CN116910912A - 车辆三维模型的生成方法、装置、设备及存储介质 - Google Patents
车辆三维模型的生成方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116910912A CN116910912A CN202310946764.9A CN202310946764A CN116910912A CN 116910912 A CN116910912 A CN 116910912A CN 202310946764 A CN202310946764 A CN 202310946764A CN 116910912 A CN116910912 A CN 116910912A
- Authority
- CN
- China
- Prior art keywords
- model
- vehicle
- dimensional
- data
- generation
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims description 20
- 230000002787 reinforcement Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 8
- 238000004891 communication Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000013499 data model Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013178 mathematical model Methods 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
- 230000000306 recurrent effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
-
- 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)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Aviation & Aerospace Engineering (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Processing Or Creating Images (AREA)
Abstract
本公开涉及一种车辆三维模型的生成方法、装置、设备及存储介质,其中所述方法包括:获取待处理的车辆三维数据;调用车辆生成模型对所述车辆三维数据进行模型生成,得到对应的车辆三维模型,所述车辆生成模型为利用训练好的奖励模型对初始的三维生成模型进行学习和训练获得的,所述三维生成模型和所述车辆生成模型具有相同的模型结构。这样,能够智能地、快速地获得车辆三维模型,以缩短车辆的生产周期、加快车辆的版本迭代。
Description
技术领域
本公开涉及车辆技术领域,尤其涉及一种车辆三维模型的生成方法、装置、设备及存储介质。
背景技术
随着汽车产业的发展,新能源、智能化成为当前市面上车辆发展的一个主要方向,如何快速进行车辆版本的迭代更新是体现车企竞争的一个重要方面。然而,车辆的生产制造是一个非常漫长且复杂的过程,其中性能设计、外观设计在整个过程中占据了较大的一段时间。在上述过程中,通常会借助车辆三维模型来协助设计师完成车辆模型的设计,缩短车辆的生产周期,加快车辆版本的迭代。因此,如何快速地获得车辆三维模型是目前亟需解决的一个重要问题。
发明内容
为克服相关技术中存在的问题,本公开提供一种车辆三维模型的生成方法、装置、设备及存储介质,能够智能地、快速地获得车辆三维模型,以缩短车辆的生产周期、加快车辆的版本迭代。
根据本公开实施例的第一方面,提供一种车辆三维模型的生成方法,包括:
获取待处理的车辆三维数据;
调用车辆生成模型对所述车辆三维数据进行模型生成,得到对应的车辆三维模型,所述车辆生成模型为利用训练好的奖励模型对初始的三维生成模型进行学习和训练获得的,所述三维生成模型和所述车辆生成模型具有相同的模型结构。
可选地,所述调用车辆生成模型对所述车辆三维数据进行模型生成之前,所述方法还包括:
获取目标车型要求,所述目标车型要求用于指示对所述待处理的车辆的车型要求;
所述调用车辆生成模型对所述车辆三维数据进行模型生成,得到对应的车辆三维模型包括:
调用车辆生成模型对所述车辆三维数据和所述目标车型要求进行模型生成,得到所述车辆三维模型。
可选地,所述调用车辆生成模型对所述车辆三维数据进行模型生成之前,所述方法还包括:
获取第一样本数据,所述第一样本数据包括m个车辆各自的三维点云数据,m为正整数;
利用所述第一样本数据对初始模型进行训练,得到所述三维生成模型,所述初始模型和所述三维生成模型具有相同的模型结构。
可选地,所述获取第一样本数据包括:
获取初始样本数据,所述初始样本数据包括m个车辆各自的三维模型数据;
对所述初始样本数据中的m个所述三维模型数据进行点云转换,得到所述第一样本数据。
可选地,所述调用车辆生成模型对所述车辆三维数据进行模型生成之前,所述方法还包括:
获取第二样本数据,所述第二样本数据包括n个车辆各自的三维点云数据及所述三维点云数据对应的打分值,n为正整数;
利用所述第二样本数据对初始的奖励模型进行训练,得到训练好的所述奖励模型。
可选地,所述三维点云数据为利用所述三维生成模型对所述车辆的车辆点云数据进行模型生成得到的,n为小于或等于m的正整数。
可选地,所述三维点云数据对应的打分值为根据所述车辆的预设车型要求确定的。
可选地,所述方法还包括:
将训练好的所述奖励模型输出的打分值作为所述三维生成模型的反馈,对所述三维生成模型进行强化学习及参数微调,得到训练好的所述车辆生成模型;
其中,所述奖励模型输出的打分值为利用训练好的所述奖励模型对所述车辆的三维点云数据进行打分计算得到的。
根据本公开实施例的第二方面,提供一种车辆三维模型的生成装置,包括:
获取模块,被配置为获取待处理的车辆三维数据;
处理模块,被配置为调用车辆生成模型对所述车辆三维数据进行模型生成,得到对应的车辆三维模型,所述车辆生成模型为利用训练好的奖励模型对初始的三维生成模型进行学习和训练获得的,所述三维生成模型和所述车辆生成模型具有相同的模型结构。
关于本公开实施例中未介绍或未描述的内容可对应参考前述方法实施例中的相关介绍,本公开实施例不做限定。
根据本公开实施例的第三方面,提供一种电子设备,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所述可执行指令实现上述的车辆三维模型的生成方法的步骤。
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车辆三维模型的生成方法的步骤。
根据本公开实施例的第五方面,提供一种芯片,包括:处理器和接口;所述处理器用于读取指令以执行上述的车辆三维模型的生成方法的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果:电子设备可获取待处理的车辆三维数据;调用车辆生成模型对所述车辆三维数据进行模型生成,得到对应的车辆三维模型,所述车辆生成模型为利用训练好的奖励模型对初始的三维生成模型进行学习和训练获得的,所述三维生成模型和所述车辆生成模型具有相同的模型结构。这样,电子设备可以直接利用车辆生成模型对车辆三维数据进行模型生成,从而能够智能地、快速地得到相应的车辆三维模型,有利于车辆三维模型生成的便捷性和高效性,进而有利于缩短车辆的生产周期、加快车辆的版本迭代。
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车辆三维模型的生成方法的流程示意图。
图2是根据一示例性实施例示出的一种三维生成模型训练的流程示意图。
图3是根据一示例性实施例示出的一种样本数据获取的流程示意图。
图4是根据一示例性实施例示出的一种激励模型训练的流程示意图。
图5是根据一示例性实施例示出的一种车辆生成模型训练的流程示意图。
图6是根据一示例性实施例示出的一种车辆三维模型的生成装置的结构示意图。
图7是根据一示例性实施例示出的一种电子设备的结构示意图。
图8是根据一示例性实施例示出的一种芯片的结构示意图。
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。
需要说明的是,本公开中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下,并获得由相应装置所有者给予授权的情况下进行的。
目前,ChatGPT的出现对世界产生了较远的影响,主要体现在以下几个方面:提高自然语言处理技术水平、改善语言交流的质量和效率、推动自然语言处理技术的进一步发展、进一步改变人机交互方式、推动人工智能领域的发展等。随着ChatGPT的推动,其在大数据模型也得到了进一步的应用和推动,此情况下的大数据模型可简称为ChatGPT模型。其中,本公开下文涉及的例如车辆生成模型、三维生成模型等均可为ChatGPT模型,也即是大数据模型。
请参见图1是根据一示例性实施例示出的一种车辆三维模型的生成方法的流程示意图。如图1所示的方法应用于电子设备中,该方法可以包括如下实施步骤:
S101、获取待处理的车辆三维数据。
本公开的上述车辆三维数据是指用于描述待处理车辆的三维(3D)数据,该三维数据可以是指待处理车辆的点云数据,例如通过激光或雷达等装置采集获得的上述待处理车辆的点云数据等。该三维数据可以包括但不限于例如车辆整体外形的长、宽、高、及车辆某部件的具体尺寸等数据。
本公开对上述车辆三维数据的获取实施方式并不做限定,例如其可以包括但不限于以下中的任一项或多项的组合:例如采用激光/雷达等装置采集待处理车辆模型的三维数据、通过待处理车辆的设计图纸或泥膜数据等计算获得、通过预设的网格模型对待处理车辆进行数据采集获得的、或者可以通过网络从其他设备或网络平台中获得等,本公开不做限定。
S102、调用车辆生成模型对所述车辆三维数据进行模型生成,得到对应的车辆三维模型,所述车辆生成模型为利用训练好的奖励模型对初始的三维生成模型进行学习和训练获得的,所述三维生成模型和所述车辆生成模型具有相同的模型结构。
本公开可以利用训练好的车辆生成模型对上述车辆三维数据进行模型生成,以生成上述待处理车辆的车辆三维模型。该车辆生成模型是指用于生成车辆三维模型的数学模型,其可包括但不限于例如前馈神经网络、长短时记忆网络模型、递归神经网络或其他机器学习或深度学习模型等。
在一些实施例中,本公开还可以获取上述待处理车辆的目标车型要求,本公开对上述目标车型要求的获取实施方式并不做限定,例如可以是用户输入的,也可以是从网络平台中获得的等。该目标车型要求是指根据用户/设计师的实际需求对上述待处理车辆的一些自定义要求,例如外形要求、参数(如尺寸)要求等,本公开不做限定。进一步,本公开可以结合上述目标车型要求,利用上述车辆生成模型对上述车辆三维数据和上述目标车型要求进行模型生成,以得到满足上述目标车型要求相对应的车辆三维模型。
通过实施本公开实施例,电子设备可获取待处理的车辆三维数据;调用车辆生成模型对所述车辆三维数据进行模型生成,得到对应的车辆三维模型,所述车辆生成模型为利用训练好的奖励模型对初始的三维生成模型进行学习和训练获得的,所述三维生成模型和所述车辆生成模型具有相同的模型结构。这样,电子设备可以直接利用车辆生成模型对车辆三维数据进行模型生成,从而能够智能地、快速地得到相应的车辆三维模型,有利于车辆三维模型生成的便捷性和高效性,进而有利于缩短车辆的生产周期、加快车辆的版本迭代。
在步骤S102中使用上述车辆生成模型之前,还需训练该车辆生成模型,将训练好的上述车辆生成模型部署在电子设备中,便于S102中电子设备直接使用训练好的上述车辆生成模型进行车辆三维模型的生成。其中,上述车辆生成模型的训练可以应用在训练设备中,该训练设备可以包括但不限于例如上述电子设备、云端服务或其他具有模型训练能力的设备等,本公开不做限定。在一种实施方式中,上述车辆生成模型为训练设备利用训练好的奖励模型对初始的三维生成模型进行强化学习和训练获得的,下面介绍上述车辆生成模型训练的相关实施例。
请参见图2是根据一示例性实施例示出的一种三维生成模型训练的流程示意图。如图2所示的流程应用于训练设备中,该流程可以包括如下实施步骤:
S201、获取第一样本数据,所述第一样本数据包括m个车辆各自的三维点云数据,m为正整数。
本公开对上述第一样本数据的获取实施方式并不做限定,例如可以网络从其他设备(例如服务器或其他终端)中获得,又如请参见图3是根据一示例性实施例示出的一种样本数据获取的流程示意图。如图3所示的流程可以包括如下实施步骤:
S301、获取初始样本数据,所述初始样本数据包括m个车辆各自的三维模型数据。
上述初始样本数据可以包括m个车辆各自的三维模型数据,m为根据实际情况自定义确定的正整数。通常m的数值越大,其训练获得的上述三维生成模型的精度越高。本公开对上述初始样本数据(即相应车辆的三维模型数据)的获取实施方式并不做限定,例如其可以包括但不限于例如采用激光/雷达等装置采集相应车辆模型的三维数据,或者可以通过相应车辆的设计图纸或泥膜数据等计算获得,或者通过预设的网格模型对相应车辆进行数据采集获得的,本公开对此不做过多限定和详述。
S302、对所述初始样本数据中的m个所述三维模型数据进行点云转换,得到所述第一样本数据。
本公开可对采集的上述m个车辆各自的三维模型数据进行点云转换,对应得到m个车辆各自的三维点云数据,从而得到上述第一样本数据。
S202、利用所述第一样本数据对初始模型进行训练,得到所述三维生成模型,所述初始模型和所述三维生成模型具有相同的模型结构。
本公开可利用上述第一样本数据中m个车辆各自的三维点云数据对初始模型进行迭代训练,得到最终的上述三维生成模型。其中,上述初始模型和上述三维生成模型可以是指具有相同网络结构的模型,也就是它们可以具有相同的模型结构。关于该初始模型和该三维生成模型的介绍可对应参考前述车辆生成模型的相关介绍,这里不再赘述。
本公开对上述初始模型进行训练的具体实施过程不做过多限定和详述,例如本公开可以利用上述第一样本数据对上述初始模型中的模型参数进行反复多次迭代,在达到一定次数后可结束训练流程,得到上述三维生成模型等,本公开这里仅为示例但并不构成限定。
请参见图4是根据一示例性实施例示出的一种奖励模型训练的流程示意图。如图4所示的流程可以包括如下实施步骤:
S401、获取第二样本数据,所述第二样本数据包括n个车辆各自的三维点云数据及所述三维点云数据对应的打分值,n为正整数。
本公开的上述第二样本数据可以包括n个车辆各自的三维点云数据及每个三维点云数据对应的打分值,该打分值可以是人工手动打分,也可以是机器学习打分。通常,该三维点云数据对应的打分值是根据相应车辆的预设车型要求进行打分的,该预设车型要求为根据实际需求预先自定义设置的,例如其可以包括车辆的长宽高要求、车辆的特殊造型要求或其他自定义车型要求等,本公开对此不做限定。在实际应用中,当上述相应车辆的三维点云数据不符合对应的预设车型要求中对车辆的长宽高要求时,则该三维点云数据对应的打分值通常较低(例如1分等);当上述三维点云数据符合相应车辆的预设车型要求中对车辆的长宽高要求时,则该三维点云数据对应的打分值为正常分数(例如5分等);当上述三维点云数据符合相应车辆的预设车型要求中的特殊造型要求时,则三维点云数据对应的打分值通常较高(例如8分等)。
本公开对上述第二样本数据的获取实施方式也不做限定,其可以对应参考前述第一样本数据的获取实施方式中的相关介绍,本公开对此不做过多限定和详述。在一种可能的实施方式中,上述n个车辆各自的三维点云数据可以是利用上述训练好的三维生成模型分别对n个车辆各自的车辆点云数据进行模型生成输出的预测数据,此时n为小于或等于m的正整数。相应地,用户可以根据n个车辆各自对应的预设车型要求来对n个车辆各自的三维点云数据进行人工打分,从而得到上述n个三维点云数据各自对应的打分值,本公开不做限定。
S402、利用所述第二样本数据对初始的奖励模型进行训练,得到训练好的所述奖励模型。
本公开可以利用上述第二样本数据中n个车辆各自的三维点云数据及相应的打分值对初始的奖励模型(也可称为打分模型)进行训练,从而得到训练好的奖励模型。本公开对上述奖励模型的具体训练实施方式并不做限定,例如可采用一定的学习率对上述奖励模型进行迭代训练,从而得到最终训练好的上述奖励模型等,本公开对此不做过多限定和描述。通常,奖励模型输出的预测分值(例如将上述第二样本数据中某车辆的三维点云数据输入奖励模型计算输出的预测分值)和真实分值(即上述第二样本数据中某车辆的三维点云数据对应的打分值)越接近,则该奖励模型对应的奖励因子越高(也可称为奖励越高);反之,则奖励越低。
基于上述实施例,请参见图5是根据一示例性实施例示出的一种车辆生成模型训练的流程示意图。如图5所示的流程应用于训练设备,该流程可以包括如下实施步骤:
S501、将训练好的所述奖励模型输出的打分值作为所述三维生成模型的反馈,对所述三维生成模型进行强化学习及参数微调,得到训练好的所述车辆生成模型;其中,所述奖励模型输出的打分值为利用训练好的所述奖励模型对所述车辆的三维点云数据进行打分计算得到的。
在实际应用中,本公开可以根据上述m个车辆各自的三维点云数据来对上述三维生成模型进行再训练。在实施过程中,本公开可以将训练好的上述奖励模型输出的打分值作为上述三维生成模型的反馈,对上述三维生成模型进行不断的强化学习,例如在实际应用中本公开可将上述奖励模型输出的打分值(也称预测分值)和真实分值差距较小,也就是奖励因子越大所对应的车辆的三维点云数据进行进一步地特征提取和增强,利用这些三维点云数据来对上述三维生成模型进行参数微调和再训练,从而精度更高的上述车辆生成模型,也即是获得训练好的上述车辆生成模型。关于利用奖励模型如何进行强化学习和参数微调的具体实施方式,本公开这里不做过多限定和详述。
通过实施本公开实施例,能够根据用户/设计师的车型要求自动生成相应地车辆三维模型,从而能够快速地为用户提供较为丰富的车辆参考数据,有利于缩短车辆的生产周期、加速车辆的版本迭代。
基于前述实施例,请参见图6是根据一示例性实施例示出的一种车辆三维模型的生成装置的结构示意图。如图6所示的装置可以包括获取模块601和处理模块602。其中:
所述获取模块601,被配置为获取待处理的车辆三维数据;
所述处理模块602,被配置为调用车辆生成模型对所述车辆三维数据进行模型生成,得到对应的车辆三维模型,所述车辆生成模型为利用训练好的奖励模型对初始的三维生成模型进行学习和训练获得的,所述三维生成模型和所述车辆生成模型具有相同的模型结构。
在一些实施例中,所述调用车辆生成模型对所述车辆三维数据进行模型生成之前,所述获取模块601还被配置为获取目标车型要求,所述目标车型要求用于指示对所述待处理的车辆的车型要求;
所述处理模块602被配置为调用车辆生成模型对所述车辆三维数据和所述目标车型要求进行模型生成,得到所述车辆三维模型。
在一些实施例中,所述调用车辆生成模型对所述车辆三维数据进行模型生成之前,所述获取模块601还被配置为获取第一样本数据,所述第一样本数据包括m个车辆各自的三维点云数据,m为正整数;
所述处理模块602还被配置为利用所述第一样本数据对初始模型进行训练,得到所述三维生成模型,所述初始模型和所述三维生成模型具有相同的模型结构。
在一些实施例中,所述获取模块601被配置为:
获取初始样本数据,所述初始样本数据包括m个车辆各自的三维模型数据;
对所述初始样本数据中的m个所述三维模型数据进行点云转换,得到所述第一样本数据。
在一些实施例中,所述调用车辆生成模型对所述车辆三维数据进行模型生成之前,所述获取模块601还被配置为获取第二样本数据,所述第二样本数据包括n个车辆各自的三维点云数据及所述三维点云数据对应的打分值,n为正整数;
所述处理模块602还被配置为利用所述第二样本数据对初始的奖励模型进行训练,得到训练好的所述奖励模型。
在一些实施例中,所述三维点云数据为利用所述三维生成模型对所述车辆的车辆点云数据进行模型生成得到的,n为小于或等于m的正整数。
在一些实施例中,所述三维点云数据对应的打分值为根据所述车辆的预设车型要求确定的。
在一些实施例中,所述处理模块602还被配置为将训练好的所述奖励模型输出的打分值作为所述三维生成模型的反馈,对所述三维生成模型进行强化学习及参数微调,得到训练好的所述车辆生成模型;
其中,所述奖励模型输出的打分值为利用训练好的所述奖励模型对所述车辆的三维点云数据进行打分计算得到的。
关于上述实施例中的装置,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车辆三维模型的生成方法的步骤。
图7是根据一示例性实施例示出的一种电子设备的结构示意图。例如,电子设备700可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等电子设备。
参照图7,电子设备700可以包括以下一个或多个组件:处理组件702,存储器704,电源组件706,多媒体组件708,音频组件710,输入/输出接口712,传感器组件714,以及通信组件716。
处理组件702通常控制设备700的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件702可以包括一个或多个处理器720来执行指令,以完成上述的车辆三维模型的生成方法的全部或部分步骤。此外,处理组件702可以包括一个或多个模块,便于处理组件702和其他组件之间的交互。例如,处理组件702可以包括多媒体模块,以方便多媒体组件708和处理组件702之间的交互。
存储器704被配置为存储各种类型的数据以支持在设备700的操作。这些数据的示例包括用于在设备700上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器704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706为设备700的各种组件提供电力。电源组件706可以包括电源管理系统,一个或多个电源,及其他与为设备700生成、管理和分配电力相关联的组件。
多媒体组件708包括在所述设备700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708包括一个前置摄像头和/或后置摄像头。当电子设备700处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件710被配置为输出和/或输入音频信号。例如,音频组件710包括一个麦克风(MIC),当设备700处于操作模式,如呼叫模式、记录模式和语音识别模式时,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704或经由通信组件716发送。在一些实施例中,音频组件710还包括一个扬声器,用于输出音频信号。
输入/输出接口712为处理组件702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:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件714包括一个或多个传感器,用于为设备700提供各个方面的状态评估。例如,传感器组件714可以检测到设备700的打开/关闭状态,组件的相对定位,例如所述组件为设备700的显示器和小键盘,传感器组件714还可以检测设备700或设备700一个组件的位置改变,用户与设备700接触的存在或不存在,设备700方位或加速/减速和设备700的温度变化。传感器组件714可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件714还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件714还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件716被配置为便于设备700和其他设备之间有线或无线方式的通信。设备700可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件716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716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,设备700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,用于执行上述的车辆三维模型的生成方法。
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704,上述指令可由设备700的处理器720执行以完成上述上位车辆三维模型的生成方法。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)、CD-ROM、磁带、软盘和光数据存储设备等。
上述装置除了可以是独立的电子设备外,也可是独立电子设备的一部分,例如在一种实施例中,该装置可以是集成电路(Integrated Circuit,IC)或芯片,其中该集成电路可以是一个IC,也可以是多个IC的集合;该芯片可以包括但不限于以下种类:GPU(GraphicsProcessing Unit,图形处理器)、CPU(Central Processing Unit,中央处理器)、FPGA(Field Programmable Gate Array,可编程逻辑阵列)、DSP(Digital Signal Processor,数字信号处理器)、ASIC(Application Specific Integrated Circuit,专用集成电路)、SOC(System on Chip,SoC,片上系统或系统级芯片)等。上述的集成电路或芯片中可以用于执行可执行指令(或代码),以实现上述的车辆三维模型的生成方法。其中该可执行指令可以存储在该集成电路或芯片中,也可以从其他的装置或设备获取,例如该集成电路或芯片中包括处理器、存储器,以及用于与其他的装置通信的接口。该可执行指令可以存储于该存储器中,当该可执行指令被处理器执行时实现上述的车辆三维模型的生成方法;或者,该集成电路或芯片可以通过该接口接收可执行指令并传输给该处理器执行,以实现上述的车辆三维模型的生成方法。
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车辆三维模型的生成方法的代码部分。
请参见图8是根据一示例性实施例示出的一种芯片的结构示意图。如图8所示的芯片800包括处理器801、接口802。可选的,还可包括存储器803。其中,处理器801的数量可以是一个或多个,接口802的数量可以是多个。
在一实施例中,对于芯片用于实现本公开所述方法实施例的情况:
所述接口802,用于接收或输出信号;
所述处理器801,用于执行车辆三维模型的生成方法实施例中的部分或全部内容。
可理解地,本公开实施例中的处理器可以是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(DigitalSignal 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。
可理解地,本公开实施例中的存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(read-only memory,ROM)、可编程只读存储器(programmable ROM,PROM)、可擦除可编程只读存储器(erasable PROM,EPROM)、电可擦除可编程只读存储器(electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(static RAM,SRAM)、动态随机存取存储器(dynamic RAM,DRAM)、同步动态随机存取存储器(synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(double data rateSDRAM,DDRSDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(directrambus RAM,DR RAM)。应注意,本文描述的系统和方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
这里需要指出的是:以上存储介质、设备和芯片实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本公开存储介质、存储介质和设备实施例中未披露的技术细节,请参照本公开方法实施例的描述而理解。
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)
1.一种车辆三维模型的生成方法,其特征在于,所述方法包括:
获取待处理的车辆三维数据;
调用车辆生成模型对所述车辆三维数据进行模型生成,得到对应的车辆三维模型,所述车辆生成模型为利用训练好的奖励模型对初始的三维生成模型进行学习和训练获得的,所述三维生成模型和所述车辆生成模型具有相同的模型结构。
2.根据权利要求1所述的方法,其特征在于,所述调用车辆生成模型对所述车辆三维数据进行模型生成之前,所述方法还包括:
获取目标车型要求,所述目标车型要求用于指示对所述待处理的车辆的车型要求;
所述调用车辆生成模型对所述车辆三维数据进行模型生成,得到对应的车辆三维模型包括:
调用车辆生成模型对所述车辆三维数据和所述目标车型要求进行模型生成,得到所述车辆三维模型。
3.根据权利要求1所述的方法,其特征在于,所述调用车辆生成模型对所述车辆三维数据进行模型生成之前,所述方法还包括:
获取第一样本数据,所述第一样本数据包括m个车辆各自的三维点云数据,m为正整数;
利用所述第一样本数据对初始模型进行训练,得到所述三维生成模型,所述初始模型和所述三维生成模型具有相同的模型结构。
4.根据权利要求3所述的方法,其特征在于,所述获取第一样本数据包括:
获取初始样本数据,所述初始样本数据包括m个车辆各自的三维模型数据;
对所述初始样本数据中的m个所述三维模型数据进行点云转换,得到所述第一样本数据。
5.根据权利要求3所述的方法,其特征在于,所述调用车辆生成模型对所述车辆三维数据进行模型生成之前,所述方法还包括:
获取第二样本数据,所述第二样本数据包括n个车辆各自的三维点云数据及所述三维点云数据对应的打分值,n为正整数;
利用所述第二样本数据对初始的奖励模型进行训练,得到训练好的所述奖励模型。
6.根据权利要求5所述的方法,其特征在于,所述三维点云数据为利用所述三维生成模型对所述车辆的车辆点云数据进行模型生成得到的,n为小于或等于m的正整数。
7.根据权利要求5所述的方法,其特征在于,所述三维点云数据对应的打分值为根据所述车辆的预设车型要求确定的。
8.根据权利要求1-7中任一项所述的方法,其特征在于,所述方法还包括:
将训练好的所述奖励模型输出的打分值作为所述三维生成模型的反馈,对所述三维生成模型进行强化学习及参数微调,得到训练好的所述车辆生成模型;
其中,所述奖励模型输出的打分值为利用训练好的所述奖励模型对所述车辆的三维点云数据进行打分计算得到的。
9.一种车辆三维模型的生成装置,其特征在于,所述装置包括:
获取模块,被配置为获取待处理的车辆三维数据;
处理模块,被配置为调用车辆生成模型对所述车辆三维数据进行模型生成,得到对应的车辆三维模型,所述车辆生成模型为利用训练好的奖励模型对初始的三维生成模型进行学习和训练获得的,所述三维生成模型和所述车辆生成模型具有相同的模型结构。
10.一种电子设备,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所述可执行指令实现权利要求1~8中任一项所述方法的步骤。
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,所述计算机程序指令被处理器执行时实现权利要求1~8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310946764.9A CN116910912B (zh) | 2023-07-28 | 2023-07-28 | 车辆三维模型的生成方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310946764.9A CN116910912B (zh) | 2023-07-28 | 2023-07-28 | 车辆三维模型的生成方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116910912A true CN116910912A (zh) | 2023-10-20 |
CN116910912B CN116910912B (zh) | 2024-04-30 |
Family
ID=88367813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310946764.9A Active CN116910912B (zh) | 2023-07-28 | 2023-07-28 | 车辆三维模型的生成方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116910912B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020003586A1 (ja) * | 2018-06-29 | 2020-01-02 | 三菱重工業株式会社 | データ生成装置、画像識別装置、データ生成方法及び記憶媒体 |
CN113538664A (zh) * | 2021-07-14 | 2021-10-22 | 清华大学 | 车辆去光照三维重建方法、装置、电子设备和存储介质 |
CN113744392A (zh) * | 2021-08-30 | 2021-12-03 | 深圳壹账通智能科技有限公司 | 三维模型库构建方法、装置、设备及介质 |
CN114329074A (zh) * | 2022-03-07 | 2022-04-12 | 深圳市中交阳光科技有限公司 | 一种匝道路段通行能效检测方法和系统 |
CA3177585A1 (en) * | 2021-04-16 | 2022-10-16 | Strong Force Vcn Portfolio 2019, Llc | Systems, methods, kits, and apparatuses for digital product network systems and biology-based value chain networks |
WO2023045252A1 (zh) * | 2021-09-26 | 2023-03-30 | 浪潮电子信息产业股份有限公司 | 模型训练、点云缺失补全方法、装置、设备及介质 |
CN115904173A (zh) * | 2022-11-11 | 2023-04-04 | 北京智扬天地整合营销顾问有限公司 | 汽车的数字智能化全息投影线上线下展览方法、装置、设备及介质 |
CN116030223A (zh) * | 2022-12-30 | 2023-04-28 | 中科云谷科技有限公司 | 车辆图像生成方法、装置、计算机设备及存储介质 |
CN116091894A (zh) * | 2023-03-03 | 2023-05-09 | 小米汽车科技有限公司 | 模型训练方法、车辆控制方法、装置、设备、车辆及介质 |
CN116486038A (zh) * | 2023-03-21 | 2023-07-25 | 华为技术有限公司 | 一种三维构建网络训练方法、三维模型生成方法以及装置 |
-
2023
- 2023-07-28 CN CN202310946764.9A patent/CN116910912B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020003586A1 (ja) * | 2018-06-29 | 2020-01-02 | 三菱重工業株式会社 | データ生成装置、画像識別装置、データ生成方法及び記憶媒体 |
CA3177585A1 (en) * | 2021-04-16 | 2022-10-16 | Strong Force Vcn Portfolio 2019, Llc | Systems, methods, kits, and apparatuses for digital product network systems and biology-based value chain networks |
CN113538664A (zh) * | 2021-07-14 | 2021-10-22 | 清华大学 | 车辆去光照三维重建方法、装置、电子设备和存储介质 |
CN113744392A (zh) * | 2021-08-30 | 2021-12-03 | 深圳壹账通智能科技有限公司 | 三维模型库构建方法、装置、设备及介质 |
WO2023045252A1 (zh) * | 2021-09-26 | 2023-03-30 | 浪潮电子信息产业股份有限公司 | 模型训练、点云缺失补全方法、装置、设备及介质 |
CN114329074A (zh) * | 2022-03-07 | 2022-04-12 | 深圳市中交阳光科技有限公司 | 一种匝道路段通行能效检测方法和系统 |
CN115904173A (zh) * | 2022-11-11 | 2023-04-04 | 北京智扬天地整合营销顾问有限公司 | 汽车的数字智能化全息投影线上线下展览方法、装置、设备及介质 |
CN116030223A (zh) * | 2022-12-30 | 2023-04-28 | 中科云谷科技有限公司 | 车辆图像生成方法、装置、计算机设备及存储介质 |
CN116091894A (zh) * | 2023-03-03 | 2023-05-09 | 小米汽车科技有限公司 | 模型训练方法、车辆控制方法、装置、设备、车辆及介质 |
CN116486038A (zh) * | 2023-03-21 | 2023-07-25 | 华为技术有限公司 | 一种三维构建网络训练方法、三维模型生成方法以及装置 |
Non-Patent Citations (2)
Title |
---|
董一鸣等: "基于混合固态激光雷达的动态车辆三维模型重建", 《应用激光》, pages 1132 - 1138 * |
贾虹: "基于Web的产品远程协同设计关键技术研究", 中国博士学位论文全文数据库, no. 06, 31 December 2012 (2012-12-31) * |
Also Published As
Publication number | Publication date |
---|---|
CN116910912B (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111222637B (zh) | 神经网络模型部署方法及装置、电子设备和存储介质 | |
CN111461304B (zh) | 分类神经网络的训练方法、文本分类方法、装置及设备 | |
CN109858614B (zh) | 神经网络训练方法及装置、电子设备和存储介质 | |
CN111831806B (zh) | 语义完整性确定方法、装置、电子设备和存储介质 | |
CN112185388B (zh) | 语音识别方法、装置、设备及计算机可读存储介质 | |
CN110619325B (zh) | 一种文本识别方法及装置 | |
CN116910912B (zh) | 车辆三维模型的生成方法、装置、设备及存储介质 | |
CN113920559A (zh) | 一种虚拟角色的面部表情、肢体动作的生成方法和装置 | |
CN112259122A (zh) | 音频类型识别方法、装置及存储介质 | |
CN112861592B (zh) | 图像生成模型的训练方法、图像处理方法及装置 | |
CN114648116A (zh) | 模型量化方法、装置、车辆及存储介质 | |
CN115240638A (zh) | 音频生成方法、装置、存储介质及芯片 | |
CN107870931B (zh) | 一种优化用户词库的方法、装置及电子设备 | |
CN111367669B (zh) | 一种确定最优运算通路的方法、装置及介质 | |
CN114550691A (zh) | 一种多音字消歧方法、装置、电子设备及可读存储介质 | |
CN107870932B (zh) | 一种用户词库优化方法、装置及电子设备 | |
CN115374256A (zh) | 问答数据处理方法、装置、设备、存储介质及产品 | |
CN107765884B (zh) | 一种滑行输入方法、装置及电子设备 | |
CN110674416A (zh) | 游戏推荐方法及装置 | |
CN113778385B (zh) | 组件注册方法、装置、终端及存储介质 | |
CN113240083B (zh) | 一种数据处理方法、装置、电子设备及可读介质 | |
CN116501227B (zh) | 图片显示方法、装置、电子设备及存储介质 | |
CN114201102B (zh) | 信息处理方法、装置及存储介质 | |
CN110619634B (zh) | 图像处理方法、装置、电子设备及介质 | |
CN116761015A (zh) | 宠物视频生成方法、装置、设备、存储介质及芯片 |
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 |