CN117726786A - 车辆定位方法与定位模型的训练方法、装置 - Google Patents
车辆定位方法与定位模型的训练方法、装置 Download PDFInfo
- Publication number
- CN117726786A CN117726786A CN202311585181.4A CN202311585181A CN117726786A CN 117726786 A CN117726786 A CN 117726786A CN 202311585181 A CN202311585181 A CN 202311585181A CN 117726786 A CN117726786 A CN 117726786A
- Authority
- CN
- China
- Prior art keywords
- bev
- sample
- module
- image
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012549 training Methods 0.000 title claims abstract description 37
- 230000000007 visual effect Effects 0.000 claims abstract description 123
- 238000000605 extraction Methods 0.000 claims abstract description 49
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 44
- 230000006870 function Effects 0.000 claims description 22
- 238000012216 screening Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 20
- 238000004891 communication Methods 0.000 description 8
- 238000001914 filtration Methods 0.000 description 5
- 238000011176 pooling Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 240000004050 Pentaglottis sempervirens Species 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本公开提供一种车辆定位方法与定位模型的训练方法。车辆定位方法包括:获取车辆的传感器数据与矢量地图的地图图像;从地图图像中提取图像特征点,使用图像特征点将点云数据投影到鸟瞰视图BEV平面,根据位于BEV平面中的矢量特征点获取目标定位元素;对图像数据进行编码获取图像特征,根据图像特征与所述点云数据获取视觉BEV特征;根据目标定位元素与视觉BEV特征获取目标BEV特征,根据目标BEV特征获取车辆的位姿。定位模型的训练方法包括:获取样本数据组,样本数据组中包括样本地图图像、样本点云数据、样本图像数据与实际位姿;构建包括元素获取模块、视觉BEV特征提取模块与定位模块的初始定位模型;根据样本数据组训练初始定位模型,得到定位模型。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及自动驾驶、智能交通、深度学习等人工智能技术领域。提供了一种车辆定位方法与定位模型的训练方法、装置、电子设备与可读存储介质。
背景技术
自动驾驶技术涉及环境感知、行为决策、轨迹规划以及运动控制等多个方面。依赖于传感器、视觉计算系统和定位系统的协同合作,具有自动驾驶功能的车辆可以在无需驾驶员进行操作或仅需驾驶员进行少量操作的情况下自动地运行。对自动驾驶车辆进行准确定位是保证自动驾驶车辆安全平稳运行的重要前提。
现有技术在对自动驾驶汽车进行定位时,通常采用的是将视觉感知得到的车道线、人行横道、交通标识牌等元素与矢量地图中存储的预设定位元素进行匹配,从而获取自动驾驶车辆的定位结果。但是若矢量地图中没有相应的预设定位元素、或者矢量地图中包括的预设定位元素较少,则容易导致无法完成对自动驾驶车辆进行定位的问题。
发明内容
根据本公开的第一方面,提供了一种车辆定位方法,包括:获取车辆的传感器数据与矢量地图的地图图像,所述传感器数据包括点云数据与图像数据;从所述地图图像中提取图像特征点,使用所述图像特征点将所述点云数据投影到鸟瞰视图BEV平面,根据位于所述BEV平面中的矢量特征点获取目标定位元素;对所述图像数据进行编码,获取图像特征,根据所述图像特征与所述点云数据获取视觉BEV特征;根据所述目标定位元素与所述视觉BEV特征获取目标BEV特征,根据所述目标BEV特征获取所述车辆的位姿。
根据本公开的第二方面,提供了一种定位模型的训练方法,包括:获取样本数据组,所述样本数据组中包括样本地图图像、样本点云数据、样本图像数据与实际位姿;包括将所述样本地图图像与所述样本点云数据输入初始定位模型的元素获取模块,获取样本目标定位元素;将所述样本点云数据与所述样本图像数据输入所述初始定位模型的视觉BEV特征提取模块,获取样本视觉BEV特征;将所述样本目标定位元素与所述样本视觉BEV特征输入所述初始定位模型的定位模块,获取预测位姿;根据所述实际位姿与所述预测位姿计算损失函数值,根据所述损失函数值调整所述初始定位模型的参数,得到定位模型。
根据本公开的第三方面,提供了一种车辆定位装置,包括:第一获取单元,用于获取车辆的传感器数据与矢量地图的地图图像,所述传感器数据包括点云数据与图像数据;第一处理单元,用于从所述地图图像中提取图像特征点,使用所述图像特征点将所述点云数据投影到鸟瞰视图BEV平面,根据位于所述BEV平面中的矢量特征点获取目标定位元素;第二处理单元,用于对所述图像数据进行编码,获取图像特征,根据所述图像特征与所述点云数据获取视觉BEV特征;第一定位单元,用于根据所述目标定位元素与所述视觉BEV特征获取目标BEV特征,根据所述目标BEV特征获取所述车辆的位姿。
根据本公开的第四方面,提供了一种定位模型的训练装置,包括:第二获取单元,用于获取样本数据组,所述样本数据组中包括样本地图图像、样本点云数据、样本图像数据与实际位姿;包括第三处理单元,用于将所述样本地图图像与所述样本点云数据输入初始定位模型的元素获取模块,获取样本目标定位元素;第四处理单元,用于将所述样本点云数据与所述样本图像数据输入所述初始定位模型的视觉BEV特征提取模块,获取样本视觉BEV特征;第二定位单元,用于将所述样本目标定位元素与所述样本视觉BEV特征输入所述初始定位模型的定位模块,获取预测位姿;训练单元,用于根据所述实际位姿与所述预测位姿计算损失函数值,根据所述损失函数值调整所述初始定位模型的参数,得到定位模型。
根据本公开的第五方面,提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上所述的方法。
根据本公开的第六方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行如上所述的方法。
根据本公开的第七方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如上所述的方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开第一实施例的示意图;
图2是根据本公开第二实施例的示意图;
图3是根据本公开第三实施例的示意图;
图4是根据本公开第四实施例的示意图;
图5是根据本公开第五实施例的示意图;
图6是用来实现本公开实施例的车辆定位方法或者定位模型的训练方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和机构的描述。
图1是根据本公开第一实施例的示意图。如图1所示,本实施例的车辆定位方法,具体包括如下步骤:
S101、获取车辆的传感器数据与矢量地图的地图图像,所述传感器数据包括点云数据与图像数据;
S102、从所述地图图像中提取图像特征点,使用所述图像特征点将所述点云数据投影到鸟瞰视图BEV平面,根据位于所述BEV平面中的矢量特征点获取目标定位元素;
S103、对所述图像数据进行编码,获取图像特征,根据所述图像特征与所述点云数据获取视觉BEV特征;
S104、根据所述目标定位元素与所述视觉BEV特征获取目标BEV特征,根据所述目标BEV特征获取所述车辆的位姿。
本实施例的车辆定位方法,在获取车辆的传感器数据与矢量地图的地图图像之后,一方面使用从地图图像中获取的图像特征点,将传感器数据中的点云数据投影到BEV平面,进而根据位于BEV平面中的矢量特征点获取目标定位元素,本实施例结合地图图像与点云数据获取目标定位元素,能够增强目标定位元素与车辆实际位置之间的关联性,还能够提升所获取的目标定位元素的准确性与丰富程度;另一方面根据传感器数据中的图像数据与点云数据获取视觉BEV特征,能够提升所获取的视觉BEV特征的准确性,且由于目标定位元素与视觉BEV特征均与点云数据具有关联关系,因此本实施例能够提升根据目标定位元素与视觉BEV特征所获取的位姿的准确性;本实施例还能够在当前的矢量地图中不包括相应的预设定位元素或者预设定位元素较少的情况下,结合根据地图图像与点云数据获取的目标定位元素、以及图像数据与点云数据获取的视觉BEV特征进行车辆定位,从而能够增加车辆定位的成功率。
本实施例中的车辆可以为具有自动驾驶能力的车辆,即自动驾驶车辆;本实施例中的车辆上会部署用于环境感知的多种传感器,例如摄像头、激光雷达等;其中,摄像头用于采集车辆周边环境的图像数据,激光雷达用于采集车辆周边环境的点云数据。
本实施例中的矢量地图为用标识、名称、位置、属性以及相互之间的拓扑关系等信息来表示地理元素的数据集合;矢量地图包括多个地理元素,每个元素以矢量数据结构进行存储;本实施例中用于车辆定位的定位元素即为矢量地图包括的地理元素。
矢量地图中的地理元素,包括道路元素和几何元素;其中,道路元素指的是道路中的具有特定语义的元素,包括车道线、路沿、停止线、人行横道、交通标识牌和杆等;几何元素指的是具有一定形状的元素,包括面元素、线元素等。
本实施例在执行S101时,可以将当前时刻由车辆上部署的传感器采集的数据作为传感器数据,将当前时刻车辆使用的矢量地图所对应的图像作为地图图像,即所获取的传感器数据与地图图像之间存在对应关系。
本实施例在执行S101获取传感器数据与地图图像之后,执行S102从地图图像中提取图像特征点,使用所提取的图像特征点将点云数据投影到鸟瞰视图(BEV,Bird’s EyeView)平面,根据位于BEV平面中的矢量特征点获取目标定位元素。
也就是说,本实施例将从地图图像中提取的图像特征点转换为位于BEV平面中的矢量特征点,进而根据位于BEV平面中各个BEV格子里的矢量特征点获取目标定位元素。
在本实施例中,BEV平面包括多个BEV格子,每个BEV格子对应不同的地理范围;BEV格子中包括的是由与图像特征点对应的3D空间点投影得到的矢量特征点,一个矢量特征点包括位于二维平面中同一位置处的至少一个3D空间点。
本实施例在执行S102从地图图像中提取图像特征点时,可以将地图图像输入预先训练得到的定位模型中的元素获取模块,根据元素获取模块中特征提取子模块的输出,获取地图图像中的图像特征点;本实施例执行S102在提取图像特征点的同时,还可以获取与图像特征点对应的特征点特征以及特征点分数,特征点分数用于表示当前提取的图像特征点属于实际的特征点的概率,特征点特征用于表示图像特征点的图像特征。
本实施例在执行S102时,也可以将地图图像输入到现有的特征提取网络,根据该特征提取网络的输出,获取地图图像中包括的图像特征点。
本实施例在执行S102使用所提取的图像特征点将点云数据投影到BEV平面时,可以采用的实现方式为:从点云数据中获取与所提取的图像特征点对应的3D空间点;将与所提取的图像特征点对应的3D空间点投影到BEV平面。
也就是说,本实施例在获取与图像特征点对应的3D空间点之后,将位于三维空间的3D空间点投影到二维空间的BEV平面,由于位于二维平面中同一位置处的多个3D空间点会投影到一个矢量特征点,因此本实施例中的一个矢量特征点会与至少一个图像特征点相对应。
本实施例在执行S102使用图像特征点将点云数据投影到BEV平面时,可以将点云数据与图像特征点输入预先训练得到的定位模型中的元素获取模块,由元素获取模块中的投影子模块,使用图像特征点将点云数据投影到BEV平面,该BEV平面的每个BEV格子中包含矢量特征点。
本实施例在执行S102根据位于BEV平面中的矢量特征点获取目标定位元素时,可以将每个BEV格子中包括的对应不同位置的全部矢量特征点作为目标定位元素。
本实施例在执行S102时,也可以对BEV平面中的矢量特征点进行过滤,例如根据每个矢量特征点包括的3D空间点的个数、3D空间点所对应的图像特征点的分数等信息进行筛选,将过滤之后剩余的矢量特征点(例如将3D空间点的数量小于预设数量阈值的矢量特征点进行过滤、或者将图像特征点的分数的平均值小于预设分数阈值的矢量特征点进行过滤)作为目标矢量特征点,进而将目标矢量特征点作为目标定位元素。
也就是说,本实施例能够进一步提升所获取的目标定位元素的准确性,从而相应地提升所获取的位姿的准确性。
本实施例在执行S102根据位于BEV平面中的矢量特征点获取目标定位元素时,可以将每个BEV格子中的矢量特征点输入预先训练得到的定位模型中的元素获取模块,根据元素获取模块中的特征点筛选子模块的输出,获取每个BEV格子中的目标矢量特征点,进而将目标矢量特征点作为目标定位元素。
也就是说,本实施例结合地图图像与点云数据(能够反映车辆所在的实际位置)获取目标定位元素,一方面能够增强目标定位元素与车辆实际位置之间的关联性,提升所获取的目标定位元素的准确性,另一方面根据从地图图像中获取的图像特征点来获取目标定位元素,还能够提升所获取的目标定位元素的丰富程度,进而根据准确性与丰富程度更高的目标定位元素来实现更加准确地进行车辆定位的目的。
本实施例在执行S102获取目标定位元素之后,执行S103对图像数据进行编码,获取图像特征,根据图像特征与点云数据获取视觉BEV特征。
也就是说,由于图像特征是根据二维的图像数据所得到,因此本实施例结合三维的点云数据对图像特征进行处理,使得最终获取的视觉BEV特征包括空间信息,进而提升在根据视觉BEV特征与目标定位元素所获取的匹配结果的准确性。
本实施例在执行S103时,可以将图像数据输入预先训练得到的定位模型中的视觉BEV特征提取模块,根据视觉BEV特征提取模块中的相机编码器子模块的输出,获取图像数据对应的图像特征。
本实施例在执行S103时,也可以将图像数据输入现有的图像编码器,将图像编码器的输出,作为与图像数据对应的图像特征。
本实施例在执行S103根据图像特征与点云数据获取视觉BEV特征时,可以将图像特征与点云数据输入预先训练得到的定位模型中的视觉BEV特征提取模块,根据视觉BEV特征提取模块中的空间交叉注意力子模块的输出,获取视觉BEV特征。
本实施例在执行S103获取视觉BEV特征之后,执行S104根据目标定位元素与视觉BEV特征获取目标BEV特征,根据目标BEV特征获取车辆的位姿数据。
本实施例在执行S104根据目标定位元素与视觉BEV特征获取目标BEV特征时,可以采用的实现方式为:对目标定位元素进行位置编码,获取叠加有位置信息的目标定位元素;对视觉BEV特征进行位置编码,获取叠加有位置信息的视觉BEV特征;将叠加有位置信息的目标定位元素以及叠加有位置信息的视觉BEV特征进行匹配,根据具有对应关系的目标定位元素与视觉BEV特征,获取目标BEV特征,例如将与目标定位元素具有对应关系的视觉BEV特征,作为目标BEV特征。
本实施例在执行S104根据目标定位元素与视觉BEV特征获取目标BEV特征时,可以将目标定位元素与视觉BEV特征输入预先训练得到的定位模型中的定位模块,根据定位模块中的匹配子模块的输出,获取目标BEV特征。
本实施例在执行S104根据目标BEV特征获取车辆的位姿数据时,可以将目标BEV特征输入预先训练得到的定位模型中的定位模块,根据定位模块中的位姿解算子模块的输出,获取目标车辆的位姿数据。
另外,本实施例在执行S104时,若根据定位模块中的匹配子模块获取目标BEV特征,匹配子模块可能会对目标定位元素进行语义嵌入,以将目标定位元素中与预设定位元素之间存在重复的定位元素进行去除。
因此,本实施例在将叠加有位置信息的目标定位元素以及叠加有位置信息的视觉BEV特征进行匹配时,还可能需要获取预设定位元素,进而将叠加有位置信息的目标定位元素与叠加有位置信息的预设定位元素,与叠加有位置信息的视觉BEV特征进行匹配。
图2是根据本公开第二实施例的示意图。如图2所示,本实施例的定位模型的训练方法,具体包括如下步骤:
S201、获取样本数据组,所述样本数据组中包括样本地图图像、样本点云数据、样本图像数据与实际位姿;
S202、将所述样本地图图像与所述样本点云数据输入初始定位模型的元素获取模块,获取样本目标定位元素;
S203、将所述样本点云数据与所述样本图像数据输入所述初始定位模型的视觉BEV特征提取模块,获取样本视觉BEV特征;
S204、将所述样本目标定位元素与所述样本视觉BEV特征输入所述初始定位模型的定位模块,获取预测位姿;
S205、根据所述实际位姿与所述预测位姿计算损失函数值,根据所述损失函数值调整所述初始定位模型的参数,得到定位模型。
本实施例执行S201时,可以获取多个样本数据组,进而针对每个样本数据组分别获取预测位姿,使用所获取的预测位姿与样本数据组中包括的实际位姿计算损失函数值。
在本实施例中,初始定位模型包含元素获取模块、视觉BEV特征提取模块与定位模块;其中,元素获取模块包括特征提取子模块、投影子模块,还可以进一步包括特征点筛选子模块;视觉BEV特征提取模块包括相机编码器子模块、空间交叉注意力子模块;定位模块包括匹配子模块、位姿解算子模块。
本实施例在执行S202将样本地图图像与样本点云数据输入初始定位模型的元素获取模块,获取样本目标定位元素时,可以采用以下方式:将样本地图图像输入特征提取子模块,根据特征提取子模块的输出获取样本图像特征点;将样本图像特征点与样本点云数据输入投影子模块,以用于投影子模块使用样本图像特征点将样本点云数据投影到样本BEV平面;根据位于样本BEV平面中的矢量特征点获取样本目标定位元素。
其中,特征提取子模块用于从所输入的样本地图图像中提取图像特征点;该特征提取子模块在能够提取图像特征点的同时,还能够输出与所提取的每个图像特征点对应的特征点分数、特征点特征、特征点分类概率(特征点属于前景还是背景的概率)。
若元素获取模块中不包括特征点筛选子模块,本实施例执行S202时将位于样本BEV平面中的全部矢量特征点,作为样本目标定位元素。
特征点筛选子模块用于对投影子模块输出的样本BEV平面中的矢量特征点进行筛选,仅保留有价值的矢量特征点,作为样本目标定位元素。
本实施例中的特征点筛选子模块由多层感知机(MLP,Multilayer Perceptron)层与最大池化(Max Pooling)层构成;将投影子模块投影得到的BEV平面先输入到多层感知机层,获取BEV平面的热力图;然后再将BEV平面的热力图输入到最大池化层,由最大池化层根据BEV平面的热力图从中选取具有价值的矢量特征点。
本实施例在执行S203将样本点云数据与样本图像数据输入初始定位模型的视觉BEV特征提取模块,获取样本视觉BEV特征时,可以采用以下方式:将样本图像数据输入相机编码器子模块,根据相机编码器子模块的输出获取样本图像特征;将样本图像特征与样本点云数据输入空间交叉注意力子模块,根据空间交叉注意力子模块的输出,获取样本视觉BEV特征。
本实施例在执行S204将样本目标定位元素与样本视觉BEV特征输入所述初始定位模型的定位模块,获取预测位姿时,可以采用以下方式:将样本目标定位元素与样本视觉BEV特征输入匹配子模块,根据匹配子模块的输出获取样本目标BEV特征;将样本目标BEV特征输入位姿解算子模块,根据位姿解算子模块的输出获取预测位姿。
另外,本实施例中的匹配子模块还可以对目标定位元素进行语义嵌入,从而将目标定位元素中与预设定位元素之间存在重复的定位元素进行删除。
本实施例在执行S206根据预测位姿与实际位姿计算损失函数值,进而根据损失函数值对初始定位模型中的各模块的参数进行调整,从而得到定位模型。
本实施例执行S206所得到的定位模型,可以根据所输入的地图图像、点云数据与图像数据,对车辆的位姿进行预测,从而完成车辆的定位。
图3是根据本公开第三实施例的示意图。图3中示出了本实施例的定位模型的结构图:定位模型包括元素获取模块、视觉BEV特征提取模块与定位模块;元素获取模块包括特征提取子模块、投影子模块与特征点筛选子模块,用于根据地图图像与点云数据输出目标定位元素;视觉BEV特征提取模块包括相机编码器子模块、空间交叉注意力子模块,用于根据图像数据与点云数据输出视觉BEV特征;定位模块包括匹配子模块与位姿解算子模块,用于根据目标定位元素与视觉BEV特征输出位姿。
图4是根据本公开第四实施例的示意图。如图4所示,本实施例的车辆定位装置400,包括:
第一获取单元401、用于获取车辆的传感器数据与矢量地图的地图图像,所述传感器数据包括点云数据与图像数据;
第一处理单元402、用于从所述地图图像中提取图像特征点,使用所述图像特征点将所述点云数据投影到鸟瞰视图BEV平面,根据位于所述BEV平面中的矢量特征点获取目标定位元素;
第三处理单元403、用于对所述图像数据进行编码,获取图像特征,根据所述图像特征与所述点云数据获取视觉BEV特征;
第一定位单元404、用于根据所述目标定位元素与所述视觉BEV特征获取目标BEV特征,根据所述目标BEV特征获取所述车辆的位姿。
第一获取单元401可以将当前时刻由车辆上部署的传感器采集的数据作为传感器数据,将当前时刻车辆使用的矢量地图所对应的图像作为地图图像,即所获取的传感器数据与地图图像之间存在对应关系。
本实施例在由第一获取单元401获取传感器数据与地图图像之后,由第一处理单元402从地图图像中提取图像特征点,使用图像特征点将点云数据投影到鸟瞰视图(BEV,Bird’s Eye View)平面,根据位于BEV平面中的矢量特征点确定目标定位元素。
也就是说,第一处理单元402将从地图图像中提取的图像特征点转换为位于BEV平面中的矢量特征点,进而根据位于BEV平面中各个BEV格子里的矢量特征点获取目标定位元素。
在本实施例中,BEV平面包括多个BEV格子,每个BEV格子对应不同的地理范围;BEV格子中包括的是由与图像特征点对应的3D空间点投影得到的矢量特征点,一个矢量特征点包括位于二维平面中同一位置处的至少一个3D空间点。
第一处理单元402在从地图图像中提取图像特征点时,可以将地图图像输入预先训练得到的定位模型中的元素获取模块,根据元素获取模块中的特征提取子模块的输出,获取地图图像中的图像特征点;第一处理单元402在提取图像特征点的同时,还可以获取与图像特征点对应的特征点特征以及特征点分数,特征点分数用于表示当前提取的图像特征点属于实际的特征点的概率,特征点特征用于表示图像特征点的图像特征。
第一处理单元402也可以将地图图像输入到现有的特征提取网络,根据该特征提取网络的输出,获取地图图像中包括的图像特征点。
第一处理单元402在使用所提取的图像特征点将点云数据与投影到BEV平面时,可以采用的实现方式为:从点云数据中获取与所提取的图像特征点对应的3D空间点;将与所提取的图像特征点对应的3D空间点投影到BEV平面。
也就是说,第一处理单元402在获取与图像特征点对应的3D空间点之后,将位于三维空间的3D空间点投影到二维空间的BEV平面,由于位于二维平面中同一位置处的多个3D空间点会投影到一个矢量特征点,因此本实施例中的一个矢量特征点会与至少一个图像特征点相对应。
第一处理单元402在使用图像特征点将点云数据投影到BEV平面时,可以将点云数据与提取得到的图像特征点输入预先训练得到的定位模型中的元素获取模块,由元素获取模块中的投影子模块,使用图像特征点将点云数据投影到BEV平面,该BEV平面的每个BEV格子中包含矢量特征点。
第一处理单元402在根据位于BEV格子中的矢量特征点获取目标定位元素时,可以将每个BEV格子中包括的对应不同位置的全部矢量特征点作为目标定位元素。
第一处理单元402也可以对BEV平面中的矢量特征点进行过滤,例如根据每个矢量特征点包括的3D空间点的个数、3D空间点所对应的图像特征点的分数等信息进行筛选,将过滤之后剩余的矢量特征点作为目标矢量特征点,进而将目标矢量特征点作为目标定位元素。
也就是说,第一处理单元402能够进一步提升所获取的目标定位元素的准确性,从而相应地提升所获取的位姿的准确性。
第一处理单元402在根据位于BEV格子中的矢量特征点获取目标定位元素时,可以将每个BEV格子中的矢量特征点输入预先训练得到的定位模型中的元素获取模块,根据元素获取模块中的特征点筛选子模块的输出,获取每个BEV格子中的目标矢量特征点,进而将目标矢量特征点作为目标定位元素。
也就是说,第一处理单元402结合地图图像与点云数据(能够反映车辆所在的实际位置)获取目标定位元素,一方面能够增强目标定位元素与车辆实际位置之间的关联性,提升所获取的目标定位元素的准确性,另一方面根据从地图图像中获取的图像特征点来获取目标定位元素,还能够提升所获取的目标定位元素的丰富程度,进而根据准确性与丰富程度更高的目标定位元素来实现更加准确地进行车辆定位的目的。
本实施例在由第一处理单元402获取目标定位元素之后,由第二处理单元403对图像数据进行编码,获取图像特征,根据图像特征与点云数据获取视觉BEV特征。
也就是说,由于图像特征是根据二维的图像数据所得到,因此第二处理单元403结合三维的点云数据对图像特征进行处理,使得最终获取的视觉BEV特征包括空间信息,进而提升在根据视觉BEV特征与目标定位元素所获取的匹配结果的准确性。
第二处理单元403可以将图像数据输入预先训练得到的定位模型中的视觉BEV特征提取模块,根据视觉BEV特征提取模块中的相机编码器子模块的输出,获取图像数据对应的图像特征。
第二处理单元403也可以将图像数据输入现有的图像编码器,将图像编码器的输出,作为与图像数据对应的图像特征。
第二处理单元403在根据图像特征与点云数据获取视觉BEV特征时,可以将图像特征与点云数据输入预先训练得到的定位模型中的视觉BEV特征提取模块,根据视觉BEV特征提取模块中的空间交叉注意力子模块的输出,获取视觉BEV特征。
本实施例在由第二处理单元403获取视觉BEV特征之后,由第一定位单元404根据目标定位元素与视觉BEV特征获取目标BEV特征,根据目标BEV特征获取车辆的位姿数据。
第一定位单元404在根据目标定位元素与视觉BEV特征获取目标BEV特征时,可以采用的实现方式为:对目标定位元素进行位置编码,获取叠加有位置信息的目标定位元素;对视觉BEV特征进行位置编码,获取叠加有位置信息的视觉BEV特征;将叠加有位置信息的目标定位元素以及叠加有位置信息的视觉BEV特征进行匹配,根据具有对应关系的目标定位元素与视觉BEV特征,获取目标BEV特征,例如将与目标定位元素具有对应关系的视觉BEV特征,作为目标BEV特征。
第一定位单元404在根据目标定位元素与视觉BEV特征获取目标BEV特征时,可以将目标定位元素与视觉BEV特征输入预先训练得到的定位模型中的定位模块,根据定位模块中的匹配子模块的输出,获取目标BEV特征。
第一定位单元404在根据目标BEV特征获取车辆的位姿数据时,可以将目标BEV特征输入预先训练得到的定位模型中的定位模块,根据定位模块中的位姿解算子模块的输出,获取目标车辆的位姿数据。
另外,第一定位单元404若根据定位模块中的匹配子模块获取目标BEV特征,匹配子模块可能会对目标定位元素进行语义嵌入,以将目标定位元素中与预设定位元素之间存在重复的定位元素进行去除。
因此,第一定位单元404将叠加有位置信息的目标定位元素以及叠加有位置信息的视觉BEV特征进行匹配时,还可能需要获取预设定位元素,进而将叠加有位置信息的目标定位元素与叠加有位置信息的预设定位元素,与叠加有位置信息的视觉BEV特征进行匹配。
图5是根据本公开第五实施例的示意图。如图5所示,本实施例的定位模型的训练装置500,包括:
第二获取单元501、用于获取样本数据组,所述样本数据组中包括样本地图图像、样本点云数据、样本图像数据与实际位姿;
第三处理单元502、用于将所述样本地图图像与所述样本点云数据输入所述元素获取模块,获取样本目标定位元素;
第四处理单元503、用于将所述样本点云数据与所述样本图像数据输入所述视觉BEV特征提取模块,获取样本视觉BEV特征;
第二定位单元504、用于将所述样本目标定位元素与所述样本视觉BEV特征输入所述定位模块,获取预测位姿;
训练单元505、用于根据所述实际位姿与所述预测位姿计算损失函数值,根据所述损失函数值调整所述神经网络模型的参数,得到定位模型。
第二获取单元501可以获取多个样本数据组,进而针对每个样本数据组分别获取预测位姿,使用所获取的预测位姿与样本数据组中包括的实际位姿计算损失函数。
第三处理单元502在将样本地图图像与样本点云数据输入初始定位模型的元素获取模块,获取样本目标定位元素时,可以采用以下方式:将样本地图图像输入特征提取子模块,根据特征提取子模块的输出获取样本图像特征点;将样本图像特征点与样本点云数据输入投影子模块,以用于投影子模块使用样本图像特征点将样本点云数据投影到样本BEV平面;根据位于样本BEV平面中的矢量特征点获取样本目标定位元素。
其中,特征提取子模块用于从所输入的样本地图图像中提取图像特征点;该特征提取子模块在能够提取图像特征点的同时,还能够输出与所提取的每个图像特征点对应的特征点分数、特征点特征、特征点分类概率(特征点属于前景还是背景的概率)。
若元素获取模块中不包括特征点筛选子模块,第三处理单元502将位于样本BEV平面中的全部矢量特征点作为样本目标定位元素。
特征点筛选子模块用于对投影子模块输出的样本BEV平面中的矢量特征点进行筛选,仅保留有价值的矢量特征点,作为样本目标定位元素。
本实施例中的特征点筛选子模块由多层感知机(MLP,Multilayer Perceptron)层与最大池化(Max Pooling)层构成;将投影子模块投影得到的BEV平面先输入到多层感知机层,获取BEV平面的热力图;然后再将BEV平面的热力图输入到最大池化层,由最大池化层根据BEV平面的热力图从中选取具有价值的矢量特征点。
第四处理单元503在将样本点云数据与样本图像数据输入初始定位模型的视觉BEV特征提取模块,获取样本视觉BEV特征时,可以采用以下方式:将样本图像数据输入相机编码器子模块,根据相机编码器子模块的输出获取样本图像特征;将样本图像特征与样本点云数据输入空间交叉注意力子模块,根据空间交叉注意力子模块的输出,获取样本视觉BEV特征。
第二定位单元504在将样本目标定位元素与样本视觉BEV特征输入所述初始定位模型的定位模块,获取预测位姿时,可以采用以下方式:将样本目标定位元素与样本视觉BEV特征输入匹配子模块,根据匹配子模块的输出获取样本目标BEV特征;将样本目标BEV特征输入位姿解算子模块,根据位姿解算子模块的输出获取预测位姿。
另外,本实施例中的匹配子模块还可以对目标定位元素进行语义嵌入,从而将目标定位元素中与预设定位元素之间存在重复的定位元素进行删除。
训练单元505根据预测位姿与实际位姿计算损失函数值,进而根据损失函数值对初始定位模型中的各模块的参数进行调整,从而得到定位模型。
本实施例通过训练单元505所得到的定位模型,可以根据所输入的地图图像、点云数据与图像数据,对车辆的位姿进行预测,从而完成车辆的定位。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
如图6所示,是根据本公开实施例的车辆定位方法或者定位模型的训练方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示,设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的展示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理,例如车辆定位方法或者定位模型的训练方法。例如,在一些实施例中,车辆定位方法或者定位模型的训练方法可被实现为计算机软件程序,其被有形地包括于机器可读介质,例如存储单元608。
在一些实施例中,计算机程序的部分或者全部可以经由ROM602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM603并由计算单元601执行时,可以执行上文描述的车辆定位方法或者定位模型的训练方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行车辆定位方法或者定位模型的训练方法。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程车辆定位或者定位模型的训练装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包括或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户展示信息的展示装置(例如,CRT(阴极射线管)或者LCD(液晶展示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务(“Virtual Private Server”,或简称“VPS”)中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包括在本公开保护范围之内。
Claims (25)
1.一种车辆定位方法,包括:
获取车辆的传感器数据与矢量地图的地图图像,所述传感器数据包括点云数据与图像数据;
从所述地图图像中提取图像特征点,使用所述图像特征点将所述点云数据投影到鸟瞰视图BEV平面,根据位于所述BEV平面中的矢量特征点获取目标定位元素;
对所述图像数据进行编码,获取图像特征,根据所述图像特征与所述点云数据获取视觉BEV特征;
根据所述目标定位元素与所述视觉BEV特征获取目标BEV特征,根据所述目标BEV特征获取所述车辆的位姿。
2.根据权利要求1所述的方法,其中,所述使用所述图像特征点将所述点云数据投影到鸟瞰视图BEV平面包括:
从所述点云数据中获取与所述图像特征点对应的3D空间点;
将所述3D空间点投影到所述BEV平面。
3.根据权利要求1所述的方法,其中,所述根据所述目标定位元素与所述视觉BEV特征获取目标BEV特征包括:
对所述目标定位元素进行位置编码,获取叠加有位置信息的目标定位元素;
对所述视觉BEV特征进行位置编码,获取叠加有位置信息的视觉BEV特征;
将叠加有位置信息的目标定位元素以及叠加有位置信息的视觉BEV特征进行匹配,根据具有对应关系的目标定位元素与视觉BEV特征,获取所述目标BEV特征。
4.根据权利要求1所述的方法,其中,所述从所述地图图像中提取图像特征点包括:
将所述地图图像输入定位模型;
根据所述定位模型中特征提取子模块的输出,获取所述图像特征点。
5.根据权利要求1所述的方法,其中,所述使用所述图像特征点将所述点云数据投影到鸟瞰视图BEV平面包括:
将所述点云数据与所述图像特征点输入定位模型,以用于所述定位模型中的投影子模块使用所述图像特征点将所述点云数据投影到BEV平面。
6.根据权利要求1所述的方法,其中,所述对所述图像数据进行编码,获取图像特征包括:
将所述图像数据输入定位模型;
根据所述定位模型中相机编码器子模块的输出,获取所述图像特征。
7.根据权利要求1所述的方法,其中,所述根据所述图像特征与所述点云数据获取视觉BEV特征包括:
将所述图像特征与所述点云数据输入定位模型;
根据所述定位模型中空间交叉注意力子模块的输出,获取所述视觉BEV特征。
8.根据权利要求1所述的方法,其中,所述根据所述目标定位元素与所述视觉BEV特征获取目标BEV特征包括:
将所述目标定位元素与所述视觉BEV特征输入定位模型;
根据所述定位模型中匹配子模块的输出,获取所述目标BEV特征。
9.根据权利要求1所述的方法,其中,所述根据所述目标BEV特征获取所述车辆的位姿包括:
将所述目标BEV特征输入定位模型;
根据所述定位模型中位姿解算子模块的输出,获取所述车辆的位姿。
10.一种定位模型的训练方法,包括:
获取样本数据组,所述样本数据组中包括样本地图图像、样本点云数据、样本图像数据与实际位姿;
将所述样本地图图像与所述样本点云数据输入初始定位模型的元素获取模块,获取样本目标定位元素;
将所述样本点云数据与所述样本图像数据输入所述初始定位模型的视觉BEV特征提取模块,获取样本视觉BEV特征;
将所述样本目标定位元素与所述样本视觉BEV特征输入所述初始定位模型的定位模块,获取预测位姿;
根据所述实际位姿与所述预测位姿计算损失函数值,根据所述损失函数值调整所述初始定位模型的参数,得到定位模型。
11.根据权利要求10所述的方法,其中,所述元素获取模块包括特征提取子模块与投影子模块;
所述将所述样本地图图像与所述样本点云数据输入初始定位模型的元素提取模块,获取样本目标定位元素包括:
将所述样本地图图像输入所述特征提取子模块,根据所述特征提取子模块的输出获取样本图像特征点;
将所述样本图像特征点与所述样本点云数据输入所述投影子模块,以用于所述投影子模块使用所述样本图像特征点将所述样本点云数据投影到样本BEV平面;
根据位于所述样本BEV平面中的矢量特征点获取所述样本目标定位元素。
12.根据权利要求10所述的方法,其中,所述视觉BEV特征提取模块包括相机编码器子模块与空间交叉注意力子模块;
所述将所述样本点云数据与所述样本图像数据输入所述初始定位模型的视觉BEV特征提取模块,获取样本视觉BEV特征包括:
将所述样本图像数据输入所述相机编码器子模块,根据所述相机编码器子模块的输出获取样本图像特征;
将所述样本图像特征与所述样本点云数据输入所述空间交叉注意力子模块,根据所述空间交叉注意力子模块的输出获取所述样本视觉BEV特征。
13.根据权利要求10所述的方法,其中,所述定位模块包括匹配子模块与位姿解算子模块;
将所述样本目标定位元素与所述样本视觉BEV特征输入所述初始定位模型的定位模块,获取预测位姿包括:
将所述样本目标定位元素与所述样本视觉BEV特征输入所述匹配子模块,根据所述匹配子模块的输出获取样本目标BEV特征;
将所述样本目标BEV特征输入所述位姿解算子模块,根据所述位姿解算子模块的输出获取所述预测位姿。
14.根据权利要求11所述的方法,其中,所述元素获取模块还包括特征点筛选子模块;
所述特征点筛选子模块用于对所述样本BEV平面中的矢量特征点进行筛选,根据筛选得到的矢量特征点获取所述样本目标定位元素。
15.一种车辆定位装置,包括:
第一获取单元,用于获取车辆的传感器数据与矢量地图的地图图像,所述传感器数据包括点云数据与图像数据;
第一处理单元,用于从所述地图图像中提取图像特征点,使用所述图像特征点将所述点云数据投影到鸟瞰视图BEV平面,根据位于所述BEV平面中的矢量特征点获取目标定位元素;
第二处理单元,用于对所述图像数据进行编码,获取图像特征,根据所述图像特征与所述点云数据获取视觉BEV特征;
第一定位单元,用于根据所述目标定位元素与所述视觉BEV特征获取目标BEV特征,根据所述目标BEV特征获取所述车辆的位姿。
16.根据权利要求15所述的装置,其中,所述第一处理单元在使用所述图像特征点将所述点云数据投影到鸟瞰视图BEV平面时,具体执行:
从所述点云数据中获取与所述图像特征点对应的3D空间点;
将所述3D空间点投影到所述BEV平面。
17.根据权利要求16所述的装置,其中,所述定位单元在根据所述目标定位元素与所述视觉BEV特征获取目标BEV特征时,具体执行:
对所述目标定位元素进行位置编码,获取叠加有位置信息的目标定位元素;
对所述视觉BEV特征进行位置编码,获取叠加有位置信息的视觉BEV特征;
将叠加有位置信息的目标定位元素以及叠加有位置信息的视觉BEV特征进行匹配,根据具有对应关系的目标定位元素与视觉BEV特征,获取所述目标BEV特征。
18.一种定位模型的训练装置,包括:
第二获取单元,用于获取样本数据组,所述样本数据组中包括样本地图图像、样本点云数据、样本图像数据与实际位姿;
第三处理单元,用于将所述样本地图图像与所述样本点云数据输入初始定位模型的元素获取模块,获取样本目标定位元素;
第四处理单元,用于将所述样本点云数据与所述样本图像数据输入所述初始定位模型的视觉BEV特征提取模块,获取样本视觉BEV特征;
第二定位单元,用于将所述样本目标定位元素与所述样本视觉BEV特征输入所述初始定位模型的定位模块,获取预测位姿;
训练单元,用于根据所述实际位姿与所述预测位姿计算损失函数值,根据所述损失函数值调整所述神经网络模型的参数,得到定位模型。
19.根据权利要求18所述的装置,其中,所述元素获取模块包括特征提取子模块与投影子模块;
所述第三处理单元在将所述样本地图图像与所述样本点云数据输入初始定位模型的元素获取模块,获取样本目标定位元素时,具体执行:
将所述样本地图图像输入所述特征提取子模块,根据所述特征提取子模块的输出获取样本图像特征点;
将所述样本图像特征点与所述样本点云数据输入所述投影子模块,以用于所述投影子模块使用所述样本图像特征点将所述样本点云数据投影到样本BEV平面;
根据位于所述样本BEV平面中的矢量特征点获取所述样本目标定位元素。
20.根据权利要求18所述的装置,其中,所述视觉BEV特征提取模块包括相机编码器子模块与空间交叉注意力子模块;
所述第四处理单元在将所述样本点云数据与所述样本图像数据输入所述初始定位模型的视觉BEV特征提取模块,获取样本视觉BEV特征时,具体执行:
将所述样本图像数据输入所述相机编码器子模块,根据所述相机编码器子模块的输出获取样本图像特征;
将所述样本图像特征与所述样本点云数据输入所述空间交叉注意力子模块,根据所述空间交叉注意力子模块的输出获取所述样本视觉BEV特征。
21.根据权利要求18所述的装置,其中,所述定位模块包括匹配子模块与位姿解算子模块;
所述第二定位单元在将所述样本目标定位元素与所述样本视觉BEV特征输入所述初始定位模型的定位模块,获取预测位姿时,具体执行:
将所述样本目标定位元素与所述样本视觉BEV特征输入所述匹配子模块,根据所述匹配子模块的输出获取样本目标BEV特征;
将所述样本目标BEV特征输入所述位姿解算子模块,根据所述位姿解算子模块的输出获取所述预测位姿。
22.根据权利要求19所述的装置,其中,所述元素获取模块还包括特征点筛选子模块;
所述特征点筛选子模块用于对所述样本BEV平面中的矢量特征点进行筛选,根据筛选得到的矢量特征点获取所述样本目标定位元素。
23.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-14中任一项所述的方法。
24.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行权利要求1-14中任一项所述的方法。
25.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-14中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311585181.4A CN117726786A (zh) | 2023-11-24 | 2023-11-24 | 车辆定位方法与定位模型的训练方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311585181.4A CN117726786A (zh) | 2023-11-24 | 2023-11-24 | 车辆定位方法与定位模型的训练方法、装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117726786A true CN117726786A (zh) | 2024-03-19 |
Family
ID=90198808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311585181.4A Pending CN117726786A (zh) | 2023-11-24 | 2023-11-24 | 车辆定位方法与定位模型的训练方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117726786A (zh) |
-
2023
- 2023-11-24 CN CN202311585181.4A patent/CN117726786A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113177968A (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
CN113869429A (zh) | 模型训练方法及图像处理方法 | |
CN113724388B (zh) | 高精地图的生成方法、装置、设备以及存储介质 | |
CN113705716B (zh) | 图像识别模型训练方法、设备、云控平台及自动驾驶车辆 | |
CN113706704B (zh) | 基于高精地图规划路线的方法、设备以及自动驾驶车辆 | |
CN113947188A (zh) | 目标检测网络的训练方法和车辆检测方法 | |
CN116188893A (zh) | 基于bev的图像检测模型训练及目标检测方法和装置 | |
CN114743178B (zh) | 道路边缘线生成方法、装置、设备及存储介质 | |
CN116052097A (zh) | 一种地图要素检测方法、装置、电子设备和存储介质 | |
CN114111813B (zh) | 高精地图元素更新方法、装置、电子设备及存储介质 | |
CN111597986A (zh) | 用于生成信息的方法、装置、设备和存储介质 | |
CN116664997A (zh) | 一种感知融合系统、电子设备和存储介质 | |
CN116152702A (zh) | 点云标签的获取方法、装置、电子设备和自动驾驶车辆 | |
CN115830268A (zh) | 用于优化感知算法的数据的获取方法、装置和存储介质 | |
CN117726786A (zh) | 车辆定位方法与定位模型的训练方法、装置 | |
CN114708498A (zh) | 图像处理方法、装置、电子设备以及存储介质 | |
CN115240171B (zh) | 道路结构感知方法及装置 | |
CN115049895B (zh) | 一种图像属性识别方法、属性识别模型训练方法及装置 | |
CN113806361B (zh) | 电子监控设备与道路的关联方法、装置及存储介质 | |
CN114972988B (zh) | 一种路网提取方法、装置、设备及存储介质 | |
CN115131562B (zh) | 三维场景分割方法、模型训练方法、装置和电子设备 | |
CN117853614A (zh) | 高精地图元素变更情况的检测方法、装置和车辆 | |
CN117746417A (zh) | 目标检测模型构建方法、目标检测方法及相关装置 | |
CN115876210A (zh) | 地图数据生成方法、装置、电子设备及存储介质 | |
CN116844133A (zh) | 目标检测方法、装置、电子设备和介质 |
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 |