[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN115240171B - 道路结构感知方法及装置 - Google Patents

道路结构感知方法及装置 Download PDF

Info

Publication number
CN115240171B
CN115240171B CN202210987210.9A CN202210987210A CN115240171B CN 115240171 B CN115240171 B CN 115240171B CN 202210987210 A CN202210987210 A CN 202210987210A CN 115240171 B CN115240171 B CN 115240171B
Authority
CN
China
Prior art keywords
road structure
road
perception
network
training sample
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
Application number
CN202210987210.9A
Other languages
English (en)
Other versions
CN115240171A (zh
Inventor
刘宗岱
万吉
叶晓青
王军
王井东
王亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Apollo Intelligent Connectivity Beijing Technology Co Ltd
Original Assignee
Apollo Intelligent Connectivity Beijing Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Apollo Intelligent Connectivity Beijing Technology Co Ltd filed Critical Apollo Intelligent Connectivity Beijing Technology Co Ltd
Priority to CN202210987210.9A priority Critical patent/CN115240171B/zh
Publication of CN115240171A publication Critical patent/CN115240171A/zh
Application granted granted Critical
Publication of CN115240171B publication Critical patent/CN115240171B/zh
Priority to US18/235,310 priority patent/US20230391341A1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B60W40/06—Road conditions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本公开提供了一种道路结构感知方法、装置、电子设备、存储介质及程序产品，涉及人工智能技术领域，具体涉及深度学习、自动驾驶技术领域。具体实现方案为：根据地图数据，确定表征当前位置周围的道路结构的第一感知结果；通过预训练的道路结构感知模型，确定表征当前位置周围的道路结构的第二感知结果；根据第一感知结果和第二感知结果，生成表征当前位置周围的道路结构的最终感知结果。本公开结合两种道路结构感知方式，在保证道路结构感知的适用范围的基础上，提高了道路结构感知结果的准确度。

Description

道路结构感知方法及装置
技术领域
本公开涉及人工智能技术领域，具体涉及深度学习、自动驾驶技术领域，尤其涉及道路结构感知方法、装置以及道路结构感知模型的训练方法、装置、电子设备以及存储介质，可用于自动驾驶场景下。
背景技术
在自动驾驶系统中，道路结构信息是决策规划模块的重要输入，是执行直行、转弯或变道等动作指令，安全快速地到达目的地的基础。道路结构信息包括周围车道线、路沿、停止线等关键道路元素的三维拓扑信息，现有技术中，道路结构信息的感知结果的准确度较低。
发明内容
本公开提供了一种道路结构感知方法、装置以及道路结构感知模型的训练方法、装置、电子设备以及存储介质。
根据第一方面，提供了一种道路结构感知方法，包括：根据地图数据，确定表征当前位置周围的道路结构的第一感知结果；通过预训练的道路结构感知模型，确定表征当前位置周围的道路结构的第二感知结果；根据第一感知结果和第二感知结果，生成表征当前位置周围的道路结构的最终感知结果。
根据第二方面，提供了一种道路结构感知模型的训练方法，包括：基于地图数据，生成训练样本集，其中，训练样本集中的训练样本包括表征同一位置周围的环境信息的、不同角度的多个图像和道路结构元素标签；利用机器学习方法，以训练样本中的多个图像为输入，以训练样本中的道路结构元素标签为期望输出，训练初始道路结构感知模型，得到训练后的道路结构感知模型。
根据第三方面，提供了一种道路结构感知装置，包括：第一确定单元，被配置成根据地图数据，确定表征当前位置周围的道路结构的第一感知结果；第二确定单元，被配置成通过预训练的道路结构感知模型，确定表征当前位置周围的道路结构的第二感知结果；第一生成单元，被配置成根据第一感知结果和第二感知结果，生成表征当前位置周围的道路结构的最终感知结果。
根据第四方面，提供了一种道路结构感知模型的训练装置，包括：第二生成单元，被配置成基于地图数据，生成训练样本集，其中，训练样本集中的训练样本包括表征同一位置周围的环境信息的、不同角度的多个图像和道路结构元素标签；训练单元，被配置成利用机器学习方法，以训练样本中的多个图像为输入，以训练样本中的道路结构元素标签为期望输出，训练初始道路结构感知模型，得到训练后的道路结构感知模型。
根据第五方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面、第二方面任一实现方式描述的方法。
根据第六方面，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，计算机指令用于使计算机执行如第一方面、第二方面任一实现方式描述的方法。
根据本公开的技术，提供了一种道路结构感知方法，根据地图数据，确定表征当前位置周围的道路结构的第一感知结果；通过道路结构感知模型，确定表征当前位置周围的道路结构的第二感知结果；根据第一感知结果和第二感知结果，生成最终感知结果，结合两种道路结构感知方式，在保证道路结构感知的适用范围的基础上，提高了道路结构感知结果的准确度。
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是根据本公开的一个实施例可以应用于其中的示例性系统架构图；
图2是根据本公开的道路结构感知方法的一个实施例的流程图；
图3是根据本实施例的道路结构感知方法的应用场景的示意图；
图4是根据本公开的道路结构感知模型的结构示意图；
图5是根据本公开的道路结构感知方法的又一个实施例的流程图；
图6是根据本公开的道路结构感知模型的训练方法的一个实施例的流程图；
图7是根据本公开的道路结构感知装置的一个实施例的结构图；
图8是根据本公开的道路结构感知模型的训练装置的一个实施例的结构图；
图9是适于用来实现本公开实施例的计算机系统的结构示意图。
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结构的描述。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
图1示出了可以应用本公开的道路结构感知方法及装置、道路结构感知模型的训练方法及装置的示例性架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。终端设备101、102、103之间通信连接构成拓扑网络，网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
终端设备101、102、103可以是支持网络连接从而进行数据交互和数据处理的硬件设备或软件。当终端设备101、102、103为硬件时，其可以是支持网络连接，信息获取、交互、显示、处理等功能的各种电子设备，包括但不限于图像采集装置、定位装置、车载电脑、智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如，通过终端设备101、102、103提供的图像、位置，根据地图数据，确定表征当前位置周围的道路结构的第一感知结果；通过道路结构感知模型，确定表征当前位置周围的道路结构的第二感知结果；结合第一感知结果和第二感知结果，生成表征当前位置周围的道路结构的最终感知结果的后台处理服务器。又例如，根据终端设备101、102、103提供的训练样本集，采用机器学习方法训练得到道路结构感知模型的后台处理服务器。作为示例，服务器105可以是云端服务器。
需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
还需要说明的是，本公开的实施例所提供的道路结构感知方法、道路结构感知模型的训练方法可以由服务器执行，也可以由终端设备执行，还可以由服务器和终端设备彼此配合执行。相应地，道路结构感知装置、道路结构感知模型的训练装置包括的各个部分(例如各个单元)可以全部设置于服务器中，也可以全部设置于终端设备中，还可以分别设置于服务器和终端设备中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。当道路结构感知方法、道路结构感知模型的训练方法运行于其上的电子设备不需要与其他电子设备进行数据传输时，该系统架构可以仅包括道路结构感知方法、道路结构感知模型的训练方法运行于其上的电子设备(例如服务器或终端设备)。
请参考图2，图2为本公开实施例提供的一种道路结构感知方法的流程图，其中，流程200包括以下步骤：
步骤201，根据地图数据，确定表征当前位置周围的道路结构的第一感知结果。
本实施例中，道路结构感知方法的执行主体(例如，图1中的终端设备或服务器)可以根据地图数据，确定表征当前位置周围的道路结构的第一感知结果。
地图数据可以表征所有区域(例如整个地球、整个国家)或者表征部分区域(例如某一城市、某一行政区)的电子地图。为了提高第一感知结果的准确度，地图数据可以是高精度地图。
作为示例，自动驾驶车辆或者辅助驾驶车辆，在驾驶过程中，可以实时确定所处的位置信息，并将位置信息发送至上述执行主体。进而上述执行主体可以将实时获取的位置信息作为自动驾驶车辆或者辅助驾驶车辆的当前位置，从高精度电子地图中实时获取当前位置周围的道路元素的三维拓扑信息，确定第一感知结果。
道路结构包括但不限于是车道线、路沿、停止线、红绿灯等结构信息和道路上的交通设施。第一感知结果表征对每种道路元素的感知结果。在实际应用过程中，以自动驾驶车辆或者辅助驾驶车辆的当前位置为中心，预设距离为半径的范围视为当前位置的周围信息。其中，预设距离可以根据实际情况具体设置，例如将自动驾驶车辆或者辅助驾驶车辆上的摄像头等信息采集装置的感知范围作为预设距离。
步骤202，通过预训练的道路结构感知模型，确定表征当前位置周围的道路结构的第二感知结果。
本实施例中，上述执行主体可以通过预训练的道路结构感知模型，确定表征当前位置周围的道路结构的第二感知结果。其中，道路结果感知模型用于表征多个图像与第二感知结果之间的对应关系，多个图像为表征当前位置周围的环境信息的、不同角度的多个图像，第二感知结果为表征当前位置周围的道路结构的感知结果。
作为示例，自动驾驶车辆或者辅助驾驶车辆，在驾驶过程中，可以通过所设置的图像采集装置实时采集表征所处位置的周围的环境信息的、不同角度的多个图像；然后，将所得到的多个图像输入道路结构感知模型，生成表征当前位置周围的车道线、路沿、停止线、红绿灯等道路结构的第二感知结果。
道路结构感知模型可以是能够确定图像中的道路元素的神经网络模型，例如可以是卷积神经网络、循环神经网络、残差网络等网络。
步骤203，根据第一感知结果和第二感知结果，生成表征当前位置周围的道路结构的最终感知结果。
本实施例中，上述执行主体可以根据第一感知结果和第二感知结果，生成表征当前位置周围的道路结构的最终感知结果。
作为示例，上述执行主体可以结合第一感知结果和第二感知结果，生成表征当前位置周围的道路结构的最终感知结果。具体的，针对于第一感知结果中的每种道路元素和第二感知结果中的每种道路元素，上述执行主体可以根据预先设置的结合权重将两种感知结果中相同的道路元素的感知结果结合，得到最终感知结果中该道路元素的感知结果。
作为又一示例，上述执行主体可以预先设置两种感知结果在不同场景下的优先级。上述执行主体可以根据表征当前位置周围的环境信息的、不同角度的多个图像，确定当前的场景信息，进而将第一感知结果和第二感知结果中，当前的场景信息对应的高优先级的感知结果作为最终感知结果。
作为又一示例，上述执行主体可以融合第一感知结果和第二感知结果，得到最终感知结果。具体的，确定出两种感知结果中相同的道路元素和不同的道路元素。其中，不同的道路元素中包括两种情况：第一感知结果中存在，而第二感知结果中不存在的道路元素；第一感知结果中不存在，而第二感知结果中存在的道路元素。针对于不同的道路元素中的两种情形下的道路元素，均作为最终感知结果中的部分道路元素，与相同的道路元素组成最终感知结果。
继续参见图3，图3是根据本实施例的道路结构感知方法的应用场景的一个示意图300。在图3的应用场景中，自动驾驶车辆301在驾驶过程中，通过定位装置实时确定所处的当前位置，通过图像采集装置实时采集表征当前位置周围的环境信息的、不同角度的多个图像。自动驾驶车辆301将所采集的当前位置和多个图像实时传输至服务器302。服务器302根据地图数据303，确定表征当前位置周围的道路结构的第一感知结果304；通过预训练的道路结构感知模型305，确定表征当前位置周围的道路结构的第二感知结果306；根据第一感知结果304和第二感知结果306，生成表征当前位置周围的道路结构的最终感知结果307。
本实施例中，提供了一种道路结构感知方法，根据地图数据，确定表征当前位置周围的道路结构的第一感知结果；通过道路结构感知模型，确定表征当前位置周围的道路结构的第二感知结果；根据第一感知结果和第二感知结果，生成最终感知结果，结合两种道路结构感知方式，在保证道路结构感知的适用范围的基础上，提高了道路结构感知结果的准确度。
在本实施例的一些可选的实现方式中，如图4所示，道路结构感知模型400包括特征提取网络401、特征空间转化网络402和道路元素分割网络403。本实现方式中，上述执行主体可以通过如下方式执行上述步骤202：
第一，获取表征当前位置周围的环境信息的、不同角度的多个图像。
本实现方式中，多个图像的数量可以根据是实际概况具体设置，旨在能够比较全面地获取自动驾驶车辆在当前位置周围的环境信息。相比于后方的环境信息，自动驾驶车辆更加关注前方的环境信息，因而，多个图像中更多为表征前方的环境信息的图像。
第二，通过特征提取网络，提取多个图像中的每个图像的二维特征。
本实现方式中，特征提取网络作为道路结构感知模型的骨干网络，可以是能够处理图像、提取图像特征的神经网络。作为示例，特征提取网络可以是残差网络等通用的骨干神经网络。
第三，通过特征空间转化网络，将多个图像对应的多个二维特征转化至鸟瞰图空间下，得到鸟瞰图空间特征。
本实现方式中，通过特征空间转化网络，将多个图像对应的多个二维特征映射至BEV(Bird’s Eye View，鸟瞰图)空间；进而，进行多个图像的特征级别融合，得到鸟瞰图空间特征。
第四，通过道路元素分割网络，根据鸟瞰图空间特征进行道路元素分割，得到第二感知结果。
本实现方式中，道路元素分割网络Seg(·)由若干层卷积神经网络构成，可对特征空间转化网络产生的鸟瞰图空间特征进行道路元素分割预测：
M＝Seg(Fbev)
其中，Bh、Bw分别为自动驾驶车辆的纵向感知距离、横向感知距离，k表示道路元素类别数量。
本实现方式中，道路结构感知模型包括特征提取网络、特征空间转化网络和道路元素分割网络三个子网络，通过三个子网络依次进行特征提取操作、特征空间转化操作和道路元素分割操作，最终得到第二感知结果，进一步提高了第二感知结果的准确度。
在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式执行上述第三步骤：通过特征空间转化网络中与多个二维特征一一对应的多个特征空间转化矩阵，将多个二维特征转化至鸟瞰图空间下，得到鸟瞰图空间特征。
作为示例，首先，根据自动驾驶车辆的感知范围，初始化BEV特征空间张量其中Bh,Bw分别表示自动驾驶车辆的纵向感知距离与横向感知距离，C表示特征维度。
然后，确定特征空间转化网络中n个已学习的空间转化矩阵S＝{s1,s2,…,sn}。其中，Fh、Fw分别表示图像的高、宽。空间转化矩阵可以将对应的二维空间特征转化至三维空间特征，具体的，可以通过计算二维空间与三维空间之间关于特征的相似度，将二维空间特征转化至三维空间特征。
最后，通过如下公式将二维空间特征转化至三维空间特征：
其中，si×Fimg表示多个图像对应的二维特征。
本实现方方式中，多个图像一一对应的多个二维特征通过对应的空间转化矩阵进行二维空间到三维空间的转化，提高了所得到的鸟瞰图空间特征的准确度。
在本实施例的一些可选的实现方式中，上述执行主体还可以执行如下操作：根据第二感知结果，修正地图数据。
地图数据，尤其是高精度地图，更新的周期相对较长，可能存在环境信息已经改变，而高精度地图未及时更新的情况。但是，第二感知结果是针对于实时的环境信息所感知的，更加能够表征当前位置的实时信息。因而可以根据第二感知结果，修正地图数据，得到更新后的地图数据。
作为示例，首先，上述执行主体根据第一感知结果和第二感知结果，确定出两种感知结果中相同的道路结构和不同的道路结构；然后，对于不同的道路结构中，第一感知结果中存在，而第二感知结果中不存在的道路元素，当第一感知结果中该道路元素的置信度较高，将该道路元素融合至高精地图，得到修正后的高精地图。
本实现方式中，根据实时的第二感知结果，及时地修正地图数据，提高了地图数据的准确度。
在本实施例的一些可选的实现方式中，上述执行主体还可以执行如下操作：通过规划控制网络，根据最终感知结果确定自动驾驶车辆的驾驶指令。其中，规划控制网络表征最终感知结果与驾驶指令之间的对应关系。
规划控制网络可以通过机器学习方式、强化学习方式训练得到。以机器学习方式为例，上述执行主体首先获取训练样本集，其中，训练样本集中的训练样本包括道路结构感知结果和驾驶指令标签。然后，利用机器学习方法，以训练样本中的道路结构感知结果为输入，以该训练样本中的驾驶指令标签为期望输出，训练初始规划控制网络，得到训练后的规划控制网络。
本实现方式中，基于最终感知结果，提高了驾驶指令的准确度。
继续参考图5，示出了根据本公开的道路结构感知方法的又一个实施例的示意性流程500，包括以下步骤：
步骤501，根据地图数据，确定表征当前位置周围的道路结构的第一感知结果。
步骤502，获取表征当前位置周围的环境信息的、不同角度的多个图像。
步骤503，通过特征提取网络，提取多个图像中的每个图像的二维特征。
其中，道路结构感知模型包括特征提取网络、特征空间转化网络和道路元素分割网络。
步骤504，通过特征空间转化网络中与多个二维特征一一对应的多个特征空间转化矩阵，将多个二维特征转化至鸟瞰图空间下，得到鸟瞰图空间特征。
步骤505，通过道路元素分割网络，根据鸟瞰图空间特征进行道路元素分割，得到第二感知结果。
步骤506，根据第一感知结果和第二感知结果，生成表征当前位置周围的道路结构的最终感知结果。
步骤507，通过规划控制网络，根据最终感知结果确定自动驾驶车辆的驾驶指令。
从本实施例中可以看出，与图2对应的实施例相比，本实施例中的道路结构感知方法的流程500具体说明了第二感知结果的确定过程，以及根据最终感知结果确定自动驾驶车辆的驾驶指令的过程，提高了最终感知结果的准确度，同时提高了驾驶指令的准确度。
继续参考图6，示出了根据本公开的道路结构感知模型的训练方法的一个实施例的示意性流程600，包括以下步骤：
步骤601，基于地图数据，生成训练样本集。
本实施例中，道路结构感知模型的训练方法的执行主体(例如，图1中的终端设备或服务器)可以基于地图数据，生成训练样本集。其中，训练样本集中的训练样本包括表征同一位置周围的环境信息的、不同角度的多个图像和道路结构元素标签。
地图数据可以表征所有区域(例如整个地球、整个国家)或者表征部分区域(例如某一城市、某一行政区)的电子地图。为了提高道路结构感知模型的准确度，地图数据可以是高精度地图。
以高精度地图为例，其中包括车道线、路沿、停止线、红绿灯等各种道路元素信息。针对于每一位置，上述执行主体可以对高精度地图进行不同角度的投影，得到表征同一位置周围的环境信息的、不同角度的多个图像，并将该位置周围的道路元素信息作为道路结构元素标签，得到该位置对应的训练样本，最终得到训练样本集。
步骤602，利用机器学习方法，以训练样本中的多个图像为输入，以训练样本中的道路结构元素标签为期望输出，训练初始道路结构感知模型，得到训练后的道路结构感知模型。
本实施例中，上述执行主体可以利用机器学习方法，以训练样本中的多个图像为输入，以训练样本中的道路结构元素标签为期望输出，训练初始道路结构感知模型，得到训练后的道路结构感知模型。
作为示例，上述执行主体可以首先从训练样本集中选取未经过训练的训练样本；然后，将所选取的训练样本中的多个图像输入初始道路结构感知模型，得到模型输出；然后，确定模型输出与所选取的训练样本中的道路结构元素标签之间的损失；最后，根据损失确定更新梯度，并采用梯度下降法更新初始道路结构感知模型的参数。
通过循环执行上述训练操作，响应于达到预设结束条件，得到训练后的道路结果感知模型。其中，预设结束条件例如可以是训练次数超过预设次数阈值，训练时间超过预设时间阈值、训练损失趋于收敛。
本实施例中，提供了一种道路结构感知模型的训练方法，基于地图数据可以自动生成训练样本集，以训练道路结构感知模型，提高了道路结构感知模型的训练效率和准确度。
在本实施例的一些可选的实现方式中，初始道路结构感知模型包括特征提取网络、特征空间转化网络和道路元素分割网络。上述执行主体可以通过如下方式执行上述步骤602：利用机器学习方法，通过循环执行如下操作训练初始道路结构感知模型，以得到训练后的道路结构感知模型：
第一，从训练样本集中选取训练样本。
作为示例，上述执行主体可以从训练样本集中选取未经过训练的预设数量个训练样本作为一个批次。
第二，通过特征提取网络，提取所选取的训练样本中的多个图像中的每个图像的二维特征。
本实现方式中，特征提取网络作为道路结构感知模型的骨干网络，可以是能够处理图像、提取图像特征的神经网络。作为示例，特征提取网络可以是残差网络等通用的骨干神经网络。
第三，通过特征空间转化网络，将多个图像对应的多个二维特征转化至鸟瞰图空间下，得到鸟瞰图空间特征。
本实现方式中，通过特征空间转化网络，将多个图像对应的多个二维特征映射至BEV(Bird’s Eye View，鸟瞰图)空间；进而，进行多个图像的特征级别融合，得到鸟瞰图空间特征。
第四，通过道路元素分割网络，根据鸟瞰图空间特征进行道路元素分割，得到实际感知结果。
本实现方式中，道路元素分割网络Seg(·)由若干层卷积神经网络构成，可对特征空间转化网络产生的鸟瞰图空间特征进行道路元素分割预测：
M＝Seg(Fbev)
其中，Bh、Bw分别为自动驾驶车辆的纵向感知距离、横向感知距离，k表示道路元素类别数量。
第五，确定实际感知结果与所选取的训练样本中的道路结构元素标签之间的损失。
本实现方式中，上述执行主体可以确定实际感知结果与所选取的训练样本中的道路结构元素标签之间的交叉熵损失。
第六，根据损失，更新特征提取网络、特征空间转化网络和道路元素分割网络。
作为示例，上述执行主体可以根据损失确定更新梯度，并采用梯度下降法更新特征提取网络、特征空间转化网络和道路元素分割网络的参数。
本实现方式中，提供了道路结构感知模型具体的网络结构和训练过程，进一步提高了训练得到的道路结构感知模型的准确度。
在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式执行上述第三步骤：通过特征空间转化网络中与多个二维特征一一对应的多个特征空间转化矩阵，将多个二维特征转化至鸟瞰图空间下，得到鸟瞰图空间特征。
作为示例，首先，根据自动驾驶车辆的感知范围，初始化BEV特征空间张量其中Bh,Bw分别表示自动驾驶车辆的纵向感知距离与横向感知距离，C表示特征维度。
然后，确定特征空间转化网络中n个可学习的空间转化矩阵S＝{s1,s2,…,sn}。其中，Fh、Fw分别表示图像的高、宽。空间转化矩阵可以对应的二维空间特征转化至三维空间特征，具体的，可以通过计算二维空间与三维空间之间关于特征的相似度，将二维空间特征转化至三维空间特征。
最后，通过如下公式将二维空间特征转化至三维空间特征：
其中，si×Fimg表示多个图像对应的二维特征。
本实现方方式中，多个图像一一对应的多个二维特征通过对应的空间转化矩阵进行二维空间到三维空间的转化，提高了所得到的鸟瞰图空间特征的准确度。
在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式执行上述步骤601：
首先，基于地图数据，生成道路结构元素标签集合。
道路结构元素标签集合中可以包括地图数据中各位置对应的道路结构元素标签。为了提高道路结构元素标签集合的准确度，地图数据可以是高精度地图。
然后，通过图像采集装置采集得到图像组集合。
其中，图像组集合中的每个图像组中包括表征同一位置周围的环境信息的、不同角度的多个图像。
本实现方式中，图像采集装置可以在目标范围内运行，采集目标范围内各位置的多个图像。其中，目标范围可以与高精度地图对应的范围相匹配。
最后，基于道路结构元素标签集合中的道路结构元素标签，与图像组集合中的图像组之间关于位置信息的对应性，生成训练样本，以得到训练样本集。
具体的，上述执行主体可以将相同位置的道路结构元素标签和多个图像组合为训练样本，以得到训练样本集。
本实现方式中，提供了根据地图数生成训练样本集的具体实现方式，提高了所得到的训练样的准确度。
继续参考图7，作为对上述各图所示方法的实现，本公开提供了一种道路结构感知装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图7所示，道路结构感知装置700包括：第一确定单元701，被配置成根据地图数据，确定表征当前位置周围的道路结构的第一感知结果；第二确定单元702，被配置成通过预训练的道路结构感知模型，确定表征当前位置周围的道路结构的第二感知结果；第一生成单元703，被配置成根据第一感知结果和第二感知结果，生成表征当前位置周围的道路结构的最终感知结果。
在本实施例的一些可选的实现方式中，道路结构感知模型包括特征提取网络、特征空间转化网络和道路元素分割网络，以及第二确定单元702，进一步被配置成：获取表征当前位置周围的环境信息的、不同角度的多个图像；通过特征提取网络，提取多个图像中的每个图像的二维特征；通过特征空间转化网络，将多个图像对应的多个二维特征转化至鸟瞰图空间下，得到鸟瞰图空间特征；通过道路元素分割网络，根据鸟瞰图空间特征进行道路元素分割，得到第二感知结果。
在本实施例的一些可选的实现方式中，第二确定单元702，进一步被配置成：通过特征空间转化网络中与多个二维特征一一对应的多个特征空间转化矩阵，将多个二维特征转化至鸟瞰图空间下，得到鸟瞰图空间特征。
在本实施例的一些可选的实现方式中，上述装置还包括：修正单元(图中未示出)，被配置成根据第二感知结果，修正地图数据。
在本实施例的一些可选的实现方式中，上述装置还包括：第三确定单元(图中未示出)，被配置成通过规划控制网络，根据最终感知结果确定自动驾驶车辆的驾驶指令。
本实施例中，提供了一种道路结构感知装置，根据地图数据，确定表征当前位置周围的道路结构的第一感知结果；通过道路结构感知模型，确定表征当前位置周围的道路结构的第二感知结果；根据第一感知结果和第二感知结果，生成最终感知结果，结合两种道路结构感知方式，在保证道路结构感知的适用范围的基础上，提高了道路结构感知结果的准确度。
继续参考图8，作为对上述各图所示方法的实现，本公开提供了一种道路结构感知模型的训练装置的一个实施例，该装置实施例与图6所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图8所示，道路结构感知模型的训练装置800包括：第二生成单元801，被配置成基于地图数据，生成训练样本集，其中，训练样本集中的训练样本包括表征同一位置周围的环境信息的、不同角度的多个图像和道路结构元素标签；训练单元802，被配置成利用机器学习方法，以训练样本中的多个图像为输入，以训练样本中的道路结构元素标签为期望输出，训练初始道路结构感知模型，得到训练后的道路结构感知模型。
在本实施例的一些可选的实现方式中，初始道路结构感知模型包括特征提取网络、特征空间转化网络和道路元素分割网络，以及训练单元802，进一步被配置成：利用机器学习方法，通过如下操作训练初始道路结构感知模型，以得到训练后的道路结构感知模型：从训练样本集中选取训练样本；通过特征提取网络，提取所选取的训练样本中的多个图像中的每个图像的二维特征；通过特征空间转化网络，将多个图像对应的多个二维特征转化至鸟瞰图空间下，得到鸟瞰图空间特征；通过道路元素分割网络，根据鸟瞰图空间特征进行道路元素分割，得到实际感知结果；确定实际感知结果与所选取的训练样本中的道路结构元素标签之间的损失；根据损失，更新特征提取网络、特征空间转化网络和道路元素分割网络。
在本实施例的一些可选的实现方式中，训练单元802，进一步被配置成：通过特征空间转化网络中与多个二维特征一一对应的多个特征空间转化矩阵，将多个二维特征转化至鸟瞰图空间下，得到鸟瞰图空间特征。
在本实施例的一些可选的实现方式中，第二生成单元801，进一步被配置成：基于地图数据，生成道路结构元素标签集合；通过图像采集装置采集得到图像组集合，其中，图像组集合中的每个图像组中包括表征同一位置周围的环境信息的、不同角度的多个图像；基于道路结构元素标签集合中的道路结构元素标签，与图像组集合中的图像组之间关于位置信息的对应性，生成训练样本，以得到训练样本集。
本实施例中，提供了一种道路结构感知模型的训练装置，基于地图数据可以自动生成训练样本集，以训练道路结构感知模型，提高了道路结构感知模型的训练效率和准确度。
根据本公开的实施例，本公开还提供了一种电子设备，该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，该指令被至少一个处理器执行，以使至少一个处理器执行时能够实现上述任意实施例所描述的道路结构感知方法、道路结构感知模型的训练方法。
根据本公开的实施例，本公开还提供了一种可读存储介质，该可读存储介质存储有计算机指令，该计算机指令用于使计算机执行时能够实现上述任意实施例所描述的道路结构感知方法、道路结构感知模型的训练方法。
图9示出了可以用来实施本公开的实施例的示例电子设备900的示意性框图。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9所示，设备900包括计算单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM903中，还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储单元908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900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901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901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901执行上文所描述的各个方法和处理，例如道路结构感知方法。例如，在一些实施例中，道路结构感知方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时，可以执行上文描述的道路结构感知方法的一个或多个步骤。备选地，在其他实施例中，计算单元901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行道路结构感知方法。
本文中以上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)、负载可编程逻辑设备(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数据处理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。程序代码可以完全在机器上执行、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，其可以包含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：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)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，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大，业务扩展性弱的缺陷；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。
根据本公开实施例的技术方案，提供了一种道路结构感知方法，根据地图数据，确定表征当前位置周围的道路结构的第一感知结果；通过道路结构感知模型，确定表征当前位置周围的道路结构的第二感知结果；根据第一感知结果和第二感知结果，生成最终感知结果，结合两种道路结构感知方式，在保证道路结构感知的适用范围的基础上，提高了道路结构感知结果的准确度。
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，本发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提供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，均应包含在本公开保护范围之内。

Claims (18)

1.一种道路结构感知方法，包括：
根据地图数据，确定表征当前位置周围的道路结构的第一感知结果；
通过预训练的道路结构感知模型，确定表征所述当前位置周围的道路结构的第二感知结果；
根据所述第一感知结果和所述第二感知结果在不同场景下的预设优先级，生成表征所述当前位置周围的道路结构的最终感知结果；
根据所述第二感知结果中满足置信度要求的道路元素，修正所述地图数据。
2.根据权利要求1所述的方法，其中，所述道路结构感知模型包括特征提取网络、特征空间转化网络和道路元素分割网络，以及
所述通过预训练的道路结构感知模型，确定表征所述当前位置周围的道路结构的第二感知结果，包括：
获取表征所述当前位置周围的环境信息的、不同角度的多个图像；
通过所述特征提取网络，提取所述多个图像中的每个图像的二维特征；
通过所述特征空间转化网络，将所述多个图像对应的多个二维特征转化至鸟瞰图空间下，得到鸟瞰图空间特征；
通过所述道路元素分割网络，根据所述鸟瞰图空间特征进行道路元素分割，得到所述第二感知结果。
3.根据权利要求2所述的方法，其中，所述通过所述特征空间转化网络，将所述多个图像对应的多个二维特征转化至鸟瞰图空间下，得到鸟瞰图空间特征，包括：
通过所述特征空间转化网络中与所述多个二维特征一一对应的多个特征空间转化矩阵，将所述多个二维特征转化至鸟瞰图空间下，得到鸟瞰图空间特征。
4.根据权利要求1所述的方法，其中，还包括：
通过规划控制网络，根据所述最终感知结果确定自动驾驶车辆的驾驶指令。
5.一种道路结构感知模型的训练方法，包括：
基于地图数据，生成训练样本集，其中，所述训练样本集中的训练样本包括表征同一位置周围的环境信息的、不同角度的多个图像和道路结构元素标签；
利用机器学习方法，以训练样本中的多个图像为输入，以所述训练样本中的道路结构元素标签为期望输出，训练初始道路结构感知模型，得到训练后的道路结构感知模型；
其中，所述基于地图数据，生成训练样本集，包括：
对所述地图数据所表征的高精度地图进行不同角度的投影，得到表征同一位置周围的环境信息的、不同角度的多个图像；
将该位置周围的道路元素信息作为道路结构元素标签，得到该位置对应的训练样本，最终得到所述训练样本集。
6.根据权利要求5所述的方法，其中，所述初始道路结构感知模型包括特征提取网络、特征空间转化网络和道路元素分割网络，以及
所述利用机器学习方法，以训练样本中的多个图像为输入，以所述训练样本中的道路结构元素标签为期望输出，训练初始道路结构感知模型，得到训练后的道路结构感知模型，包括：
利用机器学习方法，通过如下操作训练所述初始道路结构感知模型，以得到训练后的道路结构感知模型：
从所述训练样本集中选取训练样本；
通过所述特征提取网络，提取所选取的训练样本中的多个图像中的每个图像的二维特征；
通过所述特征空间转化网络，将所述多个图像对应的多个二维特征转化至鸟瞰图空间下，得到鸟瞰图空间特征；
通过所述道路元素分割网络，根据所述鸟瞰图空间特征进行道路元素分割，得到实际感知结果；
确定所述实际感知结果与所选取的训练样本中的道路结构元素标签之间的损失；
根据所述损失，更新所述特征提取网络、特征空间转化网络和道路元素分割网络。
7.根据权利要求6所述的方法，其中，所述通过所述特征空间转化网络，将所述多个图像对应的多个二维特征转化至鸟瞰图空间下，得到鸟瞰图空间特征，包括：
通过所述特征空间转化网络中与所述多个二维特征一一对应的多个特征空间转化矩阵，将所述多个二维特征转化至鸟瞰图空间下，得到鸟瞰图空间特征。
8.根据权利要求5所述的方法，其中，所述基于地图数据，生成训练样本集，包括：
基于所述地图数据，生成道路结构元素标签集合；
通过图像采集装置采集得到图像组集合，其中，所述图像组集合中的每个图像组中包括表征同一位置周围的环境信息的、不同角度的多个图像；
基于所述道路结构元素标签集合中的道路结构元素标签，与所述图像组集合中的图像组之间关于位置信息的对应性，生成训练样本，以得到所述训练样本集。
9.一种道路结构感知装置，包括：
第一确定单元，被配置成根据地图数据，确定表征当前位置周围的道路结构的第一感知结果；
第二确定单元，被配置成通过预训练的道路结构感知模型，确定表征所述当前位置周围的道路结构的第二感知结果；
第一生成单元，被配置成根据所述第一感知结果和所述第二感知结果在不同场景下的预设优先级，生成表征所述当前位置周围的道路结构的最终感知结果；
修正单元，被配置成根据所述第二感知结果中满足置信度要求的道路元素，修正所述地图数据。
10.根据权利要求9所述的装置，其中，所述道路结构感知模型包括特征提取网络、特征空间转化网络和道路元素分割网络，以及
所述第二确定单元，进一步被配置成：
获取表征所述当前位置周围的环境信息的、不同角度的多个图像；通过所述特征提取网络，提取所述多个图像中的每个图像的二维特征；通过所述特征空间转化网络，将所述多个图像对应的多个二维特征转化至鸟瞰图空间下，得到鸟瞰图空间特征；通过所述道路元素分割网络，根据所述鸟瞰图空间特征进行道路元素分割，得到所述第二感知结果。
11.根据权利要求10所述的装置，其中，所述第二确定单元，进一步被配置成：
通过所述特征空间转化网络中与所述多个二维特征一一对应的多个特征空间转化矩阵，将所述多个二维特征转化至鸟瞰图空间下，得到鸟瞰图空间特征。
12.根据权利要求9所述的装置，其中，还包括：
第三确定单元，被配置成通过规划控制网络，根据所述最终感知结果确定自动驾驶车辆的驾驶指令。
13.一种道路结构感知模型的训练装置，包括：
第二生成单元，被配置成基于地图数据，生成训练样本集，其中，所述训练样本集中的训练样本包括表征同一位置周围的环境信息的、不同角度的多个图像和道路结构元素标签；
训练单元，被配置成利用机器学习方法，以训练样本中的多个图像为输入，以所述训练样本中的道路结构元素标签为期望输出，训练初始道路结构感知模型，得到训练后的道路结构感知模型；
所述第二生成单元，进一步被配置成：
对所述地图数据所表征的高精度地图进行不同角度的投影，得到表征同一位置周围的环境信息的、不同角度的多个图像；将该位置周围的道路元素信息作为道路结构元素标签，得到该位置对应的训练样本，最终得到所述训练样本集。
14.根据权利要求13所述的装置，其中，所述初始道路结构感知模型包括特征提取网络、特征空间转化网络和道路元素分割网络，以及
所述训练单元，进一步被配置成：
利用机器学习方法，通过如下操作训练所述初始道路结构感知模型，以得到训练后的道路结构感知模型：
从所述训练样本集中选取训练样本；通过所述特征提取网络，提取所选取的训练样本中的多个图像中的每个图像的二维特征；通过所述特征空间转化网络，将所述多个图像对应的多个二维特征转化至鸟瞰图空间下，得到鸟瞰图空间特征；通过所述道路元素分割网络，根据所述鸟瞰图空间特征进行道路元素分割，得到实际感知结果；确定所述实际感知结果与所选取的训练样本中的道路结构元素标签之间的损失；根据所述损失，更新所述特征提取网络、特征空间转化网络和道路元素分割网络。
15.根据权利要求14所述的装置，其中，所述训练单元，进一步被配置成：
通过所述特征空间转化网络中与所述多个二维特征一一对应的多个特征空间转化矩阵，将所述多个二维特征转化至鸟瞰图空间下，得到鸟瞰图空间特征。
16.根据权利要求13所述的装置，其中，所述第二生成单元，进一步被配置成：
基于所述地图数据，生成道路结构元素标签集合；通过图像采集装置采集得到图像组集合，其中，所述图像组集合中的每个图像组中包括表征同一位置周围的环境信息的、不同角度的多个图像；基于所述道路结构元素标签集合中的道路结构元素标签，与所述图像组集合中的图像组之间关于位置信息的对应性，生成训练样本，以得到所述训练样本集。
17.一种电子设备，其特征在于，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1-8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-8中任一项所述的方法。
CN202210987210.9A 2022-08-17 2022-08-17 道路结构感知方法及装置 Active CN115240171B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210987210.9A CN115240171B (zh) 2022-08-17 2022-08-17 道路结构感知方法及装置
US18/235,310 US20230391341A1 (en) 2022-08-17 2023-08-17 Method, apparatus, and computer program product for perceiving road structure

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210987210.9A CN115240171B (zh) 2022-08-17 2022-08-17 道路结构感知方法及装置

Publications (2)

Publication Number Publication Date
CN115240171A CN115240171A (zh) 2022-10-25
CN115240171B true CN115240171B (zh) 2023-08-04

Family

ID=83679107

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210987210.9A Active CN115240171B (zh) 2022-08-17 2022-08-17 道路结构感知方法及装置

Country Status (2)

Country Link
US (1) US20230391341A1 (zh)
CN (1) CN115240171B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112840350A (zh) * 2018-10-16 2021-05-25 法弗人工智能有限公司 自动驾驶车辆规划和预测
CN113569946A (zh) * 2021-07-26 2021-10-29 荆门汇易佳信息科技有限公司 开源地图与专业数据源路网自适应匹配法
CN113997950A (zh) * 2020-07-28 2022-02-01 株式会社电装 车辆控制装置和车辆控制方法
CN114757301A (zh) * 2022-05-12 2022-07-15 北京地平线机器人技术研发有限公司 车载视觉感知方法和装置、可读存储介质、电子设备

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4437556B2 (ja) * 2007-03-30 2010-03-24 アイシン・エィ・ダブリュ株式会社 地物情報収集装置及び地物情報収集方法
US11074495B2 (en) * 2013-02-28 2021-07-27 Z Advanced Computing, Inc. (Zac) System and method for extremely efficient image and pattern recognition and artificial intelligence platform
GB201804082D0 (en) * 2018-03-14 2018-04-25 Five Ai Ltd Image annotation

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112840350A (zh) * 2018-10-16 2021-05-25 法弗人工智能有限公司 自动驾驶车辆规划和预测
CN113997950A (zh) * 2020-07-28 2022-02-01 株式会社电装 车辆控制装置和车辆控制方法
CN113569946A (zh) * 2021-07-26 2021-10-29 荆门汇易佳信息科技有限公司 开源地图与专业数据源路网自适应匹配法
CN114757301A (zh) * 2022-05-12 2022-07-15 北京地平线机器人技术研发有限公司 车载视觉感知方法和装置、可读存储介质、电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Unifying Obstacle Detection, Recognition, and Fusion Based on the Polarization Color Stereo Camera and LiDAR for the ADAS;Ningbo Long等;《Sensors》;1-20 *

Also Published As

Publication number Publication date
CN115240171A (zh) 2022-10-25
US20230391341A1 (en) 2023-12-07

Similar Documents

Publication Publication Date Title
CN113936256A (zh) 一种图像目标检测方法、装置、设备以及存储介质
CN113674421B (zh) 3d目标检测方法、模型训练方法、相关装置及电子设备
CN113361710B (zh) 学生模型训练方法、图片处理方法、装置及电子设备
CN116188893A (zh) 基于bev的图像检测模型训练及目标检测方法和装置
CN114202026A (zh) 多任务模型训练方法和装置、多任务处理方法和装置
US20230104225A1 (en) Method for fusing road data to generate a map, electronic device, and storage medium
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
CN113705515B (zh) 语义分割模型的训练和高精地图车道线的生成方法和设备
CN113724388B (zh) 高精地图的生成方法、装置、设备以及存储介质
CN116052097A (zh) 一种地图要素检测方法、装置、电子设备和存储介质
CN113932796B (zh) 高精地图车道线生成方法、装置和电子设备
CN114661842B (zh) 地图匹配方法、装置和电子设备
CN114627331A (zh) 模型训练方法和装置
CN115240171B (zh) 道路结构感知方法及装置
CN115866229B (zh) 多视角图像的视角转换方法、装置、设备和介质
CN113920273B (zh) 图像处理方法、装置、电子设备和存储介质
CN115861755A (zh) 特征融合方法、装置、电子设备及自动驾驶车辆
CN116844133A (zh) 目标检测方法、装置、电子设备和介质
CN116152702A (zh) 点云标签的获取方法、装置、电子设备和自动驾驶车辆
CN114429631A (zh) 三维对象检测方法、装置、设备以及存储介质
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
CN113537309A (zh) 一种对象识别方法、装置及电子设备
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
CN114625984B (zh) 兴趣点验证方法、装置、电子设备及存储介质
CN116663650B (zh) 深度学习模型的训练方法、目标对象检测方法及装置

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