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() 道路元素检测模型训练方法、检测方法、装置和电子设备制造方法及图纸_技高网

道路元素检测模型训练方法、检测方法、装置和电子设备制造方法及图纸

技术编号:43786114 阅读:4 留言:0更新日期:2024-12-24 16:20
本发明专利技术涉及一种道路元素检测模型训练方法、检测方法、装置和电子设备,训练方法包括:获取训练样本,所述训练样本包括基于众包地图获取的目标位置对应的局部众包信息和所述目标位置对应的前视语义信息;将所述局部众包信息和所述前视语义信息输入道路元素检测模型,学习得到所述目标位置的道路元素矢量点集,所述道路元素矢量点集表征矢量化的道路元素以及所述道路元素的拓扑信息;根据所述道路元素矢量点集更新所述道路元素检测模型的模型参数。本发明专利技术实施例实现高精度道路检测,不依赖于高成本设备,降低自动驾驶设备成本。

【技术实现步骤摘要】

本专利技术涉及深度学习,具体涉及一种道路元素检测模型训练方法、检测方法、装置和电子设备


技术介绍

1、检测道路元素,基于检测的道路元素生成车辆地图,基于地图控制车辆行驶,是实现自动驾驶的重要技术。尤其是在复杂的道路中,道路元素检测精度以及道路元素的拓扑关系,是自动驾驶的安全保障。

2、相关技术中,通过在车辆上设置雷达传感器,结合高精度摄像头/高精度地图等感知设备,进行道路元素的高精度检测。然而雷达传感器、高精度摄像头和高精度地图等感知设备,成本高,维护成本也高,进而使得自动驾驶技术的成本高。


技术实现思路

1、本专利技术的目的之一在于提供一种道路元素检测模型的训练方法,以解决现有技术中的道路元素检测依赖于高成本设备,导致自动驾驶技术的成本高的问题;目的之二在于提供一种道路元素的检测方法;目的之三在于提供一种装置;目的之四在于提供一种电子设备。

2、为了实现上述目的,本专利技术采用的技术方案如下:

3、一种道路元素检测模型的训练方法,所述训练方法包括:

4、获取训练样本,所述训练样本包括基于众包地图获取的目标位置对应的局部众包信息和所述目标位置对应的前视语义信息;

5、将所述局部众包信息和所述前视语义信息输入道路元素检测模型,学习得到所述目标位置的道路元素矢量点集,所述道路元素矢量点集表征矢量化的道路元素以及所述道路元素的拓扑信息;

6、根据所述道路元素矢量点集更新所述道路元素检测模型的模型参数。

7、根据上述技术手段,以局部众包信息和前视语义信息作为输入,道路元素检测模型通过局部众包信息和前视语义信息提取道路元素的几何特征、语义特征和道路拓扑信息等,基于这些特征的学习和输出,可以获得目标位置的道路元素矢量点集,进而根据所述道路元素矢量点集更新所述道路元素检测模型的模型参数,以获得适用于局部众包信息和前视语义信息作为输入进行道路元素检测的道路元素检测模型。基于众包地图具有成本低更新快的特点,融合前视语义信息,获得丰富道路信息,实现对道路元素的检测,通过输出矢量点来表征道路元素和道路拓扑信息,丰富了车道线和车道中心线的方向信息,为自动驾驶提供减速、变道等可行性参考信息,实现了基于低成本的感知设备识别道路元素。

8、进一步,所述将所述局部众包信息和所述前视语义信息输入道路元素检测模型,学习得到所述目标位置的道路元素矢量点集,包括:

9、将所述局部众包信息和所述前视语义信息输入所述道路元素检测模型,在所述道路元素检测模型的特征提取器中,基于所述局部众包信息提取得到众包地图特征,基于所述前视语义信息提取得到语义地图特征,所述众包地图特征和所述语义地图特征反映的道路元素特征的尺寸和/或深度不同;

10、将所述众包地图特征和所述语义地图特征输入至所述道路元素检测模型的编码器中,基于预先学习得到的鸟瞰特征图,对所述众包地图特征和所述语义地图特征进行注意力学习,并根据学习结果更新所述鸟瞰特征图;

11、将更新后的鸟瞰特征图输入至所述道路元素检测模型的解码器中,在所述解码器中基于更新后的鸟瞰特征图提取所述目标位置的道路元素的几何特征、语义特征和道路拓扑信息,并基于所述几何特征、所述语义特征和所述道路拓扑信息输出所述目标位置的道路元素矢量点集。

12、根据上述技术手段,通过注意力学习,实现将众包地图特征和语义地图特征进行融合,通过构建道路元素检测模型的特征包括几何特征、语义特征和道路拓扑信息,使得道路元素检测模型学习众包地图特征和语义地图特征对应的道路元素中的几何特征、语义特征和道路拓扑信息,进而学习到关于几何特征、语义特征和道路拓扑信息的道路元素,并形成道路元素矢量点集,通过道路元素矢量点集构建地图,为车辆自动驾驶提供方向,且通过矢量点能够区分道路元素。

13、进一步,所述基于预先学习得到的鸟瞰特征图,对所述众包地图特征和所述语义地图特征进行注意力学习,并根据学习结果更新所述鸟瞰特征图,包括:

14、基于预先学习得到的鸟瞰特征图,对所述众包地图特征和所述语义地图特征进行空间的交叉注意力交互学习,得到所述众包地图特征和所述语义地图特征的交叉注意力权重,所述学习结果包括所述交叉注意力权重;

15、根据所述交叉注意力权重更新所述鸟瞰特征图。

16、进一步,所述对所述众包地图特征和所述语义地图特征进行空间位置的交叉注意力交互学习,得到所述众包地图特征和所述语义地图特征的交叉注意力权重,包括:

17、对相邻的至少两帧众包地图特征进行时序层面的自注意力交互学习,得到融合众包地图特征,对相邻的至少两帧语义地图特征进行时序层面的自注意力交互学习,得到融合语义地图特征;

18、对所述融合众包地图特征和所述融合语义地图特征进行空间位置的交叉注意力交互学习,得到所述融合众包地图特征和所述融合语义地图特征的交叉注意力权重。

19、根据上述技术手段,能够推断出物体运动状态,并识别遮挡物体,从而推测出被遮挡的道路元素,提高道路元素识别的准确度。

20、进一步,所述将所述众包地图特征和所述语义地图特征输入至所述道路元素检测模型的编码器中,基于预先学习得到的鸟瞰特征图,对所述众包地图特征和所述语义地图特征进行注意力学习,包括:

21、将所述众包地图特征和所述语义地图特征输入至所述道路元素检测模型的编码器,对所述众包地图特征和所述语义地图特征进行编码,在空间位置上对齐;

22、基于预先学习得到的鸟瞰特征图,对编码对齐后的众包地图特征和语义地图特征进行注意力学习。

23、根据上述技术手段,便于编码器在空间位置上对众包地图特征和语义地图特征的学习。

24、进一步,所述根据所述道路元素矢量点集更新所述道路元素检测模型的模型参数,包括:

25、获取高精度地图中在所述目标位置的实际道路元素矢量点集和所述道路元素矢量点集之间的损失值;

26、基于所述损失值更新所述道路元素检测模型的模型参数。

27、一种道路元素的检测方法,所述检测方法包括:

28、在自动驾驶中,基于众包地图获取车辆当前行驶道路的局部众包信息,获取所述车辆在所述当前行驶道路的前视语义信息;

29、将所述局部众包信息和所述前视语义信息输入道路元素检测模型,得到所述当前行驶道路的道路元素矢量点集,所述道路元素矢量点集表征矢量化的道路元素以及所述道路元素的拓扑信息,其中,所述道路元素检测模型是通过上述所述的训练方法获得的。

30、根据上述技术手段,在自动驾驶中,以局部众包信息和前视语义信息作为输入,道路元素检测模型通过局部众包信息和前视语义信息提取道路元素的几何特征、语义特征和道路拓扑信息等,基于这些特征的学习和输出,可以获得当前行驶道路的道路元素矢量点集,以通过道路元素矢量点集控制车辆自动驾驶。基于众包地图具有成本低更新快的特点,融合前视语义信息,获得丰富道路信息,实现本文档来自技高网...

【技术保护点】

1.一种道路元素检测模型的训练方法,其特征在于,所述训练方法包括:

2.根据权利要求1所述的训练方法,其特征在于,所述将所述局部众包信息和所述前视语义信息输入道路元素检测模型,学习得到所述目标位置的道路元素矢量点集,包括:

3.根据权利要求2所述的训练方法,其特征在于,所述基于预先学习得到的鸟瞰特征图,对所述众包地图特征和所述语义地图特征进行注意力学习,并根据学习结果更新所述鸟瞰特征图,包括:

4.根据权利要求3所述的训练方法,其特征在于,所述对所述众包地图特征和所述语义地图特征进行空间位置的交叉注意力交互学习,得到所述众包地图特征和所述语义地图特征的交叉注意力权重,包括:

5.根据权利要求2至4任一项所述的训练方法,其特征在于,所述将所述众包地图特征和所述语义地图特征输入至所述道路元素检测模型的编码器中,基于预先学习得到的鸟瞰特征图,对所述众包地图特征和所述语义地图特征进行注意力学习,包括:

6.根据权利要求1至4任一项所述的训练方法,其特征在于,所述根据所述道路元素矢量点集更新所述道路元素检测模型的模型参数,包括:</p>

7.一种道路元素的检测方法,其特征在于,所述检测方法包括:

8.根据权利要求7所述的检测方法,其特征在于,所述将所述局部众包信息和所述前视语义信息输入道路元素检测模型,得到所述当前行驶道路的道路元素矢量点集,包括:

9.根据权利要求8所述的检测方法,其特征在于,所述基于所述道路元素检测模型中的鸟瞰特征图,对所述众包地图特征和所述语义地图特征进行注意力学习,并根据学习结果获得目标鸟瞰特征图,包括:

10.根据权利要求9所述的检测方法,其特征在于,所述对所述众包地图特征和所述语义地图特征进行空间的交叉注意力交互学习,得到所述众包地图特征和所述语义地图特征的交叉注意力权重,所述学习结果包括交叉注意力权重,包括:

11.一种道路元素检测模型的训练装置,其特征在于,所述训练装置包括:

12.一种道路元素的检测装置,其特征在于,所述检测装置包括:

13.一种电子设备,其特征在于,所述电子设备,包括:存储器,处理器;

14.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序/指令,所述计算机程序/指令被处理器执行时用于实现如权利要求1至6中任意一项所述的训练方法,或者实现如权利要求7至10任一项所述的检测方法。

15.一种计算机程序产品,其特征在于,所述计算机程序产品包括计算机程序/指令,所述计算机程序/指令被处理器执行时实现如权利要求1至6中任意一项所述的训练方法,或者实现如权利要求7至10任一项所述的检测方法。

...

【技术特征摘要】

1.一种道路元素检测模型的训练方法,其特征在于,所述训练方法包括:

2.根据权利要求1所述的训练方法,其特征在于,所述将所述局部众包信息和所述前视语义信息输入道路元素检测模型,学习得到所述目标位置的道路元素矢量点集,包括:

3.根据权利要求2所述的训练方法,其特征在于,所述基于预先学习得到的鸟瞰特征图,对所述众包地图特征和所述语义地图特征进行注意力学习,并根据学习结果更新所述鸟瞰特征图,包括:

4.根据权利要求3所述的训练方法,其特征在于,所述对所述众包地图特征和所述语义地图特征进行空间位置的交叉注意力交互学习,得到所述众包地图特征和所述语义地图特征的交叉注意力权重,包括:

5.根据权利要求2至4任一项所述的训练方法,其特征在于,所述将所述众包地图特征和所述语义地图特征输入至所述道路元素检测模型的编码器中,基于预先学习得到的鸟瞰特征图,对所述众包地图特征和所述语义地图特征进行注意力学习,包括:

6.根据权利要求1至4任一项所述的训练方法,其特征在于,所述根据所述道路元素矢量点集更新所述道路元素检测模型的模型参数,包括:

7.一种道路元素的检测方法,其特征在于,所述检测方法包括:

8.根据权利要求7所述的检测方法,其特征在于,所述将所述局部众包信息和所述前视语义信息输入道路元...

【专利技术属性】
技术研发人员:白斌任祥云张晓宇康轶非罗毅
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:

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