点坐标之间的距离;
将距离小于第二阈值的中点坐标加入至所述第一子集,得到新的第一子集;
若当前的第一子集中的中点坐标的数量大于第一数量阈值,则对当前的第一子集中的各个中点坐标进行拟合,得到目标坐标,所述目标坐标信息包括所述目标坐标;
若当前的第一子集中的中点坐标的数量小于或等于第一数量阈值,则重新选取第一子集,得到新的第一子集。
可选地,所述根据所述目标坐标信息确定减速带在世界坐标系中的位置,包括:
对于各个第三坐标信息,根据所述第三坐标信息中的左端点坐标以及右端点坐标计算减速带的方向向量,得到方向向量集合;
从所述方向向量集合中随机选取多个方向向量,得到所述方向向量集合的第二子集;
对当前的第二子集中的方向向量进行拟合,得到候选方向向量;
分别将所述方向向量集合中的所述第二子集之外的各个方向向量作为目标方向向量,计算目标方向向量与所述候选方向向量的相似度;
将相似度大于相似度阈值的方向向量加入至所述第二子集,得到新的第二子集;
若当前的第二子集中的方向向量的数量大于第二数量阈值,则对当前的第二子集中的各个方向向量进行拟合,得到目标方向向量;
若当前的第二子集中的方向向量的数量小于或等于第二数量阈值,则重新选取第二子集,得到新的第二子集;
根据所述目标方向向量以及所述目标坐标信息确定减速带在世界坐标系中的位置。
可选地,所述根据所述目标方向向量以及所述目标坐标信息确定减速带在世界坐标系中的位置,包括:
对于各个第三坐标信息,根据所述第三坐标信息中的左端点坐标以及右端点坐标计算减速带的长度值,得到长度值集合;
从长度值集合中确定长度值的中位数作为目标长度;
根据所述目标方向向量、所述目标长度以及所述目标坐标信息确定减速带在世界坐标系中的位置。
可选地,所述减速带识别模型还输出第一坐标信息的置信度,所述第一坐标信息与根据所述第一坐标信息转换得到的第二坐标信息具有相同的置信度,所述对多个第三坐标信息进行融合计算,包括:
获取新确定的第三坐标信息的置信度以及所述第三坐标信息所对应的目标减速带;
获取所述目标减速带当前所对应的第三坐标信息的列表;
若所述列表中的第三坐标信息的数量小于第三数量阈值,则将新确定的第三坐标信息添加至所述列表中;
若所述列表中的第三坐标信息的数量等于第三数量阈值,则从所述列表中确定置信度最低的目标第三坐标信息;
若新确定的第三坐标信息的置信度大于所述目标第三坐标信息的置信度,则将所述列表中的目标第三坐标信息替换为新确定的第三坐标信息;
根据最新的列表中的第三坐标信息进行融合计算。
可选地,包括:
根据减速带在世界坐标系中的位置,确定所述减速带与车辆之间的实时距离,所述实时距离用于控制车辆的速度和/或方向。
根据本公开实施例的第二方面,提供一种确定减速带位置的装置,包括:
第一生成模块,被配置为根据车辆传感器采集的多组数据生成多个BEV图像;
第一输入模块,被配置为对于各个BEV图像,将所述BEV图像输入至预先训练得到的减速带识别模型,得到所述减速带识别模型输出的第一坐标集合,所述第一坐标集合包括一个或多个第一坐标信息,所述第一坐标信息包括减速带在车辆坐标系中的坐标,所述减速带为BEV图像中的减速带;
转换模块,被配置为对于各个第一坐标集合,将所述第一坐标集合中的第一坐标信息转换至世界坐标系,得到第二坐标信息以及由所述第二坐标信息构成的第二坐标集合;
第一获取模块,被配置为从多个BEV图像的第二坐标集合中,获取对应于同一个减速带的多个第二坐标信息;
第一计算模块,被配置为将获取到的第二坐标信息作为第三坐标信息,对多个第三坐标信息进行融合计算,得到目标坐标信息;
位置确定模块,被配置为根据所述目标坐标信息确定减速带在世界坐标系中的位置。
可选地,所述第二坐标信息包括减速带的左端点坐标以及右端点坐标,所述第一获取模块,包括:
数据计算子模块,被配置为对于各个第二坐标信息,根据所述第二坐标信息中的左端点坐标以及右端点坐标计算中点坐标,并根据所述左端点坐标以及右端点坐标计算第二坐标信息的方向向量;
第一获取子模块,被配置为以第二坐标信息的中点坐标之间的距离小于第一设定值以及第二坐标信息的方向向量的相似度大于第二设定值为匹配条件,通过匈牙利算法,从多个BEV图像的第二坐标集合中匹配对应于同一个减速带的多个第二坐标信息。
可选地,所述第二坐标信息包括减速带的左端点坐标以及右端点坐标,所述第一获取模块,包括:
第一计算子模块,被配置为对于属于不同第二坐标集合的两个第二坐标信息,根据第一个第二坐标信息中的左端点坐标以及右端点坐标计算中点坐标,得到第一中点坐标;并根据第二个第二坐标信息中的左端点坐标以及右端点坐标计算中点坐标,得到第二中点坐标;
第二计算子模块,被配置为计算所述第一中点坐标与第二中点坐标之间的距离值;
第一确定子模块,被配置为在所述距离值小于第一阈值的情况下,确定所述两个第二坐标信息对应于同一减速带。
可选地,所述第二坐标信息包括减速带的左端点坐标以及右端点坐标,所述第一计算模块,包括:
第三计算子模块,被配置为对于各个第三坐标信息,根据所述第三坐标信息中的左端点坐标以及右端点坐标计算中点坐标,得到中点坐标集合;
坐标选取子模块,被配置为从所述中点坐标集合中随机选取多个中点坐标,得到所述中点坐标集合的第一子集;
第一拟合子模块,被配置为对当前的第一子集中的中点坐标进行拟合,得到候选中点坐标;
第四计算子模块,被配置为分别将所述中点坐标集合中的所述第一子集之外的各个中点坐标作为目标中点坐标,计算目标中点坐标与所述候选中点坐标之间的距离;
第一执行子模块,被配置为将距离小于第二阈值的中点坐标加入至所述第一子集,得到新的第一子集;
第二拟合子模块,被配置为在当前的第一子集中的中点坐标的数量大于第一数量阈值时,对当前的第一子集中的各个中点坐标进行拟合,得到目标坐标,所述目标坐标信息包括所述目标坐标;
第二执行子模块,被配置为在当前的第一子集中的中点坐标的数量小于或等于第一数量阈值时,重新选取第一子集,得到新的第一子集。
可选地,所述位置确定模块,包括:
第五计算子模块,被配置为对于各个第三坐标信息,根据所述第三坐标信息中的左端点坐标以及右端点坐标计算减速带的方向向量,得到方向向量集合;
向量选取子模块,被配置为从所述方向向量集合中随机选取多个方向向量,得到所述方向向量集合的第二子集;
第三拟合子模块,被配置为对当前的第二子集中的方向向量进行拟合,得到候选方向向量;
第六计算子模块,被配置为分别将所述方向向量集合中的所述第二子集之外的各个方向向量作为目标方向向量,计算目标方向向量与所述候选方向向量的相似度;
第三执行子模块,被配置为将相似度大于相似度阈值的方向向量加入至所述第二子集,得到新的第二子集;
第四拟合子模块,被配置为在当前的第二子集中的方向向量的数量大于第二数量阈值时,对当前的第二子集中的各个方向向量进行拟合,得到目标方向向量;
第四执行子模块,被配置为在当前的第二子集中的方向向量的数量小于或等于第二数量阈值时,重新选取第二子集,得到新的第二子集;
第二确定子模块,被配置为根据所述目标方向向量以及所述目标坐标信息确定减速带在世界坐标系中的位置。
可选地,所述第二确定子模块,包括:
第一计算子单元,被配置为对于各个第三坐标信息,根据所述第三坐标信息中的左端点坐标以及右端点坐标计算减速带的长度值,得到长度值集合;
第一确定子单元,被配置为从长度值集合中确定长度值的中位数作为目标长度;
第二确定子单元,被配置为根据所述目标方向向量、所述目标长度以及所述目标坐标信息确定减速带在世界坐标系中的位置。
可选地,所述减速带识别模型还输出第一坐标信息的置信度,所述第一坐标信息与根据所述第一坐标信息转换得到的第二坐标信息具有相同的置信度,所述第一计算模块,包括:
第二获取模块,被配置为获取新确定的第三坐标信息的置信度以及所述第三坐标信息所对应的目标减速带;
第三获取模块,被配置为获取所述目标减速带当前所对应的第三坐标信息的列表;
第一执行模块,被配置为在所述列表中的第三坐标信息的数量小于第三数量阈值时,将新确定的第三坐标信息添加至所述列表中;
第二执行模块,被配置为在所述列表中的第三坐标信息的数量等于第三数量阈值时,从所述列表中确定置信度最低的目标第三坐标信息;
第三执行模块,被配置为在新确定的第三坐标信息的置信度大于所述目标第三坐标信息的置信度时,将所述列表中的目标第三坐标信息替换为新确定的第三坐标信息;
融合计算模块,被配置为根据最新的列表中的第三坐标信息进行融合计算。
可选地,包括:
距离确定模块,被配置为根据减速带在世界坐标系中的位置,确定所述减速带与车辆之间的实时距离,所述实时距离用于控制车辆的速度和/或方向。
根据本公开实施例的第三方面,提供一种确定减速带位置的装置,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第一方面中任一项所述方法的步骤。
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上述第一方面中任一项所述方法的步骤。
根据本公开实施例的第五方面,提供一种车辆,包括上述第三方面中所述的确定减速带位置的装置。
上述技术方案中,可以根据车辆传感器采集的数据生成BEV图,并通过减速带识别模型识别所述BEV图中的减速带,得到减速带识别模型输出的第一坐标集合,所述第一坐标集合包括一个或多个第一坐标信息,所述第一坐标信息包括所述减速带在车辆坐标系中的坐标。这样,可以根据车辆坐标系和世界坐标系的转换关系,将第一坐标集合转换为第二坐标集合,并通过第二坐标集合来确定减速带在世界坐标系中的位置。相对于相关技术中通过人工来标记减速带的方式,这种确定减速带位置的方式具有更高的效率以及更低的成本。
此外,在根据第二坐标集合确定减速带位置时,还可以从多个BEV图像的第二坐标集合中,获取对应于同一个减速带的多个第三坐标信息。这样,可以对所述多个第三坐标信息进行融合计算,得到目标坐标信息,并根据所述目标坐标信息确定减速带在世界坐标系中的位置。这种方式能够基于多个BEV图像确定同一个减速带的多个第三坐标信息,从而能够融合多个BEV图像中的对减速带的观测结果。在此基础上,根据融合之后的目标坐标信息所确定的减速带的位置具有更高的准确度。
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确定减速带位置的方法的流程图。
图2是根据一示例性实施例示出的一种图1中的步骤S14的实施流程图。
图3是根据一示例性实施例示出的一种对多个第三坐标信息进行融合计算的流程图。
图4是根据一示例性实施例示出的一种对多个第三坐标信息进行融合计算的流程图。
图5是根据一示例性实施例示出的一种根据目标坐标信息确定减速带在世界坐标系中的位置的流程图。
图6是根据一示例性实施例示出的一种确定减速带位置的装置的框图。
图7是根据一示例性实施例示出的一种用于确定减速带位置的装置800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。
在介绍本公开的确定减速带位置的方法、装置、存储介质以及车辆之前,首先对本公开的应用场景进行介绍。
在高精地图的绘制场景中,要求减速带的位置具有较高的精度。为此,在一些场景中,可以基于高精度的采集设备进行数据采集,并通过后期数据制作得到减速带的位置。例如,可以通过激光雷达传感器、图像传感器等测量设备提前对泊车场景进行数据采集,并通过人工标注的方式进行数据处理,从而得到减速带的位置。但是,这种方式成本较高且效率较低,同时也不具备实时性。
为此,本公开提供一种确定减速带位置的方法。图1是本公开所示出的一种确定减速带位置的方法的流程图,参照图1,所述方法包括:
在步骤S11中,根据车辆传感器采集的多组数据生成多个BEV图像。
其中,车辆传感器可以包括图像传感器和雷达传感器中的一种或多种。图像传感器例如可以包括周视摄像头、环视摄像头,雷达传感器例如可以包括机械激光雷达。基于这些车辆传感器采集的数据,可以生成BEV图像。
示例性的,车辆传感器可以按照设定的周期采集数据。这样,多个周期可以采集到多组数据,并进而生成多个BEV图像。作为一种示例,可以每0.5秒采集一组数据,进而可以每0.5秒生成一次BEV图像。
在步骤S12中,对于各个BEV图像,将BEV图像输入至预先训练得到的减速带识别模型,得到减速带识别模型输出的第一坐标集合。
其中,第一坐标集合包括一个或多个第一坐标信息,第一坐标信息包括减速带在车辆坐标系中的坐标,减速带为BEV图像中的减速带。
所述减速带识别模型例如可以根据训练样本训练得到,所述训练样本可以包括样本BEV图,以及样本BEV图的标签信息,标签信息可以是样本BEV图中的减速带在车辆坐标系的坐标信息。在训练时,可以通过将训练样本输入至待训练模型,得到所述待训练模型识别得到的减速带的坐标信息。通过将识别得到的坐标信息和所述标签信息进行比较,可以计算损失值,并通过损失值对待训练模型进行参数更新,从而起到模型训练的效果,最终得到减速带识别模型。
获得减速带识别模型之后,在车辆的行驶过程中,可以将实时生成的BEV图输入至所述减速带识别模型,得到减速带识别模型输出的第一坐标集合。应当理解,BEV图像中可以包括一个或多个减速带,因此第一坐标集合可以包括一个或多个第一坐标信息。
在步骤S13中,对于各个第一坐标集合,将第一坐标集合中的第一坐标信息转换至世界坐标系,得到第二坐标信息以及由第二坐标信息构成的第二坐标集合。
作为一种示例,在通过车辆传感器采集数据时,还可以通过车辆的定位装置来获取车辆的实时位置,并建立采集得到的数据与车辆位置之间的关联关系。这样,基于车辆传感器采集的数据所建立的BEV图也关联了相应的车辆位置。
需要说明的是,通过车辆位置,可以将车辆映射至世界坐标系。由于第一坐标信息是车辆坐标系中的坐标,同时车辆坐标系可以以车辆中的相关位置(如后轴中心)为原点建立,因此第一坐标信息表示了对应坐标与车辆之间的相对位置关系。因此在将车辆映射至世界坐标系之后,可以基于车辆在世界坐标系中的坐标,将所述第一坐标信息也映射至世界坐标系,得到第二坐标信息。相应的,通过将第一坐标集合中的各个第一坐标信息转换为第二坐标信息,可以得到第二坐标集合。
在步骤S14中,从多个BEV图像的第二坐标集合中,获取对应于同一个减速带的多个第二坐标信息。
图2是本公开所示出的一种图1中的步骤S14的实施流程图。在一种可能的实施方式中,第二坐标信息包括减速带的左端点坐标以及右端点坐标,步骤S14可以包括:
在步骤S141中,对于属于不同第二坐标集合的两个第二坐标信息,根据第一个第二坐标信息中的左端点坐标以及右端点坐标计算中点坐标,得到第一中点坐标。
在步骤S142中,根据第二个第二坐标信息中的左端点坐标以及右端点坐标计算中点坐标,得到第二中点坐标。
例如,可以从两个不同的第二坐标集合中分别抽取一个第二坐标信息,得到属于两个不同第二坐标集合的两个第二坐标信息。这样,可以根据第一个第二坐标信息中的左端点坐标以及右端点坐标计算中点坐标,得到第一中点坐标。例如,可以将减速带的左边界的中点作为左端点,将减速带的右边界的中点作为右端点。这样,可以计算左端点坐标与右端点坐标的平均值,得到所述第一中点坐标。类似的,可以计算得到第二中点坐标。
在步骤S143中,计算第一中点坐标与第二中点坐标之间的距离值。
在步骤S144中,在距离值小于第一阈值的情况下,确定两个第二坐标信息对应于同一减速带。
需要说明的是,上述示例中说明了如何判断两个第二坐标信息是否对应于同一减速带。而在具体实施时,上述步骤S141至S144可以重复执行,即可以通过上述方式判断任意两个属于不同的第二坐标集合的第二坐标信息是否对应于同一减速带,进而确定对应于同一减速带的各个第二坐标信息。例如,第二坐标信息A与第二坐标信息B对应于同一减速带,第二坐标信息B与第二坐标信息C对应于同一减速带,因此第二坐标信息A、第二坐标信息B以及第二坐标信息C对应于同一减速带。
当然,为了提升精确度,在一些实施方式中,也可以通过匈牙利算法从多个BEV图像的第二坐标集合中匹配对应于同一个减速带的多个第二坐标信息。例如,所述第二坐标信息包括减速带的左端点坐标以及右端点坐标,所述从多个BEV图像的第二坐标集合中,获取对应于同一个减速带的多个第二坐标信息,包括:
对于各个第二坐标信息,根据所述第二坐标信息中的左端点坐标以及右端点坐标计算中点坐标,并根据所述左端点坐标以及右端点坐标计算第二坐标信息的方向向量。其中,中点坐标例如可以通过计算所述左端点坐标以及右端点坐标的平均值得到,所述方向向量则可以通过计算所述左端点坐标以及右端点坐标的差值得到。
之后,可以以第二坐标信息的中点坐标之间的距离小于第一设定值以及第二坐标信息的方向向量的相似度大于第二设定值为匹配条件,通过匈牙利算法,从多个BEV图像的第二坐标集合中匹配得到对应于同一个减速带的多个第二坐标信息。
例如,可以根据两个第二坐标集合生成二分图,从而以第二坐标信息的中点坐标之间的距离小于第一设定值以及第二坐标信息的方向向量的相似度大于第二设定值为匹配条件,通过匈牙利算法进行匹配,从中确定对应于同一个减速带的多个第二坐标信息。
在步骤S15中,将获取到的第二坐标信息作为第三坐标信息,对多个第三坐标信息进行融合计算,得到目标坐标信息。
图3是本公开所示出的一种对多个第三坐标信息进行融合计算的流程图。在一种可能的实施方式中,所述第二坐标信息包括减速带的左端点坐标以及右端点坐标,所述对多个第三坐标信息进行融合计算,得到目标坐标信息,包括:
在步骤S151中,对于各个第三坐标信息,根据第三坐标信息中的左端点坐标以及右端点坐标计算中点坐标,得到中点坐标集合。
在步骤S152中,从中点坐标集合中随机选取多个中点坐标,得到中点坐标集合的第一子集。
在步骤S153中,对当前的第一子集中的中点坐标进行拟合,得到候选中点坐标。
例如,对于20个第三坐标信息,可以分别计算中点坐标,得到包括20个中点坐标的中点坐标集合。这样,可以从中随选择多个中点坐标,得到所述第一子集。作为一种示例,可以选择5个中点坐标作为所述第一子集。之后,可以对所述5个中点坐标进行拟合。示例性的,可以通过最小二乘法对所述5个中点坐标进行拟合,得到局部最优的中点坐标,即所述候选中点坐标。
在步骤S154中,分别将中点坐标集合中的第一子集之外的各个中点坐标作为目标中点坐标,计算目标中点坐标与候选中点坐标之间的距离。
也就是说,可以分别计算其他15个中点坐标与所述候选中点坐标之间的距离,得到15个距离。
在步骤S155中,将距离小于第二阈值的中点坐标加入至第一子集,得到新的第一子集。
在步骤S156中,若当前的第一子集中的中点坐标的数量大于第一数量阈值,则对当前的第一子集中的各个中点坐标进行拟合,得到目标坐标。所述目标坐标信息包括目标坐标。
其中,第二阈值以及第一数量阈值可以基于应用需求进行选择,本公开对此不做限制。例如在上述示例中,所述第一数量阈值可以为16。也就是说,若新的第一子集中的中点坐标的数量大于16,则认为所述候选中点坐标较为精确。之后,可以根据所述新的第一子集中的各个中点坐标重新拟合中点坐标,得到目标坐标。
在步骤S157中,若当前的第一子集中的中点坐标的数量小于或等于第一数量阈值,则重新选取第一子集,得到新的第一子集。
沿用上述例子,若新的第一子集中的中点坐标的数量小于或等于16,则认为所述候选中点坐标不够精确。此时,可以重新选取第一子集,得到新的第一子集。也就是说,可以重新执行步骤S153至步骤S157,直至当前的第一子集中的中点坐标的数量大于第一数量阈值,或循环执行的次数大于设定次数。
采用上述方案,能够根据多个第三坐标信息计算中点坐标集合。之后,可以通过迭代优化确定最优的中点坐标,得到目标坐标。这种方式综合了多个观测结果来确定目标坐标,因而所述目标坐标具有更高的准确度,进而通过所述目标坐标所确定的减速带的位置也具有更高的准确度。
在一种可能的实施方式中,还可以实时更新用于进行融合计算的第三坐标信息。图4是本公开所示出的一种对多个第三坐标信息进行融合计算的流程图。在一种可能的实施方式中,所述减速带识别模型还输出第一坐标信息的置信度,所述第一坐标信息与根据所述第一坐标信息转换得到的第二坐标信息具有相同的置信度,所述对多个第三坐标信息进行融合计算,包括:
在步骤S41中,获取新确定的第三坐标信息的置信度以及第三坐标信息所对应的目标减速带。
例如,车辆传感器可以在车辆行驶过程中,实时采集数据,并实时生成BEV图像。所述减速带识别模型则可以通过所述BEV图像实时输出第一坐标集合。之后,第一坐标集合被转换为第二坐标集合,并进而识别出新的第三坐标信息。
在步骤S42中,获取目标减速带当前所对应的第三坐标信息的列表。所述列表中可以包括当前时刻之前已确定的对应于目标减速带的第三坐标信息。
在步骤S43中,若列表中的第三坐标信息的数量小于第三数量阈值,则将新确定的第三坐标信息添加至列表中。这样,通过将新确定的第三坐标信息添加至列表中,可以丰富所述列表中的数据,有助于提升融合计算的准确度。
在步骤S44中,若列表中的第三坐标信息的数量等于第三数量阈值,则从列表中确定置信度最低的目标第三坐标信息。
在步骤S45中,若新确定的第三坐标信息的置信度大于目标第三坐标信息的置信度,则将列表中的目标第三坐标信息替换为新确定的第三坐标信息。
例如,所述列表中可以包括20个第三坐标信息,则在步骤S44中,可以从20个第三坐标信息中确定置信度最低的目标第三坐标信息。若新确定的第三坐标信息的置信度大于目标第三坐标信息的置信度,则将列表中的目标第三坐标信息替换为新确定的第三坐标信息。
在步骤S46中,根据最新的列表中的第三坐标信息进行融合计算。
采用上述方案,可以根据置信度实时更新用于融合计算的第三坐标信息,有助于提升融合计算结果的准确度。
参照图1,在步骤S16中,根据目标坐标信息确定减速带在世界坐标系中的位置。
图5是本公开所示出的一种根据目标坐标信息确定减速带在世界坐标系中的位置的流程图。在一种可能的实施方式中,所述根据所述目标坐标信息确定减速带在世界坐标系中的位置,包括:
在步骤S161中,对于各个第三坐标信息,根据第三坐标信息中的左端点坐标以及右端点坐标计算减速带的方向向量,得到方向向量集合。
在步骤S162中,从方向向量集合中随机选取多个方向向量,得到方向向量集合的第二子集。
在步骤S163中,对当前的第二子集中的方向向量进行拟合,得到候选方向向量。
例如,对于20个第三坐标信息,可以分别计算方向向量。在计算方向向量时,可以规定将右端点坐标减去左端点坐标的结果作为所述方向向量,或是规定左端点坐标减去右端点坐标的结果作为所述方向向量。这样,通过分别计算方向向量,可以得到包括20个方向向量的方向向量集合。对于方向向量集合,可以从中选择多个方向向量,得到所述第二子集。作为一种示例,可以选择5个方向向量作为所述第二子集。之后,可以对所述5个方向向量进行拟合。示例性的,可以通过最小二乘法对所述5个方向向量进行拟合,得到局部最优的方向向量,即所述候选方向向量。
在步骤S164中,分别将方向向量集合中的第二子集之外的各个方向向量作为目标方向向量,计算目标方向向量与候选方向向量的相似度。
也就是说,可以分别计算其他15个方向向量与所述候选方向向量之间的相似度,得到15个相似度。
在步骤S165中,将相似度大于相似度阈值的方向向量加入至第二子集,得到新的第二子集。
在步骤S166中,若当前的第二子集中的方向向量的数量大于第二数量阈值,则对当前的第二子集中的各个方向向量进行拟合,得到目标方向向量。
其中,相似度阈值以及第二数量阈值可以基于应用需求进行选择,本公开对此不做限制。例如在上述示例中,所述第一数量阈值可以为16。也就是说,若新的第二子集中的方向向量的数量大于16,则认为所述候选方向向量较为精确。之后,可以根据所述新的第二子集中的各个方向向量重新拟合方向向量,得到目标方向向量。
在步骤S167中,若当前的第二子集中的方向向量的数量小于或等于第二数量阈值,则重新选取第二子集,得到新的第二子集。
沿用上述例子,若新的第二子集中的方向向量的数量小于或等于16,则认为所述候选方向向量不够精确。此时,可以重新选取第二子集,得到新的第二子集。也就是说,可以重新执行步骤S163至步骤S167,直至当前的第二子集中的方向向量的数量大于第二数量阈值,或循环执行的次数大于设定次数。
在步骤S168中,根据目标方向向量以及目标坐标信息确定减速带在世界坐标系中的位置。
例如,可以根据目标方向向量、目标坐标信息以及预设的减速带的长度值来确定减速带在世界坐标系中的位置。
采用上述方案,能够根据多个第三坐标信息计算方向向量集合。之后,可以通过迭代优化确定最优的方向向量,得到目标方向向量。这种方式综合了多个观测结果来确定减速带的方向,因而确定得到的减速带的方向具有更高的准确度,进而所确定的减速带的位置也具有更高的准确度。
在一些实施方式中,减速带的长度值也可以通过计算获得。在这种情况下,步骤S168也可以包括:
对于各个第三坐标信息,根据所述第三坐标信息中的左端点坐标以及右端点坐标计算减速带的长度值,得到长度值集合;
从长度值集合中确定长度值的中位数作为目标长度;
根据所述目标方向向量、所述目标长度以及所述目标坐标信息确定减速带在世界坐标系中的位置。
通过这样的方式,有助于确定更加精确的减速带的长度值,进而更加精确地确定减速带在世界坐标系中的位置。
上述技术方案中,可以根据车辆传感器采集的数据生成BEV图,并通过减速带识别模型识别所述BEV图中的减速带,得到减速带识别模型输出的第一坐标集合,所述第一坐标集合包括一个或多个第一坐标信息,所述第一坐标信息包括所述减速带在车辆坐标系中的坐标。这样,可以根据车辆坐标系和世界坐标系的转换关系,将第一坐标集合转换为第二坐标集合,并通过第二坐标集合来确定减速带在世界坐标系中的位置。相对于相关技术中通过人工来标记减速带的方式,这种确定减速带位置的方式具有更高的效率以及更低的成本。
此外,在根据第二坐标集合确定减速带位置时,还可以从多个BEV图像的第二坐标集合中,获取对应于同一个减速带的多个第三坐标信息。这样,可以对所述多个第三坐标信息进行融合计算,得到目标坐标信息,并根据所述目标坐标信息确定减速带在世界坐标系中的位置。这种方式能够基于多个BEV图像确定同一个减速带的多个第三坐标信息,从而能够融合多个BEV图像中的对减速带的观测结果。在此基础上,根据融合之后的目标坐标信息所确定的减速带的位置具有更高的准确度。
在一种可能的实施方式中,所述方法还包括:根据减速带在世界坐标系中的位置,确定所述减速带与车辆之间的实时距离,所述实时距离用于控制车辆的速度和/或方向。
例如,在实时距离小于设定的参照阈值时,说明车辆与减速带的距离较近,此时可以控制车辆减速,以降低车辆的颠簸程度。或者,可以控制车辆的方向,以规避所述减速带。此外,还可以根据所述实时距离向用户发出提示信息。例如,在实时距离小于设定的参照阈值时,向用户发出预警信息。
基于同一发明构思,本公开还提供一种确定减速带位置的装置。图6是本公开所示出的一种确定减速带位置的装置的框图,参照图6,所述确定减速带位置的装置包括:
第一生成模块601,被配置为根据车辆传感器采集的多组数据生成多个BEV图像;
第一输入模块602,被配置为对于各个BEV图像,将所述BEV图像输入至预先训练得到的减速带识别模型,得到所述减速带识别模型输出的第一坐标集合,所述第一坐标集合包括一个或多个第一坐标信息,所述第一坐标信息包括减速带在车辆坐标系中的坐标,所述减速带为BEV图像中的减速带;
转换模块603,被配置为对于各个第一坐标集合,将所述第一坐标集合中的第一坐标信息转换至世界坐标系,得到第二坐标信息以及由所述第二坐标信息构成的第二坐标集合;
第一获取模块604,被配置为从多个BEV图像的第二坐标集合中,获取对应于同一个减速带的多个第二坐标信息;
第一计算模块605,被配置为将获取到的第二坐标信息作为第三坐标信息,对多个第三坐标信息进行融合计算,得到目标坐标信息;
位置确定模块606,被配置为根据所述目标坐标信息确定减速带在世界坐标系中的位置。
上述技术方案中,可以根据车辆传感器采集的数据生成BEV图,并通过减速带识别模型识别所述BEV图中的减速带,得到减速带识别模型输出的第一坐标集合,所述第一坐标集合包括一个或多个第一坐标信息,所述第一坐标信息包括所述减速带在车辆坐标系中的坐标。这样,可以根据车辆坐标系和世界坐标系的转换关系,将第一坐标集合转换为第二坐标集合,并通过第二坐标集合来确定减速带在世界坐标系中的位置。相对于相关技术中通过人工来标记减速带的方式,这种确定减速带位置的方式具有更高的效率以及更低的成本。
此外,在根据第二坐标集合确定减速带位置时,还可以从多个BEV图像的第二坐标集合中,获取对应于同一个减速带的多个第三坐标信息。这样,可以对所述多个第三坐标信息进行融合计算,得到目标坐标信息,并根据所述目标坐标信息确定减速带在世界坐标系中的位置。这种方式能够基于多个BEV图像确定同一个减速带的多个第三坐标信息,从而能够融合多个BEV图像中的对减速带的观测结果。在此基础上,根据融合之后的目标坐标信息所确定的减速带的位置具有更高的准确度。
可选地,所述第二坐标信息包括减速带的左端点坐标以及右端点坐标,所述第一获取模块,包括:
数据计算子模块,被配置为对于各个第二坐标信息,根据所述第二坐标信息中的左端点坐标以及右端点坐标计算中点坐标,并根据所述左端点坐标以及右端点坐标计算第二坐标信息的方向向量;
第一获取子模块,被配置为以第二坐标信息的中点坐标之间的距离小于第一设定值以及第二坐标信息的方向向量的相似度大于第二设定值为匹配条件,通过匈牙利算法,从多个BEV图像的第二坐标集合中匹配对应于同一个减速带的多个第二坐标信息。
可选地,所述第二坐标信息包括减速带的左端点坐标以及右端点坐标,所述第一获取模块,包括:
第一计算子模块,被配置为对于属于不同第二坐标集合的两个第二坐标信息,根据第一个第二坐标信息中的左端点坐标以及右端点坐标计算中点坐标,得到第一中点坐标;并根据第二个第二坐标信息中的左端点坐标以及右端点坐标计算中点坐标,得到第二中点坐标;
第二计算子模块,被配置为计算所述第一中点坐标与第二中点坐标之间的距离值;
第一确定子模块,被配置为在所述距离值小于第一阈值的情况下,确定所述两个第二坐标信息对应于同一减速带。
可选地,所述第二坐标信息包括减速带的左端点坐标以及右端点坐标,所述第一计算模块,包括:
第三计算子模块,被配置为对于各个第三坐标信息,根据所述第三坐标信息中的左端点坐标以及右端点坐标计算中点坐标,得到中点坐标集合;
坐标选取子模块,被配置为从所述中点坐标集合中随机选取多个中点坐标,得到所述中点坐标集合的第一子集;
第一拟合子模块,被配置为对当前的第一子集中的中点坐标进行拟合,得到候选中点坐标;
第四计算子模块,被配置为分别将所述中点坐标集合中的所述第一子集之外的各个中点坐标作为目标中点坐标,计算目标中点坐标与所述候选中点坐标之间的距离;
第一执行子模块,被配置为将距离小于第二阈值的中点坐标加入至所述第一子集,得到新的第一子集;
第二拟合子模块,被配置为在当前的第一子集中的中点坐标的数量大于第一数量阈值时,对当前的第一子集中的各个中点坐标进行拟合,得到目标坐标,所述目标坐标信息包括所述目标坐标;
第二执行子模块,被配置为在当前的第一子集中的中点坐标的数量小于或等于第一数量阈值时,重新选取第一子集,得到新的第一子集。
可选地,所述位置确定模块,包括:
第五计算子模块,被配置为对于各个第三坐标信息,根据所述第三坐标信息中的左端点坐标以及右端点坐标计算减速带的方向向量,得到方向向量集合;
向量选取子模块,被配置为从所述方向向量集合中随机选取多个方向向量,得到所述方向向量集合的第二子集;
第三拟合子模块,被配置为对当前的第二子集中的方向向量进行拟合,得到候选方向向量;
第六计算子模块,被配置为分别将所述方向向量集合中的所述第二子集之外的各个方向向量作为目标方向向量,计算目标方向向量与所述候选方向向量的相似度;
第三执行子模块,被配置为将相似度大于相似度阈值的方向向量加入至所述第二子集,得到新的第二子集;
第四拟合子模块,被配置为在当前的第二子集中的方向向量的数量大于第二数量阈值时,对当前的第二子集中的各个方向向量进行拟合,得到目标方向向量;
第四执行子模块,被配置为在当前的第二子集中的方向向量的数量小于或等于第二数量阈值时,重新选取第二子集,得到新的第二子集;
第二确定子模块,被配置为根据所述目标方向向量以及所述目标坐标信息确定减速带在世界坐标系中的位置。
可选地,所述第二确定子模块,包括:
第一计算子单元,被配置为对于各个第三坐标信息,根据所述第三坐标信息中的左端点坐标以及右端点坐标计算减速带的长度值,得到长度值集合;
第一确定子单元,被配置为从长度值集合中确定长度值的中位数作为目标长度;
第二确定子单元,被配置为根据所述目标方向向量、所述目标长度以及所述目标坐标信息确定减速带在世界坐标系中的位置。
可选地,所述减速带识别模型还输出第一坐标信息的置信度,所述第一坐标信息与根据所述第一坐标信息转换得到的第二坐标信息具有相同的置信度,所述第一计算模块包括:
第二获取模块,被配置为获取新确定的第三坐标信息的置信度以及所述第三坐标信息所对应的目标减速带;
第三获取模块,被配置为获取所述目标减速带当前所对应的第三坐标信息的列表;
第一执行模块,被配置为在所述列表中的第三坐标信息的数量小于第三数量阈值时,将新确定的第三坐标信息添加至所述列表中;
第二执行模块,被配置为在所述列表中的第三坐标信息的数量等于第三数量阈值时,从所述列表中确定置信度最低的目标第三坐标信息;
第三执行模块,被配置为在新确定的第三坐标信息的置信度大于所述目标第三坐标信息的置信度时,将所述列表中的目标第三坐标信息替换为新确定的第三坐标信息;
融合计算模块,被配置为根据最新的列表中的第三坐标信息进行融合计算。
可选地,包括:
距离确定模块,被配置为根据减速带在世界坐标系中的位置,确定所述减速带与车辆之间的实时距离,所述实时距离用于控制车辆的速度和/或方向。
本公开还提供一种确定减速带位置的装置,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本公开所提供的确定减速带位置的方法的步骤。
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所提供的确定减速带位置的方法的步骤。
本公开还提供一种车辆,包括本公开所提供的确定减速带位置的装置。
关于上述实施例中的确定减速带位置的装置,其中各个模块执行操作的具体方式已经在对应的方法实施例中进行了详细描述,此处将不做详细阐述说明。
图7是根据一示例性实施例示出的一种用于确定减速带位置的装置800的框图。例如,装置800可以是独立的或集成在车辆中的计算设备。
参照图7,装置800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出接口812,传感器组件814,以及通信组件816。
处理组件802通常控制装置800的整体操作,诸如与显示,数据通信相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的确定减速带位置的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在装置800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令,数据,图片,视频等。存储器804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。
电源组件806为装置800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括摄像头。当装置800处于操作模式,如拍摄模式时,摄像头可以采集外部的图像数据。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当装置800处于操作模式,如记录、语音识别等模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号,如输出用于提示前方存在减速带的消息。
输入/输出接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为装置800提供各个方面的状态评估。例如,传感器组件814可以检测装置800的位置信息、车辆周围的图像信息、雷达点云数据等。
通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络,如WiFi,4G或5G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述确定减速带位置的方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器804,上述指令可由装置800的处理器820执行以完成上述确定减速带位置的方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)和光数据存储设备等。
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确定减速带位置的方法的代码部分。
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。本公开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)
1.一种确定减速带位置的方法,其特征在于,包括:
根据车辆传感器采集的多组数据生成多个BEV图像;
对于各个BEV图像,将所述BEV图像输入至预先训练得到的减速带识别模型,得到所述减速带识别模型输出的第一坐标集合,所述第一坐标集合包括一个或多个第一坐标信息,所述第一坐标信息包括减速带在车辆坐标系中的坐标,所述减速带为BEV图像中的减速带;
对于各个第一坐标集合,将所述第一坐标集合中的第一坐标信息转换至世界坐标系,得到第二坐标信息以及由所述第二坐标信息构成的第二坐标集合;
从多个BEV图像的第二坐标集合中,获取对应于同一个减速带的多个第二坐标信息;
将获取到的第二坐标信息作为第三坐标信息,对多个第三坐标信息进行融合计算,得到目标坐标信息;
根据所述目标坐标信息确定减速带在世界坐标系中的位置;
所述第二坐标信息包括减速带的左端点坐标以及右端点坐标,所述从多个BEV图像的第二坐标集合中,获取对应于同一个减速带的多个第二坐标信息,包括:
对于属于不同第二坐标集合的两个第二坐标信息,根据第一个第二坐标信息中的左端点坐标以及右端点坐标计算中点坐标,得到第一中点坐标;并根据第二个第二坐标信息中的左端点坐标以及右端点坐标计算中点坐标,得到第二中点坐标;
计算所述第一中点坐标与第二中点坐标之间的距离值;
在所述距离值小于第一阈值的情况下,确定所述两个第二坐标信息对应于同一减速带。
2.根据权利要求1所述的方法,其特征在于,所述从多个BEV图像的第二坐标集合中,获取对应于同一个减速带的多个第二坐标信息,包括:
对于各个第二坐标信息,根据所述第二坐标信息中的左端点坐标以及右端点坐标计算中点坐标,并根据所述左端点坐标以及右端点坐标计算第二坐标信息的方向向量;
以第二坐标信息的中点坐标之间的距离小于第一设定值以及第二坐标信息的方向向量的相似度大于第二设定值为匹配条件,通过匈牙利算法,从多个BEV图像的第二坐标集合中匹配对应于同一个减速带的多个第二坐标信息。
3.根据权利要求1或2所述的方法,其特征在于,所述对多个第三坐标信息进行融合计算,得到目标坐标信息,包括:
对于各个第三坐标信息,根据所述第三坐标信息中的左端点坐标以及右端点坐标计算中点坐标,得到中点坐标集合;
从所述中点坐标集合中随机选取多个中点坐标,得到所述中点坐标集合的第一子集;
对当前的第一子集中的中点坐标进行拟合,得到候选中点坐标;
分别将所述中点坐标集合中的所述第一子集之外的各个中点坐标作为目标中点坐标,计算目标中点坐标与所述候选中点坐标之间的距离;
将距离小于第二阈值的中点坐标加入至所述第一子集,得到新的第一子集;
若当前的第一子集中的中点坐标的数量大于第一数量阈值,则对当前的第一子集中的各个中点坐标进行拟合,得到目标坐标,所述目标坐标信息包括所述目标坐标;
若当前的第一子集中的中点坐标的数量小于或等于第一数量阈值,则重新选取第一子集,得到新的第一子集。
4.根据权利要求3所述的方法,其特征在于,所述根据所述目标坐标信息确定减速带在世界坐标系中的位置,包括:
对于各个第三坐标信息,根据所述第三坐标信息中的左端点坐标以及右端点坐标计算减速带的方向向量,得到方向向量集合;
从所述方向向量集合中随机选取多个方向向量,得到所述方向向量集合的第二子集;
对当前的第二子集中的方向向量进行拟合,得到候选方向向量;
分别将所述方向向量集合中的所述第二子集之外的各个方向向量作为目标方向向量,计算目标方向向量与所述候选方向向量的相似度;
将相似度大于相似度阈值的方向向量加入至所述第二子集,得到新的第二子集;
若当前的第二子集中的方向向量的数量大于第二数量阈值,则对当前的第二子集中的各个方向向量进行拟合,得到目标方向向量;
若当前的第二子集中的方向向量的数量小于或等于第二数量阈值,则重新选取第二子集,得到新的第二子集;
根据所述目标方向向量以及所述目标坐标信息确定减速带在世界坐标系中的位置。
5.根据权利要求4所述的方法,其特征在于,所述根据所述目标方向向量以及所述目标坐标信息确定减速带在世界坐标系中的位置,包括:
对于各个第三坐标信息,根据所述第三坐标信息中的左端点坐标以及右端点坐标计算减速带的长度值,得到长度值集合;
从长度值集合中确定长度值的中位数作为目标长度;
根据所述目标方向向量、所述目标长度以及所述目标坐标信息确定减速带在世界坐标系中的位置。
6.根据权利要求1或2所述的方法,其特征在于,所述减速带识别模型还输出第一坐标信息的置信度,所述第一坐标信息与根据所述第一坐标信息转换得到的第二坐标信息具有相同的置信度,所述对多个第三坐标信息进行融合计算,包括:
获取新确定的第三坐标信息的置信度以及所述第三坐标信息所对应的目标减速带;
获取所述目标减速带当前所对应的第三坐标信息的列表;
若所述列表中的第三坐标信息的数量小于第三数量阈值,则将新确定的第三坐标信息添加至所述列表中;
若所述列表中的第三坐标信息的数量等于第三数量阈值,则从所述列表中确定置信度最低的目标第三坐标信息;
若新确定的第三坐标信息的置信度大于所述目标第三坐标信息的置信度,则将所述列表中的目标第三坐标信息替换为新确定的第三坐标信息;
根据最新的列表中的第三坐标信息进行融合计算。
7.根据权利要求1或2所述的方法,其特征在于,包括:
根据减速带在世界坐标系中的位置,确定所述减速带与车辆之间的实时距离,所述实时距离用于控制车辆的速度和/或方向。
8.一种确定减速带位置的装置,其特征在于,包括:
第一生成模块,被配置为根据车辆传感器采集的多组数据生成多个BEV图像;
第一输入模块,被配置为对于各个BEV图像,将所述BEV图像输入至预先训练得到的减速带识别模型,得到所述减速带识别模型输出的第一坐标集合,所述第一坐标集合包括一个或多个第一坐标信息,所述第一坐标信息包括减速带在车辆坐标系中的坐标,所述减速带为BEV图像中的减速带;
转换模块,被配置为对于各个第一坐标集合,将所述第一坐标集合中的第一坐标信息转换至世界坐标系,得到第二坐标信息以及由所述第二坐标信息构成的第二坐标集合;
第一获取模块,被配置为从多个BEV图像的第二坐标集合中,获取对应于同一个减速带的多个第二坐标信息;
第一计算模块,被配置为将获取到的第二坐标信息作为第三坐标信息,对多个第三坐标信息进行融合计算,得到目标坐标信息;
位置确定模块,被配置为根据所述目标坐标信息确定减速带在世界坐标系中的位置;
所述第二坐标信息包括减速带的左端点坐标以及右端点坐标,所述第一获取模块,包括:
第一计算子模块,被配置为对于属于不同第二坐标集合的两个第二坐标信息,根据第一个第二坐标信息中的左端点坐标以及右端点坐标计算中点坐标,得到第一中点坐标;并根据第二个第二坐标信息中的左端点坐标以及右端点坐标计算中点坐标,得到第二中点坐标;
第二计算子模块,被配置为计算所述第一中点坐标与第二中点坐标之间的距离值;
第一确定子模块,被配置为在所述距离值小于第一阈值的情况下,确定所述两个第二坐标信息对应于同一减速带。
9.一种确定减速带位置的装置,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至7中任一项所述方法的步骤。
10.一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至7中任一项所述方法的步骤。
11.一种车辆,其特征在于,包括权利要求9所述的确定减速带位置的装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310403513.6A CN116385529B (zh) | 2023-04-14 | 2023-04-14 | 确定减速带位置的方法、装置、存储介质以及车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310403513.6A CN116385529B (zh) | 2023-04-14 | 2023-04-14 | 确定减速带位置的方法、装置、存储介质以及车辆 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116385529A CN116385529A (zh) | 2023-07-04 |
CN116385529B true CN116385529B (zh) | 2023-12-26 |
Family
ID=86980456
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310403513.6A Active CN116385529B (zh) | 2023-04-14 | 2023-04-14 | 确定减速带位置的方法、装置、存储介质以及车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116385529B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117173014B (zh) * | 2023-07-31 | 2024-05-03 | 零束科技有限公司 | 一种在bev图像中合成3d目标的方法及装置 |
CN117079242B (zh) * | 2023-09-28 | 2024-01-26 | 比亚迪股份有限公司 | 减速带确定方法、装置、存储介质、电子设备及车辆 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111401341A (zh) * | 2020-06-02 | 2020-07-10 | 弗徕威智能机器人科技(上海)有限公司 | 一种基于视觉的减速带检测方法、装置及其存储介质 |
WO2020164010A1 (zh) * | 2019-02-13 | 2020-08-20 | 深圳市大疆创新科技有限公司 | 车道线检测方法、装置、系统与车辆、存储介质 |
CN111738040A (zh) * | 2019-06-25 | 2020-10-02 | 北京京东尚科信息技术有限公司 | 一种减速带识别方法及系统 |
CN111996883A (zh) * | 2020-08-28 | 2020-11-27 | 四川长虹电器股份有限公司 | 一种检测公路路面宽度的方法 |
CN113834492A (zh) * | 2021-09-22 | 2021-12-24 | 广州小鹏自动驾驶科技有限公司 | 地图匹配方法、系统、设备及可读存储介质 |
CN114494618A (zh) * | 2021-12-30 | 2022-05-13 | 广州小鹏自动驾驶科技有限公司 | 地图的生成方法、装置、电子设备及存储介质 |
CN114565908A (zh) * | 2022-03-21 | 2022-05-31 | 北京百度网讯科技有限公司 | 车道线的检测方法、装置、电子设备及存储介质 |
CN114663852A (zh) * | 2022-02-21 | 2022-06-24 | 北京箩筐时空数据技术有限公司 | 车道线图的构建方法、装置、电子设备及可读存储介质 |
CN114705180A (zh) * | 2022-06-06 | 2022-07-05 | 中汽创智科技有限公司 | 高精地图的数据修正方法、装置、设备及存储介质 |
CN115100615A (zh) * | 2022-06-23 | 2022-09-23 | 浙江大学 | 一种基于深度学习的端到端车道线检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130051681A (ko) * | 2011-11-10 | 2013-05-21 | 한국전자통신연구원 | 노면 표식물 인식 시스템 및 방법 |
KR20210148756A (ko) * | 2020-06-01 | 2021-12-08 | 삼성전자주식회사 | 경사 추정 장치 및 이의 동작 방법 |
-
2023
- 2023-04-14 CN CN202310403513.6A patent/CN116385529B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020164010A1 (zh) * | 2019-02-13 | 2020-08-20 | 深圳市大疆创新科技有限公司 | 车道线检测方法、装置、系统与车辆、存储介质 |
CN111738040A (zh) * | 2019-06-25 | 2020-10-02 | 北京京东尚科信息技术有限公司 | 一种减速带识别方法及系统 |
CN111401341A (zh) * | 2020-06-02 | 2020-07-10 | 弗徕威智能机器人科技(上海)有限公司 | 一种基于视觉的减速带检测方法、装置及其存储介质 |
CN111996883A (zh) * | 2020-08-28 | 2020-11-27 | 四川长虹电器股份有限公司 | 一种检测公路路面宽度的方法 |
CN113834492A (zh) * | 2021-09-22 | 2021-12-24 | 广州小鹏自动驾驶科技有限公司 | 地图匹配方法、系统、设备及可读存储介质 |
CN114494618A (zh) * | 2021-12-30 | 2022-05-13 | 广州小鹏自动驾驶科技有限公司 | 地图的生成方法、装置、电子设备及存储介质 |
CN114663852A (zh) * | 2022-02-21 | 2022-06-24 | 北京箩筐时空数据技术有限公司 | 车道线图的构建方法、装置、电子设备及可读存储介质 |
CN114565908A (zh) * | 2022-03-21 | 2022-05-31 | 北京百度网讯科技有限公司 | 车道线的检测方法、装置、电子设备及存储介质 |
CN114705180A (zh) * | 2022-06-06 | 2022-07-05 | 中汽创智科技有限公司 | 高精地图的数据修正方法、装置、设备及存储介质 |
CN115100615A (zh) * | 2022-06-23 | 2022-09-23 | 浙江大学 | 一种基于深度学习的端到端车道线检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116385529A (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116385529B (zh) | 确定减速带位置的方法、装置、存储介质以及车辆 | |
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 | |
CN110503074B (zh) | 视频帧的信息标注方法、装置、设备及存储介质 | |
US20200090057A1 (en) | Human-computer hybrid decision method and apparatus | |
CN110245567B (zh) | 避障方法、装置、存储介质及电子设备 | |
US11783602B2 (en) | Object recognition system, recognition device, object recognition method, and object recognition program | |
CN112630799B (zh) | 用于输出信息的方法和装置 | |
CN112115894B (zh) | 手部关键点检测模型的训练方法、装置及电子设备 | |
CN115240157B (zh) | 道路场景数据持久化方法、装置、设备和计算机可读介质 | |
CN115339453B (zh) | 车辆换道决策信息生成方法、装置、设备和计算机介质 | |
US20200062173A1 (en) | Notification control apparatus and method for controlling notification | |
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 | |
CN114764911A (zh) | 障碍物信息检测方法、装置、电子设备及存储介质 | |
CN114419572A (zh) | 多雷达目标检测方法、装置、电子设备及存储介质 | |
CN116611482B (zh) | 模型训练方法、装置、电子设备及介质 | |
CN116834767A (zh) | 运动轨迹生成方法、装置、设备及存储介质 | |
CN111832338A (zh) | 对象检测方法及装置、电子设备和存储介质 | |
CN115512336A (zh) | 基于路灯光源的车辆定位方法、装置和电子设备 | |
CN110446106B (zh) | 一种前置摄像头文件的识别方法、电子设备及存储介质 | |
CN113065392A (zh) | 一种机器人的跟踪方法和装置 | |
CN114115350A (zh) | 飞行器的控制方法、装置及设备 | |
CN114387622A (zh) | 动物重识别方法及装置、电子设备和存储介质 | |
CN114119973A (zh) | 一种基于图像语义分割网络的空间距离预测方法及系统 | |
US10796725B2 (en) | Device, system and method for determining incident objects in secondary video | |
US20220004777A1 (en) | Information processing apparatus, information processing system, information processing method, and program |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |