CN116415652A - 一种数据生成方法、装置、可读存储介质及终端设备 - Google Patents
一种数据生成方法、装置、可读存储介质及终端设备 Download PDFInfo
- Publication number
- CN116415652A CN116415652A CN202310359113.XA CN202310359113A CN116415652A CN 116415652 A CN116415652 A CN 116415652A CN 202310359113 A CN202310359113 A CN 202310359113A CN 116415652 A CN116415652 A CN 116415652A
- Authority
- CN
- China
- Prior art keywords
- data
- real
- countermeasure network
- generation
- virtual
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 53
- 239000011159 matrix material Substances 0.000 claims description 35
- 238000004590 computer program Methods 0.000 claims description 22
- 230000001360 synchronised effect Effects 0.000 claims description 20
- 238000013507 mapping Methods 0.000 claims description 18
- 238000013506 data mapping Methods 0.000 claims description 14
- 238000013519 translation Methods 0.000 claims description 14
- 230000004044 response Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 9
- 238000000354 decomposition reaction Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000000873 masking effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/094—Adversarial learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请属于数据处理技术领域，尤其涉及一种数据生成方法、装置、计算机可读存储介质及终端设备。所述方法基于预设的生成对抗网络进行多模态数据生成，得到具有空间一致性的虚拟多模态数据；其中，多模态数据包括图像和雷达点云；生成对抗网络预先经过具有空间一致性的真实多模态数据的训练。通过本申请实施例，可以预先使用具有空间一致性的真实多模态数据对生成对抗网络进行训练，使得生成对抗网络可以学习到真实多模态数据的特点，从而具备相应的数据生成能力，生成具有空间一致性的虚拟多模态数据。
Description
技术领域
本申请属于数据处理技术领域，尤其涉及一种数据生成方法、装置、计算机可读存储介质及终端设备。
背景技术
随着汽车用户的不断增加，公路交通问题也越发严重，因此也越加凸显自动驾驶技术的重要性，而深度学习算法则是自动驾驶技术中的核心技术，其本质在于拟合数据集中多模态数据的目标域分布，其中，多模态数据包含图像数据和雷达点云数据，而对拟合结果的准确性起到决定性作用的因素则是数据量的大小。但由于真实多模态数据获取困难，因此需要使用网络模型生成虚拟多模态数据，而已有的相关技术仅支持虚拟图像数据的生成，无法同步生成与虚拟图像数据具有空间一致性的虚拟雷达点云数据。
发明内容
有鉴于此，本申请实施例提供了一种数据生成方法、装置、计算机可读存储介质及终端设备，以解决现有技术无法生成具有空间一致性的虚拟多模态数据的问题。
本申请实施例的第一方面提供了一种数据生成方法，可以包括：
基于预设的生成对抗网络进行多模态数据生成，得到具有空间一致性的虚拟多模态数据；
其中，多模态数据包括图像和雷达点云；生成对抗网络预先经过具有空间一致性的真实多模态数据的训练。
在第一方面的一种具体实现方式中，在基于预设的生成对抗网络进行多模态数据生成，得到具有空间一致性的虚拟多模态数据之前，还包括：
获取同步采集的真实图像和真实雷达点云；
根据预设的数据映射关系将所述真实雷达点云映射至所述真实图像中，得到所述真实多模态数据；
根据所述真实多模态数据对生成对抗网络进行训练，得到已训练的生成对抗网络。
在第一方面的一种具体实现方式中，所述获取同步采集的真实图像和真实雷达点云，包括：
通过预设的同步触发器向相机和雷达发送同步的采集信号，以使所述相机和所述雷达进行同步数据采集；
获取所述相机响应于所述采集信号所采集的真实图像；
获取所述雷达响应于所述采集信号所采集的真实雷达点云。
在第一方面的一种具体实现方式中，所述数据映射关系包括由所述雷达的坐标系至所述相机的坐标系的平移矩阵和旋转矩阵；
所述根据预设的数据映射关系将所述真实雷达点云映射至所述真实图像中，得到所述真实多模态数据，包括：
按照所述平移矩阵和所述旋转矩阵将所述真实雷达点云映射至所述真实图像中，得到所述真实多模态数据。
在第一方面的一种具体实现方式中，所述根据所述真实多模态数据对生成对抗网络进行训练，得到已训练的生成对抗网络，包括：
将所述真实多模态数据和随机掩码输入生成对抗网络，并获取生成对抗网络的输出数据；
根据所述真实多模态数据和所述输出数据计算训练损失；
根据所述训练损失对生成对抗网络进行参数调整，直至满足预设的收敛条件为止，得到已训练的生成对抗网络。
在第一方面的一种具体实现方式中，所述基于预设的生成对抗网络进行多模态数据生成，得到具有空间一致性的虚拟多模态数据，包括：
将预设的特定噪声信号输入生成对抗网络进行多模态数据生成，并获取生成对抗网络输出的虚拟多模态数据。
在第一方面的一种具体实现方式中，在基于预设的生成对抗网络进行多模态数据生成，得到具有空间一致性的虚拟多模态数据之后，还包括：
对所述虚拟多模态数据进行多模态数据分解，得到虚拟图像和虚拟雷达点云。
本申请实施例的第二方面提供了一种数据生成装置，可以包括：
数据生成模块，用于基于预设的生成对抗网络进行多模态数据生成，得到具有空间一致性的虚拟多模态数据；
其中，多模态数据包括图像和雷达点云；生成对抗网络预先经过具有空间一致性的真实多模态数据的训练。
在第二方面的一种具体实现方式中，所述数据生成装置还包括：
同步获取模块，用于获取同步采集的真实图像和真实雷达点云；
映射模块，用于根据预设的数据映射关系将所述真实雷达点云映射至所述真实图像中，得到所述真实多模态数据；
训练模块，用于根据所述真实多模态数据对生成对抗网络进行训练，得到已训练的生成对抗网络。
在第二方面的一种具体实现方式中，所述同步获取模块包括：
触发子模块，用于通过预设的同步触发器向相机和雷达发送同步的采集信号，以使所述相机和所述雷达进行同步数据采集；
第一采集子模块，用于获取所述相机响应于所述采集信号所采集的真实图像；
第二采集子模块，用于获取所述雷达响应于所述采集信号所采集的真实雷达点云。
在第二方面的一种具体实现方式中，所述数据映射关系包括由所述雷达的坐标系至所述相机的坐标系的平移矩阵和旋转矩阵；
所述映射模块包括：
点云映射子模块，用于按照所述平移矩阵和所述旋转矩阵将所述真实雷达点云映射至所述真实图像中，得到所述真实多模态数据。
在第二方面的一种具体实现方式中，所述训练模块包括：
输入子模块，用于将所述真实多模态数据和随机掩码输入生成对抗网络，并获取生成对抗网络的输出数据；
计算子模块，用于根据所述真实多模态数据和所述输出数据计算训练损失；
调整子模块，用于根据所述训练损失对生成对抗网络进行参数调整，直至满足预设的收敛条件为止，得到已训练的生成对抗网络。
在第二方面的一种具体实现方式中，所述数据生成模块包括：
将预设的特定噪声信号输入生成对抗网络进行多模态数据生成，并获取生成对抗网络输出的虚拟多模态数据。
在第二方面的一种具体实现方式中，所述数据生成装置还包括：
分解模块，用于对所述虚拟多模态数据进行多模态数据分解，得到虚拟图像和虚拟雷达点云。
本申请实施例的第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述任一种数据生成方法的步骤。
本申请实施例的第四方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一种数据生成方法的步骤。
本申请实施例的第五方面提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述任一种数据生成方法的步骤。
本申请实施例与现有技术相比存在的有益效果是：本申请实施例基于预设的生成对抗网络进行多模态数据生成，得到具有空间一致性的虚拟多模态数据；其中，多模态数据包括图像和雷达点云；生成对抗网络预先经过具有空间一致性的真实多模态数据的训练。通过本申请实施例，可以预先使用具有空间一致性的真实多模态数据对生成对抗网络进行训练，使得生成对抗网络可以学习到真实多模态数据的特点，从而具备相应的数据生成能力，生成具有空间一致性的虚拟多模态数据。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为训练生成对抗网络的示意流程图；
图2为外参标定的示意图；
图3为根据真实多模态数据对生成对抗网络进行训练的示意流程图；
图4为生成对抗网络的模型示意图；
图5为训练生成对抗网络的示意图；
图6为本申请实施例中一种数据生成装置的示意结构图；
图7为本申请实施例中一种终端设备的示意框图。
具体实施方式
为使得本申请的发明目的、特征、优点能够更加的明显和易懂，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本申请一部分实施例，而非全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
自动驾驶是一种结合车联网和人工智能的新时代技术，其能够协调出行路线与规划时间，从而提高出行效率，并在一定程度上减少能源消耗。自动驾驶的核心技术是深度学习算法，想要获得准确性高的深度学习算法需要大量的数据进行支撑，但面向自动驾驶的数据集同时包含雷达点云数据和图像数据，于是如何采集数据便成为了一大难题，因此人们利用生成对抗网络生成数据用于深度学习算法，但目前的生成对抗网络仅支持虚拟图像数据的生成，无法同步生成具有空间一致性的虚拟雷达点云数据。基于此，本申请提供了一种能同步生成具有空间一致性的虚拟图像数据和虚拟雷达点云数据的方法。
在本申请实施例中，可以预先使用具有空间一致性的真实多模态数据对生成对抗网络进行训练，使得生成对抗网络可以学习到真实多模态数据的特点，从而具备相应的数据生成能力，生成具有空间一致性的虚拟多模态数据。
如图1所示，生成对抗网络的训练过程具体可以包括如下步骤：
步骤S101、获取同步采集的真实图像和真实雷达点云。
在本申请实施例的一种具体实现方式中，可以通过预设的同步触发器向相机和雷达发送同步的采集信号，以使相机和雷达进行同步的数据采集，分别获取相机和雷达响应于采集信号所采集的真实图像数据和真实雷达点云数据。需要注意的是，相机和雷达可以针对相同的空间区域进行数据采集，从而保证所采集的真实图像数据和真实雷达点云数据具有空间一致性。
步骤S102、根据预设的数据映射关系将真实雷达点云映射至真实图像中，得到真实多模态数据。
其中，数据映射关系可以包括由雷达坐标系至相机坐标系的平移矩阵和旋转矩阵，根据平移矩阵和旋转矩阵可以将真实雷达点云数据映射至真实图像数据中，从而得到真实多模态数据。
在本申请实施例的一种具体实现方式中，可以预先进行外参标定，得到平移矩阵和旋转矩阵。图2所示即为外参标定的示意图，相机可以通过标定平面的二维码或棋盘格来计算标定平面在相机坐标系下的表示，同时，雷达发出的光束落在标定平面上(图中黑点)，利用雷达点在雷达坐标系下的坐标和平面方程在相机坐标系下的坐标，构建点在平面上的约束从而求解得到平移矩阵和旋转矩阵。
在得到平移矩阵和旋转矩阵之后，可以根据下式对真实雷达点云进行映射：
其中，(x1,y1)为映射后的雷达点云数据，(x2,y2,z2)为原始的雷达点云数据，I为单位矩阵，t为平移矩阵，R为旋转矩阵。
旋转矩阵R可以表示为：
R＝Rx·Ry·Rz
其中，Rx为绕x轴旋转的旋转矩阵，Ry为绕y轴旋转的旋转矩阵，Rz为绕z轴旋转的旋转矩阵，
为绕x轴旋转的欧拉角，θy为绕y轴旋转的欧拉角，αz为绕z轴旋转的欧拉角。
在本申请实施例的一种具体实现方式中，图像数据的表达形式可以为[C，H，W]，其中C为通道数量，在本申请实施例中采集的图像可以包括红色通道(R)、绿色通道(G)和蓝色通道(B)这三个通道，H为图像的高，W为图像的宽。
在图像数据已有通道的基础上，可以为其额外增加一个新的距离通道(D)来存储映射后的雷达点云数据，具体地，原始的雷达点云数据(x2,y2,z2)经过映射后，得到映射后的雷达点云数据(x1,y1)，即对应距离通道中坐标为(x1,y1)的位置，该位置的数值为原始的雷达点云数据(x2,y2,z2)所表示的位置与相机之间的距离值。一般情况下，原始的雷达点云数据仅映射到距离通道(D)中少数的位置，其它位置均取值为0，因此，距离通道(D)中的数据矩阵一般是一个稀疏矩阵。
在完成映射过程之后，即可得到四通道(R、G、B、D)的数据，将其作为真实多模态数据
步骤S103、根据真实多模态数据对生成对抗网络进行训练，得到已训练的生成对抗网络。
在本申请实施例的一种具体实现方式中，步骤S103具体可以包括如图3所示的过程：
步骤S301、将真实多模态数据和随机掩码输入生成对抗网络，并获取生成对抗网络的输出数据。
图4所示即为生成对抗网络的模型示意图，生成对抗网络包含两个模型，分别为生成模型G和判别模型D，生成模型G的目的是尽量生成与真实数据类似的输出以欺骗判别模型D，而判别模型D的目的则是判断生成模型G生成的数据是否与真实数据相似。
在本申请实施例的一种具体实现方式中，可以通过随机掩码来对真实多模态数据进行掩码操作，生成对抗网络可以对被掩码部分进行修复，将修复后的数据作为输出数据。
步骤S302、根据真实多模态数据和输出数据计算训练损失。
在本申请实施例的一种具体实现方式中，可以将真实多模态数据作为监督信号，与生成对抗网络的输出数据进行对比，从而计算训练损失。训练损失的具体计算方式可以根据实际情况进行设置，例如，可以采用现有技术中的任意一种损失函数来计算训练损失，本申请实施例对此不作具体限定。
步骤S303、根据训练损失对生成对抗网络进行参数调整，直至满足预设的收敛条件为止，得到已训练的生成对抗网络。
由于生成对抗网络有生成模型G和判别模型D，因此参数调整涉及两个模型，在本申请实施例中，将固定生成模型G，调整判别模型D的参数，再固定判别模型D，调整生成模型G的参数作为一次参数调整。
在计算得到训练损失之后，则可以根据训练损失对生成对抗网络的参数进行调整。在本申请实施例中，假设在初始状态下，生成对抗网络的生成模型G与判别模型D的参数分别为W1和W2，将训练损失反向传播修改生成对抗网络生成模型G和判别模型D的参数W1和W2，得到修改后的参数W3和W4。修改参数之后再继续执行下一次的训练过程，在该次训练过程中，重新计算得到训练损失，将该训练损失反向传播修改生成对抗网络的参数W3和W4，得到修改后的参数W5和W6，……，以此类推，不断重复以上过程，每次训练过程均可对参数进行修改，直至满足预设的收敛条件。收敛条件可以根据实际情况进行设置，例如，可以将收敛条件设置为生成模型G可以生成“以假乱真”的虚拟多模态数据，判别模型D难以判断生成模型G生成的虚拟多模态数据是否是真实多模态数据。
图5所示即为本申请实施例中训练生成对抗网络的示意图，同步触发器产生同步的采集信号并发送给相机和雷达，使相机和雷达同步采集真实图像数据和真实雷达点云数据，基于预设的数据映射关系将真实雷达点云数据映射至真实图像数据，得到真实多模态数据，将真实多模态数据与随机掩码输入生成对抗网络进行训练，得到生成对抗网络生成的虚拟多模态数据，使用真实多模态数据与生成对抗网络生成的虚拟多模态数据进行比对并计算训练损失，根据训练损失利用反向传播法对生成对抗网络的参数进行调整直至满足预设的收敛条件，即可得到训练完成的生成对抗网络。
在完成生成对抗网络的训练后，便可以基于已训练的生成对抗网络进行多模态数据生成，因为本申请实施例中的生成对抗网络是基于具有空间一致性的真实多模态数据进行训练的，所以生成的虚拟多模态数据也具有空间一致性。
在本申请实施例的一种具体实现方式中，可以将预设的特定噪声信号输入生成对抗网络进行多模态数据生成，并获取生成对抗网络输出的虚拟多模态数据。
具体选取何种信号作为特定噪声信号可以根据实际情况进行设置，例如，可以包括但不限于正弦波、三角波、方波或其它的可控信号，本申请实施例对此不作具体限定。
在本申请实施例的一种具体实现方式中，可以预先设定N种(N为正整数)不同的特定噪声信号，通过使用不同种类的特定噪声信号来控制生成对应的虚拟多模态数据，从而使得生成结果可控。
在本申请实施例的一种具体实现方式中，在基于生成对抗网络生成虚拟多模态数据之后，还可以对虚拟多模态数据进行多模态数据分解，得到虚拟图像和虚拟雷达点云。
多模态数据分解的过程即为步骤S102的逆过程，虚拟多模态数据为四通道(R、G、B、D)的数据，可以将其中的三个通道(R、G、B)作为虚拟图像，并根据数据映射关系对距离通道(D)中的数据进行反映射，得到对应的虚拟雷达点云。
分解得到虚拟图像和虚拟雷达点云具有空间一致性，可以将其加入到面向自动驾驶的数据集中，进一步提高自动驾驶的性能。
综上所述，本申请实施例基于预设的生成对抗网络进行多模态数据生成，得到具有空间一致性的虚拟多模态数据；其中，多模态数据包括图像和雷达点云；生成对抗网络预先经过具有空间一致性的真实多模态数据的训练。通过本申请实施例，可以预先使用具有空间一致性的真实多模态数据对生成对抗网络进行训练，使得生成对抗网络可以学习到真实多模态数据的特点，从而具备相应的数据生成能力，生成具有空间一致性的虚拟多模态数据。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的一种数据生成方法，图6示出了本申请实施例提供的一种数据生成装置的一个实施例结构图。
本实施例中，一种数据生成装置可以包括：
数据生成模块601，用于基于预设的生成对抗网络进行多模态数据生成，得到具有空间一致性的虚拟多模态数据；
其中，多模态数据包括图像和雷达点云；生成对抗网络预先经过具有空间一致性的真实多模态数据的训练。
在本申请实施例的一种具体实现方式中，所述数据生成装置还可以包括：
同步获取模块602，用于获取同步采集的真实图像和真实雷达点云；
映射模块603，用于根据预设的数据映射关系将所述真实雷达点云映射至所述真实图像中，得到所述真实多模态数据；
训练模块604，用于根据所述真实多模态数据对生成对抗网络进行训练，得到已训练的生成对抗网络。
在本申请实施例的一种具体实现方式中，所述同步获取模块包括：
触发子模块，用于通过预设的同步触发器向相机和雷达发送同步的采集信号，以使所述相机和所述雷达进行同步数据采集；
第一采集子模块，用于获取所述相机响应于所述采集信号所采集的真实图像；
第二采集子模块，用于获取所述雷达响应于所述采集信号所采集的真实雷达点云。
在本申请实施例的一种具体实现方式中，所述数据映射关系包括由所述雷达的坐标系至所述相机的坐标系的平移矩阵和旋转矩阵；
所述映射模块包括：
点云映射子模块，用于按照所述平移矩阵和所述旋转矩阵将所述真实雷达点云映射至所述真实图像中，得到所述真实多模态数据。
在本申请实施例的一种具体实现方式中，所述训练模块包括：
输入子模块，用于将所述真实多模态数据和随机掩码输入生成对抗网络，并获取生成对抗网络的输出数据；
计算子模块，用于根据所述真实多模态数据和所述输出数据计算训练损失；
调整子模块，用于根据所述训练损失对生成对抗网络进行参数调整，直至满足预设的收敛条件为止，得到已训练的生成对抗网络。
在本申请实施例的一种具体实现方式中，所述数据生成模块包括：
将预设的特定噪声信号输入生成对抗网络进行多模态数据生成，并获取生成对抗网络输出的虚拟多模态数据。
在本申请实施例的一种具体实现方式中，所述数据生成装置还包括：
分解模块，用于对所述虚拟多模态数据进行多模态数据分解，得到虚拟图像和虚拟雷达点云。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置，模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
图7示出了本申请实施例提供的一种终端设备的示意框图，为了便于说明，仅示出了与本申请实施例相关的部分。
如图7所示，该实施例的终端设备7包括：处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72。所述处理器70执行所述计算机程序72时实现上述各个数据生成方法实施例中的步骤。或者，所述处理器70执行所述计算机程序72时实现上述各装置实施例中各模块/单元的功能。
示例性的，所述计算机程序72可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器71中，并由所述处理器70执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序72在所述终端设备7中的执行过程。
所述终端设备7可以是手机、平板电脑、桌上型计算机、笔记本、掌上电脑及机器人等计算设备。本领域技术人员可以理解，图7仅仅是终端设备7的示例，并不构成对终端设备7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备7还可以包括输入输出设备、网络接入设备、总线等。
所述处理器70可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器71可以是所述终端设备7的内部存储单元，例如终端设备7的硬盘或内存。所述存储器71也可以是所述终端设备7的外部存储设备，例如所述终端设备7上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器71还可以既包括所述终端设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述终端设备7所需的其它程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读存储介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种数据生成方法，其特征在于，包括：
基于预设的生成对抗网络进行多模态数据生成，得到具有空间一致性的虚拟多模态数据；
其中，多模态数据包括图像和雷达点云；生成对抗网络预先经过具有空间一致性的真实多模态数据的训练。
2.根据权利要求1所述的数据生成方法，其特征在于，在基于预设的生成对抗网络进行多模态数据生成，得到具有空间一致性的虚拟多模态数据之前，还包括：
获取同步采集的真实图像和真实雷达点云；
根据预设的数据映射关系将所述真实雷达点云映射至所述真实图像中，得到所述真实多模态数据；
根据所述真实多模态数据对生成对抗网络进行训练，得到已训练的生成对抗网络。
3.根据权利要求2所述的数据生成方法，其特征在于，所述获取同步采集的真实图像和真实雷达点云，包括：
通过预设的同步触发器向相机和雷达发送同步的采集信号，以使所述相机和所述雷达进行同步数据采集；
获取所述相机响应于所述采集信号所采集的真实图像；
获取所述雷达响应于所述采集信号所采集的真实雷达点云。
4.根据权利要求3所述的数据生成方法，其特征在于，所述数据映射关系包括由所述雷达的坐标系至所述相机的坐标系的平移矩阵和旋转矩阵；
所述根据预设的数据映射关系将所述真实雷达点云映射至所述真实图像中，得到所述真实多模态数据，包括：
按照所述平移矩阵和所述旋转矩阵将所述真实雷达点云映射至所述真实图像中，得到所述真实多模态数据。
5.根据权利要求2所述的数据生成方法，其特征在于，所述根据所述真实多模态数据对生成对抗网络进行训练，得到已训练的生成对抗网络，包括：
将所述真实多模态数据和随机掩码输入生成对抗网络，并获取生成对抗网络的输出数据；
根据所述真实多模态数据和所述输出数据计算训练损失；
根据所述训练损失对生成对抗网络进行参数调整，直至满足预设的收敛条件为止，得到已训练的生成对抗网络。
6.根据权利要求1所述的数据生成方法，其特征在于，所述基于预设的生成对抗网络进行多模态数据生成，得到具有空间一致性的虚拟多模态数据，包括：
将预设的特定噪声信号输入生成对抗网络进行多模态数据生成，并获取生成对抗网络输出的虚拟多模态数据。
7.根据权利要求1至6中任一项所述的数据生成方法，其特征在于，在基于预设的生成对抗网络进行多模态数据生成，得到具有空间一致性的虚拟多模态数据之后，还包括：
对所述虚拟多模态数据进行多模态数据分解，得到虚拟图像和虚拟雷达点云。
8.一种数据生成装置，其特征在于，包括：
数据生成模块，用于基于预设的生成对抗网络进行多模态数据生成，得到具有空间一致性的虚拟多模态数据；
其中，多模态数据包括图像和雷达点云；生成对抗网络预先经过具有空间一致性的真实多模态数据的训练。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的数据生成方法的步骤。
10.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的数据生成方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310359113.XA CN116415652A (zh) | 2023-03-29 | 2023-03-29 | 一种数据生成方法、装置、可读存储介质及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310359113.XA CN116415652A (zh) | 2023-03-29 | 2023-03-29 | 一种数据生成方法、装置、可读存储介质及终端设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116415652A true CN116415652A (zh) | 2023-07-11 |
Family
ID=87052663
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310359113.XA Pending CN116415652A (zh) | 2023-03-29 | 2023-03-29 | 一种数据生成方法、装置、可读存储介质及终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116415652A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117235464A (zh) * | 2023-11-14 | 2023-12-15 | 华东交通大学 | 一种傅里叶近红外干涉信号虚拟生成评价方法及系统 |
-
2023
- 2023-03-29 CN CN202310359113.XA patent/CN116415652A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117235464A (zh) * | 2023-11-14 | 2023-12-15 | 华东交通大学 | 一种傅里叶近红外干涉信号虚拟生成评价方法及系统 |
| CN117235464B (zh) * | 2023-11-14 | 2024-02-23 | 华东交通大学 | 一种傅里叶近红外干涉信号虚拟生成评价方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11422261B2 (en) | Robot relocalization method and apparatus and robot using the same | |
| CN109118542B (zh) | 激光雷达与相机之间的标定方法、装置、设备及存储介质 | |
| CN111612841A (zh) | 目标定位方法及装置、移动机器人及可读存储介质 | |
| CN113610889B (zh) | 一种人体三维模型获取方法、装置、智能终端及存储介质 | |
| CN110633843B (zh) | 园区巡检方法、装置、设备及存储介质 | |
| CN113362446B (zh) | 基于点云数据重建对象的方法及装置 | |
| CN116415652A (zh) | 一种数据生成方法、装置、可读存储介质及终端设备 | |
| CN115205383A (zh) | 相机位姿的确定方法、装置、电子设备及存储介质 | |
| CN110782391B (zh) | 驾驶仿真场景中的图像处理方法、装置及存储介质 | |
| CN109697083B (zh) | 数据的定点化加速方法、装置、电子设备及存储介质 | |
| CN114966651A (zh) | 可行驶区域检测方法、计算机设备、存储介质及车辆 | |
| CN113362445B (zh) | 基于点云数据重建对象的方法及装置 | |
| CN112198878B (zh) | 一种即时地图构建方法、装置、机器人及存储介质 | |
| CN107688431B (zh) | 基于雷达定位的人机交互方法 | |
| CN115661493B (zh) | 一种对象位姿的确定方法及装置、设备及存储介质 | |
| CN110378948B (zh) | 3d模型重建方法、装置及电子设备 | |
| CN111870953A (zh) | 一种高度图生成方法、装置、设备及存储介质 | |
| CN116642490A (zh) | 基于混合地图的视觉定位导航方法、机器人及存储介质 | |
| CN111104965A (zh) | 车辆目标识别的方法及装置 | |
| CN111127590A (zh) | 一种二阶贝塞尔曲线绘制方法及装置 | |
| CN111368860A (zh) | 重定位方法及终端设备 | |
| CN115512258A (zh) | 一种视频图像的脱敏方法、装置、终端设备和存储介质 | |
| CN113781653A (zh) | 对象模型生成方法、装置、电子设备及存储介质 | |
| CN111833395A (zh) | 一种基于神经网络模型的测向体制单目标定位方法和装置 | |
| CN108062793A (zh) | 基于高程的物体顶部处理方法、装置、设备和存储介质 |
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 |