【技术实现步骤摘要】
自动驾驶周视车道线模型训练和检测方法
[0001]本专利技术属于汽车自动驾驶
,具体涉及自动驾驶周视车道线模型训练 和检测方法。
技术介绍
[0002]自动驾驶技术为当前智能汽车的核心技术,由感知融合模块、决策规划模块、 控制模块三大模块构成。车道线检测作为感知融合模块里面的一个极为重要子模 块,其检测的精度和实时性将直接影响整个自动驾驶系统的控制精度和速度。
[0003]当前学界对车道线检测算法的研究主要集中在前视摄像头(Forward FacingCamera)场景下,其主要流派有4种:(1)基于传统的计算机视觉算法 (CN201310450258.7车道线检测方法、系统、车道偏离预警方法及系统);(2) 基于深度学习的语义分割,其中又分为常规的语义分割(CN202011612255.5一 种基于深度神经网络的弱光环境车道线检测方法、装置)和车道线专用语义分割 (CN202011550418.1一种基于注意力空间卷积神经网络的车道线检测分割方 法);(3)基于深度学习和锚线的线检测(Tabelini,L.,et al.(2020)."Keep your Eyeson the Lane:Attention
‑
guided Lane Detection.");(4)基于深度学习的端到端车道 线检测(CN201910628238.1一种端到端车道线检测方法及其系统)。
[0004]然而,自动驾驶系统想要进行大规模的量产,仅仅有一个前视摄像头是远远 不够的,目前已经投入量产的Tes ...
【技术保护点】
【技术特征摘要】
1.自动驾驶周视车道线模型训练和检测方法,其特征在于包括如下步骤:1)数据采集、清洗和标注:在车身上设置多个数据采集的摄像头,获得多个视角的多段视频数据;按照一定的抽帧频率,抽取出一定量的图片,筛选不同场景的车道线,以分段折线的方式对车道线进行标注,标出车道线;2)模型回归分支训练:车道线模型包括模型主干网络、车道线回归分支、车道线分类分支,首先训练回归分支,而将分类分支进行冻结,采用的初始学习率n1;训练时候,对于前视和后视的图片,保持其原始状态直接送入模型进行训练,对于前侧的左前和右前两个图像,首先将左前图像进行逆时针旋转,记作font
‑
left
‑
rotated,右前图像进行顺时针旋转,记作font
‑
right
‑
rotated,然后进行水平方向合并,合并时旋转后的左前图像font
‑
left
‑
rotated在左侧,旋转后的右前图像font
‑
right
‑
rotated在右侧;对于后侧的左后和右后两个图像,首先左后图像进行顺时针旋转,记作rear
‑
left
‑
rotated,右后图像进行逆时针旋转,记作rear
‑
right
‑
rotated,然后进行水平方向合并,合并时旋转后的右后图像rear
‑
right
‑
rotated在左侧,旋转后的左后图像rear
‑
left
‑
rotated在右侧,旋转合并后送入模型进行训练;3)模型分类分支训练:采用的初始学习率n2,n2的数值是n1的倍数;训练时候,对于前视和后视的图片,保持其原始状态直接送入模型进行训练,对于前侧的左前和右前两个图像,首先将左前图像进行逆时针旋转,记作font
‑
left
‑
rotated,右前图像进行顺时针旋转,记作font
‑
right
‑
rotated,然后进行水平方向合并,合并时旋转后的左前图像font
‑
left
‑
rotated在左侧,旋转后的右前图像font
‑
right
‑
rotated在右侧;对于后侧的左后和右后两个图像,首先左后图像进行顺时针旋转,记作rear
‑
left
‑
rotated,右后图像进行逆时针旋转,记作rear
‑
right
‑
rotated,然后进行水平方向合并,合并时旋转后的右后图像rear
‑
right
‑
rotated在左侧,旋转后的左后图像rear
‑
left
‑
rotated在右侧,旋转合并后送入模型进行训练;4)模型部署推理:利用pytorch的jit模块,将模型导出为onnx模块并且进行模型定点量化,最后利用onnxruntime将模型转化为trt引擎,实现模型在嵌入式端高效地运行;模型推理时候,需要和模型训练时候对应,前视图片和后视图片保持原状,左侧的图片进行逆时针或顺时针旋转后合并,右侧的图片进行顺时针或逆时针旋...
【专利技术属性】
技术研发人员:詹东旭,单玉梅,冯绪杨,
申请(专利权)人:重庆长安汽车股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。