System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 一种3D车道线检测方法及装置制造方法及图纸_技高网

一种3D车道线检测方法及装置制造方法及图纸

技术编号:43780311 阅读:2 留言:0更新日期:2024-12-24 16:16
本发明专利技术公开一种3D车道线检测方法及装置,其中,方法包括:实时获取车辆前方环境的图像数据;将获取的车辆前方环境的图像数据输入至开源3D车道线检测模型,得到初始预测车道线;将所述初始预测车道线通过矫正模块进行偏移映射,得到矫正车道线;其中,所述矫正模块通过预设损失函数和预标注的自采车道线真实值进行迭代回归训练而成。本发明专利技术一方面有效利用大量开源数据,降低了真实场景数据的训练难度;另一方面利用少量的自采标注数据进行训练,避免因采用开源3D车道线检测模型导致的车道线偏移问题,从而得到高精度的实际场景3D车道线检测模型,提升了真实场景中车道线的3D检测精度。

【技术实现步骤摘要】

本专利技术属于智能驾驶,具体涉及一种3d车道线检测方法及装置。


技术介绍

1、车道检测在自动驾驶系统中扮演着重要的角色,为了保证汽车在行驶过程中的安全性,自动驾驶系统需要保持汽车在道路上沿车道线移动,这要求对车道线有准确的感知。

2、车道线感知是实现l4级别自动驾驶技术的重要组成部分。传统的车道线感知方法有边缘检测加霍夫变换、颜色阈值、透视变换等方式。这类方法大多需要人工手动调参,工作量大且效果欠佳,特别是在一些复杂道路场景,几乎无法使用。近年来,得益于计算机运算能力的提升,深度学习技术的能力越来越强,且在各个领域中都有成功应用深度学习技术的先例。而在车道线感知领域,空间卷积神经网络(scnn)、lane-net网络、h-net网络等都采用语义分割的方式对车道线进行检测且都取得了不错的效果。

3、而为了解决自动驾驶场景(上坡/下坡、颠簸)中车道布局不准确估计的问题,3d车道线检测应运而生,如3d-lanenet网络、gen-lanenet网络以及persformer网络等,均采用鸟瞰图bev视角下基于anchor回归的方式来完成3d车道线的检测。而3d车道线检测任务中的难点是车道线3d数据的获取和标注,在自采数据标注数据较少的情况下,很难得到精准的车道线感知模型。即使可以得到大量的开源标注数据,但是开源标注数据的场景和实际项目中的使用场景相差较大,并且其中大部分开源数据都是国外的街道场景,摄像头型号、参数、布局也都大不相同,基于开源数据集得到的开源数据模型在真实场景中很难有较高的精度,通常都存在较大的位置偏移。


技术实现思路

1、本专利技术实施例所要解决的技术问题在于,提供一种3d车道线检测方法及装置,以提高3d车道线检测精度,降低模型训练难度。

2、为解决上述技术问题,本专利技术提供一种3d车道线检测方法,包括:

3、实时获取车辆前方环境的图像数据;

4、将获取的车辆前方环境的图像数据输入至开源3d车道线检测模型,得到初始预测车道线;

5、将所述初始预测车道线通过矫正模块进行偏移映射,得到矫正车道线;其中,所述矫正模块通过预设损失函数和预标注的自采车道线真实值进行迭代回归训练而成。

6、优选地,所述初始预测车道线以一m×3n的矩阵形式表示,其中,m为开源3d车道线检测模型识别出的anchor线数量,n为每条anchor线对应的车道线3d点的数量。

7、优选地,所述矫正模块为线性映射模块,以一3n×3n的矩阵形式表示,n为每条anchor线对应的车道线3d点的数量。

8、优选地,将所述初始预测车道线通过矫正模块进行偏移映射,得到矫正车道线的方式具体为:

9、设所述初始预测车道线为pred,线性映射模块为m3n×3n,矫正车道线为corrm×3n,则:

10、corrm×3n=pred×m3n×3n。

11、优选地,所述矫正模块通过预设损失函数和预标注的自采车道线真实值进行迭代回归训练,具体包括:

12、利用所述预损失函数,分别计算所述矫正模块输出的矫正车道线与所述预标注的自采车道线真实值在3d坐标之间的差值,再将差值求和得到总损失值,并最小化所述总损失值。

13、本专利技术还提供一种3d车道线检测装置,包括:

14、车载感知模块,用于实时获取车辆前方环境的图像数据;

15、初始检测模块,用于将所述车载感知模块获取的车辆前方环境的图像数据输入至开源3d车道线检测模型,得到初始预测车道线;

16、矫正模块,用于将所述初始预测车道线进行偏移映射,得到矫正车道线;其中,所述矫正模块通过预设损失函数和预标注的自采车道线真实值进行迭代回归训练而成。

17、优选地,所述初始预测车道线以一m×3n的矩阵形式表示,其中,m为开源3d车道线检测模型识别出的anchor线数量,n为每条anchor线对应的车道线3d点的数量。

18、优选地,所述矫正模块为线性映射模块,以一3n×3n的矩阵形式表示,n为每条anchor线对应的车道线3d点的数量。

19、优选地,将所述初始预测车道线通过矫正模块进行偏移映射,得到矫正车道线的方式具体为:

20、设所述初始预测车道线为pred,线性映射模块为m3n×3n,矫正车道线为corrm×3n,则:

21、corrm×3n=pred×m3n×3n。

22、优选地,所述矫正模块通过预设损失函数和预标注的自采车道线真实值进行迭代回归训练,具体方式为:

23、利用所述预损失函数,分别计算所述矫正模块输出的矫正车道线与所述预标注的自采车道线真实值在3d坐标之间的差值,再将差值求和得到总损失值,并最小化所述总损失值。

24、实施本专利技术具有如下有益效果:本专利技术一方面有效利用大量开源数据,降低了真实场景数据的训练难度;另一方面利用少量的自采标注数据进行训练,避免因采用开源3d车道线检测模型导致的车道线偏移问题,从而得到高精度的实际场景3d车道线检测模型,提升了真实场景中车道线的3d检测精度。

本文档来自技高网...

【技术保护点】

1.一种3D车道线检测方法,其特征在于,包括:

2.根据权利要求1所述的3D车道线检测方法,其特征在于,所述初始预测车道线以一M×3N的矩阵形式表示,其中,M为开源3D车道线检测模型识别出的anchor线数量,N为每条anchor线对应的车道线3D点的数量。

3.根据权利要求2所述的3D车道线检测方法,其特征在于,所述矫正模块为线性映射模块,以一3N×3N的矩阵形式表示,N为每条anchor线对应的车道线3D点的数量。

4.根据权利要求3所述的3D车道线检测方法,其特征在于,将所述初始预测车道线通过矫正模块进行偏移映射,得到矫正车道线的方式具体为:

5.根据权利要求1所述的3D车道线检测方法,其特征在于,所述矫正模块通过预设损失函数和预标注的自采车道线真实值进行迭代回归训练,具体包括:

6.一种3D车道线检测装置,其特征在于,包括:

7.根据权利要求6所述的3D车道线检测装置,其特征在于,所述初始预测车道线以一M×3N的矩阵形式表示,其中,M为开源3D车道线检测模型识别出的anchor线数量,N为每条anchor线对应的车道线3D点的数量。

8.根据权利要求7所述的3D车道线检测装置,其特征在于,所述矫正模块为线性映射模块,以一3N×3N的矩阵形式表示,N为每条anchor线对应的车道线3D点的数量。

9.根据权利要求8所述的3D车道线检测装置,其特征在于,将所述初始预测车道线通过矫正模块进行偏移映射,得到矫正车道线的方式具体为:

10.根据权利要求6所述的3D车道线检测装置,其特征在于,所述矫正模块通过预设损失函数和预标注的自采车道线真实值进行迭代回归训练,具体方式为:

...

【技术特征摘要】

1.一种3d车道线检测方法,其特征在于,包括:

2.根据权利要求1所述的3d车道线检测方法,其特征在于,所述初始预测车道线以一m×3n的矩阵形式表示,其中,m为开源3d车道线检测模型识别出的anchor线数量,n为每条anchor线对应的车道线3d点的数量。

3.根据权利要求2所述的3d车道线检测方法,其特征在于,所述矫正模块为线性映射模块,以一3n×3n的矩阵形式表示,n为每条anchor线对应的车道线3d点的数量。

4.根据权利要求3所述的3d车道线检测方法,其特征在于,将所述初始预测车道线通过矫正模块进行偏移映射,得到矫正车道线的方式具体为:

5.根据权利要求1所述的3d车道线检测方法,其特征在于,所述矫正模块通过预设损失函数和预标注的自采车道线真实值进行迭代回归训练,具体包括:

<...

【专利技术属性】
技术研发人员:张学敏牟永强
申请(专利权)人:广州汽车集团股份有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1